一种基于机器学习的养成类游戏角色的培养方法和装置与流程

本发明涉及机器学习技术与游戏设计技术领域，特别涉及一种基于机器学习的养成类游戏角色的培养方法和装置。

背景技术：

随着计算机技术和网络技术的不断发展，电子游戏已成为当下广泛常见的娱乐项目，其中，养成类游戏是一种较受玩家欢迎的游戏，玩家可以在游戏中模拟培养特定的游戏角色(人或者动物)，使其不断成长，以达到或触发游戏中的特定条件，从而满足玩家的成就感。

在游玩养成类游戏时，玩家可以在游戏最初创建或选择一个初始的游戏角色，然后按照游戏中的设定，进行不同的游戏选择与操作，选择不同的培养方式对初始的游戏角色进行培养，从而可以按照不同的游戏剧情推动游戏进程，触发不同游戏进程中的不同游戏事件，最终实现不同的游戏结局或者将游戏的初始的游戏角色培养至玩家想要的状态。

在实现本发明的过程中，发明人发现现有技术至少存在以下问题：

养成类游戏中游戏剧情和培养方式均是预先设定好的，玩家只要满足游戏中同一前提就能获得完全相同的结果，也即触发的游戏剧情完全相同，培养后的游戏角色的状态基本一致，故而，在一定时间的游玩后，游戏极易丧失新颖性，可玩性和趣味性大幅降低。

技术实现要素：

为了解决现有技术的问题，本发明实施例提供了一种基于机器学习的养成类游戏角色的培养方法和装置。所述技术方案如下：

第一方面，提供了一种基于机器学习的养成类游戏角色的培养方法，所述方法包括：

接收携带有角色类型信息的目标游戏角色的创建请求；

将所述角色类型信息对应的事物识别初始模型，确定为所述目标游戏角色的事物识别模型；

获取用户提供的所述目标游戏角色的识别训练素材，所述识别训练素材至少包括标记有事物标识的视频、图片或音频；

基于所述目标游戏角色的识别训练素材，以深度学习的方式对所述目标游戏角色的事物识别模型进行模型训练。

可选的，所述基于所述目标游戏角色的识别训练素材，以深度学习的方式对所述目标游戏角色的事物识别模型进行模型训练，包括：

以深度学习的方式确定所述识别训练素材中的事物辨识特征；

根据所述识别训练素材中标记的事物标识和所述事物辨识特征训练所述目标游戏角色的事物识别模型，以使所述事物识别模型确定任意事物的事物标识。

可选的，所述方法还包括：

当接收到针对所述目标游戏角色的事物识别比拼的开始请求时，随机选择包含有事物辨识特征的待识别视频、图片或音频；

将所述待识别视频、图片或音频输入所述目标游戏角色的事物识别模型，得到识别出的事物标识；

根据所述识别出的事物标识和所述待识别视频、图片或音频对应的事物标识，确定事物识别评分。

可选的，所述基于所述目标游戏角色的识别训练素材，以深度学习的方式对所述目标游戏角色的事物识别模型进行模型训练，包括：

以深度学习的方式确定所述识别训练素材中的事物动作和/或事物姿态，以及所述事物动作对应的肢体位移和/或所述姿态对应的肢体位置；

根据所述肢体位移和/或所述肢体位置训练所述目标游戏角色的事物识别模型，以使所述事物识别模型模仿所述事物动作和/或所述事物姿态。

可选的，所述方法还包括：

当接收到针对所述目标游戏角色的肢体模仿比拼的开始请求时，随机选择包含有事物动作和/或事物姿态的待模仿视频、图片或音频；

将所述待模仿视频、图片或音频输入所述目标游戏角色的事物识别模型，得到模仿动作和/或模仿姿态；-

根据所述模仿动作和/模仿姿态，与所述待模仿视频、图片或音频中的事物动作和/或事物姿态的相似度，生成肢体模仿评分。

可选的，所述方法还包括：

获取用户提供的所述目标游戏角色的识别测试素材，调用所述目标游戏角色的事物识别模型对所述识别测试素材进行识别，并向所述用户反馈识别结果。

可选的，所述方法还包括：

周期性从预设的特殊素材库中获取所述角色类型信息对应的角色特性训练素材，所述角色特性训练素材专用于训练不同的角色特性；

基于所述角色特性训练素材，以深度学习的方式对所述目标游戏角色的事物识别模型进行模型训练。

可选的，所述方法还包括：

当接收到其他用户对于所述目标游戏角色的识别训练素材的获取请求时，判断所述其它用户是否满足所述识别训练素材的共享条件；

如果满足，则基于所述识别训练素材，以深度学习的方式对所述其他用户指定的游戏角色的事物识别模型进行模型训练。

第二方面，提供了一种基于机器学习的养成类游戏角色的培养装置，所述装置包括：

接收模块，用于接收携带有角色类型信息的目标游戏角色的创建请求；

确定模块，用于将所述角色类型信息对应的事物识别初始模型，确定为所述目标游戏角色的事物识别模型；

获取模块，用于获取用户提供的所述目标游戏角色的识别训练素材，所述识别训练素材至少包括标记有事物标识的视频、图片或音频；

训练模块，用于基于所述目标游戏角色的识别训练素材，以深度学习的方式对所述目标游戏角色的事物识别模型进行模型训练。

可选的，所述训练模块，具体用于：

以深度学习的方式确定所述识别训练素材中的事物辨识特征；

根据所述识别训练素材中标记的事物标识和所述事物辨识特征训练所述目标游戏角色的事物识别模型，以使所述事物识别模型确定任意事物的事物标识。

可选的，所述装置还包括：

选择模块，用于当接收到针对所述目标游戏角色的事物识别比拼的开始请求时，随机选择包含有事物辨识特征的待识别视频、图片或音频；

识别模块，用于将所述待识别视频、图片或音频输入所述目标游戏角色的事物识别模型，得到识别出的事物标识；

评分模块，用于根据所述识别出的事物标识和所述待识别视频、图片或音频对应的事物标识，确定事物识别评分。

可选的，所述训练模块，具体用于：

以深度学习的方式确定所述识别训练素材中的事物动作和/或事物姿态，以及所述事物动作对应的肢体位移和/或所述姿态对应的肢体位置；

根据所述肢体位移和/或所述肢体位置训练所述目标游戏角色的事物识别模型，以使所述事物识别模型模仿所述事物动作和/或所述事物姿态。

可选的，所述装置还包括：

选择模块，用于当接收到针对所述目标游戏角色的肢体模仿比拼的开始请求时，随机选择包含有事物动作和/或事物姿态的待模仿视频、图片或音频；

识别模块，用于将所述待模仿视频、图片或音频输入所述目标游戏角色的事物识别模型，得到模仿动作和/或模仿姿态；

评分模块，用于根据所述模仿动作和/模仿姿态，与所述待模仿视频、图片或音频中的事物动作和/或事物姿态的相似度，生成肢体模仿评分。

可选的，所述装置还包括：

测试模块，用于获取用户提供的所述目标游戏角色的识别测试素材，调用所述目标游戏角色的事物识别模型对所述识别测试素材进行识别，并向所述用户反馈识别结果。

可选的，所述训练模块，还用于：

周期性从预设的特殊素材库中获取所述角色类型信息对应的角色特性训练素材，所述角色特性训练素材专用于训练不同的角色特性；

基于所述角色特性训练素材，以深度学习的方式对所述目标游戏角色的事物识别模型进行模型训练。

可选的，所述训练模块，还用于：

当接收到其他用户对于所述目标游戏角色的识别训练素材的获取请求时，判断所述其它用户是否满足所述识别训练素材的共享条件；

如果满足，则基于所述识别训练素材，以深度学习的方式对所述其他用户指定的游戏角色的事物识别模型进行模型训练。

第三方面，提供了一种后台服务器，所述后台服务器包括处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如第一方面所述的基于机器学习的养成类游戏角色的培养方法。

第四方面，提供了一种计算机可读存储介质，所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现如第一方面所述的基于机器学习的养成类游戏角色的培养方法。

本发明实施例提供的技术方案带来的有益效果是：

本发明实施例中，接收携带有角色类型信息的目标游戏角色的创建请求，将角色类型信息对应的事物识别初始模型，确定为目标游戏角色的事物识别模型，获取用户提供的目标游戏角色的识别训练素材，识别训练素材至少包括标记有事物标识的视频、图片或音频，基于目标游戏角色的识别训练素材，以深度学习的方式对目标游戏角色的事物识别模型进行模型训练。这样，将深度学习与养成类游戏结合，通过用户不断的个性化培养，优化养成类游戏中游戏角色的事物识别模型，使得游戏角色会具备不同程度、不同风格的事物识别能力，从而可以提高养成类游戏的可玩性和趣味性。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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一些实施例，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，还可以根据这些附图获得其他的附图。

图1是本发明实施例提供的一种基于机器学习的养成类游戏角色的培养方法流程图；

图2是本发明实施例提供的一种养成类游戏的游戏主界面示意图；

图3是本发明实施例提供的一种基于机器学习的养成类游戏角色的培养装置结构示意图；

图4是本发明实施例提供的一种后台服务器的结构示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。

本发明实施例提供了一种基于机器学习的养成类游戏角色的培养方法，该方法的可以运用在养成类游戏的后台服务器中，并由游戏终端辅助实现。其中，后台服务器和游戏终端采用c/s模式共同实现养成类游戏的游戏功能，两者可以通过各自运行的游戏进程来执行不同的游戏处理，具体来说，游戏终端可以用于采集用户的游戏操作、完成部分游戏逻辑处理、与后台服务器交互游戏数据、呈现操作后的游戏画面等，后台服务器可以用于存储不同用户的游戏数据、完成部分游戏处理逻辑、与游戏终端交互游戏数据等。上述后台服务器可以包括处理器、存储器、收发器，处理器可以用于进行下述流程中的养成类游戏角色的培养处理，存储器可以用于存储下述处理过程中需要的数据以及产生的数据，收发器可以用于接收和发送下述处理过程中的相关数据。

下面将结合具体实施方式，对图1所示的处理流程进行详细的说明，内容可以如下：

步骤101，接收携带有角色类型信息的目标游戏角色的创建请求。

在实施中，用户可以打开游戏终端上安装的养成类游戏的客户端，游戏终端可以显示有相应的游戏主界面，如图2所示，游戏主界面中可以至少包括“角色列表”、“大厅”、“商店”和“个人中心”等四个选项，每个选项均对应一个游戏子界面。其中，“角色列表”子界面中可以显示有用户正在培养的所有游戏角色，用户可以在该子界面中与每个游戏角色进行游戏互动，如查看状态、培养属性、测试能力等；在“大厅”子界面中，用户可以与其他用户进行游戏互动，互动方式包括交友、聊天、比拼等；“商店”子界面中可以包含游戏付费项目，如开通特殊游戏角色、购买专属游戏装扮等；“个人中心”子界面中可以提供有游戏账户管理和意见反馈等功能。此外，游戏终端与后台服务器建立连接后，后台服务器可以向游戏终端推送前沿科技信息以及相关知识问答，用户在阅读前沿科技信息并对知识问答进行正确作答后，可以获取随机游戏奖励，从而可以让用户在玩游戏的同时更多地了解一些前沿科技信息。

这样，当用户想要培养新的游戏角色时，可以点击上述“角色列表”子界面中的角色创建按键，然后选择游戏角色的角色类型，其中，角色类型可以是人(可细分为男孩、女孩等)、动物(可细分为猫、狗等)、虚拟传说生物(可细分为龙、精灵等)等，在用户选择完成并进行确认之后，游戏终端可以向后台服务器发送目标游戏角色的创建请求，相应的，后台服务器则可以接收到上述携带有角色类型信息的目标游戏角色的创建请求。

步骤102，将角色类型信息对应的事物识别初始模型，确定为目标游戏角色的事物识别模型。

在实施中，后台服务器接收到目标游戏角色的创建请求后，可以获取创建请求携带的角色类型信息，然后将角色类型信息对应的事物识别初始模型，确定为目标游戏角色的事物识别模型。进而，后台服务器可以将目标游戏角色的事物识别模型与用户账户进行绑定，并存储在用户账户对应的存储空间中。值得一提的是，不同角色类型信息对应的事物识别初始模型可以完全相同，即所有角色类型信息均对应同一个事物识别初始模型，也可以由养成类游戏的开发人员，根据假想的不同角色类型对相同事物的不同认知以及不同角色类型对不同事物的熟悉程度而创建。例如对于事物“毛线团”，人可能识别为“纺织用品”，而猫可能识别为“玩具”，则可以预先使用标记有“纺织用品”的毛线团的图片对人的事物识别初始模型进行训练，并使用标记有“玩具”的毛线团的图片对猫的事物识别初始模型进行训练；又例如男孩普遍对玩具、游戏等事物比较熟悉，则“男孩”对应的事物识别初始模型可以已由开发人员预先基于玩具、游戏等素材进行了初步训练。这样，不同角色类型信息对应的事物识别初始模型各不相同，保证了游戏的多样性和趣味性，同一角色类型信息对应的事物识别初始模型相同，保证了游戏的公平性。

步骤103，获取用户提供的目标游戏角色的识别训练素材。

其中，识别训练素材至少包括标记有事物标识的视频、图片或音频；

在实施中，用户创建了目标游戏角色后，可以通过提供标记有事物标识的视频、图片或音频等识别训练素材，来培养目标游戏角色。具体的，对于视频素材，用户可以上传指定长度内的视频，并且针对视频内容标记至少一个事物标签；对于图片素材，用户在上传图片时，可以圈出图片中需要识别的区域，并输入相应的事物标识；对于音频素材，用户可以上传指定长度内的音频，并且针对音频内容标记至少一个事物标识。相应的，后台服务器可以获取到上述用户提供的识别训练素材，并对识别训练素材进行整理，然后将整理后的识别训练素材存储在用户账户对应的存储空间中。上述对识别训练素材的处理可以具体如下：对于视频素材，后台服务器可以先按照指定长度截取视频，然后以每秒2帧的频率提取视频画面，再进行pca降维处理；对于图片素材，后台服务器可以将用户圈出的区域抠出，并按指定宽高进行缩放；对于音频素材，后台服务器可以先按照指定长度截取音频，然后利用rnn处理截取到的音频。此外，后台服务器还可以对存在色情、暴力、血腥等不健康元素的识别训练素材进行屏蔽处理。值得一提的是，用户提供识别训练素材的方式可以是由用户上传，也可以由用户在后台服务器所提供的素材库中进行选择，而对于在素材库中选择的识别训练素材，后台服务器无需对识别训练素材进行整理。

步骤104，基于目标游戏角色的识别训练素材，以深度学习的方式对目标游戏角色的事物识别模型进行模型训练。

在实施中，后台服务器每次获取到用户提供的目标游戏角色的识别训练素材后，可以基于识别训练素材，以深度学习的方式对目标游戏角色的事物识别模型进行模型训练，即用户每上传一次视频、图片或音频等识别训练素材，后台服务器都会对事物识别模型重新训练一次，从而获得新的事物识别模型。可以理解，如果用户账户中存在多个游戏角色，用户在提供目标游戏角色的识别训练素材时，可以指定是否使用本次提供的识别训练素材培养其它游戏角色。

可选的，以事物识别模型训练出的事物识别能力可以至少包括确定事物标识和模仿事物动作或姿态两种，相应的，步骤104的处理可以分别如下：

其一，当事物识别能力为确定事物标识时：以深度学习的方式确定识别训练素材中的事物辨识特征；根据识别训练素材中标记的事物标识和事物辨识特征训练目标游戏角色的事物识别模型，以使事物识别模型确定任意事物的事物标识。

在实施中，后台服务器在获取到识别训练素材后，可以以深度学习的方式确定识别训练素材中的事物辨识特征，然后可以通过识别训练素材中标记的事物标识和确定出的事物辨识特征来训练目标游戏角色的事物识别模型，以使事物识别模型具备任意事物的事物标识的确定能力。例如，识别训练素材为汽车图片，那么确定出的事物辨识特征可以是“轮胎”、“方向盘”、“车牌”等，然后可以使用事物标识“汽车”与“轮胎”、“方向盘”、“车牌”等事物辨识特征训练事物识别模型。

其二，当事物识别能力为模仿事物动作或姿态时：以深度学习的方式确定识别训练素材中的事物动作和/或事物姿态，以及事物动作对应的肢体位移和/或姿态对应的肢体位置；根据肢体位移和/或肢体位置训练目标游戏角色的事物识别模型，以使事物识别模型模仿事物动作和/或事物姿态。

在实施中，后台服务器在获取到识别训练素材后，可以以深度学习的方式确定识别训练素材中的事物动作和/或事物姿态，并记录事物动作对应的肢体位移和/或姿态对应的肢体位置。之后，后天服务器可以使用该肢体位移和肢体位置来训练目标游戏角色的事物识别模型，以使事物识别模型具备事物动作和事物姿态的模仿能力。例如，识别训练素材为倒立图片，那么确定出的事物姿态为“倒立”，对应的肢体位置可以是“双手触地”、“双脚朝天”等，然后可以使用事物姿态“倒立”对应的“双手触地”、“双脚朝天”等肢体位置训练事物识别模型。

可选的，在对游戏角色进行了一定程度的培养之后，可以与其它用户的游戏角色进行事物识别能力比拼，对应上述步骤104不同事物识别能力，后台服务器对比拼的处理可以如下：

其一，当事物识别能力为确定事物标识时：当接收到针对目标游戏角色的事物识别比拼的开始请求时，随机选择包含有事物辨识特征的待识别视频、图片或音频；将待识别视频、图片或音频输入目标游戏角色的事物识别模型，得到识别出的事物标识；根据识别出的事物标识和待识别视频、图片或音频对应的事物标识，确定事物识别评分。

在实施中，用户对目标游戏角色的培养到达指定程度后，可以开启与其它玩家的游戏角色比拼事物识别的功能，具体的，用户可以打开“大厅”子界面，点击事物识别比拼的选项按键，从而可以触发游戏终端向后台服务器发起匹配请求。进而，后台服务器可以按照预设的匹配规则，为目标游戏角色匹配指定数量的其它玩家的游戏角色。匹配成功之后，匹配到的用户可以点击比拼开始按键，后台服务器则可以接收到针对参与本次比拼的每个游戏角色的事物识别比拼的开始请求。以目标游戏角色为例，后台服务器接收到上述开始请求后，可以从预设的比拼素材库中随机选择包含有事物辨识特征的待识别视频、图片或音频。接下来，后台服务器可以将待识别视频、图片或音频输入目标游戏角色的事物识别模型，从而可以得到事物识别模型识别出的事物标识。进而，后台服务器可以判断识别出的事物标识和待识别视频、图片或音频对应的事物标识是否一致程度，并据此确定事物识别评分。这样，后台服务器针对每个游戏角色均可以得到一个事物识别评分，继而可以按照事物识别评分的高低决定比拼结果，并可以给予相应不同级别的游戏奖励。

其二，当接收到针对目标游戏角色的肢体模仿比拼的开始请求时，随机选择包含有事物动作和/或事物姿态的待模仿视频、图片或音频；将待模仿视频、图片或音频输入目标游戏角色的事物识别模型，得到模仿动作和/或模仿姿态；根据模仿动作和/模仿姿态，与待模仿视频、图片或音频中的事物动作和/或事物姿态的相似度，生成肢体模仿评分。

在实施中，肢体模仿比拼的开始触发处理与事物识别比拼的开始触发处理相似，不同处仅在于用户点击了“大厅”子界面的肢体模仿比拼的选项按键。同样以目标游戏角色为例，后台服务器接收到肢体模仿比拼的开始请求后，可以从预设的比拼素材库中随机选择包含有事物动作和/或事物姿态的待模仿视频、图片或音频。接下来，后台服务器可以将待模仿视频、图片或音频输入目标游戏角色的事物识别模型，从而可以得到事物识别模型生成的模仿动作和/或模仿姿态。进而，后台服务器可以确定模仿动作和/模仿姿态，与待模仿视频、图片或音频中的事物动作和/或事物姿态的相似度，并据此确定肢体模仿评分。这样，后台服务器针对每个游戏角色均可以得到一个肢体模仿评分，继而可以按照肢体模仿评分的高低决定比拼结果，并可以给予相应不同级别的游戏奖励。

可选的，用户可以通过提供识别测试素材来检测游戏角色的事物识别能力，相应的处理可以如下：获取用户提供的目标游戏角色的识别测试素材，调用目标游戏角色的事物识别模型对识别测试素材进行识别，并向用户反馈识别结果。

其中，识别测试素材可以是未标记有事物标识的视频、图片或音频。

在实施中，用户在创建目标游戏角色并对其进行了一定的培养后，可以选取识别测试素材，并将其提供给后台服务器，以用来对目标游戏角色的事物识别能力进行测试。从而，后台服务器在获取到用户提供的目标游戏角色的识别测试素材之后，可以调用最新训练得到的目标游戏角色的事物识别模型对识别测试素材进行识别，并将识别结果反馈给用户。需要说明的是，用户上传前对识别测试素材的处理以及用户上传后后台服务器对识别测试素材的整理可以参考上述用户上传识别训练素材的内容，区别仅在于用户无需针对识别测试素材标记事物标识。同理，用户提供识别训练素材的方式可以是由用户上传，也可以由用户在后台服务器所提供的素材库中进行选择，而对于在素材库中选择的识别测试素材，后台服务器无需对识别测试素材进行整理。

可选的，在用户培养游戏角色的过程中，后台服务器可以自动对不同角色类型的游戏角色进行区别培养，相应的处理可以如下：周期性从预设的特殊素材库中获取角色类型信息对应的角色特性训练素材，角色特性训练素材专用于训练不同的角色特性；基于角色特性训练素材，以深度学习的方式对目标游戏角色的事物识别模型进行模型训练。

在实施中，养成类游戏的开发人员可以根据假想的不同角色类型对相同事物的不同认知以及不同角色类型对不同事物的熟悉程度而创建特殊素材库，该特殊素材库中可以按角色类型存储有多类角色特性训练素材，每类角色特性训练素材对应一个角色类型，角色特性训练素材可以专用于训练不同的角色特性。例如在角色类型“老鼠”下的角色特性训练素材中，可以存在标记有“天敌”“的“猫的图片”。这样，用户在创建目标游戏角色之后，后台服务器可以周期性地从特殊素材库中获取角色类型信息对应的角色特性训练素材，基于角色特性训练素材，以深度学习的方式对目标游戏角色的事物识别模型进行模型训练，以赋予目标游戏角色符合角色类型的角色特性，提高了游戏的多样性和趣味性。此处所有游戏角色自动训练的周期均相同，一方面可以简化后台服务器的执行逻辑，节省后台服务器的处理资源，另一方面可以使得培养频率较高的游戏角色受角色特性的影响更小，具备更为精准的事物识别能力，从而达到越用心培养，游戏角色越聪明，培养越少，游戏角色越易受本能影响的游戏效果，一定程度上保证了游戏的趣味性和公平性。

可选的，用户上传的识别训练素材可以共享给其他用户，相应的，后台服务器的处理可以如下：当接收到其他用户对于目标游戏角色的识别训练素材的获取请求时，判断其它用户是否满足识别训练素材的共享条件；如果满足，则基于识别训练素材，以深度学习的方式对其他用户指定的游戏角色的事物识别模型进行模型训练。

在实施中，用户在上传识别训练素材之后，可以设置是否共享该识别训练素材，如果是，则可以进一步设置相应的共享条件，如支付一定金钱、游戏角色达到一定等级等。这样，后台服务器可以将所有可共享的识别训练素材进行汇总，并在游戏主界面中创建“共享素材”子界面。用户可以打开“共享素材”子界面，查阅其它用户共享的识别训练素材及相应的共享条件。以目标游戏角色的识别训练素材为例，如果其他用户想要获取该识别训练素材，则可以在“共享素材”子界面中点击该识别训练素材对应的获取按键，从而后台服务器接收到相应的获取请求。之后，后台服务器可以判断该用户是否满足识别训练素材的共享条件，如果满足，则可以基于识别训练素材，以深度学习的方式对用户指定的游戏角色的事物识别模型进行模型训练，当然，用户需要具备其指定的游戏角色的管理权限。

本发明实施例中，接收携带有角色类型信息的目标游戏角色的创建请求，将角色类型信息对应的事物识别初始模型，确定为目标游戏角色的事物识别模型，获取用户提供的目标游戏角色的识别训练素材，识别训练素材至少包括标记有事物标识的视频、图片或音频，基于目标游戏角色的识别训练素材，以深度学习的方式对目标游戏角色的事物识别模型进行模型训练。这样，将深度学习与养成类游戏结合，通过用户不断的个性化培养，优化养成类游戏中游戏角色的事物识别模型，使得游戏角色会具备不同程度、不同风格的事物识别能力，从而可以提高养成类游戏的可玩性和趣味性。

基于相同的技术构思，本发明实施例还提供了一种基于机器学习的养成类游戏角色的培养装置，如图3所示，所述装置包括

接收模块301，用于接收携带有角色类型信息的目标游戏角色的创建请求；

确定模块302，用于将所述角色类型信息对应的事物识别初始模型，确定为所述目标游戏角色的事物识别模型；

获取模块303，用于获取用户提供的所述目标游戏角色的识别训练素材，所述识别训练素材至少包括标记有事物标识的视频、图片或音频；

训练模块304，用于基于所述目标游戏角色的识别训练素材，以深度学习的方式对所述目标游戏角色的事物识别模型进行模型训练。

可选的，所述训练模块304，具体用于：

以深度学习的方式确定所述识别训练素材中的事物辨识特征；

根据所述识别训练素材中标记的事物标识和所述事物辨识特征训练所述目标游戏角色的事物识别模型，以使所述事物识别模型确定任意事物的事物标识。

可选的，所述装置还包括：

选择模块，用于当接收到针对所述目标游戏角色的事物识别比拼的开始请求时，随机选择包含有事物辨识特征的待识别视频、图片或音频；

识别模块，用于将所述待识别视频、图片或音频输入所述目标游戏角色的事物识别模型，得到识别出的事物标识；

评分模块，用于根据所述识别出的事物标识和所述待识别视频、图片或音频对应的事物标识，确定事物识别评分。

可选的，所述训练模块304，具体用于：

以深度学习的方式确定所述识别训练素材中的事物动作和/或事物姿态，以及所述事物动作对应的肢体位移和/或所述姿态对应的肢体位置；

根据所述肢体位移和/或所述肢体位置训练所述目标游戏角色的事物识别模型，以使所述事物识别模型模仿所述事物动作和/或所述事物姿态。

可选的，所述装置还包括：

选择模块，用于当接收到针对所述目标游戏角色的肢体模仿比拼的开始请求时，随机选择包含有事物动作和/或事物姿态的待模仿视频、图片或音频；

识别模块，用于将所述待模仿视频、图片或音频输入所述目标游戏角色的事物识别模型，得到模仿动作和/或模仿姿态；

评分模块，用于根据所述模仿动作和/模仿姿态，与所述待模仿视频、图片或音频中的事物动作和/或事物姿态的相似度，生成肢体模仿评分。

可选的，所述装置还包括：

测试模块，用于获取用户提供的所述目标游戏角色的识别测试素材，调用所述目标游戏角色的事物识别模型对所述识别测试素材进行识别，并向所述用户反馈识别结果。

可选的，所述训练模块304，还用于：

周期性从预设的特殊素材库中获取所述角色类型信息对应的角色特性训练素材，所述角色特性训练素材专用于训练不同的角色特性；

基于所述角色特性训练素材，以深度学习的方式对所述目标游戏角色的事物识别模型进行模型训练。

可选的，所述训练模块304，还用于：

当接收到其他用户对于所述目标游戏角色的识别训练素材的获取请求时，判断所述其它用户是否满足所述识别训练素材的共享条件；

如果满足，则基于所述识别训练素材，以深度学习的方式对所述其他用户指定的游戏角色的事物识别模型进行模型训练。

本发明实施例中，接收携带有角色类型信息的目标游戏角色的创建请求，将角色类型信息对应的事物识别初始模型，确定为目标游戏角色的事物识别模型，获取用户提供的目标游戏角色的识别训练素材，识别训练素材至少包括标记有事物标识的视频、图片或音频，基于目标游戏角色的识别训练素材，以深度学习的方式对目标游戏角色的事物识别模型进行模型训练。这样，将深度学习与养成类游戏结合，通过用户不断的个性化培养，优化养成类游戏中游戏角色的事物识别模型，使得游戏角色会具备不同程度、不同风格的事物识别能力，从而可以提高养成类游戏的可玩性和趣味性。

需要说明的是：上述实施例提供的基于机器学习的养成类游戏角色的培养装置在基于机器学习培养养成类游戏角色时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的基于机器学习的养成类游戏角色的培养装置与基于机器学习的养成类游戏角色的培养方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。

图4是本发明实施例提供的后台服务器的结构示意图。该后台服务器400可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上中央处理器422(例如，一个或一个以上处理器)和存储器432，一个或一个以上存储应用程序442或数据444的存储介质430(例如一个或一个以上海量存储设备)。其中，存储器432和存储介质430可以是短暂存储或持久存储。存储在存储介质430的程序可以包括一个或一个以上模块(图示没标出)，每个模块可以包括对后台服务器中的一系列指令操作。更进一步地，中央处理器422可以设置为与存储介质430通信，在后台服务器400上执行存储介质430中的一系列指令操作。

后台服务器400还可以包括一个或一个以上电源426，一个或一个以上有线或无线网络接口450，一个或一个以上输入输出接口458，一个或一个以上键盘456，和/或，一个或一个以上操作系统441，例如windowsserver，macosx，unix，linux，freebsd等等。

后台服务器400可以包括有存储器，以及一个或者一个以上的程序，其中一个或者一个以上程序存储于存储器中，且经配置以由一个或者一个以上处理器执行所述一个或者一个以上程序包含用于进行上述基于机器学习的养成类游戏角色的培养指令。

本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。