CN111176758A - 配置参数的推荐方法、装置、终端及存储介质 - Google Patents
配置参数的推荐方法、装置、终端及存储介质 Download PDFInfo
- Publication number
- CN111176758A CN111176758A CN201911415084.4A CN201911415084A CN111176758A CN 111176758 A CN111176758 A CN 111176758A CN 201911415084 A CN201911415084 A CN 201911415084A CN 111176758 A CN111176758 A CN 111176758A
- Authority
- CN
- China
- Prior art keywords
- game
- configuration parameters
- terminal
- configuration
- recommended
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/44—Arrangements for executing specific programs
- G06F9/445—Program loading or initiating
- G06F9/44505—Configuring for program initiating, e.g. using registry, configuration files
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请公开了一种配置参数的推荐方法、装置、终端及存储介质。所述方法包括:在终端运行游戏应用程序的过程中,实时获取游戏配置参数、终端配置参数和游戏运行数据;通过配置推荐模型根据游戏配置参数、终端配置参数和游戏运行数据,确定推荐游戏配置参数和推荐终端配置参数;将推荐游戏配置参数发送给游戏应用程序,以及将推荐终端配置参数发送给操作***。本申请实现了在游戏运行过程中,实时动态地推荐游戏配置参数和终端配置参数,相较于相关技术中静态地确定配置参数,本申请实施例提供的技术方案可以实时动态地推荐配置参数,提升了配置参数推荐的灵活性和准确性。
Description
技术领域
本申请实施例涉及人工智能技术领域,特别涉及一种配置参数的推荐方法、装置、终端及存储介质。
背景技术
目前,诸如手机、平板电脑之类的终端中,可以安装各种游戏应用程序。随着游戏应用程序的功能越来越丰富,其对终端配置的要求也越来越高。
在相关技术中,会基于大量的用户历史数据结合人工经验,向游戏应用程序提供推荐游戏配置参数和推荐终端配置参数,如推荐游戏配置参数可以包括推荐的画面品质、帧数设置、抗锯齿等参数,如推荐终端配置参数可以包括推荐的CPU(Central ProcessingUnit,中央处理器)挡位、GPU(Graphics Processing Unit,图形处理器)挡位、最大帧率等参数。终端在运行上述游戏应用程序的过程中,可以按照上述推荐游戏配置参数和推荐终端配置参数进行运行,以尽可能地提升游戏性能。
上述相关技术提供的方案,基于大量的用户历史数据结合人工经验确定推荐的配置参数,准确性不高。
发明内容
本申请实施例提供了一种配置参数的推荐方法、装置、终端及存储介质,可用于解决相关技术基于大量的用户历史数据结合人工经验确定推荐的配置参数,准确性不高的技术问题。所述技术方案如下:
一方面,本申请实施例提供了一种配置参数的推荐方法,所述方法包括:
在终端运行游戏应用程序的过程中,实时获取游戏配置参数、终端配置参数和游戏运行数据;
通过配置推荐模型根据所述游戏配置参数、所述终端配置参数和所述游戏运行数据,确定推荐游戏配置参数和推荐终端配置参数;
将所述推荐游戏配置参数发送给所述游戏应用程序,以及将所述推荐终端配置参数发送给操作***。
另一方面,本申请实施例提供了一种配置参数的推荐装置,所述装置包括:
数据获取模块,用于在终端运行游戏应用程序的过程中,实时获取游戏配置参数、终端配置参数和游戏运行数据;
参数确定模块,用于通过配置推荐模型根据所述游戏配置参数、所述终端配置参数和所述游戏运行数据,确定推荐游戏配置参数和推荐终端配置参数;
参数发送模块,用于将所述推荐游戏配置参数发送给所述游戏应用程序,以及将所述推荐终端配置参数发送给操作***。
再一方面,本申请实施例提供了一种终端,所述终端包括处理器和存储器,所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现上述配置参数的推荐方法。
又一方面,本申请实施例提供了一种计算机可读存储介质,所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现上述配置参数的推荐方法。
还一方面,本申请实施例提供了一种计算机程序产品,当所述计算机程序产品在计算机设备上运行时,使得计算机设备执行上述配置参数的推荐方法。
本申请实施例提供的技术方案可以带来如下有益效果:
通过在终端运行游戏应用程序的过程中,实时获取游戏配置参数、终端配置参数和游戏运行数据,通过配置推荐模型根据上述数据确定推荐游戏配置参数和推荐终端配置参数,然后将推荐游戏配置参数发送给游戏应用程序,以及将推荐终端配置参数发送给操作***;实现了在游戏运行过程中,实时动态地推荐游戏配置参数和终端配置参数,相较于相关技术中静态地确定配置参数,本申请实施例提供的技术方案可以实时动态地推荐配置参数,提升了配置参数推荐的灵活性和准确性。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本申请一个实施例提供的感知机模型的示意图;
图2是本申请一个实施例提供的神经网络模型的示意图;
图3是本申请另一个实施例提供的神经网络模型的示意图;
图4是本申请一个实施例提供的DNN模型的示意图;
图5和图6是本申请一个实施例提供的3层DNN模型的示意图;
图7是本申请一个实施例提供的***架构的示意图;
图8是本申请一个实施例提供的配置参数的推荐方法的流程图;
图9是本申请一个实施例提供的模型训练过程的示意图;
图10是本申请一个实施例提供的方案整体流程的示意图;
图11是本申请一个实施例提供的配置界面的示意图;
图12是本申请一个实施例提供的配置参数的推荐装置的框图;
图13是本申请另一个实施例提供的配置参数的推荐装置的框图;
图14是本申请一个实施例提供的终端的结构框图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请实施方式作进一步地详细描述。
AI(Artificial Intelligence,人工智能)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用***。换句话说,人工智能是计算机科学的一个综合技术,它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法,使机器具有感知、推理与决策的功能。
人工智能技术是一门综合学科,涉及领域广泛,既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互***、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
ML(Machine Learning,机器学习)是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为,以获取新的知识或技能,重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心,是使计算机具有智能的根本途径,其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、示教学习等技术。
随着人工智能技术研究和进步,人工智能技术在多个领域展开研究和应用,例如常见的智能家居、智能穿戴设备、虚拟助理、智能音箱、智能营销、无人驾驶、自动驾驶、无人机、机器人、智能医疗、智能客服等,相信随着技术的发展,人工智能技术将在更多的领域得到应用,并发挥越来越重要的价值。
本申请实施例提供的方案涉及人工智能的机器学习技术,提供了一种配置参数的推荐方法,通过基于机器学习技术训练得到配置推荐模型,然后通过该配置推荐模型实时动态地生成推荐配置参数(包括推荐游戏配置参数和推荐终端配置参数),以供终端侧和游戏侧实时地对游戏性能优化做决策参考,使得终端在运行游戏应用程序时,可以采用更加合理合适的游戏配置参数和终端配置参数进行运行,在最大化利用终端资源的同时,能有效地提升用户的游戏体验。
本申请实施例中涉及的配置推荐模型可以是基于神经网路构建的机器学习模型,如基于DNN(Deep Neural Networks,深度神经网络)构建。
神经网络技术起源于上世纪五、六十年代,当时叫感知机(perceptron),拥有输入层、输出层和一个隐含层(或称为隐藏层)。输入的特征向量通过隐含层变换达到输出层,在输出层得到分类结果。但是,Rosenblatt的单层感知机有一个严重得不能再严重的问题,即它对稍复杂一些的函数都无能为力(比如最为典型的“异或”操作)。当前多数分类、回归等学习方法为浅层结构算法,其局限性在于有限样本和计算单元情况下对复杂函数的表示能力有限,针对复杂分类问题其泛化能力受到一定制约。
随着数学的发展,这个缺点直到上世纪八十年代才被Rumelhart、Williams、Hinton、LeCun等人发明的多层感知机(multilayer perceptron)克服。多层感知机,顾名思义,就是有多个隐含层的感知机。
多层感知机可以摆脱早期离散传输函数的束缚,使用sigmoid或tanh等连续函数模拟神经元对激励的响应,在训练算法上则使用Werbos发明的BP(Back Propagation,反向传播)算法。这种深度神经网络可通过学习一种深层非线性网络结构,实现复杂函数逼近,表征输入数据分布式表示,并展现了强大的从少数样本集中学习数据集本质特征的能力。
多层感知机解决了之前无法模拟异或逻辑的缺陷,同时更多的层数也让网络更能够刻画现实世界中的复杂情形。多层感知机给我们带来的启示是,神经网络的层数直接决定了它对现实的刻画能力——利用每层更少的神经元拟合更加复杂的函数。
随着神经网络层数的加深,优化函数越来越容易陷入局部最优解,并且这个“陷阱”越来越偏离真正的全局最优。利用有限数据训练的深层网络,性能还不如较浅层网络。同时,另一个不可忽略的问题是随着网络层数增加,“梯度消失”现象更加严重。具体来说,我们常常使用sigmoid作为神经元的输入输出函数。对于幅度为1的信号,在BP反向传播梯度时,每传递一层,梯度衰减为原来的0.25。层数一多,梯度指数衰减后低层基本上接受不到有效的训练信号。
深度学习的实质,是通过构建具有很多隐含层的机器学习模型和海量的训练数据,来学习更有用的特征,从而最终提升分类或预测的准确性。因此,“深度模型”是手段,“特征学习”是目的。区别于传统的浅层学习,深度学习的不同在于:1)强调了模型结构的深度,通常有5层、6层,甚至10多层的隐含层节点;2)明确突出了特征学习的重要性,也就是说,通过逐层特征变换,将样本在原空间的特征表示变换到一个新特征空间,从而使分类或预测更加容易。与人工规则构造特征的方法相比,利用大数据来学习特征,更能够刻画数据的丰富内在信息。
下面,对DNN的数学原理进行介绍说明,我们从感知机到神经网络进行说明:
感知机的模型,它是一个有若干输入和一个输出的模型,如图1所示,输出和输入之间学习到一个线性关系,得到中间输出结果:
其中,m表示输入的数量,xi表示第i个输入,wi表示第i个输入xi对应的线性关系系数,b为偏倚,z表示输出,i为小于或等于m的正整数。
接着是一个神经元激活函数:
从而得到想要的结果1或者-1。
这个模型只能用于二元分类,且无法学习比较复杂的非线性模型,因此在工业界无法使用。而神经网络则在感知机的模型上做了扩展,总结下主要有三点:
(1)加入了隐藏层,隐藏层可以有多层,增强模型的表达能力,如图2所示,输入层和输出层之间包括2个隐藏层。当然增加了这么多隐藏层模型的复杂度也增加了好多。
(2)输出层的神经元也可以不止一个输出,可以有多个输出,这样模型可以灵活的应用于分类回归,以及其他的机器学习领域,比如降维和聚类等。多个神经元输出的输出层对应的一个实例如图3所示,输出层包括4个神经元。
(3)对激活函数做扩展,感知机的激活函数是sign(z),虽然简单但是处理能力有限,因此神经网络中一般使用其他的激活函数,比如我们在逻辑回归里面使用过的Sigmoid函数,即:
还有后来出现的tanx,softmax和ReLU等。通过使用不同的激活函数,神经网络的表达能力进一步增强。
下面,对DNN的基本结构进行介绍说明。
神经网络是基于感知机的扩展,而DNN可以理解为有很多隐藏层的神经网络。多层神经网络和DNN其实也是指的一个东西,DNN有时也叫做MLP(Multi-Layer Perceptron,多层感知机)。
从DNN按不同层的位置划分,DNN内部的神经网络层可以分为三类,输入层,隐藏层和输出层,如图4所示,一般来说第一层是输入层,最后一层是输出层,而中间的层数都是隐藏层。
由于DNN层数多,则我们的线性关系系数w和偏倚b的数量也就是很多了。下面对上述两个参数在DNN中的定义进行介绍说明。
首先看线性关系系数w的定义。以图5所示的一个三层的DNN为例,第二层的第4个神经元到第三层的第2个神经元的线性关系定义为上标3代表线性系数w所在的层数,而下标对应的是输出的第三层索引2和输入的第二层索引4。你也许会问,为什么不是呢?这主要是为了便于模型用于矩阵表示运算,如果是而每次进行矩阵运算是ωTx+b,需要进行转置。将输出的索引放在前面的话,则线性运算不用转置,即直接为ωx+b。第l-1层的第k个神经元到第l层的第j个神经元的线性系数定义为注意,输入层是没有ω参数的。
再看偏倚b的定义。还是以三层的DNN为例,如图6所示,第二层的第三个神经元对应的偏倚定义为其中,上标2代表所在的层数,下标3代表偏倚所在的神经元的索引。同样的道理,第三层的第一个神经元的偏倚应该表示为同样的,输出层是没有偏倚参数的。
本申请实施例提供的方法,各步骤的执行主体可以是终端,该终端可以是手机、平板电脑、游戏设备、多媒体播放设备、可穿戴设备、PC(Personal Computer)等电子设备。终端中可以安装游戏应用程序的客户端,在本申请实施例中,对游戏应用程序的类型不作限定,例如其可以是射击类游戏、MOBA(Multiplayer Online Battle Arena,多人在线战术竞技)类游戏、RPG(Role-playing Game,角色扮演游戏)等等。
请参考图7,其示出了本申请一个实施例提供的***架构的示意图。如图7所示,该***架构可以包括:大数据平台10和终端20。
大数据平台10可以包括:数据平台11和模型训练平台12。数据平台11是一个用于负责数据存储、计算、分析的平台,负责将游戏客户端上报的数据进行清洗并存储至数据仓库。其中,数据仓库可以是HDFS(Hadoop Distributed File System,Hadoop分布式文件***)。模型训练平台12用于周期性地从数据平台11的数据仓库中提取数据构建训练样本,通过训练样本对配置推荐模型进行离线训练,该配置推荐模型可以是DNN模型。
终端20的处理器21运行有游戏应用程序(也即游戏应用程序的客户端),该游戏应用程序可以包括性能优化SDK(Software Development Kit,软件开发工具包)模块22,该性能优化SDK模块22是用于实现本申请方法流程的功能模块。
如图7所示,该性能优化SDK模块22可以包括实时计算模块221和数据采集模块222。实时计算模块221从后台(也即模型训练平台12)获取经离线训练好的配置推荐模型,通过该配置推荐模型实时计算游戏推荐配置参数和终端推荐配置参数,并将游戏推荐配置参数发送给游戏应用程序,以及将终端推荐配置参数发送给终端的操作***。该数据采集模块222用于在终端运行该游戏应用程序的过程中,实时获取游戏配置参数、终端配置参数和游戏运行数据,将上述数据上报给数据平台11,以使得模型训练平台12采用离线方式对配置推荐模型进行更新。另外,实时计算模块221还用于采用上述数据对终端本地的配置推荐模型进行实时更新。
可选地,模型训练平台12可以是TensorFlow平台,TensorFlow平台是一个端到端开源机器学习平台。它拥有一个包含各种工具、库和社区资源的全面灵活生态***,可以让研究人员推动机器学习领域的先进技术的发展,并让开发者轻松地构建和部署由机器学习提供支持的应用。相应地,上述性能优化SDK模块中集成有TensorFlow Lite,TensorFlowLite是一种用于设备端推断的开源深度学习框架。TensorFlow Lite是一组工具,用于帮助开发人员在移动、嵌入式和物联网设备上运行TensorFlow模型。它支持在设备上的机器学习推理,具有低延迟和小二进制大小。
请参考图8,其示出了本申请一个实施例提供的配置参数的推荐方法的流程图,该方法的执行主体可以是终端的处理器,该方法可以包括如下几个步骤(801~803):
步骤801,在终端运行游戏应用程序的过程中,实时获取游戏配置参数、终端配置参数和游戏运行数据。
游戏配置参数是指游戏应用程序的可配置的参数,包括但不限于以下至少一项:画面品质、帧数设置、画面风格、抗锯齿、阴影等参数。
终端配置参数是指终端的可配置的参数,包括但不限于以下至少一项:CPU挡位、GPU挡位、游戏场景保持时间、游戏场景重要等级、最大帧率等参数。
游戏运行数据是指游戏应用程序在运行过程中的实时相关数据,包括但不限于以下至少一项:场景标识、目标帧率、当前帧率、地图标识、游戏同屏人数、内存使用率、CPU使用率、终端温度等。游戏运行数据会随着游戏进程实时动态地改变。例如,会从A场景切换至B场景,游戏同屏人数从2变为3,等等。
在本申请实施例中,对游戏配置参数、终端配置参数和游戏运行数据的获取周期不作限定。例如,游戏配置参数可以在每一次更新之后获取一次,如游戏配置参数每5秒更新一次,那么游戏配置参数的获取周期也就是5秒;终端配置参数也可以在每一次更新之后获取一次,如终端配置参数每100毫秒更新一次,那么终端配置参数的获取频率也就是100毫秒;游戏运行数据由于是实时动态变化的,因此游戏运行数据的获取周期相较于游戏配置参数和终端配置参数的获取周期更短,如游戏运行数据的获取周期可以是5毫秒。当然,上述关于游戏配置参数、终端配置参数和游戏运行数据的获取周期的介绍说明仅是示例性和解释性的,实际应用中可以根据实际需求进行合理设置,本申请实施例对此不作限定。
步骤802,通过配置推荐模型根据游戏配置参数、终端配置参数和游戏运行数据,确定推荐游戏配置参数和推荐终端配置参数。
配置推荐模型是用于计算推荐游戏配置参数和推荐终端配置参数的机器学习模型。可选地,配置推荐模型可以是DNN模型,也即该配置推荐模型可以基于DNN构建。通过对配置推荐模型进行训练,使得其具备计算推荐游戏配置参数和推荐终端配置参数的能力,从而能够根据游戏配置参数、终端配置参数和游戏运行数据,计算出推荐游戏配置参数和推荐终端配置参数。
推荐游戏配置参数是指推荐的(或称为建议的)游戏配置参数,同样地,推荐游戏配置参数包括但不限于以下至少一项:画面品质、帧数设置、画面风格、抗锯齿、阴影等参数。
推荐终端配置参数是指推荐的(或称为建议的)终端配置参数,同样地,推荐终端配置参数包括但不限于以下至少一项:CPU挡位、GPU挡位、游戏场景保持时间、游戏场景重要等级、最大帧率等参数。
由于游戏配置参数和终端配置参数可以随着时间维度进行调整,因此基于一个历史时段内已有的游戏配置参数、终端配置参数和游戏运行数据,可以计算出未来某一目标时段内的推荐游戏配置参数和推荐终端配置参数。
需要说明的一点是,在本申请实施例中,由于游戏配置参数、终端配置参数和游戏运行数据,是处理器在终端运行游戏应用程序的过程中实时获取的,因此处理器也可以通过配置推荐模型实时地确定出推荐游戏配置参数和推荐终端配置参数。也即,在运行游戏应用程序的过程中,依据不断更新的数据,不断地计算出新的推荐游戏配置参数和新的推荐终端配置参数,进而实现游戏配置参数和终端配置参数的实时动态调整。
步骤803,将推荐游戏配置参数发送给游戏应用程序,以及将推荐终端配置参数发送给操作***。
处理器在确定出推荐游戏配置参数和推荐终端配置参数之后,可以将推荐游戏配置参数发送给游戏应用程序,还可以将推荐终端配置参数发送给操作***。游戏应用程序在接收到推荐游戏配置参数之后,可以根据该推荐游戏配置参数确定出实际采用的游戏配置参数,并按照该实际采用的游戏配置参数进行运行。操作***在接收到推荐终端配置参数之后,可以根据该推荐终端配置参数确定出实际采用的终端配置参数,并按照该实际采用的终端配置参数进行运行。
需要说明的一点是,游戏应用程序实际采用的游戏配置参数,与其接收到的推荐游戏配置参数,可以相同,也可以不同,上述推荐游戏配置参数作为游戏应用程序在确定实际采用的游戏配置参数时的一种数据参考,使得游戏应用程序在确定实际采用的游戏配置参数时更加合理准确,更好地提升用户的游戏体验。同样地,终端的操作***实际采用的终端配置参数,与其接收到的推荐终端配置参数,可以相同,也可以不同,上述推荐终端配置参数作为操作***在确定实际采用的终端配置参数时的一种数据参考,使得操作***在确定实际采用的终端配置参数时更加合理准确,更好地提升用户的游戏体验。其中,游戏体验的提升包括但不限于减少卡顿、降低时延、提升画面品质等等。
综上所述,本申请实施例提供的技术方案中,通过在终端运行游戏应用程序的过程中,实时获取游戏配置参数、终端配置参数和游戏运行数据,通过配置推荐模型根据上述数据确定推荐游戏配置参数和推荐终端配置参数,然后将推荐游戏配置参数发送给游戏应用程序,以及将推荐终端配置参数发送给操作***;实现了在游戏运行过程中,实时动态地推荐游戏配置参数和终端配置参数,相较于相关技术中静态地确定配置参数,本申请实施例提供的技术方案可以实时动态地推荐配置参数,提升了配置参数推荐的灵活性和准确性。
在示例性实施例中,配置推荐模型包括:游戏配置推荐模型和终端配置推荐模型。其中,游戏配置推荐模型是用于计算推荐游戏配置参数的机器学习模型,该游戏配置推荐模型可以是DNN模型;终端配置推荐模型是用于计算推荐终端配置参数的机器学习模型,该终端配置推荐模型也可以是DNN模型。
游戏配置推荐模型的输入特征可以包括终端配置参数和游戏运行数据,游戏配置推荐模型根据上述输入特征,输出推荐游戏配置参数。可选地,处理器通过游戏配置推荐模型根据第一历史时段内的终端配置参数和游戏运行数据,生成第一目标时段内的推荐游戏配置参数。其中,第一历史时段是指当前时刻之前的一个时间段,假设当前时刻为t0,第一历史时段可以是[t1,t0]时间段,也可以是[t2,t3]时间段;其中,t1是在当前时刻t0之前的一个时刻,t3是在当前时刻t0之前的一个时刻,t2是在t3之前的一个时刻。第一历史时段的时长可以预先设定,本申请实施例对此不作限定,示例性地,第一历史时段的时长可以是5s。第一目标时段是指当前时刻之后的一个时间段,假设当前时刻为t0,第一目标时段可以是[t0,t4]时间段,也可以是[t5,t6]时间段;其中,t4是在当前时刻t0之后的一个时刻,t5是在当前时刻t0之后的一个时刻,t6是在t5之后的一个时刻。第一目标时段的时长可以预先设定,且第一目标时段和第一历史时段的时长可以相同,也可以不同,本申请实施例对此不作限定,示例性地,第一目标时段的时长与第一历史时段的时长相同,均为5s。
终端配置推荐模型的输入特征可以包括游戏配置参数和游戏运行数据,终端配置推荐模型根据上述输入特征,输出推荐终端配置参数。可选地,处理器通过终端配置推荐模型根据第二历史时段内的游戏配置参数和游戏运行数据,生成第二目标时段内的推荐终端配置参数。其中,第二历史时段是指当前时刻之前的一个时间段,假设当前时刻为t0,第二历史时段可以是[t7,t0]时间段,也可以是[t8,t9]时间段;其中,t7是在当前时刻t0之前的一个时刻,t9是在当前时刻t0之前的一个时刻,t8是在t9之前的一个时刻。第二历史时段的时长可以预先设定,本申请实施例对此不作限定,示例性地,第二历史时段的时长可以是1s或100ms。第二目标时段是指当前时刻之后的一个时间段,假设当前时刻为t0,第二目标时段可以是[t0,t10]时间段,也可以是[t11,t12]时间段;其中,t10是在当前时刻t0之后的一个时刻,t11是在当前时刻t0之后的一个时刻,t12是在t11之后的一个时刻。第二目标时段的时长可以预先设定,且第二目标时段和第二历史时段的时长可以相同,也可以不同,本申请实施例对此不作限定,示例性地,第二目标时段的时长与第二历史时段的时长相同,均为100ms。
另外,在本申请实施例中,计算推荐游戏配置参数的周期和计算推荐终端配置参数的周期可以相同,也可以不同,这可以结合实际情况(如终端的计算能力以及上述两种配置参数的更新频率的需求)预先设定,本申请实施例对此不作限定。
可选地,处理器还可以在终端本地对游戏配置推荐模型和终端配置推荐模型的参数进行调整,也即在终端本地对上述两个模型进行不断地训练和更新,使得上述两个模型能够更好地适应终端用户的个性化需求,提供符合用户习惯的推荐配置参数。
以在终端本地对游戏配置推荐模型进行训练和更新为例,处理器获取第一目标时段内的实际游戏配置参数,根据第一历史时段内的终端配置参数和游戏运行数据,以及第一目标时段内的实际游戏配置参数,对游戏配置推荐模型的参数进行调整。第一目标时段内的实际游戏配置参数,是指在第一目标时段内游戏应用程序实际采用的游戏配置参数。基于第一历史时段内的终端配置参数和游戏运行数据,以及第一目标时段内的实际游戏配置参数,处理器构建训练样本,对该游戏配置推荐模型进行训练,使得该游戏配置推荐模型能够学习到终端用户最新的使用需求,从而在后续提供更加符合用户使用需求的推荐游戏配置参数。
以在终端本地对终端配置推荐模型进行训练和更新为例,处理器获取第二目标时段内的实际终端配置参数,根据第二历史时段内的游戏配置参数和游戏运行数据,以及第二目标时段内的实际终端配置参数,对终端配置推荐模型的参数进行调整。第二目标时段内的实际终端配置参数,是指在第二目标时段内操作***实际采用的终端配置参数。基于第二历史时段内的游戏配置参数和游戏运行数据,以及第二目标时段内的实际终端配置参数,处理器构建训练样本,对该终端配置推荐模型进行训练,使得该终端配置推荐模型能够学习到终端用户最新的使用需求,从而在后续提供更加符合用户使用需求的推荐终端配置参数。
综上所述,本申请实施例提供的技术方案中,通过游戏配置推荐模型和终端配置推荐模型分别计算推荐游戏配置参数和推荐终端配置参数,使得上述两种配置参数的计算解耦,这样就能够实现在不同时间粒度上进行游戏配置参数的推荐和终端配置参数的推荐,更具灵活性。
另外,通过实时获取到的数据,在终端本地对上述两个模型进行训练和更新,使得模型能够学习到最新的配置需求,从而在后续提供更加准确的配置参数。在有效的提升用户个性化游戏体验的同时,也兼顾了终端性能指标,从而更有效地利用终端资源,高效地协调了游戏侧和终端侧之间的资源关系。
在本申请实施例中,配置推荐模型(包括上文介绍的游戏配置推荐模型和终端配置推荐模型)可以在后台(如图7所示的模型训练平台12)中进行离线训练,并将离线训练好的配置推荐模型提供给终端,由终端采用该模型进行配置推荐。
游戏配置推荐模型的训练数据包括第一输入特征和第一标签;其中,第一输入特征可以包括终端配置参数和游戏运行数据,终端配置参数可以包括以下至少一项:CPU挡位、GPU挡位、游戏场景保持时间、游戏场景重要等级、最大帧率等参数,游戏运行数据可以包括以下至少一项:场景标识、目标帧率、当前帧率、地图标识、游戏同屏人数、内存使用率、CPU使用率、终端温度等参数。第一标签即为游戏配置参数,游戏配置参数可以包括以下至少一项:画面品质、帧数设置、画面风格、抗锯齿、阴影等参数。
示例性地,如果模型训练平台12是TensorFlow平台,则可以采用TensorFlow平台的kera模块构建DNN模型,作为游戏配置推荐模型。另外,游戏配置推荐模型的配置参数可以包括神经网络层数、神经元个数、权重、激活函数、优化函数、评估函数、训练周期、最小的训练数据规模等参数。
在构建好游戏配置推荐模型之后,采用基于上述训练数据生成的训练样本,对该游戏配置推荐模型进行训练,模型的训练过程实则是对模型参数(即各层权重)的调优过程,使得模型能够根据输入特征计算出准确地输出参数。游戏配置推荐模型的输出参数即为推荐游戏配置参数,可以包括画面品质、帧数设置、画面风格、抗锯齿、阴影等参数。
终端配置推荐模型的训练数据包括第二输入特征和第二标签;其中,第二输入特征可以包括游戏配置参数和游戏运行数据,游戏配置参数可以包括以下至少一项:画面品质、帧数设置、画面风格、抗锯齿、阴影等参数,游戏运行数据可以包括以下至少一项:场景标识、目标帧率、当前帧率、地图标识、游戏同屏人数、内存使用率、CPU使用率、终端温度等参数。第二标签即为终端配置参数,终端配置参数可以包括以下至少一项:CPU挡位、GPU挡位、游戏场景保持时间、游戏场景重要等级、最大帧率等参数。
示例性地,如果模型训练平台12是TensorFlow平台,则可以采用TensorFlow平台的kera模块构建DNN模型,作为终端配置推荐模型。另外,终端配置推荐模型的配置参数同样可以包括神经网络层数、神经元个数、权重、激活函数、优化函数、评估函数、训练周期、最小的训练数据规模等参数。
在构建好终端配置推荐模型之后,采用基于上述训练数据生成的训练样本,对该终端配置推荐模型进行训练,模型的训练过程实则是对模型参数(即各层权重)的调优过程,使得模型能够根据输入特征计算出准确地输出参数。终端配置推荐模型的输出参数即为推荐终端配置参数,可以包括CPU挡位、GPU挡位、游戏场景保持时间、游戏场景重要等级、最大帧率等参数。
示例性地,如图9所示,其示出了模型训练过程的示意图。模型训练平台12获取用户数据,包括游戏配置参数、终端配置参数和游戏运行数据,之后对上述数据进行预处理和特征工程,生成训练样本,采用训练样本对构建好的配置推荐模型进行训练,然后对训练得到的模型进行评估。如果评估结果不符合预期,则对模型的参数进行调优,然后重新训练模型。直至模型的评估结果符合预期时,停止训练,并保存该模型。
在示例性实施例中,终端可以按照上报周期向服务器发送数据上报请求,该数据上报请求包括上报周期内获取到的游戏配置参数、终端配置参数和游戏运行数据。上述上报周期可以结合实际情况预先设定,如1天、12小时、1小时等等,本申请实施例对此不作限定。服务器是指图7所述***架构的大数据平台10中的服务器。示例性地,数据平台11中的服务器在接收到上述用户数据之后,可以对该用户数据进行清洗,然后存储至数据仓库。模型训练平台12中的服务器可以从数据仓库中获取上述用户数据,并根据上述用户数据生成训练样本,采用该训练样本对配置推荐模型进行训练。终端还可以按照同步周期从服务器获取最新的配置推荐模型,该最新的配置推荐模型用于实时推荐配置参数。上述同步周期可以结合实际情况预先设定,如1天、12小时、1小时等等,本申请实施例对此不作限定。终端在从服务器获取到最新的配置推荐模型之后,采用该最新的配置推荐模型计算实时的推荐配置参数。
在本申请实施例中,服务器对配置推荐模型进行更新的时间粒度,相较于终端本地对配置推荐模型进行更新的时间粒度可以大一些,例如服务器每天更新一次配置推荐模型,但终端本地可以根据实时获取到的用户数据对其本地存储的配置推荐模型进行实时地训练和更新,使得模型能够学习到最新的配置需求,从而在后续提供更加准确的配置参数。
示例性地,如图10所示,其示出了本申请一个实施例提供的方案整体流程的示意图,可以包括如下几个步骤:
步骤101,实时计算模块通过配置推荐模型,实时计算推荐游戏配置参数和推荐终端配置参数;
步骤102,实时计算模块向操作***发送推荐终端配置参数;
步骤103,操作***向实时计算模块发送实际采用的终端配置参数;
步骤104,实时计算模块向游戏应用程序发送推荐游戏配置参数;
步骤105,游戏应用程序对推荐游戏配置参数进行合规检查;
步骤106,游戏应用程序向用户显示推荐游戏配置参数;
步骤107,游戏应用程序获取用户实际采用的游戏配置参数;
步骤108,游戏应用程序向实时计算模块发送实际采用的游戏配置参数;
步骤109,实时计算模块根据实际采用的游戏配置参数和终端配置参数,对配置推荐模型进行参数调优。
在本申请实施例中,对上述步骤102-103和步骤104-108的执行先后顺序不作限定。
示例性地,如图11所示,处理器实时给游戏应用程序提供的推荐游戏配置参数可以包括画面品质、整数设置、画面风格、抗锯齿以及阴影等参数,游戏应用程序在获取到上述推荐游戏配置参数之后,可以在配置界面110中显示该推荐游戏配置参数,如推荐的画面品质为高清、推荐的帧数设置为高、推荐的画面风格为经典等等,使得用户可以根据上述推荐游戏配置参数并结合自身实际需求,选择实际采用的游戏配置参数。
另外,处理器实时给操作***提供的推荐终端配置参数可以包括CPU挡位、GPU挡位、游戏场景保持时间、游戏场景重要等级、最大帧率等参数。示例性地,处理器给操作***提供的推荐终端配置参数的格式如下:
字段说明:
mobile:针对机型的配置数据,此处数据为机型的标识值;
场景id:游戏根据预定义的场景标识;
MapID:游戏根据预定义的地图标识;
同屏人数:游戏的当前时刻的同屏玩家数;
Limited帧率:游戏限制的FPS(Frames Per Second,每秒帧数)能达到的最高水平;
80:期望的CPU频率级别,-1表示忽略;
81:期望的GPU频率级别,-1表示忽略;
82:表示游戏在此场景希望达到的帧率水平;
83:表示游戏的场景重要等级,1、2、3、4、5,数字越大,等级越高;
84:表示游戏的场景保持时间,单位为妙;
配置含义:针对场景id、MapID、同屏人数、目标帧率这四个变量,游戏运行时,用户机型某一个时刻这4个变量变化时进行检测,如果在JSON(JavaScript Object Notation,JS对象简谱)配置中存在组合后匹配的综合场景"场景id|MapID|同屏人数|目标帧率",则将对应的JSON内容发送给操作***。(若游戏没有下发同屏人数数据,则同屏人数字段默认设置为1;若游戏没有下发MapID,则MapID字段默认设置为0。)
操作***接收到推荐终端配置参数之后,可以根据该推荐终端配置参数并结合自身策略,选择实际采用的终端配置参数。
下述为本申请装置实施例,可以用于执行本申请方法实施例。对于本申请装置实施例中未披露的细节,请参照本申请方法实施例。
请参考图12,其示出了本申请一个实施例提供的配置参数的推荐装置的框图。该装置具有实现上述方法示例的功能,所述功能可以由硬件实现,也可以由硬件执行相应的软件实现。该装置可以是终端,也可以设置在终端中。该装置120可以包括:数据获取模块121、参数确定模块122和参数发送模块123。
数据获取模块121,用于在终端运行游戏应用程序的过程中,实时获取游戏配置参数、终端配置参数和游戏运行数据。
参数确定模块122,用于通过配置推荐模型根据所述游戏配置参数、所述终端配置参数和所述游戏运行数据,确定推荐游戏配置参数和推荐终端配置参数。
参数发送模块123,用于将所述推荐游戏配置参数发送给所述游戏应用程序,以及将所述推荐终端配置参数发送给操作***。
在示例性实施例中,所述配置推荐模型包括:游戏配置推荐模型和终端配置推荐模型;
如图13所示,所述参数确定模块122,包括:
第一确定单元1221,用于通过所述游戏配置推荐模型根据第一历史时段内的终端配置参数和游戏运行数据,生成第一目标时段内的推荐游戏配置参数;
第二确定单元1222,用于通过所述终端配置推荐模型根据第二历史时段内的游戏配置参数和游戏运行数据,生成第二目标时段内的推荐终端配置参数。
在示例性实施例中,如图13所示,所述参数确定模块122,还包括:
第一更新单元1223,用于获取所述第一目标时段内的实际游戏配置参数;根据所述第一历史时段内的终端配置参数和游戏运行数据,以及所述第一目标时段内的实际游戏配置参数,对所述游戏配置推荐模型的参数进行调整。
在示例性实施例中,如图13所示,所述参数确定模块122,还包括:
第二更新单元1224,用于获取所述第二目标时段内的实际终端配置参数;根据所述第二历史时段内的游戏配置参数和游戏运行数据,以及所述第二目标时段内的实际终端配置参数,对所述终端配置推荐模型的参数进行调整。
在示例性实施例中,所述游戏配置推荐模型的训练数据包括第一输入特征和第一标签;
其中,所述第一输入特征包括以下至少一项:CPU挡位、GPU挡位、游戏场景保持时间、游戏场景重要等级、最大帧率、场景标识、目标帧率、当前帧率、地图标识、游戏同屏人数、内存使用率、CPU使用率、终端温度;
所述第一标签包括以下至少一项:画面品质、帧数设置、画面风格、抗锯齿、阴影。
在示例性实施例中,所述终端配置推荐模型的训练数据包括第二输入特征和第二标签;
其中,所述第二输入特征包括以下至少一项:画面品质、帧数设置、画面风格、抗锯齿、阴影、场景标识、目标帧率、当前帧率、地图标识、游戏同屏人数、内存使用率、CPU使用率、终端温度;
所述第二标签包括以下至少一项:CPU挡位、GPU挡位、游戏场景保持时间、游戏场景重要等级、最大帧率。
在示例性实施例中,如图13所示,所述装置120还包括:
数据上报模块124,用于按照上报周期向服务器发送数据上报请求,所述数据上报请求包括所述上报周期内获取到的游戏配置参数、终端配置参数和游戏运行数据;其中,所述服务器用于生成训练样本,采用所述训练样本对所述配置推荐模型进行训练;
模型获取模块125,用于按照同步周期从所述服务器获取最新的配置推荐模型;其中,所述最新的配置推荐模型用于实时推荐配置参数。
综上所述,本申请实施例提供的技术方案,通过在终端运行游戏应用程序的过程中,实时获取游戏配置参数、终端配置参数和游戏运行数据,通过配置推荐模型根据上述数据确定推荐游戏配置参数和推荐终端配置参数,然后将推荐游戏配置参数发送给游戏应用程序,以及将推荐终端配置参数发送给操作***;实现了在游戏运行过程中,实时动态地推荐游戏配置参数和终端配置参数,相较于相关技术中静态地确定配置参数,本申请实施例提供的技术方案可以实时动态地推荐配置参数,提升了配置参数推荐的灵活性和准确性。
需要说明的是,上述实施例提供的装置,在实现其功能时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将设备的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的装置与方法实施例属于同一构思,其具体实现过程详见方法实施例,这里不再赘述。
请参考图14,其示出了本申请一个实施例提供的终端的结构框图。通常,终端1400包括有:处理器1401和存储器1402。
处理器1401可以包括一个或多个处理核心,比如4核心处理器、8核心处理器等。处理器1401可以采用DSP(Digital Signal Processing,数字信号处理)、FPGA(FieldProgrammable Gate Array,现场可编程门阵列)、PLA(Programmable Logic Array,可编程逻辑阵列)中的至少一种硬件形式来实现。处理器1401也可以包括主处理器和协处理器,主处理器是用于对在唤醒状态下的数据进行处理的处理器,也称CPU(Central ProcessingUnit,中央处理器);协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中,处理器1401可以在集成有GPU(Graphics Processing Unit,图像处理器),GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中,处理器1401还可以包括AI(Artificial Intelligence,人工智能)处理器,该AI处理器用于处理有关机器学习的计算操作。
存储器1402可以包括一个或多个计算机可读存储介质,该计算机可读存储介质可以是非暂态的。存储器1402还可包括高速随机存取存储器,以及非易失性存储器,比如一个或多个磁盘存储设备、闪存存储设备。在一些实施例中,存储器1402中的非暂态的计算机可读存储介质用于存储至少一条指令、至少一段程序、代码集或指令集,该至少一条指令、至少一段程序、代码集或指令集用于被处理器1401所执行以实现本申请中方法实施例提供的配置参数的推荐方法。
在一些实施例中,终端1400还可选包括有:***设备接口1403和至少一个***设备。处理器1401、存储器1402和***设备接口1403之间可以通过总线或信号线相连。各个***设备可以通过总线、信号线或电路板与***设备接口1403相连。具体地,***设备可以包括:射频电路1404、显示屏1405、摄像头组件1406、音频电路1407、定位组件1408和电源1409中的至少一种。
本领域技术人员可以理解,图14中示出的结构并不构成对终端1400的限定,可以包括比图示更多或更少的组件,或者组合某些组件,或者采用不同的组件布置。
在示例性实施例中,还提供了一种计算机可读存储介质,所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或所述指令集在被终端的处理器执行时以实现上述配置参数的推荐方法。
可选地,该计算机可读存储介质可以包括:只读存储器(ROM,Read Only Memory)、随机存取记忆体(RAM,Random Access Memory)、固态硬盘(SSD,Solid State Drives)或光盘等。其中,随机存取记忆体可以包括电阻式随机存取记忆体(ReRAM,Resistance RandomAccess Memory)和动态随机存取存储器(DRAM,Dynamic Random Access Memory)。
在示例性实施例中,还提供一种计算机程序产品,所述计算机程序产品被终端的处理器执行时,用于实现上述配置参数的推荐方法。
应当理解的是,在本文中提及的“多个”是指两个或两个以上。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。另外,本文中描述的步骤编号,仅示例性示出了步骤间的一种可能的执行先后顺序,在一些其它实施例中,上述步骤也可以不按照编号顺序来执行,如两个不同编号的步骤同时执行,或者两个不同编号的步骤按照与图示相反的顺序执行,本申请实施例对此不作限定。
以上所述仅为本申请的示例性实施例,并不用以限制本申请,凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (14)
1.一种配置参数的推荐方法,其特征在于,所述方法包括:
在终端运行游戏应用程序的过程中,实时获取游戏配置参数、终端配置参数和游戏运行数据;
通过配置推荐模型根据所述游戏配置参数、所述终端配置参数和所述游戏运行数据,确定推荐游戏配置参数和推荐终端配置参数;
将所述推荐游戏配置参数发送给所述游戏应用程序,以及将所述推荐终端配置参数发送给操作***。
2.根据权利要求1所述的方法,其特征在于,所述配置推荐模型包括:游戏配置推荐模型和终端配置推荐模型;
所述通过配置推荐模型根据所述游戏配置参数、所述终端配置参数和所述游戏运行数据,确定推荐游戏配置参数和推荐终端配置参数,包括:
通过所述游戏配置推荐模型根据第一历史时段内的终端配置参数和游戏运行数据,生成第一目标时段内的推荐游戏配置参数;
通过所述终端配置推荐模型根据第二历史时段内的游戏配置参数和游戏运行数据,生成第二目标时段内的推荐终端配置参数。
3.根据权利要求2所述的方法,其特征在于,所述通过所述游戏配置推荐模型根据第一历史时段内的终端配置参数和游戏运行数据,生成第一目标时段内的推荐游戏配置参数之后,还包括:
获取所述第一目标时段内的实际游戏配置参数;
根据所述第一历史时段内的终端配置参数和游戏运行数据,以及所述第一目标时段内的实际游戏配置参数,对所述游戏配置推荐模型的参数进行调整。
4.根据权利要求2所述的方法,其特征在于,所述通过所述终端配置推荐模型根据第二历史时段内的游戏配置参数和游戏运行数据,生成第二目标时段内的推荐终端配置参数之后,还包括:
获取所述第二目标时段内的实际终端配置参数;
根据所述第二历史时段内的游戏配置参数和游戏运行数据,以及所述第二目标时段内的实际终端配置参数,对所述终端配置推荐模型的参数进行调整。
5.根据权利要求2所述的方法,其特征在于,所述游戏配置推荐模型的训练数据包括第一输入特征和第一标签;
其中,所述第一输入特征包括以下至少一项:中央处理器CPU挡位、图形处理器GPU挡位、游戏场景保持时间、游戏场景重要等级、最大帧率、场景标识、目标帧率、当前帧率、地图标识、游戏同屏人数、内存使用率、CPU使用率、终端温度;
所述第一标签包括以下至少一项:画面品质、帧数设置、画面风格、抗锯齿、阴影。
6.根据权利要求2所述的方法,其特征在于,所述终端配置推荐模型的训练数据包括第二输入特征和第二标签;
其中,所述第二输入特征包括以下至少一项:画面品质、帧数设置、画面风格、抗锯齿、阴影、场景标识、目标帧率、当前帧率、地图标识、游戏同屏人数、内存使用率、CPU使用率、终端温度;
所述第二标签包括以下至少一项:CPU挡位、GPU挡位、游戏场景保持时间、游戏场景重要等级、最大帧率。
7.根据权利要求1至6任一项所述的方法,其特征在于,所述方法还包括:
按照上报周期向服务器发送数据上报请求,所述数据上报请求包括所述上报周期内获取到的游戏配置参数、终端配置参数和游戏运行数据;其中,所述服务器用于生成训练样本,采用所述训练样本对所述配置推荐模型进行训练;
按照同步周期从所述服务器获取最新的配置推荐模型;
其中,所述最新的配置推荐模型用于实时推荐配置参数。
8.一种配置参数的推荐装置,其特征在于,所述装置包括:
数据获取模块,用于在终端运行游戏应用程序的过程中,实时获取游戏配置参数、终端配置参数和游戏运行数据;
参数确定模块,用于通过配置推荐模型根据所述游戏配置参数、所述终端配置参数和所述游戏运行数据,确定推荐游戏配置参数和推荐终端配置参数;
参数发送模块,用于将所述推荐游戏配置参数发送给所述游戏应用程序,以及将所述推荐终端配置参数发送给操作***。
9.根据权利要求8所述的装置,其特征在于,所述配置推荐模型包括:游戏配置推荐模型和终端配置推荐模型;
所述参数确定模块,包括:
第一确定单元,用于通过所述游戏配置推荐模型根据第一历史时段内的终端配置参数和游戏运行数据,生成第一目标时段内的推荐游戏配置参数;
第二确定单元,用于通过所述终端配置推荐模型根据第二历史时段内的游戏配置参数和游戏运行数据,生成第二目标时段内的推荐终端配置参数。
10.根据权利要求9所述的装置,其特征在于,所述参数确定模块,还包括:
第一更新单元,用于获取所述第一目标时段内的实际游戏配置参数;根据所述第一历史时段内的终端配置参数和游戏运行数据,以及所述第一目标时段内的实际游戏配置参数,对所述游戏配置推荐模型的参数进行调整。
11.根据权利要求9所述的装置,其特征在于,所述参数确定模块,还包括:
第二更新单元,用于获取所述第二目标时段内的实际终端配置参数;根据所述第二历史时段内的游戏配置参数和游戏运行数据,以及所述第二目标时段内的实际终端配置参数,对所述终端配置推荐模型的参数进行调整。
12.根据权利要求8至11任一项所述的装置,其特征在于,所述装置还包括:
数据上报模块,用于按照上报周期向服务器发送数据上报请求,所述数据上报请求包括所述上报周期内获取到的游戏配置参数、终端配置参数和游戏运行数据;其中,所述服务器用于生成训练样本,采用所述训练样本对所述配置推荐模型进行训练;
模型获取模块,用于按照同步周期从所述服务器获取最新的配置推荐模型;
其中,所述最新的配置推荐模型用于实时推荐配置参数。
13.一种终端,其特征在于,所述终端包括处理器和存储器,所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如权利要求1至7任一项所述的方法。
14.一种计算机可读存储介质,其特征在于,所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现如权利要求1至7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911415084.4A CN111176758B (zh) | 2019-12-31 | 2019-12-31 | 配置参数的推荐方法、装置、终端及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911415084.4A CN111176758B (zh) | 2019-12-31 | 2019-12-31 | 配置参数的推荐方法、装置、终端及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111176758A true CN111176758A (zh) | 2020-05-19 |
CN111176758B CN111176758B (zh) | 2021-06-22 |
Family
ID=70647483
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911415084.4A Active CN111176758B (zh) | 2019-12-31 | 2019-12-31 | 配置参数的推荐方法、装置、终端及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111176758B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112316437A (zh) * | 2020-11-23 | 2021-02-05 | 上海米哈游天命科技有限公司 | 一种资源切换方法、装置、电子设备及存储介质 |
CN113648658A (zh) * | 2021-07-23 | 2021-11-16 | 广州三七互娱科技有限公司 | 游戏数据处理方法、***、装置、计算机设备和存储介质 |
CN113769387A (zh) * | 2021-09-18 | 2021-12-10 | 网易(杭州)网络有限公司 | 游戏图形参数配置的方法、装置及终端设备 |
CN114706626A (zh) * | 2022-03-31 | 2022-07-05 | 联想(北京)有限公司 | 一种处理方法及电子设备 |
CN115333941A (zh) * | 2022-01-28 | 2022-11-11 | 花瓣云科技有限公司 | 获取应用运行情况的方法及相关设备 |
WO2022247446A1 (zh) * | 2021-05-28 | 2022-12-01 | 华为技术有限公司 | 一种性能优化方法以及相关设备 |
WO2023142664A1 (zh) * | 2022-01-27 | 2023-08-03 | 腾讯科技(深圳)有限公司 | 图像显示方法、终端设备、服务器、电子设备、存储介质及程序产品 |
WO2024036941A1 (zh) * | 2022-08-17 | 2024-02-22 | 华为云计算技术有限公司 | 一种参数管理***以及相关方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150126286A1 (en) * | 2013-09-27 | 2015-05-07 | Tencent Technology (Shenzhen) Company Limited | Method And System For Implementing Artificial Intelligence |
CN104991775A (zh) * | 2015-07-03 | 2015-10-21 | 北京奇虎科技有限公司 | 一种游戏加速方法和装置 |
CN105677767A (zh) * | 2015-12-30 | 2016-06-15 | 联想(北京)有限公司 | 一种设备配置推荐方法和装置 |
CN108211352A (zh) * | 2017-12-28 | 2018-06-29 | 深圳市创梦天地科技股份有限公司 | 一种调节画质的方法及终端 |
CN108499108A (zh) * | 2017-02-28 | 2018-09-07 | 电子技术公司 | 视频游戏应用程序内玩游戏参数的实时动态修改和优化 |
CN109754060A (zh) * | 2017-11-06 | 2019-05-14 | 阿里巴巴集团控股有限公司 | 一种神经网络机器学习模型的训练方法及装置 |
CN109814933A (zh) * | 2019-01-29 | 2019-05-28 | 腾讯科技(深圳)有限公司 | 一种业务数据处理方法及装置 |
CN109831585A (zh) * | 2019-02-22 | 2019-05-31 | 维沃移动通信有限公司 | 一种运行参数调整方法及移动终端 |
CN110531951A (zh) * | 2019-08-30 | 2019-12-03 | 腾讯科技(深圳)有限公司 | 画面输出模式调整方法、装置、设备、***及存储介质 |
-
2019
- 2019-12-31 CN CN201911415084.4A patent/CN111176758B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150126286A1 (en) * | 2013-09-27 | 2015-05-07 | Tencent Technology (Shenzhen) Company Limited | Method And System For Implementing Artificial Intelligence |
CN104991775A (zh) * | 2015-07-03 | 2015-10-21 | 北京奇虎科技有限公司 | 一种游戏加速方法和装置 |
CN105677767A (zh) * | 2015-12-30 | 2016-06-15 | 联想(北京)有限公司 | 一种设备配置推荐方法和装置 |
CN108499108A (zh) * | 2017-02-28 | 2018-09-07 | 电子技术公司 | 视频游戏应用程序内玩游戏参数的实时动态修改和优化 |
CN109754060A (zh) * | 2017-11-06 | 2019-05-14 | 阿里巴巴集团控股有限公司 | 一种神经网络机器学习模型的训练方法及装置 |
CN108211352A (zh) * | 2017-12-28 | 2018-06-29 | 深圳市创梦天地科技股份有限公司 | 一种调节画质的方法及终端 |
CN109814933A (zh) * | 2019-01-29 | 2019-05-28 | 腾讯科技(深圳)有限公司 | 一种业务数据处理方法及装置 |
CN109831585A (zh) * | 2019-02-22 | 2019-05-31 | 维沃移动通信有限公司 | 一种运行参数调整方法及移动终端 |
CN110531951A (zh) * | 2019-08-30 | 2019-12-03 | 腾讯科技(深圳)有限公司 | 画面输出模式调整方法、装置、设备、***及存储介质 |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112316437A (zh) * | 2020-11-23 | 2021-02-05 | 上海米哈游天命科技有限公司 | 一种资源切换方法、装置、电子设备及存储介质 |
CN112316437B (zh) * | 2020-11-23 | 2023-02-03 | 上海米哈游天命科技有限公司 | 一种资源切换方法、装置、电子设备及存储介质 |
WO2022247446A1 (zh) * | 2021-05-28 | 2022-12-01 | 华为技术有限公司 | 一种性能优化方法以及相关设备 |
CN113648658A (zh) * | 2021-07-23 | 2021-11-16 | 广州三七互娱科技有限公司 | 游戏数据处理方法、***、装置、计算机设备和存储介质 |
CN113648658B (zh) * | 2021-07-23 | 2023-10-20 | 广州三七互娱科技有限公司 | 游戏数据处理方法、***、装置、计算机设备和存储介质 |
CN113769387A (zh) * | 2021-09-18 | 2021-12-10 | 网易(杭州)网络有限公司 | 游戏图形参数配置的方法、装置及终端设备 |
WO2023142664A1 (zh) * | 2022-01-27 | 2023-08-03 | 腾讯科技(深圳)有限公司 | 图像显示方法、终端设备、服务器、电子设备、存储介质及程序产品 |
CN115333941A (zh) * | 2022-01-28 | 2022-11-11 | 花瓣云科技有限公司 | 获取应用运行情况的方法及相关设备 |
CN115333941B (zh) * | 2022-01-28 | 2023-08-22 | 花瓣云科技有限公司 | 获取应用运行情况的方法及相关设备 |
CN114706626A (zh) * | 2022-03-31 | 2022-07-05 | 联想(北京)有限公司 | 一种处理方法及电子设备 |
WO2024036941A1 (zh) * | 2022-08-17 | 2024-02-22 | 华为云计算技术有限公司 | 一种参数管理***以及相关方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111176758B (zh) | 2021-06-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111176758B (zh) | 配置参数的推荐方法、装置、终端及存储介质 | |
Jaafra et al. | Reinforcement learning for neural architecture search: A review | |
CN111522962B (zh) | 序列推荐方法、装置及计算机可读存储介质 | |
Chandra | Competition and collaboration in cooperative coevolution of Elman recurrent neural networks for time-series prediction | |
JP7264376B2 (ja) | 汎用学習済モデルの生成方法 | |
CN112329948B (zh) | 一种多智能体策略预测方法及装置 | |
CN110298443A (zh) | 神经网络运算装置及方法 | |
CN103279958B (zh) | 一种基于Spiking神经网络的图像分割方法 | |
CN106780512A (zh) | 分割图像的方法、应用及计算设备 | |
Çatal et al. | Learning generative state space models for active inference | |
CN106953862A (zh) | 网络安全态势的感知方法和装置及感知模型训练方法和装置 | |
JP2016539407A (ja) | 因果顕著性時間推論 | |
JPH06509669A (ja) | 改良ニューラル・ネットワーク | |
CN109886422A (zh) | 模型配置方法、装置、电子设备及可读取存储介质 | |
Jeon et al. | Artificial intelligence for traffic signal control based solely on video images | |
CN109344969B (zh) | 神经网络***及其训练方法以及计算机可读介质 | |
KR20160125967A (ko) | 일반적인 뉴런 모델들의 효율적인 구현을 위한 방법 및 장치 | |
CN109447096A (zh) | 一种基于机器学习的扫视路径预测方法和装置 | |
CN112508190A (zh) | 结构化稀疏参数的处理方法、装置、设备及存储介质 | |
TW201737202A (zh) | 類Alexnet網路的模型訓練方法和裝置 | |
Nguyen et al. | A prioritized objective actor-critic method for deep reinforcement learning | |
CN112365359A (zh) | 种植决策确定模型的训练方法、装置、设备以及存储介质 | |
CN116128060A (zh) | 一种基于对手建模与蒙特卡洛强化学习的棋类博弈方法 | |
CN108985449A (zh) | 一种对卷积神经网络处理器的控制方法及装置 | |
CN116992151A (zh) | 一种基于双塔图卷积神经网络的在线课程推荐方法 |
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 |