处理游戏数据的方法、装置、电子设备制造方法及图纸

本公开涉及一种处理游戏数据的方法、装置、电子设备及计算机可读存储介质。该处理游戏数据的方法包括：基于游戏进程中的时间窗口内发生的事件集合，确定所述时间窗口对应的事件图谱，所述事件图谱的节点分别对应于动作、队伍和成员中的至少一项，所述事件图谱的边对应于所述节点的关联关系；基于所述时间窗口对应的事件图谱,计算每个队伍在所述时间窗口的结束时刻的特征向量；以及基于每个队伍在所述时间窗口的结束时刻的特征向量，预测所述每个队伍在所述游戏进程的结束时刻对应的结果。本公开对游戏进程中的各个状态的事件图谱进行表征学习，以生成足够准确的用于表征游戏中的队伍的特征向量，提高了胜率预测的准确性。提高了胜率预测的准确性。提高了胜率预测的准确性。

【技术实现步骤摘要】
处理游戏数据的方法、装置、电子设备


[0001]本公开涉及人工智能服务领域和云游戏领域，更具体地涉及一种处理游戏数据的方法/装置、电子设备及计算机可读存储介质。

技术介绍

[0002]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，例如常见的社交、电商、药物发现、电子游戏、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。
[0003]目前已经提出利用人工智能技术来对MOBA类游戏进行结果预测。通过机器学习等方案，来根据用户操作数据、游戏数据和虚拟角色选择等因素，来估计MOBA类游戏的结果。然而，相关技术中的预测方案仍无法处理游戏过程中复杂的角色关系/事件关系、无法处理游戏进行过程中的动态变化。此外，相关技术中的预测方案的鲁棒性不高，预测准确性和效率都较低。
[0004]因此，需要对相关技术进行进一步地改进。

技术实现思路

[0005]本公开实施例提供了一种处理游戏数据的方法、装置、电子设备和计算机可读存储介质。
[0006]本公开实施例提供了一种处理游戏数据的方法，包括：基于游戏进程中的时间窗口内发生的事件集合，确定所述时间窗口对应的事件图谱，所述事件图谱的节点分别对应于动作、队伍和成员中的至少一项，所述事件图谱的边对应于所述节点的关联关系；基于所述时间窗口对应的事件图谱,计算每个队伍在所述时间窗口的结束时刻的特征向量；以及基于每个队伍在所述时间窗口的结束时刻的特征向量，预测所述每个队伍在所述游戏进程的结束时刻对应的结果。
[0007]本公开实施例提供了一种处理游戏数据的装置，包括：事件图谱建构模块，被配置为基于游戏进程中的时间窗口内发生的事件集合，确定所述时间窗口对应的事件图谱，所述事件图谱的节点分别对应于动作、队伍和成员中的至少一项，所述事件图谱的边对应于所述节点的关联关系；编码模块，被配置为基于所述时间窗口对应的事件图谱,计算每个队伍在所述时间窗口的结束时刻的特征向量；以及胜率预测模块，被配置为：基于每个队伍在所述时间窗口的结束时刻的特征向量，预测所述每个队伍在所述游戏进程的结束时刻对应的结果。
[0008]本公开实施例公开了一种电子设备，包括：一个或多个处理器；和一个或多个存储器，其中，所述存储器中存储有计算机可执行程序，当由所述处理器执行所述计算机可执行程序时，执行上述的方法。
[0009]本公开实施例提供了一种计算机可读存储介质，其上存储有计算机指令，该计算
机指令被处理器执行时实现上述方法。
[0010]根据本公开的另一方面，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述各个方面或者上述各个方面的各种可选实现方式中提供的方法。
[0011]本公开实施例能够通过游戏的事件图谱学习到游戏过程中复杂的角色关系和事件关系，以使得预测模型能够生成足够准确的用于表征游戏中的事件、队伍和成员的特征向量，从而提高了结果预测的准确性。本公开的一些实施例的训练过程还根据游戏的不同阶段设计了胜率预测分布，以更符合游戏进程的方式，对预测模型进行训练，从而使得预测模型能够获取更准确的预测结果。此外，本公开的一些实施例的训练过程还通过将各个队伍进行两两的优势比较，以使得预测模型能够学习到各个队伍之间的相对优势，从而得到更为鲁棒的预测模型。
附图说明
[0012]为了更清楚地说明本公开实施例的技术方案，下面将对实施例的描述中所需要使用的附图作简单的介绍。下面描述中的附图仅仅是本公开的示例性实施例。
[0013]图1是示出根据本公开实施例的场景的示例示意图。
[0014]图2示出了根据本公开实施例的处理游戏数据的方法的流程图。
[0015]图3是根据本公开实施例的事件集合和事件图谱的示意图。
[0016]图4示出了根据本公开实施例的预测模型的一个示意图。
[0017]图5示出了根据本公开实施例的对预测模型进行训练的示意图。
[0018]图6示出了根据本公开实施例的电子设备的示意图。
[0019]图7示出了根据本公开实施例的示例性计算设备的架构的示意图。
[0020]图8示出了根据本公开实施例的存储介质的示意图。
具体实施方式
[0021]为了使得本公开的目的、技术方案和优点更为明显，下面将参照附图详细描述根据本公开的示例实施例。显然，所描述的实施例仅仅是本公开的一部分实施例，而不是本公开的全部实施例，应理解，本公开不受这里描述的示例实施例的限制。
[0022]在本说明书和附图中，具有基本上相同或相似操作和元素用相同或相似的附图标记来表示，且对这些操作和元素的重复描述将被省略。同时，在本公开的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性或排序。
[0023]为便于描述本公开，以下介绍与本公开有关的概念。
[0024]MOBA类游戏是一种多人在线战术竞技游戏，英文全称为Multiplayer Online Battle Arena。该类游戏的基本模式是两个竞技队伍或多个竞技队伍对抗，每个团队由若干成员控制一个英雄角色，通过摧毁对方的防御塔和消灭对方控制的虚拟角色(例如英雄角色)来达成胜利条件。MOBA类游戏的特点是强调团队合作和战略规划，成员需要根据不同的英雄角色，选择合适的技能和装备来提升自己的战斗力，同时需要与队友保持沟通和协调，制定并执行有效的战术，以期在对抗中占据优势并取得胜利。
[0025]胜率预测是一种在MOBA类游戏中应用的数据分析方法，旨在预测每支竞技队伍在比赛中赢得胜利的概率。该方法通过收集和处理游戏中的各种数据，如英雄选择、技能搭配、装备配置、团队配合、对手情况等，运用基于人工智能的预测模型或普通的数据计算模型来计算每支队伍的胜率，并根据胜率的高低来评估每支队伍的实力和优劣。胜率预测可以帮助成员和观众更好地了解比赛的情况和结果，也可以为成员提供参考和指导，帮助他们提高自己的游戏水平和竞技水平。
[0026]本公开的预测模型可以是基于人工智能(Artificial intelligence，AI)的。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、技术及应用系统。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。例如，对于本公开的预测模型而言，其能够以类似于人类理解表征MOBA类游戏的事件图谱的各个节点数据的方式，根据事件图谱中的各个节点和节点间的关联关系，预测某只队伍或多只竞技队伍在游戏中的胜率。人工智能通过研本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种处理游戏数据的方法，包括：基于游戏进程中的时间窗口内发生的事件集合，确定所述时间窗口对应的事件图谱，所述事件图谱的节点分别对应于动作、队伍和成员中的至少一项，所述事件图谱的边对应于所述节点的关联关系；基于所述时间窗口对应的事件图谱,计算每个队伍在所述时间窗口的结束时刻的特征向量；以及基于每个队伍在所述时间窗口的结束时刻的特征向量，预测所述每个队伍在所述游戏进程的结束时刻对应的结果。2.如权利要求1所述的方法，其中，所述基于游戏进程中的时间窗口内发生的事件集合，确定所述时间窗口对应的事件图谱包括：响应于所述事件集合中的第一事件指示第一成员执行了第一动作，在所述事件图谱中连接代表所述第一成员的节点和代表所述第一动作的节点的第一边；响应于所述事件集合中的第二事件指示所述第一成员与第二成员邻近，在所述事件图谱中连接代表所述第一成员的节点和代表所述第二成员的节点的第二边；响应于所述事件集合中的第三事件指示第三成员受到了第二动作的影响，在所述事件图谱中连接代表所述第三成员的节点和代表所述第二动作的节点的第三边；以及响应于所述事件集合中的第三事件指示第四成员属于第一队伍，在所述事件图谱中连接代表所述第一队伍的节点和代表所述第四成员的节点的第四边。3.如权利要求1所述的方法，其中，所述基于所述时间窗口对应的事件图谱,计算每个队伍在所述时间窗口的结束时刻的特征向量包括：对事件图谱中的各个节点进行初始特征映射，以获取所述事件集合中的每个动作的节点特征向量、每个队伍的节点特征向量和每个成员的节点特征向量；以及基于所述每个动作的节点特征向量、每个队伍的节点特征向量、每个成员的节点特征向量以及所述事件图谱，确定每个队伍的编码特征向量，并将所述每个队伍的编码特征向量作为所述每个队伍在所述时间窗口的结束时刻的特征向量。4.如权利要求3所述的方法，其中，所述对事件图谱中的各个节点进行初始特征映射包括：确定所述事件集合中的每个动作对应的原始特征向量、每个队伍对应的原始特征向量、以及每个成员对应的原始特征向量；以及基于所述事件集合中的每个动作对应的原始特征向量、每个队伍对应的原始特征向量、以及每个成员对应的原始特征向量，确定所述事件集合中的每个动作的节点特征向量、每个队伍的节点特征向量和每个成员的节点特征向量。5.如权利要求3所述的方法，其中，由异质图神经网络来确定所述每个队伍的编码特征向量，所述异质图神经网络包括多个隐藏层，每个隐藏层均对每个动作的节点特征向量、每个队伍的节点特征向量和每个成员的节点特征向量进行编码，其中，除第一个隐藏以外的每个隐藏层的编码包括：获取事件图谱中的第一节点经所述异质图神经网络中前一隐藏层编码后的隐藏状态向量；获取经所述异质图神经网络中前一隐藏层编码后的第一节点和第二节点间的邻居信
息；以及基于所述隐藏状态向量和所述邻居信息，确定所述隐藏层编码的隐藏状态向量。6.如权利要求3所述的方法，其中，由同质图神经网络来确定所述每个队伍的编码特征向量，所述确定所述每个队伍的编码特征向量包括：将所述事件图谱分解为多个同质子图，每个同质子图包括具有相同属性的关系；对每个同质子图分别应用同质图编码器，以获取每个节点在每种关系下的第一特征向量；对每个节点在每种关系下的邻居信息进行聚合以获取聚合后的邻居信息；将聚合后的邻居信息与所述每个节点在每种关系下的第一特征向量进行融合，以获取每个节点对应的编码特征向量；以及从所述每个节点对应的编码特征向量中选择所述每个队伍的编码特征向量。7.如权利要求3所述的方法，其中，由序列图编码器来确定所述每个队伍的编码特征向量，所述确定所述每个队伍的编码特征向量包括：获取时序序列，所述时序序列中的每个元素为单张事...

【专利技术属性】
技术研发人员：刘星言，杨奕凡，周聪，陈万顺，陈梓阳，杜楠，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：