CN111158546A - 媒体信息的展示方法和装置、存储介质、电子装置 - Google Patents
媒体信息的展示方法和装置、存储介质、电子装置 Download PDFInfo
- Publication number
- CN111158546A CN111158546A CN201911380787.8A CN201911380787A CN111158546A CN 111158546 A CN111158546 A CN 111158546A CN 201911380787 A CN201911380787 A CN 201911380787A CN 111158546 A CN111158546 A CN 111158546A
- Authority
- CN
- China
- Prior art keywords
- media content
- client
- machine learning
- learning model
- time length
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
- G06F3/048—Interaction techniques based on graphical user interfaces [GUI]
- G06F3/0481—Interaction techniques based on graphical user interfaces [GUI] based on specific properties of the displayed interaction object or a metaphor-based environment, e.g. interaction with desktop elements like windows or icons, or assisted by a cursor's changing behaviour or appearance
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Human Computer Interaction (AREA)
- Information Transfer Between Computers (AREA)
Abstract
本申请公开了一种媒体信息的展示方法和装置、存储介质、电子装置。其中,该方法包括:检测在客户端上触发的展示操作,展示操作用于请求在客户端上展示第一媒体内容,第一媒体内容为待从服务器获取的媒体内容,客户端上登录有目标帐号;响应于展示操作,在客户端与服务器之间的网络不满足预设条件的情况下,在客户端上展示第二媒体内容,预设条件为允许客户端从服务器获取第一媒体内容的网络传输条件,第二媒体内容为预先在客户端上缓存好的与目标帐号匹配的媒体内容。本申请解决了相关技术中媒体信息展示时用户体验较差的技术问题。
Description
技术领域
本申请涉及互联网领域,具体而言,涉及一种媒体信息的展示方法和装置、存储介质、电子装置。
背景技术
在网络视频等媒体内容的传输过程中,经由用户端发起请求后,服务器端按照用户需求,向用户连续传输具有特定分辨率的网络视频;在此过程中,网络传输速度需要大于用户端的视频播放速度,才能保证网络视频节目不卡顿,否则用户端就需要等待缓冲;在网速不太稳定的情况下,用户需要等待较长时间视频节目才会开始播放,且播放过程中经常每隔几十秒乃至几秒就卡顿一次,使得视频节目的播放断断续续。
卡顿是视频播放过程中经常遇到的问题,当播放的视频卡顿后,用户将无法流畅地观看视频,这极大地影响了用户的观感,降低了用户对平台服务的使用体验。
针对上述的问题,目前尚未提出有效的解决方案。
发明内容
本申请实施例提供了一种媒体信息的展示方法和装置、存储介质、电子装置,以至少解决相关技术中媒体信息展示时用户体验较差的技术问题。
根据本申请实施例的一个方面,提供了一种媒体信息的展示方法,包括:检测在客户端上触发的展示操作,展示操作用于请求在客户端上展示第一媒体内容,第一媒体内容为待从服务器获取的媒体内容,客户端上登录有目标帐号;响应于展示操作,在客户端与服务器之间的网络不满足预设条件的情况下,在客户端上展示第二媒体内容,预设条件为允许客户端从服务器获取第一媒体内容的网络传输条件,第二媒体内容为预先在客户端上缓存好的与目标帐号匹配的媒体内容。
根据本申请实施例的另一方面,还提供了一种媒体信息的展示装置,包括:检测单元,用于检测在客户端上触发的展示操作,其中,展示操作用于请求在客户端上展示第一媒体内容,第一媒体内容为待从服务器获取的媒体内容,客户端上登录有目标帐号;展示单元,用于响应于展示操作,在客户端与服务器之间的网络不满足预设条件的情况下,在客户端上展示第二媒体内容,其中,预设条件为允许客户端从服务器获取第一媒体内容的网络传输条件,第二媒体内容为预先在客户端上缓存好的与目标帐号匹配的媒体内容。
根据本申请实施例的另一方面,还提供了一种存储介质,该存储介质包括存储的程序,程序运行时执行上述的方法。
根据本申请实施例的另一方面,还提供了一种电子装置,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器通过计算机程序执行上述的方法。
在本申请实施例中,检测在客户端上触发的展示操作,展示操作用于请求在客户端上展示第一媒体内容,第一媒体内容为待从服务器获取的媒体内容,客户端上登录有目标帐号;响应于展示操作,在客户端与服务器之间的网络不满足预设条件的情况下,在客户端上展示第二媒体内容,预设条件为允许客户端从服务器获取第一媒体内容的网络传输条件,第二媒体内容为预先在客户端上缓存好的与目标帐号匹配的媒体内容,通过推荐与用户自己喜好匹配的第二媒体内容,解决了相关技术中媒体信息展示时用户体验较差的技术问题。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1是根据本申请实施例的媒体信息的展示方法的硬件环境的示意图;
图2是根据本申请实施例的一种可选的媒体信息的展示方法的流程图;
图3是根据本申请实施例的一种可选的信息展示界面的示意图;
图4是根据本申请实施例的一种可选的信息展示界面的示意图;
图5是根据本申请实施例的一种可选的模型的训练和加载的示意图;
图6是根据本申请实施例的一种可选的神经网络模型的示意图;
图7是根据本申请实施例的一种可选的提供个性化服务的示意图;
图8是根据本申请实施例的一种可选的媒体信息展示方案的示意图;
图9是根据本申请实施例的一种可选的媒体信息的展示装置的示意图;以及,
图10是根据本申请实施例的一种终端的结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分的实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本申请保护的范围。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
当前各种应用APP的性能一般优化的比较好,用户大部分情况下能够非常快速无感知的看到所需的内容,但是由于用户所处的网络环境千差万别,比如用户使用不同的移动网络处于信号不好的地铁、山区等地方、服务器宕机时,经常遇到刷新一个页面或者观看一个视频会出现“加载中”的提示,这个提示时间短的有1秒2秒,长的甚至达到5秒到10秒或者更长,使得用户对APP的使用体验会有重大的不良影响,用户会频繁下拉刷新,或者直接脱离APP而去,对用户和APP来说都是损失。
针对在存在网络不好、服务性能不佳的情况下提示一个转动的图片、一段无意义的文字这种对用户来说毫无价值、时间长会损伤用户体验的操作方式,根据本申请实施例的一方面,提供了一种媒体信息的展示方法的方法实施例,本申请的提示信息可以做的更加有趣有意义,提高用户体验。
可选地,在本实施例中,上述媒体信息的展示方法可以应用于如图1所示的由终端101和服务器103所构成的硬件环境中。如图1所示,服务器103通过网络与终端101进行连接,可用于为终端或终端上安装的客户端提供服务(如游戏服务、应用服务等),可在服务器上或独立于服务器设置数据库105,用于为服务器103提供数据存储服务,上述网络包括但不限于:广域网、城域网或局域网,终端101并不限定于PC、手机、平板电脑等。
本申请实施例的媒体信息的展示方法可以由终端101来执行,终端101执行本申请实施例的媒体信息的展示方法也可以是由安装在其上的客户端来执行。
图2是根据本申请实施例的一种可选的媒体信息的展示方法的流程图,如图2所示,该方法可以包括以下步骤:
步骤S202,检测在客户端上触发的展示操作,展示操作用于请求在客户端上展示第一媒体内容,第一媒体内容为待从服务器获取的媒体内容,客户端上登录有目标帐号。
上述的媒体内容可以为视频、音频、图片以及文字中的一种或者多种的混合,为了描述的统一,后续以媒体内容为视频为例进行详述;上述的客户端即用于展示媒体内容的客户端,如视频客户端、直播客户端、新闻客户端、动漫客户端等,后续以客户端为视频客户端为例进行详述;上述的展示操作是在客户端中的操作,具体可以是用户的操作,如用户点击“链接”、“图片”等的操作,也可以是客户端自发的操作,如客户端从播放完的一个媒体内容跳转至第一媒体内容时触发的操作。
上述目标帐号为用于标识用户的帐号,可以是用户自主注册的帐号,如手机号;也可以是客户端为用户分配的临时帐号,如一串随机字符。
步骤S204,响应于展示操作,在客户端与服务器之间的网络不满足预设条件的情况下,在客户端上展示第二媒体内容,预设条件为允许客户端从服务器获取第一媒体内容的网络传输条件,第二媒体内容为预先在客户端上缓存好的与目标帐号匹配的媒体内容。
上述预设条件为客户端与服务器之间网络速度达到播放第一媒体内容的速度,不满足预设条件的情况可包括:由于服务器或者客户端的故障导致二者断开网络连接、服务器和客户端之间存在网络连接但是二者之间的网络速度达不到播放第一媒体内容所需的速度。
对于视频类、音频类等流媒体播放应用程序,只要不是预下载、预缓存好流数据,都需要实时从应用服务器获取最新的播放流,如果遇到网络卡顿就会出现缓冲界面导致播放不流畅或者中断,可以采用本申请的技术方案对缓冲界面的用户体验优化,在网络不好或者服务端出现异常时,可以播放与用户喜好匹配的第二媒体内容,进而避免了播放中断、播放暂停、播放等待等不好的用户体验,可以解决相关技术中媒体信息展示时用户体验较差的技术问题。
为了解决“因为用户复杂网络速度慢、应用服务突然地网络波动导致响应慢等导致的用户查看APP文本或者视频会出现长时间的加载中提示”(如图3所示)这一问题,本申请在移动端(即智能终端)进行“卡顿时间预测+个性化内容推荐”,提取APP的历史日志中卡顿的日志(即历史展示数据),得到当时的特征以及卡顿时间(即第一时长),训练移动端的卡顿时间预测模型(即第一机器学习模型);同时结合用户的个性化画像(即帐号标识),给用户提前准备好个性化的话题文案并区分短时间、长时间可看等多类,当用户网络好的时候预先加载到移动端缓存,当用户出现卡顿时,根据机器学习模型预测本次卡顿的预计时间,如果预测的卡顿时间短就展示短文本、短文案,如果时间长则展示小视频、小动画、小游戏等较长时间的内容,把用户的注意力吸引到新的这种交互展示中;避免卡顿时出现没有意义(只会导致用户的重复刷新或者感到枯燥)的提示。下面结合具体的实施方式进一步详述本申请的技术方案。
在本申请的实施例中,在客户端上展示第二媒体内容可包括如下步骤S2042-S2046:
步骤S2042,在客户端上通过第一机器学习模型预测第一时长,其中,第一时长为客户端与服务器之间的网络状况不满足预设条件所持续的时长,第一机器学习模型是使用目标帐号的历史展示数据训练得到的。
上述的第一机器学习模型可以是客户端提供者自己预先训练得到的,如在客户端的服务器上训练,也可以是获取的其他产商(如其他厂商的服务器)训练好的,机器学习模型的具体训练方式如下:
步骤1,在通过第一机器学习模型预测第一时长之前,利用历史展示数据对第二机器学习模型进行训练,得到第三机器学习模型。
历史展示数据中包括多条标注有第二时长的日志信息,日志信息中记录有时间戳(即点击播放的时间)、地理位置(如终端定位到的位置)、网络类型(如移动网络、互联网等)、媒体内容的内容标识(即具体的媒体内容)以及所在页面的页面标识(即具体所在的网页)等多个维度的特征信息,第二时长为日志信息中记录的待展示媒体内容的等待时长,第二机器学习模型为待训练的神经网络模型,如深度神经网络模型。
步骤2,判断第四时长与第五时长之间的方差是否小于目标阈值。
第四时长为第三机器学习模型对测试信息(即将测试信息中多个维度的特征信息输入模型)进行预测得到的,第五时长为测试信息中记录的待展示媒体内容的实际等待时长。
步骤3,在第四时长与第五时长之间的方差小于目标阈值的情况下,将第三机器学习模型作为第一机器学习模型。
可选地,上述的测试信息可以为多个,此时,与目标阈值比较的就是这多个测试信息的方差的均值,即在第四时长与第五时长之间的方差均差小于目标阈值的情况下,将第三机器学习模型作为第一机器学习模型。
步骤4,在第四时长与第五时长之间的方差不小于目标阈值的情况下,继续利用历史展示数据对第三机器学习模型进行训练,直至第三机器学习模型对测试信息进行预测得到的第四时长与第五时长之间的方差小于目标阈值。
上述方案采用了移动端机器学习预测技术,考虑到当前移动端的手机等设备已经具备较强的运算能力,例如,许多移动端CPU和GPU的运算能力已经达到或者接近桌面级CPU和GPU的运算能力,能够流畅的运行较为复杂的任务(例如上述机器学习模型),故而在本申请的技术方案中,可以使用相应地机器学习框架(比如paddlepaddle、tensorflow)把服务端训练好的预测模型(即第一机器学习模型)打包部署到移动端,用于移动端的机器学习预测,可以避免与服务端交互来使用服务端的模型时所消耗的交互时间,也能避免由于种种原因(如服务端宕机、网络故障)造成的模型服务不可用。
可选地,考虑到每个用户具有的特殊性,如手机状况、个人使用手机的情况、所处的网络环境等原因,随着移动端的手机等设备的运算能力的发展,也可以直接在移动端本地完成模型的训练,提供更具有针对性的模型,为用户提供更符合其个人习惯的服务。
在智能终端上部署好了模型之后,即可通过第一机器学习模型预测第一时长:与训练阶段的输入相同,先获取客户端所在智能终端的时间戳、地理位置、网络类型、第一媒体内容的内容标识以及客户端的当前页面的页面标识;将获取的时间戳、地理位置、网络类型、内容标识以及页面标识输入第一机器学习模型,即可获取第一机器学习模型利用输入的信息预测得到的第一时长。
步骤S2044,客户端从媒体内容集合中查找展示时长与第一时长匹配的第二媒体内容,其中,媒体内容集合中保存有与目标帐号匹配的多条媒体内容,多条媒体内容的展示时长不同。
可选地,在从媒体内容集合中选取与第一时长匹配的第二媒体内容之前,可获取与目标帐号匹配的帐号标签,帐号标签用于指示目标帐号所浏览的媒体内容的内容类型,同时,这些标签也可作为媒体内容的标签,从而通过标签建立了媒体内容与用户帐号之间的关联关系;从服务器获取具有帐号标签且时长不同的多条媒体内容,并将多条媒体内容保存至媒体内容集合。
媒体内容集合中可以包括多类媒体内容,每一类的媒体内容时长基本相同,任意两类媒体内容的时长不同,从媒体内容集合中查找的即展示时长与第一时长基本相同(二者之间的差值小于一个给定阈值,或者二者之间的差值小于其他媒体内容与第一时长之间的差值)的第二媒体内容。
步骤S2046,客户端展示第二媒体内容。
在上述实施例中,在客户端上展示第二媒体内容包括:在客户端上展示第一提示信息,第一提示信息用于链接至第二媒体内容,换言之,用户可以通过点击该提示信息来播放该媒体内容,如图4所示;或,直接在客户端上播放第二媒体内容。
可选地,在客户端上展示第二媒体内容的过程中,在客户端与服务器之间的网络满足预设条件的情况下,即在网络状况好转的情况下,在客户端上展示第二提示信息,第二提示信息用于提示是否将客户端上播放的媒体内容从第二媒体内容切换至第一媒体内容,用户可以根据自己的需求选择是否切换;在客户端与服务器之间的网络满足预设条件的情况下,直接将客户端上播放的媒体内容从第二媒体内容切换至第一媒体内容。
在本申请的技术方案中,移动端卡顿时间预测模型可采用机器学习回归模型,使用各种机器学习、深度学习等技术训练模型即可,如tensorflow、paddlepaddle,可支持将模型打包部署在移动端;采用个性化推荐技术,根据用户历史行为给用户计算个性化标签,然后提取用户的个性化文案,缓存到客户端,当客户端遇到加载中的情况时进行展示,采用个性化推荐的方案,首先收集用户的行为数据,然后结合用户所处的环境给用户推荐他感兴趣的信息,可以提高用户的体验。该方案可应用于公司的各端的视频、图文等产品,当用户处于网络不好的情况时,都可以给用户展示个性化的文案,而不是仅仅有“加载中”的提示,能够更好的提升用户体验,提升用户留存。
作为一种可选的实施例,参见图5-图8,下面以视频为例进一步详述本申请的技术方案。
步骤1,使用历史的用户使用APP日志,提取具有卡顿表现的日志,根据用户使用APP当时的时间、地理位置、用户移动设备的网络类型、观看的APP页面和视频、当时的卡顿时间,训练卡顿时间机器预测模型。
参见图5,在训练卡顿时间预测模型(一种可选的模型参见图6,包括输入层、embedding层、隐层、输出层,隐层之间采用relu函数激活)时,可以预先收集数据:从用户使用APP的日志中挑选出用户出现卡顿的数据,提取当时的时间、用户的地理位置、用户的设备类型、用户的移动网络类型、用户当时查看的视频和页面、用户当时卡顿的时间总长等信息,用户的这些信息可以在观看具体视频音频的时候获取并在网络好的时候投递到服务端,各个字段的获取方式为:
时间:以用户的手机当前时间为准;地理位置:使用用户的联网IP作为地理位置;用户的设备类型:从用户的设备信息中读取,可以得到系统android/ios、手机厂商型号信息;用户的移动网络类型:从用户的网络信息中获取,得到3G、4G、wifi等分类;用户当时观看的视频和音频页面:取当时用户观看的视频音频页面;用户的卡顿时长:当出现卡顿时记录时间戳,当开始下次播放时记录结束时间戳,得到每次卡顿的时间。
利用收集的数据进行模型训练:通过机器学习或者深度学习训练卡顿时间预测的回归模型,模型可以使用深度学习神经网络进行训练,输入层是各个收集好的数据特征,第一层经过一次embedding对特征进行稀疏化处理,然后进入隐层,隐层的深度数目、每层的节点数据可以实际训练时做对比优化,模型的输出时卡顿的时长,训练的目标均方差(MSE)达到最小。
均方差函数为:
步骤2,将服务端训练好的卡顿时间机器预测模型,当移动端发新版本或者用户网络好的时候,可以更新到移动设备端。
进行模型打包,将训练好的模型做压缩打包,当移动端发APP新版本的时候可以打包进去,或者用户网络好的时候也可以下载更新。
步骤3,根据用户的历史行为,对用户提取兴趣标签,比如喜爱文史、亲子、职场,喜欢短视频、电影、电视剧、知识课程等。
参见图7,后台进行个性化文案生成和对外服务时,可通过后台运营进行设置(也可自动配置):提取用户兴趣标签,运营人员可以提前归类一些兴趣标签(即帐号标签),比如亲子、健身、绘画、音乐等等,同时给每个标签提供短时间比如5秒内的个性化内容和长时间个性化内容,比如短时间内容可以是亲子知识、历史名言等一句话文案,长时间内容可以是10秒短视频、小知识点动画等等。
后台提取兴趣标签,用户在APP的各种行为都是用日志记录下来的,开发人员或者机器自动对用户的行为进行聚合,然后标记一部分标签,比如这个人经常看健身类视频,就标记为健身的标签,经常看亲子类视频则打上亲子类标签;然后使用机器学习的分类算法学习一个模型,这样就能自动的给没有人工标记过的人打标签。
步骤4,针对每个用户,提前计算好短时间的个性化推荐列表、较长时间看的个性化推荐列表。
用户个性化文案存储:提取好用户的兴趣标签后,从运营设置提取标签对应的个性化文案,将得到的(用户,短时间个性化内容、长时间个性化内容)数据存储到REDIS高速缓存。
步骤5,当用户网络快的时候,后台请求个性化推荐接口,返回到移动客户端进行预缓存。
响应客户端请求,当客户端根据用户ID查询个性化文案的时候,提取列表进行返回进行预缓存。
上述步骤即预加载流程,客户端识别加载速度,可加载机器学习模型和个性化文案。客户端在用户使用过程中,如果发现服务响应足够快,如高于100MS等阈值,移动设备就会去后台检测机器学习模型版本是否有新版本,如果是的话更新模型包,同时在手机端启动机器学习预测服务;移动设备也会去后台请求个性化推荐内容列表,在本地做缓存。
步骤6,当客户端发现用户服务响应慢的时候,先预测用户的卡顿时间,如果时间较短,就取出步骤3的个性化短文案展示,如果预测的不对用户还在卡顿则可以依次按顺序展示多个短时间文案,如果预测时间较长,则直接从步骤3的缓存取出适合长时间看的个性化推荐内容。
遇到卡顿时,使用移动端本地的预测模型做卡顿时间预测,同时展示个性化内容。当用户出现卡顿时,收集当时用户的时间、移动设备、网络类型、查看的视频等信息,输入给手机本地的卡顿时间预测模型,得到本次卡顿时间;如果预测的卡顿时间短,则直接展示短时间个性化文案,如果因为外部原因本次预测不准确,那么可以轮流展示多个短时间个性化文案;如果预测的卡顿时间长,则直接展示长时间个性化小视频、小动画,如果因为外部原因本次预测不准确,用户网络又好了,可以让用户自己选择关闭小视频小动画,还是可以继续观看完毕。
采用本申请的技术方案,进行移动端卡顿时间预测,在移动端进行机器模型预测,将移动端机器模型预测用于卡顿时间的回归问题预测,可以极大提高用户体验;将加载中的提示替换为个性化内容:根据用户的个性化兴趣标签、用户正在查看的内容,将枯燥无意义的“加载中”,替换为个性化的话题文案,用户不会因为等待加载而枯燥或者离开,而是被个性化内容吸引,提升APP用户体验,甚至能形成转化提升留存收益。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本申请并不受所描述的动作顺序的限制,因为依据本申请,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本申请所必须的。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本申请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,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本申请各个实施例所述的方法。
根据本申请实施例的另一个方面,还提供了一种用于实施上述媒体信息的展示方法的媒体信息的展示装置。图9是根据本申请实施例的一种可选的媒体信息的展示装置的示意图,如图9所示,该装置可以包括:
检测单元901,用于检测在客户端上触发的展示操作,其中,展示操作用于请求在客户端上展示第一媒体内容,第一媒体内容为待从服务器获取的媒体内容,客户端上登录有目标帐号;
展示单元903,用于响应于展示操作,在客户端与服务器之间的网络不满足预设条件的情况下,在客户端上展示第二媒体内容,其中,预设条件为允许客户端从服务器获取第一媒体内容的网络传输条件,第二媒体内容为预先在客户端上缓存好的与目标帐号匹配的媒体内容。
需要说明的是,该实施例中的检测单元901可以用于执行本申请实施例中的步骤S202,该实施例中的展示单元903可以用于执行本申请实施例中的步骤S204。
此处需要说明的是,上述模块与对应的步骤所实现的示例和应用场景相同,但不限于上述实施例所公开的内容。需要说明的是,上述模块作为装置的一部分可以运行在如图1所示的硬件环境中,可以通过软件实现,也可以通过硬件实现。
可选地,展示单元包括:预测模块,用于通过第一机器学习模型预测第一时长,其中,第一时长为客户端与服务器之间的网络状况不满足预设条件所持续的时长,第一机器学习模型是使用目标帐号的历史展示数据训练得到的;查找模块,用于从媒体内容集合中查找展示时长与第一时长匹配的第二媒体内容,其中,媒体内容集合中保存有与述目标帐号匹配的多条媒体内容,多条媒体内容的展示时长不同;展示模块,用于在客户端上展示第二媒体内容。
可选地,本申请的装置还可包括:训练单元,用于在通过第一机器学习模型预测第一时长之前,利用历史展示数据对第二机器学习模型进行训练,得到第三机器学习模型,其中,历史展示数据中包括多条标注有第二时长的日志信息,日志信息中记录有时间戳、地理位置、网络类型、媒体内容的内容标识以及所在页面的页面标识,第二时长为日志信息中记录的待展示媒体内容的等待时长,第二机器学习模型为待训练的神经网络模型;在第四时长与第五时长之间的方差小于目标阈值的情况下,将第三机器学习模型作为第一机器学习模型,其中,第四时长为第三机器学习模型对测试信息进行预测得到的,第五时长为测试信息中记录的待展示媒体内容的实际等待时长;在第四时长与第五时长之间的方差不小于目标阈值的情况下,继续利用历史展示数据对第三机器学习模型进行训练,直至第三机器学习模型对测试信息进行预测得到的第四时长与第五时长之间的方差小于目标阈值。
可选地,预测模块还可用于:获取客户端所在智能终端的时间戳、地理位置、网络类型、第一媒体内容的内容标识以及客户端的当前页面的页面标识;将获取的时间戳、地理位置、网络类型、内容标识以及页面标识输入第一机器学习模型,并获取第一机器学习模型利用输入的信息预测得到的第一时长。
可选地,本申请的装置还可包括:缓存单元,用于在从媒体内容集合中选取与第一时长匹配的第二媒体内容之前,获取与目标帐号匹配的帐号标签,其中,帐号标签用于指示目标帐号所浏览的媒体内容的内容类型;从服务器获取具有帐号标签且时长不同的多条媒体内容,并将多条媒体内容保存至媒体内容集合。
可选地,展示模块还可用于:在客户端上展示第一提示信息,其中,第一提示信息用于链接至第二媒体内容;或,直接在客户端上播放第二媒体内容。
可选地,展示模块在客户端上展示第二媒体内容的过程中,还可用于:在客户端与服务器之间的网络满足预设条件的情况下,在客户端上展示第二提示信息,其中,第二提示信息用于提示是否将客户端上播放的媒体内容从第二媒体内容切换至第一媒体内容;或,在客户端与服务器之间的网络满足预设条件的情况下,直接将客户端上播放的媒体内容从第二媒体内容切换至第一媒体内容。
此处需要说明的是,上述模块与对应的步骤所实现的示例和应用场景相同,但不限于上述实施例所公开的内容。需要说明的是,上述模块作为装置的一部分可以运行在如图1所示的硬件环境中,可以通过软件实现,也可以通过硬件实现,其中,硬件环境包括网络环境。
根据本申请实施例的另一个方面,还提供了一种用于实施上述媒体信息的展示方法的服务器或终端。
图10是根据本申请实施例的一种终端的结构框图,如图10所示,该终端可以包括:一个或多个(图10中仅示出一个)处理器1001、存储器1003、以及传输装置1005,如图10所示,该终端还可以包括输入输出设备1007。
其中,存储器1003可用于存储软件程序以及模块,如本申请实施例中的媒体信息的展示方法和装置对应的程序指令/模块,处理器1001通过运行存储在存储器1003内的软件程序以及模块,从而执行各种功能应用以及数据处理,即实现上述的媒体信息的展示方法。存储器1003可包括高速随机存储器,还可以包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器1003可进一步包括相对于处理器1001远程设置的存储器,这些远程存储器可以通过网络连接至终端。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。
上述的传输装置1005用于经由一个网络接收或者发送数据,还可以用于处理器与存储器之间的数据传输。上述的网络具体实例可包括有线网络及无线网络。在一个实例中,传输装置1005包括一个网络适配器(Network Interface Controller,NIC),其可通过网线与其他网络设备与路由器相连从而可与互联网或局域网进行通讯。在一个实例中,传输装置1005为射频(Radio Frequency,RF)模块,其用于通过无线方式与互联网进行通讯。
其中,具体地,存储器1003用于存储应用程序。
处理器1001可以通过传输装置1005调用存储器1003存储的应用程序,以执行下述步骤:
检测在客户端上触发的展示操作,其中,展示操作用于请求在客户端上展示第一媒体内容,第一媒体内容为待从服务器获取的媒体内容,客户端上登录有目标帐号;
响应于展示操作,在客户端与服务器之间的网络不满足预设条件的情况下,在客户端上展示第二媒体内容,其中,预设条件为允许客户端从服务器获取第一媒体内容的网络传输条件,第二媒体内容为预先在客户端上缓存好的与目标帐号匹配的媒体内容。
处理器1001还用于执行下述步骤:
利用历史展示数据对第二机器学习模型进行训练,得到第三机器学习模型,其中,历史展示数据中包括多条标注有第二时长的日志信息,日志信息中记录有时间戳、地理位置、网络类型、媒体内容的内容标识以及所在页面的页面标识,第二时长为日志信息中记录的待展示媒体内容的等待时长,第二机器学习模型为待训练的神经网络模型;
在第四时长与第五时长之间的方差小于目标阈值的情况下,将第三机器学习模型作为第一机器学习模型,其中,第四时长为第三机器学习模型对测试信息进行预测得到的,第五时长为测试信息中记录的待展示媒体内容的实际等待时长;
在第四时长与第五时长之间的方差不小于目标阈值的情况下,继续利用历史展示数据对第三机器学习模型进行训练,直至第三机器学习模型对测试信息进行预测得到的第四时长与第五时长之间的方差小于目标阈值。
可选地,本实施例中的具体示例可以参考上述实施例中所描述的示例,本实施例在此不再赘述。
本领域普通技术人员可以理解,图10所示的结构仅为示意,终端可以是智能手机(如Android手机、iOS手机等)、平板电脑、掌上电脑以及移动互联网设备(Mobile InternetDevices,MID)、PAD等终端设备。图10其并不对上述电子装置的结构造成限定。例如,终端还可包括比图10中所示更多或者更少的组件(如网络接口、显示装置等),或者具有与图10所示不同的配置。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令终端设备相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:闪存盘、只读存储器(Read-Only Memory,ROM)、随机存取器(RandomAccess Memory,RAM)、磁盘或光盘等。
本申请的实施例还提供了一种存储介质。可选地,在本实施例中,上述存储介质可以用于执行媒体信息的展示方法的程序代码。
可选地,在本实施例中,上述存储介质可以位于上述实施例所示的网络中的多个网络设备中的至少一个网络设备上。
可选地,在本实施例中,存储介质被设置为存储用于执行以下步骤的程序代码:
检测在客户端上触发的展示操作,其中,展示操作用于请求在客户端上展示第一媒体内容,第一媒体内容为待从服务器获取的媒体内容,客户端上登录有目标帐号;
响应于展示操作,在客户端与服务器之间的网络不满足预设条件的情况下,在客户端上展示第二媒体内容,其中,预设条件为允许客户端从服务器获取第一媒体内容的网络传输条件,第二媒体内容为预先在客户端上缓存好的与目标帐号匹配的媒体内容。
可选地,存储介质还被设置为存储用于执行以下步骤的程序代码:
利用历史展示数据对第二机器学习模型进行训练,得到第三机器学习模型,其中,历史展示数据中包括多条标注有第二时长的日志信息,日志信息中记录有时间戳、地理位置、网络类型、媒体内容的内容标识以及所在页面的页面标识,第二时长为日志信息中记录的待展示媒体内容的等待时长,第二机器学习模型为待训练的神经网络模型;
在第四时长与第五时长之间的方差小于目标阈值的情况下,将第三机器学习模型作为第一机器学习模型,其中,第四时长为第三机器学习模型对测试信息进行预测得到的,第五时长为测试信息中记录的待展示媒体内容的实际等待时长;
在第四时长与第五时长之间的方差不小于目标阈值的情况下,继续利用历史展示数据对第三机器学习模型进行训练,直至第三机器学习模型对测试信息进行预测得到的第四时长与第五时长之间的方差小于目标阈值。
可选地,本实施例中的具体示例可以参考上述实施例中所描述的示例,本实施例在此不再赘述。
可选地,在本实施例中,上述存储介质可以包括但不限于:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
上述本申请实施例序号仅仅为了描述,不代表实施例的优劣。
上述实施例中的集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在上述计算机可读取的存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在存储介质中,包括若干指令用以使得一台或多台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。
在本申请的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的客户端,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
以上所述仅是本申请的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本申请的保护范围。
Claims (10)
1.一种媒体信息的展示方法,其特征在于,包括:
检测在客户端上触发的展示操作,其中,所述展示操作用于请求在客户端上展示第一媒体内容,所述第一媒体内容为待从服务器获取的媒体内容,所述客户端上登录有目标帐号;
响应于所述展示操作,在所述客户端与所述服务器之间的网络不满足预设条件的情况下,在所述客户端上展示第二媒体内容,其中,所述预设条件为允许所述客户端从所述服务器获取所述第一媒体内容的网络传输条件,所述第二媒体内容为预先在所述客户端上缓存好的与所述目标帐号匹配的媒体内容。
2.根据权利要求1所述的方法,其特征在于,在所述客户端上展示第二媒体内容包括:
通过第一机器学习模型预测第一时长,其中,所述第一时长为所述客户端与所述服务器之间的网络状况不满足所述预设条件所持续的时长,所述第一机器学习模型是使用所述目标帐号的历史展示数据训练得到的;
从媒体内容集合中查找展示时长与所述第一时长匹配的所述第二媒体内容,其中,所述媒体内容集合中保存有与所述述目标帐号匹配的多条媒体内容,所述多条媒体内容的展示时长不同;
在所述客户端上展示所述第二媒体内容。
3.根据权利要求2所述的方法,其特征在于,
在通过第一机器学习模型预测第一时长之前,所述方法还包括:利用所述历史展示数据对第二机器学习模型进行训练,得到第三机器学习模型,其中,所述历史展示数据中包括多条标注有第二时长的日志信息,所述日志信息中记录有时间戳、地理位置、网络类型、媒体内容的内容标识以及所在页面的页面标识,所述第二时长为所述日志信息中记录的待展示媒体内容的等待时长,所述第二机器学习模型为待训练的神经网络模型;
在第四时长与第五时长之间的方差小于目标阈值的情况下,将所述第三机器学习模型作为所述第一机器学习模型,其中,所述第四时长为所述第三机器学习模型对测试信息进行预测得到的,所述第五时长为所述测试信息中记录的待展示媒体内容的实际等待时长;
在所述第四时长与所述第五时长之间的方差不小于所述目标阈值的情况下,继续利用所述历史展示数据对所述第三机器学习模型进行训练,直至所述第三机器学习模型对所述测试信息进行预测得到的所述第四时长与所述第五时长之间的方差小于所述目标阈值;
此时,通过第一机器学习模型预测第一时长包括:
获取所述客户端所在智能终端的时间戳、地理位置、网络类型、所述第一媒体内容的内容标识以及所述客户端的当前页面的页面标识;
将获取的时间戳、地理位置、网络类型、内容标识以及页面标识输入所述第一机器学习模型,并获取所述第一机器学习模型利用输入的信息预测得到的所述第一时长。
4.根据权利要求2所述的方法,其特征在于,在从媒体内容集合中选取与所述第一时长匹配的所述第二媒体内容之前,所述方法还包括:
获取与所述目标帐号匹配的帐号标签,其中,所述帐号标签用于指示所述目标帐号所浏览的媒体内容的内容类型;
从所述服务器获取具有所述帐号标签且时长不同的所述多条媒体内容,并将所述多条媒体内容保存至所述媒体内容集合。
5.根据权利要求2所述的方法,其特征在于,在通过第一机器学习模型预测第一时长之前,所述方法还包括:
获取预先训练好的所述第一机器学习模型;
将所述第一机器学习模型部署在所述客户端本地,其中,部署的所述第一机器学习模型用于预测所述第一时长。
6.根据权利要求2所述的方法,其特征在于,在所述客户端上展示所述第二媒体内容包括:
在所述客户端上展示第一提示信息,其中,所述第一提示信息用于链接至所述第二媒体内容;或,
直接在所述客户端上播放所述第二媒体内容。
7.根据权利要求1至6中任意一项所述的方法,其特征在于,在所述客户端上展示第二媒体内容的过程中,所述方法还包括:
在所述客户端与所述服务器之间的网络满足所述预设条件的情况下,在所述客户端上展示第二提示信息,其中,所述第二提示信息用于提示是否将所述客户端上播放的媒体内容从所述第二媒体内容切换至所述第一媒体内容;或,
在所述客户端与所述服务器之间的网络满足所述预设条件的情况下,直接将所述客户端上播放的媒体内容从所述第二媒体内容切换至所述第一媒体内容。
8.一种媒体信息的展示装置,其特征在于,包括:
检测单元,用于检测在客户端上触发的展示操作,其中,所述展示操作用于请求在客户端上展示第一媒体内容,所述第一媒体内容为待从服务器获取的媒体内容,所述客户端上登录有目标帐号;
展示单元,用于响应于所述展示操作,在所述客户端与所述服务器之间的网络不满足预设条件的情况下,在所述客户端上展示第二媒体内容,其中,所述预设条件为允许所述客户端从所述服务器获取所述第一媒体内容的网络传输条件,所述第二媒体内容为预先在所述客户端上缓存好的与所述目标帐号匹配的媒体内容。
9.一种存储介质,其特征在于,所述存储介质包括存储的程序,其中,所述程序运行时执行上述权利要求1至7任一项中所述的方法。
10.一种电子装置,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器通过所述计算机程序执行上述权利要求1至7任一项中所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911380787.8A CN111158546B (zh) | 2019-12-27 | 2019-12-27 | 媒体信息的展示方法和装置、存储介质、电子装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911380787.8A CN111158546B (zh) | 2019-12-27 | 2019-12-27 | 媒体信息的展示方法和装置、存储介质、电子装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111158546A true CN111158546A (zh) | 2020-05-15 |
CN111158546B CN111158546B (zh) | 2022-02-11 |
Family
ID=70558661
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911380787.8A Active CN111158546B (zh) | 2019-12-27 | 2019-12-27 | 媒体信息的展示方法和装置、存储介质、电子装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111158546B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111683273A (zh) * | 2020-06-02 | 2020-09-18 | 中国联合网络通信集团有限公司 | 视频卡顿信息的确定方法及装置 |
CN112130460A (zh) * | 2020-09-16 | 2020-12-25 | 青岛海尔科技有限公司 | 页面展示方法和装置及存储介质 |
CN112363940A (zh) * | 2020-11-12 | 2021-02-12 | 广州博冠信息科技有限公司 | 一种数据处理方法、装置、存储介质及服务器 |
CN112861041A (zh) * | 2021-01-08 | 2021-05-28 | 北京达佳互联信息技术有限公司 | 一种媒体内容的展示方法、装置、电子设备及存储介质 |
CN113535989A (zh) * | 2021-07-22 | 2021-10-22 | 北京爱奇艺科技有限公司 | 多媒体数据的存储方法和装置、电子设备和存储介质 |
CN114071192A (zh) * | 2021-11-11 | 2022-02-18 | 北京百度网讯科技有限公司 | 信息获取方法、终端、服务器、电子设备以及存储介质 |
CN114143812A (zh) * | 2021-12-02 | 2022-03-04 | 爱浦路网络技术(北京)有限公司 | 基于5g的网络资源优化方法、系统、装置及存储介质 |
CN114661921A (zh) * | 2020-12-22 | 2022-06-24 | 北京达佳互联信息技术有限公司 | 数据处理方法、装置、电子设备及存储介质 |
CN114979721A (zh) * | 2022-05-18 | 2022-08-30 | 咪咕文化科技有限公司 | 视频切片方法、装置、设备及存储介质 |
CN115514660A (zh) * | 2022-09-07 | 2022-12-23 | 北京达佳互联信息技术有限公司 | 数据缓存方法、装置、电子设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110191339A1 (en) * | 2010-01-29 | 2011-08-04 | Krishnan Ramanathan | Personalized video retrieval |
CN105847864A (zh) * | 2016-05-13 | 2016-08-10 | 合网络技术(北京)有限公司 | 一种推荐视频清晰度的方法及装置 |
CN107105323A (zh) * | 2017-05-23 | 2017-08-29 | 北京奇艺世纪科技有限公司 | 一种视频推送方法及装置 |
CN107515909A (zh) * | 2017-08-11 | 2017-12-26 | 深圳市耐飞科技有限公司 | 一种视频推荐方法及系统 |
-
2019
- 2019-12-27 CN CN201911380787.8A patent/CN111158546B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110191339A1 (en) * | 2010-01-29 | 2011-08-04 | Krishnan Ramanathan | Personalized video retrieval |
CN105847864A (zh) * | 2016-05-13 | 2016-08-10 | 合网络技术(北京)有限公司 | 一种推荐视频清晰度的方法及装置 |
CN107105323A (zh) * | 2017-05-23 | 2017-08-29 | 北京奇艺世纪科技有限公司 | 一种视频推送方法及装置 |
CN107515909A (zh) * | 2017-08-11 | 2017-12-26 | 深圳市耐飞科技有限公司 | 一种视频推荐方法及系统 |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111683273A (zh) * | 2020-06-02 | 2020-09-18 | 中国联合网络通信集团有限公司 | 视频卡顿信息的确定方法及装置 |
CN112130460A (zh) * | 2020-09-16 | 2020-12-25 | 青岛海尔科技有限公司 | 页面展示方法和装置及存储介质 |
CN112363940B (zh) * | 2020-11-12 | 2023-10-03 | 广州博冠信息科技有限公司 | 一种数据处理方法、装置、存储介质及服务器 |
CN112363940A (zh) * | 2020-11-12 | 2021-02-12 | 广州博冠信息科技有限公司 | 一种数据处理方法、装置、存储介质及服务器 |
CN114661921A (zh) * | 2020-12-22 | 2022-06-24 | 北京达佳互联信息技术有限公司 | 数据处理方法、装置、电子设备及存储介质 |
CN112861041A (zh) * | 2021-01-08 | 2021-05-28 | 北京达佳互联信息技术有限公司 | 一种媒体内容的展示方法、装置、电子设备及存储介质 |
CN112861041B (zh) * | 2021-01-08 | 2024-03-19 | 北京达佳互联信息技术有限公司 | 一种媒体内容的展示方法、装置、电子设备及存储介质 |
CN113535989A (zh) * | 2021-07-22 | 2021-10-22 | 北京爱奇艺科技有限公司 | 多媒体数据的存储方法和装置、电子设备和存储介质 |
CN114071192A (zh) * | 2021-11-11 | 2022-02-18 | 北京百度网讯科技有限公司 | 信息获取方法、终端、服务器、电子设备以及存储介质 |
CN114143812A (zh) * | 2021-12-02 | 2022-03-04 | 爱浦路网络技术(北京)有限公司 | 基于5g的网络资源优化方法、系统、装置及存储介质 |
CN114143812B (zh) * | 2021-12-02 | 2022-10-11 | 爱浦路网络技术(北京)有限公司 | 基于5g的网络资源优化方法、系统、装置及存储介质 |
CN114979721B (zh) * | 2022-05-18 | 2024-02-23 | 咪咕文化科技有限公司 | 视频切片方法、装置、设备及存储介质 |
CN114979721A (zh) * | 2022-05-18 | 2022-08-30 | 咪咕文化科技有限公司 | 视频切片方法、装置、设备及存储介质 |
CN115514660A (zh) * | 2022-09-07 | 2022-12-23 | 北京达佳互联信息技术有限公司 | 数据缓存方法、装置、电子设备及存储介质 |
CN115514660B (zh) * | 2022-09-07 | 2024-01-19 | 北京达佳互联信息技术有限公司 | 数据缓存方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111158546B (zh) | 2022-02-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111158546B (zh) | 媒体信息的展示方法和装置、存储介质、电子装置 | |
CN112967081B (zh) | 广告投放效果监控方法 | |
US11270342B2 (en) | Systems and methods for deducing user information from input device behavior | |
US11727435B2 (en) | Methods and apparatus to detect advertisements embedded in online media | |
US9916866B2 (en) | Emotional timed media playback | |
US20120278331A1 (en) | Systems and methods for deducing user information from input device behavior | |
US20100306808A1 (en) | Methods for identifying video segments and displaying contextually targeted content on a connected television | |
CN111444415B (zh) | 弹幕处理方法、服务器、客户端、电子设备及存储介质 | |
CN106686419B (zh) | 一种屏保的显示方法及显示装置 | |
US11012737B1 (en) | Systems and methods for audio adaptation of content items to endpoint media devices | |
CN104144357B (zh) | 视频播放方法和系统 | |
CN105230035A (zh) | 用于选择的时移多媒体内容的社交媒体的处理 | |
CN103778174A (zh) | 用于基于场景变化检测触发音频指纹法分析的装置和方法 | |
CN102265630A (zh) | 易于访问与电视内容关联的统一资源标识符 | |
US20200007637A1 (en) | Methods and apparatus to identify sponsored media in a document object model | |
CN107547922B (zh) | 信息处理方法、装置、系统及计算机可读存储介质 | |
CN108924606B (zh) | 流媒体处理方法、装置、存储介质和电子装置 | |
WO2012148770A2 (en) | Systems and methods for deducing user information from input device behavior | |
US20130132996A1 (en) | System and method for displaying product information about advertisement on digital television, and recording medium thereof | |
US8745650B1 (en) | Content segment selection based on time-shifted content viewing | |
CN112328895A (zh) | 用户画像生成方法、装置、服务器及存储介质 | |
CN111343483B (zh) | 媒体内容片段的提示方法和装置、存储介质、电子装置 | |
WO2018103977A1 (en) | Delivery of media content | |
CN112866748A (zh) | 基于ai的视频广告植入方法和装置、设备及存储介质 | |
CN112328152A (zh) | 媒体文件的播放控制方法、装置、电子设备及存储介质 |
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 |