CN110569910A - 直播周期的处理方法、装置、设备及存储介质 - Google Patents
直播周期的处理方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN110569910A CN110569910A CN201910854924.0A CN201910854924A CN110569910A CN 110569910 A CN110569910 A CN 110569910A CN 201910854924 A CN201910854924 A CN 201910854924A CN 110569910 A CN110569910 A CN 110569910A
- Authority
- CN
- China
- Prior art keywords
- live broadcast
- period
- live
- historical
- broadcast period
- 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
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
Abstract
本发明实施例公开了一种直播周期的处理方法、装置、设备及存储介质。包括:分别获取在当前直播周期及上一直播周期内观众观看直播时产生的行为特征数据;计算所述当前直播周期的行为特征数据相对于上一直播周期的变化幅度;将所述当前直播周期的行为特征数据和所述变化幅度输入至预设的直播周期模型中进行处理,获得所述主播在下一直播周期的生命状态标签。本发明实施例提供的直播周期的处理方法,根据当前直播周期的行为特征数据以及相对于上一直播周期行为特征数据的变化幅度预测主播在下一直播周期的生命状态标签,使得直播平台根据预测的生命状态标签对主播进行资源分配,可以提高直播平台对资源分配的可靠性,从而避免直播平台资源的浪费。
Description
技术领域
本发明实施例涉及直播技术领域,尤其涉及一种直播周期的处理方法、装置、设备及存储介质。
背景技术
随着互联网技术及智能移动终端设备的发展,各种互联网产品给人们的工作、生活带来了很多便利与娱乐,近年来,各类用于视频直播的直播平台层出不穷,视频直播给人们带来更实时的社交体验。直播平台的发展依靠大量主播用户及观众用户。因此直播平台需要密切关注主播用户和观众用户的状态,以便及时对平台作出调整。
其中,主播是直播平台中得以发展的最根本的资源,主播的成长关系到平台的发展命脉,如果能成功预测主播下一直播周期的生命状态,则可以指导直播平台对该主播进行合理的资源分配。
发明内容
本发明实施例提供一种直播周期的处理方法、装置、设备及存储介质,以实现对主播下一直播周期生命状态的预测,可以提高直播平台对资源分配的可靠性,从而避免直播平台资源的浪费。
第一方面,本发明实施例提供了一种直播周期的处理方法,包括:
分别获取在当前直播周期及上一直播周期内观众观看直播时产生的行为特征数据;其中,所述直播周期是用于表征主播生命状态的一段预设时间段;
计算所述当前直播周期的行为特征数据相对于上一直播周期的变化幅度;
将所述当前直播周期的行为特征数据和所述变化幅度输入至预设的直播周期模型中进行处理,获得所述主播在下一直播周期的生命状态标签。
进一步地,分别获取在当前直播周期及上一直播周期内观众观看直播时产生的行为特征数据,包括:
分别获取在当前直播周期及上一直播周期内观众观看直播时产生的原始行为数据;
对所述原始行为数据进行标准化处理,获得标准化的行为数据;
对所述标准化的行为数据进行特征变换,获得行为特征数据。
进一步地,在获得所述主播在下一直播周期的生命状态标签之后,还包括:
根据所述生命状态标签调整主播在下一直播周期的直播业务。
进一步地,所述生命状态标签包括如下的至少一种:起步期、成长期、成熟期及衰退期。
第二方面,本发明实施例还提供了一种直播周期的处理方法,包括:
采集在当前历史直播周期及上一历史直播周期内观众观看直播时产生的行为特征数据;其中,所述直播周期是用于表征主播生命状态的一段预设时间段;
计算所述当前历史直播周期的行为特征数据相对于上一历史直播周期的历史变化幅度;
确定下一历史直播周期的生命状态标签;
根据所述当前历史直播周期的行为特征数据、所述历史变化幅度及所述生命状态标签训练直播周期模型。
进一步地,采集在当前历史直播周期及上一历史直播周期内观众观看直播时产生的行为特征数据,包括:
采集在当前历史直播周期及上一历史直播周期内观众观看直播时产生的原始行为数据;
对所述原始行为数据进行标准化处理,获得标准化的行为数据;
对所述标准化的行为数据进行特征变换,获得行为特征数据。
进一步地,确定下一历史直播周期的生命状态标签,包括:
确定下一历史直播周期的每分钟同时在线人数ACU增长率及人均相对观看率占比;
根据所述ACU增长率及人均相对观看率占比确定主播在下一历史直播周期的生命状态标签。
进一步地,根据所述ACU增长率及人均相对观看率占比确定主播在下一历史直播周期的生命状态标签,包括:
采用波斯顿BCG矩阵法对所述ACU增长率及人均相对观看率占比进行分析,获得主播在下一历史直播周期的生命状态标签。
进一步地,所述生命状态标签包括如下的至少一种:起步期、成长期、成熟期及衰退期。
第三方面,本发明实施例还提供了一种直播周期的处理装置,包括:
行为特征数据获取模块,用于分别获取在当前直播周期及上一直播周期内观众观看直播时产生的行为特征数据;其中,所述直播周期是用于表征主播生命状态的一段预设时间段;
变化幅度计算模块,用于计算所述当前直播周期的行为特征数据相对于上一直播周期的变化幅度;
生命状态标签获取模块,用于将所述当前直播周期的行为特征数据和所述变化幅度输入至预设的直播周期模型中进行处理,获得所述主播在下一直播周期的生命状态标签。
第四方面,本发明实施例还提供了一种直播周期的处理装置,包括:
行为特征数据采集模块,用于采集在当前历史直播周期及上一历史直播周期内观众观看直播时产生的行为特征数据;其中,所述直播周期是用于表征主播生命状态的一段预设时间段;
历史变化幅度获取模块,用于计算所述当前历史直播周期的行为特征数据相对于上一历史直播周期的历史变化幅度;
生命状态标签确定模块,用于确定下一历史直播周期的生命状态标签;
直播周期模型训练模块,用于根据所述当前历史直播周期的行为特征数据、所述历史变化幅度及所述生命状态标签训练直播周期模型。
第五方面,本发明实施例还提供了一种电子设备,包括:
一个或多个处理器;
存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如本发明实施例所述的直播周期的处理方法。
第六方面,本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本发明实施例所述的直播周期的处理方法。
本发明实施例,首先分别获取在当前直播周期及上一直播周期内观众观看直播时产生的行为特征数据,然后计算当前直播周期的行为特征数据相对于上一直播周期的变化幅度,最后将当前直播周期的行为特征数据和变化幅度输入至预设的直播周期模型中进行处理,获得主播在下一直播周期的生命状态标签。本发明实施例提供的直播周期的处理方法,根据当前直播周期的行为特征数据以及相对于上一直播周期行为特征数据的变化幅度预测主播在下一直播周期的生命状态标签,使得直播平台根据预测的生命状态标签对主播进行资源分配,可以提高直播平台对资源分配的可靠性,从而避免直播平台资源的浪费。
附图说明
图1是本发明实施例一中的一种直播周期的处理方法的流程图;
图2是本发明实施例二中的一种直播周期的处理方法的流程图;
图3是本发明实施例二中的采用BCG矩阵法确定生命状态标签的示例图;
图4是本发明实施例三中的一种直播周期的处理装置的结构示意图;
图5是本发明实施例四中的一种直播周期的处理装置的结构示意图;
图6是本发明实施例五中的一种计算机设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1为本发明实施例一提供的一种直播周期的处理方法的流程图,本实施例可适用于对主播在下一直播周期的生命状态进行预测的情况,该方法可以由直播周期的处理装置来执行,该装置可以由软件和/或软件的方式实现,通常配置于电子设备中,典型的是设置在处理器中,例如在直播平台的服务器的处理器中。如图1所示,该方法具体包括如下步骤:
步骤110,分别获取在当前直播周期及上一直播周期内观众观看直播时产生的行为特征数据。
其中,直播周期是用于表征主播生命状态的一段预设时间段。本实施例中,可以将一个主播的生命周期划分为多个直播周期,生命周期包括生命周期的起点和生命周期的终点。对于主播而言,可以以连续一段时间(如四周)没有登录直播平台作为生命周期终止的标志。若主播是新增用户(注册账号后第一次登录),则以用户登录直播平台为生命周期的起点;若主播是回流用户(不是注册账号后第一次登录,但是,是在连续一段时间没有登录直播平台后再次登录直播平台),则以主播再次登录直播平台为生命周期的起点。可以将生命周期起点到终点之间的时间段每设定时长(如七天)划分为一个直播周期,示例性的,假设主播的一个生命周期包括42天,则可以划分为6个直播周期。
当前直播周期可以理解为当前时间所处的直播周期,上一直播周期可以理解为与当前直播周期相邻的上一个直播周期。行为特征数据可以是对观众观看直播时产生的原始行为数据进行特征变换获得数据。其中,原始行为数据可以包括主播日活跃用户数量(Daily Active User,DAU)、5分钟DAU占比、30分钟DAU占比、主播粉丝数、主播开播时长、开播天数、主播等级、弹幕参与率、人均弹幕数、送礼参与率、人均送礼数、互动参与率、主播新用户数、新用户人均观看时长、新用户5分钟占比、新用户30分钟占比、移动端DAU占比、移动端新用户占比及新用户的留存率等。
具体的,分别获取在当前直播周期及上一直播周期内观众观看直播时产生的行为特征数据的方式可以是:分别获取在当前直播周期及上一直播周期内观众观看直播时产生的原始行为数据;对原始行为数据进行标准化处理,获得标准化的行为数据;对标准化的行为数据进行特征变换,获得行为特征数据。
其中,对原始行为数据进行标准化处理的方式可以是对原始行为数据进行归一化标准处理。对标准化的行为数据进行特征变换的方式可以是采用主成分分析方法(Principal Component Analysis,PCA)对标准化的行为数据进行特征变换,以消除数据之间的相关性。
步骤120,计算当前直播周期的行为特征数据相对于上一直播周期的变化幅度。
其中,变化幅度可以理解为增长率。具体的,在获得当前直播周期和上一直播周期的行为特征数据之后,计算当前直播周期的行为特征数据相对于上一直播周期的变化幅度。示例性的,假设行为特征数据a在当前直播周期和上一直播周期的数值分别为P1和P2,则增长率的计算公式为
步骤130,将当前直播周期的行为特征数据和变化幅度输入至预设的直播周期模型中进行处理,获得主播在下一直播周期的生命状态标签。
其中,生命状态标签包括如下的至少一种:起步期、成长期、成熟期及衰退期。直播周期模型可以是基于xgboost算法、梯度提升决策树算法或者随机森林算法构建的模型。具体的,将获得的当前直播周期的行为特征数据和当前直播周期相对于上一直播周期的行为特征数据的变化幅度量化为相同维度下的数据值,将该数据值输入至已经训练好的直播周期模型中进行处理,直播周期模型会依据输入的数据值预测主播在下一直播周期的生命状态标签。如,预测的结果可以是主播在下一直播周期的生命状态标签为衰退期。
可选的,在获得主播在下一直播周期的生命状态标签之后,还包括:根据生命状态标签调整主播在下一直播周期的直播业务。
具体的,若预测的主播在下一直播周期的生命状态标签为成长期,则直播平台可以给主播提供足够的资源,使主播快速发展;若预测的主播在下一直播周期的生命状态标签为成熟期,则直播平台可以利用主播当前的好效应将用户进行平台转化;若预测的主播在下一直播周期的生命状态标签为衰退期,则直播平台可以提醒主播调整内容或方向来度过衰退期,这样可防止主播因长期处于低谷而流失。
本实施例的技术方案,首先分别获取在当前直播周期及上一直播周期内观众观看直播时产生的行为特征数据,然后计算当前直播周期的行为特征数据相对于上一直播周期的变化幅度,最后将当前直播周期的行为特征数据和变化幅度输入至预设的直播周期模型中进行处理,获得主播在下一直播周期的生命状态标签。本发明实施例提供的直播周期的处理方法,根据当前直播周期的行为特征数据以及相对于上一直播周期行为特征数据的变化幅度预测主播在下一直播周期的生命状态标签,使得直播平台根据预测的生命状态标签对主播进行资源分配,可以提高直播平台对资源分配的可靠性,从而避免直播平台资源的浪费。
实施例二
图2为本发明实施例二提供的一种直播周期的处理方法的流程图,本实施例的技术方案,可选的是适用于训练直播周期模型。该方法可以由一种直播周期的处理装置来执行,该装置可以由软件和/或软件的方式实现,通常配置于电子设备中。如图2所示,该方法具体包括:
步骤210,采集在当前历史直播周期及上一历史直播周期内观众观看直播时产生的行为特征数据。
其中,直播周期是用于表征主播生命状态的一段预设时间段。上一历史直播周期为与当前历史直播周期相邻的上一个直播周期。历史直播周期可以理解为主播已经完成直播的生命周期中的直播周期,例如可以选择历史时间段内的直播周期,如:2018年一整年的直播周期。本应用场景下,为了使得直播周期涵盖的时间段全面,可以对一年内的行为特征数据进行采集,避免寒暑假造成的数据波动。
具体的,采集在当前历史直播周期及上一历史直播周期内观众观看直播时产生的行为特征数据的方式可以是:采集在当前历史直播周期及上一历史直播周期内观众观看直播时产生的原始行为数据;对原始行为数据进行标准化处理,获得标准化的行为数据;对标准化的行为数据进行特征变换,获得行为特征数据。
其中,原始行为数据可以包括主播DAU、5分钟DAU占比、30分钟DAU占比、主播粉丝数、主播开播时长、开播天数、主播等级、弹幕参与率、人均弹幕数、送礼参与率、人均送礼数、互动参与率、主播新用户数、新用户人均观看时长、新用户5分钟占比、新用户30分钟占比、移动端DAU占比、移动端新用户占比及新用户的留存率等。对原始行为数据进行标准化处理的方式可以是对原始行为数据进行归一化标准处理。对标准化的行为数据进行特征变换的方式可以是采用PCA算法对标准化的行为数据进行特征变换,以消除数据之间的相关性。
步骤220,计算当前历史直播周期的行为特征数据相对于上一历史直播周期的历史变化幅度。
其中,变化幅度可以理解为增长率。具体的,在获得当前历史直播周期和上一历史直播周期的行为特征数据之后,计算当前历史直播周期的行为特征数据相对于上一历史直播周期的变化幅度。
步骤230,确定下一历史直播周期的生命状态标签。
其中,下一历史直播周期为与当前历史直播周期相邻的下一个直播周期。生命状态标签包括如下的至少一种:起步期、成长期、成熟期及衰退期。
具体的,确定下一历史直播周期的生命状态标签的方式可以是:确定下一历史直播周期的每分钟同时在线人数ACU增长率及人均相对观看率占比;根据ACU增长率及人均相对观看率占比确定主播在下一历史直播周期的生命状态标签。
其中,ACU的增长率=(下周ACU-本周ACU)/本周ACU。人均相对观看率=主播的用户的人均观看时长/主播的日均开播时长,人均相对观看率占比=本周人均相对观看率*N/整个生命周期内的人均相对观看率总和,其中,N为一个生命周期内包含的直播周期的数量。
本实施例中,采用波斯顿BCG矩阵法对ACU增长率及人均相对观看率占比进行分析,获得主播在下一历史直播周期的生命状态标签。图3是本实施例中采用BCG矩阵法确定生命状态标签的示例图。如图3所示,可以根据ACU增长率和人均相对观看率占比确定生命状态标签,如:假设ACU增长率大于0.1,人均相对观看率占比大于1,则主播所在直播周期的生命状态标签为高峰期。
步骤240,根据当前历史直播周期的行为特征数据、历史变化幅度及生命状态标签训练直播周期模型。
其中,直播周期模型可以是基于xgboost算法、梯度提升决策树算法或者随机森林算法构建的模型。
具体的,将当前历史直播周期的行为特征数据、历史变化幅度及生命状态标签训练直播周期模型保存为一个样本数据,获取当前历史直播周期内多个主播对应的样本数据,构成基础训练样本集,从基础训练样本集中进行多次随机采样,采样结果作为训练样本集。从训练样本集中随机抽取75%作为训练集,剩下25%作为测试集。通过训练集训练直播周期模型,当直播周期模型符合测试集的检验结果后,认为训练直播周期模型完成。
本实施例中,可以采用xgboost算法、梯度提升决策树算法及随机森林算法三种算法分别对训练样本集进行学习,三种算法在测试集的测试结果的准确率均能达到73%以上。其中,随机森林算法的覆盖率达80%,梯度提升决策树算法的准确率达88%,可以综合两种算法的预测结果,如随机森林算法预测为成长期且梯度提升决策树预测为成长期的概率都大于0.7,则认为是成长期,否则将梯度提升决策树算法中预测的概率最高的生命状态类别作为最终的结果。
本实施例的技术方案,采集在当前历史直播周期及上一历史直播周期内观众观看直播时产生的行为特征数据;计算当前历史直播周期的行为特征数据相对于上一历史直播周期的历史变化幅度;确定下一历史直播周期的生命状态标签;根据当前历史直播周期的行为特征数据、历史变化幅度及生命状态标签训练直播周期模型。对直播周期模型进行训练,可以提高直播周期模型预测生命状态标签的准确性。
实施例三
图4为本发明实施例三提供的一种直播周期的处理装置的结构示意图。如图4所示,该装置包括:行为特征数据获取模块410,变化幅度计算模块420和生命状态标签获取模块430。
行为特征数据获取模块410,用于分别获取在当前直播周期及上一直播周期内观众观看直播时产生的行为特征数据;其中,直播周期是用于表征主播生命状态的一段预设时间段;
变化幅度计算模块420,用于计算当前直播周期的行为特征数据相对于上一直播周期的变化幅度;
生命状态标签获取模块430,用于将当前直播周期的行为特征数据和变化幅度输入至预设的直播周期模型中进行处理,获得主播在下一直播周期的生命状态标签。
可选的,行为特征数据获取模块410,还用于:
分别获取在当前直播周期及上一直播周期内观众观看直播时产生的原始行为数据;
对原始行为数据进行标准化处理,获得标准化的行为数据;
对标准化的行为数据进行特征变换,获得行为特征数据。
可选的,还包括:直播业务调整模块,用于
根据生命状态标签调整主播在下一直播周期的直播业务。
可选的,生命状态标签包括如下的至少一种:起步期、成长期、成熟期及衰退期。
实施例四
图5为本发明实施例四提供的一种直播周期的处理装置的结构示意图。如图5所示,该装置包括:行为特征数据采集模块510,历史变化幅度获取模块520,生命状态标签确定模块530和直播周期模型训练模块540。
行为特征数据采集模块510,用于采集在当前历史直播周期及上一历史直播周期内观众观看直播时产生的行为特征数据;其中,直播周期是用于表征主播生命状态的一段预设时间段;
历史变化幅度获取模块520,用于计算当前历史直播周期的行为特征数据相对于上一历史直播周期的历史变化幅度;
生命状态标签确定模块530,用于确定下一历史直播周期的生命状态标签;
直播周期模型训练模块540,用于根据当前历史直播周期的行为特征数据、历史变化幅度及生命状态标签训练直播周期模型。
可选的,行为特征数据采集模块510,还用于:
采集在当前历史直播周期及上一历史直播周期内观众观看直播时产生的原始行为数据;
对原始行为数据进行标准化处理,获得标准化的行为数据;
对标准化的行为数据进行特征变换,获得行为特征数据。
可选的,生命状态标签确定模块530,还用于:
确定下一历史直播周期的每分钟同时在线人数ACU增长率及人均相对观看率占比;
根据ACU增长率及人均相对观看率占比确定主播在下一历史直播周期的生命状态标签。
可选的,生命状态标签确定模块530,还用于:
采用波斯顿BCG矩阵法对ACU增长率及人均相对观看率占比进行分析,获得主播在下一历史直播周期的生命状态标签。
可选的,生命状态标签包括如下的至少一种:起步期、成长期、成熟期及衰退期。
上述装置可执行本发明前述所有实施例所提供的方法,具备执行上述方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节,可参见本发明前述所有实施例所提供的方法。
实施例五
图6为本发明实施例五提供的一种计算机设备的结构示意图。图6示出了适于用来实现本发明实施方式的计算机设备312的框图。图6显示的计算机设备312仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。设备312是典型的直播周期的处理功能的计算设备。
如图6所示,计算机设备312以通用计算设备的形式表现。计算机设备312的组件可以包括但不限于:一个或者多个处理器316,存储装置328,连接不同系统组件(包括存储装置328和处理器316)的总线318。
总线318表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,外围总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(Industry StandardArchitecture,ISA)总线,微通道体系结构(Micro Channel Architecture,MCA)总线,增强型ISA总线、视频电子标准协会(Video ElectronicsStandards Association,VESA)局域总线以及外围组件互连(Peripheral Component Interconnect,PCI)总线。
计算机设备312典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备312访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
存储装置328可以包括易失性存储器形式的计算机系统可读介质,例如随机存取存储器(Random Access Memory,RAM)330和/或高速缓存存储器332。计算机设备312可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例,存储系统334可以用于读写不可移动的、非易失性磁介质(图6未显示,通常称为“硬盘驱动器”)。尽管图6中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如只读光盘(Compact Disc-Read Only Memory,CD-ROM)、数字视盘(Digital Video Disc-Read Only Memory,DVD-ROM)或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线318相连。存储装置328可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块326的程序336,可以存储在例如存储装置328中,这样的程序模块326包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块326通常执行本发明所描述的实施例中的功能和/或方法。
计算机设备312也可以与一个或多个外部设备314(例如键盘、指向设备、摄像头、显示器324等)通信,还可与一个或者多个使得用户能与该计算机设备312交互的设备通信,和/或与使得该计算机设备312能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口322进行。并且,计算机设备312还可以通过网络适配器320与一个或者多个网络(例如局域网(Local AreaNetwork,LAN),广域网Wide Area Network,WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器320通过总线318与计算机设备312的其它模块通信。应当明白,尽管图中未示出,可以结合计算机设备312使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、磁盘阵列(Redundant Arrays of IndependentDisks,RAID)系统、磁带驱动器以及数据备份存储系统等。
处理器316通过运行存储在存储装置328中的程序,从而执行各种功能应用以及数据处理,例如实现本发明上述实施例所提供的直播周期的处理方法。
实施例四
本发明实施例四还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本发明实施例所提供的直播周期的处理方法。
当然,本发明实施例所提供的一种计算机可读存储介质,其上存储的计算机程序不限于如上所述的方法操作,还可以执行本发明任意实施例所提供的直播周期的处理方法中的相关操作。
本发明实施例的计算机存储介质,可以采用一个或多个计算机可读的介质的任意组合。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。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(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(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。在本文件中,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。
计算机可读的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。计算机可读的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——但不限于无线、电线、光缆、RF等等,或者上述的任意合适的组合。
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发明操作的计算机程序代码,所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)。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (13)
1.一种直播周期的处理方法,其特征在于,包括:
分别获取在当前直播周期及上一直播周期内观众观看直播时产生的行为特征数据;其中,所述直播周期是用于表征主播生命状态的一段预设时间段;
计算所述当前直播周期的行为特征数据相对于上一直播周期的变化幅度;
将所述当前直播周期的行为特征数据和所述变化幅度输入至预设的直播周期模型中进行处理,获得所述主播在下一直播周期的生命状态标签。
2.根据权利要求1所述的方法,其特征在于,分别获取在当前直播周期及上一直播周期内观众观看直播时产生的行为特征数据,包括:
分别获取在当前直播周期及上一直播周期内观众观看直播时产生的原始行为数据;
对所述原始行为数据进行标准化处理,获得标准化的行为数据;
对所述标准化的行为数据进行特征变换,获得行为特征数据。
3.根据权利要求1所述的方法,其特征在于,在获得所述主播在下一直播周期的生命状态标签之后,还包括:
根据所述生命状态标签调整主播在下一直播周期的直播业务。
4.根据权利要求1-3任一所述的方法,其特征在于,所述生命状态标签包括如下的至少一种:起步期、成长期、成熟期及衰退期。
5.一种直播周期的处理方法,其特征在于,包括:
采集在当前历史直播周期及上一历史直播周期内观众观看直播时产生的行为特征数据;其中,所述直播周期是用于表征主播生命状态的一段预设时间段;
计算所述当前历史直播周期的行为特征数据相对于上一历史直播周期的历史变化幅度;
确定下一历史直播周期的生命状态标签;
根据所述当前历史直播周期的行为特征数据、所述历史变化幅度及所述生命状态标签训练直播周期模型。
6.根据权利要求5所述的方法,其特征在于,采集在当前历史直播周期及上一历史直播周期内观众观看直播时产生的行为特征数据,包括:
采集在当前历史直播周期及上一历史直播周期内观众观看直播时产生的原始行为数据;
对所述原始行为数据进行标准化处理,获得标准化的行为数据;
对所述标准化的行为数据进行特征变换,获得行为特征数据。
7.根据权利要求5所述的方法,其特征在于,确定下一历史直播周期的生命状态标签,包括:
确定下一历史直播周期的每分钟同时在线人数ACU增长率及人均相对观看率占比;
根据所述ACU增长率及人均相对观看率占比确定主播在下一历史直播周期的生命状态标签。
8.根据权利要求7所述的方法,其特征在于,根据所述ACU增长率及人均相对观看率占比确定主播在下一历史直播周期的生命状态标签,包括:
采用波斯顿BCG矩阵法对所述ACU增长率及人均相对观看率占比进行分析,获得主播在下一历史直播周期的生命状态标签。
9.根据权利要求5-8任一所述的方法,其特征在于,所述生命状态标签包括如下的至少一种:起步期、成长期、成熟期及衰退期。
10.一种直播周期的处理装置,其特征在于,包括:
行为特征数据获取模块,用于分别获取在当前直播周期及上一直播周期内观众观看直播时产生的行为特征数据;其中,所述直播周期是用于表征主播生命状态的一段预设时间段;
变化幅度计算模块,用于计算所述当前直播周期的行为特征数据相对于上一直播周期的变化幅度;
生命状态标签获取模块,用于将所述当前直播周期的行为特征数据和所述变化幅度输入至预设的直播周期模型中进行处理,获得所述主播在下一直播周期的生命状态标签。
11.一种直播周期的处理装置,其特征在于,包括:
行为特征数据采集模块,用于采集在当前历史直播周期及上一历史直播周期内观众观看直播时产生的行为特征数据;其中,所述直播周期是用于表征主播生命状态的一段预设时间段;
历史变化幅度获取模块,用于计算所述当前历史直播周期的行为特征数据相对于上一历史直播周期的历史变化幅度;
生命状态标签确定模块,用于确定下一历史直播周期的生命状态标签;
直播周期模型训练模块,用于根据所述当前历史直播周期的行为特征数据、所述历史变化幅度及所述生命状态标签训练直播周期模型。
12.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-9任一所述的直播周期的处理方法。
13.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-9任一所述的直播周期的处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910854924.0A CN110569910A (zh) | 2019-09-10 | 2019-09-10 | 直播周期的处理方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910854924.0A CN110569910A (zh) | 2019-09-10 | 2019-09-10 | 直播周期的处理方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110569910A true CN110569910A (zh) | 2019-12-13 |
Family
ID=68779072
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910854924.0A Pending CN110569910A (zh) | 2019-09-10 | 2019-09-10 | 直播周期的处理方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110569910A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112040254A (zh) * | 2020-08-13 | 2020-12-04 | 广州虎牙信息科技有限公司 | 一种风险控制方法、装置、存储介质、计算机设备 |
CN112163614A (zh) * | 2020-09-24 | 2021-01-01 | 广州虎牙信息科技有限公司 | 一种主播分类方法、装置、电子设备及存储介质 |
CN113422978A (zh) * | 2021-07-14 | 2021-09-21 | 北京达佳互联信息技术有限公司 | 休眠预警模型的训练方法和装置及休眠预警方法和装置 |
CN114567788A (zh) * | 2020-11-27 | 2022-05-31 | 武汉斗鱼鱼乐网络科技有限公司 | 一种曝光位置分配方法、装置、电子设备和存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107979768A (zh) * | 2016-10-19 | 2018-05-01 | 国家新闻出版广电总局广播科学研究院 | 电视节目热度的预测方法和装置 |
CN108777801A (zh) * | 2018-05-30 | 2018-11-09 | 广州虎牙信息科技有限公司 | 优质主播用户挖掘方法、装置及计算机存储介质、服务器 |
CN109327710A (zh) * | 2018-12-10 | 2019-02-12 | 网宿科技股份有限公司 | 一种直播系统的视频流的冷热情况确定的方法及装置 |
CN109361932A (zh) * | 2018-11-23 | 2019-02-19 | 武汉斗鱼网络科技有限公司 | 直播热度预测的方法,装置,设备及介质 |
CN109729376A (zh) * | 2019-01-02 | 2019-05-07 | 广州虎牙信息科技有限公司 | 一种生命周期的处理方法、装置、设备和存储介质 |
-
2019
- 2019-09-10 CN CN201910854924.0A patent/CN110569910A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107979768A (zh) * | 2016-10-19 | 2018-05-01 | 国家新闻出版广电总局广播科学研究院 | 电视节目热度的预测方法和装置 |
CN108777801A (zh) * | 2018-05-30 | 2018-11-09 | 广州虎牙信息科技有限公司 | 优质主播用户挖掘方法、装置及计算机存储介质、服务器 |
CN109361932A (zh) * | 2018-11-23 | 2019-02-19 | 武汉斗鱼网络科技有限公司 | 直播热度预测的方法,装置,设备及介质 |
CN109327710A (zh) * | 2018-12-10 | 2019-02-12 | 网宿科技股份有限公司 | 一种直播系统的视频流的冷热情况确定的方法及装置 |
CN109729376A (zh) * | 2019-01-02 | 2019-05-07 | 广州虎牙信息科技有限公司 | 一种生命周期的处理方法、装置、设备和存储介质 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112040254A (zh) * | 2020-08-13 | 2020-12-04 | 广州虎牙信息科技有限公司 | 一种风险控制方法、装置、存储介质、计算机设备 |
CN112040254B (zh) * | 2020-08-13 | 2023-03-28 | 广州虎牙信息科技有限公司 | 一种风险控制方法、装置、存储介质、计算机设备 |
CN112163614A (zh) * | 2020-09-24 | 2021-01-01 | 广州虎牙信息科技有限公司 | 一种主播分类方法、装置、电子设备及存储介质 |
CN114567788A (zh) * | 2020-11-27 | 2022-05-31 | 武汉斗鱼鱼乐网络科技有限公司 | 一种曝光位置分配方法、装置、电子设备和存储介质 |
CN113422978A (zh) * | 2021-07-14 | 2021-09-21 | 北京达佳互联信息技术有限公司 | 休眠预警模型的训练方法和装置及休眠预警方法和装置 |
CN113422978B (zh) * | 2021-07-14 | 2022-08-26 | 北京达佳互联信息技术有限公司 | 休眠预警模型的训练方法和装置及休眠预警方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110569910A (zh) | 直播周期的处理方法、装置、设备及存储介质 | |
CN109104620B (zh) | 一种短视频推荐方法、装置和可读介质 | |
CN110351572B (zh) | 直播间信息的更新方法、装置、设备及存储介质 | |
CN109976997B (zh) | 测试方法和装置 | |
CN109168048B (zh) | 主播等级的确定方法、装置、设备及存储介质 | |
CN109461023B (zh) | 流失用户挽回方法及装置、电子设备、存储介质 | |
CN109714636B (zh) | 一种用户识别方法、装置、设备及介质 | |
CN113505537A (zh) | 楼宇能耗检测方法、装置、计算机设备和存储介质 | |
CN111181757B (zh) | 信息安全风险预测方法、装置以及计算设备、存储介质 | |
CN112163614A (zh) | 一种主播分类方法、装置、电子设备及存储介质 | |
CN111723180A (zh) | 一种面试方法和装置 | |
CN113015010B (zh) | 推送参数确定方法、装置、设备及计算机可读存储介质 | |
CN114064834A (zh) | 目标地点确定方法及装置、存储介质和电子设备 | |
CN111582649B (zh) | 基于用户app独热编码的风险评估方法、装置和电子设备 | |
CN110782128B (zh) | 一种用户职业标签生成方法、装置和电子设备 | |
CN111179055B (zh) | 授信额度调整方法、装置和电子设备 | |
CN115801980A (zh) | 视频生成方法和装置 | |
CN113094602B (zh) | 酒店推荐方法、系统、设备及介质 | |
CN114677622A (zh) | 视频帧选取方法、装置、电子设备及计算机可读存储介质 | |
CN114090601A (zh) | 一种数据筛选方法、装置、设备以及存储介质 | |
CN113590955A (zh) | 目标推荐用户确定方法、装置、电子设备以及存储介质 | |
CN116050578A (zh) | 活跃用户数预测的方法、装置、电子设备及存储介质 | |
CN113282471B (zh) | 设备性能测试方法、装置、终端设备 | |
CN117851055A (zh) | 一种任务调度方法、装置、设备及其存储介质 | |
CN113934845A (zh) | 报表分析方法、装置、设备及介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191213 |