卡组分类的处理、模型的训练、卡组的搜索方法及设备与流程

1.本技术涉及机器学习技术，尤其涉及一种卡组分类的处理、模型的训练、卡组的搜索方法及设备。


背景技术：

2.卡组是玩家在游戏决斗中使用的卡牌的集合。玩家在遵守游戏规则的前提下，可以使用自己喜欢的卡牌自由地组建卡组。
3.在卡牌类游戏中，玩家习惯把大量带有相同词缀的卡牌组建为一个卡组，或者把带有大量固定名称的种族随从牌以及带有武器的战士卡牌组建为一个卡组。玩家在客户端组建完卡组之后，客户端将组建结果上传至后台服务器。并由运营人员在后台手动对大量用户组建的卡组进行分类，以及将已分类卡组进行展示，供其他用户参考。
4.而针对每个游戏版本，玩家上传的卡组数量非常多，人工分类不仅效率低，而且容易出错，导致分类准确度低。


技术实现要素：

5.本技术提供一种卡组分类的处理、模型的训练、卡组的搜索方法及设备，用以解决人工分类不仅效率低，而且容易出错，导致分类准确度低的问题。
6.第一方面，本技术提供一种卡组分类的处理方法，应用于游戏服务器，所述方法包括：获取待分类的卡组，所述卡组包括用户根据个人喜好设置的多个卡牌；将所述待分类的卡组输入分类模型，得到卡组分类结果，所述卡组分类结果用于表示一种类型的游戏战术；其中，所述分类模型是根据卡组样本和所述卡组样本对应的分类对随机森林进行训练得到的，用于对所述待分类的卡组进行分类的模型。
7.第二方面，本技术提供一种模型的训练方法，应用于计算处理设备，该方法包括：获取卡组样本和所述卡组样本对应的分类；所述卡组包括用户根据个人喜好设置的多个卡牌样本；根据所述卡组样本和所述卡组样本对应的分类对随机森林进行训练，得到分类模型，所述分类模型用于对待分类的卡组进行分类。
8.第三方面，本技术提供一种卡组的搜索方法，应用于游戏服务器，该方法包括：获取对已分类卡组进行搜索的关键词；根据所述关键词在数据库中进行搜索，得到与所述关键词匹配的一个或多个已分类卡组；返回与所述关键词匹配的一个或多个已分类卡组；其中，所述一个或多个已分类卡组是通过分类模型对卡组进行分类得到的，所述分类模型是根据卡组样本和所述卡组样本对应的分类对随机森林进行训练得到的，用于对所述卡组进行分类的模型。
9.第四方面，本技术提供一种卡组分类的处理装置，包括：获取模块和分类模块；所述获取模块，用于获取待分类的卡组，所述卡组包括用户根据个人喜好设置的多个卡牌；所述分类模块，用于将所述待分类的卡组输入分类模型，得到卡组分类结果，所述卡组分类结果用于表示一种类型的游戏战术；其中，所述分类模型是根据卡组样本和所述卡组样本对
应的分类对随机森林进行训练得到的，用于对所述待分类的卡组进行分类的模型。
10.第五方面，本技术提供一种模型的训练装置，包括：获取模块和训练模块；所述获取模块，用于获取卡组样本和所述卡组样本对应的分类；所述卡组包括用户根据个人喜好设置的多个卡牌样本；所述训练模块，用于根据所述卡组样本和所述卡组样本对应的分类对随机森林进行训练，得到分类模型，所述分类模型用于对待分类的卡组进行分类。
11.第六方面，本技术提供一种卡组的搜索装置，包括：获取模块、搜索模块和返回模块；所述获取模块，用于获取对已分类卡组进行搜索的关键词；所述搜索模块，用于根据所述关键词在数据库中进行搜索，得到与所述关键词匹配的一个或多个已分类卡组；所述返回模块，用于返回与所述关键词匹配的一个或多个已分类卡组；其中，所述一个或多个已分类卡组是通过分类模型对卡组进行分类得到的，所述分类模型是根据卡组样本和所述卡组样本对应的分类对随机森林进行训练得到的，用于对所述卡组进行分类的模型。
12.第七方面，本技术提供一种计算机设备，包括：存储器，处理器；
13.存储器；用于存储所述处理器可执行指令的存储器；
14.其中，所述处理器被配置为执行如第一方面、第二方面或第三方面所述的方法。
15.第八方面，本技术提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如第一方面、第二方面或第三方面所述的方法。
16.第九方面，本技术提供一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现第一方面、第二方面或第三方面所述的方法。
17.本技术提供的卡组分类的处理、模型的训练、卡组的搜索方法及设备，通过获取待分类的卡组，并通过分类模型对待分类的卡组进行分类，从而得到卡组分类结果。由于是采用分类模型对待分类的卡组进行分类，因此，可以避免人工分类带来的分类效率低和容易出错的问题，达到提高分类效率和分类准确度的效果。
附图说明
18.此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本技术的实施例，并与说明书一起用于解释本技术的原理。
19.图1为适用于本技术实施例的卡组分类的处理方法的应用场景示意图；
20.图2为本技术实施例提供的卡组分类的处理方法的流程图一；
21.图3为本技术实施例提供的卡组分类的处理方法的流程图二；
22.图4为适用于本技术实施例的模型的训练方法的应用场景示意图；
23.图5为本技术实施例提供的模型的训练方法的流程图一；
24.图6为本技术实施例提供的模型的训练方法的流程图二；
25.图7为本技术实施例提供的泛化误差与模型复杂度之间的关系示意图；
26.图8为本技术实施例提供的卡组的搜索方法的流程图；
27.图9为本技术实施例提供的游戏的显示界面的示意图；
28.图10为本技术实施例提供的卡组分类的处理装置的结构示意图；
29.图11为本技术实施例提供的模型的训练装置的结构示意图；
30.图12为本技术实施例提供的卡组的搜索装置的结构示意图；
31.图13为本技术实施例提供的计算机设备的结构示意图。
32.通过上述附图，已示出本技术明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本技术构思的范围，而是通过参考特定实施例为本领域技术人员说明本技术的概念。
具体实施方式
33.这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本技术相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本技术的一些方面相一致的装置和方法的例子。
34.图1为适用于本技术实施例的卡组分类的处理方法的应用场景示意图。如图1所示，该应用场景包括：终端设备11和游戏服务器12。
35.其中，终端设备11可以是智能手机、平板电脑、台式电脑、笔记本等。
36.游戏服务器12可以是一台服务器，也可以是包括多台服务器的服务器集群。服务器还可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与vps服务(“virtual private server”，或简称“vps”)中，存在的管理难度大，业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器，或者是结合了区块链的服务器。
37.终端设备11与游戏服务器12通信连接。终端设备11上可安装游戏客户端，游戏客户端为用户提供游戏服务。
38.在一些场景中，游戏客户端可以是卡牌类游戏的客户端。用户在终端设备上根据个人意图选择多个卡牌组建为套牌，并对该套牌进行命名，该套牌上传至游戏服务器进行存储，这些存储的套牌可以在客户端展示为其他用户提供组建套牌的参考。由于不同的用户可能对同一套牌的命名不同。因而，上传至游戏服务器的套牌需要进行规范化处理，即对套牌进行分类。具体的，游戏客户端获取用户组建的卡组，并上传至游戏服务器12，游戏服务器12获取用户组建的卡组中的卡牌的信息并录入系统，由运营工作人员根据该卡组呈现出的特征对卡组进行手动分类。其中，游戏服务器12的分类结果中，一个分类结果可能包括多个卡组，多个卡组的卡牌略有差异，但多个卡组均呈现出同样的特征。
39.然而，运营工作人员手动录入卡牌信息，并对卡组进行分类的方式不仅效率低，而且容易出错，使得分类准确度低。
40.针对上述技术问题，本技术的发明人提出如下技术构思：针对一个卡组，该卡组中的卡牌往往会表现出稳定的特征，例如，有一些卡组包括带有相同词缀的卡牌，则相同词缀就是该卡组的特征。机器学习是一项研究如何使计算机模拟或实现人类的学习行为，以获得新的知识，并不断完善自身性能的技术，也是人工智能的核心。机器学习能够对数据集的数据特征和数据结果进行分析计算，建立模型，并用于对新数据进行预测。本技术使用机器学习代替人工对卡组进行分类，能够更快速和精确地对卡组进行分类，并且减少人力成本。
41.下面结合附图以具体的几个实施例对本技术提供的卡组分类的处理方法进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程在某些实施例中不再赘述。
42.下面基于图1所示的场景，对本技术实施例提供的卡组分类的处理方法进行详细介绍。
43.图2为本技术实施例提供的卡组分类的处理方法的流程图一。如图2所示，本实施例的卡组分类的处理方法，包括如下步骤：
44.s201、获取待分类的卡组。
45.本实施例中，待分类的卡组包括用户根据个人喜好设置的多个卡牌。
46.可选的，用户可以将自己进行决斗要使用的卡牌集结在一起，组成卡组。
47.本实施例的方法的执行主体可以是如图1所示的游戏服务器。
48.其中，待分类的卡组可以是游戏服务器从终端设备获取的，也可以是终端设备上传的。
49.针对一个游戏，其具有多个卡牌，每个卡牌可以提供不同的游戏功能。用户可以根据个人喜好将多个卡牌中的部分卡牌组建为一个套牌，该套牌即为待分类的卡组。
50.s202、将待分类的卡组输入分类模型，得到卡组分类结果。
51.其中，分类模型是根据卡组样本和卡组样本对应的分类对随机森林进行训练得到的，用于对待分类的卡组进行分类的模型。
52.本实施例中，游戏服务器中设置有分类模型，游戏服务器获取到待分类的卡组后，将待分类的卡组输入分类模型，根据分类模型的输出，可以得到卡组分类结果。
53.其中，将待分类的卡组输入分类模型，得到卡组分类结果，包括：
54.s2021、针对多个卡牌中的每个卡牌，获取卡牌的属性。
55.本实施例中，卡牌的属性是用于表示卡牌的特点的信息，可以用于区分其他卡牌。
56.在一些场景下，卡牌的属性包括生命值、名称、卡牌的标识(identity document，id)、职业、攻击力、种族、稀有度、卡牌类型和费用等。
57.s2022、根据卡牌的属性，确定待分类的卡组的特征矩阵。
58.具体的，是根据卡牌的属性，统计各个费用的卡牌的数量、各种词缀的卡牌的数量、所有种族的卡牌的数量、法术类卡牌的数量、随从类卡牌的数量、不同卡牌的总数等，得到待分类的卡组的特征矩阵。下面通过表格结合举例对特征矩阵进行说明：
59.表1
60.abcdefghijk jobv0v1v2v3v4v5v6v7 magic164285320827280995231120344975311210
61.表1中列为卡牌的属性，行为不同卡组。a列的1、2、3分别代表卡组1、卡组2和卡组3。
62.其中，job为职业代号。v0至v7 为各个费用的卡牌的数量。magic为法术牌的数量。
63.表2
64.lmnopqrattendantadaptdiscovermurlocdemonallcardidnumber30000017
100000117100400018
65.表2中列为卡牌的属性，行为不同卡组。
66.其中，attendant为卡组中随从卡牌的数量。adapt为卡组中词缀是“进化”的卡牌的数量。discover为卡组中词缀是“发现”的卡牌的数量。murloc为卡组中种族为“鱼人”的数量。demon为卡组中种族为“恶魔”的数量。all为卡组中种族为“所有”的数量。cardidnumber代表不同的卡牌的总数，可以理解为卡组中所有id的卡牌的总数。
67.最终得到的待分类的卡组的特征矩阵中包括如下中至少一项：
68.不同费用的卡牌的数量；
69.不同职业信息的卡牌的数量；
70.不同种族的卡牌的数量；
71.不同类型的卡牌在所述多个卡牌中的占比；
72.不同词缀的卡牌的数量。
73.应当理解，上述表1和表2是特征矩阵的部分数据，并不是全部的特征矩阵的数据，凡是根据表1和表2中的规则以及游戏中玩家的分类规则演变出其他列的数据项，都在本技术的范围之内。
74.s2023、将待分类的卡组的特征矩阵输入分类模型，得到卡组分类结果。
75.本实施例中，卡组分类结果是根据职业信息、种族、词缀、费用等特征进行分类得到的结果。以职业信息为例，对于一个游戏版本而言，不同的职业信息可以为用户提供不同的游戏对战能力，将不同的卡牌组合，可以得到不同的对战能力，也就是一种战术。因而，可以根据游戏的战术对卡组进行分类。
76.可选的，得到卡组分类结果之后，可以将卡组分类结果和待分类的卡组进行绑定并存储在数据库中，从而为用户提供卡组搜索功能。其中，卡组搜索功能将在后续的实施例进行介绍。
77.本实施例通过获取待分类的卡组，并通过分类模型对待分类的卡组进行分类，从而得到卡组分类结果。由于是采用分类模型对待分类的卡组进行分类，因此，可以避免人工分类带来的分类效率低和容易出错的问题，达到提高分类效率和分类准确度的效果。
78.在上述实施例的基础上，图3为本技术实施例提供的卡组分类的处理方法的流程图二。如图3所示，该卡组分类的处理方法包括如下步骤：
79.s301、获取卡组分类结果的分类准确度。
80.本实施例中，由于待分类的卡组可能属于多个分类结果，因此，分类模型最终会输出待分类的卡组在各个分类下的概率值，那么最大概率值对应的分类即为卡组分类结果，且最大概率值即为卡组分类结果的分类准确度。
81.s302、确定卡组分类结果的分类准确度是否大于预设准确度。
82.s302、若卡组分类结果的分类准确度小于或等于预设准确度，则对卡组分类结果进行标记，并输出至人工校验对应的终端设备。
83.s303、若卡组分类结果的分类准确度大于预设准确度，则将该卡组分类结果作为最终的卡组分类结果。
84.在一些场景下，由于卡组样本的数量不足、分类模型的优化不够好、或者卡组样本
有误等情况都有可能导致分类结果有误差。为了解决分类结果有误差的问题，还可以通过分类模型输出待分类的卡组在每个分类结果上的概率值，并根据该些概率值中的最大概率值确定是否需要进一步进行人工校验。
85.可选的，可以通过sk
‑
learn提供的可能性预测(predict_proba)方法，对待分类的卡组的预分类结果的预测百分比(概率值)进行预测。例如在predict_proba方法中，预测待分类的卡组1有90％的概率属于a分类，1％的概率属于b分类，3％的概率属于c分类等。则由于待分类的卡组1属于a分类的概率最高，因而可以确定待分类的卡组1的分类结果就是a分类，则90％为待分类的卡组1的最大概率值。
86.具体的，可以通过把predict_probal针对待分类的卡组的分类结果在各个分类上的概率值进行遍历，若最大概率值不超过50％，则可以认为分类模型对待分类的卡组的分类可能不准确，从而为待分类的卡组打上标记，并输出至人工校验的终端设备进行人工校验。
87.图4为适用于本技术实施例的模型的训练方法的应用场景示意图。如图4所示，该应用场景包括：终端设备41、计算处理设备42和游戏服务器43。
88.其中，终端设备41可以是智能手机、平板电脑、台式电脑、笔记本等。
89.计算处理设备42可以是台式计算机、笔记本电脑、手机、服务器等具备数据处理功能的设备。
90.游戏服务器42可以是一台服务器，也可以是包括多台服务器的服务器集群。服务器还可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与vps服务(“virtual private server”，或简称“vps”)中，存在的管理难度大，业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器，或者是结合了区块链的服务器。
91.终端设备41与游戏服务器42通信连接。终端设备41上可安装游戏客户端，游戏客户端为用户提供游戏服务。
92.计算处理设备42与游戏服务器43通信连接，计算处理设备42根据卡组样本训练得到分类模型，并将该分类模型发送至游戏服务器43进行存储，游戏服务器43根据该分类模型对需要进行分类的卡组进行分类。
93.在一些场景中，计算处理设备42与游戏服务器43可以集成在一台设备上，即分类模型的训练过程和应用过程都在同一台设备上实现。
94.下面基于图4所示的场景，对本技术实施例提供的模型的训练方法进行详细介绍。
95.图5为本技术实施例提供的模型的训练方法的流程图一。如图5所示，本实施例的模型的训练方法，包括如下步骤：
96.s501、获取卡组样本和卡组样本对应的分类。
97.其中，游戏的数据库中收录了大量被用户创建的卡组、所有的卡组的分类以及当前游戏版本的所有卡牌的信息。这些卡组的分类可以是人工对卡组进行分类的结果。
98.本实施例中的卡组样本可以从游戏数据库中获取用户创建的卡组，以及从游戏数据库中获取人工对卡组样本进行分类的分类结果，作为卡组样本对应的分类。
99.s502、根据卡组样本和卡组样本对应的分类对随机森林进行训练，得到分类模型，分类模型用于对待分类的卡组进行分类。
100.本实施例采用机器学习下的“随机森林”模型，是经典“决策树”模型的继承和衍生。随机森林的本质是一种装袋集成算法(bagging)，装袋集成算法是对基评估器(这里指决策树)的预测结果进行平均或用多数表决原则来决定集成评估的结果。“决策树”是机器学习中的一种预测模型，可以通过对卡组样本的数据特征和数据结果进行分析计算，建立树型结构的模型，然后用于对新的待分类的卡组样本进行分类。
101.具体的，根据卡组样本和所述卡组样本对应的分类对随机森林进行训练，得到分类模型，包括：
102.s5021、针对多个卡牌样本中的每个卡牌样本，获取卡牌样本的属性。
103.具体的，对于卡牌样本的属性，可以参见前述实施例对于卡牌的属性的介绍，此处不再赘述。
104.s5022、根据卡牌样本的属性，确定卡组样本的特征矩阵。
105.同样地，本步骤可以参见前述实施例中根据卡牌的属性确定卡牌的特征矩阵的介绍，此处不再赘述。
106.s5023、根据卡组样本的特征矩阵和卡组样本对应的分类对随机森林进行训练，得到分类模型。
107.本实施例中，输入随机森林中的训练数据包括卡组样本的特征矩阵和卡组样本对应的分类。
108.其中，卡组样本的特征矩阵中包括如下中至少一项：
109.不同费用的卡牌样本的数量；
110.不同职业信息的卡牌样本的数量；
111.不同种族的卡牌样本的数量；
112.不同类型的卡牌样本在所述多个卡牌样本中的占比；
113.不同词缀的卡牌样本的数量。
114.下面通过示例对卡组样本的特征矩阵和卡组样本对应的分类进行说明：
115.表3
116.abcdefghijk jobv0v1v2v3v4v5v6v7 magic164285320827280995231120344975311210
117.表3中列为卡牌样本的属性，行为不同的卡组样本。a列的1、2、3分别代表卡组样本1、卡组样本2和卡组样本3。
118.其中，job为职业代号。v0至v7 为各个费用的卡牌样本的数量。magic为法术牌样本的数量。
119.表2
120.lmnopqrsattendantadaptdiscovermurlocdemonallcardidnumbertype30000017360100000117211
100400018313
121.表2中列为卡牌样本的属性，行为不同卡组样本。
122.其中，attendant为卡组样本中随从卡牌样本的数量。adapt为卡组样本中词缀是“进化”的卡牌样本的数量。discover为卡组样本中词缀是“发现”的卡牌样本的数量。murloc为卡组样本中种族为“鱼人”的卡牌样本的数量。demon为卡组样本中种族为“恶魔”的卡牌样本的数量。all为卡组样本中种族为“所有”的卡牌样本的数量。cardidnumber代表不同的卡牌样本的总数，可以理解为卡组样本中所有id的卡牌样本的总数。type代表不同卡组样本的分类对应的编号。
123.其中，随机森林的具体训练过程可以参见相关技术的介绍，此处不再赘述。
124.图6为本技术实施例提供的模型的训练方法的流程图二。如图6所示，本实施例的模型的训练方法，还包括如下步骤：
125.s601、获取卡组测试样本。
126.其中，卡组测试样本仍然可以从游戏数据中获取，即：将用户创建的卡组分为两部分，一部分用于作为训练数据对随机森林进行训练，另一部分用于作为测试数据对训练的模型进行测试。
127.s602、根据卡组测试样本对训练的分类模型进行测试，得到卡组测试样本的分类。
128.可选的，本实施例可以在进行多次迭代之后，对训练的分类模型进行一次测试，之后每进行预设次数的迭代训练，对训练的分类模型进行一次测试，如此，可以得到多个卡组测试样本的分类。
129.其中，在不同次的测试过程中，可以使用同一测试样本，也可以使用不同的测试样本。
130.s603、根据卡组测试样本的分类，确定测试准确度。
131.具体的，可以根据随机森林的评分函数对卡组测试样本的分类进行评分，该评分作为卡组测试样本的分类的测试准确度。
132.s604、对不同次迭代训练的随机森林进行多次测试，得到多个测试准确度，多个测试准确度中每个测试准确度对应一次迭代训练的随机森林。
133.s605、将多个测试准确度中与预设准确度的差值小于预设误差的测试准确度对应的随机森林的参数，作为分类模型的参数，得到分类模型。
134.测试的过程可以理解为对训练的模型的优化。具体的，可以是对随机森林的基尼系数和最大深度等参数进行优化。
135.具体的，本实施例是将多个测试准确度绘制成准确度曲线，找到准确度较高的剪枝策略(即随机森林中剪枝参数的值)，从而减少过拟合。
136.可选的，在得到卡组测试样本的分类的测试准确度的基础上，还可以根据卡组测试样本的分类的测试准确度对当前次训练的分类模型进行优化。具体的优化过程如下：
137.基于随机森林的分类模型的参数包括如下中至少一项：
138.n_estimators：指随机森林模型中决策树的数目(默认值为10)。
139.criterion：衡量分裂质量的性能(函数)。(默认值为“gini”)。
140.max_features：寻找最佳分割时需要考虑的特征数目。
141.max_depth：树的最大深度。如果值为none(空)，那么会扩展节点，直到所有的叶子
是纯净的，或者直到所有叶子包含少于min_sample_split的卡组样本。
142.min_samples_split：分割内部节点所需要的最小卡组样本数量。
143.min_samples_leaf：需要在叶子结点上的最小卡组样本数量。
144.bootstrap：建立决策树时，是否使用有放回抽样。
145.random_state：随机数种子，用于保证每次随机的结果都是一样的。
146.若优化后的分类模型的评分达到预设评分，则将分类模型封装成服务接口，用于对待分类的卡组进行分类。其中，预设评分应当以避免分类模型过拟合，降低泛化误差为目标进行设置。
147.由于随机森林模型的本质是多个决策树的平均，因此，模型的优化实质上就是降低泛化误差。学习方法的泛化能力(generalization error)是由该方法学习到的模型对未知数据的预测能力，是学习方法本质上重要的性质。
148.图7为本技术实施例提供的泛化误差与模型复杂度之间的关系示意图。
149.如图7所示，若分类模型的复杂度高，分类模型就会过拟合。泛化能力不足，泛化误差就会增大。以及模型的复杂度较低，又会欠拟合，误差也会增大。因而，若分类模型的复杂度符合泛化误差小的目标对应的模型的复杂度，该模型即可用于进行分类。
150.通过调整模型的参数来改变模型的各项指标，从而调整模型的复杂度，并且通过多次训练来寻找合适的参数，从而完成模型优化。本实施例中，模型复杂度不是一个确定的值，需要根据实际情况确定。
151.在上述卡组分类的处理方法、模型的训练方法的实施例的基础上，本实施例还可以提供一种卡组的搜索方法。图8为本技术实施例提供的卡组的搜索方法的流程图。如图8所示，本实施例的卡组的搜索方法，还包括如下步骤：
152.s801、获取对已分类卡组进行搜索的关键词。
153.本实施例的方法的执行主体可以为图1中所示的游戏服务器。
154.s802、根据关键词进行搜索，得到与关键词匹配的一个或多个已分类卡组。
155.s803、返回与关键词匹配的一个或多个已分类卡组。
156.其中，一个或多个已分类卡组是通过分类模型对卡组进行分类得到的，该分类模型是根据上述模型的训练方法，基于卡组样本和卡组样本对应的分类对随机森林进行训练得到的模型。该分类模型用于对卡组进行分类。
157.在一些场景中，分类结果可以作为用户筛选卡组的子选项。
158.图9为本技术实施例提供的游戏的显示界面的示意图。如图9所示，该游戏的显示界面包括搜索框，用于为用户提供卡组搜索功能。用户在搜索框中输入关于已分类卡组的搜索关键词，游戏服务器根据搜索关键词，在数据库中的已分类卡组中进行筛选，筛选出与搜索关键词匹配的一个或多个已分类卡组(图中虚线框内的内容即为搜索结果)，并将该一个或多个已分类卡组返回用户的终端设备。
159.进一步的，该多个已分类卡组还可以按照发布日期、热度、胜率等属性进行排序，以方便用户查看。
160.在一些实施例中，该游戏的显示界面还包括选择信息，选择信息包括多个搜索关键词，则获取对已分类卡组进行搜索的关键词，包括：获取用户在多个搜索关键词中选择的搜索关键词，作为对已分类卡组进行搜索的关键词。请继续参阅图9，图9中左上角显示的模
式选择、职业选择、热门分类中的关键词即为选择信息。
161.在上述卡组分类的处理方法实施例的基础上，图10为本技术实施例提供的卡组分类的处理装置的结构示意图。如图10所示，该卡组分类的处理装置包括：获取模块100和分类模块101；
162.其中，获取模块100，用于获取待分类的卡组，所述卡组包括用户根据个人喜好设置的多个卡牌；分类模块101，用于将所述待分类的卡组输入分类模型，得到卡组分类结果，所述卡组分类结果用于表示一种类型的游戏战术；其中，所述分类模型是根据卡组样本和所述卡组样本对应的分类对随机森林进行训练得到的，用于对所述待分类的卡组进行分类的模型。
163.可选的，分类模块101，具体用于：针对所述多个卡牌中的每个卡牌，获取所述卡牌的属性；根据所述卡牌的属性，确定所述待分类的卡组的特征矩阵；将所述待分类的卡组的特征矩阵输入所述分类模型，得到所述卡组分类结果。
164.可选的，所述待分类的卡组的特征矩阵中包括如下中至少一项：
165.不同费用的卡牌的数量；
166.不同职业信息的卡牌的数量；
167.不同种族的卡牌的数量；
168.不同类型的卡牌在所述多个卡牌中的占比；
169.不同词缀的卡牌的数量。
170.可选的，卡组分类的处理装置还包括确定模块102和标记模块103；
171.确定模块102，用于确定所述卡组分类结果的分类准确度；
172.标记模块103，用于若所述卡组分类结果的分类准确度小于或等于预设准确度，则对所述卡组分类结果进行标记，并输出至人工校验对应的终端设备。
173.本技术实施例提供的卡组分类的处理装置，可用于执行上述实施例中卡组分类的处理方法的技术方案，其实现原理和技术效果类似，在此不再赘述。
174.在上述模型的训练方法实施例的基础上，图11为本技术实施例提供的模型的训练装置的结构示意图。如图11所示，该模型的训练装置包括：获取模块110和训练模块111；
175.获取模块110，用于获取卡组样本和所述卡组样本对应的分类；所述卡组包括用户根据个人喜好设置的多个卡牌样本；
176.训练模块111，用于根据所述卡组样本和所述卡组样本对应的分类对随机森林进行训练，得到分类模型，所述分类模型用于对待分类的卡组进行分类。
177.可选的，训练模块111具体用于：针对所述多个卡牌样本中的每个卡牌样本，获取所述卡牌样本的属性；根据所述卡牌样本的属性，确定所述卡组样本的特征矩阵；根据所述卡组样本的特征矩阵和所述卡组样本对应的分类对随机森林进行训练，得到所述分类模型。
178.可选的，该训练装置还包括：测试模块112和确定模块113；
179.获取模块110，还用于获取卡组测试样本；
180.测试模块112，用于根据卡组测试样本对训练的分类模型进行测试，得到卡组测试样本的分类；以及，对不同次迭代训练的随机森林进行测试，得到多个测试准确度，所述多个测试准确度中每个测试准确度对应一次迭代训练的随机森林；
181.确定模块113，用于根据卡组测试样本的分类，确定测试准确度；以及，将所述多个测试准确度中与预设准确度的差值小于预设误差的测试准确度对应的随机森林的参数，作为所述分类模型的参数，得到所述分类模型。
182.可选的，所述卡组样本的特征矩阵中包括如下中至少一项：
183.不同费用的卡牌样本的数量；
184.不同职业信息的卡牌样本的数量；
185.不同种族的卡牌样本的数量；
186.不同类型的卡牌样本在所述多个卡牌样本中的占比；
187.不同词缀的卡牌样本的数量。
188.本技术实施例提供的模型的训练装置，可用于执行上述实施例中模型的训练方法的技术方案，其实现原理和技术效果类似，在此不再赘述。
189.在上述卡组的搜索方法实施例的基础上，图12为本技术实施例提供的卡组的搜索装置的结构示意图。如图12所示，该卡组的搜索装置包括：获取模块120、搜索模块121和返回模块122；其中，获取模块120，用于获取对已分类卡组进行搜索的关键词；搜索模块121，用于根据所述关键词在数据库中进行搜索，得到与所述关键词匹配的一个或多个已分类卡组；返回模块122，用于返回与所述关键词匹配的一个或多个已分类卡组；其中，所述一个或多个已分类卡组是通过分类模型对卡组进行分类得到的，所述分类模型是根据卡组样本和所述卡组样本对应的分类对随机森林进行训练得到的，用于对所述卡组进行分类的模型。
190.本技术实施例提供的卡组的搜索装置，可用于执行上述实施例中卡组的搜索方法的技术方案，其实现原理和技术效果类似，在此不再赘述。
191.需要说明的是，应理解以上装置的各个模块的划分仅仅是一种逻辑功能的划分，实际实现时可以全部或部分集成到一个物理实体上，也可以物理上分开。且这些模块可以全部以软件通过处理元件调用的形式实现；也可以全部以硬件的形式实现；还可以部分模块通过处理元件调用软件的形式实现，部分模块通过硬件的形式实现。例如，分类模块101可以为单独设立的处理元件，也可以集成在上述装置的某一个芯片中实现，此外，也可以以程序代码的形式存储于上述装置的存储器中，由上述装置的某一个处理元件调用并执行以上分类模块101的功能。其它模块的实现与之类似。此外这些模块全部或部分可以集成在一起，也可以独立实现。这里的处理元件可以是一种集成电路，具有信号的处理能力。在实现过程中，上述方法的各步骤或以上各个模块可以通过处理器元件中的硬件的集成逻辑电路或者软件形式的指令完成。
192.图13为本技术实施例提供的计算机设备的结构示意图。如图13所示，该计算机设备可以包括：收发器131、处理器132、存储器133。
193.处理器132执行存储器存储的计算机执行指令，使得处理器132执行上述实施例中的方案。处理器132可以是通用处理器，包括中央处理器cpu、网络处理器(network processor，np)等；还可以是数字信号处理器dsp、专用集成电路asic、现场可编程门阵列fpga或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
194.存储器133通过系统总线与处理器132连接并完成相互间的通信，存储器133用于存储计算机程序指令。
195.收发器131可以用于获取待分类的卡组。
196.系统总线可以是外设部件互连标准(peripheral component interconnect，pci)总线或扩展工业标准结构(extended industry standard architecture，eisa)总线等。系统总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。收发器用于实现数据库访问装置与其他计算机(例如客户端、读写库和只读库)之间的通信。存储器可能包含随机存取存储器(random access memory，ram)，也可能还包括非易失性存储器(non
‑
volatile memory)。
197.本技术实施例提供的计算机设备，可以是上述实施例的计算处理设备和游戏服务器。
198.本技术实施例提供的计算机设备，可用于执行上述实施例中卡组分类的处理方法、模型的训练方法或卡组的搜索方法的技术方案，其实现原理和技术效果类似，在此不再赘述。
199.本技术实施例还提供一种运行指令的芯片，该芯片用于执行上述实施例中卡组分类的处理方法、模型的训练方法或卡组的搜索方法的技术方案。
200.本技术实施例还提供一种计算机可读存储介质，该计算机可读存储介质中存储有计算机指令，当该计算机指令在计算机上运行时，使得计算机执行上述实施例卡组分类的处理方法、模型的训练方法或卡组的搜索方法的技术方案。
201.本技术实施例还提供一种计算机程序产品，该计算机程序产品包括计算机程序，其存储在计算机可读存储介质中，至少一个处理器可以从计算机可读存储介质读取计算机程序，至少一个处理器执行计算机程序时可实现上述实施例中卡组分类的处理方法、模型的训练方法或卡组的搜索方法的技术方案。
202.最后应说明的是：以上各实施例仅用以说明本技术的技术方案，而非对其限制；尽管参照前述各实施例对本技术进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本技术各实施例技术方案的范围。