具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例,相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
应当理解,本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行,和/或并行执行。此外,方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括,即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”;术语“另一实施例”表示“至少一个另外的实施例”;术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
需要注意,本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。另外需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
从游戏设计的角度来看,玩家在游戏中的表现,如果能够得到实时且准确的评判,则可以极大程度满足玩家玩游戏的心理需求。但目前的单机游戏不能实现排名功能,或者能实现排名功能但只能实现玩家的自我排名,由此本公开实施例提供一种数据处理方法,能够产生玩家与多个虚拟玩家间的排名列表,便于玩家了解自己的游戏表现。需说明的是,本方法的适用场景不限于任意一款单机游戏,可以通用于市面上的所有单机游戏,包括但不限于端游类单机游戏、网页类单机游戏、小程序类单机游戏等。当然,本方法也可用于网络游戏,例如在网络不佳或断开时,无法将玩家与其他玩家进行联机排名,则可通过本方法来产生排名列表。
图1示出了本公开实施例提供的数据处理方法的流程图,通过对游戏数据进行处理来产生排名列表。请参照图1,该方法包括如下步骤:
S110,获取目标游戏中与目标兴趣参数对应的玩家表现指标。
本公开实施例中的目标游戏可以是单机游戏,也可以是网络游戏。
首先,定义目标游戏中关注的目标兴趣参数,例如,关注的目标兴趣参数可以是玩家的金币数量、玩家战力或玩家发展指数等。玩家表现指标是玩家排名高低的度量指标,具体为关注的目标兴趣参数的量化表示,在具体实施例中,目标兴趣参数可以设置为玩家的金币数量,玩家表现指标则表示为金币数量的具体数值,玩家的金币数量越多,则其对应的排名可能越高。
其中,目标游戏中与目标兴趣参数对应的玩家表现指标可以由目标游戏根据当前的游戏数据直接提供,如目标兴趣参数为金币数量,则可直接从目标游戏中确定玩家当前金币数量的数值,获得玩家表现指标。
S120,在目标游戏的仿真环境中,对包含目标兴趣参数的游戏过程执行蒙特卡洛模拟操作。
S130,获取根据蒙特卡洛模拟操作得到的多个虚拟玩家与目标兴趣参数对应的虚拟表现指标。其中,虚拟玩家是对真实玩家的一种模拟。
S140,基于玩家表现指标和多个虚拟表现指标,确定与目标兴趣参数对应的排名列表。
在本公开实施例中,假设目标游戏是一个马尔科夫决策过程,也就是玩家的某个动作a将导致游戏的状态St转到下一个状态St+1,这个转移概率只与状态St和玩家的动作a有关,而通常情况下我们无法得到游戏系统的概率转移矩阵。因此本公开实施例提出通过蒙特卡洛方法,对目标游戏中的包含目标兴趣参数的游戏过程执行多次蒙特卡洛模拟操作,每执行一次包含目标兴趣参数的游戏过程记为一次蒙特卡洛模拟操作,从而根据蒙特卡洛模拟操作得到多个关于目标兴趣参数的虚拟表现指标。
通过上述方案,首先可从目标游戏中获取真实玩家的与目标兴趣参数对应的玩家表现指标,然后在仿真环境中对包含目标兴趣参数的游戏过程执行蒙特卡洛模拟操作,通过蒙特卡洛模拟操作得到多个虚拟玩家的与目标兴趣参数对应的虚拟表现指标,将真实玩家的玩家表现指标和多个虚拟玩家的虚拟表现指标进行对比,即可得到与目标兴趣参数对应的排名列表,从而玩家能够得到自己在多个虚拟玩家中关于目标兴趣参数的排名。
在具体的实施例中,图2示出了在步骤S120中对包含目标兴趣参数的游戏过程执行蒙特卡洛模拟操作的流程图,如图2所示,步骤S120包括:
S121,获取目标游戏中的游戏状态序列,该游戏状态序列包括目标游戏中经历的多个动作决策时刻分别对应的游戏状态。
需注意的是,动作决策时刻是指玩家在目标游戏中作出动作决策的决策点。需注意的是,动作决策时刻并不是玩家作出动作决策的绝对时间,而是表示玩家作出动作决策的决策相对顺序量。例如动作决策时刻T5表示“玩家的第五次动作决策”,第五次动作决策可能是攻击野怪,动作决策时刻T10表示“玩家的第十次动作决策”,第十次动作决策可能是种植农作物,动作决策时刻T12表示“玩家的第十二次动作决策”,第十二次动作决策可能是售卖物品。
其中,每个动作决策时刻对应的游戏状态中包含会对动作决策产生影响的因素。比如玩家的第五次动作决策是攻击野怪,则在本次动作决策时刻对应的游戏状态可能包括:玩家所在位置L1,野怪所在位置L2,玩家的生命值HP1,玩家的武器攻击战力AK1,野怪的攻击力AK2,野怪的生命值HP2。在具体实施例中,可以使用向量对动作决策时刻T5的游戏状态进行表示,即有:游戏状态向量S=(L1,L2,HP1,HP2,AK1,AK2)。
又比如,玩家的第十次动作决策是种植农作物,则在本次动作决策时刻对应的游戏状态可能包括:天气,温度,村庄的人数,玩家拥有的种子数量,太阳强度,玩家的健康程度等。
其中,玩家的每次动作决策都有可能对目标兴趣参数产生影响,进而影响玩家的排名,例如玩家在某一动作决策时刻作出的动作决策是种植热带水果,在热带水果成熟后,在又一动作决策时刻作出的动作决策是售卖成熟的热带水果,收获1000金币,于是玩家的金币数量增加,则玩家表现指标增加,从而玩家在排名列表中的排名上升。
S122,根据游戏状态序列在仿真环境中运行多次蒙特卡洛模拟操作,每次蒙特卡洛模拟操作用于模拟一个虚拟玩家在每个动作决策时刻,根据该动作决策时刻对应的游戏状态作出随机动作决策。
在获得游戏状态序列后,基于游戏状态序列中包括的每个动作决策时刻对应的游戏状态,在目标游戏的仿真环境中运行多次蒙特卡洛模拟操作,每次蒙特卡洛模拟操作用于模拟一个虚拟玩家在每个动作决策时刻,根据该动作决策时刻对应的游戏状态作出随机动作决策。
从而在步骤S130中,可根据每次蒙特卡洛模拟操作中的随机动作决策获得与目标兴趣参数对应的虚拟表现指标,得到多个虚拟表现指标。
图3示出了在步骤S122中根据游戏状态序列在仿真环境中运行多次蒙特卡洛模拟操作的流程图,如图3所示,步骤S122包括:
S210,在仿真环境中运行每次蒙特卡洛模拟操作时,在每个动作决策时刻,根据游戏状态序列确定该动作决策时刻对应的游戏状态。
S220,确定该游戏状态对应的动作决策策略,该动作决策策略包括该游戏状态对应的动作集合以及从动作集合中选择每个动作的概率。
不同的游戏状态对应不同的动作决策策略,动作决策策略中包括该游戏状态对应的动作集合以及从动作集合中选择每个动作的概率,动作集中包括至少一个动作(无动作可记为一种空动作),每个动作表示在该游戏状态下可能采取的一种行为。
S230,根据选择每个动作的概率,从该动作集合中随机选择动作,并将选择的动作作为本次蒙特卡洛模拟操作所模拟的虚拟玩家在该动作决策时刻的随机动作决策。
其中,在每个动作决策时刻,根据游戏状态序列中与该动作决策时刻对应的游戏状态S,确定该游戏状态S对应的动作决策策略,该动作决策策略包括该游戏状态S对应的动作集和从该动作集中选择每个动作的概率,按照选择每个动作的概率,从该动作集中随机选择某个动作(包括不动作,也就是执行空动作),随机选出的这个动作则作为本次蒙特卡洛模拟操作所模拟的虚拟玩家在该动作决策时刻作出的随机动作决策。
在一示例性实施例中,为实时产生排名列表,每当真实玩家在目标游戏中作出一次动作决策,将真实玩家从第一次动作决策时刻到本次动作决策时刻为止的游戏过程,以游戏状态序列的形式进行表示,然后根据游戏状态序列,在目标游戏的仿真环境中运行多次蒙特卡洛模拟操作,相当于模拟多个虚拟玩家一起玩游戏。在每次蒙特卡洛模拟操作中,根据游戏状态序列中每个动作决策时刻对应的游戏状态,虚拟玩家从第一个动作决策时刻开始作出随机动作决策,直到完成最后一个动作决策时刻的随机动作决策后结束。
在一示例性实施例中,玩家在目标游戏中已作出第三次动作决策,获取玩家从动作决策时刻T1到动作决策时刻T3中每一动作决策时刻的游戏状态,得到动作决策时刻T1的游戏状态S1、动作决策时刻T2的游戏状态S2、动作决策时刻T3的游戏状态S3,即得到游戏状态序列{S1,S2,S3}。
根据游戏状态序列{S1,S2,S3},在仿真环境中运行多次(如一千万次)蒙特卡洛模拟操作,每次蒙特卡洛模拟操作将包括以下步骤:
1)在动作决策时刻T1,根据游戏状态序列确定动作决策时刻T1的游戏状态S1,确定游戏状态S1对应的动作决策策略Π(S1),Π(S1)包括动作集{A1、A2、A3}以及选择A1、A2和A3的概率,根据此概率从动作集{A1、A2、A3}中随机选择动作,如选择动作A1,从而完成动作决策时刻T1的随机动作决策;
2)在动作决策时刻T2,根据游戏状态序列确定动作决策时刻T2的游戏状态S2,确定游戏状态S2对应的动作决策策略Π(S2),Π(S2)包括动作集{B1、B2、B3、B4、B5、B6}以及选择B1、B2、B3、B4、B5和B6的概率,根据此概率从动作集{B1、B2、B3、B4、B5、B6}中随机选择动作,如选择动作B3,从而完成动作决策时刻T2的随机动作决策;
3)在动作决策时刻T3,根据游戏状态序列确定动作决策时刻T3的游戏状态S3,确定游戏状态S3对应的动作决策策略Π(S3),Π(S3)包括动作集{C1、C2}以及选择C1和C2的概率,根据此概率从动作集{C1、C2}中随机选择动作,如选择动作C1,从而完成动作决策时刻T3的随机动作决策。
到此为止,则运行完成一次蒙特卡洛模拟操作。
在一示例性实施例中,玩家在下一个动作决策时刻继续作出第四次动作决策,再次获取目标游戏中从动作决策时刻T1到动作决策时刻T4中每一动作决策时刻的游戏状态,得到动作决策时刻T1的游戏状态S1、动作决策时刻T2的游戏状态S2、动作决策时刻T3的游戏状态S3、动作决策时刻T4的游戏状态S4,即得到游戏状态序列{S1,S2,S3,S4}。
然后,根据游戏状态序列{S1,S2,S3,S4}再次执行多次蒙特卡洛模拟操作,在每次蒙特卡洛模拟操作中,在每个动作决策时刻,根据游戏状态序列{S1,S2,S3,S4}中该动作决策时刻对应的游戏状态进行随机动作决策。也就是说,玩家每次在目标游戏中作出动作决策后,都将在仿真环境中,针对从第一个动作决策时刻到本次动作决策时刻为止的游戏过程完整执行多次蒙特卡洛模拟操作,得到多个虚拟玩家的与目标兴趣参数对应的虚拟表现指标。
因此,本方法能在玩家每次在目标游戏中作出动作决策后,即刻根据玩家表现指标和多个虚拟玩家的虚拟表现指标,对玩家关于目标兴趣参数的游戏表现进行评判,可以达到近似实时的效果。
在执行步骤S120之前,本公开实施例提供的数据处理方法还包括:根据目标游戏中的各实体、各实体的属性值、实体间的互动关系以及决策结算规则,创建反映目标游戏的游戏运行机制的仿真环境;其中,实体包括目标游戏中的非玩家角色(如野怪等)、玩家角色以及玩家角色可操控的虚拟物品,决策结算规则用于在蒙特卡洛模拟操作中,根据蒙特卡洛模拟操作中的随机动作决策,提供包含目标兴趣参数的数据。
本实施例中,预先制作反映目标游戏的游戏运行机制的仿真环境,以实现在仿真环境中运行蒙特卡洛模拟操作。仿真环境用于模拟目标游戏的运行机制,对于目标游戏中不重要的游戏细节则可以省略,例如,天气场景、非玩家角色(NPC)的引导语之类的对目标兴趣参数无影响的要素可以省略。
其中,玩家角色可操控的虚拟物品主要指玩家角色可以穿戴、拿取、放下的物品,包括但不限于玩家角色穿戴的护甲、鞋子、装备的武器等。每个实体具有相应的属性值,如玩家角色的生命值、野怪的攻击力和生命值、武器的攻击战力等。各个实体之间还具有互动关系,如玩家角色可以拿取长剑,并使用长剑攻击野怪。仿真环境中还包括游戏事件表,游戏事件表包括多组按照时间顺序排列的事件。
示例性的,野猪怪物是一个实体,它的其中一个属性值是攻击力,野猪能够攻击玩家,玩家也能攻击野猪,这是玩家与野猪之间的互动关系,相应的,游戏事件表包括:玩家进入到山村之后,会遇到一个老人,玩家与老人对话后,要求玩家打败野猪,玩家攻击野猪,这就是一个按时间顺序排列的事件表,通过游戏事件表可反映目标游戏的事件运行机制。
每次蒙特卡洛模拟操作中,仿真环境针对本次蒙特卡洛模拟操作中作出的随机决策动作,根据决策结算规则提供包含目标兴趣参数的数据,例如在一次蒙特卡洛模拟操作中,在某个动作决策时刻,虚拟玩家作出使用长剑从侧面攻击野猪的随机动作决策,当野猪的血量清零后,野猪死亡,根据决策结算规则,玩家经验值+2000,金币数量+500(关注的目标兴趣参数),战力+100,奖励一把武器。
在一示例性实施例中,每次蒙特卡洛模拟操作完成后,都将基于本次蒙特卡洛模拟操作中的随机动作决策,获得一个虚拟表现指标。例如,在仿真环境中执行一千万次蒙特卡洛模拟操作,则共获得一千万个虚拟表现指标。
在步骤130中,根据每次蒙特卡洛模拟操作中的随机动作决策获得与目标兴趣参数对应的虚拟表现指标,然后将多次蒙特卡洛模拟操作得到的所有虚拟表现指标进行排序,得到表现指标序列,然后从表现指标序列中确定多个百分位数,该多个百分位数将作为用于与玩家表现指标进行对比的多个虚拟表现指标。其中,百分位数的含义表示为:将表现指标序列从小到大排序,处于p%位置的虚拟表现指标为第p百分位数。
在取多个百分位数时,在[1,m]范围内依次取整数i,从表现指标序列中获取第10*i百分位数,得到m个百分位数,并将该m个百分位数作为用于与玩家表现指标进行对比的多个虚拟表现指标。其中,m≤10。当m=10时,则从表现指标序列中依次获得第10百分位数、第20百分位数、第30百分位数、……、第100百分位数,共得到10个百分位数。
在步骤S140中,将玩家表现指标与这10个百分位数的虚拟表现指标进行对比,得到玩家在10个虚拟玩家中关于目标兴趣参数的排名列表。
可以理解的是,为了更为准确地模拟不同水平的虚拟玩家,对动作决策策略中选择各个动作的概率进行概率分布设计,即设置希望的概率分布。从动作集中选择每个动作的概率,符合真实玩家群体在相同游戏状态下作出每个动作的比例分布。该比例分布可以是预估得到的。可以理解的,真实玩家群体中不同水平的玩家数量符合正态分布,比如,在真实玩家群体中有10%左右是游戏水平差的玩家,有80%左右是游戏水平中等的玩家,有10%左右是游戏水平高超的玩家。
例如,在攻击野猪时,相同游戏状态下,10%水平较差玩家会选择正面攻击野猪,导致自己受伤死亡,80%中等水平玩家选择侧面进攻野猪并且及时躲避,导致野猪被打败,10%高水平玩家使用“野猪灵魂呼唤术”,瞬间秒杀野猪。因此,该游戏状态下对应的动作集{正面攻击野猪,侧面攻击野猪并躲避,使用野猪灵魂召唤术}中,选择正面攻击野猪这一动作的概率设置为10%,选择侧面攻击野猪的概率设置为80%,选择使用野猪灵魂召唤术这一动作的概率设置为10%。
又例如,在游戏状态:“地点=东北”、“天气=寒凉”、“温度=10℃”、“隔壁村里的人数=100”、“玩家拥有的种子数量=20”、“太阳强度=13”、“玩家的健康程度=100”的情况下,对应的动作集假设为{种植苹果,种植热带水果,不种植}。设置该游戏状态对应的动作集{种植苹果,种植热带水果,不种植}中种植苹果的概率为10%,种植热带水果的概率为80%,不种植的概率为10%。在仿真环境中运行一千万次蒙特卡洛模拟操作,以模拟一千万个虚拟玩家,在每次蒙特卡洛模拟操作中,在该游戏状态下,从上述动作集中按照上述概率随机选择动作。从整体来看,一千万个虚拟玩家中,有10%左右的虚拟玩家随机选择的动作是种植苹果,有80%左右的虚拟玩家随机选择的动作是种植热带水果,有10%左右的虚拟玩家随机选择的动作是不种植。经过一个种植周期的模拟运行后,10%的虚拟玩家可以卖出苹果,金币数量+1000,80%的虚拟玩家可以卖出烂的热带水果种子,金币数量+3,10%的虚拟玩家没有可卖的,金币数量+0。在上述示例中,种植苹果代表该游戏状态下好的决策,种植热带水果代表该游戏状态下中等的决策,不种植代表该游戏状态下差的决策,当蒙特卡洛模拟操作的数量足够多时,大量的虚拟玩家在该游戏状态下表现出的游戏水平的分布与真实玩家群体的游戏水平的分布是相符的。
因此,根据一千万次蒙特卡洛模拟操作得到一千万个虚拟表现指标,从一千万个虚拟表现指标中确定多个百分位数,根据大数定律,当运行次数足够多时,目标兴趣参数的数学期望将会收敛到准确数值上,因此不同水平的虚拟玩家关于目标兴趣参数的数学期望将会准确收敛到对应的百分位数上。确定的多个百分位数将会真实接近于不同水平的玩家在玩游戏时得到的平均金币数量,例如第100百分位数的金币数量接近于具有高超游戏水平的玩家玩游戏能够得到的金币数量,第50百分位数的金币数量接近于具有中等游戏水平的玩家玩游戏能够得到的金币数量。
在每次游戏过程中,在动作决策策略中设置希望的概率分布,使得每次随机动作决策根据希望的概率分布进行动作采样,使得确定出的多个百分位数可以准确表征对应水平的虚拟玩家关于目标兴趣参数的数学期望,将这多个百分位数作为多个虚拟表现指标,通过将玩家表现指标与不同百分位数的虚拟表现指标进行对比,能够更加准确地对玩家的游戏表现进行评判。
另外,在执行蒙特卡洛模拟操作时需要创建目标游戏的仿真环境,但该仿真环境无须对目标游戏进行端对端的细节克隆,仅需要模拟目标游戏主要机制和相关数值,复杂程度低。
在具体的实施例中,假设目标游戏为纯种植类游戏且关注的目标兴趣参数为金币数量,在玩家进行第五次种植后,获取玩家进行第五次种植后得到的金币数量X,获取玩家从第一次种植到第五次种植时的游戏状态,根据每次种植时的游戏状态,在仿真环境中运行一千万次包含从第一次种植到第五次种植的游戏过程的蒙特卡洛模拟操作,在一千万次蒙特卡洛模拟操作结束后,得到一千万个金币数量X’,从一千万个X’的值中取整十百分位数,得到下表一所示的数据:
表一
参照表一,上述十个百分位数对应十个虚拟玩家,将玩家的金币数量X与十个虚拟玩家的金币数量X’依次对比,确定与金币数量对应的排名列表。图4示出了排名列表的一种示意图(图中仅展示排名1~排名10),如图4所示,玩家的金币数量X=5000,则在生成的排名列表中,玩家的排名为第六名。
综上所述,本公开实施例提供的数据处理方法具有如下技术效果:
本技术方案无需目标游戏内的设定细节和概率转移矩阵,通过创建一个反映目标游戏运行机制的仿真环境,并对玩家在目标游戏中包含目标兴趣参数的游戏过程执行蒙特卡洛模拟操作,得到虚拟玩家与目标兴趣参数对应的虚拟表现指标,然后将玩家表现指标与虚拟玩家的虚拟表现指标进行排名,生成目标兴趣参数对应的排名列表。在该排名列表中,展示的是玩家与多个虚拟玩家之间的排名,而不是玩家自己的自我排名,玩家可以有明确的赶超对象且存在被赶超的压力。在实际应用中,大量单机游戏和网络游戏均可以使用本方案来生成关于目标兴趣参数的排名列表。
其次,在玩家实时玩游戏的过程中,每当玩家在目标游戏中作出一次动作决策,可以立刻对目标游戏中包含目标兴趣参数的游戏过程执行蒙特卡洛模拟操作,从而实时生成排名列表,即刻对玩家在目标游戏中的游戏表现进行评判。
另外,在每次蒙特卡洛模拟操作中,每次随机动作决策是根据希望的概率分布进行动作采样,使关于目标兴趣参数的数学期望可以准确收敛到对应的百分位数上,因此得到的排名非常精准。
本公开实施例还提供一种数据处理装置,请参照图5,数据处理装置300包括:
玩家指标获取模块310,用于获取目标游戏中与目标兴趣参数对应的玩家表现指标;
模拟操作运行模块320,用于在所述目标游戏的仿真环境中,对包含所述目标兴趣参数的游戏过程执行蒙特卡洛模拟操作;
虚拟指标获取模块330,用于获取根据所述蒙特卡洛模拟操作得到的多个虚拟玩家与所述目标兴趣参数对应的虚拟表现指标;
列表排名模块340,用于基于所述玩家表现指标和多个所述虚拟表现指标,确定与所述目标兴趣参数对应的排名列表。
可选的,模拟操作运行模块320包括:
状态序列获取子模块,用于获取所述目标游戏中的游戏状态序列,所述游戏状态序列包括所述目标游戏中经历的多个动作决策时刻分别对应的游戏状态;
模拟操作运行子模块,用于根据所述游戏状态序列在所述仿真环境中运行多次蒙特卡洛模拟操作,每次所述蒙特卡洛模拟操作用于模拟一个虚拟玩家在每个所述动作决策时刻,根据所述动作决策时刻对应的游戏状态作出随机动作决策;
其中,虚拟指标获取模块330用于:根据每次所述蒙特卡洛模拟操作中的所述随机动作决策获得与所述目标兴趣参数对应的虚拟表现指标,得到多个虚拟表现指标。
可选的,模拟操作运行子模块包括:
游戏状态确定单元,用于在所述仿真环境中运行每次蒙特卡洛模拟操作时,在每个所述动作决策时刻,根据所述游戏状态序列确定所述动作决策时刻对应的游戏状态;
决策策略确定单元,用于确定所述游戏状态对应的动作决策策略,所述动作决策策略包括所述游戏状态对应的动作集合以及从所述动作集合中选择每个动作的概率;
随机动作决策单元,用于根据所述选择每个动作的概率,从所述动作集合中随机选择动作,并将选择的动作作为本次蒙特卡洛模拟操作所模拟的虚拟玩家在所述动作决策时刻的所述随机动作决策。
可选的,虚拟指标获取模块330包括:
虚拟指标获得单元,用于根据每次所述蒙特卡洛模拟操作中的所述随机动作决策获得与所述目标兴趣参数对应的虚拟表现指标;
虚拟指标排序单元,用于将多次所述蒙特卡洛模拟操作得到的所有虚拟表现指标进行排序,得到表现指标序列;
虚拟指标确定单元,用于从所述表现指标序列中确定多个百分位数,作为所述多个虚拟表现指标。
可选的,虚拟指标确定单元用于:
在[1,m]范围内依次取整数i,m不大于10;
从所述表现指标序列中获取第10*i百分位数,得到m个百分位数,并将所述m个百分位数作为所述多个虚拟表现指标。
可选的,该装置300还包括:
根据所述目标游戏中的各实体、各实体的属性值、实体间的互动关系以及决策结算规则,创建反映所述目标游戏的游戏运行机制的仿真环境;
其中,所述实体包括所述目标游戏中的非玩家角色、玩家角色以及所述玩家角色可操控的虚拟物品,所述决策结算规则用于在所述蒙特卡洛模拟操作中,根据所述蒙特卡洛模拟操作中的随机动作决策,提供包含所述目标兴趣参数的数据。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
本公开实施例还提供一种计算机可读介质,其上存储有计算机程序,该程序被处理装置执行时实现上述数据处理方法的步骤。
本公开实施例还提供一种电子设备,包括:
存储装置,其上存储有计算机程序;
处理装置,用于执行所述存储装置中的所述计算机程序,以实现上述数据处理方法的步骤。
下面参考图6,其示出了适于用来实现本公开实施例的电子设备500的结构示意图。本公开实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图6示出的电子设备仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图6所示,电子设备500可以包括处理装置(例如中央处理器、图形处理器等)501,其可以根据存储在只读存储器(ROM)502中的程序或者从存储装置508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中,还存储有电子设备500操作所需的各种程序和数据。处理装置501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
通常,以下装置可以连接至I/O接口505:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置506;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置507;包括例如磁带、硬盘等的存储装置508;以及通信装置509。通信装置509可以允许电子设备500与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备500,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在非暂态计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信装置509从网络上被下载和安装,或者从存储装置508被安装,或者从ROM 502被安装。在该计算机程序被处理装置501执行时,执行本公开实施例的方法中限定的上述功能。
需要说明的是,本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
在一些实施方式中,可以利用诸如HTTP(HyperText Transfer Protocol,超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信,并且可以与任意形式或介质的数字数据通信(例如,通信网络)互连。通信网络的示例包括局域网(“LAN”),广域网(“WAN”),网际网(例如,互联网)以及端对端网络(例如,ad hoc端对端网络),以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:获取目标游戏中与目标兴趣参数对应的玩家表现指标;在所述目标游戏的仿真环境中,对包含所述目标兴趣参数的游戏过程执行蒙特卡洛模拟操作;获取根据所述蒙特卡洛模拟操作得到的多个虚拟玩家与所述目标兴趣参数对应的虚拟表现指标;基于所述玩家表现指标和多个所述虚拟表现指标,确定与所述目标兴趣参数对应的排名列表。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码,上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言——诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的模块可以通过软件的方式实现,也可以通过硬件的方式来实现。其中,模块的名称在某种情况下并不构成对该模块本身的限定。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
根据本公开的一个或多个实施例,示例1提供了一种数据处理方法,包括:
获取目标游戏中与目标兴趣参数对应的玩家表现指标;
在所述目标游戏的仿真环境中,对包含所述目标兴趣参数的游戏过程执行蒙特卡洛模拟操作;
获取根据所述蒙特卡洛模拟操作得到的多个虚拟玩家与所述目标兴趣参数对应的虚拟表现指标;
基于所述玩家表现指标和多个所述虚拟表现指标,确定与所述目标兴趣参数对应的排名列表。
根据本公开的一个或多个实施例,示例2提供了示例1的方法,所述在所述目标游戏的仿真环境中,对包含所述目标兴趣参数的游戏过程执行蒙特卡洛模拟操作,包括:
获取所述目标游戏中的游戏状态序列,所述游戏状态序列包括所述目标游戏中经历的多个动作决策时刻分别对应的游戏状态;
根据所述游戏状态序列在所述仿真环境中运行多次蒙特卡洛模拟操作,每次所述蒙特卡洛模拟操作用于模拟一个虚拟玩家在每个所述动作决策时刻,根据所述动作决策时刻对应的游戏状态作出随机动作决策;
所述获取根据所述蒙特卡洛模拟操作得到的多个虚拟玩家与所述目标兴趣参数对应的虚拟表现指标,包括:
根据每次所述蒙特卡洛模拟操作中的所述随机动作决策获得与所述目标兴趣参数对应的虚拟表现指标,得到多个虚拟表现指标。
根据本公开的一个或多个实施例,示例3提供了示例2的方法,所述根据所述游戏状态序列在所述仿真环境中运行多次蒙特卡洛模拟操作,包括:
在所述仿真环境中运行每次蒙特卡洛模拟操作时,在每个所述动作决策时刻,根据所述游戏状态序列确定所述动作决策时刻对应的游戏状态;
确定所述游戏状态对应的动作决策策略,所述动作决策策略包括所述游戏状态对应的动作集合以及从所述动作集合中选择每个动作的概率;
根据所述选择每个动作的概率,从所述动作集合中随机选择动作,并将选择的动作作为本次蒙特卡洛模拟操作所模拟的虚拟玩家在所述动作决策时刻的所述随机动作决策。
根据本公开的一个或多个实施例,示例4提供了示例2的方法,所述根据每次所述蒙特卡洛模拟操作中的所述随机动作决策获得与所述目标兴趣参数对应的虚拟表现指标,得到多个虚拟表现指标,包括:
根据每次所述蒙特卡洛模拟操作中的所述随机动作决策获得与所述目标兴趣参数对应的虚拟表现指标;
将多次所述蒙特卡洛模拟操作得到的所有虚拟表现指标进行排序,得到表现指标序列;
从所述表现指标序列中确定多个百分位数,作为所述多个虚拟表现指标。
根据本公开的一个或多个实施例,示例5提供了示例4的方法,所述从所述表现指标序列中确定多个百分位数,作为所述多个虚拟表现指标,包括:
在[1,m]范围内依次取整数i,m不大于10;
从所述表现指标序列中获取第10*i百分位数,得到m个百分位数,并将所述m个百分位数作为所述多个虚拟表现指标。
根据本公开的一个或多个实施例,示例6提供了示例2-5中任一示例的方法,在对包含所述目标兴趣参数的游戏过程执行蒙特卡洛模拟操作之前,所述方法还包括:
根据所述目标游戏中的各实体、各实体的属性值、实体间的互动关系以及决策结算规则,创建反映所述目标游戏的游戏运行机制的仿真环境;
其中,所述实体包括所述目标游戏中的非玩家角色、玩家角色以及所述玩家角色可操控的虚拟物品,所述决策结算规则用于在所述蒙特卡洛模拟操作中,根据所述蒙特卡洛模拟操作中的随机动作决策,提供包含所述目标兴趣参数的数据。
根据本公开的一个或多个实施例,示例7提供了一种数据处理装置,包括:
玩家指标获取模块,用于获取目标游戏中与目标兴趣参数对应的玩家表现指标;
模拟操作运行模块,用于在所述目标游戏的仿真环境中,对包含所述目标兴趣参数的游戏过程执行蒙特卡洛模拟操作;
虚拟指标获取模块,用于获取根据所述蒙特卡洛模拟操作得到的多个虚拟玩家与所述目标兴趣参数对应的虚拟表现指标;
列表排名模块,用于基于所述玩家表现指标和多个所述虚拟表现指标,确定与所述目标兴趣参数对应的排名列表。
根据本公开的一个或多个实施例,示例8提供了示例7的装置,所述模拟操作运行模块包括:
状态序列获取子模块,用于获取所述目标游戏中的游戏状态序列,所述游戏状态序列包括所述目标游戏中经历的多个动作决策时刻分别对应的游戏状态;
模拟操作运行子模块,用于根据所述游戏状态序列在所述仿真环境中运行多次蒙特卡洛模拟操作,每次所述蒙特卡洛模拟操作用于模拟一个虚拟玩家在每个所述动作决策时刻,根据所述动作决策时刻对应的游戏状态作出随机动作决策;
其中,所述虚拟指标获取模块用于:根据每次所述蒙特卡洛模拟操作中的所述随机动作决策获得与所述目标兴趣参数对应的虚拟表现指标,得到多个虚拟表现指标。
根据本公开的一个或多个实施例,示例9提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理装置执行时实现示例1-6中任一示例所述方法的步骤。
根据本公开的一个或多个实施例,示例10提供了一种电子设备,包括:
存储装置,其上存储有一个或多个计算机程序;
一个或多个处理装置,用于执行所述存储装置中的所述一个或多个计算机程序,以实现示例1-6中任一示例所述方法的步骤。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开中所涉及的公开范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述公开构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
此外,虽然采用特定次序描绘了各操作,但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下,多任务和并行处理可能是有利的。同样地,虽然在上面论述中包含了若干具体实现细节,但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地,在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题,但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反,上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。