CN110908505B - 兴趣识别方法、装置、终端设备及存储介质 - Google Patents

Abstract

本申请适用于计算机技术领域，提供了兴趣识别方法，包括：获取用户浏览第一物品信息时的多个脑电信号；分析每个脑电信号，得到每个脑电信号的信号强度；将每个脑电信号的信号强度输入预设模型，输出每个脑电信号对应的第一模型结果，其中预设模型包括规则模型和机器学习模型中的一种或两种；当多个第一模型结果符合预设条件时，确定所述用户对所述第一物品信息感兴趣。实现精准确定用户对第一物品信息是否真正的感兴趣，解决了现有物品推荐结果准确度差的问题。

Description

兴趣识别方法、装置、终端设备及存储介质

技术领域

本申请属于计算机技术领域，尤其涉及兴趣识别方法、装置、终端设备及存储介质。

背景技术

随着社会经济的快速发展，物质生活和精神生活极大丰富，各种物品数量急剧增加。为了了解人们对不同物品的感兴趣程度以便于向用户推荐物品，一般采用问卷调查的方式调查人们的兴趣，但是这样的调查方式效率低，以及调查内容的针对性差。

发明内容

本申请实施例提供了兴趣识别方法、装置、终端设备及存储介质，可以解决兴趣调查效率低的问题。

第一方面，本申请实施例提供了一种兴趣识别方法，包括：

获取用户浏览第一物品信息时的多个脑电信号；

分析每个所述脑电信号，得到每个所述脑电信号的信号强度；

将每个所述脑电信号的信号强度输入预设模型，输出每个所述脑电信号对应的第一模型结果，其中所述预设模型包括规则模型和机器学习模型中的一种或两种；

当多个所述第一模型结果符合预设条件时，确定所述用户对所述第一物品信息感兴趣。

本申请实施例通过获取用户浏览第一物品信息时的多个脑电信号，从而获得用户对第一物品信息的意识行为和情绪；分析每个所述脑电信号，得到每个所述脑电信号的信号强度，将每个所述脑电信号的信号强度输入预设模型，输出每个所述脑电信号对应的第一模型结果，其中所述预设模型包括规则模型和机器学习模型中的一种或两种，从而根据一个或多个模型精准、快速的确定用户对第一物品信息的感兴趣程度，进而提高调查用户对第一物品信息感兴趣程度的调查效率；当多个所述第一模型结果符合预设条件时，确定所述用户对所述第一物品信息感兴趣，从而实现根据多个脑电信号的第一模型结果进一步精准确定用户对第一物品信息是否真正的感兴趣，提高兴趣识别的精度。

第二方面，本申请实施例提供了一种兴趣识别装置，包括：

获取模块，用于获取用户浏览第一物品信息时的多个脑电信号；

分析模块，用于分析每个所述脑电信号，得到每个所述脑电信号的信号强度；

输出模块，用于将每个所述脑电信号的信号强度输入预设模型，输出每个所述脑电信号对应的第一模型结果，其中所述预设模型包括规则模型和机器学习模型中的一种或两种；

确定模块，用于当所述第一模型结果符合预设条件时，确定所述用户对所述第一物品信息感兴趣。

第三方面，本申请实施例提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述第一方面中任一项所述的兴趣识别方法。

第四方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面中任一项所述的兴趣识别方法。

第五方面，本申请实施例提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行上述第一方面中任一项所述的兴趣识别方法。

可以理解的是，上述第二方面至第五方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。

附图说明

为了更清楚地说明本申请实施例中的技术方案，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申请的一些实施例，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是本申请一实施例提供的兴趣识别方法所适用的虚拟现实设备的结构示意图；

图2是本申请一实施例提供的兴趣识别方法流程示意图；

图3是本申请另一实施例提供的兴趣识别方法流程示意图；

图4是本申请另一实施例提供的兴趣识别方法流程示意图；

图5是本申请另一实施例提供的兴趣识别方法流程示意图；

图6是本申请另一实施例提供的兴趣识别方法流程示意图；

图7是本申请另一实施例提供的兴趣识别方法流程示意图；

图8是本申请另一实施例提供的兴趣识别方法流程示意图；

图9是本申请另一实施例提供的兴趣识别方法流程示意图

图10是本申请实施例提供的兴趣识别装置的结构示意图；

图11是本申请实施例提供的终端设备的结构示意图。

具体实施方式

以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。

应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

如在本申请说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。

另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。

如背景技术相关记载，目前一般采用问卷调查的方式调查人们对物品的兴趣，一方面填写调查问卷需要花费较多的时间，导致调查效率低，另一方面调查问卷中的调查内容无法调查出用户喜欢一种物品的哪个颜色或者哪个款式，这样调查问卷的内容难于针对性的调查用户对哪一个商品感兴趣，导致调查结果的精度降低，以及导致结合调查结果向用户推荐的物品很可能用户不喜欢，物品推荐结果的准确度差。

因此，本申请实施例提供一种兴趣识别方法，实现根据用户浏览物品时的多个脑电信号分析用户对该物品的感兴趣程度的过程，提高用户兴趣的调查效率和提高兴趣识别的精度。

其中，脑电信号是通过脑电信号采集设备将人体脑部自身产生的微弱生物电信号于头皮处采集，并放大得到的信号。脑电信号的分析可包括频域分析或时域分析，频域分析为对大脑产生的脑波进行分析，时域分析为对大脑产生的电位信号进行分析。

脑电信号采集设备为头戴式脑电信号采集设备，如头箍、脑电帽等。头箍一般采集前额的脑电信号，脑电帽可以采集整个头部大脑的脑电信号。

脑波(brainwave)是指人体大脑内的神经细胞活动时所产生的电气性摆动。脑波按照频率可分：β波(显意识)、α波(桥梁意识)、θ波(潜意识)及δ波(无意识)，这些意识的组合形成了一个人的内在和外在的行为、情绪及学习上的表现。

其中，本申请实施例将运用到规则模型和机器学习模型，规则模型为根据多个预设规则建立的规则分析模型，其可以通过rete算法实现规则分析。机器学习模型为监督学习算法训练完成的机器模型，监督学习算法包括但不限于决策树算法、随机森林算法、线性回归算法、朴素贝叶斯算法、神经网络算法、逻辑回归算法和支持向量机算法。

可选地，规则模型中的预设规则可以包括：α波振幅或者功率谱幅度低于预订门限(例如最大值的50％)，β波振幅或者功率谱幅度高于预订门限，θ波振幅或者功率谱幅度高于预订门限，β+θ波振幅或者功率谱幅度高于预订门限，β/α平均值高于预订门限。应理解，也可以是上述波形振幅或功率谱幅度的平均值与预设门限间的规则关系。

可选地，机器学习模型的输入可以是α波振幅、β波振幅和θ波振幅中的一种或多种的组合，或者α波功率谱幅度、β波功率谱幅度和θ波功率谱幅度中的一种或多种的组合。

本申请实施例提供的兴趣识别方法可以应用于与上述脑电信号采集设备连接的手机、平板电脑、可穿戴设备、车载设备、增强现实(augmented reality，AR)/虚拟现实(virtual reality，VR)设备、笔记本电脑、超级移动个人计算机(ultra-mobile personalcomputer，UMPC)、上网本、个人数字助理(personal digital assistant，PDA)等终端设备上，本申请实施例对终端设备的具体类型不作任何限制。

作为示例而非限定，当所述终端设备为虚拟现实设备时，虚拟现实设备不仅仅是一种硬件设备，更是通过软件支持以及数据交互、云端交互来实现强大的功能。虚拟现实设备包括功能全、尺寸大、可不依赖智能手机实现完整或者部分的功能，如VR头显等。可选地，可以应用穿戴式技术将上述虚拟现实设备进行智能化设计、开发出具有采集脑电信号的功能的设备，即虚拟现实设备与脑电信号采集设备结合设计为一种可采集脑电信号和具备虚拟现实功能的便携式设备。

图1示出了本申请一实施例提供的虚拟现实设备的部分结构的示意图。如图1所示，虚拟现实设备包括显示单元101、通信模块102、传感器103、存储器104、处理器105、电源106等部件。本领域技术人员可以理解，图1中示出的结构并不构成对虚拟现实设备的限定。在其他实施例中，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

其中，显示单元101可用于显示供用户浏览物品信息的仿真照片或视频，并将照片或视频投射在用户的视网膜上。显示单元101可包括显示面板，可选的，可以采用液晶显示器(Liquid Crystal Display，LCD)、有机发光二极管(Organic Light-Emitting Diode,OLED)等形式来配置显示面板。

通信模块102可用于实现虚拟现实设备与其他终端设备通信，可以提供应用在虚拟现实设备上的包括无线局域网(wireless localarea networks，WLAN)(如Wi-Fi网络)，蓝牙，Zigbee，移动通信网络，全球导航卫星系统(global navigation satellite system，GNSS)，调频(frequency modulation，FM)，近距离无线通信技术(near fieldcommunication，NFC)，红外技术(infrared，IR)等通信的解决方案。通信模块102可以是集成至少一个通信处理模块的一个或多个器件。该通信模块102可以包括天线，该天线可以只有一个阵元，也可以是包括多个阵元的天线阵列。该通信模块102可以通过天线接收电磁波，将电磁波信号调频以及滤波处理，将处理后的信号发送到处理器。通信模块102还可以从处理器接收待发送的信号，对其进行调频、放大，经天线转为电磁波辐射出去。

传感器103可以包括但不限于运动传感器以及其他传感器。具体地，作为运动传感器的一种，加速计传感器可检测各个方向上(一般为三轴)加速度的大小，静止时可检测出重力的大小及方向，可用于识别虚拟现实设备姿态的应用(比如视角变换)、振动识别相关功能(比如计步器、敲击)等；至于虚拟现实设备还可配置的陀螺仪、红外线传感器等其他传感器，在此不再赘述。

存储器104可用于存储软件程序以及模块，处理器105通过运行存储在存储器104的软件程序以及模块，从而执行虚拟现实设备的各种功能应用以及数据处理。存储器104可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据虚拟现实设备的使用所创建的数据(比如用户感兴趣的物品数据等)等。此外，存储器104可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。

处理器105是虚拟现实设备的控制中心，利用各种接口和线路连接整个虚拟现实设备的各个部分，通过运行或执行存储在存储器104内的软件程序和/或模块，以及调用存储在存储器104内的数据，执行虚拟现实设备的各种功能和处理数据。可选的，处理器105可包括一个或多个处理模块，处理模块可包括对脑电信号进行频域分析或时域分析的脑电信号分析单元、对模型结果进行综合分析的综合分析单元等。

虚拟现实设备还包括给各个部件供电的电源106(比如电池)，优选的，电源可以通过电源管理系统与处理器105逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。

图2示出了本申请提供的兴趣识别方法的示意性流程图，作为示例而非限定，该方法可以应用于上述虚拟现实设备中。

S201，获取用户浏览第一物品信息时的多个脑电信号；

在上述S201中，上述第一物品信息为虚拟现实设备展示给用户的照片或视频中的物品信息。获取用户浏览第一物品信息时的多个脑电信号，可以具体为仅一次展示第一物品信息，在用户浏览该次展示的第一物品信息时，脑电信号采集设备采集用户的多个脑电信号；也可以具体为多次展示第一物品信息，在用户浏览虚拟现实设备每次展示第一物品信息时，脑电信号采集设备采集用户的一个或多个脑电信号，向用户多次展示后，得到用户的多个脑电信号。

可选地，用户浏览第一物品信息时，通过一个或多个图片分类器的联合对虚拟现实设备展示的照片或视频进行图像识别，以识别出用户所浏览的照片或视频中的物品信息。其中图片分类器包括但不限于AlexNet、ZFNet、VGGNet、Inception和ResNet。

S202，分析每个所述脑电信号，得到每个所述脑电信号的信号强度；

在上述S202中，脑电信号包括脑波和电位信号。分析脑电信号可以为对脑波进行频域分析，也可以为对电位信号进行时域分析。脑电信号的信号强度可以为脑波振幅或脑波功率谱幅度。

S203，将每个所述脑电信号的信号强度输入预设模型，输出每个所述脑电信号对应的第一模型结果，其中所述预设模型包括规则模型和机器学习模型中的一种或两种；

在上述S203中，上述第一模型结果包括规则模型输出的满足预设规则(感兴趣)的结果、不满足预设规则(不感兴趣)的结果，或者机器学习模型输出感兴趣的结果、不感兴趣的结果。可以理解，可仅通过规则模型对脑电信号的信号强度进行规则分析，或者仅通过机器学习模型对脑电信号的信号强度进行模型分析，又或者通过规则模型和机器学习模型共同对脑电信号的信号强度进行混合分析。

S204，当所述第一模型结果符合预设条件时，确定所述用户对所述第一物品信息感兴趣。

在上述S204中，上述预设条件为表示感兴趣的结果与所有第一模型结果的比值符合预设值。预设条件包括规则模型的规则分析结果对应的第一预设条件、机器学习模型的模型分析结果对应的第二预设条件，以及规则模型和机器学习模型的混合分析结果对应的第三预设条件。由于用户浏览第一物品信息时会不受各种客观因素干扰，所以用户的某个脑电信号得到第一模型结果不一定准确，因此检测多个第一模型结果是否预设条件，当第一模型结果符合预设条件时，则说明用户对第一物品信息非常感兴趣，从而提高兴趣识别精度确定所述用户对所述第一物品信息感兴趣。

本申请实施例通过获取用户浏览第一物品信息时的多个脑电信号，从而获得用户对第一物品信息的意识行为和情绪；分析每个所述脑电信号，得到每个所述脑电信号的信号强度，将每个所述脑电信号的信号强度输入预设模型，输出每个所述脑电信号对应的第一模型结果，其中所述预设模型包括规则模型和机器学习模型中的一种或两种，从而根据一个或多个模型精准、快速的确定用户对第一物品信息的感兴趣程度，进而提高调查用户对第一物品信息感兴趣程度的调查效率；当多个所述第一模型结果符合预设条件时，确定所述用户对所述第一物品信息感兴趣，从而实现根据多个脑电信号的第一模型结果进一步精准确定用户对第一物品信息是否真正的感兴趣，提高兴趣识别的精度

可选地，所述第一物品信息包括所述用户已知的物品信息或所述用户未知的物品信息。用户已知的物品信息为用户在浏览该物品信息之前就已经知道的物品信息，用户未知的物品信息为用户在浏览该物品信息之前并不知道的物品信息。当第一物品信息为用户已知的物品信息时，可以测试用户对第一物品信息是否感兴趣，以有针对性的调查用户对某个物品的兴趣。当第一物品信息为用户未知的物品信息时，可以测试用户对哪一类物品感兴趣。

在图2所示实施例的基础上，图3示出了本申请实施例提供的另一种兴趣识别方法的流程示意图。如图3所示，上述S204具体包括S301和S302。需要说明的是，与图2实施例相同的步骤此处不再赘述，请参见前述。

S301，获取所述第一物品信息被展示给所述用户浏览时的第一时间点，以及获取所述第一模型结果被输出时的第二时间点；

在上述S301中，虚拟现实设备展示第一物品信息，并记录展示第一物品信息的当前的第一时间点。对用户的脑电信号进行分析和处理后，输出第一模型结果，记录第一模型结果被输出时的第二时间点。

S302，当时间长度与预设时间长度之间的差值在预设差值范围内，所述第一模型结果符合预设条件时，将所述第一物品信息作为推荐给所述用户的物品信息，其中所述时间长度为所述第一时间点与所述第二时间点之间的差值。

在上述S302中，上述预设时间长度为虚拟现实设备展示物品信息到预设模型输出结果之间标准时长，预设差值范围为预设的误差范围。通过确定时间长度与预设时间长度之间的差值在预设差值范围内，能够保证将第一物品信息与预设模型的输出结果同步，提高结果的准确度。

例如，虚拟现实设备展示一段视频，视频中依次展示多个第一物品信息，为了确保预设模型输出的第一模型结果与第一物品信息一一对应，所以计算展示某个第一物品信息时的时间点与多个第一模型结果被输出时的时间点之间的时延，以确定第一物品信息对应的第一模型结果，从而消除物品展示时刻与输出结果时刻不同步的影响。

在图3所示实施例的基础上，图4示出了本申请实施例提供的另一种兴趣识别方法的流程示意图。如图4所示，上述方法具体包括S401和S402。需要说明的是，与图3实施例相同的步骤此处不再赘述，请参见前述。

S401，向所述用户展示已知所述用户感兴趣的第二物品信息，并获取所述第二物品信息被展示的第三时间点以及获取所述第二物品信息对应的第二模型结果被输出时的第四时间点；

S402，将所述第三时间点与所述第四时间点之间的差值作为所述预设时间长度。

在上述S401和S402中，通过将已知用户感兴趣的第二物品信息，确保获取到正常的脑电信号，并得到正常的模型结果，从而将第二物品信息被展示时的时间点与第二模型结果被输出时的时间带你之间的时延作为预设时间长度。可以理解，在其他实施例中，可以向用户展示已知用户不感兴趣的物品信息，并计算物品信息被展示和输出结果之间的时延。

在图2所示实施例的基础上，本申请提供的另一种兴趣识别方法的实施例。上述S202具体包括S2021。需要说明的是，与图2实施例相同的步骤此处不再赘述，请参见前述。

S2021，对每个所述脑电信号进行频域分析，得到每个所述脑电信号对应的信号强度，所述脑电信号的信号强度包括α波振幅、α波功率谱幅度、β波振幅、β波功率谱幅度、θ波振幅和θ波功率谱幅度中的一种或多种。

在上述S2021中，对脑电信号进行频域分析，得到的脑电信号强度为α波振幅、β波振幅、θ波振幅和δ波振幅中的一种或多种。上述脑电信号的频域分析还可以包括功率谱分析、AR参数模型谱分析和双谱分析。当为功率谱分析时，得到的脑电信号的信号强度为α波功率谱幅度、β波功率谱幅度、θ波功率谱幅度和δ波功率谱幅度一种或多种。

在图2所示实施例的基础上，图5示出了本申请实施例提供的另一种兴趣识别方法的流程示意图。如图5所示，上述S203具体包括S501和S502。需要说明的是，与图2实施例相同的步骤此处不再赘述，请参见前述。

S501，分别确定每个所述脑电信号的信号强度是否符合所述规则模型中的预设规则，其中所述脑电信号的信号强度包括α波振幅、β波振幅和θ波振幅中的一种或多种的组合，或者包括α波功率谱幅度、β波功率谱幅度和θ波功率谱幅度中的一种或多种的组合；

S502，当所述脑电信号的信号强度符合所述规则模型的预设规则时，输出对应的所述脑电信号的信号强度符合所述预设规则的第一模型结果。

在上述S501和S502中，预设模型为规则模型，本过程为规则模型对脑电信号的信号强度进行规则分析的过程。当脑电信号的信号强度符合如前述的规则模型的预设规则时，输出该脑电信号的信号强度符合预设规则的第一模型结果，当脑电信号的信号强度不符合如前述的规则模型的预设规则时，输出该脑电信号的信号强度不符合预设规则的第一模型结果。

在图5所示实施例的基础上，图6示出了本申请实施例提供的另一种兴趣识别方法的流程示意图。如图6所示，上述S204具体包括S601和S602。需要说明的是，与图5实施例相同的步骤此处不再赘述，请参见前述。

S601，根据多个所述第一模型结果确定所述脑电信号的信号强度符合所述预设规则的脑电信号个数；

在上述S601中，第一模型结果均为用户浏览第一物品信息时的脑电信号对应的模型结果，为了精准确定用户对第一物品信息是否真的感兴趣，则统计第一模型结果为脑电信号的信号强度符合预设规则的第一模型结果的个数，也是脑电信号个数(每个脑电信号对应一个第一模型结果)。

S602，当所述脑电信号个数与所述脑电信号的总个数的比值大于第一预设值时，确定所述用户对所述第一物品信息感兴趣。

在上述S602中，当脑电信号个数与脑电信号的总个数的比值大于第一预设值(例如40％)，则确定用户对第一物品信息感兴趣。

在图2所示实施例的基础上，图7示出了本申请实施例提供的另一种兴趣识别方法的流程示意图。如图7所示，上述S203具体包括S701。需要说明的是，与图2实施例相同的步骤此处不再赘述，请参见前述。

S701，将所述脑电信号的信号强度输入到所述机器学习模型中，输出结果为正或为负的第一模型结果，其中所述脑电信号的信号强度包括α波振幅、β波振幅和θ波振幅中的一种或多种的组合，或者包括α波功率谱幅度、β波功率谱幅度和θ波功率谱幅度中的一种或多种的组合。

在上述S701中，预设模型为机器学习模型，本过程为机器学习模型对脑电信号的信号强度进行模型分析的过程。机器学习模型对脑电信号的信号强度进行特征提取、特征分析后，输出结果为正的第一模型结果或结果为负的第一模型结果，其中结果为正表示用户对第一物品信息感兴趣，结果为负表示用户对第一物品信息不感兴趣。

在图7所示实施例的基础上，图8示出了本申请实施例提供的另一种兴趣识别方法的流程示意图。如图8所示，上述S204具体包括S801和S802。需要说明的是，与图7实施例相同的步骤此处不再赘述，请参见前述。

S801，根据多个所述第一模型结果确定所述第一模型结果为正的个数；

在上述S801中，第一模型结果均为用户浏览第一物品信息时的脑电信号对应的模型结果，为了精准确定用户对第一物品信息是否真的感兴趣，则统计结果为正的第一模型结果的个数。

S802，当所述第一模型结果为正的个数与所述第一模型结果的总个数的比值大于第二预设值时，确定所述用户对所述第一物品信息感兴趣。

在上述S802中，当所述第一模型结果为正的个数与所述第一模型结果的总个数的比值大于第二预设值(例如40％)时，则确定用户对第一物品信息感兴趣。

在图2所示实施例的基础上，图9示出了本申请实施例提供的另一种兴趣识别方法的流程示意图。如图9所示，上述S204具体包括S901～S903。需要说明的是，与图2实施例相同的步骤此处不再赘述，请参见前述。

S901，根据多个所述第三模型结果确定所述脑电信号的信号强度符合所述规则模型中预设规则的第三模型结果的第一个数，以及根据多个所述第四模型结果确定结果为正的第四模型结果第二个数；

在上述S901中，预设模型为规则模型和机器学习模型，规则模型和机器学习模型分别对脑电信号的信号强度进行分析，规则模型输出其对应的第三模型结果，机器学习模型输出其对应的第四模型结果。统计脑电信号的信号强度符合前述规则模型的预设规则的第三模型结果的第一个数，以及统计结果为正的第四模型结果的第二个数。

S902，计算所述第一个数与所述第三模型结果的总个数之间的第一比值，以及计算所述第二个数与所述第四模型结果的总个数之间的第二比值；

S903，当所述第一比值与所述第二比值的加权结果大于第三预设值时，确定所述用户对所述第一物品信息感兴趣。

在上述S901和S903中，当所述第一比值与所述第二比值的加权结果大于第三预设值(例如40％)时，则确定用户对第一物品信息感兴趣。对脑电信号的信号强度进行规则分析和模型分析的结果进行加权，以提高结果的准确性和模型的鲁棒性。

在图2所示实施例的基础上，本申请提供了另一种兴趣识别方法的实施例。，上述S204之后还包括S2041。需要说明的是，与图2实施例相同的步骤此处不再赘述，请参见前述。

S2041，将所述第一物品信息和/或所述用户的用户信息推送至预设设备，所述预设设备包括服务设备和所述用户的用户设备中的一种或两种。

在上述S2041中，上述服务设备为根据所述第一物品信息和/或用户信息分析哪些物品受用户喜爱、哪一类用户喜爱哪一类物品等的服务器，其包括但不限于独立服务器、集群服务器等，本申请实施例对服务设备的具体类型不作任何限制。通过将第一物品信息和/或用户信息推送至服务设备进行分析，可以根据分析结果向用户推荐最符合用户的物品信息，提高物品推荐结果的准确度。

上述用户设备为用户可以实现对所推送的第一物品信息进行下单购买的设备，其包括但不限于手机、平板电脑、车载设备、笔记本电脑、上网本、个人数字助理(personaldigital assistant，PDA)等设备，本申请实施例对用户设备的具体类型不作任何限制。例如，虚拟现实设备检测出用户对第一物品信息感兴趣，将第一物品信息推送至用户设备，以便于用户购买该第一物品信息。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。

对应于上文实施例所述的兴趣识别方法，图10示出了本申请实施例提供的兴趣识别装置1000的结构框图，为了便于说明，仅示出了与本申请实施例相关的部分。

参照图10，该装置包括：

获取模块1001，用于获取用户浏览第一物品信息时的多个脑电信号；

分析模块1002，用于分析每个所述脑电信号，得到每个所述脑电信号的信号强度；

输出模块1003，用于将每个所述脑电信号的信号强度输入预设模型，输出每个所述脑电信号对应的第一模型结果，其中所述预设模型包括规则模型和机器学习模型中的一种或两种；

确定模块1004，用于当多个所述第一模型结果符合预设条件时，确定所述用户对所述第一物品信息感兴趣。

需要说明的是，上述装置/单元之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

图11为本申请一实施例提供的终端设备的结构示意图。如图11所示，该实施例的终端设备11包括：至少一个处理器110(图11中仅示出一个)处理器、存储器111以及存储在所述存储器111中并可在所述至少一个处理器110上运行的计算机程序112，所述处理器110执行所述计算机程序112时实现上述任意各个兴趣识别方法实施例中的步骤。

所述终端设备11可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备，具体地，如上述虚拟现实设备。该终端设备可包括但不仅限于，处理器110、存储器111。本领域技术人员可以理解，图11仅仅是终端设备11的举例，并不构成对终端设备11的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如还可以包括输入输出设备、网络接入设备等。

所称处理器110可以是中央处理单元(Central Processing Unit，CPU)，该处理器110还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

所述存储器111在一些实施例中可以是所述终端设备11的内部存储单元，例如终端设备11的硬盘或内存。所述存储器111在另一些实施例中也可以是所述终端设备11的外部存储设备，例如所述终端设备11上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器111还可以既包括所述终端设备11的内部存储单元也包括外部存储设备。所述存储器111用于存储操作系统、应用程序、引导装载程序(BootLoader)、数据以及其他程序等，例如所述计算机程序的程序代码等。所述存储器111还可以用于暂时地存储已经输出或者将要输出的数据。

本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现可实现上述各个方法实施例中的步骤。

本申请实施例提供了一种计算机程序产品，当计算机程序产品在移动终端上运行时，使得移动终端执行时实现可实现上述各个方法实施例中的步骤。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括：能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。

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。

本领域普通技术人员可以意识到，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、或者计算机软件和电子硬件的结合来实现。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申请的范围。

在本申请所提供的实施例中，应该理解到，所揭露的装置/网络设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/网络设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (13)

1.一种兴趣识别方法，其特征在于，包括：

获取用户浏览第一物品信息时的多个脑电信号；

分析每个所述脑电信号，得到每个所述脑电信号的信号强度；

将每个所述脑电信号的信号强度输入预设模型，输出每个所述脑电信号对应的第一模型结果，其中所述预设模型包括规则模型和机器学习模型中的一种或两种；

获取所述第一物品信息被展示给所述用户浏览时的第一时间点，以及获取所述第一模型结果被输出时的第二时间点；

当时间长度与预设时间长度之间的差值在预设差值范围内，多个所述第一模型结果符合预设条件时，确定所述用户对所述第一物品信息感兴趣，其中所述时间长度为所述第一时间点与所述第二时间点之间的差值，所述预设时间长度为第三时间点和第四时间点时间的差值，所述第三时间点为用户感兴趣的第二物品信息被展示的时间点，所述第四时间点为所述第二物品信息对应的第二模型结果被输出的时间点，所述预设条件为表示感兴趣的结果与所有第一模型结果的比值符合预设值，所述预设条件包括规则模型的规则分析结果对应的第一预设条件、机器学习模型的模型分析结果对应的第二预设条件，以及规则模型和机器学习模型的混合分析结果对应的第三预设条件。

2.如权利要求1所述的兴趣识别方法，其特征在于，还包括：

向所述用户展示已知所述用户感兴趣的第二物品信息，并获取所述第二物品信息被展示的第三时间点以及获取所述第二物品信息对应的第二模型结果被输出时的第四时间点；

将所述第三时间点与所述第四时间点之间的差值作为所述预设时间长度。

3.如权利要求1所述的兴趣识别方法，其特征在于，所述第一物品信息包括所述用户已知的物品信息或所述用户未知的物品信息。

4.如权利要求1所述的兴趣识别方法，其特征在于，所述分析每个所述脑电信号，得到每个所述脑电信号的信号强度，包括：

对每个所述脑电信号进行频域分析，得到每个所述脑电信号对应的信号强度，所述脑电信号的信号强度包括α波振幅、β波振幅和θ波振幅中的一种或多种的组合，或者包括α波功率谱幅度、β波功率谱幅度和θ波功率谱幅度中的一种或多种的组合。

5.如权利要求1所述的兴趣识别方法，其特征在于，所述预设模型为所述规则模型，所述将每个所述脑电信号的信号强度输入预设模型，输出每个所述脑电信号对应的第一模型结果，包括：

分别确定每个所述脑电信号的信号强度是否符合所述规则模型中的预设规则，其中所述脑电信号的信号强度包括α波振幅、β波振幅和θ波振幅中的一种或多种的组合，或者包括α波功率谱幅度、β波功率谱幅度和θ波功率谱幅度中的一种或多种的组合；

当所述脑电信号的信号强度符合所述规则模型的预设规则时，输出对应的所述脑电信号的信号强度符合所述预设规则的第一模型结果。

6.如权利要求5所述的兴趣识别方法，其特征在于，所述当时间长度与预设时间长度之间的差值在预设差值范围内，多个所述第一模型结果符合预设条件时，确定所述用户对所述第一物品信息感兴趣，包括：

当时间长度与预设时间长度之间的差值在预设差值范围内时，根据多个所述第一模型结果确定所述脑电信号的信号强度符合所述预设规则的脑电信号个数；

当所述脑电信号个数与所述脑电信号的总个数的比值大于第一预设值时，确定所述用户对所述第一物品信息感兴趣。

7.如权利要求1所述的兴趣识别方法，其特征在于，所述预设模型为所述机器学习模型，所述将每个所述脑电信号的信号强度输入预设模型，输出每个所述脑电信号对应的第一模型结果，包括：

将所述脑电信号的信号强度输入到所述机器学习模型中，输出结果为正或为负的第一模型结果，其中所述脑电信号的信号强度包括α波振幅、β波振幅和θ波振幅中的一种或多种的组合，或者包括α波功率谱幅度、β波功率谱幅度和θ波功率谱幅度中的一种或多种的组合。

8.如权利要求7所述的兴趣识别方法，其特征在于，所述当时间长度与预设时间长度之间的差值在预设差值范围内，多个所述第一模型结果符合预设条件时，确定所述用户对所述第一物品信息感兴趣，包括：

当时间长度与预设时间长度之间的差值在预设差值范围内时，根据多个所述第一模型结果确定所述第一模型结果为正的个数；

当所述第一模型结果为正的个数与所述第一模型结果的总个数的比值大于第二预设值时，确定所述用户对所述第一物品信息感兴趣。

9.如权利要求1所述的兴趣识别方法，其特征在于，所述第一模型结果包括所述规则模型输出的多个第三模型结果和所述机器学习模型输出的多个第四模型结果，所述当时间长度与预设时间长度之间的差值在预设差值范围内，多个所述第一模型结果符合预设条件时，确定所述用户对所述第一物品信息感兴趣，包括：

当时间长度与预设时间长度之间的差值在预设差值范围内时，根据多个所述第三模型结果确定所述脑电信号的信号强度符合所述规则模型中预设规则的第三模型结果的第一个数，以及根据多个所述第四模型结果确定结果为正的第四模型结果的第二个数；

计算所述第一个数与所述第三模型结果的总个数之间的第一比值，以及计算所述第二个数与所述第四模型结果的总个数之间的第二比值；

当所述第一比值与所述第二比值的加权结果大于第三预设值时，确定所述用户对所述第一物品信息感兴趣。

10.如权利要求1所述的兴趣识别方法，其特征在于，所述当时间长度与预设时间长度之间的差值在预设差值范围内，多个所述第一模型结果符合预设条件时，确定所述用户对所述第一物品信息感兴趣之后，还包括：

将所述第一物品信息和/或所述用户的用户信息推送至预设设备，所述预设设备包括服务设备和所述用户的用户设备中的一种或两种。

11.一种兴趣识别装置，其特征在于，包括：

获取模块，用于获取用户浏览第一物品信息时的多个脑电信号；

分析模块，用于分析每个所述脑电信号，得到每个所述脑电信号的信号强度；

输出模块，用于将每个所述脑电信号的信号强度输入预设模型，输出每个所述脑电信号对应的第一模型结果，其中所述预设模型包括规则模型和机器学习模型中的一种或两种；

确定模块，用于获取所述第一物品信息被展示给所述用户浏览时的第一时间点，以及获取所述第一模型结果被输出时的第二时间点；当时间长度与预设时间长度之间的差值在预设差值范围内，所述第一模型结果符合预设条件时，确定所述用户对所述第一物品信息感兴趣，其中所述时间长度为所述第一时间点与所述第二时间点之间的差值，所述预设时间长度为第三时间点和第四时间点时间的差值，所述第三时间点为用户感兴趣的第二物品信息被展示的时间点，所述第四时间点为所述第二物品信息对应的第二模型结果被输出的时间点，所述预设条件为表示感兴趣的结果与所有第一模型结果的比值符合预设值，所述预设条件包括规则模型的规则分析结果对应的第一预设条件、机器学习模型的模型分析结果对应的第二预设条件，以及规则模型和机器学习模型的混合分析结果对应的第三预设条件。

12.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至10任一项所述的方法。

13.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至10任一项所述的方法。

Images