CN116209506A - 对游戏活动分类以识别滥用行为 - Google Patents

Abstract

一种控制在线游戏行为的方法。所述方法包括在游戏服务器处监视在一段时间内在游戏会话中玩视频游戏的多个玩家的多个玩游戏过程。所述方法包括从与和多个玩游戏过程相关联的多个活动相关的多个玩游戏过程中提取特征，所述多个活动由多个玩家控制。所述方法包括通过被配置为对多个活动进行分类的人工智能(AI)学习模型运行所述特征。所述方法包括将活动分类为滥用行为。

Description

对游戏活动分类以识别滥用行为

技术领域

本公开涉及在线游戏，并且更具体地，涉及使用人工智能来对在线游戏活动分类以识别潜在地且负面地影响其他玩家的游戏体验的滥用行为。

背景技术

视频游戏及其相关行业(例如，视频游戏制作)占全球娱乐市场的很大比例，其中一些预测显示视频游戏的全球收入在不久的将来会超过电影行业的收入。从小玩视频游戏的孩子现在已经长大成人(无论老少)，他们的娱乐资金将花在视频游戏娱乐的世界中。

玩视频游戏可以随时随地使用各种类型的平台来进行，所述平台包括游戏控制台、桌上型计算机、膝上型计算机、移动电话等。视频游戏曾经是针对少数儿童和年轻人的利基市场，如今已经越来越受到世代相传，并且随着时间的推移已经成为流行文化的重要组成部分。

近年来，在线服务不断推动，允许在云游戏服务器与通过网络连接的客户端之间以流式传输格式进行在线游戏或云游戏。由于按需提供游戏标题、多玩家游戏玩家之间联网的能力、玩家之间的资产共享、玩家和/或观众之间的即时体验共享、允许朋友观看朋友玩视频游戏、让朋友加入朋友正在进行的玩游戏过程等，流式传输格式已经变得越来越受欢迎。

多玩家游戏依赖于玩家之间的人际交互。例如，在玩一些游戏标题时，团队成员在游戏会话期间相互通信以制定策略，并共同合作以实现目标，诸如击败另一个团队、赢得目标、实现目标等。在这些在线游戏会话期间体验到的玩家之间的同志情谊与其他以团队为本的努力(诸如商业、体育、社交环境等)没有什么不同。

另外，每个游戏标题可以与对应的在线游戏社区相关联，所述在线游戏社区通过玩游戏标题以及通过专用于在线游戏的其他社交平台(例如，通信论坛)形成。例如，经常玩某个游戏标题的玩家可以通过他们的在线游戏人物角色相互了解并为其他观众所知。玩家变得了解其他玩家的成就，诸如通过游戏会话期间的通信，或通过可能针对一个或多个游戏标题的玩游戏过程的其他在线社交平台(例如，聊天、论坛、流媒体频道等)。因此，玩家可能会在在线游戏社区中获得可能跨度为从良好到不良的声誉，就像在任何社交社区中一样。玩家的声誉在在线游戏社区中可能变得很重要，因为其他玩家可能希望与该玩家建立友谊、效仿该玩家、或出于社交互动或玩游戏的目的基于对应的声誉设法避开该玩家。

在一些情况下，在线游戏社区中的受欢迎的玩家可能会获得其他玩家和/或观众的忠实追随。这些受欢迎的玩家可以流式传输他们录制的玩游戏过程，将玩游戏过程发布到流媒体平台，以便他们的粉丝可随时观看。最受欢迎的玩家可能会利用他们在在线游戏社区中的声誉带来的收入流，诸如通过赞助或与他们的流媒体游戏相关的广告等。另外，在线游戏社区可能越跨多个游戏标题。例如，玩家可能擅长并因此可能在许多游戏标题中流行，在该情况下，该玩家能够在一个或多个游戏标题中扩展在线游戏社区。

每个玩家的游戏体验对于对应游戏标题的成功和整个游戏行业来说都是至关重要的。当游戏体验令人愉悦时，众所周知，许多玩家多年来会反复返回玩同一个游戏标题。此外，当玩家的游戏体验继续令人愉快时，该玩家可能决定玩其他游戏标题。然而，有时玩家的游戏体验并不如预期的那样愉快。在那些情况下，在一个或多个游戏会话中没有愉快的游戏体验的玩家可能决定不玩特定的游戏会话，可能决定退出玩特定的游戏标题，并最终决定总体上退出玩在线游戏标题。尽管游戏体验可能不愉快的玩家数量相对较少，但对游戏行业的负面影响可能会随着时间的推移而增加，使得行业的增长可能会停滞或倒退，特别是在根本问题没有得到解决的情况下。

玩家在玩在线游戏标题时的乐趣可能会因与某些其他玩家的任意次数的交互而受到负面影响。特定地，这些其他玩家中的一些玩家故意执行不期望的动作和/或活动(例如以滥用方式行事或表现出滥用行为)，从而降低一个或多个其他玩家的游戏体验。通常，这些玩家可以被称为“滥用者”，但是他们也可能被称为毒瘤玩家、欺凌者、滋事者等其他名称，并且众所周知，他们喜欢给其他玩家带来怒气和/或扰乱其他玩家的游戏体验。

在一些情况下，滥用者将他或她的滥用行为指向一个或多个有机会成为目标的玩家。例如，滥用者的滥用行为可能针对一个或多个被随机分配到与滥用者相同的团队的玩家。在其他情况下，滥用者正在寻找特定玩家以试图降低他们的游戏体验。例如，滥用者可能将在线社区中属于边缘化群组(诸如通过年龄、性别、种族、性取向、游戏经验等识别的群组)的玩家作为目标。此外，滥用者可能出于其他看似随机的原因将玩家作为目标，诸如不喜欢他们的在线名称或人物角色、发现该玩家很烦人、不喜欢化身的外观、不喜欢化身的装备、不喜欢装备的颜色等。

滥用行为的范围可能从轻微烦人到接近甚至跨越到接近非法或犯罪活动。明显的滥用行为包括骚扰、欺凌、欺骗、滋事等。一般来说，滥用行为包括旨在对其他玩家的玩游戏过程的乐趣造成负面影响的行为。尽管滥用行为可能清晰明显，但在许多情况下，滥用行为可能不太明显，因此在线游戏中可能会出现更复杂的难以检测的行为和/或动作。

在线游戏社区内对滥用者可能会有一种冷漠或不可避免的感觉。例如，滥用者的数量仍然相对较少，而且大多数玩家没有经历过任何程度的滥用行为。此外，以前的滥用者可能能够采取行动而不会有任何后果，因为即使目标玩家和/或受害者向游戏主机报告了滥用行为，对滥用者采取的补救动作也微乎其微。然而，游戏行业正在意识到在线游戏社区中存在滥用者所带来的负面问题。如果滥用行为不受制止，可能会逐渐付出最终代价。例如，在线游戏社区的人数可能会减少，因为社区会变得更加刻薄并接受滥用行为。

正是在此背景下提出了本公开的实施方案。

发明内容

本公开的实施方案涉及用于训练和实施人工智能(AI)模型的系统和方法，所述AI模型被配置为将由视频游戏玩家控制的活动识别为不期望的或期望的。AI模型使用深度学习引擎进行训练，所述深度学习引擎被配置为提取与玩家活动相关的特征并将那些活动分类为滥用行为或期望的(例如，良好行为)。这样，可以执行附加的动作以帮助建立遏制滥用行为的在线游戏社区。

在一个实施方案中，公开了一种用于控制在线游戏行为的方法。所述方法包括在游戏服务器处监视在一段时间内在游戏会话中玩视频游戏的多个玩家的多个玩游戏过程。所述方法包括从与和多个玩游戏过程相关联的多个活动相关的多个玩游戏过程中提取特征，所述多个活动由多个玩家控制。所述方法包括通过被配置为对多个活动进行分类的人工智能(AI)学习模型运行所述特征。所述方法包括将活动分类为滥用行为。

在另一实施方案中，公开了一种非暂时性计算机可读介质，所述非暂时性计算机可读介质存储用于实施控制在线游戏行为的方法的计算机程序。所述计算机可读介质包括用于在游戏服务器处监视在一段时间内在游戏会话中玩视频游戏的多个玩家的多个玩游戏过程的程序指令。所述计算机可读介质包括用于从与和多个玩游戏过程相关联的多个活动相关的多个玩游戏过程中提取特征的程序指令，所述多个活动由多个玩家控制。所述计算机可读介质包括用于通过被配置为对多个活动进行分类的人工智能(AI)学习模型来运行特征的程序指令。所述计算机可读介质包括用于将活动分类为滥用行为的程序指令。

在又一个实施方案中，公开了一种计算机系统，其中所述计算机系统包括处理器和存储器，所述存储器耦合到处理器并且其中存储有指令，所述指令在由计算机系统执行的情况下，致使计算机系统执行用于控制在线游戏行为的方法。所述方法包括在游戏服务器处监视在一段时间内在游戏会话中玩视频游戏的多个玩家的多个玩游戏过程。所述方法包括从与和多个玩游戏过程相关联的多个活动相关的多个玩游戏过程中提取特征，所述多个活动由多个玩家控制。所述方法包括通过被配置为对多个活动进行分类的人工智能(AI)学习模型运行所述特征。所述方法包括将活动分类为滥用行为。

通过以下结合附图进行的以举例方式说明本公开的原理的详细描述，本公开的其他方面将变得显而易见。

附图说明

通过参考以下结合附图进行的描述，可以最好地理解本公开，在附图中：

图1示出了根据本公开的一个实施方案的系统，所述系统被配置为实施人工智能模型，所述人工智能模型被配置为识别在游戏会话期间由视频游戏玩家控制的不期望的和/或期望的活动。

图2是根据本公开的一个实施方案的在线游戏社区的图示。

图3A是根据本公开的一个实施方案的提供对队友给予赞誉的通知的图示。

图3B是根据本公开的一个实施方案的通知玩家收到赞誉的通知的图示。

图3C是根据本公开的一个实施方案的在游戏会话期间一个玩家给予另一个玩家赞誉的图示。

图4是根据本公开的一个实施方案的系统的图示，所述系统被配置为训练和实施被配置为识别不期望的和/或期望的行为的人工智能模型。

图5是示出根据本公开的一个实施方案的用于对不期望的和/或期望的行为进行分类的方法的流程图。

图6A示出了根据本公开的一个实施方案的数据流图，所述数据流图示出了对由被配置为训练和实施可以识别行为的人工智能模型的系统所建议的不期望的行为的验证。

图6B示出了根据本公开的一个实施方案的请求验证不期望的行为的弹出消息。

图6C示出了根据本公开的一个实施方案的数据流图，所述数据流图示出了对由玩家标记的不期望的行为的验证。

图6D示出了根据本公开的一个实施方案的请求报告不期望的行为的弹出消息。

图6E示出了根据本公开的一个实施方案的掩蔽和移除被对目标玩家表现出或已经表现出不期望的行为的玩家作为目标的玩家。

图6F示出了根据本公开的一个实施方案的标记玩家即将出现的通知。

图6G示出了根据本公开的一个实施方案的提供给被识别为表现出不期望的行为的玩家的通知。

图6H示出了根据本公开的一个实施方案的迷你报告特征600H，所述迷你报告特征提供对不期望的行为和/或期望的行为的快速确认。

图7示出了可以用于执行本公开的各种实施方案的各方面的示例性装置的部件。

具体实施方式

虽然出于说明目的，以下详细说明包含许多具体细节，但是本领域的普通技术人员将会了解，以下细节的许多变化和更改在本公开的范围内。因此，阐明以下所描述的本公开的各方面，而本说明书的随附权利要求的概括性没有任何损失，并且不对所述权利要求施加任何限制。

一般来说，本公开的各种实施方案描述了实施人工智能(AI)技术以训练和/或构建机器学习模型的系统和方法，所述机器学习模型被配置为识别游戏会话的玩家之间的不期望的行为和/或对所述不期望的行为进行分类，以及应用减轻技术以试图最大限度地减少不期望的行为的发生。此外，机器学习模型可以被配置为识别游戏会话的玩家之间的期望的行为，以便在在线游戏社区内确立和建立玩家的声誉，诸如通过向执行期望的行为的玩家提供赞誉的系统。特定地，本公开的实施方案被配置为对其他玩家的滥用(例如，滥用行为)进行分类。其他实施方案被配置为识别玩家何时由于游戏中的滥用而决定退出。在本公开的各实施方案中，一个或多个玩家(例如，滥用者)执行的滥用或滥用行为的一些示例包括“故意杀死他或她自己的角色”以伤害他们的群组(例如，多玩家游戏中的玩家团队)或他们的朋友；故意杀死队友；用表情符号发送垃圾信息；“滋事”以执行旨在使另一个玩家愤怒的动作；决定不帮助团队中的队友；看着另一个角色死去；看着队友的角色死去而不提供帮助；看着队友面对困难或遭遇问题而不提供帮助等等。在本公开的实施方案中，为了减轻滥用行为，在游戏会话结束时，统计数据可以包括对滥用者或表现出某些特征(例如，不期望的行为)的滥用者的识别，而不是仅仅显示游戏得分。可以采取附加的动作来减轻不期望的行为，包括警告所识别的执行不期望的行为的玩家、禁止所识别的玩家进行X次会话、在当前游戏会话期间使所识别的玩家处于超时状态等。在其他实施方案中，还可以使用人工智能(例如，机器学习模型)来监视会话活动并学习什么是不良的(不期望的行为)和良好的(例如，期望的行为)。遥测数据(例如，游戏状态数据、元数据和用户保存的数据)可以在每个玩家的玩游戏过程期间捕获，并且可以对该遥测数据进行处理以将玩家识别为可能的滥用者。在其他实施方案中，可以使用众包来验证活动是否是滥用的，并且可以将那些验证反馈给实施机器学习的人工智能系统以向机器学习模块提供附加的训练和/或学习，所述机器学习模块被配置为识别玩家在游戏会话期间的不期望的和期望的行为。在本公开的实施方案中，被滥用的玩家(例如，目标玩家/或受害者)不必改变他或她的游戏模式，诸如当对应的滥用者被禁止参加会话或被完全禁止玩视频游戏时(例如，终身禁止)时。

被配置为识别玩家在一个或多个游戏会话中的行为和/或对所述行为进行分类的系统的优点包括云游戏系统的有效实施。例如，不期望的和/或滥用行为可能导致后端服务器在处理能力和周期方面产生负面成本。也就是说，一个或多个游戏会话期间的不期望的和/或滥用行为会占用处理资源。计算资源因视频游戏中发生的对视频游戏的发展没有帮助的动作而损失。此外，如果太多人表现出不期望的和/或滥用行为，则执行与不期望的和/或滥用行为相关的动作可能会造成瓶颈。也就是说，该不期望的和/或滥用活动可能会减慢系统的速度，从而对正在尝试合法玩游戏或尝试推进游戏的其他玩家造成不利(例如，导致他们对对应的玩游戏过程的相关联的处理延迟)。基本上，使用计算资源来处理不期望的和/或滥用玩家活动会对处理系统、存储器、存储装置等造成压力。另外，处理不期望的和/或滥用玩家活动会导致使用附加的管理资源，这可能会潜在地占用处理实际游戏活动的时间，诸如导致对涉及不期望的和/或滥用活动的玩游戏过程进行额外报告；并且导致使用附加的流量管理来管理流量和/或减少所述行为。因此，对不期望的(例如，滥用的、不良的等)行为的检测和分类可以允许应用提高云游戏系统的效率的减轻技术。特定地，可以强制限制表现出不期望的行为的玩家的玩游戏过程(例如，使那些玩家处于超时会话中，或禁止玩家玩游戏一段时间)。这使得在一个或多个游戏会话期间可用于建设性玩游戏过程的云游戏系统的带宽增加，因为表现出不期望的行为的玩家被阻止占用宝贵的带宽，并且不期望的行为的目标在他们的玩游戏过程中不需要浪费时间和精力来解决不期望的行为。而是，可以以有效的方式引导不期望的行为的目标的玩游戏过程来推进他们对应的玩游戏过程。因此，有更多的带宽用于建设性的玩游戏过程，因为资源不再处理或减轻与不期望的和/或滥用行为相关的活动。

贯穿本说明书，对“游戏”或“视频游戏”或“游戏应用程序”的引用意在表示通过执行输入命令来引导的任何类型的交互式应用程序。仅出于说明目的，交互式应用程序包括用于游戏、文字处理、视频处理、视频游戏处理等的应用程序。此外，上面介绍的术语是可互换的。

借助上述对各种实施方案的大致理解，现在将参考各种附图来描述实施方案的示例性细节。

图1示出了根据本公开的一个实施方案的系统100，所述系统被配置为实施使用人工智能的人工智能模型(例如，通过机器学习的应用程序)，所述人工智能模型被配置为识别在游戏会话期间由视频游戏玩家控制的不期望的和/或期望的活动。一旦识别到玩家的不期望的和/或期望的活动，附加的响应就可以由系统100执行以便促进在玩在线视频游戏时以良好行为行事和/或对所述以良好行为行事给予赞誉。例如，滥用响应引擎145被配置为一旦使用人工智能识别了对应玩家的滥用行为，就减轻所述滥用行为。此外，赞誉系统120被配置为通过管理赞誉(例如，颁发和移除)来促进在线游戏社区的整体健康，其中赞誉可以表示玩家之间的积极肯定。

视频游戏可以在对应玩家本地执行(没有作为独立系统的后端支持，或者有数据传输和存储的后端支持，或者在多玩家设置中)，或者可以在后端服务器处(例如，通过游戏云系统110)执行，如下面将描述的。如图所示，多个玩家115(例如，玩家5A、玩家5B、……、玩家5N)正在玩多个视频游戏或游戏应用程序，其中每个视频游戏都在对应的客户端装置100(例如，游戏控制台)或在后端服务器(例如，游戏云系统110)本地执行。系统100支持多个玩家115在单玩家或多玩家模式下在一个或多个时刻(诸如在一段时间内)玩游戏。另外，多个玩家115中的每一个都可以访问可选装置11或其他装置(例如，扬声器或头戴式显示器)，所述装置被配置为提供附加的支持(例如，显示器等)和/或特征。客户端装置100可以包括具有处理器和存储器的任何类型的装置，不论是有线还是无线的、便携式还是非便携式的。在一个实施方案中，客户端装置100可以呈以下形式：智能电话、平板计算机或以便携式形状因素来提供触摸屏能力的混合型装置。

对于对应视频游戏的本地执行，每个客户端装置100可以类似地配置为执行对应游戏应用程序的本地执行。例如，玩家5A可以在对应的客户端装置100上玩第一视频游戏，其中第一视频游戏的实例由包括中央处理单元(CPU)和图形处理单元(GPU)组的对应游戏执行引擎111(例如，游戏引擎)执行。实施第一视频游戏的游戏逻辑126A(例如，可执行代码)存储在对应的客户端装置100上，并且用于使用游戏执行引擎111来执行第一视频游戏。出于说明的目的，游戏逻辑可以通过便携式介质(例如，闪速驱动器、光盘等)或通过网络(例如，通过互联网150从游戏供应商下载)传送到对应的客户端装置100。另外，玩家5B正在对应的客户端装置100上玩第二视频游戏，其中第二视频游戏的实例由对应的游戏执行引擎111执行。第二视频游戏可以与为玩家5A执行的第一视频游戏相同或可以是不同的视频游戏。实施第二视频游戏的游戏逻辑126B(例如，可执行代码)如前所述存储在对应的客户端装置100上，并且用于使用对应的游戏执行引擎111来执行第二视频游戏。此外，玩家115N正在对应的客户端装置100上玩第N个视频游戏，其中第N个视频游戏的实例由对应的游戏执行引擎111执行。第N个视频游戏可以与第一或第二视频游戏相同，或者可以是完全不同的视频游戏。实施第三视频游戏的游戏逻辑126N(例如，可执行代码)如前所述存储在对应的客户端装置100上，并且用于使用对应的游戏执行引擎111来执行第N个视频游戏。

为了远程执行对应的视频游戏，游戏云系统110可以被配置为分布式游戏服务器系统和/或架构。一般来说，游戏云系统(GCS)110可以是在网络150上运行以支持多个用户/玩家的云计算系统。GCS 110是一种可以提供游戏应用程序、服务、游戏相关数字内容以及系统、应用程序、用户与社交网络之间的互连性的系统。GCS 110可以经由网络接口(未示出)通过社交媒体管理器(未示出)与客户端装置126A至126N和社交媒体提供商(未示出)通信。社交媒体管理器(未示出)可以被配置为跨一个或多个社交媒体平台关联一个或多个朋友。GCS 110的游戏会话管理器(未示出)可以与记录引擎(未示出)通信以生成或保存玩游戏过程或玩游戏过程会话或游戏会话的记录(例如，视频)。

每个访问GCS 110的玩家的用户简档包括可以用于认证目的和/或识别不期望的或期望的行为的玩家信息。例如，账户管理器(未示出)可以用于更新和管理与成员用户/玩家相关的用户信息。用户简档可以存储在数据库140中。

多个玩家115经由网络150访问游戏云系统110，其中玩家(例如，玩家5L、5M、……、5Z)经由对应的客户端装置100访问网络150，其中每个客户端装置100可以配置有游戏执行引擎111，所述游戏执行引擎被配置为执行游戏逻辑，或者可以被配置为与提供计算功能的后端服务器对接的瘦客户端(例如，包括被配置为执行游戏逻辑177的游戏执行引擎175)，诸如在流式传输配置中。这样，玩游戏过程主要在GCS 110中执行，使得对应的客户端装置100将从GCS 110接收游戏视频帧流，并且可以将用于驱动玩游戏过程的用户输入命令传输回GCS 110。特定地，对应玩家5A的客户端装置100被配置用于通过诸如互联网等网络150请求访问游戏应用程序，并且用于渲染由游戏服务器105执行并且被传送到与对应玩家5A相关联的显示装置的视频游戏的实例。例如，玩家5A可以通过客户端装置100与在游戏服务器105的游戏处理器上执行的视频游戏的实例进行交互。更特定地，游戏应用程序的实例由游戏执行引擎175执行。实施视频游戏的游戏逻辑(例如，可执行代码)被存储并可通过数据存储区或数据库140访问，并且用于执行视频游戏。游戏执行引擎175能够使用多个游戏逻辑177支持多个视频游戏。

如图所示，游戏云系统110包括提供对多个交互式视频游戏或游戏应用程序的访问的游戏服务器105。游戏服务器105可以是云中可用的任何类型的服务器计算装置，并且可以被配置为在一个或多个主机上执行的一个或多个虚拟机。例如，游戏服务器105可以管理支持为用户实例化游戏应用程序实例的游戏处理器的虚拟机。因此，与多个虚拟机相关联的游戏服务器105的多个游戏处理器被配置为执行与多个用户115的玩游戏过程相关联的一个或多个视频游戏的多个实例。例如，云游戏网络110可以包括在主机的管理程序上运行的多个虚拟机(VM)，其中一个或多个虚拟机被配置为利用对主机的管理程序可用的硬件资源来执行游戏处理器模块。这样，后端服务器支持向多个对应用户提供多个视频游戏的玩游戏过程的媒体(例如，视频、音频等)的流式传输。

特定地，在分布式游戏服务器系统中，执行游戏逻辑的分布式游戏执行引擎被配置为对应视频游戏的对应实例。一般来说，分布式游戏执行引擎采用游戏执行引擎的每个功能并将那些功能进行分布以供用作中央处理单元(CPU)和图形处理单元(GPU)组的多个处理实体执行。单独的功能可以进一步分布在一个或多个处理实体上。处理实体可以被配置为不同的配置，包括物理硬件，和/或作为虚拟部件或虚拟机，和/或作为虚拟容器，其中容器不同于虚拟机，因为其虚拟化在虚拟化操作系统上运行的游戏应用程序的实例。处理实体可以利用和/或依赖于服务器及其在游戏云系统的一个或多个服务器(计算节点)上的底层硬件，其中所述服务器可以位于一个或多个机架上。对各种处理实体执行那些功能的协调、分配和管理由分布同步层执行。这样，那些功能的执行由分布同步层控制，以实现响应于玩家的控制器输入为视频游戏(例如，视频帧、音频等)生成媒体。分布同步层能够跨分布式处理实体有效地执行(例如，通过载荷平衡)那些功能，使得关键的游戏引擎部件/功能被分布和重新组装以进行更有效的处理。

系统100提供对多个玩家115(例如，玩家5A至5N)的游戏控制，使得每个客户端装置100可以接收来自各种类型的输入装置的输入，诸如游戏控制器、平板计算机、键盘、由摄像机捕获的手势、鼠标、触摸板等。客户端装置100可以是任何类型的至少具有存储器和能够通过网络150连接到游戏服务器105的处理器模块的计算装置。此外，对应玩家的客户端装置100被配置用于生成由在本地执行的游戏执行引擎111执行或由远程执行的游戏执行引擎175执行的渲染图像，并且用于在显示器上显示渲染图像。例如，所渲染的图像可以与在对应玩家的客户端装置100本地执行的对应视频游戏的实例相关联，或者客户端装置100被配置为与经由游戏服务器105远程地执行的对应视频游戏的实例交互以实施对应玩家的玩游戏过程，诸如通过用于驱动玩游戏过程的输入命令。

在一个实施方案中，客户端装置100针对正在玩视频游戏的对应玩家以单玩家模式操作。在另一个实施方案中，多个客户端装置100对于各自在玩特定视频游戏的对应玩家以多玩家模式操作。这样，经由游戏服务器105提供的后端服务器支持可以提供多玩家功能，诸如通过多玩家处理引擎119。特定地，多玩家处理引擎119被配置用于控制特定游戏应用程序的多玩家游戏会话。例如，多玩家处理引擎119与多玩家会话控制器116通信，所述多玩家会话控制器被配置为与参与多玩家游戏会话的每个用户和/或玩家建立和维持通信会话。这样，会话中的玩家可以如多玩家会话控制器116控制的那样相互通信。

特定地，多玩家处理引擎119与多玩家逻辑118通信，以便在每个用户的对应游戏环境内实现用户之间的交互。特定地，状态共享模块117被配置为管理多玩家游戏会话中每个用户的状态。例如，状态数据可以包括游戏状态数据，所述游戏状态数据定义对应用户在特定点的玩游戏过程的(游戏应用程序的)状态。例如，游戏状态数据可以包括游戏角色、游戏对象、游戏对象属性、游戏属性、游戏对象状态、图形覆盖等。这样，游戏状态数据允许生成游戏应用程序中在对应点存在的游戏环境。游戏状态数据还可以包括用于渲染玩游戏过程的每个装置的状态，诸如CPU状态、GPU状态、存储器状态、寄存器值状态、程序计数器值状态、可编程DMA状态、DMA缓冲数据状态、音频芯片状态、CD-ROM状态等。游戏状态数据还可以识别需要加载可执行代码的哪些部分以从该点开始执行视频游戏。游戏状态数据可以存储在数据库或数据存储区140中，并且可由状态共享模块117访问。

此外，状态数据可以包括用户保存的数据，所述用户保存的数据包括使对应玩家的视频游戏个性化的信息。这包括与用户所扮演的角色相关联的信息，使得视频游戏被呈现为具有对于该用户而言可能是唯一的角色(例如，位置、形状、外貌、服装、武器等)。这样，用户保存的数据能够为对应用户的玩游戏过程生成角色，其中所述角色具有对应于对应用户当前在游戏应用程序中体验的点的状态。例如，用户保存的数据可以包括对应用户在玩游戏时选择的游戏难度、游戏等级、角色属性、角色位置、剩余生命数、可用生命总数、盔甲、奖杯、时间计数器值等。例如，用户保存的数据还可以包括识别对应玩家的用户简档数据。用户保存的数据可以存储在数据库140中。

另外，状态数据可以包括被配置为提供信息和/或其他信息的上下文的元数据，诸如游戏状态数据和用户保存的数据。元数据可以提供不同信息之间的关系连接，或提供任何类型的有用信息。例如，元数据可以包括描述玩家的玩游戏过程中特定点的游戏上下文的信息，诸如玩家在游戏中的位置、游戏类型、游戏情绪、游戏评级(例如，成熟度级别)、游戏环境中其他玩家的数量、显示的游戏维度、收集信息的时间、收集的信息类型、互联网连接的区域或位置、哪些玩家正在玩特定的游戏会话、描述性信息、游戏标题、游戏标题版本、特许经营权、游戏标题分发格式、网络连接、访问的可下载内容、链接、语言、系统要求、硬件、积分、成就、奖励、奖杯等。

这样，使用状态共享数据117和多玩家逻辑118的多玩家处理引擎119能够覆盖/插入对象和角色到参与多玩家游戏会话的用户的每个游戏环境中。例如，第一用户的角色是覆盖/插入到第二用户的游戏环境中。这允许在多玩家游戏会话中的用户之间经由他们相应的游戏环境中的每一个(例如，显示在屏幕上)进行交互。

经由游戏服务器105提供的后端服务器支持可以提供附加的特征，诸如实施滥用响应引擎145和赞誉系统120。特定地，游戏服务器105可以与AI处理器160协同工作，以便使用人工智能识别一个或多个视频游戏的一个或多个游戏会话中不期望的和/或期望的行为和/或对所述行为进行分类。因此，GCS 110被配置为识别玩家在一个或多个视频游戏的一个或多个游戏会话内的不期望的行为(例如，滥用行为和/或故意设计来减少一个或多个其他玩家(例如，目标玩家和/或受害者)的游戏体验乐趣的行为)，并且提供附加的响应和/或反应以便使用滥用响应引擎145减轻不期望的行为。此外，GCS 110被配置为识别期望的行为(例如，通常增加一个或多个其他玩家的游戏体验的乐趣的良好行为)，并且管理赞誉系统以促进玩家在玩在线视频游戏时实践良好行为。一个或多个用户/玩家装置可以连接到网络150以访问由GCS 110和社交媒体提供商(未示出)提供的服务。

例如，根据本公开的一个实施方案，AI处理器160被配置为实施机器学习引擎190(例如，通过机器学习模型)以便识别玩家在游戏会话内的不期望的行为(诸如滥用行为)和/或对所述行为进行分类。在识别滥用行为和/或对滥用行为进行分类之后，滥用响应引擎145被配置为提供附加的系统响应和/或动作，所述附加的系统响应和/或动作被设计为减轻对应玩家在短期和长期内的滥用行为。

在另一个示例中，根据本公开的一个实施方案，AI处理器160被配置为实施机器学习引擎190，所述机器学习引擎应用机器学习(例如，通过机器学习模型)以便识别玩家在游戏会话内的期望的行为和/或对所述期望的行为进行分类。期望的行为可以包括促进在线游戏社区的整体健康并且通常有益地增加一个或多个其他玩家的游戏体验(例如，乐趣)的良好行为。在识别期望的行为之后，赞誉系统120被配置为通过管理在线游戏社区成员的赞誉来促进在线游戏社区的健康。赞誉可以是对玩家行为的积极肯定的度量，如在玩家之间或由赞誉系统120调节的那样。特定地，被给予和或被解除的赞誉提供了对对应玩家的声誉的表示，其中声誉可以指示玩家在社区内的有益程度。例如，持续执行增加另一个玩家的乐趣的动作(例如，通过游戏会话帮助新手或没有经验的玩家)的玩家可能具有通过大量赞誉或高赞誉评级表示的声誉。在具体实施方式中，一个玩家可以给予另一个队友(例如，玩家)赞誉，所述赞誉表示在游戏后总结会话期间表达积极肯定的度量。玩家可以在每个游戏会话中向任何其他玩家给予一个赞誉。在一些情况下，玩家可以在每次游戏会话中给予一个或多个赞誉。在一个实施方案中，赞誉是匿名给予的。在另一个实施方案中，接收者知道玩家给予了赞誉。

赞誉系统

图2是根据本公开的一个实施方案的在线游戏社区200的图示。在线游戏社区200包括多个成员220，其中社区200可以是包含多种类型的成员的通用社区。通常，社区200的成员对游戏、或特定视频游戏或一组视频游戏有一定兴趣。例如，成员可能是玩家、观众、临时观察者、认真观察者、研究人员、专家、社会评论员、商业伙伴等。

如图所示，在线游戏社区200可以包括一个或多个子集，其中每个子集可以包括一个或多个成员。出于说明的目的，社区子集205包括取自多个成员220的多个成员，其中每个成员可以由对应的化身表示来表示。化身可以是通用的或由每个成员定制的。社区子集205包括通过将光标201放置在玩家附近而被放大和突出显示的成员220x。社区子集205的每个成员具有与游戏相关的共同且相关的兴趣。例如，社区子集205可以与特定视频游戏相关，其中视频游戏可以是单玩家游戏、多玩家游戏、大型多玩家游戏(MMO)、第一人称射击游戏等。社区子集205的成员可能对视频游戏充满热情，并且可能玩视频游戏、积极观看视频游戏、想要学习游戏、在子集205内有朋友、其他兴趣、或者具有前述各者的任一组合。社区子集205可以包括朋友的社交网络或其他相关的用户群组。成员可以在通用社区200内、特定社区子集内或社区子集之间相互交互。

在一些情况下，社区子集205可以存在很长一段时间，诸如跨越一个或多个视频游戏的多个游戏会话的时段。例如，社区子集205可以包括在玩视频游戏X时形成团队的一群朋友，其中团队玩家可以同时在线，或者在不连贯的时间线上参与(例如，在不同的时间并且不在同一时间在线)以便协作实现目标。在其他情况下，所述子集存在的时间可能要短得多，诸如跨越单个游戏会话的时段。在该情况下，形成社区子集205的一组玩家可以被随机配置为一个团队，或者形成社区子集205的一组玩家可以是一组作为团队进行游戏的朋友。

在线游戏社区200或任何社区子集可以由适用于一般社会的社会结构形成，但也可以采用游戏独有的社会结构。仅出于简单和说明的目的，以下概念是关于在线游戏社区200描述的，但同样适用于任何社区子集。正如在任何社交社区内一样，在线游戏社区200可以包括在社区内被认为是正常的、信誉良好的、受人尊敬的以及信誉不佳的成员。例如，成员220x可以被视为信誉良好的玩家、适当使用他或她的对应技能组合且无意伤害其他玩家的玩家、以及通常关心社区200和/或其成员的福利的玩家。在突出显示(例如，使用光标201)时可能对其他成员可见的玩家220x的用户简档210可以包括各种信息，诸如：角色(Gata 5)；技能水平(10分中有9分)；奖杯(100)；作为条目311的赞誉(195)；玩过的游戏(视频游戏A、视频游戏B等)；和兴趣(游戏、滑雪等)。

另一方面，玩家220y可以被视为信誉不佳的玩家。如图所示，玩家220y不是社区子集205的一部分，但可以是社区的一部分。玩家220y可以被认为是通常不关心社区200、对应的社区子集和/或其相应成员的福利的玩家。玩家220y可能以对一个或多个其他成员以及整个社区200或社区子集具有破坏性的方式行事。玩家220y的用户简档215是为了便于描述而示出的，但在图2中不一定被另一个玩家选择性地突出显示，并且可能包括各种信息，诸如人物角色(2Nice4U)；技能水平(10分中有6分)；奖杯(43)；作为条目316的赞誉(15)；玩过的游戏(视频游戏A、视频游戏S等)；和兴趣(游戏、阅读、旅行等)。

在一个实施方案中，在在线游戏社区200内实施赞誉系统以便促进社区的福祉，或用于其他目的。赞誉可以是另一个玩家匿名或透明地给予一个玩家的表达积极肯定的度量，其中一个玩家认可另一个玩家的良好行为或对所述良好行为给予认可。管理在线游戏社区200的系统也可以给予赞誉。系统和/或玩家可以在每个游戏会话中给予一个或多个赞誉。玩家收集的赞誉数量可以在在线游戏社区200内或在社区子集中建立声誉。因此，可以为了在在线游戏社区内确立和建立玩家声誉的目的而实施赞誉系统，诸如通过向执行期望的行为的玩家提供赞誉的系统。玩家的声誉可能指示玩家在社区中的有益程度。例如，持续执行增加另一个玩家的乐趣的动作(例如，通过游戏会话帮助新手或没有经验的玩家)的玩家可能具有通过大量赞誉或高赞誉评级表示的声誉。赞誉、赞誉点数或赞誉令牌可以通过期望的行为的实践而增加，但也可以通过不期望的行为的实践而减少。

例如，可以通过使用赞誉为社区成员提供可信且安全的环境来培育社区的福祉。也就是说，赞誉的使用可能会引导和/或促使社区的玩家使用期望的行为来行事，诸如以为社区200的成员或其中的子集提供可信且安全的环境的方式行事。如前所述，玩家的所描述的期望的行为可以促进另一个玩家的游戏体验的乐趣。仅出于说明目的，期望的行为也可以称为“良好”行为。此外，支持在线游戏社区的服务可以促进良好的行为。在一个实施方案中，赞誉可以用于促进社区内玩家实践期望的行为，其中以期望的方式行事的玩家可以是从一个或多个其他玩家收到一个或多个赞誉的接收者。因此，玩家可能希望增加他们在社区内的声誉(例如，因为受到尊重、作为良好公民等)，表现为他们通过使用期望的行为来行事而增加对应数量的颁发的赞誉或赞誉点数或令牌。在一些情况下，具有高度赞誉的玩家可能具有成为在线游戏社区200内的影响者的良好声誉，使得其他玩家可能希望通过表现出期望的行为(例如，良好的行为等)来效仿那些影响者。在图2中，玩家220x可能是名誉良好的玩家，如高赞誉数和/或获得的赞誉点数(例如，超过150个赞誉)所指示的。高技能水平可能不一定指示玩家在在线游戏社区200中的声誉是良好还是不良。

期望的行为的一些示例可以包括：在游戏会话期间使用积极的语言；提供对另一个玩家或队友的积极肯定；为队友提供超出正常范围的帮助；为没有经验的玩家提供帮助；实现玩家之间的团队合作的活动；玩家的积极参与等等。

另一方面，玩家的不期望的行为可能会降低另一个玩家或多个其他玩家的游戏体验(例如，减少乐趣)。仅出于说明目的，不期望的行为也可以称为“不良”行为。例如，实践不期望的行为的玩家可能会被支持在线游戏社区的服务劝阻，诸如通过使用赞誉系统，其中行为不良(例如，以不期望的方式)的玩家所获得的总赞誉数可能会因每次被认为不良行为的对应活动而减少。特定地，玩家可能希望通过不以减少对应收集的赞誉数量的方式行事来维持和/或提高他们在社区中的声誉。也就是说，表现出不期望的行为的玩家的声誉可能会受到损害，因为他们收集到的赞誉的对应数量会减少。另外，行为不良的玩家可能希望通过使用引人给予赞誉的良好行为来行事而抵消不良行为，即，玩家可以重建他或她的声誉。在一个实施方案中，当玩家被识别为行为不良时，管理在线社区200的系统会减少该玩家的赞誉、赞誉点数或令牌的数量。在图2中，玩家220y可能是一个声誉良好的玩家，如所获得的低赞誉数和/或赞誉点数(例如，低于30个赞誉)所指示的。高技能水平可能不一定指示玩家在在线游戏社区200中的声誉是良好还是不良。

如前所述，不期望的行为的一些示例可能被认为是滥用行为和/或造成愤怒。出于本申请的目的，执行该类型的滥用或滋事行为的玩家可以被标记为“滥用者”，其中其他标签也可以表示那些类型的玩家，例如毒瘤玩家、滋事者(玩家对另一个玩家造成愤怒)等。可能会有多种程度的不期望的行为，其中滥用行为可能比滋事行为带来更多负面影响。在本公开的实施方案中，可能被认为滥用行为的不期望的行为的一些示例包括：“故意杀死他或她自己的角色”以伤害他们的群组(例如，多玩家游戏中的玩家团队)或他们的朋友；故意杀死队友；用表情符号发送垃圾信息；“滋事”以执行旨在使另一个玩家愤怒的动作；决定不帮助团队中的队友；看着另一个角色死去；看着队友的角色死去而不提供帮助；看着队友面对困难或遭遇问题而不提供帮助等等。

在一个实施方案中，人工智能(AI)学习模型可以被配置为学习游戏会话的一个或多个玩家之间的期望的和不期望的行为(例如，活动、动作等)和/或对所述行为进行分类。在一个实施方案中，AI学习模型是一种机器学习模型，其被配置为应用机器学习来对玩家的行为进行分类。在另一个实施方案中，AI学习模型是深度学习模型，其被配置为应用深度学习来对玩家的行为进行分类。AI学习模型结合图4作进一步描述。

在一些实施方案中，赞誉基于正在玩的游戏的类型来加权。例如，一个特定的视频游戏可能提供有利于在玩家之间获得和/或给予赞誉的环境，其中每个人通常都做得很好并且非常喜欢玩视频游戏(即，一个很容易获得赞誉的环境)。也就是说，没有一个人被排除在外。参与该视频游戏的玩家可能倾向于自由地给予赞誉(例如，每个人在玩嘉年华游戏时都获得赞誉)。在该情况下，赞誉可以被赋予较低的权重(例如，具有低权重乘数)。表现出期望的行为的活动可能最终会颁发半个赞誉积分，所述赞誉积分被添加到赞誉积分总数中。另一方面，另一种视频游戏可能会提供一个很难在玩家之间获得和/或给予赞誉的环境，诸如在玩激烈的战略游戏时。尽管每个人都可能喜欢玩视频游戏，但由于视频游戏可能很难玩，因此大多数玩家都在为在游戏会话中存活而苦苦挣扎。在该情况下，赞誉可以被赋予较高的权重(例如，具有高权重乘数)。例如，一个表现出期望的行为的活动可能最终会颁发一个半的赞誉积分，这些积分将添加到赞誉积分总数中。

在一个实施方案中，赞誉表示表达、积极肯定的度量，并且可以在玩家团队完成视频游戏的游戏会话之后发生的游戏后会话期间给予。在其他实施方案中，可以在游戏会话的玩游戏过程期间给予赞誉。这样，特定游戏会话中的玩游戏过程或玩游戏过程流不会被中断。游戏后会话的一些示例包括游戏后或任务后简报和/或分解。例如，在游戏会话之后，团队中的每个玩家被给予一个赞誉以给予任何其他玩家(例如，队友或另一团队中的玩家)。在其他实施方案中，玩家有机会在一段时间(例如，时间、游戏会话等)之后给予赞誉。如前所述，可以匿名地给予赞誉，或者可以透明地给予赞誉，使得该接收玩家知道是谁发出了赞誉。

图3A是赞誉界面300A的图示，所述赞誉界面被配置为允许玩家向队友或另一普通玩家给予赞誉，诸如认可表现出期望的行为的动作和/或活动的执行，诸如对在线游戏社区有益的行为，或者更具体地说，增加一个或多个其他玩家的对应游戏体验的乐趣的行为。如图所示，可以在游戏后分解会话期间向玩家5呈现赞誉界面，其中玩家5是在游戏会话期间参与视频游戏的玩游戏过程的玩家团队的一部分。玩家团队可以包括玩家1至5。赞誉界面300A提供了在游戏会话之后从团队中的一个玩家向团队中的另一个玩家给予赞誉的方式。如图所示，玩家5被给予通过在对应的复选框中选择玩家来向任何队友(例如，玩家1至4)发送赞誉的选项。在一个实施方案中，可以在没有来自玩家5的任何请求的情况下将赞誉界面300A提供为弹出窗口，并且在游戏会话结束之后呈现给玩家5。这样，给予赞誉可能是无摩擦的。此外，在一个实施方案中，可以通过接收玩家的选择直接发送赞誉，而无需玩家5的任何进一步交互。在其他实施方式中，玩家5可以在接收玩家做出选择之后选择另一个按钮或图标来发送赞誉。例如，在玩家选择接收赞誉之后，玩家5可以选择框330以发起并完成赞誉的发送。

图3B是根据本公开的一个实施方案的通知接收玩家收到赞誉的通知300B的图示。例如，通知300B可以作为消息或弹出消息提供给玩家X，指示匿名给予了赞誉。在其他实施方式中，还可以向接收玩家X指示赞誉的发送者。通知300B可以在任何时间给出，诸如在给予赞誉时实时给出，或者可以在另一时间呈现，诸如在给予赞誉之后的延迟之后。

图3C是根据本公开的一个实施方案的在游戏会话期间一个玩家给予另一个玩家赞誉的图示。如前所述，可以在玩家之间在任何时间给予赞誉，包括在游戏后会话期间、在游戏会话完成之后的任何时间段以及在游戏会话期间。图3C提供了在游戏会话期间可以如何给予赞誉的示例。例如，游戏世界350在玩家X(380)和玩家Z(385)的玩游戏过程期间显示。游戏世界350可以显示在从其化身被放大的玩家X(380)的视角截取的屏幕截图300C中。本公开的实施方案可以被配置为在游戏世界350中发生期望的行为时通过人工智能进行检测和分类。例如，玩家Z(385)可能正在游戏世界350中执行某个表现出期望的行为的动作。玩家Z(385)被显示在显示给玩家X(380)的视角的背景中，其中玩家Z(385)的化身的大小被缩小。由于两个玩家都在游戏世界350的同一区域中，因此玩家X(380)可能是玩家Z(385)执行的活动的见证人。在玩家Z(385)对期望的行为进行分类之后，可以向玩家380呈现赞誉界面360，如屏幕截图300C中所示。例如，赞美界面360可以是弹出消息。界面360可能在有限的时间内可见。赞誉界面360提供另一个玩家已执行期望的行为的通知，所述另一个玩家是玩家Z(385)。可以在界面360内呈现对期望的行为的快速总结或预览(例如，视频剪辑375)。在一些实施方式中，玩家Z(385)是玩家X(380)的队友，其中玩家Z(385)可能正在执行有助于实现团队目标的动作(例如，捕获必要的物品)，或者可能正在执行任何有益的动作(例如，帮助队友、拯救队友等)。在其他实施方式中，玩家Z(385)不是玩家X(38)的队友，其中玩家Z正在执行某个期望的动作(例如，某个帮助玩家社区的动作(如建造桥梁)、帮助没有经验的玩家等370。通过赞誉界面360，玩家X(380)可以向玩家Z(385)给予赞誉，诸如通过选择按钮370(“给予赞誉”)而不执行任何进一步的动作。这样，可以以无缝且无摩擦的方式以玩家X(38)的最少的交互来实现给予赞誉，而不干扰玩家X(380)的玩游戏过程。

在另一个实施方案中，赞誉可以由赞誉系统120给出。例如，在赞誉系统120检测到期望的活动并对其进行分类之后，可以确定执行期望的活动的玩家(例如，玩家X)的身份。系统可以直接向玩家X发出赞誉，而无需另一个玩家(例如，玩家Y)主动给予赞誉。例如，即使出于给予赞誉的目的向一个或多个其他玩家呈现了期望的行为的发生，但另一个玩家可能没有给予赞誉，因此，赞誉系统120然后可以向玩家X发出赞誉。在另一个示例中，玩家X可能正在玩单玩家游戏，而游戏世界中没有任何其他玩家在场以见证期望的行为。在该情况下，赞誉系统120可以因玩家X以期望的方式行事而向其发出赞誉。

在另一个实施方案中，可以由一个或多个观众给予赞誉。例如，一个或多个观众可以观看游戏会话。观众可观看的游戏会话可以是实况的或录制的。赞誉系统120可以检测在游戏会话期间执行的期望的活动并对其进行分类。检测和分类可以在观看期间发生，或者可以在观众观看游戏会话的记录之前发生(例如，在实况玩游戏过程期间进行分类)。赞誉系统120可以向一个或多个观众呈现期望的活动的发生，以便他们向玩家给予一个或多个赞誉。在一个实施方案中，向一组观众呈现投票(例如，超过阈值)，所述投票确定是否应向玩家给予赞誉。在另一个实施方案中，观众可以标记被认为是期望的活动，此后如果所述活动上升到期望的活动水平，则赞誉系统可以通过人工智能进行分析。在一些实施方案中，众包(例如，通过玩家、观众或其组合)用于确定活动是否上升到期望的活动的水平。

用于对玩家行为进行分类的人工智能模型

图4是根据本公开的一个实施方案的系统400的图示，所述系统被配置为训练和实施被配置为识别不期望的(例如滥用行为)和/或期望的行为和/或对所述行为进行分类的人工智能模型。在本公开的实施方案中，可以使用AI模型195(也称为AI学习模型)对玩家的行为进行分类。一般来说，AI模型可以被配置为学习玩家之间的期望的和不期望的行为(例如，活动、动作等)并对所述行为进行分类。AI模型可以通过提供反馈和/或可信数据来更新以持续训练AI模型。在一个实施方案中，AI学习模型是一种机器学习模型，其被配置为应用机器学习来对玩家的行为进行分类。在另一个实施方案中，AI学习模型是深度学习模型，其被配置为应用深度学习对玩家的行为进行分类，其中机器学习是人工智能的子类，并且深度学习是机器学习的子类。因此，人工智能用于对玩家的良好动作和/或活动(例如，期望的行为)以及玩家的不良动作和/或活动(不期望的行为)进行分类。

例如，AI模型可以被配置为监视游戏会话活动，以便向AI模型195提供输入，以学习在学习阶段期间什么是期望的和不期望的活动，以及用于对表现出不期望的行为(例如，不良的、滥用的等)和/或期望的(例如，良好的)行为进行分类。特定地，从参与和一个或多个视频游戏相关联的一个或多个游戏会话的多个玩家的多个客户端装置100A至100N收集遥测数据405。客户端装置可以是对应用户的本地装置，或者可以是由云游戏网络支持的执行引擎(例如，包括CPU、GPU等)的实例。如前所述，遥测数据(或状态数据)可以包括游戏状态数据、用户保存的数据和元数据。特定地，游戏状态数据定义玩家在特定时间点的执行视频游戏的玩游戏过程状态。游戏状态数据允许在玩游戏过程的对应点生成游戏环境。例如，游戏状态数据可以包括用于渲染玩游戏过程的装置的状态(例如，CPU、GPU、存储器、寄存器值等的状态)、在该点执行视频游戏的可执行代码的标识、游戏角色、游戏对象、对象和/或游戏属性、图形覆盖和其他信息。用户保存的数据包括使对应玩家的视频游戏个性化的信息。例如，用户保存的数据可以包括：针对玩家个性化以便生成玩家在玩游戏过程中的某个点所独有的角色和角色状态的角色信息和/或属性(例如，位置、形状、外观、服装、武器、资产等)、玩家的游戏属性(例如，所选择的游戏难度、游戏级别、角色属性、角色位置、生命数、奖杯、成就、赞誉等)、用户简档数据和其他信息。元数据被配置为提供关系信息和/或其他信息的上下文，诸如游戏状态数据和用户保存的数据。例如，元数据可以包括描述玩家的玩游戏过程中特定点的游戏上下文的信息，诸如玩家在游戏中的位置、游戏类型、游戏情绪、游戏评级(例如，成熟度级别)、游戏环境中其他玩家的数量、显示的游戏维度、收集信息的时间、收集的信息类型、互联网连接的区域或位置、哪些玩家正在玩特定的游戏会话、描述性信息、游戏标题、游戏标题版本、特许经营权、游戏标题分发格式、网络连接、访问的可下载内容、链接、语言、系统要求、硬件、积分、成就、奖励、奖杯以及其他信息。

如图所示，与客户端装置100A至100N相关联的遥测数据405的流(诸如通过云游戏系统生成和分发的数据)由AI处理器160(例如，包括机器学习系统、深度学习系统等)收集。也就是说，在一个或多个游戏会话中玩家玩游戏过程期间捕获的遥测数据405的流被传送到特征提取器410，所述特征提取器被配置为从有利于对玩家在一个或多个游戏会话期间的期望的和不期望的行为进行分类的遥测数据405中提取显著的和/或相关的特征。特征可以是在玩游戏过程期间观察到的现象的数字表示。纯粹出于说明目的，在玩游戏过程期间发生的一些现象示例可以是视频帧中的对象、玩游戏过程中角色的活动、角色的动作、玩家的活动等。

以前，可以在使用人工智能的AI模型的训练阶段期间确定有用或习得的特征。特定地，机器学习引擎190(或深度学习引擎)和/或特征提取器410可以被配置为定义与玩家行为相关联的特征，并且更具体地，定义与目标玩家行为(例如，不期望的和期望的行为)相关联的特征。训练阶段可以使用训练数据420或从实况或记录的玩游戏过程中生成的遥测数据405。当实施AI模型195时，还可以执行特征选择和/或提取以减少特征的数量以获得相关性、准确性和效率。在一些实施方式中，特征定义和提取两者均由AI模型195执行，使得特征学习和提取在AI模型内部执行。在AI模型的训练期间，特征是通过输入样本学习的，这些输入样本通过隐藏层逻辑连接到输出。可以进一步分解和分析被发现有用的(例如，习得的)特征以确定附加的有用特征(例如，使用特征构建技术)。

使用特征提取器410从遥测数据405中提取的来自遥测数据的相关特征被作为输入提供机器学习引擎190。机器学习系统可以被配置用于训练或实施。具体地，在训练阶段期间，使用训练AI算法(例如，机器学习或深度学习训练算法)来训练AI模型195(例如，机器学习模型)，所述训练AI算法被配置为使用训练数据(例如，数据420和/或遥测数据405)对不期望的行为(例如，滥用行为)和期望的行为(例如，良好行为)进行分类。在其他配置中，AI训练算法可以用于对不同现象进行分类。在实施阶段期间，AI模型195根据在一个或多个游戏会话期间收集的遥测数据405对不期望的行为和期望的行为进行分类。

如图所示，AI模型195可以被配置用于训练阶段(例如，学习特征和分类器)(即，在水平方向上)，或用于实施阶段(例如，对玩家行为进行分类)(即，在竖直方向上)。在训练阶段期间，训练数据420可以作为输入提供给机器学习系统190，所述机器学习系统实施训练算法以通过调整AI模型的参数将AI模型195的结构拟合到训练数据，使得经训练的AI模型提供输入(训练和/或遥测数据)与输出(经分类的数据)之间的准确关系。训练和/或学习可以使用与训练数据420相关联的已知和真实输出425(例如，期望的和不期望的行为的已知实例)来监督训练和/或学习，诸如以便学习适当的特征。训练和/或学习可以是无监督的，其中没有为训练数据420或遥测数据405提供已知或真实的输出(当用于训练时)，使得仅提供输入数据并且AI模型学习识别期望的和/或不期望的行为，和/或学习相关联的功能。训练可以实施有监督和无监督的训练两者。例如，在执行无监督的训练之后，可以用已知数据执行有监督的学习。下面进一步描述AI模型195的训练和实施。

根据本公开的一个实施方案，机器学习引擎190可以被配置为用于通过学习来训练AI模型195的神经网络。在一个实施方案中，机器学习引擎190可以被实施为对玩家行为进行分类，诸如不期望的行为(例如，滥用的、不良的等)和/或期望的行为(例如，良好的)。具体地，机器学习引擎190被配置为在训练阶段期间分析训练数据420和/或遥测数据405以构建(例如，通过学习训练)AI模型195，其中训练数据可以包括：与训练玩游戏过程相关联的遥测数据、控制器输入、生物测定数据以及与玩家行为相关联的任何有用信息等。因此，训练数据420和/或遥测数据405被馈送到机器学习引擎190，所述机器学习引擎利用人工智能，包括监督学习算法、无监督学习算法、强化学习、或其他基于人工智能的算法，来构建AI模型195，所述AI模型被配置为对玩家在游戏会话期间的不期望的(例如，滥用的、不良的等)行为和期望的(例如，良好的)行为进行分类。

机器学习引擎190中的神经网络表示用于分析数据集以对玩家行为进行分类的自动分析工具的示例。可以使用不同类型的神经网络来应用人工智能。尽管示出了应用机器学习的机器学习引擎，但是应理解，在其他实施方案中可以利用其他AI技术，诸如由深度学习引擎应用的深度学习。例如，神经网络支持可以由机器学习引擎190实施的机器学习。在另一个示例中，神经网络支持可以由深度学习引擎实施的深度学习网络，诸如设置为支持强化学习算法的马尔可夫决策过程(MDP)的引擎。因此，可以实施深度神经网络、卷积深度神经网络和/或使用有监督或无监督训练的递归神经网络。

一般来说，机器学习引擎190中的神经网络表示互连节点的网络(诸如人工神经网络)，并且用于训练AI模型195。每个节点从数据中习得一些信息。知识可以通过互连在节点之间交换。神经网络190的输入激活一组节点。继而，这组节点激活其他节点，从而传播关于输入的知识。跨其他节点重复此激活过程，直到提供输出。

如图所示，实施AI模型195的神经网络包括节点层次结构。在最低层级，存在输入层191。输入层191包括一组输入节点。例如，这些输入节点中的每一个都映射到本地数据115，所述本地数据在自主个人伴侣100监视和/或查询用户和与用户相关联的环境期间通过致动器主动收集或由传感器被动收集。

在最高层级，存在输出层193。输出层193包括一组输出节点。例如，输出节点表示与本地AI模型120的一个或多个部件相关的决策(例如，预测)。如前所述，输出节点可以对不期望的玩家行为(例如，滥用的、不良的等)和/或期望的玩家行为(例如，良好的)进行分类，其中输入可以定义从可以用于训练的训练游戏会话和/或实况游戏会话中收集的各种遥测数据。可以将这些结果与从先前的玩家交互和监视、玩家或观众标识(标记)、众包、用户输入等获得的预定和真实结果进行比较，以便改进和/或修改机器学习引擎190使用的参数以迭代地确定玩家行为的适当分类。

特定地，隐藏层192存在于输入层191与输出层193之间。隐藏层192包括“N”个隐藏层，其中“N”是大于或等于一的整数。继而，每个隐藏层还包括一组隐藏节点。输入节点互连到隐藏节点。同样，隐藏节点互连到输出节点，使得输入节点不直接互连到输出节点。如果存在多个隐藏层，则输入节点互连到最低隐藏层的隐藏节点。继而，这些隐藏节点与下一个隐藏层的隐藏节点互连，依此类推。下一个最高隐藏层的隐藏节点与输出节点互连。互连连接两个节点。互连具有可以学习的数值权重，使得机器学习引擎190中的神经网络被配置为构建适应输入并且能够学习的AI模型195。

一般来说，隐藏层192允许关于输入节点的知识在对应于输出节点的所有任务之间共享。为此，在一个实施方式中，通过隐藏层192将变换f应用于输入节点。在一个示例中，变换f是非线性的。可以使用不同的非线性变换f，例如，线性整流器函数f(x)＝max(0,x)。

被配置为构建AI模型195的机器学习引擎190中的神经网络也使用成本函数c来寻找最优解。对于给定的输入x，成本函数测量由定义为f(x)的神经网络190输出的预测与地面实况或目标值y(例如，预期结果)之间的偏差。最优解表示没有成本低于最优解的成本的解的情况。成本函数的一个示例是对于此类地面实况标签可用的数据的预测与地面实况之间的均方误差。在学习过程期间，神经网络190可以使用反向传播算法来采用不同的优化方法来学习最小化成本函数的模型参数(例如，隐藏层192中节点之间的互连的权重)。这种优化方法的示例是随机梯度下降。

在示例中，被配置为构建AI模型195的机器学习引擎190中的神经网络的训练数据集可以来自相同的数据域。例如，神经网络被训练用于针对一组给定的输入或输入数据学习不期望的(例如，滥用的、不良的等)和/或期望的(例如，良好的)玩家行为。例如，数据域包括被视为基线输入数据的游戏会话数据。在另一个示例中，训练数据集来自不同的数据域以包括除基线之外的输入数据。

因此，被配置为建立AI模型195的机器学习引擎190中的神经网络可以针对一组给定的输入(例如，训练数据)识别不期望的玩家行为(例如，滥用的、不良的等)和/或期望的玩家行为(例如，良好的)和/或对所述行为进行分类。基于这些预测结果，神经网络190还可以定义AI模型195，所述AI模型用于使用收集的遥测数据对不期望的行为和期望的行为进行分类。

在实施阶段(也称为一般化)期间，AI模型195用于基于AI模型的配置根据遥测数据405(即，不是训练数据)预测不期望的行为(例如，滥用的、不良的等)和/或期望的行为(例如，良好的)和/或对所述行为进行分类。

因此，对于作为输入提供给特征提取器410和/或直接提供给机器学习引擎190的给定遥测数据405，被分类的不期望的行为(例如，滥用的、不良的等)430可以作为来自AI模型195的输出而提供。使用AI模型195分类的不期望的行为的一些示例可以包括：玩家的导致其他玩家退出游戏会话的滥用活动；故意杀死玩家自己的角色或队友的角色(例如，故意杀死)以伤害他们的队友或朋友群组；用表情符号向其他玩家发送垃圾信息；意图对另一个玩家造成愤怒的活动(例如，滋事)；在游戏会话内没有意义的活动；需要采取动作时不作为；以低于玩家技能水平的水平进行游戏；负面评论；过度使用游戏特征(例如聊天、表情符号等)；玩家表现出对队友缺乏尊重的活动，诸如一个玩家决定不帮助团队实现目标，或者当一个玩家愉快地观看另一个玩家(例如，另一个玩家的角色)死去或面对困难和/或遭遇问题(例如，幸灾乐祸)时，或者当一个玩家看着另一个玩家死去或面对困难和/或遭遇问题时，当观看的玩家本可以提供帮助时；对玩家的积极参与、表现出团队合作不佳的活动等进行分类。如果被分类为对玩家是不期望的行为是极端的，或者如果同一玩家的不期望的行为的多个实例上升到显著水平，则系统400可以将该玩家标记或分类为滥用者。

因此，对于作为输入提供给特征提取器410和/或直接提供给机器学习引擎190的给定遥测数据405，被分类的不期望的行为(例如，不良的等)435可以作为来自AI模型195的输出而提供。可以使用AI模型195进行分类的期望的行为的示例包括：显示玩家之间的良好团队合作的活动；队友的积极肯定；在游戏会话期间使用积极的游戏语言；玩家的积极参与、帮助没有经验的玩家的活动、为队友提供帮助、期望的行为的指标(包括过多的好友请求等)。

不期望的和/或滥用行为可以用一个或多个度量来识别，每个度量都可以被测量并且参考阈值(诸如也可以被衡量的标准)进行验证。例如，不期望的和/或滥用行为可以定义为具有或降低某个度量(例如，与视频游戏相关联的得分低于具有相同能力的玩家的预期阈值)。作为说明，不期望的行为可能与视频游戏的推进延迟相关联，所述延迟超出具有该能力的玩家的任何预期延迟。在该情况下，一个度量可以测量玩家在视频游戏中的实际推进，其中玩家与特定技能水平相关联(例如，如在用户简档中定义的)。另一个度量可以测量具有大致相同技能水平的玩家在视频游戏中的预期或平均推进。预期的和/或平均推进可以定义对应玩家技能水平的标准推进。预期阈值可以与视频游戏中的预期或平均推进相关联。视频游戏中的推进的延迟是视频游戏中的实际推进的测量与视频游戏中的预期推进的差异。因此，预期阈值可以与对于具有相同技能水平的玩家在视频游戏中的推进相对于预期或平均推进的可接受延迟(例如，在标准偏差内)相关联。任何超出预期阈值的延迟(例如，可接受的延迟)都可以被视为不期望的和/或滥用行为。应理解，预期阈值可能会根据玩家的技能水平而有所不同。在另一说明中，不期望的和/或滥用行为可以由完成游戏的时间延迟超出预期阈值来定义，诸如完成游戏的可接受时间延迟参考具有大致相同技能水平的玩家完成游戏的平均时间。

因此，不期望的和/或滥用行为可以用一个或多个对应的度量来量化。例如，行为可以通过第一度量进行量化，并与阈值进行比较和/或根据阈值进行验证，其中阈值可以根据对应玩家的技能水平而变化。也就是说，阈值和/或预期阈值与一个标准相关联，所述标准可以根据玩家类型(例如，新手、有一些经验的、专家等)的技能水平而变化。阈值和/或预期阈值可以存储在数据库中，诸如存储在数据库140中。当第一度量超出阈值时，行为变得不期望的和/或滥用的。这样，可以发现行为异常值，这可能与不期望的行为和/或滥用行为相关联。

在其他实施方案中，可以以相同方式量化良好行为。例如，玩家行为可以通过一些度量进行量化，并与阈值进行比较，使得满足和/或超过该阈值的行为被视为良好行为。

在一个实施方案中，可以对来自AI模型195的对玩家B行为的分类执行用户简档过滤功能。特定地，可以将用户简档数据作为输入提供到AI模型195中，使得在AI模型内并且在AI模型195提供对玩家行为进行分类的输出之前提供过滤功能。在一些实施方案中，在AI模型195已经提供对玩家行为进行分类的输出之后提供过滤功能。过滤的示例发生在以下情况下：玩家可能没有完成任务，即使该任务是完成视频游戏的目标所必需的。AI模型195将确定玩家的动作包括有意避免执行任务的完成，并且AI模型195将玩家的该不作为分类为滥用的(例如，被动滥用)。其他形式的被动滥用包括：玩家的在对应的游戏会话中没有任何意义的动作和/或活动、异常活动(例如，使用的特征超过平均使用等)、表现出不感兴趣等。另一方面,主动滥用可能包括：对另一个玩家玩游戏过程的乐趣产生负面影响的故意的动作和/或活动表现(例如，故意杀死、干扰另一个玩家、不以低于用户简档中指示的技能水平玩游戏等)。此外，用户简档数据可能指示玩家技能高超，并且应知道任务的存在以及如何完成任务，从而确认玩家的不作为是滥用行为，因为该玩家可能不发挥出他或她的最大能力。然而，即使玩家技术高超，过滤功能也可以根据用户简档数据确定玩家是视频游戏中的新手。在许多视频游戏中，有经验的玩家比新手玩家有巨大的优势，即使新手玩家技能高超。也就是说，玩家，即使是技术高超的玩家，也需要时间才能了解如何玩视频游戏以及在视频游戏中需要做什么。因此，即使玩家可能看起来是在被动地滥用视频游戏(例如，通过不执行视频游戏中的某些动作并损害团队完成任务的能力来故意不发挥出他或她的最大能力)，系统400也可以确定玩家是新手，使得玩家的不作为不被认为是滥用的，或者标记玩家表现出不期望的行为实际上是误报。通常，在不通过过滤功能分析用户简档数据的情况下，系统400会确定玩家的不作为被认为是滥用行为。例如，玩家可能在游戏世界中游荡，试图尽可能多地了解视频游戏，而错过了完成任务以促进团队目标的机会。在玩游戏的这一点上，作为新手玩家的玩家可能甚至不知道任务是必要的，可能不知道任务存在，以及甚至不知道如何完成任务。因此，即使看起来高技能玩家应该在玩游戏过程中的这个点执行某个动作但没有执行，在使用用户简档过滤之后，系统400可能不会将该不作为分类为滥用，因为玩家是视频游戏的新手玩家。

通过对玩家的不期望的行为430和/或期望的行为435进行分类和识别，可以支持附加的系统特征或服务。特定地，在对玩家行为进行分类之后，动作引擎440被配置为采取附加的动作和/或对玩家的不期望的和/或期望的行为的分类做出响应。也就是说，动作引擎440可以被配置为执行任何进一步的动作和/或响应。动作和/或响应可以在游戏会话期间执行(例如，时间上接近对不期望的和/或期望的行为的分类)和/或游戏会话之后执行。

例如，动作引擎440可以被配置为提供对分类行为的验证，诸如通过众包、由一个或多个队友、由合规群组或审核团队、由一个或多个其他玩家、由一个或多个观众601n等进行的验证。一旦验证了玩家行为(例如，为不期望的或期望的)，动作引擎440就可以出于训练AI模型的目的呈现该行为，使得经验证的活动被反馈回机器学习引擎。也就是说，与经分类的期望的行为相关的信息可以被发送到特征识别器430以便提取与经分类的期望行为相关的特征。在一种实施方式中，那些特征先前作为输入提供给机器学习引擎，并且可以出于训练目的访问或容易地确定。在另一个实施方式中，那些特征可以是新确定的。所识别的特征可以新包括在训练数据420内，并且作为输入提供到机器学习引擎中以用于更新AI模型195。在一个实施方案中，由于验证了经分类的行为(不期望的和/或期望的)，因此当更新AI模型时，机器学习引擎可以通过将经分类的期望的行为指定为真实输出425来应用监督学习算法。

在其他示例中，动作引擎可以提供附加的响应，诸如掩蔽不期望的和/或滥用行为的目标和/或受害者、为目标和/或受害者和/或其他玩家的利益标记表现出不期望的行为(例如，滥用的、不良的等)的玩家、向目标玩家和/或受害者提供滥用行为通知、向表现出不期望的行为的玩家发出警告、禁止表现出不期望的行为的玩家玩游戏、提供列出表现出不期望的行为的玩家的统计数据等。

随着对游戏云系统、滥用响应系统、赞誉系统、系统400、AI处理器、机器学习引擎和AI模型的详细描述，图5的流程图500公开了根据本公开的一个实施方案的识别一个或多个游戏会话中的一个或多个玩家的不期望的和/或期望的行为的方法。在一些实施方案中，流程图中执行的操作可以由先前描述的部件中的一个或多个实体以及图4中描述的系统400实施，所述系统被配置为对玩家行为进行分类。

在510处，所述方法包括在游戏服务器处监视在一段时间内在一个或多个游戏会话中玩一个或多个视频游戏的多个玩家的多个玩游戏过程。在一个实施方式中，所述监视可以被分区，使得在游戏会话(例如，多玩家游戏会话)中玩特定视频游戏的一个或多个玩家的游戏行为被监视。

特定地，可以收集与一个或多个视频游戏的执行相关联地生成的遥测数据。视频游戏可以在对应玩家的在用户本地的客户端装置上执行，或者在实施执行引擎实例(例如，硬件或虚拟化计算系统)的后端游戏服务器处执行。遥测数据可以通过网络传递，并且在后端游戏服务器处收集。如前所述，遥测数据可以包括状态数据(如游戏状态数据)、用户保存的数据和元数据。

在520处，所述方法包括从与和多个玩游戏过程相关联的多个活动相关的多个玩游戏过程中提取特征，所述多个活动由多个玩家控制。特定地，与多个玩家的客户端装置相关联的遥测数据的流作为输入提供给特征提取器。特征提取器与AI处理引擎(诸如机器学习引擎、或深度学习引擎等)相关联或位于其内部。例如，在一些实施方式中，特征提取是在AI模型内执行的。如前所述，特征提取器已经过训练以从遥测数据中解析出与被配置为对玩家行为进行分类的AI模型相关的特征。因此，仅分析相关的和/或习得的特征以检测玩家行为，而不是分析整个遥测数据集。

在530处，所方法包括通过被配置为对多个活动进行分类的人工智能(AI)学习模型运行特征。也就是说，特征提取器从遥测数据中提取的相关特征作为输入提供给AI模型。在一个实施方式中，特征提取是在AI模型内部执行的，因此提取的特征作为输入提供给AI模型内的其他内部层。之前，AI模型是使用训练数据来训练以构建AI模型进行分类所使用的相关特征，其中AI模型还被训练用于对不期望的(滥用的、不良的等)玩家行为和/或期望的行为(例如，良好的)进行分类。

在540处，所述方法包括将与玩家相关联的活动分类为滥用行为。特定地，在实施阶段(也称为一般化)，AI模型195用于基于AI模型的配置根据遥测数据对不期望的行为和/或期望的行为进行分类。在本实施方案中，对不期望的行为进行分类。例如，可能会故意执行不期望的行为，以对至少一个其他玩家的游戏体验产生负面影响。这样，一旦检测到可能对于一个或多个其他玩家为滥用的行为，就可以采取动作来减轻滥用行为的影响，并进一步说服表现出滥用行为的玩家做出改变。例如，玩家可能会被警告，或被置于等待模式(例如，超时、暂停等)一段时间，或者如果足够严重，则被永久禁止等。

滥用行为的范围可能从轻微烦人到接近甚至跨越到接近非法或犯罪活动。虽然行为太多而无法一一列出，但一些明显的滥用行为或动作可能包括：在线骚扰、欺凌、贬低、作弊、滋事、故意杀人和故意输掉游戏。例如，在线和/或线下骚扰可能包括在游戏标题的玩游戏期间或玩游戏后通过在线聊天进行言语滥用(例如，对队友大喊大叫、发送不当消息等)。欺凌和贬低目标玩家和/或受害者包括使目标玩家和/或受害者的玩游戏过程和对团队的贡献边缘化的行为。作弊可能涉及任何获得优于其他玩家的不公平优势的方法，诸如使用瞄准机器人、加速控制器输入响应的速度黑客等。滋事在游戏社区内已经发展到包括旨在给另一个玩家带来愤怒而执行的任何动作。故意杀人涉及出于任何原因故意杀死队友，诸如当滥用者认为目标是一个糟糕的玩家时、滥用者正在骚扰目标时等。在故意输掉游戏时，滥用者可能会过早地认为一个团队不可能在在线游戏会话期间获胜，并且会在不考虑其他团队成员(例如，可能仍然希望获得最后的胜利的团队成员)的情况下故意地且单方面采取行动让团队尽快失败，从而故意认输或举起白旗。前面的示例示出了一些更明显的滥用行为和/或动作，但不能完全代表在线游戏中可能存在的许多不太明显且可能更复杂的滥用行为和/或动作。

在其他实施方案中，AI模型可以被配置为将与玩家相关联的活动分类为期望的行为。一旦期望的行为被分类，就可以采取附加的动作来促进该类型的行为。例如，如前所述，赞誉系统120可以被实施为认可期望的行为的方式，其中认可可以是对等的或系统驱动的。例如，一个或多个同伴可以对表现出期望的行为的玩家给予赞誉。在另一个示例中，赞誉系统可以检测期望的行为和/或对期望的行为进行分类，并且对表现出该期望的行为的玩家给予赞誉。

在一个实施方案中，将玩家的行为分类为不期望的(例如，滥用的、不良的等)是取决于所述行为是否对另一个玩家的玩游戏过程产生负面影响。特定地，可以确定玩家的活动直接导致另一个玩家离开游戏会话，其中两个玩家一起参与游戏会话。也就是说，玩家的活动导致另一个玩家离开游戏会话。在一个示例中，可以确定远离键盘(AWK)的玩家已经离开游戏会话。指示不期望的行为对另一个玩家的负面影响的其他行为趋势或模式可包括：注销游戏会话；玩家评论游戏会话在某个玩家加入后可能如何恶化；玩家试图减少不期望的行为的影响；使用正常特征(例如，所述特征预计只会使用最少次数，诸如表情符号)的活动激增，这可能指示使用所述特征会对另一个玩家产生负面影响(例如，使用表情符号发送垃圾信息)；用户简档中超出标准偏差的参数编号，这指示异常值(例如，超过与用户的平均联系次数，这可能指示对目标玩家和/或受害者的滥用或疏导；玩家超过与其他玩家的平均联系次数，这可能指示过度使用通信媒体；超过友军开火事件的次数，这可能指示故意杀人等)。

例如，不期望的行为可能是针对另一个玩家，使得玩家对另一个玩家来说是滥用的。在另一个示例中，不期望的行为可能是针对第三方，或者通常针对游戏世界区域中的任何人(例如，所述行为对该区域中任何人的玩游戏过程具有破坏性)。玩家的活动引起的结果是导致另一个玩家离开游戏会话。在其他实施方案中，不期望的行为可能导致另一个玩家移动到另一个区域，或者可能导致另一个玩家执行动作以试图阻止玩家的不期望的动作等等。

通过对玩家的不期望的和/或期望的行为进行分类和/或识别所述行为，可以支持附加的系统特征或服务。例如，还可以在一段时间内对那些类型的行为进行附加的监视和跟踪。特定地，返回到图4，在对玩家行为进行分类之后，动作引擎440被配置为采取附加的动作和/或对玩家的不期望的和/或期望的行为的分类做出响应。也就是说，动作引擎440可以被配置为执行任何进一步的动作和/或响应，诸如更新底层AI模型、掩蔽目标玩家和/或受害者；为了目标玩家、受害者和/或其他玩家的利益而标记表现出不期望的行为(例如，滥用的、不良的行为等)的玩家；向目标玩家和/或受害者提供滥用行为的通知；向表现出不期望的行为的玩家提供警告；禁止玩家表现出不期望的行为；提供列出表现出不期望的行为的玩家的统计数据等。附加的动作和/或响应可以在游戏中(例如，实时)或游戏后进行。其他特征得到很好的支持，其中一些特征如下所述。

图6A示出了根据本公开的一个实施方案的数据流图600A，所述数据流图示出了对由被配置为训练和实施可以识别行为的人工智能模型的系统所建议的不期望的行为的验证。出于说明的目的，图6A集中于验证不期望的行为；然而，在其他实施方案中，数据流图600A可以被修改以执行由被配置为训练和实施可以识别行为的人工智能模型的系统所建议的期望行为的验证。

如图所示，收集来自玩家A至N的玩游戏过程的遥测数据405并将其提供给机器学习引擎190，所述机器学习引擎被配置为通过训练和/或实施阶段来构建和/或执行AI模型195。在训练阶段期间，机器学习引擎190使用训练AI算法训练AI模型195，以便使用训练数据对不期望的行为(例如，滥用行为)和期望的行为(例如，良好的)进行分类，如先前所述的。在实施阶段期间，如由机器学习引擎190执行的AI模型195根据可能与一个或多个游戏会话相关联的遥测数据405对不期望的行为和期望的行为进行分类。

在图6A中，为训练提供来自AI模型195的输出的附加验证。特定地，AI模型195提供玩家B的行为是不期望的建议作为输出605。基本上，AI模型195在实施阶段操作并将玩家B的行为分类为不期望的(例如，滥用的、不良的等)。可以从游戏状态数据、用户简档数据和/或元数据确定将玩家B识别为行事者。例如，AI模型可以在使用实时游戏会话的测试阶段期间操作，或者可以完全操作，其中实施对输出进行附加验证的机会。这样，如图4所示，在实施阶段期间作为来自AI模型195的输出提供的经分类的不期望的行为430和/或经分类的期望的行为435可以通过验证过程(诸如由动作引擎440实施的验证过程)进行进一步验证并提供作为训练数据。

还捕获记录603和/或相关联的时间段的其他捕获数据，例如可以连续捕获相关联的一个或多个游戏会话，并且可以生成记录603和/或其他数据，包括相关时段的玩游戏过程，包括玩家B被建议为不期望的行为。

向验证引擎610提供输出605，所述输出包括玩家B的行为是不期望的建议。此外，记录603和/或其他数据也可以提供给验证引擎610，所述验证引擎被配置为验证玩家B的行为是不期望的。验证可以通过多种方式进行，诸如通过众包601a验证、由一个或多个队友601b验证、由合规群组601c或审核团队验证、由一个或多个其他玩家601d验证、由一个或多个观众601n验证等等。例如，对应的验证源可以查看记录603以确定是否注意到任何不期望的活动。验证响应可以返回到验证引擎610，其中响应可以验证玩家B(611)的活动是不期望的，或者可以验证玩家B的活动是可接受的。当没有响应返回时，也可能指示玩家B的活动没有上升到成为不期望的程度，或者玩家X对提供有效响应不感兴趣。图6B至图6C中提供了验证过程的一些附加示例。

验证引擎610可以将验证的行为呈现回机器学习引擎190以用于训练AI模型195，和/或更新AI模型(例如，使用训练阶段)。与经验证的行为相关联的特征被识别(例如，根据机器学习引擎190的输入)或通过特征识别器430新提取。因此，基于经验证的响应修改和/或更新AI模型中的参数。由于行为被验证，因此机器学习引擎190可以在训练AI模型时应用监督学习(例如，通过将验证的行为设置为真实输出425)。例如，如果玩家B的行为被证实是不期望的，则AI模型中的参数会改变它们的权重(例如，增加它们的权重)以给出更可靠的对不期望的行为的分类。另一方面，如果玩家B(611)的行为是可接受的，则可以修改AI模型中的参数(例如，降低它们的权重)以给出不太可靠的对不期望的行为的分类，或者甚至将该活动从不期望的活动分类中移除。

如前所述，流程图600A可以被配置为通过将玩家B的行为分类为期望的进行建议。这样，可以实现对期望的行为的验证，并将所述验证提交给机器学习引擎190以用于更新/训练AI模型195以更好地将行为分类为期望的，其中AI模型195可以被配置为对不期望的和/或期望的行为进行分类。例如，可以基于经验证的响应来修改底层AI模型195(例如，被配置为对期望的行为进行分类)中的参数，诸如当行为被验证为期望的时，参数被加强(例如，增加权重)，或者当行为被验证为可接受时，参数被减弱。机器学习引擎190可以应用监督学习，以通过将经验证的行为指定为真实输出425来训练AI模型195。这样，AI模型195可以学习期望的(例如，良好的)行为模式(例如，团队合作、帮助他人、向其他玩家提供帮助、向没有经验的玩家提供指令等)。可以采取附加的动作，诸如实施赞誉系统120以奖励以期望的方式行事的玩家，诸如通过提高他们在在线游戏社区200内的声誉，如前所述。

例如，可以执行玩家验证以验证不期望的和/或期望的行为。在一些实施方式中，提供验证的一个或多个玩家可以是参与视频游戏的多玩家游戏会话的队友。在其他实施方式中，提供验证的一个或多个玩家可能不是队友601b(例如，为了减少玩家B的团队偏见)并且可能与玩家B在同一游戏会话中玩游戏，或者可能是在玩与玩家B相同的视频游戏(但不在同一游戏会话中)的其他玩家，或者可以是在玩与玩家B不同的视频游戏的其他玩家601d。在一个实施方案中，多个玩家可以作为一个群组投票来向合规群组601c和/或审核团队发送讨论中的行为(不期望的和/或期望的)，所述合规群组和/或审核团队可能包括一组负责确定行为在在线社区内的合规性以进行进一步验证的人员。此外，验证过程可以在玩家B的行为是不期望的建议之后的任何时间执行，诸如在游戏后会话期间立即执行，或者在某个时间段之后执行。

在玩家验证的示例中，玩家B的被分类并建议为是不期望的行为可以呈现给另一个玩家X。玩家X可能会验证建议的行为确实是不期望的。为了进行说明，图6B示出了游戏世界619的屏幕截图600B，其中玩家X(612)和玩家B(611)正在多玩家游戏会话中玩视频游戏。如前所述，虽然玩家611和612被示为在同一游戏会话中，但是玩家不必在同一游戏会话中，也不必是队友。屏幕截图600B可以从玩家X(612)的角度截取，所述玩家X的化身被放大。玩家B(611)可能正在游戏世界619中执行某个被建议为不期望的行为的动作。玩家B(611)被显示在显示给玩家X(612)的视角的背景中，其中玩家B的化身的大小被缩小。

弹出消息615和/或通知可以提供给玩家X(612)。在有或没有来自玩家X的消息请求的情况下，消息615可以被给予玩家X(612)。出于请求验证玩家B(611)的不期望的行为的目的，在弹出消息615中提供简短的标题或描述616。还在弹出消息615中提供描述玩家B(611)的活动的信息，使得玩家X(612)可以就所述活动是否是不期望的做出明智的决定。例如，玩家B(612)的活动的剪辑614(例如，视频和音频)可以包括在弹出消息615中以供玩家X(611)观看。可以提供其他类型的信息来代替视频剪辑614(例如，文本、音频等)或与所述视频剪辑一起提供。

另外，为玩家X提供界面613以将验证发送回识别玩家行为的系统，诸如滥用响应引擎145(或在其他实施方案中为赞誉系统120)。界面613可以在各种实施方案中被不同地配置，其中每个实施方案都允许玩家X(612)验证玩家B(611)的活动是否是不期望的，至少在玩家X看来是这样的。例如，玩家X可以通过选择“是”按钮617来验证玩家B的行为是不期望的。在一些情况下，玩家X可以主动验证所述活动在玩家X看来并非不期望的或可接受的，诸如通过选择“否”按钮618。

这可能暗指玩家X(612)认为当玩家X没有响应时玩家B的行为不会上升到不期望的的水平(例如，没有选择按钮617或618中任一者)。在其他实施方案中，在底层AI模型可以明确确定玩家B的行为是不期望的还是令人满意的之前，需要进行进一步验证。例如，显示玩家B(611)的行为的弹出消息615可以提供给其他玩家和/或实体以进行附加验证，诸如在提供众包验证时。众包验证可以用于验证玩家B(611)的行为是否是不期望的(例如，滥用的、不良的等)，并且该经验证的行为可以被反馈回机器学习引擎190以更新和/或进一步训练底层AI模型195。当进行众包时，可以设置阈值以确定人群是否验证了不期望的行为(例如，大于人群的75％、人群中至少有10名成员等)。此外，底层AI模型195将得到改进，因为在有或没有附加的验证的情况下可以将与玩家B的活动相似的其他玩家的行为提交给AI模型以用于学习/训练,。

图6C示出了根据本公开的一个实施方案的数据流图600C，所述数据流图示出了对由玩家标记的不期望的行为的验证。出于说明的目的，图6C集中于验证不期望的行为；然而，在其他实施方案中，数据流图600C可以被修改以执行由被配置为训练和实施可以识别行为的人工智能模型的系统所建议的期望行为的验证。

如图所示，生成来自玩家A至N的玩游戏过程的遥测数据405。玩家A至N可能正在参与相关联的视频游戏的游戏会话，其中玩家可能在同一个团队或不同的团队中，或者在独自玩游戏。在其他实施方案中，遥测数据405可以与玩家和/或观众可见的游戏会话的再次进行相关联。另外，玩家A标记系统(例如，滥用响应引擎145和/或赞誉系统120)，从而指示某个玩家行为可能是不期望的(例如，滥用的、不良的等)。例如，玩家A可以选择在显示器上的界面中呈现的按钮，或控制器上的按钮，以生成指示存在不期望的行为的标志。在一些实施方案中，当标记玩家是在线游戏社区中信誉良好的成员(例如，是良好公民)(诸如不是滥用者的成员)时，玩家只能生成指示可能的不期望的行为的标记。尽管显示玩家A发起标记，但玩家行为的标记(不期望的和/或期望的)可能来自许多来源，诸如来自观众(通过游戏会话的再次进行)、来自通常认可行为的初始过滤器中的系统等。

特定地，标记引擎621检测玩家A标记的/生成的标记。此时，访问和/或由数据捕获引擎621捕获与标记相关联的遥测数据，如由标记发起，或如由标记引擎620指示。例如，识别、访问和/或捕获对应于特定时间段的相关联的遥测数据424，所述特定时间段被计算为捕获玩家B(或任何被标记的玩家)的与标记的生成相关的行为。在一些实施方式中，玩家A可以指示什么时间段是数据捕获所必需的。此外，可以捕获视频记录623(例如，视频和音频)(例如，记录玩游戏过程的从标记发起的前10分钟和玩游戏过程的标记发起后的10分钟，或某个其他时段)。

可能需要对标记的行为进行附加验证。例如，一些玩家可能滥用标记过程(例如，虚假标记)，使得标记本身可能被视为不期望的行为。例如，一个玩家可能会反复将特定玩家的行为标记为滥用行为，而实际上所述行为是可接受的。重复标记可能会上升到是不期望的程度(例如，骚扰、滥用等)。因此，可以实施验证过程以减少标记过程的误用。例如，可以实施众包以验证生成标记的玩家没有滥用标记系统，其中众包可以指示被标记的玩家(即，标记的目标)是否实际上表现出不期望的行为(例如，滥用的、不良的等)。人群可能是与正在生成标记的玩家A相同的团队中的一部分，或者可能是另一团队的一部分，或者一个或多个单独的玩家。在另一个实施方案中，为了限制标记特征的滥用，玩家可以生成的标记的数量可以被限制为特定数量。这样，即使玩家滥用标记特征，滥用的次数也可能受到限制。在另一个实施方案中，向滥用标记特征的玩家发出警告，其中所述警告通知玩家系统知道不期望的行为(过度使用标记特征)并停止不期望的行为。所述警告可以指示：如果玩家继续进行不期望的行为，则可能需要采取其他动作。

在一个实施方案中，验证可以至少部分地由机器学习引擎190通过AI模型195的实施来执行。特定地，相关联的遥测数据424作为输入提供给机器学习引擎190以应用人工智能来识别被标记的行为。标记的发起指示某种行为可能有问题，但不一定提供任何识别信息，诸如活动，或玩家在执行被怀疑是不期望的活动。因此，AI模型195被配置为将相关联的遥测数据424内的任何活动分类为不期望的行为。另外，可以根据遥测数据(例如，游戏状态数据、用户简档数据和/或元数据)确定将玩家B识别为行事者。例如，AI模型195提供玩家B执行的标记为不期望的行为作为输出615。

在一些实施方式中，AI模型195对不期望的行为的分类提供了对玩家A没有滥用标记系统以及标记是善意生成的验证。在该情况下，向验证引擎610提供对标记行为的分类，所述验证引擎可以将该数据重新提交给机器学习引擎190以用于训练AI模型195。

在其他实施方式中，可以执行对生成的标记的附加验证。例如，先前描述的验证引擎610可以用于提供附加验证。特定地，将由AI模型195分类的标记行为提供给验证引擎610。此外，可以提供视频记录623或其他相关数据。验证可以通过多种方式进行，诸如通过众包601a验证、由一个或多个队友601b验证、由合规群组601c或审核团队验证、由一个或多个其他玩家601d验证、由一个或多个观众601n验证等等。例如，对应的验证源可以查看记录603以确定是否注意到任何不期望的活动，并且将响应返回给验证引擎，所述验证引擎验证玩家B的活动/行为是不期望的或可接受的。没有响应可能指示玩家B的行为是可接受的，或者可能是空数据(例如，无效响应)。

如前所述，验证引擎610可以将经验证的行为呈现回机器学习引擎190以用于训练AI模型195，和/或更新AI模型(例如，使用训练阶段)。识别和/或访问(例如，根据机器学习引擎190的输入)与经验证的行为相关联的特征或者通过特征识别器430新提取所述特征，并且将所述特征作为输入提供给机器学习引擎190。可以基于经验证的响应来修改和/或更新底层AI模型195中的参数，诸如当行为被验证为期望的时，参数被加强(例如，增加权重)，或者当行为被验证为可接受时，参数被减弱。机器学习引擎190可以应用监督学习，以通过将经验证的行为指定为真实输出425来训练AI模型195。

如前所述，在另一个实施方案中，流程图600C可以被配置为通过将玩家B的行为分类为期望的进行建议。这样，可以实现对期望的行为的验证，并将所述验证提交给机器学习引擎190以用于更新/训练AI模型195和/或提供对所述AI模型的学习以更好地将行为分类为期望的，其中AI模型195可以被配置为对不期望的和/或期望的行为进行分类。例如，可以基于经验证的响应来修改和/或更新底层AI模型195中的参数，诸如当行为被验证为期望的时，参数被加强(例如，增加权重)，或者当行为被验证为可接受时，参数被减弱。机器学习引擎190可以应用监督学习，以通过将经验证的行为指定为真实输出425来训练AI模型195。这样，AI模型195可以学习期望的(例如，良好的)行为模式(例如，团队合作、帮助他人、向其他玩家提供帮助、向没有经验的玩家提供指令等)。可以采取附加的动作，诸如实施赞誉系统120以奖励以期望的方式行事的玩家，诸如通过提高他们在在线游戏社区200内的声誉，如前所述。

图6D示出了根据本公开的一个实施方案的请求报告不期望的行为的通知635(例如，弹出消息)。特定地，系统可以检测玩家B(631)正在执行的不期望的行为(例如，滥用的、不良的等)，其中所述系统可以实施被配置为对不期望的行为进行分类的AI模型。所述系统可以包括滥用响应引擎145，所述滥用响应引擎被配置为提供无缝且无摩擦的方式来报告不期望的行为。例如，通知635针对可能是玩家B(611)的不期望的行为(例如，滥用的、不良的等)的目标和/或受害者的良好玩家出现(例如，弹出)。这样，以前可能不愿意主动报告其他玩家的不期望的行为的目标玩家和/或受害者将可以通过一种快速简单的方式来报告所述活动。未报告的可能原因包括：因为目标玩家和/或受害者认为报告会被忽视、会花费太多的时间和精力、会影响当前的玩游戏过程、他们不知道报告过程、或这是一个较难的过程等。由于通知635是在没有目标玩家和/或受害者提示的情况下提供的、实时提供的、以及源自实施游戏会话的系统(例如，云游戏网络)，因此目标玩家和/或受害者现在可能觉得报告会得到认真对待。

屏幕截图600D示出了游戏世界639，其中玩家V(632)和玩家B(611)可能正在多玩家游戏会话中玩视频游戏。屏幕截图600D可以从玩家V(632)的角度截取，所述玩家V的化身被放大。玩家B(631)可能正在游戏世界639中执行某个被分类为不期望的行为的动作。玩家B(631)被显示在显示给玩家V(632)的视角的背景中，其中玩家B的化身的大小被缩小。

此外，在对玩家B(631)的不期望的行为(例如，滥用的、不良的等)进行分类之后，系统可能能够进一步确定玩家V(632)是不期望的行为的目标。例如，可以通过遥测数据(例如，游戏状态数据、用户简档数据、元数据等)来确定玩家B(631)和玩家V。可以向玩家V(632)提供弹出消息635和/或通知，诸如在没有来自玩家V的任何提示的情况下。在弹出消息615中提供了简短的标题或描述636，并且所述标题和描述认可玩家V是不期望的行为(例如，滥用的、欺凌的、骚扰的等)的目标。例如，描述636可以指示玩家B(631)看起来是“滋事的”，其中滋事指向玩家V(632)。例如，玩家B(631)可能不再试图帮助赢得多玩家游戏中的比赛，而玩家V(631)是队友。可以可选地在通知635中提供描述玩家B(631)的不期望的行为的附加信息，诸如行为的剪辑(例如，视频、音频等)。在一些情况下，不需要这些信息，因为作为目标玩家和/或受害者的玩家V(632)非常清楚玩家B(631)的不期望的行为。

界面633在通知635内提供，以给予玩家V(632)机会来快速报告(例如，一次点击)玩家B(631)的不期望的行为，诸如通过滥用响应引擎145。在各种实施方案中可以不同地配置界面633，其中每个实施方案允许玩家V(632)有机会报告玩家B(631)的不期望的行为。系统对滥用的确认可以向玩家V(632)确认可以响应于不期望的行为的报告而做某事。在该情况下，玩家V(632)可能通过选择“是”按钮637提交玩家B的行为是不期望的报告，并且所述行为可能是针对目标玩家和/或受害者(即，玩家V 632)。在一个实施方案中，不期望的行为的报告是匿名的。可以提供指令来按下某个其他按钮，诸如控制按钮“X”。在一些情况下，玩家V(632)可以主动拒绝报告玩家B(631)的不期望的行为，诸如通过选择“否”按钮618。可以提供指令来按下某个其他按钮，诸如控制按钮“方块”。主动拒绝并不一定意指玩家V接受玩家B(631)的不期望的行为。此外，如果玩家V(632)没有做出响应，则通知635可能会快速消失，这也不一定暗指玩家V接受玩家B(631)的不期望的行为。通知635还可以为玩家V(632)提供机会来选择要采取的附加动作。例如，玩家V可以选择掩蔽，如图6E中所述的，或者选择隐藏，如图6F中所述的。

特定地，图6E示出了根据本公开的一个实施方案的掩蔽和/或移除玩家642(例如，目标玩家和/或受害者)，所述玩家642被针对玩家642表现出或已经表现出不期望的行为的玩家641(例如，滥用者)作为目标。滥用者641和玩家642可能正在与游戏世界649相关联的多玩家游戏会话中玩视频游戏。另外，滥用者641的行为可能先前已被分类为不期望的(例如，滥用的、不良的等)。所述分类然后可以使玩家642受到的不期望的行为的影响减少。

游戏世界649在游戏会话期间以各种状态显示。例如，游戏世界649被示为处于状态0、状态1和状态2。特定地，在状态0下，游戏世界649包括同一一般区域中的滥用者641和玩家642-A，使得玩家642-A是为滥用者641表现出的不期望的行为的目标。玩家642的状态与游戏世界649的状态平行，并因此处于状态0，其中处于状态0的玩家642被标记为玩家642-A。在状态0下，玩家642-A由其处于原始状态的化身表示，诸如没有掩蔽或任何其他修改。

在状态0下，滥用者641的行为可以被分类为不期望的，诸如通过AI模型。另外，玩家642-A也可以被识别为不期望的行为的目标。

与实施AI模型的机器学习引擎合作的系统(例如，滥用响应引擎145)然后可以向玩家642提供附加选项。例如，第一选项645允许对滥用者641掩蔽玩家642。状态1反映了掩蔽，其中玩家642的状态与游戏世界649的状态平行，并因此处于状态1，使得处于状态1的玩家642被标记为玩家642-B。状态1可能是处于同一游戏会话中，或者是处于下一个或其他游戏会话中。掩蔽可以在玩家642没有任何交互的情况下执行来避开滥用者641，即自动发生，或者掩蔽可以在玩家642的请求下执行，如前所述。在掩蔽的情况下，对滥用者641掩蔽玩家642-B，因此滥用者641注意不到玩家642-B。特定地，玩家642-B的化身或其状态可能在状态0与1之间发生变化。也就是说，玩家642-B的化身可能是不同的角色、性别、颜色、名称、不同的化身等，使得玩家642-B和对应的化身无法被滥用者641识别(即，在呈现给游戏世界649的滥用者641的视角中)。在一个实施方案中，玩家642-B未对游戏世界649中的其他玩家进行掩蔽，使得处于状态2的玩家642-B的化身以其原始状态呈现，即，没有修改，即使玩家642-B仍然对滥用者641是掩蔽的。因此，滥用者641和玩家642-B两者仍然能够在同一游戏对话中玩视频，并且玩家642-B不需要改变他或她的游戏行为。例如，玩家642可能希望留在游戏会话中，因为除了滥用者641之外，游戏会话可能是完全愉快的。

第二选项646允许对滥用者641隐藏玩家642。状态2反映了玩家642的掩蔽，其中玩家642的状态与游戏世界649的状态平行，并因此处于状态2，使得处于状态2的玩家642被标记为玩家642-C。状态2可能是处于同一游戏会话中，或者是处于下一个或其他游戏会话中。隐藏可以在没有玩家642的任何交互的情况下执行来避开滥用者641，即自动发生。在隐藏情况中，对滥用者641隐藏玩家642-C。特定地，可以从滥用者641的游戏世界649的视角移除玩家642-C的化身的一些或所有痕迹。也就是说，滥用者641根本看不到玩家642-C。在一个实施方案中，玩家642-C并未对游戏世界649中的其他玩家隐藏，使得处于状态2的玩家642-C的化身以其原始状态(即，没有修改)呈现给其他玩家，即使玩家642-C对滥用者641是隐藏的。在一个实施方案中，玩家642-C对由玩家642-C标记或选择的一个或多个其他玩家可见。在另一个实施方案中，玩家642-C能够看到滥用者641。因此，滥用者641和玩家642-C两者仍然能够在同一游戏会话中玩视频，而玩家642-C仍然能够在游戏会话中玩视频游戏，而不改变他或她的行为。

在一个实施方案中，滥用者641和玩家642两者对彼此隐藏。也就是说，玩家642将滥用者641置于黑名单中，至少相对于玩家642而言。在该情况下，玩家642的化身的一些或所有痕迹可以从滥用者641的游戏世界649的角度移除，并且同样地，滥用者641的化身的一些或所有痕迹可以从滥用者642的游戏世界649的角度移除。

在另一个实施方案中，代替在游戏会话中对滥用者641隐藏玩家642的是，玩家642可以从游戏会话中移除并且分配给不同的游戏会话。例如，玩家642可以分配给不同的游戏服务器，所述游戏服务器为相同的视频游戏运行不同的游戏世界，所述视频游戏具有在游戏世界中玩游戏但不包括滥用者641的一组不同的玩家。这样，玩家642的角色重生到同一视频游戏的不同游戏世界中。

图6F示出了根据本公开的一个实施方案的标记玩家即将出现的通知。特定地，玩家B(651)和玩家V(652)可能正在与游戏世界659相关联的多玩家游戏会话中玩视频游戏。以前，玩家V(652)可能已经成为玩家B表现出的看似不期望的行为(例如，滥用的、不良的等)的目标，使得玩家V可能已经成为不期望的行为的目标和/或受害者。实施被配置为对玩家行为进行分类的AI模型的系统也可能已经对该不期望的行为进行了分类。在另一种情况下，玩家B(651)表现出的行为可能不会上升到不期望的程度，但是所述行为可能非常冒犯或令人讨厌，尤其是对目标玩家和/或受害者来说。在那些情况下，玩家V(652)(例如，目标玩家和/或受害者)可能会决定利用标记特征。

在该情况下，玩家V(652)可以决定标记玩家B(651)。在一个实施方案中，标记可以匿名进行，并且玩家B(651)甚至没有注意到被标记。例如，可以在玩家V(652)可用的地图中做出标记，但任何其他玩家不可使用所述标记，尤其是玩家B(651)。在另一个实施方案中，玩家B(651)被通知该标记，并且可以在通知中提供指示什么是不期望的行为的信息(例如，视频剪辑)。因此，每当玩家B(651)进入玩家V(652)的区域中时，玩家B的化身出于玩家V的利益而被标记。例如，玩家B被示为沿着路径653移动通过游戏世界659。在初始位置，玩家B被标记为651-A。在移动到第二位置之后，玩家B被标记为651-B。在第二位置，玩家B已经在玩家V的视角658-A内可见的区域内移动。这样，玩家B(651-B)的化身在玩家V的视角658-A内被标记。例如，玩家B(651-B)的化身可以用脉动或标记有其他引人注目的图案(例如，太阳光线等)的框来突出显示。在一些实施方案中，玩家B(651)的化身可以变成被标记并且对玩家V(652)刚好在视角658-A的外边界之外可见。例如，视角658-A可以在一个区域内扩展以包括入侵的玩家B(651)。在该情况下，玩家B(651)的标记版本可能变成对玩家V(652)可见，但玩家V(652)对玩家B(651)不可见。

由于玩家B(651-B)对玩家V(652-A)高度可见，因此玩家V可能会采取附加的动作来避开玩家B。如图所示，玩家V(652-A)可以沿着路径654移动到第二位置。在初始位置，玩家V(652)被标记为652-A。在移动到第二位置之后，玩家V被标记为652-B。在第二位置，玩家V(652-B)的视角658-B不包括玩家B(651-B)，并且已避免与该玩家联系。由于标记特征，玩家V(652)可能会持续采取动作来避开玩家B(651)。

在又一个实施方案中，可以向玩家V(652)提供通知，指示玩家B(651)将很快在玩家V的视角内变得可见。也就是说，随着玩家B(651)沿着路径653移动并且将很快穿过玩家V(651-A)的视角658-A的边界，通知被传递给玩家V。这样，玩家V(652-A)可以在玩家B(651)或玩家V(652)变得彼此可见之前沿着路径654移动到第二位置。由于通知特征，玩家V(652)可能会持续采取动作来避开玩家B(651)。

图6G示出了根据本公开的一个实施方案的提供给被识别为表现出不期望的行为的玩家B(661)的通知665。通知665可以是弹出消息。玩家B(661)和玩家V(662)可能正在多玩家游戏会话中玩视频游戏。屏幕截图600G示出了游戏世界669，其中玩家B(661)和玩家V(662)可能正在多玩家游戏会话中玩视频游戏。屏幕截图600G可以从玩家B(661)的角度截取，所述玩家B的化身被放大。玩家B(661)可能正在游戏世界669中执行某个被分类为不期望的行为的动作，其中不期望的行为的目标可能是玩家V(662)，其中玩家V显示在显示给玩家B(661)的视角的背景中，其中玩家V的化身的大小被缩小。

特定地，系统可以检测玩家B(661)正在执行的不期望的行为(例如，滥用的、不良的等)，其中所述系统可以实施被配置为对不期望的行为进行分类的AI模型。所述系统可以包括滥用响应引擎145，所述滥用响应引擎被配置为向玩家B(661)提供警告作为反馈，使得给予玩家B补救他或她的行为的机会。例如，针对玩家B(661)出现(例如，弹出)通知665，所述玩家表现出不期望的行为(例如，滥用的、不良的等)。如果通知665被提早提供并且具有足够的执行措施，则玩家B(661)可以被说服改变他或她的行为或者玩家可以被暂停。这样，玩家V(662)不需要改变他或她的玩游戏模式。

标题或描述667提供玩家B(661)是“滥用者”的通知。例如，描述667可能会说：“你好，玩家B！你在视频游戏“K”中已经被标记为不良行为。”还可以提供附加信息，诸如玩家B正在玩的游戏、识别不良行为的玩家B的方式(例如玩家标记、标记行为的玩家数量、玩家报告、系统标识等)。

也可以通过各种方法在通知665中提供不期望的行为的标识。例如，通知665可以声明：“我们的系统已确定你的违规行为是：违规‘是’。”在另一个示例中，可以在通知665内提供不期望的行为的剪辑664(例如，视频、音频等)。可以使用识别通知665中的不期望的行为的其他信息(例如，文本等)。在又一个示例中，通知665可以指示通过按下某个控制按钮可以访问不期望的行为的视频捕获。

一旦识别不期望的行为(例如，通过AI模型、报告、标记等)，就可以向玩家B(661)提供通知665。同时，可以分析捕获到的不期望的行为(例如，滥用的、不良的等)以肯定地确认所述行为是不期望的，诸如当所述行为被标记或报告时。例如，可以通过AI模型将所述行为分类为不期望的，和/或如前所述，通过各种来源(例如，众包、玩家验证、队友验证等)来验证所述行为。

如果所述行为被确认为不期望的，则可以向玩家B(661)显示附加信息。例如，通知665可能会声明：“当你达到‘X’次不良行为时，你将在游戏网络(或社交网络)中被暂停‘W’天，或某个其他时间段(例如、游戏会话、分钟、小时、天、周、永久等)。”另一个声明可以识别目标玩家，例如当通知665时，并且提供关于如何改变行为的建议，并且如果不期望的行为持续存在，则玩家B将被暂停。也就是说，目标是向玩家B提供反馈，以努力改变违规玩家的行为和/或改造违规玩家。因此，信息框668-A可以向玩家B(661)指示在采取附加动作(诸如暂停)之前改变他或她的行为的机会数“X”。可以通过链接提供其他详细信息。

通知665可以给予玩家B(661)机会来对玩家B表现出不期望的行为的确定提出异议。也就是说，玩家B(661)可能认为系统不正确，或者可能认为存在欺诈性报告或标记，并希望有机会提出异议。例如，界面663-A提供了对玩家B(661)表现出不期望的行为的确定提出异议的机会。特定地，通过选择“是”按钮663-B，发起玩家B(661)能够辩称无辜的过程。可以实施用于发起提出异议过程的其他方法，诸如选择控制按钮(例如，“方块”)。

在另一个实施方案中，可以将通知665发送到与社交游戏网络相关联的玩家B(661)的消息框。这可以在检测到玩家B(661)长时间远离键盘(AFK)时实施。

图6H示出了根据本公开的一个实施方案的迷你报告600H，所述迷你报告提供对不期望的行为和/或期望的行为的快速确认。如图所示，迷你报告600H可以在游戏后分解会话期间呈现给玩家X，其中玩家X是视频游戏的多玩家游戏会话的参与者。多玩家游戏会话可以有多个玩家参与，包括玩家1至N。玩家X可能是玩家团队的一部分，或者可能是单独操作，这取决于视频游戏的性质。迷你报告600H提供了一种快速方法来报告玩家在游戏会话中的不期望的行为和/或报告玩家在游戏会话中的期望的行为。在一种实施方式中，不期望的行为的报告可以是匿名的。在一个实施方案中，迷你报告600H限于为玩家X确认团队中的玩家。在其他实施方案中，迷你报告600H开放以确认游戏会话中的所有玩家。

特定地，区段671为玩家X提供了一种快速方法来在游戏会话中向另一个玩家给予赞誉。玩家X可向其给予赞誉的每个玩家都列在区段671中。在一个实施方案中，并未列出游戏会话中的所有玩家，因此在区段671中仅列出了供给予赞誉的最佳候选者。区段671中列出的每个玩家都有一个对应的值，所述值可以快速指示该玩家在游戏会话期间表现出的期望的行为有多好。所述值越高，玩家表现出的期望的行为就越好，诸如那些促进该视频游戏或多个视频游戏的在线游戏社区福祉的行为。在实施方案中，值可以与同一游戏会话中的所有玩家进行比较，或者与多个游戏会话中的玩家进行比较。在另一个实施方案中，值可以是游戏会话中的选择性(例如，队友)玩家或所有玩家的排名，其中所述排名按照他们表现出的期望的行为的程度的顺序列出玩家。如图所示，玩家X已经选择了玩家N(值为89％)来给予赞誉，其中先前介绍过赞誉。在另一个实施方案中，代替颁发赞誉的是，对玩家N的选择提供了指示玩家N表现出游戏会话中多个玩家之间最期望的或最佳的行为的报告。

区段672为玩家X提供了一种快速的方法来报告另一个玩家在游戏会话中表现出不期望的行为。可用于报告玩家X的不期望的行为的每个玩家都列在区段672中。在一个实施方案中，并未列出游戏会话中的所有玩家，使得在区段671中仅列出最有可能报告不期望的行为的候选者。此外，在区段672中列出的玩家可能与区段671中列出的玩家(例如，供给予赞誉)不匹配。区段672中列出的每个玩家都有一个对应的值，所述值可以快速地指示该玩家在游戏会话期间表现出的不期望的行为有多少。所述值越高，玩家在游戏会话期间表现出的不期望的行为越多，或者不期望的行为在游戏会话期间对另一个玩家的玩游戏过程产生负面影响的效果就越好。在实施方案中，值可以与同一游戏会话中的所有玩家进行比较，或者与多个游戏会话中的玩家进行比较。在另一个实施方案中，值可以是游戏会话中的选择性(例如，队友)玩家或所有玩家的排名，其中所述排名按照他们表现出的不期望的行为的程度的顺序列出玩家。如图所示，玩家X已经选择了玩家0(值为85％)来报告为表现出不期望的行为。

在另一个实施方案中，迷你报告600H中提供的列表可以被游戏会话中的玩家用于众包。例如，游戏会话中的所有玩家或游戏会话中选定的一组玩家(例如，队友)可以各自被呈现迷你报告600H。在从迷你报告中收集结果之后，可以投票选出一个玩家作为最佳玩家或最佳队友等。(例如，收到最多赞誉点数的玩家)。

在又一个实施方案中，在游戏会话结束时，除了显示游戏得分和其他游戏相关统计数据之外或代替它们的是，可以向玩家显示其他与行为相关的信息。例如，当在游戏会话期间捕获不期望的行为并对所述行为进行分类时，可以识别执行该不期望的行为的一个或多个玩家，并将其标记为滥用者。还可以在游戏会话结束时显示的游戏相关统计数据中提供该游戏会话的滥用者列表，诸如在游戏后分解中。所述列表可能包括具有不期望的行为特征但可能尚未达到被分类为不期望的行为的水平的玩家。这允许列表中的那些玩家在他们达到可以被分类为不期望的行为的水平之前修改他们的行为。

在另一个实施方案中，玩家可以被识别为不良玩家或滥用者(即，表现出不期望的行为或具有表现出不期望的行为的特征的那些玩家)和良好玩家。不良的程度也可以提供更精细的标识分辨率。该标识可以包括在对应的用户简档中。这样，当团队正在为多玩家游戏会话构建时，玩家是否不良，或者不良的程度，都会被考虑在内。例如，不同程度的不良玩家可能会被安排在一个团队中，因为当队友表现出针对其他玩家的不期望的行为时，愿意对其他玩家表现出不期望的行为的玩家可能不会被冒犯，甚至可能不介意。另一方面，良好玩家可能不想成为不期望的行为的目标，因此配对会避免将不良玩家(即表现出不期望的行为)和良好玩家安排在同一个团队中。在其他情况下，团队根据玩家是否不良来平衡。也就是说，不良玩家(即，表现出不期望的行为)可能分散在游戏会话中的多个团队中。这样，不良玩家对他们相应的团队的负面影响将在同一游戏会话中平均分散。

在另一个实施方案中，视频游戏的开发者可以设置与玩家是否对其他玩家表现出不期望的行为有关的攻击性水平。也就是说，可以调整攻击性水平。例如，一些游戏(例如，第一人称射击游戏)需要一定程度的攻击性和/或在玩其他游戏(例如，建造农场或乌托邦社会)时表现出的疯狂可能会被认为是不期望的(例如，滥用的、不良的等)。许多这些需要攻击性的游戏可能涉及杀死其他玩家的角色以赢得游戏会话。因此，游戏开发者可以定义对应视频游戏中可容忍的攻击性水平。如果玩家超出所述水平，则该玩家可能会被标记为表现出不期望的行为，随后会产生附加的后果(例如，警告、暂停、禁止等)。游戏开发者还可以设置其他限制，诸如玩家可以为潜在的不期望的行为生成标记的次数、设置可以标记哪些动作的界限、设置可接受的动作的阈值、设置不期望的动作的极端区域等。

在另一个实施方案中，可以生成玩家C表现出期望的或不期望的行为的报告并将其传递给请求实体。例如，玩家C可能是孩子，而请求实体可能是孩子的父母。这样，家长可以了解玩家C在在线游戏社区内如何互动。特定地，当玩家C参与一个或多个游戏会话时，被配置为对玩家行为进行分类(例如，使用AI模型)的系统能够对一段时间(例如，游戏会话、一天或多天、每周等)内与玩家C的行为相关的所有活动进行分类。活动及其分类可以在提供给请求实体(例如，父母)的报告中呈现。例如，所述报告可能指示玩家C正在进行一项活动，该活动激增，或者高于任何玩家进行该活动的平均次数。这可能是不期望的行为的证据(例如，使用表情符号发送垃圾信息等)。例如，孩子可能正在与另一个可能是儿童捕猎者的玩家联系。作为证据的是，孩子可能与表现出不期望的行为(例如，被标记为滥用者，或者可能是儿童捕猎者)的玩家有比正常人更多的通信联系；孩子可能有游戏会话期间指示滥用一种或多种通信媒体(例如，滥用聊天功能)的大量通信联系；好友请求数超过平均水平；与超过阈值的年龄差的另一个玩家(例如，捕猎者)通信等。报告可能会发出警告，诸如“警告：您的孩子与已知的滥用者或骚扰者有过联系”。另外，所述报告可以指示玩家C的情绪行为(例如，表现出冷静行为、兴奋行为、沮丧行为等)。可以通过生物特征(例如，眨眼频率、出汗、声音大小、音调、心跳)以及游戏玩家活动和/或行为的分类来监视行为。通过生成报告，请求实体(例如，父母)可以发布与行为相关的奖励。例如，父母可以给孩子更多的游戏时间，父母可以发出一个或多个赞誉等。另外，请求实体可以发出与孩子的行为相关的惩罚。例如，父母可以限制玩游戏的时间等。因此，报告可以用作用于控制对游戏的访问的分级系统(例如，儿童行为的行为排名或量化)。

在又一个实施方案中，用于对玩家行为进行分类的系统可以用于报告视频游戏内的利用。例如，系统可以确定特征在视频游戏中被过度使用，并且该过度使用表现出不期望的行为。换句话说，所述特征正被用来对其他玩家进行滥用。例如，一个或多个玩家可能在视频游戏中用表情符号发送垃圾信息以负面地影响其他玩家的玩游戏过程(例如，用表情符号覆盖整个屏幕)。一旦视频游戏的开发者被通知所述特征可能用于不期望的行为(例如，滥用的、不良的等)，则游戏开发者可以向游戏发布补丁，所述补丁通过修改、优化和/或删除该特征来限制该行为。例如，补丁可能会限制玩家使用表情符号的次数。

图7示出了可以用于执行本公开的各个实施方案的各方面的示例性装置700的部件。例如，图7示出了根据本公开的实施方案的适用于对游戏会话的玩家中的不期望的行为和/或期望的行为进行分类的示例性硬件系统。此框图示出装置700，所述装置可并入有或可以是个人计算机、服务器计算机、游戏控制台、移动装置或其他数字装置，它们中的每一者都适用于实践本发明的实施方案。装置700包括用于运行软件应用程序且可选地运行操作系统的中央处理单元(CPU)702。CPU 702可以由一个或多个同构或异构处理核心组成。

根据各个实施方案，CPU 702是具有一个或多个处理核心的一个或多个通用微处理器。另外的实施方案可以使用一个或多个CPU来实施，所述一个或多个CPU具有特别适于被配置用于在游戏执行期间进行图形处理的应用程序中的高度并行和计算密集型应用程序(诸如媒体和交互式娱乐应用程序)的微处理器架构。

CPU 702可以被配置为实施滥用响应引擎145和/或赞誉系统120。如前所述，滥用响应引擎145被配置为对玩家行为进行分类，并且响应于分类采取附加的动作。例如，可以确定玩家表现出不期望的行为(例如，对另一个玩家滥用)，并且可以向该玩家发出警告以停止不期望的行为。此外，赞誉系统120被配置为向表现出期望的行为的玩家颁发赞誉。这样，可以在在线游戏社区内促进玩家之间的期望的行为。

存储器704存储应用程序和供CPU 702和GPU 716使用的数据。存储装置706为应用程序和数据提供非易失性存储和其他计算机可读介质，并且可以包括固定磁盘驱动器、可移除磁盘驱动器、闪速存储器装置和CD-ROM、DVD-ROM、蓝光、HD-DVD或其他光学存储装置，以及信号传输和存储介质。用户输入装置708将来自一个或多个用户的用户输入传达到装置700，用户输入装置的示例可以包括键盘、鼠标、操纵杆、触摸板、触摸屏、静态或视频记录器/相机，和/或麦克风。网络接口709允许装置700经由电子通信网络与其他计算机系统通信，并且可以包括通过局域网和广域网(诸如互联网)进行的有线或无线通信。音频处理器712适于从由CPU 702、存储器704和/或存储装置706提供的指令和/或数据生成模拟或数字音频输出。装置700的部件，包括CPU 702、包括GPU 716的图形子系统714、存储器704、数据存储装置706、用户输入装置708、网络接口709和音频处理器712经由一根或多根数据总线722连接。

图形子系统714还与数据总线722和装置700的部件连接。图形子系统714包括图形处理单元(GPU)716和图形存储器718。图形存储器718包括用于存储输出图像的每一个像素的像素数据的显示存储器(例如，帧缓冲器)。图形存储器718可以与GPU 716集成在同一装置中，作为单独装置与GPU 716连接，和/或在存储器704内实施。像素数据可以直接从CPU702提供到图形存储器718。替代地，CPU 702向GPU 716提供定义期望输出图像的数据和/或指令，GPU 716根据所述数据和/或指令生成一个或多个输出图像的像素数据。定义期望输出图像的数据和/或指令可以存储在存储器704和/或图形存储器718中。在实施方案中，GPU716包括3D渲染能力，用于根据定义场景的几何形状、照明、着色、纹理、动作和/或相机参数的指令和数据生成输出图像的像素数据。GPU 716还可以包括能够执行着色器程序的一个或多个可编程执行单元。在一个实施方案中，可以将GPU 716实施在AI引擎(例如，机器学习引擎190)内以提供附加的处理能力，诸如AI或机器学习功能、或深度学习功能等。

图形子系统714周期性地从图形存储器718输出图像的像素数据，以在显示装置710上显示或由投影系统(未示出)进行投影。显示装置710可以是能够响应于来自装置700的信号而显示视觉信息的任何装置，包括CRT、LCD、等离子体和OLED显示器。例如，设备700可向显示装置710提供模拟或数字信号。

在其他实施方案中，图形子系统714包括多个GPU装置，它们被组合以为在对应CPU上执行的单个应用程序执行图形处理。例如，多个GPU可执行交替形式的帧渲染，其中以顺序的帧周期，GPU 1渲染第一帧，并且GPU 2渲染第二帧，依此类推，直到到达最后一个GPU为止，于是初始GPU渲染下一个视频帧(例如，如果只有两个GPU，则GPU 1渲染第三帧)。那就是渲染帧时GPU旋转。渲染操作可以重叠，其中GPU 2可以在GPU 1完成渲染第一帧之前开始渲染第二帧。在另一实施方式中，可以在渲染和/或图形流水线中为多个GPU装置分配不同的着色器操作。主GPU正在执行主渲染和合成。例如，在包括三个GPU的组中，主GPU 1可以执行主渲染(例如，第一着色器操作)和合成来自从属GPU 2和从属GPU 3的输出，其中从属GPU 2可以执行第二着色器(例如流体效果，诸如河流)操作，从属GPU 3可以执行第三着色器(例如粒子烟雾)操作，其中主GPU 1合成来自GPU 1、GPU 2和GPU 3中的每一个的结果。这样，可以分配不同的GPU来执行不同的着色器操作(例如挥旗、风、烟雾生成、火等)以渲染视频帧。在又一个实施方案中，三个GPU中的每一个都可以分配给对应于视频帧的不同的对象和/或场景部分。在以上实施方案和实施方式中，可以在同一帧周期(同时并行)或在不同帧周期(按顺序并行)中执行这些操作。

因此，在各种实施方案中，本公开描述了被配置用于对不期望的玩家行为(例如，滥用的、不良的等)和/或期望的玩家行为(例如，良好的、促进在线游戏社区的福祉等)进行分类的系统和方法。

应理解，可以使用本文中所公开的各种特征将本文中所限定的各种实施方案组合或组装成特定实施方式。因此，所提供的示例只是一些可能的示例，而并不限于可以通过组合各种元件来定义更多实施方式的各种实施方式。在一些示例中，一些实施方式可以包括更少的元素，而不背离所公开的或等效的实施方式的精神。

本公开的实施方案可以用包括手持式装置、微处理器系统、基于微处理器的或可编程的消费电子产品、小型计算机、大型计算机等的各种计算机系统配置来实践。还可以在分布式计算环境中实践本公开的实施方案，在所述分布式计算环境中，通过基于有线或无线网络链接的远程处理装置执行任务。

考虑到以上实施方案，应理解，本公开的实施方案可以采用涉及存储在计算机系统中的数据的各种计算机实施的操作。这些操作是需要对物理量的物理操纵的那些操作。本文描述的形成本公开的实施方案的一部分的任何操作都是有用的机器操作。本公开的实施方案还涉及用于执行这些操作的装置或设备。可以针对所需目的专门构造所述设备，或者所述设备可以是由存储在计算机中的计算机程序选择性地激活或配置的通用计算机。特定地，各种通用机器可以与根据本文的教导编写的计算机程序一起使用，或者构造更专门的设备来执行所需的操作可能更方便。

本公开还可以实施为计算机可读介质上的计算机可读代码。计算机可读介质是可以存储数据的任何数据存储装置，该数据随后可以由计算机系统读取。计算机可读介质的示例包括硬盘驱动器、网络附接存储装置(NAS)、只读存储器、随机存取存储器、CD-ROM、CD-R、CD-RW、磁带以及其他光学和非光学数据存储装置。所述计算机可读介质可以包括分布在网络耦合的计算机系统上的计算机可读有形介质，使得以分布式方式存储和执行计算机可读代码。

尽管以具体的顺序描述了方法操作，但应理解，可在操作之间执行其他内务操作，或者可以调整操作，使得它们在略微不同的时间发生，或者可以分布在允许以与处理相关联的各种间隔发生处理操作的系统中，只要覆盖操作的处理以期望的方式执行即可。

虽然出于清楚理解的目的相当详细地描述了前述公开内容，但显而易见的是，可在所附权利要求的范围内实践某些改变和修改。因此，本发明的实施方案被认为是说明性的而非限制性的，并且本公开的实施方案不限于本文给出的细节，而可以在所附权利要求的范围和等效物内进行修改。

Claims (20)

1.一种控制在线游戏行为的方法，其包括：

在游戏服务器处监视在一段时间内在游戏会话中玩视频游戏的多个玩家的多个玩游戏过程；

从与和所述多个玩游戏过程相关联的多个活动相关的所述多个玩游戏过程中提取特征，所述多个活动由所述多个玩家控制；

通过被配置为对所述多个活动进行分类的人工智能(AI)学习模型运行所述特征；以及

将活动分类为滥用行为。

2.如权利要求1所述的方法，

其中所述滥用行为被执行以负面地影响至少一个其他玩家的游戏体验。

3.如权利要求1所述的方法，其还包括：

确定所述活动导致玩家离开所述游戏会话。

4.如权利要求1所述的方法，其还包括：

确定正在控制所述滥用行为的第一玩家；

确定作为所述滥用行为的目标的第二玩家；

向所述第二玩家的装置发送已经识别所述滥用行为的通知。

5.如权利要求4所述的方法，其还包括：

从所述第二玩家的所述装置接收指示所述滥用行为是滥用的确认；以及

从所述第二玩家接收所述滥用行为是针对所述第二玩家的确认。

6.如权利要求5所述的方法，其还包括：

识别与所述滥用行为相关联的特征；

将与所述滥用行为相关联的所述特征输入到所述AI学习模型，以用于训练所述AI学习模型；以及

将与所述滥用行为相关联的每个所述特征标记为指示所述滥用行为的类别的真实指标。

7.如权利要求4所述的方法，其还包括：

在所述通知中接收对可选择的图标的选择，其中所述可选择的图标在被所述第二玩家选择时发出执行补救动作的请求；以及

执行所述补救动作，

其中所述补救动作包括：

向所述第一玩家发送警告；或者

对所述第一玩家掩蔽所述第二玩家；或者

对彼此掩蔽所述第一玩家和所述第二玩家。

8.如权利要求1所述的方法，其还包括：

确定正在控制所述滥用行为的玩家；以及

向所述玩家的装置发送警告，所述警告指示如果所述滥用行为继续，则将对所述玩家采取进一步的补救动作。

9.如权利要求8所述的方法，其还包括：

生成所述滥用行为的视频记录；以及

将所述视频记录发送到所述玩家的所述装置。

10.如权利要求1所述的方法，其还包括：

从标记玩家接收指示可能的不期望的活动的标记的发起，其中所述时间段与发起所述标记时的时间点相关联；

确定正在控制所述滥用行为的玩家；

生成所述滥用行为的视频记录；

向一组玩家呈现所述视频记录；以及

从所述一组玩家接收指示所述滥用行为是滥用还是非滥用的确定。

11.如权利要求10所述的方法，其还包括：

接收对可选择的图标的选择，所述可选择的图标在被所述标记玩家选择时发出通过所述一组玩家的众包来验证所述滥用行为的请求，

其中所述一组玩家包括所述标记玩家。

12.如权利要求10所述的方法，其中来自所述一组玩家的所述确定指示所述滥用行为是滥用的，所述方法还包括：

识别与所述滥用行为相关联的特征；以及

将与所述滥用行为相关联的所述特征输入到所述AI学习模型，以用于训练所述AI学习模型；以及

将与所述滥用行为相关联的每个所述特征标记为指示所述滥用行为的类别的真实指标。

13.如权利要求1所述的方法，其中对所述多个玩游戏过程的所述监视包括：

接收与所述多个玩游戏过程相关联的遥测数据，

其中所述遥测数据包括以下各项中的至少一者：

玩家的对应的玩游戏过程的用户保存的数据；或者

所述对应的玩游戏过程的游戏状态数据；或者

所述对应的玩游戏过程的元数据。

14.如权利要求1所述的方法，其还包括：

将另一个活动分类为期望的行为。

15.如权利要求14所述的方法，其还包括：

确定正在控制所述期望的行为的第一玩家；

向包括所述第一玩家和所述第二玩家的一组玩家中的第二玩家发送通知，

其中所述通知包括所述期望的行为的视频记录，包括所述另一个活动；

其中所述通知包括可选择的图标，所述可选择的图标在被所述第二玩家选择时向所述第一玩家提供赞誉，

其中对应的玩家的赞誉累积定义所述对应玩家在在线社区内的声誉。

16.一种非暂时性计算机可读介质，其存储用于实施控制在线游戏行为的方法的计算机程序，所述计算机可读介质包括：

用于在游戏服务器处监视在一段时间内在游戏会话中玩视频游戏的多个玩家的多个玩游戏过程的程序指令；

用于从与和所述多个玩游戏过程相关联的多个活动相关的所述多个玩游戏过程中提取特征的程序指令，所述多个活动由所述多个玩家控制；

用于通过被配置为对所述多个活动进行分类的人工智能(AI)学习模型运行所述特征的程序指令；以及

用于将活动分类为滥用行为的程序指令。

17.如权利要求16所述的非暂时性计算机可读介质，

其中在所述方法中，所述滥用行为被执行以负面地影响至少一个其他玩家的游戏体验。

18.如权利要求16所述的非暂时性计算机可读介质，其还包括：

用于确定所述活动导致玩家离开所述游戏会话的程序指令。

19.一种计算机系统，其包括：

处理器；以及

存储器，所述存储器耦合到所述处理器并且其中存储有指令，所述指令在由所述计算机系统执行时，致使所述计算机系统执行控制在线游戏行为的方法，所述方法包括：

在游戏服务器处监视在一段时间内在游戏会话中玩视频游戏的多个玩家的多个玩游戏过程；

从与和所述多个玩游戏过程相关联的多个活动相关的所述多个玩游戏过程中提取特征，所述多个活动由所述多个玩家控制；

通过被配置为对所述多个活动进行分类的人工智能(AI)学习模型运行所述特征；以及

将活动分类为滥用行为。

20.如权利要求19所述的计算机系统，其中所述方法还包括：

确定所述活动导致玩家离开所述游戏会话，

其中所述滥用行为被执行以负面地影响至少一个其他玩家的游戏体验。

Images