CN119514658A 对象互动方法、装置、电子设备和存储介质 （腾讯科技（深圳）有限公司）

202311055961.82023.08.22程数据生成互动数据和对象互动，所需算力较2在输出所述多个互动模型之间的对话互动的互动数据时，若检测到用户的用户语音，确定用户在所述设置界面中所选择的互动模型，每个所述在输出所述多个互动模型之间的对话互动的互动数据时，若检测到用户的用户语音，显示模型商店，所述模型商店中售卖有训练好的互动模型，所述训练好3确定用户在所述设置界面中所选择的互动模型，每个所述在输出所述多个互动模型之间的对话互动的互动数据时，若检测到用户的用户语音，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多条指被处理器执行时实现权利要求1～9任一项所述的对象互动方4所述服务端和所述客户端在当前时刻之前生成述历史数据为服务端和所述客户端在当前时刻之前生5序/指令被处理器执行时实现本申请实施例所提供的任一种对6答问题或者按照要求给出对应的内容等，但是目前这类自回归语言模型对算力的需求较[0053]人工智能(ArtificialIntelligence,AI)是利用数字计算机或者数字计算机控7[0055]计算机视觉技术(ComputerVision,CV)计算机视觉是一门研究如何使机器“看”获取信息的人工智能系统。大模型技术为计算机视觉技术发展带来重要变革，swin_[0056]语音技术(SpeechTechnology)的关键技术有自动语音识别技术(ASR)和语音合[0057]自然语言处理(NatureLanguageprocessing,NLP)是计算机科学领域与人工智8[0060]本申请实施例提供的对象交互方法可以应用于多种不同的场景，例如车载场景、9[0079]130、对所述背景数据和所述互动需求数据进行语义融合处理，生成互动流程数景数据对应的背景向量以及所述互动需求数据对应的互动需求向量；基于第一转换矩阵，需求向量则由互动需求数据中每个词语对应的第一[0089]第一转换矩阵是专家模型在训练过程中学习到的一组参数，基于该第一转换矩将融合语义向量通过前馈层进行非线性变化和特征提取，再将前馈层的输出进行softmax对之前的某个新闻提出了问题，此时可以将之前提供过的，有关这个新闻的背景数据添加至互动流程数据中。[0109]第二转换矩阵是清理模型在训练过程中学习到的一组参数，基于该第二转换矩[0129]采用本申请实施例提供的对象交互方案，服务端可从客户端互动需求数据中的每个词语进行文本编码，并对每个词语在句子中的位置信息进行编码，得到位置编码。然后每个词语可表示为其对应文本编码和位置编码求和得到的最终编码，预设转换矩阵可以包括预设请求向量参数矩阵WQ、预设键向量参数矩阵WK以及预设值向量的方式按照人类能够理解的形式将词与词的组合按照上下文也就是提问的回答或者续写习是一种将人类主观反馈作为奖励机制纳入强化学习算法以优化模型训练效果的一种方[0177]初始互动模型可以是语言模型，互动样本数据是指和对输入transformer的解码器，得到最上层最后一个时刻的输出将其通过softmax层(参y数为W)进行分类，最后用交叉熵计算损失，从而根据有标签的互动样本数据调整yyy使用有监督训练微调。[0191]最后可基于奖励模型的互动得分，对所述中间互动模型的模型参数进行更新处动得分对中间互动模型的输出进行排序，结合排序结果和强化学习算法优化中间互动模[0192]其中，强化学习算法可以是指近端策略优化(ProximalPolicyOptimization，[0213]例如，两个互动模型记为互动模型a和互动模型b，输入模型的互动需求数据为动流程数据生成互动数据和对象互动，也即该互动模型不需要解释程序或者了解专业知[0229]用于对所述背景数据和所述互动需求数据进行语义融合处理，生成互动流程数景数据对应的背景向量以及所述互动需求数据[0293]该电子设备可以包括一个或者一个以上处理核心的处理器610、一个或一个以上[0294]处理器610是该电子设备的控制中心，利用各种接口和线路连接整个电子设备的[0295]存储器620可用于存储软件程序以及模块，处理器610通过运行存储在存储器620所述服务端和所述客户端在当前时刻之前生成所述服务端和所述客户端在当前时刻之前生成该电子设备执行上述实施例中提供的对象互动方面或者模型训练方面的各种可选实现方序产