CN110996116B - 一种主播信息的推送方法、装置、计算机设备和存储介质 - Google Patents
一种主播信息的推送方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN110996116B CN110996116B CN201911311364.0A CN201911311364A CN110996116B CN 110996116 B CN110996116 B CN 110996116B CN 201911311364 A CN201911311364 A CN 201911311364A CN 110996116 B CN110996116 B CN 110996116B
- Authority
- CN
- China
- Prior art keywords
- anchor
- user
- value
- type
- anchor 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000003860 storage Methods 0.000 title claims abstract description 15
- 230000003993 interaction Effects 0.000 claims abstract description 121
- 230000002452 interceptive effect Effects 0.000 claims abstract description 38
- 238000013145 classification model Methods 0.000 claims description 52
- 238000012549 training Methods 0.000 claims description 32
- 230000006870 function Effects 0.000 claims description 30
- 238000012545 processing Methods 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 14
- 230000000875 corresponding effect Effects 0.000 claims description 13
- 238000012163 sequencing technique Methods 0.000 claims description 13
- 238000007477 logistic regression Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 6
- 230000002596 correlated effect Effects 0.000 claims description 4
- 230000005484 gravity Effects 0.000 claims description 4
- 239000002131 composite material Substances 0.000 claims 1
- 238000010304 firing Methods 0.000 claims 1
- 238000000638 solvent extraction Methods 0.000 claims 1
- 238000011161 development Methods 0.000 abstract description 5
- 230000008569 process Effects 0.000 description 7
- 238000009826 distribution Methods 0.000 description 6
- 230000002829 reductive effect Effects 0.000 description 6
- 238000012216 screening Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 239000002699 waste material Substances 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000007637 random forest analysis Methods 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000002238 attenuated effect Effects 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000005315 distribution function Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000036961 partial effect Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 235000012054 meals Nutrition 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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]
- H04N21/40—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
-
- 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
- H04N21/47—End-user applications
- H04N21/478—Supplemental services, e.g. displaying phone caller identification, shopping application
- H04N21/4788—Supplemental services, e.g. displaying phone caller identification, shopping application communicating with other users, e.g. chatting
-
- 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
- G06F16/903—Querying
- G06F16/9035—Filtering based on additional data, e.g. user or group profiles
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
- H04N21/45—Management operations performed by the client for facilitating the reception of or the interaction with the content or administrating data related to the end-user or to the client device itself, e.g. learning user preferences for recommending movies, resolving scheduling conflicts
- H04N21/466—Learning process for intelligent management, e.g. learning user preferences for recommending movies
- H04N21/4662—Learning process for intelligent management, e.g. learning user preferences for recommending movies characterized by learning algorithms
- H04N21/4665—Learning process for intelligent management, e.g. learning user preferences for recommending movies characterized by learning algorithms involving classification methods, e.g. Decision trees
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
- H04N21/45—Management operations performed by the client for facilitating the reception of or the interaction with the content or administrating data related to the end-user or to the client device itself, e.g. learning user preferences for recommending movies, resolving scheduling conflicts
- H04N21/466—Learning process for intelligent management, e.g. learning user preferences for recommending movies
- H04N21/4667—Processing of monitored end-user data, e.g. trend analysis based on the log file of viewer selections
-
- 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]
- H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
- H04N21/43—Processing of content or additional data, e.g. demultiplexing additional data from a digital video stream; Elementary client operations, e.g. monitoring of home network or synchronising decoder's clock; Client middleware
- H04N21/442—Monitoring of processes or resources, e.g. detecting the failure of a recording device, monitoring the downstream bandwidth, the number of times a movie has been viewed, the storage space available from the internal hard disk
- H04N21/44213—Monitoring of end-user related data
- H04N21/44222—Analytics of user selections, e.g. selection of programs or purchase activity
- H04N21/44224—Monitoring of user activity on external systems, e.g. Internet browsing
- H04N21/44226—Monitoring of user activity on external systems, e.g. Internet browsing on social networks
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- General Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Two-Way Televisions, Distribution Of Moving Picture Or The Like (AREA)
Abstract
本发明实施例公开了一种主播信息的推送方法、装置、计算机设备和存储介质,该方法包括:召回主播用户;以直播历史与直播效率作为分类的维度、对主播用户划分主播类型;对主播用户计算交互值,交互值用于表征观众用户观看主播用户直播间的特性;根据主播类型,使用交互值对主播用户计算综合值;根据综合值将主播用户的主播信息推送至观众用户。本实施例可提高新的主播用户的积极性,保证整个直播生态的健康发展。
Description
技术领域
本发明实施例涉及直播领域的技术,尤其涉及一种主播信息的推送方法、装置、计算机设备和存储介质。
背景技术
随着网络科技的发展,尤其是移动终端的普及,主播用户在直播平台上开设直播间,将身边的事情进行直播,其他观众用户可以进入该直播间进行观看直播,与主播用户进行互动。
为了提高观众用户的用户体验,直播平台会筛选观众用户可能喜欢的主播用户,将该主播用户的用户信息推送至观众用户,方便观众用户快速进去该主播用户开设的直播间观看直播。
目前,主播用户的筛选方式是由基于机器学习的模型来打分排序决定的,模型输出的分数主要由多维度的特征决定。
在直播的场景下,老的主播用户由于具有丰富的特征让其得到较多的推送机会,而新的主播用户则因为缺少的特征而只能得到少量的推送机会。
一方面,这样子会抑制新的主播用户的积极性,影响整个直播生态的健康发展。
另一方面,推送的主播用户过于集中在特征丰富的老主播用户,重复推送主播用户、主播用户特性相近的情况较多,容易让观众用户厌倦,而观众用户想要获取其他主播用户,通常需要使用关键词搜索主播用户并进行筛选,这不仅仅对为了筛选、推送主播用户而耗费的资源造成浪费,也导致观众用户观看直播的操作繁琐。
发明内容
本发明实施例提供一种主播信息的推送方法、装置、计算机设备和存储介质,以解决集中推送特征丰富的老主播用户导致资源浪费、观看直播的操作繁琐的问题。
第一方面,本发明实施例提供了一种主播信息的推送方法,包括:
召回主播用户;
以直播历史与直播效率作为分类的维度、对所述主播用户划分主播类型;
对所述主播用户计算交互值,所述交互值用于表征观众用户观看所述主播用户直播间的特性;
根据所述主播类型,使用所述交互值对所述主播用户计算综合值;
根据所述综合值将所述主播用户的主播信息推送至观众用户。
第二方面,本发明实施例还提供了一种主播信息的推送装置,包括:
主播用户召回模块,用于召回主播用户;
主播用户分类模块,用于以直播历史与直播效率作为分类的维度、对所述主播用户划分主播类型;
交互值计算模块,用于对所述主播用户计算交互值,所述交互值用于表征观众用户观看主播用户直播间的特性;
综合值计算模块,用于根据所述主播类型,使用所述交互值对所述主播用户计算综合值;
主播信息推送模块,用于根据所述综合值将所述主播用户的主播信息推送至观众用户。
第三方面,本发明实施例还提供了一种计算机设备,所述计算机设备包括:
一个或多个处理器;
存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如第一方面所述的主播信息的推送方法。
第四方面,本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如第一方面所述的主播信息的推送方法。
在本实施例中,召回主播用户,以直播历史与直播效率作为分类的维度、对主播用户划分主播类型,对主播用户计算交互值,该交互值用于表征观众用户观看主播用户直播间的特性,根据主播类型,使用交互值对主播用户计算综合值,根据综合值将主播用户的主播信息推送至观众用户,通过直播历史可以划分新的主播用户与老的主播用户,通过直播效率可以划分优质的主播用户与普通的主播用户,针对不同主播类型的主播用户,可以适应性地调整交互值,从而对推送机会进行调整,在交互值满足主播用户的质量需求的前提下,可通过调整满足不同的业务需求,使得新的主播用户在较少特征的情况下可以获得较多的推送机会,一方面,提高新的主播用户的积极性,保证整个直播生态的健康发展,另一方面,提高推送的主播用户的多样性,减少重复推送主播用户、主播用户特性相近的情况,提高观众用户感兴趣的主播用户的推送精确度,使得观众用户在推送之后可以直接浏览感兴趣的主播用户主持的直播节目,减少观众用户使用关键词搜索主播用户并进行筛选,从而减少对为了筛选、推送主播用户而耗费的资源造成浪费,提高观众用户观看直播的操作简便性。
附图说明
图1为本发明实施例一提供的一种主播信息的推送方法的流程图;
图2是本发明实施例二提供的一种主播信息的推送方法的流程图;
图3为本发明实施例三提供的一种主播信息的推送方法的流程图;
图4是本发明实施例四提供的一种主播信息的推送方法的流程图;
图5为本发明实施例五提供的一种主播信息的推送装置的结构示意图;
图6为本发明实施例六提供的一种计算机设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1为本发明实施例一提供的一种主播信息的推送方法的流程图,本实施例可适用于训练分类模型的情况,该方法可以由主播信息的推送装置来执行,该主播信息的推送装置可以由软件和/或硬件实现,可配置在计算机设备中,例如,个人电脑、服务器、工作站,等等,该方法具体包括如下步骤:
S101、确定主播用户。
在本实施例中,可以从直播平台中注册的主播用户中,选择部分或全部主播用户训练分类模型。
需要说明的是,主播用户为注册的用户,具有主持直播节目的权限,在计算机设备中,主播用户可以以用户标识进行表示,例如,用户ID、用户账号,等等。
S102、对主播用户计算效率值。
在本实施例中,可对每个主播用户计算效率值,该效率值用于表征直播效率,直播效率可以用于划分优质的主播用户与普通的主播用户。
在具体实现中,衡量直播效率的维度可以根据实际情况进行设置,例如,包括观众用户的留驻情况、主播用户的营收情况,等等。
在这些维度上,获取主播用户在指定的时间段进行直播时统计的第一指标,如表征观众用户的留驻情况的人均观看时长、人均关注率,如表征主播用户的营收情况的人均营收值,其中,人均营收值可以指观众用户人均赠送虚拟礼物、消费虚拟代币等的数值。
对第一指标配置第一指标权重,第一指标权重大于或等于0,为可调参数,可以根据实际的需求进行相应的设置,例如,若倾向高营收的主播用户为优质的主播用户,则可以对人均营收值设置较大的第一指标权重,这样子,分类模型会适应性地动态调整,更可能把高营收的主播用户划分为优质的主播用户。
在本实施例中,可使用权重和的方式计算效率值,即计算第一指标与第一指标权重的乘积,作为第一单项效率,计算所有第一单项效率的和值,作为表征直播效率的效率值。
以人均观看时长avg_stay_time,人均关注率avg_follow,人均营收值avg_gift作为第一指标的示例,可以如下公式计算效率值effecitve_score:
effecitve_score=x×avg_stay_time+y×avg_follow+z×avg_gift
其中,x为人均观看时长avg_stay_time的第一指标权重,y为人均关注率avg_follow的第一指标权重,z为人均营收值avg_gift的第一指标权重。
当然,上述计算效率值的方式只是作为示例,在实施本实施例时,可以根据实际情况设置其他计算效率值的方式,例如,在上述计算效率值的方式的基础上,按照第一指标的时间对第一指标权重进行衰减,使得离当前时间越近的第一指标权重的值越大、离当前时间越远的第一指标权重的值越小,或者,第一指标增加表征观众用户活跃度的维度,如人均弹幕数量,等等,本实施例对此不加以限制。另外,除了上述计算效率值的方式外,本领域技术人员还可以根据实际需要采用其它计算效率值的方式,本实施例对此也不加以限制。
S103、以首次开播时间与效率值作为分类的维度、对主播用户划分主播类型。
主播用户关联首次开播时间,即主播用户第一次主持直播节目的时间,该首次开播时间可用于表征直播历史,直播历史可以用于划分新的主播用户与老的主播用户。
当然,除了首次开播时间之外,还可以采用其他方式表征直播历史,如主播用户的注册时间、主播用户在预设时间段内进行直播的频率,等等,本实施例对此不加以限制。
此外,可对主播用户分析主播直播特征,即可体现在直播间中、主播用户的特征,这些主播直播特征存储在数据库中,在训练分类模型时,可从数据库中可读取该主播直播特征。
进一步地,该主播直播特征包括:
1、主播用户的离线特征
主播用户的离线特征为在非直播时间体现在主播用户主持直播节目时、主播用户的特征,例如,注册时间、平均活跃时间,历史的开播时间,关注人数,营收总值,等等。
2、主播用户的实时特征
主播用户的实时特征为在直播时间体现在主播用户主持直播节目时、主播用户的特征,例如,实时热度、性别、国家、语言、直播类型,等等。
在本实施例中,以首次开播时间与效率值共同作为分类的维度、对主播用户划分主播类型,共可以划分出四个类型,即第一类型、第二类型、第三类型与第四类型。
其中,第一类型与第二类型中主播用户的首次开播时间均晚于第三类型与第四类型中主播用户的首次开播时间。
第一类型中主播用户效率值低于第二类型中主播用户效率值。
第三类型中主播用户直播的效率低于第四类型中主播用户直播的效率。
形象地,第一类型的主播用户可以称之为普通的新主播用户、第二类型的主播用户可以称之为优质的新主播用户、第三类型的主播用户可以称之为普通的老主播用户、第四类型的主播用户可以称之为优质的老主播用户。
在具体实现中,可将主播用户划分至第一分组、第二分组,其中,第一分组中主播用户的首次开播时间晚于第二分组中主播用户的首次开播时间。
在一种划分方式中,可以预先设置第一阈值、第二阈值,该第一阈值属于(0,1)、该第二阈值属于(0,1)。
将第一分组中主播用户的主播类型划分为第一类型、第二类型,其中,第一类型中主播用户的效率值小于或等于第一阈值、第二类型中主播用户的效率值大于第一阈值,使得第一类型中主播用户的效率值小于第二类型中主播用户的效率值。
将第二分组中主播用户的主播类型划分为第三类型、第四类型,第三类型中主播用户的效率值小于或等于第二阈值、第四类型中主播用户的效率值大于第二阈值,使得第三类型中主播用户的效率值小于第四类型中主播用户的效率值。
进一步而言,在划分第一分组、第二分组时,可统计所有主播用户的首次开播时间的分位数(Quantile),取指定的分位数对应的首次开播时间,作为开播时间阈值,其中,指定的分位数属于(0,1)。
将首次开播时间小于或等于开播时间阈值的主播用户划分至第一分组中。
将首次开播时间大于开播时间阈值的主播用户划分至第二分组中。
S104、根据主播类型,对主播用户设置第一样本权重。
在本实施例中,对于第一类型、第二类型、第三类型与第四类型等主播类型,可以提高第二类型与第四类型中主播用户的第一样本权重,和/或,降低第一类型与第三类型中主播用户的第一样本权重,使得第二类型与第四类型中主播用户的第一样本权重均高于第一类型与第三类型中主播用户的第一样本权重,由于机器学习对第一样本权重高的样本更加敏感,这样子有利于分类模型更加精确地挑选出主播用户中的优质的新主播用户、优质的老主播用户。
在一种设置第一样本权重的示例中,将第二类型中主播用户的效率值,赋值为第二类型中主播用户的第一样本权重。
将第四类型中主播用户的效率值,赋值为第四类型中主播用户的第一样本权重。
将第一类型中主播用户的第一样本权重设置为指定的第一数值(如1),第一数值小于第一类型中主播用户的效率值。
将第三类型中主播用户的第一样本权重设置为指定的第一数值(如1),第一数值小于第三类型中主播用户的效率值。
当然,上述设置第一样本权重的方式只是作为示例,在实施本实施例时,可以根据实际情况设置其他设置第一样本权重的方式,本实施例对此不加以限制。另外,除了上述设置第一样本权重的方式外,本领域技术人员还可以根据实际需要采用其它设置第一样本权重的方式,本实施例对此也不加以限制。
S105、以主播直播特征、第一样本权重与主播类型作为训练样本训练分类模型。
在本实施例中,在确定主播直播特征、第一样本权重与主播类型(即标签Tag)时,将其作为训练样本训练分类模型,以使得分类模型可用于以直播历史与直播效率作为分类的维度对主播用户进行分类,获得主播类型。
其中,分类模型可以看作是一种函数映射,而分类模型的训练过程是一个函数优化求解的过程。优化求解的目标就是不断更新该分类模型所包含的参数,将已标注的训练样本作为输入的数据,经过分类模型的计算,输出的预测值和标注之间的损失值最小。
由于主播类型的数量一般为两个以上,因此,分类模型一般为多分类模型(multi-class classification),如softmax函数、XGBoost函数、随机森林(RandomForest)、深度神经网络,等等。
以softmax函数为例,softmax函数将多个神经元的输出,映射到(0,1)的值,而这些值的累和为1(满足概率的性质),可以看成概率来理解,从而来进行多分类,分类模型表示如下:
其中,i表示第i个主播用户,j表示第j个主播用户,n表示主播用户的总数量,W表示第一参数,B表示第二参数,X表示主播直播特征,logit表示第二目标值,score表示主播用户属于某个主播类型的概率,score∈(0,1)。
需要说明的是,第一参数与第二参数属于分类模型中的参数,通过训练分类模型获得,一般取值范围在(-∞,+∞),即没有取值范围限定,是因为第一参数具体值取决于主播直播特征自身的分布情况,由于不同的特征提取方法、特征清洗方法等会导致同一个主播直播特征有不同的分布情况,因此第一参数的取值范围也不受限制,一般来说,第一参数的绝对值与主播直播特征的重要性正相关,即第一参数的绝对值越大,代表主播直播特征越重要。
实施例二
图2为本发明实施例二提供的一种主播信息的推送方法的流程图,本实施例可适用于训练排序模型的情况,该方法具体包括如下步骤:
S201、确定主播用户。
S202、获取主播用户关联的主播直播特征、观众用户关联的观众直播特征、该主播用户与该观众用户之间的交互直播特征。
在本实施例中,可对主播用户分析主播直播特征、观众直播特征、与观众用户之间的交互直播特征,主播直播特征、观众直播特征、交互直播特征可存储在数据库中,在训练排序模型时,从数据库提取主播直播特征、观众直播特征、交互直播特征。
其中,观众直播特征为可体现在直播间中、观众用户的特征。
进一步地,该观众直播特征包括:
1、观众用户的离线特征
观众用户的离线特征为在非直播时间体现在直播间中、观众用户的特征,例如,平均观看时间、历史送礼总数,等等。
2、观众用户的实时特征
观众用户的实时特征为在直播时间体现在直播间中、观众用户的特征,例如,在线时长、性别、国家、语言,等等。
主播用户与观众用户之间的交互直播特征为可体现在主播用户主持直播节目时、该主播用户与观众用户互动的特征,例如,观众用户对主播用户历史观看时长、观众用户历史赠送给主播用户的虚拟礼物总数、观众用户是否关注主播用户,等等。
S203、确定主播用户的交互值。
在本实施例中,可对每个主播用户计算交互值,该交互值用于表征观众用户观看主播用户直播间的特性。
在具体实现中,可以从主播用户与观众用户交互的维度上,获取主播用户在指定的时间段进行直播时统计的第二指标,如人均观看时长、人均关注率,人均营收值,等等。
对第二指标配置第二指标权重,第二指标权重大于或等于0,为可调参数,可以根据实际的需求进行相应的设置,例如,若倾向高营收的主播用户为优质的主播用户,则可以对人均营收值设置较大的第一指标权重,这样子,排序模型会适应性地动态调整,更可能把推送高营收的主播用户给观众用户。
在本实施例中,可使用权重和的方式计算效率值,即计算第二指标与第二指标权重的乘积,作为第二单项效率,计算所有第二单项效率的和值,作为主播用户的交互值。
以人均观看时长avg_stay_time,人均关注率avg_follow,人均营收值avg_gift作为第二指标的示例,可以如下公式计算效率值interaction_score:
interaction_score=a×avg_stay_time+b×avg_follow+c×avg_gift
其中,a为人均观看时长avg_stay_time的第二指标权重,b为人均关注率avg_follow的第二指标权重,c为人均营收值avg_gift的第二指标权重。
当然,上述计算交互值的方式只是作为示例,在实施本实施例时,可以根据实际情况设置其他计算交互值的方式,例如,在上述计算交互值的方式的基础上,按照第二指标的时间对第二指标权重进行衰减,使得离当前时间越近的第二指标权重的值越大、离当前时间越远的第二指标权重的值越小,或者,第二指标增加表征观众用户活跃度的维度,如人均弹幕数量,等等,本实施例对此不加以限制。另外,除了上述计算交互值的方式外,本领域技术人员还可以根据实际需要采用其它计算交互值的方式,本实施例对此也不加以限制。
S204、根据交互值,对主播用户设置样本类别。
在具体实现中,可以将交互值与预设的交互阈值(如0)进行比较。
若交互值大于交互阈值,则对主播用户设置样本标签为第一类别(如1)。
若交互值小于或等于交互阈值,则对主播用户设置样本标签为第二类别(如0)。
S205、按照样本类别对主播用户设置第二样本权重。
在本实施例中,对于第一类别、第二类别等样本类别,可以提高第一类别中主播用户的第二样本权重,和/或,降低第二类别中主播用户的第二样本权重,使得第一类别中主播用户的第二样本权重高于第二类别中主播用户的第二样本权重,由于机器学习对第二样本权重高的样本更加敏感,这样子有利于排序模型更加精确地提高优质的主播用户的排序、降低普通的主播用户的排序。
在一种设置第二样本权重的示例中,将第一类别中主播用户的交互值,赋值为第一类别中主播用户的第二样本权重。
将第二类别中主播用户的第二样本权重设置为指定的第二数值(如1),第二数值小于第一类别中主播用户的交互值。
当然,上述设置第二样本权重的方式只是作为示例,在实施本实施例时,可以根据实际情况设置其他设置第二样本权重的方式,本实施例对此不加以限制。另外,除了上述设置第二样本权重的方式外,本领域技术人员还可以根据实际需要采用其它设置第二样本权重的方式,本实施例对此也不加以限制。
S206、以主播直播特征、观众直播特征、交互直播特征、第二样本权重与样本类别作为训练样本,训练排序模型。
在本实施例中,在主播直播特征、观众直播特征、交互直播特征、第二样本权重与样本类别(即标签Tag)时,将其作为训练样本训练排序模型,以使得排序模型可用于对主播用户计算交互值。
其中,排序模型可以看作是一种函数映射,而排序模型的训练过程是一个函数优化求解的过程。优化求解的目标就是不断更新该排序模型所包含的参数,将已标注的训练样本作为输入的数据,经过分类模型的计算,输出的预测值和标注之间的损失值最小。
由于样本类别的数量一般为两个,因此,排序模型一般为单分类模型(one-classlassification),又称二分类模型,单分类模型是一类特殊的分类任务,在该任务中,大多数训练样本为正样本(positive),而其他样本则笼统的划为另一类,如LR(logisticsregression,逻辑回归)函数,SVM(Support Vector Machine,支持向量机),CNN(Convolutional Neural Network,卷积神经网络)中的Lenet、Alexnet、VGGnet,孤立森林(Isolation Forest),等等。
以LR函数为例,LR函数通过输入未知类别对象的属性特征序列得到对象所处的类别。由于LR函数是一个概率分布函数,因此对于单分类而言,离中心点的距离越远,其属于某一类的可能性就越大,排序模型表示如下:
其中,i表示第i个主播用户,n表示主播用户的总数量,Y表示第三参数,C表示第四参数,Z表示主播直播特征、观众直播特征与交互直播特征,logit表示第四目标值,rank_score表示主播用户的交互值,rank_score∈(0,1)。
需要说明的是,第三参数与第四参数属于排序模型中的参数,通过训练排序模型获得,一般取值范围在(-∞,+∞),即没有取值范围限定,是因为第三参数具体值取决于主播直播特征自身的分布情况,由于不同的特征提取方法、特征清洗方法等会导致同一个主播直播特征、观众直播特征、交互直播特征有不同的分布情况,因此第三参数的取值范围也不受限制,一般来说,第三参数的绝对值与主播直播特征、观众直播特征、交互直播特征的重要性正相关,即第三参数的绝对值越大,代表主播直播特征、观众直播特征、交互直播特征越重要。
实施例三
图3为本发明实施例三提供的一种主播信息的推送方法的流程图,本实施例可适用于对主播用户分类计算交互值、并进行推送的情况,该方法具体包括如下步骤:
S301、召回主播用户。
在直播平台中,注册有大量的主播用户,形成主播池,在待推送主播用户给观众用户时,可从按照不同的业务需求(如召回优质的主播用户、召回符合主播用户个性化需求的主播用户等),使用不同的召回策略从主播池中召回部分主播用户,形成候选池。
在具体实现中,召回策略包括但不限于:
在线召回(召回在线的主播用户)、订阅召回(召回观众用户订阅的栏目(如某款游戏、餐饮等)的主播用户)、同国家召回(召回与观众用户所属国家相同的主播用户)、同语言召回(召回与观众用户使用的语言相同的主播用户)、协同过滤召回(使用协同过滤算法召回主播用户)、偏好召回(召回与观众用户的偏好相同的主播用户)、相似召回(召回与已召回的主播用户相似的其他主播用户)。
由于使用不同的召回策略可能召回相同的主播用户,因此,在得到召回的主播用户之后,一般会对召回的主播用户进行去重。
S302、以直播历史与直播效率作为分类的维度、对主播用户划分主播类型。
在本实施例中,以直播历史作为分类的维度对主播用户进行分类,可划分新的主播用户与老的主播用户,以直播效率作为分类的维度对主播用户进行分类,可划分优质的主播用户与普通的主播用户。
因此,对主播用户划分的主播类型包括第一类型、第二类型、第三类型与第四类型。
其中,第一类型与第二类型中主播用户的直播历史均少于第三类型与第四类型中主播用户的直播历史。
第一类型中主播用户的直播效率低于第二类型中主播用户的直播效率。
第三类型中主播用户的直播效率低于第四类型中主播用户的直播效率。
形象地,第一类型的主播用户可以称之为普通的新主播用户、第二类型的主播用户可以称之为优质的新主播用户、第三类型的主播用户可以称之为普通的老主播用户、第四类型的主播用户可以称之为优质的老主播用户。
S303、对主播用户计算交互值。
在本实施例中,可对召回的主播用户计算交互值,该交互值用于表征观众用户观看主播用户直播间的特性。
在直播的场景下,主播用户与观众用户之间的信息是特征的主要组成部分,正向的交互往往能带来比较高的推荐。
S304、根据主播类型,使用交互值对主播用户计算综合值。
在本实施例中,在交互值的基础上,针对不同主播类型,可以适应性进行调整,生成综合值,从而按照业务需求对主播用户的排序进行调整。
S305、根据综合值将主播用户的主播信息推送至观众用户。
由于召回的主播用户数量较多,而展示的位置有限,因此,可以参考综合值对从召回的主播用户中选择部分主播用户,将其主播信息(如主播名称、直播间的缩略图,等等)推送给观众用户浏览。
需要说明的是,所谓推送给观众用户,是推送给表征观众用户的数据所处的客户端,如浏览器、直播应用、即时通讯工具,等等。
进一步而言,若该观众用户为非注册用户,则可以以设备标识等设备数据表征,如IMEI(International Mobile Equipment Identity,国际移动设备识别码),非注册用户的特征稀疏,在S301中可召回非个性化的主播用户,从而推送非个性化的主播用户的主播信息。
若该观众用户为注册用户,则可以以用户ID、用户账号等用户数据表征,注册用户的特征较为丰富,在S301中可召回个性化的主播用户,从而推送个性化的主播用户的主播信息。
在一种选择主播用户的方式中,可以按照综合值对召回的主播用户进行降序排序,选择排序最高的n(n为正整数,属于可调参数,如20)个主播用户进行推送。
当然,除了选择综合值最高的n个主播用户之外,还可以采用其他方式选择主播用户,例如,选择综合值大于或等于预设的分数阈值的主播用户进行推送,滤除综合值低于预设的分数阈值的主播用户、从保留的主播用户中选择综合值最高的n个主播用户进行推送,等等,本实施例对此不加以限制。
在本实施例中,召回主播用户,以直播历史与直播效率作为分类的维度、对主播用户划分主播类型,对主播用户计算交互值,该交互值用于表征观众用户观看主播用户直播间的特性,根据主播类型,使用交互值对主播用户计算综合值,根据综合值将主播用户的主播信息推送至观众用户,通过直播历史可以划分新的主播用户与老的主播用户,通过直播效率可以划分优质的主播用户与普通的主播用户,针对不同主播类型的主播用户,可以适应性地调整交互值,从而对推送机会进行调整,在交互值满足主播用户的质量需求的前提下,可通过调整满足不同的业务需求,使得新的主播用户在较少特征的情况下可以获得较多的推送机会,一方面,提高新的主播用户的积极性,保证整个直播生态的健康发展,另一方面,提高推送的主播用户的多样性,减少重复推送主播用户、主播用户特性相近的情况,提高观众用户感兴趣的主播用户的推送精确度,使得观众用户在推送之后可以直接浏览感兴趣的主播用户主持的直播节目,减少观众用户使用关键词搜索主播用户并进行筛选,从而减少对为了筛选、推送主播用户而耗费的资源造成浪费,提高观众用户观看直播的操作简便性。
实施例四
图4为本发明实施例四提供的一种主播信息的推送方法的流程图,本实施例以前述实施例为基础,进一步增加使用分类模型对主播用户进行分类、使用排序模型对主播用户计算交互值、对四种主播类型的主播用户调整综合值的处理操作,该方法具体包括如下步骤:
S401、召回主播用户。
S402、确定分类模型。
在本实施例中,可以预先离线训练分类模型,并存储该分类模型及其参数,分类模型可用于以直播历史与直播效率作为分类的维度对主播用户进行分类。
需要说明的是,该分类模型的训练方式与实施例一基本相似,所以描述的比较简单,相关之处参见实施例一的部分说明即可,本实施例在此不加以详述。
在线对主播用户进行分类时,可加载该分类模型及其参数。
S403、获取主播用户关联的主播直播特征。
在本实施例中,可对主播用户分析主播直播特征,即可体现在直播间中、主播用户的特征,这些主播直播特征存储在数据库中,在使用分类模型对主播用分类时,可从数据库中可读取该主播直播特征。
进一步地,该主播直播特征包括:
1、主播用户的离线特征
2、主播用户的实时特征
S404、将主播直播特征输入至分类模型中进行处理,以输出主播用户属于某个主播类型的概率。
在本实施例中,由于主播类型的数量一般为两个以上,因此,分类模型一般为多分类模型,如softmax函数、XGBoost函数、随机森林、深度神经网络,等等。
以softmax函数为例,softmax函数将多个神经元的输出,映射到(0,1)的值,而这些值的累和为1(满足概率的性质),可以看成概率来理解,从而来进行多分类,分类模型表示如下:
其中,i表示第i个主播用户,j表示第j个主播用户,k表示第k个主播直播特征,n表示主播用户的总数量,W表示第一参数,B表示第二参数,X表示主播直播特征,logit表示第二目标值,score表示主播用户属于某个主播类型的概率,score∈(0,1)。
在本示例中,可确定主播直播特征对应的第一参数、第二参数,计算主播直播特征与第一参数的乘积之和,获得第一目标值,在第一目标值的基础上加上第二参数,作为第二目标值。
使用softmax函数对第二目标值进行分类,获得主播用户属于某个主播类型的概率。
当然,在使用其他分类模型的情况下,可以使用其他方式计算主播用户属于某个主播类型的概率,本实施例对此不加以限制。
S405、按照概率确定主播用户归属的主播类型。
一般而言,选择指最大的概率的主播类型,作为主播用户归属的主播类型。
例如,在主播类型为第一类型、第二类型、第三类型、第四类型的情况下,把分类模型输出4个概率值,用向量表达为[score_1,score_2,score_3,score_4],其中,score_1表示主播用户归属第一类型的概率,score_2表示主播用户归属第二类型的概率,score_3表示主播用户归属第三类型的概率,score_4表示主播用户归属第四类型的概率,并且,score_1+score_2+score_3+score_4=1,假设将某个主播用户的主播直播特征输入分类模型,输出的概率值为[0.1,0.3,0.15,0.45],则可以确定该主播用户归属第四类型。
S406、确定排序模型。
在本实施例中,可以预先离线训练排序模型,并存储该排序模型及其参数,排序模型用于对主播用户计算交互值。
需要说明的是,该排序模型的训练方式与实施例二基本相似,所以描述的比较简单,相关之处参见实施例二的部分说明即可,本实施例在此不加以详述。
在线对主播用户计算交互值时,可加载该排序模型及其参数。
S407、获取主播用户关联的主播直播特征、观众用户关联的观众直播特征,主播用户与观众用户之间的交互直播特征。
在本实施例中,可对主播用户分析主播直播特征、观众直播特征、与观众用户之间的交互直播特征,主播直播特征、观众直播特征、交互直播特征可存储在数据库中,在使用排序模型对主播用户计算交互值时,从数据库提取主播直播特征、观众直播特征、交互直播特征。
其中,观众直播特征为可体现在直播间中、观众用户的特征。
进一步地,该观众直播特征包括:
1、观众用户的离线特征
2、观众用户的实时特征
主播用户与观众用户之间的交互直播特征为可体现在主播用户主持直播节目时、该主播用户与观众用户互动的特征。
S408、将主播直播特征、观众直播特征与交互直播特征输入至排序模型中进行处理,以输出交互值。
在本实施例中,排序模型一般为单分类模型(one-class lassification),又称二分类模型,如LR函数,SVM,CNN中的Lenet、Alexnet、VGGnet,孤立森林,等等。
以LR函数为例,LR函数通过输入未知类别对象的属性特征序列得到对象所处的类别。由于LR函数是一个概率分布函数,因此对于单分类而言,离中心点的距离越远,其属于某一类的可能性就越大,排序模型表示如下:
其中,i表示第i个主播用户,n表示主播用户的总数量,Y表示第三参数,C表示第四参数,Z表示主播直播特征、观众直播特征与交互直播特征,logit表示第四目标值,rank_score表示主播用户的交互值,rank_score∈(0,1)。
因此,在本示例中,可确定主播直播特征、观众直播特征与交互直播特征分别对应的第三参数、第四参数,分别计算主播直播特征、观众直播特征、交互直播特征与第三参数的乘积之和,获得第三目标值,在第三目标值的基础上加上第四参数,作为第四目标值。
使用逻辑回归函数对第四目标值进行分类,获得交互值。
当然,在使用其他排序模型的情况下,可以使用其他方式计算主播用户的交互值,本实施例对此不加以限制。
S409、若主播类型为第二类型,则对主播用户计算调整值。
S410、在交互值的基础上加上调整值,作为主播用户的综合值。
若某个主播用户的主播类型为第二类型,即为优质的新主播用户,新的主播用户由于缺乏与观众用户之间的交互,导致其交互值一般比老的主播用户要低,从而在传统的流量分配过程中得到较少流量,从而抑制其活跃性。
在本实施例中,对于优质的新主播用户,适当地对其进行boost(调整),提高其排序,但同时,新的主播用户直播效率普遍低于老的主播用户,过多的boost也会带来负向效果,因此,会对boost有所限制。
对于优质的新主播用户的期望是,通过初期的boost后,优质的新主播用户在成为老的主播用户后凭借其优秀的能力,获得较高的交互值,从而成为优质的老主播用户,不需要boost便能得到更多的流量,提高整个直播生态的主播质量。
在具体实现中,可在每次boost时,对主播用户增加调整值,该调整值与计算调整值的次数负相关,即与boost的次数负相关,计算调整值(boost)的次数越少,调整值越大,反之,计算调整值(boost)的次数越多,调整值越小,直至为0。
在一个计算调整值的方式中,一方面,可确定基础值,该基础值小于处于指定排位的主播用户的交互值,从而控制对优质的新主播用户boost时,对优质的老主播用户的冲击,控制可能带来的负向影响。
另一方面,可确定调整系数,调整系数与计算调整值的次数负相关,即与boost的次数负相关,计算调整值(boost)的次数越少,调整系数越大,反之,计算调整值(boost)的次数越多,调整系数越小,直至为0。
计算基础分数与调整系数之间的乘积,作为调整值。
进一步而言,可通过如下公式实现上述计算调整值的方式:
final_score=rank_score+boost_score
base_score=max(rank_scoremid-rank_score,0)
其中,final_score为主播用户的综合值,rank_score为该主播用户的交互值,boost_score为该主播用户的调整值,base_score为该主播用户的基础值,为该主播用户的调整系数,process为计算调整值(boost)的次数,goal为计算调整值(boost)的上限值,rank_scoremid为所有主播用户的交互值中的中间值。
S411、若主播类型为第四类型,则确定主播用户的效率值。
S412、对效率值调整比重。
S413、计算交互值与调整比重之后的效率值之间的乘积,作为主播用户的综合值。
若某个主播用户的主播类型为第四类型,即为优质的老主播用户,优秀的效率值使得其在流量分配过程中对于其他主播用户更应该得到流量,因此,对优质的老主播用户也可以进行boost。
其中,若主播用户的效率值在训练分类模型时已经计算,则可以直接提取,若主播用户的效率值在训练分类模型时未计算,则可以按照参照实施例一的方式进行计算,本实施例在此不加以详述。
在本实施例中,通过调整比重可对普通的老主播用户与优质的老主播用户之间进行衡量,通过调整比重可以动态控制优质的老主播用户的综合值。
进一步而言,可通过如下公式实现上述计算调整值的方式:
final_score=(1+(n×effective_score))×ranker_score
其中,final_score为主播用户的综合值,effective_score为该主播用户的效率值,rank_score为该主播用户的交互值,n∈(0,1),用于衡量普通的老主播用户与优质的老主播用户之间的比重。
S414、若主播类型为第一类型或第三类型,则将交互值设置为主播用户的综合值。
若某个主播用户的主播类型为第一类型或第三类型,即为普通的新主播用户或普通的老主播用户,对于这两个主播类型的主播用户,可以不进行boost,按照其交互值作为其综合值。
当然,上述计算综合值的方式只是作为示例,在实施本实施例时,可以根据实际情况设置其他设置计算综合值的方式,本实施例对此不加以限制。另外,除了上述设置计算综合值的方式外,本领域技术人员还可以根据实际需要采用其它设置计算综合值的方式,本实施例对此也不加以限制。
S415、根据综合值将主播用户的主播信息推送至观众用户。
实施例五
图5为本发明实施例五提供的一种主播信息的推送装置的结构示意图,该装置具体可以包括如下模块:
主播用户召回模块501,用于召回主播用户;
主播用户分类模块502,用于以直播历史与直播效率作为分类的维度、对所述主播用户划分主播类型;
交互值计算模块503,用于对所述主播用户计算交互值,所述交互值用于表征观众用户观看所述主播用户直播间的特性;
综合值计算模块504,用于根据所述主播类型,使用所述交互值对所述主播用户计算综合值;
主播信息推送模块505,用于根据所述综合值将所述主播用户的主播信息推送至观众用户。
在本发明的一个实施例中,所述主播类型包括第一类型、第二类型、第三类型与第四类型;
其中,所述第一类型与所述第二类型中主播用户的直播历史均少于所述第三类型与所述第四类型中主播用户的直播历史;
所述第一类型中主播用户的直播效率低于所述第二类型中主播用户的直播效率;
所述第三类型中主播用户的直播效率低于所述第四类型中主播用户的直播效率。
在本发明的一个实施例中,所述主播用户分类模块502包括:
分类模型确定子模块,用于确定分类模型,所述分类模型用于以直播历史与直播效率作为分类的维度对主播用户进行分类;
主播直播特征获取子模块,用于获取所述主播用户关联的主播直播特征;
分类模型处理子模块,用于将所述主播直播特征输入至所述分类模型中进行处理,以输出所述主播用户属于某个主播类型的概率;
概率分类子模块,用于按照所述概率确定所述主播用户归属的主播类型。
在本发明的一个实施例中,所述分类模型处理子模块包括:
第一模型参数确定单元,用于确定所述主播直播特征对应的第一参数、第二参数;
第一目标值计算单元,用于计算所述主播直播特征与所述第一参数的乘积之和,获得第一目标值;
第二目标值计算单元,用于在所述第一目标值的基础上加上所述第二参数,作为第二目标值;
概率计算单元,用于使用softmax函数对所述第二目标值进行分类,获得所述主播用户属于某个主播类型的概率。
在本发明的一个实施例中,所述分类模型确定子模块包括:
第一主播用户确定单元,用于确定主播用户,所述主播用户关联首次开播时间、主播直播特征,所述首次开播时间用于表征直播历史;
效率值计算单元,用于对所述主播用户计算效率值,所述效率值用于表征直播效率;
主播类型划分单元,用于以所述首次开播时间与所述效率值作为分类的维度、对所述主播用户划分主播类型;
第一样本权重设置单元,用于根据所述主播类型,对所述主播用户设置第一样本权重;
分类模型训练单元,用于以所述主播直播特征、所述第一样本权重与所述主播类型作为训练样本训练分类模型。
在本发明的一个实施例中,所述效率值计算单元包括:
第一指标获取子单元,用于获取所述主播用户在直播时统计的第一指标;
第一指标权重配置子单元,用于对所述第一指标配置第一指标权重;
第一单项效率计算子单元,用于计算所述第一指标与所述第一指标权重的乘积,作为第一单项效率;
第一单项效率求和子单元,用于计算所有所述第一单项效率的和值,作为表征直播效率的效率值。
在本发明的一个实施例中,所述主播类型划分单元包括:
分组子单元,用于将所述主播用户划分至第一分组、第二分组,所述第一分组中主播用户的首次开播时间晚于所述第二分组中主播用户的首次开播时间;
第一分组划分单元,用于将所述第一分组中主播用户的主播类型划分为第一类型、第二类型,所述第一类型中主播用户的效率值小于或等于预设的第一阈值、所述第二类型中主播用户的效率值大于所述第一阈值;
第二分组划分单元,用于将所述第二分组中主播用户的主播类型划分为第三类型、第四类型,所述第三类型中主播用户的效率值小于或等于预设的第二阈值、所述第四类型中主播用户的效率值大于所述第二阈值。
在本发明的一个实施例中,所述分组子单元还用于:
统计所有所述主播用户的首次开播时间的分位数;
取指定的分位数对应的首次开播时间,作为开播时间阈值;
将首次开播时间小于或等于所述开播时间阈值的主播用户划分至第一分组中;
将首次开播时间大于所述开播时间阈值的主播用户划分至第二分组中。
在本发明的一个实施例中,所述第二类型与所述第四类型中主播用户的第一样本权重均高于所述第一类型与所述第三类型中主播用户的第一样本权重;
所述第一样本权重设置单元包括:
效率值赋值子单元,用于将所述第二类型与所述第四类型中主播用户的效率值,赋值为所述第二类型与所述第四类型中主播用户的第一样本权重;
第一数值设置子单元,用于将所述第一类型与所述第三类型中主播用户的第一样本权重设置为指定的第一数值,所述第一数值均小于所述第一类型与所述第三类型中主播用户的效率值。
在本发明的一个实施例中,所述交互值计算模块503包括:
排序模型确定子模块,用于确定排序模型,所述排序模型用于对主播用户计算交互值;
多特征获取子模块,用于获取所述主播用户关联的主播直播特征、观众用户关联的观众直播特征,所述主播用户与所述观众用户之间的交互直播特征;
排序模型处理子模块,用于将所述主播直播特征、所述观众直播特征与所述交互直播特征输入至所述排序模型中进行处理,以输出交互值。
在本发明的一个实施例中,所述排序模型处理子模块包括:
第二模型参数确定单元,用于确定所述主播直播特征、所述观众直播特征与所述交互直播特征分别对应的第三参数、第四参数;
第三目标值计算单元,用于分别计算所述主播直播特征、所述观众直播特征、所述交互直播特征与所述第三参数的乘积之和,获得第三目标值;
第四目标值计算单元,用于在所述第三目标值的基础上加上所述第四参数,作为第四目标值;
回归处理单元,用于使用逻辑回归函数对所述第四目标值进行分类,获得交互值。
在本发明的一个实施例中,所述排序模型确定子模块包括:
第二主播用户确定单元,用于确定主播用户;
样本特征获取单元,用于获取所述主播用户关联的主播直播特征、观众用户关联的观众直播特征,所述主播用户与所述观众用户之间的交互直播特征;
交互值确定单元,用于确定所述主播用户的交互值;
样本类别设置单元,用于根据所述交互值,对所述主播用户设置样本类别;
第二样本权重设置单元,用于按照所述样本类别对所述主播用户设置第二样本权重;
排序模型训练单元,用于以所述主播直播特征、所述观众直播特征、所述交互直播特征、所述第二样本权重与所述样本类别作为训练样本,训练排序模型。
在本发明的一个实施例中,所述交互值确定单元包括:
第二指标获取子单元,用于获取所述主播用户在直播时统计的第二指标;
第二指标权重配置子单元,用于对所述第二指标配置第二指标权重;
第二单项效率计算子单元,用于计算所述第二指标与所述第二指标权重的乘积,作为第二单项效率;
第二单项效率求和子单元,用于计算所有所述第二单项效率的和值,作为所述主播用户的交互值。
在本发明的一个实施例中,所述样本类别设置单元包括:
第一类别设置子单元,用于若所述交互值大于预设的交互阈值,则对所述主播用户设置样本类别为第一类别;
第二类别设置子单元,用于若所述交互值小于或等于预设的交互阈值,则对所述主播用户设置样本类别为第二类别。
在本发明的一个实施例中,所述第一类别中主播用户的第二样本权重高于所述第二类别中主播用户的第二样本权重;
所述第二样本权重设置单元包括:
交互值赋值子单元,用于将所述第一类别中主播用户的交互值,赋值为所述第一类别中主播用户的第二样本权重;
第二数值设置子单元,用于将所述第二类别中主播用户的第二样本权重设置为指定的第二数值,所述第二数值小于所述第一类别中主播用户的交互值。
在本发明的一个实施例中,所述综合值计算模块504包括:
调整值计算子模块,用于若所述主播类型为第二类型,则对所述主播用户计算调整值,所述调整值与计算所述调整值的次数负相关;
调整值添加子模块,用于在所述交互值的基础上加上所述调整值,作为所述主播用户的综合值;
或者,
效率值确定子模块,用于若所述主播类型为第四类型,则确定所述主播用户的效率值;
比重调整子模块,用于对所述效率值调整比重;
效率调整子模块,用于计算所述交互值与调整比重之后的效率值之间的乘积,作为所述主播用户的综合值;
或者,
交互值设置子模块,用于若所述主播类型为第一类型或第三类型,则将所述交互值设置为所述主播用户的综合值。
在本发明的一个实施例中,所述调整值计算子模块包括:
基础值确定单元,用于确定基础值,所述基础值小于处于指定排位的主播用户的交互值;
调整系数调整单元,用于确定调整系数,所述调整系数与计算所述调整值的次数负相关;
基础调整单元,用于计算所述基础分数与所述调整系数之间的乘积,作为调整值。
本发明实施例所提供的主播信息的推送装置可执行本发明任意实施例所提供的主播信息的推送方法,具备执行方法相应的功能模块和有益效果。
实施例六
图6为本发明实施例六提供的一种计算机设备的结构示意图。如图6所示,该计算机设备包括处理器600、存储器601、通信模块602、输入装置603和输出装置604;计算机设备中处理器600的数量可以是一个或多个,图6中以一个处理器600为例;计算机设备中的处理器600、存储器601、通信模块602、输入装置603和输出装置604可以通过总线或其他方式连接,图6中以通过总线连接为例。
存储器601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,如本实施例中的主播信息的推送方法对应的模块(例如,如图5所示的主播信息的推送装置中的主播用户召回模块501、主播用户分类模块502、交互值计算模块503、综合值计算模块504与主播信息推送模块505)。处理器600通过运行存储在存储器601中的软件程序、指令以及模块,从而执行计算机设备的各种功能应用以及数据处理,即实现上述的主播信息的推送方法。
存储器601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系统、至少一个功能所需的应用程序;存储数据区可存储根据计算机设备的使用所创建的数据等。此外,存储器601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601可进一步包括相对于处理器600远程设置的存储器,这些远程存储器可以通过网络连接至计算机设备。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。
通信模块602,用于与显示屏建立连接,并实现与显示屏的数据交互。
输入装置603可用于接收输入的数字或字符信息,以及产生与计算机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604可以包括扬声器等音频设备。
需要说明的是,输入装置603和输出装置604的具体组成可以根据实际情况设定。
处理器600通过运行存储在存储器601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,即实现上述的电子白板的连接节点控制方法。
本实施例提供的计算机设备,可执行本发明任一实施例提供的主播信息的推送方法,具体相应的功能和有益效果。
实施例七
本发明实施例七还提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现一种主播信息的推送方法,该方法包括:
召回主播用户;
以直播历史与直播效率作为分类的维度、对所述主播用户划分主播类型;
对所述主播用户计算交互值,所述交互值用于表征观众用户观看所述主播用户直播间的特性;
根据所述主播类型,使用所述交互值对所述主播用户计算综合值;
根据所述综合值将所述主播用户的主播信息推送至观众用户。
当然,本发明实施例所提供的计算机可读存储介质,其计算机程序不限于如上所述的方法操作,还可以执行本发明任意实施例所提供的主播信息的推送方法中的相关操作。
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(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
值得注意的是,上述主播信息的推送装置的实施例中,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。
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 (20)
1.一种主播信息的推送方法,其特征在于,包括:
召回主播用户;
以直播历史与直播效率作为分类的维度、通过分类模型对所述主播用户划分主播类型;
对所述主播用户计算交互值,所述交互值用于表征观众用户观看所述主播用户直播间的特性;
根据所述主播类型,使用所述交互值对所述主播用户计算综合值;
根据所述综合值将所述主播用户的主播信息推送至观众用户;
所述分类模型的确定包括:确定主播用户,所述主播用户关联首次开播时间、主播直播特征;
以所述首次开播时间与主播用户计算的效率值作为分类的维度、对所述主播用户划分主播类型;
根据所述主播类型,对所述主播用户设置第一样本权重;
以所述主播直播特征、所述第一样本权重与所述主播类型作为训练样本训练分类模型。
2.根据权利要求1所述的方法,其特征在于,所述主播类型包括第一类型、第二类型、第三类型与第四类型;
其中,所述第一类型与所述第二类型中主播用户的直播历史均少于所述第三类型与所述第四类型中主播用户的直播历史;
所述第一类型中主播用户的直播效率低于所述第二类型中主播用户的直播效率;
所述第三类型中主播用户的直播效率低于所述第四类型中主播用户的直播效率。
3.根据权利要求1或2所述的方法,其特征在于,所述以直播历史与直播效率作为分类的维度、对所述主播用户划分主播类型,包括:
确定分类模型,所述分类模型用于以直播历史与直播效率作为分类的维度对主播用户进行分类;
获取所述主播用户关联的主播直播特征;
将所述主播直播特征输入至所述分类模型中进行处理,以输出所述主播用户属于某个主播类型的概率;
按照所述概率确定所述主播用户归属的主播类型。
4.根据权利要求3所述的方法,其特征在于,所述将所述直播特征输入至所述分类模型中进行处理,以输出所述主播用户属于某个主播类型的概率,包括:
确定所述主播直播特征对应的第一参数、第二参数;
计算所述主播直播特征与所述第一参数的乘积之和,获得第一目标值;
在所述第一目标值的基础上加上所述第二参数,作为第二目标值;
使用softmax函数对所述第二目标值进行分类,获得所述主播用户属于某个主播类型的概率。
5.根据权利要求1所述的方法,其特征在于,所述首次开播时间用于表征直播历史;
对所述主播用户计算效率值,所述效率值用于表征直播效率。
6.根据权利要求5所述的方法,其特征在于,所述对所述主播用户计算效率值,包括:
获取所述主播用户在直播时统计的第一指标;
对所述第一指标配置第一指标权重;
计算所述第一指标与所述第一指标权重的乘积,作为第一单项效率;
计算所有所述第一单项效率的和值,作为表征直播效率的效率值。
7.根据权利要求1所述的方法,其特征在于,所述以所述首次开播时间与所述效率值作为分类的维度、对所述主播用户划分主播类型,包括:
将所述主播用户划分至第一分组、第二分组,所述第一分组中主播用户的首次开播时间晚于所述第二分组中主播用户的首次开播时间;
将所述第一分组中主播用户的主播类型划分为第一类型、第二类型,所述第一类型中主播用户的效率值小于或等于预设的第一阈值、所述第二类型中主播用户的效率值大于所述第一阈值;
将所述第二分组中主播用户的主播类型划分为第三类型、第四类型,所述第三类型中主播用户的效率值小于或等于预设的第二阈值、所述第四类型中主播用户的效率值大于所述第二阈值。
8.根据权利要求7所述的方法,其特征在于,所述将所述主播用户划分至第一分组、第二分组,包括:
统计所有所述主播用户的首次开播时间的分位数;
取指定的分位数对应的首次开播时间,作为开播时间阈值;
将首次开播时间小于或等于所述开播时间阈值的主播用户划分至第一分组中;
将首次开播时间大于所述开播时间阈值的主播用户划分至第二分组中。
9.根据权利要求7所述的方法,其特征在于,所述第二类型与所述第四类型中主播用户的第一样本权重均高于所述第一类型与所述第三类型中主播用户的第一样本权重;
所述根据所述主播类型,对所述主播用户设置第一样本权重,包括:
将所述第二类型与所述第四类型中主播用户的效率值,赋值为所述第二类型与所述第四类型中主播用户的第一样本权重;
将所述第一类型与所述第三类型中主播用户的第一样本权重设置为指定的第一数值,所述第一数值均小于所述第一类型与所述第三类型中主播用户的效率值。
10.根据权利要求1或2或4或5或6或7或8或9项所述的方法,其特征在于,所述对所述主播用户计算交互值,包括:
确定排序模型,所述排序模型用于对主播用户计算交互值;
获取所述主播用户关联的主播直播特征、观众用户关联的观众直播特征,所述主播用户与所述观众用户之间的交互直播特征;
将所述主播直播特征、所述观众直播特征与所述交互直播特征输入至所述排序模型中进行处理,以输出交互值。
11.根据权利要求10所述的方法,其特征在于,所述将所述主播直播特征、所述观众直播特征与所述交互直播特征输入至所述排序模型中进行处理,以输出交互值,包括:
确定所述主播直播特征、所述观众直播特征与所述交互直播特征分别对应的第三参数、第四参数;
分别计算所述主播直播特征、所述观众直播特征、所述交互直播特征与所述第三参数的乘积之和,获得第三目标值;
在所述第三目标值的基础上加上所述第四参数,作为第四目标值;
使用逻辑回归函数对所述第四目标值进行分类,获得交互值。
12.根据权利要求10所述的方法,其特征在于,所述确定排序模型,包括:
确定主播用户;
获取所述主播用户关联的主播直播特征、观众用户关联的观众直播特征,所述主播用户与所述观众用户之间的交互直播特征;
确定所述主播用户的交互值;
根据所述交互值,对所述主播用户设置样本类别;
按照所述样本类别对所述主播用户设置第二样本权重;
以所述主播直播特征、所述观众直播特征、所述交互直播特征、所述第二样本权重与所述样本类别作为训练样本,训练排序模型。
13.根据权利要求12所述的方法,其特征在于,所述确定所述主播用户的交互值,包括:
获取所述主播用户在直播时统计的第二指标;
对所述第二指标配置第二指标权重;
计算所述第二指标与所述第二指标权重的乘积,作为第二单项效率;
计算所有所述第二单项效率的和值,作为所述主播用户的交互值。
14.根据权利要求12所述的方法,其特征在于,所述根据所述交互值,对所述主播用户设置样本类别,包括:
若所述交互值大于预设的交互阈值,则对所述主播用户设置样本类别为第一类别;
若所述交互值小于或等于预设的交互阈值,则对所述主播用户设置样本类别为第二类别。
15.根据权利要求14所述的方法,其特征在于,所述第一类别中主播用户的第二样本权重高于所述第二类别中主播用户的第二样本权重;
所述按照所述样本标签对所述主播用户设置第二样本权重,包括:
将所述第一类别中主播用户的交互值,赋值为所述第一类别中主播用户的第二样本权重;
将所述第二类别中主播用户的第二样本权重设置为指定的第二数值,所述第二数值小于所述第一类别中主播用户的交互值。
16.根据权利要求2所述的方法,其特征在于,所述根据所述主播类型,使用所述交互值对所述主播用户计算综合值,包括:
若所述主播类型为第二类型,则对所述主播用户计算调整值,所述调整值与计算所述调整值的次数负相关;
在所述交互值的基础上加上所述调整值,作为所述主播用户的综合值;
或者,
若所述主播类型为第四类型,则确定所述主播用户的效率值;
对所述效率值调整比重;
计算所述交互值与调整比重之后的效率值之间的乘积,作为所述主播用户的综合值;
或者,
若所述主播类型为第一类型或第三类型,则将所述交互值设置为所述主播用户的综合值。
17.根据权利要求16所述的方法,其特征在于,所述对所述主播用户计算调整值,包括:
确定基础值,所述基础值小于处于指定排位的主播用户的交互值;
确定调整系数,所述调整系数与计算所述调整值的次数负相关;
计算所述基础分数与所述调整系数之间的乘积,作为调整值。
18.一种主播信息的推送装置,其特征在于,包括:
主播用户召回模块,用于召回主播用户;
主播用户分类模块,用于以直播历史与直播效率作为分类的维度、通过分类模型对所述主播用户划分主播类型;
交互值计算模块,用于对所述主播用户计算交互值,所述交互值用于表征观众用户观看主播用户直播间的特性;
综合值计算模块,用于根据所述主播类型,使用所述交互值对所述主播用户计算综合值;
主播信息推送模块,用于根据所述综合值将所述主播用户的主播信息推送至观众用户;
第一主播用户确定单元,用于确定主播用户,所述主播用户关联首次开播时间、主播直播特征;
主播类型划分单元,用于以所述首次开播时间与主播用户计算的效率值作为分类的维度、对所述主播用户划分主播类型;
第一样本权重设置单元,用于根据所述主播类型,对所述主播用户设置第一样本权重;
分类模型训练单元,用于以所述主播直播特征、所述第一样本权重与所述主播类型作为训练样本训练分类模型。
19.一种计算机设备,其特征在于,所述计算机设备包括:
一个或多个处理器;
存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-17中任一所述的主播信息的推送方法。
20.一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,该计算机程序被处理器执行时实现如权利要求1-17中任一所述的主播信息的推送方法。
Priority Applications (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911311364.0A CN110996116B (zh) | 2019-12-18 | 2019-12-18 | 一种主播信息的推送方法、装置、计算机设备和存储介质 |
EP20903442.0A EP4080889A4 (en) | 2019-12-18 | 2020-10-13 | METHOD AND APPARATUS FOR SELECTIVE BROADCASTING OF PRESENTATION INFORMATION, COMPUTER DEVICE AND STORAGE MEDIA |
PCT/CN2020/120579 WO2021120799A1 (zh) | 2019-12-18 | 2020-10-13 | 主播信息的推送方法、装置、计算机设备和存储介质 |
US17/786,938 US20230043174A1 (en) | 2019-12-18 | 2020-10-13 | Method for pushing anchor information, computer device, and storage medium |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911311364.0A CN110996116B (zh) | 2019-12-18 | 2019-12-18 | 一种主播信息的推送方法、装置、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110996116A CN110996116A (zh) | 2020-04-10 |
CN110996116B true CN110996116B (zh) | 2022-03-11 |
Family
ID=70095534
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911311364.0A Active CN110996116B (zh) | 2019-12-18 | 2019-12-18 | 一种主播信息的推送方法、装置、计算机设备和存储介质 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20230043174A1 (zh) |
EP (1) | EP4080889A4 (zh) |
CN (1) | CN110996116B (zh) |
WO (1) | WO2021120799A1 (zh) |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110996116B (zh) * | 2019-12-18 | 2022-03-11 | 广州市百果园信息技术有限公司 | 一种主播信息的推送方法、装置、计算机设备和存储介质 |
CN111669607A (zh) * | 2020-04-30 | 2020-09-15 | 火币(广州)区块链科技有限公司 | 一种直播平台数字化交互文创系统 |
JP2021182696A (ja) * | 2020-05-19 | 2021-11-25 | 憲保 池田 | 双方向放送方法及びシステム |
CN111711829B (zh) * | 2020-06-12 | 2022-02-11 | 广州酷狗计算机科技有限公司 | 直播间推荐方法、装置、计算机可读存储介质及设备 |
CN111800647B (zh) * | 2020-06-29 | 2022-08-09 | 广州市百果园信息技术有限公司 | 直播连麦匹配方法、装置、设备及存储介质 |
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 |
CN113132749B (zh) * | 2021-04-28 | 2022-10-04 | 广州虎牙科技有限公司 | 直播间的推荐方法、装置、设备及介质 |
CN113297398B (zh) * | 2021-05-24 | 2024-06-21 | 百果园技术(新加坡)有限公司 | 一种用户召回方法、装置、计算机设备和存储介质 |
CN113449593B (zh) * | 2021-05-25 | 2024-09-20 | 北京达佳互联信息技术有限公司 | 数据识别方法及装置 |
CN113382272B (zh) * | 2021-05-31 | 2022-08-26 | 北京达佳互联信息技术有限公司 | 数据播放方法、装置、电子设备及存储介质 |
CN113382310B (zh) * | 2021-06-02 | 2023-01-03 | 北京百度网讯科技有限公司 | 信息推荐方法及装置、电子设备和介质 |
CN113365096B (zh) * | 2021-07-05 | 2023-02-17 | 湖南快乐阳光互动娱乐传媒有限公司 | 一种直播间暖场方法及装置、存储介质及电子设备 |
CN115767145B (zh) * | 2021-09-03 | 2024-08-16 | 北京字跳网络技术有限公司 | 直播数据处理方法、装置及设备 |
CN114095481B (zh) * | 2021-11-23 | 2024-03-12 | 百果园技术(新加坡)有限公司 | 聊天房间的投放方法、装置、设备及存储介质 |
CN115134626B (zh) * | 2022-06-30 | 2024-04-19 | 广州方硅信息技术有限公司 | 直播连麦的互动方法、计算机设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106021478A (zh) * | 2016-05-19 | 2016-10-12 | 武汉斗鱼网络科技有限公司 | 一种直播网站优化显示首页直播间列表的方法和装置 |
CN106227807A (zh) * | 2016-07-22 | 2016-12-14 | 北京金山安全软件有限公司 | 主播的显示方法、装置及电子设备 |
CN106899856A (zh) * | 2017-03-31 | 2017-06-27 | 百度在线网络技术(北京)有限公司 | 用于输出主播信息的方法和装置 |
CN109168048A (zh) * | 2018-08-01 | 2019-01-08 | 广州虎牙信息科技有限公司 | 主播等级的确定方法、装置、设备及存储介质 |
CN109451326A (zh) * | 2018-11-13 | 2019-03-08 | 广州虎牙科技有限公司 | 一种主播信息的展示方法、装置、服务器和存储介质 |
CN109905723A (zh) * | 2019-03-04 | 2019-06-18 | 武汉斗鱼鱼乐网络科技有限公司 | 一种主播的推荐方法、服务器以及可读存储介质 |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104540033B (zh) * | 2014-12-17 | 2018-05-29 | 广州酷狗计算机科技有限公司 | 节目主播显示方法及装置 |
US10375425B2 (en) * | 2016-03-08 | 2019-08-06 | Worldrelay, Inc. | Methods and systems for providing on-demand services through the use of portable computing devices |
CN106792081B (zh) * | 2016-12-07 | 2020-01-10 | 腾讯科技(深圳)有限公司 | 直播视频的推送方法及装置 |
CN108073671A (zh) * | 2017-04-12 | 2018-05-25 | 北京市商汤科技开发有限公司 | 业务对象推荐方法、装置和电子设备 |
CN107666615B (zh) * | 2017-09-04 | 2020-05-19 | 广州虎牙信息科技有限公司 | 潜力主播用户的挖掘方法、装置及服务器 |
CN108156468A (zh) * | 2017-09-30 | 2018-06-12 | 上海掌门科技有限公司 | 一种观看主播直播的方法与设备 |
US10803111B2 (en) * | 2017-11-27 | 2020-10-13 | Facebook, Inc. | Live video recommendation by an online system |
CN109951724A (zh) * | 2017-12-20 | 2019-06-28 | 阿里巴巴集团控股有限公司 | 直播推荐方法、主播推荐模型训练方法及相关设备 |
CN110400027A (zh) * | 2018-04-20 | 2019-11-01 | 香港乐蜜有限公司 | 直播平台中主播的统计管理方法和装置 |
CN108769756A (zh) * | 2018-05-02 | 2018-11-06 | 武汉斗鱼网络科技有限公司 | 同名次主播再排序方法及系统、服务器及存储介质 |
CN108777801B (zh) * | 2018-05-30 | 2020-08-21 | 广州虎牙信息科技有限公司 | 优质主播用户挖掘方法、装置及计算机存储介质、服务器 |
CN109086822B (zh) * | 2018-08-01 | 2021-04-06 | 广州虎牙信息科技有限公司 | 一种主播用户分类方法、装置、设备及存储介质 |
CN110996116B (zh) * | 2019-12-18 | 2022-03-11 | 广州市百果园信息技术有限公司 | 一种主播信息的推送方法、装置、计算机设备和存储介质 |
-
2019
- 2019-12-18 CN CN201911311364.0A patent/CN110996116B/zh active Active
-
2020
- 2020-10-13 EP EP20903442.0A patent/EP4080889A4/en active Pending
- 2020-10-13 US US17/786,938 patent/US20230043174A1/en active Pending
- 2020-10-13 WO PCT/CN2020/120579 patent/WO2021120799A1/zh unknown
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106021478A (zh) * | 2016-05-19 | 2016-10-12 | 武汉斗鱼网络科技有限公司 | 一种直播网站优化显示首页直播间列表的方法和装置 |
CN106227807A (zh) * | 2016-07-22 | 2016-12-14 | 北京金山安全软件有限公司 | 主播的显示方法、装置及电子设备 |
CN106899856A (zh) * | 2017-03-31 | 2017-06-27 | 百度在线网络技术(北京)有限公司 | 用于输出主播信息的方法和装置 |
CN109168048A (zh) * | 2018-08-01 | 2019-01-08 | 广州虎牙信息科技有限公司 | 主播等级的确定方法、装置、设备及存储介质 |
CN109451326A (zh) * | 2018-11-13 | 2019-03-08 | 广州虎牙科技有限公司 | 一种主播信息的展示方法、装置、服务器和存储介质 |
CN109905723A (zh) * | 2019-03-04 | 2019-06-18 | 武汉斗鱼鱼乐网络科技有限公司 | 一种主播的推荐方法、服务器以及可读存储介质 |
Non-Patent Citations (1)
Title |
---|
郑伟等.游戏直播人气指数指标选取与模型构建.《商业经济》.2018,(第9期), * |
Also Published As
Publication number | Publication date |
---|---|
EP4080889A1 (en) | 2022-10-26 |
WO2021120799A1 (zh) | 2021-06-24 |
CN110996116A (zh) | 2020-04-10 |
EP4080889A4 (en) | 2023-04-19 |
US20230043174A1 (en) | 2023-02-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110996116B (zh) | 一种主播信息的推送方法、装置、计算机设备和存储介质 | |
CN109167835B (zh) | 一种基于kubernetes的物理资源调度方法及系统 | |
CN110457589B (zh) | 一种车辆推荐方法、装置、设备及存储介质 | |
CN105281925B (zh) | 网络业务用户群组划分的方法和装置 | |
CN110110593A (zh) | 基于自学习的人脸考勤方法、装置、设备及存储介质 | |
CN111523035B (zh) | App浏览内容的推荐方法、装置、服务器和介质 | |
CN114546486A (zh) | 向用户推荐指令的方法和装置、存储介质及电子装置 | |
WO2021103652A1 (zh) | 信息推送系统、方法、装置、设备和存储介质 | |
CN112101674B (zh) | 基于群智能算法资源配置匹配方法、装置、设备及介质 | |
CN106844538A (zh) | 一种应用于物联网搜索的多属性排序方法与装置 | |
CN111538901A (zh) | 一种物品推荐方法、装置、服务器及储存介质 | |
CN113301376B (zh) | 一种基于虚拟现实技术的直播交互方法及系统 | |
CN112188295A (zh) | 一种视频推荐方法及装置 | |
CN108846055B (zh) | 搜索处理方法、装置、电子设备及可读存储介质 | |
CN110472016A (zh) | 文章推荐方法、装置、电子设备及存储介质 | |
CN109558384A (zh) | 日志分类方法、装置、电子设备和存储介质 | |
WO2023273776A1 (zh) | 语音数据的处理方法及装置、存储介质、电子装置 | |
CN116050540A (zh) | 一种基于联合双维度用户调度的自适应联邦边缘学习方法 | |
CN108038001B (zh) | 垃圾文件清理策略生成方法、装置及服务器 | |
CN113055423B (zh) | 策略的推送方法、策略的执行方法、装置、设备及介质 | |
CN112818241B (zh) | 一种内容推广方法、装置、计算机设备和存储介质 | |
CN110480651B (zh) | 一种基于交互式陪伴机器人搜索系统的建云方法和系统 | |
CN113760550A (zh) | 资源分配方法和资源分配装置 | |
CN115705379A (zh) | 智能推荐方法及装置、设备、存储介质 | |
CN110275986A (zh) | 基于协同过滤的视频推荐方法、服务器及计算机存储介质 |
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 | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20221206 Address after: 31a, 15 / F, building 30, maple mall, bangrang Road, Brazil, Singapore Patentee after: Baiguoyuan Technology (Singapore) Co.,Ltd. Address before: 511400 floor 5-13, West Tower, building C, 274 Xingtai Road, Shiqiao street, Panyu District, Guangzhou City, Guangdong Province Patentee before: GUANGZHOU BAIGUOYUAN INFORMATION TECHNOLOGY Co.,Ltd. |