《游戏用户感知方法、系统及可存储介质.pdf》由会员分享，可在线阅读，更多相关《游戏用户感知方法、系统及可存储介质.pdf（11页珍藏版）》请在专利查询网上搜索。
1、(19)国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 202310697196.3(22)申请日 2023.06.12(71)申请人 新疆大学地址 830046 新疆维吾尔自治区乌鲁木齐市水磨沟区华瑞街777号新疆大学信息科学与工程学院 申请人 中国人民大学(72)发明人 谢晓霞贾元(74)专利代理机构 北京睿智保诚专利代理事务所(普通合伙)11732专利代理师 刘清丽(51)Int.Cl.A63F 13/79(2014.01)A63F 13/798(2014.01)A63F 13/33(2014.01)A63F 13/77(2014.01)G06N。
2、 3/045(2023.01)G06N 3/048(2023.01)G06N 3/08(2023.01)(54)发明名称一种游戏用户感知方法、系统及可存储介质(57)摘要本发明公开了一种游戏用户感知方法、系统及可存储介质，涉及互联网应用技术领域，其中方法包括以下步骤：获取游戏感知数据；构建感知模型，并对所述感知模型进行改进处理；提取所述游戏感知数据的特征向量，对所述特征向量进行预处理，将经过预处理的所述特征向量输入至经过改进的所述感知模型进行感知；本发明可以提高游戏感知预测效率和精度，同时又减少了服务提供商的时间及人力等资源的消耗。权利要求书1页 说明书7页 附图2页CN 116603247 。
3、A2023.08.18CN 116603247 A1.一种游戏用户感知方法，其特征在于，包括以下步骤：获取游戏感知数据；构建感知模型，并对所述感知模型进行改进处理；提取所述游戏感知数据的特征向量，对所述特征向量进行预处理，将经过预处理的所述特征向量输入至经过改进的所述感知模型进行感知。2.根据权利要求1所述的一种游戏用户感知方法，其特征在于，所述感知模型包括因子分解机网络以及图神经网络。3.根据权利要求2所述的一种游戏用户感知方法，其特征在于，所述因子分解机网络包括依次连接的输入层、中间层以及输出层。4.根据权利要求2所述的一种游戏用户感知方法，其特征在于，对所述感知模型进行改进处理的具体过程。
4、包括：确定度量函数，利用所述度量函数对所述感知模型进行特征选取；将经过特征选取的所述感知模型进行交互聚合处理。5.根据权利要求4所述的一种游戏用户感知方法，其特征在于，所述度量函数的具体表达式为：式中，及均为MLP参数，()及 ()分别是和激活函数，ei和ej为不同维的特征嵌入表示。6.根据权利要求3所述的一种游戏用户感知方法，其特征在于，将经过特征选取的所述感知模型进行交互聚合处理的过程包括：引入了注意力机制计算特征交互间的相似性。7.根据权利要求1所述的一种游戏用户感知方法，其特征在于，获取游戏感知数据的具体处理过程包括：通过BorderlineSMOTE过采样方法采集游戏感知数据。8.一。
5、种利用权利要求17任一项所述的游戏用户感知方法的感知系统，其特征在于，包括：获取模块，用于获取游戏感知数据；构建模块，用于构建感知模型，并对所述感知模型进行改进处理；感知模块，用于提取所述游戏感知数据的特征向量，对所述特征向量进行预处理，将经过预处理的所述特征向量输入至经过改进的所述感知模型进行感知。9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的游戏用户感知方法。权利要求书1/1 页2CN 116603247 A2一种游戏用户感知方法、系统及可存储介质技术领域0001本发明涉及互联网应用技术领域，更。
6、具体的说是涉及一种游戏用户感知方法、系统及可存储介质。背景技术0002目前，随着网络游戏的普及，用户对游戏的需求也不断在改变，那些无法满足用户的游戏产品必然会被舍弃。用户在使用网络游戏的过程也是一种寻找需求的过程，当需求得到满足后会产生感知价值，而用户感知价值又是游戏厂商竞争优势的最新来源。因此获取网络游戏的用户感知，可以帮助游戏制造商和运营商充分的了解和及时的满足用户的需求，获取竞争优势，求得生存和发展。0003但是，现有的游戏用户感知方法的主要思想是首先了解相互关联的游戏感知的多个维度，然后在服务质量指标和体验质量之间建立一个客观和易度量的相关性映射，充分考虑其他维度对相关性的影响，最后利。
7、用客观特征对游戏感知进行评估或预测，从而达到游戏感知的目的。但是，上述感知方法忽视了除服务质量特征之外的其他特征对游戏感知结果的重要性。0004因此，如何提供一种能够解决上述问题的游戏用户感知方法是本领域技术人员亟需解决的问题。发明内容0005有鉴于此，本发明提供了一种游戏用户感知方法、系统及可存储介质，通过本发明的方法处理后提高游戏感知预测效率和精度，同时又减少了服务提供商的时间及人力等资源的消耗。0006为了实现上述目的，本发明采用如下技术方案：0007一种游戏用户感知方法，包括以下步骤：0008获取游戏感知数据；0009构建感知模型，并对所述感知模型进行改进处理；0010提取所述游戏感知。
8、数据的特征向量，对所述特征向量进行预处理，将经过预处理的所述特征向量输入至经过改进的所述感知模型进行感知。0011优选的，所述感知模型包括因子分解机网络以及图神经网络。0012优选的，所述因子分解机网络包括依次连接的输入层、中间层以及输出层。0013优选的，对所述感知模型进行改进处理的具体过程包括：0014确定度量函数，利用所述度量函数对所述感知模型进行特征选取；0015将经过特征选取的所述感知模型进行交互聚合处理。0016优选的，所述度量函数的具体表达式为：0017说明书1/7 页3CN 116603247 A30018式中，及均为MLP参数，()及 ()分别是和激活函数，ei和ej即为不同。
9、维的特征嵌入表示。0019优选的，将经过特征选取的所述感知模型进行交互聚合处理的过程包括：0020引入了注意力机制计算特征交互间的相似性。0021优选的，获取游戏感知数据的具体处理过程包括：通过BorderlineSMOTE过采样方法采集游戏感知数据。0022本发明还提供一种利用上述任一项所述的游戏用户感知方法的感知系统，包括：0023获取模块，用于获取游戏感知数据；0024构建模块，用于构建感知模型，并对所述感知模型进行改进处理；0025感知模块，用于提取所述游戏感知数据的特征向量，对所述特征向量进行预处理，将经过预处理的所述特征向量输入至经过改进的所述感知模型进行感知。0026本发明还提供。
10、一种计算机可读存储介质，所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现如上述任一项所述的游戏用户感知方法。0027经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种游戏用户感知方法、系统及可存储介质，具有如下有益效果：0028(1)本发明基于BorderlineSMOTE过采样平衡数据类别，仅使用边界上属性为Danger的少数类样本来获取新样本，考虑了噪声的影响，增强模型的稳定性。0029(2)本发明考虑了多维非线性的游戏感知影响因素，由数据分布的稀疏性选择因子分解机作为基础模型。但是因子分解机不能捕获高维交互特征且交互特征的权重一致。因此，本发明结合因子分。
11、解机和图神经网络两者的评价模型。通过将特征视为节点，将特征间的两两交互视为边，弥合了GNN和FM之间的鸿沟，使得利用GNN的优势来解决FM问题成为可能。0030(3)本发明引入了注意力机制计算特征交互间的相似性，保证模型的鲁棒性；增强有效特征的正面效应，同时减少由于有偏特征带来的负面影响，从而提升模型的精度。附图说明0031为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有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发明的实施例，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，还可以根据提供的附图获得其他的附图。0032图1为本发明。
12、提供的一种游戏用户感知方法的整体流程图；0033图2为本发明实施例提供的感知模型的结构示意图；0034图3为本发明实施例提供的游戏用户感知方法的网络流程图；0035图4为本发明提供的一种游戏用户感知系统的结构示意图。具体实施方式0036下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他说明书2/7 页4CN 116603247 A4实施例，都属于本发明保护的范围。0037参见附图1所示，本发明实施例公开了一种游戏用户感。
13、知方法，包括以下步骤：0038获取游戏感知数据；0039构建感知模型，并对感知模型进行改进处理；0040提取游戏感知数据的特征向量，对特征向量进行预处理，将经过预处理的特征向量输入至经过改进的感知模型进行感知。0041在一个具体的实施例中，考虑数据的不平衡性以及噪声样本的影响，本实施例仅使用边界上属性为Danger的少数类样本来获取新样本，得到平衡分布的训练样本集0042本实施例采用BorderlineSMOTE过采样方法采集游戏感知数据，具体过程包括：0043通过考虑服务、用户和上下文三方面的影响因素，采集了789场游戏感知数据记录，每条记录包括21维数据特征，如表1所示。0044表1游戏感。
14、知数据类型以及统计特征0045说明书3/7 页5CN 116603247 A50046当忽略游戏用户感知差的情况时，这就不可避免的要遇到数据不平衡的问题。因此本实施例首先将采集到的游戏用户感知数据按照5：1：1的比例划分为优、良、差三个感知等级。0047至于采用的BorderlineSMOTE方法，该方法是针对SMOTE扩展的算法，它考虑了噪声样本的影响，该算法仅使用边界上属性为Danger的少数类样本来获取新样本。通过过采样训练集中感知数据的良和差两类分类型数据，生成前20维用户游戏数据，使得最终的优、良、差数据比为1：1：1，以此平衡后续感知模型的性能。0048在一个具体的实施例中，感知模。
15、型包括因子分解机网络以及图神经网络，在感知模型中将每组游戏感知数据中的特征视为节点，将特征间的两两交互视为边。0049参见附图2所示，在一个具体的实施例中，因子分解机网络包括依次连接的输入层、中间层以及输出层。0050具体的，因子分解机网络的具体改进过程包括：0051针对因子分解机网络的特征间交互作用权重一致的缺点，由模糊集理论设计了多维隶属度函数为特征交互赋权重，具体表达式为：00520053式中，uij是成员资格值0uij1，是半径的离散度，xij是特征交互的内积值，cij是对应标签的中心向量。公式中的成员函数用来度量样本i和中心向量j之间的相似性。如果样本i靠近中心向量j，则其隶属度较高。
16、。反之，它的隶属度在离中心向量越远的位置越低。0054本实施例中针对因子分解机不能捕获更高阶的特征交互的问题，将图神经网络通过逐层迭代地聚合邻域特征来学习节点嵌入。因此，节点之间的高阶关系可以通过堆叠层显式地编码在嵌入中。图神经网络已成为捕捉图中节点之间的高阶关系的一类有效模型，本实施例结合了图神经网络捕捉高维特征交互的优点和因子分解机适应稀疏数据的优点，得到了基础模型。然后引入注意力机制赋值克服特征间的交互作用权重一致的缺点。0055参见附图3所示，在一个具体的实施例中，对感知模型进行改进处理的具体过程包括：0056确定度量函数，利用度量函数对感知模型进行特征选取，即通过设计度量函数作为相互。
17、作用选取感知模型中的组件来选择有利的相互作用，弥合了GNN和FM之间的鸿沟，使得利用GNN的优势来解决FM问题成为可能；0057将经过特征选取的感知模型进行交互聚合处理，通过执行交互聚合操作来更新特征表示，引入了注意力机制计算特征交互间的相似性，保证模型的鲁棒性，增强有效特征的正面效应，同时减少由于有偏特征带来的负面影响。0058在一个具体的实施例中，利用度量函数对感知模型进行特征选取的具体处理过程包括：0059度量函数作为相互作用选择组件来选择有利的相互作用，组件指代fs参数，也就是通过MLP层得到特征间的特征度量值。0060通过将特征视为节点，将特征间的两两交互视为边，“特征”代指的是每条。
18、记录中的每一维数据，“节点”表示实体对象(比如每场游戏中的时延、抖动、丢包等特征都可以作说明书4/7 页6CN 116603247 A6为节点)，“边”代表事件或者实体之间的特殊关系(比如时延和抖动之间的增长关系，时延变化越大，抖动也就越大)，也就是因子分解机的特征交互内积计算部分，达到了弥合GNN和FM之间的鸿沟的效果，度量函数的具体表达式为：00610062式中，及均为MLP参数，()及 ()分别是和激活函数，ei和ej即为不同维的特征嵌入表示。0063利用度量函数选择组件的具体过程为：首先根据fs的大小对四维特征进行画图。fs越大，特征间越近。特征间是正相关的有益特征即为实线，负相关时则。
19、为虚线。当时，其中为第k层更新后的特征嵌入。且和三者间都是正相关的，而到的距离更近，就可以选择和间更有利的相互作用。因子分解机中所有特征交互的计算权重一致，会导致次优解。因此后续在得到有益的交互作用后，引入注意力机制对特征交互赋值，最终得到更新的特征表示。0064fs对其输入的顺序是不变的，因此估计的边权重与同一对节点相同。这种对图形结构的连续建模允许梯度反向传播。由于没有真值图结构，梯度是模型预测值和真实值间的误差。将每对特征嵌入的乘积当作一个项，使用MLP估计权重。0065在一个具体的实施例中，将经过特征选取的感知模型进行交互聚合处理的过程包括：0066引入了注意力机制计算特征交互间的相似。
20、性。0067具体的，本实施例通过执行交互聚合操作来更新特征表示，引入了注意力机制计算特征交互间的相似性，保证模型的鲁棒性，增强有效特征的正面效应，同时减少由于有偏特征带来的负面影响，具体过程如下：0068特征聚合的具体计算公式如下：00690070式中，为有益的特征交互表示，表示级联，是相应的线性变换矩阵，aij度量了特征i和特征j之间的每个特征交互的注意力系数，是通过第h个注意力机制获得的归一化注意力系数，bij表示这种特征交互是有益的概率；注意力系数aij由软注意力机制计算，而bij由硬注意力机制计算，通过将它们相乘来控制所选特征交互的信息，并使交互选择组件中的参数可以通过梯度反向传播进行。
21、训练，其中aij的具体表达式为：00710072式中，通过softmax函数将多分类的输出值转换为范围在0，1，和为1的概率分布，Yij为节点的输出值，k为网络最终所输出的节点个数，也就是所能分类的类别数目，且其中为第k层更新后的特征嵌入。说明书5/7 页7CN 116603247 A70073硬注意力机制是从输出的多维特征中只挑出一个特征来，可能是概率最大的那个特征向量。所以bij的计算为：0074bijArgmax(Yij)(5)0075式中，通过Argmax函数将多分类的输出值得到最大的概率分布值。0076通过执行交互聚合操作来更新特征表示。引入了注意力机制计算特征交互间的相似性，保证模。
22、型的鲁棒性，增强有效特征的正面效应，同时减少由于有偏特征带来的负面影响。在聚合其与邻居的有益交互的同时，测量每个特征交互的注意力系数。在获得了归一化的注意力系数后，计算这些特征交互的线性与非线性组合作为更新的特征表示。通过将它们相乘来控制所选特征交互的信息，并使交互选择组件中的参数可以通过梯度反向传播进行训练。0077最后，对所有特征向量进行平均池化以得到获得图级别的输出，最后利用特征向量对应的投影向量进行最终预测，得到的结果为：00780079式中，为预测结果，pT为投影向量，T为维度，e为不同维的特征嵌入表示。0080综上，本实施例提供的改进方法的具体过程如下：改进的点分为两点：减小了训练。
23、感知数据对于模型性能的影响和捕捉到高维的特征交互，提升了模型的准确性，通过上述过程可以显著提高用户游戏感知效率和精度，并且在时间资源方面的占用情况表现优异。0081参见附图4所示，本发明实施例还提供一种利用上述实施例任一项的游戏用户感知方法的感知系统，包括：0082获取模块，用于获取游戏感知数据；0083构建模块，用于构建感知模型，并对感知模型进行改进处理；0084感知模块，用于提取游戏感知数据的特征向量，对特征向量进行预处理，将经过预处理的特征向量输入至经过改进的感知模型进行感知。0085本发明实施例还提供一种计算机可读存储介质，计算机可读存储介质上存储计算机程序，计算机程序被处理器执行时实。
24、现如上述实施例任一项的游戏用户感知方法。0086本实施例所提出的方法首先考虑了模型的数据不平衡对于模型性能的影响，采用BorderlineSMOTE过采样生成新的平衡数据。然后，针对因子分解机不能捕获更高阶的特征交互。图神经网络通过逐层迭代地聚合邻域特征来学习节点嵌入。因此，节点之间的高阶关系可以通过堆叠层显式地编码在嵌入中。图神经网络已成为捕捉图中节点之间的高阶关系的一类有效模型。结合了图神经网络捕捉高维特征交互的优点和因子分解机适应稀疏数据的优点，得到了基础模型。然后引入注意力机制赋值克服特征间的交互作用权重一致的缺点。0087将本实施例提供的感知方法与其他现有模型在现有的游戏感知数据集进。
25、行数据处理，在多种评价指标的对比得出结论，如表2所示：本本实施例提供的感知方法在所有方法中取得了最好的性能，显著提高了用户游戏感知检测效率和精度，并且在时间资源方面的占用情况表现优异。从而实现了对游戏感知数据资源的高效预测。0088表2模型性能比较说明书6/7 页8CN 116603247 A8008900900091本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。0092对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。说明书7/7 页9CN 116603247 A9图1图2说明书附图1/2 页10CN 116603247 A10图3图4说明书附图2/2 页11CN 116603247 A11。