CN111699500B - 使用机器学习来估计或预估游戏平台中具有时变需求的资源使用 - Google Patents

使用机器学习来估计或预估游戏平台中具有时变需求的资源使用 Download PDF

Info

Publication number
CN111699500B
CN111699500B CN201980012513.5A CN201980012513A CN111699500B CN 111699500 B CN111699500 B CN 111699500B CN 201980012513 A CN201980012513 A CN 201980012513A CN 111699500 B CN111699500 B CN 111699500B
Authority
CN
China
Prior art keywords
reports
training
training input
time
resources
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.)
Active
Application number
CN201980012513.5A
Other languages
English (en)
Other versions
CN111699500A (zh
Inventor
亚瑟·雷米·马兰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Robles Corp
Original Assignee
Robles Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Robles Corp filed Critical Robles Corp
Publication of CN111699500A publication Critical patent/CN111699500A/zh
Application granted granted Critical
Publication of CN111699500B publication Critical patent/CN111699500B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • A—HUMAN NECESSITIES
    • A63—SPORTS; GAMES; AMUSEMENTS
    • A63F—CARD, BOARD, OR ROULETTE GAMES; INDOOR GAMES USING SMALL MOVING PLAYING BODIES; VIDEO GAMES; GAMES NOT OTHERWISE PROVIDED FOR
    • A63F13/00—Video games, i.e. games using an electronically generated display having two or more dimensions
    • A63F13/30—Interconnection arrangements between game servers and game devices; Interconnection arrangements between game devices; Interconnection arrangements between game servers
    • A63F13/35—Details of game servers
    • A63F13/352—Details of game servers involving special game server arrangements, e.g. regional servers connected to a national server or a plurality of servers managing partitions of the game world
    • A—HUMAN NECESSITIES
    • A63—SPORTS; GAMES; AMUSEMENTS
    • A63F—CARD, BOARD, OR ROULETTE GAMES; INDOOR GAMES USING SMALL MOVING PLAYING BODIES; VIDEO GAMES; GAMES NOT OTHERWISE PROVIDED FOR
    • A63F13/00—Video games, i.e. games using an electronically generated display having two or more dimensions
    • A63F13/60—Generating or modifying game content before or while executing the game program, e.g. authoring tools specially adapted for game development or game-integrated level editor
    • A63F13/67—Generating or modifying game content before or while executing the game program, e.g. authoring tools specially adapted for game development or game-integrated level editor adaptively or by learning from player actions, e.g. skill level adjustment or by storing successful combat sequences for re-use
    • A—HUMAN NECESSITIES
    • A63—SPORTS; GAMES; AMUSEMENTS
    • A63F—CARD, BOARD, OR ROULETTE GAMES; INDOOR GAMES USING SMALL MOVING PLAYING BODIES; VIDEO GAMES; GAMES NOT OTHERWISE PROVIDED FOR
    • A63F13/00—Video games, i.e. games using an electronically generated display having two or more dimensions
    • A63F13/70—Game security or game management aspects
    • A63F13/75—Enforcing rules, e.g. detecting foul play or generating lists of cheating players
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/01—Social networking
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/50—Network services
    • H04L67/535—Tracking the activity of the user
    • A—HUMAN NECESSITIES
    • A63—SPORTS; GAMES; AMUSEMENTS
    • A63F—CARD, BOARD, OR ROULETTE GAMES; INDOOR GAMES USING SMALL MOVING PLAYING BODIES; VIDEO GAMES; GAMES NOT OTHERWISE PROVIDED FOR
    • A63F13/00—Video games, i.e. games using an electronically generated display having two or more dimensions
    • A63F13/70—Game security or game management aspects
    • A63F13/79—Game security or game management aspects involving player-related data, e.g. identities, accounts, preferences or play histories
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • General Business, Economics & Management (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Primary Health Care (AREA)
  • Marketing (AREA)
  • Human Resources & Organizations (AREA)
  • Computer Hardware Design (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Computer Security & Cryptography (AREA)
  • Tourism & Hospitality (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

公开用于通过生成包括在第一时间点的第一数量的报告的第一训练输入来训练机器学习模型的方法和系统。报告由游戏平台的用户来提交，并且识别其中游戏平台的内容违反与游戏平台关联的使用策略的事件。方法和系统生成第二训练输入，所述第二训练输入包括在第一时间点是活动的一数量的资源。方法和系统生成第一目标输出，所述第一目标输出识别足以评定所述第一数量的报告的目标百分比的一数量的资源。方法和系统提供训练数据，以便对下列集合来训练机器学习模型：(i)包括第一训练输入和第二训练输入的训练输入集合；以及(ii)包括第一目标输出的目标输出集合。

Description

使用机器学习来估计或预估游戏平台中具有时变需求的资源 使用
技术领域
本公开涉及游戏平台领域，以及特别是涉及使用机器学习来估计或预估具有时变需求的资源使用。
背景技术
协作平台允许用户连接到因特网并且经由因特网相互共享信息。协作平台(例如游戏平台)的用户可参与多用户游戏环境、设计定制游戏环境、设计化身或者与其他用户交换虚拟对象等。
发明内容
按照第一实施例，提供一种方法，以训练机器学习模型来估计足以评定游戏平台(其中报告的数量随时间而改变)的用户所提交的报告的目标百分比的资源。按照第一实施例的方法包括：
生成机器学习模型的训练数据，其中生成训练数据包括：
生成第一训练输入，其中第一训练输入包括在第一时间点的第一数量的报告，以及其中报告由游戏平台的用户来提交，并且识别其中游戏平台的内容违反与游戏平台关联的使用策略的事件；
生成第二训练输入，其中第二训练输入包括在第一时间点是活动的一数量的资源；以及
生成第一训练输入和第二训练输入的第一目标输出，其中第一目标输出识别足以评定所述第一数量的报告的目标百分比的一数量的资源；以及
提供训练数据，以便对下列集合来训练机器学习模型：
包括第一训练输入和第二训练输入的训练输入集合，以及
包括第一目标输出的目标输出集合。
按照第二实施例，提供一种方法，以使用已训练机器学习模型来估计用以评定游戏平台(其中所提交报告的数量随时间而改变)的用户所提交的报告的目标百分比的资源。按照第二实施例的方法包括：
向已训练机器学习模型提供第一输入，该第一输入包括将要评定第一数量的报告的目标百分比的时间段的指示，其中第一数量的报告由游戏平台的用户来提交，并且识别其中游戏平台的内容违反与游戏平台关联的使用策略的事件；以及
从已训练机器学习模型来得到一个或多个输出，所述输出识别：
一数量的资源，评定该时间段期间的所述数量的报告的目标百分比，以及
关于所述数量的资源足以评定该时间段期间的所述数量的报告的目标百分比的置信水平。
按照第三实施例，提供一种系统，以使用已训练机器学习模型来估计用以评定游戏平台(其中所提交报告的数量随时间而改变)的用户所提交的报告的目标百分比的资源。第三实施例的系统包括：
存储器；以及
处理装置，耦合到存储器以：
向已训练机器学习模型提供第一输入，该第一输入包括将要评定第一数量的报告的目标百分比的时间段的指示，其中所述第一数量的报告由平台的用户来提交，并且识别其中平台的内容违反与平台关联的使用策略的事件；以及
从已训练机器学习模型来得到一个或多个输出，所述输出识别：
一数量的资源，评定该时间段期间的所述数量的报告的目标百分比，以及
关于所述数量的资源足以评定该时间段期间的所述数量的报告的目标百分比的置信水平。
按照第四实施例，提供一种系统，以训练机器学习模型来估计足以评定平台(其中报告的数量随时间而改变)的用户所提交的报告的目标百分比的资源。按照第四实施例的系统包括：
存储器；以及
处理装置，耦合到存储器以：
向已训练机器学习模型提供第一输入，该第一输入包括将要评定第一数量的报告的目标百分比的时间段的指示，其中所述第一数量的报告由平台的用户来提交，并且识别其中平台的内容违反与平台关联的使用策略的事件；以及
从已训练机器学习模型来得到一个或多个输出，所述输出识别：
一数量的资源，评定该时间段期间的所述数量的报告的目标百分比，以及
关于所述数量的资源足以评定该时间段期间的所述数量的报告的目标百分比的置信水平。
附图说明
通过下面给出的详细描述以及通过本公开的各个实现的附图，将会更全面地了解本公开的各个实现。
图1示出按照本公开的实现的示例系统架构。
图2是按照本公开的实现、创建机器学习模型的训练数据的训练集合生成器的示例。
图3示出按照本公开的实现、训练机器学习模型的方法的一个示例的流程图。
图4示出按照本公开的实现、使用已训练机器学习模型来估计游戏平台中具有时变需求的资源使用的方法的一个示例的流程图。
图5是示出按照本公开的实现的示范计算机系统的框图。
具体实施方式
协作平台(例如游戏平台)提供多种方式供用户彼此交互。例如，游戏平台的用户可朝共同目标共同努力、共享各种虚拟游戏物品、相互发送电子消息等。协作平台的用户可玩带有角色的游戏(例如玩家用户)或者经由协作平台采用开发工具来创建游戏或创建对象(例如创作用户)。协作平台的用户(例如创作用户和玩家用户)可在协作平台上生成庞大用户生成内容(例如游戏、游戏中的环境、例如服装等的角色装饰、玩家用户之间的消息等)。
在一些情况下，协作平台可实现使用策略，该使用策略为用户内容或行为设置标准或规则。使用策略可提供增加的用户交互、改进用户体验、增加技术基础设施的安全性(例如保护网络、服务器或者协作平台的其他基础设施的操作)、促进对当地、州和联邦法律的遵守等。协作平台(例如游戏平台)可具有作为未成年人的许多用户，这造成特定难题。例如，作为未成年人的用户可要求或依靠更严格的使用策略标准或者需要使用策略的更大加强。
在一些协作平台中，用户可向协作平台提供报告，所述报告识别其中内容(例如消息、游戏对象、游戏环境等)违反与该平台关联的使用策略的事件。协作平台可分配资源(例如服务器资源、数据存储资源、连网资源等)以评定报告，这可包括调查和评估报告的优点，并且执行任何纠正措施(例如禁用违规用户的消息应用、挂起违规用户的帐户等)。对能够处置报告的评定的资源量进行估计可能是棘手的，至少因为报告的数量可随时间而改变，并且将要接收报告的数量可能是未知的。
另外，在一些情况下，协作平台可判定或者有义务评定在任何给定时间的报告的目标百分比。未被处置的报告可被放入队列中，以供后续评定(例如当资源为可用时)。例如，目标百分比可以为5％。在给定时间点，报告的数量可以为100，以及协作平台可有义务评定100个报告的5％的目标百分比(例如5个报告)。一小时后，报告的数量可冲刺到500个报告，以及协作平台仍然有义务评定500个报告的5％(例如25个报告)。当报告的数量增加时，活动或可用资源可能不足以处置或评定目标数量的报告。备选地，过多资源在报告的数量较小时可能是可用的，并且闲置和浪费。
另外，在一些情况下，协作平台可判定或者有义务评定在任何给定时间的报告的某个百分比。未被处置的报告稍后可能不是有用的，并且因此被丢弃。另外，用于丢弃报告的过程可服从未知或不可测量环境因素，并且因此在任何给定时间所丢弃报告的数量不服从简单计算，而需要被估计，以便随后估计报告的哪一个百分比能够通过资源的固定集合来评定。
另外，在一些情况下，协作平台可判定或者有义务评定全部报告。报告没有立即被处置，而是保持在队列(例如先进先出队列)中，以供后续处理。对于给定数量的入局报告和固定数量的资源，预估使任何给定时间的报告经过队列并且被处理所花费的时间长度是有用的。
通过使用第一训练输入(所述第一训练输入指示在第一时间点的第一数量的报告)、第二训练输入(所述第二训练输入包括在第一时间点是活动的一数量的资源)和第一目标输出(所述第一目标输出识别足以评定在第一时间点的所述第一数量的报告的目标百分比的一数量的资源)来训练机器学习模型，本公开的方面解决上述及其他难题。在一些实现中，训练数据(例如训练输入和目标输出)可以对特定期间(例如，对某个时间段，例如1年)间隔地(例如，不同时间点，例如1分钟间隔)被生成，以训练机器学习模型。
一旦训练机器学习模型，已训练机器学习模型能够用来预估或预测或估计将来时间段(例如下周)的资源使用或要求，即使对将来时间段的报告的实际数量以及对将来时间段的报告的数量的变化是未知的。另外，已训练机器学习模型可用来对当前状况或者甚至过去状况(其中报告的数量意外地发生变化以及可用来评定报告的资源的数量不充分或者过多)进行故障排除。
相应地，本公开的方面提供一种估计或预估对资源的需求随时间而改变时的资源使用的方式。这增加协作平台的效率，并且降低对将来资源使用的手动估计和手动故障排除的需要。训练机器学习模型来估计足以评定协作平台(其中报告的数量随时间而改变)的用户所提交的报告的目标百分比的资源并且使用已训练机器学习模型来提供用以评定报告的目标百分比的数量的资源的估计改进估计具有时变需求的资源使用的技术过程。例如，在没有机器学习模型的情况下估计将来资源使用可能是不充分或者不准确的。通过减少或消除评定报告的目标百分比不需要的附加空闲资源(例如服务器资源)，估计资源使用(例如更有效地)改进计算机或计算机网络的操作。
可注意，为了便于说明而不是限制而提供本文中描述为游戏平台的协作平台。协作平台可以是众多平台的一个或多个，例如游戏平台、社交网络平台、购物平台、消息传递平台、创作平台等。还可注意，使用游戏平台的示例并且为了便于说明而不是进行限制而示出本公开的方面。可注意，本公开的方面可一般适用于平台，例如评定报告(所述报告识别其中平台上的内容违反与该平台关联的使用策略的事件)的平台。
可注意，考虑用户所提交的报告来描述本公开的方面。为了便于说明而不是进行限制而提供报告的使用。训练机器学习模型并且使用已训练机器模型来估计资源的系统和方法可用来估计执行将要由协作平台所执行(并且随时间而改变)的任何类型的工作(例如计算工作)的资源。例如，可训练机器学习模型，以估计甚至在对计算工作的需求随时间而改变时也足以执行协作平台的工作(例如，计算工作，例如生成游戏性的渲染命令)的目标百分比的资源。
图1示出按照本公开的一个实现的示例系统架构100。系统架构100(本文中又称作“系统”)包括客户端装置110A和110B(本文中一般称作(一个或多个)客户端装置110)、网络105、数据存储器106、协作平台120和一个或多个服务器机器130至150。
在一个实现中，网络105可包括公共网络(例如因特网)、专用网络(例如局域网(LAN)或广域网(WAN))、有线网络(例如以太网网络)、无线网络(例如802.11网络、网络或无线LAN(WLAN))、蜂窝网络(例如长期演进(LTE)网络)、路由器、集线器、交换机、服务器计算机和/或其组合。
在实现中，数据存储器106是能够存储数据的永久存储装置。在一些实现中，数据存储器106可以是存储器(例如随机存取存储器)、高速缓存、驱动器(例如硬盘驱动器)、闪存驱动器、数据库系统或者能够存储数据的另一种类型的组件或装置。数据存储器106还可包括多个存储组件(例如多个驱动器或多个数据库)，所述多个存储组件还可跨越多个计算装置(例如多个服务器计算机)。
在实现中，服务器机器130-150可以是一个或多个计算装置(例如机架安装服务器、服务器计算机、路由器计算机、大型计算机、台式计算机等)。在实现中，服务器机器130-150可包含在协作平台120中、作为单独系统或者作为另一个系统或平台的组成部分。
在一些实现中，协作平台120可以是一个或多个计算装置(例如机架安装服务器、路由器计算机、服务器计算机、个人计算机、大型计算机、膝上型计算机、平板计算机、台式计算机等)、数据存储器(例如硬盘、存储器、数据库)、网络、软件组件和/或可用来为用户提供对协作平台120的访问的硬件组件。协作平台120还可包括可用来为用户提供对协作平台120所提供的内容的访问的网站(例如网页)或应用后端软件。例如，用户可使用客户端装置110上的协作应用114来访问协作平台120。可注意，协作应用114A和114B一般可称作(一个或多个)协作应用114。在一些实现中，协作应用114可以是同一应用的两个实例。
在实现中，协作平台120可以是提供用户之间的连接的一种类型的社交网络。在本公开的实现中，“用户”可被理解为单一个体。但是，本公开的其他实现包含作为通过用户集合和/或自动源所控制的实体的“用户”。例如，社交网络中被联合为社区的单独用户的集合可被认为是“用户”。在实现中，“用户”可表示协作平台120的用户，并且包括玩家用户(所述玩家用户玩游戏112)或创作用户(所述创作用户创建游戏、环境或游戏对象(例如衬衣、帽子等))。
在一个实现中，协作平台120可以是游戏平台，例如在线游戏平台或虚拟游戏平台。例如，游戏平台可向用户(所述用户可使用客户端装置110经由网络105来访问游戏122A-122Z或者与其交互)的社区提供单玩家或多玩家游戏。在实现中，游戏122(本文中又称作“视频游戏”、“在线游戏”或“虚拟游戏”)可以是例如二维(2D)游戏、三维(3D)游戏、虚拟现实(VR)游戏或增强现实(AR)游戏。在实现中，游戏122可与游戏122的其他用户实时进行。
在一些实现中，游戏122能够包括电子文件，该电子文件能够使用配置成向实体呈现游戏内容(例如数字媒体项目)的软件、固件或硬件来执行或加载。在一些实现中，游戏122可由游戏引擎124来执行，以生成包括多个帧和音频的游戏视频。游戏视频可由游戏引擎124基于命令或用户输入来生成(例如渲染)。在一些实现中，游戏引擎124(例如游戏引擎124的渲染引擎)接收用户输入，并且基于该用户输入来生成游戏视频。在一些实现中，游戏引擎124(客户端装置110本地的或者在协作平台120处)接收用户输入，并且基于该用户输入来生成命令(例如渲染命令、图形资料库命令等)。在一些实现中，游戏引擎124(例如游戏引擎124的渲染引擎)从协作平台120接收所生成命令，并且基于该生成命令来生成游戏视频。游戏视频可经由客户端装置110的用户界面来显示。
在一些实现中，协作平台120托管游戏122，并且允许用户使用客户端装置110的协作应用114与游戏122进行交互。协作平台120的用户可玩、创建或构建游戏122、与其交互，或者创建和构建游戏122的对象(例如本文中又称作“(一个或多个)物品”或“游戏对象”或者“(一个或多个)虚拟游戏物品”)。例如，在生成用户生成虚拟物品中，用户可创建角色、角色的装饰、交互式游戏的一个或多个虚拟环境或者构建游戏122中使用的结构等。在实现中，用户可与协作平台120的其他用户购买、销售或交易游戏虚拟游戏对象，例如平台内货币(例如虚拟货币)。在实现中，协作平台可向协作应用114传送游戏内容。游戏内容(本文中又称作“内容”)可表示与协作平台120或协作应用114关联的任何数据或软件指令(例如游戏对象、用户之间的消息、游戏、用户信息、视频、图像、命令、媒体项目等)。
可注意，为了便于说明而不是限制而提供托管游戏122的协作平台120。在一些实施例中，协作平台120可托管一个或多个媒体项目。媒体项目能够包括但不限于数字视频、数字电影、数字照片、数字音乐、音频内容、旋律、网站内容、社交媒体更新、电子书、电子杂志、数字报纸、数字有声书、电子期刊、万维网博客、简易信息聚合(RSS)订阅源、电子漫画书、软件应用等。在实现中，媒体项目可以是电子文件，该电子文件能够使用软件、固件或硬件(它们配置成向实体呈现数字媒体项目)来执行或加载。
在一个实现中，协作平台120可合并来自客户端装置110的游戏内容，并且将合并游戏内容(例如游戏视频、渲染命令、用户输入、图形资料库命令等)传送给客户端装置110的每个，以便在多用户游戏环境中显示多个用户的交互。在另一个实现中，协作平台120可把来自一个或多个客户端装置110的游戏内容传送给另一个客户端装置，以供另一客户端装置合并和显示游戏内容。在另一个实现中，协作平台120可接收游戏内容(例如，第一用户经由客户端装置110A来传送用户输入，并且第二用户经由客户端装置110B来传送用户输入)，生成游戏结果(例如第一用户击败第二用户)，并且将游戏结果传送给客户端装置110。
在一些实现中，游戏122可与特定用户或者特定一组用户(例如私有游戏)关联，或者广泛可用于协作平台120的用户(例如公开游戏)。在实现中，在协作平台120将一个或多个游戏122与特定用户或者特定一组用户关联的情况下，协作平台120可使用用户帐户信息(例如，用户帐户标识符，例如用户名和密码)将(一个或多个)特定用户与游戏122关联。
在一些实现中，协作平台120可包括游戏引擎124。在实现中，游戏引擎124可用于游戏122的开发或执行。例如，游戏引擎124可包括用于2D、3D、VR或AR图形的渲染引擎(“渲染器”)、物理引擎或碰撞检测(和碰撞响应)、声音、脚本、动画、人工智能、连网、流播、存储器管理、线程化、本地化支持、场景图或者电影的视频支持以及其他特征。在一些实现中，游戏引擎124的实例可包含在客户端装置110上。在一些实现中，客户端装置110的游戏引擎124可单独地、与协作平台120的游戏引擎124协作地或者以两种方式的组合进行工作。
在实现中，协作平台120可包括创作者模块126。在实现中，创作者模块126可允许用户成为创作者(例如创作用户)，以设计或创建现有游戏122中的环境，或者创建新游戏或创建游戏或环境内的新游戏对象。在一些实现中，游戏122可具有规则的通用集合或者共同目标，以及游戏122的环境共享规则的通用集合或共同目标。在实现中，不同游戏可具有相互不同的规则或目标。在一些实现中，游戏可具有一个或多个环境(本文中又称作“游戏环境”或“虚拟环境”)，其中可链接多个环境。例如，用户可构建一种虚拟环境，该虚拟环境被链接到另一个用户所创建的另一个虚拟环境。虚拟游戏的角色可越过虚拟边界，以进入相邻虚拟环境。在实现中，游戏对象(例如，本文中又称作“(一个或多个)物品”或对象或者“(一个或多个)虚拟游戏物品”)可表示协作平台120的游戏122中使用、创建、共享或者以其他方式描绘的对象。例如，游戏对象可包括部位、模型、角色、武器、工具、服装、大楼、车辆、货币、植物群、动物群、以上所述的构件(例如大楼的窗口)等。
在实现中，创作者模块126可允许用户创建、修改或定制角色。在实现中，角色(或者一般来说是游戏对象)从构件来构成，其一个或多个可由用户来选择，自动联合在一起以帮助用户进行编辑。一个或多个角色(本文中又称作“化身”或“模型”)可与用户(本文中又称作“玩家用户”)关联，其中用户可控制角色以促进用户与游戏122的交互。在实现中，角色可包括构件，例如身体部位(例如头发、手臂、腿等)和附件(例如T恤、眼镜、装饰图像、工具等)。在实现中，可定制的角色的身体部位包括头部类型、身体部位类型(手臂、腿、躯干和手)、脸部类型、头发类型和皮肤类型等等。在实现中，可定制的附件包括服装(例如衬衣、裤子、帽子、鞋子、眼镜等)、武器或其他工具。在实现中，用户还可控制角色的尺度(例如高度、宽度或深度)或者角色的构件的尺度。在实现中，用户可控制角色的比例(例如粗短、解剖等)。
在一些实现中，构件(例如身体部位)可以是原始几何形状(例如块、圆柱、球形等)或者另外某个原始形状(例如楔形、环面、管状、沟槽等)。在实现中，创作者模块126可发布用户的角色，以供协作平台120的其他用户查看或使用。在一些实现中，创建、修改或定制角色、其他游戏对象、游戏122或游戏环境可由用户使用用户界面(例如开发人员界面)并且在具有或没有脚本(或者没有应用编程接口(API))的情况下执行。可注意，为了便于说明而不是限制，角色被描述为具有人形。还可注意，角色可具有任何形式，例如车辆、动物、无生物或者其他创作形式。
在实现中，协作平台120可将用户所创建的角色存储在数据存储器106中。在实现中，协作平台120保持角色目录和游戏目录，所述目录可经由协作应用114向用户呈现。用户可从游戏目录中选择要进行的游戏122。在实现中，游戏目录包括协作平台120上存储的游戏的图像。另外，用户可从角色目录中选择要参与所选游戏的角色(由玩家用户或另一用户所创建)。角色目录包括协作平台120上存储的角色的图像。在实现中，可由用户创建或定制角色目录中的角色的一个或多个。在实现中，所选角色可具有定义角色的构件的一个或多个的角色设定。
在实现中，用户的角色包括构建的配置，其中构建的配置和外观以及更一般来说是角色的外观可通过角色设定来定义。在实现中，用户的角色的角色设定可至少部分由用户来选择。在其他实现中，用户可选择具有默认角色设定或者由其他用户所选的角色设定的角色。例如，用户可从角色目录中选择具有预定义角色设定的默认角色，并且用户可进一步通过改变角色设定的一部分(例如添加具有定制徽标的衬衣)来定制默认角色。可由协作平台120将角色设定与特定角色关联。
在实现中，创作者模块126包括用于创建并且管理因特网上的游戏122和游戏环境的唯一个人构建和发布服务，所述服务允许用户(本文中又称作“创作用户”、“创作者”、“拥有者”或“拥有用户”)例如使用云中介计算资源来创建、拥有或管理游戏122和游戏环境。在实现中，创作者模块126可经由协作应用114使用用户界面(本文中又称作“开发人员界面”)来允许用户访问创作者模块126的功能性。在实现中，开发人员界面可以是协作应用114的组成部分。例如，协作应用114的开发人员界面可允许用户访问游戏对象的资料库，所述游戏对象可由用户来选择以构建游戏环境或者将游戏对象放置在游戏122或环境内。用户可经由开发人员界面来发布他们所选的游戏对象，使得游戏对象是游戏122或环境的玩家用户可用的。
在实现中，执行创作者模块126的协作平台120包括用户接口网站或应用(例如协作应用114)，其中用户可为了便于构建、管理、编辑个人拥有游戏122或游戏环境并且与其交互而访问协作平台120所托管的在线计算资源。在实现中，创作者模块126包括用户可用于创建和例示三维虚拟游戏或环境的工具。在实现中，创作者模块126是希望创建和管理他们拥有的私有虚拟游戏122的用户可用的。在实现中，用户可使用协作应用114来访问创作者模块126。
在实现中，创作者模块126可将所创建游戏122和环境的控制提供给拥有用户，所述拥有用户可设置与将允许谁与所创建游戏122或环境进行交互以及谁具有修改、编辑游戏122或环境或者与其交互的能力有关的管理策略。具有管理控制的用户在本文中又可称作拥有用户，除非另加说明。在一些实现中，在为某些个体(所述个体可能被招募或者以其他方式期望与游戏122或游戏环境进行交互)指定各种等级的交互、修改或编辑能力的程度上，管理规则能够是有粒度的。例如，个体可从协作平台120中的好友或者来自社交网络或者在与在线聚集点关联的其他协作方或编组中的好友中招募。在实现中，创作者模块126具有管理工具以用于设置这类策略，包括用于游戏122或游戏环境内的交互的一般规则或者作为其补充。
在实现中，客户端装置110A至110B各自可包括计算装置，例如个人计算机(PC)、移动装置(例如膝上型、移动电话、智能电话、平板计算机或上网本计算机)、网络连接电视机、游戏控制台等。在一些实现中，客户端装置110A至110B又可称作“用户装置”。在实现中，一个或多个客户端装置110经由协作应用114可在任何给定时刻来连接到协作平台120。
在实现中，每个客户端装置110可包括协作应用114的实例。在一个实现中，协作应用114可以是一种应用，该应用允许用户使用协作平台120并且与其交互，例如控制协作平台120所托管的虚拟游戏中的虚拟角色，或者查看或上传内容(例如图像、视频项目、网页、文档等)。在一个示例中，协作应用114可以是万维网浏览器(例如与万维网浏览器结合操作的应用)，该万维网应用能够访问、检索、呈现和/或导航万维网服务器所服务的内容(例如虚拟环境中的虚拟角色等)。在另一个示例中，协作应用114可以是本机应用。协作应用114可渲染、向用户显示和/或呈现内容(例如网页、媒体查看器)。在实现中，协作应用114还可包括嵌入网页中的嵌入式媒体播放器(例如播放器)。在另一个示例中，协作应用114可以是独立应用(例如移动应用、app或游戏程序)，该应用允许用户与协作平台120进行交互。按照本公开的方面，协作应用114可以是协作平台应用，以供用户构建、创建、编辑、向协作平台120上传内容以及与协作平台120进行交互。因此，协作应用114可由协作平台120来提供给客户端装置110A和110B。在一些实现中，客户端装置110的协作应用114可包括游戏引擎124。在一些实现中，客户端装置110的游戏引擎124可与协作应用114分离。
在实现中，用户可经由协作应用114来登录到协作平台120。用户可通过提供用户帐户信息(例如用户名和密码)来访问用户帐户，其中用户帐户与可用来参与协作平台120的一个或多个游戏122的一个或多个角色关联。
一般来说，在一个实现中描述为由协作平台120所执行的功能在其他实现中也能够适当地在客户端装置110A至110B上执行。另外，归于特定组件的功能性能够由共同操作的不同或者多个组件来执行。协作平台120还能够作为提供给其他系统或装置的服务、经过适当应用编程接口来访问，并且因而并不局限于网站中的使用。
在实现中，协作平台120可包括消息传递模块128。在实现中，消息传递模块128可以是允许用户经由通信系统(例如网络105)来交换电子消息的系统、应用或模块。消息传递模块128可与协作应用114(例如协作应用114的模块或者作为独立应用)关联。在实现中，用户可与消息传递模块128进行接口，并且在协作平台120的用户之间交换电子消息(例如文本、图像、音乐、电影等)。消息传递模块128可以是例如即时消息传递应用、文本消息传递应用、电子邮件应用、语音消息传递应用、视频消息传递应用或者多个应用的组合等等。
在实现中，消息传递模块128可促进用户之间的电子消息的交换。例如，用户可登录客户端装置110A上的消息传递应用，而另一个用户可登录客户端装置110B上的消息传递应用。两个用户可开始会话(例如即时消息传递会话)。消息传递模块128可通过发送和接收协作平台120的用户之间的电子消息，来帮助促进消息传递会话。
在一些实现中，服务器机器130包括训练集合生成器131，该训练集合生成器131能够生成训练数据(例如训练输入集合和目标输出集合，其中“集合”可表示某物的一个或多个)，以训练机器学习模型。下面针对图2-3详细描述训练集合生成器131的一些操作。
在一些实现中，服务器机器140包括训练引擎141，该训练引擎141能够使用来自训练集合生成器131的训练数据来训练机器学习模型160。机器学习模型160可表示模型制品，所述模型制品由训练引擎141使用训练数据来创建，所述训练数据包括训练输入和对应目标输出(相应训练输入的正确答案)。训练引擎141可查找训练数据中的将训练输入映射到目标输出(要预测的答案)的模式，并且提供捕获这些模式的机器学习模型160。机器学习模型160可由例如单级线性或者非线性操作(例如支持向量机[SVM])来组成，或者可以是深度网络，即，由多级非线性操作所组成的机器学习模型。深度网络的示例是具有一个或多个隐藏层的神经网络，并且可通过例如按照反向传播学习算法等调整神经网络的权重来训练这种机器学习模型。为了方便起见，本公开的其余部分将实现称作神经网络(例如回归神经网络)，即使一些实现可能采用SVM或另一类型的学习机器，作为对神经网络的替代或补充。
在一些实现中，从服务器机器130得到训练集合。服务器机器150包括资源预估引擎151，该资源预估引擎151提供作为对已训练机器学习模型160的输入的当前数据，并且对输入运行已训练机器学习模型160，以得到一个或多个输出，如下面针对图4详细描述。
在一些实现中，训练集合生成器131向训练引擎141提供训练数据，以估计足以评定协作平台120(其中报告的数量随时间而改变)的用户所提交的报告的目标百分比的资源。在一些实现中，训练集合生成器131可生成第一训练输入，所述第一训练输入包括在第一时间点的第一数量的报告。报告由游戏平台的用户来提交，并且识别其中协作平台120的内容违反与游戏平台关联的使用策略的事件。训练集合生成器131可生成第二训练输入，所述第二训练输入包括在第一时间点是活动的一数量的资源。训练集合生成器131可对第一训练输入和第二训练输入来生成第一目标输出。第一目标输出识别足以评定所述第一数量的报告的目标百分比的一数量的资源。
在一些实现中，资源预估引擎151提供对已训练机器学习模型160的输入，例如将要评定第一数量的报告的目标百分比的时间段的指示。报告的第一数量由协作平台120的用户来提交，并且识别其中协作平台120的内容(例如用户生成游戏、用户生成游戏对象、诸如消息或语音之类的用户对话等)违反与协作平台120关联的使用策略的事件。将输入与已训练机器学习模型160配合使用，已训练机器学习模型160可产生一个或多个输出，所述输出识别(i)评定该时间段期间的所述数量的报告的目标百分比的一数量的资源，以及(ii)关于所述数量的资源足以评定该时间段期间的所述数量的报告的目标百分比的置信水平。置信数据(例如置信水平)可用来生成预估，该预估估计用以评定该时间段期间的报告的目标百分比的所述数量的资源。在一些实现中，置信数据可用来生成预估报告以供向管理员的呈现，或者用来自动分配评估该时间段期间的报告的目标百分比的所述数量的资源(空闲或者重新分配过剩容量)。
在实现中，资源可表示能够执行工作的某物。在实现中，资源可表示计算机或计算资源，例如处理装置、存储器装置、服务器、数据存储器、连网资源等。在一些实现中，资源可表示人类资源，例如雇员和承包人。例如，报告可由人类来评定，以及可估计人类的数量，因此估计游戏平台的用户所提交的报告的目标百分比。
在一些实现中，置信数据可包括或指示关于一数量的资源足以评定该时间段期间的报告的目标百分比(例如在0％与100％之间)的置信水平。在一个示例中，置信水平是0与1之间(包括两端)的实数，其中0指示没有关于所述数量的资源足以评定报告的目标百分比的置信，而1指示关于所述数量的资源足以评定特定时间段期间的报告的目标百分比的绝对置信(例如关于最小数量的资源足以评定时间段期间的报告的目标百分比的绝对置信)。
可注意，在一些其他实现中，服务器机器130、140和150或者协作平台120的功能可通过更少数量的机器来提供。例如，在一些实现中，服务器机器130和140可集成到单个机器中，而在一些其他实现中，服务器机器130、140和150可集成到单个机器中。另外，在一些实现中，服务器机器130、140和150的一个或多个可集成到协作平台120中。
在这里所述的系统收集与用户有关的个人信息或者可利用个人信息的状况中，用户可被提供有控制协作平台120是否收集用户信息(例如，与用户的社交网络、社交行为或活动、职业、用户的偏好或者用户的当前位置有关的信息)或者控制是否和/或如何接收来自内容服务器、可能与用户更为相关的内容的机会。另外，某些数据可在被存储或使用之前按照一种或多种方式来处理，使得删除个人可识别信息。例如，用户的身份可被处理，使得不能够对该用户确定个人可识别信息，或者可一般化其中得到位置信息(例如城市、ZIP码或州级)的用户地理位置，使得不能确定用户的特定位置。因此，用户可对如何收集并且由协作平台120使用与用户有关的信息具有控制权。
图2是按照本公开的实现、创建机器学习模型的训练数据的训练集合生成器的示例。系统200可包括与如针对图1所述的系统100相似的组件。针对图1的系统100所述的组件可用来帮助描述图2的系统200。
在实现中，训练集合生成器131生成训练数据，所述训练数据包括一个或多个训练输入230和一个或多个目标输出240。训练数据还可包括映射数据，所述映射数据将训练输入230映射到目标输出240。训练输入230又可称作“特征”、“属性”或“信息”。在一些实现中，训练集合生成器131可在训练集合中提供训练数据，并且将训练集合提供给训练引擎141，其中训练集合用来训练机器学习模型160。可针对图3进一步描述生成训练集合。
在一些实现中，训练输入230可包括训练输入230A至230N。训练输入230A可包括在第一时间点的第一数量的报告。例如，当前在2017年12月28日下午2:30:00开启400个报告。
可注意，为了便于说明而不是进行限制，训练输入(及关联目标输出)可被组织或者以其他方式与时间点关联，如通过与第一时间点231关联的训练输入230A-230E所示。与训练输入和目标输出关联的时间点可反映在特定时间点的协作平台120的状态(针对所述数量的报告、活动资源等)。例如，训练输入230A-230E可与第一时间点关联，这反映在第一时间点(例如2017年12月28日下午2:30:00)的协作平台120的状态。训练输入230F至230J可与第二时间点关联，并且反映在第二时间点的协作平台120的状态，依此类推。在一些实现中，可通过包括诸如月、日、年和时刻(例如下午2:30:00发)之类的信息的时间戳来识别训练数据的时间点。可注意，时间点可具有任何粒度级别(例如下至分钟、秒等)。例如，在第一时间点的所述第一数量的报告可包括在2017年12月28日下午2:30:00的全部开启报告(例如，不包括先前提交但是随后弃置的报告)。在第二时间点的所述第二数量的报告可包括在2017年12月28日下午2:31:00的全部开启报告。
在一些实现中，可对特定期间或时间段间隔地生成或收集训练数据(例如训练输入和目标输出)。例如，可对6个月按照1分钟间隔来生成训练数据。对6个月(例如时间段)以每1分钟间隔(例如时间点)来生成训练输入的每个集合(例如训练输入230A-230E)及关联输出(例如目标输出240A)。可注意，任何间隔(1秒、1分钟、1小时、1天等)或时间点可被使用，并且可基于特定实现或应用来确定。在一些实现中，时间点可以是连续时间点。例如，第一时间点可以是2017年12月28日下午2:30:00，第二时间点可以是2017年12月28日下午2:31:00，第三时间点可以是2017年12月28日下午2:32:00，依此类推。
在一些实现中，报告是用户生成报告，所述报告识别其中内容(例如消息、游戏对象、游戏环境等)违反与协作平台120关联的使用策略的事件。例如并且如上所述，协作平台120可具有使用策略，该使用策略为用户内容或行为设置标准或规则。为了加强使用策略，协作平台120可使用技术检测技术(例如不当图像检测)和用户提交报告。例如，用户可报告具体聊天或其他内容违反使用策略，并且经由协作应用114向协作平台120提交报告，以报告该事件。报告可识别提交用户(例如提交报告的用户)、违规内容、违规用户(若可适用的话)、包括违规内容的游戏或者识别违规类型的报告的类别(如针对训练输入230E所述)中的一个或多个。可注意，术语“报告”或“开启报告”表示被评定的或者处于将要评定的队列中(即，未关闭)的开启报告，除非另加说明。还可注意，关闭报告被弃置(例如已经评定、纠正并且从队列中去除等)，并且在本文中称作“关闭报告”，除非另加说明。可注意并且如上所述，评定报告可包括调查和评估报告的优点，并且执行任何纠正措施(例如禁用违规用户的消息应用、挂起违规用户的帐户等)。在报告被评定之后，报告被关闭，而没有计入报告的数量。
在一些实现中，训练输入230B可包括在第一时间点是活动的一数量的资源。所述数量的活动资源可包括存在的全部资源(例如工人的数量)或者正操作并且可供使用的全部资源(例如可用来执行任务的服务器的数量)。例如，在第一时间点是活动的所述数量的资源可包括10个职员(例如雇员或承包人)，他们在2017年12月28日下午2:30:00正在工作。在另一个示例中，在第一时间点是活动的所述数量的资源可包括2017年12月28日下午2:30:00的20个服务器，并且可用来评定报告并且当前正在评定报告。
在一些实现中，训练输入230C可包括通过在第一时间点是活动的所述数量的资源在第一时间点所评定的所述第一数量的报告的百分比。例如，在2017年12月28日下午2:30:00的400个开启报告中，10个报告当前通过10个工作职员或10个活动服务器来评定。
在一些实现中，训练输入230D包括在第一时间点的报告的所述第一数量与在前一时间点的报告的另一个数量之间的变化率的指示。在一些实现中，前一时间点可以是上一个时间点。在其他实现中，前一时间点无需是上一个时间点。变化率可指示对时间段的报告的数量的变化的方向或幅值。在一些实现中，导数可用来确定变化率。例如，在第一时间点(例如2017年12月28日下午2:30:00)，开启报告的数量为400，以及在前一时间点(2017年12月28日下午2:29:00)，开启报告的数量为300。变化率可以是每分钟+100个报告(例如，400个报告-300个报告/(下午2:30:00-2:29:00))。可注意，变化率可按照各种方式来确定。在一般形式中，变化率可指示对时间段的报告的数量的变化的方向。
在一些实现中，训练输入230E可包括所述第一数量的报告的每个的类别的标识符。如上所述，用户可提交指示事件的类型或类别的报告。例如，报告的类别可以是对个人信息(例如全名、电子邮件、地址、电话号码、其他个人识别信息)、骚扰和网络伤害(例如跟踪、恐吓、伤害、攻击或者羞辱个人或者个人所关心的某物)、危害儿童(例如将儿童置于不当或危险状况的动作)、仇视言论或动作(例如基于种族、民族、宗教、残疾、疾病、性别、性别认同、性取向、年龄或服兵役情况的歧视性言论)、冒充或诽谤(例如姓名、用户名、位置、数字表示、帖子或评论或者乔装成那个人的个人信息的使用)、威胁或自我伤害、寻找约会或约会对象、性内容或过度暴力内容或者危险、不道德和非法活动(例如黑客、网络钓鱼、垃圾邮件、赌博、犯罪活动、违禁药物、勒索、向未成年人销售毒品、酒精或烟草)的请求。在一些实现中，报告的一些类别优先于其他类别。例如，危害儿童的报告可具有比诽谤的报告要高的优先级，并且将要基于优先级来评定。
在一些实现中，目标输出240A可与训练输入230A-230E关联。在一些实现中，目标输出240A识别足以评定所述第一数量的报告的目标百分比的一数量的资源。例如，要评定的报告的目标百分比可以为5％。如果400个报告在第一时间点是开启的，则要评定的报告的目标百分比为20个报告。足以评定在第一时间段(例如2017年12月28日下午2:30:00)的20个报告的所述数量的资源可以是例如20个职员或10个服务器。
在一些实现中，要评定报告的目标百分比的充分数量的资源可以是能够处置工作负荷(例如报告的评定)的最小数量的资源。例如，如果9个服务器不足以处置工作负荷，并且10个或更多服务器足以处置工作负荷，则能够评定报告的目标百分比的最小数量的资源是10个服务器。在其他实现中，要评定报告的目标百分比的充分数量的资源可以是能够处置工作负荷的最小数量的资源加上某个量的附加资源(例如12个服务器)。
在一些实现中，在任何给定时间点要评定的报告的目标百分比是恒定百分比。例如，协作平台120可建立5％的目标百分比，使得在任何给定时间并且与开启报告的变化数量无关，开启报告的5％将要在时间段(例如1周、1年等)期间在任何给定时间点来评估。可注意，开启报告的数量可(即使不太可能)随时间而改变。
在一些实现中，训练输入230可包括训练输入230F至230J。训练输入230G、230H和230I在图2中未示出，但是通过训练输入230F与230J之间的椭圆来隐含。训练输入230F至230J可与训练输入230A至230E的相应训练输入相似，但是时间段是不同的。例如，训练输入230A-230E与第一时间段关联，而训练输入230F-230J与第二时间段关联。还可注意，目标输出240B可与目标输出240A相似，但是目标输出240B与第二时间段和训练输入230F-230J而不是第一时间段和训练输入230A-230E关联。
在一些实现中，与一个或多个时间段关联的训练数据可被提供给训练集合生成器131。如所示，训练输入230包括与N个数量的时间点关联的训练数据(例如训练输入230K-230N)，并且目标输出还可包括关联目标输出240N。可注意，不同时间段的训练数据可用来充分训练机器学习模型。
图3示出按照本公开的实现、训练机器学习模型的方法300的一个示例的流程图。该方法由处理逻辑来执行，所述处理逻辑可包括硬件(电路、专用逻辑等)、软件(例如在处理装置上运行的指令)或者其组合。在一个实现中，方法300的部分或全部操作可由图1的系统100的一个或多个组件来执行。在其他实现中，方法300的一个或多个操作可由如针对图1-2所述的服务器机器130的训练集合生成器131来执行。可注意，针对图1-2所述的组件可用来帮助说明图3的方面。在一些实现中，方法300的框的操作可按照相同或不同顺序来执行，或者可执行相同、更少、附加或不同的操作。
方法300生成机器学习模型的训练数据。可训练训练机器学习模型，以估计足以评定游戏平台(其中报告的数量随时间而改变)的用户所提交的报告的目标百分比的资源。在一些实现中，在框301，实现方法300的处理逻辑将训练集合T初始化为空集。
在框302，处理逻辑生成第一训练输入，所述第一训练输入包括在第一时间点的第一数量的报告(如针对图2所述)。报告由协作平台120的用户来提交，并且识别其中游戏平台的内容违反与协作平台120关联的使用策略的事件。
在框303，处理逻辑生成第二训练输入，所述第二训练输入包括在第一时间点是活动的一数量的资源(如针对图2所述)。
在框304，处理逻辑生成第三训练输入，所述第三训练输入包括通过在第一时间点是活动的所述数量的资源在第一时间点所评定的所述第一数量的报告的百分比(如针对图2所述)。
在框305，处理逻辑生成第四训练输入，所述第四训练输入包括在第一时间点的报告的所述第一数量与在前一时间点的报告的另一个数量之间的变化率的指示(如针对图2所述)。
在框306，处理逻辑生成第五训练输入，所述第五训练输入包括所述第一数量的报告的每个的类别的标识符(如针对图2所述)。
在框307，处理逻辑生成训练输入(例如训练输入一至五)的一个或多个的第一目标输出。第一目标输出识别足以评定在第一时间点的所述第一数量的报告的目标百分比的一数量的资源。
在框308，处理逻辑可选地生成映射数据，所述映射数据指示输入/输出映射。输入/输出映射(或映射数据)可表示训练输入(例如本文所述的训练输入的一个或多个)、训练输入的训练输出以及(一个或多个)训练输入与目标输出之间的关联。
在框309，处理逻辑将在框306所生成的映射数据加入训练集合T。
在框310，处理逻辑基于训练集合T对训练机器学习模型160是否充分进行分支。如果是这样，则执行进入框311，否则，执行返回框302继续进行。应当注意，在一些实现中，训练集合T的充分性可简单地基于训练集合中的所述数量的输入/输出映射来确定，而在一些其他实现中，训练集合T的充分性可基于作为所述数量的输入/输出映射的补充或替代的一个或多个其他标准(例如训练示例的分集的量度、精度、时间段等)来确定。如果执行返回框302继续进行，则处理逻辑可对时间段的一个或多个附加时点重复进行训练输入(例如框302-306)和目标输出(例如框307)的生成，直到训练集合T被认为是充分的。例如，训练数据可对1年以1分钟的间隔来生成，并且用来训练机器学习模型160。
在框311，处理逻辑将训练集合T提供给机器学习模型160。在一个实现中，训练集合T被提供给服务器机器140的训练引擎141，以执行训练。在神经网络的情况下，例如，给定输入/输出映射的输入值(例如与训练输入230关联的数值)被输入到神经网络，以及输入/输出映射的输出值(例如与目标输出240关联的数值)存储在神经网络的输出节点中。神经网络中的连接权重然后按照学习算法(例如反向传播等)来调整，以及该过程对训练集合T中的其他输入/输出映射重复进行。在框311之后，能够使用服务器机器140的训练引擎141来训练机器学习模型160。已训练机器学习模型160可由(服务器机器150或协作平台120的)资源预估引擎151来实现，以生成预估，该预估估计用以充分评定该时间段期间的所述数量的报告的目标百分比的数量的资源。
图4示出按照本公开的实现、使用已训练机器学习模型的方法400的一个示例的流程图。该方法由处理逻辑来执行，所述处理逻辑可包括硬件(电路、专用逻辑等)、软件(例如在处理装置上运行的指令)或者其组合。在一些实现中，方法400的部分或全部操作可由图1的系统100的一个或多个组件来执行。在其他实现中，方法400的一个或多个操作可由实现已训练模型(例如针对图1-3所述的已训练机器学习模型160)的服务器机器150或协作平台120的资源预估引擎151来执行。可注意，针对图1-2所述的组件可用来帮助说明图4的方面。在一些实现中，方法400的框的操作可按照相同或不同顺序来执行，或者可执行相同、更少、附加或不同的操作。
方法400可开始于框401，其中实现方法400的处理逻辑向已训练机器学习模型160提供第一输入，该第一输入包括将要评定第一数量的报告的目标百分比的时间段的指示。例如，管理员可想要知道将被要求或足以处置给定将来时间段的报告的工作负荷的资源的估计(例如，对下一周的资源需求将是什么？)。在一些实现中，处理逻辑(或管理员)可能没有提前知道要在该时间段期间评定的所述数量的报告(例如，要在该时间段期间评定的报告的所述第一数量可能是未知数)。在一些实现中，处理逻辑(或管理员)可向已训练机器学习模型160提供第一时间段以及将要评定的报告的目标百分比。如上所述，在一些实现中，目标百分比可表示将要由协作平台120所评定的、在时间段的任何给定时间点的报告的百分比。如以上进一步所述，在一些实现中，协作平台120将要评定的报告的目标百分比可以是恒定的(例如，在该时间段期间的任何时间点，评定开启报告的至少5％)。在一些实现中，目标百分比可以是已训练机器学习模型160已知的，并且可能不用作对已训练机器学习模型160的输入。
在框402，处理逻辑确定是否预估将来资源要求(例如，时间段是将来时间段？)。如果确定为“是”，则处理逻辑进入框408，以便从已训练机器学习模型160来得到一个或多个输出(框408)，并且生成预估，该预估估计用以评定该时间段期间的所述数量的报告的目标百分比的数量的资源(框409)。例如并且如上所述，管理员可想要预估某个将来时间段期间可使用的所述数量的资源，其中将来时间段期间的报告的数量为未知。管理员可选择特定感兴趣时间段(例如下一周)。特定感兴趣时间段可被提供给已训练机器学习模型160，已训练机器学习模型160可使用输入来提供一个或多个输出，以及一个或多个输出可用来生成预估，该预估估计用以评定在特定感兴趣时间段(例如下一周)期间的任何时间点的所述数量的报告的目标百分比的数量的资源。
返回到框402，处理逻辑备选地可确定不预估将来资源要求(例如，时间段不是将来时间段，而是当前或过去时间段)。如果确定为“否”，则处理逻辑进入框403。例如，管理员(或协作平台120)可确定当前数量的资源不能够评定当前报告的目标百分比。在另一个示例中，管理员(或协作平台120)可确定近期的所述数量的资源不能够评定报告的目标百分比。在两种示例中，可使用对已训练机器学习模型160的一个或多个输入来分析在所述时间段(当前或过去时间段)的协作平台120的状态，其中输入用来生成一个或多个输出以及感兴趣时间段的所要求资源的估计。
在框403，处理逻辑向已训练机器学习模型160提供第二输入，所述第二输入包括在时间段(例如当前或过去时间段)的第一时间点的所述数量的报告。
在框404，处理逻辑向已训练机器学习模型160提供第三输入，所述第三输入包括在时间段的第一时间点是活动的所述数量的资源。
在框405，处理逻辑提供第四输入，所述第四输入包括通过在时间段的第一时间点是活动的一数量的资源所评估的、在第一时间点的所述数量的报告的百分比。
在框406，处理逻辑提供第五输入，所述第五输入包括在第一时间点的报告的所述第一数量与在时间段的前一时间点的报告的第二数量之间的变化率的指示。可注意，框403至406的操作可与针对图3所述的对等框相似。
在框407，处理逻辑基于对已训练机器学习模型160的输入对于从已训练机器学习模型160来生成一个或多个输出是否充分进行分支。如果是这样，则执行进入框408，否则，执行返回框403继续进行。应当注意，在一些实现中，对已训练机器学习模型160的输入的充分性可简单地基于所述数量的输入来确定，而在一些其他实现中，对已训练机器学习模型160的输入的充分性可基于作为所述数量的输入的补充或替代的一个或多个其他标准(例如输入示例的分集的量度、精度、覆盖整个时间段的输入、关于已训练机器学习模型160的输出超过阈值的置信水平等)来确定。如果执行返回框403继续进行，则处理逻辑可对时间段的附加时点重复进行输入(例如框403-406)的提供，直到输入被认为是充分的。例如，可对前一周(例如过去时间段)的1分钟的间隔来提供对已训练机器学习模型160的输入。
在框408，处理逻辑从已训练机器学习模型160来得到一个或多个输出，所述输出识别(i)评定该时间段期间的所述数量的报告的目标百分比的一数量的资源，以及(ii)关于所述数量的资源足以评定该时间段期间的所述数量的报告的目标百分比的置信水平。例如，已训练机器学习模型160的输出可识别在特定一天(例如时间段)期间要求至少20个服务器来评定该特定一天期间(在任何时间点)的400个报告的5％(以及与该估计关联的置信水平)。在另一个示例中，已训练机器学习模型160的输出可识别评定在该特定一天的每小时(或者任何其他粒度)的报告的5％(以及与该估计关联的置信水平)所要求的服务器的数量。
在框409，处理逻辑生成预估，该预估估计用以考虑置信水平来评定该时间段期间的所述数量的报告的目标百分比的数量的资源。预估可以是要用来评定给定时间段期间的所述数量的报告的目标百分比的数量的资源的估计或预测。
在一个实现中，为了生成预估，处理逻辑确定关于所述数量的资源是否足以评定该时间段期间的所述数量的报告的目标百分比是否超过阈值置信水平的置信水平。响应确定关于所述数量的资源足以评定该时间段期间的所述数量的报告的目标百分比的置信水平超过阈值水平，处理逻辑生成该预估。在一些实现中，预估可以是预估报告，并且可被提供以便例如向管理员呈现或显示。在一些实现中，预估可用来自动分配或者获取足以评定该时间段期间的所述数量的报告的目标百分比的资源(或者终止或闲置任何过剩资源)。
图5是示出按照实现的示范计算机系统500的框图。计算机系统500执行一个或多个指令集，所述指令集使机器执行本文所述方法的任一个或多个。指令集、指令等可表示指令，所述指令在由计算机系统500执行时使计算机系统500执行资源预估引擎151或训练引擎141的一个或多个操作。机器可在客户端-服务器网络环境中的服务器或客户端装置的能力中进行操作，或者作为对等(或分布式)网络环境中的对等机器进行操作。机器可以是个人计算机(PC)、平板PC、机顶盒(STB)、个人数字助理(PDA)、移动电话、万维网设备、服务器、网络路由器、交换机或桥接器或者能够执行指定将要由那个机器所采取的动作的指令集(顺序或其他方式)的任何机器。此外，虽然仅示出单个机器，但是术语“机器”还应该被理解为包括单独或联合执行指令集以执行本文所述方法的任一个或多个的机器的任何集合。
计算机系统500包括处理装置502、主存储器504(例如只读存储器(ROM)、闪速存储器、动态随机存取存储器(DRAM)(例如同步DRAM(SDRAM)或Rambus DRAM(RDRAM)等)、静态存储器506(例如闪速存储器、静态随机存取存储器(SRAM)等)以及数据存储装置516，它们经由总线508相互通信。
处理装置502表示一个或多个通用处理装置，例如微处理器、中央处理器等。更特别是，处理装置502可以是复杂指令集计算(CISC)微处理器、简化指令集计算(RISC)微处理器、超长指令字(VLIW)微处理器或者实现其他指令集的处理装置或实现指令集的组合的处理装置。处理装置502也可以是一个或多个专用处理装置，例如专用集成电路(ASIC)、现场可编程门阵列(FPGA)、数字信号处理器(DSP)、网络处理器等。处理装置502配置成执行系统架构100和资源预估引擎151或训练引擎141的指令，以用于执行本文所述的操作。
计算机系统500可进一步包括网络接口装置522，该网络接口装置422通过网络518(例如局域网(LAN)、内联网、外联网或因特网)来提供与其他机器的通信。计算机系统500还可包括显示装置510(例如液晶显示器(LCD)或阴极射线管(CRT))、字母数字输入装置512(例如键盘)、光标控制装置514(例如鼠标)和信号生成装置520(例如喇叭)。
数据存储装置516可包括非暂时计算机可读存储介质524，其上存储体现本文所述方法或功能的任一个或多个的系统架构100和资源预估引擎151或训练引擎141的指令集。系统架构100和资源预估引擎151或训练引擎141的指令集还可在由计算机系统500对其执行期间完全或者至少部分驻留在主存储器504内和/或处理装置502内，主存储器504和处理装置502还组成计算机可读存储介质。指令集可进一步经由网络接口装置522通过网络518来传送或接收。
虽然计算机可读存储介质524的示例示为单个介质，但是术语“计算机可读存储介质”能够包括存储指令集的单个介质或者多个介质(例如集中或分布数据库和/或关联高速缓存和服务器)。术语“计算机可读存储介质”能够包括任何介质，所述介质能够对于供机器执行的指令集进行存储、编码或携带，并且使机器执行本公开的方法的任一个或多个。术语“计算机可读存储介质”能够包括但不限于固态存储器、光介质和磁介质。
在以上描述中提出许多细节。但是获益于本公开的本领域的技术人员将清楚地知道，即使没有这些具体细节也可实施本公开。在一些情况下，众所周知的结构和装置以框图形式而不是详细示出，以免影响对本公开的理解。
详细描述的一些部分根据对计算机存储器内的数据位的操作的算法和符号表示来提供。这些算法描述和表示是数据处理领域的技术人员用来向本领域的其他技术人员最有效地传达其工作主旨的方式。算法在此以及一般被认为是产生预期结果的独立操作序列。操作序列是要求物理量的物理操纵的那些操作。这些量通常但不一定采取能够被存储、传递、组合、比较以及以其他方式处置的电或磁信号的形式。主要由于普遍使用，将这些信号表示为位、值、元素、符号、字符、术语、数字等有时证明是便利的。
但是可记住，所有这些及类似项均与适当的物理量关联，并且只是应用于这些量的便捷标签。除非另加具体说明，否则要理解，在本描述中，利用诸如“确定”、“生成”、“提供”、“获得”等的术语的论述通篇表示计算机系统或类似电子计算装置的动作和过程，所述计算系统或类似电子计算装置操纵表示为计算机系统存储器或寄存器内的物理(例如电子)量的数据并且将其变换为类似地表示为计算机系统存储器或寄存器或者其他这种信息存储、传输或显示装置内的物理量的其他数据。
本公开还涉及用于执行本文的操作的设备。这个设备可专门构造用于所要求目的，或者可包括通过计算机中存储的计算机程序有选择地激活或重新配置的通用计算机。这种计算机程序可存储在计算机可读存储介质中，非限制性地例如任何类型的磁盘，包括软盘、光盘、致密光盘只读存储器(CD-ROM)、磁光盘、只读存储器(ROM)、随机存取存储器(RAM)、可擦可编程只读存储器(EPROM)、电可擦可编程只读存储器(EEPROM)、磁或光卡或者适合于存储电子指令的任何类型的介质。
词语“示例”或“示范”在本文中用来表示“用作示例、实例或说明”。本文中描述为“示例”或“示范”的任何方面或设计不一定被理解为相对其他方面或设计是优选或有利的。词语“示例”或“示范”的使用而是意在以具体方式提供概念。如本申请所使用的术语“或者”意在表示包含“或”而不是异“或”。也就是说，除非另加说明或者从上下文清楚地知道，否则“X包括A或B”意在表示自然包含置换的任一个。也就是说，如果X包括A、X包括B或者X包括A和B，则在上述情况的任一种下均满足“X包括A或B”。另外，如本申请和所附权利要求书中所使用的冠词“一个”一般可被理解为表示“一个或多个”，除非另加说明或者从上下文清楚地知道针对单数形式。此外，术语“实现”或“一个实现”的通篇使用不是意在表示同一实现，除非另加说明。如本文所使用的术语“第一”、“第二”、“第三”、“第四”等也表示区分不同元件的标签，而可能不一定具有按照其数字标号的序数含意。
要理解，预计以上描述是说明性而不是限制性的。通过阅读和了解以上描述，其他实现将是本领域的技术人员清楚知道的。因此，本公开的范围可参照所附权利要求连同这类权利要求涵盖的完整等效范围共同确定。
在附加实现中，公开用于执行上述实现的操作的一个或多个处理装置。另外，在本公开的实现中，非暂时计算机可读存储介质存储用于执行所述实现的操作的指令。又在其他实现中，还公开用于执行所述实现的操作的系统。

Claims (20)

1.一种训练机器学习模型来估计一个时间段的资源的方法，所述资源足以评定由游戏平台的用户提交的报告的目标百分比，其中所述报告的数量随时间而改变，所述方法包括：
生成所述机器学习模型的训练数据，其中生成所述训练数据包括：
生成第一训练输入，其中所述第一训练输入包括在第一时间点的第一数量的报告，以及其中所述第一数量的报告由所述游戏平台的所述用户来提交，并且识别其中所述游戏平台的内容违反与所述游戏平台关联的使用策略的事件；
生成第二训练输入，其中所述第二训练输入包括在所述第一时间点是活动的一数量的资源；以及
生成所述第一训练输入和所述第二训练输入的第一目标输出，其中所述第一目标输出识别足以评定所述第一数量的报告的所述目标百分比的一数量的资源；以及
提供所述训练数据，以便基于下列集合训练所述机器学习模型：
包括所述第一训练输入和所述第二训练输入的训练输入集合，以及
包括所述第一目标输出的目标输出集合。
2. 如权利要求1所述的方法，其中生成所述训练数据进一步包括：
生成第三训练输入，其中所述第三训练输入包括通过在所述第一时间点是活动的所述数量的资源在所述第一时间点所评定的所述第一数量的报告的百分比，以及
其中所述训练输入集合包括所述第一训练输入、所述第二训练输入和所述第三训练输入。
3. 如权利要求2所述的方法，其中生成所述训练数据进一步包括：
生成第四训练输入，其中所述第四训练输入包括在所述第一时间点的报告的所述第一数量与在前一时间点的报告的另一个数量之间的变化率的指示，以及
其中所述训练输入集合包括所述第一训练输入、所述第二训练输入、所述第三训练输入和所述第四训练输入。
4. 如权利要求3所述的方法，其中生成所述训练数据进一步包括：
生成第五训练输入，其中所述第五训练输入包括所述第一数量的报告的每个的类别的标识符；以及
其中所述训练输入集合包括所述第一训练输入、所述第二训练输入、所述第三训练输入、所述第四训练输入和所述第五训练输入。
5.如权利要求1所述的方法，其中生成所述训练数据进一步包括：
生成第六训练输入，其中所述第六训练输入包括在第二时间点的第二数量的报告；
生成第七训练输入，其中所述第七训练输入包括在所述第二时间点是活动的一数量的资源；以及
生成所述第六训练输入和所述第七训练输入的第二目标输出，其中所述第二目标输出识别足以评定所述第二数量的报告的所述目标百分比的一数量的资源，
其中所述训练输入集合包括所述第一训练输入、所述第二训练输入、所述第六训练输入和所述第七训练输入，以及
其中目标输出集合包括所述第一目标输出和所述第二目标输出。
6.如权利要求1所述的方法，其中所述第一数量的报告中识别为违反与所述游戏平台关联的所述使用策略的所述游戏平台的所述内容包括用户生成内容。
7.如权利要求1所述的方法，其中所述资源包括服务器资源和数据存储资源的至少一个。
8.如权利要求1所述的方法，其中所述报告的所述数量随时间而改变，并且要在任何时间点评定的报告的所述目标百分比是恒定百分比，以及其中活动的资源的所述数量随时间而改变。
9.如权利要求1所述的方法，其中所述训练输入集合的每个训练输入被映射到所述目标输出集合的所述目标输出。
10.一种使用已训练机器学习模型来估计一个时间段的资源的方法，所述资源用以评定由游戏平台的用户提交的报告的目标百分比，其中所提交的报告的数量随时间而改变，所述方法包括：
通过以下来训练机器学习模型：
生成所述机器学习模型的训练数据，其中生成所述训练数据包括：
生成第一训练输入，其中所述第一训练输入包括在第一时间点的第一数量的报告，以及其中所述第一数量的报告由所述游戏平台的所述用户来提交，并且识别其中所述游戏平台的内容违反与所述游戏平台关联的使用策略的事件；
生成第二训练输入，其中所述第二训练输入包括在所述第一时间点是活动的一数量的资源；以及
生成所述第一训练输入和所述第二训练输入的第一目标输出，其中所述第一目标输出识别足以评定所述第一数量的报告的所述目标百分比的一数量的资源；以及
提供所述训练数据，以便基于下列集合训练所述机器学习模型：
包括所述第一训练输入和所述第二训练输入的训练输入集合，以及
包括所述第一目标输出的目标输出集合；
向所述已训练机器学习模型提供第一输入，所述第一输入包括要评定第一数量的报告的所述目标百分比的时间段的指示，其中所述第一数量的报告由所述游戏平台的用户来提交，并且识别其中所述游戏平台的内容违反与所述游戏平台关联的使用策略的事件；以及
从所述已训练机器学习模型得到一个或多个输出，所述输出识别：
一数量的资源，评定所述时间段期间的所述数量的报告的所述目标百分比，以及
关于所述数量的资源足以评定所述时间段期间的所述数量的报告的所述目标百分比的置信水平。
11.如权利要求10所述的方法，进一步包括：
生成预估，所述预估估计用以考虑所述置信水平来评定所述时间段期间的所述数量的报告的所述目标百分比的所述数量的资源。
12. 如权利要求11所述的方法，其中生成估计用以考虑所述置信水平来评定所述时间段期间的所述数量的报告的所述目标百分比的所述数量的资源的所述预估包括：
确定关于所述数量的资源足以评定所述时间段期间的所述数量的报告的所述目标百分比的所述置信水平是否超过阈值置信水平；以及
响应确定关于所述数量的资源足以评定该时间段期间的所述数量的报告的目标百分比的置信水平超过所述阈值置信水平，生成所述预估。
13.如权利要求10所述的方法，进一步包括：
向所述已训练机器学习模型提供包括在所述时间段的第一时间点的所述数量的报告的第二输入。
14.如权利要求13所述的方法，进一步包括：
向所述已训练机器学习模型提供包括在所述时间段的所述第一时间点是活动的所述数量的资源的第三输入、包括通过在所述第一时间点是活动的所述数量的资源所评定的在所述第一时间点的所述数量的报告的百分比的第四输入以及包括在所述第一时间点的报告的所述第一数量与在前一时间点的报告的第二数量之间的变化率的指示的第五输入。
15. 如权利要求10所述的方法，其中要在所述时间段期间评定的所述报告的所述第一数量是未知数量。
16.如权利要求10所述的方法，其中使用包括在第二时间点的第一已知数量的报告的第一训练输入、包括在所述第二时间点是活动的一数量的资源的第二训练输入以及所述第一训练输入和所述第二训练输入的第一目标输出来训练所述已训练机器学习模型，以及
其中所述第一目标输出识别足以评定所述第一已知数量的报告的所述目标百分比的一数量的资源。
17. 一种使用已训练机器学习模型来估计一个时间段的资源的系统，所述资源用以评定由游戏平台的用户提交的报告的目标百分比，其中所提交的报告的数量随时间而改变，所述系统包括：
存储器；以及
处理装置，耦合到存储器以：
通过以下来训练机器学习模型：
生成所述机器学习模型的训练数据，其中生成所述训练数据包括：
生成第一训练输入，其中所述第一训练输入包括在第一时间点的第一数量的报告，以及其中所述第一数量的报告由所述游戏平台的所述用户来提交，并且识别其中所述游戏平台的内容违反与所述游戏平台关联的使用策略的事件；
生成第二训练输入，其中所述第二训练输入包括在所述第一时间点是活动的一数量的资源；以及
生成所述第一训练输入和所述第二训练输入的第一目标输出，其中所述第一目标输出识别足以评定所述第一数量的报告的所述目标百分比的一数量的资源；以及
提供所述训练数据，以便基于下列集合训练所述机器学习模型：
包括所述第一训练输入和所述第二训练输入的训练输入集合，以及
包括所述第一目标输出的目标输出集合；
向所述已训练机器学习模型提供第一输入，所述第一输入包括将要评定第一数量的报告的所述目标百分比的时间段的指示，其中所述第一数量的报告由所述游戏平台的用户来提交，并且识别其中所述游戏平台的内容违反与所述游戏平台关联的使用策略的事件；以及
从所述已训练机器学习模型来得到一个或多个输出，所述输出识别：
一数量的资源，评定所述时间段期间的所述数量的报告的所述目标百分比，以及
关于所述数量的资源足以评定所述时间段期间的所述数量的报告的所述目标百分比的置信水平。
18.如权利要求17所述的系统，其中所述处理装置进一步：
生成用以考虑所述置信水平来评定所述时间段期间的所述数量的报告的所述目标百分比的所述数量的资源的估计。
19. 一种训练机器学习模型来估计一个时间段的资源的系统，所述资源足以评定由游戏平台的用户提交的报告的目标百分比，其中所述报告的数量随时间而改变，所述系统包括：
存储器；以及
处理装置，耦合到存储器以：
生成所述机器学习模型的训练数据，
其中为了生成所述机器学习模型的所述训练数据，所述处理装置：
生成第一训练输入，其中所述第一训练输入包括在第一时间点的第一数量的报告，以及其中所述报告由所述游戏平台的用户来提交，并且识别其中所述游戏平台的内容违反与所述游戏平台关联的使用策略的事件；
生成第二训练输入，其中所述第二训练输入包括在所述第一时间点是活动的一数量的资源；以及
生成所述第一训练输入和所述第二训练输入的第一目标输出，其中所述第一目标输出识别足以评定所述第一数量的报告的所述目标百分比的一数量的资源；以及
提供所述训练数据，以便基于下列集合训练所述机器学习模型：
包括所述第一训练输入和所述第二训练输入的训练输入集合，以及
包括所述第一目标输出的目标输出集合。
20. 如权利要求19所述的系统，其中为了生成所述机器学习模型的训练数据，所述处理装置进一步：
生成第三训练输入，其中所述第三训练输入包括通过在所述第一时间点是活动的所述数量的资源在所述第一时间点所评定的所述第一数量的报告的百分比，以及
其中所述训练输入集合包括所述第一训练输入、所述第二训练输入和所述第三训练输入。
CN201980012513.5A 2018-02-08 2019-02-04 使用机器学习来估计或预估游戏平台中具有时变需求的资源使用 Active CN111699500B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US15/892,148 2018-02-08
US15/892,148 US11537933B2 (en) 2018-02-08 2018-02-08 Using machine learning to estimate or forecast resource use with time-varying demand in gaming platforms
PCT/US2019/016504 WO2019156930A2 (en) 2018-02-08 2019-02-04 Using machine learning to estimate or forecast resource use with time-varying demand in gaming platforms

Publications (2)

Publication Number Publication Date
CN111699500A CN111699500A (zh) 2020-09-22
CN111699500B true CN111699500B (zh) 2024-02-09

Family

ID=67475617

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201980012513.5A Active CN111699500B (zh) 2018-02-08 2019-02-04 使用机器学习来估计或预估游戏平台中具有时变需求的资源使用

Country Status (4)

Country Link
US (1) US11537933B2 (zh)
EP (1) EP3750116A4 (zh)
CN (1) CN111699500B (zh)
WO (1) WO2019156930A2 (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20220237637A1 (en) * 2018-12-18 2022-07-28 Meta Platforms, Inc. Systems and methods for real time crowdsourcing
US11033824B2 (en) * 2019-06-14 2021-06-15 Roblox Corporation Predictive data preloading
CN112765406B (zh) * 2019-11-04 2022-11-11 亿度慧达教育科技（北京）有限公司 学习资源规划方法、电子设备及计算机存储介质
CN111177495A (zh) * 2019-12-05 2020-05-19 北京永洪商智科技有限公司 一种智能识别数据内容并生成相应行业报告的方法
US11179631B2 (en) * 2020-03-18 2021-11-23 Electronic Arts Inc. Providing video game content to an online connected game
WO2022182916A1 (en) * 2021-02-24 2022-09-01 Lifebrand, Llc System and method for determining the impact of a social media post across multiple social media platforms

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101467183A (zh) * 2006-04-13 2009-06-24 Igt公司 游戏机上的远程内容管理及资源共享及其实施方法
CN102415186A (zh) * 2009-02-24 2012-04-11 伊甸石通信股份有限公司 确定网络小区之间的时变射频隔离特性
CN104885506A (zh) * 2012-12-30 2015-09-02 Lg电子株式会社 在多小区无线通信系统中共享无线电资源信息的方法和用于该方法的装置
CN105451838A (zh) * 2013-05-20 2016-03-30 微软技术许可有限责任公司 远程游戏环境中的游戏可用性
CN106105140A (zh) * 2014-03-19 2016-11-09 高通股份有限公司 在长期演进设备到设备发现中防止重放攻击
EP3118784A1 (en) * 2015-07-14 2017-01-18 Tata Consultancy Services Limited Method and system for enabling dynamic capacity planning
CN106390451A (zh) * 2016-09-14 2017-02-15 腾讯科技（深圳）有限公司 对游戏服务器的容量进行测试的方法及装置
CN106503787A (zh) * 2016-10-26 2017-03-15 腾讯科技（深圳）有限公司 一种获取游戏数据的方法及电子设备
WO2017188419A1 (ja) * 2016-04-28 2017-11-02 日本電気株式会社 計算資源管理装置、計算資源管理方法、及びコンピュータ読み取り可能な記録媒体

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU2005223867A1 (en) 2004-03-19 2005-09-29 Stayton D. Addison Methods and systems for transaction compliance monitoring
US8784196B2 (en) 2006-04-13 2014-07-22 Igt Remote content management and resource sharing on a gaming machine and method of implementing same
US9028329B2 (en) 2006-04-13 2015-05-12 Igt Integrating remotely-hosted and locally rendered content on a gaming device
US8892136B2 (en) * 2010-07-27 2014-11-18 At&T Intellectual Property I, L.P. Identifying abusive mobile messages and associated mobile message senders
US9923785B1 (en) * 2015-06-24 2018-03-20 EMC IP Holding Company LLC Resource scaling in computing infrastructure
US11023823B2 (en) * 2017-03-03 2021-06-01 Facebook, Inc. Evaluating content for compliance with a content policy enforced by an online system using a machine learning model determining compliance with another content policy
US11003499B1 (en) * 2017-06-14 2021-05-11 Amazon Technologies, Inc. Resource allocation based on agent behavior in a simulation environment

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101467183A (zh) * 2006-04-13 2009-06-24 Igt公司 游戏机上的远程内容管理及资源共享及其实施方法
CN102415186A (zh) * 2009-02-24 2012-04-11 伊甸石通信股份有限公司 确定网络小区之间的时变射频隔离特性
CN104885506A (zh) * 2012-12-30 2015-09-02 Lg电子株式会社 在多小区无线通信系统中共享无线电资源信息的方法和用于该方法的装置
CN105451838A (zh) * 2013-05-20 2016-03-30 微软技术许可有限责任公司 远程游戏环境中的游戏可用性
CN106105140A (zh) * 2014-03-19 2016-11-09 高通股份有限公司 在长期演进设备到设备发现中防止重放攻击
EP3118784A1 (en) * 2015-07-14 2017-01-18 Tata Consultancy Services Limited Method and system for enabling dynamic capacity planning
WO2017188419A1 (ja) * 2016-04-28 2017-11-02 日本電気株式会社 計算資源管理装置、計算資源管理方法、及びコンピュータ読み取り可能な記録媒体
CN106390451A (zh) * 2016-09-14 2017-02-15 腾讯科技（深圳）有限公司 对游戏服务器的容量进行测试的方法及装置
CN106503787A (zh) * 2016-10-26 2017-03-15 腾讯科技（深圳）有限公司 一种获取游戏数据的方法及电子设备

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Radu Prodan 等.Prediction-based real-time resource provisioning for massively multiplayer online games.《Future Generation Computer Systems》.2009,第25卷785-793. *
李永红 等.基于游戏模式的作战训练平台研究.《计算机仿真》.2011,第28卷(第08期),20-23,60. *

Also Published As

Publication number Publication date
WO2019156930A2 (en) 2019-08-15
US20190244137A1 (en) 2019-08-08
CN111699500A (zh) 2020-09-22
EP3750116A4 (en) 2021-11-10
US11537933B2 (en) 2022-12-27
EP3750116A2 (en) 2020-12-16
WO2019156930A3 (en) 2020-04-16

Similar Documents

Publication Publication Date Title
CN111699500B (zh) 使用机器学习来估计或预估游戏平台中具有时变需求的资源使用
US9223469B2 (en) Configuring a virtual world user-interface
KR102566270B1 (ko) 친구 생성을 위한 사용자 생성 컨텐츠 시스템
US20190232172A1 (en) Chain of custody in gaming platforms
KR102484301B1 (ko) 데이터 플러드 검사 및 향상된 성능의 게이밍 프로세스
CN111492356B (zh) 搜索建议的推荐
US11720576B1 (en) Leveraging historical data to improve the relevancy of search results
US11080916B1 (en) Character morphing system
WO2019177813A1 (en) Chat application using a gaming engine
JP2024507338A (ja) 禁止されたゲーミングコンテンツの自動検出
KR102647075B1 (ko) 맵-리듀스를 사용하여 데이터 스큐를 해결하는 방법
US11097192B2 (en) Fraud detection in electronic subscription payments
WO2022245926A1 (en) Automatic presentation of suitable content
US20240149165A1 (en) Optimized player positioning system in virtual experiences
US11617959B2 (en) Detection of malicious games
DEBMALYA et al. Privacy Preserving Reinforcement Learning for User Wellbeing

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
GR01 Patent grant
GR01 Patent grant