一种斗地主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，特别涉及一种斗地主数据处理方法、斗地主数据处理装置、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，减少实际参与人员由于缺少游戏人员的等待时间。
3.相关技术中，一般在棋牌游戏中采用蒙特卡洛树搜索进行出牌逻辑的决策操作。但是，在斗地主游戏中任何两个玩家都不知道对方的牌值，三个玩家仅知道彼此的角色。这样的博弈属于非完美信息博弈，无法满足蒙特卡洛树搜索的要求。从而影响影响数据中出牌动作数据的合理性和准确性，降低对斗地主数据的处理效果。
4.因此，如何提高斗地主数据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斗地主数据处理方法、斗地主数据处理装置、服务器以及计算机可读存储介质，以便解决斗地主数据的处理效果不佳的问题。
6.为解决上述技术问题，本技术提供一种斗地主数据处理方法，包括从斗地主游戏服务器获取初始手牌数据；
7.采用叫地主模型对所述初始手牌数据进行处理，得到执行指令，发送所述执行指令，以便所述斗地主游戏服务器根据所述执行指令发送游戏状态数据；其中，所述叫地主模型为根据叫地主训练数据进行训练得到的模型；
8.采用出牌模型对所述游戏状态数据进行处理，得到出牌数据，发送所述出牌数据；其中，所述出牌模型为根据出牌训练数据进行训练得到的模型；其中，所述叫地主模型和所述出牌模型均包括输入层、自注意力网络层、沿层标准化层、1x1卷积网络层、特征展开层和输出层。
9.可选的，采用叫地主模型对所述初始手牌数据进行处理，得到执行指令，包括：
10.将所述初始手牌数据按照输入层、自注意力网络层、沿层标准化层、1x1卷积网络层、特征展开层以及叫地主分类层的顺序，依次执行得到所述执行指令。
11.可选的，采用出牌模型对所述游戏状态数据进行处理，得到出牌数据，包括：
12.将所述游戏状态数据按照输入层、自注意力网络层、沿层标准化层、1x1卷积网络层以及出牌层的顺序，依次执行得到所述出牌数据。
13.可选的，所述叫地主模型的训练的过程，包括：
14.获取叫地主训练数据；
15.对所述叫地主训练数据进行特征提取处理，得到叫地主训练特征；
16.根据所述叫地主训练特征对自注意力网络进行训练，得到所述叫地主模型。
17.可选的，所述出牌模型的训练的过程，包括：
18.获取出牌训练数据；
19.对所述出牌训练数据进行特征提取处理，得到出牌训练特征；
20.根据所述出牌训练特征对自注意力网络进行训练，得到所述出牌模型。
21.可选的，对所述出牌训练数据进行特征提取处理，得到出牌训练特征，包括：
22.根据斗地主规则模型将所述出牌训练数据进行数据提取，得到出牌数据矩阵；
23.将所述出牌数据矩阵作为所述出牌训练特征。
24.本技术还提供一种斗地主数据处理装置，包括：
25.手牌数据获取模块，用于从斗地主游戏服务器获取初始手牌数据；
26.叫地主处理模块，用于采用叫地主模型对所述初始手牌数据进行处理，得到执行指令，发送所述执行指令，以便所述斗地主游戏服务器根据所述执行指令发送游戏状态数据；其中，所述叫地主模型为根据叫地主训练数据进行训练得到的模型；
27.出牌处理模块，用于采用出牌模型对所述游戏状态数据进行处理，得到出牌数据，发送所述出牌数据；其中，所述出牌模型为根据出牌训练数据进行训练得到的模型；其中，所述叫地主模型和所述出牌模型均包括输入层、自注意力网络层、沿层标准化层、1x1卷积网络层、特征展开层和输出层。
28.可选的，所述叫地主处理模块，包括：
29.训练数据获取单元，用于获取叫地主训练数据；
30.训练特征提取单元，用于对所述叫地主训练数据进行特征提取处理，得到叫地主训练特征；
31.网络训练单元，用于根据所述叫地主训练特征对自注意力网络进行训练，得到所述叫地主模型。
32.本技术还提供一种服务器，包括：
33.存储器，用于存储计算机程序；
34.处理器，用于执行所述计算机程序时实现如上所述的斗地主数据处理方法的步骤。
35.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斗地主数据处理方法的步骤。
36.本技术所提供的一种斗地主数据处理方法，包括从斗地主游戏服务器获取初始手牌数据；采用叫地主模型对所述初始手牌数据进行处理，得到执行指令，发送所述执行指令，以便所述斗地主游戏服务器根据所述执行指令发送游戏状态数据；其中，所述叫地主模型为根据叫地主训练数据进行训练得到的模型；采用出牌模型对所述游戏状态数据进行处理，得到出牌数据，发送所述出牌数据；其中，所述出牌模型为根据出牌训练数据进行训练得到的模型；其中，所述叫地主模型和所述出牌模型均包括输入层、自注意力网络层、沿层标准化层、1x1卷积网络层、特征展开层和输出层。
37.通过首先获取到的初始手牌数据，然后通过叫地主模型进行处理，得到执行指令，以便确定是否执行叫地主操作，最后通过出牌模型对游戏状态数据进行处理，得到出牌数据，最后实现自动化打牌操作，提高斗地主数据的处理效果。
38.本技术还提供一种斗地主数据处理装置、服务器以及计算机可读存储介质，具有
以上效果，在此不作赘述。
附图说明
39.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。
40.图1为本技术实施例所提供的一种斗地主数据处理方法的流程图；
41.图2为本技术实施例所提供的一种斗地主数据处理装置的结构示意图；
42.图3为本技术实施例所提供的一种叫地主模型架构的示意图；
43.图4为本技术实施例所提供的一种叫出牌模型架构的示意图。
具体实施方式
44.本技术的核心是提供一种斗地主数据处理方法、斗地主数据处理装置、服务器以及计算机可读存储介质，以便解决斗地主数据的处理效果不佳的问题。
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，一般在棋牌游戏中采用蒙特卡洛树搜索进行出牌逻辑的决策操作。但是，在斗地主游戏中任何两个玩家都不知道对方的牌值，三个玩家仅知道彼此的角色。这样的博弈属于非完美信息博弈，无法满足蒙特卡洛树搜索的要求。从而影响影响数据中出牌动作数据的合理性和准确性，降低对斗地主数据的处理效果。
47.因此，本技术提供一种斗地主数据处理方法，通过首先获取到的初始手牌数据，然后通过叫地主模型进行处理，得到执行指令，以便确定是否执行叫地主操作，最后通过出牌模型对游戏状态数据进行处理，得到出牌数据，最后实现自动化打牌操作，提高斗地主数据的处理效果。
48.以下通过一个实施例，对本技术提供的一种斗地主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斗地主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，从斗地主游戏服务器获取初始手牌数据；
52.本步骤旨在从斗地主游戏服务器中获取到的初始手牌数据。由于斗地主游戏是一种将所有牌型发完后，再不添加牌型数据的游戏。因此，斗地主游戏服务器直接获取到所有的初始手牌数据，再然后根据游戏过程中的游戏状态数据进行决策。
53.s102，采用叫地主模型对初始手牌数据进行处理，得到执行指令，发送执行指令，以便斗地主游戏服务器根据执行指令发送游戏状态数据；其中，叫地主模型为根据叫地主训练数据进行训练得到的模型；
54.在s101的基础上，本步骤旨在采用叫地主模型对初始手牌数据进行处理，得到执行指令。可见，本步骤主要是模拟执行在斗地主游戏数据的处理过程中，存在叫地主操作和
出牌操作两个阶段。而叫地主操作和出牌操作的操作方式、操作逻辑、输入数据以及输出数据均不一样。因此，在本实施例中采用了不同的模型进行操作。
55.进一步的，该叫地主模型输入的数据为初始手牌数据，输出的执行指令。该执行指令可以是执行叫地主操作，也可以是执行抢地主操作，还可以是不执行操作。
56.进一步的，本步骤可以包括：
57.将初始手牌数据按照输入层、自注意力网络层、沿层标准化层、1x1卷积网络层、特征展开层以及叫地主分类层的顺序，依次执行得到执行指令。
58.可见，本可选方案主要是对如何获取执行指令进行说明。本可选方案中将初始手牌数据按照输入层、自注意力网络层、沿层标准化层、1x1卷积网络层、特征展开层以及叫地主分类层的顺序，依次执行得到执行指令。
59.进一步的，该叫地主模型的训练的过程，可以包括：
60.步骤1，获取叫地主训练数据；
61.步骤2，对叫地主训练数据进行特征提取处理，得到叫地主训练特征；
62.步骤3，根据叫地主训练特征对自注意力网络进行训练，得到叫地主模型。
63.可见，本可选方案中主要是对如何训练得到的地主模型进行说明。本可选方案中获取叫地主训练数据；然后，对叫地主训练数据进行特征提取处理，得到叫地主训练特征；最后，根据叫地主训练特征对自注意力网络进行训练，得到叫地主模型。其中，网络进行训练的方式可以采用现有技术提供的任意一种训练手段，在此不做具体限定。
64.其中，叫地主训练数据为在实际游戏过程中服务器获取到的在叫地主环节的游戏数据。
65.s103，采用出牌模型对游戏状态数据进行处理，得到出牌数据，发送出牌数据；其中，出牌模型为根据出牌训练数据进行训练得到的模型；其中，叫地主模型和出牌模型均包括输入层、自注意力网络层、沿层标准化层、1x1卷积网络层、特征展开层和输出层。
66.在s102的基础上，本步骤旨在采用出牌模型对游戏状态数据进行处理，得到出牌数据。可见，本步骤旨在通过出牌模型获取到的出牌数据，以便模拟机器人的出牌操作，提高出牌数据的准确性和精度。
67.进一步的，本步骤可以包括：
68.将游戏状态数据按照输入层、自注意力网络层、沿层标准化层、1x1卷积网络层以及出牌层的顺序，依次执行得到出牌数据。
69.可见，本可选方案中主要是对如何得到出牌数据进行说明。本可选方案中将游戏状态数据按照输入层、自注意力网络层、沿层标准化层、1x1卷积网络层以及出牌层的顺序，依次执行得到出牌数据。
70.进一步的，该出牌模型的训练的过程，可以包括：
71.步骤1，获取出牌训练数据；
72.步骤2，对出牌训练数据进行特征提取处理，得到出牌训练特征；
73.步骤3，根据出牌训练特征对初始出牌模型进行训练，得到出牌模型。
74.可见，本可选方案主要是对如何训练得到的出牌模型进行说明。本可选方案中首先获取出牌训练数据；然后，对出牌训练数据进行特征提取处理，得到出牌训练特征；最后，根据出牌训练特征对初始出牌模型进行训练，得到出牌模型。
75.其中，出牌训练数据为在实际游戏过程中服务器获取到的在出牌环节的游戏数据。
76.进一步的，上一可选方案中步骤2，可以包括：
77.步骤1，根据斗地主规则模型将出牌训练数据进行数据提取，得到出牌数据矩阵；
78.步骤2，将出牌数据矩阵作为出牌训练特征。
79.可见，本可选方案中主要是对如何提取出牌训练特征进行说明。本可选方案中根据斗地主规则模型将出牌训练数据进行数据提取，得到出牌数据矩阵；最后，将出牌数据矩阵作为出牌训练特征。
80.其中，斗地主规则模型为表示斗地主的游戏规则的模型。具体的，根据游戏规则将从2、3、4、5、6、7、8、9、10、j、q、k、a、小王、大王，这15种牌的数量采用15个维度的从1-15个位置每个位置的元素数目进行代表。且不同类型扑克牌的数量总共有23个细分类，包括：玩家当前的牌数量；前四轮每个玩家按照出牌顺序出的牌的数量，共16个；4个玩家各自已经打出去的牌，共4个；所有玩家总共打出去的牌；不包括当前玩家的其他三个玩家剩余牌。最后得到不同牌数量构成15x23的矩阵，以及不同牌位置信息构成15x1的数组。如此，将数据按照斗地主游戏规则进行数据提取的模型即为斗地主规则模型。
81.综上，本实施例通过首先获取到的初始手牌数据，然后通过叫地主模型进行处理，得到执行指令，以便确定是否执行叫地主操作，最后通过出牌模型对游戏状态数据进行处理，得到出牌数据，最后实现自动化打牌操作，提高斗地主数据的处理效果。
82.以下通过一个具体的实施例，对本技术提供的一种斗地主数据处理方法做进一步说明。
83.本实施例主要解决斗地主游戏在叫地主和出牌环节的智能决策问题。本发明的核心模块是两个基于自注意机制的深度学习模型，分别是叫地主模型和出牌模型。叫地主模型负责在游戏开局时输出执行指令，该执行指令表示是否叫地主。叫地主模型输出1，代表叫地主；叫地主模型输出0，代表不叫地主。出牌模型负责在每次轮到玩家出牌时，输出玩家应该出的牌型数据，其中，牌型数据可以是具体的牌型，也可以是过牌操作。
84.其中，叫地主模型包括输入层、自注意力网络层、沿层标准化层、1x1卷积网络层、特征展开层和叫地主分类层。当游戏开始时，游戏环境会调用叫地主模型，模型依此按照图1的顺序执行不同网络层。
85.其中，输入层的输入是15x1的数组。数组中从1-15个位置每个位置代表从2、3、4、5、6、7、8、9、10、j、q、k、a、小王、大王，这15种牌的数量。
86.其中，自注意力网络层利用注意力机制对输入进行牌拆分、牌型组合、牌面大小估算，为进一步判断是否叫地主提供基础特征。自注意网络层的输入为15x1的数组，输出为15x64的特征矩阵。自注意力机制模拟了玩家在叫地主过程中的思考方式，提高提取与叫地主相关的特征的准确性。
87.请参考图3，图3为本技术实施例所提供的一种叫地主模型架构的示意图。
88.请参考图4，图4为本技术实施例所提供的一种叫出牌模型架构的示意图。
89.可见，通过图3以及图4的模型架构，可以实现对应的模型步骤，进一步的提高斗地主出牌的效果。
90.其中，沿层标准化对上一层的输入进行沿层的标准化处理，使得输入数据更加规
范，提高模型的收敛速度和泛化能力。
91.其中，1x1卷积网络层对上一层的输出沿通道方向进行加权缩放，提升输出的抽象程度。该层的输入为15x64的特征矩阵，输出是15x64的特征矩阵。
92.其中，特征展开层负责将输入的15x64的特征展开为960x1的数组。
93.其中，叫地主分类层通过全连接的神经网络将输入的960x1的数组压缩为1个实数，然后通过sigmoid函数转换为0-1的叫地主的概率。
94.其中，出牌模型的架构可以包括：输入层、自注意力网络层、沿层标准化层、1x1卷积网络层、特征展开层和出牌层。当每次轮到玩家出牌时，游戏环境会调用出牌模型，模型按照流程执行各个模块，最后计算出玩家应该出的牌型。
95.其中，输入层为15x23的矩阵，在元素数目为15的维度中从1-15个位置每个位置代表从2、3、4、5、6、7、8、9、10、j、q、k、a、小王、大王，这15种牌的数量。不同类型扑克牌的数量总共有23个细分类：玩家当前的牌数量；前四轮每个玩家按照出牌顺序出的牌的数量，共16个；4个玩家各自已经打出去的牌，共4个；所有玩家总共打出去的牌；不包括当前玩家的其他三个玩家剩余牌。不同牌数量构成15x23的矩阵，不同牌位置信息构成15x1的数组。
96.其中，自注意力机制模块对输入特征进行分层抽象加工，伴随深度学习网络的加深，网络层对游戏当前局势的认识逐渐加深，输出的特征与出牌决策相关性逐渐增加。自注意力机制能够更好的从当前手中牌面关注到对当前局势更有利的组合牌型。同时，能够更好的将数据关注点集中在前4轮和玩家历史出牌中与当前局势相关度更好的特征。
97.其中，出牌层由全连接层和softmax层串联组成，全连接层对游戏局势进一步抽象，softmax层对不同牌型概率进行归一化，选择概率最大的动作作为当前局面采用的游戏动作。
98.可见，本实施例通过首先获取到的初始手牌数据，然后通过叫地主模型进行处理，得到执行指令，以便确定是否执行叫地主操作，最后通过出牌模型对游戏状态数据进行处理，得到出牌数据，最后实现自动化打牌操作，提高斗地主数据的处理效果。
99.下面对本技术实施例提供的斗地主数据处理装置进行介绍，下文描述的斗地主数据处理装置与上文描述的斗地主数据处理方法可相互对应参照。
100.请参考图2，图2为本技术实施例所提供的一种斗地主数据处理装置的结构示意图。
101.本实施例中，该装置可以包括：
102.手牌数据获取模块100，用于从斗地主游戏服务器获取初始手牌数据；
103.叫地主处理模块200，用于采用叫地主模型对初始手牌数据进行处理，得到执行指令，发送执行指令，以便斗地主游戏服务器根据执行指令发送游戏状态数据；其中，叫地主模型为根据叫地主训练数据进行训练得到的模型；
104.出牌处理模块300，用于采用出牌模型对游戏状态数据进行处理，得到出牌数据，发送出牌数据；其中，出牌模型为根据出牌训练数据进行训练得到的模型；其中，叫地主模型和出牌模型均包括输入层、自注意力网络层、沿层标准化层、1x1卷积网络层、特征展开层和输出层。
105.可选的，该叫地主处理模块200，可以包括：
106.训练数据获取单元，用于获取叫地主训练数据；
107.训练特征提取单元，用于对叫地主训练数据进行特征提取处理，得到叫地主训练特征；
108.网络训练单元，用于根据叫地主训练特征对自注意力网络进行训练，得到叫地主模型。
109.本技术实施例还提供一种服务器，包括：
110.存储器，用于存储计算机程序；
111.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斗地主数据处理方法的步骤。
112.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斗地主数据处理方法的步骤。
113.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。
114.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。
115.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。
116.以上对本技术所提供的一种斗地主数据处理方法、斗地主数据处理装置、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：
1.一种斗地主数据处理方法，其特征在于，包括从斗地主游戏服务器获取初始手牌数据；采用叫地主模型对所述初始手牌数据进行处理，得到执行指令，发送所述执行指令，以便所述斗地主游戏服务器根据所述执行指令发送游戏状态数据；其中，所述叫地主模型为根据叫地主训练数据进行训练得到的模型；采用出牌模型对所述游戏状态数据进行处理，得到出牌数据，发送所述出牌数据；其中，所述出牌模型为根据出牌训练数据进行训练得到的模型；其中，所述叫地主模型和所述出牌模型均包括输入层、自注意力网络层、沿层标准化层、1x1卷积网络层、特征展开层和输出层。2.根据权利要求1所述的斗地主数据处理方法，其特征在于，采用叫地主模型对所述初始手牌数据进行处理，得到执行指令，包括：将所述初始手牌数据按照输入层、自注意力网络层、沿层标准化层、1x1卷积网络层、特征展开层以及叫地主分类层的顺序，依次执行得到所述执行指令。3.根据权利要求1所述的斗地主数据处理方法，其特征在于，采用出牌模型对所述游戏状态数据进行处理，得到出牌数据，包括：将所述游戏状态数据按照输入层、自注意力网络层、沿层标准化层、1x1卷积网络层以及出牌层的顺序，依次执行得到所述出牌数据。4.根据权利要求1所述的斗地主数据处理方法，其特征在于，所述叫地主模型的训练的过程，包括：获取叫地主训练数据；对所述叫地主训练数据进行特征提取处理，得到叫地主训练特征；根据所述叫地主训练特征对自注意力网络进行训练，得到所述叫地主模型。5.根据权利要求1所述的斗地主数据处理方法，其特征在于，所述出牌模型的训练的过程，包括：获取出牌训练数据；对所述出牌训练数据进行特征提取处理，得到出牌训练特征；根据所述出牌训练特征对自注意力网络进行训练，得到所述出牌模型。6.根据权利要求5所述的斗地主数据处理方法，其特征在于，对所述出牌训练数据进行特征提取处理，得到出牌训练特征，包括：根据斗地主规则模型将所述出牌训练数据进行数据提取，得到出牌数据矩阵；将所述出牌数据矩阵作为所述出牌训练特征。7.一种斗地主数据处理装置，其特征在于，包括：手牌数据获取模块，用于从斗地主游戏服务器获取初始手牌数据；叫地主处理模块，用于采用叫地主模型对所述初始手牌数据进行处理，得到执行指令，发送所述执行指令，以便所述斗地主游戏服务器根据所述执行指令发送游戏状态数据；其中，所述叫地主模型为根据叫地主训练数据进行训练得到的模型；出牌处理模块，用于采用出牌模型对所述游戏状态数据进行处理，得到出牌数据，发送所述出牌数据；其中，所述出牌模型为根据出牌训练数据进行训练得到的模型；其中，所述叫地主模型和所述出牌模型均包括输入层、自注意力网络层、沿层标准化层、1x1卷积网络
层、特征展开层和输出层。8.根据权利要求7所述的斗地主数据处理装置，其特征在于，所述叫地主处理模块，包括：训练数据获取单元，用于获取叫地主训练数据；训练特征提取单元，用于对所述叫地主训练数据进行特征提取处理，得到叫地主训练特征；网络训练单元，用于根据所述叫地主训练特征对自注意力网络进行训练，得到所述叫地主模型。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任一项所述的斗地主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任一项所述的斗地主数据处理方法的步骤。

技术总结
本申请公开了一种斗地主数据处理方法，包括从斗地主游戏服务器获取初始手牌数据；采用叫地主模型对所述初始手牌数据进行处理，得到执行指令，发送所述执行指令，以便所述斗地主游戏服务器根据所述执行指令发送游戏状态数据；采用出牌模型对所述游戏状态数据进行处理，得到出牌数据，发送所述出牌数据。通过首先获取到的初始手牌数据，然后通过叫地主模型进行处理，得到执行指令，以便确定是否执行叫地主操作，最后通过出牌模型对游戏状态数据进行处理，得到出牌数据，最后实现自动化打牌操作，提高斗地主数据的处理效果。本申请还公开了一种斗地主数据处理装置、服务器以及计算机可读存储介质，具有以上效果。具有以上效果。具有以上效果。


技术研发人员：张金陵 陈炀 周炜炜 郑巨隆 包吉慧
受保护的技术使用者：浙江畅唐网络股份有限公司
技术研发日：2021.12.07
技术公布日：2022/3/8