CN114344916A - 一种数据处理方法及相关装置 - Google Patents
一种数据处理方法及相关装置 Download PDFInfo
- Publication number
- CN114344916A CN114344916A CN202210004440.9A CN202210004440A CN114344916A CN 114344916 A CN114344916 A CN 114344916A CN 202210004440 A CN202210004440 A CN 202210004440A CN 114344916 A CN114344916 A CN 114344916A
- Authority
- CN
- China
- Prior art keywords
- team
- data
- target
- behavior
- training
- 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
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 40
- 230000006399 behavior Effects 0.000 claims abstract description 506
- 238000001514 detection method Methods 0.000 claims abstract description 243
- 238000000034 method Methods 0.000 claims abstract description 73
- 238000012549 training Methods 0.000 claims description 333
- 230000006870 function Effects 0.000 claims description 96
- 238000012545 processing Methods 0.000 claims description 81
- 230000006378 damage Effects 0.000 claims description 80
- 239000013598 vector Substances 0.000 claims description 69
- 208000027418 Wounds and injury Diseases 0.000 claims description 48
- 208000014674 injury Diseases 0.000 claims description 48
- 238000013506 data mapping Methods 0.000 claims description 30
- 238000002372 labelling Methods 0.000 claims description 26
- 238000004590 computer program Methods 0.000 claims description 16
- 230000009466 transformation Effects 0.000 claims description 10
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 230000034994 death Effects 0.000 claims description 7
- 231100000517 death Toxicity 0.000 claims description 7
- 238000011084 recovery Methods 0.000 claims description 7
- 238000013473 artificial intelligence Methods 0.000 abstract description 9
- 238000010586 diagram Methods 0.000 description 18
- 230000008569 process Effects 0.000 description 14
- 238000005516 engineering process Methods 0.000 description 13
- 238000000605 extraction Methods 0.000 description 12
- 230000007123 defense Effects 0.000 description 9
- 238000006243 chemical reaction Methods 0.000 description 8
- 239000000047 product Substances 0.000 description 7
- 230000009471 action Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000002147 killing effect Effects 0.000 description 4
- 238000013507 mapping Methods 0.000 description 4
- 230000001755 vocal effect Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 239000008267 milk Substances 0.000 description 3
- 235000013336 milk Nutrition 0.000 description 3
- 210000004080 milk Anatomy 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 230000002829 reductive effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012731 temporal analysis Methods 0.000 description 2
- 238000000700 time series analysis Methods 0.000 description 2
- 241000209202 Bromus secalinus Species 0.000 description 1
- 206010011971 Decreased interest Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 235000013365 dairy product Nutrition 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例公开了一种人工智能领域的数据处理方法及相关装置，其中该方法包括：针对参与目标游戏对局的目标团队，获取目标团队中各个虚拟角色各自对应的角色信息数据，并且获取目标团队在所述目标游戏对局中产生的参考行为数据；根据目标团队中各个虚拟角色各自对应的角色信息数据，确定目标团队对应的团队信息数据；根据目标团队在目标游戏对局中产生的参考行为数据，确定目标团队对应的团队行为数据；根据目标团队对应的团队信息数据和团队行为数据，确定目标团队对应的团队行为检测结果；团队行为检测结果用于表征目标团队在目标游戏对局中是否存在作弊行为。该方法能够针对参与团队游戏的团队准确地识别其是否存在作弊行为。
Description
技术领域
本申请涉及人工智能技术领域，尤其涉及一种数据处理方法及相关装置。
背景技术
在网络游戏玩法多样化发展的时代，团队协作游戏作为主流的重要玩法之一，一直以来吸引着大量的游戏玩家。尤其是在大型多人在线游戏(Massive MultiplayerOnline Role-Playing Game，MMORPG)中，基于游戏程序设置的玩家对战环境(PlayerVersus Environment，PVE)进行团队作战的玩法，更是深受广大玩家喜爱；这种团队作战玩法不仅可以提升玩家的游戏乐趣，而且能够通过玩家之间的互动提升用户的游戏粘性。
然而，近年来，黑产行为在各种团队作战的玩法中不断涌现，黑产用户通过使用外挂程序带领实力较弱的玩家通过游戏关卡，从而获得游戏收益。这种黑产行为对于正常玩家来说极为不公平，严重破坏了游戏的玩法生态。
相关技术中，通常基于预设的作弊行为检测机制，针对团队作战游戏中每个独立的虚拟角色分别检测其是否存在异常的作弊行为，如检测单个虚拟角色是否存在快速通关、快速获得大量虚拟奖励等行为。然而，本申请发明人研究发现，在团队作战游戏中，经常难以准确地捕捉游戏过程中每个独立的虚拟角色的行为，相应地，采用上述检测方式针对每个独立的虚拟角色检测其是否存在作弊行为，往往容易发生误判的情况，例如，对于团队中实力较弱的虚拟角色，容易误判其存在作弊行为。
发明内容
本申请实施例提供了一种数据处理方法及相关装置，能够针对参与团队游戏的团队准确地识别其是否存在作弊行为。
有鉴于此，本申请第一方面提供了一种数据处理方法，所述方法包括：
针对参与目标游戏对局的目标团队，获取所述目标团队中各个虚拟角色各自对应的角色信息数据，所述角色信息数据用于表征其对应的虚拟角色的战斗特点和战斗能力；并且获取所述目标团队在所述目标游戏对局中产生的参考行为数据；
根据所述目标团队中各个虚拟角色各自对应的角色信息数据，确定所述目标团队对应的团队信息数据；根据所述目标团队在所述目标游戏对局中产生的参考行为数据，确定所述目标团队对应的团队行为数据；
根据所述目标团队对应的团队信息数据和团队行为数据，确定所述目标团队对应的团队行为检测结果；所述团队行为检测结果用于表征所述目标团队在所述目标游戏对局中是否存在作弊行为。
本申请第二方面提供了一种数据处理装置，所述装置包括：
数据获取模块，用于针对参与目标游戏对局的目标团队，获取所述目标团队中各个虚拟角色各自对应的角色信息数据，所述角色信息数据用于表征其对应的虚拟角色的战斗特点和战斗能力；并且获取所述目标团队在所述目标游戏对局中产生的参考行为数据；
团队数据确定模块，用于根据所述目标团队中各个虚拟角色各自对应的角色信息数据，确定所述目标团队对应的团队信息数据；根据所述目标团队在所述目标游戏对局中产生的参考行为数据，确定所述目标团队对应的团队行为数据；
行为识别模块，用于根据所述目标团队对应的团队信息数据和团队行为数据，确定所述目标团队对应的团队行为检测结果；所述团队行为检测结果用于表征所述目标团队在所述目标游戏对局中是否存在作弊行为。
本申请第三方面提供了一种计算机设备，所述设备包括处理器和存储器：
所述存储器用于存储计算机程序；
所述处理器用于根据所述计算机程序，执行如上述第一方面所述的数据处理方法的步骤。
本申请第四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用于存储计算机程序，所述计算机程序用于执行上述第一方面所述的数据处理方法的步骤。
本申请第五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指令，该计算机指令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指令，处理器执行该计算机指令，使得该计算机设备执行上述第一方面所述的数据处理方法的步骤。
从以上技术方案可以看出，本申请实施例具有以下优点：
本申请实施例提供了一种数据处理方法，该方法针对参与目标游戏对局的目标团队，根据该目标团队中各个虚拟角色各自对应的角色信息数据，确定用于反映该目标团队整体战斗强度的团队信息数据，并且根据该目标团队在目标游戏对局中产生的参考行为数据，确定用于反映该目标团队实际战斗情况的团队行为数据；进而，根据该团队信息数据和该团队行为数据，确定该目标团队对应的团队行为检测结果，即确定该目标团队在该目标游戏对局中是否存在作弊行为。相比相关技术中通过检测团队中单个虚拟角色的行为，来检测单个虚拟角色是否存在作弊行为的方案，本申请实施例提供的方法以团队整体为单位，检测整个团队是否存在作弊行为。一方面，这种检测方式无需针对团队中每个虚拟角色单独捕捉其产生的行为，可以避免因所捕捉的个体行为不准确而导致的误判情况。另一方面，在实际应用中，团队游戏中的作弊行为普遍是以团队为单位产生的，即通常由黑产用户通过外挂程序控制团队中的某个虚拟角色带领其它虚拟角色通过游戏关卡，获得游戏奖励，本质上团队中每个虚拟角色均参与了作弊；本申请实施例以团队整体为单位进行作弊检测更符合实际应用中的作弊情况，即所确定的团队行为检测结果能够更真实地反映作弊情况。再一方面，根据用于反映团队整体战斗强度的团队信息数据、以及用于反映团队实际战斗情况的团队行为数据，确定团队行为检测结果，能够在一定程度上保证所确定的团队行为检测结果的准确性和可靠性。
附图说明
图1为本申请实施例提供的数据处理测方法的应用场景示意图；
图2为本申请实施例提供的数据处理方法的流程示意图；
图3为本申请实施例提供的存在作弊行为的团队与不存在作弊行为的团队各自对应的战斗强度分布情况的示意图；
图4为本申请实施例提供的职业特征分布图；
图5为本申请实施例提供的团队行为检测模型的工作架构示意图；
图6为本申请实施例提供的一种模型训练方法的流程示意图；
图7为本申请实施例提供的另一种模型训练方法的流程示意图；
图8为本申请实施例提供的第一种数据处理装置的结构示意图；
图9为本申请实施例提供的第二种数据处理装置的结构示意图；
图10为本申请实施例提供的第三种数据处理装置的结构示意图；
图11为本申请实施例提供的第四种数据处理装置的结构示意图；
图12为本申请实施例提供的终端设备的结构示意图；
图13为本申请实施例提供的服务器的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)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数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示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、系统、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。
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、自动驾驶、智慧交通等几大方向。
本申请实施例提供的方案涉及人工智能技术，具体通过如下实施例进行说明：
相关技术中，检测团队游戏中是否存在作弊行为时，通常需要捕捉团队中每个独立的虚拟角色产生的行为，并根据捕捉到的行为判断单个虚拟角色是否存在作弊行为。然而，在团队游戏中，由于参与游戏的虚拟角色较多，往往难以准确地捕捉每个虚拟角色产生的行为，相应地，通过上述方式针对单个虚拟角色检测其是否存在作弊行为，经常容易因所捕捉到的行为不准确而产生误判的情况；例如，若在游戏对局中某个战斗力较强的虚拟角色产生了一次较强的攻击操作，而误将该攻击操作检测为是某个战斗力较弱的虚拟角色产生的，则会误以为该战斗力较弱的虚拟角色存在作弊行为。
为了解决上述相关技术存在的问题，本申请实施例提供了一种数据处理方法，该方法检测团队游戏中是否存在作弊行为时，以团队整体为单位进行作弊行为的检测，从而避免发生上述误判情况，同时提高检测结果的准确性和可靠性。
具体的，在本申请实施例提供的数据处理方法中，针对参与目标游戏对局的目标团队，先获取该目标团队中各个虚拟角色各自对应的角色信息数据，该角色信息数据用于表征其对应的虚拟角色的战斗特点和战斗能力；此外，还获取该目标团队在目标游戏对局中产生的参考行为数据。然后，根据目标团队中各个虚拟角色各自对应的角色信息数据，确定该目标团队对应的团队信息数据；根据该目标团队在该目标游戏对局中产生的参考行为数据，确定该目标团队对应的团队行为数据。进而，根据该目标团队对应的团队信息数据和团队行为数据，确定该目标团队对应的团队行为检测结果，该团队行为检测结果用于表征该目标团队在该目标游戏对局中是否存在作弊行为。
相比相关技术中通过检测团队中单个虚拟角色的行为，来检测单个虚拟角色是否存在作弊行为的方案，本申请实施例提供的数据处理方法，以团队整体为单位，检测整个团队是否存在作弊行为。一方面，这种检测方式无需针对团队中每个虚拟角色单独捕捉其产生的行为，可以避免因所捕捉的个体行为不准确而导致的误判情况。另一方面，在实际应用中，团队游戏中的作弊行为普遍是以团队为单位产生的，即通常由黑产用户通过外挂程序控制团队中的某个虚拟角色带领其它虚拟角色通过游戏关卡，获得游戏奖励，本质上团队中每个虚拟角色均参与了作弊；本申请实施例以团队整体为单位进行作弊检测更符合实际应用中的作弊情况，即所确定的团队行为检测结果能够更真实地反映作弊情况。再一方面，根据用于反映团队整体战斗强度的团队信息数据、以及用于反映团队实际战斗情况的团队行为数据，确定团队行为检测结果，能够保证所确定的团队行为检测结果的准确性和可靠性。
应理解，本申请实施例提供的数据处理方法可以由具备数据处理能力的计算机设备执行，该计算机设备可以是终端设备或服务器。其中，终端设备具体可以为计算机、智能手机、平板电脑、个人数字助理(Personal Digital Assistant，PDA)等；服务器具体可以为应用服务器或Web服务器，在实际部署时，可以为独立服务器，也可以为由多个物理服务器构成的集群服务器或云服务器。本申请实施例涉及的数据可以保存于区块链上。
为了便于理解本申请实施例提供的数据处理方法，下面以该数据处理方法的执行主体为服务器为例，对该数据处理方法的应用场景进行示例性介绍。
参见图1，图1为本申请实施例提供的数据处理方法的应用场景示意图。如图1所示，该应用场景中包括终端设备110和服务器120，终端设备110与服务器120之间可以通过网络通信。其中，终端设备110上运行有支持团队游戏玩法的游戏应用程序(如MMORPG程序等)；服务器120为该游戏应用程序的后台服务器，用于执行本申请实施例提供的数据处理方法，以针对参与团队游戏的团队检测其是否存在作弊行为。
在实际应用中，用户可以通过终端设备110上运行的游戏应用程序提供的团队游戏玩法，控制自身操控的虚拟角色与其他用户操控的虚拟角色组建目标团队，并参与目标游戏对局。示例性的，假设游戏应用程序为MMORPG程序，该MMORPG程序提供的团队游戏玩法为基于PVE的团队副本(即由后台游戏程序按照预先写好的游戏脚本控制非玩家角色(non-player character，NPC)与玩家控制的虚拟角色进行对战的团队玩法)，在该种场景下，用户可以控制其操控的虚拟角色与其他用户操控的虚拟角色组建目标团队，参与该MMORPG程序提供的团队副本；在游戏过程中，用户可以通过终端设备110控制其操控的虚拟角色执行各种游戏操作，如移动操作、针对NPC执行攻击操作、躲避NPC的攻击操作、辅助团队中其它虚拟角色的操作、救援团队中其它虚拟角色的操作等等，同时终端设备110需要将上述游戏操作数据通过网络传输给服务器120，以使服务器120控制NPC执行相应的应对操作，实现游戏对战。
目标游戏对局结束后，服务器120可以针对参与该目标游戏对局的目标团队判断其是否存在作弊行为。具体的，服务器120可以先获取目标团队中各个虚拟角色各自对应的角色信息数据，该角色信息数据是指能够表征虚拟角色的战斗特点和战斗能力的数据；示例性的，服务器120可以获取目标团队中每个虚拟角色的职业数据(用于反映虚拟角色所属的职业)、装备数据(用于反映虚拟角色装配的虚拟装备)以及战斗属性数据(用于反映虚拟角色的战斗能力)，作为该虚拟角色对应的角色信息数据。此外，服务器120还需要获取目标团队在目标游戏对局中产生的参考行为数据，该参考行为数据是指能够反映目标团队在目标游戏对局中的实际战斗情况的数据；示例性的，服务器120可以获取与目标团队产生的攻击操作相关的攻击数据、以及与目标团队被敌方虚拟角色(如NPC)攻击相关的被攻击数据，作为参考行为数据。
然后，服务器120可以根据所获取的目标团队中各个虚拟角色各自对应的角色信息数据，确定该目标团队对应的团队信息数据；由于所获取的虚拟角色对应的角色信息数据能够反映该虚拟角色的战斗特点和战斗能力，因此，基于目标团队中各个虚拟角色各自对应的角色信息数据确定的团队信息数据，能够在一定程度上反映目标团队整体的战斗强度。此外，服务器120还需要根据所获取的目标团队在目标游戏对局中产生的参考行为数据，确定该目标团队对应的团队行为数据；由于所获取的参考行为数据能够反映该目标团队在目标游戏对局中的实际战斗情况，因此，基于该参考行为数据确定的团队行为数据，能够在一定程度上反映该目标团队在整场目标游戏对局中的整体战斗情况。
进而，服务器120可以根据该目标团队对应的团队信息数据和团队行为数据，确定该目标团队对应的团队行为检测结果，该团队行为检测结果能够相应地反映该目标团队在目标游戏对局中是否存在作弊行为。示例性的，服务器120可以利用预先训练好的团队行为检测模型，根据该目标团队对应的团队信息数据和团队行为数据，确定该目标团队对应的团队行为检测结果。对于存在作弊行为的目标团队，服务器120可以针对操控该目标团队中各个虚拟角色的游戏账户进行惩罚处理，如降低信用等级、减少信用积分、暂封游戏账户等等。
应理解，图1所示的应用场景仅为示例，在实际应用中，本申请实施例提供的数据处理方法还可以应用于其它场景，在此不对本申请实施例提供的数据处理方法适用的应用场景做任何限定。
下面通过方法实施例对本申请提供的数据处理方法进行详细介绍。
参见图2，图2为本申请实施例提供的数据处理方法的流程示意图。为了便于描述，下述实施例仍以该数据处理方法的执行主体为服务器为例进行介绍。如图2所示，该数据处理方法包括以下步骤：
步骤201：针对参与目标游戏对局的目标团队，获取所述目标团队中各个虚拟角色各自对应的角色信息数据，所述角色信息数据用于表征其对应的虚拟角色的战斗特点和战斗能力；并且获取所述目标团队在所述目标游戏对局中产生的参考行为数据。
服务器针对参与目标游戏对局的目标团队检测其是否存在作弊行为时，需要先获取该目标团队中各个虚拟角色各自对应的角色信息数据，以便基于所获取的各个虚拟角色各自对应的角色信息数据，综合考量目标团队整体的战斗强度。此外，服务器还需要获取目标团队在目标游戏对局中产生的参考行为数据，以便基于所获取的参考行为数据，综合考量目标团队整体在目标游戏对局中的实际战斗情况。
需要说明的是，上述目标游戏对局可以是团队游戏玩法下的任一场游戏对局，目标游戏对局需要多个虚拟角色组队参与；例如，上述目标游戏对局可以是MMORPG游戏中的团队副本，基于团队副本进行游戏时后台的游戏程序可以控制NPC营造游戏对战环境。上述目标团队是参与目标游戏对局的团队，目标团队中需要包括多个(即至少两个)虚拟角色，且多个虚拟角色分别由不同的游戏账户操控。对于存在作弊行为的目标团队来说，其中通常包括开飞机角色和坐飞机角色；开飞机角色可以在外挂程序的帮助下快速地带领团队中的其它虚拟角色通过游戏关卡，并获得相应的游戏奖励；坐飞机角色可以在开飞机角色的带领下快速地通过游戏关卡，并获得相应的游戏奖励；开飞机角色和坐飞机角色本质上都是存在作弊行为的。
需要说明的是，上述虚拟角色对应的角色信息数据是指能够反映该虚拟角色的战斗特点和战斗能力的数据。战斗特点可以理解为虚拟角色在游戏中擅长使用的技能的特点，例如，虚拟角色擅长使用攻击类技能、防御类技能、法术类技能等等。战斗能力可以理解为虚拟角色在游戏中使用的技能的强度，例如，攻击类技能对应的攻击强度、防御类技能对应的防御强度、法术类技能对应的伤害强度等等。
在一种可能的实现方式中，服务器获取目标团队中各虚拟角色各自对应的角色信息数据，可以是针对目标团队中的每个虚拟角色，获取该虚拟角色的职业数据、装备数据以及战斗属性数据，作为该虚拟角色对应的角色信息数据。
其中，虚拟角色的职业数据用于表征虚拟角色所属的游戏职业，例如，虚拟角色所属的游戏职业可以为输出类职业、协同类职业、奶系职业或小众职业；由于属于不同游戏职业的虚拟角色擅长使用的技能的特点不同，因此虚拟角色的职业数据可以相应地反映该虚拟角色的战斗特点。虚拟角色的装备数据用于表征虚拟角色装配的虚拟装备，此处的虚拟装备是指对虚拟角色的战斗能力具有影响的元素，例如虚拟角色使用的虚拟武器、虚拟角色穿戴的衣物和饰品、虚拟角色的坐骑等等；由于不同的虚拟装备可以执行不同的技能，并且对于技能的强度可能产生不同程度的影响，因此虚拟角色的装备数据可以相应地反映该虚拟角色的战斗特点和战斗能力。虚拟角色的战斗属性数据用于表征虚拟角色的整体战斗力、攻击力和防御力；示例性的，虚拟角色对应的等级通常能够在一定程度上反映该虚拟角色的整体战斗力，并且每个虚拟角色都具有一定的攻击值(用于表征虚拟角色的攻击强度)和防御值(用于表征虚拟角色的防御强度)，因此，可以获取上述虚拟角色的等级、攻击值和防御值作为该虚拟角色对应的战斗属性数据，该战斗属性数据能够相应地反映该虚拟角色的战斗能力。
应理解，在实际应用中，服务器也可以获取其它的能够反映虚拟角色的战斗特点和战斗能力的数据，作为虚拟角色对应的角色信息数据；本申请在此不对虚拟角色对应的角色信息数据做任何限定。
需要说明的是，上述参考行为数据是对于评判团队是否存在作弊行为有较高参考价值的行为数据，该参考行为数据的类型可以预先设定。在本申请实施例中，目标游戏对局结束后，服务器可以采集在该目标游戏对局中目标团队产生的上述预设类型的行为数据，作为参考行为数据。
在一种可能的实现方式中，服务器获取目标团队在目标游戏对局中产生的参考行为数据时，可以获取能够反映该目标团队通过目标游戏对局的难易程度的行为数据。具体的，服务器可以获取目标团队在目标游戏对局中产生的攻击数据和被攻击数据；其中，攻击数据可以包括目标团队中各虚拟角色执行的攻击操作的次数、以及目标游戏对局中敌方虚拟角色受到的伤害来源数据中的至少一种；被攻击数据可以包括目标团队中各个虚拟角色的生命值损失量、生命值恢复量、被攻击次数和死亡次数中的至少一种。
在本申请实施例中，通关难易程度可以从目标团队产生的攻击以及目标团队受到的攻击这两个维度衡量。从目标团队产生的攻击的维度来看，服务器可以获取该目标团队在目标游戏对局中产生的攻击数据；该攻击数据可以是目标团队中各虚拟角色执行的攻击操作的次数，该攻击操作的次数例如可以是目标团队中各虚拟角色总的释放技能次数、或目标团队中各虚拟角色的操控用户对于控制面板上功能按键的总触控次数，目标团队中各虚拟角色执行的攻击操作的次数越多，则表明该目标团队越难以目标游戏对局；该攻击数据还可以是目标游戏对局中敌方虚拟角色(如游戏程序控制的NPC)受到的伤害来源数据，该伤害来源数据能够反映敌方虚拟角色所受到的伤害来源和伤害强度，敌方虚拟角色所受到的伤害来源越单一，则表明目标团队通过目标游戏对局越容易。
需要说明的是，在实际应用中，可以根据敌方虚拟角色受到的伤害来源和各种伤害来源产生的伤害强度，计算标准差或信息熵作为该敌方虚拟角色受到的伤害来源数据。
根据敌方虚拟角色受到的伤害来源和各种伤害来源产生的伤害强度，计算标准差时，可以通过如下公式(1)计算：
其中，σ为标准差形式的伤害来源数据；n为敌方虚拟角色受到的伤害来源的种类；xi为第i种伤害来源对于敌方虚拟角色产生的伤害强度，
为各种伤害来源对于敌方虚拟角色产生的伤害强度的平均值。
根据敌方虚拟角色受到的伤害来源和各种伤害来源产生的伤害强度，计算信息熵时，可以通过如下公式(2)计算：
H(x)＝-∑x∈Xp(x)log p(x) (2)
其中，H(x)为信息熵形式的伤害来源数据；x为敌方虚拟角色受到的伤害来源，X为敌方虚拟角色受到的所有伤害来源的集合；p(x)为伤害来源x对敌方虚拟角色产生的伤害强度。
经本申请发明人研究发现，采用信息熵作为敌方虚拟角色受到的伤害来源数据相比采用标准差作为敌方虚拟角色受到的伤害来源数据更合理，原因在于以下两点：第一，若在原伤害来源的基础上新增其它的伤害来源，且该伤害来源所产生的伤害强度较小，那么从游戏通关难度的角度来看，游戏的通关难度本质上变化不大；采用信息熵表征伤害来源数据，新增伤害来源前后的伤害来源数据不会发生太大的变化，而采用标准差表征伤害来源数据，新增伤害来源前后的伤害来源数据会发生较大的变化，表1中第一行和第二行的数据对比可以证明上述结论。第二，若在原伤害来源的基础上新增其它的伤害来源，且该伤害来源所产生的伤害强度与原有的伤害来源产生的伤害强度相近，那么从游戏通关难度的角度来看，游戏的通关难度将会变大；采用信息熵表征伤害来源数据，新增伤害来源前后的伤害来源数据会有较大的变化，而采用标准差表征伤害来源数据，新增伤害来源前后的伤害来源数据不会有较大的变化，表1中第一行和第三行的数据对比可以证明上述结论。
表1
在另一种可能的实现方式中，服务器获取目标团队在目标游戏对局中产生的参考行为数据时，可以获取能够反映是否使用了作弊功能的行为数据。
作为一种示例，服务器可以获取目标团队在目标游戏对局中对敌方虚拟角色造成的总伤害量、以及敌方虚拟角色的总生命值，作为参考行为数据。具体的，目前常见的一种作弊功能是“秒杀”功能，即团队中的虚拟角色在外挂程序的帮助下可以快速杀死游戏对局中的敌方虚拟角色，这种作弊功能表现出的特点是，敌方虚拟角色仅受到较少伤害即会死亡；基于此，服务器获取参考行为数据时，可以获取目标团队在目标游戏对局中对敌方虚拟角色造成的总伤害量、以及敌方虚拟角色的总生命值，以便后续基于该总伤害量和该总生命值判断目标团队是否在目标游戏对局中使用了“秒杀”功能。
作为另一种示例，服务器也可以获取目标团队在目标游戏对局中每次攻击操作对应的攻击范围，作为参考行为数据。具体的，目前常见的一种作弊功能还有“超范围伤害”功能，即团队中的虚拟角色在外挂程序的帮助下释放攻击技能后，该攻击技能可以对超出该攻击技能对应的攻击范围的敌方虚拟角色造成伤害，如对全场的敌方虚拟角色均造成伤害，这种作弊功能表现出的特点是，攻击范围超出攻击技能对应的合理攻击范围；基于此，服务器获取参考行为数据时，可以获取目标团队在目标游戏对局中的每次攻击操作对应的攻击范围，以便后续基于各次攻击操作各自对应的攻击范围判断目标团队是否在目标游戏对局中使用了“超范围伤害”功能。
应理解，在实际应用中，服务器还可以获取与其它作弊功能相关的行为数据作为参考行为数据，本申请在此不对所获取的与作弊功能相关的参考行为数据做任何限定。
应理解，在实际应用中，服务器除了可以获取用于反映通关难易程度的行为数据、用于反映是否使用作弊功能的行为数据作为上述参考行为数据外，还可以获取其它类型的行为数据作为上述参考行为数据，本申请在此不对所获取的参考行为数据做任何限定。
步骤202：根据所述目标团队中各个虚拟角色各自对应的角色信息数据，确定所述目标团队对应的团队信息数据；根据所述目标团队在所述目标游戏对局中产生的参考行为数据，确定所述目标团队对应的团队行为数据。
服务器获取到目标团队中各个虚拟角色各自对应的角色信息数据后，即可根据该目标团队中各个虚拟角色各自对应的角色信息数据，确定用于反映目标团队的整体战斗强度的团队信息数据。此外，服务器获取到目标团队在目标游戏对局中产生的参考行为数据后，即可根据该目标团队在目标游戏对局中产生的参考行为数据产生的参考行为数据，确定用于反映目标团队整体的实际战斗情况的团队行为数据。
需要说明的是，上述团队信息数据是用于反映团队整体战斗强度的数据，由于团队中虚拟角色对应的角色信息数据能够反映该虚拟角色的战斗特点和战斗能力，相应地，组合团队中所有虚拟角色各自对应的角色信息数据得到的团队信息数据，能够从整体上反映该团队的战斗实力。上述团队行为数据是用于反映团队实际战斗情况的数据，此处的实际战斗情况可以理解为团队通关的难易程度、和/或团队产生作弊行为的可能性。
正如上述步骤201所介绍的，服务器所获取的虚拟角色对应的角色信息数据可以是虚拟角色的职业数据、装备数据和战斗属性数据，在该种情况下，服务器可以通过以下方式，根据目标团队中各个虚拟角色各自对应的角色信息数据，确定目标团队对应的团队信息数据：按照目标顺序拼接目标团队中各个虚拟角色各自的职业数据，得到团队职业数据；按照目标顺序拼接目标团队中各个虚拟角色各自的装备数据，得到团队装备数据；按照目标顺序拼接目标团队中各个虚拟角色各自的战斗属性数据，得到团队战斗属性数据；进而，将上述团队职业数据、团队装备数据和团队战斗属性数据，作为目标团队对应的团队信息数据。
上述目标顺序具体是服务器设定的虚拟角色排列顺序；例如，服务器可以根据目标团队中各虚拟角色加入该目标团队的顺序确定上述目标顺序；又例如，服务器可以根据目标团队中各虚拟角色各自对应的等级确定上述目标顺序；再例如，服务器可以根据操控目标团队中各虚拟角色的各游戏账户的等级确定上述目标顺序，本申请在此不对该目标顺序的确定方式做任何限定。
示例性的，假设目标团队中包括虚拟角色1、虚拟角色2、虚拟角色3、虚拟角色4和虚拟角色5，服务器所确定的目标顺序为虚拟角色1、虚拟角色2、虚拟角色3、虚拟角色4和虚拟角色5顺次排列。在该种情况下，服务器可以顺次拼接虚拟角色1、虚拟角色2、虚拟角色3、虚拟角色4和虚拟角色5各自的职业数据，得到团队职业数据，以及顺次拼接虚拟角色1、虚拟角色2、虚拟角色3、虚拟角色4和虚拟角色5各自的装备数据得到团队装备数据，以及顺次拼接虚拟角色1、虚拟角色2、虚拟角色3、虚拟角色4和虚拟角色5各自的战斗属性数据得到团队战斗属性数据。进而，服务器可以将所得到的团队职业数据、团队装备数据和团队战斗属性数据，作为目标团队对应的团队信息数据。
需要说明的是，通过上述方式拼接得到的团队职业数据能够相应地反映目标团队中各虚拟角色的职业分布情况，而职业分布情况能够在一定程度上反应团队整体的战斗能力，例如，具有奶系职业的团队通常具有更强的战斗能力。通过上述方式拼接得到的团队装备数据能够相应地反映目标团队中各虚拟角色的装备配置情况，该装备配置情况也能够在一定程度上反映团队整体的战斗能力，例如，若团队中各虚拟角色配置的大多数虚拟装备均能起到提高攻击能力的作用，则该团队会具有更强的战斗能力。通过上述方式拼接得到的团队战斗属性数据能够相应地反映目标团队整体的战斗强度分布情况，在实际应用中，存在作弊行为的团队与不存在作弊行为的团队所对应的战斗强度分布情况会有很大的差别；图3所示即为存在作弊行为的团队与不存在作弊行为的团队各自对应的战斗强度分布情况的示意图，其中，波形301对应于存在作弊行为的团队的战斗强度分布情况，波形302对应于不存在作弊行为的团队的战斗强度分布情况，通过对比可以发现，存在作弊行为的团队的战斗强度分布情况整体偏低，然而不存在作弊行为的团队的战斗强度分布情况通常兼具高战斗强度和低战斗强度。
如此，通过上述方式，根据目标团队中各个虚拟角色各自的职业数据、装备数据和战斗属性数据，确定目标团队对应的团队信息数据，能够使得所确定的团队信息数据更准确地反映团队整体的战斗实力，从而有助于后续基于该团队信息数据准确地考量目标团队是否存在作弊行为。
应理解，当服务器所获取的虚拟角色对应的角色信息数据为其它类型的数据时，服务器也可以相应地采用其它方式，根据所获取的角色信息数据确定团队信息数据，本申请在此不对团队信息数据的确定方式做任何限定。
正如上述步骤201所介绍的，服务器所获取的目标团队在目标游戏对局中的参考行为数据，可以是用于反映目标团队通关难易程度的、目标团队在目标游戏对局中产生的攻击数据和被攻击数据，在该种情况下，服务器可以通过以下方式，根据目标团队在目标游戏对局中的参考行为数据，确定目标团队对应的团队行为数据：直接将所获取的目标团队在目标游戏对局中产生的攻击数据和被攻击数据，作为目标团队对应的团队行为数据。
示例性的，假设目标团队在目标游戏对局中产生的攻击数据包括该目标团队中各虚拟角色总共执行的攻击操作的次数、以及在目标游戏对局中敌方虚拟角色受到的伤害来源数据，目标团队在目标游戏对局中产生的被攻击数据包括该目标团队中各虚拟角色总共的生命值损失量、生命值恢复量、被攻击次数和死亡次数；在该种情况下，服务器可以按照预设的数据排列顺序，将所获取的各攻击数据和各被攻击数据拼接起来，得到目标团队对应的团队行为数据，例如，服务器可以依次拼接目标团队中各虚拟角色总共执行的攻击操作的次数、目标游戏对局中敌方虚拟角色受到的伤害来源数据、以及该目标团队中各虚拟角色总共的生命值损失量、生命值恢复量、被攻击次数和死亡次数，得到该目标团队对应的团队行为数据。
如此，通过上述方式，根据目标团队在目标游戏对局中产生的攻击数据和被攻击数据，确定目标团队对应的团队行为数据，能够使得所确定的团队行为数据较准确地反映目标团队通过目标游戏对局的难易程度，该目标团队对应的团队行为数据结合上述目标团队对应的团队信息数据，能够反映目标团队基于其对应的整体战斗能力以该种难易程度通过目标游戏对局是否合理，即有助于后续综合考虑团队信息数据和团队行为数据，评判目标团队是否存在作弊行为。
正如上述步骤201所介绍的，服务器所获取的目标团队在目标游戏对局中的参考行为数据，可以是用于反映是否使用作弊功能的行为数据，在该种情况下，服务器可以通过以下方式，根据目标团队在目标游戏对局中的参考行为数据，确定目标团队对应的团队行为数据：若服务器所获取的参考行为数据包括目标团队在目标游戏对局中对敌方虚拟角色造成的总伤害量、以及该敌方虚拟角色的总生命值，则可以确定该总伤害量与总生命值之间的差距，作为目标团队对应的团队行为数据；若服务器所获取的参考行为数据包括目标团队在目标游戏对局中每次攻击操作对应的攻击范围，则可以确定所对应的攻击范围超过预设范围阈值的攻击操作的次数，作为该目标团队对应的团队行为数据。
具体的，在服务器获取的参考行为数据包括目标团队在目标游戏对局中对敌方虚拟角色造成的总伤害量、以及该敌方虚拟角色的总生命值的情况下，服务器可以计算该总生命值与总伤害量之间的差值或比值，作为该目标团队对应的团队行为数据。若目标团队在目标游戏对局中使用了“秒杀”功能，那么目标团队在目标游戏对局中对敌方虚拟角色造成的总伤害量应当与敌方虚拟角色的总生命值相差较多，如果计算得到的总生命值与总伤害量之间的差值或比值较大，则能够在一定程度上说明该目标团队使用了“秒杀”功能。
在服务器获取的参考行为数据包括目标团队在目标游戏对局中每次攻击操作对应的攻击范围的情况下，服务器可以针对每次攻击操作，确定该攻击操作对应的合理攻击范围作为预设范围阈值，进而判断该攻击操作实际对应的攻击范围是否超过该预设范围阈值，若是，则该攻击操作可能是使用“超范围伤害”功能触发的。统计所有实际对应的攻击范围超过预设范围阈值的攻击操作的次数，如此统计的攻击操作的次数能够在一定程度上反映目标团队是否使用了“超范围伤害”功能。
如此，通过上述方式，根据目标团队在目标游戏对局中产生的用于反映是否使用作弊功能的行为数据，确定目标团队对应的团队行为数据，能够使得所确定的团队行为数据在一定程度上反映该目标团队是否使用某些特定的作弊功能，该团队行为数据对于挖掘存在作弊行为的团队能够起到较强的辅助作用。
应理解，当服务器所获取的参考行为数据为其它类型的数据时，服务器也可以相应地采用其它方式，根据所获取的参考行为数据确定团队行为数据，本申请在此不对团队行为数据的确定方式做任何限定。
步骤203：根据所述目标团队对应的团队信息数据和团队行为数据，确定所述目标团队对应的团队行为检测结果；所述团队行为检测结果用于表征所述目标团队在所述目标游戏对局中是否存在作弊行为。
服务器确定出目标团队对应的团队信息数据和团队行为数据后，可以进一步根据该目标团队对应的团队信息数据和团队行为数据，确定该目标团队对应的团队行为检测结果，该团队行为检测结果能够表征该目标团队在目标游戏对局中是否存在作弊行为。
在一种可能的实现方式中，服务器可以通过预先训练好的团队行为检测模型，根据目标团队对应的团队信息数据和团队行为数据，确定该目标团队对应的团队行为检测结果。具体的，在目标团队对应的团队信息数据中包括团队职业数据、团队装备数据以及团队战斗属性数据的情况下，服务器可以针对团队职业数据中每个职业数据，确定该职业数据对应的特征向量，并且针对团队装备数据中每个装备数据，确定该装备数据对应的特征向量；进而，通过团队行为检测模型，根据团队职业数据中各职业数据各自对应的特征向量、团队装备数据中各装备数据各自对应的特征向量、团队战斗属性数据、以及团队行为数据，确定该目标团队对应的团队行为检测结果。
具体的，考虑到职业数据和装备数据通常为高维稀疏数据，难以被深度学习模型有效地处理，因此，本申请实施例在通过团队行为检测模型，根据团队信息数据和团队行为数据确定团队行为检测结果前，先对团队信息数据包括的团队职业数据中的各职业数据、和团队信息数据包括的团队装备数据中的各装备数据，进行特征转换处理，将其转换为适用于深度学习模块处理的低维稠密向量；具体转换时，可以通过职业数据对应的Embedding层将职业数据转换为对应的特征向量，通过装备数据对应的Embedding层将装备数据转换为对应的特征向量。
作为一种示例，上述职业数据对应的Embedding层具体可以为职业数据映射模型，上述装备数据对应的Embedding层具体可以为装备数据映射模型。相应地，服务器确定职业数据对应的特征向量时，可以根据该职业数据映射模型和该职业数据，确定该职业数据对应的特征向量；服务器确定装备数据对应的特征向量时，可以根据该装备数据映射模型和该装备数据，确定该装备数据对应的特征向量。
其中，上述职业数据映射模型可以是基于多场历史游戏对局中各历史团队包括的各个虚拟角色各自的职业数据训练得到的。具体的，服务器可以借鉴词向量映射模型(word2vec)的训练方式，在本申请实施例的应用场景中训练职业数据映射模型(profession2vec)，训练该职业数据映射模型时，服务器可以获取大量历史游戏对局中各历史团队包括的各个虚拟角色各自的职业数据，将一个历史团队中包括的各个职业数据的组合视为句子，将一个历史团队中的每个职业数据视为句子中的单词；进而基于词向量映射模型的训练思想，根据上述历史团队中各个职业数据的组合、以及历史团队中单个职业数据，训练职业数据映射模型，该职业数据映射模型可以将团队游戏中各种职业数据映射为对应的特征向量。
示例性的，服务器可以训练用于将职业数据降维为5维特征向量的职业数据映射模型，服务器完成该职业数据映射模型的训练后，可以相应地获取到团队游戏中各种职业数据各自对应的特征向量；通过主成分分析算法(Principal Component Analysis，PCA)将各种职业数据各自对应的特征向量降至2维后，可以得到图4所示的特征分布图，如图4所示，团队游戏中的各种职业数据基本被划分为四类(如输出类、协同类、奶系和小众职业)，所属于相同类别的职业数据对应的特征向量分布相近。
其中，上述装备数据映射模型可以是基于多个历史团队包括的各个虚拟角色各自的装备数据组合训练得到的。具体的，服务器可以借鉴词向量映射模型(word2vec)的训练方式，在本申请实施例的应用场景中训练装备数据映射模型(equipment2vec)，训练该装备数据映射模型时，服务器可以获取大量历史团队中各个虚拟角色各自的装备数据组合(通常情况下，虚拟角色上会装配多种装备数据)，将一个虚拟角色的装备数据组合视为句子，将该装备数据组合中的每个装备数据视为句子中的单词；进而基于词向量映射模型的训练思想，根据上述虚拟角色的装备数据组合、以及装备数据组合中单个的装备数据，训练装备数据映射模型，该装备数据映射模型可以将团队游戏中各种装备数据映射为对应的特征向量。
如此，通过上述方式训练职业数据映射模型和装备数据映射模型，并利用该职业数据映射模型确定职业数据对应的特征向量，利用该装备数据映射模型确定装备数据对应的特征向量，可以保证获得较充足的训练样本，从而根据充足的训练样本训练得到较优的职业数据映射模型和装备数据映射模型。相比利用作弊样本(即作弊团队中各虚拟角色各自的职业数据和装备数据)训练端到端的Embedding层而言，上述方式可以有效地避免因作弊样本不足而导致的模型过拟合的问题。
服务器通过上述方式，得到团队职业数据中各职业数据各自对应的特征向量、以及团队装备数据中各装备数据各自对应的特征向量后，可以仍按照目标顺序拼接各职业数据各自对应的特征向量得到拼接职业特征，以及按照目标顺序拼接各装备数据各自对应的特征向量得到拼接装备特征。进而，服务器可以将该拼接职业特征、拼接装备特征、团队战斗属性数据和团队行为数据，输入预先训练好的团队行为检测模型，以通过该团队行为检测模型对所输入的数据进行分析处理，得到目标团队对应的团队行为检测结果。
作为一种示例，服务器通过团队行为检测模型确定团队行为检测结果时，可以通过该团队行为检测模型中的前馈神经网络，根据团队职业数据中各职业数据各自对应的特征向量(即拼接职业特征)、团队装备数据中各装备数据各自对应的特征向量(即拼接装备特征)、团队战斗属性数据、以及团队行为数据，确定该目标团队对应的第一行为特征；并且通过该团队行为检测模型中的交叉积变换层，根据该目标团队中各个虚拟角色各自对应的组合数据，确定该目标团队对应的第二行为特征，此处的组合数据可以包括以下至少一种：由虚拟角色的职业数据和装备数据组成的组合数据、由虚拟角色的职业数据和战斗属性数据组成的组合数据、由虚拟角色的职业数据、装备数据和战斗属性数据组成的组合数据；进而，根据该目标团队对应的第一行为特征和第二行为特征，确定该目标团队对应的团队行为检测结果。
上述团队行为检测模型具体可以为Wide&Deep模型，图5为该团队行为检测模型的工作架构示意图。如图5所示，该团队行为检测模型包括Deep部分和Wide部分，其中，Deep部分具体表现为前馈神经网络，Wide部分具体表现为交叉积变换层。
具体工作时，团队行为检测模型中的Deep部分(也即前馈神经网络)，可以通过级联的若干特征提取层，对输入的拼接职业特征、拼接装备特征、团队战斗属性数据以及团队行为数据依次进行特征提取处理，进而，再通过多层(如两层)全连接层对特征提取处理得到特征进行处理，得到目标团队对应的第一行为特征。前馈神经网络中各特征提取层的表示如式(3)所示：
a(l+1)＝f(W(l)a(l)+b(l)) (3)
其中，a(l+1)表示第l层特征提取层的输出，也即第l+1层特征提取层的输入；a(l)表示第l层特征提取层的输入，也即第l-1层特征提取层的输出；W(l)和b(l)均是第l层特征提取层的模型参数。
在团队游戏中，团队中所包括的各虚拟角色各自所属的游戏职业的搭配，对团队的整体强度会产生很大的影响，即团队中虚拟角色所属的游戏职业的搭配对于团队是否能够顺利通关会产生很大的影响；并且，不同的职业搭配不同的装备，也会团队的整体强度。为了避免因Embedding层过于泛化导致各职业之间的区分度下降，本申请实施例中的团队行为检测模型，通过Wide部分的交叉积变换层结合业务理解抽取出“职业数据+装备数据”、“职业数据+战斗属性数据”、“职业数据+装备数据+战斗属性数据”等组合数据，以对Deep部分确定的第一行为特征做补充。
具体的，Wide部分的交叉积变换层可以通过如下式(4)确定交叉特征：
其中，ck表示第k种预设的职业特性(此处的职业特性是根据团队游戏中的各种游戏职业各自的游戏特点确定的，例如，可以是攻击特性、防御特性、治愈特性等等)；对于目标团队中第i个虚拟角色，若其职业数据表示其具有该第k种预设的职业特性，则cki等于1，反之，若其职业数据表示其不具有该第k种预设的职业特性，则cki等于0。xi表示第i个虚拟角色的战斗能力，其可以根据该第i个虚拟角色的装备数据确定，也可以根据该第i个虚拟角色的战斗属性数据确定，还可以根据该第i个虚拟角色的装备数据和战斗属性数据共同确定；n为目标团队中包括的虚拟角色的数目。φk(x)表示第k中职业特性对应的交叉特征。
团队行为检测模型通过上述式(4)确定出各种预设的职业特性各自对应的交叉特征后，可以拼接各职业特性各自对应的交叉特征，得到目标团队对应的第二行为特征。
团队行为检测模型通过其Deep部分确定出目标团队对应的第一行为特征，通过其Wide部分确定出目标团队对应的第二行为特征后，可以进一步通过其中的输出层，根据该第一行为特征和第二行为特征，确定该目标团队对应的团队行为检测结果；例如，团队行为检测模型可以通过分类层，根据目标团队对应的第一行为特征和第二行为特征，确定目标团队存在作弊行为的概率，作为该目标团队对应的团队行为检测结果。
如此，通过上述Wide&Deep结构的团队行为检测模型，确定目标团队对应的团队行为检测结果，可以较好地综合考虑目标团队的整体战斗强度以及该目标团队在目标游戏对局中的实际战斗情况，同时该团队行为模型还可以对于职业与装备和/或战斗属性的组合进行考虑，以强化体现搭配特征在游戏对局中所起的作用，相应地，通过该团队行为检测模型确定的团队行为检测结果具有较高的可靠性和准确性。
上述数据处理方法以团队整体为单位，检测整个团队是否存在作弊行为。一方面，这种检测方式无需针对团队中每个虚拟角色单独捕捉其产生的行为，可以避免因所捕捉的个体行为不准确而导致的误判情况。另一方面，在实际应用中，团队游戏中的作弊行为普遍是以团队为单位产生的，即通常由黑产用户通过外挂程序控制团队中的某个虚拟角色带领其它虚拟角色通过游戏关卡，获得游戏奖励，本质上团队中每个虚拟角色均参与了作弊；本申请实施例以团队整体为单位进行作弊检测更符合实际应用中的作弊情况，即所确定的团队行为检测结果能够更真实地反映作弊情况。再一方面，根据用于反映团队整体战斗强度的团队信息数据、以及用于反映团队实际战斗情况的团队行为数据，确定团队行为检测结果，能够保证所确定的团队行为检测结果的准确性和可靠性。
针对上文图2所示实施例中提及的团队行为检测模型，本申请实施例还提供了两种示例性的用于训练该团队行为检测模型的方法，下面分别结合图6和图7对这两种模型训练方法进行详细介绍。
参见图6，图6为本申请实施例提供的第一种团队行为检测模型训练方法的流程示意图。为了便于介绍，下述实施例以该方法的执行主体为服务器为例进行介绍；应理解，在实际应用中，也可以由终端设备等其它计算机设备执行该模型训练方法。如图6所示，该模型训练方法包括以下步骤：
步骤601：获取训练样本；所述训练样本包括训练游戏数据及其对应的标注结果；所述训练游戏数据包括训练团队对应的团队信息数据和团队行为数据，所述团队信息数据包括团队职业数据、团队装备数据和团队战斗属性数据；所述标注结果用于表征所述训练团队是否存在作弊行为。
服务器训练团队行为检测模型前，需要先获取若干训练样本，所获取的训练样本中包括训练游戏数据及其对应的标注结果。
其中，训练游戏数据包括训练团队对应的团队信息数据和团队行为数据。训练团队可以是参加过历史游戏对局的团队，其中包括多个虚拟角色。训练团队对应的团队信息数据包括团队职业数据、团队装备数据和团队战斗属性数据；该团队职业数据是根据训练团队中各个虚拟角色各自的职业数据确定的，该团队装备数据是根据训练团队中各个虚拟角色各自的装备数据确定的，该团队战斗属性数据是根据训练团队中各个虚拟角色各自的战斗属性数据确定的；虚拟角色的职业数据、装备数据和战斗属性数据的概念，以及确定团队职业数据、团队装备数据和团队战斗属性数据的方式，已在图2所示实施例中进行了介绍，此处不再赘述。
其中，训练游戏数据对应的标注结果，用于表征训练团队在其参加的历史游戏对局中是否存在作弊行为；例如，标注结果为1，则表征训练团队在其参加的历史游戏对局中存在作弊行为，标注结果为0，则表征训练团队在其参加的历史游戏对局中不存在作弊行为。对于所包括的标注结果表征训练团队不存在作弊行为的训练样本，可以将其视为正训练样本；对于所包括的标注结果表征训练团队存在作弊行为的训练样本，可以将其视为负训练样本。
步骤602：通过待训练的初始团队行为检测模型，根据所述训练样本中的所述训练游戏数据，确定第一预测结果；根据所述第一预测结果和所述训练样本中的所述标注结果，构建第一损失函数。
服务器获取到训练样本后，即可利用所获取的训练样本对待训练的初始团队行为检测模型进行训练。需要说明的是，该初始团队行为检测模型是图2所示实施例中提及的团队行为检测模型的训练基础，其与图2所示实施例中的团队行为检测模型具有相同的模型结构，例如均为图5所示的Wide&Deep结构，但是该初始团队行为检测模型的模型参数与图2所示实施例中的团队行为检测模型的模型参数不同；在本实施例中，处于任何训练阶段的被训练的团队行为检测模型，均可以被称为初始团队行为检测模型。
具体训练该初始团队行为检测模型时，需要先对训练样本中包括的团队职业数据和团队装备数据进行特征转换处理；例如，针对团队职业数据中的每个职业数据，将其转换为对应的特征向量，进而拼接各职业数据各自对应的特征向量得到拼接职业特征；以及，针对团队装备数据中的每个装备数据，将其转换为对应的特征向量，进而拼接各装备数据各自对应的特征向量得到装备职业特征。然后，将上述拼接职业特征、拼接装备特征、训练样本中的团队战斗属性数据和团队行为数据，输入该初始团队行为检测模型，该初始团队行为检测模型通过对输入的数据进行分析处理，将相应地输出第一预测结果。
进而，服务器可以根据该第一预测结果和训练样本包括的标注结果之间的差异，构建第一损失函数Losssup。示例性的，服务器可以通过如下式(5)构建第一损失函数Losssup：
其中，yi为第i个训练样本中的标注结果，
为初始团队行为检测模型对第i个训练样本中的训练游戏数据进行处理得到的第一预测结果。n为训练样本的总数目。
在一种可能的实现方式中，为了提高模型训练效果，可以基于时间序列分析(TimeSeries Analysis，TSA)算法，在模型训练过程中缓慢地释放标记样本，从而缓解因标记样本过少而带来的过拟合问题。即服务器可以在根据第一预测结果和训练样本中的标注结果构建第一损失函数之前，根据当前的迭代训练轮次和预设的总迭代训练轮次，确定第一置信度阈值；然后判断该第一预测结果的置信度是否小于该第一置信度阈值；若是，则执行根据第一预测结果和训练样本中的标注结果构建第一损失函数的操作；若否，则不执行根据第一预测结果和训练样本中的标注结果构建第一损失函数的操作。
具体的，服务器可以确定当前所处的迭代训练轮次(epoch)为t，确定总迭代训练轮次为T，进而通过如下式(6)计算第一置信度阈值ηt，该第一置信度阈值ηt将随着训练的进行线性增长。
ηt＝0.5t/T+0.5 (6)
并且，服务器还可以确定初始团队行为检测模型输出的第一预测结果的置信度pθ(yi|xi)；例如，假设初始团队行为检测模型输出的第一预测结果为0.9，该第一预测结果表示训练团队有90％的可能性存在作弊行为，相应地该第一预测结果的置信度pθ(yi|xi)为90％；相类似地，假设初始团队行为检测模型输出的第一预测结果为0.1，该第一预测结果表示训练团队有90％的可能性不存在作弊行为，相应地该第一预测结果的置信度pθ(yi|xi)也为90％。
对于所对应的置信度pθ(yi|xi)小于第一置信度阈值ηt的第一预测结果，服务器可以通过上述式(3)根据该第一预测结果与训练样本中的标注结果间的差异，计算第一损失函数。对于所对应的置信度pθ(yi|xi)大于或等于第一置信度阈值ηt的第一预测结果，服务器则无需通过上述式(3)根据该第一预测结果与训练样本中的标注结果间的差异，计算第一损失函数。应理解，对于无需计算第一损失函数的训练样本，服务器也可以无需执行后续的步骤603和步骤604。
如此，通过上述方式，在模型训练的过程中缓慢地释放标记样本，可以缓解因标记样本过少而带来的过拟合问题，在一定程度上提升对于团队行为检测模型的训练效果。
步骤603：对所述训练样本中的所述训练游戏数据进行数据增强处理，得到扩展训练游戏数据；通过所述初始团队行为检测模型，根据所述扩展训练游戏数据，确定第二预测结果；根据所述第一预测结果和所述第二预测结果，构建第二损失函数。
对于步骤602中使用的训练样本，服务器还可以对其中的训练游戏数据进行数据增强处理，以得到扩展训练游戏数据。对于该扩展训练游戏数据，服务器同样需要先对其中包括的团队职业数据和团队装备数据进行特征转换处理；例如，针对团队职业数据中的每个职业数据，将其转换为对应的特征向量，进而拼接各职业数据各自对应的特征向量得到拼接职业特征；以及，针对团队装备数据中的每个装备数据，将其转换为对应的特征向量，进而拼接各装备数据各自对应的特征向量得到装备职业特征。然后，将上述拼接职业特征、拼接装备特征、扩展训练游戏数据中的团队战斗属性数据和团队行为数据，输入该初始团队行为检测模型，该初始团队行为检测模型通过对输入的数据进行分析处理，将相应地输出第二预测结果。
需要说明的是，服务器对于训练样本中训练游戏数据的数据增强处理，例如可以是调整团队职业数据中各职业数据的排列顺序，调整团队装备数据中各装备数据的排列顺序、以及调整团队战斗属性数据中各战斗属性数据的排列顺序。当然，在实际应用中，还可以采用其它数据增强处理的方式，对训练样本中的训练游戏数据进行数据增强处理，本申请在此不对采用的数据增强处理的方式做任何限定。
由于对训练游戏数据进行数据增强处理，本质上不会改变训练团队是否存在作弊行为的结论，因此，利用初始团队行为检测模型对数据增强处理得到的扩展训练游戏数据进行处理得到的第二预测结果，与利用初始团队行为检测模型对训练样本中的训练游戏数据进行处理得到的第一预测结果应当是基本相同的。基于此，服务器可以根据第一预测结果与第二预测结果之间的差异，构建第二损失函数Lossunsup(又可称为一致性损失函数)。示例性的，服务器可以通过如下式(7)构建第二损失函数Lossunsup：
其中，xi为训练样本中的训练游戏数据，
为初始团队行为检测模型处理该训练游戏数据得到的第一预测结果，
为该第一预测结果的置信度；
为对训练游戏数据进行数据增强处理得到的扩展训练游戏数据，
为初始团队行为检测模型处理该扩展训练游戏数据得到的第二预测结果，
为该第二预测结果的置信度。
在一种可能的实现方式中，为了减少模型训练所耗费的计算资源，服务器可以仅针对部分训练样本进行数据增强处理，并构建上述第二损失函数。具体的，在对训练样本中的训练游戏数据进行数据增强处理，得到扩展训练游戏数据之前，服务器可以先判断第一预测结果的置信度是否小于第二置信度阈值；若是，则不执行上述步骤603；若否，则执行上述步骤603。
具体的，服务器可以预先设置第二置信度阈值(如70％)，如果第一预测结果的置信度小于该第二置信度阈值，则说明该第一预测结果的可靠度不高，此时若进一步执行上述步骤603构建第二损失函数，对于提升模型性能来说意义不大。反之，如果第一预测结果的置信度大于或等于该第二置信度阈值，则说明该第一预测结果的可靠度较高，相应地，此时执行上述步骤603构建第二损失函数，该第二损失函数对于提升模型性能来说具有较强的帮助作用。
如此，基于上述操作，根据第一预测结果的置信度选择性地执行步骤603，一方面可以在一定程度上减少模型训练过程所需耗费的处理资源，提高模型训练效率，另一方面，同样能够保证取得较好的模型训练效果。
步骤604：根据所述第一损失函数和所述第二损失函数，构建目标损失函数；基于所述目标损失函数，训练所述初始团队行为检测模型。
服务器通过步骤602构建得到第一损失函数Losssup，通过步骤603构建得到第二损失函数Lossunsup后，可以进一步构建目标损失函数Loss；示例性的，服务器可以通过如下式(8)构建目标损失函数Loss：
Loss＝Losssup+λLossunsup (8)
其中，λ为预先针对第二损失函数Lossunsup设置的权重。
进而，服务器可以根据所构建的目标损失函数，以最小化该目标损失函数为目标，对初始团队行为检测模型的模型参数进行调整，以达到训练初始团队行为检测模型的目的。
步骤605：当检测到满足训练结束条件时，确定所述初始团队行为检测模型为所述团队行为检测模型。
服务器基于所获取的训练样本，迭代执行多轮上述步骤602至步骤604，直至检测到所训练的初始团队行为检测模型满足预设的训练结束条件为止，此时可以将该满足训练结束条件的初始团队行为检测模型，作为可以投入实际应用的团队行为检测模型，即图2所示实施例中步骤203中使用的团队行为检测模型。
应理解，上述训练结束条件例如可以是该初始团队行为检测模型的检测准确度高于预设准确度阈值，又例如可以是该初始团队行为检测模型的检测准确度不再有明显提高，再例如可以是对于该初始团队行为检测模型的迭代训练轮次达到预设轮次，等等，本申请在此不对该训练结束条件做任何限定。
上述团队行为检测模型的训练方法，在训练团队行为检测模型的过程中，基于有监督样本和无监督样本进行协同训练，其中有监督样本为预先获取的包括标注结果的训练样本，无监督样本为对训练样本中的训练游戏数据进行数据增强处理得到的扩展训练游戏数据。如此，利用有监督样本和无监督样本协同训练该团队行为检测模型，可以有效地避免因有监督样本过少而导致的模型过拟合的问题，提高所训练的团队行为检测模型的模型性能，保证所训练的团队行为检测模型具备较优的模型性能。
参见图7，图7为本申请实施例提供的第二种团队行为检测模型训练方法的流程示意图。为了便于介绍，下述实施例仍以该方法的执行主体为服务器为例进行介绍；应理解，在实际应用中，也可以由终端设备等其它计算机设备执行该模型训练方法。如图7所示，该模型训练方法包括以下步骤：
步骤701：获取训练样本；所述训练样本包括训练游戏数据及其对应的标注结果；所述训练游戏数据包括训练团队对应的团队信息数据和团队行为数据，所述团队信息数据包括团队职业数据、团队装备数据和团队战斗属性数据；所述标注结果用于表征所述训练团队是否存在作弊行为；并对所述训练样本中的所述训练游戏数据进行数据增强处理，得到扩展训练游戏数据。
服务器训练团队行为检测模型前，需要先获取若干训练样本，所获取的训练样本中包括训练游戏数据及其对应的标注结果。该获取训练样本的方式与图6所示实施例中步骤601介绍的获取训练样本的方式相同，详细可参见图6所示实施例中步骤601的相关描述，此处不再赘述。
服务器获取到训练样本后，可以对该训练样本中的训练游戏数据做数据增强处理，从而得到对应的扩展训练游戏数据。该对训练游戏数据进行数据增强处理的操作方式，与图6所示实施例中步骤603介绍的对训练游戏数据进行数据增强处理的操作方式相同，详细可参见图6所示实施例中步骤603的相关描述，此处不再赘述。
步骤702：通过待训练的初始团队行为检测模型，根据所述训练样本中的所述训练游戏数据，确定第三预测结果；通过所述初始团队行为检测模型，根据所述扩展训练游戏数据，确定第四预测结果。
服务器获取到训练样本，并对训练样本中的训练游戏数据进行数据增强处理得到扩展训练游戏数据后，可以利用训练样本中的训练游戏数据、以及对该训练游戏数据进行数据增强处理得到的扩展训练游戏数据，对初始团队行为检测模型进行第一阶段的训练。
需要说明的是，该初始团队行为检测模型是图2所示实施例中提及的团队行为检测模型的训练基础，其与图2所示实施例中的团队行为检测模型具有相同的模型结构，例如均为图5所示的Wide&Deep结构，但是该初始团队行为检测模型的模型参数与图2所示实施例中的团队行为检测模型的模型参数不同；在本实施例中，处于第一阶段的任何团队行为检测模型，均可以被称为初始团队行为检测模型。
具体训练该初始团队行为检测模型时，需要先对训练游戏数据中包括的团队职业数据和团队装备数据、以及扩展训练游戏数据中包括的团队职业数据和团队装备数据，进行特征转换处理。例如，针对训练游戏数据以及扩展训练游戏数据各自包括的团队职业数据中的每个职业数据，将其转换为对应的特征向量，进而，拼接各职业数据各自对应的特征向量得到拼接职业特征；以及，针对团队装备数据中的每个装备数据，将其转换为对应的特征向量，进而拼接各装备数据各自对应的特征向量得到装备职业特征。
完成对于训练游戏数据包括的团队职业数据和团队装备数据的特征转换处理后，服务器可以将所得到的拼接职业特征、拼接装备特征、以及训练游戏数据中的团队战斗属性数据和团队行为数据，输入初始团队行为检测模型，该初始团队行为检测模型通过对输入的数据进行分析处理，将相应地输出第三预测结果。
完成对于扩展训练游戏数据包括的团队职业数据和团队装备数据的特征转换处理后，服务器可以将所得到的拼接职业特征、拼接装备特征、以及扩展训练游戏数据中的团队战斗属性数据和团队行为数据，输入初始团队行为检测模型，该初始团队行为检测模型通过对输入的数据进行分析处理，将相应地输出第四预测结果。
步骤703：根据所述第三预测结果和所述第四预测结果，构建第三损失函数；基于所述第三损失函数训练所述初始团队行为检测模型。
服务器得到第三预测结果和第四预测结果后，可以根据该第三检测结果与第四检测结果之间的差异构建第三损失函数。该第三损失函数的构建方式与图6所示实施例中步骤603介绍的第二损失函数的构建方式相同，详细可参见图6所示实施例中步骤603的相关描述，此处不再赘述。
与图6所示实施例不同的是，在本实施例中，服务器可以单独基于第三损失函数对初始团队行为检测模型进行第一阶段的训练；即服务器可以将使第三损失函数最小化作为目标，不断地调整初始团队行为检测模型的模型参数，以达到训练该初始团队行为检测模型的目的。
步骤704：当检测到所述初始团队行为检测模型满足第一训练结束条件时，确定所述初始团队行为检测模型为中间团队行为检测模型。
服务器基于训练样本中的训练游戏数据以及对应的扩展训练游戏数据，迭代执行多轮上述步骤701至步骤703，直至检测到所训练的初始团队行为检测模型满足预设的第一训练结束条件为止，该第一训练结束条件是第一阶段的模型训练对应的训练结束条件。此时，可以将满足该第一训练结束条件的初始团队行为检测模型，作为投入第二阶段训练的中间团队行为检测模型。
应理解，上述第一训练结束条件例如可以是初始团队行为检测模型对于某训练游戏数据的预测结果，与其对于该训练游戏数据对应的扩展训练游戏数据的预测结果之间的差异，小于预设差异阈值；又例如可以是对于该初始团队行为检测模型的迭代训练轮次达到第一预设轮次，等等，本申请在此不对该第一训练结束条件做任何限定。
步骤705：通过所述中间团队行为检测模型，根据所述训练样本中的所述训练游戏数据，确定第五预测结果；根据所述第五预测结果和所述训练样本中的所述标注结果，构建第四损失函数；基于所述第四损失函数训练所述中间团队行为检测模型。
服务器经第一阶段的模型训练得到中间团队行为检测模型后，可以利用训练样本对该中间团队行为检测模型进行第二阶段的训练。
具体训练时，服务器可以先对训练样本中训练游戏数据包括的团队职业数据和团队装备数据，进行特征转换处理。例如，针对训练游戏数据包括的团队职业数据中的每个职业数据，将其转换为对应的特征向量，进而，拼接各职业数据各自对应的特征向量得到拼接职业特征；以及，针对团队装备数据中的每个装备数据，将其转换为对应的特征向量，进而拼接各装备数据各自对应的特征向量得到装备职业特征。进而，服务器可以将上述拼接职业特征、拼接装备特征、训练游戏数据中的团队战斗属性数据和团队行为数据，输入该中间团队行为检测模型，该中间团队行为检测模型通过对输入的数据进行分析处理，将相应地输出第五预测结果。
进而，服务器可以根据该第五预测结果与训练样本中包括的标注结果之间的差异，构建第四损失函数。该第四损失函数的构建方式与图6所示实施例中步骤602介绍的第一损失函数的构建方式相同，详细可参见图6所示实施例中步骤602的相关描述，此处不再赘述。
与图6所示实施例不同的是，在本实施例中，服务器可以单独基于第四损失函数对中间团队行为检测模型进行第二阶段的训练；即服务器可以将使第四损失函数最小化作为目标，不断地调整中间团队行为检测模型的模型参数，以达到训练该中间团队行为检测模型的目的。
步骤706：当检测到所述中间团队行为检测模型满足第二训练结束条件时，确定所述中间团队行为检测模型为所述团队行为检测模型。
服务器基于所获取的训练样本，迭代执行多轮上述步骤705，直至检测到所训练的中间团队行为检测模型满足预设的第二训练结束条件为止，该第二训练结束条件是第二阶段的模型训练对应的训练结束条件。此时，可以将该满足第二训练结束条件的中间团队行为检测模型，作为可以投入实际应用的团队行为检测模型，即图2所示实施例中步骤203中使用的团队行为检测模型。
应理解，上述第二训练结束条件例如可以是该中间团队行为检测模型的检测准确度高于预设准确度阈值，又例如可以是该中间团队行为检测模型的检测准确度不再有明显提高，再例如可以是对于该中间团队行为检测模型的迭代训练轮次达到第二预设轮次，等等，本申请在此不对该第二训练结束条件做任何限定。
上述团队行为检测模型的训练方法，在训练团队行为检测模型的过程中融入了对比学习的思想，先基于无监督样本(即训练游戏数据、以及对训练游戏数据进行数据增强处理得到的扩展训练游戏数据)进行第一阶段的模型训练，得到中间团队行为检测模型；然后，再基于有监督样本(即包括标注结果的训练样本)进行第二阶段的模型训练，得到可以投入实际应用的团队行为检测模型。如此，可以避免因有监督样本过少而导致的模型过拟合的问题，保证训练得到的团队行为检测模型具备较优的模型性能。
为了便于进一步理解本申请实施例提供的数据处理方法，下面对本申请实施例提供的数据处理方法进行整体示例性介绍。
对于参加目标游戏对局的目标团队，服务器可以获取该目标团队中各个虚拟角色各自对应的角色信息数据；虚拟角色对应的角色信息数据例如可以包括虚拟角色的职业数据(用于表征虚拟角色所属的游戏职业，如输出类职业、协同类职业、奶系职业或小众职业等)、装备数据(用于表征虚拟角色装配的虚拟装备，如虚拟角色使用的虚拟武器、虚拟角色穿戴的衣物和饰品、虚拟角色的坐骑等)、以及战斗属性数据(用于表征虚拟角色的整体战斗力、攻击力和防御力)。并且，服务器还可以获取该目标团队在目标游戏对局中产生的参考行为数据；该参考行为数据例如可以包括用于反映目标团队通关难易程度的行为数据(如目标团队中各虚拟角色执行的攻击操作的次数、目标游戏对局中敌方虚拟角色受到的伤害来源数据、以及目标团队中各虚拟角色的生命值损失量、生命值恢复量、被攻击次数和死亡次数)、以及用于反映该目标团队是否使用作弊功能的行为数据(如目标团队在目标游戏对局中对敌方虚拟角色造成的总伤害量、以及敌方虚拟角色的总生命值，以及目标团队在目标游戏对局中每次攻击操作对应的攻击范围)。
然后，服务器可以根据目标团队中各个虚拟角色各自对应的角色信息数据，构建用于反映目标团队的整体战斗强度的团队信息数据；例如，服务器可以按照特定的虚拟角色排列顺序，相应地排列拼接各虚拟角色各自的职业数据得到团队职业数据，相应地排列拼接各虚拟角色各自的装备数据得到团队装备数据，相应地排列拼接各虚拟角色各自的战斗属性数据得到团队战斗属性数据，进而，将所得到的团队职业数据、团队装备数据和团队战斗属性数据作为该团队信息数据。并且，服务器还可以根据目标团队在目标游戏对局中产生的参考行为数据，构建用于反映目标团队整体的实际战斗情况的团队行为数据；例如，服务器可以计算目标团队在目标游戏对局中对敌方虚拟角色造成的总伤害量与敌方虚拟角色的总生命值之间的差异，并且统计所对应的攻击范围大于预设攻击范围阈值的攻击操作的次数；进而，按照特定的顺序拼接目标团队中各虚拟角色执行的攻击操作的次数、目标游戏对局中敌方虚拟角色受到的伤害来源数据、目标团队中各虚拟角色的生命值损失量、生命值恢复量、被攻击次数和死亡次数、以及上述总伤害量与总生命值之间的差异、超过预设攻击范围阈值的攻击操作的次数，得到目标团队对应的团队行为数据。
进而，服务器可以通过预先训练好的Wide&Deep结构的团队行为检测模型，根据上述目标团队对应的团队信息数据和团队行为数据，检测该目标团队在目标游戏对局中是否存在作弊行为。具体的，可以先通过profession2vec模型，确定团体职业数据中各职业数据各自对应的特征向量，并按照该团队职业数据中各职业数据的排列顺序，相应地拼接各职业数据各自对应的特征向量，得到拼接职业特征；以及通过equipment2vec模型，确定团体装备数据中各装备数据各自对应的特征向量，并按照该团队装备数据中各装备数据的排列顺序，相应地拼接各装备数据各自对应的特征向量，得到拼接装备特征。
然后，将该拼接职业特征、拼接装备特征、团队信息数据中的团队战斗属性数据、以及团队行为数据，输入该团队行为检测模型。该团队行为检测模型中的Deep部分(也即前馈神经网络)，通过级联的若干特征提取层，对输入的拼接职业特征、拼接装备特征、团队战斗属性数据以及团队行为数据依次进行特征提取处理，进而，通过多层全连接层对若干特征提取层提取出的特征进行处理，得到目标团队对应的第一行为特征。该团队行为检测模型中的Wide部分(也即交叉积变换层)，基于各个虚拟角色的职业数据与装备数据的组合、和/或各个虚拟角色的职业数据与战斗属性数据的组合，确定交叉特征作为目标团队对应的第二行为特征。进而，该团队行为检测模型中的输出层，可以根据该目标团队对应的第一行为特征和第二行为特征，确定目标团队在目标游戏对局中存在作弊行为的概率，作为该目标团队对应的团队行为检测结果。
经本申请发明人实验证明，采用上述本申请实施例提供的数据处理方法检测MMORPG游戏的团队副本中的作弊行为，作弊行为的检测覆盖率从50％提高至90％以上，有效地保障了MMORPG游戏团队副本的公平竞技的游戏环境。
针对上文描述的数据处理方法，本申请还提供了对应的数据处理装置，以使上述数据处理方法在实际中得以应用及实现。
参见图8，图8是与上文图2所示的数据处理方法对应的一种数据处理装置800的结构示意图。如图8所示，该数据处理装置800包括：
数据获取模块801，用于针对参与目标游戏对局的目标团队，获取所述目标团队中各个虚拟角色各自对应的角色信息数据，所述角色信息数据用于表征其对应的虚拟角色的战斗特点和战斗能力；并且获取所述目标团队在所述目标游戏对局中产生的参考行为数据；
团队数据确定模块802，用于根据所述目标团队中各个虚拟角色各自对应的角色信息数据，确定所述目标团队对应的团队信息数据；根据所述目标团队在所述目标游戏对局中产生的参考行为数据，确定所述目标团队对应的团队行为数据；
行为识别模块803，用于根据所述目标团队对应的团队信息数据和团队行为数据，确定所述目标团队对应的团队行为检测结果；所述团队行为检测结果用于表征所述目标团队在所述目标游戏对局中是否存在作弊行为。
可选的，在图8所示的数据处理装置的基础上，所述数据获取模块801具体用于：
针对所述目标团队中的每个虚拟角色，获取所述虚拟角色的职业数据、装备数据以及战斗属性数据，作为所述虚拟角色对应的角色信息数据；
所述团队数据确定模块802具体用于：
按照目标顺序拼接所述目标团队中各个虚拟角色各自的职业数据，得到团队职业数据；按照所述目标顺序拼接所述目标团队中各个虚拟角色各自的装备数据，得到团队装备数据；按照所述目标顺序拼接所述目标团队中各个虚拟角色各自的战斗属性数据，得到团队战斗属性数据；
将所述团队职业数据、所述团队装备数据以及所述团队战斗属性数据，作为所述目标团队对应的团队信息数据。
可选的，在图8所示的数据处理装置的基础上，所述数据获取模块801具体用于：
获取所述目标团队在所述目标游戏对局中产生的攻击数据和被攻击数据，作为所述参考行为数据；所述攻击数据包括所述目标团队中各虚拟角色执行的攻击操作的次数、以及所述目标游戏对局中敌方虚拟角色受到的伤害来源数据中的至少一种；所述被攻击数据包括所述目标团队中各虚拟角色的生命值损失量、生命值恢复量、被攻击次数和死亡次数中的至少一种；
所述团队数据确定模块802具体用于：
将所述目标团队在所述目标游戏对局中产生的所述攻击数据以及所述被攻击数据，作为所述目标团队对应的团队行为数据。
可选的，在图8所示的数据处理装置的基础上，所述数据获取模块801具体用于通过以下至少一种方式获取所述参考行为数据：
获取所述目标团队在所述目标游戏对局中对敌方虚拟角色造成的总伤害量、以及所述敌方虚拟角色的总生命值，作为所述参考行为数据；
获取所述目标团队在所述目标游戏对局中每次攻击操作对应的攻击范围，作为所述参考行为数据；
所述团队数据确定模块802具体用于通过以下至少一种方式确定团队行为数据：
确定所述总伤害量与所述总生命值之间的差距，作为所述目标团队对应的团队行为数据；
确定所对应的攻击范围超过预设范围阈值的攻击操作的次数，作为所述目标团队对应的团队行为数据。
可选的，在图8所示的数据处理装置的基础上，参见图9，图9为本申请实施例提供的另一种数据处理装置900的结构示意图。如图9所示，所述行为识别模块803包括：
特征转换子模块901，用于针对所述团队职业数据中每个职业数据，确定所述职业数据对应的特征向量；针对所述团队装备数据中每个装备数据，确定所述装备数据对应的特征向量；
行为检测子模块902，用于通过团队行为检测模型，根据所述团队职业数据中各职业数据各自对应的特征向量、所述团队装备数据中各装备数据各自对应的特征向量、所述团队战斗属性数据、以及所述团队行为数据，确定所述目标团队对应的团队行为检测结果。
可选的，在图9所示的数据处理装置的基础上，所述特征转换子模块901具体用于：
根据职业数据映射模型和所述职业数据，确定所述职业数据对应的特征向量；所述职业数据映射模型是基于多场历史游戏对局中各历史团队包括的各个虚拟角色各自的职业数据训练得到的；
根据职业数据映射模型和所述职业数据，确定所述职业数据对应的特征向量；所述职业数据映射模型是基于多场历史游戏对局中各历史团队包括的各个虚拟角色各自的职业数据训练得到的；
可选的，在图9所示的数据处理装置的基础上，所述行为检测子模块902具体用于：
通过所述团队行为检测模型中的前馈神经网络，根据所述团队职业数据中各职业数据各自对应的特征向量、所述团队装备数据中各装备数据各自对应的特征向量、所述团队战斗属性数据、以及所述团队行为数据，确定所述目标团队对应的第一行为特征；
通过所述团队行为检测模型中的交叉积变换层，根据所述目标团队中各个虚拟角色各自对应的组合数据，确定所述目标团队对应的第二行为特征；所述组合数据包括以下至少一种：由虚拟角色的职业数据和装备数据组成的组合数据、由虚拟角色的职业数据和战斗属性数据组成的组合数据、由虚拟角色的职业数据、装备数据和战斗属性数据组成的组合数据；
根据所述目标团队对应的第一行为特征和第二行为特征，确定所述目标团队对应的团队行为检测结果。
可选的，在图9所示的数据处理装置的基础上，参见图10，图10为本申请实施例提供的另一种数据处理装置1000的结构示意图。如图10所示，所述行为识别模块803还包括第一模型训练子模块1001；所述第一模型训练子模块1001用于：
获取训练样本；所述训练样本包括训练游戏数据及其对应的标注结果；所述训练游戏数据包括训练团队对应的团队信息数据和团队行为数据，所述团队信息数据包括团队职业数据、团队装备数据和团队战斗属性数据；所述标注结果用于表征所述训练团队是否存在作弊行为；
通过待训练的初始团队行为检测模型，根据所述训练样本中的所述训练游戏数据，确定第一预测结果；根据所述第一预测结果和所述训练样本中的所述标注结果，构建第一损失函数；
对所述训练样本中的所述训练游戏数据进行数据增强处理，得到扩展训练游戏数据；通过所述初始团队行为检测模型，根据所述扩展训练游戏数据，确定第二预测结果；根据所述第一预测结果和所述第二预测结果，构建第二损失函数；
根据所述第一损失函数和所述第二损失函数，构建目标损失函数；基于所述目标损失函数，训练所述初始团队行为检测模型；
当检测到满足训练结束条件时，确定所述初始团队行为检测模型为所述团队行为检测模型。
可选的，所述第一模型训练子模块1001还用于：
在所述根据所述第一预测结果和所述训练样本中的所述标注结果，构建第一损失函数之前，根据当前的迭代训练轮次和预设的总迭代训练轮次，确定第一置信度阈值；
判断所述第一预测结果的置信度是否小于所述第一置信度阈值；
若是，则执行所述根据所述第一预测结果和所述训练样本中的所述标注结果，构建第一损失函数；若否，则不执行所述根据所述第一预测结果和所述训练样本中的所述标注结果，构建第一损失函数。
可选的，所述第一模型训练子模块1001还用于：
在所述对所述训练样本中的所述训练游戏数据进行数据增强处理，得到扩展训练游戏数据之前，判断所述第一预测结果的置信度是否小于第二置信度阈值；
若是，则不执行所述对所述训练样本中的所述训练游戏数据进行数据增强处理，得到扩展训练游戏数据；若否，则执行所述对所述训练样本中的所述训练游戏数据进行数据增强处理，得到扩展训练游戏数据。
可选的，在图9所示的数据处理装置的基础上，参见图11，图11为本申请实施例提供的另一种数据处理装置1100的结构示意图。如图11所示，所述行为识别模块803还包括第二模型训练子模块1101；所述第二模型训练子模块1101用于：
获取训练样本；所述训练样本包括训练游戏数据及其对应的标注结果；所述训练游戏数据包括训练团队对应的团队信息数据和团队行为数据，所述团队信息数据包括团队职业数据、团队装备数据和团队战斗属性数据；所述标注结果用于表征所述训练团队是否存在作弊行为；并对所述训练样本中的所述训练游戏数据进行数据增强处理，得到扩展训练游戏数据；
通过待训练的初始团队行为检测模型，根据所述训练样本中的所述训练游戏数据，确定第三预测结果；通过所述初始团队行为检测模型，根据所述扩展训练游戏数据，确定第四预测结果；
根据所述第三预测结果和所述第四预测结果，构建第三损失函数；基于所述第三损失函数训练所述初始团队行为检测模型；
当检测到所述初始团队行为检测模型满足第一训练结束条件时，确定所述初始团队行为检测模型为中间团队行为检测模型；
通过所述中间团队行为检测模型，根据所述训练样本中的所述训练游戏数据，确定第五预测结果；
根据所述第五预测结果和所述训练样本中的所述标注结果，构建第四损失函数；基于所述第四损失函数训练所述中间团队行为检测模型；
当检测到所述中间团队行为检测模型满足第二训练结束条件时，确定所述中间团队行为检测模型为所述团队行为检测模型。
上述数据处理装置以团队整体为单位，检测整个团队是否存在作弊行为。一方面，这种检测方式无需针对团队中每个虚拟角色单独捕捉其产生的行为，可以避免因所捕捉的个体行为不准确而导致的误判情况。另一方面，在实际应用中，团队游戏中的作弊行为普遍是以团队为单位产生的，即通常由黑产用户通过外挂程序控制团队中的某个虚拟角色带领其它虚拟角色通过游戏关卡，获得游戏奖励，本质上团队中每个虚拟角色均参与了作弊；本申请实施例以团队整体为单位进行作弊检测更符合实际应用中的作弊情况，即所确定的团队行为检测结果能够更真实地反映作弊情况。再一方面，根据用于反映团队整体战斗强度的团队信息数据、以及用于反映团队实际战斗情况的团队行为数据，确定团队行为检测结果，能够保证所确定的团队行为检测结果的准确性和可靠性。
本申请实施例还提供了一种用于检测行为的计算机设备，该计算机设备具体可以是终端设备或者服务器，下面将从硬件实体化的角度对本申请实施例提供的终端设备和服务器进行介绍。
参见图12，图12是本申请实施例提供的终端设备的结构示意图。如图12所示，为了便于说明，仅示出了与本申请实施例相关的部分，具体技术细节未揭示的，请参照本申请实施例方法部分。该终端可以为包括手机、平板电脑、个人数字助理、销售终端(Point ofSales，POS)、车载电脑等任意终端设备，以终端为计算机为例：
图12示出的是与本申请实施例提供的终端相关的计算机的部分结构的框图。参考图12，计算机包括：射频(Radio Frequency，RF)电路1210、存储器1220、输入单元1230(其中包括触控面板1231和其他输入设备1232)、显示单元1240(其中包括显示面板1241)、传感器1250、音频电路1260(其可以连接扬声器1261和传声器1262)、无线保真(wirelessfidelity，WiFi)模块1270、处理器1280、以及电源1290等部件。本领域技术人员可以理解，图12中示出的计算机结构并不构成对计算机的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
存储器1220可用于存储软件程序以及模块，处理器1280通过运行存储在存储器1220的软件程序以及模块，从而执行计算机的各种功能应用以及行为检测。存储器1220可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据计算机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器1220可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
处理器1280是计算机的控制中心，利用各种接口和线路连接整个计算机的各个部分，通过运行或执行存储在存储器1220内的软件程序和/或模块，以及调用存储在存储器1220内的数据，执行计算机的各种功能和处理数据。可选的，处理器1280可包括一个或多个处理单元；优选的，处理器1280可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器1280中。
在本申请实施例中，该终端所包括的处理器1280还具有以下功能：
针对参与目标游戏对局的目标团队，获取所述目标团队中各个虚拟角色各自对应的角色信息数据，所述角色信息数据用于表征其对应的虚拟角色的战斗特点和战斗能力；并且获取所述目标团队在所述目标游戏对局中产生的参考行为数据；
根据所述目标团队中各个虚拟角色各自对应的角色信息数据，确定所述目标团队对应的团队信息数据；根据所述目标团队在所述目标游戏对局中产生的参考行为数据，确定所述目标团队对应的团队行为数据；
根据所述目标团队对应的团队信息数据和团队行为数据，确定所述目标团队对应的团队行为检测结果；所述团队行为检测结果用于表征所述目标团队在所述目标游戏对局中是否存在作弊行为。
可选的，所述处理器1280还用于执行本申请实施例提供的数据处理方法的任意一种实现方式的步骤。
参见图13，图13为本申请实施例提供的一种服务器1300的结构示意图。该服务器1300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中央处理器(central processing units，CPU)1322(例如，一个或一个以上处理器)和存储器1332，一个或一个以上存储应用程序1342或数据1344的存储介质1330(例如一个或一个以上海量存储设备)。其中，存储器1332和存储介质1330可以是短暂存储或持久存储。存储在存储介质1330的程序可以包括一个或一个以上模块(图示没标出)，每个模块可以包括对服务器中的一系列指令操作。更进一步地，中央处理器1322可以设置为与存储介质1330通信，在服务器1300上执行存储介质1330中的一系列指令操作。
服务器1300还可以包括一个或一个以上电源1326，一个或一个以上有线或无线网络接口1350，一个或一个以上输入输出接口1358，和/或，一个或一个以上操作系统，例如Windows ServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM等等。
上述实施例中由服务器所执行的步骤可以基于该图13所示的服务器结构。
其中，CPU 1322用于执行如下步骤：
针对参与目标游戏对局的目标团队，获取所述目标团队中各个虚拟角色各自对应的角色信息数据，所述角色信息数据用于表征其对应的虚拟角色的战斗特点和战斗能力；并且获取所述目标团队在所述目标游戏对局中产生的参考行为数据；
根据所述目标团队中各个虚拟角色各自对应的角色信息数据，确定所述目标团队对应的团队信息数据；根据所述目标团队在所述目标游戏对局中产生的参考行为数据，确定所述目标团队对应的团队行为数据；
根据所述目标团队对应的团队信息数据和团队行为数据，确定所述目标团队对应的团队行为检测结果；所述团队行为检测结果用于表征所述目标团队在所述目标游戏对局中是否存在作弊行为。
可选的，CPU 1322还可以用于执行本申请实施例提供的数据处理方法的任意一种实现方式的步骤。
本申请实施例还提供一种计算机可读存储介质，用于存储计算机程序，该计算机程序用于执行前述各个实施例所述的一种数据处理方法中的任意一种实施方式。
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指令，该计算机指令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指令，处理器执行该计算机指令，使得该计算机设备执行前述各个实施例所述的一种数据处理方法中的任意一种实施方式。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
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单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘`只读存储器(英文全称：Read-OnlyMemory，英文缩写：ROM)、随机存取存储器(英文全称：Random Access Memory，英文缩写：RAM)、磁碟或者光盘等各种可以存储计算机程序的介质。
应当理解，在本申请中，“至少一个(项)”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，用于描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：只存在A，只存在B以及同时存在A和B三种情况，其中A，B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b或c中的至少一项(个)，可以表示：a，b，c，“a和b”，“a和c”，“b和c”，或“a和b和c”，其中a，b，c可以是单个，也可以是多个。
以上所述，以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (15)
1.一种数据处理方法，其特征在于，所述方法包括：
针对参与目标游戏对局的目标团队，获取所述目标团队中各个虚拟角色各自对应的角色信息数据，所述角色信息数据用于表征其对应的虚拟角色的战斗特点和战斗能力；并且获取所述目标团队在所述目标游戏对局中产生的参考行为数据；
根据所述目标团队中各个虚拟角色各自对应的角色信息数据，确定所述目标团队对应的团队信息数据；根据所述目标团队在所述目标游戏对局中产生的参考行为数据，确定所述目标团队对应的团队行为数据；
根据所述目标团队对应的团队信息数据和团队行为数据，确定所述目标团队对应的团队行为检测结果；所述团队行为检测结果用于表征所述目标团队在所述目标游戏对局中是否存在作弊行为。
2.根据权利要求1所述的方法，其特征在于，所述获取所述目标团队中各个虚拟角色各自对应的角色信息数据，包括：
针对所述目标团队中的每个虚拟角色，获取所述虚拟角色的职业数据、装备数据以及战斗属性数据，作为所述虚拟角色对应的角色信息数据；
所述根据所述目标团队中各个虚拟角色各自对应的角色信息数据，确定所述目标团队对应的团队信息数据，包括：
按照目标顺序拼接所述目标团队中各个虚拟角色各自的职业数据，得到团队职业数据；按照所述目标顺序拼接所述目标团队中各个虚拟角色各自的装备数据，得到团队装备数据；按照所述目标顺序拼接所述目标团队中各个虚拟角色各自的战斗属性数据，得到团队战斗属性数据；
将所述团队职业数据、所述团队装备数据以及所述团队战斗属性数据，作为所述目标团队对应的团队信息数据。
3.根据权利要求1所述的方法，其特征在于，所述获取所述目标团队在所述目标游戏对局中产生的参考行为数据，包括：
获取所述目标团队在所述目标游戏对局中产生的攻击数据和被攻击数据，作为所述参考行为数据；所述攻击数据包括所述目标团队中各虚拟角色执行的攻击操作的次数、以及所述目标游戏对局中敌方虚拟角色受到的伤害来源数据中的至少一种；所述被攻击数据包括所述目标团队中各虚拟角色的生命值损失量、生命值恢复量、被攻击次数和死亡次数中的至少一种；
所述根据所述目标团队在所述目标游戏对局中产生的参考行为数据，确定所述目标团队对应的团队行为数据，包括：
将所述目标团队在所述目标游戏对局中产生的所述攻击数据以及所述被攻击数据，作为所述目标团队对应的团队行为数据。
4.根据权利要求1所述的方法，其特征在于，所述获取所述目标团队在所述目标游戏对局中产生的参考行为数据，包括以下至少一种：
获取所述目标团队在所述目标游戏对局中对敌方虚拟角色造成的总伤害量、以及所述敌方虚拟角色的总生命值，作为所述参考行为数据；
获取所述目标团队在所述目标游戏对局中每次攻击操作对应的攻击范围，作为所述参考行为数据；
所述根据所述目标团队在所述目标游戏对局中产生的参考行为数据，确定所述目标团队对应的团队行为数据，包括以下至少一种：
确定所述总伤害量与所述总生命值之间的差距，作为所述目标团队对应的团队行为数据；
确定所对应的攻击范围超过预设范围阈值的攻击操作的次数，作为所述目标团队对应的团队行为数据。
5.根据权利要求2所述的方法，其特征在于，所述根据所述目标团队对应的团队信息数据和团队行为数据，确定所述目标团队对应的团队行为检测结果，包括：
针对所述团队职业数据中每个职业数据，确定所述职业数据对应的特征向量；针对所述团队装备数据中每个装备数据，确定所述装备数据对应的特征向量；
通过团队行为检测模型，根据所述团队职业数据中各职业数据各自对应的特征向量、所述团队装备数据中各装备数据各自对应的特征向量、所述团队战斗属性数据、以及所述团队行为数据，确定所述目标团队对应的团队行为检测结果。
6.根据权利要求5所述的方法，其特征在于，所述确定所述职业数据对应的特征向量，包括：
根据职业数据映射模型和所述职业数据，确定所述职业数据对应的特征向量；所述职业数据映射模型是基于多场历史游戏对局中各历史团队包括的各个虚拟角色各自的职业数据训练得到的；
所述确定所述装备数据对应的特征向量，包括：
根据装备数据映射模型和所述装备数据，确定所述装备数据对应的特征向量；所述装备数据映射模型是基于多个历史团队包括的各个虚拟角色各自的装备数据组合训练得到的。
7.根据权利要求5所述的方法，其特征在于，所述通过团队行为检测模型，根据所述团队职业数据中各职业数据各自对应的特征向量、所述团队装备数据中各装备数据各自对应的特征向量、所述团队战斗属性数据、以及所述团队行为数据，确定所述目标团队对应的团队行为检测结果，包括：
通过所述团队行为检测模型中的前馈神经网络，根据所述团队职业数据中各职业数据各自对应的特征向量、所述团队装备数据中各装备数据各自对应的特征向量、所述团队战斗属性数据、以及所述团队行为数据，确定所述目标团队对应的第一行为特征；
通过所述团队行为检测模型中的交叉积变换层，根据所述目标团队中各个虚拟角色各自对应的组合数据，确定所述目标团队对应的第二行为特征；所述组合数据包括以下至少一种：由虚拟角色的职业数据和装备数据组成的组合数据、由虚拟角色的职业数据和战斗属性数据组成的组合数据、由虚拟角色的职业数据、装备数据和战斗属性数据组成的组合数据；
根据所述目标团队对应的第一行为特征和第二行为特征，确定所述目标团队对应的团队行为检测结果。
8.根据权利要求5所述的方法，其特征在于，所述团队行为检测模型是通过以下方式训练得到的：
获取训练样本；所述训练样本包括训练游戏数据及其对应的标注结果；所述训练游戏数据包括训练团队对应的团队信息数据和团队行为数据，所述团队信息数据包括团队职业数据、团队装备数据和团队战斗属性数据；所述标注结果用于表征所述训练团队是否存在作弊行为；
通过待训练的初始团队行为检测模型，根据所述训练样本中的所述训练游戏数据，确定第一预测结果；根据所述第一预测结果和所述训练样本中的所述标注结果，构建第一损失函数；
对所述训练样本中的所述训练游戏数据进行数据增强处理，得到扩展训练游戏数据；通过所述初始团队行为检测模型，根据所述扩展训练游戏数据，确定第二预测结果；根据所述第一预测结果和所述第二预测结果，构建第二损失函数；
根据所述第一损失函数和所述第二损失函数，构建目标损失函数；基于所述目标损失函数，训练所述初始团队行为检测模型；
当检测到满足训练结束条件时，确定所述初始团队行为检测模型为所述团队行为检测模型。
9.根据权利要求8所述的方法，其特征在于，在所述根据所述第一预测结果和所述训练样本中的所述标注结果，构建第一损失函数之前，所述方法还包括：
根据当前的迭代训练轮次和预设的总迭代训练轮次，确定第一置信度阈值；
判断所述第一预测结果的置信度是否小于所述第一置信度阈值；
若是，则执行所述根据所述第一预测结果和所述训练样本中的所述标注结果，构建第一损失函数；若否，则不执行所述根据所述第一预测结果和所述训练样本中的所述标注结果，构建第一损失函数。
10.根据权利要求8或9所述的方法，其特征在于，在所述对所述训练样本中的所述训练游戏数据进行数据增强处理，得到扩展训练游戏数据之前，所述方法还包括：
判断所述第一预测结果的置信度是否小于第二置信度阈值；
若是，则不执行所述对所述训练样本中的所述训练游戏数据进行数据增强处理，得到扩展训练游戏数据；若否，则执行所述对所述训练样本中的所述训练游戏数据进行数据增强处理，得到扩展训练游戏数据。
11.根据权利要求5所述的方法，其特征在于，所述团队行为检测模型是通过以下方式训练得到的：
获取训练样本；所述训练样本包括训练游戏数据及其对应的标注结果；所述训练游戏数据包括训练团队对应的团队信息数据和团队行为数据，所述团队信息数据包括团队职业数据、团队装备数据和团队战斗属性数据；所述标注结果用于表征所述训练团队是否存在作弊行为；并对所述训练样本中的所述训练游戏数据进行数据增强处理，得到扩展训练游戏数据；
通过待训练的初始团队行为检测模型，根据所述训练样本中的所述训练游戏数据，确定第三预测结果；通过所述初始团队行为检测模型，根据所述扩展训练游戏数据，确定第四预测结果；
根据所述第三预测结果和所述第四预测结果，构建第三损失函数；基于所述第三损失函数训练所述初始团队行为检测模型；
当检测到所述初始团队行为检测模型满足第一训练结束条件时，确定所述初始团队行为检测模型为中间团队行为检测模型；
通过所述中间团队行为检测模型，根据所述训练样本中的所述训练游戏数据，确定第五预测结果；
根据所述第五预测结果和所述训练样本中的所述标注结果，构建第四损失函数；基于所述第四损失函数训练所述中间团队行为检测模型；
当检测到所述中间团队行为检测模型满足第二训练结束条件时，确定所述中间团队行为检测模型为所述团队行为检测模型。
12.一种数据处理装置，其特征在于，所述装置包括：
数据获取模块，用于针对参与目标游戏对局的目标团队，获取所述目标团队中各个虚拟角色各自对应的角色信息数据，所述角色信息数据用于表征其对应的虚拟角色的战斗特点和战斗能力；并且获取所述目标团队在所述目标游戏对局中产生的参考行为数据；
团队数据确定模块，用于根据所述目标团队中各个虚拟角色各自对应的角色信息数据，确定所述目标团队对应的团队信息数据；根据所述目标团队在所述目标游戏对局中产生的参考行为数据，确定所述目标团队对应的团队行为数据；
行为识别模块，用于根据所述目标团队对应的团队信息数据和团队行为数据，确定所述目标团队对应的团队行为检测结果；所述团队行为检测结果用于表征所述目标团队在所述目标游戏对局中是否存在作弊行为。
13.一种计算机设备，其特征在于，所述设备包括处理器及存储器；
所述存储器用于存储计算机程序；
所述处理器用于根据所述计算机程序执行权利要求1至11中任一项所述的数据处理方法。
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用于存储计算机程序，所述计算机程序用于执行权利要求1至11中任一项所述的数据处理方法。
15.一种计算机程序产品，包括计算机程序或者指令，其特征在于，所述计算机程序或者所述指令被处理器执行时，实现权利要求1至11中任一项所述的数据处理方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210004440.9A CN114344916A (zh) | 2022-01-04 | 2022-01-04 | 一种数据处理方法及相关装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210004440.9A CN114344916A (zh) | 2022-01-04 | 2022-01-04 | 一种数据处理方法及相关装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114344916A true CN114344916A (zh) | 2022-04-15 |
Family
ID=81106455
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210004440.9A Pending CN114344916A (zh) | 2022-01-04 | 2022-01-04 | 一种数据处理方法及相关装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114344916A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115944921A (zh) * | 2023-03-13 | 2023-04-11 | 腾讯科技（深圳）有限公司 | 游戏数据处理方法、装置、设备及介质 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101071456A (zh) * | 2007-04-29 | 2007-11-14 | 腾讯科技（深圳）有限公司 | 一种网络游戏作弊监控方法及系统 |
| US20190336865A1 (en) * | 2018-03-09 | 2019-11-07 | Hammond Software, Inc. | Detecting cheating and changes in playing ability in partial knowledge and trick-taking games |
| US20200114265A1 (en) * | 2018-10-16 | 2020-04-16 | Kakao Games Corp. | Method for detecting abnormal game play |
| CN111569433A (zh) * | 2020-05-11 | 2020-08-25 | 上海米哈游天命科技有限公司 | 游戏作弊检测方法、装置、设备和存储介质 |
| CN112121425A (zh) * | 2020-09-15 | 2020-12-25 | 北京智明星通科技股份有限公司 | 一种应用于多人游戏中防作弊的方法、系统及服务器 |
| CN112402982A (zh) * | 2020-02-13 | 2021-02-26 | 上海哔哩哔哩科技有限公司 | 基于机器学习的用户作弊行为检测方法和系统 |
| CN112807693A (zh) * | 2021-01-19 | 2021-05-18 | 网易（杭州）网络有限公司 | 一种游戏控制方法、装置、电子设备及存储介质 |
-
2022
- 2022-01-04 CN CN202210004440.9A patent/CN114344916A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101071456A (zh) * | 2007-04-29 | 2007-11-14 | 腾讯科技（深圳）有限公司 | 一种网络游戏作弊监控方法及系统 |
| US20190336865A1 (en) * | 2018-03-09 | 2019-11-07 | Hammond Software, Inc. | Detecting cheating and changes in playing ability in partial knowledge and trick-taking games |
| US20200114265A1 (en) * | 2018-10-16 | 2020-04-16 | Kakao Games Corp. | Method for detecting abnormal game play |
| CN112402982A (zh) * | 2020-02-13 | 2021-02-26 | 上海哔哩哔哩科技有限公司 | 基于机器学习的用户作弊行为检测方法和系统 |
| CN111569433A (zh) * | 2020-05-11 | 2020-08-25 | 上海米哈游天命科技有限公司 | 游戏作弊检测方法、装置、设备和存储介质 |
| CN112121425A (zh) * | 2020-09-15 | 2020-12-25 | 北京智明星通科技股份有限公司 | 一种应用于多人游戏中防作弊的方法、系统及服务器 |
| CN112807693A (zh) * | 2021-01-19 | 2021-05-18 | 网易（杭州）网络有限公司 | 一种游戏控制方法、装置、电子设备及存储介质 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115944921A (zh) * | 2023-03-13 | 2023-04-11 | 腾讯科技（深圳）有限公司 | 游戏数据处理方法、装置、设备及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108888958B (zh) | 虚拟场景中的虚拟对象控制方法、装置、设备及存储介质 | |
| CN111632379B (zh) | 游戏角色行为控制方法、装置、存储介质及电子设备 | |
| CN109499068B (zh) | 对象的控制方法和装置、存储介质、电子装置 | |
| CN111111220B (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 | |
| CN111111204B (zh) | 交互模型训练方法、装置、计算机设备和存储介质 | |
| CN109513215B (zh) | 一种对象匹配方法、模型训练方法以及服务器 | |
| CN110119547B (zh) | 一种预测团战胜负的方法、装置及控制设备 | |
| CN113660987A (zh) | 生成适用于游戏应用程序的游戏机器人 | |
| CN111274151B (zh) | 一种游戏测试的方法、相关装置以及存储介质 | |
| CN112107866A (zh) | 用户行为数据处理方法、装置、设备及存储介质 | |
| CN111111203B (zh) | 一种机器人的训练方法及装置、技能释放方法及装置 | |
| Janusz et al. | Toward an intelligent HS deck advisor: Lessons learned from aaia’18 data mining competition | |
| CN111957047A (zh) | 关卡配置数据调整方法、计算机设备及存储介质 | |
| CN112402982B (zh) | 基于机器学习的用户作弊行为检测方法和系统 | |
| Matraszek et al. | Predicting victories in video games-ieee bigdata 2021 cup report | |
| CN114344916A (zh) | 一种数据处理方法及相关装置 | |
| CN113230650B (zh) | 一种数据处理方法、装置及计算机可读存储介质 | |
| Li et al. | Study on the strategy of playing doudizhu game based on multirole modeling | |
| Tseng | Predicting victories in video games: using single XGBoost with feature engineering: IEEE BigData 2021 Cup-Predicting Victories in Video Games | |
| Willman | Machine Learning to identify cheaters in online games | |
| KR102548103B1 (ko) | 다트핀 히트 위치 식별 방법, 컴퓨터 프로그램, 및 장치 | |
| CN110314379B (zh) | 动作输出深度训练模型的学习方法及相关设备 | |
| Przybyszewski et al. | Use of domain knowledge and feature engineering in helping AI to play Hearthstone | |
| KR20200143842A (ko) | 화면 분석 방법 | |
| Indulkar | PUBG Winner Ranking Prediction using R Interface ‘h2o’Scalable Machine Learning Platform |
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 | ||
| REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40071023 Country of ref document: HK |