CN116992493A - 数字盲盒的生成方法及其系统 - Google Patents
数字盲盒的生成方法及其系统 Download PDFInfo
- Publication number
- CN116992493A CN116992493A CN202311123932.0A CN202311123932A CN116992493A CN 116992493 A CN116992493 A CN 116992493A CN 202311123932 A CN202311123932 A CN 202311123932A CN 116992493 A CN116992493 A CN 116992493A
- Authority
- CN
- China
- Prior art keywords
- digital
- digital collection
- text description
- semantic
- feature matrix
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 239000011159 matrix material Substances 0.000 claims description 93
- 239000013598 vector Substances 0.000 claims description 46
- 238000009826 distribution Methods 0.000 claims description 23
- 238000004458 analytical method Methods 0.000 claims description 19
- 238000003062 neural network model Methods 0.000 claims description 15
- 230000011218 segmentation Effects 0.000 claims description 14
- 238000005457 optimization Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 11
- 238000013461 design Methods 0.000 claims description 10
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 8
- 238000013527 convolutional neural network Methods 0.000 claims description 6
- 238000013500 data storage Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000004378 air conditioning Methods 0.000 claims 1
- 230000008569 process Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 6
- 230000007246 mechanism Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000003058 natural language processing Methods 0.000 description 4
- 230000002776 aggregation Effects 0.000 description 3
- 238000004220 aggregation Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 238000000547 structure data Methods 0.000 description 3
- 241000282414 Homo sapiens Species 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000012550 audit Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000000691 measurement method Methods 0.000 description 2
- 230000002441 reversible effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000001010 compromised effect Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000005242 forging Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 238000011031 large-scale manufacturing process Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003012 network analysis Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000003997 social interaction Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/64—Protecting data integrity, e.g. using checksums, certificates or signatures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/602—Providing cryptographic facilities or services
-
- 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
- G06Q30/00—Commerce
- G06Q30/018—Certifying business or products
- G06Q30/0185—Product, service or business identity fraud
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Security & Cryptography (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Bioethics (AREA)
- Health & Medical Sciences (AREA)
- Accounting & Taxation (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Finance (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Machine Translation (AREA)
Abstract
本发明公开了一种数字盲盒的生成方法及其系统，其利用AIGC模型生成数字藏品；利用加密算法和随机数生成器为所述数字藏品分配一个唯一的元数据，其中，所述元数据包括标识符和属性；以及，将所述数字藏品的元数据存储于区块链网络以形成智能合约。通过这样的方式，增加用户对数字盲盒的信任度，而且，数字盲盒的内容不会被提前泄露，提高数字盲盒的乐趣与期待感。
Description
技术领域
本发明涉及智能化数字盲盒技术领域，尤其涉及一种数字盲盒的生成方法及其系统。
背景技术
数字盲盒是一种数字藏品，它们的内容在购买前是不可知的，只有打开后才能揭晓。
然而数字盲盒的实现却存在明显的信任性问题。也就是，由于数字盲盒内容的不可预知性，如何确保不同档次的奖品数量符合商家宣传，从而避免消费者被欺骗，是一个重要难题。
发明内容
本发明实施例提供一种数字盲盒的生成方法及其系统，其利用AIGC模型生成数字藏品；利用加密算法和随机数生成器为所述数字藏品分配一个唯一的元数据，其中，所述元数据包括标识符和属性；以及，将所述数字藏品的元数据存储于区块链网络以形成智能合约。通过这样的方式，增加用户对数字盲盒的信任度，而且，数字盲盒的内容不会被提前泄露，提高数字盲盒的乐趣与期待感。
本发明实施例还提供了一种数字盲盒的生成方法，其包括：
利用AIGC模型生成数字藏品；
利用加密算法和随机数生成器为所述数字藏品分配一个唯一的元数据，其中，所述元数据包括标识符和属性；以及
将所述数字藏品的元数据存储于区块链网络以形成智能合约。
本发明实施例还提供了一种数字盲盒的生成系统，其包括：
数字藏品生成模块，用于利用AIGC模型生成数字藏品；
元数据分配模块，用于利用加密算法和随机数生成器为所述数字藏品分配一个唯一的元数据，其中，所述元数据包括标识符和属性；以及
数据存储模块，用于将所述数字藏品的元数据存储于区块链网络以形成智能合约。
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。在附图中：
图1为本发明实施例中提供的一种数字盲盒的生成方法的流程图。
图2为本发明实施例中提供的一种数字盲盒的生成方法的系统架构的示意图。
图3为本发明实施例中提供的一种数字盲盒的生成方法中步骤110的子步骤的流程图。
图4为本发明实施例中提供的一种数字盲盒的生成系统的框图。
图5为本发明实施例中提供的一种数字盲盒的生成方法的应用场景图。
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明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。
如本发明和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其他的步骤或元素。
本发明中使用了流程图用来说明根据本发明的实施例的系统所执行的操作。应当理解的是，前面或下面操作不一定按照顺序来精确地执行。相反，根据需要，可以按照倒序或同时处理各种步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
数字盲盒是一种基于数字技术的藏品购买方式，特点是在购买前无法得知具体内容，只有购买后才能揭晓。类似于传统的实体盲盒，数字盲盒的内容也是随机的，可能包含各种不同的物品、奖励或者虚拟资产。
数字盲盒通常在在线平台上销售，用户可以通过购买盲盒获得一定数量的随机物品或奖励。这些物品或奖励可能具有不同的稀有度、价值和稀缺性，从普通物品到稀有限量版物品都有可能出现。用户购买盲盒的过程就像是购买一个未知的宝盒，充满了期待和惊喜。
数字盲盒的实现通常借助区块链技术来确保盲盒内容的公平性和透明性。通过将盲盒的元数据存储在区块链上，用户可以验证每个物品或奖励的真实性和唯一性，确保不同档次的奖品数量符合商家宣传，避免消费者被欺骗。
数字盲盒在近年来在虚拟商品交易市场中越来越受欢迎，结合了购买乐趣、收藏价值和社交互动，为用户带来了新的消费体验。
由于数字盲盒的内容在购买前是不可预知的，消费者无法事先确定盲盒中的物品或奖励是否真实存在。这给不诚实的商家提供了可能性，他们可以宣传高价值的奖品，但实际上在盲盒中提供低价值或不存在的物品，欺骗消费者。消费者关注不同档次奖品的数量分布是否符合商家的宣传。如果分布不公平，例如某些稀有奖品数量被故意减少，消费者可能会感到被欺骗，这种问题可能导致消费者失去对数字盲盒的信任，影响市场的健康发展。数字盲盒通常涉及用户的个人数据和交易信息，如果平台的数据安全性不足，消费者的个人信息可能会被泄露或滥用，导致隐私风险。
因此，确保不同档次的奖品数量符合商家宣传对于数字盲盒的可信度和消费者信任是非常重要的，这是为了避免消费者被欺骗和维护公平性的必要性。区块链是一个去中心化的分布式账本，可以确保数字盲盒的透明度和不可篡改性，通过将盲盒的元数据存储在区块链上，消费者可以验证每个物品或奖励的真实性和唯一性，区块链记录的不可变性可以防止商家在销售过程中篡改奖品数量或内容。
引入独立的第三方审计机构或监管机构来对数字盲盒进行审计和监督，确保奖品数量符合商家宣传，这些机构可以对盲盒的销售记录、奖品分布情况等进行独立验证，向消费者提供可信的数据和证明。商家应提供关于数字盲盒的透明信息，包括奖品分布规则、不同档次奖品的数量范围等，这样消费者可以在购买前了解到盲盒的基本规则和期望，对商家的宣传进行核实。建立用户反馈和评价机制，让消费者可以分享他们的盲盒购买和开启经历，这些反馈和评价可以帮助其他消费者了解盲盒的真实情况，并对商家的信誉产生影响。政府和相关机构可以制定和实施法律法规，加强对数字盲盒市场的监管，这包括规范盲盒销售行为、保护消费者权益、打击欺诈行为等，从法律层面保障消费者的利益。
解决数字盲盒的信任性问题需要平台、用户和监管机构的共同努力，通过透明度、验证机制和规范管理，确保数字盲盒的公平性、真实性和安全性，提高用户对数字盲盒的信任度。
在本发明中，数字盲盒是一种基于区块链技术的数字藏品，它们具有稀缺性、唯一性和不可篡改性。数字盲盒的生成方法可以分为以下几个步骤：
1. 设计数字藏品的主题、风格和数量，例如动漫、游戏、艺术等。
2. 利用加密算法和随机数生成器，为每个数字藏品分配一个唯一的标识符和属性，例如颜色、形状、大小等。
3. 将数字藏品的元数据（包括标识符和属性）存储在区块链上，形成一个不可更改的智能合约。
4. 通过数字盲盒平台，向用户提供购买数字盲盒的机会，用户可以选择支付不同的价格来获得不同等级的数字盲盒。
5. 用户购买数字盲盒后，可以打开盲盒，查看自己获得的数字藏品，并将其保存在自己的数字钱包中。
6. 用户可以在数字盲盒平台上，与其他用户进行数字藏品的展示、交换或出售，从而实现价值的流通和增值。
在本发明的一个实施例中，图1为本发明实施例中提供的一种数字盲盒的生成方法的流程图。如图1所示，根据本发明实施例的数字盲盒的生成方法，包括：110，利用AIGC模型生成数字藏品；120，利用加密算法和随机数生成器为所述数字藏品分配一个唯一的元数据，其中，所述元数据包括标识符和属性；以及，130，将所述数字藏品的元数据存储于区块链网络以形成智能合约。
在所述步骤110中，AIGC模型是基于人工智能生成的模型，确保其训练数据的质量和多样性，以避免生成的数字藏品出现重复、低质或不合适的情况。在生成数字藏品时，考虑设计和美学因素，以确保生成的藏品具有吸引力和独特性，能够吸引消费者的兴趣。其中，利用AIGC模型生成数字藏品可以实现自动化和大规模生产，提高数字藏品的产量和多样性。由于AIGC模型可以不断学习和改进，因此可以不断创造新的数字藏品，为市场提供持续的更新和创新。
在所述步骤120中，加密算法和随机数生成器需要选择安全可靠的算法和方法，以确保生成的元数据具有高度的唯一性和随机性，防止被恶意破解或预测。元数据的分配应该是不可逆的，确保每个数字藏品都有唯一的标识符和属性，避免重复或冲突。其中，通过为数字藏品分配唯一的元数据，可以确保每个藏品的身份和属性都是独一无二的，增加了藏品的稀缺性和独特性。唯一的元数据可以为数字藏品的交易、溯源和验证提供基础，方便数字藏品的管理和交互。
在所述步骤130中，区块链网络需要选择具有高度安全性和去中心化特性的平台，例如以太坊或其他适合的区块链技术。元数据的存储需要遵循区块链的规则和机制，确保数据的不可篡改性和可验证性。其中，将数字藏品的元数据存储于区块链网络可以提供高度的透明度和信任度，消费者可以通过区块链上的智能合约验证数字藏品的真实性和所有权。区块链的分布式特性和不可篡改性可以防止数字藏品的篡改、伪造或双重销售，增加数字藏品市场的安全性和可信度。
通过利用AIGC模型生成数字藏品、为其分配唯一的元数据，并将元数据存储于区块链网络，可以提高数字藏品的多样性、独特性和可信度，促进数字藏品市场的发展和用户信任。
特别地，在110步骤中，本发明的技术构思是基于待生成数字藏品的文本描述，并利用AIGC模型来自动设计数字藏品。这样，数字盲盒的内容不会被提前泄露，提高数字盲盒的乐趣与期待感。
图2为本发明实施例中提供的一种数字盲盒的生成方法的系统架构的示意图。图3为本发明实施例中提供的一种数字盲盒的生成方法中步骤110的子步骤的流程图。如图2和图3所示，利用AIGC模型生成数字藏品，包括：111，获取待生成数字藏品的文本描述；112，对所述待生成数字藏品的文本描述进行语义分析以得到数字藏品文本描述语义编码特征矩阵；以及，113，基于所述数字藏品文本描述语义编码特征矩阵，得到所述数字藏品。
在所述步骤111中，确保待生成数字藏品的文本描述具有足够的详细信息，以便能够准确地生成对应的数字藏品。文本描述的质量和准确性对最终生成的数字藏品的质量和吸引力有重要影响。通过获取文本描述，可以将人类的创造力和想象力与AI模型相结合，实现数字藏品的个性化和多样化。文本描述可以为生成过程提供指导和灵感，帮助AI模型生成与描述相符合的数字藏品。
在所述步骤112中，语义分析使用适当的自然语言处理技术，如词向量模型、语义关系模型等，以捕捉文本描述的语义信息。确保语义分析的准确性和鲁棒性，以确保生成的语义编码特征矩阵能够准确地表达文本描述的语义含义。通过语义分析，可以将文本描述转化为机器可理解的语义编码特征矩阵，为后续的数字藏品生成提供输入。语义编码特征矩阵可以捕捉文本描述的关键语义信息，为生成过程提供更准确的指导和创作基础。
在所述步骤113中，利用语义编码特征矩阵生成数字藏品需要选择合适的生成模型和算法，如生成对抗网络（GAN）、变分自编码器（VAE）等。确保生成的数字藏品与文本描述的语义一致性和相关性，以提高生成结果的质量和可信度。基于语义编码特征矩阵生成数字藏品可以实现与文本描述的关联性和创意性，使生成的藏品更加符合用户的期望和需求。通过将文本描述转化为数字藏品，可以实现从抽象概念到具体形态的转化，为数字藏品的创作和生产提供了更多的可能性。
通过获取文本描述、进行语义分析并生成数字藏品，可以实现数字藏品的个性化和多样化，提高数字藏品的质量和创意度，这些步骤结合了人类的创造力和想象力以及AI模型的能力，为数字藏品的创作和市场提供了新的机遇和体验。
基于此，在本发明的技术方案中，首先，获取待生成数字藏品的文本描述。考虑到图神经网络模型具有对图结构数据进行有效建模和处理的能力，它可以利用节点之间的连接关系和局部结构信息来学习节点的表示。在语义编码的任务中，图神经网络可以通过学习节点的表示来捕捉文本描述中的语义信息与关联关系。也就是说，通过图神经网络模型进行语义编码可以有效地考虑上下文信息和词汇之间的关联关系，从而更好地表达文本的语义含义。相比传统的序列模型，图神经网络模型能够捕捉到更复杂的语义关系和上下文信息，有助于提高语义编码的准确性和表达能力。因此，在本发明的技术方案中，期待利用图神经网络模型来对所述待生成数字藏品的文本描述进行语义编码与分析。
具体地，在本发明的一个实施例中，对所述待生成数字藏品的文本描述进行语义分析以得到数字藏品文本描述语义编码特征矩阵，包括：先提取所述待生成数字藏品的文本描述的节点信息以得到数字藏品文本描述词嵌入向量的序列；随后，提取所述待生成数字藏品的文本描述的语义拓扑信息以得到词粒度语义一致性拓扑特征矩阵；再将所述词粒度语义一致性拓扑特征矩阵和所述数字藏品文本描述词嵌入向量的序列通过图神经网络模型以得到数字藏品文本描述语义编码特征矩阵。
首先，提取所述待生成数字藏品的文本描述的节点信息以得到数字藏品文本描述词嵌入向量的序列。通过提取文本描述的节点信息，可以捕捉关键词汇和概念，为后续的语义分析和生成过程提供基础。文本描述的词嵌入向量序列可以将文本信息转化为向量表示，方便后续的语义分析和特征提取。
然后，提取所述待生成数字藏品的文本描述的语义拓扑信息以得到词粒度语义一致性拓扑特征矩阵。语义拓扑信息可以捕捉词汇之间的关联性和语义关系，帮助理解文本描述的整体语义结构。词粒度语义一致性拓扑特征矩阵可以提供更全面和准确的语义信息，为后续的特征提取和生成过程提供更好的基础。
最后，将所述词粒度语义一致性拓扑特征矩阵和所述数字藏品文本描述词嵌入向量的序列通过图神经网络模型以得到数字藏品文本描述语义编码特征矩阵。图神经网络模型可以利用词粒度语义一致性拓扑特征矩阵和词嵌入向量序列的信息，学习到更高级别的语义表示。数字藏品文本描述语义编码特征矩阵可以捕捉文本描述的丰富语义信息，为生成过程提供更准确和一致的指导。
通过上述步骤，可以提高数字藏品的生成质量和语义一致性，使生成的数字藏品更符合用户的期望和需求。这些步骤结合了词嵌入、语义拓扑和图神经网络等技术，为数字藏品的创作和生成提供了更强大的工具和方法。
进一步地，图神经网络（Graph Neural Networks，简称GNN）是一类用于处理图结构数据的机器学习模型。与传统的神经网络模型专注于处理向量和矩阵数据不同，GNN能够有效地处理包含节点和边的图数据，从而捕捉图中节点之间的关系和全局结构。
GNN的核心思想是通过消息传递和聚合的方式，将节点的特征信息进行更新和整合。具体来说，GNN模型以节点的特征表示作为输入，通过对节点之间的相互作用进行建模，逐步更新节点的表示。这样，每个节点能够聚合来自周围节点的信息，并将这些信息进行传递和整合，从而获得更丰富和全局感知的表示。
GNN模型通常由多个图卷积层（Graph Convolutional Layer）组成，每个图卷积层由两个主要步骤组成：消息传递和特征聚合。在消息传递过程中，每个节点将其特征信息传递给相邻节点，并进行局部信息的更新。在特征聚合过程中，每个节点将收到的信息进行聚合和整合，生成新的特征表示。通过多层的图卷积层堆叠，GNN能够逐步整合全局信息，提取更高层次的特征表示。GNN模型在图结构数据的各种任务上表现出色，如节点分类、图分类、链接预测等，已经被广泛应用于社交网络分析、推荐系统、生物信息学等领域，并取得了很多重要的研究进展。
在本发明的一个具体示例中，提取所述待生成数字藏品的文本描述的节点信息以得到数字藏品文本描述词嵌入向量的序列的实现方式为：对所述待生成数字藏品的文本描述进行分词处理后通过词嵌入层以得到数字藏品文本描述词嵌入向量的序列。
分词处理是将一段文本切分成一个个有意义的词语或标记的过程。在自然语言处理中，分词是很重要的一步，因为它将连续的文本序列转化为离散的词语序列，为后续的文本处理和分析提供基础。
分词处理的方法有多种，基于预定义的规则和词典进行分词，这些规则可以是基于语法规则、词典匹配、词性标注等。例如，中文分词可以使用正向最大匹配、逆向最大匹配、双向最大匹配等方法；基于统计模型和机器学习方法进行分词。常见的方法包括隐马尔可夫模型（Hidden Markov Model，HMM）、条件随机场（Conditional Random Fields，CRF）等，这些方法通过训练模型来学习词语的概率分布，并根据概率进行分词；利用深度学习模型进行分词，如循环神经网络（Recurrent Neural Network，RNN）、长短时记忆网络（LongShort-Term Memory，LSTM）、转换器模型（Transformer）等。这些模型能够学习上下文信息和语义特征，提高分词的准确性。
分词处理的目标是将文本切分成有意义的词语，使得后续的文本处理和分析可以更加准确地理解文本的含义。分词处理在不同语言和任务中都有广泛的应用，是自然语言处理的重要基础步骤之一。
在本发明的一个具体示例中，提取所述待生成数字藏品的文本描述的语义拓扑信息以得到词粒度语义一致性拓扑特征矩阵的编码过程，包括：先计算所述数字藏品文本描述词嵌入向量的序列中任意两个数字藏品文本描述词嵌入向量之间的余弦相似度以得到词粒度语义一致性拓扑矩阵；再将所述词粒度语义一致性拓扑矩阵通过基于卷积神经网络模型的语义拓扑特征提取器以得到词粒度语义一致性拓扑特征矩阵。
通过计算数字藏品文本描述词嵌入向量之间的余弦相似度，并构建词粒度语义一致性拓扑矩阵，可以捕捉数字藏品之间的语义相似性。进一步，通过基于卷积神经网络模型的语义拓扑特征提取器，可以从词粒度语义一致性拓扑矩阵中提取有益的语义特征。这样做的好处是可以利用词嵌入向量的语义信息，通过计算余弦相似度来度量数字藏品之间的语义相似性。余弦相似度是一种常用的相似度度量方法，可以衡量两个向量之间的方向一致程度，取值范围在-1到1之间，值越接近1表示两个向量越相似。
构建词粒度语义一致性拓扑矩阵可以将数字藏品之间的语义相似性表示为一个矩阵，其中每个元素代表两个数字藏品之间的相似度。这个矩阵可以提供数字藏品之间的全局语义关系，为后续的特征提取和生成提供基础。通过基于卷积神经网络模型的语义拓扑特征提取器，可以从词粒度语义一致性拓扑矩阵中提取有益的语义特征。卷积神经网络在图像和序列数据处理中取得了很好的效果，通过应用于语义拓扑特征提取，可以进一步提高数字藏品的生成质量和语义一致性。
通过计算余弦相似度构建词粒度语义一致性拓扑矩阵，并通过基于卷积神经网络模型的语义拓扑特征提取器，可以提取有益的语义特征，从而提高数字藏品的生成效果和语义一致性。
应可以理解，余弦相似度是一种常用的相似度度量方法，用于衡量两个向量之间的相似程度，在自然语言处理和信息检索等领域，余弦相似度常被用来比较文本之间的相似性。
给定两个向量A和B，它们的余弦相似度可以通过以下公式计算：其中，/>表示向量A和B的内积，/> 和 分别表示向量A和B的范数（即向量的模）。余弦相似度的取值范围在[-1, 1]之间，其中1表示完全相似，-1表示完全不相似，0表示无关或正交。当两个向量的方向趋于一致时，余弦相似度接近1；当两个向量的方向趋于相反时，余弦相似度接近-1；当两个向量之间夹角为90度时，余弦相似度为0。
在文本处理中，可以将文本表示为词向量或句向量，然后通过计算词向量或句向量之间的余弦相似度来度量文本之间的语义相似性或相关性。较高的余弦相似度意味着文本之间的语义更为接近。因此，在计算数字藏品文本描述词嵌入向量的序列中任意两个向量之间的余弦相似度时，可以评估它们在词粒度上的语义相似性。
在本发明的一个实施例中，基于所述数字藏品文本描述语义编码特征矩阵，得到所述数字藏品，包括：对所述数字藏品文本描述语义编码特征矩阵进行特征分布优化以得到优化数字藏品文本描述语义编码特征矩阵；以及，将所述优化数字藏品文本描述语义编码特征矩阵通过基于AIGC模型的数字藏品设计生成器以得到所述数字藏品。
使用各种优化算法（如遗传算法、粒子群算法等）对数字藏品文本描述语义编码特征矩阵进行优化。优化的目标可以是最大化语义一致性、最小化语义差异或其他相关目标。通过调整特征矩阵中的权重、调整特征之间的相关性等方式，优化特征分布，使得生成的数字藏品更符合用户的期望和语义要求。
将优化后的数字藏品文本描述语义编码特征矩阵输入基于AIGC（ArtificialIntelligence Generated Content）模型的数字藏品设计生成器。AIGC模型可以是一个神经网络模型，通过学习和生成数字藏品的特征，可以根据输入的语义编码特征矩阵生成符合要求的数字藏品设计。
通过这样的流程，可以利用优化后的语义编码特征矩阵作为输入，基于AIGC模型生成更具语义一致性和用户期望的数字藏品。这种方法可以提高数字藏品的生成效果，使得生成的数字藏品更加符合用户的需求和偏好。通过对数字藏品文本描述语义编码特征矩阵进行特征分布优化，并将优化后的特征矩阵输入基于AIGC模型的数字藏品设计生成器，可以获得更优质的数字藏品生成效果。
在本发明的技术方案中，将所述词粒度语义一致性拓扑特征矩阵和所述数字藏品文本描述词嵌入向量的序列通过图神经网络模型得到所述数字藏品文本描述语义编码特征矩阵时，所述数字藏品文本描述语义编码特征矩阵的每个行特征向量可以表达所述待生成数字藏品的文本描述在分词下的文本源语义空间内的文本语义特征在跨文本源语义空间的语义相似度拓扑下的拓扑关联表达，因此，如果将单个数字藏品文本描述词嵌入向量的文本语义特征作为前景对象特征，则所述图神经网络模型在引入跨文本源语义空间拓扑关联表示的同时，也会引入背景分布噪声，并且，在所述图神经网络模型进行向量-矩阵间的高秩分布表示的同时，也会由于各个文本源语义空间下的高维特征的空间异质分布而引起所述数字藏品文本描述语义编码特征矩阵相对于所述数字藏品文本描述词嵌入向量的序列的文本语义空间概率密度映射误差，影响所述数字藏品文本描述语义编码特征矩阵通过基于AIGC模型的数字藏品设计生成器得到的所述数字藏品与所述待生成数字藏品的文本描述之间的对应性。
基于此，本发明的申请人对所述数字藏品文本描述语义编码特征矩阵，例如记为进行特征尺度作为模仿掩码的秩排列分布软匹配，具体表示为：以如下优化公式对所述数字藏品文本描述语义编码特征矩阵进行特征分布优化以得到优化数字藏品文本描述语义编码特征矩阵；其中，所述优化公式为：/>其中，/>是所述数字藏品文本描述语义编码特征矩阵，/>是所述数字藏品文本描述语义编码特征矩阵/>的第/>位置的特征值，/>是所述数字藏品文本描述语义编码特征矩阵的尺度，即宽度乘以高度，/>表示所述数字藏品文本描述语义编码特征矩阵/>的Frobenius范数的平方，/>表示所述数字藏品文本描述语义编码特征矩阵/>的二范数，即谱范数/>，/>是/>的最大本征值，且/>是加权超参数，/>是所述优化数字藏品文本描述语义编码特征矩阵的第/>位置的特征值，/>表示计算以数值为幂的自然指数函数值。
这里，所述特征尺度作为模仿掩码的秩排列分布软匹配可以在将待概率密度回归的高维特征映射到概率密度空间内时，将特征尺度作为用于映射的模仿掩码来聚焦于前景对象特征而忽略背景分布噪声，并通过所述数字藏品文本描述语义编码特征矩阵的不同范数进行的金字塔式秩排列分布的分布软匹配，从而有效捕捉概率密度分布的中心区域和尾部区域之间的相关性，避免了由于所述数字藏品文本描述语义编码特征矩阵/>的高维特征的文本语义空间异质分布导致的概率密度映射偏差，从而提升所述数字藏品文本描述语义编码特征矩阵通过基于AIGC模型的数字藏品设计生成器得到的所述数字藏品与所述待生成数字藏品的文本描述之间的对应性。
继而，将所述优化数字藏品文本描述语义编码特征矩阵通过基于AIGC模型的数字藏品设计生成器以得到所述数字藏品。
综上，基于本发明实施例的数字盲盒的生成方法被阐明，其基于待生成数字藏品的文本描述，并利用AIGC模型来自动设计数字藏品。这样，数字盲盒的内容不会被提前泄露，提高数字盲盒的乐趣与期待感。
在本发明的一个实施例中，图4为本发明实施例中提供的一种数字盲盒的生成系统的框图。如图4所示，根据本发明实施例的数字盲盒的生成系统200，包括：数字藏品生成模块210，用于利用AIGC模型生成数字藏品；元数据分配模块220，用于利用加密算法和随机数生成器为所述数字藏品分配一个唯一的元数据，其中，所述元数据包括标识符和属性；以及，数据存储模块230，用于将所述数字藏品的元数据存储于区块链网络以形成智能合约。
在所述数字盲盒的生成系统中，所述数字藏品生成模块，包括：文本描述获取单元，用于获取待生成数字藏品的文本描述；语义分析单元，用于对所述待生成数字藏品的文本描述进行语义分析以得到数字藏品文本描述语义编码特征矩阵；以及，数字藏品获得单元，用于基于所述数字藏品文本描述语义编码特征矩阵，得到所述数字藏品。
在所述数字盲盒的生成系统中，所述语义分析单元，包括：节点信息提取子单元，用于提取所述待生成数字藏品的文本描述的节点信息以得到数字藏品文本描述词嵌入向量的序列；语义拓扑信息提取子单元，用于提取所述待生成数字藏品的文本描述的语义拓扑信息以得到词粒度语义一致性拓扑特征矩阵；以及，图神经网络子单元，用于将所述词粒度语义一致性拓扑特征矩阵和所述数字藏品文本描述词嵌入向量的序列通过图神经网络模型以得到所述数字藏品文本描述语义编码特征矩阵。
这里，本领域技术人员可以理解，上述数字盲盒的生成系统中的各个单元和模块的具体功能和操作已经在上面参考图1到图3的数字盲盒的生成方法的描述中得到了详细介绍，并因此，将省略其重复描述。
如上所述，根据本发明实施例的数字盲盒的生成系统200可以实现在各种终端设备中，例如用于数字盲盒的生成的服务器等。在一个示例中，根据本发明实施例的数字盲盒的生成系统200可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该数字盲盒的生成系统200可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该数字盲盒的生成系统200同样可以是该终端设备的众多硬件模块之一。
替换地，在另一示例中，该数字盲盒的生成系统200与该终端设备也可以是分立的设备，并且数字盲盒的生成系统200可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
图5为本发明实施例中提供的一种数字盲盒的生成方法的应用场景图。如图5所示，在该应用场景中，首先，获取待生成数字藏品的文本描述（例如，如图5中所示意的C）；然后，将获取的文本描述输入至部署有数字盲盒的生成算法的服务器（例如，如图5中所示意的S）中，其中所述服务器能够基于数字盲盒的生成算法对所述文本描述进行处理，以得到所述数字藏品。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种数字盲盒的生成方法，其特征在于，包括：
利用AIGC模型生成数字藏品；
利用加密算法和随机数生成器为所述数字藏品分配一个唯一的元数据，其中，所述元数据包括标识符和属性；以及
将所述数字藏品的元数据存储于区块链网络以形成智能合约。
2.根据权利要求1所述的数字盲盒的生成方法，其特征在于，利用AIGC模型生成数字藏品，包括：
获取待生成数字藏品的文本描述；
对所述待生成数字藏品的文本描述进行语义分析以得到数字藏品文本描述语义编码特征矩阵；以及
基于所述数字藏品文本描述语义编码特征矩阵，得到所述数字藏品。
3.根据权利要求2所述的数字盲盒的生成方法，其特征在于，对所述待生成数字藏品的文本描述进行语义分析以得到数字藏品文本描述语义编码特征矩阵，包括：
提取所述待生成数字藏品的文本描述的节点信息以得到数字藏品文本描述词嵌入向量的序列；
提取所述待生成数字藏品的文本描述的语义拓扑信息以得到词粒度语义一致性拓扑特征矩阵；以及
将所述词粒度语义一致性拓扑特征矩阵和所述数字藏品文本描述词嵌入向量的序列通过图神经网络模型以得到所述数字藏品文本描述语义编码特征矩阵。
4.根据权利要求3所述的数字盲盒的生成方法，其特征在于，提取所述待生成数字藏品的文本描述的节点信息以得到数字藏品文本描述词嵌入向量的序列，包括：
对所述待生成数字藏品的文本描述进行分词处理后通过词嵌入层以得到所述数字藏品文本描述词嵌入向量的序列。
5.根据权利要求4所述的数字盲盒的生成方法，其特征在于，提取所述待生成数字藏品的文本描述的语义拓扑信息以得到词粒度语义一致性拓扑特征矩阵，包括：
计算所述数字藏品文本描述词嵌入向量的序列中任意两个数字藏品文本描述词嵌入向量之间的余弦相似度以得到词粒度语义一致性拓扑矩阵；及
将所述词粒度语义一致性拓扑矩阵通过基于卷积神经网络模型的语义拓扑特征提取器以得到所述词粒度语义一致性拓扑特征矩阵。
6.根据权利要求5所述的数字盲盒的生成方法，其特征在于，基于所述数字藏品文本描述语义编码特征矩阵，得到所述数字藏品，包括：
对所述数字藏品文本描述语义编码特征矩阵进行特征分布优化以得到优化数字藏品文本描述语义编码特征矩阵；以及
将所述优化数字藏品文本描述语义编码特征矩阵通过基于AIGC模型的数字藏品设计生成器以得到所述数字藏品。
7.根据权利要求6所述的数字盲盒的生成方法，其特征在于，对所述数字藏品文本描述语义编码特征矩阵进行特征分布优化以得到优化数字藏品文本描述语义编码特征矩阵，包括：以如下优化公式对所述数字藏品文本描述语义编码特征矩阵进行特征分布优化以得到优化数字藏品文本描述语义编码特征矩阵；
其中，所述优化公式为：其中，/>是所述数字藏品文本描述语义编码特征矩阵，/>是所述数字藏品文本描述语义编码特征矩阵的第/>位置的特征值，/>是所述数字藏品文本描述语义编码特征矩阵/>的尺度，即宽度乘以高度，/>表示所述数字藏品文本描述语义编码特征矩阵/>的Frobenius范数的平方，/>表示所述数字藏品文本描述语义编码特征矩阵/>的二范数，且/>是加权超参数，/>是所述优化数字藏品文本描述语义编码特征矩阵的第/>位置的特征值，表示计算以数值为幂的自然指数函数值。
8.一种数字盲盒的生成系统，其特征在于，包括：
数字藏品生成模块，用于利用AIGC模型生成数字藏品；
元数据分配模块，用于利用加密算法和随机数生成器为所述数字藏品分配一个唯一的元数据，其中，所述元数据包括标识符和属性；以及
数据存储模块，用于将所述数字藏品的元数据存储于区块链网络以形成智能合约。
9.根据权利要求8所述的数字盲盒的生成系统，其特征在于，所述数字藏品生成模块，包括：
文本描述获取单元，用于获取待生成数字藏品的文本描述；
语义分析单元，用于对所述待生成数字藏品的文本描述进行语义分析以得到数字藏品文本描述语义编码特征矩阵；以及
数字藏品获得单元，用于基于所述数字藏品文本描述语义编码特征矩阵，得到所述数字藏品。
10.根据权利要求9所述的数字盲盒的生成系统，其特征在于，所述语义分析单元，包括：
节点信息提取子单元，用于提取所述待生成数字藏品的文本描述的节点信息以得到数字藏品文本描述词嵌入向量的序列；
语义拓扑信息提取子单元，用于提取所述待生成数字藏品的文本描述的语义拓扑信息以得到词粒度语义一致性拓扑特征矩阵；以及
图神经网络子单元，用于将所述词粒度语义一致性拓扑特征矩阵和所述数字藏品文本描述词嵌入向量的序列通过图神经网络模型以得到所述数字藏品文本描述语义编码特征矩阵。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311123932.0A CN116992493B (zh) | 2023-09-01 | 2023-09-01 | 数字盲盒的生成方法及其系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311123932.0A CN116992493B (zh) | 2023-09-01 | 2023-09-01 | 数字盲盒的生成方法及其系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116992493A true CN116992493A (zh) | 2023-11-03 |
| CN116992493B CN116992493B (zh) | 2024-02-06 |
Family
ID=88523248
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311123932.0A Active CN116992493B (zh) | 2023-09-01 | 2023-09-01 | 数字盲盒的生成方法及其系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116992493B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170220907A1 (en) * | 2016-01-28 | 2017-08-03 | Baidu Online Network Technology (Beijing) Co., Ltd. | Method and apparatus for obtaining semantic label of digital image |
| CN111858954A (zh) * | 2020-06-29 | 2020-10-30 | 西南电子技术研究所（中国电子科技集团公司第十研究所） | 面向任务的文本生成图像网络模型 |
| CN113361250A (zh) * | 2021-05-12 | 2021-09-07 | 山东师范大学 | 一种基于语义一致性的双向文本生成图像方法及系统 |
| CN114998013A (zh) * | 2022-06-01 | 2022-09-02 | 湖南天河文链科技有限公司 | 基于nft的数字藏品交易方法和系统 |
| US20230005284A1 (en) * | 2021-09-18 | 2023-01-05 | Beijing Baidu Netcom Science Technology Co., Ltd. | Method for training image-text matching model, computing device, and storage medium |
| CN115713344A (zh) * | 2022-11-10 | 2023-02-24 | 中钞印制技术研究院有限公司 | 数字藏品的防伪、生成、管理方法、与实体藏品的关联方法及数字藏品和数字藏品系统 |
| CN115797495A (zh) * | 2023-02-07 | 2023-03-14 | 武汉理工大学 | 一种句子-字符语义空间融合感知的文本生成图像的方法 |
| CN115996127A (zh) * | 2022-12-07 | 2023-04-21 | 深圳前海微众银行股份有限公司 | 一种数字藏品盲盒的生成方法和装置 |
| CN116091741A (zh) * | 2022-09-20 | 2023-05-09 | 上海加密原生科技有限公司 | 数字藏品的生成方法、装置、存储介质及系统 |
-
2023
- 2023-09-01 CN CN202311123932.0A patent/CN116992493B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170220907A1 (en) * | 2016-01-28 | 2017-08-03 | Baidu Online Network Technology (Beijing) Co., Ltd. | Method and apparatus for obtaining semantic label of digital image |
| CN111858954A (zh) * | 2020-06-29 | 2020-10-30 | 西南电子技术研究所（中国电子科技集团公司第十研究所） | 面向任务的文本生成图像网络模型 |
| CN113361250A (zh) * | 2021-05-12 | 2021-09-07 | 山东师范大学 | 一种基于语义一致性的双向文本生成图像方法及系统 |
| US20230005284A1 (en) * | 2021-09-18 | 2023-01-05 | Beijing Baidu Netcom Science Technology Co., Ltd. | Method for training image-text matching model, computing device, and storage medium |
| CN114998013A (zh) * | 2022-06-01 | 2022-09-02 | 湖南天河文链科技有限公司 | 基于nft的数字藏品交易方法和系统 |
| CN116091741A (zh) * | 2022-09-20 | 2023-05-09 | 上海加密原生科技有限公司 | 数字藏品的生成方法、装置、存储介质及系统 |
| CN115713344A (zh) * | 2022-11-10 | 2023-02-24 | 中钞印制技术研究院有限公司 | 数字藏品的防伪、生成、管理方法、与实体藏品的关联方法及数字藏品和数字藏品系统 |
| CN115996127A (zh) * | 2022-12-07 | 2023-04-21 | 深圳前海微众银行股份有限公司 | 一种数字藏品盲盒的生成方法和装置 |
| CN115797495A (zh) * | 2023-02-07 | 2023-03-14 | 武汉理工大学 | 一种句子-字符语义空间融合感知的文本生成图像的方法 |
Non-Patent Citations (3)
| Title |
|---|
| BOWEN YUAN等: "Semantic Distance Adversarial Learning for Text-to-Image Synthesis", IEEE TRANSACTIONS ON MULTIMEDIA * |
| 樊龙华;: "区块链技术在博物馆数字资产管理中的应用展望", 中国教育信息化, no. 10 * |
| 郭燕霞: "基于AttnGAN的文本描述生成图像问题研究", 国优秀博硕士学位论文全文数据库(硕士) 信息科技辑 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116992493B (zh) | 2024-02-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111104512B (zh) | 游戏评论的处理方法及相关设备 | |
| CN108959482A (zh) | 基于深度学习的单轮对话数据分类方法、装置和电子设备 | |
| CN109753608A (zh) | 确定用户标签的方法、自编码网络的训练方法及装置 | |
| Wang et al. | Predicting and ranking box office revenue of movies based on big data | |
| CN108961032A (zh) | 借贷处理方法、装置以及服务器 | |
| Yang et al. | Rits: Real-time interactive text steganography based on automatic dialogue model | |
| CN111914553B (zh) | 一种基于机器学习的金融信息负面主体判定的方法 | |
| CN111966811A (zh) | 意图识别和槽填充方法、装置、可读存储介质及终端设备 | |
| CN113704393A (zh) | 关键词提取方法、装置、设备及介质 | |
| CN114282059A (zh) | 视频检索的方法、装置、设备及存储介质 | |
| Ding | [Retracted] Digital Protection and Development of Intangible Cultural Heritage Relying on High‐Performance Computing | |
| CN113362852A (zh) | 一种用户属性识别方法和装置 | |
| CN117217807B (zh) | 一种基于多模态高维特征的不良资产估值方法 | |
| CN114330476A (zh) | 用于媒体内容识别的模型训练方法及媒体内容识别方法 | |
| CN115905605A (zh) | 一种数据处理方法、设备以及计算机可读存储介质 | |
| Wahidur et al. | Enhancing zero-shot crypto sentiment with fine-tuned language model and prompt engineering | |
| CN116992493B (zh) | 数字盲盒的生成方法及其系统 | |
| CN116522131A (zh) | 对象表示方法、装置、电子设备及计算机可读存储介质 | |
| CN110472056A (zh) | 一种评论数据分类方法及系统 | |
| CN113705071A (zh) | 设备识别方法、装置、设备及存储介质 | |
| Meng et al. | [Retracted] Icon Art Design with Generative Adversarial Network under Deep Learning | |
| Lin et al. | Attn-Eh ALN: complex text-to-image generation with attention-enhancing adversarial learning networks | |
| Prabakaran et al. | Generative Adversarial Networks the Future of Consumer Deep Learning?: A Comprehensive Study | |
| CN112650399B (zh) | 表情推荐方法及装置 | |
| Li et al. | Landlord's equal cards force generation algorithm |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |