[发明专利]用于玩家安排比赛的机器学习的信任度评分

说明书

受训练的机器学习模型用于确定在视频游戏服务中注册的用户帐户的得分(例如信任度得分)，并且该得分用于在多玩家视频游戏设置中将玩家匹配在一起。在示例过程中，计算系统可以访问与注册的用户帐户相关联的数据，将数据作为输入提供给受训练的机器学习模型，并且该受训练的机器学习模型生成所述得分作为输出，该得分与在多玩家模式下玩视频游戏时玩家根据特定行为表现或不根据特定行为表现的概率相关。此后，至少部分地基于为那些登录用户帐户确定的得分，可以将执行视频游戏的登录用户帐户的子集分配给不同的比赛，并在每个登录用户账户的分配的比赛中执行视频游戏。

相关申请的交叉引用

本申请是要求于2018年9月7日提交的题为“用于玩家安排比赛的机器学习的信任度评分(MACHINE-LEARNED TRUST SCORING FOR PLAYER MATCHMAKING)”的美国专利申请序列号16/125,224的优先权的PCT申请，所述美国专利申请特此通过引用以其全文并入。

背景技术

广域网通信的恒定或几乎恒定的可用性，加上客户端机器能力的增强，已导致在线多玩家视频游戏的普及。在这些多玩家视频游戏中，视频游戏服务可以使用安排比赛系统将玩家分组在一起比赛，以便分组的玩家可以在多玩家模式下一起玩视频游戏。第一人称射击游戏类型是玩家经常在多玩家模式下玩耍的一种流行视频游戏类型。在此示例类型中，两个或更多玩家团队可以在多个回合中对抗，目的是赢得足够的回合以赢得比赛。同一个团队中的玩家可以共同努力实现目标，同时与对方团队的玩家对抗。

尽管绝大多数视频游戏玩家都不从事作弊行为，但通常存在一小群体玩家作弊以获取比其他玩家的优势。经常，作弊玩家使用第三方软件，该软件给他们提供一些信息或与其他玩家相比提供机械优势。例如，第三方软件可以被配置为提取关于其他玩家的位置的位置数据，并且可以将这些位置呈现给作弊玩家。这种信息优势允许作弊玩家伏击其他玩家，或者以其他方式利用第三方软件显示的位置信息。作弊的一种更明显的方式是使用第三方软件，该软件能够检测其他玩家的位置并自动使作弊者的化身运动(例如，通过编程方式将鼠标光标移动到目标玩家并以自动方式发射武器)。换句话说，一些玩家通过使用计算机化算法通过使第三方软件代表他们玩视频游戏而作弊，这些算法从机械角度增强了作弊玩家的表现。

通常，不良的玩家行为(例如作弊)破坏想要合法玩游戏的玩家的游戏体验。因此，如果打算进行不良行为的玩家与表现出良好行为的其他玩家相匹配，则对于行为良好的玩家而言，多玩家视频游戏体验将受到破坏。当今使用的试图识别可能导致未来不良行为的玩家的系统的预测有些不准确。这些系统在很大程度上是静态的，因为它们基于静态定义的规则和输入，这意味着必须手动调整它们才能更改系统的输出。相对于这些和其他考虑因素，提出了本文所作的公开。

附图说明

参考附图描述具体实施方式。在图中，附图标记的最左边的一个或多个数字标识附图标记首次出现的图。在不同附图中使用同一附图标记指示类似或相同的组件或特征。

图1是图解了示例环境的图，该示例环境包括远程计算系统，该远程计算系统被配置为训练和使用机器学习模型来确定与玩家的可能行为有关的信任度得分，并基于该机器学习的信任度得分将玩家匹配在一起。

图2示出了图解图1的远程计算系统的示例组件的框图，以及图解如何将机器学习的信任度评分用于玩家安排比赛的图。

图3是用于训练机器学习模型以预测玩家根据特定行为表现或不根据特定行为表现的概率的示例过程的流程图。

图4是用于利用受训练的机器学习模型确定用户账户的信任度得分的示例过程的流程图，该信任度得分与玩家根据特定行为表现或不根据特定行为表现的概率有关。

图5是用于基于与可能的玩家行为有关的机器学习的信任度得分将用户账户分配给多玩家视频游戏的不同比赛的示例过程的流程图。

具体实施方式