CN107396144A - 一种弹幕分发方法及装置 - Google Patents

一种弹幕分发方法及装置 Download PDF

Info

Publication number
CN107396144A
CN107396144A CN201710525252.XA CN201710525252A CN107396144A CN 107396144 A CN107396144 A CN 107396144A CN 201710525252 A CN201710525252 A CN 201710525252A CN 107396144 A CN107396144 A CN 107396144A
Authority
CN
China
Prior art keywords
barrage
user
emotion
history
group
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
CN201710525252.XA
Other languages
English (en)
Other versions
CN107396144B (zh
Inventor
刘宇超
陈少杰
张文明
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.)
Wuhan Douyu Network Technology Co Ltd
Original Assignee
Wuhan Douyu Network Technology Co 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 Wuhan Douyu Network Technology Co Ltd filed Critical Wuhan Douyu Network Technology Co Ltd
Priority to CN201710525252.XA priority Critical patent/CN107396144B/zh
Publication of CN107396144A publication Critical patent/CN107396144A/zh
Application granted granted Critical
Publication of CN107396144B publication Critical patent/CN107396144B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • H04N21/25—Management operations performed by the server for facilitating the content distribution or administrating data related to end-users or client devices, e.g. end-user or client device authentication, learning user preferences for recommending movies
    • H04N21/251—Learning process for intelligent management, e.g. learning user preferences for recommending movies
    • H04N21/252—Processing of multiple end-users' preferences to derive collaborative data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • H04N21/4508—Management of client data or end-user data
    • H04N21/4532—Management of client data or end-user data involving end-user characteristics, e.g. viewer profile, preferences
    • 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
    • H04N21/488—Data services, e.g. news ticker
    • H04N21/4884—Data services, e.g. news ticker for displaying subtitles

Landscapes

  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Signal Processing (AREA)
  • Multimedia (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本发明提供一种弹幕分发方法及装置，其中所述方法包括：S1，对当前直播间中的用户进行分组，根据所述各用户当前发送的待分发弹幕的词向量和第一预设历史时间段内所述各用户发送的第一历史弹幕的词向量，使用训练好的LSTM神经网络获取所述待分发弹幕和所述第一历史弹幕的情感得分；S2，根据所述第一历史弹幕的情感得分，获取每组用户发送的第一历史弹幕的情感总分；S3，基于对所述每组用户发送的第一历史弹幕的情感总分的判断，对应根据所述待分发弹幕的情感得分将所述待分发弹幕发送给所述每组用户。本发明根据第一预设历史时间段内每组用户发送的第一历史弹幕的情感总分和用户当前发送的待分发弹幕的情感得分分发弹幕，从而实现根据弹幕的情感得分定向给每组用户分发弹幕，提高用户参与交互的积极性。

Description

一种弹幕分发方法及装置
技术领域
本发明涉及直播技术领域，更具体地，涉及一种弹幕分发方法及装置。
背景技术
随着网络交互平台的发展，越来越多的用户通过登录网络交互平台进行交流。其中，网络直播是非常受广大用户欢迎的应用。在直播期间，用户可以与主播进行互动，如发送弹幕、给主播赠送礼物等，从而增加主播与用户之间互动的趣味性。
现有技术中，热门主播所在直播间中的弹幕量很大，无法将所述热门主播所在直播间中用户发送的弹幕进行全部展示。为了解决这个问题，将所述热门主播所在直播间中的用户进行随机分组，每组中的用户数量大致一样。每组中的用户只能看到本组用户发送的弹幕，而不能看到其他组中的用户发送的弹幕。为了让每组中的用户能看到其他组中的用户发送的弹幕，可以随机给每组的用户分发弹幕。但由于每个用户的关注点不同，对于相同的直播，每个用户的感受不一样，每个用户发送的弹幕携带的情感也不一样，随机给每组用户分发的弹幕不容易得到该组中用户的反馈和共鸣，影响社交体验。
综上所述，现有技术中随机给每组的用户分发弹幕，很难引起该组中其他用户进行反馈和共鸣，不能提高用户参与交互的积极性，社交体验差。
发明内容
为克服上述随机给每组的用户分发弹幕，很难引起该组中的其他用户进行反馈和共鸣的问题或者至少部分地解决上述问题，本发明提供了一种弹幕分发方法及装置。
根据本发明的第一方面，提供一种弹幕分发方法，包括：
S1，对当前直播间中的用户进行分组，根据所述各用户当前发送的待分发弹幕的词向量和第一预设历史时间段内所述各用户发送的第一历史弹幕的词向量，使用训练好的LSTM神经网络获取所述待分发弹幕和所述第一历史弹幕的情感得分；
S2，根据所述第一历史弹幕的情感得分，获取每组用户发送的第一历史弹幕的情感总分；
S3，基于对所述每组用户发送的第一历史弹幕的情感总分的判断，对应根据所述待分发弹幕的情感得分将所述待分发弹幕发送给所述每组用户。
具体地，所述步骤S1之前还包括：
使用词向量模型获取第二预设历史时间段内用户发送的第二历史弹幕的词向量；
根据所述第二历史弹幕的词向量，对所述LSTM神经网络进行训练。
具体地，所述步骤S2具体包括：
将小于第一预设阈值的所述第一历史弹幕的情感得分转换为负值；
将所述第一历史弹幕中的情感得分相加，获取所述每组用户发送的第一历史弹幕的情感总分。
具体地，所述步骤S3具体包括：
将小于所述第一预设阈值的所述待分发弹幕的情感得分转换为负值；
当所述每组用户发送的第一历史弹幕的情感总分小于第二预设阈值时，则为该组用户分发所述情感得分为正值和零的待分发弹幕；或者，
当所述每组用户发送的第一历史弹幕的情感总分大于第三预设阈值时，则为该组用户分发所述情感得分为负值和零的待分发弹幕。
具体地，在使用词向量模型获取第二预设历史时间段内用户发送的第二历史弹幕的词向量之前还包括：
对第二预设历史时间段内用户发送的第二历史弹幕进行预处理和规范化。
具体地，所述词向量模型中的每个向量分量由0和1组成，且每
个向量分量中只有一个1。
具体地，根据所述第二历史弹幕的词向量，对所述LSTM神经网络进行训练，包括：
对所述第二历史弹幕进行分类；
对所述LSTM神经网络中的参数进行初始化；
使用已分类的所述第二历史弹幕的词向量，对初始化后的所述LSTM神经网络进行训练。
根据本发明的第二方面，提供一种弹幕分发装置，包括：
分组单元，用于对当前直播间中的用户进行分组，根据所述各用户当前发送的待分发弹幕的词向量和第一预设历史时间段内所述各用户发送的第一历史弹幕的词向量，使用训练好的LSTM神经网络获取所述待分发弹幕和所述第一历史弹幕的情感得分；
获取单元，用于根据所述第一历史弹幕的情感得分，获取每组用户发送的第一历史弹幕的情感总分；
分发单元，用于基于对所述每组用户发送的第一历史弹幕的情感总分的判断，对应根据所述待分发弹幕的情感得分将所述待分发弹幕发送给所述每组用户。
根据本发明的第三方面，提供一种弹幕分发设备，包括：
至少一个处理器、至少一个存储器和总线；其中，
所述处理器和存储器通过所述总线完成相互间的通信；
所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如前所述的方法。
根据本发明的第四方面，提供一种非暂态计算机可读存储介质，用于存储如前所述方法的计算机程序。
本发明提供一种弹幕分发方法及装置，该方法通过将用户发送的弹幕生成词向量，将词向量作为LSTM神经网络的输入获取弹幕的情感得分，根据第一预设历史时间段内每组用户发送的第一历史弹幕的情感总分和用户当前发送的待分发弹幕的情感得分，将所述待分发弹幕分发给每组用户，从而实现根据弹幕的情感得分定向给每组用户分发弹幕，提高用户参与交互的积极性。
附图说明
图1为本发明实施例提供的弹幕分发方法流程图；
图2为本发明实施例提供的弹幕分发装置结构框图；
图3为本发明实施例提供的弹幕分发设备结构框图。
具体实施方式
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
在本发明的一个实施例中提供一种弹幕分发方法，图1为本发明实施例提供的弹幕分发方法流程图，如图1所示，该方法包括：S1，对当前直播间中的用户进行分组，根据所述各用户当前发送的待分发弹幕的词向量和第一预设历史时间段内所述各用户发送的第一历史弹幕的词向量，使用训练好的LSTM神经网络获取所述待分发弹幕和所述第一历史弹幕的情感得分；S2，根据所述第一历史弹幕的情感得分，获取每组用户发送的第一历史弹幕的情感总分；S3，基于对所述每组用户发送的第一历史弹幕的情感总分的判断，对应根据所述待分发弹幕的情感得分将所述待分发弹幕发送给所述每组用户。
具体地，S1中，对当前直播间中的用户进行分组，所述分组是随机的，每组中中用户数量大致相同。所述第一历史时间段为预先设置的当前时间之前的时间段。由于所述LSTM(Long Short Term Mermory，长短时记忆)神经网络的输入为数据，将所以所述待分发弹幕和所述第一历史弹幕转化为对应的词向量。所述待分发弹幕为所述当前直播间中的用户当前发送的弹幕。所述第一历史弹幕为所述第一预设历史时间段内当前直播间中的用户发送的弹幕。将所述待分发弹幕的词向量和每条所述第一历史弹幕的词向量作为所述LSTM神经网络的输入，将所述LSTM神经网络的输出结果作为所述待分发弹幕的词向量和每条所述第一历史弹幕的情感得分。所述情感得分用于表示所述待分发弹幕和所述第一历史弹幕的情感倾向。所述LSTM神经网络是一种特殊的递归神经网络，注重邻近位置的关系，适用于语言中的情感分析，因为语言由相邻的字构成，相邻的词构成短语，相邻的短语构成句子。S2中，根据所述每组用户发送的每条第一历史弹幕的情感得分，获取所述每组用户发送的第一历史弹幕的情感总分。所述情感总分用于表示当前直播间中第一预设历史时间段内用户发送的第一历史弹幕的总体情感倾向。S3中，基于对所述每组用户发送的第一历史弹幕的情感总分的判断，根据判断结果和所述待分发弹幕的情感得分为所述每组用户分发所述待分发弹幕，以供每组用户进行观看。每组中的用户只能看到分发给本组用户的待分发弹幕，不能看到分发给其他组用户的待分发弹幕。
本实施例通过将用户发送的弹幕生成词向量，将词向量作为LSTM神经网络的输入获取弹幕的情感得分，根据第一预设历史时间段内每组用户发送的第一历史弹幕的情感总分和用户当前发送的待分发弹幕的情感得分，将所述待分发弹幕分发给每组用户，从而实现根据弹幕的情感得分定向给每组用户分发弹幕，提高用户参与交互的积极性。
在上述实施例的基础上，本实施例中所述步骤S1之前还包括：使用词向量模型获取第二预设历史时间段内用户发送的第二历史弹幕的词向量；根据所述第二历史弹幕的词向量，对所述LSTM神经网络进行训练。
具体地，所述第二预设历史时间段为预先设置的在当前时间之前的时间段。所述第二历史弹幕可以为所有直播间或部分直播间中的用户发送的弹幕。对所述第二历史弹幕进行建模，构建词向量模型。使用所述词向量模型获取所述第二预设历史时间段内用户发送的第二历史弹幕的词向量。根据所述第二历史弹幕的词向量，对所述LSTM神经网络进行训练。
本实施例中先获取第一历史弹幕的词向量，使用第一历史弹幕的词向量对LSTM神经网络进行训练，训练的数据来自真实的发送弹幕平台，使获得的LSTM神经网络参数更符合实际，提高分发弹幕的准确性。
在上述实施例的基础上，本实施例中所述步骤S2具体包括：将小于第一预设阈值的所述第一历史弹幕的情感得分转换为负值；将所述第一历史弹幕中的情感得分相加，获取所述每组用户发送的第一历史弹幕的情感总分。
具体地，所述第一预设阈值为预先设置的值。将所述第一历史弹幕的情感得分与所述第一预设阈值比较。若所述第一历史弹幕的情感得分小于所述第一预设阈值，则将所述第一历史弹幕的情感得分转换为负值。情感得分为正值的第一历史弹幕倾向于积极情感，情感得分为负值的第一历史弹幕倾向于消极情感。将每组中大于或等于所述第一预设阈值的第一历史弹幕的情感得分和转换为负值的第一历史弹幕的情感得分相加，获取所述每组用户发送的第一历史弹幕的情感总分。
例如，所述LSTM神经网络输出的情感得分在[0,1]的范围，一组中用户发送的第一历史弹幕的情感得分为{0.8,0.9,0.5,0.4,0.3}，所述第一预设阈值为0.5，将小于0.5的所述第一历史弹幕的情感得分乘以-1，以转换为负值。则该组中用户发送的第一历史弹幕的转换后的情感得分为{0.8,0.9,0.5,-0.4,-0.3}，将该组中用户发送的第一历史弹幕的情感总分为0.8+0.9+0.5+(-0.4)+(-0.3)＝1.5。
在上述实施例的基础上，所述步骤S3具体包括：将小于所述第一预设阈值的所述待分发弹幕的情感得分转换为负值；当所述每组用户发送的第一历史弹幕的情感总分小于第二预设阈值时，则为该组用户分发所述情感得分为正值和零的待分发弹幕；或者，当所述每组用户发送的第一历史弹幕的情感总分大于第三预设阈值时，则为该组用户分发所述情感得分为负值和零的待分发弹幕。
具体地，将所述待分发弹幕的情感得分与所述第一预设阈值比较。若所述待分发弹幕的情感得分小于所述第一预设阈值，则将所述待分发弹幕的情感得分转换为负值。将每组用户发送的第一历史弹幕的情感总分与所述第二预设阈值和所示第三预设阈值进行比较，所述第二预设阈值和所示第三预设阈值为预先设置的不同的值。若所述每组用户发送的第一历史弹幕的情感总分小于第二预设阈值时，则为该组用户分发所述情感得分为正值和零的待分发弹幕；若所述每组用户发送的第一历史弹幕的情感总分大于第三预设阈值时，则为该组用户分发所述情感得分为负值和零的待分发弹幕。
本实施例中，通过将用户当前发送的待分发弹幕进行正向和负向划分，给当前直播间中第一预设历史时间段内情感总分低于第二预设阈值的每组用户分发情感得分为正值的待分发弹幕，给当前直播间中第一预设历史时间段内情感总分高于第三预设阈值的每组用户分发情感得分为负值的待分发弹幕，从而刺激用户进行反馈，活跃气氛，提高用户体验。
在上述实施例的基础上，本实施例中在使用词向量模型获取第二预设历史时间段内用户发送的第二历史弹幕的词向量之前还包括：对第二预设历史时间段内用户发送的第二历史弹幕进行预处理和规范化。
具体地，所述预处理包括错别字纠正、拼音转成文字等。所述规范化是指将图片或表示含义的数字转换为对应的语句等，如将“666”转换为“厉害”。通过对所述第二历史弹幕进行预处理和规范化。
在上述实施例的基础上，本实施例中所述词向量模型中的每个向量分量由0和1组成，且每个向量分量中只有一个1。
具体地，所述词向量模型中用一个向量表示一个词，所述向量的长度为词典的大小，每个向量的分量只要一个1，其他全为0，1的位置为词语在词典中的位置。意思相近的词语在词典中相近的位置。
在上述实施例的基础上，本实施例中根据所述第二历史弹幕的词向量，对所述LSTM神经网络进行训练，包括：对所述第二历史弹幕进行分类；对所述LSTM神经网络中的参数进行初始化；使用已分类的所述第二历史弹幕的词向量，对初始化后的所述LSTM神经网络进行训练。
具体地，所述第二历史弹幕包括行业词汇，如“飞火箭”、“送鱼丸”、“十连击”、“贵族”等。对所述第二历史弹幕的词向量进行分类。将所述第二历史弹幕的词向量作为所述LSTM神经网络的输入对所述LSTM神经网络进行训练。训练时，使用0.1*randn(num_params)对所述LSTM神经网络中的权值进行初始化，根据经验数据对所述LSTM神经网络中的梯度范数进行约束。使用已分类的所述第二历史弹幕的词向量，对初始化后的所述LSTM神经网络进行训练。通过训练优化所述LSTM神经网络中的参数。
在本发明的另一个实施例中提供一种弹幕分发装置，图2为本发明实施例提供的弹幕分发装置结构框图，如图2所示，该装置包括分组单元1、获取单元2和分发单元3，其中：
所述分组单元1用于对当前直播间中的用户进行分组，根据所述各用户当前发送的待分发弹幕的词向量和第一预设历史时间段内所述各用户发送的第一历史弹幕的词向量，使用训练好的LSTM神经网络获取所述待分发弹幕和所述第一历史弹幕的情感得分；所述获取单元2用于根据所述第一历史弹幕的情感得分，获取每组用户发送的第一历史弹幕的情感总分；所述分发单元3用于基于对所述每组用户发送的第一历史弹幕的情感总分的判断，对应根据所述待分发弹幕的情感得分将所述待分发弹幕发送给所述每组用户。
具体地，所述分组单元1对当前直播间中的用户进行分组，所述分组是随机的，每组中中用户数量大致相同。所述第一历史时间段为预先设置的当前时间之前的时间段。由于所述LSTM(Long Short Term Mermory，长短时记忆)神经网络的输入为数据，所述分组单元1将所以所述待分发弹幕和所述第一历史弹幕转化为对应的词向量。所述待分发弹幕为所述当前直播间中的用户当前发送的弹幕。所述第一历史弹幕为所述第一预设历史时间段内当前直播间中的用户发送的弹幕。所述分组单元1将所述待分发弹幕的词向量和每条所述第一历史弹幕的词向量作为所述LSTM神经网络的输入，将所述LSTM神经网络的输出结果作为所述待分发弹幕的词向量和每条所述第一历史弹幕的情感得分。所述情感得分用于表示所述待分发弹幕和所述第一历史弹幕的情感倾向。所述LSTM神经网络是一种特殊的递归神经网络，注重邻近位置的关系，适用于语言中的情感分析，因为语言由相邻的字构成，相邻的词构成短语，相邻的短语构成句子。所述获取单元2根据所述每组用户发送的每条第一历史弹幕的情感得分，获取所述每组用户发送的第一历史弹幕的情感总分。所述情感总分用于表示当前直播间中第一预设历史时间段内用户发送的第一历史弹幕的总体情感倾向。所述分发单元3基于对所述每组用户发送的第一历史弹幕的情感总分的判断，根据判断结果和所述待分发弹幕的情感得分为所述每组用户分发所述待分发弹幕，以供每组用户进行观看。每组中的用户只能看到分发给本组用户的待分发弹幕，不能看到分发给其他组用户的待分发弹幕。
本实施例通过将用户发送的弹幕生成词向量，将词向量作为LSTM神经网络的输入获取弹幕的情感得分，根据第一预设历史时间段内每组用户发送的第一历史弹幕的情感总分和用户当前发送的待分发弹幕的情感得分，将所述待分发弹幕分发给每组用户，从而实现根据弹幕的情感得分定向给每组用户分发弹幕，提高用户参与交互的积极性。
在上述实施例的基础上，本实施例中所述装置还包括训练单元，所述训练单元具体用于：
使用词向量模型获取第二预设历史时间段内用户发送的第二历史弹幕的词向量；
根据所述第二历史弹幕的词向量，对所述LSTM神经网络进行训练。
在上述实施例的基础上，本实施例中所述获取单元具体用于：
将小于第一预设阈值的所述第一历史弹幕的情感得分转换为负值；
将所述第一历史弹幕中的情感得分相加，获取所述每组用户发送的第一历史弹幕的情感总分。
在上述实施例的基础上，本实施例中所述分发单元具体用于：
将小于所述第一预设阈值的所述待分发弹幕的情感得分转换为负值；
当所述每组用户发送的第一历史弹幕的情感总分小于第二预设阈值时，则为该组用户分发所述情感得分为正值和零的待分发弹幕；或者，
当所述每组用户发送的第一历史弹幕的情感总分大于第三预设阈值时，则为该组用户分发所述情感得分为负值和零的待分发弹幕。
在上述实施例的基础上，本实施例中所述训练单元还用于：
对第二预设历史时间段内用户发送的第二历史弹幕进行预处理和规范化。
在上述实施例的基础上，本实施例中所述词向量模型中的每个向
量分量由0和1组成，且每个向量分量中只有一个1。
在上述实施例的基础上，本实施例中所述训练单元具体用于：
对所述第二历史弹幕进行分类；
对所述LSTM神经网络中的参数进行初始化；
使用已分类的所述第二历史弹幕的词向量，对初始化后的所述LSTM神经网络进行训练。
图3为本发明实施例提供的弹幕分发设备结构框图，如图3所示，该设备包括：至少一个处理器31、至少一个存储器32和总线33；其中，
所述处理器31和存储器32通过所述总线33完成相互间的通信；
所述存储器32存储有可被所述处理器31执行的程序指令，所述处理器调用所述程序指令能够执行上述各方法实施例所提供的方法，例如包括：S1，对当前直播间中的用户进行分组，根据所述各用户当前发送的待分发弹幕的词向量和第一预设历史时间段内所述各用户发送的第一历史弹幕的词向量，使用训练好的LSTM神经网络获取所述待分发弹幕和所述第一历史弹幕的情感得分；S2，根据所述第一历史弹幕的情感得分，获取每组用户发送的第一历史弹幕的情感总分；S3，基于对所述每组用户发送的第一历史弹幕的情感总分的判断，对应根据所述待分发弹幕的情感得分将所述待分发弹幕发送给所述每组用户。
本实施例提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行上述各方法实施例所提供的方法，例如包括：S1，对当前直播间中的用户进行分组，根据所述各用户当前发送的待分发弹幕的词向量和第一预设历史时间段内所述各用户发送的第一历史弹幕的词向量，使用训练好的LSTM神经网络获取所述待分发弹幕和所述第一历史弹幕的情感得分；S2，根据所述第一历史弹幕的情感得分，获取每组用户发送的第一历史弹幕的情感总分；S3，基于对所述每组用户发送的第一历史弹幕的情感总分的判断，对应根据所述待分发弹幕的情感得分将所述待分发弹幕发送给所述每组用户。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后，本申请的方法仅为较佳的实施方案，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种弹幕分发方法，其特征在于，包括：
S1，对当前直播间中的用户进行分组，根据所述各用户当前发送的待分发弹幕的词向量和第一预设历史时间段内所述各用户发送的第一历史弹幕的词向量，使用训练好的LSTM神经网络获取所述待分发弹幕和所述第一历史弹幕的情感得分；
S2，根据所述第一历史弹幕的情感得分，获取每组用户发送的第一历史弹幕的情感总分；
S3，基于对所述每组用户发送的第一历史弹幕的情感总分的判断，对应根据所述待分发弹幕的情感得分将所述待分发弹幕发送给所述每组用户。
2.根据权利要求1所述的弹幕分发方法，其特征在于，所述步骤S1之前还包括：
使用词向量模型获取第二预设历史时间段内用户发送的第二历史弹幕的词向量；
根据所述第二历史弹幕的词向量，对所述LSTM神经网络进行训练。
3.根据权利要求1所述的弹幕分发方法，其特征在于，所述步骤S2具体包括：
将小于第一预设阈值的所述第一历史弹幕的情感得分转换为负值；
将所述第一历史弹幕中的情感得分相加，获取所述每组用户发送的第一历史弹幕的情感总分。
4.根据权利要求3所述的弹幕分发方法，其特征在于，所述步骤S3具体包括：
将小于所述第一预设阈值的所述待分发弹幕的情感得分转换为负值；
当所述每组用户发送的第一历史弹幕的情感总分小于第二预设阈值时，则为该组用户分发所述情感得分为正值和零的待分发弹幕；或者，
当所述每组用户发送的第一历史弹幕的情感总分大于第三预设阈值时，则为该组用户分发所述情感得分为负值和零的待分发弹幕。
5.根据权利要求2所述的弹幕分发方法，其特征在于，在使用词向量模型获取第二预设历史时间段内用户发送的第二历史弹幕的词向量之前还包括：
对第二预设历史时间段内用户发送的第二历史弹幕进行预处理和规范化。
6.根据权利要求2所述的弹幕分发方法，其特征在于，所述词向量模型中的每个向量分量由0和1组成，且每个向量分量中只有一个1。
7.根据权利要求2所述的弹幕分发方法，其特征在于，根据所述第二历史弹幕的词向量，对所述LSTM神经网络进行训练，包括：
对所述第二历史弹幕进行分类；
对所述LSTM神经网络中的参数进行初始化；
使用已分类的所述第二历史弹幕的词向量，对初始化后的所述LSTM神经网络进行训练。
8.一种弹幕分发装置，其特征在于，包括：
分组单元，用于对当前直播间中的用户进行分组，根据所述各用户当前发送的待分发弹幕的词向量和第一预设历史时间段内所述各用户发送的第一历史弹幕的词向量，使用训练好的LSTM神经网络获取所述待分发弹幕和所述第一历史弹幕的情感得分；
获取单元，根据所述第一历史弹幕的情感得分，获取每组用户发送的第一历史弹幕的情感总分；
分发单元，用于基于对所述每组用户发送的第一历史弹幕的情感总分的判断，对应根据所述待分发弹幕的情感得分将所述待分发弹幕发送给所述每组用户。
9.一种弹幕分发设备，其特征在于，包括：
至少一个处理器、至少一个存储器和总线；其中，
所述处理器和存储器通过所述总线完成相互间的通信；
所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如权利要求1至7任一所述的方法。
10.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行如权利要求1至7任一所述的方法。
CN201710525252.XA 2017-06-30 2017-06-30 一种弹幕分发方法及装置 Active CN107396144B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710525252.XA CN107396144B (zh) 2017-06-30 2017-06-30 一种弹幕分发方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710525252.XA CN107396144B (zh) 2017-06-30 2017-06-30 一种弹幕分发方法及装置

Publications (2)

Publication Number Publication Date
CN107396144A true CN107396144A (zh) 2017-11-24
CN107396144B CN107396144B (zh) 2019-08-02

Family

ID=60334920

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710525252.XA Active CN107396144B (zh) 2017-06-30 2017-06-30 一种弹幕分发方法及装置

Country Status (1)

Country Link
CN (1) CN107396144B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108881991A (zh) * 2018-06-28 2018-11-23 武汉斗鱼网络科技有限公司 弹幕消息分发方法、装置、设备及存储介质
CN109168051A (zh) * 2018-09-11 2019-01-08 天津理工大学 一种基于蓝光存储的网络直播平台监管取证系统
CN109189889A (zh) * 2018-09-10 2019-01-11 武汉斗鱼网络科技有限公司 一种弹幕识别模型建立方法、装置、服务器及介质
CN109657241A (zh) * 2018-12-13 2019-04-19 南京邮电大学 面向网络直播场景的用户言论语义分析方法
CN110827087A (zh) * 2019-11-07 2020-02-21 北京字节跳动网络技术有限公司 一种虚拟物品的分发方法、装置、电子设备及存储介质
CN112446938A (zh) * 2020-11-30 2021-03-05 重庆空间视创科技有限公司 基于多模态的虚拟主播系统及方法

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7496546B2 (en) * 2003-03-24 2009-02-24 Riken Interconnecting neural network system, interconnecting neural network structure construction method, self-organizing neural network structure construction method, and construction programs therefor
CN102855333A (zh) * 2012-09-27 2013-01-02 南京大学 一种基于组推荐的服务选取系统及其选取方法
CN104462376A (zh) * 2014-12-09 2015-03-25 北京百度网讯科技有限公司 用于弹幕媒体的信息提供方法及装置
CN105373554A (zh) * 2014-08-25 2016-03-02 北京爱声声科技有限公司 基于移动设备网页的弹幕方法及系统
CN105451087A (zh) * 2015-12-14 2016-03-30 广州弹幕网络科技有限公司 弹幕信息的推送方法、终端、历史数据服务器及系统
CN105554528A (zh) * 2015-12-16 2016-05-04 武汉斗鱼网络科技有限公司 一种直播间中对弹幕用户分组的方法与装置
CN105872593A (zh) * 2016-03-21 2016-08-17 乐视网信息技术（北京）股份有限公司 弹幕推送方法及装置
CN105898375A (zh) * 2016-07-01 2016-08-24 上海幻电信息科技有限公司 一种弹幕推送系统及推送方法
CN106231436A (zh) * 2016-08-30 2016-12-14 乐视控股（北京）有限公司 消息处理方法及处理装置
CN106303675A (zh) * 2016-08-24 2017-01-04 北京奇艺世纪科技有限公司 一种视频片段提取方法和装置
CN106507133A (zh) * 2016-11-28 2017-03-15 北京金山安全软件有限公司 弹幕消息的处理方法、装置、系统及其设备

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7496546B2 (en) * 2003-03-24 2009-02-24 Riken Interconnecting neural network system, interconnecting neural network structure construction method, self-organizing neural network structure construction method, and construction programs therefor
CN102855333A (zh) * 2012-09-27 2013-01-02 南京大学 一种基于组推荐的服务选取系统及其选取方法
CN105373554A (zh) * 2014-08-25 2016-03-02 北京爱声声科技有限公司 基于移动设备网页的弹幕方法及系统
CN104462376A (zh) * 2014-12-09 2015-03-25 北京百度网讯科技有限公司 用于弹幕媒体的信息提供方法及装置
CN105451087A (zh) * 2015-12-14 2016-03-30 广州弹幕网络科技有限公司 弹幕信息的推送方法、终端、历史数据服务器及系统
CN105554528A (zh) * 2015-12-16 2016-05-04 武汉斗鱼网络科技有限公司 一种直播间中对弹幕用户分组的方法与装置
CN105872593A (zh) * 2016-03-21 2016-08-17 乐视网信息技术（北京）股份有限公司 弹幕推送方法及装置
CN105898375A (zh) * 2016-07-01 2016-08-24 上海幻电信息科技有限公司 一种弹幕推送系统及推送方法
CN106303675A (zh) * 2016-08-24 2017-01-04 北京奇艺世纪科技有限公司 一种视频片段提取方法和装置
CN106231436A (zh) * 2016-08-30 2016-12-14 乐视控股（北京）有限公司 消息处理方法及处理装置
CN106507133A (zh) * 2016-11-28 2017-03-15 北京金山安全软件有限公司 弹幕消息的处理方法、装置、系统及其设备

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108881991A (zh) * 2018-06-28 2018-11-23 武汉斗鱼网络科技有限公司 弹幕消息分发方法、装置、设备及存储介质
CN109189889A (zh) * 2018-09-10 2019-01-11 武汉斗鱼网络科技有限公司 一种弹幕识别模型建立方法、装置、服务器及介质
CN109189889B (zh) * 2018-09-10 2021-03-12 武汉斗鱼网络科技有限公司 一种弹幕识别模型建立方法、装置、服务器及介质
CN109168051A (zh) * 2018-09-11 2019-01-08 天津理工大学 一种基于蓝光存储的网络直播平台监管取证系统
CN109168051B (zh) * 2018-09-11 2021-02-09 天津理工大学 一种基于蓝光存储的网络直播平台监管取证系统
CN109657241A (zh) * 2018-12-13 2019-04-19 南京邮电大学 面向网络直播场景的用户言论语义分析方法
CN110827087A (zh) * 2019-11-07 2020-02-21 北京字节跳动网络技术有限公司 一种虚拟物品的分发方法、装置、电子设备及存储介质
CN112446938A (zh) * 2020-11-30 2021-03-05 重庆空间视创科技有限公司 基于多模态的虚拟主播系统及方法
CN112446938B (zh) * 2020-11-30 2023-08-18 重庆空间视创科技有限公司 基于多模态的虚拟主播系统及方法

Also Published As

Publication number Publication date
CN107396144B (zh) 2019-08-02

Similar Documents

Publication Publication Date Title
CN107396144B (zh) 一种弹幕分发方法及装置
CN108319599B (zh) 一种人机对话的方法和装置
US11030523B2 (en) Neural architecture search
CN109814955B (zh) 阵容确定的方法、装置及电子设备
CN109923558A (zh) 混合专家神经网络
CN107622709A (zh) 知识点掌握程度评价方法、介质和电子设备
CN107239443A (zh) 一种词向量学习模型的训练方法及服务器
Zhou et al. Hierarchical reinforcement learning for pedagogical policy induction
Luo et al. Interactive scenario generation for mission‐based virtual training
CN108154232A (zh) 人工神经网络的剪枝方法、装置、设备及可读存储介质
CN109218390A (zh) 用户筛选方法及装置
CN106844627A (zh) 基于对话系统的在线学习方法及装置
CN112818025A (zh) 试题生成方法、装置和系统、计算机存储介质和程序产品
CN107194151A (zh) 确定情感阈值的方法和人工智能设备
CN107704521A (zh) 一种问答处理服务器、客户端以及实现方法
CN105550747A (zh) 一种新型卷积神经网络的样本训练方法
CN108197697A (zh) 一种训练深度神经网络的动态重采样方法
CN105989376B (zh) 一种基于神经网络的手写识别系统、装置和移动终端
WO2018113260A1 (zh) 情绪表达的方法、装置和机器人
CN117808946A (zh) 基于大语言模型的二次元角色构建方法及系统
Al-Chalabi et al. An adaptive learning system based on learner’s knowledge level
CN108958037A (zh) 小波模糊大脑情感学习控制方法、装置、设备及存储介质
CN112466434A (zh) 心理辅导训练方案的确定方法及装置
DE202023102984U1 (de) Aufforderung von maschinengelernten Modellen mit Hilfe von Gedankenketten
Marković et al. INSOS—educational system for teaching intelligent systems

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