CN109165347A - 数据推送方法和装置、存储介质及电子装置 - Google Patents

Abstract

本发明公开了一种数据推送方法和装置、存储介质及电子装置。其中，该方法包括：获取用于播放直播数据流的目标播放账号的直播数据操作记录；根据从直播数据操作记录中提取出的与目标播放账号相匹配的直播特征，获取与目标播放账号匹配的第一直播参数；根据直播数据操作记录中所记录的播放时长获取与目标播放账号匹配的第二直播参数；对第一直播参数和第二直播参数进行加权求和，得到目标播放账号的推送指示参数；在推送指示参数大于第一阈值的情况下，将目标主播账号所采集的目标直播数据流推送给目标播放账号进行播放。本发明解决了推送直播数据的过程中仅推送热门直播数据而造成的推送准确度低的技术问题。

Description

数据推送方法和装置、存储介质及电子装置

技术领域

本发明涉及计算机领域，具体而言，涉及一种数据推送方法和装置、存储介质及电子装置。

背景技术

为了方便不同用户直接在线进行全面实时地交流与互动，一种利用互联网和先进的多媒体通信技术所构建的多位一体的网络直播平台应运而生。

目前，不同的网络直播平台在向用户所登录的直播客户端推送直播数据的过程中，通常都是根据各个直播间的在线观看数量，或主播订阅数量进行数据推送的。也就是说，上述数据推送方法仅向直播客户端推送了大多数用户所偏好的热门直播数据，却并未推送登录当前直播客户端的用户所偏好的直播数据，从而导致数据推送准确性较低的问题。

针对上述的问题，目前尚未提出有效的解决方案。

发明内容

本发明实施例提供了一种数据推送方法和装置、存储介质及电子装置，以至少解决推送直播数据的过程中仅推送热门直播数据而造成的推送准确度低的技术问题。

根据本发明实施例的一个方面，提供了一种数据推送方法，包括：获取用于播放直播数据流的目标播放账号的直播数据操作记录；根据从上述直播数据操作记录中提取出的与上述目标播放账号相匹配的直播特征，获取与上述目标播放账号匹配的第一直播参数，其中，上述第一直播参数用于指示上述目标播放账号选择播放目标主播账号所采集的目标直播数据流的概率；根据上述直播数据操作记录中所记录的播放时长获取与上述目标播放账号匹配的第二直播参数，其中，上述第二直播参数用于指示上述目标播放账号播放上述目标直播数据流所使用的目标播放时长；对上述第一直播参数和上述第二直播参数进行加权求和，得到上述目标播放账号的推送指示参数；在上述推送指示参数大于第一阈值的情况下，将上述目标主播账号所采集的上述目标直播数据流推送给上述目标播放账号进行播放。

根据本发明实施例的另一方面，还提供了一种数据推送装置，包括：第一获取单元，用于获取用于播放直播数据流的目标播放账号的直播数据操作记录；第二获取单元，用于根据从上述直播数据操作记录中提取出的与上述目标播放账号相匹配的直播特征，获取与上述目标播放账号匹配的第一直播参数，其中，上述第一直播参数用于指示上述目标播放账号选择播放目标主播账号所采集的目标直播数据流的概率；第三获取单元，用于根据上述直播数据操作记录中所记录的播放时长获取与上述目标播放账号匹配的第二直播参数，其中，上述第二直播参数用于指示上述目标播放账号播放上述目标直播数据流所使用的目标播放时长；加权求和单元，用于对上述第一直播参数和上述第二直播参数进行加权求和，得到上述目标播放账号的推送指示参数；推送单元，用于在上述推送指示参数大于第一阈值的情况下，将上述目标主播账号所采集的上述目标直播数据流推送给上述目标播放账号进行播放。

根据本发明实施例的又一方面，还提供了一种存储介质，该存储介质中存储有计算机程序，其中，该计算机程序被设置为运行时执行上述数据推送方法。

根据本发明实施例的又一方面，还提供了一种电子装置，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，其中，上述处理器通过计算机程序执行上述的数据推送方法。

在本发明实施例中，采用了获取目标播放账号的直播数据操作记录；根据上述直播数据操作记录，获取与目标播放账号匹配的第一直播参数，并根据上述直播数据操作记录中所记录的播放时长获取与上述目标播放账号匹配的第二直播参数，以及对第一直播参数与第二直播参数进行加权求和，在加权求和得到的目标播放账号的推送指示参数大于第一阈值的情况下，向目标播放账号推送目标直播数据流的方法。在上述方法中，由于获取了目标播放账号的直播数据操作记录，并根据上述直播数据操作记录决定向目标播放账号推送的目标直播数据流，从而可以在推送目标直播数据流时，根据目标播放账号的观看习惯推送，实现了提高推送目标直播数据流的准确度的效果，进而解决了推送直播数据的过程中仅推送热门直播数据而造成的推送准确度低的技术问题。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1是根据本发明实施例的一种可选的数据推送方法的应用环境的示意图；

图2是根据本发明实施例的一种可选的数据推送方法的流程示意图；

图3是根据本发明实施例的一种可选的数据推送方法的示意图；

图4是根据本发明实施例的另一种可选的数据推送方法的示意图；

图5是根据本发明实施例的又一种可选的数据推送方法的示意图；

图6是根据本发明实施例的又一种可选的数据推送方法的示意图；

图7是根据本发明实施例的又一种可选的数据推送方法的示意图；

图8是根据本发明实施例的又一种可选的数据推送方法的示意图；

图9是根据本发明实施例的一种可选的数据推送装置的结构示意图；

图10是根据本发明实施例的一种可选的电子装置的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，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，所描述的实施例仅仅是本发明一部分的实施例，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，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

根据本发明实施例的一个方面，提供了一种数据推送方法，可选地，作为一种可选的实施方式，上述数据推送方法可以但不限于应用于如图1所示的环境中。用户102与用户设备104之间可以进行数据交互。用户设备104中包括存储器106与处理器108。用户设备104用于在获取到目标播放账号的直播数据操作记录后，根据上述直播数据操作记录提取与目标播放账号匹配的直播特征，并获取第一直播参数，以及根据直播数据操作记录中所记录的播放时长获取与目标播放账号匹配的第二直播参数，并根据对第一直播参数与第二直播参数进行加权求和得到的目标播放账号的推送指示参数决定向目标播放账号推送的目标直播数据流。在确定了向目标播放账号推送的目标直播数据流后，用户设备104通过步骤S102，通过网络110向服务器112发送获取目标直播数据流的请求，服务器112中包括索引数据库114与推送引擎116.在服务器112接收到上述请求后，通过步骤S104返回目标直播数据流给用户设备104，以供用户设备104进行播放。

需要说明的是，相关技术中，在向目标播放账号推送直播数据的过程中，通常采用的推送方法是将一些受大部分人喜爱的直播数据推送给目标播放账号。然而，采用上述方法，推送的直播数据并不一定被目标播放账号所喜欢。而本实施例中，由于获取了目标播放账号的直播数据操作记录，并根据上述直播数据操作记录决定向目标播放账号推送的目标直播数据流，从而可以在推送目标直播数据流时，根据目标播放账号的观看习惯推送，实现了提高推送目标直播数据流的准确度的效果。

可选地，上述数据推送方法可以但不限于应用于可以计算数据的终端上，例如手机、平板电脑、笔记本电脑、PC机等终端上，或者应用于终端上安装的应用客户端上，或者应用于与应用客户端对应的服务器中。上述网络可以包括但不限于无线网络或有线网络。其中，该无线网络包括：WIFI及其他实现无线通信的网络。上述有线网络可以包括但不限于：广域网、城域网、局域网。上述服务器可以包括但不限于任何可以进行计算的硬件设备。

可选地，作为一种可选的实施方式，如图2所示，上述数据推送方法包括：

S202，获取用于播放直播数据流的目标播放账号的直播数据操作记录；

S204，根据从直播数据操作记录中提取出的与目标播放账号相匹配的直播特征，获取与目标播放账号匹配的第一直播参数，其中，第一直播参数用于指示目标播放账号选择播放目标主播账号所采集的目标直播数据流的概率；

S206，根据直播数据操作记录中所记录的播放时长获取与目标播放账号匹配的第二直播参数，其中，第二直播参数用于指示目标播放账号播放目标直播数据流所使用的目标播放时长；

S208，对第一直播参数和第二直播参数进行加权求和，得到目标播放账号的推送指示参数；

S210，在推送指示参数大于第一阈值的情况下，将目标主播账号所采集的目标直播数据流推送给目标播放账号进行播放。

可选地，上述数据推送方法可以但不限于应用于直播数据推送领域。可选地，相关技术中在推送直播数据时，通常采用的推送方法是将一些受大部分人喜爱的直播数据推送给目标播放账号。然而，采用上述方法，推送的直播数据并不一定被目标播放账号所喜欢。而本实施例中，由于获取了目标播放账号的直播数据操作记录，并根据上述直播数据操作记录决定向目标播放账号推送的目标直播数据流，从而可以在推送目标直播数据流时，根据目标播放账号的观看习惯推送，实现了提高推送目标直播数据流的准确度的效果。

可选地，如图3所示，在通过步骤S302获取到目标播放账号的直播数据操作记录后，通过步骤S304提取出直播数据操作记录中的直播特征，并通过步骤S306，根据提取的直播特征获取第一直播参数。以及通过步骤S308从直播数据操作记录中提取播放时长，并根据步骤S310，根据提取出的播放时长获取第二直播参数。在得到第一直播参数与第二直播参数后，通过步骤S312计算推送指示参数。并通过步骤S314推送目标直播数据流。

可选地，上述目标播放账号可以但不限于为用于观看直播的账号。例如，用户登录客户端后，能够观看直播，然而，必须在登录目标播放账号之后，才能进行关注、打赏等。上述目标主播账号可以但不限于为进行直播的账号。例如，用户可以通过登录目标主播账号后，才能开启直播功能进行直播。

可选地，上述获取目标播放账号的直播数据操作记录可以但不限于为：获取目标播放账号对直播数据的点击记录、直播数据对应的主播性别、直播数据对应的主播关注量、直播数据对应的主播订阅量、直播数据对应的主播观看量、直播数据类型、所观看的播放时长、历史充值记录、刷礼物记录、互动数据条数等信息。

可选地，上述直播数据类型可以但不限于为：PC端游戏类型、手游类型、电影类型、音乐类型、户外类型、美食类型、原创类型、机械类型、汽车类型、财经类型、科教类型等。

以上述直播数据类型为音乐类型为例，以获取直播数据对应的主播性别、直播数据对应的主播订阅量、直播数据对应的主播观看量、直播数据类型、刷礼物记录为例进行说明。如图4所示，图4为一种可选的直播的显示界面。显示界面上显示有直播数据对应的主播性别为男、直播数据对应主播订阅量为10075、直播数据对应的主播观看量为120415，直播数据类型为音乐类型，有三个人刷了礼物。则获取数据时，获取主播性别为男、主播订阅量10075、主播观看量120415、直播数据类型音乐类型，刷礼物记录为粉丝1送出汽车、粉丝2送出飞机、粉丝3送出100。

可选地，在获取到上述直播数据操作记录后，需要根据上述直播数据操作记录获取第一直播参数与第二直播参数。

可选地，根据直播数据操作记录获取第一直播参数可以但不限于通过以下方法：从直播数据操作记录中提取直播特征，其中，直播特征包括目标播放账号的账号特征，目标播放账号操作过的主播账号的账号特征，及目标播放账号与主播账号之间的交互特征；将直播特征输入线性回归模型，获取第一直播参数，其中，线性回归模型用于利用直播特征预测目标播放账号选择播放目标直播数据流的概率。

可选地，从直播数据操作记录中提取直播特征可以但不限于将直播数据操作记录中的至少一条操作记录作为直播特征。例如，提取目标播放账号的账号ID、目标播放账号的账号性别、目标播放账号的活跃时间段、目标播放账号的虚拟资产值、目标播放账号的打赏记录、目标播放账号的登录频率、目标播放账号的充值频率、目标播放账号的评论次数、目标播放账号所操作过的主播账号的账号ID等内容。在获取到上述直播特征后，将上述直播特征输入到线性回归模型，以通过线性回归模型获取第一直播参数，并获取线性回归模型输出的第一直播参数。

可选地，以提取目标播放账号的账号性别、目标播放账号的虚拟资产值、目标播放账号所操作过的主播账号的账号ID为例，如图5所示，当获取到上述目标播放账号的账号性别、目标播放账号的虚拟资产值、目标播放账号所操作过的主播账号的账号ID之后，将上述信息输入到线性回归模型中，通过线性回归模型进行计算，得到第一直播参数。

可选地，上述得到第一直播参数可以但不限于为获取线性回归模型输出的目标播放账号观看主播账号的直播数据流的概率。

可选地，根据直播数据操作记录获取第二直播参数可以但不限于通过以下方法：从直播数据操作记录中提取关键参数，其中，关键参数包括：目标播放账号的账号标识，目标播放账号操作过的主播账号的账号标识，及目标播放账号播放主播账号采集的直播数据流所使用的播放时长；利用协同过滤模型学习关键参数，获取第二直播参数，其中，协同过滤模型用于预测目标播放账号尚未播放的直播数据流的播放时长。

可选地，从直播数据操作记录中提取关键参数可以但不限于为提取目标播放账号操作过的主播账号的特征数据和提取向目标播放账号推送但目标播放账号未操作过的主播账号的特征数据。

可选地，上述操作可以但不限于为关注操作或者观看操作。

可选地，上述特征数据可以但不限于为目标播放账号的账号标识、主播账号的账号标识、目标播放账号播放的主播账号采集的直播数据流所使用的播放时长等。

例如，以上述操作为观看操作为例，如图6所示，图6为一种可选的推送界面的界面图。在图6中推送了4个主播账号的直播数据流。目标播放账号播放了前两个直播数据流，第一个直播数据流播放了十分钟，第二个直播数据流播放了二十分钟。而第三个直播数据流与第四个直播数据流并未播放。获取目标播放账号的账号标识、获取上述四个主播账号的直播数据流时长、目标播放账号观看的直播数据流的播放时长、获取主播账号的账号标识，并根据上述获取到的数据，利用协同过滤模型进行过滤，得到第二直播参数。

可选地，利用协同过滤模型学习关键参数，获取第二直播参数可以但不限于为利用协同过滤模型学习关键参数，得到目标播放账号观看主播账号的直播数据流的预估时长。例如，如图7所示，在获取到目标播放账号观看主播账号的直播流的播放时长后，根据已有的播放时长等信息，使用协同过滤模型对还未向目标播放账号推送的主播账号的直播数据流进行预估，得到预估时长。

可选地，在利用协同过滤模型学习关键参数，获取第二直播参数之前，还包括：对关键参数进行离散处理；在利用协同过滤模型学习关键参数，获取第二直播参数之后，还包括：对第二直播参数进行归一化处理。

可选地，在获取到上述关键参数后，可以但不限于对上述关键参数中的观看时长进行分级。

例如，在获取到上述观看时长后。可以对观看时长进行分级。如图8所示，不同的观看时长对应不同的级别，不同的级别的分数不同。级别越高分数越高。

可选地，在获取到第二直播参数后，可以但不限于对上述第二直播参数进行归一化处理，转换为0到1之间的数。

可选地，在获取到第一直播参数与第二直播参数后，可以但不限于将第一直播参数与第二直播参数进行加权求和，得到目标播放账号的推送指示参数。

可选地，在获取到上述推送指示参数后，获取推送指示参数大于第一阈值的对象直播数据流，并将对象直播数据流推送给给目标播放账号进行播放。

可选地，上述第一阈值可以但不限于为根据经验值设定的值。用于作为是否将目标直播数据流推送给目标播放账号的衡量值。可选地，上述第一阈值可以但不限于使用分数、小数表示。例如，上述第一阈值为0.8，则在获取推送指示参数之后，若上述推送指示参数大于0.8，则将目标直播数据流推送给目标播放账号，若上述推送指示参数小于0.8，则不将上述直播数据流推送给目标播放账号。

以下对上述数据推送方法进行具体说明。上述线性回归模型可以但不限于为逻辑回归模型(Logistic Regression，简称为LR模型)。在对目标播放账号推送主播账号的直播数据流之前，需要先获取样本操作记录，并根据获取到的样本操作记录对LR模型进行训练，得到成熟的LR模型。之后，获取到目标播放账号对主播账号的直播数据流执行观看操作的直播数据操作记录，并采目标播放账号的账号ID，目标播放账号所观看的主播账号的账号ID与播放时长等信息，将上述信息输入到LR模型中，得到目标播放账号观看某目标直播数据流的第一概率。并且，将上述信息与播放时长输入到协同过滤模型中，预估目标播放账号观看某目标直播数据流的预估时长，并对预估时长进行转换，得到目标播放账号观看某目标直播数据流的第二概率。在得到上述两个概率后，例如第一概率所占权重为0.4，第二概率所占权重为0.6。此时，可以得到目标播放账号观看上述目标直播数据流的概率。如果上述概率大于第一阈值，则将上述目标直播数据流推送给目标播放账号。

通过本实施例，通过获取目标播放账号的直播数据操作记录，并根据上述直播数据操作记录决定向目标播放账号推送的目标直播数据流，从而可以在推送目标直播数据流时，根据目标播放账号的观看习惯推送，实现了提高推送目标直播数据流的准确度的效果。

作为一种可选的实施方案，根据从直播数据操作记录中提取出的与目标播放账号相匹配的直播特征，获取与目标播放账号匹配的第一直播参数包括：

S1，从直播数据操作记录中提取直播特征，其中，直播特征包括目标播放账号的账号特征，目标播放账号操作过的主播账号的账号特征，及目标播放账号与主播账号之间的交互特征；

S2，将直播特征输入线性回归模型，获取第一直播参数，其中，线性回归模型用于利用直播特征预测目标播放账号选择播放目标直播数据流的概率。

可选地，以提取目标播放账号的账号性别、目标播放账号的虚拟资产值、目标播放账号所操作过的主播账号的账号ID为例，如图5所示，当获取到上述目标播放账号的账号性别、目标播放账号的虚拟资产值、目标播放账号所操作过的主播账号的账号ID之后，将上述信息输入到线性回归模型中，通过线性回归模型进行计算，得到第一直播参数。

通过本实施例，通过从直播数据操作记录中提取直播特征，从而可以将上述直播特征输入到线性回归模型中，并获取第一直播参数，以根据第一直播参数与第二直播参数决定向目标播放账号所推送的目标直播数据流，从而达到了提高推送目标直播数据流的推送准确度的效果。

作为一种可选的实施方案，在获取用于播放直播数据流的目标播放账号的直播数据操作记录之前，还包括：

S1，获取在第一预定时间段内播放账号集所上报的第一样本操作记录，其中，第一样本操作记录中包括：已向播放账号集曝光且被播放账号集执行点击操作的直播流数据为正样本，及已向播放账号集曝光但未被播放账号集执行点击操作的直播流数据为负样本；

S2，从第一样本操作记录中提取样本直播特征；

S3，建立样本直播特征与第一样本操作记录中所包含的样本之间的关联，得到关联后的训练样本；

S4，利用关联后的训练样本训练初始化的线性回归模型，得到线性回归模型。

可选地，上述播放账号集可以但不限于包含有多个样本账号。上述多个样本账号用于提供对直播流数据的操作记录以及自身的账号信息、主播账号信息。

可选地，上述第一样本操作记录可以但不限于为多个样本账号在过去的一段时间内对主播账号的直播数据流的点击与观看的记录，或者为向多个样本账号推送但多个样本账号未点击或未观看的记录。

例如，在获取到在过去的一段时间内对主播账号的直播数据流的点击与观看的记录或者多个样本账号推送但多个样本账号未点击或未观看的记录之后，将上述记录输入到LR模型中，对LR模型进行训练，得到成熟的LR模型，并使用成熟的LR模型对获取到的直播特征进行识别得到第一直播参数。

可选地，上述多个样本账号中可以但不限于包含目标播放账号，或者不包含目标播放账号。在上述多个样本账号中包括目标播放账号的情况下，根据目标播放账号的历史操作获取训练样本，并对识别模型进行训练。在多个样本账号中不包含目标播放账号的情况下，采用多个样本账号获取训练样本，并对识别模型进行训练。

通过本实施例，通过对线性回归模型进行训练，从而得到成熟的线性回归模型，进而提高了获取第一直播参数的准确率，进一步提高了向目标播放账号推送目标直播数据流的准确度。

作为一种可选的实施方案，根据直播数据操作记录中所记录的播放时长获取与目标播放账号匹配的第二直播参数包括：

S1，从直播数据操作记录中提取关键参数，其中，关键参数包括：目标播放账号的账号标识，目标播放账号操作过的主播账号的账号标识，及目标播放账号播放主播账号采集的直播数据流所使用的播放时长；

S2，利用协同过滤模型学习关键参数，获取第二直播参数，其中，协同过滤模型用于预测目标播放账号尚未播放的直播数据流的播放时长。

可选地，从直播数据操作记录中提取关键参数可以但不限于为提取目标播放账号操作过的主播账号的特征数据和提取向目标播放账号推送但目标播放账号未操作过的主播账号的特征数据。

可选地，上述操作可以但不限于为关注操作或者观看操作。

可选地，上述特征数据可以但不限于为目标播放账号的账号标识、主播账号的账号标识、目标播放账号播放的主播账号采集的直播数据流所使用的播放时长等。

例如，以上述操作为观看操作为例，如图6所示，图6为一种可选的推送界面的界面图。在图6中推送了4个主播账号的直播数据流。目标播放账号播放了前两个直播数据流，第一个直播数据流播放了十分钟，第二个直播数据流播放了二十分钟。而第三个直播数据流与第四个直播数据流并未播放。获取目标播放账号的账号标识、获取上述四个主播账号的直播数据流时长、目标播放账号观看的直播数据流的播放时长、获取主播账号的账号标识，并根据上述获取到的数据，利用协同过滤模型进行过滤，得到第二直播参数。

通过本实施例，通过利用协同过滤模型学习关键参数，并得到第二直播参数，从而可以根据第二直播参数决定是否向目标播放账号推送目标直播数据流，从而提高了推送目标直播数据流的准确度。

作为一种可选的实施方案，

S1，在利用协同过滤模型学习关键参数，获取第二直播参数之前，还包括：对关键参数进行离散处理；

S2，在利用协同过滤模型学习关键参数，获取第二直播参数之后，还包括：对第二直播参数进行归一化处理。

可选地，在获取到上述关键参数后，可以但不限于对上述关键参数中的观看时长进行分级。

例如，在获取到上述观看时长后。可以对观看时长进行分级。如图8所示，不同的观看时长对应不同的级别，不同的级别的分数不同。级别越高分数越高。

可选地，在获取到第二直播参数后，可以但不限于对上述第二直播参数进行归一化处理，转换为0到1之间的数。

通过本实施例，通过在使用协同过滤模型学习关键参数前，对关键参数进行离散处理，并且在获取到第二直播参数后，对第二直播参数进行归一化处理，从而可以使用处理后的参数快速获取推送指示参数，达到了提高获取推送指示参数效率的效果。

作为一种可选的实施方案，在将目标主播账号所采集的目标直播数据流推送给目标播放账号进行播放之前，还包括：

S1，获取直播平台中全部待推送的对象直播数据流分别对应的推送指示参数，其中，对象直播数据流包括目标直播数据流；

S2，获取推送指示参数大于第一阈值的对象直播数据流，以推送给目标播放账号进行播放。

例如，在获取到推送指示信息后，对推送指示信息进行判断，将推送指示信息大于第一阈值的对象直播数据流推送给目标播放账号进行播放。

通过本实施例，通过将推送指示信息大于第一阈值的对象直播数据流推送给目标播放账号进行播放，从而可以推送给目标播放账号更有可能喜欢的目标直播数据流，从而提高了推送目标直播数据流的推送效率。

需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本发明所必须的。

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根据上述实施例的方法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，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的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，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例的方法。

根据本发明实施例的另一个方面，还提供了一种用于实施上述数据推送方法的数据推送装置。如图9所示，该装置包括：

(1)第一获取单元902，用于获取用于播放直播数据流的目标播放账号的直播数据操作记录；

(2)第二获取单元904，用于根据从直播数据操作记录中提取出的与目标播放账号相匹配的直播特征，获取与目标播放账号匹配的第一直播参数，其中，第一直播参数用于指示目标播放账号选择播放目标主播账号所采集的目标直播数据流的概率；

(3)第三获取单元906，用于根据直播数据操作记录中所记录的播放时长获取与目标播放账号匹配的第二直播参数，其中，第二直播参数用于指示目标播放账号播放目标直播数据流所使用的目标播放时长；

(4)加权求和单元908，用于对第一直播参数和第二直播参数进行加权求和，得到目标播放账号的推送指示参数；

(5)推送单元910，用于在推送指示参数大于第一阈值的情况下，将目标主播账号所采集的目标直播数据流推送给目标播放账号进行播放。

可选地，上述数据推送装置可以但不限于应用于直播数据推送领域。可选地，相关技术中在推送直播数据时，通常采用的推送方法是将一些受大部分人喜爱的直播数据推送给目标播放账号。然而，采用上述方法，推送的直播数据并不一定被目标播放账号所喜欢。而本实施例中，由于获取了目标播放账号的直播数据操作记录，并根据上述直播数据操作记录决定向目标播放账号推送的目标直播数据流，从而可以在推送目标直播数据流时，根据目标播放账号的观看习惯推送，实现了提高推送目标直播数据流的准确度的效果。

可选地，如图3所示，在通过步骤S302获取到目标播放账号的直播数据操作记录后，通过步骤S304提取出直播数据操作记录中的直播特征，并通过步骤S306，根据提取的直播特征获取第一直播参数。以及通过步骤S308从直播数据操作记录中提取播放时长，并根据步骤S310，根据提取出的播放时长获取第二直播参数。在得到第一直播参数与第二直播参数后，通过步骤S312计算推送指示参数。并通过步骤S314推送目标直播数据流。

可选地，上述目标播放账号可以但不限于为用于观看直播的账号。例如，用户登录客户端后，能够观看直播，然而，必须在登录目标播放账号之后，才能进行关注、打赏等。上述目标主播账号可以但不限于为进行直播的账号。例如，用户可以通过登录目标主播账号后，才能开启直播功能进行直播。

可选地，上述获取目标播放账号的直播数据操作记录可以但不限于为：获取目标播放账号对直播数据的点击记录、直播数据对应的主播性别、直播数据对应的主播关注量、直播数据对应的主播订阅量、直播数据对应的主播观看量、直播数据类型、所观看的播放时长、历史充值记录、刷礼物记录、互动数据条数等信息。

可选地，上述直播数据类型可以但不限于为：PC端游戏类型、手游类型、电影类型、音乐类型、户外类型、美食类型、原创类型、机械类型、汽车类型、财经类型、科教类型等。

以上述直播数据类型为音乐类型为例，以获取直播数据对应的主播性别、直播数据对应的主播订阅量、直播数据对应的主播观看量、直播数据类型、刷礼物记录为例进行说明。如图4所示，图4为一种可选的直播的显示界面。显示界面上显示有直播数据对应的主播性别为男、直播数据对应主播订阅量为10075、直播数据对应的主播观看量为120415，直播数据类型为音乐类型，有三个人刷了礼物。则获取数据时，获取主播性别为男、主播订阅量10075、主播观看量120415、直播数据类型音乐类型，刷礼物记录为粉丝1送出汽车、粉丝2送出飞机、粉丝3送出100。

可选地，在获取到上述直播数据操作记录后，需要根据上述直播数据操作记录获取第一直播参数与第二直播参数。

可选地，根据直播数据操作记录获取第一直播参数可以但不限于通过以下方法：从直播数据操作记录中提取直播特征，其中，直播特征包括目标播放账号的账号特征，目标播放账号操作过的主播账号的账号特征，及目标播放账号与主播账号之间的交互特征；将直播特征输入线性回归模型，获取第一直播参数，其中，线性回归模型用于利用直播特征预测目标播放账号选择播放目标直播数据流的概率。

可选地，从直播数据操作记录中提取直播特征可以但不限于将直播数据操作记录中的至少一条操作记录作为直播特征。例如，提取目标播放账号的账号ID、目标播放账号的账号性别、目标播放账号的活跃时间段、目标播放账号的虚拟资产值、目标播放账号的打赏记录、目标播放账号的登录频率、目标播放账号的充值频率、目标播放账号的评论次数、目标播放账号所操作过的主播账号的账号ID、等内容。在获取到上述直播特征后，将上述直播特征输入到线性回归模型，以通过线性回归模型获取第一直播参数，并获取线性回归模型输出的第一直播参数。

可选地，以提取目标播放账号的账号性别、目标播放账号的虚拟资产值、目标播放账号所操作过的主播账号的账号ID为例，如图5所示，当获取到上述目标播放账号的账号性别、目标播放账号的虚拟资产值、目标播放账号所操作过的主播账号的账号ID之后，将上述信息输入到线性回归模型中，通过线性回归模型进行计算，得到第一直播参数。

可选地，上述得到第一直播参数可以但不限于为获取线性回归模型输出的目标播放账号观看主播账号的直播数据流的概率。

可选地，根据直播数据操作记录获取第二直播参数可以但不限于通过以下方法：从直播数据操作记录中提取关键参数，其中，关键参数包括：目标播放账号的账号标识，目标播放账号操作过的主播账号的账号标识，及目标播放账号播放主播账号采集的直播数据流所使用的播放时长；利用协同过滤模型学习关键参数，获取第二直播参数，其中，协同过滤模型用于预测目标播放账号尚未播放的直播数据流的播放时长。

可选地，从直播数据操作记录中提取关键参数可以但不限于为提取目标播放账号操作过的主播账号的特征数据和提取向目标播放账号推送但目标播放账号未操作过的主播账号的特征数据。

可选地，上述操作可以但不限于为关注操作或者观看操作。

可选地，上述特征数据可以但不限于为目标播放账号的账号标识、主播账号的账号标识、目标播放账号播放的主播账号采集的直播数据流所使用的播放时长等。

例如，以上述操作为观看操作为例，如图6所示，图6为一种可选的推送界面的界面图。在图6中推送了4个主播账号的直播数据流。目标播放账号播放了前两个直播数据流，第一个直播数据流播放了十分钟，第二个直播数据流播放了二十分钟。而第三个直播数据流与第四个直播数据流并未播放。获取目标播放账号的账号标识、获取上述四个主播账号的直播数据流时长、目标播放账号观看的直播数据流的播放时长、获取主播账号的账号标识，并根据上述获取到的数据，利用协同过滤模型进行过滤，得到第二直播参数。

可选地，利用协同过滤模型学习关键参数，获取第二直播参数可以但不限于为利用协同过滤模型学习关键参数，得到目标播放账号观看主播账号的直播数据流的预估时长。例如，如图7所示，在获取到目标播放账号观看主播账号的直播流的播放时长后，根据已有的播放时长等信息，使用协同过滤模型对还未向目标播放账号推送的主播账号的直播数据流进行预估，得到预估时长。

可选地，在利用协同过滤模型学习关键参数，获取第二直播参数之前，还包括：对关键参数进行离散处理；在利用协同过滤模型学习关键参数，获取第二直播参数之后，还包括：对第二直播参数进行归一化处理。

可选地，在获取到上述关键参数后，可以但不限于对上述关键参数中的观看时长进行分级。

例如，在获取到上述观看时长后。可以对观看时长进行分级。如图8所示，不同的观看时长对应不同的级别，不同的级别的分数不同。级别越高分数越高。

可选地，在获取到第二直播参数后，可以但不限于对上述第二直播参数进行归一化处理，转换为0到1之间的数。

可选地，在获取到第一直播参数与第二直播参数后，可以但不限于将第一直播参数与第二直播参数进行加权求和，得到目标播放账号的推送指示参数。

可选地，在获取到上述推送指示参数后，获取推送指示参数大于第一阈值的对象直播数据流，并将对象直播数据流推送给给目标播放账号进行播放。

可选地，上述第一阈值可以但不限于为根据经验值设定的值。用于作为是否将目标直播数据流推送给目标播放账号的衡量值。可选地，上述第一阈值可以但不限于使用分数、小数表示。例如，上述第一阈值为0.8，则在获取推送指示参数之后，若上述推送指示参数大于0.8，则将目标直播数据流推送给目标播放账号，若上述推送指示参数小于0.8，则不将上述直播数据流推送给目标播放账号。

以下对上述数据推送方法进行具体说明。上述线性回归模型可以但不限于为逻辑回归模型(Logistic Regression，简称为LR模型)。在对目标播放账号推送主播账号的直播数据流之前，需要先获取样本操作记录，并根据获取到的样本操作记录对LR模型进行训练，得到成熟的LR模型。之后，获取到目标播放账号对主播账号的直播数据流执行观看操作的直播数据操作记录，并采目标播放账号的账号ID，目标播放账号所观看的主播账号的账号ID与播放时长等信息，将上述信息输入到LR模型中，得到目标播放账号观看某目标直播数据流的第一概率。并且，将上述信息与播放时长输入到协同过滤模型中，预估目标播放账号观看某目标直播数据流的预估时长，并对预估时长进行转换，得到目标播放账号观看某目标直播数据流的第二概率。在得到上述两个概率后，例如第一概率所占权重为0.4，第二概率所占权重为0.6.此时，可以得到目标播放账号观看上述目标直播数据流的概率。如果上述概率大于第一阈值，则将上述目标直播数据流推送给目标播放账号。

通过本实施例，通过获取目标播放账号的直播数据操作记录，并根据上述直播数据操作记录决定向目标播放账号推送的目标直播数据流，从而可以在推送目标直播数据流时，根据目标播放账号的观看习惯推送，实现了提高推送目标直播数据流的准确度的效果。

作为一种可选的实施方案，上述第二获取单元包括：

(1)第一提取模块，用于从直播数据操作记录中提取直播特征，其中，直播特征包括目标播放账号的账号特征，目标播放账号操作过的主播账号的账号特征，及目标播放账号与主播账号之间的交互特征；

(2)第二获取模块，用于将直播特征输入线性回归模型，获取第一直播参数，其中，线性回归模型用于利用直播特征预测目标播放账号选择播放目标直播数据流的概率。

可选地，以提取目标播放账号的账号性别、目标播放账号的虚拟资产值、目标播放账号所操作过的主播账号的账号ID为例，如图5所示，当获取到上述目标播放账号的账号性别、目标播放账号的虚拟资产值、目标播放账号所操作过的主播账号的账号ID之后，将上述信息输入到线性回归模型中，通过线性回归模型进行计算，得到第一直播参数。

通过本实施例，通过从直播数据操作记录中提取直播特征，从而可以将上述直播特征输入到线性回归模型中，并获取第一直播参数，以根据第一直播参数与第二直播参数决定向目标播放账号所推送的目标直播数据流，从而达到了提高推送目标直播数据流的推送准确度的效果。

作为一种可选的实施方案，上述装置还包括：

(1)第四获取单元，用于在获取用于播放直播数据流的目标播放账号的直播数据操作记录之前，获取在第一预定时间段内播放账号集所上报的第一样本操作记录，其中，第一样本操作记录中包括：已向播放账号集曝光且被播放账号集执行点击操作的直播流数据为正样本，及已向播放账号集曝光但未被播放账号集执行点击操作的直播流数据为负样本；

(2)提取单元，用于从第一样本操作记录中提取样本直播特征；

(3)建立单元，用于建立样本直播特征与第一样本操作记录中所包含的样本之间的关联，得到关联后的训练样本；

(4)确定单元，用于利用关联后的训练样本训练初始化的线性回归模型，得到线性回归模型。

可选地，上述播放账号集可以但不限于包含有多个样本账号。上述多个样本账号用于提供对直播流数据的操作记录以及自身的账号信息、主播账号信息。

可选地，上述第一样本操作记录可以但不限于为多个样本账号在过去的一段时间内对主播账号的直播数据流的点击与观看的记录，或者为向多个样本账号推送但多个样本账号未点击或未观看的记录。

例如，在获取到在过去的一段时间内对主播账号的直播数据流的点击与观看的记录或者多个样本账号推送但多个样本账号未点击或未观看的记录之后，将上述记录输入到LR模型中，对LR模型进行训练，得到成熟的LR模型，并使用成熟的LR模型对获取到的直播特征进行识别得到第一直播参数。

可选地，上述多个样本账号中可以但不限于包含目标播放账号，或者不包含目标播放账号。在上述多个样本账号中包括目标播放账号的情况下，根据目标播放账号的历史操作获取训练样本，并对识别模型进行训练。在多个样本账号中不包含目标播放账号的情况下，采用多个样本账号获取训练样本，并对识别模型进行训练。

通过本实施例，通过对线性回归模型进行训练，从而得到成熟的线性回归模型，进而提高了获取第一直播参数的准确率，进一步提高了向目标播放账号推送目标直播数据流的准确度。

作为一种可选的实施方案，上述第三获取单元包括：

(1)第二提取模块，用于从直播数据操作记录中提取关键参数，其中，关键参数包括：目标播放账号的账号标识，目标播放账号操作过的主播账号的账号标识，及目标播放账号播放主播账号采集的直播数据流所使用的播放时长；

(2)第二获取模块，用于利用协同过滤模型学习关键参数，获取第二直播参数，其中，协同过滤模型用于预测目标播放账号尚未播放的直播数据流的播放时长。

可选地，从直播数据操作记录中提取关键参数可以但不限于为提取目标播放账号操作过的主播账号的特征数据和提取向目标播放账号推送但目标播放账号未操作过的主播账号的特征数据。

可选地，上述操作可以但不限于为关注操作或者观看操作。

可选地，上述特征数据可以但不限于为目标播放账号的账号标识、主播账号的账号标识、目标播放账号播放的主播账号采集的直播数据流所使用的播放时长等。

例如，以上述操作为观看操作为例，如图6所示，图6为一种可选的推送界面的界面图。在图6中推送了4个主播账号的直播数据流。目标播放账号播放了前两个直播数据流，第一个直播数据流播放了十分钟，第二个直播数据流播放了二十分钟。而第三个直播数据流与第四个直播数据流并未播放。获取目标播放账号的账号标识、获取上述四个主播账号的直播数据流时长、目标播放账号观看的直播数据流的播放时长、获取主播账号的账号标识，并根据上述获取到的数据，利用协同过滤模型进行过滤，得到第二直播参数。

通过本实施例，通过利用协同过滤模型学习关键参数，并得到第二直播参数，从而可以根据第二直播参数决定是否向目标播放账号推送目标直播数据流，从而提高了推送目标直播数据流的准确度。

作为一种可选的实施方案，上述第三获取单元还包括：

(1)第一处理模块，用于在利用协同过滤模型学习关键参数，获取第二直播参数之前，对关键参数进行离散处理；

(2)第二处理模块，用于在利用协同过滤模型学习关键参数，获取第二直播参数之后，还包括：对第二直播参数进行归一化处理。

可选地，在获取到上述关键参数后，可以但不限于对上述关键参数中的观看时长进行分级。

例如，在获取到上述观看时长后。可以对观看时长进行分级。如图8所示，不同的观看时长对应不同的级别，不同的级别的分数不同。级别越高分数越高。

可选地，在获取到第二直播参数后，可以但不限于对上述第二直播参数进行归一化处理，转换为0到1之间的数。

通过本实施例，通过在使用协同过滤模型学习关键参数前，对关键参数进行离散处理，并且在获取到第二直播参数后，对第二直播参数进行归一化处理，从而可以使用处理后的参数快速获取推送指示参数，达到了提高获取推送指示参数效率的效果。

作为一种可选的实施方案，上述装置还包括：

(1)第五获取单元，用于在将目标主播账号所采集的目标直播数据流推送给目标播放账号进行播放之前，获取直播平台中全部待推送的对象直播数据流分别对应的推送指示参数，其中，对象直播数据流包括目标直播数据流；

(2)第六获取单元，用于获取推送指示参数大于第一阈值的对象直播数据流，以推送给目标播放账号进行播放。

例如，在获取到推送指示信息后，对推送指示信息进行判断，将推送指示信息大于第一阈值的对象直播数据流推送给目标播放账号进行播放。

通过本实施例，通过将推送指示信息大于第一阈值的对象直播数据流推送给目标播放账号进行播放，从而可以推送给目标播放账号更有可能喜欢的目标直播数据流，从而提高了推送目标直播数据流的推送效率。

根据本发明实施例的又一个方面，还提供了一种用于实施上述数据推送方法的电子装置，如图10所示，该电子装置包括存储器和处理器，该存储器中存储有计算机程序，该处理器被设置为通过计算机程序执行上述任一项方法实施例中的步骤。

可选地，在本实施例中，上述电子装置可以位于计算机网络的多个网络设备中的至少一个网络设备。

可选地，在本实施例中，上述处理器可以被设置为通过计算机程序执行以下步骤：

S1，获取用于播放直播数据流的目标播放账号的直播数据操作记录；

S2，根据从直播数据操作记录中提取出的与目标播放账号相匹配的直播特征，获取与目标播放账号匹配的第一直播参数，其中，第一直播参数用于指示目标播放账号选择播放目标主播账号所采集的目标直播数据流的概率；

S3，根据直播数据操作记录中所记录的播放时长获取与目标播放账号匹配的第二直播参数，其中，第二直播参数用于指示目标播放账号播放目标直播数据流所使用的目标播放时长；

S4，对第一直播参数和第二直播参数进行加权求和，得到目标播放账号的推送指示参数；

S5，在推送指示参数大于第一阈值的情况下，将目标主播账号所采集的目标直播数据流推送给目标播放账号进行播放。

可选地，本领域普通技术人员可以理解，图10所示的结构仅为示意，电子装置也可以是智能手机(如Android手机、iOS手机等)、平板电脑、掌上电脑以及移动互联网设备(Mobile Internet Devices，MID)、PAD等终端设备。图10其并不对上述电子装置的结构造成限定。例如，电子装置还可包括比图10中所示更多或者更少的组件(如网络接口等)，或者具有与图10所示不同的配置。

其中，存储器1002可用于存储软件程序以及模块，如本发明实施例中的数据推送方法和装置对应的程序指令/模块，处理器1004通过运行存储在存储器1002内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的数据推送方法。存储器1002可包括高速随机存储器，还可以包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器1002可进一步包括相对于处理器1004远程设置的存储器，这些远程存储器可以通过网络连接至终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。其中，存储器1002具体可以但不限于用于存储直播数据流等信息。作为一种示例，如图10所示，上述存储器1002中可以但不限于包括上述数据推送装置中的第一获取单元902、第二获取单元904、第三获取单元906、加权求和单元908及推送单元910。此外，还可以包括但不限于上述数据推送装置中的其他模块单元，本示例中不再赘述。

上述的传输装置1006用于经由一个网络接收或者发送数据。上述的网络具体实例可包括有线网络及无线网络。在一个实例中，传输装置1006包括一个网络适配器(NetworkInterface Controller，NIC)，其可通过网线与其他网络设备与路由器相连从而可与互联网或局域网进行通讯。在一个实例中，传输装置1006为射频(Radio Frequency，RF)模块，其用于通过无线方式与互联网进行通讯。

此外，上述电子装置还包括：显示器1008，用于显示目标直播数据流；和连接总线1010，用于连接上述电子装置中的各个模块部件。

根据本发明的实施例的又一方面，还提供了一种存储介质，该存储介质中存储有计算机程序，其中，该计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。

可选地，在本实施例中，上述存储介质可以被设置为存储用于执行以下步骤的计算机程序：

S1，获取用于播放直播数据流的目标播放账号的直播数据操作记录；

S2，根据从直播数据操作记录中提取出的与目标播放账号相匹配的直播特征，获取与目标播放账号匹配的第一直播参数，其中，第一直播参数用于指示目标播放账号选择播放目标主播账号所采集的目标直播数据流的概率；

S3，根据直播数据操作记录中所记录的播放时长获取与目标播放账号匹配的第二直播参数，其中，第二直播参数用于指示目标播放账号播放目标直播数据流所使用的目标播放时长；

S4，对第一直播参数和第二直播参数进行加权求和，得到目标播放账号的推送指示参数；

S5，在推送指示参数大于第一阈值的情况下，将目标主播账号所采集的目标直播数据流推送给目标播放账号进行播放。

可选地，在本实施例中，上述存储介质可以被设置为存储用于执行以下步骤的计算机程序：

S1，从直播数据操作记录中提取直播特征，其中，直播特征包括目标播放账号的账号特征，目标播放账号操作过的主播账号的账号特征，及目标播放账号与主播账号之间的交互特征；

S2，将直播特征输入线性回归模型，获取第一直播参数，其中，线性回归模型用于利用直播特征预测目标播放账号选择播放目标直播数据流的概率。

可选地，在本实施例中，上述存储介质可以被设置为存储用于执行以下步骤的计算机程序：

S1，获取在第一预定时间段内播放账号集所上报的第一样本操作记录，其中，第一样本操作记录中包括：已向播放账号集曝光且被播放账号集执行点击操作的直播流数据为正样本，及已向播放账号集曝光但未被播放账号集执行点击操作的直播流数据为负样本；

S2，从第一样本操作记录中提取样本直播特征；

S3，建立样本直播特征与第一样本操作记录中所包含的样本之间的关联，得到关联后的训练样本；

S4，利用关联后的训练样本训练初始化的线性回归模型，得到线性回归模型。

可选地，在本实施例中，上述存储介质可以被设置为存储用于执行以下步骤的计算机程序：

S1，从直播数据操作记录中提取关键参数，其中，关键参数包括：目标播放账号的账号标识，目标播放账号操作过的主播账号的账号标识，及目标播放账号播放主播账号采集的直播数据流所使用的播放时长；

S2，利用协同过滤模型学习关键参数，获取第二直播参数，其中，协同过滤模型用于预测目标播放账号尚未播放的直播数据流的播放时长。

可选地，在本实施例中，上述存储介质可以被设置为存储用于执行以下步骤的计算机程序：

S1，在利用协同过滤模型学习关键参数，获取第二直播参数之前，还包括：对关键参数进行离散处理；

S2，在利用协同过滤模型学习关键参数，获取第二直播参数之后，还包括：对第二直播参数进行归一化处理。

可选地，在本实施例中，上述存储介质可以被设置为存储用于执行以下步骤的计算机程序：

S1，获取直播平台中全部待推送的对象直播数据流分别对应的推送指示参数，其中，对象直播数据流包括目标直播数据流；

S2，获取推送指示参数大于第一阈值的对象直播数据流，以推送给目标播放账号进行播放。

可选地，在本实施例中，本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令终端设备相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：闪存盘、只读存储器(Read-Only Memory，ROM)、随机存取器(Random Access Memory，RAM)、磁盘或光盘等。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

上述实施例中的集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在上述计算机可读取的存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在存储介质中，包括若干指令用以使得一台或多台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。

在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

在本申请所提供的几个实施例中，应该理解到，所揭露的客户端，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。

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单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (14)

1.一种数据推送方法，其特征在于，包括：

获取用于播放直播数据流的目标播放账号的直播数据操作记录；

根据从所述直播数据操作记录中提取出的与所述目标播放账号相匹配的直播特征，获取与所述目标播放账号匹配的第一直播参数，其中，所述第一直播参数用于指示所述目标播放账号选择播放目标主播账号所采集的目标直播数据流的概率；

根据所述直播数据操作记录中所记录的播放时长获取与所述目标播放账号匹配的第二直播参数，其中，所述第二直播参数用于指示所述目标播放账号播放所述目标直播数据流所使用的目标播放时长；

对所述第一直播参数和所述第二直播参数进行加权求和，得到所述目标播放账号的推送指示参数；

在所述推送指示参数大于第一阈值的情况下，将所述目标主播账号所采集的所述目标直播数据流推送给所述目标播放账号进行播放。

2.根据权利要求1所述的方法，其特征在于，所述根据从所述直播数据操作记录中提取出的与所述目标播放账号相匹配的直播特征，获取与所述目标播放账号匹配的第一直播参数包括：

从所述直播数据操作记录中提取所述直播特征，其中，所述直播特征包括所述目标播放账号的账号特征，所述目标播放账号操作过的主播账号的账号特征，及所述目标播放账号与所述主播账号之间的交互特征；

将所述直播特征输入线性回归模型，获取所述第一直播参数，其中，所述线性回归模型用于利用所述直播特征预测所述目标播放账号选择播放所述目标直播数据流的概率。

3.根据权利要求2所述的方法，其特征在于，在所述获取用于播放直播数据流的目标播放账号的直播数据操作记录之前，还包括：

获取在第一预定时间段内播放账号集所上报的第一样本操作记录，其中，所述第一样本操作记录中包括：已向所述播放账号集曝光且被所述播放账号集执行点击操作的直播流数据为正样本，及已向所述播放账号集曝光但未被所述播放账号集执行点击操作的直播流数据为负样本；

从所述第一样本操作记录中提取样本直播特征；

建立所述样本直播特征与所述第一样本操作记录中所包含的样本之间的关联，得到关联后的训练样本；

利用所述关联后的训练样本训练初始化的线性回归模型，得到所述线性回归模型。

4.根据权利要求1所述的方法，其特征在于，所述根据所述直播数据操作记录中所记录的播放时长获取与所述目标播放账号匹配的第二直播参数包括：

从所述直播数据操作记录中提取关键参数，其中，所述关键参数包括：所述目标播放账号的账号标识，所述目标播放账号操作过的主播账号的账号标识，及所述目标播放账号播放所述主播账号采集的直播数据流所使用的播放时长；

利用协同过滤模型学习所述关键参数，获取所述第二直播参数，其中，所述协同过滤模型用于预测所述目标播放账号尚未播放的直播数据流的播放时长。

5.根据权利要求4所述的方法，其特征在于，

在所述利用协同过滤模型学习所述关键参数，获取所述第二直播参数之前，还包括：对所述关键参数进行离散处理；

在所述利用协同过滤模型学习所述关键参数，获取所述第二直播参数之后，还包括：对所述第二直播参数进行归一化处理。

6.根据权利要求1至5中任一项所述的方法，其特征在于，在所述将所述目标主播账号所采集的所述目标直播数据流推送给所述目标播放账号进行播放之前，还包括：

获取直播平台中全部待推送的对象直播数据流分别对应的所述推送指示参数，其中，所述对象直播数据流包括所述目标直播数据流；

获取所述推送指示参数大于所述第一阈值的所述对象直播数据流，以推送给所述目标播放账号进行播放。

7.一种数据推送装置，其特征在于，包括：

第一获取单元，用于获取用于播放直播数据流的目标播放账号的直播数据操作记录；

第二获取单元，用于根据从所述直播数据操作记录中提取出的与所述目标播放账号相匹配的直播特征，获取与所述目标播放账号匹配的第一直播参数，其中，所述第一直播参数用于指示所述目标播放账号选择播放目标主播账号所采集的目标直播数据流的概率；

第三获取单元，用于根据所述直播数据操作记录中所记录的播放时长获取与所述目标播放账号匹配的第二直播参数，其中，所述第二直播参数用于指示所述目标播放账号播放所述目标直播数据流所使用的目标播放时长；

加权求和单元，用于对所述第一直播参数和所述第二直播参数进行加权求和，得到所述目标播放账号的推送指示参数；

推送单元，用于在所述推送指示参数大于第一阈值的情况下，将所述目标主播账号所采集的所述目标直播数据流推送给所述目标播放账号进行播放。

8.根据权利要求7所述的装置，其特征在于，所述第二获取单元包括：

第一提取模块，用于从所述直播数据操作记录中提取所述直播特征，其中，所述直播特征包括所述目标播放账号的账号特征，所述目标播放账号操作过的主播账号的账号特征，及所述目标播放账号与所述主播账号之间的交互特征；

第二获取模块，用于将所述直播特征输入线性回归模型，获取所述第一直播参数，其中，所述线性回归模型用于利用所述直播特征预测所述目标播放账号选择播放所述目标直播数据流的概率。

9.根据权利要求8所述的装置，其特征在于，所述装置还包括：

第四获取单元，用于在所述获取用于播放直播数据流的目标播放账号的直播数据操作记录之前，获取在第一预定时间段内播放账号集所上报的第一样本操作记录，其中，所述第一样本操作记录中包括：已向所述播放账号集曝光且被所述播放账号集执行点击操作的直播流数据为正样本，及已向所述播放账号集曝光但未被所述播放账号集执行点击操作的直播流数据为负样本；

提取单元，用于从所述第一样本操作记录中提取样本直播特征；

建立单元，用于建立所述样本直播特征与所述第一样本操作记录中所包含的样本之间的关联，得到关联后的训练样本；

确定单元，用于利用所述关联后的训练样本训练初始化的线性回归模型，得到所述线性回归模型。

10.根据权利要求7所述的装置，其特征在于，所述第三获取单元包括：

第二提取模块，用于从所述直播数据操作记录中提取关键参数，其中，所述关键参数包括：所述目标播放账号的账号标识，所述目标播放账号操作过的主播账号的账号标识，及所述目标播放账号播放所述主播账号采集的直播数据流所使用的播放时长；

第二获取模块，用于利用协同过滤模型学习所述关键参数，获取所述第二直播参数，其中，所述协同过滤模型用于预测所述目标播放账号尚未播放的直播数据流的播放时长。

11.根据权利要求10所述的装置，其特征在于，所述第三获取单元还包括：

第一处理模块，用于在所述利用协同过滤模型学习所述关键参数，获取所述第二直播参数之前，对所述关键参数进行离散处理；

第二处理模块，用于所述在所述利用协同过滤模型学习所述关键参数，获取所述第二直播参数之后，还包括：对所述第二直播参数进行归一化处理。

12.根据权利要求7至11中任一项所述的装置，其特征在于，所述装置还包括：

第五获取单元，用于在所述将所述目标主播账号所采集的所述目标直播数据流推送给所述目标播放账号进行播放之前，获取直播平台中全部待推送的对象直播数据流分别对应的所述推送指示参数，其中，所述对象直播数据流包括所述目标直播数据流；

第六获取单元，用于获取所述推送指示参数大于所述第一阈值的所述对象直播数据流，以推送给所述目标播放账号进行播放。

13.一种存储介质，所述存储介质包括存储的程序，其中，所述程序运行时执行上述权利要求1至6任一项中所述的方法。

14.一种电子装置，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为通过所述计算机程序执行所述权利要求1至6任一项中所述的方法。