CN116823408A - 基于虚拟现实的商品推荐方法、装置、终端及存储介质 - Google Patents

Abstract

本申请实施例涉及虚拟现实技术领域，具体提供了一种基于虚拟现实的商品推荐方法、装置、终端及存储介质。该方法包括：获取用户的基础属性信息和第一用户行为信息，其中，第一用户行为信息至少包括脑电数据，脑电数据用于用于表征用户的情绪变化；根据第一用户行为信息进行数据分析获得用户对应的目标行为特征；根据基础属性信息和目标行为特征确定用户在虚拟现实场景中对商品的第一兴趣度；根据第一兴趣度确定用户的推荐策略，并根据推荐策略生成匹配的商品推荐列表。从而至少根据用户的基础属性信息和面部数据获得用户在虚拟消费场景中的真实意图，进而向用户推荐匹配的虚拟商品，提高了用户在虚拟消费场景中的体验感和满意度。

Description

基于虚拟现实的商品推荐方法、装置、终端及存储介质

技术领域

本发明涉及虚拟现实技术领域，尤其涉及一种基于虚拟现实的商品推荐方法、装置、终端及存储介质。

背景技术

随着虚拟现实技术的高速发展，元宇宙变得越来越真实并普及，用户可以通过各类虚拟现实设备在元宇宙中进行社交、娱乐、消费甚至工作，体验前所未有的虚拟现实生活。这为商家和开发者带来新的机会与蓝海，也使虚拟消费成为未来消费趋势，使个性化虚拟消费成为虚拟现实与元宇宙融合发展的重点与机遇。然而，现有技术中实现虚拟消费场景时，主要依赖控制器或手势等信息实现用户在虚拟消费场景中进行虚拟商品推荐，无法根据用户真实意图推荐感兴趣的虚拟商品，导致用户在虚拟消费场景中难以获得与真实消费场景下的相同体验，进而降低用户在虚拟消费场景中的体验感和满意度。

元宇宙是指融合现实与虚拟的真实互联互通、高度沉浸的3D虚拟空间。它被视为继移动互联网之后互联网的下一代形态，必将带来值得期待的变革与机遇。随着虚拟现实技术的高速发展，元宇宙变得越来越真实并普及。在元宇宙中，人们的生命已经跳脱物理世界的范围，成为跨越时空的异世界体验。用户可以通过各类虚拟现实设备在元宇宙中进行社交、娱乐、消费甚至工作，体验前所未有的虚拟现实生活。这为商家和开发者带来新的机会与蓝海，也使虚拟消费成为未来消费趋势。这使个性化虚拟消费成为虚拟现实与元宇宙融合发展的重点与机遇。

然而，要实现高度个性化的虚拟消费场景，现有技术在多方面仍显不足：1)现有用户画像技术无法从用户日常虚拟行为中准确判断其广泛的虚拟商品兴趣，难以建立详尽的用户兴趣模型，为后续的个性化服务提供基础；2)现有推荐技术难以做到高度个性化，无法根据不同用户特征与行为制定个性化的推荐策略，满足其复杂多变的个性需求；3)现有虚拟现实系统的虚拟交互方式较为简单，主要依赖控制器或手势，与真实世界的人机交互存在较大差距，无法提供高度逼真的虚拟消费场景，虚拟角色也主要起展示作用，无法提供智能化服务；4)现有虚拟现实技术难以实现虚拟环境与真实环境之间的高效信息同步，导致虚拟消费场景下用户的虚拟体验与真实获得之间存在较大鸿沟，无法实现无缝衔接。

为了解决现有技术中对虚拟现实环境中用户体验感和满意度不足的问题，本申请提出一种基于虚拟现实的商品推荐的方案，通过将用户在虚拟现实场景中的数据进行采集并分析，进而获得用户的真实意图，进而提高在虚拟现实环境中商品推荐的准确率，从而提高用户的体验感和满意度。

发明内容

本发明实施例的主要目的在于提供一种基于虚拟现实的商品推荐方法、终端设备及存储介质，旨在解决在虚拟消费场景中主要依赖控制器或者手势等信息实现用户在虚拟消费场景中进行虚拟商品推荐，无法根据用户真实意图推荐感兴趣的虚拟商品，降低了用户在虚拟消费场景中的体验感和满意度的问题。

第一方面，本发明实施例提供一种基于虚拟现实的商品推荐方法，包括：

获取用户的基础属性信息和第一用户行为信息，其中，所述第一用户行为信息至少包括脑电数据，所述脑电数据用于表征所述用户的情绪变化；

根据所述第一用户行为信息进行数据分析获得所述用户对应的目标行为特征；

根据所述基础属性信息和所述目标行为特征确定所述用户在虚拟现实场景中对商品的第一兴趣度；

根据所述第一兴趣度确定所述用户的推荐策略，并根据所述推荐策略生成匹配的商品推荐列表。

第二方面，本申请实施例还提供一种基于虚拟现实的商品推荐装置，包括：

信息获取模块，用于获取用户的基础属性信息和第一用户行为信息，其中，所述第一用户行为信息至少包括脑电数据，所述脑电数据用于表征所述用户的情绪变化；

信息分析模块，用于根据所述第一用户行为信息进行数据分析获得所述用户对应的目标行为特征；

兴趣确认模块，用于根据所述基础属性信息和所述目标行为特征确定所述用户在虚拟现实场景中对商品的第一兴趣度；

商品推荐模块，用于根据所述第一兴趣度确定所述用户的推荐策略，并根据所述推荐策略生成匹配的商品推荐列表。

第三方面，本发明实施例还提供一种终端设备，所述终端设备包括处理器、存储器、存储在所述存储器上并可被所述处理器执行的计算机程序以及用于实现所述处理器和所述存储器之间的连接通信的数据总线，其中所述计算机程序被所述处理器执行时，实现如本发明说明书提供的任一项基于虚拟现实的商品推荐方法的步骤。

第四方面，本发明实施例还提供一种存储介质，用于计算机可读存储，其特征在于，所述存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如本发明说明书提供的任一项基于虚拟现实的商品推荐方法的步骤。

本发明实施例提供一种基于虚拟现实的商品推荐方法、装置、终端及存储介质，其中，该方法包括获取用户的基础属性信息和第一用户行为信息，其中，第一用户行为信息至少包括脑电数据，脑电数据用于表征用户的情绪变化；根据第一用户行为信息进行数据分析获得用户对应的目标行为特征；根据基础属性信息和目标行为特征确定用户在虚拟现实场景中对商品的第一兴趣度；根据第一兴趣度确定用户的推荐策略，并根据推荐策略生成匹配的商品推荐列表，从而根据虚拟现在场景中用户的第一用户行为信息结合用户的基础属性信息进行数据分析获得用户对商品的第一兴趣度，进而根据第一兴趣度确定用户的推荐策略，从而解决了在虚拟消费场景中主要依赖控制器或者手势等信息实现用户在虚拟消费场景中进行虚拟商品推荐，无法根据用户真实意图推荐感兴趣的虚拟商品，降低了用户在虚拟消费场景中的体验感和满意度的问题，从而至少根据用户的基础属性信息和面部数据获得用户在虚拟消费场景中的真实意图，进而向用户推荐匹配的虚拟商品，提高了用户在虚拟消费场景中的体验感和满意度。

附图说明

为了更清楚地说明本申请实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，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，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的一种基于虚拟现实的商品推荐方法的流程示意图；

图2为图1中的基于虚拟现实的商品推荐方法的子步骤S2的流程示意图；

图3为本发明实施例提供的一种基于虚拟现实的商品推荐装置的模块结构示意图；

图4为本发明实施例提供的一种终端设备的结构示意框图。

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。

附图中所示的流程图仅是示例说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解、组合或部分合并，因此实际执行的顺序有可能根据实际情况改变。

应当理解，在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。

本申请实施例提供一种基于虚拟现实的商品推荐方法、装置、终端以及存储介质。其中，该基于虚拟现实的商品推荐方法可应用于终端设备，该终端设备可以为平板电脑、笔记本电脑、个人数字助理、穿戴式设备或服务器，其中，服务器可以为独立的服务器，也可以为服务器集群。

其中，本申请实施例提供一种基于虚拟现实的商品推荐方法、装置、终端以及可读存储介质，其中，该方法包括获取用户的基础属性信息和第一用户行为信息，其中，第一用户行为信息至少包括脑电数据，脑电数据用于表征用户的情绪变化；根据第一用户行为信息进行数据分析获得用户对应的目标行为特征；根据基础属性信息和目标行为特征确定用户在虚拟现实场景中对商品的第一兴趣度；根据第一兴趣度确定用户的推荐策略，并根据推荐策略生成匹配的商品推荐列表，从而根据虚拟现在场景中用户的第一用户行为信息结合用户的基础属性信息进行数据分析获得用户对商品的第一兴趣度，进而根据第一兴趣度确定用户的推荐策略，从而解决了在虚拟消费场景中主要依赖控制器或者手势等信息实现用户在虚拟消费场景中进行虚拟商品推荐，无法根据用户真实意图推荐感兴趣的虚拟商品，降低了用户在虚拟消费场景中的体验感和满意度的问题，从而至少根据用户的基础属性信息和面部数据获得用户在虚拟消费场景中的真实意图，进而向用户推荐匹配的虚拟商品，提高了用户在虚拟消费场景中的体验感和满意度。

下面结合附图，对本发明的一些实施例作详细说明。在不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。

请参照图1，图1为本发明实施例提供的一种基于虚拟现实的商品推荐方法的流程示意图。

如图1所示，该基于虚拟现实的商品推荐方法包括步骤S1至步骤S4。

步骤S1、获取用户的基础属性信息和第一用户行为信息，其中，所述第一用户行为信息至少包括脑电数据，所述脑电数据用于表征所述用户的情绪变化。

示例性地，在虚拟现实系统中创建虚拟现实场景，用户在登陆虚拟现实系统时获取用户的性别、年龄段、居住地等基础属性信息，此外，基础属性信息还可以包括职业、收入水平、婚姻状况、兴趣标签等。故而，用户的基础属性信息用于表征用户自身固有的属性信息。

示例性地，在用户使用虚拟现实场景的过程中收集用户对虚拟现实场景中的展示商品的用户行为信息，包括对展示商品作出反应的脑电数据，进而根据脑电数据捕捉到用户对展示商品的情绪变化。

示例性地，在用户使用虚拟现实场景的过程中收集用户对虚拟现实场景中的展示商品的用户行为信息，还包括对展示商品作出反应的面部数据、对展示商品的浏览数据等等，进而根据面部数据和浏览数据捕捉到用户对展示商品的情绪变化。

例如，虚拟现实场景为点餐场景，用户通过脑机头环在点餐场景中进行交互与选择，进而用户通过运动想象来进行虚拟商品的浏览、选择与点餐，如想象抬起手臂来触摸虚拟菜单来实现选择，需要通过脑机接口读取并解析用户的想象动作，进而转换成交互指令，并在该过程中采集用户的面部数据和浏览数据以及脑电数据。

例如，虚拟现实场景为点餐场景，用户通过手柄在点餐场景中进行交互与选择，进而用户通过手柄上的按键或操纵杆进行虚拟商品的浏览、选择与点餐，在该过程中采集用户的面部数据和浏览数据以及脑电数据。

在一些实施方式中，所述第一用户行为信息至少包括面部数据和脑电数据，获取第一用户行为信息，包括：根据所述用户在所述虚拟现实场景中的浏览行为、评价行为和选择行为确定所述用户对应的操作信息；获取所述用户在所述虚拟现实场景中对应的视频数据，并根据所述视频数据确定所述用户对应的所述面部数据；根据所述用户佩戴的可穿戴脑电采集设备获得所述用户对应的脑电数据；根据所述操作信息、所述面部数据和所述脑电数据确定所述第一用户行为信息。

示例性地，根据用户在虚拟现实中对虚拟商品的浏览行为、评价行为和选择行为进而根据上述行为确定用户对应的操作信息，操作信息用户表征用户对浏览的虚拟商品的感兴趣程度。获取用户在虚拟现实场景中对虚拟商品进行浏览行为、评价行为或选择行为时的视频数据，进而从视频数据中提取用户对该虚拟商品对应的面部数据，从而从面部数据中获取用户对虚拟商品的情绪变化。

示例性地，根据用户佩戴的可穿戴脑电采集设备，如轻便的EEG头环。根据头环的通道数量和分布来配置采集电极，一般会覆盖头皮不同区域以获取多方位的脑电活动，通常头环有16或32个电极。让用户佩戴配置好的脑电信号采集头环，调整至合适的位置，确保电极与头皮接触良好。用户佩戴头环时提供刺激或内容(如视频、图像等)，设置高采样率(1000Hz以上)，头环通过电极实时采集用户在不同刺激下的脑电活动。头环内部会有放大电路，对微弱的脑电信号进行放大处理，提高信噪比。放大后的脑电模拟信号被A/D转换器转换为数字信号进行处理。数字脑电信号可以通过蓝牙等方式无线传输到接收设备如PC进行存储和分析。采集到的原始数字脑电信号存入存储设备,以进行后续的预处理和分析，从而从脑电数据中获取用户对虚拟商品的情绪变化。

示例性地，最后将操作信息、面部数据和脑电数据作为用户对应地第一用户行为信息。

例如，虚拟现实场景为点餐场景，持续采集用户在点餐场景中各种行为数据，主要包括: 浏览行为对应的浏览数据，包括用户浏览过的虚拟商品种类与次数；选择行为对应的选择数据，包括用户最终选择购买或点评过的虚拟商品；评价行为对应的评价数据包括用户对虚拟商品的评语或给出的星级评分，以及在点餐过程中面部数据和脑电数据进行同步收集，从而进而根据上述行为数据、面部数据和脑电数据共同作为第一用户行为信息，从而更好更准确的反映用户的真实喜好与偏好 。

步骤S2、根据所述第一用户行为信息进行数据分析获得所述用户对应的目标行为特征。

示例性地，根据第一用户行为信息对用户行为进行分析获得用户对应的标签信息，进而根据标签信息进行信息融合确定用户对应的目标行为特征。

在一些实施方式中，所述根据所述第一用户行为信息进行数据分析获得所述用户对应的目标行为特征，参照图2，步骤S2包括步骤S21至步骤S24。

步骤S21：根据所述操作信息利用用户兴趣模型进行分类获得所述用户对应的第一行为特征。

示例性地，用户兴趣模型为基于商品的过滤模型，进而根据用户浏览行为与选择行为获得的操作信息中确定的虚拟商品提取它们的共同特征来判断用户的兴趣，进而获得用户对应的第一行为特征。

例如，用户在浏览行为与选择行为中获得的操作信息中确定用户选择过多款“清爽口味”的饮品则判断用户对“清爽口味”感兴趣。

示例性地，用户兴趣模型为用户协同过滤模型，通过操作信息计算用户之间的相似度，将相似用户感兴趣的商品也推荐给目标用户，进而获得用户对应的第一行为特征。

例如，在用户A对应的操作信息与用户B对应的操作信息相似度超过预设范围时，则表明用户A和用户B为相近用户，进而可以将用户A喜欢的商品也推荐给用户B，用户A的第一行为特征与用户B的第一行为特征也相同或相似。

示例性地，用户兴趣模型为属性规则过滤模型，根据用户对应的操作信息确定用户的兴趣类型，进而根据兴趣类型确定用户的第一行为特征。

例如，在属性规则过滤模型中当根据操作信息判定用户A为潮流女孩时，则若在属性规则过滤模型中设置潮流女孩对应的行为特征为特质B，进而可以获得用户A对应的第一行为特征。

可选地，用户兴趣模型可为基于商品的过滤模型、用户协同过滤模型及属性规则过滤模型中的一种或多种，本申请不做具体限制，可根据需求进行组合。

步骤S22:根据所述面部数据进行情绪分析获得所述用户对应的第二行为特征。

示例性地，根据面部数据利用面部情绪分类模型进行情绪分类，进而获得用户对应的第二行为特征。

例如，面部情绪分类模型中包括开心、难过两种情绪，进而当面部数据输入到面部情绪分类模型后可根据面部情绪分类模型获得用户对应的情绪分类结果开心或难过。

在一些实施方式中，所述根据所述面部数据进行情绪分析获得所述用户对应的第二行为特征，包括：根据人脸识别技术对所述面部数据进行特征提取获得所述用户对应的面部特征；根据眼球追踪技术对所述面部数据进行眼球运动分析获得所述用户对应的眼球特征；根据所述面部特征和所述眼球特征确定所述用户对应的第二行为特征。

示例性地，在虚拟现实场景中使用摄像头实时捕获用户查看商品推荐列表的视频画面，根据Face API等人脸识别技术从视频画面中获取面部数据，对面部数据分析用户的眉毛位置、眼睛形态、嘴部动作等，从而根据用户对应的面部特征判断用户微表情。

例如，根据用户对应的面部特征判断用户微表情为微笑表情:若用户微笑持续时间<3s，表明兴趣一般，维持当前策略但准备替代策略; 若用户微笑持续3-5s，表明较强兴趣，增加推荐该类别商品权重0.1；若用户微笑>5s，表明极感兴趣,增加该类别商品权重0.3，同时推荐相关新商品；用户微笑迅速消失，更换替代策略，重新计算商品权重与匹配度；根据用户对应的面部特征判断用户微表情为困惑表情：用户出现皱眉表情，无法理解推荐内容，应立即更换推荐策略与内容类型。如从文字内容更换为视频或图文并茂内容；若困惑表情持续时间>10s,表明不满意，权重减0.2；若困惑表情持续时间>20s，表明强烈不适,应删除该内容，权重调整至0；根据用户对应的面部特征判断用户微表情为生气表情：出现怒容、眼睛瞪大、嘴角下拉等表情，立即更换推荐策略与内容以平复情绪，权重降低0.3，重新计算匹配度，选择与生气情绪相反的内容进行推荐。如轻松搞笑内容。

示例性地，对面部数据进行抽取获取用户的眼睛图像分析用户的眼球运动以判断视线焦点，采用眼球追踪技术应用图像算法检测眼球的轮廓与人眼中的光反射，计算出眼球的运动轨迹与视线方向进而确定用户对应的眼球特征。

其中，计算用户对应的眼球特征的常用的算法有Looking Glass、Apple ARKit、Tobii等。

例如，眼球对某内容聚焦3s内，兴趣一般，维持权重；眼球对某内容聚焦3-5s内，兴趣上升，权重增加0.1，眼球对某内容聚焦大于5s，兴趣明显，权重增加0.2； 若眼球快速扫过某内容，兴趣低，权重下调0.1；直接跳过某内容，兴趣极低，权重减半。

示例性地，在获得用户对应的面部特征和眼球特征后，将面部特征和眼球特征进行信息融合进而对融合后的信息进行分类从而确定用户对应的第二行为特征。

例如，根据面部特征确定微表情后根据微表情信息调整用户对应的面部特征的权重信息以及根据眼球特征确定眼球的运动轨迹与视线方向从而根据眼球特征调整用户对应的眼球特征的权重信息，进而根据面部特征的权重信息和眼球特征的权重信息进行融合获得融合特征，进而对融合特征进行分类获得用户对应的第二行为特征。

步骤S23:根据所述脑电数据进行信号分析获得所述用户对应的第三行为特征。

示例性地，首先对脑电数据进行信号预处理获得预处理结果，再对预处理结果进行特征提取从而获得脑电数据对应的特征信息，再对特征信息进行情绪分类获得用户对应的第三行为特征。

例如，信号预处理包括：对脑电数据使用低通滤波器进行信号滤波，去除高频随机噪声，再获得的信息进行去均值和去线性趋势处理，消除因为漂移引入的直流分量和缓慢变化趋势。使用独立成分分析(ICA)等方法分离并去除由眼睛运动引起的电生理噪声。选择一个相对中性的参考电极作为基准电极，对所有通道的信号进行基准校正。将连续的脑电信号分成定长的段落，以划分对应的事件响应段。在各个段落上取平均，用于增强事件相关脑电特征，减少非相关背景噪声。

其中，低通滤波器可以设计为截止频率在40-100Hz之间，采用陷波滤波或数字滤波的方式消除50Hz或60Hz的工频干扰。

例如，特征处理包括：将预处理后的信号进行时频分析,通常采用小波变换等方法分解出不同频带的节律成分。分析delta节律(1-4Hz)、theta节律(4-8Hz)、alpha节律(8-13Hz)、beta节律(13-30Hz)、gamma节律(30Hz以上)等不同频率范围的能量特征。delta和theta节律能量反映大脑的注意力水平；alpha和beta范围的节律反映情绪和情感反应。从时频图中提取各频段在不同时间窗口内的平均幅值或功率作为特征向量。也可以提取不同脑区通道在特定频带中的功率相对比例作为特征。通过与行为事件标记和反应时间的对齐,提取事件相关脑电特征。使用机器学习算法对特征进行降维,提取对用户态度判断有意义的关键特征。结合内容的连续性,在不同时间窗口内提取脑电特征,判断用户的持续关注程度。

例如，脑电数据进行情绪分类包括特征提取时注意区分来自前额叶等与情绪相关区域的脑电特征，在内容展示过程中持续采集用户脑电信号，并拆分成时间间隔连续的样本。将样本依次输入分类模型，每个时间片给出一个预测类别结果。通过时间维度上情绪预测类别的变化，判断内容引起用户情绪反应的趋势。如果多数时间片结果预测为正面情绪，则判断内容带来正面反应，如果出现负面情绪预测持续时间过长，则判断用户产生负面情感。最后再将脑电数据对应的情感分析结果转化为向量表达作为第三行为特征。

此外，在根据脑电数据进行情绪分类获得第三行为特征过程中还可以通过面部分析可以得到如表情、微表情、视线等空间-时间特征对应的面部特征。脑电信号分析可以得到不同脑区在时频域的能量特征作为脑电特征。对面部特征和脑电特征按时间轴统一对齐，得到同一时间段的多模态特征，利用正则化等方法对面部特征和脑电特征进行数值归一化处理，通过特征选择算法选择两种类型特征中的互补信息，构建联合特征向量。设计权重向量融合面部特征和脑电特征，比如权重0.6和0.4。也可以使用多视图学习算法学习两类特征的潜在关联，得到融合特征。再根据融合特征进行情绪识别获得第三行为特征。

此外，将融合特征进行情绪识别可以将融合特征输入分类器模型，如SVM、KNN等可以通过训练获得。分类器可以判断用户对内容的关注、喜好等多维度的兴趣程度。相比单一特征，融合特征可以更全面反映用户的兴趣倾向，获得更加准确的第三行为特征。

步骤S24:融合所述第一行为特征、所述第二行为特征和所述第三行为特征确定所述用户对应的目标行为特征。

示例性地，将第一行为特征、第二行为特征和第三行为特征进行特征融合进而获得用户对应的目标行为特征。

例如，根据第一行为特征、第二行为特征和第三行为特征设置不同的融合权重，从而根据融合权重将第一行为特征、第二行为特征和第三行为特征进行融合获得目标行为特征。

步骤S3：根据所述基础属性信息和所述目标行为特征确定所述用户在虚拟现实场景中对商品的第一兴趣度。

示例性地，根据基础属性信息和目标行为特征进行融合分析获得用户对应的目标标签属性，再获取商品的属性信息，计算目标标签属性和商品的属性信息的相似度，进而将相似度结果作为在虚拟现实场景中用户对商品的第一兴趣度。

在一些实施方式中，所述根据所述基础属性信息和所述目标行为特征确定所述用户在虚拟现实场景中对商品的第一兴趣度，包括：确定所述商品对应的商品属性信息；根据所述基础属性信息确定所述用户对应的目标基本特征；根据所述目标基本特征和所述目标行为特征确定所述用户对应的目标综合特征；根据所述目标综合特征和所述商品属性信息确定所述用户在虚拟现实场景中对商品的第一兴趣度；目标综合特征根据下式获得：

U = a*B + b* H(t) *λ(t)

其中，a表示目标基本特征对应的权重信息，B表示目标基本特征，b表示目标行为特征对应的权重信息，H(t)表示t时刻下所述用户对应的目标行为特征，λ(t)表示t时刻下所述目标行为特征对应的衰减因子。

示例性地，确定虚拟现实场景中商品对应的商品属性信息，并将用户的基础属性信息进行归一化处理获得用户对应的目标基本特征，进而将目标基本特征和目标行为特征进行特征融合获得用户对应的目标综合特征，从而根据商品属性信息和目标综合特征确定商品属性信息中各个属性的权重信息，进而根据权重信息确定用户在虚拟现实场景中对商品的第一兴趣度。

例如，商品属性信息通过提取每个虚拟商品的属性标签，如口味、酒精度数、产地等特征。目标行为特征从用户兴趣模型中获得用户感兴趣的属性标签，包括但不限于浏览记录：用户浏览过该虚拟商品的次数与时长；评分记录：用户对该虚拟商品的历史评分，根据上述信息，可以采用类似项匹配、协同过滤等技术计算商品的匹配度。匹配度越高表示该商品越符合用户兴趣。

示例性地，在获得用户对应的目标综合特征时仅对目标行为特征设置时间衰减系数，因为其是动态变化的。

示例性地，第一用户行为信息A(t)，对A(t)进行数据分析,获得用户对应的目标行为特征H(t) = f(A(t))，定义时间衰减函数λ(t), λ(t)∈[0,1]，将H(t)与λ(t)相乘，得到衰减后的行为特征H(t) *λ(t)，再将H(t) *λ(t)与用户基本特征B融合，得到目标综合特征U=a*B + b* H(t) *λ(t)。

用户的兴趣和喜好是动态变化的，不能简单地依据过去的行为进行推断。用户近期的行为能更准确反映用户当前的兴趣倾向。需要对用户行为进行时间衰减处理，让近期行为对模型影响更大。时间衰减可以赋予不同时间的用户行为以不同的权重。时间衰减函数λ(t)∈[0,1],可以控制衰减的速率，λ(t)可以设定为按时间呈指数衰减、线性衰减或其他形式。衰减后用户行为特征H(t) *λ(t)反映了用户兴趣的动态变化，H(t) *λ(t)与用户基本特征融合，形成动态更新的目标行为特征，从而提高了模型的动态响应能力和推荐的实时性、精准性。

示例性地，商品属性信息A = {a1，a2，...，an}，用户对应的目标综合特征U ={u1，u2，...，um}，则重合标签C = A∩U，重合度r = |C|/|U|，商品属性权重W = {w1，w2，...，wk}，进而可以获得第一兴趣度 S = Σ wi * ri。

例如，商品属性信息中某商品的属性信息为甜味、10%酒精、法国。目标综合特征包括甜味、红酒、甜品、法国，进而计算商品属性信息和目标综合特征之间的标签匹配，其中，重合标签为甜味、法国，重合度为2/4=50%。若该商品的商品属性信息中属性加权为口味与产地属性的加权值为0.6，酒精度数的加权值为0.4。则商品的加权匹配度为甜味:0.6×50%=0.3；10%酒精:0.4×0%=0；法国：0.6×50%=0.3 ，加权匹配度:0.3 + 0 + 0.3 = 0.6 ，也即，用户在虚拟现实场景中对该商品的第一兴趣度为0.6。

此外，还可以根据协同过滤方法通过对类似用户的行为分析，获取该商品被用户群体浏览或评分的可能性为70%，进而综合计算:设置标签匹配度占比0.5,属性加权占比0.3,协同过滤占比0.2。则商品的第一兴趣度为:0.5×50% + 0.3×0.6 + 0.2×70% =0.25 + 0.18 + 0.14 = 0.57。所以，用户在虚拟现实场景中对该商品的第一兴趣度为0.57，表示一个中等程度的匹配。

在一些实施方式中，所述根据所述目标综合特征和所述商品属性信息确定所述用户在虚拟现实场景中对商品的第一兴趣度，包括：根据所述目标综合特征确定所述商品对应的商品匹配度，并确定所述商品匹配度对应的第一推荐权重；根据所述商品属性信息确定所述商品对应的商品标签和商品推荐度，并确定所述商品标签对应的第二推荐权重以及确定所述商品推荐度对应的第三推荐权重；根据所述第一推荐权重、所述第二推荐权重、所述第三推荐权重、所述商品匹配度、所述商品标签和所述商品推荐度确定所述用户在虚拟现实场景中对商品的第一兴趣度；根据下式计算所述第一兴趣度：

其中，表示S所述第一兴趣度，表示所述第一推荐权重，P表示所述商品匹配度，表示所述第二推荐权重，L表示所述商品标签，/>表示所述第三推荐权重，T表示所述商品推荐度。

示例性地，根据目标综合特征和商品属性信息进行相似度计算获得商品对应的商品匹配度；根据商品属性信息获得商品标签对应的属性信息，进而根据属性信息确定商标标签。并根据商品属性信息中商家推荐的属性信息获得商品推荐度。确定商品匹配度对应的第一推荐权重α、商品标签对应的第二推荐权重β以及确定商品推荐度对应的第三推荐权重γ，其中，α、β、γ取值范围为0~1，用于衡量不同因素的重要性。其中，α衡量商品匹配度的重要性，值越大则用户兴趣匹配度对推荐度的影响越大，一般取较高值如0.5~0.8；β衡量新商品标记的重要性，值越大则新商品标记对推荐度的影响越大，可以取0.1~0.3；γ衡量商家推荐权重的重要性,表示商家推荐的重要性，值越大则商家推荐权重对推荐度的影响越大，可以取0.05~0.2，并且三者之和为1。

其中，γ用于表示商家主观上认为的该商品的推荐优先级，设置“商家推荐权重”的目的主要有:（1）体现商家的主观偏好，每个商品在推出时，商家会根据自己的判断给予它一个推荐优先级或权重。这可以直接影响商品的展示顺序或列表中位置。设置该权重可以让算法中的商品排序结果部分地体现出商家的主观偏好；（2）引入更丰富的推荐因素：除了匹配算法计算的结果外，还能融入商家主观判断这个额外的推荐因素。这可以在一定程度上丰富推荐结果，减少过于机械化的匹配结果；（3）针对特殊商品调整:如果某个商品由于特殊原因希望获得更高推荐排序，商家可以通过提高其推荐权重来实现这一目的。这为算法推荐结果中的微调提供了手段。（4）针对特殊情况下的误差调节:算法匹配的结果不可能100%精确，在特殊情况下可能出现的误差判断，商家推荐权重可以在一定程度上进行修正，提高推荐准确性。

示例性地，商品标签L反映的是商品的内在属性和类别,这些都是相对稳定的特征。用户对不同类别商品的偏好也比较稳定和系统性,不太可能随时间快速改变。如果对商品标签使用时间衰减函数,会使同类商品的标签权重随时间衰减。这不符合商品类别这一稳定特征的本质。

示例性地，T 代表的是商家给商品的主观推荐权重设置。这一设置反映了商家对某商品的初始预估偏好。与用户兴趣不同,这种预设的主观偏好应该相对稳定。如果使用时间衰减,会使同一商品的 T 值随时间衰减。这不符合 T 作为稳定权重设置的意义。

示例性地，根据商品属性信息获得商品标签对应的属性信息，进而根据属性信息确定商标标签，其中商家标签用于表征该商品是否为新商品，通过设置“新商品标记”的目的主要有（1）推荐最新商品：通过标记新上线的商品，可以使其在推荐结果中获得较高的权重，更容易被推荐到用户，实现对最新商品的推荐；（2）达到商家的推广目的：新商品刚上线时，商家通常会采取更为积极的推广手段，在推荐算法中设置新商品标记，可以自动推荐这些商品，帮助商家实现推广目的；（3）匹配的补充：算法的匹配计算主要依据历史数据进行，对于新添加的商品因缺乏数据难以准确匹配，新商品标记可以在一定程度上弥补这个不足；（4）丰富推荐结果：推荐仅依据历史匹配商品容易显得单一乏味，新商品标记的加入可以推荐一些全新的选择给用户，丰富推荐结果。

示例性地，商品标签L用于表征是否为新商品标记，商品推荐度T用于表征商家对该该商品的推荐强度。商品推荐度T和商品标签L可能推荐一些实际上并不适合用户的商品，例如，由于新商品本身缺乏数据支持，难以精确判断其与用户的匹配度。所以，在算法中需要对权重β、γ进行控制。

例如，某商品的商品匹配度为0.7(最高值为1)，属于新品商品故商品标记取1(最高值为1)，商家推荐权重取为最高0.5(最高值为0.5)，若取α=0.75，β=0.2,γ=0.05，则α=0.75，β=0.2，γ=0.05，三者之和为1。则该商品的第一兴趣度S为:第一兴趣度S= 0.75×0.7+ 0.2×1 + 0.05×0.5 = 0.75，这个值已超过0.5的中值，可视为一个较高的第一兴趣度，该商品很可能会出现在用户的推荐列表中，并且列表的较前位置。

在一些实施方式中，确定用户对商品的第一兴趣度还可以根据个性化推荐算法，根据用户属性与兴趣，将用户分为不同类型，为每类用户设定不同的推荐策略。

例如，若用户类型为新用户则推荐热门商品及新商品，以激发其体验热情，同时推荐各类产品让新用户尽快找到感兴趣的商品类目；若用户类型为活跃用户则根据其丰富的历史行为及兴趣推荐符合其偏好的商品，可以通过对用户历史行为进行分类，比如会区分用户购买过的种类、价格区间等，为其推荐相应类别的商品；若用户类型为社交用户则更多推荐其好友喜欢的商品或同好圈商品，可以通过社交网络分析，挖掘出用户的虚拟朋友圈，将圈内其他用户喜欢的商品也推荐给该用户；若用户类型为理性用户则更多推荐高评分及高质量的虚拟商品，可以通过对用户历史选择商品的评分与评论进行分析判断用户偏向选择高评价的高质量商品；若用户类型为主流用户:推荐当前最流行与热门的虚拟商品，过分析全体用户的浏览量、选择量与评价数据，确定那些商品最近时间内最受用户欢迎，将它们推荐给追求主流风尚的用户；若用户类型为个性用户则推荐独特与个性强的虚拟商品，可以通过对商品的特色与个性标签进行提取,找到那些比较新颖与非主流的商品推荐给个性用户。

步骤S4：根据所述第一兴趣度确定所述用户的推荐策略，并根据所述推荐策略生成匹配的商品推荐列表。

示例性地，根据虚拟现实场景中每个商品的第一兴趣度确定对应的用户推荐策略，进而根据推荐策略生成匹配的商品推荐列表。

例如，虚拟现实场景中每个商品的第一兴趣度均低于预设兴趣度，则表明用户对现有虚拟现实场景中每个商品的兴趣度不高或者现有用户信息无法获得用户准确的感兴趣商品，进而可以根据用户画像判断出需要采取的推荐策略,如新用户策略、活跃用户策略等，进而根据推荐策略筛选出符合策略的商品子集。例如新用户策略可选择较高匹配度的热门新商品子集作为商品推荐列表。

或者，当虚拟现实场景中预设百分比下的商品的第一兴趣度满足预设兴趣度时，则按第一兴趣度由高到低排序所有商品，进而从排序后的商品列表中筛选出符合策略的商品子集。若商品子集的数量仍较大，需要进一步过滤以生成商品推荐列表。过滤规则为:a)选择第一兴趣度排名靠前且分类均衡的商品。如口味、酒精度、产地等属性尽量都覆盖。b)参考用户历史选择，保留其曾选择类别或品牌的商品。 c) 参考虚拟环境中的商品展示位置等信息，保留位置较好的商品。位置较好的商品更容易被用户发现与选择。进而对过滤后的商品子集根据第一兴趣度高低进行重新排序，并选取第一兴趣度排名前N的商品生成个性化推荐列表。N的设置需要考虑用户感知的信息量。如果列表中的商品全部不符合用户历史选择，则需要人工干预，加入部分用户熟悉或偏好的商品类别以避免过于陌生。商品推荐列表生成后，会根据用户的浏览、点按与最后选择,不断收集用户反馈以优化用户画像、推荐策略与商品推荐算法。

在一些实施方式中，所述根据所述第一兴趣度确定所述用户的推荐策略，并根据所述推荐策略生成匹配的商品推荐列表之后，还包括：获取所述用户对应的第二用户行为信息，并根据所述第二用户行为信息对所述推荐策略进行分析确定推荐偏差信息；根据所述推荐偏差信息修正所述推荐策略确定目标推荐策略，并根据所述目标推荐策略生成新的商品推荐列表；根据下式获得新的商品推荐列表：J(π) = Eπ[R] = Eπ[Σγ^t*r(s(t)，a(t))]，其中，J(π)是商品推荐列表对应的策略π的期望累积折扣奖励值；γ是折扣因子，R为累积奖励；r(s(t)，a(t)) 为奖励函数，s(t)为状态空间，s(t)= {u(t), h(t), P(t), I}，s(t)表示所述用户在t时刻下的状态信息，u(t)表示t时刻下所述用户对应的基础属性信息，h(t)表示所述用户历史行为，P(t)为推荐策略参数，I为所有候选商品；a(t)表示行为空间，定义为a (t)= π(s)(t)，其中a(t)表示t时刻下所述用户采取的行动，π(s)(t)表示策略网络根据状态信息s(t)输出的行动概率分布；策略网络定义为π(s,a) = P(a|s)，策略网络通常采用全连接网络或卷积网络作为函数逼近器。

示例性地，根据推荐策略生成匹配的商品推荐列表之后，根据用户对商品推荐列表中商品的反应获取第二用户行为信息，进而根据第二用户行为信息对推荐策略获得的商品推荐列表进行分析获得推荐偏差信息，从而根据推荐偏差信息修正推荐策略确定目标推荐策略，并根据目标推荐策略生成新的商品推荐列表，完成商品推荐列表的动态调整。

示例性地，可以使用强化学习优化推荐策略，完成商品推荐列表的动态调整，具体过程包括：

（1）定义状态空间s(t)= {u(t), h(t), P(t), I}，其中，s(t)表示所述用户在t时刻下的状态信息，u(t)表示t时刻下所述用户对应的基础属性信息，h(t)表示所述用户历史行为，P(t)为推荐策略参数，I为所有候选商品；

（2）定义行为空间a (t)= π(s)(t)，其中，a(t)表示t时刻下所述用户采取的行动，π(s)(t)表示策略网络根据状态信息s(t)输出的行动概率分布。根据当前状态,基于推荐策略选择一组商品进行推荐，这一组推荐商品即为当前的行动。

（3）定义奖励函数r(s(t)，a(t)) = 1 or 0，如果a（t）导致用户点击或购买,则r(s(t)，a(t))=1,否则r(s(t)，a(t))=0。即当用户对推荐商品做出反馈时，会产生一个奖励值,可以简单设置为用户点击/购买某商品时返回1，否则返回0。

（4）定义策略网络: π(s,a) = P(a|s)，策略网络输出给定状态s下采取行动a的概率P(a|s)。策略网络通常采用全连接网络或卷积网络作为函数逼近器。输入为状态s，输出为各个动作a的概率分布π(s,a)。网络可以包括多层感知机、CNN卷积网络等来提取状态s的特征。最后接一个全连接层输出动作的概率。策略网络的输出是一个向量,长度为动作空间的大小。每个元素π(s,a)表示在状态s下选择动作a的概率。其中∑_a π(s,a) = 1,符合一个概率分布。网络训练通过强化学习的策略梯度方法不断更新网络参数,使π(s,a)在训练状态分布下最大化累积奖励。使网络逐步逼近最优策略π∗(s,a),以输出更准确的动作选择概率。

（5）优化目标:J(π) = Eπ[R]= Eπ[Σγ^t*r(s(t)，a(t))]，其中，J(π)是商品推荐列表对应的策略π的期望累积折扣奖励值；γ是折扣因子，R为累积奖励。R是累积奖励,是一个随机变量,依赖某个策略π采取的行动序列。它是一个折扣累加的奖励总和:R = r1 + γr2 + γ^2r3 + ... + γ^T-1rT，其中，γ范围在0到1之间，折扣因子使得当前奖励更重要。为评价策略π，需要计算它能获得的期望累积奖励Eπ[R]。将其展开为每个时间步的状态-动作值函数Qπ(s,a)的期望:J(π) = Eπ[R]= Eπ[Σγ^t*r(s(t)，a(t))]。这里将累积折扣奖励的期望最大化作为最优化目标函数。通过优化这个目标函数，可以获得一个能最大化长期收益的最优策略π∗

（6）使用策略梯度算法不断更新网络参数θ，以最大化J(π)。重复上述过程，不断通过环境交互学习，逐步提升策略网络π的决策能力，得到一个强化的推荐策略。

或者， 检查用户对商品推荐列表的浏览记录、停留时长与路径，判断用户是否对商品推荐列表的内容感兴趣，如果浏览足迹较少，则需修正推荐算法，收集并分析用户的退出商品推荐列表后点击或者搜索的后续行为，并判断退出原因，如退出速度过快可能是内容不感兴趣，若退出后转向竞品可能是吸引力不足；统计不同类型商品的曝光与点击率，判断哪些商品类别更加吸引用户，哪些类别的点击率较低以修正推荐策略。

如，分析用户行为数浏览足迹:总体浏览时间<60s则需修正算法；若退出速度：最后浏览时间-退出时间，如果退出速度<30s，则内容不感兴趣需修正算法；点击率：点击次数/商品推荐列表的商品数量小于0.3则需修正该类别推荐策略。

或者计算每个类别商品的列表展示比例，如果某类别占比过大或过小都需要调整，以保证列表的多样性。分析每个商品的商品推荐度，如果商品推荐度分布不均，高商品推荐度商品过少或过多均需要修正推荐算法。

如，商品占比为商品类别对应的商品数量/总商品数量，如果商品占比>0.5或<0.1，则调整该类别展示量。

或者，修正用户画像与推荐策略，根据用户行为数据判断用户画像的偏差方向，如年龄段或收入情况判断过于保守或过于进取需修正，根据修正后的用户画像选择更加匹配的推荐策略，如活跃高消费用户推荐新品策略、保守用户推荐畅销商品策略。

如，如果浏览足迹或点击率与“高活跃度”用户画像差异>30%，或与“低活跃度”用户画像差异>50%，则修正用户画像；如果修正后属“高活跃度”用户，则策略=“新品&活动”；如果修正后属“中等活跃度”用户，则策略=“畅销&折扣”； 如果修正后属“低活跃度”用户，则策略=“人气&价格适中” 。

在一些实施方式中，在虚拟现实场景中还设置有虚拟角色，如虚拟店员，若在点餐交互中虚拟角色可发挥以下作用：（1）指引:引导用户熟悉虚拟环境中的交互方式与虚拟点餐流程；（2）提示:提供个性化推荐列表；（3）询问:如果用户通过运动想象指令进行不太确定的选择，虚拟店员会主动询问用户的具体选择以确认；（4） 点餐:记录并确认用户的商品点餐选择。

在一些实施方式中，在虚拟现实场景中虚拟角色和用户之间的交互流程为用户进入虚拟餐厅环境，虚拟店员引导用户熟悉交互方式与点餐流程；用户通过手柄或脑机头环浏览菜单与商品，同时虚拟店员会提供相应个性化推荐列表；当检测到用户迟疑或难以在推荐列表中作出选择时，修正用户画像与推荐策略；用户确定选择，通过手柄或脑电信号告知虚拟店员；虚拟店员确认用户选择；用户完成全部点餐选择；虚拟店员总结用户所有点餐商品并确认无误后，虚拟点餐完成；虚拟店员会在点餐过程中适时提醒用户或询问用户的具体选择意图以避免误操作。

在一些实施方式中，设置有虚拟现实场景与真实空间的同步机制，虚拟现实场景中用户进行浏览与点餐，生成一份虚拟订单，此时，虚拟订单会同步到真实的商家订单系统中, 转化成为一份真实的订单，进而商家据此进行生产制作与配送。其中，同步机制用于表征虚拟现实场景与真实空间的订单信息通过网络实时同步，一旦虚拟订单生成便会立即同步至真实订单系统，并在虚拟现实场景与真实空间中同时生效，这样可以实现虚拟点餐与真实配送的无缝对接。

在一些实施方式中，订单信息应包含的具体内容:下单用户信息包括用户ID、姓名、配送地址等，进而以实现订单的真实配送；订单商品详情包括每个商品名称、价格、数量、规格等细节，这些信息同样需要在真实订单系统中实现；下单时间用于记录用户在虚拟环境中的具体下单时间；商品来源地用于记录每个虚拟商品对应的真实商品的来源地址或商家，以便商家进行合理的生产与配送流程安排；支付信息用于虚拟支付的货币会同步至真实支付系统中，实现真实货币的转换与支付，或者用户直接用餐完毕在实体店铺前台进行支付，支付信息包含支付方式、金额等；订单编号用于表示每个订单对应唯一的订单编号,这一编号需要同步至真实空间，以实现虚拟订单与真实订单的映射与对账。

在一些实施方式中，用户在虚拟现实场景中完成点餐生成虚拟订单，虚拟订单实时同步至店铺订单管理系统，转换为真实订单；店铺收到新订单通知后，开始根据订单详情进行送餐制作与装盘；制作完成后，服务员将食物直接送到用户在店铺内的餐位；用户开始在店内就餐；用户在店内享用美食的同时，虚拟现实场景中也启动一个吃饭的场景，以匹配用户的真实就餐体验，虚拟环境中的用餐时长设置应考虑实际店内就餐时长。若用户在虚拟现实场景中变更或追加点餐，相应变化会实时同步至店铺，店铺会进行相应调整并送出新菜品；用户店内就餐与付款完毕后，则订单完成。

在一些实施方式中，在虚拟现实场景中订单的虚拟编号与店铺系统中的真实订单号进行绑定，实现一一对应的映射关系。虚拟订单号与真实订单号在两个系统内建立绑定关系，实现虚拟现实场景与真实空间点餐体验的对应，进而使得用户在两个空间内的点餐体验贯穿始终。

在一些实施方式中，虚拟现实场景中需要与真实空间中店铺系统实现直接对接，保证食物送餐与信息同步的即时性，为用户提供高度连贯的虚拟点餐与实体就餐体验。

在一些实施方式中，在虚拟现实场景中提供反馈表单，用户可以提交评分、评论与意见，同时开通热线电话，用户也可以通过拨打热线电话提出意见反馈。

在一些实施方式中，用户可以对虚拟现实场景中的交互体验、虚拟商品菜品、聊天角色等进行评分与评价，可以包含对现有功能的意见或对新功能的建议。

例如，虚拟现实场景中的提示音效较响，建议调低音量或提供静音选项；虚拟客服的回复效果较差，建议提高其回复的准确性与连贯性；在虚拟现实场景中添加更多的娱乐功能，如虚拟传统游戏等。

在一些实施方式中，通过用户对虚拟客服回复效果的评分数据，优化其回复生成模型中的对话匹配算法。利用用户提出的新功能建议开发相应的算法或模块。

在一些实施方式中，优化过程包括分析用户反馈，识别出可用于优化的反馈信息与需求；对现有的客服回复生成模型与功能模块进行检测，确认其回复效果或功能覆盖度较差；利用反馈数据对模型或模块进行再训练或重新设计，使用用户对客服回复的评分数据，重新训练其对话匹配算法。提高其回复的准确性与连贯性。

在一些实施方式中，优化过程包括根据用户提出的增加虚拟传统游戏的建议，设计新的游戏推荐算法与游戏模块；测试优化后的模型或新模块，如果效果显著提升则部署上线，否则进行进一步优化；持续收集用户反馈，不断进行循环优化，提高系统的交互体验与功能覆盖度。

本申请极大增强了虚拟消费的真实感与连贯性，用户可以在虚拟现实场景中进行真实的商品点餐与支付，并享受到真实的美食配送，获得完整的消费体验，并且新的虚拟交互形式丰富了用户在虚拟现实场景中的互动选择如手柄、脑电交互可以高度模拟真实世界的食物点餐选择方式。个性化推荐算法可以根据用户的角色特征与历史行为，推荐商品与交互方式，让每位用户获得量身定制的虚拟消费体验；反馈机制实现用户反馈与系统优化之间的高效循环，可以持续提高系统的智能化水平与用户满意度。此外，虚拟角色的加入增强了虚拟现实场景中的社交互动，为用户在虚拟就餐过程中增加了陪伴与服务，显著提高用户体验；现实空间的店铺可以利用虚拟消费场景直接拓展线上业务实现产业协同发展，将传统的商业形式上升至融合虚拟与实体的新型态。

本发明通过建立虚拟现实场景与真实商家后台的实时同步机制，实现虚拟点餐的即时转化为真实订单，用户在虚拟就餐的同时，接收到真实的美食送餐。这样既满足用户在虚拟环境中的消费体验, 也实现真实配送与支付，为用户提供一致的虚拟消费流程。另外，本发明采用强化的个性化推荐算法、人工智能辅助的虚拟交互及反馈机制优化,大幅提升了虚拟消费场景的用户体验。本发明通过上述创新，解决了虚拟现实系统无法与实体商家高度融合，影响用户连贯体验的技术难题，实现虚拟点餐与线下配送在信息、物流与支付的深度同步，为用户打造从虚拟选择到真实享用的一致消费过程。

请参阅图3，图3为本申请实施例提供的一种基于虚拟现实的商品推荐装置200，基于虚拟现实的商品推荐装置200包括信息获取模块201、信息分析模块202、兴趣确认模块203、商品推荐模块204，其中，信息获取模块201，用于获取用户的基础属性信息和第一用户行为信息，其中，所述第一用户行为信息至少包括脑电数据，所述脑电数据用于表征所述用户的情绪变化；信息分析模块202，用于根据所述第一用户行为信息进行数据分析获得所述用户对应的目标行为特征；兴趣确认模块203，用于根据所述基础属性信息和所述目标行为特征确定所述用户在虚拟现实场景中对商品的第一兴趣度；商品推荐模块204，用于根据所述第一兴趣度确定所述用户的推荐策略，并根据所述推荐策略生成匹配的商品推荐列表。

在一些实施方式中，所述第一用户行为信息至少包括面部数据和脑电数据，信息获取模块201在获取第一用户行为信息过程中，执行：

根据所述用户在所述虚拟现实场景中的浏览行为、评价行为和选择行为确定所述用户对应的操作信息；

获取所述用户在所述虚拟现实场景中对应的视频数据，并根据所述视频数据确定所述用户对应的所述面部数据；

根据所述用户佩戴的可穿戴脑电采集设备获得所述用户对应的脑电数据；

根据所述操作信息、所述面部数据和所述脑电数据确定所述第一用户行为信息。

在一些实施方式中，信息分析模块202在根据所述第一用户行为信息进行数据分析获得所述用户对应的目标行为特征过程中，执行：

根据所述操作信息利用用户兴趣模型进行分类获得所述用户对应的第一行为特征；

根据所述面部数据进行情绪分析获得所述用户对应的第二行为特征；

根据所述脑电数据进行信号分析获得所述用户对应的第三行为特征；

融合所述第一行为特征、所述第二行为特征和所述第三行为特征确定所述用户对应的目标行为特征。

在一些实施方式中，信息分析模块202在根据所述面部数据进行情绪分析获得所述用户对应的第二行为特征过程中，执行：

根据人脸识别技术对所述面部数据进行特征提取获得所述用户对应的面部特征；

根据眼球追踪技术对所述面部数据进行眼球运动分析获得所述用户对应的眼球特征；

根据所述面部特征和所述眼球特征确定所述用户对应的第二行为特征。

在一些实施方式中，兴趣确认模块203在根据所述基础属性信息和所述目标行为特征确定所述用户在虚拟现实场景中对商品的第一兴趣度过程中，执行：

确定所述商品对应的商品属性信息；

根据所述基础属性信息确定所述用户对应的目标基本特征；

根据所述目标基本特征和所述目标行为特征确定所述用户对应的目标综合特征；

根据所述目标综合特征和所述商品属性信息确定所述用户在虚拟现实场景中对商品的第一兴趣度；

目标综合特征根据下式获得：

U = a*B + b* H(t) *λ(t)

其中，a表示目标基本特征对应的权重信息，B表示目标基本特征，b表示目标行为特征对应的权重信息，H(t)表示t时刻下所述用户对应的目标行为特征，λ(t)表示t时刻下所述目标行为特征对应的衰减因子。

在一些实施方式中，兴趣确认模块203在根据所述目标综合特征和所述商品属性信息确定所述用户在虚拟现实场景中对商品的第一兴趣度过程中，执行：

根据所述目标综合特征确定所述商品对应的商品匹配度，并确定所述商品匹配度对应的第一推荐权重；

根据所述商品属性信息确定所述商品对应的商品标签和商品推荐度，并确定所述商品标签对应的第二推荐权重以及确定所述商品推荐度对应的第三推荐权重；

根据所述第一推荐权重、所述第二推荐权重、所述第三推荐权重、所述商品匹配度、所述商品标签和所述商品推荐度确定所述用户在虚拟现实场景中对商品的第一兴趣度；

根据下式计算所述第一兴趣度：S=α*P+β*L+γ*T,

其中，S表示所述第一兴趣度，α表示所述第一推荐权重，P表示所述商品匹配度，β表示所述第二推荐权重，L表示所述商品标签，γ表示所述第三推荐权重，T表示所述商品推荐度。

在一些实施方式中，商品推荐模块204在根据所述第一兴趣度确定所述用户的推荐策略，并根据所述推荐策略生成匹配的商品推荐列表之后过程中，还执行：

获取所述用户对应的第二用户行为信息，并根据所述第二用户行为信息对所述推荐策略进行分析确定推荐偏差信息；

根据所述推荐偏差信息修正所述推荐策略确定目标推荐策略，并根据所述目标推荐策略生成新的商品推荐列表；

根据下式获得新的商品推荐列表：

J(π) = Eπ[R] = Eπ[Σγ^t*r(s(t)，a(t))]

其中，J(π)是商品推荐列表对应的策略π的期望累积折扣奖励值；γ是折扣因子，R为累积奖励；r(s(t)，a(t)) 为奖励函数，s(t)为状态空间，s(t)= {u(t), h(t), P(t),I}，s(t)表示所述用户在t时刻下的状态信息，u(t)表示t时刻下所述用户对应的基础属性信息，h(t)表示所述用户历史行为，P(t)为推荐策略参数，I为所有候选商品；a(t)表示行为空间，定义为a (t)= π(s)(t)，其中a(t)表示t时刻下所述用户采取的行动，π(s)(t)表示策略网络根据状态信息s(t)输出的行动概率分布；策略网络定义为π(s,a) = P(a|s)，策略网络通常采用全连接网络或卷积网络作为函数逼近器。

可选地，基于虚拟现实的商品推荐装置200可用于终端设备。

需要说明的是，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的装置的具体工作过程，可以参考前述基于虚拟现实的商品推荐方法实施例中的对应过程，在此不再赘述。

请参阅图4，图4为本发明实施例提供的一种终端设备的结构示意性框图。

如图4所示，终端设备300包括处理器301和存储器302，处理器301和存储器302通过总线303连接，该总线比如为I2C（Inter-integrated Circuit）总线。

具体地，处理器301用于提供计算和控制能力，支撑整个终端设备的运行。处理器301可以是中央处理单元 (Central Processing Unit，CPU)，该处理器301还可以是其他通用处理器、数字信号处理器 (Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列 (Field-Programmable Gate Array，FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中，通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

具体地，存储器302可以是Flash芯片、只读存储器 (ROM，Read-Only Memory)磁盘、光盘、U盘或移动硬盘等。

本领域技术人员可以理解，图4中示出的结构，仅仅是与本发明实施例方案相关的部分结构的框图，并不构成对本发明实施例方案所应用于其上的终端设备的限定，具体的服务器可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

其中，所述处理器用于运行存储在存储器中的计算机程序，并在执行所述计算机程序时实现本发明实施例提供的任意一种所述的基于虚拟现实的商品推荐方法。

在一实施例中，所述处理器用于运行存储在存储器中的计算机程序，并在执行所述计算机程序时实现如下步骤：

获取用户的基础属性信息和第一用户行为信息，其中，所述第一用户行为信息至少包括脑电数据，所述脑电数据用于表征所述用户的情绪变化；

根据所述第一用户行为信息进行数据分析获得所述用户对应的目标行为特征；

根据所述基础属性信息和所述目标行为特征确定所述用户在虚拟现实场景中对商品的第一兴趣度；

根据所述第一兴趣度确定所述用户的推荐策略，并根据所述推荐策略生成匹配的商品推荐列表。

在一些实施方式中，第一用户行为信息至少包括面部数据和脑电数据，处理器301在获取第一用户行为信息过程中，执行：

根据所述用户在所述虚拟现实场景中的浏览行为、评价行为和选择行为确定所述用户对应的操作信息；

获取所述用户在所述虚拟现实场景中对应的视频数据，并根据所述视频数据确定所述用户对应的所述面部数据；

根据所述用户佩戴的可穿戴脑电采集设备获得所述用户对应的脑电数据；

根据所述操作信息、所述面部数据和所述脑电数据确定所述第一用户行为信息。

在一些实施方式中，处理器301在根据所述第一用户行为信息进行数据分析获得所述用户对应的目标行为特征过程中，执行：

根据所述操作信息利用用户兴趣模型进行分类获得所述用户对应的第一行为特征；

根据所述面部数据进行情绪分析获得所述用户对应的第二行为特征；

根据所述脑电数据进行信号分析获得所述用户对应的第三行为特征；

融合所述第一行为特征、所述第二行为特征和所述第三行为特征确定所述用户对应的目标行为特征。

在一些实施方式中，处理器301在根据所述面部数据进行情绪分析获得所述用户对应的第二行为特征过程中，执行：

根据人脸识别技术对所述面部数据进行特征提取获得所述用户对应的面部特征；

根据眼球追踪技术对所述面部数据进行眼球运动分析获得所述用户对应的眼球特征；

根据所述面部特征和所述眼球特征确定所述用户对应的第二行为特征。

在一些实施方式中，处理器301在根据所述基础属性信息和所述目标行为特征确定所述用户在虚拟现实场景中对商品的第一兴趣度过程中，执行：

确定所述商品对应的商品属性信息；

根据所述基础属性信息确定所述用户对应的目标基本特征；

根据所述目标基本特征和所述目标行为特征确定所述用户对应的目标综合特征；

根据所述目标综合特征和所述商品属性信息确定所述用户在虚拟现实场景中对商品的第一兴趣度；

目标综合特征根据下式获得：

U = a*B + b* H(t) *λ(t)

其中，a表示目标基本特征对应的权重信息，B表示目标基本特征，b表示目标行为特征对应的权重信息，H(t)表示t时刻下所述用户对应的目标行为特征，λ(t)表示t时刻下所述目标行为特征对应的衰减因子。

在一些实施方式中，处理器301在根据所述目标综合特征和所述商品属性信息确定所述用户在虚拟现实场景中对商品的第一兴趣度过程中，执行：

根据所述目标综合特征确定所述商品对应的商品匹配度，并确定所述商品匹配度对应的第一推荐权重；

根据所述商品属性信息确定所述商品对应的商品标签和商品推荐度，并确定所述商品标签对应的第二推荐权重以及确定所述商品推荐度对应的第三推荐权重；

根据所述第一推荐权重、所述第二推荐权重、所述第三推荐权重、所述商品匹配度、所述商品标签和所述商品推荐度确定所述用户在虚拟现实场景中对商品的第一兴趣度；

根据下式计算所述第一兴趣度：S=α*P+β*L+γ*T,

其中，S表示所述第一兴趣度，α表示所述第一推荐权重，P表示所述商品匹配度，β表示所述第二推荐权重，L表示所述商品标签，γ表示所述第三推荐权重，T表示所述商品推荐度。

在一些实施方式中，处理器301在根据所述第一兴趣度确定所述用户的推荐策略，并根据所述推荐策略生成匹配的商品推荐列表之后过程中，还执行：

获取所述用户对应的第二用户行为信息，并根据所述第二用户行为信息对所述推荐策略进行分析确定推荐偏差信息；

根据所述推荐偏差信息修正所述推荐策略确定目标推荐策略，并根据所述目标推荐策略生成新的商品推荐列表；

根据下式获得新的商品推荐列表：

J(π) = Eπ[R] = Eπ[Σγ^t*r(s(t)，a(t))]

其中，J(π)是商品推荐列表对应的策略π的期望累积折扣奖励值；γ是折扣因子，R为累积奖励；r(s(t)，a(t)) 为奖励函数，s(t)为状态空间，s(t)= {u(t), h(t), P(t),I}，s(t)表示所述用户在t时刻下的状态信息，u(t)表示t时刻下所述用户对应的基础属性信息，h(t)表示所述用户历史行为，P(t)为推荐策略参数，I为所有候选商品；a(t)表示行为空间，定义为a (t)= π(s)(t)，其中a(t)表示t时刻下所述用户采取的行动，π(s)(t)表示策略网络根据状态信息s(t)输出的行动概率分布；策略网络定义为π(s,a) = P(a|s)，策略网络通常采用全连接网络或卷积网络作为函数逼近器。

需要说明的是，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的终端设备的具体工作过程，可以参考前述基于虚拟现实的商品推荐方法实施例中的对应过程，在此不再赘述。

本发明实施例还提供一种存储介质，用于计算机可读存储，所述存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如本发明实施例说明书提供的任一项基于虚拟现实的商品推荐方法的步骤。

其中，所述存储介质可以是前述实施例所述的终端设备的内部存储单元，例如所述终端设备的硬盘或内存。所述存储介质也可以是所述终端设备的外部存储设备，例如所述终端设备上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(SecureDigital，SD)卡，闪存卡(Flash Card)等。

本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统、装置中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。在硬件实施例中，在以上描述中提及的功能模块/单元之间的划分不一定对应于物理组件的划分；例如，一个物理组件可以具有多个功能，或者一个功能或步骤可以由若干物理组件合作执行。某些物理组件或所有物理组件可以被实施为由处理器，如中央处理器、数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质（或非暂时性介质）和通信介质（或暂时性介质）。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息（诸如计算机可读指令、数据结构、程序模块或其他数据）的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘（DVD）或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。

应当理解，在本发明说明书和所附权利要求书中使用的术语“和/ 或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。需要说明的是，在本文中，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、物品或者系统不仅包括那些要素，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、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。以上所述，仅为本发明的具体实施例，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (9)

1.一种基于虚拟现实的商品推荐方法，其特征在于，所述方法包括：

获取用户的基础属性信息和第一用户行为信息，其中，所述第一用户行为信息至少包括脑电数据，所述脑电数据用于表征所述用户的情绪变化；

根据所述第一用户行为信息进行数据分析获得所述用户对应的目标行为特征；

根据所述基础属性信息和所述目标行为特征确定所述用户在虚拟现实场景中对商品的第一兴趣度；

根据所述第一兴趣度确定所述用户的推荐策略，并根据所述推荐策略生成匹配的商品推荐列表；

所述根据所述基础属性信息和所述目标行为特征确定所述用户在虚拟现实场景中对商品的第一兴趣度，包括：

确定所述商品对应的商品属性信息；

根据所述基础属性信息确定所述用户对应的目标基本特征；

根据所述目标基本特征和所述目标行为特征确定所述用户对应的目标综合特征；

根据所述目标综合特征和所述商品属性信息确定所述用户在虚拟现实场景中对商品的第一兴趣度；

目标综合特征根据下式获得：

U = a*B + b* H(t) *λ(t)，

其中，a表示目标基本特征对应的权重信息，B表示目标基本特征，b表示目标行为特征对应的权重信息，H(t)表示t时刻下所述用户对应的目标行为特征，λ(t)表示t时刻下所述目标行为特征对应的衰减因子。

2.根据权利要求1所述的方法，其特征在于，所述第一用户行为信息至少包括面部数据和脑电数据，获取第一用户行为信息，包括：

根据所述用户在所述虚拟现实场景中的浏览行为、评价行为和选择行为确定所述用户对应的操作信息；

获取所述用户在所述虚拟现实场景中对应的视频数据，并根据所述视频数据确定所述用户对应的所述面部数据；

根据所述用户佩戴的可穿戴脑电采集设备获得所述用户对应的脑电数据；

根据所述操作信息、所述面部数据和所述脑电数据确定所述第一用户行为信息。

3.根据权利要求2所述的方法，其特征在于，所述根据所述第一用户行为信息进行数据分析获得所述用户对应的目标行为特征，包括：

根据所述操作信息利用用户兴趣模型进行分类获得所述用户对应的第一行为特征；

根据所述面部数据进行情绪分析获得所述用户对应的第二行为特征；

根据所述脑电数据进行信号分析获得所述用户对应的第三行为特征；

融合所述第一行为特征、所述第二行为特征和所述第三行为特征确定所述用户对应的目标行为特征。

4.根据权利要求3所述的方法，其特征在于，所述根据所述面部数据进行情绪分析获得所述用户对应的第二行为特征，包括：

根据人脸识别技术对所述面部数据进行特征提取获得所述用户对应的面部特征；

根据眼球追踪技术对所述面部数据进行眼球运动分析获得所述用户对应的眼球特征；

根据所述面部特征和所述眼球特征确定所述用户对应的第二行为特征。

5.根据权利要求1所述的方法，其特征在于，所述根据所述目标综合特征和所述商品属性信息确定所述用户在虚拟现实场景中对商品的第一兴趣度，包括：

根据所述目标综合特征确定所述商品对应的商品匹配度，并确定所述商品匹配度对应的第一推荐权重；

根据所述商品属性信息确定所述商品对应的商品标签和商品推荐度，并确定所述商品标签对应的第二推荐权重以及确定所述商品推荐度对应的第三推荐权重；

根据所述第一推荐权重、所述第二推荐权重、所述第三推荐权重、所述商品匹配度、所述商品标签和所述商品推荐度确定所述用户在虚拟现实场景中对商品的第一兴趣度；

根据下式计算所述第一兴趣度：

，其中，/>表示所述第一兴趣度，/>表示所述第一推荐权重，/>表示所述商品匹配度，/>表示所述第二推荐权重，/>表示所述商品标签，/>表示所述第三推荐权重，/>表示所述商品推荐度。

6.根据权利要求1所述的方法，其特征在于，所述根据所述第一兴趣度确定所述用户的推荐策略，并根据所述推荐策略生成匹配的商品推荐列表之后，所述方法还包括：

获取所述用户对应的第二用户行为信息，并根据所述第二用户行为信息对所述推荐策略进行分析确定推荐偏差信息；

根据所述推荐偏差信息修正所述推荐策略确定目标推荐策略，并根据所述目标推荐策略生成新的商品推荐列表；

根据下式获得新的商品推荐列表：

J(π) = Eπ[R] = Eπ[Σγ^t*r(s(t)，a(t))]，

其中，J(π)是商品推荐列表对应的策略π的期望累积折扣奖励值；γ是折扣因子，R为累积奖励；r(s(t)，a(t)) 为奖励函数，s(t)为状态空间，s(t)= {u(t), h(t), P(t), I}，s(t)表示所述用户在t时刻下的状态信息，u(t)表示t时刻下所述用户对应的基础属性信息，h(t)表示所述用户历史行为，P(t)为推荐策略参数，I为所有候选商品；a(t)表示行为空间，定义为a (t)= π(s)(t)，其中a(t)表示t时刻下所述用户采取的行动，π(s)(t)表示策略网络根据状态信息s(t)输出的行动概率分布；策略网络定义为π(s,a) = P(a|s)，策略网络通常采用全连接网络或卷积网络作为函数逼近器。

7.一种基于虚拟现实的商品推荐装置，其特征在于，包括：

信息获取模块，用于获取用户的基础属性信息和第一用户行为信息，其中，所述第一用户行为信息至少包括脑电数据，所述脑电数据用于表征所述用户的情绪变化；

信息分析模块，用于根据所述第一用户行为信息进行数据分析获得所述用户对应的目标行为特征；

兴趣确认模块，用于根据所述基础属性信息和所述目标行为特征确定所述用户在虚拟现实场景中对商品的第一兴趣度；

商品推荐模块，用于根据所述第一兴趣度确定所述用户的推荐策略，并根据所述推荐策略生成匹配的商品推荐列表；

所述兴趣确认模块，包括：

商品属性确定子模块，用于确定所述商品对应的商品属性信息；

目标基本特征确定子模块，用于根据所述基础属性信息确定所述用户对应的目标基本特征；

目标综合特征确定子模块，用于根据所述目标基本特征和所述目标行为特征确定所述用户对应的目标综合特征；

第一兴趣度确定子模块，用于根据所述目标综合特征和所述商品属性信息确定所述用户在虚拟现实场景中对商品的第一兴趣度；

目标综合特征根据下式获得：

U = a*B + b* H(t) *λ(t)，

其中，a表示目标基本特征对应的权重信息，B表示目标基本特征，b表示目标行为特征对应的权重信息，H(t)表示t时刻下所述用户对应的目标行为特征，λ(t)表示t时刻下所述目标行为特征对应的衰减因子。

8.一种终端设备，其特征在于，所述终端设备包括处理器、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并在执行所述计算机程序时实现如权利要求1至6中任一项所述的基于虚拟现实的商品推荐方法。

9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质被一个或多个处理器执行时，使得一个或多个处理器执行如权利要求1至6中任一项所述的基于虚拟现实的商品推荐方法步骤。