CN109086822A - 一种主播用户分类方法、装置、设备及存储介质 - Google Patents
一种主播用户分类方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN109086822A CN109086822A CN201810862293.2A CN201810862293A CN109086822A CN 109086822 A CN109086822 A CN 109086822A CN 201810862293 A CN201810862293 A CN 201810862293A CN 109086822 A CN109086822 A CN 109086822A
- Authority
- CN
- China
- Prior art keywords
- main broadcaster
- user
- broadcaster user
- target
- similarity
- 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
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2323—Non-hierarchical techniques based on graph theory, e.g. minimum spanning trees [MST] or graph cuts
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Discrete Mathematics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明实施例公开了一种主播用户分类方法、装置、设备及存储介质。该方法包括:获取至少两个待分类的主播用户,并计算两两主播用户之间的相似度;以各主播用户为顶点,根据两两主播用户之间的相似度构造带权边,以生成带权无向图;采用谱聚类技术,将带权无向图划分为至少两个目标子图,并将属于同一目标子图的主播用户归集于同一分类,通过本发明的技术方案,能够实现对主播用户的分类,为平台有选择的培养更多大主播提供决策依据。
Description
技术领域
本发明实施例涉及信息处理技术,尤其涉及一种主播用户分类方法、装置、设备及存储介质。
背景技术
当今社会,随着网络的普及,直播平台渐渐走入了人们的生活,观众对于直播视频的喜爱程度与日俱增。直播平台是一种新兴的网络社交方式,网络直播平台也成为了一种崭新的社交媒体,直播视频的影响力和受欢迎程度和主播有着密不可分的关联,直播视频依靠大量、优秀的主播提升竞争优势,每一个直播平台中都存在着大量的主播,每一个主播都具备相应的技能,面对观众的希冀与需求,一般来说,直播平台会对平台中的主播进行内部分类,并对属于同一类型的主播采取相同或相近的策略进行平台推荐。
现有技术中的主播分类一般是根据主播的订阅量以及主播收到的礼物数据对主播进行分类,通过上述方式对大量的主播用户进行分类不但需要获取大量的数据,而且人工计算成本高,因此,如何高效的对现有的大量的主播进行分类,成为迫切需要解决的问题。
发明内容
本发明实施例提供一种主播用户分类方法、装置、设备及存储介质,以实现对主播用户的分类,为平台有选择的培养更多大主播提供决策依据。
第一方面,本发明实施例提供了一种主播用户分类方法,包括:
获取至少两个待分类的主播用户,并计算两两所述主播用户之间的相似度;
以各所述主播用户为顶点,根据两两所述主播用户之间的相似度构造带权边,以生成带权无向图;
采用谱聚类技术,将所述带权无向图划分为至少两个目标子图,并将属于同一目标子图的主播用户归集于同一分类。
进一步的,在所述待分类的主播用户中,包括有预先标注的目标主播用户;
采用谱聚类技术,将所述带权无向图划分为至少两个目标子图,并将属于同一目标子图中的各顶点对应的主播用户归集于同一分类之后,还包括:
将包括目标主播用户的目标子图中的全部主播用户确定为所述目标主播用户。
进一步的,在将包括目标主播用户的目标子图中的全部主播用户确定为所述目标主播用户之后,还包括:
获取所述目标主播用户的主播热度参量;
根据所述主播热度参量确定所述目标主播用户所属原始等级;
选取每一等级中的至少一个目标主播用户作为参考主播用户;
获取所述目标主播用户中其余主播用户与所述参考主播用户的平均相似度;
根据所述平均相似度与所述目标主播用户所属原始等级判断所述目标主播用户是否属于潜力主播用户。
进一步的,根据所述平均相似度与所述目标主播用户所属原始等级判断所述目标主播用户是否属于潜力主播用户包括:
将最大平均相似度对应的等级作为所述目标主播用户的目标等级;
若当前目标主播用户的目标等级与原始等级之间的等级差距大于预设数值,则确定当前目标主播用户为潜力主播用户。
进一步的,获取至少两个待分类的主播用户,并计算两两所述主播用户之间的相似度,包括:
获取两两所述主播用户对应的多个历史重合观看用户,其中,所述两两主播用户包括第一主播用户和第二主播用户;
根据所述多个历史重合观看用户分别针对所述第一主播用户和所述第二主播用户的行为信息,对所述多个历史重合观看用户按照主播倾向性进行分类,所述主播倾向性的类别包括:偏好第一主播用户、偏好第二主播用户以及无偏好;
根据所述多个历史重合观看用户属于不同主播倾向性类别的用户数量,确定所述第一主播用户和所述第二主播用户之间的相似度。
进一步的,据所述多个历史重合观看用户分别针对所述第一主播用户和所述第二主播用户的行为信息,对所述多个历史重合观看用户按照主播倾向性进行分类包括:
获取所述多个历史重合观看用户分别针对所述第一主播用户和所述第二主播用户的订阅信息和观看信息;
根据所述订阅信息和观看信息分别对所述多个历史重合观看用户按照主播倾向性进行分类。
第二方面,本发明实施例还提供了一种主播用户分类装置,该装置包括:
获取模块,用于获取至少两个待分类的主播用户,并计算两两所述主播用户之间的相似度;
生成模块,用于以各所述主播用户为顶点,根据两两所述主播用户之间的相似度构造带权边,以生成带权无向图;
分类模块,用于采用谱聚类技术,将所述带权无向图划分为至少两个目标子图,并将属于同一目标子图的主播用户归集于同一分类。
进一步的,在所述待分类的主播用户中,包括有预先标注的目标主播用户;
还包括:
确定模块,用于在采用谱聚类技术,将所述带权无向图划分为至少两个目标子图,并将属于同一目标子图中的各顶点对应的主播用户归集于同一分类之后,将包括目标主播用户的目标子图中的全部主播用户确定为所述目标主播用户。
进一步的,还包括:
参量获取模块,用于获取所述目标主播用户的主播热度参量;
原始等级确定模块,用于根据所述主播热度参量确定所述目标主播用户所属原始等级;
选取模块,用于选取每一等级中的至少一个目标主播用户作为参考主播用户;
平均相似度获取模块,用于获取所述目标主播用户中其余主播用户与所述参考主播用户的平均相似度;
判断模块,用于根据所述平均相似度与所述目标主播用户所属原始等级判断所述目标主播用户是否属于潜力主播用户。
进一步的,所述判断模块具体用于:
将最大平均相似度对应的等级作为所述目标主播用户的目标等级;
若当前目标主播用户的目标等级与原始等级之间的等级差距大于预设数值,则确定当前目标主播用户为潜力主播用户。
进一步的,获取模块包括:
观看用户获取单元,用于获取两两所述主播用户对应的多个历史重合观看用户,其中,所述两两主播用户包括第一主播用户和第二主播用户;
倾向性分类单元,用于根据所述多个历史重合观看用户分别针对所述第一主播用户和所述第二主播用户的行为信息,对所述多个历史重合观看用户按照主播倾向性进行分类,所述主播倾向性的类别包括:偏好第一主播用户、偏好第二主播用户以及无偏好;
相似度确定单元,用于根据所述多个历史重合观看用户属于不同主播倾向性类别的用户数量,确定所述第一主播用户和所述第二主播用户之间的相似度。
进一步的,倾向性分类单元具体用于:
获取所述多个历史重合观看用户分别针对所述第一主播用户和所述第二主播用户的订阅信息和观看信息;
根据所述订阅信息和观看信息分别对所述多个历史重合观看用户按照主播倾向性进行分类。
第三方面,本发明实施例还提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如本发明实施例中任一所述的主播用户分类方法。
第四方面,本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本发明实施例中任一所述的主播用户分类方法。
本发明实施例通过获取至少两个待分类的主播用户,并计算两两所述主播用户之间的相似度;以各所述主播用户为顶点,根据两两所述主播用户之间的相似度构造带权边,以生成带权无向图;采用谱聚类技术,将所述带权无向图划分为至少两个目标子图,并将属于同一目标子图的主播用户归集于同一分类,实现对主播用户的分类,为平台有选择的培养更多大主播提供决策依据。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1是本发明实施例一中的一种主播用户分类方法的流程图;
图2A是本发明实施例二中的一种主播用户分类方法的流程图;
图2B是本发明实施例二中的一种聚类效果图;
图2C是本发明实施例二中的一种带权无向图;
图3是本发明实施例三中的一种主播用户分类装置的结构示意图;
图4是本发明实施例四中的一种计算机设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本发明的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
文中提到的“用户”指观众用户,“主播用户”指产生内容给观众用户观看的主播。
实施例一
图1为本发明实施例一提供的一种主播用户分类方法的流程图,本实施例可适用于主播用户分类的情况,该方法可以由本发明实施例中的主播用户分类的装置来执行,该装置可采用软件和/或硬件的方式实现,如图1所示,该方法具体包括如下步骤:
S110,获取至少两个待分类的主播用户,并计算两两主播用户之间的相似度。
其中,获取至少两个待分类的主播用户的方式可以为获取直播平台中的所有主播用户;也可以为根据设定的选取方式,选取部分直播平台中的主播用户;还可以为选取部分优质主播用户以及中小主播用户。
其中,所述两两主播用户之间的相似度可以利用信息熵公式计算,例如可以是,若需要计算主播用户A和主播用户B之前的相似度,则获取同时观看过主播用户A和主播用户B的新用户X,对新用户X进行分类,将偏向喜欢主播用户A的新用户组成用户集合Q,将偏向喜欢主播用户B的新用户组成用户集合W,将同样喜欢或者同样不喜欢的新用户组成用户集合R,将上述用户集合Q、用户集合W以及用户集合R输入信息熵公式计算得到主播用户A和主播用户B的相似度。所述两两主播用户之间的相似度也可以利用使众包配对排名聚合信息最大化的HodgeRank来计算相似度。
具体的,获取至少两个待分类的主播用户,计算待分类的主播用户中的两两主播用户之间的相似度。
可选的,获取至少两个待分类的主播用户,并计算两两所述主播用户之间的相似度,包括:
获取两两所述主播用户对应的多个历史重合观看用户,其中,所述两两主播用户包括第一主播用户和第二主播用户。
其中,历史重合观看用户是既观看过第一主播用户直播内容的用户,又观看过第二主播用户直播内容的用户,其中,观看过主播用户直播内容具体表现为进入过主播用户对应的直播间。具体的,直播间可以为由网络直播平台提供的网络直播间,主播用户可通过在其所使用的终端设备上登录主播账号建立或者进入与该主播账号关联的直播间进行直播。用户可以通过在其所使用的终端设备上登录用户账号进入该直播间,以观看主播用户的直播内容。
具体的,可记录每一个进入过主播用户直播间的用户账号,作为该主播用户的历史观看用户,分别获取第一主播用户以及第二主播用户的历史观看用户,并从两者的历史观看用户中抽取多个重合用户,也即第一主播用户和第二主播用户对应的历史重合观看用户。
其中,获取的多个历史重合观看用户可以是第一主播用户和第二主播用户所有的历史重合观看用户,也可以是第一主播用户和第二主播用户所有的历史重合观看用户中满足设定选择条件的用户,在此不作限定。
根据所述多个历史重合观看用户分别针对所述第一主播用户和所述第二主播用户的行为信息,对所述多个历史重合观看用户按照主播倾向性进行分类,所述主播倾向性的类别包括:偏好第一主播用户、偏好第二主播用户以及无偏好。
其中,行为信息可以是能够体现用户对主播用户的喜爱倾向性的行为信息,具有喜爱倾向性的行为例如可以是订阅行为、观看行为、在线送礼行为等一项或多项行为。
在一个具体的例子中,可针对每个历史重合观看用户对第一主播用户和第二主播用户的具有喜爱倾向性的行为,对每个历史重合观看用户进行分类。例如,若均观看了第一主播用户和第二主播用户的用户,最后仅订阅了第一主播,说明用户喜欢第一主播用户的倾向性更大,因此可将该用户划分为偏好第一主播用户类;若仅订阅了第二主播用户,说明用户喜欢第二主播用户的倾向性更大,因此可将该用户划分为偏好第二主播用户类;若既订阅了第一主播用户又订阅了第二主播用户,或者既没订阅第一主播用户又没订阅第二主播用户,说明用户喜欢第一主播用户的倾向性和喜欢第二主播用户的倾向性差别不大,因此可将该用户划分为无偏好。此外,需要说明的是,凡是能根据用户的行为信息对用户按照主播倾向性进行分类的实现方式,均在本发明的保护范围之内。
具体的,对历史重合观看用户按照主播倾向性进行分类的好处在于,可以排除只观看过其中一个主播的带有过多偏好倾向性的用户数量的干扰,从同时观看过这两个主播的用户中,区分出偏好第一主播用户的用户、偏好第二主播用户的用户以及无偏好的用户,为后续步骤中通过各类别中所占用户的数量来确定主播之间的相似度提供判定基础。
根据所述多个历史重合观看用户属于不同主播倾向性类别的用户数量,确定所述第一主播用户和所述第二主播用户之间的相似度。
在一个具体的例子中,可通过历史重合观看用户总数中各类别的用户数量所占的比例来确定第一主播用户和第二主播用户之间的相似度。例如,若偏好第一主播用户的用户数量所占比例要远大于偏好第二主播用户的用户数量所占比例,或者,偏好第一主播用户的用户数量所占比例要远小于偏好第二主播用户的用户数量所占比例,则可确定第一主播用户与第二主播用户之间的相似度较低;若偏好第一主播用户的用户数量所占比例与偏好第二主播用户的用户数量所占比例差别不大,则可确定第一主播用户与第二主播用户之间的相似度较高。对于同时观看过两个主播用户的用户来说,会对这两个主播存在相应的感情倾向性,本实施例按照用户的感情倾向性进行分类,通过各类别中用户数量所占比例,从侧面来反映第一主播用户与第二主播用户的直播质量,为不同用户量级的主播用户之间进行比较提供了可行性,同时,从多个用户行为来判断主播之间的相似度更具有客观性,使得相似度判断相较于现有技术中单纯通过双方拥有用户量的差值大小来进行确定,更加准确。
可选的,据所述多个历史重合观看用户分别针对所述第一主播用户和所述第二主播用户的行为信息,对所述多个历史重合观看用户按照主播倾向性进行分类包括:
获取所述多个历史重合观看用户分别针对所述第一主播用户和所述第二主播用户的订阅信息和观看信息。
具体的,对于每个历史重合观看用户,获取其针对第一主播以及第二主播的订阅信息,例如可以是,用户是否订阅了第一主播用户,以及用户是否订阅了第二主播用户,其中,订阅形式例如可以是对主播用户添加关注。除此之外,还需要获取其针对第一主播用户和第二主播用户的观看信息,例如单次观看第一主播用户的最高连续观看时长,以及单次观看第二主播用户的最高连续观看时长。获取订阅信息和观看信息的目的在于,通过对同时观看过第一主播用户和第二主播用户的订阅行为和观看行为进行分析,来获取该用户对第一主播用户和第二主播用户的偏好倾向,以便于在后续步骤中对该用户进行分类。还可以获取用户发送主播用户A和主播用户B的礼物数据,根据用户发送的礼物数据进行分析,也可以获取用户对第一主播用户和第二主播用户的偏好倾向。
根据所述订阅信息和观看信息分别对所述多个历史重合观看用户按照主播倾向性进行分类。
具体的,通过订阅信息和观看信息可获得历史重合观看用户针对第一主播用户和第二主播用户的不同倾向性,进而按照每个历史重合观看用户的主播倾向性,将历史重合观看用户分为偏好第一主播用户、偏好第二主播用户以及无偏好三类。例如,若历史重合观看用户已订阅第一主播用户,并且连续观看第一主播用户的时长大于连续观看第二主播用户的时长,那么该历史重合观看用户可划分至偏好第一主播用户类。具体的,可根据预设的类别条件对历史重合观看用户进行分类,其中,类别条件包含订阅条件和观看条件。
S120,以各主播用户为顶点,根据两两主播用户之间的相似度构造带权边,以生成带权无向图。
其中,将顶点间的相似度量化作为相应顶点连接边的权值就构成了带权边。
其中,将各主播用户看作图中的顶点,根据顶点间的相似度将顶点间的边赋权重值,这样就得到一个基于顶点间相似度的带权无向图。
具体的,谱聚类技术将数据集中的每个对象看作是图的顶点V,将顶点间的相似度量化作为相应顶点连接边E的权值,这样就得到一个基于相似度的无向加权图G(V,E),于是聚类问题就可以转化为图的划分问题。基于图论的最优划分准则就是使划分成的子图内部相似度最大,子图之间的相似度最小。
S130,采用谱聚类技术,将带权无向图划分为至少两个目标子图,并将属于同一目标子图的主播用户归集于同一分类。
其中,谱聚类(Spectral Clustering,SC)技术是一种基于图论的聚类方法,是将带权无向图划分为两个或两个以上的最优子图(sub-Graph),使子图内部尽量相似,而子图间距离尽量距离较远,以达到聚类的目的。
具体的,所述至少两个目标子图的每个目标子图内部相似度最大,至少两个目标子图之间的相似度最小,将属于同一目标子图的主播用户归集于同一分类。例如可以是,将带权无向图划分为目标子图A和目标子图B,将属于目标子图A的主播用户归集为一类,将属于目标子图B的主播用户归集为一类。
在一个具体的例子中,通过两个主播用户配对比较,构建了相似度h,将主播用户看成顶点,主播用户之间的相似度h看做带权边,得到一个图论中的带权无向图,利用谱聚类将主播用户进行分类,利用R语言中数据包kernlab的函数specc进行谱聚类。
本实施例的技术方案,通过获取至少两个待分类的主播用户,并计算两两主播用户之间的相似度;以各主播用户为顶点,根据两两主播用户之间的相似度构造带权边,以生成带权无向图;采用谱聚类技术,将带权无向图划分为至少两个目标子图,并将属于同一目标子图的主播用户归集于同一分类,实现对主播用户的分类,为平台有选择的培养更多大主播提供决策依据。
实施例二
图2A为本发明实施例二中的一种主播用户分类方法的流程图,本实施例以上述实施例为基础进行优化,在本实施例中,在所述待分类的主播用户中,包括有预先标注的目标主播用户;采用谱聚类技术,将所述带权无向图划分为至少两个目标子图,并将属于同一目标子图中的各顶点对应的主播用户归集于同一分类之后,还包括:将包括目标主播用户的目标子图中的全部主播用户确定为所述目标主播用户。
如图2A所示,本实施例的方法具体包括如下步骤:
S210,获取至少两个待分类的主播用户,并计算两两主播用户之间的相似度,在待分类的主播用户中,包括有预先标注的目标主播用户。
其中,所述预先标注的目标主播用户可以为优质主播用户,也可以为非优质主播用户,本发明实施例对此不进行限制。
例如可以是,若需要计算主播用户A和主播用户B之前的相似度,则获取同时观看过主播用户A和主播用户B的新用户X,对新用户X进行分类,将偏向喜欢主播用户A的新用户组成用户集合,将偏向喜欢主播用户B的新用户组成用户集合,将同样喜欢或者同样不喜欢的新用户组成用户集合,将上述集合输入信息熵公式计算得到主播用户A和主播用户B的相似度。在本发明实施例中,利用信息熵公式,构造主播用户A、B的相似度h:
其中,h为第一主播和第二主播的相似度值,为多个历史重合观看用户中偏好第一主播的用户数量,为多个历史重合观看用户中偏好第二主播的用户数量,为多个历史重合观看用户中无偏好的用户数量。根据信息熵公式的特点可知,0<h≤1。
具体的,获取预先标注的目标主播用户和其余待分类的主播用户,计算两两主播用户之间的相似度。
S220,以各主播用户为顶点,根据两两主播用户之间的相似度构造带权边,以生成带权无向图。
S230,采用谱聚类技术,将带权无向图划分为至少两个目标子图,并将属于同一目标子图的主播用户归集于同一分类。
S240,将包括目标主播用户的目标子图中的全部主播用户确定为目标主播用户。
具体的,若所述目标主播用户为优质主播用户,则包括目标主播用户的目标子图中的全部主播用户均为优质主播用户;若目标主播用户为非优质主播用户,则包括目标主播用户的目标子图中的全部主播用户均为非优质主播用户。
在一个具体的例子中,采用谱聚类技术,将带权无向图划分为目标子图A和目标子图B,将属于目标子图A的主播用户归集于同一分类,将属于目标子图B的主播用户归集于同一分类,若目标主播用户为优质主播用户,且目标子图A包括目标主播用户,则目标子图A中的全部主播用户为优质主播用户,由于基于图论的最优划分准则就是使划分成的子图内部相似度最大,子图之间的相似度最小,因此,目标子图B与目标子图A之间的相似度最小,目标子图A中的全部主播用户均为优质主播用户,则目标子图B中的全部主播用户均为非优质主播用户。
在一个具体的例子中,如图2B所示,横坐标为待分类主播用户与预先标注的目标主播用户A的相似度,纵坐标为待分类主播用户与预先标注的目标主播用户B的相似度。
需要说明的是,如图2C所示,为一个针对主播用户A、主播用户B、主播用户C和主播用户D的带权无向图1,图中,将主播用户A看作顶点A、将主播用户B看作顶点B、将主播用户C看作顶点C、将主播用户D看作顶点D,根据顶点B和顶点C之间的相似度将顶点B和顶点C将的边赋权值得到带权边2,类似的,顶点A和顶点B之间也存在带权边、顶点C和顶点D之间也存在带权边,也就是说,任意两个顶点之间均存在带权边。也就是说,带权无向图1包括各个顶点,以及任意两个顶点之间的带权边。
可选的,在将包括目标主播用户的目标子图中的全部主播用户确定为所述目标主播用户之后,还包括:
获取所述目标主播用户的主播热度参量。
其中,所述主播热度参量可以为ACU(Average concurrent users)平均同时在线玩家人数。
具体的,获取包括目标主播用户的目标子图中的全部主播用户的ACU。
根据所述主播热度参量确定所述目标主播用户所属原始等级。
具体的,根据主播热度参量确定所述目标主播用户所属原始等级的方式可以为按照主播热度参量的大小对目标主播用户进行分类,进而确定目标主播用户所属原始等级。例如可以是,将ACU大于10000的目标主播用户分为第一等级,将ACU大于5000且小于等于10000的目标主播用户分为第二等级,将ACU大于3000且小于等于5000的目标主播用户分为第三等级,将ACU大于2000且小于等于3000的目标主播用户分为第四等级,将ACU大于1000且小于等于2000的主播用户分为第五等级,将ACU小于等于1000的主播用户分为第六等级。
选取每一等级中的至少一个目标主播用户作为参考主播用户。
具体的,从上述确定的等级中选择至少一个目标主播用户作为参考主播用户,例如可以是,若总共分了三个等级,则从第一等级选出主播用户A,从第二等级选出主播用户B,从第三等级选出主播用户C,或者从第一等级选出主播用户X和Y,从第二等级选出主播用户Z和E,从第三等级选出主播用户Q和W。
获取所述目标主播用户中其余主播用户与所述参考主播用户的平均相似度。
具体的,若选取每一等级中的一个目标主播用户作为参考主播用户,例如可以是,若总共分了三个等级,则从第一等级选出主播用户A,从第二等级选出主播用户B,从第三等级选出主播用户C,则计算包括目标主播用户的目标子图中的全部主播用户与主播用户A的相似度,与主播用户B的相似度,以及与主播用户C的相似度。
具体的,若选取每一等级中的至少两个目标主播用户作为参考主播用户,例如可以是,从第一等级选出主播用户X和Y,从第二等级选出主播用户Z和E,从第三等级选出主播用户Q和W,则计算包括目标主播用户的目标子图中的全部主播用户与主播用户X和Y的平均相似度,与主播用户Z和E的平均相似度,以及与主播用户Q和W的平均相似度。
根据所述平均相似度与所述目标主播用户所属原始等级判断所述目标主播用户是否属于潜力主播用户。
具体的,根据所述平均相似度确定目标主播用户所属等级,将根据平均相似度确定的等级与根据ACU确定的等级进行比较,若根据平均相似度确定的等级与根据ACU确定的等级相差较大,则说明目标主播用户属于潜力主播用户。例如可以是,根据目标主播用户的ACU确定目标主播用户的等级为第五等级,根据平均相似度确定目标主播用户的等级与第一等级的目标主播用户相似度较大,也就是说确定目标主播用户属于第一等级,因为根据第五等级与第一等级间隔三个等级,差距较大,则说明目标主播用户属于潜力主播用户。
可选的,根据所述平均相似度与所述目标主播用户所属原始等级判断所述目标主播用户是否属于潜力主播用户包括:
将最大平均相似度对应的等级作为所述目标主播用户的目标等级;
若当前目标主播用户的目标等级与原始等级之间的等级差距大于预设数值,则确定当前目标主播用户为潜力主播用户。
其中,所述预设数值可以为相差的等级数量,预设数值的具体数值可以根据需要进行设定,本发明实施例对此不进行限制。
在一个具体的例子中,以王者荣耀的主播为例,通过模型预测出优质主播用户后,进一步计算每个优质主播用户和上面六种等级的主播用户的平均相似度h,取最大h对应的等级作为主播用户可能达到的等级,那么主播用户的原始等级和目标等级差距越大,那么主播用户提升空间越大。
本实施例的技术方案,通过获取至少两个待分类的主播用户,并计算两两主播用户之间的相似度,在待分类的主播用户中,包括有预先标注的目标主播用户,以各主播用户为顶点,根据两两主播用户之间的相似度构造带权边,以生成带权无向图,采用谱聚类技术,将带权无向图划分为至少两个目标子图,并将属于同一目标子图的主播用户归集于同一分类。将包括目标主播用户的目标子图中的全部主播用户确定为目标主播用户,实现对主播用户的分类,为平台有选择的培养更多大主播提供决策依据。
实施例三
图3为本发明实施例三提供的一种主播用户分类装置的结构示意图。本实施例可适用于主播用户分类的情况,该装置可采用软件和/或硬件的方式实现,该装置可集成在任何提供主播用户分类的功能的设备中,如图3所示,所述主播用户分类的装置具体包括:获取模块310、生成模块320和分类模块330。
其中,获取模块310,用于获取至少两个待分类的主播用户,并计算两两所述主播用户之间的相似度;
生成模块320,用于以各所述主播用户为顶点,根据两两所述主播用户之间的相似度构造带权边,以生成带权无向图;
分类模块330,用于采用谱聚类技术,将所述带权无向图划分为至少两个目标子图,并将属于同一目标子图的主播用户归集于同一分类。
可选的,在所述待分类的主播用户中,包括有预先标注的目标主播用户;
还包括:
确定模块,用于在采用谱聚类技术,将所述带权无向图划分为至少两个目标子图,并将属于同一目标子图中的各顶点对应的主播用户归集于同一分类之后,将包括目标主播用户的目标子图中的全部主播用户确定为所述目标主播用户。
可选的,还包括:
参量获取模块,用于获取所述目标主播用户的主播热度参量;
原始等级确定模块,用于根据所述主播热度参量确定所述目标主播用户所属原始等级;
选取模块,用于选取每一等级中的至少一个目标主播用户作为参考主播用户;
平均相似度获取模块,用于获取所述目标主播用户中其余主播用户与所述参考主播用户的平均相似度;
判断模块,用于根据所述平均相似度与所述目标主播用户所属原始等级判断所述目标主播用户是否属于潜力主播用户。
可选的,所述判断模块具体用于:
将最大平均相似度对应的等级作为所述目标主播用户的目标等级;
若当前目标主播用户的目标等级与原始等级之间的等级差距大于预设数值,则确定当前目标主播用户为潜力主播用户。
可选的,获取模块包括:
观看用户获取单元,用于获取两两所述主播用户对应的多个历史重合观看用户,其中,所述两两主播用户包括第一主播用户和第二主播用户;
倾向性分类单元,用于根据所述多个历史重合观看用户分别针对所述第一主播用户和所述第二主播用户的行为信息,对所述多个历史重合观看用户按照主播倾向性进行分类,所述主播倾向性的类别包括:偏好第一主播用户、偏好第二主播用户以及无偏好;
相似度确定单元,用于根据所述多个历史重合观看用户属于不同主播倾向性类别的用户数量,确定所述第一主播用户和所述第二主播用户之间的相似度。
可选的,倾向性分类单元具体用于:
获取所述多个历史重合观看用户分别针对所述第一主播用户和所述第二主播用户的订阅信息和观看信息;
根据所述订阅信息和观看信息分别对所述多个历史重合观看用户按照主播倾向性进行分类。
上述产品可执行本发明任意实施例所提供的方法,具备执行方法相应的功能模块和有益效果。
本实施例的技术方案,通过获取至少两个待分类的主播用户,并计算两两所述主播用户之间的相似度;以各所述主播用户为顶点,根据两两所述主播用户之间的相似度构造带权边,以生成带权无向图;采用谱聚类技术,将所述带权无向图划分为至少两个目标子图,并将属于同一目标子图的主播用户归集于同一分类,实现对主播用户的分类,为平台有选择的培养更多大主播提供决策依据。
实施例四
图4为本发明实施例四中的一种计算机设备的结构示意图。图4示出了适于用来实现本发明实施方式的示例性计算机设备12的框图。图4显示的计算机设备12仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图4所示,计算机设备12以通用计算设备的形式表现。计算机设备12的组件可以包括但不限于:一个或者多个处理器或者处理单元16,系统存储器28,连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,外围总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(ISA)总线,微通道体系结构(MAC)总线,增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
计算机设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备12访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
系统存储器28可以包括易失性存储器形式的计算机系统可读介质,例如随机存取存储器(RAM)30和/或高速缓存存储器32。计算机设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例,存储系统34可以用于读写不可移动的、非易失性磁介质(图4未显示,通常称为“硬盘驱动器”)。尽管图4中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40,可以存储在例如存储器28中,这样的程序模块42包括——但不限于——操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
计算机设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信,还可与一个或者多个使得用户能与该计算机设备12交互的设备通信,和/或与使得该计算机设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。另外,本实施例中的计算机设备12,显示器24不是作为独立个体存在,而是嵌入镜面中,在显示器24的显示面不予显示时,显示器24的显示面与镜面从视觉上融为一体。并且,计算机设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器20通过总线18与计算机设备12的其它模块通信。应当明白,尽管图中未示出,可以结合计算机设备12使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元16通过运行存储在系统存储器28中的程序,从而执行各种功能应用以及数据处理,例如实现本发明实施例所提供的主播用户分类方法:获取至少两个待分类的主播用户,并计算两两所述主播用户之间的相似度;以各所述主播用户为顶点,根据两两所述主播用户之间的相似度构造带权边,以生成带权无向图;采用谱聚类技术,将所述带权无向图划分为至少两个目标子图,并将属于同一目标子图的主播用户归集于同一分类。
实施例五
本发明实施例五提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本申请所有发明实施例提供的主播用户分类方法:获取至少两个待分类的主播用户,并计算两两所述主播用户之间的相似度;以各所述主播用户为顶点,根据两两所述主播用户之间的相似度构造带权边,以生成带权无向图;采用谱聚类技术,将所述带权无向图划分为至少两个目标子图,并将属于同一目标子图的主播用户归集于同一分类。
可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括——但不限于——电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括——但不限于——无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种主播用户分类方法,其特征在于,包括:
获取至少两个待分类的主播用户,并计算两两所述主播用户之间的相似度;
以各所述主播用户为顶点,根据两两所述主播用户之间的相似度构造带权边,以生成带权无向图;
采用谱聚类技术,将所述带权无向图划分为至少两个目标子图,并将属于同一目标子图的主播用户归集于同一分类。
2.根据权利要求1所述的方法,其特征在于,在所述待分类的主播用户中,包括有预先标注的目标主播用户;
采用谱聚类技术,将所述带权无向图划分为至少两个目标子图,并将属于同一目标子图中的各顶点对应的主播用户归集于同一分类之后,还包括:
将包括目标主播用户的目标子图中的全部主播用户确定为所述目标主播用户。
3.根据权利要求2所述的方法,其特征在于,在将包括目标主播用户的目标子图中的全部主播用户确定为所述目标主播用户之后,还包括:
获取所述目标主播用户的主播热度参量;
根据所述主播热度参量确定所述目标主播用户所属原始等级;
选取每一等级中的至少一个目标主播用户作为参考主播用户;
获取所述目标主播用户中其余主播用户与所述参考主播用户的平均相似度;
根据所述平均相似度与所述目标主播用户所属原始等级判断所述目标主播用户是否属于潜力主播用户。
4.根据权利要求3所述的方法,其特征在于,根据所述平均相似度与所述目标主播用户所属原始等级判断所述目标主播用户是否属于潜力主播用户包括:
将最大平均相似度对应的等级作为所述目标主播用户的目标等级;
若当前目标主播用户的目标等级与原始等级之间的等级差距大于预设数值,则确定当前目标主播用户为潜力主播用户。
5.根据权利要求1-4任一项所述的方法,其特征在于,获取至少两个待分类的主播用户,并计算两两所述主播用户之间的相似度,包括:
获取两两所述主播用户对应的多个历史重合观看用户,其中,所述两两主播用户包括第一主播用户和第二主播用户;
根据所述多个历史重合观看用户分别针对所述第一主播用户和所述第二主播用户的行为信息,对所述多个历史重合观看用户按照主播倾向性进行分类,所述主播倾向性的类别包括:偏好第一主播用户、偏好第二主播用户以及无偏好;
根据所述多个历史重合观看用户属于不同主播倾向性类别的用户数量,确定所述第一主播用户和所述第二主播用户之间的相似度。
6.根据权利要求5所述的方法,其特征在于,据所述多个历史重合观看用户分别针对所述第一主播用户和所述第二主播用户的行为信息,对所述多个历史重合观看用户按照主播倾向性进行分类包括:
获取所述多个历史重合观看用户分别针对所述第一主播用户和所述第二主播用户的订阅信息和观看信息;
根据所述订阅信息和观看信息分别对所述多个历史重合观看用户按照主播倾向性进行分类。
7.一种主播用户分类装置,其特征在于,包括:
获取模块,用于获取至少两个待分类的主播用户,并计算两两所述主播用户之间的相似度;
生成模块,用于以各所述主播用户为顶点,根据两两所述主播用户之间的相似度构造带权边,以生成带权无向图;
分类模块,用于采用谱聚类技术,将所述带权无向图划分为至少两个目标子图,并将属于同一目标子图的主播用户归集于同一分类。
8.根据权利要求7所述的装置,其特征在于,在所述待分类的主播用户中,包括有预先标注的目标主播用户;
还包括:
确定模块,用于在采用谱聚类技术,将所述带权无向图划分为至少两个目标子图,并将属于同一目标子图中的各顶点对应的主播用户归集于同一分类之后,将包括目标主播用户的目标子图中的全部主播用户确定为所述目标主播用户。
9.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-6中任一所述的方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-6中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810862293.2A CN109086822B (zh) | 2018-08-01 | 2018-08-01 | 一种主播用户分类方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810862293.2A CN109086822B (zh) | 2018-08-01 | 2018-08-01 | 一种主播用户分类方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109086822A true CN109086822A (zh) | 2018-12-25 |
CN109086822B CN109086822B (zh) | 2021-04-06 |
Family
ID=64833488
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810862293.2A Active CN109086822B (zh) | 2018-08-01 | 2018-08-01 | 一种主播用户分类方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109086822B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109922359A (zh) * | 2019-03-19 | 2019-06-21 | 广州虎牙信息科技有限公司 | 一种用户处理方法、装置、设备和存储介质 |
CN110706092A (zh) * | 2019-09-23 | 2020-01-17 | 深圳中兴飞贷金融科技有限公司 | 风险用户识别方法和装置,存储介质及电子设备 |
CN110996116A (zh) * | 2019-12-18 | 2020-04-10 | 广州市百果园信息技术有限公司 | 一种主播信息的推送方法、装置、计算机设备和存储介质 |
CN111488484A (zh) * | 2020-04-16 | 2020-08-04 | 北京雷石天地电子技术有限公司 | 基于类指数分布和tf-idf特征的歌曲推荐方法、介质和装置 |
CN111800647A (zh) * | 2020-06-29 | 2020-10-20 | 广州市百果园信息技术有限公司 | 直播连麦匹配方法、装置、设备及存储介质 |
CN112330415A (zh) * | 2020-11-19 | 2021-02-05 | 北京沃东天骏信息技术有限公司 | 直播场景物品销量数据预测方法、模型的训练方法及介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1356421A2 (en) * | 2001-01-23 | 2003-10-29 | Biowulf Technologies, LLC | Computer-aided image analysis |
CN107613395A (zh) * | 2017-08-28 | 2018-01-19 | 武汉斗鱼网络科技有限公司 | 直播房间推荐方法及系统 |
CN108076354A (zh) * | 2017-12-20 | 2018-05-25 | 北京潘达互娱科技有限公司 | 直播间推荐方法及设备 |
-
2018
- 2018-08-01 CN CN201810862293.2A patent/CN109086822B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1356421A2 (en) * | 2001-01-23 | 2003-10-29 | Biowulf Technologies, LLC | Computer-aided image analysis |
CN107613395A (zh) * | 2017-08-28 | 2018-01-19 | 武汉斗鱼网络科技有限公司 | 直播房间推荐方法及系统 |
CN108076354A (zh) * | 2017-12-20 | 2018-05-25 | 北京潘达互娱科技有限公司 | 直播间推荐方法及设备 |
Non-Patent Citations (1)
Title |
---|
贾建华 著: "《谱聚类集成算法研究》", 31 August 2011, 天津大学出版社 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109922359A (zh) * | 2019-03-19 | 2019-06-21 | 广州虎牙信息科技有限公司 | 一种用户处理方法、装置、设备和存储介质 |
CN114143571A (zh) * | 2019-03-19 | 2022-03-04 | 广州虎牙信息科技有限公司 | 一种用户处理方法、装置、设备和存储介质 |
CN114143571B (zh) * | 2019-03-19 | 2024-01-19 | 广州虎牙信息科技有限公司 | 一种用户处理方法、装置、设备和存储介质 |
CN110706092A (zh) * | 2019-09-23 | 2020-01-17 | 深圳中兴飞贷金融科技有限公司 | 风险用户识别方法和装置,存储介质及电子设备 |
CN110706092B (zh) * | 2019-09-23 | 2021-05-18 | 前海飞算科技(深圳)有限公司 | 风险用户识别方法和装置,存储介质及电子设备 |
CN110996116A (zh) * | 2019-12-18 | 2020-04-10 | 广州市百果园信息技术有限公司 | 一种主播信息的推送方法、装置、计算机设备和存储介质 |
CN111488484A (zh) * | 2020-04-16 | 2020-08-04 | 北京雷石天地电子技术有限公司 | 基于类指数分布和tf-idf特征的歌曲推荐方法、介质和装置 |
CN111488484B (zh) * | 2020-04-16 | 2023-04-28 | 北京雷石天地电子技术有限公司 | 基于类指数分布和tf-idf特征的歌曲推荐方法、介质和装置 |
CN111800647A (zh) * | 2020-06-29 | 2020-10-20 | 广州市百果园信息技术有限公司 | 直播连麦匹配方法、装置、设备及存储介质 |
CN111800647B (zh) * | 2020-06-29 | 2022-08-09 | 广州市百果园信息技术有限公司 | 直播连麦匹配方法、装置、设备及存储介质 |
CN112330415A (zh) * | 2020-11-19 | 2021-02-05 | 北京沃东天骏信息技术有限公司 | 直播场景物品销量数据预测方法、模型的训练方法及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109086822B (zh) | 2021-04-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109086822A (zh) | 一种主播用户分类方法、装置、设备及存储介质 | |
US11620326B2 (en) | User-specific media playlists | |
US8468105B2 (en) | Learning apparatus, learning method, information processing apparatus, data selection method, data accumulation method, data conversion method and program | |
CN108090208A (zh) | 融合数据处理方法及装置 | |
CN111442778A (zh) | 出行方案推荐方法、装置、设备及计算机可读存储介质 | |
CN105095431A (zh) | 根据用户的行为信息推送视频的方法和装置 | |
CN109348237A (zh) | 一种直播间管理方法、装置、服务器及存储介质 | |
US11216518B2 (en) | Systems and methods of providing recommendations of content items | |
CN106294830A (zh) | 多媒体资源的推荐方法及装置 | |
US9325754B2 (en) | Information processing device and information processing method | |
CN110727868A (zh) | 对象推荐方法、装置和计算机可读存储介质 | |
CN109862431A (zh) | 一种基于mcl-hcf算法的电视节目混合推荐方法 | |
WO2023231542A1 (zh) | 表示信息的确定方法、装置、设备及存储介质 | |
US20150186934A1 (en) | Group composition based recommender system and method | |
CN106326388A (zh) | 一种信息处理方法和装置 | |
CN111382793B (zh) | 一种特征提取方法、装置和存储介质 | |
CN106599114A (zh) | 音乐推荐方法及系统 | |
CN109086813A (zh) | 主播相似度的确定方法、装置、设备及存储介质 | |
CN117132323A (zh) | 推荐内容的分析方法、装置、设备、介质及程序产品 | |
CN114418624A (zh) | 项目推荐方法、装置、电子设备及可读介质 | |
CN113704608A (zh) | 个性化项目推荐方法、装置、电子设备及存储介质 | |
CN110309361A (zh) | 一种视频评分的确定方法、推荐方法、装置及电子设备 | |
CN106096017B (zh) | 搜索结果提供方法以及装置 | |
CN117112640B (zh) | 一种内容排序方法以及相关设备 | |
KR102343848B1 (ko) | 이용자 상태 벡터를 이용한 전환 전략 탐색 방법 및 운영 장치 |
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 |