一种基于协同过滤算法的AR文旅的AR影像推荐方法和系统
文献发布时间：2024-04-18 19:59:31
技术领域
本申请涉及增AR文旅技术领域，尤其涉及一种基于协同过滤算法的AR文旅的AR影像推荐方法和系统。
背景技术
AR(Augmented Reality，增强现实)是一种将虚拟信息与真实世界巧妙融合的技术，广泛运用了多媒体、三维建模、实时跟踪及注册、智能交互和传感等多种技术手段，将计算机生成的文字、图像、模型、音乐和视频等虚拟信息模拟仿真后应用到真实世界中，虚拟与真实两种信息互为补充，从而实现对真实世界的“增强”。
随着AR技术的不断发展和普及，AR已经成为了一种引人入胜的数字体验方式，能够为用户提供了一个与现实世界互动的虚拟层面。AR技术已经广泛应用于多个领域，尤其是在旅游领域，AR技术为用户提供了独特的体验，使用户能够以一种特别的方式了解文旅景点的丰富历史和文化信息，更好地与周围环境互动，从而提高了用户的文旅体验。尽管AR技术在文旅领域的应用潜力巨大，但是当前的AR应用在AR影像(包括AR物体、场景和/或特效)的推荐方面仍然存在一些挑战。
现有的AR应用尽管提供了大量的AR体验内容，但是用户通常需要手动进行搜索，以找到与他们的兴趣偏好和需求相匹配的AR影像(物体、场景和/或特效)。这可能会导致用户的搜索效率低下、使用的AR信息过载以及体验质量下降。
综上，现阶段需要一种智能的AR物体/场景/特效的推荐方法，提供更有吸引力的AR文旅体验。
申请内容
本申请提供一种基于协同过滤算法的AR文旅的AR影像推荐方案，能够解决现有技术中用户手动搜索AR体验内容，难以找到与他们兴趣偏好和需求匹配的AR影像的问题。
为解决上述问题，根据本申请的第一方面，本申请提供了一种基于协同过滤算法的AR文旅的AR影像推荐方法，包括：
获取AR文旅的所有使用用户和所有候选AR影像，根据所有使用用户中每一使用用户对候选AR影像的访问次数，构建用户-AR影像访问矩阵；
根据用户-AR影像访问矩阵，分别构建使用用户的选择偏好矩阵和全局偏好矩阵；
根据选择偏好矩阵和全局偏好矩阵，计算使用用户的综合兴趣偏好矩阵；
使用综合兴趣偏好矩阵，定义不同使用用户之间的兴趣偏好相似度；
根据不同使用用户的属性信息，计算不同使用用户之间的属性相似度；
根据不同使用用户之间的兴趣偏好相似度和属性相似度，推荐AR影像。
优选的，AR影像推荐方法，根据所有使用用户中每一使用用户对候选AR影像的访问次数，构建用户-AR影像访问矩阵的步骤，包括：
获取AR文旅的使用用户集和候选AR影像集，其中，使用用户集包括所有使用用户，候选AR影像集包括所有候选AR影像；
分别统计使用用户集中每一使用用户、对候选AR影像集中每一候选AR影像的访问次数；
使用使用用户集中所有使用用户、对每一候选AR影像的访问次数，构建用户-AR影像访问矩阵。
优选的，上述AR影像推荐方法中，根据用户-AR影像访问矩阵，分别构建使用用户的选择偏好矩阵和全局偏好矩阵的步骤，包括：
针对所有使用用户中每一使用用户，从所有候选AR影像中查找选定AR影像；
使用用户-AR影像访问矩阵，分别统计每一使用用户对选定AR影像的访问次数，统计每一使用用户对所有候选AR影像的访问总次数；
使用每一使用用户对选定AR影像的访问次数以及每一使用用户对所有候选AR影像的访问总次数，计算每一用户对选定AR影像的访问频率；
使用所有使用用户的访问频率，构建选择偏好矩阵。
优选的，上述AR影像推荐方法中，根据用户-AR影像访问矩阵，分别构建使用用户的选择偏好矩阵和全局偏好矩阵的步骤，包括：
使用用户-AR影像访问矩阵，分别统计每一使用用户对所有候选AR影像的访问次数，以及所有候选AR影像的总访问量；
使用每一使用用户对所有候选AR影像的访问次数和所有候选AR影像的总访问量，根据访问频率计算公式：
计算每一使用用户对所有候选AR影像的访问频率，其中，
使用所有使用用户中每一使用用户对所有候选AR影像的访问频率，构建所有使用用户的全局偏好矩阵。
优选的，上述AR影像推荐方法中，根据选择偏好矩阵和全局偏好矩阵，计算使用用户的综合兴趣偏好矩阵的步骤，包括：
针对所有使用用户中的任一使用用户，计算任一使用用户对所有候选AR影像的评分；
使用选择偏好矩阵，获取任一使用用户对所有候选AR影像的访问频率；
使用任一使用用户对所有候选AR影像的访问频率和任一使用用户对所有候选AR影像的评分，计算任一使用用户的局部偏好度；
使用全局偏好矩阵，确定任一使用用户对所有候选AR影像的访问频率；
使用任一使用用户的局部偏好度和任一使用用户对所有候选AR影像的访问频率，根据综合兴趣偏好计算公式：
I＝FR·G
计算任一使用用户的综合兴趣偏好，其中，I表示任一使用用户的综合兴趣偏好，FR表示局部偏好度，G表示任一使用用户对所有候选AR影像的访问频率，
使用所有使用用户的综合兴趣偏好，构建所有使用用户的综合兴趣偏好矩阵。
优选的，上述AR影像推荐方法中，使用综合兴趣偏好矩阵，定义不同使用用户之间的兴趣偏好相似度的步骤，包括：
从使用用户的综合兴趣偏好矩阵中，选取所有使用用户中任意两个使用用户的综合兴趣偏好；
使用任意两个使用用户的综合兴趣偏好，确定任意两个使用用户对综合兴趣偏好对应的AR影像的评分；
使用任意两个使用用户对综合兴趣偏好对应的AR影像的评分，根据兴趣偏好相似度计算公式：
计算任意两个使用用户之间的兴趣偏好相似度，其中，
优选的，上述AR影像推荐方法中，根据不同使用用户的属性信息，计算不同使用用户之间的属性相似度的步骤，包括：
使用不同使用用户的属性信息，计算不同使用用户之间的多个属性相似度；
根据多个属性相似度中不同属性的最佳参数，组合得到综合属性相似度；
使用不同使用用户之间的兴趣偏好相似度和综合属性相似度，根据组合相似度计算公式，计算不同使用用户之间的组合相似度。
优选的，上述AR影像推荐方法中，根据不同使用用户之间的兴趣偏好相似度和属性相似度，推荐AR影像的步骤，包括：
使用组合相似度计算公式，计算综合兴趣偏好矩阵中所有使用用户中与被推荐用户的组合相似度；
选取综合兴趣偏好矩阵中，组合相似度最高的的前预定数量的使用用户；
使用组合相似度最高的前预定数量的使用用户的综合兴趣偏好，确定前预定数量的使用用户的感兴趣AR影像；
使用前预定数量的使用用户的感兴趣AR影像，向被推荐用户推荐AR影像。
根据本申请的第二方面，本申请还提供了一种基于协同过滤算法的AR文旅的AR影像推荐系统，包括：
用户-AR影像访问矩阵构建模块，用于获取AR文旅的所有使用用户和所有候选AR影像，根据所有使用用户中每一使用用户对候选AR影像的访问次数，构建用户-AR影像访问矩阵；
偏好矩阵构建模块，用于根据用户-AR影像访问矩阵，分别构建使用用户的选择偏好矩阵和全局偏好矩阵；
综合兴趣偏好矩阵计算模块，用于根据选择偏好矩阵和全局偏好矩阵，计算使用用户的综合兴趣偏好矩阵；
兴趣偏好相似度定义模块，用于使用综合兴趣偏好矩阵，定义不同使用用户之间的兴趣偏好相似度；
属性相似度计算模块，用于根据不同使用用户的属性信息，计算不同使用用户之间的属性相似度；
AR影像推荐模块，用于根据不同使用用户之间的兴趣偏好相似度和属性相似度，推荐AR影像。
优选的，上述AR文旅的AR影像推荐系统中，用户-AR影像访问矩阵构建模块，具体用于获取AR文旅的使用用户集和候选AR影像集，其中，使用用户集包括所有使用用户，候选AR影像集包括所有候选AR影像；分别统计使用用户集中每一使用用户、对候选AR影像集中每一候选AR影像的访问次数；使用使用用户集中所有使用用户、对每一候选AR影像的访问次数，构建用户-AR影像访问矩阵。
优选的，上述AR文旅的AR影像推荐系统中，偏好矩阵构建模块，具体用于针对所有使用用户中每一使用用户，从所有候选AR影像中查找选定AR影像；使用用户-AR影像访问矩阵，分别统计每一使用用户对选定AR影像的访问次数，统计每一使用用户对所有候选AR影像的访问总次数；使用每一使用用户对选定AR影像的访问次数以及每一使用用户对所有候选AR影像的访问总次数，计算每一用户对选定AR影像的访问频率；使用所有使用用户的访问频率，构建选择偏好矩阵。
优选的，上述上述AR影像推荐系统中，偏好矩阵构建模块，具体还用于使用用户-AR影像访问矩阵，分别统计每一使用用户对所有候选AR影像的访问次数，以及所有候选AR影像的总访问量；
使用每一使用用户对所有候选AR影像的访问次数和所有候选AR影像的总访问量，根据访问频率计算公式：
计算每一使用用户对所有候选AR影像的访问频率，其中，
使用所有使用用户中每一使用用户对所有候选AR影像的访问频率，构建所有使用用户的全局偏好矩阵。
优选的，上述AR影像推荐系统中，综合兴趣偏好矩阵计算模块，具体用于针对所有使用用户中的任一使用用户，计算任一使用用户对所有候选AR影像的评分；
使用选择偏好矩阵，获取任一使用用户对所有候选AR影像的访问频率；
使用任一使用用户对所有候选AR影像的访问频率和任一使用用户对所有候选AR影像的评分，计算任一使用用户的局部偏好度；
使用全局偏好矩阵，确定任一使用用户对所有候选AR影像的访问频率；
使用任一使用用户的局部偏好度和任一使用用户对所有候选AR影像的访问频率，根据综合兴趣偏好计算公式：
I＝FR·G
计算任一使用用户的综合兴趣偏好，其中，I表示任一使用用户的综合兴趣偏好，FR表示局部偏好度，G表示任一使用用户对所有候选AR影像的访问频率，
使用所有使用用户的综合兴趣偏好，构建所有使用用户的综合兴趣偏好矩阵。
优选的，上述AR影像推荐系统中，兴趣偏好相似度定义模块，具体用于从使用用户的综合兴趣偏好矩阵中，选取所有使用用户中任意两个使用用户的综合兴趣偏好；
使用任意两个使用用户的综合兴趣偏好，确定任意两个使用用户对综合兴趣偏好对应的AR影像的评分；
使用任意两个使用用户对综合兴趣偏好对应的AR影像的评分，根据兴趣偏好相似度计算公式：
计算任意两个使用用户之间的兴趣偏好相似度，其中，
优选的，上述AR影像推荐系统中，属性相似度计算模块，具体用于使用不同使用用户的属性信息，计算不同使用用户之间的多个属性相似度；根据多个属性相似度中不同属性的最佳参数，组合得到综合属性相似度；使用不同使用用户之间的兴趣偏好相似度和综合属性相似度，根据组合相似度计算公式，计算不同使用用户之间的组合相似度。
优选的，上述AR影像推荐系统中，AR影像推荐模块，具体用于使用组合相似度计算公式，计算综合兴趣偏好矩阵中所有使用用户中与被推荐用户的组合相似度；选取综合兴趣偏好矩阵中，组合相似度最高的的前预定数量的使用用户；使用组合相似度最高的前预定数量的使用用户的综合兴趣偏好，确定前预定数量的使用用户的感兴趣AR影像；使用前预定数量的使用用户的感兴趣AR影像，向被推荐用户推荐AR影像。
根据本申请的第三方面，本申请还提供了一种基于协同过滤算法的AR文旅的AR影像推荐系统，包括：
存储器、处理器及存储在存储器上并在处理器上运行的AR文旅的AR影像推荐程序，AR文旅的AR影像推荐程序被处理器执行时实现如上述任一项技术方案提供的AR文旅的AR影像推荐方法的步骤。
综上，本申请上述技术方案提供的基于协同过滤算法的AR文旅的AR影像推荐方案，通过获取AR文旅的所有使用用户行业所有候选AR影像，使用协同过滤算法，根据该所有使用用户中每一使用用户对候选AR影像的访问次数，构建得到用户-AR影像访问矩阵，就能够得知具体的使用用户对任一AR影像的访问量，进而根据该用户-AR影像访问矩阵构建使用用户的选择偏好矩阵，该选择偏好矩阵能够表示使用用户对哪些或哪类的AR影像感兴趣，进而确定使用用户的综合偏好矩阵；使用该综合偏好矩阵能够所有使用用户对所有候选AR影像的综合偏好情况，从而定义不同使用用户之间的兴趣偏好相似度，再使用该兴趣偏好相似度结合不同使用用户的属性信息(例如性别或年龄等)，能够针对性地推荐用户真正感兴趣且适合用户的AR影像，从而提高用户的AR文旅体验，为AR文旅的游客提供更加丰富，更具个性化的虚拟旅行体验，提高使用用户的满意度。综上，本申请提供的技术方案，能够解决现有技术中用户手动搜索AR体验内容，难以找到与他们兴趣偏好和需求匹配的AR影像，会导致用户的搜索效率低下、使用的AR信息过载以及体验质量下降的问题。
附图说明
为了更清楚地说明本申请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申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图示出的结构获得其他的附图。
图1是本申请实施例提供的一种基于协同过滤算法的AR文旅的AR影像推荐方法的流程示意图；
图2是图1所示实施例提供的一种用户-AR影像访问矩阵的构建方法的流程示意图；
图3是图1所示实施例提供的一种选择偏好矩阵的构建方法的流程示意图；
图4是图1所示实施例提供的一种全局偏好矩阵的构建方法的流程示意图；
图5是图1所示实施例提供的一种综合兴趣偏好矩阵的计算方法的流程示意图；
图6是图1所示实施例提供的一种兴趣偏好相似度的定义方法的流程示意图；
图7是图1所示实施例提供的一种属性相似度的计算方法的流程示意图；
图8是图1所示实施例提供的一种AR影像的推荐方法的流程示意图；
图9是图8所示实施例提供的一种根据感兴趣AR影像向用户推荐AR影像的方法的流程示意图；
图10是本申请实施例提供的一种基于AR文旅的AR物体/场景/特效推荐系统的结构示意图；
图11是本申请实施例提供的第一种基于协同过滤算法的AR文旅的AR影像推荐系统的结构示意图；
图12是本申请实施例提供的第二种基于协同过滤算法的AR文旅的AR影像推荐系统的结构示意图。
本申请目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
现有技术的技术方案存在如下技术问题：
现有的AR应用尽管提供了大量的AR体验内容，但是用户通常需要手动进行搜索，以找到与他们的兴趣偏好和需求相匹配的AR影像(物体、场景和/或特效)。这可能会导致用户的搜索效率低下、使用的AR信息过载以及体验质量下降。
为了解决现有技术中的问题，本申请下述实施例提供了一种基于协同过滤算法的AR文旅的AR影像推荐方案，旨在解决上述问题。该方法能够根据用户对的兴趣偏好和对AR影像(包括AR物体/场景/特效)的评分以及用户的性别和年龄进行AR物体/场景/特效推荐，以智能的方式推荐AR物体/场景/特效。
为达到上述目的，参见图1，图1为本申请实施例提供的一种基于协同过滤算法的AR文旅的AR影像推荐方法的流程示意图。如图1所示，该一种基于协同过滤算法的AR文旅的AR影像推荐方法，包括：
S110：获取AR文旅的所有使用用户和所有候选AR影像，根据所有使用用户中每一使用用户对候选AR影像的访问次数，构建用户-AR影像访问矩阵。本申请实施例首先基于协同过滤算法进行数据的预处理，对上述AR文旅所对应的所有使用用户和所有候选AR影像，根据每一使用用户对候选AR影像的访问次数，构建得到用户-AR影像访问矩阵。具体地，该用户-AR影像访问矩阵由每个用户访问的AR影像的次数组成，这里的AR影像包括AR物体、场景和特效等。
具体地，作为一种优选的实施例，如图2所示，上述步骤S110：根据所有使用用户中每一使用用户对候选AR影像的访问次数，构建用户-AR影像访问矩阵的步骤，包括：
S111：获取AR文旅的使用用户集和候选AR影像集，其中，使用用户集包括所有使用用户，候选AR影像集包括所有候选AR影像。设AR文旅的使用用户集U＝{u
S112：分别统计使用用户集中每一使用用户、对候选AR影像集中每一候选AR影像的访问次数。这里的访问次数能够由大数据统计得到，其中，设
S113：使用使用用户集中所有使用用户、对每一候选AR影像的访问次数，构建用户-AR影像访问矩阵。
通过上述所有使用用户对每一候选AR影像的访问次数0至
其中，
图1所示实施例提供的基于协同过滤算法的AR文旅的AR影像推荐方法，在构建用户-AR影像访问矩阵后，还包括以下步骤：
S120：根据用户-AR影像访问矩阵，分别构建使用用户的选择偏好矩阵和全局偏好矩阵。该选择偏好矩阵即用户局部偏好矩阵，如上述用户-AR影像访问矩阵，是由每个使用用户对AR影像的访问频率构建得到的。使用该矩阵，就能够确定AR文旅的每个使用用户对候选AR影像集中每一AR影像的访问频率，进而确定用户对每一AR影像的选择偏好，这里的选择偏好包括局部偏好和全局偏好。
具体地，作为一种优选的实施例，如图3所示，该步骤S120：根据用户-AR影像访问矩阵，分别构建使用用户的选择偏好矩阵和全局偏好矩阵的步骤，包括：
S121：针对所有使用用户中每一使用用户，从所有候选AR影像中查找选定AR影像。这里通过查找选定AR影像，就能够结合上述用户-AR影像访问矩阵，计算该使用用户对选定AR影像的访问次数。
S122：使用用户-AR影像访问矩阵，分别统计每一使用用户对选定AR影像的访问次数，统计每一使用用户对所有候选AR影像的访问总次数。
因为上述用户-AR影像访问矩阵包括每一使用用户对候选AR影像集中每一AR影像的访问频率；这样在选取选定AR影像后，使用上述用户-AR影像访问矩阵就能够确定每一使用用户对选定AR影像的访问次数，进而计算该使用用户对该选定AR影像的访问频率。
S123：使用每一使用用户对选定AR影像的访问次数以及每一使用用户对所有候选AR影像的访问总次数，计算每一使用用户对选定AR影像的访问频率。
通常情况下，使用用户在使用AR文旅系统的过程中，会存在多次选择某一个AR影像(包括AR物体/场景/特效等)，记为用户访问频率。用户访问频率的计算能够通过使用用户对AR影像(包括AR物体/场景/特效)的访问次数与用户对AR物体/场景/特效的总访问量的比值进行计算，具体表示为：
其中，
S124：使用所有使用用户的访问频率，构建选择偏好矩阵。
分别统计使用用户对上述候选AR影像集中每一AR影像的访问频率，就能够使用上述每一AR影像的访问频率，构建该使用用户的选择偏好矩阵，即用户局部偏好矩阵。
另外，本申请实施例还能够使用用户-AR影像访问矩阵，构建全局偏好矩阵。具体如图4所示，上述步骤S120：根据用户-AR影像访问矩阵，分别构建使用用户的选择偏好矩阵和全局偏好矩阵的步骤包括：
S125：使用用户-AR影像访问矩阵，分别统计每一使用用户对所有候选AR影像的访问次数，以及所有候选AR影像的总访问量。通过统计每一使用用户对所有候选AR影像的访问次数和所有候选AR影像的总访问量，就能够使用上述访问次数和总访问量，计算得到每一使用用户多所有候选AR影像的访问频率。
S126：使用每一使用用户对所有候选AR影像的访问次数和所有候选AR影像的总访问量，根据访问频率计算公式：
计算每一使用用户对所有候选AR影像的访问频率，其中，
为了精准确认用户喜欢的AR物体/场景/特效，用户在使用AR文旅系统中会确认用户的全局偏好，用于确认每个AR物体/场景/特效的访问情况。
S127：使用所有使用用户中每一使用用户对所有候选AR影像的访问频率，构建所有使用用户的全局偏好矩阵。
全局偏好矩阵是为了精准确认用户喜欢的AR影像(包括AR物体/场景/特效)，用户在使用AR文旅系统的过程中会确认用户的全局偏好，从而确认每个AR物体/场景/特效的访问情况。
本申请实施例提供的技术方案，通过使用每一使用用户对选定AR影像的访问次数以及每一使用用户对所有候选AR影像的访问总次数，计算每一使用用户对选定AR影像的访问频率，从而构建选择偏好矩阵；并且使用每一使用用户对所有候选AR影像的访问次数和所有候选AR影像的总访问量，根据访问频率计算公式计算每一使用用户的访问频率，再使用该访问频率构建所有使用用户的全局偏好矩阵，这样就能够了解到，AR文旅系统中每一使用用户对AR影像(包括AR物体、场景和/或特效)的访问频率情况，进而确定AR影像的感兴趣程度。
图1所示实施例提供的基于协同过滤算法的AR文旅的AR影像推荐方法，在分别构建使用用户的选择偏好矩阵和全局偏好矩阵后，还包括：
S130：根据选择偏好矩阵和全局偏好矩阵，计算使用用户的综合兴趣偏好矩阵。考虑到使用用户的局部兴趣和全局兴趣，就能够得到用户的综合兴趣偏好矩阵，该综合兴趣偏好矩阵，能够确定使用用户对AR影像的偏好程度。
具体地，作为一种优选的实施例，如图5所示，上述步骤S130：根据选择偏好矩阵和全局偏好矩阵，计算使用用户的综合兴趣偏好矩阵，具体包括：
S131：针对所有使用用户中的任一使用用户，计算任一使用用户对所有候选AR影像的评分。具体地，使用用户对AR物体/场景/特效进行评价并打分，使用用户对AR物体/场景/特效的评分越高，则能确定用户对AR物体/场景/特效的偏好程度越高。
S132：使用选择偏好矩阵，获取任一使用用户对所有候选AR影像的访问频率。由上述实施例的内容可知，选择偏好矩阵是使用所有使用用户的访问频率构建得到的，因此使用上述旋转偏好矩阵就能够获得任一使用用户对所有候选AR影像的访问频率。
S133：使用任一使用用户对所有候选AR影像的访问频率和任一使用用户对所有候选AR影像的评分，计算任一使用用户的局部偏好度。
这里设任一使用用户的局部偏好度为FR，则根据任一使用用户对所有候选AR影像访问频率以及任一使用用户对所有候选AR影像的评分，计算局部偏好度的计算公式如下：
其中，/>
S134：使用全局偏好矩阵，确定任一使用用户对所有候选AR影像的访问频率。由上述实施例的内容可知，全局偏好矩阵是使用所有使用用户中每一使用用户对所有候选AR影像的访问频率构建得到的，因此使用该全局偏好矩阵就能够确定任一使用用户对所有候选AR影像的访问频率。
S135：使用任一使用用户的局部偏好度和任一使用用户对所有候选AR影像的访问频率，根据综合兴趣偏好计算公式：
计算任一使用用户的综合兴趣偏好，其中，I表示任一使用用户的综合兴趣偏好，FR表示局部偏好度，G表示任一使用用户对所有候选AR影像的访问频率，
S136：使用所有使用用户的综合兴趣偏好，构建所有使用用户的综合兴趣偏好矩阵。
本申请实施例提供的技术方案，通过计算任意使用用户对所有候选AR影像的评分，使用该任一使用用户对所有候选AR影像的评分以及对所有候选AR影像的访问频率，计算任一使用用户的局部偏好度；再使用任一使用用户的局部偏好度和任一使用用户对所有候选AR影像的访问频率，根据综合兴趣偏好计算公式计算得到任一使用用户的综合兴趣偏好，进而构建得到所有使用用户的综合兴趣偏好矩阵，这样就能够综合用户的局部兴趣和全局兴趣，确定使用用户的全局和局部AR影像的兴趣程度。
图1所示实施例提供的基于协同过滤算法的AR文旅的AR影像推荐方法，在构建得到所有使用用户的综合兴趣偏好矩阵后，还包括：
S140：使用综合兴趣偏好矩阵，定义不同使用用户之间的兴趣偏好相似度。
协同过滤算法能够通过用户间的共同评分项目计算用户之间的相似度，这里使用综合兴趣偏好矩阵，就能够定义不同使用用户之间的兴趣偏好相似度，进而根据该兴趣偏好相似度对不同使用用户进行比较以及推荐感兴趣的AR影像。
具体地，作为一种优选的实施例，如图6所示，上述AR影像推荐方法中，步骤S140：使用综合兴趣偏好矩阵，定义不同使用用户之间的兴趣偏好相似度的步骤，包括：
S141：从使用用户的综合兴趣偏好矩阵中，选取所有使用用户中任意两个使用用户的综合兴趣偏好。通过选取任意两个使用用户的兴趣偏好就能够得到两个使用用户之间的兴趣偏好相似度，进而根据兴趣偏好相似度向用户推荐AR影像。
S142：使用任意两个使用用户的综合兴趣偏好，确定任意两个使用用户对综合兴趣偏好对应的AR影像的评分。这里的评分能够使用上述任一使用用户对所有候选AR影像的评分。
S143：使用任意两个使用用户对综合兴趣偏好对应的AR影像的评分，根据兴趣偏好相似度计算公式：
计算任意两个使用用户之间的兴趣偏好相似度，其中，
本申请实施例提供的技术方案，通过选取所有使用用户中任意两个使用用户的综合兴趣偏好，然后使用该任意两个使用用户的综合兴趣偏好确定任意两个使用用户对综合兴趣偏好对应的AR影像的评分，根据该评分使用兴趣偏好相似度计算公式，就能够计算得到任意两个使用用户之间的兴趣偏好相似度。通过使用两个使用用户之一的兴趣偏好相似度，就能够向另一用户推荐感兴趣的AR影像。
图1所示实施例提供的基于协同过滤算法的AR文旅的AR影像推荐方法，在定义不同使用用户之间的兴趣偏好相似度的步骤之后，还包括：
S150：根据不同使用用户的属性信息，计算不同使用用户之间的属性相似度。通常情况下，具有相似属性信息的使用用户在许多情况下会选择相同/相似的AR物体/场景/特效。比如是相同性别或者处于相同年龄段等的用户。此时，使用属性信息计算不同使用用户之间的属性相似度，就能够进一步确定不同使用用户感兴趣的AR影像。
具体地，作为一种优选的实施例，如图7所示，上述AR影像推荐方法中，步骤S150：根据不同使用用户的属性信息，计算不同使用用户之间的属性相似度的步骤，包括：
S151：使用不同使用用户的属性信息，计算不同使用用户之间的多个属性相似度。这里的属性信息能够包括年龄和性别等因素。
具体地，以用户性别相似度为例，通常情况下，具有相同性别的用户会有相似的AR物体/场景/特效兴趣喜好。比如性别为女性的用户在选择AR物体/场景/特效时可能会更加关注AR物体/场景/特效的样式是否漂亮美观，并优先选择更漂亮的AR物体/场景/特效；而性别为男性的用户在选择AR物体/场景/特效时会关注其酷炫程度、在现实场景中映射的真实程度等。因此将用户u
/>
另外，以用户年龄相似度为例，通常情况下，处于同一年龄段的人喜好的AR物体/场景/特效具有一定的相似性。比如18岁-22岁的青年在选择AR物体/场景/特效时，会更关注AR物体/场景/特效的酷炫程度并进行优先选择。以4年为年龄段对每个年龄段的人进行划分，从而确认相同年龄段用户喜好的相似度。
其中，
S152：根据多个属性相似度中不同属性的最佳参数，组合得到综合属性相似度。
以上述用户的年龄和性别两种属性为例，组合得到综合属性相似度的计算公式如下：
其中，
S153：使用不同使用用户之间的兴趣偏好相似度和综合属性相似度，根据组合相似度计算公式，计算不同使用用户之间的组合相似度。
以上述综合年龄和性别两种属性的综合属性相似度以及用户的兴趣偏好相似度，结合下述组合相似度计算公式：
就能够计算得到不同使用用户之间的组合相似度；其中，quantity为评分数量，δ
本申请实施例提供的技术方案，通过计算不同使用用户自己的多个属性相似度组合得到综合属性相似度，然后结合不同使用用户之间的兴趣偏好相似度，就能够根据组合相似度计算公式计算得到不同使用用户之间的组合相似度，从而能够更加准确地比较不同使用用户之间对AR影像的感兴趣程度。
图1所示实施例提供的基于协同过滤算法的AR文旅的AR影像推荐方法，在计算不同使用用户之间的属性相似度的步骤之后，还包括：
S160：根据不同使用用户之间的兴趣偏好相似度和属性相似度，推荐AR影像。根据上述不同使用用户之间的兴趣偏好相似度和数相似度就能够组合得到不同使用用户之间的组合相似度，该组合相似度能够结合不同用户之间的兴趣偏好和属性信息，确定不同用户之间对AR影像的感兴趣程度，从而推荐AR影像。
具体地，作为一种优选的实施例，如图8所示，上述根据不同使用用户之间的兴趣偏好相似度和属性相似度，推荐AR影像的步骤包括：
S161：使用所述组合相似度计算公式，计算所述综合兴趣偏好矩阵中所有使用用户中与被推荐用户的组合相似度。使用用户与被推荐用户的组合相似度计算公式如上述步骤S153所示。
S162：选取所述综合兴趣偏好矩阵中，组合相似度最高的的前预定数量的使用用户。在计算得到的不同使用用户与被推荐用户的组合相似度中，选取组合相似度最高的前预定数量的使用用户，这些使用用户与被推荐用户的兴趣爱好相似，因此使用这些用户的感兴趣AR影像，就能够向被推荐用户推荐他们所感兴趣的AR影像。
S163：使用所述组合相似度最高的前预定数量的使用用户的综合兴趣偏好，确定所述前预定数量使用用户的感兴趣AR影像。
S164：使用前预定数量使用用户的感兴趣AR影像，向所述被推荐用户推荐所述AR影像。
本申请实施例提供的技术方案，因为上述组合相似度是使用用户与被推荐用户计算得到的，而且选用组合相似度最高的前预定数量的使用用户，因此组合相似度最高的前预定数量的使用用户的综合兴趣偏好，与被推荐用户的兴趣高度相似，这样使用上述组合兴趣偏好就能够确定前预定数量使用用户的感兴趣AR影像，进而向被推荐用户推荐上述AR影像。
其中，如图9所示，上述步骤S164：使用所述前预定数量的使用用户的感兴趣AR影像，向被推荐用户推荐所述AR影像的步骤，包括：
S1641：从综合兴趣偏好矩阵中，统计前预定数量使用用户的总数量，以及每一使用用户的感兴趣AR影像的总数量。
S1642：使用前预定数量使用用户的总数量和感兴趣AR影像的总数量，根据流行度惩罚因子计算公式：
计算上述使用用户的每一感兴趣AR影像的流行度惩罚因子，其中，N
S1643：使用每一感兴趣AR影像的流行度惩罚因子，分别叠加对应的感兴趣AR影像，计算所述感兴趣AR影像的推荐得分。
S1644：按照推荐得分从大到小的顺序，向上述被推荐用户推荐AR影像。
本申请实施例提供的技术方案，通过统计前预定数量的使用用户的总数量，以及每一使用用户的感兴趣AR影像的总数量，根据流行度惩罚因子计算公式计算流行度惩罚因子。该流行度惩罚因子相当于逆向的权重，流行度越高，则权重值越低，这样使用该流行度惩罚因子乘以对应的感兴趣AR影像的相似度，这样就能够依次排名确定感兴趣AR影像的推荐得分。按照推荐得分从大到小的顺序，就能够向被推荐用户推荐其感兴趣的AR影像。
综上，本申请上述实施例提供的基于协同过滤算法的AR文旅的AR影像推荐方法，通过获取AR文旅的所有使用用户行业所有候选AR影像，使用协同过滤算法，根据该所有使用用户中每一使用用户对候选AR影像的访问次数，构建得到用户-AR影像访问矩阵，就能够得知具体的使用用户对任一AR影像的访问量，进而根据该用户-AR影像访问矩阵构建使用用户的选择偏好矩阵，该选择偏好矩阵能够表示使用用户对哪些或哪类的AR影像感兴趣，进而确定使用用户的综合偏好矩阵；使用该综合偏好矩阵能够所有使用用户对所有候选AR影像的综合偏好情况，从而定义不同使用用户之间的兴趣偏好相似度，再使用该兴趣偏好相似度结合不同使用用户的属性信息(例如性别或年龄等)，能够针对性地推荐用户真正感兴趣且适合用户的AR影像，从而提高用户的AR文旅体验，为AR文旅的游客提供更加丰富，更具个性化的虚拟旅行体验，提高使用用户的满意度。综上，本申请提供的技术方案，能够解决现有技术中用户手动搜索AR体验内容，难以找到与他们兴趣偏好和需求匹配的AR影像，会导致用户的搜索效率低下、使用的AR信息过载以及体验质量下降的问题。
另外，基于上述方法实施例的同一构思，本申请实施例还提供了基于协同过滤算法的AR文旅的AR影像推荐系统，用于实现本申请的上述方法，由于该系统实施例解决问题的原理与方法相似，因此至少具有上述实施例的技术方案所带来的所有有益效果，在此不再一一赘述。
另外，作为一种优选的实施例，结合图10所示的基于AR文旅的AR物体/场景/特效推荐系统的框架可知：
基于AR文旅的AR物体/场景/特效推荐系统，包括注册登录模块100、云端储存模块200、推荐算法模块300、AR物体/场景/特效等待模块400和AR物体/场景/特效推荐模块500。
注册登录模块100：用户注册和登录AR文旅系统的模块。
云端储存模块200：主要功能室储存用户数据、储存AR物体/场景/特效以及用户使用日志。用户使用日志会记录用户对AR文旅系统所推荐的AR物体/场景/特效行为进行反馈，如评分、点赞、收藏和浏览时长等，更有利于之后的内容推荐。
推荐算法模块300：主要用户构建推荐算法模型。
AR物体/场景/特效等待模块400：主要作用是放置候选的AR物体/场景/特效。
AR物体/场景/特效推荐模块500：主要作用是根据模型预测出用户对AR物体/场景/特效候中全部物品的喜好程度。
通过上述基于AR文旅的AR物体/场景/特效推荐系统，用户u
参见图11，图11为本申请实施例提供的一种基于协同过滤算法的AR文旅的AR影像推荐系统的结构示意图，如图11所示，该AR影像推荐系统包括：
用户-AR影像访问矩阵构建模块110，用于获取AR文旅的所有使用用户和所有候选AR影像，根据所有使用用户中每一使用用户对候选AR影像的访问次数，构建用户-AR影像访问矩阵；
偏好矩阵构建模块120，用于根据用户-AR影像访问矩阵，分别构建使用用户的选择偏好矩阵和全局偏好矩阵；
综合兴趣偏好矩阵计算模块130，用于根据选择偏好矩阵和全局偏好矩阵，计算使用用户的综合兴趣偏好矩阵；
兴趣偏好相似度定义模块140，用于使用综合兴趣偏好矩阵，定义不同使用用户之间的兴趣偏好相似度；
属性相似度计算模块150，用于根据不同使用用户的属性信息，计算不同使用用户之间的属性相似度；
AR影像推荐模块160，用于根据不同使用用户之间的兴趣偏好相似度和属性相似度，推荐AR影像。
综上，本申请上述实施例提供的基于协同过滤算法的AR文旅的AR影像推荐系统，通过用户-AR影像访问矩阵构建模块110获取AR文旅的所有使用用户行业所有候选AR影像；使用协同过滤算法，根据该所有使用用户中每一使用用户对候选AR影像的访问次数，构建得到用户-AR影像访问矩阵，就能够得知具体的使用用户对任一AR影像的访问量，进而偏好矩阵构建模块120根据该用户-AR影像访问矩阵构建使用用户的选择偏好矩阵，该选择偏好矩阵能够表示使用用户对哪些或哪类的AR影像感兴趣，进而综合兴趣偏好矩阵计算模块130使用该选择偏好矩阵确定使用用户的综合偏好矩阵；使用该综合偏好矩阵能够所有使用用户对所有候选AR影像的综合偏好情况，从而兴趣偏好相似度定义模块140能够使用该综合兴趣偏好矩阵定义不同使用用户之间的兴趣偏好相似度，再使用该兴趣偏好相似度结合属性相似度计算模块150根据不同使用用户的属性信息(例如性别或年龄等)计算的不同使用用户之间的属性相似度，AR影像推荐模块160能够针对性地推荐用户真正感兴趣且适合用户的AR影像，从而提高用户的AR文旅体验，为AR文旅的游客提供更加丰富，更具个性化的虚拟旅行体验，提高使用用户的满意度。综上，本申请提供的技术方案，能够解决现有技术中用户手动搜索AR体验内容，难以找到与他们兴趣偏好和需求匹配的AR影像，会导致用户的搜索效率低下、使用的AR信息过载以及体验质量下降的问题。
参见图12，图2为本申请实施例提供的一种基于协同过滤算法的AR文旅的AR影像推荐系统的结构示意图。如图12所示，该AR影像推荐系统包括：
处理器1001、通信总线1002.、通信模块1003、存储器1004及存储在存储器1004上并在处理器1001上运行的AR文旅的AR影像推荐程序，AR文旅的AR影像推荐程序被处理器执行时实现如上述任一项实施例提供的AR文旅的AR影像推荐方法的步骤。
综上，本申请上述实施例提供的基于协同过滤算法的AR文旅的AR影像推荐方案，能够利用协同过滤算法为用户推荐AR物体/场景/特效，协同过滤算法通过收集用户对AR物体/场景/特效的使用次数，确定用户对AR物体/场景/特效的兴趣偏好，并根据用户的性别和年龄进行AR物体/场景/特效推荐，从而提高AR文旅体验，为游客提供更加丰富、更具个性化的虚拟旅行体验。这一技术有望推动旅游业的发展，提高用户满意度。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM和光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
应当注意的是，在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的部件或步骤。位于部件之前的单词“一”或“一个”不排除存在多个这样的部件。本申请可以借助于包括有若干不同部件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
尽管已描述了本申请的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。