1.本发明涉及自然人数字化模型技术领域,具体为一种自然人数字化模型的演进方法。
背景技术:
2.自然人数字化模型是指将自然人的存在状态通过数字进行模型化描述,以便在应用领域对服务行为进行精确的辅助,“道可道也,非恒道也”,任何事物都是发展变化的。
3.由于在建立了自然人数字化模型后,模型并非是静止不变的,它也应该跟随外界环境的变化和对应的自然人的行为而发展变化,然而现有技术并不具备对自然人数字化模型进行推演的功能,故而,提出一种自然人数字化模型的演进方法来解决上述的问题。
技术实现要素:
4.(一)解决的技术问题
5.针对现有技术的不足,本发明提供了一种自然人数字化模型的演进方法,具备对自然人数字化模型进行推演等优点,解决了模型并非是静止不变的,它也应该跟随外界环境的变化和对应的自然人的行为而发展变化,然而现有技术并不具备对自然人数字化模型进行推演功能的问题。
6.(二)技术方案
7.为实现上述目的,本发明提供如下技术方案:一种自然人数字化模型的演进方法,包括以下步骤
8.1)对环境数据模型进行建模,首先定义环境数据的本体模型,采用owl本体描述语言进行定义;
9.2)利用uml建模语言对环境本体进行建模;
10.3)利用uml建模语言对深度学习决策引擎进行建模;
11.4)完成建模后,通过软件工程方法,可以根据演进模型所在的运行环境,采用不同的计算机编程语言,对模型进行实例化实现,并进行实际部署;
12.5)获取环境动态信息的方式,将获取的动态信息转化为数字,指导自然人的行为,并通过演进系统对自然人数字模型进行完善以及演进。
13.进一步,所述演进系统包括数据部分和深度学习决策引擎。
14.进一步,所述数据部分包括环境数据数据、实体属性数据、历史行为事件数据、行为目标数据和信念数据。
15.进一步,所述环境数据可涵盖自然环境数据、社会环境数据、传感器实时数据和自然人数字化实例所处的运行环境数据;所述实体属性数据为实体属性库中存储的自然人数字模型的实体属性,包括自然实体属性和社会实体属性;所述历史行为事件数据包括自然行为数据、社会行为数据和第三方服务机构的数据;所述行为目标数据为外部给予的行为目标指导,有可能来自于自然人数字化实例所处的运行环境的缔造者、运营者,或者指定的
自然人数字化模型实例的属主(拥有者);所述信念数据为自然人对于当前世界状况(自然环境、社会环境、自我、自然人数字化实例所处的运行环境)的认知,以及对要达到的行为效果可能采取的行为的计划。
16.进一步,所述深度学习决策引擎包括信念筛选模块、信念排序模块和补充策略模块。
17.进一步,所述信念筛选模块为使用计算复杂度较低的算法和模型,从海量的信念候选集中选择可能适合的信念策略;所述信念排序模块可对初步筛选的候选信念集进行进一步排序;所述补充策略模块为结合外部环境传感器信息、自然状态何自然人社会状态等数据,对信念排序列表进行调整,形成最终的确定信念。
18.(三)有益效果
19.与现有技术相比,本发明提供了一种自然人数字化模型的演进方法,具备以下有益效果:
20.该自然人数字化模型的演进方法,通过采用本体论(ontology)和软件工程领域的uml建模方法,将自然人进行数字化的精确模型与其所存的环境进行交互,拟合自然人的实际状态,不断自动地发展变化,这种变化演进的能力将给传统领域涉及到自然人数字化应用的产品和生产生活带来便利,能够推动改善传统环节流程、提升效能以及降低成本等,大幅提升业务体验,给传统领域带来变革。
附图说明
21.图1为本发明提出的一种自然人数字化模型的演进方法结构自然人数字化映射模型的存在状态图;
22.图2为本发明提出的一种自然人数字化模型的演进方法结构自然人数字模型演进模块图;
23.图3为本发明提出的一种自然人数字化模型的演进方法结构深度学习决策引擎系统图;
24.图4为本发明提出的一种自然人数字化模型的演进方法结构部署图。
具体实施方式
25.下面将结合本发明的实施例,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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他实施例,都属于本发明保护的范围。
26.请参阅与1-4,一种自然人数字化模型的演进方法,包括以下步骤
27.1)对环境数据模型进行建模,首先定义环境数据的本体模型,采用owl本体描述语言进行定义;
28.2)利用uml建模语言对环境本体进行建模;
29.3)利用uml建模语言对深度学习决策引擎进行建模;
30.4)完成建模后,通过软件工程方法,可以根据演进模型所在的运行环境,采用不同的计算机编程语言,对模型进行实例化实现,并进行实际部署;
31.5)获取环境动态信息的方式,将获取的动态信息转化为数字,指导自然人的行为,并通过演进系统对自然人数字模型进行完善以及演进。
32.需要说明的是,演进系统包括数据部分和深度学习决策引擎。
33.其中,数据部分包括环境数据数据、实体属性数据、历史行为事件数据、行为目标数据和信念数据,环境数据可涵盖自然环境数据、社会环境数据、传感器实时数据和自然人数字化实例所处的运行环境数据;实体属性数据为实体属性库中存储的自然人数字模型的实体属性,包括自然实体属性和社会实体属性;历史行为事件数据包括自然行为数据、社会行为数据和第三方服务机构的数据;行为目标数据为外部给予的行为目标指导,有可能来自于自然人数字化实例所处的运行环境的缔造者、运营者,或者指定的自然人数字化模型实例的属主(拥有者);信念数据为自然人对于当前世界状况(自然环境、社会环境、自我、自然人数字化实例所处的运行环境)的认知,以及对要达到的行为效果可能采取的行为的计划。
34.同时,深度学习决策引擎包括信念筛选模块、信念排序模块和补充策略模块,信念筛选模块为使用计算复杂度较低的算法和模型,从海量的信念候选集中选择可能适合的信念策略;信念排序模块可对初步筛选的候选信念集进行进一步排序;补充策略模块为结合外部环境传感器信息、自然状态何自然人社会状态等数据,对信念排序列表进行调整,形成最终的确定信念。
35.此外,深度学习决策引擎的功能有:
36.(1)根据外部环境输入数据,包括环境认知数据和行为反馈数据,进行增强学习,并根据结果对实体属性数据库、事件数据库和信念库进行增量完善。
37.(2)根据增强学习结果和信念库数据,进行判断,对将要采取的行为进行决策。
38.需要注意的是,模型训练用来确定模型结构、模型中参数权重数值,模型训练分为离线训练和在线更新训练,离线训练利用全量数据和特征,使模型逼近全局最优点;在线更新训练根据实时输入状态值的变化,更快地反应新的变化趋势,满足模型的实时性要求。
39.同时,自然人数字化映射模型需要与所存在的外部环境进行信息交互,根据环境变化做出行为决策,同时,所做出的行为也会影响所处的环境,其中,在自然人数字化映射模型中,包含了实体属性数据、行为事件数据、信念数据及其之间的关联数据,可以从模型中导入,而需要对环境数据、行为目标数据进行描述和建模,实例化后作为整体系统的输入数据。
40.而自然人的状态是与时间相关的,状态可以发生转移,状态1转移到状态2,可以表示为“转移1=《状态1,状态2》”,自然人数字化模型对应于自然人的变化,也相应的发生状态变化,表示为“转移1’=《状态1’,状态2’》”,本发明解决了转移1’拟合至转移1的精确性问题。
41.自然人数字化模型的状态转移(演进),主要是指在现有状态的基础上发生的变化,即状态描述参数的变化,参数变化分为两种类型:参数属性的新增、参数属性值的调整,对属性库的属性进行新增和完善的过程称之为属性库的演进过程。
42.外部环境传感器、移动终端、可穿戴设备和医疗健康设备等是自然人数字化模型的外部信息输入源,外部信息输入后,通过自然人数字化模型中思维推理器的处理,对属性库施加影响,影响分为属性的增加和属性值的调整。
43.应用领域与应用前景:
44.金融领域,场景:通过智能理财顾问、智能客服等角色,实现以客户为中心的、智能高效的人性化服务,角色:智能客服、智能理财顾问;
45.游戏领域,场景:数字化自然人游戏角色使游戏者有了更强的代入感,可玩性变得更强,角色:数字角色;
46.传媒领域,场景:定制化虚拟主持人、主播,实现节目内容快速化生产,打造品牌特有形象,实现观众互动,优化观看体验,角色:虚拟主持人、虚拟主播。
47.本发明的有益效果是:
48.该自然人数字化模型的演进方法,通过采用本体论(ontology)和软件工程领域的uml建模方法,将自然人进行数字化的精确模型与其所存的环境进行交互,拟合自然人的实际状态,不断自动地发展变化,这种变化演进的能力将给传统领域涉及到自然人数字化应用的产品和生产生活带来便利,能够推动改善传统环节流程、提升效能以及降低成本等,大幅提升业务体验,给传统领域带来变革。
49.尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
转载请注明原文地址:https://tc.8miu.com/read-937.html