一种利用AIGC技术的多结局创意社交游戏的创作方法

摘要

本发明提供一种利用AIGC技术的多结局创意社交游戏的创作方法，所述创作方法包括以下步骤：获取流程背景数据以及一个或以上参与者的基本数据；持续评估参与者对流程背景数据的认知程度；持续评估参与者在游戏流程中的表现数据，所述表现数据包括身体状态、认知能力以及个性风格，从而评估每个参与者的优势指数；根据以上表现数据，生成流程的后续内容。其中，所述创作方法包括根据参与者的优势指数改变后续游戏情节的难度设置；并且所述创作方法还包括建立基于参与者的个人模型，用于在生成后续游戏情节时，以参与者群体的个人模型配合生成的情节进行模拟互动演算，从而评价该生成情节的可行性。

说明书

技术领域

本发明涉及人工智能处理设备领域。具体而言，涉及一种利用AIGC技术的多结局创意社交游戏的创作方法。

背景技术

AIGC（Artificial Intelligence Generated Content）是人工智能生成内容的缩写，可以用于创造各种内容，包括文字内容、影像图画、音乐；同时基于其对影像图画的创造能力，还可以利用其进行人物形象。通过机器学习和深度学习算法，AIGC可以生成具有逼真外表和行为的人物形象。这种技术可以用于电影、游戏、广告、动画等领域，可以节省制作成本和时间。AIGC的创作技术的利用将对以往只设定为固定结局或者有限性结局的游戏产生革命性的改变；这将使得游戏的结局将具有丰富的变化，并使游戏的可玩性以及新鲜感将持续保持，大大提升了人们的游戏感受和社交作用。

根据已公开的技术方案，公开号为KR102496362B1的技术方案提出一种基于人工智能的视频内容制作系统，其通过应用人工智能技术使视频内容制作过程的特定部分自动化，允许通过向系统输入视频的部分内容，由系统生成后续的多段连续内容；公开号为US2023027530A1的技术方案提出一种基于人工智能引擎协助创建产品描述的系统，通过输入产品的完整数据，由系统生成对产品的完整的名字描述，提高了相关技术人员的工作效率；公开号为CN115510149A的技术方案提出一种基于人工智能的大数据挖掘方法及系统，该方法对没有实质性用户行为内容的流量用户行为大数据进行干扰可以避免后续的用户行为大数据分析过程，将目标行为大数据加载到用户兴趣挖掘网络中；在此基础上，解决了传统方案中数字虚拟空间交互日志信噪比低，后续用户行为大数据分析不便的问题，使用户更准确可靠通过数据质量更好的数字虚拟空间交互日志可以实现兴趣挖掘，提高用户体验，并且提高了用户行为大数据的分析时效性。

以上技术方案均提及到了利用人工智能技术识别外部用户或物体的数据，并进行进一步的创作；然而目前较少提及利用人工智能创作技术对于游戏特别是社交游戏的内容上进行即时的演算和创作，该领域的技术方案还有待发掘。

背景技术的前述论述仅意图便于理解本发明。此论述并不认可或承认提及的材料中的任一种公共常识的一部分。

发明内容

本发明的目的在于，提供一种利用AIGC技术的多结局创意社交游戏的创作方法，所述创作方法包括以下步骤：获取流程背景数据以及一个或以上参与者的基本数据；持续评估参与者对流程背景数据的认知程度；持续评估参与者在游戏流程中的表现数据，所述表现数据包括身体状态、认知能力以及个性风格，从而评估每个参与者的优势指数；根据以上表现数据，生成流程的后续内容。其中，所述创作方法包括根据参与者的优势指数改变后续游戏情节的难度设置；并且所述创作方法还包括建立基于参与者的个人模型，用于在生成后续游戏情节时，以参与者群体的个人模型配合生成的情节进行模拟互动演算，从而评价该生成情节的可行性。

本发明采用如下技术方案：

一种利用AIGC技术的多结局创意社交游戏的创作方法，所述创作方法包括执行以下步骤：

获取流程背景数据以及一个或以上参与者的基本数据；

持续评估参与者对流程背景数据的认知程度；

持续评估参与者在游戏流程中的表现数据，所述表现数据包括身体状态、认知能力以及个性风格，从而评估每个参与者的优势指数Avt；

根据以上表现数据，生成后续流程的具体情节；

其中，优势指数Avt的计算方式为：

，式1；

式1中，选取参与者共I项表现数据，并对第i项的评估数值q

并且，所述创作方法包括根据多个参与者的优势指数Avt的平均值E(Avt)以及标准差σ(Avt)计算后续流程的难度Diff，即：

，式2；

式2中，k为标准差系数；通过式2的计算，基于多个玩家的优势指数的平均值及标准差对Diff的数值进行调整，k的数值由相关游戏设计人员进行设置；所述创作方法基于Diff的数值设定游戏后续流程的难度并进行相应的创作，Diff数值越大表示对应的游戏后续流程的难度越大；

优选地，所述创作方法包括根据参与者的所述表现数据，为每个参与者生成个人模型；所述个人模型模拟参与者的能力和个性表现；

并且，所述创作方法还包括通过将多个参与者的所述个人模型进行模拟互动，从而模拟产生后续流程的多个候选情节；

并且，所述创作方法还包括评估多个所述候选情节，并且从多个所述候选情节中选择一个或以上候选情节作为后续流程的正式情节向参与者发布；

优选地，所述创作方法包括由参与者设定在创作后续流程内容中不允许涉及的内容，以此避免引起参与者在游戏过程中的反感情绪；

优选地，所述创作方法包括指定一个或者以上的参与者作为所述创作方法的评估对象，同时忽略其余参与者；

优选地，提出一种应用所述创作方法的创作系统；所述创作系统包括一个或以上的处理器和存储器，并且处理器和存储器分别配置于运行生成模块和判别模块；其中

所述生成模块，用于生成流程的后续内容；

所述判别模块，用于评估流程的后续内容的逻辑合理性，并且评估参与者的完成度以及满意度的可能性；

优选地，所述创作系统包括配置有监测装置，用于采集参与者的生理状态数据；所述监测装置包括采用非接触式传感器和/或接触式传感器。

本发明所取得的有益效果是：

本发明的创作方法使其创作的游戏区别于以往游戏的流程设置单有固定情况内容或者为数不多的几个可变化的情节，通过使用AIGC技术创作的情节使参与者即使多次参与游戏仍可以获得具有差异的体验；

本发明的创作方法通过获得参与者在游戏过程中的数据，评估参与者的多项表现，为AIGC系统提供信息输入从而创作适合性当前参与者群体的情节；

本发明的创作方法通过建立参与者的个人模型，并使用参与者的个人模型进行对其创作的游戏情节进行模拟，验证游戏情节对于当前参与者群体的可玩性和适应性，更进一步优化对不同玩家的游戏情节合理创作；

本发明的创作系统中各软、硬件部分采用了模块化设计，方便今后的升级或者更换相关的软、硬件环境，降低了使用的成本。

附图说明

从以下结合附图的描述可以进一步理解本发明。图中的部件不一定按比例绘制，而是将重点放在示出实施例的原理上。在不同的视图中，相同的附图标记指定对应的部分。

图1为本发明实施例中所述创作方法的步骤示意图；

图2为本发明实施例中所述创作系统的示意图；

图3为本发明实施例中对参与者进行监测的示意图。

附图标号说明：12-计算设备；14-处理器；16-易失性存储器；18-输入/输出模块；20-总线；24-非易失性存储器；26-深度学习神经网络；28-生成模块；30-判别模块；40-监测装置；301-参与者的面部图像；302-接触式监测装置。

具体实施方式

为了使得本发明的目的技术方案及优点更加清楚明白，以下结合其实施例，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于解释本发明 ，并不用于限定本发明。对于本领域技术人员而言，在查阅以下详细描述之后，本实施例的其它系统、方法和/或特征将变得显而易见。旨在所有此类附加的系统、方法、特征和优点都包括在本说明书内。包括在本发明的范围内，并且受所附权利要求书的保护。在以下详细描述描述了所公开的实施例的另外的特征，并且这些特征根据以下将详细描述将是显而易见的。

本发明实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中，需要理解的是，若有术语“上”、“下”、“左”、“右”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或组件必须具有特定的方位。以特定的方位构造和操作，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本专利的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。

实施例一：

如附图1所示，一种利用AIGC技术的多结局创意社交游戏的创作方法，所述创作方法包括执行以下步骤：

获取流程背景数据以及一个或以上参与者的基本数据；

持续评估参与者对流程背景数据的认知程度；

持续评估参与者在游戏流程中的表现数据，所述表现数据包括身体状态、认知能力以及个性风格，从而评估每个参与者的优势指数Avt；

根据以上表现数据，生成后续流程的具体情节；

其中，优势指数Avt的计算方式为：

，式1；

式1中，选取参与者共I项表现数据，并对第i项的评估数值q

并且，所述创作方法包括根据多个参与者的优势指数Avt的平均值E(Avt)以及标准差σ(Avt)计算后续流程的难度Diff，即：

，式2；

式2中，k为标准差系数；通过式2的计算，基于多个玩家的优势指数的平均值及标准差对Diff的数值进行调整，k的数值由相关游戏设计人员进行设置；所述创作方法基于Diff的数值设定游戏后续流程的难度并进行相应的创作，Diff数值越大表示对应的游戏后续流程的难度越大；

优选地，所述创作方法包括根据参与者的所述表现数据，为每个参与者生成个人模型；所述个人模型模拟参与者的能力和个性表现；

并且，所述创作方法还包括通过将多个参与者的所述个人模型进行模拟互动，从而模拟产生后续流程的多个候选情节；

并且，所述创作方法还包括评估多个所述候选情节，并且从多个所述候选情节中选择一个或以上候选情节作为后续流程的正式情节向参与者发布；

优选地，所述创作方法包括由参与者设定在创作后续流程内容中不允许涉及的内容，以此避免引起参与者在游戏过程中的反感情绪；

优选地，所述创作方法包括指定一个或者以上的参与者作为所述创作方法的评估对象，同时忽略其余参与者；

优选地，提出一种应用所述创作方法的创作系统；所述创作系统包括一个或以上的处理器和存储器，并且处理器和存储器分别配置于运行生成模块和判别模块；其中

所述生成模块，用于生成流程的后续内容；

所述判别模块，用于评估流程的后续内容的逻辑合理性，并且评估参与者的完成度以及满意度的可能性；

优选地，所述创作系统包括配置有监测装置，用于采集参与者的生理状态数据；所述监测装置包括采用非接触式传感器和/或接触式传感器；

以下分别说明本创作方法的实施方式的各方面：

（1）关于社交游戏：

本发明所述的创作方法应用于一种社交游戏，该社交游戏属于一种角色扮演类型的游戏，通常由多名参与者共同进行游戏；游戏设置有一个故事背景（或称为剧本），每位参与者会被分配一个角色并收到该角色的角色说明书，其中包括了关于这个角色的背景故事、性格特征以及目标任务等信息；游戏的目的，在于参与者需要在游戏中扮演自己的角色，与其他参与者互动、猜测，通过发现故事中更多的线索，推进游戏流程并最终完成任务；在游戏过程中，参与者需要进行互相交流和逻辑推理，发现游戏中参与者的具体身份或者隐藏的故事情相；

在此过程中，社交游戏可以设置一名主持人角色，该主持人可以了解或者部分了解故事背景的全部情节，并且还负责在游戏的整个流程中，向部分或全部参与者发布游戏的内容、安排、阶段任务等信息；角色说明书和主持人提供的线索是参与者们完成任务的关键；因此，参与者们需要仔细阅读自己角色的说明书并与其他参与者合作推理，从而慢慢揭开故事的真相；

通常地，游戏分为多个阶段，每个阶段都有特定的目标和任务，如角色介绍、参与者陈述、调查线索、解决谜题、辩论等；通过完成不同的任务，参与者们在每个阶段可以获得相应的游戏评价，以细化游戏中参与者的各阶段表现；

上述故事背景、角色说明书、线索等文字材料，由技术人员编制为所述流程背景数据，并且输入并存储于所述创作系统，由所述创作系统中基于深度学习神经网络进行学习和处理后，可以反复进行应用；

（2）关于创作系统：

如附图2所示，示出了所述创作系统的一个示例性的架构示意图；所述创作系统包括计算设备12，该计算设备12包括处理器14、易失性存储器16、输入/输出模块18和非易失性存储器24；非易失性存储器24用于存储所述创作系统所需的数据、应用程序或其他必要的信息；其中，所述应用程序包括用于所述创作系统评估参与者能力值、生成后续流程时所需要用到的任何算法、程序；并且优选地，所述应用程序中包括用于运行基于AIGC技术的深度学习神经网络26；所述生成模块以及所述判别模块基于该深度学习神经网络26进行所述创作系统对于后续流程内容的生成步骤；并且所述深度学习神经网络26以计算设备12作为运行的硬件主体进行工作；

并且在一些实施方式中，应用所述深度学习神经网络26，对流程背景数据以及参与者的基本数据进行学习、分析、理解；

进一步的，计算设备12中包括通信总线20，其可以将处理器14、输入/输出模块18和易失性存储器16可操作地耦合到非易失性存储器24；虽然所述深度学习神经网络26描述为托管（即，执行）在一个计算设备12处，但是应当理解，深度学习神经网络26可替代地跨多个计算设备托管，计算设备12通过网络通信耦合到其他多个计算设备；

其中，处理器14是微处理器，其可以为包括中央处理单元（CPU）、图形处理单元（GPU）、专用集成电路（ASIC）、片上系统（SOC）、现场可编程门阵列（FPGA）、逻辑电路或被配置为执行本文所述的功能的其他合适类型的微处理器中的一个或多个；

进一步的，易失性存储器16可以为例如随机存取存储器（RAM）、静态随机存取存储器（SRAM）、动态随机存取存储器（DRAM）等，其仅在程序执行期间临时存储数据，并且在停止电源电力支持后失去存储功能；在一些示例中，可以使用非易失性随机存取存储器（NVRAM）；

优选地，非易失性存储器24是即使在没有外部施加电源的情况下也能保持指令存储数据的存储器，例如闪存、硬盘、只读存储器（ROM）、电可擦可编程存储器（EEPROM）等；在非易失性存储器24中包括用于所述创作系统完成本文所述操作的指令的程序，以及这些程序使用的足以执行本文所述操作的数据，例如存储本文上述的流程背景数据以及参与者的基本数据，以及所述创作系统在创作过程中所生成的所述个人模型；

在一些实施方式中，输入/输出模块18可以连接到输入设备，如键盘、鼠标、录音/录像设备等，参与者和主持人通过输入设备对所述创作系统输入如文字、视频、音频等型式的信息；

在一些实施方式中，输入/输出模块18可以连接到输出设备，例如显示器、音响、灯光或者其他可用于显示信息的物件中；多位参与者可以通过共用一套输出设备接收来自所述创作系统的输出信息，或者为每位参与者配置诸如平板电脑或者移动电话等个人设备，接收由所述创作系统发送的不能公开的私密信息；在此不作具体运作方式的限定；

基于以上硬件以及软件设置，计算设备12执行人工智能计算，以实现人工智能生成内容（AIGC）的运算平台；

进一步的，所述监测装置包括应用非接触式的传感器，对参与者进行信息采集；其中，

在一些实施方式中，包括应用光学影像传感器采用参与者进行游戏时的画面信息；

在一些实施方式中，包括应用声音传感器，采用参与者在进行游戏时的声音信息，包括参与者之间的对话，和/或参与者所处环境中的物件声音；

在一些实施方式中，包括应用红外线传感器，以监测参与者在过程中的体温变化，或者呼吸变化等；

更多的实施方式中，可以包括更多的非接触式监测装置，并且将这些监测装置配合应用；

另一方面，所述监测装置还包括应用接触式的传感器；所述接触式的传感器可以佩戴性参与者手腕部的手环式装置、或者附着或接触于参与者身体部位的装置，通过光学、微电流、红外线、振动等方法，监测并采集参与者的脉搏、血压、呼吸频率、体温中的一项或多项数据；如附图3中，参与者通过佩载于手腕接触式监测装置302，可用于监测该参与者的生理数据，并且还包括对该参与者进行声音捕获，以生成该参与者在游戏流程中的语音数据；

上述非接触式/接触式传感器可以与所述创作系统通过有线或无线形式的通讯连接后，发送对参与者的监测数据；

在一些实施方式中，应用于人工智能的自然语言处理技术，用于对文字材料分析；其方法或原理包括以下几个步骤：

文本分析：通过分词、词性标注、命名实体识别等技术，将一段文字材料进行分析，提取出其中的人物名字、行为、情感等相关信息；

实体识别：根据文本中的实体信息，识别出其中的人物实体，并进行实体关系抽取。通过分析人物之间的关系，可以进一步了解他们之间的互动关系、性格特征等；

情感分析：通过对文本中的情感词汇进行识别和分析，了解人物的情感倾向和情绪状态，包括情感正负、强度、极性等；

特征提取：根据文本中提取出的人物信息和情感特征，对人物形象的各种特征进行提取，包括外貌、性格、经历、社会地位等；

数据挖掘：将提取出的特征进行归纳和分析，得出参与者的多个评估数值；其中，文字材料包括直接向所述创作系统输入的文字类数据，或者通过将音频信息转换为文字信息的方法获得；

进一步的，在一些实施方式中，可以通过人工智能分析图像资料中的人物的特征，其中的技术包括目标检测、人脸检测、人脸识别、面部表情识别、姿势估计等等；目标检测技术可以识别图像中的人物，标记出他们的位置；人脸检测技术可以进一步检测人物的面部，定位并提取出面部特征；人脸识别技术可以将图像中的人物与预先标记的人物库进行匹配，确定他们的身份；面部表情识别技术可以分析人物的表情，推断出他们的情绪状态；姿势估计技术可以检测人物的身体姿势，推断他们的动作或状态；如附图3中所示，对于参与者的面部图像301进行捕获，并且进一步分析其面部特征；

上述的技术可以单独或结合使用，根据不同的应用场景和需求，对参与者在游戏流程中多个特征进行分析和识别；例如，可以使用人脸识别技术从画面中的多个人物中确定目标人物的位置并进行持续关注；或者，可以使用面部表情识别技术来确定人物对某个场景、事件或物件的情感反应；或者，可以使用姿势估计技术来识别目标人物的动作，进行相应的响应和控制；

进一步的，人工智能分析图像资料主要使用的计算机视觉技术，包括但不限于以下几种：

物体检测：通过训练模型，识别图像中的物体，通常使用的算法有RCNN、FastRCNN、Faster RCNN、YOLO等；

人脸识别：通过人脸检测、对齐、特征提取等技术，将图像中的人脸与数据库中的人脸进行比对，以确定身份；

姿态估计：通过对图像进行解析，推断出人物的姿势信息，可以用于动作识别、人体分割等应用；

人体分割：将图像中的人物和背景进行分离，以便更好地理解人物的位置、形状等信息；

行为识别：通过视频分析，提取出人物的运动轨迹、姿势等信息，识别出人物的行为，常用的算法有CNN、LSTM等；

目标跟踪：通过追踪图像序列中的物体，推断出物体的位置、速度等信息，以实现目标跟踪的功能；

这些技术通常需要大量的数据和计算资源来训练模型和进行分析，并以此形成应用于识别模型，以识别在多种类型信息中的参与者的多个特征，以及对这些特征进行量化以产生对深度神经网络中多个参数及其权重的调节；

所述创作系统将持续在游戏流程中对参与者们的表现和状态进行分析，其中包括：

性别、年龄、面部特征、包括服装和服饰，还可以包括姿势和表情，例如微笑、愁眉苦脸等；这些特征可以通过向AIGC提供图像数据集和标签信息来训练识别模型；识别模型可以学习这些特征，并且识别这些特征所代表的程度，例如微笑或大笑；

其中，还包括，通过对参与者的语言表达的流畅程度，判断该参与者的思维清晰程度；包括识别参与者的发言中，是否提及到当前阶段的关键字，以判断线索是否被正确理解或者进一步的被利用；

同时，包括获取参与者的生理状态，例如在各个环节中的脉搏、呼吸、血压等数值，判断该参与者的心理状态是否出现恐惧、慌乱，或者保持着良好的精神状态；

所述创作系统通过以上对参与者在游戏流程中的持续监测，可以评估参与者的多个能力数值，例如包括逻辑推理能力、数理思维、常识、语言能力、交流能力，并且还可以包括：压力承受能力、专注度等心理能力；

并且将这些能力进行量化后，进行数据整理归一化处理，从而作为式1 的输入值进行计算；

关于创作内容：

基于AIGC技术的内容创作，主要是利用人工智能技术中的自然语言处理（NLP）和生成模型（generative model）来实现，过程中包括：

数据收集：首先需要收集大量的文本数据，例如新闻、小说、诗歌等；这些数据将作为AIGC系统训练的语料库；

训练模型：通过对语料库的训练，AIGC系统可以学习到语言的规律和结构，并生成一个能够生成类似于语料库的文本的生成模型；

创作内容：在创作内容时，用户可以输入一些关键词、句子或段落等作为创作的起点，AIGC系统根据这些输入的内容，使用生成模型生成与之相关的文本内容；

评估和改进：评估可以采用人工阅读的方式，或者使用机器评估的方式，例如利用自然语言处理技术中的语言模型来评估生成的文本内容的流畅度、准确度等指标；根据评估结果，AIGC系统可以对生成模型进行改进，提高生成的文本质量；

在一些实施方式中，所述深度学习神经网络26包括两个主要组成部分，即生成模块和判别模块；生成模块利用随机噪声或其他输入数据作为输入，生成后续的流程内容；判别模块则评估生成模块产生的内容的多个方面，从而提供反馈信息来指导生成模块生成更好的内容；在训练过程中，这两个组件不断迭代优化，直到生成模块可以产生逼真的艺术作品为止；

基于以上原理，所述创作系统通过将流程背景数据、参与者的基本数据、参与者在游戏过程中产生的互动数据作为系统的输入信息，从而生成游戏流程的后续内容；

关于优势指数Avt以及难度Diff的数值；

社交游戏的参与者各自的水平以及能力各不相同，亦由这些能力所产生的在具体游戏中的影响亦不尽相同；因此引入优势指数Avt的计算，用于评判参与者在具体游戏中的实际表现；Avt的计算方法为：

，式1；

上式中，通过将参与者的共I项表现数据以及对应每项表现数据的权重进行累积计算，可以评判参与者的游戏能力，亦即其在该游戏中的优势程度；

其中一个方面，所述创作系统需要对参与者对游戏的流程背景数据的认知程度作出评估；由于该类型的社交游戏为连续流程，因此参与者若对游戏的流程背景数据的认知具有偏差，例如对背景故事、个人角色的理解存在偏差，或者对关键事件的记忆出现偏差，则会明显影响游戏的后续发展；因此，需要持续评估参与者对流程背景数据的认知程度；

在一些实施方式中，包括在游戏的正式开始前，采用文字和口头的提问，了解参与者的认知程度；而在一些实施式中，可以在游戏的初始阶段，通过流程推通参与者们的互动对话，并在对话中了解参与者当前对于流程背景数据的认知程度；

进一步的，关于对参与者共I项表现数据的选取方式：

对于不同的游戏类型，例如推理类的游戏，则强调个人的逻辑推理能力以及思维的清晰程度，而对于合作任务类的游戏，则强调多人的合作交流以及游戏中的个人情绪把握；因此，对于不同的游戏，可以选取的共I项的表现数据的项目亦具有差异；

在一些实施方式中，对于推理类游戏，可以选取参与者的脉搏、血压等生理指标，配合参与者的语音连惯性、表达中提及的关键字的频率、注意力程度等表现数据；

在一些实施方式中，对于合作任务类游戏，可以选取参与者的互动频率、与其他参与者的用语、表情（例如笑、忧愁）、动作（点头认可或消极反应）的频次作为表现数据；

进一步的，基于参与者的优势指数Avt，可以进一步地指导创作后续流程内容的难度；对于优势指数Avt较高的参与者，相应的可以设置更难的谜题或者更复杂的逻辑推理陈述；相对的，对于优势指数Avt较低的参与者，则应降低游戏难度；

关于难度Diff的计算式：

，式2；

通过式2可知，以参与者们的优势指数的平均值作为难度Diff的其中一项考量数据；若参与者们的能力较强，则可以进一步加大游戏的难度，因此在后续的流程创作中，则基于该加大后的难度作为前提进行；相对的，则降低游戏的难度；

另一方面，以参与者们的优势指数的标准差作为偏置项调整游戏的难度；若参与者们的优势指数的偏差较大，即参与者们的能力差异大，则其标准差较大，将使Diff的数值相应降低；相反之，若参与者们的能力差异不大，标准差较小，则基本以参与者们的优势指数的平均值作为Diff的主要考量；

对于难度Diff，根据游戏本身的设计，可以设定Diff的下限值Diff

同时，利用标准差系数k调整优势指数的标准差的影响程度；k的数值可以根据具体游戏而设定，并且要求k≥0；在一些应用例子中，例如对于逻辑推理类游戏，若参与者们的能力差异较大，将明显影响游戏的推进，因此可以设定较高的k的数值；

例如，以下情况可以适当地提高后续流程的难度，以及创作更为复杂的流程和结局：

参与者能够良好地对故事背景进行理解、运用；

参与者具有丰富知识储备；

参与者们能够良好地进行交流并进行信息共享；

游戏进度超前，多个关键线索被发现；

而另一方面，当以下情况出现时，则相应地创作更为简单、轻松的流程和结局：

参与者知识储备不足；

参与者疲倦程度较高；

参与者们交流冷淡；

参与者们无法发现故事中的重要线索；

因此，即使在相同的故事背景和人物设定下，由AIGC创作的后续流程可以具有多个变化，并且根据参与者的差异，生成具有适合难度和高趣味性的流程和结局，明显增加了游戏可玩性以及参与者们的新鲜感。

实施例二：

本实施例应当理解为至少包含前述任意一个实施例的全部特征，并在其基础上进一步改进：

进一步的，为优化所述创作系统能够基于参与者具体情况进行创作并生成后续游戏流程，因此提出关于参与者的个人模型的建立；利用深度学习神经网络26通过分析大量的样本数据，学习到潜在的模式和规律，并建立用于模拟参与者人物特性的个人模型；

具体的生成过程可以分为以下几个步骤：

数据采集：通过游戏数据、问卷调查等方式，收集参与者的相关信息和表现数据；这些数据可以包括参与者的行为轨迹、游戏成绩、心理状态等；

数据处理：对采集到的数据进行清洗、预处理和特征提取等操作，得到参与者的行为特征和能力特征等信息；这些特征可以通过机器学习、自然语言处理等技术进行处理和提取；

建立个人模型：将处理后的数据用于训练，建立个人模型；所述个人模型可以采用各种机器学习、深度学习等方法建立，根据需要可以采用不同的模型结构和算法；其中所述个人模型具有多项参数；这些参数包括用于描述参与者的能力，例如智商、反应能力、专注能力、表达能力等等；另外，这些参数还包括用于描述参与者的个性，例如乐观/悲观、好动/平静、独立/从众个性等等；进一步，这些参数还可以包括用于描述两个或多个参与者之间的密切程度或者相互关系；个人模型的建立后，可以将参与者的特性进行数据化的映射，并使用深度学习神经网络26进行运算；

通过将生成的多个后续流程的数据输入这些个人模型后，通过深度学习神经网络的运算，可以获得对应的多个输出；这些输出指示出参与者对于输入的运算结果，可以理解为参与者对于后续流程的感受反应的结果；

模型优化：通过反复测试和优化，不断提升模型的准确性和鲁棒性，使其更好地反映参与者的特点和表现；

个性化生成：基于参与者的个人模型，利用自然语言生成等技术生成对应的个性化文本、对话等内容，以更好地模拟参与者的性格和表现；

进一步的，所述创作系统在生成游戏的后续流程后，需要验证其可行性，评估其对于当前参与者们中进行时的表现；将参与者们进行生成数据化的个人模型，并且使用这些个人模型在创作系统内部进行模拟互动；

在一种实施方式中，将生成的多个流程结局作为输入，并使用多个参与者的个人模型产生互动场景，多数地进行模拟试验；例如生成了流程A、B、C后，对三个流程分别进行1000次的模拟互动，评估每次模拟互动过程中以及互动后，每个参与者的个人模型的状态以及流程的推进程度；例如：参与者是否愉悦以及感到愉悦的参与者的比例，或者由于难度太大使参与者产生厌恶，或者由于参与者们的互动不足无法推进游戏等；

通过使用个人模型可以在所述创作系统的内部快速地进行大量模拟试验，以验证游戏的进行流程是否达到预期，或者参与者们是否达到一定的愉悦程度，等等；

并且，参与者们可以预先设置其需求的流程的风格，例如强调悬疑推理，或者强调喜剧风格等，所述创作系统可以在生成时，更偏向于这些风格地创作，通过调整参与者们的个人模型的参数，进一步调整流程的风格走向。

实施例三：

本实施例应当理解为至少包含前述任意一个实施例的全部特征，并在其基础上进一步改进：

进一步的，所述创作系统在分析和获取参与者的表现数据时，以及后续建立参与者的个人模型时，以及创作后续流程内容的过程中，需要耗费大量运算能力；同时，在一些实施方式中，游戏中的参与者的角色的重要性有所差异，因此允许所述创作系统的注意力机制向指定的参与者倾斜，部分或者全部忽略其余参与者，从而保证所述创作系统能够及时地进行大量数据的处理；

在一些实施方式中，包括将注意力集中在游戏中发挥重要作用的参与者上，例如游戏中的主角或者其他重要角色；此外，还可以将注意力重点放在在特定游戏阶段表现出色的参与者上，以便系统更好地理解参与者的行为和思维过程；

在一些实施方式中，为了更准确地建立参与者的个人模型，可以将注意力重点放在特定参与者的某些特征上，例如性格、能力、心理状态等，这些特征可以通过所述监测装置来获取；在获取了这些特征后，所述创作系统可以使用机器学习技术来构建每个玩家的个人模型，从而更好地理解他们的行为和思考方式，并在创作后续流程内容中做出更加准确的决策和细节内容。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

虽然上面已经参考各种实施例描述了本发明，但是应当理解，在不脱离本发明的范围的情况下，可以进行许多改变和修改。也就是说上面讨论的方法，系统和设备是示例。各种配置可以适当地省略，替换或添加各种过程或组件。例如，在替代配置中，可以以与所描述的顺序不同的顺序执行方法，和/或可以添加，省略和/或组合各种部件。而且，关于某些配置描述的特征可以以各种其他配置组合，如可以以类似的方式组合配置的不同方面和元素。此外，随着技术发展其中的元素可以更新，即许多元素是示例，并不限制本公开或权利要求的范围。

在说明书中给出了具体细节以提供对包括实现的示例性配置的透彻理解。然而，可以在没有这些具体细节的情况下实践配置例如，已经示出了众所周知的电路，过程，算法，结构和技术而没有不必要的细节，以避免模糊配置。该描述仅提供示例配置，并且不限制权利要求的范围，适用性或配置。相反，前面对配置的描述将为本领域技术人员提供用于实现所描述的技术的使能描述。在不脱离本公开的精神或范围的情况下，可以对元件的功能和布置进行各种改变。

综上，其旨在上述详细描述被认为是例示性的而非限制性的，并且应当理解，以上这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。在阅读了本发明的记载的内容之后，技术人员可以对本发明作各种改动或修改，这些等效变化和修饰同样落入本发明权利要求所限定的范围。