CN117997959A - 一种基于元宇宙的资源智能匹配方法及系统 - Google Patents

一种基于元宇宙的资源智能匹配方法及系统 Download PDF

Info

Publication number
CN117997959A
CN117997959A CN202410408789.8A CN202410408789A CN117997959A CN 117997959 A CN117997959 A CN 117997959A CN 202410408789 A CN202410408789 A CN 202410408789A CN 117997959 A CN117997959 A CN 117997959A
Authority
CN
China
Prior art keywords
data
user
behavior
behavior data
resource
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
Application number
CN202410408789.8A
Other languages
English (en)
Other versions
CN117997959B (zh
Inventor
吴立军
王晓龙
陈鸿辉
宋文峰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xiamen 20000 Li Culture Media Co ltd
Original Assignee
Xiamen 20000 Li Culture Media Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xiamen 20000 Li Culture Media Co ltd filed Critical Xiamen 20000 Li Culture Media Co ltd
Priority to CN202410408789.8A priority Critical patent/CN117997959B/zh
Publication of CN117997959A publication Critical patent/CN117997959A/zh
Application granted granted Critical
Publication of CN117997959B publication Critical patent/CN117997959B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/50—Network services
    • H04L67/55—Push-based network services
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9536—Search customisation based on social or collaborative filtering
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/60—Protecting data
    • G06F21/62—Protecting access to data via a platform, e.g. using keys or access control rules
    • G06F21/6218—Protecting access to data via a platform, e.g. using keys or access control rules to a system of files or objects, e.g. local or distributed file system or database
    • G06F21/6245—Protecting personal data, e.g. for financial or medical purposes
    • 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
    • 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
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0631—Item recommendations
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/01—Social networking
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L63/00—Network architectures or network communication protocols for network security
    • H04L63/04—Network architectures or network communication protocols for network security for providing a confidential data exchange among entities communicating through data packet networks
    • H04L63/0428—Network architectures or network communication protocols for network security for providing a confidential data exchange among entities communicating through data packet networks wherein the data content is protected, e.g. by encrypting or encapsulating the payload
    • H04L63/0435—Network architectures or network communication protocols for network security for providing a confidential data exchange among entities communicating through data packet networks wherein the data content is protected, e.g. by encrypting or encapsulating the payload wherein the sending and receiving network entities apply symmetric encryption, i.e. same key used for encryption and decryption
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L63/00—Network architectures or network communication protocols for network security
    • H04L63/12—Applying verification of the received information
    • H04L63/123—Applying verification of the received information received data contents, e.g. message integrity
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/131—Protocols for games, networked simulations or virtual reality
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/1396—Protocols specially adapted for monitoring users' activity
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/2866—Architectures; Arrangements
    • H04L67/30—Profiles
    • H04L67/306—User profiles
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/50—Network services
    • H04L67/535—Tracking the activity of the user
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L9/00—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols
    • H04L9/40—Network security protocols
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L9/00—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols
    • H04L9/50—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols using hash chains, e.g. blockchains or hash trees
    • 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)
  • Computer Security & Cryptography (AREA)
  • Theoretical Computer Science (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Bioethics (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Marketing (AREA)
  • Finance (AREA)
  • General Business, Economics & Management (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Accounting & Taxation (AREA)
  • Primary Health Care (AREA)
  • Medical Informatics (AREA)
  • Human Resources & Organizations (AREA)
  • Data Mining & Analysis (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种基于元宇宙的资源智能匹配方法及系统，涉及数据处理技术领域，所述方法包括：根据原始行为数据的重要性和对资源匹配的影响程度，为每个原始行为数据分配一个动态修正因子；根据动态修正因子，将原始行为数据分割成多个数据块；对所述分割后的数据块进行加密处理，生成加密后的行为数据；对加密后的行为数据进行数据提取，以提取反映用户偏好、习惯和需求的用户行为特征；根据所述用户行为特征，通过资源匹配算法进行资源的智能匹配，得到资源匹配结果。本发明提高了匹配结果的精准度，通过对加密后的行为数据进行处理与提取，保证了用户数据的安全性。

Description

一种基于元宇宙的资源智能匹配方法及系统
技术领域
本发明涉及数据处理技术领域，特别是指一种基于元宇宙的资源智能匹配方法及系统。
背景技术
随着科技的飞速发展，尤其是虚拟现实（VR)、增强现实（AR)、混合现实（MR）等技术的不断突破，元宇宙的概念逐渐进入公众视野。元宇宙的构建与运行离不开大数据、人工智能等先进技术的支持，在这个虚拟世界中，用户可以进行各种社交活动，如参加音乐会、观看比赛、购物等，而这些活动产生的行为数据，对于理解用户需求、优化用户体验以及实现资源智能匹配具有重要意义。
然而，如何有效地获取、处理并利用这些行为数据，以实现资源的智能匹配，是当前面临的一大挑战。传统的数据处理方法往往无法充分考虑到行为数据的重要性、时效性以及对资源匹配的影响程度，导致匹配结果不够精准，用户体验不佳。此外，随着用户对隐私保护意识的提高，如何在保证数据安全的前提下进行行为数据的获取与处理，也是一个亟待解决的问题。
发明内容
本发明要解决的技术问题是提供一种基于元宇宙的资源智能匹配方法及系统，提高了匹配结果的精准度，通过对加密后的行为数据进行处理与提取，保证了用户数据的安全性。
为解决上述技术问题，本发明的技术方案如下：
第一方面，一种基于元宇宙的资源智能匹配方法，所述方法包括：
通过至少一个虚拟现实设备及传感器获取用户在虚拟社交活动中的原始行为数据；
根据原始行为数据的重要性和对资源匹配的影响程度，为每个原始行为数据分配 一个动态修正因子，包括：获取不同类型的原始行为数据与资源匹配结果之间的关联性；根 据关联性，识别关键影响因子，影响因子包括原始行为数据的类型、频率、时效性以及用户 反馈；根据关键影响因子，评估影响因子的重要性，以量化每个影响因子对资源匹配结果的 贡献程度；根据每个影响因子对资源匹配结果的贡献程度，对每个影响因子分配一个权重； 对于每个影响因子，将每项行为数据在该影响因子上的原始得分进行归一化处理，以将原 始得分线性映射到[0，1]范围内；对于每项行为数据，根据每个影响因子的重要性，通过将 每个影响因子的归一化得分与其对应的权重相乘并求和，以得到行为数据综合影响得分； 通过计算动态修正因子，其中，为所有行为数据的综合影响得分中的 最小值，为所有行为数据的综合影响得分中的最大值，为第i项行为数据的综合影 响得分，为第i项行为数据的动态修正因子；
根据动态修正因子，将原始行为数据分割成多个数据块；
对所述分割后的数据块进行加密处理，生成加密后的行为数据；
对加密后的行为数据进行数据提取，以提取反映用户偏好、习惯和需求的用户行为特征；
根据所述用户行为特征，通过资源匹配算法进行资源的智能匹配，得到资源匹配结果；
将资源匹配结果发送至用户。
进一步的，根据动态修正因子，将行为数据分割成多个数据块，包括：
根据数据规模，将行为数据分割成几个数据块；
根据确定的数据块数量，计算划分数据块的阈值；
将动态修正因子的取值范围[0，1]等分为几个区间，每个区间对应一个数据块；根据动态修正因子的分布情况，划分出包含相同数量行为数据的区间，每个区间对应一个数据块；
遍历每一项行为数据，根据行为数据对应的动态修正因子，将行为数据分配到对应的数据块中。
进一步的，对所述分割后的数据块进行加密处理，生成加密后的行为数据，包括：
将分割后的数据块通过安全连接发送至区块链网络，在区块链网络中，为每个数据块创建一个新的区块，每个区块包含数据块和相应的元数据；对每个区块中的数据块使用对称加密进行加密，以得到加密后数据块；
将加密后数据块和加密密钥存储在区块链的相应区块中，区块链网络中的节点对新区块进行验证，以形成一个链；
区块链网络通过共识机制确认交易，以使加密数据记录在区块链上。
进一步的，对加密后的行为数据进行数据提取，以提取反映用户偏好、习惯和需求的用户行为特征，包括：
随机选择K个行为数据点作为初始质心；
计算每个数据点到每个质心的距离，并将每个数据点分配到最近的质心所代表的簇中；
对于每个簇，计算簇内所有点的均值，并将该均值作为新的质心；
重复操作，直到满足停止条件；
通过分析每个簇中的数据点，以识别出用户的行为模式，每个簇代表了一组具有相似行为特征的用户。
进一步的，根据所述用户行为特征，通过资源匹配算法进行资源的智能匹配，得到资源匹配结果，包括：
根据识别的用户行为模式，构建用户特征集；
分析用户的在线行为模式，并根据在线行为模式，为每个用户构建一个包含兴趣点、偏好的资源类型以及活动频率信息的特征集合；
建立资源库，并为资源库中的每项资源定义一组特征标签；
根据用户的交互行为和资源的特征标签之间的关系，为每个用户与特征标签之间的关联赋予一个偏好分数，并建立映射关系；
根据用户特征集和建立的映射关系，通过计算相似度以识别具有相似偏好和行为模式的用户群体；
根据相似用户群体的偏好和建立的映射关系，预测与目标用户具有相似偏好标签的资源，以得到资源匹配结果。
进一步的，相似度的计算公式为：
；
其中，r表示两个用户之间的相似度，ti表示第i项评分的时间衰减因子，Xi和Yi分别表示用户X和用户Y对第i项的评分；i，j，k，l和m都是索引，用于在求和操作中引用不同的评分项；tj，tk，tl和tm分别表示对应于索引j，k，l和m的时间衰减因子；wi，wj，wk，wl和wm是权重因子，分别对应于索引i，j，k，l和m的评分项；Xj，Yk，Xl和Ym是根据索引j，k，l和m指定的评分，其中，Xj和Xl是用户X的评分，Yk和Ym是用户Y的评分。
第二方面，一种基于元宇宙的资源智能匹配系统，包括：
获取模块，用于通过至少一个虚拟现实设备及传感器获取用户在虚拟社交活动中 的原始行为数据；根据原始行为数据的重要性和对资源匹配的影响程度，为每个原始行为 数据分配一个动态修正因子，包括：获取不同类型的原始行为数据与资源匹配结果之间的 关联性；根据关联性，识别关键影响因子，影响因子包括原始行为数据的类型、频率、时效性 以及用户反馈；根据关键影响因子，评估影响因子的重要性，以量化每个影响因子对资源匹 配结果的贡献程度；根据每个影响因子对资源匹配结果的贡献程度，对每个影响因子分配 一个权重；对于每个影响因子，将每项行为数据在该影响因子上的原始得分进行归一化处 理，以将原始得分线性映射到[0，1]范围内；对于每项行为数据，根据每个影响因子的重要 性，通过将每个影响因子的归一化得分与其对应的权重相乘并求和，以得到行为数据综合 影响得分；通过计算动态修正因子，其中，为所有行为数据的综合影 响得分中的最小值，为所有行为数据的综合影响得分中的最大值，为第i项行为数 据的综合影响得分，为第i项行为数据的动态修正因子；根据动态修正因子，将原始行为 数据分割成多个数据块；
处理模块，用于对所述分割后的数据块进行加密处理，生成加密后的行为数据；对加密后的行为数据进行数据提取，以提取反映用户偏好、习惯和需求的用户行为特征；根据所述用户行为特征，通过资源匹配算法进行资源的智能匹配，得到资源匹配结果；将资源匹配结果发送至用户。
第三方面，一种计算设备，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现所述的方法。
第四方面，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程序，该程序被处理器执行时实现所述的方法。
本发明的上述方案至少包括以下有益效果。
本发明首先通过至少一个虚拟现实设备及传感器获取用户在虚拟社交活动中的原始行为数据。然后，根据原始行为数据的重要性和对资源匹配的影响程度，为每个原始行为数据分配一个动态修正因子。这样，不仅可以充分考虑到不同类型行为数据对资源匹配结果的影响程度差异，还可以根据实际情况动态调整修正因子的值，以提高匹配的灵活性和准确性。
接下来，本发明根据动态修正因子将原始行为数据分割成多个数据块，并对分割后的数据块进行加密处理生成加密后的行为数据。这样既可以保证用户数据的安全性又可以为后续的数据提取和处理提供便利。
最后本发明根据用户行为特征通过资源匹配算法进行资源的智能匹配得到资源匹配结果并将资源匹配结果发送至用户。这样用户就可以根据自己的偏好和需求快速找到适合自己的资源提高了用户体验和满意度。
附图说明
图1是本发明的实施例提供的一种基于元宇宙的资源智能匹配方法的流程示意图。
图2是本发明的实施例提供的一种基于元宇宙的资源智能匹配系统示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
如图1所示，本发明的实施例提出一种基于元宇宙的资源智能匹配方法，所述方法包括以下步骤：
步骤11，通过至少一个虚拟现实设备及传感器获取用户在虚拟社交活动中的原始行为数据；
步骤12，根据原始行为数据的重要性和对资源匹配的影响程度，为每个原始行为数据分配一个动态修正因子；
步骤13，根据动态修正因子，将原始行为数据分割成多个数据块；
步骤14，对所述分割后的数据块进行加密处理，生成加密后的行为数据；
步骤15，对加密后的行为数据进行数据提取，以提取反映用户偏好、习惯和需求的用户行为特征；
步骤16，根据所述用户行为特征，通过资源匹配算法进行资源的智能匹配，得到资源匹配结果；
步骤17，将资源匹配结果发送至用户。
在本发明实施例中，步骤11，通过捕捉用户在虚拟环境中的互动和行为，可以获取更加准确和深入的用户偏好信息；通过为不同的行为数据分配不同的权重（动态修正因子），可以确保更重要的行为数据在资源匹配过程中有更大的影响力，有助于提高匹配结果的相关性和准确性。步骤13，数据分割有助于在处理大量数据时优化算法的运行效率，通过将数据分割，可以并行处理多个数据块，从而加快数据处理和分析的速度。步骤14，加密处理保证了用户数据的安全和隐私，在整个资源匹配过程中，用户的原始数据得到保护，避免了数据泄露的风险。步骤15，通过分析加密后的数据来提取用户行为特征，确保了在不泄露用户隐私的情况下，准确捕捉到用户的偏好和需求。步骤16，智能匹配算法根据用户行为特征进行资源匹配，可以极大提高资源推荐的相关性和个性化程度。步骤17，最终将匹配结果发送给用户，用户可以根据自己的需求和偏好接收到精选的资源推荐，提高了用户体验。
在本发明另一优选的实施例中，上述步骤11，可以包括：
步骤111，启用多种虚拟现实设备和传感器（包括但不限于运动捕捉设备、生理监测传感器、环境传感器等）同步收集用户行为和生理数据，以得到多源数据；
步骤112，根据多源数据，对多源数据进行检测，通过识别和排除异常值或噪声，比如偶发的传感器误读或非典型用户行为，确保多源数据的质量和准确性，以得到经过异常值移除后的多源数据；其中，对于实时数据质量检测，其检测公式为：
；
其中，，d是单个数据点，di表示多源数据中的第i个数据点，是多源 数据D的平均值，是多源数据D的标准差，K是用于定义异常值阈值的常数，表示数据 点d的标准化值，是经过移除异常值后的多源数据；
步骤113，利用经过移除异常值后的多源数据，结合虚拟环境中的上下文信息（如虚拟场景、时间点、用户之间的互动等）整合上下文信息的数据点，通过添加上下文信息来丰富数据的维度和意义，从而更精准地理解用户行为，其中，整合上下文信息的数据点时，可以采用以下计算公式：
；
其中，表示整合了上下文信息的数据点，d表示原始数据点，ci表示第i个上下文 特征，wi表示第i个上下文特征的权重，λ表示控制上下文信息整合强度的参数，m表示上下 文特征的数量；
步骤114，根据整合上下文信息的数据点，通过预测用户的行为模式和偏好概率，使得模式识 别更加精确，其中，P表示预测的概率，表示某个行为模式或偏好的可能性，表示Sigmoid 函数；，，…，表示模型参数；，，…，表示特征变量，n是特征变量的数量；
步骤115，根据用户的行为模式和偏好概率，动态调整数据收集策略，例如，如果发现某些特定的行为模式或偏好信息对资源匹配特别重要，则增加对这些方面的数据收集强度，针对发现的具体需求调整数据收集的焦点，以提高效率和精度，其中，动态调整数据收集策略的具体的计算公式为：
；
其中，S表示当前的数据收集策略参数，表示调整后的数据收集策略参数，T表示 目标预测概率，表示理想中希望达到的行为模式或偏好预测概率，表示基于预测结果调 整策略的方向和幅度，表示调整幅度的学习率。
在本发明实施例中，步骤111，在虚拟现实环境中，利用运动捕捉设备、生理监测传感器、环境传感器等多种设备同步收集用户的行为和生理数据，这样可以获得关于用户行为、生理反应和环境互动的综合信息。收集到的多源数据为用户行为分析提供了一个全面的视角，有助于更准确地理解用户的需求和偏好。例如，在一个虚拟购物中心，运动捕捉设备可以记录用户的移动路径，生理监测传感器记录用户面对不同商品时的心跳加速情况，环境传感器捕捉用户与虚拟环境互动的情况，如停留时间和查看商品的次数。
步骤112，通过排除异常值或噪声，这一步骤帮助提高了多源数据的质量，确保后续分析的准确性和可靠性，净化后的数据更能真实反映用户行为和生理数据的正常分布，从而使得分析结果更加可信。例如，假设在一个虚拟现实(VR)游戏中，通过运动捕捉设备和心率监测传感器收集玩家的行为和生理数据，这些数据将用于评估玩家的游戏体验和参与度，首先，游戏中收集了玩家的位置移动速度、心率等数据，计算玩家位置移动速度的平均值和标准差，假定设置K=3，意味着将所有Z分数大于3或小于－3的数据点视为异常值，这可能包括因玩家突然离开游戏区域或设备故障导致的数据；移除这些异常值，得到经过净化的多源数据H，通过这个过程，可以确保分析玩家的游戏体验时所依赖的数据是准确和可靠的，从而对游戏设计和用户体验做出更加有根据的调整和改善。
步骤113，其具体的计算过程为，为每个上下文特征ci分配一个权重wi，对所有上下文特征进行加权求和，将加权和乘以参数λ，以调节上下文信息的整合强度，将调整后的上下文信息加到原始数据点d上，得到最终的数据点dc，因此，通过添加上下文信息，提高了数据的丰富度，使得数据分析更加全面和深入，上下文信息有助于更好地理解用户行为背后的动机，从而提高行为预测和分析的准确性，不同的上下文特征和权重使得分析可以根据特定场景或用户需求进行个性化调整。例如，假设在一个虚拟现实游戏中，玩家的移动速度是被收集的原始数据点d，要整合以下上下文信息来分析玩家的行为：
c1玩家所处的游戏场景（例如，城市=1，森林=2）。c2玩家的行为发生在游戏的哪个时间点（例如，游戏早期=1，游戏晚期=2）。权重分别设为w1=0.5和w2=0.5，表示两种上下文信息同等重要。λ=1，保持上下文信息的原始影响力。在此案例中，如果玩家在森林场景的游戏晚期移动（c1=2，c2=2），那么整合上下文信息的数据点dc将基于原始移动速度d，加上通过上述公式计算得到的上下文信息影响。这种整合上下文信息的方法使得分析人员能够更深入地理解玩家在特定场景和时间点的行为模式，从而为游戏设计提供更有价值的洞察。
步骤114，使得对用户行为模式和偏好的预测更加精确，为个性化推荐和决策提供了可靠的依据，通过精准预测，可以提供更贴合用户需求和兴趣的内容，从而提升用户满意度和参与度。步骤115，确保数据收集资源被集中在最能提高预测准确性和用户体验的领域，使数据收集策略能够灵活响应用户行为模式和偏好的变化，保持数据收集的相关性和时效性。
在本发明一优选的实施例中，上述步骤12，可以包括：
步骤121，获取不同类型的原始行为数据与资源匹配结果之间的关联性；
步骤122，根据关联性，识别关键影响因子，影响因子包括原始行为数据的类型、频率、时效性以及用户反馈；
步骤123，根据关键影响因子，评估影响因子的重要性，以量化每个影响因子对资源匹配结果的贡献程度；
步骤124，根据每个影响因子对资源匹配结果的贡献程度，对每个影响因子分配一个权重；
步骤125，对于每个影响因子，将每项行为数据在该影响因子上的原始得分进行归一化处理，以将原始得分线性映射到[0，1]范围内；
步骤126，对于每项行为数据，根据每个影响因子的重要性，通过将每个影响因子的归一化得分与其对应的权重相乘并求和，以得到行为数据综合影响得分；
步骤127，通过计算动态修正因子，其中，为所有行为数据的 综合影响得分中的最小值，为所有行为数据的综合影响得分中的最大值，为第i项 行为数据的综合影响得分，为第i项行为数据的动态修正因子。
在本发明实施例中，步骤121，通过理解不同类型的原始行为数据与资源匹配结果之间的关联性，可以揭示哪些行为数据类型对预测用户需求和偏好特别重要，有助于优化后续分析和数据收集的重点，从而提高资源匹配的相关性和效率，具体包括：用户的原始行为数据，这些数据可能包括用户的浏览历史、购买记录、搜索查询、社交互动等；对收集到的数据进行整理和分类；使用统计分析算法来分析原始行为数据与资源匹配结果（如推荐的产品、服务或内容）之间的关系，目的是发现哪些行为数据与高用户满意度、高转化率或其他正面的匹配结果密切相关。例如，一个在线视频平台希望了解用户观看行为与视频推荐成功率之间的关联，通过分析用户的观看时间、观看的视频类型、停留时间以及观看完毕的视频比率，平台发现用户倾向于完整观看的视频类型与推荐算法成功推荐的视频类型高度相关。
步骤122，通过识别影响资源匹配结果的关键因子，比如数据类型、频率和时效性，可以确保分析的焦点集中在最有信息量和最具影响力的数据上。这样做可以简化数据处理流程，提高数据分析的效率和准确性。具体包括：基于步骤121的分析结果，选择可能影响资源匹配结果的因子，这些因子可能包括但不限于用户行为的类型、行为的频率、时效性以及用户直接反馈（如评分、评论）；通过进一步的分析验证这些因子是否确实对资源匹配结果有显著影响，最终确定哪些因子是影响资源匹配结果的关键因子。例如，分析可能识别出观看完毕的视频比率和用户对视频的评分是两个关键影响因子，因为这两个因子与用户对推荐视频的满意度和观看持续时间密切相关。
步骤123，量化每个影响因子对资源匹配结果的贡献度，可以明确各因子的相对重要性，有助于更加精确地评估和利用每个因子的价值。收集包含关键影响因子（如用户行为的类型、频率、时效性以及用户反馈）和资源匹配结果（如用户满意度、参与度或转化率）的数据集。其中，具体包括，
首先，确定对资源匹配结果有影响的各种因子，这些因子包括用户的行为数据类型（如浏览历史、购买记录、搜索查询等）、行为的频率、时效性以及用户反馈（如评分、评论），对每个影响因子收集相应的数据，这包括了用户与资源交互的具体情况，以及与这些交互相关的结果（例如，是否购买、观看时间长度、评分等）；对于每个影响因子，计算它与资源匹配成功率之间的皮尔逊相关系数，这个皮尔逊相关系数评估了影响因子变化时资源匹配成功率变化的方向和强度。通过分析计算得到的相关系数，可以评估影响因子与资源匹配成功率之间的关系强度和方向，强正相关意味着影响因子值增加（如更频繁的特定类型行为）会导致资源匹配成功率提高，强负相关则相反，如果相关系数接近0，则意味着两者之间没有明显的线性关系。基于相关系数的结果，评估每个影响因子对资源匹配结果的贡献程度，具有较高正相关系数的影响因子将被认为对匹配成功率有较大贡献，相反，相关系数低或负相关的因子可能被赋予较低的权重或被排除在外。通过上述步骤，可以系统地评估并量化不同影响因子对资源匹配成功率的影响，从而为资源匹配算法提供科学依据，实现更加精准和个性化的资源推荐。
步骤124，计算上一步得到的皮尔逊相关系数的绝对值，接下来，根据每个因子与资源匹配成功率之间的皮尔逊相关系数的绝对值来分配权重，权重分配的原则是：相关性越强（即皮尔逊相关系数的绝对值越大），分配的权重越高。根据每个影响因子的贡献度分配权重，确保了在最终的资源匹配过程中，更重要的因子能够发挥更大的作用，这种权重分配机制优化了资源匹配的准确性和个性化程度。
步骤125，为了确保所有权重加起来等于1（有助于计算综合影响得分），对分配的权重进行归一化处理。将每项行为数据在影响因子上的原始得分归一化到[0，1]范围内，统一了不同类型数据的度量标准，使得不同来源和类型的数据可以在同一尺度上进行比较和分析。步骤126，通过结合每个影响因子的归一化得分和权重来计算行为数据的综合影响得分，有助于识别哪些行为数据对于资源匹配特别关键。例如，根据之前分析得到的影响因子与资源匹配成功率之间的相关性，为每个影响因子分配一个权重，权重高的影响因子在资源匹配过程中被认为更重要，有了每个影响因子的归一化得分和权重后，接下来就是计算综合影响得分，对于每项行为数据，其综合影响得分是通过将每个影响因子的归一化得分与其对应的权重相乘，并将这些乘积求和得到的。假设有3个影响因子，其归一化得分分别为0.5、0.7和0.4，对应的权重分别为0.2、0.5和0.3，那么，行为数据的综合影响得分为：D＝(0.5×0.2)＋(0.7×0.5)＋(0.4×0.3)＝0.1＋0.35＋0.12＝0.57，这个得分表示了行为数据在所有考虑的影响因子上的总体表现，通过比较不同行为数据的综合影响得分，可以识别出对资源匹配影响最大的行为数据，从而优化资源匹配策略。步骤127，通过动态修正因子，可以进一步细化对行为数据的评估，确保即使在变化的环境和条件下，资源匹配过程也能保持灵活性和准确性。
在本发明一优选的实施例中，上述步骤13，可以包括：
步骤131，根据数据规模，将行为数据分割成几个数据块；
步骤132，根据确定的数据块数量，计算划分数据块的阈值；
步骤133，将动态修正因子的取值范围[0，1]等分为几个区间，每个区间对应一个数据块；根据动态修正因子的分布情况，划分出包含相同数量行为数据的区间，每个区间对应一个数据块；
步骤134，遍历每一项行为数据，根据行为数据对应的动态修正因子，将行为数据分配到对应的数据块中。
在本发明实施例中，步骤131，基于行为数据的总规模，确定需要将数据分割成多少个数据块，这个决策可以根据数据处理能力来做。步骤132，根据确定的数据块数量，计算每个数据块所需包含的行为数据数量或动态修正因子值的范围，以便平均或根据需要不平均地划分整体数据。步骤133，将动态修正因子的取值范围[0，1]等分为几个区间，每个区间对应一个预先决定的数据块，这一步的目的是根据动态修正因子的值将行为数据分配到不同的数据块中，确保每个数据块中包含相似重要性的行为数据。步骤134，遍历每一项行为数据，根据其对应的动态修正因子值，将行为数据分配到对应的数据块中，具体包括，检查每项行为数据的动态修正因子值，根据动态修正因子值将行为数据归入相应的数据块。例如，假设有1000条行为数据，决定将这些数据分割成4个数据块，用于并行处理，分析得出，数据量为1000条，决定每个数据块包含250条行为数据，动态修正因子的范围[0，1]等分为4个区间：[0，0.25)，[0.25，0.5)，[0.5，0.75)，[0.75，1]；假设一条行为数据的动态修正因子为0.37，根据步骤133的区间划分，这条数据应该被归入第二个数据块[0.25，0.5）区间。重复这个过程，直到所有行为数据都被分配到相应的数据块中。
在本发明一优选的实施例中，上述步骤14，可以包括：
步骤141，将分割后的数据块通过安全连接发送至区块链网络，在区块链网络中，为每个数据块创建一个新的区块，每个区块包含数据块和相应的元数据；对每个区块中的数据块使用对称加密进行加密，以得到加密后数据块；
步骤142，将加密后数据块和加密密钥存储在区块链的相应区块中，区块链网络中的节点对新区块进行验证，以形成一个链；
步骤143，区块链网络通过共识机制确认交易，以使加密数据记录在区块链上。
在本发明实施例中，步骤141，按照步骤13所述的动态修正因子分割好的数据块将被安全地发送至区块链网络。这里的“安全连接”意味着使用了如HTTPS这样的安全通信协议，确保数据在传输过程中不会被拦截或篡改。在区块链网络中，每个数据块将被创建为一个新的区块。这个区块不仅包含数据本身，还包含了数据的元数据，例如数据块的创建时间、数据来源等信息。此时，每个数据块会使用对称加密算法进行加密，确保只有拥有正确密钥的实体才能解密并访问数据内容。例如，假设一个虚拟社交平台收集了用户的行为数据，并基于用户活动的频繁程度对数据进行了分割，现在需要将这些数据安全地记录在区块链上。平台使用AES对称加密算法对每个数据块进行加密，然后将这些加密后的数据块通过HTTPS协议发送到区块链网络中。步骤142，一旦数据块被加密并创建为新的区块，加密后的数据块和加密密钥（可能是经过另一层加密的）将被存储在区块链的相应区块中。此步骤确保了数据的不可篡改性和可追溯性，同时，加密密钥的存储方式要确保数据隐私和安全性。区块链网络的节点将对这些新区块进行验证，确认其有效性后，将它们加入到区块链中，形成不可逆的链结构。例如，虚拟社交平台将加密后的数据块和密钥（密钥本身也可能被加密）存储在新创建的区块中。这个区块随后被发送到区块链网络中，网络中的其他节点验证这个区块的合法性，比如检查数据格式和签名等，验证无误后将其加入到区块链中。步骤143，区块链网络利用共识机制来确保所有节点对网络中发生的交易有共同的理解和记录，这个机制使得一旦数据被记录在区块链上，就几乎不可能被更改或删除，从而确保了数据的完整性和不可篡改性。例如，在虚拟社交平台的例子中，一旦数据块作为新区块被验证并加入到区块链中，整个网络将使用共识机制（如工作量证明、权益证明等）来确认这一交易。这确保了数据块的加密记录被所有参与节点所接受，并且任何试图更改已记录数据的行为都将被网络中的其他节点检测到并拒绝。通过这三个步骤，不仅保证了数据的安全性和隐私性，还确保了数据的不可篡改性和持久性。
在本发明一优选的实施例中，上述步骤15，可以包括：
步骤151，随机选择K个行为数据点作为初始质心；
步骤152，计算每个数据点到每个质心的距离，并将每个数据点分配到最近的质心所代表的簇中；
步骤153，对于每个簇，计算簇内所有点的均值，并将该均值作为新的质心；
步骤154，重复操作，直到满足停止条件；
步骤155，通过分析每个簇中的数据点，以识别出用户的行为模式，每个簇代表了一组具有相似行为特征的用户。
在本发明实施例中，假设一个电商网站希望根据用户的浏览历史和购买行为对用户进行分群，以便提供更个性化的推荐。该网站决定使用K-means算法来实现这一目标，选定K=3，即将用户分为3个群体，从用户行为数据集中随机选择3个用户作为初始质心，计算每个用户到这3个质心的距离，并将每个用户分配到最近的质心所代表的群体中，对每个群体，计算群体中所有用户的行为数据的均值，更新为新的质心，重复步骤152和步骤153，直到质心的变化非常小或达到预定的迭代次数，算法结束，通过分析每个群体（簇）中的用户行为，识别出三种不同的用户行为模式。例如，第一群体可能主要是频繁浏览但购买较少的用户，第二群体可能是偶尔浏览但购买意愿强的用户，第三群体可能是既频繁浏览也频繁购买的活跃用户。通过这种方式，电商网站可以更好地理解不同用户群体的特点和需求，从而为他们提供更加精准的产品推荐和服务。
在本发明一优选的实施例中，上述步骤16，可以包括：
步骤161，根据识别的用户行为模式，构建用户特征集；
步骤162，分析用户的在线行为模式，并根据在线行为模式，为每个用户构建一个包含兴趣点、偏好的资源类型以及活动频率信息的特征集合；
步骤163，建立资源库，并为资源库中的每项资源定义一组特征标签；
步骤164，根据用户的交互行为和资源的特征标签之间的关系，为每个用户与特征标签之间的关联赋予一个偏好分数，并建立映射关系；
步骤165，根据用户特征集和建立的映射关系，通过计算相似度以识别具有相似偏好和行为模式的用户群体；
步骤166，根据相似用户群体的偏好和建立的映射关系，预测与目标用户具有相似偏好标签的资源，以得到资源匹配结果。
在本发明实施例中，步骤161，基于之前通过聚类算法识别的用户行为模式，为每个用户构建一个特征集，这个特征集包括用户的浏览历史、购买历史、搜索关键词等信息，旨在全面反映用户的行为习惯和偏好。步骤162，接下来，深入分析用户的在线行为模式，如浏览页面的顺序、停留时间、点击率等，基于这些行为模式，为每个用户构建一个更细化的特征集合，包含兴趣点、偏好的资源类型（如特定品类的商品）以及用户的活动频率。步骤163，电商网站建立一个资源库，包含所有可供推荐的商品或服务。为库中的每项资源定义一组特征标签，如品类、价格范围、品牌、颜色等，以帮助匹配用户的兴趣点和偏好。步骤164，根据用户的交互行为（如点击、购买、收藏）和资源的特征标签之间的关系，为每个用户与特征标签之间的关联赋予一个偏好分数。这个分数反映了用户对具有某些特征标签的资源的偏好程度。步骤165，利用用户特征集和偏好分数，通过计算用户之间的相似度，识别具有相似偏好和行为模式的用户群体。步骤166，最后，根据相似用户群体的偏好和建立的映射关系，预测与目标用户具有相似偏好标签的资源。
例如，一个电商网站希望为其用户推荐服装，网站首先通过用户的购买和浏览行为数据，识别出不同的用户行为模式，如偏好休闲装的用户、偏好正装的用户等。对于一个特定用户，分析她的行为数据显示，她经常浏览和购买休闲装，尤其是运动品牌的商品。因此，为客户构建的用户特征集包含了“休闲装”和“运动品牌”的偏好标签。网站的资源库中包含了各种服装商品，每个商品都有相应的特征标签，如“休闲装”、“正装”、“运动品牌”等。基于特定客户的购买和浏览行为，网站为她与“休闲装”和“运动品牌”标签之间的关系赋予了高偏好分数。接下来，网站通过计算相似度发现了一群具有与特定客户相似偏好的用户，这些用户也倾向于购买休闲装，特别是运动品牌的商品。因此，网站预测这些与特定客户具有相似偏好标签的商品，作为她的资源匹配结果，并向她推荐。通过这个过程，电商网站能够为每个用户提供个性化的商品推荐，提高用户满意度和购买转化率。
在本发明一优选的实施例中，上述步骤165中，相似度的计算公式为：
；
其中，r表示两个用户之间的相似度，ti表示第i项评分的时间衰减因子，Xi和Yi分别表示用户X和用户Y对第i项的评分；i，j，k，l和m都是索引，用于在求和操作中引用不同的评分项；tj，tk，tl和tm分别表示对应于索引j，k，l和m的时间衰减因子；wi，wj，wk，wl和wm是权重因子，分别对应于索引i，j，k，l和m的评分项；Xj，Yk，Xl和Ym是根据索引j，k，l和m指定的评分，其中，Xj和Xl是用户X的评分，Yk和Ym是用户Y的评分。
在本发明实施例中，假设电商网站希望通过用户对商品的评分来推荐商品。网站记录了用户对商品的评分及评分时间，希望利用这些数据来找到具有相似购物偏好的用户群体。用户A和用户B对三种商品（标记为商品1、商品2、商品3）分别给出了评分，评分及其时间衰减因子如下：
商品1：用户A评分为4（时间衰减因子0.9），用户B评分为5（时间衰减因子0.8）；
商品2：用户A评分为3（时间衰减因子0.8），用户B评分为3（时间衰减因子0.7）；
商品3：用户A评分为5（时间衰减因子0.7），用户B评分为4（时间衰减因子0.9）；
假设每项评分的权重因子都为1（即wi=1），这简化了计算，但在实际应用中，权重因子可能会基于商品的类别、用户的购买转化率等因素有所不同。按照上述公式，首先计算每个用户评分的加权时间衰减平均值，然后计算评分偏差，并根据这些偏差计算用户之间的相似度。这个相似度度量能够揭示用户A和B在考虑他们的评分时间和评分重要性后的偏好相似性。如果相似度r较高，表明两位用户具有相似的购物偏好，因此，基于用户B的购物历史为用户A推荐商品可能会获得更好的接受度。通过这种方式，电商网站可以更精准地识别并推荐符合用户偏好的商品，从而提升用户体验和满意度。
图2所示，本发明的实施例还提供一种基于元宇宙的资源智能匹配系统20，包括：
获取模块21，用于通过至少一个虚拟现实设备及传感器获取用户在虚拟社交活动中的原始行为数据；根据原始行为数据的重要性和对资源匹配的影响程度，为每个原始行为数据分配一个动态修正因子；根据动态修正因子，将原始行为数据分割成多个数据块；
处理模块22，用于对所述分割后的数据块进行加密处理，生成加密后的行为数据；对加密后的行为数据进行数据提取，以提取反映用户偏好、习惯和需求的用户行为特征；根据所述用户行为特征，通过资源匹配算法进行资源的智能匹配，得到资源匹配结果；将资源匹配结果发送至用户。
可选的，根据原始行为数据的重要性和对资源匹配的影响程度，为每个行为数据分配一个动态修正因子，包括：
获取不同类型的原始行为数据与资源匹配结果之间的关联性；
根据关联性，识别关键影响因子，影响因子包括原始行为数据的类型、频率、时效性以及用户反馈；
根据关键影响因子，评估影响因子的重要性，以量化每个影响因子对资源匹配结果的贡献程度；
根据每个影响因子对资源匹配结果的贡献程度，对每个影响因子分配一个权重；
对于每个影响因子，将每项行为数据在该影响因子上的原始得分进行归一化处理，以将原始得分线性映射到[0，1]范围内；
对于每项行为数据，根据每个影响因子的重要性，通过将每个影响因子的归一化得分与其对应的权重相乘并求和，以得到行为数据综合影响得分；
通过计算动态修正因子，其中，为所有行为数据的综合影响 得分中的最小值，为所有行为数据的综合影响得分中的最大值，为第i项行为数据 的综合影响得分，为第i项行为数据的动态修正因子。
可选的，根据动态修正因子，将行为数据分割成多个数据块，包括：
根据数据规模，将行为数据分割成几个数据块；
根据确定的数据块数量，计算划分数据块的阈值；
将动态修正因子的取值范围[0，1]等分为几个区间，每个区间对应一个数据块；根据动态修正因子的分布情况，划分出包含相同数量行为数据的区间，每个区间对应一个数据块；
遍历每一项行为数据，根据行为数据对应的动态修正因子，将行为数据分配到对应的数据块中。
可选的，对所述分割后的数据块进行加密处理，生成加密后的行为数据，包括：
将分割后的数据块通过安全连接发送至区块链网络，在区块链网络中，为每个数据块创建一个新的区块，每个区块包含数据块和相应的元数据；对每个区块中的数据块使用对称加密进行加密，以得到加密后数据块；
将加密后数据块和加密密钥存储在区块链的相应区块中，区块链网络中的节点对新区块进行验证，以形成一个链；
区块链网络通过共识机制确认交易，以使加密数据记录在区块链上。
可选的，对加密后的行为数据进行数据提取，以提取反映用户偏好、习惯和需求的用户行为特征，包括：
随机选择K个行为数据点作为初始质心；
计算每个数据点到每个质心的距离，并将每个数据点分配到最近的质心所代表的簇中；
对于每个簇，计算簇内所有点的均值，并将该均值作为新的质心；
重复操作，直到满足停止条件；
通过分析每个簇中的数据点，以识别出用户的行为模式，每个簇代表了一组具有相似行为特征的用户。
可选的，根据所述用户行为特征，通过资源匹配算法进行资源的智能匹配，得到资源匹配结果，包括：
根据识别的用户行为模式，构建用户特征集；
分析用户的在线行为模式，并根据在线行为模式，为每个用户构建一个包含兴趣点、偏好的资源类型以及活动频率信息的特征集合；
建立资源库，并为资源库中的每项资源定义一组特征标签；
根据用户的交互行为和资源的特征标签之间的关系，为每个用户与特征标签之间的关联赋予一个偏好分数，并建立映射关系；
根据用户特征集和建立的映射关系，通过计算相似度以识别具有相似偏好和行为模式的用户群体；
根据相似用户群体的偏好和建立的映射关系，预测与目标用户具有相似偏好标签的资源，以得到资源匹配结果。
可选的，相似度的计算公式为：
；
其中，r表示两个用户之间的相似度，ti表示第i项评分的时间衰减因子，Xi和Yi分别表示用户X和用户Y对第i项的评分；i，j，k，l和m都是索引，用于在求和操作中引用不同的评分项；tj，tk，tl和tm分别表示对应于索引j，k，l和m的时间衰减因子；wi，wj，wk，wl和wm是权重因子，分别对应于索引i，j，k，l和m的评分项；Xj，Yk，Xl和Ym是根据索引j，k，l和m指定的评分，其中，Xj和Xl是用户X的评分，Yk和Ym是用户Y的评分。
需要说明的是，该系统是与上述方法相对应的系统，上述方法实施例中的所有实现方式均适用于该实施例中，也能达到相同的技术效果。
本发明的实施例还提供一种计算设备，包括：处理器、存储有计算机程序的存储器，所述计算机程序被处理器运行时，执行如上所述的方法。上述方法实施例中的所有实现方式均适用于该实施例中，也能达到相同的技术效果。
本发明的实施例还提供一种计算机可读存储介质，存储指令，当所述指令在计算机上运行时，使得计算机执行如上所述的方法。上述方法实施例中的所有实现方式均适用于该实施例中，也能达到相同的技术效果。
本领域普通技术人员可以意识到，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、或者计算机软件和电子硬件的结合来实现。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。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本发明所提供的实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述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单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
此外，需要指出的是，在本发明的装置和方法中，显然，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本发明的等效方案。并且，执行上述系列处理的步骤可以自然地按照说明的顺序按时间顺序执行，但是并不需要一定按照时间顺序执行，某些步骤可以并行或彼此独立地执行。对本领域的普通技术人员而言，能够理解本发明的方法和装置的全部或者任何步骤或者部件，可以在任何计算装置（包括处理器、存储介质等）或者计算装置的网络中，以硬件、固件、软件或者它们的组合加以实现，这是本领域普通技术人员在阅读了本发明的说明的情况下运用的基本编程技能就能实现的。
因此，本发明的目的还可以通过在任何计算装置上运行一个程序或者一组程序来实现。所述计算装置可以是公知的通用装置。因此，本发明的目的也可以仅仅通过提供包含实现所述方法或者装置的程序代码的程序产品来实现。也就是说，这样的程序产品也构成本发明，并且存储有这样的程序产品的存储介质也构成本发明。显然，所述存储介质可以是任何公知的存储介质或者将来所开发出来的任何存储介质。还需要指出的是，在本发明的装置和方法中，显然，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本发明的等效方案。并且，执行上述系列处理的步骤可以自然地按照说明的顺序按时间顺序执行，但是并不需要一定按照时间顺序执行。某些步骤可以并行或彼此独立地执行。
以上所述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，在不脱离本发明所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (9)

1.一种基于元宇宙的资源智能匹配方法，其特征在于，所述方法包括：
通过至少一个虚拟现实设备及传感器获取用户在虚拟社交活动中的原始行为数据；
根据原始行为数据的重要性和对资源匹配的影响程度，为每个原始行为数据分配一个动态修正因子，包括：获取不同类型的原始行为数据与资源匹配结果之间的关联性；根据关联性，识别关键影响因子，影响因子包括原始行为数据的类型、频率、时效性以及用户反馈；根据关键影响因子，评估影响因子的重要性，以量化每个影响因子对资源匹配结果的贡献程度；根据每个影响因子对资源匹配结果的贡献程度，对每个影响因子分配一个权重；对于每个影响因子，将每项行为数据在该影响因子上的原始得分进行归一化处理，以将原始得分线性映射到[0，1]范围内；对于每项行为数据，根据每个影响因子的重要性，通过将每个影响因子的归一化得分与其对应的权重相乘并求和，以得到行为数据综合影响得分；通过计算动态修正因子，其中，/>为所有行为数据的综合影响得分中的最小值，/>为所有行为数据的综合影响得分中的最大值，/>为第i项行为数据的综合影响得分，/>为第i项行为数据的动态修正因子；
根据动态修正因子，将原始行为数据分割成多个数据块；
对所述分割后的数据块进行加密处理，生成加密后的行为数据；
对加密后的行为数据进行数据提取，以提取反映用户偏好、习惯和需求的用户行为特征；
根据所述用户行为特征，通过资源匹配算法进行资源的智能匹配，得到资源匹配结果；
将资源匹配结果发送至用户。
2.根据权利要求1所述的基于元宇宙的资源智能匹配方法，其特征在于，根据动态修正因子，将行为数据分割成多个数据块，包括：
根据数据规模，将行为数据分割成几个数据块；
根据确定的数据块数量，计算划分数据块的阈值；
将动态修正因子的取值范围[0，1]等分为几个区间，每个区间对应一个数据块；根据动态修正因子的分布情况，划分出包含相同数量行为数据的区间，每个区间对应一个数据块；
遍历每一项行为数据，根据行为数据对应的动态修正因子，将行为数据分配到对应的数据块中。
3.根据权利要求2所述的基于元宇宙的资源智能匹配方法，其特征在于，对所述分割后的数据块进行加密处理，生成加密后的行为数据，包括：
将分割后的数据块通过安全连接发送至区块链网络，在区块链网络中，为每个数据块创建一个新的区块，每个区块包含数据块和相应的元数据；对每个区块中的数据块使用对称加密进行加密，以得到加密后数据块；
将加密后数据块和加密密钥存储在区块链的相应区块中，区块链网络中的节点对新区块进行验证，以形成一个链；
区块链网络通过共识机制确认交易，以使加密数据记录在区块链上。
4.根据权利要求3所述的基于元宇宙的资源智能匹配方法，其特征在于，对加密后的行为数据进行数据提取，以提取反映用户偏好、习惯和需求的用户行为特征，包括：
随机选择K个行为数据点作为初始质心；
计算每个数据点到每个质心的距离，并将每个数据点分配到最近的质心所代表的簇中；
对于每个簇，计算簇内所有点的均值，并将该均值作为新的质心；
重复操作，直到满足停止条件；
通过分析每个簇中的数据点，以识别出用户的行为模式，每个簇代表了一组具有相似行为特征的用户。
5.根据权利要求4所述的基于元宇宙的资源智能匹配方法，其特征在于，根据所述用户行为特征，通过资源匹配算法进行资源的智能匹配，得到资源匹配结果，包括：
根据识别的用户行为模式，构建用户特征集；
分析用户的在线行为模式，并根据在线行为模式，为每个用户构建一个包含兴趣点、偏好的资源类型以及活动频率信息的特征集合；
建立资源库，并为资源库中的每项资源定义一组特征标签；
根据用户的交互行为和资源的特征标签之间的关系，为每个用户与特征标签之间的关联赋予一个偏好分数，并建立映射关系；
根据用户特征集和建立的映射关系，通过计算相似度以识别具有相似偏好和行为模式的用户群体；
根据相似用户群体的偏好和建立的映射关系，预测与目标用户具有相似偏好标签的资源，以得到资源匹配结果。
6.根据权利要求5所述的基于元宇宙的资源智能匹配方法，其特征在于，相似度的计算公式为：
；
其中，r表示两个用户之间的相似度，ti表示第i项评分的时间衰减因子，Xi和Yi分别表示用户X和用户Y对第i项的评分；i，j，k，l和m都是索引，用于在求和操作中引用不同的评分项；tj，tk，tl和tm分别表示对应于索引j，k，l和m的时间衰减因子；wi，wj，wk，wl和wm是权重因子，分别对应于索引i，j，k，l和m的评分项；Xj，Yk，Xl和Ym是根据索引j，k，l和m指定的评分，其中，Xj和Xl是用户X的评分，Yk和Ym是用户Y的评分。
7.一种基于元宇宙的资源智能匹配系统，其特征在于，包括：
获取模块，用于通过至少一个虚拟现实设备及传感器获取用户在虚拟社交活动中的原始行为数据；根据原始行为数据的重要性和对资源匹配的影响程度，为每个原始行为数据分配一个动态修正因子，包括：获取不同类型的原始行为数据与资源匹配结果之间的关联性；根据关联性，识别关键影响因子，影响因子包括原始行为数据的类型、频率、时效性以及用户反馈；根据关键影响因子，评估影响因子的重要性，以量化每个影响因子对资源匹配结果的贡献程度；根据每个影响因子对资源匹配结果的贡献程度，对每个影响因子分配一个权重；对于每个影响因子，将每项行为数据在该影响因子上的原始得分进行归一化处理，以将原始得分线性映射到[0，1]范围内；对于每项行为数据，根据每个影响因子的重要性，通过将每个影响因子的归一化得分与其对应的权重相乘并求和，以得到行为数据综合影响得分；通过计算动态修正因子，其中，/>为所有行为数据的综合影响得分中的最小值，/>为所有行为数据的综合影响得分中的最大值，/>为第i项行为数据的综合影响得分，/>为第i项行为数据的动态修正因子；根据动态修正因子，将原始行为数据分割成多个数据块；
处理模块，用于对所述分割后的数据块进行加密处理，生成加密后的行为数据；对加密后的行为数据进行数据提取，以提取反映用户偏好、习惯和需求的用户行为特征；根据所述用户行为特征，通过资源匹配算法进行资源的智能匹配，得到资源匹配结果；将资源匹配结果发送至用户。
8.一种计算设备，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1至6中任一项所述的方法。
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中存储有程序，该程序被处理器执行时实现如权利要求1至6中任一项所述的方法。
CN202410408789.8A 2024-04-07 2024-04-07 一种基于元宇宙的资源智能匹配方法及系统 Active CN117997959B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410408789.8A CN117997959B (zh) 2024-04-07 2024-04-07 一种基于元宇宙的资源智能匹配方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410408789.8A CN117997959B (zh) 2024-04-07 2024-04-07 一种基于元宇宙的资源智能匹配方法及系统

Publications (2)

Publication Number Publication Date
CN117997959A true CN117997959A (zh) 2024-05-07
CN117997959B CN117997959B (zh) 2024-06-04

Family

ID=90891077

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410408789.8A Active CN117997959B (zh) 2024-04-07 2024-04-07 一种基于元宇宙的资源智能匹配方法及系统

Country Status (1)

Country Link
CN (1) CN117997959B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118296136A (zh) * 2024-06-05 2024-07-05 烟台云朵软件有限公司 基于ai的元宇宙内容生成系统

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109471982A (zh) * 2018-11-21 2019-03-15 南京邮电大学 一种基于用户和服务聚类QoS感知的Web服务推荐方法
US20200074525A1 (en) * 2018-08-31 2020-03-05 Realm Ip, Llc Collaborative matching platform
CN111125460A (zh) * 2019-12-24 2020-05-08 腾讯科技（深圳）有限公司 信息推荐方法及装置
US20210350171A1 (en) * 2020-05-08 2021-11-11 Optum Services (Ireland) Limited Resource scoring and recommendation system
CN115393100A (zh) * 2022-08-31 2022-11-25 中国银行股份有限公司 资源推荐方法及装置
CN116450944A (zh) * 2023-04-18 2023-07-18 北京百度网讯科技有限公司 基于推荐模型的资源推荐方法、装置、电子设备和介质
CN116595398A (zh) * 2023-06-12 2023-08-15 江西开创数码科技有限公司 基于元宇宙的资源智能匹配方法及相关装置
CN116861074A (zh) * 2023-06-13 2023-10-10 桂林电子科技大学 基于用户行为的个性化学习资源推荐方法
CN117312681A (zh) * 2023-08-23 2023-12-29 苏州大学 面向元宇宙的用户偏好产品推荐方法及系统
CN117314561A (zh) * 2023-09-21 2023-12-29 苏州大学 一种元宇宙产品推荐方法、装置及计算机可读存储介质
CN117349690A (zh) * 2023-09-20 2024-01-05 金陵科技学院 基于深度聚类的元宇宙资源分配方法，系统和存储介质
CN117372128A (zh) * 2023-10-26 2024-01-09 广东德澳智慧医疗科技有限公司 服务于QoS的元宇宙虚拟购物中心创新体验平台
CN117436679A (zh) * 2023-12-21 2024-01-23 四川物通科技有限公司 一种元宇宙资源匹配方法及其系统

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200074525A1 (en) * 2018-08-31 2020-03-05 Realm Ip, Llc Collaborative matching platform
CN109471982A (zh) * 2018-11-21 2019-03-15 南京邮电大学 一种基于用户和服务聚类QoS感知的Web服务推荐方法
CN111125460A (zh) * 2019-12-24 2020-05-08 腾讯科技（深圳）有限公司 信息推荐方法及装置
US20210350171A1 (en) * 2020-05-08 2021-11-11 Optum Services (Ireland) Limited Resource scoring and recommendation system
CN115393100A (zh) * 2022-08-31 2022-11-25 中国银行股份有限公司 资源推荐方法及装置
CN116450944A (zh) * 2023-04-18 2023-07-18 北京百度网讯科技有限公司 基于推荐模型的资源推荐方法、装置、电子设备和介质
CN116595398A (zh) * 2023-06-12 2023-08-15 江西开创数码科技有限公司 基于元宇宙的资源智能匹配方法及相关装置
CN116861074A (zh) * 2023-06-13 2023-10-10 桂林电子科技大学 基于用户行为的个性化学习资源推荐方法
CN117312681A (zh) * 2023-08-23 2023-12-29 苏州大学 面向元宇宙的用户偏好产品推荐方法及系统
CN117349690A (zh) * 2023-09-20 2024-01-05 金陵科技学院 基于深度聚类的元宇宙资源分配方法，系统和存储介质
CN117314561A (zh) * 2023-09-21 2023-12-29 苏州大学 一种元宇宙产品推荐方法、装置及计算机可读存储介质
CN117372128A (zh) * 2023-10-26 2024-01-09 广东德澳智慧医疗科技有限公司 服务于QoS的元宇宙虚拟购物中心创新体验平台
CN117436679A (zh) * 2023-12-21 2024-01-23 四川物通科技有限公司 一种元宇宙资源匹配方法及其系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
PENGHUA YU等: ""Human Factors Based Partitioning versus Data Clustering for Recommendations"", 《IEEE》, 24 February 2016 (2016-02-24) *
文俊浩;孙光辉;李顺;: "基于用户聚类和移动上下文的矩阵分解推荐算法研究", 计算机科学, no. 04, 15 April 2018 (2018-04-15) *
王益成;王萍;: "基于用户动态画像的科技情报服务推荐模型构建研究", 情报理论与实践, no. 04, 20 December 2018 (2018-12-20) *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118296136A (zh) * 2024-06-05 2024-07-05 烟台云朵软件有限公司 基于ai的元宇宙内容生成系统

Also Published As

Publication number Publication date
CN117997959B (zh) 2024-06-04

Similar Documents

Publication Publication Date Title
Zhou et al. Shilling attack detection for recommender systems based on credibility of group users and rating time series
US10430727B1 (en) Systems and methods for privacy-preserving generation of models for estimating consumer behavior
Steck Training and testing of recommender systems on data missing not at random
CN117997959B (zh) 一种基于元宇宙的资源智能匹配方法及系统
CN115860833A (zh) 基于消费者在线行为的电视广告时段定位
Shi et al. Local representative-based matrix factorization for cold-start recommendation
Barkan et al. Explainable recommendations via attentive multi-persona collaborative filtering
Wang et al. Recurrent recommendation with local coherence
Inan et al. Moreopt: A goal programming based movie recommender system
Wang et al. Concept drift-aware temporal cloud service APIs recommendation for building composite cloud systems
Zhang et al. Precision Marketing Method of E‐Commerce Platform Based on Clustering Algorithm
Dixit et al. Refinement and evaluation of web session cluster quality
Mehta et al. Collaborative personalized web recommender system using entropy based similarity measure
Zhang et al. Deep dynamic interest learning with session local and global consistency for click-through rate predictions
Li et al. Stan: stage-adaptive network for multi-task recommendation by learning user lifecycle-based representation
Te Braak et al. Improving the performance of collaborative filtering recommender systems through user profile clustering
Ficel et al. A graph-based recommendation approach for highly interactive platforms
KR20230061222A (ko) 머신러닝 기반 다 유형 사용자 환경에서의 콘텐츠 추천 방법
Qader et al. Dual-stage social friend recommendation system based on user interests
Qiu A predictive model for customer purchase behavior in e-commerce context
Coppola et al. Novel machine learning algorithms for centrality and cliques detection in youtube social networks
Moral et al. Profiling Television Watching Behavior Using Bayesian Hierarchical Joint Models for Time-to-Event and Count Data
Rojas et al. Analysis of biases in calibrated recommendations
Kayande et al. Recommendation systems for community commerce
Bhuvanya et al. Offline and Online Performance Evaluation Metrics of Recommender System: A Bird's Eye View

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