CN119887307B 基于用户情感识别的动态广告内容智能投放方法 （浙江工贸职业技术学院(浙江工贸技师学院)）

(19)国家知识产权局(12)发明专利(10)授权公告号CN119887307B(65)同一申请的已公布的文献号(73)专利权人浙江工贸职业技术学院(浙江工贸技师学院)聚区雁云路301号(74)专利代理机构深圳众邦专利代理有限公司专利代理师王红本发明涉及一种基于用户情感识别的动态广告内容智能投放方法；该方法通过摄像装置实时采集用户观看广告时的面部图像数据，并将所述数据输入计算机视觉情感分析模型，生成视线焦点数据及用户体验评分，其中用户体验评分包设的广告内容库中选择与当前用户状态匹配度最高的广告内容，并依据情感分析模型识别的视线焦点数据，动态调整广告内容的视觉布局及关键信息元素位置；此外，本方法还根据用户体验评分的实时变化，调整广告的呈现方式，以增强通过摄像装置实时采集用户观看广告时的面部图像数据，包括面部表情、眼动轨迹、视线停留位置和停留时间将所述面部图像数据输入计算机视觉情感分析模型中，生成视线焦点数据以及包括兴趣度、专注度和情绪倾向在内的用户体验评分根据所述用户体验评分，从预设的广告内容库中选择与当前用户状态匹配度最高的广告内容基于所述情感分析模型识别的视线焦点数据，动态调整所选广告内容的视觉布局和关键信息元素位置根据用户体验评分的实时变化，动态调整广告内容的呈现方式，包括内容类型、图文比例和信息密度21.一种基于用户情感识别的动态广告内容智能投放方法，其特征在于，包括：通过摄像装置实时采集用户观看广告时的面部图像数据，包括面部表情、眼动轨迹、视线停留位置和停留时间；将所述面部图像数据输入计算机视觉情感分析模型中，生成视线焦点数据以及包括兴趣度、专注度和情绪倾向在内的用户体验评分；根据所述用户体验评分，从预设的广告内容库中选择与当前用户状态匹配度最高的广告内容；基于所述计算机视觉情感分析模型识别的视线焦点数据，动态调整所选广告内容的视觉布局和关键信息元素位置；根据用户体验评分的实时变化，动态调整广告内容的呈现方式，包括内容类型、图文比例和信息密度。2.根据权利要求1所述的基于用户情感识别的动态广告内容智能投放方法，其特征在在显示广告内容的界面周围设置视觉热度探测区域，所述视觉热度探测区域不显示实际广告内容但能捕捉用户的边缘视觉关注度；根据用户在所述视觉热度探测区域的注视行为，预测用户的视觉疲劳程度和注意力分散趋势；当检测到用户视觉疲劳超过预设阈值时，调整广告内容的视觉复杂度和刷新频率，以缓解用户视觉疲劳并优化广告体验；其中，所述根据用户在所述视觉热度探测区域的注视行为，预测用户的视觉疲劳程度通过高精度眼动追踪算法，采集用户在视觉热度探测区域的注视停留时间、视线移动将用户在视觉热度探测区域的频繁注视行为识别为对主要广告内容的兴趣下降信号，或将长时间固定注视识别为视觉疲劳信号；并结合用户的眨眼频率、瞳孔扩张情况及眼球震颤特征，综合评估视觉疲劳程度与注意力分散趋势。3.根据权利要求1所述的基于用户情感识别的动态广告内容智能投放方法，其特征在实时分析用户面部微表情与视线转移速率之间的相关性，识别用户对广告内容的潜意识兴趣点与抵触点；将识别结果与广告内容的语义分区映射，生成用户兴趣热图；基于所述用户兴趣热图对广告内容进行实时重构，强化用户关注的语义元素并弱化或替换引发抵触情绪的内容元素，实现广告内容的无感知个性化优化。4.根据权利要求1所述的基于用户情感识别的动态广告内容智能投放方法，其特征在监测用户在广告投放过程中的情绪波动及专注度变化数据；当所述情绪波动数据显示用户情绪趋向负面或所述专注度变化数据显示用户专注度下降幅度超过预设阈值时，自动触发广告内容的缓冲调整模式；3持续监测用户情绪状态，当检测到用户情绪指标恢复至预设正常范围内时，逐步恢复5.根据权利要求1所述的基于用户情感识别的动态广告内容智能投放方法，其特征在其中，所述视觉特征提取单元用于从输入的面部图像数据所述情感状态推理单元用于综合视觉特征提取单元的输出数所述用户体验评分计算单元用于基于情感状态推理单元的输出结果，计算最终的用户6.根据权利要求5所述的基于用户情感识别的动态广告内容智能投放方法，其特征在计算用户历史情感趋势的时间窗口大小；∈是防止分母趋于零的微小常数；W;为情感权47.根据权利要求1所述的基于用户情感识别的动态广告内容智能投放方法，其特征在于，所述通过摄像装置实时采集用户观看广告时的面部图像数据，包括：在检测到用户面部进入广告观看区域后，基于主动光适应成像技术动态调整摄像装置的曝光参数，以适应不同环境光照条件；结合自适应帧率控制算法，在用户眼动频率较高时提升采样帧率，以精准捕捉瞬时注意力转移，在用户视线停留稳定时降低采样频率，以减少数据冗余并优化计算效率。8.根据权利要求1所述的基于用户情感识别的动态广告内容智能投放方法，其特征在于，所述根据所述用户体验评分，从预设的广告内容库中选择与当前用户状态匹配度最高基于所述用户体验评分中的兴趣度、专注度和情绪倾向，对广告内容库中的广告内容进行初步筛选，剔除与用户当前情感状态不匹配的广告类型，并优先保留历史观看数据表明用户存在正向反馈的广告内容；针对初步筛选出的广告内容，分析用户的视线焦点数据，判断用户在当前广告观看过程中更倾向于关注的广告元素特征，包括图像区域、文本信息或动态内容，并基于该用户的兴趣点分布，计算广告内容库中候选广告的匹配度，以提高广告匹配的精准度；在多个广告内容的匹配度接近的情况下，结合用户的历史观看行为、广告点击记录及同类型用户的偏好数据，调整广告内容的推荐排序。9.根据权利要求1所述的基于用户情感识别的动态广告内容智能投放方法，其特征在于，所述基于所述计算机视觉情感分析模型识别的视线焦点数据，动态调整所选广告内容的视觉布局和关键信息元素位置，包括：基于用户的视线焦点数据，确定用户在广告内容中的高关注区域和低关注区域，其中，当用户的视线长时间集中于特定区域时，该特定区域被判定为高关注区域，而用户视线较少停留的部分则被识别为低关注区域；针对高关注区域，优化关键信息元素的展示方式，其中，若广告内容包含多个信息层级，则优先将核心品牌标识、价格信息或主要广告文案调整至用户高关注区域，以提高信息传递效率；对低关注区域的非核心内容进行弱化或缩小，以减少视觉干扰；在广告播放过程中，结合用户视线的实时变化，对动态广告元素进行自适应调整，其中，当检测到用户的视线在关键信息区域停留时间较短时，适当增强该区域的视觉突出度，包括放大字体、提高对比度或增加动画效果，以吸引用户的注意力，而当用户对指定内容长时间关注时，避免过多动态变化。10.根据权利要求1所述的基于用户情感识别的动态广告内容智能投放方法，其特征在基于用户体验评分中的兴趣度、专注度和情绪倾向，判断用户当前的接受信息能力和偏好特征，并根据不同评分范围设定广告内容调整策略，其中，当兴趣度和专注度较高时，优先选择信息量丰富的广告内容，而当兴趣度或专注度较低时，减少非核心信息，以避免用户对广告产生抵触情绪；针对调整后的广告内容，优化图文比例，其中，当用户的专注度较高且兴趣度较低时，提高广告中图像元素的占比，以增强视觉冲击力，而当用户兴趣度较高时，增加文字信息的清晰度和内容丰富度，以满足用户的深度阅读需求；5在广告播放过程中，持续监测用户体验评分的变化趋势，并动态调整信息密度，其中，当用户情绪倾向为积极且专注度稳定时，增加广告内容的细节呈现，而当用户的专注度下降或情绪趋向负面时，降低信息密度，以提高广告的可接受性和信息传递效率。6基于用户情感识别的动态广告内容智能投放方法技术领域[0001]本发明涉及广告投放技术领域，尤其涉及一种基于用户情感识别的动态广告内容智能投放方法。背景技术[0002]在现有技术中，广告投放主要依赖于基于用户历史行为、兴趣标签或人口统计学特征的个性化推荐方式，例如通过用户的浏览记录、购买数据或社交媒体互动分析其偏好，以匹配相应的广告内容。此外，部分广告投放系统采用静态展示或固定播放模式，无论用户是否对广告感兴趣，其内容和呈现方式均保持不变。近年来，计算机视觉技术的发展使得广告系统可以利用摄像装置捕捉用户的面部表情和视线轨迹，从而分析用户的情绪状态，以优化广告内容的推送策略。[0003]现有的广告投放系统在精准度和实时调整能力方面仍然存在一定局限性。一方面，基于历史行为的推荐方法无法及时反映用户在广告观看过程中的即时情绪和关注度，导致部分投放内容未能与用户的当前兴趣匹配。另一方面，现有利用计算机视觉进行情感识别的广告投放技术通常仅用于广告选择，而未能动态调整广告的视觉布局、信息呈现方式等关键要素，以进一步提升用户体验。此外，广告内容的调整往往缺乏实时响应能力，难以适应用户情绪的快速变化，从而影响广告的有效性。[0004]为了解决上述问题，本发明提供一种基于用户情感识别的动态广告内容智能投放方法。发明内容[0005]本申请提供一种基于用户情感识别的动态广告内容智能投放方法，以提高广告内容的精准投放和用户关注度。[0006]本申请提供一种基于用户情感识别的动态广告内容智能投放方法，包括：[0007]通过摄像装置实时采集用户观看广告时的面部图像数据，包括面部表情、眼动轨[0008]将所述面部图像数据输入计算机视觉情感分析模型中，生成视线焦点数据以及包括兴趣度、专注度和情绪倾向在内的用户体验评分；[0009]根据所述用户体验评分，从预设的广告内容库中选择与当前用户状态匹配度最高的广告内容；[0010]基于所述计算机视觉情感分析模型识别的视线焦点数据，动态调整所选广告内容的视觉布局和关键信息元素位置；[0011]根据用户体验评分的实时变化，动态调整广告内容的呈现方式，包括内容类型、图文比例和信息密度。[0012]本申请提供的技术方案的有益效果包括：[0013](1)本发明基于用户的实时情感识别结果，从预设的广告内容库中选择与当前用7户状态匹配度最高的广告内容，从而提升广告的相关性，增强用户的观看兴趣，避免无效或低效广告投放，提高广告转化率。(2)通过分析用户的视线焦点数据和情感倾向，动态调整广告内容的视觉布局和关键信息元素位置，使广告内容更符合用户的视觉习惯和注意力集中区域，从而提升广告的可读性和吸引力，增强用户的沉浸感和参与度。(3)本发明能够根据用户体验评分的实时变化，动态调整广告的呈现方式，包括内容类型、图文比例和信息密度，使广告能够适应用户情绪和关注度的变化，确保广告信息以最优的方式传达，从而提升广告传播效果。附图说明[0014]图1是本申请第一实施例提供的一种基于用户情感识别的动态广告内容智能投放方法的流程图。具体实施方式[0015]在下面的描述中阐述了很多具体细节以便于充分理解本申请。但是本申请能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本申请内涵的情况下做类似推广，因此本申请不受下面公开的具体实施的限制。[0016]本申请第一实施例提供一种基于用户情感识别的动态广告内容智能投放方法。请参看图1,该图为本申请第一实施例的示意图。以下结合图1对本申请第一实施例提供一种基于用户情感识别的动态广告内容智能投放方法进行详细说明。[0017]步骤S101:通过摄像装置实时采集用户观看广告时的面部图像数据，包括面部表[0018]在步骤S101中，通过摄像装置实时采集用户观看广告时的面部图像数据，以提供情感识别和广告动态调整的基础。摄像装置可以采用高分辨率摄像头、红外摄像头或具备深度感知能力的摄像设备，以确保能够准确捕捉用户的面部表情、眼动轨迹、视线停留位置及停留时间。摄像装置的安装位置可根据应用场景进行优化，例如在室内数字广告屏前，可将摄像装置嵌入显示屏上方或下方，以获取最佳的用户面部视角；在自助终端或智能零售设备上，可将摄像装置安装于屏幕顶部，以实现正面对用户面部的采集。[0019]面部图像数据的采集采用高帧率视频捕获技术，以减少运动模糊，提高关键面部特征的识别精度。采集的数据包括但不限于面部表情特征，如眉毛弧度、嘴角曲线、眼睑开合状态等，这些特征可用于判断用户的情感状态。眼动轨迹是通过检测瞳孔中心位置的连续变化确定的，通常采用光流法、Hough变换等计算机视觉技术进行识别，同时结合Kalman滤波器或LSTM(长短时记忆网络)对轨迹数据进行平滑处理，以减少采集误差。视线停留位置是基于视线方向与屏幕内容区域的映射关系确定的，摄像装置可结合屏幕坐标系和三维深度信息，通过回归分析或几何变换计算用户视线落点的具体位置。此外，停留时间的测量基于视线焦点的持续性，若用户的视线在某个广告区域停留时间超过设定阈值，则可记录该区域为用户的高关注度区域。[0020]为了提升面部数据采集的鲁棒性，步骤S101还可以结合多帧图像融合技术，以提高面部特征检测的准确率。在低光环境下，可采用红外摄像或HDR(高动态范围)图像增强技术，以确保面部表情和视线特征的可见性。对于可能出现的面部遮挡问题，如用户佩戴8眼镜、帽子或口罩，可采用基于深度学习的遮挡补偿算法，如使用预训练的卷积神经网络(CNN)预测被遮挡部分的面部特征。[0021]此外，为了确保数据的实时性，摄像装置需要具备高速数据传输能力，可采用USB3.0、PCIe或MIPI传输协议，以减少采集延迟。在处理端列)或GPU进行并行加速计算，以提高面部图像数据的处理效率，确保用户情感识别的实时性。对于隐私保护，采集的面部数据可以进行边缘计算处理，即在本地设备上完成特征提取，避免传输完整图像数据，以降低用户隐私[0022]通过上述步骤，能够高效、准确地获取用户的面部表情、眼动轨迹、视线停留位置及停留时间，为后续的情感分析和广告内容动态调整提供可靠的数据支持。[0023]更进一步地，所述通过摄像装置实时采集用户观看广告时的面部图像数据，包括：[0024]在检测到用户面部进入广告观看区域后，基于主动光适应成像技术动态调整摄像装置的曝光参数，以适应不同环境光照条件；[0025]结合自适应帧率控制算法，在用户眼动频率较高时提升采样帧率，以精准捕捉瞬时注意力转移，在用户视线停留稳定时降低采样频率，以减少数据冗余并优化计算效率。[0026]在检测到用户面部进入广告观看区域后，系统首先利用人脸检测算法确定用户的位置，并通过主动光适应成像技术动态调整摄像装置的曝光参数，以适应不同环境光照条件。曝光参数的调整基于光照强度实时分析模块，该模块通过摄像装置的环境光传感器检测当前光照水平，并计算最佳曝光值，使面部图像在强光或低光环境下均能保持高对比度和清晰度。例如，在室外强光环境下，系统会降低曝光时间并优化对比度增强算法，以减少过曝导致的细节损失；在低光环境下，系统通过提高增益参数或启用红外补光，以确保面部特征仍然清晰可见。[0027]为了确保对用户眼动轨迹和视线停留位置的高精度追踪，系统结合自适应帧率控制算法，根据用户的眼动频率动态调整图像采集的帧率。在用户视线快速移动或眼动轨迹变化剧烈的情况下，系统会自动提高采样帧率，以捕捉短时间内的注意力变化，例如当用户的眼睛在屏幕多个区域之间快速跳跃时，系统会增加数据采集密度，以精准记录视线转移的过程。当用户的视线停留在某一固定区域较长时间且眼动变化较小，系统会降低采样帧率，以减少数据冗余并降低计算负担，同时确保记录的停留时间数据仍然准确无误。该自适应帧率控制机制结合历史眼动模式分析，使得系统在用户观看广告的不同阶段均能以最优方式进行数据采集，既保证了追踪的精准性，又提高了计算资源的利用率。[0028]通过上述方法，系统能够在不同光照环境和用户观看行为变化的情况下，稳定获取面部表情、眼动轨迹和视线停留信息，为后续的情感分析和广告内容优化提供高质量的数据支持，提高广告个性化匹配的精准度和用户体验优化的效果。[0029]步骤S102:将所述面部图像数据输入计算机视觉情感分析模型中，生成视线焦点数据以及包括兴趣度、专注度和情绪倾向在内的用户体验评分。[0030]在步骤S102中，所述面部图像数据被输入至计算机视觉情感分析模型，以分析用户的情感状态，并生成视线焦点数据及用户体验评分。该过程首先对采集到的面部图像数据进行预处理，包括图像去噪、光照补偿、面部关键点检测及归一化处理，以提高后续分析的稳定性和准确性。面部关键点检测可以采用多种深度学习模型，例如基于卷积神经网9取用户表情相关的特征。[0031]在面部表情分析过程中，所述计算机视觉情感分析模型利用训练好的表情分类网络对用户的表情状态进行分类，并结合表情变化序列进行情绪趋势预测。例如，若检测到用户的嘴角上扬、眼睛睁大等特征，可判定用户情绪趋向于积极，而若检测到皱眉、嘴角下垂等特征，则可能表示不满或低兴趣状态。此外，针对用户眼动轨迹和视线停留数据，所述情感分析模型通过追踪用户的视线方向，并结合屏幕区域划分信息，计算用户的视线焦点，判断其在广告内容上的注意力分布情况。该过程可通过角膜反射检测(PCCR)或深度学习回归方法预测用户的注视点，并利用动态时间规整(DTW)或卡尔曼滤波等方法平滑视线轨迹，以提高跟踪精度。[0032]用户体验评分的生成是基于多维度情感特征计算得到的综合数值，其中包括兴趣度、专注度和情绪倾向等关键指标。兴趣度可通过用户的视线停留时间、面部表情变化频率以及眨眼速率计算，较长时间注视且伴随微笑等正向表情可能表明较高的兴趣度，而频繁眨眼或快速移开视线则可能表示兴趣度较低。专注度的计算通常涉及用户的眼动稳定性及注意力集中区域的变化情况，例如若用户长时间注视特定广告元素且眼动轨迹较少偏离，则表明其专注度较高，而若视线频繁变动，说明专注度较低。情绪倾向则结合表情识别和语义情感分析技术，基于表情分类结果及时间序列分析，判断用户是处于积极、消极或中性情绪状态，并利用长短时记忆网络(LSTM)等时间序列模型预测情绪变化趋势。[0033]在上述分析过程中，可采用预先训练的深度学习模型，如基于识别网络，以及基于Transformer结构的情绪趋势分析模型，以提高计算的准确性和泛化能力。此外，用户体验评分的计算可采用加权评分算法，依据用户的面部表情、视线数据和注意力特征赋予不同权重，以计算综合评分，从而更准确地反映用户的广告体验状态。为了提高实时性，计算机视觉情感分析模型可部署于边缘计算设备上，使数据处理在本地进行，以降低云端处理的延迟，并增强用户隐私保护能力。最终，生成的用户体验评分将作为后续广告内容选择和动态调整的依据，以优化广告投放效果。[0034]更进一步地，所述计算机视觉情感分析模型包括视觉特征提取单元、情感状态推理单元和用户体验评分计算单元；[0035]其中，所述视觉特征提取单元用于从输入的面部图像数据中提取多维度特征，包括面部表情特征、眼动轨迹数据和视线停留信息；所述视觉特征提取单元通过卷积神经网户的眼动轨迹和视线移动方向；利用深度学习模型结合摄像装置的视角参数，对用户视线落点进行空间映射，从而生成精确的视线焦点数据，并标定用户在广告画面中的注视区域；[0036]所述情感状态推理单元用于综合视觉特征提取单元的输出数据，推理用户的实时情感状态，包括兴趣度、专注度和情绪倾向；所述情感状态推理单元采用基于长短时记忆网络的时序建模方法，以识别用户情感状态的动态变化，并结合自注意力机制优化对不同视觉特征的权重分配，提高情感分析的准确性；通过对面部表情的变化模式、眼动轨迹的稳定性、视线停留的时长和区域进行联合分析，计算用户对当前广告内容的兴趣程度，评估用户的专注水平，并识别用户的整体情绪倾向；[0037]所述用户体验评分计算单元用于基于情感状态推理单元的输出结果，计算最终的用户体验评分，并结合视线焦点数据优化广告内容的适配性；所述用户体验评分计算单元采用加权多因素评分模型，综合兴趣度、专注度、情绪倾向以及用户的视线焦点稳定性，生成用户体验评分，并结合历史观看行为和个体偏好进行个性化调整。[0038]本实施例中，计算机视觉情感分析模型由视觉特征提取单元、情感状态推理单元和用户体验评分计算单元组成，这些单元相互配合，从输入的面部图像数据中提取和分析用户的情感状态，最终生成用于广告动态优化的关键数据。各单元的输入和输出相互关联，以确保整个分析流程的连贯性和有效性。[0039]视觉特征提取单元的主要作用是从输入的面部图像数据中提取用户的关键视觉特征，包括面部表情特征、眼动轨迹数据和视线停留信息。该单元首先利用卷积神经网络检测用户的面部关键点，识别眉毛、眼睛、嘴角等部位的微小运动，以提取表情特征向量。接着，结合光流法计算用户的眼动轨迹，分析其视线移动方向、注视区域变化以及视线跳跃模式。此外，该单元利用深度学习模型结合摄像装置的视角参数，对用户的视线落点进行空间映射，生成精确的视线焦点数据，并标定用户在广告画面中的具体注视区域。该单元的输出包括表情特征向量、眼动轨迹数据和视线焦点数据，这些数据将作为输入传递给情感状态推理单元，以进行更深入的情感分析。[0040]情感状态推理单元在接收视觉特征提取单元的输出后，基于这些数据推理用户的实时情感状态，包括兴趣度、专注度和情绪倾向。该单元采用基于长短时记忆网络的时序建模方法，结合用户的表情特征向量，分析用户在不同时间点的表情变化趋势，以判断情绪的动态演变。同时，该单元利用自注意力机制优化对不同视觉特征的权重分配，使眼动轨迹数据与表情特征相结合，以计算用户的兴趣度。兴趣度的计算基于用户的视线停留时间、眼动轨迹稳定性以及特定广告区域的关注强度，若用户在某个广告元素上停留时间较长且视线较少跳跃，则兴趣度较高。专注度的计算则依赖于用户的眼动固定程度和短时间内的视线偏移幅度，若用户的视线过于分散或频繁转换注视点，则专注度较低。情绪倾向的识别基于面部表情的时间序列分析，系统通过识别用户的微表情特征，如轻微的嘴角上扬或眉毛紧缩，判断其当前情绪为积极、中性或消极状态。该单元的输出包括兴趣度、专注度和情绪倾向，这些数据将被输入到用户体验评分计算单元，以进一步评估用户对当前广告内容的整[0041]用户体验评分计算单元接收情感状态推理单元的输出数据，并结合视线焦点数据，计算用户的最终体验评分，以优化广告内容的适配性。该单元采用加权多因素评分模高的权重，用于衡量用户对广告内容的实际关注程度，专注度用于评估用户是否能够持续保持注意力，而情绪倾向用于判断用户对广告内容的接受程度。此外，该单元利用视线焦点数据分析用户的注视区域分布，确定用户主要关注的广告元素，并在计算评分时调整广告内容的重要性权重。为了提高评分的个性化匹配，该单元结合用户的历史观看行为数据，对评分结果进行动态优化，使其能够反映用户的长期兴趣趋势。最终，该单元的输出包括用户体验评分，该评分将作为广告投放调整的核心依据，以确保广告内容能够精准匹配用户的实时情感状态，提高广告的投放效果和用户的观看体验。[0042]通过视觉特征提取单元、情感状态推理单元和用户体验评分计算单元的协同处理，计算机视觉情感分析模型能够从面部图像数据中精准分析用户的情感状态，并基于视线焦点和情绪反馈优化广告内容的呈现方式，使广告投放更加智能化和个性化。11[0043]以下是计算机视觉情感分析模型的示意性的参考实现代码，代码中包括视觉特征提取单元、情感状态推理单元和用户体验评分计算单元。该代码使用了常见的深度学习库TensorFlow和OpenCV进行计算。[0046]importtens[0048]fromtensorflow.keras.layersimportLSTM,Dense,[0050]#视觉特征提取单元[0052]definit(se[0053]"""初始化面部关键点检测模型"""[0054]self.detector=dlib.get_frontal_face_de[0055]self.predictor=dlib.shape_predictor(face_mod[0056]defextract_facial_features(se[0058]提取面部表情特征[0059]:paramimage:输入图像(BGR格式)[0060]:return:关键点坐标[0062]gray=cv2.[0066]landmarks=[0068]X,y=landma[0069]fe[0070]returnnp.a[0071]defcompute_optical_flow(self,pr[0073]计算眼动轨迹和视线移动方向(使用光流法)[0074]:paramprev_frame:先前帧[0075]:paramcurr_frame:当前帧[0076]:return:眼动轨迹向量[0078]prev_gray=cv2.cvtColo[0079]curr_gray=cv2.cvtColor(curr_frame,cv2.CO[0080]#Shi-Tomasi角点检测[0081]features=cvqualityLevel=0.3,mi[0082]iffeaturesisnotNone:[0083]next_pts,status,_=cv2.ca[0084][0087]defcompute_gaze_focus(self,landmarks):[0089]结合面部关键点和摄像机视角，计算视线焦点[0090]:paramlandmarks:面部关键点坐标[0091]:return:视线焦点坐标(屏幕位置)[0094]ga[0095]ga[0097]#情感状态推理单元[0099]definit(self,l[0100]"""初始化长短时记忆网络(LSTM)用于情感状态建模&[0101]self.model=self.build_lstm_[0102]defbuild_lstm_model(self,lstm_units):[0104]构建LSTM模型，用于处理时序情感数据[0105]:paramlstm_units:LSTM隐藏层单元数量[0108]input_data=Input(shape=(10,3))#10个时间步，每步有3个输入特征(兴趣度、专注度、情绪倾向)[0109]lstm=LSTM(lstm_units,return_sequenc[0110]attention=Attention()([感状态[0112]model=Model(inputs=input_data,outputs[0113]pile(optimizer='adam’,CN119887307B说明书8/20页[0115]definfer_emotion_state(self,facial_[0117]计算用户的兴趣度、专注度和情绪倾向[0123]interest_score[0124]attention_score于表情特征)[0126]input_data=npemotion_score]]*10).resha[0127]return[0131]"""初始化用户体验评分计算"""[0132]self.weightsquot;:0.3,"emotion":0.2}#[0133]defcompute_experience_score(self[0135]计算最终的用户体验评分由情感状态推理单元提供的兴趣度、专注度和[0137]:return:用户体验评分(0-1之间)[0139]interest_score,attention_score,emotion_score[0140]experience_scoreinterest_score+[0143]return[0144]#计算机视觉情感分析模型[0145]class[0146]definit(self,fac[0147]"""初始化计算机视觉情感分析模型，包括三个单元&[0148]self.visual_extractorpath)[0149]self.emotion_[0150]self.experience_scorer[0151]defanalyze_emotion(self,prev_frame,curr_frame):[0152][0153]运行整个分析流程，计算用户的情感状态和体验评分[0154]:paramprev_frame:先前视频帧[0155]:paramcurr_frame:当前视频帧[0156]:return:用户体验评分[0157][0158]facial_features=self.visual_extractor.extract_facial_[0159]eye_movement=self.visual_pute_optical_[0160]gaze_focus=self.visual_pute[0161]emotion_state=se[0162]experience_score=[0163]return[0164]训练计算机视觉情感分析模型需要构建包含面部表情、眼动轨迹和视线焦点数据的多模态数据集，首先收集用户观看广告时的视频数据，并使用面部关键点检测算法提取表情特征，利用光流法计算眼动轨迹，并结合摄像装置的视角参数映射视线落点。将这些数据作为输入，训练卷积神经网络提取视觉特征，并使用长短时记忆网络对时间序列中的表情变化和眼动模式进行建模。为了提高准确性，引入自注意力机制优化视觉特征的权重分配，使模型能够关注最重要的信息。训练过程中，采用加权多因素评分模型计算用户体验评分，利用交叉熵损失函数优化情绪分类任务，并基于均方误差调整用户体验评分预测的误差。通过多轮迭代训练，并结合个体偏好调整模型参数，最终实现对用户情感状态的精准预测，使广告内容能够根据实时情感反馈进行优化。[0165]更进一步地，所述用户体验评分计算单元采用如下的公式1,计算用户体验评分：[0167]其中，Uscore为最终用户体验评分；Ei[0169]其中，E,A,T分别为该用户过去观看广告的平均兴趣度，专注度和情绪倾向；的视线停留时间、面部表情变化和眼动稳定性共同决定，其取值范围在0到1之间，其中[0172]专注度A反映用户对广告内容的注意力集中情况，该指标结合眼动轨迹的稳定析计算得到，取值范围同样在0到1之间，1代表情绪积极，0代表情绪消极。[0179]其中E、Ai、Ti分别表示用户在第个时间步的兴趣度，专注度和情绪倾向；E,A,T分别为该用户在过去一段时间内(如过去N个时间步)观看广告的平均兴趣度，专注[0181]时间步情感状态的方差表示的是用户在当前时间步i的情感值相对于其历史平均值的偏离程度。当用户在某一时间步的情感状态显著偏离其历史趋势(例如突然的兴趣提[0186]时间窗口大小N代表用于计算用户历史情感趋势的时间步数量，推荐值一般在[0187]最终，用户体验评分Uscore通过对所有时间步的情感数据进行加权求和，并结合情感波动进行调整，以确保评分能够全面反映用户对广告的真实体验。该计算方法使得系统在评估用户对广告内容的接受度时，能够综合考虑长期趋势和短期情感波动，并通过个性化调节参数适配不同用户的行为模式，提高广告投放的精准度和用户体验优化效果。[0188]步骤S103:根据所述用户体验评分，从预设的广告内容库中选择与当前用户状态匹配度最高的广告内容。[0189]在步骤S103中，根据用户体验评分，从预设的广告内容库中选择与当前用户状态匹配度最高的广告内容，以确保广告投放的精准性和个性化。首先，广告内容库需要事先构建，并包含多种类型的广告内容，每个广告内容应具有结构化的标签信息，如广告类型、历史投放数据、用户反馈数据以及情感匹配度权重，以便优化匹配过程。[0190]为了提高广告匹配的准确性，系统首先需要解析用户体验评分，该评分由兴趣度、专注度和情绪倾向等参数构成。兴趣度反映用户对当前广告内容的潜在兴趣水平，专注度表示用户观看广告的注意力集中程度，而情绪倾向则表明用户的情感状态是积极、中性还是消极。基于这些指标，可以定义一个多维向量来表示当前用户的情感状态，并结合权重计算综合情感评分，以便用于广告匹配。[0191]广告内容匹配的核心在于计算当前用户情感状态与广告内容库中各广告内容的匹配度。匹配算法可以采用基于规则的决策方法、机器学习模型或深度神经网络进行优化。学习方法中，可以采用协同过滤或基于内容的推荐算法，将用户当前的情感特征与历史数据进行比对，从而选择最符合用户状态的广告。在深度学习方法中，可以使用预训练的情感-广告匹配模型，输入用户情感状态向量，并输出最佳匹配的广告内容。[0192]一旦计算得到匹配度最高的广告内容，系统将根据匹配结果进行广告内容的推送。同时，为了提高匹配的实时性，广告选择过程可以采用缓存机制或索引优化，以加快搜索和匹配速度。若匹配度最高的广告内容与当前广告内容相同，则无需切换，否则系统可触发广告内容的更新，并为后续步骤提供优化依据。此外，为了提高长期的匹配精度，系统可存储用户观看记录、匹配结果及用户交互反馈数据，并利用这些数据不断优化广告选择策略，以提升用户体验和广告投放的商业价值。[0193]更进一步地，所述根据所述用户体验评分，从预设的广告内容库中选择与当前用[0194]基于所述用户体验评分中的兴趣度、专注度和情绪倾向，对广告内容库中的广告内容进行初步筛选，剔除与用户当前情感状态不匹配的广告类型，并优先保留历史观看数据表明用户存在正向反馈的广告内容；[0195]针对初步筛选出的广告内容，分析用户的视线焦点数据，判断用户在当前广告观看过程中更倾向于关注的广告元素特征，包括图像区域、文本信息或动态内容，并基于该用户的兴趣点分布，计算广告内容库中候选广告的匹配度，以提高广告匹配的精准度；[0196]在多个广告内容的匹配度接近的情况下，结合用户的历史观看行为、广告点击记录及同类型用户的偏好数据，调整广告内容的推荐排序。[0197]在根据用户体验评分选择与当前用户状态匹配度最高的广告内容时，系统首先需要对广告内容库中的广告进行筛选，以确保推荐的广告内容能够与用户的当前情感状态、兴趣程度和专注水平保持一致。用户体验评分中的兴趣度、专注度和情绪倾向共同决定了筛选标准，其中，兴趣度用于判断用户对广告内容的接受意愿，专注度用于衡量用户当前对信息获取的耐受度，而情绪倾向则反映用户对不同类型广告的潜在偏好。系统基于这些因素，对广告内容库进行筛选，剔除那些与用户当前情感状态不匹配的广告类型，例如，当用户的情绪倾向偏向消极时，系统会减少高刺激或信息密度较高的广告推送，而在用户兴趣度较高的情况下，则优先选择内容详尽、信息丰富的广告。此外，系统还参考用户的历史观看记录，优先保留那些用户过去观看时间较长、交互行为较多或有正向反馈的数据，以提高广告匹配的准确性。[0198]在完成初步筛选后，系统进一步分析用户的视线焦点数据，以确定用户在广告观看过程中更关注哪些广告元素，包括图像区域、文本信息或动态内容。系统通过用户的注视时长、眼动轨迹和视线停留点，判断用户对不同广告元素的兴趣程度，并计算候选广告与用户当前兴趣点的匹配度。例如，若用户的视线更倾向于停留在图像区域，则系统会优先推荐视觉冲击力较强、图像占比更高的广告；若用户对文字信息的注视时间较长，则选择信息表达更加直观、详细的广告内容；对于关注动态内容的用户，则推荐动画或短视频类广告，以提高广告内容的吸引力。通过这种方式，系统能够确保所选广告内容与用户的兴趣点保持高度匹配，从而提升广告的观看体验和传播效果。[0199]在候选广告内容匹配度接近的情况下，系统结合用户的历史观看行为、广告点击记录以及同类型用户的偏好数据，对广告推荐的排序进行优化。历史观看行为反映了用户长期的兴趣趋势和信息获取习惯，例如若用户在过去的多次观看中对某一类别的广告表现出较高的兴趣，则该类别的广告优先级会相应提高。广告点击记录用于判断用户对广告内容的实际交互情况，例如，如果某类广告的点击率较高，则该类型广告的推荐权重将被提升。而同类型用户的偏好数据则可用于推测用户的潜在兴趣点，若系统检测到与当前用户行为模式相似的用户对某类广告有较高的偏好，则可适当提高该类广告的推荐优先级。通过这种基于多维度数据的排序优化方式，系统能够在多个匹配度相近的广告内容中选择最符合用户个体需求的广告，从而进一步提升广告匹配的精准度和投放效果。[0200]步骤S104:基于所述情感分析模型识别的视线焦点数据，动态调整所选广告内容的视觉布局和关键信息元素位置。[0201]在步骤S104中，系统基于所述情感分析模型识别的视线焦点数据，对所选广告内容的视觉布局和关键信息元素位置进行动态调整，以优化用户的观看体验并提高广告的有效性。首先，需要对用户的视线焦点数据进行解析，该数据包括但不限于用户的注视区域、视线停留时间、眼动轨迹变化趋势以及相对屏幕内容的位置映射。系统利用这些数据确定用户在广告内容中的关注区域，即用户视线集中且停留时间较长的区域通常为高关注区域，而视线快速移动或短暂停留的区域可能表示低关注度或信息冗余。[0202]在确定用户关注区域后，系统对广告内容的布局进行优化调整。具体而言，系统首及图像或视频主体，并结合用户的视线焦点数据，重新排列这些元素的位置，使得关键信息能够更容易进入用户的视觉中心。例如，如果用户的视线主要集中在广告画面的左侧区域，而广告的核心卖点位于右侧，则可以将核心卖点信息移动至左侧，以确保用户能够快速接收关键信息。同样，若用户的视线停留时间较短或较为分散，系统可以将广告的高价值信息聚焦在视线停留时间较长的区域，从而提升广告的有效传达率。[0203]在具体的调整策略上，可以采用基于区域划分的自适应布局优化方法，按照广告画面的网格结构，将广告内容划分为多个动态调整区域。系统可依据视线数据，在这些区域内调整信息块的位置、大小或透明度，以增强视觉吸引力。此外，系统可结合基于强化学习的自适应优化算法，学习不同用户群体的视线分布模式，从而在后续广告展示中进行预优[0204]在视觉元素调整的过程中，系统还可以动态改变广告的文本和图像的排列方式。例如，对于长文本描述的广告内容，如果检测到用户的专注度较低，可以减少文本量或增加关键字的字体大小，使关键信息更加突出。如果广告包含多个产品或服务，系统可根据用户的兴趣度将最相关的内容优先放置在用户的高关注区域。此外，如果广告为视频形式，系统可以基于用户的视线焦点优化关键帧的显示方式，使重要信息在用户注意力最高的时间点[0205]在进行布局调整时，还需要考虑视觉平衡和美观性，以避免广告元素的突兀变化影响用户体验。系统可以采用基于计算机视觉的图像美学评估模型，确保调整后的广告布局符合视觉设计原则，如对称性、对比度和信息层次清晰度。对于交互式广告，系统还可以结合用户的手势或点击行为进一步优化布局，例如当用户对某一区域表现出高关注时，可以放大该区域的相关内容或提供进一步交互的按钮，以增强用户参与度。[0206]整个布局调整过程可在广告展示过程中实时进行，也可以基于历史用户数据提前优化，以减少计算开销和内容突变对用户体验的影响。最终，通过动态调整广告的视觉布局和关键信息元素位置，使广告内容能够更精准地适应用户的注意力分布，提高广告的传播效果和用户体验满意度。[0207]更进一步地，所述基于所述计算机视觉情感分析模型识别的视线焦点数据，动态调整所选广告内容的视觉布局和关键信息元素位置，包括：[0208]基于用户的视线焦点数据，确定用户在广告内容中的主要关注区域和低关注区域，其中，当用户的视线长时间集中于特定区域时，该特定区域被判定为高关注区，而用户视线较少停留的部分则被识别为低关注区；[0209]针对高关注区域，优化关键信息元素的展示方式，其中，若广告内容包含多个信息层级，则优先将核心品牌标识、价格信息或主要广告文案调整至用户高关注区域，以提高信息传递效率；对低关注区域的非核心内容进行弱化或缩小，以减少视觉干扰；[0210]在广告播放过程中，结合用户视线的实时变化，对动态广告元素进行自适应调整，其中，当检测到用户的视线在关键信息区域停留时间较短时，适当增强该区域的视觉突出度，包括放大字体、提高对比度或增加动画效果，以吸引用户的注意力，而当用户对指定内容长时间关注时，避免过多动态变化。[0211]在基于计算机视觉情感分析模型识别的视线焦点数据调整广告内容的视觉布局和关键信息元素位置时，系统首先需要确定用户在广告画面中的主要关注区域和低关注区域。通过摄像装置实时采集用户观看广告时的视线数据，并结合视线停留时间、眼动轨迹和焦点稳定性进行综合分析，判断用户在哪些广告区域停留时间较长，哪些区域的视线仅短暂扫过。长时间集中注视的区域被判定为高关注区，而视线较少停留或频繁跳跃的部分被识别为低关注区。这种区域划分可以根据广告类型和用户的视觉行为模式动态调整，以确保系统能够准确识别用户的实际关注点。[0212]在完成用户关注区域分析后，系统根据高关注区域优化关键信息元素的展示方式，确保最重要的信息出现在用户视觉优先处理的区域内。若广告内容包含多个层级的信标识、价格信息或具有较强营销意图的内容调整至用户高关注区域，以提高信息传递效率，使用户能够更快获取关键信息。相反，对于低关注区域，系统会适当弱化非核心内容的视觉权重，例如缩小字体、降低对比度或减少动态元素，以减少视觉干扰，优化广告信息的层级关系，使整体广告结构更符合用户的自然视线流动路径，提高信息吸收效率。[0213]在广告播放过程中，系统结合用户视线的实时变化，对动态广告元素进行自适应调整，以确保广告内容能够持续吸引用户的注意力，同时避免信息过载或干扰。当检测到用户的视线在关键信息区域停留时间较短时，系统会适当增强该区域的视觉突出度，例如放大字体、提高颜色对比度或增加轻微动画效果，以强化用户对该信息的关注。如果用户在某一关键信息区域长时间停留，则系统会减少该区域的动态变化，避免因过多的视觉刺激导致用户疲劳或分散注意力。这种自适应调整策略可以根据用户的观看模式进行优化，使广告内容在吸引注意力和信息稳定性之间达到平衡，从而提高广告的有效性和用户体验。[0214]步骤S105:根据用户体验评分的实时变化，动态调整广告内容的呈现方式，包括内[0215]在步骤S105中，系统根据用户体验评分的实时变化，对广告内容的呈现方式进行动态调整，以确保广告内容与用户的情感状态和注意力水平保持高度匹配，从而提高广告的传播效果和用户的观看体验。该调整过程涉及多个方面，包括内容类型、图文比例以及信息密度的优化，以适应用户的当前情绪和专注程度。[0216]首先，在内容类型的调整方面，系统会根据用户体验评分的变化情况，选择最适合用户当前状态的广告呈现模式。当用户的兴趣度评分较高且专注度评分处于较高水平时，系统可以选择推送更详细的广告内容，如带有深入产品介绍的视频广告或长文本广告，以利用用户的高关注度最大化广告信息的传递效果。而当系统检测到用户兴趣度较低或专注度下降时，可以采用更精炼的广告形式，例如短视频广告、动态图片广告或简短的文字内容，以减少用户因信息量过大而产生的视觉疲劳，并提高信息的接受度。此外，如果用户的情绪倾向偏向负面，系统可以调整广告内容的调性，选择更轻松、色彩柔和或具有正向情绪引导的广告素材，以降低用户的抵触情绪，提高广[0217]在图文比例的调整方面，系统会依据用户的视线焦点数据和内容偏好，动态优化广告中图像与文字的占比。如果用户对广告图片部分的关注度较高，而文字内容的阅读时间较短，系统可以增加图片的比例，并减少文字信息的密集度，使广告内容更加直观易懂，符合用户的观看习惯。反之，如果用户在文字区域的视线停留时间较长，系统则可以增加文字信息的详细程度，提供更多产品介绍或促销细节，以充分满足用户的阅读需求。图文比例的调整不仅限于静态广告，还可以应用于视频广告，例如调整字幕的大小、显示位置或突出重点信息，以适应不同用户的偏好。此外，系统还可以结合用户的历史行为数据，判断其对图像和文字的偏好趋势，并据此优化广告内容的视觉布局，提高信息传达的效率。[0218]在信息密度的调整方面，系统会根据用户的情绪状态和专注度变化，调整广告的内容复杂度。当用户处于高专注度状态且对广告内容表现出持续兴趣时，系统可以增加信息的细节层次，例如在广告页面中加入更多的产品规格、使用案例或用户评价，以满足用户的深入了解需求。而当用户的专注度下降或情绪波动较大时，系统则会简化广告内容，减少无关信息的干扰，突出最核心的广告要点，使信息更加精炼易读。例如，系统可以自动缩短广告播放时间，减少页面上的文本行数，或采用关键字高亮的方式，使用户能够在最短时间内获取广告的核心信息。此外，系统还可以结合用户的眼动数据，识别用户最容易接受的信息密度范围，并根据该范围对广告进行自适应优化，以确保信息传达的高效性。[0219]在整个动态调整过程中，系统不仅依赖于实时的用户体验评分，还可以结合用户的历史数据、行业标准以及广告效果评估模型，以不断优化广告的调整策略。系统可采用基于机器学习的内容推荐算法，通过历史数据训练最优的广告呈现模式，并在实时投放中不断微调，以提高广告的个性化适配度。此外，为了保证用户体验的稳定性，系统可以采用渐进式调整方式，而非突变式调整，以减少因广告内容快速变化导致的视觉不适，从而确保广告信息的自然过渡。最终，通过对内容类型、图文比例和信息密度的动态优化，能够有效提高广告内容的匹配度，增强用户的参与感和广告的传播效果。[0220]更进一步地，所述根据用户体验评分的实时变化，动态调整广告内容的呈现方式，[0221]基于用户体验评分中的兴趣度、专注度和情绪倾向，判断用户当前的接受信息能力和偏好特征，并根据不同评分范围设定广告内容调整策略，其中，当兴趣度和专注度较高时，优先选择信息量丰富的广告内容，而当兴趣度或专注度较低时，减少非核心信息，以避免用户对广告产生抵触情绪；[0222]针对调整后的广告内容，优化图文比例，其中，当用户的专注度较高且兴趣度较低时，提高广告中图像元素的占比，以增强视觉冲击力，而当用户兴趣度较高时，增加文字信息的清晰度和内容丰富度，以满足用户的深度阅读需求；[0223]在广告播放过程中，持续监测用户体验评分的变化趋势，并动态调整信息密度，其中，当用户情绪倾向为积极且专注度稳定时，增加广告内容的细节呈现，而当用户的专注度下降或情绪趋向负面时，降低信息密度，以提高广告的可接受性和信息传递效率。[0224]在根据用户体验评分的实时变化动态调整广告内容的呈现方式时，系统首先基于用户的兴趣度、专注度和情绪倾向，综合判断用户当前的接受信息能力以及对广告内容的偏好特征。用户体验评分用于衡量用户对当前广告的接受状态，兴趣度反映用户对广告内容的吸引力，专注度表示用户的注意力集中程度，情绪倾向则决定用户在观看广告时的心理状态。根据这些评分的不同组合，系统制定广告内容的调整策略。例如，当用户的兴趣度和专注度均处于较高水平时，系统优先选择信息量丰富、结构完整的广告内容，以满足用户的深入理解需求，而当用户的兴趣度或专注度较低时，系统减少广告中的非核心信息，以简化内容呈现，避免因信息过载导致用户产生抵触情绪或跳过广告。[0225]在完成广告内容的初步调整后，系统进一步优化图文比例，以增强广告的视觉吸引力并提升信息传递效果。用户的专注度和兴趣度决定了图像与文本在广告内容中的相对占比。当用户的专注度较高但兴趣度较低时，系统增加广告中图像元素的占比，并减少长文本内容，以利用视觉冲击力吸引用户关注，同时确保信息表达直观、简洁。而当用户的兴趣度较高时，系统增强广告中的文本信息清晰度，提高文字的对比度和可读性，并提供更丰富的产品介绍或附加信息，以满足用户的深度阅读需求。这种调整方式确保广告内容的表达形式符合用户的实际关注模式，提高信息传递的有效性。[0226]在广告播放过程中，系统持续监测用户体验评分的变化趋势，并据此动态调整广告的内容信息密度。当用户的情绪倾向为积极且专注度保持稳定时，系统逐步增加广告内容的细节呈现，例如在画面中加入更多的产品描述、优惠信息或交互元素，以强化用户的参与感并提升广告的转化率。而当用户的专注度下降或情绪趋向负面时，系统降低信息密度，减少过多的文本内容和视觉元素，以提高广告的可接受性，并降低用户的认知负担。这种动态信息密度调整机制使广告能够适应用户的情感状态和注意力水平，从而优化用户体验，提高广告的传播效果和互动率。[0227]更进一步地，所述基于用户情感识别的动态广告[0228]在显示广告内容的界面周围设置视觉热度探测区域，所述视觉热度探测区域不显示实际广告内容但能捕捉用户的边缘视觉关注度；[0229]根据用户在所述视觉热度探测区域的注视行为，预测用户的视觉疲劳程度和注意力分散趋势；[0230]当检测到用户视觉疲劳超过预设阈值时，调整广告内容的视觉复杂度和刷新频率，以缓解用户视觉疲劳并优化广告体验。[0231]本实施例中，通过在显示广告内容的界面周围设置视觉热度探测区域，使系统能够检测用户的边缘视觉关注度，从而提供对用户观看广告时的整体视觉状态的深入分析。所述视觉热度探测区域是指广告界面周围的一定范围内，该区域不直接显示广告内容，而是用于追踪用户的眼动轨迹、视线偏移模式及边缘视野范围内的注视情况。该探测区域可采用隐形感知技术，使用户在不知觉的情况下被动地提供视觉数据，确保检测数据的自然性和可靠性。通过高精度眼动追踪算法，系统可以捕捉用户在该区域的注视停留时间、视线移动频率、跳视行为及视线偏移方向等信息。[0232]基于采集到的用户在视觉热度探测区域的注视行为，系统对用户的视觉疲劳程度和注意力分散趋势进行预测。视觉疲劳可通过多种参数进行判断，例如用户在视觉热度探测区域的频繁注视可能表明用户对主要广告内容的兴趣下降，而较长时间的固定注视则可能暗示用户的视觉疲劳程度较高。系统还可以结合眨眼频率、瞳孔扩张情况以及眼球震颤特征，综合评估用户的视觉舒适度，并判断是否存在因长时间高刺激视觉输入导致的疲劳现象。此外，注意力分散趋势可通过用户的视线离开广告内容的频率、随机眼动轨迹的增加以及对主要广告元素的注视时长下降情况进行分析。通过构建实时视觉状态模型，系统可以预测用户即将进入注意力衰退或视觉疲劳阶段，并据此动态调整广告呈现策略，以维持用户的观看体验。[0233]当系统检测到用户的视觉疲劳程度超过预设阈值时，会自动调整广告内容的视觉复杂度和刷新频率，以缓解用户的视觉疲劳并优化广告的观看体验。视觉复杂度的调整可以通过降低广告的图像细节密度、减少色彩饱和度、降低对比度或简化视觉元素的方式进换的速度，减少频繁闪烁的视觉刺激，从而缓解因快速变化带来的视觉疲劳。刷新频率的调整主要针对广告的更新节奏，在用户视觉疲劳增加的情况下，系统可以降低广告内容切换的频率，延长广告的显示时长，或者采用渐变过渡的方式进行内容更新，以减少突兀的视觉[0234]为了进一步优化用户体验，系统还可以结合个性化视觉疲劳阈值调整策略，根据用户的观看历史和偏好动态调整视觉负荷的控制参数。例如，对于长时间观看广告的用户，系统可以设置较低的视觉疲劳触发阈值，以更早地进入低刺激模式，而对于短时间高集中度观看广告的用户，系统可以适当提升视觉复杂度，以保证广告内容的有效传达。最终，该方法能够通过对视觉热度探测区域的智能监测，实现对用户视觉疲劳和注意力分散的精准预测，并通过智能调控广告内容的视觉表现方式，提高广告的长期可接受性和用户体验质[0235]更进一步地，所述的基于用户情感识别的动态广告内容智能投放方法，还[0236]实时分析用户面部微表情与视线转移速率之间的相关性，识别用户对广告内容的潜意识兴趣点与抵触点；[0237]将识别结果与广告内容的语义分区映射，生成用户兴趣热图；[0238]基于所述用户兴趣热图对广告内容进行实时重构，强化用户关注的语义元素并弱化或替换引发抵触情绪的内容元素，实现广告内容的无感知个性化优化。[0239]本实施例中，通过实时分析用户的面部微表情与视线转移速率之间的相关性，从而识别用户对广告内容的潜意识兴趣点与抵触点。面部微表情是一种短暂的、无意识的表情变化，通常能够反映出用户的真实情绪状态，例如短暂的嘴角上扬可能代表轻微的兴趣或愉悦，而快速的眉毛下压可能表示不满或厌烦。为了捕捉这些微表情变化，系统利用高帧率摄像头和深度学习表情识别模型，通过分析用户的面部肌肉运动模式，提取表情变化的特征数据。同时，结合用户的视线转移速率，即用户在广告内容不同区域之间的视线移动速度和停留时间，系统可以进一步分析用户对广告内容的主动关注点和可能的抵触区域。当用户的视线在某个广告元素上停留较长时间，且伴随轻微的正向微表情变化，则可判断该区域为用户的潜在兴趣点。而如果用户在某一区域频繁快速移动视线，或者伴随负向微表情变化，则可能意味着用户对该内容存在抵触情绪。[0240]在获取用户的兴趣点与抵触点后，系统需要将这些识别结果与广告内容的语义分字描述、价格信息、折扣标签等，这些元素在广告版面中各自占据不同的区域。为了实现语义分区映射，系统会对广告内容进行结构化处理，将广告的不