CN112439193B - 一种游戏难度匹配方法及装置 - Google Patents
一种游戏难度匹配方法及装置 Download PDFInfo
- Publication number
- CN112439193B CN112439193B CN201910833304.9A CN201910833304A CN112439193B CN 112439193 B CN112439193 B CN 112439193B CN 201910833304 A CN201910833304 A CN 201910833304A CN 112439193 B CN112439193 B CN 112439193B
- Authority
- CN
- China
- Prior art keywords
- game
- difficulty
- target
- data
- preset
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 86
- 238000012549 training Methods 0.000 claims description 129
- 238000003860 storage Methods 0.000 claims description 10
- 230000004083 survival effect Effects 0.000 claims description 10
- 230000034994 death Effects 0.000 claims description 7
- 231100000517 death Toxicity 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 5
- 238000004891 communication Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 241000287828 Gallus gallus Species 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
Classifications
-
- 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
- A63F13/45—Controlling the progress of the video game
-
- 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
- A63F13/63—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 by the player, e.g. authoring using a level editor
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Business, Economics & Management (AREA)
- Computer Security & Cryptography (AREA)
- General Business, Economics & Management (AREA)
- Electrically Operated Instructional Devices (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供了一种游戏难度匹配方法及装置，能够实现针对每个游戏玩家进行针对性的游戏难度的匹配。其中，该方法包括：在当前场游戏对局结束后，根据目标游戏玩家的历史游戏数据，以及当前场游戏对局的游戏数据，获取目标游戏玩家在多种游戏难度影响特征下的特征值；将所述目标游戏玩家在多种所述游戏难度影响特征下的特征值输入至预先训练的游戏难度匹配模型中，获取下一场游戏对局的游戏难度匹配结果；所述游戏难度匹配结果，用于为所述目标游戏玩家匹配下一场游戏对局的游戏资源。
Description
技术领域
本申请涉及游戏技术领域，具体而言，涉及一种游戏难度匹配方法及装置。
背景技术
在许多游戏中，通常需要将不同的游戏玩家进行匹配，并将匹配到的游戏玩家投放至同一游戏场景进行游戏。但不同游戏玩家的游戏能力存在差异；在同一场游戏中，游戏能力较弱的玩家会感觉游戏难度过大，难以上手；而游戏能力较强的玩家则会感觉游戏难度小，不具备挑战性；即使对于同一个游戏玩家，随着其在游戏中的战绩起伏，其在不同时刻对游戏难度也会有不同的偏好。
为了满足游戏玩家对不同游戏难度的需求，当前采用预先配置游戏难度确定规则，并基于该游戏难度确定规则和游戏玩家在游戏中的表现或者游戏结果，为游戏玩家确定下一场游戏对局的游戏难度。
但是这种游戏难度的确定方式中，由于游戏难度确定规则是人为配置的，存在一定的主观性和局限性，造成无法针对每个游戏玩家进行针对性的游戏难度匹配。
发明内容
有鉴于此，本申请实施例的目的在于提供一种游戏难度的游戏难度匹配方法及装置，能够实现针对每个游戏玩家进行针对性的游戏难度的匹配。
第一方面，本申请实施例提供了一种游戏难度匹配方法，包括：
在当前场游戏对局结束后，根据目标游戏玩家的历史游戏数据，以及当前场游戏对局的游戏数据，获取目标游戏玩家在多种游戏难度影响特征下的特征值；
将所述目标游戏玩家在多种所述游戏难度影响特征下的特征值输入至预先训练的游戏难度匹配模型中，获取下一场游戏对局的游戏难度匹配结果；
所述游戏难度匹配结果，用于为所述目标游戏玩家匹配下一场游戏对局的游戏资源。
一种可选的实施方式中，所述游戏资源包括以下至少一种：
对战玩家、游戏场景、游戏类型。
一种可选的实施方式中，所述游戏难度影响特征包括：用于表征所述目标游戏玩家游戏习惯和游戏水平的离线特征，和/或用于表征所述目标游戏玩家当前游戏状态的在线特征。
一种可选的实施方式中，针对所述游戏难度影响特征包括所述离线特征的情况，所述离线特征包括下述一种或者多种：
当前段位分数、预设历史时段内的游戏对局次数、预设历史时段内每次游戏对局的平均击杀数量、预设历史时段内每次游戏对局的平均游戏时长、连续登陆游戏的天数、在至少一个时段进行游戏的平均游戏对局次数、工作日的平均游戏对局次数、周末的平均游戏对局次数、游戏对局在多个不同时段的发生频率。
一种可选的实施方式中，针对所述游戏难度影响特征包括离线特征的情况，采用下述方式获取所述目标游戏玩家在所述离线特征下的特征值：
在所述目标游戏玩家每完成一场游戏对局后，将该场游戏对局的对战信息作为历史游戏数据进行保存；
基于保存的所述历史游戏数据，确定所述目标游戏玩家在多种所述游戏难度影响特征下的特征值。
一种可选的实施方式中，针对所述游戏难度影响特征包括所述在线特征的情况，所述在线特征包括下述一种或者多种：
在最近预设时间段内的至少一场目标游戏对局中的击杀数量、在所述目标游戏对局中的排名、在所述目标游戏对局中的存活时长、在所述目标游戏对局中的游戏得分、在所述目标游戏对局中的死亡次数、当前场游戏对局的结束时间所归属的时段。
一种可选的实施方式中，针对所述游戏难度影响特征包括在线特征的情况，采用下述方式获取所述目标游戏玩家在所述在线特征下的特征值：
在每场游戏对局结束后，将该场游戏对局作为新的目标游戏对局，并将所述新的目标游戏对局的游戏数据保存至目标游戏对局数据集合中；以及
从所述目标游戏对局数据集合中，将距离该场游戏对局时间最久的目标游戏对局的游戏数据从所述目标游戏对局数据集合中删除，以生成与该场游戏对局对应的目标游戏对局数据集合；
在本场游戏对局结束后，根据本场游戏对局对应的目标游戏对局数据集合，确定所述目标游戏玩家在所述在线特征下的特征值。
一种可选的实施方式中，所述游戏难度匹配模型包括与预设的不同游戏难度等级分别对应的子预测模型；
所述将所述目标游戏玩家在多种所述游戏难度影响特征下的特征值输入至预先训练的游戏难度匹配模型中，获取下一场游戏对局的游戏难度匹配结果，包括：
将所述目标游戏玩家在多种所述游戏难度影响特征下的特征值分别输入至不同的子预测模型，获取与每个游戏难度等级分别对应的继续游戏概率；
基于与每个游戏难度等级分别对应的继续游戏概率的大小，确定所述游戏难度匹配结果。
一种可选的实施方式中，采用下述方法训练所述游戏难度匹配模型：
获取多个样本游戏玩家的历史样本游戏数据；
针对每个预设的游戏难度等级，基于该预设的游戏难度等级对应的各个所述样本游戏玩家的历史样本游戏数据，构建与该游戏难度等级对应的多条训练样本数据；每条所述训练样本数据包括：任一样本游戏玩家在多种所述游戏难度影响特征下的样本特征值，以及该任一样本游戏玩家在该预设的游戏难度等级下的真实继续游戏概率；
基于每个预设的游戏难度等级分别对应的多条训练样本数据，以及每条训练样本数据对应的真实继续游戏概率，训练得到所述游戏难度匹配模型。
一种可选的实施方式中，针对每个预设的游戏难度等级，基于该预设的游戏难度等级对应的各个所述样本游戏玩家的历史样本游戏数据，构建与该游戏难度等级对应的多条训练样本数据，包括：
针对每个样本游戏玩家，为该样本游戏玩家确定预设长度的历史时段；
从与该样本游戏玩家对应的历史游戏数据中，确定游戏时间落入所述历史时段的多场第一游戏对局的第一目标历史游戏数据、继所述多场第一游戏对局之后的一场第二游戏对局的第二目标历史游戏数据，以及继所述第二游戏对局之后的至少一场第三游戏对局的第三目标历史游戏数据；
基于所述第一目标历史游戏数据确定训练样本数据、基于所述第二目标历史游戏数据确定与确定的训练样本数据对应的预设的游戏难度等级，以及基于所述第三目标历史游戏数据，确定与确定的样本训练游戏数据对应的真实继续游戏概率；
基于得到的各条训练样本数据分别对应的预设的游戏难度等级，对所有训练样本数据进行分组，以针对每个预设的游戏难度等级，得到与该预设的游戏难度等级对应的多条训练样本数据。
一种可选的实施方式中，所述游戏难度匹配模型包括：与不同预设的游戏难度等级分别对应的子预测模型；
基于每个预设的游戏难度等级分别对应的多条训练样本数据，以及每条训练样本数据对应的真实继续游戏概率，训练得到所述游戏难度匹配模型，包括：
针对每个预设的游戏难度等级，将该预设的游戏难度等级对应的多条训练样本数据，分别输入至与该预设的游戏难度等级对应的子基础预测模型中，得到各条训练样本数据在对应的所述预设的游戏难度等级下的预测继续游戏概率；
所述根据各条训练样本数据在对应的所述预设的游戏难度等级下的预测继续游戏概率，以及在对应的所述预设的游戏难度等级下的真实继续游戏概率，对所述子基础预测模型进行本轮训练；
经过对所述子基础预测模型的多轮训练，得到与该预设的游戏难度等级对应的子预测模型。
一种可选的实施方式中，所述获取下一场游戏对局的游戏难度匹配结果之后，还包括：
基于所述游戏难度匹配结果，并根据预先确定的难度等级控制比例和/或预先确定的业务控制规则，确定所述目标游戏难度等级。
一种可选的实施方式中，还包括：基于所述目标游戏难度等级，为所述目标游戏玩家匹配下一场游戏对局的游戏资源。
第二方面，本申请实施例还提供一种游戏难度匹配装置，包括：
数据获取模块，用于在当前场游戏对局结束后，根据目标游戏玩家的历史游戏数据，以及当前场游戏对局的游戏数据，获取目标游戏玩家在多种游戏难度影响特征下的特征值；
结果获取模块，用于将所述目标游戏玩家在多种所述游戏难度影响特征下的特征值输入至预先训练的游戏难度匹配模型中，获取下一场游戏对局的游戏难度匹配结果；
所述游戏难度匹配结果，用于为所述目标游戏玩家匹配下一场游戏对局的游戏资源。
一种可选的实施方式中，所述游戏资源包括以下至少一种：
对战玩家、游戏场景、游戏类型。
一种可选的实施方式中，所述游戏难度影响特征包括：用于表征所述目标游戏玩家游戏习惯和游戏水平的离线特征，和/或用于表征所述目标游戏玩家当前游戏状态的在线特征。
一种可选的实施方式中，针对所述游戏难度影响特征包括所述离线特征的情况，所述离线特征包括下述一种或者多种：
当前段位分数、预设历史时段内的游戏对局次数、预设历史时段内每次游戏对局的平均击杀数量、预设历史时段内每次游戏对局的平均游戏时长、连续登陆游戏的天数、在至少一个时段进行游戏的平均游戏对局次数、工作日的平均游戏对局次数、周末的平均游戏对局次数、游戏对局在多个不同时段的发生频率。
一种可选的实施方式中，针对所述游戏难度影响特征包括离线特征的情况，所述数据获取模块，用于采用下述方式获取所述目标游戏玩家在所述离线特征下的特征值：
在所述目标游戏玩家每完成一场游戏对局后，将该场游戏对局的对战信息作为历史游戏数据进行保存；
基于保存的所述历史游戏数据，确定所述目标游戏玩家在多种所述游戏难度影响特征下的特征值。
一种可选的实施方式中，针对所述游戏难度影响特征包括所述在线特征的情况，所述在线特征包括下述一种或者多种：
在最近预设时间段内的至少一场目标游戏对局中的击杀数量、在所述目标游戏对局中的排名、在所述目标游戏对局中的存活时长、在所述目标游戏对局中的游戏得分、在所述目标游戏对局中的死亡次数、当前场游戏对局的结束时间所归属的时段。
一种可选的实施方式中，针对所述游戏难度影响特征包括在线特征的情况，所述数据获取模块，用于采用下述方式获取所述目标游戏玩家在所述在线特征下的特征值：
在每场游戏对局结束后，将该场游戏对局作为新的目标游戏对局，并将所述新的目标游戏对局的游戏数据保存至目标游戏对局数据集合中；以及
从所述目标游戏对局数据集合中，将距离该场游戏对局时间最久的目标游戏对局的游戏数据从所述目标游戏对局数据集合中删除，以生成与该场游戏对局对应的目标游戏对局数据集合；
在本场游戏对局结束后，根据本场游戏对局对应的目标游戏对局数据集合，确定所述目标游戏玩家在所述在线特征下的特征值。
一种可选的实施方式中，所述游戏难度匹配模型包括与预设的不同游戏难度等级分别对应的子预测模型；
所述结果获取模块，用于采用下述方式获取下一场游戏对局的游戏难度匹配结果：
将所述目标游戏玩家在多种所述游戏难度影响特征下的特征值分别输入至不同的子预测模型，获取与每个游戏难度等级分别对应的继续游戏概率；
基于与每个游戏难度等级分别对应的继续游戏概率的大小，确定所述游戏难度匹配结果。
一种可选的实施方式中，还包括：模型训练模块，用于采用下述方式训练所述游戏难度匹配模型：
获取多个样本游戏玩家的历史样本游戏数据；
针对每个预设的游戏难度等级，基于该预设的游戏难度等级对应的各个所述样本游戏玩家的历史样本游戏数据，构建与该游戏难度等级对应的多条训练样本数据；每条所述训练样本数据包括：任一样本游戏玩家在多种所述游戏难度影响特征下的样本特征值，以及该任一样本游戏玩家在该预设的游戏难度等级下的真实继续游戏概率；
基于每个预设的游戏难度等级分别对应的多条训练样本数据，以及每条训练样本数据对应的真实继续游戏概率，训练得到所述游戏难度匹配模型。
一种可选的实施方式中，模型训练模块，用于采用下述方式构建与该游戏难度等级对应的多条训练样本数据：
针对每个样本游戏玩家，为该样本游戏玩家确定预设长度的历史时段；
从与该样本游戏玩家对应的历史游戏数据中，确定游戏时间落入所述历史时段的多场第一游戏对局的第一目标历史游戏数据、继所述多场第一游戏对局之后的一场第二游戏对局的第二目标历史游戏数据，以及继所述第二游戏对局之后的至少一场第三游戏对局的第三目标历史游戏数据；
基于所述第一目标历史游戏数据确定训练样本数据、基于所述第二目标历史游戏数据确定与确定的训练样本数据对应的预设的游戏难度等级，以及基于所述第三目标历史游戏数据，确定与确定的样本训练游戏数据对应的真实继续游戏概率；
基于得到的各条训练样本数据分别对应的预设的游戏难度等级，对所有训练样本数据进行分组，以针对每个预设的游戏难度等级，得到与该预设的游戏难度等级对应的多条训练样本数据。
一种可选的实施方式中，所述游戏难度匹配模型包括：与不同预设的游戏难度等级分别对应的子预测模型；
模型训练模块，用于采用下述方式基于每个预设的游戏难度等级分别对应的多条训练样本数据，以及每条训练样本数据对应的真实继续游戏概率，训练得到所述游戏难度匹配模型：
针对每个预设的游戏难度等级，将该预设的游戏难度等级对应的多条训练样本数据，分别输入至与该预设的游戏难度等级对应的子基础预测模型中，得到各条训练样本数据在对应的所述预设的游戏难度等级下的预测继续游戏概率；
所述根据各条训练样本数据在对应的所述预设的游戏难度等级下的预测继续游戏概率，以及在对应的所述预设的游戏难度等级下的真实继续游戏概率，对所述子基础预测模型进行本轮训练；
经过对所述子基础预测模型的多轮训练，得到与该预设的游戏难度等级对应的子预测模型。
一种可选的实施方式中，所述结果获取模块，在获取下一场游戏对局的游戏难度匹配结果之后，还用于：
基于所述游戏难度匹配结果，并根据预先确定的难度等级控制比例和/或预先确定的业务控制规则，确定所述目标游戏难度等级。
一种可选的实施方式中，还包括：匹配模块，用于基于所述目标游戏难度等级，为所述目标游戏玩家匹配下一场游戏对局的游戏资源。
第三方面，本申请实施例还提供一种计算机设备，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当计算机设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行上述第一方面，或第一方面中任一种可能的实施方式中的步骤。
第四方面，本申请实施例还提供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运行时执行上述第一方面，或第一方面中任一种可能的实施方式中的步骤。
本申请实施例通过在当前场游戏对局结束后，所获取的目标游戏玩家在多种游戏难度影响特征下的特征值，以及预先训练的游戏难度匹配模型，为还目标游戏玩家预测下一场游戏对局的游戏难度匹配结果。由于下一场游戏对局的游戏难度是基于目标游戏玩家自身的特征和模型得到的，实现了针对每个游戏玩家进行针对性、个性化的游戏难度的匹配。
为使本申请的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1示出了本申请实施例所提供的一种游戏难度匹配方法的流程图；
图2示出了本申请实施例所提供的游戏难度匹配方法中，游戏难度匹配方法具体方法的流程图；
图3示出了本申请实施例所提供的游戏难度匹配方法中，获取游戏难度匹配结果的具体方法的流程图；
图4示出了本申请实施例所提供的一种游戏难度匹配装置的示意图；
图5示出了本申请实施例所提供的一种计算机设备的示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
经研究发现，当前在为游戏玩家匹配游戏资源时，通常会基于预先确定的游戏难度确定规则为游戏玩家确定游戏难度，然后基于确定的游戏难度为游戏玩家匹配游戏资源。以吃鸡游戏为例，当游戏玩家在游戏中的表现符合预设的规则时，就会在下一局游戏中为玩家匹配相应级别的温暖局；对应任一级别的温暖局，所匹配到的游戏对手有预设比例或者一定数量的机器人；机器人由设备进行简单的逻辑确定，较之玩家操作的虚拟角色更容易被战胜。进而实现对游戏玩家进行针对性的游戏资源匹配。但是这种游戏难度确定方式造成了无法针对每个游戏玩家进行个性化、针对性的游戏资源匹配。
基于上述研究，本申请提供了一种游戏难度匹配方法，通过在当前场游戏对局结束后，所获取的目标游戏玩家在多种游戏难度影响特征下的特征值，以及预先训练的游戏难度匹配模型，为还目标游戏玩家预测下一场游戏对局的游戏难度匹配结果。由于下一场游戏对局的游戏难度是基于目标游戏玩家自身的特征和模型得到的，实现了针对每个游戏玩家进行针对性、个性化的游戏难度的匹配。
另外，本申请实施例还能够基于游戏难度匹配结果，为目标游戏玩家匹配下一场游戏对局的游戏资源，进而实现针对每个游戏玩家进行针对性、个性化的游戏资源的匹配。
针对以上方案所存在的缺陷，均是发明人在经过实践并仔细研究后得出的结果，因此，上述问题的发现过程以及下文中本申请针对上述问题所提出的解决方案，都应该是发明人在本申请过程中对本申请做出的贡献。
下面将结合本申请中附图，对本申请中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
为便于对本实施例进行理解，首先对本申请实施例所公开的一种游戏难度匹配方法进行详细介绍，本申请实施例所提供的游戏难度匹配方法的执行主体可以是游戏终端，也可以是服务器；当该游戏难度匹配方法的执行主体为服务器时，其可以是游戏服务器，也可以是独立于游戏服务器之外的游戏难度匹配服务器。
当该游戏难度匹配方法的执行主体为游戏终端时，游戏终端能够与游戏服务器进行数据通信，从游戏服务器获取游戏玩家的相关信息，基于获取的相关信息构造特征，得到游戏难度匹配结果，并讲游戏难度匹配结果发送至游戏服务器，以使游戏服务器能够根据游戏难度匹配结果为目标游戏玩家匹配下一场游戏对局的游戏资源。此时，可以将计算压力分散到不同的游戏终端，进而降低游戏服务器的负荷。
当该游戏难度匹配方法的执行主体为游戏难度匹配服务器时，游戏难度匹配服务器能够与游戏服务器进行数据通信，从游戏服务器获取游戏玩家的相关信息，基于获取的相关信息构造特征，得到游戏难度匹配结果，并讲游戏难度匹配结果发送至游戏服务器，以使游戏服务器能够根据游戏难度匹配结果为目标游戏玩家匹配下一场游戏对局的游戏资源。此时，可以将游戏难度匹配过程在游戏难度匹配服务器中完成，降低游戏服务器的负荷。
当该游戏难度匹配方法的执行主体为游戏服务器时，游戏服务器能够从自身获取游戏玩家的相关信息，并基于获取的相关信息构造特征，得到游戏难度匹配结果；然后根据游戏难度匹配结果为目标游戏玩家匹配下一场游戏对局的游戏资源。此时，可以减少数据在不同主体间传输所需要耗费的流量以及传输时间。
下面以执行主体为游戏难度匹配服务器对本申请实施例提供的游戏难度匹配方法加以说明。
实施例一
参见图1所示，为本申请实施例一提供的游戏难度匹配方法的流程图，所述方法包括步骤S101～S102，其中：
S101：在当前场游戏对局结束后，获取目标游戏玩家在多种游戏难度影响特征下的特征值。
S102：将目标游戏玩家在多种游戏难度影响特征下的特征值输入至预先训练的游戏难度匹配模型中，获取下一场游戏对局的游戏难度匹配结果；
其中，游戏难度匹配结果，用于为目标游戏玩家匹配下一场游戏对局的游戏资源。
下面分别对上述S101～S102加以说明：
I：在上述S101中，游戏难度影响特征包括：用于表征目标游戏玩家游戏习惯和游戏水平的离线特征，和/或用于表征目标游戏玩家当前游戏状态的在线特征。
A：针对游戏难度影响特征包括离线特征的情况，游戏玩家每完成一场游戏对局后，游戏难度匹配服务器都会将该场游戏对局的对战信息作为历史游戏数据进行保存。在需要获取目标游戏玩家在离线特征下的特征值时，直接根据所保存的历史游戏数据进行获取。具体地，离线特征包括但不限于下述a1～a9中一种或者多种：
a1：当前段位分数。
此处，在一些游戏中，会根据游戏玩家的游戏具体情况为游戏玩家确定段位分数。
例如在吃鸡游戏中，每进行一场游戏对战，都会根据目标游戏玩家在该场游戏对战中的表现，例如存活时间、击杀人数、团队排名等，为游戏玩家确定其在本场游戏对战中的得分；然后将该得分叠加至其原有总得分中，得到新的总得分，并基于新的总得分确定其应当所属的段位，在所属段位内的分数等。可以将段位直接确定为段位分数，也可以将其段位以及在段位内的分数公用作为段位分数。
又例如在推塔游戏中，每进行一场游戏对战，都会根据目标游戏玩家在该场游戏对战中的表现，例如经济发展状况、击杀人数、推塔数量、死亡次数、胜负等，为游戏玩家确定其在本场游戏对战中的得分，并基于该得分，以及原有得分，确定目标游戏玩家对应的段位，并将为目标游戏玩家确定的段位作为其段位分数。
a2：预设历史时段内的游戏对局次数。
此处，预设历史时间段通常是以当前场游戏对局结束时刻(下称当前时刻)为终止时间的时间段。预设历史时间段长度可以根据实际的需要进行具体设定，预设历史时间段例如为当前时刻前2个月、前一周、前1个月等。
在预设历史时间段，能够基于当前时刻确定该预设历史时间段对应的起始时间和终止时间。历史游戏数据中包括了对应游戏对局的开始时间和结束时间；可以根据历史游戏数据中所包括的开始时间或者结束时间，将游戏时间落在预设历史时间段内的历史游戏数据从所有的历史游戏数据中筛选出来，进而根据筛选出来的历史游戏数据进行对局次数的统计，得到预设历史时间段内的游戏对局次数。
a3：预设历史时段内每次游戏对局的平均击杀数量。
此处，采用与上述a2类似的方法将游戏时间落在预设历史时间段内的历史游戏数据从所有的历史游戏数据中筛选出来，在历史游戏数据中包括了对应游戏对局的击杀量；然后根据筛选出来的历史游戏数据中所包括的击杀量，确定平均击杀量。
a4：预设历史时段内每次游戏对局的平均游戏时长。
此处，采用与上述a2类似的方法将游戏时间落在预设历史时间段内的历史游戏数据从所有的历史游戏数据中筛选出来，然后根据筛选出来的历史游戏数据中所包括的开始时间和结束时间，确定筛选出来的历史游戏数据分别对应的游戏时长，进而根据确定的筛选出来的历史游戏数据分别对应的游戏时长，确定目标用户玩家在预设历史时段内每次游戏对局的平均击杀数量。
a5：连续登陆游戏的天数。
此处，游戏难度匹配服务器会记录目标游戏玩家每次登陆的登陆时间，并基于该登陆时间，确定目标游戏玩家连续登陆游戏的天数。
a6：在至少一个时段进行游戏的平均游戏对局次数。
此处，至少一个时段，是指预先确定的一天中的至少一个时段。不同的时段时长可以相同，也可以不同。例如时段包括：8:00～10:00、11:00～2:00、17:00～19:00、19:00～22:00等。
采用与上述a2类似的方法将游戏时间落在各个间段内的历史游戏数据从所有的历史游戏数据中筛选出来，然后根据筛选出来的历史游戏数据，确定在各个时段进行游戏的平均游戏对局次数。
a7：工作日的平均游戏对局次数。
a8：周末的平均游戏对局次数。
a9：游戏对局在多个不同时段的发生频率。
B：针对游戏难度影响特征包括在线特征的情况，可以采用下述方式获取目标游戏玩家在在线特征下的特征值：
在每场游戏对局结束后，将该场游戏对局作为新的目标游戏对局，并将新的目标游戏对局的游戏数据保存至目标游戏对局数据集合中；以及
从目标游戏对局数据集合中，将距离该场游戏对局时间最久的目标游戏对局的游戏数据从目标游戏对局数据集合中删除，以生成与该场景游戏对局对应的目标游戏对局数据集合；
在本场游戏对局结束后，根据本场游戏对局对应的目标游戏对局数据集合，确定目标游戏玩家在在线特征下的特征值。
例如，若目标游戏对局数据集合中包括10场目标游戏对局的游戏数据。例如，目标游戏玩家最近完成的10场游戏对局分别为m1～m10，该m1～m10均为目标游戏对局，m1的游戏时间最早，m1～m10分别对应的游戏数据均保存在目标游戏对局数据集合中。当目标游戏玩家完成游戏对局m11时，将m11作为新的目标游戏对局，并将m11对应的游戏数据保存在目标游戏对局数据集合中，且由于m1的游戏时间最早，其是距离m11时间最久的目标游戏对局，因此将m1的游戏数据从目标游戏对局数据集合中删除，从而构成与m11对应的目标游戏对局数据集合。
在m11结束之后，根据m11对应的目标游戏对局数据集合，确定目标游戏玩家在在线特征下的特征值。
具体地，在线特征包括但不限于下述b1～b6中一种或者多种：
b1：在最近预设时间段内的至少一场目标游戏对局中的击杀数量。
此处，该击杀数量可以是在每一场目标游戏对局中的击杀数量，也可以是在各场目标游戏对局中的平均击杀数量。
b2：在目标游戏对局中的排名。
此处，该排名可以是在每一场目标游戏对局中的排名，也可以是在各场目标游戏对局中的平均排名。
b3：在目标游戏对局中的存活时长。
类似的，该存活时长可以是在每一场目标游戏对局中的存活时长，也可以是在各场目标游戏对局中的平均存活时长。
b4：在目标游戏对局中的游戏得分。
类似的，该游戏得分可以是在每一场目标游戏对局中的游戏得分，也可以是在各场目标游戏对局中的平均游戏得分。
b5：在目标游戏对局中的死亡次数。
b6：当前场游戏对局的结束时间所归属的时段。
此处，时段与上述a6种的时段类似，在此不再赘述。
Ⅱ：在上述S102中，游戏难度匹配模型是基于多个样本用户玩家的历史游戏数据训练得到的。该难度匹配模型以游戏玩家在不同游戏难度下的继续游戏意愿为优化目标。
参见图2所示，本申请实施例提供一种游戏难度匹配模型的训练方法，该方法包括：
S201：获取多个样本游戏玩家的历史样本游戏数据。
S202：针对每个预设的游戏难度等级，基于该预设的游戏难度等级对应的各个样本游戏玩家的历史样本游戏数据，构建与该游戏难度等级对应的多条训练样本数据；每条训练样本数据包括：任一样本游戏玩家在多种游戏难度影响特征下的样本特征值，以及该任一样本游戏玩家在该预设的游戏难度等级下的真实继续游戏概率。
此处，可以采用下述方式得到每个样本游戏玩家的样本特征值以及真实继续游戏概率：
S2021：针对每个样本游戏玩家，为该样本游戏玩家确定预设长度的历史时段。其中，此处针对同一样本游戏玩家而言，历史时段可以有一个，也可以有多个；当历史时段有多个的时候，不同的预历史时段的终止时间不同；且针对每一个历史时段，都能够构成一条训练游戏难度匹配模型的样本数据；也即，若为该样本游戏玩家所确定的预设长度的历史时段有3个，则能够基于该样本游戏玩家的历史游戏数据，生成3条样本数据。
这里需要注意的是，不同的样本游戏玩家对应的历史时段的终止时间可以相同，也可以不同。
S2022：从与该样本游戏玩家对应的历史游戏数据中，确定游戏时间落入历史时段的多场第一游戏对局的第一目标历史游戏数据、继多场第一游戏对局之后的一场第二游戏对局的第二目标历史游戏数据，以及继第二游戏对局之后的至少一场第三游戏对局的第三目标历史游戏数据。
其中，第一目标历史游戏数据有多条，其根据样本游戏玩家的实际游戏对局情况进行确定；第二目标历史游戏数据有一条；第三目标历史游戏数据有至少一条，其可以根据预设的数量来确定，也可以根据实际游戏对局情况来进行确定。
例如，针对某样本游戏玩家，其历史游戏数据按照游戏时间排布，包括M1～M1000；其中，落入预设历史时间段的第一目标历史游戏数据包括：M250～M400，则对应的第二目标历史游戏数据为：M401；第三目标历史游戏数据对应的数量为1，则第三目标历史游戏数据包括：M402。
此处，当第三目标历史游戏数据的数量根据实际游戏对局情况来确定的时候，可以根据游戏时间晚于第二目标历史游戏数据的历史游戏数据中，所包括的游戏时间来确定。
若游戏时间晚于第二目标历史游戏数据，且游戏时间与第二目标历史游戏数据的游戏时间之间的差值小于预设时间阈值，则将其确定为第三目标历史游戏数据；若游戏时间与第二目标历史游戏数据的游戏时间之间的差值大于或者等于预设时间阈值，则不将其作为第三目标历史游戏数据。
S2023：基于第一目标历史游戏数据，确定训练样本数据。
此处，训练样本数据的确定方式，与上述S101中确定目标游戏玩家在多种游戏难度影响特征下的特征值类似，在此不再赘述。
S2024：基于第二目标历史游戏数据，确定与确定的训练样本数据对应的预设的游戏难度等级。
此处，在第二目标历史游戏数据中，包括了与对应游戏对局的游戏难度；将第二目标历史游戏数据中包括的对应游戏对局的游戏难度，确定为与确定的训练样本数据对应的预设的游戏难度等级。
S2025：基于第三目标历史游戏数据，确定与确定的样本训练游戏数据对应的真实继续游戏概率。
此处，各条历史游戏数据中，包括了与对应游戏对局的游戏时间。
当第三目标历史游戏数据有一条时，将第三目标历史游戏数据中包括的游戏时间，与第二目标历史游戏数据中包括的游戏时间进行比对；若两者之间的差值大于预设的时间差阈值，则真实继续游戏概率为0；若两者之间的差值小于或者等于预设的时间差阈值，则真实继续游戏概率为1。
其中，上述S2021～S2025并无执行的先后顺序。
在针对所有的样本游戏玩家进行上述S2021～S2025的操作后，得到多条训练样本数据，其中，每个样本游戏玩家能够得到至少一条训练样本数据。
S2026：基于得到的各条训练样本数据分别对应的预设的游戏难度等级，对所有训练样本数据进行分组，以针对每个预设的游戏难度等级，得到与该预设的游戏难度等级对应的多条训练样本数据。
承接上述S202，本申请实施例提供的游戏难度匹配模型的训练方法还包括：
S203：基于每个预设的游戏难度等级分别对应的多条训练样本数据，以及每条训练样本数据对应的真实继续游戏概率，训练得到游戏难度匹配模型。
此处，游戏难度匹配模型包括：与不同预设的游戏难度等级分别对应的子预测模型。
可以采用下述方式训练得到游戏难度匹配模型：
针对每个预设的游戏难度等级，将该预设的游戏难度等级对应的多条训练样本数据，分别输入至与该预设的游戏难度等级对应的子基础预测模型中，得到各条训练样本数据在对应的预设的游戏难度等级下的预测继续游戏概率；
根据各条在对应的预设的游戏难度等级下的预测继续游戏概率，以及在对应的预设的游戏难度等级下的真实继续游戏概率，对子基础预测模型进行本轮训练；
经过对子基础预测模型的多轮训练，得到与该预设的游戏难度等级对应的子预测模型。
基于上述图2对应的实施例就能够训练得到游戏难度匹配模型。
参见图3所示，本申请实施例还提供一种将目标游戏玩家在多种游戏难度影响特征下的特征值输入至预先训练的游戏难度匹配模型中，获取游戏难度匹配结果的具体方式，包括：
S301：将目标游戏玩家在多种游戏难度影响特征下的特征值分别输入至不同的子预测模型，获取与每个游戏难度等级分别对应的继续游戏概率；
S302：基于与每个游戏难度等级分别对应的继续游戏概率的大小，确定游戏难度匹配结果。
此时，可以按照各游戏难度等级分别对应的继续游戏概率从大到小的顺序，将其中继续游戏概率最大的游戏难度等级确定为游戏难度匹配结果。
另外，在本申请另一实施例中，承接上述S102，还包括：
S103：基于游戏难度匹配结果，并根据预先确定的难度等级控制比例和/或预先确定的业务控制规则，确定目标游戏难度等级。
具体地，在基于游戏难度匹配结果，并根据预先确定的难度等级控制比例和/或预先确定的业务控制规则，确定目标游戏难度等级的时候，包括以下(1)～(3)中的几种情况：
(1)针对基于游戏难度匹配结果，并根据预先确定的难度等级控制比例确定目标游戏难度等级的情况，游戏难度匹配结果包括：游戏难度匹配等级。
此处，难度等级控制比例，包括：与预先确定的与各个预设的游戏难度等级中，至少一个游戏难度等级对应的控制比例。
具体可能存在以下①～③中的几种情况：
①：对全部的游戏难度等级分别比例控制。
例如，若预设的游戏难度等级包括游戏难度递增的等级1、等级2和等级3。与每个游戏难度等级对应的控制比例分别为：20％、60％、20％。
②：针对所有游戏难度等级中的部分游戏难度等级分别进行比例控制，剩余的其他游戏难度等级不进行游戏难度控制。
例如若预设的游戏难度等级包括游戏难度递增的等级1、等级2和等级3。仅对等级1和等级2进行比例控制，其中等级1对应的控制比例设置为不超出15％，等级2对应的控制比例为不超出10％；不对等级3进行比例控制。
③：针对所有游戏难度等级中的部分游戏难度等级共同进行比例控制，剩余的其他游戏难度等级不进行游戏难度控制。
例如若预设的游戏难度等级包括游戏难度递增的等级1、等级2和等级3，其中难度3为普通难度，等级1和等级2均为低难度等级，对等级1和等级2进行比例控制，将两者共同对应的控制比例设置为不超出25％，而等级3不进行比例控制。
可以采用下述方式确定目标游戏难度等级：
获取距离当前时刻最近的预设数量场游戏对局分别对应的历史游戏难度匹配结果；从历史游戏难度匹配结果中，确定游戏难度匹配等级与游戏难度匹配结果相同的目标历史游戏难度匹配结果的数量。基于该数量，以与历史游戏难度匹配结果对应的预设数量，确定游戏难度匹配结果对应的概率。
例如，游戏难度等级分为等级1，等级2，等级3。其中等级3为正常难度等级，等级1，2为低难度等级。
设定低难度等级1，等级2的比例为30％，即设定等级3的比例为70％。
基于游戏难度匹配模型，对每一场游戏对局的游戏难度进行预测的预测值格式如下：
场次等级1预测值等级2预测值等级3预测值本场输出难度。
则前9场预测值和最新的一场的预测值如下：
在这10场的游戏对局中，等级3的预测比例为20％，则基于预先确定的难度等级控制比例确定目标游戏难度等级的具体方式如下述：
对前十场等级3的预测值增加一个固定值x，使得等级3的比例符合设定。在本例中，x＝0.625。固定值x的值通过二分查找的方式求的。
调整后的预测值如下：
调整后这10场的游戏中，难度3的比例为70％，符合设定值，此时把最新一场不同难度的预测值中最大值对应的难度等级输出。
这里需要注意的是，不同的游戏玩家可以设置不同的控制比例；对于新手用户而言，可以相应调高游戏难度较低的等级对应的控制比例，并降低游戏难度较高的等级对应的控制比例；而对于老用户而言，可以相应降低游戏难度较低的等级对应的控制比例，并想听增加游戏难度较高的等级对应的控制比例。
(2)针对基于游戏难度匹配结果，并根据预先确定的业务控制规则，确定目标游戏难度等级的情况，可以采用下述方式确定目标游戏难度等级：
确定游戏难度匹配结果是否符合预先确定的业务控制规则；
如果是，则将游戏难度匹配结果确定为目标游戏难度等级；
如果否，则基于业务控制规则，确定目标游戏难度等级。
业务控制规则例如包括：
对于新游戏玩家，第一场游戏对局为低难度等级。
若游戏玩家当前场游戏对局中游戏排名第一，下一场游戏对局为普通难度等级。
段位高于预设段位阈值的游戏玩家，只能够匹配到普通难度等级，和高难度等级。
具体的业务控制规则可以根据实际的游戏需要进行设定。
(3)针对基于游戏难度匹配结果，并根据预先确定的难度等级控制比例和预先确定的业务控制规则，确定目标游戏难度等级的情况，可以先基于上述(1)确定一中间目标游戏难度等级；然后再基于上述(2)和确定的中间目标游戏难度等级，确定最终的目标游戏难度等级。
在另一实施例中，承接上述是S104，在本申请另一实施例中，还包括：
S104：基于目标游戏难度等级，为目标游戏玩家匹配下一场游戏对局的游戏资源。
此处，游戏资源包括：对战玩家、游戏场景、游戏类型中一种或者多种。
本申请实施例通过在当前场游戏对局结束后，所获取的目标游戏玩家在多种游戏难度影响特征下的特征值，以及预先训练的游戏难度匹配模型，为还目标游戏玩家预测下一场游戏对局的游戏难度匹配结果。由于下一场游戏对局的游戏难度是基于目标游戏玩家自身的特征和模型得到的，实现了针对每个游戏玩家进行针对性、个性化的游戏难度的匹配。
基于同一发明构思，本申请实施例中还提供了与游戏难度匹配方法对应的游戏难度匹配装置，由于本申请实施例中的装置解决问题的原理与本申请实施例上述游戏难度匹配方法相似，因此装置的实施可以参见方法的实施，重复之处不再赘述。
实施例二
参照图4所示，为本申请实施例二提供的一种游戏难度匹配装置的示意图，所述装置包括：数据获取模块41、结果获取模块42；其中，
数据获取模块41，用于在当前场游戏对局结束后，根据目标游戏玩家的历史游戏数据，以及当前场游戏对局的游戏数据，获取目标游戏玩家在多种游戏难度影响特征下的特征值；
结果获取模块42，用于将所述目标游戏玩家在多种所述游戏难度影响特征下的特征值输入至预先训练的游戏难度匹配模型中，获取下一场游戏对局的游戏难度匹配结果；
所述游戏难度匹配结果，用于为所述目标游戏玩家匹配下一场游戏对局的游戏资源。
本申请实施例通过在当前场游戏对局结束后，所获取的目标游戏玩家在多种游戏难度影响特征下的特征值，以及预先训练的游戏难度匹配模型，为还目标游戏玩家预测下一场游戏对局的游戏难度匹配结果。由于下一场游戏对局的游戏难度是基于目标游戏玩家自身的特征和模型得到的，实现了针对每个游戏玩家进行针对性、个性化的游戏难度的匹配。
一种可能的实施方式中，所述游戏资源包括以下至少一种：
对战玩家、游戏场景、游戏类型。
一种可能的实施方式中，所述游戏难度影响特征包括：用于表征所述目标游戏玩家游戏习惯和游戏水平的离线特征，和/或用于表征所述目标游戏玩家当前游戏状态的在线特征。
一种可能的实施方式中，针对所述游戏难度影响特征包括所述离线特征的情况，所述离线特征包括下述一种或者多种：
当前段位分数、预设历史时段内的游戏对局次数、预设历史时段内每次游戏对局的平均击杀数量、预设历史时段内每次游戏对局的平均游戏时长、连续登陆游戏的天数、在至少一个时段进行游戏的平均游戏对局次数、工作日的平均游戏对局次数、周末的平均游戏对局次数、游戏对局在多个不同时段的发生频率。
一种可能的实施方式中，针对所述游戏难度影响特征包括离线特征的情况，所述数据获取模块41，用于采用下述方式获取所述目标游戏玩家在所述离线特征下的特征值：
在所述目标游戏玩家每完成一场游戏对局后，将该场游戏对局的对战信息作为历史游戏数据进行保存；
基于保存的所述历史游戏数据，确定所述目标游戏玩家在多种所述游戏难度影响特征下的特征值。
一种可能的实施方式中，针对所述游戏难度影响特征包括所述在线特征的情况，所述在线特征包括下述一种或者多种：
在最近预设时间段内的至少一场目标游戏对局中的击杀数量、在所述目标游戏对局中的排名、在所述目标游戏对局中的存活时长、在所述目标游戏对局中的游戏得分、在所述目标游戏对局中的死亡次数、当前场游戏对局的结束时间所归属的时段。
一种可能的实施方式中，针对所述游戏难度影响特征包括在线特征的情况，所述数据获取模块41，用于采用下述方式获取所述目标游戏玩家在所述在线特征下的特征值：
在每场游戏对局结束后，将该场游戏对局作为新的目标游戏对局，并将所述新的目标游戏对局的游戏数据保存至目标游戏对局数据集合中；以及
从所述目标游戏对局数据集合中，将距离该场游戏对局时间最久的目标游戏对局的游戏数据从所述目标游戏对局数据集合中删除，以生成与该场游戏对局对应的目标游戏对局数据集合；
在本场游戏对局结束后，根据本场游戏对局对应的目标游戏对局数据集合，确定所述目标游戏玩家在所述在线特征下的特征值。
一种可能的实施方式中，所述游戏难度匹配模型包括与预设的不同游戏难度等级分别对应的子预测模型；
所述结果获取模块42，用于采用下述方式获取下一场游戏对局的游戏难度匹配结果：
将所述目标游戏玩家在多种所述游戏难度影响特征下的特征值分别输入至不同的子预测模型，获取与每个游戏难度等级分别对应的继续游戏概率；
基于与每个游戏难度等级分别对应的继续游戏概率的大小，确定所述游戏难度匹配结果。
一种可能的实施方式中，还包括：模型训练模块43，用于采用下述方式训练所述游戏难度匹配模型：
获取多个样本游戏玩家的历史样本游戏数据；
针对每个预设的游戏难度等级，基于该预设的游戏难度等级对应的各个所述样本游戏玩家的历史样本游戏数据，构建与该游戏难度等级对应的多条训练样本数据；每条所述训练样本数据包括：任一样本游戏玩家在多种所述游戏难度影响特征下的样本特征值，以及该任一样本游戏玩家在该预设的游戏难度等级下的真实继续游戏概率；
基于每个预设的游戏难度等级分别对应的多条训练样本数据，以及每条训练样本数据对应的真实继续游戏概率，训练得到所述游戏难度匹配模型。
一种可能的实施方式中，模型训练模块43，用于采用下述方式构建与该游戏难度等级对应的多条训练样本数据：
针对每个样本游戏玩家，为该样本游戏玩家确定预设长度的历史时段；
从与该样本游戏玩家对应的历史游戏数据中，确定游戏时间落入所述历史时段的多场第一游戏对局的第一目标历史游戏数据、继所述多场第一游戏对局之后的一场第二游戏对局的第二目标历史游戏数据，以及继所述第二游戏对局之后的至少一场第三游戏对局的第三目标历史游戏数据；
基于所述第一目标历史游戏数据确定训练样本数据、基于所述第二目标历史游戏数据确定与确定的训练样本数据对应的预设的游戏难度等级，以及基于所述第三目标历史游戏数据，确定与确定的样本训练游戏数据对应的真实继续游戏概率；
基于得到的各条训练样本数据分别对应的预设的游戏难度等级，对所有训练样本数据进行分组，以针对每个预设的游戏难度等级，得到与该预设的游戏难度等级对应的多条训练样本数据。
一种可能的实施方式中，所述游戏难度匹配模型包括：与不同预设的游戏难度等级分别对应的子预测模型；
模型训练模块43，用于采用下述方式基于每个预设的游戏难度等级分别对应的多条训练样本数据，以及每条训练样本数据对应的真实继续游戏概率，训练得到所述游戏难度匹配模型：
针对每个预设的游戏难度等级，将该预设的游戏难度等级对应的多条训练样本数据，分别输入至与该预设的游戏难度等级对应的子基础预测模型中，得到各条训练样本数据在对应的所述预设的游戏难度等级下的预测继续游戏概率；
所述根据各条训练样本数据在对应的所述预设的游戏难度等级下的预测继续游戏概率，以及在对应的所述预设的游戏难度等级下的真实继续游戏概率，对所述子基础预测模型进行本轮训练；
经过对所述子基础预测模型的多轮训练，得到与该预设的游戏难度等级对应的子预测模型。
一种可能的实施方式中，所述结果获取模块42，在获取下一场游戏对局的游戏难度匹配结果之后，还用于：
基于所述游戏难度匹配结果，并根据预先确定的难度等级控制比例和/或预先确定的业务控制规则，确定所述目标游戏难度等级。
一种可能的实施方式中，还包括：匹配模块44，用于基于所述目标游戏难度等级，为所述目标游戏玩家匹配下一场游戏对局的游戏资源。
关于装置中的各模块的处理流程、以及各模块之间的交互流程的描述可以参照上述方法实施例中的相关说明，这里不再详述。
本申请实施例还提供了一种计算机设备50，如图5所示，为本申请实施例提供的计算机设备50结构示意图，包括：处理器51、存储器52、和总线53。所述存储器52存储有所述处理器51可执行的机器可读指令(比如，图4中的装置中数据获取模块41、结果获取模块42对应的执行指令等)，当计算机设备50运行时，所述处理器51与所述存储器52之间通过总线53通信，所述机器可读指令被所述处理器51执行时执行如下处理：
在当前场游戏对局结束后，根据目标游戏玩家的历史游戏数据，以及当前场游戏对局的游戏数据，获取目标游戏玩家在多种游戏难度影响特征下的特征值；
将所述目标游戏玩家在多种所述游戏难度影响特征下的特征值输入至预先训练的游戏难度匹配模型中，获取下一场游戏对局的游戏难度匹配结果；
所述游戏难度匹配结果，用于为所述目标游戏玩家匹配下一场游戏对局的游戏资源。
一种可能的实施方式中，处理器51执行的指令中，所述游戏资源包括以下至少一种：
对战玩家、游戏场景、游戏类型。
一种可能的实施方式中，处理器51执行的指令中，所述游戏难度影响特征包括：用于表征所述目标游戏玩家游戏习惯和游戏水平的离线特征，和/或用于表征所述目标游戏玩家当前游戏状态的在线特征。
一种可能的实施方式中，处理器51执行的指令中，针对所述游戏难度影响特征包括所述离线特征的情况，所述离线特征包括下述一种或者多种：
当前段位分数、预设历史时段内的游戏对局次数、预设历史时段内每次游戏对局的平均击杀数量、预设历史时段内每次游戏对局的平均游戏时长、连续登陆游戏的天数、在至少一个时段进行游戏的平均游戏对局次数、工作日的平均游戏对局次数、周末的平均游戏对局次数、游戏对局在多个不同时段的发生频率。
一种可能的实施方式中，处理器51执行的指令中，针对所述游戏难度影响特征包括离线特征的情况，采用下述方式获取所述目标游戏玩家在所述离线特征下的特征值：
在所述目标游戏玩家每完成一场游戏对局后，将该场游戏对局的对战信息作为历史游戏数据进行保存；
基于保存的所述历史游戏数据，确定所述目标游戏玩家在多种所述游戏难度影响特征下的特征值。
一种可能的实施方式中，处理器51执行的指令中，针对所述游戏难度影响特征包括所述在线特征的情况，所述在线特征包括下述一种或者多种：
在最近预设时间段内的至少一场目标游戏对局中的击杀数量、在所述目标游戏对局中的排名、在所述目标游戏对局中的存活时长、在所述目标游戏对局中的游戏得分、在所述目标游戏对局中的死亡次数、当前场游戏对局的结束时间所归属的时段。
一种可能的实施方式中，处理器51执行的指令中，针对所述游戏难度影响特征包括在线特征的情况，采用下述方式获取所述目标游戏玩家在所述在线特征下的特征值：
在每场游戏对局结束后，将该场游戏对局作为新的目标游戏对局，并将所述新的目标游戏对局的游戏数据保存至目标游戏对局数据集合中；以及
从所述目标游戏对局数据集合中，将距离该场游戏对局时间最久的目标游戏对局的游戏数据从所述目标游戏对局数据集合中删除，以生成与该场游戏对局对应的目标游戏对局数据集合；
在本场游戏对局结束后，根据本场游戏对局对应的目标游戏对局数据集合，确定所述目标游戏玩家在所述在线特征下的特征值。
一种可能的实施方式中，处理器51执行的指令中，所述游戏难度匹配模型包括与预设的不同游戏难度等级分别对应的子预测模型；
所述将所述目标游戏玩家在多种所述游戏难度影响特征下的特征值输入至预先训练的游戏难度匹配模型中，获取下一场游戏对局的游戏难度匹配结果，包括：
将所述目标游戏玩家在多种所述游戏难度影响特征下的特征值分别输入至不同的子预测模型，获取与每个游戏难度等级分别对应的继续游戏概率；
基于与每个游戏难度等级分别对应的继续游戏概率的大小，确定所述游戏难度匹配结果。
一种可能的实施方式中，处理器51执行的指令中，采用下述方法训练所述游戏难度匹配模型：
获取多个样本游戏玩家的历史样本游戏数据；
针对每个预设的游戏难度等级，基于该预设的游戏难度等级对应的各个所述样本游戏玩家的历史样本游戏数据，构建与该游戏难度等级对应的多条训练样本数据；每条所述训练样本数据包括：任一样本游戏玩家在多种所述游戏难度影响特征下的样本特征值，以及该任一样本游戏玩家在该预设的游戏难度等级下的真实继续游戏概率；
基于每个预设的游戏难度等级分别对应的多条训练样本数据，以及每条训练样本数据对应的真实继续游戏概率，训练得到所述游戏难度匹配模型。
一种可能的实施方式中，处理器51执行的指令中，针对每个预设的游戏难度等级，基于该预设的游戏难度等级对应的各个所述样本游戏玩家的历史样本游戏数据，构建与该游戏难度等级对应的多条训练样本数据，包括：
针对每个样本游戏玩家，为该样本游戏玩家确定预设长度的历史时段；
从与该样本游戏玩家对应的历史游戏数据中，确定游戏时间落入所述历史时段的多场第一游戏对局的第一目标历史游戏数据、继所述多场第一游戏对局之后的一场第二游戏对局的第二目标历史游戏数据，以及继所述第二游戏对局之后的至少一场第三游戏对局的第三目标历史游戏数据；
基于所述第一目标历史游戏数据确定训练样本数据、基于所述第二目标历史游戏数据确定与确定的训练样本数据对应的预设的游戏难度等级，以及基于所述第三目标历史游戏数据，确定与确定的样本训练游戏数据对应的真实继续游戏概率；
基于得到的各条训练样本数据分别对应的预设的游戏难度等级，对所有训练样本数据进行分组，以针对每个预设的游戏难度等级，得到与该预设的游戏难度等级对应的多条训练样本数据。
一种可能的实施方式中，处理器51执行的指令中，所述游戏难度匹配模型包括：与不同预设的游戏难度等级分别对应的子预测模型；
基于每个预设的游戏难度等级分别对应的多条训练样本数据，以及每条训练样本数据对应的真实继续游戏概率，训练得到所述游戏难度匹配模型，包括：
针对每个预设的游戏难度等级，将该预设的游戏难度等级对应的多条训练样本数据，分别输入至与该预设的游戏难度等级对应的子基础预测模型中，得到各条训练样本数据在对应的所述预设的游戏难度等级下的预测继续游戏概率；
所述根据各条训练样本数据在对应的所述预设的游戏难度等级下的预测继续游戏概率，以及在对应的所述预设的游戏难度等级下的真实继续游戏概率，对所述子基础预测模型进行本轮训练；
经过对所述子基础预测模型的多轮训练，得到与该预设的游戏难度等级对应的子预测模型。
一种可能的实施方式中，处理器51执行的指令中，所述获取下一场游戏对局的游戏难度匹配结果之后，还包括：
基于所述游戏难度匹配结果，并根据预先确定的难度等级控制比例和/或预先确定的业务控制规则，确定所述目标游戏难度等级。
一种可能的实施方式中，处理器51执行的指令中，还包括：基于所述目标游戏难度等级，为所述目标游戏玩家匹配下一场游戏对局的游戏资源。
本申请实施例还提供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运行时执行上述方法实施例中所述的游戏难度匹配方法的步骤。
本申请实施例所提供的游戏难度匹配方法的计算机程序产品，包括存储了程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行上述方法实施例中所述的游戏难度匹配方法的步骤，具体可参见上述方法实施例，在此不再赘述。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统和装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或条件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-OnlyMemory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的非易失性存储介质。
最后应说明的是：以上所述实施例，仅为本申请的具体实施方式，用以说明本申请的技术方案，而非对其限制，本申请的保护范围并不局限于此，尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应所述以权利要求的保护范围为准。
Claims (14)
1.一种游戏难度匹配方法，其特征在于，包括：
在当前场游戏对局结束后，根据目标游戏玩家的历史游戏数据，以及当前场游戏对局的游戏数据，获取目标游戏玩家在多种游戏难度影响特征下的特征值；所述游戏难度影响特征包括：用于表征所述目标游戏玩家的游戏习惯和游戏水平的离线特征，和/或用于表征所述目标游戏玩家的当前游戏状态的在线特征；
将所述目标游戏玩家在多种所述游戏难度影响特征下的特征值输入至预先训练的游戏难度匹配模型中，获取下一场游戏对局的游戏难度匹配结果；所述游戏难度匹配结果，用于为所述目标游戏玩家匹配下一场游戏对局的游戏资源；
所述游戏难度匹配模型包括与预设的不同游戏难度等级分别对应的子预测模型；其中，将所述目标游戏玩家在多种所述游戏难度影响特征下的特征值输入至预先训练的游戏难度匹配模型中，获取下一场游戏对局的游戏难度匹配结果，包括：将所述目标游戏玩家在多种所述游戏难度影响特征下的特征值分别输入至不同的子预测模型，获取与每个游戏难度等级分别对应的继续游戏概率；基于与每个游戏难度等级分别对应的继续游戏概率的大小，确定所述游戏难度匹配结果。
2.根据权利要求1所述的游戏难度匹配方法，其特征在于，所述游戏资源包括以下至少一种：
对战玩家、游戏场景、游戏类型。
3.根据权利要求1所述的游戏难度匹配方法，其特征在于，针对所述游戏难度影响特征包括所述离线特征的情况，所述离线特征包括下述一种或者多种：
当前段位分数、预设历史时段内的游戏对局次数、预设历史时段内每次游戏对局的平均击杀数量、预设历史时段内每次游戏对局的平均游戏时长、连续登陆游戏的天数、在至少一个时段进行游戏的平均游戏对局次数、工作日的平均游戏对局次数、周末的平均游戏对局次数、游戏对局在多个不同时段的发生频率。
4.根据权利要求3所述的游戏难度匹配方法，其特征在于，针对所述游戏难度影响特征包括离线特征的情况，采用下述方式获取所述目标游戏玩家在所述离线特征下的特征值：
在所述目标游戏玩家每完成一场游戏对局后，将该场游戏对局的对战信息作为历史游戏数据进行保存；
基于保存的所述历史游戏数据，确定所述目标游戏玩家在多种所述游戏难度影响特征下的特征值。
5.根据权利要求1所述的游戏难度匹配方法，其特征在于，针对所述游戏难度影响特征包括所述在线特征的情况，所述在线特征包括下述一种或者多种：
在最近预设时间段内的至少一场目标游戏对局中的击杀数量、在所述目标游戏对局中的排名、在所述目标游戏对局中的存活时长、在所述目标游戏对局中的游戏得分、在所述目标游戏对局中的死亡次数、当前场游戏对局的结束时间所归属的时段。
6.根据权利要求1所述的游戏难度匹配方法，其特征在于，针对所述游戏难度影响特征包括在线特征的情况，采用下述方式获取所述目标游戏玩家在所述在线特征下的特征值：
在每场游戏对局结束后，将该场游戏对局作为新的目标游戏对局，并将所述新的目标游戏对局的游戏数据保存至目标游戏对局数据集合中；以及
从所述目标游戏对局数据集合中，将距离该场游戏对局时间最久的目标游戏对局的游戏数据从所述目标游戏对局数据集合中删除，以生成与该场游戏对局对应的目标游戏对局数据集合；
在本场游戏对局结束后，根据本场游戏对局对应的目标游戏对局数据集合，确定所述目标游戏玩家在所述在线特征下的特征值。
7.根据权利要求1所述的游戏难度匹配方法，其特征在于，采用下述方法训练所述游戏难度匹配模型：
获取多个样本游戏玩家的历史样本游戏数据；
针对每个预设的游戏难度等级，基于该预设的游戏难度等级对应的各个所述样本游戏玩家的历史样本游戏数据，构建与该游戏难度等级对应的多条训练样本数据；每条所述训练样本数据包括：任一样本游戏玩家在多种所述游戏难度影响特征下的样本特征值，以及该任一样本游戏玩家在该预设的游戏难度等级下的真实继续游戏概率；
基于每个预设的游戏难度等级分别对应的多条训练样本数据，以及每条训练样本数据对应的真实继续游戏概率，训练得到所述游戏难度匹配模型。
8.根据权利要求7所述的游戏难度匹配方法，其特征在于，针对每个预设的游戏难度等级，基于该预设的游戏难度等级对应的各个所述样本游戏玩家的历史样本游戏数据，构建与该游戏难度等级对应的多条训练样本数据，包括：
针对每个样本游戏玩家，为该样本游戏玩家确定预设长度的历史时段；
从与该样本游戏玩家对应的历史游戏数据中，确定游戏时间落入所述历史时段的多场第一游戏对局的第一目标历史游戏数据、继所述多场第一游戏对局之后的一场第二游戏对局的第二目标历史游戏数据，以及继所述第二游戏对局之后的至少一场第三游戏对局的第三目标历史游戏数据；
基于所述第一目标历史游戏数据确定训练样本数据、基于所述第二目标历史游戏数据确定与确定的训练样本数据对应的预设的游戏难度等级，以及基于所述第三目标历史游戏数据，确定与确定的样本训练游戏数据对应的真实继续游戏概率；
基于得到的各条训练样本数据分别对应的预设的游戏难度等级，对所有训练样本数据进行分组，以针对每个预设的游戏难度等级，得到与该预设的游戏难度等级对应的多条训练样本数据。
9.根据权利要求7所述的方法，其特征在于，所述游戏难度匹配模型包括：与不同预设的游戏难度等级分别对应的子预测模型；
基于每个预设的游戏难度等级分别对应的多条训练样本数据，以及每条训练样本数据对应的真实继续游戏概率，训练得到所述游戏难度匹配模型，包括：
针对每个预设的游戏难度等级，将该预设的游戏难度等级对应的多条训练样本数据，分别输入至与该预设的游戏难度等级对应的子基础预测模型中，得到各条训练样本数据在对应的所述预设的游戏难度等级下的预测继续游戏概率；
根据各条训练样本数据在对应的所述预设的游戏难度等级下的预测继续游戏概率，以及在对应的所述预设的游戏难度等级下的真实继续游戏概率，对所述子基础预测模型进行本轮训练；
经过对所述子基础预测模型的多轮训练，得到与该预设的游戏难度等级对应的子预测模型。
10.根据权利要求1所述的游戏难度匹配方法，其特征在于，所述获取下一场游戏对局的游戏难度匹配结果之后，还包括：
基于所述游戏难度匹配结果，并根据预先确定的难度等级控制比例和/或预先确定的业务控制规则，确定目标游戏难度等级。
11.根据权利要求10所述的游戏难度匹配方法，其特征在于，还包括：基于所述目标游戏难度等级，为所述目标游戏玩家匹配下一场游戏对局的游戏资源。
12.一种游戏难度匹配装置，其特征在于，包括：
数据获取模块，用于在当前场游戏对局结束后，根据目标游戏玩家的历史游戏数据，以及当前场游戏对局的游戏数据，获取目标游戏玩家在多种游戏难度影响特征下的特征值；所述游戏难度影响特征包括：用于表征所述目标游戏玩家的游戏习惯和游戏水平的离线特征，和/或用于表征所述目标游戏玩家的当前游戏状态的在线特征；
结果获取模块，用于将所述目标游戏玩家在多种所述游戏难度影响特征下的特征值输入至预先训练的游戏难度匹配模型中，获取下一场游戏对局的游戏难度匹配结果；所述游戏难度匹配模型包括与预设的不同游戏难度等级分别对应的子预测模型；将所述目标游戏玩家在多种所述游戏难度影响特征下的特征值输入至预先训练的游戏难度匹配模型中，获取下一场游戏对局的游戏难度匹配结果，包括：将所述目标游戏玩家在多种所述游戏难度影响特征下的特征值分别输入至不同的子预测模型，获取与每个游戏难度等级分别对应的继续游戏概率；基于与每个游戏难度等级分别对应的继续游戏概率的大小，确定所述游戏难度匹配结果；
所述游戏难度匹配结果，用于为所述目标游戏玩家匹配下一场游戏对局的游戏资源。
13.一种计算机设备，其特征在于，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当计算机设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行如权利要求1至11任一所述的游戏难度匹配方法的步骤。
14.一种计算机可读存储介质，其特征在于，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运行时执行如权利要求1至11任意一项所述的游戏难度匹配方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910833304.9A CN112439193B (zh) | 2019-09-04 | 2019-09-04 | 一种游戏难度匹配方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910833304.9A CN112439193B (zh) | 2019-09-04 | 2019-09-04 | 一种游戏难度匹配方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112439193A CN112439193A (zh) | 2021-03-05 |
| CN112439193B true CN112439193B (zh) | 2024-02-23 |
Family
ID=74734144
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910833304.9A Active CN112439193B (zh) | 2019-09-04 | 2019-09-04 | 一种游戏难度匹配方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112439193B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114225391B (zh) * | 2021-12-20 | 2022-12-13 | 广州博冠信息科技有限公司 | 通关游戏控制方法、装置、终端和存储介质 |
| CN117695671A (zh) * | 2022-09-09 | 2024-03-15 | 网易（杭州）网络有限公司 | 一种游戏匹配方法、装置、计算机设备及存储介质 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105413170A (zh) * | 2015-11-26 | 2016-03-23 | 北京像素软件科技股份有限公司 | 一种游戏难度的动态调整方法及装置 |
| CN105833525A (zh) * | 2016-04-25 | 2016-08-10 | 武汉智普天创科技有限公司 | 游戏系统 |
| CN105871640A (zh) * | 2016-06-07 | 2016-08-17 | 腾讯科技（深圳）有限公司 | 关卡配置数据配置方法、游戏服务器及系统 |
| CN106650185A (zh) * | 2015-10-27 | 2017-05-10 | 网易（杭州）网络有限公司 | 一种获取游戏中英雄技能上手难度的方法及系统 |
| CN107158702A (zh) * | 2016-03-08 | 2017-09-15 | 电子技术公司 | 动态难度调整 |
| CN107970608A (zh) * | 2017-11-09 | 2018-05-01 | 腾讯科技(成都)有限公司 | 关卡游戏的设置方法和装置、存储介质、电子装置 |
| CN107998661A (zh) * | 2017-12-26 | 2018-05-08 | 苏州大学 | 一种在线对战游戏的辅助决策方法、装置及存储介质 |
| CN108499108A (zh) * | 2017-02-28 | 2018-09-07 | 电子技术公司 | 视频游戏应用程序内玩游戏参数的实时动态修改和优化 |
| CN109107162A (zh) * | 2018-11-01 | 2019-01-01 | 杭州勺子网络科技有限公司 | 游戏难度调节方法及装置 |
| CN109568960A (zh) * | 2018-11-30 | 2019-04-05 | 厦门大学 | 游戏叙事模型难度调整方法及设备 |
| CN109815155A (zh) * | 2019-02-26 | 2019-05-28 | 网易（杭州）网络有限公司 | 一种游戏测试的方法及装置、电子设备、存储介质 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9675889B2 (en) * | 2014-09-10 | 2017-06-13 | Zynga Inc. | Systems and methods for determining game level attributes based on player skill level prior to game play in the level |
-
2019
- 2019-09-04 CN CN201910833304.9A patent/CN112439193B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106650185A (zh) * | 2015-10-27 | 2017-05-10 | 网易（杭州）网络有限公司 | 一种获取游戏中英雄技能上手难度的方法及系统 |
| CN105413170A (zh) * | 2015-11-26 | 2016-03-23 | 北京像素软件科技股份有限公司 | 一种游戏难度的动态调整方法及装置 |
| CN107158702A (zh) * | 2016-03-08 | 2017-09-15 | 电子技术公司 | 动态难度调整 |
| CN105833525A (zh) * | 2016-04-25 | 2016-08-10 | 武汉智普天创科技有限公司 | 游戏系统 |
| CN105871640A (zh) * | 2016-06-07 | 2016-08-17 | 腾讯科技（深圳）有限公司 | 关卡配置数据配置方法、游戏服务器及系统 |
| CN108499108A (zh) * | 2017-02-28 | 2018-09-07 | 电子技术公司 | 视频游戏应用程序内玩游戏参数的实时动态修改和优化 |
| CN107970608A (zh) * | 2017-11-09 | 2018-05-01 | 腾讯科技(成都)有限公司 | 关卡游戏的设置方法和装置、存储介质、电子装置 |
| CN107998661A (zh) * | 2017-12-26 | 2018-05-08 | 苏州大学 | 一种在线对战游戏的辅助决策方法、装置及存储介质 |
| CN109107162A (zh) * | 2018-11-01 | 2019-01-01 | 杭州勺子网络科技有限公司 | 游戏难度调节方法及装置 |
| CN109568960A (zh) * | 2018-11-30 | 2019-04-05 | 厦门大学 | 游戏叙事模型难度调整方法及设备 |
| CN109815155A (zh) * | 2019-02-26 | 2019-05-28 | 网易（杭州）网络有限公司 | 一种游戏测试的方法及装置、电子设备、存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112439193A (zh) | 2021-03-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107970608B (zh) | 关卡游戏的设置方法和装置、存储介质、电子装置 | |
| CN109513215B (zh) | 一种对象匹配方法、模型训练方法以及服务器 | |
| CN109814955B (zh) | 阵容确定的方法、装置及电子设备 | |
| US20190201786A1 (en) | Collaborative electronic game play employing player classification and aggregation | |
| WO2019109820A1 (zh) | 对象的匹配方法、装置、存储介质和电子装置 | |
| CN111330279B (zh) | 一种游戏ai的策略决策模型训练方法和装置 | |
| US20160001186A1 (en) | Group composition matchmaking system and method for multiplayer video games | |
| CN112439193B (zh) | 一种游戏难度匹配方法及装置 | |
| Chen et al. | Eomm: An engagement optimized matchmaking framework | |
| US20180185759A1 (en) | Skill matching for a multiplayer session | |
| CN111035932A (zh) | 游戏副本处理方法、装置、电子设备及存储介质 | |
| JP5914733B1 (ja) | ゲームシステム、ゲームの制御方法、及びプログラム | |
| KR101275648B1 (ko) | 온라인 게임에서의 중독 방지 방법 및 서버 | |
| CN111111203B (zh) | 一种机器人的训练方法及装置、技能释放方法及装置 | |
| CN106534970A (zh) | 一种推荐视频确定方法、数据处理服务器及系统 | |
| US20150151202A1 (en) | Game server, game controlling method, game program recording medium, and game system | |
| KR20230027202A (ko) | 프로그램, 방법, 시스템, 및 전자 장치 | |
| US11110357B2 (en) | Video game processing program, and video game processing system | |
| JP5823074B1 (ja) | ゲームシステム、ゲームサーバ、ゲーム端末、ゲームの制御方法、及びプログラム | |
| CN111330282A (zh) | 一种确定出牌候选项的方法及装置 | |
| CN111569425B (zh) | 虚拟角色的属性值控制方法及装置、电子设备、存储介质 | |
| CN116997394A (zh) | 程序、电子装置、方法以及系统 | |
| KR102397269B1 (ko) | 게임의 자동 플레이 제어 방법 및 장치 | |
| Ghosh et al. | Strategic budgets in sequential elimination contests | |
| Bendre et al. | On the probability of Magnus Carlsen reaching 2900 |
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 |