[发明专利]用于防沉迷系统的基于随机森林的自训练学习系统及方法

权利要求书

1.一种用于防沉迷系统的基于随机森林的自训练学习方法，其特征在于，所述用于防沉迷系统的基于随机森林的自训练学习方法包括：

对至少一个已标记的游戏特征序列进行PCA训练获得游戏特征序列训练集；

基于随机森林的分类器对未标记的游戏特征序列进行识别，将置信度最高的未标记的游戏特征序列添加到所述游戏特征序列训练集；

重新对所述游戏特征序列训练集的数据进行PCA训练，直至达到预设循环次数或所述游戏特征序列训练集不再增大；

利用所述游戏特征序列训练集对输入的测试游戏特征序列进行识别；

所述基于随机森林的分类器对未标记的游戏特征序列进行识别，将置信度最高的未标记的游戏特征序列添加到所述游戏特征序列训练集的一种实现方式包括：

利用随机森林的分类器来计算每个未标记的游戏特征序列的假标记，形成属于某一类的假标记集；

从所述假标记集中选取一个与所述某一类同类的有标记的游戏特征序列距离最近的未标记的游戏特征序列；

将该距离最近的所述未标记的游戏特征序列添加到所述游戏特征序列训练集。

2.根据权利要求1所述的用于防沉迷系统的基于随机森林的自训练学习方法，其特征在于，所述用于防沉迷系统的基于随机森林的自训练学习方法还包括：

对输入的游戏序列数据进行提取，分别获取所述已标记的游戏特征序列和所述未标记的游戏特征序列。

3.根据权利要求1或2所述的用于防沉迷系统的基于随机森林的自训练学习方法，其特征在于，所述游戏序列数据的游戏特征至少包括游戏时间和游戏金额。

4.根据权利要求1所述的用于防沉迷系统的基于随机森林的自训练学习方法，其特征在于，所述随机森林的分类器的一种形式为：

C^(t)＝RandomForest(D_L,DecisionTree,N)；

其中，C^(t)为分类器的输出分类结果，D_L为标记的游戏特征序列训练集，DecisionTree为子决策树，N为子决策树的个数，RandomForest为随机森林算法。

5.一种用于防沉迷系统的基于随机森林的自训练学习系统，其特征在于，所述用于防沉迷系统的基于随机森林的自训练学习系统包括：

PCA训练模块，用于对至少一个已标记的游戏特征序列进行PCA训练获得游戏特征序列训练集；

识别模块，用于基于随机森林的分类器对未标记的游戏特征序列进行识别，将置信度最高的未标记的游戏特征序列添加到所述游戏特征序列训练集；训练集模块重新对所述游戏特征序列训练集的数据进行PCA训练，直至达到预设循环次数或所述游戏特征序列训练集不再增大；

测试模块，用于利用所述游戏特征序列训练集对输入的测试游戏特征序列进行识别；

所述识别模块包括：

标记单元，用于利用随机森林的分类器来计算每个未标记的游戏特征序列的假标记，形成属于某一类的假标记集；

选取单元，用于从所述假标记集中选取一个与所述某一类同类的有标记的游戏特征序列距离最近的未标记的游戏特征序列；

添加单元，用于将该距离最近的所述未标记的游戏特征序列添加到所述游戏特征序列训练集。

6.根据权利要求5所述的用于防沉迷系统的基于随机森林的自训练学习系统，其特征在于，所述用于防沉迷系统的基于随机森林的自训练学习系统还包括：

特征提取模块，用于对输入的游戏序列数据进行提取，分别获取所述已标记的游戏特征序列和所述未标记的游戏特征序列。

7.根据权利要求5或6所述的用于防沉迷系统的基于随机森林的自训练学习系统，其特征在于，所述游戏序列数据的游戏特征至少包括游戏时间和游戏金额。

8.根据权利要求5所述的用于防沉迷系统的基于随机森林的自训练学习系统，其特征在于：所述随机森林的分类器的一种形式为：

C^(t)＝RandomForest(D_L,DecisionTree,N)；

其中，C^(t)为分类器的输出分类结果，D_L为标记的游戏特征序列训练集，DecisionTree为子决策树，N为子决策树的个数，RandomForest为随机森林算法。