CN115845394A - 模型的训练方法、游戏对局玩家匹配方法、介质及设备 - Google Patents
模型的训练方法、游戏对局玩家匹配方法、介质及设备 Download PDFInfo
- Publication number
- CN115845394A CN115845394A CN202211616665.6A CN202211616665A CN115845394A CN 115845394 A CN115845394 A CN 115845394A CN 202211616665 A CN202211616665 A CN 202211616665A CN 115845394 A CN115845394 A CN 115845394A
- Authority
- CN
- China
- Prior art keywords
- game
- advantage
- target
- player
- value
- 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
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开涉及一种模型的训练方法、游戏对局玩家匹配方法、介质及设备，其中，优势预测模型的训练方法，通过获取预设历史时间段内多次对局中每次对局的优势值，以及每次对局前对局双方的历史对局正面表现样本数据；以多次对局中每次对局的优势值和每次对局前对局双方的历史对局正面表现样本数据为第一训练数据，对第一预设初始模型进行训练，以得到所述优势预测模型，该优势预测模型能够通过优势值来衡量对局过程中的优势，从而能够从全局的维度衡量对局体验以及对局的胶着程度，根据该优势值来为目标玩家匹配对手玩家，能够更有效的提升用户体验，降低游戏用户的流失概率。
Description
技术领域
本公开涉及游戏技术领域，具体地，涉及一种模型的训练方法、游戏对局玩家匹配方法、介质及设备。
背景技术
在竞技类游戏(例如，MOBA(Multiplayer Online Battle Arena，多人在线战术竞技游戏)，体育类竞技游戏等)中，在进行对手匹配时，大多是基于用户在历史游戏对局中的比赛结果进行，例如可以依据历史游戏对局中的胜负率和KDA(Kill Death Assist，击杀助攻死亡比)来匹配对手，以保证对局双方胜率的均衡性和KDA表现的平衡性。
发明内容
提供该发明内容部分以便以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。该发明内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
本公开提供了一种模型的训练方法、游戏对局玩家匹配方法、介质及设备。
第一方面，本公开提供一种优势预测模型的训练方法，所述方法包括：
获取预设历史时间段内多次对局中每次对局的优势值，以及每次对局前对局双方的历史对局正面表现样本数据；
以多次对局中每次对局的优势值和每次对局前对局双方的历史对局正面表现样本数据为第一训练数据，对第一预设初始模型进行训练，以得到所述优势预测模型。
第二方面，本公开提供一种游戏对局玩家匹配方法，其特征在于，应用于控制器，所述控制器包括以上第一方面所述的优势预测模型，所述方法包括：
响应于目标玩家的游戏对手匹配请求，通过所述优势预测模型确定每个待匹配玩家与所述目标玩家的预测优势值，所述预测优势值用于表征若所述待匹配玩家与所述目标玩家对局，所述目标玩家会产生的优势；；
根据所述预测优势值从多个待匹配玩家中为所述目标玩家匹配对手玩家。
第三方面，本公开提供一种优势预测模型的训练装置，所述装置包括：
获取模块，被配置为获取预设历史时间段内多次对局中每次对局的优势值，以及每次对局前对局双方的历史对局正面表现样本数据；
训练模块，被配置为以多次对局中每次对局的优势值和每次对局前对局双方的历史对局正面表现样本数据为第一训练数据，对第一预设初始模型进行训练，以得到所述优势预测模型。
第四方面，本公开提供一种游戏对局玩家匹配装置，应用于控制器，所述控制器包括以上第一方面所述的优势预测模型，所述装置包括：
第一确定模块，被配置为响应于目标玩家的游戏对手匹配请求，通过所述优势预测模型确定每个待匹配玩家与所述目标玩家的预测优势值，所述预测优势值用于表征若所述待匹配玩家与所述目标玩家对局，所述目标玩家会产生的优势；
第二确定模块，被配置为根据所述预测优势值从多个待匹配玩家中为所述目标玩家匹配对手玩家。
第五方面，本公开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以上第一方面或者第二方面所述方法的步骤。
第六方面，本公开提供一种电子设备，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，以实现以上第一方面或者第二方面所述方法的步骤。
上述技术方案，通过获取预设历史时间段内多次对局中每次对局的优势值，以及每次对局前对局双方的历史对局正面表现样本数据；以多次对局中每次对局的优势值和每次对局前对局双方的历史对局正面表现样本数据为第一训练数据，对第一预设初始模型进行训练，以得到所述优势预测模型，该优势预测模型能够通过优势值来衡量对局过程中的优势，从而能够从全局的维度衡量对局体验以及对局的胶着程度，根据该优势值来为目标玩家匹配对手玩家，能够更有效的提升用户体验，降低游戏用户的流失概率。
本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。在附图中：
图1是本公开一示例性实施例示出的一种优势预测模型的训练方法的流程图；
图2是根据图1所示实施例示出的一种优势预测模型的训练方法的流程图；
图3是本公开一示例性实施例示出的一种模型测试热力图；
图4是本公开一示例性实施例示出的一种对局过程的胜率曲线示意图；
图5是本公开一示例性实施例示出的一种游戏对局玩家匹配方法的流程图；
图6是根据本公开图5所示实施例示出的一种游戏对局玩家匹配方法的流程图；
图7是本公开一示例性实施例示出的一种游戏对局玩家匹配方法的应用流程示意图；
图8是本公开一示例性实施例示出的一种优势预测模型的训练装置的框图；
图9是本公开另一示例性实施例示出的一种游戏对局玩家匹配装置的框图；
图10是本公开一示例性实施例示出的一种电子设备的框图。
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。
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。
可以理解的是，在使用本公开各实施例公开的技术方案之前，均应当依据相关法律法规通过恰当的方式对本公开所涉及个人信息的类型、使用范围、使用场景等告知用户并获得用户的授权。
例如，在响应于接收到用户的主动请求时，向用户发送提示信息，以明确地提示用户，其请求执行的操作将需要获取和使用到用户的个人信息。从而，使得用户可以根据提示信息来自主地选择是否向执行本公开技术方案的操作的电子设备、应用程序、服务器或存储介质等软件或硬件提供个人信息。
作为一种可选的但非限定性的实现方式，响应于接收到用户的主动请求，向用户发送提示信息的方式例如可以是弹窗的方式，弹窗中可以以文字的方式呈现提示信息。此外，弹窗中还可以承载供用户选择“同意”或者“不同意”向电子设备提供个人信息的选择控件。
可以理解的是，上述通知和获取用户授权过程仅是示意性的，不对本公开的实现方式构成限定，其它满足相关法律法规的方式也可应用于本公开的实现方式中。
同时，可以理解的是，本技术方案所涉及的数据(包括但不限于数据本身、数据的获取或使用)应当遵循相应法律法规及相关规定的要求。
在详细介绍本公开的具体实施方式之前，首先对本公开的应用场景进行以下说明，本公开可以应用于体育类竞技游戏、MOBA类竞技游戏中比赛对手的匹配过程。目前，相关技术中，通常是依据用户在历史游戏对局中的比赛结果进行对手匹配，比赛结果通常包括胜负状态，KDA表现等，然而发明人发现胜负状态本身信息量不够，KDA又只是衡量了单体的游戏体验，比赛结果的相关数据不足以在全局的维度上衡量用户对局过程的体验，也不能表征玩家对局的胶着程度。也就是说，仅仅通过胜负率和KDA(Kill Death Assist，击杀助攻死亡比)来匹配对手，不能有效提升对局双方的游戏体验。
为了解决以上技术方案，本公开提供了一种模型的训练方法、游戏对局玩家匹配方法、介质及设备，其中，优势预测模型的训练方法，通过获取预设历史时间段内多次对局中每次对局的优势值，以及每次对局前对局双方的历史对局正面表现样本数据；以多次对局中每次对局的优势值和每次对局前对局双方的历史对局正面表现样本数据为第一训练数据，对第一预设初始模型进行训练，以得到所述优势预测模型，该优势预测模型能够通过优势值来衡量对局过程中的优势，从而能够从全局的维度衡量对局体验以及对局的胶着程度，根据该优势值来为目标玩家匹配对手玩家，能够更有效的提升用户体验，降低游戏用户的流失概率。
下面结合具体实施例对本公开的技术方案进行详细阐述。
图1是本公开一示例性实施例示出的一种优势预测模型的训练方法的流程图，如图1所示，该优势预测模型的训练过程可以包括：
S1，获取预设历史时间段内多次对局中每次对局的优势值，以及每次对局前对局双方的历史对局正面表现样本数据。
其中，所述优势值用于度量游戏对局过程产生的优势，优势值越大优势越明显，优势值为零，表征对局双方优势平衡。
S2，以多次对局中每次对局的优势值和每次对局前对局双方的历史对局正面表现样本数据为第一训练数据，对第一预设初始模型进行训练，以得到该优势预测模型。
其中，在该第一训练数据中可以用每次对局的优势值对该次对局前对局双方的历史对局正面表现样本数据进行优势值标注，该第一预设初始模型可以是神经网络模型，也可以是其他机器学习模型。
以上技术方案，能够训练出用于获取游戏对局过程中玩家优势的优势预测模型模型，该优势预测模型模型输出的优势值能够从全局的维度衡量对局体验以及对局的胶着程度。
图2是根据图1所示实施例示出的一种优势预测模型的训练方法的流程图，如图2所示，图1中S1所述的获取预设历史时间段内多次对局中每次对局的优势值可以通过以下S11至S13所示步骤实现：
S11，获取每次对局前对局双方各自的游戏段位，以及对局过程中每个时间桶对应的游戏数据。
其中，该游戏段位为对局方双中每个玩家的游戏等级，该游戏数据包括每个游戏得分维度的分值差。例如，在包括击杀游戏人物或动物，以及推塔任务的游戏中，该推塔任务中包括推倒外塔任务，推倒二类塔任务，推倒高地塔任务，该游戏数据可以包括击杀数量差，推倒塔的总数差，推倒外塔的数量差，推倒二类塔的数量差以及推倒高地塔的数量差等。
S12，根据每次对局前对局双方各自的游戏段位确定该次对局的平均段位和段位差。
其中，该平均段位为对局双方的平均段位，该段位差为对局中双方段位和的差值。
示例地，若一次对局中对局双方为红方和蓝方，红方包括3个队员，分别为队员A，队员B和队员C，蓝方包括3个队员，分别为队员a，队员b和队员c，其中，队员A的游戏段位为2级，队员B的游戏段位为4级和队员C的游戏段位为3级，队员a的游戏段位为3级，队员b的游戏段位为4级，队员c的游戏段位为5级，则本次对局的平均段位为3.5级，该红方和蓝方的段位差为(2+4+3)-(3+4+5)＝-3。
S13，根据该平均段位，该段位差和该游戏数据确定每次对局的优势值。
其中，该S13可以通过以下S131至S133所示步骤实现：
S131，根据该平均段位，该段位差和每个时间桶对应的该游戏数据确定每个时间点指定对局方的游戏胜率。
本步骤中，可以根据该平均段位和每个该时间桶的目标标识，从目标集合中确定目标胜率预测模型，该目标集合中包括不同平均段位下每个时间桶的胜率预测模型；将该平均段位，该段位差和每个游戏得分维度的分值差作为该目标预测模型的输入，以获取该目标预测模型输出的该游戏胜率。
其中，不同平均段位下每个时间桶的胜率预测模型的训练方法如下：
获取历史游戏样本数据，该历史游戏样本数据包括多次对局中每次对局在每个时间桶下的游戏双方的段位差样本特征和每个游戏得分维度的分值差样本特征；根据该历史游戏样本数据中每个平均段位下的每个时间桶的段位差样本特征和该分值差样本特征确定每个该平均段位下每个该时间桶对应的该胜率预测模型。
需要说明的是，每个该胜率预测模型可以是Linear Regression(线性回归)，一个游戏包括17个分钟桶，8个平均段位，6个游戏特征(段位差特征，5个游戏得分维度的分值差特征(分别可以是击杀数量差，推倒塔的总数差，推倒外塔的数量差，推倒二类塔的数量差以及推倒高地塔的数量差))，若每个该平均段位下每个该时间桶对应的该胜率预测模型为一个包括7个参数(段位差特征的系数，5个游戏得分维度的分值差特征的系数，以及截距)的向量，则该可以得到8×17个该胜率预测模型。如图3所示，图3是本公开一示例性实施例示出的一种模型测试热力图，在图3中横轴为分钟桶，分别为【0-10】为第0个分钟桶，【10-11】为第1个分钟桶，【11-12】为第2个分钟桶，【13-26】中每分钟为一个分钟桶，【26分钟以上】为第16个分钟桶，纵轴为双方的平均段位，不同的灰度表征模型的准确性，其中灰度越大表征模型的准确性越低，灰度越小表征模型的准确性越高。其中，每个格子都对应一个胜率预测模型的测试结果，该图3中包括了对8×17个胜率预测模型的测试结果。
示例地，用Y(7,9)表示平均段位为7，第18分钟(第9个分钟桶)时红方的胜率，该胜率预测模型Y(7,9)可以用该段位差X1和游戏得分维度的分值差(例如包括击杀数量差X2，推倒塔的总数差X3，推倒外塔的数量差X4，推倒二类塔的数量差X5以及推倒高地塔的数量差X6)表示，例如可以表示为：
Y(7,9)＝0.012X1+0.003X2+0.003X3-0.02X4+0.051X5+0.004X6+0.516。
S132，根据每个时间点下该指定对局方的游戏胜率计算该指定对局方的优势时间段和每个时间点的优势大小。
其中，该指定对局方为对局双方中的任一方。
示例地，图4是本公开一示例性实施例示出的一种对局过程的胜率曲线示意图，在该图4中，纵坐标为胜率，横坐标为对局时间，图4中的曲线为红方和蓝方对局过程中红方的胜率曲线，该胜率曲线用于表征红方在对局过程中每个时间点对应的胜率，该红方在本次对局过程中的优势值为图4中面积1与面积2的差值，面积1表征对局过程中胜率大于50％的部分，属于对局过程中红方存在的优势，面积2为胜率小于50％的部分，属于对局过程中红方的优势小于蓝方优势的部分，面积1与面积2的差值为红方在本次对局过程中存在的优势，若该面积1与面积2的差值(即优势值)小于0，则表征红方的优势小于蓝方的优势，若该面积1与面积2的差值(即优势值)大于0，则表征红方的优势大于蓝方的优势，若该面积1与面积2的差值(即优势值)等于0，则表征红方的优势等于蓝方的优势。以图4为例，若该指定对局方为红方，则该指定对局方的优势时间段为0至13分钟，其中，0至6.5分钟优势为正值，6.5至13分钟优势为负值，每个时间点的优势大小为曲线上每个点与50％的差值。
S133，根据该优势时间段和每个时间点的该优势大小确定每次对局的优势值。
其中，可以计算优势大小在优势时间段上的积分，以得到该优势值。
示例地，仍以上述图4为例，计算优势大小在优势时间段内的积分值，将该积分制作为该红方的优势值，用几何表示时，即该面积1和面积2的差值为该红方的优势值。
以上技术方案，通过优势值来衡量对局过程中的优势，从而能够从全局的维度衡量对局体验以及对局的胶着程度，根据该优势值来为目标玩家匹配对手玩家，能够更有效的提升用户体验，降低游戏用户的流失概率。
图5是本公开一示例性实施例示出的一种游戏对局玩家匹配方法的流程图；如图5所示，该方法可以应用于控制器，可以包括：
步骤101，响应于接收到目标玩家的游戏对手匹配请求，通过所述优势预测模型确定每个待匹配玩家与所述目标玩家的预测优势值。
其中，所述预测优势值用于表征若所述待匹配玩家与所述目标玩家对局，所述目标玩家会产生的优势。
本步骤中，该优势预测模型为以上图1或图2所示的方法训练得到的模型。以上所述的通过所述优势预测模型确定每个待匹配玩家与所述目标玩家的预测优势值的实施方式，可以如图6所示(图6是根据本公开图5所示实施例示出的一种游戏对局玩家匹配方法的流程图)：
步骤1011，获取该待匹配玩家在指定历史时间段内的第一对局正面表现数据以及该目标玩家的第二对局正面表现数据。
其中，该第一对局正面表现数据可以包括：待匹配玩家在当前时间之前的指定历史时间段内的胜率，KDA以及MVP(Most Valuable Player，本局对胜利贡献最大的游戏者)率等正面表现(有利于游戏胜利的表现)相关的数据，该第二对局正面表现数据可以包括：目标玩家在当前时间之前的指定历史时间段内的胜率，KDA以及MVP率等正面表现(有利于游戏胜利的表现)相关的数据。
步骤1012，将该第一对局正面表现数据和该第二对局正面表现数据输入预设的优势预测模型，以获取该优势预测模型输出的该预测优势值。
步骤102，根据所述预测优势值从多个所述待匹配玩家中为所述目标玩家匹配对手玩家。
本步骤中，可以确定所述目标玩家对应的目标对局类型，其中，所述目标对局类型用于表征不同程度的游戏体验需求；在确定所述预测优势值属于所述目标对局类型的情况下，将所述待匹配玩家作为所述对手玩家。
其中，以上所述的确定所述目标玩家对应的目标对局类型的一种可能的实施方式为，可以获取该目标玩家的用户属性数据，该用户属性数据包括用户身份特征和用户游戏属性特征；将该用户属性数据输入预设的对局类型预测模型，以获取该对局类型预测模型输出的该目标对局类型。
其中，用户身份特征可以包括用户ID、头像、名称等标识信息；用户游戏属性特征可以包括：用户的游戏等级、近期胜率、游戏时长等与游戏内事件相关的属性特征。
以上所述的对局类型预测模型的训练方式为：
获取多个玩家的用户属性样本数据，该用户属性样本数据包括对局类型标注数据；以该用户属性样本数据为第二训练数据，对第二预设初始模型进行训练，以得到该对局类型预测模型。
需要说明的是，用户属性样本数据可以包括用户身份特征和用户游戏属性特征，该第二预设初始模型可以是神经网络模型，也可以是现有技术中的回归模型。
另一种可能的实施方式中，该目标玩家根据自己的游戏偏好预先设置该目标对局类型，不同的目标对局类型对应的优势值区间不同，可以预先设置该目标对局类型与优势值区间的对应关系，这样，在获取到该目标玩家预设的目标对局类型后可以自动映射至该目标对局类型对应的优势值区间。
需要说明的是，优势值用于表征对局过程中的优势，优势值越大优势越明显，优势值为零，表征对局双方优势平衡，该优势值区间包括多个不同的优势值，用于表征一个优势的范围。
另外，以上步骤102中所述的确定该预测优势值属于该目标对局类型的实施方式，可以包括：确定该目标对局类型对应的优势值区间；在该预测优势值属于该优势值区间的情况下，确定该预测优势值属于该目标对局类型。
示例地，若该目标玩家的目标对局类型为越挫越勇型，对应的优势值区间为[-1.5，0]，则在该待匹配玩家与该目标玩家的预测优势值属于该优势值区间的情况下，确定该预测优势值属于该目标对局类型，将该待匹配玩家作为该对手玩家。
图7是本公开一示例性实施例示出的一种游戏对局玩家匹配方法的应用流程示意图，如图7所示，通过该对局优势值和胜率衡量该对局平衡性，再通过玩家行为的健康度来保证对局质量，从而能够有效提升玩家的游戏体检，进而能够有效提升玩家的留存率。
以上技术方案，通过响应于接收到目标玩家的游戏对手匹配请求，确定该目标玩家对应的目标对局类型，其中，不同的该目标对局类型用于表征不同程度的游戏体验需求；根据该目标对局类型从多个待匹配玩家中为该目标玩家匹配对手玩家，能够根据目标玩家偏好的优势程度匹配对手玩家，从而能够从全局优势的维度匹配对局双方，能够有效提升对局双方的游戏体验。
图8是本公开一示例性实施例示出的一种优势预测模型的训练装置的框图；如图8所示，该装置可以包括：
获取模块801，被配置为获取预设历史时间段内多次对局中每次对局的优势值，以及每次对局前对局双方的历史对局正面表现样本数据；
训练模块802，被配置为以多次对局中每次对局的优势值和每次对局前对局双方的历史对局正面表现样本数据为第一训练数据，对第一预设初始模型进行训练，以得到所述优势预测模型。
以上技术方案，能够训练出用于获取游戏对局过程中玩家优势的优势预测模型模型，该优势预测模型模型输出的优势值能够从全局的维度衡量对局体验以及对局的胶着程度。
可选地，所述获取模块801，被配置为：
获取每次对局前对局双方各自的游戏段位，以及对局过程中每个时间桶对应的游戏数据，所述游戏数据包括每个游戏得分维度的分值差；
根据每次对局前对局双方各自的游戏段位确定该次对局的平均段位和段位差；
根据所述平均段位，所述段位差和所述游戏数据确定每次对局的优势值。
可选地，所述获取模块801，被配置为：
根据所述平均段位，所述段位差和每个时间桶对应的所述游戏数据确定每个时间点指定对局方的游戏胜率；
根据每个时间点下所述指定对局方的游戏胜率计算所述指定对局方的优势时间段和每个时间点的优势大小；
根据所述优势时间段和每个时间点的所述优势大小确定每次对局的优势值。
可选地，所述获取模块801，被配置为：
根据所述平均段位和每个所述时间桶的目标标识，从目标集合中确定目标胜率预测模型，所述目标集合中包括不同平均段位下每个时间桶的胜率预测模型；
将所述平均段位，所述段位差和每个游戏得分维度的分值差作为所述目标预测模型的输入，以获取所述目标预测模型输出的所述游戏胜率。
可选地，所述不同平均段位下每个时间桶的胜率预测模型的训练方法如下：
获取历史游戏样本数据，所述历史游戏样本数据包括多次对局中每次对局在每个时间桶下的游戏双方的段位差样本特征和每个游戏得分维度的分值差样本特征；
根据所述历史游戏样本数据中每个平均段位下的每个时间桶的段位差样本特征和所述分值差样本特征确定每个所述平均段位下每个所述时间桶对应的所述胜率预测模型。
以上技术方案，能够训练出用于获取游戏对局过程中玩家优势的优势预测模型模型，该优势预测模型模型输出的优势值能够从全局的维度衡量对局体验以及对局的胶着程度。
图9是本公开另一示例性实施例示出的一种游戏对局玩家匹配装置的框图；如图9所示，游戏对局玩家匹配装置可以应用于控制器，所述控制器包括以上图1或图2所述方法训练得到的优势预测模型，所述装置包括：
第一确定模块901，被配置为响应于目标玩家的游戏对手匹配请求，通过所述优势预测模型确定每个待匹配玩家与所述目标玩家的预测优势值，所述预测优势值用于表征若所述待匹配玩家与所述目标玩家对局，所述目标玩家会产生的优势；
第二确定模块902，被配置为根据所述预测优势值从多个所述待匹配玩家中为所述目标玩家匹配对手玩家。
以上技术方案，能够通过优势值来衡量对局过程中的优势，从而能够从全局的维度衡量对局体验以及对局的胶着程度，根据该优势值来为目标玩家匹配对手玩家，能够更有效的提升用户体验，降低游戏用户的流失概率。
可选地，所述第二确定模块902，被配置为：
确定所述目标玩家对应的目标对局类型，其中，所述目标对局类型用于表征不同程度的游戏体验需求；
在确定所述预测优势值属于所述目标对局类型的情况下，将所述待匹配玩家作为所述对手玩家。
可选地，所述第二确定模块902，被配置为：
确定所述目标对局类型对应的优势值区间；
在所述预测优势值属于所述优势值区间的情况下，确定所述预测优势值属于所述目标对局类型。
可选地，所述第一确定模块901，被配置为：
获取所述待匹配玩家在指定历史时间段内的第一对局正面表现数据以及所述目标玩家的第二对局正面表现数据；
将所述第一对局正面表现数据和所述第二对局正面表现数据输入预设的所述优势预测模型，以获取所述优势预测模型输出的所述预测优势值。
可选地，所述第二确定模块902，被配置为：
获取所述目标玩家的用户属性数据，所述用户属性数据包括用户身份特征和用户游戏属性特征；
将所述用户属性数据输入预设的对局类型预测模型，以获取所述对局类型预测模型输出的所述目标对局类型。
可选地，所述对局类型预测模型的训练方式为：
获取多个玩家的用户属性样本数据，所述用户属性样本数据包括对局类型标注数据；
以所述用户属性样本数据为第二训练数据，对第二预设初始模型进行训练，以得到所述对局类型预测模型。
以上技术方案，通过优势值来衡量对局过程中的优势，从而能够从全局的维度衡量对局体验以及对局的胶着程度，根据该优势值来为目标玩家匹配对手玩家，能够更有效的提升用户体验，降低游戏用户的流失概率。
下面参考图10，其示出了适于用来实现本公开实施例的电子设备600的结构示意图。本公开实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、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10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10所示，电子设备600可以包括处理装置(例如中央处理器、图形处理器等)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有电子设备600操作所需的各种程序和数据。处理装置601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
通常，以下装置可以连接至I/O接口605：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606；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607；包括例如磁带、硬盘等的存储装置608；以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图10示出了具有各种装置的电子设备600，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609从网络上被下载和安装，或者从存储装置608被安装，或者从ROM 602被安装。在该计算机程序被处理装置601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，客户端或服务器可以利用诸如HTTP(HyperText TransferProtocol，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：获取预设历史时间段内多次对局中每次对局的优势值，以及每次对局前对局双方的历史对局正面表现样本数据；以多次对局中每次对局的优势值和每次对局前对局双方的历史对局正面表现样本数据为第一训练数据，对第一预设初始模型进行训练，以得到所述优势预测模型。
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，例如，第一确定模块还可以被描述为“响应于目标玩家的游戏对手匹配请求，通过所述优势预测模型确定每个待匹配玩家与所述目标玩家的预测优势值，所述预测优势值用于表征若所述待匹配玩家与所述目标玩家对局，所述目标玩家会产生的优势的模块”。
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提供了一种优势预测模型的训练方法，其特征在于，所述方法包括：
获取预设历史时间段内多次对局中每次对局的优势值，以及每次对局前对局双方的历史对局正面表现样本数据；
以多次对局中每次对局的优势值和每次对局前对局双方的历史对局正面表现样本数据为第一训练数据，对第一预设初始模型进行训练，以得到所述优势预测模型。
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，所述获取预设历史时间段内多次对局中每次对局的优势值，包括：
获取每次对局前对局双方各自的游戏段位，以及对局过程中每个时间桶对应的游戏数据，所述游戏数据包括每个游戏得分维度的分值差；
根据每次对局前对局双方各自的游戏段位确定该次对局的平均段位和段位差；
根据所述平均段位，所述段位差和所述游戏数据确定每次对局的优势值。
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，所述根据所述平均段位，所述段位差和所述游戏数据确定每次对局的优势值，包括：
根据所述平均段位，所述段位差和每个时间桶对应的所述游戏数据确定每个时间点指定对局方的游戏胜率；
根据每个时间点下所述指定对局方的游戏胜率计算所述指定对局方的优势时间段和每个时间点的优势大小；
根据所述优势时间段和每个时间点的所述优势大小确定每次对局的优势值。
根据本公开的一个或多个实施例，示例4提供了示例3的方法，所述根据所述平均段位，所述段位差和每个时间桶对应的所述游戏数据确定每个时间点指定对局方的游戏胜率，包括：
根据所述平均段位和每个所述时间桶的目标标识，从目标集合中确定目标胜率预测模型，所述目标集合中包括不同平均段位下每个时间桶的胜率预测模型；
将所述平均段位，所述段位差和每个游戏得分维度的分值差作为所述目标预测模型的输入，以获取所述目标预测模型输出的所述游戏胜率。
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，所述不同平均段位下每个时间桶的胜率预测模型的训练方法如下：
获取历史游戏样本数据，所述历史游戏样本数据包括多次对局中每次对局在每个时间桶下的游戏双方的段位差样本特征和每个游戏得分维度的分值差样本特征；
根据所述历史游戏样本数据中每个平均段位下的每个时间桶的段位差样本特征和所述分值差样本特征确定每个所述平均段位下每个所述时间桶对应的所述胜率预测模型。
根据本公开的一个或多个实施例，示例6一种游戏对局玩家匹配方法，其特征在于，应用于控制器，所述控制器包括以上示例1-5中任一项所述的优势预测模型，所述方法包括：
响应于目标玩家的游戏对手匹配请求，通过所述优势预测模型确定每个待匹配玩家与所述目标玩家的预测优势值，所述预测优势值用于表征若所述待匹配玩家与所述目标玩家对局，所述目标玩家会产生的优势；
根据所述预测优势值从多个所述待匹配玩家中为所述目标玩家匹配对手玩家。
根据本公开的一个或多个实施例，示例7提供了示例6的方法，所述根据所述预测优势值从多个所述待匹配玩家中为所述目标玩家匹配对手玩家，包括：
确定所述目标玩家对应的目标对局类型，其中，所述目标对局类型用于表征不同程度的游戏体验需求；
在确定所述预测优势值属于所述目标对局类型的情况下，将所述待匹配玩家作为所述对手玩家。
根据本公开的一个或多个实施例，示例8提供了示例7的方法，确定所述预测优势值属于所述目标对局类型，包括：
确定所述目标对局类型对应的优势值区间；
在所述预测优势值属于所述优势值区间的情况下，确定所述预测优势值属于所述目标对局类型。
根据本公开的一个或多个实施例，示例9提供了示例6的方法，所述确定每个所述待匹配玩家与所述目标玩家的预测优势值，包括：
获取所述待匹配玩家在指定历史时间段内的第一对局正面表现数据以及所述目标玩家的第二对局正面表现数据；
将所述第一对局正面表现数据和所述第二对局正面表现数据输入预设的所述优势预测模型，以获取所述优势值预测模型输出的所述预测优势值。
根据本公开的一个或多个实施例，示例10提供了示例7的方法，所述确定所述目标玩家对应的目标对局类型，包括：
获取所述目标玩家的用户属性数据，所述用户属性数据包括用户身份特征和用户游戏属性特征；
将所述用户属性数据输入预设的对局类型预测模型，以获取所述对局类型预测模型输出的所述目标对局类型。
根据本公开的一个或多个实施例，示例11提供了示例10的方法，所述对局类型预测模型的训练方式为：
获取多个玩家的用户属性样本数据，所述用户属性样本数据包括对局类型标注数据；
以所述用户属性样本数据为第二训练数据，对第二预设初始模型进行训练，以得到所述对局类型预测模型。
根据本公开的一个或多个实施例，示例12提供了一种优势预测模型的训练装置，所述装置包括：
获取模块，被配置为获取预设历史时间段内多次对局中每次对局的优势值，以及每次对局前对局双方的历史对局正面表现样本数据；
训练模块，被配置为以多次对局中每次对局的优势值和每次对局前对局双方的历史对局正面表现样本数据为第一训练数据，对第一预设初始模型进行训练，以得到所述优势预测模型。
根据本公开的一个或多个实施例，示例13提供了一种游戏对局玩家匹配装置，应用于控制器，所述控制器包括以上示例1-5中任一项所述的优势预测模型，所述装置包括：
第一确定模块，被配置为响应于目标玩家的游戏对手匹配请求，通过所述优势预测模型确定每个待匹配玩家与所述目标玩家的预测优势值，所述预测优势值用于表征若所述待匹配玩家与所述目标玩家对局，所述目标玩家会产生的优势；
第二确定模块，被配置为根据所述预测优势值从多个所述待匹配玩家中为所述目标玩家匹配对手玩家。
根据本公开的一个或多个实施例，示例14提供了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示例1-5或者6-11中任一项所述方法的步骤。
根据本公开的一个或多个实施例，示例15提供了一种电子设备，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，以实现示例1-5或者6-11中任一项所述方法的步骤。
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。
Claims (15)
1.一种优势预测模型的训练方法，其特征在于，所述方法包括：
获取预设历史时间段内多次对局中每次对局的优势值，以及每次对局前对局双方的历史对局正面表现样本数据；
以多次对局中每次对局的优势值和每次对局前对局双方的历史对局正面表现样本数据为第一训练数据，对第一预设初始模型进行训练，以得到所述优势预测模型。
2.根据权利要求1所述的方法，其特征在于，所述获取预设历史时间段内多次对局中每次对局的优势值，包括：
获取每次对局前对局双方各自的游戏段位，以及对局过程中每个时间桶对应的游戏数据，所述游戏数据包括每个游戏得分维度的分值差；
根据每次对局前对局双方各自的游戏段位确定该次对局的平均段位和段位差；
根据所述平均段位，所述段位差和所述游戏数据确定每次对局的优势值。
3.根据权利要求2所述的方法，其特征在于，所述根据所述平均段位，所述段位差和所述游戏数据确定每次对局的优势值，包括：
根据所述平均段位，所述段位差和每个时间桶对应的所述游戏数据确定每个时间点指定对局方的游戏胜率；
根据每个时间点下所述指定对局方的游戏胜率计算所述指定对局方的优势时间段和每个时间点的优势大小；
根据所述优势时间段和每个时间点的所述优势大小确定每次对局的优势值。
4.根据权利要求3所述的方法，其特征在于，所述根据所述平均段位，所述段位差和每个时间桶对应的所述游戏数据确定每个时间点指定对局方的游戏胜率，包括：
根据所述平均段位和每个所述时间桶的目标标识，从目标集合中确定目标胜率预测模型，所述目标集合中包括不同平均段位下每个时间桶的胜率预测模型；
将所述平均段位，所述段位差和每个游戏得分维度的分值差作为所述目标预测模型的输入，以获取所述目标预测模型输出的所述游戏胜率。
5.根据权利要求4所述的方法，其特征在于，所述不同平均段位下每个时间桶的胜率预测模型的训练方法如下：
获取历史游戏样本数据，所述历史游戏样本数据包括多次对局中每次对局在每个时间桶下的游戏双方的段位差样本特征和每个游戏得分维度的分值差样本特征；
根据所述历史游戏样本数据中每个平均段位下的每个时间桶的段位差样本特征和所述分值差样本特征确定每个所述平均段位下每个所述时间桶对应的所述胜率预测模型。
6.一种游戏对局玩家匹配方法，其特征在于，应用于控制器，所述控制器包括以上权利要求1-5中任一项所述的优势预测模型，所述方法包括：
响应于目标玩家的游戏对手匹配请求，通过所述优势预测模型确定每个待匹配玩家与所述目标玩家的预测优势值，所述预测优势值用于表征若所述待匹配玩家与所述目标玩家对局，所述目标玩家会产生的优势；
根据所述预测优势值从多个所述待匹配玩家中为所述目标玩家匹配对手玩家。
7.根据权利要求6所述的方法，其特征在于，所述根据所述预测优势值从多个所述待匹配玩家中为所述目标玩家匹配对手玩家，包括：
确定所述目标玩家对应的目标对局类型，其中，所述目标对局类型用于表征不同程度的游戏体验需求；
在确定所述预测优势值属于所述目标对局类型的情况下，将所述待匹配玩家作为所述对手玩家。
8.根据权利要求7所述的方法，其特征在于，确定所述预测优势值属于所述目标对局类型，包括：
确定所述目标对局类型对应的优势值区间；
在所述预测优势值属于所述优势值区间的情况下，确定所述预测优势值属于所述目标对局类型。
9.根据权利要求6所述的方法，其特征在于，所述确定每个所述待匹配玩家与所述目标玩家的预测优势值，包括：
获取所述待匹配玩家在指定历史时间段内的第一对局正面表现数据以及所述目标玩家的第二对局正面表现数据；
将所述第一对局正面表现数据和所述第二对局正面表现数据输入预设的所述优势预测模型，以获取所述优势值预测模型输出的所述预测优势值。
10.根据权利要求7所述的方法，其特征在于，所述确定所述目标玩家对应的目标对局类型，包括：
获取所述目标玩家的用户属性数据，所述用户属性数据包括用户身份特征和用户游戏属性特征；
将所述用户属性数据输入预设的对局类型预测模型，以获取所述对局类型预测模型输出的所述目标对局类型。
11.根据权利要求10所述的方法，其特征在于，所述对局类型预测模型的训练方式为：
获取多个玩家的用户属性样本数据，所述用户属性样本数据包括对局类型标注数据；
以所述用户属性样本数据为第二训练数据，对第二预设初始模型进行训练，以得到所述对局类型预测模型。
12.一种优势预测模型的训练装置，其特征在于，所述装置包括：
获取模块，被配置为获取预设历史时间段内多次对局中每次对局的优势值，以及每次对局前对局双方的历史对局正面表现样本数据；
训练模块，被配置为以多次对局中每次对局的优势值和每次对局前对局双方的历史对局正面表现样本数据为第一训练数据，对第一预设初始模型进行训练，以得到所述优势预测模型。
13.一种游戏对局玩家匹配装置，其特征在于，应用于控制器，所述控制器包括以上权利要求1-5中任一项所述的优势预测模型，所述装置包括：
第一确定模块，被配置为响应于目标玩家的游戏对手匹配请求，通过所述优势预测模型确定每个待匹配玩家与所述目标玩家的预测优势值，所述预测优势值用于表征若所述待匹配玩家与所述目标玩家对局，所述目标玩家会产生的优势；
第二确定模块，被配置为根据所述预测优势值从多个所述待匹配玩家中为所述目标玩家匹配对手玩家。
14.一种计算机可读介质，其上存储有计算机程序，其特征在于，该程序被处理装置执行时实现权利要求1-5或者6-11中任一项所述方法的步骤。
15.一种电子设备，其特征在于，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，以实现权利要求1-5或者6-11中任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211616665.6A CN115845394A (zh) | 2022-12-15 | 2022-12-15 | 模型的训练方法、游戏对局玩家匹配方法、介质及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211616665.6A CN115845394A (zh) | 2022-12-15 | 2022-12-15 | 模型的训练方法、游戏对局玩家匹配方法、介质及设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115845394A true CN115845394A (zh) | 2023-03-28 |
Family
ID=85673304
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211616665.6A Pending CN115845394A (zh) | 2022-12-15 | 2022-12-15 | 模型的训练方法、游戏对局玩家匹配方法、介质及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115845394A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117618918A (zh) * | 2024-01-25 | 2024-03-01 | 腾讯科技（深圳）有限公司 | 虚拟场景处理方法、装置、电子设备及存储介质 |
-
2022
- 2022-12-15 CN CN202211616665.6A patent/CN115845394A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117618918A (zh) * | 2024-01-25 | 2024-03-01 | 腾讯科技（深圳）有限公司 | 虚拟场景处理方法、装置、电子设备及存储介质 |
| CN117618918B (zh) * | 2024-01-25 | 2024-04-19 | 腾讯科技（深圳）有限公司 | 虚拟场景处理方法、装置、电子设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP7296978B2 (ja) | 対戦ゲームプレイに参加させるためのプレーヤへのインセンティブ授与 | |
| US10449458B2 (en) | Skill matching for a multiplayer session | |
| CN111760295B (zh) | 信息处理方法、装置、计算机可读介质及电子设备 | |
| US9993737B2 (en) | Constructing social networks using monitored game play | |
| US20210142615A1 (en) | System and method for playing online game | |
| US20240123348A1 (en) | Game character control method and apparatus, storage medium and electronic device | |
| CN115845394A (zh) | 模型的训练方法、游戏对局玩家匹配方法、介质及设备 | |
| CN112169327A (zh) | 一种云游戏的控制方法以及相关装置 | |
| JP7403715B2 (ja) | データ処理方法及び装置、機器、記憶媒体 | |
| US10722801B1 (en) | Session management for virtual environments | |
| CN113117343A (zh) | 游戏互动方法、系统、服务器及存储介质 | |
| CN110354496B (zh) | 电子竞技赛事的处理方法及装置、存储介质、电子设备 | |
| KR102590801B1 (ko) | 게임 서비스를 제공하기 위한 장치, 방법 및 컴퓨터 프로그램 | |
| CN110209704A (zh) | 用户匹配方法及设备 | |
| WO2022148059A1 (zh) | 用户匹配方法、装置、电子设备及介质 | |
| CN112619157B (zh) | 游戏对战交互方法及装置、电子设备、可读介质、产品 | |
| CN114797096A (zh) | 虚拟对象的控制方法、装置、设备及存储介质 | |
| KR101190497B1 (ko) | 온라인 게임 서비스의 자동 플레이 방지 방법 및 서버 | |
| US10478732B2 (en) | Arbitrating an outcome of a multiplayer game session | |
| KR100855451B1 (ko) | 컴퓨터 게임을 위한 캐릭터 네비게이션 방법 | |
| US9075761B1 (en) | Social spaces for games | |
| US20240123344A1 (en) | Method and apparatus for game role interaction control, storage medium, and electronic device | |
| CN116983656B (zh) | 决策模型的训练方法、装置、设备及存储介质 | |
| US20240123347A1 (en) | Game interactive control method and apparatus, storage medium and electronic device | |
| CN110188940B (zh) | 业务处理方法及装置 |
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 |