CN110830812A - 相似主播分类模型训练方法、主播推荐方法及相关装置 - Google Patents

相似主播分类模型训练方法、主播推荐方法及相关装置 Download PDF

Info

Publication number
CN110830812A
CN110830812A CN201911053081.0A CN201911053081A CN110830812A CN 110830812 A CN110830812 A CN 110830812A CN 201911053081 A CN201911053081 A CN 201911053081A CN 110830812 A CN110830812 A CN 110830812A
Authority
CN
China
Prior art keywords
anchor
pair
candidate
similar
user
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
CN201911053081.0A
Other languages
English (en)
Other versions
CN110830812B (zh
Inventor
陈成佳
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.)
Guangzhou Netstar Information Technology Co Ltd
Original Assignee
Guangzhou Netstar Information Technology Co Ltd
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 Guangzhou Netstar Information Technology Co Ltd filed Critical Guangzhou Netstar Information Technology Co Ltd
Priority to CN201911053081.0A priority Critical patent/CN110830812B/zh
Publication of CN110830812A publication Critical patent/CN110830812A/zh
Application granted granted Critical
Publication of CN110830812B publication Critical patent/CN110830812B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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]
    • H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
    • H04N21/21—Server components or server architectures
    • H04N21/218—Source of audio or video content, e.g. local disk arrays
    • H04N21/2187—Live feed
    • 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]
    • H04N21/40—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
    • H04N21/4508—Management of client data or end-user data
    • H04N21/4532—Management of client data or end-user data involving end-user characteristics, e.g. viewer profile, 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Computing Systems (AREA)
  • Computer Graphics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明实施例公开了一种相似主播分类模型训练方法、主播推荐方法及相关装置，训练方法包括：获取用户观看直播的历史行为数据；根据历史行为数据确定多个第一候选主播对，每个第一候选主播对中包含两个主播；获取每个主播的主播信息；对于每个第一候选主播对基于历史行为数据和主播信息提取所述第一候选主播对的主播对特征；从多个第一候选主播对中确定出主播对样本，主播对样本包括主播对特征和主播对标签；采用主播对样本的主播对特征和主播对标签训练模型，获得用于输出主播相似度的相似主播分类模型。本发明实施例能够从多个维度和训练好的相似主播分类模型确定两个主播的相似度，通用性好，主播的相似度准确，从而提高了主播推荐的准确度。

Description

相似主播分类模型训练方法、主播推荐方法及相关装置
技术领域
本发明实施例涉及推荐技术领域，尤其涉及一种相似主播分类模型训练方法和相似主播分类模型训练装置、主播推荐方法和主播推荐装置、设备和存储介质。
背景技术
如今越来越多的用户使用直播应用程序来进行视频直播或者观看视频直播，通过直播应用程序用户可以进行各种网络社交活动。
在用户使用直播应用程序的过程中，经常需要向用户推荐与用户感兴趣的主播相似的主播以提高用户体验。在现有相似主播的确定方案中，先统计共同观看过两个主播的用户数、分别喜欢两个主播的用户数，然后再根据业务经验设计的相似度的公式，将统计用户数套进公式以计算两个主播的相似度。
目前，主播相似度的计算方法仅使用观看用户数量和依靠经验设计的相似度计算公式，考虑主播之间的特征维度单一，相似度计算公式通用性差。
发明内容
本发明实施例提供一种相似主播分类模型训练方法和相似主播分类模型训练装置、主播推荐方法和主播推荐装置、设备和存储介质，以解决现有主播相似度计算方法存在考虑维度单一和通用性差，造成主播推荐不准确的问题。
第一方面，本发明实施例提供了一种相似主播分类模型训练方法，包括：
获取用户观看直播的历史行为数据；
根据所述历史行为数据确定多个第一候选主播对，每个第一候选主播对中包含两个主播；
获取每个主播的主播信息；
对于每个第一候选主播对，基于所述历史行为数据和所述主播信息提取所述第一候选主播对的主播对特征；
从多个所述第一候选主播对中确定出主播对样本，所述主播对样本包括主播对特征和主播对标签；
采用所述主播对样本的所述主播对特征和所述主播对标签训练模型，获得用于输出主播相似度的相似主播分类模型。
第二方面，本发明实施例提供了一种主播推荐方法，包括：
在向用户推荐主播时，获取所述用户感兴趣的主播；
获取多个候选主播；
采用所述用户感兴趣的主播和所述多个候选主播确定多个候选主播对，每个候选主播对包括所述用户感兴趣的主播和候选主播；
获取所述候选主播对的主播对特征；
将所述主播对特征输入预先训练的相似主播分类模型中以获得多个所述候选主播与所述用户感兴趣的主播的相似度；
基于多个候选主播的相似度向所述用户推荐主播；
其中，所述相似主播分类模型由本发明实施例所述的相似主播分类模型训练方法所训练。
第三方面，本发明实施例提供了一种主播推荐方法，包括：
接收直播客户端发送的主播推荐请求，所述推荐请求中包括用户标识符；
基于所述用户标识符从预先建立的数据库中获取所述用户感兴趣的主播和所述用户感兴趣的主播的兴趣分；
从所述数据库中获取所述用户感兴趣的主播的多个相似主播以及所述多个相似主播的相似度采用所述兴趣分和所述相似度计算所述多个相似主播的推荐分；
基于所述推荐分从所述多个相似主播中确定出目标相似主播；
将所述目标相似主播推荐至所述直播客户端；
其中，所述相似主播的相似度由本发明实施例所述的相似主播分类模型训练方法所训练的模型获取并预先存储至所述数据库中。
第四方面，本发明实施例提供了一种相似主播分类模型训练装置，包括：
历史行为数据获取模块，用于获取用户观看直播的历史行为数据；
候选主播对确定模块，用于根据所述历史行为数据确定多个第一候选主播对，每个第一候选主播对中包含两个主播；
主播信息获取模块，用于获取每个主播的主播信息；
特征提取模块，用于对于每个第一候选主播对，基于所述历史行为数据和所述主播信息提取所述第一候选主播对的主播对特征；
主播对样本确定模块，用于从多个所述第一候选主播对中确定出主播对样本，所述主播对样本包括主播对特征和主播对标签；
模型训练模块，用于采用所述主播对样本的所述主播对特征和所述主播对标签训练模型，获得用于输出主播相似度的相似主播分类模型。
第五方面，本发明实施例提供了一种主播推荐装置，包括：
感兴趣主播获取模块，用于在向用户推荐主播时，获取所述用户感兴趣的主播；
候选主播获取模块，用于获取多个候选主播；
主播对确定模块，用于采用所述用户感兴趣的主播和所述多个候选主播确定多个候选主播对，每个候选主播对包括所述用户感兴趣的主播和候选主播；
主播对特征获取模块，用于获取所述候选主播对的主播对特征；
相似度获取模块，用于将所述主播对特征输入预先训练的相似主播分类模型中以获得多个所述候选主播与所述用户感兴趣的主播的相似度；
推荐模块，用于基于多个候选主播的相似度向所述用户推荐主播；
其中，所述相似主播分类模型由本发明实施例所述的相似主播分类模型训练方法所训练。
第六方面，本发明实施例提供了一种主播推荐装置，包括：
推荐请求接收模块，用于接收直播客户端发送的主播推荐请求，所述推荐请求中包括用户标识符；
感兴趣主播信息获取模块，用于基于所述用户标识符从预先建立的数据库中获取所述用户感兴趣的主播和所述用户感兴趣的主播的兴趣分；
相似主播信息获取模块，用于从所述数据库中获取所述用户感兴趣的主播的多个相似主播以及所述多个相似主播的相似度；
推荐分计算模块，用于采用所述兴趣分和所述相似度计算所述多个相似主播的推荐分；
目标相似主播确定模块，用于基于所述推荐分从所述多个相似主播中确定出目标相似主播；
主播推荐模块，用于将所述目标相似主播推荐至所述直播客户端；
其中，所述相似主播的相似度由本发明实施例所述的相似主播分类模型训练方法所训练的模型获取并预先存储至所述数据库中。
第七方面，本发明实施例提供了一种设备，所述设备包括：
一个或多个处理器；
存储装置，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本发明实施例所述的相似主播分类模型训练方法和/或主播推荐方法。
第八方面，本发明实施例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本发明实施例所述的相似主播分类模型训练方法和/或主播推荐方法。
本发明实施例在获取历史行为数据后，根据历史行为数据确定多个候选主播对，对于每个候选主播对从历史行为数据和主播信息中提取主播对特征，然后从候选主播对中确定出包含主播对特征和主播对标签的主播对样本，采用主播对样本的主播对特征和主播对标签训练相似主播分类模型，以通过相似主播分类模型输出两个主播的相似度，实现了从历史行为数据和主播信息中提取多维度的主播对特征和主播对标签以训练相似主播分类模型，解决了仅使用观看用户数量和依靠经验设计的计算公式计算相似度造成特征维度单一和通用性差的问题，能够从多个维度和训练好的相似主播分类模型确定两个主播的相似度，通用性好，主播的相似度准确，从而提高了主播推荐的准确度。
附图说明
图1是本发明实施例一提供的一种相似主播分类模训练方法的流程图；
图2是本发明实施例二提供的一种相似主播分类模训练方法的流程图；
图3是本发明实施例三提供的一种主播推荐方法的流程图；
图4是本发明实施例四提供的一种主播推荐方法的流程图；
图5是本发明实施例五提供的一种相似主播分类模训练装置的结构框图；
图6是本发明实施例六提供的一种主播推荐装置的结构框图；
图7是本发明实施例七提供的一种主播推荐装置的结构框图；
图8是本发明实施例八提供的一种设备的结构框图。
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，需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
实施例一
图1为本发明实施例一提供的一种相似主播分类模型训练方法的流程图，本发明实施例可适用于训练相似主播分类模型以输出主播的相似度的情况，该方法可以由相似主播分类模型训练装置来执行，该装置可以通过软件和/或硬件的方式来实现，并集成在执行本方法的设备中，具体地，如图1所示，该方法可以包括如下步骤：
S101、获取用户观看直播的历史行为数据。
在本发明实施例中，历史行为数据可以为记录用户在观看直播过程中的行为操作所生成的数据，例如，用户在观看主播直播时，存在连麦主播、打赏主播、关注主播等观看行为，则可以记录用户上述观看行为生成历史行为数据，历史行为数据还包括用户观看过的主播、观看主播直播的时长、连麦主播的时长、打赏主播的金额等。
用户的历史行为数据可以以用户日志的形式存储在服务器上或者服务器关联的数据存储服务中，可以从服务器本地或者服务器关联的数据库服务器请求用户观看直播的用户日志作为历史行为数据。
S102、根据所述历史行为数据确定多个第一候选主播对，每个第一候选主播对中包含两个主播。
具体地，可以从历史行为数据中提取用户观看过的主播，并采用任意两个主播构成一个主播对，从而得到多个第一候选主播对，每个候选主播对包括两个主播。
S103、获取每个主播的主播信息。
在本发明实施例中，主播的主播信息可以为主播注册账号时填写的注册信息，比如，主播的籍贯、性别、年龄等信息，还可以是主播进行直播时的直播类型、直播语言、直播时所在的地理位置等，其中，直播类型可以为音乐、影视、游戏等类型。主播的注册信息可以直接从服务器获取，直播类型、直播语言、直播时所在的地理位置等信息可以从直播是产生的用户日志中提取。
S104、对于每个第一候选主播对，基于所述历史行为数据和所述主播信息提取所述第一候选主播对的主播对特征。
具体地，主播对特征可以包括每一个第一候选主播对的行为特征和属性特征，行为特征可以是用户观看第一候选主播对中的两个主播的直播时生成的历史行为数据中所提取的特征，例如可以是观看等级特征、连麦等级特征、打赏等级特征、打赏特征以及关注特征中的至少一项，当然，还可以包括从历史行为数据中提取的其他行为特征。
属性特征可以根据第一候选主播对中的两个主播的主播信息提取的特征，例如可以是籍贯特征、性别特征、语言特征、直播特征、年龄特征以及地理特征中的至少一项，当然，还可以包括从主播信息中提取的其他属性特征。
S105、从多个所述第一候选主播对中确定出主播对样本，所述主播对样本包括主播对特征和主播对标签。
在本发明实施例中，主播对样本可以是指用于模型训练的包括主播对特征和主播对标签的第一候选主播对。其中，主播对标签表达了该第一候选主播对是否为相似主播，如果第一候选主播对中的两个主播为相似主播，则主播对标签为相似标签，否则为非相似标签。
具体地，可以通过人工标注的方式为每一个第一候选主播对标注相似标签或者非相似标签，当然，还可以通过机器学习方法为每一个第一候选主播对标注相似标签或者非相似标签。
S106、采用所述主播对样本的所述主播对样本的所述主播对特征和所述主播对标签训练模型，获得用于输出主播相似度的相似主播分类模型。
在本发明实施例中，在确定主播对样本后，可以将主播对特征输入初始相似主播分类模型得到预测标签，将该预测标签与主播对标签比对并计算出损失率以对初始相似主播分类模型的模型参数进行梯度下降后进行调整，采用调整后的模型参数继续训练模型，直到输出的预测标签和主播对标签的损失率小于预设阈值为止，在训练完成后，将未知主播对标签的主播对的主播对特征输入训练好的相似主播分类模型后即可以得到主播对标签，该主播对标签可以为表达两个主播相似程度的相似度。
本发明实施例从历史行为数据确定多个第一候选主播对后，基于历史行为数据和主播信息中提取多维度的主播对特征和主播对标签以训练相似主播分类模型，解决了仅使用观看用户数量和依靠经验设计的计算公式计算相似度造成特征维度单一和通用性差的问题，能够从多个维度和训练好的相似主播分类模型确定两个主播的相似度，通用性好，主播的相似度准确，从而提高了主播推荐的准确度。
实施例二
图2为本发明实施例二提供的一种相似主播分类模型训练方法的流程图，本发明实施例在上述实施例一的基础上进行优化，具体地，如图2所示，本发明实施例的相似主播分类模型训练方法可以包括如下步骤：
S201、获取所述用户在第一时间段内的第一历史行为数据和在第二时间段内的第二历史行为数据，以作为所述用户观看直播的历史行为数据。
其中，第二时间段为在第一时间段之后的时间段，历史行为数据可以为用户日志，本发明实施例可以从数据库服务器，例如日志服务器提取用户在第一时间段的用户日志作为第一历史行为数据，提取用户在第二时间段的用户日志作为第二历史行为数据，作为可选示例，时间段的单位为天，可以提取用户7月8日的用户日志作为第一历史行为数据，提取7月9日的用户日志作为第二历史行为数据，当然，时间段的单位还可以是小时、周或者月等，本发明实施例对此不加以限制。
S202、基于第一历史行为数据确定第一主播队列和第二主播队列，所述第一主播队列为所述用户感兴趣的主播队列，所述第二主播队列为所述用户不感兴趣的主播队列。
具体地，可以基于第一历史行为数据将具有正向行为直播的主播添加至第一主播队列，基于第一历史行为数据将具有负向行为直播的主播添加至第二主播队列，其中，正向行为包括观看主播的直播的时长大于预设值、打赏主播、连麦主播以及关注主播中的至少一项，负向行为包括未观看主播的直播或观看主播的直播的时长小于预设值。
例如，从用户当天的用户日志中，确定用户当天观看直播时长大于5分钟、或打赏、或连麦、或关注的主播有主播A、主播B和主播C，则表明主播A、主播B和主播C是用户感兴趣的主播，将主播A、主播B和主播C添加到第一主播队列中，如果从用户当天的用户日志中，确定用户当天未观看或观看时长小于10秒的主播有主播D、主播E和主播F，则表明主播D、主播E和主播F是用户不感兴趣的主播，将主播D、主播E和主播F添加到第二主播队列中。
S203、采用所述第一主播队列中的任意两个主播配对，以及采用所述第一主播队列中的任意一个主播和所述第二主播队列中的任意一个主播配对，得到多个第一候选主播对。
在得到第一主播队列和第二主播队列后，可以采用第一主播队列中的任意两个主播配对为相似的第一候选主播对，采用第一主播队列中的任意一个主播和第二主播队列中的任意一个主播配对为非相似的第一候选主播对。
例如，第一主播队列包括主播A、主播B和主播C，第二主播队列包括主播D、主播E和主播F，则可以从第一主播队列中取任意两个主播配对为第一候选主播对(A，B)、(A，C)、(B，C)，然后从第一主播队列中取主播A分别与第二主播队列中的主播D、主播E和主播F配对得到第一候选主播对(A，D)、(A，E)、(A，F)，以此类推从第一主播队列中取主播B和主播C分别与第二主播队列中的主播D、主播E和主播F配对得到多个第一候选主播对。
通过生成用户感兴趣的第一主播队列和用户不感兴趣的第二主播队列，并采用第一主播队列中的任意两个主播配对，以及采用第一主播队列中的任意一个主播和第二主播队列中的任意一个主播配对得到多个第一候选主播对，可以生成相似的第一候选主播对和非相似的第一候选主播对，能够获得相似和非相似的两种第一候选主播对样本。
S204、获取每个主播的主播信息。
在本发明实施例中，主播的主播信息可以为主播注册账号时填写的注册信息，比如，主播的籍贯、性别、年龄等信息，还可以主播进行直播时的直播类型、直播语言、直播时所在的地理位置等，其中，直播类型可以为音乐、影视、游戏等类型。主播的注册信息可以直接从服务器获取，直播类型、直播语言、直播时所在的地理位置等信息可以从直播是产生的用户日志中提取。
S205、基于所述第一历史行为数据提取所述第一候选主播对的行为特征。
具体地，可以基于第一历史行为数据提取观看等级特征、连麦等级特征、打赏等级特征、打赏特征以及关注特征中的至少一项作为第一候选主播对的行为特征。
其中，
观看等级特征为第一候选主播对中第一主播和第二主播的历史重合观看用户中，观看第二主播的观看时长属于不同观看时长等级的用户数量，例如，统计主播A和主播B的历史重合观看用户中，分别统计观看过主播B的的直播的观看时长在1～5分钟、5～10分钟、10～30分钟等不同观看时长的用户数量作为观看等级特征，其中，观看时长小于1分钟的用户不计入在内。
连麦等级特征为观看第一主播时，连麦第二主播的用户中连麦时长属于不同连麦时长等级的用户数量，例如，统计观看主播A的直播过程中，连麦主播B的用户中，与主播B的连麦时长在1～5分钟、5～10分钟、10～30分钟等不同连麦时长的用户数量作为连麦等级特征，其中，与主播B的连麦时长小于1分钟的用户不计入内。
打赏等级特征为观看第一主播时，打赏第二主播的打赏金额属于不同金额等级的用户数量，例如，统计观看主播A直播时，打赏主播B的用户中，打赏主播B的打赏金额在1～10元、10～100元、100～500元等不同打赏金额的用户数量作为打赏等级特征，其中，打赏金额小于1元的用户不计入内。
打赏特征为共同打赏过第一主播和第二主播的用户数量，例如共同打赏过主播A和主播B的用户数量，关注特征为共同关注过第一主播和第二主播的用户数量，例如共同关注过主播A和主播B的用户数量。
当然，行为特征还可以包括诸如主播PK特征、赞赏等其他行为特征，本发明实施例对行为特征的具体内容和数量不加以限制。
S206、基于所述主播信息提取所述第一候选主播对的属性特征。
具体地，可以基于主播信息提取籍贯特征、性别特征、语言特征、直播特征、年龄特征以及地理特征中的至少一项作为第一候选主播对的属性特征；
其中，
籍贯特征表达了第一候选主播对的第一主播和第二主播的籍贯是否相同，如果相同籍贯特征值为1，否则为0；性别特征表达了第一主播和第二主播的性别是否相同，如果相同性别特征值为1，否则为0；语言特征表达了第一主播和第二主播的直播语言是否相同，如果相同语言特征值为1，否则为0；直播特征表达了第一主播和第二主播的直播类型是否相同，如果相同直播特征值为1，否则为0；年龄特征表达了第一主播和第二主播的年龄差是否小于阈值，如果是年龄特征值为1，否则为0；地理特征表达了第一主播和第二主播所处的地理位置的距离是否在预设距离内，若是地理特征值为1，否则为0。
当然，属性特征还可以包括主播的职业特征等其他方面的特征，本发明实施例对属性特征的具体内容和数量不加以限制。
S207、采用所述行为特征和所述属性特征连接，得到所述第一候选主播对的主播对特征。
具体地，第一候选主播对的行为特征为(X1，X2，X3，X4)，属性特征为(X5，X6，X7)，行为特征和属性特征连接后为(X1，X2，X3，X4，X5，X6，X7)，则可以得到多个维度的主播对特征。
本发明实施例的主播对特征包括观看等级特征、连麦等级特征、打赏等级特征、打赏特征以及关注特征中的至少一项行为特征，以及包括籍贯特征、性别特征、语言特征、直播特征、年龄特征以及地理特征中的至少一项属性特征，实现了通过多个维度确定主播对的相似度，提高了主播对相似度的准确性，进一步提高了主播推荐的准确度。
S208、基于所述第二历史行为数据确定第三主播队列和第四主播队列，所述第三主播队列为所述用户感兴趣的主播队列，所述第四主播队列为所述用户不感兴趣的主播队列。
本发明实施例中，第二时间段在第一时间段之后，在通过第一时间段内的第一历史行为数据确定用户感兴趣的第一主播队列后和用户不感兴趣的第二主播队列后，可以通过第二历史行为数据确定用户感兴趣的第三主播队列后和用户不感兴趣的第四主播队列后，具体地实现可参考S202中确定第一主播队列和第二主播队列的方式，在此不再详述。
S209、采用所述第三主播队列中的任意两个主播配对，以及采用所述第三主播队列中的任意一个主播和所述第四主播队列中的任意一个主播配对，得到多个第二候选主播对；
本发明实施例中，确定第二候选主播对的方式与确定第一候选主播对的方式相同，详情可参考S203，在此不再详述。
S210、确定多个所述第二候选主播对中每个主播对的主播对标签。
具体地，可以判断第二候选主播对中是否包含第四主播队列中的主播，若是，第二候选主播对的主播对标签为非相似标签；若否，第二候选主播对的主播对标签为相似标签。
例如，第三主播队列包括主播A、主播B和主播C，第四主播队列包括主播D、主播E和主播F，则可以从第一主播队列中取任意两个主播配对为第二候选主播对(A，B)、(A，C)、(B，C)，然后从第三主播队列中取主播A分别与第四主播队列中的主播D、主播E和主播F配对得到第二候选主播对(A，D)、(A，E)、(A，F)，如果第二候选主播对中包含有用户不感兴趣的第四主播队列中的主播，则第二候选主播对的主播对标签为非相似标签，如上述的第二候选主播对(A，D)、(A，E)、(A，F)的标签为非相似标签，可以记为标签值0，第二候选主播对(A，B)、(A，C)、(B，C)的标签为相似标签，可以记为标签值1。
S211、从多个所述第一候选主播对和所述多个第二候选主播对中确定出相同的主播对。
第一候选主播对为通过第一时间段内的第一历史行为数据确定的主播对，第二候选主播对为通过第二时间段内的第二历史行为数据确定的主播对，如果两个时间段内确定的主播对相同，则说明用于对某个主播感兴趣或者对某个主播不感兴趣的倾向比较稳定，可以从多个第一候选主播对和多个第二候选主播对中确定出相同的主播对作为主播对样本，以获得比较准确的样本。
S212、采用所述相同的主播对以及所述相同的主播对的主播对标签生成主播对样本。
相同的主播对既是多个第一候选主播对中的主播对，又是多个第二候选主播对中的主播对，即相同的主播对既提取了主播对特征，又标注了主播对标签，则可以确定相同的主播对为主播对样本，相同主播对的主播对特征和主播对标签即为主播对样本的主播对特征和主播对标签。
S213、采用所述主播对样本的所述主播对特征和所述主播对标签训练模型，获得用于输出主播相似度的相似主播分类模型。
具体地，在本发明的可选实施例中，可以先确定初始相似主播分类模型，然后将主播对样本的主播对特征输入至初始相似主播分类模型获得预测标签，基于预测标签和主播对标签调整初始相似主播分类模型得到目标相似主播分类模型。
具体地，在初始相似主播分类模型每轮得带得到预测标签后，根据预测标签和主播对标签计算损失率，如果损失率大于预设值，则采用预设梯度调整初始相似主播分类模型的参数，并返回将主播对特征输入至初始相似主播分类模型获得预测标签的步骤，直到损失率小于预设值。
以下以LR(逻辑回归，Logistic Regression)分类模型说明本发明实施例训练过程如下：
在确定主播对样本后，将主播对样本的n维主播对特征(X1、X2、X3、...、Xn)输入至LR分类模型中，该LR分类模型共有n+1个模型参数(W0、W1、W2、W3、...、Wn)，LR分类模型的训练目的为确定n+1个模型参数的值。
LR分类模型在每次输入主播对样本的主播对特征后，LR分类模型首先根据以下公式计算出预测值z：
Figure BDA0002255821520000131
然后经过以下sigmod函数输出预测标签值：
Figure BDA0002255821520000132
即y的值在0到1之间，而主播对样本的主播对标签包括相似标签，其标签值为1，非相似标签，其值为0，LR分类模型的目标是输入每条主播对样本的主播对特征Xi，计算得到的y值与主播对样本的标签值接近，即最小化损失函数J(W)＝|y–label|。为了使LR分类模型接近训练目标，每轮迭代后采用梯度下降法更新模型参数Wi，分别求出模型参数Wi在损失函数J(W)的偏导数Gi，然后更新模型参数Wi＝Wi–Gi，经过多轮迭代，模型损失函数会逐渐降低，离LR分类模型的训练目标越接近，最终得到LR分类模型的最优模型参数Wi，结束LR分类模型的训练。
当然，相似主播分类模型还可以是DNN(深度神经网络，Deep Neural Networks)、RNN(循环神经网络，Recurrent Neural Network)等分类学习模型，本发明实施例对相似主播分类模型的类型不加以限制。
本发明实施例在获取历史行为数据后，根据历史行为数据确定多个候选主播对，对于每个候选主播对从历史行为数据和主播信息中提取主播对特征，然后从候选主播对中确定出包含主播对特征和主播对标签的主播对样本，采用主播对样本的主播对特征和主播对标签训练相似主播分类模型，以通过相似主播分类模型输出两个主播的相似度，实现了从历史行为数据和主播信息中提取多维度的主播对特征和主播对标签以训练相似主播分类模型，解决了仅使用观看用户数量和依靠经验设计的计算公式计算相似度造成特征维度单一和通用性差的问题，能够从多个维度和训练好的相似主播分类模型确定两个主播的相似度，通用性好，主播的相似度准确，从而提高了主播推荐的准确度。
实施例三
图3为本发明实施例三提供的一种主播推荐方法的流程图，本发明实施例可适用于向用户推荐主播的情况，该方法可以由主播推荐装置来执行，该装置可以通过软件和/或硬件的方式来实现，并集成在执行本方法的设备中，具体地，如图3所示，该方法可以包括如下步骤：
S301、在向用户推荐主播时，获取所述用户感兴趣的主播。
在本发明实施例中，服务器可以在用户登录直播APP、用户观看直播结束、或者在系统时间为预定时间点时，向用户推荐主播，则可以获取用户感兴趣的主播，具体地，服务器可以根据用户的历史观看行为确定用户感兴趣的主播，比如，确定用户观看时长超过预设时长的主播、或者关注的主播、或者打赏过的主播、或者连麦过的主播作为用户感兴趣的主播，具体地，可以确定预设数量的用户感兴趣的主播。
S302、获取多个候选主播。
具体地，可以按照一定的召回策略从直播平台的所有主播中召回预设数量的主播作为候选主播，比如，召回性别为男性的主播，召回直播类型为游戏直播的主播等等，本发明实施例对召回主播的策略不加以限制。
S303、采用所述用户感兴趣的主播和所述多个候选主播确定多个候选主播对，每个候选主播对包括所述用户感兴趣的主播和候选主播。
可选地，可以采用用户感兴趣的主播分别和多个候选主播配对为候选主播对，该候选主播对中包括用户感兴趣的主播和候选主播。
S304、获取所述候选主播对的主播对特征。
在本发明实施例中，主播对特征可以包括行为特征和属性特征，行为特征为根据用户的历史行为数据提取的特征，属性特征为根据主播信息提取的特征，主播对特征的提取方式可以参考实施例一和实施例二，在此不再详述。
S305、将所述主播对特征输入预先训练的相似主播分类模型中以获得多个所述候选主播与所述用户感兴趣的主播的相似度。
在本发明实施例中，可以采用用户历史行为数据提取主播对样本以及主播对样本的主播对特征和主播对标签后，预先训练相似主播分类模型，然后对于需要确定相似度的两个主播，将主播对特征输入相似主播分类模型中以输出两个主播的相似度。
其中，相似主播分类模型可以由实施例一或实施例二所提供的相似主播分类模型训练方法所训练。
S306、基于多个候选主播的相似度向所述用户推荐主播。
在通过相似主播分类模型输出候选主播的相似度后，可以根据相似度对候选主播排序，将排序在前的N个主播推荐给用户。
本发明实施例中预先训练相似主播分类模型，在向用户推荐主播时，采用用户感兴趣的主播和候选主播构成候选主播对，并提取候选主播对的主播对特征输入相似主播分类模型中输出候选主播的相似度，以根据相似度向用户推荐主播，解决了仅使用观看用户数量和依靠经验设计的计算公式计算相似度造成特征维度单一和通用性差的问题，能够从多个维度和训练好的相似主播分类模型确定两个主播的相似度，通用性好，主播的相似度准确，从而提高了主播推荐的准确度。
实施例四
图4为本发明实施例四提供的一种主播推荐方法的流程图，本发明实施例可适用于向用户推荐主播的情况，该方法可以由主播推荐装置来执行，该装置可以通过软件和/或硬件的方式来实现，并集成在执行本方法的设备中，具体地，如图4所示，该方法可以包括如下步骤：
S401、接收直播客户端发送的主播推荐请求，所述推荐请求中包括用户标识符。
直播客户端在检测到用户登录直播APP、观看完当前直播、刷新主播列表等事件时，可以生成主播推荐请求发送至服务器，该主播推荐请求中包括用户的用户标识符。
S402、基于所述用户标识符从预先建立的数据库中获取所述用户感兴趣的主播和所述用户感兴趣的主播的兴趣分。
服务器接收到主播推荐请求后，可以通过用户标识符从数据库中查询该用户感兴趣的主播以及用户感兴趣的主播的兴趣分，兴趣分表达了一个用户对某个主播的感兴趣程度。比如，主播推荐请求中用户标识符为A，则在数据库中查找到用户标识符A下感兴趣的主播有主播1、主播2、主播3和主播4，用户A对主播1、主播2、主播3和主播4感兴趣的兴趣分分别为80、85、90、95分。
其中，用户感兴趣的主播以及用户感兴趣的主播的兴趣分可以通过对用户观看直播的历史行为数据进行挖掘，在得到用户感兴趣的主播以及用户感兴趣的主播的兴趣分后存储在数据库中，该数据库可以为服务器本地上的数据库，还可以是独立于服务器的数据库。
S403、从所述数据库中获取所述用户感兴趣的主播的多个相似主播以及所述多个相似主播的相似度。
在实际应用中，可以对用户观看直播的历史行为数据进行挖掘，通过实施例一或者实施例二训练的相似主播分类模型获取与用户感兴趣的主播的相似主播及其相似度，然后将用户感兴趣的主播、与用户感兴趣的主播的相似主播、相似主播的相似度存储至数据库中，当服务器接收到主播推荐请求后，可以从数据库中直接获取多个相似主播以及相似度。
本发明实施例中，通过历史行为数据挖掘和相似主播分类模型确定与用户感兴趣的主播相似的主播并获得相似度后存储在数据库中，在接收到客户端的推荐请求时，可以直接从数据库中获取相似主播和相似度，提高了在线推荐的效率。
S404、采用所述兴趣分和所述相似度计算所述多个相似主播的推荐分。
具体地，计算兴趣分和相似度的乘积作为推荐分，例如：用户感兴趣的主播包括主播A和主播B，主播A的兴趣分为90分，主播B的兴趣分为98分，与主播A相似的主播包括主播A1和主播A2，主播A1的相似度为0.8，主播A2的相似度为0.7，与主播B相似的主播包括主播B1和主播B2，主播B1的相似度为0.9，主播B2的相似度为0.8，推荐分计算如下：
主播A1：90×0.8＝72
主播A2：90×0.7＝63
主播B1：98×0.9＝88.2
主播B2：98×0.8＝78.4
在本发明实施例中，用户感兴趣的主播具有兴趣分，通过用户感兴趣的主播的兴趣分与相似主播的相似度计算推荐分，既考虑的主播间的相似度，又考虑了用户感兴趣的主播的感兴趣程度，使得最终推荐给用户的主播更符合用户的需求，提高了推荐的准确度。
S405、基于所述推荐分从所述多个相似主播中确定出目标相似主播。
具体地，可以按照推荐分对多个相似主播进行排序，将排序在前的N个相似主播作为目标相似主播。
S406、将所述目标相似主播推荐至所述直播客户端。
即将目标相似主播推荐值用户所使用的直播客户端，以在直播客户端向用户推荐主播。
本发明实施例在接收到客户端的主播推荐请求时，从数据库中获取用户感兴趣的主播和兴趣分，并进一步从数据库中获取用户感兴趣的主播的相似主播和相似度，通过兴趣分和相似度计算推荐分，基于推荐分向客户端推荐主播，既考虑的主播间的相似度，又考虑了用户感兴趣的主播的感兴趣程度，使得最终推荐给用户的主播更符合用户的需求，提高了推荐的准确度，并且可以直接从数据库中获取相似主播和相似度，提高了在线推荐的效率。
进一步地，相似主播的相似度通过本发明实施例的相似主播分类模型训练方法所训练的模型输出，解决了仅使用观看用户数量和依靠经验设计的计算公式计算相似度造成特征维度单一和通用性差的问题，能够从多个维度和训练好的相似主播分类模型确定两个主播的相似度，通用性好，主播的相似度准确，从而提高了主播推荐的准确度
实施例五
图5是本发明实施例五提供的一种相似主播分类模型训练装置的结构框图，本发明实施例的相似主播分类模型训练装置具体可以包括如下模块：
历史行为数据获取模块501，用于获取用户观看直播的历史行为数据；
候选主播对确定模块502，用于根据所述历史行为数据确定多个第一候选主播对，每个第一候选主播对中包含两个主播；
主播信息获取模块503，用于获取每个主播的主播信息；
特征提取模块504，用于对于每个第一候选主播对，基于所述历史行为数据和所述主播信息提取所述第一候选主播对的主播对特征；
主播对样本确定模块505，用于从多个所述第一候选主播对中确定出主播对样本，所述主播对样本包括主播对特征和主播对标签；
模型训练模块506，用于采用所述主播对样本的所述主播对特征和所述主播对标签训练模型，获得用于输出主播相似度的相似主播分类模型。
可选地，所述历史行为数据获取模块501包括：
历史行为数据获取子模块，用于获取所述用户在第一时间段内的第一历史行为数据和在第二时间段内的第二历史行为数据，以作为所述用户观看直播的历史行为数据。
可选地，所述历史行为数据包括所述用户在第一时间段内的第一历史行为数据，所述候选主播对确定模块502包括：
第一主播队列确定子模块，用于基于第一历史行为数据确定第一主播队列和第二主播队列，所述第一主播队列为所述用户感兴趣的主播队列，所述第二主播队列为所述用户不感兴趣的主播队列；
第一候选主播对确定子模块，用于采用所述第一主播队列中的任意两个主播配对，以及采用所述第一主播队列中的任意一个主播和所述第二主播队列中的任意一个主播配对，得到多个第一候选主播对。
可选地，所述第一主播队列确定子模块包括：
第一主播队列生成单元，用于基于所述第一历史行为数据将具有正向行为直播的主播添加至所述第一主播队列；
第二主播队列生成单元，用于基于所述第一历史行为数据将具有负向行为直播的主播添加至所述第二主播队列；
所述正向行为包括观看主播的直播的时长大于预设值、打赏主播、连麦主播以及关注主播中的至少一项，所述负向行为包括未观看主播的直播或观看主播的直播的时长小于预设值。
可选地，所述历史行为数据包括所述用户在第一时间段内的第一历史行为数据，所述特征提取模块504包括：
行为特征提取子模块，用于基于所述第一历史行为数据提取所述第一候选主播对的行为特征；
属性特征提取子模块，用于基于所述主播信息提取所述第一候选主播对的属性特征；
特征连接子模块，用于采用所述行为特征和所述属性特征连接，得到所述第一候选主播对的主播对特征。
可选地，所述行为特征提取子模块包括：
行为特征提取单元，用于基于所述第一历史行为数据提取观看等级特征、连麦等级特征、打赏等级特征、打赏特征以及关注特征中的至少一项作为所述第一候选主播对的行为特征，其中，
所述观看等级特征为所述第一候选主播对中第一主播和第二主播的历史重合观看用户中，观看第二主播的观看时长属于不同观看时长等级的用户数量；
所述连麦等级特征为观看所述第一主播时，连麦所述第二主播的用户中连麦时长属于不同连麦时长等级的用户数量；
所述打赏等级特征为观看所述第一主播时，打赏所述第二主播的打赏金额属于不同金额等级的用户数量；
所述打赏特征为共同打赏过所述第一主播和第二主播的用户数量；
所述关注特征为共同关注过所述第一主播和第二主播的用户数量。
可选地，所述属性特征提取子模块包括：
属性特征提取单元，用于基于所述主播信息提取籍贯特征、性别特征、语言特征、直播特征、年龄特征以及地理特征中的至少一项作为所述第一候选主播对的属性特征，其中，
所述籍贯特征表达所述第一候选主播对的第一主播和第二主播的籍贯是否相同；所述性别特征表达性别是否相同，所述语言特征表达直播语言是否相同；所述直播特征表达直播类型是否相同；所述年龄特征表达年龄差；所述地理特征表达地理位置距离。
可选地，所述历史行为数据包括用户在第二时间段内的第二历史行为数据，所述主播对样本确定模块505包括：
第二主播队列确定子模块，用于基于所述第二历史行为数据确定第三主播队列和第四主播队列，所述第三主播队列为所述用户感兴趣的主播队列，所述第四主播队列为所述用户不感兴趣的主播队列；
第二候选主播对确定子模块，用于采用所述第三主播队列中的任意两个主播配对，以及采用所述第三主播队列中的任意一个主播和所述第四主播队列中的任意一个主播配对，得到多个第二候选主播对；
主播对标签确定子模块，用于确定多个所述第二候选主播对中每个主播对的主播对标签；
相同主播对确定子模块，用于从多个所述第一候选主播对和所述多个第二候选主播对中确定出相同的主播对；
主播对样本生成子模块，用于采用所述相同的主播对以及所述相同的主播对的主播对标签生成主播对样本。
可选地，所述主播对标签确定子模块包括：
主播判断单元，用于判断所述第二候选主播对中是否包含所述第四主播队列中的主播；
非相似标签确定单元，用于确定所述第二候选主播对的主播对标签为非相似标签；
相似标签确定单元，用于确定所述第二候选主播对的主播对标签为相似标签。
可选地，所述模型训练模块506包括：
模型初始化子模块，用于确定初始相似主播分类模型；
特征输入子模块，用于将所述主播对特征输入至所述初始相似主播分类模型获得预测标签；
模型调整子模块，用于基于所述预测标签和所述主播对标签调整所述初始相似主播分类模型，得到目标相似主播分类模型。
可选地，所述模型调整子模块包括：
损失率计算单元，用于根据所述预测标签和所述主播对标签计算损失率；
模型参数调整单元，用于如果所述损失率大于预设值，则采用预设梯度调整所述初始相似主播分类模型的参数，并返回特征输入子模块，直到所述损失率小于预设值。
本发明实施例所提供的相似主播分类模型训练装置可执行本发明任意实施例所提供的相似主播分类模型训练方法，具备执行方法相应的功能模块和有益效果。
实施例六
图6是本发明实施例六提供的一种主播推荐装置的结构框图，本发明实施例的主播推荐装置具体可以包括如下模块：
感兴趣主播获取模块601，用于在向用户推荐主播时，获取所述用户感兴趣的主播；
候选主播获取模块602，用于获取多个候选主播；
主播对确定模块603，用于采用所述用户感兴趣的主播和所述多个候选主播确定多个候选主播对，每个候选主播对包括所述用户感兴趣的主播和候选主播；
主播对特征获取模块604，用于获取所述候选主播对的主播对特征；
相似度获取模块605，用于将所述主播对特征输入预先训练的相似主播分类模型中以获得所述候选主播与所述用户感兴趣的主播的相似度；
推荐模块606，用于基于多个候选主播的相似度向所述用户推荐主播；
其中，所述相似主播分类模型由本发明实施例所述的相似主播分类模型训练方法所训练。
本发明实施例所提供的主播推荐装置可执行本发明实施例三所提供的主播推荐方法，具备执行方法相应的功能模块和有益效果。
实施例七
图7是本发明实施例七提供的一种主播推荐装置的结构框图，本发明实施例的主播推荐装置具体可以包括如下模块：
推荐请求接收模块701，用于接收直播客户端发送的主播推荐请求，所述推荐请求中包括用户标识符；
感兴趣主播信息获取模块702，用于基于所述用户标识符从预先建立的数据库中获取所述用户感兴趣的主播和所述用户感兴趣的主播的兴趣分；
相似主播信息获取模块703，用于从所述数据库中获取所述用户感兴趣的主播的多个相似主播以及所述多个相似主播的相似度；
推荐分计算模块704，用于采用所述兴趣分和所述相似度计算所述多个相似主播的推荐分；
目标相似主播确定模块705，用于基于所述推荐分从所述多个相似主播中确定出目标相似主播；
主播推荐模块706，用于将所述目标相似主播推荐至所述直播客户端；
其中，所述相似主播的相似度由本发明实施例所述的相似主播分类模型训练方法所训练的模型获取并预先存储至所述数据库中。
本发明实施例所提供的主播推荐装置可执行本发明任意实施例四所提供的主播推荐方法，具备执行方法相应的功能模块和有益效果。
实施例八
参照图8，示出了本发明一个示例中的一种设备的结构示意图。如图8所示，该设备具体可以包括：处理器80、存储器81、具有触摸功能的显示屏82、输入装置83、输出装置84以及通信装置85。该设备中处理器80的数量可以是一个或者多个，图8中以一个处理器80为例。该设备中存储器81的数量可以是一个或者多个，图8中以一个存储器81为例。该设备的处理器80、存储器81、显示屏82、输入装置83、输出装置84以及通信装置85可以通过总线或者其他方式连接，图8中以通过总线连接为例。
存储器81作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明任意实施例所述的语义分割网络的训练方法对应的程序指令/模块(例如，上述相似主播分类模型训练装置中的历史行为数据获取模块501、候选主播对确定模块502、主播信息获取模块503、特征提取模块504、主播对样本确定模块505和模型训练模块504)，或如本发明实施例三所述的主播推荐方法对应的程序指令/模块(例如，上述主播推荐装置中的感兴趣主播获取模块601、候选主播获取模块602、主播对确定模块603、主播对特征获取模块604、相似度获取模块605和推荐模块606)，或如本发明实施例四所述的主播推荐方法对应的程序指令/模块(例如，上述主播推荐装置中的推荐请求接收模块701、感兴趣主播信息获取模块702、相似主播信息获取模块703、推荐分计算模块704、目标相似主播确定模块705和主播推荐模块706)。存储器81可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作装置、至少一个功能所需的应用程序；存储数据区可存储根据设备的使用所创建的数据等。此外，存储器81可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器81可进一步包括相对于处理器80远程设置的存储器，这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
显示屏82为具有触摸功能的显示屏82，其可以是电容屏、电磁屏或者红外屏。一般而言，显示屏82用于根据处理器80的指示显示数据，还用于接收作用于显示屏82的触摸操作，并将相应的信号发送至处理器80或其他装置。可选的，当显示屏82为红外屏时，其还包括红外触摸框，该红外触摸框设置在显示屏82的四周，其还可以用于接收红外信号，并将该红外信号发送至处理器80或者其他设备。
通信装置85，用于与其他设备建立通信连接，其可以是有线通信装置和/或无线通信装置。
输入装置83可用于接收输入的数字或者字符信息，以及产生与设备的用户设置以及功能控制有关的键信号输入，还可以是用于获取图像的摄像头以及获取音频数据的拾音设备。输出装置84可以包括扬声器等音频设备。需要说明的是，输入装置83和输出装置84的具体组成可以根据实际情况设定。
处理器80通过运行存储在存储器81中的软件程序、指令以及模块，从而执行设备的各种功能应用以及数据处理，即实现上述相似主播分类模型训练方法和/或主播推荐方法。
具体地，实施例中，处理器80执行存储器81中存储的一个或多个程序时，具体实现本发明实施例提供的相似主播分类模型训练方法和/或主播推荐方法。
本发明实施例还提供一种计算机可读存储介质，所述存储介质中的指令由设备的处理器执行时，使得设备能够执行如上述方法实施例所述的相似主播分类模型训练方法和/或主播推荐方法。
需要说明的是，对于装置、设备、存储介质实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等，包括若干指令用以使得一台计算机设备(可以是机器人，个人计算机，服务器，或者网络设备等)执行本发明任意实施例所述的相似主播分类模型训练方法和/或主播推荐方法。
值得注意的是，上述相似主播分类模型训练装置和/或主播推荐装置中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行装置执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
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 (18)

1.一种相似主播分类模型训练方法，其特征在于，包括：
获取用户观看直播的历史行为数据；
根据所述历史行为数据确定多个第一候选主播对，每个第一候选主播对中包含两个主播；
获取每个主播的主播信息；
对于每个第一候选主播对，基于所述历史行为数据和所述主播信息提取所述第一候选主播对的主播对特征；
从多个所述第一候选主播对中确定出主播对样本，所述主播对样本包括主播对特征和主播对标签；
采用所述主播对样本的所述主播对特征和所述主播对标签训练模型，获得用于输出主播相似度的相似主播分类模型。
2.根据权利要求1所述的方法，其特征在于，所述获取用户观看直播的历史行为数据，包括：
获取所述用户在第一时间段内的第一历史行为数据和在第二时间段内的第二历史行为数据，以作为所述用户观看直播的历史行为数据。
3.根据权利要求1所述的方法，其特征在于，所述历史行为数据包括第一时间段内的第一历史行为数据，所述根据所述历史行为数据确定多个第一候选主播对，包括：
基于第一历史行为数据确定第一主播队列和第二主播队列，所述第一主播队列为用户感兴趣的主播队列，所述第二主播队列为用户不感兴趣的主播队列；
采用所述第一主播队列中的任意两个主播配对，以及采用所述第一主播队列中的任意一个主播和所述第二主播队列中的任意一个主播配对，得到多个第一候选主播对。
4.根据权利要求3所述的方法，其特征在于，所述基于第一历史行为数据确定第一主播队列和第二主播队列，包括：
基于所述第一历史行为数据将具有正向行为直播的主播添加至所述第一主播队列；
基于所述第一历史行为数据将具有负向行为直播的主播添加至所述第二主播队列；
所述正向行为包括直播的观看时长大于预设值、打赏主播、连麦主播以及关注主播中的至少一项，所述负向行为包括未观看主播的直播或观看主播的直播的时长小于预设值。
5.根据权利要求1-4任一项所述的方法，其特征在于，所述历史行为数据包括所述用户在第一时间段内的第一历史行为数据，所述对于每个第一候选主播对，基于所述历史行为数据和所述主播信息提取所述第一候选主播对的主播对特征，包括：
基于所述第一历史行为数据提取所述第一候选主播对的行为特征；
基于所述主播信息提取所述第一候选主播对的属性特征；
采用所述行为特征和所述属性特征连接，得到所述第一候选主播对的主播对特征。
6.根据权利要求5所述的方法，其特征在于，所述基于所述第一历史行为数据提取所述第一候选主播对的行为特征，包括：
基于所述第一历史行为数据提取观看等级特征、连麦等级特征、打赏等级特征、打赏特征以及关注特征中的至少一项作为所述第一候选主播对的行为特征，其中，
所述观看等级特征为所述第一候选主播对中第一主播和第二主播的历史重合观看用户中，观看第二主播的观看时长属于不同观看时长等级的用户数量；
所述连麦等级特征为观看所述第一主播时，连麦所述第二主播的用户中连麦时长属于不同连麦时长等级的用户数量；
所述打赏等级特征为观看所述第一主播时，打赏所述第二主播的打赏金额属于不同金额等级的用户数量；
所述打赏特征为共同打赏过所述第一主播和第二主播的用户数量；
所述关注特征为共同关注过所述第一主播和第二主播的用户数量。
7.根据权利要求5所述的方法，其特征在于，所述基于所述主播信息提取所述第一候选主播对的属性特征，包括：
基于所述主播信息提取籍贯特征、性别特征、语言特征、直播特征、年龄特征以及地理特征中的至少一项作为所述第一候选主播对的属性特征，其中，
所述籍贯特征表达所述第一候选主播对的第一主播和第二主播的籍贯是否相同；所述性别特征表达性别是否相同，所述语言特征表达直播语言是否相同；所述直播特征表达直播类型是否相同；所述年龄特征表达年龄差；所述地理特征表达地理位置距离。
8.根据权利要求1所述的方法，其特征在于，所述历史行为数据包括用户在第二时间段内的第二历史行为数据，所述从多个所述第一候选主播对中确定出主播对样本，包括：
基于所述第二历史行为数据确定第三主播队列和第四主播队列，所述第三主播队列为所述用户感兴趣的主播队列，所述第四主播队列为所述用户不感兴趣的主播队列；
采用所述第三主播队列中的任意两个主播配对，以及采用所述第三主播队列中的任意一个主播和所述第四主播队列中的任意一个主播配对，得到多个第二候选主播对；
确定多个所述第二候选主播对中每个主播对的主播对标签；
从多个所述第一候选主播对和所述多个第二候选主播对中确定出相同的主播对；
采用所述相同的主播对以及所述相同的主播对的主播对标签生成主播对样本。
9.根据权利要求8所述的方法，其特征在于，所述确定多个所述第二候选主播对中每个主播对的主播对标签，包括：
判断所述第二候选主播对中是否包含所述第四主播队列中的主播；
若是，确定所述第二候选主播对的主播对标签为非相似标签；
若否，确定所述第二候选主播对的主播对标签为相似标签。
10.根据权利要求1或2或3或4或8或9所述的方法，其特征在于，所述采用所述主播对样本的所述主播对特征和所述主播对标签训练模型，获得用于输出主播相似度的相似主播分类模型，包括：
确定初始相似主播分类模型；
将所述主播对特征输入至所述初始相似主播分类模型获得预测标签；
基于所述预测标签和所述主播对标签调整所述初始相似主播分类模型，得到目标相似主播分类模型。
11.根据权利要求10所述的方法，其特征在于，所述基于所述预测标签和所述主播对标签调整所述初始相似主播分类模型，得到目标相似主播分类模型，包括：
根据所述预测标签和所述主播对标签计算损失率；
如果所述损失率大于预设值，则采用预设梯度调整所述初始相似主播分类模型的参数，并返回将所述主播对特征输入至所述初始相似主播分类模型获得预测标签的步骤，直到所述损失率小于预设值。
12.一种主播推荐方法，其特征在于，包括：
在向用户推荐主播时，获取所述用户感兴趣的主播；
获取多个候选主播；
采用所述用户感兴趣的主播和所述多个候选主播确定多个候选主播对，每个候选主播对包括所述用户感兴趣的主播和候选主播；
获取所述候选主播对的主播对特征；
将所述主播对特征输入预先训练的相似主播分类模型中以获得多个所述候选主播与所述用户感兴趣的主播的相似度；
基于多个候选主播的相似度向所述用户推荐主播；
其中，所述相似主播分类模型由权利要求1-11任一项所述的相似主播分类模型训练方法所训练。
13.一种主播推荐方法，其特征在于，包括：
接收直播客户端发送的主播推荐请求，所述推荐请求中包括用户标识符；
基于所述用户标识符从预先建立的数据库中获取所述用户感兴趣的主播和所述用户感兴趣的主播的兴趣分；
从所述数据库中获取所述用户感兴趣的主播的多个相似主播以及所述多个相似主播的相似度；
采用所述兴趣分和所述相似度计算所述多个相似主播的推荐分；
基于所述推荐分从所述多个相似主播中确定出目标相似主播；
将所述目标相似主播推荐至所述直播客户端；
其中，所述相似主播的相似度由权利要求1-11任一项所述的相似主播分类模型训练方法所训练的模型获取并预先存储至所述数据库中。
14.一种相似主播分类模型训练装置，其特征在于，包括：
历史行为数据获取模块，用于获取用户观看直播的历史行为数据；
候选主播对确定模块，用于根据所述历史行为数据确定多个第一候选主播对，每个第一候选主播对中包含两个主播；
主播信息获取模块，用于获取每个主播的主播信息；
特征提取模块，用于对于每个第一候选主播对，基于所述历史行为数据和所述主播信息提取所述第一候选主播对的主播对特征；
主播对样本确定模块，用于从多个所述第一候选主播对中确定出主播对样本，所述主播对样本包括主播对特征和主播对标签；
模型训练模块，用于采用所述主播对样本的所述主播对特征和所述主播对标签训练模型，获得用于输出主播相似度的相似主播分类模型。
15.一种主播推荐装置，其特征在于，包括：
感兴趣主播获取模块，用于在向用户推荐主播时，获取所述用户感兴趣的主播；
候选主播获取模块，用于获取多个候选主播；
主播对确定模块，用于采用所述用户感兴趣的主播和所述多个候选主播确定多个候选主播对，每个候选主播对包括所述用户感兴趣的主播和候选主播；
主播对特征获取模块，用于获取所述候选主播对的主播对特征；
相似度获取模块，用于将所述主播对特征输入预先训练的相似主播分类模型中以获得多个所述候选主播与所述用户感兴趣的主播的相似度；
推荐模块，用于基于多个候选主播的相似度向所述用户推荐主播；
其中，所述相似主播分类模型由权利要求1-11任一项所述的相似主播分类模型训练方法所训练。
16.一种主播推荐装置，其特征在于，包括：
推荐请求接收模块，用于接收直播客户端发送的主播推荐请求，所述推荐请求中包括用户标识符；
感兴趣主播信息获取模块，用于基于所述用户标识符从预先建立的数据库中获取所述用户感兴趣的主播和所述用户感兴趣的主播的兴趣分；
相似主播信息获取模块，用于从所述数据库中获取所述用户感兴趣的主播的多个相似主播以及所述多个相似主播的相似度；
推荐分计算模块，用于采用所述兴趣分和所述相似度计算所述多个相似主播的推荐分；
目标相似主播确定模块，用于基于所述推荐分从所述多个相似主播中确定出目标相似主播；
主播推荐模块，用于将所述目标相似主播推荐至所述直播客户端；
其中，所述相似主播的相似度由权利要求1-11任一项所述的相似主播分类模型训练方法所训练的模型获取并预先存储至所述数据库中。
17.一种设备，其特征在于，所述设备包括：
一个或多个处理器；
存储装置，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1-11中任一所述的相似主播分类模型训练方法和/或如权利要求12-13任一所述的主播推荐方法。
18.一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1-11中任一所述的相似主播分类模型训练方法和/或如权利要求12-13任一所述的主播推荐方法。
CN201911053081.0A 2019-10-31 2019-10-31 相似主播分类模型训练方法、主播推荐方法及相关装置 Active CN110830812B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911053081.0A CN110830812B (zh) 2019-10-31 2019-10-31 相似主播分类模型训练方法、主播推荐方法及相关装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911053081.0A CN110830812B (zh) 2019-10-31 2019-10-31 相似主播分类模型训练方法、主播推荐方法及相关装置

Publications (2)

Publication Number Publication Date
CN110830812A true CN110830812A (zh) 2020-02-21
CN110830812B CN110830812B (zh) 2021-11-30

Family

ID=69551753

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911053081.0A Active CN110830812B (zh) 2019-10-31 2019-10-31 相似主播分类模型训练方法、主播推荐方法及相关装置

Country Status (1)

Country Link
CN (1) CN110830812B (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111400591A (zh) * 2020-03-11 2020-07-10 腾讯科技（北京）有限公司 资讯信息推荐方法、装置、电子设备及存储介质
CN111563201A (zh) * 2020-04-29 2020-08-21 北京三快在线科技有限公司 内容推送方法、装置、服务器及存储介质
CN111709782A (zh) * 2020-06-17 2020-09-25 北京字节跳动网络技术有限公司 信息交互方法、装置和电子设备
CN112087641A (zh) * 2020-09-03 2020-12-15 广州华多网络科技有限公司 视频通信协同控制、请求、反馈方法及装置、设备与介质
CN113542779A (zh) * 2021-06-04 2021-10-22 广州虎牙科技有限公司 用户数据的预测方法、计算机设备及存储装置
CN113763072A (zh) * 2020-07-01 2021-12-07 北京京东振世信息技术有限公司 用于分析信息的方法和装置
CN113923529A (zh) * 2021-10-08 2022-01-11 北京百度网讯科技有限公司 直播连麦方法、装置、设备以及存储介质
CN114302152A (zh) * 2021-11-17 2022-04-08 北京乐我无限科技有限责任公司 直播间的推荐方法、装置、设备及存储介质
CN114697711A (zh) * 2020-12-30 2022-07-01 武汉斗鱼网络科技有限公司 一种主播推荐方法、装置、电子设备和存储介质
EP4161085A4 (en) * 2021-03-30 2023-11-01 BOE Technology Group Co., Ltd. REAL-TIME AUDIO/VIDEO CONTENT RECOMMENDATION METHOD AND APPARATUS, DEVICE, AND COMPUTER STORAGE MEDIUM

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107273436A (zh) * 2017-05-24 2017-10-20 北京京东尚科信息技术有限公司 一种推荐模型的训练方法和训练装置
US9830516B1 (en) * 2016-07-07 2017-11-28 Videoken, Inc. Joint temporal segmentation and classification of user activities in egocentric videos
CN107483982A (zh) * 2017-07-11 2017-12-15 北京潘达互娱科技有限公司 一种主播推荐方法与装置
CN107948678A (zh) * 2017-11-14 2018-04-20 广州虎牙信息科技有限公司 主播推荐方法、装置及计算机设备
CN107992526A (zh) * 2017-11-10 2018-05-04 广州虎牙信息科技有限公司 主播推荐方法、存储设备及计算机设备
CN108304888A (zh) * 2018-02-28 2018-07-20 广州虎牙信息科技有限公司 直播平台用户分类方法及计算机存储介质、终端
CN108304441A (zh) * 2017-11-14 2018-07-20 腾讯科技（深圳）有限公司 网络资源推荐方法、装置、电子设备、服务器及存储介质
CN108399418A (zh) * 2018-01-23 2018-08-14 北京奇艺世纪科技有限公司 一种用户分类方法及装置
CN108829771A (zh) * 2018-05-29 2018-11-16 广州虎牙信息科技有限公司 主播推荐方法、装置、计算机存储介质及服务器
CN109284445A (zh) * 2018-12-11 2019-01-29 北京达佳互联信息技术有限公司 网络资源的推荐方法、装置、服务器及存储介质
US20190103095A1 (en) * 2017-09-29 2019-04-04 Oracle International Corporation Utterance quality estimation
CN109729377A (zh) * 2019-01-02 2019-05-07 广州虎牙信息科技有限公司 一种主播信息的推送方法、装置、计算机设备和存储介质
KR20190069227A (ko) * 2017-12-11 2019-06-19 주식회사 엘솔루 자동 음성인식 시스템 및 이의 도메인 적응 방법
CN110119474A (zh) * 2018-05-16 2019-08-13 华为技术有限公司 推荐模型训练方法、基于推荐模型的预测方法及装置
CN110365994A (zh) * 2019-07-18 2019-10-22 广州虎牙科技有限公司 直播推荐方法、装置、服务器及可读存储介质

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9830516B1 (en) * 2016-07-07 2017-11-28 Videoken, Inc. Joint temporal segmentation and classification of user activities in egocentric videos
CN107273436A (zh) * 2017-05-24 2017-10-20 北京京东尚科信息技术有限公司 一种推荐模型的训练方法和训练装置
CN107483982A (zh) * 2017-07-11 2017-12-15 北京潘达互娱科技有限公司 一种主播推荐方法与装置
US20190103095A1 (en) * 2017-09-29 2019-04-04 Oracle International Corporation Utterance quality estimation
CN107992526A (zh) * 2017-11-10 2018-05-04 广州虎牙信息科技有限公司 主播推荐方法、存储设备及计算机设备
CN108304441A (zh) * 2017-11-14 2018-07-20 腾讯科技（深圳）有限公司 网络资源推荐方法、装置、电子设备、服务器及存储介质
CN107948678A (zh) * 2017-11-14 2018-04-20 广州虎牙信息科技有限公司 主播推荐方法、装置及计算机设备
KR20190069227A (ko) * 2017-12-11 2019-06-19 주식회사 엘솔루 자동 음성인식 시스템 및 이의 도메인 적응 방법
CN108399418A (zh) * 2018-01-23 2018-08-14 北京奇艺世纪科技有限公司 一种用户分类方法及装置
CN108304888A (zh) * 2018-02-28 2018-07-20 广州虎牙信息科技有限公司 直播平台用户分类方法及计算机存储介质、终端
CN110119474A (zh) * 2018-05-16 2019-08-13 华为技术有限公司 推荐模型训练方法、基于推荐模型的预测方法及装置
CN108829771A (zh) * 2018-05-29 2018-11-16 广州虎牙信息科技有限公司 主播推荐方法、装置、计算机存储介质及服务器
CN109284445A (zh) * 2018-12-11 2019-01-29 北京达佳互联信息技术有限公司 网络资源的推荐方法、装置、服务器及存储介质
CN109729377A (zh) * 2019-01-02 2019-05-07 广州虎牙信息科技有限公司 一种主播信息的推送方法、装置、计算机设备和存储介质
CN110365994A (zh) * 2019-07-18 2019-10-22 广州虎牙科技有限公司 直播推荐方法、装置、服务器及可读存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
黄志强: "基于标签的个性化推荐系统研究", 《中国优秀硕士学位论文全文数据库（电子期刊）》 *

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111400591B (zh) * 2020-03-11 2023-04-07 深圳市雅阅科技有限公司 资讯信息推荐方法、装置、电子设备及存储介质
CN111400591A (zh) * 2020-03-11 2020-07-10 腾讯科技（北京）有限公司 资讯信息推荐方法、装置、电子设备及存储介质
CN111563201A (zh) * 2020-04-29 2020-08-21 北京三快在线科技有限公司 内容推送方法、装置、服务器及存储介质
CN111709782A (zh) * 2020-06-17 2020-09-25 北京字节跳动网络技术有限公司 信息交互方法、装置和电子设备
CN111709782B (zh) * 2020-06-17 2023-04-28 北京字节跳动网络技术有限公司 信息交互方法、装置和电子设备
CN113763072B (zh) * 2020-07-01 2023-09-22 北京京东振世信息技术有限公司 用于分析信息的方法和装置
CN113763072A (zh) * 2020-07-01 2021-12-07 北京京东振世信息技术有限公司 用于分析信息的方法和装置
CN112087641A (zh) * 2020-09-03 2020-12-15 广州华多网络科技有限公司 视频通信协同控制、请求、反馈方法及装置、设备与介质
CN114697711A (zh) * 2020-12-30 2022-07-01 武汉斗鱼网络科技有限公司 一种主播推荐方法、装置、电子设备和存储介质
CN114697711B (zh) * 2020-12-30 2024-02-20 广州财盟科技有限公司 一种主播推荐方法、装置、电子设备和存储介质
EP4161085A4 (en) * 2021-03-30 2023-11-01 BOE Technology Group Co., Ltd. REAL-TIME AUDIO/VIDEO CONTENT RECOMMENDATION METHOD AND APPARATUS, DEVICE, AND COMPUTER STORAGE MEDIUM
CN113542779B (zh) * 2021-06-04 2023-07-28 广州虎牙科技有限公司 用户数据的预测方法、计算机设备及存储装置
CN113542779A (zh) * 2021-06-04 2021-10-22 广州虎牙科技有限公司 用户数据的预测方法、计算机设备及存储装置
CN113923529A (zh) * 2021-10-08 2022-01-11 北京百度网讯科技有限公司 直播连麦方法、装置、设备以及存储介质
CN114302152A (zh) * 2021-11-17 2022-04-08 北京乐我无限科技有限责任公司 直播间的推荐方法、装置、设备及存储介质

Also Published As

Publication number Publication date
CN110830812B (zh) 2021-11-30

Similar Documents

Publication Publication Date Title
CN110830812B (zh) 相似主播分类模型训练方法、主播推荐方法及相关装置
CN108108821B (zh) 模型训练方法及装置
US20170289619A1 (en) Method for positioning video, terminal apparatus and cloud server
US10630794B2 (en) Multi computing device network based conversion determination based on computer network traffic
US20180293609A1 (en) Target user directing method and apparatus and computer storage medium
US20210365628A1 (en) Extracting audiovisual features from digital components
CN110602564B (zh) 视频优化信息提供方法、装置、电子设备及可读介质
CN103995870A (zh) 交互式搜索方法和装置
US20150066630A1 (en) Content selection with precision controls
US20230252331A1 (en) Machine-learning models to facilitate user retention for software applications
WO2013078640A1 (en) Estimating user demographics
CN109829064B (zh) 媒体资源分享及播放方法和装置、存储介质及电子装置
TW201543238A (zh) 使用者會話之使用者滿意度評估方法與系統
US20180285331A1 (en) Method, server, browser, and system for recommending text information
US9179252B1 (en) Selecting location-based content
WO2020040883A1 (en) Conversational assistant using extracted guidance knowledge
US20170169062A1 (en) Method and electronic device for recommending video
US20210158398A1 (en) User data segmentation augmented with public event streams for facilitating customization of online content
WO2018004737A1 (en) Improving content delivery by monitoring user actions for predicting event performance
KR101873339B1 (ko) 관심사 및 콘텐츠를 제공하는 방법 및 시스템
CN111949859A (zh) 用户画像更新方法、装置、计算机设备及存储介质
CN112148958A (zh) 用于信息推荐的方法、设备和计算机存储介质
CN111699487A (zh) 用于快速且安全的内容提供的系统
CN111444447A (zh) 内容推荐页面的展现方法及装置
CN111368195A (zh) 一种模型训练方法、装置、设备及存储介质

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
GR01 Patent grant
GR01 Patent grant