CN112245936B - 账号匹配方法、装置及服务器 - Google Patents

Abstract

本公开关于一种账号匹配方法、装置及服务器，涉及通信技术领域。其中，所述账号匹配方法包括：获取第一账号的第一特征数据及待匹配的其他账号的第二特征数据；基于卷积神经网络模型对所述第一特征数据及所述第二特征数据进行模型预测，获取所述第一账号与所述其他账号中每个账号的预测对局次数；基于所述预测对局次数确定与所述第一账号匹配的第二账号；所述第二账号为所述其他账号中的至少一个；将所述第二账号匹配为所述第一账号的对局账号。本公开提供的方法解决了相关技术中玩家的游戏时长较短的问题。

Description

账号匹配方法、装置及服务器

技术领域

本公开涉及通信技术领域，尤其涉及一种账号匹配方法、装置及服务器。

背景技术

随着互联网技术的发展，网络游戏越来越受到人们的喜爱，各种对决类游戏也层出不穷。目前，当玩家进入某一个对决类游戏，该游戏的后台服务器会随机为该玩家匹配与其进行对局的其他玩家，然后开始游戏。这种随机的匹配方式，容易造成游戏水平悬殊的玩家匹配到一起，导致在较短的对决时间内就结束了游戏。可见，现有的游戏玩家匹配方式容易导致玩家的游戏时长较短的问题。

发明内容

本公开提供一种账号匹配方法、装置及服务器，以至少解决相关技术中玩家的游戏时长较短的问题。本公开的技术方案如下：

根据本公开实施例的第一方面，提供一种账号匹配方法，应用于服务器，包括：

获取第一账号的特征数据及待匹配的其他账号的特征数据；

基于卷积神经网络模型对所述第一账号的特征数据及所述其他账号的特征数据进行模型预测，获取所述第一账号与所述其他账号中每个账号的预测对局次数；

基于所述预测对局次数确定与所述第一账号匹配的第二账号；所述第二账号为所述其他账号中的至少一个；

将所述第二账号匹配为所述第一账号的对局账号。

根据本公开实施例的第二方面，提供一种账号匹配装置，包括：

获取单元，被配置为获取第一账号的特征数据及待匹配的其他账号的特征数据；

预测单元，被配置为基于卷积神经网络模型对所述第一账号的特征数据及所述其他账号的特征数据进行模型预测，获取所述第一账号与所述其他账号中每个账号的预测对局次数；

确定单元，被配置为基于所述预测对局次数确定与所述第一账号匹配的第二账号；所述第二账号为所述其他账号中的至少一个；

匹配单元，被配置为将所述第二账号匹配为所述第一账号的对局账号。

根据本公开实施例的第三方面，提供一种服务器，包括：

处理器；

用于存储所述处理器可执行指令的存储器；

其中，所述处理器被配置为执行所述指令，以实现第一方面所述的账号匹配方法。

根据本公开实施例的第四方面，提供一种存储介质，当所述存储介质中的指令由服务器的处理器执行时，使得服务器能够执行如第一方面所述的账号匹配方法。

根据本公开实施例的第五方面，提供一种计算机程序产品，所述计算机程序产品能够执行第一方面所述的账号匹配方法的步骤。

本公开的实施例提供的技术方案至少带来以下有益效果：

本公开提供的方案，通过卷积神经网络对第一账号的特征数据和待匹配的其他账号的特征数据进行模型预测，以获得第一账号与其他账号中每个账号的预测对局次数，进而基于所述预测对局次数来确定与第一账号匹配的第二账号，并将所述第二账号匹配为第一账号的对局账号，以开始游戏。这样，也就可以为第一账号匹配到能够进行更多次对局次数的第二账号，进而提高第一账号的连续对局次数，增加第一账号的游戏时长，为用户带来更好的游戏体验，也使得对于账号的匹配方式更加灵活和智能。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理，并不构成对本公开的不当限定。

图1是根据一示例性实施例示出的一种账号匹配方法的流程图。

图2是根据一示例性实施例示出的一种账号匹配装置的框图。

图3是根据一示例性实施例示出的一种服务器的框图。

具体实施方式

为了使本领域普通人员更好地理解本公开的技术方案，下面将结合附图，对本公开实施例中的技术方案进行清楚、完整地描述。

需要说明的是，本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。

图1是根据一示例性实施例示出的一种账号匹配方法的流程图，所述账号匹配方法应用于服务器。如图1所示，所述账号匹配方法包括以下步骤。

在步骤S11中，获取第一账号的特征数据及待匹配的其他账号的特征数据。

需要说明地，本公开实施例提供的账号匹配方法应用于服务器，所述账号可以是指用于登录某应用程序的用户信息，在一些其他的实施场景中，所述账号也可以是称之为虚拟用户、虚拟对象、玩家等；所述服务器也就是该应用程序的后台服务器。

例如，本公开所提供的方案应用于游戏后台服务器，该游戏后台服务器用于对能够运行于客户端的游戏应用程序进行运营和维护等，所述账号也就是能够登录该游戏应用程序的玩家。为更好地理解本公开所提供的方案，在以下的实施例中，将以所述服务器为游戏后台服务器，所述账号为能够登录对应游戏应用程序的玩家为例进行具体说明。另外，需要说明的是，本公开所适用的游戏为对决类的游戏，或者说竞技类游戏，也就是需要至少两个玩家进行比赛或对决以决定胜负的游戏。

本公开实施例中，可以是在检测到第一账号登录的情况下，来获取第一账号的特征数据以及待匹配的其他账号的特征数据。例如，在检测到第一玩家登录游戏的情况下，获取第一玩家对应的特征数据以及待匹配的其他玩家的特征数据。可以理解地，对于对决类游戏而言，需要至少两个玩家才能开始，当检测到第一玩家登录游戏时，也就需要为第一玩家匹配至少一个其他玩家以开始游戏，所述待匹配的其他玩家可以是指已经登录在线的玩家。

其中，在所述账号为游戏账号的情况下，所述特征数据可以是指游戏账号对应的虚拟资源(如游戏币)、游戏等级、胜率、对局时长、性别等数据所述特征数据可以是玩家自己设置，如性别，或者是游戏服务器后台基于玩家的历史游戏记录而统计得出，如虚拟资源、游戏等级、胜率、对局时长。可以理解地，每一个玩家也就有相对应的特征数据。

在步骤S12中，基于卷积神经网络模型对所述第一账号的特征数据及所述其他账号的特征数据进行模型预测，获取所述第一账号与所述其他账号中每个账号的预测对局次数。

需要说明地，所述卷积神经网络模型可以是基于游戏后台服务器获取的历史特征数据进行训练。可以理解地，卷积神经网络模型能够学习大量的输入与输出之间的映射关系，而不需要任何输入和输出之间的精确的数学表达式。

本公开实施例中，所述卷积神经网络模型为输入为历史对局数据中同一组局中的至少一个历史账号的历史特征数据，输出为所述至少一个历史账号在所述同一组局中的历史对局次数的网络模型。其中，所述历史对局也就是已经结束了的游戏，所述同一组局是指相同的玩家连续游戏不散桌，同一组局中的历史对局次数也就是指相同的玩家从组队开始游戏到其中某一个玩家退出当前组队所进行的对局次数。

例如，以三个玩家进行的游戏为例，同一组局可以是指从玩家A、玩家B和玩家C组队进行游戏，到其中任意一个玩家退出当前组队，而在玩家A、玩家B和玩家C组队游戏的过程中，可以是进行多次对局。用户可以是基于这些历史特征数据和历史对局次数对所述卷积神经网络模型进行训练。具体地，可以是先从历史对局数据中提取出每一组局中玩家的历史对局次数，并依次设置标签值，例如历史对局次数为1则标签值为1，历史对局次数为2则标签值为2……历史对局次数大于等于10的标签值都为10；对于玩家为三人制的游戏，则可以是将同一组局中三个玩家的历史特征数据两两组合(例如每个玩家对应的游戏段位、游戏币、游戏等级、历史胜率、性别)作为输入，将这两个玩家的对局次数对应的标签值作为输出，以训练所述卷积神经网络模型。需要说明的是，若是四人制的游戏，则是将同一组局中四个玩家的历史特征数据每三个配对为一组作为输入；若是两人制的游戏，则是将同一组局中任意一个玩家的历史特征数据作为输入。这样，也就能够通过历史特征数据和历史对局次数对卷积神经网络模型进行训练，以提高卷积神经网络模型的准确率，获得更为精确的预测对局次数。

本申请实施例中，在所述账号为游戏账号的情况下，所述特征数据包括游戏等级、虚拟资源、胜率、对局时长、性别中的至少一项，所述卷积神经网络模型可以是基于上述特征数据来进行训练。例如，所述特征数据包括游戏等级时，可以理解地，游戏等级越高，说明该账号玩家的历史对局时间较长、胜率也较高，通过玩家的游戏等级及历史对局次数对卷积神经网络模型进行训练，也就能够获得游戏等级对对局次数的影响及二者之间的相关性。

若特征数据包括虚拟资源，如游戏币，可以理解地，虚拟资源越多的玩家，因其拥有较多的虚拟资源，则能够支撑该类玩家进行更长对局时间的游戏；或者，玩家如果是通过对局胜利来获得虚拟资源，则虚拟资源越多的玩家，胜率也越高，对局次数也应该较高；通过玩家的虚拟资源及历史对局次数对卷积神经网络模型进行训练，也就能够获得虚拟资源对对局次数的影响及二者之间的相关性。

若特征数据包括胜率，可以理解地，若玩家在近期一段时间内的胜率都比较高，说明该玩家的游戏水平使其对局时长能够保持较长的时长，该类玩家与其他玩家对局的次数也应该较高；通过玩家的历史胜率及历史对局次数对卷积神经网络模型进行训练，也就能够获得胜率对对局次数的影响及二者之间的相关性。

若特征数据包括对局时长，可以理解地，玩家与不同游戏等级的其他玩家之间的对局时长可能存在差异，通过不同玩家之间历史对局时长及历史对局次数对卷积神经网络模型进行训练，也就能够获得对局时长对对局次数的影响及二者之间的相关性。

若特征数据包括性别，通过玩家的性别与历史对局次数对卷积神经网络模型进行训练，能够获得性别与对局次数之间的相关性。

这样，通过上述不同的历史特征数据和历史对局次数对卷积神经网络模型进行训练，以提高卷积神经网络模型的准确率，获得更为精确的预测对局次数。

本公开实施例中，所述步骤S12可以包括：

将所述第一账号的特征数据分别与所述其他账号中的每一个账号对应的特征数据进行配对，获得配对数据；

将所述配对数据输入所述卷积神经网络模型进行模型预测，获取所述第一账号与所述其他账号中的每个账号的预测对局次数。

可以理解地，所述服务器所应用的卷积神经网络模型为已经经过训练的模型。服务器在获取到第一玩家的特征数据和其他玩家的特征数据后，也就能够将所述第一玩家的特征数据和其他玩家的特征数据作为输入，通过所述卷积神经网络模型以获取预测对局次数。

需要说明的是，所述配对数据所包括的特征数据基于同一组局中的账号数量决定，或者说是基于玩家的人数决定。例如，对于三人制的游戏，也就将第一账号的特征数据与其他账号中的任意一个账号对应的特征数据进行配对，所获得的配对数据也就是包括第一账号的特征数据和另一个账号的特征数据；对于四人制的游戏，也就是将第一账号的特征数据与其他账号中的任意两个账号分别对应的特征数据进行配对，所获得的配对数据也就是包括第一账号的特征数据和其他两个账号分别对应的特征数据。

可以理解地，由于所述卷积神经网络模型为经过历史特征数据和历史对局次数训练而得，则将上述配对数据作为所述卷积神经网络模型的输入，也就会得到相应的输出为预测对局次数，所述预测对局次数也就是第一账号及配对数据中对应的其他账号在组局进行游戏时大概能进行的对局次数。这样，通过所述卷积神经网络模型，也就能够预测出第一账号和其他账号能够进行的对局次数。

在步骤S13中，基于所述预测对局次数确定与所述第一账号匹配的第二账号；所述第二账号为所述其他账号中的至少一个。

可以理解地，在基于所述卷积神经网络模型获得第一账号与其他账号的预测对局次数后，则服务器可以基于所述预测对局次数来确定与第一账号匹配的第二账号，也就是确定与第一账号组局进行游戏的第二账号。例如，所述第二账号可以是所述其他账号中与第一账号的预测对局次数最大的账号。

需要说明的是，所述第二账号为至少一个，所述第二账号的个数可以是基于游戏制度来确定。例如，若为三人制的游戏，则需要为第一账号匹配另外两个账号，所述第二账号的数量也就是两个；若为四人制游戏，则所述第二账号的数量也就是三个。

可选的，所述账号为游戏账号，所述特征数据包括游戏等级、虚拟资源、胜率、对局时长、性别中的至少一项，所述步骤S13包括如下任意一项：

在所述特征数据包括游戏等级的情况下，将所述其他账号中游戏等级与所述第一账号的游戏等级匹配且对应的所述预测对局次数最大的账号确定为第二账号；

在所述特征数据包括虚拟资源的情况下，将所述其他账号中虚拟资源大于第一预设值且对应的所述预测对局次数最大的账号确定为第二账号；

在所述特征数据包括胜率的情况下，将所述其他账号中胜率大于第二预设值且对应的所述预测预测对局次数最大的账号确定为第二账号；

在所述特征数据包括对局时长的情况下，将所述其他账号中对局时长大于第三预设时长且对应的所述预测对局次数最大的账号确定为第二账号；

在所述特征数据包括性别的情况下，将所述其他账号中性别与所述第一账号的性别匹配且对应的所述预测对局次数最大的账号确定为第二账号。

可以理解地，如上所述，由于所述卷积神经网络模型为经过历史特征数据(游戏等级、虚拟资源、胜率、对局时长、性别)和历史对局次数训练而得，也就能够获得不同特征数据对对局次数的影响及与对局次数之间的相关性，则将不同的特征数据作为输入，卷积神经网络模型也就会输出相应的预测对局次数。这样，卷积神经网络模型基于输入的第一账号的特征数据的不同，也就能够预测出该特征数据下，第一账号和其他账号能够进行的对局次数。

例如，特征数据包括游戏等级，那么也就是将第一账号的游戏等级与其他账号的游戏等级作为输入，卷积神经网络模型也就会基于游戏等级与预测对局次数之间的相关性进行预测，获得其他账号与第一账号的预测对局次数作为输出。可以理解地，两个账号的游戏等级相同或者相差不大，则该两个账号能够对局的次数相应越大，或者说对局的时长更长；而与第一账号游戏等级匹配的账号可能不止一个，则将所述其他账号中游戏等级与所述第一账号的游戏等级匹配，且对应的所述预测对局次数最大的账号确定为第二账号，这样也就能够为第一账号匹配到对能够进行更多次对局的第二账号，增加第一账号的游戏时长，为用户带来更好的游戏体验。

同理，若特征数据包括虚拟资源，那么也就是将第一账号的虚拟资源与其他账号的虚拟资源作为输入，卷积神经网络模型也就会基于虚拟资源与预测对局次数之间的相关性进行预测，获得其他账号与第一账号的预测对局次数作为输出。可以理解地，虚拟资源越大，说明能够支持账号进行更多次的对局或者说对局时长，则可以优先选择具有更多虚拟资源的账号。本申请实施例中，可以是将所述其他账号中虚拟资源大于第一预设值且对应的所述预测对局次数最大的账号确定为第二账号。

若特征数据包括胜率，胜率越大，说明该账号能够进行更多次的对局或者说具有更高的游戏水平，则可以优先选择具有更大胜率的账号。可以理解地，服务器可以是将所述其他账号中胜率大于第二预设值且对应的所述预测对局次数最大的账号确定为第二账号。

若特征数据包括对局时长，对局时长越长，说明该账号能够进行更多次的对局，则服务器可以是将所述其他账号中对局时长大于第三预设时长且对应的所述预测对局次数最大的账号确定为第二账号。

若特征数据包括性别，可以理解地，相同性别的游戏玩家可能在游戏水平及游戏时长上更为相近，例如男性的游戏时长可能相较于女性更长，则可以是将女性玩家匹配在一起进行游戏，将男性玩家匹配在一起进行游戏。可选地，服务器可以是将其他账号中性别与所述第一账号的性别匹配且对应的所述预测对局次数最大的账号确定为第二账号。

这样，基于不同的特征数据，也就能够通过上述不同的方式来确定第二账号，也就能够为第一账号匹配到对能够进行更多次对局的第二账号，增加第一账号的游戏时长，为用户带来更好的游戏体验。可选的，所述步骤S13可以包括：

确定所述第一账号的等待时长；

基于所述等待时长及所述预测对局次数确定与所述第一账号匹配的第二账号。

可以理解地，第一账号在登录游戏的情况下，服务器需要为第一账号匹配合适的第二账号以开始游戏，进而第一账号也就会存在一定的等待时长。本公开实施例中，服务器可以是基于第一账号的等待时长及所述预测对局次数来确定与其匹配的第二账号，例如可以是根据在不同的等待时长内，为第一账号匹配预测对局次数不同的第二账号。这样，也就使得对于第一账号的匹配更加灵活。

具体地，所述基于所述等待时长及所述预测对局次数确定与所述第一账号匹配的第二账号的步骤，包括：

在所述等待时长小于第一时长的情况下，将所述其他账号中与所述第一账号的预测对局次数大于第一阈值的账号确定为第二账号；

在所述等待时长大于第一时长小于第二时长的情况下，将所述其他账号中与所述第一账号的预测对局次数大于第二阈值的账号确定为第二账号；所述第一阈值大于所述第二阈值。

本公开实施例中，服务器可以是对账号登录游戏后的等待时长设置为预设时长，例如所述预设时长为20s，并可以进一步将所述预设时长划分为不同的时段，在不同的时段选择不同的预测对局次数来确定第二账号。

例如，所述服务器对账号登录游戏后的等待时长设置为20s。在检测到第一账号登录的情况下，在所述等待时长小于4s的情况下，则将所述其他账号中与第一账号的预测对局次数大于8局的账号确定为第二账号，进而将所述第二账号匹配给第一账号以进行组局。可以理解地，若有预测对局次数大于8局的账号，那么也就会匹配成功，若没有，则在该第一时长(4s)内也就不会匹配成功。进一步地，在第一账号的等待时长大于4s小于8s的情况下，则将所述其他账号中与第一账号的预测对局次数大于4的账号确定为第二账号，并将所述第二账号匹配给第一账号以进行组局。进一步地，若在这8s内都没有确定出第二账号，说明没有能够与第一账号的预测对局次数大于4次的账号；进一步地，可以是在第一账号的等待时长大于8s小于12s的情况下，将所述其他账号中与第一账号的预测对局次数大于2的账号确定为第二账号；若在该时长内仍然没有确定出第二账号，则可以是在第一账号的等待时长大于12s小于20s的情况下，将所述其他账号中与第一账号的预测对局次数大于1的账号确定为第二账号，并将所述第二账号匹配给第一账号以进行组局。

这样，通过设定不同的等待时长及匹配不同的预测对局次数，使得对第一账号的匹配方式更加灵活，也更好地确保了能够为第一账号匹配到对局次数更高的账号，以提高第一账号和第二账号在同一组局中的对局次数和游戏时长，确保第一账号有更好的游戏体验。

在步骤S14中，将所述第二账号匹配为所述第一账号的对局账号。

可以理解地，服务器在基于所述卷积神经网络模型为第一账号匹配出第二账号后，也就能够将第二账号匹配为第一账号的对局账号，将第二账号与第一账号组局，也就是匹配到同一个游戏组或者说游戏局中，以开始游戏。

本公开提供的方案，通过卷积神经网络对第一账号的特征数据和待匹配的其他账号的特征数据进行模型预测，以获得第一账号与其他账号中每个账号的预测对局次数，进而基于所述预测对局次数来确定与第一账号匹配的第二账号，并将所述第二账号匹配为第一账号的对局账号，以开始游戏。这样，也就可以为第一账号匹配到能够进行更多次对局次数的第二账号，进而提高第一账号的连续对局次数，增加第一账号的游戏时长，为用户带来更好的游戏体验，也使得对于账号的匹配方式更加灵活和智能。

图2是根据一示例性实施例示出的一种账号匹配装置的框图。参照图2，该装置包括获取单元201，预测单元202，确定单元203和匹配单元204。

获取单元201，被配置为获取所述第一账号的特征数据及待匹配的其他账号的特征数据；

预测单元202，被配置为基于卷积神经网络模型对所述第一账号的特征数据及所述其他账号的特征数据进行模型预测，获取所述第一账号与所述其他账号中每个账号的预测对局次数；

确定单元203，被配置为基于所述预测对局次数确定与所述第一账号匹配的第二账号；所述第二账号为所述其他账号中的至少一个；

匹配单元204，被配置为将所述第二账号匹配为所述第一账号的对局账号。

可选的，所述确定单元203还被配置为：

确定所述第一账号的等待时长；

基于所述等待时长及所述预测对局次数确定与所述第一账号匹配的第二账号。

可选的，所述确定单元203还被配置为：

在所述等待时长小于第一时长的情况下，将所述其他账号中与所述第一账号的预测对局次数大于第一阈值的账号确定为第二账号；

在所述等待时长大于第一时长小于第二时长的情况下，将所述其他账号中与所述第一账号的预测对局次数大于第二阈值的账号确定为第二账号；

所述第一阈值大于所述第二阈值。

可选的，所述预测单元202还被配置为：

将所述第一账号的特征数据分别与所述其他账号中的每一个账号对应的特征数据进行配对，获得配对数据；

将所述配对数据输入所述卷积神经网络模型进行模型预测，获取所述第一账号与所述其他账号中的每个账号的预测对局次数。

可选的，所述账号为游戏账号，所述特征数据包括游戏等级、虚拟资源、胜率、对局时长、性别中的至少一项，所述确定单元还被配置为实现如下任意一项：

在所述特征数据包括游戏等级的情况下，将所述其他账号中游戏等级与所述第一账号的游戏等级匹配且对应的所述预测对局次数最大的账号确定为第二账号；

在所述特征数据包括虚拟资源的情况下，将所述其他账号中虚拟资源大于第一预设值且对应的所述预测对局次数最大的账号确定为第二账号；

在所述特征数据包括胜率的情况下，将所述其他账号中胜率大于第二预设值且对应的所述预测预测对局次数最大的账号确定为第二账号；

在所述特征数据包括对局时长的情况下，将所述其他账号中对局时长大于第三预设时长且对应的所述预测对局次数最大的账号确定为第二账号；

在所述特征数据包括性别的情况下，将所述其他账号中性别与所述第一账号的性别匹配且对应的所述预测对局次数最大的账号确定为第二账号。

可选的，所述卷积神经网络模型为输入为历史对局数据中同一组局中的至少一个历史账号的历史特征数据，输出为所述至少一个历史账号在所述同一组局中的历史对局次数的网络模型。

关于上述实施例中的装置，其中各个单元执行操作的具体方式已经在上述图1所述的账号匹配方法实施例中进行了详细描述，此处将不再做详细阐述说明。

本公开提供的装置，通过卷积神经网络对第一账号的第一特征数据和待匹配的其他账号的第二特征数据进行模型预测，以获得第一账号与其他账号中每个账号的预测对局次数，进而基于所述预测对局次数来确定与第一账号匹配的第二账号，并将所述第二账号匹配为第一账号的对局账号，以开始游戏。这样，也就可以为第一账号匹配到能够进行更多次对局次数的第二账号，进而提高第一账号的连续对局次数，增加第一账号的游戏时长，为用户带来更好的游戏体验，也使得对于账号的匹配方式更加灵活和智能。

图3是根据一示例性实施例示出的一种服务器300的框图。如图3所示，所述服务器300包括处理器301和用于存储所述处理器301可执行指令的存储器302。其中，所述处理器301被配置为执行所述指令，以实现上述图1所述的账号匹配方法的步骤，并能达到相同的技术效果，为避免重复，此处不再赘述。

本公开实施例还提供了一种包括指令的存储介质，当所述存储介质中的指令由服务器300的处理器执行时，使得服务器300能够执行上述图1所述的账号匹配方法的步骤，并能达到相同的技术效果，为避免重复，此处不再赘述。可选地，存储介质可以是非临时性计算机可读存储介质，例如，所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。

本公开实施例还提供了提供一种计算机程序产品，所述计算机程序产品能够执行上述图1所述的账号匹配方法的步骤，并能达到相同的技术效果，为避免重复，此处不再赘述。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。

应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。

Claims (12)

1.一种账号匹配方法，应用于服务器，其特征在于，包括：

获取第一账号的特征数据及待匹配的其他账号的特征数据；

基于卷积神经网络模型对所述第一账号的特征数据及所述其他账号的特征数据进行模型预测，获取所述第一账号与所述其他账号中每个账号的预测对局次数；

基于所述预测对局次数确定与所述第一账号匹配的第二账号；所述第二账号为所述其他账号中的至少一个，且所述第二账号为所述其他账号中与所述第一账号的预测对局次数最大的账号；

将所述第二账号匹配为所述第一账号的对局账号；

所述基于卷积神经网络模型对所述第一账号的特征数据及所述其他账号的特征数据进行模型预测，获取所述第一账号与所述其他账号中每个账号的预测对局次数的步骤，包括：

将所述第一账号的特征数据分别与所述其他账号中的每一个账号对应的特征数据进行配对，获得配对数据；其中，所述配对数据所包括的特征数据的数量基于同一组局中的账号数量决定；

将所述配对数据输入所述卷积神经网络模型进行模型预测，获取所述第一账号与所述其他账号中的每个账号的预测对局次数。

2.根据权利要求1所述的方法，其特征在于，所述基于所述预测对局次数确定与所述第一账号匹配的第二账号的步骤，包括：

确定所述第一账号的等待时长；

基于所述等待时长及所述预测对局次数确定与所述第一账号匹配的第二账号。

3.根据权利要求2所述的方法，其特征在于，所述基于所述等待时长及所述预测对局次数确定与所述第一账号匹配的第二账号的步骤，包括：

在所述等待时长小于第一时长的情况下，将所述其他账号中与所述第一账号的预测对局次数大于第一阈值的账号确定为第二账号；

在所述等待时长大于第一时长小于第二时长的情况下，将所述其他账号中与所述第一账号的预测对局次数大于第二阈值的账号确定为第二账号；

所述第一阈值大于所述第二阈值。

4.根据权利要求1所述的方法，其特征在于，所述账号为游戏账号，所述特征数据包括游戏等级、虚拟资源、胜率、对局时长、性别中的至少一项，所述基于所述预测对局次数确定与所述第一账号匹配的第二账号包括如下任意一项：

在所述特征数据包括游戏等级的情况下，将所述其他账号中游戏等级与所述第一账号的游戏等级匹配且对应的所述预测对局次数最大的账号确定为第二账号；

在所述特征数据包括虚拟资源的情况下，将所述其他账号中虚拟资源大于第一预设值且对应的所述预测对局次数最大的账号确定为第二账号；

在所述特征数据包括胜率的情况下，将所述其他账号中胜率大于第二预设值且对应的所述预测预测对局次数最大的账号确定为第二账号；

在所述特征数据包括对局时长的情况下，将所述其他账号中对局时长大于第三预设时长且对应的所述预测对局次数最大的账号确定为第二账号；

在所述特征数据包括性别的情况下，将所述其他账号中性别与所述第一账号的性别匹配且对应的所述预测对局次数最大的账号确定为第二账号。

5.根据权利要求1所述的方法，其特征在于，所述卷积神经网络模型为输入为历史对局数据中同一组局中的至少一个历史账号的历史特征数据，输出为所述至少一个历史账号在所述同一组局中的历史对局次数的网络模型。

6.一种账号匹配装置，其特征在于，包括：

获取单元，被配置为获取第一账号的特征数据及待匹配的其他账号的特征数据；

预测单元，被配置为基于卷积神经网络模型对所述第一账号的特征数据及所述其他账号的特征数据进行模型预测，获取所述第一账号与所述其他账号中每个账号的预测对局次数；

确定单元，被配置为基于所述预测对局次数确定与所述第一账号匹配的第二账号；所述第二账号为所述其他账号中的至少一个，且所述第二账号为所述其他账号中与所述第一账号的预测对局次数最大的账号；

匹配单元，被配置为将所述第二账号匹配为所述第一账号的对局账号；

所述预测单元还被配置为：

将所述第一账号的特征数据分别与所述其他账号中的每一个账号对应的特征数据进行配对，获得配对数据；其中，所述配对数据所包括的特征数据的数量基于同一组局中的账号数量决定；

将所述配对数据输入所述卷积神经网络模型进行模型预测，获取所述第一账号与所述其他账号中的每个账号的预测对局次数。

7.根据权利要求6所述的装置，其特征在于，所述确定单元还被配置为：

确定所述第一账号的等待时长；

基于所述等待时长及所述预测对局次数确定与所述第一账号匹配的第二账号。

8.根据权利要求7所述的装置，其特征在于，所述确定单元还被配置为：

在所述等待时长小于第一时长的情况下，将所述其他账号中与所述第一账号的预测对局次数大于第一阈值的账号确定为第二账号；

在所述等待时长大于第一时长小于第二时长的情况下，将所述其他账号中与所述第一账号的预测对局次数大于第二阈值的账号确定为第二账号；

所述第一阈值大于所述第二阈值。

9.根据权利要求6所述的装置，其特征在于，所述账号为游戏账号，所述特征数据包括游戏等级、虚拟资源、胜率、对局时长、性别中的至少一项，所述确定单元还被配置为实现如下任意一项：

在所述特征数据包括游戏等级的情况下，将所述其他账号中游戏等级与所述第一账号的游戏等级匹配且对应的所述预测对局次数最大的账号确定为第二账号；

在所述特征数据包括虚拟资源的情况下，将所述其他账号中虚拟资源大于第一预设值且对应的所述预测对局次数最大的账号确定为第二账号；

在所述特征数据包括胜率的情况下，将所述其他账号中胜率大于第二预设值且对应的所述预测预测对局次数最大的账号确定为第二账号；

在所述特征数据包括对局时长的情况下，将所述其他账号中对局时长大于第三预设时长且对应的所述预测对局次数最大的账号确定为第二账号；

在所述特征数据包括性别的情况下，将所述其他账号中性别与所述第一账号的性别匹配且对应的所述预测对局次数最大的账号确定为第二账号。

10.根据权利要求6所述的装置，其特征在于，所述卷积神经网络模型为输入为历史对局数据中同一组局中的至少一个历史账号的历史特征数据，输出为所述至少一个历史账号在所述同一组局中的历史对局次数的网络模型。

11.一种服务器，其特征在于，包括：

处理器；

用于存储所述处理器可执行指令的存储器；

其中，所述处理器被配置为执行所述指令，以实现如权利要求1至5中任一项所述的账号匹配方法。

12.一种存储介质，当所述存储介质中的指令由服务器的处理器执行时，使得服务器能够执行如权利要求1至5中任一项所述的账号匹配方法。