基于观众情绪的直播模式切换方法及相关装置与流程

1.本技术涉及虚拟人、人工智能的技术领域，尤其涉及基于观众情绪的直播模式切换方法及相关装置。


背景技术：

2.虚拟对象包括虚拟人、虚拟动物、虚拟卡通形象等。其中，虚拟人是由cg技术构建、以代码形式运行的拟人化形象，具有语言交流、表情表达、动作展示等多种互动方式。虚拟人技术已经在人工智能领域迅速发展，并且在很多技术领域都得到了应用，例如影视、传媒、游戏、金融、文旅、教育、医疗等领域。
3.现有的直播模式切换方法大多适用于传统领域，不能很好地满足针对虚拟对象直播的客户需求。基于此，本技术提供了直播模式切换方法、直播模式切换装置及相关装置，以改进现有技术。


技术实现要素：

4.本技术的目的在于提供基于观众情绪的直播模式切换方法及相关装置，能够很好地满足针对虚拟对象直播的客户需求。
5.本技术的目的采用以下技术方案实现：
6.第一方面，本技术提供了一种基于观众情绪的直播模式切换方法，所述直播模式包括ai模式和中之人模式，所述直播模式切换方法包括：
7.检测直播间的当前直播模式是否为ai模式；
8.若是，则基于弹幕获取策略，获取直播弹幕信息；
9.基于所述直播弹幕信息，将当前直播模式从ai模式切换为中之人模式，以供中之人进行直播。
10.该技术方案的有益效果在于：在直播过程中，检测当前直播模式是否为ai模式。如果是ai模式，则利用弹幕获取策略来获取直播弹幕信息。根据直播弹幕信息，判断当前观众的情绪和反应，如果发现观众对当前的ai模式不太感兴趣或者有其他需求，就自动进行中之人模式的切换。从而中之人可以随时接管直播，提供更多的互动和个性化的体验。一方面，通过实时了解观众情绪和需求，及时做出调整，切换中之人模式，由中之人提高直播的互动性，让观众更加投入和参与。另一方面，由于观众的需求和兴趣各异，通过该方法可以提供更好地满足不同观众的需求。又一方面，观众可以通过与中之人的互动更深入地了解直播内容，从而增强对直播内容的爱好和信任，提高用户粘度。
11.在一些可能的实现方式中，所述直播弹幕信息包括至少一条弹幕信息和每条所述弹幕信息对应的弹幕内容；
12.所述基于所述直播弹幕信息，将所述当前直播模式切换中之人模式，包括：
13.基于每条所述弹幕信息对应的弹幕内容，确定观众情绪评分；
14.当所述观众情绪评分大于预设情绪评分时，发送提示信息，以提示中之人到位；
15.在检测到所述中之人到位的情况下，将当前直播模式从ai模式切换为中之人模式。
16.该技术方案的有益效果在于：通过对每条弹幕信息进行情绪分析，确定观众情绪评分，并和预设情绪评分进行比较。当观众情绪评分大于预设情绪评分时，就会发送提示信息，以提醒中之人到位。一旦检测到中之人到位，就会自动切换当前直播模式为中之人模式。一方面，通过识别观众情绪，可以更好地满足观众的需求，增加直播的互动性和吸引力。另一方面，将当前直播模式从ai模式切换为中之人模式，并通知中之人到位，可以避免可能存在的风险，例如，直播模式已切换到中之人模式，但中之人未到位的情况。同时，中之人模式下可以更好地满足观众的需求，提高直播的质量和可信度。又一方面，通过自动分析观众情绪和中之人到位，可以减少运营人员的工作量，提高直播效率。
17.在一些可能的实现方式中，所述基于每条所述弹幕信息对应的弹幕内容，确定观众情绪评分，包括：
18.基于预设的一个或多个关键词和每条所述弹幕信息对应的弹幕内容，确定每条所述弹幕信息对应的个体情绪评分；
19.基于所有的所述个体情绪评分，确定所述观众情绪评分。
20.该技术方案的有益效果在于：通过分析每条弹幕信息中是否包含预设的一个或多个关键词，来确定每条弹幕信息的个体情绪评分。从而基于所有的个体情绪评分进行计算得到观众情绪评分。一方面，通过提前设置相关的关键词，可以更加准确地识别和计算观众的个体情绪评分。另一方面，通过了解观众的情绪状态，可以及时做出相应的处理，例如调整直播内容、加强互动等，从而提高观众的参与度和体验感。又一方面，通过自动分析每条弹幕信息的个体情绪评分，可以减少运营人员的工作量，提高直播效率。
21.在一些可能的实现方式中，所述基于每条所述弹幕信息对应的弹幕内容，确定观众情绪评分，包括：
22.将每条所述弹幕信息对应的弹幕内容输入至情绪识别模型中，以得到每条所述弹幕信息对应的情绪标签；
23.基于每条所述弹幕信息对应的情绪标签，确定情绪比例；所述情绪比例包括每种情绪占所有情绪的比例；
24.基于其中一个或多个所述情绪比例，确定观众情绪评分。
25.该技术方案的有益效果在于：基于情绪识别模型对每条弹幕信息对应的弹幕内容进行分析，从而获得每条弹幕信息对应的情绪标签。根据情绪标签确定情绪比例，即每种情绪占所有情绪的比例。从而基于这些情绪比例，可以计算得出观众情绪评分。一方面，可以及时了解观众对直播内容的反应和态度，从而针对直播模式和直播内容进行调整。例如，如果大多数观众对ai模式下的直播内容持开心情绪，可以及时切换ai模式为中之人模式，进一步引导观众购买商品。另一方面，采用情绪识别模型可以快速、精准地对大量弹幕信息进行情绪分析，节省人力成本和时间成本，提高数据处理的效率和准确性。又一方面，基于情绪比例的评分方式更加客观和综合，不仅能够反映观众的整体情绪，还可以揭示出相互矛盾的情绪因素，为运营人员提供更为全面的反馈和参考。
26.在一些可能的实现方式中，所述预设情绪评分的获取步骤包括：
27.获取所述直播间的实时成交数据；
28.基于所述实时成交数据和预设的评分调整策略，确定所述预设情绪评分。
29.该技术方案的有益效果在于：基于获取直播间的实时成交数据，结合预设的评分调整策略，来确定预设情绪评分。例如，目标是提高商品销售额，可以将预设情绪评分与销售额相关的指标挂钩，如转化率、订单量等。一方面，获取直播间的实时成交数据，分析处理得出预设情绪评分，从而更准确地判断是否切换直播模式。另一方面，结合预设的评分调整策略，可以有效地调整预设情绪评分，并在一定程度上预测未来的观众情绪和行为，从而更好地引导直播内容和互动模式。
30.在一些可能的实现方式中，所述弹幕获取策略包括弹幕获取数量；
31.所述基于弹幕获取策略，获取直播弹幕信息，包括：
32.基于所述弹幕获取数量，获取所述直播弹幕信息。
33.该技术方案的有益效果在于：基于弹幕获取策略获取直播弹幕信息。弹幕获取策略包括弹幕获取数量，例如，可以设置每分钟获取多少条弹幕信息，或者根据观众人数和活跃度等指标来调整获取弹幕的数量和速率。一方面，可以实时获取直播弹幕信息，提高了直播过程中对观众情绪和反应的感知能力。另一方面，基于弹幕获取策略，可以灵活地控制获取弹幕的数量和速率，从而更好地适应不同的直播场景和观众群体。又一方面，分析和处理直播弹幕信息，可以更好地了解观众的兴趣和需求，进而调整直播内容和互动方式。又一方面，可以通过对获取到的弹幕信息进情绪分析处理，实现对直播情绪的自动化判断和反馈，增强直播互动的实时性和效果。
34.在一些可能的实现方式中，所述弹幕获取策略包括实时观众数量与弹幕获取数量之间的对应关系，
35.所述基于所述弹幕获取数量，获取所述直播弹幕信息，包括：
36.获取所述直播间的实时观众数量；
37.基于所述实时观众数量和所述对应关系，调整所述弹幕获取数量。
38.该技术方案的有益效果在于：基于实时观众数量和弹幕获取数量之间的对应关系，调整弹幕获取数量，以实现更好地获取直播弹幕信息。其中，弹幕获取策略包括弹幕获取数量和实时观众数量之间的对应关系。例如，可以根据实时观众数量设置每分钟获取多少条弹幕等。根据实时观众数量和弹幕获取策略中的对应关系，调整弹幕获取数量。若实时观众数量较多，可适当增加弹幕获取数量，以保证信息获取的充分性。若实时观众数量较少，可适当减少弹幕获取数量。一方面，可以根据实时观众数量和弹幕获取策略中的对应关系，准确地调整弹幕获取数量，使得直播弹幕信息获取更为充分有效。另一方面，对实时观众数量进行分析，可以较为准确地了解观众群体特点和特征，有利于精准营销和观众管理。
39.在一些可能的实现方式中，所述弹幕获取策略包括弹幕获取时间范围和观众获取范围；
40.所述基于弹幕获取策略，获取直播弹幕信息，包括：
41.基于所述弹幕获取时间范围和所述观众获取范围，获取所述直播弹幕信息。
42.该技术方案的有益效果在于：根据设定的弹幕获取时间范围，筛选出在弹幕获取时间范围对应的时间段内发送的弹幕。根据设定的观众获取范围，限定参与直播的观众，从而过滤掉相同观众发送的重复弹幕。结合弹幕获取时间范围和观众获取范围，获取符合条件的直播弹幕信息。一方面，通过弹幕获取时间范围和观众获取范围，可以筛选出符合条件
的直播弹幕信息，提高了弹幕获取的精准度。另一方面，通过观众获取范围的限制，可以去除相同观众发送的重复信息，从而避免了大量相同信息的干扰，使弹幕信息更加清晰。进而可以大大减少需处理的弹幕数量，提高了数据处理的效率。
43.在一些可能的实现方式中，所述直播弹幕信息包括至少一条弹幕信息和每条所述弹幕信息对应的弹幕发送人；
44.所述直播模式切换方法还包括：
45.获取每个所述弹幕发送人对应的历史成交数据；
46.基于所述直播弹幕信息和每个所述弹幕发送人对应的历史成交数据，建立每个所述弹幕发送人对应的商品推荐模型；
47.在当前直播模式从ai模式切换为中之人模式时，基于每个所述弹幕发送人对应的商品推荐模型，生成每个所述弹幕发送人对应的推荐商品和推荐脚本；
48.响应针对其中一个所述弹幕发送人的选择操作，显示与被选择的弹幕发送人对应的推荐商品和推荐脚本；或，
49.基于所有的所述推荐商品，生成每个所述推荐商品的讲解顺序。
50.该技术方案的有益效果在于：获取每个弹幕发送人的历史成交数据，比如购买记录、关注的商品等。基于直播弹幕信息和历史成交数据，可以建立每个弹幕发送人的商品推荐模型，该商品推荐模型可以包括该弹幕发送人的兴趣、购买习惯、购买能力等特征，可以用于预测该弹幕发送人关注的商品等。当直播模式从ai模式切换为中之人模式时，可以根据弹幕发送人的商品推荐模型，生成对应的个性化的推荐商品和推荐脚本，以提高购买转化率和用户满意度。当中之人或运营人员选择其中一个弹幕发送人时，可以显示与该弹幕发送人对应的推荐商品和推荐脚本，从而中之人可以使用推荐脚本介绍推荐商品，提高该弹幕发送人购买欲望，同时提高了该弹幕发送人的满意度。基于所有的推荐商品，生成推荐商品讲解顺序，例如，可以依据推荐商品的出现次数确定推荐商品的期望程度，出现次数越多，期望程度越高，并基于期望程度生成推荐商品讲解顺序，优先介绍所有弹幕发送人期望程度越高的推荐商品可以提高直播效果，增加用户观看时长和购买行为。
51.第二方面，本技术实施例提供了一种基于观众情绪的直播模式切换装置，所述直播模式切换装置包括：
52.模式检测模块，用于检测当前直播模式是否为ai模式；
53.弹幕获取模块，用于在所述当前直播模式为ai模式时，基于弹幕获取策略，获取直播弹幕信息；
54.模式切换模块，用于基于所述直播弹幕信息，将所述当前直播模式切换中之人模式，以供中之人进行直播。
55.第三方面，本技术提供了一种电子设备，所述电子设备包括存储器和至少一个处理器，所述存储器存储有计算机程序，所述至少一个处理器被配置成执行所述计算机程序时实现以下步骤：
56.检测直播间的当前直播模式是否为ai模式；
57.若是，则基于弹幕获取策略，获取直播弹幕信息；
58.基于所述直播弹幕信息，将当前直播模式从ai模式切换为中之人模式，以供中之人进行直播。
59.第四方面，本技术提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被至少一个处理器执行时实现上述任一项方法的步骤或者实现上述任一项电子设备的功能。
附图说明
60.下面结合附图和实施方式对本技术进一步说明。
61.图1是本技术实施例提供的一种基于观众情绪的直播模式切换方法的流程示意图。
62.图2是本技术实施例提供的一种切换中之人模式的流程示意图。
63.图3是本技术实施例提供的一种确定观众情绪评分的流程示意图。
64.图4是本技术实施例提供的另一种确定观众情绪评分的流程示意图。
65.图5是本技术实施例提供的一种确定预设情绪评分的流程示意图。
66.图6是本技术实施例提供的一种确定预设情绪评分的流程示意图。
67.图7是本技术实施例提供的一种直播模式切换装置的结构示意图。
68.图8是本技术实施例提供的一种电子设备的结构框图。
69.图9是本技术实施例提供的一种程序产品的结构示意图。
具体实施方式
70.下面将结合本技术的说明书附图以及具体实施方式，对本技术中的技术方案进行描述，需要说明的是，在不相冲突的前提下，以下描述的各实施方式之间或各技术特征之间可以任意组合形成新的实施方式。
71.本技术实施例中，“示例性的”或者“例如”等词用于表示作例子、例证或说明。本技术实施例中被描述为“示例性的”或者“例如”的任何实施方式或设计方案不应被解释为比其他实施方式或设计方案更优选或更具优势。确切而言，使用“示例性的”或者“例如”等词旨在以具体方式呈现相关概念。
72.下面对本技术实施例技术领域和相关术语进行简单说明。
73.虚拟对象包括虚拟人、虚拟动物、虚拟卡通形象等。其中，虚拟人是由cg技术构建、以代码形式运行的拟人化形象，具有语言交流、表情表达、动作展示等多种互动方式。虚拟人技术已经在人工智能领域迅速发展，并且在很多技术领域都得到了应用，例如影视、传媒、游戏、金融、文旅、教育、医疗等领域，不仅可以定制化虚拟主持人、虚拟主播、虚拟偶像、虚拟客服、虚拟律师、虚拟金融顾问、虚拟老师、虚拟医生、虚拟讲解员、虚拟助手等，还可以通过文本或音频一键生成视频。在虚拟人中，服务型虚拟人的主要功能为替代真人服务和提供日常陪伴，是现实中服务型角色的虚拟化，其产业价值主要是降低已有服务型产业的成本，为存量市场降本增效。
74.人工智能(artificial intelligence，ai)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个综合技术，它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。人工智能研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。人工智能
技术是一门综合学科，涉及领域广泛，既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习、自动驾驶、智慧交通等几大方向。
75.机器学习(machine learning，ml)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。计算机程序可以在给定某种类别的任务t和性能度量p下学习经验e，如果其在任务t中的性能恰好可以用p度量，则随着经验e而提高。机器学习专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。
76.深度学习是一种特殊的机器学习，通过学习将世界使用嵌套的概念层次来表示并实现巨大的功能和灵活性，其中每个概念都定义为与简单概念相关联，而更为抽象的表示则以较不抽象的方式来计算。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、示教学习等技术。
77.应用程序接口(application programming interface，api)，提供了一套定义了一定规范的接口和函数，用于不同应用程序之间的通信。应用程序接口可以理解为两个应用程序之间进行数据交互的桥梁，通过应用程序接口，两个不同的应用程序之间可以互相调用对方提供的函数或接口，从而实现交互操作。
78.软件开发工具包(software development kit，sdk)是一种用于快速开发应用程序的工具集合。sdk通常包含一些可重复使用的代码库、api、文档和样例等，可以帮助开发人员快速构建出符合要求的应用，提高开发效率和质量。
79.爬虫技术，是一种自动化获取网络信息的技术，能够模拟人类浏览器行为，在网络上搜索、抓取、提取数据的程序。通过编写爬虫程序，可以自动从互联网上获取大量数据，并且可以对这些数据进行处理和分析。
80.在虚拟人技术中，“中之人”指的是通过动作捕捉、面部捕捉技术来演绎并完善虚拟人形象的人，可以实现虚拟人与现实的交互，让虚拟人能够自如地与真人互动。
81.(基于观众情绪的直播模式切换方法)
82.参见图1，图1是本技术实施例提供的一种基于观众情绪的直播模式切换方法的流程示意图。
83.本技术实施例提供了一种基于观众情绪的直播模式切换方法，所述直播模式包括ai模式和中之人模式，所述直播模式切换方法包括：
84.步骤s101：检测直播间的当前直播模式是否为ai模式；
85.步骤s102：若是，则基于弹幕获取策略，获取直播弹幕信息；
86.步骤s103：基于所述直播弹幕信息，将当前直播模式从ai模式切换为中之人模式，以供中之人进行直播。
87.在申请实施例中，ai模式是指采用ai驱动，采用文本信息驱动虚拟对象的表情和口型，采用动作信息驱动虚拟对象的动作，渲染得到直播画面。采用ai驱动时，可以实现快速、自动化的互动。
88.在申请实施例中，中之人模式是指采用中之人驱动，采集中之人的语音信息转化
为文本信息，采用文本信息驱动虚拟对象的表情和口型，采集中之人的实时图像，从实时图像中提取出中之人的动作信息，采用中之人的动作信息驱动虚拟对象的动作，渲染得到直播画面。
89.本技术实施例中，虚拟对象包括虚拟人、虚拟动物和虚拟卡通形象中的一种或多种。作为一个示例，虚拟对象为虚拟人“jing”(中文名：镜)。
90.本技术实施例中，弹幕获取策略是指在直播过程中获取观众发送的直播弹幕信息的策略。其中，直播弹幕信息是指弹幕所产生的信息，弹幕是直播过程中观众与主播之间的一种互动方式，能够让观众在实时的直播过程中表达自己的看法、情感和建议，也同时能接收到主播的回复和互动。因此，获取弹幕信息可以为主播提供及时反馈，帮助他们更好地把握直播节奏和内容，也能为观众提供更加个性化和有趣的观看体验。
91.本技术实施例中，直播弹幕信息可以通过直播平台提供的api接口、sdk、爬虫等方式来获取。其中，api接口和sdk是直播平台所提供的标准化方式，能够稳定地获取弹幕数据，但是对于一些自定义的需求可能不能满足。而爬虫技术则能够更灵活地获取直播弹幕信息，但可能会触发直播平台的反爬机制。
92.在直播过程中，检测当前直播模式是否为ai模式。如果是ai模式，则利用弹幕获取策略来获取直播弹幕信息。根据直播弹幕信息，判断当前观众的情绪和反应，如果发现观众对当前的ai模式不太感兴趣或者有其他需求，就自动进行中之人模式的切换。从而中之人可以随时接管直播，提供更多的互动和个性化的体验。一方面，通过实时了解观众情绪和需求，及时做出调整，切换中之人模式，由中之人提高直播的互动性，让观众更加投入和参与。另一方面，由于观众的需求和兴趣各异，通过该方法可以提供更好地满足不同观众的需求。又一方面，观众可以通过与中之人的互动更深入地了解直播内容，从而增强对直播内容的爱好和信任，提高用户粘度。
93.参见图2，图2是本技术实施例提供的一种切换中之人模式的流程示意图。
94.在一些实施例中，所述直播弹幕信息包括至少一条弹幕信息和每条所述弹幕信息对应的弹幕内容；
95.所述基于所述直播弹幕信息，将所述当前直播模式切换中之人模式(步骤s103)，包括：
96.步骤s201：基于每条所述弹幕信息对应的弹幕内容，确定观众情绪评分；
97.步骤s202：当所述观众情绪评分大于预设情绪评分时，发送提示信息，以提示中之人到位；
98.步骤s203：在检测到所述中之人到位的情况下，将当前直播模式从ai模式切换为中之人模式。
99.本技术实施例中，弹幕信息包括与其对应的弹幕内容、弹幕发送人、发送时间、弹幕颜色、字体大小、透明度和弹幕位置等，此处对弹幕信息不作限定。
100.本技术实施例中，中之人到位是指用于被采集实时图像的中之人到达指定位置。
101.由此，通过对每条弹幕信息进行情绪分析，确定观众情绪评分，并和预设情绪评分进行比较。当观众情绪评分大于预设情绪评分时，就会发送提示信息，以提醒中之人到位。一旦检测到中之人到位，就会自动切换当前直播模式为中之人模式。一方面，通过识别观众情绪，可以更好地满足观众的需求，增加直播的互动性和吸引力。另一方面，将当前直播模
式从ai模式切换为中之人模式，并通知中之人到位，可以避免可能存在的风险，例如，直播模式已切换到中之人模式，但中之人未到位的情况。同时，中之人模式下可以更好地满足观众的需求，提高直播的质量和可信度。又一方面，通过自动分析观众情绪和中之人到位，可以减少运营人员的工作量，提高直播效率。
102.参见图3，图3是本技术实施例提供的一种确定观众情绪评分的流程示意图。
103.在一些实施例中，所述基于每条所述弹幕信息对应的弹幕内容，确定观众情绪评分(步骤s201)，包括：
104.步骤s301：基于预设的一个或多个关键词和每条所述弹幕信息对应的弹幕内容，确定每条所述弹幕信息对应的个体情绪评分；
105.步骤s302：基于所有的所述个体情绪评分，确定所述观众情绪评分。
106.本技术实施例中，关键词包括高兴、开心、喜欢、舒适、愉快、生气、愤怒、不爽、憋屈、恼火、难过、悲伤、哀伤、泪奔、失落、惊讶、惊喜、震惊、出乎意料、吃惊、害怕、恐惧、不安、紧张、胆怯、厌恶、反感、讨厌、嫌弃和不屑等。此处对关键词不作限定。
107.作为一个示例，当关键词为喜欢、开心或太棒了，个体情绪评分会比较高。当关键词为烦、不爽或讨厌，个体情绪评分会比较第。当关键词为紧张、害怕或恐慌，个体情绪评分会比较低。当关键词为感动、激动或励志，个体情绪评分会比较高。
108.作为另一个示例，弹幕内容为“这直播真的好有趣，我太开心了！”，基于关键词“开心”，为该弹幕信息确定个体情绪评分为8分。弹幕内容为“这直播看的心情超级难过”，基于关键词“难过”，为该弹幕信息确定个体情绪评分为1分。弹幕内容为“这个主播太让人愤怒了”，基于关键词“愤怒”，为该弹幕信息确定个体情绪评分为2分。弹幕内容为“这个直播太惊艳了，我不敢相信我的眼睛”，基于关键词“惊讶”，为该弹幕信息确定个体情绪评分为9分。
109.本技术实施例中，采用平均值法计算所有的个体情绪评分，以得到观众情绪评分。其中，采用平均值法是指对于每一个个体情绪评分，将其求和后再除以个体情绪评分的个数，得到平均值，作为观众情绪评分。
110.由此，通过分析每条弹幕信息中是否包含预设的一个或多个关键词，来确定每条弹幕信息的个体情绪评分。从而基于所有的个体情绪评分进行计算得到观众情绪评分。一方面，通过提前设置相关的关键词，可以更加准确地识别和计算观众的个体情绪评分。另一方面，通过了解观众的情绪状态，可以及时做出相应的处理，例如调整直播内容、加强互动等，从而提高观众的参与度和体验感。又一方面，通过自动分析每条弹幕信息的个体情绪评分，可以减少运营人员的工作量，提高直播效率。
111.在一些实施例中，所述基于所有的所述个体情绪评分，确定所述观众情绪评分，包括：
112.基于所有的所述个体情绪评分和每个所述个体情绪评分对应的权重信息，确定所述观众情绪评分。
113.其中，权重信息可以是基于每个所述个体情绪评分对应的弹幕发送人确定的，也可以是基于每个所述个体情绪评分的所处的评分区间确定的，此处对权重信息不作限定。
114.作为一个示例，弹幕发送人a发送的弹幕信息的个体情绪评分为5分，弹幕发送人b发送的弹幕信息的个体情绪评分为2分，弹幕发送人a为是非常活跃的观众，则其的权重信
息相对较高，为2。弹幕发送人b为是普通观众，则其的权重信息相对较低，为1。
115.作为另一个示例，个体情绪评分的最小值为1，最大值为10，并被划分为五个评分区间，每个评分区间对应不同的权重信息，第一评分区间对应的权重信息为1.2，第二评分区间对应的权重信息为1.1，第三评分区间对应的权重信息为1，第四评分区间对应的权重信息为1.1，第五评分区间对应的权重信息为1.2。
116.由此，利用多个个体情绪评分以及对应的权重信息，经过加权平均得到观众情绪评分，可以帮助评估观众的情绪状态，从而更好地了解他们的需求和反应。
117.参见图4，图4是本技术实施例提供的另一种确定观众情绪评分的流程示意图。
118.在一些实施例中，所述基于每条所述弹幕信息对应的弹幕内容，确定观众情绪评分(步骤s201)，包括：
119.步骤s401：将每条所述弹幕信息对应的弹幕内容输入至情绪识别模型中，以得到每条所述弹幕信息对应的情绪标签；
120.步骤s402：基于每条所述弹幕信息对应的情绪标签，确定情绪比例；所述情绪比例包括每种情绪占所有情绪的比例；
121.步骤s403：基于其中一个或多个所述情绪比例，确定观众情绪评分。
122.本技术实施例中，情绪标签包括高兴、开心、喜欢、舒适、愉快、生气、愤怒、不爽、憋屈、恼火、难过、悲伤、哀伤、泪奔、失落、惊讶、惊喜、震惊、出乎意料、吃惊、害怕、恐惧、不安、紧张、胆怯、厌恶、反感、讨厌、嫌弃和不屑等。此处对情绪标签不作限定。
123.作为一个示例，将每条弹幕信息对应的弹幕内容输入到情绪识别模型中，以得到每条弹幕信息对应的情绪标签；统计每种情绪在所有弹幕信息中出现的次数，计算每种情绪占所有情绪的比例，得到情绪比例；基于其中一个或多个情绪比例，确定观众情绪评分，可以选择高兴情绪比例作为评分依据，如果高兴情绪占比较高，则可以确定观众情绪评分较高。也可以选择反感情绪比例作为评分依据，如果反感情绪占比较高，则可以确定观众情绪评分较低。还可以选择反感情绪比例和厌恶情绪比例同时作为评分依据，计算权重或求和综合确定观众情绪评分。
124.本技术实施例中，情绪识别模型可以是基于卷积神经网络模型训练得到的，也可以是基于循环神经网络模型训练得到的，此处不对情绪识别模型的实现方式作限定。
125.由此，基于情绪识别模型对每条弹幕信息对应的弹幕内容进行分析，从而获得每条弹幕信息对应的情绪标签。根据情绪标签确定情绪比例，即每种情绪占所有情绪的比例。从而基于这些情绪比例，可以计算得出观众情绪评分。一方面，可以及时了解观众对直播内容的反应和态度，从而针对直播模式和直播内容进行调整。例如，如果大多数观众对ai模式下的直播内容持开心情绪，可以及时切换ai模式为中之人模式，进一步引导观众购买商品。另一方面，采用情绪识别模型可以快速、精准地对大量弹幕信息进行情绪分析，节省人力成本和时间成本，提高数据处理的效率和准确性。又一方面，基于情绪比例的评分方式更加客观和综合，不仅能够反映观众的整体情绪，还可以揭示出相互矛盾的情绪因素，为运营人员提供更为全面的反馈和参考。
126.在一些实施例中，情绪识别模型的训练过程包括：
127.获取训练集，所述训练集包括多个训练数据，每个所述训练数据包括一个样本弹幕内容以及所述样本弹幕内容对应的情绪标签的标注数据；
128.针对所述训练集中的每个训练数据，执行以下处理：
129.将所述训练数据中的样本弹幕内容输入预设的深度学习模型，以得到所述样本弹幕内容对应的情绪标签的预测数据；
130.基于所述情绪标签的预测数据和标注数据，对所述深度学习模型的模型参数进行更新；
131.检测是否满足预设的训练结束条件；如果是，则将训练出的所述深度学习模型作为所述情绪识别模型；如果否，则利用下一个所述训练数据继续训练所述深度学习模型。
132.由此，通过设计，建立适量的神经元计算节点和多层运算层次结构，选择合适的输入层和输出层，就可以得到预设的深度学习模型，通过该深度学习模型的学习和调优，建立起从输入到输出的函数关系，虽然不能100％找到输入与输出的函数关系，但是可以尽可能地逼近现实的关联关系，由此训练得到的情绪识别模型，可以基于弹幕内容获取对应的情绪标签，适用范围广，且计算结果准确性高、可靠性高。
133.在本技术的一些实施例中，本技术可以训练得到情绪识别模型。
134.在本技术的另一些实施例中，本技术可以采用预先训练好的情绪识别模型。
135.在本实施例中，预设的深度学习模型可以是卷积神经网络模型，也可以是循环神经网络模型，此处不对预设的深度学习模型的实现方式作限定。
136.本技术对情绪识别模型的训练过程不作限定，其例如可以采用上述监督学习的训练方式，或者可以采用半监督学习的训练方式，或者可以采用无监督学习的训练方式。
137.本技术对预设的训练结束条件不作限定，其例如可以是训练次数达到预设次数(预设次数例如是1次、3次、10次、100次、1000次、10000次等)，或者可以是训练集中的训练数据都完成一次或多次训练，或者可以是本次训练得到的总损失值不大于预设损失值。
138.由此，通过情绪识别模型对弹幕内容进行预测，得到的情绪标签较为准确，且处理速度较快，大大提高了配置人员的工作效率和体验。
139.参见图5，图5是本技术实施例提供的一种确定预设情绪评分的流程示意图。
140.在一些实施例中，所述预设情绪评分的获取步骤包括：
141.步骤s501：获取所述直播间的实时成交数据；
142.步骤s502：基于所述实时成交数据和预设的评分调整策略，确定所述预设情绪评分。
143.本技术实施例中，实时成交数据包括商品名称、规格、价格、商品销售数量、购买方、付款方式、订单金额、配送方式、配送时间、收货地址和联系方式等。
144.本技术实施例中，评分调整策略包括实时成交数据和预设情绪评分之间的对应关系。
145.作为一个示例，若实时成交数据较高，则相应地调低预设情绪评分，以便尽快切换中之人模式，由中之人接管直播间，从而更好地引导观众购买，提高观众满意度。
146.由此，基于获取直播间的实时成交数据，结合预设的评分调整策略，来确定预设情绪评分。例如，目标是提高商品销售额，可以将预设情绪评分与销售额相关的指标挂钩，如转化率、订单量等。一方面，获取直播间的实时成交数据，分析处理得出预设情绪评分，从而更准确地判断是否切换直播模式。另一方面，结合预设的评分调整策略，可以有效地调整预设情绪评分，并在一定程度上预测未来的观众情绪和行为，从而更好地引导直播内容和互
动模式。
147.在一些实施例中，所述弹幕获取策略包括弹幕获取数量；
148.所述基于弹幕获取策略，获取直播弹幕信息，包括：
149.基于所述弹幕获取数量，获取所述直播弹幕信息。
150.其中，弹幕获取数量用于指示获取弹幕信息的数量。
151.本技术一些实施例中，弹幕获取数量可以是1条、2条、5条、10条、20条、40条、80条、200条、300条、500条、1000条、2000条、5000条和10000条等，此处对弹幕获取数量不作限定。
152.本技术另一些实施例中，弹幕获取数量可以是1条每分钟、2条每分钟、5条每分钟、10条每分钟、20条每分钟、40条每分钟、80条每分钟、200条每分钟、300条每分钟、500条每分钟、1000条每分钟、2000条每分钟、5000条每分钟和10000条每分钟，此处对弹幕获取数量不作限定。
153.由此，基于弹幕获取策略获取直播弹幕信息。弹幕获取策略包括弹幕获取数量，例如，可以设置每分钟获取多少条弹幕信息，或者根据观众人数和活跃度等指标来调整获取弹幕的数量和速率。一方面，可以实时获取直播弹幕信息，提高了直播过程中对观众情绪和反应的感知能力。另一方面，基于弹幕获取策略，可以灵活地控制获取弹幕的数量和速率，从而更好地适应不同的直播场景和观众群体。又一方面，分析和处理直播弹幕信息，可以更好地了解观众的兴趣和需求，进而调整直播内容和互动方式。又一方面，可以通过对获取到的弹幕信息进情绪分析处理，实现对直播情绪的自动化判断和反馈，增强直播互动的实时性和效果。
154.在一些实施例中，所述弹幕获取策略包括实时观众数量与弹幕获取数量之间的对应关系，
155.所述基于所述弹幕获取数量，获取所述直播弹幕信息，包括：
156.获取所述直播间的实时观众数量；
157.基于所述实时观众数量和所述对应关系，调整所述弹幕获取数量。
158.其中，直播间的实时观众数量是指当前正在观看该直播间直播内容的观众数量。在直播过程中，这个数字会不断变化，因为新的观众会不断进入直播间，而旧的观众会随时离开。
159.本技术实施例中，实时观众数量与弹幕获取数量之间的对应关系可以是1比1、2比1、3比1、5比1、10比1、20比1、50比1、100比1、500比1和1000比1等，此处对实时观众数量与弹幕获取数量之间的对应关系不作限定。其中，1比1是指实时观众数量与弹幕获取数量相等，2比1是指实时观众数量是弹幕获取数量的两部，其他对应关系以此类推，此处不再赘述。
160.由此，基于实时观众数量和弹幕获取数量之间的对应关系，调整弹幕获取数量，以实现更好地获取直播弹幕信息。其中，弹幕获取策略包括弹幕获取数量和实时观众数量之间的对应关系。例如，可以根据实时观众数量设置每分钟获取多少条弹幕等。根据实时观众数量和弹幕获取策略中的对应关系，调整弹幕获取数量。若实时观众数量较多，可适当增加弹幕获取数量，以保证信息获取的充分性。若实时观众数量较少，可适当减少弹幕获取数量。一方面，可以根据实时观众数量和弹幕获取策略中的对应关系，准确地调整弹幕获取数量，使得直播弹幕信息获取更为充分有效。另一方面，对实时观众数量进行分析，可以较为准确地了解观众群体特点和特征，有利于精准营销和观众管理。
161.在一些实施例中，所述弹幕获取策略包括弹幕获取时间范围和观众获取范围；
162.所述基于弹幕获取策略，获取直播弹幕信息，包括：
163.基于所述弹幕获取时间范围和所述观众获取范围，获取所述直播弹幕信息。
164.其中，弹幕获取时间范围用于指示获取弹幕信息的时间范围。
165.作为一个示例，若运营人员设置弹幕获取时间范围为“过去5分钟”，则会在过去5分钟内的弹幕信息中获取直播弹幕信息。若运营人员设置弹幕获取时间范围为“整场直播”，则会在整场直播中的所有的弹幕信息中获取直播弹幕信息。
166.本技术实施例中，观众获取范围用于指示获取弹幕信息的观众范围。
167.作为一个示例，若观众范围包括直播间粉丝、游客、排行榜观众和直播平台vip用户等，则观众获取范围可以是直播间粉丝、排行榜观众和直播平台vip用户，也就是说，通过观众获取范围可以从观众范围这个因素限制获取直播弹幕信息的范围。
168.作为另一个示例，观众获取范围可以限制获取单个观众所发送的弹幕信息的数量，其例如可以是1条、2条、3条、5条和10条等。当观众获取范围设置为获取单个观众所发送的弹幕信息的数量为1条时，若一个观众发送了10条弹幕信息，通过观众获取范围限制，在获取直播弹幕信息时，仅获取该观众的其中1条弹幕信息。
169.由此，根据设定的弹幕获取时间范围，筛选出在弹幕获取时间范围对应的时间段内发送的弹幕。根据设定的观众获取范围，限定参与直播的观众，从而过滤掉相同观众发送的重复弹幕。结合弹幕获取时间范围和观众获取范围，获取符合条件的直播弹幕信息。一方面，通过弹幕获取时间范围和观众获取范围，可以筛选出符合条件的直播弹幕信息，提高了弹幕获取的精准度。另一方面，通过观众获取范围的限制，可以去除相同观众发送的重复信息，从而避免了大量相同信息的干扰，使弹幕信息更加清晰。进而可以大大减少需处理的弹幕数量，提高了数据处理的效率。
170.在一些实施例中，所述观众获取范围包括观众唯一标识；
171.所述基于弹幕获取策略，获取直播弹幕信息，还包括：
172.基于所述观众唯一标识对所述直播弹幕信息进行去重，以得到去重后的直播弹幕信息。
173.作为一个示例，通过观众唯一标识进行去重，可以将相同观众发送的弹幕视为同一条弹幕进行处理。在获取直播弹幕信息时，对每个弹幕的观众唯一标识进行记录，并在返回弹幕信息结果前，对同一观众标识发送的弹幕信息进行去重操作，从而确保同一观众只会被计算一次。
174.由此，通过使用观众唯一标识进行去重，一方面，相同观众发送的弹幕会被去重处理，减少了计算重复的弹幕数量，使得数据更加准确。另一方面，通过观众唯一标识进行去重后，可以更精确地统计出不同观众发送的弹幕数、弹幕数量变化趋势等，从而更好地了解观众的互动行为和反馈。
175.参见图6，图6是本技术实施例提供的一种确定预设情绪评分的流程示意图。
176.在一些实施例中，所述直播弹幕信息包括至少一条弹幕信息和每条所述弹幕信息对应的弹幕发送人；
177.所述直播模式切换方法还包括：
178.步骤s601：获取每个所述弹幕发送人对应的历史成交数据；
179.步骤s602：基于所述直播弹幕信息和每个所述弹幕发送人对应的历史成交数据，建立每个所述弹幕发送人对应的商品推荐模型；
180.步骤s603：在当前直播模式从ai模式切换为中之人模式时，基于每个所述弹幕发送人对应的商品推荐模型，生成每个所述弹幕发送人对应的推荐商品和推荐脚本；
181.步骤s604：响应针对其中一个所述弹幕发送人的选择操作，显示与被选择的弹幕发送人对应的推荐商品和推荐脚本；或，
182.基于所有的所述推荐商品，生成每个所述推荐商品的讲解顺序。
183.本技术实施例中，历史成交数据可以是该弹幕发送人在该直播间内的历史购买记录，也可以是该弹幕发送人在直播平台内的历史购买记录，此处对于历史成交数据不作限定。
184.本技术实施例中，商品推荐模型可以是基于卷积神经网络模型训练得到的，也可以是基于循环神经网络模型训练得到的，此处对商品推荐模型的实现方式不作限定。商品推荐模型的训练方式与情绪识别模型的训练方式类似，此处不再赘述。
185.作为一个示例，在一个美妆直播间内，观众们在弹幕里留言询问关于化妆品的问题。通过收集观众的历史成交数据，获取每个观众在该直播平台内的购买记录和行为记录或在该直播间内的购买记录和行为记录。例如，弹幕发送人a曾经在该直播平台上购买过护肤品，并经常在直播间内互动。弹幕发送人b是新用户，在该直播平台内还没有购买行为。此时，根据弹幕发送人a和弹幕发送人b的历史成交数据建立商品推荐模型。基于已有的商品推荐模型，当直播模式从ai模式切换为中之人模式时，根据弹幕发送人a和弹幕发送人b的商品推荐模型生成个性化的推荐商品和对应的推荐脚本。运营人员或中之人可以选择弹幕发送人a或弹幕发送人b，从而在其交互设备的显示界面上显示弹幕发送人a或弹幕发送人b对应的推荐商品和推荐脚本。对于弹幕发送人a而言，可以推荐与其历史购买记录相关的护肤品，并选择与其好评较高的品牌进行推荐。对于弹幕发送人b而言，则可以推荐最热门的美妆产品，同时可以提醒其在直播间内积极参与互动，了解更多产品信息。由于直播间内每个弹幕发送人对应的推荐商品可能不同，因此基于所有的推荐商品，生成每个推荐商品的讲解顺序，例如有20个弹幕发送人对应的推荐商品为洗发水，10个弹幕发送人对应的推荐商品为洗面奶，则表示对于洗发水的期望程度更高，从而优先讲解洗发水，然后再讲解洗面奶。
186.由此，获取每个弹幕发送人的历史成交数据，比如购买记录、关注的商品等。基于直播弹幕信息和历史成交数据，可以建立每个弹幕发送人的商品推荐模型，该商品推荐模型可以包括该弹幕发送人的兴趣、购买习惯、购买能力等特征，可以用于预测该弹幕发送人的推荐商品等。当直播模式从ai模式切换为中之人模式时，可以根据弹幕发送人的商品推荐模型，生成对应的个性化的推荐商品和推荐脚本，以提高购买转化率和用户满意度。当中之人或运营人员选择其中一个弹幕发送人时，可以显示与该弹幕发送人对应的推荐商品和推荐脚本，从而中之人可以使用推荐脚本介绍推荐商品，提高该弹幕发送人购买欲望，同时提高了该弹幕发送人的满意度。基于所有的推荐商品，生成推荐商品讲解顺序，例如，可以依据推荐商品的出现次数确定推荐商品的期望程度，出现次数越多，期望程度越高，并基于期望程度生成推荐商品讲解顺序，优先介绍所有弹幕发送人期望程度越高的推荐商品可以提高直播效果，增加用户观看时长和购买行为。
187.在一些实施例中，所述基于所有的所述推荐商品，生成每个所述推荐商品的讲解顺序，包括：
188.对所有的所述推荐商品进行聚类操作，以将相同或相似的推荐商品划分为同一类别；
189.基于每个所述推荐商品的推荐次数，确定每个所述类别中的推荐商品的讲解顺序，
190.基于每个所述类别中的推荐商品的数量，确定每个所述类别的讲解顺序；
191.基于每个所述类别的讲解顺序和每个所述类别中的推荐商品的讲解顺序，确定所有的所述推荐商品的讲解顺序。
192.其中，推荐商品的推荐次数用于反应该推荐商品的受欢迎程度和推荐效果。其可以是本次直播间推荐商品的推荐次数，也可以是该推荐商品的历史的推荐次数，此处对推荐商品的推荐次数不作限定。
193.作为一个示例，在一场直播中，弹幕发送人有30人。根据步骤s601和步骤s602，可以获取了每个弹幕发送人的历史成交数据，以及建立了每个弹幕发送人的商品推荐模型。此时直播由ai模式切换为中之人模式，进入步骤s603。根据每个弹幕发送人的商品推荐模型，我们可以分析其兴趣偏好和购买倾向，从而为其推荐不同的推荐商品。若存在10名弹幕发送人对应的推荐商品被划分为运动装备类，5名弹幕发送人对应的推荐商品被划分为美妆护肤类，15名弹幕发送人对应的推荐商品被划分为电子产品类，由此基于每个类别中的推荐商品的数量，确定优先讲解电子产品类，其次讲解运动装备类，最后讲解美妆护肤类。再基于每个类别中推荐商品的推荐次数，确定每个类别中的推荐商品的讲解顺序。若电子产品类，有10名弹幕发送人对应的推荐商品是数码相机，有3名弹幕发送人对应的推荐商品是苹果手机，有2名弹幕发送人对应的推荐商品是电子手表，则优先讲解数码相机，其次讲解苹果手机，最后讲解电子手表。依次类推，最终得到所有推荐商品的讲解顺序。
194.由此，集中讲解一个类别的商品，一方面，可以把相关的推荐商品放在一起讲解，建立一个逻辑清晰的介绍框架，避免介绍过程中出现跨度过大、内容难以串联的情况，同时也能够让观众更好地理解和记忆推荐商品的信息。另一方面，可以让观众有更加明确的购买需求和方向，从而提高购买率。当观众看到多种品类的商品被混在一起展示时，容易产生选择困难，从而导致购买意愿下降，甚至可能导致离开直播间。又一方面，若中之人集中讲解一个类别的商品，那么可能会有更多的观众跟随并参与到直播过程中，发表自己的看法或提出问题。从而增加观众的互动性，还可以为商品的介绍增加更多的细节和情感色彩，从而引起更多观众的共鸣和购买欲望。
195.在一个具体应用场景中，本技术实施例还提供了一种基于观众情绪的直播模式切换方法，所述直播模式包括a模式和中之人模式，所述直播模式切换方法包括：
196.检测直播间的当前直播模式是否为ai模式；
197.若是，则获取所述直播间的实时观众数量；
198.基于所述实时观众数量和实时观众数量与弹幕获取数量之间的对应关系，调整弹幕获取数量；
199.基于弹幕获取数量，获取所述直播弹幕信息；所述直播弹幕信息包括至少一条弹幕信息和每条所述弹幕信息对应的弹幕内容；
200.基于预设的一个或多个关键词和每条所述弹幕信息对应的弹幕内容，确定每条所述弹幕信息对应的个体情绪评分；
201.基于所有的所述个体情绪评分，确定所述观众情绪评分；
202.当所述观众情绪评分大于预设情绪评分时，发送提示信息，以提示中之人到位；
203.在检测到所述中之人到位的情况下，将当前直播模式从ai模式切换为中之人模式，以供中之人进行直播。
204.(基于观众情绪的直播模式切换装置)
205.参见图7，图7是本技术实施例提供的一种直播模式切换装置的结构示意图。
206.本实施例可适用于对直播模式进行切换的情况，具体的，本实施例对直播模式切换方法的应用场景不作限定，凡是涉及到通过对直播弹幕信息进行情绪分析，进而对直播模式进行切换的应用场景均可适用。
207.本技术实施例提供了一种基于观众情绪的直播模式切换装置，所述直播模式切换装置包括：
208.模式检测模块，用于检测当前直播模式是否为ai模式；
209.弹幕获取模块，用于在所述当前直播模式为ai模式时，基于弹幕获取策略，获取直播弹幕信息；
210.模式切换模块，用于基于所述直播弹幕信息，将所述当前直播模式切换中之人模式，以供中之人进行直播。
211.在一些实施例中，所述直播弹幕信息包括至少一条弹幕信息和每条所述弹幕信息对应的弹幕内容；模式切换模块，包括：
212.情绪评分单元，用于基于每条所述弹幕信息对应的弹幕内容，确定观众情绪评分；
213.信息提示单元，用于当所述观众情绪评分大于预设情绪评分时，发送提示信息，以提示中之人到位；
214.中之人切换单元，用于在检测到所述中之人到位的情况下，将当前直播模式从ai模式切换为中之人模式。
215.在一些实施例中，情绪评分单元，包括：
216.第一评分单元，用于基于预设的一个或多个关键词和每条所述弹幕信息对应的弹幕内容，确定每条所述弹幕信息对应的个体情绪评分；
217.第一计算单元，用于基于所有的所述个体情绪评分，确定所述观众情绪评分。
218.在一些实施例中，情绪评分单元，还包括：
219.情绪检测单元，用于将每条所述弹幕信息对应的弹幕内容输入至情绪识别模型中，以得到每条所述弹幕信息对应的情绪标签；
220.第二评分单元，用于基于每条所述弹幕信息对应的情绪标签，确定情绪比例；所述情绪比例包括每种情绪占所有情绪的比例；
221.第二计算单元，用于基于其中一个或多个所述情绪比例，确定观众情绪评分。
222.在一些实施例中，信息提示单元，包括：
223.实时成交数据获取单元，用于获取所述直播间的实时成交数据；
224.预设情绪确定单元，用于基于所述实时成交数据和预设的评分调整策略，确定所述预设情绪评分。
225.在一些实施例中，所述弹幕获取策略包括弹幕获取数量；弹幕获取模块，包括：
226.第一获取单元，用于基于所述弹幕获取数量，获取所述直播弹幕信息。
227.在一些实施例中，所述弹幕获取策略包括实时观众数量与弹幕获取数量之间的对应关系，第一获取单元，包括：
228.实时观众获取子单元，用于获取所述直播间的实时观众数量；
229.获取数量调整子单元，用于基于所述实时观众数量和所述对应关系，调整所述弹幕获取数量。
230.在一些实施例中，所述弹幕获取策略包括弹幕获取时间范围和观众获取范围；弹幕获取模块，还包括：
231.第二获取单元，用于基于所述弹幕获取时间范围和所述观众获取范围，获取所述直播弹幕信息。
232.在一些实施例中，所述直播弹幕信息包括至少一条弹幕信息和每条所述弹幕信息对应的弹幕发送人；所述直播模式切换装置，还包括：
233.历史获取模块，用于获取每个所述弹幕发送人对应的历史成交数据；
234.模型建立模块，用于基于所述直播弹幕信息和每个所述弹幕发送人对应的历史成交数据，建立每个所述弹幕发送人对应的商品推荐模型；
235.推荐生成模块，用于在当前直播模式从ai模式切换为中之人模式时，基于每个所述弹幕发送人对应的商品推荐模型，生成每个所述弹幕发送人对应的推荐商品和推荐脚本；
236.推荐功能模块，用于响应针对其中一个所述弹幕发送人的选择操作，显示与被选择的弹幕发送人对应的推荐商品和推荐脚本；或，基于所有的所述推荐商品，生成每个所述推荐商品的讲解顺序。
237.(电子设备)
238.本技术实施例还提供了一种电子设备，其具体实施例与上述方法实施例中记载的实施例、所达到的技术效果一致，部分内容不再赘述。
239.所述电子设备包括存储器和至少一个处理器，所述存储器存储有计算机程序，所述至少一个处理器被配置成执行所述计算机程序时实现以下步骤：
240.检测直播间的当前直播模式是否为ai模式；
241.若是，则基于弹幕获取策略，获取直播弹幕信息；
242.基于所述直播弹幕信息，将当前直播模式从ai模式切换为中之人模式，以供中之人进行直播。
243.在一些实施例中，所述直播弹幕信息包括至少一条弹幕信息和每条所述弹幕信息对应的弹幕内容；
244.所述至少一个处理器还被配置成执行所述计算机程序时采用以下方式基于所述直播弹幕信息，将所述当前直播模式切换中之人模式：
245.基于每条所述弹幕信息对应的弹幕内容，确定观众情绪评分；
246.当所述观众情绪评分大于预设情绪评分时，发送提示信息，以提示中之人到位；
247.在检测到所述中之人到位的情况下，将当前直播模式从ai模式切换为中之人模式。
248.在一些实施例中，所述至少一个处理器还被配置成执行所述计算机程序时采用以下方式基于每条所述弹幕信息对应的弹幕内容，确定观众情绪评分：
249.基于预设的一个或多个关键词和每条所述弹幕信息对应的弹幕内容，确定每条所述弹幕信息对应的个体情绪评分；
250.基于所有的所述个体情绪评分，确定所述观众情绪评分。
251.在一些实施例中，所述至少一个处理器还被配置成执行所述计算机程序时采用以下方式基于每条所述弹幕信息对应的弹幕内容，确定观众情绪评分：
252.将每条所述弹幕信息对应的弹幕内容输入至情绪识别模型中，以得到每条所述弹幕信息对应的情绪标签；
253.基于每条所述弹幕信息对应的情绪标签，确定情绪比例；所述情绪比例包括每种情绪占所有情绪的比例；
254.基于其中一个或多个所述情绪比例，确定观众情绪评分。
255.在一些实施例中，所述至少一个处理器还被配置成执行所述计算机程序时采用以下方式获取所述预设情绪评分：
256.获取所述直播间的实时成交数据；
257.基于所述实时成交数据和预设的评分调整策略，确定所述预设情绪评分。
258.在一些实施例中，所述弹幕获取策略包括弹幕获取数量；
259.所述至少一个处理器还被配置成执行所述计算机程序时采用以下方式基于弹幕获取策略，获取直播弹幕信息：
260.基于所述弹幕获取数量，获取所述直播弹幕信息。
261.在一些实施例中，所述弹幕获取策略包括实时观众数量与弹幕获取数量之间的对应关系，所述至少一个处理器还被配置成执行所述计算机程序时采用以下方式基于所述弹幕获取数量，获取所述直播弹幕信息：
262.获取所述直播间的实时观众数量；
263.基于所述实时观众数量和所述对应关系，调整所述弹幕获取数量。
264.在一些实施例中，所述弹幕获取策略包括弹幕获取时间范围和观众获取范围；所述至少一个处理器还被配置成执行所述计算机程序时采用以下方式基于弹幕获取策略，获取直播弹幕信息：
265.基于所述弹幕获取时间范围和所述观众获取范围，获取所述直播弹幕信息。
266.在一些实施例中，所述直播弹幕信息包括至少一条弹幕信息和每条所述弹幕信息对应的弹幕发送人；所述至少一个处理器被配置成执行所述计算机程序时实现以下步骤：
267.获取每个所述弹幕发送人对应的历史成交数据；
268.基于所述直播弹幕信息和每个所述弹幕发送人对应的历史成交数据，建立每个所述弹幕发送人对应的商品推荐模型；
269.在当前直播模式从ai模式切换为中之人模式时，基于每个所述弹幕发送人对应的商品推荐模型，生成每个所述弹幕发送人对应的推荐商品和推荐脚本；
270.响应针对其中一个所述弹幕发送人的选择操作，显示与被选择的弹幕发送人对应的推荐商品和推荐脚本；或，
271.基于所有的所述推荐商品，生成每个所述推荐商品的讲解顺序。
272.参见图8，图8是本技术实施例提供的一种电子设备10的结构框图。
273.电子设备10例如可以包括至少一个存储器11、至少一个处理器12以及连接不同平台系统的总线13。
274.存储器11可以包括易失性存储器形式的可读介质，例如随机存取存储器(ram)111和/或高速缓存存储器112，还可以进一步包括只读存储器(rom)113。
275.其中，存储器11还存储有计算机程序，计算机程序可以被处理器12执行，使得处理器12实现上述任一项方法的步骤。
276.存储器11还可以包括具有至少一个程序模块115的实用工具114，这样的程序模块115包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例的每一个或某种组合中可能包括网络环境的实现。
277.相应的，处理器12可以执行上述计算机程序，以及可以执行实用工具114。
278.处理器12可以采用一个或多个应用专用集成电路(asic，application specific integrated circui t)、dsp、可编程逻辑器件(pld，programmable logic device)、复杂可编程逻辑器件(cpld，complex programmable logic device)、现场可编程门阵列(fpga，field-programmable gate array)或其他电子元件。
279.总线13可以为表示几类总线结构的一种或多种，包括存储器总线或者存储器控制器、外围总线、图形加速端口、处理器或者使用多种总线结构的任意总线结构的局域总线。
280.电子设备10也可以与一个或多个外部设备例如键盘、指向设备、蓝牙设备等通信，还可与一个或者多个能够与该电子设备10交互的设备通信，和/或与使得该电子设备10能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等)通信。这种通信可以通过输入输出接口14进行。并且，电子设备10还可以通过网络适配器15与一个或者多个网络(例如局域网(lan)，广域网(wan)和/或公共网络，例如因特网)通信。网络适配器15可以通过总线13与电子设备10的其它模块通信。应当明白，尽管图中未示出，但在实际应用中可以结合电子设备10使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、raid系统、磁带驱动器以及数据备份存储平台等。
281.(计算机可读存储介质)
282.本技术实施例还提供了一种计算机可读存储介质，其具体实施例与上述方法实施例中记载的实施例、所达到的技术效果一致，部分内容不再赘述。
283.所述计算机可读存储介质存储有计算机程序，所述计算机程序被至少一个处理器执行时实现上述任一项方法的步骤或者实现上述任一项电子设备的功能。
284.参见图9，图9是本技术实施例提供的一种程序产品的结构示意图。
285.所述程序产品用于实现上述任一项方法的步骤或者实现上述任一项电子设备的功能。程序产品可以采用便携式紧凑盘只读存储器(cd-rom)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本发明的程序产品不限于此，在本技术实施例中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存
储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(epr om或闪存)、光纤、便携式紧凑盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。
286.计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、rf等，或者上述的任意合适的组合。可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，程序设计语言包括面向对象的程序设计语言诸如java、c++等，还包括常规的过程式程序设计语言诸如c语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(lan)或广域网(wan)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
287.本技术从使用目的上，效能上，进步及新颖性等观点进行阐述，已符合专利法所强调的功能增进及使用要件，本技术以上的说明书及说明书附图，仅为本技术的较佳实施例而已，并非以此局限本技术，因此，凡一切与本技术构造，装置，特征等近似、雷同的，即凡依本技术专利申请范围所作的等同替换或修饰等，皆应属本技术的专利申请保护的范围之内。

技术特征：
1.一种基于观众情绪的直播模式切换方法，所述直播模式包括a模式和中之人模式，其特征在于，所述直播模式切换方法包括：检测直播间的当前直播模式是否为ai模式；若是，则基于弹幕获取策略，获取直播弹幕信息；基于所述直播弹幕信息，将当前直播模式从ai模式切换为中之人模式，以供中之人进行直播。2.根据权利要求1所述的直播模式切换方法，其特征在于，所述直播弹幕信息包括至少一条弹幕信息和每条所述弹幕信息对应的弹幕内容；所述基于所述直播弹幕信息，将所述当前直播模式切换中之人模式，包括：基于每条所述弹幕信息对应的弹幕内容，确定观众情绪评分；当所述观众情绪评分大于预设情绪评分时，发送提示信息，以提示中之人到位；在检测到所述中之人到位的情况下，将当前直播模式从ai模式切换为中之人模式。3.根据权利要求2所述的直播模式切换方法，其特征在于，所述基于每条所述弹幕信息对应的弹幕内容，确定观众情绪评分，包括：基于预设的一个或多个关键词和每条所述弹幕信息对应的弹幕内容，确定每条所述弹幕信息对应的个体情绪评分；基于所有的所述个体情绪评分，确定所述观众情绪评分。4.根据权利要求2所述的直播模式切换方法，其特征在于，所述基于每条所述弹幕信息对应的弹幕内容，确定观众情绪评分，包括：将每条所述弹幕信息对应的弹幕内容输入至情绪识别模型中，以得到每条所述弹幕信息对应的情绪标签；基于每条所述弹幕信息对应的情绪标签，确定情绪比例；所述情绪比例包括每种情绪占所有情绪的比例；基于其中一个或多个所述情绪比例，确定观众情绪评分。5.根据权利要求2所述的直播模式切换方法，其特征在于，所述预设情绪评分的获取步骤包括：获取所述直播间的实时成交数据；基于所述实时成交数据和预设的评分调整策略，确定所述预设情绪评分。6.根据权利要求1至5任一项所述的直播模式切换方法，其特征在于，所述弹幕获取策略包括弹幕获取数量；所述基于弹幕获取策略，获取直播弹幕信息，包括：基于所述弹幕获取数量，获取所述直播弹幕信息。7.根据权利要求6所述的直播模式切换方法，其特征在于，所述弹幕获取策略包括实时观众数量与弹幕获取数量之间的对应关系，所述基于所述弹幕获取数量，获取所述直播弹幕信息，包括：获取所述直播间的实时观众数量；基于所述实时观众数量和所述对应关系，调整所述弹幕获取数量。8.根据权利要求1的直播模式切换方法，其特征在于，所述弹幕获取策略包括弹幕获取时间范围和观众获取范围；
所述基于弹幕获取策略，获取直播弹幕信息，包括：基于所述弹幕获取时间范围和所述观众获取范围，获取所述直播弹幕信息。9.根据权利要求1的直播模式切换方法，其特征在于，所述直播弹幕信息包括至少一条弹幕信息和每条所述弹幕信息对应的弹幕发送人；所述直播模式切换方法还包括：获取每个所述弹幕发送人对应的历史成交数据；基于所述直播弹幕信息和每个所述弹幕发送人对应的历史成交数据，建立每个所述弹幕发送人对应的商品推荐模型；在当前直播模式从ai模式切换为中之人模式时，基于每个所述弹幕发送人对应的商品推荐模型，生成每个所述弹幕发送人对应的推荐商品和推荐脚本；响应针对其中一个所述弹幕发送人的选择操作，显示与被选择的弹幕发送人对应的推荐商品和推荐脚本；或，基于所有的所述推荐商品，生成每个所述推荐商品的讲解顺序。10.一种直播模式切换装置，其特征在于，所述直播模式切换装置包括：模式检测模块，用于检测当前直播模式是否为ai模式；弹幕获取模块，用于在所述当前直播模式为ai模式时，基于弹幕获取策略，获取直播弹幕信息；模式切换模块，用于基于所述直播弹幕信息，将所述当前直播模式切换中之人模式，以供中之人进行直播。11.一种电子设备，所述电子设备包括存储器和至少一个处理器，所述存储器存储有计算机程序，所述至少一个处理器执行所述计算机程序时实现以下步骤：检测直播间的当前直播模式是否为ai模式；若是，则基于弹幕获取策略，获取直播弹幕信息；基于所述直播弹幕信息，将当前直播模式从ai模式切换为中之人模式，以供中之人进行直播。12.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-9任一项所述方法的步骤。

技术总结
本申请提供了基于观众情绪的直播模式切换方法及相关装置，所述直播模式包括AI模式和中之人模式，所述直播模式切换方法包括：检测直播间的当前直播模式是否为AI模式；若是，则基于弹幕获取策略，获取直播弹幕信息；基于所述直播弹幕信息，将当前直播模式从AI模式切换为中之人模式，以供中之人进行直播。能够很好地满足针对虚拟对象直播的客户需求，通过实时了解观众情绪和需求，及时做出调整，切换中之人模式，由中之人提高直播的互动性，让观众更加投入和参与。加投入和参与。加投入和参与。


技术研发人员：柴金详 谭宏冰 王斌 栾欣洋 李熹昊
受保护的技术使用者：上海墨舞科技有限公司
技术研发日：2023.05.29
技术公布日：2023/9/5