CN111617478B - 游戏阵容强度的预测方法、装置、电子设备及存储介质 - Google Patents

Abstract

本申请涉及人工智能技术领域，公开了一种游戏阵容强度的预测方法、装置、电子设备及存储介质，其中，该游戏阵容强度的预测方法，包括：获取待预测阵容的阵容信息，阵容信息包括待预测阵容中的各游戏角色、以及各游戏角色在游戏场景中的位置信息；基于各游戏角色，获取待预测阵容对应的角色特征；基于各游戏角色在游戏场景中的位置信息，获取该待预测阵容对应的角色位置特征；其中，角色位置特征包括待预测阵容中各游戏角色的位置特征及各游戏角色之间的相对位置特征；将角色特征和角色位置特征进行拼接，得到拼接后的特征；基于拼接后的特征，得到待预测阵容的阵容强度。利用本申请提供的预测方法能够快速、准确地获得待预测阵容的阵容强度。

Description

游戏阵容强度的预测方法、装置、电子设备及存储介质

技术领域

本申请涉及人工智能技术领域，具体而言，本申请涉及一种游戏阵容强度的预测方法、装置、电子设备及存储介质。

背景技术

随着信息技术的发展，网络游戏也逐渐成为了人们主流的娱乐活动，部分网络游戏除了具有娱乐性，还具有高度的竞技性，国家体育总局已将电子竞技列入第78个正式体育竞赛项目，未来电子竞技运动在世界体育领域将有越来越重要的地位。

在电子竞技游戏中，不同的游戏角色有不同的技能和定位，由各个游戏角色组成的阵容对比赛的结果影响非常大，预先获知对阵容强度能够产生多方面的用途，如：观战或者赛事直播的时候，对游戏胜负的预测不仅可以方便新手们更好地理解局势，还可以提高观战的趣味性，例如翻盘局会显得更刺激。

现有技术中往往基于双方所选游戏角色进行阵容强度的衡量，但基于游戏角色对阵容强度的衡量过于片面，获得的阵容强度的准确率较低。

发明内容

本申请的目的旨在至少能解决上述的技术缺陷之一，特提出以下技术方案：

本申请的一个方面，提供了一种游戏阵容强度的预测方法，包括：

获取待预测阵容的阵容信息，其中，阵容信息包括待预测阵容中的各游戏角色、以及各游戏角色在游戏场景中的位置信息；

基于各游戏角色，获取待预测阵容对应的角色特征；

基于各游戏角色在游戏场景中的位置信息，获取待预测阵容对应的角色位置特征；所述角色位置特征包括所述待预测阵容中各游戏角色的位置特征及各游戏角色之间的相对位置特征；

将角色特征和角色位置特征进行拼接，得到拼接后的特征；

基于拼接后的特征，得到待预测阵容的阵容强度。

本申请的另一个方面，提供了一种游戏阵容强度的预测装置，该装置包括：

获取阵容信息模块，用于获取待预测阵容的阵容信息，其中，阵容信息包括待预测阵容中的各游戏角色、以及各游戏角色在游戏场景中的位置信息；

获取角色特征模块，用于基于各游戏角色，获取待预测阵容对应的角色特征；

获取位置特征模块，用于基于各游戏角色在游戏场景中的位置信息，获取待预测阵容对应的角色位置特征；所述角色位置特征包括所述待预测阵容中各游戏角色的位置特征及各游戏角色之间的相对位置特征；

拼接特征模块，用于将角色特征和角色位置特征进行拼接，得到拼接后的特征；

获得阵容强度模块，用于基于拼接后的特征，得到待预测阵容的阵容强度。

本申请的再一个方面，提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时实现本申请第一方面所示的游戏阵容强度的预测方法。

本申请的又一个方面，提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现本申请第一方面所示的游戏阵容强度的预测方法。

本申请提供的技术方案带来的有益效果是：

本申请提供的游戏阵容强度的预测方法，基于待预测阵容的角色特征及位置特征进行阵容强度的预测，与采用单一特征进行预测的方案相比，本申请提供的预测方法的预测结果更加全面、准确。

本申请提供的游戏阵容强度的预测方法，基于样本阵容及标准阵容强度作为训练样本，由于标准阵容强度是基于样本阵容与参考阵容集获得的，与现有采用两个阵容之间的对阵结果作为训练样本的方式相比，本申请获得的样本阵容的标准阵容强度更加准确，基于准确的标准阵容强度进行模型训练，使得训练得到的阵容强度预测模型的预测结果更加准确、客观。

本申请附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本申请的实践了解到。

附图说明

本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：

图1为本申请一个实施例提供的游戏阵容强度的预测方法的流程图；

图2-1为本申请一个实施例提供的游戏阵容的界面展示图，其中，各游戏角色的位置分布为长蛇阵；

图2-2为本申请另一实施例提供的游戏阵容的界面展示图，其中，各游戏角色的位置分布为龟缩阵；

图3为本申请另一个实施例提供的利用阵容强度预测模型实现游戏阵容强度的预测方法的框架图；

图4为本申请一个实施例提供的训练阵容强度预测模型的流程图；

图5为本申请一个实施例提供的获得样本阵容的阵容强度的示意图；

图6为本申请一个实施例提供的获得训练样本集，以利用该训练样本集训练阵容强度预测模型的示意图；

图7为本申请一个实施例提供的基于所述多个初始阵容，通过遗传算法得到参考阵容集的流程图；

图8为本申请一个实施例提供的阵容强度预测模型的结构示意图；

图9-1为本申请一个实施例提供的玩家在上传阵容时页面上展示的上传详情界面；

图9-2为本申请一个实施例提供的玩家上传一套自认为最强的阵容的界面展示图；

图9-3为本申请一个实施例提供的对多个玩家上传的阵容进行预测、排序的界面展示图；

图10为本申请一个实施例提供的对玩家上传的阵容进行预测、排序的示意图；

图11为本申请一个实施例提供的一种游戏阵容强度的预测装置的结构示意图；

图12为本申请实施例提供的一种电子设备的结构示意图。

具体实施方式

下面详细描述本申请的实施例，实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本申请，而不能解释为对本申请的限制。

本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本申请的说明书中使用的措辞“包括”是指存在特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。

本领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)，具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语，应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样被特定定义，否则不会用理想化或过于正式的含义来解释。

人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。人工智能软件技术的其中一个主要方向是机器学习。

机器学习，又称深度学习，是一门多领域交叉学科，涉及概率论、统计学、逼近论、吐分析、算法复杂度理论等多门学科，专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识技能，重新组织已有的知识结构使之不断改善自身的性能。及其学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域，机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、式教学习等技术，本申请中提供的阵容强度预测模型是基于深度学习获得的。

为了更好的理解和说明本申请实施例所提供的各可选实施方案，下面首先对本申请实施例所涉及到的一些相关技术进行说明。

胜率：在游戏世界中，游戏中各阵容取得游戏最终胜利的可能性，即取得胜利的概率，根据阵容对阵次数及获胜次数可以确定阵容的胜率。

阵容强度：用于表征游戏中一个阵容的强弱，对于一个阵容，该阵容包括多个维度的信息，如所包含的游戏角色、游戏角色在阵容中的位置、游戏角色之间的关联关系等等，通常来说，一个阵容的胜率越大，阵容强度也就越强，因此，阵容强度可以通过阵容的胜率来表征。

目前，对于阵容的胜率预测，可以直接通过阵容信息进行胜率预测，或者通过模拟待预测阵容与参考阵容集的对阵进行胜率预测，还可以基于两个特定阵容之间的胜率训练胜率预测模型，通过胜率预测模型进行待预测阵容的胜率预测，具体如下：

对于采用人工设计特征预测的方式，是通过对待预测阵容的阵容信息进行人工设计相关特征的提取，根据人的经验确定各特征对应的权重，利用加权公式确定待预测阵容的阵容强度Q，上述加权公式形如：A₁x₁+A₂x₂+…+A_nx_n＝Q，其中,x₁、x₂、…、x_n为人工设计的特征，A1、A2、…、A_n依次为特征x₁、x₂…x_n对应的权重。例如，在自走棋游戏中，当多个高等级棋子存在时，其阵容就比低等级棋子阵容更强，该预测方式符合直觉，但是准确性与其设计者经验有十分紧密的联系，容易考虑不周，预测结果不够客观，且人工设计的特征不够全面，一旦出现新的游戏元素或特征，难以加入到人工特征计算公式之中，整体设计科学性不足，没有具体的理论支撑，难以得到客观、准确的阵容强度预测结果。

而通过对阵特定阵容预测的方式，该方法首先收集参考阵容集，该阵容集是按照一定的规则或者途径采集等来，然后将待预测强度阵容对阵参考阵容集，统计最终胜率，当该待预测阵容的胜率越高时，其阵容强度越高。虽然该方式能够得到相对较为准确的预测结果，但该方法较为复杂，在预测时，运算时间较久，预测效率较低，难以满足实时运算的要求。当选择特定阵容数量较少，虽然速度较快，但是胜率作为强度区分度较小，参考意义不大。而当选择特定阵容数量较多时，毫无疑问需要较长的时间，且对于大部分游戏阵容模拟器而言，每次模拟需要耗费大量的运算资源，完成游戏资源加载，游戏模拟加速等步骤，因此，整体模拟时间依然较长，整体运算较为复杂，需要大量的CPU资源，特别是面对大量玩家模拟以及对阵特定参考阵容时，难以满足算力要求。

而通过对局内胜率进行预测的方式，即基于两个特定阵容之间的胜率训练胜率预测模型，通过胜率预测模型进行待预测阵容的胜率预测，只是针对两两阵容之间的胜负进行实时或离线的预测，即以单一阵容作为参考体系，难以全面衡量阵容的强度，预测效果不够理想。

对于现有技术中所存在的技术问题，本申请提供的游戏阵容强度的预测方法、预测装置、电子设备及存储介质，旨在解决现有技术的如上技术问题中的至少一项，能够作为游戏观战和赛事的辅助，基于该方案，能够方便、快捷、准确、客观的预测出阵容的强度，可适用于各类游戏阵容预测场景中，如对于各类竞技游戏的阵容强度的预测，从而可以实现对阵容比赛结果的预测，如可以应用在游戏赛事结果预测、趣味竞猜等场景中。

本申请实施例所提供的该方法，具体可以通过预训练得到的阵容强度预测模型实现对待预测阵容的阵容强度的预测，在获取到待预测阵容的阵容信息之后，可以将阵容信息输入至该阵容强度预测模型中，得到阵容强度，当然，也可以是将待预测阵容信息所包含的各信息进行预编码后，将各信息的预编码向量输入至阵容强度预测模型，得到阵容强度。采用该方案，有效解决了现有技术所存在的无法快速、客观衡量竞技游戏阵容强度的问题。

下面以具体实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本申请的实施例进行描述。

本申请实施例中提供了一种可能的实现方式，如图1所示，提供了一种游戏阵容强度的预测方法，该方案可在服务器端执行，包括以下步骤：

步骤S110，获取待预测阵容的阵容信息，其中，阵容信息包括待预测阵容中的各游戏角色、以及各游戏角色在游戏场景中的位置信息；

步骤S120，获取待预测阵容中各游戏角色的角色特征；

步骤S130，基于各游戏角色在游戏场景中的位置信息，获取待预测阵容对应的角色位置特征；其中，角色位置特征包括待预测阵容中各游戏角色的位置特征及各游戏角色之间的相对位置特征；

步骤S140，将角色特征和角色位置特征进行拼接，得到拼接后的特征；

步骤S150，基于拼接后的特征，得到待预测阵容的阵容强度。

每个游戏阵容中包括一套游戏角色，每套游戏角色中至少包括一个游戏角色，各游戏角色预设有不同的角色技能、角色属性等，本申请实施例中，游戏阵容的阵容信息除了包括该阵容所包含的各游戏角色(即游戏角色名称)之外，还包括各游戏角色在阵容中的位置信息，即游戏角色在实质对阵时各游戏角色在游戏场景中的位置分布，基于该位置信息获得各游戏角色的位置特征，以及，待预测阵容中各游戏角色之间的相对位置特征。例如，对于自走棋游戏中的游戏阵容而言，每个棋子对应一个游戏角色，游戏场景为双方游戏角色在棋盘上对阵的场景，游戏角色在游戏场景中的分布位置信息为棋子的位置。

针对同一套游戏角色组成的阵容，若调整各游戏角色的位置信息可能会导致阵容强度发生改变。调整其中任一游戏角色在棋盘上的位置，都有可能导致其阵容强度发生巨大变化，如图2所示的游戏阵容，图2-1为一种游戏阵容，其位置排布为一字长蛇阵，其对应的阵容强度为75.64，调整游戏角色的位置，将全部游戏角色集中到棋盘上的一角，形成龟缩阵，如图2-2所示，因为该阵容为法师阵容，采用龟缩阵能更好的保护法师，因此，调整后的阵容强度为80.77，阵容强度发生了较大改变。

因此，本申请在预测阵容强度时，对游戏角色的角色特征及各角色位置特征进行拼接，采用拼接后的特征进行阵容强度预测，有利于获得的预测结果更加准确。

服务器端接收客户端上传的待预测阵容的阵容信息及获得待预测阵容的阵容强度的请求，响应于该请求，后台解析所述阵容信息基于待预测阵容中的各游戏角色，获取角色特征，其中，角色特征，表征待预测阵容所包含的各游戏角色的角色特征，如：角色技能、角色级别等。并基于各游戏角色在游戏场景中的位置信息，提取待预测阵容对应的角色位置特征；其中，角色位置特征包括阵容中各游戏角色的位置特征及各游戏角色之间的相对位置关系。例如：在自走棋类游戏中，角色特征为棋子特征，角色位置特征为该棋子在棋盘上的位置及与其他棋子的相对位置。

将角色特征和角色位置特征进行拼接，得到拼接后的特征，基于拼接后的特征得到待预测阵容的阵容强度，并将获得的待预测阵容的阵容强度反馈给客户端。

需要说明的是，上述步骤S120与步骤S130之间可以是无执行顺序的限制的，图1只是展示出其中一种执行方式，步骤S130可以在S120之前执行，也可以与S120同时执行。例如，可以将游戏角色和位置信息分别输入至神经网络模型中，由神经网络模型中的角色特征提取模块和位置特征提取模块分别基于游戏角色和位置信息，进行角色特征和位置特征的提取。

由于阵容中游戏角色及各游戏角色的位置均会对阵容强度产生影响，每个游戏角色预设有相应的角色技能及角色属性，角色属性包括：攻、守、辅等，若将角色属性为攻的游戏角色置于守方位置，与将角色属性为攻的游戏角色置于攻方位置的阵容相比，该阵容的阵容强度会大大降低。因此，综合考虑游戏角色及该游戏角色的位置信息，基于游戏角色获得表征该游戏角色特征的角色特征，游戏角色包括该游戏角色的技能信息及属性信息，基于游戏角色在待预测阵容中的位置信息，获得表征该位置信息的角色位置特征，基于角色特征及角色位置特征才能比较全面地确定待预测阵容的阵容强度。

本申请提供的游戏阵容预测方法，基于待预测阵容的角色特征及位置特征进行阵容强度的预测，与采用单一特征进行预测的方案相比，本申请提供的预测方法的预测结果更加全面、准确。

本申请提供的阵容强度预测方法能够实现对各类竞技游戏的阵容强度预测，具备阵容强度预测的通用性。

为了更清楚本申请提供的游戏阵容强度的预测方案及其技术效果，接下来以多个实施例对其具体实施方案进行详细阐述。

本申请实施例中提供了一种可能的实现方式，上述阵容信息还可以包括待预测阵容中游戏角色之间的关联关系，上述步骤S120中，基于各游戏角色，获取待预测阵容对应的角色特征，包括：

基于各游戏角色、以及游戏角色之间的关联关系，获取待预测阵容中各游戏角色的角色特征，该关联关系包括正相关、负相关的关联关系，其中，正相关的关联关系，如：游戏角色具备同一属性，当阵容中出现同一属性的多个游戏角色时，这些游戏角色能够发出新技能或各自发出的技能更具杀伤力；负相关的关联关系，如：当阵容中出现特定关系的多个游戏角色时，各游戏角色的技能被削弱，即出现技能克制的关系。

具体地，根据游戏角色及相互之间的关联关系，提取角色特征，例如，当游戏角色A在游戏角色B的配合下，能够输出特定的强大技能，则当阵容中出现游戏角色B时，待预测阵容的角色特征包括这项强大技能，而不考虑角色之间的关联关系时提取的角色特征则不包括这项技能。

本申请实施例提供了另一种预测方案，在获得待预测阵容的角色特征时综合考虑游戏角色及各游戏角色的关联关系，基于游戏角色自身的特征以及该游戏角色与其他游戏角色的关联关系，使得获得的角色特征能够更加准确、全面地表征游戏角色的特点。

在上述任一种可行的实施方式的基础上，上述S120中基于各游戏角色，提取待预测阵容对应的角色特征的步骤，可以包括：

A1，分别提取每个游戏角色的初始角色特征；

A2，通过注意力机制确定各游戏角色的初始角色特征的权重；

A3，基于各游戏角色的角色特征的权重，对各游戏角色的角色特征进行融合，得到待预测阵容对应的角色特征。

一般情况下，阵容中包括多个游戏角色，每个游戏角色都具备相应的基于游戏角色自身的角色特征，各游戏角色的初始角色特征包括角色技能、角色属性、角色阵营、角色种族等，例如：角色技能包括：随机发射飞弹、毒镖发射、短暂眩晕、变形术等，角色属性包括：攻、守、辅等，角色阵营包括：蜀、吴、魏等，角色种族包括：侏儒、巨人、灵族等，本方案中的各游戏角色的初始角色特征包括：基于游戏角色提取的初始角色特征，或者，基于游戏角色及其他游戏角色之间的关联关系提取的初始角色特征。而阵容的角色特征是基于初始角色特征及其权重得到的。

注意力机制可以利用输入的特征信息来确定特征的权重，因此，本申请通过注意力机制确定各初始角色特征的权重，基于初始角色特征及其获得待预测阵容的角色特征。

由于注意力机制可以根据输入的特征信息确定特征权重，如：可以根据各游戏角色的武力值大小确定各初始角色特征的权重，实现武力值较大的游戏角色对应的角色特征的权重较高，武力值较小的游戏角色对应的角色特征的权重较低，即按照游戏角色的武力值确定角色特征的权重，基于各游戏角色的角色特征及对应的权重，能够准确地表征待预测阵容的角色特征。

本申请实施例提供的方案，利用注意力机制聚焦于对阵容胜率更为关键的信息，降低对其他信息的关注度，甚至过滤掉无关信息，以提高获得各游戏角色的角色特征的效率和准确性，提高系统资源利用率。

作为一种可选方案，提取每个游戏角色的角色特征，可以通过神经网络结构实现，初始角色特征是游戏角色的浅层特征，通过神经网络结构最终获得的角色特征考虑了游戏角色之间的关联关系，得到的角色特征是高层特征，能够更加准确地表征游戏角色的特征，其中，神经网络的具体结构可以根据实际需求配置，本申请实施例不做限定。

作为一种可选方式，可以采用如下方式实现：对每个游戏角色进行编码处理，得到每个游戏角色的编码特征，该编码特征可以通过现有的常用编码方式one-hot编码来表现，但one-hot编码后得到特征比较稀疏，该特征的表达能力相对较弱；利用嵌入层对各游戏角色的角色特征进行降维处理，将稀疏的特征转换为稠密特征，该稠密特征具有实际意义，但仍属于浅层特征，表达能力有限；本申请进一步通过多层的全连接层进行特征提取，得到高层特征，该高层特征的表达能力相对较强，提高了特征的表达能力；在实际应用中，不同的游戏角色的角色特征对阵容强度的贡献不同，本申请通过注意力层，基于注意力机制针对不同的角色特征赋予不同的权重，使得各角色特征在后续的阵容强度中起到不同的作用，以得到准确的角色特征，有利于最终获得更准确的预测结果。

通过上述实施例获得各游戏角色的角色特征，作为一种可选方案，可以通过如下方式获得各游戏角色的角色位置特征：获得游戏角色的位置信息，利用至少一层卷积层对游戏角色的位置信息进行特征提取及各游戏角色在位置上的关联关系，再利用压平层将提取的多个位置特征及其关联关系进行降维处理，获得一维的角色位置特征。

在一种可选的实施方式中，本申请提供的游戏阵容强度的预测方法是通过阵容强度预测模型实现的，具体的，本申请实施例提供的该预测方法可以包括：

获取待预测阵容的阵容信息；

将待预测阵容的阵容信息输入至阵容强度预测模型中，基于模型的输出得到待预测阵容的阵容强度。

也就是说，上述步骤S120～步骤140中的提取角色特征、角色位置特征及特征的拼接都可以是由模型实现的。

其中，阵容强度预测模型的具体网络架构本申请实施例不做限定，如可以采用基于卷积神经网络的回归模型。

可选地，利用阵容强度预测模型来实现阵容强度的预测时，可以利用卷积层提取角色位置特征，如可以采用两个级联的卷积网络结构实现，其中，卷积层的卷积参数本申请实施例不做限定，如卷积核的大小可以选用3～7，卷积步幅即卷积步长可以为1～4。

为了能够将阵容强度预测模型应用于阵容强度的预测，需要对初始的预测模型进行预训练，以得到满足应用预测精度的预测模型。即在实际应用中，首先需要采用训练数据初始的预测模型进行训练，之后将训练结束之后的模型应用于待预测阵容的阵容强度的预测。

作为一个示例，图3中示出了本申请实施例所提供的一种可利用阵容强度预测模型实现游戏阵容强度的预测整体原理示意图，如图3所示，可以通过训练数据生成模块得到训练数据集，然后基于该训练数据集对初始的阵容强度预测模型进行训练，直至满足训练结束条件，之后则可以将该模型应用于待预测阵容的阵容强度预测。

本申请实施例中，训练数据生成模块可以通过样本阵容集和参考阵容集获得各样本阵容的胜率，其中，样本阵容集包括多个样本阵容，样本阵容可以来源于历史阵容、经过特定规则生成的阵容、用户上传阵容等，参考阵容集包括多个参考阵容，参考阵容也可以来源于历史阵容、经过特定规则生成的阵容、用户上传阵容等。

基于各样本阵容及其胜率生成训练数据集，之后，该训练数据集作为初始神经网络模型的训练数据，训练得到阵容强度预测模型，利用阵容强度预测模型对待预测阵容进行阵容强度的预测，能够快速、准确地获得待预测阵容的阵容强度，实现实时获取阵容强度的目的。

下面对本申请实施例所提供的通过训练得到阵容强度预测模型的方案进行具体说明。

本申请的可选实施方式中，阵容强度预测模型可以是通过如下方式训练得到的，其训练过程请参考图4所示，包括如下步骤：

S310，获取训练样本集，训练样本集中的每一训练样本包括样本阵容、以及所述样本阵容的标准阵容强度；

S320，基于训练样本集对初始神经网络模型进行训练，直至初始神经网络模型的损失函数收敛，将收敛时的神经网络模型作为阵容强度预测模型；其中，初始神经网络模型的输入包括样本阵容，输出为样本阵容的预测阵容强度，损失函数的值表征各样本阵容的标注签阵容强度和预测阵容强度之间的差异。

本申请实施例利用阵容强度预测模型确定待预测阵容的阵容强度，其中，阵容强度预测模型的训练过程如下：

获取训练样本集，训练样本集中包括多个样本阵容，以及样本阵容的标准阵容强度。

利用训练样本阵容对初始神经网络模型进行训练，即，将训练样本阵容作为初始神经网络的输入，获得初始神经网络输出的预测阵容强度，获得训练样本阵容对应的标准阵容强度与预测阵容强度之间的差异，即获得初始神经网络模型的损失函数的值，根据损失函数的值进行反向传播，调整模型的参数，重复该训练过程，直至损失函数收敛，当损失函数满足预设收敛条件时，停止训练。

对于本领域技术人员清楚的是，在实际应用中，除了训练数据集，还可以包括测试数据集，训练数据集用于训练神经网络模型，测试数据集用于对训练后的神经网络模型进行测试，具体的，可以使用测试样本阵容对收敛时的神经网络模型进行测试，当模型准确率高于预设阈值时，模型训练完成，将此时的神经网络模型作为阵容强度测试模型，如果准确率不满足条件，则需要对模型继续进行训练。

本申请实施例中，上述S310中的训练样本集可以通过以下方式得到：

S311，获取样本阵容集以及参考阵容集；所述样本阵容集包括多个样本阵容，样本阵容用于训练阵容强度预测模型；所述参考阵容集包括多个参考阵容，参考阵容集用于获得阵容强度预测模型的训练数据；

S312，根据样本阵容集中的每一样本阵容与参考阵容集中各参考阵容的对阵结果，确定样本阵容的标准阵容强度。

获取样本阵容集及参考阵容集，样本阵容集中包括多个样本阵容，样本阵容用于训练阵容强度预测模型，参考阵容集中包括多个参考阵容，也用于获得阵容强度预测模型的训练数据。

针对每一样本阵容，获得该样本阵容与参考阵容集中各参考阵容的对阵结果，具体地，将样本阵容依次与参考阵容集中的各参考阵容进行对阵，获得样本阵容的对阵结果，如胜利、失败，统计样本阵容对阵各参考阵容的胜利次数，根据胜利次数与对阵数量获得样本阵容的标准阵容强度，该标准阵容强度，也可以称为标注阵容强度、参考阵容强度等，将标准阵容强度作为样本阵容的真实阵容强度，如图5所示，参考阵容集中包括5个参考阵容，包括：参考阵容1、参考阵容2、……、参考阵容5，样本阵容与这5个参考阵容进行对阵，取得了三次胜利，则该样本阵容的标准阵容强度为60。

通过上述方式获得样本阵容及样本阵容对应的标准阵容强度，即获得每一训练样本，按照上述方法获得多个训练样本，组成训练样本集，结合图6所示，获得N个样本阵容及其对应的标准阵容强度组成N组训练样本，假设样本阵容1的标准阵容强度为77.5，样本阵容2的标准阵容强度为32.1，样本阵容3的标准阵容强度为15.2，……，样本阵容N的标准阵容强度为27.5，基于上述N组训练样本形成训练样本集，以便利用该训练样本集进行阵容强度预测模型的训练。

现有技术中，采用特定参考阵容集与待预测阵容对阵，将对阵结果作为待预测阵容的阵容强度，而本申请将参考阵容集作为预测模型的训练数据，在对待预测阵容进行预测时，无需对待预测阵容与参考阵容集进行实时对阵，利用预测模型能够实时获得阵容强度，提高了获得待预测阵容的效率和准确性。

而且，本申请提供的方案，将样本阵容及标准阵容强度作为训练样本，由于标准阵容强度是基于样本阵容与参考阵容集获得的，与现有采用两个阵容之间的对阵结果作为训练样本的方式相比，本申请获得的样本阵容的标准阵容强度更加准确，基于准确的标准阵容强度进行模型训练，使得训练得到的阵容强度预测模型的预测结果更加准确、客观。

基于训练完成的阵容强度预测模型，在实际应用中，本申请可以在单机上完成每秒上千套阵容的阵容强度预测，提高了阵容强度预测的效率及实时性。

在一种可行的实施方式中，获取样本阵容集，可以通过如下方式实现，包括如下步骤：

B1，遍历游戏中的游戏角色之间的关联关系；

B2，对于每一关联关系，基于关联关系所对应的游戏角色，构建样本阵容，基于样本阵容组成样本阵容集。

对于任一游戏阵容而言，该阵容所包含的游戏角色通常都是存在关联关系的，该关联关系可能是正相关，也可能负相关，其中，正相关的关联关系，如：游戏角色具备同一属性，当阵容中出现同一属性的多个游戏角色时，这些游戏角色能够发出新技能或各自发出的技能更具杀伤力；负相关的关联关系，如：当阵容中出现特定关系的多个游戏角色时，各游戏角色的技能被削弱，即出现技能克制的关系。

游戏角色的关联关系，可以通过后台获取，遍历每种关联关系，对于每一种关联关系，基于关联关系所对应的游戏角色，构建样本阵容，由于游戏中的关联关系多样，且每种关联关系可能涉及多个游戏角色，因此，基于关联关系构建样本阵容，可以基于同一种关联关系构建完全不同的多种样本阵容，多种样本阵容中的游戏角色可以完全不重叠，

基于关联关系构建样本阵容，能够构建出覆盖更多游戏角色的阵容，使得构建出的样本阵容更具普遍性、代表性。

可选地，B2中基于关联关系所对应的游戏角色，构建样本阵容，可以通过如下方式实现，包括：

B21，随机抽取关联关系所对应的游戏角色组合；

B22，基于随机抽取的游戏角色组合，构建样本阵容。

由于关联关系所对应的游戏角色可能包括多个，因此，随机从同一关联关系对应的多个游戏角色中进行抽取，获得抽取出的至少两个游戏角色，并将这两个游戏角色进行组合，获得游戏角色组合。

基于游戏角色组合构建样本阵容，包括：若游戏角色组合中的游戏角色数量或属性已经满足该种游戏的阵容设定要求，如，一种游戏设定一个阵容必须有3个游戏角色，且必须是不同攻击类型的游戏角色，则该游戏角色组合构成一个样本阵容；若该游戏组合中的游戏角色数量或属性不满足该种游戏的阵容设定要求，当游戏角色数量少于阵容设定要求，则从游戏角色候选池中选取符合条件的游戏角色，根据游戏角色组合及选取的游戏角色构建样本阵容；当游戏角色数量多于阵容设定要求，随机去除游戏角色组合中的多余游戏角色。

本申请实施例通过对具有关联关系的游戏角色进行组合，若关联关系为正相关的关联关系，则基于游戏角色组合构建样本阵容，有利于获得胜率较高的样本阵容；若关联关系为负相关的关联关系，有利于获得胜率较低的样本阵容，因此，基于游戏角色组合构建样本阵容能够获得胜率较极端的样本阵容，避免获得胜率单一的样本阵容，有利于增强样本阵容的普遍性、代表性。

在一种可行的实施方式中，可以通过如下方式获取参考阵容集，包括：

C1，获取多个初始阵容；

C2，基于多个初始阵容，通过遗传算法得到参考阵容集。

其中，初始阵容可以包括：使用频率较高的阵容、人工设计的阵容、根据预设规则生成的阵容中的至少一种。可以通过获得某一游戏中各阵容的使用频率的排序，将排序靠前的若干阵容作为使用频率较高的阵容。

本申请不限定初始阵容的具体类型，不同来源的初始阵容具有不同的优劣势，本实施例提供的方案综合多种阵容来源形成初始阵容，避免初始阵容具有偏向性，有利于提高初始阵容的覆盖面。

遗传算法(Genetic Algorithm)是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型，是一种通过模拟自然进化过程搜索最优解的方法，遗传算法往往应用于生物领域表征优胜劣汰过程，但尚未在游戏领域崭露头角。

发明人在研究过程中，可以将遗传算法应用于参考阵容集的获取过程，基于大量历史、随机阵容等阵容作为初始阵容，通过不断地阵容对阵、选择等操作实现阵容优化、并对选择后的优化阵容进行交叉、变异等操作获得新的阵容，提高阵容的覆盖率，不断循环该对阵、选择、交叉/变异过程，使得最终获得的参考阵容更加全面、客观。

当然，采用遗传算法筛选符合筛选条件的参考阵容集，不断循环筛选过程，筛选出优化的参考阵容集，该筛选条件除了可以是阵容强度，也可以是对阵时长、对阵观赏性等。

可选地，C2的基于多个初始阵容，通过遗传算法得到参考阵容集，可以通过如下方式实现，其流程图如图7所示，包括：

针对多个初始阵容，执行设定次数的以下操作，得到参考阵容集；

S611，利用多个初始阵容中两两阵容之间的对阵结果，得到各初始阵容的阵容强度；

S612，基于各初始阵容的阵容强度，从多个初始阵容中筛选第一阵容集；

S613，对第一阵容集中的各阵容进行随机交叉操作或变异操作中的至少一种处理，得到第二阵容集；

S614，将第一阵容集和第二阵容集中所包含的各阵容作为新的多个初始阵容。

本申请利用遗传算法对初始阵容进行筛选，筛选条件是阵容强度，可以通过阵容的对阵胜率表征其阵容强度，对阵胜率越高，其阵容强度越高，战斗能力越强。

以自走棋类游戏为例，首先获得多个初始阵容，假设初始阵容为1000个，利用初始阵容中两两阵容之间的自对弈，得到各初始阵容的胜率，胜率较高表明该阵容的适应度较高，选择此次自对弈胜率靠前的500个初始阵容作为第一阵容集。对该500个阵容进行随机交叉、变异操作中的至少一种，交叉是指随机两两阵容交换棋子，变异操作是指阵容中的棋子进行随机变换。通过以上操作，将得到的新的500套阵容作为第二阵容集，并将新得到的500套阵容加入原来自对弈胜率靠前的500个阵容，组成新的1000个阵容，将新得到的1000个阵容作为初始阵容，重复执行上述过程，直至满足迭代次数达到设定次数，按照适者生存和优胜劣汰的原理，将最终迭代后得到1000套较强的阵容作为参考阵容，用于阵容强度计算。

本申请通过遗传算法获得参考阵容集的方案，经过设定次数的迭代，最终形成的参考阵容与初始阵容相比，具有更大的对阵胜率。

第二阵容集的数量与第一阵容集的数量可以相同，也可以不同，可以根据实际情况灵活选择。

为了更好地说明本申请实施例提供的方案，下面结合示例对本申请实施例提供的游戏阵容强度的预测方法进行进一步说明。

作为一个示例，图8示出了本申请一种实施例提供的一种阵容强度预测模型的结构示意图，如图中所示，该模型包括两个特征提取分支，一个分支是用于提取游戏角色的角色特征提取模块，将游戏角色及阵容中各游戏角色的关联关系作为该分支输入，由前文描述可知，可以是直接将游戏角色和关联关系输入至该分支，也可以是对游戏角色及关联关系进行预编码后，将编码向量输入该分支，如图8中所示，将游戏角色编码向量(图中所示的角色编码)及关联关系的编码向量(图中所示的关联关系编码)输入至模型的角色特征提取模块。预编码的方式可以根据需要选择配置，如可以采用独热编码对上述游戏角色、关联关系、以及下文中的位置信息进行预编码。

另一个分支是用于提取阵容的角色位置特征提取模块，该分支的输入为游戏角色的位置信息或位置编码，其中，该示例中的角色特征提取模块可以包括依次级联的嵌入层、多个全连接层、注意力层，在本示例中，多个全连接层为3层，其中，嵌入层用于学习阵容中的分布式表达并将独热编码进行降维处理，全连接层用于将角色特征进行特征空间的转换，注意力层用于确定阵容中各角色特征的权重；角色位置特征提取模块包括依次级联的多个卷积层、压平层，本示例中，多个卷积层为2个卷积层，卷积层用于提取位置信息中的各游戏角色及各游戏角色之间的位置特征，压平层用于将二维特征转换为一维特征。然后将两个特征提取模块的输出作为拼接层的输入，实现对角色特征及角色位置特征的拼接，综合角色特征及角色位置特征进行阵容的描述，将拼接后的特征作为级联的多层全连接层的输入，实现对拼接后的多种特征的加权处理，本示例中，全连接层为2层，将全连接层输出的阵容强度输入分类层(softmax层)，输出阵容强度。

本申请实施例所提供的方案可以用于各种类型的竞技类游戏中游戏阵容的阵容强度的预测，如，将本申请实施例提供的方案应用于自走棋类游戏中，下面结合自走棋游戏的应用场景对本申请实施例提供的方案进行具体说明。

具体的，对于自走棋游戏中的待预测阵容，待预测阵容的阵容信息，该阵容信息可以包括各棋子、棋子位置及棋子羁绊(即棋子间的关联关系)，根据各棋子及棋子羁绊能够获得棋子特征，基于棋子位置确定棋子位置特征，基于各棋子在待预测阵容中的棋子特征及棋子位置特征进行待预测阵容的阵容强度预测。在通过阵容强度预测模型实现时，如采用图7中所示的预测模型时，将阵容信息中的棋子和棋子羁绊输入至角色特征提取模块中，得到待预测阵容的角色特征，将棋子位置输入至位置特征提取模块中，得到角色位置特征，之后通过拼接层将两种特征拼接后，通过全连接层和分类层的处理，得到待预测阵容的阵容强度。

根据上述实施例提供的游戏阵容强度的预测方法，还可以适用于如下场景中：以自走棋类游戏为例，玩家每周上传一套阵容，在进入上传界面之前，在用户界面上展示阵容评选的活动规则，该活动规则可以是通过上传详情来表征，如图9-1所示，该上传详情界面中介绍了活动规则，进入上传程序时，进入阵容配置界面，阵容配置界面上包括：大神阵容、系统推荐、我的阵容，三个版块，本机用户可以每周通过“我的阵容”版块上传一套本机用户自选的最强阵容(参见图9-2)，可以通过“大神阵容”版块查看评选后的大神阵容(参见图9-3)，也可以通过“系统推荐”版块获得系统推荐的阵容。

游戏中包含了大神阵容评选模式，玩家每周上传一套自认为最强的阵容，后台利用本申请提供的游戏阵容强度的预测方法对多个玩家上传的阵容进行预测、排序，排名靠前的游戏阵容对应的玩家可以获得奖励，其中，对玩家上传阵容进行预测、排序的示意图如图10所示，图中有4个玩家提交阵容，利用阵容强度预测方法，获得每个玩家提交阵容的阵容强度，四个阵容强度依次为80、75、15、95，根据阵容强度对玩家提交阵容进行排序，获得阵容强度由大到小的排序结果为：玩家提交阵容4、玩家提交阵容1、玩家提交阵容2、玩家提交阵容3。

通过本申请提供的游戏阵容强度的预测方法，可以对任一待预测阵容进行阵容强度的预测，无需对待预测阵容进行实质或虚拟对战，减少获得各阵容的阵容强度排名的时间及资源消耗，有利于提高获得待预测阵容的阵容强度的实时性。

基于与本申请实施例所提供的方法相同的原理，本申请实施例还提供了一种游戏阵容强度的预测装置900，如图11所示，该装置可以包括获取阵容信息模块910、获取角色特征模块920、获取位置特征模块930、拼接特征模块940和获得阵容强度模块950，其中：

获取阵容信息模块910，用于获取待预测阵容的阵容信息，其中，阵容信息包括待预测阵容中的各游戏角色、以及各游戏角色在游戏场景中的位置信息；

获取角色特征模块920，用于基于各游戏角色，获取待预测阵容对应的角色特征；

获取位置特征模块930，用于基于各游戏角色在游戏场景中的位置信息，获取待预测阵容对应的角色位置特征；所述角色位置特征包括所述待预测阵容中各游戏角色的位置特征及各游戏角色之间的相对位置特征；

拼接特征模块940，用于将角色特征和角色位置特征进行拼接，得到拼接后的特征；

获得阵容强度模块950，用于基于拼接后的特征，得到待预测阵容的阵容强度。

本申请提供的游戏阵容预测方法，基于待预测阵容的角色特征及位置特征进行阵容强度的预测，与采用单一特征进行预测的方案相比，本申请提供的预测方法的对阵容强度的预测结果更加全面、准确。

可选的，阵容信息还包括待预测阵容中游戏角色之间的关联关系，获取角色特征模块920具体用于基于各所述游戏角色、以及所述游戏角色之间的关联关系，获取所述角色特征。

可选的，获取角色特征模块920可以包括：

获取游戏角色的角色特征单元，用于分别获取每个游戏角色的初始角色特征；

确定权重单元，用于通过注意力机制确定各游戏角色的初始角色特征的权重；

得到阵容角色特征单元，用于基于各游戏角色的角色特征的权重，对各游戏角色的角色特征进行融合，得到待预测阵容对应的角色特征。

可选的，游戏阵容强度的预测装置可以是通过阵容强度预测模型实现的，该阵容强度预测模型是由训练装置对训练样本集的训练得到的，训练装置包括：

获取训练样本集模块，用于获取训练样本集，其中，训练样本集中的每一训练样本包括样本阵容、以及该样本阵容的标准阵容强度；

训练模块，用于基于训练样本集对初始神经网络模型进行训练，直至初始神经网络模型的损失函数收敛，将收敛时的神经网络模型作为阵容强度预测模型；其中，初始神经网络模型的输入包括样本阵容，输出为样本阵容的预测阵容强度，损失函数的值表征各样本阵容的标准阵容强度和预测阵容强度之间的差异；

其中，获取训练样本集模块可以包括：获取阵容集单元和确定阵容强度单元；

获取阵容集单元，用于获取样本阵容集、以及获取参考阵容集；

确定阵容强度单元，用于对于样本阵容集中的每一样本阵容，基于样本阵容与参考阵容集中各参考阵容的对阵结果，确定样本阵容的标准阵容强度。

可选的，获取阵容集单元可以包括：

遍历关联关系子单元，用于遍历游戏中的游戏角色之间的关联关系；

形成样本阵容集子单元，用于对于每一关联关系，基于关联关系所对应的游戏角色，构建样本阵容，基于样本阵容形成样本阵容集。

可选的，形成样本阵容集子单元具体用于：

随机抽取所述关联关系所对应的游戏角色组合；

基于随机抽取的所述游戏角色组合，构建样本阵容。

可选的，获取阵容集单元可以包括：

获取初始阵容子单元，用于获取多个初始阵容；

得到参考阵容集子单元，单元具体用于：

基于多个初始阵容，执行设定次数的以下操作，得到参考阵容集：

利用多个初始阵容中两两阵容之间的对阵结果，得到各初始阵容的阵容强度；

基于各初始阵容的阵容强度，从多个初始阵容中筛选第一阵容集；

对第一阵容集中的各阵容进行随机交叉操作或变异操作中的至少一种处理，得到第二阵容集；

将第一阵容集和第二阵容集中所包含的各阵容作为新的多个初始阵容。

本申请实施例的游戏阵容强度的预测装置可执行本申请实施例所提供的一种游戏阵容强度的预测方法，其实现原理相类似，本申请各实施例中的游戏阵容强度的预测装置中的各模块所执行的动作是与本申请各实施例中的游戏阵容强度的预测方法中的步骤相对应的，对于游戏阵容强度的预测装置的各模块的详细功能描述具体可以参见前文中所示的对应的游戏阵容强度的预测方法中的描述，此处不再赘述。

基于与本申请的实施例中所示的方法相同的原理，本申请的实施例中还提供了一种电子设备，该电子设备可以包括但不限于：处理器和存储器；存储器，用于存储计算机程序；处理器，用于通过调用计算机程序执行本申请任一可选实施例所示的游戏阵容强度的预测方法。与现有技术相比，本申请中提供的游戏阵容预测方法，基于待预测阵容的角色特征及位置特征进行阵容强度的预测，与采用单一特征进行预测的方案相比，本申请提供的预测方法的预测结果更加全面、准确。

在一个可选实施例中提供了一种电子设备，如图12所示，图12所示的电子设备4000可以为服务器端，包括：处理器4001和存储器4003。其中，处理器4001和存储器4003相连，如通过总线4002相连。可选地，电子设备4000还可以包括收发器4004。需要说明的是，实际应用中收发器4004不限于一个，该电子设备4000的结构并不构成对本申请实施例的限定。

处理器4001可以是CPU(Central Processing Unit，中央处理器)，通用处理器，DSP(Digital Signal Processor，数据信号处理器)，ASIC(Application SpecificIntegrated Circuit，专用集成电路)，FPGA(Field Programmable Gate Array，现场可编程门阵列)或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框，模块和电路。处理器4001也可以是实现计算功能的组合，例如包含一个或多个微处理器组合，DSP和微处理器的组合等。

总线4002可包括一通路，在上述组件之间传送信息。总线4002可以是PCI(Peripheral Component Interconnect，外设部件互连标准)总线或EISA(ExtendedIndustry Standard Architecture，扩展工业标准结构)总线等。总线4002可以分为地址总线、数据总线、控制总线等。为便于表示，图12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。

存储器4003可以是ROM(Read Only Memory，只读存储器)或可存储静态信息和指令的其他类型的静态存储设备，RAM(Random Access Memory，随机存取存储器)或者可存储信息和指令的其他类型的动态存储设备，也可以是EEPROM(Electrically ErasableProgrammable Read Only Memory，电可擦可编程只读存储器)、CD-ROM(Compact DiscRead Only Memory，只读光盘)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。

存储器4003用于存储执行本申请方案的应用程序代码，并由处理器4001来控制执行。处理器4001用于执行存储器4003中存储的应用程序代码，以实现前述方法实施例所示的内容。

其中，电子设备包括但不限于：移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图10示出的电子设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

本申请实施例提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，当其在计算机上运行时，使得计算机可以执行前述方法实施例中相应内容。

应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

需要说明的是，本申请上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。

上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。

上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备执行上述实施例所示的方法。

可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本申请实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，模块的名称在某种情况下并不构成对该模块本身的限定，例如，获得阵容强度模块还可以被描述为“获得待预测阵容的阵容强度模块”。

以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (12)

1.一种游戏阵容强度的预测方法，其特征在于，包括：

获取待预测阵容的阵容信息，所述阵容信息包括待预测阵容中的各游戏角色、以及各所述游戏角色在游戏场景中的位置信息；

基于各所述游戏角色，获取所述待预测阵容对应的角色特征；

基于各所述游戏角色在游戏场景中的位置信息，获取所述待预测阵容对应的角色位置特征；

将所述角色特征和所述角色位置特征进行拼接，得到拼接后的特征；

基于所述拼接后的特征，得到所述待预测阵容的阵容强度；

其中，所述方法是通过阵容强度预测模型实现的，该模型是通过以下方式训练得到的：

基于训练样本集对初始神经网络模型进行训练，直至满足训练结束条件，将满足该条件时的神经网络模型作为阵容强度预测模型，所述训练样本集中的每一训练样本包括样本阵容以及所述样本阵容的标准阵容强度；所述训练样本集是通过以下方式得到的：

获取样本阵容集、以及获取参考阵容集；根据样本阵容集中的每一样本阵容与参考阵容集中各参考阵容的对阵结果，确定所述样本阵容的标准阵容强度；所述参考阵容集是通过以下方式得到的：

获取多个初始阵容；基于所述多个初始阵容执行设定次数的以下操作，得到参考阵容集：

利用所述多个初始阵容中两两阵容之间的对阵结果，得到各所述初始阵容的阵容强度；基于各所述初始阵容的阵容强度，从所述多个初始阵容中筛选第一阵容集；对所述第一阵容集中的各阵容进行随机交叉操作或变异操作中的至少一种处理，得到第二阵容集；将所述第一阵容集和所述第二阵容集中所包含的各阵容作为新的多个初始阵容。

2.根据权利要求1所述的游戏阵容强度的预测方法，其特征在于，所述角色位置特征包括所述待预测阵容中各游戏角色的位置特征及各游戏角色之间的相对位置特征。

3.根据权利要求1所述的游戏阵容强度的预测方法，其特征在于，所述阵容信息还包括所述待预测阵容中所述游戏角色之间的关联关系，所述基于各所述游戏角色，获取所述待预测阵容对应的角色特征，包括：

基于各所述游戏角色、以及所述游戏角色之间的关联关系，获取所述待预测阵容的角色特征。

4.根据权利要求1至3任一项所述的游戏阵容强度的预测方法，其特征在于，所述基于各所述游戏角色，获取所述待预测阵容对应的角色特征，包括：

分别提取每个所述游戏角色的初始角色特征；

通过注意力机制确定各所述游戏角色的初始角色特征的权重；

基于各所述游戏角色的初始角色特征的权重，对各所述游戏角色的角色特征进行融合，得到所述待预测阵容对应的角色特征。

5.根据权利要求1所述的游戏阵容强度的预测方法，其特征在于，所述满足训练结束条件包括所述初始神经网络模型的损失函数收敛，其中，所述初始神经网络模型的输入包括所述样本阵容，输出为所述样本阵容的预测阵容强度，所述损失函数的值表征各所述样本阵容的标准阵容强度和预测阵容强度之间的差异。

6.根据权利要求1所述的游戏阵容强度的预测方法，其特征在于，所述获取样本阵容集，包括：

遍历游戏中的游戏角色之间的关联关系；

对于每一所述关联关系，基于所述关联关系所对应的游戏角色，构建样本阵容，基于所述样本阵容形成样本阵容集。

7.根据权利要求6所述的游戏阵容强度的预测方法，其特征在于，所述基于所述关联关系所对应的游戏角色，构建样本阵容，包括：

随机抽取所述关联关系所对应的游戏角色组合；

基于随机抽取的所述游戏角色组合，构建样本阵容。

8.一种游戏阵容强度的预测装置，其特征在于，包括：

获取阵容信息模块，用于获取待预测阵容的阵容信息，所述阵容信息包括待预测阵容中的各游戏角色、以及各所述游戏角色在游戏场景中的位置信息；

获取角色特征模块，用于基于各所述游戏角色，获取所述待预测阵容对应的角色特征；

获取位置特征模块，用于基于各所述游戏角色在游戏场景中的位置信息，获取所述待预测阵容对应的角色位置特征；

拼接特征模块，用于将所述角色特征和所述角色位置特征进行拼接，得到拼接后的特征；

获得阵容强度模块，用于基于所述拼接后的特征，得到所述待预测阵容的阵容强度；

其中，所述预测装置是通过阵容强度预测模型实现的，该模型是通过训练装置得到的，所述训练装置包括：

获取训练样本集模块，用于获取训练样本集，所述训练样本集中的每一训练样本包括样本阵容以及所述样本阵容的标准阵容强度；

训练模块，用于基于所述训练样本集对初始神经网络模型进行训练，直至满足训练结束条件，将满足该条件时的神经网络模型作为阵容强度预测模型；

其中，所述训练样本集是通过以下方式得到的：

获取样本阵容集、以及获取参考阵容集；根据所述样本阵容集中的每一样本阵容与所述参考阵容集中各参考阵容的对阵结果，确定所述样本阵容的标准阵容强度；所述参考阵容集是通过以下方式得到的：

获取多个初始阵容；基于所述多个初始阵容执行设定次数的以下操作，得到参考阵容集：

利用所述多个初始阵容中两两阵容之间的对阵结果，得到各所述初始阵容的阵容强度；基于各所述初始阵容的阵容强度，从所述多个初始阵容中筛选第一阵容集；对所述第一阵容集中的各阵容进行随机交叉操作或变异操作中的至少一种处理，得到第二阵容集；将所述第一阵容集和所述第二阵容集中所包含的各阵容作为新的多个初始阵容。

9.根据权利要求8所述的游戏阵容强度的预测装置，其特征在于，所述阵容信息还包括所述待预测阵容中所述游戏角色之间的关联关系，所述获取角色特征模块具体用于：

基于各所述游戏角色、以及所述游戏角色之间的关联关系，提取所述待预测阵容的角色特征。

10.根据权利要求8所述的游戏阵容强度的预测装置，其特征在于，所述满足训练结束条件包括所述初始神经网络模型的损失函数收敛，所述初始神经网络模型的输入包括所述样本阵容，输出为所述样本阵容的预测阵容强度，所述损失函数的值表征各所述样本阵容的标准阵容强度和预测阵容强度之间的差异。

11.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1-7任一项所述的游戏阵容强度的预测方法。

12.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，该程序被处理器执行时实现权利要求1-7任一项所述的游戏阵容强度的预测方法。

Images