CN112426724A - 游戏用户的匹配方法、装置、电子设备及存储介质 - Google Patents

Abstract

本公开关于一种游戏用户的匹配方法、装置、电子设备及存储介质，该方法包括：获取待匹配的游戏用户的用户特征；将待匹配的游戏用户的用户特征输入预设的聚类模型，得到多个游戏用户集合；将各个游戏用户集合中的游戏用户进行排列组合，得到各个游戏用户集合对应的多个游戏用户组；通过预先训练的匹配预测模型，得到各个游戏用户集合对应的各个游戏用户组的目标匹配类别；分别从各个游戏用户集合对应的各个游戏用户组中，将预测连续对局次数区间中的最小值大于预设阈值的游戏用户组中的游戏用户进行匹配。采用本方法，有利于提高匹配的游戏用户的真实匹配度，从而无需频繁发起游戏匹配请求，进而降低了服务器压力。

Description

游戏用户的匹配方法、装置、电子设备及存储介质

技术领域

本公开涉及数据处理技术领域，尤其涉及一种游戏用户的匹配方法、装置、电子设备及存储介质。

背景技术

随着互联网技术的发展，网络上的多人游戏层出不穷，比如斗地主、麻将、象棋、围棋等；这些游戏在开启之前，需要对游戏操作账户如游戏玩家进行匹配。

现在的游戏操作账户的匹配方法，一般是通过人工选取单一维度的多个特征和设定权重来计算游戏操作账户的匹配系数，根据匹配系数对游戏操作账户进行匹配；但是，不同场次下游戏操作账户的属性差异较大，单一系数很难准确反映游戏操作账户的真实游戏水平，导致游戏操作账户的真实匹配度较低，造成游戏操作账户的连续对局次数较低；在这种情况下，游戏操作账户需要频繁发起游戏匹配请求，导致服务器的压力较大。

发明内容

本公开提供一种游戏用户的匹配方法、装置、电子设备及存储介质，以至少解决相关技术中服务器的压力较大的问题。本公开的技术方案如下：

根据本公开实施例的第一方面，提供一种游戏操作账户的匹配方法，包括：

获取待匹配的游戏用户的用户特征；

将所述待匹配的游戏用户的用户特征输入预设的聚类模型，得到多个游戏用户集合；每个游戏用户集合中包括用户特征之间的相似度均大于预设阈值的多个游戏用户；

将各个所述游戏用户集合中的游戏用户进行排列组合，得到各个所述游戏用户集合对应的多个游戏用户组；每个游戏用户组均包含用于同一游戏对局的预设数量的游戏用户；

通过预先训练的匹配预测模型，得到各个所述游戏用户集合对应的各个所述游戏用户组的目标匹配类别；所述目标匹配类别用于表征对应的游戏用户组中的游戏用户之间的预测连续对局次数区间；

分别从各个所述游戏用户集合对应的各个所述游戏用户组中，将所述预测连续对局次数区间中的最小值大于预设阈值的游戏用户组中的游戏用户进行匹配。

在一示例性实施例中，所述将所述待匹配的游戏用户的用户特征输入预设的聚类模型，得到多个游戏用户集合，包括：

通过预设的聚类模型，基于待匹配的游戏用户的用户特征，确定所述用户特征之间的相似度均大于预设阈值的多个游戏用户；

分别将所述用户特征之间的相似度均大于预设阈值的多个游戏用户进行组合，得到多个游戏用户集合。

在一示例性实施例中，所述通过预先训练的匹配预测模型，得到各个所述游戏用户集合对应的各个所述游戏用户组的目标匹配类别，包括：

分别将各个所述游戏用户组中的用户特征进行融合，得到各个所述游戏用户组的融合特征；

分别将各个所述游戏用户集合对应的各个所述游戏用户组的融合特征输入预先训练的匹配预测模型，得到各个所述游戏用户组在每个预设匹配类别下的预测概率；每个预设匹配类别用于表征游戏用户的连续对局次数区间；

分别将所述预测概率最大的预设匹配类别，对应作为各个所述游戏用户组的目标匹配类别。

在一示例性实施例中，所述预先训练的匹配预测模型通过下述方式训练得到：

获取多个样本游戏用户组以及对应的标记匹配类别；各个所述样本游戏用户组均包含同一游戏对局中的所述预设数量的样本游戏用户，所述标记匹配类别用于表征对应的样本游戏用户组中的样本游戏用户的连续对局次数区间；

分别将各个所述样本游戏用户组中包括的样本游戏用户的用户特征输入待训练的匹配预测模型，得到各个所述样本游戏用户组对应的预测匹配类别；

根据各个所述样本游戏用户组对应的预测匹配类别与标记匹配类别之间的差值，得到损失值；

根据所述损失值调整所述待训练的匹配预测模型的模型参数，得到所述预先训练的匹配预测模型。

在一示例性实施例中，所述获取待匹配的游戏用户的用户特征，包括：

获取待匹配的游戏用户的历史游戏操作数据；

分别从各个所述游戏用户的历史游戏操作数据中，提取出各个所述游戏用户的用户画像信息、游戏行为信息和游戏水平信息中的至少两个，对应作为各个所述游戏用户的用户特征。

在一示例性实施例中，所述游戏用户的游戏水平信息通过下述方法得到：

获取所述游戏用户的历史游戏对局结果；

将所述游戏用户的历史游戏对局结果输入预先构建的概率图模型，得到所述游戏用户的游戏水平信息。

在一示例性实施例中，在分别从各个所述游戏用户集合对应的各个所述游戏用户组中，将所述预测连续对局次数区间中的最小值大于预设阈值的游戏用户组中的游戏用户进行匹配之后，还包括：

分别从各个所述游戏用户集合对应的各个所述游戏用户组中，将所述预测连续对局次数区间中的最大值小于所述预设阈值的游戏用户组中的游戏用户退回至待匹配队列；

对所述待匹配队列中的游戏用户进行重新匹配。

根据本公开实施例的第二方面，提供一种游戏用户的匹配装置，包括：

特征获取单元，被配置为执行获取待匹配的游戏用户的用户特征；

集合确定单元，被配置为执行将所述待匹配的游戏用户的用户特征输入预设的聚类模型，得到多个游戏用户集合；每个游戏用户集合中包括用户特征之间的相似度均大于预设阈值的多个游戏用户；

用户组确定单元，被配置为执行将各个所述游戏用户集合中的游戏用户进行排列组合，得到各个所述游戏用户集合对应的多个游戏用户组；每个游戏用户组均包含用于同一游戏对局的预设数量的游戏用户；

类别确定单元，被配置为执行通过预先训练的匹配预测模型，得到各个所述游戏用户集合对应的各个所述游戏用户组的目标匹配类别；所述目标匹配类别用于表征对应的游戏用户组中的游戏用户之间的预测连续对局次数区间；

用户匹配单元，被配置为执行分别从各个所述游戏用户集合对应的各个所述游戏用户组中，将所述预测连续对局次数区间中的最小值大于预设阈值的游戏用户组中的游戏用户进行匹配。

在一示例性实施例中，所述集合确定单元，还被配置为执行通过预设的聚类模型，基于待匹配的游戏用户的用户特征，确定所述用户特征之间的相似度均大于预设阈值的多个游戏用户；分别将所述用户特征之间的相似度均大于预设阈值的多个游戏用户进行组合，得到多个游戏用户集合。

在一示例性实施例中，所述类别确定单元，还被配置为执行分别将各个所述游戏用户组中的用户特征进行融合，得到各个所述游戏用户组的融合特征；分别将各个所述游戏用户集合对应的各个所述游戏用户组的融合特征输入预先训练的匹配预测模型，得到各个所述游戏用户组在每个预设匹配类别下的预测概率；每个预设匹配类别用于表征游戏用户的连续对局次数区间；分别将所述预测概率最大的预设匹配类别，对应作为各个所述游戏用户组的目标匹配类别。

在一示例性实施例中，所述装置还包括模型训练单元，被配置为执行获取多个样本游戏用户组以及对应的标记匹配类别；各个所述样本游戏用户组均包含同一游戏对局中的所述预设数量的样本游戏用户，所述标记匹配类别用于表征对应的样本游戏用户组中的样本游戏用户的连续对局次数区间；分别将各个所述样本游戏用户组中包括的样本游戏用户的用户特征输入待训练的匹配预测模型，得到各个所述样本游戏用户组对应的预测匹配类别；根据各个所述样本游戏用户组对应的预测匹配类别与标记匹配类别之间的差值，得到损失值；根据所述损失值调整所述待训练的匹配预测模型的模型参数，得到所述预先训练的匹配预测模型。

在一示例性实施例中，所述特征获取单元，还被配置为执行获取待匹配的游戏用户的历史游戏操作数据；分别从各个所述游戏用户的历史游戏操作数据中，提取出各个所述游戏用户的用户画像信息、游戏行为信息和游戏水平信息中的至少两个，对应作为各个所述游戏用户的用户特征。

在一示例性实施例中，所述特征获取单元，还被配置为执行获取待匹配的游戏用户的历史游戏操作数据；分别从各个所述游戏用户的历史游戏操作数据中，提取出各个所述游戏用户的用户画像信息、游戏行为信息和游戏水平信息中的至少两个，对应作为各个所述游戏用户的用户特征。

在一示例性实施例中，所述装置还包括重新匹配单元，被配置为执行分别从各个所述游戏用户集合对应的各个所述游戏用户组中，将所述预测连续对局次数区间中的最大值小于所述预设阈值的游戏用户组中的游戏用户退回至待匹配队列；对所述待匹配队列中的游戏用户进行重新匹配。

根据本公开实施例的第三方面，提供一种电子设备，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，以实现如第一方面的任一项实施例中所述的游戏用户的匹配方法。

根据本公开实施例的第四方面，提供一种存储介质，包括：当所述存储介质中的指令由电子设备的处理器执行时，使得所述电子设备能够执行第一方面的任一项实施例中所述的游戏用户的匹配方法。

根据本公开实施例的第五方面，提供一种计算机程序产品，所述程序产品包括计算机程序，所述计算机程序存储在可读存储介质中，设备的至少一个处理器从所述可读存储介质读取并执行所述计算机程序，使得设备执行第一方面的任一项实施例中所述的游戏用户的匹配方法。

本公开的实施例提供的技术方案至少带来以下有益效果：

通过获取待匹配的游戏用户的用户特征，并将待匹配的游戏用户的用户特征输入预设的聚类模型，得到多个游戏用户集合；每个游戏用户集合中包括用户特征之间的相似度均大于预设阈值的多个游戏用户；然后将各个游戏用户集合中的游戏用户进行排列组合，得到各个游戏用户集合对应的多个游戏用户组；每个游戏用户组均包含用于同一游戏对局的预设数量的游戏用户；接着通过预先训练的匹配预测模型，得到各个游戏用户集合对应的各个游戏用户组的目标匹配类别；目标匹配类别用于表征对应的游戏用户组中的游戏用户之间的预测连续对局次数区间；最后分别从各个游戏用户集合对应的各个游戏用户组中，将预测连续对局次数区间中的最小值大于预设阈值的游戏用户组中的游戏用户进行匹配；这样，先基于游戏用户的用户特征，将游戏用户聚类成多个游戏用户集合，每个游戏用户集合对应多个游戏用户组，再获取每个游戏用户组的目标匹配类别，并将目标匹配类别对应的预测连续对局次数区间中的最小值大于预设阈值的游戏用户组中的游戏用户进行匹配，使得匹配后的游戏用户之间的真实匹配度较高，可以连续对局多次，无需重复发起游戏匹配请求，从而缓解了服务器的压力。

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游戏用户的匹配方法的应用环境图。

图2是根据一示例性实施例示出的一种游戏用户的匹配方法的流程图。

图3是根据一示例性实施例示出的另一种游戏用户的匹配方法的流程图。

图4是根据一示例性实施例示出的确定各个游戏用户组的目标匹配类别的步骤的流程图。

图5是根据一示例性实施例示出的匹配预测模型的训练示意图。

图6是根据一示例性实施例示出的一种游戏用户的匹配装置的框图。

图7是根据一示例性实施例示出的一种电子设备的内部结构图。

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。

本公开所提供的游戏用户的匹配方法，可以应用于如图1所示的应用环境中。参照图1，该应用环境图包括终端110，终端110是具有游戏用户匹配功能的电子设备，该电子设备可以是智能手机、平板电脑、笔记本电脑或个人计算机等等。图1中以终端110是智能手机为例进行说明，参考图1，终端110获取待匹配的游戏用户的用户特征；将待匹配的游戏用户的用户特征输入预设的聚类模型，得到多个游戏用户集合；每个游戏用户集合中包括用户特征之间的相似度均大于预设阈值的多个游戏用户；将各个游戏用户集合中的游戏用户进行排列组合，得到各个游戏用户集合对应的多个游戏用户组；每个游戏用户组均包含用于同一游戏对局的预设数量的游戏用户；通过预先训练的匹配预测模型，得到各个游戏用户集合对应的各个游戏用户组的目标匹配类别；目标匹配类别用于表征对应的游戏用户组中的游戏用户之间的预测连续对局次数区间；分别从各个游戏用户集合对应的各个游戏用户组中，将预测连续对局次数区间中的最小值大于预设阈值的游戏用户组中的游戏用户进行匹配。

需要说明的是，本公开的游戏用户的匹配方法也可以应用于服务器，还可以应用于包括终端和服务器的系统，并通过终端和服务器的交互实现。为了方便说明，在下面示例性实施例中，本公开主要以终端为例进行说明。

图2是根据一示例性实施例示出的一种游戏用户的匹配方法的流程图，如图2所示，游戏用户的匹配方法用于如图1所示的终端中，包括以下步骤：

在步骤S210中，获取待匹配的游戏用户的用户特征。

其中，游戏用户为经过授权且需要进行处理分析的游戏应用程序的注册用户，比如搭配有游戏应用程序的短视频应用程序的注册用户、游戏应用程序的注册用户等；在实际场景中，游戏用户是指游戏玩家。需要说明的是，本公开提到的游戏是指多人游戏，比如斗地主、象棋、麻将、围棋等。

其中，用户特征是指用于表征游戏用户的真实游戏水平的特征信息，比如用户画像信息、游戏行为信息和游戏水平信息等。用户画像信息是指用于描述游戏用户的画像的相关信息，比如用户年龄、用户性别、用户地域、用户历史付费等；游戏行为信息是指用于描述游戏用户的打牌风格、历史状态和当前局初始状态的用户打牌特征及统计量特征，比如总局数、叫地主局数、胜率、连败数、是否明牌、金币量等；游戏水平信息是指游戏用户的能力值信息，比如在斗地主中，游戏水平信息是指地主能力值和农民能力值，用于反映游戏用户当地主角色和农民角色时的游戏操作水平。

需要说明的是，用户特征不止上述列举的用户画像信息、游戏行为信息和游戏水平信息，还可以包括其他，具体本公开不做限定。

具体地，终端获取待匹配的游戏用户的历史游戏操作数据，从历史游戏操作数据中提取出待匹配的游戏用户的用户特征。

进一步地，终端还可以从存储有多个游戏用户的用户特征的数据库中，提取出待匹配的游戏用户的用户特征。

在步骤S220中，将待匹配的游戏用户的用户特征输入预设的聚类模型，得到多个游戏用户集合；每个游戏用户集合中包括用户特征之间的相似度均大于预设阈值的多个游戏用户。

其中，预设的聚类模型是指能够将用户特征均相似的多个游戏用户聚集在一起的模型，比如k-means聚类模型。

其中，游戏用户集合是指用户特征之间的相似度均大于预设阈值的多个游戏用户所构成的用户集合，具体是指用户特征均高度相似的多个游戏用户所构成的用户集合，例如用户画像信息、游戏行为信息和游戏水平信息均高度相似的多个游戏用户所构成的用户集合。

具体地，通过预设的聚类模型，基于待匹配的各个游戏用户的用户特征，对各个游戏用户进行聚类处理，得到多个游戏用户集合，每个游戏用户集合包括用户特征之间的相似度均大于预设阈值的多个游戏用户。这样，先基于游戏用户的用户特征，将游戏用户聚类成多个游戏用户集合，有利于对待匹配的游戏用户进行粗排，便于后续从每个游戏用户集合中筛选出符合要求的游戏用户进行匹配，避免了直接从所有待匹配的游戏用户中，筛选出符合要求的游戏用户进行匹配的过程比较繁琐且容易出现错误的缺陷，从而提高了游戏用户的匹配效率和匹配准确度。

在步骤S230中，将各个游戏用户集合中的游戏用户进行排列组合，得到各个游戏用户集合对应的多个游戏用户组；每个游戏用户组均包含用于同一游戏对局的预设数量的游戏用户。

其中，每个游戏用户组均包括预设数量的游戏用户；以斗地主为例，每个游戏用户组均包括3个游戏用户；需要说明的是，同一游戏用户集合对应的不同游戏用户组中包括的游戏用户可以重复。

具体地，终端将每个游戏用户集合中包括的游戏用户进行排列组合，得到多个包含用于同一游戏对局的预设数量的游戏用户的游戏用户组，作为每个游戏用户集合对应的多个游戏用户组。这样，先将待匹配的游戏用户进行粗排，得到多个游戏用户集合，再对游戏用户集合中的游戏用户进行排列，避免了直接对所有待匹配的游戏用户进行排列，导致游戏用户匹配效率较低的缺陷，从而提高了后续对游戏用户进行匹配的效率。

以斗地主为例，假设游戏用户集合包括4个游戏用户，分别是游戏用户A、游戏用户B、游戏用户C、游戏用户D；预设数量是3，说明每3位游戏用户组成一个游戏用户组，那么该游戏用户集合对应的游戏用户组分别是(A，B，C)、(A，B，D)、(A，C，D)、(B，C，D)。

在步骤S240中，通过预先训练的匹配预测模型，得到各个游戏用户集合对应的各个游戏用户组的目标匹配类别；目标匹配类别用于表征对应的游戏用户组中的游戏用户之间的预测连续对局次数区间。

其中，目标匹配类别是指游戏用户组的最终匹配类别。

其中，预测连续对局次数区间是指预测出的游戏用户组中的游戏用户之间的连续对局次数所属的次数区间；以斗地主为例，连续对局次数是指游戏玩家的对局连桌数。

其中，预先训练的匹配预测模型是指能够预测出游戏用户组的目标匹配类别的神经网络模型，具体是指能够预测出同一个游戏用户组中的游戏用户的连续对局次数的深度神经网络，比如全连接的DNN(Deep Neural Networks，深度神经网络)模型。在实际从场景中，预先训练的匹配预测模型是指全连接的深度神经网络结构模型；需要说明的是，可以将深度神经网络结构模型中的全连接层替换为CNN(Convolutional Neural Networks，卷积神经网络)，以捕捉高阶特征间的抽象关系，从而增强游戏用户之间的特征关系的挖掘。

具体地，终端对每个游戏用户组中包括的各个游戏用户的用户特征进行拼接处理，得到各个游戏用户组对应的目标用户特征；将各个游戏用户组对应的目标用户特征输入预先训练的匹配预测模型中，得到各个游戏用户组的目标匹配类别。这样，综合考虑每个游戏用户组中的游戏用户的用户特征，有利于更全面地评估游戏用户的真实游戏水平，使得预测出的游戏用户组的目标匹配类别更加准确，便于后续基于目标匹配类别将状态平衡的游戏用户匹配在一起，从而提高了游戏用户的游戏时长和留存率；同时无需频繁发起游戏匹配请求，从而降低了服务器压力。

在步骤S250中，分别从各个游戏用户集合对应的各个游戏用户组中，将预测连续对局次数区间中的最小值大于预设阈值的游戏用户组中的游戏用户进行匹配。

具体地，终端按照预测连续对局次数区间中的最小值从大到小的顺序，将每个游戏用户集合对应的各个游戏用户组进行排列，得到每个游戏用户集合对应的排列后的游戏用户组；分别从每个游戏用户集合对应的排列后的游戏用户组中，对应筛选出预测连续对局次数区间中的最小值大于预设阈值的游戏用户组，作为目标游戏用户组，比如筛选出预测连续对局次数区间中的最小值大于10局的游戏用户组；分别将每个游戏用户集合对应的目标游戏用户组中的游戏用户进行匹配。这样，将预测连续对局次数区间中的最小值大于预设阈值的游戏用户组中的游戏用户进行优先匹配，使得匹配后的游戏用户可以连续对局多次，无需重复发起游戏匹配请求，从而缓解了服务器的压力。

上述游戏用户的匹配方法中，通过获取待匹配的游戏用户的用户特征，并将待匹配的游戏用户的用户特征输入预设的聚类模型，得到多个游戏用户集合；每个游戏用户集合中包括用户特征之间的相似度均大于预设阈值的多个游戏用户；然后将各个游戏用户集合中的游戏用户进行排列组合，得到各个游戏用户集合对应的多个游戏用户组；每个游戏用户组均包含用于同一游戏对局的预设数量的游戏用户；接着通过预先训练的匹配预测模型，得到各个游戏用户集合对应的各个游戏用户组的目标匹配类别；目标匹配类别用于表征对应的游戏用户组中的游戏用户之间的预测连续对局次数区间；最后分别从各个游戏用户集合对应的各个游戏用户组中，将预测连续对局次数区间中的最小值大于预设阈值的游戏用户组中的游戏用户进行匹配；这样，先基于游戏用户的用户特征，将游戏用户聚类成多个游戏用户集合，每个游戏用户集合对应多个游戏用户组，再获取每个游戏用户组的目标匹配类别，并将目标匹配类别对应的预测连续对局次数区间中的最小值大于预设阈值的游戏用户组中的游戏用户进行匹配，使得匹配后的游戏用户之间的真实匹配度较高，可以连续对局多次，无需重复发起游戏匹配请求，从而缓解了服务器的压力。

在一示例性实施例中，在步骤S210中，根据待匹配的游戏用户，得到多个游戏用户集合，包括：通过预设的聚类模型，基于待匹配的游戏用户的用户特征，确定用户特征之间的相似度均大于预设阈值的多个游戏用户；分别将用户特征之间的相似度均大于预设阈值的多个游戏用户进行组合，得到多个游戏用户集合。

具体地，参考图3，终端获取线上匹配队列中的游戏用户，作为待匹配的游戏用户；通过预设的聚类模型，将用户特征之间的相似度均大于预设阈值的多个游戏用户聚集在一起，比如将用户画像信息、游戏行为信息和游戏水平信息均高度相似的多个游戏用户聚集在一起，得到多个游戏用户集合，比如游戏用户集合1(游戏用户5，游戏用户6，游戏用户9)、游戏用户集合(游戏用户4，游戏用户7，游戏用户8)···游戏用户集合N(游戏用户1，游戏用户2，游戏用户3···游戏用户n)；然后将每个游戏用户集合中的游戏用户排列组合在一起，得到每个游戏用户集合对应的多个游戏用户组；每个游戏用户组均包含用于同一游戏对局的预设数量的游戏用户。需要说明的是，现有技术中是将实力相当或满足某种规则的游戏用户聚集在一起，仅仅考虑单一维度，无法保证状态平衡的游戏用户聚集在一起。

本公开实施例提供的技术方案，通过预设的聚类模型，基于待匹配的各个游戏用户的多个用户特征，对各个游戏用户进行聚类处理，可以有效控制后续游戏用户的排列组合的量级，有助于提高游戏用户的在线匹配效率。

在一示例性实施例中，如图4所示，在步骤S240中，通过预先训练的匹配预测模型，得到各个游戏用户集合对应的各个游戏用户组的目标匹配类别，具体包括如下步骤：

在步骤S410中，分别将各个游戏用户组中的用户特征进行融合，得到各个游戏用户组的融合特征。

其中，游戏用户组对应的融合特征是指经过压缩编码后的用于表示游戏用户组中的游戏用户的用户特征的低层语义的低维度特征向量。

具体地，终端分别将各个游戏用户组中包括的各个游戏用户的多个用户特征(比如用户画像信息、游戏行为信息和游戏水平信息)进行拼接处理，得到各个游戏用户组中包括的各个游戏用户的拼接特征；对各个游戏用户组中包括的各个游戏用户的拼接特征进行再次拼接处理，得到各个游戏用户组对应的目标特征；分别将各个游戏用户组对应的目标特征输入预先训练的特征嵌入网络模型，通过预先训练的特征嵌入网络模型对各个游戏用户组对应的目标特征进行融合处理，得到各个游戏用户组对应的融合特征。其中，预先训练的特征嵌入网络模型是指能够生成游戏用户组对应的融合特征的神经网络模型，比如Embedding模型(即特征嵌入模型)。

参考图5，以一个游戏用户组为例进行说明，该游戏用户组包括3个游戏用户，分别是游戏用户1、游戏用户2、游戏用户3；游戏用户1对应的多个用户特征分别是用户画像信息1、游戏行为信息1和游戏水平信息1；在线预测时，终端将游戏用户1对应的多个用户特征进行拼接处理，得到游戏用户1对应的拼接特征：游戏用户1(用户画像信息1，游戏行为信息1，游戏水平信息1)，同理可以得到游戏用户2对应的拼接特征：游戏用户2(用户画像信息2，游戏行为信息2，游戏水平信息2)以及游戏用户3对应的拼接特征：游戏用户3(用户画像信息3，游戏行为信息3，游戏水平信息3)；接着，对游戏用户1(用户画像信息1，游戏行为信息1，游戏水平信息1)、游戏用户2(用户画像信息2，游戏行为信息2，游戏水平信息2)和游戏用户3(用户画像信息3，游戏行为信息3，游戏水平信息3)进行拼接和嵌入表征，可以得到该游戏用户组的融合特征；例如，将这三个游戏用户的拼接特征进行再次拼接处理，得到该游戏用户组对应的目标特征(用户画像信息1，游戏行为信息1，游戏水平信息1，用户画像信息2，游戏行为信息2，游戏水平信息2，用户画像信息3，游戏行为信息3，游戏水平信息3)；将该游戏用户组的目标特征输入Embedding模型，得到该游戏用户组的融合特征。

在本步骤中，以局为单位的用户特征联合组建方式，使得模型能够学习到什么样的游戏用户组合在一起更能激发游戏用户继续游戏，而不是根据单一匹配系数进行匹配。比如游戏用户已经连输多次，对应的胜率会下降，金币量也会减少，如果继续根据找相近匹配系数的游戏用户进行匹配，很可能导致游戏用户匹配到同样情况的游戏用户，从而影响游戏体验。

在步骤S420中，分别将各个游戏用户集合对应的各个游戏用户组的融合特征输入预先训练的匹配预测模型，得到各个游戏用户组在每个预设匹配类别下的预测概率；每个预设匹配类别用于表征游戏用户的连续对局次数区间。

其中，由于匹配预测模型很难预测到具体的连续对局次数，故通过预设匹配类别表征游戏用户的连续对局次数区间，比如预设匹配类别A表示连续对局次数区间[1-3局]，预设匹配类别B表示连续对局次数区间[4-6局]，预设匹配类别C表示连续对局次数区间[7局以上]，从而将匹配问题转化为一个多分类问题。

在步骤S430中，分别将预测概率最大的预设匹配类别，对应作为各个游戏用户组的目标匹配类别。

具体地，参考图3，在通过组合得到每个游戏用户集合对应的多个游戏用户组以及各个游戏用户组对应的融合特征之后，终端将各个游戏用户组对应的融合特征输入预先训练的匹配预测模型，利用预先训练的匹配预测模型分别对各个游戏用户组对应的融合特征进行全连接处理，得到各个游戏用户组在每个预设匹配类别下的预测概率；针对每一个游戏用户组，将多个预设匹配类别中预测概率最大的预设匹配类别，作为该游戏用户组的目标匹配类别；分别从每个游戏用户集合对应的游戏用户组中，对应筛选出目标匹配类别对应的预测连续对局次数区间中的最小值大于预设阈值的游戏用户组，作为目标游戏用户组。

举例说明，游戏用户组在预设匹配类别A、B、C下的预测概率分别是0.5、0.3、0.2，则该游戏用户组对应的目标匹配类别为A。

本公开实施例提供的技术方案，通过深度学习模型替代规则和单一系数的游戏用户匹配系统设计，有利于更全面地评估游戏用户的真实游戏水平，并从全局体验上优化匹配策略，有利于将状态平衡的游戏用户匹配在一起，从而提高了游戏用户的真实匹配度，进而提高了游戏用户的游戏时长和留存率；同时无需频繁发起游戏匹配请求，从而降低了服务器压力。

在一示例性实施例中，预先训练的匹配预测模型通过下述方式训练得到：获取多个样本游戏用户组以及对应的标记匹配类别；各个样本游戏用户组均包含同一游戏对局中的预设数量的样本游戏用户，标记匹配类别用于表征对应的样本游戏用户组中的样本游戏用户的连续对局次数区间；分别将各个样本游戏用户组中包括的样本游戏用户的用户特征输入待训练的匹配预测模型，得到各个样本游戏用户组对应的预测匹配类别；根据各个样本游戏用户组对应的预测匹配类别与标记匹配类别之间的差值，得到损失值；根据损失值调整待训练的匹配预测模型的模型参数，得到预先训练的匹配预测模型。

其中，每个样本游戏用户组均包括预设数量的样本游戏用户；以斗地主为例，每个样本游戏用户组均包括3个样本游戏用户。

其中，标记匹配类别用于表征对应的样本游戏用户组中的样本游戏用户的连续对局次数所属的次数区间，预测匹配类别用于表征匹配预测模型预测出的样本游戏用户组中的样本游戏用户接下来的连续对局次数(称为连桌数)所属的次数区间；以斗地主为例，连桌数较多的牌局可以看作是游戏用户匹配结果较好的一个正向反馈，据此来提升游戏用户长期游戏体验。

其中，在模型训练阶段，将预测匹配类别定义为同一个样本游戏用户组中的样本游戏用户的连桌数所属区间对应的类别，比如1-3局为预测匹配类别A，4-6局为预测匹配类别B，7局以上为预测匹配类别C，即将匹配问题转化成一个多分类问题。这种设计结构使得模型能够从全局维度掌握匹配目标，学习什么样的游戏用户搭配组合能够带来更优的用户体验。

需要说明的是，选择预测连桌数作为模型训练目标有两方面原因：1)可以客观衡量匹配结果的表现好坏，且可以量化评估；2)方便模型效果的离线验证和优化。在模型上线前需要对匹配策略进行验证，可以选取线上真实历史对局中符合模型预测的匹配组合作为验证集正样本，抽样一部分不符合模型预测的匹配组合作为负样本，然后对比正负样本的连桌数指标来评估模型效果，并指导模型优化。

具体地，参考图3，终端从历史数据中获取多个样本游戏用户组[比如(样本游戏用户1，样本游戏用户2，样本游戏用户3)]以及对应的标记匹配类别，分别将各个样本游戏用户组包括的样本游戏用户的用户特征进行融合处理，得到各个样本游戏用户组的融合特征；将各个样本游戏用户组的融合特征输入待训练的匹配预测模型，得到各个样本游戏用户组对应的预测匹配类别；根据各个样本游戏用户组对应的预测匹配类别与标记匹配类别之间的差值，结合损失函数，得到待训练的匹配预测模型的损失值；根据损失值调整待训练的匹配预测模型的模型参数，直到损失值低于预设阈值时，将模型参数调整后的匹配预测模型，作为预先训练的匹配预测模型。

举例说明，参考图5，以斗地主游戏为例，在模型训练时，输入特征包含三个维度的信息：用户画像信息、游戏行为信息(包含历史对局统计信息)、游戏水平信息；具体地，输入为样本游戏用户组中的三个样本游戏用户上述三个维度的联合特征，然后对三个样本游戏用户上述三个维度的联合特征进行拼接和特征嵌入处理，得到样本游戏用户组的融合特征；接着，将样本游戏用户组的融合特征输入待训练的匹配预测模型，并通过对待训练的匹配预测模型进行反复训练，可以得到预先训练的匹配预测模型。

本公开实施例提供的技术方案，通过对匹配预测模型进行多次训练，可以提高通过匹配预测模型输出的游戏用户组对应的目标匹配类别的准确率，有利于后续基于目标匹配类别准确地将状态平衡的游戏用户匹配在一起，从而提高了游戏用户的游戏时长和留存率；同时无需频繁发起游戏匹配请求，从而降低了服务器压力。

在一示例性实施例中，在步骤S210中，获取待匹配的游戏用户的用户特征，具体包括如下内容：获取待匹配的游戏用户的历史游戏操作数据；分别从各个游戏用户的历史游戏操作数据中，提取出各个游戏用户的用户画像信息、游戏行为信息和游戏水平信息中的至少两个，对应作为各个游戏用户的用户特征。

其中，历史游戏操作数据是指游戏用户在以往玩游戏的过程中所产生的数据。将每个游戏用户的用户画像信息、游戏行为信息和游戏水平信息中的两个或者三个，作为每个游戏用户的用户特征。

具体地，终端从数据库中提取出待匹配的游戏用户的历史游戏操作数据，根据用户画像信息、游戏行为信息和游戏水平信息提的提取指令，分别从各个游戏用户的历史游戏操作数据中，提取出各个游戏用户的用户画像信息、游戏行为信息和游戏水平信息，对应作为各个游戏用户的用户特征。

本公开实施例提供的技术方案，通过获取各个待匹配的游戏用户的多个用户特征，有利于后续通过预设的聚类模型，基于待匹配的各个游戏用户的多个用户特征，对各个游戏用户进行聚类处理，得到多个游戏用户集合，可以有效控制后续游戏用户的排列组合的量级，避免了直接从所有待匹配的游戏用户中，筛选出符合要求的游戏用户进行匹配的过程比较繁琐且容易出现错误的缺陷，从而提高了游戏用户的匹配效率和匹配准确度。

在一个实施例中，游戏用户的游戏水平信息通过下述方法得到：获取游戏用户的历史游戏对局结果；将游戏用户的历史游戏对局结果输入预先构建的概率图模型，得到游戏用户的游戏水平信息。

其中，概率图模型是一种能够基于游戏用户的历史游戏对局结果，预测游戏用户的游戏水平信息的模型。例如，概率图模型将游戏用户的游戏能力水平看成是一个高斯分布，假设每个游戏用户的能力不固定，通过与其他游戏用户的游戏对局结果来更新分布均值μ和方差σ参数，综合考虑了游戏用户的游戏胜率和可能的游戏水平涨落，并且适用于多人队伍的匹配。

其中，针对游戏水平信息(即能力值)，可以通过概率图模型，将各游戏用户的游戏能力看成一个随时间动态变化的分布，从游戏对局结果中学习游戏用户的能力值，以反映游戏用户的真实游戏水平。

本公开实施例提供的技术方案，通过预先构建的概率图模型，综合考虑游戏用户的历史游戏对局结果，有利于提高得到的游戏用户的游戏水平信息的准确度。

在一示例性实施例中，在步骤S250中，在分别从各个游戏用户集合对应的各个游戏用户组中，将预测连续对局次数区间中的最小值大于预设阈值的游戏用户组中的游戏用户进行匹配之后，还包括：分别从各个游戏用户集合对应的各个游戏用户组中，将预测连续对局次数区间中的最大值小于预设阈值的游戏用户组中的游戏用户退回至待匹配队列；对待匹配队列中的游戏用户进行重新匹配。

其中，游戏用户组对应的预测连续对局次数区间中的最大值小于预设阈值，说明该游戏用户组中的游戏用户的预测连续对局次数较低，进而说明该游戏用户组中的游戏用户的对局概率较低，即无法成桌，故需要退回至待匹配队列中进行重新匹配。

具体地，终端分别从各个游戏用户集合对应的各个游戏用户组中，筛选出预测连续对局次数区间中的最大值小于预设阈值的游戏用户组；然后将预测连续对局次数区间中的最大值小于预设阈值的游戏用户组中的游戏用户退回至待匹配队列，按照步骤S210至步骤S250，对待匹配队列中的游戏用户进行重新匹配。

本公开实施例提供的技术方案，从各个游戏用户集合对应的各个游戏用户组中，将预测连续对局次数区间中的最大值小于预设阈值的游戏用户组中的游戏用户，退回至待匹配队列进行重新匹配，以尽可能让能够成桌的游戏用户进行成桌，进一步提高了游戏用户的真实匹配度，同时避免了无法成桌的游戏用户组合在一起，需要多次发起游戏匹配请求，导致服务器需要频繁响应游戏匹配请求，从而造成服务器的压力较大的缺陷。

应该理解的是，虽然图2、4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，这些步骤可以以其它的顺序执行。而且，图2、4中的至少一部分步骤可以包括多个步骤或者多个阶段，这些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，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。

图6是根据一示例性实施例示出的一种游戏用户的匹配装置的框图。参照图6，该装置包括特征获取单元610，集合确定单元620，用户组确定单元630，类别确定单元640和用户匹配单元650。

特征获取单元610，被配置为执行获取待匹配的游戏用户的用户特征。

集合确定单元620，被配置为执行将待匹配的游戏用户的用户特征输入预设的聚类模型，得到多个游戏用户集合；每个游戏用户集合中包括用户特征之间的相似度均大于预设阈值的多个游戏用户。

用户组确定单元630，被配置为执行将各个游戏用户集合中的游戏用户进行排列组合，得到各个游戏用户集合对应的多个游戏用户组；每个游戏用户组均包含用于同一游戏对局的预设数量的游戏用户。

类别确定单元640，被配置为执行通过预先训练的匹配预测模型，得到各个游戏用户集合对应的各个游戏用户组的目标匹配类别；目标匹配类别用于表征对应的游戏用户组中的游戏用户之间的预测连续对局次数区间。

用户匹配单元650，被配置为执行分别从各个游戏用户集合对应的各个游戏用户组中，将预测连续对局次数区间中的最小值大于预设阈值的游戏用户组中的游戏用户进行匹配。

在一示例性实施例中，集合确定单元620，还被配置为执行通过预设的聚类模型，基于待匹配的游戏用户的用户特征，确定用户特征之间的相似度均大于预设阈值的多个游戏用户；分别将用户特征之间的相似度均大于预设阈值的多个游戏用户进行组合，得到多个游戏用户集合。

在一示例性实施例中，类别确定单元640，还被配置为执行分别将各个游戏用户组中的用户特征进行融合，得到各个游戏用户组的融合特征；分别将各个游戏用户集合对应的各个游戏用户组的融合特征输入预先训练的匹配预测模型，得到各个游戏用户组在每个预设匹配类别下的预测概率；每个预设匹配类别用于表征游戏用户的连续对局次数区间；分别将预测概率最大的预设匹配类别，对应作为各个游戏用户组的目标匹配类别。

在一示例性实施例中，本公开提供的游戏用户的匹配装置还包括模型训练单元，被配置为执行获取多个样本游戏用户组以及对应的标记匹配类别；各个样本游戏用户组均包含同一游戏对局中的预设数量的样本游戏用户，标记匹配类别用于表征对应的样本游戏用户组中的样本游戏用户的连续对局次数区间；分别将各个样本游戏用户组中包括的样本游戏用户的用户特征输入待训练的匹配预测模型，得到各个样本游戏用户组对应的预测匹配类别；根据各个样本游戏用户组对应的预测匹配类别与标记匹配类别之间的差值，得到损失值；根据损失值调整待训练的匹配预测模型的模型参数，得到预先训练的匹配预测模型。

在一示例性实施例中，特征获取单元610，还被配置为执行获取待匹配的游戏用户的历史游戏操作数据；分别从各个游戏用户的历史游戏操作数据中，提取出各个游戏用户的用户画像信息、游戏行为信息和游戏水平信息中的至少两个，对应作为各个游戏用户的用户特征。

在一示例性实施例中，特征获取单元610，还被配置为执行获取待匹配的游戏用户的历史游戏操作数据；分别从各个游戏用户的历史游戏操作数据中，提取出各个游戏用户的用户画像信息、游戏行为信息和游戏水平信息中的至少两个，对应作为各个游戏用户的用户特征。

在一示例性实施例中，本公开提供的游戏用户的匹配装置还包括重新匹配单元，被配置为执行分别从各个游戏用户集合对应的各个游戏用户组中，将预测连续对局次数区间中的最大值小于预设阈值的游戏用户组中的游戏用户退回至待匹配队列；对待匹配队列中的游戏用户进行重新匹配。

关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

图7是根据一示例性实施例示出的一种用于执行上述的游戏用户的匹配方法的电子设备700的框图。例如，电子设备700可以是移动电话、计算机、数字广播终端、消息收发设备、游戏控制台、平板设备、医疗设备、健身设备、个人数字助理等。

参照图7，电子设备700可以包括以下一个或多个组件：处理组件702、存储器704、电源组件706、多媒体组件708、音频组件710、输入/输出(I/O)的接口712、传感器组件714以及通信组件716。

处理组件702通常控制电子设备700的整体操作，诸如与显示、电话呼叫、数据通信、相机操作和记录操作相关联的操作。处理组件702可以包括一个或多个处理器720来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件702可以包括一个或多个模块，便于处理组件702和其他组件之间的交互。例如，处理组件702可以包括多媒体模块，以方便多媒体组件708和处理组件702之间的交互。

存储器704被配置为存储各种类型的数据以支持在电子设备700的操作。这些数据的示例包括用于在电子设备700上操作的任何应用程序或方法的指令、联系人数据、电话簿数据、消息、图片、视频等。存储器704可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)、电可擦除可编程只读存储器(EEPROM)、可擦除可编程只读存储器(EPROM)、可编程只读存储器(PROM)、只读存储器(ROM)、磁存储器、快闪存储器、磁盘或光盘。

电源组件706为电子设备700的各种组件提供电力。电源组件706可以包括电源管理系统，一个或多个电源，及其他与为电子设备700生成、管理和分配电力相关联的组件。

多媒体组件708包括在所述电子设备700和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件708包括一个前置摄像头和/或后置摄像头。当电子设备700处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。

音频组件710被配置为输出和/或输入音频信号。例如，音频组件710包括一个麦克风(MIC)，当电子设备700处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器704或经由通信组件716发送。在一些实施例中，音频组件710还包括一个扬声器，用于输出音频信号。

I/O接口712为处理组件702和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。

传感器组件714包括一个或多个传感器，用于为电子设备700提供各个方面的状态评估。例如，传感器组件714可以检测到电子设备700的打开/关闭状态，组件的相对定位，例如所述组件为电子设备700的显示器和小键盘，传感器组件714还可以检测电子设备700或电子设备700一个组件的位置改变，用户与电子设备700接触的存在或不存在，电子设备700方位或加速/减速和电子设备700的温度变化。传感器组件714可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件714还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件714还可以包括加速度传感器、陀螺仪传感器、磁传感器、压力传感器或温度传感器。

通信组件716被配置为便于电子设备700和其他设备之间有线或无线方式的通信。电子设备700可以接入基于通信标准的无线网络，如WiFi，运营商网络(如2G、3G、4G或5G)，或它们的组合。在一个示例性实施例中，通信组件716经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件716还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。

在示例性实施例中，电子设备700可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述游戏用户的匹配方法。

在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器704，上述指令可由电子设备700的处理器720执行以完成上述方法。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。

在示例性实施例中，本公开还提供一种计算机程序产品，所述程序产品包括计算机程序，所述计算机程序存储在可读存储介质中，电子设备的至少一个处理器从所述可读存储介质读取并执行所述计算机程序，使得电子设备执行本公开的任一项实施例中所述的游戏用户的匹配方法。

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。本公开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 (10)

1.一种游戏用户的匹配方法，其特征在于，包括：

获取待匹配的游戏用户的用户特征；

将所述待匹配的游戏用户的用户特征输入预设的聚类模型，得到多个游戏用户集合；每个游戏用户集合中包括用户特征之间的相似度均大于预设阈值的多个游戏用户；

将各个所述游戏用户集合中的游戏用户进行排列组合，得到各个所述游戏用户集合对应的多个游戏用户组；每个游戏用户组均包含用于同一游戏对局的预设数量的游戏用户；

通过预先训练的匹配预测模型，得到各个所述游戏用户集合对应的各个所述游戏用户组的目标匹配类别；所述目标匹配类别用于表征对应的游戏用户组中的游戏用户之间的预测连续对局次数区间；

分别从各个所述游戏用户集合对应的各个所述游戏用户组中，将所述预测连续对局次数区间中的最小值大于预设阈值的游戏用户组中的游戏用户进行匹配。

2.根据权利要求1所述的游戏用户的匹配方法，其特征在于，所述将所述待匹配的游戏用户的用户特征输入预设的聚类模型，得到多个游戏用户集合，包括：

通过预设的聚类模型，基于待匹配的游戏用户的用户特征，确定所述用户特征之间的相似度均大于预设阈值的多个游戏用户；

分别将所述用户特征之间的相似度均大于预设阈值的多个游戏用户进行组合，得到多个游戏用户集合。

3.根据权利要求1所述的游戏用户的匹配方法，其特征在于，所述通过预先训练的匹配预测模型，得到各个所述游戏用户集合对应的各个所述游戏用户组的目标匹配类别，包括：

分别将各个所述游戏用户组中的用户特征进行融合，得到各个所述游戏用户组的融合特征；

分别将各个所述游戏用户集合对应的各个所述游戏用户组的融合特征输入预先训练的匹配预测模型，得到各个所述游戏用户组在每个预设匹配类别下的预测概率；每个预设匹配类别用于表征游戏用户的连续对局次数区间；

分别将所述预测概率最大的预设匹配类别，对应作为各个所述游戏用户组的目标匹配类别。

4.根据权利要求1所述的游戏用户的匹配方法，其特征在于，所述预先训练的匹配预测模型通过下述方式训练得到：

获取多个样本游戏用户组以及对应的标记匹配类别；各个所述样本游戏用户组均包含同一游戏对局中的所述预设数量的样本游戏用户，所述标记匹配类别用于表征对应的样本游戏用户组中的样本游戏用户的连续对局次数区间；

分别将各个所述样本游戏用户组中包括的样本游戏用户的用户特征输入待训练的匹配预测模型，得到各个所述样本游戏用户组对应的预测匹配类别；

根据各个所述样本游戏用户组对应的预测匹配类别与标记匹配类别之间的差值，得到损失值；

根据所述损失值调整所述待训练的匹配预测模型的模型参数，得到所述预先训练的匹配预测模型。

5.根据权利要求1所述的游戏用户的匹配方法，其特征在于，所述获取待匹配的游戏用户的用户特征，包括：

获取待匹配的游戏用户的历史游戏操作数据；

分别从各个所述游戏用户的历史游戏操作数据中，提取出各个所述游戏用户的用户画像信息、游戏行为信息和游戏水平信息中的至少两个，对应作为各个所述游戏用户的用户特征。

6.根据权利要求5所述的游戏用户的匹配方法，其特征在于，所述游戏用户的游戏水平信息通过下述方法得到：

获取所述游戏用户的历史游戏对局结果；

将所述游戏用户的历史游戏对局结果输入预先构建的概率图模型，得到所述游戏用户的游戏水平信息。

7.根据权利要求1至6任一项所述的游戏用户的匹配方法，其特征在于，在分别从各个所述游戏用户集合对应的各个所述游戏用户组中，将所述预测连续对局次数区间中的最小值大于预设阈值的游戏用户组中的游戏用户进行匹配之后，还包括：

分别从各个所述游戏用户集合对应的各个所述游戏用户组中，将所述预测连续对局次数区间中的最大值小于所述预设阈值的游戏用户组中的游戏用户退回至待匹配队列；

对所述待匹配队列中的游戏用户进行重新匹配。

8.一种游戏用户的匹配装置，其特征在于，包括：

特征获取单元，被配置为执行获取待匹配的游戏用户的用户特征；

集合确定单元，被配置为执行将所述待匹配的游戏用户的用户特征输入预设的聚类模型，得到多个游戏用户集合；每个游戏用户集合中包括用户特征之间的相似度均大于预设阈值的多个游戏用户；

用户组确定单元，被配置为执行将各个所述游戏用户集合中的游戏用户进行排列组合，得到各个所述游戏用户集合对应的多个游戏用户组；每个游戏用户组均包含用于同一游戏对局的预设数量的游戏用户；

类别确定单元，被配置为执行通过预先训练的匹配预测模型，得到各个所述游戏用户集合对应的各个所述游戏用户组的目标匹配类别；所述目标匹配类别用于表征对应的游戏用户组中的游戏用户之间的预测连续对局次数区间；

用户匹配单元，被配置为执行分别从各个所述游戏用户集合对应的各个所述游戏用户组中，将所述预测连续对局次数区间中的最小值大于预设阈值的游戏用户组中的游戏用户进行匹配。

9.一种电子设备，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7中任一项所述的游戏用户的匹配方法。

10.一种存储介质，当所述存储介质中的指令由电子设备的处理器执行时，使得所述电子设备能够执行如权利要求1至7中任一项所述的游戏用户的匹配方法。

Images