一种基于vr应急环境下的用户画像方法
技术领域
1.本发明涉及计算机的人机交互技术领域，尤其是一种基于vr应急环境下的用户画像方法。
背景技术：
2.人格描述是由关于行为模式的陈述组成，这些行为模式随着时间和情景的变化而稳定。人格体现在行为模式上，通过了解人格能在一定程度提前预测出用户的工作偏好、风格习惯等。在应急疏散的环境下，了解用户自身的人格特点能够提前在灾害来临之前，能够结合自身的人格特点在灾难来临时，选择更佳的逃生方式。在心理学领域中，人格测量通常采取问卷调查的方式进行，这种获取人格的方式是十分耗时且不能很好反应用户在应急情况下的行为表现。
3.在计算机领域中，人格测量通常分为基于大数据和基于视频的方式进行获取。基于大数据的方式通常收集用户在社交网络上的账号的个人信息如：个人头像、个人点赞的图片、购物历史记录、浏览记录等，通过收集的信息来建模预测用户的人格特点，此技术通常应用于推荐应用中。而基于视频的方式采取捕获视频中人脸的面部特征进行预测，此技术常用于人才招聘为企业获取更多关于招聘者的个人信息。
4.现有技术收集的信息建模预测用户的人格特点，其应用均不涉及到应急疏散场景下以及行为角度的度量方式。
技术实现要素：
5.本发明的目的是针对现有技术的不足而提出的一种基于vr应急环境下的用户画像方法，采用具有沉浸式感知的vr设备创建一个应急场景，通过搜集创建场景中的行为数据，生成对应的预设标签，建立指标并通过系统建立的机器学习模型来预测人格，形成应急场景下的用户画像，能很好反应用户在应急情况下的行为表现，系统简单，使用方便，省时省力，投入成本低，较好的解决了问卷调查获取人格耗时、耗力，且不能很好反应用户在应急情况下行为表现的问题，为测量用户大五人格提供了一种不基于问卷量表的方式生成用户画像的解决方式。
6.本发明的目的是这样实现的：一种基于vr应急环境下的用户画像方法，其特点在于采用vr游戏系统获取用户在应急环境中的行为数据和大五人格信息，根据用户游戏行为和预设的标签词库，确定用户的游戏行为标签，并以大五人格信息获取预测模型训练的标签进行训练预设的机器学习模型，生成以大五人格分数呈现的应急场景下的用户画像，所述vr游戏系统由游戏终端与交互模块、数据收集模块和预测模块组成；所述游戏终端为用户的交互行为、场景，以及将用户画像以可视化的方式呈现给用户的显示模块；所述交互模块提供用户与游戏物体的交互，包括游戏中玩家行走控制和玩家操纵物体的交互；所述数据收集模块捕获行走数据、时间数据、操纵物体数据以及逃生方式；所述预测模块将收集的用户游戏行为数据生成用户特征，将其训练数据后用于预测用户画像，并发送给游戏终端
进行显示。
7.所述行为数据包括用户在vr游戏场景中的轨迹数据和与游戏场景中物体的交互动作以及用户选择的逃生方式。
8.所述用户行为数据用于表征用户的属性，根据用户的行为数据，确定用户的属性特征。
9.所述预测模型训练的标签根据用户的人格信息，获取预测模型训练的标签，并根据用户的属性和预测模型的标签来进行训练预设的机器学习模型。
10.所述应急场景为一个教学楼发生火灾的场景，需要用户通过vr手柄操控进行逃生撤离。
11.所述用户的行为数据，确定所述用户的属性，具体包括：收集用户在应激疏散场景中的逃离时间、行走路径以及与其他物体的交互操作和选择的逃生方式。
12.所述逃离时间具体为：逃离时间根据实际逃离的时间划分为慢速逃离，中速逃离以及快速逃离。
13.所述行走路径具体为：根据逃生路径的重合点划分为目的性强的逃离和目的性不明确的逃离。
14.所述与其他物体的交互操作具体为：根据用户与游戏物体的交互情况划分为使用灭火器和不使用灭火器。
15.所述选择的逃生方式具体为：根据用户逃离的方式分为跳窗逃离、使用灭火器灭火、乘坐电梯逃离、安全出口逃离、常用通道逃离。
16.所述根据用户的人格信息，获取预测模型训练的标签，具体包括：收集被试的大五人格问卷，获得每个维度上的分数，即为数据集的标签。
17.所述预设的机器学习模型为决策树模型，将用户的属性确定的特征作为训练集的输入，将用户的大五人格分数作为训练集的标签。
18.本发明与现有技术相比具有通过收集vr游戏中用户的行为数据，生成对应的预设标签，确定用户最终的用户画像，较好的反应了用户在应急情况下的行为表现，系统简单，使用方便，省时省力，成本低，为测量用户大五人格提供了一种不基于问卷量表的方式生成用户画像的解决方式。
附图说明
19.图1为实施例1获取应急疏散场景下用户画像的系统框架图；图2为实施例2获取应急疏散场景下用户画像的系统框架图。
具体实施方式
20.下面通过具体实施方式进一步详细的说明：实施例1参阅附图1，基于vr的获取应急疏散场景下用户画像系统包括：游戏功能系统和游戏终端。所述游戏功能系统包括：用户使用过程中与游戏对象交互的交互模块、用户使用过程中产生的游戏数据的数据收集模块以及最终生成用户画像的预测模块。所述应急疏散场景采用unity2019.3.15f1版本进行开发，其中云用c#脚本来编写交互模块、数据收集模块
和预测模块；所述交互模块分为控制玩家行走的方向、控制玩家行走的速度和与物体操纵；所述控制行走方向和控制玩家行走的速度脚本均挂载在玩家身上，通过获取玩家操纵的vr手柄的触控板的方向axis值，获取得到玩家的行走方向；所述行走的速度脚本判断玩家是否按下a键，当玩家按下a键时，即为快速行走，否则为慢速行走，行走的速度设置为2m/s和5m/s分别对应慢速行走和快速行走。
21.将物体操纵的脚本挂载在对应的物体上，其中可以交互的物体有门、灭火器、窗户等。其中，挂载在门上的脚本具体实现为打开和关闭门；挂载在窗户上的脚本具体实现为打开、关闭窗户或跳窗逃离；挂载在灭火器的脚本实现可以被玩家使用，用来扑灭火焰。
22.具体的说，在门身上挂载一个空物体，该空物体的位置放置在门的轴上，挂载了盒型包围盒。当玩家进入包围盒时，检测碰撞，检测玩家的手柄是否按下trigger键；当玩家按下trigger键时，将空物体旋转90度，带动门旋转，实现门的开关。
23.在窗户挂载一个空物体，该空物体的位置放置在窗户的轴上，挂载了盒型包围盒。当玩家进入包围盒时，检测碰撞，检测玩家的手柄是否按下trigger键；当玩家按下trigger键时，将空物体旋转90度，带动窗户旋转，实现窗户的开关；当检测玩家按下b键时，即触发跳窗逃离。
24.在灭火器上挂载两个空物体，一个物体在灭火器的手持位置，另一个在灭火器的喷嘴。在灭火器的手持位置挂载了盒型包围盒。当玩家的手柄进入包围盒时，检测碰撞，检测是否玩家的右手手柄是否按下grip键；当玩家按下了grip键时，将赋予手持位置以玩家右手位置，赋予喷嘴以玩家的左手位置，再次按下grip键时，放下灭火器，实现灭火器的拿起和放下；当处于拿起状态时，检测玩家的右手手柄是否按下trigger键，当玩家按下trigger键时，喷嘴位置发射白色粒子是灭火器的喷雾。
25.进一步，当灭火器的喷雾触碰到火焰时，检测火焰的碰撞，如果是白色粒子，减少火焰的粒子数量，达到逐渐熄灭的效果。
26.所述数据收集模块包含了捕获用户行走的数据，逃生时间的数据，操纵物体的数据和逃生方式。具体的说，捕获用户行走的数据挂载在设置的观测节点上，所述观测节点设置在每层楼的每个走廊拐角，走廊的中央。当用户触发到观测节点上，挂载在观测节点的脚本启动将触发的轨迹写入本地的csv文件中存储。
27.将逃生时间的数据挂载在游戏管理器上，其中，游戏管理器为控制整个游戏运行设置的空物体，记录了从用户进入游戏开始直到逃生结束的过程。当触发了游戏结束时，记录结束时间并将时间写入csv文件存入本地。
28.将获取操纵物体的数据的脚本挂载在可以交互的对象身上，该值为一个布尔值，当用户使用可交互对象时触发设置为真，在游戏运行结束时写入csv文件存入本地。
29.所述可以交互的对象包括：门、窗户、电梯按钮、灭火器；所述逃生方式有跳窗逃离、使用灭火器灭火、乘坐电梯逃离、安全出口逃离、常用通道逃离等。当用户触发相应逃离方式时，由对应的交互对象身上的脚本或者观测节点记录并写入csv文件存入本地。
30.所述预测模块包含生成用户特征和训练数据，所述生成用户特征是从本地的csv文件中读取并加以处理；所述处理的特征分别为逃离时间、行走路径、与其他物体的交互操作、选择的逃生方式等。具体的说，逃离时间分为慢速逃离、中速逃离、快速逃离三种情况，将100s以内的逃生设为快速逃离，150s以内逃生设为中速逃离，150s以上则为慢速逃离。
31.所述行走路径分为目的性强的逃离和目的性不强的逃离，具体的说，当同一个观测节点触发的次数大于3次时，则将本次逃离定义为目的性不强的逃离，反之为目的性强的逃离。
32.所述与其他物体的交互操作分为使用灭火器和不使用灭火器，选择的逃生方式有跳窗逃离、使用灭火器灭火、乘坐电梯逃离、安全出口逃离、常用通道逃离等；所述逃生方式的确定是由放置在逃生出口的观测节点和可交互的游戏对象来获得。
33.进一步的说，安全出口逃离和常用通道逃离是根据观测节点来获取，当玩家触碰到距离安全出口更近的观测节点即视作安全出口逃离，当玩家触碰到距离常用通道更近的观测节点即视作常用通道逃离。当玩家使用灭火器灭火发射的白色粒子触碰到火焰时，即视作灭火器灭火，将写入csv文件存入本地；当玩家乘坐电梯触碰到电梯按钮时，即始做乘坐电梯逃离，写入csv文件存入本地；当玩家打开窗户按下b键时，即始做跳窗逃离，写入csv文件存入本地。
34.以上所有特征通过csv文件的分析后，按照顺序标记为从0到4之间的数字作为特征值。处理训练数据的脚本将所述处理好的特征值作为训练数据的输入，将本地上存储的用户的大五人格的五个维度的分数作为精确值。
35.具体的说，训练的模型为五个决策树模型，分别将特征值输入到五个决策树模型来拟合大五人格每个维度上的具体分数，其中分数的范围为1
‑
10分。
36.所述训练数据被划分为四个属性：逃离时间、行走路径、与其他物体的交互操作和选择的逃生方式，每个属性分别被划分成3、2、2、5个类别。将从游戏场景获得到的数据按属性、类别的方式填入，分别作为五个决策树模型的输入，被试的大五人格分数的五个维度1
‑
10分分别作为每个决策树的标签。
37.所述游戏终端包含游戏场景显示模块，该模块负责显示游戏的场景，其中游戏场景由unity2019.3.15f1版本搭建，应急疏散场景设计为3层楼的教学楼，建筑形状为方形，紧急场景为火灾场景。教学楼中包含有灭火器、安全逃生通道、普通通道和电梯。应用程序运行在vr终端设备上，所选的终端设备为htc vive cosmos，用户穿戴头戴显示器和佩戴手柄即能在游戏中进行交互操作。
38.实施例2参阅附图2，该实施例与实施例1的不同之处在于游戏功能系统的预测模块多了生成画像功能，游戏终端比实施例1多了一个用户画像显示模块，其他均和实施例1大致相同，不在一一叙说。所述生成画像是在实施例1训练好了五个决策树模型的前提下增加新的实现；所述生成画像体现在五个决策树模型体现的1~10分的预测分数值；所述用户画像显示模块用于最终展示用户的大五人格得分，在游戏结束时，从游戏功能系统中的预测模块获取的五个维度的大五人格分数，并将其展示在用户的vr设备上。
39.以上实施例只是对本发明做进一步说明，并非用以限制本发明专利，凡为本发明等效实施，均应包含于本发明专利的权利要求范围之内。
技术领域
1.本发明涉及计算机的人机交互技术领域，尤其是一种基于vr应急环境下的用户画像方法。
背景技术：
2.人格描述是由关于行为模式的陈述组成，这些行为模式随着时间和情景的变化而稳定。人格体现在行为模式上，通过了解人格能在一定程度提前预测出用户的工作偏好、风格习惯等。在应急疏散的环境下，了解用户自身的人格特点能够提前在灾害来临之前，能够结合自身的人格特点在灾难来临时，选择更佳的逃生方式。在心理学领域中，人格测量通常采取问卷调查的方式进行，这种获取人格的方式是十分耗时且不能很好反应用户在应急情况下的行为表现。
3.在计算机领域中，人格测量通常分为基于大数据和基于视频的方式进行获取。基于大数据的方式通常收集用户在社交网络上的账号的个人信息如：个人头像、个人点赞的图片、购物历史记录、浏览记录等，通过收集的信息来建模预测用户的人格特点，此技术通常应用于推荐应用中。而基于视频的方式采取捕获视频中人脸的面部特征进行预测，此技术常用于人才招聘为企业获取更多关于招聘者的个人信息。
4.现有技术收集的信息建模预测用户的人格特点，其应用均不涉及到应急疏散场景下以及行为角度的度量方式。
技术实现要素：
5.本发明的目的是针对现有技术的不足而提出的一种基于vr应急环境下的用户画像方法，采用具有沉浸式感知的vr设备创建一个应急场景，通过搜集创建场景中的行为数据，生成对应的预设标签，建立指标并通过系统建立的机器学习模型来预测人格，形成应急场景下的用户画像，能很好反应用户在应急情况下的行为表现，系统简单，使用方便，省时省力，投入成本低，较好的解决了问卷调查获取人格耗时、耗力，且不能很好反应用户在应急情况下行为表现的问题，为测量用户大五人格提供了一种不基于问卷量表的方式生成用户画像的解决方式。
6.本发明的目的是这样实现的：一种基于vr应急环境下的用户画像方法，其特点在于采用vr游戏系统获取用户在应急环境中的行为数据和大五人格信息，根据用户游戏行为和预设的标签词库，确定用户的游戏行为标签，并以大五人格信息获取预测模型训练的标签进行训练预设的机器学习模型，生成以大五人格分数呈现的应急场景下的用户画像，所述vr游戏系统由游戏终端与交互模块、数据收集模块和预测模块组成；所述游戏终端为用户的交互行为、场景，以及将用户画像以可视化的方式呈现给用户的显示模块；所述交互模块提供用户与游戏物体的交互，包括游戏中玩家行走控制和玩家操纵物体的交互；所述数据收集模块捕获行走数据、时间数据、操纵物体数据以及逃生方式；所述预测模块将收集的用户游戏行为数据生成用户特征，将其训练数据后用于预测用户画像，并发送给游戏终端
进行显示。
7.所述行为数据包括用户在vr游戏场景中的轨迹数据和与游戏场景中物体的交互动作以及用户选择的逃生方式。
8.所述用户行为数据用于表征用户的属性，根据用户的行为数据，确定用户的属性特征。
9.所述预测模型训练的标签根据用户的人格信息，获取预测模型训练的标签，并根据用户的属性和预测模型的标签来进行训练预设的机器学习模型。
10.所述应急场景为一个教学楼发生火灾的场景，需要用户通过vr手柄操控进行逃生撤离。
11.所述用户的行为数据，确定所述用户的属性，具体包括：收集用户在应激疏散场景中的逃离时间、行走路径以及与其他物体的交互操作和选择的逃生方式。
12.所述逃离时间具体为：逃离时间根据实际逃离的时间划分为慢速逃离，中速逃离以及快速逃离。
13.所述行走路径具体为：根据逃生路径的重合点划分为目的性强的逃离和目的性不明确的逃离。
14.所述与其他物体的交互操作具体为：根据用户与游戏物体的交互情况划分为使用灭火器和不使用灭火器。
15.所述选择的逃生方式具体为：根据用户逃离的方式分为跳窗逃离、使用灭火器灭火、乘坐电梯逃离、安全出口逃离、常用通道逃离。
16.所述根据用户的人格信息，获取预测模型训练的标签，具体包括：收集被试的大五人格问卷，获得每个维度上的分数，即为数据集的标签。
17.所述预设的机器学习模型为决策树模型，将用户的属性确定的特征作为训练集的输入，将用户的大五人格分数作为训练集的标签。
18.本发明与现有技术相比具有通过收集vr游戏中用户的行为数据，生成对应的预设标签，确定用户最终的用户画像，较好的反应了用户在应急情况下的行为表现，系统简单，使用方便，省时省力，成本低，为测量用户大五人格提供了一种不基于问卷量表的方式生成用户画像的解决方式。
附图说明
19.图1为实施例1获取应急疏散场景下用户画像的系统框架图；图2为实施例2获取应急疏散场景下用户画像的系统框架图。
具体实施方式
20.下面通过具体实施方式进一步详细的说明：实施例1参阅附图1，基于vr的获取应急疏散场景下用户画像系统包括：游戏功能系统和游戏终端。所述游戏功能系统包括：用户使用过程中与游戏对象交互的交互模块、用户使用过程中产生的游戏数据的数据收集模块以及最终生成用户画像的预测模块。所述应急疏散场景采用unity2019.3.15f1版本进行开发，其中云用c#脚本来编写交互模块、数据收集模块
和预测模块；所述交互模块分为控制玩家行走的方向、控制玩家行走的速度和与物体操纵；所述控制行走方向和控制玩家行走的速度脚本均挂载在玩家身上，通过获取玩家操纵的vr手柄的触控板的方向axis值，获取得到玩家的行走方向；所述行走的速度脚本判断玩家是否按下a键，当玩家按下a键时，即为快速行走，否则为慢速行走，行走的速度设置为2m/s和5m/s分别对应慢速行走和快速行走。
21.将物体操纵的脚本挂载在对应的物体上，其中可以交互的物体有门、灭火器、窗户等。其中，挂载在门上的脚本具体实现为打开和关闭门；挂载在窗户上的脚本具体实现为打开、关闭窗户或跳窗逃离；挂载在灭火器的脚本实现可以被玩家使用，用来扑灭火焰。
22.具体的说，在门身上挂载一个空物体，该空物体的位置放置在门的轴上，挂载了盒型包围盒。当玩家进入包围盒时，检测碰撞，检测玩家的手柄是否按下trigger键；当玩家按下trigger键时，将空物体旋转90度，带动门旋转，实现门的开关。
23.在窗户挂载一个空物体，该空物体的位置放置在窗户的轴上，挂载了盒型包围盒。当玩家进入包围盒时，检测碰撞，检测玩家的手柄是否按下trigger键；当玩家按下trigger键时，将空物体旋转90度，带动窗户旋转，实现窗户的开关；当检测玩家按下b键时，即触发跳窗逃离。
24.在灭火器上挂载两个空物体，一个物体在灭火器的手持位置，另一个在灭火器的喷嘴。在灭火器的手持位置挂载了盒型包围盒。当玩家的手柄进入包围盒时，检测碰撞，检测是否玩家的右手手柄是否按下grip键；当玩家按下了grip键时，将赋予手持位置以玩家右手位置，赋予喷嘴以玩家的左手位置，再次按下grip键时，放下灭火器，实现灭火器的拿起和放下；当处于拿起状态时，检测玩家的右手手柄是否按下trigger键，当玩家按下trigger键时，喷嘴位置发射白色粒子是灭火器的喷雾。
25.进一步，当灭火器的喷雾触碰到火焰时，检测火焰的碰撞，如果是白色粒子，减少火焰的粒子数量，达到逐渐熄灭的效果。
26.所述数据收集模块包含了捕获用户行走的数据，逃生时间的数据，操纵物体的数据和逃生方式。具体的说，捕获用户行走的数据挂载在设置的观测节点上，所述观测节点设置在每层楼的每个走廊拐角，走廊的中央。当用户触发到观测节点上，挂载在观测节点的脚本启动将触发的轨迹写入本地的csv文件中存储。
27.将逃生时间的数据挂载在游戏管理器上，其中，游戏管理器为控制整个游戏运行设置的空物体，记录了从用户进入游戏开始直到逃生结束的过程。当触发了游戏结束时，记录结束时间并将时间写入csv文件存入本地。
28.将获取操纵物体的数据的脚本挂载在可以交互的对象身上，该值为一个布尔值，当用户使用可交互对象时触发设置为真，在游戏运行结束时写入csv文件存入本地。
29.所述可以交互的对象包括：门、窗户、电梯按钮、灭火器；所述逃生方式有跳窗逃离、使用灭火器灭火、乘坐电梯逃离、安全出口逃离、常用通道逃离等。当用户触发相应逃离方式时，由对应的交互对象身上的脚本或者观测节点记录并写入csv文件存入本地。
30.所述预测模块包含生成用户特征和训练数据，所述生成用户特征是从本地的csv文件中读取并加以处理；所述处理的特征分别为逃离时间、行走路径、与其他物体的交互操作、选择的逃生方式等。具体的说，逃离时间分为慢速逃离、中速逃离、快速逃离三种情况，将100s以内的逃生设为快速逃离，150s以内逃生设为中速逃离，150s以上则为慢速逃离。
31.所述行走路径分为目的性强的逃离和目的性不强的逃离，具体的说，当同一个观测节点触发的次数大于3次时，则将本次逃离定义为目的性不强的逃离，反之为目的性强的逃离。
32.所述与其他物体的交互操作分为使用灭火器和不使用灭火器，选择的逃生方式有跳窗逃离、使用灭火器灭火、乘坐电梯逃离、安全出口逃离、常用通道逃离等；所述逃生方式的确定是由放置在逃生出口的观测节点和可交互的游戏对象来获得。
33.进一步的说，安全出口逃离和常用通道逃离是根据观测节点来获取，当玩家触碰到距离安全出口更近的观测节点即视作安全出口逃离，当玩家触碰到距离常用通道更近的观测节点即视作常用通道逃离。当玩家使用灭火器灭火发射的白色粒子触碰到火焰时，即视作灭火器灭火，将写入csv文件存入本地；当玩家乘坐电梯触碰到电梯按钮时，即始做乘坐电梯逃离，写入csv文件存入本地；当玩家打开窗户按下b键时，即始做跳窗逃离，写入csv文件存入本地。
34.以上所有特征通过csv文件的分析后，按照顺序标记为从0到4之间的数字作为特征值。处理训练数据的脚本将所述处理好的特征值作为训练数据的输入，将本地上存储的用户的大五人格的五个维度的分数作为精确值。
35.具体的说，训练的模型为五个决策树模型，分别将特征值输入到五个决策树模型来拟合大五人格每个维度上的具体分数，其中分数的范围为1
‑
10分。
36.所述训练数据被划分为四个属性：逃离时间、行走路径、与其他物体的交互操作和选择的逃生方式，每个属性分别被划分成3、2、2、5个类别。将从游戏场景获得到的数据按属性、类别的方式填入，分别作为五个决策树模型的输入，被试的大五人格分数的五个维度1
‑
10分分别作为每个决策树的标签。
37.所述游戏终端包含游戏场景显示模块，该模块负责显示游戏的场景，其中游戏场景由unity2019.3.15f1版本搭建，应急疏散场景设计为3层楼的教学楼，建筑形状为方形，紧急场景为火灾场景。教学楼中包含有灭火器、安全逃生通道、普通通道和电梯。应用程序运行在vr终端设备上，所选的终端设备为htc vive cosmos，用户穿戴头戴显示器和佩戴手柄即能在游戏中进行交互操作。
38.实施例2参阅附图2，该实施例与实施例1的不同之处在于游戏功能系统的预测模块多了生成画像功能，游戏终端比实施例1多了一个用户画像显示模块，其他均和实施例1大致相同，不在一一叙说。所述生成画像是在实施例1训练好了五个决策树模型的前提下增加新的实现；所述生成画像体现在五个决策树模型体现的1~10分的预测分数值；所述用户画像显示模块用于最终展示用户的大五人格得分，在游戏结束时，从游戏功能系统中的预测模块获取的五个维度的大五人格分数，并将其展示在用户的vr设备上。
39.以上实施例只是对本发明做进一步说明，并非用以限制本发明专利，凡为本发明等效实施，均应包含于本发明专利的权利要求范围之内。
再多了解一些
本文用于企业家、创业者技术爱好者查询，结果仅供参考。
