CN115374872A - 元宇宙匹配方法及装置 - Google Patents
元宇宙匹配方法及装置 Download PDFInfo
- Publication number
- CN115374872A CN115374872A CN202211049429.0A CN202211049429A CN115374872A CN 115374872 A CN115374872 A CN 115374872A CN 202211049429 A CN202211049429 A CN 202211049429A CN 115374872 A CN115374872 A CN 115374872A
- Authority
- CN
- China
- Prior art keywords
- attribute
- user
- target user
- meta
- universe
- 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
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种元宇宙匹配方法及装置,可以应用于大数据领域或金融领域,该方法包括:获取待使用元宇宙的目标用户的各个用户属性,标注每个所述用户属性对应的属性值;基于所述目标用户的各个用户属性及每个所述用户属性对应的属性值,构建所述目标用户对应的属性矩阵;将所述目标用户对应的属性矩阵输入至预设的定性映射模型,应用所述定性映射模型中预设的转化程度函数基于所述属性矩阵分析所述目标用户与预设的各个元宇宙之间的适配度;选取适配度最高的元宇宙与所述目标用户进行匹配。应用本发明提供的方法,可以根据用户属性匹配适合用户的元宇宙,更大程度满足用户需求。
Description
技术领域
本发明涉及数据处理技术领域,特别是涉及一种元宇宙匹配方法及装置。
背景技术
元宇宙是一种基于数字经济基础上的数字宇宙,是一种平行世界。在这个平行于现实世界的虚拟世界中,虚拟资源极度丰富。
目前元宇宙的建设还属于初级阶段,没有明确的官方定义和成体系的建设成果,大多只是单个产品和多个产品的集合展示。因而,如果元宇宙的生态最终得以形成,那么应该对不同的人群和不同的应用场景进行匹配,并且对特殊人群(儿童、老人、残疾人等)进行适配,使得各类人群都能在元宇宙寻获自己所需的应用场景。当前元宇宙的建设场景还不完全,且对不同设备,不同种类人群的元宇宙接入都是同样的界面和使用场景。但是用户之间存在个体性差异,因此,现有技术中无法为不同的用户进行个性化适配,无法满足不同用户的需求。
发明内容
有鉴于此,本发明提供一种元宇宙匹配方法,通过该方法,可以根据用户属性匹配适合用户的元宇宙,更大程度满足用户需求。
本发明还提供了一种元宇宙匹配装置,用以保证上述方法在实际中的实现及应用。
一种元宇宙匹配方法,包括:
获取待使用元宇宙的目标用户的各个用户属性,
标注每个所述用户属性对应的属性值;
基于所述目标用户的各个用户属性及每个所述用户属性对应的属性值,构建所述目标用户对应的属性矩阵;
将所述目标用户对应的属性矩阵输入至预设的定性映射模型,应用所述定性映射模型中预设的转化程度函数基于所述属性矩阵分析所述目标用户与预设的各个元宇宙之间的适配度;
选取适配度最高的元宇宙与所述目标用户进行匹配。
上述的方法,可选的,所述标注每个所述用户属性对应的属性值,包括:
获取预先设置的属性列表,及所述目标用户的每个用户属性所属的属性类别;
查找所述属性列表中每个所述属性类别对应的标注规则子列表;
基于每个用户属性对应的属性类别及所述标注规则子列表,标注每个所述用户属性对应的属性值。
上述的方法,可选的,所述基于所述目标用户的各个用户属性及每个所述用户属性对应的属性值,构建所述目标用户对应的属性矩阵,包括:
建立初始属性矩阵;
基于每个所述用户属性对应的属性值,构建每个所述用户属性及其对应的属性值之间的矩阵维度;
将每个所述用户属性及其对应的属性值之间的矩阵维度输入所述初始属性矩阵,获得所述目标用户对应的属性矩阵。
上述的方法,可选的,所述应用所述定性映射模型中预设的转化程度函数基于所述属性矩阵分析所述目标用户与预设的各个元宇宙之间的适配度,包括:
获取所述目标用户的各个用户属性在所述属性矩阵中的维度值,及每个所述元宇宙在标准匹配对象对象时所需的参考值;
基于各个所述维度值与各个所述参考值,确定所述目标用户与各个所述元宇宙之间的初始适配度;
应用所述所述定性映射模型中预设的转化程度函数,对各个所述初始适配度进行优化,获得所述目标用户与预设的各个元宇宙之间的最终的适配度。
上述的方法,可选的,还包括:
筛选适配度达到预设适配阈值的元宇宙为目标元宇宙;
将所述目标用户与各个所述目标元宇宙进行匹配。
一种元宇宙匹配装置,包括:
获取单元,用于获取待使用元宇宙的目标用户的各个用户属性,
标注单元,用于标注每个所述用户属性对应的属性值;
构建单元,用于基于所述目标用户的各个用户属性及每个所述用户属性对应的属性值,构建所述目标用户对应的属性矩阵;
分析单元,用于将所述目标用户对应的属性矩阵输入至预设的定性映射模型,应用所述定性映射模型中预设的转化程度函数基于所述属性矩阵分析所述目标用户与预设的各个元宇宙之间的适配度;
第一匹配单元,用于选取适配度最高的元宇宙与所述目标用户进行匹配。
上述的装置,可选的,所述标注单元,包括:
第一获取子单元,用于获取预先设置的属性列表,及所述目标用户的每个用户属性所属的属性类别;
查找子单元,用于查找所述属性列表中每个所述属性类别对应的标注规则子列表;
标注子单元,用于基于每个用户属性对应的属性类别及所述标注规则子列表,标注每个所述用户属性对应的属性值。
上述的装置,可选的,所述构建单元,包括:
第一构建子单元,用于建立初始属性矩阵;
第二构建子单元,用于基于每个所述用户属性对应的属性值,构建每个所述用户属性及其对应的属性值之间的矩阵维度;
生成子单元,用于将每个所述用户属性及其对应的属性值之间的矩阵维度输入所述初始属性矩阵,获得所述目标用户对应的属性矩阵。
上述的装置,可选的,所述分析单元,包括:
第二获取子单元,用于获取所述目标用户的各个用户属性在所述属性矩阵中的维度值,及每个所述元宇宙在标准匹配对象对象时所需的参考值;
确定子单元,用于基于各个所述维度值与各个所述参考值,确定所述目标用户与各个所述元宇宙之间的初始适配度;
优化子单元,用于应用所述所述定性映射模型中预设的转化程度函数,对各个所述初始适配度进行优化,获得所述目标用户与预设的各个元宇宙之间的最终的适配度。
上述的装置,可选的,还包括:
筛选单元,用于筛选适配度达到预设适配阈值的元宇宙为目标元宇宙;
第二匹配单元,用于将所述目标用户与各个所述目标元宇宙进行匹配。
一种存储介质,所述存储介质包括存储的指令,其中,在所述指令运行时控制所述存储介质所在的设备执行上述的元宇宙匹配方法。
一种电子设备,包括存储器,以及一个或者一个以上的指令,其中一个或者一个以上指令存储于存储器中,且经配置以由一个或者一个以上处理器执行上述的元宇宙匹配方法。
与现有技术相比,本发明包括以下优点:
本发明提供一种元宇宙匹配方法,包括:获取待使用元宇宙的目标用户的各个用户属性,标注每个所述用户属性对应的属性值;基于所述目标用户的各个用户属性及每个所述用户属性对应的属性值,构建所述目标用户对应的属性矩阵;将所述目标用户对应的属性矩阵输入至预设的定性映射模型,应用所述定性映射模型中预设的转化程度函数基于所述属性矩阵分析所述目标用户与预设的各个元宇宙之间的适配度;选取适配度最高的元宇宙与所述目标用户进行匹配。应用本发明提供的方法,可以根据用户属性匹配适合用户的元宇宙,更大程度满足用户需求。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,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发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本发明实施例提供的一种元宇宙匹配方法的方法流程图;
图2为本发明实施例提供的一种元宇宙匹配方法的属性矩阵示意图;
图3为本发明实施例提供的一种元宇宙匹配方法的又一方法流程图;
图4为本发明实施例提供的一种元宇宙匹配方法的再一方法流程图;
图5为本发明实施例提供的一种元宇宙匹配装置的装置结构图;
图6为本发明实施例提供的一种电子设备结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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他实施例,都属于本发明保护的范围。
在本申请中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本发明可用于众多通用或专用的计算装置环境或配置中。例如:个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器装置、包括以上任何装置或设备的分布式计算环境等等。
本发明实施例提供了一种元宇宙匹配方法,该方法可以应用在多种系统平台,其执行主体可以为计算机终端或各种移动设备的处理器,所述方法的方法流程图如图1所示,具体包括:
S101:获取待使用元宇宙的目标用户的各个用户属性。
其中,用户属性包括用户的个人信息、生活习惯、ip所在地、硬件种类、运营商等。
S102:标注每个所述用户属性对应的属性值。
具体的,可以通过预设的属性列表中包含的规则标注用户属性对应的属性值。
S103:基于所述目标用户的各个用户属性及每个所述用户属性对应的属性值,构建所述目标用户对应的属性矩阵。
其中,所述基于所述目标用户的各个用户属性及每个所述用户属性对应的属性值,构建所述目标用户对应的属性矩阵,包括:
建立初始属性矩阵;
基于每个所述用户属性对应的属性值,构建每个所述用户属性及其对应的属性值之间的矩阵维度;
将每个所述用户属性及其对应的属性值之间的矩阵维度输入所述初始属性矩阵,获得所述目标用户对应的属性矩阵。
如图2所示,图2的坐标系为属性矩阵,其中的每一个框代表每个用户属性及其对应的属性值之间的矩阵维度。
需要说明的是,初始属性矩阵不包含矩阵维度。在获得用户属性对应的属性值后,分别构建每个用户对应的矩阵维度,并在初始属性矩阵描述出各个矩阵维度。
S104:将所述目标用户对应的属性矩阵输入至预设的定性映射模型,应用所述定性映射模型中预设的转化程度函数基于所述属性矩阵分析所述目标用户与预设的各个元宇宙之间的适配度。
需要说明的是,该定性映射模型可以为神经网络模型,通过转化程度函数学习如何匹配用户与元宇宙。
S105:选取适配度最高的元宇宙与所述目标用户进行匹配。
在本发明实施例提供的方法中,获取待使用元宇宙用户的各个的属性名称,用数值标记属性值;根据用户的属性名称和属性值,建立用户的属性矩阵;利用定性映射模型,将每个用户与现有元宇宙适配环境的相似程度进行判别;考虑用户的每个属性对适配环境的影响程度不同,使用加权的转化程度函数,优化各个用户和元宇宙环境的比较方式,并选取匹配程度最高的元宇宙环境进行适配。随着元宇宙环境的不断建设革新以及更多新用户的涌入,逐步提高匹配的精确程度。
本发明实施例中,除了可以匹配一个元宇宙之外,还可以匹配多个元宇宙,具体包括:筛选适配度达到预设适配阈值的元宇宙为目标元宇宙;将所述目标用户与各个所述目标元宇宙进行匹配。
可以理解的是,随着应用场景的增加,用户可能对元宇宙的要求就越高,可以匹配多个元宇宙供用户进行选择。
本发明实施例提供的方法中,基于上述S102,所述标注每个所述用户属性对应的属性值的过程如图3所示,包括:
S301:获取预先设置的属性列表,及所述目标用户的每个用户属性所属的属性类别。
S302:查找所述属性列表中每个所述属性类别对应的标注规则子列表。
S303:基于每个用户属性对应的属性类别及所述标注规则子列表,标注每个所述用户属性对应的属性值。
可选的,在每个属性类别对应的标注规则子列表中属性列表中可能对应包含了用户属性的属性值也可能未包含属性值。通过读取标注规则子列表来确定其中是否包含了用户属性的对应的属性值,如果包含了用户属性对应的属性值,则在后续的过程中使用这个属性值;但是由于有些用户属性是抽象化的属性概念,属性列表中可能不存在该用户属性所属的属性类别对应的注规则子列表,则无法获得该用户属性的属性值的,这时需要系统根据属性概念和预先设置好的属性概念标准来对该用户属性进行赋值,赋值得到该用户属性的属性值。
本发明实施例提供的方法中,所述应用所述定性映射模型中预设的转化程度函数基于所述属性矩阵分析所述目标用户与预设的各个元宇宙之间的适配度的过程如图4所示,包括:
S401:获取所述目标用户的各个用户属性在所述属性矩阵中的维度值,及每个所述元宇宙在标准匹配对象对象时所需的参考值。
S402:基于各个所述维度值与各个所述参考值,确定所述目标用户与各个所述元宇宙之间的初始适配度。
在本发明中,应用预设的计算公式确定目标用户与各个元宇宙之间的初始适配度,该公式为:
其中,x为维度值集合x(x1,x2,,,xn)(n=k),ξ为参考值集合ξ(ξ1,ξ2,,,ξn)(n=k),每个用户属性的维度值为x1,x2,,,xn,每个元宇宙对应的参考值为ξ1,ξ2,,,ξn,τ(x,ξ)表示将维度值集合与某一个元宇宙进行匹配,可得出相似程度值;表示每一维度的定性映射。
S403:应用所述所述定性映射模型中预设的转化程度函数,对各个所述初始适配度进行优化,获得所述目标用户与预设的各个元宇宙之间的最终的适配度。
在本发明中,不同种类的属性信息对相似度影响是不同的,此时还可以利用基于一种转化程度函数的相似度函数来提高识别效率。
具体的,该转化程度函数的相似度函数的通用形式为:
sat(xj,x*)=λ(xj,x*)g(r(xj,x*))
其中中,λ(xj,x*)表示一个待定系数,可暂时令其为1;g(r(xj,x*))表示一个反映xj和x*相似度的函数,其中,当满足r(xj,x*)=0时,g(r(xj,x*))=1;而且,当r(xj,x*)=∞时,g(r(xj,x*))=0。其中,当转化程度函数的取值域分别取0和1时,能够表现为值域为[-1,1]定性映射的形式,因此通过定性映射可以求出转化程度函数,而转化程度函数也能通过相反的过程转化成定性映射,即转化程度函数与定性映射直接呈等价的关系。
本发明采用的转化程度函数的相似度函数可为:
其中,wj表示第j个属性的权重;δj是误差半径。
需要说明的是,因为转化程度函数是反映量到质转化程度的差异的一种数学模型,所以不同属性量值转化程度差异肯定有所不同,量到质转化的规律是极其多样的,因而转化程度函数会有多种不同类型。
上述各个实施例的具体实施过程及其衍生方式,均在本发明的保护范围之内。
与图1所述的方法相对应,本发明实施例还提供了一种元宇宙匹配装置,用于对图1中方法的具体实现,本发明实施例提供的元宇宙匹配装置可以应用计算机终端或各种移动设备中,其结构示意图如图5所示,具体包括:
获取单元501,用于获取待使用元宇宙的目标用户的各个用户属性,
标注单元502,用于标注每个所述用户属性对应的属性值;
构建单元503,用于基于所述目标用户的各个用户属性及每个所述用户属性对应的属性值,构建所述目标用户对应的属性矩阵;
分析单元504,用于将所述目标用户对应的属性矩阵输入至预设的定性映射模型,应用所述定性映射模型中预设的转化程度函数基于所述属性矩阵分析所述目标用户与预设的各个元宇宙之间的适配度;
第一匹配单元505,用于选取适配度最高的元宇宙与所述目标用户进行匹配。
在本发明实施例提供的装置中,获取待使用元宇宙用户的各个的属性名称,用数值标记属性值;根据用户的属性名称和属性值,建立用户的属性矩阵;利用定性映射模型,将每个用户与现有元宇宙适配环境的相似程度进行判别;考虑用户的每个属性对适配环境的影响程度不同,使用加权的转化程度函数,优化各个用户和元宇宙环境的比较方式,并选取匹配程度最高的元宇宙环境进行适配。随着元宇宙环境的不断建设革新以及更多新用户的涌入,逐步提高匹配的精确程度。
本发明实施例提供的装置中,所述标注单元,包括:
第一获取子单元,用于获取预先设置的属性列表,及所述目标用户的每个用户属性所属的属性类别;
查找子单元,用于查找所述属性列表中每个所述属性类别对应的标注规则子列表;
标注子单元,用于基于每个用户属性对应的属性类别及所述标注规则子列表,标注每个所述用户属性对应的属性值。
本发明实施例提供的装置中,所述构建单元,包括:
第一构建子单元,用于建立初始属性矩阵;
第二构建子单元,用于基于每个所述用户属性对应的属性值,构建每个所述用户属性及其对应的属性值之间的矩阵维度;
生成子单元,用于将每个所述用户属性及其对应的属性值之间的矩阵维度输入所述初始属性矩阵,获得所述目标用户对应的属性矩阵。
本发明实施例提供的装置中,所述分析单元,包括:
第二获取子单元,用于获取所述目标用户的各个用户属性在所述属性矩阵中的维度值,及每个所述元宇宙在标准匹配对象对象时所需的参考值;
确定子单元,用于基于各个所述维度值与各个所述参考值,确定所述目标用户与各个所述元宇宙之间的初始适配度;
优化子单元,用于应用所述所述定性映射模型中预设的转化程度函数,对各个所述初始适配度进行优化,获得所述目标用户与预设的各个元宇宙之间的最终的适配度。
本发明实施例提供的装置中,还包括:
筛选单元,用于筛选适配度达到预设适配阈值的元宇宙为目标元宇宙;
第二匹配单元,用于将所述目标用户与各个所述目标元宇宙进行匹配。
以上本发明实施例公开的元宇宙匹配装置中各个单元及子单元的具体工作过程,可参见本发明上述实施例公开的元宇宙匹配方法中的对应内容,这里不再进行赘述。
需要说明的是,本发明提供的元宇宙匹配方法及装置可用于大数据领域或网络安全领域。上述仅为示例,并不对本发明提供的元宇宙匹配方法及装置的应用领域进行限定。
本发明实施例还提供了一种存储介质,所述存储介质包括存储的指令,其中,在所述指令运行时控制所述存储介质所在的设备执行上述元宇宙匹配方法。
本发明实施例还提供了一种电子设备,其结构示意图如图6所示,具体包括存储器601,以及一个或者一个以上的指令602,其中一个或者一个以上指令602存储于存储器601中,且经配置以由一个或者一个以上处理器603执行所述一个或者一个以上指令602进行以下操作:
获取待使用元宇宙的目标用户的各个用户属性,
标注每个所述用户属性对应的属性值;
基于所述目标用户的各个用户属性及每个所述用户属性对应的属性值,构建所述目标用户对应的属性矩阵;
将所述目标用户对应的属性矩阵输入至预设的定性映射模型,应用所述定性映射模型中预设的转化程度函数基于所述属性矩阵分析所述目标用户与预设的各个元宇宙之间的适配度;
选取适配度最高的元宇宙与所述目标用户进行匹配。
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,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统或系统实施例而言,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。以上所描述的系统及系统实施例仅仅是示意性的,其中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。
专业人员还可以进一步意识到,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、计算机软件或者二者的结合来实现。
为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。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发明的范围。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种元宇宙匹配方法,其特征在于,包括:
获取待使用元宇宙的目标用户的各个用户属性;
标注每个所述用户属性对应的属性值;
基于所述目标用户的各个用户属性及每个所述用户属性对应的属性值,构建所述目标用户对应的属性矩阵;
将所述目标用户对应的属性矩阵输入至预设的定性映射模型,应用所述定性映射模型中预设的转化程度函数基于所述属性矩阵分析所述目标用户与预设的各个元宇宙之间的适配度;
选取适配度最高的元宇宙与所述目标用户进行匹配。
2.根据权利要求1所述的方法,其特征在于,所述标注每个所述用户属性对应的属性值,包括:
获取预先设置的属性列表,及所述目标用户的每个用户属性所属的属性类别;
查找所述属性列表中每个所述属性类别对应的标注规则子列表;
基于每个用户属性对应的属性类别及所述标注规则子列表,标注每个所述用户属性对应的属性值。
3.根据权利要求1所述的方法,其特征在于,所述基于所述目标用户的各个用户属性及每个所述用户属性对应的属性值,构建所述目标用户对应的属性矩阵,包括:
建立初始属性矩阵;
基于每个所述用户属性对应的属性值,构建每个所述用户属性及其对应的属性值之间的矩阵维度;
将每个所述用户属性及其对应的属性值之间的矩阵维度输入所述初始属性矩阵,获得所述目标用户对应的属性矩阵。
4.根据权利要求3所述的方法,其特征在于,所述应用所述定性映射模型中预设的转化程度函数基于所述属性矩阵分析所述目标用户与预设的各个元宇宙之间的适配度,包括:
获取所述目标用户的各个用户属性在所述属性矩阵中的维度值,及每个所述元宇宙在标准匹配对象对象时所需的参考值;
基于各个所述维度值与各个所述参考值,确定所述目标用户与各个所述元宇宙之间的初始适配度;
应用所述所述定性映射模型中预设的转化程度函数,对各个所述初始适配度进行优化,获得所述目标用户与预设的各个元宇宙之间的最终的适配度。
5.根据权利要求4所述的方法,其特征在于,还包括:
筛选适配度达到预设适配阈值的元宇宙为目标元宇宙;
将所述目标用户与各个所述目标元宇宙进行匹配。
6.一种元宇宙匹配装置,其特征在于,包括:
获取单元,用于获取待使用元宇宙的目标用户的各个用户属性,
标注单元,用于标注每个所述用户属性对应的属性值;
构建单元,用于基于所述目标用户的各个用户属性及每个所述用户属性对应的属性值,构建所述目标用户对应的属性矩阵;
分析单元,用于将所述目标用户对应的属性矩阵输入至预设的定性映射模型,应用所述定性映射模型中预设的转化程度函数基于所述属性矩阵分析所述目标用户与预设的各个元宇宙之间的适配度;
第一匹配单元,用于选取适配度最高的元宇宙与所述目标用户进行匹配。
7.根据权利要求6所述的装置,其特征在于,所述标注单元,包括:
第一获取子单元,用于获取预先设置的属性列表,及所述目标用户的每个用户属性所属的属性类别;
查找子单元,用于查找所述属性列表中每个所述属性类别对应的标注规则子列表;
标注子单元,用于基于每个用户属性对应的属性类别及所述标注规则子列表,标注每个所述用户属性对应的属性值。
8.根据权利要求6所述的装置,其特征在于,所述构建单元,包括:
第一构建子单元,用于建立初始属性矩阵;
第二构建子单元,用于基于每个所述用户属性对应的属性值,构建每个所述用户属性及其对应的属性值之间的矩阵维度;
生成子单元,用于将每个所述用户属性及其对应的属性值之间的矩阵维度输入所述初始属性矩阵,获得所述目标用户对应的属性矩阵。
9.根据权利要求8所述的装置,其特征在于,所述分析单元,包括:
第二获取子单元,用于获取所述目标用户的各个用户属性在所述属性矩阵中的维度值,及每个所述元宇宙在标准匹配对象对象时所需的参考值;
确定子单元,用于基于各个所述维度值与各个所述参考值,确定所述目标用户与各个所述元宇宙之间的初始适配度;
优化子单元,用于应用所述所述定性映射模型中预设的转化程度函数,对各个所述初始适配度进行优化,获得所述目标用户与预设的各个元宇宙之间的最终的适配度。
10.根据权利要求9所述的装置,其特征在于,还包括:
筛选单元,用于筛选适配度达到预设适配阈值的元宇宙为目标元宇宙;
第二匹配单元,用于将所述目标用户与各个所述目标元宇宙进行匹配。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211049429.0A CN115374872A (zh) | 2022-08-30 | 2022-08-30 | 元宇宙匹配方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211049429.0A CN115374872A (zh) | 2022-08-30 | 2022-08-30 | 元宇宙匹配方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115374872A true CN115374872A (zh) | 2022-11-22 |
Family
ID=84069282
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211049429.0A Pending CN115374872A (zh) | 2022-08-30 | 2022-08-30 | 元宇宙匹配方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115374872A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117436679A (zh) * | 2023-12-21 | 2024-01-23 | 四川物通科技有限公司 | 一种元宇宙资源匹配方法及其系统 |
-
2022
- 2022-08-30 CN CN202211049429.0A patent/CN115374872A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117436679A (zh) * | 2023-12-21 | 2024-01-23 | 四川物通科技有限公司 | 一种元宇宙资源匹配方法及其系统 |
CN117436679B (zh) * | 2023-12-21 | 2024-03-26 | 四川物通科技有限公司 | 一种元宇宙资源匹配方法及其系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Han et al. | Artificial intelligence in business-to-business marketing: a bibliometric analysis of current research status, development and future directions | |
Agarwal et al. | An interdisciplinary review of research in conjoint analysis: Recent developments and directions for future research | |
CN110309119B (zh) | 用于实现数据上传、处理和预测查询api公开的系统、方法和装置 | |
US11004123B2 (en) | Method for trading goods on a computer network based on image processing for interest, emotion and affinity detection | |
CN111552880B (zh) | 基于知识图谱的数据处理方法、装置、介质及电子设备 | |
US20180197113A1 (en) | Entity resolution incorporating data from various data sources which uses tokens and normalizes records | |
CN113643103A (zh) | 基于用户相似度的产品推荐方法、装置、设备及存储介质 | |
CN111695024A (zh) | 对象评估值的预测方法及系统、推荐方法及系统 | |
KR20230051652A (ko) | 법률질문에 대한 수치화된 ai 답변서비스를 제공하는 시스템 및 방법 | |
CN115374872A (zh) | 元宇宙匹配方法及装置 | |
KR102376652B1 (ko) | Ai를 활용한 상품 데이터 실시간 분석 및 상품 정보를 업데이트하기 위한 방법 및 시스템 | |
CN114780753A (zh) | 基于知识图谱的对话推荐方法、装置、设备及存储介质 | |
CN114168819A (zh) | 一种基于图神经网络的岗位匹配方法及装置 | |
CN114880564A (zh) | 元宇宙虚拟资源推荐方法及装置 | |
CN114429384B (zh) | 基于电商平台的产品智能推荐方法及系统 | |
US11741099B2 (en) | Supporting database queries using unsupervised vector embedding approaches over unseen data | |
CN112991025A (zh) | 一种保险智能推荐方法、系统、设备及计算机可读存储介质 | |
Casillo et al. | The Role of AI in Improving Interaction With Cultural Heritage: An Overview | |
Yoo et al. | Online Review Mining: Identification of Important Features and Their Satisfaction Levels of Mobile Phones: Identification of Important Features and Their Satisfaction Levels of Mobile Phones | |
Garai | Ranking method of the generalized intuitionistic fuzzy numbers founded on possibility measures and its application to MADM problem | |
US11941076B1 (en) | Intelligent product sequencing for category trees | |
US11972358B1 (en) | Contextually relevant content sharing in high-dimensional conceptual content mapping | |
CN114066278B (zh) | 物品召回的评估方法、装置、介质及程序产品 | |
US20230418837A1 (en) | System for Providing Data | |
WO2023236900A1 (zh) | 一种项目推荐方法及其相关设备 |
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 |