CN114470758B - 基于vr的人物动作数据处理方法及系统 - Google Patents

基于vr的人物动作数据处理方法及系统 Download PDF

Info

Publication number
CN114470758B
CN114470758B CN202210049383.6A CN202210049383A CN114470758B CN 114470758 B CN114470758 B CN 114470758B CN 202210049383 A CN202210049383 A CN 202210049383A CN 114470758 B CN114470758 B CN 114470758B
Authority
CN
China
Prior art keywords
game
interest
character
action
sequence
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.)
Active
Application number
CN202210049383.6A
Other languages
English (en)
Other versions
CN114470758A (zh
Inventor
方晟
尹桑
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.)
Shanghai Guangzhui Network Technology Co ltd
Original Assignee
Shanghai Guangzhui Network Technology 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 Shanghai Guangzhui Network Technology Co ltd filed Critical Shanghai Guangzhui Network Technology Co ltd
Priority to CN202210049383.6A priority Critical patent/CN114470758B/zh
Publication of CN114470758A publication Critical patent/CN114470758A/zh
Application granted granted Critical
Publication of CN114470758B publication Critical patent/CN114470758B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A63—SPORTS; GAMES; AMUSEMENTS
    • A63F—CARD, BOARD, OR ROULETTE GAMES; INDOOR GAMES USING SMALL MOVING PLAYING BODIES; VIDEO GAMES; GAMES NOT OTHERWISE PROVIDED FOR
    • A63F13/00—Video games, i.e. games using an electronically generated display having two or more dimensions
    • A63F13/50—Controlling the output signals based on the game progress
    • A63F13/52—Controlling the output signals based on the game progress involving aspects of the displayed game scene
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
    • G06F3/011—Arrangements for interaction with the human body, e.g. for user immersion in virtual reality
    • A—HUMAN NECESSITIES
    • A63—SPORTS; GAMES; AMUSEMENTS
    • A63F—CARD, BOARD, OR ROULETTE GAMES; INDOOR GAMES USING SMALL MOVING PLAYING BODIES; VIDEO GAMES; GAMES NOT OTHERWISE PROVIDED FOR
    • A63F2300/00—Features of games using an electronically generated display having two or more dimensions, e.g. on a television screen, showing representations related to the game
    • A63F2300/80—Features of games using an electronically generated display having two or more dimensions, e.g. on a television screen, showing representations related to the game specially adapted for executing a specific type of game
    • A63F2300/8082—Virtual reality

Landscapes

  • Engineering & Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Human Computer Interaction (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Processing Or Creating Images (AREA)

Abstract

本申请实施例公开了一种基于VR的人物动作数据处理方法及系统，在进行VR游戏信息展示的决策过程中，通过将各个VR游戏任务相关的VR游戏兴趣点的支持度与VR人物动作分布综合进行计算得到综合支持度，再基于VR人物动作的综合支持度进行游戏兴趣扩展信息的展示，从而能够综合各个VR游戏任务和VR游戏兴趣点的兴趣倾向，有效生成更符合目标VR游戏角色的游戏偏好的VR游戏扩展信息，提升VR游戏信息展示的业务扩展性。

Description

基于VR的人物动作数据处理方法及系统
技术领域
本申请涉及VR游戏技术领域，具体而言，涉及一种基于VR的人物动作数据处理方法及系统。
背景技术
VR虚拟现实的热度逐年递增，其科幻感十足的体验模式，以及个性化的展示内容，使得其在诸多行业中发光发热，VR游戏作为其应用较多的一个领域，其内容也在持续丰富。例如，在VR游戏角色的动作执行过程中，为了提高VR游戏体验，进行适当的VR游戏信息展示是必不可少的，然而目前缺少针对基于VR动作进行VR游戏兴趣点而进行VR游戏展示信息扩展的方案，导致VR游戏信息展示的业务扩展性较差。
发明内容
本申请提供一种基于VR的人物动作数据处理方法及系统。
第一方面，本申请实施例提供一种基于VR的人物动作数据处理方法，应用于VR服务系统，包括：
获取目标VR游戏角色的VR人物动作序列的人物动作特征向量集，所述VR人物动作序列中的各个VR人物动作关联于一个或多个VR游戏任务，各个VR游戏任务对应于一个或多个VR游戏兴趣点；
基于所述人物动作特征向量集，对各个VR游戏任务相关的各个VR游戏兴趣点进行决策，获得第一兴趣决策信息，其中，所述第一兴趣决策信息中包括各个VR游戏任务相关的各个VR游戏兴趣点对应的支持度；
依据所述VR人物动作序列对应的各个VR游戏任务下的人物动作特征值和各个VR游戏兴趣点下的人物动作特征值，建立决策函数模型；
基于所述决策函数模型对所述第一兴趣决策信息进行二次决策，获得所述VR人物动作序列中各个VR人物动作的第二兴趣决策信息，所述第二兴趣决策信息包括VR人物动作关联于各个VR游戏任务相关的各个VR游戏兴趣点的支持度；
基于各个VR人物动作的第二兴趣决策信息确定对应的目标VR游戏兴趣点，向所述各个VR人物动作之后的动作页面中扩展所述目标VR游戏兴趣点对应的游戏兴趣扩展信息。
第二方面，本申请实施例提供一种VR服务系统，包括：
处理器；
存储器，所述存储器中存储有计算机程序，所述计算机程序被执行时实现第一方面所述的基于VR的人物动作数据处理方法。
相比现有技术，在进行VR游戏信息展示的决策过程中，通过将各个 VR游戏任务相关的VR游戏兴趣点的支持度与VR人物动作分布综合进行计算得到综合支持度，再基于VR人物动作的综合支持度进行游戏兴趣扩展信息的展示，从而能够综合各个VR游戏任务和VR游戏兴趣点的兴趣倾向，有效生成更符合目标VR游戏角色的游戏偏好的VR游戏扩展信息，提升 VR游戏信息展示的业务扩展性。
附图说明
图1为本申请实施例提供的一种基于VR的人物动作数据处理方法步骤流程示意图；
图2为本申请的实施例提供的用于执行图1中的基于VR的人物动作数据处理方法的VR服务系统的结构示意框图。
具体实施方式
下面将依据本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。依据本申请中的实施例，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它实施例，都属于本申请保护的范围。
步骤S110，获取目标VR游戏角色的VR人物动作序列的人物动作特征向量集，所述VR人物动作序列中的各个VR人物动作关联于一个或多个 VR游戏任务，各个VR游戏任务对应于一个或多个VR游戏兴趣点。
示例性地，人物动作特征向量集是基于VR人物动作的过往动作数据进行动作类别分析和特征向量挖掘所获得的特征向量集。示例性地，人物动作特征向量集主要可以包括动作触发位置向量、动作触发路径向量、动作结束位置向量等。
VR游戏任务可以表征VR人物动作所在的VR游戏中中所指定的游戏任务。VR游戏任务例如可对应于一种游戏体验项目，例如VR游戏任务可以包括场景冒险等VR游戏任务。VR游戏兴趣点针对于VR人物动作的动作倾向所关联的兴趣指向对象。各个VR游戏任务都对应于一个或多个VR 游戏兴趣点。值得说明的是，不同的VR游戏任务相关的VR游戏兴趣点可以是相同的。各个VR人物动作可以存在于多个VR游戏任务的多个VR游戏兴趣点中。此外，VR人物动作序列中包括两个或者两个以上的VR人物动作，并且各个VR人物动作关联于至少两个VR游戏任务，各个VR游戏任务对应于至少两个VR游戏兴趣点。
步骤S120，基于所述人物动作特征向量集，对各个VR游戏任务相关的各个VR游戏兴趣点进行决策，获得第一兴趣决策信息，其中，所述第一兴趣决策信息中包括各个VR游戏任务相关的各个VR游戏兴趣点对应的支持度。
其中，第一兴趣决策信息包括在各个VR游戏兴趣点下的VR人物动作的支持度。支持度用于表示对应于该VR游戏兴趣点的可能性。
第一兴趣决策信息可以由各个VR游戏任务相关的支持度特征组成。示例性地，可以通过深度学习网络来对于各个VR游戏任务预测VR人物动作属于该VR游戏任务下各个VR游戏兴趣点的支持度特征，从而得到VR游戏任务相关的向量，再依据VR游戏任务和VR人物动作来组合成第一兴趣决策信息。
步骤S130，依据所述VR人物动作序列对应的各个VR游戏任务下的人物动作特征值和各个VR游戏兴趣点下的人物动作特征值，建立决策函数模型。
示例性地，决策函数模型例如可以采用阵列进行表示，其阵列的参数基于VR游戏任务和VR游戏兴趣点的对应关系进行确定。例如，假设10 种VR游戏任务和50种VR游戏兴趣点，则决策函数模型为10×50的阵列。阵中的各个单元基于各个VR游戏任务下的人物动作特征值和各个VR游戏兴趣点下的人物动作特征值来计算。
步骤S140，基于所述决策函数模型对所述第一兴趣决策信息进行二次决策，获得所述VR人物动作序列中各个VR人物动作的第二兴趣决策信息，所述第二兴趣决策信息包括VR人物动作关联于各个VR游戏任务相关的各个VR游戏兴趣点的支持度。
二次决策的单位范围可以预先确定。示例性地，单位范围可以基于VR 游戏任务的数量来确定。二次决策可以采用深度学习网络(如CNN)的方式来进行计算，依据完成迭代训练开发的深度学习网络，传递到完成训练开发的决策函数模型和第一兴趣决策信息作为传递特征来得到各个VR人物动作的第二兴趣决策信息。第二兴趣决策信息中包括该VR人物动作在各个VR游戏兴趣点下的支持度。
步骤S150，基于各个VR人物动作的第二兴趣决策信息确定对应的目标VR游戏兴趣点，向所述各个VR人物动作之后的动作页面中扩展所述目标VR游戏兴趣点对应的游戏兴趣扩展信息。
示例性地，可以将第二兴趣决策信息中对于各个VR游戏任务下各个 VR游戏兴趣点的支持度与预设支持度来进行比较，如果支持度大于预设支持度，则表示VR人物动作是在该支持度对应的VR游戏兴趣点下的目标 VR人物动作，则可以向VR人物动作之后的动作页面中扩展该VR游戏兴趣点对应的游戏兴趣扩展信息。
一些可能的实施方式中，上述步骤S150，基于各个VR人物动作的第二兴趣决策信息确定对应的目标VR游戏兴趣点，向所述各个VR人物动作之后的动作页面中扩展所述目标VR游戏兴趣点对应的游戏兴趣扩展信息，包括：
基于所述决策函数模型对所述兴趣评估特征分布进行二次决策，获得所述VR人物动作序列中各个VR人物动作的兴趣评估特征分布，所述兴趣评估特征分布包括VR人物动作关联于各个VR游戏任务相关的各个VR游戏兴趣点的兴趣评估特征值；
基于各个VR人物动作的第二兴趣决策信息，确定各个VR游戏兴趣点的目标VR人物动作；
基于所述目标VR人物动作的兴趣评估特征分布，确定所述目标VR人物动作的扩展参考信息，所述扩展参考信息中包括目标VR游戏任务和对应的目标VR游戏兴趣点；
基于所述扩展参考信息中的目标VR游戏任务和对应的目标VR游戏兴趣点，向所述目标VR人物动作之后的动作页面中扩展游戏兴趣扩展信息。
由此设计，在进行VR游戏信息展示的决策过程中，通过将各个VR游戏任务相关的VR游戏兴趣点的支持度与VR人物动作分布综合进行计算得到综合支持度，再基于VR人物动作的综合支持度进行游戏兴趣扩展信息的展示，从而能够综合各个VR游戏任务和VR游戏兴趣点的兴趣倾向，有效生成更符合目标VR游戏角色的游戏偏好的VR游戏扩展信息，提升VR游戏信息展示的业务扩展性。
一些可能的实施方式中，所述人物动作特征向量集包含过往频繁项动作特征和参考动作特征；上述步骤S120，基于所述人物动作特征向量集，对各个VR游戏任务相关的各个VR游戏兴趣点进行决策，获得第一兴趣决策信息，例如可以包括如下步骤：
基于所述过往频繁项动作特征，依据对应于各个VR游戏兴趣点的兴趣评估函数计算各个VR游戏兴趣点对应的兴趣评估特征分布；
基于所述参考动作特征和所述兴趣评估特征分布进行支持度特征分析，获得各个VR游戏兴趣点对应的支持度特征；
基于所述支持度特征和所述VR人物动作序列进行动作兴趣决策，获得对应于所述VR人物动作序列的第一兴趣决策信息。
示例性地，过往频繁项动作特征和参考动作特征基于动作触发阶段进行划分。当前的动作触发阶段为第M个动作触发阶段，则过往频繁项动作特征是1至M-1个动作触发阶段中的数据，而参考动作特征是第M个动作触发阶段中的数据。
VR服务系统基于所述过往频繁项动作特征，依据对应于各个VR游戏兴趣点的兴趣评估函数计算各个VR游戏兴趣点对应的兴趣评估特征分布。其中，各个VR游戏任务下的各个VR游戏兴趣点都会存在对应的兴趣评估函数，各个兴趣评估函数可以采用相同的网络参数层，但是相互独立地进行训练。因此，若有10种VR游戏任务和50种VR游戏兴趣点，则可以存在500个兴趣评估函数。将过往频繁项动作特征传递到各个VR游戏兴趣点的兴趣评估函数中，由此获得对应于各个VR游戏兴趣点的兴趣评估特征分布。
基于兴趣评估特征分布和参考动作特征，依据LR算法进行决策，可以得到各个VR游戏兴趣点下的支持度特征，表示第i个VR游戏任务下的第 j个VR游戏兴趣点的支持度特征。
由此，对于VR人物动作序列中的各个VR人物动作来将支持度特征组合成更高维度的第一兴趣决策信息，该第一兴趣决策信息为u*m*n阶的阵列模型，其中u表示是VR人物动作的数量，m表示VR游戏任务的数量， n表示VR游戏兴趣点的数量。该第一兴趣决策信息通常可以是一个含有关系缺失特征的阵列模型。
一些可能的实施方式中，所述基于所述过往频繁项动作特征，依据对应于各个VR游戏兴趣点的兴趣评估函数计算各个VR游戏兴趣点对应的兴趣评估特征分布可以通过以下示例性的实施方式实现：
基于所述过往频繁项动作特征，确定对应于各个VR游戏任务的各个 VR游戏兴趣点的开发参考特征数据序列和验证参考特征数据序列；
获取所述各个VR游戏任务的各个VR游戏兴趣点对应的兴趣评估函数；
将对应于所述各个VR游戏兴趣点的开发参考特征数据序列和验证参考特征数据序列分别传递到对应的兴趣评估函数进行评估分析，获得对应于各个VR游戏兴趣点的兴趣评估特征分布。
一些可能的实施方式中，所述将对应于所述各个VR游戏兴趣点的开发参考特征数据序列和验证参考特征数据序列分别传递到对应的兴趣评估函数进行评估分析，获得对应于各个VR游戏兴趣点的兴趣评估特征分布可以通过以下示例性的实施方式实现：
将对应于各个VR游戏兴趣点的开发参考特征数据序列和所述验证参考特征数据序列分别传递到基础兴趣评估网络中进行循环网络权重优化；
在所述基础兴趣评估网络的训练条件达到训练终止条件时，输出训练终止的基础兴趣评估网络作为兴趣评估函数；
获取各个兴趣评估函数生成的计算信息作为对应于各个VR游戏兴趣点的兴趣评估特征分布。
一些可能的实施方式中，所述基于所述过往频繁项动作特征，确定对应于各个VR游戏任务的各个VR游戏兴趣点的开发参考特征数据序列和验证参考特征数据序列可以通过以下示例性的实施方式实现：
基于所述过往频繁项动作特征，确定所述VR人物动作序列中各个VR 人物动作对应的VR游戏兴趣点；
基于所述各个VR人物动作对应VR游戏任务和VR游戏兴趣点，对所述过往频繁项动作特征进行聚团，获得对应于各个VR游戏任务相关的各个 VR游戏兴趣点的过往频繁项动作特征聚团；
将所述过往频繁项动作特征聚团中的数据拆分为正向动作特征序列和负向动作特征序列；
依据预设聚合参数对所述正向动作特征序列和负向动作特征序列中的数据进行关联性聚合，获得对应于各个VR游戏兴趣点的开发参考特征数据序列和验证参考特征数据序列。
一些可能的实施方式中，基于所述过往频繁项动作特征，确定所述VR 人物动作序列中各个VR人物动作对应的VR游戏兴趣点可以通过以下示例性的实施方式实现：
依据对所述过往频繁项动作特征挖掘的频繁项知识点序列，确定所述频繁项知识点序列中关注知识点的VR贴图热力图，通过所述频繁项知识点序列中关注知识点的VR贴图热力图，确定在目标引用区间内加载到所述过往频繁项动作特征的第一VR关注贴图对象序列和与所述过往频繁项动作特征具有联动关系的第二VR关注贴图对象序列，通过所述第一VR关注贴图对象序列和所述第二VR关注贴图对象序列，确定存在匹配同一关注触发条件的VR关注贴图对象，基于匹配同一关注触发条件的VR关注贴图对象确定所述VR人物动作序列中各个VR人物动作对应的VR游戏兴趣点。
所述依据对过往频繁项动作特征挖掘的频繁项知识点序列，确定所述频繁项知识点序列中关注知识点的VR贴图热力图，包括：对所述频繁项知识点序列中的目标频繁项知识点进行关注知识点提取，获得得到所述目标频繁项知识点中涉及的各关注知识点的关注指标数据；依据所述目标频繁项知识点中涉及的各关注知识点的关注指标数据，确定目标频繁项知识点在所述频繁项知识点序列中的关注指标数据；依据所述目标频繁项知识点在所述频繁项知识点序列中的关注指标数据，确定所述目标频繁项知识点的VR贴图热力图；
其中，在所述依据所述目标频繁项知识点中涉及的各关注知识点的关注指标数据，确定目标频繁项知识点在所述频繁项知识点序列中的关注指标数据之前，还包括：确定所述目标频繁项知识点中的关注知识点的注意力路径特征；按照不同目标频繁项知识点分别涉及的关注知识点的注意力路径特征，确定所述不同目标频繁项知识点中涉及的关注知识点之间的关注代价；将所述关注代价中低于目标代价的最小关注代价匹配的关注知识点作为所述目标关注知识点。
一些可能的实施方式中，所述基于所述参考动作特征和所述兴趣评估特征分布进行支持度特征分析，获得各个VR游戏兴趣点对应的支持度特征可以包括如下步骤：
获取所述VR游戏兴趣点对应的支持度特征分析模型；
基于所述兴趣评估特征分布对应的VR游戏兴趣点，将所述参考动作特征和所述兴趣评估特征分布传递到对应的支持度特征分析模型中，获得对应于各个VR游戏兴趣点的支持度特征。
示例性地，支持度特征分析模型可以采用LR模型来实现。每种VR游戏任务的VR游戏兴趣点对应于一个支持度特征分析模型。该支持度特征分析模型的输出为兴趣评估函数基于过往频繁项动作特征计算得到的兴趣评估特征分布以及要预测的参考动作特征，输出则为各个VR游戏兴趣点的支持度特征。
一些可能的实施方式中，基于所述支持度特征和所述VR人物动作序列进行动作兴趣决策，获得对应于所述VR人物动作序列的第一兴趣决策信息可以通过以下示例性的实施方式实现：
依据所述VR人物动作序列中的VR人物动作在各个VR游戏任务相关的各个VR游戏兴趣点下的支持度特征，建立携带关系缺失特征的初始决策信息，所述初始决策信息的第i行第j列为VR人物动作i在VR游戏兴趣点j的支持度特征，所述关系缺失特征表示VR人物动作与所述关系缺失特征对应的VR游戏兴趣点之间未携带决策关系特征；
将所述初始决策信息传递到兴趣决策模型中进行兴趣决策，获得第一兴趣决策信息。
示例性地，在建立第一兴趣决策信息时，可以首先构造出含有关系缺失特征的初始决策信息，初始决策信息的第i行第j列为VR人物动作i在 VR游戏兴趣点j的支持度特征，所述关系缺失特征表示VR人物动作与所述关系缺失特征对应的VR游戏兴趣点之间未携带决策关系特征，例如VR 人物动作未关联过对应的VR内容或者不属于对应的VR游戏兴趣点。
之后，可以基于完成训练开发的兴趣决策模型来预测初始决策信息中的关系缺失特征，输出的结果是不含有关系缺失特征的阵列模型，并且将不含有关系缺失特征的阵列模型作为第一兴趣决策信息。
一些可能的实施方式中，所述依据所述VR人物动作序列对应的各个 VR游戏任务下的人物动作特征值和各个VR游戏兴趣点下的人物动作特征值，建立决策函数模型可以通过以下示例性的实施方式实现：
基于所述人物动作特征向量集，确定各个VR游戏任务的人物动作特征值以及各个VR游戏任务相关的VR游戏兴趣点的人物动作特征值；
基于各个VR游戏兴趣点的人物动作特征值与对应的VR游戏任务的人物动作特征值的关系值，确定各个VR游戏兴趣点的决策影响参数；
基于所述各个VR游戏兴趣点的决策影响参数以及对应的VR游戏兴趣点，建立决策函数模型。
其中，决策函数模型基于VR游戏兴趣点的人物动作特征值与VR游戏任务的人物动作特征值的关系值来确定。人物动作特征值通过对VR人物动作数据特征进行统计来确定。
譬如，基于所述扩展参考信息中的目标VR游戏任务和对应的目标VR 游戏兴趣点，向所述目标VR人物动作之后的动作页面中扩展游戏兴趣扩展信息的过程中，可以获取目标VR游戏任务关联的目标VR游戏兴趣点存在特征联系的预设游戏内容数据，并基于所述存在特征联系的预设游戏内容数据向所述目标VR人物动作之后的动作页面中扩展游戏兴趣扩展信息。
譬如，一些可能的实施方式中，前述方法还可以包括以下步骤。
步骤S160，针对每个VR人物动作所触发的动作页面，在所述动作页面中响应到贴图异常状态时，获取在所述动作页面中针对目标游戏扩展内容的目标游戏角色模型所匹配的贴图使用事件组。
步骤S170，确定所述贴图使用事件组中的每个贴图使用事件与所述目标游戏角色模型之间的模型运用契合指数。
步骤S180，利用所述每个贴图使用事件所匹配的模型运用契合指数，以及所述每个贴图使用事件的区别型描述，对所述每个贴图使用事件进行调整，以获得对应的贴图事件调整列表。
步骤S190，基于所述贴图事件调整列表对所述动作页面执行贴图重新渲染。
譬如，一些可能的实施方式中，所述确定所述贴图使用事件组中的每个贴图使用事件与所述目标游戏角色模型之间的模型运用契合指数，包括：逐一地将所述每个贴图使用事件加载到已完成配置的性能反馈分析网络中，经由所述已完成配置的性能反馈分析网络中的游戏操作场景维度的契合度解析层对所述每个贴图使用事件进行关键内容挖掘，确定所述契合度解析层导出的所述每个贴图使用事件所匹配的模型运用契合指数；
所述利用所述每个贴图使用事件所匹配的模型运用契合指数，以及所述每个贴图使用事件的区别型描述，对所述每个贴图使用事件进行调整，以获得对应的贴图事件调整列表，包括：逐一地将所述每个贴图使用事件，以及所述每个贴图使用事件所匹配的模型运用契合指数加载到所述已完成配置的性能反馈分析网络中的多功能事件处理层，经由所述多功能事件处理层对所述每个贴图使用事件进行基于描述层面的分类处理和调整，确定所述多功能事件处理层导出的游戏操作节点维度的第一组合型事件特征，所述第一组合型事件特征中的每个贴图使用事件标签共同构成所述贴图事件调整列表；
所述经由所述贴图事件调整列表创立与所述目标游戏角色模型所匹配的目标游戏性能反馈集，包括：将所述组合型事件特征加载到所述已完成配置的性能反馈分析网络中的性能反馈解析层，经由所述性能反馈解析层进行针对性描述挖掘，确定所述性能反馈解析层导出的所述目标游戏性能反馈集；其中，所述已完成配置的性能反馈分析网络为基于认证示例集配置所得的，所述认证示例集中的认证示例涵盖在先完成目标注释的添加处理的认证型贴图使用事件，所述目标注释反映所述认证型贴图使用事件与认证游戏角色模型是否契合。
譬如，一些可能的实施方式中，所述逐一地将所述每个贴图使用事件加载到已完成配置的性能反馈分析网络中，经由所述已完成配置的性能反馈分析网络中的游戏操作场景维度的契合度解析层，确定所述契合度解析层导出的每个认证型贴图使用事件所匹配的模型运用契合指数，包括：逐一地将所述每个贴图使用事件加载到所述契合度解析层，经由所述契合度解析层中的设定网络单元将所述每个贴图使用事件迁移变换到过渡型特征列表，得到所述每个贴图使用事件的个性化特征；通过衍生分析策略将所述每个贴图使用事件的个性化特征逐一更新为所匹配的区别型数组；经由所述契合度解析层，逐一挖掘所述每个贴图使用事件的区别型数组以及与除该贴图使用事件之外的剩余贴图使用事件的区别型数组之间的针对性表达；经由所述每个贴图使用事件所匹配的针对性表达确定所述每个贴图使用事件与所述目标游戏角色模型之间的模型运用契合指数。
譬如，一些可能的实施方式中，所述经由所述多功能事件处理层对所述每个贴图使用事件进行基于描述层面的分类处理并调整，确定所述多功能事件处理层导出的游戏操作节点维度的第一组合型事件特征，包括：经由所述已完成配置的性能反馈分析网络中的多功能事件处理层，将所述每个贴图使用事件迁移变换到过渡型特征列表得到所述每个贴图使用事件所匹配的使用行为特征簇；通过设定特征压缩策略对所述每个贴图使用事件所匹配的使用行为特征簇进行特征压缩处理，得到所述每个贴图使用事件的区别型个性化特征；分别利用所述每个贴图使用事件所匹配的模型运用契合指数，对所述每个贴图使用事件的区别型个性化特征进行融合处理，得到所述每个贴图使用事件的关键个性化特征；经由所述每个贴图使用事件的关键个性化特征进行基于描述层面的分类处理，得到X个阶段化使用事件集；将全部阶段化使用事件集进行调整，并将每个阶段化使用事件集中的每个贴图使用事件进行调整后，将每个贴图使用事件的关键个性化特征组合并进行游戏操作节点维度更新得到所述第一组合型事件特征。
譬如，一些可能的实施方式中，所述将所述第一组合型事件特征加载到所述已完成配置的性能反馈分析网络中的性能反馈解析层，经由所述性能反馈解析层进行针对性描述挖掘，确定所述性能反馈解析层导出的所述目标游戏性能反馈集，包括：利用设定处理策略，逐一创立所述目标游戏性能反馈集中的每个游戏性能反馈内容，所述目标游戏性能反馈集中的一个性能主题至少包括一个游戏性能反馈内容；所述设定处理策略下的每一轮处理包括：将前一轮导出的目标游戏性能反馈内容加载到所述性能反馈解析层，其中，首轮加载到所述性能反馈解析层的为默认的引导信息；通过局部聚焦策略分析所述前一轮导出的目标游戏性能反馈内容和范例集合中的每个贴图使用事件标签的配对程度，其中，所述配对程度反映所述贴图使用事件标签与所述前一轮导出的游戏性能反馈内容之间的关注系数；将所述配对程度和所述贴图事件调整列表中的贴图使用事件标签的区别型数组集进行融合处理，并加载到到长短期记忆网络中，确定本轮导出的所述贴图事件调整列表的目标区别型个性化特征；经由所述前一轮导出的目标游戏性能反馈内容以及所述目标区别型个性化特征，创立本轮导出的目标游戏性能反馈内容。
譬如，一些可能的实施方式中，在所述通过局部聚焦策略分析前一轮导出的目标游戏性能反馈内容和所述范例集合中的每个贴图使用事件标签的配对程度之前，还包括：将本轮定位的目标阶段化使用事件集以及所述目标阶段化使用事件集的关联事件集作为关注的阶段化使用事件集，将剩余的阶段化使用事件集作为非关注的阶段化使用事件集，其中每轮定位的目标阶段化使用事件集是基于每个阶段化使用事件集之间的先后关系确定的；为所述贴图事件调整列表中处于关注的阶段化使用事件集中的贴图使用事件标签添配第一配对描述，为所述贴图事件调整列表中处于非关注的阶段化使用事件集中的贴图使用事件标签添配第二配对描述，得到所述范例集合中的每个贴图使用事件标签所匹配的第一已配对区别型数组；以及为所述前一轮导出的目标游戏性能反馈内容添配所述第一配对描述，得到所匹配的第二已配对区别型数组；
所述通过局部聚焦策略分析所述前一轮导出的目标游戏性能反馈内容和所述范例集合中的每个贴图使用事件标签的配对程度，包括：结合所述范例集合中的每个贴图使用事件标签所匹配的第一已配对数组与前一轮导出的目标游戏性能反馈内容所匹配的第二已配对区别型数组，基于局部聚焦策略分析所述前一轮导出的目标游戏性能反馈内容与所述范例集合中的每个贴图使用事件标签的配对程度。
譬如，一些可能的实施方式中，所述利用所述每个贴图使用事件所匹配的模型运用契合指数，以及所述每个贴图使用事件的区别型描述，对所述每个贴图使用事件进行调整，以获得对应的贴图事件调整列表，包括：利用所述每个贴图使用事件所匹配的模型运用契合指数，以及所述每个贴图使用事件的区别型描述，对所述每个贴图使用事件进行局部化处理，得到X个阶段化使用事件集；对每个阶段化使用事件集进行调整以及分别对所述每个阶段化使用事件集中的每个贴图使用事件进行调整，得到所述贴图事件调整列表。
依据同一发明构思，依据图2所示，本申请实施例还提供一种VR服务系统，VR服务系统100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中央处理器(Central Processing Units，CPU)112(例如，一个或一个以上处理器)和存储器111。其中，存储器111可以是短暂存储或持久存储。存储在存储器111的程序可以包括一个或一个以上模块，各个模块可以包括对VR服务系统100中的一系列指令操作。更进一步地，中央处理器112可以设置为与存储器111通信，在VR服务系统100上执行存储器111中的一系列指令操作。
VR服务系统100还可以包括一个或一个以上电源，一个或一个以上通信单元113，一个或一个以上传递到输出接口，和/或，一个或一个以上操作系统，例如WindowsServerTM，Mac OS XTM，UnixTM,LinuxTM， FreeBSDTM等等。
另外，本申请实施例还提供了一种存储介质，所述存储介质用于存储计算机程序，所述计算机程序用于执行上述实施例提供的方法。
本申请实施例还提供了一种包括指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述实施例提供的方法。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质可以是下述介质中的至少一种：只读存储器(英文： Read-only Memory，缩写：ROM)、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
需要说明的是，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，各个实施例重点说明的都是与其他实施例的不同之处。尤其，对于设备及系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的设备及系统实施例仅仅是示意性的，其中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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
以上所述，仅为本申请的一种具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到的变化或替换，都应涉及在本申请的保护范围之内。因此，本申请的保护范围应该以权利要求的保护范围为准。

Claims (10)

1.一种基于VR的人物动作数据处理方法，应用于VR服务系统，其特征在于，包括：
获取目标VR游戏角色的VR人物动作序列的人物动作特征向量集，所述VR人物动作序列中的各个VR人物动作关联于一个或多个VR游戏任务，各个VR游戏任务对应于一个或多个VR游戏兴趣点；
基于所述人物动作特征向量集，对各个VR游戏任务相关的各个VR游戏兴趣点进行决策，获得第一兴趣决策信息，其中，所述第一兴趣决策信息中包括各个VR游戏任务相关的各个VR游戏兴趣点对应的支持度；
依据所述VR人物动作序列对应的各个VR游戏任务下的人物动作特征值和各个VR游戏兴趣点下的人物动作特征值，建立决策函数模型；
基于所述决策函数模型对所述第一兴趣决策信息进行二次决策，获得所述VR人物动作序列中各个VR人物动作的第二兴趣决策信息，所述第二兴趣决策信息包括VR人物动作关联于各个VR游戏任务相关的各个VR游戏兴趣点的支持度；
基于各个VR人物动作的第二兴趣决策信息确定对应的目标VR游戏兴趣点，向所述各个VR人物动作之后的动作页面中扩展所述目标VR游戏兴趣点对应的游戏兴趣扩展信息。
2.根据权利要求1所述的基于VR的人物动作数据处理方法，其特征在于，所述人物动作特征向量集包含过往频繁项动作特征和参考动作特征；
所述基于所述人物动作特征向量集，对各个VR游戏任务相关的各个VR游戏兴趣点进行决策，获得第一兴趣决策信息，包括：
基于所述过往频繁项动作特征，依据对应于各个VR游戏兴趣点的兴趣评估函数计算各个VR游戏兴趣点对应的兴趣评估特征分布；
基于所述参考动作特征和所述兴趣评估特征分布进行支持度特征分析，获得各个VR游戏兴趣点对应的支持度特征；
基于所述支持度特征和所述VR人物动作序列进行动作兴趣决策，获得对应于所述VR人物动作序列的第一兴趣决策信息。
3.根据权利要求2所述的基于VR的人物动作数据处理方法，其特征在于，所述基于各个VR人物动作的第二兴趣决策信息确定对应的目标VR游戏兴趣点，向所述各个VR人物动作之后的动作页面中扩展所述目标VR游戏兴趣点对应的游戏兴趣扩展信息，包括：
基于所述决策函数模型对所述兴趣评估特征分布进行二次决策，获得所述VR人物动作序列中各个VR人物动作的兴趣评估特征分布，所述兴趣评估特征分布包括VR人物动作关联于各个VR游戏任务相关的各个VR游戏兴趣点的兴趣评估特征值；
基于各个VR人物动作的第二兴趣决策信息，确定各个VR游戏兴趣点的目标VR人物动作；
基于所述目标VR人物动作的兴趣评估特征分布，确定所述目标VR人物动作的扩展参考信息，所述扩展参考信息中包括目标VR游戏任务和对应的目标VR游戏兴趣点；
基于所述扩展参考信息中的目标VR游戏任务和对应的目标VR游戏兴趣点，向所述目标VR人物动作之后的动作页面中扩展游戏兴趣扩展信息。
4.根据权利要求2所述的基于VR的人物动作数据处理方法，其特征在于，所述基于所述过往频繁项动作特征，依据对应于各个VR游戏兴趣点的兴趣评估函数计算各个VR游戏兴趣点对应的兴趣评估特征分布，包括：
基于所述过往频繁项动作特征，确定对应于各个VR游戏任务的各个VR游戏兴趣点的开发参考特征数据序列和验证参考特征数据序列；
获取所述各个VR游戏任务的各个VR游戏兴趣点对应的兴趣评估函数；
将对应于各个VR游戏兴趣点的开发参考特征数据序列和所述验证参考特征数据序列分别传递到基础兴趣评估网络中进行循环网络权重优化；
在所述基础兴趣评估网络的训练条件达到训练终止条件时，输出训练终止的基础兴趣评估网络作为兴趣评估函数；
获取各个兴趣评估函数生成的计算信息作为对应于各个VR游戏兴趣点的兴趣评估特征分布。
5.根据权利要求4所述的基于VR的人物动作数据处理方法，其特征在于，所述基于所述过往频繁项动作特征，确定对应于各个VR游戏任务的各个VR游戏兴趣点的开发参考特征数据序列和验证参考特征数据序列，包括：
基于所述过往频繁项动作特征，确定所述VR人物动作序列中各个VR人物动作对应的VR游戏兴趣点；
基于所述各个VR人物动作对应VR游戏任务和VR游戏兴趣点，对所述过往频繁项动作特征进行聚团，获得对应于各个VR游戏任务相关的各个VR游戏兴趣点的过往频繁项动作特征聚团；
将所述过往频繁项动作特征聚团中的数据拆分为正向动作特征序列和负向动作特征序列；
依据预设聚合参数对所述正向动作特征序列和负向动作特征序列中的数据进行关联性聚合，获得对应于各个VR游戏兴趣点的开发参考特征数据序列和验证参考特征数据序列。
6.根据权利要求5所述的基于VR的人物动作数据处理方法，其特征在于，所述基于所述过往频繁项动作特征，确定所述VR人物动作序列中各个VR人物动作对应的VR游戏兴趣点，包括：
依据对所述过往频繁项动作特征挖掘的频繁项知识点序列，确定所述频繁项知识点序列中关注知识点的VR贴图热力图；
通过所述频繁项知识点序列中关注知识点的VR贴图热力图，确定在目标引用区间内加载到所述过往频繁项动作特征的第一VR关注贴图对象序列和与所述过往频繁项动作特征具有联动关系的第二VR关注贴图对象序列；
通过所述第一VR关注贴图对象序列和所述第二VR关注贴图对象序列，确定存在匹配同一关注触发条件的VR关注贴图对象；
基于匹配同一关注触发条件的VR关注贴图对象确定所述VR人物动作序列中各个VR人物动作对应的VR游戏兴趣点；
所述依据对所述过往频繁项动作特征挖掘的频繁项知识点序列，确定所述频繁项知识点序列中关注知识点的VR贴图热力图，包括：
对所述频繁项知识点序列中的目标频繁项知识点进行关注知识点提取，获得所述目标频繁项知识点中涉及的各关注知识点的关注指标数据；
依据所述目标频繁项知识点中涉及的各关注知识点的关注指标数据，确定目标频繁项知识点在所述频繁项知识点序列中的关注指标数据；
依据所述目标频繁项知识点在所述频繁项知识点序列中的关注指标数据，确定所述目标频繁项知识点的VR贴图热力图；
其中，在所述依据所述目标频繁项知识点中涉及的各关注知识点的关注指标数据，确定目标频繁项知识点在所述频繁项知识点序列中的关注指标数据之前，还包括：
确定所述目标频繁项知识点中的关注知识点的注意力路径特征；按照不同目标频繁项知识点分别涉及的关注知识点的注意力路径特征，确定所述不同目标频繁项知识点中涉及的关注知识点之间的关注代价；
将所述关注代价中低于目标代价的最小关注代价匹配的关注知识点作为目标关注知识点。
7.根据权利要求2所述的基于VR的人物动作数据处理方法，其特征在于，所述基于所述参考动作特征和所述兴趣评估特征分布进行支持度特征分析，获得各个VR游戏兴趣点对应的支持度特征，包括：
获取所述VR游戏兴趣点对应的支持度特征分析模型；
基于所述兴趣评估特征分布对应的VR游戏兴趣点，将所述参考动作特征和所述兴趣评估特征分布传递到对应的支持度特征分析模型中，获得对应于各个VR游戏兴趣点的支持度特征。
8.根据权利要求2所述的基于VR的人物动作数据处理方法，其特征在于，所述基于所述支持度特征和所述VR人物动作序列进行动作兴趣决策，获得对应于所述VR人物动作序列的第一兴趣决策信息，包括：
依据所述VR人物动作序列中的VR人物动作在各个VR游戏任务相关的各个VR游戏兴趣点下的支持度特征，建立携带关系缺失特征的初始决策信息，所述初始决策信息的第i行第j列为VR人物动作i在VR游戏兴趣点j的支持度特征，所述关系缺失特征表示VR人物动作与所述关系缺失特征对应的VR游戏兴趣点之间未携带决策关系特征；
将所述初始决策信息传递到兴趣决策模型中进行兴趣决策，获得第一兴趣决策信息。
9.根据权利要求1所述的基于VR的人物动作数据处理方法，其特征在于，所述依据所述VR人物动作序列对应的各个VR游戏任务下的人物动作特征值和各个VR游戏兴趣点下的人物动作特征值，建立决策函数模型，包括：
基于所述人物动作特征向量集，确定各个VR游戏任务的人物动作特征值以及各个VR游戏任务相关的VR游戏兴趣点的人物动作特征值；
基于各个VR游戏兴趣点的人物动作特征值与对应的VR游戏任务的人物动作特征值的关系值，确定各个VR游戏兴趣点的决策影响参数；
基于所述各个VR游戏兴趣点的决策影响参数以及对应的VR游戏兴趣点，建立决策函数模型。
10.一种VR服务系统，其特征在于，包括：
处理器；
存储器，所述存储器中存储有计算机程序，所述计算机程序被执行时实现权利要求1-9中任意一项所述的基于VR的人物动作数据处理方法。
CN202210049383.6A 2022-01-17 2022-01-17 基于vr的人物动作数据处理方法及系统 Active CN114470758B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210049383.6A CN114470758B (zh) 2022-01-17 2022-01-17 基于vr的人物动作数据处理方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210049383.6A CN114470758B (zh) 2022-01-17 2022-01-17 基于vr的人物动作数据处理方法及系统

Publications (2)

Publication Number Publication Date
CN114470758A CN114470758A (zh) 2022-05-13
CN114470758B true CN114470758B (zh) 2022-08-02

Family

ID=81512348

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210049383.6A Active CN114470758B (zh) 2022-01-17 2022-01-17 基于vr的人物动作数据处理方法及系统

Country Status (1)

Country Link
CN (1) CN114470758B (zh)

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110754075B (zh) * 2017-10-13 2020-09-11 美的集团股份有限公司 用于提供个性化现场信息交换的方法和系统
KR20210072350A (ko) * 2019-12-09 2021-06-17 주식회사 윌러스표준기술연구소 전기 안구도 측정을 통한 안구 운동 상태 기반의 렌더링 방법
US10963816B1 (en) * 2020-06-15 2021-03-30 Kinoo, Inc. Systems and methods for time-shifting interactions using a shared artificial intelligence personality
CN111898032B (zh) * 2020-08-13 2024-04-30 腾讯科技（深圳）有限公司 基于人工智能的信息推荐方法、装置、电子设备及存储介质
CN112199580B (zh) * 2020-09-11 2021-05-28 智广海联大数据技术有限公司 面向云计算和大数据定位的业务处理方法及人工智能平台
CN113253836A (zh) * 2021-03-22 2021-08-13 联通沃悦读科技文化有限公司 一种基于人工智能与虚拟现实的教学方法及系统
CN113360762A (zh) * 2021-06-19 2021-09-07 阚忠建 基于人工智能的内容推荐方法及人工智能内容推荐系统

Also Published As

Publication number Publication date
CN114470758A (zh) 2022-05-13

Similar Documents

Publication Publication Date Title
CN108875955B (zh) 基于参数服务器的梯度提升决策树的实现方法及相关设备
KR102557049B1 (ko) Slam 기반 카메라 추적에서 라벨된 키프레임을 이용한 이미지 특징 매칭 방법 및 장치
CN108154197B (zh) 实现虚拟场景中图像标注验证的方法及装置
CN111651692A (zh) 基于人工智能的信息推荐方法、装置及电子设备
CN105760443A (zh) 项目推荐系统、项目推荐装置以及项目推荐方法
KR101605654B1 (ko) 쌍별 비교 데이터를 이용한 다중랭킹 추정 방법 및 장치
CN114259693B (zh) 一种虚拟现实跑步机的控制方法及系统
CN109818971B (zh) 一种基于高阶关联挖掘的网络数据异常检测方法与系统
CN110221959A (zh) 应用程序的测试方法、设备以及计算机可读介质
CN112785005A (zh) 多目标任务的辅助决策方法、装置、计算机设备及介质
CN113641797A (zh) 数据处理方法、装置、设备、存储介质及计算机程序产品
CN114470758B (zh) 基于vr的人物动作数据处理方法及系统
CN115129908A (zh) 一种模型优化方法、装置、设备、存储介质及程序产品
CN104246760A (zh) 搜索方法
CN116522399A (zh) 保护用户隐私的推荐模型更新方法、系统及装置
CN112116485B (zh) 实现社交网络中亲属关联信息获取的方法及装置
CN115221217A (zh) 应用于数据推送的大数据挖掘方法及系统
CN110089076A (zh) 实现信息互动的方法和装置
US11775815B2 (en) System and method for deep memory network
Wang et al. Informative image selection for crowdsourcing-based mobile location recognition
US9015201B2 (en) Discriminative classification using index-based ranking of large multimedia archives
CN114298118A (zh) 一种基于深度学习的数据处理方法、相关设备及存储介质
CN113361055B (zh) 扩展社交网络中的隐私处理方法、装置、电子设备和存储介质
US12013825B2 (en) Predictive value engine for logical map generation and injection
CN116257760B (zh) 一种数据划分方法、系统、设备及计算机可读存储介质

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
GR01 Patent grant
GR01 Patent grant