发明内容
有鉴于此,本公开实施例提供一种基于连续特征的视频推送方法、装置及电子设备,至少部分解决现有技术中存在的问题。
第一方面,本公开实施例提供了一种基于连续特征的视频推送方法,包括:
在视频库中获取一个或多个待推荐的目标视频;
提取所述目标视频中包含的特定内容,以形成内容解析结果;
获取通过预设的分类模型对所述内容解析结果进行计算所得到的连续特征;
基于所述连续特征,向目标对象推送所述目标视频。
根据本公开实施例的一种具体实现方式,所述在视频库中获取一个或多个待推荐的目标视频,包括:
从目标视频源中获取一个或多个待筛选视频;
判断所述待筛选视频的标签上是否有存在推荐标记;
若存在,则将所述待筛选视频选择为目标视频。
根据本公开实施例的一种具体实现方式,所述提取所述目标视频中包含的特定内容,以形成内容解析结果,包括:
对所述目标视频中的图像进行解析;
基于对目标视频中图像的解析结果,选择一个或多个视频帧;
将所述视频帧作为所述内容解析结果的组成部分。
根据本公开实施例的一种具体实现方式,所述提取所述目标视频中包含的特定内容,以形成内容解析结果,还包括:
获取所述目标视频中包含的音频文件;
将所音频文件转换为音频频谱图;
将所述音频频谱图作为所述内容解析结果的组成部分。
根据本公开实施例的一种具体实现方式,所述提取所述目标视频中包含的特定内容,以形成内容解析结果,还包括:
获取所述目标视频中包含的标题文本,将所述标题文本图作为所述内容解析结果的组成部分。
根据本公开实施例的一种具体实现方式,所述获取通过预设的分类模型对所述内容解析结果进行计算所得到的连续特征,包括:
采用预设的卷积神经网络分类模型对所述内容解析结果中的视频帧进行分类计算;
提取所述卷积神经网络模型中全连接层中形成的第一特征向量;
将所述第一特征向量设为与所述目标视频对应的分类信息。
根据本公开实施例的一种具体实现方式,所述获取通过预设的分类模型对所述内容解析结果进行计算所得到的连续特征,包括:
采用预设的卷积神经网络分类模型对所述内容解析结果中的音频频谱图进行分类;
提取所述卷积神经网络模型中全连接层中形成的第二特征向量;
将所述第二特征向量设为与所述目标视频对应的分类信息。
根据本公开实施例的一种具体实现方式,所述获取通过预设的分类模型对所述内容解析结果进行计算所得到的连续特征,包括:
采用预设的递归神经网络分类模型对所述内容解析结果中的标题文本进行分类;
提取所述递归神经网络模型中最后一个节点中形成的第三特征向量;
将所述第三特征向量设为与所述目标视频对应的分类信息。
根据本公开实施例的一种具体实现方式,所述基于所述连续特征,向目标对象推送所述目标视频,包括:
将所述连续特征作为所述目标视频的附加特征,增加到预设的推荐模型中;
所述推荐模型利用所述连续特征及所述目标视频的固有特征,向目标对象推送目标视频,其中所述固有特征包括所述目标视频的发表时间、发表地点及视频时长信息。
第二方面,本公开实施例提供了一种基于连续特征的视频推送装置,包括:
第一获取模块,用于在视频库中获取一个或多个待推荐的目标视频;
解析模块,用于提取所述目标视频中包含的特定内容,以形成内容解析结果;
第二获取模块,用于获取通过预设的分类模型对所述内容解析结果进行计算所得到的连续特征;
推送模块,用于基于所述连续特征,向目标对象推送所述目标视频。
第三方面,本公开实施例还提供了一种电子设备,该电子设备包括:
至少一个处理器;以及,
与该至少一个处理器通信连接的存储器;其中,
该存储器存储有可被该至少一个处理器执行的指令,该指令被该至少一个处理器执行,以使该至少一个处理器能够执行前述任第一方面或第一方面的任一实现方式中的基于连续特征的视频推送方法。
第四方面,本公开实施例还提供了一种非暂态计算机可读存储介质,该非暂态计算机可读存储介质存储计算机指令,该计算机指令用于使该计算机执行前述第一方面或第一方面的任一实现方式中的基于连续特征的视频推送方法。
第五方面,本公开实施例还提供了一种计算机程序产品,该计算机程序产品包括存储在非暂态计算机可读存储介质上的计算程序,该计算机程序包括程序指令,当该程序指令被计算机执行时,使该计算机执行前述第一方面或第一方面的任一实现方式中的基于连续特征的视频推送方法。
本公开实施例中的基于连续特征的视频推送方案,包括在视频库中获取一个或多个待推荐的目标视频;提取所述目标视频中包含的特定内容,以形成内容解析结果;通过预设的分类模型对所述内容解析结果进行分类,形成与所述目标视频对应的分类信息;向目标对象推送与所述分类信息匹配的目标视频。通过本公开的方案,能够深度提取视频的分类信息,基于对目标视频提取的分类信息进行视频推荐,提高了视频推送的准确性。
具体实施方式
下面结合附图对本公开实施例进行详细描述。
以下通过特定的具体实例说明本公开的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本公开的其他优点与功效。显然,所描述的实施例仅仅是本公开一部分实施例,而不是全部的实施例。本公开还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本公开的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。基于本公开中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本公开保护的范围。
需要说明的是,下文描述在所附权利要求书的范围内的实施例的各种方面。应显而易见,本文中所描述的方面可体现于广泛多种形式中,且本文中所描述的任何特定结构及/或功能仅为说明性的。基于本公开,所属领域的技术人员应了解,本文中所描述的一个方面可与任何其它方面独立地实施,且可以各种方式组合这些方面中的两者或两者以上。举例来说,可使用本文中所阐述的任何数目个方面来实施设备及/或实践方法。另外,可使用除了本文中所阐述的方面中的一或多者之外的其它结构及/或功能性实施此设备及/或实践此方法。
还需要说明的是,以下实施例中所提供的图示仅以示意方式说明本公开的基本构想,图式中仅显示与本公开中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。
另外,在以下描述中,提供具体细节是为了便于透彻理解实例。然而,所属领域的技术人员将理解,可在没有这些特定细节的情况下实践所述方面。
本公开实施例提供一种基于连续特征的视频推送方法。本实施例提供的基于连续特征的视频推送方法可以由一计算装置来执行,该计算装置可以实现为软件,或者实现为软件和硬件的组合,该计算装置可以集成设置在服务器、终端设备等中。
参见图1,本公开实施例提供的一种基于连续特征的视频推送方法,包括如下步骤:
S101,在视频库中获取一个或多个待推荐的目标视频。
作为视频运营平台,其通常存储有海量的视频资源,这些视频资源可以包括影视类视频、新闻类视频、自拍视频等各种类型的视频。运营平台总是希望能够将用户最感兴趣的视频推送给用户,从而提高用户对于视频平台的关注度,从而进一步的提升用户在视频运营平台的停留时间。
目标视频是视频运营平台通过对海量的视频进行分析之后,从海量的视频中选择出来的全部或部分视频。例如,目标视频可以是用户推荐的视频,也可以是海量视频库中关注度高的视频。为了能够有效的分辨目标视频,可以通过视频运营平台对需要推荐的视频设置推荐标签,将含有推荐标签的视频作为目标视频。
S102,提取所述目标视频中包含的特定内容,以形成内容解析结果。
目标视频以视频文件的形式存在,其通常包含视频文件中常见的组成部分。例如,目标视频中包含有形成视频的视频帧、音频内容以及视频中包含的文本标题,视频帧、音频内容以及视频中包含的文本标题包含了目标视频中更加丰富的信息,通过对视频帧、音频内容以及视频中包含的文本标题进行分析,能够提炼出更多的与目标视频相关的信息。
具体的,可以提取目标视频中包含的视频帧,通过对视频帧进行分析,可以从提取到的所有视频帧图像中选取一部分典型帧图像来描述目标视频的内容,并将最终选取的视频帧图像作为内容解析结果的一个组成部分。
目标视频中还含有音频文件,音频文件包含目标视频的背景音乐、目标视频中的人物对话以及目标视频中存在的其他声音,通过对目标视频中的音频文件进行解析,可以从声音的角度来判断目标视频的分类。具体的,在对目标视频进行解析的过程中提取目标视频中存在的音频文件,作为一个例子,提取到的音频文件以音频频谱图的方式进行存储。音频频谱图也可以作为内容解析结果的一个组成部分。
目标视频中通常还含有文本内容,这些文本内容包括视频文件的文本标题(例如,电影名称),通过对视频文件的文本标题进行提取,也能够进一步的获取目标视频的相关内容,目标视频的文本标题也可以作为内容解析结果的一个组成部分。
S103,获取通过预设的分类模型对所述内容解析结果进行计算所得到的连续特征。
获取到内容解析结果之后,需要基于这些内容解析结果对目标视频进行分析。常见的视频分类方法通常是简单的基于视频名称等进行分类,没有深入分析视频中包含的详细内容,导致对于视频的分类存在不准确的情况。为了能够深入的分析和目标视频的内容,参见图2a-2b,可以设置专门的神经网络,通过神经网络训练的方式来获得目标视频的分类信息。
作为一个示例性的应用方式,对于内容解析结果中的视频帧和音频频谱图,可以设置卷积神经网络卷积神经网络进行分类训练,参见图2a,该神经网络模型包括卷积层、池化层、采样层和全连接层。
卷积层主要参数包括卷积核的大小和输入特征图的数量,每个卷积层可以包含若干个相同大小的特征图,同一层特征值采用共享权值的方式,每层内的卷积核大小一致。卷积层对输入图像进行卷积计算,并提取输入图像的布局特征。
卷积层的特征提取层后面都可以与采样层连接,采样层用来求输入图像的局部平均值并进行二次特征提取,通过将采样层与卷积层连接,能够保证神经网络模型对于输入图像具有较好的鲁棒性。
为了加快神经网络模型的训练速度,在卷积层后面还设置有池化层,池化层采用最大池化的方式对卷积层的输出结果进行处理,能够更好的提取输入图像的不变性特征。
全连接层将经过多个卷积层和池化层的图像特征图中的特征进行整合,获取输入图像特征具有的分类特征,以用于图像分类。在神经网络模型中,全连接层将卷积层产生的特征图映射成一个固定长度的特征向量。该特征向量包含了输入图像所有特征的组合信息,该特征向量将图像中含有最具有特点的图像特征保留了下来以完成图像分类任务。这样一来便可以计算输入图像具体所属类别数值(所属类别概率),将最有可能的类别输出即可完成分类任务。例如,通过全连接层的计算之后,可以将输入图像分类为包含[动物,风景,人物,植物]类别的结果,其对应的概率分别是[P1,P2,P3,P4]。
对于目标视频中的文本标题内容,可以采用递归神经网络递归神经网络进行分类训练。参见图2b,递归神经网络由阶层分布的节点构成,包括高阶层父节点、低阶层的子节点,最末端的子节点通常为输出节点,节点的性质与树中的节点相同。递归神经网络的输出节点通常位于树状图的最上方,此时其结构是自下而上绘制的,父节点位于子节点的下方。递归神经网络的每个节点都可以有数据输入,对第i阶层的节点,其系统状态的计算方式为:
式中
为该节点和其所有父节点的系统状态,在有多个父节点时,
是合并为矩阵的系统状态,X是该节点的数据输入,若该节点没有输入则不进行计算。f为激励函数或封装的前馈神经网络,其可以采用类似门控算法之类的深度算法。U、W、b是权重系数,权重系数与节点的阶层无关,递归神经网络所有节点的权重是共享的。通过将目标视频中的文本标题内容作为输入,输入到递归神经网络递归神经网络中,能够得到基于递归神经网络递归神经网络对文本标题内容的分类值。
基于上述卷积神经网络模型和递归神经网络模型,可以使用提前训练好的图像卷积神经网络分类模型对获得的图像帧抽取embedding特征,使用提前训练好的音频卷积神经网络分类模型对获取的音频频谱图抽取embedding特征,使用提前训练好的递归神经网络分类模型对获取的标题文本抽取embedding特征,最终将embedding特征结果作为目标视频的连续特征,embedding特征为具有固定长度的特征向量,其中,卷积神经网络的embedding特征来源于全连接层的特征向量,递归神经网络中的embedding特征源于最后一个节点的隐藏状态向量。
S104,基于所述连续特征,向目标对象推送所述目标视频。
获取到目标视频的连续特征之后,可以基于目标对象(例如,视频用户)的行为特征来向目标对象推送相关的目标视频。例如,通过用户在视频网站或视频应用程序上的视频浏览历史发现,用户通常关注的是动作类的视频,则可以将目标视频中分类为动作类的视频继续向用户进行推送。
除此之外,参加图3,可以将连续特征作为一个补充特征添加到视频推荐系统中,将该连续特征与视频推荐系统中已经存在的其他视频信息一起,向用户进行视频的推荐,其中,其他视频信息包括但不限于视频发表的时间、视频发表的城市、视频发表的设备、视频时长等。
通过对视频中的图像,音频和文本信息分别提前训练好分类模型,并通过抽取分类模型中的中间embedding特征(连续特征),相比于标签特征是无损的,将embedding结果作为新的特征向量加入到推荐系统当中,相比标签特征更进一步提高了推荐效果。特别对于新的视频,在相关行为较少的情况下,其推荐效果提升的较为明显。
除了对目标视频中的帧图像进行解析之外,还可以对目标视频中的音频文件进行解析,对所述目标视频包含的不同类型的内容进行解析,得到内容解析结果,包括:获取所述目标视频中包含的音频文件,将所音频文件转换为音频频谱图,将所述音频频谱图作为所述内容解析结果的组成部分。
除了对目标视频中的图像和音频文件进行解析之外,还可以对目标视频中的标题文本进行解析,即:获取所述目标视频中包含的标题文本,将所述标题文本作为所述内容解析结果的组成部分。
参见图4,根据本公开实施例的一种具体实现方式,所述获取通过预设的分类模型对所述内容解析结果进行计算所得到的连续特征,包括:
S401,采用预设的卷积神经网络分类模型对所述内容解析结果中的视频帧进行分类计算。
卷积神经网络神经网络模型包括卷积层、池化层、采样层和全连接层。卷积层主要参数包括卷积核的大小和输入特征图的数量,每个卷积层可以包含若干个相同大小的特征图,同一层特征值采用共享权值的方式,每层内的卷积核大小一致。卷积层对输入图像进行卷积计算,并提取输入图像的布局特征。
卷积层的特征提取层后面都可以与采样层连接,采样层用来求输入图像的局部平均值并进行二次特征提取,通过将采样层与卷积层连接,能够保证神经网络模型对于输入图像具有较好的鲁棒性。
为了加快神经网络模型的训练速度,在卷积层后面还设置有池化层,池化层采用最大池化的方式对卷积层的输出结果进行处理,能够更好的提取输入图像的不变性特征。
S402,提取所述卷积神经网络模型中全连接层中形成的第一特征向量。
全连接层将经过多个卷积层和池化层的图像特征图中的特征进行整合,获取输入图像特征具有的分类特征,以用于图像分类。在神经网络模型中,全连接层将卷积层产生的特征图映射成一个固定长度的特征向量。该特征向量包含了输入图像所有特征的组合信息,该特征向量将图像中含有最具有特点的图像特征保留了下来以完成图像分类任务。为此,可以提取该特征向量作为第一特征向量。
S403,将所述第一特征向量设为与所述目标视频对应的分类信息。
除此之外,根据本公开实施例的一种具体实现方式,所述获取通过预设的分类模型对所述内容解析结果进行计算所得到的连续特征,包括:采用预设的卷积神经网络分类模型对所述内容解析结果中的音频频谱图进行分类;提取所述卷积神经网络模型中全连接层中形成的第二特征向量;将所述第二特征向量设为与所述目标视频对应的分类信息。
根据本公开实施例的一种具体实现方式,所述获取通过预设的分类模型对所述内容解析结果进行计算所得到的连续特征,包括:采用预设的递归神经网络分类模型对所述内容解析结果中的标题文本进行分类;提取所述递归神经网络模型中最后一个节点中形成的第三特征向量;将所述第三特征向量设为与所述目标视频对应的分类信息。
获取到连续特征之后,可以将连续特征作为所述目标视频的附加特征,增加到预设的推荐模型中。参见图3,推荐模型便能够利用连续特征及所述目标视频的固有特征,向目标对象推送目标视频,其中所述固有特征包括所述目标视频的发表时间、发表地点及视频时长信息。
与上面的方法实施例相对应,参见图5,本公开实施例还提供了一种基于连续特征的视频推送装置50,包括:
第一获取模块501,用于在视频库中获取一个或多个待推荐的目标视频。
作为视频运营平台,其通常存储有海量的视频资源,这些视频资源可以包括影视类视频、新闻类视频、自拍视频等各种类型的视频。运营平台总是希望能够将用户最感兴趣的视频推送给用户,从而提高用户对于视频平台的关注度,从而进一步的提升用户在视频运营平台的停留时间。
目标视频是视频运营平台通过对海量的视频进行分析之后,从海量的视频中选择出来的全部或部分视频。例如,目标视频可以是用户推荐的视频,也可以是海量视频库中关注度高的视频。为了能够有效的分辨目标视频,可以通过视频运营平台对需要推荐的视频设置推荐标签,将含有推荐标签的视频作为目标视频。
解析模块502,用于提取所述目标视频中包含的特定内容,以形成内容解析结果。
目标视频以视频文件的形式存在,其通常包含视频文件中常见的组成部分。例如,目标视频中包含有形成视频的视频帧、音频内容以及视频中包含的文本标题,视频帧、音频内容以及视频中包含的文本标题包含了目标视频中更加丰富的信息,通过对视频帧、音频内容以及视频中包含的文本标题进行分析,能够提炼出更多的与目标视频相关的信息。
具体的,可以提取目标视频中包含的视频帧,通过对视频帧进行分析,可以从提取到的所有视频帧图像中选取一部分典型帧图像来描述目标视频的内容,并将最终选取的视频帧图像作为内容解析结果的一个组成部分。
目标视频中还含有音频文件,音频文件包含目标视频的背景音乐、目标视频中的人物对话以及目标视频中存在的其他声音,通过对目标视频中的音频文件进行解析,可以从声音的角度来判断目标视频的分类。具体的,在对目标视频进行解析的过程中提取目标视频中存在的音频文件,作为一个例子,提取到的音频文件以音频频谱图的方式进行存储。音频频谱图也可以作为内容解析结果的一个组成部分。
目标视频中通常还含有文本内容,这些文本内容包括视频文件的文本标题(例如,电影名称),通过对视频文件的文本标题进行提取,也能够进一步的获取目标视频的相关内容,目标视频的文本标题也可以作为内容解析结果的一个组成部分。
第二获取模块503,用于获取通过预设的分类模型对所述内容解析结果进行计算所得到的连续特征。
获取到内容解析结果之后,需要基于这些内容解析结果对目标视频的分析进行分析。常见的视频分类方法通常是简单的基于视频名称等进行分类,没有深入分析视频中包含的详细内容,导致对于视频的分类存在不准确的情况。为了能够深入的分析和目标视频的内容,参见图2a-2b,可以设置专门的神经网络,通过神经网络训练的方式来获得目标视频的分类信息。
作为一个示例性的应用方式,对于内容解析结果中的视频帧和音频频谱图,可以设置卷积神经网络卷积神经网络进行分类训练,参见图2a,该神经网络模型包括卷积层、池化层、采样层和全连接层。
卷积层主要参数包括卷积核的大小和输入特征图的数量,每个卷积层可以包含若干个相同大小的特征图,同一层特征值采用共享权值的方式,每层内的卷积核大小一致。卷积层对输入图像进行卷积计算,并提取输入图像的布局特征。
卷积层的特征提取层后面都可以与采样层连接,采样层用来求输入图像的局部平均值并进行二次特征提取,通过将采样层与卷积层连接,能够保证神经网络模型对于输入图像具有较好的鲁棒性。
为了加快神经网络模型的训练速度,在卷积层后面还设置有池化层,池化层采用最大池化的方式对卷积层的输出结果进行处理,能够更好的提取输入图像的不变性特征。
全连接层将经过多个卷积层和池化层的图像特征图中的特征进行整合,获取输入图像特征具有的分类特征,以用于图像分类。在神经网络模型中,全连接层将卷积层产生的特征图映射成一个固定长度的特征向量。该特征向量包含了输入图像所有特征的组合信息,该特征向量将图像中含有最具有特点的图像特征保留了下来以完成图像分类任务。这样一来便可以计算输入图像具体所属类别数值(所属类别概率),将最有可能的类别输出即可完成分类任务。例如,通过全连接层的计算之后,可以将输入图像分类为包含[动物,风景,人物,植物]类别的结果,其对应的概率分别是[P1,P2,P3,P4]。
对于目标视频中的文本标题内容,可以采用递归神经网络递归神经网络进行分类训练。参见图2b,递归神经网络由阶层分布的节点构成,包括高阶层父节点、低阶层的子节点,最末端的子节点通常为输出节点,节点的性质与树中的节点相同。递归神经网络的输出节点通常位于树状图的最上方,此时其结构是自下而上绘制的,父节点位于子节点的下方。递归神经网络的每个节点都可以有数据输入,对第i阶层的节点,其系统状态的计算方式为:
式中
为该节点和其所有父节点的系统状态,在有多个父节点时,
是合并为矩阵的系统状态,X是该节点的数据输入,若该节点没有输入则不进行计算。f为激励函数或封装的前馈神经网络,其可以采用类似门控算法之类的深度算法。U、W、b是权重系数,权重系数与节点的阶层无关,递归神经网络所有节点的权重是共享的。通过将目标视频中的文本标题内容作为输入,输入到递归神经网络递归神经网络中,能够得到基于递归神经网络递归神经网络对文本标题内容的分类值。
基于上述卷积神经网络模型和递归神经网络模型,可以使用提前训练好的图像卷积神经网络分类模型对获得的图像帧抽取embedding特征,使用提前训练好的音频卷积神经网络分类模型对获取的音频频谱图抽取embedding特征,使用提前训练好的递归神经网络分类模型对获取的标题文本抽取embedding特征,最终将embedding特征结果作为目标视频的连续特征,embedding特征为是具有固定长度的特征向量,其中,卷积神经网络的embedding特征来源于全连接层的特征向量,递归神经网络中的embedding特征源于最后一个节点的隐藏状态向量。
推送模块504,用于基于所述连续特征,向目标对象推送所述目标视频。
获取到目标视频的连续特征之后,可以基于目标对象(例如,视频用户)的行为特征来向目标对象推送相关的目标视频。例如,通过用户在视频网站或视频应用程序上的视频浏览历史发现,用户通常关注的是动作类的视频,则可以将目标视频中分类为动作类的视频继续向用户进行推送。
除此之外,参加图3,可以将连续特征作为一个补充特征添加到视频推荐系统中,将该连续特征与视频推荐系统中已经存在的其他视频信息一起,向用户进行视频的推荐,其中,其他视频信息包括但不限于视频发表的时间、视频发表的城市、视频发表的设备、视频时长等。
图5所示装置可以对应的执行上述方法实施例中的内容,本实施例未详细描述的部分,参照上述方法实施例中记载的内容,在此不再赘述。
参见图6,本公开实施例还提供了一种电子设备60,该电子设备包括:
至少一个处理器;以及,
与该至少一个处理器通信连接的存储器;其中,
该存储器存储有可被该至少一个处理器执行的指令,该指令被该至少一个处理器执行,以使该至少一个处理器能够执行前述方法实施例中基于连续特征的视频推送方法。
本公开实施例还提供了一种非暂态计算机可读存储介质,该非暂态计算机可读存储介质存储计算机指令,该计算机指令用于使该计算机执行前述方法实施例中。
本公开实施例还提供了一种计算机程序产品,该计算机程序产品包括存储在非暂态计算机可读存储介质上的计算程序,该计算机程序包括程序指令,当该程序指令被计算机执行时,使该计算机执行前述方法实施例中的基于连续特征的视频推送方法。
下面参考图6,其示出了适于用来实现本公开实施例的电子设备60的结构示意图。本公开实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图6示出的电子设备仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图6所示,电子设备60可以包括处理装置(例如中央处理器、图形处理器等)601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中,还存储有电子设备60操作所需的各种程序和数据。处理装置601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
通常,以下装置可以连接至I/O接口605:包括例如触摸屏、触摸板、键盘、鼠标、图像传感器、麦克风、加速度计、陀螺仪等的输入装置606;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607;包括例如磁带、硬盘等的存储装置608;以及通信装置609。通信装置609可以允许电子设备60与其他设备进行无线或有线通信以交换数据。虽然图中示出了具有各种装置的电子设备60,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信装置609从网络上被下载和安装,或者从存储装置608被安装,或者从ROM 602被安装。在该计算机程序被处理装置601执行时,执行本公开实施例的方法中限定的上述功能。
需要说明的是,本公开上述的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或者是上述两者的任意组合。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可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(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。在本公开中,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。而在本公开中,计算机可读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,该计算机可读信号介质可以发送、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:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:获取至少两个网际协议地址;向节点评价设备发送包括所述至少两个网际协议地址的节点评价请求,其中,所述节点评价设备从所述至少两个网际协议地址中,选取网际协议地址并返回;接收所述节点评价设备返回的网际协议地址;其中,所获取的网际协议地址指示内容分发网络中的边缘节点。
或者,上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:接收包括至少两个网际协议地址的节点评价请求;从所述至少两个网际协议地址中,选取网际协议地址;返回选取出的网际协议地址;其中,接收到的网际协议地址指示内容分发网络中的边缘节点。
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公开的操作的计算机程序代码,上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)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。其中,单元的名称在某种情况下并不构成对该单元本身的限定,例如,第一获取单元还可以被描述为“获取至少两个网际协议地址的单元”。
应当理解,本公开的各部分可以用硬件、软件、固件或它们的组合来实现。
以上所述,仅为本公开的具体实施方式,但本公开的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本公开揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本公开的保护范围之内。因此,本公开的保护范围应以权利要求的保护范围为准。