CN117861220A - 一种虚拟数字人的互动交互方法及装置 - Google Patents

Abstract

本申请提供一种虚拟数字人的互动交互方法及装置，属于神经网络技术领域，用以虚拟数字人的互动交互方法及装置，用实现为NPC创建的神经网络提供的交互能够与用户不同的交互行为匹配。该方法包括：在用户与第一虚拟对象互动的过程中，生成用户的互动行为日志，并根据用户的互动行为日志，动态调整当前还未与用户发生互动的第二虚拟对象的神经网络模型的复杂程度，若第二虚拟对象的神经网络模型的复杂程度越高，则第二虚拟对象通过第二虚拟对象的神经网络模型与用户进行交互的能力越强；在用户与第一虚拟对象的互动结束时，根据当前第二虚拟对象的神经网络模型的复杂程度，创建第二虚拟对象的神经网络模型。

Description

一种虚拟数字人的互动交互方法及装置

技术领域

本申请涉及机器学习技术领域，尤其涉及一种虚拟数字人的互动交互方法及装置。

背景技术

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。

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。

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。

发明内容

本申请实施例提供一种虚拟数字人的互动交互方法及装置，用实现为NPC创建的神经网络提供的交互能够与用户不同的交互行为匹配。

为达到上述目的，本申请采用如下技术方案：

第一方面，提供一种虚拟数字人的互动交互方法，第一虚拟场景中创建有第一虚拟对象和第二虚拟对象，该方法包括：在用户与第一虚拟对象互动的过程中，生成用户的互动行为日志，并根据用户的互动行为日志，动态调整当前还未与用户发生互动的第二虚拟对象的神经网络模型的复杂程度，其中，用户的互动行为日志用于记录用户与第一虚拟对象的互动行为，若第二虚拟对象的神经网络模型的复杂程度越高，则第二虚拟对象通过第二虚拟对象的神经网络模型与用户进行交互的能力越强；在用户与第一虚拟对象的互动结束时，根据当前第二虚拟对象的神经网络模型的复杂程度，创建第二虚拟对象的神经网络模型。

可选地，第一虚拟对象和第二虚拟对象是同一类型的对象，在用户与第一虚拟对象互动的过程中，生成用户的互动行为日志，并根据用户的互动行为日志，动态调整当前还未与用户发生互动的第二虚拟对象的神经网络模型的复杂程度，包括：响应于用户开始与第一虚拟对象进行互动，创建用户的互动行为日志；在用户与第一虚拟对象互动的过程中，通过用户的互动行为日志记录用户与第一虚拟对象的互动行为；根据用户与第一虚拟对象的互动行为中的关键行为，动态降低当前还未与用户发生互动的第二虚拟对象的神经网络模型的复杂程度。

可选地，在用户与第一虚拟对象的互动行为是用户与第一虚拟对象进行对话的情况下，关键行为是用户与第一虚拟对象的对话中的关键信息量，关键信息量是能够用于用户完成与第一虚拟对象相关的任务的信息，若关键信息量越大，则第二虚拟对象的神经网络模型被简化的程度越高；或者；在用户与第一虚拟对象的互动行为是用户与第一虚拟对象进行对战的情况下，关键行为是用户成功战胜第一虚拟对象所需的时长，若用户成功战胜第一虚拟对象所需的时长越长，则第二虚拟对象的神经网络模型被简化的程度越高。

可选地，若第一虚拟对象与第二虚拟对象的距离越远，则用于决定第二虚拟对象的神经网络模型的复杂程度变化的常数值越大，反之，若第一虚拟对象与第二虚拟对象的距离越近，则用于决定第二虚拟对象的神经网络模型的复杂程度变化的常数值越小。

可选地，第一虚拟对象和第二虚拟对象是不同类型的对象，在用户与第一虚拟对象互动的过程中，生成用户的互动行为日志，并根据用户的互动行为日志，动态调整当前还未与用户发生互动的第二虚拟对象的神经网络模型的复杂程度，包括：响应于用户开始与第一虚拟对象进行互动，创建用户的互动行为日志；在用户与第一虚拟对象互动的过程中，通过用户的互动行为日志记录用户与第一虚拟对象的互动行为；根据用户与第一虚拟对象的互动行为中的关键行为，动态增加当前还未与用户发生互动的第二虚拟对象的神经网络模型的复杂程度。

可选地，在用户与第一虚拟对象的互动行为中的关键行为是用户针对第一虚拟对象用户执行的与第二虚拟对象能够提供的互动匹配的行为，若用户针对第一虚拟对象用户执行的与第二虚拟对象能够提供的互动匹配的行为越多，则第二虚拟对象的神经网络模型被复杂化的程度越高。

可选地，若第一虚拟对象与第二虚拟对象的距离越远，则用于决定第二虚拟对象的神经网络模型的复杂程度变化的常数值越小，反之，若第一虚拟对象与第二虚拟对象的距离越近，则用于决定第二虚拟对象的神经网络模型的复杂程度变化的常数值越大。

可选地，第二虚拟对象的神经网络模型为深度神经网络，第二虚拟对象的神经网络模型的复杂程度是指第二虚拟对象的神经网络模型中的神经元的数目，若第二虚拟对象的神经网络模型的复杂程度越高，则第二虚拟对象通过神经网络模型中的神经元的数目越多；

其中，第二虚拟对象的神经网络模型的复杂程度还指第二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，若第二虚拟对象的神经网络模型的复杂程度越高，则第二虚拟对象通过神经网络模型中每个神经元的结构越复杂；

其中，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。

可选地，第二虚拟对象的神经网络模型的复杂程度还指第二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，若第二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，则第二虚拟对象通过神经网络模型中每个神经元的结构越复杂；

其中，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；第二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二虚拟对象的神经网络模型中不同的神经元的M取值不同。

第二方面，提供一种虚拟数字人的互动交互装置，第一虚拟场景中创建有第一虚拟对象和第二虚拟对象，该装置被配置为：在用户与第一虚拟对象互动的过程中，生成用户的互动行为日志，并根据用户的互动行为日志，动态调整当前还未与用户发生互动的第二虚拟对象的神经网络模型的复杂程度，其中，用户的互动行为日志用于记录用户与第一虚拟对象的互动行为，若第二虚拟对象的神经网络模型的复杂程度越高，则第二虚拟对象通过第二虚拟对象的神经网络模型与用户进行交互的能力越强；在用户与第一虚拟对象的互动结束时，根据当前第二虚拟对象的神经网络模型的复杂程度，创建第二虚拟对象的神经网络模型。

可选地，第一虚拟对象和第二虚拟对象是同一类型的对象，该装置被配置为：响应于用户开始与第一虚拟对象进行互动，创建用户的互动行为日志；在用户与第一虚拟对象互动的过程中，通过用户的互动行为日志记录用户与第一虚拟对象的互动行为；根据用户与第一虚拟对象的互动行为中的关键行为，动态降低当前还未与用户发生互动的第二虚拟对象的神经网络模型的复杂程度。

可选地，在用户与第一虚拟对象的互动行为是用户与第一虚拟对象进行对话的情况下，关键行为是用户与第一虚拟对象的对话中的关键信息量，关键信息量是能够用于用户完成与第一虚拟对象相关的任务的信息，若关键信息量越大，则第二虚拟对象的神经网络模型被简化的程度越高；或者；在用户与第一虚拟对象的互动行为是用户与第一虚拟对象进行对战的情况下，关键行为是用户成功战胜第一虚拟对象所需的时长，若用户成功战胜第一虚拟对象所需的时长越长，则第二虚拟对象的神经网络模型被简化的程度越高。

可选地，若第一虚拟对象与第二虚拟对象的距离越远，则用于决定第二虚拟对象的神经网络模型的复杂程度变化的常数值越大，反之，若第一虚拟对象与第二虚拟对象的距离越近，则用于决定第二虚拟对象的神经网络模型的复杂程度变化的常数值越小。

可选地，第一虚拟对象和第二虚拟对象是不同类型的对象，该装置被配置为：响应于用户开始与第一虚拟对象进行互动，创建用户的互动行为日志；在用户与第一虚拟对象互动的过程中，通过用户的互动行为日志记录用户与第一虚拟对象的互动行为；根据用户与第一虚拟对象的互动行为中的关键行为，动态增加当前还未与用户发生互动的第二虚拟对象的神经网络模型的复杂程度。

可选地，在用户与第一虚拟对象的互动行为中的关键行为是用户针对第一虚拟对象用户执行的与第二虚拟对象能够提供的互动匹配的行为，若用户针对第一虚拟对象用户执行的与第二虚拟对象能够提供的互动匹配的行为越多，则第二虚拟对象的神经网络模型被复杂化的程度越高。

可选地，若第一虚拟对象与第二虚拟对象的距离越远，则用于决定第二虚拟对象的神经网络模型的复杂程度变化的常数值越小，反之，若第一虚拟对象与第二虚拟对象的距离越近，则用于决定第二虚拟对象的神经网络模型的复杂程度变化的常数值越大。

可选地，第二虚拟对象的神经网络模型为深度神经网络，第二虚拟对象的神经网络模型的复杂程度是指第二虚拟对象的神经网络模型中的神经元的数目，若第二虚拟对象的神经网络模型的复杂程度越高，则第二虚拟对象通过神经网络模型中的神经元的数目越多；

其中，第二虚拟对象的神经网络模型的复杂程度还指第二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，若第二虚拟对象的神经网络模型的复杂程度越高，则第二虚拟对象通过神经网络模型中每个神经元的结构越复杂；

其中，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。

可选地，第二虚拟对象的神经网络模型的复杂程度还指第二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，若第二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，则第二虚拟对象通过神经网络模型中每个神经元的结构越复杂；

其中，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；第二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二虚拟对象的神经网络模型中不同的神经元的M取值不同。

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。

综上，上述方法及系统具有如下技术效果：

虚拟场景中的虚拟对象交互可以理解为是NPC，由于当前还未与用户交互的NPC的神经网络模型(如为该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，如根据用户当前正发生的交互行为动态确定。这样，如果用户当前的交互行为已能够满足用户的交互需求，则可以将当前还未与用户交互的NPC的神经网络模型进行简化，反之，如果用户当前的交互行还不能够满足用户的交互需求，则可以将当前还未与用户交互的NPC的神经网络模型复杂化，从而实现为NPC创建的神经网络提供的交互能够与用户不同的交互行为匹配。

附图说明

图1为本申请实施例提供的虚拟数字人的互动交互方法的流程示意图；

图2为本申请实施例提供的电子设备的结构示意图。

具体实施方式

下面将结合附图，对本申请中的技术方案进行描述。

本申请将围绕可包括多个设备、组件、模块等的系统来呈现各个方面、实施例或特征。应当理解和明白的是，各个系统可以包括另外的设备、组件、模块等，并且/或者可以并不包括结合附图讨论的所有设备、组件、模块等。此外，还可以使用这些方案的组合。

另外，在本申请实施例中，“示例的”、“例如”等词用于表示作例子、例证或说明。本申请中被描述为“示例”的任何实施例或设计方案不应被解释为比其它实施例或设计方案更优选或更具优势。确切而言，使用示例的一词旨在以具体方式呈现概念。

本申请实施例中，“信息(information)”，“信号(signal)”，“消息(message)”，“信道(channel)”、“信令(singaling)”有时可以混用，应当指出的是，在不强调其区别时，其所要表达的含义是匹配的。“的(of)”，“相应的(corresponding，relevant)”和“对应的(corresponding)”有时可以混用，应当指出的是，在不强调其区别时，其所要表达的含义是匹配的。此外，本申请提到的“/”可以用于表示“或”的关系。

本申请实施例描述的网络架构以及业务场景是为了更加清楚的说明本申请实施例的技术方案，并不构成对于本申请实施例提供的技术方案的限定，本领域普通技术人员可知，随着网络架构的演变和新业务场景的出现，本申请实施例提供的技术方案对于类似的技术问题，同样适用。

示例性的，图1本申请实施例提供的虚拟数字人的互动交互方法的流程示意图。该方法可以适用于电子设备的交互。

如图1所示，该虚拟数字人的互动交互方法的流程如下：

S101，在用户与第一虚拟对象互动的过程中，生成用户的互动行为日志，并根据用户的互动行为日志，动态调整当前还未与用户发生互动的第二虚拟对象的神经网络模型的复杂程度。

第一虚拟场景中创建有第一虚拟对象和第二虚拟对象。第一虚拟场景可以是游戏中的3维互动场景，也即，一个虚拟的3维空间，用户控制的角色能够在该3维空间中进行游戏互动环节。虚拟对象(如第一虚拟对象和第二虚拟对象)可以是游戏中的NPC，NPC在3维空间中被创建，用以与用户控制的角色进行互动交互，如对话，肢体互动，对战等。第一虚拟对象和第二虚拟对象可以是同一类型的对象，如给用户提供同一类型交互的NPC，或者第一虚拟对象和第二虚拟对象可以是不同类型的对象，如给用户提供不同类型交互的NPC。

用户的互动行为日志可以用于记录用户与第一虚拟对象的互动行为。若第二虚拟对象的神经网络模型的复杂程度越高，则第二虚拟对象通过第二虚拟对象的神经网络模型与用户进行交互的能力越强，下面具体介绍。

其中，第二虚拟对象的神经网络模型是指为第二虚拟对象创建的模型，且可以是训练好的模型，数目可以是多个，也即第二虚拟对象的各个复杂程度不同的神经网络模型。第二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，若第二虚拟对象的神经网络模型的复杂程度越高，则第二虚拟对象通过神经网络模型与用户进行交互的能力越强，也即，第二虚拟对象通过神经网络模型能够与用户进行更复杂的互动，如能够理解并反馈用户的更复杂的语言或指令，能够与用户进行更多次数的互动，如交谈次数等。

第二虚拟对象的神经网络模型可以为深度神经网络，第二虚拟对象的神经网络模型的复杂程度是指第二虚拟对象的神经网络模型中的神经元的数目，若第二虚拟对象的神经网络模型的复杂程度越高，则第二虚拟对象通过神经网络模型中的神经元的数目越多。例如，神经网络模型中的神经元数目随着级别的提升，依次可以是1000个，2000个，3000个等。

可选地，第二虚拟对象的神经网络模型的复杂程度还可以指第二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，若第二虚拟对象的神经网络模型的复杂程度越高，则第二虚拟对象通过神经网络模型中每个神经元的结构越复杂。

例如，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。

可选地，第二虚拟对象的神经网络模型的复杂程度还指第二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，若第二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，则第二虚拟对象通过神经网络模型中每个神经元的结构越复杂。

又例如，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；第二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二虚拟对象的神经网络模型中不同的神经元的M取值不同。例如，在第二虚拟对象的神经网络模型的复杂程度为1级的情况下，1000个神经元中，M＝3的神经元数目是200个，M＝4的神经元数目是600个，在第二虚拟对象的神经网络模型的复杂程度为2级的情况下，2000个神经元中，M＝3的神经元数目是200个，M＝4的神经元数目是800个，M＝5的神经元数目是400个，M＝6的神经元数目是600个，也即，有更多复杂结构的神经元，自然的，神经网络模型的复杂程度也越高，其对信息的处理能力越强。

方式1：第一虚拟对象和第二虚拟对象是同一类型的对象，S101包括：

响应于用户开始与第一虚拟对象进行互动，电子设备创建用户的互动行为日志，该日志可以理解为是记录互动行为的模板。因此，在用户与第一虚拟对象互动的过程中，电子设备通过用户的互动行为日志记录用户与第一虚拟对象的互动行为，具体可以是随着互动的进行，持续地将用户与第一虚拟对象的互动行为记录到用户的互动行为日志记录中。电子设备可以根据用户与第一虚拟对象的互动行为中的关键行为，动态降低当前还未与用户发生互动的第二虚拟对象的神经网络模型的复杂程度。

例如，在用户与第一虚拟对象的互动行为是用户与第一虚拟对象进行对话的情况下，关键行为是用户与第一虚拟对象的对话中的关键信息量，该关键信息量可以是能够用于用户完成与第一虚拟对象相关的任务的信息，如任务的各种关键词等。若关键信息量越大，也即，用户的互动行为日志记录中记录的关键词数目越多，则第二虚拟对象的神经网络模型被简化的程度越高。例如，电子设备可以配置不同关键词数目的区间与第二虚拟对象的神经网络模型的不同级别的对应关系，第二虚拟对象的神经网络模型的不同级别具有不同的神经元数目以及每个神经元的不同M*M的矩阵尺寸，因此可以确定用户的互动行为日志记录中记录的关键词数目对应的第二虚拟对象的神经网络模型的级别，从而确定第二虚拟对象的神经网络模型应当被简化到的程度，如神经元数目减少到多少，M*M的矩阵尺寸缩小到多少。

又例如，在用户与第一虚拟对象的互动行为是用户与第一虚拟对象进行对战的情况下，关键行为是用户成功战胜第一虚拟对象所需的时长，若用户成功战胜第一虚拟对象所需的时长越长，则第二虚拟对象的神经网络模型被简化的程度越高。例如，电子设备可以配置不同时长的区间与第二虚拟对象的神经网络模型的不同级别的对应关系，因此可以确定用户成功战胜第一虚拟对象所需的时长对应的第二虚拟对象的神经网络模型的级别，从而确定第二虚拟对象的神经网络模型应当被简化到的程度，如神经元数目减少到多少，M*M的矩阵尺寸缩小到多少。

还可以理解，若第一虚拟对象与第二虚拟对象的距离越远，则用于决定第二虚拟对象的神经网络模型的复杂程度变化的常数值越大，反之，若第一虚拟对象与第二虚拟对象的距离越近，则用于决定第二虚拟对象的神经网络模型的复杂程度变化的常数值越小。比如，常数值越大为1.2，表示级别对应的神经元数目减少数目再乘以该1.2作为最终减少数目。该常数值随着距离增大而减少，如从1.2变化到0.8，换言之，对于同类型的对象，其距离越远，互动的可能性反而可能会增大，因此需要适当提升常数值。

方式2：第一虚拟对象和第二虚拟对象是不同类型的对象，S101包括：

响应于用户开始与第一虚拟对象进行互动，电子设备创建用户的互动行为日志；在用户与第一虚拟对象互动的过程中，电子设备通过用户的互动行为日志记录用户与第一虚拟对象的互动行为。电子设备可以根据用户与第一虚拟对象的互动行为中的关键行为，动态增加当前还未与用户发生互动的第二虚拟对象的神经网络模型的复杂程度。例如，在用户与第一虚拟对象的互动行为中的关键行为是用户针对第一虚拟对象用户执行的与第二虚拟对象能够提供的互动匹配的行为，若用户针对第一虚拟对象用户执行的与第二虚拟对象能够提供的互动匹配的行为越多，则第二虚拟对象的神经网络模型被复杂化的程度越高。

可以理解，方式2的具体实现原理可以参考上述方式1的相关介绍，在此不再赘述。

还可以理解，若第一虚拟对象与第二虚拟对象的距离越远，则用于决定第二虚拟对象的神经网络模型的复杂程度变化的常数值越小，反之，若第一虚拟对象与第二虚拟对象的距离越近，则用于决定第二虚拟对象的神经网络模型的复杂程度变化的常数值越大。换言之，对于不同类型的对象，其距离越仅，互动的可能性反而可能会增大，因此需要适当提升常数值。

S102，在用户与第一虚拟对象的互动结束时，根据当前第二虚拟对象的神经网络模型的复杂程度，创建第二虚拟对象的神经网络模型。

用户与第一虚拟对象的互动结束可以是在预设时长内没有再交互，预设时长可以根据实际情况设置，如可以是5秒或者10秒。电子设备可以根据当前第二虚拟对象的神经网络模型的复杂程度，将创建好的第二虚拟对象的神经网络模型调到该复杂程度对应的结构，如神经元数目以及矩阵的大小等。

综上：虚拟场景中的虚拟对象交互可以理解为是NPC，由于当前还未与用户交互的NPC的神经网络模型(如为该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，如根据用户当前正发生的交互行为动态确定。这样，如果用户当前的交互行为已能够满足用户的交互需求，则可以将当前还未与用户交互的NPC的神经网络模型进行简化，反之，如果用户当前的交互行还不能够满足用户的交互需求，则可以将当前还未与用户交互的NPC的神经网络模型复杂化，从而实现为NPC创建的神经网络提供的交互能够与用户不同的交互行为匹配。

以上结合图1详细说明了本申请实施例提供的虚拟数字人的互动交互方法。以下详细说明用于执行本申请实施例提供的虚拟数字人的互动交互方法的虚拟数字人的互动交互装置。

第一虚拟场景中创建有第一虚拟对象和第二虚拟对象，该装置被配置为：在用户与第一虚拟对象互动的过程中，生成用户的互动行为日志，并根据用户的互动行为日志，动态调整当前还未与用户发生互动的第二虚拟对象的神经网络模型的复杂程度，其中，用户的互动行为日志用于记录用户与第一虚拟对象的互动行为，若第二虚拟对象的神经网络模型的复杂程度越高，则第二虚拟对象通过第二虚拟对象的神经网络模型与用户进行交互的能力越强；在用户与第一虚拟对象的互动结束时，根据当前第二虚拟对象的神经网络模型的复杂程度，创建第二虚拟对象的神经网络模型。

可选地，第一虚拟对象和第二虚拟对象是同一类型的对象，该装置被配置为：响应于用户开始与第一虚拟对象进行互动，创建用户的互动行为日志；在用户与第一虚拟对象互动的过程中，通过用户的互动行为日志记录用户与第一虚拟对象的互动行为；根据用户与第一虚拟对象的互动行为中的关键行为，动态降低当前还未与用户发生互动的第二虚拟对象的神经网络模型的复杂程度。

可选地，在用户与第一虚拟对象的互动行为是用户与第一虚拟对象进行对话的情况下，关键行为是用户与第一虚拟对象的对话中的关键信息量，关键信息量是能够用于用户完成与第一虚拟对象相关的任务的信息，若关键信息量越大，则第二虚拟对象的神经网络模型被简化的程度越高；或者；在用户与第一虚拟对象的互动行为是用户与第一虚拟对象进行对战的情况下，关键行为是用户成功战胜第一虚拟对象所需的时长，若用户成功战胜第一虚拟对象所需的时长越长，则第二虚拟对象的神经网络模型被简化的程度越高。

可选地，若第一虚拟对象与第二虚拟对象的距离越远，则用于决定第二虚拟对象的神经网络模型的复杂程度变化的常数值越大，反之，若第一虚拟对象与第二虚拟对象的距离越近，则用于决定第二虚拟对象的神经网络模型的复杂程度变化的常数值越小。

可选地，第一虚拟对象和第二虚拟对象是不同类型的对象，该装置被配置为：响应于用户开始与第一虚拟对象进行互动，创建用户的互动行为日志；在用户与第一虚拟对象互动的过程中，通过用户的互动行为日志记录用户与第一虚拟对象的互动行为；根据用户与第一虚拟对象的互动行为中的关键行为，动态增加当前还未与用户发生互动的第二虚拟对象的神经网络模型的复杂程度。

可选地，在用户与第一虚拟对象的互动行为中的关键行为是用户针对第一虚拟对象用户执行的与第二虚拟对象能够提供的互动匹配的行为，若用户针对第一虚拟对象用户执行的与第二虚拟对象能够提供的互动匹配的行为越多，则第二虚拟对象的神经网络模型被复杂化的程度越高。

可选地，若第一虚拟对象与第二虚拟对象的距离越远，则用于决定第二虚拟对象的神经网络模型的复杂程度变化的常数值越小，反之，若第一虚拟对象与第二虚拟对象的距离越近，则用于决定第二虚拟对象的神经网络模型的复杂程度变化的常数值越大。

可选地，第二虚拟对象的神经网络模型为深度神经网络，第二虚拟对象的神经网络模型的复杂程度是指第二虚拟对象的神经网络模型中的神经元的数目，若第二虚拟对象的神经网络模型的复杂程度越高，则第二虚拟对象通过神经网络模型中的神经元的数目越多；

其中，第二虚拟对象的神经网络模型的复杂程度还指第二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，若第二虚拟对象的神经网络模型的复杂程度越高，则第二虚拟对象通过神经网络模型中每个神经元的结构越复杂；

其中，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。

可选地，第二虚拟对象的神经网络模型的复杂程度还指第二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，若第二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，则第二虚拟对象通过神经网络模型中每个神经元的结构越复杂；

其中，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；第二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二虚拟对象的神经网络模型中不同的神经元的M取值不同。

图2为本申请实施例提供的电子设备的结构示意图。示例性地，该电子设备可以是终端设备，也可以是可设置于终端设备的芯片(系统)或其他部件或组件。如图2所示，电子设备400可以包括处理器401。可选地，电子设备400还可以包括存储器402和/或收发器403。其中，处理器401与存储器402和收发器403耦合，如可以通过通信总线连接。此外，电子设备400也可以是芯片，如包括处理器401，此时，收发器可以是芯片的输出输入接口。

下面结合图2电子设备400的各个构成部件进行具体的介绍：

其中，处理器401是电子设备400的控制中心，可以是一个处理器，也可以是多个处理元件的统称。例如，处理器401是一个或多个中央处理器(central processing unit，CPU)，也可以是特定集成电路(application specific integrated circuit，ASIC)，或者是被配置成实施本申请实施例的一个或多个集成电路，例如：一个或多个微处理器(digital signal processor，DSP)，或，一个或者多个现场可编程门阵列(fieldprogrammable gate array，FPGA)。

可选地，处理器401可以通过运行或执行存储在存储器402内的软件程序，以及调用存储在存储器402内的数据，执行电子设备400的各种功能，例如执行上述图1所示的虚拟数字人的互动交互方法。

在具体的实现中，作为一种实施例，处理器401可以包括一个或多个CPU，例如图2中所示出的CPU0和CPU1。

在具体实现中，作为一种实施例，电子设备400也可以包括多个处理器。这些处理器中的每一个可以是一个单核处理器(single-CPU)，也可以是一个多核处理器(multi-CPU)。这里的处理器可以指一个或多个设备、电路、和/或用于处理数据(例如计算机程序或指令)的处理核。

其中，所述存储器402用于存储执行本申请方案的软件程序，并由处理器401来控制执行，具体实现方式可以参考上述方法实施例，此处不再赘述。

可选地，存储器402可以是只读存储器(read-only memory，ROM)或可存储静态信息和指令的其他类型的静态存储设备，随机存取存储器(random access memory，RAM)或者可存储信息和指令的其他类型的动态存储设备，也可以是电可擦可编程只读存储器(electrically erasable programmable read-only memory，EEPROM)、只读光盘(compactdisc read-only memory，CD-ROM)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。存储器402可以和处理器401集成在一起，也可以独立存在，并通过电子设备400的接口电路(图2中未示出)与处理器401耦合，本申请实施例对此不作具体限定。

收发器403，用于与其他电子设备之间的通信。例如，电子设备400为终端设备，收发器403可以用于与网络设备通信，或者与另一个终端设备通信。又例如，电子设备400为网络设备，收发器403可以用于与终端设备通信，或者与另一个网络设备通信。

可选地，收发器403可以包括接收器和发送器(图2中未单独示出)。其中，接收器用于实现接收功能，发送器用于实现发送功能。

可选地，收发器403可以和处理器401集成在一起，也可以独立存在，并通过电子设备400的接口电路(图2中未示出)与处理器401耦合，本申请实施例对此不作具体限定。

可以理解的是，图2中示出的电子设备400的结构并不构成对该电子设备的限定，实际的电子设备可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

此外，电子设备400的技术效果可以参考上述方法实施例所述的方法的技术效果，此处不再赘述。

应理解，在本申请实施例中的处理器可以是中央处理单元(central processingunit，CPU)，该处理器还可以是其他通用处理器、数字信号处理器(digital signalprocessor，DSP)、专用集成电路(application specific integrated circuit，ASIC)、现成可编程门阵列(field programmable gate array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

还应理解，本申请实施例中的存储器可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(read-only memory，ROM)、可编程只读存储器(programmable ROM，PROM)、可擦除可编程只读存储器(erasable PROM，EPROM)、电可擦除可编程只读存储器(electrically EPROM，EEPROM)或闪存。易失性存储器可以是随机存取存储器(random access memory，RAM)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的随机存取存储器(random accessmemory，RAM)可用，例如静态随机存取存储器(static RAM，SRAM)、动态随机存取存储器(DRAM)、同步动态随机存取存储器(synchronous DRAM，SDRAM)、双倍数据速率同步动态随机存取存储器(doubledata rate SDRAM，DDR SDRAM)、增强型同步动态随机存取存储器(enhanced SDRAM，ESDRAM)、同步连接动态随机存取存储器(synchlink DRAM，SLDRAM)和直接内存总线随机存取存储器(direct rambus RAM，DR RAM)。

上述实施例，可以全部或部分地通过软件、硬件(如电路)、固件或其他任意组合来实现。当使用软件实现时，上述实施例可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令或计算机程序。在计算机上加载或执行所述计算机指令或计算机程序时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以为通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机程序或指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机程序或指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集合的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质。半导体介质可以是固态硬盘。

应理解，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况，其中A,B可以是单数或者复数。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系，但也可能表示的是一种“和/或”的关系，具体可参考前后文进行理解。

本申请中，“至少一个”是指一个或者多个，“多个”是指两个或两个以上。“以下至少一项(个)”或其类似表达，是指的这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a,b,或c中的至少一项(个)，可以表示：a,b,c,a-b,a-c,b-c,或a-b-c，其中a,b,c可以是单个，也可以是多个。

应理解，在本申请的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。

所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(read-only memory，ROM)、随机存取存储器(random access memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。

Claims (10)

1.一种虚拟数字人的互动交互方法，其特征在于，第一虚拟场景中创建有第一虚拟对象和第二虚拟对象，所述方法包括：

在用户与所述第一虚拟对象互动的过程中，生成所述用户的互动行为日志，并根据所述用户的互动行为日志，动态调整当前还未与所述用户发生互动的所述第二虚拟对象的神经网络模型的复杂程度，其中，所述用户的互动行为日志用于记录所述用户与所述第一虚拟对象的互动行为，若所述第二虚拟对象的神经网络模型的复杂程度越高，则所述第二虚拟对象通过所述第二虚拟对象的神经网络模型与所述用户进行交互的能力越强；

在所述用户与所述第一虚拟对象的互动结束时，根据当前所述第二虚拟对象的神经网络模型的复杂程度，创建所述第二虚拟对象的神经网络模型。

2.根据权利要求1所述的方法，其特征在于，所述第一虚拟对象和所述第二虚拟对象是同一类型的对象，在用户与所述第一虚拟对象互动的过程中，生成所述用户的互动行为日志，并根据所述用户的互动行为日志，动态调整当前还未与所述用户发生互动的所述第二虚拟对象的神经网络模型的复杂程度，包括：

响应于所述用户开始与所述第一虚拟对象进行互动，创建所述用户的互动行为日志；

在所述用户与所述第一虚拟对象互动的过程中，通过所述用户的互动行为日志记录所述用户与所述第一虚拟对象的互动行为；

根据所述用户与所述第一虚拟对象的互动行为中的关键行为，动态降低当前还未与所述用户发生互动的所述第二虚拟对象的神经网络模型的复杂程度。

3.根据权利要求2所述的方法，其特征在于：

在所述用户与所述第一虚拟对象的互动行为是所述用户与所述第一虚拟对象进行对话的情况下，所述关键行为是所述用户与所述第一虚拟对象的对话中的关键信息量，所述关键信息量是能够用于所述用户完成与所述第一虚拟对象相关的任务的信息，若所述关键信息量越大，则所述第二虚拟对象的神经网络模型被简化的程度越高；

或者；

在所述用户与所述第一虚拟对象的互动行为是所述用户与所述第一虚拟对象进行对战的情况下，所述关键行为是所述用户成功战胜所述第一虚拟对象所需的时长，若所述用户成功战胜所述第一虚拟对象所需的时长越长，则所述第二虚拟对象的神经网络模型被简化的程度越高。

4.根据权利要求3所述的方法，其特征在于，若所述第一虚拟对象与所述第二虚拟对象的距离越远，则用于决定所述第二虚拟对象的神经网络模型的复杂程度变化的常数值越大，反之，若所述第一虚拟对象与所述第二虚拟对象的距离越近，则用于决定所述第二虚拟对象的神经网络模型的复杂程度变化的常数值越小。

5.根据权利要求1所述的方法，其特征在于，所述第一虚拟对象和所述第二虚拟对象是不同类型的对象，在用户与所述第一虚拟对象互动的过程中，生成所述用户的互动行为日志，并根据所述用户的互动行为日志，动态调整当前还未与所述用户发生互动的所述第二虚拟对象的神经网络模型的复杂程度，包括：

响应于所述用户开始与所述第一虚拟对象进行互动，创建所述用户的互动行为日志；

在所述用户与所述第一虚拟对象互动的过程中，通过所述用户的互动行为日志记录所述用户与所述第一虚拟对象的互动行为；

根据所述用户与所述第一虚拟对象的互动行为中的关键行为，动态增加当前还未与所述用户发生互动的所述第二虚拟对象的神经网络模型的复杂程度。

6.根据权利要求5所述的方法，其特征在于：

在所述用户与所述第一虚拟对象的互动行为中的所述关键行为是所述用户针对所述第一虚拟对象用户执行的与所述第二虚拟对象能够提供的互动匹配的行为，若所述用户针对所述第一虚拟对象用户执行的与所述第二虚拟对象能够提供的互动匹配的行为越多，则所述第二虚拟对象的神经网络模型被复杂化的程度越高。

7.根据权利要求6所述的方法，其特征在于，若所述第一虚拟对象与所述第二虚拟对象的距离越远，则用于决定所述第二虚拟对象的神经网络模型的复杂程度变化的常数值越小，反之，若所述第一虚拟对象与所述第二虚拟对象的距离越近，则用于决定所述第二虚拟对象的神经网络模型的复杂程度变化的常数值越大。

8.根据权利要求1所述的方法，其特征在于，所述第二虚拟对象的神经网络模型为深度神经网络，所述第二虚拟对象的神经网络模型的复杂程度是指所述第二虚拟对象的神经网络模型中的神经元的数目，若所述第二虚拟对象的神经网络模型的复杂程度越高，则所述第二虚拟对象通过所述神经网络模型中的神经元的数目越多；

其中，所述第二虚拟对象的神经网络模型的复杂程度还指所述第二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，若所述第二虚拟对象的神经网络模型的复杂程度越高，则所述第二虚拟对象通过所述神经网络模型中每个神经元的结构越复杂；

其中，所述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，所述M*M的矩阵包括第一类元素sk和第二类元素so，所述第一类元素sk位于所述M*M的矩阵的对角线上，所述第二类元素so位于所述M*M的矩阵除所述对角线以外的其他位置，所述M*M的矩阵中不同位置的所述第一类元素sk的权值不同，所述M*M的矩阵中不同位置的所述第二类元素sk的权值不同；所述神经网络模型中每个神经元的结构越复杂是指所述M*M的矩阵的尺寸越大，也即，M的取值越大。

9.根据权利要求8所述的方法，其特征在于，所述第二虚拟对象的神经网络模型的复杂程度还指所述第二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，若所述第二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，则所述第二虚拟对象通过所述神经网络模型中每个神经元的结构越复杂；

其中，所述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，所述M*M的矩阵包括第一类元素sk和第二类元素so，所述第一类元素sk位于所述M*M的矩阵的对角线上，所述第二类元素so位于所述M*M的矩阵除所述对角线以外的其他位置，所述M*M的矩阵中不同位置的所述第一类元素sk的权值不同，所述M*M的矩阵中不同位置的所述第二类元素sk的权值不同；所述第二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所述第二虚拟对象的神经网络模型中不同的神经元的M取值不同。

10.一种虚拟数字人的互动交互装置，其特征在于，第一虚拟场景中创建有第一虚拟对象和第二虚拟对象，所述装置被配置为：

在用户与所述第一虚拟对象互动的过程中，生成所述用户的互动行为日志，并根据所述用户的互动行为日志，动态调整当前还未与所述用户发生互动的所述第二虚拟对象的神经网络模型的复杂程度，其中，所述用户的互动行为日志用于记录所述用户与所述第一虚拟对象的互动行为，若所述第二虚拟对象的神经网络模型的复杂程度越高，则所述第二虚拟对象通过所述第二虚拟对象的神经网络模型与所述用户进行交互的能力越强；

在所述用户与所述第一虚拟对象的互动结束时，根据当前所述第二虚拟对象的神经网络模型的复杂程度，创建所述第二虚拟对象的神经网络模型。