伏羲实验室用户画像组开放课题
  • 概述
  • 开放研究课题
    • 游戏玩家进入的下一个游戏场景预测
    • MMORPG游戏服务器的合并模拟预测
    • 基于游戏虚拟社交空间的玩家时空序列预测
    • 基于多源数据融合的游戏玩家状态预测
    • MMORPG中的虚拟游戏道具价格预测
    • 结合因果推断的时序预测
    • 游戏玩家流失预测
    • 游戏玩家流失原因分析
    • 基于玩家角色轨迹的游戏外挂检测
    • 基于玩家社交图谱的游戏外挂检测
    • 基于玩家行为序列的游戏外挂检测
    • 基于游戏客户端截图的FPS透视挂检测
    • 在线游戏中的半监督异常交易群体检测
    • 在线游戏中的交易网络子图匹配
    • 可解释的外挂检测
    • 个性化礼包生成与个性化礼包推荐
    • 基于玩家实时交互的游戏道具推荐
    • 游戏玩家时装商品搭配推荐
    • 基于游戏社交关系的玩家-帮会关系预测
    • 基于游戏战场中行为序列的玩家竞技风格挖掘
    • 基于游戏战场中行为序列的动作价值评估
    • 面向全局优化的游戏玩家组队匹配
    • 游戏数据场景下的稳定学习框架
    • 数据众包质量控制方法研究
  • 开放工程课题
    • 模型可解释性应用Demo制作
    • 用户行为序列可视化系统Demo制作
    • 因果分析仿真环境Demo制作
    • 基于区块链技术的数据加密和流转框架Demo制作
    • 游戏联邦学习框架Demo制作
    • 画像标签体系可视化Demo制作
    • 回报分解仿真环境Demo制作
    • 用户关系图谱可视化系统Demo制作
    • 游戏AutoML框架Demo制作
  • 游戏背景知识
    • 游戏基础
    • 游戏玩法知识
    • 游戏玩家分类
    • MMORPG元素
    • CCG元素
    • SPG元素
  • 游戏数据集描述
    • 伏羲游戏数据集
    • MMORPG1
    • ACT1
    • CCG1
    • SPG1
    • TAB1
  • 高校合作申请流程
    • 高校合作申请流程
Powered by GitBook
On this page
  • 课题背景
  • 功能描述
  • 问题挑战
  • Demo评审
  • 联系人

Was this helpful?

  1. 开放工程课题

游戏AutoML框架Demo制作

课题背景

机器学习已经成为我们日常生活许多方面的重要组成部分。构建性能良好的机器学习模型是一个迭代的、复杂的、耗时的过程,然而每个游戏都有不同的设定、不同的玩法,需要高度专业化的数据科学家和领域专家。Automated machine learning(AutoML)旨在减少对数据科学家的需求,帮助自动构建机器学习模型。

功能描述

  1. 能针对多表单的游戏数据自动的建立特征集

  2. 能从特征集种自动的筛选出有效的特征

  3. 能自动的选择超参

  4. 其他更多功能

问题挑战

  1. 需要对AutoML现有方法有一个较全面的了解

  2. 如何高效的构建特征

Demo评审

  1. 功能完整性,完成功能描述所列举的功能

  2. 功能创新性,创造性设计功能描述中列举的功能,或者设计了其他创造性的功能

  3. 技术新颖性,所用技术新颖

  4. 技术难度,开发功能和使用技术具有一定的难度

联系人

有任何问题,请联系 qijiaheng@corp.netease.com

Previous用户关系图谱可视化系统Demo制作Next游戏基础

Last updated 3 years ago

Was this helpful?