专利名称：用于分析比赛结果的方法和系统的制作方法
技术领域：
本发明涉及一种用于分析比赛结果的方法和系统，更具体地讲，所述分析比赛结果的方法和系统能够基于获得的比赛过程的结果分析每个参赛者的纯粹能力，以及分析用于比赛过程的选项的优点和缺点。
背景技术：
近来，随着计算机产业和通信服务的发展，存在各种使用计算机和通信服务的服务。通过计算机提供的游戏服务由于该游戏服务的各种类型和操作方法而被广泛地使用。例如，游戏服务的用户可以通过网络或互联网与其它用户比赛。
为了吸引用户的注意力并激发竞争精神，为用户提供基于游戏结果计算的排行。即，用户会对获得更高的排行感兴趣，进而，排行高的用户会体验到一种成就感。
除了游戏服务之外，搜索服务也提供排行类型的搜索结果，从而用户可以容易地获得期望的搜索结果。如上面所解释的，使用计算机或互联网，以基于比赛过程的结果获得的排行的方式，来提供比赛结果或搜索结果。
然而，根据基于比赛结果制作的排行不能容易地估计每个参赛者的纯粹能力。这是因为除了每个参赛者的纯粹能力之外，排行还受其它因素的影响。下面示出详细的原因。
第一，这是一种游戏执行方法。普通的比赛(例如，游戏)由能力相近的用户执行。更详细地讲，如果一个出色的游戏玩家与另一个更出色的游戏玩家比赛，则该出色的游戏玩家不能获得好的结果。同时，如果一个不出色的游戏玩家和另一更不出色的游戏玩家比赛，则不出色的游戏玩家会获得好的结果。在这种情况下，即使前一个游戏玩家在纯粹能力方面超过后一个游戏玩家，后一个游戏玩家也会比前一个游戏玩家获得更高的百分比的胜利。
第二，他们是用于游戏的各种类型的选项。详细地说，即使游戏玩家在纯粹能力方面近似，使用较好选项的游戏玩家会获得好的结果。例如，当这两个相同纯粹能力的游戏玩家相互比赛时，假设一个游戏玩家使用较高级选项，另一个游戏玩家使用次级选项。在这种情况下，使用高级选项的这个游戏玩家可以比使用次级选项的另一个玩家获得较好的结果。因此，在使用高级选项的游戏玩家中获胜的百分比变得高于使用次级选项的另一个游戏玩家。
发明内容
技术问题 本发明的目的在于提供一种用于分析比赛结果的系统和方法，该系统和方法能够分析用于比赛过程的选项的优点和缺点。
本发明的另一个目的在于提供一种用于分析比赛结果的系统和方法，该系统和方法能够基于获得的比赛过程的结果分析每个参赛者的纯粹能力。
本发明的另一个目的在于提供一种用于分析比赛结果的系统和方法，该系统和方法能够基于每个参赛者的纯粹能力获得关于所有参赛者的排行信息，其中，根据比赛过程的结果估计所述纯粹能力。
技术方案 一种用于分析比赛结果的系统和方法，其特征在于所述方法包括提供概率模型以分析比赛结果，所述比赛结果包括关于用于比赛过程的选项的信息以及参赛者的排行信息；通过使用概率模型分析比赛结果，确定关于每个参赛者的纯粹能力的第一参量以及关于用于比赛过程的选项的优点和缺点的第二参量。
此时，概率模型用被定义为比赛过程中示出的参赛者的能力的第一随机变量的概率来表示基于排行信息产生排行的概率。
此外，基于具有与第二随机变量对应的平均值的正态分布确定第一随机变量，所述第二随机变量被定义为指示所述选项、第一参量和第二参量的变量的函数。
在本发明的一个实施例中，确定第一和第二参量的步骤包括计算第二随机变量的似然函数；根据使所述似然函数最大化的第二随机变量估计第一和第二参量。
在本发明的变型的实施例中，确定第一和第二参量的步骤包括计算第二随机变量的先验分布；计算第二随机变量的似然函数；通过使用第二随机变量的先验分布以及所述似然函数估计第一和第二参量。此时，在估计第一和第二参量的步骤中，通过将贝叶斯分析应用于所述似然函数以及第二随机变量的先验分布来估计第一和第二参量。
此外，在估计第一和第二参量的步骤中，根据通过第二随机变量的后验概率函数计算的第一和第二参量的近似后验分布估计第一和第二参量。
在本发明的另一方面中，一种用于分析比赛结果的系统包括概率模型提供单元，用于提供分析比赛结果的概率模型，所述比赛结果包括关于用于比赛过程的选项的信息以及参赛者的排行信息；比赛结果分析单元，用于确定关于每个参赛者的纯粹能力的第一参数以及关于用于比赛过程的选项的优点和缺点的第二参数。
在本发明的一个实施例中，比赛结果分析单元包括计算部件，用于计算第二随机变量的似然函数；参量估计部件，用于根据使所述似然函数最大化的第二随机变量估计第一和第二参量。
在本发明的变型的实施例中，比赛结果分析单元包括先验分布计算部件，用于通过使用第一参量的预定先验分布以及第二参量的先验分布来计算第二随机变量的先验分布；计算部件，用于计算第二随机变量的似然函数，并通过使用第二随机变量的似然函数及第二随机变量的先验分布来计算第二随机变量的后验概率函数；参量估计部件，用于根据第二随机变量的后验概率函数估计第一和第二参量。
此时，参量估计部件根据第二随机变量的后验概率函数计算第一和第二参量的条件分布，并基于通过采样从所述条件分布提取的预定数量的样本来估计第一和第二参量。
图1是示出根据本发明的一个实施例的用于分析比赛结果的系统的框图。
图2是示出了根据本发明的一个实施例的用于分析比赛结果的方法的流程图。
图3是示出当图2中示出的用于分析比赛结果的方法应用于“STARCRAF”游戏时通过每个样本估计的β值的图形。
图4是示出关于图3中示出的β值的盒形图的曲线图。
图5是示出当图2中示出的用于分析比赛结果的方法应用于“STARCRAF”游戏时估计的φk值的曲线图。
图6是示出当图2中示出的用于分析比赛结果的方法应用于“SkidRush”游戏时通过每个样本估计的β值的曲线图。
图7是示出关于图6中示出的β值的盒形图的图形。
最佳实施方式 现在通过比较本发明的示例和对比示例来更具体地理解本发明。但是，本发明不限于这些实施例。
图1是示出根据本发明一个实施例的用于分析比赛结果的系统的框图。如图1中所示，根据本发明的一个实施例的用于分析比赛结果的系统10包括比赛结果提取单元12、概率模型提供单元14和比赛结果分析单元16。系统10基于比赛结果估计每个参赛者的纯粹能力，还估计用于比赛过程的选项的优点和缺点。
在这种情况下，用于比赛过程的选项是指由游戏参与者选择的用于游戏过程的对象，例如，用于比赛(例如，游戏)过程的项目、角色或游戏场地。
下面，关于将被估计的参赛者的纯粹能力的随机变量被定义为第一参量，关于用于比赛的选项的优点和缺点的随机变量被定义为第二参量。
比赛结果提取单元12从比赛结果存储单元(未示出)提取由比赛过程产生的比赛结果。由比赛结果提取单元12提取的比赛结果包括关于用于比赛的选项的信息以及关于参赛者的排行信息。
概率模型提供单元14提供概率模型，用于分析由比赛结果提取单元12提取的比赛结果。可基于Probit Model(概率单位模型)来设计由概率模型提供单元14提供的概率模型。
在本发明的一个实施例中，概率模型可以用被定义为在实际比赛中示出的参赛者的能力的第一随机变量的概率，表示基于包括在比赛结果中的参赛者的排行信息产生排行的概率。概率模型的一个示例被示出在下面的数学公式1中。
数学公式1
Pr(yg|g)＝Pr(z(y1)g≥z(y2)g≥…≥z(yNg)g 数学公式1中示出的概率模型被应用于从参赛者“K”进行的比赛“G”获得的结果，其中，当比赛为g＝1，…，G，并且一组参赛者为Pg时，参赛者的排行为yg＝(y1，…，yNg)。在这种情况下，Ng表示Pg的大小。此外，表示实际比赛中参赛者能力的第一随机变量被定义为z(k)g，其中，z(k)g是下面数学公式2的正态分布的随机变量。
数学公式2
z(k)g～N(η(k)g，1)，k＝1，…，K 在这种情况下，η(k)g是被定义为第一和第二参量的函数的第二随机变量，可用下述数学公式3来定义。
数学公式3
η(k)g＝φk+X(k)gβ 其中，φk是指第一参量，表示每个参赛者的纯粹能力，β是指第二参量，表示用于每个比赛的选项的优点和缺点，X(k)g是指用于表示每个比赛的选项的变量。
换句话说，为了基于获得的关于比赛过程的比赛结果来估计第一参量和第二参量，由概率模型提供单元14提供的概率模型能够用第一随机变量(被定义为将被估计的第一参量φk和第二参量β的函数)的概率，来表示基于比赛结果中包含的参赛者的排行信息产生排行的概率。
比赛结果分析单元16使用由概率模型提供单元14提供的概率模型来估计第一参量和第二参量。如图1中所示，比赛结果分析单元16包括先验分布计算部件18、计算部件20、参量估计部件22。
在本发明的一个实施例中，比赛结果分析单元16能通过将BayesianAnalysis(贝叶斯分析)应用于概率模型来分析比赛结果。贝叶斯分析对应于一种统计方法，该方法能够从期望的参量的先验分布和观察结果获得将被估计的参量的后验分布。为了使用贝叶斯分析来分析概率模型，需要首先定义先验分布和似然(likelihood)函数。此时，通过先验分布计算部件18计算先验分布，通过计算部件20计算参量的似然函数。
用第一随机变量z(k)g(该变量的平均值对应于包括将被估计的第一参量和第二参量的第二随机变量η)的概率模型来定义前述概率模型中的基于参赛者的排行信息作出的排行的概率。因此，先验分布计算部分18计算包括第一参量和第二参量的第二随机变量η的先验分布。可通过第一参量和第二参量的先验分布来定义第二随机变量η的先验分布。在本发明的一个实施例中，第一参量和第二参量的先验分布是预定义的。
在本发明的一个实施例中，第一参量可以被确定为随机效果。在第一参量的情况下，与提取的比赛结果的数量相比，第一参量的数量相当大。为了改善估计效率，更有利的是用与第一参量相关的任何一个值来获得估计结果，而不是获得关于每个第一参量的估计结果。
相应地，在本实施例中，第一参量的方差被用作任何一个值，以及第一参量的方差的先验分布被用作任何一个值。通过下述数学公式4和5来分别定义第一参量的先验分布和第一参量的方差的先验分布。
数学公式4
φk～N(0，Vφ)Vφ＝σφ2I 数学公式5
σφ～IG(αφ，bφ) 其中，IG是指逆gamma(inverse-gamma)分布函数，αφ和bφ是用于先验分布的参量。
同时，第二参量β对应于固定效果，其中，通过下面的数学公式6定义第二参量的先验分布。
数学公式6
β～N(0，σβ2I) 如下面的数学公式7中所示，先验分布计算部件18使用第一参量的方差的先验分布和第二参量的先验分布来计算第二随机变量的先验分布。
数学公式7
π(η)＝π(β)π(σφ) 在概率模型中，第一参量和第二参量以第二随机变量的类型被重新定义。第二随机变量的概率分布涉及第一参量和第二参量的联合概率分布。如上所述，由于第一参量被确定为随机效果，所以先验分布计算部件18使用第一参量的方差的先验分布和第二参量的先验分布来确定第二随机变量的概率分布。
接着，计算部件20通过下面的数学公式8来产生似然函数。
数学公式8
更详细地说，如下面数学公式9中所示，计算部件20将由比赛结果提取单元12获得的比赛结果，即，关于选项的信息和排行信息，输入到概率模型，从而从概率模型产生似然函数。
数学公式9
计算部件20通过将第二随机变量的先验分布乘以该似然函数计算整体似然函数。此外，计算部件20基于第二随机变量的后验概率函数与整体似然函数成比例的概念，根据贝叶斯分析通过该整体似然函数计算第二随机变量的后验概率函数。
数学公式10
f(η|y)∝π(η)·f(y|η) 参量估计部件22从由计算部件20计算的第二随机变量的后验概率函数来估计第一参量和第二参量。在这种情况下，使用马尔可夫链蒙特卡洛方法(Markov Chain Monte Carlo，下面称为“MCMC”)根据后验概率函数来估计第一参量和第二参量。
更详细地说，参量估计部件22根据第二随机变量的后验概率函数估计第一参量的方差的条件分布以及第一参量和第二参量的条件分布。假设其它参量的值是预先确定的，通过第二随机变量的后验概率函数来估计第一参量和第二参量的条件分布。
因此，通过下面的数学公式11计算第一参量的条件分布，通过数学公式11计算的第一参量的条件分布被表示在下面的数学公式12中。
数学公式11
其中，
数学公式12
π(φk|others)～N(μk，σk2) 其中， 同时，通过下述数学公式13来计算第一参量的方差的条件分布，通过下述数学公式13计算的第一参量的方差的条件分布被表示在下述数学公式14中。
数学公式13
数学公式14
此外，通过下述数学公式15计算第二参量的条件分布，通过下述数学公式15计算的第二参量的条件分布被表示在下述数学公式16中。
数学公式15
其中，
数学公式16
π(β|others)～MN(μβ，Vβ) 其中， 在数学公式15和16中，X(k)g是指在游戏g中由参赛者k使用的选项的矢量矩阵。此外，X(k)g是指转置矩阵，其中，转置矩阵表示与预定矩阵的列和行相比其列和行被转置的矩阵。
在数学公式16中，MN(Multivariate Normal)是指多元正态分布，所述多元正态分布的平均值是μβ，其方差是Vβ。
然后，参量估计部件22通过采样过程从第一和第二参量的条件分布获得预定数量的样本。在本发明的一个实施例中，Gibbs Sampling(吉布斯采样)被用于从所述条件分布获得预定数量的样本。
接着，由通过采样过程获得的预定数量的样本估计第一和第二参量。在本发明的一个实施例中，利用来自平均值、方差或获得的采样的预定范围的一个或多个值来估计第一和第二参量。
将参照图2解释用于使用前述分析比赛结果的系统来分析比赛结果的方法。
首先，提取比赛结果(S100)，所述比赛结果包括关于用于比赛的选项的信息和关于参赛者的排行信息。将提取的比赛结果提供给预定的概率模型，以分析提取的比赛结果(S110)。在这种情况下，概率模型能用被确定为在比赛过程中示出的参赛者的能力的第一随机变量的概率(如数学公式1所示)，来表示基于比赛结果中包含的参赛者的排行信息，产生所述排行的概率。此时，基于正态分布(其平均值为被定义为将被估计的第一和第二参量的函数的第二随机变量，其方差为‘1’)获得第一随机变量。第二随机变量被定义在前面提到的数学公式3中。
接着，使用贝叶斯分析，通过第一参量和第二参量的先验分布(具体地，第一参量的方差的先验分布和第二参量的先验分布)来确定第二随机变量的先验分布(S120)，从概率模型计算第二随机变量的似然函数(S130)。然后，通过将第二随机变量的先验分布乘以该似然函数来获得整体似然函数，通过整体似然函数计算第二随机变量的后验分布(S140)。
在本发明的本实施例中，使用“MCMC”从步骤S140中计算的第二随机变量的后验概率函数来估计第一和第二参量。更详细地，通过第二随机变量的后验分布概率函数来计算第一和第二参量的条件分布(S150)。通过数学公式12至数学公式16来确定第一和第二参量的条件分布。然后，从通过吉布斯采样计算的条件分布来获得预定数量的样本(S160)，根据提取的样本估计第一和第二参量(S170)。
在本发明的一个实施例，根据提取的样本确定的平均值或方差可被估计作为第一和第二参量，或者考虑所述平均值和方差确定的预定值可被估计作为第一和第二参量。此外，预定范围的值可被估计作为第一和第二参量。在本发明的另一实施例中，可通过直接获得η来估计第一和第二参量，以最大化数学公式9中的似然函数值，而不应用贝叶斯分析。
图3至图7示出了通过应用前述分析比赛结果的方法产生的结果。首先，图3至图5示出了通过将前述分析比赛结果的方法应用到“MSL”联赛(即，“STARCRAFT”游戏的联赛)结果产生的结果。在这种情况下，为“STARCRAFT”游戏提供了游戏场地和角色的选项，其中，游戏场地的选项为4个“BlitzX”、“DesertFox”、“Longinus2”和“ReverseTemple”，角色的选项为3个“Zerg”、“Protoss”和“Teran”。
相应地，通过将4个游戏场地和3个角色组合获得12个结果。此外，指示所述选项的随机变量具有值‘0’或‘1’。为了获得合理的结果，在丢弃通过吉布斯采样原始获得的3000个样本之后，使用10000个样本。
图3示出了第二参量β的每个样本的值，以示出用于游戏的选项的优点和缺点。图4示出了关于图3中示出的β值的盒形图。根据图中示出的β，可以得知在游戏场地“BlitzX”中角色“Protoss”比其它角色更有优势，在游戏场地“DesertFox”中角色“Terran”比其它角色更有优势，在游戏场地“Lonoginus2”中者三个角色之间存在很少区别，在游戏场地“ReverseTemple”中角色“Protoss”比其它角色更有优势。
图5示出了根据本发明的所述游戏中参赛者的排行与通过比赛结果分析方法估计的与参赛者的纯粹能力对应的第一参量φk之间的关系。在图5中，各个条表示各个参赛者的值φk，括号中的数字表示所述游戏中每个参赛者的排行。如图中所示，基于通过根据本发明的比赛结果分析方法估计的纯粹能力确定的排行与所述游戏中参赛者的排行类似。
相应地，可通过比较从一些比赛结果(而不用所有参赛者的比赛结果)获得的参赛者的纯粹能力来估计全部参赛者的排行。
图6和图7示出了通过应用根据本发明的比赛结果分析方法获得的其它比赛结果。图6和图7中示出的比赛结果是通过由“HanGame”提供的“SkidRush”车赛获得的结果。对于所提供的比赛结果，4210位用户玩过9591场比赛，驾驶过43个汽车模型。在这种情况下，“SkidRush”的选项是由每个参赛者选择的汽车模型，其中，所述汽车被分为9个等级。这里，可用根据本发明的比赛结果分析方法来估计β，其中，β表示根据汽车模型的优点和缺点，即，汽车模型影响游戏结果。
由游戏中的每个参赛者选择的汽车模型的随机变量可以具有值“1”或“0”。即，值“1”被分配给由参赛者选择的汽车，值“0”被分配给没有被参赛者选择的汽车。然后，关于每个参赛者的排行信息和关于前述选项的信息被提供给概率模型。然后，在图6中示出了通过“MCMC”被估计用来表示选项的优点和缺点的值β，图6中示出的值β可以被示出作为图7的盒形图。
参照图7，排行高的12个汽车模型具有大的值β，即，表示在游戏中高排行的汽车模型更有优势。相应地，该游戏被有意地设计为对使用高等级的汽车模型的参赛者来说变得更有优势。
对本领域的技术人员来说明显的是，在不脱离本发明的精神和范围的情况下，可以在本发明中作出各种变型和改变。因此，本发明覆盖那些落入权利要求及其等同物的范围内的变型和改变。
产业可用性 根据本发明的比赛结果分析方法可以估计用于比赛过程的选项的优点和缺点。因此，当设计比赛(例如，游戏)时，估计的选项的优点和缺点被反应在比赛的设计上或者选项的调整上，从而将比赛的兴趣最大化。
根据一个比赛过程的比赛结果，可以分析每个参赛者的纯粹能力。因此，根据本发明的比赛结果分析方法能够为所有参赛者提供基于每个参赛者的纯粹能力获得排行服务。
此外，根据本发明的比赛结果分析方法能够为所有参赛者提供排行服务，即使不是所有的参赛者都进行比赛。
权利要求
1、一种用于分析比赛结果的方法，包括
提供概率模型以分析比赛结果，所述比赛结果包括关于用于比赛过程的选项的信息以及参赛者的排行信息；和
通过使用概率模型分析比赛结果，来确定关于每个参赛者的纯粹能力的第一参量以及关于用于比赛过程的选项的优点和缺点的第二参量。
2、如权利要求1所述的方法，其中，概率模型用第一随机变量的概率来表示基于排行信息产生排行的概率，所述第一随机变量被定义为比赛过程中示出的参赛者的能力。
3、如权利要求2所述的方法，其中，基于具有与第二随机变量对应的平均值的正态分布确定第一随机变量，所述第二随机变量被定义为指示所述选项、第一参量和第二参量的变量的函数。
4、如权利要求3所述的方法，其中，通过将第一参量与使指示所述选项的变量与第二参量相乘获得的结果相加，来定义第二随机变量。
5、如权利要求3所述的方法，其中，确定第一和第二参量的步骤包括
计算第二随机变量的似然函数；
根据使所述似然函数最大化的第二随机变量估计第一和第二参量。
6、如权利要求3所述的方法，其中，确定第一和第二参量的步骤包括
计算第二随机变量的先验分布；
计算第二随机变量的似然函数；
通过使用第二随机变量的先验分布和所述似然函数来估计第一和第二参量。
7、如权利要求6所述的方法，其中，通过第一参量的预定概率分布和第二参量的预定概率分布来计算第二随机变量的先验分布。
8、如权利要求6所述的方法，其中，在估计第一和第二参量的步骤中，通过将贝叶斯分析应用到所述似然函数以及第二随机变量的先验分布来估计第一和第二参量。
9、如权利要求6所述的方法，其中，确定第一和第二参量的步骤还包括
通过使用第二随机变量的先验分布和所述似然函数来计算第二随机变量的后验概率分布，其中，通过第二随机变量的后验概率函数来估计第一和第二参量。
10、如权利要求9所述的方法，其中，在估计第一参量和第二参量的步骤中，通过根据第二随机变量的后验概率函数计算的第一参量和第二参量的近似后验分布估计第一和第二参量。
11、如权利要求10所述的方法，其中，估计第一和第二参量的步骤包括
使用第二随机变量的后验概率函数计算第一和第二参量的条件分布；
通过采样从第一和第二参量的条件分布中提取预定数量的样本；
根据提取的样本确定第一和第二参量的估计值。
12、如权利要求11所述的方法，其中，通过马尔可夫链蒙特卡洛方法来计算第一和第二参量的近似后验分布。
13、如权利要求12所述的方法，其中，在提取样本的步骤中，通过吉布斯采样方法提取所述样本。
14、如权利要求11所述的方法，其中，在确定所述估计值的步骤中，第一参量的估计值和第二参量的估计值被确定为平均值、方差以及根据提取的样本确定的预定范围内的值中的至少一个。
15、一种计算机可读记录介质，所述计算机可读介质具有执行权利要求1至14中的任一项中示出的比赛分析方法的程序。
16、一种用于分析比赛结果的系统，包括
概率模型提供单元，用于提供用于分析比赛结果的概率模型，所述比赛结果包括关于用于比赛过程的选项的信息以及参赛者的排行信息；
比赛结果分析单元，用于确定关于每个参赛者的纯粹能力的第一参量以及关于用于比赛过程的选项的优点和缺点的第二参量。
17、如权利要求16所述的系统，其中，概率模型用第一随机变量的概率来表示基于参赛者的排行信息产生排行的概率，所述第一随机变量被定义为比赛过程中示出的参赛者能力。
18、如权利要求17所述的系统，其中，基于具有与第二随机变量对应的平均值的正态分布确定第一随机变量，所述第二随机变量被定义为指示所述选项、第一参量和第二参量的变量的函数。
19、如权利要求18所述的系统，其中，比赛结果分析单元包括
计算部件，用于计算第二随机变量的似然函数；
参数估计部件，用于根据使所述似然函数最大化的第二随机变量估计第一和第二参量。
20、如权利要求18所述的系统，其中，比赛结果分析单元包括
先验分布计算部件，用于通过使用第一参量的预定先验分布和第二参量的先验分布，计算第二随机变量的先验分布；
计算部件，用于计算第二随机变量的似然函数，并通过使用第二随机变量的似然函数和第二随机变量的先验分布计算第二随机变量的后验概率函数；
参量估计部件，用于根据第二随机变量的后验概率函数估计第一和第二参量。
21、如权利要求20所述的系统，其中，参量估计部件通过使用贝叶斯分析方法来估计第一和第二参量。
22、如权利要求20所述的系统，其中，参量估计部件根据第二随机变量的后验概率函数计算第一和第二参量的条件分布，并基于通过采样从条件分布提取的预定数量的样本来估计第一和第二参量。
23、如权利要求22所述的系统，其中，参量估计部件使用吉布斯采样方法从所述条件分布提取样本。
24、如权利要求22所述的系统，其中，参量估计部件估计估计平均值、方差以及根据提取的样本确定预定范围内的值中的至少一个。
全文摘要
本发明公开了一种用于分析比赛结果的方法和系统。该方法包括提供概率模型以分析比赛结果，所述比赛结果包括关于用于比赛过程的选项的信息以及参赛者的排行信息；通过使用概率模型分析比赛结果，确定关于每个参赛者的纯粹能力的第一参量以及关于用于比赛过程的选项的优点和缺点的第二参量，其中，通过计算第二随机变量的先验分布，计算第二随机变量的似然函数以及通过使用第二随机变量的先验分布和所述似然函数估计第一和第二参量，来确定第一和第二参量。所述方法和系统能够估计用于比赛的过程的选项的优点和缺点，从而当设计比赛(例如，游戏)时将估计的选项的优点和缺点反应到比赛的设计或选项调整上，从而将比赛的兴趣最大化。
文档编号G06Q10/00GK101681456SQ200880015645
公开日2010年3月24日 申请日期2008年5月16日 优先权日2007年5月22日
发明者金猷元, 郑允泳, 李允植 申请人:Nhn株式会社