游戏轨迹数据预处理方法及相关设备技术

本申请提供一种游戏轨迹数据预处理方法及相关设备。所述方法包括：将游戏轨迹数据转换为第一网格序列；合并所述第一网格序列中的高频相邻网格，计算得到第二网格序列；提取所述第二网格序列的嵌入向量，计算得到嵌入向量序列；所述嵌入向量序列作为训练集输入深度学习模型。本申请实施例通过将游戏轨迹数据转换为第一网格序列，将第一网格序列的高频相邻网格进行合并，再提取第二网格序列的嵌入向量，能够捕获环境因素对轨迹分布的先验影响和轨迹中潜在的上下文语义信息，实现了对长轨迹数据的有效压缩。据的有效压缩。据的有效压缩。

【技术实现步骤摘要】
游戏轨迹数据预处理方法及相关设备


[0001]本申请涉及人工智能
，尤其涉及一种游戏轨迹数据预处理方法及相关设备。

技术介绍

[0002]近年来，随着全球游戏市场的持续繁荣，数据驱动型在线游戏产品成为了市场主流。在线游戏厂商通过人工智能技术赋能游戏产品，能够有效改进游戏的开发和运营能力，优化用户游戏体验，从而提升市场营收。轨迹是游戏中易于收集的数据，具有通用性强、敏感性低的特点，完整地记录了用户游戏过程中的操作行为，对分析挖掘用户的行为模式具有重要价值，因此在游戏人工智能领域受到了广泛的关注。
[0003]目前，常用的游戏轨迹数据主要包含鼠标轨迹、触控轨迹和移动轨迹三种，涵盖了PC电脑、平板电脑、手机等多种游戏设备。然而，游戏轨迹数据在实际使用中存在三方面问题。(1)由于需要尽可能完整地追踪和记录玩家在特定游戏玩法或场景中的整个活动周期，采集的原始轨迹通常很长，通常一条轨迹中一般会达到数千甚至数万个坐标点。因此，直接使用长轨迹数据建模在性能和效率两方面上都存在瓶颈。(2)由于游戏客户端的不同设置，采集的原始轨迹通常具有不同的坐标比例尺，无法进行统一的归一化或标准化。常用的解决方案是采用网格映射方法进行预处理，即将轨迹坐标平面划分为若干尺寸相同的网格，并将轨迹中的坐标映射到相应的网格来离散原始轨迹。这种预处理方式无法感知环境因素对轨迹分布的先验影响，例如轨迹会受到游戏客户端的UI(控制位置、界面布局等)或者游戏场景元素(建筑、山脉或兴趣点等)的影响。(3)网格嵌入向量通常会初始化为一个随机向量作为神经网络模型的输入，因此无法捕获网格之间潜在的上下文语义信息。

技术实现思路

[0004]有鉴于此，本申请的目的在于提出一种游戏轨迹数据预处理方法及相关设备。
[0005]基于上述目的，本申请提供了一种游戏轨迹数据预处理方法，其特征在于，包括：
[0006]将游戏轨迹数据转换为第一网格序列；
[0007]合并所述第一网格序列中的高频相邻网格，计算得到第二网格序列；
[0008]提取所述第二网格序列的嵌入向量，计算得到嵌入向量序列；所述嵌入向量序列作为训练集输入深度学习模型。
[0009]在一种可能的实现方式中，所述将游戏轨迹数据转换为第一网格序列，包括：
[0010]将所述游戏轨迹数据的坐标平面划分为至少两个网格；
[0011]将所述游戏轨迹数据对应的所述网格构成所述第一网格序列。
[0012]在一种可能的实现方式中，各个所述网格的大小均相同。
[0013]在一种可能的实现方式中，所述游戏轨迹数据包括至少两个轨迹坐标；
[0014]每一所述轨迹坐标仅对应于一个所述网格。
[0015]在一种可能的实现方式中，所述第二网格序列映射的轨迹长度小于所述第一网格
序列映射的轨迹长度。
[0016]在一种可能的实现方式中，所述合并所述第一网格序列中的高频相邻网格，计算得到第二网格序列，包括：
[0017]统计所述第一网格序列中相邻网格出现的频数；
[0018]将所述频数达到指定阈值的相邻网格合并为新的网格；
[0019]响应于所述第一网格序列的大小达到预设期望值，所述第一网格序列转化为所述第二网格序列。
[0020]在一种可能的实现方式中，所述预设期望值的大小根据所述游戏轨迹数据的各个坐标轴的坐标值区间大小决定。
[0021]在一种可能的实现方式中，所述预设期望值的大小为所述游戏轨迹数据的1/4至1/2。
[0022]在一种可能的实现方式中，所述提取所述第二网格序列的嵌入向量，计算得到嵌入向量序列，包括：
[0023]利用Word2vec算法提取所述第二网格序列的嵌入向量，计算得到嵌入向量序列。
[0024]基于同一专利技术构思，本说明书一个或多个实施例还提供了一种游戏轨迹数据预处理装置，包括：
[0025]转换模块，被配置为将游戏轨迹数据转换为第一网格序列；
[0026]合并模块，被配置为合并所述第一网格序列中的高频相邻网格，计算得到第二网格序列；
[0027]提取模块，被配置为提取所述第二网格序列的嵌入向量，计算得到嵌入向量序列；所述嵌入向量序列作为训练集输入深度学习模型。
[0028]基于同一专利技术构思，本说明书一个或多个实施例还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任意一项所述的游戏轨迹数据预处理方法。
[0029]基于同一专利技术构思，本说明书一个或多个实施例还提供了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行上述任一所述的游戏轨迹数据预处理方法。
[0030]从上面所述可以看出，本申请实施例提供的游戏轨迹数据预处理方法及相关设备，通过将游戏轨迹数据转换为第一网格序列；合并所述第一网格序列中的高频相邻网格，计算得到第二网格序列；提取所述第二网格序列的嵌入向量，计算得到嵌入向量序列；所述嵌入向量序列用于输入深度学习模型。对于长轨迹数据来说，通过将其转换为网格序列，再将高频出现的相邻网格进行合并，能够有效的将长轨迹数据进行压缩，使得后续的处理效率更高，进一步的，还能够有效捕捉环境因素对轨迹分布的先验影响，提升网格映射的性能。将高频出现的相邻网格进行合并后，再利用Word2vec算法对合并后得到的网格序列进行嵌入向量的提取，该步骤能够有效的捕捉网格之间潜在的上下文语义信息，提升网格嵌入的性能。
附图说明
[0031]为了更清楚地说明本申请或相关技术中的技术方案，下面将对实施例或相关技术
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。
[0032]图1为本申请实施例的游戏轨迹数据预处理方法的应用场景示意图；
[0033]图2为本申请实施例的游戏轨迹数据预处理方法流程图；
[0034]图3为本申请实施例的游戏轨迹坐标网格划分示意图；
[0035]图4为本申请实施例的游戏轨迹数据预处理装置结构图；
[0036]图5为本申请实施例的电子设备结构示意图。
具体实施方式
[0037]为使本申请的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本申请进一步详细说明。
[0038]需要说明的是，除非另外定义，本申请实施例使用的技术术语或者科学术语应当为本申请所属领域内具有一般技能的人士所理解的通常意义。本申请实施例中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“连接”或者“相连”等类似本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种游戏轨迹数据预处理方法，其特征在于，包括：将游戏轨迹数据转换为第一网格序列；合并所述第一网格序列中的高频相邻网格，计算得到第二网格序列；提取所述第二网格序列的嵌入向量，计算得到嵌入向量序列；所述嵌入向量序列作为训练集输入深度学习模型。2.根据权利要求1所述的方法，其特征在于，所述将游戏轨迹数据转换为第一网格序列，包括：将所述游戏轨迹数据的坐标平面划分为至少两个网格；将所述游戏轨迹数据对应的所述网格构成所述第一网格序列。3.根据权利要求2所述的方法，其特征在于，所述游戏轨迹数据包括至少两个轨迹坐标；每一所述轨迹坐标对应于一个所述网格。4.根据权利要求1所述的方法，其特征在于，所述第二网格序列映射的轨迹长度小于所述第一网格序列映射的轨迹长度。5.根据权利要求1所述的方法，其特征在于，所述合并所述第一网格序列中的高频相邻网格，计算得到第二网格序列，包括：统计所述第一网格序列中相邻网格出现的频数；将所述频数达到指定阈值的相邻网格合并为新的网格；响应于所述第一网格序列的大小达到预设期望值，所述第一网格序列转化为所述第二网格序列。6.根据权利要求5所述的方法，其特征在于，所述预设期望值的大小根据所述游戏轨迹数据的各个坐标轴的坐标值区间大小决定。7.根据权利要求6所述的方法，其特征在于，所述预设期望值的大小为所述轨迹数据的1/4至1/2。8.根据权利要求1所述的方法，其特征在于，所述提取所述第二网格序...

【专利技术属性】
技术研发人员：赵世玮，刘昊俣，吴润泽，林建实，陶建容，沈乔治，吕唐杰，范长杰，胡志鹏，
申请(专利权)人：网易杭州网络有限公司，
类型：发明
国别省市：