游戏结果的预测方法、装置及存储介质与流程

本申请涉及游戏技术领域，具体涉及一种游戏结果的预测方法、装置及存储介质。

背景技术：

在如今的互联网数字时代，电子游戏已经成为了国民生活的重要组成部分，而moba(multiplayeronlinebattlearena，多人在线战术竞技游戏)游戏是目前最流行的电子游戏类型。如今moba类电子竞技已经成为了亚运会等体育竞技比赛中的正规项目，而各游戏的直播、线下比赛等活动也为社会创造了巨额的经济财富，极大地丰富了人们的生活。在这样的时代背景之下，moba游戏胜率预测系统能够被应用于阵容推荐、比赛直播、虚拟主播话术生成等各个方面，有着广阔的应用前景和巨大的经济价值。

但是，在利用现有的moba游戏胜率预测系统进行游戏结果预测时，得到的游戏结果仅包括游戏中对战双方的胜率值，存在内容单一，实用价值低的问题。

技术实现要素：

本申请实施例提供一种游戏结果的预测方法、装置及存储介质，以解决在进行游戏结果预测时由于只能给出游戏中对战双方的胜率预测值，而导致得到的游戏结果内容单一，实用价值低的问题。

本申请实施例提供了一种游戏结果的预测方法，包括：

从预测时间点的游戏图像帧中，确定至少两个对战方中每个对战方的多个游戏特征数据组，每个游戏特征数据组包括至少一个游戏特征数据，不同游戏特征数据组属于不同的特征类型；

根据同一特征类型的所有游戏特征数据组，确定每个对战方的独立预测胜率值，同一对战方不同特征类型各对应一个独立预测胜率值；

根据预测时间点确定每个特征类型对应的瞬时权重值；

根据所有独立预测胜率值和瞬时权重值生成游戏结果，游戏结果包括每个对战方的综合预测胜率值、以及每个特征类型对应的特征贡献值。

本申请实施例还提供了一种游戏结果的预测装置，包括：

第一确定模块，用于从预测时间点的游戏图像帧中，确定至少两个对战方中每个对战方的多个游戏特征数据组，每个游戏特征数据组包括至少一个游戏特征数据，不同游戏特征数据组属于不同的特征类型；

第二确定模块，用于根据同一特征类型的所有游戏特征数据组，确定每个对战方的独立预测胜率值，同一对战方不同特征类型各对应一个独立预测胜率值；

第三确定模块，用于根据预测时间点确定每个特征类型对应的瞬时权重值；

第一生成模块，用于根据所有独立预测胜率值和瞬时权重值生成游戏结果，游戏结果包括每个对战方的综合预测胜率值、以及每个特征类型对应的特征贡献值。

其中，第二确定模块具体包括：

确定单元，用于从已训练的胜率预测模型中确定每个特征类型对应的胜率预测子模型；

处理单元，用于利用胜率预测子模型对相应特征类型的游戏特征数据组进行处理，得到相应特征类型每个对战方的独立预测胜率值；

第三确定模块具体用于：

利用已训练的胜率预测模型中的时间权重子模型和预测时间点，确定每个特征类型对应的瞬时权重值。

其中，游戏结果的预测装置还包括：

获取模块，用于获取多局已结束的游戏录像，每局游戏录像中包括至少两个历史对战方，并获取每局游戏录像中每个历史对战方的最终胜率值；

提取模块，用于从每局游戏录像中提取多个选定时间点的游戏样本图像帧；

第四确定模块，用于从每一游戏样本图像帧中，确定每个历史对战方的多个游戏样本特征数据组，每个游戏样本特征数据组包括至少一个游戏样本特征数据，不同游戏样本特征数据组属于不同的特征类型；

训练模块，用于根据选定时间点、特征类型、最终胜率值以及游戏样本特征数据组，对预设的胜率预测模型进行训练，以得到已训练的胜率预测模型。

其中，预设的胜率预测模型包括多个胜率预测子模型和时间权重子模型，且不同特征类型各对应一个胜率预测子模型，训练模块具体包括：

第一训练单元，用于根据同一特征类型的所有游戏样本特征数据组、以及最终胜率值，对相应胜率预测子模型进行训练；

第二训练单元，用于根据各个选定时间点的所有特征类型的游戏样本特征数据组、以及最终胜率值，对时间权重子模型进行训练。

其中，特征类型包括经济特征类型、击杀特征类型和防御塔特征类型，多个胜率预测子模型包括第一逻辑回归模型、第二逻辑回归模型和第三逻辑回归模型，第一训练单元具体用于：

根据经济特征类型的所有游戏样本特征数据组、以及最终胜率值，对所述第一逻辑回归模型进行训练；

根据击杀特征类型的所有游戏样本特征数据组、以及最终胜率值，对第二逻辑回归模型进行训练；

根据防御塔特征类型的所有游戏样本特征数据组、以及最终胜率值，对第三逻辑回归模型进行训练。

其中，特征类型包括野区资源特征类型、兵线特征类型和阵容特征类型，多个胜率预测子模型包括第一神经网络模型、第二神经网络模型和第三神经网络模型，第一训练单元具体用于：

根据野区资源特征类型的所有游戏样本特征数据组、以及最终胜率值，对第一神经网络模型进行训练；

根据兵线特征类型的所有游戏样本特征数据组、以及最终胜率值，对第二神经网络模型进行训练；

根据阵容特征类型的所有游戏样本特征数据组、以及最终胜率值，对第三神经网络模型进行训练。

其中，游戏结果的预测装置还包括：

第二生成模块，用于根据预测时间点、综合预测胜率值以及特征贡献值，生成对应的解说文本；

提供模块，用于以预设输出方式向用户提供解说文本。

本申请实施例还提供了一种计算机可读存储介质，存储介质中存储有多条指令，指令适于由处理器加载以执行上述任一项游戏结果的预测方法。

本申请实施例还提供了一种服务器，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，其中，处理器执行计算机程序时实现上述任一项游戏结果的预测方法中的步骤。

本申请提供的游戏结果的预测方法、装置及存储介质，通过从预测时间点的游戏图像帧中，确定至少两个对战方中每个对战方的多个游戏特征数据组，每个游戏特征数据组包括至少一个游戏特征数据，不同游戏特征数据组属于不同的特征类型，并根据同一特征类型的所有游戏特征数据组，确定每个对战方的独立预测胜率值，同一对战方不同特征类型各对应一个独立预测胜率值，然后根据预测时间点确定每个特征类型对应的瞬时权重值，并根据所有独立预测胜率值和瞬时权重值生成游戏结果，游戏结果包括每个对战方的综合预测胜率值、以及每个特征类型对应的特征贡献值，从而，在进行游戏结果预测时，不仅能给出游戏中各个对战方的胜率值，还能给出胜率值的预测依据，进而能够提供准确且可解释的实时胜率预测信息，丰富游戏预测内容，提高实用价值。

附图说明

下面结合附图，通过对本申请的具体实施方式详细描述，将使本申请的技术方案及其它有益效果显而易见。

图1是本申请实施例提供的游戏结果的预测系统的场景示意图；

图2是本申请实施例提供的游戏结果的预测方法的流程示意图；

图3本申请实施例提供的游戏结果的预测过程的示意图；

图4是本申请实施例提供的游戏结果的预测方法的另一流程示意图；

图5是本申请实施例提供的六个特征类型的瞬时权重值随游戏时间点变化的示意图；

图6是本申请实施例提供的游戏结果的预测方法的另一流程示意图；

图7是本申请实施例提供的两个对战方的综合预测胜率值随游戏时间点变化的示意图；

图8～图10是本申请实施例提供的不同游戏时间点的解说界面示意图；

图11是本申请实施例提供的游戏结果的预测装置的结构示意图；

图12是本申请实施例提供的服务器的结构示意图。

具体实施方式

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，本领域技术人员在没有作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。

人工智能(artificialintelligence，ai)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/交互系统、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。

机器学习(machinelearning，ml)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，例如，可以应用于在线游戏中，如多人在线战术竞技游戏(multiplayeronlinebattlearenagames，moba)中，并可作为观战和赛事的辅助工具，使得用户在观战或赛事直播的时候，可利用游戏ai对游戏胜负进行预测，进而不仅可以方便新手们更好地理解局势，还可以提高观战的趣味性。

本申请实施例提供的方案涉及人工智能的机器学习技术，具体涉及一种游戏结果的预测方法、装置及存储介质。

请参阅图1，图1为本申请实施例提供的游戏结果的预测系统的场景示意图，该游戏结果的预测系统可以包括本申请实施例提供的任一种游戏结果的预测装置，该游戏结果的预测装置具体可以集成在服务器，比如游戏服务器中，其中服务器可以是单台服务器，也可以是由多个服务器组成的服务器集群。

该服务器可以从预测时间点的游戏图像帧中，确定至少两个对战方中每个对战方的多个游戏特征数据组，每个游戏特征数据组包括至少一个游戏特征数据，不同游戏特征数据组属于不同的特征类型；根据同一特征类型的所有游戏特征数据组，确定每个对战方的独立预测胜率值，同一对战方不同特征类型各对应一个独立预测胜率值；根据预测时间点确定每个特征类型对应的瞬时权重值；根据所有独立预测胜率值和瞬时权重值生成游戏结果，游戏结果包括每个对战方的综合预测胜率值、以及每个特征类型对应的特征贡献值。

此外，上述游戏结果的预测系统还可以包括安装有游戏应用的终端，该终端可以是智能手机、平板电脑、智能蓝牙设备、笔记本电脑、或者个人电脑(personalcomputer，pc)等设备，该终端可以通过网络连接到上述服务器，并可以接收服务器发送的游戏结果，进而向用户提供该游戏结果。具体地，上述终端可以是运行游戏的设备，上述游戏结果可以为服务器在预设的预测时间点对终端当前正在进行的一局游戏进行胜负预测得到的结果，其中，游戏可以为多人在线战术竞技游戏、棋牌类游戏或角色扮演游戏等，且该游戏中的每一对战方均包括至少一个玩家，不同对战方之间为对抗关系。

譬如，如图1所示，在当前局游戏进行到预测时间点，比如，开局1分钟时，上述服务器可以获取该游戏开局1分钟时的游戏图像帧，并从该游戏图像帧中提取出对战方a的六个特征类型1、2、3、4、5和6对应的游戏特征数据组a1、a2、a3、a4、a5和a6、以及对战方b的六个特征类型1、2、3、4、5和6对应的游戏特征数据组b1、b2、b3、b4、b5和b6，然后根据同一特征类型的两个对战方a和b的游戏特征数据组a1和b1、a2和b2、a3和b3、a4和b4、a5和b5、以及a6和b6，确定对战方a不同特征类型对应的独立预测胜率值a11、a12、a13、a14、a15和a16、以及对战方b不同特征类型对应的独立预测胜率值b11、b12、b13、b14、b15和b16，接着确定六个特征类型1至6在预测时间点的瞬时权重值t1、t2、t3、t4、t5和t6，之后将对战方a每一特征类型的独立预测胜率值和瞬时权重值的乘积作为对战方a该特征类型的特征贡献值，将对战方b每一特征类型的独立预测胜率值和瞬时权重值的乘积作为对战方b该特征类型的特征贡献值，并将对战方a六个特征类型的特征贡献值之和作为对战方a的综合预测胜率值，也即(a11*t1+a12*t2+a13*t3+a14*t4+a15*t5+a16*t6)，将对战方b六个特征类型的特征贡献值之和作为对战方b的综合预测胜率值，也即(b11*t1+b12*t2+b13*t3+b14*t4+b15*t5+b16*t6)，以得到当前局游戏在预测时间点的游戏结果。

如图2所示，图2是本申请实施例提供的游戏结果的预测方法的流程示意图，该游戏结果的预测方法具体流程可以如下：

s101.从预测时间点的游戏图像帧中，确定至少两个对战方中每个对战方的多个游戏特征数据组，每个游戏特征数据组包括至少一个游戏特征数据，不同游戏特征数据组属于不同的特征类型。

在本实施例中，上述游戏结果的预测方法可以但不限于应用于不同的游戏应用中，例如，应用于多人在线战术竞技游戏(multiplayeronlinebattlearena，moba)、棋牌类游戏、角色扮演游戏等游戏中的pvp(playervsplayer，玩家对抗玩家)玩法。

为了方便描述和理解，本申请实施例以moba游戏为例进行说明。在moba网络游戏场景中，玩家通常被分为两队(也即，两个对战方)，两个对战方在分散的游戏地图中互相竞争，在地图中，除了双方玩家选择的虚拟英雄角色外，还有士兵、防御塔、小野怪、特殊野怪等非玩家操控的游戏单位(non-playercharacter，npc)，每个玩家均通过控制所选的虚拟英雄角色在地图上击杀敌方英雄或中立方单位，获取资源，最终摧毁敌方基地，获取最终胜利。在游戏中，双方玩家的游戏战斗数据时刻在变化，通过获取双方游戏战斗数据中预测时间点的游戏特征数据，可以动态地对参与方的胜率进行预测。

具体地，上述预测时间点可以是用户选定的需要进行游戏结果预测的时间点，也可以是系统预设的需要进行游戏结果预测的时间点，例如，可以自游戏开局时刻起，每间隔预设时长进行一次游戏结果的预测，对应的预测时间点可以有多个，例如，预设时长为30秒，则这多个预测时间点可以依次为开局0秒、开局30秒、开局60秒、......、等等，直至这局游戏结束。上述多个游戏特征数据组可以包括游戏对战方在预测时间点所述累积的虚拟金钱、所选择的击杀敌方英雄数量、防御塔数量、所掌握的野怪信息(例如，暴君数量、主宰数量或黑暗暴君数量)、士兵到敌方水晶的距离信息(例如，上路士兵到敌方水晶的距离、中路士兵到敌方水晶的距离或下路士兵到敌方水晶的距离)和虚拟英雄阵容信息等有助于游戏结果预测的游戏特征数据。

其中，不同特征类型的游戏特征数据组可以理解为从不同角度对游戏结果进行预测时的预测依据，并且，具体实施时，上述特征类型及其与游戏特征数据的从属关系可以是人为预先定义的，例如，可以是通过研究真实人类进行游戏结果预测时所采取的分析思路和判断依据而决定的。

在一个实施例中，鉴于游戏中的虚拟金钱可以用于购买更加强力的装备以增强虚拟英雄的各项属性(如血量、攻击力、以及防御力)，从而增加己方胜算，上述特征类型可以包括经济特征类型，上述游戏对战方在预测时间点所述累积的虚拟金钱可以属于经济特征类型；又鉴于游戏中己方虚拟英雄每击杀一名敌方英雄，就会得到额外的金钱和经验，用于购买装备和升级英雄，从而增加己方胜算，上述特征类型又可以包括击杀特征类型，上述游戏对战方在预测时间点的击杀敌方英雄数量可以属于击杀特征类型；又鉴于游戏中防御塔可以抵挡地方的士兵和英雄，并且可以提供视野，对比赛胜负具有重大意义，上述特征类型又可以包括防御塔特征类型，上述游戏对战方在预测时间点的防御塔数量可以属于防御塔特征类型；又鉴于游戏中击杀野怪的队伍可以获得额外的增益，包括金钱、经验以及属性强化，上述特征类型又可以包括野区资源特征类型，上述游戏对战方在预测时间点所掌握的野怪信息可以属于野区资源特征类型；又鉴于游戏中士兵可以用于摧毁敌方防御塔，上述特征类型又可以包括兵线特征类型，上述游戏对战方在预测时间点士兵到敌方水晶的距离信息可以属于兵线特征类型；又鉴于游戏中不同虚拟英雄有不同的属性和技能，并且虚拟英雄与虚拟英雄之间存在配合以及克制关系，上述特征类型又可以包括阵容特征类型，上述游戏对战方在预测时间点所选择的虚拟英雄阵容信息可以属于阵容特征类型。如此，在后续步骤中能够实现从经济、击杀、防御塔、野区资源、兵线以及阵容等多个角度对游戏胜率进行独立预测，进而能够提供准确且可解释的事实胜率预测信息。

具体实施时，如图3的左上部分所示，在当前局游戏进行到预测时间点(比如，开局1分钟)时，上述服务器可以获取该游戏的预测时间点的游戏图像帧，并从该游戏图像帧中提取所有对战方中每个对战方的多个属于不同特征类型(比如，经济、击杀、防御塔、野区资源、兵线和阵容)的游戏特征数据、以及时间特征，然后将每个对战方同一特征类型的游戏特征数据归为一组，以得到每个对战方属于不同特征类型的多个游戏特征数据组。

s102.根据同一特征类型的所有游戏特征数据组，确定每个对战方的独立预测胜率值，同一对战方不同特征类型各对应一个独立预测胜率值。

在本实施例中，游戏中对战方每一特征类型的独立预测胜率值仅与该特征类型的所有游戏特征数据组有关，而与该游戏已进行的时长无关。以经济特征类型为例，在moba游戏中，经济特征类型的所有游戏特征数据组可以包括两个对战方在预测时间点所累积的虚拟金钱，且累积虚拟金钱更多的一方获胜的概率更大。

其中，如图4所示，上述s102可以具体包括：

s1021.从已训练的胜率预测模型中确定每个特征类型对应的胜率预测子模型。

具体地，如图3的右上部分所示，该已训练的胜率预测模型可以包括多个胜率预测子模型，且该胜率预测子模型与上述特征类型(比如，经济、击杀、防御塔、野区资源、兵线或阵容)一一对应，也即，每一特征类型均对应有一个胜率预测子模型，以基于每一特征类型的游戏特征数据对游戏中各对战方的胜率进行单独预测。其中，上述胜率预测子模型可以为逻辑回归模型、前馈神经网络模型、长短期记忆网络模型或门控循环单元网络模型等机器学习模型。

s1022.利用胜率预测子模型对相应特征类型的游戏特征数据组进行处理，得到相应特征类型每个对战方的独立预测胜率值。

具体地，可以将同一特征类型的所有游戏特征数据组作为对应胜率预测子模型的输入，并使得该胜率预测子模型输出相应特征类型每个对战方的独立胜率预测值。以经济特征类型为例，在moba游戏中，经济特征类型的所有游戏特征数据组可以包括两个对战方在预测时间点所累积的虚拟金钱，例如，对战方a有虚拟金钱5300，对战方b有虚拟金钱4800，则可以将{对战方a-经济特征类型：5300，对战方b-经济特征类型：4800}作为经济特征类型所对应的胜率预测子模型的输入，以得到该胜率预测子模型输出的moba游戏中两个对战方经济特征类型对应的独立胜率预测值，例如，输出的{对战方a-经济特征类型：55.2％，对战方b-经济特征类型：44.8％}。

在一些替代实施例中，如图3的右上部分所示，上述特征类型可以被分为两大类，第一类的特征类型可以包括经济、击杀或防御塔等特征类型，且这些特征类型的游戏特征数据组的数据类型为数值型，第二类的特征类型可以包括野区怪物、兵线或阵容等特征类型，且这些特征类型的游戏特征数据组的数据类型为类别型，上述s1022可以具体包括：

s1-1.对经济特征类型、击杀特征类型或防御塔特征类型的所有游戏特征数据组进行归一化处理，并将归一化处理后的游戏特征数据组输入对应的胜率预测子模型，得到相应特征类型每个对战方的独立预测胜率值。

具体地，每一游戏特征数据组可以包括至少一个游戏特征数据，在moba游戏中，所有参与游戏的玩家被分为两队，也即，有两个对战方，同一特征类型的所有游戏特征数据组的数量为两个，从而同一特征类型的所有游戏特征数据的数量为至少两个，且其数据类型为数值型。具体实施时，可以依据归一化公式对经济特征类型、击杀特征类型或防御塔特征类型的所有游戏特征数据组中的游戏特征数据进行归一化，其中，归一化公式可以如下：

v＝(x-vmin)/(vmax-vmin)；

其中，v为对游戏特征数据组中游戏特征数据的数值x归一化后的游戏特征数据组中游戏特征数据的数值；vmin为所有游戏特征数据组中游戏特征数据的最小数值；vmax为所有游戏特征数据组中游戏特征数据的最大数值。

以经济特征类型为例，在moba游戏中，经济特征类型的所有游戏特征数据可以为{对战方a-经济特征类型：5300}、{对战方b-经济特征类型：4800}，归一化后的经济特征类型的所有游戏特征数据可以为{对战方a-经济特征类型：1}、{对战方b-经济特征类型：0}。

s1-2.将野区怪物特征类型、兵线特征类型或阵容特征类型的所有游戏特征数据组转换为特征向量，并将特征向量输入对应的胜率预测子模型，得到相应特征类型每个对战方的独立预测胜率值。

其中，特征向量的维度数可以由游戏特征数据组中游戏特征数据所包含的数据类别数决定，且维度值可以由对应的类别值决定。以阵容特征类型为例，在moba游戏中，属于阵容特征类型的所有游戏特征数据可以包括{对战方a-阵容特征类型：程咬金；芈月；司马懿；盾山；马可波罗}、{对战方b-阵容特征类型：牛魔；貂蝉；耀；裴擒虎；曹操}，每一游戏特征数据包含有五个英雄类别，且每一英雄类别对应的类别值可以为对应英雄的身份标识(id)号。相应地，阵容特征类型的所有游戏特征数据组转换后得到的特征向量可以为(id11，id12，id13，id14，id15，id21，id22，id23，id24，id25)，其中，id11至id15为对战方a所选择的五个虚拟英雄的id号，id21至id25为对战方b所选择的五个虚拟英雄的id号。

s103.根据预测时间点确定每个特征类型对应的瞬时权重值。

在本实施例中，如图3的右下部分所示，每一特征类型的瞬间权重值用于表征该特征类型在预测时间点的相对重要性，瞬时权重值越大，说明相应特征类型的游戏特征数据对游戏最终胜负的影响越大。其中，同一特征类型的瞬时权重值是随时间变化的，且所有特征类型的瞬时权重值之和是固定不变的，比如，为1。

在moba游戏中，如图5所示，在游戏时间点0分钟，也即，游戏开局时，除了阵容特征类型的瞬时权重值不为零之外，其他特征类型的瞬时权重值可以均为零，此时，阵容特征类型的瞬时权重值可以为1。随着游戏的进行，经济特征类型的瞬时权重值会迅速增大，并在游戏后期，比如，游戏时间点12.0分钟后开始减小，这是因为在游戏后期，由于设备的包装空间有限，超过某个特定阈值的多余金钱变得毫无用处。在游戏时间点经过19.0分钟后，士兵特征类型的瞬时权重值会大于经济特征类型的瞬时权重值，这是因为士兵特征类型的游戏特征数据(比如，士兵到竞争对手防御塔的距离)在游戏时间点19.0分钟后变得更加重要。野区资源特征类型的瞬时权重值在游戏时间点8.0分钟后才会逐渐增大，这是因为“霸王”和“黑暗暴君”这些野怪分别仅在游戏时间点8.0分钟和10.0分钟后出现。

具体地，继续参阅图4，上述s103可以包括：利用已训练的胜率预测模型中的时间权重子模型和预测时间点，确定每个特征类型对应的瞬时权重值。

其中，上述服务器可以将预测时间点作为时间权重子模型的输入，并使得该时间权重子模型输入各个特征类型在预测时间点的瞬时权重值，其中，每一特征类型的瞬时权重值仅与需要进行游戏结果预测的预测时间点有关，而与属于该特征类型的游戏特征数据无关。具体地，上述时间权重子模型可以为逻辑回归模型、前馈神经网络模型、长短期记忆网络模型或门控循环单元网络模型等机器学习模型。

在一个具体实施例中，为了得到上述已训练的胜率预测模型，在上述s1021之前，还可以包括：

步骤a.获取多局已结束的游戏录像，每局游戏录像中包括至少两个历史对战方，并获取每局游戏录像中每个历史对战方的最终胜率值。

具体地，上述服务器可以获取多局(比如，10000局)已结束的游戏录像，且这些游戏录像可以是由高技能的人类玩家(比如，游戏排行榜排名前1％的人类玩家)进行比赛生成的，如此，以减少游戏中影响最终胜率值的随机因素，从而有利于后续基于这些获得的游戏录像建立的胜率预测模型的可靠性。

步骤b.从每局游戏录像中提取多个选定时间点的游戏样本图像帧。

其中，对于每局游戏录像，上述多个选定时间点可以包括该局游戏录像所对应游戏的游戏开局时刻，且任意两个相邻选定时间点的间隔时长可以都相等，比如，30秒。例如，一局游戏录像的总时长为15分钟，则可以从该局游戏录像中提取到游戏时间点分别为0秒、30秒、60秒、......、900秒的31个游戏样本图像帧。

步骤c.从每一游戏样本图像帧中，确定每个历史对战方的多个游戏样本特征数据组，每个游戏样本特征数据组包括至少一个游戏样本特征数据，不同游戏样本特征数据组属于不同的特征类型。

具体地，上述服务器可以从每一游戏样本图像帧中提取至少两个对战方中每个对战方的多个属于不同特征类型的游戏样本特征数据，然后将每个对战方同一特征类型的游戏样本特征数据归为一组，得到每个对战方属于不同特征类型的多个游戏样本特征数据组。

步骤d.根据选定时间点、特征类型、最终胜率值以及游戏样本特征数据组，对预设的胜率预测模型进行训练，以得到已训练的胜率预测模型。

在本实施例中，上述预设的胜率预测模型可以包括多个胜率预测子模型和时间权重子模型，且不同特征类型各对应一个胜率预测子模型，其中，具体实施时，可以采用交叉熵损失函数(cross-entropyloss)和反向传播(bp)算法训练优化上述各个胜率预测子模型和时间权重子模型的相关参数，并且，还可以可以将上述胜率预测模型中的胜率预测子模型和时间权重子模型分开训练或同步训练。

具体地，当将上述胜率预测模型中的胜率预测子模型和时间权重子模型同步训练时，上述步骤d可以具体包括：

s1-1.根据同一特征类型的所有游戏样本特征数据组、以及最终胜率值，对相应胜率预测子模型进行训练。

在一个实施例中，上述特征类型可以包括经济特征类型、击杀特征类型和防御塔特征类型，上述多个胜率预测子模型可以包括第一逻辑回归模型、第二逻辑回归模型和第三逻辑回归模型，上述s1-1可以具体包括：

s1-1-1.根据经济特征类型的所有游戏样本特征数据组、以及最终胜率值，对所述第一逻辑回归模型进行训练。

s1-1-2.根据击杀特征类型的所有游戏样本特征数据组、以及最终胜率值，对第二逻辑回归模型进行训练。

s1-1-3.根据防御塔特征类型的所有游戏样本特征数据组、以及最终胜率值，对第三逻辑回归模型进行训练。

在另一个实施例中，上述特征类型还可以包括野区资源特征类型、兵线特征类型和阵容特征类型，上述多个胜率预测子模型还可以包括第一神经网络模型、第二神经网络模型和第三神经网络模型，上述s1-1还可以具体包括：

s1-1-4.根据野区资源特征类型的所有游戏样本特征数据组、以及最终胜率值，对第一神经网络模型进行训练。

s1-1-5.根据兵线特征类型的所有游戏样本特征数据组、以及最终胜率值，对第二神经网络模型进行训练。

s1-1-6.根据阵容特征类型的所有游戏样本特征数据组、以及最终胜率值，对第三神经网络模型进行训练。

并且，具体实施时，上述第一逻辑回归模型、第二逻辑回归模型和第三逻辑回归模型可以是将双曲正切(tanh)函数作为非线性函数的逻辑回归模型，上述第一神经网络模型、第二神经网络模型和第三神经网络模型可以是尺寸分别为(256，16)、(256，16)和(128，16)的双层前馈神经网络模型。并且，在输入层之前，可以使用最小值和最大值对相应特征类型的所有游戏样本特征数据组进行归一化(用于第一、第二和第三逻辑回归模型)，或者将相应特征类型的所有游戏样本特征数据组预处理为嵌入向量(用于第一、第二和第三双层前馈神经网络模型)；在隐藏层之后，上述第一、第二和第三双层前馈神经网络模型可以使用参数为0.01的泄露线性整流(leakyrelu)函数作为非线性函数，并使用比率为0.2的辍学层来缓解过度拟合；在上述第一、第二和第三双层前馈神经网络模型的输出层之后，可以使用tanh函数将第一、第二和第三双层前馈神经网络模型的输出(获胜分数)校正为[-1.0，1.0]取值区间内的数值，以表示胜负的可能性。

s1-2.根据各个选定时间点的所有特征类型的游戏样本特征数据组、以及最终胜率值，对时间权重子模型进行训练。

其中，时间权重子模型包括所有特征类型中每一特征类型的权重参数，且每一特征类型的权重参数都是时间函数，其中，上述预测时间点的瞬时权重值可以理解为相应特征类型在预测时间点的权重参数值。

需要注意的是，上述实施例虽然示例了上述特征类型包括经济特征类型、击杀特征类型、防御塔特征类型、野区资源特征类型、兵线特征类型和阵容特征类型这六种特征类型，但并不限于包括这六种特征类型，并且，具体实施时，可以根据上述游戏结果的预测方法具体应用到的游戏应用来决定，也即，应用到的游戏应用不同，对应的特征类型可以不同。

s104.根据所有独立预测胜率值和瞬时权重值生成游戏结果，游戏结果包括每个对战方的综合预测胜率值、以及每个特征类型对应的特征贡献值。

具体地，继续参阅图3的右下部分，对于每一对战方，可以将该对战方每一特征类型的独立预测胜率值和瞬时权重值的乘积作为该对战方相应特征类型的特征贡献值，并该对战方全部特征类型的特征贡献值之和作为该对战方的综合预测胜率值，从而得到当前局游戏在预测时间点的游戏结果。如此，与现有的游戏胜率预测系统只能给出预测的胜率值而不能给出该预测的原因相比较，本实施例中的游戏结果的预测方法不仅能够提供准确的实时获胜预测，还可以将最终的胜率值预测结果归因于不同特征类型的游戏特征数据的贡献，从而可以供解说员参考做出更具吸引力的评论。

由上可知，本实施例提供的游戏结果的预测方法，通过从预测时间点的游戏图像帧中，确定至少两个对战方中每个对战方的多个游戏特征数据组，每个游戏特征数据组包括至少一个游戏特征数据，不同游戏特征数据组属于不同的特征类型，并根据同一特征类型的所有游戏特征数据组，确定每个对战方的独立预测胜率值，同一对战方不同特征类型各对应一个独立预测胜率值，然后根据预测时间点确定每个特征类型对应的瞬时权重值，并根据所有独立预测胜率值和瞬时权重值生成游戏结果，游戏结果包括每个对战方的综合预测胜率值、以及每个特征类型对应的特征贡献值，从而，在进行游戏结果预测时，不仅能给出游戏中各个对战方的胜率值，还能给出胜率值的预测依据，进而能够提供准确且可解释的实时胜率预测信息，丰富游戏预测内容，以提高所得到的游戏结果的实用价值。

如图6所示，图6是本申请实施例提供的游戏结果的预测方法的另一流程示意图，该游戏结果的预测方法具体流程可以如下：

s201.从预测时间点的游戏图像帧中，确定至少两个对战方中每个对战方的多个游戏特征数据组，每个游戏特征数据组包括至少一个游戏特征数据，不同游戏特征数据组属于不同的特征类型。

s202.从已训练的胜率预测模型中确定每个特征类型对应的胜率预测子模型。

s203.利用胜率预测子模型对相应特征类型的游戏特征数据组进行处理，得到相应特征类型每个对战方的独立预测胜率值。

s204.利用已训练的胜率预测模型中的时间权重子模型和预测时间点，确定每个特征类型对应的瞬时权重值。

s205.根据所有独立预测胜率值和瞬时权重值生成游戏结果，游戏结果包括每个对战方的综合预测胜率值、以及每个特征类型对应的特征贡献值。

需要说明的是，本实施例中的s201～s205的具体实施例方式可以参见上一方法实施例中s101、s1021、s1022、s103和s104的具体实施方式，故在此不再赘述。

s206.根据预测时间点、综合预测胜率值以及特征贡献值，生成对应的解说文本。

具体地，上述服务器可以基于预先建立的解说文本库，生成与上述预测时间点、综合胜率值、特征贡献值对应的解说模板，也可以将预测时间点、综合预测胜率值以及特征贡献值作为预先训练好的游戏ai解说员或游戏ai评论员的输入，以得到相应的解说文本。

s207.以预设输出方式向用户提供解说文本。

其中，预设输出方式可以为字幕、音频或虚拟主持人视频等输出方式。具体地，上述s207可以包括：

当预设输出方式为字幕时，向用户显示解说文本；

当预设输出方式为音频时，输出用于播报解说文本的语音；

当预设输出方式为虚拟主持人视频时，显示虚拟形象，并输出与虚拟形象相配合的语音来播报解说文本。

具体举例，以直播游戏为例，如图7所示，图7示出了游戏中两个对战方a和b的实时综合预测胜率值曲线，然后实时游戏中三个时间点1、2和3的屏幕截图分别显示在图8、图9和图10中。在屏幕截图中，白色的中文字幕可以是由上述游戏ai评论员系统生成的真实评论。在时间点1(比赛时间0:03)，由于它是游戏的开始，因此上述胜率预测模型仅根据团队组成(阵容)信息预测对战方b(也即，蓝队)的获胜概率为54.4％，因此游戏ai评论员产生一条评论“游戏开始！蓝色团队的团队组成是有利的；因此，他们获得了54.4％的获胜概率。”然后，在时间点2(比赛时间2:11)，由于经济和击杀的劣势，对战方a(红队)的获胜概率下降到36.2％，经济特征类型和击杀特征类型对获胜的特征贡献预测分别为-0.187和-0.073。因此，ai评论员产生了一条评论：“红队在黄金和杀伤力方面处于劣势。ai预测，红队的获胜机率只有36.2％”。最终，在时间点3(比赛时间9:44)，对战方a将获胜几率降低至56.2％。该预测主要基于两个团队之间的“经济”、“野区资源”和“防御塔”等特征类型的差异来做出，因此ai评论员生成注释“有了真正的混乱和糟糕的开端，红队逐渐赶上了杀死更多的暴君并摧毁更多的塔，从而在金方面积累了优势。目前，他们的获胜机率已上升至56.2％。”显然，如果没有可解释的结果，游戏评论员只能做出一些琐碎的评论，而不会吸引听众。例如，在时间点3，只能评论“现在红队扭转局势，获胜概率为56.2％”，这比ai评论员在胜率预测模型的帮助下做出的可解释性信息要少。

由上可知，本实施例提供的游戏结果的预测方法，在进行游戏结果预测时，不仅能给出游戏中各个对战方的胜率值，还能给出胜率值的预测依据，进而能够为虚拟解说系统或人类解说员提供准确且可解释的实时胜率预测信息，丰富游戏预测内容，以提高所得到的游戏结果的实用价值。

在上述实施例所述方法的基础上，本实施例将从游戏结果的预测装置的角度进一步进行描述，请参阅图11，图11具体描述了本申请实施例提供的游戏结果的预测装置，其可以包括：第一确定模块610、第二确定模块620、第三确定模块630和第一生成模块640，其中：

(1)第一确定模块610

第一确定模块610，用于从预测时间点的游戏图像帧中，确定至少两个对战方中每个对战方的多个游戏特征数据组，每个游戏特征数据组包括至少一个游戏特征数据，不同游戏特征数据组属于不同的特征类型。

(2)第二确定模块620

确定模块620，用于根据同一特征类型的所有游戏特征数据组，确定每个对战方的独立预测胜率值，同一对战方不同特征类型各对应一个独立预测胜率值。

其中，第二确定模块620可以具体包括：

确定单元，用于从已训练的胜率预测模型中确定每个特征类型对应的胜率预测子模型；

处理单元，用于利用胜率预测子模型对相应特征类型的游戏特征数据组进行处理，得到相应特征类型每个对战方的独立预测胜率值。

(3)第三确定模块630

第三确定模块630，用于根据预测时间点确定每个特征类型对应的瞬时权重值。

在一个实施例中，上述第三确定模块630可以具体用于：利用已训练的胜率预测模型中的时间权重子模型和预测时间点，确定每个特征类型对应的瞬时权重值。

(4)第一生成模块640

第一生成模块640，用于根据所有独立预测胜率值和瞬时权重值生成游戏结果，游戏结果包括每个对战方的综合预测胜率值、以及每个特征类型对应的特征贡献值。

其中，为了得到上述已训练的胜率预测模型，上述游戏结果的预测装置还可以包括：

(5)获取模块

获取模块，用于获取多局已结束的游戏录像，每局游戏录像中包括至少两个历史对战方，并获取每局游戏录像中每个历史对战方的最终胜率值。

(6)提取模块

提取模块，用于从每局游戏录像中提取多个选定时间点的游戏样本图像帧；

(7)第四确定模块

第四确定模块，用于从每一游戏样本图像帧中，确定每个历史对战方的多个游戏样本特征数据组，每个游戏样本特征数据组包括至少一个游戏样本特征数据，不同游戏样本特征数据组属于不同的特征类型；

(8)训练模块

训练模块，用于根据选定时间点、特征类型、最终胜率值以及游戏样本特征数据组，对预设的胜率预测模型进行训练，以得到已训练的胜率预测模型。

其中，预设的胜率预测模型包括多个胜率预测子模型和时间权重子模型，且不同特征类型各对应一个胜率预测子模型，上述训练模块可以具体包括：

第一训练单元，用于根据同一特征类型的所有游戏样本特征数据组、以及最终胜率值，对相应胜率预测子模型进行训练；

第二训练单元，用于根据各个选定时间点的所有特征类型的游戏样本特征数据组、以及最终胜率值，对时间权重子模型进行训练。

在一个实施例中，特征类型可以包括经济特征类型、击杀特征类型和防御塔特征类型，上述多个胜率预测子模型可以包括第一逻辑回归模型、第二逻辑回归模型和第三逻辑回归模型，上述第一训练单元可以具体用于：

根据经济特征类型的所有游戏样本特征数据组、以及最终胜率值，对所述第一逻辑回归模型进行训练；

根据击杀特征类型的所有游戏样本特征数据组、以及最终胜率值，对第二逻辑回归模型进行训练；

根据防御塔特征类型的所有游戏样本特征数据组、以及最终胜率值，对第三逻辑回归模型进行训练。

在另一个实施例中，特征类型还可以包括野区资源特征类型、兵线特征类型和阵容特征类型，上述多个胜率预测子模型可以包括第一神经网络模型、第二神经网络模型和第三神经网络模型，上述第一训练单元可以具体用于：

根据野区资源特征类型的所有游戏样本特征数据组、以及最终胜率值，对第一神经网络模型进行训练；

根据兵线特征类型的所有游戏样本特征数据组、以及最终胜率值，对第二神经网络模型进行训练；

根据阵容特征类型的所有游戏样本特征数据组、以及最终胜率值，对第三神经网络模型进行训练。

在上述实施例中，上述游戏结果的预测装置还可以包括：

(9)第二生成模块

第二生成模块，用于根据预测时间点、综合预测胜率值以及特征贡献值，生成对应的解说文本。

(10)提供模块

提供模块，用于以预设输出方式向用户提供解说文本。

具体实施时，以上各个单元和模块可以作为独立的实体来实现，也可以进行任意组合，作为同一或若干个实体来实现，以上各个单元和模块的具体实施可参见前面的方法实施例，在此不再赘述。

由上可知，本实施例提供的游戏结果的预测装置，包括第一确定模块，用于从预测时间点的游戏图像帧中，确定至少两个对战方中每个对战方的多个游戏特征数据组，每个游戏特征数据组包括至少一个游戏特征数据，不同游戏特征数据组属于不同的特征类型；第二确定模块，用于根据同一特征类型的所有游戏特征数据组，确定每个对战方的独立预测胜率值，同一对战方不同特征类型各对应一个独立预测胜率值；第三确定模块，用于根据预测时间点确定每个特征类型对应的瞬时权重值；第一生成模块，用于根据所有独立预测胜率值和瞬时权重值生成游戏结果，游戏结果包括每个对战方的综合预测胜率值、以及每个特征类型对应的特征贡献值，从而，在进行游戏结果预测时，不仅能给出游戏中各个对战方的胜率值，还能给出胜率值的预测依据，进而能够提供准确且可解释的实时胜率预测信息，丰富游戏预测内容，提高实用价值。

相应的，本申请实施例还提供一种服务器，该服务器可以是单台服务器，也可以是由多个服务器组成的服务器集群，如图12所示，其示出了本申请实施例所涉及的服务器的结构示意图，具体来讲：

该服务器可以包括一个或者一个以上处理核心的处理器401、一个或一个以上计算机可读存储介质的存储器402、射频(radiofrequency，rf)电路403、电源404、输入单元405、以及显示单元406等部件。本领域技术人员可以理解，图12中示出的服务器结构并不构成对服务器的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。其中：

处理器401是该服务器的控制中心，利用各种接口和线路连接整个服务器的各个部分，通过运行或执行存储在存储器402内的软件程序和/或模块，以及调用存储在存储器402内的数据，执行服务器的各种功能和处理数据，从而对服务器进行整体监控。可选的，处理器401可包括一个或多个处理核心；优选的，处理器401可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器401中。

存储器402可用于存储软件程序以及模块，处理器401通过运行存储在存储器402的软件程序以及模块，从而执行各种功能应用以及数据处理。存储器402可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据服务器的使用所创建的数据等。此外，存储器402可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地，存储器402还可以包括存储器控制器，以提供处理器401对存储器402的访问。

rf电路403可用于收发信息过程中，信号的接收和发送，特别地，将基站的下行信息接收后，交由一个或者一个以上处理器401处理；另外，将涉及上行的数据发送给基站。通常，rf电路403包括但不限于天线、至少一个放大器、调谐器、一个或多个振荡器、用户身份模块(sim)卡、收发信机、耦合器、低噪声放大器(lna，lownoiseamplifier)、双工器等。此外，rf电路403还可以通过无线通信与网络和其他设备通信。该无线通信可以使用任一通信标准或协议，包括但不限于全球移动通讯系统(gsm，globalsystemofmobilecommunication)、通用分组无线服务(gprs，generalpacketradioservice)、码分多址(cdma，codedivisionmultipleaccess)、宽带码分多址(wcdma，widebandcodedivisionmultipleaccess)、长期演进(lte，longtermevolution)、电子邮件、短消息服务(sms，shortmessagingservice)等。

服务器还包括给各个部件供电的电源404(比如电池)，优选的，电源404可以通过电源管理系统与处理器401逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。电源404还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。

该服务器还可包括输入单元405，该输入单元405可用于接收输入的数字或字符信息，以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。具体地，在一个具体的实施例中，输入单元405可包括触敏表面以及其他输入设备。触敏表面，也称为触摸显示屏或者触控板，可收集用户在其上或附近的触摸操作(比如用户使用手指、触笔等任何适合的物体或附件在触敏表面上或在触敏表面附近的操作)，并根据预先设定的程式驱动相应的连接装置。可选的，触敏表面可包括触摸检测装置和触摸控制器两个部分。其中，触摸检测装置检测用户的触摸方位，并检测触摸操作带来的信号，将信号传送给触摸控制器；触摸控制器从触摸检测装置上接收触摸信息，并将它转换成触点坐标，再送给处理器401，并能接收处理器401发来的命令并加以执行。此外，可以采用电阻式、电容式、红外线以及表面声波等多种类型实现触敏表面。除了触敏表面，输入单元405还可以包括其他输入设备。具体地，其他输入设备可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆等中的一种或多种。

该服务器还可包括显示单元406，该显示单元406可用于显示由用户输入的信息或提供给用户的信息以及服务器的各种图形用户接口，这些图形用户接口可以由图形、文本、图标、视频和其任意组合来构成。显示单元406可包括显示面板，可选的，可以采用液晶显示器(lcd，liquidcrystaldisplay)、有机发光二极管(oled，organiclight-emittingdiode)等形式来配置显示面板。进一步的，触敏表面可覆盖显示面板，当触敏表面检测到在其上或附近的触摸操作后，传送给处理器401以确定触摸事件的类型，随后处理器401根据触摸事件的类型在显示面板上提供相应的视觉输出。虽然在图12中，触敏表面与显示面板是作为两个独立的部件来实现输入和输入功能，但是在某些实施例中，可以将触敏表面与显示面板集成而实现输入和输出功能。

尽管未示出，服务器还可以包括摄像头、蓝牙模块等，在此不再赘述。具体在本实施例中，服务器中的处理器401会按照如下的指令，将一个或一个以上的应用程序的进程对应的可执行文件加载到存储器402中，并由处理器401来运行存储在存储器402中的应用程序，从而实现各种功能，如下：

从预测时间点的游戏图像帧中，确定至少两个对战方中每个对战方的多个游戏特征数据组，每个游戏特征数据组包括至少一个游戏特征数据，不同游戏特征数据组属于不同的特征类型；

根据同一特征类型的所有游戏特征数据组，确定每个对战方的独立预测胜率值，同一对战方不同特征类型各对应一个独立预测胜率值；

根据预测时间点确定每个特征类型对应的瞬时权重值；

根据所有独立预测胜率值和瞬时权重值生成游戏结果，游戏结果包括每个对战方的综合预测胜率值、以及每个特征类型对应的特征贡献值。

该服务器可以实现本申请实施例所提供的任一种游戏结果的预测装置所能实现的有效效果，详见前面的实施例，在此不再赘述。

本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：只读存储器(rom，readonlymemory)、随机存取记忆体(ram，randomaccessmemory)、磁盘或光盘等。

以上对本申请实施例所提供的一种游戏结果的预测方法、装置及存储介质进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。

起点商标作为专业知识产权交易平台，可以帮助大家解决很多问题，如果大家想要了解更多知产交易信息请点击 【在线咨询】或添加微信 【19522093243】与客服一对一沟通，为大家解决相关问题。

此文章来源于网络,如有侵权,请联系删除