本發(fā)明涉及人工智能，尤其涉及一種游戲關卡生成推薦方法、系統(tǒng)、設備及介質(zhì)。
背景技術：
1、隨著游戲產(chǎn)業(yè)的蓬勃發(fā)展，玩家對游戲內(nèi)容的豐富性、個性化以及實時性提出了更高要求。在游戲關卡設計與推薦領域，傳統(tǒng)的手工設計方式雖能確保關卡的藝術品質(zhì)與創(chuàng)意深度，但受限于人力資源與設計周期，難以滿足玩家對海量新鮮內(nèi)容的持續(xù)渴望。同時，面對日益多元化的玩家群體，其游戲偏好、技能水平及情感傾向千差萬別，傳統(tǒng)關卡推薦系統(tǒng)因缺乏深度用戶畫像與動態(tài)調(diào)整機制，往往無法精準匹配玩家需求，導致用戶體驗受限。
2、首先，手工設計關卡流程繁瑣，從概念構(gòu)思到最終實現(xiàn)需耗費大量時間與精力，難以快速響應市場變化與玩家需求，限制了游戲內(nèi)容的迭代速度。
3、其次，傳統(tǒng)推薦系統(tǒng)多基于預設規(guī)則或簡單用戶行為統(tǒng)計，缺乏對玩家深層次興趣、情感及社交關系的全面解析，導致推薦內(nèi)容同質(zhì)化嚴重，無法滿足玩家個性化需求。
4、并且，在動態(tài)變化的游戲環(huán)境中，玩家技能水平與偏好可能隨時間而改變。然而，現(xiàn)有推薦系統(tǒng)往往無法實時捕捉這些變化，導致推薦內(nèi)容與玩家當前狀態(tài)脫節(jié)，影響游戲體驗。
5、最后，由于推薦系統(tǒng)無法準確理解玩家行為背后的動機與情感傾向，推薦內(nèi)容可能偏離玩家預期，造成挫敗感或無聊感，進而影響玩家留存率與付費意愿。
技術實現(xiàn)思路
1、本發(fā)明的目的在于提供一種游戲關卡生成推薦方法、系統(tǒng)、設備及介質(zhì)，有效解決了傳統(tǒng)游戲關卡設計與推薦中的關鍵問題，實現(xiàn)了高效、個性化、實時且用戶體驗優(yōu)化的游戲關卡生成與推薦，以解決上述現(xiàn)有技術問題的至少之一。
2、第一方面，本發(fā)明提供了一種游戲關卡生成推薦方法，所述方法具體包括：
3、通過埋點技術獲取用戶的顯性交互數(shù)據(jù)、隱性情感數(shù)據(jù)和社交圖譜數(shù)據(jù)，形成多模態(tài)數(shù)據(jù)；
4、通過多任務學習網(wǎng)絡對多模態(tài)數(shù)據(jù)進行聯(lián)合建模，生成動態(tài)用戶畫像向量，所述多任務學習網(wǎng)絡的主任務用于預測玩家技能水平，所述多任務學習網(wǎng)絡的輔助任務用于分類興趣標簽和分析情感傾向；
5、將動態(tài)用戶畫像向量輸入雙通道生成對抗網(wǎng)絡，生成候選關卡集合，并通過可玩性評估算法篩選初始推薦關卡；
6、建立難度-技能動態(tài)平衡模型，根據(jù)難度-技能動態(tài)平衡模型實時計算用戶技能得分與關卡挑戰(zhàn)度的匹配度，通過匹配度動態(tài)調(diào)整初始推薦關卡的關卡參數(shù)，獲得第一推薦關卡；
7、根據(jù)譜聚類算法將用戶劃分為核心玩家、休閑玩家和流失風險玩家，獲得用戶分類結(jié)果，基于用戶分類結(jié)果為每個玩家的關卡生成請求分配差異化的服務器計算資源。
8、第二方面，本發(fā)明提供了一種游戲關卡生成推薦系統(tǒng)，所述系統(tǒng)具體包括：
9、第一生成推薦模塊，用于通過埋點技術獲取用戶的顯性交互數(shù)據(jù)、隱性情感數(shù)據(jù)和社交圖譜數(shù)據(jù)，形成多模態(tài)數(shù)據(jù)；
10、第二生成推薦模塊，用于通過多任務學習網(wǎng)絡對多模態(tài)數(shù)據(jù)進行聯(lián)合建模，生成動態(tài)用戶畫像向量，所述多任務學習網(wǎng)絡的主任務用于預測玩家技能水平，所述多任務學習網(wǎng)絡的輔助任務用于分類興趣標簽和分析情感傾向；
11、第三生成推薦模塊，用于將動態(tài)用戶畫像向量輸入雙通道生成對抗網(wǎng)絡，生成候選關卡集合，并通過可玩性評估算法篩選初始推薦關卡；
12、第四生成推薦模塊，用于建立難度-技能動態(tài)平衡模型，根據(jù)難度-技能動態(tài)平衡模型實時計算用戶技能得分與關卡挑戰(zhàn)度的匹配度，通過匹配度動態(tài)調(diào)整初始推薦關卡的關卡參數(shù)，獲得第一推薦關卡；
13、第五生成推薦模塊，用于根據(jù)譜聚類算法將用戶劃分為核心玩家、休閑玩家和流失風險玩家，獲得用戶分類結(jié)果，基于用戶分類結(jié)果為每個玩家的關卡生成請求分配差異化的服務器計算資源。
14、第三方面，本發(fā)明提供了一種計算機設備，包括：存儲器和處理器及存儲在存儲器上的計算機程序，當所述計算機程序在處理器上被執(zhí)行時，實現(xiàn)如上述方法中任一項所述的游戲關卡生成推薦方法。
15、第四方面，本發(fā)明提供了一種計算機可讀存儲介質(zhì)，其上存儲有計算機程序，所述計算機程序被處理器運行時，實現(xiàn)如上述方法中任一項所述的游戲關卡生成推薦方法。
16、與現(xiàn)有技術相比，本發(fā)明具有以下技術效果的至少之一：
17、1、有效解決了傳統(tǒng)游戲關卡設計與推薦中的關鍵問題，實現(xiàn)了高效、個性化、實時且用戶體驗優(yōu)化的游戲關卡生成與推薦。
18、2、利用生成對抗網(wǎng)絡自動生成關卡，大幅縮短設計周期，快速響應玩家需求。
19、3、通過多任務學習網(wǎng)絡構(gòu)建動態(tài)用戶畫像，精準捕捉玩家興趣、情感及社交特征，實現(xiàn)了個性化關卡推薦。
20、4、建立難度-技能動態(tài)平衡模型，實時調(diào)整關卡參數(shù)，確保了推薦內(nèi)容與玩家當前狀態(tài)高度匹配。
21、5、結(jié)合譜聚類算法對玩家進行細分，為不同類型玩家分配差異化計算資源，進一步提升了推薦質(zhì)量與游戲流暢度，從而顯著提升玩家滿意度與留存率。
22、6、通過融合顯性交互、隱性情感及社交圖譜數(shù)據(jù)，實現(xiàn)了用戶畫像全維度建模，突破了傳統(tǒng)推薦系統(tǒng)單一數(shù)據(jù)源局限。
23、7、通過實時捕獲操作事件、情感傾向及社交關系圖譜，構(gòu)建動態(tài)更新的用戶行為基因庫，提升了推薦內(nèi)容與用戶當前狀態(tài)匹配時效性，降低了內(nèi)容推薦偏差率。
24、8、通過u-net生成器與雙通道判別器架構(gòu)，結(jié)合對抗訓練與可玩性約束，提升了關卡內(nèi)容生成效率、無效關卡過濾率和生成關卡首次通過率。
25、9、基于玩家歷史行為加權計算技能得分，結(jié)合動態(tài)挑戰(zhàn)度匹配公式，實現(xiàn)了關卡參數(shù)毫秒級自適應調(diào)整，提升玩家挑戰(zhàn)度/技能比體驗區(qū)間覆蓋率。
26、10、通過通關時間、失敗次數(shù)、操作精度及關卡參數(shù)的加權歸一化建模，降低了技能-挑戰(zhàn)度匹配度計算誤差率。
27、11、通過多維度行為特征提取與自適應核函數(shù)聚類，提高了玩家群體細分準確率和計算資源利用率，降低了關卡生成任務配對時延。
1.一種游戲關卡生成推薦方法，其特征在于，所述方法具體包括：
2.根據(jù)權利要求1所述的方法，其特征在于，所述通過埋點技術獲取用戶的顯性交互數(shù)據(jù)、隱性情感數(shù)據(jù)和社交圖譜數(shù)據(jù)，形成多模態(tài)數(shù)據(jù)，具體包括：
3.根據(jù)權利要求1所述的方法，其特征在于，所述多任務學習網(wǎng)絡包括共享全連接層、主任務分支網(wǎng)絡、輔助任務分支網(wǎng)絡和多任務聯(lián)合損失函數(shù)；所述通過多任務學習網(wǎng)絡對多模態(tài)數(shù)據(jù)進行聯(lián)合建模，生成動態(tài)用戶畫像向量，具體包括：
4.根據(jù)權利要求1所述的方法，其特征在于，所述雙通道生成對抗網(wǎng)絡包括生成器、判別器和多目標損失函數(shù)；所述將動態(tài)用戶畫像向量輸入雙通道生成對抗網(wǎng)絡，生成候選關卡集合，并通過可玩性評估算法篩選初始推薦關卡，具體包括：
5.根據(jù)權利要求1所述的方法，其特征在于，所述建立難度-技能動態(tài)平衡模型，根據(jù)難度-技能動態(tài)平衡模型實時計算用戶技能得分與關卡挑戰(zhàn)度的匹配度，通過匹配度動態(tài)調(diào)整初始推薦關卡的關卡參數(shù)，獲得第一推薦關卡，具體包括：
6.根據(jù)權利要求5所述的方法，其特征在于，所述匹配度公式滿足
7.根據(jù)權利要求1至6中任一項所述的方法，其特征在于，所述根據(jù)譜聚類算法將用戶劃分為核心玩家、休閑玩家和流失風險玩家，獲得用戶分類結(jié)果，基于用戶分類結(jié)果為每個玩家的關卡生成請求分配差異化的服務器計算資源，具體包括：
8.一種游戲關卡生成推薦系統(tǒng)，其特征在于，所述系統(tǒng)具體包括：
9.一種計算機設備，其特征在于，包括：存儲器和處理器及存儲在存儲器上的計算機程序，當所述計算機程序在處理器上被執(zhí)行時，實現(xiàn)如權利要求1至7中任一項所述的游戲關卡生成推薦方法。
10.一種計算機可讀存儲介質(zhì)，其特征在于，其上存儲有計算機程序，所述計算機程序被處理器運行時，實現(xiàn)如權利要求1至7中任一項所述的游戲關卡生成推薦方法。