CN113713374A - 信息显示方法、装置、计算机设备及存储介质 - Google Patents

信息显示方法、装置、计算机设备及存储介质 Download PDF

Info

Publication number
CN113713374A
CN113713374A CN202110292811.3A CN202110292811A CN113713374A CN 113713374 A CN113713374 A CN 113713374A CN 202110292811 A CN202110292811 A CN 202110292811A CN 113713374 A CN113713374 A CN 113713374A
Authority
CN
China
Prior art keywords
scene
target
feature
features
data
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.)
Pending
Application number
CN202110292811.3A
Other languages
English (en)
Inventor
杨泽龙
王琰
黄绍伦
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tencent Technology Shenzhen Co Ltd
Original Assignee
Tencent Technology Shenzhen Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tencent Technology Shenzhen Co Ltd filed Critical Tencent Technology Shenzhen Co Ltd
Priority to CN202110292811.3A priority Critical patent/CN113713374A/zh
Publication of CN113713374A publication Critical patent/CN113713374A/zh
Pending legal-status Critical Current

Links

Images

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
    • A63F13/50—Controlling the output signals based on the game progress
    • A63F13/52—Controlling the output signals based on the game progress involving aspects of the displayed game scene
    • 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
    • A63F13/55—Controlling game characters or game objects based on the game progress
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Human Computer Interaction (AREA)
  • Processing Or Creating Images (AREA)

Abstract

本申请提供了一种信息显示方法、装置、计算机设备及存储介质，属于人工智能技术领域。方法包括：基于当前显示的目标场景获取多个场景特征；基于多个场景特征分别进行预测，得到与每个场景特征对应的预测信息；基于多个场景特征及对应的预测信息，确定权重信息；根据权重信息，显示提示信息。上述技术方案，基于当前显示的目标场景，获取多个场景特征以及每个场景特征所指示的场景中发生至少一种目标事件的概率，能够获取当前显示的目标场景对应的目标场景特征中各个特征维度对各个目标事件的影响权重，基于提示信息对至少一个特征维度对至少一个目标事件的影响权重进行提示，提供了场景中各种目标事件的相关信息，提高了信息量。

Description

信息显示方法、装置、计算机设备及存储介质
技术领域
本申请涉及人工智能技术领域，特别涉及一种信息显示方法、装置、计算机设备及存储介质。
背景技术
多人在线战术竞技(Multiplayer Online Battle Arena,MOBA)类游戏已成为最受欢迎的游戏类型之一。如何在MOBA游戏的游戏过程中，预测之后发生的事件，是一个热门的研究方向。
相关的MOBA游戏的实时性预测，通常是基于游戏过程中的实时游戏数据，预测双方阵营的实时胜率，显示该实时胜率，但是显示的信息量较少。
发明内容
本申请实施例提供了一种信息显示方法、装置、计算机设备及存储介质，能够基于提示信息对至少一个特征维度对至少一个目标事件的影响权重进行提示，提供了虚拟场景中各种目标事件的相关信息，提高了信息量。所述技术方案如下：
一方面，提供了一种信息显示方法，所述方法包括：
基于当前显示的目标场景获取多个场景特征，每个场景特征包括至少两个特征维度对应的特征，所述多个场景特征中包括与所述当前显示的目标场景对应的目标场景特征；
基于所述多个场景特征分别进行预测，得到与每个场景特征对应的预测信息，所述预测信息用于表示在对应的场景特征所指示的场景中发生至少一种目标事件的概率；
基于所述多个场景特征及对应的预测信息，确定权重信息，所述权重信息表示所述目标场景特征中各个特征维度对各个目标事件的影响权重；
根据所述权重信息，显示提示信息，所述提示信息包括至少一个特征维度对至少一个目标事件的影响权重。
另一方面，提供了一种信息显示装置，所述装置包括：
特征获取模块，用于基于当前显示的目标场景获取多个场景特征，每个场景特征包括至少两个特征维度对应的特征，所述多个场景特征中包括与所述当前显示的目标场景对应的目标场景特征；
预测模块，用于基于所述多个场景特征分别进行预测，得到与每个场景特征对应的预测信息，所述预测信息用于表示在对应的场景特征所指示的场景中发生至少一种目标事件的概率；
确定模块，用于基于所述多个场景特征及对应的预测信息，确定权重信息，所述权重信息表示所述目标场景特征中各个特征维度对各个目标事件的影响权重；
显示模块，用于根据所述权重信息，显示提示信息，所述提示信息包括至少一个特征维度对至少一个目标事件的影响权重。
在一种可选的实现方式中，所述确定模块，用于对于所述至少两个特征维度中的任一特征维度，从所述多个场景特征中分别获取所述特征维度对应的第一特征；基于所述多个场景特征对应的所述第一特征和所述预测信息，确定所述特征维度对所述各个目标事件的影响权重；将各个特征维度对所述各个目标事件的影响权重确定为所述权重信息。
在一种可选的实现方式中，所述特征获取模块，包括：
特征提取单元，用于对所述当前显示的目标场景对应的目标场景数据进行特征提取，得到所述目标场景特征；
特征获取单元，用于基于所述目标场景特征，获取所述多个场景特征，所述多个场景特征中每两个相邻场景特征之间的距离相同，或者所述多个场景特征中每两个相邻场景特征中相同特征维度对应的特征之间的差值相同。
在一种可选的实现方式中，所述当前显示的目标场景对应的目标场景数据包括当前时刻之前的目标时长内的各个时刻对应的数据；
所述特征提取单元，用于对所述各个时刻对应的数据分别进行特征提取，得到所述各个时刻对应的目标场景子特征；将所述各个时刻对应的目标场景子特征按照时间顺序进行组合，得到所述目标场景特征。
在一种可选的实现方式中，所述目标场景数据包括至少两个特征维度对应的数据，所述至少两个特征维度包括离散维度和连续维度，其中所述离散维度的数据属于离散分布的数据，所述连续维度的数据属于连续分布的数据；
所述特征提取单元，用于对所述目标场景数据中属于所述离散维度的数据进行特征提取，得到第二特征；对所述目标场景数据中属于所述连续维度的数据进行特征提取，得到第三特征；对所述第二特征和所述第三特征进行拼接，得到所述目标场景特征。
在一种可选的实现方式中，所述多个场景特征中包括参考场景特征和中间场景特征，所述特征获取单元，用于确定所述参考场景特征对应的参考特征点与所述目标场景特征对应的目标特征点构成的线段；从所述线段中提取目标数量的特征点，以使所述参考特征点、所述目标数量的特征点与所述目标特征点等间隔分布；将所述目标数量的特征点对应的特征确定为所述中间场景特征。
在一种可选的实现方式中，所述预测模块，用于基于目标预测模型分别对每个场景特征进行处理，得到与所述每个场景特征对应的预测信息。
在一种可选的实现方式中，所述目标预测模型的训练过程包括：
基于样本场景获取第一训练数据，所述第一训练数据包括所述样本场景中发生的至少一个样本事件以及所述至少一个样本事件关联的多个样本场景特征，每个样本场景特征包括至少两个特征维度对应的特征；
基于所述第一训练数据训练得到所述目标预测模型。
在一种可选的实现方式中，所述第一训练数据包括第一类训练数据和第二类训练数据，所述至少一个样本事件包括可重复事件和不可重复事件；
所述基于样本场景获取第一训练数据，包括：
从所述样本场景对应的样本场景数据中，获取所述可重复事件发生前的样本时刻的数据，得到所述第一类训练数据；
从所述样本场景对应的样本场景数据中，获取所述不可重复事件发生前的样本时间段内的数据，得到所述第二类训练数据。
在一种可选的实现方式中，所述装置还包括：
保真度信息获取模块，用于基于所述目标预测模型对第一测试数据进行预测，得到每个测试场景特征对应的测试预测信息，所述第一测试数据包括所述至少一个样本事件关联的多个测试场景特征，每个测试场景特征包括至少两个特征维度对应的特征；基于所述多个测试场景特征及对应的测试预测信息，确定测试权重信息，所述测试权重信息表示所述多个测试场景特征中各个特征维度对各个样本事件的影响权重；将所述第一训练数据和所述第一测试数据中不属于目标特征维度的数据置零，得到第二训练数据和第二测试数据，所述目标特征维度表示对所述各个样本事件的影响权重最高的至少一个特征维度；基于所述第二训练数据训练得到目标替代模型，所述目标替代模型与所述目标预测模型的结构相同；根据所述第二测试数据对所述目标替代模型进行测试，得到保真度信息，所述保真度信息表示所述测试权重信息的可信程度。
另一方面，提供了一种计算机设备，所述计算机设备包括处理器和存储器，所述存储器用于存储至少一段计算机程序，所述至少一段计算机程序由所述处理器加载并执行以实现本申请实施例中信息显示方法所执行的操作。
另一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一段计算机程序，所述至少一段计算机程序由处理器加载并执行以实现如本申请实施例中信息显示方法所执行的操作。
另一方面，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机程序代码，该计算机程序代码存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机程序代码，处理器执行该计算机程序代码，使得该计算机设备执行上述各种可选实现方式中提供的信息显示方法。
本申请实施例提供的技术方案带来的有益效果是：
本申请实施例提供的技术方案，通过基于当前显示的目标场景，获取多个场景特征，并分别获取每个场景特征所指示的场景中发生至少一种目标事件的概率，从而能够获取当前显示的目标场景对应的目标场景特征中各个特征维度对各个目标事件的影响权重，最后基于提示信息对至少一个特征维度对至少一个目标事件的影响权重进行提示，提供了场景中各种目标事件的相关信息，提高了信息量。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例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是根据本申请实施例提供的一种信息显示方法的实施环境示意图；
图2是根据本申请实施例提供的一种信息显示方法的流程图；
图3是根据本申请实施例提供的另一种信息显示方法的流程图；
图4是根据本申请实施例提供的一种特征提取的示意图；
图5是根据本申请实施例提供的一种目标预测模型的示意图；
图6是根据本申请实施例提供的一种显示提示信息的示意图；
图7是根据本申请实施例提供的一种信息显示装置的框图；
图8是根据本申请实施例提供的一种终端的结构框图；
图9是根据本申请实施例提供的一种服务器的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施方式作进一步地详细描述。
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请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、本申请的一些方面相一致的装置和方法的例子。
下面简单介绍一下本申请实施例用到的技术：
人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。
人工智能技术是一门综合学科，涉及领域广泛，既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
机器学习(Machine Learning，ML)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、示教学习等技术。
长短期记忆网络(LSTM，Long Short-Term Memory)是一种时间循环神经网络，是为了解决一般的RNN(Recurrent Neural Network，循环神经网络)存在的长期依赖问题而专门设计出来的，所有的RNN都具有一种重复神经网络模块的链式形式。在标准RNN中，这个重复的结构模块只有一个非常简单的结构，例如一个tanh(双曲正切)层。
以下对本申请实施例所涉及的一些名词进行解释。
虚拟场景：是应用程序在终端上运行时显示(或提供)的虚拟场景。该虚拟场景能够是对真实世界的仿真环境，也能够是半仿真半虚构的虚拟环境，还能够是纯虚构的虚拟环境。虚拟场景能够是二维虚拟场景、2.5维虚拟场景或者三维虚拟场景中的任意一种，本申请实施例对虚拟场景的维度不加以限定。例如，虚拟场景包括天空、陆地、海洋等，该陆地包括沙漠、城市等环境元素，终端用户能够控制虚拟对象在该虚拟场景中进行移动。可选地，该虚拟场景还能够用于至少两个虚拟对象之间的虚拟场景对战，在该虚拟场景中具有可供至少两个虚拟对象使用的虚拟资源。可选地，该虚拟场景中包括对称的两个区域，属于两个敌对阵营的虚拟对象分别占据其中一个区域，并以摧毁对方区域深处的目标建筑/据点/基地/水晶作为胜利目标，其中，对称的区域比如左下角区域和右上角区域，又比如左侧中部区域和右侧中部区域等。可选地，MOBA游戏中一个阵营的初始位置，也即属于该阵营的虚拟对象出生的位置在虚拟场景的左下角，而另一个阵营的初始位置在虚拟场景的右上角。
虚拟对象：是指在虚拟场景中显示的对象。该对象是虚拟人物、虚拟动物、动漫人物等，比如：在虚拟场景中显示的人物、动物、植物、油桶、墙壁、石块等。该虚拟对象能够是该虚拟场景中的一个虚拟的用于代表用户的虚拟形象。虚拟场景中能够包括多个虚拟对象，每个虚拟对象在虚拟场景中具有自身的形状和体积，占据虚拟场景中的一部分空间。可选地，当虚拟场景为三维虚拟场景时，虚拟对象能够是一个三维立体模型，该三维立体模型能够是基于三维人体骨骼技术构建的三维角色，同一个虚拟对象能够通过穿戴不同的皮肤来展示出不同的外在形象。在一些实施例中，虚拟对象也能够采用2.5维或2维模型来实现，本申请实施例对此不加以限定。在MOBA游戏中，虚拟对象可以称为英雄。
可选地，该虚拟对象是通过客户端上的操作进行控制的用户角色，或者是通过训练设置在虚拟场景对战中的人工智能(Artificial Intelligence，AI)，或者是设置在虚拟场景互动中的非用户角色(Non-Player Character，NPC)。可选地，该虚拟对象是在虚拟场景中进行对抗式交互的虚拟人物。可选地，该虚拟场景中参与互动的虚拟对象的数量能够是预先设置的，也能够是根据加入互动的客户端的数量动态确定的。
MOBA(Multiplayer Online Battle Arena，多人在线战术竞技)游戏：是一种在虚拟场景中提供若干个据点，处于不同阵营的用户控制虚拟对象在虚拟场景中对战，占领据点或摧毁敌对阵营据点的游戏。例如，MOBA游戏可将用户分成至少两个敌对阵营，分属至少两个敌对阵营的不同虚拟队伍分别占据各自的地图区域，以某一种胜利条件作为目标进行竞技。该胜利条件包括但不限于：占领据点或摧毁敌对阵营据点、击杀敌对阵营的虚拟对象、在指定场景和时间内保证自身的存活、抢夺到某种资源、在指定时间内互动比分超过对方中的至少一种。例如，手机MOBA游戏可将用户分成两个敌对阵营，将用户控制的虚拟对象分散在虚拟场景中互相竞争，以摧毁或占领敌方的全部据点作为胜利条件。
可选地，每个虚拟队伍包括一个或多个虚拟对象，比如1个、2个、3个或5个，根据参与战术竞技中各队伍内虚拟对象的数量，将战术竞技划分为1V1竞技比拼、2V2竞技比拼、3V3竞技比拼、5V5竞技比拼等，其中，1V1是指“1对1”的意思，这里不做赘述。
可选地，MOBA游戏以局(或称为回合)为单位来进行，每局战术竞技的地图相同，或者不同。一局MOBA游戏的持续时间是从游戏开始的时刻至达成胜利条件的时刻。
在MOBA游戏中，用户能够控制虚拟对象释放技能从而与其他虚拟对象进行战斗，例如，该技能的技能类型包括攻击技能、防御技能、治疗技能、辅助技能、斩杀技能等，每个虚拟对象都具有各自固定的一个或多个技能，而不同的虚拟对象通常具有不同的技能，不同的技能能够产生不同的作用效果。比如，若虚拟对象释放攻击技能击中了敌对虚拟对象，那么会对敌对虚拟对象造成一定的伤害，通常表现为扣除敌对虚拟对象的一部分虚拟生命值，又比如，若虚拟对象释放治疗技能命中了友方虚拟对象，那么会对友方虚拟对象产生一定的治疗，通常表现为回复友方虚拟对象的一部分虚拟生命值，其他各类技能均能够产生相应的作用效果，这里不再一一枚举。
argmax(arguments of the maxima，最大值自变量点集)，当我们有另一个函数y＝f(x)时，若有结果x0＝argmax(f(x))，则表示当函数f(x)取x＝x0的时候，得到f(x)取值范围的最大值；若有多个点使得f(x)取得相同的最大值，那么argmax(f(x))的结果就是一个点集。换句话说，argmax(f(x))是使得f(x)取得最大值所对应的变量点x(或x的集合)。
本申请实施例提供的信息显示方法，能够应用于计算机设备中。可选地，该计算机设备为终端或服务器。下面首先以计算机设备为服务器为例，介绍一下本申请实施例提供的信息显示方法的实施环境，图1是根据本申请实施例提供的一种信息显示方法的实施环境示意图。参见图1，该实施环境包括终端101和服务器102。
终端101和服务器102能够通过有线或无线通信方式进行直接或间接地连接，本申请在此不做限制。
可选地，终端101是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表等，但并不局限于此。
可选地，服务器102是独立的物理服务器，也能够是多个物理服务器构成的服务器集群或者分布式系统，还能够是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN(Content Delivery Network，内容分发网络)、以及大数据和人工智能平台等基础云计算服务的云服务器。服务器102用于为支持信息显示的应用程序提供后台服务。可选地，服务器102承担主要工作，终端101承担次要工作；或者，服务器102承担次要工作，终端101承担主要工作；或者，服务器102和终端101二者之间采用分布式计算架构进行协同计算。
在一种可选的实现方式中，该支持信息显示的应用程序为游戏类应用程序。
例如，该游戏类应用程序为MOBA游戏程序，终端101在运行该MOBA游戏过程中，获取当前显示的虚拟场景对应的虚拟场景数据，然后将该虚拟场景数据发送至服务器102。该服务器102在接收到该虚拟场景数据之后，采用本申请实施例提供的信息显示方法，基于该虚拟场景数据获取提示信息，然后将该提示信息发送至终端101，由终端101对该提示信息进行显示，从而能够提示哪些因素会对游戏结果造成影响。
在另一种可选的实现方式中，该支持信息显示的应用程序为多媒体类应用程序。
例如，该多媒体类应用程序为体育视频播放程序，终端101在运行该体育视频播放程序过程中，获取当前显示的体育比赛场景对应的体育比赛场景数据，然后将该体育比赛场景数据发送至服务器102。其中，体育比赛场景可以为足球比赛场景、篮球比赛场景、台球比赛场景、滑雪比赛场景以及赛车比赛场景等。该服务器102在接收到该体育比赛场景数据之后，采用本申请实施例提供的信息显示方法，基于该体育比赛场景数据获取提示信息，然后将该提示信息发送至终端101，由终端101对该提示信息进行显示，从而能够提示哪些因素会对比赛结果造成影响。
在另一种可选的实现方式中，该支持信息显示的应用程序为监控类应用程序。
例如，该监控类应用程序为交通监控程序，终端101在运行该交通监控程序的过程中，获取当前显示的交通监控场景对应的交通监控数据，然后将该交通监控数据发送至服务器102。该服务器102在接收到该交通监控场景数据之后，采用本申请实施例提供的信息显示方法，基于该交通监控数据获取提示信息，然后将该提示信息发送至终端101，由终端101对该提示信息进行显示，从而能够提示哪些因素会造成交通堵塞或者引发交通事故等。
可选地，服务器102包括接入服务器、预测服务器和数据库服务器。接入服务器用于为终端101提供接入服务。预测服务器用于提供预测服务。预测服务器可以是一台或多台。当预测服务器是多台时，存在至少两台预测服务器用于提供不同的服务，和/或，存在至少两台预测服务器用于提供相同的服务，比如以负载均衡方式提供同一种服务，本申请实施例对此不加以限定。可选地，预测服务器中设置有目标预测模型，从而基于该目标预测模型获取预测信息，该预测信息用于生成提示信息。
终端101可以泛指多个终端中的一个，本实施例仅以终端101来举例说明。本领域技术人员可以知晓，上述终端的数量可以更多或更少。比如上述终端可以仅为一个，或者上述终端为几十个或几百个，或者更多数量。本申请实施例对终端的数量和设备类型不加以限定。
图2是根据本申请实施例提供的一种信息显示方法的流程图，如图2所示，在本申请实施例中以该信息显示方法应用于计算机设备为例进行说明。该方法包括以下步骤：
201、计算机设备基于当前显示的目标场景获取多个场景特征，每个场景特征包括至少两个特征维度对应的特征，该多个场景特征中包括与该当前显示的目标场景对应的目标场景特征。
在本申请实施例中，该目标场景为虚拟场景、体育比赛场景以及交通监控场景等，本申请实施例对此不进行限制。计算机设备能够每隔一段时间执行一次该信息显示方法，每次执行时获取当前显示的目标场景，然后基于该目标场景获取多个场景特征。其中，该多个场景特征中包括与当前显示的目标场景对应的目标场景特征，以及与该目标场景特征关联的场景特征。
202、计算机设备基于该多个场景特征分别进行预测，得到与每个场景特征对应的预测信息，该预测信息用于表示在对应的场景特征所指示的场景中发生至少一种目标事件的概率。
在本申请实施中，上述多个场景特征中，每个场景特征指示一个场景，计算机设备能够对每个场景特征分别进行预测，得到与每个场景特征所指示的场景中发生至少一个目标事件的概率，也即得到每个场景特征对应的预测信息。例如，该至少一个目标事件为MOBA游戏中发生的事件，如击败虚拟对象、击败中立生物、摧毁防御塔以及任一阵营赢得胜利等。
203、计算机设备基于该多个场景特征及对应的预测信息，确定权重信息，该权重信息表示该目标场景特征中各个特征维度对各个目标事件的影响权重。
在本申请实施中，对于每个场景特征，计算机设备能够基于该场景特征和对应的预测信息，确定目标场景特征中各个特征维度对上述各个目标事件的影响权重。其中，每个场景特征中包括的特征维度相同。
204、计算机设备根据该权重信息，显示提示信息，该提示信息包括至少一个特征维度对至少一个目标事件的影响权重。
在本申请实施例中，计算机设备在获取到该权重信息后，从该权重信息中获取至少一个特征维度对至少一个目标事件的影响权重，作为提示信息，然后显示该提示信息，以显示更多的信息。
本申请实施例提供了一种信息显示方法，通过基于当前显示的目标场景，获取多个场景特征，并分别获取每个场景特征所指示的场景中发生至少一种目标事件的概率，从而能够获取当前显示的目标场景对应的目标场景特征中各个特征维度对各个目标事件的影响权重，最后基于提示信息对至少一个特征维度对至少一个目标事件的影响权重进行提示，提供了场景中各种目标事件的相关信息，提高了信息量。
图3是根据本申请实施例提供的另一种信息显示方法的流程图，如图3所示，在本申请实施例中以目标场景为虚拟场景，该信息显示方法应用于计算机设备为例进行说明。该方法包括以下步骤：
301、计算机设备对当前显示的虚拟场景对应的虚拟场景数据进行特征提取，得到目标场景特征。
在本申请实施例中，以应用于MOBA游戏中为例，该当前显示的虚拟场景为MOBA游戏中任一时刻的虚拟场景，计算机设备能够获取该时刻对应的虚拟场景数据，然后对该虚拟场景数据进行提取，以得到当前显示的虚拟场景对应的目标场景特征。其中，该目标场景特征包括至少两个特征维度。
例如，在MOBA游戏的游戏过程中，各个英雄的等级、各个英雄在虚拟场景中的位置、各个英雄拥有的金币数量、各个英雄拥有的装备、各个中立生物的存活状态以及各个防御塔的状态等虚拟场景数据，随着时间的变化而不断变化。对于游戏过程中的任一时刻，计算机设备能够获取在该时刻，虚拟场景对应的虚拟场景数据。
在一种可选的实现方式中，当前显示的虚拟场景对应的虚拟场景数据，包括当前时刻之前的目标时长内的各个时刻对应的数据，以使得到的目标场景特征中包括连续的多个时刻的数据之间的时序联系。相应的，本步骤为：计算机设备对各个时刻对应的数据分别进行特征提取，得到各个时刻对应的目标场景子特征，然后计算机设备将各个时刻对应的目标场景子特征按照时间顺序进行组合，得到目标场景特征。通过获取当前时刻之前连续的多个时刻对应的数据，使得提取到的目标场景特征中包含了各个时刻的数据之间的时序联系。
例如，当前时刻表示为t，目标时长为连续l秒，则目标场景特征表示为X＝[xt -l+1，...，xt]T，其中，xt-l+1表示当前时刻之前第l秒对应的目标场景子特征，xt表示当前时刻对应的目标场景子特征，T表示矩阵转置。
在一种可选的实现方式中，当前显示的虚拟场景对应的虚拟场景数据，包括至少两个特征维度对应的数据，该至少两个特征维度包括离散维度和连续维度，其中离散维度的数据属于离散分布的数据，连续维度的数据属于连续分布的数据。相应的，本步骤为：计算机设备对虚拟场景数据中属于离散维度的数据进行特征提取，得到第二特征；对该虚拟场景数据中属于连续维度的数据进行特征提取，得到第三特征。然后计算机设备对第二特征和第三特征进行拼接，得到目标场景特征。通过对虚拟场景数据中离散分布的数据和连续分布的数据分别进行特征提取，再进行拼接，使得得到的目标场景特征能够表示上述两种分布的数据。
例如，对于虚拟场景数据中，英雄ID(Identity Document，唯一编码)、技能ID、npc类别、英雄是否存活、中立生物是否存活以及防御塔是否被摧毁等离散分布的数据，计算机设备能够将该离散分布的数据编码为独热向量(one-hot vector)。对于虚拟场景数据中，经济差、英雄生命值、击杀数量差等连续分布的数据，计算机设备能够将该离散分布的数据进行归一化处理。计算机设备对独热向量和归一化后的数据进行拼接，得到目标场景特征。
在一种可选的实现方式中，计算机设备还能够将离散分布的数据和连续分布的数据转换为嵌入向量(embedding vector)。相应的，对于离散分布的数据，计算机设备通过并行的全连接层(Fully-Connected Layer)对离散分布的数据进行处理，一个全连接层对应一个特征维度。对于连续分布的数据，计算机设备通过归一化层对连续分布的数据进行处理。最后，计算机设备将全连接层的输出和归一化层的输出进行拼接，得到嵌入向量，将该嵌入向量作为目标场景特征。通过将虚拟场景数据转换为嵌入向量，使得离散分布的数据转换为连续向量的形式，便于后续处理。
例如，参见图4所示，图4是根据本申请实施例提供的一种特征提取的示意图。如图4所示，英雄_唯一编码、技能_唯一编码以及非用户角色_类别等字段的数据为离散分布的数据。其中，一个字段对应一个特征维度，由一个全连接层进行处理。连续分布的数据由归一化层进行处理。计算机设备将全连接层的输出和归一化层的输出进行拼接，得到嵌入向量。其中，计算机设备将离散分布的数据进行处理时，能够起到压缩的作用，例如当离散分布的数据和连续分布的数据处理前共有5885维时，经过全连接层和归一化处理后，最终得到一个2001维的嵌入向量。
302、计算机设备基于该目标场景特征，获取多个场景特征，每个场景特征包括至少两个特征维度对应的特征。
在本申请实施例中，计算机设备得到目标场景特征后，能够基于该目标场景特征，获取与该目标场景特征具有相同特征维度的多个场景特征。该多个场景特征中每两个相邻场景特征之间的距离相同，或者该多个场景特征中每两个相邻场景特征中相同特征维度对应的特征之间的差值相同。
在一种可选的实现方式中，该多个场景特征中包括参考场景特征和中间场景特征。相应的，本步骤为：计算机设备确定参考场景特征对应的参考特征点与目标场景特征对应的目标特征点构成的线段。然后计算机设备从该线段中提取目标数量的特征点，以使该参考特征点、目标数量的特征点与目标特征点等间隔分布。最后计算机设备将该目标数量的特征点对应的特征确定为中间场景特征。通过确定参考场景特征对应的参考特征点与目标场景特征对应的目标特征点构成的线段，并提取目标数量的特征点，使得该目标数量的特征点对应的特征，能够反映由参考场景特征发展至目标场景特征的过程中的中间场景特征。
例如，以参考场景特征为全零向量为例，计算机设备获取参考场景特征对应的参考特征点，以及获取目标场景特征对应的目标特征点。然后通过线段连接该参考特征点和该目标特征点。然后计算机设备对该线段进行等分，将该线段等分为N份，从而提取到N-1个特征点，然后获取该N-1个特征点对应的特征，得到N-1个中间场景特征。其中，N为大于等于1的正整数。
在一种可选的实现方式中，计算机设备能够获取每个特征维度对应的特征差值。然后以目标场景特征为基准，基于每个特征维度对应的特征差值，获取与该目标场景特征相邻的中间场景特征，然后再以该中间场景特征为基准，基于每个特征维度对应的特征差值，获取与该中间场景特征相邻的另一个中间场景特征，直到得到目标数量个中间场景特征。通过以目标场景特征为基准，并基于每个特征维度进行插值计算，使得得到的中间场景特征能够反映个特征维度发展至目标场景特征的过程中的特征。
例如，以目标数量为2，目标场景特征为{3,6,15,28}为例，第一个特征维度对应的特征差值为1，第二个特征维度对应的特征差值为2，第三个特征维度对应的特征差值为5，第四个特征对应的特征差值为7。则与目标场景特征相邻的中间场景特征为{2,4,10,21}，与该中间场景特征相邻的另一中间场景特征为{1,2,5,14}。
303、计算机设备基于多个场景特征分别进行预测，得到与每个场景特征对应的预测信息，该预测信息用于表示在对应的场景特征所指示的虚拟场景中发生至少一种目标事件的概率。
在本申请实施例中，对于每个场景特征，计算机设备能够基于该场景特征，预测在该场景特征所指示的虚拟场景中发生至少一种目标事件的概率。其中，该至少一种目标事件为MOBA游戏中发生的事件，如击败虚拟对象、击败中立生物、摧毁防御塔以及任一阵营赢得胜利等。
在一种可选的实现方式中，计算机设备能够基于目标预测模型分别对每个场景特征进行处理，得到与每个场景特征对应的预测信息。其中，该目标预测模型为机器学习深度模型，如LSTM模型、全连接申请网络模型以及Transformer(深度自注意力变换网络)等，本申请实施例对此不进行限制。
例如，以目标预测模型为LSTM模型，输入为目标场景特征为例，参见图5所示，图5是根据本申请实施例提供的一种目标预测模型的示意图。如图5所示，目标场景特征为X＝[xt-l+1，...，xt]T，其中，xt-l+1表示当前时刻之前第l秒对应的目标场景子特征，xt-1表示当前时刻前第1秒对应的目标场景子特征，xt表示当前时刻对应的目标场景子特征，T表示矩阵转置。每个目标场景子特征均由计算机设备对离散分布的数据和连续分布的数据进行特征提取得到。计算机设备基于LSTM模型，按照时间顺序依次对上述目标场景特征中的目标场景子特征进行处理，然后通过Tanh或者Sigmoid等激活函数，获取该目标场景特征对应的预测信息，表示为P(y|X)。可选地，计算机设备还能够基于全理解神经网络层中的argmax()函数，求取P(y|X)的最大值，得到进一步的预测结果，如对于MOBA游戏中的击杀中立生物这一目标事件，P(y|X)表示发生这一目标事件的概率分布：红色方阵营击杀该中立生物的概率为20％，蓝色方阵营击杀该中立生物的概率为80％。计算机设备基于argmax()函数得到的最终预测结果F(X)为蓝色方阵营击杀该中立生物。
在一种可选的实现方式中，以样本场景为样本虚拟场景为例，该目标预测模型的训练过程包括：计算机设备基于样本虚拟场景获取第一训练数据，该第一训练数据包括样本虚拟场景中发生的至少一个样本事件以及该至少一个样本事件关联的多个样本场景特征，每个样本场景特征包括至少两个特征维度对应的特征，计算机设备基于第一训练数据训练得到目标预测模型。
在一种可选的实现方式中，第一训练数据包括第一类训练数据和第二类训练数据，该至少一个样本事件包括可重复事件和不可重复事件。其中，可重复事件包括击杀虚拟对象以及击杀中立生物等，不可重复事件包括摧毁防御塔以及赢得胜利等。相应的，计算机设备基于样本虚拟场景获取第一训练数据的步骤包括：计算机设备从样本虚拟场景对应的样本场景数据中，获取可重复事件发生前的样本时刻的数据，得到第一类训练数据；从样本虚拟场景对应的样本场景数据中，获取不可重复事件发生前的样本时间段内的数据，得到第二类训练数据。
304、对于至少两个特征维度中的任一特征维度，计算机设备从多个场景特征中分别获取该特征维度对应的第一特征。
在本申请实施例中，每个场景特征包括至少两个特征维度的特征。对于任一特征维度，计算机设备能够从每个场景特征中获取该特征维度对应的第一特征，得到多个第一特征。通过分别提取每个特征维度在每个中间场景特征中对应的第一特征，使得计算机设备能够基于第一特征之间的发展趋势以及差异，来确定每个特征维度对各个目标事件的影响权重。
例如，该多个场景特征中包括参考场景特征、目标场景特征以及N-1个中间场景特征。其中，N为大于等于1的正整数。则对于任一特征维度，计算机设备从参考场景特征、目标场景特征以及N-1个中间场景特征中，获取该特征维度对应的N+1个第一特征。
305、计算机设备基于多个场景特征对应的第一特征和预测信息，确定该特征维度对各个目标事件的影响权重。
在本申请实施例中，对于任一特征维度，计算机设备能够基于该多个场景特征该特征维度对应的多个第一特征和该多个场景特征的预测信息，确定该特征维度对各个目标事件的影响权重。其中，计算机设备能够根据公式(1)，计算第j维特征对各个目标事件的影响权重。
Figure BDA0002983017880000161
其中，IGj表示第j个特征维度对各个目标事件的影响权重；Xj表示目标场景特征中第j个特征维度对应的第一特征；X′j表示参考场景特征中第j个特征维度对应的第一特征；steps表示参考场景特征与目标场景特征之间等分的数量，也即中间场景特征和目标场景特征的数量和；
Figure BDA0002983017880000162
表示第k个中间场景特征，第steps个中间场景特征为目标场景特征；
Figure BDA0002983017880000163
表示第k个中间场景特征中第j个特征维度对应的第一特征；
Figure BDA0002983017880000164
表示第k个中间场景特征对应的预测信息；
Figure BDA0002983017880000165
表示求偏导数。steps的取值与IGj的准确度成正相关，也即steps的取值越大，该IGj就越准确，实验表明取值从100到300都能取得良好的效果。
在一种可选的实现方式中，计算机设备还能够采用积分梯度(IntegratedGradients,IG)法，来获取各个特征维度对各个目标事件的影响权重。在该积分梯度法中，
Figure BDA0002983017880000166
表示t时刻对应的场景子特征，n表示第n个特征维度，n为大于1的正整数。计算机设备将t时刻及t时刻之前连续l秒的场景子特征，组合为目标场景特征X＝[xt -l+1，...，xt]T，其中，xt-l+1表示当前时刻之前第l秒对应的目标场景子特征，xt表示t时刻对应的目标场景子特征。P(y|X)表示目标场景特征对应的预测信息。计算机获取与目标场景特征的维度完全相同的全零向量作为参考场景特征X′，X′到的梯度的直线路径积分为X的积分梯度。计算机设备根据下述公式(2)来计算目标场景特征的积分梯度。
Figure BDA0002983017880000171
其中，IGi，j表示目标场景特征中第i时刻对应的场景子特征的第j个特征维度对各个目标事件的影响权重；Xi，j表示目标场景特征中第i时刻第j个特征维度对应的场景子特征；X′i，j表示参考场景特征中第i时刻第j个特征维度对应的场景子特征；
Figure BDA0002983017880000172
表示积分梯度法使用线性插值作为变分路径；
Figure BDA0002983017880000173
表示变分路径上的中间场景特征；
Figure BDA0002983017880000174
表示中间场景特征中第i时刻第j个特征维度对应的场景子特征；
Figure BDA0002983017880000175
表示中间场景特征对应的预测信息；
Figure BDA0002983017880000176
表示求偏导数。
需要说明的是，由于公式(2)为理论公式，实际应用中无法计算得到理论值，因此采用近似方法进行计算，近似公式参见公式(1)在此不再赘述。
306、计算机设备将各个特征维度对各个目标事件的影响权重确定为权重信息。
在本申请实施例中，计算机设备能够获取每个特征维度对每个目标事件的影响权重，从而得到权重信息。
例如，以MOBA游戏中5个特征维度对4个目标事件的影响权重为例。4个目标事件分别为：1、哪一阵营赢得比赛；2、哪一阵营击杀大型野怪；3、哪个英雄能够击杀其他英雄；4、哪个英雄会被击杀。5个特征维度分别为：1、虚拟场景中的距离；2、英雄是否存活；3、经济差；4、击杀数量差；5、技能等级差。相应的，计算机设备共得到20条影响权重，将该20条影响权重确定为权重信息。
307、计算机设备根据该权重信息，显示提示信息，该提示信息包括至少一个特征维度对至少一个目标事件的影响权重。
在本申请实施例中，对于任一目标事件，计算机设备能够从权重信息中，获取各个特征维度对该任一目标事件的影响权重，然后从各个特征维度对该任一目标事件的影响权重中选取影响权重最高的至少一个特征维度，然后将该至少一个特征维度对该任一目标事件的影响权重确定为提示信息。当然，计算机设备还能够将该至少一个特征维度对该任一目标事件的影响权重填入文字模板后进行显示，本申请实施例对此不进行限制。
例如，参见图6所示，图6是根据本申请实施例提供的一种显示提示信息的示意图。如图6所示，对于哪一这应击杀“暴君”这一大型野怪这一目标事件。计算机设备从该权重信息中获取“暴君”到各个英雄之间的距离、英雄3的存活状态、经济差、击杀数量差以及各个英雄的技能等级对击杀“暴君”的影响权重。显示的提示信息如下：第一原因：红色阵营的英雄更靠近暴君因此更有可能杀死暴君；第二原因：英雄3已被击杀，英雄3属于蓝队，因此蓝队处于劣势。第三原因：蓝色阵营在经济方面处于劣势。第四原因：蓝色阵营在击杀数量方面属于劣势。第五原因：英雄1的技能3等级较低，此技能对于团战十分重要，因此英雄1的团队(蓝队)难以击杀“暴君”。可选地，观众能够基于显示的提示信息，了解到MOBA游戏中可能发生的事件，以及发生的原因。可选地，解说人员能够基于显示的提示信息，对MOBA游戏进行解说。
需要说明的是，为了保证计算机设备确定的权重信息的可信程度，计算机设备在训练得到目标预测模型之后，还对该目标预测模型进行了评估。计算机设备采用保真度评估方法来进行评估，相应的，计算机设备基于目标预测模型对第一测试数据进行预测，得到每个测试场景特征对应的测试预测信息，该第一测试数据包括至少一个样本事件关联的多个测试场景特征，每个测试场景特征包括至少两个特征维度对应的特征。然后计算机设备基于多个测试场景特征及对应的测试预测信息，确定测试权重信息，该测试权重信息表示多个测试场景特征中各个特征维度对各个样本事件的影响权重。然后计算机设备将第一训练数据和第一测试数据中不属于目标特征维度的数据置零，得到第二训练数据和第二测试数据，该目标特征维度表示对各个样本事件的影响权重最高的至少一个特征维度。然后，计算机设备基于第二训练数据训练得到目标替代模型，该目标替代模型与目标预测模型的结构相同。最后计算机设备根据第二测试数据对目标替代模型进行测试，得到保真度信息，该保真度信息表示所述测试权重信息的可信程度。
例如，保真度(Fidelity)评估方法的算法如下：
输入：目标预测模型F；目标替代模型Q；获取权重信息的方式φ；待选出的特征维度m；第一训练数据Tr，第一测试数据T；
输出：Fidelity；
Figure BDA0002983017880000181
Figure BDA0002983017880000191
本申请实施例提供了一种信息显示方法，通过基于当前显示的虚拟场景，获取多个场景特征，并分别获取每个场景特征所指示的虚拟场景中发生至少一种目标事件的概率，从而能够获取当前显示的虚拟场景对应的目标场景特征中各个特征维度对各个目标事件的影响权重，最后基于提示信息对至少一个特征维度对至少一个目标事件的影响权重进行提示，提供了虚拟场景中各种目标事件的相关信息，提高了信息量。
并且，通过分别提取每个特征维度在每个中间场景特征中对应的第一特征，使得计算机设备能够基于第一特征之间的发展趋势以及差异，来确定每个特征维度对各个目标事件的影响权重。
并且，通过获取当前时刻之前连续的多个时刻对应的数据，使得提取到的目标场景特征中包含了各个时刻的数据之间的时序联系。
并且，通过对虚拟场景数据中离散分布的数据和连续分布的数据分别进行特征提取，再进行拼接，使得得到的目标场景特征能够表示上述两种分布的数据。
并且，通过确定参考场景特征对应的参考特征点与目标场景特征对应的目标特征点构成的线段，并提取目标数量的特征点，使得该目标数量的特征点对应的特征，能够反映由参考场景特征发展至目标场景特征的过程中的中间场景特征。
并且，通过以目标场景特征为基准，并基于每个特征维度进行插值计算，使得得到的中间场景特征能够反映个特征维度发展至目标场景特征的过程中的特征。
并且，通过采用保真度评估方法来进行评估，能够有效的对目标预测模型进行评估，确定本申请提供的方案，能够准确的预测虚拟场景中的目标事件，以及确定各特征维度对各个目标事件的影响程度。
图7是根据本申请实施例提供的一种信息显示装置的框图。该装置用于执行上述信息显示方法中的步骤，参见图7，装置包括：特征获取模块701、预测模块702、确定模块703以及显示模块704。
特征获取模块701，用于基于当前显示的目标场景获取多个场景特征，每个场景特征包括至少两个特征维度对应的特征，该多个场景特征中包括与该当前显示的目标场景对应的目标场景特征；
预测模块702，用于基于该多个场景特征分别进行预测，得到与每个场景特征对应的预测信息，该预测信息用于表示在对应的场景特征所指示的场景中发生至少一种目标事件的概率；
确定模块703，用于基于该多个场景特征及对应的预测信息，确定权重信息，该权重信息表示该目标场景特征中各个特征维度对各个目标事件的影响权重；
显示模块704，用于根据该权重信息，显示提示信息，该提示信息包括至少一个特征维度对至少一个目标事件的影响权重。
在一种可选的实现方式中，该确定模块703，用于对于该至少两个特征维度中的任一特征维度，从该多个场景特征中分别获取该特征维度对应的第一特征；基于该多个场景特征对应的该第一特征和该预测信息，确定该特征维度对该各个目标事件的影响权重；将各个特征维度对该各个目标事件的影响权重确定为该权重信息。
在一种可选的实现方式中，该特征获取模块701，包括：
特征提取单元，用于对该当前显示的目标场景对应的目标场景数据进行特征提取，得到该目标场景特征；
特征获取单元，用于基于该目标场景特征，获取该多个场景特征，该多个场景特征中每两个相邻场景特征之间的距离相同，或者该多个场景特征中每两个相邻场景特征中相同特征维度对应的特征之间的差值相同。
在一种可选的实现方式中，该当前显示的目标场景对应的目标场景数据包括当前时刻之前的目标时长内的各个时刻对应的数据；
该特征提取单元，用于对该各个时刻对应的数据分别进行特征提取，得到该各个时刻对应的目标场景子特征；将该各个时刻对应的目标场景子特征按照时间顺序进行组合，得到该目标场景特征。
在一种可选的实现方式中，该目标场景数据包括至少两个特征维度对应的数据，该至少两个特征维度包括离散维度和连续维度，其中该离散维度的数据属于离散分布的数据，该连续维度的数据属于连续分布的数据；
该特征提取单元，用于对该目标场景数据中属于该离散维度的数据进行特征提取，得到第二特征；对该目标场景数据中属于该连续维度的数据进行特征提取，得到第三特征；对该第二特征和该第三特征进行拼接，得到该目标场景特征。
在一种可选的实现方式中，该多个场景特征中包括参考场景特征和中间场景特征，该特征获取单元，用于确定该参考场景特征对应的参考特征点与该目标场景特征对应的目标特征点构成的线段；从该线段中提取目标数量的特征点，以使该参考特征点、该目标数量的特征点与该目标特征点等间隔分布；将该目标数量的特征点对应的特征确定为该中间场景特征。
在一种可选的实现方式中，该预测模块702，用于基于目标预测模型分别对每个场景特征进行处理，得到与该每个场景特征对应的预测信息。
在一种可选的实现方式中，该目标预测模型的训练过程包括：
基于样本场景获取第一训练数据，该第一训练数据包括该样本场景中发生的至少一个样本事件以及该至少一个样本事件关联的多个样本场景特征，每个样本场景特征包括至少两个特征维度对应的特征；
基于该第一训练数据训练得到该目标预测模型。
在一种可选的实现方式中，该第一训练数据包括第一类训练数据和第二类训练数据，该至少一个样本事件包括可重复事件和不可重复事件；
该基于样本场景获取第一训练数据，包括：
从该样本场景对应的样本场景数据中，获取该可重复事件发生前的样本时刻的数据，得到该第一类训练数据；
从该样本场景对应的样本场景数据中，获取该不可重复事件发生前的样本时间段内的数据，得到该第二类训练数据。
在一种可选的实现方式中，该装置还包括：
保真度信息获取模块，用于基于该目标预测模型对第一测试数据进行预测，得到每个测试场景特征对应的测试预测信息，该第一测试数据包括该至少一个样本事件关联的多个测试场景特征，每个测试场景特征包括至少两个特征维度对应的特征；基于该多个测试场景特征及对应的测试预测信息，确定测试权重信息，该测试权重信息表示该多个测试场景特征中各个特征维度对各个样本事件的影响权重；将该第一训练数据和该第一测试数据中不属于目标特征维度的数据置零，得到第二训练数据和第二测试数据，该目标特征维度表示对该各个样本事件的影响权重最高的至少一个特征维度；基于该第二训练数据训练得到目标替代模型，该目标替代模型与该目标预测模型的结构相同；根据该第二测试数据对该目标替代模型进行测试，得到保真度信息，该保真度信息表示该测试权重信息的可信程度。
本申请实施例提供了一种信息显示装置，通过基于当前显示的虚拟场景，获取多个场景特征，并分别获取每个场景特征所指示的虚拟场景中发生至少一种目标事件的概率，从而能够获取当前显示的虚拟场景对应的目标场景特征中各个特征维度对各个目标事件的影响权重，最后基于提示信息对至少一个特征维度对至少一个目标事件的影响权重进行提示，提供了虚拟场景中各种目标事件的相关信息，提高了信息量。
需要说明的是：上述实施例提供的信息显示装置在显示信息时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的信息显示装置与信息显示方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
在本申请实施例中，计算机设备能够被配置为终端或者服务器，当计算机设备被配置为终端时，可以由终端作为执行主体来实施本申请实施例提供的技术方案，当计算机设备被配置为服务器时，可以由服务器作为执行主体来实施本申请实施例提供的技术方案，也可以通过终端和服务器之间的交互来实施本申请提供的技术方案，本申请实施例对此不作限定。
图8是根据本申请实施例提供的一种终端800的结构框图。该终端800可以是便携式移动终端，比如：智能手机、平板电脑、MP3播放器(Moving Picture Experts GroupAudio Layer III，动态影像专家压缩标准音频层面3)、MP4(Moving Picture ExpertsGroup Audio Layer IV，动态影像专家压缩标准音频层面4)播放器、笔记本电脑或台式电脑。终端800还可能被称为用户设备、便携式终端、膝上型终端、台式终端等其他名称。
通常，终端800包括有：处理器801和存储器802。
处理器801可以包括一个或多个处理核心，比如4核心处理器、8核心处理器等。处理器801可以采用DSP(Digital Signal Processing，数字信号处理)、FPGA(Field－Programmable Gate Array，现场可编程门阵列)、PLA(Programmable Logic Array，可编程逻辑阵列)中的至少一种硬件形式来实现。处理器801也可以包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器，也称CPU(Central ProcessingUnit，中央处理器)；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中，处理器801可以集成有GPU(Graphics Processing Unit，图像处理器)，GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中，处理器801还可以包括AI(Artificial Intelligence，人工智能)处理器，该AI处理器用于处理有关机器学习的计算操作。
存储器802可以包括一个或多个计算机可读存储介质，该计算机可读存储介质可以是非暂态的。存储器802还可包括高速随机存取存储器，以及非易失性存储器，比如一个或多个磁盘存储设备、闪存存储设备。在一些实施例中，存储器802中的非暂态的计算机可读存储介质用于存储至少一个计算机程序，该至少一个计算机程序用于被处理器801所执行以实现本申请中方法实施例提供的信息显示方法。
在一些实施例中，终端800还可选包括有：外围设备接口803和至少一个外围设备。处理器801、存储器802和外围设备接口803之间可以通过总线或信号线相连。各个外围设备可以通过总线、信号线或电路板与外围设备接口803相连。具体地，外围设备包括：显示屏804、音频电路805和电源806中的至少一种。
外围设备接口803可被用于将I/O(Input/Output，输入/输出)相关的至少一个外围设备连接到处理器801和存储器802。在一些实施例中，处理器801、存储器802和外围设备接口803被集成在同一芯片或电路板上；在一些其他实施例中，处理器801、存储器802和外围设备接口803中的任意一个或两个可以在单独的芯片或电路板上实现，本实施例对此不加以限定。
显示屏804用于显示UI(User Interface，用户界面)。该UI可以包括图形、文本、图标、视频及其它们的任意组合。当显示屏804是触摸显示屏时，显示屏804还具有采集在显示屏804的表面或表面上方的触摸信号的能力。该触摸信号可以作为控制信号输入至处理器801进行处理。此时，显示屏804还可以用于提供虚拟按钮和/或虚拟键盘，也称软按钮和/或软键盘。在一些实施例中，显示屏804可以为一个，设置在终端800的前面板；在另一些实施例中，显示屏804可以为至少两个，分别设置在终端800的不同表面或呈折叠设计；在另一些实施例中，显示屏804可以是柔性显示屏，设置在终端800的弯曲表面上或折叠面上。甚至，显示屏804还可以设置成非矩形的不规则图形，也即异形屏。显示屏804可以采用LCD(Liquid Crystal Display，液晶显示屏)、OLED(Organic Light-Emitting Diode,有机发光二极管)等材质制备。
音频电路805可以包括麦克风和扬声器。麦克风用于采集用户及环境的声波，并将声波转换为电信号输入至处理器801进行处理，或者输入至射频电路804以实现语音通信。出于立体声采集或降噪的目的，麦克风可以为多个，分别设置在终端800的不同部位。麦克风还可以是阵列麦克风或全向采集型麦克风。扬声器则用于将来自处理器801或射频电路804的电信号转换为声波。扬声器可以是传统的薄膜扬声器，也可以是压电陶瓷扬声器。当扬声器是压电陶瓷扬声器时，不仅可以将电信号转换为人类可听见的声波，也可以将电信号转换为人类听不见的声波以进行测距等用途。在一些实施例中，音频电路805还可以包括耳机插孔。
电源806用于为终端800中的各个组件进行供电。电源806可以是交流电、直流电、一次性电池或可充电电池。当电源806包括可充电电池时，该可充电电池可以是有线充电电池或无线充电电池。有线充电电池是通过有线线路充电的电池，无线充电电池是通过无线线圈充电的电池。该可充电电池还可以用于支持快充技术。
本领域技术人员可以理解，图8中示出的结构并不构成对终端800的限定，可以包括比图示更多或更少的组件，或者组合某些组件，或者采用不同的组件布置。
图9是根据本申请实施例提供的一种服务器的结构示意图，该服务器900可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(Central ProcessingUnits，CPU)901和一个或一个以上的存储器902，其中，该存储器902中存储有至少一条计算机程序，该至少一条计算机程序由该处理器901加载并执行以实现上述各个方法实施例提供的信息显示方法。当然，该服务器还可以具有有线或无线网络接口、键盘以及输入输出接口等部件，以便进行输入输出，该服务器还可以包括其他用于实现设备功能的部件，在此不做赘述。
本申请实施例还提供了一种计算机可读存储介质，该计算机可读存储介质应用于计算机设备，该计算机可读存储介质中存储有至少一段计算机程序，该至少一段计算机程序由处理器加载并执行以实现上述实施例的信息显示方法中计算机设备所执行的操作。
本申请实施例还提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机程序代码，该计算机程序代码存储在计算机可读存储介质中。终端的处理器从计算机可读存储介质读取该计算机程序代码，处理器执行该计算机程序代码，使得该计算机设备执行上述各种可选实现方式中提供的信息显示方法。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
以上所述仅为本申请的可选实施例，并不用以限制本申请，凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (15)

1.一种信息显示方法，其特征在于，所述方法包括：
基于当前显示的目标场景获取多个场景特征，每个场景特征包括至少两个特征维度对应的特征，所述多个场景特征中包括与所述当前显示的目标场景对应的目标场景特征；
基于所述多个场景特征分别进行预测，得到与每个场景特征对应的预测信息，所述预测信息用于表示在对应的场景特征所指示的场景中发生至少一种目标事件的概率；
基于所述多个场景特征及对应的预测信息，确定权重信息，所述权重信息表示所述目标场景特征中各个特征维度对各个目标事件的影响权重；
根据所述权重信息，显示提示信息，所述提示信息包括至少一个特征维度对至少一个目标事件的影响权重。
2.根据权利要求1所述的方法，其特征在于，所述基于所述多个场景特征及对应的预测信息，确定权重信息，包括：
对于所述至少两个特征维度中的任一特征维度，从所述多个场景特征中分别获取所述特征维度对应的第一特征；
基于所述多个场景特征对应的所述第一特征和所述预测信息，确定所述特征维度对所述各个目标事件的影响权重；
将各个特征维度对所述各个目标事件的影响权重确定为所述权重信息。
3.根据权利要求1所述的方法，其特征在于，所述基于当前显示的目标场景获取多个场景特征，包括：
对所述当前显示的目标场景对应的目标场景数据进行特征提取，得到所述目标场景特征；
基于所述目标场景特征，获取所述多个场景特征，所述多个场景特征中每两个相邻场景特征之间的距离相同，或者所述多个场景特征中每两个相邻场景特征中相同特征维度对应的特征之间的差值相同。
4.根据权利要求3所述的方法，其特征在于，所述当前显示的目标场景对应的目标场景数据包括当前时刻之前的目标时长内的各个时刻对应的数据；
所述对所述当前显示的目标场景对应的目标场景数据进行特征提取，得到所述目标场景特征，包括：
对所述各个时刻对应的数据分别进行特征提取，得到所述各个时刻对应的目标场景子特征；
将所述各个时刻对应的目标场景子特征按照时间顺序进行组合，得到所述目标场景特征。
5.根据权利要求3所述的方法，其特征在于，所述目标场景数据包括至少两个特征维度对应的数据，所述至少两个特征维度包括离散维度和连续维度，其中所述离散维度的数据属于离散分布的数据，所述连续维度的数据属于连续分布的数据；
所述对所述当前显示的目标场景对应的目标场景数据进行特征提取，得到所述目标场景特征，包括：
对所述目标场景数据中属于所述离散维度的数据进行特征提取，得到第二特征；
对所述目标场景数据中属于所述连续维度的数据进行特征提取，得到第三特征；
对所述第二特征和所述第三特征进行拼接，得到所述目标场景特征。
6.根据权利要求3所述的方法，其特征在于，所述多个场景特征中包括参考场景特征和中间场景特征，所述基于所述目标场景特征，获取所述多个场景特征，包括：
确定所述参考场景特征对应的参考特征点与所述目标场景特征对应的目标特征点构成的线段；
从所述线段中提取目标数量的特征点，以使所述参考特征点、所述目标数量的特征点与所述目标特征点等间隔分布；
将所述目标数量的特征点对应的特征确定为所述中间场景特征。
7.根据权利要求1所述的方法，其特征在于，所述基于所述多个场景特征分别进行预测，得到与每个场景特征对应的预测信息，包括：
基于目标预测模型分别对每个场景特征进行处理，得到与所述每个场景特征对应的预测信息。
8.根据权利要求7所述的方法，其特征在于，所述目标预测模型的训练过程包括：
基于样本场景获取第一训练数据，所述第一训练数据包括所述样本场景中发生的至少一个样本事件以及所述至少一个样本事件关联的多个样本场景特征，每个样本场景特征包括至少两个特征维度对应的特征；
基于所述第一训练数据训练得到所述目标预测模型。
9.根据权利要求8所述的方法，其特征在于，所述第一训练数据包括第一类训练数据和第二类训练数据，所述至少一个样本事件包括可重复事件和不可重复事件；
所述基于样本场景获取第一训练数据，包括：
从所述样本场景对应的样本场景数据中，获取所述可重复事件发生前的样本时刻的数据，得到所述第一类训练数据；
从所述样本场景对应的样本场景数据中，获取所述不可重复事件发生前的样本时间段内的数据，得到所述第二类训练数据。
10.根据权利要求8所述的方法，其特征在于，所述方法还包括：
基于所述目标预测模型对第一测试数据进行预测，得到每个测试场景特征对应的测试预测信息，所述第一测试数据包括所述至少一个样本事件关联的多个测试场景特征，每个测试场景特征包括至少两个特征维度对应的特征；
基于所述多个测试场景特征及对应的测试预测信息，确定测试权重信息，所述测试权重信息表示所述多个测试场景特征中各个特征维度对各个样本事件的影响权重；
将所述第一训练数据和所述第一测试数据中不属于目标特征维度的数据置零，得到第二训练数据和第二测试数据，所述目标特征维度表示对所述各个样本事件的影响权重最高的至少一个特征维度；
基于所述第二训练数据训练得到目标替代模型，所述目标替代模型与所述目标预测模型的结构相同；
根据所述第二测试数据对所述目标替代模型进行测试，得到保真度信息，所述保真度信息表示所述测试权重信息的可信程度。
11.一种信息显示装置，其特征在于，所述装置包括：
特征获取模块，用于基于当前显示的目标场景获取多个场景特征，每个场景特征包括至少两个特征维度对应的特征，所述多个场景特征中包括与所述当前显示的目标场景对应的目标场景特征；
预测模块，用于基于所述多个场景特征分别进行预测，得到与每个场景特征对应的预测信息，所述预测信息用于表示在对应的场景特征所指示的场景中发生至少一种目标事件的概率；
确定模块，用于基于所述多个场景特征及对应的预测信息，确定权重信息，所述权重信息表示所述目标场景特征中各个特征维度对各个目标事件的影响权重；
显示模块，用于根据所述权重信息，显示提示信息，所述提示信息包括至少一个特征维度对至少一个目标事件的影响权重。
12.根据权利要求11所述的装置，其特征在于，所述确定模块，用于对于所述至少两个特征维度中的任一特征维度，从所述多个场景特征中分别获取所述特征维度对应的第一特征；基于所述多个场景特征对应的所述第一特征和所述预测信息，确定所述特征维度对所述各个目标事件的影响权重；将各个特征维度对所述各个目标事件的影响权重确定为所述权重信息。
13.根据权利要求11所述的装置，其特征在于，所述特征获取模块，包括：
特征提取单元，用于对所述当前显示的目标场景对应的目标场景数据进行特征提取，得到所述目标场景特征；
特征获取单元，用于基于所述目标场景特征，获取所述多个场景特征，所述多个场景特征中每两个相邻场景特征之间的距离相同，或者所述多个场景特征中每两个相邻场景特征中相同特征维度对应的特征之间的差值相同。
14.一种计算机设备，其特征在于，所述计算机设备包括处理器和存储器，所述存储器用于存储至少一段计算机程序，所述至少一段计算机程序由所述处理器加载并执行权利要求1至10任一权利要求所述的信息显示方法。
15.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质用于存储至少一段计算机程序，所述至少一段计算机程序用于执行权利要求1至10任一权利要求所述的信息显示方法。
CN202110292811.3A 2021-03-18 2021-03-18 信息显示方法、装置、计算机设备及存储介质 Pending CN113713374A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110292811.3A CN113713374A (zh) 2021-03-18 2021-03-18 信息显示方法、装置、计算机设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110292811.3A CN113713374A (zh) 2021-03-18 2021-03-18 信息显示方法、装置、计算机设备及存储介质

Publications (1)

Publication Number Publication Date
CN113713374A true CN113713374A (zh) 2021-11-30

Family

ID=78672587

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110292811.3A Pending CN113713374A (zh) 2021-03-18 2021-03-18 信息显示方法、装置、计算机设备及存储介质

Country Status (1)

Country Link
CN (1) CN113713374A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114707296A (zh) * 2022-02-24 2022-07-05 中国标准化研究院 一种测试场景生成方法、装置、电子设备及可读存储介质
CN115378929A (zh) * 2022-10-26 2022-11-22 杭州华橙软件技术有限公司 多方案执行冲突的解决方法、系统、设备及存储介质

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114707296A (zh) * 2022-02-24 2022-07-05 中国标准化研究院 一种测试场景生成方法、装置、电子设备及可读存储介质
CN114707296B (zh) * 2022-02-24 2024-03-08 中国标准化研究院 一种测试场景生成方法、装置、电子设备及可读存储介质
CN115378929A (zh) * 2022-10-26 2022-11-22 杭州华橙软件技术有限公司 多方案执行冲突的解决方法、系统、设备及存储介质

Similar Documents

Publication Publication Date Title
CN111617478B (zh) 游戏阵容强度的预测方法、装置、电子设备及存储介质
CN111111204B (zh) 交互模型训练方法、装置、计算机设备和存储介质
CN111111220A (zh) 多人对战游戏的自对弈模型训练方法、装置和计算机设备
CN110119547B (zh) 一种预测团战胜负的方法、装置及控制设备
CN107450957B (zh) 游戏配置的处理方法、装置、存储介质、处理器及终端
CN112221152A (zh) 人工智能ai模型的训练方法、装置、设备及介质
CN113713374A (zh) 信息显示方法、装置、计算机设备及存储介质
CN111738294A (zh) Ai模型的训练方法、使用方法、计算机设备及存储介质
CN112221140A (zh) 虚拟对象的动作确定模型训练方法、装置、设备及介质
CN111957047A (zh) 关卡配置数据调整方法、计算机设备及存储介质
CN111282281B (zh) 图像处理方法及装置、电子设备和计算机可读存储介质
CN110841295A (zh) 一种基于人工智能的数据处理方法和相关装置
CN114048834A (zh) 基于事后回顾和渐进式扩展的持续强化学习非完全信息博弈方法及装置
CN113230650B (zh) 一种数据处理方法、装置及计算机可读存储介质
CN112685921B (zh) 一种高效精确搜索的麻将智能决策方法、系统及设备
CN114272599A (zh) 人工智能对象控制方法、装置、设备及存储介质
CN113893547A (zh) 一种基于适应度函数的数据处理方法、系统及存储介质
CN114404977B (zh) 行为模型的训练方法、结构扩容模型的训练方法
CN117414585A (zh) 游戏技能平衡性的调整方法、装置、电子设备及存储介质
CN112138409B (zh) 游戏结果的预测方法、装置及存储介质
CN114681924A (zh) 虚拟对象的推荐方法、装置和电子设备
Baek et al. 3-Dimensional convolutional neural networks for predicting StarCraft Ⅱ results and extracting key game situations
CN116983656B (zh) 决策模型的训练方法、装置、设备及存储介质
CN111437607B (zh) 图像处理方法及装置、电子设备和计算机可读存储介质
CN115350473A (zh) 虚拟对象的技能控制方法、装置、电子设备及存储介质

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