虚拟对象处理方法及装置

技术领域

本文件涉及虚拟化技术领域，尤其涉及一种虚拟对象处理方法及装置。

背景技术

虚拟世界提供了对真实世界的模拟，甚至能够提供在真实世界难以实现的场景，因此虚拟世界越来越多地应用在各种场景。在虚拟世界场景中，用户通过特定的身份ID登录三维虚拟世界，传输或构建大量的虚拟对象，而对虚拟世界中的大量虚拟对象进行存储需要占用较大的空间容量，充足的空间容量是支撑虚拟世界运行的重要因素。

发明内容

本说明书一个或多个实施例提供了一种虚拟对象处理方法。所述虚拟对象处理方法，包括：根据虚拟世界中虚拟对象的对象数据对所述虚拟对象进行转换处理，获得所述虚拟对象的对象转换数据。将所述对象转换数据输入显著性预测模型进行显著性预测，获得所述虚拟对象的显著性数据。基于所述显著性数据与所述虚拟世界中所述虚拟对象的关联对象的关联显著性数据，计算所述虚拟对象与所述关联对象的相似度。确定相似度高于预设阈值的至少一个关联对象，并将所述虚拟对象与所述至少一个关联对象进行合并存储。

本说明书一个或多个实施例提供了一种虚拟对象处理装置，包括：转换处理模块，被配置为根据虚拟世界中虚拟对象的对象数据对所述虚拟对象进行转换处理，获得所述虚拟对象的对象转换数据。显著性预测模块，被配置为将所述对象转换数据输入显著性预测模型进行显著性预测，获得所述虚拟对象的显著性数据。相似度计算模块，被配置为基于所述显著性数据与所述虚拟世界中所述虚拟对象的关联对象的关联显著性数据，计算所述虚拟对象与所述关联对象的相似度。合并存储模块，被配置为确定相似度高于预设阈值的至少一个关联对象，并将所述虚拟对象与所述至少一个关联对象进行合并存储。

本说明书一个或多个实施例提供了一种虚拟对象处理设备，包括：处理器；以及，被配置为存储计算机可执行指令的存储器，所述计算机可执行指令在被执行时使所述处理器：根据虚拟世界中虚拟对象的对象数据对所述虚拟对象进行转换处理，获得所述虚拟对象的对象转换数据。将所述对象转换数据输入显著性预测模型进行显著性预测，获得所述虚拟对象的显著性数据。基于所述显著性数据与所述虚拟世界中所述虚拟对象的关联对象的关联显著性数据，计算所述虚拟对象与所述关联对象的相似度。确定相似度高于预设阈值的至少一个关联对象，并将所述虚拟对象与所述至少一个关联对象进行合并存储。

本说明书一个或多个实施例提供了一种存储介质，用于存储计算机可执行指令，所述计算机可执行指令在被处理器执行时实现以下流程：根据虚拟世界中虚拟对象的对象数据对所述虚拟对象进行转换处理，获得所述虚拟对象的对象转换数据。将所述对象转换数据输入显著性预测模型进行显著性预测，获得所述虚拟对象的显著性数据。基于所述显著性数据与所述虚拟世界中所述虚拟对象的关联对象的关联显著性数据，计算所述虚拟对象与所述关联对象的相似度。确定相似度高于预设阈值的至少一个关联对象，并将所述虚拟对象与所述至少一个关联对象进行合并存储。

附图说明

为了更清楚地说明本说明书一个或多个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说明书中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图；

图1为本说明书一个或多个实施例提供的一种虚拟对象处理方法处理流程图；

图2为本说明书一个或多个实施例提供的应用于虚拟设备场景的虚拟对象处理方法处理流程图；

图3为本说明书一个或多个实施例提供的一种虚拟对象处理装置示意图；

图4为本说明书一个或多个实施例提供的一种虚拟对象处理设备的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本说明书一个或多个实施例中的技术方案，下面将结合本说明书一个或多个实施例中的附图，对本说明书一个或多个实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本说明书的一部分实施例，而不是全部的实施例。基于本说明书一个或多个实施例，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他实施例，都应当属于本文件的保护范围。

本说明书提供的一种虚拟对象处理方法实施例：

本实施例提供的虚拟对象处理方法，在对虚拟世界中虚拟对象进行存储的过程中，首先通过将虚拟对象的对象数据进行转换，对虚拟对象的对象数据标准化，然后对对象数据进行显著性预测，来确定能够体现虚拟对象的显著性的显著性数据，并获取虚拟对象的关联对象的显著性数据，计算虚拟对象的显著性数据与虚拟对象的关联对象的显著性数据之间的相似度作为虚拟对象和虚拟对象的关联对象之间的相似度，从而将虚拟对象的对象数据和与虚拟对象相似度较高的关联对象的关联对象数据进行合并存储，以此来节省存储虚拟对象的存储器的存储空间，将相似度较高的对象数据和虚拟对象的关联对象的关联对象数据进行合并，能够确保合并的对象数据和关联对象数据的有效性，同时，对对象数据进行标准化，并在对象数据标准化的基础上确定虚拟对象的显著性数据，能够降低对象数据合并过程中的计算量。

参照图1，本实施例提供的虚拟对象处理方法，具体包括步骤S102至步骤S108。

步骤S102，根据虚拟世界中虚拟对象的对象数据对所述虚拟对象进行转换处理，获得所述虚拟对象的对象转换数据。

本实施例所述虚拟世界，是指基于去中心化协作实现并且具有开放经济系统的虚拟的拟真世界，可选的，所述虚拟世界中通过生成非同质化标识进行去中心化的交易，通过交易占有虚拟资产的所有权。具体的，真实世界中的用户可通过接入虚拟设备接入虚拟世界，以在虚拟世界中进行去中心化的交易和其他行为，比如用户通过接入虚拟设备进行游戏交互的游戏虚拟世界，再比如用户通过接入虚拟设备进行在线会议的会议虚拟世界，或者用户通过接入虚拟设备进行在线交易的交易虚拟世界；所述虚拟世界的接入虚拟设备，可以是连接虚拟世界的VR(Virtual Reality，虚拟现实)虚拟设备、AR(AugmentedReality，增强现实)虚拟设备等，比如连接虚拟世界的头戴式VR虚拟设备。

所述虚拟对象，是指虚拟世界中的组成元素，或者由一个或多个组成元素组成的合成单元。所述虚拟对象包括下述至少一项：虚拟世界中的虚拟组件，虚拟组件组成的虚拟部件，虚拟素材。例如，虚拟世界中的虚拟部件。

具体实施时，根据虚拟世界中虚拟对象的对象数据对所述虚拟对象进行转换处理，获得所述虚拟对象的对象转化数据，对虚拟对象的对象数据标准化，提升虚拟对象转换的有效性。

具体的，在转换虚拟对象的对象数据的过程中，为了提升对象数据的转换效率，本实施例提供的一种可选实施方式中，对于根据虚拟世界中虚拟对象的对象数据对所述虚拟对象进行转换处理，获得所述虚拟对象的对象转换数据，包括：将所述对象数据输入数据转换模型进行数据转换处理，获得所述对象转换数据。

可选的，所述数据转换模型包括虚拟特征提取器和数据编码器。虚拟特征提取器用于对所述虚拟对象的对象数据进行虚拟特征的提取，数据编码器用于对虚拟对象进行特征提取后的数据进行数据编码，实现对虚拟对象的对象数据的标准化。

在此基础上，在对所述对象数据进行数据转换时，为了确保所述虚拟对象的对象数据转换后得到的对象转换数据的有效性，本实施例提供的一种可选实施方式中，对于将所述对象数据输入数据转换模型进行数据转换处理，获得所述对象转换数据，包括：

将所述对象数据输入所述虚拟特征提取器进行虚拟特征提取，获得所述虚拟对象在至少一个维度的虚拟特征数据；

将所述至少一个维度的虚拟特征数据输入所述数据编码器进行数据编码，获得所述对象转换数据。

具体的，上述虚拟特征提取器在对所述虚拟对象进行特征提取的过程中，通过对所述虚拟对象的对象数据进行体征提取，得到至少一个维度的虚拟特征数据，在至少一个维度的虚拟特征数据的基础上，对所述虚拟对象的至少一个维度的虚拟特征数据进行编码，得到所述虚拟对象的至少一个维度的虚拟特征数据标准化后的虚拟对象的对象转换数据。

其中，维度可以是虚拟对象的纹理维度和形状维度，也可以是虚拟对象的颜色维度，还可以是其他维度，比如虚拟对象的重量维度和体积维度。

例如，以虚拟世界中的虚拟设备为例，将虚拟世界中的虚拟设备的虚拟部件作为虚拟对象，对虚拟部件的部件数据，将部件数据输入数据转换模型中，经过虚拟特征提取器提取虚拟部件的至少一个维度的虚拟特征数据，可以提取虚拟部件在形状维度的形状虚拟特征数据，还可以提取虚拟部件在颜色维度的颜色虚拟特征数据，再将虚拟部件在形状维度的虚拟特征数据经过数据编码器进行编码，得到虚拟部件在形状维度的虚拟特征数据的编码数据，也即是虚拟部件在形状维度的虚拟部件转换数据。

实际应用中，数据转换模型训练可以预先完成，比如在云服务器上进行数据转换模型的训练，为了提升模型训练效率，同时也为使数据转换模型进行的数据转换的准确率更高，本实施例提供的一种可选实施方式中，采用如下方式进行数据转换模型的训练，也即采用如下方式进行虚拟特征提取器和数据编码器的训练：

将对象数据样本输入待训练的虚拟特征提取器进行虚拟特征提取，获得至少一个维度的样本虚拟特征数据；

将所述至少一个维度的样本虚拟特征数据输入待训练的数据编码器进行数据编码，获得样本转换数据；

将所述对象数据样本和所述样本转换数据输入待训练的结构预测模块进行结构预测，获得所述对象数据样本对应的第一关键点数据和所述样本转换数据的第二关键点数据；

基于所述第一关键点数据、所述第二关键点数据、所述样本转换数据和所述对象数据样本的标注数据计算训练损失；

根据所述训练损失对所述待训练的虚拟特征提取器、所述待训练的数据编码器和所述待训练的结构预测模块进行参数调节。

其中，所述对象数据样本的标注数据，是指预先对对象数据样本进行标注的对象转换数据。

在对所述数据转换模型进行训练的过程中，通过对象数据样本、对象数据样本的标注数据、第一关键点数据和第二关键点数据，对数据转换模型进行至少一次的训练过程得到数据转换模型，提升了数据转换模型的性能和虚拟对象的数据转换的有效性。

进一步，本实施例提供的一种可选实施方式中，针对所述基于所述第一关键点数据、所述第二关键点数据、所述样本转换数据和所述对象数据样本的标注数据计算训练损失，包括：

基于所述第一关键点数据和所述第二关键点数据计算关键点损失，以及，基于所述样本转换数据和所述对象数据样本计算对象转换损失；

根据所述关键点损失和所述对象转换损失计算所述训练损失。

例如，采用多层网络架构构建待训练的数据转换模型，并将预先确定的对象数据样本和样本转换数据输入待训练的数据转换模型，根据数据转换模型在训练过程中产生的转换损失和结构关键点损失对数据转换模型进行参数调整，直至待训练的数据转换模型收敛后获得数据转换网络。

步骤S104，将所述对象转换数据输入显著性预测模型进行显著性预测，获得所述虚拟对象的显著性数据。

上述步骤中，已经对虚拟世界中所有的虚拟对象进行了数据转换，得到虚拟对象对应的对象转换数据，为了降低相似度计算时计算资源的消耗，本步骤中，可将虚拟对象对应的对象转换数据输入显著性预测模型中进行显著性预测，获得虚拟对象的显著性数据。其中，所述显著性预测模型可采用3D-CNN(3D卷积神经网络)架构。

实际应用中，所述显著性预测模型的训练可以预先完成，比如在云服务器上进行显著性预测模型的模型训练，可以通过在模型训练的过程中构建损失函数，通过构建的损失函数对显著性预测模型进行训练。

具体的，可采用如下方式进行显著性预测模型的训练：

将对象转换数据样本输入待训练的显著性预测模型进行显著性预测，获得显著性预测数据；

根据所述显著性预测数据和所述对象转换数据样本的样本标签计算训练损失，并根据所述训练损失对所述待训练的显著性预测模型进行参数更新。

参见上述基于对象转换数据样本对待训练模型进行模型训练的训练过程，重复上述训练过程进行模型训练，并在模型训练的过程中对待训练模型进行调参，直至损失函数收敛，在损失函数收敛后即完成模型训练，获得显著性预测模型。

例如，根据对象转换数据样本对待训练的显著性预测模型进行有监督训练，基于损失函数计算待训练的显著性预测模型输出的对对象转换数据样本进行显著性预测获得的显著性预测数据与对象转换数据样本对应的样本标签的欧氏距离作为待训练的显著性预测模型的训练损失，并基于训练损失对待训练的显著性预测模型进行参数更新，重复上述训练过程，以损失函数的约束对待训练的显著性预测模型进行训练，直至待训练的显著性预测模型收敛后，获得显著性预测模型。

步骤S106，基于所述显著性数据与所述虚拟世界中所述虚拟对象的关联对象的关联显著性数据，计算所述虚拟对象与所述关联对象的相似度。

本实施例所述关联对象，是指与所述虚拟对象存在关联性的虚拟对象；所述关联显著性数据，是指虚拟对象的关联对象的显著性数据。

在实施过程中，为了提高合并存储的虚拟对象和所述虚拟对象的关联对象的有效性，可通过虚拟对象的显著性数据和虚拟世界中虚拟对象的关联对象的关联显著性数据，计算虚拟对象和关联对象的相似度，具体的，获取所述虚拟对象的显著性数据，再获得所述虚拟对象在虚拟世界中的关联对象的关联显著性数据，通过对所述虚拟对象的显著性数据和所述虚拟对象的关联对象的关联显著性数据进行分析计算，获得所述虚拟对象和所述虚拟对象的关联对象之间的相似度。

其中，对于上述提供的所述虚拟对象与所述关联对象的相似度的计算过程中，针对所述关联对象，本实施例提供的一种可选实施方式中，所述关联对象，采用如下方式确定：

确定所述虚拟对象的对象类型；

在所述虚拟世界中的对象集合中筛选所述对象类型的虚拟对象作为所述关联对象。

具体执行过程中，所述虚拟对象的对象类型可以包含所有虚拟对象的对象类型，所述关联对象可以是除所述虚拟对象外的所有虚拟对象，将除该虚拟对象外的其他虚拟对象称为关联对象，也可以对所述虚拟对象的对象类型进行人工标注，所述对象集合为包含虚拟世界中的所有虚拟对象的集合，对于每个对象类型中的虚拟对象，筛选出除该对象类型中任一虚拟对象的其他虚拟对象，将筛选出来的其他虚拟对象作为该虚拟对象的关联对象。

如上所述，在针对基于所述显著性数据与所述虚拟世界中所述虚拟对象的关联对象的关联显著性数据，计算所述虚拟对象与所述关联对象的相似度的基础上，本实施例提供的一种可选的实施方式中，所述关联显著性数据，采用如下方式确定：

将所述关联对象的对象数据输入数据转换模型进行数据转换，获得关联对象转换数据；

将所述关联对象转换数据输入所述显著性预测模型进行显著性预测，获得所述关联对象的关联显著性数据。

具体的，在通过数据转换模型对关联对象的对象数据进行数据转换得到关联对象转换数据，以及通过显著性预测模型对关联对象转换数据进行显著性预测得到所述关联对象的关联显著性数据的过程中，获得所述虚拟对象的关联对象的关联显著性数据，通过对所述虚拟对象的显著性数据和所述虚拟对象的关联对象的关联显著性数据进行分析计算，可使所述虚拟对象和所述虚拟对象的关联对象计算相似度的数据均为经过显著性预测后的数据，提升计算效率。

可选的，在计算所述虚拟对象与所述关联对象之间的相似度时，为了提升计算过程中的计算效率，针对计算所述虚拟对象与所述关联对象之间的相似度，本实施例提供的一种可选的实施方式中，计算所述虚拟对象与所述关联对象的相似度，包括：

将所述显著性数据与各关联对象的关联显著性数据输入基于显著性的相似度计算模型进行相似度计算，获得所述虚拟对象与各关联对象的相似度。

例如，以虚拟世界中的虚拟设备为例，将虚拟世界中的虚拟设备的虚拟部件作为虚拟对象，获得虚拟部件a的对象数据，并根据虚拟部件a的对象数据得到虚拟部件a对应的对象转换数据，通过对虚拟世界中虚拟设备对应的所有虚拟部件对虚拟部件a的虚拟部件类型进行确定，并根据虚拟部件类型筛选虚拟部件a的关联虚拟部件，或者可以将虚拟设备对应的除虚拟部件a的所有虚拟部件都作为虚拟部件a的关联虚拟部件；

以虚拟部件b、虚拟部件c和虚拟部件d作为虚拟部件a的关联虚拟部件为例，将虚拟部件a的关联虚拟部件b的关联虚拟部件转换数据和关联虚拟部件c的关联虚拟部件转换数据和关联虚拟部件d的关联虚拟部件转换数据分别输入显著性预测模型中，分别获得关联虚拟部件b关联显著性数据、关联虚拟部件c关联显著性数据和关联虚拟部件d的关联显著性数据，将得到的虚拟部件a的显著性数据与关联虚拟部件b关联显著性数据、关联虚拟部件c关联显著性数据和关联虚拟部件d的关联显著性数据输入到基于显著性的相似度计算模型中，分别获得虚拟部件a与虚拟部件b、虚拟部件c和虚拟部件d的相似度。

上述提供了基于显著性的相似度计算模型，为了提升基于显著性的相似度计算模型的性能，使合并的所述虚拟对象和所述虚拟对象的关联对象更有效，基于显著性的相似度计算模型可预先训练，比如在云服务器上进行基于显著性的相似度计算模型的训练，将虚拟样本对象的显著性数据和所述虚拟样本对象的各关联对象的关联显著性数据输入待训练的基于显著性的相似度计算模型，将所述虚拟样本对象和所述虚拟样本对象的各关联对象的相似度作为待训练的基于显著性的相似度计算模型的输出，并构建损失函数对基于显著性的相似度计算模型进行训练，在训练过程中，基于上述网络结构和损失函数进行网络训练，直至网络收敛后获得基于显著性的相似度计算模型。

例如，采用transformer模型(变换器)构建待训练的基于显著性的相似度计算模型，损失函数采用相似度损失函数，并根据预先确定的样本数据和预先确定的虚拟样本对象和虚拟样本对象的各关联对象的相似度对待训练的基于显著性的相似度计算模型进行训练，直至待训练的基于显著性的相似度计算模型收敛后，获得基于显著性的相似度计算模型。

步骤S108，确定相似度高于预设阈值的至少一个关联对象，并将所述虚拟对象与所述至少一个关联对象进行合并存储。

上述步骤确定了所述虚拟对象与所述虚拟对象的关联对象的相似度，本步骤中，根据所述虚拟对象与所述虚拟对象的关联对象的相似度确定可以和所述虚拟对象进行合并存储的至少一个关联对象，具体是将与所述虚拟对象的相似度高于预设阈值的关联对象作为可以和所述虚拟对象进行合并存储的至少一个关联对象，通过将所述虚拟对象和所述至少一个关联对象进行合并存储来减少存储空间。

此外，在上述根据相似度来确定进行可以与虚拟对象合并存储的关联对象的过程中，对相似度较低的关联对象进行单独存储。

例如，以所述虚拟世界的虚拟设备为例，所述虚拟设备的组成部件包含虚拟部件a、虚拟部件b、虚拟部件c、虚拟部件d和虚拟部件e和其他虚拟部件，其中，虚拟部件b、虚拟部件c、虚拟部件d和虚拟部件e为虚拟部件a的关联虚拟部件，虚拟部件a和虚拟部件b的相似度为0.87，虚拟部件a与虚拟部件c的相似度为0.73，虚拟部件a与虚拟部件d的相似度为0.90，虚拟部件a与虚拟部件e的相似度为0.92，预设阈值为0.8，因此，虚拟部件b、虚拟部件d和虚拟部件e与虚拟部件a的相似度高于预设阈值，将虚拟部件a、虚拟部件b、虚拟部件d和虚拟部件e合并存储，虚拟部件c进行单独存储。

在具体实施过程中，为了提升对虚拟对象的存储效率，同时减少存储空间，针对所述虚拟对象与所述至少一个关联对象进行合并存储的方式，本实施例提供的一个可选的实施方式中，将所述虚拟对象与所述至少一个关联对象进行合并存储，包括：

将所述虚拟对象与所述至少一个关联对象的对象转换数据进行合并处理，获得目标转换数据；

将所述目标转换数据、所述虚拟对象的对象提供方标识和所述至少一个关联对象中各关联对象的对象提供方标识进行关联存储。

所述目标转换数据包括所述虚拟对象和可以和所述虚拟对象进行合并存储的关联数据，所述对象提供方标识，是指提供虚拟对象的来源的标识。

所述预设阈值，是通过预设一个临界值，对虚拟对象的关联对象进行判断，是否满足合并条件，若满足合并条件，将满足合并条件的至少一个关联对象和虚拟对象进行合并存储；该预设阈值可以根据经验值进行设定。本实施例可以通过虚拟样本对象中与虚拟样本对象相似度较大的一部分的关联对象之间的相似度的平均值作为预设阈值，也可以根据同一对象经过不同对象提供方提供的虚拟对象之间的相似度的平均值作为预设阈值。

例如，以所述虚拟世界的虚拟设备为例，用户A提供了所述虚拟设备的虚拟部件a，用户B提供了所述虚拟设备的虚拟部件b，用户C提供了所述虚拟设备的虚拟部件c，由于提供的对象都是该虚拟设备中的虚拟部件，虚拟部件a、虚拟部件b和虚拟部件c具有一定的相关性，因此这些数据之间的相似度可能会较高，将所述虚拟设备的虚拟部件a、虚拟部件b和虚拟部件c进行合并存储，将所述虚拟设备的虚拟部件a、虚拟部件b和虚拟部件c作为虚拟设备的目标转换数据，将所述虚拟设备的目标转换数据和提供所述虚拟设备的目标转换数据的用户A、用户B和用户C的标识A，B和C进行合并存储。

实际应用中，对于虚拟世界中的虚拟设备，所述虚拟设备是由所述虚拟对象组成的，为了更有效的对虚拟对象进行存储，减少存储空间，对所述虚拟对象在所述虚拟设备层面进行合并存储，上述提供的所述虚拟对象和所述虚拟对象的关联对象进行合并存储的方法，还可以用于对虚拟设备和关联虚拟设备进行合并存储，本实施例提供的一种可选实施方式中，采用如下方式对虚拟设备和关联虚拟设备进行合并存储：

将所述虚拟设备与所述关联虚拟设备集合中各关联虚拟设备对应的构成对象的相似度输入虚拟设备相似度计算模型进行虚拟设备相似度计算，获得所述虚拟设备与所述各关联虚拟设备的虚拟设备相似度；

基于所述虚拟设备相似度确定所述虚拟设备的所述相似虚拟设备，将所述虚拟设备与所述相似虚拟设备进行合并存储。

所述关联虚拟设备集合，包括所述虚拟设备的所有关联虚拟设备，所述关联虚拟设备可以是除所述虚拟设备外的其他所有虚拟设备。

例如，虚拟世界中包含虚拟部件a的虚拟设备A、包含虚拟部件b的虚拟设备B和包含虚拟部件c的虚拟设备C，其中虚拟设备B和虚拟设备C是虚拟设备A的关联虚拟设备，虚拟部件b和虚拟部件c分别是虚拟设备B和虚拟设备C中与虚拟设备A的虚拟部件b对应的虚拟部件，将虚拟设备A的虚拟部件a与虚拟设备B的虚拟部件b的相似度输入相似度计算模型中，得到虚拟设备A和虚拟设备B的相似度，将虚拟设备A的虚拟部件a与虚拟设备C的虚拟部件c的相似度输入相似度计算模型中，得到虚拟设备A和虚拟设备C的相似度，基于得到的虚拟设A分别与虚拟设备B和虚拟设备C的相似度，确定虚拟设备B为虚拟设备A的相似虚拟设备，将虚拟设备A和虚拟设备B进行合并存储。

实际应用中，所述虚拟设备相似度计算模型可预先训练，所述虚拟设备相似度计算模型可采用多层感知器的网络结构，具体可以基于训练样本对预先构建的待训练的虚拟设备相似性计算模型进行训练，在训练过程中，基于上述网络结构和损失函数进行模型训练，直至待训练的虚拟设备相似度计算模型收敛后获得虚拟设备相似度计算模型。

综上所述，本实施例提供的虚拟对象处理方法，首先根据虚拟对象的对象数据进行转换处理，获得所述虚拟对象的对象转换数据，将所述对象转换数据输入显著性预测模型进行显著性预测，获得所述虚拟对象的显著性数据；基于所述显著性数据与所述虚拟世界中所述虚拟对象的关联对象的关联显著性数据，计算所述虚拟对象与所述关联对象的相似度；确定相似度高于预设阈值的至少一个关联对象，并将所述虚拟对象与所述至少一个关联对象进行合并存储；根据所述虚拟设备和所述关联虚拟设备对应的虚拟对象之间的相似度，确定所述虚拟设备的相似虚拟设备，并将所述虚拟设备和所述虚拟设备的相似虚拟设备进行合并存储。

下述以本实施例提供的一种虚拟对象处理方法在虚拟设备的应用场景为例，对本实施例提供的虚拟对象处理方法进行进一步说明，参见图2，应用于虚拟设备场景的虚拟对象处理方法，具体包括步骤S202至步骤S216。

步骤S202，对虚拟世界中虚拟设备中的虚拟部件的部件数据进行数据转换，得到部件数据转换后的虚拟部件转换数据。

步骤S204，对虚拟部件转换数据进行显著性预测，得到虚拟部件转换数据的显著性数据。

步骤S206，获取转换虚拟部件的关联转换虚拟部件的显著性数据，并根据虚拟部件转换数据的显著性数据和关联转换虚拟部件的显著性数据，计算转换虚拟部件和关联转换虚拟部件之间的第一相似度。

步骤S208，根据第一相似度确定关联转换虚拟部件中与转换虚拟部件进行合并存储的目标关联转换虚拟部件。

步骤S210，将转换虚拟部件对应的虚拟部件和目标关联转换虚拟部件对应的关联虚拟部件进行合并存储。

步骤S212，根据虚拟世界中的虚拟设备和关联虚拟设备对应的虚拟部件的相似度计算虚拟世界中的虚拟设备和关联虚拟设备之间的第二相似度。

步骤S214，根据第二相似度确定关联虚拟设备中与虚拟设备进行合并存储的目标虚拟设备。

步骤S216，将虚拟世界中的虚拟设备和目标虚拟设备进行合并存储。

本说明书提供的一种虚拟对象处理装置实施例如下：

在上述的实施例中，提供了一种虚拟对象处理方法，与之相对应的，还提供了一种虚拟对象处理装置，下面结合附图进行说明。

参照图3，其示出了本实施例提供的一种虚拟对象处理装置示意图。

由于装置实施例对应于方法实施例，所以描述得比较简单，相关的部分请参见上述提供的方法实施例的对应说明即可。下述描述的装置实施例仅仅是示意性的。

本实施例提供一种虚拟对象处理装置，包括：

转换处理模块302，被配置为根据虚拟世界中虚拟对象的对象数据对所述虚拟对象进行转换处理，获得所述虚拟对象的对象转换数据；

显著性预测模块304，被配置为将所述对象转换数据输入显著性预测模型进行显著性预测，获得所述虚拟对象的显著性数据；

相似度计算模块306，被配置为基于所述显著性数据与所述虚拟世界中所述虚拟对象的关联对象的关联显著性数据，计算所述虚拟对象与所述关联对象的相似度；

合并存储模块308，被配置为确定相似度高于预设阈值的至少一个关联对象，并将所述虚拟对象与所述至少一个关联对象进行合并存储。

本说明书提供的一种虚拟对象处理设备实施例如下：

对应上述描述的一种虚拟对象处理方法，基于相同的技术构思，本说明书一个或多个实施例还提供一种虚拟对象处理设备，该虚拟对象处理设备用于执行上述提供的虚拟对象处理方法，图4为本说明书一个或多个实施例提供的一种虚拟对象处理设备的结构示意图。

本实施例提供的一种虚拟对象处理设备，包括：

如图4所示，虚拟对象处理设备可因配置或性能不同而产生比较大的差异，可以包括处理器401；以及，被配置为存储计算机可执行指令的存储器402，所述计算机可执行指令在被执行时使所述处理器401：根据虚拟世界中虚拟对象的对象数据对所述虚拟对象进行转换处理，获得所述虚拟对象的对象转换数据；将所述对象转换数据输入显著性预测模型进行显著性预测，获得所述虚拟对象的显著性数据；基于所述显著性数据与所述虚拟世界中所述虚拟对象的关联对象的关联显著性数据，计算所述虚拟对象与所述关联对象的相似度；确定相似度高于预设阈值的至少一个关联对象，并将所述虚拟对象与所述至少一个关联对象进行合并存储。更进一步地，处理器401可以设置为与存储器402通信，在虚拟世界的数据传输虚拟设备上执行存储器402中的一系列计算机可执行指令。虚拟世界的数据传输虚拟设备还可以包括一个或一个以上电源403，一个或一个以上有线或无线网络接口404，一个或一个以上输入/输出接口405，一个或一个以上键盘406等。

在一个具体的实施例中，虚拟对象处理设备包括有存储器，以及一个或一个以上的程序，其中一个或者一个以上程序存储于存储器中，且一个或者一个以上程序可以包括一个或一个以上模块，且每个模块可以包括对虚拟对象处理设备中的一系列计算机可执行指令，且经配置以由一个或者一个以上处理器执行该一个或者一个以上程序包含用于进行以下计算机可执行指令：

根据虚拟世界中虚拟要素的要素数据对所述虚拟要素进行转换处理，获得所述虚拟要素的要素转换数据；

将所述要素转换数据输入显著性预测模型进行显著性预测，获得所述虚拟要素的显著性数据；

基于所述显著性数据与所述虚拟世界中所述虚拟要素的关联要素的关联显著性数据，计算所述虚拟要素与所述关联要素的相似度；

确定相似度高于预设阈值的至少一个关联要素，并将所述虚拟要素与所述至少一个关联要素进行合并存储。

本说明书提供的一种存储介质实施例如下：

对应上述描述的一种虚拟对象处理方法，基于相同的技术构思，本说明书一个或多个实施例还提供一种存储介质。

本实施例提供的存储介质，用于存储计算机可执行指令，所述计算机可执行指令在被处理器执行时实现以下流程：

根据虚拟世界中虚拟对象的对象数据对所述虚拟对象进行转换处理，获得所述虚拟对象的对象转换数据；

将所述对象转换数据输入显著性预测模型进行显著性预测，获得所述虚拟对象的显著性数据；

基于所述显著性数据与所述虚拟世界中所述虚拟对象的关联对象的关联显著性数据，计算所述虚拟对象与所述关联对象的相似度；

确定相似度高于预设阈值的至少一个关联对象，并将所述虚拟对象与所述至少一个关联对象进行合并存储。

需要说明的是，本说明书中关于存储介质的实施例与本说明书中关于虚拟对象处理方法的实施例基于同一发明构思，因此该实施例的具体实施可以参见前述对应方法的实施，重复之处不再赘述。

上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

在20世纪30年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(Programmable Logic Device，PLD)(例如现场可编程门阵列(Field Programmable GateArray，FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware Description Language，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等，目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。

控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。

上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现虚拟设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航虚拟设备、电子邮件虚拟设备、游戏控制台、平板计算机、可穿戴虚拟设备或者这些虚拟设备中的任何虚拟设备的组合。

为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书实施例时可以把各单元的功能在同一个或多个软件和/或硬件中实现。

本领域内的技术人员应明白，本说明书一个或多个实施例可提供为方法、系统或计算机程序产品。因此，本说明书一个或多个实施例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，本说明书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、光学存储器等)上实施的计算机程序产品的形式。

本说明书是参照根据本说明书实施例的方法、虚拟设备(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虚拟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虚拟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虚拟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虚拟设备上，使得在计算机或其他可编程虚拟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虚拟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。

在一个典型的配置中，计算虚拟设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁盘存储或其他磁性存储虚拟设备或任何其他非传输介质，可用于存储可以被计算虚拟设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列对象的过程、方法、商品或者虚拟设备不仅包括那些对象，而且还包括没有明确列出的其他对象，或者是还包括为这种过程、方法、商品或者虚拟设备所固有的对象。在没有更多限制的情况下，由语句“包括一个……”限定的对象，并不排除在包括所述对象的过程、方法、商品或者虚拟设备中还存在另外的相同对象。

本说明书一个或多个实施例可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书的一个或多个实施例，在这些分布式计算环境中，由通过通信网络而被连接的远程处理虚拟设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储虚拟设备在内的本地和远程计算机存储介质中。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

以上所述仅为本文件的实施例而已，并不用于限制本文件。对于本领域技术人员来说，本文件可以有各种更改和变化。凡在本文件的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本文件的权利要求范围之内。