CN109451352A - 一种视频播放流量预测方法及装置 - Google Patents

一种视频播放流量预测方法及装置 Download PDF

Info

Publication number
CN109451352A
CN109451352A CN201811509807.2A CN201811509807A CN109451352A CN 109451352 A CN109451352 A CN 109451352A CN 201811509807 A CN201811509807 A CN 201811509807A CN 109451352 A CN109451352 A CN 109451352A
Authority
CN
China
Prior art keywords
video
predicted
information
prediction
key
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.)
Pending
Application number
CN201811509807.2A
Other languages
English (en)
Inventor
胡晓亮
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.)
Beijing QIYI Century Science and Technology Co Ltd
Original Assignee
Beijing QIYI Century Science and 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 Beijing QIYI Century Science and Technology Co Ltd filed Critical Beijing QIYI Century Science and Technology Co Ltd
Priority to CN201811509807.2A priority Critical patent/CN109451352A/zh
Publication of CN109451352A publication Critical patent/CN109451352A/zh
Pending legal-status Critical Current

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]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/43—Processing of content or additional data, e.g. demultiplexing additional data from a digital video stream; Elementary client operations, e.g. monitoring of home network or synchronising decoder's clock; Client middleware
    • H04N21/442—Monitoring of processes or resources, e.g. detecting the failure of a recording device, monitoring the downstream bandwidth, the number of times a movie has been viewed, the storage space available from the internal hard disk
    • H04N21/44204—Monitoring of content usage, e.g. the number of times a movie has been viewed, copied or the amount which has been watched
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • H04N21/43—Processing of content or additional data, e.g. demultiplexing additional data from a digital video stream; Elementary client operations, e.g. monitoring of home network or synchronising decoder's clock; Client middleware
    • H04N21/44—Processing of video elementary streams, e.g. splicing a video clip retrieved from local storage with an incoming video stream or rendering scenes according to encoded video stream scene graphs
    • H04N21/44008—Processing of video elementary streams, e.g. splicing a video clip retrieved from local storage with an incoming video stream or rendering scenes according to encoded video stream scene graphs involving operations for analysing video streams, e.g. detecting features or characteristics in the video stream
    • 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
    • H04N21/43—Processing of content or additional data, e.g. demultiplexing additional data from a digital video stream; Elementary client operations, e.g. monitoring of home network or synchronising decoder's clock; Client middleware
    • H04N21/442—Monitoring of processes or resources, e.g. detecting the failure of a recording device, monitoring the downstream bandwidth, the number of times a movie has been viewed, the storage space available from the internal hard disk

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Signal Processing (AREA)
  • Multimedia (AREA)
  • Databases & Information Systems (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Two-Way Televisions, Distribution Of Moving Picture Or The Like (AREA)

Abstract

本发明提供了一种视频播放流量预测方法及装置，获取待预测视频的视频信息，其中，待预测视频可以是任意一个未播出的视频。然后，从该视频信息中提取关键特征，并将该关键特征输入到预测模型中，预测该待预测视频在未来播出后的播放流量的目标预测值及预测值范围，其中，目标预测值是待预测视频在未来播出后出现概率最大的播放流量，以及，出现概率不低于概率阈值的播放流量预测值范围。可见，利用该预测方法不仅能够预测得到播放流量的目标预测值，还能够预测得到播放流量的预测值范围。因此提高了播放流量预测结果的可信度和合理性。

Description

一种视频播放流量预测方法及装置
技术领域
本发明属于互联网技术领域，尤其涉及一种视频播放流量的预测方法及装置。
背景技术
对于视频相关企业而言，视频播放流量(例如，视频播放数)是十分关键的参考指标。例如，对视频(例如，影视剧、综艺节目等)的播放流量相关指标进行预测，可以为节目制作、策划、视频版权采购、运营、内容宣发等多个方面提供重要参考依据。
目前预测视频播放流量的方式，通常是在视频播出前的某个时间，例如，视频播出前几个月或半个月，预测视频播出后的播放流量相关指标的数值，例如，该视频播出后的播放流量数值。但获得的播放流量数值可能与实际播出后的播放流量值相差很多，即预测准确率低。
发明内容
有鉴于此，本发明的目的在于提供一种视频播放流量预测方法及装置，以解决传统的视频播放流量方式预测准确率低的问题。
第一方面，本申请提供了一种视频播放流量预测方法，包括：
获取待预测视频的视频信息，所述视频信息包括与视频播放流量相关的信息；
从所述视频信息中提取关键特征；
将所述关键特征输入至预测模型，得到所述待预测视频播出后的播放流量的目标预测值及预测值范围，所述预测模型利用已播出视频的视频信息对线性回归模型进行训练得到。
可选地，所述从所述视频信息中提取关键特征，包括：
从所述视频信息中提取关键信息；
将所述关键信息转换为数值型数据；
对得到的数值型数据进行归一化变换得到所述关键特征。
可选地，所述对得到的数值型数据进行归一化变换得到所述关键特征，包括：
对所述视频信息中与视频制作排播发行相关的数据所对应的数值型数据进行归一化变换，得到对应的关键特征；
将所述视频信息中与舆情口碑相关的数据所对应的数值型数据映射成正态分布数据，得到第一数值型数据，并对所述第一数值型数据进行归一化变换，得到对应的关键特征；
将所述视频信息中与流量相关的数据所对应的数值型数据映射成正态分布数据，得到第二数值型数据，并对所述第二数值型数据进行归一化变换，得到对应的关键特征。
可选地，所述方法还包括：
从训练样本数据集中提取关键信息，该训练样本数据集包括已播出视频的信息，该关键信息包括该已播出视频的视频信息及的播放流量真实值；
从所述关键信息中提取关键特征，并根据该关键特征及包含该关键特征的已播放视频对应的播放流量真实值，调整线性回归模型中的待优化特征参数，得到用于预测待预测视频的预测模型，该预测模型中包括所述待优化特征参数对应的目标数值及数值范围。
可选地，所述将所述关键特征输入至预测模型，得到所述待预测视频播出后的播放流量目标预测值及播放流量预测值范围，包括：
将所述待优化特征参数的目标数值以及所述待预测视频的关键特征，输入该预测模型的目标函数中，计算得到所述待预测视频播出后的播放流量目标预测值；
将所述待优化特征参数的数值范围，以及所述待预测视频的关键特征代入该预测模型的目标函数中，计算得到所述待预测视频播出后的播放流量的预测值范围。
第二方面，本申请还提供了一种视频播放流量预测装置，包括：
获取模块，用于获取待预测视频的视频信息，所述视频信息包括与视频播放流量相关的信息；
第一特征提取模块，用于从所述视频信息中提取关键特征；
预测模块，用于将所述关键特征输入至预测模型，得到所述待预测视频播出后的播放流量的目标预测值及预测值范围，所述预测模型利用已播出视频的视频信息对线性回归模型进行训练得到。
可选地，所述第一特征提取模块包括：
关键信息提取子模块，用于从所述视频信息中提取关键信息；
关键信息转换子模块，用于将所述关键信息转换为数值型数据；
归一化变换子模块，用于对得到的数值型数据进行归一化变换得到所述关键特征。
可选地，所述归一化变换子模块具体用于：
对所述视频信息中与视频制作排播发行相关的数据所对应的数值型数据进行归一化变换，得到对应的关键特征；
将所述视频信息中与舆情口碑相关的数据所对应的数值型数据映射成正态分布数据，得到第一数值型数据，并对所述第一数值型数据进行归一化变换，得到对应的关键特征；
将所述视频信息中与流量相关的数据所对应的数值型数据映射成正态分布数据，得到第二数值型数据，并对所述第二数值型数据进行归一化变换，得到对应的关键特征。
可选地，所述装置还包括：
第一特征提取模块，用于从训练样本数据集中提取关键信息，该训练样本数据集包括已播出视频的信息，该关键信息包括所述已播出视频的视频信息及的播放流量真实值；
模型训练模块，用于从所述关键信息中提取关键特征，并根据该关键特征及包含该关键特征的已播放视频对应的播放流量真实值，调整线性回归模型中的待优化特征参数，得到用于预测待预测视频的预测模型，该预测模型中包括所述待优化特征参数对应的目标数值及数值范围。
可选地，所述预测模块包括：
第一预测子模块，用于将所述待优化特征参数的目标数值以及所述待预测视频的关键特征，输入该预测模型的目标函数中，计算得到所述待预测视频播出后的播放流量的目标预测值；
第二预测子模块，用于将所述待优化特征参数的数值范围，以及所述待预测视频的关键特征代入该预测模型的目标函数中，计算得到所述待预测视频播出后的播放流量的预测值范围。
本发明实施例提供的视频播放流量预测方法，获取待预测视频的视频信息，其中，待预测视频可以是任意一个未播出的视频。然后，从该视频信息中提取关键特征，并将该关键特征输入到预测模型中，预测该待预测视频在未来播出后的播放流量的目标预测值及预测值范围，其中，播放流量的目标预测值是待预测视频在未来播出后出现概率最大的播放流量数值，以及，出现概率不低于概率阈值的播放流量预测值范围。可见，利用该预测方法不仅能够预测得到播放流量的目标预测值，还能够预测得到播放流量的预测值范围。因此提高了播放流量预测结果的可信度和合理性。
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是本申请实施例提供的一种视频播放流量预测方法的流程图；
图2是本申请实施例提供的一种获取视频信息过程的流程图；
图3是本申请实施例提供的另一种视频播放流量预测方法的流程图；
图4是本申请实施例提供的一种视频播放流量预测装置的框图；
图5是本申请实施例提供的另一种视频播放流量预测装置的框图。
具体实施方式
在对未播出视频的播放流量进行提前预测时，随着提前天数的增加，可以获得的信息逐渐减小，所搜集信息的不确定性也逐渐增加，即预测时间越早，获得的可用信息越少。例如，视频播出前几天进行预测时获得的可用信息比播出前一个月或几个月甚至一年以上预测时获得的可用信息多。提前预估播放流量的过程中不确定的因素较多，例如，播放同期其它影视剧视频的排片、视频或影人相关的突发事件影响、播出后舆情口碑未知等。可用信息的有限性和信息的不确定性是播放流量预估过程中面临的巨大挑战。如果仅预测播放流量的目标预测值会大大降低预测结果的准确度。为了提高预测结果的准确性，本申请提供了一种视频播放流量预测方法，利用线性回归预测模型提前预测未播出视频未来播出后一段时间内播放流量出现概率最大的数值，以及出现概率不低于概率阈值的预测值范围，从而提高了预测结果的合理性和可信度。
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。
请参见图1，示出了本申请实施例一种视频播放流量预测方法的流程图，该方法应用于终端或服务器中，如图1所示，该方法可以包括以下步骤：
S110，获取待预测视频的视频信息。
待预测视频可以是截止当前预测时刻未在任意一个播放平台(例如，视频网站平台、电视平台、影院等)播放的任意一个视频，其中，针对电视剧等具有一系列相关联的视频的类型，待预测视频是该电视剧包括的全部剧集。
视频信息包括与播放流量相关的信息，例如，与视频制作排播发行相关的数据、与舆情口碑相关的数据、与流量相关的数据等等。当然，在其它实施例中，视频信息可以包括其它的信息，本申请并不限定。
视频信息可以通过网络爬虫从网络中爬取得到，或者，还可以从与视频相关的企业获取，例如，企业内部数据。
在本申请的一个实施例中，通过不同的数据源渠道获取视频的原始信息，然后，对获得的原始信息进行清洗和结构化处理，最后根据不同数据源渠道得到的数据进行弥补和校验。如图2所示，S110可以包括：
S111，利用网络爬虫爬取待预测视频的数据资源。
S112，获取待预测视频的企业内部数据资源。
例如，待预测视频是影视剧，则该步骤中的企业可以是制片公司、发行公司等。可以从与视频相关的企业内获得该待预测视频相关的数据。
S113，分别对爬取的数据资源及企业内部数据资源进行结构化处理。
对从网络中爬取的数据资源及企业内部数据资源进行数据清洗，以及结构化处理。
数据清洗主要是删除原始数据集中的无关数据、重复数据，平滑噪声数据，筛选掉与挖掘主题无关的数据，处理缺失值、异常值。
对数据进行结构化处理是指将数据转换成结构化数据。
S114，将结构化处理后的来自网络爬虫的数据资源，及结构化处理后的企业内部数据资源进行相互弥补和校验。
对来自不同数据源渠道的数据资源进行清洗、结构化处理之后，进行相互弥补和校验。例如，企业内部数据资源所表征的含义或特征可能包括网络爬取的数据资源所不具备的特征。同理，网络爬取的数据资源的含义或特征包含企业内部数据资源所不具备的特征。两类数据资源中具有相似含义的信息可以对照使用。
S115，确定弥补和校验后的数据资源为待预测视频的视频信息。
将相互弥补和校验后的来自不同数据源渠道的数据资源确定为待预测视频的视频信息。
S120，从视频信息中提取关键特征。
从视频信息中提取关键信息，然后，从该关键信息中提取关键特征；其中，
将待预测视频的视频信息种的关键信息转化为机器学习模型的输入特征，具体包括：将字符串类特征和类别型特征转化为数值型特征，以及，聚合和转换数值型数据；然后对得到的数值型数据进行归一化变换得到待预测视频对应的关键特征。
在本申请的一个实施例中，待预测视频的视频信息中的关键信息包括但不限于：1)与视频制作排播发行相关的数据，2)与舆情口碑相关的数据，3)流量相关数据。
1)与视频制作排播发行相关的数据对应的数值型数据
i)视频的题材；题材为类别型数据，其所涉及的具体类别为预先定义，例如预先定义题材类别为a～d四类，如果视频A的题材包括题材a和b，则题材a和b对于A赋值为1，其余c和d为0；
ii)视频播放的电视台；电视台为类别型数据，所要考虑的电视台为预先定义，例如预先定义的电视台为a～d四个，如果视频A的播放电视台包括a和b，则播放电视台a和b对于A赋值为1，其余c和d为0；
iii)视频播放的视频网站；其为类别型数据，所要考虑的视频网站为预先定义，例如预先定义的视频网站为a～d四个，如果视频A的播放网站包括a和b，则播放网站a和b对于A赋值为1，其余c和d为0；
iv)视频的播放策略；其为类别型数据，所要考虑的播放策略为预先定义，例如预先定义的播放策略为a～d四个，如果视频A的播放策略包括a和b，则播放策略a和b对于A赋值为1，其余c和d为0；
v)视频的投资运作成本；成本为类别型数据，所要考虑的范围为预先定义，例如预先定义的成本范围为a～d四个，如果视频A的成本范围处在a的区间，则成本范围a对于A赋值为1，其余范围赋值为0；
vi)视频的集数；
vii)视频在视频网站的收费天数；
viii)视频的开播时间。
2)与舆情口碑相关的数据对应的数值型数据
i)视频中涉及到的影人(例如，影视剧中的导演，演员，编剧，制作人等)的影响力；例如，相关影人在某个时间段(例如播放前一年到半年内)内的网络指数的平均值、中位值、最大值、方差等；
ii)视频中相关机构(例如，影视剧中的制片公司，发行公司等)的影响力；例如，相关机构在某个时间段内，例如播放前一年到半年内的网络指数的平均值、中位值、最大值、方差等；
iii)如果视频是系列作品，本系列作品的影响力；例如，系列作品在某个时间段(例如播放前一年到半年内)内的网络指数的平均值、中位值、最大值、方差等；
iv)如果视频是由其他类型作品改编(即IntellectualProperty改编)，被改编作品和作者的影响力；具体为系列作品在某个时间段内(例如播放前一年到半年内)的网络指数的平均值，中位值，最大值，方差等；
v)如果视频在多个平台(例如，电视平台和网络平台)播出，播出平台的影响力；例如，播出平台在某个时间段内，例如播放前一年到半年内的网络指数的平均值、中位值、最大值、方差等。
本文中的网络指数是指视频名称的网络搜索指数，例如，该视频在搜索引擎网站的搜索指数、社交媒体网站的搜索指数、视频网站站内搜索指数等。
3)流量相关数据对应的数值型数据
i)在某个预先指定的时间段内播出同类型的视频，例如，播放前半年内，同类型视频的流量相关数值的平均值、中位值、最大值、方差等；
ii)视频中涉及到的影人(例如，影视剧中的导演，演员，编剧，制作人等)的流量相关数据；例如，相关影人在某个时间段(例如，播放前一年到半年内)内所涉及到的其他视频的流量相关数据的平均值、中位值、最大值、方差等；
iii)视频中涉及到的相关机构(例如，影视剧中的制片公司，发行公司等)的流量相关数据；例如，相关机构在某个时间段内(例如播放前一年到半年内)所涉及的其他视频的流量相关数据的平均值、中位值、最大值、方差等。
在得到待预测视频的视频信息的数值型数据后，进一步对数值型数据进行归一化变换处理，归一化处理后输入至预测模型对播放流量进行预测。其中，归一化处理的过程包括：
对于与视频制作排播发行相关的数值型数据直接进行归一化变换；
对于与舆情口碑相关的数值型数据及与流量相关的数值型数据，需要转换成正态分布数据，例如，可以做log变换；然后，分别对转换得到的正态分布数据(例如，log变换结果)进行归一化变换。
当然，在本申请其它实施例中，可以利用其它变换方式使得舆情口碑相关的数据及与流量相关的数据的分布更接近正态分布。
对与舆情口碑相关的数据及与流量相关的数据转换成正态分布数据的目的是：使与这两类数据分布更均衡，接近正态分布，有利于线性回归模型的优化。
与视频制作排播发行相关的数据通常是0或1的特征，对此类特征做log变换后其分布特征、数值和范围均不会改变，因此，不需要对于视频制作排播发行相关的数据做log变换。
在本申请的一个实施例中，归一化变换可以采用最大最小归一化变换，即将原始数据线性化地转换到[0，1]范围内，最大最小归一化公式为：
x*＝(x-xmin)/(xmax-xmin)；
其中，xmax为样本数据的最大值，xmin为样本数据的最小值，x为待归一化的样本数据，x*为归一化后的样本数据。
在本实施例中，特征转换过程集成在预测模块内部，即，转换过程(例如，log变换和归一化变换)在输入至预测模型之前完成；
在本申请的另一个实施例中，特征转换过程集成在预测模型内部完成，即，直接将关键信息对应的数值型数据输入至预测模型即可。
S130，将关键特征输入至预测模型，得到待预测视频播出后的播放流量的目标预测值及预测值范围。
本实施例中，目标预测值是指出现概率最大的播放流量数值；预测值范围是指出现概率不低于某个阈值的播放流量数值范围，其中，该阈值可以根据实际需求设定。
例如，预测某个待预测视频得到播放流量的目标预测值是1万，对应的播放流量的预测值范围是0.8万～1.2万。
其中，预测模型由已播出视频的视频信息为训练样本数据对线性回归模型进行优化得到。
在本申请的一个实施例中，预测模型采用线性机器学习模型，例如，贝叶斯线性回归模型。预先利用已经播放一段时间的视频(例如，已经播出大于一个月的影视剧视频)的信息作为训练样本数据集训练预测模型。训练预测模型的目标是通过优化待优化特征参数，使得将训练样本数据集输入预测模型后得到的计算结果为播放流量真实值的概率最大，得到最终用来预测待预测视频的播放流量的预测模型。通过上述优化过程可以得到待优化特征参数对应的概率最大的目标数值和概率不低于预设阈值的数值范围。
将预测模型中待优化特征参数的数值范围代入预测模型的目标函数中，可以预测得到待预测视频的播放流量的预测值范围。
将预测模型中待优化特征参数的目标数值代入预测模型的目标函数中，能够预测得到待预测视频的播放流量的目标预测值。
预测得到待预测视频的播放流量相关数据后，可以存储该播放流量相关数据，以便后续展示或直接使用。
本实施例提供的视频播放流量预测方法，获取待预测视频的视频信息，并从视频信息中提取关键特征，将该关键特征输入到预测模型中，该预测模型中待优化特征参数包含目标数值和数值范围，根据预测模型中待优化特征参数的目标数值预测得到待预测视频的播放流量的目标预测值；根据预测模型中待优化特征参数的数值范围预测得到待预测视频的播放流量的预测值范围。利用该预测方法不仅能够预测得到播放流量的出现概率最大的目标预测值，还能够预测得到播放流量的预测值范围，从而，提高了播放流量预测结果的可信度和准确度。而且，可以为播放前期的多种决策提供数据支持和参考，例如，可以为选取播放的电视台、网站、播放策略、开播时间等决策提供数据支持和决策参考。
请参见图3，示出了本申请实施例提供的另一种视频播放流量预测方法的流程图，本实施例中将着重介绍训练预测模型的过程，如图3所示，该方法包括以下步骤：
S210，从训练样本数据集提取输入关键信息。
训练样本数据集由已播出视频的数据构成，关键信息包括已播出视频的视频信息及播放流量真实值。
获取输入关键信息的过程可以参考S120的相关描述，例如，与视频制作排播发行相关的数据、与舆情口碑相关的数据、流量相关数据等。
S220，将关键信息转换为数值型数据。
该过程可以参考S120的相关描述，例如，视频的题材如果是a类，则题材a对于该视频赋值为1。
S230，对于转换后的关键信息中的与视频制作排播发行相关的数据，进行归一化变换。
S240，对于转换后的关键信息中与舆情口碑相关的数据，变换得到分布均衡的舆情口碑数据，并对该分布均衡舆情口碑数据进行归一化变换。
该步骤中的分布均衡的舆情口碑数据即分布均衡的第一数值型数据。且归一化变换可以采用目前成熟的归一化变换方式，例如，标准归一化，最大最小归一化等。
在本申请的一个实施例中，可以对于与舆情口碑相关的数据做log变换得到分布均衡的数据，有利于下一步进行模型优化。
S250，对于转换后的关键信息中与流量相关的数据，变换得到分布均衡的流量相关数据，并对该流量相关数据进行归一化变换。
在本申请的一个实施例中，可以对于流量相关的数据做log变换得到分布均衡的数据，有利于下一步进行模型优化。
该步骤中的分布均衡的流量相关数据即分布均衡的第二数值型数据。然后，对该第二数值型数据进行归一化变换，可以采用成熟的归一化变换方式，例如，标准归一化、最大最小归一化等。
其中，本申请并不限定S230～S250的执行顺序，S230～S250可以并行执行，或者，先执行S240或S250，再执行其它步骤。
S260，根据归一化变换得到的关键特征，以及包含该关键特征的已播放视频对应的播放流量真实值，调整线性回归模型中的待优化特征参数，得到用于预测待预测视频的预测模型。
其中，该预测模型中包括待优化特征参数的目标数值及数值范围。
在本申请的一个实施例中，线性回归模型可以选择贝叶斯线性回归模型，该模型的输入和输出构成线性关系，例如，y＝∑wx+ε；
其中，y表示线性回归模型的输出，即预测得到的数值，本申请中贝叶斯线性回归模型的输出为待预测视频的播放流量的log变换值。
x表示输入特征，本申请中的x是经过归一化变换后的数值。
w表示待优化特征参数，模型中假设这些待优化的参数的可能数值分布p(w)为以0为中心，方差为α的正态分布N，即p(w)＝N(w|0，α)；其中，所有特征参数所对应的α可以都一样或者不同。
ε是样本的随机噪音，本申请中为已播出视频的播放流量真实值的log变换值和播放流量预估值的log变换值之间的随机误差；假设ε的可能数值在预测模型中分布p(ε)为以0为中心，方差为β的正态分布N，即p(ε)＝N(w|0，β)；其中，所有样本所对应的β都相同。
模型训练的目标是通过优化未知参数α、β的数值以及w的分布，使在训练样本数据集上，播放流量预估值的log变换值与播放流量真实值的log变换值y相同的概率p(y|x,α,β)最大，其具体表示为p(y|x,α,β)＝∫N(y|xw,β)N(w|0,α)dw。其中，优化待优化特征参数的方法可以包括但不限于最大期望算法。
利用训练样本数据集和上述优化过程可以获得w的目标数值和分布方差，即w在训练样本数据集上的正态分布形式，得到最终的预测模型。后续利用预测模型预测待预测视频未来播出后的播放流量的目标预测值及播放流量的预测值范围。
模型训练的过程是利用训练样本数据集中的x和y确定w，α，β，进而计算出该x值对应的播放流量预测值；其中，w可以是任意值，利用每个w所计算得到的y值与该x值对应的已知播放流量进行比较，得到正确与否的概率，正确概率最大的w值就是w的目标数值；正确概率在某个范围时对应的w就是w的数值范围。播放流量的目标预测值就是根据w的目标数值及线性回归模型公式计算得到，而播放流量的预测值范围是根据w的数值范围和线性回归模型公式计算得到。
确定了线性回归模型中的待优化特征参数后，即预测模型训练完成，得到最终用于预测的预测模型，后续可以直接利用该预测模型来预测未播出视频未来播出后的播放流量。
本实施例提供的视频播放流量预测方法，利用已播放视频的信息训练得到最终的预测模型，该预测模型能够给出播放流量的目标预测值的同时，还能够得到播放流量的预测值范围。这个播放流量的预测值范围对视频节目制作、策划、采购、决策、运营、等多个方面更加有参考价值。而且，可以为播放前期的多种决策提供数据支持和参考，例如，可以为选取播放的电视台、网站、播放策略、开播时间等决策提供数据支持和决策参考。
相应于上述的视频播放流量预测方法实施例，本申请还提供了视频播放流量预测装置实施例。
请参见图4，示出了本申请实施例提供的一种视频播放流量预测装置的框图，该装置应用于终端或服务器中，如图4所示，该装置可以包括：获取模块110、第一特征提取模块120和预测模块130。
获取模块110，用于获取待预测视频的视频信息。
所述视频信息包括与视频播放流量相关的信息，例如，视频信息包括与播放流量相关的信息，例如，与视频制作排播发行相关的数据、与舆情口碑相关的数据、与流量相关的数据等等。当然，在其它实施例中，视频信息可以包括其它的信息，本申请并不限定。
第一特征提取模块120，用于从视频信息中提取关键特征。
将待预测视频的视频信息转化为机器学习模型的输入特征，具体包括：将字符串类特征和类别型特征转化为数值型特征，以及，聚合和转换数值型数据；然后对得到的数值型数据进行归一化变换得到待预测视频对应的关键特征。
所述第一特征提取模块120包括：关键信息提取子模块、关键信息转换子模块和归一化变换子模块
关键信息提取子模块，用于从视频信息中提取关键信息。
其中，关键信息包括单不限于1)与视频制作排播发行相关的数据，2)与舆情口碑相关的数据，3)流量相关数据。
关键信息转换子模块，用于将所述关键信息转换为数值型数据。
提取得到关键信息后，需要将这些信息转换为数值型数据。例如，将与视频制作排播发行相关的数据对应的数值型数据；将与舆情口碑相关的数据对应的数值型数据；将流量相关数据对应的数值型数据。
归一化变换子模块，用于对得到的数值型数据进行归一化变换得到所述关键特征。
在得到待预测视频的视频信息的数值型数据后，进一步对数值型数据进行归一化变换处理，归一化处理后输入至预测模型对播放流量进行预测。
其中，归一化处理的过程包括：
对于与视频制作排播发行相关的数值型数据直接进行归一化变换。
对于与舆情口碑相关的数值型数据及与流量相关的数值型数据，需要转换成正态分布数据，然后，分别对转换得到的正态分布数据进行归一化变换。
预测模块130，用于将关键特征输入至预测模型，得到待预测视频播出后的播放流量的目标预测值及预测值范围。
本实施例中，目标预测值是指出现概率最大的播放流量数值；预测值范围是指出现概率不低于某个阈值的播放流量数值范围。
其中，预测模型利用已播出视频的视频信息对线性回归模型进行训练得到。
在本申请的一个实施例中，预测模型采用线性机器学习模型，例如，贝叶斯线性回归模型。预先利用已经播放一段时间的视频(例如，已经播出大于一个月的影视剧视频)的信息作为训练样本数据集训练预测模型。训练预测模型的目标是通过优化待优化特征参数，使得将训练样本数据集输入预测模型后得到的计算结果为播放流量真实值的概率最大，得到最终用来预测待预测视频的播放流量的预测模型。通过上述优化过程可以得到待优化特征参数对应的概率最大的目标数值和概率不低于预设阈值的数值范围。
将预测模型中待优化特征参数的数值范围代入预测模型的目标函数中，可以预测得到待预测视频的播放流量的预测值范围。
将预测模型中待优化特征参数的目标数值代入预测模型的目标函数中，能够预测得到待预测视频的播放流量的目标预测值。
预测得到待预测视频的播放流量相关数据后，可以存储该播放流量相关数据，以便后续展示或直接使用。
本实施例提供的视频播放流量预测方法，获取待预测视频的视频信息，并从视频信息中提取关键特征，将该关键特征输入到预测模型中，该预测模型中待优化特征参数包含目标数值和数值范围，根据预测模型中待优化特征参数的目标数值预测得到待预测视频的播放流量的目标预测值；根据预测模型中待优化特征参数的数值范围预测得到待预测视频的播放流量的预测值范围。利用该预测方法不仅能够预测得到播放流量的出现概率最大的目标预测值，还能够预测得到播放流量的预测值范围，从而，提高了播放流量预测结果的可信度和准确度。而且，可以为播放前期的多种决策提供数据支持和参考，例如，可以为选取播放的电视台、网站、播放策略、开播时间等决策提供数据支持和决策参考。
请参见图5，示出了本申请实施例另一种视频播放流量预测装置的框图，该装置在图4所示实施例的基础上还可以包括：第二特征提取模块210和模型训练模块220。
第二特征提取模块210，用于从训练样本数据集中提取关键信息，并从该关键信息中提取关键特征。
该训练样本数据集包括已播出视频的信息，该关键信息包括该已播出视频的视频信息及的播放流量真实值。
该第二特征提取模块210的功能与第一特征提取模块的功能相同，此处不再赘述。
模型训练模块220，用于根据关键特征及包含该关键特征的已播放视频对应的播放流量真实值，调整线性回归模型中的待优化特征参数，得到用于预测待预测视频的预测模型。
其中，得到的预测模型中包括所述待优化特征参数对应的目标数值及数值范围。
模型训练模块220用于训练线性回归模型的过程请参见S260的过程，此处不再赘述。
本实施例提供的视频播放流量预测装置，利用已播放视频的信息训练得到最终的预测模型，该预测模型能够给出播放流量的目标预测值的同时，还能够得到播放流量的预测值范围。这个播放流量的预测值范围对视频节目制作、策划、采购、决策、运营、等多个方面更加有参考价值。而且，可以为播放前期的多种决策提供数据支持和参考，例如，可以为选取播放的电视台、网站、播放策略、开播时间等决策提供数据支持和决策参考。
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。
需要说明的是，本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。对于装置类实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
本申请各实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减。
本申请各实施例中的装置及终端中的模块和子模块可以根据实际需要进行合并、划分和删减。
本申请所提供的几个实施例中，应该理解到，所揭露的终端，装置和方法，可以通过其它的方式实现。例如，以上所描述的终端实施例仅仅是示意性的，例如，模块或子模块的划分，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，例如多个子模块或模块可以结合或者可以集成到另一个模块，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，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。
作为分离部件说明的模块或子模块可以是或者也可以不是物理上分开的，作为模块或子模块的部件可以是或者也可以不是物理模块或子模块，即可以位于一个地方，或者也可以分布到多个网络模块或子模块上。可以根据实际的需要选择其中的部分或者全部模块或子模块来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能模块或子模块可以集成在一个处理模块中，也可以是各个模块或子模块单独物理存在，也可以两个或两个以上模块或子模块集成在一个模块中。上述集成的模块或子模块既可以采用硬件的形式实现，也可以采用软件功能模块或子模块的形式实现。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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过程、方法、物品或者设备不仅包括那些要素，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过程、方法、物品或者设备所固有的要素。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过程、方法、物品或者设备中还存在另外的相同要素。
对所公开的实施例的上述说明，使本领域技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
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 (10)

1.一种视频播放流量预测方法，其特征在于，包括：
获取待预测视频的视频信息，所述视频信息包括与视频播放流量相关的信息；
从所述视频信息中提取关键特征；
将所述关键特征输入至预测模型，得到所述待预测视频播出后的播放流量的目标预测值及预测值范围，所述预测模型利用已播出视频的视频信息对线性回归模型进行训练得到。
2.根据权利要求1所述的方法，其特征在于，所述从所述视频信息中提取关键特征，包括：
从所述视频信息中提取关键信息；
将所述关键信息转换为数值型数据；
对得到的数值型数据进行归一化变换得到所述关键特征。
3.根据权利要求2所述的方法，其特征在于，所述对得到的数值型数据进行归一化变换得到所述关键特征，包括：
对所述视频信息中与视频制作排播发行相关的数据所对应的数值型数据进行归一化变换，得到对应的关键特征；
将所述视频信息中与舆情口碑相关的数据所对应的数值型数据映射成正态分布数据，得到第一数值型数据，并对所述第一数值型数据进行归一化变换，得到对应的关键特征；
将所述视频信息中与流量相关的数据所对应的数值型数据映射成正态分布数据，得到第二数值型数据，并对所述第二数值型数据进行归一化变换，得到对应的关键特征。
4.根据权利要求1-3任一项所述的方法，其特征在于，所述方法还包括：
从训练样本数据集中提取关键信息，该训练样本数据集包括已播出视频的信息，该关键信息包括该已播出视频的视频信息及的播放流量真实值；
从所述关键信息中提取关键特征，并根据该关键特征及包含该关键特征的已播放视频对应的播放流量真实值，调整线性回归模型中的待优化特征参数，得到用于预测待预测视频的预测模型，该预测模型中包括所述待优化特征参数对应的目标数值及数值范围。
5.根据权利要求4所述的方法，其特征在于，所述将所述关键特征输入至预测模型，得到所述待预测视频播出后的播放流量目标预测值及播放流量预测值范围，包括：
将所述待优化特征参数的目标数值以及所述待预测视频的关键特征，输入该预测模型的目标函数中，计算得到所述待预测视频播出后的播放流量目标预测值；
将所述待优化特征参数的数值范围，以及所述待预测视频的关键特征代入该预测模型的目标函数中，计算得到所述待预测视频播出后的播放流量的预测值范围。
6.一种视频播放流量预测装置，其特征在于，包括：
获取模块，用于获取待预测视频的视频信息，所述视频信息包括与视频播放流量相关的信息；
第一特征提取模块，用于从所述视频信息中提取关键特征；
预测模块，用于将所述关键特征输入至预测模型，得到所述待预测视频播出后的播放流量的目标预测值及预测值范围，所述预测模型利用已播出视频的视频信息对线性回归模型进行训练得到。
7.根据权利要求6所述的装置，其特征在于，所述第一特征提取模块包括：
关键信息提取子模块，用于从所述视频信息中提取关键信息；
关键信息转换子模块，用于将所述关键信息转换为数值型数据；
归一化变换子模块，用于对得到的数值型数据进行归一化变换得到所述关键特征。
8.根据权利要求7所述的装置，其特征在于，所述归一化变换子模块具体用于：
对所述视频信息中与视频制作排播发行相关的数据所对应的数值型数据进行归一化变换，得到对应的关键特征；
将所述视频信息中与舆情口碑相关的数据所对应的数值型数据映射成正态分布数据，得到第一数值型数据，并对所述第一数值型数据进行归一化变换，得到对应的关键特征；
将所述视频信息中与流量相关的数据所对应的数值型数据映射成正态分布数据，得到第二数值型数据，并对所述第二数值型数据进行归一化变换，得到对应的关键特征。
9.根据权利要求6-8任一项所述的装置，其特征在于，所述装置还包括：
第一特征提取模块，用于从训练样本数据集中提取关键信息，该训练样本数据集包括已播出视频的信息，该关键信息包括所述已播出视频的视频信息及的播放流量真实值；
模型训练模块，用于从所述关键信息中提取关键特征，并根据该关键特征及包含该关键特征的已播放视频对应的播放流量真实值，调整线性回归模型中的待优化特征参数，得到用于预测待预测视频的预测模型，该预测模型中包括所述待优化特征参数对应的目标数值及数值范围。
10.根据权利要求9所述的装置，其特征在于，所述预测模块包括：
第一预测子模块，用于将所述待优化特征参数的目标数值以及所述待预测视频的关键特征，输入该预测模型的目标函数中，计算得到所述待预测视频播出后的播放流量的目标预测值；
第二预测子模块，用于将所述待优化特征参数的数值范围，以及所述待预测视频的关键特征代入该预测模型的目标函数中，计算得到所述待预测视频播出后的播放流量的预测值范围。
CN201811509807.2A 2018-12-11 2018-12-11 一种视频播放流量预测方法及装置 Pending CN109451352A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811509807.2A CN109451352A (zh) 2018-12-11 2018-12-11 一种视频播放流量预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811509807.2A CN109451352A (zh) 2018-12-11 2018-12-11 一种视频播放流量预测方法及装置

Publications (1)

Publication Number Publication Date
CN109451352A true CN109451352A (zh) 2019-03-08

Family

ID=65557739

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811509807.2A Pending CN109451352A (zh) 2018-12-11 2018-12-11 一种视频播放流量预测方法及装置

Country Status (1)

Country Link
CN (1) CN109451352A (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110750728A (zh) * 2019-10-28 2020-02-04 精硕科技（北京）股份有限公司 一种浏览资源热度的预测方法、预测装置及可读存储介质
CN110933492A (zh) * 2019-12-10 2020-03-27 北京爱奇艺科技有限公司 一种播放时长预测方法及装置
CN111062527A (zh) * 2019-12-10 2020-04-24 北京爱奇艺科技有限公司 一种视频集流量预测方法及装置
CN113313511A (zh) * 2021-04-30 2021-08-27 北京奇艺世纪科技有限公司 一种视频流量预测方法、装置、电子设备及介质
CN113347464A (zh) * 2021-04-30 2021-09-03 北京奇艺世纪科技有限公司 一种视频播放流量预测方法、装置、电子设备及存储介质
CN113379447A (zh) * 2021-05-28 2021-09-10 西安影视数据评估中心有限公司 一种电视剧单日收视率的预测方法
CN113411644A (zh) * 2021-05-28 2021-09-17 北京达佳互联信息技术有限公司 样本数据的处理方法、装置、服务器及存储介质
CN115081703A (zh) * 2022-06-15 2022-09-20 苏州凌云视界智能设备有限责任公司 一种气量预测方法、装置、设备及存储介质
CN117119022A (zh) * 2023-10-25 2023-11-24 广东百德朗科技有限公司 一种基于mqtt协议的能耗数据处理方法、系统、设备及介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102523497A (zh) * 2011-12-29 2012-06-27 北京衡准科技有限公司 基于监测海量电视节目预告预测电视节目热点信息的方法
CN103914475A (zh) * 2013-01-05 2014-07-09 腾讯科技（北京）有限公司 一种视频播放量的预测方法、系统和装置
US20140259037A1 (en) * 2013-03-07 2014-09-11 Rawllin International Inc. Predicted video content aggregation
US20150039552A1 (en) * 2013-08-05 2015-02-05 Applied Materials, Inc. Method and apparatus for optimizing profit in predictive systems
CN105635762A (zh) * 2016-01-15 2016-06-01 深圳大学 一种基于深度信念网络的视频热度预测方法及其系统
CN107105320A (zh) * 2017-03-07 2017-08-29 上海交通大学 一种基于用户情绪的在线视频热度预测方法及系统
CN107547154A (zh) * 2016-06-23 2018-01-05 华为技术有限公司 一种建立视频流量预测模型的方法及装置
CN108898415A (zh) * 2018-05-29 2018-11-27 北京奇艺世纪科技有限公司 一种视频剧集的流量相关指标预测方法及装置

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102523497A (zh) * 2011-12-29 2012-06-27 北京衡准科技有限公司 基于监测海量电视节目预告预测电视节目热点信息的方法
CN103914475A (zh) * 2013-01-05 2014-07-09 腾讯科技（北京）有限公司 一种视频播放量的预测方法、系统和装置
US20140259037A1 (en) * 2013-03-07 2014-09-11 Rawllin International Inc. Predicted video content aggregation
US20150039552A1 (en) * 2013-08-05 2015-02-05 Applied Materials, Inc. Method and apparatus for optimizing profit in predictive systems
CN105635762A (zh) * 2016-01-15 2016-06-01 深圳大学 一种基于深度信念网络的视频热度预测方法及其系统
CN107547154A (zh) * 2016-06-23 2018-01-05 华为技术有限公司 一种建立视频流量预测模型的方法及装置
CN107105320A (zh) * 2017-03-07 2017-08-29 上海交通大学 一种基于用户情绪的在线视频热度预测方法及系统
CN108898415A (zh) * 2018-05-29 2018-11-27 北京奇艺世纪科技有限公司 一种视频剧集的流量相关指标预测方法及装置

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110750728A (zh) * 2019-10-28 2020-02-04 精硕科技（北京）股份有限公司 一种浏览资源热度的预测方法、预测装置及可读存储介质
CN110933492B (zh) * 2019-12-10 2022-03-04 北京爱奇艺科技有限公司 一种播放时长预测方法及装置
CN110933492A (zh) * 2019-12-10 2020-03-27 北京爱奇艺科技有限公司 一种播放时长预测方法及装置
CN111062527A (zh) * 2019-12-10 2020-04-24 北京爱奇艺科技有限公司 一种视频集流量预测方法及装置
CN111062527B (zh) * 2019-12-10 2023-12-05 北京爱奇艺科技有限公司 一种视频集流量预测方法及装置
CN113347464B (zh) * 2021-04-30 2022-09-30 北京奇艺世纪科技有限公司 一种视频播放流量预测方法、装置、电子设备及存储介质
CN113347464A (zh) * 2021-04-30 2021-09-03 北京奇艺世纪科技有限公司 一种视频播放流量预测方法、装置、电子设备及存储介质
CN113313511A (zh) * 2021-04-30 2021-08-27 北京奇艺世纪科技有限公司 一种视频流量预测方法、装置、电子设备及介质
CN113411644A (zh) * 2021-05-28 2021-09-17 北京达佳互联信息技术有限公司 样本数据的处理方法、装置、服务器及存储介质
CN113379447A (zh) * 2021-05-28 2021-09-10 西安影视数据评估中心有限公司 一种电视剧单日收视率的预测方法
CN113411644B (zh) * 2021-05-28 2022-10-04 北京达佳互联信息技术有限公司 样本数据的处理方法、装置、服务器及存储介质
CN113379447B (zh) * 2021-05-28 2024-05-31 西安影视数据评估中心有限公司 一种电视剧单日收视率的预测方法
CN115081703A (zh) * 2022-06-15 2022-09-20 苏州凌云视界智能设备有限责任公司 一种气量预测方法、装置、设备及存储介质
CN117119022A (zh) * 2023-10-25 2023-11-24 广东百德朗科技有限公司 一种基于mqtt协议的能耗数据处理方法、系统、设备及介质
CN117119022B (zh) * 2023-10-25 2024-01-30 广东百德朗科技有限公司 一种基于mqtt协议的能耗数据处理方法、系统、设备及介质

Similar Documents

Publication Publication Date Title
CN109451352A (zh) 一种视频播放流量预测方法及装置
US20210397651A1 (en) Estimating social interest in time-based media
US9563901B2 (en) Generating audience response metrics and ratings from social interest in time-based media
US11966404B2 (en) Media names matching and normalization
CN109587515B (zh) 一种视频播放流量预测方法及装置
CN110704674A (zh) 一种视频播放完整度预测方法及装置
JP2006524009A (ja) 視聴者分析結果の生成
US20160012454A1 (en) Database systems for measuring impact on the internet
US20180167678A1 (en) Interactive media system
WO2020135642A1 (zh) 一种基于生成对抗网络的模型训练方法及设备
CN106204103B (zh) 一种移动广告平台寻找相似用户的方法
CN111062527A (zh) 一种视频集流量预测方法及装置
CN110933492A (zh) 一种播放时长预测方法及装置
CN111314790A (zh) 一种视频播放记录的排序方法、装置和电子设备
CN112073757B (zh) 情绪波动指数获取方法、显示方法及多媒体内容制作方法
Halim et al. The impact of motivation to watch youtube, subjective norms, behavior control, information success model to watching youtube engagement
JP2007115222A (ja) 情報処理装置および方法、並びにプログラム
Mirhasani et al. Alleviation of cold start in movie recommendation systems using sentiment analysis of multi-modal social networks
US20180359523A1 (en) Method and system for progressive penalty and reward based ad scoring for detection of ads
Sun et al. Research of Personalized Recommendation Algorithm Based on Trust and User's Interest
CN110719280B (zh) 基于大数据的用户隐私保护的推荐系统及方法
WANG Behind the Scenes: Examining Efficacy of Race Classification Models with a Focus on TV
CN113887870A (zh) 演员商业价值确定方法、装置、电子设备及存储介质
CN118587048A (zh) 诉讼成功率预测方法、装置、终端、服务器以及存储介质
CN118042240A (zh) 互联网数字化信息融合的体育赛事视频采集方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20190308

RJ01 Rejection of invention patent application after publication