CN109126140A - 游戏难度评估方法、装置和*** - Google Patents

游戏难度评估方法、装置和*** Download PDF

Info

Publication number
CN109126140A
CN109126140A CN201811000985.2A CN201811000985A CN109126140A CN 109126140 A CN109126140 A CN 109126140A CN 201811000985 A CN201811000985 A CN 201811000985A CN 109126140 A CN109126140 A CN 109126140A
Authority
CN
China
Prior art keywords
difficulty
target
game
moment
computer
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
Application number
CN201811000985.2A
Other languages
English (en)
Inventor
李超然
刘澄
马恒
郭祥昊
陈瑽
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing ByteDance Network Technology Co Ltd
Original Assignee
Beijing Deephi Intelligent Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Deephi Intelligent Technology Co Ltd filed Critical Beijing Deephi Intelligent Technology Co Ltd
Priority to CN201811000985.2A priority Critical patent/CN109126140A/zh
Publication of CN109126140A publication Critical patent/CN109126140A/zh
Priority to US16/367,215 priority patent/US11058957B2/en
Pending legal-status Critical Current

Links

Classifications

    • 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
    • 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
    • A63F13/798—Game security or game management aspects involving player-related data, e.g. identities, accounts, preferences or play histories for assessing skills or for ranking players, e.g. for generating a hall of fame
    • 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
    • A63F13/30—Interconnection arrangements between game servers and game devices; Interconnection arrangements between game devices; Interconnection arrangements between game servers
    • A63F13/35—Details of game servers
    • 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
    • A63F13/60—Generating or modifying game content before or while executing the game program, e.g. authoring tools specially adapted for game development or game-integrated level editor
    • A63F13/67—Generating or modifying game content before or while executing the game program, e.g. authoring tools specially adapted for game development or game-integrated level editor adaptively or by learning from player actions, e.g. skill level adjustment or by storing successful combat sequences for re-use
    • 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
    • A63F13/90—Constructional details or arrangements of video game devices not provided for in groups A63F13/20 or A63F13/25, e.g. housing, wiring, connections or cabinets
    • A63F13/92—Video game devices specially adapted to be hand-held while playing
    • 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
    • A63F2300/5553—Details of game data or player data management using player registration data, e.g. identification, account, preferences, game history user representation in the game field, e.g. avatar

Landscapes

  • Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Business, Economics & Management (AREA)
  • Computer Security & Cryptography (AREA)
  • General Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种计算机游戏难度评估方法、装置和***，所述方法包括：在利用代理算法通过计算机游戏的应用程序编程API接口操作计算机游戏而模拟玩游戏操作的过程中，通过数据收集器记录游戏数据；根据记录的游戏数据中每个决策时刻的所有尝试对应的多个目标的目标完成程度度量该时刻计算机游戏的目标达成难度；根据记录的游戏数据中每个决策时刻的所有行为对应的多个目标的目标完成程度度量当前时刻所述计算机游戏的策略空间相关难度；基于各个时刻的目标达成难度和策略空间相关难度评估所述计算机游戏的难度。本发明可以自动游玩游戏内容并记录游戏数据，对于记录的游戏数据可以通过算法自动生成难度评估结果，节省了成本并使得评估更加准确。

Description

游戏难度评估方法、装置和***
技术领域
本发明涉及计算机游戏技术领域，尤其涉及一种游戏难度评估方法及装置。
背景技术
如何设计出一款难度适中的计算机游戏是困扰游戏设计者的一个很大的问题。游戏难度对于玩家来说是一种直观的感觉，很难使用数值的方式去衡量。目前的游戏测试方法大多使用人工去测试，设计者通常是寻找测试玩家，提供测试版本，然后通过收集玩家反馈来改进游戏，然后继续通过测试来得到反馈。在游戏设计过程中，设计者根据自己的先验知识，首先开发一个自己认为的难度设计比较合适的版本。然后测试部门会对当前版本进行评估，他们会让不同水平的玩家去玩游戏中的内容，然后收集玩家对于内容的评分。最后设计者根据测试反馈的统计信息来改变游戏数值信息，然后发布新的版本。通过重复这样的过程，设计者可以一点点改进游戏。
也就是说，现有的技术在测试游戏的过程中需要人类参与，通过人类的反馈来获得评价。这样的方法有几个问题。第一，人类玩家的游戏水平不同，人类也具有很强的学***的玩家，那么导致之前已经测试过的玩家可能不适合再次测试新的版本，所以每一次测试需要耗费人力和资金去构建实验样本。第二，测试结果是根据人类的反馈来决定的，人类的反馈是基于测试玩家的感觉。玩家对于自己的感觉很难去量化到一个数值，而且感觉会跟着玩家的情绪变化而变化。通常一个玩家在游玩游戏的过程中的体验会因为玩家先前的游戏经验而改变，所以在测试过程中只有扩大游戏玩家的数量才能得到更准确的游戏评估，也就是增加内容被测试的次数。每一次设计、评估、反馈、再设计的过程需要时间成本和人力成本，而且在游戏设计的前期不能找到很多人来测试游戏，也可能使得最后得到的评估的结果并不准确。
也就是说人工去测试游戏难度这样的形式不仅耗费人力和资金，并且由于人类的感觉不能用数值来评估，所以最后也不能得到一个对难度的准确的评估。
发明内容
本发明的实施方式鉴于现有技术的上述问题提出，旨在提供一种游戏难度评估方法及装置，以解决现有技术中存在的一种或更多种的缺点，至少提供一种有益的选择。
为了实现本发明的目的，本发明的实施方式提供了以下的方面。
根据本发明的一方面，提供了一种计算机游戏难度评估方法，该方法包括以下步骤：
在利用代理(Agent)算法通过计算机游戏的应用程序编程API接口操作计算机游戏而模拟玩游戏操作的过程中，通过数据收集器记录游戏数据；
根据记录的游戏数据中每个决策时刻的所有尝试对应的多个目标的目标完成程度度量该时刻计算机游戏的目标达成难度；
根据记录的游戏数据中每个决策时刻的所有行为对应的多个目标的目标完成程度度量当前时刻所述计算机游戏的策略空间相关难度；
基于各个时刻的目标达成难度和策略空间相关难度评估所述计算机游戏的难度。
在一些实施例中，根据记录的游戏数据中每个决策时刻的所有尝试对应的多个目标的目标完成程度度量该时刻计算机游戏的目标达成难度的步骤包括：根据记录的游戏数据获取每个决策时刻的所有尝试对应的各个目标的目标完成度集合，基于每个目标的目标完成度集合得到每个目标的目标完成程度相关难度的平均值和最大值，且基于各个目标的目标完成程度相关难度的平均值和最大值评估该决策时刻计算机游戏的目标达成难度。
在一些实施例中，根据记录的游戏数据中每个决策时刻的所有行为对应的多个目标的目标完成程度度量当前时刻所述计算机游戏的策略空间相关难度的步骤包括：根据记录的游戏数据获取每个时刻下每一行为对应的各个目标的目标完成度集合；计算出每一行为对应的各个目标的目标完成度的平均值和最大值；计算所有行为对应的各个目标的目标完成度平均值的标准差和最大值的标准差；基于所述平均值的标准差和最大值的标准差评估该时刻所述计算机游戏的策略空间相关难度。
在一些实施例中，所述基于各个时刻的目标达成难度和策略空间难度评估所述计算机游戏的难度的步骤包括：基于如下公式评估所述计算机游戏的难度：其中，D表示计算机游戏的难度，表示游戏在决策时刻t的目标达成难度，表示游戏在决策时刻t的策略空间相关难度，CG为影响难度的系数，CS为影响难度的系数，T为最终决策时刻。
在一些实施例中，满足以下公式：
其中，
为难度调整系数；
和分别为和的非线性函数，其中λa和λm分别为和的非线性系数；
表示第j个目标的目标完成程度相关难度的集合的平均值；
表示第j个目标的目标完成程度相关难度的集合的最大值；
表示第j个目标的目标完成程度相关难度的集合，
表示第j个目标的目标完成度；
gj为玩游戏过程中所有目标的集合G＝{g1，g2，…，gj，…，gz}中的第j个目标，表示当前对于第j个目标达成的程度，表示对于第j个目标最终需要达成的程度。
在一些实施例中，满足以下公式：
其中：
为难度调整系数；
Ai为在i时刻的所有行为的集合；
K为行为数；
表示t＝i时刻行为ak对应的目标gj的目标完成度集合的平均值，其中表示选择行为ak之后的所有尝试所获得的目标gj的目标完成程度的集合；
表示t＝i时刻行为ak对应的目标gj的目标完成度集合的最大值；
表示对求标准差；表示对求标准差。
在一些实施例中，所述Agent算法为随机算法、蒙特卡洛树算法或策略梯度算法。
本发明的另一方面还提供一种计算机游戏难度评估装置，该装置包括：
难度评估单元，其接收数据收集器收集的游戏数据，该游戏数据是在用Agent算法通过计算机游戏的应用程序编程API接口操作计算机游戏而模拟玩游戏操作时产生的，所述难度评估单元其被配置为执行以下处理：
根据记录的游戏数据中每个决策时刻的所有尝试对应的多个目标的目标完成程度度量该时刻计算机游戏的目标达成难度；
根据记录的游戏数据中每个决策时刻的所有行为对应的多个目标的目标完成程度度量当前时刻所述计算机游戏的策略空间相关难度；
基于各个时刻的目标达成难度和策略空间相关难度评估所述计算机游戏的难度。
本发明的另一方面还提供一种计算机游戏难度评估***，
操作单元，其利用Agent算法通过计算机游戏的应用程序编程API接口操作计算机游戏而模拟玩游戏操作；
数据收集器，其用于在所述操作单元进行模拟玩游戏操作时收集游戏数据；
难度评估单元，其被配置为执行以下处理：
根据记录的游戏数据中每个决策时刻的所有尝试对应的多个目标的目标完成程度度量该时刻计算机游戏的目标达成难度；
根据记录的游戏数据中每个决策时刻的所有行为对应的多个目标的目标完成程度度量当前时刻所述计算机游戏的策略空间相关难度；
基于各个时刻的目标达成难度和策略空间相关难度评估所述计算机游戏的难度。
本发明的另一方面还提供一种计算机存储介质，该计算机存储介质存储有计算机程序代码，在所述计算机程序代码被执行时，实现如前所述的计算机游戏难度评估方法。
本发明的计算机游戏难度评估方法、装置和***在评估游戏难度的过程中完全不需要人类进行参与，通过Agent算法可以自动游玩游戏内容并记录游戏数据，对于记录的游戏数据可以通过算法从多个方面自动生成难度评估结果。由于利用Agent算法在一段时间内游玩游戏内容的次数会比使用人类玩家进行测试的时候更多，可以大大节省时间成本和人力成本，并且能够保证评估更加准确。此外，最后得到的评估结果可以以数值的方式呈现，量化整个过程，而且在整个过程中由于去除了人类的参与，所以结果不会因为人类的情绪而影响。
本领域技术人员应当理解的是，能够用本发明实现的目的和优点不限于以上具体所述，并且根据以下详细说明将更清楚地理解本发明能够实现的上述和其他目的。
并且，应当理解，前述大体的描述和后续详尽的描述均为示例性说明和解释，并不应当用作对本发明所要求保护内容的限制。
附图说明
参照下面结合附图对本发明实施例的说明，会更加容易地理解本发明的以上和其它目的、特点和优点。
图1为本发明实施例中计算机游戏难度评估方法的原理示例图。
图2为本发明实施例中游戏难度评估***的示意性框图。
图3为本发明实施例中游戏难度评估装置的示意性框图。
图4为本发明实施例中计算机游戏难度评估方法的流程示意图。
图5为王国保卫战游戏界面的示意图。
图6为图5的游戏示例中利用难度评估算法生成的难度曲线的示意图。
图7为图5的游戏示例中在第15次决策时刻，Agent多次尝试后得到的心数的直方图。
图8为图5的游戏示例中在第15次决策时刻，Agent多次尝试后得到的平均心数。
图9为图5的游戏示例中在第62次决策时刻，Agent多次尝试后得到的心数的直方图。
图10为图5的游戏示例中在第62次决策时刻，Agent多次尝试后得到的平均心数。
图11为图5的游戏示例中在第100次决策时刻，Agent多次尝试后得到的心数的直方图。
图12为图5的游戏示例中在第100次决策时刻，Agent多次尝试后得到的平均心数。
图13为图5的游戏示例中在第255次决策时刻，Agent多次尝试后得到的心数的直方图。
图14为图5的游戏示例中在第255次决策时刻，Agent多次尝试后得到的平均心数。
图15为图5的游戏示例中在第501次决策时刻，Agent多次尝试后得到的心数的直方图。
图16为图5的游戏示例中在第501次决策时刻，Agent多次尝试后得到的平均心数。
具体实施方式
下面参照附图来说明本发明的实施方式。在所述的说明和附图中，详细公开了本发明的特定实施方式，指明了本发明的原理可以被采用的方式。应该理解，本发明在范围上并不因而受到限制。在所附权利要求的精神和条款的范围内，本发明包括许多改变、修改和等同。
应当注意，为了清楚的目的，附图和说明中省略了与本发明无关的、本领域普通技术人员已知的部件和处理的表示和描述。
针对一种实施方式描述和/或示出的特征可以以相同或类似的方式在一个或更多个其它实施方式中使用，与其它实施方式中的特征相组合，或替代其它实施方式中的特征。
应该强调，术语“包括/包含”在本文使用时指特征、要素、步骤或组件的存在，但并不排除一个或更多个其它特征、要素、步骤或组件的存在或附加。
为了解决现有技术中存在的问题，本发明使用Agent算法对游戏进行自动测试，通过测试过程中收集到的游戏数据来分析游戏过程中玩家可能遇到的情况，通过游戏过程中的数值信息来动态生成游戏的难度评估。
人类玩家或者人工智能Agent玩待测试的游戏的过程可以认为是玩家或者Agent针对游戏的状态做出一系列的决策的过程。对于玩家或者人工智能Agent来说，本发明将每个需要选择行为的时刻定义为t＝0，1，2，...，i，...，T，T表示游戏的最终时刻。在某一个时刻t＝i，游戏会提供给玩家或者Agent游戏的当前状态si和当前可以执行的Ki个行为的集合，玩家或者Agent的行为策略被定义为在当前状态下玩家或者Agent采取每个行为的概率。玩家或者Agent会根据行为策略采取相应的行为，游戏在玩家选择行为之后会给予相应的激励ri+1，激励可以是正面的激励也可以是负面的惩罚。游戏也会因为玩家的选择而到达新的时刻t＝i+1，得到新的状态si+1和可执行的行为集合Ai+1。对于人类玩家来说游戏提供的是GUI(Graphical User Interface，图形用户界面)，对于人工智能Agent来说游戏需要提供一系列的API(Application Programming Interface，应用程序编程接口)，让Agent算法能够通过调用API的方式去选择行为，从而改变游戏当前的状态。
图1为本发明实施例中计算机游戏难度评估方法的原理示例图。如图1所示，Agent算法以一种模拟人类玩家玩游戏的方式通过API去和待测试游戏进行交互，这种交互的过程可以不需要界面。在交互过程中，数据收集器监测并收集游戏数据。在一次或多次玩游戏之后，数据收集器会收集Agent算法所进行的所有尝试的过程和结果，然后数据分析评估算法(简称评估算法)会基于所有尝试的过程和结果评估出游戏目标达成难度和游戏策略空间相关难度，并基于体现游戏难度的游戏目标达成难度和游戏策略空间相关难度计算出游戏难度。
玩游戏的过程可以定义为，游戏内容中有一系列的目标的设定，玩家通过达成一系列的目标从而获得游戏提供的激励。玩家达成一系列目标的程度可以反映游戏难度，而游戏激励也会影响玩家的策略和游戏体验。本发明中难度评估算法的主要思想是通过度量玩游戏过程中玩家的目标完成程度和玩家所面对的策略空间来度量游戏难度。
在本发明一些实施例中，Agent算法、数据收集和难度评估算法可以在不同的硬件设备上来实现，例如可以在多台计算机上来实现，每台计算机均具有存储器和处理器。作为示例，在如图2所示的实现本发明的游戏难度评估方法的***中，可以在第一台计算机(游戏操作装置100)的处理器上执行Agent算法。待测试的计算机游戏可存储在本地或远程设备，游戏操作装置100通过API可本地或远程操作计算机游戏，从而模拟玩游戏过程。可在第二台计算机(数据收集装置200)的处理器上实现游戏数据收集的操作，数据收集装置200可经由有线或网络接口通过API访问Agent算法和计算机游戏，从而可以获得游戏数据。评估算法可在第三台计算机(难度评估装置300)的处理器上来实现，难度评估装置300与数据收集装置200有线或无线连接，从数据收集装置200接收游戏数据，并基于游戏数据进行游戏难度评估。
在本发明另一实施例中，游戏操作装置100和数据收集装置200和整合在一台计算机设备中，并通过在处理器中执行相应的计算机软件来实现。
在本发明另一实施例中，游戏操作装置100、数据收集装置200和难度评估装置300可整合在一台计算机设备中，并通过在处理器中执行相应的计算机软件来实现。
在本发明的另一实施例中，Agent算法还可以同时运行在多台计算机的处理器上，数据处理装置可从多台计算机上获得游戏数据，并传输给难度评估装置，由难度评估装置基于获得的游戏数据进行难度评估。
图3所示为本发明一实施例中难度评估装置300的示意性框图，如图3所示，该难度评估装置300可包括处理器310、存储器320、传输接口(有线接口或无线网络接口)330以及显示器。存储器320用于存储难度评估算法，处理器310用于执行难度评估算法，传输接口330用于与外部装置进行通信，以传输数据。显示器340可用于显示难度评估结果。图3中示出的结构仅为示例，还可以包括更多或更少的部件。
图4是本发明实施例中游戏难度评估方法的流程示意图。如图4所示，本方法包括步骤S210至步骤S250。
在步骤S210，利用Agent算法通过计算机游戏的应用程序编程API接口操作计算机游戏而模拟玩游戏过程。
具体地，Agent算法通过调用游戏的一系列API来选择游戏中的行为，并改变游戏当前的状态。
在本发明实施例中，Agent算法可以有多种，最接近真人玩游戏所使用的策略的算法可以生成最准确的接近于人类体验的难度评估。Agent算法例如可以是随机算法或各种强学学***比较高的Agent算法去玩游戏的时候，如果它的水平高于人类，那游戏内容对它来说会比对人类来说简单。Agent算法也可以使用强化学习的各种算法来实现，具体算法不限。蒙特卡洛树搜索算法这种强化学习方法也可以作为Agent算法来使用。Agent算法还可以采用策略梯度算法，例如A3C，PPO等。本发明并不限于列举出的这些算法。这里也有一点比较重要，就是Agent算法需要的是一个概率性的策略，而不是一个确定的策略。因为我们需要使用Agent的尝试来模拟人类的尝试，如果策略是固定的话，那选择行为的过程也就固定了，也就不能够生成多样化的尝试结果了。
这里举例说明Agent算法。Agent算法中最简单的算法是随机算法。随机算法可以描述为在当前状态si下，Agent的行为策略中每一个行为的概率都相同。因为Agent算法需要模拟一群人的操作，所以单独的一次游戏不足以得到足够的数据来给难度评估算法进行分析。所以在实际使用Agent算法时，会采用以下这样的方式。
在游戏X的t＝i的时刻下，Agent会尝试N次。在第n(n＝1，2，3，...，N)次的尝试中，Agent会根据当前状态si和策略π(si)从可执行的行为集合Ai中选择一个行为，在另一个独立模拟的游戏Yn中执行这个行为，然后这个模拟的游戏到达了时刻t＝i+1，得到状态si+1，然后Agent会根据策略π(si+1)继续在游戏Yn中执行行为，直到游戏Yn结束。在N次尝试结束之后，Agent可能会根据每个游戏Yn的结果来做出决策，决定在游戏X的t＝i的时刻下应该做什么行为。
对于蒙特卡洛树搜索算法来说，Agent会根据每个游戏Yn的结果来做出决策。而对于随机策略算法来说，Agent不会受到游戏Yn的结果的影响，因为这个算法是随机选择行为的。在Agent做出决策之后，游戏X会到达时刻t＝i+1，Agent算法将重复以上步骤，尝试N次之后做出新的决策，这个过程直到游戏X结束。
在步骤S220，在Agent算法模拟玩游戏的过程中，用数据收集器记录游戏数据。
该游戏数据例如可包括在Agent算法所执行的决策、所做出的尝试及游戏的状态等，其中游戏的状态包括游戏的目标达成程度等。
在步骤S230，根据记录的游戏数据中每个决策时刻的所有尝试对应的多个目标的目标完成程度来度量该时刻计算机游戏的目标达成难度。
模拟游戏中，每次尝试中目标的达成程度在一定程度上能够反映游戏难度，因此，本步骤中，可将每个决策时刻的所有尝试对应的多个目标的目标完成程度进行数值化，以此来度量每个时刻游戏的目标达成程度所反映的难度。例如可以用来表示游戏过程中评估目标达成程度所产生的难度，即目标达成难度。
本发明实施例中，可以用多种表达方式来表示，例如，可以基于记录的游戏数据获取每个决策时刻的所有尝试对应的各个目标的目标完成度集合，基于每个目标的目标完成度集合得到每个目标的目标完成度平均值和最大值，然后基于各个目标的目标完成度平均值和最大值度量该决策时刻计算机游戏的目标达成难度。其中，基于各个目标的目标完成度平均值和最大值度量该时刻计算机游戏的目标达成难度的方式可以有很多种，下文将给出表达公式的示例。
步骤S240，根据记录的游戏数据中每个决策时刻的所有行为对应的多个目标的目标完成程度度量当前时刻该计算机游戏的策略空间相关难度。
策略空间是指玩家在选择行为过程中所面临的决策集合与决策所能达到的结果集合。可选策略越多，策略空间也就越大。同样，能够达到的结果更多样，策略空间也就越大。策略空间相关难度即游戏过程中玩家(包括Agent)所面对的行为策略的选择所产生的难度，或者说与策略空间有关的难度。
本步骤中，是将每个决策时刻的所有行为对应的多个目标的目标完成程度数值化，以此来度量每个时刻所有行为的目标达成难度。例如可以用来表示游戏过程中玩家面对的策略空间所产生的难度，即策略空间相关难度。
本发明实施例中，可以用多种表达方式来表示，例如，可以通过如下步骤确定首先，根据记录的游戏数据获取每个决策时刻的每一行为对应的各个目标的目标完成度集合。然后，计算出每一行为对应的各个目标的目标完成度的平均值和最大值。再计算所有行为对应的各个目标的目标完成度平均值的标准差和最大值的标准差。然后，基于平均值的标准差和最大值的标准差计算出该时刻计算机游戏的策略空间相关难度。其中，基于平均值的标准差和最大值的标准差计算出该时刻计算机游戏的策略空间相关难度的方式，下文将给出表达公式的示例。
步骤S250，基于各个时刻的目标达成难度和策略空间相关难度评估计算机游戏的难度。
一个比较简单的方式是，可以用如下公式来表示游戏难度：
其中，D表示游戏难度，它包括两部分。其中，表示游戏过程中游戏在决策时刻t的目标达成难度，表示游戏过程中游戏在决策时刻t的策略空间相关难度。公式(1)表达的含义是游戏难度与正相关，也与正相关。其中CG为因素影响难度的系数，CS为因素影响难度的系数。D需要综合每一次决策时刻评估的难度来得到总体的评估结果。
该公式(1)仅为示例，本发明并不限于此，还可以灵活变换形式或适当增加其他考虑的因素。
下面通过示例给出和的示例性表达方式。
首先定义G＝{g1，g2，...，gi，...，gz}，表示玩游戏过程中所有目标的集合。定义一个目标完成度评估函数f(gj)，来表示目标完成程度f。目标完成度评估函数可以有很多种计算形式，最简单的一种形式可以用以下公式表示：
其中，gj表示一个游玩内容中所包含的第j个目标，表示当前时刻对于第j个目标达成的程度，表示对于第j个目标最终需要达成的程度。这个公式可以表示对于gj这个目标来说当前情况相对于最终目标的完成程度。
一般来说游戏的正面激励会与目标完成程度有关，玩游戏的体验也会与目标完成程度有关。对于决策时刻t＝i来说，分析所有的尝试结果，可以得到一个所有尝试对应的目标gj的目标完成程度的集合。定义第n次的尝试所达成的目标完成程度为fn(gj)，那么N次尝试所组成的集合为
对这个集合求平均值，可以得到为所有尝试的目标完成程度的平均值。对这个集合求最大值，可以得到为所有尝试的目标完成程度的最大值。
对于大多数游戏来说，f(gj)越小则难度越大。这样的反比关系可以使用很多的形式来表示。可定义表示每次尝试的目标完成程度相关的难度，另选的，也可以采用其他形式来表示每次尝试的目标完成程度相关的难度，如利用倒数关系来体现目标完成程度和目标完成程度相关的难度之间的关系。同理可以得到所有尝试的目标完成程度相关的难度的集合对该集合求平均值，便可得到所有尝试的目标完成程度相关的难度的平均值对该集合求最大值便可得到所有尝试的目标完成程度相关的难度的最大值
这里示例性地采用非线性函数Φ(x，λ)＝xλ(其中λ为非线性系数)形式来根据和得到游戏过程中游戏的目标达成目标gj的难度
作为一示例性实施例，可以用以下公式计算：
对于评估整体的目标达成所产生的目标完成难度来说，需要统计每一个目标gj的完成程度对于玩家感受到的难度的影响。公式(3)要表达的是，在t＝i时刻下，目标的平均完成程度和最好的完成程度对于游戏难度的影响。为难度调整系数，用来调整每个目标对于游戏难度的影响，的数值可以根据具体游戏的设计目的灵活设定。例如游戏中存在主要目标和次要目标的时候，一般来说gj为主要目标时，的取值会比gj为次要目标时的高。
在此需要说明的是，公式(3)中采用非线性形式和形式来引入和是为了体现难度与目标完成程度的非线性关系。例如对于两种目标完成程度f1(gj)，f2(gj)来说，两个值都比较低的时候，人类感觉到的难度差别会比两个值都比较高的时候大。但本发明并不限于此，也可以采用其他的形式来体现和的影响，如定义Φ(x)＝log(x+1)的非线性表达形式也可以体现难度与目标完成程度的非线性关系。
下面通过示例给出游戏过程中策略空间相关难度
我们可以把之前的所有尝试的集合根据行为来分类，可以得到这个表示选取所有执行行为ak之后的尝试，获得所有行为所对应的目标gj的目标完成程度的集合。对这个集合求平均值可以得到所有行为的目标gj完成程度平均值对这个集合求最大值，可以得到所有行为的目标gj完成程度最大值
作为示例，可以用以下公式计算：
其中，Ai为之前定义的在t＝i时刻的所有行为的集合。σ(x)表示求数据x的标准差(如表示对求标准差；表示对求标准差)，表示在考虑当前时刻的所有可做行为之间的完成度的差异通过标准差来衡量。举个例子，当前时刻所有可做的行为为5个，选择每一种行为后到最终的结果可能会获得不同的对于目标gj完成程度和当行为选择之间差别较大时，标准差也较大，相对来说难度也更大。平均值和最大值分别度量了这一次行为选择中能完成目标的平均水平和最好水平。通过综合每一个目标的完成程度，可以度量这个时刻的对于玩家来说的选择行为的难度。公式(4)中为难度调整系数，用来调整每个目标对于游戏难度的影响。可以与公式(3)中的相同或不同。
在本发明优选实施例中，在上述游戏难度评估过程中，可将Agent算法收集的数据、评估的各个阶段生成的表示所有尝试对应的目标完成程度数据、所有行为对应的目标完成程度数据或相应的难度数据、最终评估结果等以变化曲线或直方图等的形式在显示器上进行可视化展现，以直观地展示本发明的评估结果。
基于以上对评估流程的描述可以看出，本发明评估游戏难度的方法可以解决现有人工评估过程中遇到的各种问题，评估过程中完全不需要人类进行参与，由处理器通过Agent算法可以自动游玩游戏内容并自动记录游戏数据，对于记录的游戏数据可以通过算法从多个方面自动生成难度评估结果，整个过程没有人员的参与，完全自动执行。由于利用Agent算法在一段时间内游玩游戏内容的次数会比使用人类玩家进行测试的时候更多，可以大大节省时间成本和人力成本，并且能够保证评估更加准确。此外，最后得到的评估结果可以以数值的方式呈现，量化整个过程，而且在整个过程中由于去除了人类的参与，所以结果不会因为人类的情绪而影响。基于本发明实施例的游戏难度评估方法可以相对客观地评估游戏难度，从而在游戏开发中也可以确定评估的游戏难度是否符合预期的难度水平，并可以相应地对游戏内容进行调整，更快地开发出符合预期难度的游戏。
下面使用塔防游戏举例说明本发明的游戏难度评估算法。王国保卫战(KingdomRush Frontier)是一款我们正在研究的塔防游戏，其游戏的主要目标是在给定的金币和地图的条件下，通过设置防御塔来抵御敌人入侵，从而通过关卡。游戏在每一关的刚开始，会给予20个红心，玩家在游玩关卡的过程中，如果碰到一个敌人没有办法抵御，那么游戏会扣除这个敌人所对应的红心数。游戏的界面如图5所示。可以看到左上角有一个心形的标志，并且配有数字20，表示玩家拥有20个心。后面的数字202代表玩家有的金币数量，金币将会决定玩家在某一时刻的行为集合。而后面的2/14波代表了玩家现在游玩到了第2波怪物入侵，总共有14波怪物入侵。玩家的目标就是在尽量不损失心数的情况下通过在路径旁边建立不同类型的防御塔来阻止怪物到达路径的终点，在这张图上终点在地图的上方中间处。
在这个游戏当中，Agent也使用了类似于人类玩游戏的方式来操作游戏。Agent的行为集合定义为画面上可以点击的位置的集合。人类可以通过点击画面上的一些位置来建造防御塔来达成防守的目标，也可以通过使用技能来防守。Agent也可以建造防御塔或者使用技能。对于时刻t＝i，Ai中的行为可以是可操作的防御塔的坐标，也可以是可使用技能的位置。下面的组图中针对行为的图的横坐标也就表示当前时刻Agent可以点击的坐标点的位置。
在游玩图5所示的这一关的内容之后，利用难度评估算法生成的难度曲线图如图6所示。横坐标为Agent在游玩内容时所做的选择的编号，可以看到在这次游玩中Agent总共做了577个选择。可以设定Agent算法会在每50帧做一次选择，当遇到没有选择可以做的时候，它将会自动跳过这个时刻。纵坐标是难度评估算法计算出的当前的难度值，也就是公式(1)当中的通过综合每一个决策时刻的难度，本发明可以得到总体难度。在图6中可以发现游戏的难度是随着游戏内容的变化而变化的。
图7到图16分别为选取的5个决策时刻下Agent算法收集到的5组数据的可视化。图7和图8、图9和图10、图11和图12、图13和图14、图15和图16一共组成5组视图。每一组图包含两张图，每一组图中第一张图体现了公式(3)的计算过程。该第一张图记录的是在某一个时刻中，Agent尝试了很多次之后获得的心数的直方图。其横坐标表示完成目标的程度，越大表示目标完成程度也越高。纵坐标表示有多少次尝试得到了这样的结果。在游戏过程中，玩家保持的心的数量是一个玩家的主要目标，同一个关卡这个目标的达成情况也反映了玩家的水平。Agent会在某个时刻尝试不同的行为，然后数据收集***会收集每一次Agent尝试之后的结果。
每一组图中第二张图体现了公式(4)的计算过程。该第二张图记录的是在某一个时刻中，对于不同的行为Agent尝试了很多次之后获得的平均心数。横坐标表示每一个行为的编号。纵坐标表示在这个行为下Agent尝试了很多次之后获得的平均心数。在每一个决策时刻，所能采取的行为的多少也是变化的，所以横坐标行为的个数也会变化。
每一组图所在的决策时刻也对应了图6中曲线的变化趋势。
图7与图8分别表示了在第15次决策时刻，Agent多次尝试后得到的心数的直方图和平均心数。在图7中可以看到绝大多数的情况都是20个心通过的。图8表明当前决策时刻有很多行为可以做，而且每一种行为能得到的结果的差异很大，所以将会导致DS的数值较高。
图9与图10表示了在第62次决策时刻，Agent多次尝试后得到的心数的直方图和平均心数。图9中可以看到心数为0的情况也很多，所以导致DG的数值比较高。图10中每一个选择之间差别不大，所以DS的数值较低。
图11与图12表示了在第100次决策时刻，Agent多次尝试后得到的心数的直方图和平均心数。可以看出，在这个时刻中，大部分尝试得到的结果都是20心，当前时刻可以选择的行为也较少，所以在曲线上也体现出这一时刻的难度在下降。
图13与图14表示了在第255次决策时刻，Agent多次尝试后得到的心数的直方图和平均心数。在这里可以看到游戏难度又变难了，因为得到的结果很少有20心通过，且每一个行为得到的结果都不好，体现在曲线上就是难度上升了。
图15与图16表示了在第501次决策时刻，Agent多次尝试后得到的心数的直方图和平均心数。这个时刻已经接近游戏内容的结尾。在靠近结尾的时候，虽然有很多选择，但是每个行为能得到的结果都差不多一样，都非常好。所以在图6曲线的最后，难度几乎为0。
通过上面的流程和评估示例可以看出，本发明评估游戏难度的过程中完全不需要人类进行参与，由处理器通过Agent算法可以自动游玩游戏内容并自动记录游戏数据，对于记录的游戏数据可以通过算法从多个方面自动生成难度变化曲线和最终评估结果。在一段时间内游玩游戏内容的次数会比使用人类玩家进行测试的时候更多，可以大大节省时间成本和人力成本，并且能够保证评估更加准确。此外，最后得到的评估结果可以以数值的方式呈现，量化整个过程，而且在整个过程中由于去除了人类的参与，所以结果不会因为人类的情绪而影响。
本发明实施例中，新设计的游戏难度评估不需要人类参与，可以通过Agent算法快速大量的产生游玩数据。而且Agent算法不需要界面渲染，也不需要有等待时间，所以Agent可以快速游玩内容然后生成评估需要的数据。并且，在Agent算法的参数不变的情况下，Agent玩游戏的水平是固定的，那么对于不同的游玩内容的评估来说，变化的只是游戏内容而已，因素固定也有利于游戏设计者可以根据难度分析游戏内容。当然，根据本发明实施例，也可以根据需要改变Agent算法参数，以从不同层次评估游戏难度。
与本发明的游戏难度评估方法相应地，本发明还提供一种计算机游戏难度评估***，本***可包括：游戏操作单元、数据收集器和难度评估单元。
游戏操作单元用于利用Agent算法通过计算机游戏的API接口操作计算机游戏而模拟玩游戏操作。
数据收集器用于在操作单元进行模拟玩游戏操作时收集游戏数据。
难度评估单元用于基于数据收集器收集的数据进行游戏难度评估，该处理器被配置为执行以下处理：
根据记录的游戏数据中每个时刻的所有尝试对应的多个目标的目标完成程度评估该时刻计算机游戏的目标达成难度；
根据记录的游戏数据中每个时刻的所有行为对应的多个目标的目标完成程度评估当前时刻所述计算机游戏的策略空间相关难度；
基于各个时刻的目标达成难度和策略空间相关难度评估计算机游戏的难度。
在本发明一实施例中，游戏操作单元、数据收集器和难度评估单元可在相同或不同处理器上实现，也可以由主从设备结构实现，游戏操作单元所采用的Agent算法可以存储在存储器中，并在处理器中执行。数据收集器可以由处理器通过计算机软件实现。难度评估单元所采用的评估算法可存储在存储器中，并在处理器中执行。在一些实施例中，游戏操作单元、数据收集器和难度评估单元可以整合在一个计算机设备中并通过计算机软件来实现。但本发明并不限于此，他们也可以分布于不同计算机设备，彼此之间通过有线或无线数据通信进行彼此之间数据的交互。例如在一些实现中Agent算法可以同时运行在不同的处理器上，在不同处理器上收集的数据可以通过网络将结果发送到中央数据收集器，在数据收集完成之后，评估算法可以对收集的数据进行处理。
在本发明一实施例中，还提供一种计算机游戏难度评估装置，该装置可包含如前所述的难度评估单元。此外，该装置还可包含如前所述的数据收集器。
本公开还涉及存储介质，其上可以存储有计算机程序代码，当程序代码被执行时可以实施本发明的计算机游戏难度评估方法的各种实施例，该存储介质可以是有形存储介质，诸如光盘、U盘、软盘、硬盘等。
本领域普通技术人员可以意识到，结合本文中所公开的实施方式描述的各示例性的单元及方法步骤，能够以硬件、软件或者二者的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施方式描述的方法或算法的步骤可以用硬件(计算机等逻辑装置)执行的软件来实现。所述软件在被执行时，可以使所述硬件(计算机等逻辑装置)实现上述的方法或其组成步骤，或使所述硬件(计算机等逻辑装置)充当上面所述的本发明的装置部件。
软件可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上描述的实施例都是示例性的，不是对本发明的限制，本领域技术人员根据本发明的精神，可以想到各种变型和修改，这些变型和修改也在本发明的范围内。

Claims (10)

1.一种计算机游戏难度评估方法，其特征在于，该方法包括：
在利用代理算法通过计算机游戏的应用程序编程API接口操作计算机游戏而模拟玩游戏操作的过程中，通过数据收集器记录游戏数据；
根据记录的游戏数据中每个决策时刻的所有尝试对应的多个目标的目标完成程度度量该时刻计算机游戏的目标达成难度；
根据记录的游戏数据中每个决策时刻的所有行为对应的多个目标的目标完成程度度量当前时刻所述计算机游戏的策略空间相关难度；
基于各个时刻的目标达成难度和策略空间相关难度评估所述计算机游戏的难度。
2.根据权利要求1所述的方法，其特征在于，根据记录的游戏数据中每个决策时刻的所有尝试对应的多个目标的目标完成程度度量该时刻计算机游戏的目标达成难度的步骤包括：
根据记录的游戏数据获取每个决策时刻的所有尝试对应的各个目标的目标完成度集合，基于每个目标的目标完成度集合得到每个目标的目标完成程度相关难度的平均值和最大值，且基于各个目标的目标完成程度相关难度的平均值和最大值评估该决策时刻计算机游戏的目标达成难度。
3.根据权利要求1所述的方法，其特征在于，根据记录的游戏数据中每个决策时刻的所有行为对应的多个目标的目标完成程度度量当前时刻所述计算机游戏的策略空间相关难度的步骤包括：
根据记录的游戏数据获取每个时刻下每一行为对应的各个目标的目标完成度集合；
计算出每一行为对应的各个目标的目标完成度的平均值和最大值；
计算所有行为对应的各个目标的目标完成度平均值的标准差和最大值的标准差；
基于所述平均值的标准差和最大值的标准差评估该时刻所述计算机游戏的策略空间相关难度。
4.根据权利要求1所述的方法，其特征在于，所述基于各个时刻的目标达成难度和策略空间难度评估所述计算机游戏的难度的步骤包括：
基于如下公式评估所述计算机游戏的难度：
其中，D表示计算机游戏的难度，表示游戏在决策时刻t的目标达成难度，表示游戏在决策时刻t的策略空间相关难度，CG为影响难度的系数，CS为影响难度的系数，T为最终决策时刻。
5.根据权利要求4所述的方法，其特征在于，满足以下公式：
其中，
为难度调整系数；
和分别为和的非线性函数，其中λa和λm分别为和的非线性系数；
表示第j个目标的目标完成程度相关难度的集合的平均值；
表示第j个目标的目标完成程度相关难度的集合的最大值；
表示第j个目标的目标完成程度相关难度的集合，
表示第j个目标的目标完成度；
gj为玩游戏过程中所有目标的集合G＝{g1，g2，…，gj，…，gz}中的第j个目标，表示当前对于第j个目标达成的程度，表示对于第j个目标最终需要达成的程度。
6.根据权利要求4所述的方法，其特征在于，满足以下公式：
其中：
为难度调整系数；
Ai为在i时刻的所有行为的集合；
K为行为数；
表示t＝i时刻行为ak对应的目标gj的目标完成度集合的平均值，其中表示选择行为ak之后的所有尝试所获得的目标gj的目标完成程度的集合；
表示t＝i时刻行为ak对应的目标gj的目标完成度集合的最大值；
表示对求标准差；表示对求标准差。
7.根据权利要求1所述的方法，其特征在于，所述代理算法为随机算法、蒙特卡洛树算法或策略梯度算法。
8.一种计算机游戏难度评估装置，其特征在于，该装置包括：
难度评估单元，其接收数据收集器收集的游戏数据，该游戏数据是在用代理算法通过计算机游戏的应用程序编程API接口操作计算机游戏而模拟玩游戏操作时产生的，所述难度评估单元被配置为执行以下处理：
根据记录的游戏数据中每个决策时刻的所有尝试对应的多个目标的目标完成程度度量该时刻计算机游戏的目标达成难度；
根据记录的游戏数据中每个决策时刻的所有行为对应的多个目标的目标完成程度度量当前时刻所述计算机游戏的策略空间相关难度；
基于各个时刻的目标达成难度和策略空间相关难度评估所述计算机游戏的难度。
9.一种计算机游戏难度评估***，其特征在于，该***包括：
操作单元，其利用代理算法通过计算机游戏的应用程序编程API接口操作计算机游戏而模拟玩游戏操作；
数据收集器，其用于在所述操作单元进行模拟玩游戏操作时收集游戏数据；
难度评估单元，其被配置为执行以下处理：
根据记录的游戏数据中每个决策时刻的所有尝试对应的多个目标的目标完成程度度量该时刻计算机游戏的目标达成难度；
根据记录的游戏数据中每个决策时刻的所有行为对应的多个目标的目标完成程度度量当前时刻所述计算机游戏的策略空间相关难度；
基于各个时刻的目标达成难度和策略空间相关难度评估所述计算机游戏的难度。
10.一种计算机存储介质，其特征在于，该计算机存储介质存储有计算机程序代码，在所述计算机程序代码被执行时，实现如权利要求1-7中任意一项所述的计算机游戏难度评估方法。
CN201811000985.2A 2018-08-30 2018-08-30 游戏难度评估方法、装置和*** Pending CN109126140A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201811000985.2A CN109126140A (zh) 2018-08-30 2018-08-30 游戏难度评估方法、装置和***
US16/367,215 US11058957B2 (en) 2018-08-30 2019-03-27 Method, device and system for game difficulty assessment

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811000985.2A CN109126140A (zh) 2018-08-30 2018-08-30 游戏难度评估方法、装置和***

Publications (1)

Publication Number Publication Date
CN109126140A true CN109126140A (zh) 2019-01-04

Family

ID=64829222

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811000985.2A Pending CN109126140A (zh) 2018-08-30 2018-08-30 游戏难度评估方法、装置和***

Country Status (2)

Country Link
US (1) US11058957B2 (zh)
CN (1) CN109126140A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111265880A (zh) * 2020-02-25 2020-06-12 北京字节跳动网络技术有限公司 一种游戏调整方法、装置、电子设备和存储介质
CN111530081A (zh) * 2020-04-17 2020-08-14 成都数字天空科技有限公司 游戏关卡设计方法、装置、存储介质及电子设备
CN113110592A (zh) * 2021-04-23 2021-07-13 南京大学 一种无人机避障与路径规划方法
CN114247148A (zh) * 2021-12-22 2022-03-29 广州银汉科技有限公司 智能分析开发平台
CN115951786A (zh) * 2023-03-14 2023-04-11 环球数科集团有限公司 一种利用aigc技术的多结局创意社交游戏的创作方法

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10226708B2 (en) 2016-06-30 2019-03-12 Electronic Arts Inc. Interactive gameplay playback system
US11000771B1 (en) * 2017-03-30 2021-05-11 Electronic Arts Inc. Gameplay telemetry and video acquisition system
TWI725662B (zh) * 2019-12-13 2021-04-21 國立交通大學 自動化調整回合制遊戲強度之方法
CN113868115B (zh) * 2021-08-30 2024-04-16 天津大学 基于多目标优化与深度强化学习的游戏软件自动测试方法
JPWO2023058677A1 (zh) * 2021-10-06 2023-04-13

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107982920A (zh) * 2017-11-28 2018-05-04 上海波克城市网络科技股份有限公司 基于关卡类游戏精细化难度调整方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101231798B1 (ko) * 2009-04-30 2013-02-08 한국전자통신연구원 게임 난이도 조절 장치 및 방법
US10384133B1 (en) * 2016-12-30 2019-08-20 Electronic Arts Inc. Systems and methods for automatically measuring a video game difficulty

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107982920A (zh) * 2017-11-28 2018-05-04 上海波克城市网络科技股份有限公司 基于关卡类游戏精细化难度调整方法

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111265880A (zh) * 2020-02-25 2020-06-12 北京字节跳动网络技术有限公司 一种游戏调整方法、装置、电子设备和存储介质
CN111265880B (zh) * 2020-02-25 2021-07-16 北京字节跳动网络技术有限公司 一种游戏调整方法、装置、电子设备和存储介质
CN111530081A (zh) * 2020-04-17 2020-08-14 成都数字天空科技有限公司 游戏关卡设计方法、装置、存储介质及电子设备
CN113110592A (zh) * 2021-04-23 2021-07-13 南京大学 一种无人机避障与路径规划方法
CN114247148A (zh) * 2021-12-22 2022-03-29 广州银汉科技有限公司 智能分析开发平台
CN114247148B (zh) * 2021-12-22 2023-08-15 广州银汉科技有限公司 智能分析开发平台
CN115951786A (zh) * 2023-03-14 2023-04-11 环球数科集团有限公司 一种利用aigc技术的多结局创意社交游戏的创作方法
CN115951786B (zh) * 2023-03-14 2023-05-12 环球数科集团有限公司 一种利用aigc技术的多结局创意社交游戏的创作方法

Also Published As

Publication number Publication date
US20190351334A1 (en) 2019-11-21
US11058957B2 (en) 2021-07-13

Similar Documents

Publication Publication Date Title
CN109126140A (zh) 游戏难度评估方法、装置和***
Eom et al. Transition play in team performance of volleyball: a log-linear analysis
CN107335220B (zh) 一种消极用户的识别方法、装置及服务器
Gorman et al. Believability testing and bayesian imitation in interactive computer games
CN109847366A (zh) 用于游戏的数据处理方法和装置
WO2019085823A1 (zh) 游戏信息的确定方法和装置、存储介质、电子装置
CN112926744A (zh) 基于强化学习的非完全信息博弈方法、***以及电子设备
CN105144224A (zh) 确定游戏技巧因子
CN111984544B (zh) 设备性能测试方法、装置、电子设备及存储介质
CN111506514B (zh) 一种应用于消除类游戏的智能测试方法及***
Umami et al. implementing the Expected Goal (xG) model to predict scores in soccer matches
Preston et al. Detecting faulty within-item category functioning with the nominal response model
Wang et al. A method for evaluating elicitation schemes for probabilistic models
CN110263937A (zh) 一种数据处理方法、设备及存储介质
Lee The impact of postseason restructuring on the competitive balance and fan demand in Major League Baseball
CN109192306A (zh) 一种糖尿病的判断装置、设备及计算机可读存储介质
CN106600432A (zh) 基于社交属性行为数据的行为间影响力评估方法和装置
CN110368696B (zh) 一种非对称游戏玩家能力获取方法、装置、设备及介质
CN113555119A (zh) 基于定向任务的场景化智能心理测评***、方法及设备
Doshi et al. Strategizing university rank improvement using interpretable machine learning and data visualization
Powell et al. Combinatorial prediction markets: An experimental study
CN113178109B (zh) 一种手术仿真测试方法、装置、设备及存储介质
Demeter et al. Who’s on First?: Probing the Learning and Representation Capabilities of Language Models on Deterministic Closed Domains
Narayanan Bayesian modelling of flexible marked point processes with applications to event sequences from association football
Tang et al. Visualizing the momentum of tennis matches based on prediction and evaluation models

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
TA01 Transfer of patent application right

Effective date of registration: 20200201

Address after: 100041, room 2, building 3, building 30, Xing Xing street, Shijingshan District, Beijing,

Applicant after: BEIJING BYTEDANCE NETWORK TECHNOLOGY Co.,Ltd.

Address before: 100083 the first floor of the western small building, No. 18, No. 18, Xue Qing Lu Jia, Beijing

Applicant before: BEIJING SHENJI TECHNOLOGY CO.,LTD.

TA01 Transfer of patent application right
RJ01 Rejection of invention patent application after publication

Application publication date: 20190104

RJ01 Rejection of invention patent application after publication