CN112218114A - 视频缓存控制方法、装置和计算机可读存储介质 - Google Patents

视频缓存控制方法、装置和计算机可读存储介质 Download PDF

Info

Publication number
CN112218114A
CN112218114A CN201910617799.1A CN201910617799A CN112218114A CN 112218114 A CN112218114 A CN 112218114A CN 201910617799 A CN201910617799 A CN 201910617799A CN 112218114 A CN112218114 A CN 112218114A
Authority
CN
China
Prior art keywords
video
moment
predicted
quantized value
determining
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201910617799.1A
Other languages
English (en)
Other versions
CN112218114B (zh
Inventor
陈步华
梁洁
庄一嵘
陈戈
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Telecom Corp Ltd
Original Assignee
China Telecom Corp Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by China Telecom Corp Ltd filed Critical China Telecom Corp Ltd
Priority to CN201910617799.1A priority Critical patent/CN112218114B/zh
Publication of CN112218114A publication Critical patent/CN112218114A/zh
Application granted granted Critical
Publication of CN112218114B publication Critical patent/CN112218114B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
    • H04N21/23—Processing of content or additional data; Elementary server operations; Server middleware
    • H04N21/231—Content storage operation, e.g. caching movies for short term storage, replicating data over plural servers, prioritizing data for deletion
    • H04N21/23106—Content storage operation, e.g. caching movies for short term storage, replicating data over plural servers, prioritizing data for deletion involving caching operations
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/43—Processing of content or additional data, e.g. demultiplexing additional data from a digital video stream; Elementary client operations, e.g. monitoring of home network or synchronising decoder's clock; Client middleware
    • H04N21/442—Monitoring of processes or resources, e.g. detecting the failure of a recording device, monitoring the downstream bandwidth, the number of times a movie has been viewed, the storage space available from the internal hard disk
    • H04N21/44204—Monitoring of content usage, e.g. the number of times a movie has been viewed, copied or the amount which has been watched
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/45—Management operations performed by the client for facilitating the reception of or the interaction with the content or administrating data related to the end-user or to the client device itself, e.g. learning user preferences for recommending movies, resolving scheduling conflicts
    • H04N21/466—Learning process for intelligent management, e.g. learning user preferences for recommending movies
    • H04N21/4667—Processing of monitored end-user data, e.g. trend analysis based on the log file of viewer selections
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/45—Management operations performed by the client for facilitating the reception of or the interaction with the content or administrating data related to the end-user or to the client device itself, e.g. learning user preferences for recommending movies, resolving scheduling conflicts
    • H04N21/466—Learning process for intelligent management, e.g. learning user preferences for recommending movies
    • H04N21/4668—Learning process for intelligent management, e.g. learning user preferences for recommending movies for recommending content, e.g. movies
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/47—End-user applications
    • H04N21/475—End-user interface for inputting end-user data, e.g. personal identification number [PIN], preference data
    • H04N21/4756—End-user interface for inputting end-user data, e.g. personal identification number [PIN], preference data for rating content, e.g. scoring a recommended movie

Landscapes

  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Human Computer Interaction (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Two-Way Televisions, Distribution Of Moving Picture Or The Like (AREA)
  • Information Transfer Between Computers (AREA)

Abstract

本公开涉及一种视频缓存控制方法、装置和计算机可读存储介质，涉及计算机技术领域。本公开的方法包括：根据预设时间内视频的传播信息，确定视频的当前时刻的传播力量化值；传播信息包括分享信息和评论信息中至少一项；根据视频在历史不同时刻之间转发次数的变化，确定视频在待预测时刻的转发增长率；根据视频的当前时刻的传播力量化值和待预测时刻的转发增长率，确定视频在待预测时刻的传播力量化值；根据视频在待预测时刻的传播力量化值，确定是否在内容分发网络的边缘节点进行缓存。

Description

视频缓存控制方法、装置和计算机可读存储介质
技术领域
本公开涉及计算机技术领域，特别涉及一种视频缓存控制方法、装置和计算机可读存储介质。
背景技术
CDN(Content Delivery Network，内容分发网络)可以作为视频业务的承载网络，它构建在宽带或移动网上，为视频提供大规模流媒体服务。CDN一般为分级部署，中心节点保存全量内容，区域缓存节点和边缘节点保存问题内容，其中边缘缓存节点保存的内容最少。
由于边缘CDN节点缓存空间有限，保存的内容少，所以边缘缓存节点只能通过把热度高的内容存储在缓存中，从而减少回源的流量进而提升服务质量。
目前已知的一种在CDN边缘节点判断视频是否需要缓存的方案为：根据视频的观看量确定视频的热度，将观看量高的视频优先存储。
发明内容
发明人发现：由于互联网的发展，视频的传播速度变得更快，传播范围更广，新内容或部分冷内容会在一段时间后变成为热点内容，基于目前的CDN边缘节点缓存方案，无法实现有效缓存。
本公开所要解决的一个技术问题是：如何使CDN边缘节点更加有效地实现视频的缓存，减少用户向中心节点请求视频的流量。
根据本公开的一些实施例，提供的一种视频缓存控制方法，包括：根据预设时间内视频的传播信息，确定视频的当前时刻的传播力量化值；传播信息包括分享信息和评论信息中至少一项；根据视频在历史不同时刻之间转发次数的变化，确定视频在待预测时刻的转发增长率；根据视频的当前时刻的传播力量化值和待预测时刻的转发增长率，确定视频在待预测时刻的传播力量化值；根据视频在待预测时刻的传播力量化值，确定是否在内容分发网络的边缘节点进行缓存。
在一些实施例中，针对分享视频的每个预设用户，分享信息包括：该预设用户分享的视频的转发次数和该预设用户的关联用户数量中至少一项；评论信息包括：该预设用户分享的视频评论次数和点赞次数中至少一项；根据预设时间内视频的传播信息，确定视频的当前时刻的传播力量化值包括：针对分享视频的每个预设用户，根据预设时间段内该预设用户分享的视频的转发次数、评论次数、点赞次数以及该预设用户的关联用户数量中至少一项，确定该预设用户分享的视频的当前时刻的传播力量化值；根据所有预设用户分享的视频的当前传播力量化值，确定视频的当前时刻的传播力量化值。
在一些实施例中，根据视频在历史不同时刻之间转发次数的变化，确定视频在待预测时刻的转发增长率包括：根据视频在历史每相邻两时刻的转发次数的变化，确定视频的转发增长率关于时间的函数；根据视频的转发增长率关于时间的函数，确定视频在待预测时刻的转发增长率。
在一些实施例中，根据视频的当前时刻的传播力量化值和待预测时刻的转发增长率，确定视频在待预测时刻的传播力量化值包括：将视频的当前时刻的传播力量化值和待预测时刻的转发增长率的乘积，确定视频在待预测时刻的传播力量化值。
在一些实施例中，该方法还包括：根据视频当前时刻的观看概率和视频的观看概率关于时间的函数，确定视频在待预测时刻的观看概率，作为视频在待预测时刻的观看特征量化值；根据视频在待预测时刻的传播力量化值，确定是否在内容分发网络的边缘节点进行缓存包括：根据视频在待预测时刻的传播力量化值和视频在待预测时刻的观看特征量化值，确定是否在内容分发网络的边缘节点进行缓存。
在一些实施例中，视频的观看概率关于时间的函数是根据视频历史各个时刻的观看概率确定的。
在一些实施例中，该方法还包括：根据视频的评论信息，确定视频的情感量化值；根据视频在待预测时刻的传播力量化值，确定是否在内容分发网络的边缘节点进行缓存包括：根据视频在待预测时刻的传播力量化值，视频在待预测时刻的观看特征量化值，和视频的情感量化值，确定是否在内容分发网络的边缘节点进行缓存。
在一些实施例中，根据视频的评论信息，确定视频的情感量化值包括：利用情感分析模型确定视频的每条评论信息的情感量化值；根据视频的每条评论信息的情感量化值，确定视频的情感量化值；其中，评论信息越正面，则该评论信息的情感量化值越高。
在一些实施例中，根据视频在待预测时刻的传播力量化值，视频在待预测时刻的观看特征量化值，和视频的情感量化值，确定是否在内容分发网络的边缘节点进行缓存包括：将视频在待预测时刻的传播力量化值，视频在待预测时刻的观看特征量化值，和视频的情感量化值进行加权求和，将加权求和的结果与预设的时间函数相乘，根据乘积值确定是否在内容分发网络的边缘节点进行缓存。
在一些实施例中，该方法还包括：根据视频在待预测时刻的传播力量化值，视频在待预测时刻的观看特征量化值，和视频的情感量化值，确定是否向用户推荐视频。
根据本公开的另一些实施例，提供的一种视频缓存控制装置，包括：传播力量化模块，用于根据预设时间内视频的传播信息，确定视频的当前时刻的传播力量化值；传播信息包括分享信息和评论信息中至少一项；根据视频在历史不同时刻之间转发次数的变化，确定视频在待预测时刻的转发增长率；根据视频的当前时刻的传播力量化值和待预测时刻的转发增长率，确定视频在待预测时刻的传播力量化值；缓存控制模块，用于根据视频在待预测时刻的传播力量化值，确定是否在内容分发网络的边缘节点进行缓存。
在一些实施例中，该装置还包括：观看特征量化模块，用于根据视频当前时刻的观看概率和视频的观看概率关于时间的函数，确定视频在待预测时刻的观看概率，作为视频在待预测时刻的观看特征量化值；缓存控制模块用于根据视频在待预测时刻的传播力量化值和视频在待预测时刻的观看特征量化值，确定是否在内容分发网络的边缘节点进行缓存。
在一些实施例中，该装置还包括：情感量化模块，用于根据视频的评论信息，确定视频的情感量化值；缓存控制模块用于根据视频在待预测时刻的传播力量化值，视频在待预测时刻的观看特征量化值，和视频的情感量化值，确定是否在内容分发网络的边缘节点进行缓存。
在一些实施例中，该装置还包括：视频推荐模块，用于根据视频在待预测时刻的传播力量化值，视频在待预测时刻的观看特征量化值，和视频的情感量化值，确定是否向用户推荐视频。
根据本公开的又一些实施例，提供的一种视频缓存控制装置，包括：存储器；以及耦接至存储器的处理器，处理器被配置为基于存储在存储器中的指令，执行如前述任意实施例的视频缓存控制方法。
根据本公开的再一些实施例，提供的计算机可读存储介质，其上存储有计算机程序，其中，该程序被处理器执行时实现前述任意实施例的视频缓存控制方法。
本公开的方案根据当前的传播信息和历史不同时刻的转发次数的变化，对待预测时刻的传播力量化值进行预测，视频的传播信息能够更好反映视频的热度，基于对视频的传播的预测能够有效反映视频在待预测时刻的热度，反映视频传播变化的趋势。CDN缓存节点根据预测的视频的传播力量化值，有效的选取视频进行存储，能够有效减少用户向中心节点请求视频的流量，满足用户的需求，提高对用户请求的回复效率。
通过以下参照附图对本公开的示例性实施例的详细描述，本公开的其它特征及其优点将会变得清楚。
附图说明
为了更清楚地说明本公开实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1示出本公开的一些实施例的视频缓存控制方法的流程示意图。
图2示出本公开的另一些实施例的视频缓存控制方法的流程示意图。
图3示出本公开的又一些实施例的视频缓存控制方法的流程示意图。
图4示出本公开的一些实施例的视频缓存控制装置的结构示意图。
图5示出本公开的另一些实施例的视频缓存控制装置的结构示意图。
图6示出本公开的又一些实施例的视频缓存控制装置的结构示意图。
图7示出本公开的再一些实施例的视频缓存控制装置的结构示意图。
具体实施方式
下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本公开及其应用或使用的任何限制。基于本公开中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。
本公开提出一种视频缓存的控制方法，下面结合图1进行描述。
图1为本公开视频缓存的控制方法一些实施例的流程图。如图1所示，该实施例的方法包括：步骤S102～S108。
在步骤S102中，根据预设时间内视频的传播信息，确定视频的当前时刻的传播力量化值。
传播信息例如包括分享信息和评论信息中至少一项。针对分享视频的每个预设用户，分享信息例如包括：该预设用户分享的视频的转发次数和该预设用户的关联用户数量中至少一项。评论信息例如包括：该预设用户分享的视频评论次数和点赞次数中至少一项。
预设用户例如为关联用户数量超过数量阈值的用户，即针对影响范围比较广的用户进行统计，预设用户也可以是分享视频的全部用户，可以根据实际需求进行设置。传播信息可以从社交平台获取。用户可以转发或发布的方式对视频进行分享。其他用户对该用户分享的视频可以进一步转发、评论和点赞等。
在一些实施例中，针对分享视频的每个预设用户，根据预设时间段内该预设用户分享的视频的转发次数、评论次数、点赞次数以及该预设用户的关联用户数量中至少一项，确定该预设用户分享的视频的当前时刻的传播力量化值；根据所有预设用户分享的视频的当前传播力量化值，确定视频的当前时刻的传播力量化值。针对一个预设用户，视频的当前时刻的传播力量化值可以采用以下公式计算。
Figure BDA0002124524720000061
公式(1)中，i表示预设用户的编号，为正整数，ri表示第i个预设用户在预设时间内分享的视频由其他用户转发的次数，ci表示第i个预设用户在预设时间内分享的视频由其他用户评论的次数，fi表示与该预设用户关联的其他用户的数量，α，β和γ分别表示不同项的权重。
可以将各个预设用户对应的视频的当前时刻的传播力量化值Pi进行加权求和，得到视频的当前时刻的传播力量化值PN。
在步骤S104中，根据视频在历史不同时刻之间转发次数的变化，确定视频在待预测时刻的转发增长率。
例如，视频在每个历史时刻t0，t1，t2，…，tk的转发次数累积量分别为N1，N2，…，Nk。进一步，可以根据视频在历史每相邻两时刻的转发次数的变化，确定视频的转发增长率关于时间的函数；根据视频的转发增长率关于时间的函数，确定视频在待预测时刻的转发增长率。
在一些实施例中，在tk时刻的转发量变化率可以记为Ak＝(Nk-Nk-1)/(Nk-1)，k为正整数。可以根据历史每相邻两时刻的转发次数的变化率，确定视频的转发增长率关于时间的函数。
或者，可以根据以下公式确定视频的转发增长率关于时间的函数。
Figure BDA0002124524720000071
Figure BDA0002124524720000072
公式(3)中δ可以根据实际数据测试确定。tT可以表示从视频的初始时刻到待预测时刻的时间差。初始时刻例如为第一次播放的时刻或者某一预设的历史时刻。A的计算方法也可以采用历史每相邻两时刻的转发次数的变化率的平均值代替。由于转发量会随时间呈现指数性增长，因此，将增长率关于时间的函数设置为公式(3)的形式。
在步骤S106中，根据视频的当前时刻的传播力量化值和待预测时刻的转发增长率，确定视频在待预测时刻的传播力量化值。
在一些实施例中，可以将视频的当前时刻的传播力量化值和待预测时刻的转发增长率的乘积作为视频在待预测时刻的传播力量化值。或者将将视频的当前时刻的传播力量化值、待预测时刻的转发增长率和对应的预设的权重三者的乘积作为视频在待预测时刻的传播力量化值。可以采用以下公式表示视频在待预测时刻的传播力量化值。
Figure BDA0002124524720000073
公式(4)中，PN表示视频在当前时刻的传播力量化值，是根据各个预设用户对应的视频的当前时刻的传播力量化值Pi进行加权求和得到的，
Figure BDA0002124524720000074
为预设的权重。
在步骤S108中，根据视频在待预测时刻的传播力量化值，确定是否在内容分发网络的边缘节点进行缓存。
可以根据各个视频在待预测时刻的传播力量化值，对各个视频由大到小进行排序，选取排序在预设排名之前的视频在内容分发网络的边缘节点进行缓存。
上述实施例方法中视频的传播信息、转发次数等信息，可以针对边缘节点对应的用户进行统计，进而确定在该边缘节点的用户范围内视频对应的待预测时刻的传播力量化值，之后再根据该边缘节点的用户范围内各个视频对应的待预测时刻的传播力量化值，确定是否在该边缘节点对视频进行缓存。
上述实施例的方案根据当前的传播信息和历史不同时刻的转发次数的变化，对待预测时刻的传播力量化值进行预测，视频的传播信息能够更好反映视频的热度，基于对视频的传播的预测能够有效反映视频在待预测时刻的热度，反映视频传播变化的趋势。CDN缓存节点根据预测的视频的传播力量化值，有效的选取视频进行存储，能够有效减少用户向中心节点请求视频的流量，满足用户的需求，提高对用户请求的回复效率。
为了进一步提高CDN边缘节点对于视频缓存的有效性，减少用户向中心节点请求视频的流量，本公开还提供视频缓存控制方法的另一些实施例，下面结合图2进行描述。
图2为本公开视频缓存的控制方法另一些实施例的流程图。如图2所示，该实施例的方法包括：步骤S202～S208。
在步骤S202中，根据预设时间内视频的传播信息，确定视频的当前时刻的传播力量化值。
在步骤S204中，根据视频在历史不同时刻之间转发次数的变化，确定视频在待预测时刻的转发增长率。
在步骤S206中，根据视频的当前时刻的传播力量化值和待预测时刻的转发增长率，确定视频在待预测时刻的传播力量化值。
步骤S202～S206可以参考前述实施例中的步骤S102～S106的描述。
在步骤S203中，根据视频历史各个时刻的观看概率确定视频的观看概率关于时间的函数。
视频的观看概率可以根据观看该视频的用户数量和全部用户数量的比值确定。观看该视频的用户和全部用户可以是边缘节点对应的观看该视频的用户和边缘节点对应的全部用户。可以根据历史各个时刻的观看概率，获得观看概率关于时间的函数，进而根据该函数确定视频在待预测时刻的观看概率。
在步骤S205中，根据视频当前时刻的观看概率和视频的观看概率关于时间的函数，确定视频在待预测时刻的观看概率，作为视频在待预测时刻的观看特征量化值。
可以将视频当前时刻的观看概率和视频的观看概率关于时间的函数的乘积，或者将视频当前时刻的观看概率，视频的观看概率关于时间的函数和对应的预设权重的乘积，作为视频的观看特征量化值。
步骤S202～S206与步骤S203～S205为并列步骤，不区分先后顺序。
确定视频在待预测时刻的观看概率还可以采用其他方法确定。例如，确定与该视频相似的其他视频的观看概率的变化情况，与该视频相似的其他视频为与该视频的类型或者演员至少一项相同的视频。根据与该视频相似的其他视频的观看概率的变化情况，确定待预测时刻的观看概率。
具体的，可以从与该视频相似的其他视频中筛选出初始播出时间早于该视频的初始播出时间达到预设时间长度的视频作为候选视频。即候选视频与该视频相似，但是播出时间早于该视频。将候选视频的播出时间按顺序和预设时间长度划分为不同时间阶段，例如，划分为第一时间阶段、第二时间阶段……。确定该视频的待预测时刻所对应的时间阶段。例如该视频播出的第10天为第二时间阶段。根据该视频的待预测时刻所对应的时间阶段，确定候选视频在该时间阶段的观看概率。根据候选视频在该时间阶段的观看概率，确定该视频在待预测时刻的观看概率。例如，可以将各个候选视频在该时间阶段的观看概率的平均值作为该视频在待预测时刻的观看概率。
在步骤S208中，根据视频在待预测时刻的传播力量化值和视频在待预测时刻的观看特征量化值，确定是否在内容分发网络的边缘节点进行缓存。
例如，可以将视频在待预测时刻的传播力量化值和观看特征量化值进行加权，作为该视频的热度预测值。根据各个视频的热度预测值由大到小进行排序，选取排序在预设排名之前的视频在内容分发网络的边缘节点进行缓存。
上述实施例的方法对视频的传播情况和观看情况进行预测，从不同方面反映视频的热度，进一步提高了CDN边缘节点对视频进行缓存的有效性，能够有效减少用户向中心节点请求视频的流量，满足用户的需求，提高对用户请求的回复效率。
本公开还提出视频缓存控制方法的又一些实施例，下面结合图3进行描述。
图3为本公开视频缓存的控制方法又一些实施例的流程图。如图3所示，该实施例的方法包括：步骤S302～S307。
在步骤S301中，根据预设时间内视频的传播信息，确定视频的当前时刻的传播力量化值。
在步骤S302中，根据视频在历史不同时刻之间转发次数的变化，确定视频在待预测时刻的转发增长率。
在步骤S303中，根据视频的当前时刻的传播力量化值和待预测时刻的转发增长率，确定视频在待预测时刻的传播力量化值。
在步骤S304中，根据视频历史各个时刻的观看概率确定视频的观看概率关于时间的函数.
在步骤S305中，根据视频当前时刻的观看概率和视频的观看概率关于时间的函数，确定视频在待预测时刻的观看概率，作为视频在待预测时刻观看特征量化值。
上述步骤S301～S305可以参考前述实施例的步骤S202～S206的描述。
在步骤S306中，根据视频的评论信息，确定视频的情感量化值。
视频的评论信息可以反映用户对视频的喜爱程度。在一些实施例中，利用情感分析模型确定视频的每条评论信息的情感量化值；根据视频的每条评论信息的情感量化值，确定视频的情感量化值；其中，评论信息越正面，则该评论信息的情感量化值越高。例如，情感分析模型可以是深度学习模型。利用预先标注好情感值的评论信息作为训练样本。例如，正面的评论信息的情感值为1，负面的评论信息的情感值为0。利用训练样本对情感分析模型进行训练。将视频的评论信息输入训练好的情感分析模型，得到该评论信息属于正面情感的概率值，作为该评论信息的情感量化值。进一步，可以将视频的各条评论信息的情感量化值取平均值，作为该视频的情感量化值。也可以采用其他自然语言处理技术确定视频的情感量化值，不限于所举示例。评论信息可以包括弹幕信息或各种社交平台、讨论区等的其他评论信息等。
在步骤S307中，根据视频在待预测时刻的传播力量化值，视频在待预测时刻的观看特征量化值，和视频的情感量化值，确定是否在内容分发网络的边缘节点进行缓存。
在一些实施例中，可以将视频在待预测时刻的传播力量化值，视频在待预测时刻的观看特征量化值，和视频的情感量化值进行加权求和，作为视频的热度预测值，根据视频的热度预测值确定是否在内容分发网络的边缘节点进行缓存。
在一些实施例中，将视频在待预测时刻的传播力量化值，视频在待预测时刻的观看特征量化值，和视频的情感量化值进行加权求和，将加权求和的结果与预设的时间函数相乘，根据乘积值确定是否在内容分发网络的边缘节点进行缓存。
根据发明人的观察，视频的热度呈现出先升后降的趋势，因此，预设的时间函数用于反映该趋势，可以更准确的预测视频的热度。预设的时间函数可以是基于与该视频相似的大量视频的历史数据拟合而成的。与该视频相似的其他视频例如为与该视频类型或演员的其中一项相同的其他视频。可以选取已经经历过热度变化，目前处于热度下降期的视频或者已经为冷数据的视频作为热度拟合的候选视频，根据热度拟合的候选视频的历史热度值数据，确定预设的时间函数。热度拟合的候选视频的在一个历史时刻热度值例如可以表示为在该历史时刻的情感量化值、传播力量化值和观看特征量化值的加权。根据前述实施例的方法计算感量化值、传播力量化值和观看特征量化值。根据热度拟合的候选视频在每个历史时刻的热度值对预设的时间函数进行拟合。预设的时间函数中的时间表示从开始时间到当前历史时刻的时差值。
例如，预设的时间函数可以采用高斯函数，
Figure BDA0002124524720000121
或者，预设的时间函数例如表示为
Figure BDA0002124524720000122
可以通过该视频相似的其他视频的历史热度数据得到g(tT)中的系数值。tT表示从视频的初始时刻到待预测时刻的时间差。初始时刻例如为第一次播放的时刻或者某一预设的历史时刻。
视频的热度预测值可以采用以下公式进行表示。
H＝(M+P+B)g(tT) (5)
公式(5)中M表示视频的情感量化值，P表示视频在待预测时刻的传播力量化值，B表示视频在待预测时刻的观看特征量化值。
为了简化公式的复杂程度，可以采用视频的情感量化值、视频在待预测时刻的传播力量化值、视频在待预测时刻的观看特征量化值的任意一项或任意两项进行加权后与预设的时间函数相乘，得到视频的热度预测值。也可以将视频在待预测时刻的传播力量化值、视频在待预测时刻的观看特征量化值，简化为视频在当前时刻的传播力量化值、视频在当前时刻的观看特征量化值，即不进行待预测时刻的预测，由于后续还有预设的时间函数进行调整，视频的热度预测值相对于现有技术更加准确。
根据各个视频的热度预测值由大到小进行排序，选取排序在预设排名之前的视频在内容分发网络的边缘节点进行缓存。本公开中计算视频的热度预测值的方案还可以应用于视频推荐场景中，根据各个视频的热度预测值向用户推荐视频，可以提高推荐的有效性，提升用户体验。
上述实施例的方案，传播情况、观看情况和用户的评论情感等多个方面对进行视频的热度预测，从不同方面反映视频的热度，并且引入反映热度变化的预设的时间函数对视频的热度预测值进行修正，进一步提高了CDN边缘节点对视频进行缓存的有效性，能够有效减少用户向中心节点请求视频的流量，满足用户的需求，提高对用户请求的回复效率。
本公开还提供一种视频缓存控制装置，下面结合图4进行描述。
图4为本公开视频缓存控制装置的一些实施例的结构图。如图4所示，该实施例的装置40包括：传播力量化模块402，缓存控制模块404。
传播力量化模块402用于根据预设时间内视频的传播信息，确定视频的当前时刻的传播力量化值；传播信息包括分享信息和评论信息中至少一项；根据视频在历史不同时刻之间转发次数的变化，确定视频在待预测时刻的转发增长率；根据视频的当前时刻的传播力量化值和待预测时刻的转发增长率，确定视频在待预测时刻的传播力量化值。
在一些实施例中，针对分享视频的每个预设用户，分享信息包括：该预设用户分享的视频的转发次数和该预设用户的关联用户数量中至少一项；评论信息包括：该预设用户分享的视频评论次数和点赞次数中至少一项。传播力量化模块402用于针对分享视频的每个预设用户，根据预设时间段内该预设用户分享的视频的转发次数、评论次数、点赞次数以及该预设用户的关联用户数量中至少一项，确定该预设用户分享的视频的当前时刻的传播力量化值；根据所有预设用户分享的视频的当前传播力量化值，确定视频的当前时刻的传播力量化值。
在一些实施例中，传播力量化模块402用于根据视频在历史每相邻两时刻的转发次数的变化，确定视频的转发增长率关于时间的函数；根据视频的转发增长率关于时间的函数，确定视频在待预测时刻的转发增长率。
在一些实施例中，传播力量化模块402用于将视频的当前时刻的传播力量化值和待预测时刻的转发增长率的乘积，确定视频在待预测时刻的传播力量化值。
缓存控制模块404用于根据视频在待预测时刻的传播力量化值，确定是否在内容分发网络的边缘节点进行缓存。
下面结合图5描述本公开视频缓存控制装置的另一些实施例。
图5为本公开视频缓存控制装置的另一些实施例的结构图。如图5所示，该实施例的装置50包括：传播力量化模块502与传播力量化模块402具有相同或相似的功能。装置50还包括：观看特征量化模块504，缓存控制模块506。
观看特征量化模块504用于根据视频当前时刻的观看概率和视频的观看概率关于时间的函数，确定视频在待预测时刻的观看概率，作为视频在待预测时刻的观看特征量化值。
在一些实施例中，视频的观看概率关于时间的函数是根据视频历史各个时刻的观看概率确定的。
缓存控制模块506用于根据视频在待预测时刻的传播力量化值和视频在待预测时刻的观看特征量化值，确定是否在内容分发网络的边缘节点进行缓存。
在一些实施例中，装置50还包括：情感量化模块508，用于根据视频的评论信息，确定视频的情感量化值。
在一些实施例中，情感量化模块508用于利用情感分析模型确定视频的每条评论信息的情感量化值；根据视频的每条评论信息的情感量化值，确定视频的情感量化值；其中，评论信息越正面，则该评论信息的情感量化值越高。
缓存控制模块506用于根据视频在待预测时刻的传播力量化值，视频在待预测时刻的观看特征量化值，和视频的情感量化值，确定是否在内容分发网络的边缘节点进行缓存。
在一些实施例中，缓存控制模块506用于将视频在待预测时刻的传播力量化值，视频在待预测时刻的观看特征量化值，和视频的情感量化值进行加权求和，将加权求和的结果与预设的时间函数相乘，根据乘积值确定是否在内容分发网络的边缘节点进行缓存。
在一些实施例中，装置50还包括：视频推荐模块510，用于根据视频在待预测时刻的传播力量化值，视频在待预测时刻的观看特征量化值，和视频的情感量化值，确定是否向用户推荐视频。
本公开的实施例中的视频缓存控制装置可各由各种计算设备或计算机系统来实现，下面结合图6以及图7进行描述。
图6为本公开视频缓存控制装置的一些实施例的结构图。如图6所示，该实施例的装置60包括：存储器610以及耦接至该存储器610的处理器620，处理器620被配置为基于存储在存储器610中的指令，执行本公开中任意一些实施例中的视频缓存控制方法。
其中，存储器610例如可以包括系统存储器、固定非易失性存储介质等。系统存储器例如存储有操作系统、应用程序、引导装载程序(Boot Loader)、数据库以及其他程序等。
图7为本公开视频缓存控制装置的另一些实施例的结构图。如图7所示，该实施例的装置70包括：存储器710以及处理器720，分别与存储器610以及处理器620类似。还可以包括输入输出接口730、网络接口740、存储接口750等。这些接口730，740，750以及存储器710和处理器720之间例如可以通过总线760连接。其中，输入输出接口730为显示器、鼠标、键盘、触摸屏等输入输出设备提供连接接口。网络接口740为各种联网设备提供连接接口，例如可以连接到数据库服务器或者云端存储服务器等。存储接口750为SD卡、U盘等外置存储设备提供连接接口。
本领域内的技术人员应当明白，本公开的实施例可提供为方法、系统、或计算机程序产品。因此，本公开可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本公开可采用在一个或多个其中包含有计算机可用程序代码的计算机可用非瞬时性存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本公开是参照根据本公开实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解为可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅为本公开的较佳实施例，并不用以限制本公开，凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。

Claims (16)

1.一种视频缓存控制方法，包括：
根据预设时间内视频的传播信息，确定所述视频的当前时刻的传播力量化值；所述传播信息包括分享信息和评论信息中至少一项；
根据所述视频在历史不同时刻之间所述转发次数的变化，确定所述视频在待预测时刻的转发增长率；
根据所述视频的当前时刻的传播力量化值和所述待预测时刻的转发增长率，确定所述视频在待预测时刻的传播力量化值；
根据所述视频在待预测时刻的传播力量化值，确定是否在内容分发网络的边缘节点进行缓存。
2.根据权利要求1所述的视频缓存控制方法，其中，
针对分享所述视频的每个预设用户，所述分享信息包括：该预设用户分享的所述视频的转发次数和该预设用户的关联用户数量中至少一项；所述评论信息包括：该预设用户分享的所述视频评论次数和点赞次数中至少一项；
所述根据预设时间内视频的传播信息，确定所述视频的当前时刻的传播力量化值包括：
针对分享所述视频的每个预设用户，根据预设时间段内该预设用户分享的所述视频的转发次数、评论次数、点赞次数以及该预设用户的关联用户数量中至少一项，确定该预设用户分享的所述视频的当前时刻的传播力量化值；
根据所有预设用户分享的所述视频的当前传播力量化值，确定所述视频的当前时刻的传播力量化值。
3.根据权利要求1所述的视频缓存控制方法，其中，
所述根据所述视频在历史不同时刻之间所述转发次数的变化，确定所述视频在待预测时刻的转发增长率包括：
根据所述视频在历史每相邻两时刻的转发次数的变化，确定所述视频的转发增长率关于时间的函数；
根据所述视频的转发增长率关于时间的函数，确定所述视频在待预测时刻的转发增长率。
4.根据权利要求1所述的视频缓存控制方法，其中，
所述根据所述视频的当前时刻的传播力量化值和所述待预测时刻的转发增长率，确定所述视频在待预测时刻的传播力量化值包括：
将所述视频的当前时刻的传播力量化值和所述待预测时刻的转发增长率的乘积，确定所述视频在待预测时刻的传播力量化值。
5.根据权利要求1所述的视频缓存控制方法，还包括：
根据所述视频当前时刻的观看概率和所述视频的观看概率关于时间的函数，确定所述视频在待预测时刻的观看概率，作为所述视频在待预测时刻的观看特征量化值；
所述根据所述视频在待预测时刻的传播力量化值，确定是否在内容分发网络的边缘节点进行缓存包括：
根据所述视频在待预测时刻的传播力量化值和所述视频在待预测时刻的观看特征量化值，确定是否在内容分发网络的边缘节点进行缓存。
6.根据权利要求5所述的视频缓存控制方法，其中，
所述视频的观看概率关于时间的函数是根据所述视频历史各个时刻的观看概率确定的。
7.根据权利要求5所述的视频缓存控制方法，还包括：
根据所述视频的评论信息，确定所述视频的情感量化值；
所述根据所述视频在待预测时刻的传播力量化值，确定是否在内容分发网络的边缘节点进行缓存包括：
所述根据所述视频在待预测时刻的传播力量化值，所述视频在待预测时刻的观看特征量化值，和所述视频的情感量化值，确定是否在内容分发网络的边缘节点进行缓存。
8.根据权利要求7所述的视频缓存控制方法，其中，
所述根据所述视频的评论信息，确定所述视频的情感量化值包括：
利用情感分析模型确定所述视频的每条评论信息的情感量化值；
根据所述视频的每条评论信息的情感量化值，确定所述视频的情感量化值；
其中，所述评论信息越正面，则该评论信息的情感量化值越高。
9.根据权利要求7所述的视频缓存控制方法，其中，
所述根据所述视频在待预测时刻的传播力量化值，所述视频在待预测时刻的观看特征量化值，和所述视频的情感量化值，确定是否在内容分发网络的边缘节点进行缓存包括：
将所述视频在待预测时刻的传播力量化值，所述视频在待预测时刻的观看特征量化值，和所述视频的情感量化值进行加权求和，将加权求和的结果与预设的时间函数相乘，根据乘积值确定是否在内容分发网络的边缘节点进行缓存。
10.根据权利要求7所述的视频缓存控制方法，还包括：
根据所述视频在待预测时刻的传播力量化值，所述视频在待预测时刻的观看特征量化值，和所述视频的情感量化值，确定是否向用户推荐所述视频。
11.一种视频缓存控制装置，包括：
传播力量化模块，用于根据预设时间内视频的传播信息，确定所述视频的当前时刻的传播力量化值；所述传播信息包括分享信息和评论信息中至少一项；根据所述视频在历史不同时刻之间所述转发次数的变化，确定所述视频在待预测时刻的转发增长率；根据所述视频的当前时刻的传播力量化值和所述待预测时刻的转发增长率，确定所述视频在待预测时刻的传播力量化值；
缓存控制模块，用于根据所述视频在待预测时刻的传播力量化值，确定是否在内容分发网络的边缘节点进行缓存。
12.根据权利要求11所述的视频缓存控制装置，还包括：
观看特征量化模块，用于根据所述视频当前时刻的观看概率和所述视频的观看概率关于时间的函数，确定所述视频在待预测时刻的观看概率，作为所述视频在待预测时刻的观看特征量化值；
所述缓存控制模块用于根据所述视频在待预测时刻的传播力量化值和所述视频在待预测时刻的观看特征量化值，确定是否在内容分发网络的边缘节点进行缓存。
13.根据权利要求12所述的视频缓存控制装置，还包括：
情感量化模块，用于根据所述视频的评论信息，确定所述视频的情感量化值；
所述缓存控制模块用于根据所述视频在待预测时刻的传播力量化值，所述视频在待预测时刻的观看特征量化值，和所述视频的情感量化值，确定是否在内容分发网络的边缘节点进行缓存。
14.根据权利要求12所述的视频缓存控制装置，还包括：
视频推荐模块，用于根据所述视频在待预测时刻的传播力量化值，所述视频在待预测时刻的观看特征量化值，和所述视频的情感量化值，确定是否向用户推荐所述视频。
15.一种视频缓存控制装置，包括：
存储器；以及
耦接至所述存储器的处理器，所述处理器被配置为基于存储在所述存储器中的指令，执行如权利要求1-10任一项所述的视频缓存控制方法。
16.一种计算机可读存储介质，其上存储有计算机程序，其中，该程序被处理器执行时实现权利要求1-10任一项所述方法的步骤。
CN201910617799.1A 2019-07-10 2019-07-10 视频缓存控制方法、装置和计算机可读存储介质 Active CN112218114B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910617799.1A CN112218114B (zh) 2019-07-10 2019-07-10 视频缓存控制方法、装置和计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910617799.1A CN112218114B (zh) 2019-07-10 2019-07-10 视频缓存控制方法、装置和计算机可读存储介质

Publications (2)

Publication Number Publication Date
CN112218114A true CN112218114A (zh) 2021-01-12
CN112218114B CN112218114B (zh) 2023-01-03

Family

ID=74047412

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910617799.1A Active CN112218114B (zh) 2019-07-10 2019-07-10 视频缓存控制方法、装置和计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN112218114B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114501152A (zh) * 2022-01-25 2022-05-13 上海影宴数码科技有限公司 一种基于短视频去中心化智能分发系统
CN114900732A (zh) * 2022-04-25 2022-08-12 北京奇艺世纪科技有限公司 视频缓存方法、装置、电子设备及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130205320A1 (en) * 2012-02-03 2013-08-08 Korea Advanced Institute Of Science And Technology Apparatus, system, method and computer readable recording medium storing the program for related recommendation of tv program contents and web contents
CN108966014A (zh) * 2018-08-01 2018-12-07 中国联合网络通信集团有限公司 一种热度视频评估方法和系统
CN109446378A (zh) * 2018-11-08 2019-03-08 北京奇艺世纪科技有限公司 信息推荐方法、情感倾向确定方法及装置和电子设备
CN109769128A (zh) * 2018-12-25 2019-05-17 北京达佳互联信息技术有限公司 视频推荐方法、视频推荐装置和计算机可读存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130205320A1 (en) * 2012-02-03 2013-08-08 Korea Advanced Institute Of Science And Technology Apparatus, system, method and computer readable recording medium storing the program for related recommendation of tv program contents and web contents
CN108966014A (zh) * 2018-08-01 2018-12-07 中国联合网络通信集团有限公司 一种热度视频评估方法和系统
CN109446378A (zh) * 2018-11-08 2019-03-08 北京奇艺世纪科技有限公司 信息推荐方法、情感倾向确定方法及装置和电子设备
CN109769128A (zh) * 2018-12-25 2019-05-17 北京达佳互联信息技术有限公司 视频推荐方法、视频推荐装置和计算机可读存储介质

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114501152A (zh) * 2022-01-25 2022-05-13 上海影宴数码科技有限公司 一种基于短视频去中心化智能分发系统
CN114501152B (zh) * 2022-01-25 2023-08-08 上海影宴数码科技有限公司 一种基于短视频去中心化智能分发系统
CN114900732A (zh) * 2022-04-25 2022-08-12 北京奇艺世纪科技有限公司 视频缓存方法、装置、电子设备及存储介质
CN114900732B (zh) * 2022-04-25 2024-01-12 北京奇艺世纪科技有限公司 视频缓存方法、装置、电子设备及存储介质

Also Published As

Publication number Publication date
CN112218114B (zh) 2023-01-03

Similar Documents

Publication Publication Date Title
US11531926B2 (en) Method and apparatus for generating machine learning model by using distributed computing framework
JP6457447B2 (ja) データセンターのネットワークトラフィックスケジューリング方法及び装置
US10454987B2 (en) Bitrate optimization for multi-representation encoding using playback statistics
US20180183891A1 (en) Optimizing user interface data caching for future actions
CN111460384B (zh) 策略的评估方法、装置和设备
CN103974097A (zh) 基于流行度和社交网络的个性化用户原创视频预取方法及系统
CN114265979A (zh) 确定融合参数的方法、信息推荐方法和模型训练方法
US20230004608A1 (en) Method for content recommendation and device
CN109389424B (zh) 流量分配方法、装置、电子设备及存储介质
CN112218114B (zh) 视频缓存控制方法、装置和计算机可读存储介质
CN110866040A (zh) 用户画像生成方法、装置和系统
CN110992127B (zh) 一种物品推荐方法及装置
US20240176909A1 (en) Differential privacy-based service analysis method and apparatus
US11605028B2 (en) Methods and systems for sequential model inference
US20180341873A1 (en) Adaptive prior selection in online experiments
WO2024051707A1 (zh) 训练推荐模型的方法、推荐资源的方法及其装置
WO2023087933A1 (zh) 内容推荐方法、装置、设备、存储介质及程序产品
Ben Letaifa WBQoEMS: Web browsing QoE monitoring system based on prediction algorithms
US11687602B2 (en) Efficient use of computing resources in responding to content requests
CN116340645A (zh) 基于图增强协同过滤的内容推荐
JP5325280B2 (ja) 情報処理装置
CN114510627A (zh) 对象推送方法、装置、电子设备及存储介质
CN109299351B (zh) 内容推荐方法和装置、电子设备及计算机可读介质
CN112905885A (zh) 向用户推荐资源的方法、装置、设备、介质和程序产品
JP7235900B2 (ja) コンテンツ要求に応答する際のコンピューティングリソースの効率的な使用

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant