CN113457128B - 游戏角色对战胜率预测方法、装置 - Google Patents
游戏角色对战胜率预测方法、装置 Download PDFInfo
- Publication number
- CN113457128B CN113457128B CN202010178850.6A CN202010178850A CN113457128B CN 113457128 B CN113457128 B CN 113457128B CN 202010178850 A CN202010178850 A CN 202010178850A CN 113457128 B CN113457128 B CN 113457128B
- Authority
- CN
- China
- Prior art keywords
- prediction
- character
- data corresponding
- existing
- sample set
- 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 47
- 238000012360 testing method Methods 0.000 claims abstract description 17
- 238000012549 training Methods 0.000 claims description 52
- 230000009467 reduction Effects 0.000 claims description 31
- 238000012545 processing Methods 0.000 claims description 28
- 238000007781 pre-processing Methods 0.000 claims description 17
- 238000000605 extraction Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 11
- 238000012847 principal component analysis method Methods 0.000 claims description 10
- 230000006378 damage Effects 0.000 claims description 8
- 238000001816 cooling Methods 0.000 claims description 4
- 208000027418 Wounds and injury Diseases 0.000 claims 2
- 208000014674 injury Diseases 0.000 claims 2
- 230000000875 corresponding effect Effects 0.000 description 96
- 238000007689 inspection Methods 0.000 description 20
- 238000010586 diagram Methods 0.000 description 18
- 230000006870 function Effects 0.000 description 9
- 230000006854 communication Effects 0.000 description 7
- 230000000007 visual effect Effects 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000006467 substitution reaction Methods 0.000 description 3
- 230000001960 triggered effect Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000013477 bayesian statistics method Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 230000000977 initiatory effect Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000011946 reduction process Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000003442 weekly effect Effects 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
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请的实施例提供了一种游戏角色对战胜率预测方法、装置。该游戏角色胜率预测方法包括:获取待测角色对应的特征数据和多个已有角色对应的多个特征数据;根据所述待测角色对应的特征数据和所述多个已有角色对应的多个特征数据,得到与所述待测角色对应的预测样本集;将所述预测样本集输入胜率预测模型进行预测,得到所述待测角色与每个所述已有角色两两对战的预测胜率。本申请实施例的技术方案能够提高对游戏角色对战的胜率的预测效率,节省测试时间,并且,预测结果能够用于判断游戏角色的强弱,进一步为游戏角色的平衡性调整提供可靠依据。
Description
技术领域
本申请涉及游戏领域,具体而言,涉及一种游戏角色对战胜率预测方法、装置。
背景技术
目前,平衡性是衡量网络游戏优劣的一个重要因素,如果游戏中存在多个可供选择的游戏角色时,当某个游戏角色过于强大时,游戏的平衡性降低。在相关技术测试游戏角色强弱平衡时,往往需要消耗大量的测试人力进行对局测试,观察对战结果,非常耗费人力,而且对战结果容易受到测试人员自身操作因素的干扰,测试准确性不高。
发明内容
本申请的实施例提供了一种游戏角色对战胜率预测方法、装置,进而至少在一定程度上能够提高预测效率,节省测试时间,并且,预测结果能够用于判断游戏角色的强弱,进一步为游戏角色的平衡性调整提供可靠依据。
本申请的其他特性和优点将通过下面的详细描述变得显然,或部分地通过本申请的实践而习得。
根据本申请实施例的一个方面,提供了一种游戏角色对战胜率预测方法,包括:获取待测角色对应的特征数据和多个已有角色对应的多个特征数据;根据所述待测角色对应的特征数据和所述多个已有角色对应的多个特征数据,得到与所述待测角色对应的预测样本集;将所述预测样本集输入胜率预测模型进行预测,得到所述待测角色与每个所述已有角色两两对战的预测胜率。
根据本申请实施例的一个方面,提供了一种游戏角色对战胜率预测装置,包括:第一获取单元,用于获取待测角色对应的特征数据和多个已有角色对应的多个特征数据;处理单元,用于根据所述待测角色对应的特征数据和所述多个已有角色对应的多个特征数据,得到与所述待测角色对应的预测样本集;预测单元,用于将所述预测样本集输入胜率预测模型进行预测,得到所述待测角色与每个所述已有角色两两对战的预测胜率。
在本申请的一些实施例中,基于前述方案,在所述预测单元用于将所述预测样本集输入胜率预测模型进行预测,得到所述待测角色与每个所述已有角色两两对战的预测胜率之前,还包括:第二获取单元,用于获取所述多个已有角色对战的多个历史胜率数据;建立单元,用于根据所述多个已有角色对应的多个特征数据与所述多个历史胜率数据获得训练样本集,建立所述胜率预测模型。
在本申请的一些实施例中,基于前述方案,所述第一获取单元配置为:获取子单元,用于获取待测角色对应的原始数据和多个已有角色对应的多个原始数据;预处理子单元,用于对所述原始数据进行预处理,得到预处理后的数据;特征提取子单元,用于对所述预处理后的数据进行特征提取,分别得到所述待测角色对应的特征数据和所述多个已有角色对应的多个特征数据。
在本申请的一些实施例中,基于前述方案,所述预处理子单元配置为:按照预设规则对所述原始数据进行检查,得到多个检查结果;若任一所述检查结果不满足所述预设规则,则对该检查结果对应的原始数据进行修正,以使所述修正后的数据满足所述预设规则,将修正后的数据作为预处理后的数据。
在本申请的一些实施例中,基于前述方案,所述建立单元配置为:降维子单元,用于根据主成分分析法对所述训练样本集进行降维处理;生成子单元,用于通过降维后的训练样本集训练贝叶斯预测模型,生成所述胜率预测模型。
在本申请的一些实施例中,基于前述方案,所述生成子单元配置为:对所述降维后的训练样本集中的多个历史胜率数据进行离散化处理,得到多个类别;计算各个类别的先验概率以及所述降维后的训练样本集中的每个特征数据属于各个类别的条件概率;基于所述先验概率和所述条件概率生成所述胜率预测模型。
在本申请的一些实施例中,基于前述方案,所述预测单元配置为:根据主成分分析法对所述预测样本集进行降维处理;将降维后的预测样本集中的多个预测样本输入所述胜率预测模型,以使所述胜率预测模型根据所述先验概率以及所述条件概率,计算得到所述预测样本集中每个预测样本属于各个类别的后验概率;将所述每个预测样本属于各个类别集合的后验概率中的最大值作为所述待测角色与每个所述已有角色两两对战的预测胜率。
在本申请的一些实施例中,基于前述方案,所述处理单元配置为:根据所述待测角色对应的特征数据和任意一个已有角色对应的特征数据生成一个测试样本;根据生成的多个测试样本,得到与所述待测角色对应的预测样本集。
在本申请的一些实施例中,基于前述方案,所述装置还配置为:获取所述待测角色与每个所述已有角色两两对战的实际胜率;若所述预测胜率与所述实际胜率相匹配,则确定预测准确。
在本申请的一些实施例所提供的技术方案中,通过获取待测角色对应的特征数据和多个已有角色对应的多个特征数据,并根据获取待测角色对应的特征数据和多个已有角色对应的多个特征数据,得到与待测角色对应的预测样本集,将预测样本集输入胜率预测模型进行预测,可以得出待测角色与每个已有角色两两对战的预测胜率,通过本申请中的技术方案,利用胜率预测模型可以直接对待测角色的对战胜率进行预测,提高了预测效率,节约了预测时间,并且,胜率预测结果能够直接用于判断游戏角色的强弱,进一步为游戏角色的平衡性调整提供可靠依据。
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,并不能限制本申请。
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,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。显而易见地,下面描述中的附图仅仅是本申请的一些实施例,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。在附图中:
图1示出了可以应用本申请实施例的技术方案的一个示例性系统架构的示意图;
图2示出了可以应用本申请实施例的技术方案的一个示例性的系统功能示意图。
图3示出了根据本申请的一个实施例的游戏角色对战胜率预测方法的流程图;
图4示出了根据本申请的一个实施例的游戏角色对战胜率预测方法的流程图;
图5示出了根据本申请的一个实施例的游戏角色对战胜率预测方法的流程图;
图6示出了根据本申请的一个实施例的游戏角色对战胜率预测方法的流程图;
图7示出了根据本申请的一个实施例的游戏角色对战胜率预测方法的流程图;
图8示出了根据本申请的一个实施例的游戏角色对战胜率预测方法的流程图;
图9示出了根据本申请的一个实施例的游戏角色对战胜率预测方法的流程示意图;
图10示出了根据本申请的一个实施例的应用于火影忍者游戏中对原始数据进行预处理的结果示意图;
图11示出了根据本申请的一个实施例的应用于火影忍者游戏中游戏角色对战胜率预测结果示意图;
图12示出了根据本申请的一个实施例的图像处理装置的框图;
图13示出了适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的范例;相反,提供这些实施方式使得本申请将更加全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。
此外,所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中,提供许多具体细节从而给出对本申请的实施例的充分理解。然而,本领域技术人员将意识到,可以实践本申请的技术方案而没有特定细节中的一个或更多,或者可以采用其它的方法、组元、装置、步骤等。在其它情况下,不详细示出或描述公知方法、装置、实现或者操作以避免模糊本申请的各方面。
附图中所示的方框图仅仅是功能实体,不一定必须与物理上独立的实体相对应。即,可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
附图中所示的流程图仅是示例性说明,不是必须包括所有的内容和操作/步骤,也不是必须按所描述的顺序执行。例如,有的操作/步骤还可以分解,而有的操作/步骤可以合并或部分合并,因此实际执行的顺序有可能根据实际情况改变。
图1示出了可以应用本申请实施例的技术方案的示例性系统架构的示意图。
如图1所示,系统架构100可以包括web前端101,web服务器102和数据库服务器103。其中,web前端101可以用于对信息进行可视化显示,web前端101还可以用于通过网络将游戏策划人员输入的数据提交至web服务器102,从而游戏业务侧可以通过网络从web服务器102获取到客户端资源,在获取到客户端资源后,在游戏业务侧可以对客户端资源进行数据处理。
Web服务器102可用于当接收web前端101发送的游戏角色对战胜率的可视化请求时,获取可视化请求对应的胜率信息,并在web前端101对胜率信息进行可视化展示。在具体实现中,用户可通过web前端101提交游戏角色对战胜率的可视化请求,当接收到web前端101发送的游戏角色对战胜率的可视化请求时,web服务器102可以在数据库服务器103中查询对应的胜率信息,在获得胜率信息后,将胜率信息发送至web前端101,web前端可以结合预设的图形库,对胜率信息进行可视化展示,为用户提供直观的数据展示,便于进行平衡性调节。在一个实施例中,由于数据库服务器103查询速度较慢,为了优化用户体验,web服务器102可以通过设置定时任务,周期性将胜率信息存储于缓存中,如Redis和数据库缓存,则可以优先从缓存中进行查询,当缓存中不存在时,则在数据库服务器103中进行查询。
网络是用以在web前端101、web服务器102以及数据库服务器103之间提供通信链路的介质。网络可以包括但不限于:无线网络、有线网络,有线网络包括但不限于以下至少之一:广域网、城域网、局域网。无线网络包括但不限于以下至少之一:蓝牙、WI-FI、近场通信(Near Field Communication,简称NFC)。
应该理解,图1中的web前端101、web服务器102以及数据库服务器103的数目仅仅是示意性的。根据实现需要,可以具有任意数目的web前端101、web服务器102以及数据库服务器103。比如服务器可以是多个服务器组成的服务器集群等。
在本申请的一个实施例中,游戏业务侧首先从web服务器102中获取到客户端资源,其中,客户端资源包括了待测角色对应的原始数据、多个已有角色对应的原始数据,其中,待测角色是在游戏中未上线的角色,该角色无法供游戏玩家进行选择,而已有角色是游戏中已经上线的角色,可供游戏玩家进行选择的角色,在获取原始数据后,则可以对获取到的原始数据进行数据的预处理和特征提取,得到待测角色对应的特征数据和多个已有角色对应的多个特征数据,从而形成预测样本集。
在本申请的一个实施例中,在通过数据预处理和特征提取得到预测样本集后,web服务器102会将预测样本集发送至数据分析侧的数据库服务器103中,数据库服务器103可以对接收到的预测样本集进行特征处理,在进行特征处理后,利用胜率预测模型对处理后的预测样本集进行胜率预测,得到待测角色与每个已有角色两两对战的预测胜率。
在本申请的一个实施例中,数据分析侧的数据库服务器103在利用胜率预测模型对预测样本集进行胜率预测前,可以通过获取多个已有角色对战的多个历史胜率数据和多个已有角色对应的多个特征数据得到训练样本集,对训练样本集进行训练,建立胜率预测模型。
图2示出了可以应用本申请实施例的技术方案的一个示例性的系统功能示意图。
如图2所示,系统功能包括了游戏业务侧的客户端资源可用于实现样本成长、数据预处理、胜率预测和胜率统计的功能。
样本成长:随着游戏角色的不断上线,进行游戏角色对战胜率预测的样本数量也不断增加,举例说明,在当前时间段包括10个已有角色,则样本可以由1个待测角色和10个已有角色构成,如果在下一个时间段新上线1个游戏角色,则已有角色成长为11个,那么样本可以由1个待测角色和11个已有角色构成。
数据预处理:为了确保数据源的准确性,需要对客户端资源中的原始数据进行检查,判断客户端工程中数据的设定是否合理,避免数据问题而导致后续对结果预测的影响。在一个实施例中,预处理的方式可以按照预设规则对原始数据进行检查,预设规则可以是霸体触发场景检查规则、移动可行区域脚本范围检查规则、技能表检查规则、受击框大小检查规则、动画检查规则、替身术闪现范围检查规则、普通攻击平地无限连击可能性检查规则、普通攻击脱控检查规则、状态机检查规则、逻辑帧一致性检查规则、controller基础数据配置检查规则中的一个或多个。
胜率预测:当从客户端资源提取得到待测角色对应的特征数据和多个已有角色对应的多个特征数据后,可以对特征数据进行处理,结合预测算法,实现对待测角色与每个已有角色两两对战的胜率的预测。
胜率统计:当通过客户端资源实现胜率预测后,可以对胜率数据进行统计,其中,胜率统计不仅可以是对预测胜率数据的统计,还可以是多个已有角色两两对战的历史实际胜率数据的统计,还可以是待测角色上线后,待测角色与多个已有角色两两对战的实际胜率的统计。
以下对本申请实施例的技术方案的实现细节进行详细阐述:
图3示出了根据本申请的一个实施例的游戏角色对战胜率预测方法的流程图,参照图3所示,所述方法包括:
步骤S310、获取待测角色对应的特征数据和多个已有角色对应的多个特征数据;
步骤S320、根据所述待测角色对应的特征数据和所述多个已有角色对应的多个特征数据,得到与所述待测角色对应的预测样本集;
步骤S330、将所述预测样本集输入胜率预测模型进行预测,得到所述待测角色与每个所述已有角色两两对战的预测胜率。
下面对这些步骤进行详细描述。
在步骤S310中,获取待测角色对应的特征数据和多个已有角色对应的多个特征数据。
具体的,待测角色是指游戏中待上线的角色,因为该游戏角色未上线,因此,该游戏角色也不能够被游戏玩家进行选择。在该游戏角色上线之前,需要对该游戏角色测试,其中可以包括对该待测角色的强弱情况进行测试,也即对游戏角色对战胜率的预测。对应的,已有角色则是指游戏中已经上线的角色,该角色是可以供游戏玩家进行选择的。
在游戏对战场景中,对战双方往往可以选择各个游戏角色,释放不同的技能进行对战,为了预测待测角色在游戏对战中的胜率,可以首先获取到待测角色对应的特征数据和多个已有角色对应的特征数据,其中,特征数据的获取可以从游戏客户端解析二进制文件及游戏客户端资源所得到的数据中进行提取,并且可以用量化指标表示特征数据。例如,可以通过以下八项量化游戏角色的特征数据:攻击起手时间(技能从发起攻击到产生第一次攻击判定的时间)、技能攻击范围、命中后产生的总伤害、攻击类型(攻击是否抓取、普通、不打断)、连击系数(施展一次攻击后,后续触发连段的可行性)、攻击是否会破伤害保护、技能冷却时间、技能持续时间。
在本申请的一个实施例中,获取特征数据的方式包括原始数据的获取以及特征提取两个方面,如图5所示,步骤S310具体可以包括:
步骤S3101、获取待测角色对应的原始数据和多个已有角色对应的多个原始数据;
步骤S3102、对所述原始数据进行预处理,得到预处理后的数据;
步骤S3103、对所述预处理后的数据进行特征提取,分别得到所述待测角色对应的特征数据和所述多个已有角色对应的多个特征数据。
下面对这些步骤进行详细描述。
在步骤S3101中,获取待测角色对应的原始数据和多个已有角色对应的多个原始数据。
具体的,原始数据是指未经过任何数据处理的数据,从游戏客户端解析的二进制文件以及游戏客户端资源中可以获取到与游戏角色(包括待测角色和已有角色)对应的原始数据。
步骤S3102中,对所述原始数据进行预处理,得到预处理后的数据。
在通过步骤S3101获取到原始数据之后,为了确保数据源的准确性,需对原始数据进行检查,判断游戏客户端工程中数据的设定是否合理,避免数据问题而导致后续对结果预测的影响。
其中,预处理的方式可以是数据的清洗、筛选、核查,在本申请的一个实施例中,为了确保数据源的准确性,可以确定出具体规则,按照预设规则对原始数据进行检查,在该实施例中,步骤S3102具体包括:
按照预设规则对所述原始数据进行检查,得到检查结果;
若所述检查结果不满足所述预设规则,则对所述原始数据进行修正,以使所述修正后的数据满足所述预设规则,将修正后的数据作为预处理后的数据。
在该实施例中,预设规则可以是霸体触发场景检查规则、移动可行区域脚本范围检查规则、技能表检查规则、受击框大小检查规则、动画检查规则、替身术闪现范围检查规则、普通攻击平地无限连击可能性检查规则、普通攻击脱控检查规则、状态机检查规则、逻辑帧一致性检查规则、controller基础数据配置检查规则中的一个或多个,按照预设规则可以判断原始数据是否存在错误,以便对错误进行修改,从而保证后续预测的准确性。
继续参见图5,在步骤S3103中,对所述预处理后的数据进行特征提取,分别得到所述待测角色对应的特征数据和所述多个已有角色对应的多个特征数据。
在得到预处理后的数据后,可以通过不同的特征提取方法从预处理后的数据中进行特征提取,从待测角色对应的预处理后的原始数据中可以提取得到待测角色对应的特征数据,从多个已有角色对应的多个预处理后的原始数据中可以提取得到多个已有角色对应的多个特征数据。
继续参见图3,在步骤S320中,根据所述待测角色对应的特征数据和所述多个已有角色对应的多个特征数据,得到与所述待测角色对应的预测样本集。
具体的,由于存在多个已有角色,因此,待测角色可以和各个已有角色进行对战,从而可以根据待测角色对应的特征数据和已有角色对应的特征数据生成预测样本。
在本申请的一个实施例中,可以根据待测角色对应的特征数据和一个已有角色对应的特征数据,得到一个预测样本,在该实施例中,步骤S320具体包括:
根据所述待测角色对应的特征数据和任意一个已有角色对应的特征数据生成一个测试样本;
根据生成的多个测试样本,得到与所述待测角色对应的预测样本集。
在该实施例中,一个测试样本是根据待测角色对应的特征数据和任意一个已有角色对应的特征数据生成的,例如,待测角色对应的特征数据有20个,一个已有角色对应的特征数据也有20个,则可以得到一个预测样本有40个特征。由于存在多个已有角色,因此可以得到多个预测样本,根据多个预测样本可以得到与待测角色对应的预测样本集。
值得说明的是,待测角色可以是和一个已有角色进行对战,也可以是和多个已有角色进行对战,本申请实施例在此不做限定。
继续参见图3,步骤S330,将所述预测样本集输入胜率预测模型进行预测,得到所述待测角色与每个所述已有角色两两对战的预测胜率。
具体的,胜率预测模型是用于对游戏角色对战胜率进行预测的机器学习模型,通过输入游戏角色的特征数据,利用胜率预测模型可以输出预测胜率。
在通过步骤S320得到预测样本集后,就可以将预测样本集中的多个预测样本输入胜率预测模型中,从而得到待测角色与每个已有角色两两对战的预测胜率。
通过胜率预测模型的方式预测待测角色与已有角色两两对战的胜率,不仅可以有效提高预测效率,节省预测时间,而且可以提高预测准确性,胜率预测结果可以用于评定待测角色的强弱,进而可以为游戏平衡性调整提供可靠依据。
在本申请一个实施例中,参见图4,建立胜率预测模型的过程可以包括步骤S410至步骤S420,详细说明如下:
步骤S410,获取所述多个已有角色两两对战的多个历史胜率数据。
由于已有角色是已经上线,且可供用户选择的游戏角色,因此,可以获取得到多个已有角色两两对战的多个历史胜率数据,其中,获取历史胜率数据的方式可以是从分布式数据仓库下载到本地数据库,数据格式为已有角色之间对战的总场次和对战胜利的场次信息。
步骤S420,根据所述多个已有角色对应的多个特征数据与所述多个历史胜率数据获得训练样本集,建立所述胜率预测模型。
其中,在获得包含特征数据和胜率数据的训练样本集后,可以根据机器学习算法对训练样本集进行训练,根据训练结果建立胜率预测模型。
在本申请一个实施例中,参见图6,步骤S420还可以具体包括步骤S4201至步骤S4202,详细说明如下:
步骤S4201、根据主成分分析法对所述训练样本集进行降维处理。
具体的,主成分分析(Principal Component Analysis,PCA)是一种统计方法。通过正交变换将一组可能存在相关性的变量转换为一组线性不相关的变量,转换后的这组变量叫主成分。比如原训练样本数据有4个特征,如样本:[772,1104,53,-1104],每个值均为训练样本的一个特征,可以通过降维成2个特征。
如前所述,一个游戏角色的特征数据可以包括八项:攻击起手时间(技能从发起攻击到产生第一次攻击判定的时间)、技能攻击范围、命中后产生的总伤害、攻击类型(攻击是否抓取、普通、不打断)、连击系数(施展一次攻击后,后续触发连段的可行性)、攻击是否会破伤害保护、技能冷却时间、技能持续时间。而一个游戏角色特征数据又可以包括普攻,技能A,技能B,奥义四个维度,因此,由两个已有角色的特征数据构成的一个训练样本包括64维,而通过主成分分析法对训练样本集进行降维处理可以降低到60维。
通过降维处理可以减少关联性较大的特征数据,因为朴素贝叶斯假设各个特征数据是相互独立且同等重要的,因此通过降维处理可以保证后续通过降维后的训练样本集训练贝叶斯预测模型时,降维后的训练样本集能够满足贝叶斯预测模型的数据要求。
步骤S4202、通过降维后的训练样本集训练贝叶斯预测模型,生成所述胜率预测模型。
其中,贝叶斯预测模型是运用贝叶斯统计进行的一种预测。贝叶斯统计不同于一般的统计方法,其不仅利用模型信息和数据信息,而且充分利用先验信息。
在此需要说明的是,贝叶斯是关于随机事件X和Y的条件概率的一则定理,公式如下:
其中,P(Y)是Y的先验概率,之所以称为“先验”是因为它不考虑任何X方面的因素。P(YX)是Y的后验概率。P(XY)是X的后验概率。P(X)是X的先验概率,也作标准化常量。
在本申请的一个实施例中,因为获取的训练样本包括多个已有角色对应的多个特征数据和多个已有角色两两对战的历史胜率数据,因此,参见图7,步骤S4202可以具体包括:
步骤S42021、对所述降维后的训练样本集中的多个历史胜率数据进行离散化处理,得到多个类别;
步骤S42022、计算各个类别的先验概率以及所述降维后的训练样本集中的每个特征数据属于各个类别的条件概率;
步骤S42023、基于所述先验概率和所述条件概率生成所述胜率预测模型。
下面对这些步骤详细进行解释。
在步骤S42021中,对所述降维后的训练样本集中的多个历史胜率数据进行离散化处理,得到多个类别。
具体的,通过离散化处理的方式将多个历史胜率数据离散化到1~100,得到多个类别。
在步骤S42022中,计算各个类别的先验概率以及所述降维后的训练样本集中的每个特征数据属于各个类别的条件概率。
在通过步骤S42021得到类别后,利用贝叶斯算法原理可以计算得到各个类别的先验概率以及降维后的训练样本集中的每个特征数据属于各个类别的条件概率。
举例说明,设有训练样本集中每个训练样本为X={x1,x2,x3.....xd},其中,d表示特征数据的个数,类别为Y={y1,y2,y3....ym},其中,m表示类别的个数,因此,利用贝叶斯算法可以计算得到各个类别的先验概率P(Y),例如,y1类别的先验概率P(y1),y2类别的先验概率P(y2),以及每个特征数据属于各个类别的条件概率P(X|Y),例如,特征数据x1属于y1类别的条件概率P(x1|y1),特征数据x2属于y1类别的条件概率P(x2|y1)。
在步骤S42023中,基于所述先验概率和所述条件概率生成所述胜率预测模型。
胜率预测模型是用于预测待测角色对战胜率的机器学习模型,通过训练样本集的训练,按照贝叶斯算法可以计算出各个类别的先验概率和每个特征数据属于各个类别的条件概率,从而生成胜率预测模型,在胜率预测模型中关联了游戏角色的特征数据与胜率之间的关系,因此,当在该模型中输入游戏角色的特征数据时,可以直接输出胜率。
在利用贝叶斯原理建立胜率预测模型后,将预测样本集输入,就可以直接得到胜率预测模型输出的预测胜率,如图8所示,步骤S330还可以具体包括:
步骤S3301、将所述预测样本集中的多个预测样本输入所述胜率预测模型,以使所述胜率预测模型根据所述先验概率以及所述条件概率,计算得到所述预测样本集中每个预测样本属于各个类别的后验概率;
步骤S3302、将所述每个预测样本属于各个类别集合的后验概率中的最大值作为所述待测角色与每个所述已有角色两两对战的预测胜率。
在步骤S3301中,将所述预测样本集中的多个预测样本输入所述胜率预测模型,以使所述胜率预测模型根据所述先验概率以及所述条件概率,计算得到所述预测样本集中每个预测样本属于各个类别的后验概率。
具体的,如前所述,贝叶斯算法的公式为:
设预测样本X={x1,x2,x3.....xd},其中,d表示特征数据的个数,类别为Y={y1,y2,y3....ym},其中,m表示类别的个数,因此,可以得到每个预测样本属于各个类别的后验概率的公式为:
其中,P(yi|x1,x2,....xd)表示预测样本X={x1,x2,x3.....xd}属于类别yi的后验概率,P(yi)表示类别yi的先验概率,P(xj|yi)表示特征数据xj属于类别yi的条件概率,P(xj)表示特征数据xj的先验概率,为标准化常量。
在步骤S3302中,将所述每个预测样本属于各个类别集合的后验概率中的最大值作为所述待测角色与每个所述已有角色两两对战的预测胜率。
在通过步骤S3301计算得到后验概率后,可以将最大的后验概率作为对该预测样本进行预测的输出结果,从而得到待测角色与该预测样本对应的已有角色两两对战的预测胜率。
以上实施例,通过建立胜率预测模型的方式,使得在胜率预测模型中输入游戏角色的特征数据后,就可以直接得出游戏角色两两对战的预测胜率,提高了预测效率,节约了预测时间,并且,胜率预测结果能够直接用于判断游戏角色的强弱,进一步为游戏角色的平衡性调整提供可靠依据。
在本申请的一个实施例中,在待测角色游戏上线后,还可以获取到待测角色与线上已有角色的实际胜率情况,进一步对比预测胜率与实际胜率,在该实施例中,所述方法还包括:
获取所述待测角色与每个所述已有角色两两对战的实际胜率;
若所述预测胜率与所述实际胜率相匹配,则确定预测准确。
在该实施例中,待测角色在上线后,也就是可以供游戏玩家选择后,可以获取到待测角色与已有角色两两对战的实际胜率,其中,获取的方式可以是定期获取,例如每周或每月。
在获取实际胜率与预测胜率之后,可以进一步比较预测胜率与实际胜率,如果两者相匹配,则确定预测准确,需要说明的是,预测胜率与实际胜率相匹配可以是两者在允许的误差范围内,比如说设定误差范围为10%,如果预测胜率与实际胜率的误差在这个范围内,则可以认定相匹配。
图9示出了根据本申请的一个实施例的游戏角色对战胜率预测方法的流程示意图。
步骤S910,对数据进行预处理。
在获得待测角色和已有角色的原始数据后,为了确保数据源的准确性,需对原始数据进行检查,判断游戏客户端工程中数据的设定是否合理,避免数据问题而导致后续对结果预测的影响。
其中,预处理的方式可以是数据的清洗、筛选、核查,在本申请的一个实施例中,为了确保数据源的准确性,可以确定出具体规则,按照预设规则对原始数据进行检查。
预设规则可以是霸体触发场景检查规则、移动可行区域脚本范围检查规则、技能表检查规则、受击框大小检查规则、动画检查规则、替身术闪现范围检查规则、普通攻击平地无限连击可能性检查规则、普通攻击脱控检查规则、状态机检查规则、逻辑帧一致性检查规则、controller基础数据配置检查规则中的一个或多个,按照预设规则可以判断原始数据是否存在错误,以便对错误进行修改,从而保证后续预测的准确性。
步骤S920、对预处理后的数据进行特征提取,得到待测角色对应的特征数据和多个已有角色对应的多个特征数据。
在对原始数据进行预处理后,可以通过不同的特征提取方法从预处理后的数据中进行特征提取,得到待测角色对应的特征数据和多个已有角色对应的多个特征数据。
步骤S930、特征数据的处理。
在此,对特征数据的处理包括了对训练样本集和测试样本集中特征数据的处理。其中,训练样本集是由多个已有角色对应的多个特征数据和多个已有角色对战的多个历史胜率数据构成,预测样本集是由待测角色对应的特征数据和多个已有角色对应的多个特征数据构成。
在一个实施例中,对特征数据的处理可以是根据主成分分析法进行降维处理,通过降维处理可以减少关联性较大的特征数据,以便后续的数据处理。
步骤S940、胜率预测。
在通过步骤S930对特征数据进行处理后,就可以对训练样本集进行训练,建立胜率预测模型,在得到胜率预测模型后,将预测样本集中的多个预测样本输入胜率预测模型,得到胜率预测模型输出的待测角色与每个已有角色对战的预测胜率。
图10示出了根据本申请的一个实施例的应用于火影忍者游戏中对原始数据进行预处理的结果示意图。
在获取火影忍者游戏中的游戏角色的原始数据后,为了确保数据源的准确性,需要首先对原始数据进行预处理。
在本申请的一个实施例中,可以按照预设规则对原始数据进行检测,得到检测结果。其中,在火影忍者游戏中对游戏角色对应的原始数据进行检测的预设规则可以有11项:霸体触发场景检查、移动可行区域脚本范围检查、技能表检测、受击框大小检查、动画检查、替身术闪现范围检查、普通攻击平地无限连击可能性检查、普通攻击脱控检查、忍者状态机检查、逻辑帧一致性检查、controller基础数据配置检查。
如图10所示,示意性地示出了对忍者ID为90009对应的原始数据分别按照霸体触发场景检查、移动可行区域脚本范围检查、受击框大小检查和动画检查四个预设规则进行检查的检查结果。其中,霸体检查结果中存在3个错误,移动可行区域检查结果中不存在任何错误或警告,受击框检查结果中存在4个警告和2个错误,动画检查结果中存在4个错误。
图11示出了根据本申请的一个实施例的应用于火影忍者游戏中游戏角色对战胜率预测结果示意图。
如图11所示,web页面上显示了火影忍者“李洛克”与其他已有忍者两两对战的预测胜率和实际胜率。其中,预测胜率是通过本申请实施例中的游戏角色对战胜率预测方法得到的预测结果,实际胜率则是通过实际胜利场次与实际对战场次计算得到的,在同一web页面上同时展示出预测胜率与实际胜率,可以方便判断预测的准确性,当然,由于预测过程中各种影响因素的存在,在预测胜率与实际胜率之间设置一个预测误差范围,例如预测误差范围为5%、10%或者15%,预测误差范围可以根据实际情况进行设置,本申请实施例在此不做限定。
以下介绍本申请的装置实施例,可以用于执行本申请上述实施例中的游戏角色对战胜率预测方法。对于本申请装置实施例中未披露的细节,请参照本申请上述的游戏角色对战胜率预测方法的实施例。
图12示出了根据本申请的一个实施例的游戏角色对战胜率预测装置的框图,参照图12所示,根据本申请的一个实施例的游戏角色对战胜率预测装置1200,包括:第一获取单元1202、处理单元1204和预测单元1206。
其中,第一获取单元1202,用于获取待测角色对应的特征数据和多个已有角色对应的多个特征数据;处理单元1204,用于根据所述待测角色对应的特征数据和所述多个已有角色对应的多个特征数据,得到与所述待测角色对应的预测样本集;预测单元1206,用于将所述预测样本集输入胜率预测模型进行预测,得到所述待测角色与每个所述已有角色两两对战的预测胜率。
在本申请的一些实施例中,基于前述方案,在所述预测单元1206用于将所述预测样本集输入胜率预测模型进行预测,得到所述待测角色与每个所述已有角色两两对战的预测胜率之前,还包括:第二获取单元,用于获取所述多个已有角色对战的多个历史胜率数据;建立单元,用于根据所述多个已有角色对应的多个特征数据与所述多个历史胜率数据获得训练样本集,建立所述胜率预测模型。
在本申请的一些实施例中,基于前述方案,所述第一获取单元1202配置为:获取子单元,用于获取待测角色对应的原始数据和多个已有角色对应的多个原始数据;预处理子单元,用于对所述原始数据进行预处理,得到预处理后的数据;特征提取子单元,用于对所述预处理后的数据进行特征提取,分别得到所述待测角色对应的特征数据和所述多个已有角色对应的多个特征数据。
在本申请的一些实施例中,基于前述方案,所述预处理子单元配置为:按照预设规则对所述原始数据进行检查,得到多个检查结果;若任一所述检查结果不满足所述预设规则,则对该检查结果对应的原始数据进行修正,以使所述修正后的数据满足所述预设规则,将修正后的数据作为预处理后的数据。
在本申请的一些实施例中,基于前述方案,所述建立单元配置为:降维子单元,用于根据主成分分析法对所述训练样本集进行降维处理;生成子单元,用于通过降维后的训练样本集训练贝叶斯预测模型,生成所述胜率预测模型。
在本申请的一些实施例中,基于前述方案,所述生成子单元配置为:对所述降维后的训练样本集中的多个历史胜率数据进行离散化处理,得到多个类别;计算各个类别的先验概率以及所述降维后的训练样本集中的每个特征数据属于各个类别的条件概率;基于所述先验概率和所述条件概率生成所述胜率预测模型。
在本申请的一些实施例中,基于前述方案,所述预测单元1206配置为:根据主成分分析法对所述预测样本集进行降维处理;将降维后的预测样本集中的多个预测样本输入所述胜率预测模型,以使所述胜率预测模型根据所述先验概率以及所述条件概率,计算得到所述预测样本集中每个预测样本属于各个类别的后验概率;将所述每个预测样本属于各个类别集合的后验概率中的最大值作为所述待测角色与每个所述已有角色两两对战的预测胜率。
在本申请的一些实施例中,基于前述方案,所述处理单元1204配置为:根据所述待测角色对应的特征数据和任意一个已有角色对应的特征数据生成一个测试样本;根据生成的多个测试样本,得到与所述待测角色对应的预测样本集。
在本申请的一些实施例中,基于前述方案,所述装置还配置为:获取所述待测角色与每个所述已有角色两两对战的实际胜率;若所述预测胜率与所述实际胜率相匹配,则确定预测准确。
图13示出了适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。
需要说明的是,图13示出的电子设备的计算机系统1600仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图13所示,计算机系统1300包括中央处理单元(Central Processing Unit,CPU)1301,其可以根据存储在只读存储器(Read-Only Memory,ROM)1302中的程序或者从存储部分1308加载到随机访问存储器(Random Access Memory,RAM)1303中的程序而执行各种适当的动作和处理,例如执行上述实施例中所述的方法。在RAM 1303中,还存储有系统操作所需的各种程序和数据。CPU 1301、ROM 1302以及RAM 1303通过总线1304彼此相连。输入/输出(Input/Output,I/O)接口1305也连接至总线1304。
以下部件连接至I/O接口1305:包括键盘、鼠标等的输入部分1306;包括诸如阴极射线管(Cathode Ray Tube,CRT)、液晶显示器(Liquid Crystal Display,LCD)等以及扬声器等的输出部分1307;包括硬盘等的存储部分1308;以及包括诸如LAN(Local AreaNetwork,局域网)卡、调制解调器等的网络接口卡的通信部分1309。通信部分1309经由诸如因特网的网络执行通信处理。驱动器1310也根据需要连接至I/O接口1305。可拆卸介质1311,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器1310上,以便于从其上读出的计算机程序根据需要被安装入存储部分1308。
特别地,根据本申请的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本申请的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的计算机程序。在这样的实施例中,该计算机程序可以通过通信部分1309从网络上被下载和安装,和/或从可拆卸介质1311被安装。在该计算机程序被中央处理单元(CPU)1301执行时,执行本申请的系统中限定的各种功能。
需要说明的是,本申请实施例所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(Erasable Programmable Read Only Memory,EPROM)、闪存、光纤、便携式紧凑磁盘只读存储器(Compact Disc Read-Only Memory,CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的计算机程序。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的计算机程序可以用任何适当的介质传输,包括但不限于:无线、有线等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。其中,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现,所描述的单元也可以设置在处理器中。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定。
作为另一方面,本申请还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被一个该电子设备执行时,使得该电子设备实现上述实施例中所述的方法。
应当注意,尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元,但是这种划分并非强制性的。实际上,根据本申请的实施方式,上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之,上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本申请实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、触控终端、或者网络设备等)执行根据本申请实施方式的方法。
本领域技术人员在考虑说明书及实践这里公开的实施方式后,将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、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申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。
应当理解的是,本申请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。本申请的范围仅由所附的权利要求来限制。
Claims (10)
1.一种游戏角色对战胜率预测方法,其特征在于,所述方法包括:
获取待测角色对应的特征数据和多个已有角色对应的多个特征数据,所述待测角色为游戏中待上线,且无法供游戏玩家进行选择的角色;所述已有角色为游戏中已上线,且可供游戏玩家进行选择的角色;
根据所述待测角色对应的特征数据和所述多个已有角色对应的多个特征数据,得到与所述待测角色对应的预测样本集,所述特征数据包括攻击起手时间、命中后产生的总伤害、攻击类型、连击系数、攻击是否会破伤害保护、技能冷却时间和技能持续时间;
获取所述多个已有角色对战的多个历史胜率数据;
根据所述多个已有角色对应的多个特征数据与所述多个历史胜率数据获得训练样本集,根据主成分分析法对所述训练样本集进行降维处理;
通过降维后的训练样本集训练贝叶斯预测模型,生成胜率预测模型;
将所述预测样本集输入胜率预测模型进行预测,得到所述待测角色与每个所述已有角色两两对战的预测胜率。
2.根据权利要求1所述的方法,其特征在于,所述获取待测角色对应的特征数据和多个已有角色对应的多个特征数据,包括:
获取待测角色对应的原始数据和多个已有角色对应的多个原始数据;
对所述原始数据进行预处理,得到预处理后的数据;
对所述预处理后的数据进行特征提取,分别得到所述待测角色对应的特征数据和所述多个已有角色对应的多个特征数据。
3.根据权利要求2所述的方法,其特征在于,所述对所述原始数据进行预处理,得到预处理后的数据,包括:
按照预设规则对所述原始数据进行检查,得到多个检查结果;
若任一所述检查结果不满足所述预设规则,则对该检查结果对应的原始数据进行修正,以使所述修正后的数据满足所述预设规则,将修正后的数据作为预处理后的数据。
4.根据权利要求1所述的方法,其特征在于,所述通过降维后的训练样本集训练贝叶斯预测模型,生成所述胜率预测模型,包括:
对所述降维后的训练样本集中的多个历史胜率数据进行离散化处理,得到多个类别;
计算各个类别的先验概率以及所述降维后的训练样本集中的每个特征数据属于各个类别的条件概率;
基于所述先验概率和所述条件概率生成所述胜率预测模型。
5.根据权利要求4所述的方法,其特征在于,所述将所述预测样本集输入所述胜率预测模型进行预测,得到所述待测角色与每个所述已有角色两两对战的预测胜率,包括:
根据主成分分析法对所述预测样本集进行降维处理;
将降维后的预测样本集中的多个预测样本输入所述胜率预测模型,以使所述胜率预测模型根据所述先验概率以及所述条件概率,计算得到所述预测样本集中每个预测样本属于各个类别的后验概率;
将所述每个预测样本属于各个类别集合的后验概率中的最大值作为所述待测角色与每个所述已有角色两两对战的预测胜率。
6.根据权利要求1所述的方法,其特征在于,所述根据所述待测角色对应的特征数据和所述多个已有角色对应的多个特征数据,得到与所述待测角色对应的预测样本集,包括:
根据所述待测角色对应的特征数据和任意一个已有角色对应的特征数据生成一个测试样本;
根据生成的多个测试样本,得到与所述待测角色对应的预测样本集。
7.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取所述待测角色与每个所述已有角色两两对战的实际胜率;
若所述预测胜率与所述实际胜率相匹配,则确定预测准确。
8.一种游戏角色对战胜率预测装置,其特征在于,所述装置包括:
第一获取单元,用于获取待测角色对应的特征数据和多个已有角色对应的多个特征数据,所述待测角色为游戏中待上线,且无法供游戏玩家进行选择的角色;所述已有角色为游戏中已上线,且可供游戏玩家进行选择的角色;
处理单元,用于根据所述待测角色对应的特征数据和所述多个已有角色对应的多个特征数据,得到与所述待测角色对应的预测样本集,所述特征数据包括攻击起手时间、命中后产生的总伤害、攻击类型、连击系数、攻击是否会破伤害保护、技能冷却时间和技能持续时间;
第二获取单元,用于获取所述多个已有角色对战的多个历史胜率数据;建立单元,用于根据所述多个已有角色对应的多个特征数据与所述多个历史胜率数据获得训练样本集,根据主成分分析法对所述训练样本集进行降维处理;通过降维后的训练样本集训练贝叶斯预测模型,生成胜率预测模型;
预测单元,用于将所述预测样本集输入胜率预测模型进行预测,得到所述待测角色与每个所述已有角色两两对战的预测胜率。
9.一种电子设备,其特征在于,包括:
中央处理单元;以及
存储器,用于存储程序;
其中,所述中央处理单元配置为根据所述存储器中的程序而执行权利要求1-7任一项所述的方法。
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,所述计算机程序被电子设备执行时实现权利要求1-7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010178850.6A CN113457128B (zh) | 2020-03-15 | 2020-03-15 | 游戏角色对战胜率预测方法、装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010178850.6A CN113457128B (zh) | 2020-03-15 | 2020-03-15 | 游戏角色对战胜率预测方法、装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113457128A CN113457128A (zh) | 2021-10-01 |
CN113457128B true CN113457128B (zh) | 2023-12-08 |
Family
ID=77864728
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010178850.6A Active CN113457128B (zh) | 2020-03-15 | 2020-03-15 | 游戏角色对战胜率预测方法、装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113457128B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006198156A (ja) * | 2005-01-20 | 2006-08-03 | Konami Digital Entertainment:Kk | ゲーム装置及びプログラム |
CN104102799A (zh) * | 2013-04-01 | 2014-10-15 | 腾讯科技(深圳)有限公司 | 游戏数据测试方法及测试装置 |
CN105786711A (zh) * | 2016-03-25 | 2016-07-20 | 广州华多网络科技有限公司 | 一种数据分析的方法及装置 |
CN109453524A (zh) * | 2018-11-14 | 2019-03-12 | 腾讯科技(深圳)有限公司 | 一种对象匹配的方法、模型训练的方法及服务器 |
CN109794060A (zh) * | 2019-01-08 | 2019-05-24 | 网易(杭州)网络有限公司 | 一种游戏数据处理的系统及方法、电子设备、存储介质 |
CN109840833A (zh) * | 2019-02-13 | 2019-06-04 | 苏州大学 | 贝叶斯协同过滤推荐方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150347918A1 (en) * | 2014-06-02 | 2015-12-03 | Disney Enterprises, Inc. | Future event prediction using augmented conditional random field |
US20170165582A1 (en) * | 2015-12-14 | 2017-06-15 | Rankingball, Inc. | Fantasy Sports Game Managing Apparatus Reflecting Result of Real-Time Sports Event |
-
2020
- 2020-03-15 CN CN202010178850.6A patent/CN113457128B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006198156A (ja) * | 2005-01-20 | 2006-08-03 | Konami Digital Entertainment:Kk | ゲーム装置及びプログラム |
CN104102799A (zh) * | 2013-04-01 | 2014-10-15 | 腾讯科技(深圳)有限公司 | 游戏数据测试方法及测试装置 |
CN105786711A (zh) * | 2016-03-25 | 2016-07-20 | 广州华多网络科技有限公司 | 一种数据分析的方法及装置 |
CN109453524A (zh) * | 2018-11-14 | 2019-03-12 | 腾讯科技(深圳)有限公司 | 一种对象匹配的方法、模型训练的方法及服务器 |
CN109794060A (zh) * | 2019-01-08 | 2019-05-24 | 网易(杭州)网络有限公司 | 一种游戏数据处理的系统及方法、电子设备、存储介质 |
CN109840833A (zh) * | 2019-02-13 | 2019-06-04 | 苏州大学 | 贝叶斯协同过滤推荐方法 |
Non-Patent Citations (1)
Title |
---|
基于深度学习的Dota2阵容推荐与胜率预测系统的研究与实现;许晨波;万方;第28-49页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113457128A (zh) | 2021-10-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108197652B (zh) | 用于生成信息的方法和装置 | |
CN109922032B (zh) | 用于确定登录账户的风险的方法、装置、设备及存储介质 | |
CN109447156B (zh) | 用于生成模型的方法和装置 | |
CN109976997B (zh) | 测试方法和装置 | |
KR20170009991A (ko) | 글로벌 모델로부터의 로컬화된 학습 | |
CN106776253A (zh) | 一种界面卡顿监测方法及装置 | |
CN109345417B (zh) | 基于身份认证的业务人员的在线考核方法及终端设备 | |
CN109976999B (zh) | 测试用例覆盖率的度量方法和度量装置 | |
CN110070076B (zh) | 用于选取训练用样本的方法和装置 | |
US20210049414A1 (en) | Deep graph de-noise by differentiable ranking | |
CN113457128B (zh) | 游戏角色对战胜率预测方法、装置 | |
CN110704614A (zh) | 对应用中的用户群类型进行预测的信息处理方法及装置 | |
CN116955068A (zh) | 序列相似度计算及告警处理方法、装置以及存储介质 | |
CN108256451B (zh) | 用于检测人脸的方法和装置 | |
CN111259689B (zh) | 用于发送信息的方法和装置 | |
EP4068175A1 (en) | Method for increasing or decreasing number of workers and inspectors in crowdsourcing-based project for creating artificial intelligence learning data | |
CN111949860B (zh) | 用于生成相关度确定模型的方法和装置 | |
CN114493683A (zh) | 广告素材推荐方法、模型训练方法、装置及电子设备 | |
CN113111234A (zh) | 基于正则表达式的处警警情类别确定方法和装置 | |
CN109656803B (zh) | 信息推送方法、装置和电子设备 | |
CN113282471B (zh) | 设备性能测试方法、装置、终端设备 | |
CN114399355B (zh) | 基于用户转化率的信息推送方法、装置和电子设备 | |
CN112348587A (zh) | 信息推送方法、装置和电子设备 | |
CN117093840A (zh) | 一种评价结果确定方法、装置、设备和存储介质 | |
CN113190779A (zh) | 网页评估方法和装置 |
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 |