CN113111225A - 用于篮球赛事的自动匹配组队方法 - Google Patents

Abstract

本申请公开了一种用于篮球赛事的自动匹配组队方法，包括：为每一个参与篮球赛事的球员建立包括字段标签的数据库；引入样本球员数据；构建样本球员身高数据集。所述方法还包括：对样本球员进行匹配分队，得到若干个队；以单循环的形式安排所有队进行比赛，记录每名球员每场比赛的个人技术统计数据；为每名球员构建个人技术数据矩阵以及个人技术权重矩阵。本申请提供的用于篮球赛事的自动匹配组队方法，能够自动对篮球赛事数据进行处理，处理效率高，准确率高，不再需要通过人工处理篮球赛事数据，大大减轻了人工劳动量，降低了人力成本，完全能够满足实际应用的需要。

Description

用于篮球赛事的自动匹配组队方法

技术领域

本申请涉及计算机技术领域，具体涉及一种用于篮球赛事的自动匹配组队方法。

背景技术

篮球运动的比赛形式多种多样。除了传统的全场5对5国际规则外，半场3对3、4对4等比赛形式在近年来也得到了广泛的流行和应用。但在大多数情况下，篮球比赛都以参与人员组成两支或多支固定队伍为前提，比赛在这些固定队伍之间展开。然而，随着生活节奏加快，相当数量的公众在日常参与篮球运动时均是以个体的形式加入，每一场篮球活动的参与人员构成、数量、水平均不确定。在这种情况下临时组织、实时参与的团队对抗，传统的固定组队模式无法采用，而完全的随机组队形式很难兼顾公平，提供优秀的运动体验，无法更好为今天的篮球运动参与者提供服务。现有技术中通过人工对篮球赛事数据例如运动员数据进行处理，效率低，出错率高，劳动量巨大。

发明内容

本申请的目的是提供一种用于篮球赛事的自动匹配组队方法。为了对披露的实施例的一些方面有一个基本的理解，下面给出了简单的概括。该概括部分不是泛泛评述，也不是要确定关键/重要组成元素或描绘这些实施例的保护范围。其唯一目的是用简单的形式呈现一些概念，以此作为后面的详细说明的序言。

根据本申请实施例的一个方面，提供一种用于篮球赛事的自动匹配组队方法，包括：

为每一个参与篮球赛事的球员建立包括字段标签的数据库；

引入样本球员数据；

构建样本球员身高数据集。

进一步地，所述方法还包括：

对样本球员进行匹配分队，得到若干个队；

以单循环的形式安排所有队进行比赛，记录每名球员每场比赛的个人技术统计数据；

为每名球员构建个人技术数据矩阵以及个人技术权重矩阵。

进一步地，所述方法还包括：

重复对所述样本球员数据进行随机抽取和匹配，直至重复次数达到阈值。

进一步地，所述对所述样本球员数据进行随机抽取和匹配，包括：

假设一共有k名球员至少参与了一次抽取和匹配；

根据数据库中的胜率数据，按胜率从高到低为这k名球员构建胜率数据集V＝{v₁，v₂，v₃，...，v_k}，

其中v₁为其中胜率最高的球员1在t+1次重复的有放回抽取和匹配所参与的所有比赛中的总胜率，以此类推；

将V中的数据进行Z-score标准化处理，得到新的标准化个人技能数据集R＝{r₁，r₂，r₃，...，r_k}，其中

以此类推，其中min(V)指V集合中的最小值，max(V)指V集合中的最大值。

进一步地，所述方法还包括：

根据数据库中的个人技术统计数据，得到球员1最新的个人技术数据矩阵S″₁＝[c″_1，1，c″_2，1，c″_3，1，c″_4，1，c″_5，1，c″_6，1，c″_7，1]，其中c″_1，1指第一名球员最新的场均得分数值，c″_2，1指第一名球员的更新后的场均篮板数，以此类推，直至得到球员k最新的个人技术数据矩阵S″_k＝[c″_1，k，c″_2，k，c″_3，k，c″_4，k，c″_5，k，c″_6，k，c″_7，k]。

进一步地，所述方法还包括：

利用梯度下降方法在给定的权重矩阵赋值内对损失函数进行训练，直至损失函数的值达到范围内最小时，得到技术权重矩阵更新后的参数取值。

进一步地，所述方法还包括：

使用Z-score标准化方式分别将数据库中所有球员数据进行标准化处理，得到当前全体参与者的标准化身高数据集。

进一步地，所述方法还包括：定期对权重矩阵的参数进行调整。

根据本申请实施例的另一个方面，提供一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序，以实现上述的用于篮球赛事的自动匹配组队方法。

根据本申请实施例的另一个方面，提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行，以实现上述的用于篮球赛事的自动匹配组队方法。

本申请实施例的其中一个方面提供的技术方案可以包括以下有益效果：

本申请实施例提供的用于篮球赛事的自动匹配组队方法，能够自动对篮球赛事数据进行处理，处理效率高，准确率高，不再需要通过人工处理篮球赛事数据，大大减轻了人工劳动量，降低了人力成本，完全能够满足实际应用的需要。

本申请的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者，部分特征和优点可以从说明书中推知或毫无疑义地确定，或者通过实施本申请实施例了解。本申请的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请中记载的一些实施例，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的附图。

图1为本申请一实施方式的用于篮球赛事的自动匹配组队方法流程图；

图2为本申请一实施方式中确定个人技术权重矩阵W取值的流程图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，下面结合附图和具体实施例对本申请做进一步说明。应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动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。

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

参考图1所示，本申请的一个实施例提供了一种用于篮球赛事的自动匹配组队方法，包括以下步骤：

步骤一，为每一个参与篮球赛事的球员建立包括字段标签的数据库，其所述字段标签包括ID、性别、身高、场均技术统计数据(包括场均得分、场均篮板数、场均助攻、场均抢断、场均盖帽、场均失误、场均犯规)、胜场数、败场数、胜率及技能值，每位球员都对应数据库中的唯一ID。

步骤二，对每个单独的个体而言，他们在每一场比赛中的表现呈正态分布，即他在随机某场比赛中的表现会围绕他的当前技能值上下浮动。一般地，对某位球员n，将其当前技能值标注为P_n(n＝1，2，3，...)。

步骤三，引入第一批样本球员，球员人数不小于100人，其中女性球员数量不少于10％，不大于20％。此样本集中，男性球员身高数据集为M₁＝{m₁，m₂，m₃，...，m_n}，女性球员身高数据集为F₁＝{f₁，f₂，f₃，...，f_p}，其中，n，p分别为该批样本球员中男性球员和女性球员数量。

将M₁和F₁两个数据集中的身高数据进行Z-score标准化处理，得到两个新的标准化身高数据集X₁＝{x₁，x₂，x₃，...，x_n}，Y₁＝{y₁，y₂，y₃，...，y_p}，其中

以此类推，其中min(M₁)指M₁数据集中的最小值，max(M₁)指M₁数据集中的最大值，min(F₁)指F₁数据集中的最小值，max(F₁)指F₁数据集中的最大值。

步骤四，构建样本球员身高数据集Z₁＝X₁+Y₁＝{x₁，x₂，x₃，...，x_n，y₁，y₂，y₃，...，y_p}，在数据集Z₁中按与总体样本相等的男女比例随机抽取一定数量的球员(例如30人)，这30人的身高数据构成新的数据集A₁＝{a₁，a₂，a₃，...，a₃₀}，其中a₁，a₂，a₃，...，a₃₀为从大到小排列，并分别对应这30人在数据集Z₁中的数值。

步骤五，对第一批样本球员进行首次3V3匹配。将从步骤四中抽取30名球员按3人一队进行匹配分成10队，匹配原则如下：

1.每组最多只能有一位女性(条件1)；

2.构建每个三人组的平均身高数据H，例如由a₁，a₂，a₃组成一队时，

并构建均方差函数

其中u∈N(/N为自然数集合)表示有限多种符合(条件1)的不同的分组可能，

为当前分组方式下所有H值的平均数，此数值等价于数据集A₁中所有元素的平均数。H_i为该种分组方式下，第i组的H值。采用f(u)为最小值时的情况进行分组，将30名球员分成10队。

步骤六，用步骤五所述分组，以10队单循环的形式进行3V3比赛，并记录每名球员每场比赛的个人技术统计数据，所述个人技术统计数据包括场均得分(c₁)、场均篮板数(c₂)、场均助攻(c₃)、场均抢断(c₄)、场均盖帽(c₅)、场均失误(c₆)、场均犯规(c₇)、总胜场数、总败场数、胜率

并将数据写入步骤一中所述数据库。

步骤七，为每名球员构建个人技术数据矩阵S，例如第一名球员的技术数据矩阵为S₁＝[c_1，1，c_2，1，c_3，1，c_4，1，c_5，1，c_6，1，c_7，1]，其中c_1，1指第一名球员的场均得分数值，c_2，1指第一名球员的场均篮板数，以此类推。

步骤八，构建球员的个人技术权重矩阵W＝[w₁，w₂，w₃，w₄，w₅，w₆，w₇]，其中w₁至w₇分别对应c₁至c₇七项数据统计，为w₁至w₇赋初始值，其中w₁＝w₂＝w₃＝w₄＝w₅＝1，w₆＝w₇＝-0.5。

步骤九，对步骤六中提及的参与首次匹配的30名球员，构建球员技能值指标

例如对于球员1，他的基本技能值为

其中T表示矩阵转置。构建技能值数据集P＝{P₁，P₂，P₃，...，P₃₀}，其中数据P₁对应步骤四中所述身高数据为a₁的球员的个人技能数据，以此类推。

对这30名球员再次进行匹配，按3人一队匹配分成10队，匹配原则如下：

1.每组最多只能有一位女性(条件1)；

2.以

为身高数据的1/2分位数，每组球员的身高数据不能均位于步骤四中所述A₁数据集中前1/2分位(即不能均大于a′)，也不能均位于步骤四中所述A₁数据集中后1/2分位(即也不能均小于a′)(条件2)；

3.构建每个三人组的平均技能值数据P，例如由a₁，a₁₁，a₂₁组成一队时，

并构建均方差函数

其中u∈N表示有限多种同时符合符合(条件1)及(条件2)的不同的分组可能，

为当前分组方式下所有P值的平均数，此数值等价于数据集P中所有元素的平均数。P_i为该种分组方式下，第i组的P值。采用f(u)为最小值时的情况进行分组，将30名球员分成10队。

步骤十，用步骤七所述分组，以10队单循环的形式进行3V3比赛，记录每名球员每场比赛的技术统计数据，并在步骤六所述数据基础上合并更新每名球员的个人技术统计数据，所述更新后的个人技术统计数据包括场均得分(c′₁)、场均篮板数(c′₂)、场均助攻(c′₃)、场均抢断(c′₄)、场均盖帽(c′₅)、场均失误(c′₆)、场均犯规(c′₇)、总胜场数、总败场数、胜率

并对步骤一中所述数据库中数据做对应的更新。在更新的技术统计数据基础上更新每名球员构建个人技术数据矩阵S，例如第一名球员的技术数据矩阵更新为S′₁＝[c′_1，1，c′_2，1，c′_3，1，c′_4，1，c′_5，1，c′_6，1，c′_7，1]，其中c′_1，1指第一名球员的更新后的场均得分数值，c′_2，1指第一名球员的更新后的场均篮板数，以此类推。

步骤十一，利用步骤四至步骤十对步骤三中的第一批样本球员进行第二次随机抽取和匹配，抽取方式为有放回抽取，即抽取对象并不排除步骤四中抽出的30名球员。当一位球员被再次抽出时，他在步骤四至步骤十所述的第一次抽取过程中产生的个人技术统计数据及个人技术矩阵数据应继续沿用，并根据第二次抽取过程的产生的数据进行更新。

步骤十二，重复步骤十一，直至重复次数t＞lnn，其中，n为第一批引入样本球员总数。此时，包括第一次随机抽取和匹配，一共进行了t+1重复的有放回抽取和匹配。

如图2所示，步骤十三至步骤步骤十六为通过构建模型，最终确定个人技术权重矩阵W取值的过程，具体步骤如下：

步骤十三，在步骤十二所述t+1次重复的有放回抽取和匹配中，假设一共有k名球员至少参与了一次抽取和匹配。根据数据库中的胜率数据，按胜率从高到低为这k名球员构建胜率数据集V＝{v1_，v2_，v₃，...，v_k}，其中v₁为其中胜率最高的球员1在t+1次重复的有放回抽取和匹配所参与的所有比赛中的总胜率，以此类推。将V中的数据进行Z-score标准化处理，得到新的标准化个人技能数据集R＝{r₁，r₂，r₃，...，r_k}，其中

以此类推，其中min(V)指V集合中的最小值，max(V)指V集合中的最大值。

步骤十四，根据数据库中的个人技术统计数据，得到球员1最新的个人技术数据矩阵S″₁＝[c″_1，1，c″_2，1，c″_3，1，c″_4，1，c″_5，1，c″_6，1，c″_7，1]，其中c″_1，1指第一名球员最新的场均得分数值，c″_2，1指第一名球员的更新后的场均篮板数，以此类推，直至得到球员k最新的个人技术数据矩阵S″_k＝[c″_1，k，c″_2，k，c″_3，k，c″_4，k，c″_5，k，c″_6，k，c″_7，k]。

步骤十五，根据步骤八中所述个人技术权重矩阵W＝[w₁，w₂，w₃，w₄，w₅，w₆，w₇]，以初始赋值w₁＝w₂＝w₃＝w₄＝w₅＝1，w₆＝w₇＝-0.5得到球员1到球员k的最新个人技能值P″_n＝W(S″_n)^T＝∑w_ic″_i，n。例如对于球员1，他的个人技能值为P″₁＝W(S″₁)^T＝∑w₁c″_i，1，其中T表示矩阵转置。得到这k位球员的个人技能值集合P″＝{P″₁，P″₂，P″₃，...，P″_k}。将P″中的数据进行Z-score标准化处理，得到新的标准化个人技能数据集Q＝{q₁，q₂，q₃，...，q_k}，其中

以此类推，其中min(P″)指P″集合中的最小值，max(P″)指P″集合中的最大值。利用该集合Q与步骤十三中所述数据集R＝{r₁，r₂，r₃，...，r_k}构建损失函数：

其中，r_q1，r_m，r_q3分别为集合R中数据的前25％分位数、中位数和前75％分位数。

步骤十六，从初始值出发，利用梯度下降方法在给定的权重矩阵赋值内对步骤十五中所述损失函数进行训练，所述的给定权重矩阵赋值区间为如下：

w₁∈[0.7，1]，w₂∈[0.5，1]，w₃∈[0.5，1]，w₄∈[0.5，1]，w₅∈[0.5，1]，w₆∈[-0.5，-0.3]，w₇∈[-0.5，-0.3]

在给定赋值区间内对损失函数进行训练，直至损失函数的值达到范围内最小时，得到技术权重矩阵W更新后的参数取值W＝[w₁，w₂，w₃，w₄，w₅，w₆，w₇]，完成模型构建。

步骤十七至步骤十九为使用步骤十六所述模型对篮球赛事活动及参赛者进行匹配的过程。

步骤十七，使用Z-score标准化方式分别将数据库中所有男性球员和女性球员数据进行标准化处理，得到当前全体参与者的标准化身高数据集X_e＝{x₁，x₂，x₃，...，x_m}，Y_e＝{y₁，y₂，y₃，...，y_f}，其中m和f分别对应当前数据库中所有男性球员和女性球员数量，X_e和Y_e分别为标准化后的每位男性球员和每位女性球员的身高数值集合。

步骤十八，使用构建完成的模型对篮球活动的参与者进行匹配，比如某次活动一共有j人参与，需要按三人一组进行匹配分为l组(3l≤j＜3(l+1))，则先调用步骤十七所述身高数据构建参与者身高数据集合Z＝{z₁，z₂，z₃，...，z_j}及每名参与者当前的个人技术数据矩阵。例如身高数据为z₁的球员1，当前的个人技术数据矩阵为S₁＝[c_1，1，c_2，1，c_3，1，c_4，1，c_5，1，c_6，1，c_7，1]，并使用步骤十六所述技术权重矩阵W的参数取值计算其当前

其中T表示矩阵转置。以此类推。按三人一组的匹配原则如下：

1.每组最多只能有一位女性(条件1)；

2.每组球员的身高数据不能均大于或等于z_m，也不能均小于z_m，其中z_m为集合Z中各数据的中位数(条件2)；

3.构建每个三人组的平均技能值数据P，例如由球员1、2、3组成一队时，

并构建均方差函数

其中u∈N表示有限多种同时符合符合(条件1)及(条件2)的不同的分组可能，

为当前分组方式下所有P值的平均数，此数值等价于数据集P中所有元素的平均数。P_i为该种分组方式下，第i组的P值。采用f(u)为最小值时的情况进行分组，即可将球员分为l个三人组。

步骤十九，用步骤十八所述分组，按具体需求进行3对3的比赛，记录每名球员每场比赛的技术统计数据，在每一次活动和匹配完成后，更新所述数据库内的数据，随着参与球员的增多和数据库中数据量的不断增大，定期使用步骤十三对步骤十六所述方式对匹配模型中权重矩阵W的参数进行调整，以保证匹配效果的持续性和公平性。

另外需要说明的是，本方法不仅仅适用于篮球比赛中三人一组的匹配，通过更改步骤三至步骤十六中的相关参数，也可以得到4对4与5对5赛制下的相应匹配模型。

本方法利用计算机和数据库技术、运用随机森林算法、TOPSIS评价模型、多元线性回归和梯度下降等算法的基本原理，利用机器学习方法训练一个或者多个匹配模型，进而实现一种用于在有多人参与的随机篮球赛事和活动中进行组队匹配的方法。这种方法能够在不限定参与人数、不需要在赛前组成固定队伍的情况下，提供多种形式的匹配和组队，实时输出组队结果，并实现组队结果上的最大程度的实力均衡，为参与者提供有质量的团队对抗，提升篮球运动参与者的运动体验。

本方法取得了以下有益技术效果：

1.所有篮球运动参与者，无论性别、年龄和运动水平高低，都可以被纳入本系统并使用本方法进行匹配与组队；

2.通过多次相似环境下的随机采样匹配，通过线性回归和参数估计方式，量化每位球员的客观条件与水平对比赛结果的影响；

3.基于篮球运动特点对纳入系统的参与者长期表现进行评价，从而评估球员当前打球能力，并根据每次结果进行数据动态更新；

4.进一步地，基于篮球运动特点，通过TOPSIS评价模型评估团队整体实力以及队伍间对抗的期望胜率，解决完全随机匹配方式中产生的实力不均衡问题；

5.构建多元线性回归模型并进行训练，对不同队伍的期望胜率组合与波动进行最小化处理，实现波动最小化；

6.引入动态参数调整机制，根据模型的过往结果调整对应的模型参数，以保证匹配方法的科学性和公平性得以维续。

本申请另一个实施例提供了一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序，以实现上述的用于篮球赛事的自动匹配组队方法。

本申请另一个实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行，以实现上述的用于篮球赛事的自动匹配组队方法。

本申请实施例提供的用于篮球赛事的自动匹配组队方法，能够自动对篮球赛事数据例如运动员数据进行处理，处理效率高，准确率高，不再需要通过人工处理篮球赛事数据，大大减轻了人工劳动量，降低了人力成本，完全能够满足实际应用的需要。

在此提供的算法和显示不与任何特定计算机、虚拟装置或者其它设备固有相关。各种通用装置也可以与基于在此的示教一起使用。根据上面的描述，构造这类装置所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。

在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。

类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。

本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。

此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。

本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的虚拟机的创建装置中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。

应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。

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

以上所述实施例仅表达了本发明的实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种用于篮球赛事的自动匹配组队方法，其特征在于，包括：

为每一个参与篮球赛事的球员建立包括字段标签的数据库；

引入样本球员数据；

构建样本球员身高数据集。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：

对样本球员进行匹配分队，得到若干个队；

以单循环的形式安排所有队进行比赛，记录每名球员每场比赛的个人技术统计数据；

为每名球员构建个人技术数据矩阵以及个人技术权重矩阵。

3.根据权利要求2所述的方法，其特征在于，所述方法还包括：

重复对所述样本球员数据进行随机抽取和匹配，直至重复次数达到阈值。

4.根据权利要求3所述的方法，其特征在于，所述对所述样本球员数据进行随机抽取和匹配，包括：

假设一共有k名球员至少参与了一次抽取和匹配：

根据数据库中的胜率数据，按胜率从高到低为这k名球员构建胜率数据集V＝{v₁，v₂，v₃，...，v_k}，

其中v₁为其中胜率最高的球员1在t+1次重复的有放回抽取和匹配所参与的所有比赛中的总胜率，以此类推；

将V中的数据进行Z-score标准化处理，得到新的标准化个人技能数据集R＝{r₁，r₂，r₃，...，r_k}，其中

以此类推，其中min(V)指V集合中的最小值，max(V)指V集合中的最大值。

5.根据权利要求4所述的方法，其特征在于，所述方法还包括：

根据数据库中的个人技术统计数据，得到球员1最新的个人技术数据矩阵S″₁＝[c″_1，1，c″_2，1，c″_3，1，c″_4，1，c″_5，1，c″_6，1，c″_7，1]，其中c″_1，1指第一名球员最新的场均得分数值，c″_2，1指第一名球员的更新后的场均篮板数，以此类推，直至得到球员k最新的个人技术数据矩阵S″_k＝[c″_1，k，c″_2，k，c″_3，k，c″_4，k，c″_5，k，c″_6，k，c″_7，k]。

6.根据权利要求4所述的方法，其特征在于，所述方法还包括：

利用梯度下降方法在给定的权重矩阵赋值内对损失函数进行训练，直至损失函数的值达到范围内最小时，得到技术权重矩阵更新后的参数取值。

7.根据权利要求4所述的方法，其特征在于，所述方法还包括：

使用Z-score标准化方式分别将数据库中所有球员数据进行标准化处理，得到当前全体参与者的标准化身高数据集。

8.根据权利要求4所述的方法，其特征在于，所述方法还包括：定期对权重矩阵的参数进行调整。

9.一种电子设备，其特征在于，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序，以实现如权利要求1-8中任一所述的方法。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行，以实现如权利要求1-8中任一所述的方法。

Images