一种麻将数据处理方法及相关装置与流程

1.本技术涉及数据处理技术领域，特别涉及一种麻将数据处理方法、麻将数据处理装置、服务器以及计算机可读存储介质。


背景技术：

2.随着信息技术不断，在游戏技术领域中，由于存在参与游戏人员不足的问题，需要通过对游戏中的数据进行自动化处理，以便实现虚拟游戏过程，提高实际游戏参与人员的参与感。
3.相关技术中，主要是人工编写有限的逻辑关系，将所有的牌面抽象成有限的个数，然后针对这些有限局面一一进行特定的决策，以便实现自动化出牌决策。但是，无论在什么情况下只要符合出牌条件决策都是固定的，在实际的游戏数据中，出现决策效果较差等问题，降低了自动化出牌的效果。
4.因此，如何提高麻将数据处理的处理效果是本领域技术人员关注的重点问题。


技术实现要素：

5.本技术的目的是提供一种麻将数据处理方法、麻将数据处理装置、服务器以及计算机可读存储介质，通过判断接收到的请求是否为扔牌请求，若是，则根据扔牌模型计算并发送对应的扔牌数据，若否，则根据碰杠胡模型计算并发送对应的动作数据，而不是采用有限的逻辑判断进行决策，提高了麻将数据的处理效果。
6.为解决上述技术问题，本技术提供一种麻将数据处理方法，包括：
7.数据处理服务器判断麻将游戏服务器发送的请求是否为扔牌请求；
8.若是，则采用扔牌模型对游戏环境数据进行计算，得到出牌数据，并发送所述出牌数据；其中，所述扔牌模型为根据扔牌训练数据进行训练得到的；
9.若否，则采用碰杠胡模型对游戏环境数据进行计算，得到动作数据，并发送所述动作数据；其中，所述碰杠胡模型为根据碰杠胡训练数据进行训练得到的。
10.可选的，采用扔牌模型对游戏环境数据进行计算，得到出牌数据，并发送所述出牌数据，包括：
11.采用所述扔牌模型根据定缺牌型对所述游戏环境数据进行计算，得到所述出牌数据；其中，所述定缺牌型为采用定缺模型对初始游戏环境数据进行计算得到；
12.发送所述出牌数据。
13.可选的，所述采用定缺模型对初始游戏环境数据进行计算得到所述定缺牌型的步骤，包括：
14.执行环境初始化操作，得到所述初始游戏环境数据；
15.根据所述定缺模型对所述初始游戏环境数据进行计算，得到所述定缺牌型；其中，所述定缺模型为根据定缺训练数据进行训练得到的。
16.可选的，还包括：
17.从获取到的训练数据中抽取扔牌训练数据、碰杠胡训练数据以及定缺训练数据。
18.可选的，采用扔牌模型对游戏环境数据进行计算，得到出牌数据，并发送所述出牌数据，包括：
19.采用扔牌模型对游戏环境数据进行计算，得到每个牌型的概率值；
20.将所述概率值最大的牌型的数据作为所述出牌数据。
21.可选的，采用碰杠胡模型对游戏环境数据进行计算，得到动作数据，并发送所述动作数据，包括：
22.采用所述碰杠胡模型对游戏环境数据进行计算，得到胡牌操作的概率、碰牌操作的概率、杠牌操作的概率以及过牌操作的概率；
23.将所述概率最大的操作作为所述动作数据。
24.本技术还提供一种麻将数据处理装置，包括：
25.请求判断模块，用于判断麻将游戏服务器发送的请求是否为扔牌请求；
26.扔牌执行模块，用于当所述发送的请求为扔牌请求时，采用扔牌模型对游戏环境数据进行计算，得到出牌数据，并发送所述出牌数据；其中，所述扔牌模型为根据扔牌训练数据进行训练得到的；
27.碰杠胡执行模块，用于当所述发送的请求不为扔牌请求时，采用碰杠胡模型对游戏环境数据进行计算，得到动作数据，并发送所述动作数据；其中，所述碰杠胡模型为根据碰杠胡训练数据进行训练得到的。
28.可选的，所述扔牌执行模块，包括：
29.出牌数据计算单元，用于采用所述扔牌模型根据定缺牌型对所述游戏环境数据进行计算，得到所述出牌数据；其中，所述定缺牌型为采用定缺模型对初始游戏环境数据进行计算得到；
30.出牌数据发送单元，用于发送所述出牌数据。
31.可选的，出牌数据计算单元，还用于执行环境初始化操作，得到所述初始游戏环境数据；根据所述定缺模型对所述初始游戏环境数据进行计算，得到所述定缺牌型；其中，所述定缺模型为根据定缺训练数据进行训练得到的。
32.可选的，还包括：
33.数据抽取模块，用于从获取到的训练数据中抽取扔牌训练数据、碰杠胡训练数据以及定缺训练数据。
34.本技术还提供一种服务器，包括：
35.存储器，用于存储计算机程序；
36.处理器，用于执行所述计算机程序时实现如上所述的麻将数据处理方法的步骤。
37.本技术还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的麻将数据处理方法的步骤。
38.本技术所提供的一种麻将数据处理方法，包括：数据处理服务器判断麻将游戏服务器发送的请求是否为扔牌请求；若是，则采用扔牌模型对游戏环境数据进行计算，得到出牌数据，并发送所述出牌数据；其中，所述扔牌模型为根据扔牌训练数据进行训练得到的；若否，则采用碰杠胡模型对游戏环境数据进行计算，得到动作数据，并发送所述动作数据；其中，所述碰杠胡模型为根据碰杠胡训练数据进行训练得到的。
39.通过判断接收到的请求是否为扔牌请求，若是，则根据扔牌模型计算并发送对应的扔牌数据，若否，则根据碰杠胡模型计算并发送对应的动作数据，而不是采用有限的逻辑判断进行决策，提高了麻将数据的处理效果。
40.本技术还提供一种麻将数据处理装置、服务器以及计算机可读存储介质，具有以上有益效果，在此不做赘述。
附图说明
41.为了更清楚地说明本技术实施例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简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的实施例，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，还可以根据提供的附图获得其他的附图。
42.图1为本技术实施例所提供的一种麻将数据处理方法的流程图；
43.图2为本技术实施例所提供的一种麻将数据处理装置的结构示意图。
具体实施方式
44.本技术的核心是提供一种麻将数据处理方法、麻将数据处理装置、服务器以及计算机可读存储介质，通过判断接收到的请求是否为扔牌请求，若是，则根据扔牌模型计算并发送对应的扔牌数据，若否，则根据碰杠胡模型计算并发送对应的动作数据，而不是采用有限的逻辑判断进行决策，提高了麻将数据的处理效果。
45.为使本技术实施例的目的、技术方案和优点更加清楚，下面将结合本技术实施例中的附图，对本技术实施例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技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
46.相关技术中，主要是人工编写有限的逻辑关系，将所有的牌面抽象成有限的个数，然后针对这些有限局面一一进行特定的决策，以便实现自动化出牌决策。但是，无论在什么情况下只要符合出牌条件决策都是固定的，在实际的游戏数据中，出现决策效果较差等问题，降低了自动化出牌的效果。
47.因此，本技术提供一种麻将数据处理方法，通过判断接收到的请求是否为扔牌请求，若是，则根据扔牌模型计算并发送对应的扔牌数据，若否，则根据碰杠胡模型计算并发送对应的动作数据，而不是采用有限的逻辑判断进行决策，提高了麻将数据的处理效果。
48.以下通过一个实施例，对本技术提供的一种麻将数据处理方法进行说明。
49.请参考图1，图1为本技术实施例所提供的一种麻将数据处理方法的流程图。
50.本实施例中，该方法可以包括：
51.s101，数据处理服务器判断麻将游戏服务器发送的请求是否为扔牌请求；若是，则执行s102；若否，则执行s103；
52.可见，本步骤旨在数据处理服务器判断麻将游戏服务器发送的请求是否为扔牌请求，进一步的该数据处理服务器进行决策并返回对应的出牌数据，以便参与到麻将游戏服务器中的游戏中，实现在麻将游戏服务器中虚拟游戏者。
53.其中，当麻将游戏服务器向数据处理服务器发送请求，主要是当前的麻将游戏执
行到扔牌动作或碰杠胡动作。并且，扔牌动作和碰杠胡动作执行的决策思路并不相同，需要执行不同的决策操作。因此，需要判断请求是否为扔牌请求，以便执行不同的决策操作。
54.进一步的，在本步骤之前，如果是刚开始执行游戏时，可以执行对应的环境初始化操作，采用定缺模型确定当前的定缺牌型，然后再执行后续的数据处理过程。
55.s102，采用扔牌模型对游戏环境数据进行计算，得到出牌数据，并发送出牌数据；其中，扔牌模型为根据扔牌训练数据进行训练得到的；
56.在s101的基础上，本步骤旨在采用扔牌模型对游戏环境数据进行计算，得到出牌数据，并发送出牌数据；其中，扔牌模型为根据扔牌训练数据进行训练得到的。
57.其中，扔牌模型就是在进行游戏前训练好的训练数据。
58.当接收到的请求为扔牌请求时，即可通过扔牌模型计算得到对应的出牌数据，最后发送出牌数据，以便实现出牌操作。
59.进一步的，出牌数据的准确性，本步骤可以包括：
60.步骤1，采用扔牌模型根据定缺牌型对游戏环境数据进行计算，得到出牌数据；其中，定缺牌型为采用定缺模型对初始游戏环境数据进行计算得到；
61.步骤2，发送出牌数据。
62.可见，本可选方案主要是对如何进行出牌数据计算进行说明。本可选方案中，首先采用扔牌模型根据定缺牌型对游戏环境数据进行计算，得到出牌数据；其中，定缺牌型为采用定缺模型对初始游戏环境数据进行计算得到；然后，发送出牌数据。
63.进一步的，上一可选方案中训练定缺模型的步骤可以包括：
64.步骤1，执行环境初始化操作，得到初始游戏环境数据；
65.步骤2，根据定缺模型对初始游戏环境数据进行计算，得到定缺牌型；其中，定缺模型为根据定缺训练数据进行训练得到的。
66.可见，本可选方案中主要是对如何确定定缺牌型进行说明。本可选方案中首先，执行环境初始化操作，得到初始游戏环境数据；然后，根据定缺模型对初始游戏环境数据进行计算，得到定缺牌型；其中，定缺模型为根据定缺训练数据进行训练得到的。
67.s103，采用碰杠胡模型对游戏环境数据进行计算，得到动作数据，并发送动作数据；其中，碰杠胡模型为根据碰杠胡训练数据进行训练得到的。
68.在s101的基础上，本步骤旨在采用碰杠胡模型对游戏环境数据进行计算，得到动作数据，并发送动作数据；其中，碰杠胡模型为根据碰杠胡训练数据进行训练得到的。
69.其中，碰杠胡模型就是在进行游戏前训练好的训练数据。
70.当接收到的请求为碰杠胡请求时，即可通过碰杠胡模型计算得到对应的出牌数据，最后发送出牌数据，以便实现碰杠胡操作。
71.此外，本实施例还可以包括：
72.从获取到的训练数据中抽取扔牌训练数据、碰杠胡训练数据以及定缺训练数据。
73.可见，本可选方案中，主要是说明如何获取到用于训练的数据。本可选方案中，从获取到的训练数据中抽取扔牌训练数据、碰杠胡训练数据以及定缺训练数据。
74.综上，本实施例通过判断接收到的请求是否为扔牌请求，若是，则根据扔牌模型计算并发送对应的扔牌数据，若否，则根据碰杠胡模型计算并发送对应的动作数据，而不是采用有限的逻辑判断进行决策，提高了麻将数据的处理效果。
75.以下通过另一个具体的实施例，对本技术提供的一种麻将数据处理方法做进一步说明。
76.本实施例中，可以针对于四川麻将的数据进行处理。该游戏使用108张麻将牌，分别对应的牌型为“万”、“筒”、“条”，每个牌型有1至9组成的9个牌值，每张牌一共有4个相同的牌。整个游戏是4人游戏，摸牌顺序从庄家开始呈顺时针方向开始摸牌。游戏分两种玩法，一种是血战到底，当玩家胡牌后不再参与牌局(即不能再摸牌，出牌，胡牌，鸣牌。也不参与牌局结算比如他人自摸)，牌局结束条件为3家胡或者牌摸完。另一种是血流成河，当玩家胡牌，实时结算，同时进入“半托管”状态，自动摸牌，出牌，胡牌直到牌局结束；唯一可以选择的为是否杠，同时也参与牌局结算。牌局正常结束条件有且只有牌摸完。两种模式都支持定缺、碰、杠、胡、扔牌这样的操作。
77.本实施例利用深度学习来训练三个模型，分别为定缺模型，扔牌模型，胡碰杠模型。网络选择是自然语言处理中常用的神经网络——bert(bidirectional encoder representations from transformers，基于转换器的双向编码表征)，这里选用nlp(neuro-linguistic programming，神经语言程序学)的神经网络原因是其相比视觉领域内的cnn(convolutional neural networks，卷积神经网络)处理棋牌的信息输入更加容易。原始的bert模型中包含了transformer encoder的编码层，分别是12层和24层的bert。
78.本实施例的网络先从数据层到一维卷积层，然后经过bert的4个编码器层，4个编码器都是一样的，每个编码器的编码维度为128维，每个编码器的内部全连接编码维度为256。bert中标准的编码器层，先将信息编码成向量，然后经过多头的注意力得出每个注意力向量，最后整合在一起输出。
79.其中，4层编码器出来后经过批量标准化层，再输入给全连接层，全连接层的输出维度为256，最后经过带噪声的全连接层输出，输出维度是27，对应着27张不同的牌(3种牌型，9种牌值，一共有27种可能的牌)。网络训练一共迭代20000次，每次的批量数据大小为512，在前50000次学习率为0.0001，后150000次学习率为0.00001。
80.深度学习的三个模型均采用以上的网络结构，不一样的是输入数据的不同与输出维度的不同。首先进行数据清理，数据来源于高手玩家的数据，一共是11万对局的数据。数据清洗主要是清除掉当局亏损人的数据，指保留下没有亏损玩家的行为数据。将数据的形式变成模型需要的形式及对应的标签，给对应的模型进行训练。训练定缺模型只需要将开局玩家的定缺行为作为标签，玩家的手牌作为输入数据，这样形成数据标签对，进而训练模型。训练扔牌模型只需要将对局过程中玩家看到的一些信息作为输入数据，玩家的扔牌结果作为标签。训练碰杠胡模型只需将对局过程中玩家看到的一些信息作为输入数据，这点类似扔牌的数据，玩家的选择行为作为标签。模型训练好后即可得到各自独立的模型，不同数据的模型有着不同的功能。以下将详细介绍3种模型的输入及输出形式。
81.其中，定缺模型是作为开局确定定缺牌型。模型输入的是手牌信息，如下表所示，是一个3行9列的矩阵，每一行代表不同的牌型，每一列代表不同的牌值，矩阵里的数字代表牌的个数，下表中的例子为手牌是3个三筒，3个四筒，3个五筒，3个六万，1个七条，0代表着手上这种类型的牌一张都没有。模型输出的是“万”、“筒”、“条”三张定缺的牌型的概率值，其和为1，找出概率值最大的一个就是模型最终输出的定缺牌型。
82.然后，扔牌模型是当游戏环境发送扔牌请求过来时，数据处理服务器必须从手牌
树中确定一张牌，且需要是合法的牌，比如已经碰或者杠的牌是无法扔出的，或者手上没有的牌也是不能扔出的。扔牌模型的输入为目前局面上的已知信息，将其编码为一个(3,9,22)维度的矩阵，其中第一维和第二维是牌的统计表示，其含义类似定缺模型中的输入，后面第三维一共是22个不同的通道，代表22个不同含义的信息，每一个通道都是一个(3,9)维度的矩阵，所有扔牌模型输入的不仅仅是手牌的(3,9)维度矩阵编码，还有其他的信息编码，其各个通道的详细意义如下表。
83.表1信息编码表
[0084][0085]
上表中第一列代表着通道数，一共22个，第二列代表其表示的信息，例如第0通道，其表示目前的手牌，意义与定缺模型输入一致，第1通道为自身的扔牌历史统计，第2通道为上一家扔牌历史统计，以此类推。模型输出是27张不同类型牌的概率值，总和为1，选出其中最大的一张牌作为输出，且是合法的。
[0086]
最后，胡碰杠模式主要针对胡牌请求、碰牌请求、杠牌请求的。游戏除了扔牌还可以碰牌与杠牌，这里将胡碰杠合在一起输出。输入信息与上述扔牌模型的输入一致，输出为4选一，在胡牌、碰牌、杠牌、过中选择一个，其中“过”为此次不输出任何行为。
[0087]
开始阶段为环境初始化，其中包括打乱牌，分发牌等操作，这些操作均由游戏环境完成。然后数据处理服务器得到手牌后，调用定缺模型计算出定缺的牌型，将此牌型返回给游戏环境。此后游戏将正常进行。游戏进行过程会先检查游戏是否结束，如果没有结束则会发送请求给数据处理服务器。这种请求将分成两个，一个是扔牌的请求，一个是碰杠胡的请求。游戏环境每次只会有一种请求。数据处理服务器需要先判断游戏发过来的是哪种请求，如果发来的是扔牌请求，则数据处理服务器将调用扔牌模型计算出需要扔出去的牌，将此牌返回给游戏。如果是碰杠胡的请求，数据处理服务器将调用碰杠胡模型，计算出需要执行的动作，模型将从碰、杠、胡、过中选择一个动作返回给游戏。游戏服务器接收到数据处理服务器发出的信息后将新的请求发出来，以此循环，直到游戏结束。
[0088]
可见，本实施例通过判断接收到的请求是否为扔牌请求，若是，则根据扔牌模型计算并发送对应的扔牌数据，若否，则根据碰杠胡模型计算并发送对应的动作数据，而不是采用有限的逻辑判断进行决策，提高了麻将数据的处理效果。
[0089]
下面对本技术实施例提供的麻将数据处理装置进行介绍，下文描述的麻将数据处理装置与上文描述的麻将数据处理方法可相互对应参照。
[0090]
请参考图2，图2为本技术实施例所提供的一种麻将数据处理装置的结构示意图。
[0091]
本实施例中，该装置可以包括：
[0092]
请求判断模块100，用于判断麻将游戏服务器发送的请求是否为扔牌请求；
[0093]
扔牌执行模块200，用于当发送的请求为扔牌请求时，采用扔牌模型对游戏环境数据进行计算，得到出牌数据，并发送出牌数据；其中，扔牌模型为根据扔牌训练数据进行训练得到的；
[0094]
碰杠胡执行模块300，用于当发送的请求不为扔牌请求时，采用碰杠胡模型对游戏环境数据进行计算，得到动作数据，并发送动作数据；其中，碰杠胡模型为根据碰杠胡训练数据进行训练得到的。
[0095]
可选的，该扔牌执行模块200，可以包括：
[0096]
出牌数据计算单元，用于采用扔牌模型根据定缺牌型对游戏环境数据进行计算，得到出牌数据；其中，定缺牌型为采用定缺模型对初始游戏环境数据进行计算得到；
[0097]
出牌数据发送单元，用于发送出牌数据。
[0098]
可选的，出牌数据计算单元，还用于执行环境初始化操作，得到初始游戏环境数据；根据定缺模型对初始游戏环境数据进行计算，得到定缺牌型；其中，定缺模型为根据定缺训练数据进行训练得到的。
[0099]
可选的，该装置还可以包括：
[0100]
数据抽取模块，用于从获取到的训练数据中抽取扔牌训练数据、碰杠胡训练数据以及定缺训练数据。
[0101]
本技术实施例还提供一种服务器，包括：
[0102]
存储器，用于存储计算机程序；
[0103]
处理器，用于执行所述计算机程序时实现如以上实施例所述的麻将数据处理方法的步骤。
[0104]
本技术实施例还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如以上实施例所述的麻将数据处理方法的步骤。
[0105]
说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
[0106]
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业
技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本技术的范围。
[0107]
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(ram)、内存、只读存储器(rom)、电可编程rom、电可擦除可编程rom、寄存器、硬盘、可移动磁盘、cd-rom、或技术领域内所公知的任意其它形式的存储介质中。
[0108]
以上对本技术所提供的一种麻将数据处理方法、麻将数据处理装置、服务器以及计算机可读存储介质进行了详细介绍。本文中应用了具体个例对本技术的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本技术的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本技术原理的前提下，还可以对本技术进行若干改进和修饰，这些改进和修饰也落入本技术权利要求的保护范围内。

技术特征：
1.一种麻将数据处理方法，其特征在于，包括：数据处理服务器判断麻将游戏服务器发送的请求是否为扔牌请求；若是，则采用扔牌模型对游戏环境数据进行计算，得到出牌数据，并发送所述出牌数据；其中，所述扔牌模型为根据扔牌训练数据进行训练得到的；若否，则采用碰杠胡模型对游戏环境数据进行计算，得到动作数据，并发送所述动作数据；其中，所述碰杠胡模型为根据碰杠胡训练数据进行训练得到的。2.根据权利要求1所述的麻将数据处理方法，其特征在于，采用扔牌模型对游戏环境数据进行计算，得到出牌数据，并发送所述出牌数据，包括：采用所述扔牌模型根据定缺牌型对所述游戏环境数据进行计算，得到所述出牌数据；其中，所述定缺牌型为采用定缺模型对初始游戏环境数据进行计算得到；发送所述出牌数据。3.根据权利要求2所述的麻将数据处理方法，其特征在于，所述采用定缺模型对初始游戏环境数据进行计算得到所述定缺牌型的步骤，包括：执行环境初始化操作，得到所述初始游戏环境数据；根据所述定缺模型对所述初始游戏环境数据进行计算，得到所述定缺牌型；其中，所述定缺模型为根据定缺训练数据进行训练得到的。4.根据权利要求1所述的麻将数据处理方法，其特征在于，采用扔牌模型对游戏环境数据进行计算，得到出牌数据，并发送所述出牌数据，包括：采用扔牌模型对游戏环境数据进行计算，得到每个牌型的概率值；将所述概率值最大的牌型的数据作为所述出牌数据。5.根据权利要求1所述的麻将数据处理方法，其特征在于，采用碰杠胡模型对游戏环境数据进行计算，得到动作数据，并发送所述动作数据，包括：采用所述碰杠胡模型对游戏环境数据进行计算，得到胡牌操作的概率、碰牌操作的概率、杠牌操作的概率以及过牌操作的概率；将所述概率最大的操作作为所述动作数据。6.根据权利要求1所述的麻将数据处理方法，其特征在于，还包括：从获取到的训练数据中抽取扔牌训练数据、碰杠胡训练数据以及定缺训练数据。7.一种麻将数据处理装置，其特征在于，包括：请求判断模块，用于判断麻将游戏服务器发送的请求是否为扔牌请求；扔牌执行模块，用于当所述发送的请求为扔牌请求时，采用扔牌模型对游戏环境数据进行计算，得到出牌数据，并发送所述出牌数据；其中，所述扔牌模型为根据扔牌训练数据进行训练得到的；碰杠胡执行模块，用于当所述发送的请求不为扔牌请求时，采用碰杠胡模型对游戏环境数据进行计算，得到动作数据，并发送所述动作数据；其中，所述碰杠胡模型为根据碰杠胡训练数据进行训练得到的。8.根据权利要求7所述的麻将数据处理装置，其特征在于，所述扔牌执行模块，包括：出牌数据计算单元，用于采用所述扔牌模型根据定缺牌型对所述游戏环境数据进行计算，得到所述出牌数据；其中，所述定缺牌型为采用定缺模型对初始游戏环境数据进行计算得到；
出牌数据发送单元，用于发送所述出牌数据。9.一种服务器，其特征在于，包括：存储器，用于存储计算机程序；处理器，用于执行所述计算机程序时实现如权利要求1至6任一项所述的麻将数据处理方法的步骤。10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述的麻将数据处理方法的步骤。

技术总结
本申请公开了一种麻将数据处理方法，包括：数据处理服务器判断麻将游戏服务器发送的请求是否为扔牌请求；若是，则采用扔牌模型对游戏环境数据进行计算，得到出牌数据，并发送出牌数据；若否，则采用碰杠胡模型对游戏环境数据进行计算，得到动作数据，并发送动作数据。通过判断接收到的请求是否为扔牌请求，若是，则根据扔牌模型计算并发送对应的扔牌数据，若否，则根据碰杠胡模型计算并发送对应的动作数据，而不是采用有限的逻辑判断进行决策，提高了麻将数据的处理效果。本申请还公开了一种麻将数据处理装置、服务器以及计算机可读存储介质，具有以上有益效果。具有以上有益效果。具有以上有益效果。


技术研发人员：周炜炜 郑巨隆 张金陵 陈炀 周兴
受保护的技术使用者：浙江同元智算科技有限公司
技术研发日：2021.12.07
技术公布日：2022/3/8