一种基于概率软逻辑的规则置信度计算方法和装置与流程

1.本发明涉及规则置信度评估技术领域，尤其涉及一种基于概率软逻辑的规则置信度计算方法和装置。


背景技术：

2.随着计算能力、算法的不断突破，人工智能正不断地证明其在商业和军事上的应用价值，人工智能博弈算法是研究的一个热点问题。然而，由于智能博弈网络处于博弈对抗环境下，其智能决策存在过程复杂性高和难以理解的问题，致使智能决策可解释性弱，不利于研究人员对智能决策的分析。
3.为了提高智能决策的可解释性，现有技术从智能博弈网络的博弈对抗数据中挖掘规则，并利用挖掘的规则辅助解释对抗过程中的智能决策。
4.但是，挖掘的规则可能存在逻辑错误、分布不均匀、情势识别错误等问题，大批量的规则被自动挖掘出来后，往往需要耗费大量人力对规则进行甄别，严重影响了智能决策的解读速度。


技术实现要素：

5.本发明的目的是提供一种基于概率软逻辑的规则置信度计算方法和装置，用于解决现有技术中需要对智能博弈网络的博弈对抗数据中抽取出的规则进行人工甄别的缺陷，实现对规则的智能化甄别，进而为智能决策的解读提供方便。
6.第一个方面，本发明实施例提供一种基于概率软逻辑的规则置信度计算方法，包括：
7.将目标规则拆分为条件部分和执行部分，并确定条件部分和执行部分各自对应的特征信息；
8.基于所述特征信息以及置信度计算模型，采用概率软逻辑算法，确定目标规则的置信度；
9.其中，所述特征信息包括：实体及其对应的属性信息；
10.所述置信度计算模型，是基于各历史规则的特征信息以及各历史规则的置信度评分训练得到的；
11.所述目标规则/历史规则，是从智能博弈网络当前/历史的博弈对抗数据中抽取得到的。
12.根据本发明提供的基于概率软逻辑的规则置信度计算方法，所述置信度计算模型包含与智能博弈网络的各决策要素分别对应的各置信度计算子模型；
13.其中，所述与智能博弈网络的各决策要素分别对应的各置信度计算子模型，是以各历史规则的特征信息为输入、以各历史规则的置信度评分为输出，对各决策要素初始决策树进行训练得到的。
14.根据本发明提供的基于概率软逻辑的规则置信度计算方法，所述各决策要素初始
决策树的构建过程，包括：
15.获取智能博弈网络的各决策要素以及影响各决策要素的决策因子；
16.对于每一个决策要素，为影响决策要素的决策因子设定优先级；
17.令优先级高的决策因子所在的叶节点在上层，优先级低的决策因子所在的叶节点在下层，生成包含根节点、子节点和叶节点的决策要素初始决策树；
18.其中，所述根节点为输入节点、所述子节点为输出节点。
19.根据本发明提供的基于概率软逻辑的规则置信度计算方法，所述获取智能博弈网络的各决策要素以及影响各决策要素的决策因子，包括：
20.对智能博弈网络的博弈对抗环境和任务规划进行解析，得到智能博弈网络的各决策要素以及影响各决策要素的决策因子。
21.根据本发明提供的基于概率软逻辑的规则置信度计算方法，所述基于所述特征信息以及置信度计算模型，采用概率软逻辑算法，确定目标规则的置信度，包括：
22.将条件部分/执行部分的特征信息分别代入各置信度计算子模型，得到各置信度计算子模型输出的置信度；
23.将各置信度计算子模型输出的置信度以序列形式表示，得到条件部分/执行部分各自对应的置信度序列；
24.采用概率软逻辑算法，对条件部分和执行部分各自对应的置信度序列进行计算，得到目标规则的置信度。
25.根据本发明提供的基于概率软逻辑的规则置信度计算方法，所述采用概率软逻辑算法，对条件部分和执行部分各自对应的置信度序列进行计算，得到目标规则的置信度，包括：
26.采用概率软逻辑算法，对条件部分/执行部分各自对应的置信度序列进行计算，得到条件部分/执行部分的置信度；
27.再次采用概率软逻辑算法，对条件部分和执行部分的置信度进行计算，得到目标规则的置信度。
28.根据本发明提供的基于概率软逻辑的规则置信度计算方法，所述条件部分/执行部分的置信度，具体通过以下公式计算：
29.i(l1)＝max{0,i1(1,2
…
n-1) f1(n)-1}
30.i(l2)＝max{0,i2(1,2
…
n-1) f2(n)-1}
31.i1(1,2
…
n-1)＝max{0,i1(1,2
…
n-2) f1(n-1)-1}
32.i2(1,2
…
n-1)＝max{0,i2(1,2
…
n-2) f2(n-1)-1}
33.其中，i(l1)和i(l2)分别表示条件部分和执行部分的置信度，f1(n)、f1(n-1)、i1(1,2
…
n-1)和i1(1,2
…
n-2)分别表示条件部分对应的置信度序列中第n个置信度值、第n-1个置信度值、前n-1个置信度值的综合值和前n-2个置信度值的综合值，f2(n)、f2(n-1)、i2(1,2
…
n-1)和i2(1,2
…
n-2)分别表示执行部分对应的置信度序列中第n个置信度值、第n-1个置信度值、前n-1个置信度值的综合值和前n-2个置信度值的综合值；
34.所述目标规则的置信度，具体通过以下公式计算：
35.p
l
＝min{1,1-i(l1) i(l2)}
36.其中，p
l
表示目标规则的置信度。
37.第二方面，本发明还提供一种基于概率软逻辑的规则置信度计算装置，包括：
38.拆分及特征提取模块，用于将目标规则拆分为条件部分和执行部分，并确定条件部分和执行部分各自对应的特征信息；
39.置信度计算模块，用于基于所述特征信息以及置信度计算模型，采用概率软逻辑算法，确定目标规则的置信度；
40.其中，所述特征信息包括：实体及其对应的属性信息；
41.所述置信度计算模型，是基于各历史规则的特征信息以及各历史规则的置信度评分训练得到的；
42.所述目标规则/历史规则，是从智能博弈网络当前/历史的博弈对抗数据中抽取得到的。
43.第三方面，本发明还提供一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现如第一方面所述基于概率软逻辑的规则置信度计算方法的步骤。
44.第四方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面所述基于概率软逻辑的规则置信度计算方法的步骤。
45.本发明将规则分解成条件部分和执行部分，并利用条件部分和执行部分的特征，以及基于人工经验和历史规则特征构建的置信度计算模型，完成对规则置信度的自动化计算，无需对规则置信度进行手工验证，在规则验证上更为高效，同时计算方法简单、有效且便于实施。
附图说明
46.为了更清楚地说明本发明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一简单地介绍，显而易见地，下面描述中的附图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。
47.图1是本发明提供的基于概率软逻辑的规则置信度计算方法流程图；
48.图2是本发明提供的规则置信度计算方法执行流程图。
49.图3是本发明提供的智能博弈网络的各决策要素以及影响各决策要素的决策因子示例图；
50.图4是本发明提供的目标选择模型初始决策树的结构示意图；
51.图5是本发明提供的基于概率软逻辑的规则置信度计算装置结构图；
52.图6是本发明提供的实现基于概率软逻辑的规则置信度计算方法的电子设备的结构示意图。
具体实施方式
53.为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例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作出创造性劳
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。
54.为了便于本发明的理解，下面对本发明出现的技术用语进行解释：
55.概率软逻辑(psl，probabilistic soft logic)：是用于开发概率模型的机器学习框架，可以捕捉真实世界知识中固有的不确定性和不完备性，能够使用一阶逻辑简洁地表示复杂关系，其在自然语言处理，社交网络分析，知识图，推荐系统和计算生物学等许多领域产生了不错的结果。
56.监督学习：是机器学习的一种，是由一组人工标记的数据推测出假设函数的学习方法。
57.决策树：属于监督学习，由根节点(包含样本的全集)、叶节点(对应特征属性测试)和子节点(代表决策的结果)组成，每个分支代表一个测试输出，是在已知情况发生概率的基础上，判断其可行性的决策分析方法，是直观运用概率分析的一种图解法。决策树在现实应用中易出现过拟合的现象，导致效率低下，采用随机森林方法可以有效解决这一问题。
58.下面结合图1-图6描述本发明提供的一种基于概率软逻辑的规则置信度计算方法和装置。
59.第一方面，如图1所示，本发明提供的一种基于概率软逻辑的规则置信度计算方法，包括：
60.s11、将目标规则拆分为条件部分和执行部分，并确定条件部分和执行部分各自对应的特征信息；
61.本发明根据规则结构关系，将目标规则l分解成条件部分l1和执行部分l2，根据一阶逻辑，规则l可被表示成如下形式：
62.l＝l1→
l263.本发明所述特征信息包括：实体及其对应的属性信息；以军事智能博弈网络为例，实体可以为飞机、舰船、弹药和油箱等，实体对应的属性，例如抵近、远离、拦截和挂载等，任意一条规则的条件部分和执行部分均是实体和属性的具体表征，例如飞机a攻击飞机b。
64.s12、基于所述特征信息以及置信度计算模型，采用概率软逻辑算法，确定目标规则的置信度；
65.本发明将概率软逻辑算法用于规则置信度的计算，为评估规则的合理性提供了新的思路。
66.其中，所述置信度计算模型，是基于各历史规则的特征信息以及各历史规则的置信度评分训练得到的；
67.本发明利用专家经验，对部分或全部历史规则进行合理的置信度评分，形成训练集和测试集；利用监督学习算法，如随机森林决策树(其树的节点由历史规则的决策因子组成，如目标的阵营、类型及火力等)构造合理性置信度计算模型；
68.所述目标规则/历史规则，是从智能博弈网络当前/历史的博弈对抗数据中抽取得到的。
69.在本发明中，对规则挖掘可以便于解读智能博弈网络的智能决策、挖掘的规则经甄别后，合理可信的规则也可辅助智能算法，缩小智能博弈网络决策搜索空间，提高学习效率。本发明技术领域对于目标规则和历史规则的抽取技术已相当成熟，在此不做赘述。
70.本发明将规则分解成条件部分和执行部分，并利用条件部分和执行部分的特征，
以及基于人工经验和历史规则特征构建的置信度计算模型，完成对规则置信度的自动化计算，无需对规则置信度进行手工验证，在规则验证上更为高效，同时计算方法简单、有效且便于实施。
71.图2示例了规则置信度计算方法执行流程图，如图2所示，本发明将规则拆分为条件部分和执行部分，并借助以监督学习算法以及专家经验构建的置信度计算模型分别计算其置信度，再根据概率软逻辑(psl理论)，对规则整体置信度进行计算。通过此方法，可以自动化的将规则的合理性进行数值化，同时因为将专家经验融入到计算过程中，规则置信度的结果接近专家判断结果，提高置信度计算的准确率和效率。
72.在上述各实施例的基础上，作为一种可选的实施例，所述置信度计算模型包含与智能博弈网络的各决策要素分别对应的各置信度计算子模型；
73.本发明考虑到影响智能博弈网络智能决策的决策要素是多样性的，影响的侧重点也不尽相同，因此建立的置信度计算模型包含与智能博弈网络的各决策要素分别对应的各置信度计算子模型，进而实现对规则的全面分析，提高置信度计算的准确率。
74.其中，所述与智能博弈网络的各决策要素分别对应的各置信度计算子模型，是以各历史规则的特征信息为输入、以各历史规则的置信度评分为输出，对各决策要素初始决策树进行训练得到的。
75.需要注意的是，各历史规则的置信度评分，为专家利用经验为各历史规则进行的打分，目的是在自动分辨出合理可信的高质量规则的同时，还能很好地借鉴人类经验。
76.各决策要素初始决策树，是利用影响各决策要素的决策因子建模得到的，是对人工经验的形式化表征。
77.本发明针对不同决策要素建立了不同置信度计算子模型，进而从不同维度上对规则进行分析，提升对规则置信度计算的准确性，另外在置信度计算模型构建过程中结合了专家经验，使得规则置信度的自动化结果更接近人工判断。
78.在上述各实施例的基础上，作为一种可选的实施例，所述各决策要素初始决策树的构建过程，包括：
79.获取智能博弈网络的各决策要素以及影响各决策要素的决策因子；
80.图3示意了智能博弈网络的各决策要素以及影响各决策要素的决策因子示例图，可以看出图3是以军事智能博弈网络为例展开说明的；
81.其中，决策要素包括：兵力选择、弹药匹配、目标选择、失效性和空间资源分配；
82.影响兵力选择的决策因子，包括：兵力战斗力、协同难度和兵力配比；
83.影响弹药匹配的决策因子，包括：射程、弹药消耗量和环境适宜性；
84.影响目标选择的决策因子，包括：目标价值、目标威胁度和与任务一致性；
85.影响失效性的决策因子，包括：规划时间满足度和规划效果满足度；
86.影响空间资源分配的决策因子，包括：空间资源冲突和空间资源利用率。
87.对于每一个决策要素，为影响决策要素的决策因子设定优先级；
88.令优先级高的决策因子所在的叶节点在上层，优先级低的决策因子所在的叶节点在下层，生成包含根节点、子节点和叶节点的决策要素初始决策树；其中，所述根节点为输入节点、所述子节点为输出节点。
89.本发明将影响各决策要素的决策因子作为各初始决策树的叶节点，以根节点为输
入节点，以子节点为输出节点，搭建决策要素初始决策树，进而在置信度计算模型训练时，充分考虑到不同决策因子对智能决策的影响，提供模型的实用性。
90.在上述各实施例的基础上，作为一种可选的实施例，所述获取智能博弈网络的各决策要素以及影响各决策要素的决策因子，包括：
91.对智能博弈网络的博弈对抗环境和任务规划进行解析，得到智能博弈网络的各决策要素以及影响各决策要素的决策因子。
92.本发明针对不同的应用场合，对该应用场合下智能博弈网络的博弈对抗环境和任务规划进行人工解析，即可寻找到各决策要素以及影响各决策要素的决策因子。
93.本发明通过智能博弈网络决策要素和决策因子的细致抽取，提升了置信度计算模型的实用性，进而提升置信度计算的准确性。
94.在上述各实施例的基础上，作为一种可选的实施例，所述基于所述特征信息以及置信度计算模型，采用概率软逻辑算法，确定目标规则的置信度，包括：
95.将条件部分/执行部分的特征信息分别代入各置信度计算子模型，得到各置信度计算子模型输出的置信度；
96.将各置信度计算子模型输出的置信度以序列形式表示，得到条件部分/执行部分各自对应的置信度序列；
97.采用概率软逻辑算法，对条件部分和执行部分各自对应的置信度序列进行计算，得到目标规则的置信度。
98.本发明以条件部分/执行部分的特征信息为输入，分别确定各置信度计算子模型下条件部分/执行部分的置信度，然后各置信度计算子模型下条件部分和执行部分的置信度的综合结果作为目标规则的置信度，提高了目标规则的计算准确性。
99.在上述各实施例的基础上，作为一种可选的实施例，所述采用概率软逻辑算法，对条件部分和执行部分各自对应的置信度序列进行计算，得到目标规则的置信度，包括：
100.采用概率软逻辑算法，对条件部分/执行部分各自对应的置信度序列进行计算，得到条件部分/执行部分的置信度；
101.本发明利用置信度计算模型对条件部分l1和执行部分l2分别计算其合理置信度为i(l1)和i(l2)；
102.再次采用概率软逻辑算法，对条件部分和执行部分的置信度进行计算，得到目标规则的置信度。
103.本发明将条件部分和执行部分的置信度的综合结果作为目标规则的置信度。
104.本发明以概率软逻辑算法作为综合同一层级不同置信度的算法，再通过逐层递进的方式确定目标规则的置信度，方法简单、条理分明且计算准确性高。
105.在上述各实施例的基础上，作为一种可选的实施例，所述条件部分/执行部分的置信度，具体通过以下公式计算：
106.i(l1)＝max{0,i1(1,2
…
n-1) f1(n)-1}
107.i(l2)＝max{0,i2(1,2
…
n-1) f2(n)-1}
108.i1(1,2
…
n-1)＝max{0,i1(1,2
…
n-2) f1(n-1)-1}
109.i2(1,2
…
n-1)＝max{0,i2(1,2
…
n-2) f2(n-1)-1}
110.其中，i(l1)和i(l2)分别表示条件部分和执行部分的置信度，f1(n)、f1(n-1)、i1(1,2…
n-1)和i1(1,2
…
n-2)分别表示条件部分对应的置信度序列中第n个置信度值、第n-1个置信度值、前n-1个置信度值的综合值和前n-2个置信度值的综合值，f2(n)、f2(n-1)、i2(1,2
…
n-1)和i2(1,2
…
n-2)分别表示执行部分对应的置信度序列中第n个置信度值、第n-1个置信度值、前n-1个置信度值的综合值和前n-2个置信度值的综合值；
111.所述目标规则的置信度，具体通过以下公式计算：
112.p
l
＝min{1,1-i(l1) i(l2)}
113.其中，p
l
表示目标规则的置信度。
114.本发明概率软逻辑计算公式的推导过程如下：
[0115][0116][0117]
i(l1∨l2)＝min{1,i(l1) i(l2)}
[0118]
p
l
＝min{1,1-i(l1) i(l2)}
[0119]
其中，l1表示目标规则的条件部分，l2表示目标规则的执行部分，p
l
表示目标规则的置信度，∨表示“或”，表示“非”，i(l1)表示条件部分的置信度，i(l2)表示执行部分的置信度。
[0120]
本发明给出了概率软逻辑算法具体的推导公式，为实现目标规则的置信度计算提供帮助。
[0121]
在智能博弈网络中，博弈对抗的双方往往有着相反的目标，双方均通过分析对手的实体及属性特征，来制定己方的策略，进而达到己方目标；典型的智能博弈有围棋游戏、即时策略游戏、兵棋模拟推演、军事对抗等等；
[0122]
因为智能博弈网络中的智能决策存在过程复杂性高和难以理解的问题，不利于研究人员的直接解读，因此研究人员通常对智能博弈网络中的规则进行抽取，用规则去解读智能决策；这就要求确保抽取出的规则是合理的，因此本发明需要对规则进行甄别；
[0123]
假设规则1是从军事对抗场景抽取出的drl格式战法规则，规则1为“如果x是我方战斗机，y是敌机，且x与y的距离小于x的导弹射程，则x向y发射导弹”；
[0124]
以规则1为例对本发明进行说明，将规则1视为目标规则，由规则1拆分得到的条件部分l1为“如果x是我方战斗机，y是敌机，且x与y的距离小于x的导弹射程”，由规则1拆分得到的执行部分l2为“x向y发射导弹”；
[0125]
从条件部分l1抽取实体以及实体对应的属性，得到《c1，s1》，c1和s1为条件部分l1对应的实体列表和属性列表；即c1中实体包括：战斗机、敌机；s1中属性包括：距离、导弹射程；
[0126]
从执行部分l2抽取实体以及实体对应的属性，得到《c2，s2》，c2和s2为执行部分l2对应的实体列表和属性列表；即c2中实体包括导弹；s2中属性包括：发射。
[0127]
从兵力选择、弹药匹配和目标选择三个维度构建置信度计算模型，即利用xgboost树和部分专家已打分规则构建对应兵力选择模型m1、弹药匹配模型m2和目标选择模型m3；注意每个模型可能由1个cart树构成，也可能由多个cart树构成；以目标选择模型为例，影响目标选择的决策因子有目标对象、火力安排、协同情况和协同目标打击能力，因为决策因子优先级不同，可能出现优先级处于平级的决策因子，因此会生成包括不同的cart树的目标选择模型，图4是示例了目标选择模型初始决策树的结构示意图，其内包括目标和协同两棵
子树，子树的分值相加取平均得到对应模型的分数；
[0128]
《c1，s1》或者《c2，s2》分别被输入至兵力选择模型m1、弹药匹配模型m2和目标选择模型m3进行分析计算，得到《c1，s1》或者《c2，s2》对应的3个置信度分数f1，f2，f3,；
[0129]
根据概率软逻辑，最终的条件部分或执行部分置信度分数如下所示：
[0130]
m1∧m2∧m3＝max{0,max{f1 f
2-1,0} f
3-1}
[0131]
分别将条件部分和执行部分置信度分数计为i(l1)和i(l2)，则目标规则的置信度p
l
，具体通过以下公式计算：
[0132]
p
l
＝min{1,1-i(l1) i(l2)}。
[0133]
第二方面，对本发明提供的基于概率软逻辑的规则置信度计算装置进行描述，下文描述的基于概率软逻辑的规则置信度计算装置与上文描述的基于概率软逻辑的规则置信度计算方法可相互对应参照。图5示例了一种基于概率软逻辑的规则置信度计算装置的结构示意图，如图5所示，该装置包括：拆分及特征提取模块21和置信度计算模块22；
[0134]
其中，拆分及特征提取模块21，用于将目标规则拆分为条件部分和执行部分，并确定条件部分和执行部分各自对应的特征信息；置信度计算模块22，用于基于所述特征信息以及置信度计算模型，采用概率软逻辑算法，确定目标规则的置信度；其中，所述特征信息包括：实体及其对应的属性信息；所述置信度计算模型，是基于各历史规则的特征信息以及各历史规则的置信度评分训练得到的；所述目标规则/历史规则，是从智能博弈网络当前/历史的博弈对抗数据中抽取得到的。
[0135]
本发明实施例提供的基于概率软逻辑的规则置信度计算装置，具体执行上述各基于概率软逻辑的规则置信度计算方法实施例流程，具体请详见上述各基于概率软逻辑的规则置信度计算方法实施例的内容，在此不再赘述。
[0136]
本发明提供的基于概率软逻辑的规则置信度计算装置，将规则分解成条件部分和执行部分，并利用条件部分和执行部分的特征，以及基于人工经验和历史规则特征构建的置信度计算模型，完成对规则置信度的自动化计算，无需对规则置信度进行手工验证，在规则验证上更为高效，同时计算方法简单、有效且便于实施。
[0137]
第三方面，图6示例了一种电子设备的实体结构示意图，如图6所示，该电子设备可以包括：处理器(processor)610、通信接口(communications interface)620、存储器(memory)630和通信总线640，其中，处理器610，通信接口620，存储器630通过通信总线640完成相互间的通信。处理器610可以调用存储器630中的逻辑指令，以执行基于概率软逻辑的规则置信度计算方法，该方法包括：将目标规则拆分为条件部分和执行部分，并确定条件部分和执行部分各自对应的特征信息；基于所述特征信息以及置信度计算模型，采用概率软逻辑算法，确定目标规则的置信度；其中，所述特征信息包括：实体及其对应的属性信息；所述置信度计算模型，是基于各历史规则的特征信息以及各历史规则的置信度评分训练得到的；所述目标规则/历史规则，是从智能博弈网络当前/历史的博弈对抗数据中抽取得到的。
[0138]
此外，上述的存储器630中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以
使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0139]
第四方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行基于概率软逻辑的规则置信度计算方法，该方法包括：将目标规则拆分为条件部分和执行部分，并确定条件部分和执行部分各自对应的特征信息；基于所述特征信息以及置信度计算模型，采用概率软逻辑算法，确定目标规则的置信度；其中，所述特征信息包括：实体及其对应的属性信息；所述置信度计算模型，是基于各历史规则的特征信息以及各历史规则的置信度评分训练得到的；所述目标规则/历史规则，是从智能博弈网络当前/历史的博弈对抗数据中抽取得到的。
[0140]
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
[0141]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
[0142]
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，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发明各实施例技术方案的精神和范围。