基于累积链接有序回归的游戏用户感知评估方法及系统

1.本发明涉及游戏用户感知评估技术领域，更具体的说是涉及一种基于累积链接有序回归的游戏用户感知评估方法及系统。


背景技术：

2.目前，累积链接模型属于经典的有序回归算法之一，从统计学中产生的比例几率模型(proportional odds model，pom)作为首个专门为有序回归设计的模型，被认为是更广泛的累积链接模型(cumulative linkmodels，clms)的家族成员。累积链接模型是阈值模型中的一种，clms源于潜在变量的概念，假设存在一个潜在变量并将其映射到一个一维空间和一组阈值，阈值将划分不同的有序类别。将二元逻辑回归扩展到有序回归，clms预测相邻类别组的概率，同时考虑到有序尺度。clms最重要的是需要指定一个链接函数，可以是不同的类型，常见的链接函数为logit、probit和cloglog函数，无法适应不同的数据分布，且使用累积链接模型推导深度学习有序分类算法时存在忽略了非真类的预测概率分布的问题。
3.因此，如何在考虑游戏用户qoe数据集天然有序特性的基础上，同时提高对游戏用户qoe的评估性能是本领域技术人员亟需解决的问题。


技术实现要素：

4.有鉴于此，本发明提供了一种基于累积链接有序回归的游戏用户感知评估方法及系统，以解决背景技术中存在的问题。
5.为了实现上述目的，本发明采用如下技术方案：
6.一方面，提供一种基于累积链接有序回归的游戏用户感知评估方法，包括：
7.获取游戏用户感知影响因素，形成游戏用户感知数据集；
8.根据所述游戏用户感知数据集分布，调整累积链接函数的数据分布超参数；使所述累积链接函数贴合所述游戏用户感知数据集分布；
9.构建基于累积链接有序回归的游戏用户感知评估模型；
10.根据所述基于累积链接有序回归的游戏用户感知评估模型获得用户感知。
11.可选的，所述游戏用户感知影响因素包括三个维度：用户因素、系统因素和上下文因素；
12.在游戏开始前和结束后采集所述用户因素和上下文因素，在游戏过程中采集所述系统因素，组成游戏用户感知数据集。
13.可选的，所述调整累积链接函数的数据分布超参数具体包括：根据分析得到所采集的游戏用户感知数据集的分布，调节累积链接函数中的峰度、位置和偏度参数。
14.可选的，所述累积链接函数为：
[0015][0016][0017]
其中，y为预测标签、yk为第k个标签、x为测试样本特征、fz为累积分布函数、θk为分割函数截距、w为分割函数权重、n为峰度参数、δ为位置参数、α为偏度参数。
[0018]
可选的，所述构建基于累积链接有序回归的游戏用户感知评估模型的具体过程为：根据游戏用户感知数据集分布确定链接函数的数据分布超参数，将累积链接模型与多层感知机相结合，在交叉熵损失函数的基础之上将预测类概率与真类概率之间的距离纳入损失函数的计算中，得到新的损失函数。
[0019]
可选的，所述新的损失函数为：
[0020][0021]
其中，k为类别数量、h为分割函数、c为预测类的秩、p为惩罚系数。
[0022]
所述构建基于累积链接有序回归的游戏用户感知评估模型的具体过程还包括：
[0023]
首先，基于多层感知机计算累积链接模型中的权重与截距参数确定隐藏函数表达式，即选择隐藏函数的表现形式为权重与截距的形式，并为权重与截距参数选择初始值，通过dl模型训练得到权重与截距参数，为dl模型与累积链接模型的一层联系；
[0024]
其次，由游戏用户感知数据集分布确定累积链接函数中的数据分布超参数，将隐藏函数带入累积链接函数中，计算出隐藏函数的累积分布函数与概率分布函数，通过概率分布函数计算损失函数，根据损失值的变化进行模型权重更新，以此建立起dl模型与累积链接模型的二层联系；
[0025]
其中，dl模型与累积链接模型的所建立的两层联系为嵌套关系，第二层联系是嵌套于第一层联系之中的，通过dl模型计算隐藏函数的表达式，在此过程中，是根据隐藏函数计算数据的累积分布函数得到所需的损失函数，根据损失值更新dl模型权重；
[0026]
最后，基于累积链接有序回归的游戏用户感知评估模型构建完成，将该模型应用于测试数据，得到待分类感知数据样本所属的类别。
[0027]
可选的，还包括调用训练完成的模型对游戏用户感知数据集评估，以获取游戏用户感知数据评估结果。
[0028]
另一方面，提供一种基于累积链接有序回归的游戏用户感知评估系统，包括：
[0029]
游戏用户感知影响因素获取模块，获取游戏用户感知影响因素，形成游戏用户感知数据集；
[0030]
模型建立模块，根据所述游戏用户感知数据集分布，调整累积链接函数的数据分布超参数，使所述累积链接函数贴合所述游戏用户感知数据集分布；构建基于累积链接有序回归的游戏用户感知评估模型；
[0031]
感知获取模块，根据所述基于累积链接有序回归的游戏用户感知评估模型获得用户感知。
[0032]
可选的，还包括评估结果显示模块，将当局游戏感知以优/良/中/差/劣五个等级之一的形式进行显示。
[0033]
可选的，还包括数据反馈模块，用户对评估结果进行反馈。
[0034]
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基于累积链接有序回归的游戏用户感知评估方法及系统，利用基于累积链接有序回归的游戏用户感知评估模型将游戏用户感知数据集天然有序特性纳入评估结果的计算中，提升了对游戏用户感知评估性能，向累积链接函数中增加了数据分布超参数，从而更有灵活的适应数据分布。
附图说明
[0035]
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。
[0036]
图1为本发明实施例1游戏用户感知评估方法的流程图；
[0037]
图2为本发明实施例2游戏用户感知评估方法的原理图；
[0038]
图3为本发明实施例2游戏用户感知评估系统流程图。
具体实施方式
[0039]
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实施例，都属于本发明保护的范围。
[0040]
本发明实施例1公开了一方面，提供一种基于累积链接有序回归的游戏用户感知评估方法，如图1所示，包括：
[0041]
获取游戏用户感知影响因素，形成游戏用户感知数据集；
[0042]
根据游戏用户感知数据集分布，调整累积链接函数的数据分布超参数；使累积链接函数贴合游戏用户感知数据集分布；
[0043]
构建基于累积链接有序回归的游戏用户感知评估模型；
[0044]
根据基于累积链接有序回归的游戏用户感知评估模型获得用户感知。
[0045]
其中，首先获取游戏用户感知影响因素，建立游戏用户感知数据集。在所提出的基于累积链接有序回归的游戏用户感知评估系统中完成模型所需数据样本的采集。
[0046]
接下来，输入累积链接模型与简单的多层感知机模型相结合的有序回归模型、迭代次数、学习率、样本总数、数据分布超参数以及损失函数中的惩罚系数对有序回归模型进行训练。
[0047]
在一个具体的实施例中，游戏用户感知影响因素包括三个维度：用户因素、系统因素和上下文因素；
[0048]
在游戏开始前和结束后采集用户因素和上下文因素，在游戏过程中采集系统因素，组成游戏用户感知数据集。
[0049]
在一个具体的实施例中，根据游戏用户感知数据集分布结果确定峰度、位置和偏
度参数。偏度参数α＝0.5时，累积分布图像右移，预测结果将略微偏向大的等级，能够适应不同游戏用户感知数据集的分布。增加数据分布超参数后的累积链接函数为：
[0050][0051][0052]
其中，y为预测标签、yk为第k个标签、x为测试样本特征、fz为累积分布函数、θk为分割函数截距、w为分割函数权重、n为峰度参数、δ为位置参数、α为偏度参数。
[0053]
在一个具体的实施例中，在深度学习中最常用的损失函数为交叉熵损失函数，当采用独热编码对类标签进行编码时交叉熵损失函数在非真类时预测概率为0，忽略了非真类的预测概率分布。在处理天然有序的数据标签时，当预测类概率与真类概率越近时越好，因此将预测类概率与真类概率之间的距离纳入损失函数的计算中。在交叉熵的基础之上，提出的广义链接函数所定义的累积链路模型与类距离相结合，得出结合累计链路模型的类距离加权熵损失函数，该损失函数中的惩罚系数为超参数，根据需要的惩罚程度确定该参数，在最大程度地贴合对数据分布的预测。所提出的结合广义累积链接函数与类距离加权熵的新的损失函数为：
[0054][0055]
其中，k为类别数量、h为分割函数、c为预测类的秩、p为惩罚系数。
[0056]
在一个具体的实施例中，还包括调用训练完成的模型对游戏用户感知数据集评估，以获取游戏用户感知数据评估结果，结果形式为itu-t acr量表中的五种意见得分之一：5分：优秀的游戏质量，4分：良好的游戏质量，3分：一般的游戏质量，2分：差的游戏质量，1分：糟糕的游戏质量。
[0057]
另一方面，提供一种基于累积链接有序回归的游戏用户感知评估系统，包括：
[0058]
游戏用户感知影响因素获取模块，获取游戏用户感知影响因素，形成游戏用户感知数据集；
[0059]
模型建立模块，根据游戏用户感知数据集分布，调整累积链接函数的数据分布超参数，使累积链接函数贴合游戏用户感知数据集分布；构建基于累积链接有序回归的游戏用户感知评估模型；
[0060]
感知获取模块，根据基于累积链接有序回归的游戏用户感知评估模型获得用户感知。
[0061]
在一个具体的实施例中，还包括评估结果显示模块，将当局游戏感知以优/良/中/差/劣五个等级之一的形式进行显示。
[0062]
在一个具体的实施例中，还包括数据反馈模块，用户对评估结果进行反馈。
[0063]
为进一步说明本发明方法的原理，引入实施例2作进一步说明。
[0064]
本实施例2提供一种基于累积链接有序回归的游戏用户感知评估方法，如图2所示，包括以下步骤：
[0065]
首先，基于多层感知机计算累积链接模型中的权重与截距参数确定隐藏函数表达式，即选择隐藏函数的表现形式为权重与截距的形式，并为权重与截距参数选择初始值，通过dl模型训练得到权重与截距参数，为dl模型与累积链接模型的一层联系；
[0066]
其次，由游戏用户感知数据集分布确定累积链接函数中的数据分布超参数，将隐藏函数带入累积链接函数中，计算出隐藏函数的累积分布函数与概率分布函数，通过概率分布函数计算损失函数，根据损失值的变化进行模型权重更新，以此建立起dl模型与累积链接模型的二层联系；
[0067]
其中，dl模型与累积链接模型的所建立的两层联系为嵌套关系，第二层联系是嵌套于第一层联系之中的，通过dl模型计算隐藏函数的表达式，在此过程中，是根据隐藏函数计算数据的累积分布函数得到所需的损失函数，根据损失值更新dl模型权重；
[0068]
最后，基于累积链接有序回归的游戏用户感知评估模型构建完成，将该模型应用于测试数据，得到待分类感知数据样本所属的类别。
[0069]
综上所述，本发明实施例通过上述过程实现了对游戏用户感知的评估。
[0070]
一种基于累积链接有序回归的游戏用户感知评估系统，如图3所示，包括以下模块：
[0071]
用户注册/登录模块，首先输入注册名以及登陆密码进行注册，注册完成后获得登录权限的用户可以使用本系统，通过用户名、密码访问系统；
[0072]
用户/上下文因素采集模块，在游戏开始前填写用户相关信息并在当局游戏结束后填写对局情况。
[0073]
系统因素采集模块，在进入游戏角色选择页面后，用户终端将与游戏服务器进行连接，游戏用户能够获取服务器ip地址并将通过输入游戏服务器ip地址后对游戏服务器开始每秒一个的ping指令发送，在游戏结束后点击保存按钮，游戏过程中所记录的ping数据保存在文件中；
[0074]
特征提取/算法选择及训练模块，选取已经采集完成并贴好标签的数据集进行训练，完成对当局游戏感知情况的评估；
[0075]
评估结果显示模块，将当局游戏感知以优/良/中/差/劣五个等级之一的形式进行显示；
[0076]
数据反馈模块，让用户对评估结果进行反馈，不仅能够增加数据集的数量，而且对服务提供商对系统进行优化具有指导意义。
[0077]
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。
[0078]
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。

技术特征：
1.一种基于累积链接有序回归的游戏用户感知评估方法，其特征在于，包括：获取游戏用户感知影响因素，形成游戏用户感知数据集；根据所述游戏用户感知数据集分布，调整累积链接函数的数据分布超参数，使所述累积链接函数贴合所述游戏用户感知数据集分布；构建基于累积链接有序回归的游戏用户感知评估模型；根据所述基于累积链接有序回归的游戏用户感知评估模型获得用户感知。2.根据权利要求1所述的一种基于累积链接有序回归的游戏用户感知评估方法，其特征在于，所述游戏用户感知影响因素包括三个维度：用户因素、系统因素和上下文因素；在游戏开始前和结束后采集所述用户因素和上下文因素，在游戏过程中采集所述系统因素，组成游戏用户感知数据集。3.根据权利要求1所述的一种基于累积链接有序回归的游戏用户感知评估方法，其特征在于，所述调整累积链接函数的数据分布超参数具体包括：根据分析得到所采集的游戏用户感知数据集的分布，调节累积链接函数中的峰度、位置和偏度参数。4.根据权利要求1所述的一种基于累积链接有序回归的游戏用户感知评估方法，其特征在于，所述累积链接函数为：征在于，所述累积链接函数为：其中，y为预测标签、y
k
为第k个标签、x为测试样本特征、f
z
为累积分布函数、θ
k
为分割函数截距、w为分割函数权重、n为峰度参数、δ为位置参数、α为偏度参数。5.根据权利要求1所述的一种基于累积链接有序回归的游戏用户感知评估方法，其特征在于，所述构建基于累积链接有序回归的游戏用户感知评估模型的具体过程为：根据游戏用户感知数据集分布确定累积链接函数的数据分布超参数，将累积链接模型与多层感知机相结合，在交叉熵损失函数的基础之上将预测类概率与真类概率之间的距离纳入损失函数的计算中，得到新的损失函数。6.根据权利要求5所述的一种基于累积链接有序回归的游戏用户感知评估方法，其特征在于，所述新的损失函数为：其中，k为类别数量、h为分割函数、c为预测类的秩、p为惩罚系数。7.根据权利要求5所述的一种基于累积链接有序回归的游戏用户感知评估方法，其特征在于，所述构建基于累积链接有序回归的游戏用户感知评估模型的具体过程还包括：首先，基于多层感知机计算累积链接模型中的权重与截距参数确定隐藏函数表达式，即选择隐藏函数的表现形式为权重与截距的形式，并为权重与截距参数选择初始值，通过dl模型训练得到权重与截距参数，为dl模型与累积链接模型的一层联系；
其次，由游戏用户感知数据集分布确定累积链接函数中的数据分布超参数，将隐藏函数带入累积链接函数中，计算出隐藏函数的累积分布函数与概率分布函数，通过概率分布函数计算损失函数，根据损失值的变化进行模型权重更新，以此建立起dl模型与累积链接模型的二层联系；其中，dl模型与累积链接模型的所建立的两层联系为嵌套关系，第二层联系是嵌套于第一层联系之中的，通过dl模型计算隐藏函数的表达式，在此过程中，根据隐藏函数计算数据的累积分布函数以得到所需的损失函数，并由损失值的变化更新dl模型权重；最后，基于累积链接有序回归的游戏用户感知评估模型构建完成，将该模型应用于测试数据，得到待分类感知数据样本所属的类别。8.根据权利要求1所述的一种基于累积链接有序回归的游戏用户感知评估方法，其特征在于，还包括调用训练完成的模型对游戏用户感知数据集评估，以获取游戏用户感知数据评估结果。9.一种基于累积链接有序回归的游戏用户感知评估系统，其特征在于，包括：游戏用户感知影响因素获取模块，获取游戏用户感知影响因素，形成游戏用户感知数据集；模型建立模块，根据所述游戏用户感知数据集分布，确定累积链接函数的数据分布超参数，使所述累积链接函数贴合所述游戏用户感知数据集分布；构建基于累积链接有序回归的游戏用户感知评估模型；感知获取模块，根据所述基于累积链接有序回归的游戏用户感知评估模型获得用户感知。10.根据权利要求9所述的一种基于累积链接有序回归的游戏用户感知评估系统，其特征在于，还包括数据反馈模块，用户对评估结果进行反馈。

技术总结
本发明公开了一种基于累积链接有序回归的游戏用户感知评估方法及系统，涉及游戏用户感知评估技术领域，通过获取游戏用户感知影响因素，形成游戏用户感知数据集；根据所述游戏用户感知数据集分布，调整累积链接函数的数据分布超参数；构建基于累积链接有序回归的游戏用户感知评估模型，获取用户感知。本发明将游戏用户感知数据集天然有序特性纳入评估结果的计算中，提升了对游戏用户感知评估性能，向累积链接函数中增加了数据分布超参数，从而更有灵活的适应数据分布。有灵活的适应数据分布。有灵活的适应数据分布。


技术研发人员：朱显星 贾元
受保护的技术使用者：中国人民大学
技术研发日：2023.07.19
技术公布日：2023/9/16