CN109151498A - 热点事件处理方法、装置、服务器及存储介质 - Google Patents
热点事件处理方法、装置、服务器及存储介质 Download PDFInfo
- Publication number
- CN109151498A CN109151498A CN201811021209.0A CN201811021209A CN109151498A CN 109151498 A CN109151498 A CN 109151498A CN 201811021209 A CN201811021209 A CN 201811021209A CN 109151498 A CN109151498 A CN 109151498A
- Authority
- CN
- China
- Prior art keywords
- video
- focus incident
- videos
- type
- preset
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 16
- 238000000034 method Methods 0.000 claims description 37
- 238000013528 artificial neural network Methods 0.000 claims description 19
- 238000003062 neural network model Methods 0.000 claims description 14
- 238000000605 extraction Methods 0.000 claims description 12
- 238000013145 classification model Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 8
- 238000012552 review Methods 0.000 description 15
- 238000005516 engineering process Methods 0.000 description 9
- 238000012549 training Methods 0.000 description 6
- 238000004590 computer program Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000006424 Flood reaction Methods 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 231100000572 poisoning Toxicity 0.000 description 1
- 230000000607 poisoning effect Effects 0.000 description 1
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
- H04N21/234—Processing of video elementary streams, e.g. splicing of video streams or manipulating encoded video stream scene graphs
- H04N21/23418—Processing of video elementary streams, e.g. splicing of video streams or manipulating encoded video stream scene graphs involving operations for analysing video streams, e.g. detecting features or characteristics
-
- 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
- H04N21/232—Content retrieval operation locally within server, e.g. reading video streams from disk arrays
-
- 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
- H04N21/262—Content or additional data distribution scheduling, e.g. sending additional data at off-peak times, updating software modules, calculating the carousel transmission frequency, delaying a video stream transmission, generating play-lists
-
- 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)
- Multimedia (AREA)
- Signal Processing (AREA)
- Databases & Information Systems (AREA)
- Human Computer Interaction (AREA)
- Information Transfer Between Computers (AREA)
Abstract
本申请示出了一种热点事件处理方法、装置、服务器及存储介质。在本申请中,识别预设时间段内上传的至少一个视频的视频类型;当检测到视频类型相同的视频的视频数量超过第一预设数量时,提取视频类型相同的所有视频;从视频类型相同的所有视频中确定热点事件;推送热点事件。通过本申请,可以根据预设时间段内上传的至少一个视频的视频类型来确定在在预设时间段内发生热点事件,并推送该热点事件,从而可以使得广大用户能够及时了解到热点事件的相关内容,提高了热点事件推送的时效性。
Description
技术领域
本申请涉及计算机技术领域,尤其涉及一种热点事件处理方法、装置、服务器及存储介质。
背景技术
当前,在现实生活中往往会发生热点事件,例如,某一栋楼发生火灾,某一条路上发生车祸以及某一场馆正在开展演唱会等。
然而,这些热点事件都是新闻媒体工作人员对热点事件了解之后,第二天再在报纸或网站上上报道热点事件的相关内容,广大用户第二天才能看到前一天发生的热点事件,时间相对滞后,时效性较低。
发明内容
为克服相关技术中存在的问题,本申请提供一种热点事件处理方法、装置、服务器及存储介质。
根据本申请的第一方面,提供一种热点事件处理方法,所述方法包括:
识别预设时间段内上传的至少一个视频的视频类型;
当检测到视频类型相同的视频的视频数量超过第一预设数量时,提取所述视频类型相同的所有视频;
从所述视频类型相同的所有视频中确定热点事件;
推送所述热点事件。
在一个可选的实现方式中,所述识别预设时间段内上传的至少一个视频的视频类型,包括:
使用基于神经网络的视频分类模型识别预设时间段内上传的至少一个视频;
确定每个视频的视频类型。
在一个可选的实现方式中,所述方法还包括:
获取样本图像集,所述样本图像集中包括至少一个标注有预设视频类型的样本图像;
使用所述样本图像集中的样本图像对预设的神经网络模型进行训练,直至所述预设的神经网络模型中的权重均收敛,得到所述基于神经网络的视频分类模型。
在一个可选的实现方式中,所述从所述视频类型相同的所有视频中确定热点事件,包括:
获取所述所有视频所表述的视频内容;
获取所述所有视频的视频标题;
获取对所有视频评论的评论信息;
根据所述视频内容、所述视频标题以及所述评论信息获取所述热点事件。
在一个可选的实现方式中,所述推送所述热点事件,包括:
获取所述热点事件的事件类型;
获取对所述事件类型感兴趣的用户;
向所述用户推送所述热点事件。
在一个可选的实现方式中,所述至少一个视频包括拍摄的位于预设区域内的视频。
在一个可选的实现方式中,所述推送所述热点事件,包括:
获取位于所述预设区域内的用户;
向所述用户推送所述热点事件。
在一个可选的实现方式中,所述推送所述热点事件,包括:
获取预设地图;
在所述预设地图中标示出所述预设区域;
在所述预设区域上标示出所述热点事件,得到目标地图;
推送所述目标地图。
在一个可选的实现方式中,所述方法还包括:
接收用于查看所述热点事件的查看请求;
根据所述查看请求发送所述视频类型相同的所有视频。
在一个可选的实现方式中,所述方法还包括:
当检测到视频类型相同的视频的视频数量超过第一预设数量时,统计所述视频类型相同的视频的拍摄者的拍摄者数量;
当检测到所述拍摄者数量大于第二预设数量时,执行所述提取所述视频类型相同的所有视频的步骤。
在一个可选的实现方式中,所述方法还包括:
当检测到所述拍摄者数量大于第二预设数量时,获取所述视频类型相同的视频的被评论数量;
当检测到所述被评论数量大于第三预设数量时,执行所述提取所述视频类型相同的所有视频的步骤。
根据本申请的第二方面,提供一种热点事件处理装置,所述装置包括:
识别模块,被配置为识别预设时间段内上传的至少一个视频的视频类型;
提取模块,被配置为当检测到视频类型相同的视频的视频数量超过第一预设数量时,提取所述视频类型相同的所有视频;
确定模块,被配置为从所述视频类型相同的所有视频中确定热点事件;
推送模块,被配置为推送所述热点事件。
在一个可选的实现方式中,所述识别模块包括:
识别单元,被配置为使用基于神经网络的视频分类模型识别预设时间段内上传的至少一个视频;
确定单元,被配置为确定每个视频的视频类型。
在一个可选的实现方式中,所述识别模块还包括:
第一获取单元,被配置为获取样本图像集,所述样本图像集中包括至少一个标注有预设视频类型的样本图像;
训练单元,被配置为使用所述样本图像集中的样本图像对预设的神经网络模型进行训练,直至所述预设的神经网络模型中的权重均收敛,得到所述基于神经网络的视频分类模型。
在一个可选的实现方式中,所述确定模块包括:
第二获取单元,被配置为获取所述所有视频所表述的视频内容;
第三获取单元,被配置为获取所述所有视频的视频标题;
第四获取单元,被配置为获取对所有视频评论的评论信息;
第五获取单元,被配置为根据所述视频内容、所述视频标题以及所述评论信息获取所述热点事件。
在一个可选的实现方式中,所述推送模块包括:
第六获取单元,被配置为获取所述热点事件的事件类型;
第七获取单元,被配置为获取对所述事件类型感兴趣的用户;
第一推送单元,被配置为向所述用户推送所述热点事件。
在一个可选的实现方式中,所述至少一个视频包括拍摄的位于预设区域内的视频。
在一个可选的实现方式中,所述推送模块包括:
第八获取单元,被配置为获取位于所述预设区域内的用户;
第二推送单元,被配置为向所述用户推送所述热点事件。
在一个可选的实现方式中,所述推送模块包括:
第九获取单元,被配置为获取预设地图;
第一标示单元,被配置为在所述预设地图中标示出所述预设区域;
第二标示单元,被配置为在所述预设区域上标示出所述热点事件,得到目标地图;
第三推送单元,被配置为推送所述目标地图。
在一个可选的实现方式中,所述装置还包括:
接收模块,被配置为接收用于查看所述热点事件的查看请求;
发送模块,被配置为根据所述查看请求发送所述视频类型相同的所有视频。
在一个可选的实现方式中,所述装置还包括:
第一获取模块,被配置为当检测到视频类型相同的视频的视频数量超过第一预设数量时,获取所述视频类型相同的视频的拍摄者的拍摄者数量;
所述提取模块还被配置为:当检测到所述拍摄者数量大于第二预设数量时,提取所述视频类型相同的所有视频。
在一个可选的实现方式中,所述装置还包括:
第二获取模块,被配置为当检测到所述拍摄者数量大于第二预设数量时,获取所述视频类型相同的视频的被评论数量;
所述提取模块还被配置为:当检测到所述被评论数量大于第三预设数量时,提取所述视频类型相同的所有视频。
根据本申请的第三方面,提供一种服务器,所述服务器包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为执行如第一方面所述的热点事件处理方法。
根据本申请的第四方面,提供一种非临时性计算机可读存储介质,当所述存储介质中的指令由服务器的处理器执行时,使得服务器能够执行如第一方面所述的热点事件处理方法。
根据本申请的第五方面,提供一种计算机程序产品,当所述计算机程序产品中的指令由服务器的处理器执行时,使得所述服务器能够执行如第一方面所述的热点事件处理方法。
本申请提供的技术方案可以包括以下有益效果:
在本申请中,识别预设时间段内上传的至少一个视频的视频类型;当检测到视频类型相同的视频的视频数量超过第一预设数量时,提取视频类型相同的所有视频;从视频类型相同的所有视频中确定热点事件;推送热点事件。通过本申请,可以根据预设时间段内上传的至少一个视频的视频类型来确定在在预设时间段内发生热点事件,并推送该热点事件,从而可以使得广大用户能够及时了解到热点事件的相关内容,提高了热点事件推送的时效性。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本申请。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。
图1是本申请示出的一种热点事件处理方法的流程图。
图2是本申请示出的一种热点事件处理装置的框图。
图3是本申请示出的一种服务器的框图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
图1是本申请示出的一种热点事件处理方法的流程图,如图1所示,该方法用于服务器中,该方法包括以下步骤。
在步骤S101中,识别预设时间段内上传的至少一个视频的视频类型;
在一个可选的实现方式中,事先可以获取样本图像集,样本图像集中包括至少一个标注有预设视频类型的样本图像;使用样本图像集中的样本图像对预设的神经网络模型进行训练,直至预设的神经网络模型中的权重均收敛,得到基于神经网络的视频分类模型。如此,在本步骤中,可以使用基于神经网络的视频分类模型识别预设时间段内上传的至少一个视频,然后确定每个视频的视频类型。
在本申请中,可以将时间划分为多个相邻的预设时间段,每一个预设时间段的时长可以相同,预设时间段的时长可以为1小时、30分钟或20分钟等等。
其中,用户可以使用终端拍摄视频,然后,将拍摄的视频上传至服务器,服务器接收终端发送该视频和,然后获取服务器的当前时刻,并作为该视频的拍摄时刻。然后将该拍摄时刻与该视频组成对应表项,并存储在视频的拍摄时刻与视频之间的对应关系中。
如此,在本申请中,对于任意一个预设区域,可以实时或定期在视频的拍摄时刻与视频之间的对应关系中,确定与位于当前时刻所在的预设时间段内的拍摄时刻相对应的视频,然后识别确定出的的每一个视频的视频的视频类型。
当检测到视频类型相同的视频的视频数量超过第一预设数量时,在步骤S102中,提取视频类型相同的所有视频;
其中,在一个实施例中,如果在预设时间段内发生了热点事件,则会有大量的用户拍摄并上传用于描述热点事件的视频,也即,会有大量的视频均用于描述同一视频内容。而非热点事件的视频,只有少量用户会拍摄并上传。
因此,在本步骤中,在预设时间段内上传的至少一个视频中,可以获取每一个视频分别所表述的视频内容,其中,可以使用现有技术中的任意一种视频内容获取技术来获取视频所表述的视频内容,本申请对具体的技术不做限定;然后在预设时间段内上传的至少一个视频中,将表述的视频内容相同的视频组合为视频组。
对于组合得到的任一视频组,当检测到该视频组包括的视频的数量大于第一预设数量时,提取该视频组中的所有视频,对于其他每一个视频组,同样执行上述操作。如此实现提取视频类型相同的所有视频。
其中,事先可以通过历史过程中的分别用于描述每一个历史热点事件的历史视频的历史视频数量,将用于描述每一个历史热点事件的历史视频的历史视频数量求和,得到历史视频总量,计算历史视频总量与历史热点事件的数量之间的比值,作为第一预设数量;或者,将1.5倍的该比值、2倍的该比值或3倍的该比值作为第一预设数量等。
在本申请中,通常情况下,如果在预设时间段内没有发生热点事件,则服务器在预设时间段内接收到的上传的视频类型相同的视频的视频数量往往维持在一个较低的水平,例如,上传的视频类型相同的视频的视频数量往往小于第一预设数量。
然而,如果在预设时间段内突然发生热点事件,则往往有用户在预设时间段内拍摄并上传大量与热点事件相关的视频,并通过将其上传至服务器来实现发布视频,以公布热点事件,热点事件可以为车祸、火灾或水灾等等,也即服务器在在预设时间段内内接收到的的关于热点事件的视频的视频数量会突然激增,且往往会大于第一预设数量。
因此,当视频类型相同的视频的视频数量大于第一预设数量时,则说明在预设时间段内发生了热点事件,在预设时间段内上传的至少一个视频中存在与热点事件相关的视频,为了确定出到底发生了什么热点事件,服务器需要从视频类型相同的所有视频中确定热点事件,然后执行步骤S104。
然而,在预设时间段内可能并未发生热点事件,而是一两个用户在预设时间段内拍摄大量的自己感兴趣的视频上传给服务器,例如,拍摄关于花草的视频或关于文物古迹的视频,这些视频并不是用于描述热点事件的视频。
但是,按照前述实施例的方式,仍旧会确定出在预设时间段内发生了热点事件,并从视频类型相同的所有视频中确定热点事件;之后会把普通事件当作热点事件进行推送,导致被推送的用户的用户体验较低。
因此,为了避免上述情况发生,当检测到视频类型相同的视频的视频数量大于第一预设数量时,可以统计在预设时间段内拍摄视频类型相同的视频的拍摄者的拍摄者数量;也即,统计在预设时间段内上传的视频类型相同的视频是由多少个拍摄者拍摄的,确定拍摄者数量是否大于第二预设数量;当检测到拍摄者数量大于第二预设数量时,再提取视频类型相同的所有视频。
其中,当发生热点事件时,往往不止有一个用户会关注热点事件,而会有大量的用户都会关注热点事件,同时,大量的用户会拍摄与热点事件相关的视频并上传至服务器。因此,如果仅有少量的用户拍摄了大量的视频,该预设时间段内通常也未发生热点事件。
因此,通过本实施例的方法,可以准确判断出是否发生了热点事件,不会将普通事件当作热点事件进行推送,避免降低被推送的用户的用户体验。
在本申请实施例中,可以确定历史过程中的多个预设时间段,分别统计在确定出每一个预设时间段内拍摄视频的历史拍摄者数量。
将统计出的历史拍摄者数量求和,得到历史拍摄者总量,计算历史拍摄者总量与确定出的预设时间段的数量之间的比值,作为第二预设数量;或者,将1.5倍的该比值、2倍的该比值或3倍的该比值作为第二预设数量等。
其中,在一个实施例中,如果在预设时间段内发生了热点事件,则在预设时间段内拍摄的视频中往往存在与热点事件相关的视频,且通常情况下,热点事件会被大量的用户关注,大量的用户都会观看与热点事件相关的视频,并对热点事件进行评论,从而使得与热点事件相关的视频的被评论数量较高。
因此,在本步骤中,当检测到视频类型相同的视频的视频数量大于第一预设数量时,在预设时间段内上传的每一个视频中,可以获取每一个视频的被评论数量;然后,当检测到被评论数量大于第三预设数量时,再提取视频类型相同的所有视频。
在本申请实施例中,可以确定历史过程中的多个预设时间段,分别统计在确定出每一个预设时间段内拍摄的历史视频的历史被评论数量。
将统计出的历史被评论数量求和,得到历史被评论总量,计算历史被评论总量与历史视频的数量之间的比值,作为第三预设数量;或者,将1.5倍的该比值、2倍的该比值或3倍的该比值作为第三预设数量等。
在步骤S103中,从视频类型相同的所有视频中确定热点事件;
在本申请中,可以获取所有视频所表述的视频内容;其中,可以使用现有技术中的任意一种视频内容获取技术来获取视频所表述的视频内容,本申请对具体的技术不做限定;获取所有视频的视频标题,其中,视频标题可以为视频的拍摄者为视频编辑的;获取对所有视频评论的评论信息;根据该视频内容、该视频标题以及该评论信息获取热点事件。其中,可以使用现有技术中的任意一种获取技术来根据该视频内容、该视频标题以及该评论信息获取热点事件,本申请对具体的技术不做限定。
在步骤S104中,推送热点事件。
在本申请中,至少一个视频包括拍摄的位于预设区域内的视频。
其次,可以将地理区域划分为多个不同的预设区域,每一个预设区域的区域面积可以相同,也可以不全相同。
预设区域的位置信息可以通过两种方式来获取:
第一种:用户在使用终端拍摄视频时,终端会对自身定位,得到终端的位置信息,并将该位置信息作为该视频的拍摄位置,然后将该视频与该拍摄位置一起上传至服务器,服务器接收并存储该视频与该拍摄位置。
如此,当需要推送热点事件时,可以获取视频类型相同的每一个视频的拍摄位置,并根据视频类型相同的每一个视频的拍摄位置确定预设区域的位置信息。
第二种:使用基于神经网络的位置识别模型获取预设区域的位置信息,例如,将视频中的图像输入至基于神经网络的位置识别模型中,得到基于神经网络的位置识别模型输出的视频类型相同的每一个视频中的至少一个建筑物,确定每一个建筑物的位置信息,根据每一个建筑物的位置信息确定预设区域的位置信息。
因此,在一个实施例中,可以获取位于预设区域内的用户;然后向位于预设区域内的用户推送热点事件,以使位于预设区域内的用户能够查看位于预设区域内的热点事件。
在另一个实施例中,可以获取预设地图;在预设地图中标示出预设区域,并在预设区域上标示出热点事件,得到目标地图;然后推送目标地图,例如,向其他用户推送目标地图,其他用户在看到目标地图之后,就可以获知哪些预设区域发生了哪些热点事件。
在另一实施例中,可以使用基于神经网络的位置识别模型识别热点事件的发生位置,例如,可以使用基于神经网络的位置识别模型,通过视频中的建筑物等信息确定热点事件的发生位置,然后获取预设地图,并在预设地图中标示出该发生位置,得到目标地图;然后推送目标地图。例如,向其他用户推送目标地图,其他用户在看到目标地图之后,就可以获知在该发生位置发生了该热点事件。
其中,在本申请中,有很多类型的热点事件,例如车祸类、水灾类、打架斗殴类以及火灾类等,每一个用户仅对部分类型的热点事件感兴趣,如果将某一类型的热点事件推送给对该类型的热点事件不感兴趣的用户,对该类型的热点事件不感兴趣的用户在得到服务器推送的该类型的热点事件之后,也不会去主动查看该类型的热点事件,从而导致该推送为无效推送。
因此,为了提高推送的有效性,需要提高推送的精准度,例如,获取热点事件的事件类型;其中,可以根据视频类型相同的所有视频所表述的视频内容、视频类型相同的所有视频的拍摄者为视频类型相同的所有视频编辑的视频标题以及对视频类型相同的所有视频评论的评论信息来确定热点事件的事件类型,其中,可以使用现有技术中的任意一种确定技术来确定热点事件的事件类型,本申请对具体的技术不做限定;然后获取对事件类型感兴趣的用户,再向该用户推送热点事件。
其中,对于在服务器中注册的任一用户,可以事先获取该用户感兴趣的事件类型,然后将该用户与该事件类型组成对应表项,并存储在用户与用户感兴趣的事件类型之间的对应关系中,对于在服务器中注册的其他每一用户,同样如此。
因此,在获取对该事件类型感兴趣的用户时,可以在用户与用户感兴趣的事件类型之间的对应关系中查找与该事件类型相对应的用户,并作为对该事件类型感兴趣的用户。
当其他用户得到服务器推送的热点事件之后,可能需要查看热点事件的相关内容,如果需要查看热点事件的详情信息,则可以向服务器发送用于查看热点事件的查看请求,服务器接收用于查看热点事件的该查看请求;然后根据该查看请求发送所述视频类型相同的所有视频,以使其他用户可以通过播放所述视频类型相同的所有视频来了解热点事件的相关内容。其中,所述视频类型相同的所有视频往往为多个,因此,可以通过视频流的方式推送视频类型相同的每一个视频。
在本申请中,识别预设时间段内上传的至少一个视频的视频类型;当检测到视频类型相同的视频的视频数量超过第一预设数量时,提取视频类型相同的所有视频;从视频类型相同的所有视频中确定热点事件;推送热点事件。通过本申请,可以根据预设时间段内上传的至少一个视频的视频类型来确定在在预设时间段内发生热点事件,并推送该热点事件,从而可以使得广大用户能够及时了解到热点事件的相关内容,提高了热点事件推送的时效性。
其次,在另一实施例中,预设时间段内上传的至少一个视频为用户实时拍摄的实况视频,通过位于预设区域内的用户拍摄的实况视频来确定热点事件,可以保障热点事件的真实性,避免媒体人员根据个人立场和个人的主观理解而曲解了热点事件,进而避免误导广大用户。
图2是本申请示出的一种热点事件处理装置的框图。参照图2,该装置包括:
识别模块11,被配置为识别预设时间段内上传的至少一个视频的视频类型;
提取模块12,被配置为当检测到视频类型相同的视频的视频数量超过第一预设数量时,提取所述视频类型相同的所有视频;
确定模块13,被配置为从所述视频类型相同的所有视频中确定热点事件;
推送模块14,被配置为推送所述热点事件。
在一个可选的实现方式中,所述识别模块11包括:
识别单元,被配置为使用基于神经网络的视频分类模型识别预设时间段内上传的至少一个视频;
确定单元,被配置为确定每个视频的视频类型。
在一个可选的实现方式中,所述识别模块11还包括:
第一获取单元,被配置为获取样本图像集,所述样本图像集中包括至少一个标注有预设视频类型的样本图像;
训练单元,被配置为使用所述样本图像集中的样本图像对预设的神经网络模型进行训练,直至所述预设的神经网络模型中的权重均收敛,得到所述基于神经网络的视频分类模型。
在一个可选的实现方式中,所述确定模块13包括:
第二获取单元,被配置为获取所述所有视频所表述的视频内容;
第三获取单元,被配置为获取所述所有视频的视频标题;
第四获取单元,被配置为获取对所有视频评论的评论信息;
第五获取单元,被配置为根据所述视频内容、所述视频标题以及所述评论信息获取所述热点事件。
在一个可选的实现方式中,所述推送模块14包括:
第六获取单元,被配置为获取所述热点事件的事件类型;
第七获取单元,被配置为获取对所述事件类型感兴趣的用户;
第一推送单元,被配置为向所述用户推送所述热点事件。
在一个可选的实现方式中,所述至少一个视频包括拍摄的位于预设区域内的视频。
在一个可选的实现方式中,所述推送模块14包括:
第八获取单元,被配置为获取位于所述预设区域内的用户;
第二推送单元,被配置为向所述用户推送所述热点事件。
在一个可选的实现方式中,所述推送模块14包括:
第九获取单元,被配置为获取预设地图;
第一标示单元,被配置为在所述预设地图中标示出所述预设区域;
第二标示单元,被配置为在所述预设区域上标示出所述热点事件,得到目标地图;
第三推送单元,被配置为推送所述目标地图。
在一个可选的实现方式中,所述装置还包括:
接收模块,被配置为接收用于查看所述热点事件的查看请求;
发送模块,被配置为根据所述查看请求发送所述视频类型相同的所有视频。
在一个可选的实现方式中,所述装置还包括:
第一获取模块,被配置为当检测到视频类型相同的视频的视频数量超过第一预设数量时,获取所述视频类型相同的视频的拍摄者的拍摄者数量;
所述提取模块12还被配置为:当检测到所述拍摄者数量大于第二预设数量时,提取所述视频类型相同的所有视频。
在一个可选的实现方式中,所述装置还包括:
第二获取模块,被配置为当检测到所述拍摄者数量大于第二预设数量时,获取所述视频类型相同的视频的被评论数量;
所述提取模块12还被配置为:当检测到所述被评论数量大于第三预设数量时,提取所述视频类型相同的所有视频。
在本申请中,识别预设时间段内上传的至少一个视频的视频类型;当检测到视频类型相同的视频的视频数量超过第一预设数量时,提取视频类型相同的所有视频;从视频类型相同的所有视频中确定热点事件;推送热点事件。通过本申请,可以根据预设时间段内上传的至少一个视频的视频类型来确定在在预设时间段内发生热点事件,并推送该热点事件,从而可以使得广大用户能够及时了解到热点事件的相关内容,提高了热点事件推送的时效性。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
图3是本申请示出的一种服务器300的框图。参照图3,装置300包括处理组件322,其进一步包括一个或多个处理器,以及由存储器332所代表的存储器资源,用于存储可由处理组件322的执行的指令,例如应用程序。存储器332中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外,处理组件322被配置为执行指令,以执行上述如图1所述的热点事件处理方法。
装置300还可以包括一个电源组件326被配置为执行装置300的电源管理,一个有线或无线网络接口350被配置为将装置300连接到网络,和一个输入输出(I/O)接口358。装置300可以操作基于存储在存储器332的操作系统,例如Windows ServerTM,Mac OS XTM,UnixTM,LinuxTM,FreeBSDTM或类似。
本申请还提供了一种非临时性计算机可读存储介质,当所述存储介质中的指令由服务器的处理器执行时,使得服务器能够执行上述如图1所述的热点事件处理方法。
本申请还提供了一种计算机程序产品,当所述计算机程序产品中的指令由服务器的处理器执行时,使得所述服务器能够执行上述如图1所述的热点事件处理方法。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本申请的真正范围和精神由下面的权利要求指出。
应当理解的是,本申请并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求来限制。
A1、一种热点事件处理方法,所述方法包括:
识别预设时间段内上传的至少一个视频的视频类型;
当检测到视频类型相同的视频的视频数量超过第一预设数量时,提取所述视频类型相同的所有视频;
从所述视频类型相同的所有视频中确定热点事件;
推送所述热点事件。
A2、根据A1所述的方法,所述识别预设时间段内上传的至少一个视频的视频类型,包括:
使用基于神经网络的视频分类模型识别预设时间段内上传的至少一个视频;
确定每个视频的视频类型。
A3、根据A2所述的方法,所述方法还包括:
获取样本图像集,所述样本图像集中包括至少一个标注有预设视频类型的样本图像;
使用所述样本图像集中的样本图像对预设的神经网络模型进行训练,直至所述预设的神经网络模型中的权重均收敛,得到所述基于神经网络的视频分类模型。
A4、根据A1所述的方法,所述从所述视频类型相同的所有视频中确定热点事件,包括:
获取所述所有视频所表述的视频内容;
获取所述所有视频的视频标题;
获取对所有视频评论的评论信息;
根据所述视频内容、所述视频标题以及所述评论信息获取所述热点事件。
A5、根据A1所述的方法,所述推送所述热点事件,包括:
获取所述热点事件的事件类型;
获取对所述事件类型感兴趣的用户;
向所述用户推送所述热点事件。
A6、根据A1所述的方法,所述至少一个视频包括拍摄的位于预设区域内的视频。
A7、根据A6所述的方法,所述推送所述热点事件,包括:
获取位于所述预设区域内的用户;
向所述用户推送所述热点事件。
A8、根据A6所述的方法,所述推送所述热点事件,包括:
获取预设地图;
在所述预设地图中标示出所述预设区域;
在所述预设区域上标示出所述热点事件,得到目标地图;
推送所述目标地图。
A9、根据A1所述的方法,所述方法还包括:
接收用于查看所述热点事件的查看请求;
根据所述查看请求发送所述视频类型相同的所有视频。
A10、根据A1所述的方法,所述方法还包括:
当检测到视频类型相同的视频的视频数量超过第一预设数量时,统计所述视频类型相同的视频的拍摄者的拍摄者数量;
当检测到所述拍摄者数量大于第二预设数量时,执行所述提取所述视频类型相同的所有视频的步骤。
A11、根据A10所述的方法,所述方法还包括:
当检测到所述拍摄者数量大于第二预设数量时,获取所述视频类型相同的视频的被评论数量;
当检测到所述被评论数量大于第三预设数量时,执行所述提取所述视频类型相同的所有视频的步骤。
A12、一种热点事件处理装置,所述装置包括:
识别模块,被配置为识别预设时间段内上传的至少一个视频的视频类型;
提取模块,被配置为当检测到视频类型相同的视频的视频数量超过第一预设数量时,提取所述视频类型相同的所有视频;
确定模块,被配置为从所述视频类型相同的所有视频中确定热点事件;
推送模块,被配置为推送所述热点事件。
A13、根据A12所述的装置,所述识别模块包括:
识别单元,被配置为使用基于神经网络的视频分类模型识别预设时间段内上传的至少一个视频;
确定单元,被配置为确定每个视频的视频类型。
A14、根据A13所述的装置,所述识别模块还包括:
第一获取单元,被配置为获取样本图像集,所述样本图像集中包括至少一个标注有预设视频类型的样本图像;
训练单元,被配置为使用所述样本图像集中的样本图像对预设的神经网络模型进行训练,直至所述预设的神经网络模型中的权重均收敛,得到所述基于神经网络的视频分类模型。
A15、根据A12所述的装置,所述确定模块包括:
第二获取单元,被配置为获取所述所有视频所表述的视频内容;
第三获取单元,被配置为获取所述所有视频的视频标题;
第四获取单元,被配置为获取对所有视频评论的评论信息;
第五获取单元,被配置为根据所述视频内容、所述视频标题以及所述评论信息获取所述热点事件。
A16、根据A12所述的装置,所述推送模块包括:
第六获取单元,被配置为获取所述热点事件的事件类型;
第七获取单元,被配置为获取对所述事件类型感兴趣的用户;
第一推送单元,被配置为向所述用户推送所述热点事件。
A17、根据A12所述的装置,所述至少一个视频包括拍摄的位于预设区域内的视频。
A18、根据A17所述的装置,所述推送模块包括:
第八获取单元,被配置为获取位于所述预设区域内的用户;
第二推送单元,被配置为向所述用户推送所述热点事件。
A19、根据A17所述的装置,所述推送模块包括:
第九获取单元,被配置为获取预设地图;
第一标示单元,被配置为在所述预设地图中标示出所述预设区域;
第二标示单元,被配置为在所述预设区域上标示出所述热点事件,得到目标地图;
第三推送单元,被配置为推送所述目标地图。
A20、根据A12所述的装置,所述装置还包括:
接收模块,被配置为接收用于查看所述热点事件的查看请求;
发送模块,被配置为根据所述查看请求发送所述视频类型相同的所有视频。
A21、根据A12所述的装置,所述装置还包括:
第一获取模块,被配置为当检测到视频类型相同的视频的视频数量超过第一预设数量时,获取所述视频类型相同的视频的拍摄者的拍摄者数量;
所述提取模块还被配置为:当检测到所述拍摄者数量大于第二预设数量时,提取所述视频类型相同的所有视频。
A22、根据A21所述的装置,所述装置还包括:
第二获取模块,被配置为当检测到所述拍摄者数量大于第二预设数量时,获取所述视频类型相同的视频的被评论数量;
所述提取模块还被配置为:当检测到所述被评论数量大于第三预设数量时,提取所述视频类型相同的所有视频。
Claims (10)
1.一种热点事件处理方法,其特征在于,所述方法包括:
识别预设时间段内上传的至少一个视频的视频类型;
当检测到视频类型相同的视频的视频数量超过第一预设数量时,提取所述视频类型相同的所有视频;
从所述视频类型相同的所有视频中确定热点事件;
推送所述热点事件。
2.根据权利要求1所述的方法,其特征在于,所述识别预设时间段内上传的至少一个视频的视频类型,包括:
使用基于神经网络的视频分类模型识别预设时间段内上传的至少一个视频;
确定每个视频的视频类型。
3.根据权利要求2所述的方法,其特征在于,所述方法还包括:
获取样本图像集,所述样本图像集中包括至少一个标注有预设视频类型的样本图像;
使用所述样本图像集中的样本图像对预设的神经网络模型进行训练,直至所述预设的神经网络模型中的权重均收敛,得到所述基于神经网络的视频分类模型。
4.根据权利要求1所述的方法,其特征在于,所述从所述视频类型相同的所有视频中确定热点事件,包括:
获取所述所有视频所表述的视频内容;
获取所述所有视频的视频标题;
获取对所有视频评论的评论信息;
根据所述视频内容、所述视频标题以及所述评论信息获取所述热点事件。
5.根据权利要求1所述的方法,其特征在于,所述推送所述热点事件,包括:
获取所述热点事件的事件类型;
获取对所述事件类型感兴趣的用户;
向所述用户推送所述热点事件。
6.根据权利要求1所述的方法,其特征在于,所述至少一个视频包括拍摄的位于预设区域内的视频。
7.根据权利要求6所述的方法,其特征在于,所述推送所述热点事件,包括:
获取位于所述预设区域内的用户;
向所述用户推送所述热点事件。
8.一种热点事件处理装置,其特征在于,所述装置包括:
识别模块,被配置为识别预设时间段内上传的至少一个视频的视频类型;
提取模块,被配置为当检测到视频类型相同的视频的视频数量超过第一预设数量时,提取所述视频类型相同的所有视频;
确定模块,被配置为从所述视频类型相同的所有视频中确定热点事件;
推送模块,被配置为推送所述热点事件。
9.一种服务器,其特征在于,所述服务器包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为执行如权利要求1-7任一项所述的热点事件处理方法。
10.一种非临时性计算机可读存储介质,当所述存储介质中的指令由服务器的处理器执行时,使得服务器能够执行如权利要求1-7任一项所述的热点事件处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811021209.0A CN109151498B (zh) | 2018-09-03 | 2018-09-03 | 热点事件处理方法、装置、服务器及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811021209.0A CN109151498B (zh) | 2018-09-03 | 2018-09-03 | 热点事件处理方法、装置、服务器及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109151498A true CN109151498A (zh) | 2019-01-04 |
CN109151498B CN109151498B (zh) | 2021-02-09 |
Family
ID=64826487
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811021209.0A Active CN109151498B (zh) | 2018-09-03 | 2018-09-03 | 热点事件处理方法、装置、服务器及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109151498B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110990708A (zh) * | 2019-12-11 | 2020-04-10 | Oppo(重庆)智能科技有限公司 | 热点事件确定方法、装置、存储介质及电子设备 |
CN117056621A (zh) * | 2023-10-11 | 2023-11-14 | 中国人民解放军海军工程大学 | 基于gis的业务态势呈现方法及计算机可读存储介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120235918A1 (en) * | 2005-09-08 | 2012-09-20 | Brahmandam Kiran | Soft key hot spot activation system and method |
CN103294712A (zh) * | 2012-02-29 | 2013-09-11 | 三星电子(中国)研发中心 | 实时热点区域推荐系统和方法 |
CN103577593A (zh) * | 2013-11-14 | 2014-02-12 | 中国科学院声学研究所 | 一种基于微博热门话题的视频聚合方法及系统 |
CN104021140A (zh) * | 2014-05-08 | 2014-09-03 | 北京奇艺世纪科技有限公司 | 一种网络视频的处理方法及装置 |
CN105022801A (zh) * | 2015-06-30 | 2015-11-04 | 北京奇艺世纪科技有限公司 | 一种热门视频挖掘方法和装置 |
CN106682123A (zh) * | 2016-12-09 | 2017-05-17 | 北京锐安科技有限公司 | 一种获取热点事件的方法及装置 |
CN106779073A (zh) * | 2016-12-27 | 2017-05-31 | 西安石油大学 | 基于深度神经网络的媒体信息分类方法及装置 |
CN107888950A (zh) * | 2017-11-09 | 2018-04-06 | 福州瑞芯微电子股份有限公司 | 一种推荐视频的方法和系统 |
CN108228808A (zh) * | 2017-12-29 | 2018-06-29 | 东软集团股份有限公司 | 确定热点事件的方法、装置和存储介质以及电子设备 |
CN108322783A (zh) * | 2018-01-25 | 2018-07-24 | 广州虎牙信息科技有限公司 | 视频网站用户规模推测方法、存储介质和终端 |
-
2018
- 2018-09-03 CN CN201811021209.0A patent/CN109151498B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120235918A1 (en) * | 2005-09-08 | 2012-09-20 | Brahmandam Kiran | Soft key hot spot activation system and method |
CN103294712A (zh) * | 2012-02-29 | 2013-09-11 | 三星电子(中国)研发中心 | 实时热点区域推荐系统和方法 |
CN103577593A (zh) * | 2013-11-14 | 2014-02-12 | 中国科学院声学研究所 | 一种基于微博热门话题的视频聚合方法及系统 |
CN104021140A (zh) * | 2014-05-08 | 2014-09-03 | 北京奇艺世纪科技有限公司 | 一种网络视频的处理方法及装置 |
CN105022801A (zh) * | 2015-06-30 | 2015-11-04 | 北京奇艺世纪科技有限公司 | 一种热门视频挖掘方法和装置 |
CN106682123A (zh) * | 2016-12-09 | 2017-05-17 | 北京锐安科技有限公司 | 一种获取热点事件的方法及装置 |
CN106779073A (zh) * | 2016-12-27 | 2017-05-31 | 西安石油大学 | 基于深度神经网络的媒体信息分类方法及装置 |
CN107888950A (zh) * | 2017-11-09 | 2018-04-06 | 福州瑞芯微电子股份有限公司 | 一种推荐视频的方法和系统 |
CN108228808A (zh) * | 2017-12-29 | 2018-06-29 | 东软集团股份有限公司 | 确定热点事件的方法、装置和存储介质以及电子设备 |
CN108322783A (zh) * | 2018-01-25 | 2018-07-24 | 广州虎牙信息科技有限公司 | 视频网站用户规模推测方法、存储介质和终端 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110990708A (zh) * | 2019-12-11 | 2020-04-10 | Oppo(重庆)智能科技有限公司 | 热点事件确定方法、装置、存储介质及电子设备 |
CN110990708B (zh) * | 2019-12-11 | 2023-05-02 | Oppo(重庆)智能科技有限公司 | 热点事件确定方法、装置、存储介质及电子设备 |
CN117056621A (zh) * | 2023-10-11 | 2023-11-14 | 中国人民解放军海军工程大学 | 基于gis的业务态势呈现方法及计算机可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109151498B (zh) | 2021-02-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10298537B2 (en) | Apparatus for sharing image content based on matching | |
Cardone et al. | Participact: A large-scale crowdsensing platform | |
KR102121361B1 (ko) | 사용자가 위치되는 지리적 위치의 유형을 식별하기 위한 방법 및 디바이스 | |
CN106708451B (zh) | 同屏监控智能设备状态的方法、投影设备及用户终端 | |
CN110839055A (zh) | 任务处理方法、装置及系统 | |
WO2014113512A1 (en) | Content-identification engine based on social media | |
US20140295891A1 (en) | Method, server and terminal for information interaction | |
CN107423358B (zh) | 一种数据存储及调用方法及装置 | |
CN109151498A (zh) | 热点事件处理方法、装置、服务器及存储介质 | |
US11521238B2 (en) | Method and system for determining fact of visit of user to point of interest | |
CN103905710A (zh) | 图像捕获方法及其移动终端和设备 | |
CN106303420A (zh) | 一种应用于运动目标的监控方法及监控系统 | |
CN103455580A (zh) | 一种推荐信息的方法和装置 | |
US10474768B2 (en) | Sensor-based facility energy modeling | |
CN104424281A (zh) | 事件整合方法及系统 | |
CN111737599A (zh) | 一种房源对象的验证方法和装置 | |
KR101702016B1 (ko) | 위험정보 수집 및 제공 시스템 | |
WO2015188885A1 (en) | Method and system for determining a recommendation for content | |
CN105630858B (zh) | 热度指数的展示方法、装置、服务器和智能设备 | |
KR20150132889A (ko) | 스마트폰의 사용 로그를 수집하여 모임 이벤트를 생성하고 공유하고 배포하기 위한 모임 정보 생성 서버의 운영방법 | |
CN110972071A (zh) | 一种多模定位方法、定位服务器、终端和存储介质 | |
KR101357276B1 (ko) | 사용자 협업 기반의 이벤트 검출 시스템 및 방법 | |
CN104965915A (zh) | 一种用户访问行为数据的处理方法和系统 | |
CN112073676B (zh) | 一种点名系统 | |
Bland et al. | Opportunities and considerations for smartphone applications and mobile social media in post extreme event reconnaissance data collection |
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 |