CN116307218A - 基于人工智能的元宇宙体验用户行为预测方法及系统 - Google Patents
基于人工智能的元宇宙体验用户行为预测方法及系统 Download PDFInfo
- Publication number
- CN116307218A CN116307218A CN202310303530.2A CN202310303530A CN116307218A CN 116307218 A CN116307218 A CN 116307218A CN 202310303530 A CN202310303530 A CN 202310303530A CN 116307218 A CN116307218 A CN 116307218A
- Authority
- CN
- China
- Prior art keywords
- behavior
- target
- sequence
- user operation
- operation 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.)
- Pending
Links
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 57
- 238000000034 method Methods 0.000 title claims abstract description 47
- 230000006399 behavior Effects 0.000 claims abstract description 807
- 238000011156 evaluation Methods 0.000 claims abstract description 34
- 238000005065 mining Methods 0.000 claims abstract description 19
- 230000011218 segmentation Effects 0.000 claims description 90
- 239000012634 fragment Substances 0.000 claims description 85
- 239000013598 vector Substances 0.000 claims description 79
- 238000005457 optimization Methods 0.000 claims description 20
- 238000004458 analytical method Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 8
- 238000005192 partition Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 230000009471 action Effects 0.000 description 13
- 238000013507 mapping Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 5
- 230000010076 replication Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000002776 aggregation Effects 0.000 description 3
- 238000004220 aggregation Methods 0.000 description 3
- 230000003542 behavioural effect Effects 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000017105 transposition Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供的基于人工智能的元宇宙体验用户行为预测方法及系统,涉及人工智能技术领域。在本发明中,确定出目标用户操作行为序列的重要用户操作行为和对应的重要性评估参数;挖掘出每一个重要用户操作行为对应的操作行为含义数据;基于每一个操作行为含义数据和每一个参考行为目标的行为目标说明数据,分析出每一个重要用户操作行为与每一个参考行为目标之间的行为目标匹配参数;基于重要性评估参数和行为目标匹配参数,分析出目标用户操作行为序列和每一个参考行为目标之间的序列目标匹配参数;基于序列目标匹配参数,在每一个参考行为目标中,分析出对应的匹配行为目标。基于上述内容,可以提高用户行为预测的可靠度。
Description
技术领域
本发明涉及人工智能技术领域,具体而言,涉及一种基于人工智能的元宇宙体验用户行为预测方法及系统。
背景技术
人工智能是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。英文名称为Artificial Intelligence,缩写为AI。人工智能是计算机科学的一个分支,它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能不仅能够减少人工效率低、易出错的问题,并且还有模仿人类决策、自我学习、自我变成和避免重复错误的优势。
用户操作行为,作为用户的一种重要数据,其能够有效地反映出用户的一些信息,因此,可以通过对用户操作行为进行分析,以得到对应的分析结果,或进行预测,以得到对应的预测结果。但是,在现有技术中,在基于用户操作行为进行预测的过程中,存在着可靠度不高的问题。
发明内容
有鉴于此,本发明的目的在于提供一种基于人工智能的元宇宙体验用户行为预测方法及系统,以提高用户行为预测的可靠度。
为实现上述目的,本发明实施例采用如下技术方案:
一种基于人工智能的元宇宙体验用户行为预测方法,包括:
确定出目标用户操作行为序列的重要用户操作行为,以及,分析出每一个所述重要用户操作行为对应的重要性评估参数,所述重要用户操作行为属于所述目标用户操作行为序列中用于反映所述目标用户操作行为序列的行为倾向的用户操作行为,所述重要性评估参数用于反映对应的所述重要用户操作行为对所述目标用户操作行为序列具有的影响力大小,每一个重要用户操作行为通过至少一帧行为记录视频帧或行为描述音频帧表示;
挖掘出每一个所述重要用户操作行为对应的操作行为含义数据,所述操作行为含义数据用于反映所述重要用户操作行为具有的行为内涵;
基于每一个所述操作行为含义数据和预先确定的每一个参考行为目标的行为目标说明数据,分析出每一个所述重要用户操作行为与每一个所述参考行为目标之间的行为目标匹配参数,所述行为目标说明数据用于对所述参考行为目标进行说明,所述行为目标匹配参数用于反映所述重要用户操作行为和所述参考行为目标之间的匹配关系;
基于每一个所述重要用户操作行为对应的重要性评估参数和每一个所述行为目标匹配参数,分析出所述目标用户操作行为序列和每一个所述参考行为目标之间的序列目标匹配参数,所述序列目标匹配参数用于反映所述目标用户操作行为序列和所述参考行为目标之间的匹配关系;
基于每一个所述序列目标匹配参数,在每一个所述参考行为目标中,分析出所述目标用户操作行为序列对应的匹配行为目标,所述匹配行为目标用于对所述目标用户操作行为序列对应的目标用户进行行为指示操作,该行为指示操作包括对所述目标用户进行行为数据推送。
在一些优选的实施例中,在上述基于人工智能的元宇宙体验用户行为预测方法中,所述确定出目标用户操作行为序列的重要用户操作行为,以及,分析出每一个所述重要用户操作行为对应的重要性评估参数的步骤,包括:
将所述目标用户操作行为序列进行序列分割操作,以形成所述目标用户操作行为序列对应的多个原始分割行为序列片段,所述目标用户操作行为序列包括多帧行为记录视频帧或多帧行为描述音频帧,每一个所述原始分割行为序列片段包括时序连续的至少一帧行为记录视频帧或行为描述音频帧;
在所述多个原始分割行为序列片段中,筛除掉属于指定序列片段集合的原始分割行为序列片段,以保留至少一个保留分割行为序列片段,所述保留分割行为序列片段为未被筛除掉的原始分割行为序列片段;
基于每一个所述保留分割行为序列片段,确定出所述目标用户操作行为序列对应的重要用户操作行为,每一个所述保留分割行为序列片段包括至少一个时序相邻的用户操作行为,所述重要用户操作行为包括至少一个时序相邻的用户操作行为,在所述重要用户操作行为包括时序相邻的多个用户操作行为时,所述重要用户操作行为属于由多个用户操作行为组合形成的组合操作行为;
分析出每一个所述重要用户操作行为对应的重要性评估参数。
在一些优选的实施例中,在上述基于人工智能的元宇宙体验用户行为预测方法中,所述基于人工智能的元宇宙体验用户行为预测方法还包括确定出所述指定序列片段集合的步骤,该步骤包括:
确定出所述目标用户操作行为序列对应的目标行为场景信息;
将与所述目标行为场景信息匹配的每一个典型用户操作行为序列进行序列分割操作,以形成对应的多个典型分割行为序列片段;
分析每一个所述典型分割行为序列片段对应的典型片段数量占比,所述典型分割行为序列片段对应的典型片段数量占比包括:具有所述典型分割行为序列片段的行为序列数量与全部典型用户操作行为序列的数量之间的比值;
基于所述典型片段数量占比大于或等于预先确定的参考典型片段数量占比的典型分割行为序列片段,组建形成对应的指定序列片段集合。
在一些优选的实施例中,在上述基于人工智能的元宇宙体验用户行为预测方法中,所述基于人工智能的元宇宙体验用户行为预测方法还包括确定出所述参考典型片段数量占比的步骤,该步骤包括:
基于目前的参考数量占比,在每一个所述典型分割行为序列片段中,筛选出第一分割行为序列片段,所述第一分割行为序列片段为所述典型片段数量占比大于所述目前的参考数量占比的典型分割行为序列片段;
分析出与所述目标行为场景信息匹配的每一个典型用户操作行为序列对应的其它序列片段数量,所述典型用户操作行为序列对应的其它序列片段数量用于反映在所述典型用户操作行为序列的每一个所述典型分割行为序列片段中筛除掉所述第一分割行为序列片段后保留的典型分割行为序列片段的数量;
分析出所述其它序列片段数量大于预先确定的对比序列片段数量的典型用户操作行为序列,并确定该典型用户操作行为序列的数量与全部典型用户操作行为序列的数量之间的比值,以得到对应的其它片段数量占比;
倘若所述其它片段数量占比小于预先确定的参考其它片段数量占比,则对所述目前的参考数量占比进行标记,以标记为参考典型片段数量占比;
倘若所述其它片段数量占比大于或等于所述参考其它片段数量占比,则基于预先配置的优化参数,对所述目前的参考数量占比进行优化处理,以形成新的目前的参考数量占比,以及,基于所述新的目前的参考数量占比,回转执行所述基于目前的参考数量占比,在每一个所述典型分割行为序列片段中,筛选出第一分割行为序列片段的步骤。
在一些优选的实施例中,在上述基于人工智能的元宇宙体验用户行为预测方法中,所述基于每一个所述保留分割行为序列片段,确定出所述目标用户操作行为序列对应的重要用户操作行为的步骤,包括:
基于每一个所述保留分割行为序列片段进行拼接操作,以形成对应的拼接分割行为序列片段,每一个所述拼接分割行为序列片段包括具有相邻时序的至少两个保留分割行为序列片段;
在每一个所述拼接分割行为序列片段中,抽选出扩展分割行为序列片段,所述扩展分割行为序列片段属于具有其它扩展信息的拼接分割行为序列片段,是否具有其它扩展信息,通过在关联的数据库中进行查找确定;
在每一个所述扩展分割行为序列片段中,抽选出对应的独立分割行为序列片段,在所述独立分割行为序列片段对应的扩展分割行为序列片段以外的其它扩展分割行为序列片段中,都不包括该独立分割行为序列片段;
基于所述独立分割行为序列片段,分析出所述目标用户操作行为序列对应的重要用户操作行为。
在一些优选的实施例中,在上述基于人工智能的元宇宙体验用户行为预测方法中,所述挖掘出每一个所述重要用户操作行为对应的操作行为含义数据的步骤,包括:
提取到所述重要用户操作行为对应的行为描述音频帧,以得到每一个所述重要用户操作行为对应的行为描述音频帧序列;
分别对每一个所述重要用户操作行为对应的行为描述音频帧序列进行关键信息挖掘操作,以输出每一个所述重要用户操作行为对应的关键信息描述向量,并确定出每一个所述重要用户操作行为对应的相关用户操作行为,以及,挖掘出该相关用户操作行为对应的关键信息描述向量;
对于每一个所述重要用户操作行为,依据该重要用户操作行为对应的相关用户操作行为对应的关键信息描述向量,对该重要用户操作行为对应的关键信息描述向量进行关联显著性特征分析操作,以输出该重要用户操作行为对应的关联关键信息描述向量;
分别依据每一个所述关联关键信息描述向量,分析出对应的每一个所述重要用户操作行为对应的操作行为含义数据。
在一些优选的实施例中,在上述基于人工智能的元宇宙体验用户行为预测方法中,所述基于每一个所述操作行为含义数据和预先确定的每一个参考行为目标的行为目标说明数据,分析出每一个所述重要用户操作行为与每一个所述参考行为目标之间的行为目标匹配参数的步骤,包括:
基于每一个所述操作行为含义数据和每一个所述参考行为目标的目标主题说明数据,计算出每一个所述操作行为含义数据与每一个所述参考行为目标之间的初始匹配参数;
基于每一个所述初始匹配参数,分析出每一个所述重要用户操作行为和每一个所述参考行为目标之间的行为目标匹配参数。
在一些优选的实施例中,在上述基于人工智能的元宇宙体验用户行为预测方法中,所述基于每一个所述操作行为含义数据和每一个所述参考行为目标的目标主题说明数据,计算出每一个所述操作行为含义数据与每一个所述参考行为目标之间的初始匹配参数的步骤,包括:
基于每一个所述操作行为含义数据和每一个所述参考行为目标的目标主题说明数据,匹配出每一个所述操作行为含义数据与每一个所述参考行为目标的目标主题说明数据之间的相同含义数据单元;
在每一个所述操作行为含义数据与每一个所述参考行为目标的目标主题说明数据之间的相同含义数据单元中,分析出每一个所述操作行为含义数据与每一个所述参考行为目标的目标主题说明数据之间的第一相同含义数据单元,对于所述操作行为含义数据与所述参考行为目标的目标主题说明数据之间的第一相同含义数据单元,该第一相同含义数据单元不存在于该操作行为含义数据与该参考行为目标的目标主题说明数据的各相同含义数据单元中该第一相同含义数据单元之外的其它相同含义数据单元中;
计算出每一个所述操作行为含义数据与每一个所述参考行为目标的目标主题说明数据的第一相同含义数据单元的数据单元数目,在每一个所述参考行为目标的目标主题说明数据的数据单元数目中具有的单元数目占比;
基于每一个所述单元数目占比、每一个所述操作行为含义数据与每一个所述参考行为目标的目标主题说明数据的第一相同含义数据单元在对应的操作行为含义数据中的出现频率信息,并结合每一个所述操作行为含义数据与每一个所述参考行为目标的目标主题说明数据的第一相同含义数据单元的第一重要度参数,分析出每一个所述操作行为含义数据与每一个所述参考行为目标的目标主题说明数据之间的初始匹配参数。
在一些优选的实施例中,在上述基于人工智能的元宇宙体验用户行为预测方法中,所述基于人工智能的元宇宙体验用户行为预测方法还包括:
确定出每一个所述参考行为目标对应的匹配重要性参数;
所述基于每一个所述序列目标匹配参数,在每一个所述参考行为目标中,分析出所述目标用户操作行为序列对应的匹配行为目标的步骤,包括:
基于每一个所述序列目标匹配参数和每一个所述参考行为目标对应的匹配重要性参数,分析出所述目标用户操作行为序列和每一个所述参考行为目标之间具有的更新序列目标匹配参数;
基于每一个所述更新序列目标匹配参数,在每一个所述参考行为目标中,分析出所述目标用户操作行为序列对应的匹配行为目标。
本发明实施例还提供一种基于人工智能的元宇宙体验用户行为预测系统,包括处理器和存储器,所述存储器用于存储计算机程序,所述处理器用于执行所述计算机程序,以实现上述的基于人工智能的元宇宙体验用户行为预测方法。
本发明实施例提供的基于人工智能的元宇宙体验用户行为预测方法及系统,可以先确定出目标用户操作行为序列的重要用户操作行为和对应的重要性评估参数;挖掘出每一个重要用户操作行为对应的操作行为含义数据;基于每一个操作行为含义数据和每一个参考行为目标的行为目标说明数据,分析出每一个重要用户操作行为与每一个参考行为目标之间的行为目标匹配参数;基于重要性评估参数和行为目标匹配参数,分析出目标用户操作行为序列和每一个参考行为目标之间的序列目标匹配参数;基于序列目标匹配参数,在每一个参考行为目标中,分析出对应的匹配行为目标。基于前述的内容,由于是先确定出重要用户操作行为和对应的重要性评估参数,使得后续分析的针对性更强,能够有效降低不重要的用户操作行为的干扰程度,因此,可以提高用户行为预测的可靠度,改善可靠度不高的问题。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
图1为本发明实施例提供的基于人工智能的元宇宙体验用户行为预测方法包括的各步骤的流程示意图。
图2为本发明实施例提供的基于人工智能的元宇宙体验用户行为预测装置包括的各模块的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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,所描述的实施例只是本发明的一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有作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。
本发明实施例提供了一种基于人工智能的元宇宙体验用户行为预测系统。其中,该用户行为预测系统可以包括存储器和处理器。
详细地,所述存储器和处理器之间直接或间接地电性连接,以实现数据的传输或交互。例如,相互之间可通过一条或多条通讯总线或信号线实现电性连接。所述存储器中可以存储有至少一个可以以软件或固件(firmware)的形式,存在的软件功能模块(计算机程序)。所述处理器可以用于执行所述存储器中存储的可执行的计算机程序,从而实现本发明实施例提供的基于人工智能的元宇宙体验用户行为预测方法。
可以选择的是,在一些可行的实施方式中,所述存储器可以是,但不限于,随机存取存储器(Random Access Memory,RAM),只读存储器(Read Only Memory,ROM),可编程只读存储器(Programmable Read-Only Memory,PROM),可擦除只读存储器(ErasableProgrammable Read-Only Memory,EPROM),电可擦除只读存储器(Electric ErasableProgrammable Read-Only Memory,EEPROM)等。
可以选择的是,在一些可行的实施方式中,所述处理器可以是一种通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)、片上系统(System on Chip,SoC)等;还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
可以选择的是,在一些可行的实施方式中,所述基于人工智能的元宇宙体验用户行为预测系统可以是一种具备数据处理能力的服务器。
结合图1,本发明实施例还提供一种基于人工智能的元宇宙体验用户行为预测方法,可应用于上述基于人工智能的元宇宙体验用户行为预测系统。其中,所述基于人工智能的元宇宙体验用户行为预测方法有关的流程所定义的方法步骤,可以由所述基于人工智能的元宇宙体验用户行为预测系统实现。
下面将对图1所示的具体流程,进行详细阐述。
步骤S110,确定出目标用户操作行为序列的重要用户操作行为,以及,分析出每一个所述重要用户操作行为对应的重要性评估参数。
在本发明实施例中,所述基于人工智能的元宇宙体验用户行为预测系统可以确定出目标用户操作行为序列的重要用户操作行为,以及,分析出每一个所述重要用户操作行为对应的重要性评估参数。所述重要用户操作行为属于所述目标用户操作行为序列中用于反映所述目标用户操作行为序列的行为倾向的用户操作行为,所述重要性评估参数用于反映对应的所述重要用户操作行为对所述目标用户操作行为序列具有的影响力大小,每一个重要用户操作行为通过至少一帧行为记录视频帧或行为描述音频帧表示。
步骤S120,挖掘出每一个所述重要用户操作行为对应的操作行为含义数据。
在本发明实施例中,所述基于人工智能的元宇宙体验用户行为预测系统可以挖掘出每一个所述重要用户操作行为对应的操作行为含义数据。所述操作行为含义数据用于反映所述重要用户操作行为具有的行为内涵,示例性地,所述所述操作行为含义数据的数据形式可以为文本。
步骤S130,基于每一个所述操作行为含义数据和预先确定的每一个参考行为目标的行为目标说明数据,分析出每一个所述重要用户操作行为与每一个所述参考行为目标之间的行为目标匹配参数。
在本发明实施例中,所述基于人工智能的元宇宙体验用户行为预测系统可以基于每一个所述操作行为含义数据和预先确定的每一个参考行为目标的行为目标说明数据,分析出每一个所述重要用户操作行为与每一个所述参考行为目标之间的行为目标匹配参数。所述行为目标说明数据用于对所述参考行为目标进行说明,所述行为目标匹配参数用于反映所述重要用户操作行为和所述参考行为目标之间的匹配关系。
步骤S140,基于每一个所述重要用户操作行为对应的重要性评估参数和每一个所述行为目标匹配参数,分析出所述目标用户操作行为序列和每一个所述参考行为目标之间的序列目标匹配参数。
在本发明实施例中,所述基于人工智能的元宇宙体验用户行为预测系统可以基于每一个所述重要用户操作行为对应的重要性评估参数和每一个所述行为目标匹配参数,分析出所述目标用户操作行为序列和每一个所述参考行为目标之间的序列目标匹配参数。所述序列目标匹配参数用于反映所述目标用户操作行为序列和所述参考行为目标之间的匹配关系。例如,对于所述目标用户操作行为序列,该目标用户操作行为序列包括重要用户操作行为1和重要用户操作行为2,重要用户操作行为1与参考行为目标之间的行为目标匹配参数为A,重要用户操作行为2与参考行为目标之间的行为目标匹配参数为B,如此,可以基于每一个所述重要用户操作行为对应的重要性评估参数(作为加权系数),对A和B进行加权求和,得到该目标用户操作行为序列和该参考行为目标之间的序列目标匹配参数。
步骤S150,基于每一个所述序列目标匹配参数,在每一个所述参考行为目标中,分析出所述目标用户操作行为序列对应的匹配行为目标。
在本发明实施例中,所述基于人工智能的元宇宙体验用户行为预测系统可以基于每一个所述序列目标匹配参数,在每一个所述参考行为目标中,分析出所述目标用户操作行为序列对应的匹配行为目标。所述匹配行为目标用于对所述目标用户操作行为序列对应的目标用户进行行为指示操作,该行为指示操作包括对所述目标用户进行行为数据推送,例如,引导所述目标用户进行特定的行为,或向所述目标用户推送感兴趣的行为内容。
基于前述的内容,如步骤S110-步骤S150,由于是先确定出重要用户操作行为和对应的重要性评估参数,使得后续分析的针对性更强,能够有效降低不重要的用户操作行为的干扰程度,因此,可以提高用户行为预测的可靠度,改善可靠度不高的问题。
可以选择的是,在一些可行的实施方式中,上述的步骤S110,即所述确定出目标用户操作行为序列的重要用户操作行为,以及,分析出每一个所述重要用户操作行为对应的重要性评估参数的步骤,可以包括以下内容:
将所述目标用户操作行为序列进行序列分割操作,以形成所述目标用户操作行为序列对应的多个原始分割行为序列片段,所述目标用户操作行为序列包括多帧行为记录视频帧或多帧行为描述音频帧,每一个所述原始分割行为序列片段包括时序连续的至少一帧行为记录视频帧或行为描述音频帧,例如,可以基于行为记录视频帧或行为描述音频帧之间的相似度进行分割操作,以形成多个原始分割行为序列片段,具体来说,在两帧相邻的行为记录视频帧或行为描述音频帧之间的相似度小于预设相似度时,可以将该两帧相邻的行为记录视频帧或行为描述音频帧分割到不同的片段;
在所述多个原始分割行为序列片段中,筛除掉属于指定序列片段集合的原始分割行为序列片段,以保留至少一个保留分割行为序列片段,所述保留分割行为序列片段为未被筛除掉的原始分割行为序列片段;
基于每一个所述保留分割行为序列片段,确定出所述目标用户操作行为序列对应的重要用户操作行为,例如,一个所述保留分割行为序列片段可以作为所述目标用户操作行为序列对应的一个重要用户操作行为,每一个所述保留分割行为序列片段包括至少一个时序相邻的用户操作行为,所述重要用户操作行为包括至少一个时序相邻的用户操作行为,在所述重要用户操作行为包括时序相邻的多个用户操作行为时,所述重要用户操作行为属于由多个用户操作行为组合形成的组合操作行为;
分析出每一个所述重要用户操作行为对应的重要性评估参数。
其中,可以选择的是,在一些可行的实施方式中,所述分析出每一个所述重要用户操作行为对应的重要性评估参数的步骤,可以包括以下内容:
对于重要用户操作行为1,可以先确定出重要用户操作行为1在所述目标用户操作行为序列中相同行为的第一数量,以及,确定出行为序列数据库中的全部行为序列的第二数量,并确定出行为序列数据库中具有重要用户操作行为1的行为序列的第三数量,如此,可以计算第一数量和第二数量之间的乘积,然后,计算该乘积和第三数量之间的比值,并将该比值作为重要用户操作行为1对应的重要性评估参数,或者,可以对该比值进行取对数的操作,以得到重要用户操作行为1对应的重要性评估参数。
可以选择的是,在一些可行的实施方式中,所述基于人工智能的元宇宙体验用户行为预测方法还包括确定出所述指定序列片段集合的步骤,该步骤可以进一步包括以下内容:
确定出所述目标用户操作行为序列对应的目标行为场景信息,其中,行为场景的具体分类不受限制,如室内、室外等;
将与所述目标行为场景信息匹配的每一个典型用户操作行为序列进行序列分割操作,如前所述,以形成对应的多个典型分割行为序列片段;
分析每一个所述典型分割行为序列片段对应的典型片段数量占比,所述典型分割行为序列片段对应的典型片段数量占比包括:具有所述典型分割行为序列片段的行为序列数量与全部典型用户操作行为序列的数量之间的比值,如前者除以后者;
基于所述典型片段数量占比大于或等于预先确定的参考典型片段数量占比的典型分割行为序列片段,组建形成对应的指定序列片段集合。
可以选择的是,在一些可行的实施方式中,所述基于人工智能的元宇宙体验用户行为预测方法还包括确定出所述参考典型片段数量占比的步骤,该步骤可以进一步包括以下内容:
基于目前的参考数量占比,在每一个所述典型分割行为序列片段中,筛选出第一分割行为序列片段,所述第一分割行为序列片段为所述典型片段数量占比大于所述目前的参考数量占比的典型分割行为序列片段;
分析出与所述目标行为场景信息匹配的每一个典型用户操作行为序列对应的其它序列片段数量,所述典型用户操作行为序列对应的其它序列片段数量用于反映在所述典型用户操作行为序列的每一个所述典型分割行为序列片段中筛除掉所述第一分割行为序列片段后保留的典型分割行为序列片段的数量;
分析出所述其它序列片段数量大于预先确定的对比序列片段数量的典型用户操作行为序列,并确定该典型用户操作行为序列的数量与全部典型用户操作行为序列的数量之间的比值,以得到对应的其它片段数量占比,所述对比序列片段数量的具体数值不受限制,如7、8、10等数值;
倘若所述其它片段数量占比小于预先确定的参考其它片段数量占比,则对所述目前的参考数量占比进行标记,以标记为参考典型片段数量占比,所述参考其它片段数量占比的具体数值不受限制,如85%、95%等;
倘若所述其它片段数量占比大于或等于所述参考其它片段数量占比,则基于预先配置的优化参数,对所述目前的参考数量占比进行优化处理,以形成新的目前的参考数量占比,例如,将所述目前的参考数量占比和所述优化参数进行差值计算,以得到所述新的目前的参考数量占比,最开始的时候,所述目前的参考数量占比可以为99%、100%等,所述优化参数可以根据效率和精度需求进行配置,如1%、2%等,以及,基于所述新的目前的参考数量占比,回转执行所述基于目前的参考数量占比,在每一个所述典型分割行为序列片段中,筛选出第一分割行为序列片段的步骤,即循环。
可以选择的是,在一些可行的实施方式中,所述基于每一个所述保留分割行为序列片段,确定出所述目标用户操作行为序列对应的重要用户操作行为的步骤,可以进一步包括以下内容:
基于每一个所述保留分割行为序列片段进行拼接操作,以形成对应的拼接分割行为序列片段,每一个所述拼接分割行为序列片段包括具有相邻时序的至少两个保留分割行为序列片段;
在每一个所述拼接分割行为序列片段中,抽选出扩展分割行为序列片段,所述扩展分割行为序列片段属于具有其它扩展信息的拼接分割行为序列片段,是否具有其它扩展信息,通过在关联的数据库中进行查找确定,所述其它扩展信息可用于对扩展分割行为序列片段对应的行为进行说明,所述其它扩展信息可以作为所述重要用户操作行为对应的操作行为含义数据,或者,作为所述重要用户操作行为对应的操作行为含义数据的一部分;
在每一个所述扩展分割行为序列片段中,抽选出对应的独立分割行为序列片段,在所述独立分割行为序列片段对应的扩展分割行为序列片段以外的其它扩展分割行为序列片段中,都不包括该独立分割行为序列片段;
基于所述独立分割行为序列片段,分析出所述目标用户操作行为序列对应的重要用户操作行为,例如,可以将所述独立分割行为序列片段作为所述目标用户操作行为序列对应的重要用户操作行为。
可以选择的是,在一些可行的实施方式中,上述的步骤S120,即所述挖掘出每一个所述重要用户操作行为对应的操作行为含义数据的步骤,可以进一步包括以下内容:
提取到所述重要用户操作行为对应的行为描述音频帧,以得到每一个所述重要用户操作行为对应的行为描述音频帧序列,每一个所述行为描述音频帧序列包括对应的多帧行为描述音频帧;
分别对每一个所述重要用户操作行为对应的行为描述音频帧序列进行关键信息挖掘操作,以输出每一个所述重要用户操作行为对应的关键信息描述向量,并确定出每一个所述重要用户操作行为对应的相关用户操作行为,以及,挖掘出该相关用户操作行为对应的关键信息描述向量,具体来说,可以在其它的重要用户操作行为中确定相关用户操作行为,也可以是在所述目标用户操作行为序列中确定出相关用户操作行为,另外,用户操作行为之间是否相关,可以依据在各种行为序列中的共现概率确定,例如,可以将共现概率最大的用户操作行为确定为对应的相关用户操作行为;
对于每一个所述重要用户操作行为,依据该重要用户操作行为对应的相关用户操作行为对应的关键信息描述向量,对该重要用户操作行为对应的关键信息描述向量进行关联显著性特征分析操作,以输出该重要用户操作行为对应的关联关键信息描述向量;
分别依据每一个所述关联关键信息描述向量,分析出对应的每一个所述重要用户操作行为对应的操作行为含义数据,例如,在对所述关联关键信息描述向量进行全连接处理之后,可以通过激励函数进行处理,以预测出对应的操作行为含义数据,具体来说,可以利用相应的神经网络实现,在该神经网络的训练过程中,实际的操作行为含义数据可以作为标签进行神经网络的训练,使得其可以进行操作行为含义数据的预测。
其中,可以选择的是,在一些可行的实施方式中,所述分别对每一个所述重要用户操作行为对应的行为描述音频帧序列进行关键信息挖掘操作,以输出每一个所述重要用户操作行为对应的关键信息描述向量的步骤,可以进一步包括以下内容:
将所述重要用户操作行为对应的行为描述音频帧序列进行多特征空间映射操作,以形成对应的多个属于不同特征空间的音频帧映射向量,每一个所述特征空间对应的特征空间映射函数不同,所述特征空间映射函数的具体参数可以在相应神经网络的优化过程中形成;
对于每一个所述音频帧映射向量,将所述音频帧映射向量进行局部信息挖掘操作,以输出对应的多个局部类型对应的局部信息描述向量,所述局部信息描述向量属于所述行为描述音频帧序列中各类型的行为描述音频帧对应的向量,另外,行为描述音频帧的类型可以是指音频帧对应的能量值,例如,对应的能量值属于不同的区间,可以确定为不同的类型;
对于每一个所述音频帧映射向量,将所述多个局部类型对应的局部信息描述向量进行关联显著性特征分析操作,以输出该音频帧映射向量对应的关联显著性局部描述向量;
将每一个所述音频帧映射向量对应的关联显著性局部描述向量进行聚合操作,如进行向量的拼接或叠加等处理,以形成所述重要用户操作行为对应的关键信息描述向量。
其中,可以选择的是,在一些可行的实施方式中,所述对于每一个所述音频帧映射向量,将所述多个局部类型对应的局部信息描述向量进行关联显著性特征分析操作,以输出该音频帧映射向量对应的关联显著性局部描述向量的步骤,可以进一步包括以下内容:
对于每一个所述音频帧映射向量执行以下步骤:
提取到预先构建的关联显著性特征分析模型;
通过所述关联显著性特征分析模型,将所述多个局部类型对应的局部信息描述向量进行聚合操作,以形成对应的待处理聚合描述向量;
基于所述关联显著性特征分析模型包括的滤波算子,将所述待处理聚合描述向量进行滤波操作,以形成对应的滤波聚合描述向量;
对所述滤波聚合描述向量进行复制操作,以形成对应的复制描述向量,以及,基于所述复制描述向量,对所述滤波聚合描述向量进行关联显著性特征分析操作,以输出对应的候选描述向量,例如,可以对所述复制描述向量进行转置操作,以形成转置描述向量,然后,可以对所述转置描述向量和所述滤波聚合描述向量进行相乘,并除以所述滤波聚合描述向量的向量维度数量,再进行归一化处理,最后,可以将归一化处理的结果和所述复制描述向量进行相乘,得到对应的候选描述向量;
对所述候选描述向量和所述待处理聚合描述向量进行梯度优化操作,以形成对应的关联显著性局部描述向量。
其中,可以选择的是,在一些可行的实施方式中,所述对所述候选描述向量和所述待处理聚合描述向量进行梯度优化操作,以形成对应的关联显著性局部描述向量的步骤,包括:
分别对所述候选描述向量和所述待处理聚合描述向量进行梯度优化操作,以形成对应的第一梯度优化描述向量和第二梯度优化描述向量;
对所述第一梯度优化描述向量和所述第二梯度优化描述向量进行加权叠加处理,以输出对应的关联显著性局部描述向量。
其中,可以选择的是,在一些可行的实施方式中,对所述候选描述向量进行梯度优化操作,以形成对应的第一梯度优化描述向量的步骤,包括:
分别对所述候选描述向量进行均值和方差计算,以输出所述候选描述向量对应的均值参数和方差参数,在其它实施方式中,也可以先对所述候选描述向量进行卷积处理,以得到对应的卷积候选描述向量,再分别对所述卷积候选描述向量进行均值和方差计算,以输出所述卷积候选描述向量对应的均值参数和方差参数,以及,进行候选的相应步骤;
对所述候选描述向量和所述均值参数进行差值计算,以输出对应的差值参数,以及,对所述方差参数进行幂运算,以输出对应的幂运算结果,例如,可以计算所述方差参数的0.4、0.5、1次幂等;
对所述幂运算结果和预先确定的偏移参数进行求和,以输出对应的求和结果,所述偏移参数和幂运算的参数可以在神经网络的优化过程中确定;
基于所述求和结果的负相关值,如倒数,对所述差值参数进行加权,即计算乘积,得到对应的第一梯度优化描述向量。
可以选择的是,在一些可行的实施方式中,上述的步骤S130,即所述基于每一个所述操作行为含义数据和预先确定的每一个参考行为目标的行为目标说明数据,分析出每一个所述重要用户操作行为与每一个所述参考行为目标之间的行为目标匹配参数的步骤,可以进一步包括以下内容:
基于每一个所述操作行为含义数据和每一个所述参考行为目标的目标主题说明数据,计算出每一个所述操作行为含义数据与每一个所述参考行为目标之间的初始匹配参数,所述目标主题说明数据可以作为对应的行为目标说明数据,以对所述参考行为目标进行概括性的解释说明;
基于每一个所述初始匹配参数,分析出每一个所述重要用户操作行为和每一个所述参考行为目标之间的行为目标匹配参数,例如,可以直接将所述初始匹配参数作为对应的行为目标匹配参数,或者,在其它实施方式中,也可以在所述初始匹配参数的基础上,结合其它参数,以确定出对应的行为目标匹配参数,具体的可以根据实际应用需求进行配置。
可以选择的是,在一些可行的实施方式中,所述基于每一个所述操作行为含义数据和每一个所述参考行为目标的目标主题说明数据,计算出每一个所述操作行为含义数据与每一个所述参考行为目标之间的初始匹配参数的步骤,可以进一步包括以下内容:
基于每一个所述操作行为含义数据和每一个所述参考行为目标的目标主题说明数据,匹配出每一个所述操作行为含义数据与每一个所述参考行为目标的目标主题说明数据之间的相同含义数据单元,所述相同含义数据单元可以是指完全一致的数据单元,也可以是语义相关度大于预设语义相关度的数据单元,且数据单元可以是指所述操作行为含义数据或所述目标主题说明数据中的一个数据片段,如一个词语、一个语句等;
在每一个所述操作行为含义数据与每一个所述参考行为目标的目标主题说明数据之间的相同含义数据单元中,分析出每一个所述操作行为含义数据与每一个所述参考行为目标的目标主题说明数据之间的第一相同含义数据单元,对于所述操作行为含义数据与所述参考行为目标的目标主题说明数据之间的第一相同含义数据单元,该第一相同含义数据单元不存在于该操作行为含义数据与该参考行为目标的目标主题说明数据的各相同含义数据单元中该第一相同含义数据单元之外的其它相同含义数据单元中;
计算出每一个所述操作行为含义数据与每一个所述参考行为目标的目标主题说明数据的第一相同含义数据单元的数据单元数目,在每一个所述参考行为目标的目标主题说明数据的数据单元数目中具有的单元数目占比,如两个数据单元数目之间的比值,可以是前者除以后者;
基于每一个所述单元数目占比、每一个所述操作行为含义数据与每一个所述参考行为目标的目标主题说明数据的第一相同含义数据单元在对应的操作行为含义数据中的出现频率信息,并结合每一个所述操作行为含义数据与每一个所述参考行为目标的目标主题说明数据的第一相同含义数据单元的第一重要度参数,分析出每一个所述操作行为含义数据与每一个所述参考行为目标的目标主题说明数据之间的初始匹配参数,所述第一重要度参数的确定方式,可以结合前文中对所述重要用户操作行为对应的重要性评估参数的确定方式,在此不再一一赘述。
其中,可以选择的是,在一些可行的实施方式中,所述基于每一个所述单元数目占比、每一个所述操作行为含义数据与每一个所述参考行为目标的目标主题说明数据的第一相同含义数据单元在对应的操作行为含义数据中的出现频率信息,并结合每一个所述操作行为含义数据与每一个所述参考行为目标的目标主题说明数据的第一相同含义数据单元的第一重要度参数,分析出每一个所述操作行为含义数据与每一个所述参考行为目标的目标主题说明数据之间的初始匹配参数的步骤,进一步包括以下内容:
对于一个操作行为含义数据和一个参考行为目标,执行以下步骤:
分别计算每一个所述第一相同含义数据单元在对应的操作行为含义数据中的出现频率信息和该第一相同含义数据单元的第一重要度参数之间的乘积,以得到每一个所述第一相同含义数据单元对应的乘积,然后,可以对每一个所述第一相同含义数据单元对应的乘积进行求和,之后,可以对求和的结果和对应的单元数目占比之间的乘积,得到初始匹配参数。
可以选择的是,在其它实施方式中,所述出现频率信息也可以通过出现的数量来进行代替,如计算出现的数量和第一重要度参数的乘积。
可以选择的是,在一些可行的实施方式中,所述基于人工智能的元宇宙体验用户行为预测方法还可以进一步包括以下内容:
确定出每一个所述参考行为目标对应的匹配重要性参数,所述匹配重要性参数既可以是基于相关用户进行的配置操作生成,也可以基于对所述参考行为目标进行数据分析得到,在此不做具体的限定。
在上述内容的基础上,所述基于每一个所述序列目标匹配参数,在每一个所述参考行为目标中,分析出所述目标用户操作行为序列对应的匹配行为目标的步骤,可以进一步包括以下内容:
基于每一个所述序列目标匹配参数和每一个所述参考行为目标对应的匹配重要性参数,分析出所述目标用户操作行为序列和每一个所述参考行为目标之间具有的更新序列目标匹配参数,例如,可以计算所述匹配重要性参数和所述序列目标匹配参数之间的乘积,得到更新序列目标匹配参数;
基于每一个所述更新序列目标匹配参数,在每一个所述参考行为目标中,分析出所述目标用户操作行为序列对应的匹配行为目标,示例性地,可以将对应的更新序列目标匹配参数最大的参考行为目标,作为所述目标用户操作行为序列对应的匹配行为目标。
结合图2,本发明实施例还提供一种基于人工智能的元宇宙体验用户行为预测装置,可应用于上述基于人工智能的元宇宙体验用户行为预测系统。其中,所述基于人工智能的元宇宙体验用户行为预测装置可以包括以下内容:
操作行为分析模块,用于确定出目标用户操作行为序列的重要用户操作行为,以及,分析出每一个所述重要用户操作行为对应的重要性评估参数,所述重要用户操作行为属于所述目标用户操作行为序列中用于反映所述目标用户操作行为序列的行为倾向的用户操作行为,所述重要性评估参数用于反映对应的所述重要用户操作行为对所述目标用户操作行为序列具有的影响力大小,每一个重要用户操作行为通过至少一帧行为记录视频帧或行为描述音频帧表示;
行为含义挖掘模块,用于挖掘出每一个所述重要用户操作行为对应的操作行为含义数据,所述操作行为含义数据用于反映所述重要用户操作行为具有的行为内涵;
匹配参数分析模块,用于基于每一个所述操作行为含义数据和预先确定的每一个参考行为目标的行为目标说明数据,分析出每一个所述重要用户操作行为与每一个所述参考行为目标之间的行为目标匹配参数,所述行为目标说明数据用于对所述参考行为目标进行说明,所述行为目标匹配参数用于反映所述重要用户操作行为和所述参考行为目标之间的匹配关系;
匹配参数确定模块,用于基于每一个所述重要用户操作行为对应的重要性评估参数和每一个所述行为目标匹配参数,分析出所述目标用户操作行为序列和每一个所述参考行为目标之间的序列目标匹配参数,所述序列目标匹配参数用于反映所述目标用户操作行为序列和所述参考行为目标之间的匹配关系;
行为目标匹配模块,用于基于每一个所述序列目标匹配参数,在每一个所述参考行为目标中,分析出所述目标用户操作行为序列对应的匹配行为目标,所述匹配行为目标用于对所述目标用户操作行为序列对应的目标用户进行行为指示操作,该行为指示操作包括对所述目标用户进行行为数据推送。
综上所述,本发明提供的基于人工智能的元宇宙体验用户行为预测方法及系统,可以先确定出目标用户操作行为序列的重要用户操作行为和对应的重要性评估参数;挖掘出每一个重要用户操作行为对应的操作行为含义数据;基于每一个操作行为含义数据和每一个参考行为目标的行为目标说明数据,分析出每一个重要用户操作行为与每一个参考行为目标之间的行为目标匹配参数;基于重要性评估参数和行为目标匹配参数,分析出目标用户操作行为序列和每一个参考行为目标之间的序列目标匹配参数;基于序列目标匹配参数,在每一个参考行为目标中,分析出对应的匹配行为目标。基于前述的内容,由于是先确定出重要用户操作行为和对应的重要性评估参数,使得后续分析的针对性更强,能够有效降低不重要的用户操作行为的干扰程度,因此,可以提高用户行为预测的可靠度,改善可靠度不高的问题。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于人工智能的元宇宙体验用户行为预测方法,其特征在于,包括:
确定出目标用户操作行为序列的重要用户操作行为,以及,分析出每一个所述重要用户操作行为对应的重要性评估参数,所述重要用户操作行为属于所述目标用户操作行为序列中用于反映所述目标用户操作行为序列的行为倾向的用户操作行为,所述重要性评估参数用于反映对应的所述重要用户操作行为对所述目标用户操作行为序列具有的影响力大小,每一个重要用户操作行为通过至少一帧行为记录视频帧或行为描述音频帧表示;
挖掘出每一个所述重要用户操作行为对应的操作行为含义数据,所述操作行为含义数据用于反映所述重要用户操作行为具有的行为内涵;
基于每一个所述操作行为含义数据和预先确定的每一个参考行为目标的行为目标说明数据,分析出每一个所述重要用户操作行为与每一个所述参考行为目标之间的行为目标匹配参数,所述行为目标说明数据用于对所述参考行为目标进行说明,所述行为目标匹配参数用于反映所述重要用户操作行为和所述参考行为目标之间的匹配关系;
基于每一个所述重要用户操作行为对应的重要性评估参数和每一个所述行为目标匹配参数,分析出所述目标用户操作行为序列和每一个所述参考行为目标之间的序列目标匹配参数,所述序列目标匹配参数用于反映所述目标用户操作行为序列和所述参考行为目标之间的匹配关系;
基于每一个所述序列目标匹配参数,在每一个所述参考行为目标中,分析出所述目标用户操作行为序列对应的匹配行为目标,所述匹配行为目标用于对所述目标用户操作行为序列对应的目标用户进行行为指示操作,该行为指示操作包括对所述目标用户进行行为数据推送。
2.如权利要求1所述的基于人工智能的元宇宙体验用户行为预测方法,其特征在于,所述确定出目标用户操作行为序列的重要用户操作行为,以及,分析出每一个所述重要用户操作行为对应的重要性评估参数的步骤,包括:
将所述目标用户操作行为序列进行序列分割操作,以形成所述目标用户操作行为序列对应的多个原始分割行为序列片段,所述目标用户操作行为序列包括多帧行为记录视频帧或多帧行为描述音频帧,每一个所述原始分割行为序列片段包括时序连续的至少一帧行为记录视频帧或行为描述音频帧;
在所述多个原始分割行为序列片段中,筛除掉属于指定序列片段集合的原始分割行为序列片段,以保留至少一个保留分割行为序列片段,所述保留分割行为序列片段为未被筛除掉的原始分割行为序列片段;
基于每一个所述保留分割行为序列片段,确定出所述目标用户操作行为序列对应的重要用户操作行为,每一个所述保留分割行为序列片段包括至少一个时序相邻的用户操作行为,所述重要用户操作行为包括至少一个时序相邻的用户操作行为,在所述重要用户操作行为包括时序相邻的多个用户操作行为时,所述重要用户操作行为属于由多个用户操作行为组合形成的组合操作行为;
分析出每一个所述重要用户操作行为对应的重要性评估参数。
3.如权利要求2所述的基于人工智能的元宇宙体验用户行为预测方法,其特征在于,所述基于人工智能的元宇宙体验用户行为预测方法还包括确定出所述指定序列片段集合的步骤,该步骤包括:
确定出所述目标用户操作行为序列对应的目标行为场景信息;
将与所述目标行为场景信息匹配的每一个典型用户操作行为序列进行序列分割操作,以形成对应的多个典型分割行为序列片段;
分析每一个所述典型分割行为序列片段对应的典型片段数量占比,所述典型分割行为序列片段对应的典型片段数量占比包括:具有所述典型分割行为序列片段的行为序列数量与全部典型用户操作行为序列的数量之间的比值;
基于所述典型片段数量占比大于或等于预先确定的参考典型片段数量占比的典型分割行为序列片段,组建形成对应的指定序列片段集合。
4.如权利要求3所述的基于人工智能的元宇宙体验用户行为预测方法,其特征在于,所述基于人工智能的元宇宙体验用户行为预测方法还包括确定出所述参考典型片段数量占比的步骤,该步骤包括:
基于目前的参考数量占比,在每一个所述典型分割行为序列片段中,筛选出第一分割行为序列片段,所述第一分割行为序列片段为所述典型片段数量占比大于所述目前的参考数量占比的典型分割行为序列片段;
分析出与所述目标行为场景信息匹配的每一个典型用户操作行为序列对应的其它序列片段数量,所述典型用户操作行为序列对应的其它序列片段数量用于反映在所述典型用户操作行为序列的每一个所述典型分割行为序列片段中筛除掉所述第一分割行为序列片段后保留的典型分割行为序列片段的数量;
分析出所述其它序列片段数量大于预先确定的对比序列片段数量的典型用户操作行为序列,并确定该典型用户操作行为序列的数量与全部典型用户操作行为序列的数量之间的比值,以得到对应的其它片段数量占比;
倘若所述其它片段数量占比小于预先确定的参考其它片段数量占比,则对所述目前的参考数量占比进行标记,以标记为参考典型片段数量占比;
倘若所述其它片段数量占比大于或等于所述参考其它片段数量占比,则基于预先配置的优化参数,对所述目前的参考数量占比进行优化处理,以形成新的目前的参考数量占比,以及,基于所述新的目前的参考数量占比,回转执行所述基于目前的参考数量占比,在每一个所述典型分割行为序列片段中,筛选出第一分割行为序列片段的步骤。
5.如权利要求2所述的基于人工智能的元宇宙体验用户行为预测方法,其特征在于,所述基于每一个所述保留分割行为序列片段,确定出所述目标用户操作行为序列对应的重要用户操作行为的步骤,包括:
基于每一个所述保留分割行为序列片段进行拼接操作,以形成对应的拼接分割行为序列片段,每一个所述拼接分割行为序列片段包括具有相邻时序的至少两个保留分割行为序列片段;
在每一个所述拼接分割行为序列片段中,抽选出扩展分割行为序列片段,所述扩展分割行为序列片段属于具有其它扩展信息的拼接分割行为序列片段,是否具有其它扩展信息,通过在关联的数据库中进行查找确定;
在每一个所述扩展分割行为序列片段中,抽选出对应的独立分割行为序列片段,在所述独立分割行为序列片段对应的扩展分割行为序列片段以外的其它扩展分割行为序列片段中,都不包括该独立分割行为序列片段;
基于所述独立分割行为序列片段,分析出所述目标用户操作行为序列对应的重要用户操作行为。
6.如权利要求1所述的基于人工智能的元宇宙体验用户行为预测方法,其特征在于,所述挖掘出每一个所述重要用户操作行为对应的操作行为含义数据的步骤,包括:
提取到所述重要用户操作行为对应的行为描述音频帧,以得到每一个所述重要用户操作行为对应的行为描述音频帧序列;
分别对每一个所述重要用户操作行为对应的行为描述音频帧序列进行关键信息挖掘操作,以输出每一个所述重要用户操作行为对应的关键信息描述向量,并确定出每一个所述重要用户操作行为对应的相关用户操作行为,以及,挖掘出该相关用户操作行为对应的关键信息描述向量;
对于每一个所述重要用户操作行为,依据该重要用户操作行为对应的相关用户操作行为对应的关键信息描述向量,对该重要用户操作行为对应的关键信息描述向量进行关联显著性特征分析操作,以输出该重要用户操作行为对应的关联关键信息描述向量;
分别依据每一个所述关联关键信息描述向量,分析出对应的每一个所述重要用户操作行为对应的操作行为含义数据。
7.如权利要求1所述的基于人工智能的元宇宙体验用户行为预测方法,其特征在于,所述基于每一个所述操作行为含义数据和预先确定的每一个参考行为目标的行为目标说明数据,分析出每一个所述重要用户操作行为与每一个所述参考行为目标之间的行为目标匹配参数的步骤,包括:
基于每一个所述操作行为含义数据和每一个所述参考行为目标的目标主题说明数据,计算出每一个所述操作行为含义数据与每一个所述参考行为目标之间的初始匹配参数;
基于每一个所述初始匹配参数,分析出每一个所述重要用户操作行为和每一个所述参考行为目标之间的行为目标匹配参数。
8.如权利要求7所述的基于人工智能的元宇宙体验用户行为预测方法,其特征在于,所述基于每一个所述操作行为含义数据和每一个所述参考行为目标的目标主题说明数据,计算出每一个所述操作行为含义数据与每一个所述参考行为目标之间的初始匹配参数的步骤,包括:
基于每一个所述操作行为含义数据和每一个所述参考行为目标的目标主题说明数据,匹配出每一个所述操作行为含义数据与每一个所述参考行为目标的目标主题说明数据之间的相同含义数据单元;
在每一个所述操作行为含义数据与每一个所述参考行为目标的目标主题说明数据之间的相同含义数据单元中,分析出每一个所述操作行为含义数据与每一个所述参考行为目标的目标主题说明数据之间的第一相同含义数据单元,对于所述操作行为含义数据与所述参考行为目标的目标主题说明数据之间的第一相同含义数据单元,该第一相同含义数据单元不存在于该操作行为含义数据与该参考行为目标的目标主题说明数据的各相同含义数据单元中该第一相同含义数据单元之外的其它相同含义数据单元中;
计算出每一个所述操作行为含义数据与每一个所述参考行为目标的目标主题说明数据的第一相同含义数据单元的数据单元数目,在每一个所述参考行为目标的目标主题说明数据的数据单元数目中具有的单元数目占比;
基于每一个所述单元数目占比、每一个所述操作行为含义数据与每一个所述参考行为目标的目标主题说明数据的第一相同含义数据单元在对应的操作行为含义数据中的出现频率信息,并结合每一个所述操作行为含义数据与每一个所述参考行为目标的目标主题说明数据的第一相同含义数据单元的第一重要度参数,分析出每一个所述操作行为含义数据与每一个所述参考行为目标的目标主题说明数据之间的初始匹配参数。
9.如权利要求1所述的基于人工智能的元宇宙体验用户行为预测方法,其特征在于,所述基于人工智能的元宇宙体验用户行为预测方法还包括:
确定出每一个所述参考行为目标对应的匹配重要性参数;
所述基于每一个所述序列目标匹配参数,在每一个所述参考行为目标中,分析出所述目标用户操作行为序列对应的匹配行为目标的步骤,包括:
基于每一个所述序列目标匹配参数和每一个所述参考行为目标对应的匹配重要性参数,分析出所述目标用户操作行为序列和每一个所述参考行为目标之间具有的更新序列目标匹配参数;
基于每一个所述更新序列目标匹配参数,在每一个所述参考行为目标中,分析出所述目标用户操作行为序列对应的匹配行为目标。
10.一种基于人工智能的元宇宙体验用户行为预测系统,其特征在于,包括处理器和存储器,所述存储器用于存储计算机程序,所述处理器用于执行所述计算机程序,以实现权利要求1-9任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310303530.2A CN116307218A (zh) | 2023-03-27 | 2023-03-27 | 基于人工智能的元宇宙体验用户行为预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310303530.2A CN116307218A (zh) | 2023-03-27 | 2023-03-27 | 基于人工智能的元宇宙体验用户行为预测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116307218A true CN116307218A (zh) | 2023-06-23 |
Family
ID=86832174
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310303530.2A Pending CN116307218A (zh) | 2023-03-27 | 2023-03-27 | 基于人工智能的元宇宙体验用户行为预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116307218A (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109711380A (zh) * | 2019-01-03 | 2019-05-03 | 电子科技大学 | 一种基于全局上下文信息的时序行为片段生成系统及方法 |
WO2021259322A1 (zh) * | 2020-06-23 | 2021-12-30 | 广州筷子信息科技有限公司 | 一种生成视频的系统和方法 |
CN114189685A (zh) * | 2021-12-08 | 2022-03-15 | 安徽创世科技股份有限公司 | 一种基于视频相关性的视频预处理方法、装置以及存储介质 |
CN114998799A (zh) * | 2022-06-07 | 2022-09-02 | 山东省人工智能研究院 | 基于全局知识挖掘和前景注意力的交互视频动作检测方法 |
CN115471553A (zh) * | 2022-09-15 | 2022-12-13 | 北京河图联合创新科技有限公司 | 一种元宇宙空间用户行为预测方法、装置及存储介质 |
CN115712657A (zh) * | 2022-10-20 | 2023-02-24 | 高哲 | 基于元宇宙的用户需求挖掘方法及系统 |
CN115718846A (zh) * | 2022-12-22 | 2023-02-28 | 云南炳暖蔡网络科技有限公司 | 用于智能化交互网络的大数据挖掘方法及系统 |
CN115757900A (zh) * | 2022-12-20 | 2023-03-07 | 邢台达喆网络科技有限公司 | 应用人工智能模型的用户需求分析方法及系统 |
-
2023
- 2023-03-27 CN CN202310303530.2A patent/CN116307218A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109711380A (zh) * | 2019-01-03 | 2019-05-03 | 电子科技大学 | 一种基于全局上下文信息的时序行为片段生成系统及方法 |
WO2021259322A1 (zh) * | 2020-06-23 | 2021-12-30 | 广州筷子信息科技有限公司 | 一种生成视频的系统和方法 |
CN114189685A (zh) * | 2021-12-08 | 2022-03-15 | 安徽创世科技股份有限公司 | 一种基于视频相关性的视频预处理方法、装置以及存储介质 |
CN114998799A (zh) * | 2022-06-07 | 2022-09-02 | 山东省人工智能研究院 | 基于全局知识挖掘和前景注意力的交互视频动作检测方法 |
CN115471553A (zh) * | 2022-09-15 | 2022-12-13 | 北京河图联合创新科技有限公司 | 一种元宇宙空间用户行为预测方法、装置及存储介质 |
CN115712657A (zh) * | 2022-10-20 | 2023-02-24 | 高哲 | 基于元宇宙的用户需求挖掘方法及系统 |
CN115757900A (zh) * | 2022-12-20 | 2023-03-07 | 邢台达喆网络科技有限公司 | 应用人工智能模型的用户需求分析方法及系统 |
CN115718846A (zh) * | 2022-12-22 | 2023-02-28 | 云南炳暖蔡网络科技有限公司 | 用于智能化交互网络的大数据挖掘方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110609952B (zh) | 数据采集方法、系统和计算机设备 | |
CN113254255B (zh) | 一种云平台日志的分析方法、系统、设备及介质 | |
WO2020140624A1 (zh) | 从日志中提取数据的方法和相关设备 | |
CN113656254A (zh) | 基于日志信息的异常检测方法、系统和计算机设备 | |
CN111931809A (zh) | 数据的处理方法、装置、存储介质及电子设备 | |
CN116310914B (zh) | 基于人工智能的无人机监控方法及系统 | |
CN115098556A (zh) | 用户需求匹配方法、装置、电子设备及存储介质 | |
CN112181430A (zh) | 代码变更统计方法、装置、电子设备及存储介质 | |
CN112364185B (zh) | 多媒体资源的特征确定方法、装置、电子设备和存储介质 | |
CN110198299B (zh) | 一种入侵检测方法和装置 | |
CN108830302B (zh) | 一种图像分类方法、训练方法、分类预测方法及相关装置 | |
CN116307218A (zh) | 基于人工智能的元宇宙体验用户行为预测方法及系统 | |
CN115271277A (zh) | 电力设备画像构建方法、系统、计算机设备及存储介质 | |
CN116822491A (zh) | 日志解析方法及装置、设备、存储介质 | |
CN113627514A (zh) | 知识图谱的数据处理方法、装置、电子设备和存储介质 | |
CN115186738A (zh) | 模型训练方法、装置和存储介质 | |
CN111723872B (zh) | 行人属性识别方法及装置、存储介质、电子装置 | |
CN113946717A (zh) | 一种子图指标特征获得方法、装置、设备及存储介质 | |
CN113535458A (zh) | 异常误报的处理方法及装置、存储介质、终端 | |
CN112860652A (zh) | 作业状态预测方法、装置和电子设备 | |
CN113052635A (zh) | 人口属性标签预测方法、系统、计算机设备和存储介质 | |
CN112750047A (zh) | 行为关系信息提取方法及装置、存储介质、电子设备 | |
CN113535594B (zh) | 业务场景测试用例的生成方法、装置、设备和存储介质 | |
CN117539948B (zh) | 基于深度神经网络的业务数据检索方法及装置 | |
CN117591624B (zh) | 一种基于语义索引关系的测试用例推荐方法 |
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 |