模型训练方法技术

本申请提供一种模型训练方法

【技术实现步骤摘要】
模型训练方法、装置、内容生成方法、装置及存储介质


[0001]本申请涉及虚拟
，尤其涉及一种模型训练方法
、
装置
、
内容生成方法
、
装置及存储介质
。

技术介绍

[0002]随着虚拟技术的不断普及，扩展现实
(extended reality
，
XR)
技术也慢慢被应用到各行业当中
。
[0003]现有
XR
内容的生成方法是通过预先设置元素特效数据库，元素特效数据库中包含多个元素特效，多个元素特效中的每个元素特效对应不同的用户需求信息
。
然后，可以获取目标用户需求信息，根据目标用户需求信息确定目标用户需求信息对应的元素特效
。
然后根据目标用户需求信息对应的元素特效生成
XR
内容
。
但是通过这种方法生成的
XR
内容受限于元素特效数据库，无法灵活应对不断变化的用户需求，生成的
XR
内容准确度较低
。

技术实现思路

[0004]本申请提供模型训练方法
、
装置
、
内容生成方法
、
装置及存储介质，用于解决现有技术中生成
XR
内容准确度较低的问题
。
[0005]为达到上述目的，本申请采用如下技术方案：
[0006]第一方面，提供一种模型训练方法，包括：获取历史扩展现实<br/>XR
内容数据；基于历史
XR
内容数据，生成目标生成对抗网络
GANs
模型；基于历史
XR
内容数据，确定历史
XR
内容数据对应的潜在分布数据；基于潜在分布数据，生成目标变分自编码
VAEs
模型；获取用户终端的历史反馈数据；基于历史反馈数据，生成目标深度强化学习
DRL
模型
。
[0007]可选的，根据历史
XR
内容数据生成目标生成对抗网络
GANs
模型，包括：基于历史
XR
内容数据，生成原始
GANs
模型；原始
GANs
模型包括：生成模型和鉴别模型；将历史
XR
内容数据对应的属性信息输入生成模型，生成目标
XR
内容数据；将属性信息相同的目标
XR
内容数据和历史
XR
内容数据输入鉴别模型，确定目标
XR
内容数据和历史
XR
内容数据差别占比；当差别占比小于预设数值时，确定原始
GANs
模型为目标
GANs
模型
。
[0008]可选的，历史反馈数据包括：用户满意度和用户指令，根据历史反馈数据，生成目标深度强化学习
DRL
模型，包括：基于
DRL
技术，以及用户满意度，获取用户偏好数据；基于
DRL
技术，以及用户指令，生成修改
XR
内容指令；基于用户偏好数据，以及修改
XR
内容指令，生成目标
DRL
模型
。
[0009]还提供一种内容生成方法，其特征在于，包括：获取用户终端的需求信息；基于需求信息，以及目标
GANs
模型，生成
XR
内容模型和
XR
内容模型对应纹理；基于需求信息，以及目标
VAEs
模型，生成
XR
内容模型对应的动画和
XR
内容模型对应的音频
。
[0010]可选的，该内容生成方法还包括：获取用户终端的实时反馈数据；基于用户终端的实时反馈数据，以及目标
DRL
模型，生成修改
XR
内容模型的指令
。
[0011]第二方面，提供一种模型训练装置，包括：获取模块
、
生成模块和确定模块；获取模
块，用于获取历史扩展现实
XR
内容数据；生成模块，用于基于历史
XR
内容数据，生成目标生成对抗网络
GANs
模型；确定模块，用于基于历史
XR
内容数据，确定历史
XR
内容数据对应的潜在分布数据；生成模块，还用于基于潜在分布数据，生成目标变分自编码
VAEs
模型；获取模块，还用于获取用户终端的历史反馈数据；生成模块，还用于基于历史反馈数据，生成目标深度强化学习
DRL
模型
。
[0012]可选的，生成模块具体用于：基于历史
XR
内容数据，生成原始
GANs
模型；原始
GANs
模型包括：生成模型和鉴别模型；将历史
XR
内容数据对应的属性信息输入生成模型，生成目标
XR
内容数据；将属性信息相同的目标
XR
内容数据和历史
XR
内容数据输入鉴别模型，确定目标
XR
内容数据和历史
XR
内容数据差别占比；当差别占比小于预设数值时，确定原始
GANs
模型为目标
GANs
模型
。
[0013]可选的，历史反馈数据包括：用户满意度和用户指令，生成模块具体用于：基于
DRL
技术，以及用户满意度，获取用户偏好数据；基于
DRL
技术，以及用户指令，生成修改
XR
内容指令；基于用户偏好数据，以及修改
XR
内容指令，生成目标
DRL
模型
。
[0014]还提供一种内容生成装置，其特征在于，包括：获取模块
、
生成模块；获取模块，用于获取用户终端的需求信息；生成模块，用于基于需求信息，以及目标
GANs
模型，生成
XR
内容模型和
XR
内容模型对应纹理；生成模块，还用于基于需求信息，以及目标
VAEs
模型，生成
XR
内容模型对应的动画和
XR
内容模型对应的音频
。
[0015]可选的，获取模块还用于，获取用户终端的实时反馈数据；基于用户终端的实时反馈数据，以及目标
DRL
模型，生成修改
XR
内容模型的指令
。
[0016]第三方面，提供一种模型训练装置，包括存储器和处理器；存储器用于存储计算机执行指令，处理器与存储器通过总线连接；当模型训练装置运行时，处理器执行存储器存储的计算机执行指令，以使模型训练装置执行第一方面所述的模型训练方法...

【技术保护点】

【技术特征摘要】
1.
一种模型训练方法，其特征在于，包括：获取历史扩展现实
XR
内容数据；基于所述历史
XR
内容数据，生成目标生成对抗网络
GANs
模型；基于所述历史
XR
内容数据，确定所述历史
XR
内容数据对应的潜在分布数据；基于所述潜在分布数据，生成目标变分自编码
VAEs
模型；获取用户终端的历史反馈数据；基于所述历史反馈数据，生成目标深度强化学习
DRL
模型
。2.
根据权利要求1所述的模型训练方法，其特征在于，所述根据所述历史
XR
内容数据生成目标生成对抗网络
GANs
模型，包括：基于所述历史
XR
内容数据，生成原始
GANs
模型；所述原始
GANs
模型包括：生成模型和鉴别模型；将所述历史
XR
内容数据对应的属性信息输入所述生成模型，生成目标
XR
内容数据；将所述属性信息相同的所述目标
XR
内容数据和所述历史
XR
内容数据输入所述鉴别模型，确定所述目标
XR
内容数据和所述历史
XR
内容数据差别占比；当所述差别占比小于预设数值时，确定所述原始
GANs
模型为所述目标
GANs
模型
。3.
根据权利要求1所述的模型训练方法，其特征在于，所述历史反馈数据包括：用户满意度和用户指令，所述根据所述历史反馈数据，生成目标深度强化学习
DRL
模型，包括：基于
DRL
技术，以及用户满意度，获取用户偏好数据；基于所述
DRL
技术，以及用户指令，生成修改
XR
内容指令；基于所述用户偏好数据，以及所述修改
XR
内容指令，生成所述目标
DRL
模型
。4.
一种内容生成方法，其特征在于，包括：获取所述用户终端的需求信息；基于所述需求信息，以及所述目标
GANs
模型，生成
XR
内容模型和所述
XR
内容模型对应纹理；基于所述需求信息，以及目标
VAEs
模型，生成所述
XR
内容模型对应的动画和所述
XR
内容模型对应的音频...

【专利技术属性】
技术研发人员：魏家馨，吴浩然，马瑞涛，黄兵明，赵世琦，王巍，陈佳琦，何露露，谈鹏驹，周广，贺鸣，赵慧，加雄伟，朱晓雨，刘永生，穆晓君，孙进芳，杨开敏，彭弼代，赵灿，
申请(专利权)人：中国联合网络通信集团有限公司，
类型：发明
国别省市：