1.用于生成数字人视频的方法，其特征在于，包括以下步骤：

S1.获取用户行为数据，对用户行为数据进行预处理，提取用户偏好、兴趣标签和交互记录，通过深度学习模型生成用户特征向量；

S2.将用户特征向量输入到对抗网络，生成初始的数字人形象，获取用户情感输入数据，通过情感分析模型提取用户情绪状态特性，设定数字人的情感反应，分析用户实时交互数据，获取用户互动匹配度指数；

S3.基于用户互动匹配度指数，通过模糊逻辑控制算法建立反馈机制，调整数字人表情细节、语调和肢体语言，生成个性化数字人形象；

S4.基于用户特征向量、互动匹配度指数，通过自然语言生成模型生成个性化对话内容，并结合分布式渲染生成数字人视频；

所述基于用户互动匹配度指数，通过模糊逻辑控制算法建立反馈机制，调整数字人表情细节、语调和肢体语言的具体过程如下：根据用户互动匹配度指数设置模糊逻辑控制器的输入变量，定义模糊集合和规则库，构建模糊规则，通过模糊推理机制，将输入变量映射到模糊集合中，并进行模糊运算，生成模糊输出，调整数字人表情细节、语调和肢体语言。

2.根据权利要求1所述的用于生成数字人视频的方法，其特征在于：对用户行为数据进行预处理，提取用户偏好、兴趣标签和交互记录的具体过程如下：将用户的历史浏览记录、点击行为和停留时间进行归一化处理，通过聚类算法分析用户行为数据，提取用户的偏好特征和兴趣标签，并记录用户在不同交互场景中的行为频率。

3.根据权利要求2所述的用于生成数字人视频的方法，其特征在于：通过深度学习模型生成用户特征向量的具体过程如下：将预处理后的用户行为数据输入到深度学习模型中，采用多层感知器对用户的偏好特征和兴趣标签进行特征提取，通过激活函数对每一层的输出进行非线性变换，最终通过全连接层生成用户特征向量。

4.根据权利要求3所述的用于生成数字人视频的方法，其特征在于：通过情感分析模型提取用户情绪状态特性，设定数字人的情感反应的具体过程如下：将用户情感输入数据输入到情感分析模型中，通过情感分析模型的长短期记忆网络对用户的文本、语音或面部表情数据进行分析，提取出用户的情绪特征；

基于提取的情绪特征对数字人的情感状态进行分类，并设定相应的情感反应规则，匹配用户情绪状态。

5.根据权利要求4所述的用于生成数字人视频的方法，其特征在于：分析用户实时交互数据，获取用户互动匹配度指数的具体过程如下：获取用户实时交互数据，包括点击行为、浏览时长、反馈响应，形成多维交互数据集，并通过多维数据聚合对不同类型交互数据进行归一化处理；

通过主成分分析对归一化后的数据进行特征提取，生成主要特征向量，构建加权互动匹配度模型，基于历史交互数据分析每种交互行为的重要性，结合协同过滤算法和动态加权机制，赋予不同交互行为以可变权重，实时更新权重值以适应用户当前行为模式；

通过多因素线性回归分析建立综合评分公式，将提取的主要特征和动态权重结合，计算出用户互动匹配度指数，量化用户与数字人之间的交互质量和一致性。

6.根据权利要求5所述的用于生成数字人视频的方法，其特征在于：结合分布式渲染生成数字人视频的具体过程如下：构建数字人模型和场景环境，通过分布式渲染系统将渲染任务划分为多个子任务，并将其分配给不同的计算节点进行并行处理；

在渲染过程中，结合用户的互动匹配度指数，动态调整数字人的表情细节、语调和肢体语言；

每个计算节点根据自身处理能力和当前负载，独立执行渲染任务，并在完成后将渲染结果发送回中央处理单元；

中央处理单元对接收到的渲染结果进行合成，生成数字人视频。

7.用于生成数字人视频的系统，应用权利要求2‑6任意一项所述的用于生成数字人视频的方法，其特征在于，包括以下模块：数据获取模块、形象生成模块、情感调整模块、生成模块；

所述数据获取模块用于获取用户行为数据，对用户行为数据进行预处理，提取用户偏好、兴趣标签和交互记录，通过深度学习模型生成用户特征向量；

所述形象生成模块用于将用户特征向量输入到对抗网络，生成初始的数字人形象，获取用户情感输入数据，通过情感分析模型提取用户情绪状态特性，设定数字人的情感反应，分析用户实时交互数据，获取用户互动匹配度指数；

所述情感调整模块用于基于用户互动匹配度指数，通过模糊逻辑控制算法建立反馈机制，调整数字人表情细节、语调和肢体语言，生成个性化数字人形象；

所述生成模块用于基于用户特征向量、互动匹配度指数，通过自然语言生成模型生成个性化对话内容，并结合分布式渲染生成数字人视频；

所述基于用户互动匹配度指数，通过模糊逻辑控制算法建立反馈机制，调整数字人表情细节、语调和肢体语言的具体过程如下：根据用户互动匹配度指数设置模糊逻辑控制器的输入变量，定义模糊集合和规则库，构建模糊规则，通过模糊推理机制，将输入变量映射到模糊集合中，并进行模糊运算，生成模糊输出，调整数字人表情细节、语调和肢体语言。