CN108647229B - 基于人工智能的虚拟人模型构建方法 - Google Patents

Abstract

本发明申请公开了基于人工智能的虚拟人模型构建方法，包括以下内容：通过采集装置从第三方查询平台中采集表征使用者社会经历的履历信息和表征使用者身体状况的体检信息，将履历信息和体检信息分别提取关键词作为条件信息，按照采集时间的先后顺序将履历信息和体检信息保存至条件数据库中；通过智能终端与使用者的交互动作和/或交互对话采集表征使用者行为***的基础上完成使用者个人信息的记录。

Description

基于人工智能的虚拟人模型构建方法

技术领域

本发明涉及人工智能领域，具体涉及一种虚拟人模型构建方法。

背景技术

人类对于自身的研究从未间断，人工智能就是人对自身智能研究的成果之一。人工智能(Artificial Intelligence)，英文缩写为AI，它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用***的一门新的技术科学。

人工智能企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家***等。目前，人工智能主要应用于工业机器人，使工业机器人能够按照预先设置的认知模型简单识别周围环境并按照预先设定的动作步骤重复简单动作，代替人在高危环境下进行工作。

虽然，近年来人工智能的发展突飞猛进，但是总体来讲人工智能的智能化水平与人类本身相比仍然较低。人工智能本身的低智能水平，导致其应用领域狭窄，而狭窄的应用领域又反过来限制人工智能的进一步发展，形成一个恶性循环，使人工智能长期停留在低智能水平阶段。人工智能作为对人类智能的模拟和拓展，本来是最能够反应和反馈到人类本身上的技术，但是由于现有人工智能的发展水平，根本就不可能使人想到如何将其反馈到人本身上，如何应用现有阶段的人工智能来拓展其应用领域，解决人们迫切需要解决的问题。

记录个人的社会经历、身体状况、行为***的基础上完成个人信息的记录。

发明内容

本发明意在提供一种基于人工智能的虚拟人模型构建方法，使通过这种方法构建的虚拟人模型能够在现有人工智能和模拟人技术水平的基础上完成使用者个人信息的记录。

为了达到以上目的，提供如下方案：

方案一：基于人工智能的虚拟人模型构建方法，包括以下内容：

通过采集装置从第三方查询平台中采集表征使用者社会经历的履历信息和表征使用者身体状况的体检信息，将履历信息和体检信息分别提取关键词作为条件信息，按照采集时间的先后顺序将履历信息和体检信息保存至条件数据库中；

通过智能终端与使用者的交互动作和/或交互对话采集表征使用者行为习惯的行为信息，将行为信息提取的关键词作为条件信息保存至条件数据库中；

将条件数据库中对应同一时间段的所有条件信息作为一组条件信息；

通过智能终端与使用者的交互动作和/或交互沟通将使用者实时输入的起因信息和结果信息保存至事件数据库；将事件数据库中的所有信息按照输入时间依次排序，将输入时间相邻且包含有最多个数相同关键词的起因信息和结果信息作为一个事件；

将相同时间段相同一组条件信息发生的所有事件形成横向事件集合；将横向事件集合中所有事件按照起因信息分类，将每类起因信息分别作为一个事件因素，将该时间段对应的一组条件信息中的所有类别信息分别作为一个条件因素与所有事件因素一起作为认知模型的初始输入因素，随机定义每个初始输入因素的权值，形成初始模型。

名词解释：

第三方查询平台：指联网的能够提供履历信息和体检信息的政府认可的平台，如体检中心平台和档案局平台等。

采集装置：指能够通过网络从第三方查询平台获取数据的任何装置，如网络信息筛选装置。

有益效果：

通过采集装置及时采集使用者的履历信息和体检信息，由履历信息可以反应出使用者的社会经历，由体检信息可以反应出使用者的身体状况，这些信息不仅有利于帮助他人了解使用者，更是构成使用者本身智能和认知机制不可缺少的一环，都会影响使用者在具体事件中针对同样的事件起因会作出不同的决策，进而产生不同的结果，因此在构建虚拟人模型时将履历信息和体检信息都作为条件因素，使通过本方法构建的虚拟人模型能够明显区别于现有的认知模型，能够将影响使用者思维模式和认知机制的所有东西都考虑进去，能够更加全面地模拟一个人的思维模式和认知机制。

通过智能终端不仅采集了使用者的行为信息，同时还实时接收使用者输入的起因信息和结果信息，智能终端通过交互的方式能够达到快速采集和接收信息的作用，最重要的是智能终端一物多用能够最大限度地减少使用者的装置携带数量，在不妨碍使用者日常生活的情况下能够时时刻刻地采集使用者每个时段的各种数据，真正做到跟踪记录。

行为信息反映出的行为习惯，是每个人个体差异的直接表现，以往对人类智能的研究往往都忽略个体差异性，力求从人类整体上发现和复制思维和认知机制，但是很多社会实验都已经证明了个体差异性对思维的影响不可忽略。本发明旨在模拟某个具体的使用者的认知机制并收集和记录使用者的社会经历、身体状况、行为习惯和记忆，本发明需要强调的正是个体差异性，因此与现在所有的认知模型和其他同类人工智能模型都不同，本发明将行为信息作为虚拟人模型的条件因素之一，从使用者的行为习惯中推导其对使用者决策的影响，进而模拟使用者的思维方式和认知机制。

本发明提供基于人工智能的虚拟人模型构建方法，在现有人工智能和模拟人技术水平的基础上，能够完成对使用者包括社会经历、身体状况、行为习惯、记忆的记录以及对认知机制和模拟。本发明通过多个时间段动态地记录各项输入信息和不断发生的事件，使构建的虚拟人模型完全随着使用者自身的变化而变化，相比于其他模型的构建和数据的收集，都静止地停留在某一个时间段，只能反应那一个时间段上人的一些基本情况，本发明完全贴近使用者真人本身的所思所想以及所经历的一切，能够及时更新使用者包括社会经历、身体状况和行为习惯在内的个人信息，为相关部门研究人口发展和政策问题提供样本材料。

本发明能够通过持续收集的各种信息以及构建的虚拟人模型，有助于政府工作人员了解使用这个虚拟人模型的老人的所有信息进而针对每个老人的实际情况进行身体救助和情感救助。

本发明能够通过对一个个事件的记录形成的记忆，帮助阿尔茨海默病患者不断弥补遗失的记忆，遏制阿尔茨海默病患者不断衰退的认知机制，辅助治疗阿尔茨海默病。

本发明能够通过虚拟人模型对严重的阿尔茨海默病患者和植物人进行认知机制重建，辅助治疗阿尔茨海默病和植物人。

方案二：在方案一的基础上进一步优化，将横向事件集合中的所有起因信息和对应的条件信息逐个事件地代入初始模型中，调整每个事件因素的权值，使每个初始模型的计算结果与每个起因信息对应的结果信息相同，得到第一修正模型；

将不同时间段起因信息相同的所有事件形成纵向事件集合；将纵向事件集合中每个事件对应的一组条件信息分别作为条件因素输入到第一修正模型中，若纵向事件集合中存在第一修正模型没有的条件因素和/或事件因素时，将这些条件因素和/或事件因素作为新增输入因素增加到第一修正模型中，随机定义这些新增输入因素的权值，得到第二修正模型；将纵向事件集合中的所有起因信息和对应的条件信息逐个事件地代入第二修正模型中，调整每个条件因素的权值，使每个第二修正模型的计算结果与每个起因信息对应的结果信息相同，得到虚拟人模型。

本发明无论是在收集数据还是在构建虚拟人模型的时候都是按照时间顺序依次排列持续进行的，因为人的一生是动态发展的，只有将人各个时间段中的条件数据和时间数据都收集起来才能随着人一起成长变化，使构建出来的虚拟人模型更加贴近使用者本人，而且按照时间顺序收集和保存这不仅有利于对对应时段数据的调用分析，也有利于构建虚拟人模型时对各个输入因素权值的分类计算。

方案三：在方案二的基础上进一步优化，通过采集装置从第三方查询平台采集表征使用者包括出生日、出生地、性别和民族在内的身份信息保存至条件数据库中，在构建模拟人模型中身份信息也作为条件信息参与建模。

一个人的身份信息是能够用来区别人的个体差异性的又一组信息，且通过出生地、出生日、性别和民族这些特征，能够找到人的共性，便于后面的分类。

方案四：在方案三的基础上进一步优化，在构建模拟人模型时，通过共享的方式从其他同类使用者分享出来的虚拟人模型中获取初始输入因素和初始权值。

通过共享的方式，将其他同类的使用者已经模拟好的条件因素、事件因素作为初始因素进行使用，缩短了前面收集事件和不断迭代计算权值的时间，使后面的同类使用者能够利用前人的结果快速建立起自己的模拟人模型。

方案五：在方案四的基础上进一步优化，不同的使用者按照其身份信息进行分类。

身份信息是一个人经过验证的最基本的信息，且大多数人的出生地都是其童年的成长地，对其后期性格和行为习惯的形成具有较大的影响。出生日可以反应使用者的具体年龄和生活的时代大背景，每个相同时代的人其行为习惯和思维方式都有时代的烙印。性别和民族同样具有共性，通过身份信息的异同进行分类，能够将使用者准确地划分成一个个具有共性的类别，方便相互之前共享虚拟人模型，能够避免使用随机权值的初始模型，能够节约优化时间，快速建立自己的模拟人模型。

方案六：在方案五的基础上进一步优化，按照身份信息分类，采用以下分类策略：步骤一，比较出生日，将出生日的差值在规定时间内的使用者分到一起，形成第一分类；步骤二，在第一分类中，将出生地在相同范围的使用者分到一起，形成第二分类；步骤三，在第二分类中，将性别相同的使用者分到一起，形成第三分类；步骤四，在第三分类中，将民族相同的使用者分到一起形成最终分类。

规定时间，是指预先设定的出生日时间差值。出生地在相同范围，可以是行政区域范围的县、市或者省，也可以是以某一使用者的出生地为圆心等半径的地域范围。

从分类的优先顺序，可以看到对于使用者思维方式和行为习惯等因素的影响，从大到小依次为出生日、出生地、性别和民族，按照影响力从大到小依次进行分类，能够快速收敛分类中的使用者人数。

方案七：在方案六的基础上进一步优化，在步骤一中的规定时间为两年，在步骤二中的相同范围为以使用者的出生地为圆心半径为一百公里以内的范围。

出生时间在两年内的人，基本上生活在相同的时代环境中，具有较多的共性。以使用者出生地为圆心，方圆一百公里的地域范围内，具有相同的地域文化，其使用者具有相同的共性，这样分类出来的使用者才会有相同的输入因素和权值，避免新进入的使用者从基础模型和随机权值上出发进行模型构建，能够有效缩短虚拟人模型构建的时间。

方案八：在方案一的基础上进一步优化，使用的认知模型为神经网络模型。

神经网络模型是现在常用的神经计算模型之一，也是常用的认知模型之一，在神经网络模型的基础上经过修正的方式能够尽快得到虚拟人模型，有效缩短虚拟人模型构建时间。在修正模型过程中，充分考虑到人随着时间推进而逐渐变化的思维方式和认知机制，因此在计算权值时不仅从同一时间段进行考虑还从不同时间段进行考虑。而为了尽可能真实地模拟使用者的思维模式和认知机制，模型的输入因素中不仅有条件因素还有事件因素，不仅考虑到人本身的个体差异性，还充分考虑到了不同事件的区别性，使模拟得到的虚拟人模型并不是空泛的计算公式，而是由无数个事件实例支持，并有多个条件因素约束的计算模型，而对于不同人而言，因为其输入因素的不同，虚拟人模型表现出来的具体计算公式也会有所差异，但是，这并不妨碍，通过本发明构建的虚拟人模型不仅能够通过前期收集到的履历信息、体检信息和行为信息，充分记录使用者的社会经历、身体状况和行为习惯，还能够通过实时输入的起因信息以及结果信息不断修正虚拟人模型，在充分记录由事件形成的记忆的同时，通过建立好的虚拟人模型记录和模拟使用者的认知机制。

附图说明

图1为本发明基于人工智能的虚拟人模型构建方法实施例依赖的虚拟人模型构建***的逻辑框图。

具体实施方式

说明书附图中的附图标记包括：采集装置1、智能终端2、条件数据库3、事件数据库4、服务器5。

如图1所示，基于人工智能的虚拟人模型构建方法，其依赖的虚拟人模型构建***，包括用来进行信息采集的采集装置，用来进行信息交互的智能终端2、用来进行条件信息数据存储的条件数据库3、用来进行事件信息存储的事件数据库4以及用来进行信息处理和共享的服务器5，服务器5内包括用来进行信息处理的中央处理器和用来进行信息共享的共享模块。采集装置和智能终端2均与条件数据库3、事件数据库4和服务器5连接。

基于人工智能的虚拟人模型构建方法，包括以下内容：

通过采集装置从第三方查询平台中采集表征使用者社会经历的履历信息、表征使用者身体状况的体检信息以及表征使用者包括出生日、出生地、性别和民族在内的身份信息，将履历信息、体检信息和身份信息分别提取关键词作为条件信息，按照采集时间的先后顺序将履历信息、体检信息和身份信息保存至条件数据库3中；其中，采集装置采集的体检信息除了包括常规的身高、体重、血常规等选项，还包括对视力信息。也就是说，采集装置要采集使用者视力的检测结果，因为眼睛是人心灵的窗户，是人直接观察这个世界最直接的器官，视力不同的人，对同一个场景的感知程度是不同的，这也会影响人的心情以及做决策的方向，因此将人的视力信息作为体检的必选项之一，有助于建立合理的条件信息，考虑到人实际做决策时的心情因素，更加准确地模拟人的思维和认知机制。

通过智能终端2与使用者的交互动作和/或交互对话采集表征使用者行为习惯的行为信息，中央处理器将行为信息提取的关键词作为条件信息保存至条件数据库3中；其中，智能终端2采集的行为信息除了包括声音大小、音质、常做动作等常规信息外，还包括口头禅、常去地方等信息，凡是能够表征这个人特征的行为信息都可以作为行为信息由智能终端2进行采集，每个人具体采集的行为信息根据每个人行为习惯确定。

中央处理器将条件数据库3中对应同一时间段的所有条件信息作为一组条件信息；

通过智能终端2与使用者的交互动作和/或交互沟通将使用者实时输入的起因信息和结果信息保存至事件数据库4；中央处理器将事件数据库4中的所有信息按照输入时间依次排序，将输入时间相邻且包含有最多个数相同关键词的起因信息和结果信息作为一个事件；

中央处理器将相同时间段相同一组条件信息发生的所有事件形成横向事件集合；将横向事件集合中所有事件按照起因信息分类，将每类起因信息分别作为一个事件因素，将该时间段对应的一组条件信息中的所有类别信息分别作为一个条件因素与所有事件因素一起作为BP神经网络模型的初始输入因素，随机定义每个初始输入因素的权值，形成初始模型；

将横向事件集合中的所有起因信息和对应的条件信息逐个事件地代入初始模型中，调整每个事件因素的权值，使每个初始模型的计算结果与每个起因信息对应的结果信息相同，得到第一修正模型；

将不同时间段起因信息相同的所有事件形成纵向事件集合；将纵向事件集合中每个事件对应的一组条件信息分别作为条件因素输入到第一修正模型中，若纵向事件集合中存在第一修正模型没有的条件因素和/或事件因素时，将这些条件因素和/或事件因素作为新增输入因素增加到第一修正模型中，随机定义这些新增输入因素的权值，得到第二修正模型；将纵向事件集合中的所有起因信息和对应的条件信息逐个事件地代入第二修正模型中，调整每个条件因素的权值，使每个第二修正模型的计算结果与每个起因信息对应的结果信息相同，得到虚拟人模型。

通过共享方式，将每个使用者的虚拟人模型的最近输入数据共享给其他使用者，使其他使用者能够直接利用已有的各种输入因素和权值，能够有效节约每个使用者构建虚拟人模型的时间，省去中间从随机数据和BP神经网络模型不断修正的过程。

在通过共享方式使用其他使用者共享出来的虚拟人模型和输入数据时，优先选用与该使用者同类且最相近的使用者共享出来的虚拟人模型和输入数据。在共享模块中，设置有用来按照使用者身份信息进行分类的分类方式，其分类采用以下分类策略：步骤一，比较出生日，将出生日的差值在两年内的使用者分到一起，形成第一分类；步骤二，在第一分类中，将出生地在方圆一百公里内的使用者分到一起，形成第二分类；步骤三，在第二分类中，将性别相同的使用者分到一起，形成第三分类；步骤四，在第三分类中，将民族相同的使用者分到一起形成最终分类。

第三方查询平台，指联网的能够提供履历信息和体检信息的政府认可的平台，如体检中心平台和档案局平台等。

采集装置，指能够通过网络从第三方查询平台获取数据的任何装置，如网络信息筛选装置。

智能终端2，指能够与使用者进行交互动作和/或交互沟通的智能设备，可以是手机、平板电脑，也可以是机器人。

具体地，在构建模拟人模型时，如果是初批次使用模型，则直接通过采集装置和智能终端2将采集和输入的信息作为输入因素并随机定义初始权值到神经网络中进行计算，如果是后面使用模型的使用者，则可以直接在虚拟人模型构建***中通过共享模块寻找同类使用者，利用其已有的虚拟人模型作为初始模型进行修正。

例如，小李在构建虚拟人模型时，首先用到采集装置，比如网络信息收索自动收索工具，比如一些第三方的信息提供工具，采集装置从网络上政府认可的具有公信力的第三方查询平台上获取履历信息、体检信息和身份信息，其中履历信息一般包括了学习经历和工作经历两个内容，而每个经历中的具体内容因人而异，中央处理器从这些经历的文字内容中提取出关键词，所有的关键词都是比照预先存储在条件数据库3中的关键词模板中的词汇确定的，比如小李提取出来的高中、北大附中、本科、北京大学、医学专业、华为、软件工程师等关键词作为履历信息的条件信息；体检信息一般包括如身高、体重、三围、血压、血脂等常规的体检内容，还包括视力信息，将这些体检项目以及对应的体检数据等关键词提取出来作为体检信息的条件信息，小李的体检信息的条件信息为身高180cm、体重100kg、胸围109.8cm、腰围75.6cm、臀围113.9cm、收缩压136mmHg、舒张压96mmHg，视力5.0；身份信息一般包括出生日、出生地、性别和民族，将这些项目以及对应的内容提取关键词作为身份信息的条件信息，小李的为1988.3.4、石家庄、男、汉族，并将条件信息存储到条件数据库3中，因此，小李的最后形成并存储条件数据库3中的条件信息集合为{高中、北大附中、本科、北京大学、医学专业、华为、软件工程师、身高180cm、体重100kg、胸围109.8cm、腰围75.6cm、臀围113.9cm、收缩压136mmHg、舒张压96mmHg、视力5.0、1988.3.4、石家庄、男、汉族}，通过设置在条件数据库3中的关键词模板，增加新的关键词，如癌症、婚姻等各种词语，可以提取出更多更详细的条件信息出来。

如果小李是初批次使用虚拟人模型构建***的人，在***中并没有其他使用者的数据，那么小李还不能马上形成初始模型。首先，需要智能终端2通过与小李的交互动作和/或交互对话来采集小李的行为信息得到行为信息产生的条件信息和小李自己输入的事件信息来建立初始模型，本实施例中的智能终端2为一直陪伴在小李身边的智能机器人，智能机器人通过与小李游戏或者拍摄下小李日常生活的动作来提取出小李的动作习惯，如抬手、抓头、抹鼻子等；智能机器人通过与小李进行问答游戏、情景对话等方式提取小李的声音习惯，比如声音大小、音质、发音习惯、口头禅。通过智能终端2，将小李行为信息中提取的抬手、抓头、声音大、洪亮、后鼻音中、“都很好”等关键词作为行为信息的条件信息合并到上面的条件信息集合中得到现阶段提取的条件信息最终集合{高中、北大附中、本科、北京大学、医学专业、华为、软件工程师、身高180cm、体重100kg、胸围109.8cm、腰围75.6cm、臀围113.9cm、收缩压136mmHg、舒张压96mmHg、1988.3.4、石家庄、男、汉族、抬手、抓头、声音大、洪亮、后鼻音中、“都很好”}。在条件数据库3中，每隔一个时间段都会有这样一个集合存储到条件数据库3中，比如前面的这个条件信息集合就是初试时间段，即时间段A对应的一组条件信息。

在条件信息收集的同时，智能终端2也会进行事件信息的收集。

比如，在时间段A中，小李可以直接通过与智能机器人之间的动作表达和/或对话沟通，来向智能输入事件的起因和结果，智能机器人将这些输入通过提取关键词的方法提取出起因信息和结果信息存储到事件数据库4中。每输入一个事件的时候，中央处理器就会自动从起因信息中提取事件因素作为BP神经网络模型的一个因素并随机定义权值，事件因素的关键词模板预先存储在事件数据库4中。

在时间段A中，小李输入了事件起因“因为工作很忙不确定是否在四月份前往上海培训”，智能机器人提取关键词后形成起因信息“工作、忙、不确定、四月、上海、培训”，小李在时间段A中经过一段事件后，决定去上海培训，则小李向智能机器人输入“因为培训很重要，所以最终决定四月份前往上海培训”，智能机器人提取关键词后形成结果信息是“培训、重要、决定、四月、前往、上海”，因为两个信息都是在一个时间段内，且都有相同的关键词“四月、上海、培训”，小李可以手动将这两条信息存储成一个事件，也可以由中央处理器根据关键词对比，自动将输入时间相邻且包含有最多个数相同关键词的起因信息和结果信息作为一个事件。在这个事件中，中央处理器将起因信息按照事件类别分类，并从中提取一个关键词作为事件因素，这个事件中提取出来的关键词是“培训”随机定义的初始权值为1，那么在初始条件集合下的第一个事件因素的公式表达就是1*培训＝1。等后面再有其他的诸如约会、购物等各种事件因素后，会逐渐形成诸如0.5*培训+1.2*约会+0.8*购物＝结果这样的公式，而各个事件因素的权值都是不断通过各个新的起因信息的输入后将计算结果与结果信息对比后修正得到的。为了更加精确形成具体公式，可以对每一个事件进行赋值，将在各个条件下的数字对应关系形成事件赋值表，以便计算出的结果为数字结果。

当有足够多的事件后，就会形成一个较为完整的用条件信息约束的公式，因为采集装置和智能终端2都是不断进行信息采集和收集的，所以在时间段A之后会依次出现时间段B、事件段C，时间段B会在时间段A中形成的公式中不断增加约束的条件信息和新增的事件因素，同时通过每一个在时间段B中发生的起因信息代入到形成的公式中，得到计算结果，通过将计算结果和实际上已经产生的结果信息进行对比，不断修正每个输入因素的权值，每一个时间段的权值修正后得到第一修正模型。每一个相同时间段相同条件信息下发生的所有事件信息形成横向事件集合，每个时间段都对应了至少一个横向事件集合。例如时间段A对应了一个横向事件集合{培训、约会、购物}，那么在经过这个横向事件后，可能得到的公式为0.5*培训+1.2*约会+0.8*购物＝结果，时间段A也可能对应多个横向事件集合，这与条件信息在这个时间段内发生变化有关，如“未婚”变为“已婚”之类的，但是，一般情况下条件信息都为短时间内不会变更的信息，所以大多数时间段都只对应一个横向事件集合。

将横向事件集合中的所有事件信息代入公式中进行权值的修正后得到第一修正模型，通过每个时间段中的横向事件集合依次进行第一修正模型的不断代入和修正，使修正模型趋于完善，当多个时间段的横向事件集合都对第一修正模型进行修正后，如时间段A、时间段B、时间段C中所有的横向事件集合都代入计算后，将这些时间段对应的所有事件按照起因信息相同将事件集合成多个以时间段为变量的纵向事件集合，依次代入纵向事件集合中的事件信息对第一修正模型进行修正得到第二修正模型。例如，在时间段A、时间段B和时间段C中，都有起因信息为约会的事件，那么将这些事件集合起来形成一个纵向事件集合{(时间段A，约会，结果1)(时间段B，约会，结果2)(时间段C，约会，结果3)}，通过代入各个纵向事件集合，对比在起因信息相同时，不同条件信息下的不同结果信息，排列一组条件信息中对于该事件不同条件信息的不同优先级。例如，通过小李在三个时间段的三组条件信息中对是否约会的不同结果，得到以下新增的条件信息有区别：约会时间、约会对象，其中约会时间为晚上7:00-9:00，约会对象为女时小李前往约会的几率最高，则在下次判断约会这个事件的时候会将约会时间和约会对象作为必备条件信息进行优先判断。

当经历足够多的纵向事件集合后，会通过不断增加事件因素和条件因素，调整各个输入因素的权值最终得到虚拟人模型。使通过虚拟人模型计算的结果，与任一事件的实际产生的结果信息相同。

虚拟人计算模型，可以通过赋值形成单一的公式模型，但最常用的是公式与多种类别表格相结合的判断模型。

本发明中选用了BP神经网络模型，但是，实际上也可以用其他现有的认知模型，比如CMU Anderson团队研究的ACT-R(Adaptive Control of Thought一Rational)认知模型以及CMU和密歇根大学共同研发的SOAR认知模型。

阿尔茨海默病和植物人等病症，都是由于人类的认知机制和记忆逐渐衰退甚至丧失而导致的，弥补甚至重建人类的认知机制以及遗失的记忆是关键，而每个人的认知机制因为个体差异性会存在差别，每个人的记忆更是相差巨大，因此需要拥有患者完整的个人信息(至少包括社会经历和行为习惯)才能帮助其治疗这些病症。对老年人尤其是失独老年人的沟通和帮助同样需要先了解老年人的个人信息(至少体包括社会经历、身体状况和行为习惯)才好针对性地帮助。对于人口发展和政策的研究，同样也离不开个体样本的个人信息(至少包括社会经历、身体状况和行为习惯等)收集，才能针对性地与具体政策结合分析。本发明通过构建虚拟人模型，能够完整记录使用者的个人信息，记录使用者的社会经历、身体状况、行为习惯和认知机制，能够对阿尔茨海默病和植物人等病症、对失独老人的沟通以及对人口发展和政策研究起到推动作用。

以上所述的仅是本发明的实施例，方案中公知的具体结构及特性等常识在此未作过多描述，所属领域普通技术人员知晓申请日或者优先权日之前发明所属技术领域所有的普通技术知识，能够获知该领域中所有的现有技术，并且具有应用该日期之前常规实验手段的能力，所属领域普通技术人员可以在本申请给出的启示下，结合自身能力完善并实施本方案，一些典型的公知结构或者公知方法不应当成为所属领域普通技术人员实施本申请的障碍。应当指出，对于本领域的技术人员来说，在不脱离本发明结构的前提下，还可以作出若干变形和改进，这些也应该视为本发明的保护范围，这些都不会影响本发明实施的效果和专利的实用性。本申请要求的保护范围应当以其权利要求的内容为准，说明书中的具体实施方式等记载可以用于解释权利要求的内容。

Claims (7)

1.基于人工智能的虚拟人模型构建方法，包括以下内容：

通过采集装置从第三方查询平台中采集表征使用者社会经历的履历信息和表征使用者身体状况的体检信息，将履历信息和体检信息分别提取关键词作为条件信息，按照采集时间的先后顺序将履历信息和体检信息保存至条件数据库中；

通过智能终端与使用者的交互动作和/或交互对话采集表征使用者行为习惯的行为信息，将行为信息提取的关键词作为条件信息保存至条件数据库中；

将条件数据库中对应同一时间段的所有条件信息作为一组条件信息；

通过智能终端与使用者的交互动作和/或交互沟通将使用者实时输入的起因信息和结果信息保存至事件数据库；将事件数据库中的所有信息按照输入时间依次排序，将输入时间相邻且包含有最多个数相同关键词的起因信息和结果信息作为一个事件；

将相同时间段相同一组条件信息发生的所有事件形成横向事件集合；将横向事件集合中所有事件按照起因信息分类，将每类起因信息分别作为一个事件因素，将该时间段对应的一组条件信息中的所有类别信息分别作为一个条件因素与所有事件因素一起作为认知模型的初始输入因素，随机定义每个初始输入因素的权值，形成初始模型；

将横向事件集合中的所有起因信息和对应的条件信息逐个事件地代入初始模型中，调整每个事件因素的权值，使每个初始模型的计算结果与每个起因信息对应的结果信息相同，得到第一修正模型；

将不同时间段起因信息相同的所有事件形成纵向事件集合；将纵向事件集合中每个事件对应的一组条件信息分别作为条件因素输入到第一修正模型中，若纵向事件集合中存在第一修正模型没有的条件因素和/或事件因素时，将这些条件因素和/或事件因素作为新增输入因素增加到第一修正模型中，随机定义这些新增输入因素的权值，得到第二修正模型；将纵向事件集合中的所有起因信息和对应的条件信息逐个事件地代入第二修正模型中，调整每个条件因素的权值，使每个第二修正模型的计算结果与每个起因信息对应的结果信息相同，得到虚拟人模型。

2.根据权利要求1所述的基于人工智能的虚拟人模型构建方法，其特征在于：通过采集装置从第三方查询平台采集表征使用者包括出生日、出生地、性别和民族在内的身份信息保存至条件数据库中，在构建模拟人模型中身份信息也作为条件信息参与建模。

3.根据权利要求2所述的基于人工智能的虚拟人模型构建方法，其特征在于：在构建模拟人模型时，通过共享的方式从其他同类使用者分享出来的虚拟人模型中获取初始输入因素和初始权值。

4.根据权利要求3所述的基于人工智能的虚拟人模型构建方法，其特征在于：不同的使用者按照其身份信息进行分类。

5.根据权利要求4所述的基于人工智能的虚拟人模型构建方法，其特征在于：按照身份信息分类，采用以下分类策略：步骤一，比较出生日，将出生日的差值在规定时间内的使用者分到一起，形成第一分类；步骤二，在第一分类中，将出生地在相同范围的使用者分到一起，形成第二分类；步骤三，在第二分类中，将性别相同的使用者分到一起，形成第三分类；步骤四，在第三分类中，将民族相同的使用者分到一起形成最终分类。

6.根据权利要求5所述的基于人工智能的虚拟人模型构建方法，其特征在于：在步骤一中的规定时间为两年，在步骤二中的相同范围为以使用者的出生地为圆心半径为一百公里以内的范围。

7.根据权利要求1所述的基于人工智能的虚拟人模型构建方法，其特征在于：使用的认知模型为神经网络模型。

Images