【技术实现步骤摘要】
本专利技术涉及元宇宙，尤其是指一种社交元宇宙中的朋友推荐方法、装置及可读存储介质。
技术介绍
1、元宇宙是一个既平行于现实世界，又独立于现实世界的虚拟空间，其借助于虚拟显示技术能够为用户打造逼近真实物力世界空间感和沉浸感的数字化空间，为人们之间的社交活动提供了更多的可能性。元宇宙作为社交场景与社交活动的融合程度取决于用户在元宇宙的用户体验。当用户在元宇宙场景中进行一些社交活动时，出现在用户周围的其他用户是随机的，有一些用户不喜欢的用户类型可能出现在用户周围，给用户带来不好的社交体验。朋友推荐系统可以用于检测两个用户之间的共同特征，实现相似用户的推荐，精准的朋友推荐系统可以满足用户在元宇宙社交场景中的社交需求，提高用户体验度和满意度。
2、现有的朋友推荐系统大多是根据用户社交网络基本特征或者人格特征进行朋友推荐，其获取人格特征的方式往往是让用户直接填写人格测试问卷，但是这样的方式忽略了用户可能不愿意填写冗长的问卷或者在填写时带有自主意识导致填写结果无法反映用户真实的人格特征的问题。另外，还有一些推荐系统通过获取用户的一些基本特征，然后结合理论来获取用户完整的人格特征，但是，这种方式不仅耗费的时间长，而且其推荐结果准确性并不高；因此，现有的朋友推荐系统中的人格特征提取方法存在耗费时间长且提取的人格特征准确性低的问题。
3、除此之外，现有的朋友推荐系统往往只注重用户本身的特征，忽略了社交网络中其他重要的特征，例如用户的社交互动，这在一定程度上反映了用户想与他人交友的意愿，因此，现有的朋友推荐系统未考虑用户的社交
4、综上所述，现有的朋友推荐系统存在用户人格特征提取结果不准确，且未考虑用户的社交互动特征导致用户推荐结果准确性不高的问题。
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提取的用户人格特征结果准确度低，且没有考虑用户的社交互动特征导致朋友推荐结果准确性不高的问题。
2、为解决上述技术问题，本专利技术提供了一种社交元宇宙中的朋友推荐方法，包括：
3、获取社交元宇宙中任意两个用户的社交数据；其中，每个用户的社交数据均包括用户发表的文本序列、用户的关注列表以及用户的转发和评论数据，所述文本序列由用户发表于社交元宇宙中的多个文本拼接得到；
4、将两个用户发表的文本序列分别输入至训练好的人格特征提取模型中，提取各个用户的人格特征向量，所述人格特征提取模型包括word2vec网络、senticnet5网络、lda网络、s-lstm网络和全连接层；用户的人格特征向量提取过程具体包括：
5、将文本序列输入至所述word2vec网络中，输出词向量矩阵；
6、将所述词向量矩阵分别输入至所述senticnet5网络和所述lda网络中，输出情感特征向量和主题特征向量；
7、将所述词向量矩阵和所述情感特征向量拼接输入至所述s-lstm网络中，输出语义特征向量；
8、基于所述情感特征向量、所述主题特征向量和所述语义特征向量得到全局特征向量，并将所述全局特征向量输入至所述全连接层，输出用户的人格特征向量；
9、基于两个用户的人格特征向量计算两个用户之间的人格特征相似度值；
10、基于两个用户的关注列表、以及两个用户对于相同用户的转发和评论数据计算两个用户之间的社交互动特征相似度值；
11、基于所述人格特征相似度值和所述社交互动特征相似度值计算两个用户的推荐指数，若所述推荐指数大于预设阈值，则将两个用户作为对方的推荐用户。
12、在本专利技术的一个实施例中，所述基于所述情感特征向量、所述主题特征向量和所述语义特征向量得到全局特征向量包括：
13、基于第i个文本序列对应的主题特征向量和语义特征向量计算第i个文本序列的主题特征匹配分数，其具体计算公式为：
14、ai＝tanh(wcθi+uchi)，
15、其中，ai表示第i个文本序列的主题特征匹配分数，tanh为激活函数，θi表示第i个文本序列对应的主题特征向量，hi表示第i个文本序列对应的语义特征向量，wc为主题特征权重矩阵，uc为主题特征偏置矩阵；
16、基于第i个文本序列对应的情感特征向量和语义特征向量计算第i个文本序列的情感特征匹配分数，其具体计算公式为：
17、bi＝tanh(wdei+udhi)，
18、其中，bi表示第i个文本序列的情感特征匹配分数，ei表示第i个文本序列对应的情感特征向量，wd为情感特征权重矩阵，ud为情感特征偏置矩阵；
19、基于第i个文本序列的主题特征匹配分数和情感特征匹配分数计算第i个文本序列的语义特征权重，其具体计算公式为：
20、qi＝softmax[vt(ai；bi)]，
21、其中，qi表示第i个文本序列的语义特征权重，softmax为激活函数，vt为预设参数；
22、基于第i个文本序列的语义特征权重和语义特征向量得到第i个文本序列的全局特征向量vi，其具体计算公式为：
23、vi＝qihi。
24、在本专利技术的一个实施例中，所述两个用户之间的人格特征相似度值的计算公式为：
25、
26、其中，simp(x,y)表示用户x和用户y之间的人格特征相似度值，表示用户x的人格特征向量的第m个特征值，表示用户x的人格特征向量的均值，表示用户y的人格特征向量的第m个特征值，表示用户y的人格特征向量的均值。
27、在本专利技术的一个实施例中，所述两个用户之间的社交互动特征相似度值的计算公式为：
28、
29、其中，simi(x,y)表示用户x和用户y的社交互动特征相似度值，rx表示用户x转发或评论的所有用户，ry表示用户y转发或评论的所有用户，ix,n表示用户x和用户n的互动强度，iy,n表示用户y和用户n的互动强度，表示用户x的社交互动特征平均值，表示用户y的社交互动特征平均值。
30、在本专利技术的一个实施例中，用户x和用户n的互动强度计算公式为：
31、
32、其中，ix,n表示用户x和用户n之间的互动强度，f(x,n)表示用户x对用户n的关注关系，若用户x关注了用户n，则f(x,n)＝1，r(x,n)表示用户x对用户n的转发次数，c(x,n)表示用户x对用户n的评论次数，l表示用户x关注的第l个用户，μ表示权重；
33、用户y和用户n的互动强度计算公式为：
34、
35、其中，iy,n表示用户y和用户n之间的互动强度，f(y,n)表示用户y对用户n的关注关系，若用户y关注了用户n，则f(y,n)＝1，r(y,n)表示用户y对用户n的转发次数，c(y,n)表示用户y对用户n的评论次数，r表示用户y关注的第r个用户；
36、用户x的社交互动特征平均值的计算公本文档来自技高网...
【技术保护点】
1.一种社交元宇宙中的朋友推荐方法，其特征在于，包括：
2.根据权利要求1所述的社交元宇宙中的朋友推荐方法，其特征在于，所述基于所述情感特征向量、所述主题特征向量和所述语义特征向量得到全局特征向量包括：
3.根据权利要求1所述的社交元宇宙中的朋友推荐方法，其特征在于，所述两个用户之间的人格特征相似度值的计算公式为：
4.根据权利要求1所述的社交元宇宙中的朋友推荐方法，其特征在于，所述两个用户之间的社交互动特征相似度值的计算公式为：
5.根据权利要求3所述的社交元宇宙中的朋友推荐方法，其特征在于，用户x和用户n的互动强度计算公式为：
6.根据权利要求1所述的社交元宇宙中的朋友推荐方法，其特征在于，所述训练好的人格特征提取模型的获取过程包括：
7.根据权利要求6所述的社交元宇宙中的朋友推荐方法，其特征在于，所述损失函数为：
8.根据权利要求1所述的社交元宇宙中的朋友推荐方法，其特征在于，所述两个用户之间的推荐指数为：
9.一种社交元宇宙中的朋友推荐系统，其特征在于，包括：
10
...【技术特征摘要】
1.一种社交元宇宙中的朋友推荐方法，其特征在于，包括：
2.根据权利要求1所述的社交元宇宙中的朋友推荐方法，其特征在于，所述基于所述情感特征向量、所述主题特征向量和所述语义特征向量得到全局特征向量包括：
3.根据权利要求1所述的社交元宇宙中的朋友推荐方法，其特征在于，所述两个用户之间的人格特征相似度值的计算公式为：
4.根据权利要求1所述的社交元宇宙中的朋友推荐方法，其特征在于，所述两个用户之间的社交互动特征相似度值的计算公式为：
5.根据权利要求3所述的社交元宇宙中的朋友推荐方法，其特征在于，用户x和用户n的互动强度计算公式为：...
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。