1.本技术涉及元宇宙技术领域，尤其涉及一种结合元宇宙交互服务的用户兴趣挖掘方法及系统。
背景技术：2.伴随着元宇宙概念大热，众多数字化企业都在抢先布局，元宇宙技术及相关产业也得到了快速的发展。本质上，元宇宙交互是在大数据、云计算、人工智能的基础上通过进一步整合升级得到的连接现实世界和虚拟世界的新型数字虚拟化空间。当下，针对元宇宙的用户交互分析热度不减，各类技术青睐于元宇宙场景下的用户大数据挖掘，然而针对元宇宙服务的用户兴趣分析，大部分技术难以保障兴趣挖掘的精度和可信度。
技术实现要素：3.本技术的一个目的是提供一种结合元宇宙交互服务的用户兴趣挖掘方法及系统。
4.本技术的技术方案是通过如下至少部分实施例实现的。
5.一种结合元宇宙交互服务的用户兴趣挖掘方法，应用于元宇宙交互服务系统，所述方法包括：获得第一元宇宙用户活动信息；基于用户兴趣挖掘算法对所述第一元宇宙用户活动信息进行用户兴趣挖掘以确定出用户兴趣知识分布，其中，所述用户兴趣挖掘算法为通过第一示例性用户活动信息集和第二示例性用户活动信息集配置所得的，所述第一示例性用户活动信息集中的第一已认证用户活动信息对应的参考指示匹配所述第一已认证用户活动信息中的用户兴趣事件，所述第二示例性用户活动信息集中的第二已认证用户活动信息对应的参考指示反映所述第二已认证用户活动信息对应的数字空间环境特征。
6.应用于相关实施例，基于用户兴趣挖掘算法对所述第一元宇宙用户活动信息进行用户兴趣挖掘，而用户兴趣挖掘算法的配置依据包括第一示例性用户活动信息集和第二示例性用户活动信息集，第二示例性用户活动信息集中的第二已认证用户活动信息携带有数字空间环境特征，这样可以使得用户兴趣挖掘算法在进行用户兴趣挖掘吸收时，可以获得到数字空间环境特征，从而获得到数字空间环境特征的挖掘识别性能，随着数字空间环境特征挖掘识别性能的吸收阶段对第一示例性用户活动信息集和第二示例性用户活动信息集中的元宇宙用户活动信息的兴趣事件/兴趣知识进行挖掘分析吸收，从而使得用户兴趣挖掘算法基于对各类数字空间环境特征的元宇宙用户活动信息的应对效果，可以对各种数字空间环境特征下所得的元宇宙用户活动信息都可以精准可信地挖掘出对应的用户兴趣事件。
7.在一些可独立的设计思路下，所述用户兴趣知识分布包含所述第一元宇宙用户活动信息对应的数字空间环境特征，所述方法还包括：经由所述第一元宇宙用户活动信息对应的数字空间环境特征，确定第二元宇宙用户活动信息对应的活动注意力变量，所述第二元宇宙用户活动信息为在获得到所述第一元宇宙用户活动信息之后采集所得的元宇宙用户活动信息。
8.应用于相关实施例，可以通过获得到第一元宇宙用户活动信息对应的数字空间环境特征以确定出第二元宇宙用户活动信息的活动注意力变量，进而为用户画像勾勒、元宇宙用户活动信息分析、活动信息的后续处理等提供依据。举例而言，该活动注意力变量作为活动信息爬虫的输出，以使得基于活动信息爬虫进行采集的信息采集线程可以基于该活动注意力变量采集得到所述第二元宇宙用户活动信息，再举例而言，该活动注意力变量还可以被用于活动信息的后续处理，在获得到第二元宇宙用户活动信息之后，基于该活动注意力变量可以对第二元宇宙用户活动信息进行热力值的智能化改进。或者，该活动注意力变量还可以被用于元宇宙安全检测领域，基于该活动注意力变量对以上第二元宇宙用户活动信息进行分析。
9.在一些可独立的设计思路下，所述用户兴趣知识分布包括虚拟社区兴趣关键词，所述方法还包括：挖掘所述虚拟社区兴趣关键词的用户活动偏好向量；通过所述用户活动偏好向量，确定所述虚拟社区兴趣关键词对应的数字空间交互成员；对所述数字空间交互成员启用设定处理，所述设定处理包括如下一项或多项：画像标记处理、目标成员活跃度改进处理、安全认证处理。应用于相关实施例，可以通过获得到第一元宇宙用户活动信息中的用户兴趣事件，完成对虚拟社区兴趣关键词的提取，并且可以对虚拟社区兴趣关键词的数字空间交互成员进行针对性分析处理，为基于虚拟社区兴趣关键词的提取的部分需求提供依据。
10.在一些可独立的设计思路下，所述用户兴趣知识分布包括虚拟社区兴趣关键词和数字空间环境特征，所述方法还包括：对所述虚拟社区兴趣关键词进行融合所述数字空间环境特征的持续性分析。应用于相关实施例，可以基于数字空间环境特征进行持续性分析，从而可以降低数字空间环境特征对兴趣持续性分析的干扰，在一定程度上提高兴趣持续性分析精度。
11.在一些可独立的设计思路下，所述方法还包括：获得第一ai算法，所述第一ai算法包括细节信息提取单元和用户兴趣挖掘单元，所述用户兴趣挖掘单元与所述细节信息提取单元相连；部署环境特征解析单元和支持向量机单元，所述环境特征解析单元用于解析加载到所述细节信息提取单元的元宇宙用户活动信息的数字空间环境特征，所述支持向量机单元用于鉴别加载到所述细节信息提取单元的元宇宙用户活动信息所对应的示例信息集，将所述环境特征解析单元和所述支持向量机单元，分别与所述第一ai算法中的细节信息提取单元相连以确定出第二ai算法；通过所述第一示例性用户活动信息集和所述第二示例性用户活动信息集配置所述第二ai算法以确定出所述用户兴趣挖掘算法。
12.应用于相关实施例，基于在先的第一ai算法得到用户兴趣挖掘算法，可以基于算法二次使用提升用户兴趣挖掘算法的趋于稳定的时效性，及时得到本技术实施例中的用户兴趣挖掘算法，该用户兴趣挖掘算法具有环境特征解析以及基于环境特征解析的结果进行用户兴趣挖掘的性能。
13.在一些可独立的设计思路下，所述将所述环境特征解析单元和所述支持向量机单元，分别与所述第一ai算法中的细节信息提取单元相连以确定出第二ai算法之前，所述方法还包括：通过所述第一示例性用户活动信息集对所述第一ai算法进行预配置，改进所述细节信息提取单元和所述用户兴趣挖掘单元的变量数据；所述将所述环境特征解析单元和所述支持向量机单元，分别与所述第一ai算法中的细节信息提取单元相连以确定出第二ai
算法，包括：将所述环境特征解析单元和所述支持向量机单元分别与完成变量数据改进的细节信息提取单元相连以确定出所述第二ai算法。
14.应用于相关实施例，第一示例性用户活动信息集可以用于配置第一ai算法和第二ai算法，这些配置依据可以反复使用，降低配置环节配置依据的获得复杂度。第二ai算法基于预配置的第一ai算法得到，可以提升第二ai算法的配置效率，提高模型趋于稳定的时效性。
15.在一些可独立的设计思路下，所述通过所述第一示例性用户活动信息集和所述第二示例性用户活动信息集配置所述第二ai算法以确定出所述用户兴趣挖掘算法，包括：通过所述细节信息提取单元对所述第一已认证用户活动信息和所述第二已认证用户活动信息分别进行细节信息挖掘，对应得到第一已认证活动细节向量和第二已认证活动细节向量；通过所述用户兴趣挖掘单元对所述第一已认证活动细节向量和所述第二已认证活动细节向量分别进行兴趣事件挖掘，对应得到第一兴趣事件挖掘结果和第二兴趣事件挖掘结果；通过所述支持向量机单元对所述第一已认证活动细节向量和所述第二已认证活动细节向量分别进行鉴别处理，对应得到第一鉴别处理结果和第二鉴别处理结果；通过所述第一兴趣事件挖掘结果、所述第一鉴别处理结果和所述第一已认证用户活动信息对应的参考指示以确定出第一算法评价指标；通过所述第二兴趣事件挖掘结果、所述第二鉴别处理结果和所述第二已认证用户活动信息对应的参考指示以确定出第二算法评价指标；通过所述第一算法评价指标和所述第二算法评价指标改进所述第二ai算法的变量数据以确定出所述用户兴趣挖掘算法。
16.应用于相关实施例，可以基于两类具有不同注释的配置依据完成第二ai算法的配置以确定出用户兴趣挖掘算法，基于吸收这两类相异的配置依据中的信息并进行迁移学习，通过考虑类别特征使得配置过程具有噪声配置的性能，提升用户兴趣挖掘算法的挖掘精度。
17.在一些可独立的设计思路下，所述通过所述第二兴趣事件挖掘结果、所述第二鉴别处理结果和所述第二已认证用户活动信息对应的参考指示以确定出第二算法评价指标之前，所述方法还包括：通过所述环境特征解析单元对所述第二已认证活动细节向量进行数字空间环境特征解析以确定出环境特征解析数据；所述通过所述第二兴趣事件挖掘结果、所述第二鉴别处理结果和所述第二已认证用户活动信息对应的参考指示以确定出第二算法评价指标，包括：经由所述第二兴趣事件挖掘结果、所述环境特征解析数据、所述第二鉴别处理结果和所述第二已认证用户活动信息对应的参考指示以确定出所述第二算法评价指标。
18.应用于相关实施例，在第二算法评价指标的确定过程中，能够有效综合环境特征解析单元、支持向量机单元、用户兴趣挖掘单元输出的算法评价指标，从而得到第二算法评价指标，基于第二算法评价指标优化环境特征解析单元、支持向量机单元、用户兴趣挖掘单元，可以使得用户兴趣挖掘单元的变量数据不受数字空间环境特征的干扰，在各种数字空间环境特征下都可以获得精准可靠的兴趣事件挖掘结果。
19.在一些可独立的设计思路下，所述经由所述第二兴趣事件挖掘结果、所述环境特征解析数据、所述第二鉴别处理结果和所述第二已认证用户活动信息对应的参考指示以确定出所述第二算法评价指标，包括：经由所述环境特征解析数据和所述第二已认证用户活
动信息对应的参考指示之间的比较结果，确定环境特征解析质检指标；经由所述第二鉴别处理结果与所述第二已认证用户活动信息对应的先验注释之间的比较结果，确定鉴别质检指标；经由所述第二兴趣事件挖掘结果确定衍生指示数据，经由所述第二兴趣事件挖掘结果和所述衍生指示数据确定兴趣挖掘质检指标，所述衍生指示数据用于限定所述第二兴趣事件挖掘结果的整理模式；经由所述环境特征解析质检指标、所述鉴别质检指标和所述兴趣挖掘质检指标以确定出所述第二算法评价指标。
20.应用于相关实施例，可以使用第二示例性用户活动信息集作为配置指示信息对第二ai算法进行配置。精准计算得到环境特征解析单元、支持向量机单元、用户兴趣挖掘单元在处理第二已认证用户活动信息的前提下所生成的算法评价指标，从而可以加速配置过程中第二ai算法的趋于稳定的时效性，提升配置出的用户兴趣挖掘算法在各种数字空间环境特征下的用户兴趣挖掘精度。
21.在一些可独立的设计思路下，所述第二兴趣事件挖掘结果包括不少于一个兴趣捕捉窗口，以及每一兴趣捕捉窗口对应的贡献系数，所述贡献系数反映所述兴趣捕捉窗口所处的分布区域存在兴趣事件的可能性，所述经由所述第二兴趣事件挖掘结果确定衍生指示数据，包括：对于每一兴趣捕捉窗口，依据所述兴趣捕捉窗口对应的贡献系数高于第一判定值的情况，将所述兴趣捕捉窗口确定为第一兴趣捕捉窗口，将所述第一兴趣捕捉窗口对应的衍生指示数据确定为第一指定值，所述第一指定值反映所述第一兴趣捕捉窗口所处的分布区域存在兴趣事件；依据所述兴趣捕捉窗口对应的贡献系数低于第二判定值的情况，将所述兴趣捕捉窗口确定为第二兴趣捕捉窗口，将所述第二兴趣捕捉窗口对应的衍生指示数据确定为第二指定值，所述第二指定值反映所述第二兴趣捕捉窗口所处的分布区域不存在兴趣事件。
22.应用于相关实施例，能够在确定整理模式的基础上，确定匹配的期望整合信息，以便于基于该期望整合信息改进第二ai算法的变量数据，提高用户兴趣挖掘单元的挖掘识别性能。
23.在一些可独立的设计思路下，所述经由所述第二兴趣事件挖掘结果和所述衍生指示数据确定兴趣挖掘质检指标，包括：对于每一第一兴趣捕捉窗口，经由所述第一兴趣捕捉窗口对应的贡献系数和所述第一指定值之间的比较结果，确定所述第一兴趣捕捉窗口对应的第一兴趣捕捉评价指标；对于每一第二兴趣捕捉窗口，经由所述第二兴趣捕捉窗口对应的贡献系数和所述第二指定值之间的比较结果，确定所述第二兴趣捕捉窗口对应的第二兴趣捕捉评价指标；经由所述第一兴趣捕捉评价指标和所述第二兴趣捕捉评价指标，确定所述兴趣挖掘质检指标。
24.应用于相关实施例，可以仅基于第一兴趣捕捉窗口输出的第一兴趣捕捉评价指标和第二兴趣捕捉窗口输出的第二兴趣捕捉评价指标得到兴趣挖掘质检指标，从而使得第二ai算法中的变量数据可以在明确确定整理模式的前提下进行对应整理，减少误差，从而提高用户兴趣挖掘单元的挖掘识别性能。
25.在一些可独立的设计思路下，所述第二兴趣事件挖掘结果包括不少于一个兴趣捕捉窗口，以及每一兴趣捕捉窗口对应的贡献系数，所述贡献系数反映所述兴趣捕捉窗口所处的分布区域存在兴趣事件的可能性，所述经由所述第二兴趣事件挖掘结果确定衍生指示数据，还包括：依据每个所述兴趣捕捉窗口对应的贡献系数都小于所述第一判定值，且每个
所述兴趣捕捉窗口对应的贡献系数都高于所述第二判定值的情况，将所述兴趣挖掘质检指标确定为第三指定值。
26.应用于相关实施例，能够避免整理混乱，在另一些情况下，可以直接得到兴趣挖掘质检指标，从而减少运算复杂度，提高兴趣挖掘质检指标的确定效率，加速配置过程。
27.在一些可独立的设计思路下，所述用户兴趣知识分布包括虚拟社区兴趣关键词，所述基于用户兴趣挖掘算法对所述第一元宇宙用户活动信息进行用户兴趣挖掘以确定出用户兴趣知识分布，包括：通过所述细节信息提取单元对所述第一元宇宙用户活动信息进行细节信息挖掘以确定出所述第一元宇宙用户活动信息对应的活动细节数组；通过所述用户兴趣挖掘单元对所述活动细节数组进行兴趣事件挖掘以确定出所述虚拟社区兴趣关键词。
28.应用于相关实施例，可以在不启用用户兴趣挖掘算法的环境特征解析单元的前提下，及时输出虚拟社区兴趣关键词，提升虚拟社区兴趣关键词的识别效率，用户兴趣挖掘算法的用户兴趣挖掘单元可以在各种数字空间环境特征，包括冷门数字空间环境特征下获得精准可靠的用户兴趣知识分布。
29.在一些可独立的设计思路下，所述用户兴趣知识分布还包含所述第一元宇宙用户活动信息对应的数字空间环境特征，所述通过所述细节信息提取单元对所述第一元宇宙用户活动信息进行细节信息挖掘以确定出所述第一元宇宙用户活动信息对应的活动细节数组之后，所述方法还包括：通过所述环境特征解析单元对所述活动细节数组进行环境特征解析以确定出所述第一元宇宙用户活动信息对应的数字空间环境特征。
30.应用于相关实施例，可以通过用户兴趣挖掘算法的环境特征解析单元实现第一元宇宙用户活动信息的数字空间环境特征分析以确定出精准可靠的数字空间环境特征。
31.一种元宇宙交互服务系统，包括：用于存储可执行计算机程序的存储器，用于执行所述存储器中存储的可执行计算机程序时实现上述方法的处理器。
32.一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序在运行时执行上述方法。
附图说明
33.图1是示出可以实现本技术的实施例的元宇宙交互服务系统的一种通信配置的示意图。
34.图2是示出可以实现本技术的实施例的结合元宇宙交互服务的用户兴趣挖掘方法的流程示意图。
35.图3是示出可以实现本技术的实施例的结合元宇宙交互服务的用户兴趣挖掘方法的应用环境的架构示意图。
具体实施方式
36.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述。为了使本技术的目的、技术方案和优点更加清楚，下面将结合附图对本技术作进一步地详细描述，所描述的实施例不应视为对本技术的限制，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它实施例，都属于本技术保护的范围。在以下的描
述中，涉及到“一些实施例”，其描述了所有可能实施例的子集，但是可以理解，“一些实施例”可以是所有可能实施例的相同子集或不同子集，并且可以在不冲突的情况下相互结合。除非另有定义，本文所使用的所有的技术和科学术语与属于本技术的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本技术实施例的目的，不是旨在限制本技术。
37.图1是示出可以实现本技术的实施例的元宇宙交互服务系统100的一种通信配置的框图，元宇宙交互服务系统100包括用于存储可执行计算机程序的存储器101，用于执行所述存储器101中存储的可执行计算机程序时实现本技术实施例中结合元宇宙交互服务的用户兴趣挖掘方法的处理器102。
38.图2是示出可以实现本技术的实施例的结合元宇宙交互服务的用户兴趣挖掘方法的流程示意图，结合元宇宙交互服务的用户兴趣挖掘方法可以通过图1所示的元宇宙交互服务系统100实现，进一步可以包括以下相关步骤所描述的技术方案。
39.步骤101，获得第一元宇宙用户活动信息。
40.在一些示例下，第一元宇宙用户活动信息是本技术实施例中结合元宇宙交互服务的用户兴趣挖掘方法的待处理数据，本技术实施例并不对第一元宇宙用户活动信息的获取方式进行限制，其可以为信息采集线程采集所得的元宇宙用户活动信息或者元宇宙活动记录的其中某组元宇宙用户活动信息，进而也可以是来源于共享数据库或者其它系统的元宇宙用户活动信息。
41.本技术实施例对于第一元宇宙用户活动信息的元宇宙用户活动信息形式也不进行限定，举例而言，元宇宙用户活动信息形式可以是文本形式、图文形式或者其他形式。
42.此外，元宇宙用户活动信息可以包括虚拟网游的用户活动信息、vr/ar/3d投影的用户活动信息、虚拟社区的用户活动信息、虚拟商城的用户活动信息。进一步地，元宇宙用户活动信息可以记录用户一些列的操作行为数据、交互活动数据等。
43.步骤102，基于用户兴趣挖掘算法对所述第一元宇宙用户活动信息进行用户兴趣挖掘以确定出用户兴趣知识分布。
44.进一步地，所述用户兴趣挖掘算法为通过第一示例性用户活动信息集和第二示例性用户活动信息集配置所得的，所述第一示例性用户活动信息集中的第一已认证用户活动信息对应的参考指示指向所述第一已认证用户活动信息中的用户兴趣事件，所述第二示例性用户活动信息集中的第二已认证用户活动信息对应的参考指示反映所述第二已认证用户活动信息对应的数字空间环境特征。
45.举例而言，用户兴趣知识分布可以理解为兴趣知识特征对应的记录集，因而可以作兴趣知识特征图理解，而用户兴趣事件包括用户在元宇宙交互服务中的一系列喜好、偏好事项，比如针对vr/ar/3d投影的渲染偏好，针对虚拟游戏的体感优化需求，针对虚拟商城的商品推荐喜好等，在此不作限定。在此基础上，数字空间环境特征用于反映元宇宙服务的交互环境，比如交互规模、参与用户的区域分布、网络安全情况等，在此也不作限定。
46.本技术实施例基于用户兴趣挖掘算法对所述第一元宇宙用户活动信息进行用户兴趣挖掘，而用户兴趣挖掘算法的配置依据包括第一示例性用户活动信息集和第二示例性用户活动信息集，第二示例性用户活动信息集中的第二已认证用户活动信息携带有数字空间环境特征，这样可以使得用户兴趣挖掘算法在进行用户兴趣挖掘吸收时，可以获得到数
字空间环境特征，从而获得到数字空间环境特征的挖掘识别性能，随着数字空间环境特征挖掘识别性能的吸收阶段（学习阶段）对第一示例性用户活动信息集和第二示例性用户活动信息集中的元宇宙用户活动信息的兴趣事件/兴趣知识进行挖掘分析吸收，从而使得用户兴趣挖掘算法基于对各类数字空间环境特征的元宇宙用户活动信息的应对效果，可以对各种数字空间环境特征下所得的元宇宙用户活动信息都可以精准可信地挖掘出对应的用户兴趣事件。
47.在一些示例中，所述用户兴趣知识分布包括所述第一元宇宙用户活动信息对应的数字空间环境特征。基于用户兴趣知识分布，可以进行对应的处理分析，本技术实施例对此不作进一步限制。举例而言，可以根据所述第一元宇宙用户活动信息对应的数字空间环境特征，确定第二元宇宙用户活动信息对应的活动注意力变量（用于反映不同活动信息的权重/重要程度的参数），所述第二元宇宙用户活动信息为在获得到所述第一元宇宙用户活动信息之后采集所得的元宇宙用户活动信息。
48.进一步地，该活动注意力变量可以应用于多个应用领域，举例而言，可以将该活动注意力变量作为活动信息爬虫的输出结果，以使得基于活动信息爬虫进行采集的信息采集线程可以基于该活动注意力变量采集得到所述第二元宇宙用户活动信息。再举例而言，该活动注意力变量还可以被用于活动信息的后续处理，在获得到第二元宇宙用户活动信息之后，基于该活动注意力变量可以对第二元宇宙用户活动信息进行热力值的智能化改进。又比如，该活动注意力变量还可以被用于元宇宙安全检测领域，基于该活动注意力变量对所述第二元宇宙用户活动信息进行分析处理。根据以上内容可得，可以通过获得到第一元宇宙用户活动信息对应的数字空间环境特征以确定出第二元宇宙用户活动信息的活动注意力变量，进而为用户画像勾勒、元宇宙用户活动信息分析、活动信息的后续处理等提供依据。
49.在一些示例中，所述用户兴趣知识分布还包括虚拟社区兴趣关键词，基于该虚拟社区兴趣关键词可以进行对应的处理分析，在一些示例中，可以挖掘所述虚拟社区兴趣关键词的用户活动偏好向量（可以理解为用户活动偏好特征）；基于所述用户活动偏好向量，确定所述虚拟社区兴趣关键词对应的数字空间交互成员（比如虚拟用户成员）；对所述数字空间交互成员启用设定处理，所述设定处理包括如下一项或多项：画像标记处理、目标成员活跃度改进处理、安全认证处理。
50.举例而言，以所述虚拟社区兴趣关键词为社区团购为例，可以挖掘社区团购的用户活动偏好向量，例如：社区团购的热门团购需求特征，然后将挖掘到的用户活动偏好向量与设定的用户活动数据集合中记录的用户活动偏好向量进行比较，若对比分析完成，则将对比分析确定出的用户活动偏好向量指向的数字空间交互成员作为虚拟社区兴趣关键词的数字空间交互成员，从而完成对于虚拟社区兴趣关键词的解析。在获得到虚拟社区兴趣关键词的数字空间交互成员的基础上，可以进行对于该数字空间交互成员的画像标记处理、状态调整处理、安全认证处理等，本技术实施例对此不作进一步限制。根据以上内容可得，可以通过挖掘到的第一元宇宙用户活动信息中的用户兴趣事件，完成对虚拟社区兴趣关键词的解析，并且可以对虚拟社区兴趣关键词的数字空间交互成员进行针对性分析处理，为基于虚拟社区兴趣关键词的解析的部分需求提供依据。
51.在所述用户兴趣知识分布包括虚拟社区兴趣关键词和数字空间环境特征的前提
下，还可以对所述虚拟社区兴趣关键词进行基于所述数字空间环境特征的持续性分析。兴趣持续性分析可以用于进行实时的用户兴趣处理，从而实现对用户大数据的跟踪挖掘处理，而本技术实施例中可以基于数字空间环境特征进行持续性分析，从而可以降低数字空间环境特征对兴趣持续性分析的干扰，在一定程度上提高兴趣持续性分析精度。
52.在一种可能的实施例中，其示出对用户兴趣挖掘算法的配置思路，所述方法还可以包括步骤201-步骤204所记录的内容。
53.步骤201，获得第一ai算法，所述第一ai算法包括细节信息提取单元和用户兴趣挖掘单元，所述用户兴趣挖掘单元与所述细节信息提取单元相连。
54.在本技术实施例中，细节信息提取单元可以理解为特征提取器，用户兴趣挖掘单元可以理解为用户兴趣识别器。
55.本技术实施例并不对第一ai算法进行限定，第一ai算法可以是事先配置所得的具有用户兴趣挖掘功能的算法，可以是相关技术中直接用于进行用户兴趣挖掘的算法，基于在先的第一ai算法得到用户兴趣挖掘算法，可以基于算法二次使用提升用户兴趣挖掘算法的趋于稳定的时效性，及时得到本技术实施例中的用户兴趣挖掘算法。
56.进一步地，本技术实施例并不对第一ai算法进行限定，其可以是卷积神经网络、深度学习网络、循环神经网络、多层感知机、朴素贝叶斯网络等。
57.步骤202，部署环境特征解析单元和支持向量机单元，所述环境特征解析单元用于解析加载到所述细节信息提取单元的元宇宙用户活动信息的数字空间环境特征，所述支持向量机单元用于鉴别加载到所述细节信息提取单元的元宇宙用户活动信息所对应的示例信息集。
58.此外，环境特征解析单元还可以理解为环境特征检测器。支持向量机单元还可以理解为分类器。部署环境特征解析单元和支持向量机单元可以理解为构造环境特征解析单元和支持向量机单元。
59.本技术实施例在用户兴趣挖掘算法的配置环节，涉及到与数字空间环境特征挖掘相关的内容以及与用户兴趣挖掘相关的内容，换言之涉及到两类不同应用环境的内容，需要联合这两个内容完成用户兴趣挖掘，由此，在配置环节要在模型内进行这两类信息的衍生分析处理，而衍生分析处理（迁移学习）可以基于支持向量机单元实现。
60.步骤203，将所述环境特征解析单元和所述支持向量机单元，分别与所述第一ai算法中的细节信息提取单元相连以确定出第二ai算法。
61.本技术实施例通过在第一ai算法的基础上进行算法配置优化，可以得到第二ai算法，第二ai算法的相关介绍如下。其中，进一步地，用户兴趣挖掘单元unit_2、环境特征解析单元unit_3和支持向量机单元unit_4都与细节信息提取单元unit_1相连，换言之，细节信息提取单元unit_1导出的内容可视为用户兴趣挖掘单元unit_2、环境特征解析单元unit_3和支持向量机单元unit_4的原料信息，以使得基于第二ai算法配置出的用户兴趣挖掘算法具有环境特征解析以及基于环境特征解析的结果进行用户兴趣挖掘的功能。
62.本技术实施例的第二ai算法的另一算法架构还可以包含如下内容。其中，主要算法架构作为细节信息提取单元的一部分，可以用于对导入的元宇宙用户活动信息进行基础的细节信息挖掘。导入的元宇宙用户活动信息可以来源于第一示例性用户活动信息集和/或第二示例性用户活动信息集。
63.本技术实施例并不限定主要算法架构，例如：可以为基本的cnn。与所述主要算法架构相连的是梯度算法，其也是作为细节信息提取单元的一部分，可以用于挖掘多维度的活动细节数组，进而能够更完整地获得到元宇宙用户活动信息中的活动细节。该梯度算法导出的内容可以导入用户兴趣挖掘单元，该用户兴趣挖掘单元能够估计兴趣事件的状态和类型信息，该类型信息反映兴趣事件的属性，以社区团购挖掘为例，该类型信息反映被挖掘出兴趣事件时社区团购的可能性。所述兴趣事件的状态通过定位节点反映，所述兴趣事件的类型信息通过分类节点反映。该梯度算法导出的内容还可以输入环境特征解析单元和支持向量机单元，从而分别评估元宇宙用户活动信息的数字空间环境特征和活动热力分布，元宇宙用户活动信息的数字空间环境特征和活动热力分布通过动态热力图反映。对于来源于第一示例性用户活动信息集的元宇宙用户活动信息的处理过程可以通过第一流程轨迹记录，对于来源于第二示例性用户活动信息集的元宇宙用户活动信息的处理过程可以通过第二流程轨迹记录。在实际实施时，一个兴趣事件通过一个捕捉单元反映，一个捕捉单元对应一个兴趣捕捉窗口，每个兴趣捕捉窗口均具有状态、类别、数字空间环境特征和活动热力数据。
64.步骤204，基于所述第一示例性用户活动信息集和所述第二示例性用户活动信息集配置所述第二ai算法以确定出所述用户兴趣挖掘算法。
65.本技术实施例中第一示例性用户活动信息集的第一已认证用户活动信息都涵盖兴趣事件所对应的参考指示（标注信息），例如：可以涵盖社区团购的注释信息。第二示例性用户活动信息集的第二已认证用户活动信息都涵盖数字空间环境特征标签，第一已认证用户活动信息和第二已认证用户活动信息可以是不同元宇宙用户活动信息或者相同元宇宙用户活动信息，本技术实施例对此不作进一步限制。可以理解的是，独立获得兴趣事件对应的参考指示或者数字空间环境特征的标签相对方便，这样能够灵活、高效地确定示例信息集。
66.本技术实施例可以基于所述第一示例性用户活动信息集对所述第一ai算法进行事先配置，改进所述细节信息提取单元和所述用户兴趣挖掘单元的变量数据，换言之，第一示例性用户活动信息集可以用于配置第一ai算法和第二ai算法，这些配置依据可以反复使用，降低配置环节配置依据的获得复杂度。将所述环境特征解析单元和所述支持向量机单元分别与完成变量数据改进的细节信息提取单元相连以确定出所述第二ai算法。第二ai算法基于预配置的第一ai算法得到，可以提升第二ai算法的配置效率，提高模型趋于稳定的时效性。
67.在一种可能的实施例中，所述基于所述第一示例性用户活动信息集和所述第二示例性用户活动信息集配置所述第二ai算法以确定出所述用户兴趣挖掘算法，可以包括如下步骤301-步骤305所记录的内容。
68.步骤301，基于所述细节信息提取单元对所述第一已认证用户活动信息和所述第二已认证用户活动信息分别进行细节信息挖掘，对应得到第一已认证活动细节向量和第二已认证活动细节向量。
69.举例而言，已认证活动细节向量可以理解为样本特征或者样本特征向量，用于反映样本活动信息的特征数据。
70.步骤302，基于所述用户兴趣挖掘单元对所述第一已认证活动细节向量和所述第
二已认证活动细节向量分别进行兴趣事件挖掘，对应得到第一兴趣事件挖掘结果和第二兴趣事件挖掘结果。
71.步骤303，基于所述支持向量机单元对所述第一已认证活动细节向量和所述第二已认证活动细节向量分别进行鉴别处理，对应得到第一鉴别处理结果和第二鉴别处理结果。
72.其中，鉴别处理可以理解为分类处理。
73.步骤304，基于所述第一兴趣事件挖掘结果、所述第一鉴别处理结果和所述第一已认证用户活动信息对应的参考指示以确定出第一算法评价指标。
74.本技术实施例并不限制第一算法评价指标的确定思路，举例而言，根据第一兴趣事件挖掘结果和所述第一已认证用户活动信息对应的参考指示之间的比较结果可以得到用户兴趣挖掘单元输出的算法评价指标，根据第一鉴别处理结果直接可以得到支持向量机单元输出的算法评价指标，举例而言，第一已认证用户活动信息确定是来源于于第一示例性用户活动信息集，但是第一鉴别处理结果反映该第一已认证用户活动信息来源于第一示例性用户活动信息集的可能性只有0.8，则支持向量机单元产生了算法评价指标（损失）。这两个算法评价指标进行全局处理（加权处理）便可以得到第一算法评价指标，本技术实施例并不对全局处理结果的值进行限制，可以基于实际需要进行灵活设置。用户兴趣挖掘单元输出的算法评价指标可以通过铰链算法评价指标记录。支持向量机单元输出的算法评价指标可以通过联动算法评价指标记录。进一步地，铰链算法评价指标可以理解为铰链损失函数，联动算法评价指标可以理解为对抗损失函数。
75.步骤305，基于所述第二兴趣事件挖掘结果、所述第二鉴别处理结果和所述第二已认证用户活动信息对应的参考指示以确定出第二算法评价指标。
76.在本技术实施例中，还可以基于所述环境特征解析单元对所述第二已认证活动细节向量进行数字空间环境特征解析以确定出环境特征解析数据。根据所述第二兴趣事件挖掘结果、所述环境特征解析数据、所述第二鉴别处理结果和所述第二已认证用户活动信息对应的参考指示以确定出所述第二算法评价指标。在第二算法评价指标的确定过程中，能够有效综合环境特征解析单元、支持向量机单元、用户兴趣挖掘单元输出的算法评价指标，从而得到第二算法评价指标，基于第二算法评价指标优化环境特征解析单元、支持向量机单元、用户兴趣挖掘单元，可以使得用户兴趣挖掘单元的变量数据不受数字空间环境特征的干扰，在各种数字空间环境特征下都可以获得精准可靠的兴趣事件挖掘结果。
77.在一种可能的实施例中，所述基于所述第二兴趣事件挖掘结果、所述第二鉴别处理结果和所述第二已认证用户活动信息对应的参考指示以确定出第二算法评价指标，可以包括如下内容：根据所述环境特征解析数据和所述第二已认证用户活动信息对应的参考指示之间的比较结果，确定环境特征解析质检指标。根据所述第二鉴别处理结果与所述第二已认证用户活动信息对应的先验注释（实际来源）之间的比较结果，确定鉴别质检指标。根据所述第二兴趣事件挖掘结果确定衍生指示数据，根据所述第二兴趣事件挖掘结果和所述衍生指示数据确定兴趣挖掘质检指标，所述衍生指示数据用于限定所述第二兴趣事件挖掘结果的整理模式（整合方法）。根据所述环境特征解析质检指标、所述鉴别质检指标和所述兴趣挖掘质检指标以确定出所述第二算法评价指标。
78.应用于相关实施例，可以使用第二示例性用户活动信息集作为配置指示信息对第
二ai算法进行配置。精准计算得到环境特征解析单元、支持向量机单元、用户兴趣挖掘单元在处理第二已认证用户活动信息的前提下所生成的算法评价指标，从而可以加速配置过程中第二ai算法的趋于稳定的时效性，提升配置出的用户兴趣挖掘算法在各种数字空间环境特征下的用户兴趣挖掘精度。
79.本技术实施例中环境特征解析质检指标也可以使用铰链算法评价指标表达，鉴别质检指标可以使用联动算法评价指标描述。第二算法评价指标可以为所述环境特征解析质检指标、所述鉴别质检指标和所述兴趣挖掘质检指标的全局处理的结果，当然，本技术实施例并不对全局处理结果的值进行限制，可以基于实际需要进行灵活设置。
80.进一步地，上述的质检指标可以理解为相关对象挖掘处理的预测损失。
81.在一种可能的实施例中，所述第二兴趣事件挖掘结果包括不少于一个兴趣捕捉窗口，以及每一兴趣捕捉窗口对应的贡献系数，所述贡献系数反映所述兴趣捕捉窗口所处的分布区域存在兴趣事件的可能性，所述根据所述第二兴趣事件挖掘结果确定衍生指示数据，包括步骤401和步骤402。
82.步骤401，对于每一兴趣捕捉窗口（比如卷积核），依据所述兴趣捕捉窗口对应的贡献系数高于第一判定值的情况，将所述兴趣捕捉窗口确定为第一兴趣捕捉窗口，将所述第一兴趣捕捉窗口对应的衍生指示数据确定为第一指定值，所述第一指定值反映所述第一兴趣捕捉窗口所处的分布区域存在兴趣事件。
83.举例而言，对于兴趣捕捉窗口window_a，其对应的贡献系数（置信度）为0.98，而第一判定值为0.9，换言之，该兴趣捕捉窗口window_a存在社区团购的可能性大于第一判定值，兴趣捕捉窗口window_a很大可能存在社区团购，鉴于此，可以将兴趣捕捉窗口window_a对应的贡献系数向第一指定值整合，第一指定值反映实际具有社区团购情况下匹配的期望贡献系数，例如第一指定值可以为1。
84.步骤402，依据所述兴趣捕捉窗口对应的贡献系数低于第二判定值的情况，将所述兴趣捕捉窗口确定为第二兴趣捕捉窗口，将所述第二兴趣捕捉窗口对应的衍生指示数据确定为第二指定值，所述第二指定值反映所述第二兴趣捕捉窗口所处的分布区域不存在兴趣事件。
85.举例而言，对于兴趣捕捉窗口window_b，其对应的贡献系数（比如可以理解为置信度）为0.08，而第一判定值为0.1，换言之，该兴趣捕捉窗口window_b存在社区团购的可能性低于第二判定值，兴趣捕捉窗口window_b很大可能不存在社区团购，鉴于此，可以将兴趣捕捉窗口window_b对应的贡献系数向第二指定值整合，第二指定值反映实际不具有社区团购的条件下对应的期望的贡献系数，例如：第一指定值可以为0。
86.可以理解的是，本技术实施例中第一判定值、第二判定值、第一指定值和第二指定值可以灵活设置，本技术对此不作进一步限制。应用于相关实施例，能够在确定整理模式的基础上，确定匹配的期望整合信息，以便于基于该期望整合信息改进第二ai算法的变量数据，使得用户兴趣挖掘单元的挖掘识别性能。
87.在一种可能的实施例中，所述根据所述第二兴趣事件挖掘结果和所述衍生指示数据确定兴趣挖掘质检指标，可以包括如下内容：对于每一第一兴趣捕捉窗口，根据所述第一兴趣捕捉窗口对应的贡献系数和所述第一指定值之间的比较结果，确定所述第一兴趣捕捉窗口对应的第一兴趣捕捉评价指标；对于每一第二兴趣捕捉窗口，根据所述第二兴趣捕捉
窗口对应的贡献系数和所述第二指定值之间的比较结果，确定所述第二兴趣捕捉窗口对应的第二兴趣捕捉评价指标；根据所述第一兴趣捕捉评价指标和所述第二兴趣捕捉评价指标，确定所述兴趣挖掘质检指标。
88.应用于相关实施例，可以仅基于第一兴趣捕捉窗口输出的第一兴趣捕捉评价指标和第二兴趣捕捉窗口输出的第二兴趣捕捉评价指标得到兴趣挖掘质检指标，从而使得第二ai算法中的变量数据可以在明确确定整理模式的前提下进行对应整理，减少误差，从而提高用户兴趣挖掘单元的挖掘识别性能。本技术实施例中第一兴趣捕捉评价指标和第二兴趣捕捉评价指标也都可以使用铰链算法评价指标记录，兴趣挖掘质检指标可以为这两类兴趣捕捉评价指标的全局处理的结果，当然，本技术实施例并不对全局处理结果的值进行限制，可以基于实际需要进行灵活设置。
89.在一些示例中，依据每个所述兴趣捕捉窗口对应的贡献系数都小于所述第一判定值，且每个所述兴趣捕捉窗口对应的贡献系数都高于所述第二判定值的情况，将所述兴趣挖掘质检指标确定为第三指定值。应用于相关实施例，能够避免整理混乱，在另一些情况下，直接得到兴趣挖掘质检指标，从而减少运算复杂度，提高兴趣挖掘质检指标的确定效率，加速配置过程。本技术并不限定第三指定值的值，举例而言，可以将其设置为“0”。
90.步骤306，基于所述第一算法评价指标和所述第二算法评价指标改进所述第二ai算法的变量数据以确定出所述用户兴趣挖掘算法。
91.在本技术实施例中，可以通过基于所述第一算法评价指标和所述第二算法评价指标对第二ai算法的算法变量数据进行改进，比如，可通过最优算法（比如：梯度下降法）改进变量数据直至符合终止指标，比如，可以循环实施设定轮数后终止，也可以在第一算法评价指标和第二算法评价指标都小于预设的终止判定值的前提下终止。
92.在本技术实施例中，对于第一已认证用户活动信息集中的第一已认证用户活动信息，可以得到用户兴趣挖掘单元输出的算法评价指标，这一算法评价指标包括分布特征评价指标和信息类别评价指标，还可以得到鉴别质检指标。对于第二已认证用户活动信息集中的第二已认证用户活动信息，可以得到用户兴趣挖掘单元输出的算法评价指标，这一算法评价指标包括分布特征评价指标和信息类别评价指标，还可以得到鉴别质检指标和环境特征解析质检指标。应用于相关实施例，可以基于两类具有不同注释的配置依据完成第二ai算法的配置以确定出用户兴趣挖掘算法，基于吸收这两类相异的配置依据中的信息并进行迁移学习，通过考虑类别特征使得配置过程具有噪声配置的性能，提升用户兴趣挖掘算法的挖掘精度。
93.进一步地，在配置得到用户兴趣挖掘算法的前提下，可以基于所述细节信息提取单元对所述第一元宇宙用户活动信息进行细节信息挖掘以确定出所述第一元宇宙用户活动信息对应的活动细节数组；基于所述用户兴趣挖掘单元对所述活动细节数组进行兴趣事件挖掘以确定出所述虚拟社区兴趣关键词。在此基础上，可以在不启用用户兴趣挖掘算法的环境特征解析单元的前提下，及时输出虚拟社区兴趣关键词，提升虚拟社区兴趣关键词的识别效率，用户兴趣挖掘算法的用户兴趣挖掘单元可以在各种数字空间环境特征，包括冷门数字空间环境特征下获得精准可靠的用户兴趣知识分布。
94.若需要获得第一元宇宙用户活动信息的数字空间环境特征，可以在所述基于所述细节信息提取单元对所述第一元宇宙用户活动信息进行细节信息挖掘以确定出所述第一
元宇宙用户活动信息对应的活动细节数组之后，基于所述环境特征解析单元对所述活动细节数组进行环境特征解析以确定出所述第一元宇宙用户活动信息对应的数字空间环境特征。在此基础上，可以通过用户兴趣挖掘算法的环境特征解析单元实现第一元宇宙用户活动信息的数字空间环境特征分析以确定出精准的数字空间环境特征。
95.在一些可独立实施的设计思路下，在确定出用户兴趣知识分布之后，该方法还可以包括如下内容：响应于元宇宙服务平台系统的推送辅助分析请求，对所述用户兴趣知识分布进行推送需求挖掘，得到所述用户兴趣知识分布对应的用户推送需求关系网；将所述用户推送需求关系网发送给所述元宇宙服务平台系统。
96.应用于上述设计思路，推送需求挖掘是在接收到推送辅助分析请求才执行的，因此避免了无谓的资源浪费，且推送需求挖掘在元宇宙交互服务系统侧进行，无需将用户兴趣知识分布发送给元宇宙服务平台系统，从而保障了用户兴趣知识分布对应的用户隐私安全，进一步地，发送给元宇宙服务平台系统是用户推送需求关系网，因而可以直接指导元宇宙服务平台系统进行针对性的大数据推荐。
97.在一些可独立实施的设计思路下，对所述用户兴趣知识分布进行推送需求挖掘，得到所述用户兴趣知识分布对应的用户推送需求关系网，可以通过如下技术方案实现：挖掘用户兴趣知识分布中的兴趣节点描述字段和兴趣场景描述字段；基于所述用户兴趣知识分布中的兴趣节点描述字段和兴趣场景描述字段之间的描述字段相关度，对所述用户兴趣知识分布中的兴趣节点描述字段和兴趣场景描述字段进行关联，得到描述字段关联结果；将未完成关联的兴趣场景描述字段确定为候选兴趣场景描述字段，根据所述描述字段关联结果中的兴趣场景描述字段与所述候选兴趣场景描述字段之间的描述字段向量距离，确定与所述候选兴趣场景描述字段相匹配的推送需求；对与所述候选兴趣场景描述字段相匹配的推送需求和所述候选兴趣场景描述字段进行关联，得到需求关联结果；根据所述需求关联结果和所述描述字段关联结果，确定所述用户兴趣知识分布对应的用户推送需求关系网。
98.举例而言，兴趣节点和兴趣场景分别对应局部和全局的兴趣知识，因而通过考虑兴趣节点和兴趣场景各自对应的描述字段，能够实现推送需求的关联分析，从而精准完整地挖掘出用户推送需求关系网。
99.在一些可独立实施的设计思路下，所述获取用户兴趣知识分布中的兴趣节点描述字段和兴趣场景描述字段，包括：获取所述用户兴趣知识分布中的不少于两个兴趣节点数据和不少于两个兴趣场景数据；获取所述不少于两个兴趣节点数据之间的第一特征相似度和第一特征影响度，获取所述不少于两个兴趣场景数据之间的第二特征相似度和第二特征影响度；根据所述第一特征相似度和所述第一特征影响度，对所述不少于两个兴趣节点数据进行拼接，得到所述用户兴趣知识分布中的兴趣节点描述字段；一个兴趣节点描述字段包括至少一个兴趣节点数据；根据所述第二特征相似度和所述第二特征影响度，对所述不少于两个兴趣场景数据进行拼接，得到所述用户兴趣知识分布中的兴趣场景描述字段；一个兴趣场景描述字段包括至少一个兴趣场景数据。
100.如此设计，可以完整地确定出兴趣节点描述字段和兴趣场景描述字段，避免兴趣节点描述字段和兴趣场景描述字段出现缺失。
101.图3是示出可以实现本技术的实施例的结合元宇宙交互服务的用户兴趣挖掘方法
的应用环境的架构示意图，结合元宇宙交互服务的用户兴趣挖掘方法的应用环境中可以包括互相通信的元宇宙交互服务系统100和元宇宙交互终端200。基于此，元宇宙交互服务系统100和元宇宙交互终端200在运行时实现或者部分实现本技术实施例的结合元宇宙交互服务的用户兴趣挖掘方法。
102.以上所述，仅为本技术的较佳实施例而已，并非用于限定本技术的保护范围。
技术特征：1.一种结合元宇宙交互服务的用户兴趣挖掘方法，其特征在于，应用于元宇宙交互服务系统，所述方法包括：获得第一元宇宙用户活动信息，以及基于用户兴趣挖掘算法对所述第一元宇宙用户活动信息进行用户兴趣挖掘以确定出用户兴趣知识分布；其中，所述用户兴趣挖掘算法为通过第一示例性用户活动信息集和第二示例性用户活动信息集配置所得的，所述第一示例性用户活动信息集中的第一已认证用户活动信息对应的参考指示匹配所述第一已认证用户活动信息中的用户兴趣事件，所述第二示例性用户活动信息集中的第二已认证用户活动信息对应的参考指示反映所述第二已认证用户活动信息对应的数字空间环境特征。2.根据权利要求1所述的方法，其特征在于，所述用户兴趣知识分布包含所述第一元宇宙用户活动信息对应的数字空间环境特征，所述方法还包括：经由所述第一元宇宙用户活动信息对应的数字空间环境特征，确定第二元宇宙用户活动信息对应的活动注意力变量，所述第二元宇宙用户活动信息为在获得到所述第一元宇宙用户活动信息之后采集所得的元宇宙用户活动信息。3.根据权利要求1所述的方法，其特征在于，所述用户兴趣知识分布包括虚拟社区兴趣关键词，所述方法还包括：挖掘所述虚拟社区兴趣关键词的用户活动偏好向量；通过所述用户活动偏好向量，确定所述虚拟社区兴趣关键词对应的数字空间交互成员；对所述数字空间交互成员启用设定处理，所述设定处理包括如下一项或多项：画像标记处理、目标成员活跃度改进处理、安全认证处理。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：获得第一ai算法，所述第一ai算法包括细节信息提取单元和用户兴趣挖掘单元，所述用户兴趣挖掘单元与所述细节信息提取单元相连；部署环境特征解析单元和支持向量机单元，所述环境特征解析单元用于解析加载到所述细节信息提取单元的元宇宙用户活动信息的数字空间环境特征，所述支持向量机单元用于鉴别加载到所述细节信息提取单元的元宇宙用户活动信息所对应的示例信息集，将所述环境特征解析单元和所述支持向量机单元，分别与所述第一ai算法中的细节信息提取单元相连以确定出第二ai算法；通过所述第一示例性用户活动信息集和所述第二示例性用户活动信息集配置所述第二ai算法以确定出所述用户兴趣挖掘算法。5.根据权利要求4所述的方法，其特征在于，所述将所述环境特征解析单元和所述支持向量机单元，分别与所述第一ai算法中的细节信息提取单元相连以确定出第二ai算法之前，所述方法还包括：通过所述第一示例性用户活动信息集对所述第一ai算法进行预配置，改进所述细节信息提取单元和所述用户兴趣挖掘单元的变量数据；所述将所述环境特征解析单元和所述支持向量机单元，分别与所述第一ai算法中的细节信息提取单元相连以确定出第二ai算法，包括：将所述环境特征解析单元和所述支持向量机单元分别与完成变量数据改进的细节信息提取单元相连以确定出所述第二ai算法。6.根据权利要求4所述的方法，其特征在于，所述通过所述第一示例性用户活动信息集和所述第二示例性用户活动信息集配置所述第二ai算法以确定出所述用户兴趣挖掘算法，
包括：通过所述细节信息提取单元对所述第一已认证用户活动信息和所述第二已认证用户活动信息分别进行细节信息挖掘，对应得到第一已认证活动细节向量和第二已认证活动细节向量；通过所述用户兴趣挖掘单元对所述第一已认证活动细节向量和所述第二已认证活动细节向量分别进行兴趣事件挖掘，对应得到第一兴趣事件挖掘结果和第二兴趣事件挖掘结果；通过所述支持向量机单元对所述第一已认证活动细节向量和所述第二已认证活动细节向量分别进行鉴别处理，对应得到第一鉴别处理结果和第二鉴别处理结果；通过所述第一兴趣事件挖掘结果、所述第一鉴别处理结果和所述第一已认证用户活动信息对应的参考指示以确定出第一算法评价指标；通过所述第二兴趣事件挖掘结果、所述第二鉴别处理结果和所述第二已认证用户活动信息对应的参考指示以确定出第二算法评价指标；通过所述第一算法评价指标和所述第二算法评价指标改进所述第二ai算法的变量数据以确定出所述用户兴趣挖掘算法；其中，所述通过所述第二兴趣事件挖掘结果、所述第二鉴别处理结果和所述第二已认证用户活动信息对应的参考指示以确定出第二算法评价指标之前，所述方法还包括：通过所述环境特征解析单元对所述第二已认证活动细节向量进行数字空间环境特征解析以确定出环境特征解析数据；所述通过所述第二兴趣事件挖掘结果、所述第二鉴别处理结果和所述第二已认证用户活动信息对应的参考指示以确定出第二算法评价指标，包括：经由所述第二兴趣事件挖掘结果、所述环境特征解析数据、所述第二鉴别处理结果和所述第二已认证用户活动信息对应的参考指示以确定出所述第二算法评价指标；其中，所述经由所述第二兴趣事件挖掘结果、所述环境特征解析数据、所述第二鉴别处理结果和所述第二已认证用户活动信息对应的参考指示以确定出所述第二算法评价指标，包括：经由所述环境特征解析数据和所述第二已认证用户活动信息对应的参考指示之间的比较结果，确定环境特征解析质检指标；经由所述第二鉴别处理结果与所述第二已认证用户活动信息对应的先验注释之间的比较结果，确定鉴别质检指标；经由所述第二兴趣事件挖掘结果确定衍生指示数据，经由所述第二兴趣事件挖掘结果和所述衍生指示数据确定兴趣挖掘质检指标，所述衍生指示数据用于限定所述第二兴趣事件挖掘结果的整理模式；经由所述环境特征解析质检指标、所述鉴别质检指标和所述兴趣挖掘质检指标以确定出所述第二算法评价指标。7.根据权利要求6所述的方法，其特征在于，所述第二兴趣事件挖掘结果包括不少于一个兴趣捕捉窗口，以及每一兴趣捕捉窗口对应的贡献系数，所述贡献系数反映所述兴趣捕捉窗口所处的分布区域存在兴趣事件的可能性，所述经由所述第二兴趣事件挖掘结果确定衍生指示数据，包括：
对于每一兴趣捕捉窗口，依据所述兴趣捕捉窗口对应的贡献系数高于第一判定值的情况，将所述兴趣捕捉窗口确定为第一兴趣捕捉窗口，将所述第一兴趣捕捉窗口对应的衍生指示数据确定为第一指定值，所述第一指定值反映所述第一兴趣捕捉窗口所处的分布区域存在兴趣事件；依据所述兴趣捕捉窗口对应的贡献系数低于第二判定值的情况，将所述兴趣捕捉窗口确定为第二兴趣捕捉窗口，将所述第二兴趣捕捉窗口对应的衍生指示数据确定为第二指定值，所述第二指定值反映所述第二兴趣捕捉窗口所处的分布区域不存在兴趣事件；其中，所述经由所述第二兴趣事件挖掘结果和所述衍生指示数据确定兴趣挖掘质检指标，包括：对于每一第一兴趣捕捉窗口，经由所述第一兴趣捕捉窗口对应的贡献系数和所述第一指定值之间的比较结果，确定所述第一兴趣捕捉窗口对应的第一兴趣捕捉评价指标；对于每一第二兴趣捕捉窗口，经由所述第二兴趣捕捉窗口对应的贡献系数和所述第二指定值之间的比较结果，确定所述第二兴趣捕捉窗口对应的第二兴趣捕捉评价指标；经由所述第一兴趣捕捉评价指标和所述第二兴趣捕捉评价指标，确定所述兴趣挖掘质检指标；其中，所述第二兴趣事件挖掘结果包括不少于一个兴趣捕捉窗口，以及每一兴趣捕捉窗口对应的贡献系数，所述贡献系数反映所述兴趣捕捉窗口所处的分布区域存在兴趣事件的可能性，所述经由所述第二兴趣事件挖掘结果确定衍生指示数据，还包括：依据每个所述兴趣捕捉窗口对应的贡献系数都小于所述第一判定值，且每个所述兴趣捕捉窗口对应的贡献系数都高于所述第二判定值的情况，将所述兴趣挖掘质检指标确定为第三指定值。8.根据权利要求4所述的方法，其特征在于，所述用户兴趣知识分布包括虚拟社区兴趣关键词，所述基于用户兴趣挖掘算法对所述第一元宇宙用户活动信息进行用户兴趣挖掘以确定出用户兴趣知识分布，包括：通过所述细节信息提取单元对所述第一元宇宙用户活动信息进行细节信息挖掘以确定出所述第一元宇宙用户活动信息对应的活动细节数组；通过所述用户兴趣挖掘单元对所述活动细节数组进行兴趣事件挖掘以确定出所述虚拟社区兴趣关键词。9.根据权利要求4所述的方法，其特征在于，所述用户兴趣知识分布还包含所述第一元宇宙用户活动信息对应的数字空间环境特征，所述通过所述细节信息提取单元对所述第一元宇宙用户活动信息进行细节信息挖掘以确定出所述第一元宇宙用户活动信息对应的活动细节数组之后，所述方法还包括：通过所述环境特征解析单元对所述活动细节数组进行环境特征解析以确定出所述第一元宇宙用户活动信息对应的数字空间环境特征。10.一种元宇宙交互服务系统，其特征在于，包括：用于存储可执行计算机程序的存储器，用于执行所述存储器中存储的可执行计算机程序时实现权利要求1-9任一项所述的方法的处理器。
技术总结本申请实施例公开了结合元宇宙交互服务的用户兴趣挖掘方法及系统，可以使得用户兴趣挖掘算法在进行用户兴趣挖掘吸收时，可以获得到数字空间环境特征，从而获得到数字空间环境特征的挖掘识别性能，随着数字空间环境特征挖掘识别性能的吸收阶段对第一示例性用户活动信息集和第二示例性用户活动信息集中的元宇宙用户活动信息的兴趣事件/兴趣知识进行挖掘分析吸收，从而使得用户兴趣挖掘算法基于对各类数字空间环境特征的元宇宙用户活动信息的应对效果，可以对各种数字空间环境特征下所得的元宇宙用户活动信息都可以精准可信地挖掘出对应的用户兴趣事件。出对应的用户兴趣事件。出对应的用户兴趣事件。
技术研发人员：李继光
受保护的技术使用者：李继光
技术研发日：2022.06.30
技术公布日：2022/11/1
