CN110460882A - 一种基于数据特征降维编码的流媒体内容分发方法 - Google Patents

一种基于数据特征降维编码的流媒体内容分发方法 Download PDF

Info

Publication number
CN110460882A
CN110460882A CN201810427574.5A CN201810427574A CN110460882A CN 110460882 A CN110460882 A CN 110460882A CN 201810427574 A CN201810427574 A CN 201810427574A CN 110460882 A CN110460882 A CN 110460882A
Authority
CN
China
Prior art keywords
vector
content
model
dimensionality reduction
coding
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
Application number
CN201810427574.5A
Other languages
English (en)
Other versions
CN110460882B (zh
Inventor
盛益强
佟泽雨
刘学
邓浩江
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.)
Zhengzhou Xinrand Network Technology Co ltd
Original Assignee
Institute of Acoustics CAS
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 Institute of Acoustics CAS filed Critical Institute of Acoustics CAS
Priority to CN201810427574.5A priority Critical patent/CN110460882B/zh
Publication of CN110460882A publication Critical patent/CN110460882A/zh
Application granted granted Critical
Publication of CN110460882B publication Critical patent/CN110460882B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • 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
    • H04N21/21—Server components or server architectures
    • H04N21/222—Secondary servers, e.g. proxy server, cable television Head-end
    • 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
    • H04N21/251—Learning process for intelligent management, e.g. learning user preferences for recommending movies
    • 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
    • H04N21/251—Learning process for intelligent management, e.g. learning user preferences for recommending movies
    • H04N21/252—Processing of multiple end-users' preferences to derive collaborative data
    • 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
    • H04N21/258—Client or end-user data management, e.g. managing client capabilities, user preferences or demographics, processing of multiple end-users preferences to derive collaborative data
    • H04N21/25866—Management of end-user data
    • H04N21/25891—Management of end-user data being end-user preferences
    • 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
    • H04N21/45—Management operations performed by the client for facilitating the reception of or the interaction with the content or administrating data related to the end-user or to the client device itself, e.g. learning user preferences for recommending movies, resolving scheduling conflicts
    • H04N21/466—Learning process for intelligent management, e.g. learning user preferences for recommending movies
    • H04N21/4662—Learning process for intelligent management, e.g. learning user preferences for recommending movies characterized by learning algorithms
    • H04N21/4665—Learning process for intelligent management, e.g. learning user preferences for recommending movies characterized by learning algorithms involving classification methods, e.g. Decision trees
    • 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
    • H04N21/45—Management operations performed by the client for facilitating the reception of or the interaction with the content or administrating data related to the end-user or to the client device itself, e.g. learning user preferences for recommending movies, resolving scheduling conflicts
    • H04N21/466—Learning process for intelligent management, e.g. learning user preferences for recommending movies
    • H04N21/4662—Learning process for intelligent management, e.g. learning user preferences for recommending movies characterized by learning algorithms
    • H04N21/4666—Learning process for intelligent management, e.g. learning user preferences for recommending movies characterized by learning algorithms using neural networks, e.g. processing the feedback provided by the user
    • 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
    • H04N21/45—Management operations performed by the client for facilitating the reception of or the interaction with the content or administrating data related to the end-user or to the client device itself, e.g. learning user preferences for recommending movies, resolving scheduling conflicts
    • H04N21/466—Learning process for intelligent management, e.g. learning user preferences for recommending movies
    • H04N21/4667—Processing of monitored end-user data, e.g. trend analysis based on the log file of viewer selections

Abstract

本发明提供一种基于数据特征降维编码的流媒体内容分发方法，其包括：步骤1)提取服务端用户点播内容数据，并做历史内容分析，获得特征向量；步骤2)将步骤1)中的特征向量输入Word2Vec网络中，利用改进的Word2Vec模型训练内容向量；其中，改进的Word2Vec模型是对原Word2Vec模型的训练与标签数据的改进；步骤3)利用自编码器模型对步骤2)中的内容向量进行自编码训练；步骤4)提取自编码器模型当中的Encoder部分，对步骤3)完成训练的内容向量进行降维编码，生成降维编码内容向量；步骤5)利用k‑means模型对步骤4)的降维编码内容向量进行聚类；根据聚类结果，将流媒体内容分成n个类别，并分别分发到对应的内容分发网络的n个边缘服务器中。

Description

一种基于数据特征降维编码的流媒体内容分发方法
技术领域
本发明涉及流媒体内容分发、内容分发网络与深度学习算法的技术领域，特别涉及一种基于数据特征降维编码的流媒体内容分发方法。
背景技术
随着互联网技术的飞速发展，4G技术逐渐成熟，以及5G技术的即将到来。网络资源内容也越来越丰富，特别是以网络电视，网络视频为主的流媒体内容使得互联网带宽的压力越来越大。内容分发网络(CDN)在很大的程度上提升了流媒体内容的服务质量以及用户的体验。然而，CDN也存在局限性。由于边缘服务器的存储容量有限，不能存储所有网络资源，边缘服务器中存储的流媒体内容是否合适，是否满足用户需求，就成为CDN性能优劣的主要体现。
目前，现有技术提出了一种基于绝对访问量与相对访问量的流媒体内容分发策略，该方案基于内容访问的绝对数量以及变化趋势，对流媒体内容进行分发。但是，在此方案中忽略了不同地区用户的兴趣点以及流媒体内容之间的相关性，并且在判断是否分发服务端中新的流媒体内容时，需要大量的访问数据。
另外，现有技术还提出了一种基于用户兴趣模型的流媒体内容分发策略，该方案对日志内容利用人工内容标签进行区分，然后基于标签的相似度，对流媒体内容分发进行分发。该方法对流媒体内容的分类完全依赖于内容标签的准确性，忽略了用户访问与流媒体内容之间的相关性。
发明内容
本发明的目的在于，为解决现有的流媒体内容分发方法存在上述的问题，本发明提供了一种基于数据特征降维编码的流媒体内容分发方法，利用到了用户在网络当中的浏览记录数据，使用深度学习模型当中的Word2Vec模型以及自编码器模型，以及传统机器学习当中的K-means模型，使分发的内容分发准确率得到提升，提高聚类的准确率。所述方法具体包括：
步骤1)提取服务端用户点播内容数据，并做历史内容分析，获得特征向量；
步骤2)将步骤1)中的特征向量输入Word2Vec网络中，利用改进的Word2Vec模型训练内容向量；其中，Word2Vec模型是一种类型的深度学习模型；所述改进的Word2Vec模型是通过在标签数据上同时加入了用户IP信息与历史播放内容，从而对原Word2Vec模型的训练与标签数据进行了改进；
步骤3)利用自编码器模型对步骤2)中的内容向量进行自编码训练；
步骤4)提取自编码器模型当中的Encoder部分，对步骤3)完成训练的内容向量进行降维编码，生成降维编码内容向量；
步骤5)利用k-means模型对步骤4)的降维编码内容向量进行聚类；根据聚类结果，将流媒体内容分成n个类别，并分别分发到对应的内容分发网络(CDN)的n个边缘服务器中。
在上述技术方案中，所述步骤1)具体包括：提取服务端中的用户点播内容数据，对每个用户播放内容整理为用户IP信息+历史播放内容信息的形式，再对其进行独热操作，即One-Hot操作，构成特征向量，用于训练内容向量。
在上述技术方案中，所述特征向量包括：模型输入向量和模型输出向量；模型输入向量为服务端用户点播内容数据经过onc后得到的向量；所述模型输出向量为将服务端用户的历史观看记录进行onc后并将其拼接后得到的向量；
在上述技术方案中，所述步骤2)具体包括：分别将模型输入向量和模型输出向量置于Word2Vec网络中，经过神经网络训练，得到转移矩阵，将模型输入向量与所述转移矩阵相乘，得到通过Word2Vec模型之后输出的内容向量。
在上述技术方案中，所述步骤3)具体包括：利用步骤2)中的内容向量，通过神经网络训练，训练自编码器模型；其中，所述自编码器模型包括：输入层、若干隐含层、中间层和输出层；中间层位于输入层和输出层之间，输入层与中间层之间设有若干隐含层，中间层与输出层之间对称地设有若干隐含层。其中，在自编码器网络中，输入层和输出层均为步骤2)中的内容向量；自编码器网络为中间向量维度少，两侧向量维度多的无激活层的前馈神经网络。
在上述技术方案中，所述步骤4)具体包括：提取出步骤3)的自编码器模型当中的Encoder部分，对步骤2)产生的内容向量进行降维编码，采用高维度向量作为输入，仅经过自编码器的Encoder部分，即前半部分；而不经过其Decoder部分，即后半部分；将中间隐含层生成的低维度向量作为输出，实现降维编码，最终得到编码后的向量。
本发明的优点在于：
本发明相比于单独使用传统机器学习聚类方法，减少了手动特征工程的数量，避免了k-means等传统机器学习模型当中特征向量权重不均等问题。另外，在本发明中，利用到了向量化思想，将每个内容文件，利用深度学习模型对其进行向量化，然后再利用传统机器学习的方法对其进行聚类，然后通过根据聚类结果，通过CDN分发到边缘服务器当中。利用生成的向量训练一个自编码器，然后利用自编码器的encoder部分，对生成向量进行编码，这样做可以减少向量不同维度之间的差异，使得特征向量每个维度整体分布更加平滑，更利于之后的k-means聚类。
附图说明
图1是本发明的一种基于数据特征降维编码的流媒体内容分发方法的流程图；
图2是利用改进的Word2Vec模型训练内容向量过程示意图；
图3是利用AutoEncoder模型自编码训练示意图；
图4是使用训练好的AutoEncoder生成向量的示意图；
图5是k-means聚类示意图。
具体实施方式
以下结合附图对本发明作进一步的详细说明。
为了便于理解，首先对本发明中所涉及的多个概念做统一描述。
1、onc：one-hot编码；
2、w2v：Word2Vec模型；
3、train：训练数据，这里指的是从原始数据中提取的内容向量经过onc编码之后的向量；
4、AutoEncoder模型：自编码器模型，即AE模型；其中，AutoEncoder模型的Encoder部分为编码部分，AutoEncoder模型的Decoder部分为解码部分‘’
5、km-n：具有n个簇的k-means模型，其中，n应该为CDN当中边缘服务器的数量。
下面对本发明具体流程进行详细说明：
如图1所示，本发明提供了一种基于数据特征降维编码的流媒体内容分发方法，利用到了用户在网络当中的浏览记录数据，使用到深度学习模型当中的Word2Vec以及自编码器模型，以及传统机器学习当中的K-means模型，使分发的内容分发准确率得到提升，提高聚类的准确率。所述方法具体包括：
步骤1)提取服务端用户点播内容数据，并做历史内容分析，获得特征向量；
步骤2)将步骤1)中的特征向量输入Word2Vec网络中，利用改进的Word2Vec模型训练内容向量；其中，Word2Vec模型是一种类型的深度学习模型；所述改进的Word2Vec模型是通过在标签数据上同时加入了用户IP信息与历史播放内容，从而对原Word2Vec模型的训练与标签数据进行了改进；
步骤3)利用自编码器模型对步骤2)中的内容向量进行自编码训练；
步骤4)提取自编码器模型当中的Encoder部分，对步骤3)完成训练的内容向量进行降维编码，生成降维编码内容向量；
步骤5)利用k-means模型对步骤4)的降维编码内容向量进行聚类；根据聚类结果，将流媒体内容分成n个类别，并分别分发到对应的内容分发网络(CDN)的n个边缘服务器中。
在上述技术方案中，所述步骤1)具体包括：提取服务端中的用户点播内容数据，对每个用户播放内容整理为用户IP信息+历史播放内容信息的形式，再对其进行独热操作，即One-Hot操作，构成特征向量，用于训练内容向量。
如下表所示，服务端中的用户点播内容数据记录如下表所示：
其中，用户IP与内容ID都已经进行哈希化处理；表中由于篇幅限制，只列举了5个用户以及提取之前三次的历史浏览内容记录，实际应用当中，应提取更多用户IP以及提取更多次数的浏览内容记录。
由于表中用户IP比较少，所以通过用户IP解析成用户信息后，每个地区的用户数也比较少，而实际生产当中，每个地区应有更多的用户。
通过上述表格，可以得到：
右侧第一行，用户2所点击的内容为E，从用户2的IP解析出，用户所在的地区为dict_2,翻看历史数据，用户2之前所点击的内容为K,C,A；
右侧第二行，用户1所点击的内容为E，从用户1的IP解析出，用户所在的地区为dict_1,翻看历史数据，用户2之前所点击的内容为E,G,A；
右侧第三行，用户4所点击的内容为E，从用户4的IP解析出，用户所在的地区为dict_4,翻看历史数据，用户2之前所点击的内容为X,C,F；
右侧第四行，用户5所点击的内容为E，从用户5的IP解析出，用户所在的地区为dict_5,翻看历史数据，用户2之前所点击的内容为L,E,D；
右侧第五行，用户2所点击的内容为E，从用户2的IP解析出，用户所在的地区为dict_2,翻看历史数据，用户2之前所点击的内容为E,K,C；
以此类推，构成特征向量。
在上述技术方案中，所述特征向量包括：模型输入向量和模型输出向量；模型输入向量为服务端用户点播内容数据经过onc后得到的向量；所述模型输出向量为将服务端用户的历史观看记录进行onc后并将其拼接后得到的向量；
在上述技术方案中，所述步骤2)具体包括：分别将模型输入向量和模型输出向量置于Word2Vec网络中，经过神经网络训练，得到转移矩阵，将模型输入向量与所述转移矩阵相乘，得到通过Word2Vec模型之后输出的内容向量。例如，对步骤1)中的表格中产生的数据内容，上表右侧第一行用户2点击的内容为E，经过onc后得到的向量为[0,0,0,0,1,…,0,0,0]为模型输入向量。用户2所在的地区为dict_2，onc的结果为[0,1,0,0,0]；用户2的历史观看记录为K,C,A分别进行onc得到的结果为[0,0,…1,0,0]，[0,0,1,…,0,0]，[1,0,0,…,0,0]。将上述三个向量拼接得到向量[0,1,0,0,0,0,0,…,1,0,0,0,0,1,…,0,0,1,…,0,0]，该向量为最终预测的输出向量。
将模型输入向量与模型输出向量置于Word2Vec网络当中，经过神经网络训练，得到转移矩阵，即图2当中的weight1，将模型输入向量与转移矩阵相乘，得到的向量即为通过改进的Word2Vec模型之后输出经过量化后的内容向量。其中，图2中，输入层为步骤1)进行one-hot encoder后生成的向量；隐含层是长度为生成的特征向量长度；输出层是步骤1)进行one-hot encoder后生成的向量拼接而成的新向量。
在上述技术方案中，所述步骤3)具体包括：利用步骤2)中的经过量化后的内容向量，通过神经网络训练，训练自编码器模型；其中，所述自编码器模型包括：输入层、若干隐含层、中间层和输出层；中间层位于输入层和输出层之间，输入层与中间层之间设有若干隐含层，中间层与输出层之间对称地设有若干隐含层。在自编码器网络中，AE模型的结构如图3所示，为一个含有5个隐含层的对称的网络；其中，输入层和输出层均为步骤2)中产生的内容向量；自编码器网络为中间向量维度少，两侧向量维度多的无激活层的前馈神经网络。
在上述技术方案中，如图3和4所示，所述步骤4)具体包括：提取出步骤3)的自编码器模型当中的Encoder部分，对步骤2)产生的内容向量进行降维编码，采用高维度向量作为输入，仅经过自编码器的Encoder部分，即前半部分；而不经过其Decoder部分，即后半部分；将中间隐含层生成的低维度向量作为输出，实现降维编码，最终得到编码后的向量。
在上述技术方案中，所述步骤5)具体包括：若边缘节点的数量为n，则对步骤4)生成经过Encoder后的向量进行km-n聚类，将流媒体内容分成n个类别，并分别分发到对应的内容分发网络(CDN)的n个边缘服务器中。
图5是二维向量聚类的结果，其中横坐标为聚类空间中的x维度标尺，纵坐标为聚类空间中的y维度标尺，五个形状分别为：倒三角为第1类，圆形为第2类，菱形为第3类，叉为第4类，星为第5类，不同形状的点被分到了同一类当中，即分发到对应的内容分发网络(CDN)的同一个边缘服务器当中。
最后所应说明的是，以上实施例仅用以说明本发明的技术方案而非限制。尽管参照实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，对本发明的技术方案进行修改或者等同替换，都不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (6)

1.一种基于数据特征降维编码的流媒体内容分发方法，其特征在于，其包括：
步骤1)提取服务端用户点播内容数据，并做历史内容分析，获得特征向量；
步骤2)将步骤1)中的特征向量输入Word2Vec网络中，利用改进的Word2Vec模型训练内容向量；
步骤3)利用自编码器模型对步骤2)中的内容向量进行自编码训练；
步骤4)提取自编码器模型当中的Encoder部分，对步骤3)完成训练的内容向量进行降维编码，生成降维编码内容向量；
步骤5)利用k-means模型对步骤4)的降维编码内容向量进行聚类；根据聚类结果，将流媒体内容分成n个类别，并分别分发到对应的内容分发网络的n个边缘服务器中。
2.根据权利要求1所述的流媒体内容分发方法，其特征在于，所述步骤1)具体包括：提取服务端中的用户点播内容数据，对每个用户播放内容整理为用户IP信息+历史播放内容信息的形式，再对其进行独热操作，构成特征向量，用于训练内容向量。
3.根据权利要求2所述的流媒体内容分发方法，其特征在于，所述特征向量包括：模型输入向量和模型输出向量；模型输入向量为服务端用户点播内容数据经过onc后得到的向量；所述模型输出向量为将服务端用户的历史观看记录进行onc后并将其拼接后得到的向量。
4.根据权利要求1所述的流媒体内容分发方法，其特征在于，所述步骤2)具体包括：分别将模型输入向量和模型输出向量置于Word2Vec网络中，经过神经网络训练，得到转移矩阵，将模型输入向量与所述转移矩阵相乘，得到通过改进的Word2Vec模型之后输出的内容向量。
5.根据权利要求1所述的流媒体内容分发方法，其特征在于，所述步骤3)具体包括：利用步骤2)中的内容向量，通过神经网络训练，训练自编码器模型；其中，所述自编码器模型包括：输入层、若干隐含层、中间层和输出层；中间层位于输入层和输出层之间，输入层与中间层之间设有若干隐含层，中间层与输出层之间对称地设有若干隐含层。其中，在自编码器网络中，输入层和输出层均为步骤2)中的内容向量；自编码器网络为中间向量维度少，两侧向量维度多的无激活层的前馈神经网络。
6.根据权利要求1所述的流媒体内容分发方法，其特征在于，所述步骤4)具体包括：提取出步骤3)的自编码器模型当中的Encoder部分，对步骤2)产生的内容向量进行降维编码，采用高维度向量作为输入，仅经过自编码器的Encoder部分，而不经过其Decoder部分，将中间隐含层生成的低维度向量作为输出，实现降维编码，最终得到编码后的向量。
CN201810427574.5A 2018-05-07 2018-05-07 一种基于数据特征降维编码的流媒体内容分发方法 Active CN110460882B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810427574.5A CN110460882B (zh) 2018-05-07 2018-05-07 一种基于数据特征降维编码的流媒体内容分发方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810427574.5A CN110460882B (zh) 2018-05-07 2018-05-07 一种基于数据特征降维编码的流媒体内容分发方法

Publications (2)

Publication Number Publication Date
CN110460882A true CN110460882A (zh) 2019-11-15
CN110460882B CN110460882B (zh) 2020-07-17

Family

ID=68471993

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810427574.5A Active CN110460882B (zh) 2018-05-07 2018-05-07 一种基于数据特征降维编码的流媒体内容分发方法

Country Status (1)

Country Link
CN (1) CN110460882B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110929733A (zh) * 2019-12-09 2020-03-27 上海眼控科技股份有限公司 除噪方法、装置、计算机设备、存储介质及模型训练方法
CN111540470A (zh) * 2020-04-20 2020-08-14 北京世相科技文化有限公司 一种基于bert迁移学习的社交网络抑郁倾向检测模型及其训练方法
CN111930821A (zh) * 2020-09-08 2020-11-13 平安国际智慧城市科技股份有限公司 一种一步式数据交换方法、装置、设备及存储介质
CN112991668A (zh) * 2021-02-04 2021-06-18 西安美格智联软件科技有限公司 一种智能信息传输方法、系统、存储介质、处理终端

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120102033A1 (en) * 2010-04-21 2012-04-26 Haileo Inc. Systems and methods for building a universal multimedia learner
US20150293976A1 (en) * 2014-04-14 2015-10-15 Microsoft Corporation Context-Sensitive Search Using a Deep Learning Model
WO2016118402A1 (en) * 2015-01-22 2016-07-28 Microsoft Technology Licensing, Llc Optimizing multi-class multimedia data classification using negative data
CN106777185A (zh) * 2016-12-23 2017-05-31 浙江大学 一种基于深度学习的跨媒体中草药植物图像搜索方法
CN107391646A (zh) * 2017-07-13 2017-11-24 清华大学 一种视频图像的语义信息提取方法及装置
CN107562853A (zh) * 2017-08-28 2018-01-09 武汉烽火普天信息技术有限公司 一种面向海量互联网文本数据的流式聚类及展现的方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120102033A1 (en) * 2010-04-21 2012-04-26 Haileo Inc. Systems and methods for building a universal multimedia learner
US20150293976A1 (en) * 2014-04-14 2015-10-15 Microsoft Corporation Context-Sensitive Search Using a Deep Learning Model
WO2016118402A1 (en) * 2015-01-22 2016-07-28 Microsoft Technology Licensing, Llc Optimizing multi-class multimedia data classification using negative data
CN106777185A (zh) * 2016-12-23 2017-05-31 浙江大学 一种基于深度学习的跨媒体中草药植物图像搜索方法
CN107391646A (zh) * 2017-07-13 2017-11-24 清华大学 一种视频图像的语义信息提取方法及装置
CN107562853A (zh) * 2017-08-28 2018-01-09 武汉烽火普天信息技术有限公司 一种面向海量互联网文本数据的流式聚类及展现的方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
何腾蛟: "《基于CDN的视频流媒体内容分发策略的研究》", 31 December 2017 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110929733A (zh) * 2019-12-09 2020-03-27 上海眼控科技股份有限公司 除噪方法、装置、计算机设备、存储介质及模型训练方法
CN111540470A (zh) * 2020-04-20 2020-08-14 北京世相科技文化有限公司 一种基于bert迁移学习的社交网络抑郁倾向检测模型及其训练方法
CN111540470B (zh) * 2020-04-20 2023-08-25 北京世相科技文化有限公司 一种基于bert迁移学习的社交网络抑郁倾向检测模型及其训练方法
CN111930821A (zh) * 2020-09-08 2020-11-13 平安国际智慧城市科技股份有限公司 一种一步式数据交换方法、装置、设备及存储介质
CN112991668A (zh) * 2021-02-04 2021-06-18 西安美格智联软件科技有限公司 一种智能信息传输方法、系统、存储介质、处理终端
CN112991668B (zh) * 2021-02-04 2022-05-10 西安美格智联软件科技有限公司 一种智能信息传输方法、系统、存储介质、处理终端

Also Published As

Publication number Publication date
CN110460882B (zh) 2020-07-17

Similar Documents

Publication Publication Date Title
CN110460882A (zh) 一种基于数据特征降维编码的流媒体内容分发方法
Konecný et al. Federated learning: Strategies for improving communication efficiency
Konečný et al. Federated learning: Strategies for improving communication efficiency
CN110287374B (zh) 一种基于分布一致性的自注意力视频摘要方法
CN108737856B (zh) 社会关系感知的iptv用户行为建模与节目推荐方法
CN107729488A (zh) 一种信息推荐方法及装置
CN110796512B (zh) 产品信息推荐方法及装置、存储介质、计算机设备
CN111310041B (zh) 图文发布的方法、模型的训练方法、装置及存储介质
CN113971209B (zh) 一种基于注意力机制增强的无监督跨模态检索方法
CN109886406A (zh) 一种基于深度压缩的复数卷积神经网络压缩方法
CN109635946A (zh) 一种联合深度神经网络和成对约束的聚类方法
CN109784249A (zh) 一种基于变分级联信息瓶颈的置乱人脸识别方法
CN108665323A (zh) 一种用于理财产品推荐系统的集成方法
CN110489585A (zh) 基于监督学习的分布式图像搜索方法
CN112417289A (zh) 一种基于深度聚类的资讯信息智能推荐方法
CN110414710A (zh) 基于人工智能的趋势预测方法及装置
CN109919112A (zh) 一种复杂场景中流动人群的分布与计数检测的方法
WO2023185175A1 (zh) 视频处理方法及装置
Yan et al. Unsupervised facial expression recognition using domain adaptation based dictionary learning approach
CN109889848A (zh) 基于卷积自编码器的多描述编码、解码方法及系统
CN114021628A (zh) 基于Transformer模型的制造业多源异构数据融合方法
CN107609570B (zh) 基于属性分类和多视角特征融合的微视频流行度预测方法
Lv et al. Deep ensemble network based on multi-path fusion
CN113656560B (zh) 情感类别的预测方法和装置、存储介质及电子设备
CN115511858A (zh) 一种基于新型时序特征关系映射的视频质量评价方法

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
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right

Effective date of registration: 20210803

Address after: Room 1601, 16th floor, East Tower, Ximei building, No. 6, Changchun Road, high tech Industrial Development Zone, Zhengzhou, Henan 450001

Patentee after: Zhengzhou xinrand Network Technology Co.,Ltd.

Address before: 100190, No. 21 West Fourth Ring Road, Beijing, Haidian District

Patentee before: INSTITUTE OF ACOUSTICS, CHINESE ACADEMY OF SCIENCES

TR01 Transfer of patent right