CN113813610B - 游戏数据预测模型训练、预测方法、预测装置和预测系统 - Google Patents

游戏数据预测模型训练、预测方法、预测装置和预测系统 Download PDF

Info

Publication number
CN113813610B
CN113813610B CN202010565688.3A CN202010565688A CN113813610B CN 113813610 B CN113813610 B CN 113813610B CN 202010565688 A CN202010565688 A CN 202010565688A CN 113813610 B CN113813610 B CN 113813610B
Authority
CN
China
Prior art keywords
motion
information
game
action
game 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.)
Active
Application number
CN202010565688.3A
Other languages
English (en)
Other versions
CN113813610A (zh
Inventor
游臣隽
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.)
Beijing Longchuang Yuedong Network Technology Co ltd
Original Assignee
Beijing Longchuang Yuedong Network Technology 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 Beijing Longchuang Yuedong Network Technology Co ltd filed Critical Beijing Longchuang Yuedong Network Technology Co ltd
Priority to CN202010565688.3A priority Critical patent/CN113813610B/zh
Publication of CN113813610A publication Critical patent/CN113813610A/zh
Application granted granted Critical
Publication of CN113813610B publication Critical patent/CN113813610B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • A63F13/70—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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06N3/045—Combinations of 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Multimedia (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computer Security & Cryptography (AREA)
  • General Business, Economics & Management (AREA)
  • Business, Economics & Management (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种游戏数据预测模型训练方法，包括：获取游戏玩家的游戏数据信息；提取动作信息；基于动作信息构建第一动作训练样本；基于第一动作训练样本以及标准动作对第一动作预测模型进行训练；将训练后的第一动作预测模型作为动作向量表，基于动作向量表得到的每个动作对应的特征向量；基于动作信息、特征向量以及特征向量所对应的状态信息构建第二动作训练样本，每个第二动作训练样本均包括连续的N个动作信息对应的特征向量以及动作信息所对应的状态信息；采用第二动作训练样本对预设的第二动作预测模型进行训练，得到第二动作训练样本中的特征向量的后续M个特征向量。

Description

游戏数据预测模型训练、预测方法、预测装置和预测系统
技术领域
本发明涉及人工智能技术领域，具体涉及一种基于机器学习的游戏数据预测模型训练方法和装置。
背景技术
随着机器学习的普及，目前机器学习在游戏行业的应用方案很多。比如谷歌提供了对游戏行为的接入，使用AutoML自动学习来进行预测分类等任务。其他游戏厂商也有基于类似方案。这种方案通过将玩家的状态数据，行为统计等作为标签，基于具体的分类任务进行终端模型建立。
这种方案一般会针对每个任务，单独采集所需训练样本，重新建立分类模型，进行训练和预测任务，模型的开发周期相对较长。
发明内容
有鉴于此，本发明实施例提供一种游戏数据预测模型训练、预测方法、预测装置和预测系统，以实现提供一种开发周期较短的游戏数据预测模型训练方案。
为实现上述目的，本发明实施例提供如下技术方案：
一种游戏数据预测模型训练方法，包括：
获取游戏玩家的游戏数据信息，所述游戏数据信息包括：游戏玩家对应的游戏角色的动作信息、所述动作信息发生时游戏角色的状态信息；
提取所述动作信息；
基于所述动作信息构建第一动作训练样本，每个第一动作训练样本均包括一个标准动作的前一个动作信息和所述标准动作的后一个动作信息；
基于所述第一动作训练样本以及标准动作对第一动作预测模型进行训练；
所述第一动作预测模型用于基于所述第一动作信息和第二动作信息预测得到所述第一动作信息和所述第二动作信息之间的标准动作；
将训练后的第一动作预测模型作为动作向量表，基于所述动作向量表得到的每个动作对应的特征向量，所述特征向量用于表征当前动作与当前动作前、后的两个动作之间的相关性；
基于所述动作信息、特征向量以及所述特征向量所对应的状态信息构建第二动作训练样本，每个所述第二动作训练样本均包括连续的N个动作信息对应的特征向量以及所述动作信息所对应的状态信息，所述N为不小于1的正整数；
采用所述第二动作训练样本对预设的第二动作预测模型进行训练，得到所述第二动作训练样本中的特征向量的后续M个特征向量，所述M为不小于1的正整数。
可选的，上述游戏数据预测模型训练方法中，所述状态信息包括但不限于：游戏角色的等级信息以及游戏资源信息。
可选的，上述游戏数据预测模型训练方法中，所述获取游戏玩家的游戏数据信息，包括：
由预设游戏数据库中获取游戏玩家的游戏数据，所述预设游戏数据库中存储有游戏服务器通过对游戏角色进行监控获取到的游戏角色的游戏数据信息。
一种游戏数据预测方法，应用于服务器中，所述服务器中应用有权利要求1所述的第二动作预测模型以及基于动作向量表得到的每个动作对应的特征向量，方法包括：
获取游戏玩家的游戏数据信息，所述游戏数据信息包括：游戏玩家对应的游戏角色的动作信息、所述动作信息发生时游戏角色的状态信息；
获取各个动作对应的特征向量；
基于所述特征向量以及所述特征向量所对应的状态信息构建第二动作预测样本，每个所述第二动作预测样本均包括连续的N个特征向量以及所述特征向量所对应的状态信息，所述N为不小于1的正整数；
采用预设的第二动作预测模型基于所述第二动作预测样本进行预测，得到所述第二动作训练样本中的特征向量的后续M个特征向量，所述M为不小于1的正整数。
可选的，上述游戏数据预测模型训练方法中，所述状态信息包括但不限于：游戏角色的等级信息以及游戏资源信息。
一种游戏数据预测装置，所述游戏数据预测装置中加载有采用上述游戏数据预测模型训练方法训练得到的第二动作预测模型。
一种游戏数据预测系统，应用有上述游戏数据预测装置。
基于上述技术方案，本发明实施例提供的方案，通过采用特征向量代替动作文本，对游戏角色对应的后连续动作进行预测，训练速度快，模型开发周期相对较短。
附图说明
为了更清楚地说明本发明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发明的实施例，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，还可以根据提供的附图获得其他的附图。
图1为本申请实施例公开的一种游戏数据预测模型训练方法的流程示意图；
图2为本申请实施例公开的一种游戏数据预测模型训练方法的流程示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
本申请提供了一种能够预测玩家连续动作的游戏数据预测模型。参见图1，该游戏预测模型可以采用以下方法训练得到：
步骤S101：获取游戏玩家的游戏数据信息；
在本方案中，预训练模型通过大量的非监督样本进行学习，能够捕捉游戏玩家的游戏数据，所述游戏数据信息包括：游戏玩家对应的游戏角色的动作信息、所述动作信息发生时游戏角色的状态信息；可以将采集到的这些游戏数据存储在数据库中，当需要用到这些数据时，直接由数据库中调取即可。
步骤S102：提取所述动作信息；
在本步骤中，由所述游戏数据中，提取动作信息，其中，所提取到的动作信息为某个游戏角色或某些个游戏角色一系列的连续动作信息；在本步骤中，在本申请实施例公开的技术方案中，将游戏角色不同类型的动作信息称之为元数据，通常来讲，这些元数据简单的使用英文名称来描述，以达到区分每个玩家动作的目的。
步骤S103：基于所述动作信息构建第一动作训练样本，每个第一动作训练样本均包括一个标准动作的前一个动作信息和所述标准动作的后一个动作信息；
在每个第一动作训练样本中的每个动作信息均为同一玩家对应的游戏角色的动作信息，即，属于同一第一动作训练样本中的两个动作信息对应的玩家唯一编号相同，所述第一动作训练样本的数量可以依据用户需求自行确定，
步骤S104：基于所述第一动作训练样本以及标准动作对第一动作预测模型进行训练；
在本方案中，所述第一动作预测模型用于基于所述第一动作信息和第二动作信息预测得到所述第一动作信息和所述第二动作信息之间的标准动作。
申请人经过研究发现，游戏玩家在游戏内的行为动作，并不是孤立存在的，每一个行为动作，在他发生的上下文环境中，具有特定的含义。比如，玩家在进行了一场战斗后，有很大可能进行补兵的动作。因此战斗和补兵两个动作，从隐藏含义上具有关联。因此，本申请基于这些动作之间的关联，预先构建第一动作预测模型，采用所述第一动作预测模型可以根据所述第一动作训练样本中的两个动作预测所述第一动作训练样本对应的标准动作。
所述第一动作预测模型的结构为输入层、隐藏层、输出层。其中，输入层为窗口大小以及2个动作输入，在这里，2个动作指的是第一动作训练样本中包含的两个动作，隐藏层为指定嵌入大小的全连接神经网络，所述神经网络为所述第一动作预测模型的主要计算模块，其用于基于预设的映射规则，计算得到所述第一动作训练样本对应的标准动作，输出层为对中间动作的分类器，所述中间动作记为上述标准动作，在本步骤中，由于各个第一动作训练样本对应的中间动作是已知的，因此，可以采用所述第一动作训练样本对所述第一动作预测模型进行训练，以提高所述第一动作预测模型的中间动作的预测精度。
步骤S105：将训练后的第一动作预测模型作为动作向量表，基于所述动作向量表得到的每个动作对应的特征向量，所述特征向量用于表征当前动作与当前动作前、后的两个动作之间的相关性；
在所述第一动作预测模型训练结束以后，将所述第一动作预测模型中的隐藏层的全连接神经网络作为动作向量表，该向量表大小为动作种类*指定嵌入大小，所述指定嵌入大小指的是该动作种类的权重值，即，将所述每个动作种类的权重值作为每行为某个动作对应的特征向量，不同的动作对应的特征向量不同。在得到游戏行为向量表后，我们就可以使用表中的指定嵌入来代替动作文本，进行其他训练，即将数据相连代替以前采用英文表示的动作，由于该向量是采用相互关联的游戏数据训练得到的，因此该向量也相当于编码了某个动作间的上下文关系信息，能够表达相似或者相关的动作信息。
步骤S106：基于所述动作信息、特征向量以及所述特征向量所对应的状态信息构建第二动作训练样本；
每个所述第二动作训练样本均包括连续的N个动作信息对应的特征向量以及所述动作信息所对应的状态信息，所述N为不小于1的正整数；
在本步骤中，可以直接采用步骤S102中提取的所述动作信息构建第二动作训练样本，也可以重新提取一组动作信息构建第二动作训练样本，将所述动作信息采用步骤S106中计算得到的动作信息对应的特征向量进行替换，然后在基于所述特征向量以及所述动作信息对应的状态信息构建第二动作训练样本，其中在所述第二动作训练样本中，同一组特征向量和状态信息均对应同一个动作信息，所述第二动作训练样本的数量可以依据用户需求自行选择；
步骤S107：采用所述第二动作训练样本对预设的第二动作预测模型进行训练，得到所述第二动作训练样本中的特征向量的后续M个特征向量，所述M为不小于1的正整数；
在本步骤中，所述第二动作预测模型为基于机器算法构建得到的能够基于一系列游戏动作预测接下来M个后续动作的预测模型，在本方案中，将所述第二动作训练样本作为输入参数，采用第二动作预测模型对所述第二动作训练样本作的后续M个动作进行预测，在本方案中，由于所述述第二动作训练样本的后续动作是已知的，因此，可以通过预测结果与已知的结果进行比较的方式，不断调整所述第二动作预测模型中的各项参数，直至预测结果的精度满足要求。
由上述方案可见，采用特征向量代替动作文本，对游戏角色对应的后连续动作进行预测，训练速度快，模型开发周期相对较短。
在本申请上述实施例公开的技术方案中，所述状态信息所包含的内容可以依据用户需求自行确定，例如，所述状态信息包括但不限于：游戏角色的等级信息以及游戏资源信息，所述游戏资源信息可以为游戏中的金币、装备、角色血量、角色所带的增益状态等信息。
在本申请上述实施例公开的技术方案中，本申请可以预先将所述游戏数据信息存储至数据库中，当需要获取训练样本时，直接由数据库中调取即可，即，所述获取游戏玩家的游戏数据信息，
可以包括：由预设游戏数据库中获取游戏玩家的游戏数据，所述预设游戏数据库中存储有游戏服务器通过对游戏角色进行监控获取到的游戏角色的游戏数据信息。
对应于上述游戏数据预测模型训练，本申请还公开了一种游戏数据预测方法，该方法应用于服务器中，所述服务器中应用有权利要求1所述的第二动作预测模型以及基于动作向量表得到的每个动作对应的特征向量，方法包括：
步骤S201：获取游戏玩家的游戏数据信息，所述游戏数据信息包括：游戏玩家对应的游戏角色的动作信息、所述动作信息发生时游戏角色的状态信息；
步骤S202：获取各个动作对应的特征向量；
步骤S203：基于所述特征向量以及所述特征向量所对应的状态信息构建第二动作预测样本，每个所述第二动作预测样本均包括连续的N个特征向量以及所述特征向量所对应的状态信息，所述N为不小于1的正整数；
所述第二动作预测样本的数量可以为一组数据，该样本中包括游戏角色连续的N个动作所对应的特征向量以及所述连续的N个动作所对应的游戏角色的状态信息；
步骤S204：采用预设的第二动作预测模型基于所述第二动作预测样本进行预测，得到所述第二动作训练样本中的特征向量的后续M个特征向量，所述M为不小于1的正整数。
对应于上述游戏数据预测方法，本申请还公开了一种游戏数据预测装置，所述预测装置中加载有采用权利要求1所述的游戏数据预测模型训练方法训练得到的第二动作预测模型。
进一步的，本申请还公开了一种游戏数据预测系统，该系统应用于服务器中，其内部应用有上述游戏数据预测装置。
为了描述的方便，描述以上系统时以功能分为各种模块分别描述。当然，在实施本发明时可以把各模块的功能在同一个或多个软件和/或硬件中实现。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统或系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的系统及系统实施例仅仅是示意性的，其中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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (7)

1.一种游戏数据预测模型训练方法，其特征在于，包括：
获取游戏玩家的游戏数据信息，所述游戏数据信息包括：游戏玩家对应的游戏角色的动作信息、所述动作信息发生时游戏角色的状态信息；
提取所述动作信息；
基于所述动作信息构建第一动作训练样本，每个第一动作训练样本均包括一个标准动作的前一个动作信息和所述标准动作的后一个动作信息；
基于所述第一动作训练样本以及标准动作对第一动作预测模型进行训练；
所述第一动作预测模型用于基于第一动作信息和第二动作信息预测得到所述第一动作信息和所述第二动作信息之间的标准动作；
将训练后的第一动作预测模型作为动作向量表，基于所述动作向量表得到的每个动作对应的特征向量，所述特征向量用于表征当前动作与当前动作前、后的两个动作之间的相关性；
基于所述动作信息、特征向量以及所述特征向量所对应的状态信息构建第二动作训练样本，每个所述第二动作训练样本均包括连续的N个动作信息对应的特征向量以及所述动作信息所对应的状态信息，所述N为不小于1的正整数；
采用所述第二动作训练样本对预设的第二动作预测模型进行训练，得到所述第二动作训练样本中的特征向量的后续M个特征向量，所述M为不小于1的正整数。
2.根据权利要求1所述的游戏数据预测模型训练方法，其特征在于，所述状态信息包括但不限于：游戏角色的等级信息以及游戏资源信息。
3.根据权利要求1所述的游戏数据预测模型训练方法，其特征在于，所述获取游戏玩家的游戏数据信息，包括：
由预设游戏数据库中获取游戏玩家的游戏数据，所述预设游戏数据库中存储有游戏服务器通过对游戏角色进行监控获取到的游戏角色的游戏数据信息。
4.一种游戏数据预测方法，其特征在于，应用于服务器中，所述服务器中应用有权利要求1所述的第二动作预测模型以及基于动作向量表得到的每个动作对应的特征向量，方法包括：
获取游戏玩家的游戏数据信息，所述游戏数据信息包括：游戏玩家对应的游戏角色的动作信息、所述动作信息发生时游戏角色的状态信息；
获取各个动作对应的特征向量；
基于所述特征向量以及所述特征向量所对应的状态信息构建第二动作预测样本，每个所述第二动作预测样本均包括连续的N个特征向量以及所述特征向量所对应的状态信息，所述N为不小于1的正整数；
采用预设的第二动作预测模型基于所述第二动作预测样本进行预测，得到所述第二动作训练样本中的特征向量的后续M个特征向量，所述M为不小于1的正整数。
5.根据权利要求3所述的游戏数据预测模型训练方法，其特征在于，所述状态信息包括但不限于：游戏角色的等级信息以及游戏资源信息。
6.一种游戏数据预测装置，其特征在于，所述游戏数据预测装置中加载有采用权利要求1所述的游戏数据预测模型训练方法训练得到的第二动作预测模型。
7.一种游戏数据预测系统，其特征在于，应用有权利要求6所述的游戏数据预测装置。
CN202010565688.3A 2020-06-19 2020-06-19 游戏数据预测模型训练、预测方法、预测装置和预测系统 Active CN113813610B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010565688.3A CN113813610B (zh) 2020-06-19 2020-06-19 游戏数据预测模型训练、预测方法、预测装置和预测系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010565688.3A CN113813610B (zh) 2020-06-19 2020-06-19 游戏数据预测模型训练、预测方法、预测装置和预测系统

Publications (2)

Publication Number Publication Date
CN113813610A CN113813610A (zh) 2021-12-21
CN113813610B true CN113813610B (zh) 2024-05-14

Family

ID=78911997

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010565688.3A Active CN113813610B (zh) 2020-06-19 2020-06-19 游戏数据预测模型训练、预测方法、预测装置和预测系统

Country Status (1)

Country Link
CN (1) CN113813610B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109615583A (zh) * 2018-11-30 2019-04-12 北京龙创悦动网络科技有限公司 一种游戏地图的生成方法及装置
CN109814955A (zh) * 2019-01-18 2019-05-28 腾讯科技（深圳）有限公司 阵容确定的方法、装置及电子设备
CN109893857A (zh) * 2019-03-14 2019-06-18 腾讯科技（深圳）有限公司 一种操作信息预测的方法、模型训练的方法及相关装置
CN109925717A (zh) * 2019-03-06 2019-06-25 网易（杭州）网络有限公司 一种游戏胜率的预测方法、模型生成方法和装置
KR20190094068A (ko) * 2018-01-11 2019-08-12 한국전자통신연구원 온라인 게임에서 게이머 행동 유형을 분류하는 분류기의 학습 방법 및 상기 분류기를 포함하는 장치
CN110443284A (zh) * 2019-07-15 2019-11-12 超参数科技(深圳)有限公司 Ai模型的训练方法、调用方法、服务器及可读存储介质
CN110807150A (zh) * 2019-10-14 2020-02-18 腾讯科技（深圳）有限公司 信息处理方法及装置、电子设备和计算机可读存储介质
US10576380B1 (en) * 2018-11-05 2020-03-03 Sony Interactive Entertainment LLC Artificial intelligence (AI) model training using cloud gaming network

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10112113B2 (en) * 2016-03-30 2018-10-30 Sony Interactive Entertainment Inc. Personalized data driven game training system

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190094068A (ko) * 2018-01-11 2019-08-12 한국전자통신연구원 온라인 게임에서 게이머 행동 유형을 분류하는 분류기의 학습 방법 및 상기 분류기를 포함하는 장치
US10576380B1 (en) * 2018-11-05 2020-03-03 Sony Interactive Entertainment LLC Artificial intelligence (AI) model training using cloud gaming network
CN109615583A (zh) * 2018-11-30 2019-04-12 北京龙创悦动网络科技有限公司 一种游戏地图的生成方法及装置
CN109814955A (zh) * 2019-01-18 2019-05-28 腾讯科技（深圳）有限公司 阵容确定的方法、装置及电子设备
CN109925717A (zh) * 2019-03-06 2019-06-25 网易（杭州）网络有限公司 一种游戏胜率的预测方法、模型生成方法和装置
CN109893857A (zh) * 2019-03-14 2019-06-18 腾讯科技（深圳）有限公司 一种操作信息预测的方法、模型训练的方法及相关装置
CN110443284A (zh) * 2019-07-15 2019-11-12 超参数科技(深圳)有限公司 Ai模型的训练方法、调用方法、服务器及可读存储介质
CN110807150A (zh) * 2019-10-14 2020-02-18 腾讯科技（深圳）有限公司 信息处理方法及装置、电子设备和计算机可读存储介质

Also Published As

Publication number Publication date
CN113813610A (zh) 2021-12-21

Similar Documents

Publication Publication Date Title
CN111241992B (zh) 人脸识别模型构建方法、识别方法、装置、设备及存储介质
CN109816438B (zh) 信息推送方法及装置
CN111914176B (zh) 题目的推荐方法及装置
CN111143178B (zh) 用户行为分析方法、装置及设备
CN113610552B (zh) 一种用户流失预测方法及装置
CN107688865A (zh) 识别网络游戏中潜在高消费用户的方法及设备
CN110852425A (zh) 基于优化的神经网络的处理方法、装置和电子系统
CN110321426B (zh) 摘要抽取方法、装置及计算机设备
CN107678800A (zh) 后台应用清理方法、装置、存储介质及电子设备
CN113051486A (zh) 基于交友场景的推荐模型的训练方法、装置、电子设备和计算机可读存储介质
CN113742580B (zh) 目标类型数据的召回方法、装置、电子设备及存储介质
CN111310918A (zh) 一种数据处理方法、装置、计算机设备及存储介质
CN112101484B (zh) 基于知识巩固的增量事件识别方法、系统、装置
CN106326086B (zh) 关键运行日志提取方法及装置
CN112650931B (zh) 一种内容推荐方法
CN113254788B (zh) 一种基于大数据的推荐方法、系统及可读存储介质
CN114490926A (zh) 一种相似问题的确定方法、装置、存储介质及终端
CN113457167A (zh) 用户分类网络的训练方法、用户分类方法及装置
CN113827978A (zh) 一种流失用户预测方法、装置及计算机可读存储介质
CN113813610B (zh) 游戏数据预测模型训练、预测方法、预测装置和预测系统
CN110929285B (zh) 一种隐私数据的处理方法及装置
CN111709766A (zh) 一种用户行为预测方法、装置、存储介质及电子设备
CN103038766A (zh) 逻辑运算系统
CN113362920B (zh) 基于临床数据的特征选择方法及装置
CN114724174A (zh) 基于增量学习的行人属性识别模型训练方法及装置

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