CN117932165A - 个性化社交方法、系统、电子设备及存储介质 - Google Patents

Abstract

本发明提供一种个性化社交方法、系统、电子设备及存储介质，从用户的用户画像中提取用户的个性向量；针对预先设置的每种关联关系，获取与用户存在关联关系的每个目标用户的目标用户画像，从每个目标用户的目标用户画像中提取每个目标用户的个性向量；根据目标用户的个性向量和用户的个性向量，计算目标用户和用户之间的相似度；根据用户的个性向量和各个目标用户的个性向量，生成个性向量组；计算个性向量组与预先设置的每个社交活动之间的匹配度；将与用户的相似度大于相似度阈值的目标用户确定为推荐用户，并将与个性向量组匹配度最高的社交活动推荐给用户和推荐用户，使用户与推荐用户在元宇宙进行所推荐的社交活动。

Description

个性化社交方法、系统、电子设备及存储介质

技术领域

本发明涉及虚拟现实技术领域，更具体地说，涉及一种个性化社交方法、系统、电子设备及存储介质。

背景技术

在互联网技术高速发展的背景下，社交平台已经深刻融入人们的日常生活，为人们提供了便捷的沟通方式。虽然现有社交平台虽然提供了便捷的沟通方式，但仍存在用户体验不佳、信息过载等问题，因此，为了进一步提高用户体验和避免信息过载的问题，元宇宙作为新兴的虚拟社交空间应时而生。

在目前的元宇宙应用中，主要是基于预设数据库的外观为用户选择相应的社交群体，但是通过这种方式确定的社交群体中的各个用户之间的个性化差异较小，导致用户难以找到真正契合的社交群体，降低了用户在元宇宙进行社交活动的体验感。

因此，如何在元宇宙中实现用户的个性化社交，使用户找到真正契合的社交群体，提高用户在元宇宙进行社交活动的体验感，是本申请当前亟需解决的问题。

发明内容

有鉴于此，本发明提供一种个性化社交方法、系统、电子设备及存储介质，以实现用户的个性化社交，使用户找到真正契合的社交群体，提高用户在元宇宙进行社交活动的体验感为目的。

本发明第一方面提供一种个性化社交方法，所述方法包括：

获取用户的用户画像；其中，所述用户画像为根据所述用户的用户数据生成；

从所述用户的用户画像中提取所述用户的个性向量；

针对预先设置的每种关联关系，获取与所述用户存在所述关联关系的每个目标用户的目标用户画像，并从每个所述目标用户的目标用户画像中提取每个所述目标用户的个性向量；

针对每个所述目标用户，根据所述目标用户的个性向量和所述用户的个性向量，计算所述目标用户和所述用户之间的相似度；

根据所述用户的个性向量和各个所述目标用户的个性向量，生成个性向量组；

计算所述个性向量组与预先设置的每个社交活动之间的匹配度；

将与所述用户的相似度大于相似度阈值的所述目标用户确定为推荐用户，并将与所述个性向量组匹配度最高的社交活动推荐给所述用户和所述推荐用户，使所述用户与所述推荐用户在元宇宙进行所推荐的社交活动。

可选的，所述根据所述用户的个性向量和各个所述目标用户的个性向量，生成个性向量组，包括：

针对每种所述关联关系，根据与所述用户存在所述关联关系的各个所述目标用户的个性向量，计算所述关联关系对应的目标个性向量；

将所述用户的个性向量和每种所述关联关系对应的目标个性向量组成一个个性向量组。

可选的，所述计算所述个性向量组与预先设置的每个社交活动之间的匹配度，包括：

确定所述个性向量组中所述用户的个性向量的权重，以及每种所述关联关系对应的目标个性向量的权重；

根据所述用户的个性向量及其权重，以及各种所述关联关系对应的目标个性向量及其权重，计算用户的个性值；

针对预先设置的每个社交活动，计算所述个性值和所述社交活动之间的匹配度。

可选的，所述方法还包括：

基于所述用户画像，确定所述用户的个性化脸型和至少一个目标喜好主题；

根据所述用户的个性向量确定所述用户的个性化风格；

针对每个所述目标喜好主题，基于所述目标喜好主题和所述个性化风格生成所述用户的用户图像；

从预设服饰模型库中选取与个性向量匹配的目标服饰模型，并根据用户图像和目标服饰模型，生成用户的个性化服饰；

基于所述用户的个性化脸型和个性化服饰，生成所述用户在所述元宇宙中的虚拟人物，使所述用户在元宇宙中利用所述虚拟人物与所述推荐用户的虚拟人物进行相应的社交活动。

可选的，所述基于所述用户画像，确定所述用户的个性化脸型和至少一个目标喜好主题，包括：

从所述用户画像中提取所述用户的人脸数据，并将所述用户的人脸数据输入预训练的个性化脸型参数预测模型中，使所述个性化脸型参数预测模型根据所述用户的人脸数据确定所述用户的个性化脸型参数；

利用随机噪音对所述个性化脸型参数进行相应的处理，得到所述用户的个性化脸型；

从所述用户画像中提取所述用户的喜好数据，并根据所述用户的喜好数据确定所述用户的至少一个目标喜好主题。

可选的，所述从所述用户画像中提取所述用户的喜好数据，并根据所述用户的喜好数据确定所述用户的至少一个目标喜好主题，包括：

从所述用户画像中提取所述用户的喜好数据，其中，所述喜好数据中包括所述用户的多个喜好及其喜好程度；

确定每个所述喜好对应的喜好主题，并根据每个所述喜好的喜好程度确定每个喜好对应的喜好主题的权重；

根据各个所述喜好主题的权重，从各个所述喜好主题中确定所述用户的至少一个目标喜好主题。

可选的，所述根据所述用户的个性向量确定所述用户的个性化风格，包括：

将所述用户的个性向量输入预训练的个性化风格预测模型，使所述个性化风格预测模型利用所述个性向量预测所述用户的个性化风格；

其中，所述个性化风格预测模型是预先利用个性训练数据对待训练的神经网络进行训练得到。

本发明第二方面提供一种个性化社交系统，所述系统包括：

第一获取单元，用于获取所述用户的用户画像；其中，所述用户画像为根据所述用户的用户数据生成；

个性向量提取单元，用于从所述用户的用户画像中提取所述用户的个性向量；

第二获取单元，用于针对预先设置的每种关联关系，获取与所述用户存在所述关联关系的每个目标用户的目标用户画像，并从每个所述目标用户的目标用户画像中提取每个所述目标用户的个性向量；

相似度计算单元，用于针对每个所述目标用户，根据所述目标用户的个性向量和所述用户的个性向量，计算所述目标用户和所述用户之间的相似度；

个性向量组生成单元，用于根据所述用户的个性向量和各个所述目标用户的个性向量，生成个性向量组；

匹配度计算单元，用于计算所述个性向量组与预先设置的每个社交活动之间的匹配度；

推荐单元，用于将与所述用户的相似度大于相似度阈值的所述目标用户确定为推荐用户，并将与所述个性向量组匹配度最高的社交活动推荐给所述用户和所述推荐用户，使所述用户与所述推荐用户在元宇宙进行所推荐的社交活动。

本发明第三方面提供一种电子设备，包括：处理器以及存储器，所述处理器以及存储器通过通信总线相连；其中，所述处理器，用于调用并执行所述存储器中存储的程序；所述存储器，用于存储程序，所述程序用于实现如本发明第一方面提供的个性化社交方法。

本发明第四方面提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机可执行指令，所述计算机可执行指令用于执行如本发明第一方面提供的个性化社交方法。

本发明实施例提供一种个性化社交方法、系统、电子设备及存储介质，可以从用户的用户画像中提取该用户的个性向量，并通过根据该用户的个性向量和与该用户存在任一种关联关系的目标用户的个性向量，计算该用户和目标用户的相似度，以便将与用户相似度大于相似度阈值的所述目标用户确定为推荐用户，从而实现为用户找到存在深层次个性化差异的社交群体，以完成用户的社交群体划分，同时还可以根据用户的个性向量和各个目标用户的个性向量生成相应的个性向量组，并计算该个性向量组和每个社交活动之间的匹配度，将与个性向量组匹配度大于匹配度阈值的社交活动推荐给所述用户和所述推荐用户，引导用户与存在深层次个性化差异的推荐用户进行所推荐的社交活动，即引导用户与推荐用户进行有效的社交活动，提高用户在元宇宙中的社交体验感。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1为本发明实施例提供的一种个性化社交方法的流程示意图；

图2为本发明实施例提供的另一种个性化社交方法的流程示意图；

图3为本发明实施例提供的一种个性化社交方法的示例图；

图4为本发明实施例提供的一种个性化社交系统的结构示意图；

图5为本发明实施例提供的一种电子设备的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。

需要注意，本发明公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。

需要注意，本发明公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。

需要说明的是，在本公开的技术方案中，对数据的获取、收集、存储、使用、加工、传输、提供、公开和应用等处理，均符合相关法律法规的规定，采取了必要保密措施，且不违背公序良俗。

参见图1，示出了本发明实施例提供的一种个性化社交方法的流程示意图，该个性化社交方法具体包括以下步骤：

S101：获取用户的用户画像；其中，用户画像为根据用户的用户数据生成的。

在具体执行步骤S101的过程中，可以预先利用大数据分析技术，从多个维度跨应用地收集每个用户的用户数据，以便通过相应的强化学习算法利用收集到的每个用户的用户数据生成每个用户的用户画像；针对每个用户而言，可以获取该用户的用户画像。其中，各个用户为在元宇宙中进行过用户注册的用户。

需要说明的是，用户画像至少包括用户的基本信息和用户的各种属性标签，其中，用户的基本信息包括年龄、性别、职业、通讯录、实时位置等等；用户的各种属性标签包括兴趣爱好、心理特征等等，在此本发明实施例不对用户的基本信息和各种属性标签进行限定。

S102：从用户的用户画像中提取用户的个性向量。

在具体执行步骤S102的过程中，在获取到用户的用户画像之后，可以从用户的用户画像中提取一个多维度的个性向量。

需要说明的是，用户的个性向量可以包括128个维度，具体的，可以包括用于表征用户的个性、喜好等维度，由此可见，可以从用户画像中提取一个用来表征用户的个性和喜好的多维度的个性向量。

S103：根据预先设置的每种关联关系，获取与用户存在关联关系的每个目标用户的目标用户画像，并从每个目标用户的目标用户画像中提取每个目标用户的个性向量。

在本发明实施例中，可以通过图分析算法构建用户在社交网络中的图谱，并从构建的图谱中识别与该用户存在潜在的社交连接的多个目标用户，即识别与用户存在一定关联关系的多个目标用户，以便从各个目标用户中确定可以推荐给该用户的目标用户。

在一些实施例中，可以预先设置多种关联关系，以便从所构建的图谱中识别与用户存在任一中关联关系的目标用户。

例如，多种关联关系可以包括元宇宙好友、通讯录好友、相同地区好友等等，进而可以从所构建的图谱中识别出该用户存在元宇宙中的好友、用户通讯录中的朋友、与用户处于同一地区的用户等等，并将识别出的好友、朋友和用户确定为该用户存在关联关系的目标用户。

在一些实施例中，针对每个目标用户，可以预先利用大数据分析技术，从多个维度跨应用地收集目标用户的用户数据，以便通过相应的强化学习算法利用收集到的目标用户生成该目标用户的目标用户画像。

在具体执行步骤S103的过程中，针对预先设置的每种关联关系，可以确定与用户存在该关联关系的至少一个目标用户；针对每个目标用户而言，可以获取该目标用户的目标用户画像，并从目标用户的目标用户画像中提取一个多维度的个性向量。

S104：针对每个目标用户，根据目标用户的个性向量和用户的个性向量，计算目标用户和用户之间的相似度。

在具体执行步骤S104的过程中，可以预先设置相应的相似度计算方法，并基于预先设置的相似度算法，根据每个目标用户的个性向量和用户的个性向量，计算每个目标用户与该用户之间的相似度。

需要说明的是，预先设置的相似度计算方法可以为现有的任一种相似度算法，在此本发明实施例不加以限定。

S105：根据用户的个性向量和各个目标用户的个性向量，生成个性向量组，并计算个性向量组与预先设置的每个社交活动之间的匹配度。

在具体执行步骤S105的过程中，在提取到用户的个性向量和每个目标用户的个性向量之后，可以根据用户的个性向量和各个目标用户的个性向量，生成个性向量组，并计算个性向量组与预先设置的每个社交活动之间的匹配度。

在本发明实施例中，可以预先设置多个社交活动，例如，预先设置的社交活动可以为虚拟店铺、虚拟演唱会等等虚拟活动，在此本发明实施例不加以限定。

可选的，根据用户的个性向量和各个目标用户的个性向量，生成个性向量组的过程具体可以为：针对每种关联关系，根据与用户存在关联关系的各个目标用户的个性向量，计算关联关系对应的目标个性向量；将用户的个性向量和每种关联关系对应的目标个性向量组成一个个性向量组，以便后续可以利用得到个性向量组从预先设置的各个社交活动中找到用户与各个目标用户可能都感兴趣的社交活动。

在一些实施例中，针对每种关联关系，如果与用户存在同一种关联关系的目标用户的数量为多个，可以计算与用户存在同一种关联关系的各个目标用户的个性向量的平均值，得到该种关联关系对应的目标个性向量，最后将用户的个性向量和每种关联关系对应的目标个性向量组成一个个性向量组。

在另一些实施例中，针对每种关联关系，如果与用户存在同一种关联关系的目标用户的数量为一个，可以直接将与用户存在该关联关系的目标用户的个性向量确定为该关联关系对应的目标个性向量。

可选的，计算个性向量组与预先设置的每个社交活动之间的匹配度的过程具体可以为：确定个性向量组中用户的个性向量的权重，以及每种关联关系对应的目标个性向量的权重；根据用户的个性向量及其权重，以及各种关联关系对应的目标个性向量及其权重，计算用户的个性值；针对预先设置的每个社交活动，计算个性值和社交活动之间的匹配度，以便后续可以根据个性值与每个社交活动的匹配度，从各个社交活动中找到用户与各个目标用户可能感兴趣的社交活动，从而提高用户在元宇宙中进行社交活动的沉浸感和体验感。

在一些实施例中，可以预先设置用户的个性向量对应的权重，以及预先设置的每种关联关系对应的权重，并计算用户的个性向量与其权重的乘积，以及每种关联关系的目标个性向量与其权重的乘积，最后计算用户的个性向量与其权重的乘积和各种关联关系的目标个性向量与其权重的乘积之和，得到用户的个性值。

在一些实施例中，可以预先设置相应的匹配度计算方法，并基于预先设置的匹配计算法计算个性值与社交活动之间的匹配度。

需要说明的是，预先设置的匹配度计算方法可以为现有的任一种匹配度算法，在此本发明实施例不加以限定。

例如，预先设置的多种关联关系可以包括元宇宙好友、通讯录好友和相同地区好友，进而可以计算和用户为元宇宙好友的各个目标用户的个性向量的平均值，得到关联关系为元宇宙好友对应的目标个性向量1；计算和用户为通讯录好友的各个目标用户的个性向量的平均值，得到关联关系为通讯录好友对应的目标个性向量2；计算和用户为相同地区好友的各个目标用户的个性向量的平均值，得到关联关系为相同地区好友对应的目标个性向量3。

假设用户的个性向量对应的权重为0.5，关联关系为元宇宙好友对应的权重为0.2，关联关系为通讯录好友对应的权重为0.2，关联关系为相同地区好友对应的权重为0.1。

根据用户的个性向量对应的权重，和各种关联关系对应的权重，将用户的个性向量、目标个性向量1、目标个性向量2和目标个性向量3进行排序，生成的个性向量组为（用户的个性向量，目标个性向量1，目标个性向量2，目标个性向量3），同时计算用户的个性向量与其权重（0.5）的乘积，目标个性向量1与其权重（0.2）的乘积，目标个性向量2与其权重（0.2）的乘积，以及目标个性向量3与其权重（0.1）的乘积，并计算用户的个性向量与其权重的乘积和各种关联关系的目标个性向量与其权重的乘积之和，得到用户的个性值，最后基于预先设置的匹配度算法计算个性值与每个社交活动之间的匹配度。

S106：将与用户的相似度大于相似度阈值的目标用户确定为推荐用户，并将与个性向量组匹配度最高的社交活动推荐给用户和推荐用户，使用户与推荐用户在元宇宙进行所推荐的社交活动。

在具体执行步骤S106的过程中，可以预先设置相似度阈值和匹配度阈值，以便在计算出用户与每个目标用户的相似度，以及个性向量组与每个社交活动之间的匹配度之后，可以将各个目标用户中与用户的相似度大于相似度阈值的目标用户确定为推荐用户从而实现为用户找到存在深层次个性化差异的社交群体，以完成用户的社交群体划分；同时将与个性向量组匹配度最高的社交活动确定为待推荐社交活动，最后将所确定的待推荐社交活动推荐给用户和推荐用户，引导用户与存在深层次个性化差异的推荐用户进行所推荐的社交活动，即引导用户与推荐用户进行有效的社交活动，提高用户在元宇宙中的社交体验感。

本发明实施例提供一种个性化社交方法，可以从用户的用户画像中提取该用户的个性向量，并通过根据该用户的个性向量和与该用户存在任一种关联关系的目标用户的个性向量，计算该用户和目标用户的相似度，以便将与用户相似度大于相似度阈值的目标用户确定为推荐用户，从而实现为用户找到存在深层次个性化差异的社交群体，以完成用户的社交群体划分，同时还可以根据用户的个性向量和各个目标用户的个性向量生成相应的个性向量组，并计算该个性向量组和每个社交活动之间的匹配度，将与个性向量组匹配度最高的社交活动推荐给用户和推荐用户，引导用户与存在深层次个性化差异的推荐用户进行所推荐的社交活动，即引导用户与推荐用户进行有效的社交活动，提高用户在元宇宙中的社交体验感。

进一步的，在上述本发明实施例提供的个性化社交方法的基础上，本发明实施例还包括以下步骤，如图2所示：

S201：基于用户画像，确定用户的个性化脸型和至少一个目标喜好主题。

在本发明实施例中，可以预先利用相应的人脸训练数据对待训练的神经网络进行训练，得到相应的个性化脸型参数预测模型。其中，人脸训练数据可以包括不同地区、性别、年龄等等人脸数据。

需要说明的是，还可以预先设置人脸训练数据中每个人脸数据对应的标准个性化脸型参数。

作为本发明实施例的一种实现方式，利用相应的人脸训练数据对待训练的神经网络进行训练，得到相应的个性化脸型参数预测模型的过程具体包括：针对人脸训练数据中的每个人脸数据，将该人脸数据输入待训练的神经网络中，使待训练的神经网络根据该人脸数据中的地区、性别和年龄等信息预测相应的个性化脸型参数，并以得到的个性化脸型参数趋近于该人脸数据对应的标准个性化脸型参数为训练目标，对待训练的神经网络的参数进行调整，直至待训练的神经网络达到收敛，得到相应的个性化脸型参数预测模型。

在具体执行步骤S201的过程中，可以进一步从该用户的用户画像中提取该用户的人脸数据，以便通过预训练的个性化脸型参数预测模型利用该用户的人脸数据预测该用户的个性化脸型参数，并根据该个性化脸型参数生成该用户的个性化脸型。

可选的，基于用户画像，确定用户的个性化脸型的过程具体可以为：从用户画像中提取用户的人脸数据，并将用户的人脸数据输入预训练的个性化脸型参数预测模型中，使个性化脸型参数预测模型根据用户的人脸数据确定用户的个性化脸型参数；利用随机噪音对个性化脸型参数进行相应的处理，得到用户的个性化脸型。由此可见，通过根据用户的用户画像中的人脸数据可以生成用户独特的个性化脸型，使用户在与推荐用户进行社交活动的过程中，可以向推荐用户展示其个性化脸型，从而强化元宇宙的社交元素。

在一些实施例中，可以在渲染引擎中通过个性化脸型参数预测模型利用用户的人脸数据预测该用户的个性化脸型参数，并在得到的个性化脸型参数上增加随机噪音，便可以得到更加贴近真实脸型的个性化脸型。

可选的，在获取到用户的用户画像之后，还可以进一步从用户画像中提取该用户的喜好数据，并根据该用户的喜好数据确定该用户的目标喜好主题。

需要说明的是，用户的喜好数据至少包括该用户的多个喜好和每个喜好对应的喜好程度。

还需要说明的是，喜好程度可以为高、中、低等等，在此本发明实施例不加以限定。

作为本申请实施例中的一种实现方式，在提取到该用户的喜好数据之后，可以从预先设置的各个主题中确定喜好数据中每个喜好对应的喜好主题，并根据各个喜好主题生成该用户的喜好主题列表；根据每个喜好的喜好程度配置每个喜好对应的喜好主题对应的权重，并根据每个喜好主题的权重从喜好主题列表的各个喜好主题中选取该用户的至少一个目标喜好主题。由此可见，通过用户的每个喜好的喜好程度，从与该用户的每个喜好相关的喜好主题中，进一步确定更加接近用户喜好风格的目标喜好主题，以便后续在与推荐用户进行社交活动的活动中，可以进一步向推荐用户展示具备目标喜好主题的个性特征的虚拟人物，从而强化元宇宙的社交元素。

在一些实施例中，可以将各个喜好主题中权重最高的喜好主题确定为用户的目标喜好主题。

在另一些实施例中，如果各个喜好主题中权重最高的喜好主题有多个，则可以将权重最高的多个喜好主题均确定为用户的目标喜好主题，也就是说，可以根据各个喜好主题的权重，从各个喜好主题中确定出该用户的多个目标喜好主题。

需要说明的，喜好的喜好程度越高，则该喜好的权重越高，并且，各个喜好主题的权重之和为1，可以根据实际应用设置相应的喜好的喜好程度及其权重，在此本发明实施例不加以限定。

例如，假设喜好1的喜好程度为高、喜好2的喜好程度为中、喜好3的喜好程度为低，可以根据喜好1的喜好程度配置喜好1对应的喜好主题的权重为60%，根据喜好2的喜好程度配置喜好2对应的喜好主题的权重为30%，根据喜好2的喜好程度配置喜好3对应的喜好主题的权重为10%。

以上仅仅是本发明实施例提供一种根据每个喜好的喜好程度配置每个喜好对应的喜好主题的权重的一种优选方式，有关于根据每个喜好的喜好程度配置每个喜好对应的喜好主题的权重的具体方式，可以根据实际应用进行设置，在此本发明实施例不加以限定。

S202：根据用户的个性向量确定用户的个性化风格。

在本发明实施例中，可以预先利用向量的个性训练数据对待训练的神经网络进行训练，得到相应的个性化风格预测模型。其中，个性训练数据包括多个历史个性向量和每个历史个性向量的标准个性化风格。

具体而言，针对每个历史个性向量，将历史个性向量输入待训练的神经网络，使待训练的神经网络根据该历史个性向量预测出相应的个性向量，并以预测出的个性向量趋近于标准个性向量为训练目标，对待训练的神经网络的参数进行调整，直至待训练的神经网络达到收敛，得到相应的个性化风格预测模型。

可选的，在从用户的用户画像中提取出该用户的个性向量，并将该用户的个性向量输入个性化风格预测模型中，使个性化风格预测模型利用输入的个性向量预测该用户的个性化风格。由此可见，通过用户的个性向量预测用户的一个个性化风格，以便后续在与推荐用户进行社交活动的活动中，可以进一步向推荐用户展示具备用户的个性化风格的虚拟人物，从而强化元宇宙的社交元素。

S203：针对每个目标喜好主题，基于目标喜好主题和个性化风格生成用户的用户图像。

在本发明实施例中，可以预先利用相应的历史用户图像训练数据对待训练的神经网络进行训练，得到相应的用户图像预测模型。

需要说明的是，历史用户图像训练数据至少包括多个历史用户图像数据，其中，历史用户图像数据包括喜好主题、个性化风格和标准用户图像。

具体而言，针对每个历史用户图像数据，将该历史用户图像数据输入待训练的神经网络，使待训练的神经网络根据历史用户图像数据中的喜好主题和个性化风格预测相应的用户图像，并以预测出的用户图像趋近于标准用户图像为训练目标，对待训练的神经网络的参数进行调整，直至待训练的神经网络达到收敛，得到相应的用户图像预测模型。

在本发明实施例中，在确定出用户的至少一个目标喜好主题和个性化风格后，针对每个目标喜好主题，将该目标喜好主题和个性化风格输入用户图像预测模型，使用户图像预测模型利用目标喜好主题和个性化风格预测用户的用户图像。由此可见，可以利用用户图像预测模型根据目标喜好主题和个性化风格生成一个同时具备用户独特的目标喜好主题和个性化风格等个性化特征的图像，以便后续在与推荐用户进行社交活动的活动中，可以进一步向推荐用户展示同时具备用户的目标喜好风格和个性化风格的虚拟人物，从而强化元宇宙的社交元素。

S204：从预设服饰模型库中选取与个性向量匹配的目标服饰模型，并根据用户图像和目标服饰模型，生成用户的个性化服饰。

在本发明实施例中，可以预先在渲染引擎中设置与每个个性向量匹配的服饰模型，并根据设置的各个服饰模型生成一个预设服饰模型库，以便在确定出用户的个性化风格和用户图像之后，将用户图像和个性化风格导入渲染引擎，使渲染引擎将用户图像作为一张贴图，并从预设模型库中选取与用户的个性向量匹配的目标服饰模型，最后将得到的贴图渲染到目标服饰模型上，生成该用户的个性化服饰，其中，个性化服饰为具有个性化风格的目标服饰模型的用户图像。

由此可见，可以根据用户的个性向量选择一个目标服饰模型，以便将之前生成的用户图像应用到目标服饰模型，形成用户独有的个性化服饰，即同时具有目标喜好风格、个性化风格和目标服饰模型的用户图像，以便后续在与推荐用户进行社交活动的活动中，可以进一步向推荐用户展示同时具备用户的目标喜好风格、个性化风格和个性化服饰的虚拟人物，从而强化元宇宙的社交元素。

S205：基于用户的个性化脸型和个性化服饰，生成用户在所述元宇宙中的虚拟人物，使用户在元宇宙中利用虚拟人物与推荐用户的虚拟人物进行相应的社交活动。

在具体执行步骤S205的过程中，在生成用户的个性化脸型和个性化服饰之后，可以根据用户的个性化脸型和个性化服饰，生成用户在元宇宙中的虚拟人物，以便用户在登录元宇宙时向用户展示具备用户的个性化特征的虚拟人物，同时还可以使用户在元宇宙中利用虚拟人物与推荐用户的虚拟人物在进行所推荐的社交活动。

在本发明实施例中，可以进一步基于用户画像生成用户独特的个性化内容（个性化脸型、目标喜好主题、个性化风格和个性化服饰（目标服饰模型）），并根据生成的个性化内容生成该用户独特的个性化的虚拟人物，以便用户在登录元宇宙时向用户展示具备用户的个性化特征的虚拟人物，同时还可以使用户和推荐用户在元宇宙进行社交活动的时候，可以向推荐用户展示该用户的个性特征，不仅能够提升用户的沉浸感和体验感，还能够进一步强化元宇宙中的社交属性。

在进一步的，在上述本发明实施例提供的个性化社交方法的基础上，本发明提供的个性化社交方法，还可以实时收集用户的行为信息，并利用收集到的行为信息优化用户的虚拟人物；具体而言，获取用户与推荐用户在元宇宙中的互动信息、偏好信息和反馈信息，并根据互动信息、偏好信息和反馈信息对所推荐的社交活动和虚拟人物进行更新和调整；同时还可以结合在线学习机制，基于用户与推荐用户在元宇宙的虚拟环境进行交互时，检测到的新模式和兴趣点对虚拟人物进行优化，以适应用户的需求和元宇宙不断变化的环境需求。其中，行为信息可以包括互动信息、偏好信息和反馈信息等等。

在本发明实施例中，可以采用强化学习算法对获取到的互动信息、偏好信息和互动信息进行分析，并根据得到的分析结果对所推荐的各个社交活动和虚拟人物进行更新和调整，可以进一步提高用户在元宇宙中进行社交活动的体验感。

为了更好为对本发明实施例提供的内容进行理解，下面以举例的方式进行解释说明，如图3所示。

获取用户的用户画像；具体而言，预先利用大数据分析技术收集用户的用户数据，并通过强化学习算法利用收集到的用户的用户数据生成该用户的用户画像。

从用户的用户画像中提取表征用户的个性和喜好的多维度的个性向量。

根据用户的个性向量确定用户的个性化风格；具体而言：将用户的个性向量输入预训练的个性化风格预测模型中，使个性化风格预测模型利用输入的个性向量预测该用户的个性化风格。

从预设服饰模型库中选取与个性向量匹配的目标服饰模型。

从用户的用户画像从提取用户的人脸数据，根据用户的人脸数据确定用户的个性化脸型；具体而言：从用户的用户画像从提取用户的人脸数据，在渲染引擎中通过个性化脸型参数预测模型利用输入的人脸数据预测该用户的个性化脸型参数，并在得到的个性化脸型参数上增加随机噪音，便可以得到更加贴近真实脸型的个性化脸型。

从用户的用户画像中提取用户的喜好数据，并根据用户的喜好数据确定用户的至少一个目标主题；具体而言，从用户的用户画像中提取用户的喜好数据，从预先设置的各个主题中确定喜好数据中每个喜好对应的喜好主题；根据所确定各个喜好主题生成用户的喜好主题列表；根据每个喜好的喜好程度配置每个喜好对应的喜好主题对应的权重，将喜好主题类表中权重最高的至少一个喜好主题确定为用户的目标喜好主题。

针对每个目标喜好主题，基于目标喜好主题和个性化风格生成用户的用户图像；具体而言，针对每个目标喜好主题而言，将该目标喜好主题和个性化风格输入用户图像预测模型，使用户图像预测模型利用目标喜好主题和个性化风格预测用户的用户图像。

根据用户图像和目标服饰模型，生成用户的个性化服饰。具体而言，将用户图像和个性化风格导入渲染引擎，使渲染引擎将用户图像作为一张贴图，并从预设模型库中选取与用户的个性向量匹配的目标服饰模型，最后将得到的贴图渲染到目标服饰模型上，生成该用户的个性化服饰，其中，个性化服饰为具有个性化风格的目标服饰模型的用户图像。

根据用户的个性化脸型和个性化服饰，生成用户在元宇宙中的虚拟人物，以便用户在登录元宇宙时向用户展示具备用户的个性化特征的虚拟人物。

通过图分析算法构建用户在社交网络中的图谱，并从所构建的谱图中识别出与用户为元宇宙好友的多个目标用户、与用户为通讯录好友的多个目标用户，以及与用户为同一个地区的多个目标用户；获取每个目标用户的目标用户画像，并从每个目标用户的目标用户画像中提取每个目标用户的个性向量。

基于预先设置的相似度算法，根据每个目标用户的个性向量和用户的个性向量，计算每个目标用户与该用户之间的相似度；以及根据用户的个性向量和各个目标用户的个性向量，生成个性向量组，并计算个性向量组与预先设置的每个社交活动之间的匹配度。

将与用户的相似度大于相似度阈值的目标用户确定为推荐用户，并将与个性向量组匹配度最高的社交活动推荐给所述用户和所述推荐用户，使用户在元宇宙中利用虚拟人物与推荐用户的虚拟人物在进行所推荐的社交活动。

收集用户的行为信息，并利用行为信息优化更新用户的虚拟人物。具体而言，获取用户与推荐用户在元宇宙中的互动信息、偏好信息和反馈信息，并根据互动信息、偏好信息和反馈信息对所推荐的社交活动和虚拟人物进行更新和调整。

基于上述本发明实施例提供的个性化社交方法，相应的，本发明实施例还提供了一种个性化社交系统，如图4所示，该个性化社交系统包括：

第一获取单元41，用于获取用户的用户画像；其中，用户画像为根据用户的用户数据生成；

个性向量提取单元42，用于从用户的用户画像中提取用户的个性向量；

第二获取单元43，用于针对预先设置的每种关联关系，获取与用户存在关联关系的每个目标用户的目标用户画像，并从每个目标用户的目标用户画像中提取每个目标用户的个性向量；

相似度计算单元44，用于针对每个目标用户，根据目标用户的个性向量和用户的个性向量，计算目标用户和用户之间的相似度；

个性向量组生成单元45，用于根据用户的个性向量和各个目标用户的个性向量，生成个性向量组；

匹配度计算单元46，用于计算个性向量组与预先设置的每个社交活动之间的匹配度；

推荐单元47，用于将与用户的相似度大于相似度阈值的目标用户确定为推荐用户，并将与个性向量组匹配度最高的社交活动推荐给用户和推荐用户，使用户与推荐用户在元宇宙进行所推荐的社交活动。

上述本发明实施例公开的个性化社交系统中各个单元具体的原理和执行过程，与上述本发明实施例公开的个性化社交方法相同，可参见上述本发明实施例公开的个性化社交方法中相应的部分，这里不再进行赘述。

本发明实施例提供一种个性化社交系统，可以从用户的用户画像中提取该用户的个性向量，并通过根据该用户的个性向量和与该用户存在任一种关联关系的目标用户的个性向量，计算该用户和目标用户的相似度，以便将与用户相似度大于相似度阈值的目标用户确定为推荐用户，从而实现为用户找到存在深层次个性化差异的社交群体，以完成用户的社交群体划分，同时还可以根据用户的个性向量和各个目标用户的个性向量生成相应的个性向量组，并计算该个性向量组和每个社交活动之间的匹配度，将与个性向量组匹配度最高的社交活动推荐给用户和推荐用户，引导用户与存在深层次个性化差异的推荐用户进行所推荐的社交活动，即引导用户与推荐用户进行有效的社交活动，提高用户在元宇宙中的社交体验感。

可选的，个性向量组生成单元，包括：

目标个性向量计算单元，用于针对每种关联关系，根据与用户存在关联关系的各个目标用户的个性向量，计算关联关系对应的目标个性向量；

个性向量组生成子单元，用于将用户的个性向量和每种关联关系对应的目标个性向量组成一个个性向量组。

可选的，匹配度计算单元，包括：

权重确定单元，用于确定个性向量组中用户的个性向量的权重，以及每种关联关系对应的目标个性向量的权重；

个性值计算单元，用于根据用户的个性向量及其权重，以及各种关联关系对应的目标个性向量及其权重，计算用户的个性值；

匹配度计算子单元，用于针对预先设置的每个社交活动，计算个性值和社交活动之间的匹配度。

可选的，本发明实施例提供的个性化社交系统，还包括：

第一确定单元，用于基于用户画像，确定用户的个性化脸型和至少一个目标喜好主题；

第二确定单元，用于根据用户的个性向量确定用户的个性化风格；

用户图像生成单元，用于针对每个目标喜好主题，基于目标喜好主题和个性化风格生成用户的用户图像；

个性化服饰生成单元，用于从预设服饰模型库中选取与个性向量匹配的目标服饰模型，并根据用户图像和目标服饰模型，生成用户的个性化服饰；

虚拟人物生成单元，用于基于用户的个性化脸型和个性化服饰，生成用户在所述元宇宙中的虚拟人物，使用户在元宇宙中利用虚拟人物与推荐用户的虚拟人物进行相应的社交活动。

可选的，第一确定单元，包括：

个性化脸型参数预测单元，用于从用户画像中提取用户的人脸数据，并将用户的人脸数据输入预训练的个性化脸型参数预测模型中，使个性化脸型参数预测模型根据用户的人脸数据确定用户的个性化脸型参数；

个性化脸型确定单元，用于利用随机噪音对个性化脸型参数进行相应的处理，得到用户的个性化脸型；

目标喜好主题确定单元，用于从用户画像中提取用户的喜好数据，并根据用户的喜好数据确定用户的至少一个目标喜好主题。

可选的，目标喜好主题确定单元，包括：

喜好数据提取单元，用于从用户画像中提取用户的喜好数据，其中，喜好数据中包括用户的多个喜好及其喜好程度；

喜好主题确定单元，用于确定每个喜好对应的喜好主题，并根据每个喜好的喜好程度确定每个喜好对应的喜好主题的权重；

目标喜好主题确定子单元，用于根据各个喜好主题的权重，从各个喜好主题中确定用户的至少一个目标喜好主题。

可选的，第二确定单元，包括：

第二确定子单元，用于将用户的个性向量输入预训练的个性化风格预测模型，使个性化风格预测模型利用个性向量预测用户的个性化风格；

其中，个性化风格预测模型是预先利用个性训练数据对待训练的神经网络进行训练得到。

本申请实施例提供了一种电子设备，如图5所示，电子设备包括处理器501和存储器502，存储器502用于存个性化社交的程序代码和数据，处理器501用于调用存储器中的程序指令执行实现如上述实施例中个性化社交方法所示的步骤。

本申请实施例提供了一种存储介质，存储介质包括存储程序，其中，在程序运行时控制存储介质所在设备执行上述实施例示出的个性化社交方法。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统或系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的系统及系统实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

以上仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种个性化社交方法，其特征在于，所述方法包括：

获取用户的用户画像；其中，所述用户画像为根据所述用户的用户数据生成；

从所述用户的用户画像中提取所述用户的个性向量；

针对预先设置的每种关联关系，获取与所述用户存在所述关联关系的每个目标用户的目标用户画像，并从每个所述目标用户的目标用户画像中提取每个所述目标用户的个性向量；

针对每个所述目标用户，根据所述目标用户的个性向量和所述用户的个性向量，计算所述目标用户和所述用户之间的相似度；

根据所述用户的个性向量和各个所述目标用户的个性向量，生成个性向量组；

计算所述个性向量组与预先设置的每个社交活动之间的匹配度；

将与所述用户的相似度大于相似度阈值的所述目标用户确定为推荐用户，并将与所述个性向量组匹配度最高的社交活动推荐给所述用户和所述推荐用户，使所述用户与所述推荐用户在元宇宙进行所推荐的社交活动。

2.根据权利要求1所述的方法，其特征在于，所述根据所述用户的个性向量和各个所述目标用户的个性向量，生成个性向量组，包括：

针对每种所述关联关系，根据与所述用户存在所述关联关系的各个所述目标用户的个性向量，计算所述关联关系对应的目标个性向量；

将所述用户的个性向量和每种所述关联关系对应的目标个性向量组成一个个性向量组。

3.根据权利要求2所述的方法，其特征在于，所述计算所述个性向量组与预先设置的每个社交活动之间的匹配度，包括：

确定所述个性向量组中所述用户的个性向量的权重，以及每种所述关联关系对应的目标个性向量的权重；

根据所述用户的个性向量及其权重，以及各种所述关联关系对应的目标个性向量及其权重，计算用户的个性值；

针对预先设置的每个社交活动，计算所述个性值和所述社交活动之间的匹配度。

4.根据权利要求1所述的方法，其特征在于，所述方法还包括：

基于所述用户画像，确定所述用户的个性化脸型和至少一个目标喜好主题；

根据所述用户的个性向量确定所述用户的个性化风格；

针对每个所述目标喜好主题，基于所述目标喜好主题和所述个性化风格生成所述用户的用户图像；

从预设服饰模型库中选取与个性向量匹配的目标服饰模型，并根据用户图像和目标服饰模型，生成用户的个性化服饰；

基于所述用户的个性化脸型和个性化服饰，生成所述用户在所述元宇宙中的虚拟人物，使所述用户在元宇宙中利用所述虚拟人物与所述推荐用户的虚拟人物进行相应的社交活动。

5.根据权利要求4所述的方法，其特征在于，所述基于所述用户画像，确定所述用户的个性化脸型和至少一个目标喜好主题，包括：

从所述用户画像中提取所述用户的人脸数据，并将所述用户的人脸数据输入预训练的个性化脸型参数预测模型中，使所述个性化脸型参数预测模型根据所述用户的人脸数据确定所述用户的个性化脸型参数；

利用随机噪音对所述个性化脸型参数进行相应的处理，得到所述用户的个性化脸型；

从所述用户画像中提取所述用户的喜好数据，并根据所述用户的喜好数据确定所述用户的至少一个目标喜好主题。

6.根据权利要求5所述的方法，其特征在于，所述从所述用户画像中提取所述用户的喜好数据，并根据所述用户的喜好数据确定所述用户的至少一个目标喜好主题，包括：

从所述用户画像中提取所述用户的喜好数据，其中，所述喜好数据中包括所述用户的多个喜好及其喜好程度；

确定每个所述喜好对应的喜好主题，并根据每个所述喜好的喜好程度确定每个喜好对应的喜好主题的权重；

根据各个所述喜好主题的权重，从各个所述喜好主题中确定所述用户的至少一个目标喜好主题。

7.根据权利要求4所述的方法，其特征在于，所述根据所述用户的个性向量确定所述用户的个性化风格，包括：

将所述用户的个性向量输入预训练的个性化风格预测模型，使所述个性化风格预测模型利用所述个性向量预测所述用户的个性化风格；

其中，所述个性化风格预测模型是预先利用个性训练数据对待训练的神经网络进行训练得到。

8.一种个性化社交系统，其特征在于，所述系统包括：

第一获取单元，用于获取所述用户的用户画像；其中，所述用户画像为根据所述用户的用户数据生成；

个性向量提取单元，用于从所述用户的用户画像中提取所述用户的个性向量；

第二获取单元，用于针对预先设置的每种关联关系，获取与所述用户存在所述关联关系的每个目标用户的目标用户画像，并从每个所述目标用户的目标用户画像中提取每个所述目标用户的个性向量；

相似度计算单元，用于针对每个所述目标用户，根据所述目标用户的个性向量和所述用户的个性向量，计算所述目标用户和所述用户之间的相似度；

个性向量组生成单元，用于根据所述用户的个性向量和各个所述目标用户的个性向量，生成个性向量组；

匹配度计算单元，用于计算所述个性向量组与预先设置的每个社交活动之间的匹配度；

推荐单元，用于将与所述用户的相似度大于相似度阈值的所述目标用户确定为推荐用户，并将与所述个性向量组匹配度最高的社交活动推荐给所述用户和所述推荐用户，使所述用户与所述推荐用户在元宇宙进行所推荐的社交活动。

9.一种电子设备，其特征在于，包括：处理器以及存储器，所述处理器以及存储器通过通信总线相连；其中，所述处理器，用于调用并执行所述存储器中存储的程序；所述存储器，用于存储程序，所述程序用于实现如权利要求1-7任一项所述的个性化社交方法。

10.一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中存储有计算机可执行指令，所述计算机可执行指令用于执行如权利要求1-7任一项所述的个性化社交方法。