虚拟直播人物的行为控制方法及装置与流程

1.本公开涉及数据处理技术领域，具体涉及一种虚拟直播人物的行为控制方法及装置。


背景技术：

2.随着互联网技术的发展，直播、智能客服等虚拟人平台应运而生，虚拟人的使用能够方便管理、降低人工成本，因此虚拟人的使用越来越广泛。现有技术通常基于知识或行为树等方式进行虚拟人行为的决策，或者完全以在线学习的方式获取虚拟人行为的决策，但这两种做法都存在一些弊端：基于知识或行为树等方式进行虚拟人行为决策的方法只能基于预先确定的知识或行为树来进行决策，无法实现决策方向的自动调整，也无法基于每个虚拟人、每个应用场景进行有针对性的决策；基于在线学习进行虚拟人行为决策的方法无法兼顾既有知识和新增行为。上述虚拟人行为决策方法准确性较低，缺失灵活性和全面性，从而大大降低了虚拟人行为质量，损害了用户的观看体验，阻碍了虚拟人平台的发展。


技术实现要素：

3.本公开实施例提供一种虚拟直播人物的行为控制方法及装置。
4.第一方面，本公开实施例中提供了一种虚拟直播人物的行为控制方法。
5.具体的，所述虚拟直播人物的行为控制方法，包括：
6.获取直播服务的观看对象行为数据，并根据所述观看对象行为数据确定直播服务的氛围数据；
7.获取直播服务的场景数据，将所述观看对象行为数据、氛围数据和场景数据作为行为决策输入数据，基于所述行为决策输入数据进行多模式反馈行为决策，得到行为控制指令；
8.根据所述行为控制指令执行相应的行为操作。
9.在本公开一种实现方式中，所述根据所述观看对象行为数据确定直播服务的氛围数据，包括：
10.获取观看对象的实时行为；
11.响应于所述观看对象的实时行为符合预设触发条件，采集所述观看对象的实时行为数据；
12.对于所述观看对象的实时行为数据进行处理，得到意图评估数据和情绪评估数据；
13.统计所述意图评估数据和情绪评估数据的出现频率，将出现频率最高的一个或几个意图评估数据和情绪评估数据作为所述直播服务的氛围数据。
14.在本公开一种实现方式中，所述基于所述行为决策输入数据进行多模式反馈行为决策，得到行为控制指令，包括：
15.确定所述行为决策输入数据是否为预设行为决策输入数据集合中的预设行为决
策输入数据，其中，所述预设行为决策输入数据集合包括预设行为决策输入数据以及与所述预设行为决策输入数据对应的预设行为控制指令；
16.若所述行为决策输入数据为预设行为决策输入数据集合中的预设行为决策输入数据，获取与所述预设行为决策输入数据对应的预设行为控制指令作为所述行为控制指令；
17.若所述行为决策输入数据不是预设行为决策输入数据集合中的预设行为决策输入数据，将所述行为决策输入数据输入至预先训练好的行为决策模型中得到行为决策结果数据，基于所述行为决策结果数据生成所述行为控制指令。
18.在本公开一种实现方式中，将所述行为决策输入数据输入至预先训练好的行为决策模型中得到行为决策数据，基于所述行为决策数据生成所述行为控制指令，包括：
19.将所述行为决策输入数据输入至预先训练好的行为决策模型中，得到多个行为决策结果及其对应的概率；
20.基于概率最高的行为决策结果，生成所述行为控制指令。
21.在本公开一种实现方式中，还包括：
22.训练所述行为决策模型。
23.在本公开一种实现方式中，所述训练所述行为决策模型，包括：
24.确定初始行为决策模型；
25.获取历史行为决策数据集合，其中，所述历史行为决策数据集合包括历史行为决策输入数据和与所述历史行为决策输入数据对应的历史行为决策结果数据；
26.以所述历史行为决策输入数据作为输入，以与其对应的历史行为决策结果数据作为输出训练所述初始行为决策模型，得到行为决策模型。
27.在本公开一种实现方式中，还包括：
28.将所述行为决策输入数据，及其对应的行为决策结果数据作为新的训练数据加入所述行为决策模型的历史行为决策数据集合中，对于所述行为决策模型进行训练。
29.在本公开一种实现方式中，还包括：
30.对于基于所述行为决策结果数据生成的行为控制指令进行修正，得到修正后的行为控制指令。
31.在本公开一种实现方式中，所述对于基于所述行为决策结果数据生成的行为控制指令进行修正，包括：
32.获取修正行为决策输入数据集合，其中，所述修正行为决策输入数据集合包括修正行为决策输入数据、修正条件以及与所述修正行为决策输入数据对应的修正行为控制指令；
33.确定所述行为决策输入数据是否为修正行为决策输入数据集合中的修正行为决策输入数据，且是否满足所述修正条件；
34.若所述行为决策输入数据为修正行为决策输入数据集合中的修正行为决策输入数据，且满足所述修正条件，获取与所述修正行为决策输入数据对应的修正行为控制指令作为对于所述行为控制指令进行修正后得到的行为控制指令。
35.在本公开一种实现方式中，所述根据所述行为控制指令执行相应的行为操作，包括：
36.根据所述行为控制指令调用所述虚拟直播人物相应的行为组件来执行所述行为操作，和/或，
37.根据所述行为控制指令控制所述虚拟直播人物执行相应的行为操作。
38.第二方面，本公开实施例中提供了一种虚拟直播人物的行为控制装置。
39.具体的，所述虚拟直播人物的行为控制装置，包括：
40.确定模块，被配置为获取直播服务的观看对象行为数据，并根据所述观看对象行为数据确定直播服务的氛围数据；
41.决策模块，被配置为获取直播服务的场景数据，将所述观看对象行为数据、氛围数据和场景数据作为行为决策输入数据，基于所述行为决策输入数据进行多模式反馈行为决策，得到行为控制指令；
42.执行模块，被配置为根据所述行为控制指令执行相应的行为操作。
43.在本公开一种实现方式中，所述确定模块中根据所述观看对象行为数据确定直播服务的氛围数据的部分，被配置为：
44.获取观看对象的实时行为；
45.响应于所述观看对象的实时行为符合预设触发条件，采集所述观看对象的实时行为数据；
46.对于所述观看对象的实时行为数据进行处理，得到意图评估数据和情绪评估数据；
47.统计所述意图评估数据和情绪评估数据的出现频率，将出现频率最高的一个或几个意图评估数据和情绪评估数据作为所述直播服务的氛围数据。
48.在本公开一种实现方式中，所述决策模块中基于所述行为决策输入数据进行多模式反馈行为决策，得到行为控制指令的部分，被配置为：
49.确定所述行为决策输入数据是否为预设行为决策输入数据集合中的预设行为决策输入数据，其中，所述预设行为决策输入数据集合包括预设行为决策输入数据以及与所述预设行为决策输入数据对应的预设行为控制指令；
50.若所述行为决策输入数据为预设行为决策输入数据集合中的预设行为决策输入数据，获取与所述预设行为决策输入数据对应的预设行为控制指令作为所述行为控制指令；
51.若所述行为决策输入数据不是预设行为决策输入数据集合中的预设行为决策输入数据，将所述行为决策输入数据输入至预先训练好的行为决策模型中得到行为决策结果数据，基于所述行为决策结果数据生成所述行为控制指令。
52.在本公开一种实现方式中，将所述行为决策输入数据输入至预先训练好的行为决策模型中得到行为决策数据，基于所述行为决策数据生成所述行为控制指令的部分，被配置为：
53.将所述行为决策输入数据输入至预先训练好的行为决策模型中，得到多个行为决策结果及其对应的概率；
54.基于概率最高的行为决策结果，生成所述行为控制指令。
55.在本公开一种实现方式中，还包括：
56.训练模块，被配置为训练所述行为决策模型。
57.在本公开一种实现方式中，所述训练模块被配置为：
58.确定初始行为决策模型；
59.获取历史行为决策数据集合，其中，所述历史行为决策数据集合包括历史行为决策输入数据和与所述历史行为决策输入数据对应的历史行为决策结果数据；
60.以所述历史行为决策输入数据作为输入，以与其对应的历史行为决策结果数据作为输出训练所述初始行为决策模型，得到行为决策模型。
61.在本公开一种实现方式中，所述训练模块还被配置为：
62.将所述行为决策输入数据，及其对应的行为决策结果数据作为新的训练数据加入所述行为决策模型的历史行为决策数据集合中，对于所述行为决策模型进行训练。
63.在本公开一种实现方式中，还包括：
64.修正模块，被配置为对于基于所述行为决策结果数据生成的行为控制指令进行修正，得到修正后的行为控制指令。
65.在本公开一种实现方式中，所述修正模块被配置为：
66.获取修正行为决策输入数据集合，其中，所述修正行为决策输入数据集合包括修正行为决策输入数据、修正条件以及与所述修正行为决策输入数据对应的修正行为控制指令；
67.确定所述行为决策输入数据是否为修正行为决策输入数据集合中的修正行为决策输入数据，且是否满足所述修正条件；
68.若所述行为决策输入数据为修正行为决策输入数据集合中的修正行为决策输入数据，且满足所述修正条件，获取与所述修正行为决策输入数据对应的修正行为控制指令作为对于所述行为控制指令进行修正后得到的行为控制指令。
69.在本公开一种实现方式中，所述执行模块被配置为：
70.根据所述行为控制指令调用所述虚拟直播人物相应的行为组件来执行所述行为操作，和/或，
71.根据所述行为控制指令控制所述虚拟直播人物执行相应的行为操作。
72.第三方面，本公开实施例提供了一种电子设备，包括存储器和至少一个处理器，其中，所述存储器用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述至少一个处理器执行以实现上述虚拟直播人物的行为控制方法的方法步骤。
73.第四方面，本公开实施例提供了一种计算机可读存储介质，用于存储行为控制装置所用的计算机指令，其包含用于执行上述虚拟直播人物的行为控制方法为虚拟直播人物的行为控制装置所涉及的计算机指令。
74.第五方面，本公开实施例提供了一种计算机程序产品，包括计算机程序/指令，其中，该计算机程序/指令被处理器执行时实现上述虚拟直播人物的行为控制方法的方法步骤。
75.本公开实施例提供的技术方案可以包括以下有益效果：
76.上述技术方案基于观看对象行为数据得到直播服务的氛围数据，并结合直播服务的场景数据进行多模式、反馈式的行为决策。该技术方案能够实现结合既有知识和新增行为且具有针对性的行为决策和控制，提高虚拟人行为控制的准确性，兼顾灵活性和全面性，大大提高了虚拟人行为质量，增强了用户的观看体验，促进了虚拟人平台的发展。
77.应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
78.结合附图，通过以下非限制性实施方式的详细描述，本公开的其它特征、目的和优点将变得更加明显。在附图中：
79.图1示出根据本公开一实施方式的虚拟直播人物的行为控制方法的流程图；
80.图2示出根据本公开一实施方式的虚拟直播人物的行为控制方法的整体流程图；
81.图3示出根据本公开一实施方式的虚拟直播人物的行为控制装置的结构框图；
82.图4示出根据本公开一实施方式的电子设备的结构框图；
83.图5是适于用来实现根据本公开一实施方式的虚拟直播人物的行为控制方法的计算机系统的结构示意图。
具体实施方式
84.下文中，将参考附图详细描述本公开的示例性实施方式，以使本领域技术人员可容易地实现它们。此外，为了清楚起见，在附图中省略了与描述示例性实施方式无关的部分。
85.在本公开中，应理解，诸如“包括”或“具有”等的术语旨在指示本说明书中所公开的特征、数字、步骤、行为、部件、部分或其组合的存在，并且不欲排除一个或多个其他特征、数字、步骤、行为、部件、部分或其组合存在或被添加的可能性。
86.另外还需要说明的是，在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。
87.本公开实施例提供的技术方案基于观看对象行为数据得到直播服务的氛围数据，并结合直播服务的场景数据进行多模式、反馈式的行为决策。该技术方案能够实现结合既有知识和新增行为且具有针对性的行为决策和控制，提高虚拟人行为控制的准确性，兼顾灵活性和全面性，大大提高了虚拟人行为质量，增强了用户的观看体验，促进了虚拟人平台的发展。
88.图1示出根据本公开一实施方式的虚拟直播人物的行为控制方法的流程图，如图1所示，所述虚拟直播人物的行为控制方法包括以下步骤s101-s103：
89.在步骤s101中，获取直播服务的观看对象行为数据，并根据所述观看对象行为数据确定直播服务的氛围数据。
90.在步骤s102中，获取直播服务的场景数据，将所述观看对象行为数据、氛围数据和场景数据作为行为决策输入数据，基于所述行为决策输入数据进行多模式反馈行为决策，得到行为控制指令。
91.在步骤s103中，根据所述行为控制指令执行相应的行为操作。
92.上文提及，随着互联网技术的发展，直播、智能客服等虚拟人平台应运而生，虚拟人的使用能够方便管理、降低人工成本，因此虚拟人的使用越来越广泛。现有技术通常基于知识或行为树等方式进行虚拟人行为的决策，或者完全以在线学习的方式获取虚拟人行为的决策，但这两种做法都存在一些弊端：基于知识或行为树等方式进行虚拟人行为决策的
方法只能基于预先确定的知识或行为树来进行决策，无法实现决策方向的自动调整，也无法基于每个虚拟人、每个应用场景进行有针对性的决策；基于在线学习进行虚拟人行为决策的方法无法兼顾既有知识和新增行为。上述虚拟人行为决策方法准确性较低，缺失灵活性和全面性，从而大大降低了虚拟人行为质量，损害了用户的观看体验，阻碍了虚拟人平台的发展。
93.考虑到上述缺陷，在该实施方式中，提出一种虚拟直播人物的行为控制方法，该方法基于观看对象行为数据得到直播服务的氛围数据，并结合直播服务的场景数据进行多模式、反馈式的行为决策。该技术方案能够实现结合既有知识和新增行为且具有针对性的行为决策和控制，提高虚拟人行为控制的准确性，兼顾灵活性和全面性，大大提高了虚拟人行为质量，增强了用户的观看体验，促进了虚拟人平台的发展。
94.在本公开一实施方式中，所述虚拟直播人物的行为控制方法可适用于对于虚拟直播人物的行为进行控制的计算机、计算设备、电子设备、服务器、服务集群等行为控制方。
95.在本公开一实施方式中，所述观看对象指的是观看虚拟直播人物提供的直播服务的对象，比如，若虚拟直播人物为购物平台的主播，则观看对象就可以是进入直播间的购买者，若虚拟直播人物为教育平台的教师，则观看对象就可以是进入直播间的学习者，等等。
96.在本公开一实施方式中，所述观看对象行为数据指的是与所述观看对象相关的行为数据，比如观看对象进入直播间的时间，观看对象发送的文本、语音、图片或视频，点击、点赞、送花等观看对象的互动操作等行为数据。
97.在本公开一实施方式中，所述氛围数据指的是基于所述观看对象行为数据得到的、用于表征某一场景下的氛围信息、具有多个观看对象的当前直播间中虚拟直播人物最需要关注或者响应的意图和/或情绪的数据，其中，所述氛围数据可由意图和/或情绪数据组成。
98.在本公开一实施方式中，所述场景数据指的是用于描述某一直播间具体场景信息的数据，其中，所述场景数据比如可以为该直播间内观看对象数量、点赞数量、留言次数、留言频率、观看对象亲密度等等。
99.在本公开一实施方式中，所述多模式反馈行为决策指的是从观看对象、氛围、场景、既有知识、新增行为等多个维度去决策，并采用了反馈机制的行为决策方法。
100.在上述实施方式中，首先获取直播服务的观看对象行为数据，并根据所述观看对象行为数据确定直播服务的氛围数据；然后获取直播服务的场景数据，将所述观看对象行为数据、氛围数据和场景数据均作为行为决策输入数据来进行综和的、多模式的、反馈式的行为决策，以实现观看对象行为数据与场景数据的结合，从而得到针对于某一种场景的虚拟直播人物的行为控制指令，最后基于所述行为控制指令来执行相应的行为操作。
101.在本公开一实施方式中，所述步骤s101中，根据所述观看对象行为数据确定直播服务的氛围数据的步骤，可包括以下步骤：获取观看对象的实时行为。响应于观看对象的实时行为符合预设触发条件，采集所述观看对象的实时行为数据。对于所述观看对象的实时行为数据进行处理，得到意图评估数据和情绪评估数据。统计所述意图评估数据和情绪评估数据的出现频率，将出现频率最高的一个或几个意图评估数据和情绪评估数据作为所述直播服务的氛围数据。
102.在该实施方式中，借助对于意图和情绪的识别来确定当前氛围。具体地，首先获取
观看对象的实时行为，比如进入或离开直播间、发表评论、点赞等等，当观看对象的实时行为符合预设触发条件时，采集所述观看对象的实时行为数据，比如，当某一观看对象进入直播间后，若发现该直播间观看对象的数量达到了某一数量阈值，则认为该观看对象进入直播间这一行为符合了直播间关于观看对象数量的触发条件，可触发采集与观看对象进入直播间这一行为相关的行为数据，比如该观看对象进入直播间的时间、该观看对象的信息、当前直播间其他观看对象进入直播间的时间、当前直播间其他该观看对象的信息等等；然后对于所述观看对象的实时行为数据进行处理，比如可借助语义分析、文字分析、语音分析、图像分析等手段进行意图识别和情绪识别，得到意图评估数据和情绪评估数据，其中，意图识别和情绪识别可使用现有技术中常见的意图识别和情绪识别方法，本公开对于所述意图识别和情绪识别的具体实现不作特别限定，比如，可基于所述观看对象实时行为数据进行量化的意图识别和情绪识别，以得到数值化的意图识别结果和情绪识别结果，即数值化的意图评估数据和情绪评估数据，其中，所述数值化的情绪评估数据可以是一个沿时间变化而连续变化的数值也可以是一个离散的数值，而所述数值化的意图评估数据则是一个离散的数值。然后统计所述意图评估数据和情绪评估数据的出现频率，出现频率最高的一个或几个意图评估数据和情绪评估数据可被认为是当前直播间占据主导地位的意图和情绪，因此基于主导的意图和情绪可推断出当前直播间的氛围数据，比如，可将出现频率最高的一个或几个意图评估数据和情绪评估数据作为所述直播服务的氛围数据。在该实施方式中，是基于某一直播间的所有观看对象行为数据来确定该直播间的氛围，而不是仅基于某一个单独的观看对象，因此可为后续行为决策提供更为全面的数据基础，有效提高多人直播间行为决策的准确性。
103.在本公开一实施方式中，所述步骤s102中，基于所述行为决策输入数据进行多模式反馈行为决策，得到行为控制指令的步骤，可包括以下步骤：确定所述行为决策输入数据是否为预设行为决策输入数据集合中的预设行为决策输入数据，其中，所述预设行为决策输入数据集合包括预设行为决策输入数据以及与所述预设行为决策输入数据对应的预设行为控制指令。若所述行为决策输入数据为预设行为决策输入数据集合中的预设行为决策输入数据，获取与所述预设行为决策输入数据对应的预设行为控制指令作为所述行为控制指令。若所述行为决策输入数据不是预设行为决策输入数据集合中的预设行为决策输入数据，将所述行为决策输入数据输入至预先训练好的行为决策模型中得到行为决策结果数据，基于所述行为决策结果数据生成所述行为控制指令。
104.在该实施方式中，综和考虑既有知识和当前输入数据进行虚拟直播人物行为的决策，具体地：首先进行基于强决策性既有知识的行为决策，以保障某些共性问题上所有虚拟直播人物的一致性。其中，所述强决策性既有知识指的是对于行为决策结果具有强影响力的既有知识，比如，所述强决策性既有知识可以为预先设置的、行为决策输入数据与行为控制指令之间的、具有强影响力的对应关系，所述强影响力指的是，若出现某一强决策性既有知识限制的行为决策输入数据，则根据该行为决策输入数据确定的行为控制指令就是所述强决策性既有知识限制的、与所述行为决策输入数据对应的行为控制指令，更为具体地，首先可根据强决策性既有知识的限制设置预设行为决策输入数据集合，其中，所述预设行为决策输入数据集合中包括预设行为决策输入数据以及与所述预设行为决策输入数据具有强关联对应关系的预设行为控制指令，比如所述预设行为决策输入数据集合中的所述预设
行为决策输入数据与对应的预设行为控制指令之间存在必然的关联关系或者关联出现的频度高于预设频度阈值。然后通过数据的比对确定所述行为决策输入数据是否为所述预设行为决策输入数据集合中的预设行为决策输入数据，若是，则可获取所述预设行为决策输入数据集合中与所述预设行为决策输入数据对应的预设行为控制指令，将其作为最终需要的行为控制指令。
105.考虑到上述基于强决策性既有知识的行为决策只能保障部分行为决策能力，另外一部分情况是没有或者不需要进行强决策性既有知识限制的，同时还考虑到如果强决策性既有知识的决策逻辑较为复杂时，会带来后期运营维护成本的提高，不利于进行优化迭代，因此基于强决策性既有知识的行为决策需要与基于当前输入数据学习的行为决策相结合，以兼顾既有知识和当前输入数据。即，若所述行为决策输入数据不是预设行为决策输入数据集合中的预设行为决策输入数据，说明所述行为决策输入数据并非或者无需受到强决策性既有知识的限制，那么此时可进行基于当前输入数据学习的行为决策，即将所述行为决策输入数据输入至预先训练好的行为决策模型中得到行为决策结果数据，最后即可基于所述行为决策结果数据生成所述行为控制指令。
106.在该实施方式中，基于强决策性既有知识的行为决策得到的行为控制指令与基于当前输入数据学习的行为决策得到的行为控制指令可互相补充，以有效地保障虚拟直播人物的差异化和个性化。
107.在本公开一实施方式中，所述将所述行为决策输入数据输入至预先训练好的行为决策模型中得到行为决策数据，基于所述行为决策数据生成所述行为控制指令的步骤，可包括以下步骤：将所述行为决策输入数据输入至预先训练好的行为决策模型中，得到多个行为决策结果及其对应的概率。基于概率最高的行为决策结果，生成所述行为控制指令。
108.其中，所述行为决策模型可为基于后验概率的行为决策模型，在该实施方式中，在获取预先训练好的行为决策模型后，可直接利用所述行为决策模型来获取所述行为控制指令。具体地，可将所述行为决策输入数据输入至预先训练好的行为决策模型中，可得到多个行为决策结果及其对应的概率；然后基于概率最高的行为决策结果，就可生成所述行为控制指令。
109.在本公开一实施方式中，所述方法还可包括以下步骤：训练所述行为决策模型。
110.在本公开一实施方式中，所述训练所述行为决策模型的步骤，可包括以下步骤：确定初始行为决策模型。获取历史行为决策数据集合，其中，所述历史行为决策数据集合包括历史行为决策输入数据和与所述历史行为决策输入数据对应的历史行为决策结果数据。以所述历史行为决策输入数据作为输入，以与其对应的历史行为决策结果数据作为输出训练所述初始行为决策模型，得到行为决策模型。
111.在该实施方式中，在训练所述行为决策模型时，首先确定一个初始行为决策模型，其中，初始行为决策模型可根据实际应用的需要进行选择；然后获取历史行为决策输入数据和与所述历史行为决策输入数据对应的历史行为决策结果数据；然后将所述历史行为决策输入数据作为输入，将与所述历史行为决策输入数据对应的历史行为决策结果数据作为输出对于初始行为决策模型进行训练，待到训练结果收敛时，即可得到所述行为决策模型。上述行为决策的学习和训练可采用q-learning、dqn、policy gradient、ddpg等学习训练方法来实现，本公开对于行为决策的具体学习训练实现方法不作特别限定。
112.在本公开一实施方式中，所述方法还可包括以下步骤：将所述行为决策输入数据，及其对应的行为决策结果数据作为新的训练数据加入所述行为决策模型的历史行为决策数据集合中。
113.为了提高作为所述行为决策模型的训练数据的历史行为决策数据集合的完备性，保障行为决策学习训练结果的全面性，在该实施方式中，采用反馈机制来进行行为决策，即，在基于当前得到的行为决策输入数据，利用所述行为决策模型得到行为决策结果后，还将所述行为决策输入数据及得到的对应的行为决策结果数据作为新的训练数据加入至所述行为决策模型的训练数据集合中，即所述历史行为决策数据集合中，然后再对于所述行为决策模型进行训练，以丰富训练数据，提高行为决策的准确性，得到更具完备性的行为决策模型参与下次行为决策结果的输出。
114.在本公开一实施方式中，所述方法还可包括以下步骤：对于基于所述行为决策结果数据生成的行为控制指令进行修正，得到修正后的行为控制指令。
115.考虑到上述借助行为决策模型得到的行为决策结果，有时并不一定是合适的方案，因此，在该实施方式中，还可对于借助行为决策模型得到的行为控制指令进行修正。在实际应用中，进行了充分的学习和训练后，基于所述行为决策模型得到的行为决策结果的可靠性会大大增加，即所述行为决策结果对于行为控制指令的修正的需求或依赖性会大大降低，甚至可以完全脱离所述行为控制指令的修正。
116.在本公开一实施方式中，所述对于基于所述行为决策结果数据生成的行为控制指令进行修正的步骤，还可包括以下步骤：获取修正行为决策输入数据集合，其中，所述修正行为决策输入数据集合包括修正行为决策输入数据以及与所述修正行为决策输入数据对应的修正行为控制指令。确定所述行为决策输入数据是否为修正行为决策输入数据集合中的修正行为决策输入数据。若所述行为决策输入数据为修正行为决策输入数据集合中的修正行为决策输入数据，获取与所述修正行为决策输入数据对应的修正行为控制指令作为对于所述行为控制指令进行修正后得到的行为控制指令。
117.在该实施方式中，也是基于既有知识对于所述行为控制指令进行修正，但所述既有知识并不是上文描述的强决策性既有知识，而是为了对于所述行为控制指令进行修正而设置的辅助性既有知识，其中，所述辅助性既有知识指的是对于行为决策结果具有辅助性调整的既有知识。具体地，首先获取修正行为决策输入数据集合，其中，所述修正行为决策输入数据集合包括修正行为决策输入数据、修正条件以及与所述修正行为决策输入数据对应的修正行为控制指令；然后确定所述行为决策输入数据是否为修正行为决策输入数据集合中的修正行为决策输入数据，且是否满足所述修正条件；若所述行为决策输入数据为修正行为决策输入数据集合中的修正行为决策输入数据，且满足所述修正条件，则将与所述修正行为决策输入数据对应的修正行为控制指令作为对于所述行为控制指令进行修正后得到的行为控制指令。比如，若先行判断某一直播间观看对象的意图为“想要看a产品”，根据上述学习训练机制得到的行为控制指令为“展示a产品”，但实际上，在识别出观看对象的意图“想要看a产品”之前刚刚展示了a产品，不应当接着再次展示a产品，此时，就需要借助所述辅助性既有知识对应的修正条件来对于行为控制指令进行修正，比如，若所述辅助性既有知识表达为“不重复执行同一动作”，那么就可确定根据输入数据“想要看a产品”得到的行为控制指令“展示a产品”满足了所述辅助性既有知识对应的修正条件限制的修正范
围，需对于所述行为控制指令“展示a产品”进行修正，比如，可将其修正为根据上述学习训练机制得到的概率值高的行为决策结果。
118.与上文类似，为了提高作为所述行为决策模型的训练数据的历史行为决策数据集合的完备性，保障行为决策学习训练结果的全面性，在本公开一实施方式中，还可将修正后的数据作为新的训练数据参与所述行为决策模型的训练，即，在该实施方式中，所述方法还可包括以下步骤：将所述行为决策输入数据，以及修正后的行为控制指令对应的行为决策结果数据作为新的训练数据加入所述行为决策模型的历史行为决策数据集合中。
119.在本公开一实施方式中，所述步骤s103，即根据所述行为控制指令执行相应的行为操作的步骤，可包括以下步骤：
120.根据所述行为控制指令调用所述虚拟直播人物相应的行为组件来执行所述行为操作。和/或，根据所述行为控制指令控制所述虚拟直播人物执行相应的行为操作。
121.在生成行为控制指令后，就可根据所述行为控制指令执行相应的行为操作。具体地，若所述行为控制方是虚拟直播人物相应的一个组件，则在得到所述行为控制指令后，就可根据所述行为控制指令调用对应的行为组件来执行所述行为操作；若所述行为控制方是虚拟直播人物内的一个组件，则在得到所述行为控制指令后，就可根据所述行为控制指令调用对应的行为组件，或者控制执行对象来执行所述行为操作。
122.其中，所述行为操作可包括以下操作中的一种或多种：驱动虚拟直播人物的动作、表情、发音等内容；与观看对象聊天；回复观看对象的问题；与观看对象打招呼；跳舞；与观看对象再见；驱动产品播报展示、剧本展示、弹幕展示、看板展示等内容的切换；驱动直播间背景图和背景音等内容的变化等等。
123.图2示出根据本公开一实施方式的行为控制方法的整体流程图，如图2所示，首先获取观看对象行为数据，对于所述观看对象行为数据进行意图情绪识别，得到意图评估数据和情绪评估数据，统计所述意图评估数据和情绪评估数据的出现频率，得到氛围数据。获取场景数据，将所述观看对象行为数据、氛围数据和场景数据作为行为决策输入数据，基于所述行为决策输入数据进行基于强决策性既有知识的行为决策和基于输入数据学习的行为决策，并对于基于输入数据学习的行为决策结果进行修正，最终得到多模式反馈行为决策结果及相应的行为控制指令。最后即可根据所述行为控制指令执行相应的行为操作。
124.上述虚拟直播人物的行为控制方法可用于多种应用场景中，比如，销售场景、教育场景、表演场景、展示场景、旅游场景、社交场景等等。
125.下述为本公开装置实施例，可以用于执行本公开方法实施例。
126.图3示出根据本公开一实施方式的行为控制装置的结构框图，该装置可以通过软件、硬件或者两者的结合实现成为电子设备的部分或者全部。如图3所示，所述行为控制装置包括：确定模块301，被配置为获取直播服务的观看对象行为数据，并根据所述观看对象行为数据确定直播服务的氛围数据。决策模块302，被配置为获取直播服务的场景数据，将所述观看对象行为数据、氛围数据和场景数据作为行为决策输入数据，基于所述行为决策输入数据进行多模式反馈行为决策，得到行为控制指令。执行模块303，被配置为根据所述行为控制指令执行相应的行为操作。
127.上文提及，随着互联网技术的发展，直播、智能客服等虚拟人平台应运而生，虚拟人的使用能够方便管理、降低人工成本，因此虚拟人的使用越来越广泛。现有技术通常基于
知识或行为树等方式进行虚拟人行为的决策，或者完全以在线学习的方式获取虚拟人行为的决策，但这两种做法都存在一些弊端：基于知识或行为树等方式进行虚拟人行为决策的方法只能基于预先确定的知识或行为树来进行决策，无法实现决策方向的自动调整，也无法基于每个虚拟人、每个应用场景进行有针对性的决策；基于在线学习进行虚拟人行为决策的方法无法兼顾既有知识和新增行为。上述虚拟人行为决策方法准确性较低，缺失灵活性和全面性，从而大大降低了虚拟人行为质量，损害了用户的观看体验，阻碍了虚拟人平台的发展。
128.考虑到上述缺陷，在该实施方式中，提出一种虚拟直播人物的行为控制装置，该装置基于观看对象行为数据得到直播服务的氛围数据，并结合直播服务的场景数据进行多模式、反馈式的行为决策。该技术方案能够实现结合既有知识和新增行为且具有针对性的行为决策和控制，提高虚拟人行为控制的准确性，兼顾灵活性和全面性，大大提高了虚拟人行为质量，增强了用户的观看体验，促进了虚拟人平台的发展。
129.在本公开一实施方式中，所述虚拟直播人物的行为控制装置可实现为对于虚拟直播人物的行为进行控制的计算机、计算设备、电子设备、服务器、服务集群等行为控制方。
130.在本公开一实施方式中，所述观看对象指的是观看虚拟直播人物提供的直播服务的对象，比如，若虚拟直播人物为购物平台的主播，则观看对象就可以是进入直播间的购买者，若虚拟直播人物为教育平台的教师，则观看对象就可以是进入直播间的学习者，等等。
131.在本公开一实施方式中，所述观看对象行为数据指的是与所述观看对象相关的行为数据，比如观看对象进入直播间的时间，观看对象发送的文本、语音、图片或视频，点击、点赞、送花等观看对象的互动操作等行为数据。
132.在本公开一实施方式中，所述氛围数据指的是基于所述观看对象行为数据得到的、用于表征某一场景下的氛围信息、具有多个观看对象的当前直播间中虚拟直播人物最需要关注或者响应的意图和/或情绪的数据，其中，所述氛围数据可由意图和/或情绪数据组成。
133.在本公开一实施方式中，所述场景数据指的是用于描述某一直播间具体场景信息的数据，其中，所述场景数据比如可以为该直播间内观看对象数量、点赞数量、留言次数、留言频率、观看对象亲密度等等。
134.在本公开一实施方式中，所述多模式反馈行为决策指的是从观看对象、氛围、场景、既有知识、新增行为等多个维度去决策，并采用了反馈机制的行为决策方法。
135.在上述实施方式中，首先获取直播服务的观看对象行为数据，并根据所述观看对象行为数据确定直播服务的氛围数据；然后获取直播服务的场景数据，将所述观看对象行为数据、氛围数据和场景数据均作为行为决策输入数据来进行综合的、多模式的、反馈式的行为决策，以实现观看对象行为数据与场景数据的结合，从而得到针对于某一种场景的虚拟直播人物的行为控制指令，最后基于所述行为控制指令来执行相应的行为操作。
136.在本公开一实施方式中，所述确定模块301中根据所述观看对象行为数据确定直播服务的氛围数据的部分，可被配置为：获取观看对象的实时行为。响应于观看对象的实时行为符合预设触发条件，采集所述观看对象的实时行为数据。对于所述观看对象的实时行为数据进行处理，得到意图评估数据和情绪评估数据。统计所述意图评估数据和情绪评估数据的出现频率，将出现频率最高的一个或几个意图评估数据和情绪评估数据作为所述直
播服务的氛围数据。
137.在该实施方式中，借助对于意图和情绪的识别来确定当前氛围。具体地，首先获取观看对象的实时行为，比如进入或离开直播间、发表评论、点赞等等，当观看对象的实时行为符合预设触发条件时，采集所述观看对象的实时行为数据，比如，当某一观看对象进入直播间后，若发现该直播间观看对象的数量达到了某一数量阈值，则认为该观看对象进入直播间这一行为符合了直播间关于观看对象数量的触发条件，可触发采集与观看对象进入直播间这一行为相关的行为数据，比如该观看对象进入直播间的时间、该观看对象的信息、当前直播间其他观看对象进入直播间的时间、当前直播间其他该观看对象的信息等等；然后对于所述观看对象的实时行为数据进行处理，比如可借助语义分析、文字分析、语音分析、图像分析等手段进行意图识别和情绪识别，得到意图评估数据和情绪评估数据，其中，意图识别和情绪识别可使用现有技术中常见的意图识别和情绪识别方法，本公开对于所述意图识别和情绪识别的具体实现不作特别限定，比如，可基于所述观看对象实时行为数据进行量化的意图识别和情绪识别，以得到数值化的意图识别结果和情绪识别结果，即数值化的意图评估数据和情绪评估数据，其中，所述数值化的情绪评估数据可以是一个沿时间变化而连续变化的数值也可以是一个离散的数值，而所述数值化的意图评估数据则是一个离散的数值。然后统计所述意图评估数据和情绪评估数据的出现频率，出现频率最高的一个或几个意图评估数据和情绪评估数据可被认为是当前直播间占据主导地位的意图和情绪，因此基于主导的意图和情绪可推断出当前直播间的氛围数据，比如，可将出现频率最高的一个或几个意图评估数据和情绪评估数据作为所述直播服务的氛围数据。在该实施方式中，是基于某一直播间的所有观看对象行为数据来确定该直播间的氛围，而不是仅基于某一个单独的观看对象，因此可为后续行为决策提供更为全面的数据基础，有效提高多人直播间行为决策的准确性。
138.在本公开一实施方式中，所述决策模块302中基于所述行为决策输入数据进行多模式反馈行为决策，得到行为控制指令的部分，可被配置为：
139.确定所述行为决策输入数据是否为预设行为决策输入数据集合中的预设行为决策输入数据，其中，所述预设行为决策输入数据集合包括预设行为决策输入数据以及与所述预设行为决策输入数据对应的预设行为控制指令。若所述行为决策输入数据为预设行为决策输入数据集合中的预设行为决策输入数据，获取与所述预设行为决策输入数据对应的预设行为控制指令作为所述行为控制指令。若所述行为决策输入数据不是预设行为决策输入数据集合中的预设行为决策输入数据，将所述行为决策输入数据输入至预先训练好的行为决策模型中得到行为决策结果数据，基于所述行为决策结果数据生成所述行为控制指令。
140.在该实施方式中，综合考虑既有知识和当前输入数据进行虚拟直播人物行为的决策，具体地：首先进行基于强决策性既有知识的行为决策，以保障某些共性问题上所有虚拟直播人物的一致性。其中，所述强决策性既有知识指的是对于行为决策结果具有强影响力的既有知识，比如，所述强决策性既有知识可以为预先设置的、行为决策输入数据与行为控制指令之间的、具有强影响力的对应关系，所述强影响力指的是，若出现某一强决策性既有知识限制的行为决策输入数据，则根据该行为决策输入数据确定的行为控制指令就是所述强决策性既有知识限制的、与所述行为决策输入数据对应的行为控制指令，更为具体地，首
先可根据强决策性既有知识的限制设置预设行为决策输入数据集合，其中，所述预设行为决策输入数据集合中包括预设行为决策输入数据以及与所述预设行为决策输入数据具有强关联对应关系的预设行为控制指令，比如所述预设行为决策输入数据集合中的所述预设行为决策输入数据与对应的预设行为控制指令之间存在必然的关联关系或者关联出现的频度高于预设频度阈值。然后通过数据的比对确定所述行为决策输入数据是否为所述预设行为决策输入数据集合中的预设行为决策输入数据，若是，则可获取所述预设行为决策输入数据集合中与所述预设行为决策输入数据对应的预设行为控制指令，将其作为最终需要的行为控制指令。
141.考虑到上述基于强决策性既有知识的行为决策只能保障部分行为决策能力，另外一部分情况是没有或者不需要进行强决策性既有知识限制的，同时还考虑到如果强决策性既有知识的决策逻辑较为复杂时，会带来后期运营维护成本的提高，不利于进行优化迭代，因此基于强决策性既有知识的行为决策需要与基于当前输入数据学习的行为决策相结合，以兼顾既有知识和当前输入数据。即，若所述行为决策输入数据不是预设行为决策输入数据集合中的预设行为决策输入数据，说明所述行为决策输入数据并非或者无需受到强决策性既有知识的限制，那么此时可进行基于当前输入数据学习的行为决策，即将所述行为决策输入数据输入至预先训练好的行为决策模型中得到行为决策结果数据，最后即可基于所述行为决策结果数据生成所述行为控制指令。
142.在该实施方式中，基于强决策性既有知识的行为决策得到的行为控制指令与基于当前输入数据学习的行为决策得到的行为控制指令可互相补充，以有效地保障虚拟直播人物的差异化和个性化。
143.在本公开一实施方式中，所述将所述行为决策输入数据输入至预先训练好的行为决策模型中得到行为决策数据，基于所述行为决策数据生成所述行为控制指令的部分，可被配置为：将所述行为决策输入数据输入至预先训练好的行为决策模型中，得到多个行为决策结果及其对应的概率。基于概率最高的行为决策结果，生成所述行为控制指令。
144.其中，所述行为决策模型可为基于后验概率的行为决策模型，在该实施方式中，在获取预先训练好的行为决策模型后，可直接利用所述行为决策模型来获取所述行为控制指令。具体地，可将所述行为决策输入数据输入至预先训练好的行为决策模型中，可得到多个行为决策结果及其对应的概率；然后基于概率最高的行为决策结果，就可生成所述行为控制指令。
145.在本公开一实施方式中，所述装置还可包括：训练模块，被配置为训练所述行为决策模型。在本公开一实施方式中，所述训练模块可被配置为：确定初始行为决策模型。获取历史行为决策数据集合，其中，所述历史行为决策数据集合包括历史行为决策输入数据和与所述历史行为决策输入数据对应的历史行为决策结果数据。以所述历史行为决策输入数据作为输入，以与其对应的历史行为决策结果数据作为输出训练所述初始行为决策模型，得到行为决策模型。
146.在该实施方式中，在训练所述行为决策模型时，首先确定一个初始行为决策模型，其中，初始行为决策模型可根据实际应用的需要进行选择；然后获取历史行为决策输入数据和与所述历史行为决策输入数据对应的历史行为决策结果数据；然后将所述历史行为决策输入数据作为输入，将与所述历史行为决策输入数据对应的历史行为决策结果数据作为
输出对于初始行为决策模型进行训练，待到训练结果收敛时，即可得到所述行为决策模型。上述行为决策的学习和训练可采用q-learning、dqn、policy gradient、ddpg等学习训练方法来实现，本公开对于行为决策的具体学习训练实现方法不作特别限定。
147.在本公开一实施方式中，所述训练模块还可被配置为：将所述行为决策输入数据，及其对应的行为决策结果数据作为新的训练数据加入所述行为决策模型的历史行为决策数据集合中。
148.为了提高作为所述行为决策模型的训练数据的历史行为决策数据集合的完备性，保障行为决策学习训练结果的全面性，在该实施方式中，采用反馈机制来进行行为决策，即，在基于当前得到的行为决策输入数据，利用所述行为决策模型得到行为决策结果后，还将所述行为决策输入数据及得到的对应的行为决策结果数据作为新的训练数据加入至所述行为决策模型的训练数据集合中，即所述历史行为决策数据集合中，然后再对于所述行为决策模型进行训练，以丰富训练数据，提高行为决策的准确性，得到更具完备性的行为决策模型参与下次行为决策结果的输出。
149.在本公开一实施方式中，所述装置还可包括：修正模块，被配置为对于基于所述行为决策结果数据生成的行为控制指令进行修正，得到修正后的行为控制指令。
150.考虑到上述借助行为决策模型得到的行为决策结果，有时并不一定是合适的方案，因此，在该实施方式中，还可对于借助行为决策模型得到的行为控制指令进行修正。在实际应用中，进行了充分的学习和训练后，基于所述行为决策模型得到的行为决策结果的可靠性会大大增加，即所述行为决策结果对于行为控制指令的修正的需求或依赖性会大大降低，甚至可以完全脱离所述行为控制指令的修正。
151.在本公开一实施方式中，所述修正模块可被配置为：获取修正行为决策输入数据集合，其中，所述修正行为决策输入数据集合包括修正行为决策输入数据以及与所述修正行为决策输入数据对应的修正行为控制指令。确定所述行为决策输入数据是否为修正行为决策输入数据集合中的修正行为决策输入数据。若所述行为决策输入数据为修正行为决策输入数据集合中的修正行为决策输入数据，获取与所述修正行为决策输入数据对应的修正行为控制指令作为对于所述行为控制指令进行修正后得到的行为控制指令。
152.在该实施方式中，也是基于既有知识对于所述行为控制指令进行修正，但所述既有知识并不是上文描述的强决策性既有知识，而是为了对于所述行为控制指令进行修正而设置的辅助性既有知识，其中，所述辅助性既有知识指的是对于行为决策结果具有辅助性调整的既有知识。具体地，首先获取修正行为决策输入数据集合，其中，所述修正行为决策输入数据集合包括修正行为决策输入数据、修正条件以及与所述修正行为决策输入数据对应的修正行为控制指令；然后确定所述行为决策输入数据是否为修正行为决策输入数据集合中的修正行为决策输入数据，且是否满足所述修正条件；若所述行为决策输入数据为修正行为决策输入数据集合中的修正行为决策输入数据，且满足所述修正条件，则将与所述修正行为决策输入数据对应的修正行为控制指令作为对于所述行为控制指令进行修正后得到的行为控制指令。比如，若先行判断某一直播间观看对象的意图为“想要看a产品”，根据上述学习训练机制得到的行为控制指令为“展示a产品”，但实际上，在识别出观看对象的意图“想要看a产品”之前刚刚展示了a产品，不应当接着再次展示a产品，此时，就需要借助所述辅助性既有知识对应的修正条件来对于行为控制指令进行修正，比如，若所述辅助性
既有知识表达为“不重复执行同一动作”，那么就可确定根据输入数据“想要看a产品”得到的行为控制指令“展示a产品”满足了所述辅助性既有知识对应的修正条件限制的修正范围，需对于所述行为控制指令“展示a产品”进行修正，比如，可将其修正为根据上述学习训练机制得到的概率值高的行为决策结果。
153.与上文类似，为了提高作为所述行为决策模型的训练数据的历史行为决策数据集合的完备性，保障行为决策学习训练结果的全面性，在本公开一实施方式中，还可将修正后的数据作为新的训练数据参与所述行为决策模型的训练，即，在该实施方式中，所述训练模块还可被配置为：将所述行为决策输入数据，以及修正后的行为控制指令对应的行为决策结果数据作为新的训练数据加入所述行为决策模型的历史行为决策数据集合中。
154.在本公开一实施方式中，所述执行模块303可被配置为：根据所述行为控制指令调用所述虚拟直播人物相应的行为组件来执行所述行为操作。和/或，根据所述行为控制指令控制所述虚拟直播人物执行相应的行为操作。
155.在生成行为控制指令后，就可根据所述行为控制指令执行相应的行为操作。具体地，若所述行为控制方是虚拟直播人物相应的一个组件，则在得到所述行为控制指令后，就可根据所述行为控制指令调用对应的行为组件来执行所述行为操作；若所述行为控制方是虚拟直播人物内的一个组件，则在得到所述行为控制指令后，就可根据所述行为控制指令调用对应的行为组件，或者控制执行对象来执行所述行为操作。
156.其中，所述行为操作可包括以下操作中的一种或多种：驱动虚拟直播人物的动作、表情、发音等内容；与观看对象聊天；回复观看对象的问题；与观看对象打招呼；跳舞；与观看对象再见；驱动产品播报展示、剧本展示、弹幕展示、看板展示等内容的切换；驱动直播间背景图和背景音等内容的变化等等。
157.上述虚拟直播人物的行为控制装置可用于多种应用场景中，比如，销售场景、教育场景、表演场景、展示场景、旅游场景、社交场景等等。
158.本公开还公开了一种电子设备，图4示出根据本公开一实施方式的电子设备的结构框图，如图4所示，所述电子设备400包括存储器401和处理器402；其中所述存储器401用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器402执行以实现上述方法步骤。
159.图5是适于用来实现根据本公开一实施方式的行为控制方法的计算机系统的结构示意图。如图5所示，计算机系统500包括处理单元501，其可以根据存储在只读存储器(rom)502中的程序或者从存储部分508加载到随机访问存储器(ram)503中的程序而执行上述实施方式中的各种处理。在ram503中，还存储有系统500操作所需的各种程序和数据。处理单元501、rom502以及ram503通过总线504彼此相连。输入/输出(i/o)接口505也连接至总线504。
160.以下部件连接至i/o接口505：包括键盘、鼠标等的输入部分506；包括诸如阴极射线管(crt)、液晶显示器(lcd)等以及扬声器等的输出部分507；包括硬盘等的存储部分508；以及包括诸如lan卡、调制解调器等的网络接口卡的通信部分509。通信部分509经由诸如因特网的网络执行通信处理。驱动器510也根据需要连接至i/o接口505。可拆卸介质511，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器510上，以便于从其上读出的计算机程序根据需要被安装入存储部分508。其中，所述处理单元501可实现为cpu、gpu、
tpu、fpga、npu等处理单元。
161.附图中的流程图和框图，图示了按照本公开各种实施方式的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，路程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
162.描述于本公开实施方式中所涉及到的单元或模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元或模块也可以设置在处理器中，这些单元或模块的名称在某种情况下并不构成对该单元或模块本身的限定。
163.作为另一方面，本公开还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施方式中所述装置中所包含的计算机可读存储介质；也可以是单独存在，未装配入设备中的计算机可读存储介质。计算机可读存储介质存储有一个或者一个以上程序，所述程序被一个或者一个以上的处理器用来执行描述于本公开的方法。
164.以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离所述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。