【技术实现步骤摘要】
本专利技术涉及智能交互领域，更具体地说，本专利技术涉及一种图文互动的思维机控制系统及方法。
技术介绍
1、在图文互动思维机控制系统中，有时用户通过单一交互窗口同时输入图像和文本信息，以实现对思维机的控制和管理。然而，现有的上下文跟踪机制在处理多轮对话或连续交互时，存在明显的局限性。具体而言，当用户在同一窗口中连续提出多个问题或指令时，系统往往无法准确区分各个互动阶段的独立性，导致新输入内容被错误地关联到之前的上下文中。这种上下文混淆不仅影响了系统对用户意图的准确解析，导致响应偏离预期，还显著增加了计算处理的复杂度和资源消耗。此外，随着交互内容的不断累积，系统在高负载情况下的响应速度和处理效率进一步下降，严重影响用户体验和系统的整体可用性。现有技术在上下文管理和资源调度方面缺乏有效的解决方案，无法满足图文互动系统在复杂交互环境下对精确性和高效性的双重要求。因此，亟需一种能够精确划分互动阶段、有效管理上下文的技术方法，以提升图文互动思维机控制系统的准确性、响应速度和用户满意度。
2、为了解决上述问题，现提供一种技术方案。
技术实现思路
1、为了克服现有技术的上述缺陷，本专利技术的实施例提供一种图文互动的思维机控制系统及方法，通过集成自然语言处理与图像语义分析技术，实时监测并准确识别用户输入的图文内容的主题与意图，确保系统对用户需求的精准理解。利用多模态语义分析算法，能够有效比较当前输入与先前互动内容，智能判断主题或意图的变化，从而生成新的上下文标识符并进行上下文分割，确保新
2、为实现上述目的，本专利技术提供如下技术方案：
3、一种图文互动的思维机控制方法，包括步骤：
4、s1：利用自然语言处理和图像语义分析技术，实时监测用户输入的图文内容，识别当前输入的主题和意图；
5、s2：通过多模态语义分析算法，比较当前输入的主题和意图与之前的互动指数信息，判断是否存在主题或意图的变化；
6、s3：检测到变化后，生成新的上下文标识符，并将当前输入内容与之前的互动内容进行上下文分割，新问题在独立的上下文环境中处理；
7、s4：分配唯一的会话标识符给每个独立的上下文区域，采用分布式会话管理架构，实现不同上下文之间的数据独立处理；
8、s5：采用基于优先级的动态调度算法和资源池管理技术，实时监测系统负载并动态调整计算资源分配，以优化多上下文并行处理的性能。
9、在一个优选的实施方式中，步骤s1包括以下内容：
10、首先，对用户输入的文本和图像数据进行预处理；文本部分通过分词、词性标注和实体识别自然语言处理技术进行清洗和标准化处理，生成词向量表示；图像部分采用卷积神经网络进行特征提取，生成图像特征向量；
11、接下来，融合文本和图像的特征向量，通过多模态融合网络，生成综合特征向量，其计算公式为：；其中，表示全连接层，表示向量拼接操作；
12、随后，利用主题建模算法对综合特征向量进行主题识别，生成主题向量，其计算过程如下：；其中，表示潜在狄利克雷分配模型，用于提取文本和图像内容中的主题分布；
13、接着，应用意图分类器对综合特征向量进行意图识别，生成意图标签，其计算过程如下：；其中，表示全连接层，用于生成概率分布，代表不同意图类别的概率；
14、最后，将识别出的主题向量和意图标签结构化存储为上下文标识符。
15、在一个优选的实施方式中，步骤s2包括以下内容：
16、互动指数信息包括多模态协同指数和特征分布散度指数；
17、获取当前上下文标识符和前一上下文标识符；提取当前和前一上下文的融合特征向量和，分别对应于当前和前一交互的综合特征，通过多模态协同指数与特征分布散度指数的计算；完成多模态协同指数与特征分布散度指数的计算后，使用协同散度非线性耦合测度sc-nlm进行综合分析。
18、多模态协同指数的计算过程为：
19、基于当前上下文的融合特征向量和前一上下文的融合特征向量的协同关系，首先构建协同加权矩阵，其中每个矩阵元素表示和在特征空间的点对点协同程度，定义为，其中是控制高斯衰减速度的参数；随后，对协同加权矩阵中所有元素求和，得到协同加权总和：，同时计算归一化因子，归一化因子通过两个向量的二范数积消除特征值绝对大小的影响；最终，多模态协同指数定义为协同加权总和与归一化因子的比值，其结果衡量当前与前一上下文在多模态特征空间中的协同一致性。
20、特征分布散度指数的计算过程为：
21、以核密度估计为基础，通过对当前上下文融合特征和前一上下文融合特征的概率分布和进行拟合来捕捉分布差异；首先，对当前上下文融合特征和前一上下文融合特征的数据点集进行核密度估计，生成平滑的概率分布和；然后，计算两个分布的jensen-shannon散度，定义为，其中是两个概率分布的平均分布，而为kullback-leibler散度，用于量化分布间的相对熵；同时，为提升对局部分布差异的敏感性，使用段熵差值的计算，定义为，其中和为当前和前一分布在采样点处的核密度估计值；最后，通过将jensen-shannon散度结合局部分布差异敏感度，定义平滑散度为，并对结果应用双曲正切映射以增强对显著分布差异的区分能力。
22、在一个优选的实施方式中，步骤s3包括以下内容：
23、当协同散度非线性耦合测度值超出对应阈值后，标识当前上下文存在显著变化，需启动上下文分割流程；
24、提取当前上下文与前一上下文的融合特征向量；利用特征交叉分割公式，标定分割点所在的特征维度集合：；其中，为特征维度，是对应维度的敏感阈值，用于捕捉多模态特征中的显著差异维度；基于特征维度集合，计算当前上下文特征分割权重矩阵，其元素表示维度与维度的分割协同强度：；其中，和分别为特征和的分布尺度参数，避免因特征量级差异引起的偏倚；利用当前上下文特征分割权重矩阵对当前上下文标识符和前一上下文标识符的特征维度进行重映射，生成分割后的独立上下文数据结构；通过分割映射，确保新旧上下文数据在语义和意图上的独立性；针对分割后的独立上下文数据生成新的上下文标识符。
25、在一个优选的实施方式中，步骤s4包括以下内容：
26、在确认需要进行上下文分割后，首先从步骤s3中获取新生成的上下文标识符和前一上下文标识符；接下来，从会话管理数据库中检索当前用户的历史会话记录，以防止会话标识符的重复生成；为了生成唯一的会话标识符，将新的上下文标识符、当前时间戳以及用户标识符连接起来，并通过不可逆的散列函本文档来自技高网...
【技术保护点】
1.一种图文互动的思维机控制方法，其特征在于，包括步骤：
2.根据权利要求1所述的一种图文互动的思维机控制方法，其特征在于，步骤S1包括以下内容：
3.根据权利要求2所述的一种图文互动的思维机控制方法，其特征在于，步骤S2包括以下内容：
4.根据权利要求3所述的一种图文互动的思维机控制方法，其特征在于，多模态协同指数的计算过程为：
5.根据权利要求3所述的一种图文互动的思维机控制方法，其特征在于，特征分布散度指数的计算过程为：
6.根据权利要求3所述的一种图文互动的思维机控制方法，其特征在于，步骤S3包括以下内容：
7.根据权利要求6所述的一种图文互动的思维机控制方法，其特征在于，步骤S4包括以下内容：
8.根据权利要求7所述的一种图文互动的思维机控制方法，其特征在于，步骤S5包括以下内容：
9.根据权利要求8所述的一种图文互动的思维机控制方法，其特征在于，步骤S5还包括以下内容：
10.一种图文互动的思维机控制系统，用于实现权利要求1-9任一项所述的一种图文互动的思维机控
...【技术特征摘要】
1.一种图文互动的思维机控制方法，其特征在于，包括步骤：
2.根据权利要求1所述的一种图文互动的思维机控制方法，其特征在于，步骤s1包括以下内容：
3.根据权利要求2所述的一种图文互动的思维机控制方法，其特征在于，步骤s2包括以下内容：
4.根据权利要求3所述的一种图文互动的思维机控制方法，其特征在于，多模态协同指数的计算过程为：
5.根据权利要求3所述的一种图文互动的思维机控制方法，其特征在于，特征分布散度指数的计算过程为：
6.根据权利要求3所述的一种图文互动的思维机控制方法，...
【专利技术属性】
技术研发人员：吴飞，
申请(专利权)人：深圳市宝立创科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。