一种基于MOBA类游戏技能加点的推荐方法

一种基于moba类游戏技能加点的推荐方法
技术领域
1.本发明属于电子竞技技术领域，具体涉及一种基于moba类游戏技能加点的推荐方法。


背景技术：

2.互联网的发展带来了电子游戏行业的兴盛，并使电子竞技的市场不断扩大。在各类moba类游戏中，为了保持游戏的创新度，制作方会设计具有不同特色的英雄，这些英雄之间部分存在克制关系，一旦英雄被克制将使其难以在比赛中发挥应有作用，这一点尤其体现在比赛前期即对线期。但制作方在设计英雄的同时也设计了独特的技能，对阵不同英雄时改变技能加点能使本被克制的英雄在对线时与对方形成均势甚至优势。在电子竞技赛场上经常能发现选手采用不同的加点策略来应对克制英雄的情况，这使某些英雄可以更好的度过弱势期和更早的进入强势期，进而影响比赛的胜负。因此有必要对技能加点推荐方法进行研究。现有的技能加点推荐主要由直接照搬主播与职业选手和根据使用率等方法来选取，存在较大局限性。技能加点推荐方法属于胜率预测的一部分，已有学者从战术、阵容等角度对胜率预测系统进行研究，但很少有学者从技能加点的角度对其进行研究。
3.针对胜率预测系统的研究主要分为两个方面，一种研究影响胜率因素的构成，贵州财经大学的缪辉在电子竞技《英雄联盟》制胜因素分析[d]中将logistics回归模型和决策树、随机森林、gbdt算法相结合，对英雄联盟的制胜因素进行研究，找出了影响胜率的因素，但其在使用算法的过程中没有将算法充分结合，虽然使用了多种算法，但结果都相对独立，导致结果存在误差。西北师范大学的任一彬在中国电竞英雄联盟中国队s5季中赛制胜因素分析[d]中以某一场高质量比赛为例，通过逻辑分析法和数理统计方法对影响胜率的因素进行研究，得出一定的结论，但其分析对象过于单一，使用方法简单，结果不具有普适性。另一种则针对某一因素进行详细研究，河南大学的许晨波在基于深度学习的dota2阵容推荐与胜率预测系统的研究与实现[d]中在研究dota2阵容与胜率的关系时，基于深度学习和lstm模型构建了一种基于阵容的胜率预测系统，为阵容推荐与胜利预测系统提供了新的解决方案，但其没能对玩家水平这一重要因素进行考虑，影响了预测系统的准确性。stanford university的song k在predicting the winning side of dota2[r]中构建了一种手动的胜率预测模型，这一模型主要基于逻辑回归模型，其提高了胜率预测的准确性，但其在运作时必须增加特定的英雄关系，导致模型局限性高且受主观影响。


技术实现要素：

[0004]
本发明所要解决的技术问题在于提供一种基于moba类游戏技能加点的推荐方法，本方法从补刀数、kda和防御塔摧毁度三个角度判断对线期是否取得优势，再将对线划分为优势对线和劣势对线两部分，在考虑选手水平的基础上通过关联规则算法对数据中的技能加点方案进行研究，针对两种不同情况提供不同的解决方案，在提高胜率预测系统准确性的基础上，扩展了技能推荐方法的适用范围，为提高电子竞技赛事胜率提供数据支持。
[0005]
为解决上述技术问题，本发明采用以下技术手段：
[0006]
一种基于moba类游戏技能加点的推荐方法，针对目标moba类游戏，执行以下步骤，获得在该游戏对线期内针对不同对线英雄组合中主英雄的技能加点推荐方案：
[0007]
步骤a：分别针对目标moba类游戏中的各个英雄，以英雄分别与其余各英雄之间的一一组合，得到该英雄对应的对线英雄组合集合，进而获得该目标moba类游戏的对线英雄组合集合；
[0008]
步骤b：针对该目标moba类游戏的对线英雄组合集合，采用apriori算法对其中的各对线英雄组合进行筛选，更新获得该对线英雄组合集合，进而获得各英雄分别对应的对线英雄集合；
[0009]
步骤c：分别针对各英雄，将英雄作为主英雄，该主英雄与其对应的对线英雄集合内的各英雄一一组合，得到该主英雄对应的各对线英雄组合，分别针对该各对线英雄组合，执行步骤c1至步骤c2，得到该对线英雄组合中主英雄的技能加点推荐方案，进而得到主英雄对应的各对线英雄组合中主英雄的技能加点推荐方案：
[0010]
步骤c1：基于该对线英雄组合在各局比赛中对线期内的预设对战数据，采用加权关联规则算法获得一局比赛的预设对战数据，进而得出该主英雄在该对线英雄组合中的优劣势；
[0011]
步骤c2：针对主英雄在该对线英雄组合中处于劣势情况下，基于该对线英雄组合中主英雄在各局劣势比赛中对线期内的技能加点方案，采用基于有向无环图的挖掘算法获得主英雄的技能加点推荐方案；针对主英雄在该对线英雄组合中处于优势情况下，基于该对线英雄组合中主英雄在各局优势比赛中对线期内的技能加点方案，采用基于有向无环图的挖掘算法获得主英雄的技能加点推荐方案。
[0012]
作为本发明的一种优选技术方案，所述步骤a中目标moba类游戏中的所有英雄归入集合h，h的子集为各个英雄；该目标moba类游戏的对线英雄组合集合z，(a,b)为z的子集，a和b的取值范围均为集合h。
[0013]
作为本发明的一种优选技术方案，所述步骤b中，具体过程如下：
[0014]
步骤b1：针对该目标moba类游戏的对线英雄组合集合z，舍去对线英雄组合集合z中不满足预设置信度阈值conf
min
的子集，进行剪枝操作，更新获得该目标moba类游戏的对线英雄组合集合z；
[0015]
步骤b2：针对该对线英雄组合集合z，分别将各英雄的对线英雄归入一个集合，进而获得各英雄分别对应的对线英雄集合。
[0016]
作为本发明的一种优选技术方案，所述步骤c1具体过程如下：
[0017]
分别针对各英雄，将英雄作为主英雄，该主英雄与其对应的对线英雄集合内的各英雄一一组合，得到该主英雄对应的各对线英雄组合，分别针对该各对线英雄组合，基于该对线英雄组合在各局比赛中对线期内的预设对战数据，执行以下步骤，得出该主英雄在该对线英雄组合中的优劣势；
[0018]
步骤c1.1：基于该对线英雄组合在各局比赛中对线期内的预设对战数据，建立集合c，c的子集分别为各预设对战数据；
[0019]
步骤c1.2：基于预设加权支持度阈值wsup
min
、预设加权置信度阈值wconf
min
，先对集合c进行扫描进行归一化处理得出候选频繁项集e1；随后依据预设加权支持度阈值
wsup
min
，剔除候选集e1中不满足预设加权支持度阈值wsup
min
的子集得到加权集d1；
[0020]
基于加权集d1，迭代以下步骤，直到k值为k,迭代结束，输出加权集dk，k指代子集中数据项数，k≥2，k为子集中数据项总数：
[0021]
步骤c1.2.1，基于加权集d
k-1
，利用其自连接生成候选频繁项集ek；
[0022]
步骤c1.2.2，对候选频繁项集ek以加权支持度大于预设加权支持度阈值wsup
min
为基准进行剪枝处理生成加权集dk；k值加1，进入步骤c1.2.1；
[0023]
基于加权集dk以加权支持度大于预设加权支持度阈值wsup
min
为基准进行剪枝处理生成加权频繁项集d；再将加权置信度大于预设加权置信度阈值wconf
min
的子集保留，得到包括一局比赛预设对战数据的最终频繁集p；
[0024]
步骤c1.3：基于最终频繁集p包括的预设对战数据，判断该主英雄在该对线英雄组合中的优劣势。
[0025]
作为本发明的一种优选技术方案，所述预设对战数据包括补刀数、kda、防御塔摧毁度三项指标，针对最终频繁集p，若其包括的一局比赛预设对战数据中最多一项指标主英雄为优势，则该主英雄在该对线英雄组合中为劣势；若其包括的一局比赛预设对战数据中至少两项指标为主英雄优势，则该主英雄在该对线英雄组合中为优势。
[0026]
作为本发明的一种优选技术方案，所述kda，其中k为英雄击杀数，d为英雄死亡数，a为英雄助攻数，
[0027]
kda＝(k a)/d。
[0028]
作为本发明的一种优选技术方案，所述步骤c2中针对主英雄在该对线英雄组合中处于劣势情况下，执行以下步骤，获得该对线英雄组合中主英雄的技能加点推荐方案：
[0029]
步骤c2-1-1：基于该对线英雄组合中主英雄在各局劣势比赛中对线期内各等级的技能加点方案，选取补刀数为优势的各局比赛，并基于各局比赛中的技能加点方案建立有向无环图；
[0030]
步骤c2-1-2：基于各局比赛中的技能加点方案建立的有向无环图，利用skill语言构建获得有向无环图y，先对y进行扫描；然后以置信度大于第一预设置信度阈值gconf
min
为基准进行剪枝操作；再基于第一预设支持度阈值gsup
min
，排除不符合第一预设支持度阈值gsup
min
的子集，最终得到在劣势情况下的有向无环图集合i；基于有向无环图集合i得到最终频繁集r，最终频繁集r包括的技能加点方案为该对线英雄组合中主英雄的技能加点推荐方案。
[0031]
作为本发明的一种优选技术方案，所述步骤c2，针对主英雄在该对线英雄组合中处于优势情况下，执行以下步骤，获得该对线英雄组合中主英雄的技能加点推荐方案：
[0032]
步骤c2-2-1：基于该对线英雄组合中主英雄在各局优势比赛中对线期内各等级的技能加点方案，选取预设对战数据均三项指标均为优势的各局比赛，分别针对各局比赛中的技能加点方案建立有向无环图；
[0033]
步骤c2-2-2：基于各局比赛中的技能加点方案建立有向无环图,利用skill语言构建的有向无环图x，先对x进行扫描；然后以置信度大于第二预设置信度阈值gconf
min
为基准进行剪枝操作；再基于第二预设支持度阈值gsup
min
，排除不符合第二预设支持度阈值gsup
min
的子集，最终得到在优势情况下的有向无环图集合j；基于有向无环图集合j得到最终频繁集s，最终频繁集s包括的技能加点方案为该对线英雄组合中主英雄的技能加点推荐
方案。
[0034]
作为本发明的一种优选技术方案，所述有向无环图的建立如下：针对各局比赛在对线期内各等级的技能加点方案，若在i等级有相同的加点方案则将该等级中的该加点方案标记为1，否则标记为0；标记为1的设为顶点，随后以1等级加点方案选择数最多的顶点为起始点，按照等级顺序，顺次与下一等级的各顶点相连。
[0035]
本发明的有益效果：本发明提供了一种基于moba类游戏技能加点的推荐方法，其利用关联规则算法对英雄组合、英雄克制关系和优劣势情况下的技能推荐方法进行分析研究。本专利利用apriori关联规则算法选取英雄组合，随后通过补刀数、kda和防御塔摧毁度确定对线期的优劣势情况，接着采用加权关联规则算法判断两个英雄是否处于克制关系，最后在考虑选手和玩家水平的基础上，通过dagfig关联规则算法对优势、劣势两种不同情况提供不同的技能加点推荐方案。本发明以游戏大数据为基础，采用关联规则算法，一方面可以对电子竞技的发展在一定程度上起到促进作用，另一方面可以帮助新手玩家获得更好的游戏体验，并且在提高准确性的基础上扩大了技能加点推荐方法的使用范围，为提高电子竞技赛事胜率提供数据支持。
附图说明
[0036]
图1为基于moba类游戏的技能加点推荐的方法流程图。
具体实施方式
[0037]
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
[0038]
现有技术在对本领域进行研究时，从影响因素和系统构建两个角度对moba类游戏胜率预测系统进行研究，都采用了不同的算法或方法来提高胜率预测模型的准确性。但很少有学者从英雄克制关系、技能加点等方面对胜率预测模型进行研究。此外相关学者在进行研究时多采用逻辑回归模型、深度学习算法和随机森林模型等进行研究，少有研究应用关联规则的相关算法。所以本专利从补刀数、kda和防御塔摧毁度三个角度判断对线期是否取得优势，再将对线划分为优势对线和劣势对象两部分，在考虑选手水平的基础上通过关联规则算法对数据中的技能加点方案进行研究，针对两种不同情况提供不同的解决方案，在提高胜率预测系统准确性的基础上，扩展了技能推荐方法的适用范围，为提高电子竞技赛事胜率提供数据支持。
[0039]
本发明设计的一种基于moba类游戏技能加点的推荐方法，针对目标moba类游戏，执行以下步骤，如图1所示，获得在该游戏对线期内针对不同对线英雄组合中主英雄的技能加点推荐方案，即获得在该游戏对线期内针对不同对线英雄组合中主英雄各等级的技能加点推荐方案：
[0040]
步骤a：分别针对目标moba类游戏中的各个英雄，以英雄分别与其余各英雄之间的一一组合，得到该英雄对应的对线英雄组合集合，进而获得该目标moba类游戏的对线英雄组合集合；
[0041]
一款较为成熟的moba类游戏通常拥有一百多个英雄，为了从复杂的数据中选取有
用的数据首先需建立一个数据库。所述步骤a中目标moba类游戏中的所有英雄归入集合h，h的子集为各个英雄；该目标moba类游戏的对线英雄组合集合z，(a,b)为z的子集，a和b的取值范围均为集合h，a和b分别表示游戏双方在同一位置上选用的英雄。
[0042]
步骤b：针对该目标moba类游戏的对线英雄组合集合，采用apriori算法对其中的各对线英雄组合进行筛选，更新获得该对线英雄组合集合，进而获得各英雄分别对应的对线英雄集合；
[0043]
根据英雄属性和定位的不同其在游戏中所发挥的作用不同，其常见的对线英雄也不同。因此首先需对moba类游戏中的英雄进行分类。通常moba类游戏官方会对所有英雄进行定位，但这种定位具有极大的局限性，所以采用apriori算法对其进行分析。本实施例以英雄联盟这一游戏为例。所述步骤b中，具体过程如下：
[0044]
步骤b1：针对该目标moba类游戏的对线英雄组合集合z，舍去对线英雄组合集合z中不满足预设置信度阈值conf
min
的子集，即将置信度小于预设置信度阈值的子集舍弃，进行剪枝操作，即通过频繁项集自连接生成候选项集并进行剪枝操作，更新获得该目标moba类游戏的对线英雄组合集合z；主要是使用seek_1_combination函数完成舍去其中不满足预设置信度阈值部分的操作，这一操作的主要目的为删去不具代表性的情况，后对对数据集z进行剪枝操作。
[0045]
对数据库进行处理，具体如表1所示。对对线英雄组合集合z进行分析，设置支持度阈值sup
min
为0.0003，置信度阈值conf
min
为0.02。设置支持度阈值的用处为删去不具代表性的情况提供依据。
[0046]
表1预处理数据表
[0047][0048][0049]
步骤b2：针对该对线英雄组合集合z，将各英雄的对线英雄分别归入一个集合，进而获得各英雄分别对应的对线英雄集合。
[0050]
在完成步骤b1后,数据集z中有诸多类似(a,b)这样的子集，这表示a号英雄对线的英雄为b号英雄。由此可推测对线英雄的大致范围。将第a号英雄的对线英雄用集合oa表示，以此类推。
[0051]
步骤c：分别针对各英雄，将英雄作为主英雄，该主英雄与其对应的对线英雄集合内的各英雄一一组合，得到该主英雄对应的各对线英雄组合，分别针对该各对线英雄组合，执行步骤c1至步骤c2，得到该对线英雄组合中主英雄的技能加点推荐方案，进而得到主英
雄对应的各对线英雄组合中主英雄的技能加点推荐方案：
[0052]
步骤c1：基于该对线英雄组合在各局比赛中对线期内的预设对战数据，采用加权关联规则算法获得一局比赛的预设对战数据，进而得出该主英雄在该对线英雄组合中的优劣势；
[0053]
所述步骤c1具体过程如下：
[0054]
分别针对各英雄，将英雄作为主英雄，该主英雄与其对应的对线英雄集合内的各英雄一一组合，得到该主英雄对应的各对线英雄组合，分别针对该各对线英雄组合，基于该对线英雄组合在各局比赛中对线期内的预设对战数据，执行以下步骤，得出该主英雄在该对线英雄组合中的优劣势；
[0055]
步骤c1.1：基于该对线英雄组合在各局比赛中对线期内的预设对战数据，建立集合c，c的子集分别为各预设对战数据；
[0056]
选取组合一样的情况构建数据表，优势用1表示，劣势用2表示，具体如表2所示。此时b的取值应在集合oa中。由于存在多种情况，所以采用加权关联规则算法求得最频繁集为判断标准。
[0057]
表2数据表
[0058][0059][0060]
步骤c1.2：基于预设加权支持度阈值wsup
min
为0.0003、预设加权置信度阈值wconf
min
为0.02，先对集合c进行扫描进行归一化处理得出候选频繁项集e1；随后依据预设加权支持度阈值wsup
min
，剔除候选集e1中不满足预设加权支持度阈值wsup
min
的子集得到加权集d1；
[0061]
基于加权集d1，迭代以下步骤，直到k值为k,迭代结束，输出加权集dk，k指代子集中数据项数，k≥2，k为子集中数据项总数，本实施例中k为3，包含3项预设对战数据：
[0062]
步骤c1.2.1，基于加权集d
k-1
，利用其自连接生成候选频繁项集ek；
[0063]
步骤c1.2.2，对候选频繁项集ek以加权支持度大于预设加权支持度阈值wsup
min
为基准进行剪枝处理生成加权集dk；k值加1，进入步骤c1.2.1；
[0064]
基于加权集dk以加权支持度大于预设加权支持度阈值wsup
min
为基准进行剪枝处理生成加权频繁项集d；再将加权置信度大于预设加权置信度阈值wconf
min
的子集保留，得到包括一局比赛预设对战数据的最终频繁集p；
[0065]
代码过程如下：
[0066]
输入：集合c，预设加权支持度阈值wsup
min
,预设加权置信度阈值wconf
min
[0067]
输出：频繁集p
[0068]
e1＝generate_e1(c)
[0069]
d1＝{l∈e1|wsup(d)
[0070]
while(dk》1):
[0071]ek
＝generate_ek(dk–
1)
[0072]dk
＝{l∈ek|wsup(l)}
[0073]
d＝{d1,d2…dk
}
[0074]
p＝{d|dk}
[0075]
end
[0076]
步骤c1.3：基于最终频繁集p包括的预设对战数据，判断该主英雄在该对线英雄组合中的优劣势；输出集合p，p中的子集变现为(p1,p2,p3)的形式，若其中一个及以下为1则说明处于劣势，若有两个及以上为1则说明处在优势。以此判断主英雄在对阵另外一位英雄的优劣势情况。
[0077]
对线期是否成功主要因素有等级和经济两个要素。可以将其细分为小兵击杀数及补刀数、英雄击杀数、英雄死亡数、英雄助攻数、防御塔摧毁数。由于英雄联盟拥有独特的防御塔镀层模式，所以还应该有防御塔镀层数；英雄击杀数、英雄死亡数、英雄助攻数可用kda表示，kda值越高说明取得的优势越大。其中k为英雄击杀数，d为英雄死亡数，a为英雄助攻数。
[0078]
具体计算公式为
[0079]
kda＝(k a)/d
[0080]
根据实际情况，本专利将预设对线数据其总结为补刀数，kda和防御塔镀层获取数(防御塔摧毁度)三个指标，其中防御塔镀层消失时间为14分钟。获取数为5时说明防御塔被摧毁，故在英雄联盟中可以将防御塔摧毁数和镀层归为一类。若有一个及以下成立则说明处于劣势，若有两个及以上成立则说明处在优势。
[0081]
所述预设对战数据包括补刀数、kda、防御塔摧毁度三项指标，针对最终频繁集p，若其包括的一局比赛预设对战数据中最多一项指标主英雄为优势，则该主英雄在该对线英雄组合中为劣势；若其包括的一局比赛预设对战数据中至少两项指标为主英雄优势，则该主英雄在该对线英雄组合中为优势。
[0082]
步骤c2：针对主英雄在该对线英雄组合中处于劣势情况下，基于该对线英雄组合中主英雄在各局劣势比赛中对线期内的技能加点方案，采用基于有向无环图的挖掘算法获得主英雄的技能加点推荐方案；针对主英雄在该对线英雄组合中处于优势情况下，基于该对线英雄组合中主英雄在各局优势比赛中对线期内的技能加点方案，采用基于有向无环图的挖掘算法(dagfig)获得主英雄的技能加点推荐方案。
[0083]
在英雄联盟目前版本中，第一条峡谷先锋的刷新时间为6分钟，结束时间为9分钟。在电子竞技赛场上，对线期一般在这段时间结束，主要英雄在这时大都在7级，所以本实施例只选取英雄在前7级的情况。
[0084]
针对主英雄在该对线英雄组合中处于劣势情况下，执行以下步骤，获得主英雄的技能加点推荐方案：
[0085]
在英雄被克制和双方技能水平相同的情况下很难保证在各个方面都处于优势，因此在劣势情况下主要以保证补刀数为主，高的补刀数能保证英雄不用花费较长时间对对线期的劣势进行弥补，使其在接下来的游戏进程中能更快的发挥作用。
[0086]
步骤c2-1-1：基于该对线英雄组合中主英雄在各局劣势比赛中对线期内的技能加点方案，选取补刀数为优势的各局比赛，并基于各局比赛中的技能加点方案建立有向无环图；
[0087]
针对各局比赛在对线期内各等级的技能加点方案，若在i等级有相同的加点方案则将该等级中的该加点方案标记为1，否则标记为0；若为1则设为1个顶点继续下一等级，否则从i 1等级重新开始直到流程结束；标记为1的设为顶点，随后以1等级加点方案选择数最多的顶点为起始点，按照等级顺序，顺次与下一等级的各顶点相连，若为0则不进行操作。
[0088]
建立数据集，具体格式如表3所示。此时b的取值应在集合oa中。
[0089]
表3数据表
[0090]
比赛局数英雄组合补刀数c1技能加点方案1a,b11,2,1,2,1,4,32a,b12,1,1,2,1,4,33a,b11,2,3,1,1,4,24a,b12,1,2,1,2,4,25a,b13,1,1,2,1,4,26a,b11,2,1,2,1,4,37a,b11,2,1,2,1,4,3
…………
[0091]
步骤c2-1-2：设置第一预设支持度阈值gsup
min
为0.0003，第一预设置信度阈值gconf
min
为0.02，基于各局比赛中的技能加点方案建立的有向无环图，利用skill语言构建获得有向无环图y，先对y进行扫描；然后以置信度大于第一预设置信度阈值gconf
min
为基准进行剪枝操作；再基于第一预设支持度阈值gsup
min
，排除不符合第一预设支持度阈值gsup
min
的子集，最终得到在劣势情况下的有向无环图集合i；基于有向无环图集合i得到最终频繁集r，最终频繁集r包括的技能加点方案为主英雄在对线期内的技能加点推荐方案。
[0092]
i为单个有向无环图,i为此种情况下，即这一组合分析结果产生的有向无环图分解后产生的有向无环图的集合，每一个子集可以清晰的反映每一级的情况。即r的表现形式为r1,
…
,r7，此为最后输出的技能加点方案。
[0093]
代码过程如下：
[0094]
输入：根据skill构建的有向无环图y，预设支持度阈值gsup
min
，预设置信度阈值gconf
min
[0095]
输出：频繁项集r
[0096]
for skilli in y
[0097]
if skilli.weight《remove skill
[0098]
while has skilli in y
[0099]
put{skill,skilli}in r
[0100]
set{skill,skilli}.weight＝skilli.weight
[0101]
while has skill(i1,
…in
)in y
[0102]
skill(i).weight＝min(skill(i1),
…
,skill(in))
[0103]
put{skill,skill(i1),
…
skill(in)}in r
[0104]
set{skill,skill(i1),skill(i
n)
}.weight＝skill(i).min_weight
[0105]
end
[0106]
针对主英雄在该对线英雄组合中处于优势情况下，执行以下步骤，获得主英雄的技能加点推荐方案：
[0107]
在同等水平下，优势对线能获取更多的经验和经济。所以选择三项指标皆为1，即优势的情况进行分析。
[0108]
步骤c2-2-1：基于该对线英雄组合中主英雄在各局优势比赛中对线期内各等级的技能加点方案，选取预设对战数据均三项指标均为优势的各局比赛，分别针对各局比赛中的技能加点方案建立有向无环图；
[0109]
针对各局比赛的技能加点方案，若在i等级有相同的加点方案则将其标记为1，否则标记为0，若为1则设为1个顶点继续下一等级，否则从i 1等级重新开始直到流程结束；随后以1等级加点选择数最多的点为起始点，对标记为1的部分构建顶点，并与上一顶点相连，若为0则不进行操作。
[0110]
建立数据集，具体格式如表4所示。此时b的取值应在集合oa中。
[0111]
表4数据表
[0112][0113][0114]
步骤c2-2-2：设置第二预设支持度阈值gsup
min
为0.0003，第二预设置信度阈值gconf
min
为0.02,基于各局比赛中的技能加点方案建立有向无环图,利用skill语言构建的有向无环图x，先对x进行扫描；然后以置信度大于第二预设置信度阈值gconf
min
为基准进行剪枝操作；再基于第二预设支持度阈值gsup
min
，排除不符合第二预设支持度阈值gsup
min
的子集，最终得到在优势情况下的有向无环图集合j；基于有向无环图集合j,得到包括一局比赛技能加点方案的最终频繁集s，最终频繁集s包括的技能加点方案为主英雄在对线期内的技能加点推荐方案。
[0115]
j为单个有向无环图，j为此种情况下，即这一组合分析结果产生的有向无环图分解后产生的有向无环图的集合，每一个子集可以清晰的反映每一级的情况。即s的表现形式为s1,
…
,s7，此为最后输出的技能加点方案。
[0116]
代码过程如下：
[0117]
输入：根据skill构建的有向无环图x，预设支持度阈值gsup
min
，预设置信度阈值gconf
min
[0118]
输出：频繁项集r
[0119]
for skillj in x
[0120]
if skillj.weight《remove skill
[0121]
while has skillj in x
[0122]
put{skill,skillj}in s
[0123]
set{skill,skillj}.weight＝skillj.weight
[0124]
while has skill(j1,
…jn
)in x
[0125]
skill(j).weight＝min(skill(j1),
…
,skill(jn))
[0126]
put{skill,skill(j1),
…
skill(jn)}in s
[0127]
set{skill,skill(j1),skill(jn)}.weight＝skill(j).min_weight
[0128]
end
[0129]
每个主英雄分别对应的每一种劣势情况对应的技能加点推荐方案，以及每一种优势情况对应的技能加点推荐方案，组成的集合分别为各主英雄分别对应推荐方案的集合。
[0130]
本发明设计了一种基于moba类游戏技能加点的推荐方法，其利用关联规则算法对英雄组合、英雄克制关系和优劣势情况下的技能推荐方法进行分析研究。本专利利用apriori关联规则算法选取英雄组合，随后通过补刀数、kda和防御塔摧毁度确定对线期的优劣势情况，接着采用加权关联规则算法判断两个英雄是否处于克制关系，最后在考虑选手和玩家水平的基础上，通过dagfig关联规则算法对优势、劣势两种不同情况提供不同的技能加点推荐方案。本发明以游戏大数据为基础，采用关联规则算法，一方面可以对电子竞技的发展在一定程度上起到促进作用，另一方面可以帮助新手玩家获得更好的游戏体验，并且在提高准确性的基础上扩大了技能加点推荐方法的使用范围，为提高电子竞技赛事胜率提供数据支持。
[0131]
以上所述仅为本发明的较佳实施例而已，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、等同替换和改进等，均应包含在本发明的保护范围之内。