CN115393022A - 跨域推荐处理方法及装置 - Google Patents

Abstract

本说明书实施例提供了跨域推荐处理方法及装置，其中，一种跨域推荐处理方法包括：对虚拟世界内用户的虚拟形象的虚拟服饰的服饰数据进行特征编码，获得虚拟服饰特征；针对所述虚拟服饰特征进行从所述虚拟世界向真实世界的特征映射，获得所述用户的真实服饰特征；基于所述真实服饰特征和用户连接关系网确定所述用户的服饰推荐特征；根据所述服饰推荐特征向所述用户进行服饰推荐处理。

Description

跨域推荐处理方法及装置

技术领域

本文件涉及虚拟化技术领域，尤其涉及一种跨域推荐处理方法及装置。

背景技术

虚拟世界提供了对真实世界的模拟，甚至能够提供在真实世界难以实现的场景，因此虚拟世界越来越多地应用在各种场景。在虚拟世界场景中，用户通过特定的身份ID登录三维虚拟世界，通过虚拟世界中虚拟的用户角色进行活动，通常，在虚拟世界中存在不同的用户角色，这些用户角色各自进行不同的活动。

发明内容

本说明书一个或多个实施例提供了一种跨域推荐处理方法，包括：对虚拟世界内用户的虚拟形象的虚拟服饰的服饰数据进行特征编码，获得虚拟服饰特征。针对所述虚拟服饰特征进行从所述虚拟世界向真实世界的特征映射，获得所述用户的真实服饰特征。基于所述真实服饰特征和用户连接关系网确定所述用户的服饰推荐特征。根据所述服饰推荐特征向所述用户进行服饰推荐处理。

本说明书一个或多个实施例提供了一种跨域推荐处理装置，包括：特征编码模块，被配置为对虚拟世界内用户的虚拟形象的虚拟服饰的服饰数据进行特征编码，获得虚拟服饰特征。特征映射模块，被配置为针对所述虚拟服饰特征进行从所述虚拟世界向真实世界的特征映射，获得所述用户的真实服饰特征。服饰推荐特征确定模块，被配置为基于所述真实服饰特征和用户连接关系网确定所述用户的服饰推荐特征。服饰推荐处理模块，被配置为根据所述服饰推荐特征向所述用户进行服饰推荐处理。

本说明书一个或多个实施例提供了一种跨域推荐处理设备，包括：处理器；以及，被配置为存储计算机可执行指令的存储器，所述计算机可执行指令在被执行时使所述处理器：对虚拟世界内用户的虚拟形象的虚拟服饰的服饰数据进行特征编码，获得虚拟服饰特征。针对所述虚拟服饰特征进行从所述虚拟世界向真实世界的特征映射，获得所述用户的真实服饰特征。基于所述真实服饰特征和用户连接关系网确定所述用户的服饰推荐特征。根据所述服饰推荐特征向所述用户进行服饰推荐处理。

本说明书一个或多个实施例提供了一种存储介质，用于存储计算机可执行指令，所述计算机可执行指令在被处理器执行时实现以下流程：对虚拟世界内用户的虚拟形象的虚拟服饰的服饰数据进行特征编码，获得虚拟服饰特征。针对所述虚拟服饰特征进行从所述虚拟世界向真实世界的特征映射，获得所述用户的真实服饰特征。基于所述真实服饰特征和用户连接关系网确定所述用户的服饰推荐特征。根据所述服饰推荐特征向所述用户进行服饰推荐处理。

附图说明

为了更清楚地说明本说明书一个或多个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说明书中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图；

图1为本说明书一个或多个实施例提供的一种跨域推荐处理方法处理流程图；

图2为本说明书一个或多个实施例提供的一种应用于跨域推荐场景的跨域推荐处理方法处理流程图；

图3为本说明书一个或多个实施例提供的一种跨域推荐处理装置示意图；

图4为本说明书一个或多个实施例提供的一种跨域推荐处理设备的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本说明书一个或多个实施例中的技术方案，下面将结合本说明书一个或多个实施例中的附图，对本说明书一个或多个实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本说明书的一部分实施例，而不是全部的实施例。基于本说明书一个或多个实施例，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，都应当属于本文件的保护范围。

本说明书提供的一种跨域推荐处理方法实施例：

本申请提供的跨域推荐处理方法，通过将虚拟世界中用户的虚拟形象的虚拟服饰的服饰数据作为源特征，将源特征跨域映射到真实世界中的用户真实形象的真实服饰的服饰推荐特征，最后利用真实服饰的服饰推荐特征对用户进行服饰推荐处理。具体的，对虚拟世界内用户虚拟形象的虚拟服饰的虚拟服饰特征进行从虚拟世界向真实世界的特征映射，获得用户在真实世界中的真实服饰特征；基于真实服饰特征在用户连接关系网中确定用户的服饰推荐特征，并根据所述服饰推荐特征向用户进行服饰推荐处理，以此，将虚拟世界中用户的服饰数据作为向用户进行真实世界中的服饰推荐的基础数据，提升在真实世界中对用户进行服饰推荐的有效性，进一步提升用户对推荐衣物的感知程度。

步骤S102，对虚拟世界内用户的虚拟形象的虚拟服饰的服饰数据进行特征编码，获得虚拟服饰特征。

本实施例所述虚拟世界，是指基于去中心化协作实现并且具有开放经济系统的虚拟的拟真世界，可选的，所述虚拟世界中通过生成非同质化标识进行去中心化的交易，通过交易占有虚拟资产的所有权。具体的，真实世界中的用户可通过接入设备接入虚拟世界，以在虚拟世界中进行去中心化的交易和其他行为，比如用户通过接入设备进行游戏交互的游戏虚拟世界，再比如用户通过接入设备进行在线会议的会议虚拟世界，或者用户通过接入设备进行在线交易的交易虚拟世界；所述虚拟世界的接入设备，可以是连接虚拟世界的VR(Virtual Reality，虚拟现实)设备、AR(Augmented Reality，增强现实)设备等，比如连接虚拟世界的头戴式VR设备。所述服务端，是指为接入虚拟世界的接入设备提供相应服务的服务器或者服务平台，或者，维护虚拟世界运行的服务器或者服务平台。

本实施例中，虚拟形象是指从用户的图像出发，采用图像重建技术对用户的图像进行重建获得的用于在虚拟世界内展示用户形象的三维数字图像(三维数字形象)，或者，从用户的图像出发，采用图像重建技术对用户的图像进行重建获得的虚拟世界内的与真实世界中的用户具有数字孪生关系或者身份映射的数字孪生形象。比如，在采集到用户在真实世界的多个视角的用户图像的基础上，通过将多个视角的用户图像输入神经辐射场NeRF(Neural Radiance Fields)模型进行图像重建，获得虚拟世界内的三维数字形象、数字孪生形象或者身份映射形象。

所述虚拟形象可进行服饰装扮，具体装扮至虚拟形象的服饰为所述服饰数据；表示服饰的风格特征为服饰数据的虚拟服饰特征；例如，一件虚拟服饰的颜色为黄色的休闲短袖，则该虚拟服饰的虚拟服饰特征为黄色、休闲、短袖。

具体实施时，由于虚拟世界中虚拟服饰的服饰数据较大，直接使用虚拟服饰的服饰数据进行处理影响处理效率，为了提升处理效率，节省处理资源，本实施例中，对虚拟世界中用户的虚拟形象的服饰数据进行特征编码，获得虚拟服饰特征；

为了保证获得的虚拟服饰特征的准确性，本实施例提供的一种可选实施方式中，采用如下方式实现对服饰数据进行特征编码，获得虚拟服饰数据：

将所述服饰数据输入虚拟编码网络进行特征编码，获得所述虚拟服饰特征。

具体的，将服饰数据输入虚拟编码器进行编码处理，获得虚拟服饰特征。

为了提升虚拟编码网络进行特征编码输出的虚拟服饰特征的有效性，训练一个对虚拟世界中的服饰数据进行数据重建的虚拟数据重建模型，将虚拟数据重建模型中的编码网络作为对虚拟世界中的服饰数据进行特征编码的虚拟编码网络；

实际应用中，虚拟数据重建模型可预先训练，比如在云服务器上进行虚拟数据重建模型的训练，具体在虚拟数据重建模型的训练过程中，本实施例提供的一种可选实施方式中，采用如下方式训练虚拟数据重建模型：

将虚拟世界中的服饰数据样本输入待训练的虚拟数据重建模型中的编码网络进行特征编码，获得所述服饰数据样本的样本服饰特征；

将所述样本服饰特征输入所述虚拟数据重建模型中的解码网络进行数据解码，获得所述样本服饰特征的样本重建数据；

计算所述样本重建数据与所述服饰数据样本的训练损失，并基于所述训练损失对所述虚拟数据重建模型进行参数调整。

其中，待训练的虚拟数据重建模型可采用语义分割，例如UNET架构；待训练的虚拟数据重建模型包括编码网络(编码器)和解码网络(解码器)；编码器的输入为虚拟世界的服饰数据样本，输出为对应的样本服饰特征；解码器的输入为样本服饰特征，输出为重建的服饰数据样本，即样本重建数据；

在获得样本重建数据后，基于样本重建数据与服饰数据样本的重建损失，对待训练的虚拟数据重建模型进行参数调整，直至模型收敛；将训练获得的虚拟数据重建模型中的编码器作为虚拟编码网络。

还需要说明的是，所述服饰数据样本，包括在虚拟世界中采集的用户在预设时间内的服饰穿搭数据或者预设次数的服饰穿搭数据；例如，采集一个或者多个用户在虚拟世界中的虚拟形象的近10次的服饰搭配数据作为服饰数据样本；其中，服饰搭配数据中包括上衣数据、下衣数据、鞋子数据、装饰数据等。

除此之外，上述训练虚拟数据重建模型的过程还可被替换为，将虚拟世界中的服饰数据样本输入待训练的虚拟数据重建模型进行数据重建；基于所述服饰数据样本和输出的样本重建数据计算重建损失；根据重建损失对待训练的虚拟数据重建模型进行参数调整；并与本实施例提供的其他步骤组成新的实现方式。可选的，所述待训练的虚拟数据重建模型包括编码网络和解码网络。可选的，进行参数调整直至模型收敛后将模型训练获得的虚拟数据重建模型中的编码网络作为所述虚拟编码网络。

步骤S104，针对所述虚拟服饰特征进行从所述虚拟世界向真实世界的特征映射，获得所述用户的真实服饰特征。

与所述虚拟服饰特征对应，所述真实服饰特征包括表征用户在真实世界中的服饰数据对应的特征。

在获得上述虚拟服饰特征的基础上，由于要对用户进行真实世界的服饰推荐处理，但虚拟世界中的虚拟服饰特征与真实世界中的服饰特征存在域差异，因此，无法直接利用虚拟服饰特征对用户进行真实世界中的服饰推荐处理，因此，本实施例中，在获得虚拟服饰特征的情况下，将虚拟服饰特征进行从虚拟世界向真实世界的特征映射，获得用户的真实服饰特征。

具体实施时，为了提升进行特征映射的效率，保证特征映射的有效性，进入提升在真实世界中对用户进行服饰推荐的准确性，本实施例提供的一种可选实施方式中，采用如下方式实现对虚拟服饰特征从虚拟世界向真实世界的特征映射：

将所述虚拟服饰特征输入跨域映射模型进行跨域映射，获得所述真实服饰特征。

实际应用中，跨域映射模型可预先训练，比如在云服务器上进行跨域映射模型的训练，具体在跨域映射模型的训练过程中，本实施例提供的一种可选实施方式中，采用如下方式训练跨域映射模型：

将进行真实特征标注的虚拟特征样本输入待训练的跨域映射模型进行跨域映射，获得映射真实特征；

计算所述映射真实特征与所述真实特征标注的真实特征的回归损失；

基于所述回归损失对所述待训练的跨域映射模型进行参数调整。

其中，跨域映射模型可采用3层神经网络架构，输入为虚拟服饰特征，输出为真实服饰特征；在进行训练的过程中，输入为进行真实特征标注的虚拟特征样本，输出为映射真实特征，损失函数为回归损失，基于回归损失对待训练的跨域映射模型进行参数调整，直至模型收敛，获得跨域映射模型。

具体的，在进行跨域映射模型的训练过程中，需要用到进行真实特征标注的虚拟特征样本；所述虚拟特征样本，包括将虚拟世界中的服饰数据样本输入虚拟编码网络进行特征编码获得的虚拟服饰特征；为了训练得到跨域映射模型，进行有监督训练，使跨域映射模型能够对将虚拟世界中的虚拟服饰特征映射至真实世界中的真实服饰特征；因此，对虚拟特征样本进行真实特征标注，进而基于进行真实特征标注的虚拟特征样本训练跨域映射模型。

其中，真实特征标注的真实特征，通过对真实世界内用户真实形象的真实服饰的服饰数据进行特征编码获得。可选的，所述真实特征，采用如下方式确定：对真实世界内用户真实形象的真实服饰的服饰数据进行特征编码，获得所述真实特征；

其中，所述对真实世界内用户真实形象的真实服饰的服饰数据进行特征编码，获得所述真实特征，包括：

将所述真实服饰的服饰数据输入真实编码网络进行特征编码处理，获得所述真实特征。

实际应用中，真实编码网络可预先训练，比如在云服务器上进行真实编码网络的训练，具体在真实编码网络的训练过程中，本实施例提供的一种可选实施方式中，采用如下方式进行真实编码网络的训练：

将真实世界中的服饰数据样本输入待训练的真实数据重建模型中的编码网络进行特征编码，获得所述服饰数据样本的样本服饰特征；

将所述样本服饰特征输入所述真实数据重建模型中的解码网络进行数据解码，获得所述样本服饰特征的样本重建数据；

计算所述样本重建数据与所述服饰数据样本的训练损失，并基于所述训练损失对所述真实数据重建模型进行参数调整。

为了保证真实编码网络的进行特征编码的有效性和准确性，训练包含编码网络的真实数据重建模型，将训练获得的真实数据重建模型中的编码网络作为真实编码网络已对真实世界中的服饰数据进行特征编码。

其中，待训练的真实数据重建模型可采用语义分割，例如UNET架构；待训练的真实数据重建模型包括编码网络(编码器)和解码网络(解码器)；编码器的输入为真实世界的服饰数据样本，输出为对应的样本服饰特征；解码器的输入为样本服饰特征，输出为重建的服饰数据样本，即样本重建数据；

在获得样本重建数据后，基于样本重建数据与服饰数据样本的重建损失，对待训练的真实数据重建模型进行参数调整，直至模型收敛；将训练获得的真实数据重建模型中的编码器作为真实编码网络。

还需要说明的是，真实世界的服饰数据样本，包括采集的用户在线上平台的预设时间段内的服饰购买记录对应的服饰穿搭数据或者预设次数的服饰穿搭数据；例如，采集一个或者多个用户在购物平台中的近20次的服饰购买记录对应的服饰数据；其中，服饰搭配数据中包括上衣数据、下衣数据、鞋子数据、装饰数据等。

除此之外，上述训练真实数据重建模型的过程还可被替换为，将真实世界中的服饰数据样本输入待训练的真实数据重建模型进行数据重建；基于所述服饰数据样本和输出的样本重建数据计算重建损失；根据重建损失对待训练的真实数据重建模型进行参数调整；并与本实施例提供的其他步骤组成新的实现方式。可选的，所述待训练的真实数据重建模型包括编码网络和解码网络。可选的，进行参数调整直至模型收敛后将模型训练获得的真实数据重建模型中的编码网络作为真实虚拟编码网络。

由于虚拟世界中的虚拟服饰特征和真实世界中的真实服饰特征存在一定的差异，因此，在获得真实特征和虚拟特征样本之后，本实施例提供的一种可选实施方式中，还执行如下操作：

计算真实特征与虚拟特征样本的相关性；

将所述相关性高于预设阈值的真实特征和虚拟特征样本作为一组数据进行真实特征标注。

即通过计算真实特征与虚拟特征样本的相关性，针对每个虚拟特征样本，将相关性最高的真实特征与该虚拟特征样本作为一组数据，基于该真实特征对该虚拟特征样本进行真实特征标注。其中，所述计算真实特征与虚拟特征样本的相关性，包括，计算真实特征与虚拟特征样本的相似度。

在具体执行过程中，跨域映射模型，采用如下方式训练：

(1)基于虚拟世界中的服饰数据样本对待训练的虚拟数据重建模型进行训练，获得虚拟数据重建模型。

(2)基于真实世界中的服饰数据样本对待训练的真实数据重建模型进行训练，获得真实数据重建模型。

(3)将虚拟世界中的服饰数据样本输入虚拟数据重建模型中的虚拟编码网络进行特征编码，获得虚拟特征样本。

(4)将真实世界中的服饰数据样本输入真实数据重建网络中的虚拟编码网络进行特征编码，获得真实特征。

(5)计算各真实特征和各虚拟特征样本的相似度，并获得至少一个样本组。

其中，各样本组中包含一个虚拟特征样本和一个真实特征；此处的一个真实特征包括一套服饰数据对应的特征。各样本组中的虚拟特征样本与真实特征的相似度高于该虚拟特征样本与其他真实特征的相似度，以及该真实特征与其他虚拟特征样本的相似度。

(6)基于样本组中的真实特征对样本组中的虚拟特征样本进行标注处理，获得进行真实特征标注的虚拟特征样本。

(7)基于进行真实特征标注的虚拟特征样本对待训练的跨域映射模型进行模型训练，获得跨域映射模型。

需要说明的是，上述(1)和(2)的过程可优先实现。

除此之外，上述步骤S104还可被替换为，将所述虚拟服饰特征输入跨域映射模型进行特征映射，获得所述用户在真实世界的真实服饰特征；并与本实施例提供的其他处理步骤组成新的实现方式。或者，上述步骤S102至步骤S104还可被替换为，对虚拟世界内用户的虚拟形象的虚拟服饰特征，进行从虚拟世界向真实世界的特征映射，获得所述用户的真实服饰特征；并与本实施例提供的其他处理步骤组成新的实现方式。

步骤S106，基于所述真实服饰特征和用户连接关系网确定所述用户的服饰推荐特征。

所述用户连接关系网，包括基于真实特征创建的用户与相关用户之间具有连接关系的网络。

为了提升确定的用户的服饰推荐特征的有效性，本实施例提供的一种可选实施方式中，采用如下方式确定所述用户的服饰推荐特征：

将所述真实服饰特征输入图模型进行特征确定，获得所述服饰推荐特征；所述图模型，包括所述用户连接关系网。

具体的，将所述真实服饰特征输入包含所述用户连接关系网的图模型进行特征确定，获得所述服饰推荐特征。

其中，所述图模型，采用如下方式确定：

确定各真实特征样本的相关真实特征样本，建立所述各真实特征样本与对应的相关真实特征样本的连接关系，获得所述用户连接关系网；

对所述用户连接关系网中具有连接关系的两个真实特征样本进行降维处理；

将所述两个真实特征样本的相似度高于其他降维结果的相似度的降维结果作为所述两个真实特征样本中各自的服饰推荐特征。

具体的，对于图模型的确定，实际上是对用户连接关系网以及用户连接关系网中各用户的服饰推荐特征的确定；因此，在确定图模型的过程中，确定各用户的相关用户，建立各用户与相关用户的连接关系，对存在该连接关系的用户和相关用户的真实特征样本进行降维处理，获得两个用户的相似度高于其他降维结果的目标降维结果作为这两个用户各自的服饰推荐特征。其中，对用户进行处理的过程中，实际是对用户的真实特征样本进行处理的过程。其中，在确定各真实特征样本的相关真实特征样本的过程中，将与真实特征样本所属用户有过相同的服饰数据的用户作为所属用户的相关用户；进一步，将相关用户的真实特征样本作为所述用户的真实特征样本的相关真实特征样本。

例如，对于任意一个用户A和用户A的相关用户B，建立用户A和相关用户B的连接关系，并对用户A和相关用户B的真实特征样本进行降维处理，获得用户A和相关用户B的降维处理结果(同一维度)中相似度高于其他维度的降维处理结果，将获得的降维处理结果中用户A的降维处理结果作为用户A的服饰推荐特征；将获得的降维处理结果中相关用户B的降维处理结果作为相关用户B的服饰推荐特征。将确定的各用户的服饰推荐特征与用户所处的节点进行对应存储。

在具体执行过程中，本实施例提供的一种可选实施方式中，在将真实服饰特征输入图模型进行特征确定的过程中，图模型采用如下方式进行特征确定：

若所述真实服饰特征与所述用户连接关系网的已有节点对应，则读取所述已有节点对应的服饰推荐特征并输出；

若所述真实服饰特征未与所述用户特征网中的已有节点对应，则基于所述真实服饰特征对所述用户连接关系网进行更新训练，读取训练后的用户连接关系网中所述真实服务特征对应的已有节点对应的服饰推荐特征并输出。

具体的，若所述真实服饰特征与用户连接网中的已有节点对应，则读取已有节点对应的服饰推荐特征并输出；若所述真实服饰特征未与用户连接关系网中的已有节点对应，则基于真实服饰特征对用户连接关系网进行更新处理，获得更新后的用户连接关系网，并读取更新后的用户连接关系网中该真实服饰特征对应的已有节点对应的服饰推荐特征并输出。

上述在基于真实服饰特征和用户连接关系网确定用户的服饰推荐特征的过程中，还可不引入图模型，可选的，所述用户连接关系网，采用如下方式确定：确定各真实特征样本的相关真实特征样本，建立所述各真实特征样本与对应的相关真实特征样本的连接关系，获得所述用户连接关系网；对所述用户连接关系网中具有连接关系的两个真实特征样本进行降维处理；将所述两个真实特征样本的相似度最高的降维结果作为所述两个真实特征样本中各自的服饰推荐特征并与对应的真实特征样本进行对应存储。

除此之外，上述步骤S106还可被替换为，基于所述真实服饰特征确定所述用户的服饰推荐特征；并与本实施例提供的其他处理步骤组成新的实现方式。或者，将所述真实服饰特征输入用户连接关系图进行特征确定，获得所述用户的服饰推荐特征。

具体实施时，为了保证对服饰推荐特征的确定效率，也为了保证图模型的实现，本实施例提供的一种可选实施方式中，在将真实服饰特征输入图模型进行特征确定之前，还执行如下操作：

若所述真实服饰特征的特征个数为至少两个，则计算所述真实服饰特征的平均数据；

相应的，所述将所述真实服饰特征输入图模型进行特征确定，获得所述服饰推荐特征，包括：

将所述平均数据输入图模型进行特征确定，获得所述服务推荐特征。

具体的，在获得的真实服饰特征包括至少两个特征的情况下，对至少两个特征计算平均值，并将平均特征输入图模型进行特征确定，获得服务推荐特征。

步骤S108，根据所述服饰推荐特征向所述用户进行服饰推荐处理。

具体实施时，在确定所述用户的服饰推荐特征后，基于服饰推荐特征向所述用户进行服饰推荐处理。

为了提升服饰推荐的有效性，提升用户对推荐的服饰的感知程度，本实施例提供的一种可选实施方式中，在根据服饰推荐特征向用户进行服饰推荐处理的过程中，执行如下操作：

计算所述服饰推荐特征与衣物数据库中各衣物特征的相关性；

筛选出相关性高于推荐阈值的目标衣物作为所述用户的推荐衣物并向所述用户进行推荐。

具体的，将衣物库中与服饰推荐特征的相似度高于预设阈值的衣物特征对应的目标衣物向用户进行推荐，即将推荐衣物或者推荐服饰向用户的接入设备下发。

除此之外，上述步骤S106至步骤S108还可被替换为，基于所述真实服饰特征向所述用户进行服饰推荐处理。

综上所述，本实施例提供的跨域推荐处理方法，首先将虚拟世界内用户的虚拟形象的虚拟服饰的服饰数据输入虚拟编码器进行特征编码，获得虚拟服饰特征；然后将虚拟服饰特征输入跨域映射模型进行特征映射，获得用户在真实世界的真实服饰特征；再计算真实服饰特征的平均特征，将平均特征输入用户连接关系网进行特征确定，获得用户的服饰推荐特征，最后基于服饰推荐特征向用户进行服饰推荐处理，以此，以虚拟世界中的服饰数据作为源域，以真实世界中的真实服饰特征作为目标域，实现对虚拟世界向真实世界的特征映射，最后利用特征映射后的真实服饰特征对用户进行真实世界中的服饰推荐处理，提升对用户进行服饰推荐处理的有效性，使向用户推荐的服饰更加符合用户偏好。

下述以本实施例提供的一种跨域推荐处理方法在跨域推荐场景的应用为例，对本实施例提供的跨域推荐处理方法进行进一步说明，参见图2，应用于跨域推荐场景的跨域推荐处理方法，具体包括如下步骤。

步骤S202，采集虚拟世界内用户的虚拟形象的虚拟服饰的服饰数据。

步骤S204，将服饰数据输入虚拟编码网络进行特征编码，获得虚拟服饰特征。

步骤S206，将虚拟服饰特征输入跨域映射模型进行特征映射，获得用户在真实世界中的真实服饰特征。

步骤S208，将真实服饰特征输入用户连接关系网进行特征确定。

步骤S210，若真实服饰特征与用户连接关系网中的已有节点对应，则读取对应的已有节点对应的服饰推荐特征。

步骤S212，若真实服饰特征未与用户连接关系网中的已有节点对应，则对用户连接关系网进行更新，创建真实服饰特征对应的网络节点。

步骤S214，确定网络节点的服饰推荐特征。

步骤S216，根据服饰推荐特征向用户进行服饰推荐处理。

本说明书提供的一种跨域推荐处理装置实施例如下：

在上述的实施例中，提供了一种跨域推荐处理方法，与之相对应的，还提供了一种跨域推荐处理装置，下面结合附图进行说明。

参照图3，其示出了本实施例提供的一种跨域推荐处理装置示意图。

由于装置实施例对应于方法实施例，所以描述得比较简单，相关的部分请参见上述提供的方法实施例的对应说明即可。下述描述的装置实施例仅仅是示意性的。

本实施例提供一种跨域推荐处理装置，包括：

特征编码模块302，被配置为对虚拟世界内用户的虚拟形象的虚拟服饰的服饰数据进行特征编码，获得虚拟服饰特征；

特征映射模块304，被配置为针对所述虚拟服饰特征进行从所述虚拟世界向真实世界的特征映射，获得所述用户的真实服饰特征；

服饰推荐特征确定模块306，被配置为基于所述真实服饰特征和用户连接关系网确定所述用户的服饰推荐特征；

服饰推荐处理模块308，被配置为根据所述服饰推荐特征向所述用户进行服饰推荐处理。

本说明书提供的一种跨域推荐处理设备实施例如下：

对应上述描述的一种跨域推荐处理方法，基于相同的技术构思，本说明书一个或多个实施例还提供一种跨域推荐处理设备，该跨域推荐处理设备用于执行上述提供的跨域推荐处理方法，图4为本说明书一个或多个实施例提供的一种跨域推荐处理设备的结构示意图。

本实施例提供的一种跨域推荐处理设备，包括：

如图4所示，跨域推荐处理设备可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上的处理器401和存储器402，存储器402中可以存储有一个或一个以上存储应用程序或数据。其中，存储器402可以是短暂存储或持久存储。存储在存储器402的应用程序可以包括一个或一个以上模块(图示未示出)，每个模块可以包括跨域推荐处理设备中的一系列计算机可执行指令。更进一步地，处理器401可以设置为与存储器402通信，在跨域推荐处理设备上执行存储器402中的一系列计算机可执行指令。跨域推荐处理设备还可以包括一个或一个以上电源403，一个或一个以上有线或无线网络接口404，一个或一个以上输入/输出接口405，一个或一个以上键盘406等。

在一个具体的实施例中，跨域推荐处理设备包括有存储器，以及一个或一个以上的程序，其中一个或者一个以上程序存储于存储器中，且一个或者一个以上程序可以包括一个或一个以上模块，且每个模块可以包括对跨域推荐处理设备中的一系列计算机可执行指令，且经配置以由一个或者一个以上处理器执行该一个或者一个以上程序包含用于进行以下计算机可执行指令：

对虚拟世界内用户的虚拟形象的虚拟服饰的服饰数据进行特征编码，获得虚拟服饰特征；

针对所述虚拟服饰特征进行从所述虚拟世界向真实世界的特征映射，获得所述用户的真实服饰特征；

基于所述真实服饰特征和用户连接关系网确定所述用户的服饰推荐特征；

根据所述服饰推荐特征向所述用户进行服饰推荐处理。

本说明书提供的一种存储介质实施例如下：

对应上述描述的一种跨域推荐处理方法，基于相同的技术构思，本说明书一个或多个实施例还提供一种存储介质。

本实施例提供的存储介质，用于存储计算机可执行指令，所述计算机可执行指令在被处理器执行时实现以下流程：

对虚拟世界内用户的虚拟形象的虚拟服饰的服饰数据进行特征编码，获得虚拟服饰特征；

针对所述虚拟服饰特征进行从所述虚拟世界向真实世界的特征映射，获得所述用户的真实服饰特征；

基于所述真实服饰特征和用户连接关系网确定所述用户的服饰推荐特征；

根据所述服饰推荐特征向所述用户进行服饰推荐处理。

需要说明的是，本说明书中关于存储介质的实施例与本说明书中关于跨域推荐处理方法的实施例基于同一发明构思，因此该实施例的具体实施可以参见前述对应方法的实施，重复之处不再赘述。

上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

在20世纪30年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(Programmable Logic Device，PLD)(例如现场可编程门阵列(Field Programmable GateArray，FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware Description Language，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等，目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。

控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。

上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。

为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书实施例时可以把各单元的功能在同一个或多个软件和/或硬件中实现。

本领域内的技术人员应明白，本说明书一个或多个实施例可提供为方法、系统或计算机程序产品。因此，本说明书一个或多个实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本说明书是参照根据本说明书实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。

本说明书一个或多个实施例可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书的一个或多个实施例，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

以上所述仅为本文件的实施例而已，并不用于限制本文件。对于本领域技术人员来说，本文件可以有各种更改和变化。凡在本文件的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本文件的权利要求范围之内。

Claims (16)

1.一种跨域推荐处理方法，包括：

对虚拟世界内用户的虚拟形象的虚拟服饰的服饰数据进行特征编码，获得虚拟服饰特征；

针对所述虚拟服饰特征进行从所述虚拟世界向真实世界的特征映射，获得所述用户的真实服饰特征；

基于所述真实服饰特征和用户连接关系网确定所述用户的服饰推荐特征；

根据所述服饰推荐特征向所述用户进行服饰推荐处理。

2.根据权利要求1所述的跨域推荐处理方法，所述对虚拟世界内用户的虚拟形象的虚拟服饰的服饰数据进行特征编码，获得虚拟服饰特征，包括：

将所述服饰数据输入虚拟编码网络进行特征编码，获得所述虚拟服饰特征。

3.根据权利要求2所述的跨域推荐处理方法，所述虚拟编码网络，采用如下方式训练：

将虚拟世界中的服饰数据样本输入待训练的虚拟数据重建模型中的编码网络进行特征编码，获得所述服饰数据样本的样本服饰特征；

将所述样本服饰特征输入所述虚拟数据重建模型中的解码网络进行数据解码，获得所述样本服饰特征的样本重建数据；

计算所述样本重建数据与所述服饰数据样本的训练损失，并基于所述训练损失对所述虚拟数据重建模型进行参数调整，并将训练后的虚拟数据重建模型中的编码网络为所述虚拟编码网络。

4.根据权利要求1所述的跨域推荐处理方法，所述针对所述虚拟服饰特征进行从所述虚拟世界向真实世界的特征映射，获得所述用户的真实服饰特征，包括：

将所述虚拟服饰特征输入跨域映射模型进行跨域映射，获得所述真实服饰特征。

5.根据权利要求4所述的跨域推荐处理方法，所述跨域映射模型，采用如下方式训练：

将进行真实特征标注的虚拟特征样本输入待训练的跨域映射模型进行跨域映射，获得映射真实特征；

计算所述映射真实特征与所述真实特征标注的真实特征的回归损失；

基于所述回归损失对所述待训练的跨域映射模型进行参数调整。

6.根据权利要求5所述的跨域推荐处理方法，所述真实特征，采用如下方式确定：

对真实世界内用户真实形象的真实服饰的服饰数据进行特征编码，获得所述真实特征；

其中，所述对真实世界内用户真实形象的真实服饰的服饰数据进行特征编码，获得所述真实特征，包括：

将所述真实服饰的服饰数据输入真实编码网络进行特征编码，获得所述真实特征。

7.根据权利要求5所述的跨域推荐处理方法，所述真实特征标注，包括：

计算真实特征与虚拟特征样本的相关性；

将所述相关性高于预设阈值的真实特征和虚拟特征样本作为一组数据进行真实特征标注。

8.根据权利要求6所述的跨域推荐处理方法，所述真实编码网络，采用如下方式训练：

将真实世界中的服饰数据样本输入待训练的真实数据重建模型中的编码网络进行特征编码，获得所述服饰数据样本的样本服饰特征；

将所述样本服饰特征输入所述真实数据重建模型中的解码网络进行数据解码，获得所述样本服饰特征的样本重建数据；

计算所述样本重建数据与所述服饰数据样本的训练损失，并基于所述训练损失对所述真实数据重建模型进行参数调整，将训练后的真实数据重建模型中的编码网络作为所述真实编码网络。

9.根据权利要求1所述的跨域推荐处理方法，所述基于所述真实服饰特征和用户连接关系网确定所述用户的服饰推荐特征，包括：

将所述真实服饰特征输入图模型进行特征确定，获得所述服饰推荐特征；

所述图模型，包括所述用户连接关系网。

10.根据权利要求9所述的跨域推荐处理方法，所述图模型，采用如下方式确定：

确定各真实特征样本的相关真实特征样本，建立所述各真实特征样本与对应的相关真实特征样本的连接关系，获得所述用户连接关系网；

对所述用户连接关系网中具有连接关系的两个真实特征样本进行降维处理；

将所述两个真实特征样本的相似度高于其他降维结果的的相似度的降维结果作为所述两个真实特征样本中各自的服饰推荐特征。

11.根据权利要求10所述的跨域推荐处理方法，所述特征确定，包括：

若所述真实服饰特征与所述用户连接关系网中的已有节点对应，则读取所述已有节点对应的服饰推荐特征并输出；

若所述真实服饰特征未与所述用户连接关系网中的已有节点对应，则基于所述真实服饰特征对所述用户连接关系网进行更新训练，读取训练后的用户连接关系网中所述真实服务特征对应的已有节点对应的服饰推荐特征并输出。

12.根据权利要求9所述的跨域推荐处理方法，所述将所述真实服饰特征输入图模型进行特征确定，获得所述服饰推荐特征操作执行之前，还包括：

若所述真实服饰特征的特征个数为至少两个，则计算所述真实服饰特征的平均特征；

相应的，所述将所述真实服饰特征输入图模型进行特征确定，获得所述服饰推荐特征，包括：

将所述平均特征输入图模型进行特征确定，获得所述服务推荐特征。

13.根据权利要求1所述的跨域推荐处理方法，所述根据所述服饰推荐特征向所述用户进行服饰推荐处理，包括：

计算所述服饰推荐特征与衣物数据库中各衣物特征的相关性；

筛选出相关性高于推荐阈值的目标衣物作为所述用户的推荐衣物并向所述用户进行推荐。

14.一种跨域推荐处理装置，包括：

特征编码模块，被配置为对虚拟世界内用户的虚拟形象的虚拟服饰的服饰数据进行特征编码，获得虚拟服饰特征；

特征映射模块，被配置为针对所述虚拟服饰特征进行从所述虚拟世界向真实世界的特征映射，获得所述用户的真实服饰特征；

服饰推荐特征确定模块，被配置为基于所述真实服饰特征和用户连接关系网确定所述用户的服饰推荐特征；

服饰推荐处理模块，被配置为根据所述服饰推荐特征向所述用户进行服饰推荐处理。

15.一种跨域推荐处理设备，包括：

处理器；以及，被配置为存储计算机可执行指令的存储器，所述计算机可执行指令在被执行时使所述处理器：

对虚拟世界内用户的虚拟形象的虚拟服饰的服饰数据进行特征编码，获得虚拟服饰特征；

针对所述虚拟服饰特征进行从所述虚拟世界向真实世界的特征映射，获得所述用户的真实服饰特征；

基于所述真实服饰特征和用户连接关系网确定所述用户的服饰推荐特征；

根据所述服饰推荐特征向所述用户进行服饰推荐处理。

16.一种存储介质，用于存储计算机可执行指令，所述计算机可执行指令在被处理器执行时实现以下流程：

对虚拟世界内用户的虚拟形象的虚拟服饰的服饰数据进行特征编码，获得虚拟服饰特征；

针对所述虚拟服饰特征进行从所述虚拟世界向真实世界的特征映射，获得所述用户的真实服饰特征；

基于所述真实服饰特征和用户连接关系网确定所述用户的服饰推荐特征；

根据所述服饰推荐特征向所述用户进行服饰推荐处理。

Images