CN107483982A - 一种主播推荐方法与装置 - Google Patents

Abstract

本发明实施例提供一种主播推荐方法与装置，涉及互联网直播领域。其中，所述方法包括：根据用户对至少一个关注主播的网络行为信息，确定所述用户对所述至少一个关注主播的评分；根据所述用户对所述至少一个关注主播的评分以及预设的主播相似度信息，计算至少一个所述用户未关注主播的预算评分；根据所述预算评分，从至少一个所述用户未关注主播中选出向所述用户推荐的主播。本发明实施例能够提供差异化主播推荐服务，从而提高主播推荐成功率以及主播平台的用户粘性度。

Description

一种主播推荐方法与装置

技术领域

本发明涉及互联网直播技术领域，尤其涉及一种主播推荐方法与装置。

背景技术

网络直播系统是一种将主播用户的直播视频流广播至多个观众用户进行观看的互联网系统。

现有技术中，大部分是通过主播的人气值来推荐主播，即将人气值高的主播靠前显示在网络直播平台主页上以推荐给平台上的所有用户，而这种推荐方法针对性差，推荐的主播资源难以满足众多用户的需求，从而减低了用户观看的兴趣，降低了直播平台的用户粘性度。

发明内容

本发明提供一种主播推荐方法与装置，目的在于提供差异化主播推荐服务，从而提高主播推荐成功率以及主播平台的用户粘性度。

为了解决上述技术问题，本发明提供一种主播推荐方法，包括：

根据用户对至少一个关注主播的网络行为信息，确定所述用户对所述至少一个关注主播的评分；

根据所述用户对所述至少一个关注主播的评分以及预设的主播相似度信息，计算至少一个所述用户未关注主播的预算评分；

根据所述预算评分，从至少一个所述用户未关注主播中选出向所述用户推荐的主播。

可选地，所述预设的主播相似度信息中有全体主播中任意两主播之间的相似度值；相应地，

所述根据所述用户对所述至少一个关注主播的评分以及预设的主播相似度信息，计算至少一个所述用户未关注主播中的一个未关注主播的预算评分，包括：

从所述主播相似度信息中，提取所述用户未关注主播与所述至少一个关注主播中各个关注主播之间的相似度值；

根据所述至少一个关注主播中各个关注主播的评分以及所述用户未关注主播与所述至少一个关注主播中各个关注主播之间的相似度值，计算得到所述用户未关注主播的预算评分。

可选地，所述方法，还包括：

获取全体用户对第一主播的评分以及全体用户对第二主播的评分，其中，所述第一主播和第二主播为全体主播中任意两主播；

根据全体用户对所述第一主播的评分以及全体用户对所述第二主播的评分，确定所述第一主播与所述第二主播的相似度值。

可选地，所述根据所述预算评分，从至少一个所述用户未关注主播中选出向所述用户推荐的主播，包括：

对所述预算评分进行排序，将排名靠前的预算评分对应的主播推荐给所述用户。

可选地，所述根据用户对至少一个关注主播中的一个关注主播的网络行为信息，确定所述用户对所述关注主播的评分，包括：

获取所述用户对所述关注主播的至少一种网络行为中各种网络行为对应的行为信息；

根据所述各种网络行为对应的行为信息，确定所述用户对所述关注主播的各种网络行为对应的单项评分；

综合所述各种网络行为对应的单项评分得到所述用户对所述关注主播的评分。

可选地，所述根据所述各种网络行为对应的行为信息，确定所述用户对所述关注主播的各种网络行为对应的单项评分，包括：

对所述各种网络行为对应的行为信息进行归一化处理得到所述各种网络行为对应的单项评分。

可选地，所述对所述各种网络行为中的一种网络行为对应的行为信息进行归一化处理得到所述网络行为对应的单项评分，包括：

获取全体用户的所述网络行为对应的行为信息；

对全体用户的所述网络行为对应的行为信息进行正态分布；

基于第一正态分布结果，确定所述网络行为对应的第一映射系数；

将所述用户的所述网络行为对应的行为信息和所述第一映射系数代入第一预设映射函数，计算得到所述用户对所述关注主播的所述网络行为对应的单项评分。

可选地，所述方法，还包括：

获取所述用户的各种网络行为对应的行为统计信息；

根据所述用户的各种网络行为对应的行为统计信息，确定所述用户的各种网络行为对应的用户评分权重；

相应地，所述综合所述各种网络行为对应的单项评分得到所述用户对所述关注主播的评分，包括：

根据所述各种网络行为对应的单项评分和所述用户的各种网络行为对应的用户评分权重，计算得到所述用户对所述关注主播的评分。

可选地，所述根据所述用户的各种网络行为中的一种网络行为对应的行为统计信息，确定所述用户的所述网络行为对应的用户评分权重，包括：

根据所述用户的所述网络行为对应的行为统计信息，确定所述用户的所述网络行为对应的均值m；

根据全体用户的所述网络行为对应的行为统计信息，确定全体用户的所述网络行为对应的均值M；

将m/M作为所述用户的所述网络行为对应的权重行为信息；

对所述用户的所述网络行为对应的权重行为信息进行归一化处理得到所述用户的所述网络行为对应的用户评分权重。

可选地，所述对所述用户的所述网络行为对应的权重行为信息进行归一化处理得到所述用户的所述网络行为对应的用户评分权重，包括：

对全体用户的所述网络行为对应的权重行为信息进行正态分布；

基于第二分布统计结果，确定所述权重行为信息对应的第二映射系数；

将所述m/M和所述第二映射系数代入第二预设映射函数，计算得到所述用户的所述网络行为对应的用户评分权重。

可选地，所述网络行为信息包括用户ID、主播ID及统计数据；所述网络行为包括弹幕发送行为、礼物赠送行为及视频观看行为。

为了解决上述技术问题，本发明还提供一种主播推荐装置，包括：

确定模块，用于根据用户对至少一个关注主播的网络行为信息，确定所述用户对所述至少一个关注主播的评分；

计算模块，用于根据所述用户对所述至少一个关注主播的评分以及预设的主播相似度信息，计算至少一个所述用户未关注主播的预算评分；

筛选模块，用于根据所述预算评分，从至少一个所述用户未关注主播中选出向所述用户推荐的主播。

本发明实施例提供的技术方案中，将用户对各个关注过的主播的网络行为数据量化为用户对主播的评分，从主播相似度信息中获取未关注过的主播与关注过的主播的相似度，再根据用户对关注过的主播的实际评分以及相似度来估算用户对未关注过的主播的预算评分，这样，就可根据预算评分来为用户推荐未关注过的主播。可见，本发明在为用户推荐主播时，不仅考虑了主播与主播之间的相似程度，还考虑了用户的行为信息。这种主播推荐方法更具针对性，更加个性化，提高了主播推荐成功率以及直播平台的用户粘性度。

附图说明

为了更清楚地说明本发明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一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，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为本发明一实施例提供的主播推荐方法的流程示意图；

图2为本发明又一实施例提供的用户对主播的评分方法的流程示意图；

图3为本发明一实施例提供的主播推荐装置的结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。

在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义，“多种”一般包含至少两种，但是不排除包含至少一种的情况。

应当理解，本文中使用的术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。

应当理解，尽管在本发明实施例中可能采用术语第一、第二、第三等来描述XXX，但这些XXX不应限于这些术语。这些术语仅用来将XXX彼此区分开。例如，在不脱离本发明实施例范围的情况下，第一XXX也可以被称为第二XXX，类似地，第二XXX也可以被称为第一XXX。

取决于语境，如在此所使用的词语“如果”、“若”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于监测”。类似地，取决于语境，短语“如果确定”或“如果监测(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当监测(陈述的条件或事件)时”或“响应于监测(陈述的条件或事件)”。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的商品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种商品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的商品或者系统中还存在另外的相同要素。

图1为本发明一实施例提供的主播推荐方法的流程示意图。如图1所示，该方法包括：

101、根据用户对至少一个关注主播的网络行为信息，确定所述用户对所述至少一个关注主播的评分。

102、根据所述用户对所述至少一个关注主播的评分以及预设的主播相似度信息，计算至少一个所述用户未关注主播的预算评分。

103、根据所述预算评分，从至少一个所述用户未关注主播中选出向所述用户推荐的主播。

在网络直播平台中，用户对主播的网络行为包括弹幕发送行为、礼物赠送行为及视频观看行为。用户可通过进入某一主播的直播间页面观看直播间视频、发送弹幕信息或赠送礼物与主播进行互动，并且网络直播平台的后台服务器可针对用户对主播的所有互动行为进行记录形成行为记录信息，所述行为记录信息包括用户ID、主播ID、行为内容以及时间戳。对应于弹幕发送行为，所述行为内容包括弹幕内容；对应于礼物赠送行为，所述行为内容包括礼物类型、礼物数量及礼物单价；对应于所述视频观看行为，所述行为内容包括进入直播间的点击事件或离开直播间的点击事件。

上述步骤101中，根据用户对至少一个关注主播的各种网络行为信息，来确定所述用户对所述至少一个关注主播的评分。其中，所述各种网络行为信息包括弹幕发送对应的行为信息、礼物赠送对应的行为信息及视频观看对应的行为信息。所述行为信息中包括用户ID、主播ID及统计数据，其中，所述统计数据由用户对主播相应的网络行为的记录信息统计而来。对应于弹幕发送的行为信息中的统计数据为用户对主播历史发送的总弹幕数；对应于礼物赠送的行为信息中的统计数据为用户对主播历史赠送的礼物总价值；对应于视频观看的行为信息中的统计数据为用户历史观看主播直播视频的观看总时长。根据所述总弹幕数、礼物总价值以及观看总时长，确定所述用户对所述主播的评分。通常所述总弹幕数越多，礼物总价值越大，观看总时长越长，所述用户对所述主播的评分就越高。

在一种可实现的方案中，在确定用户对主播的评分时，可将总弹幕数、礼物总价值以及观看总时长进行统计得到一总行为值，再将所述总行为值折算成评分。例如：通过函数映射的方式，将总行为值折算成0～100中的某一个值。需要说明的是，针对网络直播平台中的任一用户对任一主播的评分计算中需使用同一映射函数进行折算，以确保得到的评分具有可比性

在另一种可实现的方案中，在确定用户对主播的评分时，可分别将总弹幕数、礼物总价值以及观看总时长折算成相应的单项评分，再综合各个单项评分确定用户对主播的最终的评分。具体可采用如下方式实现：获取所述用户对所述关注主播的至少一种网络行为中各种网络行为对应的行为信息；根据所述各种网络行为对应的行为信息，确定所述用户对所述关注主播的各种网络行为对应的单项评分；综合所述各种网络行为对应的单项评分得到所述用户对所述关注主播的评分。

其中，所述根据所述各种网络行为对应的行为信息，确定所述用户对所述关注主播的各种网络行为对应的单项评分的步骤，可采用如下方法中的一种来实现：

方法一、事先分别针对多种网络行为中的一种网络行为设置多个数据区间，并为各个数据区间对应设置一分值。当所述用户对所述主播的该种网络行为对应的行为信息中的统计数据落在某一数据区间时，则可将所述数据区间对应的分值作为所述用户对所述主播的该种网络行为对应的单项评分。

具体地，获取所述各种网络行为中的一种网络行为对应的多个数据区间及各数据区间对应的分值；将所述网络行为对应的行为信息中的统计数据所在数据区间对应的分值，确定为所述用户对所述主播的所述网络行为对应的单项评分。

例如：事先针对弹幕数的数据区间【1000,1200)设置一分值为5分，用户U对关注主播A的弹幕发送行为对应的行为信息为用户UID、主播AID以及1005条，由于1005处在数据区间【1000,1200)中，因此，所述用户对所述主播的弹幕行为对应的单项评分为5分。

方法二、对所述各种网络行为对应的行为信息进行归一化处理得到所述各种网络行为对应的单项评分，也即是对所述行为信息中的统计数据进行归一化处理。

作为优选的，所述对所述各种网络行为中的一种网络行为对应的行为信息进行归一化处理得到所述网络行为对应的单项评分，包括：获取全体用户的所述网络行为对应的行为信息；对全体用户的所述网络行为对应的行为信息进行正态分布；基于第一正态分布结果，确定所述网络行为对应的第一映射系数；将所述用户的所述网络行为对应的行为信息和所述第一映射系数代入第一预设映射函数，计算得到所述用户对所述关注主播的所述网络行为对应的单项评分。

需要说明的是，网络直播平台上的全体用户中的一个用户可能会关注过N个主播，那么，针对每种网络行为，有关该用户的行为信息就可能存在N份，在正态分布时，每份行为信息都作为一个样本点。

在本实施例中，对各种网络行为进行归一化处理所采用的第一预设映射函数均为变形后的Sigmoid函数，第一预设映射函数的公式(1)为：

式中，x代表行为信息中的统计数据，f(x)为单项评分，λ为可调节系数，x∈【0，+∞)，f(x)∈【0，1】，M为第一映射系数。不同网络行为对应的M值是不同的，各种网络行为对应的M值需要根据正态分布结果来确定。将全体用户的各种网络行为对应的行为信息进行正态分布，将各个网络行为对应的正态分布图中的峰值对应的行为信息中的统计数据作为第一映射系数M(需要说明的是，正态分布图中的峰值所对应的行为信息是出现频率最高的行为信息)。例如，弹幕发送行为对应的正态分布图中的峰值对应的行为信息中的统计数据为a条，则弹幕发送行为对应的M值为a；礼物赠送行为对应的正态分布图中的峰值对应的行为信息中的统计数据为b币，则礼物赠送行为对应的M值为b；视频观看行为对应的正态分布图中的峰值对应的行为信息中的统计数据为c个小时，则礼物赠送行为对应的M值为c。

通过这种方式确定的各种网络行为对应的M值，可以将各种网络行为中出现频率最高的行为信息中的统计数据映射到一致的评分。

此外，可通过调节公式(1)中的λ值，将各种网络行为中出现频率最高的行为信息中的统计数据映射到0.7～0.8之间的一个值。优选的，所述λ值可为2.2。

上述步骤102中，所述预设的主播相似度信息中有全体主播中任意两主播之间的相似度值。

在上述步骤101中，在确定出所述用户已关注过的主播之后，也就可直接确定出所述用户未关注过的主播，这些为关注过的主播才是需要进行推荐的主播。因此，需要根据用户的已有行为信息以及主播之间的相似度来估算所述用户对各个未关注过的主播的预算评分。

所述根据所述用户对所述至少一个关注主播的评分以及预设的主播相似度信息，计算至少一个所述用户未关注主播中的一个未关注主播的预算评分的步骤，具体可采用如下方式中的一种或多种来实现：

方法一、根据所述用户对所述至少一个关注主播的评分，选出评分超过第一阈值的若干个关注主播，再根据所述主播相似度信息，分别选出与所述若干个关注主播中的一个关注主播相似度高于第二阈值的若干个未关注主播；根据所述若干个关注主播中的一个关注主播的评分以及所述关注主播确定出的各未关注主播与所述关注主播的相似度值，计算所述各未关注主播的预算评分。例如：用户U关注过的主播中只有A1、A2的评分超过第一阈值，与A1的相似度超过第二阈值的只有未关注主播A3，没有未关注主播与A2的相似度超过第二阈值的，那么，A3的预算评分为用户U对A1的评分与A3的相似度值的乘积。

方法二、从所述主播相似度信息中，提取所述用户未关注主播与所述至少一个关注主播中各个关注主播之间的相似度值；根据所述至少一个关注主播中各个关注主播的评分以及所述用户未关注主播与所述至少一个关注主播中各个关注主播之间的相似度值，计算得到所述用户未关注主播的预算评分，即将所述未关注主播与各个关注主播的相似度分别乘以对应的关注主播的评分，再将各乘积之和作为所述用户未关注主播的预算评分。例如：网络直播平台上的全部主播为A1、A2和A3，用户U关注过A1、A2，用户U对A1的评分为F1，用户U对A2的评分为F2，A3与A1的相似度值为0.4，A3与A2的相似度为0.8。用户U对未关注主播A3的预算评分F3为：F3＝0.4*F1+0.8*F2。

上述步骤103中，可预先设置一固定的主播推荐数X，这样，可对各个未关注主播的预算评分进行降序排序，将排名靠前的X个主播推荐给所述用户，若未关注主播的总数量未超过X，则全体推荐给所述用户。或者，可预先设置一预算评分阈值，将预算评分超过所述预算评分阈值的未关注主播推荐给所述用户。

本发明实施例提供的技术方案中，将用户对各个关注过的主播的网络行为数据量化为用户对主播的评分，从主播相似度信息中获取未关注过的主播与关注过的主播的相似度，再根据用户对关注过的主播的实际评分以及相似度来估算用户对未关注过的主播的预算评分，这样，就可根据预算评分来为用户推荐未关注过的主播。可见，本发明在为用户推荐主播时，不仅考虑了主播与主播之间的相似程度，还考虑了用户的行为信息。这种主播推荐方法更具针对性，更加个性化，提高了主播推荐成功率以及直播平台的用户粘性度。

发明人在对网络直播平台上的主播以及用户进行分析时，发现有些主播拥有共用用户，并且，其中某些主播拥有的共同用户对他们的评分都非常接近。因此，发明人认为这些主播之间存在潜在相似度，这些潜在相似度可作为推荐主播的一个参考依据。可认为两个主播拥有共同用户越多，这两个主播之间的相似度越大，共同用户对两个主播的评分越接近，两个主播之间的相似度越大。这种潜在相似度可采用如下方式确定：：获取全体用户对第一主播的评分以及全体用户对第二主播的评分，其中，所述第一主播和第二主播为全体主播中任意两主播；根据全体用户对所述第一主播的评分以及全体用户对所述第二主播的评分，确定所述第一主播与所述第二主播的相似度值。

具体地，将网络直播平台上的全体用户中的一个用户对主播的评分作为所述主播的主播向量中的一个元素，每个主播的主播向量的元素的个数等于网络直播平台上的总用户数，每个用户对各个主播的评分在各个主播的主播向量中的元素位置是固定的。需要说明的是，用户对未关注过的主播的评分为0。

所述根据全体用户对所述第一主播的评分以及全体用户对所述第二主播的评分，确定所述第一主播与所述第二主播的相似度值的步骤，具体实施方式为：根据全体用户对所述第一主播的评分得到第一主播的主播向量V1，根据全体用户对所述第二主播的评分得到第二主播的主播向量V2，通过计算向量V1和向量V2之间的距离来确定第一主播与第二主播的相似度值，通常，向量距离越大，相似度值越小。

可选地，计算第一主播和第二主播之间的相似度值P的计算公式(2)为：

其中，R1i为用户i对主播1的评分，R2i为用户i对主播2的评分，n为网络直播平台的总用户数，其中，i为用户标识或用户ID，1和2为主播标识或主播ID，P∈【-1,1】。

例如：网络直播平台中只有用户1、用户2、用户3：

用户1对主播1的评分为F1；用户1对主播2评分为f1。

用户2对主播1的评分为F2；用户2对主播2评分为f2。

用户3对主播1的评分为F3；用户3对主播2评分为0。

主播1的主播向量为V1＝(F1，F2，F3)，主播2的主播向量为V2＝(f1，f2，0)。

将V1和V2中的元素分别代入到上述公式(2)中，可计算出主播1和主播2之间的相似度值。

需要说明的是，根据上述计算公式可计算出相似度值为负值的，在后续计算未关注主播的预算评分时，将其看作零。

本发明实施例提供的技术方案中，通过用户对主播的评分挖掘出主播之间的潜在相似度，并基于该潜在相似度和用户行为为用户推荐主播，推荐的主播不局限于同一类型或同一风格的主播，增加了主播推荐的广度和深度，避免了向用户推荐同一种类型或同一风格的主播导致用户的观赏疲劳，对网络平台失去兴趣。

发明人在观察网络直播平台上的所有用户的网络行为信息时，发现有些用户喜欢频繁发送弹幕和赠送礼物，而有些用户则不喜欢发送弹幕和赠送礼物。通过分析可知，那些喜欢频繁发送弹幕和赠送礼物对所述主播的网络行为信息所贡献的价值要比那些不喜欢发送弹幕和赠送礼物的用户对所述主播的网络行为信息所贡献的价值小。例如：用户1在整个平台发送了10000条弹幕，在主播1的直播间中发送了100条弹幕，用户2在整个平台发送了500条弹幕，用户2在主播1的直播间中发送了100条弹幕，若按照上述实施例提供的评分计算方法，用户1和用户2对主播1的发送弹幕行为对应的评分是一致的。而根据实际分析可知，用户1和用户2对主播1的发送弹幕行为信息所贡献的价值是不同的。为了提高用户对主播的评分准确性以及客观性，采用如下方式实现：如图2所示，该方法包括：

201、获取用户对关注主播的至少一种网络行为中各种网络行为对应的行为信息。

202、根据所述各种网络行为对应的行为信息，确定所述用户对所述关注主播的各种网络行为对应的单项评分。

203、获取所述用户的各种网络行为对应的行为统计信息。

204、根据所述用户的各种网络行为对应的行为统计信息，确定所述用户的各种网络行为对应的用户评分权重。

205、根据所述各种网络行为对应的单项评分和所述用户的各种网络行为对应的用户评分权重，计算得到所述用户对所述关注主播的评分。

上述步骤201和202可参照上述实施例中相应内容，在此不再赘述。

上述步骤203中，所述用户的各种网络行为中的一种网络行为对应的行为统计信息由所述用户对各个关注主播的所述网络行为对应的行为信息统计而来的，所述行为统计信息中包括所述用户ID、统计总数及主播数，所述统计总数为所述用户对各个关注主播的所述网络行为对应的行为信息中的统计数据的和，所述主播数为所述用户的所述网络行为所涉及主播的总数量。例如：用户1的弹幕发送行为对应的行为统计信息包括用户1的ID号，弹幕总量为10000条，主播数为40个，也即是用户1在40个主播的主播间中发送过弹幕，在这40个主播的直播间中总共发送过10000条弹幕。

上述步骤204中，将所述用户的各种网络行为对应的行为统计信息中的统计总数与主播数的比值作为所述用户的各种网络行为对应的均值m。

在一种可实现的方案中，可针对不同的网络行为设置对应的均值区间，每个均值区间对应一个权重值，确定所述用户的各种网络行为中的一种网络行为对应的均值m所在均值区间，将所述均值区间对应的权重值作为所述用户的所述网络行为对应的用户评分权重。

在另一种可实现的方案中，所述根据所述用户的各种网络行为中的一种网络行为对应的行为统计信息，确定所述用户的所述网络行为对应的用户评分权重的步骤，具体实现方式如下：根据所述用户的所述网络行为对应的行为统计信息，确定所述用户的所述网络行为对应的均值m；根据全体用户的所述网络行为对应的行为统计信息，确定全体用户的所述网络行为对应的均值M；将m/M作为所述用户的所述网络行为对应的权重行为信息；对所述用户的所述网络行为对应的权重行为信息进行归一化处理得到所述用户的所述网络行为对应的用户评分权重。

其中，所述根据全体用户的所述网络行为对应的行为统计信息，确定全体用户的所述网络行为对应的均值M，具体地是将全体用户中各个用户的所述网络行为对应的行为统计信息中的统计总数进行相加得到全站统计总数，将全体用户中各个用户的所述网络行为对应的行为统计信息中的主播数进行相加得到全站主播数，将全站统计总数与全站主播数的比值作为全体用户的所述网络行为对应的均值M。

将m/M作为所述用户的所述网络行为对应的权重行为信息。

通过上述方法可确定出全体用户中各个用户的所述网络行为对应的权重行为信息，每个用户的所述网络行为对应的权重行为信息都是一个样本点。

优选的，所述对所述用户的所述网络行为对应的权重行为信息进行归一化处理得到所述用户的所述网络行为对应的用户评分权重的步骤，具体地：对全体用户的所述网络行为对应的权重行为信息进行正态分布；基于第二分布统计结果，确定所述权重行为信息对应的第二映射系数；将所述m/M和所述第二映射系数代入第二预设映射函数，计算得到所述用户的所述网络行为对应的用户评分权重。

在本实施例中，对所述用户的各种网络行为对应的权重行为信息进行归一化处理所采用的第二预设映射函数均为变形后的Sigmoid函数，第二预设映射函数的公式(2)为：

式中，y代表的权重行为信息，f(y)为用户评分权重，λ为可调节系数，y∈【0，+∞)，f(y)∈【0，1】，N为第二映射系数。不同网络行为对应的N值是不同的，各种网络行为对应的N值需要根据正态分布结果来确定。将全体用户的各种网络行为对应的权重行为信息进行正态分布，将各个网络行为对应的正态分布图中的峰值对应的权重行为信息作为第二映射系数N(需要说明的是，正态分布图中的峰值所对应的权重行为信息是出现频率最高的权重行为信息)。

通过这种方式确定的各种网络行为对应的N值，可以将各种网络行为中出现频率最高的权重行为信息映射到一致的用户评分权重值。

此外，可通过调节公式(2)中的λ值，将各种网络行为中出现频率最高的权重行为信息映射到0.7～0.8之间的一个值。优选的，所述λ值可为2.2。

上述步骤205中，根据上述步骤204得到所述用户的各种网络行为对应的用户评分权重之后，根据所述用户的各种网络行为对应的用户评分权重对所述用户的各种网络行为对应的单项评分进行加权求和，最终得到所述用户对所述关注主播的评分。例如：用户U对主播A的弹幕行为对应的单项评分为f1，对应的用户评分权重为a；用户U对主播A的礼物赠送行为对应的单项评分为f2，对应的用户评分权重为b；用户U对主播A的视频观看行为对应的单项评分为f3，对应的用户评分权重为c，所述用户U对主播A的评分F＝f1*a+f2*b+f3*c。

本发明实施例提供的技术方案中，将用户对各个关注过的主播的网络行为数据量化为用户对主播的评分，从主播相似度信息中获取未关注过的主播与关注过的主播的相似度，再根据用户对关注过的主播的实际评分以及相似度来估算用户对未关注过的主播的预算评分，这样，就可根据预算评分来为用户推荐未关注过的主播。可见，本发明在为用户推荐主播时，不仅考虑了主播与主播之间的相似程度，还考虑了用户的行为信息。这种主播推荐方法更具针对性，更加个性化，提高了主播推荐成功率以及直播平台的用户粘性度。

图3为本发明一实施例提供的主播推荐装置的结构示意图。如图3所示，该装置包括：第一确定模块301、计算模块302以及筛选模块303。

第一确定模块301，用于根据用户对至少一个关注主播的网络行为信息，确定所述用户对所述至少一个关注主播的评分。

计算模块302，用于根据所述用户对所述至少一个关注主播的评分以及预设的主播相似度信息，计算至少一个所述用户未关注主播的预算评分。

筛选模块303，用于根据所述预算评分，从至少一个所述用户未关注主播中选出向所述用户推荐的主播。

可选地，所述预设的主播相似度信息中有全体主播中任意两主播之间的相似度值；相应地，

所述计算模块，包括：

提取单元，用于从所述主播相似度信息中，提取所述用户未关注主播与所述至少一个关注主播中各个关注主播之间的相似度值。

第一计算单元，用于根据所述至少一个关注主播中各个关注主播的评分以及所述用户未关注主播与所述至少一个关注主播中各个关注主播之间的相似度值，计算得到所述用户未关注主播的预算评分。

可选地，所述装置，还包括：

第一获取模块，用于获取全体用户对第一主播的评分以及全体用户对第二主播的评分，其中，所述第一主播和第二主播为全体主播中任意两主播。

第二确定模块，用于根据全体用户对所述第一主播的评分以及全体用户对所述第二主播的评分，确定所述第一主播与所述第二主播的相似度值。

可选地，所述筛选模块具体用于：

对所述预算评分进行排序，将排名靠前的预算评分对应的主播推荐给所述用户。

可选地，所述第一确定模块，包括：

获取单元，用于获取所述用户对所述关注主播的至少一种网络行为中各种网络行为对应的行为信息。

第一确定单元，用于根据所述各种网络行为对应的行为信息，确定所述用户对所述关注主播的各种网络行为对应的单项评分。

第二计算单元，用于综合所述各种网络行为对应的单项评分得到所述用户对所述关注主播的评分。

可选地，所述确定单元具体用于：

对所述各种网络行为对应的行为信息进行归一化处理得到所述各种网络行为对应的单项评分。

可选地，所述确定单元具体用于：

获取全体用户的所述网络行为对应的行为信息。

对全体用户的所述网络行为对应的行为信息进行正态分布。

基于第一正态分布结果，确定所述网络行为对应的第一映射系数。

将所述用户的所述网络行为对应的行为信息和所述第一映射系数代入第一预设映射函数，计算得到所述用户对所述关注主播的所述网络行为对应的单项评分。

可选地，所述装置，还包括：

第二获取模块，用于获取所述用户的各种网络行为对应的行为统计信息。

第三确定模块，用于根据所述用户的各种网络行为对应的行为统计信息，确定所述用户的各种网络行为对应的用户评分权重。

相应地，所述第二计算单元具体用于：

根据所述各种网络行为对应的单项评分和所述用户的各种网络行为对应的用户评分权重，计算得到所述用户对所述关注主播的评分。

可选地，所述第三确定模块，包括：

第二确定单元，用于根据所述用户的所述网络行为对应的行为统计信息，确定所述用户的所述网络行为对应的均值m；还用于根据全体用户的所述网络行为对应的行为统计信息，确定全体用户的所述网络行为对应的均值M；还用于将m/M作为所述用户的所述网络行为对应的权重行为信息。

处理单元，用于对所述用户的所述网络行为对应的权重行为信息进行归一化处理得到所述用户的所述网络行为对应的用户评分权重。

可选地，所述处理单元具体用于：

对全体用户的所述网络行为对应的权重行为信息进行正态分布。

基于第二分布统计结果，确定所述权重行为信息对应的第二映射系数。

将所述m/M和所述第二映射系数代入第二预设映射函数，计算得到所述用户的所述网络行为对应的用户评分权重。

可选地，所述网络行为信息包括用户ID、主播ID及统计数据；所述网络行为包括弹幕发送行为、礼物赠送行为及视频观看行为。

所述装置与前述的方法流程描述对应，不足之处参考上述方法流程的叙述，不再一一赘述。

本发明实施例提供的技术方案中，将用户对各个关注过的主播的网络行为数据量化为用户对主播的评分，从主播相似度信息中获取未关注过的主播与关注过的主播的相似度，再根据用户对关注过的主播的实际评分以及相似度来估算用户对未关注过的主播的预算评分，这样，就可根据预算评分来为用户推荐未关注过的主播。可见，本发明在为用户推荐主播时，不仅考虑了主播与主播之间的相似程度，还考虑了用户的行为信息。这种主播推荐方法更具针对性，更加个性化，提高了主播推荐成功率以及直播平台的用户粘性度。

以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

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。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种主播推荐方法，其特征在于，包括：

根据用户对至少一个关注主播的网络行为信息，确定所述用户对所述至少一个关注主播的评分；

根据所述用户对所述至少一个关注主播的评分以及预设的主播相似度信息，计算至少一个所述用户未关注主播的预算评分；

根据所述预算评分，从至少一个所述用户未关注主播中选出向所述用户推荐的主播。

2.根据权利要求1所述的方法，其特征在于，所述预设的主播相似度信息中有全体主播中任意两主播之间的相似度值；相应地，

所述根据所述用户对所述至少一个关注主播的评分以及预设的主播相似度信息，计算至少一个所述用户未关注主播中的一个未关注主播的预算评分，包括：

从所述主播相似度信息中，提取所述用户未关注主播与所述至少一个关注主播中各个关注主播之间的相似度值；

根据所述至少一个关注主播中各个关注主播的评分以及所述用户未关注主播与所述至少一个关注主播中各个关注主播之间的相似度值，计算得到所述用户未关注主播的预算评分。

3.根据权利要求2所述的方法，其特征在于，还包括：

获取全体用户对第一主播的评分以及全体用户对第二主播的评分，其中，所述第一主播和第二主播为全体主播中任意两主播；

根据全体用户对所述第一主播的评分以及全体用户对所述第二主播的评分，确定所述第一主播与所述第二主播的相似度值。

4.根据权利要求1所述的方法，其特征在于，所述根据所述预算评分，从至少一个所述用户未关注主播中选出向所述用户推荐的主播，包括：

对所述预算评分进行排序，将排名靠前的预算评分对应的主播推荐给所述用户。

5.根据权利要求1-4中任一项所述的方法，其特征在于，所述根据用户对至少一个关注主播中的一个关注主播的网络行为信息，确定所述用户对所述关注主播的评分，包括：

获取所述用户对所述关注主播的至少一种网络行为中各种网络行为对应的行为信息；

根据所述各种网络行为对应的行为信息，确定所述用户对所述关注主播的各种网络行为对应的单项评分；

综合所述各种网络行为对应的单项评分得到所述用户对所述关注主播的评分。

6.根据权利要求5所述的方法，其特征在于，所述根据所述各种网络行为对应的行为信息，确定所述用户对所述关注主播的各种网络行为对应的单项评分，包括：

对所述各种网络行为对应的行为信息进行归一化处理得到所述各种网络行为对应的单项评分。

7.根据权利要求5所述的方法，其特征在于，还包括：

获取所述用户的各种网络行为对应的行为统计信息；

根据所述用户的各种网络行为对应的行为统计信息，确定所述用户的各种网络行为对应的用户评分权重；

相应地，所述综合所述各种网络行为对应的单项评分得到所述用户对所述关注主播的评分，包括：

根据所述各种网络行为对应的单项评分和所述用户的各种网络行为对应的用户评分权重，计算得到所述用户对所述关注主播的评分。

8.根据权利要求7所述的方法，其特征在于，所述根据所述用户的各种网络行为中的一种网络行为对应的行为统计信息，确定所述用户的所述网络行为对应的用户评分权重，包括：

根据所述用户的所述网络行为对应的行为统计信息，确定所述用户的所述网络行为对应的均值m；

根据全体用户的所述网络行为对应的行为统计信息，确定全体用户的所述网络行为对应的均值M；

将m/M作为所述用户的所述网络行为对应的权重行为信息；

对所述用户的所述网络行为对应的权重行为信息进行归一化处理得到所述用户的所述网络行为对应的用户评分权重。

9.根据权利要求5所述的方法，其特征在于，所述网络行为信息包括用户ID、主播ID及统计数据；所述网络行为包括弹幕发送行为、礼物赠送行为及视频观看行为。

10.一种主播推荐装置，其特征在于，包括：

确定模块，用于根据用户对至少一个关注主播的网络行为信息，确定所述用户对所述至少一个关注主播的评分；

计算模块，用于根据所述用户对所述至少一个关注主播的评分以及预设的主播相似度信息，计算至少一个所述用户未关注主播的预算评分；

筛选模块，用于根据所述预算评分，从至少一个所述用户未关注主播中选出向所述用户推荐的主播。