(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202210603829.5 (22)申请日 2022.05.31 (65)同一申请的已公布的文献号 申请公布号 CN 114708044 A (43)申请公布日 2022.07.05 (73)专利权人 广州简悦信息科技有限公司 地址 510665 广东省广州市天河区高普路 38号602房603房 (72)发明人 李梦婷　何凯雯　 (74)专利代理 机构 北京同钧律师事务所 16 037 专利代理师 柴海平　许怀远 (51)Int.Cl. G06Q 30/02(2012.01) G06Q 30/06(2012.01) G06V 30/40(2022.01)G06V 10/764(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06F 40/279(2020.01) A63F 13/792(2014.01) A63F 13/85(2014.01) 审查员 毕欣桐 (54)发明名称 虚拟物品信息处理及 模型训练方法、 装置及 电子设备 (57)摘要 本申请提供一种虚拟物品信息处理及模型 训练方法、 装置及电子设备。 本申请的方法， 通过 获取虚拟物品的文本描述信息、 图像信息、 元数 据和虚拟物品关联的交互行为日志； 提取图像信 息中虚拟物品的关键元素的信息得到虚拟物品 的图像关键特征， 根据交互行为日志和元数据， 提取虚拟物品的属性特征、 市场特征、 卖家特征 等特征信息， 提取虚拟物品的多模态特征， 利用 训练好的深度学习网络根据虚拟物品的多模态 特征精准地确定虚拟物品的价值信息， 考虑了商 品因素、 市场因素、 卖家因素等多维因素对虚拟 物品价值信息的影 响， 提高了平台展示信息的精 准度、 基于虚拟物品的价值信息进行虚拟物品的 匹配的精准度和虚拟物品的推荐/搜索的精准 度。 权利要求书3页 说明书19页 附图8页 CN 114708044 B 2022.09.02 CN 114708044 B 1.一种虚拟物品信息处 理方法， 其特 征在于， 包括： 获取虚拟物品的文本描述信息、 图像信息、 元数据和所述虚拟物品关联的交互行为日 志； 提取所述图像信 息中所述虚拟物品的关键元素的信 息， 得到所述虚拟物品的图像关键 特征； 根据所述交 互行为日志和元 数据， 提取 所述虚拟物品的特 征信息； 将所述虚拟物品的文本描述信息、 图像信息、 图像关键特征和特征信息输入训练好的 深度学习网络， 通过所述深度学习网络确定所述虚拟物品的价值信息； 其中， 所述训练好的 深度学习网络包括分类预测模块和回归预测模块， 所述分类预测模块用于预测虚拟物品对 应的区间类别， 所述回归预测模块用于预测所述虚拟物品的价值信息， 所述训练好的深度 学习网络通过对所述分类预测模块和所述回归预测模块进行 联合训练得到； 根据所述虚拟物品的价值信 息进行后 续数据处理， 所述后 续数据处理包括以下至少一 项： 信息展示、 匹配处 理。 2.根据权利要求1所述的方法， 其特征在于， 所述提取所述图像信 息中所述虚拟物品的 关键元素的信息， 得到所述虚拟物品的图像关键特 征， 包括： 获取配置的所述虚拟物品的关键元 素， 以及所述关键元 素对应的光学字符识别模型； 将所述图像信 息输入所述关键元素对应的光学字符识别模型， 通过所述光学字符识别 模型识别所述图像信息所包 含的所述关键元 素的文本特 征； 所述虚拟物品的图像关键特 征包括所述虚拟物品的所有关键元 素的文本特 征。 3.根据权利要求1所述的方法， 其特征在于， 所述提取所述图像信 息中所述虚拟物品的 关键元素的信息， 得到所述虚拟物品的图像关键特 征， 包括： 获取配置的所述虚拟物品的关键元 素， 以及所述关键元 素对应的图像识别模型； 将所述图像信 息输入所述关键元素对应的图像识别模型， 通过所述图像识别模型识别 所述图像信息中所包 含的所述关键元 素的特征信息， 得到所述虚拟物品的图像关键特 征。 4.根据权利要求1所述的方法， 其特征在于， 所述特征信息包括以下至少一项： 属性特 征、 市场特征、 卖家特征， 所述将所述虚拟物品的文本描述信息、 图像信息、 图像关键特征和 特征信息输入训练好的深度学习网络， 通过所述深度学习网络确定所述虚拟物品的价值信 息， 包括： 将所述虚拟物品的文本描述信息转换为对应的文本特 征向量； 对所述虚拟物品的图像信息进行图像特 征提取， 得到图像特 征向量； 对所述虚拟物品的属性特征进行降维处理生成对应的属性特征向量， 并将所述属性特 征与所述属性特 征向量合并， 得到属性 合并特征； 将所述属性合并特征、 所述文本特征向量、 所述图像特征向量， 以及所述虚拟物品的图 像关键特征、 市场特征和卖家特征输入训练好的深度学习网络， 通过所述深度学习网络确 定所述虚拟物品的价 值信息； 其中所述深度学习网络为带有注意力机制的深度学习网络 。 5.根据权利要求1所述的方法， 其特 征在于， 所述获取虚拟物品的文本描述信息， 包括： 获取所述虚拟物品的名称和描述文本； 对所述虚拟物品的名称和描述文本进行文本预处理， 得到所述虚拟物品的文本描述信 息。权　利　要　求　书 1/3 页 2 CN 114708044 B 26.根据权利要求1所述的方法， 其特 征在于， 获取虚拟物品的图像信息， 包括： 获取包含所述虚拟物品的相关信息的图像数据； 对所述图像数据进行图像预处 理， 得到所述虚拟物品的图像信息； 其中， 所述图像预处 理包括以下至少一项： 调整图像大小、 色彩变换、 角度纠正。 7.根据权利要求1 ‑6中任一项所述的方法， 其特征在于， 所述根据 所述虚拟物品的价值 信息进行后续数据处 理， 包括： 响应于用户的虚拟物品查询请求， 获取 所述用户的预期价 值区间； 根据所述用户的预期价值区间和所述虚拟物品的价值信 息， 搜索价值信 息处于所述预 期价值区间内的虚拟物品； 输出价值信息处于所述预期价 值区间内的虚拟物品的信息 。 8.一种模型训练方法， 其特 征在于， 包括： 获取当前应用领域的虚拟物品的交易数据， 并根据每一 次交易数据生成对应的训练样 本， 所述训练样本包括虚拟物品的文本描述信息、 图像信息、 交互行为日志和元数据， 以及 所述虚拟物品的成交价 值、 所述成交价 值所在的价 值区间； 提取所述训练样本的图像信 息中所述虚拟物品的关键元素的信 息， 得到所述虚拟物品 的图像关键特 征； 根据所述训练样本中的所述交 互行为日志和元 数据， 提取 所述虚拟物品的特 征信息； 将根据每一所述训练样本确定的所述虚拟物品的文本描述信息、 图像信息、 图像关键 特征和特征信息输入训练好的深度学习网络， 通过所述深度学习网络的分类预测模块确定 所述虚拟物品对应的区间类别， 并通过所述深度学习网络的回归预测模块确定所述虚拟物 品的价值信息的预测值； 根据所述虚拟物品的价值信 息的预测值与 所述虚拟物品的成交价值间的差异， 以及所 述虚拟物品对应的区间类别与所述虚拟物品的所述成交价值所在的价值区间的差异， 对所 述深度学习网络的分类预测模块和回归预测模块进行联合训练， 得到训练好的深度学习网 络。 9.根据权利要求8所述的方法， 其特征在于， 所述根据所述虚拟物品的价值信 息的预测 值与所述虚拟物品的成交价值间的差异， 以及所述虚拟物品对应的区间类别与所述虚拟物 品的所述成交价值所在的价值区间的差异， 对所述深度学习网络的分类预测模块和回归预 测模块进行 联合训练， 得到训练好的深度学习网络， 包括： 根据所述虚拟物品的价值信 息的预测值与 所述虚拟物品的成交价值间的差异， 确定第 一损失； 根据所述虚拟物品对应的区间类别与所述虚拟物品的所述成交价值所在的价值区间 的差异， 确定第二损失； 根据所述第一损失和第二损失， 确定综合损失； 根据所述综合损 失， 更新所述深度学习 网络的分类预测模块和回归预测模块的参数， 实现对所述深度学习网络的分类预测模块和回归预测模块的联合训练， 得到训练好的深度 学习网络 。 10.一种虚拟物品信息处 理装置， 其特 征在于， 包括： 数据处理模块， 用于获取虚拟物品的文本描述信息、 图像信 息、 元数据和所述虚拟物品权　利　要　求　书 2/3 页 3 CN 114708044 B 3