CN117436679B - 一种元宇宙资源匹配方法及其*** - Google Patents
一种元宇宙资源匹配方法及其*** Download PDFInfo
- Publication number
- CN117436679B CN117436679B CN202311766593.8A CN202311766593A CN117436679B CN 117436679 B CN117436679 B CN 117436679B CN 202311766593 A CN202311766593 A CN 202311766593A CN 117436679 B CN117436679 B CN 117436679B
- Authority
- CN
- China
- Prior art keywords
- resource
- target user
- meta
- user
- attribute
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000013507 mapping Methods 0.000 claims abstract description 59
- 239000011159 matrix material Substances 0.000 claims abstract description 26
- 238000004458 analytical method Methods 0.000 claims abstract description 11
- 238000002372 labelling Methods 0.000 claims abstract description 7
- 239000013598 vector Substances 0.000 claims description 42
- 238000010586 diagram Methods 0.000 claims description 21
- 238000006243 chemical reaction Methods 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000003491 array Methods 0.000 claims description 6
- 238000012098 association analyses Methods 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 43
- 230000006399 behavior Effects 0.000 description 12
- 230000009466 transformation Effects 0.000 description 10
- JJWKPURADFRFRB-UHFFFAOYSA-N carbonyl sulfide Chemical compound O=C=S JJWKPURADFRFRB-UHFFFAOYSA-N 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000011478 gradient descent method Methods 0.000 description 2
- 238000007620 mathematical function Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000013468 resource allocation Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种元宇宙资源匹配方法及其***,涉及资源匹配技术领域,所述方法包括:获取待使用元宇宙的目标用户各个用户属性,标注对应的属性值;基于目标用户属性及对应的属性值,构建目标用户对应的属性矩阵;建立定性映射模型,应用定性映射模型基于目标用户对应的属性矩阵分析目标用户与各元宇宙资源之间的匹配度;结合目标用户对元宇宙资源匹配结果的反馈对定性映射模型进行优化。通过对目标用户需求特征的分析,为用户匹配到合适的元宇宙资源,且根据用户对匹配结果的反馈,进一步优化元宇宙匹配机制,从而逐步提高元宇宙资源匹配的精准度。
Description
技术领域
本发明涉及资源匹配技术领域,尤其涉及一种元宇宙资源匹配方法及其***。
背景技术
元宇宙资源是指在元宇宙中可供利用和交易的各种实体、数字化资产和虚拟资源。元宇宙是一个虚拟的数字化空间,类似于一个虚拟现实世界,其中包含了各种虚拟实体、数字化物品、虚拟货币、智能合约等。智能合约是在区块链上执行的可编程合约,可以用来实现资源的自动化匹配。通过智能合约,参与者可以定义和执行资源匹配的规则和条件。但是目前资源匹配的算法是具有一定偏见性的,这种偏见源于历史数据中存在的不平等和偏差。如果算法仅仅依赖于过去的数据,而这些数据本身就带有偏见,那么算法的结果就会反映出这种偏见。例如,如果过去的资源分配存在性别、种族或社会经济差异,那么算法可能会继续强化这些差异,导致资源分配的不公正性。
发明内容
本发明提供了一种元宇宙资源匹配方法,包括:
步骤1、获取待使用元宇宙的目标用户各个用户属性,标注对应的属性值;
步骤2、基于目标用户属性及对应的属性值,构建目标用户对应的属性矩阵;
步骤3、建立定性映射模型,应用定性映射模型基于目标用户对应的属性矩阵分析目标用户与各元宇宙资源之间的匹配度;
步骤4、结合目标用户对元宇宙资源匹配结果的反馈对定性映射模型进行优化。
如上所述的一种元宇宙资源匹配方法,其中,获取待使用元宇宙的目标用户各个用户属性,包括:用户注册、调查问卷和用户行为分析。
如上所述的一种元宇宙资源匹配方法,其中,建立定性映射模型包括以下子步骤:
为各个元宇宙资源预设资源属性,并整理为资源属性向量集;
将目标用户对应的属性矩阵整理为用户属性向量集;
基于资源属性向量集和用户属性向量集,计算目标用户和元宇宙资源之间的相似度;
根据目标用户和元宇宙资源之间的相似度建立用户与元宇宙资源之间的关系图;
基于用户与元宇宙资源之间的关系图设计转化程度函数。
如上所述的一种元宇宙资源匹配方法,其中,应用定性映射模型基于目标用户对应的属性矩阵分析目标用户与各元宇宙资源之间的匹配度,具体包括以下子步骤:
输入目标用户对应的属性矩阵至定性映射模型,计算出用户与不同元宇宙资源之间的匹配度;
选取匹配度最高的元宇宙资源与目标用户进行匹配。
如上所述的一种元宇宙资源匹配方法,其中,结合目标用户对元宇宙资源匹配结果的反馈对定性映射模型进行优化,具体包括以下子步骤:
收集目标用户对元宇宙资源匹配结果的反馈;
基于目标用户对元宇宙资源匹配结果的反馈设计目标函数;
根据元宇宙资源匹配结果与目标函数调整模型参数。
本发明还提供一种元宇宙资源匹配***,包括:目标用户属性获取模块,定性映射模型建立模块,元宇宙资源匹配模块,元宇宙资源匹配优化模块;
目标用户属性获取模块,用于获取待使用元宇宙的目标用户各个用户属性,标注对应的属性值;
定性映射模型建立模块,用于根据获取到的目标用户属性建立定性映射模型;
元宇宙资源匹配模块,用于应用定性映射模型分析目标用户与各元宇宙资源之间的匹配度,选取匹配度最高的元宇宙资源与目标用户进行匹配;
元宇宙资源匹配优化模块,用于对定性映射模型结合目标用户对元宇宙资源匹配结果的反馈进行优化。
如上所述的一种元宇宙资源匹配***,其中,获取待使用元宇宙的目标用户各个用户属性,包括:用户注册、调查问卷和用户行为分析。
如上所述的一种元宇宙资源匹配***,其中,建立定性映射模型包括以下子步骤:
为各个元宇宙资源预设资源属性,并整理为资源属性向量集;
将目标用户对应的属性矩阵整理为用户属性向量集;
基于资源属性向量集和用户属性向量集,计算目标用户和元宇宙资源之间的相似度;
根据目标用户和元宇宙资源之间的相似度建立用户与元宇宙资源之间的关系图;
基于用户与元宇宙资源之间的关系图设计转化程度函数。
如上所述的一种元宇宙资源匹配***,其中,应用定性映射模型基于目标用户对应的属性矩阵分析目标用户与各元宇宙资源之间的匹配度,具体包括以下子步骤:
输入目标用户对应的属性矩阵至定性映射模型,计算出用户与不同元宇宙资源之间的匹配度;
选取匹配度最高的元宇宙资源与目标用户进行匹配。
如上所述的一种元宇宙资源匹配***,其中,结合目标用户对元宇宙资源匹配结果的反馈对定性映射模型进行优化,具体包括以下子步骤:
收集目标用户对元宇宙资源匹配结果的反馈;
基于目标用户对元宇宙资源匹配结果的反馈设计目标函数;
根据元宇宙资源匹配结果与目标函数调整模型参数。
本发明实现的有益效果如下:通过对目标用户需求特征的分析,为用户匹配到合适的元宇宙资源,且根据用户对匹配结果的反馈,进一步优化元宇宙匹配机制,从而逐步提高元宇宙资源匹配的精准度。
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中记载的一些实施例,对于本领域普通技术人员来讲,还可以根据这些附图获得其他的附图。
图1是本发明实施例一提供的一种元宇宙资源匹配方法流程图;
图2是本发明提供的目标用户与元宇宙资源之间的关系示意图。
具体实施方式
下面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。
实施例一
如图1所示,本发明实施例一提供一种元宇宙资源匹配方法,包括:
步骤S10:获取待使用元宇宙的目标用户各个用户属性,标注对应的属性值;
不同的用户对于元宇宙资源的需求都各不相同,这可能取决于用户的兴趣爱好、职业需求、或是学习需求等原因,为了了解目标用户的特征和需求,以便为他们提供最适合的元宇宙体验,就需要获取目标用户的各个用户属性,所述用户属性用于描述出用户肖像,可以包括:年龄、性别、教育程度、职业、兴趣爱好、消费能力、网络行为等方面。属性值是对用户属性的具体描述,例如年龄可以是18-25岁,兴趣爱好可以是游戏、音乐、旅游等。
获取方式包括用户注册、调查问卷和用户行为分析三种方法。具体实施方式如下:
①用户注册可以设置实名认证、手机号绑定步骤,实名认证可以获取用户的性别、年龄、出生日期,还可以增强元宇宙的安全性;手机号可以用于短信通知,同时也直接作为唯一标识来区分不同的用户;
②调查问卷是最直接的获取用户属性的方法,可以设置在进入元宇宙前的初始化阶段,注册之后的用户内容初始化阶段,或是新内容的试运行阶段,问卷上的问题就可以转化为用户属性,而用户选择的选项就转化为了属性值;
③用户行为分析是结合用户平常在元宇宙中的不同行为,来分析获取用户属性;
在用户进行元宇宙资源的浏览或筛选过程中,提取并记录用户浏览或收藏过的元宇宙资源主题关键字或预设标签,作为用户的偏好属性。
步骤S20:基于目标用户属性及对应的属性值,构建目标用户对应的属性矩阵;
将用户属性和属性值转化为数值化的表示方式,以便进行后续的计算和分析。属性矩阵是一个二维表格,其中每一行代表一个用户,每一列代表一个属性,每个单元格代表一个属性值。属性值可以用数字或者符号来表示,例如年龄可以用1-5来表示不同的年龄段,兴趣爱好可以用0或1来表示是否喜欢某个项目,职业可以用不同的编码来表示;
目标用户对应的属性矩阵表示为:
步骤S30:建立定性映射模型,应用定性映射模型基于目标用户对应的属性矩阵分析目标用户与各元宇宙资源之间的匹配度;
定性映射模型是一个人工智能模型,根据目标用户对应的属性和属性值,生成一个目标用户与元宇宙资源之间的关系图,其中每个节点代表一个用户或一个元宇宙资源,每条边代表两个节点之间的相似度。定性映射模型中包含转化程度函数,转化程度函数是一个数学函数,可以根据关系图中的边,计算出目标用户与元宇宙之间的匹配度,匹配度越高,说明目标用户与元宇宙之间的适配程度越高。建立定性映射模型包括以下子步骤:
①为各个元宇宙资源预设资源属性,并整理为资源属性向量集;
资源属性与用户属性一一对应,预设资源属性后的元宇宙资源有着一定的适配性,例如元宇宙资源A的资源属性中包括适宜年龄是12岁以下,大分类是教育类,那么元宇宙资源A适配的就应该是年龄在12岁以下,使用目的是学习的用户。
将资源属性进行归一化处理,并整理为资源属性向量集,表示为:,其中r1~rz分别表示不同的元宇宙资源,B1~Bz分别表示r1~rz的资源属性集,z为元宇宙资源总数,/>,其中ratt1~rattδ分别表示不同的资源属性,v1~vδ分别表示ratt1~rattδ资源属性的属性值向量,δ为资源属性总数。
②将目标用户对应的属性矩阵整理为用户属性向量集;
用户属性向量集表示为:,其中u1~un分别表示不同的目标用户,A1~An分别表示u1~un用户的属性集,n为目标用户总数,,其中attr1~attrm分别表示不同的用户属性,value1~valuem分别表示attr1~attrm用户属性的属性值向量,m为用户属性总数。
③基于资源属性向量集和用户属性向量集,计算目标用户和元宇宙资源之间的相似度;
计算目标用户和元宇宙资源之间的相似度函数为:,其中/>()用于循环计算j为1~z时括号内的式子,z为元宇宙资源总数,/>()用于循环计算i为1~n时括号内的式子,n为目标用户总数,if()函数中有三个参数,以逗号隔开,当第一个参数中的表达式成立时,返回第二个参数/>,否则返回第三个参数0,corr()函数中有两个参数,Bj.rattb表示第j个元宇宙资源中的第b个资源属性,Ai.attra表示第i各目标用户的第a个用户属性,corr()函数判断Bj.rattb和Ai.attra是否为一一对应的属性,若是则返回true,否则返回false,rj为下标为j的元宇宙资源,ui为下标为i的目标用户,Ai.valuea为第i个目标用户的第a个用户属性向量,Bj.vb为第j个元宇宙资源的第b个资源属性向量;
D为计算结果的集合,计算完成后D集合内就包含了具有适配性的元宇宙资源及目标用户,和双方之间有对应关系的各属性相似度,此时的相似度只是双方间各属性的相似度,因此还需要将D集合内ui项和rj项相同的数据进行分组,并按照分组对组内的数组元素进行合并,获得元宇宙资源及目标用户双方之间总体的相似度。
分组公式为:,其中,group()为分组函数,有两个参数,以逗号分割,第一个参数为分组标识,第二参数为分组数据,group()会根据分组标识对分组数据进行分组,即将分组数据中的数组元素按照分组标识的格式转化后(分组数据中数组元素格式的转化只用于分组,输出的数据格式还是原来的格式),分组标识一样的分成一组,D.ul表示D集合中下标为l的目标用户,D.rl为D集合中下标为l的元宇宙资源,/>为连接符,l取值1~W,W为D集合中包含的数组总数,D’为分组完成的集合。
合并公式为:,其中D’’为合并完成的集合,/>()为循环计算e取1~θ时括号内的式子,θ为D’集合内分组的数量,D’.groupe.valo表示D’集合内,第e个分组下第o个数组内的相似度,D’.groupe.uo.μ表示D’集合内,第e个分组下第o个数组内的用户属性所设置的权重,o取值1~ρ,ρ为分组e内包含的数组总数量。
④根据目标用户和元宇宙资源之间的相似度建立用户与元宇宙资源之间的关系图;
将元宇宙资源与目标用户作为关系图中的节点,具有适配性的节点双方进行连线,作为节点的边,表示元宇宙资源与目标用户之间的相似度,这里的相似度指的是元宇宙资源与目标用户之间的总体相似度。
如图2目标用户与元宇宙资源之间的关系示意图所示,有用户节点、元宇宙资源节点若干,由线段相连的用户节点与元宇宙资源节点之间是具有一定适配性的,即元宇宙资源节点与用户节点中,包含着具有一一对应关系的资源属性和用户属性;而用户节点和宇宙资源节点之间是多对多的关系,即一个宇宙资源节点可能会适配多个用户,而一个用户也可能对多个宇宙资源节点有兴趣;连接两个节点的线段称为节点的边,边上标注的d1~d4分别为相连节点之间的相似度。
⑤基于用户与元宇宙资源之间的关系图设计转化程度函数;
转化程度函数需要将用户与元宇宙资源之间的关系图中,元宇宙资源节点与目标用户节点之间的相似度转化为匹配度。
转化程度函数表示为:,其中/>()循环计算k取1~total是括号内的式子,total为计算的目标用户节点所具有边的总数,dk表示第k条边上的相似度,为第k条边的转化系数,/>为转化程度函数的修正系数。/>与/>在首次计算时为***预设值,后续结合目标用户对元宇宙资源匹配结果的反馈进行优化,从而提高用户满意度,MD为不同元宇宙资源对目标用户的匹配度集合。
应用定性映射模型基于目标用户对应的属性矩阵分析目标用户与各元宇宙资源之间的匹配度,具体包括以下子步骤:
①输入目标用户对应的属性矩阵至定性映射模型,计算出用户与不同元宇宙资源之间的匹配度;
②选取匹配度最高的元宇宙资源与目标用户进行匹配;
默认展示的是匹配度最高的元宇宙资源,用户仍可以查看并自行选取其他匹配项。
步骤S40:结合目标用户对元宇宙资源匹配结果的反馈对定性映射模型进行优化;
①收集目标用户对元宇宙资源匹配结果的反馈;
目标用户对元宇宙资源匹配结果的反馈,包括目标用户对元宇宙资源匹配结果的选取行为,以及对使用过的元宇宙资源的评分。
②基于目标用户对元宇宙资源匹配结果的反馈设计目标函数;
将目标用户对元宇宙资源匹配结果的反馈,与元宇宙匹配结果做关联分析,分析出关联规则后,根据关联规则设计目标函数,目标函数表示为:,其中p0表示匹配结果中匹配度最高的元宇宙资源的选取标识,pc为匹配结果中第c个元宇宙资源的选取标识,x为关联系数,qc为定性映射模型输出的第c个元宇宙资源的评分,c取值1~s-1,s为定性映射模型输出的元宇宙资源数量,选取标识只有0,1两个值,被选取的元宇宙资源选取标识为1,否则为0,G为计算的匹配系数。
③根据元宇宙资源匹配结果与目标函数调整模型参数;
目标函数的计算结果G越靠近1则说明元宇宙匹配结果的计算越精确,将定性映射模型中转化程度函数的参数使用梯度下降法进行迭代,每次参数迭代输出的元宇宙资源匹配结果都使用目标函数计算G值,取G值最靠近1时,对应的转化程度函数参数作为最优参数,应用于模型中。
实施例二
本发明实施例二提供一种元宇宙资源匹配***,包括:目标用户属性获取模块,定性映射模型建立模块,元宇宙资源匹配模块,元宇宙资源匹配优化模块。
(1)目标用户属性获取模块,用于获取待使用元宇宙的目标用户各个用户属性,标注对应的属性值。
不同的用户对于元宇宙资源的需求都各不相同,这可能取决于用户的兴趣爱好、职业需求、或是学习需求等原因,为了了解目标用户的特征和需求,以便为他们提供最适合的元宇宙体验,就需要获取目标用户的各个用户属性,所述用户属性用于描述出用户肖像,可以包括:年龄、性别、教育程度、职业、兴趣爱好、消费能力、网络行为等方面。属性值是对用户属性的具体描述,例如年龄可以是18-25岁,兴趣爱好可以是游戏、音乐、旅游等。
获取方式包括用户注册、调查问卷和用户行为分析三种方法。具体实施方式如下:
①用户注册可以设置实名认证、手机号绑定步骤,实名认证可以获取用户的性别、年龄、出生日期,还可以增强元宇宙的安全性;手机号可以用于短信通知,同时也直接作为唯一标识来区分不同的用户;
②调查问卷是最直接的获取用户属性的方法,可以设置在进入元宇宙前的初始化阶段,注册之后的用户内容初始化阶段,或是新内容的试运行阶段,问卷上的问题就可以转化为用户属性,而用户选择的选项就转化为了属性值;
③用户行为分析是结合用户平常在元宇宙中的不同行为,来分析获取用户属性;
在用户进行元宇宙资源的浏览或筛选过程中,提取并记录用户浏览或收藏过的元宇宙资源主题关键字或预设标签,作为用户的偏好属性。
(2)定性映射模型建立模块,用于根据获取到的目标用户属性建立定性映射模型。
定性映射模型是一个人工智能模型,根据目标用户对应的属性和属性值,生成一个目标用户与元宇宙资源之间的关系图,其中每个节点代表一个用户或一个元宇宙资源,每条边代表两个节点之间的相似度。定性映射模型中包含转化程度函数,转化程度函数是一个数学函数,可以根据关系图中的边,计算出目标用户与元宇宙之间的匹配度,匹配度越高,说明目标用户与元宇宙之间的适配程度越高。建立定性映射模型包括以下子步骤:
①为各个元宇宙资源预设资源属性,并整理为资源属性向量集;
资源属性与用户属性一一对应,预设资源属性后的元宇宙资源有着一定的适配性,例如元宇宙资源A的资源属性中包括适宜年龄是12岁以下,大分类是教育类,那么元宇宙资源A适配的就应该是年龄在12岁以下,使用目的是学习的用户。
将资源属性进行归一化处理,并整理为资源属性向量集,表示为:,其中r1~rz分别表示不同的元宇宙资源,B1~Bz分别表示r1~rz的资源属性集,z为元宇宙资源总数,/>,其中ratt1~rattδ分别表示不同的资源属性,v1~vδ分别表示ratt1~rattδ资源属性的属性值向量,δ为资源属性总数。
②将目标用户对应的属性矩阵整理为用户属性向量集;
用户属性向量集表示为:,其中u1~un分别表示不同的目标用户,A1~An分别表示u1~un用户的属性集,n为目标用户总数,,其中attr1~attrm分别表示不同的用户属性,value1~valuem分别表示attr1~attrm用户属性的属性值向量,m为用户属性总数。
③基于资源属性向量集和用户属性向量集,计算目标用户和元宇宙资源之间的相似度;
计算目标用户和元宇宙资源之间的相似度公式为:,其中/>()用于循环计算j为1~z时括号内的式子,z为元宇宙资源总数,/>()用于循环计算i为1~n时括号内的式子,n为目标用户总数,if()函数中有三个参数,以逗号隔开,当第一个参数中的表达式成立时,返回第二个参数/>,否则返回第三个参数0,corr()函数中有两个参数,Bj.rattb表示第j个元宇宙资源中的第b个资源属性,Ai.attra表示第i各目标用户的第a个用户属性,corr()函数判断Bj.rattb和Ai.attra是否为一一对应的属性,若是则返回true,否则返回false,rj为下标为j的元宇宙资源,ui为下标为i的目标用户,Ai.valuea为第i个目标用户的第a个用户属性向量,Bj.vb为第j个元宇宙资源的第b个资源属性向量;
D为计算结果的集合,计算完成后D集合内就包含了具有适配性的元宇宙资源及目标用户,和双方之间有对应关系的各属性相似度,此时的相似度只是双方间各属性的相似度,因此还需要将D集合内ui项和rj项相同的数据进行分组,并按照分组对组内的数组元素进行合并,获得元宇宙资源及目标用户双方之间总体的相似度。
分组公式为:,其中,group()为分组函数,有两个参数,以逗号分割,第一个参数为分组标识,第二参数为分组数据,group()会根据分组标识对分组数据进行分组,即将分组数据中的数组元素按照分组标识的格式转化后(分组数据中数组元素格式的转化只用于分组,输出的数据格式还是原来的格式),分组标识一样的分成一组,D.ul表示D集合中下标为l的目标用户,D.rl为D集合中下标为l的元宇宙资源,/>为连接符,l取值1~W,W为D集合中包含的数组总数,D’为分组完成的集合。
合并公式为:,其中D’’为合并完成的集合,/>()为循环计算e取1~θ时括号内的式子,θ为D’集合内分组的数量,D’.groupe.valo表示D’集合内,第e个分组下第o个数组内的相似度,D’.groupe.uo.μ表示D’集合内,第e个分组下第o个数组内的用户属性所设置的权重,o取值1~ρ,ρ为分组e内包含的数组总数量。
④根据目标用户和元宇宙资源之间的相似度建立用户与元宇宙资源之间的关系图;
将元宇宙资源与目标用户作为关系图中的节点,具有适配性的节点双方进行连线,作为节点的边,表示元宇宙资源与目标用户之间的相似度,这里的相似度指的是元宇宙资源与目标用户之间的总体相似度。
如图2目标用户与元宇宙资源之间的关系示意图所示,有用户节点、元宇宙资源节点若干,由线段相连的用户节点与元宇宙资源节点之间是具有一定适配性的,即元宇宙资源节点与用户节点中,包含着具有一一对应关系的资源属性和用户属性;而用户节点和宇宙资源节点之间是多对多的关系,即一个宇宙资源节点可能会适配多个用户,而一个用户也可能对多个宇宙资源节点有兴趣;连接两个节点的线段称为节点的边,边上标注的d1~d4分别为相连节点之间的相似度。
⑤基于用户与元宇宙资源之间的关系图设计转化程度函数;
转化程度函数需要将用户与元宇宙资源之间的关系图中,元宇宙资源节点与目标用户节点之间的相似度转化为匹配度。
转化程度函数表示为:,其中/>()循环计算k取1~total是括号内的式子,total为计算的目标用户节点所具有边的总数,dk表示第k条边上的相似度,/>为第k条边的转化系数,/>为转化程度函数的修正系数。/>与/>在首次计算时为***预设值,后续结合目标用户对元宇宙资源匹配结果的反馈进行优化,从而提高用户满意度,MD为不同元宇宙资源对目标用户的匹配度集合。
(3)元宇宙资源匹配模块,用于应用定性映射模型分析目标用户与各元宇宙资源之间的匹配度,选取匹配度最高的元宇宙资源与目标用户进行匹配。
①输入目标用户对应的属性矩阵至定性映射模型,计算出用户与不同元宇宙资源之间的匹配度;
②选取匹配度最高的元宇宙资源与目标用户进行匹配;
默认展示的是匹配度最高的元宇宙资源,用户仍可以查看并自行选取其他匹配项。
(4)元宇宙资源匹配优化模块,用于对定性映射模型结合目标用户对元宇宙资源匹配结果的反馈进行优化。
①收集目标用户对元宇宙资源匹配结果的反馈;
目标用户对元宇宙资源匹配结果的反馈,包括目标用户对元宇宙资源匹配结果的选取行为,以及对使用过的元宇宙资源的评分。
②基于目标用户对元宇宙资源匹配结果的反馈设计目标函数;
将目标用户对元宇宙资源匹配结果的反馈,与元宇宙匹配结果做关联分析,分析出关联规则后,根据关联规则设计目标函数,目标函数表示为:,其中p0表示匹配结果中匹配度最高的元宇宙资源的选取标识,pc为匹配结果中第c个元宇宙资源的选取标识,x为关联系数,qc为定性映射模型输出的第c个元宇宙资源的评分,c取值1~s-1,s为定性映射模型输出的元宇宙资源数量,选取标识只有0,1两个值,被选取的元宇宙资源选取标识为1,否则为0,G为计算的匹配系数。
③根据元宇宙资源匹配结果与目标函数调整模型参数;
目标函数的计算结果G越靠近1则说明元宇宙匹配结果的计算越精确,将定性映射模型中转化程度函数的参数使用梯度下降法进行迭代,每次参数迭代输出的元宇宙资源匹配结果都使用目标函数计算G值,取G值最靠近1时,对应的转化程度函数参数作为最优参数,应用于模型中。
以上所述的具体实施方式,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方式而已,并不用于限定本发明的保护范围,凡在本发明的技术方案的基础之上,所做的任何修改、等同替换、改进等,均应包括在本发明的保护范围之内。
Claims (9)
1.一种元宇宙资源匹配方法,其特征在于,包括:
步骤1、获取待使用元宇宙的目标用户各个用户属性,标注对应的属性值;
步骤2、基于目标用户属性及对应的属性值,构建目标用户对应的属性矩阵;
步骤3、建立定性映射模型,应用定性映射模型基于目标用户对应的属性矩阵分析目标用户与各元宇宙资源之间的匹配度;
建立定性映射模型包括以下子步骤:
为各个元宇宙资源预设资源属性,将资源属性进行归一化处理,并整理为资源属性向量集,表示为:,其中r1~rz分别表示不同的元宇宙资源,B1~Bz分别表示r1~rz的资源属性集,z为元宇宙资源总数,,其中ratt1~rattδ分别表示不同的资源属性,v1~vδ分别表示ratt1~rattδ资源属性的属性值向量,δ为资源属性总数;
将目标用户对应的属性矩阵整理为用户属性向量集;
用户属性向量集表示为:,其中u1~un分别表示不同的目标用户,A1~An分别表示u1~un用户的属性集,n为目标用户总数,,其中attr1~attrm分别表示不同的用户属性,value1~valuem分别表示attr1~attrm用户属性的属性值向量,m为用户属性总数;
基于资源属性向量集和用户属性向量集,计算目标用户和元宇宙资源之间的相似度;
计算目标用户和元宇宙资源之间的相似度函数为:,其中/>()用于循环计算j为1~z时括号内的式子,z为元宇宙资源总数,/>()用于循环计算i为1~n时括号内的式子,n为目标用户总数,if()函数中有三个参数,以逗号隔开,当第一个参数中的表达式/>成立时,返回第二个参数/>,否则返回第三个参数0,corr()函数中有两个参数,Bj.rattb表示第j个元宇宙资源中的第b个资源属性,Ai.attra表示第i各目标用户的第a个用户属性,corr()函数判断Bj.rattb和Ai.attra是否为一一对应的属性,若是则返回true,否则返回false,rj为下标为j的元宇宙资源,ui为下标为i的目标用户,Ai.valuea为第i个目标用户的第a个用户属性向量,Bj.vb为第j个元宇宙资源的第b个资源属性向量;D为计算结果的集合,将D集合内ui项和rj项相同的数据进行分组,并按照分组对组内的数组元素进行合并;
分组公式为:,其中,group()为分组函数,有两个参数,以逗号分割,第一个参数为分组标识,第二参数为分组数据,group()会根据分组标识对分组数据进行分组,D.ul表示D集合中下标为l的目标用户,D.rl为D集合中下标为l的元宇宙资源,/>为连接符,l取值1~W,W为D集合中包含的数组总数,D’为分组完成的集合;
合并公式为:,其中D’’为合并完成的集合,()为循环计算e取1~θ时括号内的式子,θ为D’集合内分组的数量,D’.groupe.valo表示D’集合内,第e个分组下第o个数组内的相似度,D’.groupe.uo.μ表示D’集合内,第e个分组下第o个数组内的用户属性所设置的权重,o取值1~ρ,ρ为分组e内包含的数组总数量;
根据目标用户和元宇宙资源之间的相似度建立用户与元宇宙资源之间的关系图;
将元宇宙资源与目标用户作为关系图中的节点,具有适配性的节点双方进行连线,作为节点的边,表示元宇宙资源与目标用户之间的相似度;
基于用户与元宇宙资源之间的关系图设计转化程度函数;
转化程度函数表示为:,其中/>()循环计算k取1~total是括号内的式子,total为计算的目标用户节点所具有边的总数,dk表示第k条边上的相似度,/>为第k条边的转化系数,/>为转化程度函数的修正系数;
步骤4、结合目标用户对元宇宙资源匹配结果的反馈对定性映射模型进行优化;
结合目标用户对元宇宙资源匹配结果的反馈对定性映射模型进行优化,具体包括:收集目标用户对元宇宙资源匹配结果的反馈;基于目标用户对元宇宙资源匹配结果的反馈设计目标函数,具体将目标用户对元宇宙资源匹配结果的反馈,与元宇宙匹配结果做关联分析,分析出关联规则后,根据关联规则设计目标函数,目标函数表示为:,其中p0表示匹配结果中匹配度最高的元宇宙资源的选取标识,pc为匹配结果中第c个元宇宙资源的选取标识,x为关联系数,qc为定性映射模型输出的第c个元宇宙资源的评分,c取值1~s-1,s为定性映射模型输出的元宇宙资源数量,G为计算的匹配系数;根据元宇宙资源匹配结果与目标函数调整模型参数。
2.根据权利要求1所述的一种元宇宙资源匹配方法,其特征在于,获取待使用元宇宙的目标用户各个用户属性,包括:用户注册、调查问卷和用户行为分析。
3.根据权利要求1所述的一种元宇宙资源匹配方法,其特征在于,应用定性映射模型基于目标用户对应的属性矩阵分析目标用户与各元宇宙资源之间的匹配度,具体包括以下子步骤:
输入目标用户对应的属性矩阵至定性映射模型,计算出用户与不同元宇宙资源之间的匹配度;
选取匹配度最高的元宇宙资源与目标用户进行匹配。
4.根据权利要求3所述的一种元宇宙资源匹配方法,其特征在于,结合目标用户对元宇宙资源匹配结果的反馈对定性映射模型进行优化,具体包括以下子步骤:
收集目标用户对元宇宙资源匹配结果的反馈;
基于目标用户对元宇宙资源匹配结果的反馈设计目标函数;
根据元宇宙资源匹配结果与目标函数调整模型参数。
5.一种元宇宙资源匹配***,所述***执行如权利要求1-4任一项所述的一种元宇宙资源匹配方法,所述***包括:目标用户属性获取模块,定性映射模型建立模块,元宇宙资源匹配模块,元宇宙资源匹配优化模块;
目标用户属性获取模块,用于获取待使用元宇宙的目标用户各个用户属性,标注对应的属性值;
定性映射模型建立模块,用于根据获取到的目标用户属性建立定性映射模型;
元宇宙资源匹配模块,用于应用定性映射模型分析目标用户与各元宇宙资源之间的匹配度,选取匹配度最高的元宇宙资源与目标用户进行匹配;
元宇宙资源匹配优化模块,用于对定性映射模型结合目标用户对元宇宙资源匹配结果的反馈进行优化。
6.根据权利要求5所述的一种元宇宙资源匹配***,其特征在于,获取待使用元宇宙的目标用户各个用户属性,包括:用户注册、调查问卷和用户行为分析。
7.根据权利要求6所述的一种元宇宙资源匹配***,其特征在于,建立定性映射模型包括以下子步骤:
为各个元宇宙资源预设资源属性,并整理为资源属性向量集;
将目标用户对应的属性矩阵整理为用户属性向量集;
基于资源属性向量集和用户属性向量集,计算目标用户和元宇宙资源之间的相似度;
根据目标用户和元宇宙资源之间的相似度建立用户与元宇宙资源之间的关系图;
基于用户与元宇宙资源之间的关系图设计转化程度函数。
8.根据权利要求6所述的一种元宇宙资源匹配***,其特征在于,应用定性映射模型基于目标用户对应的属性矩阵分析目标用户与各元宇宙资源之间的匹配度,具体包括以下子步骤:
输入目标用户对应的属性矩阵至定性映射模型,计算出用户与不同元宇宙资源之间的匹配度;
选取匹配度最高的元宇宙资源与目标用户进行匹配。
9.根据权利要求8所述的一种元宇宙资源匹配***,其特征在于,结合目标用户对元宇宙资源匹配结果的反馈对定性映射模型进行优化,具体包括以下子步骤:
收集目标用户对元宇宙资源匹配结果的反馈;
基于目标用户对元宇宙资源匹配结果的反馈设计目标函数;
根据元宇宙资源匹配结果与目标函数调整模型参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311766593.8A CN117436679B (zh) | 2023-12-21 | 2023-12-21 | 一种元宇宙资源匹配方法及其*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311766593.8A CN117436679B (zh) | 2023-12-21 | 2023-12-21 | 一种元宇宙资源匹配方法及其*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117436679A CN117436679A (zh) | 2024-01-23 |
CN117436679B true CN117436679B (zh) | 2024-03-26 |
Family
ID=89558710
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311766593.8A Active CN117436679B (zh) | 2023-12-21 | 2023-12-21 | 一种元宇宙资源匹配方法及其*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117436679B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117853208B (zh) * | 2024-03-07 | 2024-06-28 | 广东格利数字服务有限公司 | 基于元宇宙的数字化平台智能化部署控制方法及*** |
CN117997959B (zh) * | 2024-04-07 | 2024-06-04 | 厦门两万里文化传媒有限公司 | 一种基于元宇宙的资源智能匹配方法及*** |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103577579A (zh) * | 2013-11-08 | 2014-02-12 | 南方电网科学研究院有限责任公司 | 基于用户潜在需求的资源推荐方法及*** |
CN104168318A (zh) * | 2014-08-18 | 2014-11-26 | 中国联合网络通信集团有限公司 | 一种资源服务***及其资源分配方法 |
CN107833117A (zh) * | 2017-12-13 | 2018-03-23 | 合肥工业大学 | 一种考虑标签信息的贝叶斯个性化排序推荐方法 |
CN108833302A (zh) * | 2018-06-27 | 2018-11-16 | 重庆邮电大学 | 云环境下基于模糊聚类及严格双边匹配的资源分配方法 |
CN110866687A (zh) * | 2019-11-07 | 2020-03-06 | 中盈优创资讯科技有限公司 | 任务分配方法及装置 |
CN111124676A (zh) * | 2019-12-12 | 2020-05-08 | 拉扎斯网络科技(上海)有限公司 | 资源分配方法、装置、可读存储介质和电子设备 |
CN113159368A (zh) * | 2021-01-20 | 2021-07-23 | 国电南瑞科技股份有限公司 | 基于环境上下文和用户反馈信息的用电模型优化方法 |
CN114880564A (zh) * | 2022-05-17 | 2022-08-09 | 中国银行股份有限公司 | 元宇宙虚拟资源推荐方法及装置 |
CN115374872A (zh) * | 2022-08-30 | 2022-11-22 | 中国银行股份有限公司 | 元宇宙匹配方法及装置 |
CN115841188A (zh) * | 2022-12-30 | 2023-03-24 | 北京热力智能控制技术有限责任公司 | 一种基于用户行为分析的供热***供需优化方法 |
CN116843841A (zh) * | 2023-09-04 | 2023-10-03 | 四川物通科技有限公司 | 基于网格压缩的大规模虚拟现实*** |
US11783252B1 (en) * | 2022-10-31 | 2023-10-10 | Double Diamond Interests, LLC | Apparatus for generating resource allocation recommendations |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11061875B2 (en) * | 2018-09-27 | 2021-07-13 | Sap Se | Concurrent authoring in semantic layer universes |
-
2023
- 2023-12-21 CN CN202311766593.8A patent/CN117436679B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103577579A (zh) * | 2013-11-08 | 2014-02-12 | 南方电网科学研究院有限责任公司 | 基于用户潜在需求的资源推荐方法及*** |
CN104168318A (zh) * | 2014-08-18 | 2014-11-26 | 中国联合网络通信集团有限公司 | 一种资源服务***及其资源分配方法 |
CN107833117A (zh) * | 2017-12-13 | 2018-03-23 | 合肥工业大学 | 一种考虑标签信息的贝叶斯个性化排序推荐方法 |
CN108833302A (zh) * | 2018-06-27 | 2018-11-16 | 重庆邮电大学 | 云环境下基于模糊聚类及严格双边匹配的资源分配方法 |
CN110866687A (zh) * | 2019-11-07 | 2020-03-06 | 中盈优创资讯科技有限公司 | 任务分配方法及装置 |
CN111124676A (zh) * | 2019-12-12 | 2020-05-08 | 拉扎斯网络科技(上海)有限公司 | 资源分配方法、装置、可读存储介质和电子设备 |
CN113159368A (zh) * | 2021-01-20 | 2021-07-23 | 国电南瑞科技股份有限公司 | 基于环境上下文和用户反馈信息的用电模型优化方法 |
CN114880564A (zh) * | 2022-05-17 | 2022-08-09 | 中国银行股份有限公司 | 元宇宙虚拟资源推荐方法及装置 |
CN115374872A (zh) * | 2022-08-30 | 2022-11-22 | 中国银行股份有限公司 | 元宇宙匹配方法及装置 |
US11783252B1 (en) * | 2022-10-31 | 2023-10-10 | Double Diamond Interests, LLC | Apparatus for generating resource allocation recommendations |
CN115841188A (zh) * | 2022-12-30 | 2023-03-24 | 北京热力智能控制技术有限责任公司 | 一种基于用户行为分析的供热***供需优化方法 |
CN116843841A (zh) * | 2023-09-04 | 2023-10-03 | 四川物通科技有限公司 | 基于网格压缩的大规模虚拟现实*** |
Non-Patent Citations (10)
Title |
---|
A service recommendation system based on rough multidimensional matrix in cloud-based environment;Daixing Zhong, Gangjun Yang , Jiashuang Fan;Computer Standards & Interfaces;20220309;第82卷(第2022期);1-17 * |
Hyperverse: A High Throughput Pattern Matching Engine for Metaverse;Wenjun Zhu; Harry Chang; Yang Hong; Xiang Wang;2022 IEEE 42nd International Conference on Distributed Computing Systems Workshops (ICDCSW);20221128;248-253 * |
Intelligent recommendation method of literature reading based on user social network analysis;Qiaohua Han;2020 International Conference on Robots & Intelligent System (ICRIS);20210906;583-587 * |
Research on Resource Matching Method in Reconfigurable Intelligent Manufacturing System;Hongkai Qiu; Fang Li; Zifeng Lu; Zhiyao Zhuang;2023 9th International Conference on Control Science and Systems Engineering (ICCSSE);20230920;226-231 * |
一种基于定性映射的自动组卷算法;邵红青, 冯嘉礼, 甘棠仪, 郑杨凡;计算机辅助工程;20050615(第02期);26-31 * |
元宇宙空间的虚实匹配及其社会性延展;时立荣;社会科学辑刊;20221227(第01期);179-186 * |
基于定性映射的影视推荐***的应用与研究;邓云,冯嘉礼;现代计算机(专业版);20140215(第05期);3-7+11 * |
基于结构相似性的需求资源本体匹配方法;张兴涛;唐文海;范林军;凌云翔;;计算机应用研究;20140827;第32卷(第02期);470-474 * |
多匹配器自动聚合的知识图谱融合***构建;赵晋巍;刘晓鹏;罗威;;中华医学图书情报杂志;20190915(第09期);51-57 * |
面向多服务价值链的业务资源双边匹配模型;余洋;孙林夫;任春华;韩敏;计算机集成制造***;20210201;第27卷(第05期);1397-1409 * |
Also Published As
Publication number | Publication date |
---|---|
CN117436679A (zh) | 2024-01-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117436679B (zh) | 一种元宇宙资源匹配方法及其*** | |
CN103761254B (zh) | 多领域服务主题匹配推荐方法 | |
CN110503531B (zh) | 时序感知的动态社交场景推荐方法 | |
CN108363821A (zh) | 一种信息推送方法、装置、终端设备及存储介质 | |
CN110008399A (zh) | 一种推荐模型的训练方法及装置、一种推荐方法及装置 | |
CN107894998B (zh) | 视频推荐方法及装置 | |
CN108647251A (zh) | 基于宽深度门循环联合模型的推荐排序方法 | |
CN108427708A (zh) | 数据处理方法、装置、存储介质和电子装置 | |
CN110033342A (zh) | 一种推荐模型的训练方法及装置、一种推荐方法及装置 | |
CN104778173A (zh) | 目标用户确定方法、装置及设备 | |
CN103646070A (zh) | 搜索引擎的数据处理方法及装置 | |
CN108665148B (zh) | 一种电子资源质量评价方法、装置和存储介质 | |
CN114817663A (zh) | 一种基于类别感知图神经网络的服务建模与推荐方法 | |
CN111797320A (zh) | 数据处理方法、装置、设备及存储介质 | |
CN109191167A (zh) | 一种目标用户的挖掘方法和装置 | |
CN106846082A (zh) | 基于硬件信息的旅游冷启动用户产品推荐***及方法 | |
CN115630153A (zh) | 一种基于大数据技术的研究生文献资源推荐方法 | |
CN114861050A (zh) | 一种基于神经网络的特征融合推荐方法及*** | |
CN111047406B (zh) | 一种电信套餐推荐方法、装置、存储介质和设备 | |
CN109977979A (zh) | 定位种子用户的方法、装置、电子设备和存储介质 | |
CN113505154B (zh) | 一种基于大数据的数字阅读统计分析方法及*** | |
CN102693258A (zh) | 高精度的类似检索*** | |
Mastromarco | Foreign capital and efficiency in developing countries | |
Afifi | Demand forecasting of short life cycle products using data mining techniques | |
Relich et al. | Knowledge discovery in enterprise databases for forecasting new product success |
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 |