CN114254260B - 一种挖掘游戏中的不平衡数据组的方法、装置、设备和存储介质 - Google Patents

Abstract

本发明的实施例涉及挖掘游戏中不平衡数据组的方法、装置、设备和介质。该方法包括：构建多个数据组，其中每个数据组由游戏对象组成；通过数据组难度预测模型获得每个数据组的难度预测值，其指示从游戏对象池中抽取游戏对象以组成相应的数据组的获取概率；通过数据组强度预测模型获得每个数据组的强度预测值，其指示每个数据组与参考数据组集合对阵的胜率。该方法还包括：根据每个数据组的难度预测值和强度预测值而获得每个数据组的适应度；以及通过数据组挖掘模型基于每个数据组的适应度挖掘不平衡数据组，其指的是胜率与获取概率不相匹配的数据组。采用本发明的方法能够通过人工智能模型对游戏数据组的平衡性进行合理调整。

Description

一种挖掘游戏中的不平衡数据组的方法、装置、设备和存储 介质

技术领域

本发明的实施例涉及游戏的平衡性分析，更特定地，本发明的实施例涉及挖掘游戏中的不平衡数据组的方法、装置、计算设备和计算机可读存储介质。

背景技术

随着计算机技术的发展，计算机游戏等人机交互应用，如多人在线竞技游戏(MOBA)、自走棋、卡牌类游戏成为越来越多人的娱乐方式，还为此成立多项正式的体育竞技比赛。正因为如此，这类游戏比赛的平衡性逐渐被众多研究人员所重视。游戏平衡性研究中是游戏性中的一个重要方面，在一定的约束条件下，游戏玩家及制作人员均希望游戏数据组强度及获取难度达到一定的平衡，这样才能保持较好的游戏性。相反，不平衡的数据组(例如实力很强但是获取概率偏高的游戏数据组)会影响玩家的游戏体验乃至破坏竞技比赛的公平原则。

目前针对竞技游戏的数据组平衡性研究较少，普遍采用的数据组平衡性研究技术方案是通过人工设定策略进行平衡性分析。该方法获取待测角色的技能效果数据，根据待测角色的技能效果数据制定战斗策略，执行待测网络游戏，根据战斗策略进行对战测试，获取测试数据判断战斗结果进行调整。最后根据输出的测试数据分析网络游戏中待测角色的平衡性。

然而，在制定人工设计策略时，策略个数及维度有限。以自走棋游戏为例，目前包括棋子，羁绊及站位等因素。游戏策略中还包括不同羁绊相互作用时的影响，游戏内多种典型数据组的克制关系等。对于此类信息，难以采用人工策略对其进行详细描述，策略不够全面设计。离散化特征与连续特征混合一起难以进行统一的表述，相互之间的转换具有一定的难度。

人工设计策略后，需要根据实际战斗结果进行调整。但是其计算方法仅为游戏开发人员根据一定的经验进行设计，容易考虑不周。除此之外，一旦出现新的游戏元素或特征，难以加入到人工特征计算公式之中。整体设计流程科学性不足，没有具体的理论支撑，难以满足精确的平衡性分析。

因此，如何合理地分析竞技游戏中的平衡性，从而对游戏中的不平衡数据组进行有效调整，成为本领域技术人员迫切需要解决的技术问题。

发明内容

有鉴于此，本发明实施例为缓解、减轻乃至消除上述问题而提供一种能够挖掘游戏中不平衡数据组的方法、装置、计算设备和计算机可读存储介质。

根据本发明的一方面，提供了一种用于挖掘游戏中的不平衡数据组的方法，所述方法包括：构建多个数据组，其中所述多个数据组中的每个数据组由游戏对象组成；根据每个数据组的难度预测值和强度预测值获得每个数据组的适应度，其中所述难度预测值通过数据组难度预测模型来获得并且用来指示从游戏对象池中抽取一个或多个游戏对象以组成相应的数据组的获取概率，并且其中所述强度预测值通过数据组强度预测模型来获得并且用来指示每个数据组与参考数据组集合对阵的胜率；以及通过数据组挖掘模型基于每个数据组的适应度挖掘不平衡数据组，其中所述不平衡数据组是胜率与获取概率不相匹配的数据组。

在一些实施例中，根据每个数据组的难度预测值和强度预测值获得每个数据组的适应度包括：对每个数据组的难度预测值和强度预测值进行加权计算，以获得加权计算的结果作为每个数据组的适应度。

在一些实施例中，通过数据组挖掘模型基于每个数据组的适应度挖掘不平衡数据组包括：基于每个数据组的适应度对多个数据组执行数据组选择操作，获得第一数量的数据组；通过对获得的第一数量的数据组中的数据组执行游戏对象交叉操作，获得第二数量的数据组；通过对获得的第一数量的数据组中的数据组执行游戏对象变异操作，获得第三数量的数据组；以及将第一数量的数据组、第二数量的数据组以及第三数量的数据组重新组合成新的多个数据组。

在一些实施例中，采用迭代的方式针对新的多个数据组执行根据每个数据组的难度预测值和强度预测值获得每个数据组的适应度的步骤和基于每个数据组的适应度挖掘不平衡数据组的步骤，直到迭代次数达到指定的迭代次数或者直到第一数量达到指定的数量而结束迭代。

在一些实施例中，针对多个数据组挖掘不平衡数据组还包括：从最后一次迭代获得的第一数量的数据组中挖掘不平衡数据组，包括：基于所述第一数量的数据组中每个数据组的难度预测值和强度预测值作为二维分量来描绘二维散点图，其中每个散点表示所述每个数据组；将所述每个散点与符合曲线范围的正常数据组做比较；以及找出偏离所述曲线范围的散点作为不平衡数据组。

在一些实施例中，针对多个数据组挖掘不平衡数据组还包括：在迭代结束后从第一数量的数据组中挖掘不平衡数据组，包括以下步骤：设定适应度阈值，并从所述第一数量的数据组中筛选出其适应度高于所述适应度阈值的一个或多个数据组；以及从所述一个或多个数据组中找出难度预测值高且强度预测值高的数据组作为不平衡数据组。

在一些实施例中，使用数据组获取难度模型来获得每个数据组的难度预测值，包括：建立概率模型来模拟抽取多个数据组中每个数据组包含的游戏对象以组成该数据组；通过所述概率模型来每个游戏对象的抽取概率；对每个游戏对象的抽取概率进行叠加，以计算每个数据组的组成概率；对每个数据组的组成概率进行归一化；以及得到归一化的组成概率作为每个数据组的难度预测值。

在一些实施例中，利用蒙特卡洛方法或根据历史的线上数据来建立所述概率模型。

在一些实施例中，使用数据组强度预测模型来获得每个数据组的强度预测值，包括：利用卷积神经网络来训练多个数据组中的每个数据组与参考数据组集合中的每个数据组之间的对阵，其中所述参考数据组集合由多个具有广泛代表性的数据组组成；以及计算每个数据组的平均胜率作为每个数据组的强度预测值。

在一些实施例中，通过对游戏对象的特定组合方式进行遍历来构建所述参考数据组集合。

在一些实施例中，在构建多个数据组后对每个数据组进行编码，以及对挖掘出的不平衡数据组进行解码。

在一些实施例中，对每个数据组进行编码包括：采用独热编码方式对每个数据组进行编码，其中所述独热编码方式利用N位状态寄存器，并且其中N等于所述游戏对象池中的所有游戏对象的数量。

在一些实施例中，对每个数据组进行编码包括：采用字段式二进制编码方式对每个数据组进行编码，其中字段的数量等于该数据组中的游戏对象数量，每个字段对该数据组中的一个游戏对象的编号进行二进制编码。

在一些实施例中，基于输入参数来构建多个数据组，所述输入参数包括以下项中的一项或多项：时间、版本、花费、羁绊或每个数据组中的游戏对象数量。

根据本发明的另一方面，提供了一种用于挖掘游戏中的不平衡数据组的装置，所述装置包括：数据组构建模块，所述数据组构建模块配置成构建多个数据组，其中所述多个数据组中的每个数据组由游戏对象组成；以及数据组挖掘模块，所述数据组挖掘模块配置成针对多个数据组挖掘不平衡数据组，所述数据组挖掘模块包括：组合优化单元，所述组合优化单元配置成根据每个数据组的难度预测值和强度预测值获得每个数据组的适应度并且通过数据组挖掘模型基于每个数据组的适应度挖掘不平衡数据组，其中所述难度预测值通过数据组难度预测模型来获得并且用来指示从游戏对象池中抽取一个或多个游戏对象以组成相应的数据组的获取概率，其中所述强度预测值通过数据组强度预测模型来获得并且用来指示每个数据组与参考数据组集合对阵的胜率，并且其中所述不平衡数据组是胜率与获取概率不相匹配的数据组。

在一些实施例中，所述组合优化单元配置成通过以下步骤根据每个数据组的难度预测值和强度预测值获得每个数据组的适应度：对每个数据组的难度预测值和强度预测值进行加权计算，以获得加权计算的结果作为每个数据组的适应度。

在一些实施例中，所述组合优化单元配置成通过以下步骤而通过数据组挖掘模型基于每个数据组的适应度挖掘不平衡数据组：基于每个数据组的适应度对多个数据组执行数据组选择操作，获得第一数量的数据组；通过对获得的第一数量的数据组中的数据组执行游戏对象交叉操作，获得第二数量的数据组；通过对获得的第一数量的数据组中的数据组执行游戏对象变异操作，获得第三数量的数据组；以及将第一数量的数据组、第二数量的数据组以及第三数量的数据组重新组合成新的多个数据组。

在一些实施例中，所述组合优化单元配置成采用迭代的方式针对新的多个数据组根据每个数据组的难度预测值和强度预测值获得每个数据组的适应度并且基于每个数据组的适应度挖掘不平衡数据组，直到迭代次数达到指定的迭代次数或者直到第一数量达到指定的数量而结束迭代。

在一些实施例中，所述数据组挖掘模块还包括筛选单元，所述筛选单元配置成通过以下步骤从最后一次迭代获得的第一数量的数据组中挖掘不平衡数据组：基于所述第一数量的数据组中每个数据组的难度预测值和强度预测值作为二维分量来描绘二维散点图，其中每个散点表示所述每个数据组；将所述每个散点与符合曲线范围的正常数据组做比较；以及找出偏离所述曲线范围的散点作为不平衡数据组。

在一些实施例中，所述数据组挖掘模块还包括筛选单元，所述筛选单元配置成通过以下步骤在迭代结束后从第一数量的数据组中挖掘不平衡数据组：设定适应度阈值，并从所述第一数量的数据组中筛选出其适应度高于所述适应度阈值的一个或多个数据组；以及从所述一个或多个数据组中找出难度预测值高且强度预测值高的数据组作为不平衡数据组。

在一些实施例中，所述装置还包括数据组获取难度预测模块，所述数据组获取难度预测模块配置成执行以下步骤来获得每个数据组的难度预测值：建立概率模型来模拟抽取多个数据组中每个数据组包含的游戏对象以组成相应的数据组；通过所述概率模型来统计每个游戏对象的抽取概率；对每个游戏对象的抽取概率进行叠加，以计算每个数据组的组成概率；对每个数据组的组成概率进行归一化；以及得到归一化的组成概率作为每个数据组的难度预测值。

在一些实施例中，所述数据组获取难度预测模块利用蒙特卡洛方法或根据历史的线上数据来建立所述概率模型。

在一些实施例中，所述装置还包括数据组强度预测模块，所述数据组强度预测模块配置成执行以下步骤来获得每个数据组的强度预测值：利用卷积神经网络来训练多个数据组中的每个数据组与参考数据组集合中的每个数据组之间的对阵，其中所述参考数据组集合由多个具有广泛代表性的数据组组成；以及计算每个数据组的平均胜率作为每个数据组的强度预测值。

在一些实施例中，所述数据组强度预测模块通过对游戏对象的特定组合方式进行遍历来构建所述参考数据组集。

在一些实施例中，所述数据组挖掘模块还包括编解码单元，所述编解码单元配置成在构建多个数据组后对每个数据组进行编码，以及配置成对挖掘出的不平衡数据组进行解码。

在一些实施例中，所述编码单元采用独热编码方式对每个数据组进行编码，其中所述独热编码方式利用N位状态寄存器，并且其中N等于所述游戏对象池中的所有游戏对象的数量。

在一些实施例中，所述编码单元采用字段式二进制编码方式对每个数据组进行编码，其中字段的数量等于该数据组中的游戏对象数量，每个字段对该数据组中的一个游戏对象的编号进行二进制编码。

在一些实施例中，所述数据组构建模块还配置成基于输入参数来构建多个数据组，所述输入参数包括以下项中的一项或多项：时间、版本、花费、羁绊或每个数据组中的游戏对象数量。

根据本发明的又一方面，提供一种计算设备，包括：存储器，用于存储计算机可执行程序；以及处理器，配置成执行存储在所述存储器上的所述计算机可执行程序，以实现如上所述的方法。

根据本发明的又一方面，提供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计算机可执行程序，所述计算机可执行程序可被处理器加载并执行以实现如上所述的方法。

通过实施本发明的技术方案，可以获得以下有益的技术效果。

上述挖掘游戏中不平衡数据组的方法、装置、计算设备和计算机可读存储介质，根据一个或多个实施例，首先利用数据组难度预测模型统计得到不同游戏对象的获取概率从而得到数据组获取难度，并且利用数据组强度预测模型作为数据组强度的预测标准，然后将数据组强度以及获取难度进行结合，利用数据组挖掘模型，得到多套获取概率与胜率不相匹配的数据组(例如，获取难度较低且数据组强度较高的数据组)，最终得到不平衡数据组，从而对竞技游戏数据组强度平衡性进行调整。本发明的各种方面解决了竞技游戏中游戏策划难以合理衡量游戏数据组平衡性的问题。

本发明提供了一种智能快速地挖掘不平衡数据组的系统，该系统可以在不同的约束下，找到符合约束的不平衡数据组，通过符合的结果可以给策划提供参考进行数据组调整，除此之外还可以提供给玩家，辅助玩家进行游戏。

本发明的实施例可以针对多种类型游戏，包括MOBA、自走棋、卡牌类游戏等完成数据组强度的预测。该方法是通过自对局以及大量模拟统计的方式实现，无需对算法进行调整，对所有竞技类游戏均有较好的预测效果。

本发明的实施例采用基于参考数据组的对局胜率作为强度，基于大量游戏统计得到的概率作为数据组组成难度的衡量指标，基于该指标具有全面性，避免了人工设计强度算法的局限，指标较为客观和公正，能很好的反映数据组的实际强度。

本发明还提供了一种竞技类游戏不平衡数据组挖掘的数据处理、训练及挖掘的方法及流程，该方法将数据组强度和数据组组成难度有机的结合，具有较强的实时性和较高的准确性。

本发明的实施例需要资源较少，仅需单台计算机即可较为复杂的数据组挖掘的请求，能大幅降低预测的成本。

附图说明

在下面结合附图对本发明的示例性实施例进行详细描述，在附图中：

图1示出了根据本发明实施例的应用环境；

图2示出了根据本发明实施例的不平衡数据组挖掘系统的示例装置；

图3示出了根据本发明实施例的不平衡数据组挖掘系统的架构图；

图4示出了根据本发明实施例的数据组获取难度预测模型的方法流程图；

图5示出了根据本发明实施例的计算单个数据组强度的示意图；

图6示出了根据本发明实施例的数据组强度预测模型的示意图；

图7示出了根据本发明实施例的数据组挖掘模型结构示意图；

图8示出了根据本发明实施例的挖掘不平衡数据组的二维散点图；

图9示出了示出了根据本发明实施例挖掘不平衡数据组的方法流程图；以及

图10一般地示出了示例性计算设备，其包括代表可以实现本文描述的各种技术的一个或多个组件。

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的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。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”和“第三”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的术语在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里示出或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、装置、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

为了使本发明实施例公开的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明实施例进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本发明实施例，并不用于限定本发明实施例。首先，本发明实施例对下述概念进行解释：

人工智能(AI)：人工智能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。

蒙特卡洛方法：当所求解问题是某种随机事件出现的概率，或者是某个随机变量的期望值时，通过某种“实验”的方法，以这种事件出现的频率估计这一随机事件的概率，或者得到这个随机变量的某些数字特征，并将其作为问题的解。

卷积神经网络：卷积神经网络是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元。卷积神经网络由一个或多个卷积层和顶端的全连通层(对应经典的神经网络)组成，同时也包括关联权重和池化层。这一结构使得卷积神经网络能够利用输入数据的二维结构。

基因遗传算法：模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型，是一种通过模拟自然进化过程搜索最优解的方法。

图1示出了根据本发明实施例的应用环境。本发明提供的不平衡数据组挖掘系统可以应用于如图1所示的应用环境中。其中，终端110可以通过有线或无线网络与服务器120进行通信。在一个或多个实施例中，终端110可以加载不平衡数据组系统，并产生分析数据发送给服务器120；服务器120可以从分析数据中挖掘不平衡数据组，并将结果返回给终端110以向用户展示。在一个或多个实施例中，终端110可以在本地执行不平衡数据组系统的所有过程。在一个或多个实施例中，不平衡数据组系统可被采用分布式的方式一部分在终端110执行而另一部分在服务器120执行。

在各种实施方式中，终端110可以采用各种不同的配置。例如，终端110可以被实现为包括个人计算机、台式计算机、多屏幕计算机、膝上型计算机、上网本等的计算机类设备。终端110还可以被实现为包括诸如移动电话、便携式音乐播放器、便携式游戏设备、平板计算机、多屏幕计算机等移动设备的移动装置类设备。终端110还可以实现为电视类设备，其包括具有或连接到休闲观看环境中的一般地较大屏幕的设备。这些设备包括电视、机顶盒、游戏机等。

本文描述的技术可以由终端110的各种配置来支持，并且不限于本文所描述的技术的具体示例。计算设备110还可以通过各种各样的服务器120进行交互。服务器120可以用独立的服务器或者是多个服务器组成的服务器集群来实现。服务器120可以远离终端110执行计算机处理时可以使用的应用和/或数据。服务器120可以用抽象资源和功能将计算设备1010与其他计算设备连接。

图1还示出了在终端110处显示以自走棋游戏为例的Web UI 130。用户根据游戏的特征来选择数据组挖掘的算法、花费约束、羁绊约束、人数约束等条件。花费约束指的是每个玩家拥有游戏货币的上限，游戏货币用于购买游戏对象。羁绊约束指的是数据组被限定成包含若干个特定游戏对象或游戏对象的类型，当若干个特定的游戏对象以组合的形式(称为羁绊)出现在同一数据组中时，具备该组合的数据组在数据组强度上具有一定增益效果。人数约束，也称为人口约束，指的是数据组中的游戏对象的数量上限。

如图所示，在一个实施例中，在运行挖掘程序之前，供用户输入的约束参数包括但不限于：版本选择101，表示选择对应的游戏版本，不同的游戏版本对应不同的游戏模型；迭代轮次102，表示选择算法迭代的轮次，其中迭代轮次越多，运行时间越久，但是预测得到的结果更具有参考性；总花费约束103，表示在构建随机数据组时约束组成每个数据组的游戏对象(例如棋子、英雄或角色)的购买额度；总人数约束104，表示在构建随机数据组时约束组成每个数据组的游戏对象的人口数量；羁绊约束105和英雄约束106，表示运行后得到的不平衡数据组必须包含对应的英雄搭配和英雄职业或种族。在备选的实施例中，根据用户的需求或者选用的算法，迭代轮次102可以被替换成迭代剩余数据组数量，其用于表示运行过程中，迭代结束的判断条件除了取决于迭代轮次之外还可以取决于每次迭代得到的数据组个数是否达到用户指定的迭代剩余数据组数量。在另一个实施例中，还可添加时间约束(未示出)，用于约束运行时间的总长度。如果到达运行时间的长度，还没有得到预测结果，自动结束运行过程中的迭代，取最后一次迭代得到的数据进行分析。

在一个实施例中，可以基于上述用户输入的总花费约束103、总人数约束104、羁绊约束105和/或英雄约束106来构建一定数量的随机数据组以进行下一步的计算过程。

如图1的Web UI 130所示，点击运行后进行不平衡数据组计算，在结果显示区域107对运行结果进行可视化展示，所述运行结果罗列出一个或多个不平衡数据组及其适应度评价、英雄组合和羁绊组合。适应度评价可以看成是单个数据组在多个随机数据组中的生存能力，其中适应度评价的衡量因素有两个：数据组强度和数据组获取难度。

由于自走棋类型的竞技类游戏在每次版本更新调整的时候，都需要在游戏上线前进行游戏策划，在一定的英雄约束、羁绊约束下，找到数据组获取难度与数据组强度不匹配的数据组，即为不平衡数据组，因此用户(例如，游戏策划人员)可以使用如图1所示的不平衡数据组挖掘数据组系统的应用环境对游戏羁绊及棋子进行强度和/或难度的调整。

图2示出了根据本发明实施例的不平衡数据组挖掘系统的示例装置200。图2中的实线方框代表计算处理模块，虚线方框代表计算相关但未必是必须存在的单元或构件，其可以是以软件、硬件、固件或其组合的形式存在。

如图2所示，图示出的不平衡数据组挖掘系统的示例装置200可包括以下模块：数据组构建模块201、数据组获取难度预测模块202、数据组强度预测模块203和数据组挖掘模块204。

下面将简单地介绍每个模块的概括性功能，以及每个模块适用的算法模型，优选地适用其中的哪一个算法模型。关于数据组获取难度预测模块202、数据组强度预测模块203和数据组挖掘模块204的优选算法模型的详细说明将分别在图4—图7中进一步展开。

数据组构建模块201，在一个实施例中，被用于基于各种输入参数来构建多个数据组构建多个数据组，其中每个数据组由游戏对象组成。各种输入参数可以包括但不限于：时间、版本、花费、羁绊或每个数据组中的游戏对象数量。游戏对象包括但不限于：棋子、卡牌、英雄人物和游戏角色。

本发明的实施例解决了竞技游戏中不平衡数据组的快速挖掘问题，用户可以设定不同的羁绊约束和人数约束等，系统可以在短时间内快速挖掘到符合要求的不平衡数据组。

数据组获取难度预测模块202，可被认为对应于图3中的数据组获取难度预测子系统302。根据本发明的一个或多个实施例，数据组获取难度预测模块202被用于通过数据组难度预测模型获得每个数据组的难度预测值，其指示从游戏对象池中抽取游戏对象以组成相应的数据组的获取概率。游戏对象池可以指的是：所有棋子的集合、卡牌池、所有英雄人物和游戏角色的集合以及根据游戏规则定义的可供玩家选择或抽取的任何游戏对象的总集合。在一个或多个实施例中，每个游戏对象在游戏对象池中被玩家选择或抽取的概率根据实际情况或者游戏规则定义可以相同或不同。

在一个实施例中，在数据组获取难度预测模块202中可以预先建立数据组获取难度模型：例如采用蒙特卡洛方法根据多次模拟抽牌实验，统计卡牌的抽取及组成概率，然后以该卡牌出现的概率估计该随机事件出现的规律，从而将其作为问题的解，得到某个数据组的获取难度概率。

在另一个实施例中，除了采用大量模拟然后进行统计的方法建立数据组获取难度模型之外，还可以根据游戏过程进行概率计算，针对游戏概率模型进行人工设计模型，从而得到数据组组成的概率。但是人工设计的模型容易与实际游戏时的情况有所不同。除此之外，在又一个实施例中，还可以根据历史线上数据进行统计，从而得到不同数据组的获取难度分布。

本发明的实施例解决了竞技游戏数据组衡量抽取难度和强度的统一，由于传统的不平衡数据组只是针对数据组强度这一方面，没有综合考虑到抽取难度的问题。增加了抽取难度这一个维度使得整体更为合理。

数据组强度预测模块203，可被认为对应于图3中的数据组强度预测子系统303。根据本发明的一个或多个实施例，数据组强度预测模块203被用于通过数据组强度预测模型获得每个数据组的强度预测值，其指示每个数据组与具有参考价值的大量数据组之间对阵的胜率。

根据本发明的一个或多个实施例，在数据组强度预测模块203中可以预先建立数据组强度预模型：基于一定的规则(例如英雄分布、线上历史数据组等规则)，选择具有代表性和广泛性的参考数据组集。将所构建的数据组集合对阵参考数据组集，从而得到其胜率用作模型训练样本。通过胜率及数据组数据训练样本用于模型回归训练，所得模型可被用来预测数据组强度预测值。

数据组强度预测模型其实属于一种回归模型。回归模型可以选择决策树、线性回归、支持向量机SVM回归、渐进梯度回归树GBRT回归和神经网络回归等。在一个实施例中，根据需要训练的样本容量，并且特征之间关系复杂程度，可以采用神经网络模型进行回归计算。在另一个实施例中，可以根据实际情况选择以上所述的任何适合的回归模型。

本发明的实施例解决了竞技游戏中不平衡数据组的强度预测准确性问题，由于传统的数据组强度只是根据公式或者人工设定，因此无法衡量准确的数据组强度。而本次采用对战参考数据组胜率进行衡量，评价更为准确。

数据组挖掘模块204，可被认为对应于图3中的数据组挖掘系统304。根据本发明的一个或多个实施例，数据组挖掘模块204被用于针对多个数据组挖掘不平衡数据组。如图2中的虚线框所示，数据组挖掘模块204可以包括组合优化单元224和筛选单元234，以及可选地，数据组挖掘模块204还包括编码单元214和解码单元244。

编码单元214配置成在接收来自数据组构建模块201所构建的多个数据组后对每个数据组进行编码。在一个实施例中，编码单元214采用独热(one-hot)编码方式对每个数据组进行编码。首先我们将棋子的编号通过one-hot方法进行编码，每一个数据组都可以得到基于其独立的编码。One-Hot编码，又称为独热编码或一位有效编码，主要是采用N位状态寄存器来对N个状态进行编码，每个状态都有独立的寄存器位，并且在任意时候每个寄存器位都可以被设定为有效“1”以及无效“0”，或反之亦然。根据本发明的一个或多个实施例，游戏对象的总数为N。作为一个示例，例如游戏对象(例如棋子)总共有162个种类(每个种类在游戏对象池中的数量可以不一样，而且被抽取的概率也不一样)，那么总共有162个ID(即，游戏对象编号)，那么one-hot编码长度为162位。可以将ID1棋子定义为第一位，将ID2棋子定义为第二位，以此类推，将ID162旗子定义为第一百六十二位。那么假设由五个游戏对象(例如棋子)组成的数据组(ID1、ID2、ID6、ID7、ID161)就可以被编码为(1100011……10)，编码中间省略部分为153个“0”。如果拥有该棋子，对应的编码位置就为1，如果没有该棋子，对应位置的编码就为0。

在另一个实施例中，编码单元214采用字段式二进制编码方式对每个数据组进行编码。其中字段的数量可以等于该数据组中的游戏对象数量，并且其中每个字段可以由该数据组中的每个游戏对象的编号的二进制编码来表示。作为一个示例，例如游戏数据组由五个游戏对象，那么该数据组可以被编码为由五个字段组成，每个字段可以由每个游戏对象的编号或ID表示，每个编号可以采用二进制编码表示。那么假设由五个游戏对象(例如棋子)组成的数据组(ID1、ID2、ID6、ID7、ID64)，那么采用字段式二进制编码方式编码的数据组则可被表示为{[00000001],[00000010],[00000110],[00000111],[001000000]}。

组合优化单元224配置成根据每个数据组的难度预测值和强度预测值获得每个数据组的适应度，其中难度预测值通过数据组难度预测模型来获得并且用来指示从游戏对象池中抽取一个或多个游戏对象以组成相应的数据组的获取概率，其中强度预测值通过数据组强度预测模型来获得并且用来指示每个数据组与参考数据组集合对阵的胜率，并且其中适应度指示：把待挖掘的多个数据组看成一个种群，在相互之间的自对阵中，结合每个数据组的强度和获取难度而预计的每个数据组在该种群中适应生存的能力(即，适应度)。在一个实施例中，可以根据以下公式根据每个数据组的难度预测值和强度预测值来计算每个数据组的适应度：z＝A*x+B*y，其中z变量指的是每个数据组的适应度，x变量指的是每个数据组的数据组难度预测值，y变量指的是每个数据组的数据组强度预测值，以及A和B是用户(例如游戏策划人员)根据实际情况或算法设计而设定的两个加权系数。

组合优化单元224还配置成通过数据组挖掘模型基于每个数据组的适应度挖掘不平衡数据组，其中不平衡数据组指的是胜率与获取概率不相匹配的数据组。可以选择不同的数据组挖掘算法以进行组合优化，例如蚁群算法、遗传算法、蜂群算法、粒子群算法、差分进化算法以及其他优化算法。后面将结合图7采用遗传算法作为例子来阐述组合优化单元如何基于适应度挖掘不平衡数据组。在一个实施例中，组合优化单元经过多次迭代针对多个数据组组成的种群基于每个数据组的适应度进行挖掘，其中每次迭代包括针对多个数据组的适应度计算、选择操作、交叉操作、变异操作，最终得到迭代结束后经过改变的多个数据组作为末代种群，并将结果输出给筛选单元234以进一步从改变后的多个数据组中筛选出不平衡数据组。

筛选单元234配置成通过以下示例在迭代结束后从最后一次迭代所产生的多个数据组中挖掘不平衡数据组。在一个示例中，基于最后一次迭代所产生的多个数据组中每个数据组的难度预测值和强度预测值作为二维分量来描绘二维散点图(如图8所示)，其中每个散点表示每个数据组，然后将每个散点与符合曲线范围的正常数据组做比较，继而找出偏离曲线范围的散点，那么这些偏离的散点可以被认为是不平衡数据组。后面将结合图8详细阐述该示例。

在另一个示例中，可以设定适应度阈值，并从最后一次迭代所产生的多个数据组中筛选出其适应度高于所述适应度阈值的一个或多个数据组，然后从该一个或多个数据组中找出难度预测值高且强度预测值高的数据组作为不平衡数据组。

解码单元244配置成根据编码单元214的编码方式对被挖掘出的编码数据组进行解码，所得到的结果包括组成不平衡数据组的棋子、对应棋子等级、所得到的羁绊以及花费等信息，除此之外还可以包括数据组战斗力。策划可以根据挖掘得到的数据组判断其数据组是否合理，是否符合设计预期，如果不符合，策划可以调整对应棋子和羁绊。

数据组挖掘算法是一种多个变量情况下的组合优化问题，需要求解在某一个条件下的较优解，但是不一定是最优解。因此在可接受的花费(指计算时间和空间)下给出待解决组合优化问题每一个实例的一个可行解。类似的问题优化算法包括而不局限于蚁群算法、遗传算法、蜂群算法、粒子群算法、差分进化算法以及其他优化算法。

可以理解的是，按照本发明实施例的方案不限于在游戏人工智能方面的应用，而是适用于使用任何相关算法进行计算的场景。

不平衡数据组挖掘系统可对各种竞技游戏进行非平衡数据组预测及训练，该系统包括数据组强度预测模块、数据组获取难度预测模块和数据组挖掘模块。该系统具有通用性，可快速的得到不同约束条件下的非平衡数据组。本发明提供的技术方案减少了人工选择特征以及各个模型的设计难度。

图3示出了根据本发明实施例的不平衡数据组挖掘系统的架构图。如图3所示，该不平衡数据组挖掘系统包括Web交互子系统301、数据组获取难度预测子系统302、数据组强度预测子系统303、数据组挖掘系统304以及结果输出子系统305。Web交互子系统301负责提供由用户(例如，游戏策划人员)选择数据组挖掘的算法、羁绊约束、花费约束和人数约束等条件，并且基于用户输入的选择构建一定数量的数据组以形成待挖掘的多个数据组，即数据组集合。数据组获取难度预测子系统302负责在一定的条件下，预测数据组的获取难度，其表示从游戏对象池中抽取各种游戏对象以组成相应的数据组的获取概率，数据组获取难度直接影响不平衡数据组的预测结果。值得注意的是，根据不同游戏规则的规定，各种棋子在棋子池中被玩家抽取的概率可能不同。数据组强度预测子系统303负责预测挖掘得到的数据组的强度，其指示每个数据组与其它数据组对阵的胜率，合理的数据组评价体系可以保证挖掘出来的数据组具有较强的实力。数据组挖掘系统304负责综合数据组强度结果、获取难度结果以及约束条件，找到不平衡的数据组并发送给结果输出子系统305以在Web端显示。用户从Web端获取不平衡数据组，进行一定的统计分析后对游戏内容或规则进行调整。

根据本发明的一个或多个实施例，本发明的实施例构建数据组获取难度预测模型和数据组强度预测模型，数据组挖掘算法可以依据数据组获取的难度和数据组强度，综合挖掘得到不平衡的数据组，即获取数据组难度较低(即难度预测值较高)且强度较高(即强度预测值较高)的数据组。

Web交互子系统301、获取难度预测子系统302和数据组强度预测子系统303可以是服务于数据组挖掘系统304的子系统，其中每个子系统相互之间的配合和操作顺序并不受图中箭头方向限制。在一个实施例中，Web交互子系统301可以根据用户输入的参数约束构建数据组集合，并把所构建的数据组集合发送给数据组挖掘系统304；数据组挖掘系统304可在挖掘期间把数据组集合中的每个集合分别发送给数据组获取难度预测子系统302和数据组难度预测子系统303并接收数据组获取难度预测子系统302和数据组强度预测子系统303返回的关于每个数据组的难度预测值和强度预测值，以进行计算分析来挖掘不平衡数据组。在另一个实施例中，Web交互子系统301可以根据用户输入的参数约束构建数据组集合，并把所构建的数据组集合发送给数据组获取难度预测子系统302；数据组获取难度预测子系统202可以针对数据组集合中的每个数据组计算难度预测值，并且将带有难度预测值的数据组集合发送给数据组强度预测子系统303；数据组强度预测子系统303可以针对带有难度预测值的数据组集合计算难度预测值，并且将带有难度预测值和强度预测值的数据组集合发送给数据组挖掘系统304；数据组挖掘系统304然后可以针对所接收的数据组集合基于其每个数据组的难度预测值和强度预测值进行计算分析和进一步挖掘。在又一个实施例中，如果存在迭代，数据组挖掘系统304可以把挖掘的新数据组集合发送回给数据组获取难度预测子系统302计算难度预测值以及发送回给数据组强度预测子系统303计算强度预测值，反复上述过程直到迭代结束，最后数据组挖掘系统304可以对挖掘结果进行处理，并且将处理结果发送到输出子系统305以在Web端对不平衡数据组进行可视化展示。

不平衡数据组的衡量因素主要有数据组获取难度和数据组强度两点，根据本发明的一个或多个实施例，数据组获取难度通过蒙特卡洛方法得到游戏对象抽取概率模型进行计算，而数据组强度通过强度回归模型进行计算。下面参考图4-图6分别对其进行介绍。

图4示出了根据本发明实施例的数据组获取难度预测模型的方法流程图。由于在实际游戏过程中，游戏对象的抽取难度可能在不同游戏时刻在不同等级均不相同，因此，采用常规方法(例如，根据不同游戏时刻及不同等级的游戏对象抽取概率来计算整体游戏对象抽取难度)难以得到数据组获取难度模型。在本发明的一个实施例中，可以采用蒙特卡洛方法拟合得到不同游戏对象在不同游戏时刻在不同等级的抽取概率，然后将多个游戏对象抽取概率进行叠加，从而得到最终数据组的组成概率。虽然根据该实施例，游戏对象的抽取难度可能在不同游戏时刻在不同等级均不相同，但本领域技术人员可以想到，游戏对象的抽取难度可以仅取决于游戏时刻、仅取决于等级、或取决于两者的组合。在本发明的一个实施例中，游戏对象的抽取难度随游戏时间增加而升高或降低。在本发明的另一个实施例中，游戏对象的抽取难度随等级增加而升高或降低。在本发明的另一个实施例中，游戏对象的抽取难度还可以随其它因素而变化，例如游戏对象等级、对手所持有的游戏对象的数量、游戏轮次，等等。

蒙特卡罗方法的解题过程可以归结为三个主要步骤：(1)构造或描述概率过程；(2)实现从已知概率分布抽样；(3)建立各种估计量。在本发明的一个实施例中，在步骤401处，通过模拟实际游戏过程中的游戏对象抽取概率以及抽取流程，可以构造出模拟抽取游戏对象的游戏对象抽取概率模型。在该实施例中，在步骤402处，通过多次模拟，统计不同游戏过程中的游戏对象抽取概率，即完成从已知概率分布抽样的过程。在该实施例中，在步骤403处，当需要计算数据组获取难度时，从所有游戏对象抽取概率中找出对应于所述数据组中的游戏对象的游戏对象抽取概率，并将对应的游戏对象抽取概率进行相乘，从而算出数据组组成概率。在该实施例中，在步骤404处，然后通过将数据组组成概率归一化到统一区间，从而得到数据组获取难度。

在本发明的另一个实施例中，还可以通过编程设计方法得到数据组获取难度。在该实施例中，编程设计方法包括：(1)根据游戏过程进行游戏对象抽取概率计算；(2)针对游戏对象抽取概率模型，通过编程设计数据组获取难度模型；(3)根据编程设计的数据组获取难度模型得到数据组组成概率；(4)将数据组组成概率归一化到统一区间，从而得到数据组获取难度。在本发明的另一个实施例中，还可以对历史线上数据进行统计，以便构造基于历史线上数据的数据组获取难度模型，并根据该模型计算数据组获取难度。

由于数据组获取概率本身具有内在的随机性，但是内在规律难以直接通过模型建模得到。因此本发明的实施例借助计算机的运算能力直接模拟这种随机的过程，抽取游戏对象时会随着等级与游戏对象品质的变化而变化。通过大量模拟游戏中抽取游戏对象的行为，经过统计得到数据组组成概率，作为判断数据组获取难度的依据。

图5示出了根据本发明实施例的计算单个数据组强度的示意图。在本发明的一个实施例中，首先，确定参考数据组集合502，其中参考数据组集合502包括多个参考数据组502-1至502-N。为获取参考数据组集合502，所述多个参考数据组502-1至502-N必须具有广泛的代表性。每个参考数据组从羁绊中随机选取一种羁绊作为主羁绊，然后依据主羁绊选择与主羁绊对应的游戏对象使得主羁绊生效，然后再随机添加游戏对象使得数据组满足目标人口的条件，即满足人口约束。在本发明的另一个实施例中，也可以根据其它约束而随机添加游戏对象，所述其它约束包括但不限于：时间约束、版本约束、花费约束、羁绊约束。在本发明的一个实施例中，随机选取一种羁绊作为主羁绊包括遍历所有羁绊。这样参考数据组集合502就具有更为广泛的代表性，覆盖了所有羁绊和大部分游戏对象组合。以自走棋作为示例，首先，随机选择6人口人类作为参考数据组的主羁绊，然后从棋子库中选择6个人类棋子(ID1，ID2，ID3……)，随后确定人口约束为10，则从剩下的棋子中再随机选择4个棋子使得数据组达到10人口。重复以上过程以遍历所有羁绊，使得参考数据组集合达到期望数量(例如1000个数据组)，这样的参考数据组集合具有广泛的代表性。

然后，确定随机数据组501，其中随机数据组501是从所有游戏对象中随机抽取多个游戏对象进行组合而成。需要将该随机数据组501分别对阵参考数据组集合502中的每个参考数据组502-1至502-N，并记录对阵结果503-1至503-N，统计该随机数据组501的胜率504，如图5所示。胜率504就代表着该随机数据组501的强度。这样，就获得了单个随机数据组的强度。如果随机数据组501对阵参考数据组集合502胜率较高时，那么其在实际游戏过程中获胜的概率也较大，因此其强度较高。反之，如果随机数据组501对阵参考数据组集合502胜率较低时，那么其在实际游戏过程中获胜的概率也较小，因此其强度较低。

在本发明的一个实施例中，使用卷积神经网络来计算随机数据组501与参考数据组集合502中的每个参考数据组502-1至502-N的对阵结果503-1至503-N。在该实施例中，将多个对阵特征作为多维数据输入卷积神经网络以得到对阵结果。在该实施例中，以自走棋为示例，多个对阵特征包括但不限于棋盘宽度、棋盘长度、棋子种类数量等。虽然此处以自走棋为示例列出多个对阵特征，但本领域技术人员可以理解，对阵特征并不限于自走棋的对阵特征，还可以包括其它种类游戏的对阵特征。

图6示出了根据本发明实施例的数据组强度预测模型的示意图。在图6中，获得强度对阵训练样本603，其中每个随机数据组601-1至601-N以及每个随机数据组601-1至601-N对应的强度602-1至602-N均是基于图5中所示的方法得到的。在本发明的一个实施例中，基于每个随机数据组601-1至601-N以及对应的强度602-1至602-N，可以训练强度回归模型604。在本发明的一个实施例中，训练完成后，强度回归模型604将会被部署到服务器中，工程师可以通过接口将待预测数据组输入到服务器。服务器根据所部署的强度回归模型和所输入的待预测数据组，得到强度预测值并返回。强度预测值表示数据组的战斗力。数据组的强度预测值越高，该数据组的战斗力越强，在游戏中该数据组越有可能取胜。

在本发明的一个实施例中，由于训练数据较多，特征之间关系较为复杂，因此采用神经网络模型进行回归计算。但本领域技术人员可以理解，可以根据实际情况选择适合的回归模型。在本发明的一个实施例中，回归模型可以是以下项之一：决策树回归模型，线性回归模型，SVM回归模型，GBRT回归模型，神经网络回归模型。

在以前的人工设计强度衡量方法中，一般只是利用策划手动设计相关指标，通过人工设计的特征进行强度衡量，但是原来的方法没有办法得到较为准确的衡量结果。本发明的实施例采用将随机数据组对阵参考数据组的胜率作为随机数据组强度的指标，所得结果较为客观公正，整体，能较好地衡量随机数据组的水平。并且本发明的实施例无需依赖历史数据，能在游戏上线之前得到合理的参考数据组。

图7示出了根据本发明实施例的数据组挖掘模型结构示意图。在一个或多个实施例中，图2中的组合优化单元224可以通过以下步骤而针对作为初始种群701的多个数据组通过数据组挖掘模型基于每个数据组的适应度挖掘不平衡数据组：(1)基于每个数据组的适应度对多个数据组执行选择操作702，获得第一数量的数据组。在一个示例中，将1000个数据组视为初始种群，对每个数据组所获得的适应度从大到小进行排序，选择适应度前500的数据组(即第一数量的数据组)以表示这些数据组在该种群中有较强的竞争力，适合为下一代繁衍及进化(即下一次迭代)提供基本样本容量。(2)通过对获得的第一数量的数据组中的数据组执行游戏对象交叉操作，获得第二数量的数据组。交叉操作指的是一个种群中的数据组与数据组之间随机互换一个或多个游戏对象。在同一个示例中，对适应度前500的数据组进行两两数据组之间的单个游戏对象随机互换，从中选取300个经过交叉操作的数据组(即第二数量的数据组)。如果采用独热编码方式编码的话，数据组之间的游戏对象交叉操作则可表示为两个数据组之间互换一位或多位有效码；如果采用字段式二进制编码方式编码的话，数据组之间的游戏对象交叉操作则可表示为两个数据组之间互换一个或多个字段。(3)通过对获得的第一数量的数据组中的数据组执行游戏对象变异操作，获得第三数量的数据组。变异操作指的是每个数据组中的一个或多个游戏对象进行随机变换。在同一个示例中，对适应度前500的数据组中的200个数据组进行在数据组内部的游戏对象随机变换，得到200个经过变异操作的数据组(即第三数量的数据组)。(4)将第一数量的数据组、第二数量的数据组以及第三数量的数据组重新组合以获得新的多个数据组。在同一个示例中，将上述500个适应度较高数据组、200个交叉数据组和300个变异数据组组合成新的1000个数据组作为经历一次遗传迭代的下一代种群。

值得注意的是，第一数量、第二数量、第三数量以及三者的总和并不限于以上具体的数值。并且，在另一个示例中，根据遗传算法的适应性改变，第二数量的数据组可以不在第一数量的数据组中产生而是在该种群的另外多个数据组中经过交叉操作得到，而第三数量的数据组也可以不在第一数量的数据组中产生而是在该种群的另外多个数据组中经过变异操作得到。在又一个示例中，根据遗传算法的适应性改变，第一数量、第二数量和第三数量可以在每次迭代后逐次减少。在又另外示例中，根据遗传算法的适应性改变，第一数量、第二数量和第三数量可以在每次迭代后逐次增大。

所述组合优化单元进一步配置成采用迭代的方式根据每个数据组的难度预测值和强度预测值获得每个数据组的适应度并且基于每个数据组的适应度挖掘不平衡数据组，也就是说，针对构建的多个数据组迭代地执行上述的适应度计算、选择操作、交叉操作和变异操作，由此产生重新组合后的多个数据组作为下一代种群以进入下一次迭代，直到迭代次数达到指定的迭代次数或者直到第一数量达到指定的数量而结束迭代。通过多次迭代，按照适者生存和优胜劣汰的原理，这个过程将导致种群像自然进化一样的后生代种群比前代更加适应于环境，末代种群中的最优个体可以被视为问题近似最优解。然后，向图2中的筛选单元内234输出最后一次迭代所产生的第一数量的数据组作为末代种群。

图8示出了根据本发明实施例的挖掘不平衡数据组的二维散点图。如图8所示，在一个示例中，建立x轴表示数据组获取概率(即难度预测值)以及y轴表示数据组强度或胜率(即强度预测值)的坐标系，将最后一次迭代所产生的第一数量的数据组(每个数据组已具备难度预测值的x分量和强度预测值的y分量)用空心正方形散点描绘在该坐标系中。用实心圆散点来表示经过大数据统计的正常数据组，从图8可见，正常数据组一般符合数据组强度与数据组获取概率成反比的曲线范围。将空心正方形散点与实心散点群做比较可以标识偏离正常曲线范围的空心正方形散点，这些偏离正常曲线范围的空心正方形散点所表示的数据组可被视为本发明期望挖掘出来的不平衡数据组。

图9示出了根据本发明实施例挖掘不平衡数据组的方法流程图，下面将介绍挖掘游戏中的不平衡数据组的具体实施过程：

步骤901，构建多个数据组，其中多个数据组中的每个数据组由游戏对象组成。

步骤902，可选地，对每个数据组进行编码。

步骤903，可选地，通过数据组获取难度模型来获得每个数据组的难度预测值。

在一个或多个示例中，通过数据组获取难度模型来获得每个数据组的难度预测值的方法可以包括：建立概率模型来模拟抽取多个数据组中每个数据组包含的游戏对象以组成相应的数据组；通过该概率模型来统计每个游戏对象的抽取概率；对每个游戏对象的抽取概率进行叠加，以计算这些游戏对象组成每个数据组的组成概率；对每个数据组的组成概率进行归一化；以及得到归一化的组成概率作为每个数据组的难度预测值。

在一个示例中，上述概率模型可以利用蒙特卡洛方法来建立。将蒙特卡洛方法具体应用在游戏中的方法是：根据多次模拟抽取实验，统计游戏对象的抽取及组成概率，然后以该游戏对象出现的概率估计该随机事件出现的规律，从而将其作为问题的解，最终得到某个游戏对象组合(即，数据组)的获取难度概率。通过蒙特卡洛方法，可以拟合得到不同游戏对象在不同游戏时刻在不同等级的抽取概率，然后将多个游戏对象抽取概率进行叠加，从而得到最终数据组的组成概率。

在另一个示例中，上述概率模型可以根据历史的线上数据来建立。例如，根据历史的线上数据，可以从服务器后台统计海量游戏玩家在不同游戏回合针对不同游戏对象的平均获取概率，从而得到不同游戏数据组的获取难度分布。

步骤904，可选地，使用数据组强度预测模型来获得每个数据组的强度预测值。

在一个或多个示例中，通过数据组强度预测模型来获得每个数据组的强度预测值可以包括：利用卷积神经网络来训练多个数据组中的每个数据组与参考数据组集合中的每个数据组之间的对阵，其中参考数据组集合可以由多个具有广泛代表性的数据组组成；以及计算每个数据组的平均胜率作为每个数据组的强度预测值。

在一个示例中，可以通过对游戏对象的特定组合方式(即，羁绊)进行遍历来构建参考数据组集合。具体而言，可以随机选取一种羁绊作为主羁绊然后遍历所有组合方式：例如，随机选择6个游戏对象作为参考数据组的主羁绊，从游戏对象池中选择该6个游戏对象(ID1，ID2，ID3…ID6)；然后，确定数据组的游戏对象数量上限为10，从游戏对象池中再随机选择4个游戏对象使得数据组的游戏对象数量为10；重复以上过程以遍历所有组合方式，使得参考数据组的总数量达到期望值(例如1000个参考数据组)，这样的参考数据组集合具有广泛的代表性。

步骤905，根据每个数据组的难度预测值和强度预测值获得每个数据组的适应度。

在一个或多个示例中，根据每个数据组的难度预测值和强度预测值而获得每个数据组的适应度可以包括：对每个数据组的难度预测值和强度预测值进行加权计算，以获得加权计算的结果作为每个数据组的适应度。

步骤906，可选地，基于每个数据组的适应度对多个数据组执行数据组选择操作，获得第一数量的数据组。

步骤907，可选地，通过对获得的第一数量的数据组中的数据组执行游戏对象交叉操作，获得第二数量的数据组。

在步骤908，可选地，通过对获得的第一数量的数据组中的数据组执行游戏对象变异操作，获得第三数量的数据组。

步骤909，可选地，将第一数量的数据组、第二数量的数据组以及第三数量的数据组重新组合成新的多个数据组。

可选地，针对重新组合的新的多个数据组采用迭代的方式执行步骤903-步骤909直到迭代次数达到指定的迭代次数或者直到第一数量达到指定的数量而结束迭代。

在一个示例中，当迭代次数被指定时，每次迭代中第一、第二、第三数量可以不变；在另一个示例中，第一、第二、第三数量在每次迭代中可以递减；在又一个示例中，第一、第二、第三数量在每次迭代中可以递增。

步骤910从最后一次迭代获得的第一数量的数据组中挖掘不平衡数据组。

步骤911，可选地，对挖掘出的不平衡数据组进行解码，以对解码后的结果在Web端进行可视化展示。

图10一般地示出了示例性计算设备1010，其包括代表可以实现本文描述的各种技术的一个或多个组件。计算设备1010可以是例如与客户端设备(例如，图1中的终端110)相关联的设备、片上系统、和/或任何其它合适的计算设备或计算系统。在一个或多个实施例中，上面关于图2描述的不平衡数据组挖掘系统200可以采取计算设备1010的形式。替换地，不平衡数据组挖掘系统200可以采用Web应用1016的形式被实现为计算机程序。更具体地，不平衡数据组挖掘系统200可以被实现为Web应用1016的组成部分，或者作为可与Web应用1016相分离地下载和安装的插件。在一个或多个实施例中，图2中的不平衡数据组挖掘系统200可以分布式地一部分被部署在计算设备1010中，而一部分部署在图1的服务器120中。例如将数据组获取难度预测模块202和数据组强度预测模块203部署在图1的服务器120中，而其他部署在计算设备1010中。

如图示的示例计算设备1010包括彼此通信耦合的处理系统1011、一个或多个计算机可读介质1012以及一个或多个I/O接口1013。尽管未示出，但是计算设备1010还可以包括系统总线或其他数据和命令传送系统，其将各种组件彼此耦合。系统总线可以包括不同总线结构的任何一个或组合，所述总线结构诸如存储器总线或存储器控制器、外围总线、通用串行总线、和/或利用各种总线架构中的任何一种的处理器或局部总线。还构思了各种其他示例，诸如控制和数据线。

处理系统1011代表使用硬件执行一个或多个操作的功能。因此，处理系统1011被图示为包括可被配置为处理器、功能块等的硬件元件1014。这可以包括在硬件中实现作为专用集成电路或使用一个或多个半导体形成的其它逻辑器件。硬件元件1014不受其形成的材料或其中采用的处理机构的限制。例如，处理器可以由(多个)半导体和/或晶体管(例如，电子集成电路(IC))组成。在这样的上下文中，处理器可执行指令可以是电子可执行指令。

计算机可读介质1012被图示为包括存储器/存储装置1015。存储器/存储装置1015表示与一个或多个计算机可读介质相关联的存储器/存储容量。存储器/存储装置1015可以包括易失性介质(诸如随机存取存储器(RAM))和/或非易失性介质(诸如只读存储器(ROM)、闪存、光盘、磁盘等)。存储器/存储装置1015可以包括固定介质(例如，RAM、ROM、固定硬盘驱动器等)以及可移动介质(例如，闪存、可移动硬盘驱动器、光盘等)。计算机可读介质1012可以以下面进一步描述的各种其他方式进行配置。

一个或多个I/O接口1013代表允许用户向计算设备1010输入命令和信息并且可选地还允许使用各种输入/输出设备将信息呈现给用户和/或其他组件或设备的功能。输入设备的示例包括键盘、光标控制设备(例如，鼠标)、麦克风(例如，用于语音输入)、扫描仪、触摸功能(例如，被配置为检测物理触摸的容性或其他传感器)、相机(例如，可以采用可见或不可见的波长(诸如红外频率)将不涉及触摸的运动检测为手势)等等。输出设备的示例包括显示设备(例如，显示器或投影仪)、扬声器、打印机、网卡、触觉响应设备等。因此，计算设备1010可以以下面进一步描述的各种方式进行配置以支持用户交互。

计算设备1010还可以包括Web应用1016。Web应用1016可以例如是图3的不平衡数据组挖掘系统300的软件实例，并且与计算设备1010中的其他元件相组合地实现本文描述的技术。

本文可以在软件硬件元件或程序模块的一般上下文中描述各种技术。一般地，这些模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、元素、组件、数据结构等。本文所使用的术语“模块”(例如，前面段落中的数据组构建模块201、数据组获取难度预测模块202、数据组强度预测模块203和数据组挖掘模块204)、“单元”、“功能”和“组件”一般表示软件、固件、硬件或其组合。本文描述的技术的特征是与平台无关的，意味着这些技术可以在具有各种处理器的各种计算平台上实现。

所描述的模块和技术的实现可以存储在某种形式的计算机可读介质上或者跨某种形式的计算机可读介质传输。计算机可读介质可以包括可由计算设备710访问的各种介质。作为示例而非限制，计算机可读介质可以包括“计算机可读存储介质”和“计算机可读信号介质”。

与单纯的信号传输、载波或信号本身相反，“计算机可读存储介质”是指能够持久存储信息的介质和/或设备，和/或有形的存储装置。因此，计算机可读存储介质是指非信号承载介质。计算机可读存储介质包括诸如易失性和非易失性、可移动和不可移动介质和/或以适用于存储信息(诸如计算机可读指令、数据结构、程序模块、逻辑元件/电路或其他数据)的方法或技术实现的存储设备之类的硬件。计算机可读存储介质的示例可以包括但不限于RAM、ROM、EEPROM、闪存或其它存储器技术、CD-ROM、数字通用盘(DVD)或其他光学存储装置、硬盘、盒式磁带、磁带，磁盘存储装置或其他磁存储设备，或其他存储设备、有形介质或适于存储期望信息并可以由计算机访问的制品。

“计算机可读信号介质”是指被配置为诸如经由网络将指令发送到计算设备1010的硬件的信号承载介质。信号介质典型地可以将计算机可读指令、数据结构、程序模块或其他数据体现在诸如载波、数据信号或其它传输机制的调制数据信号中。信号介质还包括任何信息传递介质。术语“调制数据信号”是指以这样的方式对信号中的信息进行编码来设置或改变其特征中的一个或多个的信号。作为示例而非限制，通信介质包括诸如有线网络或直接连线的有线介质以及诸如声、RF、红外和其它无线介质的无线介质。

如前所述，硬件元件1014和计算机可读介质1012代表以硬件形式实现的指令、模块、可编程器件逻辑和/或固定器件逻辑，其在一些实施例中可以用于实现本文描述的技术的至少一些方面。硬件元件可以包括集成电路或片上系统、专用集成电路(ASIC)、现场可编程门阵列(FPGA)、复杂可编程逻辑器件(CPLD)以及硅中的其它实现或其他硬件设备的组件。在这种上下文中，硬件元件可以作为执行由硬件元件所体现的指令、模块和/或逻辑所定义的程序任务的处理设备，以及用于存储用于执行的指令的硬件设备，例如，先前描述的计算机可读存储介质。

前述的组合也可以用于实现本文所述的各种技术和模块。因此，可以将软件、硬件或程序模块和其它程序模块实现为在某种形式的计算机可读存储介质上和/或由一个或多个硬件元件1014体现的一个或多个指令和/或逻辑。计算设备1010可以被配置为实现与软件和/或硬件模块相对应的特定指令和/或功能。因此，例如通过使用处理系统的计算机可读存储介质和/或硬件元件1014，可以至少部分地以硬件来实现将模块实现为可由计算设备1010作为软件执行的模块。指令和/或功能可以由一个或多个制品(例如，一个或多个计算设备1010和/或处理系统1011)可执行/可操作以实现本文所述的技术、模块和示例。

尽管已经以结构特征和/或方法动作特定的语言描述了主题，但是应当理解，所附权利要求中限定的主题不一定限于上述具体特征或动作。相反，上述具体特征和动作被公开为实现权利要求的示例形式。

本文中使用的术语仅出于描述特定实施例的目的并且不意图限制本发明。如本文中使用的，单数形式“一”、“一个”和“该”意图也包括复数形式，除非上下文清楚地另有指示。将进一步理解的是，术语“包括”和/或“包含”当在本说明书中使用时指定所述及特征、整体、步骤、操作、元件和/或部件的存在，但不排除一个或多个其他特征、整体、步骤、操作、元件、部件和/或其群组的存在或添加一个或多个其他特征、整体、步骤、操作、元件、部件和/或其群组。如本文中使用的，术语“和/或”包括相关联的列出项目中的一个或多个的任意和全部组合。

通过研究附图、公开内容和所附的权利要求书，本领域技术人员在实践所要求保护的主题时，能够理解和实现对于所公开的实施例的变型。在相互不同的从属权利要求中记载了某些措施的仅有事实并不表明这些措施的组合不能用来获利。

Claims (14)

1.一种用于挖掘游戏中的不平衡数据组的方法，其特征在于，所述方法包括：

构建多个数据组，其中所述多个数据组中的每个数据组由游戏对象组成；

对每个数据组的难度预测值和强度预测值进行加权计算，以获得加权计算的结果作为每个数据组的适应度，其中所述难度预测值通过数据组难度预测模型来获得并且用来指示从游戏对象池中抽取一个或多个游戏对象以组成相应的数据组的获取概率，其中所述强度预测值通过数据组强度预测模型来获得并且用来指示每个数据组与参考数据组集合对阵的胜率；以及

通过数据组挖掘模型基于每个数据组的适应度挖掘不平衡数据组，其中所述不平衡数据组是胜率与获取概率不相匹配的数据组。

2.根据权利要求1所述的方法，其特征在于，通过所述数据组挖掘模型基于每个数据组的适应度挖掘不平衡数据组包括：

基于每个数据组的适应度对多个数据组执行数据组选择操作，获得第一数量的数据组；

通过对获得的第一数量的数据组中的数据组执行游戏对象交叉操作，获得第二数量的数据组；

通过对获得的第一数量的数据组中的数据组执行游戏对象变异操作，获得第三数量的数据组；以及

将第一数量的数据组、第二数量的数据组以及第三数量的数据组重新组合成新的多个数据组。

3.根据权利要求2所述的方法，其特征在于，采用迭代的方式针对新的多个数据组执行根据每个数据组的难度预测值和强度预测值获得每个数据组的适应度的步骤和基于每个数据组的适应度挖掘不平衡数据组的步骤，直到迭代次数达到指定的迭代次数或者直到每次迭代后的第一数量达到指定的数量而结束迭代。

4.根据权利要求3所述的方法，其特征在于，所述方法还包括

从最后一次迭代获得的第一数量的数据组中挖掘不平衡数据组，其中：

基于从最后一次迭代获得的第一数量的数据组中每个数据组的难度预测值和强度预测值作为二维分量来描绘二维散点图，其中每个散点表示所述每个数据组；将所述每个散点与符合曲线范围的正常数据组做比较；以及找出偏离所述曲线范围的散点作为不平衡数据组；或者

设定适应度阈值，并从最后一次迭代获得的第一数量的数据组中筛选出其适应度高于所述适应度阈值的一个或多个数据组；以及从所述一个或多个数据组中找出难度预测值高且强度预测值高的数据组作为不平衡数据组。

5.根据权利要求1-4中任一项所述的方法，其特征在于，通过所述数据组难度预测模型来获得每个数据组的难度预测值包括：

建立概率模型来模拟抽取多个数据组中每个数据组包含的游戏对象以组成相应的数据组；

通过所述概率模型来统计每个游戏对象的抽取概率；

对每个游戏对象的抽取概率进行叠加，以计算每个数据组的组成概率；

对每个数据组的组成概率进行归一化；以及

得到归一化的组成概率作为每个数据组的难度预测值。

6.根据权利要求5所述的方法，其特征在于，利用蒙特卡洛方法或根据历史的线上数据来建立所述概率模型。

7.根据权利要求1-4中任一项所述的方法，其特征在于，通过所述数据组强度预测模型来获得每个数据组的强度预测值包括：

利用卷积神经网络来训练多个数据组中的每个数据组与参考数据组集合中的每个数据组之间的对阵，其中所述参考数据组集合由多个具有广泛代表性的数据组组成；以及

计算每个数据组的平均胜率作为每个数据组的强度预测值。

8.根据权利要求7所述的方法，其特征在于，通过对游戏对象的所有组合方式进行遍历来构建所述参考数据组集合。

9.根据权利要求1-4中任一项所述的方法，其特征在于，在构建多个数据组后对每个数据组进行编码，以及对挖掘出的不平衡数据组进行解码。

10.根据权利要求9所述方法，其特征在于，对每个数据组进行编码包括：

采用独热编码方式对每个数据组进行编码，其中所述独热编码方式利用N位状态寄存器，并且其中N等于所述游戏对象池中的所有游戏对象的数量；或者

采用字段式二进制编码方式对每个数据组进行编码，其中字段的数量等于该数据组中的游戏对象数量，并且其中每个字段对该数据组中的一个游戏对象的编号进行二进制编码。

11.根据权利要求1-4中任一项所述的方法，其特征在于，基于输入参数来构建多个数据组，所述输入参数包括以下项中的一项或多项：时间、版本、花费、羁绊或每个数据组中的游戏对象数量。

12.一种用于挖掘游戏中的不平衡数据组的装置，其特征在于，所述装置包括：

数据组构建模块，所述数据组构建模块配置成构建多个数据组，其中所述多个数据组中的每个数据组由游戏对象组成；以及

数据组挖掘模块，所述数据组挖掘模块配置成针对多个数据组挖掘不平衡数据组，所述数据组挖掘模块包括：

组合优化单元，所述组合优化单元配置成对每个数据组的难度预测值和强度预测值进行加权计算，以获得加权计算的结果作为每个数据组的适应度并且通过数据组挖掘模型基于每个数据组的适应度挖掘不平衡数据组，其中所述难度预测值通过数据组难度预测模型来获得并且用来指示从游戏对象池中抽取一个或多个游戏对象以组成相应的数据组的获取概率，其中所述强度预测值通过数据组强度预测模型来获得并且用来指示每个数据组与参考数据组集合对阵的胜率，并且其中所述不平衡数据组是胜率与获取概率不相匹配的数据组。

13.一种计算设备，其特征在于，所述计算设备包括：

存储器，用于存储计算机可执行程序；以及

处理器，配置成执行存储在所述存储器上的所述计算机可执行程序，以实现如权利要求1-11中任一项所述的方法。

14.一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中存储有计算机可执行程序，所述计算机可执行程序可被处理器加载并执行以实现如权利要求1-11中任一项所述的方法。