CN116966557A - 游戏视频流分享方法、装置、存储介质与电子设备 - Google Patents

Abstract

本公开提供一种游戏视频流分享方法、装置、存储介质与电子设备，涉及游戏技术领域。其中，该游戏视频流分享方法包括：利用参数优化后的机器学习模型的精彩视频流参数识别目标游戏视频流中的目标精彩视频流；其中，目标精彩视频流为配置了参数优化后的机器学习模型的拍摄参数的虚拟摄像头拍摄虚拟游戏场景得到的游戏视频流；机器学习模型的模型参数至少包括精彩视频流参数及虚拟摄像头的拍摄参数；响应于对目标精彩视频流的分享操作，将目标精彩视频流进行分享。本公开实现了精彩视频的自动化识别和拍摄，能够获取到个性化的游戏精彩场景镜头画面，场景适应性较强，且无需玩家手动采用观战视角进行录制，可以在一定程度上简化玩家操作复杂度。

Description

游戏视频流分享方法、装置、存储介质与电子设备

技术领域

本公开涉及游戏技术领域，尤其涉及游戏视频流分享方法、游戏视频流分享装置、计算机可读存储介质与电子设备。

背景技术

随着游戏技术的不断发展，游戏竞技越来越受游戏玩家的喜爱。在进行游戏竞技的过程中，可能会产生一些比较精彩刺激的游戏场景内容，将该精彩刺激的游戏场景内容进行分享目前已经成为了游戏中的主流功能之一，通常通过内置分享功能来实现。

相关技术中，游戏玩家若想分享游戏过程中所产生的比较精彩刺激的游戏场景内容，通常通过截取玩家操控下的游戏精彩画面，并将其进行分享。但是对于有些种类的游戏，例如近战类游戏来说，游戏作战过程中可能存在复杂的角色位置穿插及变化，玩家操控下的游戏视角画面可能并不是最佳观赏视角，这种截取分享的方式可能会导致所生成的游戏视角画面无法很好的满足玩家的观看需求，游戏场景适应性较差。此外，若玩家想要生成非玩家视角的游戏精彩画面，需要以观战视角进行手动录制，操作太过于繁琐，且对于玩家手动操作要求较高，实现起来难度较大。

需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

发明内容

本公开提供了一种游戏视频流分享方法、游戏视频流分享装置、计算机可读存储介质与电子设备，进而至少在一定程度上解决相关技术中游戏场景适应性差，无法很好的满足玩家的观看需求的问题。

本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。

根据本公开的第一方面，提供一种游戏视频流分享方法，所述方法包括：利用参数优化后的机器学习模型的精彩视频流参数识别目标游戏视频流中的目标精彩视频流；其中，所述目标精彩视频流为配置了参数优化后的机器学习模型的拍摄参数的虚拟摄像头拍摄虚拟游戏场景得到的游戏视频流；机器学习模型的模型参数至少包括精彩视频流参数及虚拟摄像头的拍摄参数；响应于对所述目标精彩视频流的分享操作，将所述目标精彩视频流进行分享。

在本公开的一种示例性实施例中，所述方法还包括：通过以历史精彩视频为训练数据，以所述历史精彩视频的互动反馈数据为目标函数，训练并优化所述机器学习模型的模型参数，得到参数优化后的机器学习模型。

在本公开的一种示例性实施例中，所述方法还包括：将历史精彩视频划分为训练集、验证集及测试集；基于所述训练集、所述验证集及所述测试集对所述机器学习模型的模型参数进行迭代优化；其中，所述训练集用于对所述机器学习模型进行训练，所述验证集用于对所述机器学习模型进行评估，所述测试集对用于对所述机器学习模型进行测试；当所述机器学习模型的模型参数满足迭代优化的终止条件时，得到参数优化后的机器学习模型。

在本公开的一种示例性实施例中，所述方法还包括：将所述目标精彩视频流作为历史精彩视频更新所述训练数据；基于更新后的训练数据，对参数优化后的所述机器学习模型的模型参数进行新一轮迭代优化。

在本公开的一种示例性实施例中，所述机器学习模型的模型参数在模型参数区间范围内进行优化。

在本公开的一种示例性实施例中，所述机器学习模型的模型参数为满足正态分布的离散模型参数。

在本公开的一种示例性实施例中，所述精彩视频流参数包括指定游戏事件及指定游戏事件对应的事件权重，所述利用参数优化后的机器学习模型的精彩视频流参数识别目标游戏视频流中的目标精彩视频流，包括：根据所述目标游戏视频流中的指定游戏事件及所述指定游戏事件对应的事件权重，确定所述目标游戏视频流中候选游戏视频流的精彩得分值；所述精彩得分值表征候选游戏视频流的精彩程度；将精彩得分值超过精彩得分阈值的候选游戏视频流作为目标精彩视频流。

在本公开的一种示例性实施例中，所述机器学习模型的模型参数还包括游戏玩家属性，所述方法还包括：获取目标游戏玩家属性，所述目标游戏玩家属性为所述目标游戏视频流所对应的游戏玩家属性；从所述机器学习模型的模型参数中确定与所述目标游戏玩家属性相匹配的精彩视频流参数以及与所述目标游戏玩家属性相匹配的虚拟摄像头的拍摄参数；在识别目标游戏视频流中的目标精彩视频流时，将与所述目标游戏玩家属性相匹配的精彩视频流参数作为所述机器学习模型所采用的精彩视频流参数，将与所述目标游戏玩家属性相匹配的虚拟摄像头的拍摄参数作为所述机器学习模型所采用的拍摄参数。

在本公开的一种示例性实施例中，所述虚拟摄像头的拍摄参数，包括以下任意一种或多种：虚拟摄像头的瞄准点、虚拟摄像头的拍摄距离、虚拟摄像头的水平角度、虚拟摄像头的垂直角度、虚拟摄像头的环绕方向和速度。

根据本公开的第二方面，提供一种游戏视频流分享装置，所述装置包括：视频流识别模块，用于利用参数优化后的机器学习模型的精彩视频流参数识别目标游戏视频流中的目标精彩视频流；其中，所述目标精彩视频流为配置了参数优化后的机器学习模型的拍摄参数的虚拟摄像头拍摄虚拟游戏场景得到的游戏视频流；机器学习模型的模型参数至少包括精彩视频流参数及虚拟摄像头的拍摄参数；视频流分享模块，用于响应于对所述目标精彩视频流的分享操作，将所述目标精彩视频流进行分享。

根据本公开的第三方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述游戏视频流分享方法。

根据本公开的第四方面，提供一种电子设备，包括：处理器；以及存储器，用于存储所述处理器的可执行指令；其中，所述处理器配置为经由执行所述可执行指令来执行上述游戏视频流分享方法。

本公开的技术方案具有以下有益效果：

上述游戏视频流分享过程中，利用参数优化后的机器学习模型的精彩视频流参数识别目标游戏视频流中的目标精彩视频流；其中，目标精彩视频流为配置了参数优化后的机器学习模型的拍摄参数的虚拟摄像头拍摄虚拟游戏场景得到的游戏视频流；机器学习模型的模型参数至少包括精彩视频流参数及虚拟摄像头的拍摄参数；响应于对目标精彩视频流的分享操作，将目标精彩视频流进行分享。一方面，通过机器学习模型中的精彩视频流参数以及虚拟摄像头的拍摄参数识别和拍摄目标游戏视频流中的目标精彩视频流，实现了精彩视频的自动化识别和拍摄，打破传统的固定视角的拍摄方式，能够获取到个性化的游戏精彩场景镜头画面，场景适应性较强。另一方面，无需玩家手动采用观战视角进行录制，可以在一定程度上简化玩家的操作复杂度。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施方式，并与说明书一起用于解释本公开的原理。显而易见地，下面描述中的附图仅仅是本公开的一些实施方式，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示出本示例性实施方式中一种游戏视频流分享方法的流程图；

图2示出本示例性实施方式中一种得到参数优化后的机器学习模型的流程图；

图3示出本示例性实施方式中一种识别目标游戏视频流中的目标精彩视频流的流程图；

图4示出本示例性实施方式中一种确定识别目标精彩视频流所采用的精彩视频流参数以及虚拟摄像头的拍摄参数的流程图；

图5示出本示例性实施方式中一种基于目标游戏玩家属性识别目标精彩视频流的流程图；

图6示出本示例性实施方式中一种游戏视频流分享装置的结构框图；

图7示出本示例性实施方式中一种用于实现上述游戏视频流分享方法的电子设备。

具体实施方式

现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中，提供许多具体细节从而给出对本公开的实施方式的充分理解。然而，本领域技术人员将意识到，可以实践本公开的技术方案而省略所述特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知技术方案以避免喧宾夺主而使得本公开的各方面变得模糊。

此外，附图仅为本公开的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。

相关技术中，通常通过截取分享功能生成基于玩家视角的游戏精彩场景的方式，适用于塔防、卡牌或射击等具有固定视角类型的游戏。但是对于视角自由的冷兵器近战游戏来说，一场战斗最精彩的、最有观赏性的视角，并不是玩家操控下的视角，而是旁观视角，例如可以容纳交战双方的视角，这种情况下，截取分享功能将无法很好的满足玩家需求。如果要让玩家自己在类似游戏对局的录像、复盘模式里，自己人工用观战视角来生成游戏精彩场景的录像，操作会过于繁琐且费时。

鉴于上述一个或多个问题，本公开的示例性实施方式提供游戏视频流分享方法。该游戏视频流分享方法既可以适用于具有固定视角的游戏中，也可以适用于具有自由视角的游戏中。在具有固定视角的游戏中，采用该方法可以融合多方玩家视角，生成完整度较高的精彩视频流，以供玩家分享。在自由视角的游戏中，玩家之间的战斗，会经历反复的位置穿插变换，敌人可能穿插到身后，玩家需要频繁旋转视角来观察，这也造成了玩家视角虽然利于游戏操控，但不利于作为精彩镜头回放的旁观视角，采用该游戏视频流分享方法可以较好的解决这类问题。

在本公开其中一种实施例中的游戏视频流分享方法可以运行于本地终端设备或者是服务器。当游戏视频流分享方法运行于服务器时，该游戏视频流分享方法则可以基于云交互***来实现与执行，其中，云交互***包括服务器和客户端设备。

在一可选的实施方式中，云交互***下可以运行各种云应用，例如：云游戏。以云游戏为例，云游戏是指以云计算为基础的游戏方式。在云游戏的运行模式下，游戏程序的运行主体和游戏画面呈现主体是分离的，游戏视频流分享方法的储存与运行是在云游戏服务器上完成的，客户端设备的作用用于数据的接收、发送以及游戏画面的呈现，举例而言，客户端设备可以是靠近用户侧的具有数据传输功能的显示设备，如，移动终端、电视机、计算机、掌上电脑等；但是进行游戏视频流分享的为云端的云游戏服务器。在进行游戏时，玩家操作客户端设备向云游戏服务器发送操作指令，云游戏服务器根据操作指令运行游戏，将游戏画面等数据进行编码压缩，通过网络返回客户端设备，最后，通过客户端设备进行解码并输出游戏画面。

在一可选的实施方式中，以游戏为例，本地终端设备存储有游戏程序并用于呈现游戏画面。本地终端设备用于通过图形用户界面与玩家进行交互，即，常规的通过电子设备下载安装游戏程序并运行。该本地终端设备将图形用户界面提供给玩家的方式可以包括多种，例如，可以渲染显示在终端的显示屏上，或者，通过全息投影提供给玩家。举例而言，本地终端设备可以包括显示屏和处理器，该显示屏用于呈现图形用户界面，该图形用户界面包括游戏画面，该处理器用于运行该游戏、生成图形用户界面以及控制图形用户界面在显示屏上的显示。

本公开的示例性实施方式提供一种游戏视频流分享方法，如图1所示，具体包括以下步骤S110至步骤S120：

步骤S110，利用参数优化后的机器学习模型的精彩视频流参数识别目标游戏视频流中的目标精彩视频流；其中，目标精彩视频流为配置了参数优化后的机器学习模型的拍摄参数的虚拟摄像头拍摄虚拟游戏场景得到的游戏视频流；机器学习模型的模型参数至少包括精彩视频流参数及虚拟摄像头的拍摄参数；

步骤S120，响应于对目标精彩视频流的分享操作，将目标精彩视频流进行分享。

上述游戏视频流分享过程中，一方面，通过机器学习模型中的精彩视频流参数以及虚拟摄像头的拍摄参数识别和拍摄目标游戏视频流中的目标精彩视频流，实现了精彩视频的自动化识别和拍摄，打破传统的固定视角的拍摄方式，能够获取到个性化的游戏精彩场景镜头画面，场景适应性较强。另一方面，无需玩家手动采用观战视角进行录制，可以在一定程度上简化玩家的操作复杂度。

下面分别对图1中的每个步骤进行具体说明。

步骤S110，利用参数优化后的机器学习模型的精彩视频流参数识别目标游戏视频流中的目标精彩视频流；其中，目标精彩视频流为配置了参数优化后的机器学习模型的拍摄参数的虚拟摄像头拍摄虚拟游戏场景得到的游戏视频流；机器学习模型的模型参数至少包括精彩视频流参数及虚拟摄像头的拍摄参数。

需要说明的是，在执行步骤S110时，可以在游戏进程中、游戏结束前实时识别目标游戏视频流中的目标精彩视频流，也可以是游戏结束后识别目标游戏视频流中的目标精彩视频流。在实际应用中，可根据实际需要设置识别目标游戏视频流中的目标精彩视频流的时机，这里不做具体限定。

目标游戏视频流指的是用于识别精彩时段的游戏对局所对应的游戏视频流，可以是当前游戏对局所对应的游戏视频流，也可以是历史游戏对局所对应的视频流。目标精彩视频流指的是目标游戏视频流所对应的游戏对局中所识别到的游戏精彩时段所对应的游戏视频流，该目标精彩视频流可基于拍摄参数控制虚拟摄像头拍摄所识别的游戏精彩时段所对应的虚拟游戏场景得到。虚拟游戏场景中可包括游戏对局中受游戏玩家所控制的游戏虚拟对象。

该机器学习模型指的是能够不断训练精彩视频流参数、虚拟摄像头的拍摄参数等模型参数的机器学习模型，该机器学习模型的训练可以采用例如神经网络等一系列主流的机器学习方法，对该机器学习模型的模型参数的不断优化。机器学习模型的模型参数至少包括精彩视频流参数及虚拟摄像头的拍摄参数。

其中，精彩视频识别参数指的是从目标游戏视频流中识别精彩游戏时段的参数。该精彩视频识别参数可以包括指定游戏事件以及指定游戏事件所对应的事件权重值。其中，指定游戏事件，可例如：存在游戏虚拟对象在单位时间内造成伤害最高、存在游戏虚拟对象在单位时间内击杀敌方次数最多、存在游戏虚拟对象在单位时间内受到连续攻击且最终幸存、存在游戏虚拟对象在单位时间内游戏技能连续命中敌方虚拟对象等游戏事件类型。需要说明的是，这里的游戏虚拟对象是位于目标游戏视频流所对应的游戏对局中的游戏虚拟对象，可以是由当前游戏玩家所控制的虚拟对象，也可以是预先所设定的位于目标游戏视频流所对应的游戏对局中任一其他游戏玩家所控制的虚拟对象。这里所列出的游戏事件类型只是示例性的展示说明，在实际应用过程中，还可以设置其他比较精彩的指定游戏事件，这里对于指定游戏事件的具体类型不做具体的限定。此外，指定游戏事件所对应的事件权重值指的是可用于评述该游戏事件精彩程度的参数。

其中，虚拟摄像头的拍摄参数指的是虚拟摄像头在游戏场景中拍摄游戏场景时所配置的参数，可以包括以下任意一种或多种：虚拟摄像头的瞄准点、虚拟摄像头的拍摄距离、虚拟摄像头的水平角度、虚拟摄像头的垂直角度、虚拟摄像头的环绕方向和速度等摄像参数。

虚拟摄像头的瞄准点指的是虚拟摄像头所拍摄的虚拟游戏场景中心点，可以采用0到1的参数来表示这个中心点到虚拟攻击对象或虚拟被攻击对象之间的距离。例如：中心点落在虚拟攻击对象和虚拟被攻击对象的中心连线上，可用0.5来表示；中心点落在虚拟攻击对象上，可用0来表示；中心点落在虚拟被攻击对象上，可用1来表示。当中心点落在虚拟攻击对象和虚拟被攻击对象的中心连线上时，虚拟摄像头可聚焦在虚拟攻击对象和虚拟被攻击对象两者之间拍摄虚拟游戏场景；当中心点落在虚拟攻击对象上时，虚拟摄像头可聚焦拍摄位于虚拟游戏场景中的虚拟攻击对象；当中心点落在虚拟被攻击对象上时，虚拟摄像机可聚焦拍摄位于虚拟游戏场景中的虚拟被攻击对象。这里的虚拟攻击对象指的是虚拟游戏场景中发起攻击的虚拟对象，虚拟被攻击对象指的是虚拟游戏场景中受到攻击的虚拟对象。

虚拟摄像头的拍摄距离指的是虚拟摄像头距离镜头瞄准点的距离，可以将拍摄画面刚好可以容纳虚拟攻击对象和虚拟被攻击对象时的拍摄距离记为1，然后采用一个正实数范围内的参数来描述镜头拍摄距离。

虚拟摄像头的水平角度指的是虚拟摄像头拍摄的水平方向角度，可以用一个从0°到180°的参数来描述镜头水平角度。例如：当镜头水平角度为0°时，虚拟摄像头“从虚拟攻击对象望向虚拟被攻击对象”；当虚拟摄像头的水平角度位于(0°，180°)范围内时，虚拟摄像头“在虚拟攻击对象和虚拟被攻击对象两者连线的一侧旁观”；当虚拟摄像头的水平角度为180°时，虚拟摄像头“从虚拟被攻击对象望向虚拟攻击对象”。这三种情况下，虚拟摄像头的水平角度正好转过180度(以虚拟攻击对象、虚拟被攻击对象的连线为准)。

虚拟摄像头的垂直角度指的是虚拟摄像头拍摄的仰角高度，其范围可设置在(-90°，90°)之间，可以将0°作为镜头垂直角度的初始值，此时虚拟摄像头保持水平方向拍摄。

虚拟摄像头的环绕方向和速度等摄像参数指的是虚拟摄像头围绕虚拟攻击对象和虚拟被攻击对象的旋转拍摄，这里可用正负号来表示镜头环绕方向，数值表示镜头环绕速度，数值越大，环绕速度越大。

需要说明的是，由于游戏对战是一个动态变化的游戏场景，虚拟攻击对象和虚拟被攻击对象之间的相对位置以及距离远近可能会发生变化，因而虚拟摄像头在根据所配置拍摄参数进行拍摄时，虚拟摄像头会根据游戏对战情况进行相应的跟随，使得精彩场景的镜头画面更为生动立体。

由于机器学习模型的模型参数可以被不断进行优化，能够动态适应复杂多变的游戏场景，有利于生成更加符合游戏玩家分享倾向的目标精彩视频流。

在一种可选的实施方式中，可以通过以历史精彩视频为训练数据，以历史精彩视频的互动反馈数据为目标函数，训练并优化机器学习模型的模型参数，得到参数优化后的机器学习模型。

历史精彩视频指的是历史游戏对局所对应的精彩视频，历史精彩视频的互动反馈数据可以包括针对历史精彩视频是否进行分享、点赞及评论等操作的反馈信息，可以反映出游戏玩家对于历史精彩视频的满意度，即是否与游戏玩家的个性化分享需求匹配。示例性的，若历史精彩视频被分享，则表明该历史精彩视频与游戏玩家的个性化分享需求匹配；若历史精彩视频没有被分享，则表明历史精彩视频与游戏玩家的个性化分享需求不匹配。

上述过程中，通过将历史精彩视频作为训练数据，历史精彩视频的互动反馈数据作为目标函数，对机器学习模型进行训练，不断优化生成目标精彩视频流的模型参数，打破了传统的固定视角的拍摄方式，实现了目标精彩视频流的个性化识别，场景适应性较强。

该机器学习模型的模型参数可以在模型参数区间范围内进行优化，即可以预先为模型参数的配置参数值分别确定相应的取值范围，以剔除掉没有意义的取值空间，保留各个配置参数一定的自由活动空间，从而避免固定参数难以覆盖各种游戏场景的问题。

此外，该机器学习模型的模型参数还可以为满足正态分布的离散模型参数。示例性的，虚拟摄像头的拍摄距离所对应的预设取值范围为[10，30]时，所生成的虚拟摄像头的拍摄距离可以满足均值为20(取值范围的中心)且标准差为10的正态分布的参数。这样，大部分情况下模型参数值会落在各自取值范围较为中间的部分，小部分情况下模型参数值也会有一定的概率超出取值范围，若这部分精彩视频真的引起游戏玩家的分享反馈，也会被捕捉到。

在一种可选的实施方式中，还可以执行如图2所示的步骤来得到参数优化后的机器学习模型，具体可包括以下步骤S210至步骤S230：

步骤S210，将历史精彩视频划分为训练集、验证集及测试集；

步骤S220，基于训练集、验证集及测试集对机器学习模型的模型参数进行迭代优化；其中，训练集用于对机器学习模型进行训练，验证集用于对机器学习模型进行评估，测试集对用于对机器学习模型进行测试；

步骤S230，当机器学习模型的模型参数满足迭代优化的终止条件时，得到参数优化后的机器学习模型。

训练集指的是训练该机器学习模型的历史精彩视频集合，可以用于对机器学习模型中的模型参数进行训练；验证集指的是用于验证该机器学习模型性能的历史精彩视频集合；测试集指的是用于对训练后的机器学习模型进行泛化能力评价的历史精彩视频集合。

迭代优化的终止条件指的是预先所设置的停止对机器学习模型进行迭代优化的条件。可例如：优化迭代次数达到预设次数、迭代优化所用时间达到预设时长、机器学习模型的误差小于特定阈值等，在实际应用过程中迭代优化的终止条件可以根据需要进行设置，这里不做具体限定。

图2所示的步骤中，在对机器学习模型的模型参数进行迭代优化时，通过将历史精彩数据进行样本划分，能够降低模型泛化误差，以便在将训练好的机器学习模型部署到真实环境中时，能够提供适配性较强的模型参数，进而从目标游戏视频中识别到更加精彩的视频流。此外，基于优化后的模型参数，还能够实现游戏精彩场景画面的动态优化，以不断提升虚拟摄像头的运镜效果，不仅可以在一定程度上减少开发人员的工作量，而且还能够避免规则设置缺陷的问题。

此外，上述所涉及到的机器学习模型可以包括但不限于以下组件：数据存储与数据调用组件、数据预处理组件、模型训练组件、训练结果汇总与可视化组件。其中，数据存储与数据调用组件，可以存储和调用机器学习模型运行过程中所产生的各种数据，也可以存储和调用用于迭代优化的样本数据，例如历史精彩视频，该组件可用以支撑该机器学习模型的运行。其中，数据预处理组件，可以对数据存储和数据调用组件中所要存储的各种数据进行清洗，去除异常数据，例如：由于网络原因使得目标精彩视频流的分享操作没有返回，导致数据异常等情况。此外，数据预处理组件还可以将数据存储和数据调用组件中所要存储的数据的各个维度特征进行归一化、标准化。其中，模型训练组件，可以采用神经网络进行学习，将历史精彩视频的互动反馈数据作为目标函数，优化精彩视频流参数、虚拟摄像头的拍摄参数等模型参数。其中，训练结果汇总与可视化组件，可以将该模型训练组件所得到的训练结果(例如优化后模型参数、机器学习模型的预测准确度等相关训练数据)进行可视化，以便于游戏设计者根据训练结果对模型的训练情况进行判断。

由于游戏对战的复杂多变性，在一局游戏中，可能会存在多个比较精彩的游戏时刻，因而在利用参数优化后的机器学习模型的精彩视频流参数识别目标游戏视频流中的目标精彩视频流时，可以预先从目标游戏视频流中筛选出满足一种或多种指定游戏事件的候选游戏视频流，并根据候选游戏视频流所对应的指定游戏事件的游戏权重值，从候选游戏视频流中确定目标精彩视频流。需要说明的是，候选游戏视频流所对应的游戏时长，可以是预设固定时长，候选游戏视频流所对应的游戏时长也可以由候选游戏视频流所涉及指定游戏事件的起始时刻和结束时刻来决定，这里不做具体限定。

由于单个候选视频流可能同时满足多种指定游戏事件，通过设置指定游戏事件的游戏权重值，可以对各候选视频流的精彩程度进行量化，有利于从多个候选视频流中更加精准的筛选出游戏中较为精彩的游戏场景内容。需要说明的是，指定游戏事件对应的事件权重与指定游戏事件的精彩程度相关，因而不同游戏事件所对应的事件权重可能是不同的，游戏事件对应的事件权重可以跟随机器学习模型的模型参数的迭代优化不断更新。

在一种可选的实施方式中，精彩视频流参数可以包括指定游戏事件及指定游戏事件对应的事件权重，步骤S110中利用参数优化后的机器学习模型的精彩视频流参数识别目标游戏视频流中的目标精彩视频流，可以通过图3所示的步骤来实现：

步骤S310，根据目标游戏视频流中的指定游戏事件及指定游戏事件对应的事件权重，确定目标游戏视频流中候选游戏视频流的精彩得分值；精彩得分值表征候选游戏视频流的精彩程度；

步骤S320，将精彩得分值超过精彩得分阈值的候选游戏视频流作为目标精彩视频流。

需要说明的是，为了便于各候选游戏视频流之间精彩程度的量化和对比，各游戏事件的事件权重，可以位于一个特定范围内，例如[0,1]范围。

在根据目标游戏视频流中的指定游戏事件及指定游戏事件对应的事件权重，确定目标游戏视频流中候选游戏视频流的精彩得分值时，可以预先从目标游戏视频流中筛选出满足一种或多种指定游戏事件的候选游戏视频流，并将候选游戏视频流所满足的指定游戏事件的游戏权重值进行求和，得到相应候选视频流的精彩得分值。

图3所示的步骤中，基于候选游戏视频流的精彩得分值，量化了候选游戏视频流的精彩程度，以便得到更加符合游戏玩家的分享需求的目标精彩视频流。

此外，还可以将模型参数中的精彩视频流参数及虚拟摄像头的拍摄参数与游戏玩家属性进行绑定，以为不同游戏玩家匹配不同的模型参数，从而实现游戏玩家针对目标精彩视频流的个性化需求。

在一种可选的实施方式中，机器学习模型的模型参数还可以包括游戏玩家属性，通过如图4所示的步骤来确定识别目标精彩视频流所采用的精彩视频流参数以及虚拟摄像头的拍摄参数，具体可包括以下步骤S410至步骤S430：

步骤S410，获取目标游戏玩家属性，目标游戏玩家属性为目标游戏视频流所对应的游戏玩家属性；

步骤S420，从机器学习模型的模型参数中确定与目标游戏玩家属性相匹配的精彩视频流参数以及与目标游戏玩家属性相匹配的虚拟摄像头的拍摄参数；

步骤S430，在识别目标游戏视频流中的目标精彩视频流时，将与目标游戏玩家属性相匹配的精彩视频流参数作为机器学习模型所采用的精彩视频流参数，将与目标游戏玩家属性相匹配的虚拟摄像头的拍摄参数作为机器学习模型所采用的拍摄参数。

其中，目标虚拟对象可以是由当前游戏玩家所控制的虚拟对象，目标虚拟对象也可以是预先所设定的位于目标游戏视频流所对应的游戏对局中任一其他游戏玩家所控制的虚拟对象。具体的，可以响应于当前游戏玩家的选取操作从本局游戏中确定目标虚拟对象。

其中，目标游戏玩家属性可包括：玩家段位、玩家性别、玩家所控制的虚拟对象(例如虚拟形象或虚拟角色等)、玩家所装配的武器或道具，以及装饰的皮肤等属性，游戏玩家属性反映游戏玩家在游戏中的各项游戏特征或性质。

由于不同的游戏玩家对于游戏精彩视频内容及游戏视频拍摄视角可能会有不同的偏好，不同受控的目标虚拟对象所适用的游戏精彩视频内容及游戏视频拍摄视角可能不同。示例性的，偏向于冷兵器贴身战斗的游戏玩家，可能更喜欢近距离展现战斗细节的镜头视角；偏向于远程攻击、远程技能的游戏玩家，则可能更喜欢长距离的全局镜头。示例性的，目标虚拟对象为战士时，更适用于近距离展现战斗细节的镜头视角；目标虚拟对象为射手时，更适用于长距离的全局镜头视角。

图4所示的步骤中，通过将游戏玩家属性分别与精彩视频流参数以及虚拟摄像头的拍摄参数之间建立相应的映射关系，以便采用符合游戏玩家自身特性的精彩视频流参数以及虚拟摄像头的拍摄参数，从而生成个性化的目标精彩视频流。这里的目标游戏玩家属性指的是目标虚拟对象所对应的游戏玩家属性。

需要说明的是，机器学习模型的模型参数包括游戏玩家属性时，可以以历史精彩视频所对应的游戏玩家属性、精彩视频流参数、虚拟摄像头的拍摄参数为训练数据，以历史精彩视频的互动反馈数据(例如，目标精彩视频流的分享结果)为目标函数，训练并优化所述机器学习模型的模型参数，得到参数优化后的机器学习模型，以便动态提升所识别到的目标精彩游戏视频流与游戏玩家的分享需求之间的匹配度。

如图5所示，提供一种基于目标游戏玩家属性识别目标精彩视频流的流程图，以实现游戏玩家针对目标精彩视频流的个性化需求，具体可以包括以下步骤。

步骤S510，获取目标游戏玩家属性，目标游戏玩家属性为目标游戏视频流所对应的游戏玩家属性；

步骤S520，从参数优化后的机器学习模型的模型参数中确定与目标游戏玩家属性相匹配的精彩视频流参数以及与目标游戏玩家属性相匹配的虚拟摄像头的拍摄参数；

步骤S530，利用与目标游戏玩家属性相匹配的精彩视频流参数识别目标游戏视频流中的目标精彩视频流；其中，目标精彩视频流为配置了与目标游戏玩家属性相匹配的拍摄参数的虚拟摄像头拍摄虚拟游戏场景得到的游戏视频流。

在识别目标精彩视频流后，可继续执行图1中的步骤S120。

步骤S120，响应于对目标精彩视频流的分享操作，将目标精彩视频流进行分享。

目标精彩视频流的分享操作指的是将目标精彩视频流进行分享的玩家操作，可例如：作用于游戏结算界面的快捷分享按钮的点击操作。该分享操作可以将目标精彩视频流以gif小动画的形式共享至社交平台，以使得目标精彩视频流的分享更加立体生动。其中gif是一种比较常用的动态图像格式，可以是由多帧图像合并在一起组成的动画。

在一种可选的实施方式中，还可以将目标精彩视频流作为历史精彩视频更新训练数据；基于更新后的训练数据，对参数优化后的机器学习模型的模型参数进行新一轮迭代优化，以便不断提升后续所识别到的精彩游戏视频流与游戏玩家的个性化视频分享需求的匹配度。

本公开的示例性实施方式还提供一种游戏视频流分享装置，如图6所示，该游戏视频流分享装置600可以包括：

视频流识别模块610，用于利用参数优化后的机器学习模型的精彩视频流参数识别目标游戏视频流中的目标精彩视频流；其中，目标精彩视频流为配置了参数优化后的机器学习模型的拍摄参数的虚拟摄像头拍摄虚拟游戏场景得到的游戏视频流；机器学习模型的模型参数至少包括精彩视频流参数及虚拟摄像头的拍摄参数；

视频流分享模块620，用于响应于对目标精彩视频流的分享操作，将目标精彩视频流进行分享。

在一种可选的实施方式中，游戏视频流分享装置600中，可以包括：第一模型训练模块，用于通过以历史精彩视频为训练数据，以历史精彩视频的互动反馈数据为目标函数，训练并优化机器学习模型的模型参数，得到参数优化后的机器学习模型。

在一种可选的实施方式中，第一模型训练模块，可以被配置为：将历史精彩视频划分为训练集、验证集及测试集；基于训练集、验证集及测试集对机器学习模型的模型参数进行迭代优化；其中，训练集用于对机器学习模型进行训练，验证集用于对机器学习模型进行评估，测试集对用于对机器学习模型进行测试；当机器学习模型的模型参数满足迭代优化的终止条件时，得到参数优化后的机器学习模型。

在一种可选的实施方式中，游戏视频流分享装置600中，还可以包括：第二模型训练模块，该第二模型训练模块可以被配置为：将目标精彩视频流作为历史精彩视频更新训练数据；基于更新后的训练数据，对参数优化后的机器学习模型的模型参数进行新一轮迭代优化。

在一种可选的实施方式中，游戏视频流分享装置600中机器学习模型的模型参数可以在模型参数区间范围内进行优化。

在一种可选的实施方式中，游戏视频流分享装置600中机器学习模型的模型参数可以为满足正态分布的离散模型参数。

在一种可选的实施方式中，精彩视频流参数包括指定游戏事件及指定游戏事件对应的事件权重，视频流识别模块610，可以被配置为：根据目标游戏视频流中的指定游戏事件及指定游戏事件对应的事件权重，确定目标游戏视频流中候选游戏视频流的精彩得分值；精彩得分值表征候选游戏视频流的精彩程度；将精彩得分值超过精彩得分阈值的候选游戏视频流作为目标精彩视频流。

在一种可选的实施方式中，机器学习模型的模型参数还包括游戏玩家属性，游戏视频流分享装置600中还包括：属性获取模块，用于获取目标游戏玩家属性，目标游戏玩家属性为目标游戏视频流所对应的游戏玩家属性；参数确定模型，用于从机器学习模型的模型参数中确定与目标游戏玩家属性相匹配的精彩视频流参数以及与目标游戏玩家属性相匹配的虚拟摄像头的拍摄参数；参数使用模型，用于在识别目标游戏视频流中的目标精彩视频流时，将与目标游戏玩家属性相匹配的精彩视频流参数作为机器学习模型所采用的精彩视频流参数，将与目标游戏玩家属性相匹配的虚拟摄像头的拍摄参数作为机器学习模型所采用的拍摄参数。

在一种可选的实施方式中，游戏视频流分享装置600中虚拟摄像头的拍摄参数，可以包括以下任意一种或多种：虚拟摄像头的瞄准点、虚拟摄像头的拍摄距离、虚拟摄像头的水平角度、虚拟摄像头的垂直角度、虚拟摄像头的环绕方向和速度。

上述游戏视频流分享装置600中各部分的具体细节在方法部分实施方式中已经详细说明，未披露的细节内容可以参见方法部分的实施方式内容，因而不再赘述。

本公开的示例性实施方式还提供了一种计算机可读存储介质，其上存储有能够实现本说明书上述游戏视频流分享方法的程序产品。在一些可能的实施方式中，本公开的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当程序产品在电子设备上运行时，程序代码用于使电子设备执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。该程序产品可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在电子设备，例如个人电脑上运行。然而，本公开的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行***、装置或者器件使用或者与其结合使用。

程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的***、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。

计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。

可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言的任意组合来编写用于执行本公开操作的程序代码，程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

本公开的示例性实施方式还提供了一种能够实现上述游戏视频流分享方法的电子设备。下面参照图7来描述根据本公开的这种示例性实施方式的电子设备700。图7显示的电子设备700仅仅是一个示例，不应对本公开实施方式的功能和使用范围带来任何限制。

如图7所示，电子设备700可以以通用计算设备的形式表现。电子设备700的组件可以包括但不限于：至少一个处理单元710、至少一个存储单元720、连接不同***组件(包括存储单元720和处理单元710)的总线730和显示单元740。

存储单元720存储有程序代码，程序代码可以被处理单元710执行，使得处理单元710执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。例如，处理单元710可以执行图1至图5中任意一个或多个方法步骤。

存储单元720可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)721和/或高速缓存存储单元722，还可以进一步包括只读存储单元(ROM)723。

存储单元720还可以包括具有一组(至少一个)程序模块725的程序/实用工具724，这样的程序模块725包括但不限于：操作***、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。

总线730可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、***总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。

电子设备700也可以与一个或多个外部设备800(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备700交互的设备通信，和/或与使得该电子设备700能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口750进行。并且，电子设备700还可以通过网络适配器760与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器760通过总线730与电子设备700的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备700使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID***、磁带驱动器以及数据备份存储***等。

通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开示例性实施方式的方法。

此外，上述附图仅是根据本公开示例性实施方式的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。

应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的示例性实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。

所属技术领域的技术人员能够理解，本公开的各个方面可以实现为***、方法或程序产品。因此，本公开的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“***”。本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其他实施方式。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施方式仅被视为示例性的，本公开的真正范围和精神由权利要求指出。

应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限定。

Claims (12)

1.一种游戏视频流分享方法，其特征在于，所述方法包括：

利用参数优化后的机器学习模型的精彩视频流参数识别目标游戏视频流中的目标精彩视频流；其中，所述目标精彩视频流为配置了参数优化后的机器学习模型的拍摄参数的虚拟摄像头拍摄虚拟游戏场景得到的游戏视频流；机器学习模型的模型参数至少包括精彩视频流参数及虚拟摄像头的拍摄参数；

响应于对所述目标精彩视频流的分享操作，将所述目标精彩视频流进行分享。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：

通过以历史精彩视频为训练数据，以所述历史精彩视频的互动反馈数据为目标函数，训练并优化所述机器学习模型的模型参数，得到参数优化后的机器学习模型。

3.根据权利要求2所述的方法，其特征在于，所述方法还包括：

将历史精彩视频划分为训练集、验证集及测试集；

基于所述训练集、所述验证集及所述测试集对所述机器学习模型的模型参数进行迭代优化；其中，所述训练集用于对所述机器学习模型进行训练，所述验证集用于对所述机器学习模型进行评估，所述测试集对用于对所述机器学习模型进行测试；

当所述机器学习模型的模型参数满足迭代优化的终止条件时，得到参数优化后的机器学习模型。

4.根据权利要求2所述的方法，其特征在于，所述方法还包括：

将所述目标精彩视频流作为历史精彩视频更新所述训练数据；

基于更新后的训练数据，对参数优化后的所述机器学习模型的模型参数进行新一轮迭代优化。

5.根据权利要求1所述的方法，其特征在于，所述机器学习模型的模型参数在模型参数区间范围内进行优化。

6.根据权利要求1所述的方法，其特征在于，所述机器学习模型的模型参数为满足正态分布的离散模型参数。

7.根据权利要求1所述的方法，其特征在于，所述精彩视频流参数包括指定游戏事件及指定游戏事件对应的事件权重，所述利用参数优化后的机器学习模型的精彩视频流参数识别目标游戏视频流中的目标精彩视频流，包括：

根据所述目标游戏视频流中的指定游戏事件及所述指定游戏事件对应的事件权重，确定所述目标游戏视频流中候选游戏视频流的精彩得分值；所述精彩得分值表征候选游戏视频流的精彩程度；

将精彩得分值超过精彩得分阈值的候选游戏视频流作为目标精彩视频流。

8.根据权利要求1所述的方法，其特征在于，所述机器学习模型的模型参数还包括游戏玩家属性，所述方法还包括：

获取目标游戏玩家属性，所述目标游戏玩家属性为所述目标游戏视频流所对应的游戏玩家属性；

从所述机器学习模型的模型参数中确定与所述目标游戏玩家属性相匹配的精彩视频流参数以及与所述目标游戏玩家属性相匹配的虚拟摄像头的拍摄参数；

在识别目标游戏视频流中的目标精彩视频流时，将与所述目标游戏玩家属性相匹配的精彩视频流参数作为所述机器学习模型所采用的精彩视频流参数，将与所述目标游戏玩家属性相匹配的虚拟摄像头的拍摄参数作为所述机器学习模型所采用的拍摄参数。

9.根据权利要求1所述的方法，其特征在于，所述虚拟摄像头的拍摄参数，包括以下任意一种或多种：

虚拟摄像头的瞄准点、虚拟摄像头的拍摄距离、虚拟摄像头的水平角度、虚拟摄像头的垂直角度、虚拟摄像头的环绕方向和速度。

10.一种游戏视频流分享装置，其特征在于，所述装置包括：

视频流识别模块，用于利用参数优化后的机器学习模型的精彩视频流参数识别目标游戏视频流中的目标精彩视频流；其中，所述目标精彩视频流为配置了参数优化后的机器学习模型的拍摄参数的虚拟摄像头拍摄虚拟游戏场景得到的游戏视频流；机器学习模型的模型参数至少包括精彩视频流参数及虚拟摄像头的拍摄参数；

视频流分享模块，用于响应于对所述目标精彩视频流的分享操作，将所述目标精彩视频流进行分享。

11.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至9任一项所述的方法。

12.一种电子设备，其特征在于，包括：

处理器；以及

存储器，用于存储所述处理器的可执行指令；

其中，所述处理器配置为经由执行所述可执行指令来执行权利要求1至9任一项所述的方法。