CN111539530A - 一种事件结果的预测方法及一种事件预测结果的获取方法 - Google Patents
一种事件结果的预测方法及一种事件预测结果的获取方法 Download PDFInfo
- Publication number
- CN111539530A CN111539530A CN202010334110.7A CN202010334110A CN111539530A CN 111539530 A CN111539530 A CN 111539530A CN 202010334110 A CN202010334110 A CN 202010334110A CN 111539530 A CN111539530 A CN 111539530A
- Authority
- CN
- China
- Prior art keywords
- event
- result
- sample
- predicted
- prediction
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 107
- 238000012549 training Methods 0.000 claims description 33
- 239000000126 substance Substances 0.000 claims description 6
- 230000008569 process Effects 0.000 description 19
- 238000004891 communication Methods 0.000 description 14
- 238000004590 computer program Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000009471 action Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000002860 competitive effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Evolutionary Computation (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Artificial Intelligence (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Mathematical Optimization (AREA)
- Computing Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Game Theory and Decision Science (AREA)
- Algebra (AREA)
- Computational Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
Abstract
本发明实施例提供了一种事件结果的预测方法及一种事件预测结果的获取方法。其中,该事件结果的预测方法包括:获取具有两个参与方的待预测事件的事件特征;获取两个参与方中,每个参与方的对象特征;基于待预测事件的事件特征和每个参与方的对象特征,利用预设预测模型,确定待预测事件的事件结果。从而,能够提高预测得到的各方能够达到特定结果的概率的准确率,避免影响该事件的观众的观看体验和参与感。该事件预测结果的获取方法包括:获取目标事件的事件标识;在预先存储的标识与结果对应关系中,确定事件标识对应的结果,作为目标事件的事件预测结果。从而,能够使得用户便捷地获取各个事件的较为准确的事件预测结果。
Description
技术领域
本发明涉及计算机技术领域,特别是涉及一种事件结果的预测方法及一种事件预测结果的获取方法。
背景技术
实际应用中,在很多情况下,在某些事件进行之前,用户通常可以对该事件的事件结果进行预测,以便于做好应对该事件发展的后续准备。并且,对于某些需要两方参与的事件而言,在该事件开始之前,对事件结果进行预测,还可以提高该事件的观众的参与度,例如,由于每方均可能达到特定结果,此时,可以预测各方能够达到该特定结果的概率等。
当前,相关技术中,通常采用基于专家的人工事前评估对需要两方参与的事件中,各方能够达到特定结果的概率进行预测。其中,专家为对该类事件有充分了解的从业人员或爱好者,从而,专家可以通过自己的既往经验、对事件的两个参与方的研究以及对该类事件的分析,预测参与该事件的各方能够达到特定结果的概率。
然而,在上述相关技术中,由于专家在预测过程中更多地依靠自身的个人经验,因此,预测得到的结果更多地依赖人的主观判断得出,而客观性不够,从而,导致所预测得到的各方能够达到特定结果的概率的准确率较差,并进而影响该事件的相关受众的用户体验。
发明内容
本发明实施例的目的在于提供一种事件结果的预测方法、装置、电子设备及存储介质,以提高预测得到的各方能够达到特定结果的概率的准确率,避免影响该事件的观众的观看体验和参与感。另外,本发明实施例还提供了一种事件预测结果的获取方法、装置、电子设备及存储介质,以使得用户便捷地获取各个事件的较为准确的事件预测结果。具体技术方案如下:
第一方面,本发明实施例提供了一种事件结果的预测方法,所述方法包括:
获取具有两个参与方的待预测事件的事件特征;
获取所述两个参与方中,每个参与方的对象特征;其中,任一参与方的对象特征包括:基于多个样本事件的真实事件结果,所确定出的该参与方的关于事件结果的描述特征;其中,所述样本事件为所述两个参与方共同参与的,且与所述待预测事件为同类的事件;
基于所述待预测事件的事件特征和所述每个参与方的对象特征,利用预设预测模型,确定所述待预测事件的事件结果;
其中,所述预设预测模型是基于多个样本数据以及每个样本数据对应的真值,对预设初始模型进行训练得到的;
其中,任一样本数据包括:所述多个样本事件中的任一样本事件的事件特征,以及,基于该样本事件对应的目标事件的真实事件结果所确定的所述每个参与方的关于事件结果的描述特征;该样本事件对应的目标事件为:所述多个样本事件中,按照发生时间由早到晚的顺序,从第一个样本事件开始至该样本事件为止的各个样本事件;任一样本数据对应的真值为该样本数据所包括事件特征所属的样本事件的真实事件结果。
可选的,一种具体实现方式中,所述方法还包括:
在所述待预测事件结束后,将所述待预测事件添加至所述多个样本事件中,得到更新后的多个样本事件;
利用更新后的多个样本事件,确定待利用的样本数据;其中,所述待利用的样本数据包括:所述待预测事件的事件特征,以及基于所述待预测事件对应的目标事件的真实事件结果所确定的、所述每个参与方的关于事件结果的描述特征;
基于所述待利用的样本数据和所述待预测事件的真实事件结果,更新所述预设预测模型。
可选的,一种具体实现方式中,所述预设初始模型为:
其中,为基于第i个样本数据所得到的预测结果,xi为第i个样本数据,K为所述预设初始模型所包括的基分类器的个数,fk(xi)为第k个基分类器上,基于第i个样本数据所得到的预测结果,F为k个基分类器集合。
可选的,一种具体实现方式中,
所述待预测事件包括:需要对参与方的获胜概率进行预测的比赛类事件;
所述待预测事件的事件结果包括:所述两个参与方中,至少一个参与方的获胜概率。
可选的,一种具体实现方式中,所述待预测事件的事件特征包括:所述待预测事件的赛事等级、赛事轮次和比赛赛制;
任一参与方的对象特征包括:该参与方的当前胜率和当前埃洛等级ELO值;
任一样本数据所包括的任一样本事件的事件特征包括:该样本事件的赛事等级、赛事轮次和比赛赛制;
任一样本数据所包括的所述每个参与方的关于事件结果的描述特征包括:所述每个参与方的胜率和ELO值。
第二方面,本发明实施例提供了一种事件预测结果的获取方法,所述方法包括:
获取目标事件的事件标识;
在预先存储的标识与结果对应关系中,确定所述事件标识对应的结果,作为所述目标事件的事件预测结果;
其中,所述对应关系中的每一结果是基于权利要求1-5任一项所述的事件结果的预测方法得到的。
第三方面,本发明实施例提供了一种事件结果的预测装置,所述装置包括:
事件特征获取模块,用于获取具有两个参与方的待预测事件的事件特征;
对象特征获取模块,用于获取所述两个参与方中,每个参与方的对象特征;其中,任一参与方的对象特征包括:基于多个样本事件的真实事件结果,所确定出的该参与方的关于事件结果的描述特征;其中,所述样本事件为所述两个参与方共同参与的,且与所述待预测事件为同类的事件;
事件结果预测模块,用于基于所述待预测事件的事件特征和所述每个参与方的对象特征,利用预设预测模型,确定所述待预测事件的事件结果;
其中,所述预设预测模型是基于多个样本数据以及每个样本数据对应的真值,对预设初始模型进行训练得到的;
其中,任一样本数据包括:所述多个样本事件中的任一样本事件的事件特征,以及,基于该样本事件对应的目标事件的真实事件结果所确定的所述每个参与方的关于事件结果的描述特征;该样本事件对应的目标事件为:所述多个样本事件中,按照发生时间由早到晚的顺序,从第一个样本事件开始至该样本事件为止的各个样本事件;任一样本数据对应的真值为该样本数据所包括事件特征所属的样本事件的真实事件结果。
可选的,一种具体实现方式中,所述装置还包括:
样本更新模块,用于在所述待预测事件结束后,将所述待预测事件添加至所述多个样本事件中,得到更新后的多个样本事件;
样本数据确定模块,用于利用更新后的多个样本事件,确定待利用的样本数据;其中,所述待利用的样本数据包括:所述待预测事件的事件特征,以及基于所述待预测事件对应的目标事件的真实事件结果所确定的、所述每个参与方的关于事件结果的描述特征;
模型更新模块,用于基于所述待利用的样本数据和所述待预测事件的真实事件结果,更新所述预设预测模型。
可选的,一种具体实现方式中,所述预设初始模型为:
其中,为基于第i个样本数据所得到的预测结果,xi为第i个样本数据,K为所述预设初始模型所包括的基分类器的个数,fk(xi)为第k个基分类器上,基于第i个样本数据所得到的预测结果,F为k个基分类器集合。
可选的,一种具体实现方式中,所述待预测事件包括:需要对参与方的获胜概率进行预测的比赛类事件;所述待预测事件的事件结果包括:所述两个参与方中,至少一个参与方的获胜概率。
可选的,一种具体实现方式中,所述待预测事件的事件特征包括:所述待预测事件的赛事等级、赛事轮次和比赛赛制;任一参与方的对象特征包括:该参与方的当前胜率和当前埃洛等级ELO值;任一样本数据所包括的任一样本事件的事件特征包括:该样本事件的赛事等级、赛事轮次和比赛赛制;任一样本数据所包括的所述每个参与方的关于事件结果的描述特征包括:所述每个参与方的胜率和ELO值。
第四方面,本发明实施例提供了一种事件预测结果的获取装置,所述装置包括:
标识获取模块,用于获取目标事件的事件标识;
结果确定模块,用于在预先存储的标识与结果对应关系中,确定所述事件标识对应的结果,作为所述目标事件的事件预测结果;
其中,所述对应关系中的每一结果是基于权利要求1-5任一项所述的事件结果的预测装置得到的。
第五方面,本发明实施例提供了一种电子设备,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现上述第一方面提供的任一种事件结果的预测方法的步骤和/或上述第二方面提供的一种事件预测结果的获取方法的步骤。
第六方面,本发明实施例提供了一种计算机可读存储介质,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现上述第一方面提供的任一种事件结果的预测方法的步骤和/或上述第二方面提供的一种事件预测结果的获取方法的步骤。
第七方面,本发明实施例提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述第一方面提供的任一种事件结果的预测方法的步骤和/或上述第二方面提供的一种事件预测结果的获取方法的步骤。
本发明实施例有益效果:
应用本发明实施例提供的一种事件结果的预测方法,预先利用样本数据和每个样本数据对应的真值,训练得到预设预测模型。这样,在对待预测事件的事件结果进行预测时,便可以首先获取到待预测事件的事件特征,以及参与该待预测事件的两个参与方中,每个参与方的对象特征;然后,基于所获取到的事件特征和对象特征,利用该预设预测模型,得到该预测事件的事件结果,即得到对该待预测事件进行预测的事件结果。其中,在训练过程中,预设预测模型可以学习所利用的各个样本数据与真值之间的对应关系,并且,由于每个样本数据是基于所包括事件特征所属的样本事件发生后,当前时刻所有样本事件的真实事件结果确定的,因此,每个样本数据可以视为是对历史样本事件的真实事件结果的统计结果。
基于此,预设预测模型便可以学习到样本事件的真实事件结果的统计结果与真值之间的对应关系,从而,可以利用样本事件的真实事件结果的统计结果,预测上述待预测事件的事件结果。这样,可以摆脱预测过程中,专家的个人经验的限制,以更加全面客观地角度来对待预测事件的两个参与方进行评估,从而,提高所预测得到的事件结果的准确性,即提高所预测得到的各方能够达到特定结果的概率的准确率,进而提升该事件的相关受众的用户体验。
此外,利用预测预测模型对待预测事件的事件结果进行预测,可以节省专家预测所花费的时间和成本。
相应的,应用本发明实施例提供的一种事件预测结果的获取方法,可以首先利用上述预设预测模型,对每个待预测事件的事件结果进行预测,并记录每个待预测事件的事件标识和预测结果之间的对应关系。这样,当需要获取目标事件的事件预测结果时,便可以首先获取该目标事件的事件标识,进而,从上述对应关系,确定该事件标识对应的结果,以得到目标事件的事件预测结果。
其中,由于利用上述预测预测模型可以提高所预测得到的各方能够达到特定结果的概率的准确率,因此,应用本发明实施例提供的一种事件预测结果的获取方法,可以使得用户便捷地获取各个事件的较为准确的事件预测结果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种事件结果的预测方法的流程示意图;
图2为本发明实施例提供的另一种事件结果的预测方法的流程示意图;
图3为本发明实施例提供的一种事件预测结果的获取方法的流程示意图;
图4为本发明实施例提供的一种呈现事件预测结果的效果示意图;
图5为本发明实施例提供的一种事件结果的预测装置的结构示意图;
图6为本发明实施例提供的一种事件预测结果的获取装置的结构示意图;
图7为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
当前,相关技术中,通常采用基于专家的人工事前评估对需要两方参与的事件中,各方能够达到特定结果的概率进行预测。然而,在该相关技术中,由于专家在预测过程中更多地依靠自身的个人经验,因此,预测得到的结果更多地依赖人的主观判断得出,而客观性不够,从而,导致所预测得到的各方能够达到特定结果的概率的准确率较差,并进而影响该事件的相关受众的用户体验。
为了解决上述技术问题,本发明实施例提供了一种事件结果的预测方法。
其中,该事件结果的预测方法可以应用于任一类型的电子设备中,例如,笔记本电脑、台式电脑、手机等。对此,本发明实施例不做具体限定,以下简称预测设备。
并且,该事件结果的预测方法可以适用于任一需要对待预测事件的事件结果进行预测的场景。例如,针对一场具有两个参赛方的比赛,预测各个参赛方的获胜概率;又例如,针对一个具有两个候选方的选择事件,预测每个候选方被选中的概率等。
此外,该预测方法可以通过预测设备中设置的一功能模块实现,即将该功能模块集成到该预测设备的设备程序中,将该预测方法的实现作为该预测设备自带的功能;该预测方法也可以通过预测设备中安装的一客户端软件实现,即将该预测方法通过一单独的客户端软件实现,在安装该客户端软件后,预测设备可以通过检测用户对该客户端软件的操作,对待预测事件的事件结果进行预测。这都是合理的。
其中,本发明实施例提供的一种事件结果的预测方法,可以包括如下步骤:
获取具有两个参与方的待预测事件的事件特征;
获取所述两个参与方中,每个参与方的对象特征;其中,任一参与方的对象特征包括:基于多个样本事件的真实事件结果,所确定出的该参与方的关于事件结果的描述特征;其中,所述样本事件为所述两个参与方共同参与的,且与所述待预测事件为同类的事件;
基于所述待预测事件的事件特征和所述每个参与方的对象特征,利用预设预测模型,确定所述待预测事件的事件结果;
其中,所述预设预测模型是基于多个样本数据以及每个样本数据对应的真值,对预设初始模型进行训练得到的;
其中,任一样本数据包括:所述多个样本事件中的任一样本事件的事件特征,以及,基于该样本事件对应的目标事件的真实事件结果所确定的所述每个参与方的关于事件结果的描述特征;该样本事件对应的目标事件为:所述多个样本事件中,按照发生时间由早到晚的顺序,从第一个样本事件开始至该样本事件为止的各个样本事件;任一样本数据对应的真值为该样本数据所包括事件特征所属的样本事件的真实事件结果。
以上可见,应用本发明实施例提供的方案,预先利用样本数据和每个样本数据对应的真值,训练得到预设预测模型。这样,在对待预测事件的事件结果进行预测时,便可以首先获取到待预测事件的事件特征,以及参与该待预测事件的两个参与方中,每个参与方的对象特征;然后,基于所获取到的事件特征和对象特征,利用该预设预测模型,得到该预测事件的事件结果,即得到对该待预测事件进行预测的事件结果。其中,在训练过程中,预设预测模型可以学习所利用的各个样本数据与真值之间的对应关系,并且,由于每个样本数据是基于所包括事件特征所属的样本事件发生后,当前时刻所有样本事件的真实事件结果确定的,因此,每个样本数据可以视为是对历史样本事件的真实事件结果的统计结果。
基于此,预设预测模型便可以学习到样本事件的真实事件结果的统计结果与真值之间的对应关系,从而,可以利用样本事件的真实事件结果的统计结果,预测上述待预测事件的事件结果。这样,可以摆脱预测过程中,专家的个人经验的限制,以更加全面客观地角度来对待预测事件的两个参与方进行评估,从而,提高所预测得到的事件结果的准确性,即提高所预测得到的各方能够达到特定结果的概率的准确率,进而提升该事件的相关受众的用户体验。
此外,利用预测预测模型对待预测事件的事件结果进行预测,可以节省专家预测所花费的时间和成本。
下面,对本发明实施例提供的一种事件结果的预测方法进行具体说明。
图1为本发明实施例提供的一种事件结果的预测方法的流程示意图。如图1所示,该预测方法可以包括如下步骤:
S101:获取具有两个参与方的待预测事件的事件特征;
在本发明实施例中,在对待预测事件的事件结果进行预测时,预测设备可以首先获取到该待预测事件的事件特征。
其中,待预测事件可以为任一类具有两个参与方,且在事件结束后,仅有一个参与方可以达到特定结果的事件,对此,本发明实施例不做具体限定。
例如,具有两个参赛方,且能够决出胜负的比赛类事件;具有两个侯选方,且只有一个侯选方能够入选的选择类事件等。
进而,待预测事件的事件特征既可以为关于待预测事件的事件信息中的至少一类事件信息,对此,本发明实施例不做具体限定。例如,事件名称、事件时长、事件重要程度、事件结果判断规则等。
可选的,一种具体实现方式中,该待预测事件可以包括:需要对参与方的获胜概率进行预测的比赛类事件;
相应的,在本具体实现方式中,所要预测的待预测事件的事件结果可以包括:该比赛类事件的两个参与方中,至少一个参与方的获胜概率。
也就是说,在本具体实现方式中,可以只对两个参与方中的任一个参与方的获胜概率进行预测,也可以同时对两个参与方中的每个参与方的获胜概率进行预测。这都是合理的。
例如,该待预测事件可以为:某场电子竞技比赛,其参与方分别为队伍A和队伍B,则所要预测的事件结果即可以为:某场电子竞技比赛,队伍A和队伍B各自的获胜概率。
S102:获取两个参与方中,每个参与方的对象特征;
其中,任一参与方的对象特征包括:基于多个样本事件的真实事件结果,所确定出的该参与方的关于事件结果的描述特征;其中,样本事件为两个参与方共同参与的,且与待预测事件为同类的事件;
在对具有两个参与方的待预测事件的事件结果进行预测时,在获取到该待预测事件的事件特征之外,还可以进一步获取到获取两个参与方中,每个参与方的对象特征。
其中,可以预先获取到该两个参与方共同参与的,且与该待预测事件的事件类型相同的多个样本事件。由于该多个样本事件为已经结束的事件,因此,可以得到每个样本事件的真实事件结果。这样,便可以基于该多个样本事件的真实事件结果,确定出的上述两个参与方中,每个参与方的关于事件结果的描述特征,进而,该描述特征便可以作为该参与方的对象特征。
也就是说,任一参与方的对象特征可以包括:基于多个样本事件的真实事件结果,所确定出的该参与方的关于事件结果的描述特征。
例如,在多次样本事件中,该参与方达到特定结果的比例;在多次样本事件中,该参与方达到特定结果的次数;在多次样本事件中,该参与方达到特定结果的次数,与未达到特定结果的次数的比值等。
其中,可选的,任一参与方的对象特征还可以包括其他的与多个样本事件的事件信息和/或真实时间结果相关的特征,对此,本发明实施例不做具体限定。
例如,多个样本事件的事件时长的平均值;多个样本事件中,最长事件时长和最短事件时长;多个样本事件中,最长事件时长与最短事件时长的差值等。
此外,需要说明的是,上述步骤S101和步骤S102的执行顺序,可以为先执行上述步骤S101,再执行上述步骤S102;也可以为先执行上述步骤S102,再执行上述步骤S101;还可以为同时执行上述步骤S101和步骤S102,这都是合理的。
S103:基于待预测事件的事件特征和每个参与方的对象特征,利用预设预测模型,确定待预测事件的事件结果;
在获取到待预测事件的事件特征,以及每个参与方的对象特征后,预测设备便可以基于待预测事件的事件特征和每个参与方的对象特征,利用预设预测模型,确定待预测事件的事件结果。
可选的,预测设备可以将待预测事件的事件特征,以及每个参与方的对象特征作为模型输入,输入到上述预设预测模型中,从而,获取该预设预测模型输出的输出结果,该输出结果即为待预测事件的事件结果,而该事件结果即为预测得到的待预测事件的事件结果。
其中,预设预测模型是基于多个样本数据以及每个样本数据对应的真值,对预设初始模型进行训练得到的。
需要说明的是,该预设预测模型可以是在预测设备本地训练得到的,也可以在其他电子设备处训练得到,并发送给预测设备的。这都是合理的。
其中,对于上述预设预测模型而言,用于训练该预设预测模型的任一样本数据可以包括:多个样本事件中的任一样本事件的事件特征,以及,基于该样本事件对应的目标事件的真实事件结果所确定的每个参与方的关于事件结果的描述特征;并且,该样本事件对应的目标事件为:多个样本事件中,按照发生时间由早到晚的顺序,从第一个样本事件开始至该样本事件为止的各个样本事件;
相应的,上述任一样本数据对应的真值即为:该样本数据所包括事件特征所属的样本事件的真实事件结果。
具体的:在已经结束的多个待预测事件的同类事件中,查找参与待预测事件的两个参与方共同参与的多个事件,并保证所查找到的多个事件中,发生时间连续的两个事件之间的时间段内,不存在除所查找到的多个事件之外的,待预测事件的两个参与方共同参与,且与待预测事件的类型相同的事件。
这样,上述所查找到的多个事件即可以作为用于训练上述预设预测模型的多个样本事件,并且,由于该多个样本事件均为已结束的事件,因此,可以进一步获取到每个样本事件的真实事件结果。进一步的,还可以得到每个样本事件的事件特征。
可选的,确定一起始时刻,进而,从该起始时刻开始,确定上述两个参与方共同参与的,且与待预测事件同类的每个事件,直至确定在训练该预设预测模型时,上述两个参与方共同参与的最后一个事件。这样,便可以确定多个样本事件。进而,得到每个样本事件的事件特征和真实事件结果。
其中,该起始时刻可以是上述两个参与方共同参与的第一个与待预测事件同类的事件的发生时间,也可以是上述两个参与方共同参与的第一个与待预测事件同类的事件的发生时间之后,且训练预设预测模型之前的任一时间。对此,本发明实施例不做具体限定。
并且,可选的,由于该起始时刻的不同,可以导致最终确定的样本事件的数量的不同,因此,可以根据对预设预测模型的精度要求,确定样本事件的数量,进而,根据该样本事件的数量确定该起始时刻。
可选的,确定一结束时刻,进而,从训练该预设预测模型的当前时刻开始,向前回溯上述两个参与方共同参与的,且与待预测事件同类的每个事件,直至达到预设结束时刻,或者,所确定的事件的数量达到预设数量。这样,便可以确定多个样本事件。进而,得到每个样本事件的事件特征和真实事件结果。
并且,本发明实施例不做上述预设结束时刻和预设数量的具体数值进行限定,上述预设结束时刻和预设数量的具体数值可以根据对预设预测模型的精度要求确定。
进一步的,在得到多个样本事件中,每个样本事件的事件特征和真实事件结果,便可以确定用于训练预设预测模型的多个样本数据。其中,样本数据的数量与样本事件的数量相同。
具体的:按照发生时间由早到晚的顺序,对各个样本事件进行排序。
则针对第一个样本事件,便可以基于该第一个样本事件的事件特征和真实事件结果,生成第一个样本事件对应的样本数据;
针对第二个样本数据,便可以基于该第二个样本事件的事件特征,以及第一个样本事件和第二个样本事件的真实事件结果,生成第二个样本事件对应的样本数据;
针对第三个样本数据,便可以基于该第三个样本事件的事件特征,以及第一个样本事件、第二个样本事件和第三个样本事件的真实事件结果,生成第三个样本事件对应的样本数据;
依次类推,直至得到最后一个样本事件对应的样本数据,从而,得到多个样本数据,并且,任一样本数据可以包括:上述多个样本事件中的任一样本事件的事件特征,以及,基于该样本事件对应的目标事件的真实事件结果所确定的每个参与方的关于事件结果的描述特征。
可选的,在获取到关于每个样本事件的其他事件信息时,每个样本数据还可以包括:所包括事件特征所属的样本事件的其他事件信息。
例如,所包括事件特征所属的样本事件的发生时长等。
其中,需要说明的是,样本数据所包括的内容中,除样本事件的事件特征之外的其他信息,与所获取到两个参与方中,每个参与方的对象特征中的信息是相对应的。
基于此,本发明实施例不对上述预设初始模型的模型类型进行限定,例如,该模型可以为逻辑回归模型、深度神经网络等。进而,也不对样本数据所包括的具体内容进行限定。从而,可以根据实际应用的需求选取所使用的预设初始模型,并根据预设初始模型确定样本数据所包括的具体内容;或者,可以根据实际应用的需求确定样本数据所包括的具体内容,从而,根据该具体内容选取所使用的预设初始模型。这都是合理的。
可选的,一种具体实现方式中,上述预设初始模型可以为GBDT(GradientBoosting Decision Tree,梯度提升树)模型。具体的,该预设初始模型可以为:
其中,为基于第i个样本数据所得到的预测结果,xi为第i个样本数据,K为所述预设初始模型所包括的基分类器的个数,fk(xi)为第k个基分类器上,基于第i个样本数据所得到的预测结果,F为k个基分类器集合。
具体的,在获取到上述多个样本数据后,可以通过有放回的采样,从上述多个样本数据中抽取若干样本数据,从而,得到该样本数据的一个子集。这样,在经过k次有放回的采样后,便可以得到k个子集。
进而,针对每个子集,便可以利用该子集中的样本数据和每个样本数据对应的真值,训练得到一基分类器。也就是说,上述预设初始模型中,每个基分类器可以通过一个子集进行训练,从而,得到训练完成的一分类器。
其中,可选的,可以通过多轮迭代训练的方式,使每个基分类器的训练结果与所对应子集中的样本数据的真值的差值小于预设差值阈值,即使得每个基分类器的训练结果可以逼近所对应子集中的样本数据的真值。
可选的,上述基分类器可以为CART(Classification And Regression Tree,分类回归二叉决策树)分类器。当然,上述基分类器也可以为其他类型的分类器。这都是合理的。
这样,在训练得到k个基分类器集合后,针对每个样本数据,便可以利用该样本数据在每个基分类器上所得到的预测结果的和值,对在GBDT模型中,基于该样本数据所得到的预测结果进行训练。从而,再次通过多轮迭代训练的方式,使GBDT模型上基于每个样本数据所得到的预测结果与该样本数据的真值的差值小于预设差值阈值,即使得GBDT模型的训练结果可以逼近样本数据的真值。从而,完成GBDT模型模型的训练,得到预设预测模型。
具体的,训练过程如下:
…
其中,t为自然数,且t<k;
在上述训练过程中,在训练一基分类器时,需要累加该基分类器之前的各个基分类器基于每个样本数据的预测结果,以使得该基分类器当前的训练结果与真值之间的差值可以最小。
可选的,一种具体实现方式中,该待预测事件可以包括:需要对参与方的获胜概率进行预测的比赛类事件;
相应的,在本具体实现方式中,所要预测的待预测事件的事件结果可以包括:该比赛类事件的两个参与方中,至少一个参与方的获胜概率。
进一步的,在本具体实现方式中,上述任一参与方的对象特征便可以包括:该参与方的当前胜率和当前ELO(Elo rating system,埃洛等级分系统)值;
上述任一样本数据所包括的任一样本事件的事件特征便可以包括:该样本事件的赛事等级、赛事轮次和比赛赛制;
任一样本数据所包括的所述每个参与方的关于事件结果的描述特征便可以包括:所述每个参与方的胜率和ELO值。
其中,所谓ELO为一种用于衡量各类两方参与的比赛类活动水平的评价方法,而利用两方各自的ELO值可以预测两方在下一次比赛中的胜率期望,并在下一次比赛结束后,可以根据比赛的真实结果,对两方各自的ELO值进行更新。
例如,假设队伍A和队伍B当前的ELO值分别为RA和RB,则在下一次比赛中,队伍A对队伍B的胜率期望为:
若下一次比赛中,队伍A的比赛真实胜负情况为SA(获胜时,SA=1;失败时,SA=0),则下一次比赛结束后,队伍A的ELO值更新为:
’
RA=RA+K(SA-EA)
其中,EA为预测得到的队伍A和队伍B的第N次比赛中,队伍A对队伍B的胜率期望。也就是说,在上述下一次比赛之前,队伍A和队伍B已经进行了N-1次与该下一次比赛同类的比赛。
此外,上述K为根据比赛级别选择的系数项,例如,可以为30。
需要说明的是,当队伍A和队伍B从未进行过比赛,那么可以为队伍A和队伍B的ELO值进行赋值,使得队伍A和队伍B的ELO值为相同的初始值,从而,可以利用该初始ELO值,预测得到的队伍A和队伍B的第N次比赛中,队伍A对队伍B的胜率期望。
相应的,在下一次比赛中,队伍B对队伍A的胜率期望,以及下一次比赛结束后,队伍B的ELO值的更新,与上述过程相似,再次不再赘述。
基于此,在本发明实施例中,按照发生时间由早到晚的顺序,对各个样本事件进行排序。
则针对第一个样本事件,其对应的样本数据所包括的每个参与方的胜率和ELO值为:根据第一个样本事件的真实事件结果和每个参与方的初始ELO值,确定的每个参与方的胜率和ELO值;
针对第二个样本数据,其对应的样本数据所包括的每个参与方的胜率和ELO值为:根据第一个样本事件和第二样本事件的真实事件结果确定的每个参赛方的胜率,以及,根据第一个样本事件之后,每个参与方的ELO值和第二个样本事件的真实事件结果,确定的每个参赛方的ELO值,即根据第一个样本事件对应的样本数据中包括的每个参与方的ELO值和第二个样本事件的真实事件结果,确定的每个参赛方的ELO值。
针对第三个样本数据,其对应的样本数据所包括的每个参与方的胜率和ELO值为:根据第一个样本事件、第二个样本事件和第三个样本事件的真实事件结果确定的每个参赛方的胜率,以及根据第二个样本事件之后,每个参与方的ELO值和第三个样本事件的真实事件结果,确定的每个参赛方的ELO值,即根据第二个样本事件对应的样本数据中包括的每个参与方的ELO值和第三个样本事件的真实事件结果,确定的每个参赛方的ELO值。
依次类推,直至得到最后一个样本事件其对应的样本数据所包括的每个参与方的胜率和ELO值。
可选的,一种具体实现方式中,如图2所示,本发明实施例提供的一种事件结果的预测方法,还可以包括如下步骤:
S104:在待预测事件结束后,将待预测事件添加至多个样本事件中,得到更新后的多个样本事件;
S105:利用更新后的多个样本事件,确定待利用的样本数据;
其中,待利用的样本数据包括:待预测事件的事件特征,以及基于待预测事件对应的目标事件的真实事件结果所确定的、每个参与方的关于事件结果的描述特征;
S106:基于待利用的样本数据和待预测事件的真实事件结果,更新预设预测模型。
可以理解的,在待预测事件结束后,可以得到该待预测事件的真实事件结果,从而,可以利用该待预测事件的真实事件结果对待预测事件结束后的,下一次待预测事件的事件结果进行预测。
基于此,在待预测事件结束后,预测设备便可以将待预测事件添加至多个样本事件中,从而得到更新后的多个样本事件。进而,便可以利用更新后的多个样本事件,确定待利用的样本数据,即确定待预测事件对应的样本数据。这样,便可以基于待利用的样本数据和待预测事件的真实事件结果,对上述预设预测模型进行更新,从而,进一步提升该预设预测模型的准确率,以使得在对待预测事件结束后的,下一次待预测事件的事件结果进行预测时,所得到的事件结果可以具有较高的准确率。
其中,上述S105中确定待利用的样本数据的方式,与上述步骤S106中更新预设预测模型的方式,与上述图1所示具体实现方式中的相关内容相似,再次不在赘述。
相应于上述本发明实施例提供的一种事件结果的预测方法,本发明实施例还提供了一种事件预测结果的获取方法。
其中,该事件预测结果的获取方法可以应用于任一类型的电子设备,例如,笔记本电脑、台式电脑、手机等。对此,本发明实施例不做具体限定,以下简称获取设备。
并且,该事件预测结果的获取方法可以适用于任一需要获取事件预测结果的场景。例如,针对一系列具有两个相同参赛方的比赛,获取每次比赛的事件预测结果,以与真实结果进行对比,分析该两个相同参赛方的比赛情况等。
此外,该获取方法可以通过获取设备中设置的一功能模块实现,即将该功能模块集成到该获取设备的设备程序中,将该获取方法的实现作为该获取设备自带的功能;该获取方法也可以通过获取设备中安装的一客户端软件实现,即将该获取方法通过一单独的客户端软件实现,在安装该客户端软件后,获取设备可以通过检测用户对该客户端软件的操作,获取目标事件的事件预测结果。这都是合理的。
并且,该获取设备与上述预测设备可以为相同的电子设备,也可以为不同的电子设备。
其中,本发明实施例提供的一种事件预测结果的获取方法,可以包括如下步骤:
获取目标事件的事件标识;
在预先存储的标识与结果对应关系中,确定所述事件标识对应的结果,作为所述目标事件的事件预测结果;
其中,所述对应关系中的每一结果是基于上述本发明实施例提供的任一项所述的事件结果的预测方法得到的。
以上可见,应用本发明实施例提供的方案,可以首先利用上述预设预测模型,对每个待预测事件的事件结果进行预测,并记录每个待预测事件的事件标识和预测结果之间的对应关系。这样,当需要获取目标事件的事件预测结果时,便可以首先获取该目标事件的事件标识,进而,从上述对应关系,确定该事件标识对应的结果,以得到目标事件的事件预测结果。
其中,由于利用上述预测预测模型可以提高所预测得到的各方能够达到特定结果的概率的准确率,因此,应用本发明实施例提供的一种事件预测结果的获取方法,可以使得用户便捷地获取各个事件的较为准确的事件预测结果。
下面,对本发明实施例提供的一种事件预测结果的获取方法,进行具体说明。
图3为本发明实施例提供的一种事件预测结果的获取方法的流程示意图。如图3所示,该获取方法可以包括如下步骤:
S301:获取目标事件的事件标识;
其中,该事件标识可以为任一类能够唯一表示该目标事件的标识信息,即不同的目标事件的事件标识是不同的,通过事件标识可以唯一确定目标事件。对此,本发明实施例不做具体限定。
例如,事件标识可以是目标事件的事件ID(identification,编码),又例如,事件标识可以是目标事件的比赛场次;
其中,可选的,一种具体实现方式中,在上述步骤S301中,获取设备可以直接获取到目标事件的事件标识。
可选的,另一种具体实现方式中,在上述步骤S301中,获取设备可以首先获取到目标事件的次序,从而,获取设备可以在预先存储的次序与标识的对应关系中,查找该次序对应的标识,从而,将所查找到的该次序对应的标识作为目标事件的事件标识。
其中,该次序可以是按照预测各个待预测事件的事件结果的预测时间由早到晚的顺序排列的。可选的,可以将预测时间最早的待预测事件的次序设定为0或1,从而,按照逐次加1的方式,确定其他各个待预测事件的次序;可选的,可以将预测时间最早的待预测事件的次序设定为M+1,从而,按照逐次加1的方式,确定其他各个待预测事件的次序,其中,M为用于训练预设预测模型的样本事件的数量。
可选的,再一种具体实现方式中,也可以直接将上述次序作为目标事件的事件标识,则在本具体实现方式中,后续所利用的预先存储的标识与结果对应关系即为:预先存储的次序与结果对应关系。
S302:在预先存储的标识与结果对应关系中,确定事件标识对应的结果,作为目标事件的事件预测结果;
其中,对应关系中的每一结果是基于上述本发明实施例提供的任一项的事件结果的预测方法得到的。
针对每一待预测事件,在利用上述本发明实施例提供的任一项的事件结果的预测方法得到该待预测事件的事件结果时,可以记录该待预测事件的事件标识和预测得到的事件结果的对应关系,从而,构成标识与结果对应关系。
这样,在获取到目标事件的事件标识后,便可以从该标识与结果对应关系存储,查找该目标事件的事件标识,从而,所查找到的事件标识对应的结果,即为该目标事件的事件预测结果。
可选的,当上述目标事件的事件标识是目标事件在各个待预测事件中的次序时,在获取到该次序后,便可以在预先存储的次序与结果的对应关系中,查找该次序,从而,所查找到的次序对应的结果,即为目标事件的事件预测结果。
此外,需要说明的是,当预测设备与获取设备为同一设备时,便可以将上述标识与结果对应关系存储在本地,从而,在获取到目标事件的事件标识时,便可以直接从该标识与结果对应关系存储,查找该目标事件的事件标识,从而,所查找到的事件标识对应的结果,即为该目标事件的事件预测结果。
当预测设备与获取设备为不同设备时,预测设备便可以将上述标识与结果对应关系存储在本地,从而,获取设备在获取到目标事件的事件标识时,便可以将该标识发送给预测设备,以使预测设备在该标识与结果对应关系存储,查找该目标事件的事件标识,并将所查找到的事件标识对应的结果反馈给获取设备。这样,获取设备便可以得到该目标事件的事件预测结果。
当预测设备与获取设备为不同设备时,预测设备便可以将上述标识与结果对应关系发送给获取设备。从而,获取设备在获取到目标事件的事件标识时,便可以直接在该标识与结果对应关系存储,查找该目标事件的事件标识,从而,所查找到的事件标识对应的结果,即为该目标事件的事件预测结果。
可选的,获取设备在获取到目标事件的事件预测结果时,可以将该事件预测结果呈现给用户。
例如,如图4所示,两个参与方分别为VG和EG,从而,可以得到VG的获胜率为59.6%,EG的获胜率为40.4%。
这样,用户便可以直观地查看到所需要的目标事件的事件预测结果。
相应于上述本发明实施例提供的一种事件结果的预测方法,本发明实施例还提供了一种事件结果的预测装置。
图5为本发明实施例提供的一种事件结果的预测装置的结构示意图,如图5所示,该事件结果的预测装置可以包括如下模块:
事件特征获取模块510,用于获取具有两个参与方的待预测事件的事件特征;
对象特征获取模块520,用于获取所述两个参与方中,每个参与方的对象特征;其中,任一参与方的对象特征包括:基于多个样本事件的真实事件结果,所确定出的该参与方的关于事件结果的描述特征;其中,所述样本事件为所述两个参与方共同参与的,且与所述待预测事件为同类的事件;
事件结果预测模块530,用于基于所述待预测事件的事件特征和所述每个参与方的对象特征,利用预设预测模型,确定所述待预测事件的事件结果;
其中,所述预设预测模型是基于多个样本数据以及每个样本数据对应的真值,对预设初始模型进行训练得到的;
其中,任一样本数据包括:所述多个样本事件中的任一样本事件的事件特征,以及,基于该样本事件对应的目标事件的真实事件结果所确定的所述每个参与方的关于事件结果的描述特征;该样本事件对应的目标事件为:所述多个样本事件中,按照发生时间由早到晚的顺序,从第一个样本事件开始至该样本事件为止的各个样本事件;任一样本数据对应的真值为该样本数据所包括事件特征所属的样本事件的真实事件结果。
以上可见,应用本发明实施例提供的方案,预先利用样本数据和每个样本数据对应的真值,训练得到预设预测模型。这样,在对待预测事件的事件结果进行预测时,便可以首先获取到待预测事件的事件特征,以及参与该待预测事件的两个参与方中,每个参与方的对象特征;然后,基于所获取到的事件特征和对象特征,利用该预设预测模型,得到该预测事件的事件结果,即得到对该待预测事件进行预测的事件结果。其中,在训练过程中,预设预测模型可以学习所利用的各个样本数据与真值之间的对应关系,并且,由于每个样本数据是基于所包括事件特征所属的样本事件发生后,当前时刻所有样本事件的真实事件结果确定的,因此,每个样本数据可以视为是对历史样本事件的真实事件结果的统计结果。
基于此,预设预测模型便可以学习到样本事件的真实事件结果的统计结果与真值之间的对应关系,从而,可以利用样本事件的真实事件结果的统计结果,预测上述待预测事件的事件结果。这样,可以摆脱预测过程中,专家的个人经验的限制,以更加全面客观地角度来对待预测事件的两个参与方进行评估,从而,提高所预测得到的事件结果的准确性,即提高所预测得到的各方能够达到特定结果的概率的准确率,进而提升该事件的相关受众的用户体验。
此外,利用预测预测模型对待预测事件的事件结果进行预测,可以节省专家预测所花费的时间和成本。
可选的,一种具体实现方式中,所述装置还包括:
样本更新模块,用于在所述待预测事件结束后,将所述待预测事件添加至所述多个样本事件中,得到更新后的多个样本事件;
样本数据确定模块,用于利用更新后的多个样本事件,确定待利用的样本数据;其中,所述待利用的样本数据包括:所述待预测事件的事件特征,以及基于所述待预测事件对应的目标事件的真实事件结果所确定的、所述每个参与方的关于事件结果的描述特征;
模型更新模块,用于基于所述待利用的样本数据和所述待预测事件的真实事件结果,更新所述预设预测模型。
可选的,一种具体实现方式中,所述预设初始模型为:
其中,为基于第i个样本数据所得到的预测结果,xi为第i个样本数据,K为所述预设初始模型所包括的基分类器的个数,fk(xi)为第k个基分类器上,基于第i个样本数据所得到的预测结果,F为k个基分类器集合。
可选的,一种具体实现方式中,所述待预测事件包括:需要对参与方的获胜概率进行预测的比赛类事件;所述待预测事件的事件结果包括:所述两个参与方中,至少一个参与方的获胜概率。
可选的,一种具体实现方式中,所述待预测事件的事件特征包括:所述待预测事件的赛事等级、赛事轮次和比赛赛制;任一参与方的对象特征包括:该参与方的当前胜率和当前埃洛等级ELO值;任一样本数据所包括的任一样本事件的事件特征包括:该样本事件的赛事等级、赛事轮次和比赛赛制;任一样本数据所包括的所述每个参与方的关于事件结果的描述特征包括:所述每个参与方的胜率和ELO值。
相应于上述本发明实施例提供的一种事件预测结果的获取方法,本发明实施例还提供了一种事件预测结果的获取装置。
图6为本发明实施例提供的一种事件预测结果的获取装置的结构示意图,如图6所示,该事件预测结果的获取装置可以包括如下模块:
标识获取模块610,用于获取目标事件的事件标识;
结果确定模块620,用于在预先存储的标识与结果对应关系中,确定所述事件标识对应的结果,作为所述目标事件的事件预测结果;
其中,所述对应关系中的每一结果是基于权利要求1-5任一项所述的事件结果的预测装置得到的。
以上可见,应用本发明实施例提供的方案,可以首先利用上述预设预测模型,对每个待预测事件的事件结果进行预测,并记录每个待预测事件的事件标识和预测结果之间的对应关系。这样,当需要获取目标事件的事件预测结果时,便可以首先获取该目标事件的事件标识,进而,从上述对应关系,确定该事件标识对应的结果,以得到目标事件的事件预测结果。
其中,由于利用上述预测预测模型可以提高所预测得到的各方能够达到特定结果的概率的准确率,因此,应用本发明实施例提供的一种事件预测结果的获取方法,可以使得用户便捷地获取各个事件的较为准确的事件预测结果。
相应于上述本发明实施例提供的一种事件结果的预测方法和一种事件预测结果的获取方法,本发明实施例还提供了一种电子设备,如图7所示,包括处理器701、通信接口702、存储器703和通信总线704,其中,处理器701,通信接口702,存储器703通过通信总线704完成相互间的通信,
存储器703,用于存放计算机程序;
处理器701,用于执行存储器703上所存放的程序时,实现上述本发明实施例提供的任一种事件结果的预测方法的步骤和/或上述本发明实施例提供的一种事件预测结果的获取方法的步骤。
上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect,PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory,RAM),也可以包括非易失性存储器(Non-Volatile Memory,NVM),例如至少一个磁盘存储器。可选的,存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器(Digital SignalProcessing,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
在本发明提供的又一实施例中,还提供了一种计算机可读存储介质,该计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现上述本发明实施例提供的任一种事件结果的预测方法的步骤和/或上述本发明实施例提供的一种事件预测结果的获取方法的步骤。
在本发明提供的又一实施例中,还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述本发明实施例提供的任一种事件结果的预测方法的步骤和/或上述本发明实施例提供的一种事件预测结果的获取方法的步骤。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置实施例、电子设备实施例、计算机可读存储介质实施例、计算机程序产品实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的较佳实施例,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等,均包含在本发明的保护范围内。
Claims (10)
1.一种事件结果的预测方法,其特征在于,所述方法包括:
获取具有两个参与方的待预测事件的事件特征;
获取所述两个参与方中,每个参与方的对象特征;其中,任一参与方的对象特征包括:基于多个样本事件的真实事件结果,所确定出的该参与方的关于事件结果的描述特征;其中,所述样本事件为所述两个参与方共同参与的,且与所述待预测事件为同类的事件;
基于所述待预测事件的事件特征和所述每个参与方的对象特征,利用预设预测模型,确定所述待预测事件的事件结果;
其中,所述预设预测模型是基于多个样本数据以及每个样本数据对应的真值,对预设初始模型进行训练得到的;
其中,任一样本数据包括:所述多个样本事件中的任一样本事件的事件特征,以及,基于该样本事件对应的目标事件的真实事件结果所确定的所述每个参与方的关于事件结果的描述特征;该样本事件对应的目标事件为:所述多个样本事件中,按照发生时间由早到晚的顺序,从第一个样本事件开始至该样本事件为止的各个样本事件;任一样本数据对应的真值为该样本数据所包括事件特征所属的样本事件的真实事件结果。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
在所述待预测事件结束后,将所述待预测事件添加至所述多个样本事件中,得到更新后的多个样本事件;
利用更新后的多个样本事件,确定待利用的样本数据;其中,所述待利用的样本数据包括:所述待预测事件的事件特征,以及基于所述待预测事件对应的目标事件的真实事件结果所确定的、所述每个参与方的关于事件结果的描述特征;
基于所述待利用的样本数据和所述待预测事件的真实事件结果,更新所述预设预测模型。
4.根据权利要求1-3任一项所述的方法,其特征在于,
所述待预测事件包括:需要对参与方的获胜概率进行预测的比赛类事件;
所述待预测事件的事件结果包括:所述两个参与方中,至少一个参与方的获胜概率。
5.根据权利要求4所述的方法,其特征在于,所述待预测事件的事件特征包括:所述待预测事件的赛事等级、赛事轮次和比赛赛制;
任一参与方的对象特征包括:该参与方的当前胜率和当前埃洛等级ELO值;
任一样本数据所包括的任一样本事件的事件特征包括:该样本事件的赛事等级、赛事轮次和比赛赛制;
任一样本数据所包括的所述每个参与方的关于事件结果的描述特征包括:所述每个参与方的胜率和ELO值。
6.一种事件预测结果的获取方法,其特征在于,所述方法包括:
获取目标事件的事件标识;
在预先存储的标识与结果对应关系中,确定所述事件标识对应的结果,作为所述目标事件的事件预测结果;
其中,所述对应关系中的每一结果是基于权利要求1-5任一项所述的事件结果的预测方法得到的。
7.一种事件结果的预测装置,其特征在于,所述装置包括:
事件特征获取模块,用于获取具有两个参与方的待预测事件的事件特征;
对象特征获取模块,用于获取所述两个参与方中,每个参与方的对象特征;其中,任一参与方的对象特征包括:基于多个样本事件的真实事件结果,所确定出的该参与方的关于事件结果的描述特征;其中,所述样本事件为所述两个参与方共同参与的,且与所述待预测事件为同类的事件;
事件结果预测模块,用于基于所述待预测事件的事件特征和所述每个参与方的对象特征,利用预设预测模型,确定所述待预测事件的事件结果;
其中,所述预设预测模型是基于多个样本数据以及每个样本数据对应的真值,对预设初始模型进行训练得到的;
其中,任一样本数据包括:所述多个样本事件中的任一样本事件的事件特征,以及,基于该样本事件对应的目标事件的真实事件结果所确定的所述每个参与方的关于事件结果的描述特征;该样本事件对应的目标事件为:所述多个样本事件中,按照发生时间由早到晚的顺序,从第一个样本事件开始至该样本事件为止的各个样本事件;任一样本数据对应的真值为该样本数据所包括事件特征所属的样本事件的真实事件结果。
8.根据权利要求7所述的装置,其特征在于,所述装置还包括:
样本更新模块,用于在所述待预测事件结束后,将所述待预测事件添加至所述多个样本事件中,得到更新后的多个样本事件;
样本数据确定模块,用于利用更新后的多个样本事件,确定待利用的样本数据;其中,所述待利用的样本数据包括:所述待预测事件的事件特征,以及基于所述待预测事件对应的目标事件的真实事件结果所确定的、所述每个参与方的关于事件结果的描述特征;
模型更新模块,用于基于所述待利用的样本数据和所述待预测事件的真实事件结果,更新所述预设预测模型。
10.一种事件预测结果的获取装置,其特征在于,所述装置包括:
标识获取模块,用于获取目标事件的事件标识;
结果确定模块,用于在预先存储的标识与结果对应关系中,确定所述事件标识对应的结果,作为所述目标事件的事件预测结果;
其中,所述对应关系中的每一结果是基于权利要求1-5任一项所述的事件结果的预测装置得到的。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010334110.7A CN111539530A (zh) | 2020-04-24 | 2020-04-24 | 一种事件结果的预测方法及一种事件预测结果的获取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010334110.7A CN111539530A (zh) | 2020-04-24 | 2020-04-24 | 一种事件结果的预测方法及一种事件预测结果的获取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111539530A true CN111539530A (zh) | 2020-08-14 |
Family
ID=71975370
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010334110.7A Pending CN111539530A (zh) | 2020-04-24 | 2020-04-24 | 一种事件结果的预测方法及一种事件预测结果的获取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111539530A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107998661A (zh) * | 2017-12-26 | 2018-05-08 | 苏州大学 | 一种在线对战游戏的辅助决策方法、装置及存储介质 |
CN108804663A (zh) * | 2018-06-08 | 2018-11-13 | 北京搜狗科技发展有限公司 | 一种结果估计方法、模型训练方法和相关装置 |
CN110147524A (zh) * | 2019-05-10 | 2019-08-20 | 深圳市腾讯计算机系统有限公司 | 一种基于机器学习的比赛结果预测方法、装置及设备 |
CN110851542A (zh) * | 2019-11-07 | 2020-02-28 | 腾讯科技(深圳)有限公司 | 数据处理方法、装置、电子设备及计算机可读存储介质 |
-
2020
- 2020-04-24 CN CN202010334110.7A patent/CN111539530A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107998661A (zh) * | 2017-12-26 | 2018-05-08 | 苏州大学 | 一种在线对战游戏的辅助决策方法、装置及存储介质 |
CN108804663A (zh) * | 2018-06-08 | 2018-11-13 | 北京搜狗科技发展有限公司 | 一种结果估计方法、模型训练方法和相关装置 |
CN110147524A (zh) * | 2019-05-10 | 2019-08-20 | 深圳市腾讯计算机系统有限公司 | 一种基于机器学习的比赛结果预测方法、装置及设备 |
CN110851542A (zh) * | 2019-11-07 | 2020-02-28 | 腾讯科技(深圳)有限公司 | 数据处理方法、装置、电子设备及计算机可读存储介质 |
Non-Patent Citations (3)
Title |
---|
星环科技人工智能平台团队编著: "《机器学习实战 基于Sophon平台的机器学习理论与实践》", 31 January 2020, 北京:机械工业出版社, pages: 64 - 69 * |
雷光裕: "《世界杯足球比赛多分类预测模型研究》" * |
雷光裕: "《世界杯足球比赛多分类预测模型研究》", 《软件导刊》, vol. 18, no. 7, pages 1 - 4 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108073568B (zh) | 关键词提取方法和装置 | |
Hoiles et al. | Engagement and popularity dynamics of YouTube videos and sensitivity to meta-data | |
CN110909205B (zh) | 一种视频封面确定方法、装置、电子设备及可读存储介质 | |
CN108810642B (zh) | 一种弹幕显示方法、装置及电子设备 | |
EP4198775A1 (en) | Abnormal user auditing method and apparatus, electronic device, and storage medium | |
CN111242310A (zh) | 特征有效性评估方法、装置、电子设备及存储介质 | |
CN110610193A (zh) | 标注数据的处理方法及装置 | |
CN107967280B (zh) | 一种标签推荐歌曲的方法及系统 | |
CN107862551B (zh) | 网络应用推广效果的预测方法、装置和终端设备 | |
CN110659311B (zh) | 题目推送方法、装置、电子设备及存储介质 | |
CN111510368B (zh) | 家庭群组识别方法、装置、设备及计算机可读存储介质 | |
CN110933492B (zh) | 一种播放时长预测方法及装置 | |
CN112995690B (zh) | 直播内容品类识别方法、装置、电子设备和可读存储介质 | |
CN109086345B (zh) | 一种内容识别方法、内容分发方法、装置及电子设备 | |
CN107784387B (zh) | 一种微博事件信息传播的连续动态预测方法 | |
CN111062527A (zh) | 一种视频集流量预测方法及装置 | |
CN111192170B (zh) | 题目推送方法、装置、设备和计算机可读存储介质 | |
CN111314790A (zh) | 一种视频播放记录的排序方法、装置和电子设备 | |
CN110929169A (zh) | 基于改进Canopy聚类协同过滤算法的职位推荐方法 | |
CN111325255B (zh) | 特定人群圈定方法、装置、电子设备及存储介质 | |
CN113268589B (zh) | 关键用户识别方法、装置、可读存储介质和计算机设备 | |
CN116501979A (zh) | 信息推荐方法、装置、计算机设备及计算机可读存储介质 | |
CN113836388A (zh) | 信息推荐方法、装置、服务器及存储介质 | |
CN113837807B (zh) | 热度预测方法、装置、电子设备及可读存储介质 | |
CN110971973A (zh) | 一种视频推送方法、装置及电子设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |