一种随机匹配组队方法、装置及应用服务器与流程

本发明涉及数据处理技术领域，具体涉及一种随机匹配组队方法、装置及应用服务器。

背景技术：

游戏等类型的应用平台支持多用户在线参与活动，不同的用户可相互匹配组成队伍(简称匹配组队)，在线参与活动。如以游戏应用为例，不同的游戏玩家可匹配组队，以队伍的形式完成游戏任务。

为提升用户匹配组队的效率，目前提供有一种随机匹配组队的方案；即组成一个队伍的方式是：从等候匹配组队的用户中，随机选取与队伍的人数相应的用户，并将选取的用户匹配到队伍中。

采用随机匹配组队的方式，虽然可以降低用户匹配组队的时间，但匹配结果的可靠性无法保障；由于用户之间存在差异，如果队伍中匹配到的用户存在异常的行为，将影响队伍活动的执行效率和执行结果，同时也将降低队伍中其他用户的活动体验；因此如何在随机匹配组队时，提升匹配结果的可靠性，成为了本领域技术人员需要考虑的问题。

技术实现要素：

有鉴于此，本发明实施例提供一种随机匹配组队方法、装置及应用服务器，以在随机匹配组队时，提升匹配结果的可靠性。

为实现上述目的，本发明实施例提供如下技术方案：

一种随机匹配组队方法，包括：

获取目标用户发送的匹配组队请求；

根据所述目标用户的第一账号，从第一应用平台的应用数据库中调取所述目标用户的历史应用数据，所述历史应用数据至少包括目标用户在所述第一应用平台的历史行为数据；

根据所述目标用户的历史应用数据，确定所述目标用户在所述第一应用平台的信用分，所述目标用户的信用分与所述目标用户在所述第一应用平台上的异常行为概率为负相关关系；

根据所述信用分，确定所述目标用户在组队等候队列的匹配顺序；其中，所述组队等候队列具有至少一个等候匹配组队的用户，且用户在组队等候队列的匹配顺序，与用户的信用分为正相关关系；

根据所述匹配顺序，将所述目标用户的第一账号与匹配队伍的群组标识进行关联，将至少包含所述群组标识的队伍匹配结果发送至所述目标用户。

本发明实施例还提供一种随机匹配组队装置，包括：

组队请求获取模块，用于获取目标用户发送的匹配组队请求；

数据调取模块，用于根据所述目标用户的第一账号，从第一应用平台的应用数据库中调取所述目标用户的历史应用数据，所述历史应用数据至少包括目标用户在所述第一应用平台的历史行为数据；

信用分确定模块，用于根据所述目标用户的历史应用数据，确定所述目标用户在所述第一应用平台的信用分，所述目标用户的信用分与所述目标用户在所述第一应用平台上的异常行为概率为负相关关系；

匹配顺序确定模块，用于根据所述信用分，确定所述目标用户在组队等候队列的匹配顺序；其中，所述组队等候队列具有至少一个等候匹配组队的用户，且用户在组队等候队列的匹配顺序，与用户的信用分为正相关关系；

匹配模块，用于根据所述匹配顺序，将所述目标用户的第一账号与匹配队伍的群组标识进行关联，将至少包含所述群组标识的队伍匹配结果发送至所述目标用户。

本发明实施例还提供一种应用服务器，包括上述所述的随机匹配组队装置。

基于上述技术方案，本发明实施例提供的随机匹配组队方法中，应用服务器在接收到目标用户的匹配组队请求时，可调取目标用户在第一应用平台的历史应用数据，基于目标用户的历史应用数据，确定出所述目标用户在所述第一应用平台的信用分；应用服务器可基于目标用户的信用分，确定目标用户的匹配顺序，并且确定所得的匹配顺序与目标用户的信用分为正相关关系，应用服务器基于目标用户所确定的匹配顺序，将所述目标用户的第一账号与匹配队伍的群组标识进行关联，并将至少包含所述群组标识的队伍匹配结果发送至所述目标用户，可使得目标用户在具有较高的信用分时，能够与同样的具有较高信用分而优先匹配的其他用户相匹配在同一组队中，提升随机匹配组队的匹配结果的可靠性，保障后序队伍活动的正常进行。本发明实施例提供的随机匹配组队方法，可以在随机匹配组队时，提升匹配结果的可靠性。

附图说明

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。

图1为本发明实施例提供的随机匹配组队方法的实现系统架构；

图2为本发明实施例提供的随机匹配组队方法的信令流程图；

图3为本发明实施例提供的应用示意图；

图4为本发明实施例提供的随机匹配组队的效果示意图；

图5为本发明实施例提供的训练概率预测模型的方法流程图；

图6为本发明实施例提供的将异常行为概率转换为信用分的方法流程图；

图7为本发明实施例提供的确定目标用户的匹配顺序的方法流程图；

图8为本发明实施例提供的确定用户获取奖励的概率的方法流程图；

图9为本发明实施例提供的随机匹配组队装置的结构框图；

图10为本发明实施例提供的随机匹配组队装置的另一结构框图；

图11为本发明实施例提供的随机匹配组队装置的再一结构框图；

图12为本发明实施例提供的随机匹配组队装置的又一结构框图；

图13为本发明实施例提供的应用服务器的硬件结构图。

具体实施方式

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。

图1示出了本发明实施例提供的随机匹配组队方法的实现系统架构，参照图1，该系统架构可以包括：应用客户端10，应用服务器20，应用数据库30。

应用客户端10可以是装载在智能手机、平板电脑、笔记本电脑等用户设备上，为应用平台提供本地服务。应用客户端10如游戏客户端，或者其他的支持用户组队的应用平台的应用客户端。

可选的，应用客户端10可以是单独开发的，与应用服务器20相配合的客户端；用户可以通过应用市场(appstore)或应用官方网站，将应用客户端下载到用户设备本地。应用客户端也可以是以浏览器的形式存在。

应用服务器20为应用平台所属服务器集群中的服务设备，架设在网络侧。在本发明实施例中，应用服务器20主要用于进行数据处理，计算用户匹配组队的匹配顺序，并以所计算的匹配顺序进行用户的匹配组队。

可选的，应用服务器20可以是由多台服务器组成的服务器群组，也可能由单独的服务器实现。应用服务器20可以是带有数据处理能力的匹配服务器，也可以是其他的具有用户匹配功能的数据处理服务器，还可以是与匹配服务器连接的数据处理服务器。以游戏应用为例，应用服务器20可以是游戏服务器，游戏服务器可以至少包括匹配服务器，显然也可以包括处理游戏数据的游戏数据处理服务器。

应用数据库30可以记录有用户在应用平台的应用数据，包括用户在应用平台中的身份数据，行为数据等。

应用服务器20可从应用数据库30中读写用户的应用数据。

为提升用户随机匹配组队结果的可靠性，应用服务器20可基于用户在应用平台中的应用数据，计算用户在应用平台中的信用分，该信用分与用户在应用平台对应的队伍活动中作出异常行为的概率为负相关关系；从而在用户请求匹配组队时，应用服务器20可根据用户的信用分，计算用户在等候匹配组队的用户中的匹配顺序，并以该匹配顺序进行用户的匹配组队，使得信用分高的用户能够匹配到一个队伍中，提升用户随机匹配组队的匹配结果的可靠性。

基于图1所示系统架构，图2示出了本发明实施例提供的随机匹配组队方法的信令流程图，参照图2，该流程可以包括：

步骤s10、应用客户端以目标用户的第一账号登录第一应用平台。

第一应用平台可以是，发明实施例所指的支持多用户以队伍的形式，匹配在一起参与活动的应用平台，如游戏平台等。相应的，应用客户端可以是第一应用平台的客户端。

应用客户端可以由目标用户所操作。

可选的，第一账号可以是目标用户在第一应用平台所注册的账号；第一账号也可能是目标用户在与第一应用平台不同的第二应用平台(第二应用平台如社交应用平台等)所注册的账号，通过将目标用户在第二应用平台注册的账号与在第一应用注册的账号相绑定，目标用户可通过在第二应用平台注册的账号，登录第一应用平台。

可选的，第一应用平台也可能采用第二应用平台所使用的账号，通过将第二应用平台的用户账号接入第一应用平台，可使得第一应用平台共享第二应用平台的用户资源。

步骤s11、所述应用客户端向应用服务器发送目标用户的匹配组队请求。

可选的，在本发明实施例中，应用服务器可以支持随机匹配组队的机制，即应用服务器通过随机匹配组队的方式，匹配用户的队伍；相应的，所述应用客户端发送的匹配组队请求可以是，随机匹配组队请求。

目标用户操作应用客户端，来触发应用客户端发送匹配组队请求的方式，本发明实施例并不作限制；如目标用户可点击应用客户端界面的组队按钮，使得应用客户端向应用服务器发送匹配组队请求。

相应的，应用服务器可获取到目标用户发送的匹配组队请求。

步骤s12、所述应用服务器根据所述第一账号，从第一应用平台的应用数据库中调取所述目标用户的历史应用数据，所述历史应用数据至少包括目标用户在所述第一应用平台的历史行为数据。

用户的历史应用数据至少包括用户在第一应用平台的历史行为数据；除此之外，还可以包括：用户在第一应用平台的身份数据。

步骤s13、所述应用服务器根据所述目标用户的历史应用数据，确定所述目标用户的异常行为概率。

可选的，本发明实施例可采集作出异常行为的第一类用户在第一应用平台对应的历史应用数据，及采集行为正常的第二类用户在第一应用平台对应的历史应用数据，得到训练集；从而基于lr(逻辑回归算法)、决策树等机器学习算法，根据训练集，构建出概率预测模型；该概率预测模型可用于预测用户在第一应用平台的队伍活动中作出异常行为的概率，即目标用户的异常行为概率。

可选的，本发明实施例所指的异常行为的形式，可根据第一应用平台的类型设定，如以游戏应用为例，异常行为可以是使用外挂、言语不文明、游戏欺骗等。

可选的，应用服务器在接收到目标用户通过应用客户端发送的匹配组队请求后，可调取目标用户的历史应用数据，将该目标用户的历史应用数据导入该概率预测模型，确定出所述目标用户的异常行为概率，得到所述目标用户在队伍活动中作出异常行为的概率。

步骤s14、所述应用服务器将所述异常行为概率，转换为所述目标用户在所述第一应用平台的信用分，所述目标用户的信用分与所述目标用户的异常行为概率为负相关关系。

可选的，本发明实施例可以将用户的异常行为概率，转换为衡量用户信用程度的信用分，且所转换的信用分与用户的异常行为概率为负相关关系；即用户的信用分越高，用户的异常行为概率越低，用户的信用分越低，用户的异常行为概率越高。

可选的，步骤s13至步骤s14为根据所述目标用户的历史应用数据，确定所述目标用户在所述第一应用平台的信用分，且所述目标用户的信用分与所述目标用户在所述第一应用平台上的异常行为概率为负相关关系，的可选方式。

步骤s15、所述应用服务器根据所述信用分，确定所述目标用户在组队等候队列的匹配顺序；其中，所述组队等候队列具有至少一个等候匹配组队的用户，且用户在组队等候队列的匹配顺序，与用户的信用分为正相关关系。

组队等候队列为应用服务器所维持的等候匹配组队的用户所在的队列，当用户请求匹配组队后，用户将被加入到该组队等候队列中，等待应用服务器分配所匹配的队伍。

组队等候队列中，同时等候匹配组队的用户可能为多个；常规的随机匹配组队机制一般是随机的从组队等候队列中选取用户匹配到队伍中；这种方式将导致匹配结果的可靠性较低。

为提升随机匹配组队结果的可靠性，本发明实施例中，应用服务器可在确定目标用户在第一应用平台对应的队伍活动中作出异常行为的异常行为概率，并将该异常行为概率转换为负相关关系的信用分后；可根据目标用户的信用分，确定目标用户在组队等候队列中的匹配顺序，并且使得用户的匹配顺序与所述用户的信用分为正相关关系，即用户的信用分越高，用户的异常行为概率越低，用户的匹配顺序越高，从而使得高信用分的用户能够被优先匹配到队伍中，保障匹配结果的可靠性。

步骤s16、所述应用服务器根据所述匹配顺序，将所述目标用户的第一账号与匹配队伍的群组标识进行关联，将至少包含所述群组标识的队伍匹配结果发送至所述目标用户。

匹配队伍的群组标识可以唯一标识该匹配队伍。

当应用服务器以所确定的目标用户的匹配顺序，为目标用户匹配队伍，并在目标用户匹配到队伍时，应用服务器可将所述目标用户的第一账号与匹配队伍的群组标识进行关联；同时，应用服务器可将目标用户的队伍匹配结果发送至目标用户，即可将至少包含所述群组标识的队伍匹配结果发送至所述目标用户，以便目标用户的应用客户端以匹配的队伍信息加载活动场景。

本发明实施例提供的随机匹配组队方法中，应用服务器在接收到目标用户的匹配组队请求时，可调取目标用户在第一应用平台的历史应用数据，基于目标用户的历史应用数据，确定出所述目标用户在所述第一应用平台的信用分；应用服务器可基于目标用户的信用分，确定目标用户的匹配顺序，并且确定所得的匹配顺序与目标用户的信用分为正相关关系，应用服务器基于目标用户所确定的匹配顺序，将所述目标用户的第一账号与匹配队伍的群组标识进行关联，并将至少包含所述群组标识的队伍匹配结果发送至所述目标用户，可使得目标用户在具有较高的信用分时，能够与同样的具有较高信用分而优先匹配的其他用户相匹配在同一组队中，提升随机匹配组队的匹配结果的可靠性，保障后序队伍活动的正常进行。本发明实施例提供的随机匹配组队方法，可以在随机匹配组队时，提升匹配结果的可靠性。

本发明实施例提供的随机匹配组队方法，可应用在游戏场景中，为用户通过随机匹配组队方式，匹配到高信用的队伍提供可能。图3示出了本发明实施例在游戏场景下的应用示意，参照图3，用户可通过游戏客户端登录游戏平台，并在用户希望进行游戏任务(如打副本等游戏任务)时，采用游戏的随机匹配组队机制，为自己匹配队伍；

相应的，游戏客户端将向游戏服务器发送随机匹配组队请求；

游戏服务器接收随机匹配组队请求后，可从游戏数据库中调取出与用户的游戏账号相应的历史游戏数据；历史游戏数据如用户在游戏内的历史行为数据，身份数据等；

游戏服务器将用户的历史游戏数据导入预先训练的概率预测模型中，预测出用户在组队活动中作出异常行为的概率；

游戏服务器将所预测的概率转换为负相关关系的信用分，得到用户在游戏中的信用分；

游戏服务器将用户加入到组队等候队列中，并按照组队等候队列中各用户的信用分，确定出各用户的匹配顺序；且用户的匹配顺序与用户的信用分为正相关关系，即用户的信用分越高，用户的匹配顺序越靠前；

游戏服务器在当前的匹配顺序，与基于用户的信用分所确定的匹配顺序对应时，游戏服务器为用户匹配队伍，保障为用户所匹配的队伍中的其他用户的信用分，与用户的信用分相匹配，提升为用户所匹配的队伍结果的可靠性；

游戏服务器将用户的队伍匹配结果发送给游戏客户端；

游戏客户端根据队伍信息，加载游戏场景，并与游戏服务器交互后续的游戏数据，以便用户以队伍的形式来进行游戏任务。

采用本发明实施例提供的随机匹配组队方法，可使得信用分越高的用户，匹配组队的优先级越高，用户匹配到高信用队伍的概率越大；如以图4所示，在双人组队的场景，当前共有3个用户请求匹配组队，应用服务器在确定了用户a的信用分为450，用户b的信用分为390，用户c的信用分为453后；按照用户匹配组队的匹配顺序，与用户的信用分为正相关关系的原则，优先匹配用户a和用户c组成队伍，用户b等待下一次的组队匹配。

可选的，本发明实施例可通过预先训练能够预测用户的异常行为概率的概率预测模型，从而在应用服务器接收到目标用户的匹配组队请求后，基于目标用户的应用数据，预测出目标用户的异常行为概率。

可选的，图5示出了本发明实施例训练概率预测模型的方法流程图，该方法可应用于应用服务器，参照图5，该方法可以包括：

步骤s20、应用服务器根据异常行为记录文档，选取历史作出异常行为的第一类用户。

可选的，异常行为记录文档记录有历史作出异常行为的用户，本发明实施例将历史上作出异常行为的用户称为第一类用户；

如本发明实施例可设定使用外挂、言语不文明、游戏欺骗等的异常行为，并在某一用户在第一应用平台作出设定的异常行为后，将该用户记录在异常行为记录文档中；可选的，本发明实施例可通过用户举报并审核举报的方式，发现在第一应用平台作出设定的异常行为的用户。

步骤s21、应用服务器从第一应用平台的用户中，选取与第一类用户的类型相反的第二类用户。

可选的，第二类用户与第一类用户的类型相反，即第二类用户可以是行为正常的用户；本发明实施例可将未记录在异常行为记录文档的用户确定为第二类用户，并从未记录在异常行为记录文档的用户中，选取出第二类用户。

可选的，所选取的第一类用户的数量，和第二类用户的数量符合设定比例，具体比例可根据实际需要设定。

步骤s22、应用服务器收集第一类用户在第一应用平台的历史应用数据，及第二类用户在第一应用平台的历史应用数据。

可选的，用户的历史应用数据可以包括用户的身份数据，和用户在第一应用平台的历史行为数据。

以游戏应用为例，用户在第一应用平台的身份数据包括但不限于：

用户的账号信息，比如性别、区域、年龄、通用设置等；

用户的游戏信息，比如下载、更新、游戏款数、游戏类型等；

用户的游戏角色信息，比如游戏角色的性别、职业、形象、装扮、等级、装备等；

用户的游戏角色的关系链，比如用户的游戏角色在游戏中的好友、师徒、公会等。

以游戏应用为例，用户在第一应用平台的历史行为数据包括但不限于：

用户的游戏角色的历史游戏行为信息，比如游戏角色的打怪、任务、副本、对战、决斗，玩游戏时长等行为；

用户的游戏角色的历史社交行为信息，比如游戏角色的聊天、游戏内交易、帮派、婚姻等行为；

用户的游戏角色的历史支付行为信息，比如游戏角色的购买道具、抽奖、点卡消费等行为。

针对选取的第一类用户和第二类用户，应用服务器可收集如上述说明的历史应用数据，

步骤s23、应用服务器分别对第一类用户和第二类用户的历史应用数据进行数据清洗处理，得到第一类用户的训练样本和第二类用户的训练样本，形成训练集。

可选的，对历史应用数据进行数据清洗处理包括下述至少一种手段：

去除历史应用数据中的奇异点数据，奇异点数据是指由于数据收集过程中的错误或者其他行为造成的，取值在可能性取值外的数据；

对历史应用数据补齐缺失值，可对历史应用数据中没有采集的数据赋默认值；

去掉历史应用数据中重复采集的数据等。

在对第一类用户的历史应用数据进行数据清洗处理后，可将清洗处理后的第一类用户的历史应用数据，作为第一类用户的训练样本；在对第二类用户的历史应用数据进行数据清洗处理后，可将清洗处理后的第二类用户的历史应用数据，作为第二类用户的训练样本；第一类用户的训练样本和第二类用户的训练样本集合为训练集。

第一类用户的训练样本和第二类用户的训练样本，可以归类写入到约定的应用数据库中，以便后续处理时调用。

可选的，本发明实施例还可将清洗处理后的第一类用户的历史应用数据中第一比例的数据作为训练样本，而将剩余的数据作为测试样本，并将清洗处理后的第二类用户的历史应用数据中第一比例的数据作为训练样本，而将剩余的数据作为测试样本，从而在形成训练集的同时，也划分好测试集(第一类用户的测试样本和第二类用户的测试样本的集合，测试集可在训练出概率预测模型后，用来测试模型)。可选的，训练集和测试集的比重可以是8比2，显然，具体数值并不固定，可根据实际需求设定。

步骤s24、应用服务器利用机器学习算法，根据所述训练集，训练预测用户异常行为概率的概率预测模型。

可选的，本发明实施例可根据主流的lr、决策树等机器学习算法，基于由第一类用户和第二类用户的训练样本构成的训练集，训练出能够预测用户异常行为概率的概率预测模型。

在训练出概率预测模型后，应用服务器可根据所述概率预测模型，预测与所述目标用户的历史应用数据相应的异常行为概率，并将目标用户的异常行为概率转换成负相关关系的信用分；可选的，将异常行为概率转换成信用分的具体方式，本发明实施例并不限制，只要是符合异常行为概率与转换后的信用分为负相关关系即可。

可选的，在将目标用户的异常行为概率，转换为信用分的过程中，本发明实施例可以在设定信用基准分的基础上，加上由目标用户的异常行为概率所影响的信用调整分，得到目标用户的信用分。可选的，信用调整分与异常行为概率为负相关关系，即在信用基准分固定的情况下，目标用户的异常行为概率越高，信用调整分越低，相应的，信用基准分加上信用调整分所得到的目标用户的信用分越低；而目标用户的异常行为概率越低，信用调整分越高，相应的，信用基准分加上信用调整分所得到的目标用户的信用分越高；

可选的，图6示出了本发明实施例提供的将异常行为概率转换为信用分的方法流程，该方法可应用于应用服务器，参照图6，该方法可以包括：

步骤s30、根据所述异常行为概率确定信用调整分，所述异常行为概率与所述信用调整分为负相关关系。

可选的，下述公式示出了一种确定信用调整分的可选方式：

其中，p为根据概率预测模型所预测的目标用户的异常行为概率，step为设定步长，一般由第一应用平台的第二类用户与第一类用户的概率比决定，m为目标用户的信用调整分；可以看出，公式中异常行为概率与信用调整分为负相关关系。

步骤s31、将所述信用调整分加上设定的信用基准分，得到信用分。

可选的，设定的信用基准分的数值一般固定，在计算出目标用户的信用调整分m后，可将信用调整分加上设定的信用基准分，得到目标用户的信用分。

设base为设定的信用基准分，则目标用户的信用分s可以为，s＝base+m；

相应的，

以用户a的异常行为概率p为0.1，信用基准分base为300，设定步长step为45为例，用户a所转换的信用分s为443；

以用户b的异常行为概率p为0.05，信用基准分base为300，设定步长step为45为例，用户b所转换的信用分s为491；可见，异常行为概率为0.05的用户b的信用分，高于异常行为概率为0.1的用户a的信用分，异常行为概率越低，信用分越高。

可选的，在确定出用户的信用分后，本发明实施例可以结合预定义的其他组队条件，在符合预定义的组队条件的用户中，以用户的信用分排序用户在组队等候队列的匹配顺序；其他组队条件如用户需在线、用户需符合等级约束，属性约束等。

可选的，本发明实施例还可在非随机匹配组队的场景下，当用户寻求组队时，将发出组队邀请的用户的信用分，及发出组队邀请的用户的信用分在第一应用平台的排序展示在组队页面，以供接收组队请求的用户判断是否接收邀请。

可选的，为使得随机组队匹配更为合理化，本发明实施例在确定用户的信用分后，还可结合用户的已匹配组队次数、匹配等待时长等信息，确定用户的组队信用分，从而基于用户的组队信用分确定，用户在组队等候队列的匹配顺序。

可选的，图7示出了本发明实施例提供的确定目标用户在组队等候队列的匹配顺序的方法流程，该方法可应用于应用服务器，参照图7，该方法可以包括：

步骤s40、应用服务器确定目标用户的已匹配组队次数，及匹配等待时长。

步骤s41、应用服务器根据目标用户的信用分，已匹配组队次数，匹配等待时长，确定目标用户的组队信用分。

可选的，目标用户的组队信用分，与目标用户的信用分为正相关关系，与目标用户的已匹配组队次数为负相关关系，与目标用户的匹配等待时长为正相关关系。

可选的，本发明实施例可根据目标用户的已匹配组队次数，确定目标用户的匹配次数权重，及根据目标用户的匹配等待时长，确定目标用户的等待时长权重；并且，目标用户的匹配次数权重与目标用户的已匹配组队次数为负相关关系，目标用户的等待时长权重与目标用户的匹配等待时长为正相关关系。

设目标用户的匹配次数权重为q1，n为目标用户的已匹配组队次数，则

设目标用户的等待时长权重为q2，t为目标用户的匹配等待时长，则

可选的，本发明实施例可将目标用户的信用分，乘以目标用户的匹配次数权重和等待时长权重，得到目标用户的组队信用分；

设目标用户的组队信用分为st，则在计算得到目标用户的信用分s后，目标用户的组队信用分st可以为st＝s*q1*q2；

即

步骤s42、应用服务器根据所述目标用户的组队信用分，确定所述目标用户在组队等候队列的匹配顺序；其中，用户在组队等候队列的匹配顺序，与用户的组队信用分为正相关关系。

举例来说，如果用户a的信用分为600分，匹配等待时长为5分钟，已匹配组队次数为0次；用户b的信用评分为400分，匹配等待时长为5分钟，已匹配组队次数为0次；则用户a的组队信用分为596分，用户b的组队信用分为397分，用户a优先匹配；可见，在匹配等待时长及已匹配组队次数相同的情况下，本发明实施例优先匹配信用分高的用户。

如果用户a的信用分为600分，匹配等待时长为5分钟，已匹配组队次数为2次；用户b的信用分为400分，匹配等待时长为5分钟，已匹配组队次数为0次，则用户a的组队信用分为384分，用户b的组队信用分为397分，用户b优先匹配；

可见，为保持随机匹配组队的合理性，本发明实施例可在高信用的用户已匹配组队较多次的情况下，通过组队信用分约束高信用的用户的匹配顺序，使得信用分虽然较低，但已匹配组队次数较少的用户获得匹配组队的机会。

可选的，如果应用服务器在匹配组队时，是按照职业属性轮流的从组队等候队列中选取匹配的用户，则应用服务器在接收目标用户的匹配组队请求后，可判断目标用户在第一应用平台对应的职业属性，是否与当前候选的职业属性匹配，若是，则可将目标用户加入到职业匹配等候队列中；职业匹配等候队列中的用户，为组队等候队列中与当前候选的职业属性匹配的用户，而应用服务器所维持的职业匹配等候队列的数量可能是多个，且一个职业匹配等候队列中的用户职业属性相同；

在应用服务器从职业匹配等候队列中剔除不符合预定义的组队条件的用户后，应用服务器可计算目标用户的组队信用分，根据目标用户的组队信用分，确定目标用户在职业匹配等候队列中的匹配顺序；从而应用服务器可根据用户在各职业匹配等候队列中的匹配顺序，轮流从多个职业匹配等候队列中为用户匹配队伍，并在当前轮至所述目标用户所在的职业匹配等候队列时，以所述目标用户在职业匹配等候队列中的匹配顺序，为目标用户匹配队伍，在目标用户匹配到队伍时，可将所述目标用户的第一账号与匹配队伍的群组标识进行关联。

相应的，以游戏应用为例，如果游戏中的组队有游戏职业限制，即游戏服务器是按照游戏职业轮流的从组队等候队列中选取匹配的用户，则本发明实施例提供的随机匹配组队方法的应用过程可以如下：

1.1、用户可通过游戏客户端的游戏界面，点击随机匹配组队按钮，游戏客户端向游戏服务器发送随机匹配组队请求；

1.2、游戏服务器将用户加入组队等候队列；

1.3、如果游戏中的组队有游戏职业限制，游戏服务器可以根据已创建队伍中的已有游戏职业，和组队等候列表中的游戏职业分布情况，从组队等候列表的已有游戏职业中确定候选游戏职业(如最少匹配原则，例：当前队伍中队员人数为0，组队等候队列中法师职业最少，则选择法师为当前候选游戏职业)；

1.4、游戏服务器从组队等候列表中，确定与候选游戏职业对应的用户，形成职业匹配等候队列；

1.5、游戏服务器剔除职业匹配等候队列中不符合预定的组队条件的用户，如剔除离开或者不在线的用户，剔除组队次数达到上限次数的用户、剔除未达到等级约束的用户，剔除未达到用户属性约束等的用户；

1.6、游戏服务器计算职业匹配等候队列中各用户的组队信用分(根据用户的信用分，用户的已匹配组队次数，匹配等候时长确定)，选取职业匹配等候队列中组队信用分最高的设定数量用户进入队伍中(设定数量，与一个队伍所需要的职业为候选游戏职业的用户数量相应)，将进入队伍的用户从职业匹配等候队列中删除；

1.7、游戏服务器按照步骤1.3-1.6依次选择下一职业的队员，直到满足队伍人数和队伍职业匹配要求(如队伍要求最少4人，最大6人，职业最少3种职业等)。

可选的，以游戏应用为例，如果游戏中的组队没有游戏职业限制，则本发明实施例提供的随机匹配组队方法的应用过程可以如下：

2.1、用户可通过游戏客户端的游戏界面，点击随机匹配组队按钮，游戏客户端向游戏服务器发送随机匹配组队请求；

2.2、游戏服务器将用户加入组队等候队列；

2.3、游戏服务器计算组队等候队列中各用户的组队信用分(根据用户的信用分，用户的已匹配组队次数，匹配等候时长确定)，选取组队等候队列中组队信用分最高的与队伍人数相应的用户进入队伍中，并将进入队伍的用户从组队等候队列中删除，基于组队等候队列进行下一次的队伍匹配。

可选的，在确定了目标用户的信用分后，除通过目标用户的信用分，确定目标用户在组队等候队列中的匹配顺序外，还可在队伍活动完成后，结合目标用户的信用分、目标用户已获取的同类型奖励的数量、及在队伍活动中的表现，确定目标用户获取队伍活动奖励(比如物品奖励等)的概率。

可选的，如果目标用户的队伍在完成队伍活动的过程中，触发了队伍活动奖励，图8示出了本发明实施例提供的确定用户获取奖励的概率的方法流程，该方法可应用于应用服务器，参照图8，该方法可以包括：

步骤s50、应用服务器确定目标用户已获取的同类型奖励的数量，及在队伍活动中的表现值。

可选的，以游戏应用为例，在队伍成员完成游戏任务，需要分配游戏任务的奖励物品时，本发明实施例可基于目标用户已获取的同类型奖励的数量，在队伍活动中的表现及信用分，确定目标用户得到该奖励物品的概率；

相应的，在游戏应用中，目标用户已获取的同类型奖励的数量，可以是目标用户已获取的与奖励物品相同品级的物品数量；用户在队伍活动中的表现值，可以是用户在队伍活动中的输出贡献值。

步骤s51、应用服务器根据目标用户在队伍活动中的表现值、已获取的同类型奖励的数量、及目标用户的信用分，确定目标用户获取奖励的概率。

可选的，目标用户获取奖励的概率，与目标用户在队伍活动中的表现值为正相关关系，与目标用户已获取的同类型奖励的数量为负相关关系，与目标用户的信用分为正相关关系。

可选的，设h为目标用户获取奖励的概率，maxs为队伍中用户的最高信用分，o为目标用户在队伍活动中的表现值，maxo为队伍中用户的最高表现值，n为目标用户已获取的同类型奖励的数量；

则

步骤s52、应用服务器根据所述概率为目标用户分配奖励。

在确定目标用户及队伍中其他用户获取奖励的概率后，本发明实施例可将队伍中用户获取奖励的概率进行排序，将奖励分配给排序在第一位的用户；可选的，本发明实施例也可按照队伍中用户获取奖励的概率，随机进行的奖励的分配。

可选的，以游戏应用为例，如果用户a的信用分为500分，输出贡献值为70分，已获得同品级物品数量为0，当前队伍中用户的最大信用分为600分，最大输出贡献值为100分，则基于上述公式，用户a获得当前奖励物品概率为0.58；

用户b的信用分为400分，输出贡献值为70分，已获得同品级物品数量为0，当前队伍中用户的最大信用分为600分，最大输出贡献值为100分，则用户b获得当前奖励物品概率为0.47，则用户a优先获得当前掉落的物品。

再比如，用户a的信用分为500分，输出贡献值为70分，已获得同品级物品数量为1，当前队伍中用户的最大信用分为600分，最大输出贡献值为100分，则用户a获得当前奖励物品概率为0.21；

用户b的信用分为400分，输出贡献值为70分，已获得同品级物品数量为0，当前队伍中用户的最大信用评分为600分，最大输出贡献值为100分，则用户b获得当前奖励物品概率约为0.47，则用户b优先获得当前掉落的物品。

可选的，如果队伍中的用户由信用评分、输出贡献值及已获得同品级物品数量计算得出的概率相同时，则已获得同品级物品数量少的玩家优先获得奖励物品。

下面对本发明实施例提供的随机匹配组队装置进行介绍，下文描述的随机匹配组队装置，可与上文描述的随机匹配组队方法相互对应参照。下文描述的随机匹配组队装置可认为是，应用服务器为实现本发明实施例所提供的随机匹配组队方法，所需要设置的功能模块结构。

图9为本发明实施例提供的随机匹配组队装置的结构框图，该装置可应用于应用服务器，参照图9，该装置可以包括：

组队请求获取模块100，用于获取目标用户发送的匹配组队请求；

数据调取模块200，用于根据所述目标用户的第一账号，从第一应用平台的应用数据库中调取所述目标用户的历史应用数据，所述历史应用数据至少包括目标用户在所述第一应用平台的历史行为数据；

信用分确定模块300，用于根据所述目标用户的历史应用数据，确定所述目标用户在所述第一应用平台的信用分，所述目标用户的信用分与所述目标用户在所述第一应用平台上的异常行为概率为负相关关系；

匹配顺序确定模块400，用于根据所述信用分，确定所述目标用户在组队等候队列的匹配顺序；其中，所述组队等候队列具有至少一个等候匹配组队的用户，且用户在组队等候队列的匹配顺序，与用户的信用分为正相关关系；

匹配模块500，用于根据所述匹配顺序，将所述目标用户的第一账号与匹配队伍的群组标识进行关联，将至少包含所述群组标识的队伍匹配结果发送至所述目标用户。

可选的，图10示出了本发明实施例提供的随机匹配组队装置的另一结构框图，结合图9和图10所示，该装置还可以包括：

模型训练模块600，用于根据异常行为记录文档，选取历史作出异常行为的第一类用户；所述据异常行为记录文档记录有历史作出异常行为的用户；选取与第一类用户的类型相反的第二类用户；收集第一类用户在第一应用平台的历史应用数据，及第二类用户在第一应用平台的历史应用数据；分别对第一类用户和第二类用户的历史应用数据进行数据清洗处理，得到第一类用户的训练样本和第二类用户的训练样本，形成训练集；利用机器学习算法，根据所述训练集，训练预测用户异常行为概率的概率预测模型。

可选的，信用分确定模块300，用于根据所述目标用户的历史应用数据，确定所述目标用户在所述第一应用平台的信用分，具体包括：

根据所述概率预测模型，预测与所述目标用户的历史应用数据相应的异常行为概率；

将所述异常行为概率转换为所述目标用户在所述第一应用平台的信用分。

可选的，信用分确定模块300，用于将所述常行为概率转换为所述目标用户在所述第一应用平台的信用分，具体包括：

根据所述异常行为概率确定信用调整分，所述异常行为概率与所述信用调整分为负相关关系；

将所述信用调整分加上设定的信用基准分，得到所述目标用户的信用分。

可选的，匹配顺序确定模块400，用于根据所述信用分，确定所述目标用户在组队等候队列的匹配顺序，具体包括：

确定目标用户的已匹配组队次数，及匹配等待时长；

根据目标用户的信用分，已匹配组队次数，匹配等待时长，确定目标用户的组队信用分；其中，目标用户的组队信用分，与目标用户的信用分为正相关关系，与目标用户的已匹配组队次数为负相关关系，与目标用户的匹配等待时长为正相关关系；

根据所述目标用户的组队信用分，确定所述目标用户在组队等候队列的匹配顺序。

可选的，匹配顺序确定模块400，用于根据目标用户的信用分，已匹配组队次数，匹配等待时长，确定目标用户的组队信用分，具体包括：

根据目标用户的已匹配组队次数，确定目标用户的匹配次数权重；目标用户的匹配次数权重与目标用户的已匹配组队次数为负相关关系；

根据目标用户的匹配等待时长，确定目标用户的等待时长权重；目标用户的等待时长权重与目标用户的匹配等待时长为正相关关系；

将目标用户的信用分，乘以目标用户的匹配次数权重和等待时长权重，得到目标用户的组队信用分。

可选的，图11示出了本发明实施例提供的随机匹配组队装置的再一结构框图，结合图9和图11所示，该装置还可以包括：

职业匹配等候队列加入模块700，用于判断目标用户在第一应用平台对应的职业属性，是否与当前候选的职业属性匹配；若所述目标用户在第一应用平台对应的职业属性，与当前候选的职业属性匹配，将目标用户加入到职业匹配等候队列中；职业匹配等候队列中的用户，为组队等候队列中与当前候选的职业属性匹配的用户。

可选的，匹配顺序确定模块400，用于根据所述目标用户的组队信用分，确定所述目标用户在组队等候队列的匹配顺序，具体包括：

根据目标用户的组队信用分，确定目标用户在职业匹配等候队列中的匹配顺序。

可选的，匹配模块500，用于根据所述匹配顺序，将所述目标用户的第一账号与匹配队伍的群组标识进行关联，具体包括：

根据用户在各职业匹配等候队列中的匹配顺序，轮流从多个职业匹配等候队列中为用户匹配队伍，并在当前轮至所述目标用户所在的职业匹配等候队列时，以所述目标用户在职业匹配等候队列中的匹配顺序，为目标用户匹配队伍，在目标用户匹配到队伍时，将所述目标用户的第一账号与匹配队伍的群组标识进行关联；其中，一个职业匹配等候队列中的用户职业属性相同。

可选的，匹配顺序确定模块400，用于根据所述信用分，确定所述目标用户在组队等候队列的匹配顺序，具体包括：

剔除组队等候队列中不符合预定义的组队条件的用户；

在剔除不符合预定义的组队条件的用户的组队等候队列中，以所述目标用户的信用分，确定所述目标用户在组队等候队列的匹配顺序。

可选的，图12示出了本发明实施例提供的随机匹配组队装置的又一结构框图，结合图9和图12所示，该装置还可以包括：

奖励分配模块800，用于若触发队伍活动奖励，确定目标用户已获取的同类型奖励的数量，及在队伍活动中的表现值；根据目标用户在队伍活动中的表现值、已获取的同类型奖励的数量、及目标用户的信用分，确定目标用户获取奖励的概率；其中，目标用户获取奖励的概率，与目标用户在队伍活动中的表现值为正相关关系，与目标用户已获取的同类型奖励的数量为负相关关系，与目标用户的信用分为正相关关系；根据所述概率为目标用户分配奖励。

可选的，第一应用平台可接入第二应用平台的账号，相应的，目标用户的第一账号可以为第二应用平台的账号。

本发明实施例还提供一种应用服务器，该应用服务器可以包括上述所述的随机匹配组队装置。

本发明实施例提供的应用服务器，可以在随机匹配组队时，提升匹配结果的可靠性。

图13示出了本发明实施例提供的应用服务器的硬件结构，参照图13，该应用服务器可以包括：处理器1，通信接口2，存储器3和通信总线4；

其中处理器1、通信接口2、存储器3通过通信总线4完成相互间的通信；

可选的，通信接口2可以为通信模块的接口，如gsm模块的接口；

处理器1可能是一个中央处理器cpu，或者是特定集成电路asic(applicationspecificintegratedcircuit)，或者是被配置成实施本发明实施例的一个或多个集成电路。

存储器3可能包含高速ram存储器，也可能还包括非易失性存储器(non-volatilememory)，例如至少一个磁盘存储器。

其中，处理器1具体用于：

获取目标用户发送的匹配组队请求；

根据所述目标用户的第一账号，从第一应用平台的应用数据库中调取所述目标用户的历史应用数据，所述历史应用数据至少包括目标用户在所述第一应用平台的历史行为数据；

根据所述目标用户的历史应用数据，确定所述目标用户在所述第一应用平台的信用分，所述目标用户的信用分与所述目标用户在所述第一应用平台上的异常行为概率为负相关关系；

根据所述信用分，确定所述目标用户在组队等候队列的匹配顺序；其中，所述组队等候队列具有至少一个等候匹配组队的用户，且用户在组队等候队列的匹配顺序，与用户的信用分为正相关关系；

根据所述匹配顺序，将所述目标用户的第一账号与匹配队伍的群组标识进行关联，将至少包含所述群组标识的队伍匹配结果发送至所述目标用户。

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。

专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(ram)、内存、只读存储器(rom)、电可编程rom、电可擦除可编程rom、寄存器、硬盘、可移动磁盘、cd-rom、或技术领域内所公知的任意其它形式的存储介质中。

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核心思想或范围的情况下，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。