[发明专利]一种信息预测的方法、模型训练的方法以及服务器

说明书

本发明公开了一种信息预测的方法，包括：获取待预测图像；提取待预测图像中的待预测特征集合，待预测特征集合包括第一待预测特征、第二待预测特征以及第三待预测特征，第一待预测特征表示第一区域的图像特征，第二待预测特征表示第二区域的图像特征，第三待预测特征表示与交互操作相关的属性特征，第一区域的范围小于第二区域的范围；通过目标联合模型获取待预测特征集合所对应的第一标签和/或第二标签，第一标签表示与操作内容相关的标签，第二标签表示与操作意图相关的标签。本发明中还公开了一种模型训练的方法及服务器。本发明仅使用一个联合模型就可以预测微操和大局观，有效地解决了分层模型中的硬切换问题，提升了预测的便利性。

技术领域

本发明涉及人工智能技术领域，尤其涉及一种信息预测的方法、模型训练的方法以及服务器。

背景技术

人工智能(artificial intelligence,AI)程序已经在规则明确的棋类游戏里战胜了顶级职业选手。相比之下，多人在线战术竞技(multiplayer online battle arena，MOBA)游戏的操作更加复杂，更接近真实世界的场景。攻克MOBA游戏中的AI问题，有助于我们探索和解决真实世界的复杂问题。

基于MOBA游戏操作的复杂性，通常可以将整个MOBA游戏的操作分为大局观和微操两种，以降低整个MOBA游戏的复杂程度。请参阅图1，图1为现有方案中分层建立模型的一个示意图，如图所示，按“打野”、“清兵”、“团战”以及“推塔”等大局观决策划分，每局游戏平均只有约100个的大局观任务，每个大局观任务中的微操决策步数平均为200个。基于上述内容，请参阅图2，图2为现有方案中分层模型的一个结构示意图，如图所示，采用大局观特征建立大局观模型，并采用微操特征建立微操模型，可以通过大局观模型输出大局观标签，可以通过微操模型输出微操标签。

然而，分层建模需要分别设计和训练大局观模型和微操模型，也就是说，这两个模型之间是相互独立的，在实际应用中，还需决定选用采用哪个模型进行预测，因此，两个模型之间存在硬切换的问题，不利于预测的便利性。

发明内容

本发明实施例提供了一种信息预测的方法、模型训练的方法以及服务器，仅使用一个联合模型就可以预测微操和大局观，有效地解决了分层模型中的硬切换问题，提升了预测的便利性。

有鉴于此，本发明的第一方面提供了一种信息预测的方法，包括：

获取待预测图像；

提取所述待预测图像中的待预测特征集合，其中，所述待预测特征集合包括第一待预测特征、第二待预测特征以及第三待预测特征，所述第一待预测特征表示第一区域的图像特征，所述第二待预测特征表示第二区域的图像特征，所述第三待预测特征表示与交互操作相关的属性特征，所述第一区域的范围小于所述第二区域的范围；

通过目标联合模型获取所述待预测特征集合所对应的第一标签和/或第二标签，其中，所述第一标签表示与操作内容相关的标签，所述第二标签表示与操作意图相关的标签。

本发明的第二方面提供了一种模型训练的方法，包括：

获取待训练图像集合，其中，所述待训练图像集合包括N个待训练图像，所述N为大于或等于1的整数；

提取每个待训练图像中的待训练特征集合，其中，所述待训练特征集合包括第一待训练特征、第二待训练特征以及第三待训练特征，所述第一待训练特征表示第一区域的图像特征，所述第二待训练特征表示第二区域的图像特征，所述第三待训练特征表示与交互操作相关的属性特征，所述第一区域的范围小于所述第二区域的范围；

获取所述每个待训练图像所对应的第一待训练标签以及第二待训练标签，其中，所述第一待训练标签表示与操作内容相关的标签，所述第二待训练标签表示与操作意图相关的标签；