System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及深度学习,尤其涉及一种面向元宇宙的用户偏好产品推荐方法及系统。
技术介绍
1、元宇宙(metaverse)是人类利用科技手段进行链接与创造的,由现实世界映射或超越现实世界的虚拟世界,具备新型社会体系的数字生活空间。
2、推荐系统是一种应用程序,它可以通过不同的方式利用用户体验和社交社区内的交互来推荐感兴趣的多媒体对象,从而获得最直接和最明显的优势。从这个角度来看,我们能够通过在基于社交关系的元宇宙中引入推荐系统来支持这些数据集合的浏览,帮助用户在这个信息海洋中找到“他们真正需要的东西”。推荐算法的推荐原理主要有两种机制:协同过滤和基于内容的过滤。协同过滤使用的是具有相似偏好的用户的意见,根据用户兴趣的相似性获得推荐;而基于内容的过滤基于比较已消费项目的内容和可能推荐给用户的新项目。元宇宙所创造的环境相对于其他环境具有明显的社交群体性。在此背景下,相较于其他推荐技术,协同过滤更适合作为面向元宇宙的推荐方法,更加适用于具有社交群体关系的推荐。协同过滤是一种经典的推荐技术,其优点是可以在根据各个用户的历史信息推荐项目,跟项目本身的内容属性无关,已经在电影推荐、音乐推荐、电子商务推荐等方面展示出诸多优势。
3、虽然协同过滤推荐技术已经取得了巨大的成功,但仍存在一些缺陷:协同过滤算法通过比较整个用户信息寻找邻域的方法会导致推荐效率较低。元宇宙中海量、多维增长的数据给传统的协同过滤推荐算法带来了挑战,限制了其在大容量、复杂和不断增长的元宇宙数据库环境中的应用。
技术实现思路<
1、为此,本专利技术所要解决的技术问题在于克服现有技术中传统协同过滤推荐算法对于处理元宇宙中海量多维的信息效率较低的问题,提供一种面向元宇宙的用户偏好产品推荐方法及系统。
2、为解决上述技术问题,本专利技术提供了一种面向元宇宙的用户偏好产品推荐方法,包括以下步骤:
3、步骤s1:获取元宇宙场景中用户的关系数据和历史数据;
4、步骤s2:根据所述关系数据,得到相似社交用户群,提取所述相似社交用户群的偏好数据进行数据筛选,得到相似社交用户群的偏好产品集合;根据所述历史数据,对所述历史数据进行处理,得到用户历史推荐过的产品集合;
5、步骤s3:将所述相似社交用户群的偏好产品集合剔除所述用户历史推荐过的产品集合后,得到拟推荐的产品集合;
6、步骤s4:对所述拟推荐的产品集合进行筛选,再对筛选后的推荐产品集合进行数据评估,得到不同产品的推荐值,将推荐值最高的产品推荐给用户。
7、在本专利技术的一个实施例中,得到相似社交用户群的具体步骤如下:
8、步骤s21:对收集到的所述关系数据进行聚类,得到n个相关社交用户群;
9、步骤s22:将所述用户与n个相关社交用户群进行相似度计算,得到所述用户与n个相关社交用户群的相似度,将相似度最高的相关社交用户群作为所述相似社交用户群。
10、在本专利技术的一个实施例中,步骤s21中,得到n个相关社交用户群的方法为:对所述关系数据中的用户特征向量进行加权融合,得到综合用户特征向量;基于k-means聚类算法对综合用户特征向量进行聚类,同时利用密度敏感距离优化k-means聚类算法的初始聚类中心,得到聚类结果,即n个相关社交用户群。
11、在本专利技术的一个实施例中,利用密度敏感距离优化k-means聚类算法的初始聚类中心的具体步骤为:
12、步骤s211:计算样本集中每个样本点的密度,并通过与整个样本集的平均密度的比较,大于或等于平均密度的样本点划分给高密度集m,小于平均密度的样本点划分给低密度集n;
13、步骤s212:选取集合m中密度最大的样本点作为第一个初始聚类中心;
14、步骤s213:将上述的样本点从集合m中去除,再从集合m中选取与第一个初始聚类中心超过距离阈值r,且密度最大的样本点作为第二个初始聚类中心;
15、步骤s214:依次求取,直到选取了k个初始聚类中心。
16、在本专利技术的一个实施例中,步骤s22中,得到所述用户与n个相关社交用户群的相似度的计算方法为:
17、
18、其中,ui是用户u的特征向量,vi是相关社交用户群v的特征向量。v[xi]是用户u和相关社交用户群v的特征向量对应的方差。
19、在本专利技术的一个实施例中,得到不同产品的推荐值的计算公式如下:
20、
21、其中,pui表示用户u对产品i的预测得分,rvi表示邻居用户v对产品i的得分,nbsu为用户u的邻居集,表示用户u对拟推荐的产品集合的平均得分,表示邻居用户v对拟推荐的产品集合的平均得分,sim(u,v)为用户u和邻居用户v之间的相似度。
22、在本专利技术的一个实施例中,对所述历史数据进行处理是指对用户的历史日志文件进行数据提取。
23、基于同一专利技术构思,本专利技术还提供一种面向元宇宙的用户偏好产品推荐系统,包括以下模块:
24、新用户数据收集模块,用于获取元宇宙场景中用户的关系数据和历史数据;
25、相似社交用户群的偏好产品集合及用户历史推荐过的产品集合获取模块,用于根据所述关系数据,得到相似社交用户群,提取所述相似社交用户群的偏好数据进行数据筛选,得到相似社交用户群的偏好产品集合;根据所述历史数据,对所述历史数据进行处理,得到用户历史推荐过的产品集合;
26、拟推荐产品获取模块,用于对所述相似社交用户群的偏好产品集合剔除所述用户历史推荐过的产品集合,得到拟推荐的产品集合;
27、推荐结果输出模块,用于对所述拟推荐的产品集合进行筛选,再对筛选后的推荐产品集合进行数据评估,得到产品的推荐值,将推荐值最高的产品推荐给用户。
28、本专利技术还提供一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现所述面向元宇宙的用户偏好产品推荐方法。
29、本专利技术还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现任一项所述面向元宇宙的用户偏好产品推荐方法。
30、本专利技术的上述技术方案相比现有技术具有以下优点:
31、本专利技术所述的面向元宇宙的用户偏好产品推荐方法针对元宇宙用户社交群体性的特点,在传统协同过滤推荐算法中引入基于用户社交关系的聚类概念,运用transfomer算法对k-means聚类算法进行算法优化,并结合密度敏感距离计算来优化聚类的初始中心,在元宇宙虚拟产品信息创造速度不断加快以及虚拟社区中的用户不断增加的背景下,解决了现有协同过滤算法对于处理元宇宙中海量多维的信息效率较低的问题,为元宇宙中产品信息与用户需求的匹配问题提供了解决方案。
本文档来自技高网...【技术保护点】
1.一种面向元宇宙的用户偏好产品推荐方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的面向元宇宙的用户偏好产品推荐方法,其特征在于:得到相似社交用户群的具体步骤如下:
3.根据权利要求2所述的面向元宇宙的用户偏好产品推荐方法,其特征在于:步骤S21中,得到n个相关社交用户群的方法为:
4.根据权利要求3所述的面向元宇宙的用户偏好产品推荐方法,其特征在于:利用密度敏感距离优化K-means聚类算法的初始聚类中心的具体步骤为:
5.根据权利要求2所述的面向元宇宙的用户偏好产品推荐方法,其特征在于:步骤S22中,得到所述用户与n个相关社交用户群的相似度的计算方法为:
6.根据权利要求1所述的面向元宇宙的用户偏好产品推荐方法,其特征在于:得到不同产品的推荐值的计算公式如下:
7.根据权利要求1所述的面向元宇宙的用户偏好产品推荐方法,其特征在于:对所述历史数据进行处理是指对用户的历史日志文件进行数据提取。
8.一种面向元宇宙的用户偏好产品推荐系统,其特征在于,包括:
9.一种电子设备,包
10.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述面向元宇宙的用户偏好产品推荐方法。
...【技术特征摘要】
1.一种面向元宇宙的用户偏好产品推荐方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的面向元宇宙的用户偏好产品推荐方法,其特征在于:得到相似社交用户群的具体步骤如下:
3.根据权利要求2所述的面向元宇宙的用户偏好产品推荐方法,其特征在于:步骤s21中,得到n个相关社交用户群的方法为:
4.根据权利要求3所述的面向元宇宙的用户偏好产品推荐方法,其特征在于:利用密度敏感距离优化k-means聚类算法的初始聚类中心的具体步骤为:
5.根据权利要求2所述的面向元宇宙的用户偏好产品推荐方法,其特征在于:步骤s22中,得到所述用户与n个相关社交用户群的相似度的计算方法为:
6.根据权利要求1所述的面向元宇宙的...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。