本发明涉及人工智能领域，具体涉及一种虚拟人模型应用方法。
背景技术：
人工智能(artificialintelligence)，英文缩写为ai，它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。
虽然，近年来人工智能的发展突飞猛进，但是总体来讲人工智能的智能化水平与人类本身相比仍然较低，这一方面是因为现在人工智能的应用领域并不需要高智能水平的人工智能产品，另一方面是因为迄今为止并没有一个认知模型(认知模型是模拟人类认知过程的计算机模型，现有的认知模型有符号计算模型、神经计算模型、进化计算模型、行为计算模型等)能够被公众统一认可，现有的认知模型种类较多且各有优缺点，用这些认知模型模拟人脑得到的人工智能产品也各有优缺点，但都始终无法达到高智能水平。
目前的人工智能产品和认知模型都是运用在一些重复性劳动的简单控制上，对于一些难度较高的诸如阿尔茨海默病和植物人等问题，通过现有人工智能产品和认知模型基本上束手无策，也正因为此，本领域技术人员并没有就这个方向进行深入研究。
阿尔茨海默病和植物人等病症，都是由于人类的认知机制和记忆逐渐衰退甚至丧失而导致的，弥补甚至重建人类的认知机制以及遗失的记忆是关键，而每个人的认知机制因为个体差异性会存在差别，每个人的记忆更是相差巨大，因此保证个体差异性是保证一个人区别于其他人最主要的认知基础。申请人在保证这个认知基础的前提下，同步申请了虚拟人模型构建方法，本申请正是对这种构建出来的与使用者本身认知机制相同的虚拟人模型进行应用，以帮助使用者弥补甚至重建逐渐衰退的认知机制。
技术实现要素：
本发明意在提供一种基于人工智能的虚拟人模型应用方法，以帮助使用者弥补甚至重建逐渐衰退的认知机制。
为了达到以上目的，提供如下方案：
方案一：基于人工智能的虚拟人模型应用方法，包括以下步骤：
步骤一，通过智能终端接收外界的声音信息和图像信息，按照预先存储在事件数据库中的起因关键词，将声音信息和图像信息提取关键词作为事件的当前起因信息；
步骤二，通过采集装置从第三方查询平台采集使用者最近的履历信息、体检信息和身份信息；将智能终端中存储的使用者最近的行为信息和采集装置采集的履历信息、体检信息以及身份信息一起作为当前条件信息组；
步骤三，中央处理器在事件数据库中找到与当前起因信息相同的纵向事件集合，在纵向事件集合中包含的所有条件信息组中寻找与当前条件信息组最相近的条件信息组对应的事件信息；
步骤四，中央处理器在寻找到的事件信息中提取结果信息发送给智能终端；
步骤五，智能终端将结果信息呈现给使用者。
名词解释：
第三方查询平台：指联网的能够提供履历信息和体检信息的政府认可的平台，如体检中心平台和档案局平台等。
采集装置：指能够通过网络从第三方查询平台获取数据的任何装置，如网络信息筛选装置。
纵向事件集合：指不同时间段但起因信息相同的多个事件信息的集合，事件信息至少包括起因信息和结果信息。
有益效果：
当使用者本身的认知机制逐渐衰退甚至丧失时，使用者本身对环境信息的处理能力十分低下，也很难按照往常一样判断决策得到较为合理的决策结果。本发明是基于已经驯化好的虚拟人模型上的，虚拟人模型中既包含了以往进行驯化的使用者日常生活的多个事件信息，这些事件信息按照时间段划分，将各个不同时间段但是起因信息相同的事件集合成纵向事件集合，该集合能够为后面具有相同当前起因信息的事件提供按照使用者认知机制得出的结果信息，帮助使用者从结果逆向帮助使用者弥补和重建认知机制。
使用时，智能终端直接将环境信息中的图像信息和声音信息转化为输入的当前起因信息，通过中央处理器在纵向事件集合中找到当前起因信息在当前条件信息下的结果信息，使整个认知和决策过程都能够由虚拟人模型及设置其的系统完成，减轻了使用者本身认知的负担，同时又能从环境信息输入到结果信息输出全过程中反作用于使用者本身，教他如何将环境信息处理成结果信息，让使用者习惯这样的认知和决策实例，让使用者能够逐渐回忆起曾经的思维方式和认知机制，并弥补和重建认知机制。
本发明充分利用了虚拟人模型的所有历史数据，能够有效帮助使用者治疗阿尔茨海默病和植物人等病症。
方案二：在方案一的基础上进一步优化，在步骤三中，中央处理器按照条件信息组中各个条件信息对事件的重要程度从大到小依次对比，含相同条件信息个数最多的两个条件信息组最相近。
按照对事件的重要程度进行比较，能够将正在最相近的条件信息组快速找出来，避免浪费时间。
方案三：在方案二的基础上进一步优化，在步骤三中，若当前起因信息在事件数据库中没有找到与之相同的纵向事件集合，中央处理器将当前起因信息代入虚拟人模型公式中，将当前起因信息代入到与之相近的事件因素中计算得到结果信息。
虚拟人模型中，除了在构建模型时的各种历史数据，经过不断迭代修正得到的虚拟人模型公式，对于在数据库中未出现过的起因信息是快速且准确的计算方式，能够快速地得出根据使用者原有认知机制得到的结果信息。
方案四：在方案二的基础上进一步优化，不同的使用者按照其身份信息进行分类，在步骤三中，若当前起因信息在事件数据库中没有找到与之相同的纵向事件集合，中央处理器通过共享模块在同类使用者中寻找与当前起因信息相同的事件信息。
身份信息是一个人经过验证的最基本的信息，且大多数人的出生地都是其童年的成长地，对其后期性格和行为习惯的形成具有较大的影响。出生日可以反应使用者的具体年龄和生活的时代大背景，每个相同时代的人其行为习惯和思维方式都有时代的烙印。性别和民族同样具有共性，通过身份信息的异同进行分类，能够将使用者准确地划分成一个个具有共性的类别，方便相互之前共享虚拟人模型数据，能够在碰到新事件的时候快速找到对应的结果信息，帮助使用者快速应对。
方案五：在方案四的基础上进一步，按照身份信息分类，采用以下分类策略：步骤一，比较出生日，将出生日的差值在规定时间内的使用者分到一起，形成第一分类；步骤二，在第一分类中，将出生地在相同范围的使用者分到一起，形成第二分类；步骤三，在第二分类中，将性别相同的使用者分到一起，形成第三分类；步骤四，在第三分类中，将民族相同的使用者分到一起形成最终分类。
规定时间，是指预先设定的出生日时间差值。出生地在相同范围，可以是行政区域范围的县、市或者省，也可以是以某一使用者的出生地为圆心等半径的地域范围。
从分类的优先顺序，可以看到对于使用者思维方式和行为习惯等因素的影响，从大到小依次为出生日、出生地、性别和民族，按照影响力从大到小依次进行分类，能够快速收敛分类中的使用者人数，方便使用者彼此之间小范围地查找当前起因信息对应的结果信息，加快查找速度。
方案六：在方案五的基础上进一步，在步骤一中的规定时间为两年，在步骤二中的相同范围为以使用者的出生地为圆心半径为一百公里以内的范围。
出生时间在两年内的人，基本上生活在相同的时代环境中，具有较多的共性。以使用者出生地为圆心，方圆一百公里的地域范围内，具有相同的地域文化，其使用者具有相同的共性，这样分类出来的使用者才会有相近的虚拟人模型，其各自的思维模式和认知机制才越相近，事件信息才根据有参考借鉴意义。
方案七：在方案一的基础上进一步优化，在步骤四中，若中央处理器在事件数据库中寻找到多个满足条件的事件，则将这些事件的结果信息进行分类统计，将统计次数最多的结果信息发送给智能终端。
若同一时间段相同条件信息组中，相同起因信息的事件有多个，那么根据各自结果信息的不同能够分类成多个不同的结果信息，将相同个数最多的结果信息发送给智能终端，说明在这个起因信息中，发生这样的结果信息是概率最大的，则传输给智能终端也是最符合使用者本身得出该结果信息的概率的。
附图说明
图1为本发明基于人工智能的虚拟人模型应用方法实施例依赖的虚拟人模型构建系统的逻辑框图。
具体实施方式
说明书附图中的附图标记包括：采集装置1、智能终端2、条件数据库3、事件数据库4、服务器5。
如图1所示，基于人工智能的虚拟人模型应用方法，其依赖的虚拟人模型构建系统，包括用来进行信息采集的采集装置，用来进行信息交互的智能终端2、用来进行条件信息数据存储的条件数据库3、用来进行事件信息存储的事件数据库4以及用来进行信息处理和共享的服务器5，服务器5内包括用来进行信息处理的中央处理器和用来进行信息共享的共享模块。采集装置和智能终端2均与条件数据库3、事件数据库4和服务器5连接。
基于人工智能的虚拟人模型构建方法，包括以下内容：
通过采集装置从第三方查询平台中采集表征使用者社会经历的履历信息、表征使用者身体状况的体检信息以及表征使用者包括出生日、出生地、性别和民族在内的身份信息，将履历信息、体检信息和身份信息分别提取关键词作为条件信息，按照采集时间的先后顺序将履历信息、体检信息和身份信息保存至条件数据库3中；其中，采集装置采集的体检信息除了包括常规的身高、体重、血常规等选项，还包括对视力信息。也就是说，采集装置要采集使用者视力的检测结果，因为眼睛是人心灵的窗户，是人直接观察这个世界最直接的器官，视力不同的人，对同一个场景的感知程度是不同的，这也会影响人的心情以及做决策的方向，因此将人的视力信息作为体检的必选项之一，有助于建立合理的条件信息，考虑到人实际做决策时的心情因素，更加准确地模拟人的思维和认知机制。
通过智能终端2与使用者的交互动作和/或交互对话采集表征使用者行为习惯的行为信息，中央处理器将行为信息提取的关键词作为条件信息保存至条件数据库3中；其中，智能终端2采集的行为信息除了包括声音大小、音质、常做动作等常规信息外，还包括口头禅、常去地方等信息，凡是能够表征这个人特征的行为信息都可以作为行为信息由智能终端2进行采集，每个人具体采集的行为信息根据每个人行为习惯确定。
中央处理器将条件数据库3中对应同一时间段的所有条件信息作为一组条件信息；
通过智能终端2与使用者的交互动作和/或交互沟通将使用者实时输入的起因信息和结果信息保存至事件数据库4；中央处理器将事件数据库4中的所有信息按照输入时间依次排序，将输入时间相邻且包含有最多个数相同关键词的起因信息和结果信息作为一个事件；
中央处理器将相同时间段相同一组条件信息发生的所有事件形成横向事件集合；将横向事件集合中所有事件按照起因信息分类，将每类起因信息分别作为一个事件因素，将该时间段对应的一组条件信息中的所有类别信息分别作为一个条件因素与所有事件因素一起作为bp神经网络模型的初始输入因素，随机定义每个初始输入因素的权值，形成初始模型；
将横向事件集合中的所有起因信息和对应的条件信息逐个事件地代入初始模型中，调整每个事件因素的权值，使每个初始模型的计算结果与每个起因信息对应的结果信息相同，得到第一修正模型；
将不同时间段起因信息相同的所有事件形成纵向事件集合；将纵向事件集合中每个事件对应的一组条件信息分别作为条件因素输入到第一修正模型中，若纵向事件集合中存在第一修正模型没有的条件因素和/或事件因素时，将这些条件因素和/或事件因素作为新增输入因素增加到第一修正模型中，随机定义这些新增输入因素的权值，得到第二修正模型；将纵向事件集合中的所有起因信息和对应的条件信息逐个事件地代入第二修正模型中，调整每个条件因素的权值，使每个第二修正模型的计算结果与每个起因信息对应的结果信息相同，得到虚拟人模型。
通过共享方式，将每个使用者的虚拟人模型的最近输入数据共享给其他使用者，使其他使用者能够直接利用已有的各种输入因素和权值，能够有效节约每个使用者构建虚拟人模型的时间，省去中间从随机数据和bp神经网络模型不断修正的过程。
在通过共享方式使用其他使用者共享出来的虚拟人模型和输入数据时，优先选用与该使用者同类且最相近的使用者共享出来的虚拟人模型和输入数据。在共享模块中，设置有用来按照使用者身份信息进行分类的分类方式，其分类采用以下分类策略：步骤一，比较出生日，将出生日的差值在两年内的使用者分到一起，形成第一分类；步骤二，在第一分类中，将出生地在方圆一百公里内的使用者分到一起，形成第二分类；步骤三，在第二分类中，将性别相同的使用者分到一起，形成第三分类；步骤四，在第三分类中，将民族相同的使用者分到一起形成最终分类。
第三方查询平台，指联网的能够提供履历信息和体检信息的政府认可的平台，如体检中心平台和档案局平台等。
采集装置，指能够通过网络从第三方查询平台获取数据的任何装置，如网络信息筛选装置。
智能终端2，指能够与使用者进行交互动作和/或交互沟通的智能设备，可以是手机、平板电脑，也可以是机器人。
具体地，在构建模拟人模型时，如果是初批次使用模型，则直接通过采集装置和智能终端2将采集和输入的信息作为输入因素并随机定义初始权值到神经网络中进行计算，如果是后面使用模型的使用者，则可以直接在虚拟人模型构建系统中通过共享模块寻找同类使用者，利用其已有的虚拟人模型作为初始模型进行修正。
例如，小李在构建虚拟人模型时，首先用到采集装置，比如网络信息收索自动收索工具，比如一些第三方的信息提供工具，采集装置从网络上政府认可的具有公信力的第三方查询平台上获取履历信息、体检信息和身份信息，其中履历信息一般包括了学习经历和工作经历两个内容，而每个经历中的具体内容因人而异，中央处理器从这些经历的文字内容中提取出关键词，所有的关键词都是比照预先存储在条件数据库3中的关键词模板中的词汇确定的，比如小李提取出来的高中、北大附中、本科、北京大学、医学专业、华为、软件工程师等关键词作为履历信息的条件信息；体检信息一般包括如身高、体重、三围、血压、血脂等常规的体检内容，还包括视力信息，将这些体检项目以及对应的体检数据等关键词提取出来作为体检信息的条件信息，小李的体检信息的条件信息为身高180cm、体重100kg、胸围109.8cm、腰围75.6cm、臀围113.9cm、收缩压136mmhg、舒张压96mmhg；身份信息一般包括出生日、出生地、性别和民族，将这些项目以及对应的内容提取关键词作为身份信息的条件信息，小李的为1988.3.4、石家庄、男、汉族，并将条件信息存储到条件数据库3中，因此，小李的最后形成并存储条件数据库3中的条件信息集合为{高中、北大附中、本科、北京大学、医学专业、华为、软件工程师、身高180cm、体重100kg、胸围109.8cm、腰围75.6cm、臀围113.9cm、收缩压136mmhg、舒张压96mmhg、1988.3.4、石家庄、男、汉族}，通过设置在条件数据库3中的关键词模板，增加新的关键词，如癌症、婚姻等各种词语，可以提取出更多更详细的条件信息出来。
如果小李是初批次使用虚拟人模型构建系统的人，在系统中并没有其他使用者的数据，那么小李还不能马上形成初始模型。首先，需要智能终端2通过与小李的交互动作和/或交互对话来采集小李的行为信息得到行为信息产生的条件信息和小李自己输入的事件信息来建立初始模型，本实施例中的智能终端2为一直陪伴在小李身边的智能机器人，智能机器人通过与小李游戏或者拍摄下小李日常生活的动作来提取出小李的动作习惯，如抬手、抓头、抹鼻子等；智能机器人通过与小李进行问答游戏、情景对话等方式提取小李的声音习惯，比如声音大小、音质、发音习惯、口头禅。通过智能终端2，将小李行为信息中提取的抬手、抓头、声音大、洪亮、后鼻音中、“都很好”等关键词作为行为信息的条件信息合并到上面的条件信息集合中得到现阶段提取的条件信息最终集合{高中、北大附中、本科、北京大学、医学专业、华为、软件工程师、身高180cm、体重100kg、胸围109.8cm、腰围75.6cm、臀围113.9cm、收缩压136mmhg、舒张压96mmhg、1988.3.4、石家庄、男、汉族、抬手、抓头、声音大、洪亮、后鼻音中、“都很好”}。在条件数据库3中，每隔一个时间段都会有这样一个集合存储到条件数据库3中，比如前面的这个条件信息集合就是初试时间段，即时间段a对应的一组条件信息。
在条件信息收集的同时，智能终端2也会进行事件信息的收集。
比如，在时间段a中，小李可以直接通过与智能机器人之间的动作表达和/或对话沟通，来向智能输入事件的起因和结果，智能机器人将这些输入通过提取关键词的方法提取出起因信息和结果信息存储到事件数据库4中。每输入一个事件的时候，中央处理器就会自动从起因信息中提取事件因素作为bp神经网络模型的一个因素并随机定义权值，事件因素的关键词模板预先存储在事件数据库4中。
在时间段a中，小李输入了事件起因“因为工作很忙不确定是否在四月份前往上海培训”，智能机器人提取关键词后形成起因信息“工作、忙、不确定、四月、上海、培训”，小李在时间段a中经过一段事件后，决定去上海培训，则小李向智能机器人输入“因为培训很重要，所以最终决定四月份前往上海培训”，智能机器人提取关键词后形成结果信息是“培训、重要、决定、四月、前往、上海”，因为两个信息都是在一个时间段内，且都有相同的关键词“四月、上海、培训”，小李可以手动将这两条信息存储成一个事件，也可以由中央处理器根据关键词对比，自动将输入时间相邻且包含有最多个数相同关键词的起因信息和结果信息作为一个事件。在这个事件中，中央处理器将起因信息按照事件类别分类，并从中提取一个关键词作为事件因素，这个事件中提取出来的关键词是“培训”随机定义的初始权值为1，那么在初始条件集合下的第一个事件因素的公式表达就是1*培训＝1。等后面再有其他的诸如约会、购物等各种事件因素后，会逐渐形成诸如0.5*培训+1.2*约会+0.8*购物＝结果这样的公式，而各个事件因素的权值都是不断通过各个新的起因信息的输入后将计算结果与结果信息对比后修正得到的。为了更加精确形成具体公式，可以对每一个事件进行赋值，将在各个条件下的数字对应关系形成事件赋值表，以便计算出的结果为数字结果。
当有足够多的事件后，就会形成一个较为完整的用条件信息约束的公式，因为采集装置和智能终端2都是不断进行信息采集和收集的，所以在时间段a之后会依次出现时间段b、事件段c，时间段b会在时间段a中形成的公式中不断增加约束的条件信息和新增的事件因素，同时通过每一个在时间段b中发生的起因信息代入到形成的公式中，得到计算结果，通过将计算结果和实际上已经产生的结果信息进行对比，不断修正每个输入因素的权值，每一个时间段的权值修正后得到第一修正模型。每一个相同时间段相同条件信息下发生的所有事件信息形成横向事件集合，每个时间段都对应了至少一个横向事件集合。例如时间段a对应了一个横向事件集合{培训、约会、购物}，那么在经过这个横向事件后，可能得到的公式为0.5*培训+1.2*约会+0.8*购物＝结果，时间段a也可能对应多个横向事件集合，这与条件信息在这个时间段内发生变化有关，如“未婚”变为“已婚”之类的，但是，一般情况下条件信息都为短时间内不会变更的信息，所以大多数时间段都只对应一个横向事件集合。
将横向事件集合中的所有事件信息代入公式中进行权值的修正后得到第一修正模型，通过每个时间段中的横向事件集合依次进行第一修正模型的不断代入和修正，使修正模型趋于完善，当多个时间段的横向事件集合都对第一修正模型进行修正后，如时间段a、时间段b、时间段c中所有的横向事件集合都代入计算后，将这些时间段对应的所有事件按照起因信息相同将事件集合成多个以时间段为变量的纵向事件集合，依次代入纵向事件集合中的事件信息对第一修正模型进行修正得到第二修正模型。例如，在时间段a、时间段b和时间段c中，都有起因信息为约会的事件，那么将这些事件集合起来形成一个纵向事件集合{(时间段a，约会，结果1)(时间段b，约会，结果2)(时间段c，约会，结果3)}，通过代入各个纵向事件集合，对比在起因信息相同时，不同条件信息下的不同结果信息，排列一组条件信息中对于该事件不同条件信息的不同优先级。例如，通过小李在三个时间段的三组条件信息中对是否约会的不同结果，得到以下新增的条件信息有区别：约会时间、约会对象，其中约会时间为晚上7:00-9:00，约会对象为女时小李前往约会的几率最高，则在下次判断约会这个事件的时候会将约会时间和约会对象作为必备条件信息进行优先判断。
当经历足够多的纵向事件集合后，会通过不断增加事件因素和条件因素，调整各个输入因素的权值最终得到虚拟人模型。使通过虚拟人模型计算的结果，与任一事件的实际产生的结果信息相同。
虚拟人计算模型，可以通过赋值形成单一的公式模型，但最常用的是公式与多种类别表格相结合的判断模型。
本发明中选用了bp神经网络模型，但是，实际上也可以用其他现有的认知模型，比如cmuanderson团队研究的act-r(adaptivecontrolofthought一rational)认知模型以及cmu和密歇根大学共同研发的soar认知模型。
基于人工智能的虚拟人模型应用方法，包括以下步骤：
步骤一，通过智能终端2接收外界的声音和图像并将其转为声音信息和图像信息，按照预先存储在事件数据库4中的起因关键词，将声音信息和图像信息提取关键词作为事件的当前起因信息；
步骤二，通过采集装置从第三方查询平台采集使用者最近的履历信息、体检信息和身份信息；将智能终端2中存储的使用者最近的行为信息和履历信息、体检信息以及身份信息一起作为当前条件信息组；
步骤三，中央处理器在事件数据库4中找到与当前起因信息相同的纵向事件集合，在纵向事件集合中包含的所有条件信息组中寻找与当前条件信息组最相近的条件信息组对应的事件信息；
步骤四，中央处理器在寻找到的事件信息中提取结果信息发送给智能终端2；
步骤五，智能终端2将结果信息呈现给使用者。
智能终端2为智能机器人或者其他具有交互功能的智能设备，在已经模拟好的虚拟人模型中，只要输入起因信息，能够根据虚拟人模型公式给出是否的结果信息。将每一个复杂的事件起因都分解细化成无数个简单是否问题构成的起因信息，就能够在经过一组连续的计算后，得到最终关于这个起因信息的关于一连串是或否做什么连接起来的结果信息。模拟人模型在前期模型的构建中，已经经过无数次的修正和代入计算，使模拟人起因信息和结果信息之间的关系是完全模拟使用者本身在做决策时的思维方式和认知机制，因此虚拟人模型输出的结果信息，有助于反馈给患病的使用者，帮助使用者通过弥补结果信息来刺激重建其已经弱化的思维方式和认知机制。
在步骤三中，中央处理器内预先存储有事件对比策略，按照条件信息组中各个条件信息对事件的重要程度从大到小依次对比，含相同条件信息个数越多的两个条件信息组最相近。比如约会这个事件按照重要程度，其条件信息依次为“约会时间、约会对象、约会方式、地点、季节……”，条件信息组d为{约会时间：4:00-6:00pm、约会对象：男、约会方式：咖啡、地点：咖啡屋、季节：冬季……}、条件信息组e{约会时间：4:30-6:30pm、约会对象：女、约会方式：咖啡、地点：咖啡屋、季节：冬季……}、f{约会时间：4:00-6:00pm、约会对象：男、约会方式：游泳、地点：游泳馆、季节：冬季……}，那么条件信息组f与d最相近，从重要程度大的开始比较，根据预先设置在中央处理器内每个条件信息的浮动范围值，只要在浮动范围值之类就能判定两个条件信息相同，比如在做前面的比较的时候，约会时间的浮动范围为半小时，所有e和f在约会时间上都看做与d相同，而约会对象上e与d完全不同，f与d相同，则没有必要看后面的了，f与d最相近。如果e的约会对象也是男的话，则就继续比较后面的条件信息，如果e和f所有条件信息都相同，则从重要程度从大到小看每个条件信息的浮动范围值越小的越接近。
在步骤三中，若当前起因信息在事件数据库4中没有找到与之相同的纵向事件集合，中央处理器将当前起因信息代入虚拟人模型公式中，将当前起因信息代入到与之相近的事件因素中计算得到结果信息。
预先在事件数据库4中存储有关键词模板，在比较当前起因信息和作为事件因素的历史起因信息的时候，将当前起因信息拆分成多个历史起因信息，并分别代入到虚拟人模型公式中进行计算，比如当前起因信息为“交往”，而在已有的虚拟人模型中有0.3*交流+02*前往+0.6*约会+0.4*买菜+……＝结果的公式，那么将“交往”拆分成“交”和“往”分别代入交流和前往两项中，而“交”为“交往”信息的0.5，所以在公式中表现为0.3*0.5*交往，而“往”为“交往”信息的0.5，所以在公式中表现为0.2*0.5*交往，其他没有信息的因素代入值为0，则整个公式表现为0.3*0.5*交往+0.2*0.5*交往，再加上条件信息组的约束，则可以得到结果信息。
在步骤三中，若当前起因信息在事件数据库4中没有找到与之相同的纵向事件集合，中央处理器通过共享模块在同类使用者中寻找与当前起因信息相同的事件信息。同类使用者，其行为习惯、乃至思维模式和认知机制都有一些相似之处，若在使用者未碰到的新事件时，其纵向事件集合中肯定不会有与当前起因信息相同的起因信息，也不会找到起因相同的事件信息，此时利用共享模块找到同类使用者的相同起因信息事件，能够直观地为该使用者提供对应的结果信息，帮助使用者应对当前事件。
在步骤四中，若中央处理器在事件数据库4中寻找到多个满足条件的事件，则将这些事件的结果信息进行分类统计，将结果信息相同个数最多的结果信息发送给智能终端2，结果信息相同个数最多，指的是同一个结果信息出现次数最多，如结果a出现了15次，结果b出现了13次，那么结果a就是最终作为结果信息发送给智能终端的结果信息，若分类的不同结果信息没有个数最多的结果信息，则在个数最多的几个结果信息中选择事件发生时间最近的结果信息发送给智能终端2，若仍然没有发生时间最近的结果信息，则在个数最多的结果信息中随机选择一个结果信息发送给智能终端2。智能终端2得到的结果信息始终都应该是最接近当前事件的，这样才能在逻辑上推导出使用者若还能够独立思考，其当前会作出的决策，使智能终端2得到的结果信息就是使用者本身最可能得出的结果，帮助使用者反向修复逐渐衰退的思维方式和认知机制。
以上所述的仅是本发明的实施例，方案中公知的具体结构及特性等常识在此未作过多描述，所属领域普通技术人员知晓申请日或者优先权日之前发明所属技术领域所有的普通技术知识，能够获知该领域中所有的现有技术，并且具有应用该日期之前常规实验手段的能力，所属领域普通技术人员可以在本申请给出的启示下，结合自身能力完善并实施本方案，一些典型的公知结构或者公知方法不应当成为所属领域普通技术人员实施本申请的障碍。应当指出，对于本领域的技术人员来说，在不脱离本发明结构的前提下，还可以作出若干变形和改进，这些也应该视为本发明的保护范围，这些都不会影响本发明实施的效果和专利的实用性。本申请要求的保护范围应当以其权利要求的内容为准，说明书中的具体实施方式等记载可以用于解释权利要求的内容。