CN108122127A - 预测在线游戏服务的运行结果的方法及装置 - Google Patents
预测在线游戏服务的运行结果的方法及装置 Download PDFInfo
- Publication number
- CN108122127A CN108122127A CN201710979286.6A CN201710979286A CN108122127A CN 108122127 A CN108122127 A CN 108122127A CN 201710979286 A CN201710979286 A CN 201710979286A CN 108122127 A CN108122127 A CN 108122127A
- Authority
- CN
- China
- Prior art keywords
- game
- line service
- behavior model
- operation result
- behavior
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
- G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- A—HUMAN NECESSITIES
- A63—SPORTS; GAMES; AMUSEMENTS
- A63F—CARD, BOARD, OR ROULETTE GAMES; INDOOR GAMES USING SMALL MOVING PLAYING BODIES; VIDEO GAMES; GAMES NOT OTHERWISE PROVIDED FOR
- A63F13/00—Video games, i.e. games using an electronically generated display having two or more dimensions
- A63F13/70—Game security or game management aspects
- A63F13/79—Game security or game management aspects involving player-related data, e.g. identities, accounts, preferences or play histories
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- A—HUMAN NECESSITIES
- A63—SPORTS; GAMES; AMUSEMENTS
- A63F—CARD, BOARD, OR ROULETTE GAMES; INDOOR GAMES USING SMALL MOVING PLAYING BODIES; VIDEO GAMES; GAMES NOT OTHERWISE PROVIDED FOR
- A63F2300/00—Features of games using an electronically generated display having two or more dimensions, e.g. on a television screen, showing representations related to the game
- A63F2300/50—Features of games using an electronically generated display having two or more dimensions, e.g. on a television screen, showing representations related to the game characterized by details of game servers
- A63F2300/55—Details of game data or player data management
- A63F2300/5526—Game data structure
- A63F2300/554—Game data structure by saving game or status data
-
- A—HUMAN NECESSITIES
- A63—SPORTS; GAMES; AMUSEMENTS
- A63F—CARD, BOARD, OR ROULETTE GAMES; INDOOR GAMES USING SMALL MOVING PLAYING BODIES; VIDEO GAMES; GAMES NOT OTHERWISE PROVIDED FOR
- A63F2300/00—Features of games using an electronically generated display having two or more dimensions, e.g. on a television screen, showing representations related to the game
- A63F2300/50—Features of games using an electronically generated display having two or more dimensions, e.g. on a television screen, showing representations related to the game characterized by details of game servers
- A63F2300/55—Details of game data or player data management
- A63F2300/5546—Details of game data or player data management using player registration data, e.g. identification, account, preferences, game history
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Data Mining & Analysis (AREA)
- Quality & Reliability (AREA)
- Educational Administration (AREA)
- Tourism & Hospitality (AREA)
- Software Systems (AREA)
- Operations Research (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Security & Cryptography (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及预测在线游戏服务的运行结果的方法及装置。本发明提供预测由在线游戏提供***提供的在线游戏服务的运行结果的方法。所述方法包括:从游戏日志数据中提取用户角色的行为模式数据的步骤;通过学习在提取出的所述行为模式数据中与原因相对应的行为模式数据和与结果相对应的行为模式数据之间的第一相关关系,生成学习了该第一相关关系的第一行为模型的步骤;通过学习提取出的所述行为模式数据与所述在线游戏服务的运行要素之间的第二相关关系,生成学习了所述第二相关关系的第二行为模型的步骤;以及利用所述第一行为模型及第二行为模型来对与新确定的运行要素有关的在线游戏服务的运行结果进行预测的步骤。
Description
技术领域
本发明涉及预测在线游戏服务(Online Game Service)的运行结果的方法及装置,涉及用于对在线游戏服务的收益性进行预测的在线游戏服务的运行结果的预测方法及装置。
背景技术
近年来,有关试图通过预测玩家在游戏中的行为来预测游戏服务的运行结果的多种预测建模的关注度处于增长的趋势。
尽管在这种趋势下,以往与游戏服务相关的预测建模的研究仅局限于通过观察玩家的行为数据来预测以后的结果行为的建模研究。
作为具体的在先专利,存在通过学习玩家的游戏风格来将其移植到非玩家角色(NPC,Non-Player Character)的***。这作为仅局限于为了改善游戏服务而对玩家的游戏风格进行分析的分类建模的一例,无法适用于基于退出游戏、购买、关注度等为了运行游戏而确定的怪兽的设置、地形特征的设置、游戏财产补偿方法、能力值分配等通用的运行要素来分析游戏服务的收益性的玩家行为预测。因此,需要用于运行游戏服务的具体的收益性预测方法。
发明内容
因此,本发明的目的在于,提供如下的方法及装置,其通过预测发生变化的玩家行为,并对预测出的玩家行为和用于管理游戏服务的运行要素(operating factor)建立关联,从而对在线游戏服务的收益性等在线游戏服务的运行结果进行预测。
本发明所要解决的问题并不局限于以上所提及的内容,本发明所属技术领域的普通技术人员可通过以下记载来明确理解未被提及的其他待解决问题。
用于实现上述目的的本发明一实施方式的预测在线游戏服务的运行结果的方法包括:从游戏日志数据中提取用户角色的行为模式数据的步骤;通过学习在提取出的所述行为模式数据中与原因相对应的行为模式数据和与结果相对应的行为模式数据之间的第一相关关系,生成学习了该第一相关关系的第一行为模型的步骤;通过学习提取出的所述行为模式数据与所述在线游戏服务的运行要素之间的第二相关关系,生成学习了所述第二相关关系的第二行为模型的步骤;以及利用所述第一行为模型及第二行为模型,预测与新确定的运行要素有关的在线游戏服务的运行结果的步骤。
本发明另一实施方式的预测在线游戏服务的运行结果的装置包括:游戏运行服务器,用于从游戏日志数据中提取用户角色的行为模式数据;第一行为模型生成部,通过学习在从所述游戏运行服务器输入的被提取的所述行为模式数据中与原因相对应的行为模式数据和与结果相对应的行为模式数据之间的第一相关关系,生成学习了该第一相关关系的第一行为模型;第二行为模型生成部,通过学习从所述游戏运行服务器输入的被提取的所述行为模式数据和所述在线游戏服务的运行要素之间的第二相关关系,生成学习了所述第二相关关系的第二行为模型;以及运行结果预测模块,利用所述第一行为模型及第二行为模型,对与新确定的运行要素有关的在线游戏服务的运行结果进行预测。
根据本发明,提供用于运行商用服务的具体的收益性预测方法,为此,增加可对基于机器学习方法论的以往的行为预测建模方法与游戏服务运行要素之间的相关关系进行分析的新的预测方法,从而不只是预测用户的游戏风格,还对预测出的用户的游戏风格和由此可能发生的收益性产生程度进行衡量,从而在确定游戏运行策略方面可作为重要的指标来应用。
本发明的效果并不局限于以上所提及的内容,本发明所属技术领域的普通技术人员可从以下记载中明确理解未被提及的其他效果。
附图说明
图1是本发明实施例的包括在线游戏提供***在内的整体***的结构图。
图2是示出图1所示的游戏运行服务器的内部结构的功能框图。
图3是示出在图1所示的运行结果预测模块中预测运行结果的过程的示意图。
图4是示出本发明实施例的在线游戏服务的运行结果的预测方法的流程图。
具体实施方式
本发明的各种实施例可以施加各种变更,并可具有多种实施例,因而在附图中例示出特定的实施例并记载了相关的详细说明。但是,这并非要将本发明的多种实施例限定在特定的实施方式,而应当理解为包括本发明的多种实施例的思想及技术范围中所包含的所有变更和/或等同技术方案和代替技术方案。在附图的说明中,对于类似的结构要素使用类似的附图标记。
本发明增加可对基于机器学习方法论的行为预测建模方法与在线游戏服务的运行要素之间的相关关系进行分析的新的预测方法,且为了将其适用于实际服务,并未尝试与管理游戏服务的运行要素(operating factor)相关联地发生变化的玩家行为的预测方法。
以下,参照附图来详细说明本发明的实施例。
图1是本发明实施例的包括在线游戏提供***在内的整体***的结构图,图2是示出图1所示的游戏运行服务器的内部结构的功能框图。
参照图1,整体***可包括用户客户端10、以及通过通信网20对所述用户客户端10提供在线游戏服务的在线游戏提供***100。
所述用户客户端10具有通信功能,以便可连接到所述通信网20,所述用户客户端10可以是用于实施从所述在线游戏提供***100提供的在线游戏服务的所有种类的计算装置。
虽然未图示,但所述用户客户端10可包括:由微机或中央处理器(CPU)等构成的控制部;由硬盘驱动器(HDD)或闪存等用于存储数字数据的非易失性存储介质等构成的存储部;CD-ROM或DVD-ROM驱动器;显示部;用于输出游戏声音的音频部;键盘、小键盘、鼠标、控制杆、话筒等输入部;通过通信网20连接到在线游戏提供***30的有线/无线通信部等。
这种用户客户端10例如可以是笔记本电脑、台式电脑、蜂窝电话、个人通讯话机(PCS phone)、同步/异步国际移动电信2000(IMT-2000)、掌上电脑、笔记本电脑、个人数字助理(PDA)、智能手机、无线应用协议电话机(WAP电话机)、游戏机等。
所述通信网20可以被配置为不区分有线及无线等通信方式,可以由短距离通信网(PAN;个人区域网络)、局域网(LAN)、城域网(MAN)、广域网(WAN)、互联网、移动通信网或由这些相混合的异构通信网等多种通信网构成。
所述在线游戏提供***100通过所述通信网20向所述用户客户端10提供在线游戏服务,尤其,所述在线游戏提供***100对根据与游戏相关的运行要素(operating factor)而发生变化的玩家的行为模式进行预测,并基于其预测结果来对所述提供的在线游戏服务的运行结果进行预测。
为此,所述在线游戏提供***100包括游戏运行服务器110、第一行为模型生成部120及第二行为模型生成部130、第一存储部140及第二存储部150、以及运行结果预测模块160。
游戏运行服务器110
所述游戏运行服务器110是表示安装有执行可使游戏用户玩游戏的服务器功能的程序的计算机的广义概念。
如图2所示,例如,所述游戏运行服务器110可包括:图形/声音运行引擎110A,用于总体管理游戏关联图形/声音的输出;用户账户管理模块110B,用于对通过所述用户客户端10连接到***100的多个用户的账户进行总体管理;游戏事件管理模块110C,用于对连接到***100的各个用户的游戏事件进行总体管理;游戏场景管理模块110D,根据各个用户的游戏进展情况来对游戏关联场景进行总体管理;以及行为模式提取模块110E,从与用户的游戏利用记录有关的游戏日志数据中提取用户角色的行为模式数据。
在本实施例中,游戏日志是指用户在玩游戏的过程中对其游戏的利用记录信息,当用户在利用游戏的过程中发生动作时,所述游戏日志可以为包含其动作的主体、动作的信息及附加信息的记录信息。
更加详细地,可根据动作的主体而包含***日志、角色日志、非玩家角色(NPC)日志(既不是角色为主体又不是***日志的所有动作)数据。
并且,所述游戏日志可包含用户的账户名、角色名、角色的类别、角色等级、登录信息、游戏资产关联信息、游戏费用关联信息、个人信息、登录历史信息、会员退出、物品购买历史等信息。
并且,所述游戏日志可包含与用户进行动作的理由有关的信息、与时间有关的信息及游戏上发生动作的位置坐标信息、与动作的对象有关的信息。
所述行为模式提取模块110E从所述游戏日志数据中提取行为模式数据,并在游戏运行关联数据库110F存储提取出的行为模式数据。
除了所述行为模式数据之外,所述游戏运行关联数据库110F还可在从所述多个构成110A~110E提供的多个信息中将与游戏服务的收益性相关的多种运行要素集合作为另外的项目来进行区分存储。
所述游戏服务的收益性可通过会员加入、会员退出、物品购买历史等来进行判断,作为这种与游戏服务的收益性有密切关联的运行要素,例如,可例举出地图上的怪兽的设置及地形特征、游戏内的任务或基于上线次数的游戏财产补偿规则、用户角色的能力值分配规则等。
以下在本发明的实施例中,作为一例,说明利用基于由所述游戏运行服务器110提供的行为模式数据而学习的行为模型,预测包括会员退出和发生物品购买在内的游戏服务的收益性的方法。
第一行为模型生成部120
重新参照图1,所述第一行为模型生成部120利用从所述游戏运行服务器110提供的行为模式数据,对与原因相对应的行为模式数据和与结果相对应的行为模式数据之间的相关关系进行学习。其中,所述与结果相对应的行为模式数据包含与会员退出相关的数据及与物品购买相关的数据。
具体地,所述第一行为模型生成部120利用基于反向传播原理的机器学习方法,对与原因相对应的行为模式数据和与结果相对应的行为模式数据之间的相关关系进行学习,并计算将所学到的相关关系进行了数值化的加权值,由此可生成所述第一行为模型。
即,所述第一行为模型生成部120学习诸如当用户的角色在游戏中呈现出何种行为模式形态时会激发会员退出或物品购买欲望等相关关系,从而当呈现出用户的角色在猎捕以特定的设置形态设置的怪兽的行为模式时,若退出的会员数量增加,则表示与猎捕以特定的设置形态设置的怪兽的原因相对应的行为模式、和与会员退出数量增加的结果相对应的行为模式相互具有密切的相关关系,能够以向这种相关关系赋予高加权值的方式学习行为模型。
作为基于反向传播原理的机器学习方法,包括所有遵循指导学习方式的大部分机器学习方法,代表性地,可例举出基于神经网络的方法、深度学习等。
像这样,在所述第一行为模型生成部120生成的第一行为模型被存储于第一存储部140。
第二行为模型生成部130
所述第二行为模型生成部130利用从所述游戏运行服务器110提供的行为模式数据,对与原因相对应的行为模式数据和游戏运行要素之间的相关关系进行学习,并计算将所学到的相关关系进行了数值化的加权值,由此可生成所述第二行为模型。其中,所述游戏运行要素可以是地图上的怪兽的设置及地形特征、游戏内的任务或基于上线次数的游戏财产补偿规则、用户角色的能力值分配规则等。
具体地,所述第二行为模型生成部130利用基于反向传播原理的机器学习方法,对与原因相对应的行为模式数据和游戏运行要素之间的相关关系进行学习,并计算将所学到的相关关系进行了数值化的加权值,由此可生成所述第二行为模型。
即,当用户的角色在游戏中被集中监控到某种行为模式形态时,所述第二行为模型生成部130对呈现出这种行为模式形态时在游戏中正在运行的运行要素进行确认,从而对被集中监控的行为模式形态与所述运行要素之间的相关关系进行学习。
例如,在基于上线次数来补偿游戏财产的事件期间内,若确认到用户的连接数量急剧增加的行为模式形态,则表示用户的连接数量急剧增加的行为模式和基于上线次数来补偿游戏财产的运行要素之间具有密切的相关关系,能够以向这种相关关系赋予高加权值的方式学习第二行为模型。
作为在所述第二行为模型生成部130执行的基于反向传播原理的机器学习方法,包括所有遵循指导学习方式的大部分机器学习方法,代表性地,可例举出基于神经网络的方法、深度学习等。
像这样,在所述第二行为模型生成部130生成的第二行为模型被存储于第二存储部150。
运行结果预测模块160
若完成对所述第一行为模型及第二行为模型的建立,则所述运行结果预测模块160利用所述建立的第一行为模型及第二行为模型,通过2个步骤的预测过程预测出运行结果(收益性)。参照图3来对此进行详细说明。
图3是在图1所示的运行结果预测模块中预测运行结果的过程的示意图。
参照图3,所述运行结果预测模块160执行第一步骤(步骤S31)和第二步骤(步骤S33),其中,在第一步骤中,利用学习了行为模式与运行要素之间的相关关系的第二行为模型来预测行为模式,在第二步骤中,利用学习了与原因相对应的行为模式和与结果相对应的行为模式之间的相关关系的第一行为模型来预测行为模式。
具体地,在所述第一步骤(步骤S31)中,在将新确定的运行要素(或被更新的运行要素)体现到游戏中之前,为了对与所述确定的运行要素有关的游戏运行结果(收益性)进行预测,向所述运行结果预测模块160输入所确定的运行要素。
在此情况下,所述运行结果预测模块160利用学习了运行要素与行为模式之间的相关关系的第二行为模型,对与所述新的运行要素有关的行为模式进行预测。即,在所述第一步骤(步骤S31)中,并非通过新确定的运行要素的关联性来判断收益性,而是基于新确定的运行要素来预测行为模式。直接的收益性判断在以下第二步骤中执行。
在所述第二步骤(步骤S33)中,所述运行结果预测模块160将所预测出的行为模式设定为与原因相对应的行为模式,并利用学习了与原因相对应的行为模式和与结果相对应的行为模式之间的相关关系的第一行为模型,对与所预测出的行为模式有关的与所述结果相对应的行为模式、即会员退出及发生物品购买进行预测。
***100的管理员基于预测出的会员退出及发生物品购买,确定是将新确定的运行要素体现到游戏中还是进行补充。
像这样,本发明需要用于运行商用服务的具体的收益性预测方法,为此,通过增加可对基于机器学习方法论的以往的行为预测建模方法与游戏服务运行要素之间的相关关系进行分析的新的预测方法,从而不只是预测用户的游戏风格,还对预测出的用户的游戏风格和由此发生的收益性程度进行衡量,从而在确定游戏运行策略方面可作为重要的指标来应用。
图4是示出本发明实施例的在线游戏服务的运行结果的预测方法的流程图,为了有助于理解说明,可参照图1至图3,对于与通过参照图1至图3来进行说明的内容相重复的说明,将进行简要说明或者省略。
参照图4,首先,在步骤S410中,执行从游戏日志数据中提取行为模式数据的过程。其中,游戏日志数据作为用户在玩游戏的过程中对其游戏的利用记录信息,当用户在玩游戏的过程中发生动作时,所述游戏日志可以为包含其动作的主体、动作的信息及附加信息的记录信息。详细地,可根据动作的主体而包含***日志、角色日志、非玩家角色(NPC)日志(既不是角色为主体又不是***日志的所有动作)数据。可从这种游戏日志数据中提取的行为模式数据可包含用户的账户名、角色名、角色的类别、角色等级、登录信息、游戏资产关联信息、游戏费用关联信息、个人信息、登录历史信息、会员退出、物品购买历史等信息、与用户进行动作的理由有关的信息、与时间有关的信息及游戏上发生动作的位置坐标信息、与动作的对象有关的信息。
接着,在步骤S420中,执行由第一行为模型生成部120生成第一行为模型的过程。具体地,利用基于反向传播原理的机器学习方法,对与原因相对应的行为模式数据和与结果相对应的行为模式数据之间的相关关系进行学习,并计算将所学到的相关关系进行了数值化的加权值,由此可生成所述第一行为模型。
接着,在步骤S430中,执行由第二行为模型生成部130生成第二行为模型的过程。具体地,利用基于反向传播原理的机器学习方法,对与原因相对应的行为模式数据和游戏运行要素之间的相关关系进行学习,并计算将所学到的相关关系进行了数值化的加权值,由此可生成所述第二行为模型。
作为在所述步骤S420及步骤S430中所使用的机器学习方法,包括所有遵循指导学习方式的大部分机器学习方法,代表性地,可例举出基于神经网络的方法、深度学习等,用于生成所述第一行为模型的机器学习方法和用于生成所述第二行为模型的机器学习方法可以相同也可以不同。
接着,在步骤S440中,执行对行为模式进行预测的过程。具体地,输入新确定的运行要素,并利用学习了行为模式与运行要素之间的相关关系的所述第二行为模型,对与所述新确定的运行要素有关的行为模式进行预测。
接着,在步骤S450中,执行对在线游戏服务的运行结果、即与所述在线游戏服务有关的收益性进行预测的过程。具体地,输入在所述步骤S440中预测出的行为模式,并利用所述学习了与原因相对应的行为模式和与结果相对应的行为模式之间的相关关系的所述第一行为模型,预测与所述预测出的行为模式有关的与结果相对应的行为模式、即与所述在线游戏服务的收益性有密切关联的会员退出或物品购买的发生,由此完成对在线游戏服务的运行结果进行预测的一系列过程。
以上,以实施例为中心来对本发明进行了说明,但这仅仅为例示,而并非限定本发明,只要是本发明所属技术领域的普通技术人员,就可知在不脱离本发明的本质特性的范围内可以进行未在以上内容中例示的多种变形和应用。例如,在本发明的实施例中具体示出的各构成要素可以进行变形而实施。并且,与这种变形和应用相关的区别应当解释为包含在发明要求保护范围中所规定的本发明的范围之内。
Claims (12)
1.一种预测在线游戏服务的运行结果的方法,该在线游戏服务由在线游戏提供***提供,其特征在于,所述方法包括:
从游戏日志数据中提取用户角色的行为模式数据的步骤;
通过学习在提取出的所述行为模式数据中与原因相对应的行为模式数据和与结果相对应的行为模式数据之间的第一相关关系,生成学习了该第一相关关系的第一行为模型的步骤;
通过学习所提取出的所述行为模式数据与所述在线游戏服务的运行要素之间的第二相关关系,生成学习了该第二相关关系的第二行为模型的步骤;以及
利用所述第一行为模型及所述第二行为模型,预测与新确定的运行要素有关的在线游戏服务的运行结果的步骤。
2.根据权利要求1所述的预测在线游戏服务的运行结果的方法,其特征在于,
生成所述第一行为模型的步骤是利用机器学习方法来学习所述第一相关关系的步骤,
生成所述第二行为模型的步骤是利用机器学习方法来学习所述第二相关关系的步骤。
3.根据权利要求2所述的预测在线游戏服务的运行结果的方法,其特征在于,
所述机器学习方法是基于反向传播原理的学习方法。
4.根据权利要求1所述的预测在线游戏服务的运行结果的方法,其特征在于,
所述与结果相对应的行为模式数据是与所述在线游戏服务的收益性相关的数据。
5.根据权利要求4所述的预测在线游戏服务的运行结果的方法,其特征在于,
与所述收益性相关的数据是与会员退出和发生物品购买相关的数据。
6.根据权利要求1所述的预测在线游戏服务的运行结果的方法,其特征在于,
所述在线游戏服务的运行要素包含地图上的怪兽的设置及地形特征、基于游戏内的任务或上线次数的游戏财产补偿规则、及用户角色的能力值分配规则。
7.根据权利要求1所述的预测在线游戏服务的运行结果的方法,其特征在于,
预测所述运行结果的步骤包括:
利用所述第二行为模型对与所述新确定的运行要素有关的用户角色的行为模式进行预测的步骤;以及
利用所述第一行为模型,对于预测出的所述行为模式,预测与结果相对应的行为模式,从而对与所述在线游戏服务的收益性相关的运行结果进行预测的步骤。
8.一种预测在线游戏服务的运行结果的装置,其特征在于,所述装置包括:
游戏运行服务器,用于从游戏日志数据中提取用户角色的行为模式数据;
第一行为模型生成部,通过学习在从所述游戏运行服务器输入的被提取的所述行为模式数据中与原因相对应的行为模式数据和与结果相对应的行为模式数据之间的第一相关关系,生成学习了所述第一相关关系的第一行为模型;
第二行为模型生成部,通过学习从所述游戏运行服务器输入的被提取的所述行为模式数据和所述在线游戏服务的运行要素之间的第二相关关系,生成学习了该第二相关关系的第二行为模型;以及
运行结果预测模块,利用所述第一行为模型及第二行为模型,对与新确定的运行要素有关的在线游戏服务的运行结果进行预测。
9.根据权利要求8所述的预测在线游戏服务的运行结果的装置,其特征在于,
所述第一行为模型生成部通过基于反向传播原理的机器学习方法来学习所述第一相关关系,
所述第二行为模型生成部通过基于反向传播原理的机器学习方法来学习所述第二相关关系。
10.根据权利要求8所述的预测在线游戏服务的运行结果的装置,其特征在于,
所述与结果相对应的行为模式数据是与所述在线游戏服务的收益性相关的数据,
与所述收益性相关的数据是与会员退出和发生物品购买相关的数据。
11.根据权利要求8所述的预测在线游戏服务的运行结果的装置,其特征在于,
所述运行结果预测模块在利用所述第二行为模型对与所述新确定的运行要素有关的用户角色的行为模式进行预测之后,利用所述第一行为模型来预测对于预测出的所述行为模式的与结果相对应的行为模式,从而对与所述在线游戏服务的收益性相关的运行结果进行预测。
12.根据权利要求11所述的预测在线游戏服务的运行结果的装置,其特征在于,
预测出的所述与结果相对应的行为模式是与会员退出和发生物品购买相关的有关收益性的数据。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020160160231A KR20180063912A (ko) | 2016-11-29 | 2016-11-29 | 온라인 게임 서비스의 운영 결과를 예측하는 방법 및 그 장치 |
KR10-2016-0160231 | 2016-11-29 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108122127A true CN108122127A (zh) | 2018-06-05 |
Family
ID=62228379
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710979286.6A Pending CN108122127A (zh) | 2016-11-29 | 2017-10-19 | 预测在线游戏服务的运行结果的方法及装置 |
Country Status (2)
Country | Link |
---|---|
KR (1) | KR20180063912A (zh) |
CN (1) | CN108122127A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111598169A (zh) * | 2020-05-18 | 2020-08-28 | 腾讯科技(深圳)有限公司 | 一种模型训练方法、游戏测试方法、模拟操作方法及装置 |
CN111727451A (zh) * | 2018-09-10 | 2020-09-29 | 澪标分析株式会社 | 用于计算预测数据的信息处理装置等 |
CN111773736A (zh) * | 2020-07-03 | 2020-10-16 | 珠海金山网络游戏科技有限公司 | 一种虚拟角色的行为生成方法及装置 |
CN113730902A (zh) * | 2021-08-13 | 2021-12-03 | 许磊 | 一种用于游戏的免下载运行方法 |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102010031B1 (ko) * | 2018-12-12 | 2019-08-12 | 넷마블 주식회사 | 게임 지표 정보 예측 방법 및 장치 |
KR102668095B1 (ko) * | 2019-01-31 | 2024-05-22 | 한국전자통신연구원 | 게이머 행동 예측 모델에 기반한 게임 운영 시나리오 생성 방법 및 시스템 |
KR102187880B1 (ko) * | 2019-04-11 | 2020-12-08 | 넷마블 주식회사 | 게임 업데이트 가이드를 위한 방법 및 장치 |
KR102187916B1 (ko) * | 2019-04-11 | 2020-12-08 | 넷마블 주식회사 | 게임 이벤트 가이드를 위한 방법 및 장치 |
KR102199466B1 (ko) * | 2019-04-16 | 2021-01-06 | 넷마블 주식회사 | 게임 환경 변경 방법 |
KR102253365B1 (ko) * | 2019-04-26 | 2021-05-18 | 넷마블 주식회사 | 예측 장치 및 이의 동작 방법 |
KR102587932B1 (ko) * | 2021-10-27 | 2023-10-10 | (주)팀스노우볼 | 승부 예측 정보 제공 시스템 및 그 방법 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1457264A (zh) * | 2001-02-22 | 2003-11-19 | 世嘉股份有限公司 | 用于控制游戏进行的程序,和用于运行此程序的游戏装置 |
US20130316834A1 (en) * | 2012-05-24 | 2013-11-28 | Sap Ag | Artificial Intelligence Avatar to Engage Players During Game Play |
US20130344940A1 (en) * | 2012-06-26 | 2013-12-26 | Empire Technology Development Llc | Detecting game play-style convergence and changing games |
CN105209137A (zh) * | 2013-03-14 | 2015-12-30 | 微软技术许可有限责任公司 | 远程游戏环境中玩家移动的客户端侧处理 |
CN105359182A (zh) * | 2013-05-01 | 2016-02-24 | 瑞柯有限责任公司 | 具有社会报告引擎的游戏创建*** |
WO2016128960A1 (en) * | 2015-02-10 | 2016-08-18 | Sorek Shahar | System and method for retaining a strategy video game player by predicting the player game satisfaction using player game behavior data |
CN105894350A (zh) * | 2016-03-29 | 2016-08-24 | 南京大学 | 一种基于多示例多标记学习的***道具推荐方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101188268B1 (ko) * | 2010-09-10 | 2012-10-05 | 성균관대학교산학협력단 | 온라인 게임 아이템 구매지수 분석 시스템 및 그 방법 |
KR101381921B1 (ko) * | 2012-08-30 | 2014-04-08 | 숭실대학교산학협력단 | 소비자의 성향 분류 장치 및 방법 |
-
2016
- 2016-11-29 KR KR1020160160231A patent/KR20180063912A/ko active Search and Examination
-
2017
- 2017-10-19 CN CN201710979286.6A patent/CN108122127A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1457264A (zh) * | 2001-02-22 | 2003-11-19 | 世嘉股份有限公司 | 用于控制游戏进行的程序,和用于运行此程序的游戏装置 |
US20130316834A1 (en) * | 2012-05-24 | 2013-11-28 | Sap Ag | Artificial Intelligence Avatar to Engage Players During Game Play |
US8814663B2 (en) * | 2012-05-24 | 2014-08-26 | Sap Ag | Predictive analysis based on player segmentation |
US20130344940A1 (en) * | 2012-06-26 | 2013-12-26 | Empire Technology Development Llc | Detecting game play-style convergence and changing games |
CN105209137A (zh) * | 2013-03-14 | 2015-12-30 | 微软技术许可有限责任公司 | 远程游戏环境中玩家移动的客户端侧处理 |
CN105359182A (zh) * | 2013-05-01 | 2016-02-24 | 瑞柯有限责任公司 | 具有社会报告引擎的游戏创建*** |
WO2016128960A1 (en) * | 2015-02-10 | 2016-08-18 | Sorek Shahar | System and method for retaining a strategy video game player by predicting the player game satisfaction using player game behavior data |
CN105894350A (zh) * | 2016-03-29 | 2016-08-24 | 南京大学 | 一种基于多示例多标记学习的***道具推荐方法 |
Non-Patent Citations (1)
Title |
---|
HANTING XIE ETAL.: "Predicting Player Disengagement and First Purchase with Event-Frequency Based Data Representation", 《IEEE CIG 2015》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111727451A (zh) * | 2018-09-10 | 2020-09-29 | 澪标分析株式会社 | 用于计算预测数据的信息处理装置等 |
CN111598169A (zh) * | 2020-05-18 | 2020-08-28 | 腾讯科技(深圳)有限公司 | 一种模型训练方法、游戏测试方法、模拟操作方法及装置 |
CN111598169B (zh) * | 2020-05-18 | 2023-04-07 | 腾讯科技(深圳)有限公司 | 一种模型训练方法、游戏测试方法、模拟操作方法及装置 |
CN111773736A (zh) * | 2020-07-03 | 2020-10-16 | 珠海金山网络游戏科技有限公司 | 一种虚拟角色的行为生成方法及装置 |
CN111773736B (zh) * | 2020-07-03 | 2024-02-23 | 珠海金山数字网络科技有限公司 | 一种虚拟角色的行为生成方法及装置 |
CN113730902A (zh) * | 2021-08-13 | 2021-12-03 | 许磊 | 一种用于游戏的免下载运行方法 |
WO2023016049A1 (zh) * | 2021-08-13 | 2023-02-16 | 许磊 | 一种用于游戏的免下载运行方法及平台 |
Also Published As
Publication number | Publication date |
---|---|
KR20180063912A (ko) | 2018-06-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108122127A (zh) | 预测在线游戏服务的运行结果的方法及装置 | |
CN108014496B (zh) | 游戏记录分析方法 | |
Fu et al. | User segmentation for retention management in online social games | |
Lee et al. | Game data mining competition on churn prediction and survival analysis using commercial game log data | |
CN108499108A (zh) | 视频游戏应用程序内玩游戏参数的实时动态修改和优化 | |
CN112272581A (zh) | 在球队运动中进行交互的、可说明的且改进的比赛和球员表现预测的方法和*** | |
US9132349B2 (en) | Third-party recommendation in game system | |
Lee et al. | Profit optimizing churn prediction for long-term loyal customers in online games | |
Drachen et al. | Rapid prediction of player retention in free-to-play mobile games | |
CN109784959B (zh) | 一种目标用户预测方法、装置、后台服务器及存储介质 | |
CN107335220B (zh) | 一种消极用户的识别方法、装置及服务器 | |
CN107807943A (zh) | 应用程序推荐方法及装置 | |
CN108066987A (zh) | 应用场景关卡组合的分配方法、装置及服务器 | |
KR102223640B1 (ko) | 클라우드 기반 개인화 콘텐츠 구독 서비스 제공 시스템 및 방법 | |
Zhao et al. | perCLTV: A general system for personalized customer lifetime value prediction in online games | |
Yang et al. | Whales, dolphins, or minnows? towards the player clustering in free online games based on purchasing behavior via data mining technique | |
US10343067B2 (en) | Computer system and method for selecting and displaying in-gaming options based on user selection weight criteria | |
JP4749242B2 (ja) | 類似キャラクタデータ検索方法、サーバおよびプログラム | |
KR20210134290A (ko) | 게임 데이터 처리 방법 | |
KR102187916B1 (ko) | 게임 이벤트 가이드를 위한 방법 및 장치 | |
Hervert-Escobar et al. | Bayesian based approach learning for outcome prediction of soccer matches | |
Tao et al. | GMTL: A gart based multi-task learning model for multi-social-temporal prediction in online games | |
CN111954564B (zh) | 在球队运动中进行交互的、可说明的且改进的比赛和球员表现预测的方法和*** | |
Krishnan et al. | Probabilistic Forecasting of the Winning IPL Team Using Supervised Machine Learning | |
US20240033600A1 (en) | Tournament Simulation in Golf |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180605 |
|
WD01 | Invention patent application deemed withdrawn after publication |