CN109513215A - 一种对象匹配方法、模型训练方法以及服务器 - Google Patents
一种对象匹配方法、模型训练方法以及服务器 Download PDFInfo
- Publication number
- CN109513215A CN109513215A CN201811408426.5A CN201811408426A CN109513215A CN 109513215 A CN109513215 A CN 109513215A CN 201811408426 A CN201811408426 A CN 201811408426A CN 109513215 A CN109513215 A CN 109513215A
- Authority
- CN
- China
- Prior art keywords
- prediction
- matching
- victory
- prediction model
- defeat
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- A63F13/795—Game security or game management aspects involving player-related data, e.g. identities, accounts, preferences or play histories for finding other players; for building a team; for providing a buddy list
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Computer Security & Cryptography (AREA)
- General Business, Economics & Management (AREA)
- Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供一种对象匹配方法、装置、设备以及介质,其中,该方法包括:服务器获取待匹配对象集合,该待匹配对象集合中包括至少两个待匹配对象,每个待匹配对象包含至少一种属性信息;根据待匹配对象集合生成M种预测组合,其中,每种预测组合中包括至少两个队列,任一队列中至少包括一个待匹配对象;通过匹配预测模型获取每种预测组合各自对应的匹配概率信息;匹配预测模型包括胜负预测模型,该胜负预测模型以至少两个队列中的每个对象对应的至少一种属性信息为输入,以对战胜负概率为输出;根据每种预测组合各自对应的匹配概率信息,确定目标匹配结果。采用该方法能够有效地避免出现玩家实力差距悬殊的分边产生,优化对象对战分组的匹配结果。
Description
技术领域
本申请涉及网络游戏技术领域,尤其涉及一种对象匹配方法、模型训练方法、服务器以及计算机可读存储介质。
背景技术
近年来随着电子竞技产业的飞速发展,玩家对于竞技类游戏的公平性也越来越关注,其中多人在线战术竞技类(Multiplayer Online Battle Arena,简称MOBA)游戏广受全球玩家的青睐。与传统RTS(real-time strategy,实时策略)游戏不同,MOBA将玩家需要操作的角色从建筑群、多个兵种等简化为单个兵种——英雄,由此衍生出以阵营英雄竞技场对战为核心玩法的Dota、英雄联盟、英雄三国、王者荣耀等热门MOBA类游戏。
竞技类网络游戏的基本原则是将水平相当的玩家匹配在一起,尽量避免出现双方实力相差过大的碾压局面。目前电竞游戏的匹配***都以玩家积分算法实现玩家匹配分队的。而玩家积分算法中ELO积分算法被普遍运用,其基本思想是假设所有玩家水平服从近似于正态分布的逻辑分布,其假定各个玩家水平方差固定,玩家水平由均值决定,每个玩家的水平由ELO分表征,在具体匹配时,基于两个队伍中队员的ELO分总和相等或者相近的原则,从匹配池中匹配出对战的两支队伍,从而使得这两支队伍中的玩家参与对战游戏。
由于基于ELO算法的ELO匹配***仅利用ELO分,从单一维度来刻画玩家的真实实力,所以运用ELO算法其算法误差较大,导致玩家积分与玩家实力不相符,基于ELO分值匹配的两支队伍的真实实力相差过大。例如,常常会出现的一种匹配结果是,两支队伍的ELO分总和相近,但实际上这两支队伍实力悬殊,一支队伍都是实力比较强的玩家的小号,而另一支队伍都是第一次达到该分值的玩家,导致均是小号的队伍碾压对手,即典型的碾压局。
因此,基于ELO积分算法的匹配***仅基于ELO分对玩家水平进行定位,但其定位不够精准,匹配后双方实力相差过大,影响游戏的平衡性,降低玩家游戏体验。
发明内容
本申请实施例提供的一种对象匹配方法、模型训练的方法及服务器,采用游戏对象所具有的属性信息来预测游戏对象的对战实力,从而提升游戏对象实力预测的准确性,进而有利于实现队伍匹配的合理性。
有鉴于此,本申请第一方面提供了一种对象匹配方法,该方法包括:
获取待匹配对象集合,所述待匹配对象集合中包括至少两个待匹配对象,所述待匹配对象包含至少一种属性信息;
根据所述待匹配对象集合生成M种预测组合,M为正整数,其中,每种预测组合中包括至少两个队列,任一队列中至少包括一个待匹配对象;
通过匹配预测模型获取每种预测组合各自对应的匹配概率信息;其中,所述匹配预测模型包括胜负预测模型,所述胜负预测模型以至少两个队列中每个对象各自对应的至少一种属性信息为输入,以对战胜负概率为输出;
根据每种预测组合各自对应的匹配概率信息,确定目标匹配结果。
本申请第二方面提供了一种模型训练方法,该方法包括:
确定第一训练样本集,所述第一训练样本集中的每个样本包括至少两个队伍中每个对象各自对应的至少一种属性信息以及对战结果;
根据所述第一训练样本集中每个样本训练神经网络,以训练得到胜负预测模型,所述胜负预测模型以至少两个队伍中的每个对象各自对应的至少一种属性信息为输入,以对战胜负概率为输出;
根据所述胜负预测模型确定匹配预测模型。
本申请第三方面提供了一种对象匹配装置,该装置包括:
获取模块,用于获取待匹配对象集合,所述待匹配对象集合中包括至少两个待匹配对象,所述待匹配对象包含至少一种属性信息;
预测组合确定模块,用于根据所述待匹配对象集合生成M种预测组合,M为正整数,其中,每种预测组合中包括至少两个队列,任一队列中至少包括一个待匹配对象;
预测模块,用于通过匹配预测模型获取每种预测组合各自对应的匹配概率信息;其中,所述匹配预测模型包括胜负预测模型,所述胜负预测模型以至少两个队列中每个对象各自对应的至少一种属性信息为输入,以对战胜负概率为输出;
确定模块,用于根据每种预测组合各自对应的匹配概率信息,确定目标匹配结果。
本申请第四方面提供了一种模型训练装置,该装置包括:
训练样本确定模块,用于确定第一训练样本集,所述第一训练样本集中的每个样本包括至少两个队伍中的每个对象各自对应的至少一种属性信息以及对战结果;
训练模块,用于根据所述第一训练样本集中每个样本训练神经网络,以训练得到胜负预测模型,所述胜负预测模型以至少两个队伍中的每个对象各自对应的至少一种属性信息为输入,以对战胜负概率为输出;
模型确定模块,用于根据所述胜负预测模型确定匹配预测模型。
本申请第五方面提供了一种服务器,该服务器包括处理器以及存储器:
所述存储器用于存储程序代码,并将所述程序代码传输给所述处理器;
所述处理器用于根据所述程序代码中的指令执行上述第一方面提供的对象匹配方法。
本申请第六方面提供了一种服务器,该服务器包括处理器以及存储器:
所述存储器用于存储程序代码,并将所述程序代码传输给所述处理器;
所述处理器用于根据所述程序代码中的指令执行上述第二方面提供的模型训练方法。
本申请第七方面提供了一种计算机可读存储介质,包括指令,当其在计算机上运行时,使得计算机执行如上述第一方面提供的对象匹配方法,或者执行如上述第二方面提供的模型训练方法。
从以上技术方案可以看出,本申请实施例具有以下优点:
本申请实施例中提供了一种对象匹配方法,在该方法中,服务器先获取待匹配对象集合,所述待匹配对象集合中包括至少两个待匹配对象,每个待匹配对象包含至少一种属性信息;根据所述待匹配对象集合生成M种预测组合,M为正整数,其中,每种预测组合中包括至少两个队列,任一队列中至少包括一个待匹配对象;通过匹配预测模型获取每种预测组合各自对应的匹配概率信息;其中,所述匹配预测模型包括胜负预测模型,其以至少两个队列中的每个对象各自所对应的至少一种属性信息为输入,以对战胜负概率为输出;根据每种预测组合各自对应的匹配概率信息,确定目标匹配结果。在该方法中,基于胜负预测模型进行对战胜负概率预测,而该胜负预测模型是通过样本数据训练所得的,该胜负预测模型学习到对战队伍中各个对象的属性信息与对战胜负概率之间的映射关系;因此,通过该胜负预测模型基于该映射关系能够直接预测上述预测组合中队伍之间的对战胜负概率,基于该对战胜负概率确定目标匹配结果,本申请能够避免出现玩家实力差距悬殊的分边产生,从而能够优化对象对战分组的对象匹配结果。
附图说明
图1为本申请实施例中一种对象匹配方法的应用场景示意图;
图2为本申请实施例中一种对象匹配方法的流程示意图;
图3为本申请实施例中一种胜负预测模型的结构示意图;
图4为本申请实施例中一种角色预测模型的结构示意图;
图5为本申请实施例中一种模型训练方法的流程示意图;
图6为本申请实施例中另一种模型训练方法的流程示意图;
图7为本申请实施例中一种对象匹配方法的整体工作架构示意图;
图8为本申请实施例中一种对象匹配装置的结构示意图;
图9为本申请实施例中一种模型训练装置的结构示意图;
图10为本申请实施例中一种服务器的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
现有技术中,匹配***普遍基于ELO分对参与游戏对战的玩家进行分组,然而在很多情况下,ELO分并不能够客观准确地反映玩家的真实游戏水平,因此,仅基于该ELO分对参与游戏对战的各个玩家进行匹配分组,很容易出现匹配出的各组实力差距悬殊的情况,由此将影响游戏的平衡性,降低玩家的游戏体验。
为了解决上述现有技术中存在的技术问题,本申请实施例提供了一种对象匹配方法,该方法采用胜负预测模型根据游戏对象对应的至少一种属性信息对玩家实力进行建模以预测至少两个队伍的对战胜负概率,而基于对战胜负概率来选择出目标匹配结果,能够保证对象分组的平衡性,有效避免出现玩家实力差距悬殊的分边产生,保证后续队伍匹配的合理性。
应理解,本申请实施例提供的对象匹配方法可以应用于具有数据处理功能的服务器,该服务器具体可以为应用服务器,也可以为Web服务器,在实际应用部署时,该服务器可以为独立服务器,也可以为集群服务器,该服务器可以同时确定多场游戏对战的匹配结果。
为了便于理解本申请实施例提供的技术方案,下面结合实际应用场景对本申请实施例提供的对象匹配方法进行介绍。
参见图1,图1为本申请实施例提供的对象匹配方法的应用场景示意图。该应用场景中包括多个终端设备101、游戏应用服务器102和匹配服务器103。其中,终端设备101为运行有游戏应用的设备,该游戏应用具体可以为APP(Application)游戏应用,也可以为网页版游戏应用,在此不对游戏应用的运行形式做任何限定;该终端设备具体可以为智能手机、计算机、个人数字助理(Personal Digital Assitant,PDA)、平板电脑等。
其中,终端设备101面向游戏玩家,其响应于游戏玩家的操作向游戏应用服务器102发送对战请求,请求游戏应用服务器102为自身匹配参与同一场游戏对战的其他玩家,并确定该场游戏对战的对战分边结果;游戏应用服务器102用于根据各个终端设备101发送的对战请求,确定参与同一场游戏对战的玩家,并将这些玩家各自对应的至少一种属性信息作为匹配请求发送至匹配服务器103;匹配服务器103接收到游戏应用服务器102发送的匹配请求后,执行本申请实施例提供的对象匹配方法,从该匹配请求中获取待匹配对象集合,进而确定对应于该待匹配对象集合的目标匹配结果,即确定该场游戏对战的分边结果。
匹配服务器103具体确定目标匹配结果时,先根据所获取的待匹配对象结合生成M种预测组合,其中,每种预测组合包括至少两个队列,任一队列中包括至少一个待匹配对象;然后通过匹配预测模型获取每种预测组合对应的匹配概率信息,具体的,匹配服务器103将预测组合中每个对象各自对应的至少一种属性信息输入至匹配预测模型中的胜负预测模型,该胜负预测模型相应地输出该种预测组合对应的对战胜负概率,将该对战胜负概率作为该种预测组合对应的匹配概率信息;最终,根据各种预测组合各自对应的匹配概率信息,确定目标匹配结果,即确定游戏对战的分边结果。
匹配服务器103确定出目标匹配结果后,将该目标匹配结果通过游戏应用服务器102发送给参与该场游戏对战的各个终端设备101,以使各个游戏玩家获知对战分边结果,并依据该对战分边结果参与游戏对战。
应理解,在实际应用中,也可以利用一个服务器执行上述游戏应用服务器102和匹配服务器103所执行的操作,即上述游戏应用服务器102和匹配服务器103所实现的功能可以集成在一个服务器中实现。
需要说明的是,上述匹配服务器103利用胜负预测模型,根据玩家对应的至少一种属性信息对各个玩家的实力进行建模,保证评估出的玩家实力更能够表征玩家的真实游戏水平;进而,基于如此评估出的玩家实力,利用胜负预测模型预测各种预测组合对应的对战胜负概率,参考该对战胜负概率确定目标匹配结果,由此避免出现玩家实力差距悬殊的分边,优化玩家对战分组的匹配结果。
需要说明的是,本申请实施例提供的对象匹配方法适用于各种需要分组的游戏场景,具体的,该对象匹配方法可以应用于MOBA类、格斗类、攻关类、战略类等多种类型的游戏场景中,在此不对该对象匹配方法应用的游戏场景做任何限定。上述图1所示的应用场景仅为一种示例,在实际应用中,本申请实施例提供的对象匹配方法还可以应用于其他应用场景,在此不对该对象匹配的应用场景做任何限定。
下面通过实施例对本申请提供的对象匹配方法进行介绍。
参见图2,图2为本申请实施例提供的一种对象匹配方法的流程示意图。为了便于描述,下述实施例以服务器作为执行主体对方案进行描述。如图2所示,该对象匹配方法包括以下步骤:
步骤201:获取待匹配对象集合,该待匹配对象集合中包括至少两个待匹配对象,每个待匹配对象包含至少一种属性信息。
在MOBA游戏的应用场景中,待匹配对象指的是参与游戏对战的玩家,服务器从发起对战请求的玩家中选取参与同一场游戏对战的各个玩家,这些玩家组成了这场游戏对战对应的待匹配对象集合;从数据库中获取参与该场游戏对战的各个玩家各自对应的至少一种属性信息。应理解,此处的玩家对应的至少一种属性信息为能够在一定程度上反映玩家的游戏水平的信息。
应理解,参与一场游戏对战的玩家通常有V*N个,其中,V表示划分的小组数,即游戏对战的分边数目,N表示每个小组中的玩家个数;相应地,待匹配对象集合中包括V*N个玩家,这V*N个玩家各自对应至少一种属性信息。
可选的,上述至少一种属性信息具体可以包括:对象的整体竞技状态信息、对象的近期竞技状态信息、对象的ELO排名***分、对象的游戏段位、对象的个人信息中的至少一种;其中,对象的个人信息包括对象的自然属性信息和/或对象的游戏资产信息。
对象的整体竞技状态信息通常包括该玩家参与的所有游戏对战场次以及所有游戏对战场次对应的胜负概率。对象的近期竞技状态信息通常包括该玩家近期参与的游戏对战场次以及近期参与的这些游戏对战对应的胜负概率,具体的,可以将玩家在近一个月内参与的游戏对战场次以及这个月内参与的游戏对战对应的胜负概率作为近期竞技状态信息,也可以将玩家在近一周内参与的游戏对战场次以及这周内参与的游戏对战对应的胜负概率作为近期竞技状态信息,当然,也可以根据实际情况设置任意长度的时间段作为近期竞技状态信息对应的时间段。对象的ELO排名***分即为ELO分,是根据玩家所参与的各场游戏对战的胜负结果确定出的分值。对象的游戏段位指的是玩家的游戏等级,其会根据玩家在各场游戏对战中的胜负结果而相应地改变。对象的个人信息具体包括对象的自然属性信息和/或对象的游戏资产信息,对象的自然属性信息指的是玩家在注册游戏账号时上传的基本个人信息,如性别、年龄等,对象的游戏资产信息指的是玩家在游戏中具有的游戏资产,如游戏金币、游戏装备等。
需要说明的是,在评估玩家的游戏水平时,对象的整体竞技状态信息和对象的近期竞技状态信息具有较高的参考价值,即参考对象的整体竞技状态信息和对象的近期竞技状态信息评估出的游戏水平,与玩家的真实实力更相符。因此,服务器获取的对象对应的属性信息通常至少包括对象的整体竞技状态信息和对象的近期竞技状态信息,以便利用对象的整体竞技状态信息和近期竞技状态信息更加真实准确地评估玩家的游戏水平。
在一种可能的实现方式中,服务器可以从游戏应用服务器发送的匹配请求中获取待匹配对象集合。具体的,服务器接收游戏应用服务器发送的匹配请求,该匹配请求中包括2N个待匹配对象各自对应的至少一种属性信息(N为正整数),该2N个待匹配对象是根据对象的游戏段位和/或ELO分确定的;进而,服务器从匹配请求中获取待匹配对象集合,该待匹配对象集合中包括2N个待匹配对象。
需要说明的是,该种实现方式主要针对的是两方对战的游戏场景,因此,上述匹配请求中包括2N个对象各自对应的至少一种属性信息,N表示对战的每一方中包括的玩家个数。应理解,针对三方对战的游戏场景,上述匹配请求中应包括3N个对象各自对应的至少一种属性信息,针对四方对战的游戏场景,上述匹配请求中应包括4N个对象各自对应的至少一种属性信息,以此类推。
在实际应用中,游戏应用服务器在同一时间段内通常能够接收到大量玩家通过终端设备发起的对战请求,这些对战请求中通常携带有玩家的账户标识;游戏应用服务器接收到玩家发起的对战请求后,需要根据游戏对战规则为各个发起对战请求的玩家匹配参与同一场游戏对战的其他玩家,即从在该时间段内发起对战请求的玩家中选取参与同一场游戏对战的玩家,例如,假设游戏规则为在一场游戏对战中玩家分为两队,每队包括N个玩家,则游戏应用服务器相应地从这一时间段发起对战请求的玩家中选取2N个玩家参与同一场游戏对战;游戏应用服务器具体选取参与同一场游戏对战的玩家时,通常会根据各个对战请求中携带的账户标识,确定各个玩家对应的游戏段位和/或ELO分,进而,选取游戏段位相同或相近,和/或,ELO分相同或相近的2N个玩家作为参与同一场游戏对战的玩家。
游戏应用服务器选取出参与同一场游戏对战的玩家后,相应地根据参与该场游戏对战的各个玩家的账户标识,从数据库中调取这些玩家各自对应的至少一种属性信息,并将这些玩家各自对应的至少一种属性信息添加至匹配请求中发送给用于确定匹配结果的服务器;用于确定匹配结果的服务器接收到游戏应用服务器发送的匹配请求后,根据该匹配请求确定待匹配对象集合,再根据该待匹配对象集合中各个待匹配对象各自对应的至少一种属性信息,确定游戏对战的匹配结果,即确定游戏对战的分边结果。
应理解,在实际应用中,上述游戏应用服务器实现的功能与用于确定游戏对战匹配结果的服务器实现的功能可以集成到同一台服务器上实现,即可以由一台服务器确定参与同一场游戏对战的所有玩家,并确定参与该场游戏对战的玩家的分边结果。
应理解,上述获取待匹配对象集合的方式仅为一种示例,在实际应用中,服务器也可以通过其他方式获取待匹配对象集合,在此不对服务器获取待匹配对象结合所采取的方式做任何限定。
步骤202:根据待匹配对象集合生成M种预测组合(M为正整数),其中,每种预测组合中包括至少两个队列,任一队列中至少包括一个待匹配对象。
服务器获取到待匹配对象集合后,根据游戏对战规则以及该待匹配对象集合生成M种预测组合,其中,每种预测组合中包括至少两个队列,任一队列中至少包括一个待匹配对象,此处的队列可以理解为游戏对战中的分组或分边。
应理解,上述每种预测组合中包括的队列数目以及每个队列中包括的对象数目均与游戏对战规则相关,其中,每种预测组合中包括的队列数目与游戏对战规则中规定的参与对战的小组数相等,即等于游戏对战的分边数,每个队列中包括的对象数目与游戏规则中规定的每个小组中包括的玩家数目相等。例如,假设游戏对战规则为5V5对抗(即由分别包括5个玩家的两支队伍进行对抗),则服务器根据待匹配对象集合生成的每种预测组合中均包括两个队列,每个队列中包括5名玩家。
为了保证服务器确定出的预测组合可以涵盖所有可能出现的组合形式,在确定预测组合时,服务器可以采用组合数计算公式确定预测组合。具体的,服务器先确定待匹配对象集合中待匹配对象的对象总个数,然后根据对象总个数以及预设队内成员个数,通过组合数计算公式确定M种预测组合,该M为组合数。
应理解,上述待匹配对象集合中包含的对象总个数实际上即为待匹配集合中包含的玩家总个数;预设队内成员个数是根据游戏对战规则确定的,游戏对战规则中规定的每个小组中包含的玩家数目即为该预设队内成员个数。
服务器根据待匹配对象集合中的对象总个数以及预设队内成员个数,采用如式(1)所示的组合数计算公式计算预测组合的总种数M。
M=C(V*N,N)*C((V-1)*N,N)*C((V-2)*N,N)*……*C(1*N,N) (1)
其中,M表示预测组合的总种数;C()表示组合数的计算形式;V表示游戏对战中的队列数,即游戏对战的分边数;N表示每个队列所包含的对象个数。应理解,如此确定出的M种预测组合各不相同,即每种预测组合中的每个队列所包含的对象均不相同。
例如,服务器针对5V5对抗赛,采用公式(1)可以计算出C(2*5,5)*C(5,5)=252种预测组合,每种预测组合中包括5个队列,每个队列中包括5个对象;又例如,针对3V3V3对抗赛(由分别包括3个玩家的3支队伍进行对抗),采用公式(1)可以计算出C(3*3,3)*C(2*3,3)*C(3,3)=1680种预测组合。
应理解,上述确定预测组合的方式仅为一种可能的实现方式,在实际应用中,服务器还可以采用其他方式根据待匹配对象集合确定预测组合,例如,服务器可以根据游戏对战规则,随机地对待匹配对象集合中的各个玩家进行分组确定出若干种预测组合,在此不对确定预测组合的方式做任何限定。
步骤203:通过匹配预测模型获取每种预测组合对应的概率匹配信息;其中,该匹配预测模型包括胜负预测模型,该胜负预测模型是以至少两个队列中每个对象各自对应的至少一种属性信息为输入,以对战胜负概率为输出。
服务器根据待匹配对象集合生成M种预测组合后,利用匹配预测模型确定每种预测组合对应的匹配概率信息,该匹配概率信息能够表征其对应的预测组合进行游戏对战的对战结果,如胜负结果等。具体应用时,服务器将每种预测组合中各个待匹配对象各自对应的至少一种属性信息输入至该匹配预测模型中,匹配预测模型相应地根据预测组合中各个待匹配对象各自对应的至少一种属性信息,确定对应于该种预测组合的匹配概率信息。
需要说明的是,上述匹配预测模型中包括胜负预测模型,该胜负预测模型以至少两个队列中每个对象各自对应的至少一种属性信息为输入,以对战胜负概率为输出。具体应用时,服务器将每种预测组合中各个待匹配对象各自对应的至少一种属性信息输入至匹配预测模型中后,其中的胜负预测模型将相应地获得该种预测组合中各个待匹配对象各自对应的至少一种属性信息,进而,该胜负预测模型根据该预测组合中各个待匹配对象各自对应的至少一种属性信息,确定该种预测组合对应的胜负概率。
应理解,将预测组合中各个待匹配对象各自对应的至少一种属性信息输入胜负预测模型时,需要明确地区分每个待匹配对象对应的至少一种属性信息具体对应哪个队列,从而使得胜负预测模型能够根据每个队列中的各个待匹配对象各自对应的至少一种属性信息,预测该预测组合中每个队列对应的对战实力,进而预测该预测组合中各个队列进行对战的胜负概率。
具体的,为了明确区分每个待匹配对象各自对应的多种属性信息具体所对应的队列,服务器可以在将每个待匹配对象各自对应的属性信息输入胜负预测模型之前,先将每个待匹配对象各自对应的至少一种属性信息相应地划分至其所属的队列中,即将属于同一个队列的各个待匹配对象各自对应的至少一种属性信息汇总起来,作为该队列对应的属性信息;进而,将各个队列对应的属性信息输入胜负预测模型。例如,假设预测组合中包括队列1和队列2,队列1中包括对象a、对象b和对象c,队列2中包括对象d、对象e和对象f,在将预测组合中的每个对象各自对应的至少一种属性信息输入胜负预测模型之前,服务器先将对象a、对象b和对象c各自对应的属性信息汇总起来作为队列1对应的属性信息,将对象d、对象e和对象f各自对应的属性信息汇总起来作为队列2对应的属性信息,进而,服务器将队列1对应的属性信息和队列2对应的属性信息输入胜负预测模型,以使该胜负预测模型根据队列1对应的属性信息和队列2对应的属性信息预测该预测组合对应的胜负概率。
应理解,上述以队列为单位汇总属性信息的方式仅为一种可能的实现方式,在实际应用中,服务器还可以采用添加队列标识等方式区分每个待匹配对象对应的至少一种属性信息具体所对应的队列,在此不对区分属性信息所属队列的方式做任何限定。
需要说明的是,上述胜负预测模型预测输出的对战胜负概率可以包括预测组合中每个队列赢得该场对战的概率;例如,假设某一预测组合包含队列1、队列2和队列3,胜负预测模型预测在队列1、队列2和队列3的对战中,队列1的胜利概率为21%,队列2对应的胜利概率为50%,队列3对应的胜利概率为29%,则21%、50%和29%即为胜负预测模型输出的对战胜负概率。在两方对战的游戏场景中,上述胜负预测模型预测输出的对战胜负概率可以是其中任一方赢得对战的概率;例如,假设某一预测组合包括队列1和队列2,胜负预测模型预测在队列1和队列2的对战中,队列1的胜利概率为60%,则胜负预测模型输出的对战胜负概率即为60%,相应地,队列2在该场对战中的胜利概率即为40%。
为了便于理解上述胜负预测模型的工作原理,下面以两方对战的游戏场景为例,结合胜负预测模型的模型结构对该胜负预测模型的工作原理进行介绍:
参见图3,图3为本申请实施例提供的胜负预测模型的结构示意图。如图3所示,将预测组合中每个队列的各个玩家各自对应的至少一种属性信息输入胜负预测模型后,胜负预测模型中对应于各个玩家的深层神经网络(Deep Nerural Network,DNN)隐层根据各个玩家各自对应的至少一种属性信息,提取能够相应地反映玩家游戏水平的玩家特征;然后,将各个玩家对应的玩家特征输入至与其所属的队伍对应的DNN隐层,对应于各个队伍的DNN隐层根据输入的玩家特征相应地确定能够反映队伍实力的队伍特征;进而,将各个队伍对应的队伍特征输入至比赛DNN隐层1和比赛DNN隐层2,利用比赛DNN隐层1和比赛DNN隐层2对分边后的各个队伍的实力分别进行表示和深度建模,最后通过Softmax层输出胜负概率。
应理解,上述图3所示的胜负预测模型的结构仅为一种示例,在实际应用中,该胜负预测模型还可以为其他结构的神经网络模型,在此不对胜负预测模型的结构做任何限定。
在很多MOBA游戏场景中,参与游戏的玩家还可以选择自己在对战中使用的英雄角色,不同的英雄角色具备不同的游戏技能。然而,很多MOBA游戏规则规定了在同一个队伍中不允许存在相同的英雄角色。因此,在一场游戏对战中,玩家很有可能无法选择到自己想要使用的英雄角色,甚至很多玩家在对战中只能选择使用自身不擅长的英雄角色,如此将会大大降低玩家的游戏体验。
为了尽量避免上述情况发生,还可以进一步在本申请实施例提供的匹配预测模型中增设角色预测模型,利用该角色预测模型预测各个玩家在对战中可能选择的角色,进而在确定目标匹配结果时,避免将可能选择相同角色的玩家划分至同一个队伍,从而保证玩家能够利用自己想玩的英雄角色参与对战,提高玩家的游戏体验。
需要说明的是,本申请提供的角色预测模型是一种以对象在前T局对战所使用的角色序列为输入,以对象参与第T+1局对战所使用的角色以及角色出现概率为输出的神经网络。具体应用时,服务器在利用角色预测模型预测玩家在对战中可能选择的角色之前,可以先从离线数据库中获取该玩家在前T局对战中选择的角色序列,进而将该角色序列输入角色预测模型,以利用该角色预测模型预测玩家在第T+1局可能选择的角色。
应理解,上述第T+1局对战具体指的是玩家当前所要参与的对战,相应地,前T局指的是玩家在参与该场对战之前参与的T场对战。该T值可以根据实际需求确定,通常可以设置为10或20,当然也可以根据实际需求设置为其他值,在此不对T值做具体限定。
需要说明的是,上述角色预测模型根据玩家在前T局使用的角色序列,可能仅输出一个角色,也可能同时输出多个角色;若角色预测模型仅输出一个角色,则说明玩家在第T+1局使用该角色的可能性很大;若角色预测模型同时输出多个角色,则说明玩家在第T+1局可能从这多个角色中选取一个角色参与本局对战,服务器可以进一步根据角色预测模型输出的这些角色各自对应的出现概率确定玩家选择每个角色的概率。
为了便于理解上述角色预测模型的工作原理,下面结合角色预测模型的模型结构对该角色预测模型的工作原理进行介绍:
参见图4,图4为本申请实施例提供的角色预测模型的结构示意图。如图4所示,将玩家在前T局对战所使用的角色序列输入该角色预测模型,即将玩家在t1时刻使用的角色、在t2时刻使用的角色、……、在tT时刻使用的角色分别输入该角色预测模型,经该角色预测模型的长短期记忆网络(Long Short-Term Memory,LSTM)隐层、DNN隐层1、DNN隐层2、DNN隐层3对该玩家在前T局使用的角色序列进行处理,最后经softmax层输出该玩家在第T+1局可能使用的角色以及角色出现概率。
应理解,上述图4所示的角色预测模型的结构仅为一种示例,在实际应用中该角色预测模型还可以为其他结构的神经网络模型,在此不对角色预测模型的结构做任何限定。
当匹配预测模型中包括胜负预测模型和角色预测模型时,服务器可以将利用胜负预测模型根据预测组合中各个待匹配对象各自对应的至少一种属性信息预测得到的胜负概率,作为第一匹配概率信息;将利用角色预测模型根据对象在前T局对战中所使用的角色序列预测得到的角色预测结果,即对象在第T+1局中使用的角色以及角色出现概率作为第二匹配信息。
应理解,在实际应用中,服务器可以先利用胜负预测模型确定第一匹配概率信息,后利用角色预测模型确定第二匹配概率信息;服务器也可以先利用角色预测模型确定第二匹配概率信息,后利用胜负预测模型确定第二匹配概率信息;当然,服务器还可以同时利用胜负预测模型确定第一匹配概率信息,利用角色预测模型确定第二匹配概率信息。在此不对胜负预测模型和角色预测模型的工作顺序做任何限定。
需要说明的是,在实际应用中,胜负预测模型和角色预测模型可以集成为一个预测模型,该预测模型以预测组合中各个玩家各自对应的至少一种属性信息,以及各个玩家在前T局使用的角色序列作为输入,以预测组合对应的胜负概率以及各个玩家在第T+1局使用的角色以及角色出现概率作为输出。
步骤204:根据每种预测组合各自对应的匹配概率信息,确定目标匹配结果。
服务器获取到每种预测组合各自对应的匹配概率信息后,根据每种预测组合各自对应的匹配概率信息,判断各种预测组合中的各个队列是否满足对战条件,即判断各种预测组合中的各个队列之间的实力差距是否在合理范围内,进而根据该判断结果从预测组合中选定目标匹配结果,由此确定游戏对战分边结果。
当匹配预测模型中仅包括胜负预测模型时,匹配概率信息即相应地为该胜负预测模型输出的对战胜负概率,则服务器在确定目标匹配结果时,根据胜负预测模型输出的每种预测组合对应的对战胜负概率,判断每种预测组合对应的对战胜负概率是否满足预设胜负概率筛选条件,满足该预设胜负概率筛选条件则说明该预测组合中各个队列之间的实力差距处在合理范围内,该预测组合中的各个队列进行对战时出现碾压局面的可能性较低。
应理解,上述预设胜负概率筛选条件可以设定为胜负预测模型输出的胜负概率处于某一预设范围内;例如,针对两方对战的游戏场景,可以将预设胜负概率筛选条件设定为胜负预测模型输出的对战胜负概率在48%至52%之间,若某预测组合对应的胜负概率处于48%至52%之间,则说明该预测组合中两个队伍的实力基本相当,相应地确定该预测组合满足预设胜负概率筛选条件;又例如,针对三方对战的游戏场景,可以将预设胜负概率筛选条件设定为胜负预测模型输出的各个队伍对应的对战胜负概率均在30%至35%之间,若预测组合中三个队伍对应的对战胜负概率均处于30%至35%之间,则说明该预测组合中三个队伍的实力基本相当,相应地确定该预测组合满足该预设胜负概率筛选条件。
应理解,上述预设胜负概率筛选条件可以根据实际需求进行设置,针对不同的游戏对战场景,可以相应地设置不同的预设胜负概率筛选条件,在此不对预设胜负概率筛选条件做任何具体限定。
具体根据胜负概率确定目标匹配结果时,服务器可以先判断各种预测组合各自对应的对战胜负概率是否满足预设胜负概率筛选条件,从所有预测组合中筛选出对战胜负概率满足该预设胜负概率筛选条件的预测组合,若满足该预设胜负概率筛选条件的预测组合存在多个,则服务器还可以进一步从这些预测组合中选择最能保证对战平衡性的预测组合作为目标匹配结果。
例如,在两方对战的游戏场景中,假设胜负预测模型输出的对战胜负概率表征预测组合中某一方取得对战胜利的概率,预测组合1对应的对战胜负概率为43%,预测组合2的胜负概率为80%,预测组合3对应的对战胜负概率为52%,预设胜负概率筛选条件为胜负预测模型输出的对战胜负概率在40%至60%之间;通过判断可以确定预测组合1和预测组合3均满足预设胜负概率筛选条件,进而,根据预测组合1对应的胜负概率和预测组合3对应的对战胜负概率,确定预测组合3进行对战的对战平衡性更好,因此,可以将预测组合3作为目标匹配结果。
当匹配预测模型中同时包括胜负预测模型和角色预测模型时,匹配概率信息具体包括第一匹配概率信息(胜负预测模型输出的对战胜负概率)和第二匹配概率信息(角色预测模型输出的角色预测结果),则服务器在确定目标匹配结果时,需要按照预设胜负概率筛选条件、预设角色筛选条件以及每种预测组合各自对应的第一匹配概率信息和第二匹配概率信息,从M种预测组合中筛选出P种预测组合(P为小于或等于M的正整数),再从P种预测组合中获取一个预测组合作为目标匹配结果。
应理解,上述角色筛选条件可以设定为预测组合的每个队伍中的各个玩家可能使用的角色不存在重复,即保证每个队伍中的各个玩家均能根据自己的选择意愿选择自己想要使用的角色。相应地,服务器根据角色预测模型输出的角色预测结果和预设角色筛选条件进行筛选时,判断预测组合的每个队伍中包括的玩家在该局对战中可能使用的角色是否存在重复,若每个队列中均玩家可能使用的英雄均不重复,则确定该预测组合满足该角色筛选条件。
具体根据第一匹配概率信息和第二匹配概率信息确定目标匹配结果时,服务器可以先根据第一匹配概率信息和预设胜负概率筛选条件,从M种预测组合中筛选出满足该预设胜负概率筛选条件的A种预测组合,再根据第二匹配概率信息和预设角色筛选条件,从A种预测组合中筛选出同时满足预设胜负概率筛选条件和预设角色筛选条件的P种预测组合;服务器也可以先根据第二匹配概率信息和预设角色筛选条件,从M种预测组合中筛选出B种满足预设角色筛选条件的预测组合,再根据第一匹配概率信息和预设胜负概率筛选条件,从B种预测组合中筛选出同时满足预设胜负概率筛选条件和预设角色筛选条件的P种预测组合;服务器还可以同时考虑第一匹配概率信息和预设胜负概率筛选条件、以及第二匹配概率信息和预设角色筛选条件,一次性地从M种预测组合中筛选出同时满足预设胜负概率筛选条件和预设角色筛选条件的P种预测组合。在此不对上述筛选顺序做任何限定。
需要说明的是,服务器在执行上述筛选操作的过程中,还可以进一步考虑第二匹配概率信息中的角色出现概率,根据角色出现概率进行筛选。具体的,服务器可以判断每种预测组合中各个队伍的玩家所要使用的角色具体所属的角色类型,然后将同一队伍中属于同一角色类型的角色对应的角色出现概率相加,得到该角色类型对应的出现概率,判断角色类型对应的出现概率是否超过预设概率阈值,若超过,则说明该队伍中的玩家选择该种角色类型的角色的概率较高,而在同一个队伍中存在过多属于同一角色类型的角色,该队伍的胜利概率可能较低,因此,会相应地将这种预测组合筛选掉。
应理解,若服务器根据预设胜负概率筛选条件、预设角色筛选条件以及每种预测组合各自对应的第一匹配概率信息和第二匹配概率信息,从M种预测组合中筛选出多种预测组合(即上述P为大于1的整数),则服务器还需要继续从这P种预测组合中选出一个预测组合作为目标匹配结果,具体的,服务器可以从这P种预测组合中随机选出一个预测组合作为目标匹配结果,服务器也可以进一步根据这P种预测组合各自对应的第一匹配概率信息或第二匹配概率信息,选取各个对战队伍实力更接近或者同一队伍中各个玩家选择角色完全不同的概率更高的预测组合,作为目标匹配结果。
上述本申请实施例提供的对象匹配方法中,服务器基于胜负预测模型对待匹配对象(例如游戏玩家)的实力进行建模,并预测出各预测组合对应的对战胜负概率,基于各预测组合各自对应的对战胜负概率确定出目标匹配结果,即确定游戏对战的分边结果,能够有效地避免出现玩家实力差距悬殊的分边,优化玩家对战分组的对象匹配结果。
应理解,上述匹配预测模型是否能够准确地确定出保证对战平衡性的目标匹配结果,依赖于该匹配预测模型的模型性能,而该匹配预测模型的模型性能的好坏取决于该匹配预测模型的训练过程。根据上述实施例可知,匹配预测模型中可以仅包括胜负预测模型,也可以包括胜负预测模型和角色预测模型,相应地,对匹配预测模型的训练过程实际上可以是对胜负预测模型的训练过程,也可以是对胜负预测模型和对角色预测模型的训练过程。
下面先介绍当匹配预测模型仅包括胜负预测模型时,对该匹配预测模型的训练方法。参见图5,图5为本申请实施例提供的一种模型训练方法的流程示意图,为了便于描述,下述实施例以服务器等执行主体进行描述,应理解,该模型训练方法还可以应用于其他具备模型训练功能的设备。如图5所示,该模型训练方法包括以下步骤:
步骤501:确定第一训练样本集,该第一训练样本集中的每个样本包括至少两个队伍中每个对象各自对应的至少一种属性信息以及对战结果。
当匹配预测模型仅包括胜负预测模型时,训练该匹配预测模型的过程即为训练该胜负预测模型的过程。服务器训练胜负预测模型时,需要先获取第一训练样本集,该第一训练样本集中通常包括大量样本,每个样本对应一场对战,每个样本中包括参与某场对战的每个对象(对象即为玩家)各自对应的至少一种属性信息以及该场对战的对战结果。
服务器具体获取样本时,可以从游戏应用数据库中采集游戏对战信息,该游戏对战信息包括参与一场对战的至少两个队伍中每个对象各自的对象标识以及该场对战的对战结果;然后,服务器根据每个对象的对象标识,获取与每个对象各自对应的参战数据,该参数数据具体包括每个对象各自对应的参战场次和对战结果;进而,服务器可以根据每个对象各自的参战数据确定每个对象各自对应的属性信息,例如整体竞技状态信息和近期竞技状态信息,作为每个对象对应的至少一种属性信息;最终,将参与一场对战的至少两个队伍中每个对象各自对应的至少一种属性信息和该场对战结果作为一个样本数据,如此采集多个样本生成第一训练样本集。
具体的,服务器可以从游戏应用数据库中随机采集任意一场游戏的游戏对战信息,游戏对战信息中通常包括参与该场游戏对战的至少两个队伍中每个对象各自对应的对象标识以及该场对战的对战结果。然后,服务器可以根据各个对象对应的对象标识,从用于存储对象相关数据的数据库中获取各个对象各自对应的参战数据,此处的参战数据包括对象自建立该游戏账号以来所参与的所有对战场次以及各场对战对应的对战结果。进而,以属性信息包括整体竞技信息和近期竞技信息为例进行说明;服务器根据所获取的各个对象各自对应的参数数据,计算各个对象各自对应的整体竞技信息和近期竞技信息;具体计算整体竞技信息时,服务器可以根据该对象的所有参战场次以及各场对战对应的对战结果,计算该对象的整体对战胜负率作为整体竞技信息;具体计算近期竞技信息时,服务器可以从所有参战场次和各场对战对应的对战结果中,选取近一个月内或近一周内的该对象的参战场次和这些对战对应的对战结果,进而根据所选取的参战场次和这些对战对应的对战结果,计算该对象的近期对战胜负率作为近期竞技信息,应理解,还可以根据实际需求选取其他长度的时间段作为近期竞技信息对应的时间段。最终,将在该场对战中各个对象各自对应的整体竞技信息、近期竞技信息分别作为对象对应的属性信息,并将这些属性信息以及该场对战的对战结果作为样本数据,并按照该方法获取第一训练样本集中的其他样本数据。
可选的,上述对象对应的至少一种属性信息可以包括对象的整体竞技信息、对象的近期竞技信息、对象的ELO排名***分、对象的游戏段位、对象的个人信息中的至少一种;此处的个人信息包括对象的自然属性信息和/或对象的游戏资产信息。在上一实施例中已对这些属性信息的具体含义进行过介绍,详细参见上一实施例的相关描述,在此不再赘述。
应理解,服务器在获取到参与游戏对战的各个对象各自的对象标识后,即可根据各个对象各自的对象标识,在用于存储对象相关数据的数据库中获取上述对象的ELO排名***分、对象的游戏段位、对象的个人信息等任意一种或多种信息。
应理解,在实际应用中,服务器还可以通过其他方式获取样本数据,并利用所获取的样本数据生成第一训练样本集,在此不对服务器获取样本数据的具体实现方式做任何限定。
步骤502:根据该第一训练样本集中每个样本训练神经网络,以训练得到胜负预测模型,该胜负预测模型以至少两个队伍中的每个对象各自对应的至少一种属性信息为输入,以对战胜负概率为输出。
服务器训练胜负预测模型时,需要预先构建神经网络模型作为被训练的胜负预测模型,该神经网络模型的结构应与投入实际应用的胜负预测模型的结构相同,具体可以为图3所示的胜负预测模型的结构,其中包括深层神经网络DNN隐层,当然也可以为其他结构的神经网络模型。
应理解,该神经网络模型所要实现的功能与胜负预测模型所能够实现的功能相同,即该神经网络模型能够根据输入的至少两个队伍中的每个对象各自对应的至少一种属性信息,相应地输出该场对战对应的胜负概率。
构建完成神经网络模型后,利用在步骤501中获取的第一训练样本集中的样本对该神经网络的模型参数进行训练,待所训练的神经网络模型满足第一训练结束条件后,根据满足第一训练结束条件的神经网络模型的模型结构和模型参数,构建投入实际应用的胜负预测模型。
训练神经网络模型时,服务器可以从第一训练样本集中获取用于训练该神经网络模型的样本数据,将样本数据中参与一场对战的各个对象各自对应的至少一种属性信息输入该神经网络模型,该神经网络模型通过对参与该场对战的各个对象各自对应的至少一种属性信息进行分析处理,输出该场对战的预测胜负概率。服务器将该样本数据中的真实对战结果相应地转换为真实胜负概率,根据神经网络模型输出的预测胜负概率和该真实胜负概率之间的误差构建损失函数,进而,根据该损失函数对神经网络模型中的模型参数进行调整,从而实现对该神经网络模型的优化,当神经网络模型满足第一训练结束条件时,即可根据当前神经网络模型的模型参数和模型结构,生成可以投入实际应用的胜负预测模型。
具体判断上述神经网络模型是否满足第一训练结束条件时,可以利用测试样本对第一模型进行验证,该第一模型是利用第一训练样本集中的样本对神经网络模型进行第一轮训练优化得到的模型;具体的,服务器将测试样本中参与某场对战的各个对象各自对应的至少一种属性信息输入该第一模型,利用该第一模型对输入的各个对象各自对应的至少一种属性信息进行相应地处理,得到预测胜负概率;进而,根据测试样本中的真实对战结果生成真实胜负概率,根据该真实胜负概率与第一模型输出的预测胜负概率计算胜负预测准确率,当胜负预测准确率大于预设阈值时,即可认为该第一模型的模型性能较好已能够满足需求,则可以根据该第一模型的模型参数以及模型结构,生成胜负预测模型。
需要说明的是,上述预设阈值可以根据实际情况进行设定,在此不对该预设阈值做具体限定。
此外,判断神经网络模型是否满足第一训练结束条件时,还可以根据经多轮训练得到的多个模型,确定是否继续对模型进行训练,以获得模型性能最优的胜负预测模型。具体的,可以利用测试样本分别对经多轮训练得到的多个神经网络模型进行验证,判断经各轮训练得到的模型的胜负预测准确率之间的差距较小,则认为神经网络模型的性能已经没有提升空间,可以选取胜负预测准确率最高的神经网络模型,根据该神经网络模型的模型参数和模型结构,确定胜负预测模型;若经各轮训练得到的神经网络模型的胜负预测准确率之间具有较大的差距,则认为该神经网络模型的性能还有提升的空间,可继续对该神经网络模型进行训练,直到获得模型性能最稳定且最优的胜负预测模型。
步骤503:根据该胜负预测模型确定匹配预测模型。
训练得到满足第一训练结束条件的胜负预测模型后,直接将该胜负预测模型作为匹配预测模型,利用该匹配预测模型根据输入的各种预测组合中各个待匹配对象各自对应的至少一种属性信息,确定各种预测组合各自对应的胜负概率。
采用上述匹配预测模型训练方法,利用第一训练样本集中的样本对预先构建的神经网络模型进行训练,该第一训练样本集中的样本包括至少两个队伍中每个对象各自对应的至少一种属性信息和对战结果;最终根据满足第一训练结束条件的神经网络模型生成胜负预测模型,并将该胜负预测模型作为匹配预测模型。在训练过程中,基于至少两个队伍中每个对象各自对应的至少一种属性信息对神经网络模型进行训练,能够保证该神经网络模型根据输入的属性信息更准确地学习出能够反映对象实力的特征,进而,以此为基础,更准确地预测这些对象参与同一场对战的胜负概率。
接下来介绍当匹配预测模型包括胜负预测模型和角色预测模型时,对该匹配预测模型的训练方法。需要说明的是,该匹配预测模型中的胜负预测模型的训练方法与上述图5所示的训练方法完全相同,因此,在下述实施例中将主要介绍角色预测模型的训练方法。
参见图6,图6为本申请实施例提供的另一种模型训练方法的流程示意图,为了便于描述,下述实施例以服务器等执行主体进行描述,应理解,该模型训练方法还可以应用于其他具备模型训练功能的设备。如图6所示,该方法包括以下步骤:
步骤601:确定第二训练样本集,该第二训练样本集中的每个样本包括对象参与T+1局对战所使用的角色序列(T为大于等于1的正整数)。
服务器训练角色预测模型时,需要先获取第二训练样本集,该第二训练样本集中通常包括大量样本,每个样本对应一个对象,每个样本中包括该对象参与T+1局对战所使用的角色序列。
服务器具体获取样本时,可以随机获取某个对象的对象标识,进而根据该对象的对象标识,从用于存储对象相关数据的数据库中获取该对象在连续的T+1局对战中所使用的角色,根据在这T+1局对战中使用的角色生成角色序列。如此获取多个对象参与T+1局对战所使用的角色序列,进而生成第二训练样本集。
应理解,上述T为任一大于等于1的正整数,即服务器需要获取对象在多局对战中所使用的角色序列,通常将T设定为10或20,当然,在实际应用中,也可以根据实际需求将T设定为其他数值,在此不对T的具体数值做任何限定。
应理解,在实际应用中,服务器还可以通过其他方式获取样本,并利用所获取的样本生成第二训练样本集,在此不对服务器获取样本的具体实现方式做任何限定。
步骤602:根据该第二训练样本集中每个样本训练神经网络,以训练得到角色预测模型,该角色预测模型以对象在前T局对战所使用的角色序列为输入,并以对象参与第T+1局对战所使用的角色以及角色出现概率为输出。
服务器训练角色预测模型时,需要预先构建神经网络模型作为被训练的角色预测模型,该神经网络模型的结构应与投入实际应用的角色预测模型的结构相同,具体可以为图4所示的角色预测模型的结构,其中包括深层神经网络DNN隐层和长短期记忆网络LSTM隐层,当然也可以为其他结构的神经网络模型。
应理解,该神经网络模型所要实现的功能与角色预测模型所能够实现的功能相同,即该神经网络模型能够根据输入的对象在前T局使用的角色序列,相应地输出该对象在第T+1局使用的角色和角色出现概率。
构建完成神经网络模型后,利用在步骤601中获取的第二训练样本集中的样本对该神经网络的模型参数进行训练,待所训练的神经网络模型满足第二训练结束条件后,根据满足第二训练结束条件的神经网络模型的模型结构和模型参数,构建投入实际应用的角色预测模型。
训练神经网络模型时,服务器可以从第二训练样本集中获取用于训练该神经网络模型的样本数据,将样本数据中对象在前T局对战中使用的角色序列输入该神经网络模型,该神经网络模型通过对在前T局对战中使用的角色序列进行分析处理,输出对象在第T+1局对战中预测使用的角色和角色预测出现概率。服务器将该样本数据中对象在第T+1局对战中真实使用的角色相应地转换为角色真实出现概率,根据神经网络模型输出的角色预测出现概率和角色真实出现概率之间误差构建损失函数,进而,根据该损失函数对神经网络模型中的模型参数进行调整,从而实现对该神经网络模型的优化,当神经网络模型满足第二训练结束条件时,即可根据当前神经网络模型的模型参数和模型结构,生成可以投入实际应用的角色预测模型。
具体判断上述神经网络模型是否满足第二训练结束条件时,可以利用测试样本对第一模型进行验证,该第一模型是利用第二训练样本集中的样本对神经网络模型进行第一轮训练优化得到的模型;具体的,服务器将测试样本中对象在前T局对战中使用的角色序列输入该第一模型,利用该第一模型对输入的对象在前T局对战中使用的角色序列进行相应地处理,得到对战在第T+1局对战中预测使用的角色和角色预测出现概率;进而,根据测试样本中对象在第T+1局中真实使用的角色生成角色真实出现概率,根据该角色真实出现概率与第一模型输出的角色预测出现概率计算角色预测准确率,当角色预测准确率大于预设阈值时,即可认为该第一模型的模型性能较好已能够满足需求,则可以根据该第一模型的模型参数和模型结构,生成角色预测模型。
需要说明的是,上述预设阈值可以根据实际情况进行设定,在此不对该预设阈值做具体限定。
此外,判断神经网络模型是否满足第二训练结束条件时,还可以根据经多轮训练得到的多个模型,确定是否继续对模型进行训练,以获得模型性能最优的角色预测模型。具体的,可以利用测试样本分别对经多轮训练得到的多个神经网络模型进行验证,判断经各轮训练得到的模型的角色预测准确率之间的差距较小,则认为神经网络模型的性能已经没有提升空间,可以选取角色预测准确率最高的神经网络模型,根据该神经网络模型的模型参数和模型结构,确定角色预测模型;若经各轮训练得到的神经网络模型的角色预测准确率之间具有较大的差距,则认为该神经网络模型的性能还有提升的空间,可继续对该神经网络模型进行训练,直到获得模型性能最稳定且最优的角色预测模型。
步骤603:根据胜负预测模型和角色预测模型确定匹配预测模型,该匹配预测模型包括胜负预测模型和角色预测模型。
训练得到满足第二训练结束条件的角色预测模型后,将其与满足第一训练结束条件的胜负预测模型结合起来构成匹配预测模型,利用该匹配预测模型根据输入的各种预测组合中各个对象各自对应的至少一种属性信息以及预测组合中各个对象在前T局对战中使用的角色序列,确定各种预测组合各自对应的胜负概率和预测组合中各个对象在第T+1局中的角色预测结果。
应理解,该匹配预测模型中的胜负预测模型和角色预测模型可以为独立的两个神经网络,各自实现其对应的功能;当然,该匹配预测模型中的胜负预测模型和角色预测模型也可以为同一个神经网络,即该神经网络能够同时实现胜负预测模型和角色预测模型所能够实现的功能。
采用上述匹配预测模型训练方法,利用第二训练样本集中的样本对预先构建的神经网络模型进行训练,该第二训练样本集中的样本包括对象在T+1局对战中使用的角色序列;根据满足第二训练结束条件的神经网络模型生成角色预测模型,并根据该角色预测模型和胜负预测模型生成匹配预测模型。该匹配预测模型能够同时预测各种预测组合对应的胜负概率和预测组合中各个对象在本场对战中使用的角色,从而便于服务器根据预测出的胜负概率和各个对象在本场对战中使用的角色,确定最终的目标匹配结果,保证该目标匹配结果中各队伍的实力相当,且保证参与对战的各个玩家能够按照自身意愿选择角色。
为了进一步理解本申请实施例提供的对象匹配方法,下面结合图7,对本申请实施例提供对象匹配方法进行整体介绍。
参见图7,图7为本申请实施例提供的对象匹配方法的整体工作架构示意图。如图7所示,该方法包括离线训练阶段和在线应用阶段。
在离线训练阶段,服务器从玩家离线数据库中获取参与同一场对战的各个玩家各自对应的至少一种属性信息,并且获取该场对战的对战结果,将各个玩家各自对应的至少一种属性信息和对战结果作为第一训练样本集中的样本数据,利用该第一样本集中的样本数据对神经网络模型进行训练,得到胜负预测模型;此外,服务器还可以从玩家离线数据库中获取某个玩家在T+1局对战中使用的角色序列,作为第二训练样本集中的样本数据,利用第二训练样本集中的样本数据对神经网络模型进行训练,得到角色预测模型。
需要说明的是,上述至少一种属性信息具体可以包括玩家的整体竞技状态信息、玩家的近期竞技状态信息、玩家的ELO排名***分、玩家的游戏段位、玩家的个人信息中至少一种;其中,玩家的个人信息包括玩家的自然属性信息和/或者玩家的游戏资产信息。
在在线应用阶段,服务器在接收到客户端发起的对战请求后,根据玩家的ELO分和/或玩家的游戏段位,从同一时段内发起对战请求的所有玩家中选取参与同一场对战的玩家,将参与这场对战的所有玩家作为待匹配对象集合,并根据各个玩家对应的玩家标识,从玩家离线数据库中获取各个玩家各自对应的至少一种属性信息以及各个玩家在前T局对战中使用的角色序列,添加至该待匹配对象集合中;进而,根据该待匹配对象集合,利用组合数计算公式生成M种预测组合。
将每种预测组合中各个玩家各自对应的至少一种属性信息以及各个玩家在前T局对战中使用的角色序列输入至匹配预测模型,匹配预测模型中的胜负预测模型相应地预测每种预测组合对应的对战胜负概率,匹配概率模型中的角色预测模型相应地预测每个玩家在本场对战中可能使用的角色,即角色预测结果。
进而,服务器根据匹配概率模型输出的每种预测组合对应的对战胜负概率和玩家在本场对战中可能使用的角色,确定目标匹配结果,即确定游戏分别结果,并将该目标匹配结果相应地返回至客户端,以使玩家获知游戏分别结果,并参与游戏对战。
针对上文描述的对象匹配方法,本申请还提供了对应的对象匹配装置,以使上述对象匹配方法在实际中的应用以及实现。
参见图8,图8是与上文图2所示的对象匹配方法对应的一种对象匹配装置800的结构示意图,该对象票装置800包括:
获取模块801,用于获取待匹配对象集合,所述待匹配对象集合中包括至少两个待匹配对象,所述待匹配对象包含至少一种属性信息;
预测组合确定模块802,用于根据所述待匹配对象集合生成M种预测组合,M为正整数,其中,每种预测组合中包括至少两个队列,任一队列中至少包括一个待匹配对象;
预测模块803,用于通过匹配预测模型获取每种预测组合各自对应的匹配概率信息;其中,所述匹配预测模型包括胜负预测模型,所述胜负预测模型以至少两个队列中每个对象各自对应的至少一种属性信息为输入,以对战胜负概率为输出;
确定模块804,用于根据每种预测组合各自对应的匹配概率信息,确定目标匹配结果。
可选的,在图8所示的对象匹配装置的基础上,所述匹配预测模型还包括角色预测模型,所述角色预测模型以对象在前T局对战所使用的角色序列为输入,并以对象参与第T+1局对战所使用的角色以及所述角色出现概率为输出;
则所述预测模块803具体用于:
通过匹配预测模型中的胜负预测模型,获取每种预测组合各自对应的胜负概率,作为第一匹配概率信息;
通过匹配预测模型中的角色预测模型,获取每种预测组合中每个对象对应的角色预测结果,作为第二匹配概率信息;其中,所述角色预测结果用于表征对象在第T+1局中使用的角色以及角色出现概率;
则所述确定模块804具体用于:
按照预设胜负概率筛选条件、预设角色筛选条件以及所述每种预测组合各自对应的第一匹配概率信息和第二匹配概率信息,从所述M种预测组合中选P种预测组合,其中,所述P为小于或等于所述M的正整数;
从所述P种预测组合中获取一个预测组合,作为目标匹配结果。
可选的,在图8所示的对象匹配装置的基础上,所述获取模块801具体用于:
接收游戏应用服务器发送的匹配请求,所述匹配请求中包括2N个待匹配对象各自对应的至少一种属性信息,所述2N个待匹配对象是根据对象的游戏段位和/或埃洛排名***分确定的,其中,N为正整数;
从所述匹配请求中获取待匹配对象集合,所述待匹配对象集合中包括所述2N个待匹配对象。
可选的,在图8所示的对象匹配装置的基础上,所述预测组合确定模块802具体用于:
确定所述待匹配对象集合中待匹配对象的对象总个数;
根据所述对象总个数以及预设队内成员个数,通过组合数计算公式确定M种预测组合,所述M为组合数。
可选的,在图8所示的对象匹配装置的基础上,所述至少一种属性信息包括:对象的整体竞技状态信息、对象的近期竞技状态信息、对象的埃洛排名***分、对象的游戏段位、对象的个人信息中至少一种;其中,所述个人信息包括对象的自然属性信息和/或者对象的游戏资产信息。
上述本申请实施例提供的对象匹配装置中,服务器基于胜负预测模型对待匹配对象(例如游戏玩家)的实力进行建模以预测出预测组合对应的对战胜负概率,并基于各预测组合对应的胜负概率确定出目标匹配结果,即确定游戏对战的分边结果,能够有效地避免出现玩家实力差距悬殊的分边,优化玩家对战分组的匹配结果。
针对上文描述的模型训练方法,本申请实施例还提供了对应的模型训练装置,以便于上述模型训练方法在实际中的应用以及实现。
参见图9,图9是与上文图5所示的模型训练方法对应的一种模型训练装置900的结构示意图,该模型训练装置900包括:
训练样本确定模块901,用于确定第一训练样本集,所述第一训练样本集中的每个样本包括至少两个队伍中的每个对象各自对应的至少一种属性信息以及对战结果;
训练模块902,用于根据所述第一训练样本集中每个样本训练神经网络,以训练得到胜负预测模型,所述胜负预测模型以至少两个队伍中的每个对象各自对应的至少一种属性信息为输入,以对战胜负概率为输出;
模型确定模块903,用于根据所述胜负预测模型确定匹配预测模型。
可选的,在上述图9所示的模型训练装置的基础上,所述训练样本确定模块901,还用于确定第二训练样本集,所述第二训练样本集中的每个样本包括对象参与T+1局对战所使用的角色序列,T为大于等于1的正整数;
所述训练模块902,还用于根据所述第二训练样本集中每个样本训练神经网络,以训练得到角色预测模型,所述角色预测模型以对象在前T局对战所使用的角色序列为输入,并以对象参与第T+1局对战所使用的角色以及所述角色出现概率为输出;
则所述模型确定模块903具体用于:
根据所述胜负预测模型和所述角色预测模型确定匹配预测模型,所述匹配预测模型包括所述胜负预测模型和所述角色预测模型。
可选的,在上述图9所示的模型训练装置的基础上,所述训练样本确定模块901具体用于:
从游戏应用数据库中采集游戏对战信息,所述游戏对战信息包括参与一场对战的至少两个队伍中每个对象各自的对象标识以及该场对战的对战结果;
根据每个对象的对象标识获取与每个对象各自对应的参战数据,所述参战数据包括参战场次和对战结果,根据每个对象各自的参战数据确定每个对象各自对应的至少一种属性信息;
以参与一场对战的至少两个队伍中每个对象各自对应的至少一种属性信息和该场对战的对战结果为一个样本数据,采集至少一个样本数据生成第一训练样本集。
可选的,在上述图9所示的模型训练装置的基础上,所述至少一种属性信息包括:整体竞技状态信息、近期竞技状态信息、对象的埃洛排名***分、对象的游戏段位、对象的个人信息中至少一种;所述个人信息包括对象的自然属性信息和/或者对象的游戏资产信息。
上述模型训练装置利用第一训练样本集中的样本对预先构建的神经网络模型进行训练,该第一训练样本集中的样本包括参与对战的每个对象各自对应的至少一种属性信息和对战结果;最终根据满足第一训练结束条件的神经网络模型生成胜负预测模型,并将该胜负预测模型作为匹配预测模型。在训练过程中,基于参与对战的每个对象各自对应的至少一种属性信息对神经网络模型进行训练,能够保证该神经网络模型根据这些属性信息更准确地学习出能够反映对象实力的特征,进而,以此为基础,更准确地预测这些对象参与同一场对战的胜负概率。
本申请还提供了一种用于匹配对象的设备,该设备具体可以为服务器,参见图10,图10是本申请实施例提供的一种用于确定匹配结果的服务器结构示意图,该服务器1000可因配置或性能不同而产生比较大的差异,可以包括一个或一个以***处理器(centralprocessing units,CPU)1022(例如,一个或一个以上处理器)和存储器1032,一个或一个以上存储应用程序1042或数据1044的存储介质1030(例如一个或一个以上海量存储设备)。其中,存储器1032和存储介质1030可以是短暂存储或持久存储。存储在存储介质1030的程序可以包括一个或一个以上模块(图示没标出),每个模块可以包括对服务器中的一系列指令操作。更进一步地,中央处理器1022可以设置为与存储介质1030通信,在服务器1000上执行存储介质1030中的一系列指令操作。
服务器1000还可以包括一个或一个以上电源1026,一个或一个以上有线或无线网络接口1050,一个或一个以上输入输出接口1058,和/或,一个或一个以上操作***1041,例如Windows ServerTM,Mac OS XTM,UnixTM,LinuxTM,FreeBSDTM等等。
上述实施例中由服务器所执行的步骤可以基于该图10所示的服务器结构。
在用于确定匹配结果的服务器中,CPU 1022用于执行如下步骤:
获取待匹配对象集合,所述待匹配对象集合中包括至少两个待匹配对象,所述待匹配对象包含至少一种属性信息;
根据所述待匹配对象集合生成M种预测组合,M为正整数,其中,每种预测组合中包括至少两个队列,任一队列中至少包括一个待匹配对象;
通过匹配预测模型获取每种预测组合各自对应的匹配概率信息;其中,所述匹配预测模型包括胜负预测模型,所述胜负预测模型以至少两个队列中每个对象各自对应的至少一种属性信息为输入,以对战胜负概率为输出;
根据每种预测组合各自对应的匹配概率信息,确定目标匹配结果。
可选的,CPU1022还可以执行本申请实施例中对象匹配方法任一具体实现方式的方法步骤。
此外,本申请还提供了一种用于训练模型的设备,该设备具体可以为服务器,该服务器的结构与图10所示的用于确定匹配结果的服务器的结构类似,其中的CPU用于执行以下步骤:
确定第一训练样本集,所述第一训练样本集中的每个样本包括至少两个队伍中每个对象各自对应的至少一种属性信息以及对战结果;
根据所述第一训练样本集中每个样本训练神经网络,以训练得到胜负预测模型,所述胜负预测模型以至少两个队伍中的每个对象各自对应的至少一种属性信息为输入,以对战胜负概率为输出;
根据所述胜负预测模型确定匹配预测模型。
可选的,CPU还可以执行本申请实施例提供的模型训练方法任一具体实现方式的方法步骤。
本申请实施例还提供一种计算机可读存储介质,用于存储程序代码,该程序代码用于执行前述各个实施例所述的一种对象匹配方法中的任意一种实施方式,或者一种模型训练方法中的任意一种实施方式。
本申请实施例还提供一种包括指令的计算机程序产品,当其在计算机上运行时,使得计算机执行前述各个实施例所述的一种对象匹配方法中的任意一种实施方式,或者一种模型训练方法中的任意一种实施方式。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的***,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的***,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(英文全称:Read-OnlyMemory,英文缩写:ROM)、随机存取存储器(英文全称:Random Access Memory,英文缩写:RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (14)
1.一种对象匹配方法,其特征在于,包括:
获取待匹配对象集合,所述待匹配对象集合中包括至少两个待匹配对象,所述待匹配对象包含至少一种属性信息;
根据所述待匹配对象集合生成M种预测组合,M为正整数,其中,每种预测组合中包括至少两个队列,任一队列中至少包括一个待匹配对象;
通过匹配预测模型获取每种预测组合各自对应的匹配概率信息;其中,所述匹配预测模型包括胜负预测模型,所述胜负预测模型以至少两个队列中每个对象各自对应的至少一种属性信息为输入,以对战胜负概率为输出;
根据每种预测组合各自对应的匹配概率信息,确定目标匹配结果。
2.根据权利要求1所述方法,其特征在于,所述匹配预测模型还包括角色预测模型,所述角色预测模型以对象在前T局对战所使用的角色序列为输入,并以对象参与第T+1局对战所使用的角色以及所述角色出现概率为输出;
则所述通过匹配预测模型获取每种预测组合各自对应的匹配概率信息,包括:
通过匹配预测模型中的胜负预测模型,获取每种预测组合各自对应的胜负概率,作为第一匹配概率信息;
通过匹配预测模型中的角色预测模型,获取每种预测组合中每个对象对应的角色预测结果,作为第二匹配概率信息;其中,所述角色预测结果用于表征对象在第T+1局中使用的角色以及角色出现概率;
则所述根据每种预测组合各自对应的匹配概率信息,确定目标匹配结果,包括:
按照预设胜负概率筛选条件、预设角色筛选条件以及所述每种预测组合各自对应的第一匹配概率信息和第二匹配概率信息,从所述M种预测组合中选P种预测组合,其中,所述P为小于或等于所述M的正整数;
从所述P种预测组合中获取一个预测组合,作为目标匹配结果。
3.根据权利要求1所述方法,其特征在于,所述获取待匹配对象集合,包括:
接收游戏应用服务器发送的匹配请求,所述匹配请求中包括2N个待匹配对象各自对应的至少一种属性信息,所述2N个待匹配对象是根据对象的游戏段位和/或埃洛排名***分确定的,其中,N为正整数;
从所述匹配请求中获取待匹配对象集合,所述待匹配对象集合中包括所述2N个待匹配对象。
4.根据权利要求1所述方法,其特征在于,所述根据所述待匹配对象集合生成M种预测组合,包括:
确定所述待匹配对象集合中待匹配对象的对象总个数;
根据所述对象总个数以及预设队内成员个数,通过组合数计算公式确定M种预测组合,所述M为组合数。
5.根据权利要求1所述方法,其特征在于,所述至少一种属性信息包括:对象的整体竞技状态信息、对象的近期竞技状态信息、对象的埃洛排名***分、对象的游戏段位、对象的个人信息中至少一种;其中,所述个人信息包括对象的自然属性信息和/或者对象的游戏资产信息。
6.一种模型训练方法,其特征在于,包括:
确定第一训练样本集,所述第一训练样本集中的每个样本包括至少两个队伍中每个对象各自对应的至少一种属性信息以及对战结果;
根据所述第一训练样本集中每个样本训练神经网络,以训练得到胜负预测模型,所述胜负预测模型以至少两个队伍中的每个对象各自对应的至少一种属性信息为输入,以对战胜负概率为输出;
根据所述胜负预测模型确定匹配预测模型。
7.根据权利要求6所述方法,其特征在于,所述方法还包括:
确定第二训练样本集,所述第二训练样本集中的每个样本包括对象参与T+1局对战所使用的角色序列,T为大于等于1的正整数;
根据所述第二训练样本集中每个样本训练神经网络,以训练得到角色预测模型,所述角色预测模型以对象在前T局对战所使用的角色序列为输入,并以对象参与第T+1局对战所使用的角色以及所述角色出现概率为输出;
则所述根据所述胜负预测模型确定匹配预测模型,包括:
根据所述胜负预测模型和所述角色预测模型确定匹配预测模型,所述匹配预测模型包括所述胜负预测模型和所述角色预测模型。
8.根据权利要求6或7所述方法,其特征在于,所述确定第一训练样本集,包括:
从游戏应用数据库中采集游戏对战信息,所述游戏对战信息包括参与一场对战的至少两个队伍中每个对象各自的对象标识以及该场对战的对战结果;
根据每个对象的对象标识获取与每个对象各自对应的参战数据,所述参战数据包括参战场次和对战结果,根据每个对象各自的参战数据确定每个对象各自对应的至少一种属性信息;
以参与一场对战的至少两个队伍中每个对象各自对应的至少一种属性信息和该场对战的对战结果为一个样本数据,采集至少一个样本数据生成第一训练样本集。
9.根据权利要求6或7所述方法,其特征在于,所述至少一种属性信息包括:对象的整体竞技状态信息、对象的近期竞技状态信息、对象的埃洛排名***分、对象的游戏段位、对象的个人信息中至少一种;所述个人信息包括对象的自然属性信息和/或者对象的游戏资产信息。
10.一种对象匹配装置,其特征在于,所述装置包括:
获取模块,用于获取待匹配对象集合,所述待匹配对象集合中包括至少两个待匹配对象,所述待匹配对象包含至少一种属性信息;预测组合确定模块,用于根据所述待匹配对象集合生成M种预测组合,M为正整数,其中,每种预测组合中包括至少两个队列,任一队列中至少包括一个待匹配对象;
预测模块,用于通过匹配预测模型获取每种预测组合各自对应的匹配概率信息;其中,所述匹配预测模型包括胜负预测模型,所述胜负预测模型以至少两个队列中每个对象各自对应的至少一种属性信息为输入,以对战胜负概率为输出;
确定模块,用于根据每种预测组合各自对应的匹配概率信息,确定目标匹配结果。
11.一种模型训练装置,其特征在于,所述装置包括:
训练样本确定模块,用于确定第一训练样本集,所述第一训练样本集中的每个样本包括至少两个队伍中的每个对象各自对应的至少一种属性信息以及对战结果;
训练模块,用于根据所述第一训练样本集中每个样本训练神经网络,以训练得到胜负预测模型,所述胜负预测模型以至少两个队伍中的每个对象各自对应的至少一种属性信息为输入,以对战胜负概率为输出;
模型确定模块,用于根据所述胜负预测模型确定匹配预测模型。
12.一种服务器,其特征在于,所述服务器包括处理器以及存储器:
所述存储器用于存储程序代码,并将所述程序代码传输给所述处理器;
所述处理器用于根据所述程序代码中的指令执行权利要求1至5任一项所述的对象匹配方法。
13.一种服务器,其特征在于,所述服务器包括包括处理器以及存储器:
所述存储器用于存储程序代码,并将所述程序代码传输给所述处理器;
所述处理器用于根据所述程序代码中的指令执行权利要求6至9任一项所述的模型训练方法。
14.一种计算机可读存储介质,包括指令,当其在计算机上运行时,使得计算机执行如权利要求1至5中任一项所述的对象匹配方法,或者执行如权利要求6至9中任一项所述的模型训练方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811408426.5A CN109513215B (zh) | 2018-11-23 | 2018-11-23 | 一种对象匹配方法、模型训练方法以及服务器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811408426.5A CN109513215B (zh) | 2018-11-23 | 2018-11-23 | 一种对象匹配方法、模型训练方法以及服务器 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109513215A true CN109513215A (zh) | 2019-03-26 |
CN109513215B CN109513215B (zh) | 2022-04-12 |
Family
ID=65777476
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811408426.5A Active CN109513215B (zh) | 2018-11-23 | 2018-11-23 | 一种对象匹配方法、模型训练方法以及服务器 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109513215B (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110025962A (zh) * | 2019-04-22 | 2019-07-19 | 深圳市腾讯网域计算机网络有限公司 | 对象匹配的方法、装置、设备及存储介质 |
CN110333994A (zh) * | 2019-07-08 | 2019-10-15 | 深圳乐信软件技术有限公司 | 一种数据集匹配的模型确定方法、装置、设备及存储介质 |
CN110772797A (zh) * | 2019-10-29 | 2020-02-11 | 腾讯科技(深圳)有限公司 | 一种数据处理方法、装置、服务器及可存储介质 |
CN110782091A (zh) * | 2019-10-25 | 2020-02-11 | 广州华多网络科技有限公司 | 用户匹配结果的计算方法、装置、计算机可读介质及设备 |
CN111185015A (zh) * | 2019-12-17 | 2020-05-22 | 同济大学 | 用于优化十人在线竞技游戏匹配机制的方法 |
CN111359227A (zh) * | 2020-03-08 | 2020-07-03 | 北京智明星通科技股份有限公司 | 一种对战游戏中对战胜负率的预测方法、装置及设备 |
CN111881940A (zh) * | 2020-06-29 | 2020-11-03 | 广州华多网络科技有限公司 | 直播连麦匹配方法、装置、电子设备及存储介质 |
CN112090085A (zh) * | 2020-08-20 | 2020-12-18 | 完美世界(重庆)互动科技有限公司 | 显示信息的调整方法及装置、存储介质、计算设备 |
CN112245936A (zh) * | 2020-10-30 | 2021-01-22 | 北京达佳互联信息技术有限公司 | 账号匹配方法、装置及服务器 |
CN112426723A (zh) * | 2020-05-20 | 2021-03-02 | 上海哔哩哔哩科技有限公司 | 一种游戏监控的方法与设备 |
CN112619158A (zh) * | 2020-12-30 | 2021-04-09 | 完美世界(重庆)互动科技有限公司 | 虚拟事件的匹配方法及装置、存储介质、电子装置 |
CN113111225A (zh) * | 2021-03-28 | 2021-07-13 | 根尖体育科技(北京)有限公司 | 用于篮球赛事的自动匹配组队方法 |
CN114307168A (zh) * | 2021-12-30 | 2022-04-12 | 北京字跳网络技术有限公司 | 组队匹配方法、装置、***、设备及介质 |
CN114935893A (zh) * | 2022-07-27 | 2022-08-23 | 白杨时代(北京)科技有限公司 | 基于双层模型的作战场景中飞机的动作控制方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106033487A (zh) * | 2015-03-09 | 2016-10-19 | 腾讯科技(深圳)有限公司 | 用户匹配方法及装置 |
CN107158708A (zh) * | 2016-03-08 | 2017-09-15 | 电子技术公司 | 多玩家视频游戏匹配优化 |
CN108159705A (zh) * | 2017-12-06 | 2018-06-15 | 腾讯科技(深圳)有限公司 | 对象的匹配方法、装置、存储介质和电子装置 |
CN108392828A (zh) * | 2018-03-16 | 2018-08-14 | 深圳冰川网络股份有限公司 | 一种针对moba类游戏的玩家在线匹配方法和*** |
-
2018
- 2018-11-23 CN CN201811408426.5A patent/CN109513215B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106033487A (zh) * | 2015-03-09 | 2016-10-19 | 腾讯科技(深圳)有限公司 | 用户匹配方法及装置 |
CN107158708A (zh) * | 2016-03-08 | 2017-09-15 | 电子技术公司 | 多玩家视频游戏匹配优化 |
CN108159705A (zh) * | 2017-12-06 | 2018-06-15 | 腾讯科技(深圳)有限公司 | 对象的匹配方法、装置、存储介质和电子装置 |
CN108392828A (zh) * | 2018-03-16 | 2018-08-14 | 深圳冰川网络股份有限公司 | 一种针对moba类游戏的玩家在线匹配方法和*** |
Non-Patent Citations (1)
Title |
---|
林昉、高波: "面向游戏体验的玩家匹配综述", 《现代计算机》 * |
Cited By (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110025962A (zh) * | 2019-04-22 | 2019-07-19 | 深圳市腾讯网域计算机网络有限公司 | 对象匹配的方法、装置、设备及存储介质 |
CN110025962B (zh) * | 2019-04-22 | 2022-03-18 | 深圳市腾讯网域计算机网络有限公司 | 对象匹配的方法、装置、设备及存储介质 |
CN110333994A (zh) * | 2019-07-08 | 2019-10-15 | 深圳乐信软件技术有限公司 | 一种数据集匹配的模型确定方法、装置、设备及存储介质 |
CN110333994B (zh) * | 2019-07-08 | 2023-06-06 | 深圳乐信软件技术有限公司 | 一种数据集匹配的模型确定方法、装置、设备及存储介质 |
CN110782091A (zh) * | 2019-10-25 | 2020-02-11 | 广州华多网络科技有限公司 | 用户匹配结果的计算方法、装置、计算机可读介质及设备 |
CN110782091B (zh) * | 2019-10-25 | 2021-02-12 | 广州方硅信息技术有限公司 | 用户匹配结果的计算方法、装置、计算机可读介质及设备 |
CN110772797B (zh) * | 2019-10-29 | 2021-09-28 | 腾讯科技(深圳)有限公司 | 一种数据处理方法、装置、服务器及可存储介质 |
CN110772797A (zh) * | 2019-10-29 | 2020-02-11 | 腾讯科技(深圳)有限公司 | 一种数据处理方法、装置、服务器及可存储介质 |
CN111185015A (zh) * | 2019-12-17 | 2020-05-22 | 同济大学 | 用于优化十人在线竞技游戏匹配机制的方法 |
CN111185015B (zh) * | 2019-12-17 | 2022-07-08 | 同济大学 | 用于优化十人在线竞技游戏匹配机制的方法 |
CN111359227A (zh) * | 2020-03-08 | 2020-07-03 | 北京智明星通科技股份有限公司 | 一种对战游戏中对战胜负率的预测方法、装置及设备 |
CN112426723B (zh) * | 2020-05-20 | 2023-04-21 | 上海哔哩哔哩科技有限公司 | 一种游戏监控的方法与设备 |
CN112426723A (zh) * | 2020-05-20 | 2021-03-02 | 上海哔哩哔哩科技有限公司 | 一种游戏监控的方法与设备 |
CN111881940A (zh) * | 2020-06-29 | 2020-11-03 | 广州华多网络科技有限公司 | 直播连麦匹配方法、装置、电子设备及存储介质 |
CN111881940B (zh) * | 2020-06-29 | 2023-11-24 | 广州方硅信息技术有限公司 | 直播连麦匹配方法、装置、电子设备及存储介质 |
CN112090085A (zh) * | 2020-08-20 | 2020-12-18 | 完美世界(重庆)互动科技有限公司 | 显示信息的调整方法及装置、存储介质、计算设备 |
CN112090085B (zh) * | 2020-08-20 | 2024-01-09 | 完美世界(重庆)互动科技有限公司 | 显示信息的调整方法及装置、存储介质、计算设备 |
CN112245936A (zh) * | 2020-10-30 | 2021-01-22 | 北京达佳互联信息技术有限公司 | 账号匹配方法、装置及服务器 |
CN112245936B (zh) * | 2020-10-30 | 2024-04-16 | 北京达佳互联信息技术有限公司 | 账号匹配方法、装置及服务器 |
CN112619158A (zh) * | 2020-12-30 | 2021-04-09 | 完美世界(重庆)互动科技有限公司 | 虚拟事件的匹配方法及装置、存储介质、电子装置 |
CN112619158B (zh) * | 2020-12-30 | 2024-04-19 | 完美世界(重庆)互动科技有限公司 | 虚拟事件的匹配方法及装置、存储介质、电子装置 |
CN113111225A (zh) * | 2021-03-28 | 2021-07-13 | 根尖体育科技(北京)有限公司 | 用于篮球赛事的自动匹配组队方法 |
CN114307168A (zh) * | 2021-12-30 | 2022-04-12 | 北京字跳网络技术有限公司 | 组队匹配方法、装置、***、设备及介质 |
CN114307168B (zh) * | 2021-12-30 | 2024-05-28 | 北京字跳网络技术有限公司 | 组队匹配方法、装置、***、设备及介质 |
CN114935893A (zh) * | 2022-07-27 | 2022-08-23 | 白杨时代(北京)科技有限公司 | 基于双层模型的作战场景中飞机的动作控制方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN109513215B (zh) | 2022-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109513215A (zh) | 一种对象匹配方法、模型训练方法以及服务器 | |
Xue et al. | Dynamic difficulty adjustment for maximized engagement in digital games | |
CN107970608B (zh) | 关卡游戏的设置方法和装置、存储介质、电子装置 | |
CN109603159A (zh) | 匹配游戏玩家的方法、装置及*** | |
JP2024026285A (ja) | クラウドゲーミングネットワークを使用した人工知能(ai)モデルの訓練 | |
Gray et al. | Human-level performance in no-press diplomacy via equilibrium search | |
US20090181777A1 (en) | Network computer game linked to real-time financial data | |
CN107158708A (zh) | 多玩家视频游戏匹配优化 | |
US9504921B1 (en) | System and method for predicting payer dormancy through the use of a test bed environment | |
US20150005054A1 (en) | System and method for facilitating gifting of virtual items between users in a game | |
CN111738294B (zh) | Ai模型的训练方法、使用方法、计算机设备及存储介质 | |
CN112891942B (zh) | 获取虚拟道具的方法、装置、设备及介质 | |
WO2019085823A1 (zh) | 游戏信息的确定方法和装置、存储介质、电子装置 | |
CN108776944A (zh) | 一种用于网络竞赛式学习的数据处理***和方法 | |
CN111569429A (zh) | 模型训练方法、模型使用方法、计算机设备及存储介质 | |
CN110152304A (zh) | 获胜值的确定方法及装置、存储介质及电子装置 | |
CN109453524A (zh) | 一种对象匹配的方法、模型训练的方法及服务器 | |
CN110598853B (zh) | 一种模型训练的方法、信息处理的方法以及相关装置 | |
CN110152302A (zh) | 牌类游戏的手牌生成和聚类方法、设备以及处理器 | |
CN109731338A (zh) | 游戏中的人工智能训练方法及装置、存储介质及电子装置 | |
CN115944921B (zh) | 游戏数据处理方法、装置、设备及介质 | |
US10991203B2 (en) | System and method for implementing a refund calculator in a game | |
Anderson et al. | Ensemble decision systems for general video game playing | |
CN108874377B (zh) | 一种数据处理方法、装置和存储介质 | |
Dehpanah et al. | Evaluating team skill aggregation in online competitive games |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |