心理减压虚拟现实场景推荐方法、装置、设备、介质及产品

本技术涉及人工智能与心理健康，特别是涉及一种心理减压虚拟现实场景推荐方法、装置、设备、介质及产品。

背景技术：

1、随着社会节奏加快与工作生活压力持续增大，焦虑、抑郁等心理健康问题日益突出，已成为影响公众生活质量的重要公共卫生问题。传统的心理咨询与减压方式受限于时空条件、人力资源和专业服务成本，难以实现广泛覆盖、及时响应和个性化服务，亟需探索新型的心理健康干预手段。

2、在此背景下，虚拟现实（virtual reality, vr）技术凭借其沉浸性、交互性与场景可控性，为心理减压与情绪调节提供了创新途径。通过模拟自然景观、引导正念冥想、开展暴露疗法等方式，vr技术能够有效降低用户的生理唤醒水平，缓解焦虑与压力状态，逐步成为心理健康干预领域的研究热点与应用方向。然而，现有的心理减压vr系统在内容推荐方面仍存在以下技术缺陷：

3、推荐策略单一，缺乏个性化与动态适应性。多数现有心理减压vr系统依赖心理学专家对场景进行人工标注，或基于预设规则进行内容匹配，推荐内容固化、缺乏灵活性，难以根据用户的个体差异（如压力来源、性格特质、历史偏好等）进行动态调整。部分系统采用传统的协同过滤推荐方法，仅能利用用户对场景的显式评分或隐式交互数据，由于心理减压场景的特殊性，用户与场景之间的交互行为具有低频、稀疏、非标准化等特点，传统协同过滤方法难以从有限交互中准确建模用户的真实减压需求，推荐效果受限。

4、交互数据高度稀疏，嵌入特征质量低下。心理减压vr场景的使用通常具有阶段性特征，用户仅在特定心理状态下才会频繁使用，导致用户-场景交互数据极为稀疏。在此情况下，现有基于深度学习的推荐模型难以从有限的交互样本中学习到高质量的用户嵌入表示和场景嵌入表示，嵌入向量的表达能力不足，直接影响推荐准确率。尤其对于新用户或新场景，冷启动问题尤为突出。

5、图神经网络深层传播导致特征过平滑，个性化信息丢失。近年来，基于图卷积网络（graph convolutional network, gcn）的推荐方法通过建模用户与物品之间的高阶交互关系，在多个推荐任务中取得了显著进展。然而，在心理减压vr场景推荐这一特殊领域中，该类方法仍面临深层传播带来的"过平滑"（over-smoothing）问题。随着图卷积层数的增加，节点特征在多次邻域聚合过程中逐渐趋同，导致原本具有区分度的用户个性化特征被稀释甚至消失，推荐结果趋于同质化，无法精准反映用户多样化的心理状态与差异化的减压需求。

6、全局关联信息未被充分挖掘，与局部特征缺乏有效融合。现有基于图卷积的推荐方法通常仅依赖于用户-场景交互图中的局部邻域信息进行嵌入更新，未能充分挖掘交互矩阵中蕴含的全局潜在关联结构。全局结构信息（如用户群体的整体偏好分布、场景之间的相似性关系等）对于缓解数据稀疏性、提升嵌入表示质量具有重要价值，但现有方法缺乏将全局特征与局部个性化特征进行有效融合的机制，导致特征表达能力不足。

7、综上所述，现有心理减压vr场景推荐方法普遍面临推荐策略单一、数据稀疏导致嵌入质量低下、深层图传播导致过平滑、全局与局部特征缺乏融合等技术问题，亟需一种能够同时解决上述问题、提升推荐准确性、个性化与鲁棒性的心理减压虚拟现实场景推荐方案。

技术实现思路

1、本技术的目的是提供一种心理减压虚拟现实场景推荐方法、装置、设备、介质及产品，可实现截断奇异值分解提取的全局特征与原始嵌入的局部特征深度融合，以及残差连接图卷积网络对深层传播中过平滑的有效抑制，相较于现有基于图卷积网络的推荐方法，在多个数据集上的召回率和归一化折损累计增益指标均取得了显著提升，本技术能够准确地为用户推荐其感兴趣的心理减压虚拟现实场景，有效缓解用户的心理压力。

2、为实现上述目的，本技术提供了如下方案：

3、第一方面，本技术提供了一种心理减压虚拟现实场景推荐方法，包括：

4、获取用户与心理减压虚拟现实场景之间的历史交互数据，并进行预处理；

5、基于预处理后的历史交互数据，构建用户-虚拟现实场景二部图及用户-场景交互矩阵，并对所述用户-场景交互矩阵进行截断奇异值分解，得到低维的用户全局嵌入向量和场景全局嵌入向量；

6、对用户和虚拟现实场景分别进行随机初始化，得到用户原始嵌入向量和场景原始嵌入向量；并将所述用户全局嵌入向量与用户原始嵌入向量进行融合，得到用户融合嵌入向量；并将所述场景全局嵌入向量与场景原始嵌入向量进行融合，得到场景融合嵌入向量；

7、将所述用户融合嵌入向量和场景融合嵌入向量作为图卷积网络的初始节点嵌入，基于所述用户-虚拟现实场景二部图进行多层图卷积传播，并在每一层图卷积传播中进行残差相加，得到用户各层嵌入向量和场景各层嵌入向量；并对所述用户各层嵌入向量和场景各层嵌入向量进行聚合处理，得到用户最终嵌入向量和场景最终嵌入向量；

8、基于所述用户最终嵌入向量和场景最终嵌入向量，计算用户对各虚拟现实场景的偏好预测值，并根据所述预测值生成推荐列表。

9、可选地，所述预处理包括对所述历史交互数据进行缺失值处理和/或交互强度归一化处理。

10、可选地，所述用户-场景交互矩阵中的元素用于表征用户与对应虚拟现实场景之间的交互强度。

11、可选地，所述对用户-场景交互矩阵进行截断奇异值分解，具体包括：

12、将所述用户-场景交互矩阵分解为用户特征矩阵、奇异值矩阵和场景特征矩阵，并根据预设维度对奇异值进行截断，提取截断后的用户特征矩阵和场景特征矩阵分别作为所述低维的用户全局嵌入向量和场景全局嵌入向量。

13、可选地，所述图卷积网络的预先训练过程包括：

14、构建训练样本对，所述训练样本对包括正向交互样本和负向未交互样本，所述正向交互样本为用户已发生交互的虚拟现实场景，所述负向未交互样本为用户未发生交互的虚拟现实场景；

15、将所述训练样本对输入至图卷积网络，获取各训练样本对应的偏好预测值；

16、采用贝叶斯个性化排序损失函数计算所述正向交互样本与所述负向未交互样本的偏好预测值之间的损失，根据所述损失调整图卷积网络的参数，直至收敛，得到训练好的图卷积网络。

17、可选地，所述计算用户对各虚拟现实场景的偏好预测值，具体包括：

18、通过计算所述用户最终嵌入向量与所述场景最终嵌入向量的内积，得到用户u对虚拟现实场景i的偏好预测值：

19、；

20、式中，表示用户最终嵌入向量，表示场景最终嵌入向量。

21、第二方面，本技术提供了一种心理减压虚拟现实场景推荐装置，包括：

22、数据获取模块，用于获取用户与心理减压虚拟现实场景之间的历史交互数据，并进行预处理；

23、特征提取模块，用于基于预处理后的历史交互数据，构建用户-虚拟现实场景二部图及用户-场景交互矩阵，并对所述用户-场景交互矩阵进行截断奇异值分解，得到低维的用户全局嵌入向量和场景全局嵌入向量；

24、特征融合模块，用于对用户和虚拟现实场景分别进行随机初始化，得到用户原始嵌入向量和场景原始嵌入向量；并将所述用户全局嵌入向量与用户原始嵌入向量进行融合，得到用户融合嵌入向量；并将所述场景全局嵌入向量与场景原始嵌入向量进行融合，得到场景融合嵌入向量；

25、残差连接图卷积模块，用于将所述用户融合嵌入向量和场景融合嵌入向量作为图卷积网络的初始节点嵌入，基于所述用户-虚拟现实场景二部图进行多层图卷积传播，并在每一层图卷积传播中进行残差相加，得到用户各层嵌入向量和场景各层嵌入向量；并对所述用户各层嵌入向量和场景各层嵌入向量进行聚合处理，得到用户最终嵌入向量和场景最终嵌入向量；

26、推荐结果输出模块，用于基于所述用户最终嵌入向量和场景最终嵌入向量，计算用户对各虚拟现实场景的偏好预测值，并根据所述预测值生成推荐列表。

27、第三方面，本技术提供了一种计算机设备，包括：存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序以实现上述中任一项所述的心理减压虚拟现实场景推荐方法的步骤。

28、第四方面，本技术提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述中任一项所述的心理减压虚拟现实场景推荐方法的步骤。

29、第五方面，本技术提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述中任一项所述的心理减压虚拟现实场景推荐方法的步骤。

30、根据本技术提供的具体实施例，本技术公开了以下技术效果：

31、本技术提供了一种心理减压虚拟现实场景推荐方法、装置、设备、介质及产品，通过步骤“获取历史交互数据并进行预处理；构建用户-虚拟现实场景二部图及用户-场景交互矩阵”，解决了现有心理减压vr系统依赖专家人工标注或规则匹配所导致的推荐内容单一、缺乏动态适应性的技术问题，以及传统协同过滤方法仅能利用显式评分或隐式交互而无法充分挖掘用户与场景之间深层次关联的技术问题，实现了将用户与虚拟现实场景的历史交互行为转化为可计算的图结构数据，为后续特征提取与图卷积传播提供了完整的数据基础。通过步骤“对用户-场景交互矩阵进行截断奇异值分解，得到低维的用户全局嵌入向量和场景全局嵌入向量；对用户和虚拟现实场景分别进行随机初始化，得到用户原始嵌入向量和场景原始嵌入向量；并将用户全局嵌入向量与用户原始嵌入向量进行融合，得到用户融合嵌入向量；并将场景全局嵌入向量与场景原始嵌入向量进行融合，得到场景融合嵌入向量”，解决了心理减压vr场景中用户交互频率低、交互数据高度稀疏导致传统推荐模型难以学习到高质量嵌入表示，以及单一嵌入特征无法同时表达用户整体兴趣偏好与个性化行为特征的技术问题，实现了截断奇异值分解提取的全局结构信息与原始嵌入携带的局部个性化信息的有机融合，使嵌入表示同时具备全局潜在关联特征与局部细粒度特征，有效提升了数据稀疏条件下嵌入向量的表达能力和鲁棒性。通过步骤“将用户融合嵌入向量和场景融合嵌入向量作为图卷积网络的初始节点嵌入，基于用户-虚拟现实场景二部图进行多层图卷积传播，并在每一层图卷积传播中进行残差相加，得到用户各层嵌入向量和场景各层嵌入向量；并对用户各层嵌入向量和场景各层嵌入向量进行聚合处理，得到用户最终嵌入向量和场景最终嵌入向量”，解决了现有图卷积网络在深层传播过程中节点特征趋于同化而导致过平滑、个性化特征被稀释，以及模型无法充分捕获用户与场景之间高阶协同信息的技术问题，实现了通过多层图卷积传播建模用户与场景之间的高阶交互关系，同时利用残差连接在每一层传播中保留初始特征信息，有效抑制了深层传播中的特征过平滑现象，增强了模型对用户个性化特征的表达能力和对心理减压需求的精准建模能力。通过步骤“基于用户最终嵌入向量和场景最终嵌入向量，计算用户对各虚拟现实场景的偏好预测值，并根据预测值生成推荐列表”，解决了现有推荐系统推荐结果同质化、无法根据用户个性化心理需求动态调整推荐内容的技术问题，实现了根据用户最终嵌入向量与各场景最终嵌入向量的匹配程度进行个性化偏好预测与排序，向用户精准推荐与其心理减压需求相匹配的虚拟现实场景，提升了推荐的准确性、个性化和用户体验。