基于虚拟数字人物的AI对话方法及在线虚拟数字化系统

摘要

本申请实施例提供一种基于虚拟数字人物的AI对话方法及在线虚拟数字化系统，通过对虚拟数字人物的第一用户积极情感倾向内容进行分析，在得到第一用户积极情感倾向内容对应AI对话事件的第一对话关注权重后，通过对话评价数据对第一对话关注权重进行更新，能够在确定虚拟数字人物的用户对话情感画像的情况下，进一步结合了对话评价数据对于虚拟数字人物的用户对话效果的影响，从而对虚拟数字人物执行更精准的在线互动用户推荐，进而提高后续在线互动用户的AI对话匹配度。

说明书

技术领域

本申请涉及虚拟场景与AI技术领域，具体而言，涉及一种基于虚拟数字人物的AI对话方法及在线虚拟数字化系统。

背景技术

虚拟数字人（Digital Human / Meta Human），是运用数字技术创造出来的、与人类形象接近的数字化人物形象，可以通过智能系统自动读取并解析识别外界输入信息，根据解析结果决策数字人后续的输出文本，驱动虚拟数字人物模型生成相应的语音与动作来使数字人跟用户互动，并根据互动效果，也即虚拟数字人物的对话评价数据，进行其它相关用户的虚拟数字人物的推荐，以便于提高虚拟数字人物的适用性。然而，相关技术中，经过本申请发明人测试发现，如果仅仅基于虚拟数字人物的对话评价数据进行在线互动用户推荐，无法达到很好的AI对话匹配度。

发明内容

为了至少克服现有技术中的上述不足，本申请的目的在于提供一种基于虚拟数字人物的AI对话方法及在线虚拟数字化系统。

第一方面，本申请提供一种基于虚拟数字人物的AI对话方法，应用于在线虚拟数字化系统，所述方法包括：

获取在线虚拟数字化场景中的目标用户针对虚拟数字人物发起AI对话的多个AI对话事件的虚拟人物对话语音，对所述虚拟人物对话语音进行对话情感分析，获得所述虚拟数字人物的第一用户积极情感倾向内容；

确定所述第一用户积极情感倾向内容对应的内容特征向量，基于所述内容特征向量，确定所述第一用户积极情感倾向内容的注意力参数值，所述内容特征向量至少包括内容语义特征向量和内容语境特征向量，所述注意力参数值表示所述虚拟数字人物的用户对话情感画像；

基于所述第一用户积极情感倾向内容的情感属性，确定所述第一用户积极情感倾向内容对应的情感价值，并基于所述情感价值和所述注意力参数值，获得所述第一用户积极情感倾向内容对应AI对话事件的第一对话关注权重；

获取所述第一用户积极情感倾向内容对应AI对话事件的对话评价数据，对所述对话评价数据进行分析，以基于所述对话评价数据对所述第一对话关注权重进行更新，获得更新后的第二对话关注权重；

基于所述第二对话关注权重，对所述虚拟数字人物进行与所述目标用户存在关联的在线互动用户推荐。

在第一方面的一种可能的实施方式中，对所述对话评价数据进行分析，以基于所述对话评价数据对所述第一对话关注权重进行更新，获得更新后的第二对话关注权重的步骤，包括：

获取所述虚拟数字人物的虚拟人物对话语音集，从所述虚拟人物对话语音集中提取与所述虚拟人物对话语音所对应的时间节点相关联的在先虚拟人物对话语音；

对所述在先虚拟人物对话语音进行对话情感分析，获得所述虚拟数字人物对应的第二用户积极情感倾向内容；

将所述第一用户积极情感倾向内容和所述第二用户积极情感倾向内容进行比较，确定所述第一用户积极情感倾向内容与所述第二用户积极情感倾向内容之间的积极情感倾向转换参数；

确定所述对话评价数据对应的对话评价权重值，并基于所述对话评价权重值与所述积极情感倾向转换参数之间的融合参数值，确定所述对话评价数据对应的更新指标值；

基于所述更新指标值对所述第一对话关注权重进行更新，获得更新后的第二对话关注权重，所述更新的方向和幅度与所述更新指标值、所述对话评价权重值为正关联关系。

在第一方面的一种可能的实施方式中，所述对话评价数据至少包括场景效果评价数据、情感理解评价数据和情感表达评价数据，确定所述对话评价数据对应的对话评价权重值的步骤，包括：

确定所述第一用户积极情感倾向内容所属情感属性对应的多个场景效果评价分数范围和多个情感理解评价分数范围，每个场景效果评价分数范围对应一个第一对话评价权重值，每个情感理解评价分数范围对应一个第二对话评价权重值；

基于所述场景效果评价数据和所述情感理解评价数据，分别确定所述第一用户积极情感倾向内容对应的第一对话评价权重值和第二对话评价权重值；

获取所述第一用户积极情感倾向内容所在AI对话事件的情感表达评价数据的评价知识图谱，基于所述评价知识图谱，确定所述AI对话事件中的多个显著性情感活动数据；

基于所述多个显著性情感活动数据，确定所述第一用户积极情感倾向内容对应的第三对话评价权重值；

分别确定所述第一对话评价权重值、所述第二对话评价权重值和所述第三对话评价权重值对应的融合系数，并基于所述融合系数，对所述第一对话评价权重值、所述第二对话评价权重值和所述第三对话评价权重值进行融合，获得所述对话评价数据对应的对话评价权重值；

基于所述多个显著性情感活动数据，确定所述第一用户积极情感倾向内容对应的第三对话评价权重值的步骤，包括：

对所述评价知识图谱进行单元拆分，并针对每个显著性情感活动数据，从单元拆分后得到的单元评价知识图谱中，提取所述显著性情感活动数据所关联的多个目标单元评价知识图谱；

确定所述显著性情感活动数据在所述多个目标单元评价知识图谱中分别对应的图谱节点，基于所述图谱节点的交叉数量的降序顺序，对所述图谱节点进行排序，获得所述显著性情感活动数据的目标图谱节点；所述目标图谱节点表征所述显著性情感活动数据的最大交叉数量的节点；

将所述评价知识图谱映射到对话重要性空间上，依据所述对话重要性空间，确定所述目标图谱的对话重要性参数；

基于所述对话重要性参数，确定所述第一用户积极情感倾向内容对应的第三对话评价权重值。

在第一方面的一种可能的实施方式中，对所述虚拟人物对话语音进行对话情感分析，获得所述虚拟数字人物的第一用户积极情感倾向内容的步骤，包括：

对所述虚拟人物对话语音进行对话情感编码，并确定对话情感编码后的所述虚拟人物对话语音每个对话互动语句的积极情感映射均值，以基于所述积极情感映射均值，确定所述虚拟人物对话语音中格式化互动数据以及待分析的目标互动数据，所述格式化互动数据的积极情感映射均值小于所述目标互动数据的积极情感映射均值；

分别确定所述目标互动数据中各对话互动语句的前后文语句集内对应的关联对话互动语句，以及所述关联对话互动语句对应积极情感映射值之间的积极情感映射标准差值和积极情感映射均值；

基于所述积极情感映射标准差值和所述积极情感映射均值之间的比值，确定所述对话互动语句对应的显著性倾向值；

针对每个对话互动语句，将所述对话互动语句对应的显著性倾向值与设定倾向值进行比较，基于比较结果对所述目标互动数据中的对话互动语句进行聚类，获得所述虚拟数字人物的第一用户积极情感倾向内容，所述第一用户积极情感倾向内容对应的显著性倾向值大于所述设定倾向值。

在第一方面的一种可能的实施方式中，确定所述虚拟数字人物的第一用户积极情感倾向内容之后，所述方法还包括：

对所述第一用户积极情感倾向内容进行业务分句，获得分句后的第一用户积极情感映射语句序列，所述第一用户积极情感映射语句序列由多个用户积极情感映射语句构成；

针对每个用户积极情感映射语句，以所述用户积极情感映射语句为起点，依次遍历所述第一用户积极情感映射语句序列，获得与所述用户积极情感映射语句具有对话行为关联的关联用户积极情感映射语句；

连接所述关联用户积极情感映射语句，获得所述第一用户积极情感倾向内容对应的多个关联积极情感倾向内容；

确定所述多个关联积极情感倾向内容内的对话互动语句数量以及所述多个关联积极情感倾向内容分别对应的标准对话互动语句数量，针对每个关联积极情感倾向内容，将其对应的所述对话互动语句数量与所述标准对话互动语句数量进行比较，获得所述标准对话互动语句数量是否大于所述对话互动语句数量；

若所述标准对话互动语句数量大于所述对话互动语句数量，则从所述第一用户积极情感倾向内容中移除所述关联积极情感倾向内容。

在第一方面的一种可能的实施方式中，分别确定所述第一对话评价权重值、所述第二对话评价权重值和所述第三对话评价权重值对应的融合系数之前，所述方法还包括：

确定所述虚拟数字人物当前所在的互动问题标签，以及所述互动问题标签下所述对话评价数据分别对应的标签权重信息；

基于所述标签权重信息，分别对所述第一对话评价权重值、所述第二对话评价权重值和所述第三对话评价权重值对应的融合系数进行调整。

在第一方面的一种可能的实施方式中，基于所述内容特征向量，确定所述第一用户积极情感倾向内容的注意力参数值的步骤，包括：

将内容特征向量作为训练样本，注意力参数值作为训练标签，构建蒙特卡洛神经网络；

将所述内容特征向量加载到所述蒙特卡洛神经网络，确定所述第一用户积极情感倾向内容的注意力参数值。

在第一方面的一种可能的实施方式中，8.根据权利要求4所述的基于虚拟数字人物的AI对话方法，其特征在于，所述对所述虚拟人物对话语音进行对话情感编码，并确定对话情感编码后的所述虚拟人物对话语音每个对话互动语句的积极情感映射均值的步骤，包括：

将所述虚拟人物对话语音加载至到对话情感分析网络，以通过所述对话情感分析网络对所述虚拟人物对话语音进行对话情感分析，确定所述虚拟人物对话语音的对话情感分析结果，其中，所述对话情感分析结果包括每个对话互动语句的对话情感标签以及对应的标签映射值；

对所述虚拟人物对话语音的对话情感分析结果进行积极情感特征分析，获得每个对话互动语句的积极情感映射均值；

其中，所述对话情感分析网络的训练步骤，包括：

获取第一数量个虚拟人物对话监督样本和第二数量个虚拟人物对话无监督样本，将所述第一数量个虚拟人物对话监督样本和所述第二数量个虚拟人物对话无监督样本加载至对话情感分析网络；所述第一数量个虚拟人物对话监督样本分别携带有所包含的虚拟人物对话语音的对话情感标注信息；所述第一数量个虚拟人物对话监督样本携带的虚拟人物对话语音和所述第二数量个虚拟人物对话无监督样本携带的虚拟人物对话语音属于相同的虚拟数字人物场景；

在所述对话情感分析网络中确定每个虚拟人物对话监督样本所包含的虚拟人物对话语音的第一对话情感分析信息，从对话互动知识资源池中获取所述每个虚拟人物对话监督样本的关联虚拟人物对话语音样本；所述对话互动知识资源池包括所述第一数量个虚拟人物对话监督样本和所述第二数量个虚拟人物对话无监督样本；所述每个虚拟人物对话监督样本的关联虚拟人物对话语音样本未携带所属虚拟人物对话监督样本携带的对话情感标注信息；

基于所述每个虚拟人物对话监督样本与所属的关联虚拟人物对话语音样本之间的样本关联值确定第一学习效果指标，基于所述每个虚拟人物对话监督样本对应的第一对话情感分析信息和携带的对话情感标注信息确定第二学习效果指标；

依据所述第一学习效果指标和所述第二学习效果指标调整所述对话情感分析网络的权重配置信息，生成目标对话情感分析网络；所述目标对话情感分析网络用于对属于所述虚拟数字人物场景的虚拟人物对话语音进行对话情感分析；

所述从对话互动知识资源池中获取所述每个虚拟人物对话监督样本的关联虚拟人物对话语音样本，包括：

在所述对话情感分析网络中生成所述每个虚拟人物对话监督样本的对话语义表征信息和每个虚拟人物对话无监督样本的对话语义表征信息；

基于所述每个虚拟人物对话监督样本的对话语义表征信息和每个虚拟人物对话无监督样本的对话语义表征信息，生成对话语义关联阵列；

从所述对话语义关联阵列中获取所述每个虚拟人物对话监督样本分别与所述对话互动知识资源池中的对话互动语音之间的样本关联值； 基于所述每个虚拟人物对话监督样本分别与所述对话互动知识资源池中的对话互动语音之间的样本关联值，从所述对话互动知识资源池中确定所述每个虚拟人物对话监督样本的关联虚拟人物对话语音样本；

所述第一数量个虚拟人物对话监督样本包括虚拟人物对话监督样本i，i为不大于第二数量的正整数；

所述基于所述每个虚拟人物对话监督样本分别与所述对话互动知识资源池中的对话互动语音之间的样本关联值，从所述对话互动知识资源池中确定所述每个虚拟人物对话监督样本的关联虚拟人物对话语音样本，包括：

从所述对话互动知识资源池中清洗与所述虚拟人物对话监督样本i携带有相同对话情感先验信息的对话样本，生成候选对话互动知识资源池；

依据所述虚拟人物对话监督样本i分别与所述候选对话互动知识资源池中的每个对话互动语音之间的样本关联值的降序排列信息，对所述每个对话互动语音进行排序，生成候选对话互动知识资源池；

获取关联虚拟人物对话语音样本数量k，将所述候选对话互动知识资源池中的前k个对话互动语音确定为所述虚拟人物对话监督样本i的关联虚拟人物对话语音样本；k为小于第二数量和第一数量之和的正整数；

所述基于所述每个虚拟人物对话监督样本的对话语义表征信息和每个虚拟人物对话无监督样本的对话语义表征信息，生成对话语义关联阵列，包括：

获取对所述每个虚拟人物对话监督样本的对话语义表征信息进行规则化转换后所得到的规则化转换表征信息，获取对所述每个虚拟人物对话无监督样本的对话语义表征信息进行规则化转换后所得到的规则化转换表征信息；

获取包括所述每个虚拟人物对话监督样本的规则化转换表征信息的第一表征知识抽取向量阵列和包括所述每个虚拟人物对话无监督样本的规则化转换表征信息的第二表征知识抽取向量阵列；

对所述第一表征知识抽取向量阵列和所述第二表征知识抽取向量阵列进行融合，生成目标表征知识抽取向量阵列；

获取所述目标表征知识抽取向量阵列的附属前后文语义向量阵列，将所述第一表征知识抽取向量阵列和所述附属前后文语义向量阵列的融合信息确定为所述对话语义关联阵列。

譬如，在第一方面的一种可能的实施方式中，所述基于所述每个虚拟人物对话监督样本与所属的关联虚拟人物对话语音样本之间的样本关联值确定第一学习效果指标，包括：

基于所述每个虚拟人物对话监督样本与所属的关联虚拟人物对话语音样本之间的样本关联值，分别确定所述每个虚拟人物对话监督样本与所属的关联虚拟人物对话语音样本之间的平均样本关联值；

基于所述每个虚拟人物对话监督样本与所属的关联虚拟人物对话语音样本之间的平均样本关联值生成样本关联值阵列；

将所述样本关联值阵列的方差函数，确定为所述第一学习效果指标。

譬如，在第一方面的一种可能的实施方式中，所述依据所述第一学习效果指标和所述第二学习效果指标调整所述对话情感分析网络的权重配置信息，生成目标对话情感分析网络，包括：

对所述第一学习效果指标和所述第二学习效果指标进行加权计算，生成最终学习效果指标；

依据所述最终学习效果指标调整所述对话情感分析网络的权重配置信息；

当分析确定对所述对话情感分析网络的权重配置信息不再发生变化时，将所述对话情感分析网络确定为所述目标对话情感分析网络。

譬如，在第一方面的一种可能的实施方式中，所述方法还包括：

将所述第一数量个虚拟人物对话监督样本加载至基础对话情感分析网络；

在所述基础对话情感分析网络中确定所述每个虚拟人物对话监督样本所包含的虚拟人物对话语音的第二对话情感分析信息；

基于所述每个虚拟人物对话监督样本对应的第二对话情感分析信息和所述每个虚拟人物对话监督样本携带的对话情感标注信息，调整所述基础对话情感分析网络的权重配置信息，生成所述对话情感分析网络。

譬如，在第一方面的一种可能的实施方式中，所述在所述对话情感分析网络中确定每个虚拟人物对话监督样本所包含的虚拟人物对话语音的第一对话情感分析信息，包括：

在所述对话情感分析网络中生成所述每个虚拟人物对话监督样本的对话语义表征信息；

对所述每个虚拟人物对话监督样本的对话语义表征信息进行规则化转换，生成所述每个虚拟人物对话监督样本的规则化转换表征信息；

依据所述每个虚拟人物对话监督样本的规则化转换表征信息，确定所述每个虚拟人物对话监督样本的第一对话情感分析信息；

所述第一数量个虚拟人物对话监督样本包括虚拟人物对话监督样本i，i为不大于第二数量的正整数；所述对话情感分析网络的权重配置信息包括FCL单元的权重配置信息；所述第一数量个虚拟人物对话监督样本共携带有s种对话情感先验信息，一种对话情感先验信息对应一种对话情感标注信息，s为不大于第二数量的正整数；

所述依据所述每个虚拟人物对话监督样本的规则化转换表征信息，确定所述每个虚拟人物对话监督样本的第一对话情感分析信息，包括：

对所述FCL单元的权重配置信息进行规则化转换，生成所述FCL单元的转换权重配置信息；

依据所述虚拟人物对话监督样本i的规则化转换表征信息和所述转换权重配置信息，确定所述虚拟人物对话监督样本i所包含的虚拟人物对话语音为s种对话情感标注信息中的每种对话情感标注信息的映射置信度；

将所述虚拟人物对话监督样本i所包含的虚拟人物对话语音为所述每种对话情感标注信息的映射置信度，确定为所述虚拟人物对话监督样本i的第一对话情感分析信息。

第二方面，本申请实施例还提供一种在线虚拟数字化系统，所述在线虚拟数字化系统包括处理器和机器可读存储介质，所述机器可读存储介质中存储有计算机程序，所述计算机程序结合该处理器加载并执行以实现以上第一方面的基于虚拟数字人物的AI对话方法。

第三方面，本申请实施例提供一种计算机可读存储介质，存储有计算机可执行指令，所述计算机可执行指令用于被处理器执行时，以实现以上第一方面的基于虚拟数字人物的AI对话方法。

第四方面，本申请实施例提供一种计算机程序产品，包括计算机程序或计算机可执行指令，所述计算机程序或计算机可执行指令被处理器执行时，以实现以上第一方面的基于虚拟数字人物的AI对话方法。

本申请实施例至少具有以下有益效果：

本申请实施例通过对虚拟数字人物的第一用户积极情感倾向内容进行分析，在得到第一用户积极情感倾向内容对应AI对话事件的第一对话关注权重后，通过对话评价数据对第一对话关注权重进行更新，能够在确定虚拟数字人物的用户对话情感画像的情况下，进一步结合了对话评价数据对于虚拟数字人物的用户对话效果的影响，从而对虚拟数字人物执行更精准的在线互动用户推荐，进而提高后续在线互动用户的AI对话匹配度。

附图说明

图1为本申请实施例提供的基于虚拟数字人物的AI对话方法的流程示意图。

具体实施方式

为了使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请作进一步地详细描述，所描述的实施例不应视为对本申请的限制，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本申请保护的范围。

在以下的描述中，涉及到“一些实施例”，其描述了所有可能实施例的子集，但是可以理解，“一些实施例”可以是所有可能实施例的相同子集或不同子集，并且可以在不冲突的基础上相互结合。

在以下的描述中，所涉及的术语“第一\第二”仅仅是区别类似的虚拟人物对话语音，不代表针对对象的特定排序，可以理解地，“第一\第二”在允许的基础上可以互换特定的顺序或先后次序，以使这里描述的本申请实施例能够以除了在这里图示或描述的以外的顺序实施。

除非另有定义，本申请实施例所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本申请实施例中所使用的术语只是为了描述本申请实施例的目的，不是旨在限制本申请。

步骤S101：获取目标用户针对虚拟数字人物发起AI对话的多个AI对话事件的虚拟人物对话语音，对虚拟人物对话语音进行对话情感分析，获得虚拟数字人物的第一用户积极情感倾向内容。

虚拟数字人物是运用数字技术创造出来的、与人类形象接近的数字化人物形象，其可以与目标用户建立AI对话，以对在线服务（如在线医疗服务、在线电商服务、在线工业服务、在线教育服务等）执行对话互动。在对话互动过程中，可以采集当前AI对话事件下虚拟数字人物与目标用户对应的虚拟人物对话语音。在获取到目标用户针对虚拟数字人物发起AI对话的多个AI对话事件的虚拟人物对话语音后，需对虚拟人物对话语音进行对话情感分析，从而确定出当前虚拟数字人物是否存在积极情感倾向（如高兴、满意、兴奋等），以及积极情感倾向所在的第一用户积极情感倾向内容。

一些示例性的设计思路中，虚拟数字人物的虚拟人物对话语音划分为格式化互动数据以及目标互动数据，格式化互动数据与目标互动数据的情感倾向存在较大不同，相应的积极情感映射值也会存在较大差异，因此，可通过不同对话互动语句的积极情感映射值从虚拟人物对话语音中提取目标互动数据。

可确定对话情感编码后的虚拟人物对话语音每个对话互动语句的积极情感映射均值，进而基于积极情感映射均值，确定虚拟人物对话语音中的格式化互动数据以及待分析的目标互动数据。其中，格式化互动数据的积极情感映射均值小于目标互动数据的积极情感映射均值。

在分别确定目标互动数据中各对话互动语句的前后文语句集内对应的关联对话互动语句后，还需确定每个关联对话互动语句对应的积极情感映射值，并计算积极情感映射值之间的积极情感映射均值以及积极情感映射值之间的积极情感映射标准差值。在得到得到积极情感映射标准差值和积极情感映射均值后，基于积极情感映射标准差值和积极情感映射均值之间的比值，确定该对话互动语句对应的显著性倾向值C。针对每个对话互动语句，将其对应的显著性倾向值与设定倾向值进行比较，以此得到相应的比较结果。基于比较结果，能够对虚拟数字人物所在目标互动数据中的对话互动语句进行聚类，从而得到第一用户积极情感倾向内容。

示例性地，对第一用户积极情感倾向内容进行业务分句，获得分句后的第一用户积极情感映射语句序列。分句后的第一用户积极情感映射语句序列由多个用户积极情感映射语句构成。针对每个用户积极情感映射语句，以用户积极情感映射语句为起点，依次遍历第一用户积极情感映射语句序列，进而确定与该用户积极情感映射语句具有对话行为关联的关联用户积极情感映射语句。若存在关联用户积极情感映射语句，则依次连接上述关联用户积极情感映射语句，直至遍历完第一用户积极情感映射语句序列后的全部用户积极情感映射语句后，便可得到第一用户积极情感倾向内容对应的多个关联积极情感倾向内容。其中，关联积极情感倾向内容可以为一个或多个。

步骤S102：确定第一用户积极情感倾向内容对应的内容特征向量，基于内容特征向量，确定第一用户积极情感倾向内容的注意力参数值，内容特征向量至少包括内容语义特征向量和内容语境特征向量，注意力参数值表示虚拟数字人物的用户对话情感画像。

内容特征向量至少包括内容语义特征向量和内容语境特征向量，然后，基于内容特征向量，确定第一用户积极情感倾向内容的注意力参数值。注意力参数值表示虚拟数字人物的用户对话情感画像，注意力参数值越大，则说明虚拟数字人物对应的用户对话情感满意度就越大。

注意力参数值与内容特征向量值呈线性关系，可将内容特征向量作为训练样本，注意力参数值作为训练标签，构建蒙特卡洛神经网络。

在构建得到蒙特卡洛神经网络后，将第一用户积极情感倾向内容的内容特征向量代入上述蒙特卡洛神经网络中，便可确定出第一用户积极情感倾向内容的注意力参数值。

步骤S103：基于第一用户积极情感倾向内容的情感属性，确定第一用户积极情感倾向内容对应的情感价值，并基于情感价值和注意力参数值，获得第一用户积极情感倾向内容对应AI对话事件的第一对话关注权重。

在识别出第一用户积极情感倾向内容后，需基于第一用户积极情感倾向内容的情感属性，可以从预置映射关系中确定出当前第一用户积极情感倾向内容对应的情感价值。进而，对第一用户积极情感倾向内容对应的情感价值和注意力参数值进行融合，从而得到第一用户积极情感倾向内容对应AI对话事件的第一对话关注权重。第一对话关注权重表示第一用户积极情感倾向内容对于虚拟数字人物产生的影响权重。

步骤S104：采集第一用户积极情感倾向内容对应AI对话事件的对话评价数据，对对话评价数据进行分析，以基于对话评价数据对第一对话关注权重进行更新，获得更新后的第二对话关注权重。

通过采集第一用户积极情感倾向内容对应AI对话事件的对话评价数据，对对话评价数据进行分析，进而基于对话评价数据对第一对话关注权重进行更新，获得更新后的第二对话关注权重。

示例性地，获取虚拟数字人物的虚拟人物对话语音集，从虚拟人物对话语音集中提取与距离虚拟人物对话语音所在时间最近的在先虚拟人物对话语音。对在先虚拟人物对话语音进行对话情感分析，确定虚拟数字人物对应的第二用户积极情感倾向内容。在得到第二用户积极情感倾向内容后，将第一用户积极情感倾向内容和第二用户积极情感倾向内容进行比较，确定第一用户积极情感倾向内容与第二用户积极情感倾向内容之间的积极情感倾向转换参数。其中，积极情感倾向转换参数表示目标用户与虚拟数字人物进行对话时积极情感倾向的发展程度。

进一步地，在得到第一用户积极情感倾向内容的积极情感倾向转换参数之后，需确定对话评价数据对应的对话评价权重值，并基于对话评价权重值与积极情感倾向转换参数之间的融合参数值，确定对话评价数据对应的更新指标值。

其中，对话评价数据至少包括场景效果评价数据、情感理解评价数据和情感表达评价数据。

对话评价权重值与对话评价数据相适应，需确定第一用户积极情感倾向内容所属情感属性对应的多个场景效果评价分数范围和多个情感理解评价分数范围，每个场景效果评价分数范围对应一个第一对话评价权重值，每个情感理解评价分数范围对应一个第二对话评价权重值，这样，基于采集到的场景效果评价数据和情感理解评价数据，便可确定出当前第一用户积极情感倾向内容对应的第一对话评价权重值和第二对话评价权重值。可通过对话评价数据，生成第一用户积极情感倾向内容所在AI对话事件的情感表达评价数据的评价知识图谱，这样在评价知识图谱中，可确定出该AI对话事件中的多个显著性情感活动数据。

在确定出多个显著性情感活动数据后，可基于多个显著性情感活动数据，确定第一用户积极情感倾向内容对应的第三对话评价权重值。对评价知识图谱进行单元拆分，并针对每个显著性情感活动数据，从单元拆分后得到的单元评价知识图谱中，提取显著性情感活动数据所关联的多个目标单元评价知识图谱。多个目标单元评价知识图谱融合而成的整体评价知识图谱中包含有显著性情感活动数据。在提取目标单元评价知识图谱后，可确定该显著性情感活动数据在多个目标单元评价知识图谱中分别对应的图谱节点，基于图谱节点的交叉数量的降序顺序，对图谱节点进行排序，获得显著性情感活动数据的目标图谱节点。其中，图谱节点指的是显著性情感活动数据在某一目标单元评价知识图谱中的部分的最大交叉数量的节点，目标图谱节点表征显著性情感活动数据的最大交叉数量的节点。在确定出目标图谱节点后，将评价知识图谱整体映射到对话重要性空间上，依据对话重要性空间，可确定所述目标图谱的对话重要性参数。此时，可基于上述对话重要性参数，确定第一用户积极情感倾向内容对应的第三对话评价权重值。

在分别确定出对话评价数据对应的第一对话评价权重值、第二对话评价权重值和第三对话评价权重值后，可以通过预置映射关系确定各对话评价权重值对应的融合系数。预置映射关系包括各对话评价数据与其对应的融合系数之间的映射关系。基于融合系数，对第一对话评价权重值、第二对话评价权重值和第三对话评价权重值进行融合，获得对话评价数据对应的对话评价权重值。

情感表达评价数据、场景效果评价数据和情感理解评价数据的相同点在于，其都会受到互动问题标签的影响，因此，在衡量对话评价数据所能对虚拟数字人物所能产生的影响时，还需考虑到互动问题标签这一因素，在确定虚拟数字人物当前所在的互动问题标签，以及当前互动问题标签下对话评价数据对应的标签权重信息之后，基于标签权重信息，分别对第一对话评价权重值、第二对话评价权重值和第三对话评价权重值对应的融合系数进行调整。其中，第一对话评价权重值和第二对话评价权重值对应的标签权重信息，分别与场景效果评价数据和情感理解评价数据呈正比；第三对话评价权重值对应的标签权重信息，与显著性情感活动数据的显著性值呈正比。

并且，在确定出更新指标值后，基于更新指标值对第一对话关注权重进行更新，将该更新指标值与第一对话关注权重进行融合计算，获得的运算结果便为更新后的第二对话关注权重。其中，更新指标值大于1，更新的方向和幅度与更新指标值、对话评价权重值为正关联关系。

步骤S105：基于第二对话关注权重，对虚拟数字人物进行与所述目标用户存在关联的在线互动用户推荐。

第二对话关注权重可以用于表征虚拟数字人物与目标用户进行对话互动的匹配程度，也即，第二对话关注权重越大，虚拟数字人物与目标用户进行对话互动的匹配程度越大。因此，可以将该虚拟数字人物推荐给与所述目标用户存在关联的在线互动用户。示例性地，与所述目标用户存在关联的在线互动用户可以是指用户画像与与所述目标用户匹配的在线互动用户。

基于以上步骤，本申请实施例通过对虚拟数字人物的第一用户积极情感倾向内容进行分析，在得到第一用户积极情感倾向内容对应AI对话事件的第一对话关注权重后，通过对话评价数据对第一对话关注权重进行更新，能够在确定虚拟数字人物的用户对话情感画像的情况下，进一步结合了对话评价数据对于虚拟数字人物的用户对话效果的影响，从而对虚拟数字人物执行更精准的在线互动用户推荐，进而提高后续在线互动用户的AI对话匹配度。

一种示例性的设计思路中，对所述虚拟人物对话语音进行对话情感编码，并确定对话情感编码后的所述虚拟人物对话语音每个对话互动语句的积极情感映射均值的步骤，包括：将所述虚拟人物对话语音加载至到对话情感分析网络，以通过所述对话情感分析网络对所述虚拟人物对话语音进行对话情感分析，确定所述虚拟人物对话语音的对话情感分析结果，其中，所述对话情感分析结果包括每个对话互动语句的对话情感标签以及对应的标签映射值；对所述虚拟人物对话语音的对话情感分析结果进行积极情感特征分析，获得每个对话互动语句的积极情感映射均值；

其中，接下来本申请实施例提供一种基于人工智能的虚拟人物对话情感分析方法，包括下述步骤。

步骤W101，获取第一数量个虚拟人物对话监督样本和第二数量个虚拟人物对话无监督样本，将第一数量个虚拟人物对话监督样本和第二数量个虚拟人物对话无监督样本加载至对话情感分析网络；第二数量和第一数量均为正整数；第一数量个虚拟人物对话监督样本分别携带有所包含的虚拟人物对话语音的对话情感标注信息；第一数量个虚拟人物对话监督样本携带的虚拟人物对话语音和第二数量个虚拟人物对话无监督样本携带的虚拟人物对话语音属于相同的虚拟数字人物场景；

在线虚拟数字化系统可以获取到第一数量个虚拟人物对话监督样本和第二数量个虚拟人物对话无监督样本，第二数量和第一数量的具体数值可以基于实际需求灵活确定。

其中，虚拟人物对话监督样本和虚拟人物对话无监督样本包括相同虚拟数字人物场景的虚拟人物对话语音。

因此，虚拟人物对话监督样本可以是被添加有所包括的虚拟人物对话语音的对话情感标注信息的对话样本，一个虚拟人物对话监督样本可以包括一个虚拟人物对话样本，一个虚拟人物对话监督样本携带的对话情感标注信息表明了该虚拟人物对话监督样本所包括的虚拟人物对话语音的实际对话情感信息。

而虚拟人物对话无监督样本可以是任意搜集的对话互动语音，通常虚拟人物对话无监督样本所包含的虚拟人物对话语音的虚拟人物对话语音的对话情感信息与虚拟人物对话监督样本所包含的虚拟人物对话语音的虚拟人物对话语音的对话情感信息不同，其中，优选地虚拟人物对话无监督样本所包含的虚拟人物对话语音的虚拟人物对话语音的对话情感信息与虚拟人物对话监督样本所包含的虚拟人物对话语音的虚拟人物对话语音的对话情感信息是完全不同的。虚拟人物对话无监督样本就是没有被添加有对话情感先验信息的对话样本。

因此，在线虚拟数字化系统可以将所获取到的第一数量个虚拟人物对话监督样本和第二数量个虚拟人物对话无监督样本加载至对话情感分析网络，对对话情感分析网络进行网络权重配置信息调整，以得到目标对话情感分析网络，该目标对话情感分析网络就为用于对上述虚拟数字人物场景的虚拟人物对话语音进行对话情感分析，请参见下述内容描述。

网络权重配置信息调整可以有两个分支，包括第一分支的网络权重配置信息调整和第二分支的网络权重配置信息调整。上述对话情感分析网络可以是通过虚拟人物对话监督样本对基础对话情感分析网络进行网络权重配置信息调整后得到，通过虚拟人物对话监督样本对基础对话情感分析网络进行网络权重配置信息调整以得到对话情感分析网络的过程可以称之为是第一分支的网络权重配置信息调整的过程。通过虚拟人物对话监督样本和虚拟人物对话无监督样本共同对对话情感分析网络进行网络权重配置信息调整，以得到目标对话情感分析网络的过程可以称之为第二分支的网络权重配置信息调整的过程，该第二分支的网络权重配置信息调整过程也就是本申请实施例所具体描述的过程。

此处，说明训练基础对话情感分析网络以得到对话情感分析网络的过程：

在线虚拟数字化系统可以将上述第一数量个虚拟人物对话监督样本加载至到基础对话情感分析网络，进而通过该基础对话情感分析网络可以生成每个虚拟人物对话监督样本的对话语义表征信息，进而基础对话情感分析网络可以基于所生成的每个虚拟人物对话监督样本的对话语义表征信息，分别决策每个虚拟人物对话监督样本所包括的虚拟人物对话语音的对话情感分析信息，可以将该对话情感分析信息称之为第二对话情感分析信息。

其中，第一数量个虚拟人物对话监督样本可以共携带有s种对话情感先验信息，一种对话情感先验信息对应于一种对话情感标注信息，s为不大于第二数量的正整数。

基础对话情感分析网络可以通过FCL单元识别出所加载至的第一数量个虚拟人物对话监督样本中每个虚拟人物对话监督样本分别针对每种对话情感标注信息的映射置信度。

因此，上述第二对话情感分析信息可以是基础对话情感分析网络决策得到的虚拟人物对话监督样本中的虚拟人物对话语音分别为s种对话情感标注信息中的每种对话情感标注信息的映射置信度，一个虚拟人物对话监督样本与一个对话情感标注信息之间对应有一个所决策的映射置信度。

进而，在线虚拟数字化系统可以通过决策得到的第二对话情感分析信息以及各个虚拟人物对话监督样本携带的对话情感标注信息，来计算得到基础对话情感分析网络的第二学习效果指标，该第二学习效果指标表征了基础对话情感分析网络的对话情感分析结果（如第二对话情感分析信息）与实际对话情感信息（如虚拟人物对话监督样本携带的对话情感标注信息所指示的对话情感）之间的差异。因此，通过该第二学习效果指标可以调整基础对话情感分析网络的权重配置信息，调整的方向就是使得该学习效果指标最佳。

由此，可以通过基础对话情感分析网络训练得到对话情感分析网络，在线虚拟数字化系统可以将所获取到的第一数量个虚拟人物对话监督样本和第二数量个虚拟人物对话无监督样本加载至该对话情感分析网络。

步骤W102，在对话情感分析网络中确定每个虚拟人物对话监督样本所包含的虚拟人物对话语音的第一对话情感分析信息，从对话互动知识资源池中获取每个虚拟人物对话监督样本的关联虚拟人物对话语音样本；对话互动知识资源池包括第一数量个虚拟人物对话监督样本和第二数量个虚拟人物对话无监督样本；每个虚拟人物对话监督样本的关联虚拟人物对话语音样本未携带所属虚拟人物对话监督样本携带的对话情感标注信息；

在线虚拟数字化系统可以在对话情感分析网络中决策得到第一数量个虚拟人物对话监督样本中每个虚拟人物对话监督样本所包含的虚拟人物对话语音的第一对话情感分析信息。同理，若第一数量个虚拟人物对话监督样本共携带有s种对话情感先验信息，即表示有s种对话情感标注信息，则对话情感分析网络也可以识别得到虚拟人物对话监督样本中的虚拟人物对话语音为每种对话情感标注信息的映射置信度。因此第一对话情感分析信息就为对话情感分析网络所决策得到的虚拟人物对话监督样本中的虚拟人物对话语音分别为每种对话情感标注信息的映射置信度。

示例性地，对话情感分析网络可以生成每个虚拟人物对话监督样本的对话语义表征信息，该对话语义表征信息也就是对话情感分析网络提取得到的虚拟人物对话监督样本的对话样本特征。对话情感分析网络还可以对每个虚拟人物对话监督样本的对话语义表征信息进行规则化转换，即可将虚拟人物对话监督样本的对话语义表征信息规则化转换到某个特定的特征标注区间，生成每个虚拟人物对话监督样本规则化转换后的对话语义表征信息，可以每个虚拟人物对话监督样本规则化转换后的对话语义表征信息称之为规则化转换表征信息。进而，对话情感分析网络就可以通过所生成的每个虚拟人物对话监督样本的规则化转换表征信息，决策得到每个虚拟人物对话监督样本中的虚拟人物对话语音为每种对话情感标注信息的映射置信度，即决策得到每个虚拟人物对话监督样本的第一对话情感分析信息。

其中，对话情感分析网络的权重配置信息还可以包括FCL单元的权重配置信息，该权重配置信息为一个阵列，可以记为权重配置信息阵列w，在对对话情感分析网络的每次训练中，也都会对该权重配置信息阵列w进行规则化转换，可以将规则化转换后的权重配置信息阵列w称之为转换权重配置信息，继而对话情感分析网络可以通过该转换权重配置信息来决策每个虚拟人物对话监督样本的第一对话情感分析信息。

上述基础对话情感分析网络的权重配置信息也包括FCL单元的权重配置信息，基础对话情感分析网络每次在决策每个虚拟人物对话监督样本的第二对话情感分析信息时，也可以通过每个虚拟人物对话监督样本规则化转换后的对话语义表征信息以及FCL单元规则化转换后的权重配置信息进行决策的。

因此，对话情感分析网络可以通过每个虚拟人物对话监督样本的规则化转换表征信息以及FCL单元规则化转换后的权重配置信息，决策每个虚拟人物对话监督样本中的虚拟人物对话语音为每一种对话情感标注信息的映射置信度。由此，即可决策得到虚拟人物对话监督样本i中的虚拟人物对话语音为每种对话情感标注信息的映射置信度，也就是决策得到虚拟人物对话监督样本的第一对话情感分析信息。

一些实施方式中，基础对话情感分析网络决策虚拟人物对话监督样本的第二对话情感分析信息的具体方案，与对话情感分析网络决策虚拟人物对话监督样本的第一对话情感分析信息的具体方案相同，只是代入运算的规则化转换表征信息以及转换权重配置信息不同。

次哇，对话情感分析网络也可以生成第二数量个虚拟人物对话无监督样本中每个虚拟人物对话无监督样本的对话语义表征信息，并对每个虚拟人物对话无监督样本的对话语义表征信息进行规则化转换，也可以得到每个虚拟人物对话无监督样本的规则化转换表征信息。

其中，可以将上述第一数量个虚拟人物对话监督样本与第二数量个虚拟人物对话无监督样本所构成的序列称之为对话互动知识资源池，该对话互动知识资源池包括该第一数量个虚拟人物对话监督样本与第二数量个虚拟人物对话无监督样本。进而对话情感分析网络可以通过每个虚拟人物对话监督样本的规则化转换表征信息以及每个虚拟人物对话无监督样本的对话语义表征信息，生成虚拟人物对话监督样本与对话互动知识资源池中的每个对话互动语音之间的样本关联值。进而通过虚拟人物对话监督样本与对话互动知识资源池中的每个对话互动语音之间的样本关联值，可以从对话互动知识资源池中获取到每个虚拟人物对话监督样本的关联虚拟人物对话语音样本，一个虚拟人物对话监督样本可以有一个或者多个关联虚拟人物对话语音样本。

其中，虚拟人物对话监督样本与所属的关联虚拟人物对话语音样本不携带有相同的对话情感标注信息，也即，虚拟人物对话监督样本中的虚拟人物对话语音与该虚拟人物对话监督样本的关联虚拟人物对话语音样本中的虚拟人物对话语音需要属于不同的虚拟人物对话语音的对话情感信息。

上述对话互动知识资源池中也可以不包括第一数量个虚拟人物对话监督样本，而只包括第二数量个虚拟人物对话无监督样本。此处在对话互动知识资源池中加入第一数量个虚拟人物对话监督样本也参与到每个虚拟人物对话监督样本的关联虚拟人物对话语音样本的获取过程中，这是为了可以扩展训练数据，可以便于在获取每个虚拟人物对话监督样本的关联虚拟人物对话语音样本时，可以从全部虚拟人物对话监督样本以及虚拟人物对话无监督样本中获取，这扩展了针对每个虚拟人物对话监督样本的关联虚拟人物对话语音样本的选取范围。

步骤W103，基于每个虚拟人物对话监督样本与所属的关联虚拟人物对话语音样本之间的样本关联值确定第一学习效果指标，基于每个虚拟人物对话监督样本对应的第一对话情感分析信息和携带的对话情感标注信息确定第二学习效果指标；

在线虚拟数字化系统可以通过每个虚拟人物对话监督样本与其关联虚拟人物对话语音样本之间的样本关联值（可以称为样本关联值），来计算得到第一学习效果指标。该第一学习效果指标表征了对话情感分析网络对每个虚拟人物对话监督样本中的虚拟人物对话语音的虚拟人物对话语音的对话情感信息的差别。

在线虚拟数字化系统还可以通过每个虚拟人物对话监督样本的第一对话情感分析信息和每个虚拟人物对话监督样本携带的对话情感标注信息，来计算得到对话情感分析网络的第二学习效果指标，该第二学习效果指标表征了对话情感分析网络所识别出的对话情感分析信息（如第一对话情感分析信息）与虚拟人物对话监督样本携带的对话情感标注信息所指示的虚拟人物对话语音的对话情感信息之间的差异。

在线虚拟数字化系统可以通过对话情感分析网络的第二学习效果指标和第一学习效果指标共同来调整对话情感分析网络的权重配置信息，以得到目标对话情感分析网络，请参见下述内容描述。

步骤W104，依据第一学习效果指标和第二学习效果指标调整对话情感分析网络的权重配置信息，生成目标对话情感分析网络；目标对话情感分析网络用于对属于虚拟数字人物场景的虚拟人物对话语音进行对话情感分析；

在线虚拟数字化系统可以对上述所获取到的第一学习效果指标和第二学习效果指标进行加权计算，可以将加权计算数值称之为最终学习效果指标。在线虚拟数字化系统可以通过该最终学习效果指标调整对话情感分析网络的权重配置信息，即调整对话情感分析网络的权重配置信息，让最终学习效果指标达到最大化。

下面提供以上对话情感分析网络的训练步骤的进一步的实施例。

步骤W201，基于每个虚拟人物对话监督样本的对话语义表征信息和每个虚拟人物对话无监督样本的对话语义表征信息，生成对话语义关联阵列；

对话情感分析网络在得到第一数量个虚拟人物对话监督样本中的每个虚拟人物对话监督样本的对话语义表征信息以及每个虚拟人物对话无监督样本之后，还可以得到上述每个虚拟人物对话监督样本规范后的规则化转换表征信息以及每个虚拟人物对话无监督样本规则化转换后的规则化转换表征信息。其中，基于虚拟人物对话无监督样本的对话语义表征信息得到虚拟人物对话无监督样本的规则化转换表征信息的具体方案，与上述基于虚拟人物对话监督样本的对话语义表征信息得到虚拟人物对话监督样本的规则化转换表征信息的具体方案相同。

其中，对话情感分析网络得到虚拟人物对话监督样本的规则化转换表征信息的方式是可以生成第一数量个虚拟人物对话监督样本的表征知识抽取向量阵列，可以将该第一数量个虚拟人物对话监督样本的表征知识抽取向量阵列称之为第一表征知识抽取向量阵列，该第一表征知识抽取向量阵列包括每个虚拟人物对话监督样本的规则化转换表征信息，第一表征知识抽取向量阵列中的一行就为一个虚拟人物对话监督样本的规则化转换表征信息。同理，对话情感分析网络得到虚拟人物对话无监督样本的规则化转换表征信息的方式也可以是生成第二数量个虚拟人物对话无监督样本的表征知识抽取向量阵列，可以将第二数量个虚拟人物对话无监督样本的表征知识抽取向量阵列称之为第二表征知识抽取向量阵列，该第二表征知识抽取向量阵列包括每个虚拟人物对话无监督样本的规则化转换表征信息，第二表征知识抽取向量阵列中的一行就为一个虚拟人物对话无监督样本的规则化转换表征信息。

因此，在线虚拟数字化系统可以对该第一表征知识抽取向量阵列和第二表征知识抽取向量阵列进行融合，即可得到目标表征知识抽取向量阵列，该目标表征知识抽取向量阵列包括第一表征知识抽取向量阵列和第二表征知识抽取向量阵列。

在线虚拟数字化系统还可以得到目标表征知识抽取向量阵列的附属前后文语义向量阵列，该附属前后文语义向量阵列的维度就为d*（第二数量+第一数量）。在线虚拟数字化系统可以获取到上述第一表征知识抽取向量阵列和目标表征知识抽取向量阵列的附属前后文语义向量阵列之间的融合信息，该融合信息也为一个阵列，可以将该阵列称之为对话语义关联阵列，该对话语义关联阵列的维度就为第二数量*（第二数量+第一数量），表示第二数量行第二数量+第一数量列。该对话语义关联阵列中的一行可以对应于一个虚拟人物对话监督样本，一行中的各个元素分别为对应虚拟人物对话监督样本分别与对话互动知识资源池所包括的第二数量+第二数量个对话互动语音中的每个对话互动语音之间的样本关联值。

步骤W202，基于对话语义关联阵列，从对话互动知识资源池中确定每个虚拟人物对话监督样本的关联虚拟人物对话语音样本；

本申请中，基于对话语义关联阵列从对话互动知识资源池中获取每个虚拟人物对话监督样本的关联虚拟人物对话语音样本的具体方案相同，此处以从对话互动知识资源池中获取虚拟人物对话监督样本i的关联虚拟人物对话语音样本为例进行说明。

可选的，由于通常第二数量个虚拟人物对话无监督样本所包括的虚拟人物对话语音的虚拟人物对话语音的对话情感信息与第一数量个虚拟人物对话监督样本所包括的虚拟人物对话语音的虚拟人物对话语音的对话情感信息是不同的，因此，可以从对话互动知识资源池中清洗掉与虚拟人物对话监督样本i携带有相同对话情感先验信息的对话样本，生成候选对话互动知识资源池，因此可以认为该候选对话互动知识资源池就包括对话互动知识资源池中未携带有虚拟人物对话监督样本i携带的对话情感标注信息的对话样本。

假设需要获取每个虚拟人物对话监督样本的k个关联虚拟人物对话语音样本，k为小于或者等于第二数量+第一数量的正整数，可以将k称之为关联虚拟人物对话语音样本数量，k的具体取值可以基于实际应用场景决定。因此，在线虚拟数字化系统可以从对话语义关联阵列中获取到虚拟人物对话监督样本i分别与候选对话互动知识资源池中的每个对话互动语音之间的样本关联值，并可以将候选对话互动知识资源池中与虚拟人物对话监督样本i之间的样本关联值最大的k个对话互动语音，作为虚拟人物对话监督样本i的关联虚拟人物对话语音样本。

例如，可以基于候选对话互动知识资源池中的每个对话互动语音与虚拟人物对话监督样本i之间的样本关联值依据降序排列信息，对候选对话互动知识资源池中的每个对话互动语音进行排序，可以将对候选对话互动知识资源池中的对话样本进行排序后所得到的对话互动知识资源池，称之为候选对话互动知识资源池。因此，在线虚拟数字化系统可以将该候选对话互动知识资源池中的前k个对话互动语音作为虚拟人物对话监督样本i的关联虚拟人物对话语音样本。

其中，可能获取到的第二数量个虚拟人物对话无监督样本中，会存在所包括的虚拟人物对话语音的虚拟人物对话语音的对话情感信息与第一数量个虚拟人物对话监督样本所包括的虚拟人物对话语音的虚拟人物对话语音的对话情感信息相同的情况，基于此，为了尽可能保证所获取到的虚拟人物对话监督样本i的关联虚拟人物对话语音样本中所包括的虚拟人物对话语音的虚拟人物对话语音的对话情感信息与虚拟人物对话监督样本i所包括的虚拟人物对话语音的虚拟人物对话语音的对话情感信息是不相同的，则可以继续对上述候选对话互动知识资源池进行清洗，即可以将候选对话互动知识资源池中与虚拟人物对话监督样本i之间的样本关联值最大的t个对话互动语音清洗，该t个对话互动语音所包含的虚拟人物对话语音的虚拟人物对话语音的对话情感信息很有可能与虚拟人物对话监督样本i所包含的虚拟人物对话语音的虚拟人物对话语音的对话情感信息是相同的。

因此，可以将清洗掉t个对话互动语音的候选对话互动知识资源池中与虚拟人物对话监督样本i之间的样本关联值最大的k个对话互动语音，作为虚拟人物对话监督样本i的关联虚拟人物对话语音样本。通过此种方式，可以很好地规避所获取到的虚拟人物对话监督样本i的关联虚拟人物对话语音样本中所包括的虚拟人物对话语音的虚拟人物对话语音的对话情感信息与虚拟人物对话监督样本i所包括的虚拟人物对话语音的虚拟人物对话语音的对话情感信息是相同的情况。

通过与上述获取虚拟人物对话监督样本i的关联虚拟人物对话语音样本相同的具体方案，在线虚拟数字化系统可以获取到每个虚拟人物对话监督样本的关联虚拟人物对话语音样本。

步骤W203，基于每个虚拟人物对话监督样本与所属的关联虚拟人物对话语音样本之间的样本关联值，计算第一学习效果指标；

本申请中，由于一个虚拟人物对话监督样本可以有多个关联虚拟人物对话语音样本，因此，在线虚拟数字化系统还可以获取到每个虚拟人物对话监督样本与其多个关联虚拟人物对话语音样本之间的样本关联值的平均值，可以将该平均值称之为平均样本关联值。例如，若虚拟人物对话监督样本i的关联虚拟人物对话语音样本包括关联虚拟人物对话语音样本1、关联虚拟人物对话语音样本2和关联虚拟人物对话语音样本3，并且，虚拟人物对话监督样本i与其关联虚拟人物对话语音样本1之间的样本关联值为0.2，虚拟人物对话监督样本i与其关联虚拟人物对话语音样本2之间的样本关联值为0.4，虚拟人物对话监督样本i与其关联虚拟人物对话语音样本3之间的样本关联值为0.6，则该虚拟人物对话监督样本i对应的平均样本关联值就为（0.2+0.4+0.6）/3，即等于0.4。

下面提供进一步的实施例，包括以下步骤。

步骤W301，获取第一数量个虚拟人物对话监督样本和第二数量个虚拟人物对话无监督样本；第二数量和第一数量均为正整数；第一数量个虚拟人物对话监督样本分别携带有所包含的虚拟人物对话语音的对话情感标注信息；第一数量个虚拟人物对话监督样本携带的虚拟人物对话语音和第二数量个虚拟人物对话无监督样本携带的虚拟人物对话语音属于相同的虚拟数字人物场景；

在线虚拟数字化系统可以获取到第一数量个虚拟人物对话监督样本以及第二数量个虚拟人物对话无监督样本，该第一数量个虚拟人物对话监督样本携带有所包含的虚拟人物对话语音的对话情感标注信息，该对话情感先验信息指明了虚拟人物对话语音的对话情感信息，而该第二数量个虚拟人物对话无监督样本不携带所包含的虚拟人物对话语音的对话情感标注信息，该第一数量个虚拟人物对话监督样本以及第二数量个虚拟人物对话无监督样本共同作为网络权重配置信息调整的样本对话互动语音

步骤W302，将第一数量个虚拟人物对话监督样本加载至基础对话情感分析网络，在基础对话情感分析网络中确定每个虚拟人物对话监督样本所包含的虚拟人物对话语音的第二对话情感分析信息，基于每个虚拟人物对话监督样本对应的第二对话情感分析信息和每个虚拟人物对话监督样本携带的对话情感标注信息，调整基础对话情感分析网络的权重配置信息，生成对话情感分析网络；

步骤W303，将第一数量个虚拟人物对话监督样本和第二数量个虚拟人物对话无监督样本加载至对话情感分析网络，在对话情感分析网络中确定每个虚拟人物对话监督样本所包含的虚拟人物对话语音的第一对话情感分析信息，从对话互动知识资源池中获取每个虚拟人物对话监督样本的关联虚拟人物对话语音样本；对话互动知识资源池包括第一数量个虚拟人物对话监督样本和第二数量个虚拟人物对话无监督样本；每个虚拟人物对话监督样本的关联虚拟人物对话语音样本未携带所属虚拟人物对话监督样本携带的对话情感标注信息；

步骤W304，基于每个虚拟人物对话监督样本与所属的关联虚拟人物对话语音样本之间的样本关联值确定第一学习效果指标，基于每个虚拟人物对话监督样本对应的第一对话情感分析信息和携带的对话情感标注信息确定第二学习效果指标；

步骤W305，依据第一学习效果指标和第二学习效果指标调整对话情感分析网络的权重配置信息，生成目标对话情感分析网络；目标对话情感分析网络用于对属于虚拟数字人物场景的虚拟人物对话语音进行对话情感分析；

在线虚拟数字化系统可以通过虚拟人物对话监督样本与其关联虚拟人物对话语音样本之间的样本关联值来得到第一学习效果指标，并通过虚拟人物对话监督样本对应的第一对话情感分析信息以及携带的对话情感标注信息来得到第二学习效果指标。进而，在线虚拟数字化系统就可以在第二阶段的网络权重配置信息调整过程中，通过该第一学习效果指标和第二学习效果指标共同对对话情感分析网络的权重配置信息进行调整，以训练对话情感分析网络得到目标对话情感分析网络。

一些设计思路中，提供了一种在线虚拟数字化系统，该在线虚拟数字化系统可以是服务器，该在线虚拟数字化系统包括处理器、存储器、输入/输出接口(Input/Output，简称I/O）和通信接口。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口通过输入/输出接口连接到系统总线。其中，该在线虚拟数字化系统的处理器用于提供计算和控制能力。该在线虚拟数字化系统的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该在线虚拟数字化系统的数据库用于存储上述方法所涉及的数据。该在线虚拟数字化系统的模型加载数据/输出接口用于处理器与外部设备之间交换信息。该在线虚拟数字化系统的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于虚拟数字人物的AI对话方法。

一些设计思路中，提供了一种在线虚拟数字化系统，该在线虚拟数字化系统可以是终端。该在线虚拟数字化系统包括处理器、存储器、输入/输出接口、通信接口、显示单元和输入装置。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口、显示单元和输入装置通过输入/输出接口连接到系统总线。其中，该在线虚拟数字化系统的处理器用于提供计算和控制能力。该在线虚拟数字化系统的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该在线虚拟数字化系统的模型加载数据/输出接口用于处理器与外部设备之间交换信息。该在线虚拟数字化系统的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、移动蜂窝网络、NFC（近场通信）或其它技术实现。该计算机程序被处理器执行时以实现一种基于虚拟数字人物的AI对话方法。该在线虚拟数字化系统的显示单元用于形成视觉可见的画面。

一些设计思路中，提供了一种在线虚拟数字化系统，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。

一些设计思路中，提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。

一些设计思路中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。