CN115618949A - 基于沉浸式元宇宙服务的用户兴趣分析方法及系统 - Google Patents
基于沉浸式元宇宙服务的用户兴趣分析方法及系统 Download PDFInfo
- Publication number
- CN115618949A CN115618949A CN202211140717.7A CN202211140717A CN115618949A CN 115618949 A CN115618949 A CN 115618949A CN 202211140717 A CN202211140717 A CN 202211140717A CN 115618949 A CN115618949 A CN 115618949A
- Authority
- CN
- China
- Prior art keywords
- knowledge
- virtual space
- digital virtual
- behavior tendency
- user behavior
- 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.)
- Withdrawn
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
- G06N5/025—Extracting rules from data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2216/00—Indexing scheme relating to additional aspects of information retrieval not explicitly covered by G06F16/00 and subgroups
- G06F2216/03—Data mining
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Fuzzy Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请实施例公开了基于沉浸式元宇宙服务的用户兴趣分析方法及系统,针对各数字虚拟空间交互数据集中的每组数字虚拟空间交互数据进行多数据规模的拆解,能提升用户兴趣项目识别中数据规模的抗干扰性。进一步地,本申请实施例利用各数字虚拟空间交互数据集的沉浸式用户活动信息簇,确定数字虚拟空间交互数据集之间的关联化行为偏好短语,使得元宇宙用户服务系统能在多维数据规模的基础上结合数字虚拟空间交互数据集之间的影响联系,提高用户兴趣项目的识别准确性和可靠性。
Description
技术领域
本申请涉及元宇宙技术领域,尤其涉及一种基于沉浸式元宇宙服务的用户兴趣分析方法及系统。
背景技术
互联网时代的发展,云会议、云办公、云购物、线上展览和线上展销等元宇宙服务不断兴起,作为互联网时代的产物,元宇宙服务能够实现虚拟世界和现实世界的交互,提供更加智能、惊艳的沉浸式交互服务,以促进数字化经济的发展。随着元宇宙服务的发展,针对元宇宙服务的用户兴趣分析和挖掘需求越来月多,但是如何提高用户兴趣的识别精度和可信度,是当前技术攻关的难点。
发明内容
本申请的一个目的是提供一种基于沉浸式元宇宙服务的用户兴趣分析方法及系统。
本申请的技术方案是通过如下至少部分实施例实现的。
一种基于沉浸式元宇宙服务的用户兴趣分析方法,应用于元宇宙用户服务系统,所述方法包括:
基于接收到的兴趣分析请求,获取不少于两个数字虚拟空间交互数据集;其中,各所述数字虚拟空间交互数据集中包括不少于一组数字虚拟空间交互数据;
对各所述数字虚拟空间交互数据集进行两种或多于两种数据规模的拆解,获得相同数据规模下全部数字虚拟空间交互数据中相同分布区域的沉浸式用户活动信息形成的沉浸式用户活动信息簇;
利用各所述数字虚拟空间交互数据集的沉浸式用户活动信息簇,确定各所述数字虚拟空间交互数据集之间的关联化行为偏好短语;
结合各所述数字虚拟空间交互数据集之间的关联化行为偏好短语,在所述不少于两个数字虚拟空间交互数据集中确定出携带用户兴趣项目的目标数字虚拟空间交互数据集。
在一些可独立的设计思路下,所述利用各所述数字虚拟空间交互数据集的沉浸式用户活动信息簇,确定各所述数字虚拟空间交互数据集之间的关联化行为偏好短语,包括:
针对各所述数字虚拟空间交互数据集,基于相同数据规模下的各沉浸式用户活动信息簇,获得数据规模对应的第一用户行为倾向知识;
其中,所述第一用户行为倾向知识中包括相同数据规模的各沉浸式用户活动信息簇之间的交互关联特征;
将相同所述数字虚拟空间交互数据集中各数据规模对应的所述第一用户行为倾向知识进行整理,获得各所述数字虚拟空间交互数据集的第二用户行为倾向知识;
利用各所述数字虚拟空间交互数据集的所述第二用户行为倾向知识,确定各所述数字虚拟空间交互数据集之间的所述关联化行为偏好短语。
在一些可独立的设计思路下,所述基于相同数据规模下的各沉浸式用户活动信息簇,获得数据规模对应的第一用户行为倾向知识,包括:
对相同数据规模下的各所述沉浸式用户活动信息簇执行行为倾向知识挖掘处理,获得所述沉浸式用户活动信息簇对应的用户行为倾向知识;
将相同数据规模的所述沉浸式用户活动信息簇的用户行为倾向知识进行组合,获得数据规模对应的第一联动用户行为倾向知识;
依据所述数据规模对应的第一联动用户行为倾向知识,利用主动型聚焦策略和窗口化滤波操作生成所述第一联动用户行为倾向知识所反映的相同数据规模的沉浸式用户活动信息簇之间的活动联系描述,获得所述数据规模对应的第一用户行为倾向知识。
在一些可独立的设计思路下,所述依据所述数据规模对应的第一联动用户行为倾向知识,利用主动型聚焦策略和窗口化滤波操作生成所述第一联动用户行为倾向知识所反映的相同数据规模的沉浸式用户活动信息簇之间的活动联系描述,获得所述数据规模对应的第一用户行为倾向知识,包括:
依据所述主动型聚焦策略以及所述第一联动用户行为倾向知识,确定偏置指数关系网;其中,所述偏置指数关系网中包括:反映相同数据规模的各所述沉浸式用户活动信息簇具有兴趣特征的可能性的量化评分;
依据所述偏置指数关系网以及所述第一联动用户行为倾向知识,获得完成调整的用户行为倾向知识;
对所述第一联动用户行为倾向知识进行窗口化滤波操作,获得完成窗口化滤波操作的用户行为倾向知识;
依据所述完成调整的用户行为倾向知识、完成窗口化滤波操作的用户行为倾向知识以及所述第一联动用户行为倾向知识,获得所述第一用户行为倾向知识。
在一些可独立的设计思路下,所述依据所述主动型聚焦策略以及所述第一联动用户行为倾向知识,确定偏置指数关系网,包括:
对所述第一联动用户行为倾向知识进行知识抽样操作,获得完成知识抽样的第一联动用户行为倾向知识;
针对所述完成知识抽样的第一联动用户行为倾向知识,通过设定动态节点单元Convolution unit1进行滑动平均处理,获得第一滑动平均处理知识;
针对所述完成知识抽样的第一联动用户行为倾向知识,通过设定动态节点单元Convolution unit2进行滑动平均处理,获得第二滑动平均处理知识;
确定所述第一滑动平均处理知识和所述第二滑动平均处理知识的数组运算结果,并结合所述主动型聚焦策略,确定所述偏置指数关系网。
在一些可独立的设计思路下,所述依据所述偏置指数关系网以及所述第一联动用户行为倾向知识,获得完成调整的用户行为倾向知识,包括:
利用设定动态节点单元Convolution unit3对所述完成知识抽样的第一联动用户行为倾向知识进行滑动平均处理,获得第三滑动平均处理知识;
将所述偏置指数关系网和所述第三滑动平均处理知识进行设定运算,获得目标关系网;
将所述目标关系网和设定动态节点单元Convolution unit4进行完成窗口化滤波操作的结果,与所述完成知识抽样的第一联动用户行为倾向知识的全局整合结果,确定为所述完成调整的用户行为倾向知识。
在一些可独立的设计思路下,所述对所述第一联动用户行为倾向知识进行滑动平均处理,获得完成窗口化滤波操作的用户行为倾向知识,包括:
利用不少于两个膨胀型动态节点单元分别对所述第一联动用户行为倾向知识进行滑动平均处理,获得各所述膨胀型动态节点单元对应的滑动平均处理知识;其中,不少于两个所述膨胀型动态节点单元的膨胀系数存在差异;
将各所述膨胀型动态节点单元对应的滑动平均处理知识进行组合,获得所述完成窗口化滤波操作的用户行为倾向知识。
在一些可独立的设计思路下,所述依据所述完成调整的用户行为倾向知识、完成窗口化滤波操作的用户行为倾向知识以及所述第一联动用户行为倾向知识,获得所述第一用户行为倾向知识,包括:将所述完成调整的用户行为倾向知识与所述完成窗口化滤波操作的用户行为倾向知识组合后,与所述第一联动用户行为倾向知识进行整合,获得所述第一用户行为倾向知识。
在一些可独立的设计思路下,所述对相同数据规模下的各所述沉浸式用户活动信息簇执行行为倾向知识挖掘处理,获得所述沉浸式用户活动信息簇对应的用户行为倾向知识,包括:对相同数据规模下的各所述沉浸式用户活动信息簇执行行为倾向知识挖掘处理,获得所述沉浸式用户活动信息簇对应的包括所述沉浸式用户活动信息簇中各沉浸式用户活动信息之间的先后关系描述的用户行为倾向知识。
在一些可独立的设计思路下,所述将相同所述数字虚拟空间交互数据集中各数据规模对应的所述第一用户行为倾向知识进行整理,获得各所述数字虚拟空间交互数据集的第二用户行为倾向知识,包括:将相同数据规模的所述第一用户行为倾向知识,按各所述沉浸式用户活动信息簇的相对分布特征进行更新,获得数据规模对应的已更新用户行为倾向知识;
将所述数据规模对应的已更新用户行为倾向知识利用设定动态节点单元Convolution unit5进行滑动平均处理后,经知识处理单元变更成单一用户行为倾向知识数组;
将各数据规模的所述单一用户行为倾向知识数组进行整合,获得各所述数字虚拟空间交互数据集的第二用户行为倾向知识。
在一些可独立的设计思路下,所述利用各所述数字虚拟空间交互数据集的所述第二用户行为倾向知识,确定各所述数字虚拟空间交互数据集之间的所述关联化行为偏好短语,包括:
将各所述数字虚拟空间交互数据集的所述第二用户行为倾向知识进行组合,获得第二联动用户行为倾向知识;
依据所述第二联动用户行为倾向知识,基于主动型聚焦策略以及膨胀滑动处理生成所述第二联动用户行为倾向知识所反映的不同数字虚拟空间交互数据集之间的活动联系描述,确定各所述数字虚拟空间交互数据集之间的所述关联化行为偏好短语。
在一些可独立的设计思路下,所述结合各所述数字虚拟空间交互数据集之间的关联化行为偏好短语,在所述不少于两个数字虚拟空间交互数据集中确定出携带用户兴趣项目的目标数字虚拟空间交互数据集,包括:
基于设定用户兴趣挖掘网络对各所述数字虚拟空间交互数据集之间的关联化行为偏好短语进行识别,获得各所述数字虚拟空间交互数据集的兴趣识别信息;其中,所述设定用户兴趣挖掘网络为结合迁移学习调试规则调试所得的网络;
结合各所述数字虚拟空间交互数据集的兴趣识别信息,确定携带所述用户兴趣项目的所述目标数字虚拟空间交互数据集。
在一些可独立的设计思路下,所述方法还包括:
对已认证调试范例中的积极型调试范例和消极型调试范例,分别挑选倾向知识变化指数满足设定条件的X个已认证数字虚拟空间交互数据集进行目标倾向知识变化指数的确定;其中,所述X为正整数;
结合所述积极型调试范例对应的目标倾向知识变化指数,以及所述消极型调试范例对应的目标倾向知识变化指数,生成网络代价指标;
依据所述网络代价指标调试获得所述设定用户兴趣挖掘网络。
在一些可独立的设计思路下,所述获取不少于两个数字虚拟空间交互数据集,包括:
获取待进行用户兴趣分析的数字虚拟空间交互日志;确定所述待进行用户兴趣分析的数字虚拟空间交互日志中连续的数字虚拟空间交互数据之间的量化比较指数;
将所述量化比较指数大于设定比较指数的所述连续的数字虚拟空间交互数据中,顺序在先的数字虚拟空间交互数据确定为一个所述数字虚拟空间交互数据集的数字虚拟空间交互数据last data,顺序在后的数字虚拟空间交互数据确定为与一个所述数字虚拟空间交互数据集具有邻居关系的数字虚拟空间交互数据集的数字虚拟空间交互数据firstdata。
一种元宇宙用户服务系统,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。
根据本申请的一个实施例,鉴于部分用户兴趣项目对应于数字虚拟空间交互数据中一小部分数据内容,另一部分用户兴趣项目可能所对应的数据内容可能较多,如果生硬武断地将数字虚拟空间交互数据视作一类数据或者实施一种数据规模的数据内容拆解都难以精准挖掘和识别出各种用户兴趣项目,鉴于此,本申请实施例针对各数字虚拟空间交互数据集中的每组数字虚拟空间交互数据进行多数据规模的拆解,能提升用户兴趣项目识别中数据规模的抗干扰性。进一步地,本申请实施例利用各数字虚拟空间交互数据集的沉浸式用户活动信息簇,确定数字虚拟空间交互数据集之间的关联化行为偏好短语,使得元宇宙用户服务系统能在多维数据规模的基础上结合数字虚拟空间交互数据集之间的影响联系,提高用户兴趣项目的识别准确性和可靠性。
附图说明
图1是示出可以实现本申请的实施例的元宇宙用户服务系统的一种通信配置的示意图。
图2是示出可以实现本申请的实施例的基于沉浸式元宇宙服务的用户兴趣分析方法的流程示意图。
图3是示出可以实现本申请的实施例的基于沉浸式元宇宙服务的用户兴趣分析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。为了使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请作进一步地详细描述,所描述的实施例不应视为对本申请的限制,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,都属于本申请保护的范围。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申请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申请实施例的目的,不是旨在限制本申请。
图1是示出可以实现本申请的实施例的元宇宙用户服务系统100的一种通信配置的框图,元宇宙用户服务系统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申请实施例中基于沉浸式元宇宙服务的用户兴趣分析方法的处理器102。
图2是示出可以实现本申请的实施例的基于沉浸式元宇宙服务的用户兴趣分析方法的流程示意图,基于沉浸式元宇宙服务的用户兴趣分析方法可以通过图1所示的元宇宙用户服务系统100实现,进一步可以包括以下相关步骤所描述的技术方案。
步骤11、基于接收到的兴趣分析请求,获取不少于两个数字虚拟空间交互数据集。
进一步地,各所述数字虚拟空间交互数据集中包括不少于一组数字虚拟空间交互数据。
对于本申请实施例而言,兴趣分析请求可以是第三方虚拟服务商平台系统向元宇宙用户服务系统上传的兴趣分析指示,以请求元宇宙用户服务系统辅助/协助进行对应的用户兴趣挖掘处理。进一步地,数字虚拟空间交互数据集可以是通过若干组数字虚拟空间交互数据所组成的集合。相应地,数字虚拟空间交互数据比如可以是虚拟现实游戏的交互数据、虚拟商城的交互数据、虚拟社区的交互数据等。
步骤12、对各所述数字虚拟空间交互数据集进行两种或多于两种数据规模的拆解,获得相同数据规模下全部数字虚拟空间交互数据中相同分布区域的沉浸式用户活动信息形成的沉浸式用户活动信息簇。
对于本申请实施例而言,沉浸式用户活动信息可以理解为对数字虚拟空间交互数据集进行拆解后所得到的相同分布区域的数字用户活动数据块,而沉浸式用户活动信息簇可以理解为经由相同分布区域的沉浸式用户活动信息组合成的信息集合,不同数据规模的拆解可以理解为不同数据尺度的划分处理。
步骤13、利用各所述数字虚拟空间交互数据集的沉浸式用户活动信息簇,确定各所述数字虚拟空间交互数据集之间的关联化行为偏好短语。
对于本申请实施例而言,关联化行为偏好短语可以理解为各数字虚拟空间交互数据集之间的关联性偏好特征/相关性特征。
步骤14、结合各所述数字虚拟空间交互数据集之间的关联化行为偏好短语,在所述不少于两个数字虚拟空间交互数据集中确定出携带用户兴趣项目的目标数字虚拟空间交互数据集。
本申请实施例中,元宇宙用户服务系统基于接收到的兴趣分析请求,获取不少于两个数字虚拟空间交互数据集后,对于每一数字虚拟空间交互数据集进行两种或多于两种数据规模的拆解可以理解为数字虚拟空间交互数据集所包括的每一组数字虚拟空间交互数据进行两种或多于两种数据规模的拆解。对数字虚拟空间交互数据集进行多数据规模拆解后,相同数据规模下全部数字虚拟空间交互数据中相同分布区域的沉浸式用户活动信息形成的沉浸式用户活动信息簇。
举例而言,元宇宙用户服务系统将数字虚拟空间交互日志Log Book_v拆解为不重复的Q组数字虚拟空间交互数据集,针对各数字虚拟空间交互数据集,对每一组数字虚拟空间交互数据结合Y组存在区别的动态节点规模进行拆解。例如,某一数字虚拟空间交互数据集进行了三种数据规模(Y=3)的拆解,每组数字虚拟空间交互数据中对应的沉浸式用户活动信息数目分别为一个、六个和十五个。在本申请实施例中,将数字虚拟空间交互数据集的不同数字虚拟空间交互数据中同分布区域的沉浸式用户活动信息视作一类信息形成一个沉浸式用户活动信息簇。
在本申请的实施例中,对数字虚拟空间交互数据集中每一组数字虚拟空间交互数据进行对应数据规模的拆解时,相同数据规模对应的沉浸式用户活动信息的数据规模保持一致。进一步地,在结合动态节点(比如滑动窗口或者滤波核)将每一组数字虚拟空间交互数据拆解为互相不存在重复的沉浸式用户活动信息时,每一组数字虚拟空间交互数据在对应数据规模下的沉浸式用户活动信息的数目,可以为对每组数字虚拟空间交互数据的数据规模与动态节点的数据规模的比例进行整数化处理的结果。
对于步骤13而言,元宇宙用户服务系统获得各数字虚拟空间交互数据集的沉浸式用户活动信息簇后,便可获得可反映每一数字虚拟空间交互数据集的用户行为倾向知识(比如用户行为倾向特征,包括“操作偏好倾向”、“可视化偏好倾向”等),然后基于反映数字虚拟空间交互数据集的用户行为倾向知识,获得数字虚拟空间交互数据集之间的关联化行为偏好短语。
在一种可能性的实施例中,基于数字虚拟空间交互数据集的各沉浸式用户活动信息簇,获得可反映数字虚拟空间交互数据集的用户行为倾向知识时,比如,可立刻将不同数据规模的多个沉浸式用户活动信息簇中各沉浸式用户活动信息的用户行为倾向知识组合后作为数字虚拟空间交互数据集的用户行为倾向知识。进一步地,每个数字虚拟空间交互数据集共包括三组数字虚拟空间交互数据,每组数字虚拟空间交互数据都包括三种数据规模的沉浸式用户活动信息簇,倘若每个沉浸式用户活动信息对应一个用户行为倾向知识,则该数字虚拟空间交互数据集的用户行为倾向知识数目为:每组数字虚拟空间交互数据多数据规模拆解后的沉浸式用户活动信息个数乘以数字虚拟空间交互数据组数,比如六十六个用户行为倾向知识。在本申请实施例中,若不少于两个数字虚拟空间交互数据集是对相同数字虚拟空间交互日志在时序层面上拆解获得的,则利用各数字虚拟空间交互数据集的用户行为倾向知识获得的数字虚拟空间交互数据集之间的关联化行为偏好短语可理解为时序关联化行为偏好短语。
在另一种可能性的实施例中,基于数字虚拟空间交互数据集的各沉浸式用户活动信息簇,获得可反映数字虚拟空间交互数据集的用户行为倾向知识时,比如可针对相同数据规模的不同沉浸式用户活动信息簇,确定不同沉浸式用户活动信息簇之间的关联化行为偏好短语,再基于相同数据规模的不同沉浸式用户活动信息簇之间的关联化行为偏好短语获得数字虚拟空间交互数据集的用户行为倾向知识。或者针对每组数字虚拟空间交互数据,先获得沉浸式用户活动信息之间的关联化行为偏好短语,再基于沉浸式用户活动信息之间的关联化行为偏好短语获得数字虚拟空间交互数据集的用户行为倾向知识。
可以理解的是,鉴于沉浸式用户活动信息携带分布区域标签,则无论是相同数据规模的不同沉浸式用户活动信息簇之间的关联化行为偏好短语,还是一组数字虚拟空间交互数据内的多个沉浸式用户活动信息之间的关联化行为偏好短语,都携带相对分布标签,该关联化行为偏好短语可反映为交互场景层面的交互关联特征。在本申请的实施例中,若不少于两个数字虚拟空间交互数据集是对相同数字虚拟空间交互日志在时序层面上拆解获得,则利用各数字虚拟空间交互数据集的用户行为倾向知识获得的数字虚拟空间交互数据集之间的关联化行为偏好短语,可理解为混合关联化行为偏好短语(比如时序层面+场景层面的关联化行为偏好短语)。
进一步地,若本申请实施例中不少于两个数字虚拟空间交互数据集是相同虚拟环境的不同状态的数字虚拟空间交互数据集,则不少于两个数字虚拟空间交互数据集之间的关联化行为偏好短语可理解为场景关联化行为偏好。进一步地,如果首先获得相同数据规模的不同沉浸式用户活动信息簇之间的关联化行为偏好短语,或一组数字虚拟空间交互数据的多个沉浸式用户活动信息之间的关联化行为偏好短语,再基于该关联化行为偏好短语获得各数字虚拟空间交互数据集的关联化行为偏好短语,则该数字虚拟空间交互数据集的关联化行为偏好短语可理解为包括阶段化场景交互关联特征以及整体化场景交互关联特征的用户行为倾向知识。其中,阶段化场景交互关联特征关联沉浸式用户活动信息的分布区域标签(比如位置特征或者位置属性),整体化场景交互关联特征关联数字虚拟空间交互数据集的获取状态标签。
可以理解的是,数字虚拟空间交互数据集之间的关联化行为偏好短语用于反映数字虚拟空间交互数据集之间的活动联系描述,比如:可以包括对各数字虚拟空间交互数据集的用户行为倾向知识结合不同偏置指数进行整合处理后的用户行为倾向知识,通过偏置指数(权重)的配置反映不同数字虚拟空间交互数据集之间的活动联系描述。进一步地,数字虚拟空间交互数据集的关联化行为偏好短语还可以包括针对任意的数字虚拟空间交互数据集的用户行为倾向知识,整合其他数字虚拟空间交互数据集的部分用户行为倾向知识,可以理解为数字虚拟空间交互数据集之间的活动联系描述通过用户行为倾向知识整合来反映。
在本申请的实施例中,若有Q个数字虚拟空间交互数据集,数字虚拟空间交互数据集之间的关联化行为偏好短语用feature1表示,则feature1中包括Q个数字虚拟空间交互数据集所对应的用户行为倾向知识,只是各数字虚拟空间交互数据集对应的用户行为倾向知识均基于其他数字虚拟空间交互数据集的用户行为倾向知识进行了交互关联特征处理。
对于步骤14而言,元宇宙用户服务系统在获得各数字虚拟空间交互数据集之间的关联化行为偏好短语后,便可根据该关联化行为偏好短语,比如结合先验性的用户行为倾向知识挖掘思路或者已经完成调试的网络在不少于两个数字虚拟空间交互数据集中确定出携带用户兴趣项目的目标数字虚拟空间交互数据集。
在本申请的实施例中,鉴于部分用户兴趣项目对应于数字虚拟空间交互数据中一小部分数据内容,另一部分用户兴趣项目可能所对应的数据内容可能较多,如果生硬武断地将数字虚拟空间交互数据视作一类数据或者实施一种数据规模的数据内容拆解都难以精准挖掘和识别出各种用户兴趣项目,鉴于此,本申请实施例针对各数字虚拟空间交互数据集中的每组数字虚拟空间交互数据进行多数据规模的拆解,能提升用户兴趣项目识别中数据规模的抗干扰性。进一步地,本申请利用各数字虚拟空间交互数据集的沉浸式用户活动信息簇,确定数字虚拟空间交互数据集之间的关联化行为偏好短语,比如上述的通过偏置指数的划分获得时序和/或场景上的影响联系,使得元宇宙用户服务系统能在多维数据规模的基础上结合数字虚拟空间交互数据集之间的影响联系,提高用户兴趣项目的识别准确性和可靠性。
对于一种可独立性的技术方案而言,步骤13可以包括如下步骤13-a至步骤13-c所记录的内容。
步骤13-a、针对各所述数字虚拟空间交互数据集,基于相同数据规模下的各沉浸式用户活动信息簇,获得数据规模对应的第一用户行为倾向知识。
进一步地,所述第一用户行为倾向知识中包括相同数据规模的各沉浸式用户活动信息簇之间的交互关联特征。此外,第一用户行为倾向知识还可以理解为第一用户行为倾向特征。
步骤13-b、将相同所述数字虚拟空间交互数据集中各数据规模对应的所述第一用户行为倾向知识进行整理,获得各所述数字虚拟空间交互数据集的第二用户行为倾向知识。
步骤13-c、利用各所述数字虚拟空间交互数据集的所述第二用户行为倾向知识,确定各所述数字虚拟空间交互数据集之间的所述关联化行为偏好短语。
在步骤13-a中,在确定数据规模对应的沉浸式用户活动信息簇后,便可获得包括同数据规模的各沉浸式用户活动信息簇之间的交互关联特征的第一用户行为倾向知识。进一步地,鉴于沉浸式用户活动信息簇中的沉浸式用户活动信息绑定有分布区域标签,则各沉浸式用户活动信息簇也存在分布区域标签,因此获得的第一用户行为倾向知识是包括沉浸式用户活动信息簇之间的场景交互关联特征的用户行为倾向知识。
在步骤13-b中,将相同数字虚拟空间交互数据集中各数据规模对应的第一用户行为倾向知识进行整理,获得每一数字虚拟空间交互数据集的第二用户行为倾向知识,若有Q个数字虚拟空间交互数据集,第二用户行为倾向知识用feature2表示,则元宇宙用户服务系统获得Q组feature2。
在步骤13-c中,利用各数字虚拟空间交互数据集的第二用户行为倾向知识,确定各数字虚拟空间交互数据集之间的关联化行为偏好短语,由于第一用户行为倾向知识是包括沉浸式用户活动信息簇之间的场景关联化行为偏好,若不少于两个数字虚拟空间交互数据集是相同数字虚拟空间交互日志不同周期的数字虚拟空间交互数据集,则在该步骤获得的数字虚拟空间交互数据集之间的关联化行为偏好短语可以是混合关联化行为偏好短语。进一步地,结合上述相关内容,若不少于两个数字虚拟空间交互数据集是相同虚拟环境的不同状态的数字虚拟空间交互数据集,则数字虚拟空间交互数据集之间的关联化行为偏好短语也可以是包括阶段化场景交互关联特征以及整体化场景交互关联特征的用户行为倾向知识。
在本申请的实施例中,以数字虚拟空间交互数据集的全部组数字虚拟空间交互数据中相同分布区域的沉浸式用户活动信息形成的沉浸式用户活动信息簇作为操作模块(比如处理单元)来获得第一用户行为倾向知识,而不是仅仅注重于每一组数字虚拟空间交互数据的一个沉浸式用户活动信息,那么在基于第一用户行为倾向知识进一步获得数字虚拟空间交互数据集之间的关联化行为偏好短语时能够在一定程度上削弱处理量;且获得的各沉浸式用户活动信息簇之间的关联化行为偏好短语包括了多个维度下的的关联化行为偏好短语,因而能提高用户兴趣项目识别的准确性及可靠性。
对于一种可独立性的技术方案而言,步骤13-a中记录的所述基于相同数据规模下的各沉浸式用户活动信息簇,获得数据规模对应的第一用户行为倾向知识,可以包括步骤13-a1至步骤13-a3。
步骤13-a1、对相同数据规模下的各所述沉浸式用户活动信息簇执行行为倾向知识挖掘处理,获得所述沉浸式用户活动信息簇对应的用户行为倾向知识。
对于本申请实施例而言,用户行为倾向知识可以理解为对相同数据规模下的各沉浸式用户活动信息簇进行行为倾向特征提取后所得到的特征结果。
步骤13-a2、将相同数据规模的所述沉浸式用户活动信息簇的用户行为倾向知识进行组合,获得数据规模对应的第一联动用户行为倾向知识。
对于本申请实施例而言,第一联动用户行为倾向知识可以理解为将相同数据规模的沉浸式用户活动信息簇的用户行为倾向知识进行拼接后所得到拼接结果。
步骤13-a3、依据所述数据规模对应的第一联动用户行为倾向知识,利用主动型聚焦策略和窗口化滤波操作生成所述第一联动用户行为倾向知识所反映的相同数据规模的沉浸式用户活动信息簇之间的活动联系描述,获得所述数据规模对应的第一用户行为倾向知识。
对于本申请实施例而言,主动型聚焦策略比如可以是自注意力机制,而窗口化滤波操作比如可以是卷积处理。
在本申请实施例中,以沉浸式用户活动信息簇为整体获得沉浸式用户活动信息簇的用户行为倾向知识,然后将相同数据规模的沉浸式用户活动信息簇的用户行为倾向知识进行组合,获得数据规模对应的第一联动用户行为倾向知识。
进一步地,在将相同数据规模的沉浸式用户活动信息簇的用户行为倾向知识进行组合时,可将沉浸式用户活动信息簇视作一类数据进行组合。
对于一种可独立性的技术方案而言,步骤13-a1中记录的对相同数据规模下的各所述沉浸式用户活动信息簇执行行为倾向知识挖掘处理,获得所述沉浸式用户活动信息簇对应的用户行为倾向知识,可以包括步骤13-a11。
步骤13-a11、对相同数据规模下的各所述沉浸式用户活动信息簇执行行为倾向知识挖掘处理,获得所述沉浸式用户活动信息簇对应的包括所述沉浸式用户活动信息簇中各沉浸式用户活动信息之间的先后关系描述的用户行为倾向知识。
结合上述相关内容,数字虚拟空间交互数据集中的各数字虚拟空间交互数据在时序上是邻近的,换言之,数字虚拟空间交互数据集内数字虚拟空间交互数据之间有先后关系描述(可以理解为存在时序上的先后关系),因此数字虚拟空间交互数据簇中的各沉浸式用户活动信息之间也有先后关系描述。在本申请实施例中,在对沉浸式用户活动信息簇执行行为倾向知识挖掘处理时,可获得包括沉浸式用户活动信息簇中各沉浸式用户活动信息之间的先后关系描述的用户行为倾向知识。
举例而言,本申请可利用设定设定挖掘模块对相同数据规模下的各沉浸式用户活动信息簇执行行为倾向知识挖掘处理,以获得包括沉浸式用户活动信息簇中各沉浸式用户活动信息之间的先后关系描述在内的用户行为倾向知识。可以理解的是,鉴于设定挖掘模块的网络架构相对较复杂,且使用的是三维动态节点单元,而沉浸式用户活动信息簇又是涵盖了先后关系描述,因此结合三维动态节点单元能够将沉浸式用户活动信息簇的先后关系描述囊括进来,使得用户行为倾向知识挖掘更全面。
在本申请实施例中,在获得数据规模对应的第一联动用户行为倾向知识后,便可生成第一联动用户行为倾向知识所反映的相同数据规模的沉浸式用户活动信息簇之间的活动联系描述,从而获得数据规模对应的第一用户行为倾向知识。
可以理解的是,本申请通过主动型聚焦策略以及窗口化滤波操作生成第一联动用户行为倾向知识所反映的相同数据规模的沉浸式用户活动信息簇之间的活动联系描述,基于AI技术,能使得获得的第一用户行为倾向知识具有较好的特征识别性能,比如:有针对性地关注相同数据规模的各沉浸式用户活动信息簇中热点的部分(便能够具有兴趣特征的部分),从而能够显著提高用户兴趣项目的识别质量。
对于一种可独立性的技术方案而言,步骤13-a3中依据所述数据规模对应的第一联动用户行为倾向知识,利用主动型聚焦策略和窗口化滤波操作生成所述第一联动用户行为倾向知识所反映的相同数据规模的沉浸式用户活动信息簇之间的活动联系描述,获得所述数据规模对应的第一用户行为倾向知识,可以包括步骤13-a31至步骤13-a34。
步骤13-a31、依据所述主动型聚焦策略以及所述第一联动用户行为倾向知识,确定偏置指数关系网。
进一步地,所述偏置指数关系网中包括:反映相同数据规模的各所述沉浸式用户活动信息簇具有兴趣特征的可能性的量化评分(比如权重值)。
步骤13-a32、依据所述偏置指数关系网以及所述第一联动用户行为倾向知识,获得完成调整的用户行为倾向知识。
步骤13-a33、对所述第一联动用户行为倾向知识进行窗口化滤波操作,获得完成窗口化滤波操作的用户行为倾向知识。
步骤13-a34、依据所述完成调整的用户行为倾向知识、完成窗口化滤波操作的用户行为倾向知识以及所述第一联动用户行为倾向知识,获得所述第一用户行为倾向知识。
在本申请实施例中,首先基于主动型聚焦策略确定偏置指数关系网,偏置指数关系网中的量化评分反映的是相同数据规模的各沉浸式用户活动信息簇具有兴趣特征的可能性,如果量化评分越高,则表明该沉浸式用户活动信息簇具有兴趣特征的可能性越高。
在本申请实施例中,还可以对第一联动用户行为倾向知识进行窗口化滤波操作,比如采用非膨胀滑动处理或膨胀滑动处理的思路对第一联动用户行为倾向知识进行处理。在对第一联动用户行为倾向知识进行窗口化滤波操作时,因第一联动用户行为倾向知识中包括了相同数据规模的各沉浸式用户活动信息簇的用户行为倾向知识,由此也可通过动态节点单元的窗口化滤波操作,关联多个沉浸式用户活动信息簇的用户行为倾向知识。其中,膨胀滑动处理的相关技术可以结合空洞卷积实现。
对于一种可独立性的技术方案而言,步骤13-a33中对所述第一联动用户行为倾向知识进行窗口化滤波操作,获得完成窗口化滤波操作的用户行为倾向知识,可以包括如下步骤13-a331和步骤13-a332。
步骤13-a331、利用不少于两个膨胀型动态节点单元分别对所述第一联动用户行为倾向知识进行滑动平均处理,获得各所述膨胀型动态节点单元对应的滑动平均处理知识。
其中,不少于两个所述膨胀型动态节点单元的膨胀系数存在差异。此外,膨胀型动态节点单元可以理解为空洞卷积核。
步骤13-a332、将各所述膨胀型动态节点单元对应的滑动平均处理知识进行组合,获得所述完成窗口化滤波操作的用户行为倾向知识。
在本申请实施例中,结合膨胀滑动处理的思路对第一联动用户行为倾向知识进行处理,比如,不少于两个膨胀型动态节点单元包括三个,每个膨胀型动态节点单元都为单一动态节点单元,膨胀系数(可以理解为空洞率/膨胀率)分别为1、2和4。若第一联动用户行为倾向知识的维度是abc,则利用三个膨胀型动态节点单元进行处理后的,每个膨胀型动态节点单元对应的滑动平均处理知识的维度可以是abc/4,将各膨胀型动态节点单元对应的滑动平均处理知识进行组合后获得的完成窗口化滤波操作的用户行为倾向知识为ab3c/4。
本申请实施例并不限定于以上3个单一膨胀型动态节点单元,因最后完成调整的用户行为倾向知识、完成窗口化滤波操作的用户行为倾向知识以及第一联动用户行为倾向知识需协作形成第一用户行为倾向知识,由此可以根据实际需求配置膨胀型动态节点单元的数目、数据规模以及对应的膨胀系数。
可以理解的是,由于膨胀滑动处理能提高窗口覆盖范围,且多个带有不同膨胀系数的膨胀型动态节点单元累积时,不同的窗口覆盖范围带来多数据规模信息,因而经过多个膨胀型动态节点单元进行滑动平均处理,并将滑动平均处理知识进行组合后获得的完成膨胀窗口化滤波操作的用户行为倾向知识使得第一联动用户行为倾向知识获得优化。
对于一种可独立性的技术方案而言,步骤13-a31中依据所述主动型聚焦策略以及所述第一联动用户行为倾向知识,确定偏置指数关系网,可以包括如下步骤13-a311至步骤13-a314。
步骤13-a311、对所述第一联动用户行为倾向知识进行知识抽样操作,获得完成知识抽样的第一联动用户行为倾向知识。
对于本申请实施例而言,对第一联动用户行为倾向知识进行知识抽样操作可以理解为对第一联动用户行为倾向知识进行降维处理。
步骤13-a312、针对所述完成知识抽样的第一联动用户行为倾向知识,通过设定动态节点单元Convolution unit1进行滑动平均处理,获得第一滑动平均处理知识。
步骤13-a313、针对所述完成知识抽样的第一联动用户行为倾向知识,通过设定动态节点单元Convolution unit2进行滑动平均处理,获得第二滑动平均处理知识。
步骤13-a314、确定所述第一滑动平均处理知识和所述第二滑动平均处理知识的数组运算结果,并结合所述主动型聚焦策略,确定所述偏置指数关系网。
在本申请的实施例中,首先对第一联动用户行为倾向知识进行知识抽样操作,以降低之后的数据处理量。举例而言,可以通过单一滤波算法进行知识抽样操作。进一步地,设定动态节点单元可以是卷积核或者卷积单元,Convolution unitX用于区分不同的卷积核或者卷积单元。
本申请实施例中,主动型聚焦策略基于识别相同数据规模中任一沉浸式用户活动信息簇与其他沉浸式用户活动信息簇之间的离散评价(比如可以是协方差),将每个沉浸式用户活动信息簇视为动态参数(比如随机变量),获得的偏置指数关系网中的指数值(比如权值)是每个沉浸式用户活动信息簇与全部沉浸式用户活动信息簇的相关。
在本申请实施例中,设定动态节点单元Convolution unit1和设定动态节点单元Convolution unit2可以都为单一动态节点单元,利用设定动态节点单元Convolutionunit1和设定动态节点单元Convolution unit2对完成知识抽样的第一联动用户行为倾向知识进行滑动平均处理,获得的第一滑动平均处理知识和第二滑动平均处理知识,可均为单一数组。第一滑动平均处理知识和第二滑动平均处理知识的转置的点积,经由主动型聚焦策略的去量纲处理算法获得的聚焦分布信息可以理解为偏置指数关系网,该偏置指数关系网可以是离散评价关系网。
对于一种可独立性的技术方案而言,步骤13-a32中依据所述偏置指数关系网以及所述第一联动用户行为倾向知识,获得完成调整的用户行为倾向知识,可以包括如下步骤13-a321至步骤13-a323。
步骤13-a321、利用设定动态节点单元Convolution unit3对所述完成知识抽样的第一联动用户行为倾向知识进行滑动平均处理,获得第三滑动平均处理知识。
步骤13-a322、将所述偏置指数关系网和所述第三滑动平均处理知识进行设定运算,获得目标关系网。
步骤13-a323、将所述目标关系网和设定动态节点单元Convolution unit4进行完成窗口化滤波操作的结果,与所述完成知识抽样的第一联动用户行为倾向知识的全局整合结果,确定为所述完成调整的用户行为倾向知识。
在本申请实施例中,设定动态节点单元Convolution unit3和设定动态节点单元Convolution unit4也可以是单一动态节点单元,利用设定动态节点单元Convolutionunit3对完成知识抽样的第一联动用户行为倾向知识进行完成窗口化滤波操作的第三滑动平均处理知识与偏置指数关系网进行设定运算,获得的目标关系网中的每一项都是完成知识抽样的第一联动用户行为倾向知识中沉浸式用户活动信息簇的整合结果,权重是完成知识抽样的第一联动用户行为倾向知识中所包括的相同数据规模的各沉浸式用户活动信息簇之间的离散评价。进一步地,关系网可以理解为特征矩阵。
本申请的实施例中,将目标关系网与设定动态节点单元Convolution unit4进行完成窗口化滤波操作的结果,与完成知识抽样的第一联动用户行为倾向知识进行整合,换言之,进行处理,获得的完成调整的用户行为倾向知识对各沉浸式用户活动信息簇的内容输出性能更佳。
对于一种可独立性的技术方案而言,步骤13-a34中依据所述完成调整的用户行为倾向知识、完成窗口化滤波操作的用户行为倾向知识以及所述第一联动用户行为倾向知识,获得所述第一用户行为倾向知识,可以包括如下内容:将所述完成调整的用户行为倾向知识与所述完成窗口化滤波操作的用户行为倾向知识组合后,与所述第一联动用户行为倾向知识进行整合,获得所述第一用户行为倾向知识。
对于一种可独立性的技术方案而言,所述将相同所述数字虚拟空间交互数据集中各数据规模对应的所述第一用户行为倾向知识进行整理,获得各所述数字虚拟空间交互数据集的第二用户行为倾向知识,可以包括步骤13-b1至步骤13-b3。
步骤13-b1、将相同数据规模的所述第一用户行为倾向知识,按各所述沉浸式用户活动信息簇的相对分布特征进行更新,获得数据规模对应的已更新用户行为倾向知识。
步骤13-b2、将所述数据规模对应的已更新用户行为倾向知识利用设定动态节点单元Convolution unit5进行滑动平均处理后,经知识处理单元变更成单一用户行为倾向知识数组。
步骤13-b3、将各数据规模的所述单一用户行为倾向知识数组进行整合,获得各所述数字虚拟空间交互数据集的第二用户行为倾向知识。
在本申请实施例中,由于数据规模对应的第一用户行为倾向知识可以是基于将同数据规模的沉浸式用户活动信息簇进行组合后获得,且数据规模对应的第一用户行为倾向知识与第一联动用户行为倾向知识的维度一致,可以将第一用户行为倾向知识可以理解为同数据规模的沉浸式用户活动信息簇的关联化行为偏好短语组合后的结果。由于沉浸式用户活动信息簇中所包括的沉浸式用户活动信息是带有分布区域标签的,鉴于此,本申请实施例可以根据各沉浸式用户活动信息簇中沉浸式用户活动信息的相对分布特征进行更新,获得数据规模对应的已更新用户行为倾向知识,可以理解的是,该已更新用户行为倾向知识是一个三维数组。
在基于沉浸式用户活动信息簇中沉浸式用户活动信息的相对分布特征更新获得已更新用户行为倾向知识后,通过设定动态节点单元Convolution unit5和知识处理单元将该已更新用户行为倾向知识转化成单一用户行为倾向知识数组,其中,设定动态节点单元Convolution unit5可为2维动态节点单元,用于对已更新用户行为倾向知识进行用户行为倾向知识抽样的窗口化滤波操作,经由二维完成窗口化滤波操作的用户行为倾向知识经由知识处理单元后变换后的单一用户行为倾向知识数组可用VEC表示。可以理解的是,该单一用户行为倾向知识数组可以理解为反映同数据规模的沉浸式用户活动信息簇的用户行为倾向知识。
由于数字虚拟空间交互数据集的第二用户行为倾向知识是通过各数据规模的单一用户行为倾向知识数组进行进行整合后获得的,可以理解的是,该数字虚拟空间交互数据集的第二用户行为倾向知识是整合了多数据规模的用户行为倾向知识。
可以理解的是,本申请通过将全部数据规模的沉浸式用户活动信息簇的用户行为倾向知识进行组合,使得元宇宙用户服务系统能对数字虚拟空间交互数据集中的数字虚拟空间交互数据有一个从碎片化到全局的表现,因而能提高对不同数据规模的用户兴趣项目的抗干扰性。
对于一种可独立性的技术方案而言,步骤13-c中利用各所述数字虚拟空间交互数据集的所述第二用户行为倾向知识,确定各所述数字虚拟空间交互数据集之间的所述关联化行为偏好短语,可以包括步骤13-c1和步骤13-c2。
步骤13-c1、将各所述数字虚拟空间交互数据集的所述第二用户行为倾向知识进行组合,获得第二联动用户行为倾向知识。
步骤13-c2、依据所述第二联动用户行为倾向知识,生成所述第二联动用户行为倾向知识所反映的不同数字虚拟空间交互数据集之间的活动联系描述,确定各所述数字虚拟空间交互数据集之间的所述关联化行为偏好短语。
在本申请的实施例中,可基于相同数据规模的沉浸式用户活动信息簇之间关联化行为偏好短语的获取思路,换言之,数据规模对应的第一用户行为倾向知识的获取思路,确定各数字虚拟空间交互数据集之间的关联化行为偏好短语。
在本申请实施例中,可将各数字虚拟空间交互数据集的第二用户行为倾向知识进行组合,获得第二联动用户行为倾向知识,然后基于主动型聚焦策略以及第二联动用户行为倾向知识,确定数字虚拟空间交互数据集的偏置指数关系网,数字虚拟空间交互数据集的偏置指数关系网中可以包括:反映各数字虚拟空间交互数据集具有兴趣特征的可能性的量化评分。其次,基于数字虚拟空间交互数据集的偏置指数关系网以及第二联动用户行为倾向知识,获得全部数字虚拟空间交互数据集对应的完成调整的用户行为倾向知识。其中,在基于主动型聚焦策略进行处理时,可以首先对第二联动用户行为倾向知识进行知识抽样操作,比如:利用单一滤波进行知识抽样操作。进一步地,还对第二联动用户行为倾向知识进行窗口化滤波操作,获得全部数字虚拟空间交互数据集对应的完成窗口化滤波操作的用户行为倾向知识,并进一步将全部数字虚拟空间交互数据集对应的完成调整的用户行为倾向知识、全部数字虚拟空间交互数据集对应的完成窗口化滤波操作的用户行为倾向知识以及第二联动用户行为倾向知识,确定各数字虚拟空间交互数据集之间的关联化行为偏好短语。
对于一种可独立性的技术方案而言,步骤14可以包括如下步骤14-a至步骤14-b。
步骤14-a、基于设定用户兴趣挖掘网络对各所述数字虚拟空间交互数据集之间的关联化行为偏好短语进行识别,获得各所述数字虚拟空间交互数据集的兴趣识别信息。
其中,所述设定用户兴趣挖掘网络为结合迁移学习调试规则调试所得的网络。
步骤14-b、结合各所述数字虚拟空间交互数据集的兴趣识别信息,确定携带所述用户兴趣项目的所述目标数字虚拟空间交互数据集。
在本申请实施例中,可结合各数字虚拟空间交互数据集之间的关联化行为偏好短语,结合先验性的用户行为倾向知识识别思路或已经完成调试的网络在不少于两个数字虚拟空间交互数据集中确定出携带用户兴趣项目的目标数字虚拟空间交互数据集。在本申请实施例中,采用的是事先完成调试的通过迁移学习调试规则获得的用户兴趣挖掘网络。
进一步地,在进行迁移学习调试时,需生成网络代价指标,网络代价指标用于评估网络的评估指数与实际指数之间的不一致程度,一般而言,网络代价指标值越低,网络的性能越高。在调试时,可通过对网络代价指标的限制来更新网络的变量,以调试出更加完整的网络。
在本申请的实施例中,对已认证调试范例基于上述内容获得已认证调试范例的用户行为倾向知识,然后基于获得的已认证调试范例的用户行为倾向知识和先验标识生成网络代价指标,持续优化网络的变量,以获得识别性能更加完整的网络。本申请实施例中的用户兴趣挖掘网络可以是CNN模型或者其他类型的神经网络模型,模型结构依实际情况灵活调整。
对于一种可独立性的技术方案而言,所述方法还可以包括步骤15-步骤17所记录的技术方案。
步骤15、对已认证调试范例中的积极型调试范例和消极型调试范例,分别挑选倾向知识变化指数满足设定条件的X个已认证数字虚拟空间交互数据集进行目标倾向知识变化指数的确定;其中,所述X为正整数。
步骤16、结合所述积极型调试范例对应的目标倾向知识变化指数,以及所述消极型调试范例对应的目标倾向知识变化指数,生成网络代价指标。
对于本申请实施例而言,目标倾向知识变化指数可以理解为平均特征梯度。网络代价指标可以理解为损失函数。
步骤17、依据所述网络代价指标调试获得所述设定用户兴趣挖掘网络。
在本申请实施例中,已认证调试范例中包括积极型调试范例和消极型调试范例,其中,积极型调试范例是指调试范例所包括的数字虚拟空间交互数据集中不携带用户兴趣项目的调试范例,消极型调试范例是指调试范例所包含的数字虚拟空间交互数据集中携带用户兴趣项目的调试范例。一个调试范例可以是一个数字虚拟空间交互日志,数字虚拟空间交互日志又被拆解为不同的数字虚拟空间交互数据集,一个数字虚拟空间交互日志对应一个注释,但数字虚拟空间交互数据集没有注释。
本申请实施例中,对积极型调试范例和消极型调试范例,分别挑选倾向知识变化指数满足设定条件的X个已认证数字虚拟空间交互数据集进行目标倾向知识变化指数的确定,再基于积极型调试范例对应的目标倾向知识变化指数,以及消极型调试范例对应的目标倾向知识变化指数,生成网络代价指标。
本申请可基于以上步骤生成网络代价指标从而设定用户兴趣挖掘网络。将各数字虚拟空间交互数据集之间的关联化行为偏好短语feature1加载至设定用户兴趣挖掘网络后,便可获得各数字虚拟空间交互数据集的兴趣识别信息,比如:该兴趣识别信息是识别评分,本申请将各识别评分和设定评分值进行对比,比如:将识别评分高于设定评分值的数字虚拟空间交互数据集确定为携带用户兴趣项目的目标数字虚拟空间交互数据集。
可以理解的是,本申请利用基于迁移学习调试规则获得的用户兴趣项目识别网络对数字虚拟空间交互数据集的关联化行为偏好短语进行处理以确定携带用户兴趣项目的目标数字虚拟空间交互数据集的思路,相较于现有思路,设定用户兴趣项目识别网络的适应性要更好;进一步地,相对于通过无标签方法调试所得的网络,由于少标签调试方式有调试标签的参考,因此对用户兴趣项目识别的精度更加全面。
对于一种可独立性的技术方案而言,步骤11可以包括如下步骤11-a至步骤11-c。
步骤11-a、获取待进行用户兴趣分析的数字虚拟空间交互日志。
步骤11-b、确定所述待进行用户兴趣分析的数字虚拟空间交互日志中连续的数字虚拟空间交互数据之间的量化比较指数。
步骤11-c、将所述量化比较指数大于设定比较指数的所述连续的数字虚拟空间交互数据中,顺序在先的数字虚拟空间交互数据确定为一个所述数字虚拟空间交互数据集的数字虚拟空间交互数据last data,顺序在后的数字虚拟空间交互数据确定为与一个所述数字虚拟空间交互数据集具有邻居关系的数字虚拟空间交互数据集的数字虚拟空间交互数据first data。
在本申请实施例中,不少于两个数字虚拟空间交互数据集来自于相同数字虚拟空间交互日志,可以理解为待进行用户兴趣分析的数字虚拟空间交互日志。在基于待进行用户兴趣分析的数字虚拟空间交互日志拆解数字虚拟空间交互数据集时,本申请结合分类的思路,识别待进行用户兴趣分析的数字虚拟空间交互日志中连续的数字虚拟空间交互数据之间的量化比较指数(也可以说成差异值),将数字虚拟空间交互数据中交互数据类似的部分数字虚拟空间交互数据作为一个数字虚拟空间交互数据集,如此,能够使得各数字虚拟空间交互数据集之间的交互数据不出现雷同,进而能够提高不同数字虚拟空间交互数据集之间的量化比较程度,因而能够提高用户兴趣项目的识别准确性和可靠性。
进一步地,本申请实施例在确定待进行用户兴趣分析的数字虚拟空间交互日志中连续的数字虚拟空间交互数据之间的量化比较指数时,比如:可以是将存在关联的两组数字虚拟空间交互数据进行比较,进而确定出该量化比较指数。进一步地,本申请实施例中元宇宙用户服务系统获取不少于两个数字虚拟空间交互数据集的思路也并不限定于该实施例的思路,还可以是比如基于时序将数字虚拟空间交互日志拆解为同等时段的数字虚拟空间交互数据集等,本申请实施例在此处不作过多描述。
在一些可独立的设计思路下,在所述不少于两个数字虚拟空间交互数据集中确定出携带用户兴趣项目的目标数字虚拟空间交互数据集之后,该方法还可以包括如下内容:对所述目标数字虚拟空间交互数据集进行互动需求挖掘,得到针对所述用户兴趣项目的互动需求挖掘信息;通过所述互动需求挖掘信息进行大数据推送。
在本申请实施例中,可以利用大数据挖掘模型(比如RNN模型)对目标数字虚拟空间交互数据集进行互动需求挖掘,并聚焦用户兴趣项目对应的互动需求进行深度剖析,从而得到精度和时效性较高的互动需求挖掘信息,这样可以结合互动需求挖掘信息进行大数据推送处理,提高元宇宙服务交互的智能化程度。
在一些可独立的设计思路下,对所述目标数字虚拟空间交互数据集进行互动需求挖掘,得到针对所述用户兴趣项目的互动需求挖掘信息,可以包括如下内容:基于所述目标数字虚拟空间交互数据集获取所述用户兴趣项目对应的待挖掘用户活动报告,并从预设关系型数据库中调取参考用户活动报告;对所述待挖掘用户活动报告进行需求字段识别,得到所述待挖掘用户活动报告的第一需求短语集,并对所述参考用户活动报告进行需求字段识别,得到与所述参考用户活动报告对应的第二需求短语集;将所述第一需求短语集、以及所述第二需求短语集进行短语随机匹配处理,得到混合用户活动报告;基于所述混合用户活动报告,得到所述待挖掘用户活动报告的互动需求挖掘结果。如此设计,基于参考用户活动报告对待挖掘用户活动报告进行主动干扰处理,能够减少对连续的需求短语的惯性挖掘误差,从而提高互动需求挖掘结果的可信度和精度。
在一些可独立的设计思路下,所述对所述待挖掘用户活动报告进行需求字段识别,得到所述待挖掘用户活动报告的第一需求短语集,包括:对所述待挖掘用户活动报告进行多组需求字段识别,获取与每组需求字段识别对应的第一需求短语集;所述对所述参考用户活动报告进行需求字段识别,得到与所述参考用户活动报告对应的第二需求短语集,包括:对所述参考用户活动报告进行多组需求字段识别,获取与每个所述第一需求短语集对应的第二需求短语集;所述将所述第一需求短语集、以及所述第二需求短语集进行短语随机匹配处理,得到混合用户活动报告,包括:针对每个第一需求短语集,对所述每个第一需求短语集、以及与所述每个第一需求短语集对应的第二需求短语集进行短语随机匹配处理,得到所述每个第一需求短语集对应的混合用户活动报告。如此设计,通过进行多组识别,能够提高需求短语集的完整性。
图3是示出可以实现本申请的实施例的基于沉浸式元宇宙服务的用户兴趣分析方法的应用环境的架构示意图,基于沉浸式元宇宙服务的用户兴趣分析方法的应用环境中可以包括互相通信的元宇宙用户服务系统100和元宇宙交互设备200。基于此,元宇宙用户服务系统100和元宇宙交互设备200在运行时实现或者部分实现本申请实施例的基于沉浸式元宇宙服务的用户兴趣分析方法。
以上所述,仅为本申请的较佳实施例而已,并非用于限定本申请的保护范围。
Claims (10)
1.一种基于沉浸式元宇宙服务的用户兴趣分析方法,其特征在于,应用于元宇宙用户服务系统,所述方法包括:
基于接收到的兴趣分析请求,获取不少于两个数字虚拟空间交互数据集;其中,各所述数字虚拟空间交互数据集中包括不少于一组数字虚拟空间交互数据;
对各所述数字虚拟空间交互数据集进行两种或多于两种数据规模的拆解,获得相同数据规模下全部数字虚拟空间交互数据中相同分布区域的沉浸式用户活动信息形成的沉浸式用户活动信息簇;
利用各所述数字虚拟空间交互数据集的沉浸式用户活动信息簇,确定各所述数字虚拟空间交互数据集之间的关联化行为偏好短语;
结合各所述数字虚拟空间交互数据集之间的关联化行为偏好短语,在所述不少于两个数字虚拟空间交互数据集中确定出携带用户兴趣项目的目标数字虚拟空间交互数据集。
2.根据权利要求1所述的方法,其特征在于,所述利用各所述数字虚拟空间交互数据集的沉浸式用户活动信息簇,确定各所述数字虚拟空间交互数据集之间的关联化行为偏好短语,包括:
针对各所述数字虚拟空间交互数据集,基于相同数据规模下的各沉浸式用户活动信息簇,获得数据规模对应的第一用户行为倾向知识;
其中,所述第一用户行为倾向知识中包括相同数据规模的各沉浸式用户活动信息簇之间的交互关联特征;
将相同所述数字虚拟空间交互数据集中各数据规模对应的所述第一用户行为倾向知识进行整理,获得各所述数字虚拟空间交互数据集的第二用户行为倾向知识;
利用各所述数字虚拟空间交互数据集的所述第二用户行为倾向知识,确定各所述数字虚拟空间交互数据集之间的所述关联化行为偏好短语。
3.根据权利要求2所述的方法,其特征在于,所述基于相同数据规模下的各沉浸式用户活动信息簇,获得数据规模对应的第一用户行为倾向知识,包括:
对相同数据规模下的各所述沉浸式用户活动信息簇执行行为倾向知识挖掘处理,获得所述沉浸式用户活动信息簇对应的用户行为倾向知识;
将相同数据规模的所述沉浸式用户活动信息簇的用户行为倾向知识进行组合,获得数据规模对应的第一联动用户行为倾向知识;
依据所述数据规模对应的第一联动用户行为倾向知识,利用主动型聚焦策略和窗口化滤波操作生成所述第一联动用户行为倾向知识所反映的相同数据规模的沉浸式用户活动信息簇之间的活动联系描述,获得所述数据规模对应的第一用户行为倾向知识。
4.根据权利要求3所述的方法,其特征在于,所述依据所述数据规模对应的第一联动用户行为倾向知识,利用主动型聚焦策略和窗口化滤波操作生成所述第一联动用户行为倾向知识所反映的相同数据规模的沉浸式用户活动信息簇之间的活动联系描述,获得所述数据规模对应的第一用户行为倾向知识,包括:依据所述主动型聚焦策略以及所述第一联动用户行为倾向知识,确定偏置指数关系网;其中,所述偏置指数关系网中包括:反映相同数据规模的各所述沉浸式用户活动信息簇具有兴趣特征的可能性的量化评分;依据所述偏置指数关系网以及所述第一联动用户行为倾向知识,获得完成调整的用户行为倾向知识;对所述第一联动用户行为倾向知识进行窗口化滤波操作,获得完成窗口化滤波操作的用户行为倾向知识;依据所述完成调整的用户行为倾向知识、完成窗口化滤波操作的用户行为倾向知识以及所述第一联动用户行为倾向知识,获得所述第一用户行为倾向知识;
其中,所述依据所述主动型聚焦策略以及所述第一联动用户行为倾向知识,确定偏置指数关系网,包括:对所述第一联动用户行为倾向知识进行知识抽样操作,获得完成知识抽样的第一联动用户行为倾向知识;针对所述完成知识抽样的第一联动用户行为倾向知识,通过设定动态节点单元Convolution unit1进行滑动平均处理,获得第一滑动平均处理知识;针对所述完成知识抽样的第一联动用户行为倾向知识,通过设定动态节点单元Convolution unit2进行滑动平均处理,获得第二滑动平均处理知识;确定所述第一滑动平均处理知识和所述第二滑动平均处理知识的数组运算结果,并结合所述主动型聚焦策略,确定所述偏置指数关系网;
其中,所述依据所述偏置指数关系网以及所述第一联动用户行为倾向知识,获得完成调整的用户行为倾向知识,包括:利用设定动态节点单元Convolution unit3对所述完成知识抽样的第一联动用户行为倾向知识进行滑动平均处理,获得第三滑动平均处理知识;将所述偏置指数关系网和所述第三滑动平均处理知识进行设定运算,获得目标关系网;将所述目标关系网和设定动态节点单元Convolution unit4进行完成窗口化滤波操作的结果,与所述完成知识抽样的第一联动用户行为倾向知识的全局整合结果,确定为所述完成调整的用户行为倾向知识。
5.根据权利要求4所述的方法,其特征在于,所述对所述第一联动用户行为倾向知识进行滑动平均处理,获得完成窗口化滤波操作的用户行为倾向知识,包括:利用不少于两个膨胀型动态节点单元分别对所述第一联动用户行为倾向知识进行滑动平均处理,获得各所述膨胀型动态节点单元对应的滑动平均处理知识;其中,不少于两个所述膨胀型动态节点单元的膨胀系数存在差异;将各所述膨胀型动态节点单元对应的滑动平均处理知识进行组合,获得所述完成窗口化滤波操作的用户行为倾向知识;
其中,所述依据所述完成调整的用户行为倾向知识、完成窗口化滤波操作的用户行为倾向知识以及所述第一联动用户行为倾向知识,获得所述第一用户行为倾向知识,包括:将所述完成调整的用户行为倾向知识与所述完成窗口化滤波操作的用户行为倾向知识组合后,与所述第一联动用户行为倾向知识进行整合,获得所述第一用户行为倾向知识。
6.根据权利要求3所述的方法,其特征在于,所述对相同数据规模下的各所述沉浸式用户活动信息簇执行行为倾向知识挖掘处理,获得所述沉浸式用户活动信息簇对应的用户行为倾向知识,包括:对相同数据规模下的各所述沉浸式用户活动信息簇执行行为倾向知识挖掘处理,获得所述沉浸式用户活动信息簇对应的包括所述沉浸式用户活动信息簇中各沉浸式用户活动信息之间的先后关系描述的用户行为倾向知识。
7.根据权利要求2所述的方法,其特征在于,所述将相同所述数字虚拟空间交互数据集中各数据规模对应的所述第一用户行为倾向知识进行整理,获得各所述数字虚拟空间交互数据集的第二用户行为倾向知识,包括:将相同数据规模的所述第一用户行为倾向知识,按各所述沉浸式用户活动信息簇的相对分布特征进行更新,获得数据规模对应的已更新用户行为倾向知识;
将所述数据规模对应的已更新用户行为倾向知识利用设定动态节点单元Convolutionunit5进行滑动平均处理后,经知识处理单元变更成单一用户行为倾向知识数组;
将各数据规模的所述单一用户行为倾向知识数组进行整合,获得各所述数字虚拟空间交互数据集的第二用户行为倾向知识。
8.根据权利要求2所述的方法,其特征在于,所述利用各所述数字虚拟空间交互数据集的所述第二用户行为倾向知识,确定各所述数字虚拟空间交互数据集之间的所述关联化行为偏好短语,包括:将各所述数字虚拟空间交互数据集的所述第二用户行为倾向知识进行组合,获得第二联动用户行为倾向知识;依据所述第二联动用户行为倾向知识,基于主动型聚焦策略以及膨胀滑动处理生成所述第二联动用户行为倾向知识所反映的不同数字虚拟空间交互数据集之间的活动联系描述,确定各所述数字虚拟空间交互数据集之间的所述关联化行为偏好短语;
其中,所述结合各所述数字虚拟空间交互数据集之间的关联化行为偏好短语,在所述不少于两个数字虚拟空间交互数据集中确定出携带用户兴趣项目的目标数字虚拟空间交互数据集,包括:基于设定用户兴趣挖掘网络对各所述数字虚拟空间交互数据集之间的关联化行为偏好短语进行识别,获得各所述数字虚拟空间交互数据集的兴趣识别信息;其中,所述设定用户兴趣挖掘网络为结合迁移学习调试规则调试所得的网络;结合各所述数字虚拟空间交互数据集的兴趣识别信息,确定携带所述用户兴趣项目的所述目标数字虚拟空间交互数据集;
其中,所述方法还包括:对已认证调试范例中的积极型调试范例和消极型调试范例,分别挑选倾向知识变化指数满足设定条件的X个已认证数字虚拟空间交互数据集进行目标倾向知识变化指数的确定;其中,所述X为正整数;结合所述积极型调试范例对应的目标倾向知识变化指数,以及所述消极型调试范例对应的目标倾向知识变化指数,生成网络代价指标;依据所述网络代价指标调试获得所述设定用户兴趣挖掘网络。
9.根据权利要求1所述的方法,其特征在于,所述获取不少于两个数字虚拟空间交互数据集,包括:
获取待进行用户兴趣分析的数字虚拟空间交互日志;确定所述待进行用户兴趣分析的数字虚拟空间交互日志中连续的数字虚拟空间交互数据之间的量化比较指数;
将所述量化比较指数大于设定比较指数的所述连续的数字虚拟空间交互数据中,顺序在先的数字虚拟空间交互数据确定为一个所述数字虚拟空间交互数据集的数字虚拟空间交互数据last data,顺序在后的数字虚拟空间交互数据确定为与一个所述数字虚拟空间交互数据集具有邻居关系的数字虚拟空间交互数据集的数字虚拟空间交互数据firstdata。
10.一种元宇宙用户服务系统,其特征在于,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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211140717.7A CN115618949A (zh) | 2022-09-20 | 2022-09-20 | 基于沉浸式元宇宙服务的用户兴趣分析方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211140717.7A CN115618949A (zh) | 2022-09-20 | 2022-09-20 | 基于沉浸式元宇宙服务的用户兴趣分析方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115618949A true CN115618949A (zh) | 2023-01-17 |
Family
ID=84858407
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211140717.7A Withdrawn CN115618949A (zh) | 2022-09-20 | 2022-09-20 | 基于沉浸式元宇宙服务的用户兴趣分析方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115618949A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116595256A (zh) * | 2023-05-22 | 2023-08-15 | 毕加展览有限公司 | 一种数字化展览的数据筛选与沉浸式交互的方法与系统 |
CN117131855A (zh) * | 2023-09-19 | 2023-11-28 | 中科(天津)智能科技有限公司 | 基于智能数字孪生的元宇宙空间活动数据分析方法及系统 |
-
2022
- 2022-09-20 CN CN202211140717.7A patent/CN115618949A/zh not_active Withdrawn
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116595256A (zh) * | 2023-05-22 | 2023-08-15 | 毕加展览有限公司 | 一种数字化展览的数据筛选与沉浸式交互的方法与系统 |
CN116595256B (zh) * | 2023-05-22 | 2023-11-03 | 毕加展览有限公司 | 一种数字化展览的数据筛选与沉浸式交互的方法与系统 |
CN117131855A (zh) * | 2023-09-19 | 2023-11-28 | 中科(天津)智能科技有限公司 | 基于智能数字孪生的元宇宙空间活动数据分析方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115618949A (zh) | 基于沉浸式元宇宙服务的用户兴趣分析方法及系统 | |
CN105320719A (zh) | 一种基于项目标签和图形关系的众筹网站项目推荐方法 | |
CN104298785A (zh) | 一种众搜资源搜索方法 | |
CN111506820A (zh) | 推荐模型、方法、装置、设备及存储介质 | |
CN107688616A (zh) | 使实体的独特事实显现 | |
KR20200047006A (ko) | 머신 러닝 기반의 근사모델 구축 방법 및 시스템 | |
US8977621B1 (en) | Search engine optimizer | |
CN103309869A (zh) | 数据对象的展示关键词推荐方法及系统 | |
CN111967971A (zh) | 银行客户数据处理方法及装置 | |
CN111159563A (zh) | 用户兴趣点信息的确定方法、装置、设备及存储介质 | |
CN110795613B (zh) | 商品搜索方法、装置、系统及电子设备 | |
CN112784590A (zh) | 文本处理方法及装置 | |
CN116910221A (zh) | 一种基于相似度检索提升大规模语言模型响应速度的方法 | |
CN115618101A (zh) | 基于负反馈的流媒体内容推荐方法、装置及电子设备 | |
CN115168615A (zh) | 结合数据可视化的知识图谱大数据处理方法及系统 | |
CN113761124B (zh) | 文本编码模型的训练方法、信息检索方法及设备 | |
CN114580402A (zh) | 一种面向企业的产品信息获取方法、装置、服务器和存储介质 | |
CN111582448B (zh) | 一种权重训练方法、装置、计算机设备和存储介质 | |
CN116363457B (zh) | 任务处理、图像分类、任务处理模型的数据处理方法 | |
CN113327154B (zh) | 基于大数据的电商用户讯息推送方法及系统 | |
CN115238170A (zh) | 基于区块链金融的用户画像处理方法及系统 | |
CN114780443A (zh) | 微服务应用自动化测试方法、装置、电子设备及存储介质 | |
CN112749246B (zh) | 搜索短语的评估方法、装置、服务器及存储介质 | |
CN113448876A (zh) | 一种业务测试方法、装置、计算机设备及存储介质 | |
CN112818241A (zh) | 一种内容推广方法、装置、计算机设备和存储介质 |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20230117 |
|
WW01 | Invention patent application withdrawn after publication |