CN114392560B - 虚拟场景的运行数据处理方法、装置、设备及存储介质 - Google Patents
虚拟场景的运行数据处理方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN114392560B CN114392560B CN202111658769.9A CN202111658769A CN114392560B CN 114392560 B CN114392560 B CN 114392560B CN 202111658769 A CN202111658769 A CN 202111658769A CN 114392560 B CN114392560 B CN 114392560B
- Authority
- CN
- China
- Prior art keywords
- data
- scene
- virtual scene
- decision tree
- evaluation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 76
- 238000012545 processing Methods 0.000 title claims abstract description 60
- 238000011156 evaluation Methods 0.000 claims abstract description 185
- 238000003066 decision tree Methods 0.000 claims abstract description 179
- 238000004458 analytical method Methods 0.000 claims abstract description 107
- 238000012549 training Methods 0.000 claims description 24
- 238000010276 construction Methods 0.000 claims description 16
- 238000013139 quantization Methods 0.000 claims description 15
- 238000013138 pruning Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 10
- 238000012360 testing method Methods 0.000 abstract description 25
- 230000008569 process Effects 0.000 abstract description 18
- 238000011161 development Methods 0.000 abstract description 13
- 230000018109 developmental process Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 11
- 230000003993 interaction Effects 0.000 description 11
- 230000002068 genetic effect Effects 0.000 description 9
- 230000000694 effects Effects 0.000 description 7
- 108090000623 proteins and genes Proteins 0.000 description 7
- 239000000463 material Substances 0.000 description 5
- 230000004044 response Effects 0.000 description 5
- 230000006399 behavior Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 244000141353 Prunus domestica Species 0.000 description 2
- 230000003190 augmentative effect Effects 0.000 description 2
- 238000009395 breeding Methods 0.000 description 2
- 230000001488 breeding effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 241000502561 Acacia irrorata Species 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 206010048245 Yellow skin Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 210000005069 ears Anatomy 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 230000003278 mimic effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000035935 pregnancy Effects 0.000 description 1
- 230000003997 social interaction Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 208000015041 syndromic microphthalmia 10 Diseases 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A63—SPORTS; GAMES; AMUSEMENTS
- A63F—CARD, BOARD, OR ROULETTE GAMES; INDOOR GAMES USING SMALL MOVING PLAYING BODIES; VIDEO GAMES; GAMES NOT OTHERWISE PROVIDED FOR
- A63F13/00—Video games, i.e. games using an electronically generated display having two or more dimensions
- A63F13/70—Game security or game management aspects
- A63F13/77—Game security or game management aspects involving data related to game devices or game servers, e.g. configuration data, software version or amount of memory
-
- 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
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computing Systems (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Medical Informatics (AREA)
- Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Security & Cryptography (AREA)
- Computational Linguistics (AREA)
- Processing Or Creating Images (AREA)
Abstract
本申请实施例公开了一种虚拟场景的运行数据处理方法、装置、设备及存储介质，属于虚拟场景技术领域。该方法包括：获取虚拟场景的数据样本集，数据样本集中包含若干条数据样本；数据样本包含单局虚拟场景的场景运行数据以及评价数据；基于数据样本集构建决策树；基于决策树获取虚拟场景的分析结果并输出，分析结果用于指示场景运行数据中的各项属性参数对评价数据的影响情况。上述方案实现了对虚拟场景的快速测试，从而提高虚拟场景开发过程中的测试和调整的效率。
Description
本申请要求于2021年11月08日提交、申请号为202111316184.9、发明名称为“虚拟场景的运行数据处理方法、装置、设备及存储介质”的中国专利申请的优先权，其全部内容通过引用结合在本申请中。
技术领域
本申请涉及虚拟场景技术领域，特别涉及一种虚拟场景的运行数据处理方法、装置、设备及存储介质。
背景技术
目前，在虚拟场景(比如游戏场景)开发过程中，开发人员通常需要对虚拟场景进行一系列的测试，以便对虚拟场景进行有针对性的调整。
在相关技术中，虚拟场景开发过程中，开发人员通常邀请一定数量的测试者参与虚拟场景的测试，即各个测试者通过自己的终端运行虚拟场景，并在虚拟场景中控制虚拟对象进行相关的活动，并根据自己的主观感受，对虚拟场景的某一个或者多个方面做出评价，开发人员收集各个测试者的评价之后，人工分析得到对虚拟场景的分析结果，以根据分析结果对虚拟场景进行调整。
然而，上述方案需要大量的测试者给出自己的评价，并由开发人员人工进行分析，该过程需要耗费较长的时间，严重影响虚拟场景的开发效率。
发明内容
本申请实施例提供了一种虚拟场景的运行数据处理方法、装置、设备及存储介质，能够提高虚拟场景开发过程中的测试和调整的效率。所述技术方案如下：
一方面，本申请实施例提供了一种虚拟场景的运行数据处理方法，所述方法包括：
获取虚拟场景的数据样本集，所述数据样本集中包含若干条数据样本；所述数据样本包含单局虚拟场景在终端中运行时的场景运行数据，以及，对所述单局虚拟场景的评价数据；
基于所述数据样本集构建决策树；所述决策树是用于指示所述场景运行数据与所述评价数据之间的对应关系的树状结构；
基于所述决策树获取所述虚拟场景的分析结果，所述分析结果用于指示所述场景运行数据中的各项属性参数对所述评价数据的影响情况；
输出所述分析结果。
一方面，本申请实施例提供了一种虚拟场景的运行数据处理方法，所述方法包括：
获取单局虚拟场景在终端中运行时的场景运行数据；
在所述单局虚拟场景结束时，获取对所述单局虚拟场景的评价数据；
将所述场景运行数据以及所述评价数据作为数据样本集中的一条数据样本上报给分析设备，以便所述分析设备基于所述数据样本集构建决策树，基于所述决策树获取所述虚拟场景的分析结果并输出；所述决策树是用于指示所述场景运行数据与所述评价数据之间的对应关系的树状结构；所述分析结果用于指示所述场景运行数据中的各项属性参数对所述评价数据的影响情况。
另一方面，本申请实施例提供了一种虚拟场景的运行数据处理装置，所述装置包括：
样本集获取模块，用于获取虚拟场景的数据样本集，所述数据样本集中包含若干条数据样本；所述数据样本包含单局虚拟场景在终端中运行时的场景运行数据，以及，对所述单局虚拟场景的评价数据；
决策树构建模块，用于基于所述数据样本集构建决策树；所述决策树是用于指示所述场景运行数据与所述评价数据之间的对应关系的树状结构；
分析结果获取模块，用于基于所述决策树获取所述虚拟场景的分析结果，所述分析结果用于指示所述场景运行数据中的各项属性参数对所述评价数据的影响情况；
输出模块，用于输出所述分析结果。
在一种可能的实现方式中，所述决策树构建模块，用于以所述场景运行数据为训练样本，以与所述场景运行数据对应的所述评价数据为标签进行监督学习，以构建得到所述决策树。
在一种可能的实现方式中，所述装置还包括：
量化模块，用于在决策树构建模块以所述场景运行数据为训练样本，以与所述场景运行数据对应的所述评价数据为标签进行监督学习，以构建得到所述决策树之前，对所述场景运行数据进行量化处理，获得量化处理后的场景运行数据；
所述决策树构建模块，用于以所述量化处理后的场景运行数据为训练样本，以与所述场景运行数据对应的所述评价数据为标签进行监督学习，以构建得到所述决策树。
在一种可能的实现方式中，所述场景运行数据中包含连续型属性参数；所述连续型属性参数是参数值连续的属性参数；
所述量化模块，用于对所述场景运行数据中的所述连续性属性参数的参数值进行量化处理，获得量化处理后的场景运行数据。
在一种可能的实现方式中，所述场景运行数据包括操作数据和场景性能数据中的至少一种；
所述操作数据包括：对抗强度信息、操作能力指标、角色类型、道具信息以及等级信息中的至少一种；
所述场景性能数据包括：网络延时以及帧率中的至少一种。
在一种可能的实现方式中，所述评价数据包括以下评价等级中的至少一种：
基于在所述单局虚拟场景结束后展示的评价界面中执行的评价操作确定的评价等级；
以及，基于在所述单局虚拟场景结束后执行的虚拟场景启动相关操作确定的评价等级。
在一种可能的实现方式中，所述决策树构建模块，用于基于所述虚拟场景的目标场景属性参数，以及所述数据样本集构建所述决策树。
在一种可能的实现方式中，所述决策树构建模块，用于，
基于所述虚拟场景的目标场景属性参数，获取决策树的限制参数；所述限制参数包括：决策树的高度、以及叶子节点的最下样本数量中的至少一种；
基于所述限制参数以及所述数据样本集，构建所述决策树。
在一种可能的实现方式中，所述决策树构建模块，用于，
基于所述数据样本集构建初始决策树；
基于所述虚拟场景的目标场景属性参数，对所述初始决策树进行剪枝处理，获得所述决策树。
在一种可能的实现方式中，所述目标场景属性参数包括：所述虚拟场景中的虚拟对象的角色类型的数量。
在一种可能的实现方式中，所述分析结果获取模块，用于，
提取所述决策树中的至少一项关键参数，以及至少一项所述关键参数各自的参数阈值；
基于至少一项所述关键参数以及至少一项所述关键参数各自的参数阈值获取所述分析结果。
在一种可能的实现方式中，所述决策树中包含n层节点，n层所述节点中的每个非叶子节点对应有所述场景运行数据中的一项属性参数，以及所述属性参数的参数阈值；
所述分析结果获取模块，用于，
将属于目标层级的所述非叶子节点对应的属性参数获取为至少一项所述关键参数；所述目标层级是所述决策树中，从根节点开始的前i个层级；i＜n，且i、n为正整数；
基于属于所述目标层级的所述非叶子节点中的参数阈值，获取至少一项所述关键参数的参数阈值。
在一种可能的实现方式中，所述评价数据包括正向评价数据和负向评价数据；
所述分析结果获取模块，用于，
确定所述目标层级中，与目标关键参数对应的至少一个非叶子节点；所述目标关键参数于至少一项所述关键参数中的任意一个关键参数；
将所述与目标关键参数对应的至少一个非叶子节点中，处于最上层的节点包含的参数阈值，获取为所述评价数据为正向评价数据的情况下，所述目标关键参数的参数阈值；
将所述与目标关键参数对应的至少一个非叶子节点中，处于最下层的节点包含的参数阈值，获取为所述评价数据为负向评价数据的情况下，所述目标关键参数的参数阈值。
另一方面，本申请实施例提供了一种虚拟场景的运行数据处理方法，所述方法包括：
运行数据获取模块，用于获取单局虚拟场景在终端中运行时的场景运行数据；
评价数据获取模块，用于在所述单局虚拟场景结束时，获取对所述单局虚拟场景的评价数据；
上报模块，用于将所述场景运行数据以及所述评价数据作为数据样本集中的一条数据样本上报给分析设备，以便所述分析设备基于所述数据样本集构建决策树，基于所述决策树获取所述虚拟场景的分析结果并输出；所述决策树是用于指示所述场景运行数据与所述评价数据之间的对应关系的树状结构；所述分析结果用于指示所述场景运行数据中的各项属性参数对所述评价数据的影响情况。
另一方面，本申请实施例提供了一种计算机设备，所述计算机设备包括处理器和存储器，所述存储器中存储有至少一条计算机指令，所述至少一条计算机指令由所述处理器加载并执行以实现如上述方面所述的虚拟场景的运行数据处理方法。
另一方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一条计算机指令，所述至少一条计算机指令由处理器加载并执行以实现如上述方面所述的虚拟场景的运行数据处理方法。
另一个方面，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方面的各种可选实现方式中提供的虚拟场景的运行数据处理方法。
本申请实施例提供的技术方案的有益效果至少包括：
通过使用虚拟场景时产生的数据样本来构建决策树，并基于决策树来获取分析结果，由于数据样本中包含单局虚拟场景在终端中运行时的场景运行数据，以及，对单局虚拟场景的评价数据，因此，基于决策树得到的分析结果可以指示虚拟场景对应的各项属性参数对评价数据的影响情况，以便开发人员针对性的对虚拟场景进行调整，从而实现了对虚拟场景的快速测试，从而提高虚拟场景开发过程中的测试和调整的效率。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。
图1是本申请一个示例性实施例提供的实施环境的示意图；
图2是本申请一示例性实施例提供的虚拟场景的运行数据处理方法流程图；
图3是本申请一示例性实施例提供的虚拟场景的运行数据处理方法流程图；
图4是本申请一示例性实施例提供的虚拟场景的运行数据处理方法流程图；
图5是本申请一个示例性实施例提供的决策树生成示意图；
图6是图5所示实施例涉及的决策树示意图；
图7是本申请一示例性实施例示出的虚拟场景的运行数据处理装置方框图；
图8是本申请一示例性实施例示出的虚拟场景的运行数据处理装置方框图；
图9是本申请一示例性实施例示出的计算机设备的结构框图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
应当理解的是，在本文中提及的“若干个”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，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：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
为了便于理解，下面对本申请涉及的几个名词进行解释。
1)虚拟场景
虚拟场景是应用程序在终端上运行时显示(或提供)的虚拟的场景。该虚拟场景可以是对真实世界的仿真环境场景，也可以是半仿真半虚构的三维环境场景，还可以是纯虚构的三维环境场景。虚拟场景可以是二维虚拟场景、2.5维虚拟场景和三维虚拟场景中的任意一种，下述实施例以虚拟场景是三维虚拟场景来举例说明，但对此不加以限定。可选地，该虚拟场景还可用于至少两个虚拟角色之间进行交互。可选地，该虚拟场景还可用于至少两个虚拟角色之间使用虚拟道具进行交互。可选地，该虚拟场景还可用于在目标区域范围内，至少两个虚拟角色之间使用虚拟道具进行交互，该目标区域范围会随虚拟场景中的时间推移而不断变小。
虚拟场景通常由终端等计算机设备中的应用程序生成基于终端中的硬件(比如屏幕)进行展示。该终端可以是智能手机、平板电脑或者电子书阅读器等移动终端；或者，该终端也可以是笔记本电脑或者固定式计算机的个人计算机设备。
2)虚拟对象
虚拟对象是指在虚拟场景中的可活动对象。该可活动对象可以是虚拟人物、虚拟动物、虚拟载具中的至少一种。可选地，当虚拟场景为三维虚拟场景时，虚拟对象是基于动画骨骼技术创建的三维立体模型。每个虚拟对象在三维虚拟场景中具有自身的形状、体积以及朝向，并占据三维虚拟场景中的一部分空间。
3)虚拟宠物
虚拟宠物是以卡通形式和/或动物形式的宠物形象进行呈现的数字宠物。该虚拟宠物是二维数字宠物或三维数字宠物。可选地，存在一部分虚拟宠物的宠物形象是随机生成的，比如0代虚拟宠物的宠物形象是随机生成的；存在一部分虚拟宠物的宠物形象是根据父母亲虚拟宠物和/或其他祖辈虚拟宠物的宠物形象按照基因遗传规则生成的，比如除0代虚拟宠物之外的后代虚拟宠物的宠物形象是按照基因遗传规则生成的。可选地，每只虚拟宠物都有独一无二的基因序列，该基因序列包括用于确定虚拟宠物的宠物形象的生成参数，基因序列也称形象参数。
在一些实施例中，每只虚拟宠物的宠物信息存储在区块链系统上，经过区块链系统上的多个节点的共识机制进行存储和认证。
在一些实施例中，虚拟宠物是终端中运行的应用程序所展示的数字宠物。该应用程序包括如下功能中的至少一项：抓取虚拟宠物、生成虚拟宠物、繁育虚拟宠物、交易虚拟宠物、使用虚拟宠物进行交互、使用虚拟宠物进行增强现实(Augmented Reality，AR)互动、使用虚拟宠物进行社交、使用虚拟宠物进行AR教育。在另一些实施例中，该应用程序是基于区块链系统进行虚拟宠物的获取、繁育和/或交易的应用程序。在另一些实施例中，该应用程序是基于地理位置的社交游戏程序，该社交游戏程序提供有利用虚拟宠物进行收藏、成长和/或交互中的至少一种功能。
在一些实施例中，应用程序具有使用虚拟宠物进行交互的功能。此时，基因序列会决定虚拟宠物所具有的特征。上述特征可以包括：外在特征和/或内在特征。
外在特征是指体现虚拟宠物的宠物形象的特征。可选地，虚拟宠物包括皮肤、斑纹、耳朵、胡须、花纹、眼睛和嘴巴等不同身体部位，每一个身体部位均可以有多种不同的外在特征。上述外在特征可以包括颜色、形状、纹理等可见特征。例如，皮肤的外在特征可以包括白色皮肤、红色皮肤、橙色皮肤、黄色皮肤、绿色皮肤、青色皮肤、蓝色皮肤和紫色皮肤等不同颜色。又例如，耳朵的外在特征可以包括长耳、短耳、卷耳、折耳、正常耳等不同形状。
内在特征是指体现虚拟宠物的内在属性的特征。例如，内在属性可以包括智力值、防御力值、灵力值、魔力值、力量值、耐力值、敏捷度值、潜力值、速度值、寿命值等多种不同的属性。
基因遗传规则：又称遗传规则、基因算法或基因遗传算法，是将父母亲虚拟宠物和/或其他祖辈虚拟宠物的宠物形象模仿真实生物的遗传规律进行传递，以生成孩子虚拟宠物的宠物形象的规则。以虚拟宠物是3D虚拟宠物为例，每个虚拟宠物的宠物形象包括多个类型的3D形象素材，每个类型的3D形象素材对应不同的角色部位和/或纹理层次，每个3D形象素材对应一个素材标识，该3D素材标识可视为一个“基因”。在一些实施例中，为保证每个虚拟宠物都是独一无二的个性化虚拟宠物，该独一无二的特性由该虚拟宠物的基因序列所决定。在一些实施例中，该基因遗传规则是将父母亲虚拟宠物和/或其他祖辈虚拟宠物的宠物形象按照遗传规律进行重组和去重后，生成孩子虚拟宠物具有唯一特性的宠物形象的规则。去重是指当遗传过程中出现与已有虚拟宠物相同的基因序列时，会重新生成该虚拟宠物的基因序列，从而保证该虚拟宠物的基因唯一性的机制。可选地，由于基因遗传规则是模仿真实生物的遗传规则，因此还存在怀孕时长、近亲不能繁育之类的限制条件。
图1示出了本申请一个示例性实施例提供的实施环境的示意图。该实施环境可以包括：第一终端110、服务器120和第二终端130。
第一终端110安装和运行有支持虚拟环境的应用程序111，该应用程序111可以是多人在线对局程序。当第一终端运行应用程序111时，第一终端110的屏幕上显示应用程序111的用户界面。该应用程序111可以是宠物养成/对局程序、多人在线战术竞技游戏(Multiplayer Online Battle Arena Games，MOBA)、射击游戏、模拟战略游戏(SimulationGame，SLG)的任意一种。在本实施例中，以该应用程序111是宠物养成/交互程序来举例说明。第一终端110是第一用户112使用的终端，第一用户112使用第一终端110控制位于虚拟环境中的第一虚拟对象进行活动，第一虚拟对象可以称为第一用户112的主控虚拟对象。第一虚拟对象的活动包括但不限于：使用虚拟宠物进行交互。或者，上述第一虚拟对象也可以是虚拟宠物本身。
与第一终端110类似的，第二终端130安装和运行有支持虚拟环境的应用程序131，该应用程序131可以是多人在线对局程序。当第二终端130运行应用程序131时，第二终端130的屏幕上显示应用程序131的用户界面。第二终端130是第二用户132使用的终端，第二用户132使用第二终端130控制位于虚拟环境中的第二虚拟对象进行活动，第二虚拟对象可以称为第二用户132的主控虚拟对象。
可选地，第一虚拟对象和第二虚拟对象处于同一虚拟世界中。可选地，第一虚拟对象和第二虚拟对象可以属于同一个阵营、同一个队伍、同一个组织、具有好友关系或具有临时性的通讯权限。可选的，第一虚拟对象和第二虚拟对象可以属于不同的阵营、不同的队伍、不同的组织或具有敌对关系。
可选地，第一终端110和第二终端130上安装的应用程序是相同的，或两个终端上安装的应用程序是不同操作系统平台(安卓或IOS)上的同一类型应用程序。第一终端110可以泛指多个终端中的一个，第二终端130可以泛指多个终端中的另一个，本实施例仅以第一终端110和第二终端130来举例说明。第一终端110和第二终端130的设备类型相同或不同，该设备类型包括：智能手机、平板电脑、电子书阅读器、MP3播放器、MP4播放器、膝上型便携计算机和台式计算机中的至少一种。
图1中仅示出了两个终端，但在不同实施例中存在多个其它终端可以接入服务器120。可选地，还存在一个或多个终端是开发者对应的终端，在该终端上安装有支持虚拟环境的应用程序的开发和编辑平台，开发者可在该终端上对应用程序进行编辑和更新，并将更新后的应用程序安装包通过有线或无线网络传输至服务器120，第一终端110和第二终端130可从服务器120下载应用程序安装包实现对应用程序的更新。
第一终端110、第二终端130以及其它终端通过无线网络或有线网络与服务器120相连。
服务器120包括一台服务器、多台服务器组成的服务器集群、云计算平台和虚拟化中心中的至少一种。服务器120用于为支持三维虚拟环境的应用程序提供后台服务。可选地，服务器120承担主要计算工作，终端承担次要计算工作；或者，服务器120承担次要计算工作，终端承担主要计算工作；或者，服务器120和终端之间采用分布式计算架构进行协同计算。
在一个示意性的例子中，服务器120包括存储器121、处理器122、账号数据库123、对局服务模块124、面向用户的输入/输出接口(Input/Output Interface，I/O接口)125。其中，处理器122用于加载服务器120中存储的指令，处理用户账号数据库123和对局服务模块124中的数据；用户账号数据库123用于存储第一终端110、第二终端130以及其它终端所使用的用户账号的数据，比如用户账号的头像、用户账号的昵称、用户账号的战斗力指数，用户账号所在的服务区；对局服务模块124用于提供多个对局房间供用户进行对局，比如1V1对局、3V3对局、5V5对局等；面向用户的I/O接口125用于通过无线网络或有线网络和第一终端110和/或第二终端130建立通信交换数据。
其中，虚拟场景可以是三维虚拟场景，或者，虚拟场景也可以是二维虚拟场景。
图2示出了本申请一示例性实施例提供的虚拟场景的运行数据处理方法的流程图。该虚拟场景的运行数据处理方法可以由计算机设备执行，该计算机设备可以是终端，也可以是服务器，或者该计算机设备也可以包含上述终端和服务器。该计算机设备可以实现为虚拟场景的分析设备。如图2所示，该虚拟场景的运行数据处理方法，包括：
步骤210，获取虚拟场景的数据样本集，数据样本集中包含若干条数据样本；数据样本包含单局虚拟场景在终端中运行时的场景运行数据，以及，对单局虚拟场景的评价数据。
在本申请实施例中，每一条数据样本可以由一个终端在一局虚拟场景中控制虚拟对象时产生的场景运行数据，以及该局虚拟场景结束之后对该局虚拟场景的评价数据组成。
在一个示例性的方案中，上述评价数据可以指示对单局虚拟场景的评价，例如，可以指示用户对虚拟场景是否满意等等。
上述数据样本集中可以包含多个终端在至少一局虚拟场景中控制虚拟对象时产生的数据样本。
例如，上述数据样本可以由终端在运行一局虚拟场景的过程中采集，并在一局虚拟场景结束后上报给服务器，服务器收集各个终端分别上报的数据样本，并添加至上述数据样本集。
步骤220，基于数据样本集构建决策树；决策树是用于指示场景运行数据与评价数据之间的对应关系的树状结构。
其中，决策树分析法是指在已知各种情况发生概率的基础上，通过构成决策树来求取净现值的期望值大于等于零的概率，评价项目风险，判断其可行性的决策分析方法，是直观运用概率分析的一种图解法。在机器学习中，决策树是一个预测模型，其代表的是属性参数与值之间的一种映射关系。
在本申请实施例中，上述决策树指示的可以是场景运行数据与评价数据之间的映射关系。或者说，若将某一局虚拟场景中，某个终端对应的场景运行数据输入上述决策树，则决策树可以预测出对该局虚拟场景的评价，比如预测用户对该局虚拟场景是给予好评还是差评。
步骤230，基于决策树获取虚拟场景的分析结果，分析结果用于指示场景运行数据中的各项属性参数对评价数据的影响情况。
在本申请实施例中，上述场景运行数据中可以包含虚拟场景相关的至少两项属性参数，且上述至少两项属性参数可能影响对虚拟场景的评价。计算机设备可以通过上述决策树，获取到上述至少两项属性参数对评价数据的影响情况。
步骤240，输出分析结果。
其中，计算机设备可以将分析结果输出到开发人员对应的分析结果显示界面中，以便开发人员根据该分析结果，对虚拟场景进行调整，从而实现对虚拟场景的快速测试。
综上所述，本申请实施例提供的方案，通过使用虚拟场景时产生的数据样本来构建决策树，并基于决策树来获取分析结果，由于数据样本中包含单局虚拟场景在终端中运行时的场景运行数据，以及，对单局虚拟场景的评价数据，因此，基于决策树得到的分析结果可以指示虚拟场景对应的各项属性参数对评价数据的影响情况，以便开发人员针对性的对虚拟场景进行调整，从而实现了对虚拟场景的快速测试，从而提高虚拟场景开发过程中的测试和调整的效率。
图3示出了本申请一示例性实施例提供的虚拟场景的运行数据处理方法的流程图。该虚拟场景的运行数据处理方法可以由计算机设备执行，该计算机设备可以是终端，也可以是服务器，或者该计算机设备也可以包含上述终端和服务器。如图3所示，该虚拟场景的运行数据处理方法，包括：
步骤301，获取单局虚拟场景在终端中运行时的场景运行数据。
在本申请实施例中，计算机设备(比如终端，或者，支持虚拟场景运行的云端服务器)在运行虚拟场景时，可以采集单局虚拟场景在终端中运行时的场景运行数据。
步骤302，在单局虚拟场景结束时，获取对单局虚拟场景的评价数据。
在本申请实施例中，计算机设备在单局虚拟场景结束时，可以获取对单局虚拟场景的评价数据。
步骤303，将场景运行数据以及评价数据作为数据样本集中的一条数据样本上报给分析设备，以便分析设备基于数据样本集构建决策树，基于决策树获取虚拟场景的分析结果并输出；决策树是用于指示场景运行数据与评价数据之间的对应关系的树状结构；分析结果用于指示场景运行数据中的各项属性参数对评价数据的影响情况。
综上所述，本申请实施例提供的方案，运行虚拟场景的计算机设备可以向分析设备上报数据样本，以便分析设备通过使用虚拟场景时产生的数据样本来构建决策树，并基于决策树来获取分析结果，由于数据样本中包含单局虚拟场景在终端中运行时的场景运行数据，以及，对单局虚拟场景的评价数据，因此，基于决策树得到的分析结果可以指示虚拟场景对应的各项属性参数对评价数据的影响情况，以便开发人员针对性的对虚拟场景进行调整，从而实现了对虚拟场景的快速测试，从而提高虚拟场景开发过程中的测试和调整的效率。
图4示出了本申请一示例性实施例示出的虚拟场景的运行数据处理方法的流程图。该虚拟场景的运行数据处理方法可以由计算机设备执行，该计算机设备可以是终端，也可以是服务器，或者该计算机设备也可以包含上述终端和服务器。该计算机设备可以实现为虚拟场景的分析设备。如图4所示，该虚拟场景的运行数据处理方法，包括：
步骤401，获取虚拟场景的数据样本集，数据样本集中包含若干条数据样本；数据样本包含单局虚拟场景在终端中运行时的场景运行数据，以及，对单局虚拟场景的评价数据。
在本申请实施例中，在虚拟场景的开发过程中，虚拟场景的开发商可以在线上邀请测试用户对开发中或者开发完成的虚拟场景进行测试，也就是说，测试人员在线上进入虚拟场景，并在虚拟场景中控制虚拟对象进行相关的活动。
比如，在每一局虚拟场景中，测试人员使用的终端可以记录该局虚拟场景在终端中运行的场景运行数据；在该局虚拟场景结束后，终端还可以进一步获取对该局虚拟场景的评价数据。之后，终端可以将上述场景运行数据和评价数据作为数据样本上报给计算机设备(即分析设备)。
例如，以上述虚拟场景是游戏场景为例，游戏开发商在游戏上线之前，先小范围的邀请玩家进行对游戏进行测试，比如，玩家可以通过终端(比如智能手机或者个人电脑)下载测试用的游戏客户端，并通过终端运行游戏客户端，以加入游戏场景中，并在游戏场景中控制虚拟对象进行游戏，例如，控制虚拟对象使用虚拟宠物在游戏场景中进行交互。在一局游戏运行过程中，游戏客户端可以记录场景运行数据；在一局游戏结束后，游戏客户端还可以获取玩家对该局游戏的评价，比如，玩家是否对该局游戏给出好评。之后，游戏客户端向计算机设备上报游戏的场景运行数据和玩家的评价数据。
在一种可能的实现方式中，场景运行数据包括操作数据和场景性能数据中的至少一种；
操作数据包括：对抗强度信息、操作能力指标、角色类型、道具信息以及等级信息中的至少一种；
场景性能数据包括：网络延时以及帧率中的至少一种。
其中，网络延时可以通过PING值来表示，PING是指(Packet Internet Groper，因特网包探索器)，可选的，PING值是指从终端向网络服务器发送数据到接收到服务器反馈的数据之间的时长。
帧率可以通过每秒的帧数(Frames Per Second，FPS)来表示。
其中，上述场景运行数据可以包含与操作相关的数据，也可以包含场景的性能相关的数据。
其中，与操作相关的数据可以在一定程度的指示在虚拟场景中控制虚拟对象行动时的操作信息。
比如，上述对抗强度信息，可以指示控制虚拟对象参与对抗的强度或烈度。例如，上述对抗强度信息可以包括参与对抗的时长，以及，参与对抗的时长占比中的至少一种。可选的，上述对抗强度信息也可以包含其它指示控制虚拟对象参与对抗的强度或烈度的信息，例如，上述对抗强度信息可以包含控制虚拟对象在虚拟场景中使用道具或者技能的频率等等。
上述操作能力指标，可以指示在虚拟场景中控制虚拟对象参与对抗的难易程度。比如，上述操作能力指标可以包括KDA(Kill Death Assist，击败、被击败、支援)指标，或者KD指标等等。
其中，在游戏场景中，KDA指标是描述玩家战斗能力的一个数据，通常为(玩家击败人数+玩家助攻次数)/(玩家被击败次数+1)。
上述角色类型可以是指在虚拟场景中控制的虚拟对象的角色类型，或者，是指在虚拟场景中控制的虚拟对象所使用的虚拟宠物的角色类型。
上述道具信息可以包括以下至少一种：
虚拟场景中的虚拟对象所使用的道具的相关信息；
虚拟场景中的虚拟对象的虚拟宠物所使用的道具的相关信息；
击败虚拟场景中的虚拟对象的道具的相关信息；
击败虚拟场景中的虚拟对象的虚拟宠物的道具的相关信息。
其中，上述道具的相关信息可以包括道具的类型、道具的名称等等。
上述等级信息可以包括虚拟场景中的虚拟对象的等级信息，或者，虚拟场景中的虚拟对象所使用的虚拟宠物的等级信息等等。
在一种可能的实现方式中，上述评价数据包括以下评价等级中的至少一种：
基于在单局虚拟场景结束后展示的评价界面中执行的评价操作确定的评价等级；
以及，基于在单局虚拟场景结束后执行的虚拟场景启动相关操作确定的评价等级。
在本申请实施例中，上述评价数据可以包含评价等级，也就是虚拟场景受到喜爱的等级，比如，该评价等级可以包含两个等级，分别通过0和1来表示，其中1表示给予虚拟场景正向评价，例如好评，0表示给予虚拟场景负向评价，；例如差评。或者，该评价等级也可以包含0-5这6个等级，其中，数值越大，表示给予虚拟场景正向评价的程度越高。
在本申请实施例的一个示例性的方案中，上述评价数据中的评价等级可以由用户给出。比如，终端可以在单局虚拟场景结束后，展示一个评价界面，该评价界面指示用户对本局虚拟场景给出评价，用户可以在该评价界面中选择某个评价等级对应的选项(比如好评/差评选项，或者，某个星级的选项)，此时，终端可以根据用户的选择操作，确定用户对本局虚拟场景的评价等级。再比如，单局虚拟场景结束后，终端可以检测用户的后续操作，如果用户重开了新一局的虚拟场景，则终端可以获取用户对本局虚拟场景的评价等级为好评；而如果用户并未开启新一局的虚拟场景，则终端可以获取用户对本局虚拟场景的评价等级为差评。
在获取到数据样本集之后，计算机设备即可以基于数据样本集构建决策树。
步骤402，以场景运行数据为训练样本，以与场景运行数据对应的评价数据为标签进行监督学习，以构建得到决策树。
其中，决策树是用于指示场景运行数据与评价数据之间的对应关系的树状结构。
在本申请实施例中，计算机设备可以通过机器学习的方式进行有监督的训练，得到上述决策树。
采用了C4.5算法生成了决策树，下面介绍C4.5算法的一些相关概念：
信息熵表示系统的有序程度，其定义如下：
其中，S表示样本集，C表示样本集合中类别个数，pi表示第i类的概率。
C4.5决策树采用信息增益率的方法选择测试属性：
信息增益率等于信息增益对分割信息量的比值，定义如下：
设样本集S按离散属性F的V个不同的取值划分，共有V个子集；
定义分割信息量Split(S，F)：
则，信息增益率为：
其中，Gain(S，F)表示基于属性F划分后新的信息熵与划分前的信息熵的变化量。
其算法流程为：
选择节点分裂属性：从训练集中选择使得信息增益率最大的属性F，即选择分类效果最好的属性和条件。
建立新节点划分数据集：根据F的每一个值v，将训练集划分为不同的子训练集，对每一个子训练集进行分裂直到子训练集为空，当前训练集中样本最多的类别作为叶节点的类别即打标签。
在一种可能的实现方式中，以场景运行数据为训练样本，以与场景运行数据对应的评价数据为标签进行监督学习，以构建得到决策树之前，还包括：
对场景运行数据进行量化处理，获得量化处理后的场景运行数据；
以场景运行数据为训练样本，以与场景运行数据对应的评价数据为标签进行监督学习，以构建得到决策树，包括：
以量化处理后的场景运行数据为训练样本，以与场景运行数据对应的评价数据为标签进行监督学习，以构建得到决策树。
在一种可能的实现方式中，场景运行数据中包含连续型属性参数；连续型属性参数是参数值连续的属性参数；
对场景运行数据进行量化处理，获得量化处理后的场景运行数据，包括：
对场景运行数据中的连续性属性参数的参数值进行量化处理，获得量化处理后的场景运行数据。
本本申请实施例中，上述场景运行数据中的某些属性参数为连续型属性参数，比如，对抗强度信息中的时长/时长占比、延时以及帧率等等，这些连续型数据需要进行离散化处理，在本申请实施例中，计算机设备可以将需要处理的属性参数的参数值按照连续变量的大小从小到大进行排序，假设属性参数的枚举值共有N个，那么共有N-1个分割阈值点，每个分割阈值点的值为所在位置前后连续元素的中点。
在一种可能的实现方式中，基于数据样本集构建决策树，包括：
基于虚拟场景的目标场景属性参数，以及数据样本集构建决策树。
在一种可能的实现方式中，基于虚拟场景的目标场景属性参数，以及数据样本集构建决策树，包括：
基于虚拟场景的目标场景属性参数，获取决策树的限制参数；限制参数包括：决策树的高度、以及叶子节点的最下样本数量中的至少一种；基于限制参数以及数据样本集，构建决策树。
在一种可能的实现方式中，基于虚拟场景的目标场景属性参数，以及数据样本集构建决策树，包括：
基于数据样本集构建初始决策树；基于虚拟场景的目标场景属性参数，对初始决策树进行剪枝处理，获得决策树。
在一种可能的实现方式中，目标场景属性参数包括：虚拟场景中的虚拟对象的角色类型的数量。
监督式学习算法需要考虑泛化能力，也就是说在训练集的错误率很小的时候，会增加测试集的错误率，即训练出的决策规则仅对训练集有效，不具备普适性，并不能代表客观规律，这种情况称为过拟合。
为了解决决策树的过拟合问题，本申请实施例所示方案可以控制决策树的规模，即对决策树进行剪枝。剪枝可分为预剪枝和后剪枝，预剪枝算法在决策树生成的过程中利用一些约束条件控制它的生长，后剪枝算法会在决策树完全生成后对其进行修剪。
其中，预剪枝可以在生成决策树之前对决策树的高度，叶节点的最小样本量等决策树属性进行了限制，对测试集数据的预测准确度得到了大幅提升。
而本申请实施例所示的方案中，为了进一步提高通过决策树分析法对虚拟场景中的场景运行数据的分析效果，还可以结合虚拟场景的目标场景属性参数来确定对决策树进行剪枝的相关参数，比如，可以通过虚拟场景中的虚拟对象的角色类型的数量来适应性的确定决策树的高度、以及叶子节点的最下样本数量等；可选的，计算机设备还可以在决策树训练完成后，进一步通过虚拟场景中的虚拟对象的角色类型的数量来对决策树进行进一步的剪枝，比如，根据虚拟场景中的虚拟对象的角色类型的数量，确定剪枝的比例等等。
计算机设备可以基于决策树获取虚拟场景的分析结果，该过程可以参考下述步骤403和步骤404。
步骤403，提取决策树中的至少一项关键参数，以及至少一项关键参数各自的参数阈值。
在本申请实施例中，计算机设备构建出上述决策树之后，即可以从决策树中提取到对评价数据有影响的关键参数，以及关键参数对应的阈值。其中，上述关键参数可以是指影响评价数据的关键的属性参数；上述关键参数的参数阈值，可以是指关键参数的参数值造成评价数据发生变化的阈值。
比如，上述的关键参数及其参数阈值，可以是指某一项关键参数的参数值大于或者小于参数阈值的情况，会导致评价数据倾向于正向评价数据或者负向评价数据。
在一种可能的实现方式中，决策树中包含n层节点，n层节点中的每个非叶子节点对应有场景运行数据中的一项属性参数，以及属性参数的参数阈值；
上述提取决策树中的至少一项关键参数，以及至少一项关键参数各自的参数阈值的步骤可以包括：
将属于目标层级的非叶子节点对应的属性参数获取为至少一项关键参数；目标层级是决策树中，从根节点开始的前i个层级；i＜n，且i、n为正整数；
基于属于目标层级的非叶子节点中的参数阈值，获取至少一项关键参数的参数阈值。
在决策树中，各个节点可以分为叶子节点和非叶子节点，其中，每个非叶子节点包含有一项属性参数，以及该项属性参数的参数阈值；该参数阈值用来区分该非叶子节点的下一层节点的分支走向。基于决策树构建的原理，在决策树中，越接近上层的非叶子节点中的属性参数，对于预测结果的影响也越大，对此，在本申请实施例所示的方案中，计算机设备在构建出决策树之后，可以将决策树中前i层的非叶子节点中的各项属性参数获取为关键参数，并基于前i层的非叶子节点中的参数阈值，确定对应的各项属性参数的参数阈值。
在一种可能的实现方式中，评价数据包括正向评价数据和负向评价数据；
上述基于属于目标层级的非叶子节点中的参数阈值，获取至少一项关键参数的参数阈值的过程可以包括：
确定目标层级中，与目标关键参数对应的至少一个非叶子节点；目标关键参数于至少一项关键参数中的任意一个关键参数；
将与目标关键参数对应的至少一个非叶子节点中，处于最上层的节点包含的参数阈值，获取为评价数据为正向评价数据的情况下，目标关键参数的参数阈值；
将与目标关键参数对应的至少一个非叶子节点中，处于最下层的节点包含的参数阈值，获取为评价数据为负向评价数据的情况下，目标关键参数的参数阈值。
在本申请实施例中，同一项关键参数可以同时出现在多个非叶子节点中，相应的，多个非叶子节点中对应同一项关键参数的参数阈值也可能不同，因此，当有两种不同的评价数据的情况下，上述关键参数对应的参数阈值也可以包含两种参数阈值(这两种参数阈值的数值可能相同，也可能不同)。其中，该正向评价数据是指好评，该负向评价数据是指差评。
比如，对于评价数据包括正向评价数据和负向评价数据这种情况来说，越靠近上层的非叶子节点中的参数阈值，越能够体现出倾向于给出好评时，对应的关键参数的参数取值范围；相应的，越靠近下层的非叶子节点中的参数阈值，越能够体现出倾向于给出差评时，对应的关键参数的参数取值范围。对此，在本申请实施例中，对于某一项目标关键参数，可以取上述前i层非叶子节点中，包含该目标关键参数且处于最上层的非叶子节点中的参数阈值，作为该目标关键参数对应在倾向于给出正向评价数据时的参数阈值；相应的，可以取上述前i层非叶子节点中，包含该目标关键参数且处于最下层的非叶子节点中的参数阈值，作为该目标关键参数对应在倾向于给出负向评价数据时的参数阈值。
在一种可能的实现方式中，当属于目标层级，且与目标关键参数对应的至少一个非叶子节点中，处于最上层的节点包含两个或者两个以上节点时，计算机设备可以将上述与目标关键参数对应的至少一个非叶子节点中，处于最上层的两个或者两个以上节点的参数阈值取平均值，获得评价数据为正向评价数据的情况下，目标关键参数的参数阈值。
在一种可能的实现方式中，当属于目标层级，且与目标关键参数对应的至少一个非叶子节点中，处于最下层的节点包含两个或者两个以上节点时，计算机设备可以将上述与目标关键参数对应的至少一个非叶子节点中，处于最下层的两个或者两个以上节点的参数阈值取平均值，获得评价数据为负向评价数据的情况下，目标关键参数的参数阈值。
步骤404，基于至少一项关键参数以及至少一项关键参数各自的参数阈值获取分析结果。
其中，上述分析结果用于指示场景运行数据中的各项属性参数对评价数据的影响情况。
比如，计算机设备可以直接将上述决策树中的关键参数及其参数阈值，输出为上述分析结果。
在本申请实施例中，计算机设备构建上述决策树之后，即可以基于决策树中的关键参数及其参数阈值，获取到场景运行数据中的各项属性参数对评价数据的影响情况。
步骤405，输出分析结果。
其中，计算机设备可以将分析结果输出到开发人员对应的分析结果显示界面中，以便开发人员根据该分析结果，对虚拟场景进行调整，从而实现对虚拟场景的快速测试。
例如，以游戏场景为例，开发人员可以根据场景运行数据中的各项属性参数对评价数据的影响情况，对决定场景运行数据中的各项属性参数的场景参数进行调整，比如，假设用户更倾向于短时间的对抗时长，则开发人员可以通过调节武器/技能伤害等方式使得虚拟场景更快的结束。
综上所述，本申请实施例提供的方案，通过使用虚拟场景时产生的数据样本来构建决策树，并基于决策树来获取分析结果，由于数据样本中包含单局虚拟场景在终端中运行时的场景运行数据，以及，对单局虚拟场景的评价数据，因此，基于决策树得到的分析结果可以指示虚拟场景对应的各项属性参数对评价数据的影响情况，以便开发人员针对性的对虚拟场景进行调整，从而实现了对虚拟场景的快速测试，从而提高虚拟场景开发过程中的测试和调整的效率。
本申请上述实施例所示的方案，可以应用于多人对局型的游戏场景的分析，以便开发人员更快的找出影响用户体验的相关属性参数。
例如，对于大规模多人对局型游戏，敏捷测试及收集并分析玩家的反馈是一件成本特别高的工作。而本申请上述实施例所示的方案，设计了一套基于玩家局内客观行为数据及局外主观评价的分析系统，能够在线上测试/游戏实际部署的过程中，通过决策树将局内客观数据和结算时玩家填写的主观数据进行关联和量化分析。
请参考图5，其示出了本申请一个示例性实施例提供的决策树生成示意图。如图5所示，该过程的实现方式为：
在数据上报环节，在对局结算时，上报玩家行为数据，例如，在经分日志中上报诸如交互准备时间、KDA、职业、虚拟道具等级等参数；并弹出评价界面，例如，结算时随机弹出玩家是否喜欢本次单局的按钮；在数据处理环节，导入终端上报的数据文件，并对上报的数据文件进行数据归一化处理，之后绘制决策树，从而量化局内数据对局外主观评价的影响。
通过本申请上述实施例所示的方案，可以大大降低大规模对局地图的测试及调优成本，并且对优化游戏体验起到了一定作用。
在图5所示的方案中，游戏对局结束后收集玩家对本次对局的主观反馈(主动式的弹窗询问或根据玩家是否再开了一局等后台数据)，同时向服务器上报本对局中的玩家行为数据，包含：对局结果、平均交互准备时间、平均PING值、平均FPS、KD等字段。然后使用决策树分析玩家局内行为数据和主观评价的关联，请参考图6，其示出了本申请实施例涉及的决策树示意图，如图6所示，叶节点为玩家的主观评价，越靠上的字段对主观评价的影响越大。
之后，分析设备中的分析工具从决策树中提取关键参数及阈值，并得出结论，比如，从图6输出的结论可以为：满足KD大于5.5、FPS大于40、PING值小于73、对局胜利、平均交互准备时间小于60秒等条件的玩家更倾向于给出好评。满足KD小于0.5、FPS小于40、PING值小于73、对局失败、平均交互准备时间大于60秒等条件的玩家更倾向于给出差评；进而得到相关参数对于玩家体验的影响权重为：KD≈平均交互准备时间＞FPS≈对局胜负＞PING值。
分析设备获得分析结论之后，即可以向游戏的开发人员输出该分析结论，以便开发人员可以有针对性的对游戏的相关参数或者设置进行修改。一方面，开发人员可以根据上述分析结果，有目的性的对游戏的相关参数或设置进行修改，比如，假设分析结果表明平均交互准备时间的权重大于PING值的权重，则开发人员可以修改游戏中与平均交互准备时间相关的参数，比如，缩短复活点的距离，缩短道具刷新点之间的距离等等。另一方面，开发人员也可以根据上述分析结果，在多种游戏参数或者游戏设置之间做取舍，比如，假设分析结果表明帧率(FPS)的权重大于PING值的权重，则开发人员可以对游戏的相关参数或设置进行修改，以优先保证游戏的帧率。
图7示出了本申请一示例性实施例提供的虚拟场景的运行数据处理装置的方框图。该虚拟场景的运行数据处理装置可以应用在计算机设备中，以执行如图2或图4所示的方法中的全部或者部分步骤。如图7所示，该虚拟场景的运行数据处理装置，包括：
样本集获取模块701，用于获取虚拟场景的数据样本集，数据样本集中包含若干条数据样本；数据样本包含单局虚拟场景在终端中运行时的场景运行数据，以及，对单局虚拟场景的评价数据；
决策树构建模块702，用于基于数据样本集构建决策树；决策树是用于指示场景运行数据与评价数据之间的对应关系的树状结构；
分析结果获取模块703，用于基于决策树获取虚拟场景的分析结果，分析结果用于指示场景运行数据中的各项属性参数对评价数据的影响情况；
输出模块704，用于输出分析结果。
在一种可能的实现方式中，决策树构建模块702，用于以场景运行数据为训练样本，以与场景运行数据对应的评价数据为标签进行监督学习，以构建得到决策树。
在一种可能的实现方式中，装置还包括：
量化模块，用于在决策树构建模块702以场景运行数据为训练样本，以与场景运行数据对应的评价数据为标签进行监督学习，以构建得到决策树之前，对场景运行数据进行量化处理，获得量化处理后的场景运行数据；
决策树构建模块702，用于以量化处理后的场景运行数据为训练样本，以与场景运行数据对应的评价数据为标签进行监督学习，以构建得到决策树。
在一种可能的实现方式中，场景运行数据中包含连续型属性参数；连续型属性参数是参数值连续的属性参数；
量化模块，用于对场景运行数据中的连续性属性参数的参数值进行量化处理，获得量化处理后的场景运行数据。
在一种可能的实现方式中，场景运行数据包括操作数据和场景性能数据中的至少一种；
操作数据包括：对抗强度信息、操作能力指标、角色类型、道具信息以及等级信息中的至少一种；
场景性能数据包括：网络延时以及帧率中的至少一种。
在一种可能的实现方式中，评价数据包括以下评价等级中的至少一种：
基于在单局虚拟场景结束后展示的评价界面中执行的评价操作确定的评价等级；
以及，基于在单局虚拟场景结束后执行的虚拟场景启动相关操作确定的评价等级。
在一种可能的实现方式中，决策树构建模块702，用于基于虚拟场景的目标场景属性参数，以及数据样本集构建决策树。
在一种可能的实现方式中，决策树构建模块702，用于，
基于虚拟场景的目标场景属性参数，获取决策树的限制参数；限制参数包括：决策树的高度、以及叶子节点的最下样本数量中的至少一种；
基于限制参数以及数据样本集，构建决策树。
在一种可能的实现方式中，决策树构建模块702，用于，
基于数据样本集构建初始决策树；
基于虚拟场景的目标场景属性参数，对初始决策树进行剪枝处理，获得决策树。
在一种可能的实现方式中，目标场景属性参数包括：虚拟场景中的虚拟对象的角色类型的数量。
在一种可能的实现方式中，分析结果获取模块703，用于，
提取决策树中的至少一项关键参数，以及至少一项关键参数各自的参数阈值；
基于至少一项关键参数以及至少一项关键参数各自的参数阈值获取分析结果。
在一种可能的实现方式中，决策树中包含n层节点，n层节点中的每个非叶子节点对应有场景运行数据中的一项属性参数，以及属性参数的参数阈值；
分析结果获取模块703，用于，
将属于目标层级的非叶子节点对应的属性参数获取为至少一项关键参数；目标层级是决策树中，从根节点开始的前i个层级；i＜n，且i、n为正整数；
基于属于目标层级的非叶子节点中的参数阈值，获取至少一项关键参数的参数阈值。
在一种可能的实现方式中，评价数据包括正向评价数据和负向评价数据；
分析结果获取模块703，用于，
确定目标层级中，与目标关键参数对应的至少一个非叶子节点；目标关键参数于至少一项关键参数中的任意一个关键参数；
将与目标关键参数对应的至少一个非叶子节点中，处于最上层的节点包含的参数阈值，获取为评价数据为正向评价数据的情况下，目标关键参数的参数阈值；
将与目标关键参数对应的至少一个非叶子节点中，处于最下层的节点包含的参数阈值，获取为评价数据为负向评价数据的情况下，目标关键参数的参数阈值。
综上，本申请实施例提供的方案，通过使用虚拟场景时产生的数据样本来构建决策树，并基于决策树来获取分析结果，由于数据样本中包含单局虚拟场景在终端中运行时的场景运行数据，以及，对单局虚拟场景的评价数据，因此，基于决策树得到的分析结果可以指示虚拟场景对应的各项属性参数对评价数据的影响情况，以便开发人员针对性的对虚拟场景进行调整，从而实现了对虚拟场景的快速测试，从而提高虚拟场景开发过程中的测试和调整的效率。
图8示出了本申请一示例性实施例提供的虚拟场景的运行数据处理装置的方框图。该虚拟场景的运行数据处理装置可以应用在计算机设备中，以执行如图3所示的方法中的全部或者部分步骤。如图8所示，该虚拟场景的运行数据处理装置，包括：
运行数据获取模块801，用于获取单局虚拟场景在终端中运行时的场景运行数据；
评价数据获取模块802，用于在单局虚拟场景结束时，获取对单局虚拟场景的评价数据；
上报模块803，用于将场景运行数据以及评价数据作为数据样本集中的一条数据样本上报给分析设备，以便所述分析设备基于数据样本集构建决策树，基于决策树获取虚拟场景的分析结果并输出；决策树是用于指示场景运行数据与评价数据之间的对应关系的树状结构；分析结果用于指示场景运行数据中的各项属性参数对评价数据的影响情况。
综上，本申请实施例提供的方案，运行虚拟场景的计算机设备可以向分析设备上报数据样本，以便分析设备通过使用虚拟场景时产生的数据样本来构建决策树，并基于决策树来获取分析结果，由于数据样本中包含单局虚拟场景在终端中运行时的场景运行数据，以及，对单局虚拟场景的评价数据，因此，基于决策树得到的分析结果可以指示虚拟场景对应的各项属性参数对评价数据的影响情况，以便开发人员针对性的对虚拟场景进行调整，从而实现了对虚拟场景的快速测试，从而提高虚拟场景开发过程中的测试和调整的效率。
图9示出了本申请一示例性实施例示出的计算机设备900的结构框图。计算机设备900包括中央处理单元(Central Processing Unit，CPU)901、包括随机存取存储器(RandomAccess Memory，RAM)902和只读存储器(Read-Only Memory，ROM)903的系统存储器904，以及连接系统存储器904和中央处理单元901的系统总线905。计算机设备900还包括帮助计算机内的各个器件之间传输信息的基本输入/输出系统(Input/Output系统，I/O系统)906，和用于存储操作系统913、应用程序914和其他程序模块915的大容量存储设备907。
所述基本输入/输出系统906包括有用于显示信息的显示器908和用于用户输入信息的诸如鼠标、键盘之类的输入设备909。其中所述显示器908和输入设备909都通过连接到系统总线905的输入输出控制器910连接到中央处理单元901。所述基本输入/输出系统906还可以包括输入输出控制器910以用于接收和处理来自键盘、鼠标、或电子触控笔等多个其他设备的输入。类似地，输入输出控制器910还提供输出到显示屏、打印机或其他类型的输出设备。
所述大容量存储设备907通过连接到系统总线905的大容量存储控制器(未示出)连接到中央处理单元901。所述大容量存储设备907及其相关联的计算机可读介质为计算机设备900提供非易失性存储。也就是说，所述大容量存储设备907可以包括诸如硬盘或者只读光盘(Compact Disc Read-Only Memory，CD-ROM)驱动器之类的计算机可读介质(未示出)。
不失一般性，所述计算机可读介质可以包括计算机存储介质和通信介质。计算机存储介质包括以用于存储诸如计算机可读指令、数据结构、程序模块或其他数据等信息的任何方法或技术实现的易失性和非易失性、可移动和不可移动介质。计算机存储介质包括RAM、ROM、可擦除可编程只读寄存器(Erasable Programmable Read Only Memory，EPROM)、电子抹除式可复写只读存储器(Electrically-Erasable Programmable Read-OnlyMemory，EEPROM)闪存或其他固态存储其技术，CD-ROM、数字多功能光盘(DigitalVersatile Disc，DVD)或其他光学存储、磁带盒、磁带、磁盘存储或其他磁性存储设备。当然，本领域技术人员可知所述计算机存储介质不局限于上述几种。上述的系统存储器904和大容量存储设备907可以统称为存储器。
根据本公开的各种实施例，所述计算机设备900还可以通过诸如因特网等网络连接到网络上的远程计算机运行。也即计算机设备900可以通过连接在所述系统总线905上的网络接口单元911连接到网络912，或者说，也可以使用网络接口单元911来连接到其他类型的网络或远程计算机系统(未示出)。
所述存储器还包括至少一条计算机指令，所述至少一条计算机指令存储于存储器中，中央处理器901通过执行该至少一条指令、至少一段程序、代码集或指令集来实现上述各个实施例所示的方法中的全部或者部分步骤。
在一示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括至少一条计算机指令的存储器，上述至少一条计算机指令可由处理器执行以完成上述图2至图4任一实施例所示的方法的全部或者部分步骤。例如，非临时性计算机可读存储介质可以是ROM、RAM、CD-ROM、磁带、软盘和光数据存储设备等。
在一示例性实施例中，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上述2至图4任一实施例所示方法的全部或部分步骤。
可以理解的是，在本申请的实施方式中，涉及到场景运行数据、评价数据以及操作数据等相关的数据，当本申请以上实施例运用到具体产品或技术中时，需要获得用户许可或者同意，且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本申请的真正范围和精神由下面的权利要求指出。
应当理解的是，本申请并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求来限制。
Claims (19)
1.一种虚拟场景的运行数据处理方法，其特征在于，所述方法包括：
获取虚拟场景的数据样本集，所述数据样本集中包含若干条数据样本；所述数据样本包含单局虚拟场景在终端中运行时的场景运行数据，以及，对所述单局虚拟场景的评价数据；
基于所述数据样本集构建决策树；所述决策树是用于指示所述场景运行数据与所述评价数据之间的对应关系的树状结构；
基于所述决策树获取所述虚拟场景的分析结果，所述分析结果用于指示所述场景运行数据中的各项属性参数对所述评价数据的影响情况；
输出所述分析结果。
2.根据权利要求1所述的方法，其特征在于，所述基于所述数据样本集构建决策树，包括：
以所述场景运行数据为训练样本，以与所述场景运行数据对应的所述评价数据为标签进行监督学习，以构建得到所述决策树。
3.根据权利要求2所述的方法，其特征在于，所述以所述场景运行数据为训练样本，以与所述场景运行数据对应的所述评价数据为标签进行监督学习，以构建得到所述决策树之前，还包括：
对所述场景运行数据进行量化处理，获得量化处理后的场景运行数据；
所述以所述场景运行数据为训练样本，以与所述场景运行数据对应的所述评价数据为标签进行监督学习，以构建得到所述决策树，包括：
以所述量化处理后的场景运行数据为训练样本，以与所述场景运行数据对应的所述评价数据为标签进行监督学习，以构建得到所述决策树。
4.根据权利要求3所述的方法，其特征在于，所述场景运行数据中包含连续型属性参数；所述连续型属性参数是参数值连续的属性参数；
所述对所述场景运行数据进行量化处理，获得量化处理后的场景运行数据，包括：
对所述场景运行数据中的所述连续型属性参数的参数值进行量化处理，获得量化处理后的场景运行数据。
5.根据权利要求1至4任一所述的方法，其特征在于，所述场景运行数据包括操作数据和场景性能数据中的至少一种；
所述操作数据包括：对抗强度信息、操作能力指标、角色类型、道具信息以及等级信息中的至少一种；
所述场景性能数据包括：网络延时以及帧率中的至少一种。
6.根据权利要求1至4任一所述的方法，其特征在于，所述评价数据包括以下评价等级中的至少一种：
基于在所述单局虚拟场景结束后展示的评价界面中执行的评价操作确定的评价等级；
以及，基于在所述单局虚拟场景结束后执行的虚拟场景启动相关操作确定的评价等级。
7.根据权利要求1所述的方法，其特征在于，所述基于所述数据样本集构建决策树，包括：
基于所述虚拟场景的目标场景属性参数，以及所述数据样本集构建所述决策树。
8.根据权利要求7所述的方法，其特征在于，所述基于所述虚拟场景的目标场景属性参数，以及所述数据样本集构建所述决策树，包括：
基于所述虚拟场景的目标场景属性参数，获取决策树的限制参数；所述限制参数包括：决策树的高度、以及叶子节点的最下样本数量中的至少一种；
基于所述限制参数以及所述数据样本集，构建所述决策树。
9.根据权利要求7所述的方法，其特征在于，所述基于所述虚拟场景的目标场景属性参数，以及所述数据样本集构建所述决策树，包括：
基于所述数据样本集构建初始决策树；
基于所述虚拟场景的目标场景属性参数，对所述初始决策树进行剪枝处理，获得所述决策树。
10.根据权利要求7至9任一所述的方法，其特征在于，所述目标场景属性参数包括：所述虚拟场景中的虚拟对象的角色类型的数量。
11.根据权利要求1至4任一所述的方法，其特征在于，所述基于所述决策树获取所述虚拟场景的分析结果，包括：
提取所述决策树中的至少一项关键参数，以及至少一项所述关键参数各自的参数阈值；
基于至少一项所述关键参数以及至少一项所述关键参数各自的参数阈值获取所述分析结果。
12.根据权利要求11所述的方法，其特征在于，所述决策树中包含n层节点，n层所述节点中的每个非叶子节点对应有所述场景运行数据中的一项属性参数，以及所述属性参数的参数阈值；
所述提取所述决策树中的至少一项关键参数，以及至少一项所述关键参数各自的参数阈值，包括：
将属于目标层级的所述非叶子节点对应的属性参数获取为至少一项所述关键参数；所述目标层级是所述决策树中，从根节点开始的前i个层级；i＜n，且i、n为正整数；
基于属于所述目标层级的所述非叶子节点中的参数阈值，获取至少一项所述关键参数的参数阈值。
13.根据权利要求12所述的方法，其特征在于，所述评价数据包括正向评价数据和负向评价数据；
所述基于属于所述目标层级的所述非叶子节点中的参数阈值，获取至少一项所述关键参数的参数阈值，包括：
确定所述目标层级中，与目标关键参数对应的至少一个非叶子节点；所述目标关键参数于至少一项所述关键参数中的任意一个关键参数；
将所述与目标关键参数对应的至少一个非叶子节点中，处于最上层的节点包含的参数阈值，获取为所述评价数据为正向评价数据的情况下，所述目标关键参数的参数阈值；
将所述与目标关键参数对应的至少一个非叶子节点中，处于最下层的节点包含的参数阈值，获取为所述评价数据为负向评价数据的情况下，所述目标关键参数的参数阈值。
14.一种虚拟场景的运行数据处理方法，其特征在于，所述方法包括：
获取单局虚拟场景在终端中运行时的场景运行数据；
在所述单局虚拟场景结束时，获取对所述单局虚拟场景的评价数据；
将所述场景运行数据以及所述评价数据作为数据样本集中的一条数据样本上报给分析设备，以便所述分析设备基于所述数据样本集构建决策树，基于所述决策树获取所述虚拟场景的分析结果并输出；所述决策树是用于指示所述场景运行数据与所述评价数据之间的对应关系的树状结构；所述分析结果用于指示所述场景运行数据中的各项属性参数对所述评价数据的影响情况。
15.一种虚拟场景的运行数据处理装置，其特征在于，所述装置包括：
样本集获取模块，用于获取虚拟场景的数据样本集，所述数据样本集中包含若干条数据样本；所述数据样本包含单局虚拟场景在终端中运行时的场景运行数据，以及，对所述单局虚拟场景的评价数据；
决策树构建模块，用于基于所述数据样本集构建决策树；所述决策树是用于指示所述场景运行数据与所述评价数据之间的对应关系的树状结构；
分析结果获取模块，用于基于所述决策树获取所述虚拟场景的分析结果，所述分析结果用于指示所述场景运行数据中的各项属性参数对所述评价数据的影响情况；
输出模块，用于输出所述分析结果。
16.一种虚拟场景的运行数据处理装置，其特征在于，所述装置包括：
运行数据获取模块，用于获取单局虚拟场景在终端中运行时的场景运行数据；
评价数据获取模块，用于在所述单局虚拟场景结束时，获取对所述单局虚拟场景的评价数据；
上报模块，用于将所述场景运行数据以及所述评价数据作为数据样本集中的一条数据样本上报给分析设备，以便所述分析设备基于所述数据样本集构建决策树，基于所述决策树获取所述虚拟场景的分析结果并输出；所述决策树是用于指示所述场景运行数据与所述评价数据之间的对应关系的树状结构；所述分析结果用于指示所述场景运行数据中的各项属性参数对所述评价数据的影响情况。
17.一种计算机设备，其特征在于，计算机设备包含处理器和存储器，所述存储器中存储由至少一条计算机指令，所述至少一条计算机指令由所述处理器加载并执行以实现如权利要求1至14任一所述的虚拟场景的运行数据处理方法。
18.一种计算机可读存储介质，其特征在于，所述存储介质中存储有至少一条计算机指令，所述至少一条计算机指令由处理器加载并执行以实现如权利要求1至14任一所述的虚拟场景的运行数据处理方法。
19.一种计算机程序产品，其特征在于，所述计算机程序产品包括计算机指令，所述计算机指令由计算机设备的处理器读取并执行，使得所述计算机设备执行如权利要求1至14任一所述的虚拟场景的运行数据处理方法。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111316184 | 2021-11-08 | ||
| CN2021113161849 | 2021-11-08 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114392560A CN114392560A (zh) | 2022-04-26 |
| CN114392560B true CN114392560B (zh) | 2024-06-04 |
Family
ID=81228925
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111658769.9A Active CN114392560B (zh) | 2021-11-08 | 2021-12-31 | 虚拟场景的运行数据处理方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114392560B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115577317B (zh) * | 2022-09-30 | 2024-04-05 | 北京大数据先进技术研究院 | 数据融合效果评估方法、系统、电子设备及储存介质 |
| CN116599999B (zh) * | 2023-07-18 | 2023-10-10 | 中移(苏州)软件技术有限公司 | 预测cdn用户的实时用量数据的方法、装置及设备 |
| CN116911994B (zh) * | 2023-07-21 | 2024-03-26 | 山东省标准化研究院(Wto/Tbt山东咨询工作站) | 对外贸易风险预警系统 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103646086A (zh) * | 2013-12-13 | 2014-03-19 | 北京奇虎科技有限公司 | 一种垃圾文件的清理方法和装置 |
| CN104427547A (zh) * | 2013-08-29 | 2015-03-18 | 中国移动通信集团公司 | 业务和网络关联测试方法、装置及系统 |
| CN106650807A (zh) * | 2016-12-20 | 2017-05-10 | 东南大学 | 一种海洋环境下混凝土强度劣化预测评价方法 |
| CN108600341A (zh) * | 2018-04-09 | 2018-09-28 | 广州悦世界信息科技有限公司 | 一种业务节点分配方法、决策节点及服务器集群 |
| CN108804323A (zh) * | 2018-06-06 | 2018-11-13 | 中国平安人寿保险股份有限公司 | 代码质量监控方法、设备及存储介质 |
| CN109635953A (zh) * | 2018-11-06 | 2019-04-16 | 阿里巴巴集团控股有限公司 | 一种特征衍生方法、装置及电子设备 |
| CN111627289A (zh) * | 2020-05-27 | 2020-09-04 | 西北工业大学 | 一种导航雷达模拟训练效果评价方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107679994A (zh) * | 2017-07-26 | 2018-02-09 | 平安科技（深圳）有限公司 | 核保决策树的创建方法、装置、计算机设备及存储介质 |
-
2021
- 2021-12-31 CN CN202111658769.9A patent/CN114392560B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104427547A (zh) * | 2013-08-29 | 2015-03-18 | 中国移动通信集团公司 | 业务和网络关联测试方法、装置及系统 |
| CN103646086A (zh) * | 2013-12-13 | 2014-03-19 | 北京奇虎科技有限公司 | 一种垃圾文件的清理方法和装置 |
| CN106650807A (zh) * | 2016-12-20 | 2017-05-10 | 东南大学 | 一种海洋环境下混凝土强度劣化预测评价方法 |
| CN108600341A (zh) * | 2018-04-09 | 2018-09-28 | 广州悦世界信息科技有限公司 | 一种业务节点分配方法、决策节点及服务器集群 |
| CN108804323A (zh) * | 2018-06-06 | 2018-11-13 | 中国平安人寿保险股份有限公司 | 代码质量监控方法、设备及存储介质 |
| CN109635953A (zh) * | 2018-11-06 | 2019-04-16 | 阿里巴巴集团控股有限公司 | 一种特征衍生方法、装置及电子设备 |
| CN111627289A (zh) * | 2020-05-27 | 2020-09-04 | 西北工业大学 | 一种导航雷达模拟训练效果评价方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114392560A (zh) | 2022-04-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114392560B (zh) | 虚拟场景的运行数据处理方法、装置、设备及存储介质 | |
| US11458399B2 (en) | Systems and methods for automatically measuring a video game difficulty | |
| CN111632379B (zh) | 游戏角色行为控制方法、装置、存储介质及电子设备 | |
| CN111861588B (zh) | 流失预测模型的训练方法、玩家流失原因分析方法及装置 | |
| Rothmeier et al. | Prediction of player churn and disengagement based on user activity data of a freemium online strategy game | |
| CN108304853B (zh) | 游戏相关度的获取方法、装置、存储介质和电子装置 | |
| CN111311338A (zh) | 用户价值的预测方法以及用户价值预测模型的训练方法 | |
| US10997494B1 (en) | Methods and systems for detecting disparate incidents in processed data using a plurality of machine learning models | |
| US20220203244A1 (en) | Methods and systems for generating multimedia content based on processed data with variable privacy concerns | |
| CN111701240B (zh) | 虚拟物品的提示方法、装置、存储介质和电子装置 | |
| CN112245934B (zh) | 虚拟场景应用中虚拟资源的数据分析方法、装置及设备 | |
| CN113230650B (zh) | 一种数据处理方法、装置及计算机可读存储介质 | |
| US20220207421A1 (en) | Methods and systems for cross-platform user profiling based on disparate datasets using machine learning models | |
| US20240037276A1 (en) | Methods and systems for generating multimedia content based on processed data with variable privacy concerns | |
| CN110941769B (zh) | 目标帐号的确定方法和装置、电子装置 | |
| CN109189795A (zh) | 一种数据处理方法、装置及存储介质 | |
| CN116510302A (zh) | 虚拟对象异常行为的分析方法、装置及电子设备 | |
| KR20170099750A (ko) | 게임 평가 장치 및 방법 | |
| CN110314379B (zh) | 动作输出深度训练模型的学习方法及相关设备 | |
| CN114870403A (zh) | 一种游戏中的对战匹配方法、装置、设备及存储介质 | |
| CN116531764B (zh) | 游戏数据处理方法、装置、设备及计算机可读存储介质 | |
| CN113750540B (zh) | 游戏匹配方法、装置、存储介质及计算机程序产品 | |
| CN117618918B (zh) | 虚拟场景处理方法、装置、电子设备及存储介质 | |
| CN118105716B (zh) | 对局匹配方法、装置、设备、可读存储介质及程序产品 | |
| KR102187880B1 (ko) | 게임 업데이트 가이드를 위한 방법 및 장치 |
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 |