CN112068962A - 一种基于深度学习的云渲染资源兑换方法 - Google Patents

一种基于深度学习的云渲染资源兑换方法 Download PDF

Info

Publication number
CN112068962A
CN112068962A CN202010959406.8A CN202010959406A CN112068962A CN 112068962 A CN112068962 A CN 112068962A CN 202010959406 A CN202010959406 A CN 202010959406A CN 112068962 A CN112068962 A CN 112068962A
Authority
CN
China
Prior art keywords
resource
rendering
user
platform
deep learning
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202010959406.8A
Other languages
English (en)
Inventor
梅向东
金伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangsu Cudatec Co ltd
Original Assignee
Jiangsu Cudatec Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Jiangsu Cudatec Co ltd filed Critical Jiangsu Cudatec Co ltd
Priority to CN202010959406.8A priority Critical patent/CN112068962A/zh
Publication of CN112068962A publication Critical patent/CN112068962A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5061—Partitioning or combining of resources
    • G06F9/5066—Algorithms for mapping a plurality of inter-dependent sub-tasks onto a plurality of physical CPUs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0207—Discounts or incentives, e.g. coupons or rebates
    • G06Q30/0208—Trade or exchange of goods or services in exchange for incentives or rewards
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T15/00—3D [Three Dimensional] image rendering
    • G06T15/005—General purpose rendering architectures

Abstract

本发明公开了一种基于深度学习的云渲染资源兑换方法，第一步，构建一种面向云渲染业务的改进版深度学习平台，采用三层架构，底层、平台层、应用层；第二步，提供一种基于深度学习的渲染资源快速甄别和确认方法，部署自动生成数据集，授信用户相应提交资源智能快速甄别与确认，通过链下相关应用完成；第三步，提供一种初始价值估值模型；第四步，提供一种应用增值的计算模型，该模型通过对该资源被使用的数据进行分析，给出其市场认可价值，在所链接的区块链上保存该资源产生、原始估值、使用的完整过程数据；第五步，提供一种自适应的多元兑换方法，依据预测的用户充值意图和目标档位，为目标用户推荐优惠方式。

Description

一种基于深度学习的云渲染资源兑换方法
技术领域
本发明属于信息技术领域，涉及一种资源兑换方法，更具体是涉及一种基于深度学习的云渲染资源兑换方法。
背景技术
目前的渲染平台会通过与渲染资源交易平台的合作来达到资源兑换的目的，但现有的与渲染有关电子商务平台之间关联松散，信息孤岛突出，缺少一个专门为用户提供资源兑换的平台，不能很好利用各个电子商务平台的优势满足更多的互联网消费者。通过用户流量大的渲染平台自身成为资源卖场，让用户可以在渲染的同时，将自己设计的产品投入渲染平台的资源市场，让更多人关注自己的设计，满足用户个性化的需求。
企业信息化转型的过程中，商业模式也发生了改变。从基本的购买软硬件产品到购买信息服务，生态系统正在形成，产业链也开始发展和整合。通过渲染平台让用户分享自己的渲染成果，即能给用户带来利益，也能使平台留存用户，吸引用户，增加用户对平台的依赖度、忠诚度，成为集管理与营销为一体的平台，为用户提供统一的服务，提升品牌影响力。
目前大多数的渲染平台依然停留在为用户提供渲染服务的基础上，没有充分利用用户设计的渲染素材资源实现资源兑换，浪费了良好的渲染素材资源。资源兑换指的是用户原创的渲染素材资源和终端用户货币资源，通过渲染平台达到两方资源等价互换的目的。随着人工智能的快速发展，图像识别及语音识别等技术也随之快速发展，其中，图像识别技术已经应用于众多领域之中，图像识别中的深度学习技术可以很好地应用于云渲染业务中。据目前状况看来，深度学习的训练模型在建立的过程中的工作量较大，图像识别的效率不高。
而且目前大多数渲染平台的数据信息依然保存在本地的数据库中，本地数据库中的数据信息容易被泄露篡改，安全性缺乏保障。为了保障数据的安全性，渲染平台可对接区块链，将确认信息和使用记录都写在区块链上，每次交易过程都追溯区块链的信息，确保平台资源兑换安全可信。
同时，为了尽可能保障资源兑换双方交易的平等性，渲染平台可以将系统内部的货币作为渲染资源价值的载体，内部的货币价值评估主要依靠市场的判断，对渲染资源被使用的数据等进行分析，时刻与市场情况相关联，给出其市场认可价值，从而尽可能保证渲染平台系统内部货币价值的公平性和可靠性。
此外，目前大多数渲染平台依然利用降低产品/服务价格的活动来吸引用户，与用户之间资源互换的方式单一。渲染平台通过对用户不同行为的判断切换优惠券的兑换方式，通过多元的消费方式满足用户的心理需求，提高用户的忠诚度和对平台依赖度。
发明内容
本发明解决的问题：针对目前市场上没有成熟的渲染资源兑换平台，既能为用户提供安全可靠的资源兑换环境，又能满足用户多元的消费需求。
本发明提供了一种基于深度学习的云渲染资源兑换方法，该方法包括构建专门的深度学习平台、开放的素材甄别自动实施、可信的素材初始价值及应用增值评估、安全的数据保存和自适应的多元兑换方法。它能够在模型建立的过程中避免特征提取操作中大量且重复的工作，从而减少训练模型的建立工作量，进而提高训练模型建立的效率，实现平台与用户之间的价值交换。
为达到上述目的，本发明采用如下技术方案：一种基于深度学习的云渲染资源兑换方法，其特征在于：
第一步，构建一种面向云渲染业务的改进版深度学习平台，该平台如图1所示，采用三层架构，底层：对接计算(渲染和常规)、储存和网络(渲染、应用、区块链)资源；平台层：部署了渲染、深度学习和数据分析平台，并进行了定制化裁剪；应用层：通过灵活设置的接口对接部署深度学习和数据分析平台，可对用户提交的可交换的渲染资源进行甄别、确认、训练和估值，也可与区块链对接，安全的保护相关的过程数据。
第二步，提供一种基于深度学习的渲染资源快速甄别和确认方法，部署自动生成数据集。授信用户相应提交资源智能快速甄别与确认。主要通过链下相关应用完成，其特点：1)智能性，主要过程通过基于AI的图像识别系统完成；2)自动化，整个甄别与确认过程受相应的自动机控制；3)快速高效，对新入库资源，需对识别模型进行重新训练，为了提升效率，采用了3阶段(初步训练、模型模型升级及测试)方法；具体步骤：
A授信用户可通过云渲染业务平台按指定要求(大小、格式)提交自己原创资源(如贴图材质)，系统通过AI图像识别系统进行甄别，如果识别率>0.60，认定所提交资源库里已有，不予接受；
B如果识别率<0.40，认定所提交资源库里没有，可作为新资源接受，进入下一步骤进行识别模型更新。如果0.60≥识别率≥0.40，提请用户调整，并重新提交。若重复3次，识别率还是处于(0.60，0.40)，认定为不能识别，不予接受；
C对新资源入库要经过初步训练，该步骤具体包括：
1)准备数据；包含新资源、新资源的扩展样本，与新资源相似度最高的前五个素材的样本等比例构建，样本规模>2000。新资源的扩展样本通过对新样本的简单几何处理自动生成，其它相对高相似度样本通过提取的相应子集汇总而成。
进一步地，所述拓展样本为渲染图片经过平移、转换、缩放、挤压处理生成的图片。旋转图片到一定尺度，就会形成一个新的扩展样本。
2)实施初步训练，同样通过基于AI的图像识别系统来完成，使运行于训练模式；
3)若识别率>60则训练成功，转模型升级迁移，否则调整数据集，继续，直至成功；
D模型升级及测试，通过部署的深度学习平台来完成，需要对训练模式输出的模型进一步处理；该步骤具体包括，
1)模型比对；
2)调整初始数据集，微调初始模型；
3)测试，设置少量的样本规模进行半压测试，提高训练效率，对新模型再训练；
E确认及安全入库，该步骤具体包括：
1)命名，新资源名的重要性不言而喻，从训练和标定时就需要了(即认定为可接受的新资源时)，直至后续各环节。相应工作有两部分组成：名称，注释；为便于新资源高效上链，名称采用如下构成规则：授信用户名(在系统内是唯一的)+日期(年月日)+申请时间(时分秒)+序号(0-9)；为便于新资源的估值、增值和转换计算，命名是对新资源进行相应注释，注释内容由在甄别环节得到的与新资源相似度最高的前五个素材的名称及其相似度构成。
2)安全入库，通过应用接口将包含新素材的数据集、识别模型、命名信息以载到可链接的区块链上，实现相关信息的安全存储；
第三步，提供一种初始价值估值模型，新资源的价值是实现转换的重要依据。在本方法中，所述新资源的价值＝初始价值+应用增值。初始估值主要考虑原始价值，其计算模型建立在甄别环节和训练环节从深度学习平台中得到相关数据之上。主要考虑因素：当前检测数据集代表性、新资源差异度和可扩展性；具体公式v＝p1+p2+p3。
进一步地，所述p1与现有样本数据集的总量有关，p2与甄别环节得到的与新资源相似度最高的前五个的识别率有关，p3与初步训练环节生成的扩展样本的数量有关。
第四步，提供一种应用增值的计算模型。该模型通过对该资源被使用的数据进行分析，给出其市场认可价值。在所链接的区块链上保存了该资源产生、原始估值、使用(直接、转换)的完整过程数据，本计算模型就是通过部署的数据分析平台对这些数据进行分析计算获得的，其公式如下：
y＝b0x0+b1x1+b2x2
其中，第一项与一定时间内资源的使用量有关，反应了资源是否受欢迎的基本情况。x0是被使用的量，y是增值总量，b0是采用灰色关联分析法对使用该资源用户(用量为前3的)使用其它资源(用量前3的)情况进行关联分析获得的对该资源的关联系数；第二项与一定时间内资源的使用量有关资源热度的上升速度，x1是被使用的上升速度，b1是通过聚类分析使用该资源用户(用量为前5的)快速聚合到该资源的关联系数；第三项资源的使用量有关资源的持续关注度，x2是被使用的总量，b2是通过差分分析法，对资源使用量进行分析，获得的资源使用波动系数。
第五步，提供一种自适应的多元兑换方法，依据预测的用户充值意图和目标档位，为目标用户推荐优惠方式，如图3所示。多元兑换方法包括步骤如下：
1.根据渲染平台渲染账户的注册时间进行新老用户判定来推荐优惠券。若是新用户，渲染平台自动发放免费渲染优惠券入账户钱包，优惠券信息存储到区块链内。若是老用户，渲染平台监测个人账户内的钱包余额，提醒老用户进行兑换。兑换到一定额度后，用户个人账户会点亮会员标识，会员将获得兑换档位兑换获得的额外优惠券。
进一步地，所述老用户充值分为不同档位，不同档位拥有不同的优惠额度。兑换档位越高，优惠额度越大。渲染平台分析老用户的消费习惯模型，为老用户推荐适合的兑换档位。
2.用户在渲染平台内的一定操作能主动获得优惠券。用户推广渲染平台和使用渲染平台推荐的第三方服务后，渲染平台核实用户账号是否进行推广和使用操作，核实成功后，用户个人账户内自动获得优惠券。
本发明具有以下特点：
1)具有弹性，其功能及性能能随云服务同步伸缩部署与实施；
2)效率优先，快速高效，对新入库资源，需对识别模型进行重新训练，采用了三阶段方法；
3)突出重点，用深度学习系统用户提交资源快速甄别和确认，同时结合数据分析平台相应资源及其价值、价值的计算；
4)安全可靠，确认信息和使用记录均存储在区块链上；
5)应用方便，各类人员可在渲染业务平台上实时动态地查看相关信息；
6)自动化，整个甄别与确认过程受相应的自动机控制。
本发明不仅能应用于渲染领域，在今后也可以推广服务于更广泛领域，为更多领域提供高效便捷的服务。
附图说明
图1为本发明实施例的深度学习平台。
图2为本发明实施例的基于深度学习的渲染资源快速甄别和确认方法。
图3为本发明实施例的自适应的多元兑换方法。
具体实施方式
以下结合附图和具体实施例对本发明作进一步详细说明。
如图1所示，本发明实施例的深度学习平台，本实施例的首先构建一种面向云渲染业务的改进版深度学习平台，该平台如图1所示，采用三层架构，底层：对接计算(渲染和常规)、储存和网络(渲染、应用、区块链)资源；平台层：部署了渲染、深度学习和数据分析平台，并进行了定制化裁剪；应用层：通过灵活设置的接口对接部署深度学习和数据分析平台，可对用户提交的可交换的渲染资源进行甄别、确认、训练和估值，也可与区块链对接，安全的保护相关的过程数据。
如图2所示，本发明实施例提供一种基于深度学习的渲染资源快速甄别和确认方法，部署自动生成数据集。授信用户相应提交资源智能快速甄别与确认。主要通过链下相关应用完成，其特点：1)智能性，主要过程通过基于AI的图像识别系统完成；2)自动化，整个甄别与确认过程受相应的自动机控制；3)快速高效，对新入库资源，需对识别模型进行重新训练，为了提升效率，采用了3阶段(初步训练、模型模型升级及测试)方法；具体步骤：
A授信用户可通过云渲染业务平台按指定要求(大小、格式)提交自己原创资源(如贴图材质)，系统通过AI图像识别系统进行甄别，如果识别率>0.60，认定所提交资源库里已有，不予接受；
B如果识别率<0.40，认定所提交资源库里没有，可作为新资源接受，进入下一步骤进行识别模型更新。如果0.60≥识别率≥0.40，提请用户调整，并重新提交。若重复3次，识别率还是处于(0.60，0.40)，认定为不能识别，不予接受；
C对新资源入库要经过初步训练，该步骤具体包括：
C-1准备数据；包含新资源、新资源的扩展样本，与新资源相似度最高的前五个素材的样本等比例构建，样本规模>2000。新资源的扩展样本通过对新样本的简单几何处理自动生成，其它相对高相似度样本通过提取的相应子集汇总而成。
进一步地，所述拓展样本为渲染图片经过平移、转换、缩放、挤压处理生成的图片。旋转图片到一定尺度，就会形成一个新的扩展样本。
C-2实施初步训练，同样通过基于AI的图像识别系统来完成，使运行于训练模式；
C-3若识别率>60则训练成功，转模型升级迁移，否则调整数据集，继续，直至成功；
D模型升级及测试，通过部署的深度学习平台来完成，需要对训练模式输出的模型进一步处理；该步骤具体包括，
1)模型比对；
2)调整初始数据集，微调初始模型；
3)测试，设置少量的样本规模进行半压测试，提高训练效率，对新模型再训练；
E确认及安全入库，该步骤具体包括：
1)命名，新资源名的重要性不言而喻，从训练和标定时就需要了(即认定为可接受的新资源时)，直至后续各环节。相应工作有两部分组成：名称，注释；为便于新资源高效上链，名称采用如下构成规则：授信用户名(在系统内是唯一的)+日期(年月日)+申请时间(时分秒)+序号(0-9)；为便于新资源的估值、增值和转换计算，命名是对新资源进行相应注释，注释内容由在甄别环节得到的与新资源相似度最高的前五个素材的名称及其相似度构成。
2)安全入库，通过应用接口将包含新素材的数据集、识别模型、命名信息以载到可链接的区块链上，实现相关信息的安全存储；
本实施例的基于深度学习的云渲染资源兑换方法，提供一种初始价值估值模型，新资源的价值是实现转换的重要依据。在本方法中，所述新资源的价值＝初始价值+应用增值。初始估值主要考虑原始价值，其计算模型建立在甄别环节和训练环节从深度学习平台中得到相关数据之上。主要考虑因素：当前检测数据集代表性、新资源差异度和可扩展性；具体公式v＝p1+p2+p3。
进一步地，所述p1与现有样本数据集的总量有关，p2与甄别环节得到的与新资源相似度最高的前五个的识别率有关，p3与初步训练环节生成的扩展样本的数量有关。
本实施例的基于深度学习的云渲染资源兑换方法，提供一种应用增值的计算模型。该模型通过对该资源被使用的数据进行分析，给出其市场认可价值。在所链接的区块链上保存了该资源产生、原始估值、使用(直接、转换)的完整过程数据，本计算模型就是通过部署的数据分析平台对这些数据进行分析计算获得的，其公式如下：
y＝b0x0+b1x1+b2x2
其中，第一项与一定时间内资源的使用量有关，反应了资源是否受欢迎的基本情况。x0是被使用的量，y是增值总量，b0是采用灰色关联分析法对使用该资源用户(用量为前3的)使用其它资源(用量前3的)情况进行关联分析获得的对该资源的关联系数；第二项与一定时间内资源的使用量有关资源热度的上升速度，x1是被使用的上升速度，b1是通过聚类分析使用该资源用户(用量为前5的)快速聚合到该资源的关联系数；第三项资源的使用量有关资源的持续关注度，x2是被使用的总量，b2是通过差分分析法，对资源使用量进行分析，获得的资源使用波动系数。
本实施例的基于深度学习的云渲染资源兑换方法，提供一种自适应的多元兑换方法，依据预测的用户充值意图和目标档位，为目标用户推荐优惠方式，如图3所示，本实施例的自适应的多元兑换方法。所述多元兑换方法包括步骤如下：
步骤1，根据渲染平台渲染账户的注册时间进行新老用户判定来推荐优惠券。若是新用户，渲染平台自动发放免费渲染优惠券入账户钱包，优惠券信息存储到区块链内。若是老用户，渲染平台监测个人账户内的钱包余额，提醒老用户进行兑换。兑换到一定额度后，用户个人账户会点亮会员标识，会员将获得兑换档位兑换获得的额外优惠券。
进一步地，所述老用户充值分为不同档位，不同档位拥有不同的优惠额度。兑换档位越高，优惠额度越大。渲染平台分析老用户的消费习惯模型，为老用户推荐适合的兑换档位。
步骤2，用户在渲染平台内的一定操作能主动获得优惠券。用户推广渲染平台和使用渲染平台推荐的第三方服务后，渲染平台核实用户账号是否进行推广和使用操作，核实成功后，用户个人账户内自动获得优惠券。
虽然本发明创造已以较佳实施例公开如上，但实施例和附图并不是用来限定本发明，任何熟悉此技艺者，在不脱离本发明之精神和范围内，自当可作各种变化或润饰，但同样在本发明的保护范围之内。因此本发明的保护范围应当以本申请的权利要求保护范围所界定的为准。

Claims (8)

1.一种基于深度学习的云渲染资源兑换方法，其特征在于：
第一步，构建一种面向云渲染业务的改进版深度学习平台，采用三层架构，底层：对接计算(渲染和常规)、储存和网络(渲染、应用、区块链)资源；平台层：部署渲染、深度学习和数据分析平台，并进行定制化裁剪；应用层：通过灵活设置的接口对接部署深度学习和数据分析平台，对用户提交的可交换的渲染资源进行甄别、确认、训练和估值，与区块链对接，安全的保护相关的过程数据；
第二步，提供一种基于深度学习的渲染资源快速甄别和确认方法，部署自动生成数据集，授信用户相应提交资源智能快速甄别与确认，通过链下相关应用完成；
第三步，提供一种初始价值估值模型，新资源的价值是实现转换的重要依据，新资源的价值＝初始价值+应用增值，初始估值的计算模型建立在甄别环节和训练环节从深度学习平台中得到相关数据之上，考虑因素：当前检测数据集代表性、新资源差异度和可扩展性；具体公式v＝p1+p2+p3；
所述p1与现有样本数据集的总量有关，p2与甄别环节得到的与新资源相似度最高的前五个的识别率有关，p3与初步训练环节生成的扩展样本的数量有关；
第四步，提供一种应用增值的计算模型，该模型通过对该资源被使用的数据进行分析，给出其市场认可价值，在所链接的区块链上保存该资源产生、原始估值、使用(直接、转换)的完整过程数据，本计算模型就是通过部署的数据分析平台对这些数据进行分析计算获得的；
第五步，提供一种自适应的多元兑换方法，依据预测的用户充值意图和目标档位，为目标用户推荐优惠方式。
2.根据权利要求1所述的基于深度学习的云渲染资源互换方法，其特征在于：所述第二步的具体步骤为：
子步骤A，授信用户可通过云渲染业务平台按指定要求(大小、格式)提交自己原创资源(如贴图材质)，系统通过AI图像识别系统进行甄别，如果识别率>0.60，认定所提交资源库里已有，不予接受；
子步骤B，如果识别率<0.40，认定所提交资源库里没有，作为新资源接受，进入下一步骤进行识别模型更新；如果0.60≥识别率≥0.40，提请用户调整，并重新提交；若重复3次，识别率还是处于(0.60，0.40)，认定为不能识别，不予接受；
子步骤C，对新资源入库要经过初步训练；
子步骤D，模型升级及测试，通过部署的深度学习平台来完成，需要对训练模式输出的模型进一步处理；
子步骤E，确认及安全入库。
3.根据权利要求2所述的基于深度学习的云渲染资源互换方法，其特征在于：所述子步骤C具体包括：
步骤C-1、准备数据；包含新资源、新资源的扩展样本，与新资源相似度最高的前几个素材的样本等比例构建；新资源的扩展样本通过对新样本的简单几何处理自动生成，其它相对高相似度样本通过提取的相应子集汇总而成；
所述拓展样本为渲染图片经过平移、转换、缩放、挤压处理生成的图片，旋转图片到一定尺度，就会形成一个新的扩展样本；
步骤C-2、实施初步训练，同样通过基于AI的图像识别系统来完成，使运行于训练模式；
步骤C-3、若识别率>60，则训练成功，转模型升级迁移，否则调整数据集，继续，直至成功。
4.根据权利要求2所述的基于深度学习的云渲染资源互换方法，其特征在于：所述子步骤D具体包括：
步骤D-1、模型比对；
步骤D-2、调整初始数据集，微调初始模型；
步骤D-3、测试，设置少量的样本规模进行半压测试，提高训练效率，对新模型再训练。
5.根据权利要求2所述的基于深度学习的云渲染资源互换方法，其特征在于：所述子步骤E具体包括：
步骤E-1、命名，相应工作有两部分组成：名称，注释；名称采用构成规则：授信用户名(在系统内是唯一的)+日期(年月日)+申请时间(时分秒)+序号(0-9)；为便于新资源的估值、增值和转换计算，命名是对新资源进行相应注释，注释内容由在甄别环节得到的与新资源相似度最高的前几个素材的名称及其相似度构成；
步骤E-2、安全入库，通过应用接口将包含新素材的数据集、识别模型、命名信息以载到可链接的区块链上，实现相关信息的安全存储。
6.根据权利要求1所述的基于深度学习的云渲染资源互换方法，其特征在于：所述第四步的计算模型，其公式如下：
y＝b0x0+b1x1+b2x2
其中，第一项与一定时间内资源的使用量有关，反应了资源是否受欢迎的基本情况。x0是被使用的量，y是增值总量，b0是采用灰色关联分析法对使用该资源用户(用量为前3的)使用其它资源(用量前3的)情况进行关联分析获得的对该资源的关联系数；第二项与一定时间内资源的使用量有关资源热度的上升速度，x1是被使用的上升速度，b1是通过聚类分析使用该资源用户(用量为前5的)快速聚合到该资源的关联系数；第三项资源的使用量有关资源的持续关注度，x2是被使用的总量，b2是通过差分分析法，对资源使用量进行分析，获得的资源使用波动系数。
7.根据权利要求1所述的基于深度学习的云渲染资源互换方法，其特征在于：所述第五步的多元兑换方法包括步骤如下：
子步骤一、根据渲染平台渲染账户的注册时间进行新老用户判定来推荐优惠券，若是新用户，渲染平台自动发放免费渲染优惠券入账户钱包，优惠券信息存储到区块链内；若是老用户，渲染平台监测个人账户内的钱包余额，提醒老用户进行兑换，兑换到一定额度后，用户个人账户会点亮会员标识，会员将获得兑换档位兑换获得的额外优惠券；
子步骤二、用户在渲染平台内的一定操作能主动获得优惠券；用户推广渲染平台和使用渲染平台推荐的第三方服务后，渲染平台核实用户账号是否进行推广和使用操作，核实成功后，用户个人账户内自动获得优惠券。
8.根据权利要求7所述的基于深度学习的云渲染资源互换方法，其特征在于：所述子步骤一中，所述老用户充值分为不同档位，不同档位拥有不同的优惠额度；兑换档位越高，优惠额度越大，渲染平台分析老用户的消费习惯模型，为老用户推荐适合的兑换档位。
CN202010959406.8A 2020-09-14 2020-09-14 一种基于深度学习的云渲染资源兑换方法 Pending CN112068962A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010959406.8A CN112068962A (zh) 2020-09-14 2020-09-14 一种基于深度学习的云渲染资源兑换方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010959406.8A CN112068962A (zh) 2020-09-14 2020-09-14 一种基于深度学习的云渲染资源兑换方法

Publications (1)

Publication Number Publication Date
CN112068962A true CN112068962A (zh) 2020-12-11

Family

ID=73697018

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010959406.8A Pending CN112068962A (zh) 2020-09-14 2020-09-14 一种基于深度学习的云渲染资源兑换方法

Country Status (1)

Country Link
CN (1) CN112068962A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112581578A (zh) * 2020-12-23 2021-03-30 江苏赞奇科技股份有限公司 一种基于软件定义的云渲染系统
CN113313520A (zh) * 2021-05-28 2021-08-27 安徽海汇金融投资集团有限公司 一种基于区块链的福利券发放方法及系统
CN115373762A (zh) * 2022-09-20 2022-11-22 江苏赞奇科技股份有限公司 基于ai的实时云渲染中工具资源动态加载方法
CN115907301A (zh) * 2022-12-08 2023-04-04 华中师范大学 基于资源共享机制的科教资源的价值评估方法及系统

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101241582A (zh) * 2008-03-07 2008-08-13 杨国良 网民行为实现商品价值转化的网络商业模式系统及方法
CN102254279A (zh) * 2010-06-22 2011-11-23 微软公司 应用程序使用的奖励平台
CN105260927A (zh) * 2015-11-09 2016-01-20 无锡阅威信息科技有限公司 具备不同平台兑换积分功能的虚拟购物车系统
WO2017034302A1 (ko) * 2015-08-26 2017-03-02 (주)에스엔씨씨 커뮤니티 내에서 가치를 공유하고 거래하는 기술
CN109255610A (zh) * 2018-09-26 2019-01-22 石帅 一种互联网区块链环境下虚拟资产的价值评价方法
CN109255600A (zh) * 2018-07-18 2019-01-22 阿里巴巴集团控股有限公司 一种基于区块链向作品发布者发放奖励的方法及装置
CN109886664A (zh) * 2019-02-20 2019-06-14 深圳互联先锋科技有限公司 一种云服务器管理系统及方法
CN110532468A (zh) * 2019-08-26 2019-12-03 北京齐尔布莱特科技有限公司 一种网站资源的推荐方法、装置和计算设备
CN110533539A (zh) * 2019-09-05 2019-12-03 成都凡特客科技有限公司 基于区块链和ai技术的创新型企业增值权投资交易平台
CN110751484A (zh) * 2019-10-28 2020-02-04 北京金融资产交易所有限公司 基于区块链的应收账款管理系统
CN111459787A (zh) * 2019-01-18 2020-07-28 南京大学 一种基于机器学习的测试抄袭检测方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101241582A (zh) * 2008-03-07 2008-08-13 杨国良 网民行为实现商品价值转化的网络商业模式系统及方法
CN102254279A (zh) * 2010-06-22 2011-11-23 微软公司 应用程序使用的奖励平台
WO2017034302A1 (ko) * 2015-08-26 2017-03-02 (주)에스엔씨씨 커뮤니티 내에서 가치를 공유하고 거래하는 기술
CN105260927A (zh) * 2015-11-09 2016-01-20 无锡阅威信息科技有限公司 具备不同平台兑换积分功能的虚拟购物车系统
CN109255600A (zh) * 2018-07-18 2019-01-22 阿里巴巴集团控股有限公司 一种基于区块链向作品发布者发放奖励的方法及装置
CN109255610A (zh) * 2018-09-26 2019-01-22 石帅 一种互联网区块链环境下虚拟资产的价值评价方法
CN111459787A (zh) * 2019-01-18 2020-07-28 南京大学 一种基于机器学习的测试抄袭检测方法
CN109886664A (zh) * 2019-02-20 2019-06-14 深圳互联先锋科技有限公司 一种云服务器管理系统及方法
CN110532468A (zh) * 2019-08-26 2019-12-03 北京齐尔布莱特科技有限公司 一种网站资源的推荐方法、装置和计算设备
CN110533539A (zh) * 2019-09-05 2019-12-03 成都凡特客科技有限公司 基于区块链和ai技术的创新型企业增值权投资交易平台
CN110751484A (zh) * 2019-10-28 2020-02-04 北京金融资产交易所有限公司 基于区块链的应收账款管理系统

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112581578A (zh) * 2020-12-23 2021-03-30 江苏赞奇科技股份有限公司 一种基于软件定义的云渲染系统
CN113313520A (zh) * 2021-05-28 2021-08-27 安徽海汇金融投资集团有限公司 一种基于区块链的福利券发放方法及系统
CN113313520B (zh) * 2021-05-28 2023-08-11 安徽海汇金融投资集团有限公司 一种基于区块链的福利券发放方法及系统
CN115373762A (zh) * 2022-09-20 2022-11-22 江苏赞奇科技股份有限公司 基于ai的实时云渲染中工具资源动态加载方法
CN115373762B (zh) * 2022-09-20 2024-04-09 江苏赞奇科技股份有限公司 基于ai的实时云渲染中工具资源动态加载方法
CN115907301A (zh) * 2022-12-08 2023-04-04 华中师范大学 基于资源共享机制的科教资源的价值评估方法及系统

Similar Documents

Publication Publication Date Title
CN112068962A (zh) 一种基于深度学习的云渲染资源兑换方法
US20230132208A1 (en) Systems and methods for classifying imbalanced data
CN106971321A (zh) 营销信息推送方法、装置、设备以及存储介质
CN111401963B (zh) 训练用户行为预测模型的方法和装置
WO2001057756A1 (en) Enhancing delinquent debt collection using statistical models of debt historical information and account events
CN110310163A (zh) 一种精准制定营销策略的方法、设备及可读介质
CN110046986A (zh) 基于大数据的借款逾期客户分群方法及装置
US20230410195A1 (en) Dynamically determining real-time offers
US20230034820A1 (en) Systems and methods for managing, distributing and deploying a recursive decisioning system based on continuously updating machine learning models
CN110276674A (zh) 数据处理方法及系统、存储介质、电子装置
Cui et al. Targeting high value customers while under resource constraint: partial order constrained optimization with genetic algorithm
CN110852785A (zh) 用户分级方法、装置及计算机可读存储介质
CN115545886A (zh) 逾期风险识别方法、装置、设备及存储介质
CN110348892A (zh) 基于用户特征的定制信息生成方法、装置及电子设备
Tokarčíková et al. Diffusion of innovation: The case of the Slovak mobile communication market
CN116091242A (zh) 推荐产品组合生成方法及装置、电子设备和存储介质
CN110428309A (zh) 一种差异化采购方法及装置
Maclennan et al. Housing economics—an evolving agenda
CN116361542A (zh) 产品推荐方法、装置、计算机设备和存储介质
CN108711043A (zh) 一种款项入账方法、装置、电子设备及计算机可读介质
CN115221954A (zh) 用户画像方法、装置、电子设备以及存储介质
CN115130756A (zh) 一种在线服务的管理方法、装置、电子设备及存储介质
CN112465611A (zh) 向用户推送物品信息的方法、装置和电子设备
CN113052679A (zh) 基于多视角学习的模型训练方法、预测方法、装置和电子设备
CN114581114A (zh) 推广资源配置方法、系统、装置和存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination