CN114870403A - 一种游戏中的对战匹配方法、装置、设备及存储介质 - Google Patents

Abstract

本申请提供了一种游戏中的对战匹配方法、装置、设备及存储介质，具体包括：获取用于游戏对战匹配的通用配置样例表；在目标游戏的游戏配置需求下，响应针对目标匹配业务逻辑的参数配置操作，对通用配置样例表中的目标配置参数信息进行配置，得到专用游戏配置表；响应针对目标游戏的游戏匹配请求，按照专用游戏配置表对游戏匹配请求中的多名待匹配玩家进行对战匹配，确定每名待匹配玩家对应的对战匹配结果。这样，本申请可以将定制化程度较高的复杂匹配逻辑进行标准化和通用化的处理，减少匹配系统的迁移和开发成本，使得游戏开发者无需实现复杂的匹配逻辑，只需通过简单的配置即可实现不同游戏下的对战匹配需求。

Description

一种游戏中的对战匹配方法、装置、设备及存储介质

技术领域

本申请涉及游戏技术领域，具体而言，涉及一种游戏中的对战匹配方法、装置、设备及存储介质。

背景技术

游戏中的对战匹配是指游戏系统将待比赛玩家群体组队在一起进行比赛的过程，在SPG(体育竞技游戏)、MOBA(多人联机在线竞技游戏)、MMORPG(大型多人在线角色扮演游戏)中均存在大量的对战场景，在这些对战场景中，系统需要对战斗双方的玩家进行匹配，分别组成一定人数的游戏阵营，并让游戏阵营之间进行比赛。

目前，现有的对战匹配方案一般是在单一的特定游戏框架下针对自身游戏玩法特点进行的定制化规则匹配方案。这里，现有的对战匹配方案一方面：由于定制化程度高，没有做到通用化和标准化，从而导致匹配系统无法复用，迁移和开发成本高；另一方面：由于定制化的规则往往复杂度较高，因此，开发效率较低，有些游戏场景下的匹配规则都难以通过逻辑代码实现，匹配规则的实现效果难以保证。

发明内容

有鉴于此，本申请的目的在于提供一种游戏中的对战匹配方法、装置、设备及存储介质，以将定制化程度较高的复杂匹配逻辑进行标准化和通用化的处理，减少匹配系统的迁移和开发成本，使得游戏开发者无需实现复杂的匹配逻辑，只需通过简单的配置即可实现不同游戏下的对战匹配需求。

第一方面，本申请实施例提供了一种游戏中的对战匹配方法，所述对战匹配方法包括：

获取用于游戏对战匹配的通用配置样例表；其中，所述通用配置样例表包括用于实现不同匹配业务逻辑的配置参数信息；

在目标游戏的游戏配置需求下，响应针对目标匹配业务逻辑的参数配置操作，对所述通用配置样例表中的目标配置参数信息进行配置，得到符合所述游戏配置需求的专用游戏配置表；其中，所述目标配置参数信息表征用于实现所述目标匹配业务逻辑的配置参数信息；

响应针对所述目标游戏的游戏匹配请求，按照所述专用游戏配置表对所述游戏匹配请求中的多名待匹配玩家进行对战匹配，确定每名待匹配玩家对应的对战匹配结果；其中，所述对战匹配结果中至少包括：与该名待匹配玩家的玩家配置信息相匹配的目标游戏对局以及在该目标游戏对局下不同游戏阵营的玩家组成信息。

在一种可选的实施方式中，所述配置参数信息包括：第一配置参数信息、第二配置参数信息以及第三配置参数信息；其中，所述第一配置参数信息用于约束同一游戏对局下游戏阵营的阵营信息配置；所述第二配置参数信息用于约束能够在同一游戏对局下进行游戏的玩家信息配置；所述第三配置参数信息用于约束同一游戏对局下，基于确定的游戏阵营和玩家的游戏对战匹配规则。

在一种可选的实施方式中，所述按照所述专用游戏配置表对所述游戏匹配请求中的多名待匹配玩家进行对战匹配，包括：

按照所述专用游戏配置表中记载的第二配置参数信息，对所述游戏匹配请求中的多名待匹配玩家进行分组，得到多组玩家匹配池；

针对每组玩家匹配池，从所述目标游戏下包括的多种不同游戏模式的游戏对局中，确定与该组玩家匹配池表征的目标游戏模式相匹配的第一游戏对局；其中，所述目标游戏模式根据该组玩家匹配池中各待匹配玩家的玩家配置信息确定；

根据所述专用游戏配置表中记载的第一配置参数信息以及第三配置参数信息，对该组玩家匹配池内的待匹配玩家进行划分，得到每一所述第一游戏对局下的最终玩家组成方案。

在一种可选的实施方式中，所述根据所述专用游戏配置表中记载的第一配置参数信息以及第三配置参数信息，对该组玩家匹配池内的待匹配玩家进行划分，得到每一所述第一游戏对局下的玩家组成信息，包括：

针对该组玩家匹配池内包括的多名待匹配玩家，以所述专用游戏配置表中记载的第一配置参数信息以及第三配置参数信息作为约束条件，对该组玩家匹配池内的待匹配玩家进行规划，得到符合所述约束条件的多组玩家划分方案；其中，每组所述玩家划分方案用于表征同一所述第一游戏对局下的一组玩家组成方案；

从所述游戏配置需求中，获取与所述第一游戏对局相匹配的多个第一优化目标；

从所述多组玩家划分方案中，确定所述多个第一优化目标的加权求和结果最高的玩家划分方案，作为同一所述第一游戏对局下的最终玩家组成方案。

在一种可选的实施方式中，在所述得到每一所述第一游戏对局下的最终玩家组成方案之后，所述对战匹配方法还包括：

针对每一所述最终玩家组成方案，以所述专用游戏配置表中记载的第一配置参数信息以及第三配置参数信息作为约束条件，以该最终玩家组成方案内的所有参赛玩家能够按照目标游戏阵营数量进行均匀分组作为规划目标，对该最终玩家组成方案内的所有参赛玩家进行规划，得到符合所述约束条件以及所述规划目标的多组阵营划分方案；其中，所述目标游戏阵营数量根据所述专用游戏配置表中记载的第一配置参数信息确定；每组阵营划分方案用于表征所有参赛玩家在所述第一游戏对局下的一组游戏阵营划分方案；

从所述游戏配置需求中，获取与所述目标游戏对局相匹配的多个第二优化目标；

从所述多组阵营划分方案中，确定所述多个第二优化目标的加权求和结果最高的阵营划分方案作为同一所述第一游戏对局下的最终阵营划分方案。

在一种可选的实施方式中，在所述得到符合所述约束条件以及所述规划目标的多组阵营划分方案之后，所述对战匹配方法还包括：

将该最终玩家组成方案内的所有参赛玩家的玩家特征信息输入至预先训练好的在线匹配模型中，通过所述在线匹配模型从所述多组阵营划分方案中，输出在目标优化维度下表现最优的阵营划分方案作为同一所述第一游戏对局下的最终阵营划分方案；其中，所述玩家特征信息包括：玩家关系特征和/或角色属性特征；所述玩家关系特征用于表征不同参赛玩家之间的熟悉程度；所述角色属性特征用于表征不同参赛玩家使用的不同游戏角色之间的属性相生/相克特征；所述目标优化维度根据所述在线匹配模型的模型训练需求确定。

在一种可选的实施方式中，所述在线匹配模型至少包括以下三层神经网络：队伍表征层、队伍比较层以及预测输出层，所述通过所述在线匹配模型从所述多组阵营划分方案中，输出在目标优化维度下表现最优的阵营划分方案作为同一所述第一游戏对局下的最终阵营划分方案，包括：

将该最终玩家组成方案内的所有参赛玩家的玩家特征信息输入至所述队伍表征层中，通过所述队伍表征层输出每组阵营划分方案对应的队伍表征向量；其中，每一所述队伍表征向量用于表征每一游戏阵营内不同参赛玩家之间的相互影响关系；

将每组阵营划分方案对应的所述队伍表征向量输入至所述队伍比较层中，通过所述队伍比较层输出每组阵营划分方案对应的阵营表征向量；其中，每一所述阵营表征向量用于表征两个不同游戏阵营之间的相互影响关系；

将每组阵营划分方案对应的所述阵营表征向量以及所述队伍表征向量输入至所述预测输出层中，通过所述预测输出层输出在所述目标优化维度下表现最优的阵营划分方案作为同一所述第一游戏对局下的最终阵营划分方案。

在一种可选的实施方式中，所述通过所述在线匹配模型从所述多组阵营划分方案中，输出在目标优化维度下表现最优的阵营划分方案作为同一所述第一游戏对局下的最终阵营划分方案，包括：

当所述目标优化维度为对战胜率时，通过所述在线匹配模型对每组阵营划分方案中对战双方游戏阵营各自的对战胜率进行预测，以从所述多组阵营划分方案中，输出所述对战双方游戏阵营各自的对战胜率最接近的阵营划分方案作为所述最终阵营划分方案；

当所述目标优化维度为游戏参与度时，通过所述在线匹配模型对每组阵营划分方案中的每一所述参赛玩家针对所述第一游戏对局的目标游戏参与度进行预测，以从所述多组阵营划分方案中，输出所述目标游戏参与度最高的阵营划分方案作为所述最终阵营划分方案；其中，所述目标游戏参与度用于表征所述参赛玩家在所述第一游戏对局结束之后的第一预测周期内持续参与所述第一游戏对局的概率；

当所述目标优化维度为游戏流失率时，通过所述在线匹配模型对每组阵营划分方案中的每一所述参赛玩家针对所述第一游戏对局的目标游戏流失率进行预测，以从所述多组阵营划分方案中，输出所述目标游戏流失率最低的阵营划分方案作为所述最终阵营划分方案；其中，所述目标游戏流失率用于表征所述参赛玩家在所述第一游戏对局结束之后的第二预测周期内持续不参与所述第一游戏对局的概率。

在一种可选的实施方式中，所述对战匹配方法，还包括：

响应每一所述第一游戏对局的结束，按照预先设置的游戏数据列表，从结束的该第一游戏对局的全场游戏数据中，提取与所述游戏数据列表中的各项游戏参数相匹配的游戏信息，并利用提取的所述游戏信息对所述游戏数据列表进行填充，得到该第一游戏对局对应的训练样本数据；

按照预先设置的玩家画像特征处理策略，对所述训练样本数据中的玩家信息进行特征处理，得到与所述玩家特征信息相匹配的训练玩家特征信息；

将所述训练玩家特征信息输入至离线匹配模型中，以学习该第一游戏对局下的所有参赛玩家在所述目标优化维度下表现最优的阵营划分方案为目标，对所述离线匹配模型进行训练，得到训练好的离线匹配模型。

在一种可选的实施方式中，在得到所述训练好的离线匹配模型之后，所述对战匹配方法还包括：

在同一测试数据集上，分别获取所述在线匹配模型以及所述离线匹配模型针对所述测试数据集的模型测试结果，得到所述在线匹配模型输出的在线模型测试结果以及所述离线匹配模型输出的离线模型测试结果；

从模型评价指标库中，获取与所述目标优化维度相匹配的至少一个模型评价指标；

当检测到所述离线模型测试结果在所述模型评价指标下的表现优于所述在线模型测试结果时，将所述在线匹配模型替换为所述离线匹配模型。

第二方面，本申请实施例提供了一种游戏中的对战匹配装置，所述对战匹配装置包括：

获取模块，用于获取用于游戏对战匹配的通用配置样例表；其中，所述通用配置样例表包括用于实现不同匹配业务逻辑的配置参数信息；

配置模块，用于在目标游戏的游戏配置需求下，响应针对目标匹配业务逻辑的参数配置操作，对所述通用配置样例表中的目标配置参数信息进行配置，得到符合所述游戏配置需求的专用游戏配置表；其中，所述目标配置参数信息表征用于实现所述目标匹配业务逻辑的配置参数信息；

匹配模块，用于响应针对所述目标游戏的游戏匹配请求，按照所述专用游戏配置表对所述游戏匹配请求中的多名待匹配玩家进行对战匹配，确定每名待匹配玩家对应的对战匹配结果；其中，所述对战匹配结果中至少包括：与该名待匹配玩家的玩家配置信息相匹配的目标游戏对局以及在该目标游戏对局下不同游戏阵营的玩家组成信息。

第三方面，本申请实施例提供了一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述游戏中的对战匹配方法的步骤。

第四方面，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上存储有计算机程序，所述计算机程序被处理器运行时执行上述游戏中的对战匹配方法的步骤。

本申请的实施例提供的技术方案可以包括以下有益效果：

本申请实施例提供了一种游戏中的对战匹配方法、装置、设备及存储介质，通过获取用于游戏对战匹配的通用配置样例表；在目标游戏的游戏配置需求下，响应针对目标匹配业务逻辑的参数配置操作，对通用配置样例表中的目标配置参数信息进行配置，得到符合游戏配置需求的专用游戏配置表；响应针对目标游戏的游戏匹配请求，按照专用游戏配置表对游戏匹配请求中的多名待匹配玩家进行对战匹配，确定每名待匹配玩家对应的对战匹配结果。

通过这种方式，本申请可以将定制化程度较高的复杂匹配逻辑进行标准化和通用化的处理，减少匹配系统的迁移和开发成本，使得游戏开发者无需实现复杂的匹配逻辑，只需通过简单的配置即可实现不同游戏下的对战匹配需求。

为使本申请的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1示出了本申请实施例所提供的一种游戏中的对战匹配方法的流程示意图；

图2示出了本申请实施例所提供的一种按照专用游戏配置表对当前游戏匹配请求中的多名待匹配玩家进行对战匹配的方法的流程示意图；

图3示出了本申请实施例所提供的一种通过整数规划的方式，来对同组玩家匹配池内的待匹配玩家进行玩家划分的方法的流程示意图；

图4示出了本申请实施例所提供的一种通过整数规划的方式，来对最终玩家组成方案内的所有参赛玩家进行游戏阵营划分的方法的流程示意图；

图5a示出了本申请实施例所提供的一种基于训练好的在线匹配模型，来对最终玩家组成方案中的所有参赛玩家重新进行游戏阵营划分的方法的流程示意图；

图5b示出了本申请实施例所提供的一种玩家特征信息中的协同关系图；

图5c示出了本申请实施例所提供的一种玩家特征信息中的压制关系图；

图6示出了本申请实施例所提供的一种在线匹配模型进行输出结果预测的方法的流程示意图；

图7示出了本申请实施例所提供的一种在线匹配模型在不同目标优化维度下进行输出结果预测的方法的流程示意图；

图8示出了本申请实施例所提供的一种训练离线匹配模型的方法的流程示意图；

图9示出了本申请实施例所提供的一种离线匹配模型与在线匹配模型之间进行相互替换的方法的流程示意图；

图10示出了本申请实施例所提供的一种游戏中的对战匹配装置的结构示意图；

图11为本申请实施例提供的一种电子设备1100的结构示意图。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，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，应当理解，本申请中附图仅起到说明和描述的目的，并不用于限定本申请的保护范围。另外，应当理解，示意性的附图并未按实物比例绘制。本申请中使用的流程图示出了根据本申请的一些实施例实现的操作。应该理解，流程图的操作可以不按顺序实现，没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外，本领域技术人员在本申请内容的指引下，可以向流程图添加一个或多个其他操作，也可以从流程图中移除一个或多个操作。

另外，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。

需要说明的是，本申请实施例中将会用到术语“包括”，用于指出其后所声明的特征的存在，但并不排除增加其它的特征。

目前，现有的对战匹配方案一般是在单一的特定游戏框架下针对自身游戏玩法特点进行的定制化规则匹配方案。这里，现有的对战匹配方案一方面：由于定制化程度高，没有做到通用化和标准化，从而导致匹配系统无法复用，迁移和开发成本高；另一方面：由于定制化的规则往往复杂度较高，因此，开发效率较低，有些游戏场景下的匹配规则都难以通过逻辑代码实现，匹配规则的实现效果难以保证。

基于此，本申请实施例提供了一种游戏中的对战匹配方法、装置、电子设备及存储介质，通过获取用于游戏对战匹配的通用配置样例表；在目标游戏的游戏配置需求下，响应针对目标匹配业务逻辑的参数配置操作，对通用配置样例表中的目标配置参数信息进行配置，得到符合游戏配置需求的专用游戏配置表；响应针对目标游戏的游戏匹配请求，按照专用游戏配置表对游戏匹配请求中的多名待匹配玩家进行对战匹配，确定每名待匹配玩家对应的对战匹配结果。

通过这种方式，本申请可以将定制化程度较高的复杂匹配逻辑进行标准化和通用化的处理，减少匹配系统的迁移和开发成本，使得游戏开发者无需实现复杂的匹配逻辑，只需通过简单的配置即可实现不同游戏下的对战匹配需求。

在本申请其中一种实施例中的一种游戏中的对战匹配方法可以运行于服务器中。其中，当游戏中的对战匹配方法运行于服务器时，该对战匹配方法则可以基于云交互系统来实现与执行，其中，云交互系统包括服务器和客户端设备(也即终端设备)。

在一可选的实施方式中，云交互系统下可以运行各种云应用，例如：云游戏。以云游戏为例，云游戏是指以云计算为基础的游戏方式。在云游戏的运行模式下，游戏程序的运行主体和游戏画面呈现主体是分离的，游戏中的对战匹配方法的储存与运行是在云游戏服务器上完成的，客户端设备的作用用于数据的接收、发送以及游戏画面的呈现，举例而言，客户端设备可以是靠近用户侧的具有数据传输功能的显示设备，如，移动终端、电视机、计算机、掌上电脑等；但是进行信息处理的终端设备为云端的云游戏服务器。在进行游戏时，玩家操作客户端设备向云游戏服务器发送操作指令，云游戏服务器根据操作指令运行游戏，将游戏画面等数据进行编码压缩，通过网络返回客户端设备，最后，通过客户端设备进行解码并输出游戏画面。

为便于对本实施例进行理解，下面对本申请实施例提供的一种游戏中的对战匹配方法进行详细介绍。

参照图1所示，图1示出了本申请实施例所提供的一种游戏中的对战匹配方法的流程示意图，所述对战匹配方法包括步骤S101-S103；具体的：

S101，获取用于游戏对战匹配的通用配置样例表。

S102，在目标游戏的游戏配置需求下，响应针对目标匹配业务逻辑的参数配置操作，对所述通用配置样例表中的目标配置参数信息进行配置，得到符合所述游戏配置需求的专用游戏配置表。

S103，响应针对所述目标游戏的游戏匹配请求，按照所述专用游戏配置表对所述游戏匹配请求中的多名待匹配玩家进行对战匹配，确定每名待匹配玩家对应的对战匹配结果。

本申请实施例提供的上述游戏中的对战匹配方法，通过获取用于游戏对战匹配的通用配置样例表；在目标游戏的游戏配置需求下，响应针对目标匹配业务逻辑的参数配置操作，对通用配置样例表中的目标配置参数信息进行配置，得到符合游戏配置需求的专用游戏配置表；响应针对目标游戏的游戏匹配请求，按照专用游戏配置表对游戏匹配请求中的多名待匹配玩家进行对战匹配，确定每名待匹配玩家对应的对战匹配结果。

通过这种方式，本申请可以将定制化程度较高的复杂匹配逻辑进行标准化和通用化的处理，减少匹配系统的迁移和开发成本，使得游戏开发者无需实现复杂的匹配逻辑，只需通过简单的配置即可实现不同游戏下的对战匹配需求。

在本申请其中一种实施例中的一种游戏中的对战匹配方法还可以运行于人工智能匹配系统中。其中，人工智能匹配系统至少包括：在线平台和离线平台。

具体的，在线平台主要用于提供实际的线上对战匹配服务，在线平台至少包括以下几个板块：API(Application Programming Interface，应用程序接口)网关板块、匹配池板块、对战模拟以及排序优化板块；离线平台主要进行日志处理、玩家画像计算、AI(Artificial Intelligence，人工智能)模型训练、模型管理、模型部署和推理等工作。

这里，针对API网关板块在本申请实施例中的应用，需要说明的是：为了系统稳定性和快速业务迭代的需要，实现基于网关的流量控制系统以及蓝绿发布流程；在本申请实施例中，在新版本人工智能匹配系统上线前，在生产环境稳定集群之外，作为一可选实施例，可以额外部署一个与稳定集群规模相同的新集群，并通过上述API网关板块进行流量控制，逐步引入流量至新集群至100％，原先稳定集群将与新集群同时保持在线一段时间，期间发生任何异常，可立刻将所有流量切回至原稳定集群，实现快速回滚，直到全部验证成功后，下线老的稳定集群，新集群成为新的稳定集群。

下面以应用于上述人工智能匹配系统为例，对本申请实施例提供的上述游戏中的对战匹配方法中的各步骤分别进行示例性的说明：

S101，获取用于游戏对战匹配的通用配置样例表。

在本申请实施例中，基于“将匹配业务中复杂的匹配业务逻辑整合归纳为多个板块，以得到匹配业务逻辑通用、版本更新时只需适应性修改具体参数的通用游戏对战配置表”这一构思，预先设置并存储能够支持通用游戏匹配业务逻辑的通用配置样例表。

这里，通用配置样例表包括用于实现不同匹配业务逻辑的配置参数信息。

具体的，作为一可选实施例，所述配置参数信息可以包括：第一配置参数信息、第二配置参数信息以及第三配置参数信息；其中，所述第一配置参数信息用于约束同一游戏对局下游戏阵营的阵营信息配置；所述第二配置参数信息用于约束能够在同一游戏对局下进行游戏的玩家信息配置；所述第三配置参数信息用于约束同一游戏对局下，基于确定的游戏阵营和玩家的游戏对战匹配规则。

S102，在目标游戏的游戏配置需求下，响应针对目标匹配业务逻辑的参数配置操作，对所述通用配置样例表中的目标配置参数信息进行配置，得到符合所述游戏配置需求的专用游戏配置表。

首先，需要说明的是，上述参数配置操作既包括用户(即目标游戏的策划者或者管理者)对于已有配置参数信息的修正操作和删除操作，也包括用户基于上述游戏配置需求以及通用配置样例表中关于不同配置参数信息的配置样例，进行的配置参数信息新增操作，对于上述参数配置操作的具体操作类型，本申请实施例不作任何限定。

这里，在底层技术实现上，为了方便游戏策划者后续根据实际游戏需求对上述通用配置样例表进行配置和修改，作为一可选实施例，还可以在上述在线平台中基于Excel表和SVN(subversion，一个开放源代码的版本控制系统)配置来对上述通用配置样例表进行管理。

具体的，在接入一个新增匹配服务(例如为一个目标游戏进行对战匹配服务)时，人工智能匹配系统会为这个目标游戏新建一个SVN仓库，并开通相应的权限；在配置权限开通后，SVN的仓库下会对应创建有一个通用配置样例表，此时，游戏策划者即可根据该目标游戏的游戏配置需求，来对通用配置样例表中的配置参数信息进行配置与修正，以得到符合上述游戏配置需求的专用游戏配置表，从而使得游戏开发者无需实现复杂的匹配逻辑，只需通过简单的配置即可实现不同游戏下的对战匹配需求。

这里，上述目标配置参数信息表征用于实现所述目标匹配业务逻辑的配置参数信息，也即，目标配置参数信息可以是上述步骤S101中以下三种配置参数信息中的任意一种：第一配置参数信息、第二配置参数信息以及第三配置参数信息。

具体的，结合上述步骤S101中通用配置样例表的设计构思内容，在本申请实施例中，当目标游戏需要进行版本更新时，用户只需对旧版本使用的专用游戏配置表进行相关配置参数信息的适应性修改，即可得到待更新版本下目标游戏所需的新版专用游戏配置表。这样，在目标游戏上线后，用户通过修改对应的专用游戏配置表，即可实现对于目标游戏下对战匹配规则的热更新，从而使用户能够对目标游戏下配置的对战匹配服务进行灵活、实时的掌控与管理，提高对于游戏系统服务器的维护与管理效率。在本申请实施例中，人工智能匹配系统中还可以包括一个前端配置中心；游戏策划者在完成对上述通用配置样例表的配置之后，可以在SVN中提交配置好的专用游戏配置表，此时，游戏策划者可以打开上述前端配置中心，即可在前端配置中心的显示界面中看到之前上传的专用游戏配置表。

具体的，在前端配置中心的显示界面中，游戏策划者还可以点击相应配置文件(即专用游戏配置表)的阅读配置，以将配置文件转换成可读的中文格式，从而，方便游戏策划者用于进行二次验证之前的配置操作是否符合目标游戏的游戏配置需求。

这里，在检查没有问题之后，游戏策划者可以点击同步到测试，既可将专用游戏配置表中的所有配置参数信息同步到测试环境的Mysql数据库中。这样，所有配置参数信息就可以在匹配服务的测试环境生效，游戏测试者可以在测试环境中对专用游戏配置表的匹配业务逻辑进行测试，测试通过后可以点击同步到线上，此时，管理人员可以对目前的专用游戏配置表进行审核，审核确认无误之后才会同步到上述在线平台中，使得验证无误的专用游戏配置表能够在匹配服务的线上环境(即在线平台)生效。

S103，响应针对所述目标游戏的游戏匹配请求，按照所述专用游戏配置表对所述游戏匹配请求中的多名待匹配玩家进行对战匹配，确定每名待匹配玩家对应的对战匹配结果。

这里，游戏匹配请求中包括多名请求参与目标游戏的待匹配玩家，其中，作为一种可选实施例，游戏匹配请求的响应操作可以借助于上述人工智能匹配系统中的匹配池板块来实现。

在本申请实施例中，匹配池板块用于连接目标游戏的游戏服务端以及人工智能匹配系统中用于实现匹配服务的在线平台，在目标游戏的游戏服务端和在线平台之间起到承上启下的作用。

这里，匹配池板块具有发起匹配、取消匹配、开场失败重新发起匹配、匹配结果查询相关接口，分别对应添加玩家到匹配池、删除匹配池中对应玩家、开场失败重新添加玩家到匹配池、匹配结果主动存储查询及匹配结果推送的功能。

具体的，在底层技术实现上，通过Redis(Remote Dictionary Server，远程字典服务)实现的匹配池板块，用于存储当前正在等待匹配的所有玩家及玩家对应的属性/状态信息，对匹配池中的所有玩家不停的轮询，将当前匹配池中待匹配的玩家发送给在线平台，并更新当前匹配池中已匹配成功的玩家，以供在线平台在匹配服务中实现实时匹配功能。

在本申请实施例中，在人工智能匹配系统未配备上述匹配池板块的情况下，作为另一可选实施例，还可以通过在线平台与目标游戏的游戏服务端之间的通信连接，直接从目标游戏的游戏服务端中，获取当前请求参与目标游戏的多名待匹配玩家，以对多名待匹配玩家进行匹配服务。

这里，通常情况下一个目标游戏中可以包括多种不同游戏模式的游戏对局，例如，目标游戏可以包括：排位模式(如单排/双排/五排等)的游戏对局、普通模式(如随机匹配等)的游戏对局等不同组队模式的游戏对局；目标游戏还可以包括：游戏难度5颗星的游戏对局a1、游戏难度3颗星的游戏对局b1、新手游戏场的游戏对局c1等不同难度模式的游戏对局。对于目标游戏下不同游戏模式的具体模式类型，本申请实施例不作任何限定。

基于此，在本申请实施例中，上述步骤S103中的对战匹配结果中至少可以包括：与该名待匹配玩家的玩家配置信息相匹配的目标游戏对局以及在该目标游戏对局下不同游戏阵营的玩家组成信息；其中，该目标游戏对局下不同游戏阵营的玩家组成信息既包括与该名待匹配玩家属于同一游戏阵营(也相当于同一游戏队伍)的玩家组成信息，也包括与该名待匹配玩家属于不同游戏阵营(也相当于敌方游戏队伍)的玩家组成信息。

下面针对上述各步骤在本申请实施例中的具体实施过程，分别进行详细说明：

针对上述步骤S103中对战匹配的具体实施过程，如图2所示，图2示出了本申请实施例所提供的一种按照专用游戏配置表对当前游戏匹配请求中的多名待匹配玩家进行对战匹配的方法的流程示意图，其中，所述方法包括步骤S201-S203；具体的：

S201，按照所述专用游戏配置表中记载的第二配置参数信息，对所述游戏匹配请求中的多名待匹配玩家进行分组，得到多组玩家匹配池。

这里，每组玩家匹配池内包括多名玩家配置信息相匹配的待匹配玩家。

具体的，根据步骤S101中第二配置参数信息的表征含义可知，第二配置参数信息用于约束能够在同一游戏对局下进行游戏的玩家信息配置，也即，在目标游戏下，根据第二配置参数信息，能够按照上述玩家配置条件针对多名待匹配玩家进行分组，得到多组玩家匹配池；其中，每组玩家匹配池内的玩家具备同等的参赛权限，也即，只有位于同一玩家匹配池内的玩家才具备在同一游戏对局下进行组队/对战的权限(即具备能够在同一游戏对局下进行游戏的权限)。

需要说明的是，第二配置参数信息可以包括：表征玩家游戏水平的玩家等级标识、表征玩家在目标游戏下参赛权限的属性标识等玩家属性信息，还可以包括：表征目标游戏下不同游戏模式(如排位模式、普通模式等)的游戏模式标识、表征目标游戏下不同地图类型的地图标识等玩家在目标游戏下自定义的设置类信息；对于第二配置参数信息的具体信息内容，本申请实施例并不作任何限定。

S202，针对每组玩家匹配池，从所述目标游戏下包括的多种不同游戏模式的游戏对局中，确定与该组玩家匹配池表征的目标游戏模式相匹配的第一游戏对局。

这里，所述目标游戏模式根据该组玩家匹配池中各待匹配玩家的玩家配置信息确定；具体的，目标游戏下包括的游戏模式的类型可以参考上述步骤S103处的相关解释内容，重复之处不再赘述。

示例性的说明，以目标游戏下包括5种不同游戏模式的游戏对局为例，若玩家匹配池A中的待匹配玩家的游戏水平都位于黄金到铂金(其中，游戏水平最高的段位为铂金以上段位)的游戏段位之间，则可以从目标游戏下包括的5种不同游戏模式的游戏对局中，确定游戏难度第二高的游戏对局a作为与玩家匹配池A相匹配的第一游戏对局。

S203，根据所述专用游戏配置表中记载的第一配置参数信息以及第三配置参数信息，对该组玩家匹配池内的待匹配玩家进行划分，得到每一所述第一游戏对局下的最终玩家组成方案。

具体的，根据步骤S101中第一配置参数信息的表征含义可知，第一配置参数信息用于约束同一游戏对局下游戏阵营的阵营信息配置；例如，第一配置参数信息可以包括：目标游戏下每一个游戏对局中的游戏阵营数量、每个游戏阵营需要的参赛玩家数量等。

基于此，需要说明的是，在步骤S203中，第一配置参数信息用于从该组玩家匹配池中，确定能够参与同一场第一游戏对局的待匹配玩家的数量；例如，若第一配置参数信息中记录有“第一游戏对局表征的是：5v5形式的对战游戏”(相当于第一游戏对局中游戏阵营数量是2个，每个游戏阵营需要的参赛玩家数量为5个)，则可以确定该组玩家匹配池中，能够参与同一场第一游戏对局的待匹配玩家的数量为10个。

具体的，根据步骤S101中第三配置参数信息的表征含义可知，第三配置参数信息用于约束同一游戏对局下，基于确定的游戏阵营和玩家的游戏对战匹配规则，也即，第三配置参数信息用于在根据第一配置参数信息确定游戏阵营的阵营信息配置(如有几个游戏阵营，每个游戏阵营分配多少名玩家等)，以及根据第二配置参数信息确定的同一场游戏对局的具体玩家(如确定了10名能够参与同一场游戏对局的玩家名单)之后，继续对同一场游戏对局下每个游戏阵营的具体玩家组成方式进行限定。

这里，在本申请实施例中，作为一可选实施例，可以将第三配置参数信息抽象为差值规则和比较规则两类；其中，差值规则用于限定两个数值之间的差值范围，比如游戏阵营x1的参赛玩家的平均能力值与游戏阵营x2的参赛玩家的平均能力值差值不能超过预设阈值100；比较规则用于进行逻辑大小判断，比如一场游戏对局中游戏角色属性为“补给型”属性(相当于能够为队友玩家进行生命值补给)的玩家数量不能大于预设阈值3等。

基于此，需要说明的是，在步骤S203中，第三配置参数信息用于在按照第一配置参数信息从该组玩家匹配池中，筛选能够参与同一场第一游戏对局的待匹配玩家时，需要遵循的筛选规则；例如，仍以第一配置参数信息中记录有“第一游戏对局表征的是：5v5形式的对战游戏”为例，则在对该组玩家匹配池内的待匹配玩家进行划分时，第一配置参数信息用于约束上述最终玩家组成方案中包含的参赛玩家总数为10名；第三配置参数信息则用于约束上述最终玩家组成方案中的10名参赛玩家如何进行2个对战游戏阵营的分配。

针对上述步骤S201-S203，需要说明的是，在执行完上述步骤S201-S202之后，已经可以确定出参与同一局游戏对局的参赛玩家总数，此时，为了更加明确同一局游戏对局下参赛玩家的具体玩家名单(即哪些待匹配玩家属于参与同一场第一游戏对局的参赛玩家)，在一种可选的实施方式中，如图3所示，图3示出了本申请实施例所提供的一种通过整数规划的方式，来对同组玩家匹配池内的待匹配玩家进行玩家划分的方法的流程示意图，其中，在执行上述步骤S203时，所述方法包括步骤S301-S303；具体的：

S301，针对该组玩家匹配池内包括的多名待匹配玩家，以所述专用游戏配置表中记载的第一配置参数信息以及第三配置参数信息作为约束条件，对该组玩家匹配池内的待匹配玩家进行规划，得到符合所述约束条件的多组玩家划分方案。

这里，上述每组玩家划分方案用于表征同一所述第一游戏对局下的一组玩家组成方案，也即，每组玩家划分方案对应同一局第一游戏对局下参赛玩家的具体玩家名单。

这里，上述规划属于整数规划，也即，规划中的变量(即待匹配玩家数量)限制为整数的规划方式。

具体的，在步骤S301中，仍以第一配置参数信息中记录有“第一游戏对局表征的是：5v5形式的对战游戏”为例，若当前玩家匹配池x中包括100名待匹配玩家，则在对该组玩家匹配池x内的待匹配玩家进行整数规划时，第一配置参数信息用于约束每组玩家划分方案中包括的参赛玩家总数为10人，此时，针对一场第一游戏对局，共有

种玩家划分方案，此时，按照第三配置参数信息，对

种玩家划分方案中符合第三配置参数信息的玩家划分方案进行筛选，若得到符合第三配置参数信息的玩家划分方案有15组，则可以确定通过整数规划的方式，得到符合所有约束条件的玩家划分方案有15组。

S302，从所述游戏配置需求中，获取与所述第一游戏对局相匹配的多个第一优化目标。

这里，第一优化目标可以是匹配成功玩家的等待时间，此时，在整数规划中，第一优化目标用于表征优化每名待匹配玩家匹配成功所需要的等待时间；第一优化目标还可以是玩家的游戏水平，此时，在整数规划中，第一优化目标用于表征期望将游戏水平位于相同段位的玩家匹配为同局进行游戏的参赛玩家，以优化同局游戏的对战公平程度；对于第一优化目标的具体目标类型，本申请实施例不作任何限定。

S303，从所述多组玩家划分方案中，确定所述多个第一优化目标的加权求和结果最高的玩家划分方案，作为同一所述第一游戏对局下的最终玩家组成方案。

这里，在定义好所有约束条件和整数规划的第一优化目标之后，作为一可选实施例，通过谷歌开源的Ortools求解器，即可对上述步骤S301-S303中的整数规划问题进行求解。

此时，求解器会得到每个决策变量的值，将决策变量为1的相应的玩家匹配放入相应的玩家划分方案中，得到多个符合约束条件(相当于符合专有游戏配置表)的可行解，每一个可行解对应表示一组符合所述约束条件的玩家划分方案(即一种同一第一游戏对局下可行的玩家组成方案)；此时，求解器只需从得到的多个可行解中，输出多个第一优化目标的加权求和结果最高的目标可行解，即可得到在多个第一优化目标下综合表现最优的玩家划分方案，并将该目标可行解作为同一所述第一游戏对局下的最终玩家组成方案。

需要说明的是，在本申请实施例中，当游戏策划者根据上述步骤S101-S102的内容完成对通用配置样例表的专有化配置之后，上述这些约束的添加和计算过程都可以通过人工智能匹配系统中的框架自动实现的；同时当游戏策划者通过前端配置中心对上述专有游戏配置表进行二次修改并上传修改后的配置文件之后，修改的配置文件可以实时生效，并立即在后续匹配步骤中产生作用。这样，无需实现复杂的匹配规则，即可同时灵活的修改配置实现配置的热更新，使得开发和接入成本大大降低，整数规划中通过带有优化目标的搜索也使得对战匹配效果得到了极大的保证。

针对上述步骤S301-S303，需要说明的是，在执行完上述步骤S301-S303之后，已经可以确定哪些待匹配玩家可以参与同一场第一游戏对局(即确定出每一局第一游戏对局下的最终玩家组成方案)，此时，为了更加明确最终玩家组成方案中不同游戏阵营之间的具体成员组成(即哪些玩家属于同一游戏阵营)，在一种可选的实施方式中，如图4所示，图4示出了本申请实施例所提供的一种通过整数规划的方式，来对最终玩家组成方案内的所有参赛玩家进行游戏阵营划分的方法的流程示意图，其中，在执行完上述步骤S303之后，所述方法包括步骤S401-S403；具体的：

S401，针对每一所述最终玩家组成方案，以所述专用游戏配置表中记载的第一配置参数信息以及第三配置参数信息作为约束条件，以该最终玩家组成方案内的所有参赛玩家能够按照目标游戏阵营数量进行均匀分组作为规划目标，对该最终玩家组成方案内的所有参赛玩家进行规划，得到符合所述约束条件以及所述规划目标的多组阵营划分方案。

这里，所述目标游戏阵营数量根据所述专用游戏配置表中记载的第一配置参数信息确定；每组阵营划分方案用于表征所有参赛玩家在所述第一游戏对局下的一组游戏阵营划分方案。

具体的，与上述步骤S301中的规划方式相似，步骤S401中规划的变量为最终玩家组成方案内的所有参赛玩家，此时，步骤S401中的具体规划方式同样属于整数规划。

S402，从所述游戏配置需求中，获取与所述目标游戏对局相匹配的多个第二优化目标。

这里，步骤S402中的第二优化目标的获取方式与上述步骤S302中的获取第一优化目标的方法相同，重复之处在此不再赘述。

需要说明的是，第二优化目标可以与第一优化目标相同，也可以与第一优化目标不同，本申请实施例，对此不作任何限定。

S403，从所述多组阵营划分方案中，确定所述多个第二优化目标的加权求和结果最高的阵营划分方案，作为同一所述第一游戏对局下的最终阵营划分方案。

具体的，针对上述步骤S401-S403，以专用游戏配置表中记载的第一配置参数信息中定义了第一游戏对局中包括两个游戏阵营A、B为例；若当前最终玩家组成方案中有n个参赛玩家，则可以按照以下公式将玩家的阵营划分问题转换为整数规划问题：

这里，首先可以定义阵营划分决策中决策标量为：

其中，i代表当前最终玩家组成方案中的第i个参赛玩家，i的取值范围为：1、2、3…n；

j代表第一游戏对局中的第j个游戏阵营，j的取值范围与之前第一配置参数信息中定义的“第一游戏对局中包括两个游戏阵营A、B”保持一致，也即，j的取值范围为：游戏阵营A或者游戏阵营B。

在得到上述阵营划分决策之后，就可以将玩家的阵营划分问题转换为以下的整数规划问题，具体的：

其中，公式1表示整数规划中的加权优化目标，u_i表示第i个第二优化目标(根据上述步骤S402确定)，w_i表示第i个第二优化目标的权重；例如，以目标游戏是MMORPG游戏为例，则第二优化目标可以是MMORPG游戏中常用的两个对战游戏阵营中参赛玩家的装评之和的差值；此时，在整数规划中，希望两个对战游戏阵营中参赛玩家的装评差距越小越好；除此之外，第二优化目标还可以包括：匹配成功玩家的等待时间，此时，在整数规划中，希望等待时间久的待匹配玩家优先被匹配成功。

其中，公式2和公式3用来约束每个游戏阵营的最大人数为N，最小人数为M，其中N和M与专用游戏配置表中记载的第一配置参数信息内的最大最小人数保持一致。

其中，公式4约束每个待匹配玩家只能分配到一个游戏阵营中，公式5约束每个玩家只有分配和不分配两种决策，即本申请实施例是0、1整数规划问题；这里，公式4与公式5可以是整数规划自带的约束条件也可以是从第三配置参数信息中获取的约束条件，对此，本申请实施例不再进行限定。

除了上述所示的约束公式之外，通过读取Mysql数据库中保存的匹配约束配置(相当于第三配置参数信息)，即可在上述所示的约束公式的基础上，自动添加符合目标游戏的游戏配置需求的专有约束条件。

基于此，在定义好所有约束条件和整数规划的第二优化目标之后，通过谷歌开源的Ortools求解器，即可对上述步骤S401-S403中的整数规划问题进行求解。此时，求解器会得到每个决策变量的值，将决策变量为1的相应的玩家匹配放入相应的游戏阵营中，得到多个符合约束条件(相当于符合专有游戏配置表)的可行解，每一个可行解对应表示一组符合所述约束条件的阵营划分方案(即所有参赛玩家在第一游戏对局下的一组可行游戏阵营划分方案)；此时，求解器只需从得到的多个可行解中，输出多个第二优化目标的加权求和结果最高的目标可行解，即可得到在多个第二优化目标下综合表现最优的阵营划分方案，并将该目标可行解作为同一所述第一游戏对局下的最终阵营划分方案。

基于上述步骤S301-S303以及上述步骤S401-S403的实施，人工智能匹配系统的在线平台已经能够得到每名待匹配玩家的对战匹配结果，通常情况下，此时得到的对战匹配结果已经能够满足目标游戏的游戏配置需求，是可以直接发送给目标游戏的服务端，以令目标游戏的服务端按照接收到的对战匹配结进行不同游戏对局的开场的。

在此基础上，出于进一步优化/验证对战匹配的匹配效果的需求，在一种可选的实施方式中，如图5a所示，图5a示出了本申请实施例所提供的一种基于训练好的在线匹配模型，来对最终玩家组成方案中的所有参赛玩家重新进行游戏阵营划分的方法的流程示意图，其中，在执行上述步骤S403之后，所述方法包括步骤S501；具体的：

S501，将该最终玩家组成方案内的所有参赛玩家的玩家特征信息输入至预先训练好的在线匹配模型中，通过所述在线匹配模型从所述多组阵营划分方案中，输出在目标优化维度下表现最优的阵营划分方案作为同一所述第一游戏对局下的最终阵营划分方案。

这里，需要说明的是，除现有技术中常用的玩家个人长短时画像特征之外，在本申请实施例中，上述玩家特征信息还可以包括：玩家关系特征和/或角色属性特征；其中，所述玩家关系特征用于表征不同参赛玩家之间的熟悉程度，例如玩家组队、好友等关系特征等；所述角色属性特征用于表征不同参赛玩家使用的不同游戏角色之间的属性相生/相克特征，例如每个玩家使用游戏角色之间的协同(即属性相生)和克制(即属性相克)关系特征。

具体的，在底层技术实现上，针对不同游戏角色之间的协同关系特征，作为一可选实施例，可以构建如图5b所示的协同关系图，图5b为一个无向图，其中，图5b中的每一个节点(即圆形节点)表示目标游戏中的一个游戏角色，节点和节点之间的连线则表示这两个游戏角色在过去一段时间内共同胜利或者共同失败的游戏对局场次数目；其中，共同胜利以及共同失败分别使用不同的颜色的连线进行标记区分(其中，图5b为灰度图，因此不同颜色的连线在图5b中显示出颜色深浅不一的灰色连线)。

具体的，在底层技术实现上，针对不同游戏角色之间的克制关系特征，作为一可选实施例，可以构建如图5c所示的压制关系图，图5c为一个有向图，其中，图5c中的每一个节点(即圆形节点)同样用于表示目标游戏中的一个游戏角色，比如图5c中的53节点指向43节点的带有指向箭头的线段可以用于表示游戏角色a(即53节点表征的游戏角色)战胜游戏角色b(即43节点表征的游戏角色)的游戏对局场次数目。

具体的，作为一可选实施例，从模型结构的角度来看，在线匹配模型至少包括以下三层神经网络：队伍表征层、队伍比较层以及预测输出层；此时，如图6所示，图6示出了本申请实施例所提供的一种在线匹配模型进行输出结果预测的方法的流程示意图，其中，在执行上述步骤S501时，所述方法包括步骤S601-S603；具体的：

S601，将该最终玩家组成方案内的所有参赛玩家的玩家特征信息输入至所述队伍表征层中，通过所述队伍表征层输出每组阵营划分方案对应的队伍表征向量。

这里，每一个队伍表征向量用于表征每一游戏阵营内不同参赛玩家之间的相互影响关系，也即，针对每组阵营划分方案而言，队伍表征向量的数量与第一游戏对局中游戏阵营的阵营数量(即步骤S401中的目标游戏阵营数量)保持一致。

具体的，在本申请实施例中，神经网络的原始基础模型可以包括机器学习中的LR和XGBoost模型，深度学习中的MLP、LSTM等模型，对于原始基础模型的具体类型，本申请实施例不进行任何限定。

示例性的说明，在得到每个参赛玩家的玩家特征信息(相当于每个参赛玩家的玩家画像特征)之后，作为一可选实施例，可以通过Multi-headed Attention(多头注意力机制)来得到每个游戏阵营对应的队伍表征向量，此时，通过队伍表征层可以建模同一游戏阵营中不同玩家之间的相互影响关系。

S602，将每组阵营划分方案对应的所述队伍表征向量输入至所述队伍比较层中，通过所述队伍比较层输出每组阵营划分方案对应的阵营表征向量。

这里，每一所述阵营表征向量用于表征两个不同游戏阵营之间的相互影响关系。

示例性的说明，在得到每个游戏阵营对应的队伍表征向量之后，以每组阵营划分方案为单位，在每组阵营划分方案内，通过队伍比较层，建模两个不同游戏阵营之间的游戏战力差距和区别特征，从而，可以捕获不同游戏阵营之间的相互影响关系，进而输出上述阵营表征向量。

S603，将每组阵营划分方案对应的所述阵营表征向量以及所述队伍表征向量输入至所述预测输出层中，通过所述预测输出层输出在所述目标优化维度下表现最优的阵营划分方案作为同一所述第一游戏对局下的最终阵营划分方案。

示例性的说明，经过前两层神经网络之后，已经建模得到同一游戏阵营内和不同游戏阵营间的相互影响关系(即队伍表征向量和阵营表征向量)，从而，在此基础上，可以对每组阵营划分方案在目标优化维度下的表现结果进行预测，最终，将在目标优化维度下表现最优的阵营划分方案作为所述最终阵营划分方案进行输出。

针对上述步骤S601-S603的实施，在本申请实施例中，目标优化维度根据所述在线匹配模型的模型训练需求确定，也即，在针对在线匹配模型进行的模型训练过程中，根据不同的模型训练需求，可以训练在线匹配模型学习输出不同目标优化维度下表现最优的阵营划分方案，从而有利于提高游戏阵营划分方式的灵活性与可变性。

基于此，在本申请实施例中，从模型训练需求的角度来看，目标优化维度至少可以分为以下三种类型：对战胜率、游戏参与度以及游戏流失率；此时，上述步骤S501的具体实施方式如图7所示，图7示出了本申请实施例所提供的一种在线匹配模型在不同目标优化维度下进行输出结果预测的方法的流程示意图，其中，所述方法包括步骤S701-S703；具体的：

S701，当所述目标优化维度为对战胜率时，通过所述在线匹配模型对每组阵营划分方案中对战双方游戏阵营各自的对战胜率进行预测，以从所述多组阵营划分方案中，输出所述对战双方游戏阵营各自的对战胜率最接近的阵营划分方案作为所述最终阵营划分方案。

这里，“对战双方游戏阵营各自的对战胜率最接近”本质上相当于每个游戏阵营的对战胜率接近50％，也即，当目标优化维度为对战胜率时，则目标优化维度的优化意义在于：对战双方游戏阵营的团队战力在当前游戏评判框架下应该越相似越好，以体现游戏的公平性。

S702，当所述目标优化维度为游戏参与度时，通过所述在线匹配模型对每组阵营划分方案中的每一所述参赛玩家针对所述第一游戏对局的目标游戏参与度进行预测，以从所述多组阵营划分方案中，输出所述目标游戏参与度最高的阵营划分方案作为所述最终阵营划分方案。

这里，所述目标游戏参与度用于表征所述参赛玩家在所述第一游戏对局结束之后的第一预测周期内持续参与所述第一游戏对局的概率。

具体的，第一预测周期的具体时间长度可以根据目标游戏的实际游戏配置需求进行调整，对此，本申请实施例不作任何限定。

S703，当所述目标优化维度为游戏流失率时，通过所述在线匹配模型对每组阵营划分方案中的每一所述参赛玩家针对所述第一游戏对局的目标游戏流失率进行预测，以从所述多组阵营划分方案中，输出所述目标游戏流失率最低的阵营划分方案作为所述最终阵营划分方案。

这里，所述目标游戏流失率用于表征所述参赛玩家在所述第一游戏对局结束之后的第二预测周期内持续不参与所述目标游戏对局的概率。

具体的，第二预测周期的具体时间长度也可以根据目标游戏的实际游戏配置需求进行调整，对此，本申请实施例同样不作任何限定。

在本申请实施例中，上述各步骤均是对人工智能匹配系统的在线平台一侧的工作流程的说明，下面对人工智能匹配系统的离线平台一侧的工作流程以及离线平台一侧与在线平台一侧的关联关系进行详细介绍：

针对上述步骤S103，在执行完步骤S103之后，在一种可选的实施方式中，如图8所示，图8示出了本申请实施例所提供的一种训练离线匹配模型的方法的流程示意图，其中，所述方法包括步骤S801-S803；具体的：

S801，响应每一所述第一游戏对局的结束，按照预先设置的游戏数据列表，从结束的该第一游戏对局的全场游戏数据中，提取与所述游戏数据列表中的各项游戏参数相匹配的游戏信息，并利用提取的所述游戏信息对所述游戏数据列表进行填充，得到该第一游戏对局对应的训练样本数据。

在本申请实施例中，一场游戏对局结束之后，能够收集到的全场游戏数据可以按照以下表格的形式进行存储，其中，表1表征的是全场游戏数据中与玩家相关的玩家信息表，表2表征的是全场游戏数据中与实际对战数据相关的对战结算表，具体的：

表1：

表2：

示例性的说明，预先设置的游戏数据列表的表头可以如以下表3所示：

表3：

S802，按照预先设置的玩家画像特征处理策略，对所述训练样本数据中的玩家信息进行特征处理，得到与所述玩家特征信息相匹配的训练玩家特征信息。

在本申请实施例中，作为一可选实施例，预先设置的玩家画像特征处理策略至少可以包括以下3种处理策略，具体的：

处理策略1、按所选游戏角色的角色属性(如角色职业等)进行玩家画像聚合处理；

处理策略2、按参赛玩家个人的玩家信息进行玩家画像处理；

处理策略3、先按所选游戏角色的角色属性，再按参赛玩家个人的玩家信息进行画像处理。

S803，将所述训练玩家特征信息输入至离线匹配模型中，以学习该第一游戏对局下的所有参赛玩家在所述目标优化维度下表现最优的阵营划分方案为目标，对所述离线匹配模型进行训练，得到训练好的离线匹配模型。

具体的，离线匹配模型的训练方式以及工作模式与上述步骤S501中的在线匹配模型相同，重复之处在此不再赘述。

基于此，在本申请实施例中，离线匹配模型与上述步骤S501中的在线匹配模型本质上属于实现同一模型功能的两种匹配模型，在此基础上，如图9所示，图9示出了本申请实施例所提供的一种离线匹配模型与在线匹配模型之间进行相互替换的方法的流程示意图，其中，所述方法包括步骤S901-S903；具体的：

S901，在同一测试数据集上，分别获取所述在线匹配模型以及所述离线匹配模型针对所述测试数据集的模型测试结果，得到所述在线匹配模型输出的在线模型测试结果以及所述离线匹配模型输出的离线模型测试结果。

具体的，离线匹配模型的模型工作原理与上述步骤S501中的在线匹配模型的模型工作原理相同，重复之处在此不再赘述。

S902，从模型评价指标库中，获取与所述目标优化维度相匹配的至少一个模型评价指标。

这里，步骤S902中的模型评价指标既可以包括：在评估模型训练效果时，使用的分类常见指标和回归常见指标，也可以包括：游戏策划者基于目标游戏特点所自定义的模型评价指标；对于模型评价指标的具体指标类型，本申请实施例不作任何限定。

S903，当检测到所述离线模型测试结果在所述模型评价指标下的表现优于所述在线模型测试结果时，将所述在线匹配模型替换为所述离线匹配模型。

这里，由于离线匹配模型与在线匹配模型实现的模型功能相同(相当于两个模型都是用于输出在目标优化维度下表现最优的阵营划分方案)，因此，在目标优化维度不变的情况下，当检测到离线模型测试结果在模型评价指标下的表现优于在线模型测试结果时，则可以确定离线匹配模型的模型训练效果已经超过之前训练好的在线匹配模型，此时，可以将在线匹配模型替换为离线匹配模型，以提高模型输出的阵营划分方案的准确度。

通过本申请实施例提供的上述游戏中的对战匹配方法，通过获取用于游戏对战匹配的通用配置样例表；在目标游戏的游戏配置需求下，响应针对目标匹配业务逻辑的参数配置操作，对通用配置样例表中的目标配置参数信息进行配置，得到符合游戏配置需求的专用游戏配置表；响应针对目标游戏的游戏匹配请求，按照专用游戏配置表对游戏匹配请求中的多名待匹配玩家进行对战匹配，确定每名待匹配玩家对应的对战匹配结果。

通过这种方式，本申请可以将定制化程度较高的复杂匹配逻辑进行标准化和通用化的处理，减少匹配系统的迁移和开发成本，使得游戏开发者无需实现复杂的匹配逻辑，只需通过简单的配置即可实现不同游戏下的对战匹配需求。

基于同一发明构思，本申请还提供了与上述游戏中的对战匹配方法对应的对战匹配装置，由于本申请实施例中的对战匹配装置解决问题的原理与本申请实施例中上述游戏中的对战匹配方法相似，因此对战匹配装置的实施可以参见对战匹配方法的实施，重复之处不再赘述。

参照图10所示，图10示出了本申请实施例所提供的一种游戏中的对战匹配装置的结构示意图，所述对战匹配装置包括：

获取模块1001，用于获取用于游戏对战匹配的通用配置样例表；其中，所述通用配置样例表包括用于实现不同匹配业务逻辑的配置参数信息；

配置模块1002，用于在目标游戏的游戏配置需求下，响应针对目标匹配业务逻辑的参数配置操作，对所述通用配置样例表中的目标配置参数信息进行配置，得到符合所述游戏配置需求的专用游戏配置表；其中，所述目标配置参数信息表征用于实现所述目标匹配业务逻辑的配置参数信息；

匹配模块1003，用于响应针对所述目标游戏的游戏匹配请求，按照所述专用游戏配置表对所述游戏匹配请求中的多名待匹配玩家进行对战匹配，确定每名待匹配玩家对应的对战匹配结果；其中，所述对战匹配结果中至少包括：与该名待匹配玩家的玩家配置信息相匹配的目标游戏对局以及在该目标游戏对局下不同游戏阵营的玩家组成信息。

在一种可选的实施方式中，所述配置参数信息包括：第一配置参数信息、第二配置参数信息以及第三配置参数信息；其中，所述第一配置参数信息用于约束同一游戏对局下游戏阵营的阵营信息配置；所述第二配置参数信息用于约束能够在同一游戏对局下进行游戏的玩家信息配置；所述第三配置参数信息用于约束同一游戏对局下，基于确定的游戏阵营和玩家的游戏对战匹配规则。

在一种可选的实施方式中，在所述按照所述专用游戏配置表对所述游戏匹配请求中的多名待匹配玩家进行对战匹配时，匹配模块1003，用于：

按照所述专用游戏配置表中记载的第二配置参数信息，对所述游戏匹配请求中的多名待匹配玩家进行分组，得到多组玩家匹配池；

针对每组玩家匹配池，从所述目标游戏下包括的多种不同游戏模式的游戏对局中，确定与该组玩家匹配池表征的目标游戏模式相匹配的第一游戏对局；其中，所述目标游戏模式根据该组玩家匹配池中各待匹配玩家的玩家配置信息确定；

根据所述专用游戏配置表中记载的第一配置参数信息以及第三配置参数信息，对该组玩家匹配池内的待匹配玩家进行划分，得到每一所述第一游戏对局下的最终玩家组成方案。

在一种可选的实施方式中，在所述根据所述专用游戏配置表中记载的第一配置参数信息以及第三配置参数信息，对该组玩家匹配池内的待匹配玩家进行划分，得到每一所述第一游戏对局下的最终玩家组成方案时，匹配模块1003，具体用于：

针对该组玩家匹配池内包括的多名待匹配玩家，以所述专用游戏配置表中记载的第一配置参数信息以及第三配置参数信息作为约束条件，对该组玩家匹配池内的待匹配玩家进行规划，得到符合所述约束条件的多组玩家划分方案；其中，每组所述玩家划分方案用于表征同一所述第一游戏对局下的一组玩家组成方案；

从所述游戏配置需求中，获取与所述第一游戏对局相匹配的多个第一优化目标；

从所述多组玩家划分方案中，确定所述多个第一优化目标的加权求和结果最高的玩家划分方案，作为同一所述第一游戏对局下的最终玩家组成方案。

在一种可选的实施方式中，在所述得到每一所述第一游戏对局下的最终玩家组成方案之后，匹配模块1003，还用于：

针对每一所述最终玩家组成方案，以所述专用游戏配置表中记载的第一配置参数信息以及第三配置参数信息作为约束条件，以该最终玩家组成方案内的所有参赛玩家能够按照目标游戏阵营数量进行均匀分组作为规划目标，对该最终玩家组成方案内的所有参赛玩家进行规划，得到符合所述约束条件以及所述规划目标的多组阵营划分方案；其中，所述目标游戏阵营数量根据所述专用游戏配置表中记载的第一配置参数信息确定；每组阵营划分方案用于表征所有参赛玩家在所述第一游戏对局下的一组游戏阵营划分方案；

从所述游戏配置需求中，获取与所述目标游戏对局相匹配的多个第二优化目标；

从所述多组阵营划分方案中，确定所述多个第二优化目标的加权求和结果最高的阵营划分方案，作为同一所述第一游戏对局下的最终阵营划分方案。

在一种可选的实施方式中，在所述得到符合所述约束条件以及所述规划目标的多组阵营划分方案之后，匹配模块1003，还用于：

将该最终玩家组成方案内的所有参赛玩家的玩家特征信息输入至预先训练好的在线匹配模型中，通过所述在线匹配模型从所述多组阵营划分方案中，输出在目标优化维度下表现最优的阵营划分方案作为同一所述第一游戏对局下的最终阵营划分方案；其中，所述玩家特征信息包括：玩家关系特征和/或角色属性特征；所述玩家关系特征用于表征不同参赛玩家之间的熟悉程度；所述角色属性特征用于表征不同参赛玩家使用的不同游戏角色之间的属性相生/相克特征；所述目标优化维度根据所述在线匹配模型的模型训练需求确定。

在一种可选的实施方式中，所述在线匹配模型至少包括以下三层神经网络：队伍表征层、队伍比较层以及预测输出层，在所述通过所述在线匹配模型从所述多组阵营划分方案中，输出在目标优化维度下表现最优的阵营划分方案作为同一所述第一游戏对局下的最终阵营划分方案时，匹配模块1003，用于：

将该最终玩家组成方案内的所有参赛玩家的玩家特征信息输入至所述队伍表征层中，通过所述队伍表征层输出每组阵营划分方案对应的队伍表征向量；其中，每一所述队伍表征向量用于表征每一游戏阵营内不同参赛玩家之间的相互影响关系；

将每组阵营划分方案对应的所述队伍表征向量输入至所述队伍比较层中，通过所述队伍比较层输出每组阵营划分方案对应的阵营表征向量；其中，每一所述阵营表征向量用于表征两个不同游戏阵营之间的相互影响关系；

将每组阵营划分方案对应的所述阵营表征向量以及所述队伍表征向量输入至所述预测输出层中，通过所述预测输出层输出在所述目标优化维度下表现最优的阵营划分方案作为同一所述第一游戏对局下的最终阵营划分方案。

在一种可选的实施方式中，在所述通过所述在线匹配模型从所述多组阵营划分方案中，输出在目标优化维度下表现最优的阵营划分方案作为同一所述第一游戏对局下的最终阵营划分方案时，匹配模块1003，用于：

当所述目标优化维度为对战胜率时，通过所述在线匹配模型对每组阵营划分方案中对战双方游戏阵营各自的对战胜率进行预测，以从所述多组阵营划分方案中，输出所述对战双方游戏阵营各自的对战胜率最接近的阵营划分方案作为所述最终阵营划分方案；

当所述目标优化维度为游戏参与度时，通过所述在线匹配模型对每组阵营划分方案中的每一所述参赛玩家针对所述第一游戏对局的目标游戏参与度进行预测，以从所述多组阵营划分方案中，输出所述目标游戏参与度最高的阵营划分方案作为所述最终阵营划分方案；其中，所述目标游戏参与度用于表征所述参赛玩家在所述第一游戏对局结束之后的第一预测周期内持续参与所述第一游戏对局的概率；

当所述目标优化维度为游戏流失率时，通过所述在线匹配模型对每组阵营划分方案中的每一所述参赛玩家针对所述第一游戏对局的目标游戏流失率进行预测，以从所述多组阵营划分方案中，输出所述目标游戏流失率最低的阵营划分方案作为所述最终阵营划分方案；其中，所述目标游戏流失率用于表征所述参赛玩家在所述第一游戏对局结束之后的第二预测周期内持续不参与所述第一游戏对局的概率。

在一种可选的实施方式中，所述对战匹配装置，还包括：

响应模块，用于响应每一所述第一游戏对局的结束，按照预先设置的游戏数据列表，从结束的该第一游戏对局的全场游戏数据中，提取与所述游戏数据列表中的各项游戏参数相匹配的游戏信息，并利用提取的所述游戏信息对所述游戏数据列表进行填充，得到该第一游戏对局对应的训练样本数据；

处理模块，用于按照预先设置的玩家画像特征处理策略，对所述训练样本数据中的玩家信息进行特征处理，得到与所述玩家特征信息相匹配的训练玩家特征信息；

离线模块，用于将所述训练玩家特征信息输入至离线匹配模型中，以学习该第一游戏对局下的所有参赛玩家在所述目标优化维度下表现最优的阵营划分方案为目标，对所述离线匹配模型进行训练，得到训练好的离线匹配模型。

在一种可选的实施方式中，在得到所述训练好的离线匹配模型之后，离线模块，还用于：

在同一测试数据集上，分别获取所述在线匹配模型以及所述离线匹配模型针对所述测试数据集的模型测试结果，得到所述在线匹配模型输出的在线模型测试结果以及所述离线匹配模型输出的离线模型测试结果；

从模型评价指标库中，获取与所述目标优化维度相匹配的至少一个模型评价指标；

当检测到所述离线模型测试结果在所述模型评价指标下的表现优于所述在线模型测试结果时，将所述在线匹配模型替换为所述离线匹配模型。

通过本申请实施例提供的上述游戏中的对战匹配装置，通过获取用于游戏对战匹配的通用配置样例表；在目标游戏的游戏配置需求下，响应针对目标匹配业务逻辑的参数配置操作，对通用配置样例表中的目标配置参数信息进行配置，得到符合游戏配置需求的专用游戏配置表；响应针对目标游戏的游戏匹配请求，按照专用游戏配置表对游戏匹配请求中的多名待匹配玩家进行对战匹配，确定每名待匹配玩家对应的对战匹配结果。

通过这种方式，本申请可以将定制化程度较高的复杂匹配逻辑进行标准化和通用化的处理，减少匹配系统的迁移和开发成本，使得游戏开发者无需实现复杂的匹配逻辑，只需通过简单的配置即可实现不同游戏下的对战匹配需求。

图11为本申请实施例提供的一种电子设备1100的结构示意图，包括：处理器1101、存储介质1102和总线1103，存储介质1102存储有处理器1101可执行的机器可读指令，当电子设备运行如实施例中的一种游戏中的对战匹配方法时，处理器1101与存储介质1102之间通过总线1103通信，处理器1101执行所述机器可读指令，其中，处理器1101执行所述机器可读指令时实现以下步骤，具体的：

获取用于游戏对战匹配的通用配置样例表；其中，所述通用配置样例表包括用于实现不同匹配业务逻辑的配置参数信息；

在目标游戏的游戏配置需求下，响应针对目标匹配业务逻辑的参数配置操作，对所述通用配置样例表中的目标配置参数信息进行配置，得到符合所述游戏配置需求的专用游戏配置表；其中，所述目标配置参数信息表征用于实现所述目标匹配业务逻辑的配置参数信息；

响应针对所述目标游戏的游戏匹配请求，按照所述专用游戏配置表对所述游戏匹配请求中的多名待匹配玩家进行对战匹配，确定每名待匹配玩家对应的对战匹配结果；其中，所述对战匹配结果中至少包括：与该名待匹配玩家的玩家配置信息相匹配的目标游戏对局以及在该目标游戏对局下不同游戏阵营的玩家组成信息。

在一个可行的实施方案中，所述配置参数信息包括：第一配置参数信息、第二配置参数信息以及第三配置参数信息；其中，所述第一配置参数信息用于约束同一游戏对局下游戏阵营的阵营信息配置；所述第二配置参数信息用于约束能够在同一游戏对局下进行游戏的玩家信息配置；所述第三配置参数信息用于约束同一游戏对局下，基于确定的游戏阵营和玩家的游戏对战匹配规则。

在一个可行的实施方案中，处理器1101在执行所述按照所述专用游戏配置表对所述游戏匹配请求中的多名待匹配玩家进行对战匹配这一步骤时，具体用于：

按照所述专用游戏配置表中记载的第二配置参数信息，对所述游戏匹配请求中的多名待匹配玩家进行分组，得到多组玩家匹配池；

针对每组玩家匹配池，从所述目标游戏下包括的多种不同游戏模式的游戏对局中，确定与该组玩家匹配池表征的目标游戏模式相匹配的第一游戏对局；其中，所述目标游戏模式根据该组玩家匹配池中各待匹配玩家的玩家配置信息确定；

根据所述专用游戏配置表中记载的第一配置参数信息以及第三配置参数信息，对该组玩家匹配池内的待匹配玩家进行划分，得到每一所述第一游戏对局下的最终玩家组成方案。

在一个可行的实施方案中，处理器1101在执行所述根据所述专用游戏配置表中记载的第一配置参数信息以及第三配置参数信息，对该组玩家匹配池内的待匹配玩家进行划分，得到每一所述第一游戏对局下的玩家组成信息这一步骤时，具体用于：

针对该组玩家匹配池内包括的多名待匹配玩家，以所述专用游戏配置表中记载的第一配置参数信息以及第三配置参数信息作为约束条件，对该组玩家匹配池内的待匹配玩家进行规划，得到符合所述约束条件的多组玩家划分方案；其中，每组所述玩家划分方案用于表征同一所述第一游戏对局下的一组玩家组成方案；

从所述游戏配置需求中，获取与所述第一游戏对局相匹配的多个第一优化目标；

从所述多组玩家划分方案中，确定所述多个第一优化目标的加权求和结果最高的玩家划分方案，作为同一所述第一游戏对局下的最终玩家组成方案。

在一个可行的实施方案中，处理器1101在执行所述得到每一所述第一游戏对局下的最终玩家组成方案这一步骤之后，还用于：

针对每一所述最终玩家组成方案，以所述专用游戏配置表中记载的第一配置参数信息以及第三配置参数信息作为约束条件，以该最终玩家组成方案内的所有参赛玩家能够按照目标游戏阵营数量进行均匀分组作为规划目标，对该最终玩家组成方案内的所有参赛玩家进行规划，得到符合所述约束条件以及所述规划目标的多组阵营划分方案；其中，所述目标游戏阵营数量根据所述专用游戏配置表中记载的第一配置参数信息确定；每组阵营划分方案用于表征所有参赛玩家在所述第一游戏对局下的一组游戏阵营划分方案；

从所述游戏配置需求中，获取与所述目标游戏对局相匹配的多个第二优化目标；

从所述多组阵营划分方案中，确定所述多个第二优化目标的加权求和结果最高的阵营划分方案，作为同一所述第一游戏对局下的最终阵营划分方案。

在一个可行的实施方案中，处理器1101在执行所述得到符合所述约束条件以及所述规划目标的多组阵营划分方案这一步骤之后，还用于：

将该最终玩家组成方案内的所有参赛玩家的玩家特征信息输入至预先训练好的在线匹配模型中，通过所述在线匹配模型从所述多组阵营划分方案中，输出在目标优化维度下表现最优的阵营划分方案作为同一所述第一游戏对局下的最终阵营划分方案；其中，所述玩家特征信息包括：玩家关系特征和/或角色属性特征；所述玩家关系特征用于表征不同参赛玩家之间的熟悉程度；所述角色属性特征用于表征不同参赛玩家使用的不同游戏角色之间的属性相生/相克特征；所述目标优化维度根据所述在线匹配模型的模型训练需求确定。

在一个可行的实施方案中，处理器1101在执行所述在线匹配模型至少包括以下三层神经网络：队伍表征层、队伍比较层以及预测输出层，所述通过所述在线匹配模型从所述多组阵营划分方案中，输出在目标优化维度下表现最优的阵营划分方案作为同一所述第一游戏对局下的最终阵营划分方案这一步骤时，用于：

将该最终玩家组成方案内的所有参赛玩家的玩家特征信息输入至所述队伍表征层中，通过所述队伍表征层输出每组阵营划分方案对应的队伍表征向量；其中，每一所述队伍表征向量用于表征每一游戏阵营内不同参赛玩家之间的相互影响关系；

将每组阵营划分方案对应的所述队伍表征向量输入至所述队伍比较层中，通过所述队伍比较层输出每组阵营划分方案对应的阵营表征向量；其中，每一所述阵营表征向量用于表征两个不同游戏阵营之间的相互影响关系；

将每组阵营划分方案对应的所述阵营表征向量以及所述队伍表征向量输入至所述预测输出层中，通过所述预测输出层输出在所述目标优化维度下表现最优的阵营划分方案作为同一所述第一游戏对局下的最终阵营划分方案。

在一个可行的实施方案中，处理器1101在执行所述通过所述在线匹配模型从所述多组阵营划分方案中，输出在目标优化维度下表现最优的阵营划分方案作为同一所述第一游戏对局下的最终阵营划分方案这一步骤时，用于：

当所述目标优化维度为对战胜率时，通过所述在线匹配模型对每组阵营划分方案中对战双方游戏阵营各自的对战胜率进行预测，以从所述多组阵营划分方案中，输出所述对战双方游戏阵营各自的对战胜率最接近的阵营划分方案作为所述最终阵营划分方案；

当所述目标优化维度为游戏参与度时，通过所述在线匹配模型对每组阵营划分方案中的每一所述参赛玩家针对所述第一游戏对局的目标游戏参与度进行预测，以从所述多组阵营划分方案中，输出所述目标游戏参与度最高的阵营划分方案作为所述最终阵营划分方案；其中，所述目标游戏参与度用于表征所述参赛玩家在所述第一游戏对局结束之后的第一预测周期内持续参与所述第一游戏对局的概率；

当所述目标优化维度为游戏流失率时，通过所述在线匹配模型对每组阵营划分方案中的每一所述参赛玩家针对所述第一游戏对局的目标游戏流失率进行预测，以从所述多组阵营划分方案中，输出所述目标游戏流失率最低的阵营划分方案作为所述最终阵营划分方案；其中，所述目标游戏流失率用于表征所述参赛玩家在所述第一游戏对局结束之后的第二预测周期内持续不参与所述第一游戏对局的概率。

在一个可行的实施方案中，处理器1101还用于执行以下步骤，具体的：

响应每一所述第一游戏对局的结束，按照预先设置的游戏数据列表，从结束的该第一游戏对局的全场游戏数据中，提取与所述游戏数据列表中的各项游戏参数相匹配的游戏信息，并利用提取的所述游戏信息对所述游戏数据列表进行填充，得到该第一游戏对局对应的训练样本数据；

按照预先设置的玩家画像特征处理策略，对所述训练样本数据中的玩家信息进行特征处理，得到与所述玩家特征信息相匹配的训练玩家特征信息；

将所述训练玩家特征信息输入至离线匹配模型中，以学习该第一游戏对局下的所有参赛玩家在所述目标优化维度下表现最优的阵营划分方案为目标，对所述离线匹配模型进行训练，得到训练好的离线匹配模型。

在一个可行的实施方案中，处理器1101在执行所述得到所述训练好的离线匹配模型这一步骤之后，还用于：

在同一测试数据集上，分别获取所述在线匹配模型以及所述离线匹配模型针对所述测试数据集的模型测试结果，得到所述在线匹配模型输出的在线模型测试结果以及所述离线匹配模型输出的离线模型测试结果；

从模型评价指标库中，获取与所述目标优化维度相匹配的至少一个模型评价指标；

当检测到所述离线模型测试结果在所述模型评价指标下的表现优于所述在线模型测试结果时，将所述在线匹配模型替换为所述离线匹配模型。

通过上述方式，本申请通过获取用于游戏对战匹配的通用配置样例表；在目标游戏的游戏配置需求下，响应针对目标匹配业务逻辑的参数配置操作，对通用配置样例表中的目标配置参数信息进行配置，得到符合游戏配置需求的专用游戏配置表；响应针对目标游戏的游戏匹配请求，按照专用游戏配置表对游戏匹配请求中的多名待匹配玩家进行对战匹配，确定每名待匹配玩家对应的对战匹配结果。

通过这种方式，本申请可以将定制化程度较高的复杂匹配逻辑进行标准化和通用化的处理，减少匹配系统的迁移和开发成本，使得游戏开发者无需实现复杂的匹配逻辑，只需通过简单的配置即可实现不同游戏下的对战匹配需求。

基于同一发明构思，本申请实施例还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行，所述处理器执行以下步骤：

获取用于游戏对战匹配的通用配置样例表；其中，所述通用配置样例表包括用于实现不同匹配业务逻辑的配置参数信息；

在目标游戏的游戏配置需求下，响应针对目标匹配业务逻辑的参数配置操作，对所述通用配置样例表中的目标配置参数信息进行配置，得到符合所述游戏配置需求的专用游戏配置表；其中，所述目标配置参数信息表征用于实现所述目标匹配业务逻辑的配置参数信息；

响应针对所述目标游戏的游戏匹配请求，按照所述专用游戏配置表对所述游戏匹配请求中的多名待匹配玩家进行对战匹配，确定每名待匹配玩家对应的对战匹配结果；其中，所述对战匹配结果中至少包括：与该名待匹配玩家的玩家配置信息相匹配的目标游戏对局以及在该目标游戏对局下不同游戏阵营的玩家组成信息。

在一个可行的实施方案中，所述配置参数信息包括：第一配置参数信息、第二配置参数信息以及第三配置参数信息；其中，所述第一配置参数信息用于约束同一游戏对局下游戏阵营的阵营信息配置；所述第二配置参数信息用于约束能够在同一游戏对局下进行游戏的玩家信息配置；所述第三配置参数信息用于约束同一游戏对局下，基于确定的游戏阵营和玩家的游戏对战匹配规则。

在一个可行的实施方案中，所述处理器在执行所述按照所述专用游戏配置表对所述游戏匹配请求中的多名待匹配玩家进行对战匹配这一步骤时，具体用于：

按照所述专用游戏配置表中记载的第二配置参数信息，对所述游戏匹配请求中的多名待匹配玩家进行分组，得到多组玩家匹配池；

针对每组玩家匹配池，从所述目标游戏下包括的多种不同游戏模式的游戏对局中，确定与该组玩家匹配池表征的目标游戏模式相匹配的第一游戏对局；其中，所述目标游戏模式根据该组玩家匹配池中各待匹配玩家的玩家配置信息确定；

根据所述专用游戏配置表中记载的第一配置参数信息以及第三配置参数信息，对该组玩家匹配池内的待匹配玩家进行划分，得到每一所述第一游戏对局下的最终玩家组成方案。

在一个可行的实施方案中，所述处理器在执行所述根据所述专用游戏配置表中记载的第一配置参数信息以及第三配置参数信息，对该组玩家匹配池内的待匹配玩家进行划分，得到每一所述第一游戏对局下的玩家组成信息这一步骤时，具体用于：

针对该组玩家匹配池内包括的多名待匹配玩家，以所述专用游戏配置表中记载的第一配置参数信息以及第三配置参数信息作为约束条件，对该组玩家匹配池内的待匹配玩家进行规划，得到符合所述约束条件的多组玩家划分方案；其中，每组所述玩家划分方案用于表征同一所述第一游戏对局下的一组玩家组成方案；

从所述游戏配置需求中，获取与所述第一游戏对局相匹配的多个第一优化目标；

从所述多组玩家划分方案中，确定所述多个第一优化目标的加权求和结果最高的玩家划分方案，作为同一所述第一游戏对局下的最终玩家组成方案。

在一个可行的实施方案中，所述处理器在执行所述得到每一所述第一游戏对局下的最终玩家组成方案这一步骤之后，还用于：

针对每一所述最终玩家组成方案，以所述专用游戏配置表中记载的第一配置参数信息以及第三配置参数信息作为约束条件，以该最终玩家组成方案内的所有参赛玩家能够按照目标游戏阵营数量进行均匀分组作为规划目标，对该最终玩家组成方案内的所有参赛玩家进行规划，得到符合所述约束条件以及所述规划目标的多组阵营划分方案；其中，所述目标游戏阵营数量根据所述专用游戏配置表中记载的第一配置参数信息确定；每组阵营划分方案用于表征所有参赛玩家在所述第一游戏对局下的一组游戏阵营划分方案；

从所述游戏配置需求中，获取与所述目标游戏对局相匹配的多个第二优化目标；

从所述多组阵营划分方案中，确定所述多个第二优化目标的加权求和结果最高的阵营划分方案，作为同一所述第一游戏对局下的最终阵营划分方案。

在一个可行的实施方案中，所述处理器在执行所述得到符合所述约束条件以及所述规划目标的多组阵营划分方案这一步骤之后，还用于：

将该最终玩家组成方案内的所有参赛玩家的玩家特征信息输入至预先训练好的在线匹配模型中，通过所述在线匹配模型从所述多组阵营划分方案中，输出在目标优化维度下表现最优的阵营划分方案作为同一所述第一游戏对局下的最终阵营划分方案；其中，所述玩家特征信息包括：玩家关系特征和/或角色属性特征；所述玩家关系特征用于表征不同参赛玩家之间的熟悉程度；所述角色属性特征用于表征不同参赛玩家使用的不同游戏角色之间的属性相生/相克特征；所述目标优化维度根据所述在线匹配模型的模型训练需求确定。

在一个可行的实施方案中，所述处理器在执行所述所述在线匹配模型至少包括以下三层神经网络：队伍表征层、队伍比较层以及预测输出层，所述通过所述在线匹配模型从所述多组阵营划分方案中，输出在目标优化维度下表现最优的阵营划分方案作为同一所述第一游戏对局下的最终阵营划分方案这一步骤时，用于：

将该最终玩家组成方案内的所有参赛玩家的玩家特征信息输入至所述队伍表征层中，通过所述队伍表征层输出每组阵营划分方案对应的队伍表征向量；其中，每一所述队伍表征向量用于表征每一游戏阵营内不同参赛玩家之间的相互影响关系；

将每组阵营划分方案对应的所述队伍表征向量输入至所述队伍比较层中，通过所述队伍比较层输出每组阵营划分方案对应的阵营表征向量；其中，每一所述阵营表征向量用于表征两个不同游戏阵营之间的相互影响关系；

将每组阵营划分方案对应的所述阵营表征向量以及所述队伍表征向量输入至所述预测输出层中，通过所述预测输出层输出在所述目标优化维度下表现最优的阵营划分方案作为同一所述第一游戏对局下的最终阵营划分方案。

在一个可行的实施方案中，所述处理器在执行所述通过所述在线匹配模型从所述多组阵营划分方案中，输出在目标优化维度下表现最优的阵营划分方案作为同一所述第一游戏对局下的最终阵营划分方案这一步骤时，用于：

当所述目标优化维度为对战胜率时，通过所述在线匹配模型对每组阵营划分方案中对战双方游戏阵营各自的对战胜率进行预测，以从所述多组阵营划分方案中，输出所述对战双方游戏阵营各自的对战胜率最接近的阵营划分方案作为所述最终阵营划分方案；

当所述目标优化维度为游戏参与度时，通过所述在线匹配模型对每组阵营划分方案中的每一所述参赛玩家针对所述第一游戏对局的目标游戏参与度进行预测，以从所述多组阵营划分方案中，输出所述目标游戏参与度最高的阵营划分方案作为所述最终阵营划分方案；其中，所述目标游戏参与度用于表征所述参赛玩家在所述第一游戏对局结束之后的第一预测周期内持续参与所述第一游戏对局的概率；

当所述目标优化维度为游戏流失率时，通过所述在线匹配模型对每组阵营划分方案中的每一所述参赛玩家针对所述第一游戏对局的目标游戏流失率进行预测，以从所述多组阵营划分方案中，输出所述目标游戏流失率最低的阵营划分方案作为所述最终阵营划分方案；其中，所述目标游戏流失率用于表征所述参赛玩家在所述第一游戏对局结束之后的第二预测周期内持续不参与所述第一游戏对局的概率。

在一个可行的实施方案中，所述处理器还用于执行以下步骤，具体的：

响应每一所述第一游戏对局的结束，按照预先设置的游戏数据列表，从结束的该第一游戏对局的全场游戏数据中，提取与所述游戏数据列表中的各项游戏参数相匹配的游戏信息，并利用提取的所述游戏信息对所述游戏数据列表进行填充，得到该第一游戏对局对应的训练样本数据；

按照预先设置的玩家画像特征处理策略，对所述训练样本数据中的玩家信息进行特征处理，得到与所述玩家特征信息相匹配的训练玩家特征信息；

将所述训练玩家特征信息输入至离线匹配模型中，以学习该第一游戏对局下的所有参赛玩家在所述目标优化维度下表现最优的阵营划分方案为目标，对所述离线匹配模型进行训练，得到训练好的离线匹配模型。

在一个可行的实施方案中，所述处理器在执行所述得到所述训练好的离线匹配模型这一步骤之后，还用于：

在同一测试数据集上，分别获取所述在线匹配模型以及所述离线匹配模型针对所述测试数据集的模型测试结果，得到所述在线匹配模型输出的在线模型测试结果以及所述离线匹配模型输出的离线模型测试结果；

从模型评价指标库中，获取与所述目标优化维度相匹配的至少一个模型评价指标；

当检测到所述离线模型测试结果在所述模型评价指标下的表现优于所述在线模型测试结果时，将所述在线匹配模型替换为所述离线匹配模型。

通过上述方式，本申请通过获取用于游戏对战匹配的通用配置样例表；在目标游戏的游戏配置需求下，响应针对目标匹配业务逻辑的参数配置操作，对通用配置样例表中的目标配置参数信息进行配置，得到符合游戏配置需求的专用游戏配置表；响应针对目标游戏的游戏匹配请求，按照专用游戏配置表对游戏匹配请求中的多名待匹配玩家进行对战匹配，确定每名待匹配玩家对应的对战匹配结果。

通过这种方式，本申请可以将定制化程度较高的复杂匹配逻辑进行标准化和通用化的处理，减少匹配系统的迁移和开发成本，使得游戏开发者无需实现复杂的匹配逻辑，只需通过简单的配置即可实现不同游戏下的对战匹配需求。

在本申请实施例中，该计算机程序被处理器运行时还可以执行其它机器可读指令，以执行如实施例中其它所述的方法，关于具体执行的方法步骤和原理参见实施例的说明，在此不再详细赘述。

在本申请所提供的实施例中，应该理解到，所揭露装置和方法，可以通过其它的方式实现。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，又例如，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通信接口，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，在本申请提供的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。

所述功能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(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释，此外，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

最后应说明的是：以上所述实施例，仅为本申请的具体实施方式，用以说明本申请的技术方案，而非对其限制，本申请的保护范围并不局限于此，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：任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围。都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。

Claims (13)

1.一种游戏中的对战匹配方法，其特征在于，所述对战匹配方法包括：

获取用于游戏对战匹配的通用配置样例表；其中，所述通用配置样例表包括用于实现不同匹配业务逻辑的配置参数信息；

在目标游戏的游戏配置需求下，响应针对目标匹配业务逻辑的参数配置操作，对所述通用配置样例表中的目标配置参数信息进行配置，得到符合所述游戏配置需求的专用游戏配置表；其中，所述目标配置参数信息表征用于实现所述目标匹配业务逻辑的配置参数信息；

响应针对所述目标游戏的游戏匹配请求，按照所述专用游戏配置表对所述游戏匹配请求中的多名待匹配玩家进行对战匹配，确定每名待匹配玩家对应的对战匹配结果；其中，所述对战匹配结果中至少包括：与该名待匹配玩家的玩家配置信息相匹配的目标游戏对局以及在该目标游戏对局下不同游戏阵营的玩家组成信息。

2.根据权利要求1所述的对战匹配方法，其特征在于，所述配置参数信息包括：第一配置参数信息、第二配置参数信息以及第三配置参数信息；其中，所述第一配置参数信息用于约束同一游戏对局下游戏阵营的阵营信息配置；所述第二配置参数信息用于约束能够在同一游戏对局下进行游戏的玩家信息配置；所述第三配置参数信息用于约束同一游戏对局下，基于确定的游戏阵营和玩家的游戏对战匹配规则。

3.根据权利要求2所述的对战匹配方法，其特征在于，所述按照所述专用游戏配置表对所述游戏匹配请求中的多名待匹配玩家进行对战匹配，包括：

按照所述专用游戏配置表中记载的第二配置参数信息，对所述游戏匹配请求中的多名待匹配玩家进行分组，得到多组玩家匹配池；

针对每组玩家匹配池，从所述目标游戏下包括的多种不同游戏模式的游戏对局中，确定与该组玩家匹配池表征的目标游戏模式相匹配的第一游戏对局；其中，所述目标游戏模式根据该组玩家匹配池中各待匹配玩家的玩家配置信息确定；

根据所述专用游戏配置表中记载的第一配置参数信息以及第三配置参数信息，对该组玩家匹配池内的待匹配玩家进行划分，得到每一所述第一游戏对局下的最终玩家组成方案。

4.根据权利要求3所述的对战匹配方法，其特征在于，所述根据所述专用游戏配置表中记载的第一配置参数信息以及第三配置参数信息，对该组玩家匹配池内的待匹配玩家进行划分，得到每一所述第一游戏对局下的玩家组成信息，包括：

针对该组玩家匹配池内包括的多名待匹配玩家，以所述专用游戏配置表中记载的第一配置参数信息以及第三配置参数信息作为约束条件，对该组玩家匹配池内的待匹配玩家进行规划，得到符合所述约束条件的多组玩家划分方案；其中，每组所述玩家划分方案用于表征同一所述第一游戏对局下的一组玩家组成方案；

从所述游戏配置需求中，获取与所述第一游戏对局相匹配的多个第一优化目标；

从所述多组玩家划分方案中，确定所述多个第一优化目标的加权求和结果最高的玩家划分方案，作为同一所述第一游戏对局下的最终玩家组成方案。

5.根据权利要求4所述的对战匹配方法，其特征在于，在所述得到每一所述第一游戏对局下的最终玩家组成方案之后，所述对战匹配方法还包括：

针对每一所述最终玩家组成方案，以所述专用游戏配置表中记载的第一配置参数信息以及第三配置参数信息作为约束条件，以该最终玩家组成方案内的所有参赛玩家能够按照目标游戏阵营数量进行均匀分组作为规划目标，对该最终玩家组成方案内的所有参赛玩家进行规划，得到符合所述约束条件以及所述规划目标的多组阵营划分方案；其中，所述目标游戏阵营数量根据所述专用游戏配置表中记载的第一配置参数信息确定；每组阵营划分方案用于表征所有参赛玩家在所述第一游戏对局下的一组游戏阵营划分方案；

从所述游戏配置需求中，获取与所述目标游戏对局相匹配的多个第二优化目标；

从所述多组阵营划分方案中，确定所述多个第二优化目标的加权求和结果最高的阵营划分方案，作为同一所述第一游戏对局下的最终阵营划分方案。

6.根据权利要求5所述的对战匹配方法，其特征在于，在所述得到符合所述约束条件以及所述规划目标的多组阵营划分方案之后，所述对战匹配方法还包括：

将该最终玩家组成方案内的所有参赛玩家的玩家特征信息输入至预先训练好的在线匹配模型中，通过所述在线匹配模型从所述多组阵营划分方案中，输出在目标优化维度下表现最优的阵营划分方案作为同一所述第一游戏对局下的最终阵营划分方案；其中，所述玩家特征信息包括：玩家关系特征和/或角色属性特征；所述玩家关系特征用于表征不同参赛玩家之间的熟悉程度；所述角色属性特征用于表征不同参赛玩家使用的不同游戏角色之间的属性相生/相克特征；所述目标优化维度根据所述在线匹配模型的模型训练需求确定。

7.根据权利要求6所述的对战匹配方法，其特征在于，所述在线匹配模型至少包括以下三层神经网络：队伍表征层、队伍比较层以及预测输出层，所述通过所述在线匹配模型从所述多组阵营划分方案中，输出在目标优化维度下表现最优的阵营划分方案作为同一所述第一游戏对局下的最终阵营划分方案，包括：

将该最终玩家组成方案内的所有参赛玩家的玩家特征信息输入至所述队伍表征层中，通过所述队伍表征层输出每组阵营划分方案对应的队伍表征向量；其中，每一所述队伍表征向量用于表征每一游戏阵营内不同参赛玩家之间的相互影响关系；

将每组阵营划分方案对应的所述队伍表征向量输入至所述队伍比较层中，通过所述队伍比较层输出每组阵营划分方案对应的阵营表征向量；其中，每一所述阵营表征向量用于表征两个不同游戏阵营之间的相互影响关系；

将每组阵营划分方案对应的所述阵营表征向量以及所述队伍表征向量输入至所述预测输出层中，通过所述预测输出层输出在所述目标优化维度下表现最优的阵营划分方案作为同一所述第一游戏对局下的最终阵营划分方案。

8.根据权利要求6所述的对战匹配方法，其特征在于，所述通过所述在线匹配模型从所述多组阵营划分方案中，输出在目标优化维度下表现最优的阵营划分方案作为同一所述第一游戏对局下的最终阵营划分方案，包括：

当所述目标优化维度为对战胜率时，通过所述在线匹配模型对每组阵营划分方案中对战双方游戏阵营各自的对战胜率进行预测，以从所述多组阵营划分方案中，输出所述对战双方游戏阵营各自的对战胜率最接近的阵营划分方案作为所述最终阵营划分方案；

当所述目标优化维度为游戏参与度时，通过所述在线匹配模型对每组阵营划分方案中的每一所述参赛玩家针对所述第一游戏对局的目标游戏参与度进行预测，以从所述多组阵营划分方案中，输出所述目标游戏参与度最高的阵营划分方案作为所述最终阵营划分方案；其中，所述目标游戏参与度用于表征所述参赛玩家在所述第一游戏对局结束之后的第一预测周期内持续参与所述第一游戏对局的概率；

当所述目标优化维度为游戏流失率时，通过所述在线匹配模型对每组阵营划分方案中的每一所述参赛玩家针对所述第一游戏对局的目标游戏流失率进行预测，以从所述多组阵营划分方案中，输出所述目标游戏流失率最低的阵营划分方案作为所述最终阵营划分方案；其中，所述目标游戏流失率用于表征所述参赛玩家在所述第一游戏对局结束之后的第二预测周期内持续不参与所述第一游戏对局的概率。

9.根据权利要求6所述的对战匹配方法，其特征在于，所述对战匹配方法，还包括：

响应每一所述第一游戏对局的结束，按照预先设置的游戏数据列表，从结束的该第一游戏对局的全场游戏数据中，提取与所述游戏数据列表中的各项游戏参数相匹配的游戏信息，并利用提取的所述游戏信息对所述游戏数据列表进行填充，得到该第一游戏对局对应的训练样本数据；

按照预先设置的玩家画像特征处理策略，对所述训练样本数据中的玩家信息进行特征处理，得到与所述玩家特征信息相匹配的训练玩家特征信息；

将所述训练玩家特征信息输入至离线匹配模型中，以学习该第一游戏对局下的所有参赛玩家在所述目标优化维度下表现最优的阵营划分方案为目标，对所述离线匹配模型进行训练，得到训练好的离线匹配模型。

10.根据权利要求9所述的对战匹配方法，其特征在于，在得到所述训练好的离线匹配模型之后，所述对战匹配方法还包括：

在同一测试数据集上，分别获取所述在线匹配模型以及所述离线匹配模型针对所述测试数据集的模型测试结果，得到所述在线匹配模型输出的在线模型测试结果以及所述离线匹配模型输出的离线模型测试结果；

从模型评价指标库中，获取与所述目标优化维度相匹配的至少一个模型评价指标；

当检测到所述离线模型测试结果在所述模型评价指标下的表现优于所述在线模型测试结果时，将所述在线匹配模型替换为所述离线匹配模型。

11.一种游戏中的对战匹配装置，其特征在于，所述对战匹配装置包括：

获取模块，用于获取用于游戏对战匹配的通用配置样例表；其中，所述通用配置样例表包括用于实现不同匹配业务逻辑的配置参数信息；

配置模块，用于在目标游戏的游戏配置需求下，响应针对目标匹配业务逻辑的参数配置操作，对所述通用配置样例表中的目标配置参数信息进行配置，得到符合所述游戏配置需求的专用游戏配置表；其中，所述目标配置参数信息表征用于实现所述目标匹配业务逻辑的配置参数信息；

匹配模块，用于响应针对所述目标游戏的游戏匹配请求，按照所述专用游戏配置表对所述游戏匹配请求中的多名待匹配玩家进行对战匹配，确定每名待匹配玩家对应的对战匹配结果；其中，所述对战匹配结果中至少包括：与该名待匹配玩家的玩家配置信息相匹配的目标游戏对局以及在该目标游戏对局下不同游戏阵营的玩家组成信息。

12.一种电子设备，其特征在于，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行如权利要求1至10任一所述对战匹配方法的步骤。

13.一种计算机可读存储介质，其特征在于，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如权利要求1至10任一所述对战匹配方法的步骤。

Images