CN113689256A - 一种虚拟物品推送方法和系统 - Google Patents

Abstract

本说明书实施例公开了一种虚拟物品推送方法和系统。所述虚拟物品推送方法包括：将用户特征与预存的特征信息进行匹配，确定匹配结果，其中，特征信息对应一种或多种虚拟物品；基于匹配结果，确定向用户推送的虚拟物品。其中，至少基于匹配结果，确定向用户推送的虚拟物品，包括：根据用户的表现信息，确定用户的情绪等级；基于情绪等级，确定虚拟物品调整系数；基于虚拟物品调整系数，对虚拟物品进行调整。

Description

一种虚拟物品推送方法和系统

技术领域

本说明书涉及电子信息技术领域，特别涉及一种虚拟物品推送方法和系统。

背景技术

目前，众多线上平台(例如，电商、手机游戏厂商)都可以在自己的平台页面向用户推送预先设定好的红包、优惠券等虚拟物品。如何帮助商家实现面对不同用户的准确推送，是亟待解决的技术问题。

因此，需要提供一种虚拟物品的推送方法和系统，以提高虚拟物品推送的准确性。

发明内容

本说明书实施例之一提供一种虚拟物品推送方法。所述虚拟物品推送方法包括：获取用户的用户特征；其中，所述用户特征包括面部特征；基于所述用户特征与预存的特征信息进行匹配，确定匹配结果；其中，所述特征信息对应一种或多种虚拟物品；至少基于所述匹配结果，确定向所述用户推送的虚拟物品；其中，所述至少基于所述匹配结果，确定向所述用户推送的虚拟物品，包括：获取所述用户的表现信息；其中，所述表现信息包括动作信息、声音信息和表情信息；基于所述表现信息，确定所述用户的情绪等级；基于所述情绪等级，确定虚拟物品调整系数；基于所述虚拟物品调整系数，对所述虚拟物品进行调整。

本说明书实施例之一提供一种虚拟物品推送系统，所述虚拟物品推送系统包括获取模块、匹配模块和虚拟物品确定模块：所述获取模块用于获取用户的用户特征；其中，所述用户特征包括面部特征；所述匹配模块用于基于所述用户特征与预存的特征信息进行匹配，确定匹配结果；其中，所述特征信息对应一种或多种虚拟物品；所述虚拟物品确定模块用于至少基于所述匹配结果，确定向所述用户推送的虚拟物品；其中，所述虚拟物品确定模块进一步用于：获取所述用户的表现信息；其中，所述表现信息包括动作信息、声音信息和表情信息；基于所述表现信息，确定所述用户的情绪等级；基于所述情绪等级，确定虚拟物品调整系数；基于所述虚拟物品调整系数，对所述虚拟物品进行调整。

本说明书实施例之一提供一种虚拟物品推送装置，包括处理器，所述处理器用于执行虚拟物品推送方法。

本说明书实施例之一提供一种计算机可读存储介质，所述存储介质存储计算机指令，当计算机读取存储介质中的计算机指令后，计算机执行虚拟物品推送方法。

附图说明

本说明书将以示例性实施例的方式进一步说明，这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的，在这些实施例中，相同的编号表示相同的结构，其中。

图1是根据本说明书的一个或多个实施例所示的虚拟物品推送系统的应用场景示意图；

图2是根据本说明书一些实施例所示的一种推送虚拟物品的方法的示例性流程图；

图3是根据本说明书一些实施例所示的对要推送的虚拟物品进行调整的方法的示例性流程图；

图4是根据本说明书一些实施例所示的确定用户的情绪等级的示例性示意图；

图5是根据本说明书一些实施例所示的基于表情模仿图像对虚拟物品调整系数进行调整的示例性流程图；

图6是根据本说明书的一些实施例所示的虚拟物品推送系统600的示例性模块图。

具体实施方式

为了更清楚地说明本说明书实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地，下面描述中的附图仅仅是本说明书的一些示例或实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图将本说明书应用于其它类似情景。除非从语言环境中显而易见或另做说明，图中相同标号代表相同结构或操作。

应当理解，本文使用的“系统”、“装置”、“单元”和/或“模块”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而，如果其他词语可实现相同的目的，则可通过其他表达来替换所述词语。

如本说明书和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其它的步骤或元素。

本说明书中使用了流程图用来说明根据本说明书的实施例的系统所执行的操作。应当理解的是，前面或后面操作不一定按照顺序来精确地执行。相反，可以按照倒序或同时处理各个步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。

图1是根据本说明书的一个或多个实施例所示的虚拟物品推送系统的应用场景示意图。

如图1所示，在应用场景中可以包括服务器110、存储设备120、用户终端130和网络140。

在一些应用场景中，虚拟物品推送系统100可以用于提供红包、优惠券和虚拟金币等虚拟物品的推送服务。虚拟物品推送系统100可以通过实施本说明书中披露的方法和/或过程来向用户精准推送不同类别以及数量的虚拟物品，以及增加推送过程中的互动性。

服务器110可以用于管理资源以及处理来自本系统至少一个组件或外部数据源(例如，云数据中心)的数据和/或信息。在一些实施例中，服务器110可以是单个服务器或服务器组。在一些实施例中，服务器110可以经由网络(例如，网络140)与本系统或外部的一个或多个组件交换数据，例如，服务器110可以经由网络140访问存储在终端设备130和/或存储设备120中的信息和/或数据。在一些实施例中，服务器110可以在云平台上实现。仅作为示例，云平台可以包括私有云、公共云、混合云、社区云、分布式云、中间云、多重云等，或其任意组合。

在一些实施例中，可以通过用户终端130获取用户的用户特征，并将用户特征发送到服务器110进行处理，服务器110可以根据处理结果向用户终端130推送虚拟物品。服务器110在处理时可以获取存储设备120上的数据或将数据保存到存储设备120，也可以通过网络140从其他来源读取数据和将数据输出到其他目标对象。在一些实施例中，部分推送虚拟物品的操作处理可以在用户终端130上进行。

在一些实施例中，服务器110、用户终端130以及其他可能的系统组成部分中可以包括存储设备120。

在一些实施例中，服务器110、用户终端130以及其他可能的系统组成部分中可以包括处理器112。处理器112可以处理从其他设备或系统组成部分中获得的数据和/或信息。处理器可以基于这些数据、信息和/或处理结果执行程序指令，以执行一个或多个本说明书中描述的功能。

存储设备120可以用于存储数据和/或指令，例如，可以在存储设备120中预存不同用户的特征信息。数据可以是指对信息的数字化表示，可以包括各种类型，比如二进制数据、文本数据、图像数据、视频数据等。指令可以是指可控制设备或器件执行特定功能的程序。

用户终端130指用户所使用的一个或多个终端设备或软件。在一些实施例中，用户可以通过用户终端130接收线上平台推送的虚拟物品，以及上传用户特征等信息。在一些应用场景中，使用用户终端130的用户可以包括线上平台的用户，例如，社交平台的用户、电商平台的用户等。

网络140可以连接系统的各组成部分和/或连接系统与外部资源部分。网络140使得各组成部分之间，以及与系统之外其他部分之间可以进行通讯，促进数据和/或信息的交换。

在一些实例中，可以在不同的设备上分别进行不同的功能，比如用户特征的获取、模型的训练、模型的执行等等，本说明书对此不作限制。

图2是根据本说明书一些实施例所示的一种推送虚拟物品的方法的示例性流程图。

如图2所示，流程200包括下述步骤。在一些实施例中，流程200可以由处理设备(例如，服务器110或处理器112)执行。

步骤210，获取用户的用户特征。在一些实施例中，步骤210可以由获取模块执行。

在一些实施例中，用户特征可以理解为对用户基本属性、动作行为、心理状态等各方面的抽象描述。在一些实施例中，用户特征可以包括用户的面部特征、行为特征、表情特征、声音特征等。在一些实施例中，用户基本属性可以包括用户的姓名、性别、年龄、外貌、表情等信息。

在一些实施例中，处理设备可以通过人脸识别技术对用户的面部图像进行处理，从而基于用户的面部图像识别出用户ID，进而基于用户ID获取用户的身份信息，以通过验证用户ID和/或身份信息的方式来确定是否向该用户推送虚拟物品。

在一些实施例中，处理设备可以通过终端设备130获取用户特征，也可以通过从数据库读取、调用数据接口以及其他常用方式获取用户特征。例如，处理设备可以通过终端设备130上安装的摄像设备来获取用户的人脸图像，并直接将用户的人脸图像作为面部特征。又例如，处理设备可以通过网络140从数据库中存储的用户的注册信息中获取用户的姓名、性别等身份信息。

步骤220，基于用户特征与预存的特征信息进行匹配，确定匹配结果。在一些实施例中，步骤220可以由匹配模块执行。

在一些实施例中，预存的特征信息可以为预先存储(例如，存储在存储设备120中)的一个或者多个用户的历史用户特征。例如，预存的人脸图像、人脸图像的特征信息、用户声谱信息等。

在一些实施例中，虚拟物品可以是指以数据的形式存在的可以在设备之间流动的一种产物。例如，虚拟物品可以包括红包、优惠券以及虚拟金币等。又例如，虚拟物品还可以包括从网络游戏世界里衍生出来的装备、材料等。

在一些实施例中，每个特征信息都可以对应于一种或多种虚拟物品。例如，用户A的特征信息对应红包和优惠券，用户B的特征信息对应虚拟金币等。

在一些实施例中，处理设备可以按照预设规则，为每一组预存的特征信息设置一种或多种虚拟物品。例如，处理设备可以根据玩家(网络游戏的注册用户)的等级设置对应的虚拟物品(例如，特定数额的金币、特定种类的装备等)。又例如，处理设备可以根据电商用户的历史交易金额设置对应的虚拟物品(例如，特定数额的红包、优惠券等)。由于每组预存特征信息对应于一个用户的用户特征，因此，相当于为每个用户预先设定了可以分配的一种或者多种虚拟物品，那么则可以通过匹配结果确定要向该用户推送的虚拟物品类型以及数量。

在一些实施例中，处理设备可以通过用户终端130获取用户的用户特征，并对其进行存储，得到特征信息。在一些实施例中，处理设备可以从数据库中读取得到特征信息。例如，当用户在某电商平台注册时，处理设备可以通过用户终端130请求用户拍照，并将照片与用户注册时所填写的注册信息保存至数据库中。

在一些实施例中，匹配结果可以为用户特征与预存的特征信息之间的匹配度。例如，用户特征为用户的人脸图像，预存的特征信息为历史存储的该用户的人脸图像，则匹配度可以用这两个人脸图像之间的相似度来表示，相似度越高，匹配度越高。

在一些实施例中，处理设备可以将用户的用户特征与预存的多组特征信息作为训练样本为初始模型的输入，用户特征与多组特征信息之间的匹配度为输出，对初始机器学习模型(例如，卷积神经网络模型)进行训练，得到用户特征匹配模型。在对用户特征与预存的特征信息进行匹配时，处理设备可以将用户特征输入用户特征匹配模型，用户特征匹配模型输出该用户特征分别与预存的多组特征信息之间的匹配度，处理设备可以将匹配度最高的用户特征与对应的预测特征信息作为匹配结果。

在一些实施例中，预存的特征信息还可以包括其对应的用户特征的特征向量。处理设备可以提取(例如，使用BERT模型)用户特征的特征向量，例如，提取用户人脸图像的特征向量，并计算(例如，使用余弦距离算法)用户人脸图像的特征向量与预存的特征向量之间的相似度，并将相似度作为匹配结果。

步骤230，基于匹配结果，确定向用户推送的虚拟物品。在一些实施例中，步骤230可以由虚拟物品确定模块执行。

在一些实施例中，处理设备可以基于步骤220中得到的匹配结果，确定要推送的虚拟物品。例如，推送物品的种类、推送物品的数量等。

在一些实施例中，处理设备可以基于匹配结果，在用户特征与预存的特征信息匹配时，根据预先设定的与该特征信息对应的虚拟物品推送给该用户特征对应的用户。例如，与预存的特征信息对应的虚拟物品为红包，则向该用户特征对应的用户的账户发送红包。又例如，与预存的特征信息对应的虚拟物品为优惠券，则向该用户特征对应的用户的账户发放优惠券。

在一些实施例中，处理设备可以基于用户的表现信息对要推送的虚拟物品进行调整，例如，调整红包金额、优惠券大小，或者增加推送虚拟物品的种类(比如，将只发送红包调整为同时发放红包和优惠券)。关于对推送的虚拟物品进行调整的更多内容可以参见图3及其相关描述，此处不再赘述。

在本说明书实施例中，基于用户特征与预存的特征信息进行匹配，并根据匹配结果向用户推送虚拟物品，将预测的特征信息与一种或多种虚拟物品绑定，根据匹配结果确定要向用户推送的虚拟物品种类和数量，可以实现向不同的用户推送不同类型和数量的虚拟物品，提高了虚拟物品的推送准确性。

应当注意的是，上述有关流程200的描述仅仅是为了示例和说明，而不限定本说明书的适用范围。对于本领域技术人员来说，在本说明书的指导下可以对流程200进行各种修正和改变。然而，这些修正和改变仍在本说明书的范围之内。例如，可以将步骤220和230合并为一个步骤，在同一个步骤中确定匹配结果，并基于匹配结果向用户推送虚拟物品。

图3是根据本说明书一些实施例所示的对要推送的虚拟物品进行调整的方法的示例性流程图；

如图3所示，流程300包括下述步骤。在一些实施例中，流程300可以由处理设备(例如，处理器112)执行。

步骤310，获取用户的表现信息。在一些实施例中，步骤310可以由虚拟物品确定模块执行。

在一些实施例中，表现信息可以是指能够体现用户的内在情绪或状态的外在表现。在一些实施例中，表现信息可以包括动作信息、声音信息和表情信息。

在一些实施例中，处理设备可以通过用户终端130获取用户的表现信息。例如，处理设备可以通过用户终端130上安装的摄像设备获取用户的图像、视频数据，从图像和/或视频数据中获取得到用户的动作信息和表情信息。又例如，处理设备可以从用户终端130上安装的录音设备获取用户的音频数据，然后从音频数据中提取出用户的声音信息。

步骤320，基于表现信息，确定用户的情绪等级。在一些实施例中，步骤320可以由虚拟物品确定模块执行。

情绪等级可以是指对用户情绪的强烈程度的分级。在一些实施例中，情绪等级可以用数字表示，情绪等级越高，表示用户的情绪越强烈。例如，对于高兴的情绪等级，可以将其分为1～10级，从1到10高兴程度逐步增加。在一些实施例中，情绪等级也可以使用其他方式来表示，不受本说明书的表述所限。

在一些实施例中，情绪等级可以为用户的高兴程度的等级表示。高兴程度可以与推送的虚拟物品的调整系数成正比。调整系数是指对打算推送的虚拟物品进行调整时所乘以的数字，例如，调整系数可以为0.5-2之间的数字，推送的虚拟物品为红包，金额10元，将金额乘以调整系数，可以得到调整后的推送红包金额。

在一些实施例中，情绪等级越高，调整系数越大。例如，用户越高兴，则其情绪等级越高，对推送的虚拟物品调整时的调整系数越大，那么向其推送虚拟物品(例如，优惠券)时，虚拟物品的数量或金额与调整系数相乘后则越多，以此可以对用户进行鼓励。

在一些实施例中，情绪等级也可以用于表现用户的沮丧、忧伤等情绪。沮丧、忧伤程度越距离，调整系数可以越大。例如，游戏玩家越沮丧，向其推送的虚拟物品(例如，虚拟装备)的数额增加越多，以对其进行鼓励。

在一些实施例中，处理设备可以利用机器学习模型，基于表现信息确定用户的情绪等级。例如，将用户的表现信息输入至机器学习模型，由机器学习模型输出用户的情绪等级。关于确定情绪等级的更多说明可以参见图4及其相关描述，此处不再赘述。

步骤330，基于情绪等级，确定虚拟物品调整系数。在一些实施例中，步骤330可以由虚拟物品确定模块执行。

在一些实施例中，处理设备可以按照情绪等级来划分调整系数。例如，可以将情绪等级分为1～10级，则调整系数可以为从1到2之间间隔为0.1的实数(1，1.1，1.2…2)。当处理设备确定用户的情绪等级之后，将与该情绪等级对应的调整系数作为本次对虚拟物品进行调整的调整系数。例如，情绪等级为5级，则处理设备可以确定本次调整系数为1.5。

在一些实施例中，处理设备可以对虚拟物品的调整系数进行调整，以更加精确的实现对虚拟物品的推送。更多说明可以参见图5及其相关说明，此处不再赘述。

步骤340，基于虚拟物品调整系数，对虚拟物品进行调整。在一些实施例中，步骤340可以由虚拟物品确定模块执行。

在一些实施例中，处理设备可以使用调整系数对将要向用户推送的虚拟物品进行数额方面的调整。例如，处理设备可以将调整系数乘以虚拟物品的数额，得到调整后的虚拟物品。比如，向用户推送的虚拟物品为10个虚拟金币，调整系数为1.5，则向用户推送的虚拟物品被调整为15个虚拟金币。

在一些实施例中，处理设备还可以使用其他方式基于调整系数调整虚拟物品，例如，每一个等级的调整系数，将会在虚拟物品的数量上面增加一个量级(可以预先指定量级的大小)。示例性地，调整系数每增加一个跨度(例如，0.1)，则相应增加预定数额的虚拟物品(例如，5元红包)。

在本实施例中，基于用户的表现信息对要推送的虚拟物品进行调整，充分考虑了用户的内在情绪和外在表现，实现了面对不同用户，有针对性的进行虚拟物品的推送，可以提高向用户推送虚拟物品所带来的用户体验。同时，利用模型对表现信息进行处理，可以更加准确的确定要推送的虚拟物品的种类和数量。

应当注意的是，上述有关流程300的描述仅仅是为了示例和说明，而不限定本说明书的适用范围。对于本领域技术人员来说，在本说明书的指导下可以对流程300进行各种修正和改变。然而，这些修正和改变仍在本说明书的范围之内。例如，调整系数也可以为整数。

图4是根据本说明书一些实施例所示的确定用户的情绪等级的示例性示意图。

如图4所示，流程400可以包括下述步骤。在一些实施例中，流程400可以由处理设备(例如，处理器112)执行。

步骤410，将表现信息输入至情绪等级预测模型。在一些实施例中，步骤410可以由情绪等级确定模块执行。

情绪等级预测模型可以用于基于表现信息确定用户的情绪等级。例如，将表现信息输入情绪等级预测模型，由情绪等级预测模型对输入的表现信息进行处理后，输出预测的情绪等级。

在一些实施例中，情绪等级预测模型的输入还可以包括从表现信息中提取的特征向量。例如，可以使用经过训练获得的卷积神经网络模型从声音信息中提取的声音特征、从动作信息中提取的动作特征以及从表情信息中进行提取得到的特征向量。又例如，还可以是直接将表情信息输入至情绪等级预测模型，在情绪等级预测模型的内部增加用于对表现信息进行处理提取得到特征向量的网络结构，在模型内部得到特征向量。

在一些实施例中，表现信息的特征向量可以是声音特征向量、动作特征向量以及表情特征向量中的一种或多种，其可以分别基于声音特征、动作特征以及表情特征得到。在一些实施例中，处理设备可以将声音特征、动作特征以及表情特征拼接为一个特征向量。

在一些实施例中，情绪等级预测模型的输入还可以包括情绪变化率向量和/或表情模仿特征向量。

在一些实施例中，情绪变化率可以是指用户在预定时间段内情绪的变化速率。用户的情绪改变越快，情绪变化率越高。例如，在30秒内，用户的表情由微笑变为大笑，则该用户的情绪的变化率较大。

在一些实施例中，情绪变化率还可以是指多个用户在接受推送的虚拟物品的前后预设时间段内情绪发行变化的概率。例如，在推送虚拟物品的前后2分钟内，一共向30名用户推送了虚拟物品，其中有15名用户的情绪发生了明显变化，则情绪变化率可以为百分之五十。

在一些实施例中，情绪变化率特征向量可以是指基于情绪变化率得到的特征向量。

在一些实施例中，情绪变化率向量可以基于历史数据中的多个用户的表现信息，利用神经网络模型确定。例如，处理设备可以将历史数据中的多个用户表现信息输入训练好的循环神经网络模型，模型输出情绪变化率向量。

在本说明书的实施例中，基于历史数据中的多个用户的表现信息，利用神经网络模型确定情绪变化率向量，充分利用了机器学习模型处理复杂信息的能力，可以以较高的效率得到准确表示用户情绪变化的情绪变化率向量。

在一些实施例中，情绪等级预测模型的输入还可以包括表情模仿特征向量。关于表情模仿特征向量的更多说明可以参见图5及其相关描述，此处不再赘述。

在本说明书实施例中，将情绪变化率特征向量和/或表情模仿特征向量也作为情绪等级预测模型的输入，情绪等级预测模型在处理用户的表现信息的同时，可以从情绪变化率特征向量和/或表情模仿特征向量中获取到更多的与用户的情绪变化相关的信息，基于多样化的信息，可以使得情绪等级预测模型预测的情绪等级可以更加准确。

步骤420，情绪等级预测模型输出预测的情绪等级。在一些实施例中，步骤420可以由情绪等级确定模块执行。

在一些实施例中，情绪等级预测模型的类型可以包括多种。例如，CNN模型、DNN模型、RNN模型、SVM模型等。

在一些实施例中，处理设备可以通过多个携带标签的训练样本对初始情绪等级预测模型进行训练得到。例如，可以将多个带有标签的训练样本输入初始情绪等级预测模型，基于标签和初始情绪等级预测模型预测的结果构建损失函数，以最小化损失函数为优化目标，不断地对情绪等级预测模型的参数进行调整，以减小标签与预测结果之间的差异。当初始情绪等级预测模型的损失函数满足预设条件时模型训练完成，得到训练好的情绪等级预测模型。其中，预设条件可以是损失函数收敛、迭代的次数达到阈值等。

在一些实施例中，训练样本至少可以包括用户的历史表现信息，历史表现信息至少包括用户的动作信息、声音信息以及表情信息。标签可以表征样本表现信息对应的情绪等级。标签可以人工标注，标签也可以根据用户的反馈信息来标注。

应当注意的是，上述有关流程400的描述仅仅是为了示例和说明，而不限定本说明书的适用范围。对于本领域技术人员来说，在本说明书的指导下可以对流程400进行各种修正和改变。然而，这些修正和改变仍在本说明书的范围之内。例如，情绪等级也可以是其他表现形式，例如文字。

图5是根据本说明书一些实施例所示的基于表情模仿图像对虚拟物品调整系数进行调整的示例性流程图。

如图5所示，流程500包括下述步骤。在一些实施例中，流程500可以由处理设备(例如，处理器112)执行。

步骤510，获取用户的表情模仿图像。在一些实施例中，步骤510可以由系数调整模块执行。

在一些实施例中，表情模仿图像可以是指用户模仿某个表情时在一个或多个瞬间的面部图像。

在一些实施例中，处理设备可以使用面部动作捕捉软件或设备来获取用户在模仿某个表情(例如，商家或平台指定的笑脸)的面部表情，得到表情模仿图像。

步骤520，基于表情模仿图像，确定表情模仿相似度。在一些实施例中，步骤520可以由系数调整模块执行。

在一些实施例中，表情模仿相似度可以用于表征表情模仿图像所表现的情绪和/或面部动作与模仿的表情之间的相似度。例如，表情模仿图像表现为忧伤情绪，则表情模仿图像与指定的表示忧伤的表情之间的相似度。

在一些实施例中，处理设备可以将表情模仿图像和指定的需要被模仿的表情的图像(例如，笑脸图像)输入训练好的卷积神经网络模型，模型输出表情模仿图像与需要被模仿的表情的图像之间的相似度。

在一些实施例中，处理设备可以将表情模仿图像和所模仿的表情图像(例如，开心的表情图像)进行处理(例如，图像预处理、特征提取)后输入训练好的机器学习模型，确定两者的相似度，并将其作为表情模仿相似度。

步骤530，基于表情模仿相似度，对虚拟物品调整系数进行调整。在一些实施例中，步骤530可以由系数调整模块执行。

在一些实施例中，处理设备可以根据表情模仿相似度的大小对于调整系数进行增加。例如，表情模仿相似度大于预设阈值，则处理设备可以增加调整系数，相应的推送给用户的虚拟物品将会更多，以对用户进行鼓励。

在一些实施例中，处理设备还可以确定虚拟物品调整系数的调整幅度。调整幅度可以为调整系数的跨度对应的虚拟物品的增加数额。例如，调整系数为0.1～1之间跨度为0.1的实数，虚拟物品为红包，调整系数每增加0.1，红包的数额增加5元，则调整幅度为5元。

在一些实施例中，处理设备可以基于表情模仿图像，获取表情模仿特征向量。例如，处理设备可以将表情模仿图像输入训练好的卷积神经网络模型，通过模型输提取得到表情模仿特征向量。处理设备还可以使用其他方式获取表情模仿特征向量，不受本说明书的表述所限。

在一些实施例中，处理设备可以将表情模仿特征向量输入虚拟物品调整系数预测模型，确定虚拟物品调整系数的调整幅度。

虚拟物品调整系数预测模型用于基于表情模仿特征向量确定虚拟物品调整系数的调整幅度。虚拟物品调整系数预测模型的类型可以是多种。在一些实施例中，虚拟物品调整系数预测模型的类型可以是CNN模型、DNN模型、RNN模型、SVM模型等。例如，虚拟物品调整系数预测模型的类型可以是CNN模型，将表情模仿特征向量输入CNN模型，CNN模型输出虚拟物品调整系数的调整幅度。

在一些实施例中，虚拟物品调整系数预测模型的输入还包括用户情绪变化率向量。关于用户情绪变化率向量的详细说明参见图4及其相关描述，此处不再赘述。

在本说明书实施例中，将情绪变化率向量作为虚拟物品调整系数预测模型的输入，使得模型可以在处理表情模仿特征向量的同时，可以从情绪变化率向量获取用户的情绪变化相关信息，基于用户表情相关的信息以及用户情绪变化相关信息，虚拟物品调整系数预测模型输出的虚拟物品调整系数的调整幅度可以更加合适。

在一些实施例中，虚拟物品调整系数预测模型可以通过多个携带有标签的训练样本训练得到。例如，可以将多个带有标签的训练样本输入初始虚拟物品调整系数预测模型，基于标签和初始虚拟物品调整系数预测模型的预测结果构建损失函数，基于损失函数迭代更新初始虚拟物品调整系数预测模型的参数。当初始虚拟物品调整系数预测模型的损失函数满足预设条件时模型训练完成，得到训练好的虚拟物品调整系数预测模型。其中，预设条件可以是损失函数收敛、迭代的次数达到阈值等。

在一些实施例中，训练样本至少可以包括表情模仿特征向量。标签可以表征样本表情模仿特征向量对应的虚拟物品调整系数的调整幅度。标签可以人工标注，例如，可以根据表情模仿图像所表示的情绪按照预设规则来对的表情模仿特征向量做标注。标签也可以使用其他方式来标注，不受本说明书的表述所限。

应当注意的是，上述有关流程500的描述仅仅是为了示例和说明，而不限定本说明书的适用范围。对于本领域技术人员来说，在本说明书的指导下可以对流程500进行各种修正和改变。然而，这些修正和改变仍在本说明书的范围之内。例如，步骤520与步骤530可以合并为同一个步骤，在同一个步骤中确定用户的情绪等级和虚拟物品调整系数。

图6是根据本说明书的一些实施例所示的虚拟物品推送系统600的示例性模块图。如图6所示，虚拟物品推送系统可以包括获取模块610、匹配模块620以及虚拟物品确定模块630。

获取模块610可以用于获取用户的用户特征；其中，用户特征包括面部特征。

匹配模块620用于基于用户特征与预存的特征信息进行匹配，确定匹配结果；其中，特征信息对应一种或多种虚拟物品。

虚拟物品确定模块630用于至少基于匹配结果，确定向用户推送的虚拟物品。

在一些实施例中，虚拟物品确定模块630可以用于：获取用户的表现信息；其中，表现信息包括动作信息、声音信息和表情信息；基于表现信息，确定用户的情绪等级；基于情绪等级，确定虚拟物品调整系数；基于虚拟物品调整系数，对虚拟物品进行调整。

关于各个模块的详细说明参见图2～图5及其相关描述。

应当理解的是，上述模块仅仅是本说明书中主要涉及到的相关模块的简单举例，并不代表本说明书所有相关内容的展示，还存在一些模块及单元未在本模块图中进行展示。例如本模块还可以包括情绪等级确定模块及其他相关模块及单元等，此处不一一举例说明。且以上模块及单元并非完全独立存在，还可能是存在相互交叉涉及。

上文已对基本概念做了描述，显然，对于本领域技术人员来说，上述详细披露仅仅作为示例，而并不构成对本说明书的限定。虽然此处并没有明确说明，本领域技术人员可能会对本说明书进行各种修改、改进和修正。该类修改、改进和修正在本说明书中被建议，所以该类修改、改进、修正仍属于本说明书示范实施例的精神和范围。

同时，本说明书使用了特定词语来描述本说明书的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本说明书至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外，本说明书的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。

此外，除非权利要求中明确说明，本说明书所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用，并非用于限定本说明书流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本说明书实施例实质和范围的修正和等价组合。例如，虽然以上所描述的系统组件可以通过硬件设备实现，但是也可以只通过软件的解决方案得以实现，如在现有的服务器或移动设备上安装所描述的系统。

同理，应当注意的是，为了简化本说明书披露的表述，从而帮助对一个或多个发明实施例的理解，前文对本说明书实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本说明书对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。

一些实施例中使用了描述成分、属性数量的数字，应当理解的是，此类用于实施例描述的数字，在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明，“大约”、“近似”或“大体上”表明所述数字允许有±20％的变化。相应地，在一些实施例中，说明书和权利要求中使用的数值参数均为近似值，该近似值根据个别实施例所需特点可以发生改变。在一些实施例中，数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本说明书一些实施例中用于确认其范围广度的数值域和参数为近似值，在具体实施例中，此类数值的设定在可行范围内尽可能精确。

针对本说明书引用的每个专利、专利申请、专利申请公开物和其他材料，如文章、书籍、说明书、出版物、文档等，特此将其全部内容并入本说明书作为参考。与本说明书内容不一致或产生冲突的申请历史文件除外，对本说明书权利要求最广范围有限制的文件(当前或之后附加于本说明书中的)也除外。需要说明的是，如果本说明书附属材料中的描述、定义、和/或术语的使用与本说明书所述内容有不一致或冲突的地方，以本说明书的描述、定义和/或术语的使用为准。

最后，应当理解的是，本说明书中所述实施例仅用以说明本说明书实施例的原则。其他的变形也可能属于本说明书的范围。因此，作为示例而非限制，本说明书实施例的替代配置可视为与本说明书的教导一致。相应地，本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。

Claims (10)

1.一种虚拟物品推送方法，其特征在于，所述方法包括：

获取用户的用户特征；其中，所述用户特征包括面部特征；

基于所述用户特征与预存的特征信息进行匹配，确定匹配结果；其中，所述特征信息对应一种或多种虚拟物品；

至少基于所述匹配结果，确定向所述用户推送的虚拟物品；

其中，所述至少基于所述匹配结果，确定向所述用户推送的虚拟物品，包括：

获取所述用户的表现信息；其中，所述表现信息包括动作信息、声音信息和表情信息；

基于所述表现信息，确定所述用户的情绪等级；

基于所述情绪等级，确定虚拟物品调整系数；

基于所述虚拟物品调整系数，对所述虚拟物品进行调整。

2.如权利要求1所述的方法，其特征在于，所述基于所述表现信息，确定所述用户的情绪等级，包括：

将所述表现信息输入至情绪等级预测模型，确定所述用户的情绪等级。

3.如权利要求1所述的方法，其特征在于，所述方法还包括：

获取所述用户的表情模仿图像；

基于所述表情模仿图像，确定表情模仿相似度；

基于所述表情模仿相似度，对所述虚拟物品调整系数进行调整。

4.根据权利要求3所述的方法，其特征在于，所述方法还包括：

基于所述表情模仿图像，获取表情模仿特征向量；

将所述表情模仿特征向量输入虚拟物品调整系数预测模型，确定所述虚拟物品调整系数的调整幅度。

5.一种虚拟物品推送系统，其特征在于，所述系统包括获取模块、匹配模块和虚拟物品确定模块：

所述获取模块用于获取用户的用户特征；其中，所述用户特征包括面部特征；

所述匹配模块用于基于所述用户特征与预存的特征信息进行匹配，确定匹配结果；其中，所述特征信息对应一种或多种虚拟物品；

所述虚拟物品确定模块用于至少基于所述匹配结果，确定向所述用户推送的虚拟物品；

其中，所述虚拟物品确定模块进一步用于：

获取所述用户的表现信息；其中，所述表现信息包括动作信息、声音信息和表情信息；

基于所述表现信息，确定所述用户的情绪等级；

基于所述情绪等级，确定虚拟物品调整系数；

基于所述虚拟物品调整系数，对所述虚拟物品进行调整。

6.如权利要求5所述的系统，其特征在于，所述系统还包括情绪等级确定模块，所述情绪等级确定模块用于：

将所述表现信息输入至情绪等级预测模型，确定所述用户的情绪等级。

7.如权利要求5所述的系统，其特征在于，所述系统还包括系数调整模块，所述系数调整模块用于：

获取所述用户的表情模仿图像；

基于所述表情模仿图像，确定表情模仿相似度；

基于所述表情模仿相似度，对所述虚拟物品调整系数进行调整。

8.根据权利要求7所述的系统，其特征在于，所述系统还包括调整幅度确定模块，所述调整幅度确定模块用于：

基于所述表情模仿图像，获取表情模仿特征向量；

将所述表情模仿特征向量输入虚拟物品调整系数预测模型，确定所述虚拟物品调整系数的调整幅度。

9.一种虚拟物品推送装置，包括处理器，其特征在于，所述处理器用于执行权利要求1～4中任一项所述的虚拟物品推送方法。

10.一种计算机可读存储介质，所述存储介质存储计算机指令，当计算机读取存储介质中的计算机指令后，计算机执行如权利要求1～4任一项所述的虚拟物品推送方法。

Images