构建数字人画像的方法、装置及机器可读存储介质与流程

1.本技术涉及安全驾驶件技术领域，具体涉及一种构建数字人画像的方法、装置及机器可读存储介质。


背景技术：

2.随着生活水平的不断提高，越来越多的家庭都拥有自己的私家车，每一辆小汽车往往都是代表着一个家庭，汽车的安全性显得尤为重要，研究表明，当车内有家人时，驾驶人往往会更加小心驾驶，因此，在驾驶人一个人独自驾驶的时候，模拟车内有家人陪同驾驶，将会使驾驶人有更加谨慎的心态。在现有的人机交互安全驾驶领域，采用考虑驾驶员情绪和驾驶倾向性的汽车行驶安全预警方法。在车辆运行过程中能够实时监控驾驶员的情绪变化以及驾驶车辆的行驶状态；当驾驶员出现愤怒情绪会出现预警提示，当车辆的行驶状态超过正常行驶状态阈值时会出现报警提示。但是，该方法是通过预警和报警提示减少驾驶员不正当操作，但往往实际生活中情绪烦躁时，不仅不能有效缓解驾驶员情绪，可能会使得驾驶员的情绪更加烦躁。因此，传统的基础方案存在在驾驶员独自驾驶时，对驾驶员的安全提示效果不佳的问题。


技术实现要素：

3.本技术实施例的目的是提供一种构建数字人画像的方法、装置及机器可读存储介质，用以解决现有技术中在驾驶员独自驾驶时，对驾驶员的安全提示效果不佳的问题。
4.为了实现上述目的，本技术第一方面提供一种构建数字人画像的方法，包括：
5.获取目标用户的自然语言集合；
6.根据自然语言集合确定标签数据库，并获取标签规则库；
7.根据标签数据库和标签规则库，分别确定标签数据库的每种标签对应的多个目标属性的行为分值；
8.分别判断每个目标属性的行为分值是否大于与每个目标属性的行为分值所对应的目标阈值；
9.将行为分值大于目标阈值的目标属性确定为用户属性；
10.根据用户属性确定目标用户对应的数字人画像。
11.在本技术实施例中，该方法还包括：
12.获取关联存储的标识信息；
13.根据关联存储的标识信息调整数字人推送指令的比重；
14.在满足预设条件的情况下，根据数字人推送指令的比重调用数字人画像以进行数字人陪同驾驶。
15.在本技术实施例中，根据自然语言集合确定标签数据库包括：
16.根据语音降噪算法对自然语言集合进行滤波降噪，以得到降噪后的自然语言集合；
17.对降噪后的自然语言集合提取关键词，以得到多个初始特征标签；
18.分别对每个初始特征标签赋予初始分值和初始加权值，以得到多个目标特征标签；
19.根据多个目标特征标签确定标签数据库。
20.在本技术实施例中，根据语音降噪算法对自然语言集合进行滤波降噪，以得到多个降噪后的自然语言集合包括：
21.根据自然语言集合获取多个语音帧；
22.通过端点检测分别将多个语音帧分为多个静音帧和多个语音帧；
23.分别根据每个静音帧当前帧的功率谱值确定噪声功率谱估计值；
24.分别根据每个语音帧确定语音噪声功率谱估计值；
25.分别根据语音噪声功率谱估计值与噪声功率谱估计值确定多个降噪后的语音功率谱；
26.根据多个降噪后的语音功率谱确定多个降噪后的语音帧；
27.根据多个降噪后的语音帧确定多个降噪后的自然语言集合。
28.在本技术实施例中，根据标签数据库和标签规则库，分别确定标签数据库的每种标签对应的多个目标属性的行为分值包括：
29.获取标签规则库中的推导规则；
30.获取标签数据库中的多个目标特征标签；
31.根据推导规则，分别对多个目标特征标签进行推导，以得到多个目标属性；
32.分别确定每个目标属性的行为分值，以得到多个目标属性的行为分值。
33.在本技术实施例中，目标阈值包括初始阈值和联合行为属性阈值，分别判断每个目标属性的行为分值是否大于与每个目标属性的行为分值所对应的目标阈值包括：
34.分别获取每个目标属性的行为分值所对应的初始阈值；
35.分别判断每个目标属性的行为分值是否大于初始阈值；
36.在目标属性的行为分值大于初始阈值的情况下，将目标属性确定为用户属性；
37.在目标属性的行为分值不大于初始阈值的情况下，根据行为分值和预设行为分值确定联合行为属性阈值；
38.分别判断每个目标属性的行为分值是否大于联合行为属性阈值；
39.在每个目标属性的行为分值大于联合行为阈值的情况下，判定每个目标属性的行为分值是否大于与每个目标属性的行为分值所对应的目标阈值。
40.在本技术实施例中，行为分值满足公式(1)：
[0041][0042]
其中，ii为对应标记为i属性的行为分值，l
i0
为初始分值，ω
i0
为初始加权值，m为标签数量，f为标签使用频率。
[0043]
在本技术实施例中，联合行为属性阈值满足公式(2)：
[0044]
λi＝λ
i-1
[1.3(70-i
i+1
)
2-0.24(70-i
i+1
)+0.9]；
ꢀꢀ
(2)
[0045]
其中，λi为联合行为属性阈值，ii为对应标签为i属性的行为分值，i
i+1
为其他标签为i+1属性的行为分值。
[0046]
本技术第二方面提供一种构建数字人画像的装置，包括：
[0047]
存储器，被配置成存储指令；以及
[0048]
处理器，被配置成从存储器调用指令以及在执行指令时能够实现根据上述的构建数字人画像的方法。
[0049]
本技术第三方面提供一种机器可读存储介质，该机器可读存储介质上存储有指令，该指令用于使得机器执行根据上述的构建数字人画像的方法。
[0050]
本技术的有益效果：
[0051]
(1)本技术通过根据用户的自然语言构建用户的数字人画像，可以提高数字人画像的精确度；
[0052]
(2)本技术通过对目标属性的行为分值设置阈值，并进行判断，可以提高用户属性的准确性；
[0053]
(3)本技术通过构建数字人画像，能够提高驾驶的安全性。
附图说明
[0054]
附图是用来提供对本技术实施例的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本技术实施例，但并不构成对本技术实施例的限制。在附图中：
[0055]
图1示意性示出了根据本技术实施例的一种构建数字人画像的方法的流程图；
[0056]
图2示意性示出了根据本技术一具体实施例的一种人机交互构建用户画像聚类计算方法的流程图；
[0057]
图3示意性示出了根据本技术一具体实施例的一种数字人系统控制的方法的流程图；
[0058]
图4示意性示出了根据本技术实施例的一种构建数字人画像的装置的结构图。
[0059]
其中，410-存储器；420-处理器。
具体实施方式
[0060]
为使本技术实施例的目的、技术方案和优点更加清楚，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，应当理解的是，此处所描述的具体实施方式仅用于说明和解释本技术实施例，并不用于限制本技术实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本技术保护的范围。
[0061]
需要说明，若本技术实施例中有涉及方向性指示(诸如上、下、左、右、前、后
……
)，则该方向性指示仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。
[0062]
另外，若本技术实施例中有涉及“第一”、“第二”等的描述，则该“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结
合不存在，也不在本技术要求的保护范围之内。
[0063]
图1示意性示出了根据本技术实施例的一种构建数字人画像的方法的流程图。如图1所示，本技术实施例提供一种构建数字人画像的方法，该方法可以包括下列步骤：
[0064]
步骤101、获取目标用户的自然语言集合；
[0065]
步骤102、根据自然语言集合确定标签数据库，并获取标签规则库；
[0066]
步骤103、根据标签数据库和标签规则库，分别确定标签数据库的每种标签对应的多个目标属性的行为分值；
[0067]
步骤104、分别判断每个目标属性的行为分值是否大于与每个目标属性的行为分值所对应的目标阈值；
[0068]
步骤105、将行为分值大于目标阈值的目标属性确定为用户属性；
[0069]
步骤106、根据用户属性确定目标用户对应的数字人画像。
[0070]
在本技术实施例中，目标用户指待构建数字人画像的用户。自然语言集合指获取的目标用户的基于自然情景的语句的集合。标签数据库指标签的集合。标签即特征标签，可以从自然语言集合中的每个自然情景语句中提取代表目标用户特征的关键词作为特征标签，全部特征标签的集合构成标签数据库。标签规则库指标签规则的集合，可以包括但不限于推导规则等。行为分值可以指属性的发生的概率值。标签数据库中可以包含多个特征标签，根据标签规则库中的推导规则可以推导出每种标签对应的属性，再分别确定标签数据库的每种标签对应的多个目标属性的行为分值。具体地，可以根据一段时间内为用户打上的每一种标签的数量、使用频率和使用时间、利用推导规则从标签推导出的属性、推导规则的逻辑强度值，确定每一种标签推导出的各种属性的行为分值。同时，每个行为分值都有与其对应的目标阈值，分别判断每个目标属性的行为分值是否大于与每个目标属性的行为分值所对应的目标阈值。在判断后，将行为分值大于目标阈值的目标属性确定为用户属性，用户属性中可以包含多个目标属性。最后，可以根据用户属性构建目标用户所对应的数字人画像。
[0071]
通过上述技术方案，获取目标用户的自然语言集合，根据自然语言集合确定标签数据库，并获取标签规则库。再根据标签数据库和标签规则库，分别确定标签数据库的每种标签对应的多个目标属性的行为分值。在得到行为分值后，分别判断每个目标属性的行为分值是否大于与每个目标属性的行为分值所对应的目标阈值；将行为分值大于目标阈值的目标属性确定为用户属性，最后根据用户属性确定目标用户对应的数字人画像，可以更加精准地构建数字人画像，以提高对驾驶员的安全提示效果。
[0072]
在本技术实施例中，该方法还可以包括：
[0073]
获取关联存储的标识信息；
[0074]
根据关联存储的标识信息调整数字人推送指令的比重；
[0075]
在满足预设条件的情况下，根据数字人推送指令的比重调用数字人画像以进行数字人陪同驾驶。
[0076]
具体地，在构建目标用户的数字人画像时，可以有多个目标用户，即对应。关联存储的标识信息指预先存储的预设标识符信息。可以根据关联存储的表示信息调整数字人推动指令的比重。在满足预设条件的情况下，根据数字人推送指令的比重调用数字人画像以进行数字人陪同驾驶。预设条件指预先设定的推送数字人画像的条件，例如，预设条件可以
为检测到驾驶员说话的分贝超过预设值等。通过按照比重进行推送数字人画像，以进行数字人陪同驾驶，可以提高数字人推送的精确度。
[0077]
在本技术实施例中，根据自然语言集合确定标签数据库可以包括：
[0078]
根据语音降噪算法对自然语言集合进行滤波降噪，以得到降噪后的自然语言集合；
[0079]
对降噪后的自然语言集合提取关键词，以得到多个初始特征标签；
[0080]
分别对每个初始特征标签赋予初始分值和初始加权值，以得到多个目标特征标签；
[0081]
根据多个目标特征标签确定标签数据库。
[0082]
具体地，在得到自然语言集合后，需要对自然语言集合进行处理以得到标签数据库。首先，可以对自然语言算法进行滤波降噪处理，以得到降噪后的自然语言集合。在进行滤波降噪处理时，可以通过语音降噪算法来进行处理。在得到降噪后的自然语言集合后，从降噪后的自然语言集合中提取代表用户特征的关键词作为初始特征标签，以得到多个初始特征标签。并对每个初始特征标签赋予初始分值和初始加权值，以得到多个目标特征标签。目标特征标签指被赋予初始分值和初始加权值后的特征标签。在得到多个目标特征标签后，将全部目标特征标签的集合确定为标签数据库。
[0083]
在本技术实施例中，根据语音降噪算法对自然语言集合进行滤波降噪，以得到多个降噪后的自然语言集合可以包括：
[0084]
根据自然语言集合获取多个语音帧；
[0085]
通过端点检测分别将多个语音帧分为多个静音帧和多个语音帧；
[0086]
分别根据每个静音帧当前帧的功率谱值确定噪声功率谱估计值；
[0087]
分别根据每个语音帧确定语音噪声功率谱估计值；
[0088]
分别根据语音噪声功率谱估计值与噪声功率谱估计值确定多个降噪后的语音功率谱；
[0089]
根据多个降噪后的语音功率谱确定多个降噪后的语音帧；
[0090]
根据多个降噪后的语音帧确定多个降噪后的自然语言集合。
[0091]
具体地，在进行滤波降噪处理时，可以通过语音降噪算法来进行处理。首先根据自然语言集合可以获取多个语音帧。再通过端点检测分别将多个语音帧分为多个静音帧和多个语音帧。对于静音帧，分别根据每个静音帧当前帧的功率谱值确定噪声功率谱估计值；对于语音帧，分别根据每个语音帧确定语音噪声功率谱估计值；再分别根据语音噪声功率谱估计值与噪声功率谱估计值确定多个降噪后的语音功率谱，并根据多个降噪后的语音功率谱确定多个降噪后的语音帧；最后，根据多个降噪后的语音帧确定多个降噪后的自然语言集合。其中，语音噪声功率谱估计值满足公式：
[0092][0093]
其中，i为噪声功率谱能量；阈值λ满足公式
n为噪音信号的帧号；j＝i-5
为转换系数，e为自然常数；π为圆周率；fc为噪音信号的频率；τ(t)＝0.03t2+0.6t+0.1；t为分解尺度，1≤t≤4。通过对自然语言集合进行降噪处理，可以降低干扰，提高属性提取的精确度。
[0094]
在本技术实施例中，根据标签数据库和标签规则库，分别确定标签数据库的每种标签对应的多个目标属性的行为分值可以包括：
[0095]
获取标签规则库中的推导规则；
[0096]
获取标签数据库中的多个目标特征标签；
[0097]
根据推导规则，分别对多个目标特征标签进行推导，以得到多个目标属性；
[0098]
分别确定每个目标属性的行为分值，以得到多个目标属性的行为分值。
[0099]
具体地，根据标签数据库和标签规则库，可以分别确定标签数据库的每种标签对应的多个目标属性的行为分值。首先分别获取标签规则库中的推导规则，和标签数据库中的多个目标特征标签。并根据推导规则，分别对多个目标特征标签进行推导，以得到多个目标属性。再分别确定每个目标属性的行为分值，以得到多个目标属性的行为分值。在确定行为分值时，可以根据一段时间内为用户打上的每一种标签的数量、使用频率和使用时间、推导规则的逻辑强度值，以确定每个目标属性的行为分值。
[0100]
在本技术实施例中，目标阈值包括初始阈值和联合行为属性阈值，分别判断每个目标属性的行为分值是否大于与每个目标属性的行为分值所对应的目标阈值可以包括：
[0101]
分别获取每个目标属性的行为分值所对应的初始阈值；
[0102]
分别判断每个目标属性的行为分值是否大于初始阈值；
[0103]
在目标属性的行为分值大于初始阈值的情况下，将目标属性确定为用户属性；
[0104]
在目标属性的行为分值不大于初始阈值的情况下，根据行为分值和预设行为分值确定联合行为属性阈值；
[0105]
分别判断每个目标属性的行为分值是否大于联合行为属性阈值；
[0106]
在每个目标属性的行为分值大于联合行为阈值的情况下，判定每个目标属性的行为分值大于与每个目标属性的行为分值所对应的目标阈值。
[0107]
具体地，目标阈值包括初始阈值和联合行为属性阈值。其中，初始阈值可以指目标属性的行为分值所对应的阈值。联合行为属性阈值可以指利用某一行为分值连同其他标签下的对应于其中一种属性的行为分值推算出的阈值。首先获取每个目标属性的行为分值所对应的初始阈值，并分别判断每个目标属性的行为分值是否大于初始阈值。在目标属性的行为分值大于初始阈值的情况下，将目标属性确定为用户属性；在目标属性的行为分值不大于初始阈值的情况下，根据行为分值和预设行为分值确定联合行为属性阈值。再分别判断每个目标属性的行为分值是否大于联合行为属性阈值；并在每个目标属性的行为分值大于联合行为阈值的情况下，判定每个目标属性的行为分值大于与每个目标属性的行为分值所对应的目标阈值。通过结合初始阈值和联合行为阈值共同判断，可以提高用户属性确定的精确度。
[0108]
在本技术实施例中，行为分值满足公式(1)：
[0109][0110]
其中，ii为对应标记为i属性的行为分值，l
i0
为初始分值，ω
i0
为初始加权值，m为标
签数量，f为标签使用频率。
[0111]
具体地，行为分值满足公式行为分值可以根据一段时间内为用户打上的每一种标签的数量、使用频率和使用时间、利用推导规则从标签推导出的属性、推导规则的逻辑强度值来确定。在公式中，ii为对应标记为i属性的行为分值，l
i0
为初始分值，ω
i0
为初始加权值，m为标签数量，f为标签使用频率。通过确定目标属性的行为分值，可以用于判断该属性是否可以被确定为用户属性，提高用户属性确定的精确度。
[0112]
在本技术实施例中，联合行为属性阈值满足公式(2)：
[0113]
λi＝λ
i-1
[1.3(70-i
i+1
)
2-0.24(70-i
i+1
)+0.9]；
ꢀꢀ
(2)
[0114]
其中，λi为联合行为属性阈值，ii为对应标签为i属性的行为分值，i
i+1
为其他标签为i+1属性的行为分值。
[0115]
具体地，联合行为属性阈值满足公式λi＝λ
i-1
[1.3(70-i
i+1
)
2-0.24(70-i
i+1
)+0.9]。联合行为属性阈值可以指利用某一行为分值连同其他标签下的对应于其中一种属性的行为分值推算出的阈值。其中，λi为联合行为属性阈值，ii为对应标签为i属性的行为分值，i
i+1
为其他标签为i+1属性的行为分值。通过确定联合行为阈值来进行属性判断，可以提高用户属性确定的精确度。
[0116]
通过上述技术方案，获取目标用户的自然语言集合，根据自然语言集合确定标签数据库，并获取标签规则库。再根据标签数据库和标签规则库，分别确定标签数据库的每种标签对应的多个目标属性的行为分值。在得到行为分值后，分别判断每个目标属性的行为分值是否大于与每个目标属性的行为分值所对应的目标阈值；将行为分值大于目标阈值的目标属性确定为用户属性，最后根据用户属性确定目标用户对应的数字人画像，可以更加精准地构建数字人画像，以提高对驾驶员的安全提示效果。
[0117]
图2示意性示出了根据本技术一具体实施例的一种人机交互构建用户画像聚类计算方法的流程图。如图2所示，本技术一具体实施例提供一种人机交互构建用户画像聚类计算方法，该方法可以包括下列步骤：
[0118]
s201、提取代表用户特征的关键词作为特征标签，并给每个特征标签赋予初始分值l
i0
和初始加权值w
i0
，建立标签数据库；
[0119]
s202、确定每一种标签推导出的各种属性的行为分值；
[0120]
s203、将其中一种标签推导出的其中一种属性的行为分值与预定阈值进行对比，若是，进入s204，若否，进入s205；
[0121]
s204、确定用户包含该属性；
[0122]
s205、引入另一标签推导联合属性行为阈值；
[0123]
s206、根据确定的用户属性，完成用户画像。
[0124]
在本技术实施例中，首先获取驾驶人、家人和数字人(即本技术的目标用户)三方交流的基于自然情景的语句，采用阈值语音降噪算法对语句进行滤波降噪，并从自然情景语句中提取代表用户特征的关键词作为特征标签，并给每个特征标签赋予初始分值l
i0
和初始加权值w
i0
，根据全部特征标签的集合构建标签数据库；根据一段时间内为用户打上的每一种标签的数量、使用频率和使用时间、利用推导规则从标签推导出的属性、推导规则的逻
辑强度值，确定每一种标签推导出的各种属性的行为分值。将其中一种标签推导出的其中一种属性的行为分值与预定阈值进行对比，判断是否能够确定用户属性包含其中一种属性，若是，则确定用户包含该属性；若否，则利用行为分值连同其他标签下的对应于其中一种属性的行为分值推算联合行为属性阈值，通过联合行为属性阈值判断是否能够确定用户属性包含其中一种属性；最后，可以通过多个语义化的用户属性来还原用户的全貌，完成用户画像。其中，用户画像信息可以为包括用户个性、特点和行为特征的信息。
[0125]
图3示意性示出了根据本技术一具体实施例的一种数字人系统控制的方法的流程图。如图3所示，本技术一具体实施例提供一种数字人系统控制的方法，该方法可以包括下列步骤：
[0126]
s301、开始；
[0127]
s302、驾驶人独自驾驶；
[0128]
s303、数字人会模拟驾驶人家人与驾驶人交流；
[0129]
s304、通过车载传感器感知驾驶人的心里情绪状态；
[0130]
s305、以家人的口吻来与驾驶人交流达到干预驾驶人情绪的目的；
[0131]
s306、结束。
[0132]
在本技术实施例中，当检测到驾驶人独自驾驶的情况下，系统可以调用数字人画像以进行陪同驾驶。数字人可以模拟驾驶人的家人与驾驶人进行交流。在数字人与驾驶人的交流过程中，可以通过车载传感器感知驾驶人的心里情绪状态，在判定驾驶人的心里情绪状态达到预设状态时，调用数字人进行陪同驾驶。数字人可以以家人的口吻来与驾驶人交流以达到干预驾驶人情绪的目的。在一个示例中，数字人构建家庭所有人的用户画像，经过一段时间的构建，数字人构建了爸爸、妈妈、小孩总共三人的用户画像；在出现家庭核心成员不在车内的情况：一个工作日的早晨，爸爸、妈妈和小孩一起进入车内，爸爸先是送小孩去学校，送达学校后，车内还有爸爸、妈妈两个人。数字人感知到驾驶人的情绪状态，紧接着，爸爸妈妈讨论到小孩的学习成绩，由于小孩期中考试成绩排名的落后，妈妈觉得需要报一个补习班，爸爸觉得不需要报班，由此，陷入了争吵，爸爸的情绪状态变得急躁，数字人感知到了驾驶人的情绪状态。数字人唤醒不在车内家庭成员的虚拟人形象，小孩的数字人形象加入了交流，并且表达自己的想法，小孩希望爸爸妈妈给我一个月的时间来提高自己排名，并且显得非常信心十足，爸爸妈妈由此结束了争吵，表示尊重小孩的想法。驾驶人经过数字人的干预调整了急躁的情绪，达到了驾驶安全的目的。在另一个示例中，在出现家庭核心成员不在车内的情况，一个工作日的早晨，爸爸需要去隔壁城市出差，车内只有驾驶人在独自行驶。数字人感知到驾驶人的情绪状态：驾驶人已经在高速上行驶超过3小时，已经感觉到很疲劳，已经出现了打瞌睡的情况。数字人唤醒不在车内家庭成员的虚拟人形象：妈妈的数字人形象和爸爸进行了互动，妈妈非常温柔的提醒爸爸要在下一个服务区停车休息，在驾驶人不听从建议的情况下，可以发送消息给驾驶人的家人。驾驶人经过数字人的干预及时停车休息，避免了可能因疲劳驾驶造成严重后果的可能性，达到了驾驶安全的目的。
[0133]
通过上述技术方案，获取目标用户的自然语言集合，根据自然语言集合确定标签数据库，并获取标签规则库。再根据标签数据库和标签规则库，分别确定标签数据库的每种标签对应的多个目标属性的行为分值。在得到行为分值后，分别判断每个目标属性的行为分值是否大于与每个目标属性的行为分值所对应的目标阈值；将行为分值大于目标阈值的
目标属性确定为用户属性，最后根据用户属性确定目标用户对应的数字人画像，可以更加精准地构建数字人画像，以提高对驾驶员的安全提示效果。
[0134]
图4示意性示出了根据本技术实施例的一种构建数字人画像的装置的结构图。如图4所示，本技术实施例提供一种构建数字人画像的装置，可以包括：
[0135]
存储器410，被配置成存储指令；以及
[0136]
处理器420，被配置成从存储器410调用指令以及在执行指令时能够实现根据上述的构建数字人画像的方法。
[0137]
具体地，在本技术实施例中，处理器420可以被配置成：
[0138]
获取目标用户的自然语言集合；
[0139]
根据自然语言集合确定标签数据库，并获取标签规则库；
[0140]
根据标签数据库和标签规则库，分别确定标签数据库的每种标签对应的多个目标属性的行为分值；
[0141]
分别判断每个目标属性的行为分值是否大于与每个目标属性的行为分值所对应的目标阈值；
[0142]
将行为分值大于目标阈值的目标属性确定为用户属性；
[0143]
根据用户属性确定目标用户对应的数字人画像。
[0144]
进一步地，处理器420还可以被配置成：
[0145]
根据自然语言集合确定标签数据库包括：
[0146]
根据语音降噪算法对自然语言集合进行滤波降噪，以得到多个降噪后的自然语言集合；
[0147]
对多个降噪后的自然语言集合提取关键词，以得到多个初始特征标签；
[0148]
分别对每个初始特征标签赋予初始分值和初始加权值，以得到多个目标特征标签；
[0149]
根据多个目标特征标签确定标签数据库。
[0150]
进一步地，处理器420还可以被配置成：
[0151]
根据语音降噪算法对自然语言集合进行滤波降噪，以得到多个降噪后的自然语言集合包括：
[0152]
根据自然语言集合获取多个语音帧；
[0153]
通过端点检测分别将多个语音帧分为多个静音帧和多个语音帧；
[0154]
分别根据每个静音帧当前帧的功率谱值确定噪声功率谱估计值；
[0155]
分别根据每个语音帧确定语音噪声功率谱估计值；
[0156]
分别根据语音噪声功率谱估计值与噪声功率谱估计值确定多个降噪后的语音功率谱；
[0157]
根据多个降噪后的语音功率谱确定多个降噪后的语音帧；
[0158]
根据多个降噪后的语音帧确定多个降噪后的自然语言集合。
[0159]
进一步地，处理器420还可以被配置成：
[0160]
根据标签数据库和标签规则库，分别确定标签数据库的每种标签对应的多个目标属性的行为分值包括：
[0161]
获取标签规则库中的推导规则；
[0162]
获取标签数据库中的多个目标特征标签；
[0163]
根据推导规则，分别对多个目标特征标签进行推导，以得到多个目标属性；
[0164]
分别确定每个目标属性的行为分值，以得到多个目标属性的行为分值。
[0165]
进一步地，处理器420还可以被配置成：
[0166]
目标阈值包括初始阈值和联合行为属性阈值，分别判断每个目标属性的行为分值是否大于与每个目标属性的行为分值所对应的目标阈值包括：
[0167]
分别获取每个目标属性的行为分值所对应的初始阈值；
[0168]
分别判断每个目标属性的行为分值是否大于初始阈值；
[0169]
在目标属性的行为分值大于初始阈值的情况下，将目标属性确定为用户属性；
[0170]
在目标属性的行为分值不大于初始阈值的情况下，根据行为分值和预设行为分值确定联合行为属性阈值；
[0171]
分别判断每个目标属性的行为分值是否大于联合行为属性阈值；
[0172]
在每个目标属性的行为分值大于联合行为阈值的情况下，判定每个目标属性的行为分值是否大于与每个目标属性的行为分值所对应的目标阈值。
[0173]
进一步地，处理器420还可以被配置成：
[0174]
行为分值满足公式(1)：
[0175][0176]
其中，ii为对应标记为i属性的行为分值，l
i0
为初始分值，ω
i0
为初始加权值，m为标签数量，f为标签使用频率。
[0177]
进一步地，处理器420还可以被配置成：
[0178]
联合行为属性阈值满足公式(2)：
[0179]
λi＝λ
i-1
[1.3(70-i
i+1
)
2-0.24(70-i
i+1
)+0.9]；
ꢀꢀ
(2)
[0180]
其中，λi为联合行为属性阈值，ii为对应标签为i属性的行为分值，i
i+1
为其他标签为i+1属性的行为分值。
[0181]
进一步地，处理器420还可以被配置成：
[0182]
获取关联存储的标识信息；
[0183]
根据关联存储的标识信息调整数字人推送指令的比重；
[0184]
在满足预设条件的情况下，根据数字人推送指令的比重调用数字人画像以进行数字人陪同驾驶。
[0185]
通过上述技术方案，获取目标用户的自然语言集合，根据自然语言集合确定标签数据库，并获取标签规则库。再根据标签数据库和标签规则库，分别确定标签数据库的每种标签对应的多个目标属性的行为分值。在得到行为分值后，分别判断每个目标属性的行为分值是否大于与每个目标属性的行为分值所对应的目标阈值；将行为分值大于目标阈值的目标属性确定为用户属性，最后根据用户属性确定目标用户对应的数字人画像，可以更加精准地构建数字人画像，以提高对驾驶员的安全提示效果。
[0186]
本技术实施例还提供一种机器可读存储介质，该机器可读存储介质上存储有指令，该指令用于使得机器执行根据上述的构建数字人画像的方法。
[0187]
本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序
产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0188]
本技术是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0189]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0190]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0191]
在一个典型的配置中，计算设备包括一个或多个处理器(cpu)、输入/输出接口、网络接口和内存。
[0192]
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flash ram)。存储器是计算机可读介质的示例。
[0193]
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
[0194]
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个......”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
[0195]
以上仅为本技术的实施例而已，并不用于限制本技术。对于本领域技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本技术的权利要求范围之内。

技术特征：
1.一种构建数字人画像的方法，其特征在于，包括：获取目标用户的自然语言集合；根据所述自然语言集合确定标签数据库，并获取标签规则库；根据所述标签数据库和所述标签规则库，分别确定所述标签数据库的每种标签对应的多个目标属性的行为分值；分别判断每个目标属性的行为分值是否大于与所述每个目标属性的行为分值所对应的目标阈值；将行为分值大于目标阈值的目标属性确定为用户属性；根据所述用户属性确定所述目标用户对应的数字人画像。2.根据权利要求1所述的方法，其特征在于，所述方法还包括：获取关联存储的标识信息；根据所述关联存储的标识信息调整数字人推送指令的比重；在满足预设条件的情况下，根据所述数字人推送指令的比重调用所述数字人画像以进行数字人陪同驾驶。3.根据权利要求1所述的方法，其特征在于，所述根据所述自然语言集合确定标签数据库包括：根据语音降噪算法对所述自然语言集合进行滤波降噪，以得到降噪后的自然语言集合；对所述降噪后的自然语言集合提取关键词，以得到多个初始特征标签；分别对每个初始特征标签赋予初始分值和初始加权值，以得到多个目标特征标签；根据所述多个目标特征标签确定所述标签数据库。4.根据权利要求3所述的方法，其特征在于，所述根据语音降噪算法对所述自然语言集合进行滤波降噪，以得到多个降噪后的自然语言集合包括：根据所述自然语言集合获取多个语音帧；通过端点检测分别将所述多个语音帧分为多个静音帧和多个语音帧；分别根据每个静音帧当前帧的功率谱值确定噪声功率谱估计值；分别根据每个语音帧确定语音噪声功率谱估计值；分别根据所述语音噪声功率谱估计值与所述噪声功率谱估计值确定多个降噪后的语音功率谱；根据所述多个降噪后的语音功率谱确定多个降噪后的语音帧；根据所述多个降噪后的语音帧确定多个降噪后的自然语言集合。5.根据权利要求3所述的方法，其特征在于，所述根据所述标签数据库和所述标签规则库，分别确定所述标签数据库的每种标签对应的多个目标属性的行为分值包括：获取所述标签规则库中的推导规则；获取所述标签数据库中的多个目标特征标签；根据所述推导规则，分别对所述多个目标特征标签进行推导，以得到多个目标属性；分别确定每个目标属性的行为分值，以得到所述多个目标属性的行为分值。6.根据权利要求1所述的方法，其特征在于，所述目标阈值包括初始阈值和联合行为属性阈值，所述分别判断每个目标属性的行为分值是否大于与所述每个目标属性的行为分值
所对应的目标阈值包括：分别获取每个目标属性的行为分值所对应的所述初始阈值；分别判断每个目标属性的行为分值是否大于所述初始阈值；在所述目标属性的行为分值大于所述初始阈值的情况下，将所述目标属性确定为用户属性；在所述目标属性的行为分值不大于所述初始阈值的情况下，根据所述行为分值和预设行为分值确定所述联合行为属性阈值；分别判断每个目标属性的行为分值是否大于所述联合行为属性阈值；在所述每个目标属性的行为分值大于联合行为阈值的情况下，判定所述每个目标属性的行为分值大于与所述每个目标属性的行为分值所对应的目标阈值。7.根据权利要求1所述的方法，其特征在于，所述行为分值满足公式(1)：其中，i
i
为对应标记为i属性的行为分值，l
i0
为初始分值，ω
i0
为初始加权值，m为标签数量，f为标签使用频率。8.根据权利要求1所述的方法，其特征在于，所述联合行为属性阈值满足公式(2)：λ
i
＝λ
i-1
[1.3(70-i
i+1
)
2-0.24(70-i
i+1
)+0.9]；
ꢀꢀꢀꢀ
(2)其中，λ
i
为联合行为属性阈值，i
i
为对应标签为i属性的行为分值，i
i+1
为其他标签为i+1属性的行为分值。9.一种构建数字人画像的装置，其特征在于，包括：存储器，被配置成存储指令；以及处理器，被配置成从所述存储器调用所述指令以及在执行所述指令时能够实现根据权利要求1至8中任一项所述的构建数字人画像的方法。10.一种机器可读存储介质，其特征在于，该机器可读存储介质上存储有指令，该指令用于使得机器执行根据权利要求1至8中任一项所述的构建数字人画像的方法。

技术总结
本申请公开了一种构建数字人画像的方法、装置及机器可读存储介质。该方法包括：获取目标用户的自然语言集合，根据自然语言集合确定标签数据库，并获取标签规则库；根据标签数据库和标签规则库，分别确定标签数据库的每种标签对应的多个目标属性的行为分值；分别判断每个目标属性的行为分值是否大于与每个目标属性的行为分值所对应的目标阈值；将行为分值大于目标阈值的目标属性确定为用户属性，最后根据用户属性确定目标用户对应的数字人画像。通过结合行为分值和目标阈值进行判断，可以更加精准地构建数字人画像，以提高对驾驶员的安全提示效果。提示效果。提示效果。


技术研发人员：李媛
受保护的技术使用者：重庆长安汽车股份有限公司
技术研发日：2023.07.17
技术公布日：2023/10/15