一种AI虚拟人的交互方法及装置与流程

本技术涉及机器学习，尤其涉及一种ai虚拟人的交互方法及装置。

背景技术：

1、在游戏中，npc(非玩家角色)是玩家在游戏世界中的虚拟伙伴，通常用于提供任务、信息或娱乐。随着人工智能技术的发展，我们可以为npc创建一个神经网络，使他们能够与玩家进行更自然、更灵活的交互。

2、传统的npc交互通常基于预先设定的规则和行为，这些规则和行为通常是静态的，缺乏真正的智能。而通过神经网络，npc可以实时地学习和适应玩家的行为和偏好，从而提供更丰富、更个性化的互动。神经网络是一种模拟人脑工作的算法，它可以从大量数据中学习和提取模式。在游戏中，我们可以将玩家的行为和反馈作为训练数据，让神经网络学习如何与玩家进行有效的交互。这样，npc就能够根据玩家的需求和偏好，提供更符合玩家期望的服务和体验。此外，神经网络还可以帮助npc理解和解释玩家的语言和情感。通过自然语言处理技术，神经网络可以解析玩家的语音或文本输入，从而更好地理解玩家的意图和情绪。这样，npc就能够根据玩家的语言和情感，提供更贴切的回应和建议。换言之，通过将神经网络应用于npc,我们可以实现更自然、更灵活、更有趣的游戏交互，为玩家提供更丰富、更个性化的游戏体验。

3、然而，由于用户的需求的灵活多样的，如何保证为npc创建的神经网络提供的交互能够与不同的用户的需求匹配是目前研究的热点问题。

技术实现思路

1、本技术实施例提供一种ai虚拟人的交互方法及装置，用实现为npc创建的神经网络提供的交互能够与不同的用户的需求匹配。

2、为达到上述目的，本技术采用如下技术方案：

3、第一方面，提供一种ai虚拟人的交互方法，该方法包括：获取用户的交互行为数据，其中，用户的交互行为数据用于表示用户与虚拟场景中的虚拟对象交互的复杂程度；根据用户的行为数据，确定虚拟场景中与用户当前交互的第一虚拟对象的神经网络模型，其中，第一虚拟对象的神经网络模型的模型复杂程度与用户与虚拟场景中的虚拟对象交互的复杂程度正相关，若第一虚拟对象的神经网络模型的复杂程度越高，则第一虚拟对象通过神经网络模型与用户进行交互的能力越强。

4、可选地，取用户的交互行为数据，包括：响应用户针对第一虚拟对象执行交互操作，根据第一虚拟对象，获取用户的交互行为数据，其中，用户针对第一虚拟对象执行交互操作包括如下至少一项：对话交互操作、行为交互操作、或指令交互操作。

5、可选地，根据第一虚拟对象，获取用户的交互行为数据，包括：根据第一虚拟对象，从虚拟场景中历史与用户发生过交互的虚拟对象中确定至少一个第二虚拟对象，其中，至少一个第二虚拟对象与第一虚拟对象匹配；获取用户与至少一个第二虚拟对象的交互的用户的交互行为数据；其中，至少一个第二虚拟对象与第一虚拟对象匹配是指：至少一个第二虚拟对象与第一虚拟对象是同一类型的虚拟对象，或者，至少一个第二虚拟对象与第一虚拟对象的交互类型相同；或者；根据第一虚拟对象，获取用户的交互行为数据，包括：根据第一虚拟对象所在的虚拟场景，从用户发生过交互的历史虚拟场景场景中确定与第一虚拟对象所在的虚拟场景匹配的历史虚拟场景；获取用户与历史虚拟场景中的第二虚拟对象交互的用户的交互行为数据；其中，历史虚拟场景与第一虚拟对象所在的虚拟场景匹配是指：历史虚拟场景与第一虚拟对象所在的虚拟场景是同一类型的虚拟场景，或者历史虚拟场景与第一虚拟对象所在的虚拟场景能够提提供相同的交互类型。

6、可选地，用户的交互行为数据包括如下至少一项：用户与第二虚拟对象的交互次数、用户针对第二虚拟对象下达的指令的长度、或针对第二虚拟对象下达的指令与第二虚拟能够接受的指令的匹配度。

7、可选地，第一虚拟对象的神经网络模型为深度神经网络，第一虚拟对象的神经网络模型的复杂程度是指第一虚拟对象的神经网络模型中的神经元的数目，若第一虚拟对象的神经网络模型的复杂程度越高，则第一虚拟对象通过神经网络模型中的神经元的数目越多。

8、可选地，第一虚拟对象的神经网络模型的复杂程度还指第一虚拟对象的神经网络模型中的每个神经元结构的复杂程度，若第一虚拟对象的神经网络模型的复杂程度越高，则第一虚拟对象通过神经网络模型中每个神经元的结构越复杂。

9、可选地，神经网络模型中每个神经元的结构为m*m的矩阵，m为大于1的整数，m*m的矩阵包括第一类元素sk和第二类元素so，第一类元素sk位于m*m的矩阵的对角线上，第二类元素so位于m*m的矩阵除对角线以外的其他位置，m*m的矩阵中不同位置的第一类元素sk的权值不同，m*m的矩阵中不同位置的第二类元素sk的权值不同；神经网络模型中每个神经元的结构越复杂是指m*m的矩阵的尺寸越大，也即，m的取值越大。

10、可选地，第一虚拟对象的神经网络模型的复杂程度还指第一虚拟对象的神经网络模型中神经元的结构杂程度不同的神经元数目，若第一虚拟对象的神经网络模型中神经元的结构杂程度不同的神经元数目越多，则第一虚拟对象通过神经网络模型中每个神经元的结构越复杂。

11、可选地，神经网络模型中每个神经元的结构为m*m的矩阵，m为大于1的整数，m*m的矩阵包括第一类元素sk和第二类元素so，第一类元素sk位于m*m的矩阵的对角线上，第二类元素so位于m*m的矩阵除对角线以外的其他位置，m*m的矩阵中不同位置的第一类元素sk的权值不同，m*m的矩阵中不同位置的第二类元素sk的权值不同；第一虚拟对象的神经网络模型中神经元的结构杂程度不同是指第一虚拟对象的神经网络模型中不同的神经元的m取值不同。

12、第二方面，提供一种ai虚拟人的交互装置，该装置被配置为：获取用户的交互行为数据，其中，用户的交互行为数据用于表示用户与虚拟场景中的虚拟对象交互的复杂程度；根据用户的行为数据，确定虚拟场景中与用户当前交互的第一虚拟对象的神经网络模型，其中，第一虚拟对象的神经网络模型的模型复杂程度与用户与虚拟场景中的虚拟对象交互的复杂程度正相关，若第一虚拟对象的神经网络模型的越复杂，则第一虚拟对象通过神经网络模型与用户进行交互的能力越强。

13、可选地，该装置被配置为：响应用户针对第一虚拟对象执行交互操作，根据第一虚拟对象，获取用户的交互行为数据，其中，用户针对第一虚拟对象执行交互操作包括如下至少一项：对话交互操作、行为交互操作、或指令交互操作。

14、可选地，该装置被配置为：根据第一虚拟对象，从虚拟场景中历史与用户发生过交互的虚拟对象中确定至少一个第二虚拟对象，其中，至少一个第二虚拟对象与第一虚拟对象匹配；获取用户与至少一个第二虚拟对象的交互的用户的交互行为数据；其中，至少一个第二虚拟对象与第一虚拟对象匹配是指：至少一个第二虚拟对象与第一虚拟对象是同一类型的虚拟对象，或者，至少一个第二虚拟对象与第一虚拟对象的交互类型相同；或者；根据第一虚拟对象，获取用户的交互行为数据，包括：根据第一虚拟对象所在的虚拟场景，从用户发生过交互的历史虚拟场景场景中确定与第一虚拟对象所在的虚拟场景匹配的历史虚拟场景；获取用户与历史虚拟场景中的第二虚拟对象交互的用户的交互行为数据；其中，历史虚拟场景与第一虚拟对象所在的虚拟场景匹配是指：历史虚拟场景与第一虚拟对象所在的虚拟场景是同一类型的虚拟场景，或者历史虚拟场景与第一虚拟对象所在的虚拟场景能够提提供相同的交互类型。

15、可选地，用户的交互行为数据包括如下至少一项：用户与第二虚拟对象的交互次数、用户针对第二虚拟对象下达的指令的长度、或针对第二虚拟对象下达的指令与第二虚拟能够接受的指令的匹配度。

16、可选地，第一虚拟对象的神经网络模型为深度神经网络，第一虚拟对象的神经网络模型的复杂程度是指第一虚拟对象的神经网络模型中的神经元的数目，若第一虚拟对象的神经网络模型的复杂程度越高，则第一虚拟对象通过神经网络模型中的神经元的数目越多。

17、可选地，第一虚拟对象的神经网络模型的复杂程度还指第一虚拟对象的神经网络模型中的每个神经元结构的复杂程度，若第一虚拟对象的神经网络模型的复杂程度越高，则第一虚拟对象通过神经网络模型中每个神经元的结构越复杂。

18、可选地，神经网络模型中每个神经元的结构为m*m的矩阵，m为大于1的整数，m*m的矩阵包括第一类元素sk和第二类元素so，第一类元素sk位于m*m的矩阵的对角线上，第二类元素so位于m*m的矩阵除对角线以外的其他位置，m*m的矩阵中不同位置的第一类元素sk的权值不同，m*m的矩阵中不同位置的第二类元素sk的权值不同；神经网络模型中每个神经元的结构越复杂是指m*m的矩阵的尺寸越大，也即，m的取值越大。

19、可选地，第一虚拟对象的神经网络模型的复杂程度还指第一虚拟对象的神经网络模型中神经元的结构杂程度不同的神经元数目，若第一虚拟对象的神经网络模型中神经元的结构杂程度不同的神经元数目越多，则第一虚拟对象通过神经网络模型中每个神经元的结构越复杂。

20、可选地，神经网络模型中每个神经元的结构为m*m的矩阵，m为大于1的整数，m*m的矩阵包括第一类元素sk和第二类元素so，第一类元素sk位于m*m的矩阵的对角线上，第二类元素so位于m*m的矩阵除对角线以外的其他位置，m*m的矩阵中不同位置的第一类元素sk的权值不同，m*m的矩阵中不同位置的第二类元素sk的权值不同；第一虚拟对象的神经网络模型中神经元的结构杂程度不同是指第一虚拟对象的神经网络模型中不同的神经元的m取值不同。

21、第三方面，提供一种计算机可读存储介质，包括：计算机程序或指令；当该计算机程序或指令在计算机上运行时，使得该计算机执行第一方面所述的方法。

22、综上，上述方法及系统具有如下技术效果：

23、虚拟场景中的虚拟对象交互可以理解为是npc，由于当前与用户交互的npc的神经网络模型(为该npc创建的一个神经网络模型，仅针对该npc使用)的复杂程度是动态可调的，如根据用户与虚拟场景中的虚拟对象交互的复杂程度动态确定。这样，如果用户的交互相对简单，神经网络的复杂程度也越低，在满足用户交互需求的情况下，还能够降低算力开销。如果用户的交互相对复杂，神经网络的复杂程度也越高，用以给用户提供更复杂，更多样化的交互，以满足用户的交互需求。