本发明涉及演讲训练领域，特别是涉及一种基于权重自动调整的口才训练方法、装置及介质。
背景技术：
1、个性化的口才训练方案对于提升个人沟通能力、表达能力以及塑造个人风格等方面具有显著的作用，通过系统、科学的训练，不仅能够提高个人在各种场合中的表现能力，还能够建立起自信心，从而让训练者在各种场合中表现得更加从容不迫，为实现个人目标和职业发展打下坚实的基础。现有的口才训练方法涵盖了基础发声练习、语言组织能力、听力理解能力、逻辑思考训练、演讲技巧提升、心理素质培养、互动沟通能力和模拟实践应用等方面，通过综合训练和实践应用，训练者可以全面提高自己的口才能力。
2、然而，目前的训练方法通常过于模板化和单一化，未能充分考虑到每个训练者的个体差异和特点，难以根据训练者的口才表达薄弱情况对训练内容进行对应调整，制定出更加符合个体需求的个性化口才训练方案，帮助训练者全面提升其口才能力。
技术实现思路
1、本发明提供一种基于权重自动调整的口才训练方法、装置及介质，以解决难以根据用户的口才表达弱点，通过权重调整的方式生成个性化的训练方案的问题。
2、为了解决上述问题，本发明提供了一种基于权重自动调整的口才训练方法，包括：
3、获取用户的演讲样本；
4、根据所述用户的第一目标函数对所述演讲样本的权重集进行调整，得到第一权重集；
5、根据预设的即时奖励和策略梯度对所述演讲样本的权重集进行调整，得到第二权重集；其中，所述策略梯度是通过度量权重分布的概率而建立；
6、根据所述第一权重集和所述第二权重集生成第三权重集；
7、使用预设的最优价值函数对所述第三权重集进行调整指导，得到最终权重集，并根据所述最终权重集生成的口才训练方法对所述用户进行训练。
8、本发明的第一目标函数可以直接反映出用户的期望值，因此根据第一目标函数对演讲样本的权重集进行调整，能够让所得到的第一权重集向着用户希望的调整方向演化，更加符合用户的实际需求；即时奖励作为采取某个动作后立即获得的奖励，与计划的短期目标直接相关，有助于在后续的步骤中更好地进行决策，并且由于策略梯度是通过度量权重分布的概率而建立，因此在可以知晓用户各指标表现状况这一基础上对第二权重集进行调整，让所得到的第二权重集更加侧重于解决用户的实际口才表达薄弱点；最后通过最优价值函数对第三权重集进行调整指导，能够在第一权重集和所述第二权重集的基础上让最终权重集中权重分布的安排最大化合理，使所生成的口才训练方法能够有效地帮助用户进行训练。
9、相比于现有技术，本发明以用户的实际口才状况为基础，通过第一目标函数来帮助生成符合用户实际目标需求的第一权重集，并通过即时奖励和策略梯度对权重集进行调整，能够着重解决用户的实际口才表达薄弱点，进而生成极具个性的口才训练方法，因此能够解决难以根据用户的口才表达弱点，通过权重调整的方式生成个性化的训练方案的问题。
10、作为优选方案，根据所述用户的第一目标函数对所述演讲样本的权重集进行调整，得到第一权重集，具体为：
11、按照初始第一口才维度指标集对所述演讲样本进行分数评估，得到量化得分；其中，所述初始第一口才维度指标集包括语音识别指标、语言逻辑指标和情感表达指标；
12、通过度量所述量化得分与用户目标得分之间的差异，建立所述第一目标函数；
13、根据所述第一目标函数对所述演讲样本的权重集进行更新，得到所述第一权重集；其中，所述第一权重集是根据所述演讲样本和所述第一口才维度指标集而建立。
14、本优选方案根据初始第一口才维度指标集对演讲样本进行分数评估，进而得到量化得分，因此可以从语音识别、语言逻辑和情感表达的维度反映出用户的实际口才状况；由于第一目标函数是根据量化得分与用户目标得分之间的差异而建立，所以根据第一目标函数对演讲样本的第一权重集进行更新，能够让演讲样本中的指标权重按照用户的进阶计划进行调整，使所得到的第一权重集更加符合用户的实际需求，做到有的放矢。
15、作为优选方案，根据预设的即时奖励和策略梯度对所述演讲样本的权重集进行调整，得到第二权重集，具体为：
16、按照初始第二口才维度指标集对所述演讲样本进行计算，得到第二口才维度指标集；
17、获取所述第二口才维度指标集中初始第二权重集对应的初始即时奖励，并根据折扣因子和所述初始即时奖励建立第二目标函数；
18、根据所述第二目标函数对所述初始第二权重集进行优化，得到最终即时奖励；
19、根据所述最终即时奖励和所述策略梯度对所述第二权重集进行调整，得到第二权重集。
20、本优选方案的初始即时奖励是根据用户的第二口才维度指标集获取的，因此可以反映出用户在当前的实际演讲效果，这是从客观角度对用户的市场表现进行评估；由于策略梯度是通过度量权重分布的概率而建立，因此在可以知晓用户各指标表现状况这一基础上，根据用户的实际表现情况建立第二目标函数，以在此基础上对第二权重集进行调整，让所得到的第二权重集更加侧重于解决用户的实际口才表达薄弱点。
21、作为优选方案，所述策略梯度是通过度量权重分布的概率而建立，具体为：
22、获取所述初始第二权重集的权重策略参数；
23、根据所述权重策略参数，通过计算随机策略的方式得到权重分布的概率；
24、以减小方差为标准，根据所述权重分布的概率计算得到所述策略梯度。
25、本优选方案中，通过计算随机策略的方式得到权重分布的概率，能够学习到随机策略，保证指标的重要排列程度在不同的状态下都是最优选择；并且，减小方差的方式可以使数据更加集中，减少数据的离散程度，这有助于策略梯度更准确地描述数据的特征，提高数据信息调整的可靠性。
26、作为优选方案，所述最优价值函数，具体为：
27、按照初始第三口才维度指标集对所述演讲样本进行计算，得到第三口才维度指标集；
28、使用预设的第一式，根据所述第三口才维度指标集的时间序列和第三权重集建立综合奖励函数；
29、根据所述综合奖励函数对价值函数进行参数更新，得到所述最优价值函数；其中，所述价值函数是根据所述演讲样本的当前语言行为特征向量状态和所述第三权重集而建立。
30、本优选方案中，由于时间序列数据能够容纳更多的信息，因此能够为综合奖励函数的生成提供丰富的数据特征；综合奖励函数作为强化学习算法用来指导智能体学习如何做出最佳决策的基础，它定义了用户在与环境交互过程中，基于其所采取的一系列动作和观察到的状态序列所获得的奖励总和，因此使用综合奖励函数对价值函数进行参数更新，能够让所得到的最优价值函数可以基于历史经验调整其对状态和行为的评估，衡量出在给定状态下用户所能获得的长期累积奖励的期望值以及采取特定行为后所能获得的长期累积奖励的期望值。
31、作为优选方案，使用预设的最优价值函数对所述第三权重集进行调整指导，得到最终权重集，具体为：
32、根据所述第三权重集生成策略网络；
33、通过所述最优价值函数指导所述策略网络进行参数更新，使所述策略网络向提高未来累计奖励的方向演化，得到优化后的最终策略网络；
34、将所述最终策略网络所对应的权重集作为所述最终权重集。
35、本优选方案每个决策或动作都会引发一个即时奖励，而这个即时奖励只是未来总奖励的一部分，本方案的目标是学习一种策略，该策略能够最大化未来所有步骤中奖励的总和，即未来累计奖励；通过使策略网络向提高未来累计奖励的方向演化，能够最大化未来累计奖励，该演化过程可以学习如何在不确定的环境中做出长期最优的决策，而不仅仅是基于当前的即时奖励，这种方式能够将最终权重集中权重分布的合理安排最大化。
36、作为优选方案，根据所述第一权重集和所述第二权重集生成第三权重集，具体为：
37、根据所述第一权重集和所述第二权重集生成过渡权重集；
38、使用深度神经网络模型，在时间尺度上根据所述过渡权重集以及所述演讲样本中语言表述特征向量生成所述第三权重集。
39、本优选方案的时间尺度在生成新的权重时，能够通过调节模型对未来奖励的重视程度，帮助深度神经网络模型在即时奖励和未来潜在奖励之间找到平衡点，从而帮助第三权重集实现更好的长期性能。
40、本发明还提供了一种基于权重自动调整的口才训练装置，包括样本模块、调整模块、奖励模块、权重模块和训练模块；
41、其中，所述样本模块，用于获取用户的演讲样本；
42、所述调整模块，用于根据所述用户的第一目标函数对所述演讲样本的权重集进行调整，得到第一权重集；
43、所述奖励模块，用于根据预设的即时奖励和策略梯度对所述演讲样本的权重集进行调整，得到第二权重集；其中，所述策略梯度是通过度量权重分布的概率而建立；
44、所述权重模块，用于根据所述第一权重集和所述第二权重集生成第三权重集；
45、所述训练模块，用于使用预设的最优价值函数对所述第三权重集进行调整指导，得到最终权重集，并根据所述最终权重集生成的口才训练方法对所述用户进行训练。
46、作为优选方案，所述调整模块包括量化单元、差异单元和更新单元；
47、其中，所述量化单元，用于按照初始第一口才维度指标集对所述演讲样本进行分数评估，得到量化得分；其中，所述初始第一口才维度指标集包括语音识别指标、语言逻辑指标和情感表达指标；
48、所述差异单元，用于通过度量所述量化得分与用户目标得分之间的差异，建立所述第一目标函数；
49、所述更新单元，用于根据所述第一目标函数对所述演讲样本的权重集进行更新，得到所述第一权重集；其中，所述第一权重集是根据所述演讲样本和所述第一口才维度指标集而建立。
50、作为优选方案，所述奖励模块包括维度单元、目标单元、优化单元和调整单元；
51、其中，所述维度单元，用于按照初始第二口才维度指标集对所述演讲样本进行计算，得到第二口才维度指标集；
52、所述目标单元，用于获取所述第二口才维度指标集中初始第二权重集对应的初始即时奖励，并根据折扣因子和所述初始即时奖励建立第二目标函数；
53、所述优化单元，用于根据所述第二目标函数对所述初始第二权重集进行优化，得到最终即时奖励；
54、所述调整单元，用于根据所述最终即时奖励和所述策略梯度对所述第二权重集进行调整，得到第二权重集。
55、作为优选方案，所述奖励模块包括策略单元、概率单元和梯度单元；
56、其中，所述策略单元，用于获取所述初始第二权重集的权重策略参数；
57、所述概率单元，用于根据所述权重策略参数，通过计算随机策略的方式得到权重分布的概率；
58、所述梯度单元，用于以减小方差为标准，根据所述权重分布的概率计算得到所述策略梯度。
59、作为优选方案，所述最优价值函数，具体为：
60、按照初始第三口才维度指标集对所述演讲样本进行计算，得到第三口才维度指标集；
61、使用预设的第一式，根据所述第三口才维度指标集的时间序列和第三权重集建立综合奖励函数；
62、根据所述综合奖励函数对价值函数进行参数更新，得到所述最优价值函数；其中，所述价值函数是根据所述演讲样本的当前语言行为特征向量状态和所述第三权重集而建立。
63、作为优选方案，所述训练模块包括
64、其中，所述生成单元，用于根据所述第三权重集生成策略网络；
65、所述演化单元，用于通过所述最优价值函数指导所述策略网络进行参数更新，使所述策略网络向提高未来累计奖励的方向演化，得到优化后的最终策略网络；
66、所述权重单元，用于将所述最终策略网络所对应的权重集作为所述最终权重集。
67、作为优选方案，所述权重模块包括过渡单元和网络单元；
68、其中，所述过渡单元，用于根据所述第一权重集和所述第二权重集生成过渡权重集；
69、所述网络单元，用于使用深度神经网络模型，在时间尺度上根据所述过渡权重集以及所述演讲样本中语言表述特征向量生成所述第三权重集。
70、本发明还提供了一种存储介质，所述存储介质上存储有计算机程序，所述计算机程序被计算机调用并执行，实现如上所述一种基于权重自动调整的口才训练方法。
1.一种基于权重自动调整的口才训练方法，其特征在于，包括：
2.如权利要求1所述的一种基于权重自动调整的口才训练方法，其特征在于，根据所述用户的第一目标函数对所述演讲样本的权重集进行调整，得到第一权重集，具体为：
3.如权利要求1所述的一种基于权重自动调整的口才训练方法，其特征在于，根据预设的即时奖励和策略梯度对所述演讲样本的权重集进行调整，得到第二权重集，具体为：
4.如权利要求3所述的一种基于权重自动调整的口才训练方法，其特征在于，所述策略梯度是通过度量权重分布的概率而建立，具体为：
5.如权利要求1所述的一种基于权重自动调整的口才训练方法，其特征在于，所述最优价值函数，具体为：
6.如权利要求1所述的一种基于权重自动调整的口才训练方法，其特征在于，使用预设的最优价值函数对所述第三权重集进行调整指导，得到最终权重集，具体为：
7.如权利要求1所述的一种基于权重自动调整的口才训练方法，其特征在于，根据所述第一权重集和所述第二权重集生成第三权重集，具体为：
8.一种基于权重自动调整的口才训练装置，其特征在于，包括样本模块、调整模块、奖励模块、权重模块和训练模块；
9.如权利要求8所述的一种基于权重自动调整的口才训练装置，其特征在于，所述调整模块包括量化单元、差异单元和更新单元；
10.如权利要求8所述的一种基于权重自动调整的口才训练装置，其特征在于，所述奖励模块包括维度单元、目标单元、优化单元和调整单元；
11.如权利要求10所述的一种基于权重自动调整的口才训练装置，其特征在于，所述奖励模块包括策略单元、概率单元和梯度单元；
12.如权利要求8所述的一种基于权重自动调整的口才训练装置，其特征在于，所述最优价值函数，具体为：
13.如权利要求8所述的一种基于权重自动调整的口才训练装置，所述训练模块包括生成单元、演化单元和权重单元；
14.如权利要求8所述的一种基于权重自动调整的口才训练装置，其特征在于，所述权重模块包括过渡单元和网络单元；
15.一种存储介质，其特征在于，所述存储介质上存储有计算机程序，所述计算机程序被计算机调用并执行，实现如上述权利要求1至7任意一种基于权重自动调整的口才训练方法。
