CN110795655B - 一种基于爬虫的预测性显示信息加载算法 - Google Patents

一种基于爬虫的预测性显示信息加载算法 Download PDF

Info

Publication number
CN110795655B
CN110795655B CN201911049838.9A CN201911049838A CN110795655B CN 110795655 B CN110795655 B CN 110795655B CN 201911049838 A CN201911049838 A CN 201911049838A CN 110795655 B CN110795655 B CN 110795655B
Authority
CN
China
Prior art keywords
user
behavior
information
crawler
value
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.)
Expired - Fee Related
Application number
CN201911049838.9A
Other languages
English (en)
Other versions
CN110795655A (zh
Inventor
魏五洲
刘洋
高峰
赵海旭
崔晓宇
尚嘉枫
陆柏霖
孙博
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.)
Pla 63850 Unit
Original Assignee
Pla 63850 Unit
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 Pla 63850 Unit filed Critical Pla 63850 Unit
Priority to CN201911049838.9A priority Critical patent/CN110795655B/zh
Publication of CN110795655A publication Critical patent/CN110795655A/zh
Application granted granted Critical
Publication of CN110795655B publication Critical patent/CN110795655B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06F16/957—Browsing optimisation, e.g. caching or content distillation
    • G06F16/9574—Browsing optimisation, e.g. caching or content distillation of access to content, e.g. by caching
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明涉及一种基于爬虫的预测性显示信息加载算法，用于在用户浏览一任务时加载目标内容信息，包括用户行为抓取策略、行为模型构建策略、信息预加载策略以及加载执行策略；通过对用户信息的收集，并通过蚂蚁算法反馈规律，通过对每一次用户行为的收集，预测用户下次执行某任务时的概率，从而预先加载该模块的显示内容，保证浏览顺畅，更重要的是，保证准确率尽可能会减小带宽的占用。

Description

一种基于爬虫的预测性显示信息加载算法
技术领域
本发明涉及数据处理应用技术，更具体地说，涉及一种基于爬虫的预测性显示信息加载算法。
背景技术
目前，加载算法一般应用于保证用户浏览时的流畅，提前加载信息的一种方式，而一般应用在文本浏览、视频播放、图片浏览中较多，上述的加载方式都是在用户行为模式有具体规律的前提下进行的，例如视频的时间顺序，图片和文本的页码顺序，从而保证尽可能减小带宽占有，保证有效加载信息，但是如果涉及到例如网页浏览等用户非规律行为的预先加载，如果不能准确判断则会造成加载资源的浪费，也就失去了加载的意义，如果能进行对用户非规律行为下有效预先加载数据，则在各类其他领域的数据使用流畅性上，就会得到非常大的优化。
发明内容
有鉴于此，本发明目的是提供一种基于爬虫的预测性显示信息加载算法。
为了解决上述技术问题，本发明的技术方案是：一种基于爬虫的预测性显示信息加载算法，用于在用户浏览一任务时加载目标内容信息，包括用户行为抓取策略、行为模型构建策略、信息预加载策略以及加载执行策略；
所述用户行为抓取策略，包括建立对应所述任务的行为信息表，所述行为信息表包括用户特征以及用户行为目标，用户特征包括用户信息特征以及用户行为特征，所述用户行为目标反映用户特征下对应的下一目标任务；
行为模型构建策略，包括根据所述行为信息表建立行为模型，所述行为模型通过一爬虫关联式关联每一用户特征以及用户行为目标，所述爬虫关联式配置有时间阈值，当实际时间达到所述时间阈值时，从所述行为模型中删除该条爬虫关联式，用户特征和用户行为目标之间形成信息素值，所述信息素值根据该用户特征和用户行为目标的所有爬虫关联式生成；
信息预加载策略，包括获取用户实际行为并生成实际用户特征，根据实际用户特征通过行为模型确定与其建立关联的所有用户行为目标，根据每一用户行为目标对应的信息素值的比重确定对用户行为目标的加载执行策略；
所述加载执行策略包括加载顺序、加载速度以及拟加载大小，所述加载顺序通过信息素值的比重确定，所述加载速度根据用户终端实际空闲带宽确定，所述拟加载大小根据所述任务类型确定。
进一步地：每一所述爬虫关联式对应配置有一信息素子值，所述信息素值为每一信息素子值之和。
进一步地：每一所述爬虫关联式中，计算所述时间阈值与所述实际时间的时间差值，所述信息素子值随着时间差值的减小而减小。
进一步地：所述用户行为特征包括行为类型信息以及行为内容信息。
进一步地：所述行为类型信息包括浏览位置、浏览方式以及浏览时段；所述行为内容信息包括停留、略过以及选择。
进一步地：所述用户信息特征包括用户偏好信息以及用户基本信息。
进一步地：所述用户偏好信息包括偏好领域以及偏好内容；所述用户基本信息包括年龄以及性别。
进一步地：包括配置一四维特征表，所述四维特征表分别对应行为类型、行为内容、用户偏好信息、用户基本信息配置有换值算法，将所述用户特征简化为四维数据值，所述四维数据值包括根据行为类型生成的行为类型值，根据行为内容生成的行为内容值，根据用户偏好信息生成的用户偏好值，根据用户基本信息生成的基本信息值，根据四维数据值将所述实际用户特征与行为模型中的用户特征对应。
进一步地：所述行为模型构建策略包括信息素生成算法，所述信息素生成算法根据该用户特征对应的四维数据值，生成爬虫关联式对应的信息素子值；具体公式如下：
Figure BDA0002253926650000021
S表示信息素子值，其中Ba表示基本信息值，x1表示预设的基本阈值，Pr表示用户偏好值，x2表示预设的偏好阈值，X表示预设的第一校准值，Co表示行为内容值，y1表示预设的内容阈值，Ty表示行为类型值，y2表示预设的类型阈值，Y表示预设的第二校准值。
进一步地：所述行为模型构建策略包括信息衰减算法，所述信息衰减算法用于获得所述信息素子值随时间差值衰减的速率，具体公式如下：
Figure BDA0002253926650000031
其中V为所述信息素子值随时间差值衰减的速率，a为预设的调节因子，其中Ba表示基本信息值，x1表示预设的基本阈值，Pr表示用户偏好值，x2表示预设的偏好阈值。
本发明技术效果主要体现在以下方面：通过对用户信息的收集，并通过蚂蚁算法反馈规律，通过对每一次用户行为的收集，预测用户下次执行某任务时的概率，从而预先加载该模块的显示内容，保证浏览顺畅，更重要的是，保证准确率尽可能会减小带宽的占用。
附图说明
图1：本发明一种基于爬虫的预测性显示信息加载算法的系统架构原理图；
图2：本发明用户信息特征量化逻辑图；
图3：本发明用户行为特征量化逻辑图；
图4：本发明信息素子值原理图。
附图标记：1、用户行为抓取策略；2、行为模型构建策略；3、信息预加载策略；4、加载执行策略。
具体实施方式
以下结合附图，对本发明的具体实施方式作进一步详述，以使本发明技术方案更易于理解和掌握。
参照图1所示，一种基于爬虫的预测性显示信息加载算法，用于在用户浏览一任务时加载目标内容信息，包括用户行为抓取策略、行为模型构建策略、信息预加载策略以及加载执行策略；
所述用户行为抓取策略，包括建立对应所述任务的行为信息表，所述行为信息表包括用户特征以及用户行为目标，用户特征包括用户信息特征以及用户行为特征，所述用户行为目标反映用户特征下对应的下一目标任务；所述用户行为特征包括行为类型信息以及行为内容信息。所述行为类型信息包括浏览位置、浏览方式以及浏览时段；所述行为内容信息包括停留、略过以及选择。所述用户信息特征包括用户偏好信息以及用户基本信息。所述用户偏好信息包括偏好领域以及偏好内容；所述用户基本信息包括年龄以及性别。包括配置一四维特征表，所述四维特征表分别对应行为类型、行为内容、用户偏好信息、用户基本信息配置有换值算法，将所述用户特征简化为四维数据值，所述四维数据值包括根据行为类型生成的行为类型值，根据行为内容生成的行为内容值，根据用户偏好信息生成的用户偏好值，根据用户基本信息生成的基本信息值，根据四维数据值将所述实际用户特征与行为模型中的用户特征对应。如果要预判用户的行为，因为显示信息目前呈现方式较为多样，且指向选择更多，可操作性更强，所以用户行为难以通过单一规律去限定，所以需要实时捕捉用户行为，通过闭环的模式修正、反馈。具体如下，首先将用户特征分为用户行为特征和用户信息特征，用户信息特征反映的用户固有的信息，通过方位用户后台数据获得，而用户行为特征是用户在浏览当前任务时的行为和指令，所以从不同的纬度反映实际的操作信息，简单而言根据用户基本信息和用户的行为类型通过大数据去判断下一同一属性的用户的行为规律，从而进行预加载，而具体通过建立四维数据值，而四维数据值越多，而从不同维度对用户特征进行量化，更有利于对用户特征进行归类和收集，保证用户特征数据的简化，降低模型复杂度，而用户偏好信息，比如偏好领域以及偏好内容，例如用户A偏好娱乐中的歌唱节目，以及喜爱程度(通过浏览次数和浏览时长统计)，那么此时根据预先建立的索引表，产生一个数值，这个数据表示的是用户偏好信息。而用户基本信息包括年龄、性别以及其他相关信息，根据相关信息建立的索引表对用户进行分类同时也产生一个数值，这个数值作为用户的信息特征。所述行为类型信息包括浏览位置、浏览方式以及浏览时段，不同行为类型决定了用户在该行为类型下采取的方式也可能不同，不同的浏览位置能接触到的链接可能不同，通过移动终端和固定终端浏览所对应的浏览需求也可能不同，不同浏览时段用户喜好也可能有区别，所以根据上述内容同样进行量化，得到行为内容值；所述行为内容信息包括停留、略过以及选择，用户在浏览前一内容时的动作时判断其一下动作的关键，例如用户选择了停留或者设置了停留时间，选择了略过该内容或是对内容进行操作，那么根据用户前述行为的不同，可以设置不同的取值，就可以得到行为内容值，通过行为内容值的设置，就完成了四维数据的建立。
行为模型构建策略，包括根据所述行为信息表建立行为模型，所述行为模型通过一爬虫关联式关联每一用户特征以及用户行为目标，所述爬虫关联式配置有时间阈值，当实际时间达到所述时间阈值时，从所述行为模型中删除该条爬虫关联式，用户特征和用户行为目标之间形成信息素值，所述信息素值根据该用户特征和用户行为目标的所有爬虫关联式生成；每一所述爬虫关联式对应配置有一信息素子值，所述信息素值为每一信息素子值之和。首先通过构建行为模型关联已经获得的用户信息与用户行为目标，即A用户点开了X任务，那么则此时就作为一次数据的记录建立爬虫关联式，爬虫关联式在时间到达预设的时间会自动进行删除，所以这样一来就会根据行为足迹进行自动消除，作为优选的，每一所述爬虫关联式中，计算所述时间阈值与所述实际时间的时间差值，所述信息素子值随着时间差值的减小而减小，这样一来，时间跨度较大的关联的权重比就会越来越低，有利于时间跨度较小的关联对用户的行为进行指引，这样符合浏览热度，便于确定行为规律。所述行为模型构建策略包括信息素生成算法，所述信息素生成算法根据该用户特征对应的四维数据值，生成爬虫关联式对应的信息素子值；具体公式如下：
Figure BDA0002253926650000051
S表示信息素子值，其中Ba表示基本信息值，x1表示预设的基本阈值，Pr表示用户偏好值，x2表示预设的偏好阈值，X表示预设的第一校准值，Co表示行为内容值，y1表示预设的内容阈值，Ty表示行为类型值，y2表示预设的类型阈值，Y表示预设的第二校准值。每次关联中的价值不同，而考虑到模型简化有利于数据响应，所以对四维数据与信息素子值建立关联，用户固有的信息与用户行为信息可以看成两个大的纬度，而用户基本信息和用户偏好信息不同，所以通过不同的纬度进行解维量化，从而得到更可靠的信息素子值的数据，具体如图2-4所示，通过向量化求和的方式确定最优的信息素子值，保证数据可靠性。
所述行为模型构建策略包括信息衰减算法，所述信息衰减算法用于获得所述信息素子值随时间差值衰减的速率，具体公式如下：
Figure BDA0002253926650000061
其中V为所述信息素子值随时间差值衰减的速率，a为预设的调节因子，其中Ba表示基本信息值，x1表示预设的基本阈值，Pr表示用户偏好值，x2表示预设的偏好阈值。而信息衰减的速率只用考虑两个纬度就能实现，即对用户固有信息的分析，这样就能保证每个关联中信息素子值的衰减速率不同，提高信息素子值的可靠性。
信息预加载策略，包括获取用户实际行为并生成实际用户特征，根据实际用户特征通过行为模型确定与其建立关联的所有用户行为目标，根据每一用户行为目标对应的信息素值的比重确定对用户行为目标的加载执行策略；信息预加载策略是通过信息素值的比重去确定加载执行策略，预先建立一个执行表，在此时根据用户的实际行为从模型中获取该行为下每个关联的信息素值，信息素值越大，则表示用户越有可能选择该关联下的任务目标，所以预先加载也越有必要，而根据执行表。就可以确定加载的顺序的流程。
所述加载执行策略包括加载顺序、加载速度以及拟加载大小，所述加载顺序通过信息素值的比重确定，所述加载速度根据用户终端实际空闲带宽确定，所述拟加载大小根据所述任务类型确定。例如加载顺序、加载速度以及拟加载大小，这样一来，就可以起到一个加载顺序的确定，保证空闲带宽有效占用。
当然，以上只是本发明的典型实例，除此之外，本发明还可以有其它多种具体实施方式，凡采用等同替换或等效变换形成的技术方案，均落在本发明要求保护的范围之内。

Claims (9)

1.一种基于爬虫的预测性显示信息加载算法，用于在用户浏览一任务时加载目标内容信息，其特征在于：包括用户行为抓取策略、行为模型构建策略、信息预加载策略以及加载执行策略；
所述用户行为抓取策略，包括建立对应所述任务的行为信息表，所述行为信息表包括用户特征以及用户行为目标，用户特征包括用户信息特征以及用户行为特征，所述用户行为目标反映用户特征下对应的下一目标任务；
行为模型构建策略，包括根据所述行为信息表建立行为模型，所述行为模型通过一爬虫关联式关联每一用户特征以及用户行为目标，所述爬虫关联式反映用户特征和用户行为目标的关联，所述爬虫关联式配置有时间阈值，当实际时间达到所述时间阈值时，从所述行为模型中删除该条爬虫关联式，用户特征和用户行为目标之间形成信息素值，所述信息素值根据该用户特征和用户行为目标的所有爬虫关联式生成；
信息预加载策略，包括获取用户实际行为并生成实际用户特征，根据实际用户特征通过行为模型确定与其建立关联的所有用户行为目标，根据每一用户行为目标对应的信息素值的比重确定对用户行为目标的加载执行策略；
所述加载执行策略包括加载顺序、加载速度以及拟加载大小，所述加载顺序通过信息素值的比重确定，所述加载速度根据用户终端实际空闲带宽确定，所述拟加载大小根据所述任务类型确定；
每一所述爬虫关联式对应配置有一信息素子值，所述信息素值为每一信息素子值之和。
2.如权利要求1所述的一种基于爬虫的预测性显示信息加载算法，其特征在于：每一所述爬虫关联式中，计算所述时间阈值与所述实际时间的时间差值，所述信息素子值随着时间差值的减小而减小。
3.如权利要求1所述的一种基于爬虫的预测性显示信息加载算法，其特征在于：所述用户行为特征包括行为类型信息以及行为内容信息。
4.如权利要求3所述的一种基于爬虫的预测性显示信息加载算法，其特征在于：所述行为类型信息包括浏览位置、浏览方式以及浏览时段；所述行为内容信息包括停留、略过以及选择。
5.如权利要求3所述的一种基于爬虫的预测性显示信息加载算法，其特征在于：所述用户信息特征包括用户偏好信息以及用户基本信息。
6.如权利要求3所述的一种基于爬虫的预测性显示信息加载算法，其特征在于：所述用户偏好信息包括偏好领域以及偏好内容；所述用户基本信息包括年龄以及性别。
7.如权利要求4所述的一种基于爬虫的预测性显示信息加载算法，其特征在于：包括配置一四维特征表，所述四维特征表分别对应行为类型、行为内容、用户偏好信息、用户基本信息配置有换值算法，将所述用户特征简化为四维数据值，所述四维数据值包括根据行为类型生成的行为类型值，根据行为内容生成的行为内容值，根据用户偏好信息生成的用户偏好值，根据用户基本信息生成的基本信息值，根据四维数据值将所述实际用户特征与行为模型中的用户特征对应。
8.如权利要求5所述的一种基于爬虫的预测性显示信息加载算法，其特征在于：所述行为模型构建策略包括信息素生成算法，所述信息素生成算法根据该用户特征对应的四维数据值，生成爬虫关联式对应的信息素子值；具体公式如下：
Figure FDA0003671628620000021
S表示信息素子值，其中Ba表示基本信息值，x1表示预设的基本阈值，Pr表示用户偏好值，x2表示预设的偏好阈值，X表示预设的第一校准值，Co表示行为内容值，y1表示预设的内容阈值，Ty表示行为类型值，y2表示预设的类型阈值，Y表示预设的第二校准值。
9.如权利要求2所述的一种基于爬虫的预测性显示信息加载算法，其特征在于：所述行为模型构建策略包括信息衰减算法，所述信息衰减算法用于获得所述信息素子值随时间差值衰减的速率，具体公式如下：
Figure FDA0003671628620000022
其中V为所述信息素子值随时间差值衰减的速率，a为预设的调节因子，其中Ba表示基本信息值，x1表示预设的基本阈值，Pr表示用户偏好值，x2表示预设的偏好阈值。
CN201911049838.9A 2019-10-30 2019-10-30 一种基于爬虫的预测性显示信息加载算法 Expired - Fee Related CN110795655B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911049838.9A CN110795655B (zh) 2019-10-30 2019-10-30 一种基于爬虫的预测性显示信息加载算法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911049838.9A CN110795655B (zh) 2019-10-30 2019-10-30 一种基于爬虫的预测性显示信息加载算法

Publications (2)

Publication Number Publication Date
CN110795655A CN110795655A (zh) 2020-02-14
CN110795655B true CN110795655B (zh) 2022-07-08

Family

ID=69442320

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911049838.9A Expired - Fee Related CN110795655B (zh) 2019-10-30 2019-10-30 一种基于爬虫的预测性显示信息加载算法

Country Status (1)

Country Link
CN (1) CN110795655B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE19964030A1 (de) * 1999-12-30 2001-07-05 Ibm Effizientes Laden von Dokumenten auf dem Internet
CN102446222A (zh) * 2011-12-22 2012-05-09 华为技术有限公司 一种网页内容预加载方法、装置及系统
CN105893618A (zh) * 2016-04-28 2016-08-24 东莞市华睿电子科技有限公司 一种数据加载方法
CN108549673A (zh) * 2018-03-29 2018-09-18 优视科技有限公司 网页资源的预加载方法、客户端、服务器及网络系统
CN110392085A (zh) * 2018-04-23 2019-10-29 中兴通讯股份有限公司 网页预下载方法及装置、存储介质和电子装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107783801B (zh) * 2017-11-06 2021-03-12 Oppo广东移动通信有限公司 应用程序预测模型建立、预加载方法、装置、介质及终端

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE19964030A1 (de) * 1999-12-30 2001-07-05 Ibm Effizientes Laden von Dokumenten auf dem Internet
CN102446222A (zh) * 2011-12-22 2012-05-09 华为技术有限公司 一种网页内容预加载方法、装置及系统
CN105893618A (zh) * 2016-04-28 2016-08-24 东莞市华睿电子科技有限公司 一种数据加载方法
CN108549673A (zh) * 2018-03-29 2018-09-18 优视科技有限公司 网页资源的预加载方法、客户端、服务器及网络系统
CN110392085A (zh) * 2018-04-23 2019-10-29 中兴通讯股份有限公司 网页预下载方法及装置、存储介质和电子装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Intelligent Preloading of Websites Resources Based on Clustering Web User Sessions;Lukas Cegan;《2015 5th International Conference on IT Convergence and Security (ICITCS)》;20151008;1-4 *
基于智能手机用户行为习惯的App使用预测算法研究;王克强等;《计算机应用与软件》;20190812;第36卷(第8期);82-86+195 *

Also Published As

Publication number Publication date
CN110795655A (zh) 2020-02-14

Similar Documents

Publication Publication Date Title
US20200327176A1 (en) Method, system, server and intelligent terminal for aggregating and displaying comments
CN107659828B (zh) 视频画质调整方法、装置、终端设备及存储介质
US7152209B2 (en) User interface for adaptive video fast forward
WO2020259572A1 (zh) 用于负反馈的标签确定方法、视频推荐方法、装置、设备和存储介质
US7612832B2 (en) Method and system for video clip compression
CN111050203B (zh) 一种视频处理方法、装置、视频处理设备及存储介质
US20220343648A1 (en) Image selection method and electronic device
US10528845B2 (en) Method, device, and storage medium for generating GIF file
CN112752121B (zh) 一种视频封面生成方法及装置
CN111400596B (zh) 信息分享方法和装置
CN107292817B (zh) 一种图像处理方法、装置、存储介质和终端
US20240056684A1 (en) Auto-focusing method and apparatus, electronic device, and medium
CN115022701B (zh) 视频播放方法、终端、装置、电子设备、介质及程序产品
CN105574896A (zh) 一种面向高分辨率视频的高效背景建模方法
CN109978610A (zh) 信息处理方法、移动终端及计算机可读存储介质
CN111586329A (zh) 一种信息显示方法、装置及电子设备
CN115278047A (zh) 拍摄方法、装置、电子设备和存储介质
CN110795655B (zh) 一种基于爬虫的预测性显示信息加载算法
US20230071779A1 (en) Method and apparatus for processing historical browsing content electronic device and storage medium
CN113836329B (zh) 多媒体内容分类方法、装置、电子设备和存储介质
CN114222147B (zh) 直播布局调整方法、装置、存储介质及计算机设备
CN113038333B (zh) 蓝牙耳机控制方法、装置、电子设备及可读存储介质
CN115242917B (zh) 多媒体数据处理方法、智能终端及存储介质
CN112511857B (zh) 基于浏览器阻止终端休眠的方法、装置、存储介质及终端
KR102492014B1 (ko) 다중 채널 네트워크의 컨텐츠 관리 방법, 장치 및 시스템

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
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20220708