CN110574387A - 使用机器学习推荐直播流内容 - Google Patents
使用机器学习推荐直播流内容 Download PDFInfo
- Publication number
- CN110574387A CN110574387A CN201880027502.XA CN201880027502A CN110574387A CN 110574387 A CN110574387 A CN 110574387A CN 201880027502 A CN201880027502 A CN 201880027502A CN 110574387 A CN110574387 A CN 110574387A
- Authority
- CN
- China
- Prior art keywords
- user
- live streaming
- streaming media
- training
- media items
- 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
Links
Classifications
-
- 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
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/01—Social networking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
-
- 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
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L51/00—User-to-user messaging in packet-switching networks, transmitted according to store-and-forward or real-time protocols, e.g. e-mail
- H04L51/07—User-to-user messaging in packet-switching networks, transmitted according to store-and-forward or real-time protocols, e.g. e-mail characterised by the inclusion of specific contents
- H04L51/10—Multimedia information
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L51/00—User-to-user messaging in packet-switching networks, transmitted according to store-and-forward or real-time protocols, e.g. e-mail
- H04L51/52—User-to-user messaging in packet-switching networks, transmitted according to store-and-forward or real-time protocols, e.g. e-mail for supporting social networking services
-
- 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]
- H04N21/40—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
- H04N21/4661—Deriving a combined profile for a plurality of end-users of the same client, e.g. for family members within a home
-
- 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
-
- 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
- H04N21/4668—Learning process for intelligent management, e.g. learning user preferences for recommending movies for recommending content, e.g. movies
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
- G06F3/048—Interaction techniques based on graphical user interfaces [GUI]
- G06F3/0481—Interaction techniques based on graphical user interfaces [GUI] based on specific properties of the displayed interaction object or a metaphor-based environment, e.g. interaction with desktop elements like windows or icons, or assisted by a cursor's changing behaviour or appearance
- G06F3/0482—Interaction with lists of selectable items, e.g. menus
Abstract
公开了一种用于训练机器学习模型以向内容共享平台的用户推荐直播流媒体项的系统和方法。在一种实施方式中,通过生成第一训练输入生成用于机器学习模型的训练数据,所述第一训练输入包括由第一用户群体的用户所消费的一个或多个之前所呈现的直播流媒体项。训练数据还包括生成第二训练输入,所述第二训练输入包括当前正在被第二用户群体的用户所消费的一个或多个当前所呈现的直播流媒体项。训练数据进一步包括生成第一目标输出,所述第一目标输出识别直播流媒体项以及用户要消费该直播流媒体项的置信度水平。该方法包括提供该训练数据以训练该机器学习模型。
Description
技术领域
本公开的方面和实施方式涉及内容共享平台,尤其涉及生成直播流媒体项的推荐。
背景技术
经由互联网连接的社交网络允许用户互相连接并共享信息。许多社交网络包括内容共享方面,其允许用户上传、观看并共享内容,诸如视频项、图像项、音频项等。社交网络的其它用户可以对所共享的内容进行评论,发现新的内容,定位更新,共享内容,以及以其它方式与所提供的内容交互。所共享的内容可以包括来自专业内容创作方的内容,例如电影片段、电视片段和音乐视频项,以及来自业余内容创作方的内容,例如视频博客发布和原创短视频项。
发明内容
以下的发明内容是本公开的简化发明内容以便提供对本公开的一些方面的基本理解。该发明内容并非是本公开的扩展性概述。其并非意在标示出本公开的关键或必要要素,也并非对本公开的任何特定实施方式的范围或者权利要求的任何范围加以界定。其目的仅在于以简化方式给出本公开的一些概念而作为随后所提供的更为详细的描述的前序。
在一种实施方式中,该方法包括生成用于机器学习模型的训练数据。生成用于机器学习模型的训练数据包括生成第一训练输入,其包括一个或多个之前所呈现的媒体项,例如由第一多个用户群体的用户在内容共享平台上所消费的之前所呈现的直播流媒体项。生成用于机器学习模型的训练数据还包括生成第二训练输入,其包括当前呈现的媒体项,例如当前正在由第二多个用户群体的用户在内容共享平台上所消费的当前所呈现的直播流媒体项。该方法包括针对该第一训练输入和第二训练输入生成第一目标输入。该第一目标输入识别例如直播流媒体项的媒体项以及用户要消费该媒体项的置信度水平。该方法还包括提供该训练数据以在(i)包括该第一训练输入和第二训练输入的训练输入集以及(ii)包括该第一目标输出的目标输出集上训练该机器学习模型。一旦该机器学习模型已经被训练,其随后就可以在直播流媒体项的传输期间被用来对直播流媒体项进行分类(也就是说,不必等待直播流媒体项的传输完成)。
在另一种实施方式中,生成用于机器学习模型的训练数据还包括生成第三训练输入,其包括与在内容共享平台上消费一个或多个之前所呈现的直播流媒体项的第一多个用户群体的用户所进行的用户访问相关联的第一场境信息。生成用于机器学习模型的训练数据还包括生成第四训练输入,其包括生成与在内容共享平台上正在消费当前所呈现的直播流媒体项的第二多个用户群体的用户所进行的用户访问相关联的第二场境信息。该方法包括提供该训练数据以在(i)包括该第一、第二、第三和第四训练输入的训练输入集以及(ii)包括该第一目标输出的目标输出集上训练该机器学习模型。
在一种实施方式中,生成用于机器学习模型的训练数据还包括生成第五训练输入,其包括与在内容共享平台上消费一个或多个之前所呈现的直播流媒体项的第一多个用户群体的用户相关联的第一用户信息。在一种实施方式中,生成用于机器学习模型的训练数据还包括生成第六训练输入,其包括与在内容共享平台上正在消费当前所呈现的直播流媒体项的第二多个用户群体的用户相关联的第二用户信息。该方法还包括提供该训练数据以在(i)包括该第一、第二、第五和第六训练输入的训练输入集以及(ii)包括该第一目标输出的目标输出集上训练该机器学习模型。
在一种实施方式中,该训练输入集中的每个训练输入与用来训练该机器学习模型的训练输入中的目标输出集中的相应目标输出相关联(例如,与之映射)。
在一种实施方式中,该第一训练输入包括该第一多个用户群体中的第一用户群体,其消费该一个或多个之前所呈现的直播流媒体项中的第一之前所呈现的直播流媒体项,其中该第一之前所呈现的直播流媒体项被直播流传输至该第一用户群体。
在一种实施方式中,该第一训练输入包括该第一多个用户群体中的第二用户群体,其消费该一个或多个之前所呈现的直播流媒体项中的第二之前所呈现的直播流媒体项,其中该第二之前所呈现的直播流媒体项在被直播流传输之后呈现给该第二用户群体。
在一种实施方式中,该第一训练输入包括该第一多个用户群体中的第三用户群体,其消费该一个或多个之前所呈现的直播流媒体项中的不同的之前所呈现的直播流媒体项,其中该不同的之前所呈现的直播流媒体项被直播流传输至该第三用户群体并且随后以直播流媒体项的相似类别被分类。
在一种实施方式中,该方法还接收由用户对内容共享平台所进行的用户访问的指示。该方法由该机器学习模型生成测试输出,其识别测试直播流媒体项以及用户要消费该测试直播流媒体项的置信度水平。该方法进一步向用户提供该测试直播流媒体项的推荐。该方法在考虑到该推荐的情况下,接收用户对该测试直播流媒体项的消费的指示。响应于用户对该测试直播流媒体项的消费的指示,该方法基于该消费的指示调节该机器学习模型。
在一些实施例中,该机器学习模型被配置为处理新用户对该内容共享平台的新用户访问并且生成一个或多个输出,其指示(i)当前直播流媒体项,以及(ii)该新用户要消费当前直播流媒体项的置信度水平。
在不同实施方式中,公开了一种用于推荐媒体项的方法,所述媒体项例如直播流媒体项。该方法包括接收用户对内容共享平台所进行的用户访问的指示。响应于该用户访问,该方法向经训练的机器学习模型提供包括与对内容共享平台的用户访问相关联的场境的第一输入,包括与对内容共享平台的用户访问相关联的用户信息的第二输入,以及包括与该用户访问同时提供(例如,与该用户访问同时直播流传输的直播流媒体项)并且正在被第一多个用户群体的用户在内容共享平台上所消费的媒体项。该方法还从该经训练的机器学习模型获得一个或多个输出,其识别(i)例如可以是直播流媒体项的多个媒体项,以及(ii)用户要消费多个媒体项中的相应媒体项的置信度水平。
在另一种实施方式中,该方法在考虑到用户要消费多个媒体项中的相应媒体项的置信度水平的情况下向内容共享平台的用户提供对多个直播流媒体项中的一个或多个的推荐。
在一种实施方式中,在向内容共享平台的用户提供对多个直播流媒体项中的一个或多个的推荐时,该方法确定与该多个直播流媒体项中的每一个相关联的置信度水平是否超过阈值水平。响应于确定与该多个直播流媒体项中的一个或多个相关联的置信度水平超过阈值水平,该方法向用户提供对该多个直播流媒体项中的一个或多个的每一个的推荐。
在一种实施方式中,该经训练的机器学习模型已经使用第一训练输入进行了训练,所述第一训练输入包括由第二多个用户群体的用户在内容共享平台上所消费的一个或多个之前所呈现的直播流媒体项。
在一种实施方式中,该第一训练输入包括第二多个用户群体的第一用户群体,其消费被直播流传输至该第一用户群体的用户的第一之前所呈现的直播流媒体项。
在一种实施方式中,该第一训练输入包括第二多个用户群体的第二用户群体,其消费在被直播流传输之后呈现给该第二用户群体的用户的第二之前所呈现的直播流媒体项。
在一种实施方式中,该第一训练输入包括消费不同的之前所呈现的直播流媒体项的第二多个用户群体的第三用户群体,所述不同的之前所呈现的直播流媒体项被直播流传输至该第三用户群体的用户并且随后以直播流媒体项的相似类别被分类。
在一种实施方式中,该直播流媒体项是直播流视频项。
在另外的实施方式中,公开了用于执行上述实施方式的操作的一种或多种处理设备。在另外的实施方式中,公开了一种系统,该系统包括存储器;和耦合至该存储器的处理设备,其用于执行包括根据任意一种上述实施方式的方法的操作。在另外的实施方式中,公开了一种系统,该系统包括存储器;和耦合至该存储器的处理设备;和存储指令的计算机可读存储介质,该指令在被执行时使得该处理器实行包括根据任意一种上述实施方式的方法的操作。此外,在本公开的实施方式中,一种计算机可读存储媒体(其可以是非瞬态计算机可读存储媒体,但是该实施方式并不局限于此)存储用于执行所描述实施方式的操作的指令。在其它实施方式中,还公开了用于执行所描述实施方式的操作的系统。
附图说明
本公开的方面和实施方式将通过以下给出的详细描述以及本公开的各个方面和实施方式的附图而更为全面地被理解,然而其并不应当被认为将本公开限制为具体实施例,而仅是为了解释和理解。
图1图示了依据本公开的一种实施方式的示例系统架构。
图2是依据本公开的一种实施方式的示例训练集生成器,其用来为推荐直播流媒体项的机器学习模型创建训练数据。
图3描绘了依据本公开一种实施方式的用于训练机器学习模型以推荐直播流视频项的方法的一个示例的流程图。
图4描绘了依据本公开一种实施方式的用于使用经训练的机器学习模型推荐直播流视频项的方法的一个示例的流程图。
图5是图示依据本公开一种实施方式的示例性计算机系统500的框图。
具体实施方式
大量的内容项能够在线访问,并且可用内容项的数量在持续增加。为了帮助搜索并获取到内容项,已知根据内容项的内容对内容项进行分类或索引。例如,经常被归档的媒体项(诸如预先录制的电影)在先前被录制并存储,这提供了充分的时间来分析所归档的媒体项的内容。例如,所归档的媒体项可以由人类分类员或者机器辅助的分类器所分类从而生成描述所归档的媒体项的内容的元数据,并且该元数据可以被用来确定是否响应于搜索查询而返回该项。然而,对于“直播流”媒体项而言通常并非如此。诸如视频项(也称作“视频”)的媒体项可以被视频所有者(例如,视频创建方或者被授权代表视频创建方上传视频项的视频发行方)上传至内容共享平台以便作为事件的直播流传输,供该内容共享平台的用户经由他们的用户设备来消费。直播流媒体项可以是指直播事件的直播广播或传输,其中随着该事件发生而至少部分同时传送媒体项,并且其中媒体项无法被整体获取直到该事件已经结束之后。直播流媒体项是直播事件的广播,并且给出了不完整的信息(例如,尚未接收到直播流的完整数据)和/或执行鲁棒的内容分析并对项目进行分类的不充分的时间(或其它方式)。与经分类的归档媒体项相比,关于直播流媒体项的内容可以获知的信息很少或没有。这种难以对直播流项进行分类意味着直播流项在搜索并获取内容项——诸如识别相关直播流项——时带来了挑战,例如在直播流项被不正确或不完整地分类(或者甚至根本没有分类)的情况下,这可能意味着虽然直播流项的内容可能与搜索查询高度相关,但是其并未响应于该搜索查询而被定位。而且,直播流项的不正确、不完整或缺失的分类会意味着搜索和获取项目的过程导致网络资源的无效使用,这使得难以提供充分的计算资源来识别相关的直播流媒体项。
本公开的方面通过使用包括之前所呈现的直播流媒体项和当前所呈现的直播流媒体项的训练数据来训练机器学习模型而解决了上文提到的以及其它的挑战。之前所呈现的直播流媒体项是第一多个用户群体中的用户在内容共享平台上在过去所消费的直播流媒体项。当前所呈现的直播流媒体项是第二多个用户群体中的用户在内容共享平台上当前正在消费的直播流媒体项。用户群体可以是用户——诸如内容共享平台的用户——基于一种或多种属性或特征的分组,所述属性或特征诸如用户所消费的之前呈现的直播流媒体项或者用户正在消费的当前呈现的直播流媒体项。在实施方式中,经训练的机器学习模型可以用于向访问内容共享平台的具体用户推荐一个或多个直播流媒体项。
训练机器学习模型以及使用经训练的机器学习模型对直播流媒体项进行分类提供了对直播流媒体项的更加有效分类,例如使得能够在直播媒体仍然被传送的同时对直播媒体项进行更加准确的分类。这使得可能更加准确地搜索并获取直播流项和/或更加准确地推荐直播流媒体项,这进而减少了获取/提供媒体项的过程所需的计算(处理)资源——与获取/推荐关于其内容所能够获得的信息很少或没有的媒体项相比,获取/推荐已经使用经训练的机器学习模型分类的直播流媒体项是更加资源有效的。此外,本公开的方面例如通过确保响应于搜索查询返回的项目实际上与该查询相关而改善了搜索和获取系统或者内容共享平台的整体用户满意度。
可以注意到,直播流媒体项用于说明而非限制的目的。在其它实施方式中,本公开的方面可以应用于其它媒体项,诸如关于媒体项的内容所知晓的信息很少或没有的任何媒体项。例如,本公开的方面可以被应用于尚未被分类的新的媒体项,或者其中难以对内容分类的任何媒体项,诸如虚拟现实媒体项、增强现实媒体项或三维媒体项。
如上文提到的,直播流媒体项可以是直播事件的直播广播或传输。可以进一步注意的是,除非以其它方式提及,否则“直播流媒体项”或“当前所呈现的直播流媒体项”是指正在被直播流传输的媒体项(例如,随着该直播事件发生同时传送媒体项)。在直播流媒体项的直播流完成之后,完整的直播流媒体项可以被获得并存储,并且可以在本文被称作“之前呈现的直播流媒体项”或“归档的直播流媒体项”。
图1图示了依据本公开的一种实施方式的示例系统架构100。系统架构100(在本文也被称作“系统”)包括连接至网络104的内容共享平台120、一个或多个服务器机器130至150、数据存储106以及客户端设备110A-110Z。
在实施方式中,网络104可以包括公共网络(例如,互联网)、私人网络(例如,局域网(LAN)或广域网(WAN))、有线网络(例如,以太网)、无线网络(例如,802.11网络或WiFi网络)、蜂窝网络(例如,长期演进(LTE)网络)、路由器、集线器、交换机、服务器计算机和/或它们的组合。
在实施方式中,数据存储106是能够存储内容项(诸如媒体项)的持久性存储以及用于标记、组织和索引内容项的数据结构。数据存储106可以由一个或多个存储设备(诸如主存储器、基于磁性或光学存储的盘、磁带或硬盘、NAS、SAN等等)托管。在一些实施方式中,数据存储106可以是网络附接的文件服务器,而在其它实施例中,数据存储106可以是一些其它类型的持久性存储,诸如面向对象数据库、关系数据库等,其可以由内容共享平台120或者经由网络104耦合至服务器内容共享平台120的一个或多个不同的机器托管。
客户端设备110A-110Z均可以包括计算设备,诸如个人计算机(PC)、膝上计算机、移动电话、智能电话、平板计算机、上网本计算机、联网电视等。在一些实施方式中,客户端设备110A至110Z也可以被称作“用户设备”。在实施方式中,每个客户端设备包括媒体观看器111。在一种实施方式中,媒体观看器111可以是允许用户观看或上传诸如图像、视频项、网页、文档等的内容的应用。例如,媒体观看器111可以是能够访问、获取、呈现和/或导航web服务器所供应的内容(例如,诸如超文本标记语言(HTML)页面的网页、数字媒体项等)的web浏览器。媒体观看器111可以向用户渲染、显示和/或呈现内容(例如,网页、媒体观看器)。媒体观看器111还可以包括嵌入在网页(例如,提供有关在线商家所销售的产品的信息的网页)之中的嵌入式媒体播放器(例如,播放器或HTML5播放器)。在另一个示例中,媒体观看器111可以是允许用户观看数字媒体项(例如,数字视频项、数字图像、电子书等)的独立应用(例如,移动应用或app)。根据本公开的方面,媒体观看器111可以是供用户记录、编辑和/或上传内容以便在内容共享平台上共享的内容共享平台应用。由此,媒体观看器111可以由服务器机器150或内容共享平台120提供给客户端设备110A-110Z。例如,媒体观看器111可以是嵌入在内容共享平台120所提供的网页之中的嵌入式媒体播放器。在另一个示例中,媒体观看器111可以是从服务器机器150下载的应用。
在一种实施方式中,内容共享平台120或服务器机器130-150可以是可被用来给用户提供对媒体项的访问和/或向用户提供媒体项的一种或多种计算设备(诸如机架服务器、路由器计算机、服务器计算机、个人计算机、大型计算机、膝上计算机、平板计算机、台式计算机等)、数据存储(例如,硬盘、存储器、数据库)、网络、软件组件和/或硬件组件。例如,内容共享平台120可以允许用户消费、上传、搜索、和赞同(例如,“喜欢”)、不赞同(例如,“不喜欢”)媒体项和/或对该媒体项的评论。内容共享平台120还可以包括可以被用来给用户提供对媒体项的访问的网站(例如,网页)或应用后端软件。
在本公开的实施方式中,“用户”可以被表示为单个个人。然而,本公开的其它实施方式涵盖了作为由用户集合和/或自动化源所控制的实体的“用户”。例如,在社交网络中联合为团体的个体用户的集合可以被认为是一个“用户”。在另一个示例中,自动化消费者可以是内容共享平台120的自动化吸取管道,诸如主题频道。
内容共享平台120包括多个频道(例如,频道A至Z)。频道可以是可从共同来源获得的数据内容或者具有共同主题、题目或实质的数据内容。数据内容可以是由用户所选择的数字内容、由用户使其可用的数字内容、用户所上传的数字内容、内容提供方所选择的内容、广播方所选择的数字内容等等。例如,频道X可以包括视频Y和Z。频道能够与所有者相关联,所述所有者是能够在该频道上执行动作的用户。不同活动能够基于所有者的动作而与频道相关联,诸如所有者使得数字内容在频道上可用,所有者选择(例如,喜欢)与另一个频道相关联的数字内容,所有者对与另一个频道相关联的数字内容进行评论,等等。与频道相关联的活动能够被收集到针对该频道的活动馈送之中。频道所有者以外的用户能够订阅他们感兴趣的一个或多个频道。“订阅”的概念也可以被称作“喜欢”、“关注”、“成为好友”等。
一旦用户订阅了一个频道,用户就能够被呈现来自该频道的活动馈送的信息。如果用户订阅了多个频道,则用户所订阅的每个频道的活动馈送能够被组合为联合(syndicated)活动馈送。来自联合活动馈送的信息能够被呈现给用户。频道可以具有其自己的馈送。例如,当导航至内容共享平台上的频道的主页时,该频道所产生的馈送项可以在频道主页上被示出。用户可以具有联合馈送,这是包括来自该用户所订阅的所有频道的内容项的至少一个子集的馈送。联合馈送还可以包括来自用户并未订阅的频道的内容项。例如,内容共享平台120或其它社交网络可以向用户的联合馈送中插入推荐内容项,或者可以在联合馈送中插入与用户的相关连接相关联的内容项。
每个频道可以包括一个或多个媒体项121。媒体项121的示例可以包括但并不局限于数字视频、数字电影、数字照片、数字音乐、网站内容、社交媒体更新、电子书(ebook)、电子杂志、数字报纸、数字音频书、电子期刊、web博客、简易信息聚合(RSS)馈送、电子连环画、软件应用等。在一些实施方式中,媒体项121也可以被称作内容或内容项。
媒体项121可以经由互联网和/或经由移动设备应用进行消费。出于清楚和简明的原因,贯穿本文使用视频项作为媒体项121的示例。如本文所使用的,“媒体”、“媒体项”、“在线媒体项”、“数字媒体”、“数字媒体项”、“内容”和“内容项”可以包括能够使用被配置为向实体呈现数字媒体项的软件、固件或硬件来执行或加载的电子文件。在一种实施方式中,内容共享平台120可以使用数据存储106来存储媒体项121。在另一种实施方式中,内容共享平台120可以使用数据存储106将视频项或指纹存储为一种或多种格式的电子文件。
在一种实施方式中,媒体项121是视频项。视频项是表示运动中的场景的连续视频帧(例如,图像帧)的集合。例如,一系列连续视频帧可以被持续捕捉并且随后被重构以产生动画。视频项可以以各种格式表示,包括但并不局限于模拟、数字、二维和三维视频。进一步,视频项可以包括电影、视频片段或者要顺序显示的任意动画图像集合。另外,视频项可以被存储为包括视频分量和音频分量的视频文件。视频分量可以是指视频编码格式或图像编码格式(例如,H.264(MPEG-A AVC)、H.264MPEG-4Part2、图形互换格式(GIF)、WebP等)的视频数据。音频分量可以是指音频编码格式(例如,先进音频编码(AAC)、MP3等)的音频数据。可以注意到,GIF可以被保存为图像文件(例如,.gif文件)或者作为一系列图像而被保存为动画GIF(例如,GIF89a格式)。可以注意的是,作为示例,H.264可以是一种作为面向块的基于运动补偿的视频压缩标准的视频编码格式,用于视频内容的录制、压缩或分布。
在实施方式中,内容共享平台120允许用户创建、共享、观看或使用包含媒体项的播放列表(例如,包含媒体项121的播放列表A-Z)。播放列表是指被配置为在没有任何用户交互的情况下以特定顺序逐个播放的媒体项集合。在实施方式中,内容共享平台120可以代表用户维护播放列表。在实施方式中,内容共享平台120的播放列表特征允许用户将他们喜欢的媒体项在单个位置分组在一起以便播放。在实施方式中,内容共享平台120可以将播放列表上的媒体项发送至客户端设备110以便播放或显示。例如,媒体观看器110可以被用来以媒体项在播放列表上列出的顺序播放该播放列表上的媒体项。在另一个示例中,用户可以在播放列表上的媒体项之间进行变换。在又另一个示例中,用户可以等待播放列表上的下一个媒体项播放或者可以选择播放列表中的特定媒体项来播放。
在一些实施方式中,内容共享平台120可以向用户或用户群组做出对媒体项的推荐,诸如推荐122。推荐可以是给用户提供对可以吸引用户的媒体项的个性化建议的指示符(例如,界面组件、电子消息、推荐馈送等)。例如,推荐可以作为媒体项的缩略图被呈现。响应于用户所进行的交互(例如,点击),可以呈现该媒体项的更大版本以便播放。在实施方式中,推荐可以使用来自各种来源的数据被做出,各种来源包括用户喜欢的媒体项、最近添加的播放列表媒体项、最近收看的媒体项、媒体项评价、来自cookie的信息、用户历史以及其它来源。在一种实施方式中,如本文将进一步描述的,推荐可以是基于经训练的机器学习模型160的输出。可以注意的是,推荐可以是针对媒体项121、频道、播放列表,诸如此类。在一种实施方式中,推荐122可以是针对在内容共享平台120上当前直播流传输的一个或多个直播流媒体项的推荐。
服务器机器130包括训练集生成器131,其能够生成训练数据(例如,训练输入集合和目标输出集合)以训练机器学习模型。下文关于图2至图3详细描述训练集生成器131的一些操作。
服务器机器140包括训练引擎141,其能够使用来自训练集生成器131的训练数据来训练机器学习模型160。机器学习模型160可以是指由训练引擎141使用包括训练输入和对应的目标输出(用于对应的训练输入的正确应答)的训练数据所创建的模型工件。训练引擎141可以在训练数据中找出将训练输入映射至训练输出(所要预测的应答)的模式,并且提供捕捉这些模式的机器学习模型160。机器学习模型160例如可以由单层级的线性或非线性运算组成(例如,支撑矢量机[SVM]或者可以是深度网络,即由多层级的非线性运算组成的机器学习模型)。深度网络的示例是具有一个或多个隐藏层的神经网络,并且这样的机器学习模型例如可以通过依据反向传播学习算法等调节神经网络的权重而被训练。为了方便,本公开的其余部分将该实施方式称作神经网络,即使一些实施方式可能替代神经网络或者除其之外采用SVM或其它类型的机器学习。在一个方面,训练集从服务器机器130获得。
服务器机器150包括直播流推荐引擎151,其将数据(例如,与用户对内容共享平台120的访问相关联的场境信息,与用户访问相关联的用户信息,或者与用户访问同时被直播流传输并且当前被一个或多个用户群体的用户所消费的直播流媒体项)作为输入提供至经训练的机器学习模型160,并且对该输入运行经训练的机器学习模型160以获得一个或多个输出。如下文关于图4详细描述的,在一种实施方式中,直播流推荐引擎151还能够识别当前或即将从经训练的机器学习模型160的输出直播流传输的一个或多个直播流媒体项并且从该输出提取指示用户要消费相应直播流媒体项的置信度水平的置信度数据,并且使用该置信度数据来提供当前正被直播流传输的直播流媒体项的推荐。
应当注意的是,在一些实施方式中,服务器机器130、140和150或者内容共享平台120的功能可以由较少数量的机器来提供。例如,在一些实施方式中,服务器机器130和140可以被整合为单个机器,而在一些其它实施方式中,服务器机器130、140和150可以被整合为单个机器。此外,在一些实施方式中,服务器机器130、140和150中的一个或多个可以被整合到内容共享平台120中。
总体上,在适当情况下,在一种实施方式中被描述为由内容共享平台120、服务器机器130、服务器机器140或服务器机器150所实行的功能在其它实施方式中可以在客户端设备110A至110Z上实行。此外,归属于特定组件的功能可以由不同组件或一起操作的多个组件来实行。内容共享平台120、服务器机器130、服务器机器140或服务器机器150也可以作为通过适当应用编程接口向其它系统或设备提供的服务而被访问,并且因此并不局限于在网站中使用。
虽然关于内容共享平台以及促成在内容共享平台上进行内容项的社交网络共享而对本公开的实施方式进行了讨论,但是实施方式也可以被一般地应用于在用户之间提供连接的任意类型的社交网络。本公开的实施方式并不局限于为用户提供频道订阅的内容共享平台。
在这里所讨论的系统收集有关用户的个人信息或者可以对个人信息加以利用的情况下,用户可以被提供以控制内容共享平台120是否收集用户信息(例如,有关用户的社交网络、社交动作或活动、职业、用户的偏好或用户的当前位置的信息)或者对是否和/或如何从内容服务器接收可能与用户更为相关的内容进行控制的机会。此外,某些数据可以在其被存储或使用之前以一种或多种方式被加以对待,而使得个人可识别信息得以被去除。例如,用户的身份可以被处理而使得无法针对用户确定个人可识别信息,或者可以在获得位置信息的情况下对用户的地理位置进行一般化处理(诸如处理为城市、ZIP码或州的级别)而使得无法确定用户的特定位置。因此,用户可以对内容共享平台120如何收集和使用有关该用户的信息加以控制。
图2是依据本公开实施方式的示例训练集生成器,其用来为推荐直播流媒体项的机器学习模型创建训练数据。系统200示出了训练集生成器131、训练输入230和目标输出240。系统200可以包括与如关于图1所描述的系统100相似的组件。关于图1的系统100所描述的组件可以用来帮助描述图2的系统200。
在实施方式中,训练集生成器131生成包括一个或多个训练输入230、一个或多个目标输出240的训练数据。该训练数据还可以包括将训练输入230映射至目标输出240的映射数据。训练输入230也可以被称作“特征”或“属性”。在实施方式中,训练集生成器131可以在训练集中提供训练数据,并且将训练集提供至其中该训练集用于训练机器学习模型160的训练引擎141。生成训练集可以进一步关于图3来描绘。
在一种实施方式中,训练输入230可以包括一个或多个之前呈现的直播流媒体项230A、当前所呈现的直播流媒体项230B、场境信息230C或用户信息230D。在一种实施方式中,之前所呈现的直播流媒体项230A可以是被内容共享平台120的一个或多个用户群体的用户所消费的归档的直播流媒体项。
在一种实施方式中,之前所呈现的直播流媒体项230A可以包括被映射至(或者关联于)用户群组(被称作“用户群体”)的之前所呈现直播流媒体项,所述用户群组在直播流媒体项被直播流传输至该用户群体的用户的同时消费(例如,共同观看)了(相同的)之前所呈现的直播流媒体项。可以注意到,之前呈现的直播流媒体项230A可以包括多个之前所呈现的直播流媒体项,其中每个之前所呈现的直播流媒体项被映射至共同观看该之前所呈现的直播流媒体项的相应用户群体。可以注意到,在媒体项被直播流传输的同时观看了一个或多个相同直播流媒体项的用户(与并未收看任何相同直播流媒体项的用户相比)将更紧密地集群在一起。
在实施方式中,可以考虑一个或多个特征将用户集群在一起,诸如对相同的之前所呈现的直播流媒体项的消费。可以注意到,在一些实施方式中,用户的群体可以在被用作训练输入230之前(或者如下文所描述的,在被用作针对经训练的机器学习模型160的输入之前)被集群。例如,映射至用户群体的(之前所呈现的)直播流媒体项可以是训练输入230,其中该群体在被用作训练输入230之前被确定。上述训练输入230可以是单个训练输入,并且例如被称作映射至用户群体的之前所呈现的直播流媒体项或者被称作消费之前所呈现的直播流媒体项的用户群体(等等)。还可以注意到,上述训练输入230可以包括特定直播流媒体项以及识别或指定特定用户群体的用户的附加信息。可以注意到,在其中直播流媒体项被映射至用户群体的实施方式中,训练集生成器131可以进一步生成新的用户群体或者修正现有用户群体。在其它实施方式中,(例如,之前所呈现的)直播流媒体项和消费该(之前所呈现的)直播流媒体项的用户可以是分立的训练输入230,其中训练集生成器131(例如,基于用户群体的用户的场境信息230C或用户信息230D)确定用户群体。可以注意到,上述内容可以应用于本文所描述的其它用户群体以及映射至其它用户群体的直播流媒体项。
在一些实施方式中,机器学习技术可以被用来确定被用作训练输入230(或者输入到经训练的机器学习模型160)的用户群体。例如,可以使用K均值集群或其它集群算法。
可以注意的是,如下文将要描述的,可以使用附加特征来区分消费之前所呈现的直播流媒体项230的用户群体。
在另一种实施方式中,之前所呈现的直播流媒体项230A包括映射至(或关联于)用户群体的之前所呈现的直播流媒体项,其中该用户群体在直播流媒体项被直播流传输之后消费了(相同的)之前所呈现直播流媒体项(例如,消费了归档的直播流媒体项)。可以注意的是,之前所呈现的直播流媒体项230A可以包括多个之前所呈现的直播流媒体项,其中每个之前所呈现的直播流媒体项被映射至共同观看了相应的归档的直播流媒体项的相应的用户群体。可以注意的是,收看了归档的直播流媒体项的用户和在媒体项被直播流传输的同时收看了相同直播流媒体项的不同用户将更紧密地被集群在一起。
在又另一种实施方式中,之前所呈现的直播流媒体项230A包括映射至(或关联于)用户群体的不同的之前所呈现的直播流媒体项,其中用户群体在该不同的之前所呈现的直播流媒体项的直播流传输期间消费了该不同的之前所呈现的直播流媒体项中的一个或多个,并且该不同的之前所呈现的直播流媒体项随后被分类在相似或相同的直播流媒体项类别之中。例如,第一用户组消费了直播流A,并且第二用户组消费了直播流B。直播流A和直播流B随后被归档并归类(例如,人类分类或机器辅助分类,诸如内容分析)。直播流A和B都被归类为足球比赛。消费直播流A的用户和消费直播流B的不同用户可以被包括在相同的用户群体中。上述的之前所呈现的直播流媒体项230A和相应的用户群体意在是说明性而不是限制性的,因为可以使用本文所给出要素的其它组合或者其它的之前所呈现的直播流媒体项230A和相关联的用户群体。
还可以注意的是,可以对之前所呈现的直播流媒体项230A(例如,所接收的完整信息)执行内容分析,并且可以获得描述之前所呈现的直播流媒体项230A的元数据。在一种实施方式中,该元数据可以包括描述之前所呈现的直播流媒体项230A的内容的描述符或类别。该描述符和类别可以使用人类分类或机器辅助分类被生成,并且与相应的之前所呈现的直播流媒体项230A相关联。在一些实施方式中,之前所呈现的直播流媒体项230A的元数据可以被用作附加训练输入230。
在一种实施方式中,训练输入230可以包括当前所呈现的直播流媒体项230B。在一种实施方式中,当前所呈现的直播流媒体项230B可以包括映射至(或关联于)用户群体的当前所呈现的直播流媒体项,其中该用户群体的用户当前在该直播流媒体项在内容共享平台120上被直播流传输至该用户群体的用户的同时正在消费(例如,共同观看)该(相同的)直播流媒体项。可以注意的是,当前所呈现的直播流媒体项230B可以包括多个当前所呈现的直播流媒体项,其中每个当前所呈现的直播流媒体项被映射至共同观看相应的当前所呈现的直播流媒体项的相应用户群体。在一些实施方式中,当前所呈现的直播流媒体项具有很少或没有描述它们的内容的元数据。
在实施方式中,训练输入230可以包括场境信息230C。场境信息可以是指有关用户为了消费特定媒体项而对内容共享平台120所进行的用户访问的环境或场境的信息。例如,用户可以使用浏览器或本地应用来访问内容共享平台120。用户访问的场境记录可以被记录并存储,并且包括诸如用户访问的每日时间、向进行该访问的用户设备指定的互联网协议(IP)地址(其可以被用来确定设备或用户的位置)、用户设备的类型,或者描述该用户访问的其它场境信息。在实施方式中,场境信息230C可以包括一些或全部用户群体的用户为了消费之前所呈现的直播流媒体项230A或当前所呈现的直播流媒体项230B而对内容共享平台120所进行的用户访问的场境信息。
在实施方式中,训练输入230可以包括用户信息230D。用户信息可以是指有关或描述访问内容共享平台120的用户的信息。例如,用户信息230D可以包括用户的年龄、性别、用户历史(例如,之前所收看的媒体项)或亲和度。亲和度可以是指用户对媒体项的特定类别(例如,新闻、视频游戏、大学篮球等)的兴趣。可以向每个类别指定以亲和度分值(例如,从低至高为数值0-1)以量化用户对特定类别的兴趣。例如,用户对于大学篮球可能具有亲和度分值0.5并且对于食品游戏具有亲和度分值0.9。例如,用户可以登录(例如,账户名称和密码)到内容共享平台120,并且用户信息230D可以与用户账户相关联。在另一个示例中,cookie可以与用户、用户设备或用户应用相关联,并且用户信息230D可以从cookie确定。在实施方式中,用户信息230D可以包括消费之前所呈现的直播流媒体项230A或当前所呈现的直播流媒体项230B的一些或全部用户群体的一些或全部用户的用户信息。
在实施方式中,目标输出230可以包括一个或多个直播流媒体项240A。在一种实施方式中,直播流媒体项240A可以包括当前所呈现的直播流媒体项。在一种实施方式中,直播流媒体项240A可以包括相关联的置信度数据240B。置信度数据240B可以包括或指示用户要消费直播流媒体项240A的置信度水平。在一个示例中,置信度水平是包含0和1之间的实数,其中0指示没有用户将消费直播流媒体项240A的置信度,而1则指示用户将会消费直播流媒体项240A的绝对置信度。
在一些实施方式中,在生成训练集并且使用该训练集训练机器学习模型160之后,机器学习模型160可以使用(例如,使用经训练或部分训练的机器学习模型160推荐的)所推荐直播流媒体项以及用户与所推荐直播流媒体项的交互进一步被训练(例如,针对训练集的附加数据)或调节(例如,调节与机器学习模型160的输入数据相关联的权重,诸如神经网络中的连接权重)。例如,在生成训练集并且使用该训练集训练机器学习模型160之后,机器学习模型160可以被用来向内容共享平台120的用户做出对直播流媒体项的推荐。在做出该推荐后,系统100可以接收到用户消费所推荐直播流媒体项的指示。例如,系统100可以接收到用户消费了所推荐直播流媒体项(例如,收看该直播流媒体项达阈值时间量)的指示或者用户并未消费所推荐直播流媒体项(例如,并未选择所推荐直播流媒体项)的指示。有关所推荐直播流媒体项的信息可以被用作附加训练输入230或附加目标输出240以进一步训练或调节机器学习模型160。例如,用户访问的场境信息和与所推荐直播流媒体项相关联的用户的用户信息可以被用作附加训练输入230,并且所推荐直播流媒体项可以被用作目标输出240。在再其它的示例中,用户消费的指示可以被用来生成或调节所推荐直播流媒体项的置信度数据,并且该置信度数据可以被用于附加目标输出240。
在一种实施方式中,为了使用所推荐直播流媒体项进一步训练或调节机器学习模型160,系统100可以接收用户对内容共享平台120所进行的用户访问的指示。系统100使用(经训练或部分训练的)机器学习模型160来生成识别测试直播流媒体项的测试输出以及用户将消费该测试直播流媒体项的置信度水平。系统100基于该置信度水平(例如,如果该置信度水平超过阈值)将测试直播流媒体项的推荐提供给用户。系统100接收用户在考虑该推荐的情况下消费该测试直播流媒体项的指示。系统100响应于用户消费该测试直播流媒体项的指示而基于该消费的指示调节机器学习模型。
图3描绘了依据本公开的实施方式的用于训练机器学习模型的方法300的一个示例的流程图。该方法由可以包括硬件(电路、专用逻辑等)、软件(例如,在处理设备上运行的指令)或者它们的组合的处理逻辑来执行。在一种实施方式中,方法300的一些或全部操作可以由图1的系统100的一个或多个组件来执行。在其它实施方式中,方法300的一些或全部操作可以由如关于图1至图2所描述的服务器机器130的训练集生成器131来执行。可以注意的是,关于图1至图2所描述的组件可以被用来说明图3的方面。
方法300以生成用于机器学习模型的训练数据作为开始。在一些实施方式中,在框301,实施方法300的处理逻辑将训练集T初始化为空集。在框302,处理逻辑生成第一训练输入,其包括由第一多个用户群体的用户在内容共享平台上所消费的一个或多个之前所呈现的直播流媒体项230A(如关于图2所描述的)。在框303,处理逻辑生成第二训练输入,其包括由第一多个用户群体的用户在内容共享平台上当前正在消费的当前所呈现的直播流媒体项230B。在框304,处理逻辑生成第三训练输入,其包括与在内容共享平台120上消费一个或多个之前所呈现的直播流媒体项230A的第一多个用户群体的用户所进行的用户访问相关联的第一场境信息。在框305,处理逻辑生成第四训练输入,其包括与在内容共享平台120上消费当前所呈现的直播流媒体项的第二多个用户群体的用户所进行的用户访问相关联的第二场境信息。在框306,处理逻辑生成第五训练输入,其包括与在内容共享平台120上消费一个或多个之前所呈现的直播流媒体项230A的第一多个用户群体的用户相关联的第一用户信息。在框307,处理逻辑生成第六训练输入,其包括与在内容共享平台120上消费当前所呈现的直播流媒体项230B的第二多个用户群体的用户相关联的第二用户信息。
在框308,处理逻辑针对训练输入(例如,训练输入一至六)中的一个或多个生成第一目标输出。该第一目标输出识别(例如,当前所呈现的)直播流媒体项和用户要消费该直播流媒体项的置信度水平。在框309,处理逻辑生成指示输入/输出映射的映射数据。该输入/输出映射(或映射数据)可以是指训练输入(例如,本文所描述的一个或多个训练输入)、针对训练输入的目标输出(例如,其中目标输出识别直播流媒体项以及用户将消费该直播流媒体项的置信度水平),并且其中该(多个)训练输入关联于(或映射至)该训练输出。在框310,处理逻辑将在框309生成的映射数据添加至训练集T。
在框311,处理逻辑基于训练集T是否足以用于训练机器学习模型160而分支。如果是,则执行进行至框312,否则执行继续回到框302。应当注意的是,在一些实施方式中,训练集T的充分性可以简单地基于训练集中的输入/输出映射的数量来确定,而在一些其它实施方式中,除了输入/输出映射的数量之外或者作为其替代,训练集T的充分性可以基于一种或多种其它标准(例如,训练示例的多样性的量度、准确性,等等)来确定。
在框312,处理逻辑将训练集T提供至机器学习模型160。在一种实施方式中,训练集T被提供至服务器机器140的训练引擎141以执行训练。例如,在神经网络的情况下,给定输入/输出映射的输入值(例如,与训练输入230相关联的数字值)被输入至该神经网络,并且输入/输出映射的输出值(例如,与目标输出240相关联的数字值)被存储在该神经网络的输出节点中。该神经网络中的连接权重随后依据学习算法(例如,反向传播等)被调节,并且该过程针对训练集T中的其它输入/输出映射重复进行。在框312之后,机器学习模型160可以使用服务器机器140的训练引擎131而被训练。经训练的机器学习模型160可以由(服务器机器150或内容共享平台120的)直播流推荐引擎151所实施以确定直播流媒体项以及每个直播流媒体项的置信度数据,并且向用户做出对直播流媒体项的推荐。
图4描绘了依据本公开的实施方式的用于使用经训练的机器学习模型推荐直播流视频项的方法400的一个示例的流程图。该方法由可以包括硬件(电路、专用逻辑等)、软件(例如,在处理设备上运行的指令)或者它们的组合的处理逻辑来执行。在一种实施方式中,方法400的一些或全部操作可以由图1的系统100的一个或多个组件来执行。在其它实施方式中,方法400的一些或全部操作可以由实施经训练的模型的服务器机器150或内容共享平台120的直播流推荐引擎151来执行,所述经训练的模型诸如如关于图1至图3所描述的经训练的机器学习模型160。可以注意的是,关于图1至图2所描述的组件可以被用来说明图4的方面。
在一些实施方式中,经训练的机器学习模型160可以被用来推荐正在内容共享平台120上直播流传输的当前所呈现的直播流媒体项。在一些实施方式中,响应于用户访问(例如,访问用户)内容共享平台120,多个输入可以被提供至经训练的机器学习模型160。例如,输入可以包括(在用户访问的时间)映射至当前正在消费当前所呈现的直播流媒体项的用户或用户群体的当前所呈现的直播流媒体项。该输入还可以包括与访问内容共享平台120的用户相关的信息,诸如用户信息230D,或者诸如有关用户访问的场境信息230C的场境数据。经训练的机器学习模型160可以在多维空间(例如,其中每个维度基于训练输入230的特征)中对访问用户进行图形或映射表示。该多维空间可以基于被用作训练输入230的群体或者映射数据所确定的其它群体而映射群体中的其它用户。该访问用户可以在多维空间中的一个或多个用户群体中被映射。经训练的机器学习模型160可以识别接近于(例如,某个阈值距离)访问用户的其它用户或用户群体(例如,接近用户或用户群体),检查接近用户或用户群体正在访问的当前所呈现的直播流媒体项,并且输出接近用户或用户群体正在消费的一个或多个当前所呈现的直播流媒体项。在一些实施方式中,接近用户或用户群体与访问用户的距离越接近,访问用户将会访问与相应接近用户或用户群体相关联的当前所呈现的直播流媒体项的置信度水平就越高。
方法400在框401开始,其中实施方法400的处理逻辑接收用户对内容共享平台120所进行的用户访问的指示。在框402,响应于该用户访问,处理逻辑向经训练的机器学习模型160提供具有第一输入、第二输入和第三输入的输入数据。第一输入包括与对内容共享平台120的用户访问相关联的场境信息(例如,场境信息230C)。例如,该场境信息可以包括用户访问的每日时间以及访问内容共享平台120的设备的类型。第二输入包括与对内容共享平台120的用户访问相关联的用户信息(例如,用户信息230D)。例如,该用户信息可以包括用户的性别和年龄。第三输入包括与用户访问同时被直播流传输并且当前正被第一多个用户群体的用户在内容共享平台120上所消费的直播流媒体项。例如,第三输入可以包括正在内容共享平台120上被直播流传输并且被映射至或关联于消费当前所呈现的直播流媒体项的用户群体的当前所呈现的直播流媒体项。在实施方式中,该输入(例如,第一至第三输入)可以在单一操作或多个操作中被提供至经训练的机器学习模型160。
在框403,处理逻辑从经训练的机器学习模型160并且基于该输入数据获得一个或多个输出,所述输出识别(i)多个直播流媒体项和(ii)用户要消费该多个直播流媒体项中的相应直播流媒体项的置信度水平。例如,经训练的机器学习模型160可以输出当前在内容共享平台120上被直播流传输的直播流媒体项以及指示正在访问内容共享平台120的用户将会消费该当前所呈现的直播流媒体项的置信度水平的置信度数据。
在框404,处理逻辑可以考虑到用户要消费多个直播流媒体项中的相应直播流媒体项的置信度水平而向内容共享平台120的用户提供对多个直播流媒体项中的一个或多个的推荐。在一种实施方式中,处理逻辑可以确定经训练的机器学习模型160所确定的多个直播流媒体项中的哪一个具有超过或满足阈值水平的置信度水平。处理逻辑可以选择具有超过或满足阈值水平的置信度水平的直播流媒体项(直播流媒体项的群组)中一些(例如,前三个)或全部,并且提供对该直播流媒体项的群组中的每个直播流媒体项的推荐。
图5是图示依据本公开的实施方式的示例性计算机系统500的框图。计算机系统500执行使得机器实施本文所讨论的任意一种或多种方法的一个或多个指令集。指令集、指令等可以是指在被计算机系统500执行时使得计算机系统500执行训练集生成器131或直播流推荐引擎151的一种或多种操作的指令。该机器可以以客户端-服务器网络环境中的服务器或客户端机器的能力进行操作,或者作为端对端(或分布式)网络环境中的端点计算机进行操作。该机器可以是个人计算机(PC)、平板PC、机顶盒(STB)、个人数字助理(PDA)、移动电话、web电器、服务器、网络路由器、交换机或桥,或者能够(顺序或以其它方式)执行规定要由该机器所采取的动作的指令集的任意机器。另外,虽然仅图示了单个机器,但是术语“机器”还应当被理解为包括独立或联合执行指令集以实施本文所讨论的任意一种或多种方法的机器的任意集合。
计算机系统500包括经由总线508互相进行通信的处理器502、主存储器504(例如,只读存储器(ROM)、闪存、动态随机访问存储器(DRAM),诸如同步DRAM(SDRAM)或RambusDRAM(RDRAM)等)、静态存储器506(例如,闪存、静态随机访问存储器(SRAM)等)和数据存储设备516。
处理器502表示一个或多个通用处理设备,诸如微处理器、中央处理单元等。更具体地,处理器502可以是复杂指令集计算(CICS)微处理器、精简指令集计算(RISC)微处理器、超长指令字(VLIW)微处理器或者实施其它指令集的处理器或者实施指令集的组合的处理器。处理器502也可以是一个或多个专用处理设备,诸如应用特定集成电路(ASIC)、现场可编程门阵列(FPGA)、数字信号处理器(DSP)、网络处理器等。处理器502被配置为执行系统架构100和训练集生成器131或者直播流推荐引擎151的指令以便执行本文所讨论的操作和步骤。
计算机系统500可以进一步包括网络接口设备522,其通过诸如局域网(LAN)、企业内部网、外部网络或互联网之类的网络518提供与其它机器的通信。计算机系统500还可以包括显示设备510(例如,液晶显示器(LCD)或阴极射线管(CRT))、字母数字输入设备512(例如,键盘)、光标控制设备514(例如,鼠标),以及信号生成设备520(例如,扬声器)。
数据存储设备516可以包括体现本文所描述的任意一种或多种方法或功能的系统架构100和训练集生成器131或者直播流推荐引擎151的指令集存储于其上的计算机可读存储介质524。系统架构100和训练集生成器131或者直播流推荐引擎151的指令集在其被计算机系统500执行期间也可以完全或至少部分地驻留在主存储器504和/或处理设备502内,主存储器504和处理设备502也构成计算机可读存储媒体。该指令集可以进一步经由网络接口设备522而在网络518上传送和接收。
虽然计算机可读存储介质524在该示例性实施方式中被示为单个介质,但是术语“计算机可读存储介质”应当被理解为包括存储一个或多个指令集的单个介质或多个介质(例如,集中或分布式数据库,和/或相关联的高速缓存和服务器)。术语“计算机可读存储介质”能够包括能够存储、编码或承载指令集以便由机器所执行并且使得该机器执行本公开的一种或多种方法的任意介质。术语“计算机可读存储介质”因此应当被理解为包括但并不局限于固态存储器、光学介质和磁性介质。
在以上描述中给出了多种细节。然而,对于已经从本公开获益的本领域技术人员而言将会显而易见的是,本公开可以在没有这些具体细节的情况下进行实践。在一些实例中,公知结构和设备以框图形式被示出而并非被详细示出以避免对本公开造成混淆。
详细描述的一些部分已经以对计算机存储器内的数据比特所进行的运算的算法和符号表示形式所给出。这些算法描述和表示形式是数据处理领域的技术人员向本领域其它技术人员有效传递其工作实质的手段。算法在本文且一般被理解为是导致所期望结果的自洽序列。步骤是需要对物理量进行物理操控的那些步骤。通常,虽然并非必然如此,但是这些量采用能够被存储、传输、合并、比较以及以其它方式进行操控的电或磁性信号的形式。已经多次证明,原则上出于普遍使用的原因,将这些信号称作比特、数值、要素、符号、字符、项、数字等是便利的。
然而应当牢记的是,所有这些和类似术语要与适当物理量相关联并且仅是应用于这些量的便利符号。除非以其它方式由于以下讨论而是显而易见的,所要意识到的是,贯穿该描述利用诸如“提供”、“接收”、“调节”、“生成”、“获得”、“确定”等的术语所进行的讨论是指计算机系统或类似电子计算设备的动作和处理,其对在计算机系统的寄存器和存储器内表示为物理(例如,电子)量的数据进行操控并将其转换为在计算机系统的存储器或寄存器或者其它这样的信息存储、传输或显示设备内以类似方式表示为物理量的其它数据。
本公开的实施例还涉及一种用于执行本文的操作的装置。该装置可以针对所要求的用途被特殊构造,或者其可以包括被计算机中所存储的计算机程序有选择地激活或重新配置的通用计算机。这样的计算机程序可以存储在非瞬态的计算机可读存储介质中,其诸如单并不局限于任意类型的盘,包括软盘、光盘、紧凑盘只读存储器(CD-ROM)、磁性光盘、只读存储器(ROM)、随机访问存储器(RAM)、可擦除可编程只读存储器(EPROM)、电可擦除可编程只读存储器(EEPROM)、磁性或光学卡,或者适于存储电子指令的任意类型的介质。
词语“示例”或“示例性”在本文被用来表示用作示例、实例或说明。本文被描述为“示例”或“示例性”的任意方面或设计并非必然被理解为相对于其它方面或设计是优选或有利的。相反,使用词语“示例”或“示例性”是为了以具体方式给出概念。如本申请中所使用的,术语“或”意在表示包含“或”而非排除“或”。也就是说,除非另外指出或者从上下文所明确,否则“X包括A或B”意在表示任意的自然包含置换形式。也就是说,如果X包括A;X包括B;或者X包括A和B二者,则“X包括A或B”就在任意上述实例下得到满足。此外,除非另外指出或者从上下文所明确为指示单数形式,否则本申请和所附权利要求中使用的冠词“一个”(“a”和“an”)一般应当被理解为表示“一个或多个”。此外,术语“实施例”或“一个实施例”或“实施方式”或“一种实施方式”的使用始终都并非意在表示相同的实施例或实施方式,除非被如此表述。此外,如本文所使用的术语“第一”、“第二”、“第三”、“第四”等意在作为在不同要素之间加以区分的标签,而并非必然具有根据它们的数字指示行驶的顺序含义。
为了便于解释,本文的方法被描绘并描述为一系列动作或操作。然而,依据本公开的动作可以以各种顺序来进行和/或同时进行,并且具有本文并未给出并描述的其它动作。另外,要实施依据所公开主题的方法并非需要所有被图示的动作。此外,本领域技术人员将会理解并意识到,该方法可替换地可以经由状态图或事件而被表示为一系列中间状态。另外,应当意识到的是,该说明书中所公开的方法能够存储在制造品上以促成将这样的方法输送或传输至计算设备。如本文所使用的,术语制造品意在包含能够从任意计算机可读设备或存储介质上访问的计算机程序。
所要理解的是,以上描述意在是说明性而非限制性的。通过阅读并理解以上描述,其它实施方式对于本领域技术人员将是显而易见的。本公开的范围因此参考所附权利要求连同这样的权利要求拥有其权利的等同形式的全部范围而被加以确定。
Claims (20)
1.一种用于训练机器学习模型的方法,所述方法包括:
生成用于所述机器学习模型的训练数据,其中生成所述训练数据包括:
生成第一训练输入,所述第一训练输入包括由第一多个用户群体的用户在内容共享平台上消费的一个或多个之前所呈现的直播流媒体项;
生成第二训练输入,所述第二训练输入包括当前正在由第二多个用户群体的用户在所述内容共享平台上消费的一个或多个当前所呈现的直播流媒体项;并且
针对所述第一训练输入和所述第二训练输入生成第一目标输入,其中,所述第一目标输出识别直播流媒体项以及所述用户要消费所述直播流媒体项的置信度水平;以及
提供所述训练数据以在(i)包括所述第一训练输入和所述第二训练输入的训练输入集以及(ii)包括所述第一目标输出的目标输出集上训练所述机器学习模型。
2.根据权利要求1所述的方法,其中,生成所述训练数据进一步包括:
生成第三训练输入,所述第三训练输入包括与在所述内容共享平台上消费所述一个或多个之前所呈现的直播流媒体项的所述第一多个用户群体的用户所进行的用户访问相关联的第一场境信息;并且
生成第四训练输入,所述第四训练输入包括与在所述内容共享平台上正在消费所述一个或多个当前所呈现的直播流媒体项的所述第二多个用户群体的用户所进行的用户访问相关联的第二场境信息;以及
其中,所述训练输入集包括所述第一训练输入、所述第二训练输入、所述第三训练输入和所述第四训练输入。
3.根据权利要求1所述的方法,其中,生成所述训练数据进一步包括:
生成第五训练输入,所述第五训练输入包括与在所述内容共享平台上消费所述一个或多个之前所呈现的直播流媒体项的所述第一多个用户群体的用户相关联的第一用户信息;并且
生成第六训练输入,所述第六训练输入包括与在所述内容共享平台上正在消费所述一个或多个当前所呈现的直播流媒体项的所述第二多个用户群体的用户相关联的第二用户信息;以及
其中,所述训练输入集包括所述第一训练输入、所述第二训练输入、所述第五训练输入和所述第六训练输入。
4.根据权利要求1、2或3所述的方法,其中,所述训练输入集中的每个训练输入与所述目标输出集中的相应目标输出相关联。
5.根据权利要求1、2、3或4所述的方法,其中,所述第一训练输入识别消费所述一个或多个之前所呈现的直播流媒体项中的第一之前所呈现的直播流媒体项的所述第一多个用户群体中的第一用户群体,其中,所述第一之前所呈现的直播流媒体项被直播流传输至所述第一用户群体。
6.根据任一项前述权利要求所述的方法,其中,所述第一训练输入识别消费所述一个或多个之前所呈现的直播流媒体项中的第二之前所呈现的直播流媒体项的所述第一多个用户群体中的第二用户群体,其中,所述第二之前所呈现的直播流媒体项在被直播流传输之后呈现给所述第二用户群体。
7.根据任一项前述权利要求所述的方法,其中,所述第一训练输入识别消费所述一个或多个之前所呈现的直播流媒体项中的多个不同的之前所呈现的直播流媒体项的所述第一多个用户群体中的第三用户群体,其中,所述不同的之前所呈现的直播流媒体项被直播流传输至所述第三用户群体并且随后以直播流媒体项的相似类别被分类。
8.根据任一项前述权利要求所述的方法,进一步包括:
接收由用户对所述内容共享平台所进行的用户访问的指示;
由所述机器学习模型生成测试输出,所述测试输出识别测试直播流媒体项以及所述用户要消费所述测试直播流媒体项的置信度水平;
向所述用户提供对所述测试直播流媒体项的推荐;
接收所述用户在考虑到所述推荐的情况下对所述测试直播流媒体项的消费的指示;以及
响应于所述用户对所述测试直播流媒体项的消费的指示,基于所述消费的指示来调节所述机器学习模型。
9.根据任一项前述权利要求所述的方法,其中,所述机器学习模型被配置为处理新用户对所述内容共享平台的新用户访问并且生成一个或多个输出,所述一个或多个输出指示(i)当前直播流媒体项以及(ii)所述新用户要消费所述当前直播流媒体项的置信度水平。
10.一种方法,包括:
接收用户对内容共享平台所进行的用户访问的指示;
响应于接收到所述用户访问的指示,
向经训练的机器学习模型提供包括与对所述内容共享平台的所述用户访问相关联的场境信息的第一输入、包括与所述用户访问相关联的用户信息的第二输入以及包括与所述用户访问同时被直播流传输并且当前正在由第一多个用户群体的用户在所述内容共享平台上所消费的直播流媒体项的第三输入;以及
从所述经训练的机器学习模型获得一个或多个输出,所述一个或多个输出识别(i)多个直播流媒体项以及(ii)所述用户要消费所述多个直播流媒体项中的相应直播流媒体项的置信度水平。
11.根据权利要求10所述的方法,进一步包括:
在考虑到所述用户要消费所述多个直播流媒体项中的相应直播流媒体项的置信度水平的情况下向所述内容共享平台的所述用户提供对多个直播流媒体项中的一个或多个的推荐。
12.根据权利要求11所述的方法,其中,向所述内容共享平台的所述用户提供对所述多个直播流媒体项中的一个或多个的推荐包括:
确定与所述多个直播流媒体项中的每一个相关联的置信度水平是否超过阈值水平;以及
响应于确定与所述多个直播流媒体项中的一个或多个相关联的置信度水平超过所述阈值水平,向所述用户提供对所述多个直播流媒体项中的所述一个或多个中的每一个的推荐。
13.根据权利要求10、11或12所述的方法,其中,所述经训练的机器学习模型已经使用第一训练输入进行了训练,所述第一训练输入包括由第二多个用户群体的用户在所述内容共享平台上所消费的一个或多个之前所呈现的直播流媒体项。
14.根据权利要求13所述的方法,其中,所述第一训练输入识别所述第二多个用户群体的第一用户群体,所述第一用户群体消费被直播流传输至所述第一用户群体的用户的第一之前所呈现的直播流媒体项。
15.根据权利要求13或14所述的方法,其中,所述第一训练输入识别所述第二多个用户群体的第二用户群体,所述第二用户群体消费在被直播流传输之后呈现给所述第二用户群体的用户的第二之前所呈现的直播流媒体项。
16.根据权利要求13所述的方法,其中,所述第一训练输入识别消费不同的之前所呈现的直播流媒体项的所述第二多个用户群体的第三用户群体,所述不同的之前所呈现直播流媒体项被直播流传输至所述第三用户群体的用户并且随后以直播流媒体项的相似类别被分类。
17.一种系统,包括:
存储器;和
耦合至所述存储器的处理设备,其用于:
接收用户对内容共享平台所进行的用户访问的指示;
响应于接收到所述用户访问的指示,
向经训练的机器学习模型提供包括与对所述内容共享平台的所述用户访问相关联的场境信息的第一输入、包括与对所述内容共享平台的所述用户访问相关联的用户信息的第二输入以及包括与所述用户访问同时被直播流传输并且当前正在由第一多个用户群体的用户在所述内容共享平台上消费的直播流媒体项的第三输入;以及
从所述经训练的机器学习模型获得一个或多个输出,所述一个或多个输出识别多个直播流媒体项以及所述用户要消费所述多个直播流媒体项中的相应直播流媒体项的置信度水平。
18.根据权利要求17所述的系统,所述处理设备进一步用于:
在考虑到所述用户要消费所述多个直播流媒体项中的相应直播流媒体项的置信度水平的情况下向所述内容共享平台的所述用户提供对所述多个直播流媒体项中的一个或多个的推荐。
19.一种系统,包括:
存储器;和
耦合至所述存储器的处理设备,其用于:
生成用于机器学习模型的训练数据,其中为了生成所述训练数据,所述处理设备用于:
生成第一训练输入,所述第一训练输入包括由第一多个用户群体的用户在内容共享平台上消费的一个或多个之前所呈现的直播流媒体项;
生成第二训练输入,所述第二训练输入包括当前正在由第二多个用户群体的用户在所述内容共享平台上消费的一个或多个当前所呈现的直播流媒体项;以及
针对所述第一训练输入和所述第二训练输入生成第一目标输入,其中,所述第一目标输出识别直播流媒体项以及用户要消费所述直播流媒体项的置信度水平;以及
提供所述训练数据以在(i)包括所述第一训练输入和所述第二训练输入的训练输入集以及(ii)包括所述第一目标输出的目标输出集上训练所述机器学习模型。
20.根据权利要求19所述的系统,其中,为了生成所述训练数据,所述处理设备进一步用于:
生成第三训练输入,所述第三训练输入包括与在所述内容共享平台上消费所述一个或多个之前所呈现的直播流媒体项的所述第一多个用户群体的用户所进行的用户访问相关联的第一场境信息;并且
生成第四训练输入,所述第四训练输入包括与在所述内容共享平台上正在消费所述一个或多个当前所呈现的直播流媒体项的所述第二多个用户群体的用户所进行的用户访问相关联的第二场境信息;以及
其中,所述训练输入集包括所述第一训练输入、所述第二训练输入、所述第三训练输入和所述第四训练输入。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210420764.0A CN114896492A (zh) | 2017-05-22 | 2018-02-22 | 使用机器学习推荐直播流内容 |
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US15/601,081 US20180336645A1 (en) | 2017-05-22 | 2017-05-22 | Using machine learning to recommend live-stream content |
US15/601,081 | 2017-05-22 | ||
PCT/US2018/019247 WO2018217255A1 (en) | 2017-05-22 | 2018-02-22 | Using machine learning to recommend live-stream content |
Related Child Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210420764.0A Division CN114896492A (zh) | 2017-05-22 | 2018-02-22 | 使用机器学习推荐直播流内容 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110574387A true CN110574387A (zh) | 2019-12-13 |
CN110574387B CN110574387B (zh) | 2022-05-10 |
Family
ID=61617108
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210420764.0A Pending CN114896492A (zh) | 2017-05-22 | 2018-02-22 | 使用机器学习推荐直播流内容 |
CN201880027502.XA Active CN110574387B (zh) | 2017-05-22 | 2018-02-22 | 使用机器学习推荐直播流内容 |
Family Applications Before (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210420764.0A Pending CN114896492A (zh) | 2017-05-22 | 2018-02-22 | 使用机器学习推荐直播流内容 |
Country Status (6)
Country | Link |
---|---|
US (1) | US20180336645A1 (zh) |
EP (1) | EP3603092A1 (zh) |
JP (2) | JP6855595B2 (zh) |
KR (2) | KR102405115B1 (zh) |
CN (2) | CN114896492A (zh) |
WO (1) | WO2018217255A1 (zh) |
Families Citing this family (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10945014B2 (en) * | 2016-07-19 | 2021-03-09 | Tarun Sunder Raj | Method and system for contextually aware media augmentation |
US11416129B2 (en) * | 2017-06-02 | 2022-08-16 | The Research Foundation For The State University Of New York | Data access interface |
WO2019035619A1 (en) * | 2017-08-14 | 2019-02-21 | Samsung Electronics Co., Ltd. | METHOD FOR DISPLAYING CONTENT AND ASSOCIATED ELECTRONIC DEVICE |
CA3072741A1 (en) * | 2017-09-14 | 2019-03-21 | Rovi Guides, Inc. | Systems and methods for managing user subscriptions to content sources |
US11100559B2 (en) * | 2018-03-29 | 2021-08-24 | Adobe Inc. | Recommendation system using linear stochastic bandits and confidence interval generation |
EP3588964A1 (en) * | 2018-06-26 | 2020-01-01 | InterDigital VC Holdings, Inc. | Metadata translation in hdr distribution |
WO2020092226A1 (en) * | 2018-10-29 | 2020-05-07 | Commercial Streaming Solutions Inc. | System and method for customizing information for display to multiple users via multiple displays |
CN109816495B (zh) * | 2019-02-13 | 2020-11-24 | 北京达佳互联信息技术有限公司 | 商品信息推送方法、系统及服务器和存储介质 |
US11567335B1 (en) * | 2019-06-28 | 2023-01-31 | Snap Inc. | Selector input device to target recipients of media content items |
CN111339327B (zh) * | 2020-02-20 | 2024-05-07 | 北京达佳互联信息技术有限公司 | 作品推荐方法及装置、服务器和存储介质 |
US11190843B2 (en) * | 2020-04-30 | 2021-11-30 | At&T Intellectual Property I, L.P. | Content recommendation techniques with reduced habit bias effects |
US11070881B1 (en) | 2020-07-07 | 2021-07-20 | Verizon Patent And Licensing Inc. | Systems and methods for evaluating models that generate recommendations |
CN112035683A (zh) * | 2020-09-30 | 2020-12-04 | 北京百度网讯科技有限公司 | 用户交互信息处理模型生成方法和用户交互信息处理方法 |
US11470370B2 (en) * | 2021-01-15 | 2022-10-11 | M35Creations, Llc | Crowdsourcing platform for on-demand media content creation and sharing |
CN115002490A (zh) * | 2021-03-01 | 2022-09-02 | 山东云缦智能科技有限公司 | 依据用户观看行为自动生成多频道预览的方法及系统 |
CN113032029A (zh) * | 2021-03-26 | 2021-06-25 | 北京字节跳动网络技术有限公司 | 音乐应用的续听处理方法、装置及设备 |
US11758243B2 (en) * | 2021-11-24 | 2023-09-12 | Disney Enterprises, Inc. | Automated generation of personalized content thumbnails |
US20230205831A1 (en) * | 2021-12-29 | 2023-06-29 | AMI Holdings Limited | Automated categorization of groups in a social network |
KR20240041796A (ko) * | 2022-09-23 | 2024-04-01 | 쿠팡 주식회사 | 라이브스트림 캐러셀 위젯의 자동 생성을 위한 컴퓨터화된 시스템 및 방법 |
JP7316598B1 (ja) * | 2023-04-24 | 2023-07-28 | 17Live株式会社 | サーバ |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7644427B1 (en) * | 2001-04-04 | 2010-01-05 | Microsoft Corporation | Time-centric training, interference and user interface for personalized media program guides |
CN103747343A (zh) * | 2014-01-09 | 2014-04-23 | 深圳Tcl新技术有限公司 | 资源分时段推荐的方法和装置 |
CN105160397A (zh) * | 2014-06-06 | 2015-12-16 | 谷歌公司 | 训练精炼的机器学习模型 |
CN105392020A (zh) * | 2015-11-19 | 2016-03-09 | 广州华多网络科技有限公司 | 一种互联网视频直播方法,及系统 |
CN105791910A (zh) * | 2016-03-08 | 2016-07-20 | 北京四达时代软件技术股份有限公司 | 一种多媒体资源推送系统及方法 |
WO2016146834A1 (en) * | 2015-03-18 | 2016-09-22 | Lifesymb Holding Ab | Optimizing recommendations in a system for assessing mobility or stability of a person |
CN106658205A (zh) * | 2016-11-22 | 2017-05-10 | 广州华多网络科技有限公司 | 直播间视频流合成控制方法、装置及终端设备 |
US20170142462A1 (en) * | 2015-11-16 | 2017-05-18 | Telefonaktiebolaget L M Ericsson (Publ) | Techniques for generating and providing personalized dynamic live content feeds |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6922680B2 (en) * | 2002-03-19 | 2005-07-26 | Koninklijke Philips Electronics N.V. | Method and apparatus for recommending an item of interest using a radial basis function to fuse a plurality of recommendation scores |
US8301692B1 (en) * | 2009-06-16 | 2012-10-30 | Amazon Technologies, Inc. | Person to person similarities based on media experiences |
JP5445085B2 (ja) * | 2009-12-04 | 2014-03-19 | ソニー株式会社 | 情報処理装置、およびプログラム |
BR112014020459B1 (pt) * | 2012-02-21 | 2022-12-27 | Ooyala, Inc | Método e mídia de armazenamento para conteúdo de recomendação automática |
US9460401B2 (en) * | 2012-08-20 | 2016-10-04 | InsideSales.com, Inc. | Using machine learning to predict behavior based on local conditions |
US10182766B2 (en) * | 2013-10-16 | 2019-01-22 | University of Central Oklahoma | Intelligent apparatus for patient guidance and data capture during physical therapy and wheelchair usage |
-
2017
- 2017-05-22 US US15/601,081 patent/US20180336645A1/en active Pending
-
2018
- 2018-02-22 EP EP18710200.9A patent/EP3603092A1/en not_active Withdrawn
- 2018-02-22 KR KR1020217023031A patent/KR102405115B1/ko active IP Right Grant
- 2018-02-22 JP JP2019559757A patent/JP6855595B2/ja active Active
- 2018-02-22 WO PCT/US2018/019247 patent/WO2018217255A1/en unknown
- 2018-02-22 CN CN202210420764.0A patent/CN114896492A/zh active Pending
- 2018-02-22 CN CN201880027502.XA patent/CN110574387B/zh active Active
- 2018-02-22 KR KR1020197032053A patent/KR102281863B1/ko active IP Right Grant
-
2021
- 2021-03-16 JP JP2021042294A patent/JP7154334B2/ja active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7644427B1 (en) * | 2001-04-04 | 2010-01-05 | Microsoft Corporation | Time-centric training, interference and user interface for personalized media program guides |
CN103747343A (zh) * | 2014-01-09 | 2014-04-23 | 深圳Tcl新技术有限公司 | 资源分时段推荐的方法和装置 |
CN105160397A (zh) * | 2014-06-06 | 2015-12-16 | 谷歌公司 | 训练精炼的机器学习模型 |
WO2016146834A1 (en) * | 2015-03-18 | 2016-09-22 | Lifesymb Holding Ab | Optimizing recommendations in a system for assessing mobility or stability of a person |
US20170142462A1 (en) * | 2015-11-16 | 2017-05-18 | Telefonaktiebolaget L M Ericsson (Publ) | Techniques for generating and providing personalized dynamic live content feeds |
CN105392020A (zh) * | 2015-11-19 | 2016-03-09 | 广州华多网络科技有限公司 | 一种互联网视频直播方法,及系统 |
CN105791910A (zh) * | 2016-03-08 | 2016-07-20 | 北京四达时代软件技术股份有限公司 | 一种多媒体资源推送系统及方法 |
CN106658205A (zh) * | 2016-11-22 | 2017-05-10 | 广州华多网络科技有限公司 | 直播间视频流合成控制方法、装置及终端设备 |
Non-Patent Citations (1)
Title |
---|
YANXIANG HUANG等: "Real-time Video Recommendation Exploration", 《2016 ASSOCIATION FOR COMPUTING MACHINERY》 * |
Also Published As
Publication number | Publication date |
---|---|
KR102405115B1 (ko) | 2022-06-02 |
CN110574387B (zh) | 2022-05-10 |
KR102281863B1 (ko) | 2021-07-26 |
KR20210094148A (ko) | 2021-07-28 |
JP2020521207A (ja) | 2020-07-16 |
CN114896492A (zh) | 2022-08-12 |
US20180336645A1 (en) | 2018-11-22 |
JP6855595B2 (ja) | 2021-04-07 |
EP3603092A1 (en) | 2020-02-05 |
JP7154334B2 (ja) | 2022-10-17 |
KR20190132476A (ko) | 2019-11-27 |
JP2021103543A (ja) | 2021-07-15 |
WO2018217255A1 (en) | 2018-11-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110574387B (zh) | 使用机器学习推荐直播流内容 | |
US11412065B2 (en) | Video playlists and recommendations based on electronic messaging communications | |
US10347294B2 (en) | Generating moving thumbnails for videos | |
US11907817B2 (en) | System and methods for machine learning training data selection | |
US20220107978A1 (en) | Method for recommending video content | |
JP6538866B2 (ja) | 人が介在することなくアルゴリズム的に子供にとって適切なコンテンツを識別すること | |
US20230164369A1 (en) | Event progress detection in media items | |
CN110569447B (zh) | 一种网络资源的推荐方法、装置及存储介质 | |
US11455327B1 (en) | Subscribe to people in videos | |
US20220286753A1 (en) | System and method for modelling access requests to multi-channel arrays | |
US11727046B2 (en) | Media item matching using search query analysis | |
US11977599B2 (en) | Matching video content to podcast episodes | |
US11966433B1 (en) | Subscribe to people in videos | |
US20230379520A1 (en) | Time marking of media items at a platform using machine learning | |
US20220345777A1 (en) | Proactive detection of media item matching | |
WO2023059653A9 (en) | Matching video content to podcast episodes |
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 |