CN114691953A - 结合大数据的沉浸式交互偏好挖掘方法及系统 - Google Patents

Abstract

本公开实施例公开了结合大数据的沉浸式交互偏好挖掘方法及系统，借助偏好细节单元的思路来记录玩家体验反馈记录，结合关联偏好细节单元的重构处理，可以实现偏好细节单元进行智能重构，针对存在部分缺失，亦或者存在部分错误/冗余的玩家体验反馈记录而言，能够保障特定的偏好细节单元尽可能地匹配反馈热力值相对较高的偏好细节单元，从而在一定程度上改善了由于玩家体验反馈记录的部分缺失，亦或者部分错误/冗余造成的偏好大数据处理难度，继而保障对玩家体验反馈记录进行处理后得到的结果能够快速准确地应用到后续的进程中。

Description

结合大数据的沉浸式交互偏好挖掘方法及系统

技术领域

本公开涉及大数据技术领域，尤其涉及一种结合大数据的沉浸式交互偏好挖掘方法及系统。

背景技术

沉浸式交互作为一种新型的交互模式，能够全方位覆盖用户的视角并为用户提供丰富的仿真模拟体验，能够为用户提供身临其境的体验。当下，沉浸式交互所涉及的领域非常广泛，例如虚拟现实游戏、数字化远程办公、无接触在线商城等，而沉浸式交互的受众用户规模也越来越庞大。对于沉浸式交互而言，良好的用户体验和反馈是沉浸式交互的命脉，因此，针对沉浸式交互的用户分析和大数据挖掘非常火爆。然而经发明人对相关的用户分析和大数据挖掘技术进行深入研究之后，发明人发现大部分技术在对用户反馈进行分析处理时难以规避或者解决信息缺失/错误等问题，这也增加了用户反馈分析的难度。

发明内容

本公开的一个目的是提供一种结合大数据的沉浸式交互偏好挖掘方法及系统。

本公开的技术方案是通过如下至少部分实施例实现的。

一种结合大数据的沉浸式交互偏好挖掘方法，其中，应用于大数据挖掘平台系统，所述方法包括：

基于指定沉浸式交互任务的玩家体验反馈记录，确定至少一个偏好细节单元及其对应的显著语义；

通过所述偏好细节单元的重构处理确定所述玩家体验反馈记录的注意力表达，并基于所述注意力表达对所述玩家体验反馈记录进行处理。

对于一些可独立的实施例而言，所述基于指定沉浸式交互任务的玩家体验反馈记录，确定至少一个偏好细节单元及其对应的显著语义，包括：将指定沉浸式交互任务的玩家体验反馈记录拆解成若干个具有一致数据量的偏好细节单元；确定若干个偏好细节单元中有效偏好细节单元中各偏好细节单元的显著语义，并确定第一关键偏好细节单元的关联偏好细节单元的基础显著语义；所述第一关键偏好细节单元为所述有效偏好细节单元中的其中一个偏好细节单元。

对于一些可独立的实施例而言，通过所述偏好细节单元的重构处理确定所述玩家体验反馈记录的注意力表达，并基于所述注意力表达对所述玩家体验反馈记录进行处理，包括：

利用各偏好细节单元中涵盖的交互偏好数据的统计值，确定所述第一关键偏好细节单元的多个关联偏好细节单元变更到剩余偏好细节单元的显著语义；利用没有变更的关联偏好细节单元的基础显著语义和关联偏好细节单元变更到剩余偏好细节单元的显著语义，确定所述第一关键偏好细节单元的关联偏好细节单元的目标显著语义；

利用所述第一关键偏好细节单元涵盖的交互偏好数据以及所述第一关键偏好细节单元的关联偏好细节单元的目标显著语义指向的偏好细节单元涵盖的交互偏好数据，确定所述第一关键偏好细节单元的注意力表达；通过所述玩家体验反馈记录的注意力表达，对所述玩家体验反馈记录进行处理；其中：所述玩家体验反馈记录的注意力表达借助各第一关键偏好细节单元的注意力表达所得。

对于一些可独立的实施例而言，所述利用各偏好细节单元中涵盖的交互偏好数据的统计值，确定所述第一关键偏好细节单元的多个关联偏好细节单元变更到剩余偏好细节单元的显著语义，包括：

利用第一关联偏好细节单元中涵盖的交互偏好数据的统计值以及与所述第一关联偏好细节单元存在上下游关系的剩余偏好细节单元中涵盖的交互偏好数据的统计值，确定所述第一关联偏好细节单元变更到剩余偏好细节单元的显著语义；所述第一关联偏好细节单元为所述第一关键偏好细节单元的若干个关联偏好细节单元中的其中一个关联偏好细节单元；

其中，所述利用第一关联偏好细节单元中涵盖的交互偏好数据的统计值以及与所述第一关联偏好细节单元存在上下游关系的剩余偏好细节单元中涵盖的交互偏好数据的统计值，确定所述第一关联偏好细节单元变更到剩余偏好细节单元的显著语义，包括：

利用所述第一关联偏好细节单元中涵盖的交互偏好数据的统计值以及与所述第一关联偏好细节单元存在上下游关系的剩余偏好细节单元中涵盖的交互偏好数据的统计值，确定所述第一关联偏好细节单元变更到剩余偏好细节单元的量化可能性；

利用所述第一关联偏好细节单元中涵盖的交互偏好数据的统计值确定所述第一关联偏好细节单元至所述剩余偏好细节单元的单元变更资源消耗值；

利用所述量化可能性和所述单元变更资源消耗值确定所述第一关联偏好细节单元变更到剩余偏好细节单元的显著语义。

对于一些可独立的实施例而言，所述将指定沉浸式交互任务的玩家体验反馈记录拆解成若干个具有一致数据量的偏好细节单元，包括：将指定沉浸式交互任务的玩家体验反馈记录基于M种特征识别度进行拆解，获取依次匹配各特征识别度的若干个具有一致数据量的偏好细节单元，M为大于等于2的整数；其中，所述M种特征识别度中的第二特征识别度指向的偏好细节单元的细节约束值为第一特征识别度指向的偏好细节单元的细节约束值的指定比例；

所述确定若干个偏好细节单元中有效偏好细节单元中各偏好细节单元的显著语义，并确定第一关键偏好细节单元的关联偏好细节单元的基础显著语义，包括：在所述第一特征识别度拆解的若干个偏好细节单元的基础上，确定若干个偏好细节单元中有效偏好细节单元中各偏好细节单元的第一显著语义，在所述第二特征识别度拆解的若干个偏好细节单元的基础上，确定若干个偏好细节单元中有效偏好细节单元中各偏好细节单元的第二显著语义；

在所述第一特征识别度拆解的若干个偏好细节单元的基础上，确定所述第一关键偏好细节单元的各个关联偏好细节单元的第一基础显著语义，以及各个所述第一基础显著语义在所述第二特征识别度拆解的若干个偏好细节单元的基础上指向的第二基础显著语义；所述第一基础显著语义指向的第一偏好细节单元在所述第二基础显著语义指向的第二偏好细节单元的衍生单元簇中；

其中，所述利用各偏好细节单元中涵盖的交互偏好数据的统计值，确定所述第一关键偏好细节单元的多个关联偏好细节单元变更到剩余偏好细节单元的显著语义，包括：

在所述第一特征识别度拆解的若干个偏好细节单元的基础上，利用第一关联偏好细节单元中涵盖的交互偏好数据的统计值以及与所述第一关联偏好细节单元存在上下游关系的剩余偏好细节单元中涵盖的交互偏好数据的统计值，确定所述第一关联偏好细节单元变更到剩余偏好细节单元的量化可能性；所述第一关联偏好细节单元为所述第一关键偏好细节单元的若干个关联偏好细节单元中的其中一个关联偏好细节单元；

利用所述第一关联偏好细节单元中涵盖的交互偏好数据的统计值确定所述第一关联偏好细节单元变更到所述剩余偏好细节单元的单元变更资源消耗值；

确定所述第一关联偏好细节单元由所述第一特征识别度调整成所述第二特征识别度的第一量化调整可能性、以及由所述第二特征识别度变更到所述第一特征识别度的第二量化调整可能性；

利用所述量化可能性、所述单元变更资源消耗值、所述第一量化调整可能性和所述第二量化调整可能性确定所述第一关联偏好细节单元变更到剩余偏好细节单元的显著语义。

对于一些可独立的实施例而言，利用第一关联偏好细节单元中涵盖的交互偏好数据的统计值以及与所述第一关联偏好细节单元存在上下游关系的剩余偏好细节单元中涵盖的交互偏好数据的统计值，确定所述第一关联偏好细节单元变更到剩余偏好细节单元的量化可能性，包括：

利用所述第一关联偏好细节单元中涵盖的交互偏好数据的统计值确定所述第一关联偏好细节单元启用变更的第一量化可能性；所述第一量化可能性的取值与所述第一关联偏好细节单元中涵盖的交互偏好数据的统计值满足设定要求；

响应于不超过所述单元变更资源消耗值，利用第u阶的偏好细节单元u的各个关联偏好细节单元中涵盖的交互偏好数据的统计值以及由第u阶变更到第v阶的偏好细节单元v中涵盖的交互偏好数据的统计值，确定所述偏好细节单元u变更到所述偏好细节单元v的第二量化可能性；v=u+1，且v为不超过所述单元变更资源消耗值的正整数。

对于一些可独立的实施例而言，所述利用所述量化可能性和所述单元变更资源消耗值确定所述第一关联偏好细节单元变更到剩余偏好细节单元的显著语义，包括：

利用第一量化可能性、所述单元变更资源消耗值和第二量化可能性，确定所述第一关联偏好细节单元变更到剩余偏好细节单元的显著语义。

对于一些可独立的实施例而言，所述利用所述量化可能性、所述单元变更资源消耗值、所述第一量化调整可能性和所述第二量化调整可能性确定所述第一关联偏好细节单元变更到剩余偏好细节单元的显著语义，包括：

利用所述第一量化可能性、所述单元变更资源消耗值和所述第二量化可能性、所述单元变更资源消耗值、所述第一量化调整可能性和所述第二量化调整可能性确定所述第一关联偏好细节单元变更到剩余偏好细节单元的显著语义。

对于一些可独立的实施例而言，所述利用所述第一关键偏好细节单元涵盖的交互偏好数据以及所述第一关键偏好细节单元的关联偏好细节单元的目标显著语义指向的偏好细节单元涵盖的交互偏好数据，确定所述第一关键偏好细节单元的注意力表达，包括以下其中一项：

对所述第一关键偏好细节单元以及所述第一关键偏好细节单元的关联偏好细节单元的目标显著语义指向的各偏好细节单元涵盖的交互偏好数据进行注意力表达挖掘，将挖掘的注意力表达视为所述第一关键偏好细节单元的注意力表达；

对所述第一关键偏好细节单元涵盖的交互偏好数据进行注意力表达挖掘，确定出第一注意力表达；对所述第一关键偏好细节单元的关联偏好细节单元的目标显著语义指向的各偏好细节单元涵盖的交互偏好数据进行注意力表达挖掘，确定出若干个第二注意力表达；利用所述第一注意力表达和所述若干个第二注意力表达确定第三注意力表达，将所述第三注意力表达视为所述第一关键偏好细节单元的注意力表达。。

一种大数据挖掘平台系统，包括：用于存储可执行计算机程序的存储器，用于执行所述存储器中存储的可执行计算机程序时实现上述方法的处理器。

一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序在运行时执行上述方法。

根据本公开的一个实施例，借助偏好细节单元的思路来记录玩家体验反馈记录，结合关联偏好细节单元的动态变更处理，可以对各个关键偏好细节单元的关联偏好细节单元进行智能调整/优化，针对存在部分缺失，亦或者存在部分错误/冗余的玩家体验反馈记录而言，能够保障关键偏好细节单元和各关联偏好细节单元尽可能地匹配反馈热力值相对较高的偏好细节单元，从而在一定程度上改善了由于玩家体验反馈记录的部分缺失，亦或者部分错误/冗余造成的偏好大数据处理难度，继而保障对玩家体验反馈记录进行处理后得到的结果能够快速准确地应用到后续的进程中。

附图说明

图1是示出可以实现本公开的实施例的大数据挖掘平台系统的一种通信配置的示意图。

图2是示出可以实现本公开的实施例的结合大数据的沉浸式交互偏好挖掘方法的流程示意图。

图3是示出可以实现本公开的实施例的结合大数据的沉浸式交互偏好挖掘方法的应用环境的架构示意图。

具体实施方式

下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整地描述。为了使本公开的目的、技术方案和优点更加清楚，下面将结合附图对本公开作进一步地详细描述，所描述的实施例不应视为对本公开的限制，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，都属于本公开保护的范围。在以下的描述中，涉及到“一些实施例”，其描述了所有可能实施例的子集，但是可以理解，“一些实施例”可以是所有可能实施例的相同子集或不同子集，并且可以在不冲突的情况下相互结合。除非另有定义，本文所使用的所有的技术和科学术语与属于本公开的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本公开实施例的目的，不是旨在限制本公开。

图1是示出可以实现本公开的实施例的大数据挖掘平台系统100的一种通信配置的框图，大数据挖掘平台系统100包括用于存储可执行计算机程序的存储器101，用于执行所述存储器101中存储的可执行计算机程序时实现本公开实施例中结合大数据的沉浸式交互偏好挖掘方法的处理器102。

图2是示出可以实现本公开的实施例的结合大数据的沉浸式交互偏好挖掘方法的流程示意图，结合大数据的沉浸式交互偏好挖掘方法可以通过图1所示的大数据挖掘平台系统100实现，进一步可以包括以下相关步骤所描述的技术方案。

本公开实施例所提供的技术方案的整体设计思路如下：基于指定沉浸式交互任务的玩家体验反馈记录，确定至少一个偏好细节单元及其对应的显著语义；通过所述偏好细节单元的重构处理确定所述玩家体验反馈记录的注意力表达，并基于所述注意力表达对所述玩家体验反馈记录进行处理。如此设计，借助偏好细节单元的思路来记录玩家体验反馈记录，结合关联偏好细节单元的重构处理，可以实现偏好细节单元进行智能重构，针对存在部分缺失，亦或者存在部分错误/冗余的玩家体验反馈记录而言，能够保障特定的偏好细节单元尽可能地匹配反馈热力值相对较高的偏好细节单元，从而在一定程度上改善了由于玩家体验反馈记录的部分缺失，亦或者部分错误/冗余造成的偏好大数据处理难度，继而保障对玩家体验反馈记录进行处理后得到的结果能够快速准确地应用到后续的进程中。

在一些可能的设计思路下，上述整体设计思路可以通过如下step101~step106所描述的技术方案实现。

对于step101而言，将指定沉浸式交互任务的玩家体验反馈记录拆解成若干个具有一致数据量的偏好细节单元。

以一些示例性的内容来看待，指定沉浸式交互任务可以是待进行处理的虚拟空间交互任务或者数字空间互动场景，比如基于元宇宙技术的虚拟社交或者虚拟商城。玩家体验反馈记录的表现形式包括但不限于文本、图表等。具有一致数据量的偏好细节单元可以理解为具有一致的数据规模或者信息规模的偏好细节单元。进一步地，本公开实施例中的偏好细节单元可以用于进行兴趣分布或者兴趣知识图谱的构建，因此，偏好细节单元从某种意义上可以理解为一种映射点信息或者映射特征信息。一般而言，偏好细节单元的拆解可以通过人工智能技术实现，比如将玩家体验反馈记录进行映射转换从而得到上述的多个偏好细节单元。

对于step102而言，确定若干个偏好细节单元中有效偏好细节单元中各偏好细节单元的显著语义，并确定第一关键偏好细节单元的关联偏好细节单元的基础显著语义；所述第一关键偏好细节单元为所述有效偏好细节单元中的其中一个偏好细节单元。

以一些示例性的内容来看待，有效偏好细节单元可以理解为不存在异常的偏好细节单元，相应的，存在异常的偏好细节单元可以理解为与一般用户的偏好存在较大差异的偏好细节单元，或者具有明显的恶意偏好的偏好细节单元，有效偏好细节单元可基于上述内容作相反理解。进一步地，各偏好细节单元的显著语义可以理解为各偏好细节单元的区分信息\区分标签\分类标签\分类标识，相应的，基础显著语义可以理解为初始的区分信息或者原始的区分信息。此外，关键偏好细节单元可以理解为作为单元变更/单元重构的标准的偏好细节单元，因此可以理解为核心的偏好细节单元，或者具有较高影响权重的偏好细节单元。

对于step103而言，利用各偏好细节单元中涵盖的交互偏好数据的统计值，确定所述第一关键偏好细节单元的多个关联偏好细节单元变更到剩余偏好细节单元的显著语义。

以一些示例性的内容来看待，每个偏好细节单元中可以涵盖多个/多组交互偏好数据，每一交互偏好数据可以对应不同的用户兴趣/用户倾向/用户意图/用户偏好/用户喜好。可以理解的是，第一关键偏好细节单元的关联偏好细节单元可以理解为与第一关键偏好细节单元存在分布层面的邻居关系的偏好细节单元，因而也可以理解为第一关键偏好细节单元的前后偏好细节单元。此外，“第一关键偏好细节单元的多个关联偏好细节单元变更到剩余偏好细节单元的显著语义”可以理解为“将第一关键偏好细节单元的多个关联偏好细节单元迁移至/重构至剩余偏好细节单元的显著语义”。

对于step104而言，利用没有变更的关联偏好细节单元的基础显著语义和关联偏好细节单元变更到剩余偏好细节单元的显著语义，确定所述第一关键偏好细节单元的关联偏好细节单元的目标显著语义。

以一些示例性的内容来看待，可以通过未被重构的关联偏好细节单元的基础显著语义，以及已变更到剩余偏好细节单元的关联偏好细节单元的显著语义，确定第一关键偏好细节单元的关联偏好细节单元的目标显著语义。

对于step105而言，利用所述第一关键偏好细节单元涵盖的交互偏好数据以及所述第一关键偏好细节单元的关联偏好细节单元的目标显著语义指向的偏好细节单元涵盖的交互偏好数据，确定所述第一关键偏好细节单元的注意力表达。

以一些示例性的内容来看待，目标显著语义指向的偏好细节单元可以理解为目标显著语义对应的偏好细节单元，第一关键偏好细节单元的注意力表达可以理解为第一关键偏好细节单元的多个关注角度下的特征信息/描述信息。

对于step106而言，通过所述玩家体验反馈记录的注意力表达，对所述玩家体验反馈记录进行处理，其中，所述玩家体验反馈记录的注意力表达借助各第一关键偏好细节单元的注意力表达所得。

以一些示例性的内容来看待，对玩家体验反馈记录进行处理可以理解为根据玩家体验反馈记录进行兴趣偏好表达分布的生成或者确定。

对于本公开实施例而言，玩家体验反馈记录可以理解为通过虚拟现实服务器（比如可以是侧重于用户体验分析的系统或者智能平台）得到的指定沉浸式交互任务中的数字化交互事件的用户反馈的交互偏好信息集，反映指定沉浸式交互任务中的数字化交互事件的反馈细节的大量的交互偏好数据的汇总结果。所述玩家体验反馈记录包括每个交互偏好数据的全局分布标签（比如从多个层面综合得到的相对分布情况或者相对分布位置，比如在文本类型的玩家体验反馈记录中可以包括每个交互偏好数据的段落分布信息）。在一些示例下，所述玩家体验反馈记录可以基于H*6的分布列表进行记录。进一步地，H可以反应玩家体验反馈记录中的交互偏好数据的统计值，每个交互偏好数据的全局分布标签可以基于2*6的描述表达（比如注意力表达）反应。

对于本公开实施例而言，将指定沉浸式交互任务的玩家体验反馈记录拆解成若干个具有一致数据量的偏好细节单元。以下为本公开实施例的结合大数据的沉浸式交互偏好挖掘方法中的偏好细节单元拆解示例性方案。将玩家体验反馈记录拆解成具有一致数据量的可视化兴趣知识单元，每个可视化兴趣知识单元反映一个用户交互兴趣内容集。在拆解得到的若干个偏好细节单元中，偏好细节单元中涵盖局部的玩家体验反馈记录，可能存在玩家体验反馈缺失，部分偏好细节单元为有效偏好细节单元（比如，偏好细节单元中涵盖至少一个交互偏好数据），部分偏好细节单元为异常偏好细节单元（比如，偏好细节单元中不存在交互偏好数据或者存在过于反常的交互偏好数据）。

对于一些示例而言，拆解得到的各偏好细节单元的尺寸/维度可根据实际情况进行调整，在此不作赘述。

对于本公开实施例而言，在对偏好细节单元进行拆解的过程中，还可以选择性地对各偏好细节单元进行处理（比如语义识别或者类别解析），从而确定各偏好细节单元的显著语义。一般而言，鉴于偏好细节单元中可能包括异常偏好细节单元，则本公开实施例中可以只针对有效偏好细节单元进行处理，从而确定若干个偏好细节单元中有效偏好细节单元中各偏好细节单元的显著语义。

在一些示例下，对于有效偏好细节单元，可依次/逐一分析每个有效偏好细节单元，将每个有效偏好细节单元视为所述第一关键偏好细节单元，确定第一关键偏好细节单元的关联偏好细节单元的基础显著语义。举例而言，可以以偏好细节单元details_unit_1作为第一关键偏好细节单元，以偏好细节单元details_unit_2至偏好细节单元details_unit_5为上述第一关键偏好细节单元的关联偏好细节单元。

就一些独立性实施例而言，所述利用各偏好细节单元中涵盖的交互偏好数据的统计值，确定所述第一关键偏好细节单元的多个关联偏好细节单元变更到剩余偏好细节单元的显著语义，包括：利用第一关联偏好细节单元中涵盖的交互偏好数据的统计值以及与所述第一关联偏好细节单元存在上下游关系的剩余偏好细节单元中涵盖的交互偏好数据的统计值，确定所述第一关联偏好细节单元变更到剩余偏好细节单元的显著语义；所述第一关联偏好细节单元为所述第一关键偏好细节单元的若干个关联偏好细节单元中的其中一个关联偏好细节单元。其中，上述统计值可以理解为数量/数目。

对于本公开实施例而言，可利用各个关联偏好细节单元中涵盖的交互偏好数据的统计值确定关联偏好细节单元是否存在非限制性的重构（比如重构的过程是随机的、没有条件约束的），或者利用各个关联偏好细节单元中涵盖的交互偏好数据的统计值以及各个关联偏好细节单元的近似偏好细节单元中交互偏好数据的统计值热力信息变更到剩余偏好细节单元的分布标签，确定变更到剩余偏好细节单元的显著语义。

可以理解的是，针对部分偏好细节单元的变更可以理解为对部分偏好细节单元进行重构处理和二次聚合处理，进而实现对偏好细节单元的更新和优化，以便于后续使用。

就一些独立性实施例而言，所述利用第一关联偏好细节单元中涵盖的交互偏好数据的统计值以及与所述第一关联偏好细节单元存在上下游关系的剩余偏好细节单元中涵盖的交互偏好数据的统计值，确定所述第一关联偏好细节单元变更到剩余偏好细节单元的显著语义，包括：利用所述第一关联偏好细节单元中涵盖的交互偏好数据的统计值以及与所述第一关联偏好细节单元存在上下游关系的剩余偏好细节单元中涵盖的交互偏好数据的统计值，确定所述第一关联偏好细节单元变更到剩余偏好细节单元的量化可能性；利用所述第一关联偏好细节单元中涵盖的交互偏好数据的统计值确定所述第一关联偏好细节单元至所述剩余偏好细节单元的单元变更资源消耗值；利用所述量化可能性和所述单元变更资源消耗值确定所述第一关联偏好细节单元变更到剩余偏好细节单元的显著语义。

在本公开实施例中，所述单元变更资源消耗值的计算和所述量化可能性的计算的实施优先级不作限制，也可以先利用所述第一关联偏好细节单元中涵盖的交互偏好数据的统计值计算所述第一关联偏好细节单元至所述剩余偏好细节单元的单元变更资源消耗值，再计算所述第一关联偏好细节单元变更到剩余偏好细节单元的量化可能性。其中，单元变更资源消耗值可以理解为进行偏好细节单元变更所需要的算力值，比如第一关联偏好细节单元为A，其中一个所述剩余偏好细节单元为B，若将第一关联偏好细节单元为A变更/重构/汇集到剩余偏好细节单元为B的单元变更资源消耗值为5，则表明需要跨越5个偏好细节单元实现第一关联偏好细节单元为A的变更/重构/汇集。此外，量化可能性可以理解为概率。

对于一些示例而言，所述利用第一关联偏好细节单元中涵盖的交互偏好数据的统计值以及与所述第一关联偏好细节单元存在上下游关系的剩余偏好细节单元中涵盖的交互偏好数据的统计值，确定所述第一关联偏好细节单元变更到剩余偏好细节单元的量化可能性，包括：利用所述第一关联偏好细节单元中涵盖的交互偏好数据的统计值确定所述第一关联偏好细节单元启用变更的第一量化可能性；所述第一量化可能性的取值与所述第一关联偏好细节单元中涵盖的交互偏好数据的统计值满足设定要求；响应于不超过所述单元变更资源消耗值，利用第u阶的偏好细节单元u的各个关联偏好细节单元中涵盖的交互偏好数据的统计值以及由第u阶变更到第v阶的偏好细节单元v中涵盖的交互偏好数据的统计值，确定所述偏好细节单元u变更到所述偏好细节单元v的第二量化可能性；v=u+1，且v为不超过所述单元变更资源消耗值的正整数。

在上述内容的基础上，所述利用所述量化可能性和所述单元变更资源消耗值确定所述第一关联偏好细节单元变更到剩余偏好细节单元的显著语义，包括：利用所述第一量化可能性、所述单元变更资源消耗值和所述第二量化可能性，确定所述第一关联偏好细节单元变更到剩余偏好细节单元的显著语义。

对于本公开实施例而言，所述第一关联偏好细节单元是否需要重构主要依赖于所述第一量化可能性，比如利用所述第一量化可能性确定所述第一关联偏好细节单元是否需要重构。在判定出需要进行重构后，所述第一关联偏好细节单元启用变更的重构消耗值不大于所述单元变更资源消耗值，比如所述单元变更资源消耗值是所述第一关联偏好细节单元启用变更的重构消耗的MAX。第一关联偏好细节单元在剩余偏好细节单元之间重构进程中，变更到携带了更多交互偏好数据的偏好细节单元的量化可能性较大。在这种情况下，对于本公开实施例而言，第一关联偏好细节单元利用所述第一量化可能性判定是否进行重构；在判定出需要进行重构后，响应于不超过所述单元变更资源消耗值，基于所述第二量化可能性判断是否由第u阶变更到第v阶，进而确定所述第一关联偏好细节单元变更到剩余偏好细节单元的目标分布标签指向的区域，换言之，可以理解为确定所述剩余偏好细节单元的显著语义。因此，偏好细节单元的显著语义也可以反映偏好细节单元的相对位置信息。

举个例子，倘若第k个偏好细节单元作为某一第一关联偏好细节单元，且第k个偏好细节单元中涵盖D（k）个交互偏好数据，在拆解得到的若干个偏好细节单元中的有效偏好细节单元中涵盖的交互偏好数据的交互偏好数据的最大数量为d，则第k个偏好细节单元实施重构的量化可能性（比如所述第一量化可能性）为ZX（k），第k个偏好细节单元启用变更的单元变更资源消耗值是R（k），重构第u阶的偏好细节单元的显著语义是xk（u），显著语义为xk（u）的偏好细节单元的四个关联偏好细节单元的汇总结果记为Y（xk（u）），由第u阶偏好细节单元xk（u）变更到后一阶偏好细节单元xk（v）的量化调整可能性为Z（xk（v）|xk（u））。

在一些可能的示例下，第一关联偏好细节单元启用变更的第一量化可能性与该第一关联偏好细节单元中涵盖的交互偏好数据的统计值存在设定关系（比如具有反比关系），比如，第一关联偏好细节单元中涵盖的交互偏好数据的统计值越大，其启用变更的第一量化可能性越小。

在另一些可能的示例下，第一关联偏好细节单元启用变更的单元变更资源消耗值与第一关联偏好细节单元中涵盖的交互偏好数据的统计值以及各偏好细节单元涵盖的交互偏好数据的统计值的交互偏好数据的最大数量d存在关联。

可以理解，所述第一关联偏好细节单元中涵盖的交互偏好数据的统计值与所述第一关联偏好细节单元启用变更的单元变更资源消耗值满足设定要求（比如呈负相关）；第一关联偏好细节单元中涵盖的交互偏好数据的统计值越大，其启用变更的单元变更资源消耗值越小。比如，如果第一关联偏好细节单元中涵盖的交互偏好数据的统计值等于所述交互偏好数据的最大数量，则该第一关联偏好细节单元启用变更的单元变更资源消耗值为“0”，即该第一关联偏好细节单元不会实施重构。又比如，若第一关联偏好细节单元中涵盖的交互偏好数据的统计值为“1”，则该第一关联偏好细节单元启用变更的单元变更资源消耗值最多为d-1次。可以理解的是，基于上述内容，第一关联偏好细节单元在剩余偏好细节单元之间重构进程中，变更到携带有更丰富交互偏好数据的偏好细节单元的量化可能性更大。

就一些独立性实施例而言，所述利用所述第一关键偏好细节单元涵盖的交互偏好数据以及所述第一关键偏好细节单元的关联偏好细节单元的目标显著语义指向的偏好细节单元涵盖的交互偏好数据，确定所述第一关键偏好细节单元的注意力表达，包括：对所述第一关键偏好细节单元以及所述第一关键偏好细节单元的关联偏好细节单元的目标显著语义指向的各偏好细节单元涵盖的交互偏好数据进行注意力表达挖掘，将挖掘的注意力表达视为所述第一关键偏好细节单元的注意力表达。

对于本公开实施例而言，将所述第一关键偏好细节单元涵盖的交互偏好数据以及关联偏好细节单元的目标显著语义指向的各偏好细节单元涵盖的交互偏好数据视为不可分割的集合进行注意力表达挖掘，将挖掘的注意力表达视为所述第一关键偏好细节单元的注意力表达。

就一些独立性实施例而言，所述利用所述第一关键偏好细节单元涵盖的交互偏好数据以及所述第一关键偏好细节单元的关联偏好细节单元的目标显著语义指向的偏好细节单元涵盖的交互偏好数据，确定所述第一关键偏好细节单元的注意力表达，包括：对所述第一关键偏好细节单元涵盖的交互偏好数据进行注意力表达挖掘，确定出第一注意力表达；对所述第一关键偏好细节单元的关联偏好细节单元的目标显著语义指向的各偏好细节单元涵盖的交互偏好数据进行注意力表达挖掘，确定出若干个第二注意力表达；利用所述第一注意力表达和所述若干个第二注意力表达确定第三注意力表达，将所述第三注意力表达视为所述第一关键偏好细节单元的注意力表达。

对于本公开实施例而言，分别挖掘所述第一关键偏好细节单元涵盖的交互偏好数据的第一注意力表达，以及挖掘各个关联偏好细节单元的目标显著语义指向的各偏好细节单元涵盖的交互偏好数据的第二注意力表达，进一步利用第一注意力表达和第二注意力表达确定出第三注意力表达，将所述第三注意力表达作为所述第一关键偏好细节单元的注意力表达。

对于本公开实施例而言，借助各第一关键偏好细节单元的注意力表达确定玩家体验反馈记录的注意力表达，对所述玩家体验反馈记录进行处理。

举个例子，本公开实施例中step101至step105的过程可作为针对玩家体验反馈记录的AI模型中的第一个注意力表达挖掘模型，通过结合以上对各个第一关键偏好细节单元的处理，得到对玩家体验反馈记录的第一次处理后的注意力表达信息；再通过AI模型中的其他模型，对上述注意力表达信息进行处理，比如可以基于若干个窗口化子模型对上述注意力表达信息进行窗口化处理，进一步挖掘注意力表达。本公开实施例可将关联偏好细节单元的注意力表达、或可以理解为关联的具有交互偏好数据的统计值较多的偏好细节单元的注意力表达，作为第一关键偏好细节单元的注意力表达的记录，基于此的各个第一关键偏好细节单元的注意力表达的记录用于之后的玩家体验反馈记录的兴趣分布构建等处理，能够兼容特征缺失或者特征混乱的玩家体验反馈记录，继而保障模型的运行质量。

应用于本公开实施例，借助偏好细节单元的思路来记录玩家体验反馈记录，结合关联偏好细节单元的动态变更处理，可以对各个关键偏好细节单元的关联偏好细节单元进行智能调整/优化，针对存在部分缺失，亦或者存在部分错误/冗余的玩家体验反馈记录而言，能够保障关键偏好细节单元和各关联偏好细节单元尽可能地匹配反馈热力值相对较高的偏好细节单元，从而在一定程度上改善了由于玩家体验反馈记录的部分缺失，亦或者部分错误/冗余造成的偏好大数据处理难度，继而保障对玩家体验反馈记录进行处理后得到的结果能够快速准确地应用到后续的进程中。

在另外的一些设计思路下，本公开实施例的结合大数据的沉浸式交互偏好挖掘方法还可以包括如下内容。

对于step201而言，将指定沉浸式交互任务的玩家体验反馈记录基于M种特征识别度进行拆解，获取依次匹配各特征识别度的若干个具有一致数据量的偏好细节单元。

在step201中，所述M种特征识别度中的第二特征识别度指向的偏好细节单元的细节约束值为第一特征识别度指向的偏好细节单元的细节约束值的指定比例。其中，细节约束值可以理解为偏好细节单元的信息量，指定比例可以是整数倍。

对于step202而言，在所述第一特征识别度拆解的若干个偏好细节单元的基础上，确定若干个偏好细节单元中有效偏好细节单元中各偏好细节单元的第一显著语义，在所述第二特征识别度拆解的若干个偏好细节单元的基础上，确定若干个偏好细节单元中有效偏好细节单元中各偏好细节单元的第二显著语义。

对于step203而言，在所述第一特征识别度拆解的若干个偏好细节单元的基础上，确定第一关键偏好细节单元的各个关联偏好细节单元的第一基础显著语义，以及各个所述第一基础显著语义在所述第二特征识别度拆解的若干个偏好细节单元的基础上指向的第二基础显著语义。

在step203中，所述第一基础显著语义指向的第一偏好细节单元在所述第二基础显著语义指向的第二偏好细节单元的衍生单元簇中；所述第一关键偏好细节单元为所述有效偏好细节单元中的其中一个偏好细节单元。

对于step204而言，在所述第一特征识别度拆解的若干个偏好细节单元的基础上，利用第一关联偏好细节单元中涵盖的交互偏好数据的统计值以及与所述第一关联偏好细节单元存在上下游关系的剩余偏好细节单元中涵盖的交互偏好数据的统计值，确定所述第一关联偏好细节单元变更到剩余偏好细节单元的量化可能性。

在step204中，所述第一关联偏好细节单元为所述第一关键偏好细节单元的若干个关联偏好细节单元中的其中一个关联偏好细节单元。

对于step205而言，利用所述第一关联偏好细节单元中涵盖的交互偏好数据的统计值确定所述第一关联偏好细节单元变更到所述剩余偏好细节单元的单元变更资源消耗值。

对于step206而言，确定所述第一关联偏好细节单元由所述第一特征识别度调整成所述第二特征识别度的第一量化调整可能性、以及由所述第二特征识别度变更到所述第一特征识别度的第二量化调整可能性。

其中，量化调整可能性可以理解为重构概率。

对于step207而言，利用所述量化可能性、所述单元变更资源消耗值、所述第一量化调整可能性和所述第二量化调整可能性确定所述第一关联偏好细节单元变更到剩余偏好细节单元的显著语义。

对于step208而言，利用没有变更的关联偏好细节单元的基础显著语义和关联偏好细节单元变更到剩余偏好细节单元的显著语义，确定所述第一关键偏好细节单元的关联偏好细节单元的目标显著语义。

对于step209而言，利用所述第一关键偏好细节单元涵盖的交互偏好数据以及所述第一关键偏好细节单元的关联偏好细节单元的目标显著语义指向的偏好细节单元涵盖的交互偏好数据，确定所述第一关键偏好细节单元的注意力表达。

对于step210而言，通过所述玩家体验反馈记录的注意力表达，对所述玩家体验反馈记录进行处理，其中，所述玩家体验反馈记录的注意力表达借助各第一关键偏好细节单元的注意力表达所得。

结合上述相关技术方案，本公开实施例可基于M种特征识别度对所述玩家体验反馈记录进行拆解，至少确定出第一特征识别度指向的若干个具有一致数据量的偏好细节单元以及第二特征识别度指向的若干个具有一致数据量的偏好细节单元。其中，第二特征识别度指向的偏好细节单元的细节约束值为第一特征识别度指向的偏好细节单元的细节约束值的指定比例。可以理解，第二特征识别度下的一个偏好细节单元可包括第一特征识别度下的若干个偏好细节单元。

对于本公开实施例而言，分别在每个特征识别度下，确定有效偏好细节单元的显著语义，比如在所述第一特征识别度拆解的若干个偏好细节单元的基础上，确定若干个偏好细节单元中有效偏好细节单元中各偏好细节单元的第一显著语义，在所述第二特征识别度拆解的若干个偏好细节单元的基础上，确定若干个偏好细节单元中有效偏好细节单元中各偏好细节单元的第二显著语义。

对于本公开实施例而言，在第一特征识别度拆解的若干个偏好细节单元的基础上，比如，在低特征识别度拆解的若干个偏好细节单元的基础上，确定各个第一关键偏好细节单元在第一特征识别度的情况下的各个关联偏好细节单元的第一基础显著语义，以及各个所述第一基础显著语义在所述第二特征识别度拆解的若干个偏好细节单元的基础上指向的第二基础显著语义。本公开实施例中在第一特征识别度拆解的若干个偏好细节单元的情况下，确定各个第一关键偏好细节单元的各个关联偏好细节单元的第一基础显著语义。鉴于第二特征识别度指向的偏好细节单元的细节约束值为第一特征识别度指向的偏好细节单元的细节约束值的指定比例，则对于第一特征识别度下的各偏好细节单元，都可以对应于第二特征识别度下的一个偏好细节单元。如果结合上述相关示例，则第一特征识别度下的四个偏好细节单元的显著语义可对应于第二特征识别度下的一个偏好细节单元的显著语义。

对于本公开实施例而言，所述利用第一关联偏好细节单元中涵盖的交互偏好数据的统计值以及与所述第一关联偏好细节单元存在上下游关系的剩余偏好细节单元中涵盖的交互偏好数据的统计值，确定所述第一关联偏好细节单元变更到剩余偏好细节单元的量化可能性，包括：利用所述第一关联偏好细节单元中涵盖的交互偏好数据的统计值确定所述第一关联偏好细节单元启用变更的第一量化可能性；所述第一量化可能性的取值与所述第一关联偏好细节单元中涵盖的交互偏好数据的统计值满足设定要求；响应于不超过所述单元变更资源消耗值，利用第u阶的偏好细节单元u的各个关联偏好细节单元中涵盖的交互偏好数据的统计值以及由第u阶变更到第v阶的偏好细节单元v中涵盖的交互偏好数据的统计值，确定所述偏好细节单元u变更到所述偏好细节单元v的第二量化可能性；v为不超过所述单元变更资源消耗值。

结合上述相关内容可得，本公开实施例中的关联偏好细节单元的重构不仅可以在第一特征识别度拆解的若干个偏好细节单元区间内进行重构，也可以在不同的特征识别度之间的偏好细节单元进行重构。举个例子，由于第二特征识别度拆解的偏好细节单元较大，大容量偏好细节单元内涵盖的交互偏好数据的统计值也可能较大，则通过将第一特征识别度下的关联偏好细节单元变更到第二特征识别度拆解下的偏好细节单元，使得重构后的关联偏好细节单元可携带更丰富的交互偏好数据，进而改善存在交互偏好数据缺失的玩家体验反馈记录带来的注意力表达挖掘误差。

本公开实施例中，可以提前设置所述第一关联偏好细节单元由所述第一特征识别度调整成所述第二特征识别度的第一量化调整可能性、以及由所述第二特征识别度变更到所述第一特征识别度的第二量化调整可能性。举个例子，由第一特征识别度调整成第二特征识别度的第一量化调整可能性可以为25%，比如以上相关内容中的第一量化可能性的1/4，由第二特征识别度变更到第一特征识别度的第二量化调整可能性可以为50%，即以上相关内容中的第一量化可能性的1/2，简单地理解，本公开实施例中仍然以低特征识别度（比如所述第一特征识别度）拆解的小容量偏好细节单元为第一优先级，以高特征识别度（比如所述第二特征识别度）拆解的大容量偏好细节单元为第二优先级。

就一些独立性实施例而言，所述利用所述量化可能性、所述单元变更资源消耗值、所述第一量化调整可能性和所述第二量化调整可能性确定所述第一关联偏好细节单元变更到剩余偏好细节单元的显著语义，包括：利用所述第一量化可能性、所述单元变更资源消耗值和所述第二量化可能性、所述单元变更资源消耗值、所述第一量化调整可能性和所述第二量化调整可能性确定所述第一关联偏好细节单元变更到剩余偏好细节单元的显著语义。

对于本公开实施例而言，第一关联偏好细节单元利用所述第一量化可能性判定是否进行重构；在判定出需要进行重构后，响应于不超过所述单元变更资源消耗值，按照所述第二量化可能性实施如何由第u阶变更到第v阶；利用所述第一量化调整可能性确定是否由第一特征识别度下的偏好细节单元变更到第二特征识别度下的偏好细节单元，利用所述第二量化调整可能性确定是否由第二特征识别度下的偏好细节单元变更到第一特征识别度下的偏好细节单元；进而确定所述第一关联偏好细节单元变更到剩余偏好细节单元的目标分布标签指向的区域，即确定所述剩余偏好细节单元的显著语义。比如，关联偏好细节单元details_unit_1至关联偏好细节单元details_unit_4的重构进程中，关联偏好细节单元details_unit_3则由第一特征识别度下的偏好细节单元变更到第二特征识别度下的偏好细节单元，也即重构后的关联偏好细节单元details_unit_3的偏好细节单元区间扩大。

在一些独立性实施例下，本公开实施例中的结合大数据的沉浸式交互偏好挖掘方法可应用于针对玩家体验反馈记录中的AI模型中。在AI模型中，可包括但不限于偏好细节单元注意力表达挖掘模型，本公开实施例中的结合大数据的沉浸式交互偏好挖掘方法可应用于偏好细节单元注意力表达挖掘模型中，用于对偏好细节单元的注意力表达进行挖掘。

在上述内容的基础上，对于一些可独立的技术方案而言，该方法还可以包括如下内容：对数字虚拟空间交互任务的玩家体验反馈记录进行处理，得到所述数字虚拟空间交互任务的玩家体验反馈记录的兴趣偏好表达分布；通过所述数字虚拟空间交互任务的玩家体验反馈记录的兴趣偏好表达分布，确定所述数字虚拟空间交互任务的玩家体验反馈记录的升级项目解析结果；利用所述升级项目解析结果对所述数字虚拟空间交互任务对应的数字交互服务进行项目升级优化。

对于本公开实施例而言，对数字虚拟空间交互任务的玩家体验反馈记录进行处理的思路可以结合结合“将指定沉浸式交互任务的玩家体验反馈记录拆解成若干个具有一致数据量的偏好细节单元；确定若干个偏好细节单元中有效偏好细节单元中各偏好细节单元的显著语义，并确定第一关键偏好细节单元的关联偏好细节单元的基础显著语义；所述第一关键偏好细节单元为所述有效偏好细节单元中的其中一个偏好细节单元；利用各偏好细节单元中涵盖的交互偏好数据的统计值，确定所述第一关键偏好细节单元的多个关联偏好细节单元变更到剩余偏好细节单元的显著语义；利用没有变更的关联偏好细节单元的基础显著语义和关联偏好细节单元变更到剩余偏好细节单元的显著语义，确定所述第一关键偏好细节单元的关联偏好细节单元的目标显著语义；利用所述第一关键偏好细节单元涵盖的交互偏好数据以及所述第一关键偏好细节单元的关联偏好细节单元的目标显著语义指向的偏好细节单元涵盖的交互偏好数据，确定所述第一关键偏好细节单元的注意力表达；通过所述玩家体验反馈记录的注意力表达，对所述玩家体验反馈记录进行处理；其中：所述玩家体验反馈记录的注意力表达借助各第一关键偏好细节单元的注意力表达所得”实现，这样一来，由于在玩家体验反馈记录的处理过程中能够改善和规避玩家体验反馈记录的丢失/错误/和冗余，因而能得到尽可能准确完整的兴趣偏好表达分布，该兴趣偏好表达分布可以通过知识集或者知识库的形式记录。

在上述内容的基础上，可以通过所述数字虚拟空间交互任务的玩家体验反馈记录的兴趣偏好表达分布，确定所述数字虚拟空间交互任务的玩家体验反馈记录的升级项目解析结果，该升级项目解析结果可以是深层次的或者内在的用户需求，而利用知识集或者知识库形式的兴趣偏好表达分布可以充分挖掘上述用户需求以得到兴趣偏好表达分布。

然后，可以利用所述升级项目解析结果对所述数字虚拟空间交互任务对应的数字交互服务进行项目升级优化。项目升级优化可以包括有感知升级和无感知升级，有感知升级可以理解为在项目升级过程中用户能够体验到，无感知升级可以理解为在项目升级过程中用户不会体验到。

对于一些可独立的技术方案而言，通过所述数字虚拟空间交互任务的玩家体验反馈记录的兴趣偏好表达分布，确定所述数字虚拟空间交互任务的玩家体验反馈记录的升级项目解析结果，可以通过如下技术方案实现：对所述兴趣偏好表达分布进行抽取，获得第一待挖掘需求兴趣知识；通过借助完成配置的第一需求兴趣知识挖掘策略对所述第一待挖掘需求兴趣知识进行项目升级需求解析，获得所述第一待挖掘需求兴趣知识的升级项目解析结果，其中，所述第一需求兴趣知识挖掘策略包括存在输入输出传递的细节知识采集线程和兴趣知识挖掘线程。如此设计，通过借助需求兴趣知识挖掘策略（AI神经网络）。能够高效准确地进行项目升级需求解析，从而获得较为可信的升级项目解析结果。

对于一些可独立的技术方案而言，所述第一需求兴趣知识挖掘策略的配置步骤如下：获得第一策略配置依据，所述第一策略配置依据涵盖若干个第一需求兴趣知识；将每个所述第一需求兴趣知识中涵盖的不少于一个实体数据块进行更新，获得各所述第一需求兴趣知识对应的第二需求兴趣知识；依据各所述第一需求兴趣知识和各所述第二需求兴趣知识，对原始细节知识采集线程进行配置，直到所述原始细节知识采集线程对应的线程代价模型处于设定状态，获得预配置后的细节知识采集线程，其中，所述原始细节知识采集线程的原料涵盖各所述第二需求兴趣知识，线程输出结果涵盖各所述第二需求兴趣知识对应的需求兴趣知识细节，所述线程代价模型的标签反映了各所述第一需求兴趣知识的需求兴趣知识细节和对应的第二需求兴趣知识的需求兴趣知识细节之间的细节比较值；获得第二策略配置依据，基于所述第二策略配置依据对所述预配置后的细节知识采集线程和原始兴趣知识挖掘线程进行配置，获得所述第一需求兴趣知识挖掘策略。如此设计，鉴于第一需求兴趣知识挖掘策略的配置要求需要保证设定状态的存在（保障需求兴趣知识挖掘策略稳定），这样能够提高第一需求兴趣知识挖掘策略的鲁棒性，从而保障升级项目解析结果的可信度。

对于一些可独立的技术方案而言，所述通过借助完成配置的第一需求兴趣知识挖掘策略对所述第一待挖掘需求兴趣知识进行项目升级需求解析，获得所述第一待挖掘需求兴趣知识的升级项目解析结果，包括：将所述第一待挖掘需求兴趣知识加载到所述第一需求兴趣知识挖掘策略的细节知识采集线程，获得所述第一待挖掘需求兴趣知识的需求兴趣知识细节；将所述第一待挖掘需求兴趣知识的需求兴趣知识细节加载到所述第一需求兴趣知识挖掘策略的兴趣知识挖掘线程，获得所述第一待挖掘需求兴趣知识的升级项目解析结果；其中，所述第一待挖掘需求兴趣知识的需求兴趣知识细节由所述细节知识采集线程通过执行以下操作获得的：识别所述第一待挖掘需求兴趣知识涵盖的各实体数据块的原始类别细节；对于每一实体数据块的原始类别细节，由不少于一个第一细节识别子网基于该实体数据块的原始类别细节以及位于该实体数据块的目标区间内的各实体数据块的原始类别细节，识别获得该实体数据块的第一类别细节；依据各所述实体数据块对应的第一类别细节获得所述需求兴趣知识细节。

对于一些可独立的技术方案而言，所述依据各所述实体数据块对应的第一类别细节获得所述需求兴趣知识细节，包括：对于每个实体数据块的第一类别细节，由不少于一个第二细节识别子网基于该实体数据块的第一类别细节和所述第一待挖掘需求兴趣知识涵盖的各实体数据块的原始类别细节，识别获得该实体数据块的第二类别细节；依据各所述实体数据块对应的第二类别细节获得所述需求兴趣知识细节。

对于一些可独立的技术方案而言，对于任一所述第一需求兴趣知识，所述将每个所述第一需求兴趣知识中涵盖的不少于一个实体数据块进行更新，获得各所述第一需求兴趣知识对应的第二需求兴趣知识，包括：将所述第一需求兴趣知识中涵盖的不少于一个字进行更新，获得第三需求兴趣知识；将所述第一需求兴趣知识中涵盖的不少于一个词进行更新，获得第四需求兴趣知识；将所述第三需求兴趣知识和所述第四需求兴趣知识融合，获得所述第一需求兴趣知识对应的第二需求兴趣知识。

图3是示出可以实现本公开的实施例的结合大数据的沉浸式交互偏好挖掘方法的应用环境的架构示意图，结合大数据的沉浸式交互偏好挖掘方法的应用环境中可以包括互相通信的大数据挖掘平台系统100和沉浸式交互设备200。基于此，大数据挖掘平台系统100和沉浸式交互设备200在运行时实现或者部分实现本公开实施例的结合大数据的沉浸式交互偏好挖掘方法。

以上所述，仅为本公开的较佳实施例而已，并非用于限定本公开的保护范围。

Claims (10)

1.一种结合大数据的沉浸式交互偏好挖掘方法，其中，应用于大数据挖掘平台系统，所述方法包括：

基于指定沉浸式交互任务的玩家体验反馈记录，确定至少一个偏好细节单元及其对应的显著语义；

通过所述偏好细节单元的重构处理确定所述玩家体验反馈记录的注意力表达，并基于所述注意力表达对所述玩家体验反馈记录进行处理。

2.根据权利要求1所述的方法，其中，所述基于指定沉浸式交互任务的玩家体验反馈记录，确定至少一个偏好细节单元及其对应的显著语义，包括：

将指定沉浸式交互任务的玩家体验反馈记录拆解成若干个具有一致数据量的偏好细节单元；

确定若干个偏好细节单元中有效偏好细节单元中各偏好细节单元的显著语义，并确定第一关键偏好细节单元的关联偏好细节单元的基础显著语义；所述第一关键偏好细节单元为所述有效偏好细节单元中的其中一个偏好细节单元。

3.根据权利要求2所述的方法，其中，通过所述偏好细节单元的重构处理确定所述玩家体验反馈记录的注意力表达，并基于所述注意力表达对所述玩家体验反馈记录进行处理，包括：

利用各偏好细节单元中涵盖的交互偏好数据的统计值，确定所述第一关键偏好细节单元的多个关联偏好细节单元变更到剩余偏好细节单元的显著语义；

利用没有变更的关联偏好细节单元的基础显著语义和关联偏好细节单元变更到剩余偏好细节单元的显著语义，确定所述第一关键偏好细节单元的关联偏好细节单元的目标显著语义；

利用所述第一关键偏好细节单元涵盖的交互偏好数据以及所述第一关键偏好细节单元的关联偏好细节单元的目标显著语义指向的偏好细节单元涵盖的交互偏好数据，确定所述第一关键偏好细节单元的注意力表达；

通过所述玩家体验反馈记录的注意力表达，对所述玩家体验反馈记录进行处理；其中：所述玩家体验反馈记录的注意力表达借助各第一关键偏好细节单元的注意力表达所得。

4.根据权利要求3所述的方法，其中，所述利用各偏好细节单元中涵盖的交互偏好数据的统计值，确定所述第一关键偏好细节单元的多个关联偏好细节单元变更到剩余偏好细节单元的显著语义，包括：

利用第一关联偏好细节单元中涵盖的交互偏好数据的统计值以及与所述第一关联偏好细节单元存在上下游关系的剩余偏好细节单元中涵盖的交互偏好数据的统计值，确定所述第一关联偏好细节单元变更到剩余偏好细节单元的显著语义；所述第一关联偏好细节单元为所述第一关键偏好细节单元的若干个关联偏好细节单元中的其中一个关联偏好细节单元；

其中，所述利用第一关联偏好细节单元中涵盖的交互偏好数据的统计值以及与所述第一关联偏好细节单元存在上下游关系的剩余偏好细节单元中涵盖的交互偏好数据的统计值，确定所述第一关联偏好细节单元变更到剩余偏好细节单元的显著语义，包括：

利用所述第一关联偏好细节单元中涵盖的交互偏好数据的统计值以及与所述第一关联偏好细节单元存在上下游关系的剩余偏好细节单元中涵盖的交互偏好数据的统计值，确定所述第一关联偏好细节单元变更到剩余偏好细节单元的量化可能性；

利用所述第一关联偏好细节单元中涵盖的交互偏好数据的统计值确定所述第一关联偏好细节单元至所述剩余偏好细节单元的单元变更资源消耗值；

利用所述量化可能性和所述单元变更资源消耗值确定所述第一关联偏好细节单元变更到剩余偏好细节单元的显著语义。

5.根据权利要求3所述的方法，其中，所述将指定沉浸式交互任务的玩家体验反馈记录拆解成若干个具有一致数据量的偏好细节单元，包括：将指定沉浸式交互任务的玩家体验反馈记录基于M种特征识别度进行拆解，获取依次匹配各特征识别度的若干个具有一致数据量的偏好细节单元，M为大于等于2的整数；其中，所述M种特征识别度中的第二特征识别度指向的偏好细节单元的细节约束值为第一特征识别度指向的偏好细节单元的细节约束值的指定比例；

所述确定若干个偏好细节单元中有效偏好细节单元中各偏好细节单元的显著语义，并确定第一关键偏好细节单元的关联偏好细节单元的基础显著语义，包括：在所述第一特征识别度拆解的若干个偏好细节单元的基础上，确定若干个偏好细节单元中有效偏好细节单元中各偏好细节单元的第一显著语义，在所述第二特征识别度拆解的若干个偏好细节单元的基础上，确定若干个偏好细节单元中有效偏好细节单元中各偏好细节单元的第二显著语义；

在所述第一特征识别度拆解的若干个偏好细节单元的基础上，确定所述第一关键偏好细节单元的各个关联偏好细节单元的第一基础显著语义，以及各个所述第一基础显著语义在所述第二特征识别度拆解的若干个偏好细节单元的基础上指向的第二基础显著语义；所述第一基础显著语义指向的第一偏好细节单元在所述第二基础显著语义指向的第二偏好细节单元的衍生单元簇中；

其中，所述利用各偏好细节单元中涵盖的交互偏好数据的统计值，确定所述第一关键偏好细节单元的多个关联偏好细节单元变更到剩余偏好细节单元的显著语义，包括：

在所述第一特征识别度拆解的若干个偏好细节单元的基础上，利用第一关联偏好细节单元中涵盖的交互偏好数据的统计值以及与所述第一关联偏好细节单元存在上下游关系的剩余偏好细节单元中涵盖的交互偏好数据的统计值，确定所述第一关联偏好细节单元变更到剩余偏好细节单元的量化可能性；所述第一关联偏好细节单元为所述第一关键偏好细节单元的若干个关联偏好细节单元中的其中一个关联偏好细节单元；

利用所述第一关联偏好细节单元中涵盖的交互偏好数据的统计值确定所述第一关联偏好细节单元变更到所述剩余偏好细节单元的单元变更资源消耗值；

确定所述第一关联偏好细节单元由所述第一特征识别度调整成所述第二特征识别度的第一量化调整可能性、以及由所述第二特征识别度变更到所述第一特征识别度的第二量化调整可能性；

利用所述量化可能性、所述单元变更资源消耗值、所述第一量化调整可能性和所述第二量化调整可能性确定所述第一关联偏好细节单元变更到剩余偏好细节单元的显著语义。

6.根据权利要求4所述的方法，其中，利用第一关联偏好细节单元中涵盖的交互偏好数据的统计值以及与所述第一关联偏好细节单元存在上下游关系的剩余偏好细节单元中涵盖的交互偏好数据的统计值，确定所述第一关联偏好细节单元变更到剩余偏好细节单元的量化可能性，包括：

利用所述第一关联偏好细节单元中涵盖的交互偏好数据的统计值确定所述第一关联偏好细节单元启用变更的第一量化可能性；所述第一量化可能性的取值与所述第一关联偏好细节单元中涵盖的交互偏好数据的统计值满足设定要求；

响应于不超过所述单元变更资源消耗值，利用第u阶的偏好细节单元u的各个关联偏好细节单元中涵盖的交互偏好数据的统计值以及由第u阶变更到第v阶的偏好细节单元v中涵盖的交互偏好数据的统计值，确定所述偏好细节单元u变更到所述偏好细节单元v的第二量化可能性；v=u+1，且v为不超过所述单元变更资源消耗值的正整数。

7.根据权利要求4所述的方法，其中，所述利用所述量化可能性和所述单元变更资源消耗值确定所述第一关联偏好细节单元变更到剩余偏好细节单元的显著语义，包括：

利用第一量化可能性、所述单元变更资源消耗值和第二量化可能性，确定所述第一关联偏好细节单元变更到剩余偏好细节单元的显著语义。

8.根据权利要求5所述的方法，其中，所述利用所述量化可能性、所述单元变更资源消耗值、所述第一量化调整可能性和所述第二量化调整可能性确定所述第一关联偏好细节单元变更到剩余偏好细节单元的显著语义，包括：

利用所述第一量化可能性、所述单元变更资源消耗值和所述第二量化可能性、所述单元变更资源消耗值、所述第一量化调整可能性和所述第二量化调整可能性确定所述第一关联偏好细节单元变更到剩余偏好细节单元的显著语义。

9.根据权利要求3所述的方法，其中，所述利用所述第一关键偏好细节单元涵盖的交互偏好数据以及所述第一关键偏好细节单元的关联偏好细节单元的目标显著语义指向的偏好细节单元涵盖的交互偏好数据，确定所述第一关键偏好细节单元的注意力表达，包括以下其中一项：

对所述第一关键偏好细节单元以及所述第一关键偏好细节单元的关联偏好细节单元的目标显著语义指向的各偏好细节单元涵盖的交互偏好数据进行注意力表达挖掘，将挖掘的注意力表达视为所述第一关键偏好细节单元的注意力表达；

对所述第一关键偏好细节单元涵盖的交互偏好数据进行注意力表达挖掘，确定出第一注意力表达；对所述第一关键偏好细节单元的关联偏好细节单元的目标显著语义指向的各偏好细节单元涵盖的交互偏好数据进行注意力表达挖掘，确定出若干个第二注意力表达；利用所述第一注意力表达和所述若干个第二注意力表达确定第三注意力表达，将所述第三注意力表达视为所述第一关键偏好细节单元的注意力表达。

10.一种大数据挖掘平台系统，其中，包括：

用于存储可执行计算机程序的存储器，用于执行所述存储器中存储的可执行计算机程序时实现权利要求1-9任一项所述的方法的处理器。

Images