CN111800647B - 直播连麦匹配方法、装置、设备及存储介质 - Google Patents
直播连麦匹配方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN111800647B CN111800647B CN202010609607.5A CN202010609607A CN111800647B CN 111800647 B CN111800647 B CN 111800647B CN 202010609607 A CN202010609607 A CN 202010609607A CN 111800647 B CN111800647 B CN 111800647B
- Authority
- CN
- China
- Prior art keywords
- anchor
- matching
- edge
- target
- pending
- 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 65
- 241000209140 Triticum Species 0.000 claims abstract description 16
- 235000021307 Triticum Nutrition 0.000 claims abstract description 16
- 230000000694 effects Effects 0.000 claims description 43
- 238000012545 processing Methods 0.000 claims description 10
- 238000011161 development Methods 0.000 claims description 7
- 230000008901 benefit Effects 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 description 14
- 230000006870 function Effects 0.000 description 14
- 238000010586 diagram Methods 0.000 description 7
- 230000003993 interaction Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000010187 selection method Methods 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]
- H04N21/20—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
-
- 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
- G06F16/958—Organisation or management of web site content, e.g. publishing, maintaining pages or automatic linking
-
- 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
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)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明实施例公开了直播连麦匹配方法、装置、设备及存储介质。该方法包括根据预先获取的各待对决主播的主播报名信息,确定各所述待对决主播间的关联关系,形成以各所述待对决主播为节点的无向图;根据给定的匹配效用确定标准,确定所述无向图中各条边对应的匹配效用值,获得无向加权图;采用整体规划匹配策略从所述无向加权图中确定满足设定匹配条件的边集合;将所述边集合中各目标边相对应的两待对决主播作为一组匹配项进行直播连麦。该方法能够在保证主播匹配自动化实现的同时,保证匹配出的对决主播为一个全局最优解,由此使得匹配出的主播进行对决时能够实现平台方效用最大化。
Description
技术领域
本发明实施例涉及直播技术领域,尤其涉及直播连麦匹配方法、装置、设备及存储介质。
背景技术
网络直播服务是由网络直播服务提供商基于互联网的在线服务平台,为观看用户提供即时影像的交互式服务。其主要特点是主持直播活动的主角(简称为主播)与观众进行即时交互。随着网络主播服务的发展,已不再局限于单个主播与观众的互动,可以通过连麦两个主播来与观众进行共同互动,该种互动方式可称为直播中的主播连麦对决服务。
对于服务提供商而言,在允许两个主播进行连麦对决之前,需要先从众多参与活动的主播中采用一些匹配标准对主播进行两两匹配。在合适的匹配方法下,主播对决是一种诶认为可以提高观看用户参与活跃度,并提高平台营收的服务形式。
但是,现在的网络直播平台中的主播匹配一般通过人工匹配或者启发式贪心算法的方式完成。人工匹配的方式在用户量大的情况下对平台方时间及人力资源的耗费比较严重。而启发式贪心算法中往往采用随机匹配的规则来进行匹配,存在将不适合匹配的两方匹配到一起的可能,同时贪心算法寻找的是一个局部最优解,没有考虑全局因素。现有的上述方式在用户的满意度及平台的营收能力上都有所欠缺。
发明内容
有鉴于此,本发明实施例提供了直播连麦匹配方法、装置、设备及存储介质,以解决现有连麦匹配中存在的资源耗费严重以及匹配不合适的问题。
第一方面,本发明实施例提供了一种直播连麦匹配方法,包括:
根据预先获取的各待对决主播的主播报名信息,确定各所述待对决主播间的关联关系,形成以各所述待对决主播为节点的无向图;
根据给定的匹配效用确定标准,确定所述无向图中各条边对应的匹配效用值,获得无向加权图;
采用整体规划匹配策略从所述无向加权图中确定满足设定匹配条件的边集合;
将所述边集合中各目标边相对应的两待对决主播作为一组匹配项进行直播连麦。
第二方面,本发明实施例提供一种直播连麦匹配装置,包括:
无向图确定模块,用于根据预先获取的各待对决主播的主播报名信息,确定各所述待对决主播间的关联关系,形成以各所述待对决主播为节点的无向图;
加权图确定模块,用于根据给定的匹配效用确定标准,确定所述无向图中各条边对应的匹配效用值,获得无向加权图;
边集合确定模块,用于采用整体规划匹配策略从所述无向加权图中确定满足设定匹配条件的边集合;
匹配确定模块,用于将所述边集合中各目标边相对应的两待对决主播作为一组匹配项进行直播连麦。
第三方面,本发明实施例提供了一种计算机设备,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;
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第一方面实施例提供的直播连麦匹配方法。
第四方面,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第一方面实施例提供的直播连麦匹配方法。
本发明实施例提供的直播连麦匹配方法、装置、设备及存储介质中,首先根据预先获取的各待对决主播的主播报名信息,确定各待对决主播间的关联关系,形成以各待对决主播为节点的无向图;然后根据给定的匹配效用确定标准,确定无向图中各条边对应的匹配效用值,获得无向加权图;之后采用整体规划匹配策略从无向加权图中确定满足设定匹配条件的边集合,最终将所述边集合中各目标边相对应的两待对决主播作为一组匹配项进行直播连麦。上述技术方案,将直播中的主播匹配操作转化为将主播看作节点,主播间的关联关系看作边构成的无向加权图,从而通过在无向加权图中进行满足一定条件的边集合查找,来获得相匹配的主播。通过上述方法,能够在保证主播匹配自动化实现的同时,保证匹配出的对决主播为一个全局最优解,由此使得匹配出的主播进行对决时能够实现平台方效用最大化。
附图说明
图1给出了本发明实施例一提供的一种直播连麦匹配方法的流程示意图;
图1a给出了本发明实施例二所提供直播连麦匹配中进行所形成无向加权图中部分连接图的效果展示图;
图2给出了本发明实施例二提供的一种直播连麦匹配方法的流程示意图;
图3为本发明实施例三提供的一种直播连麦匹配装置的结构框图;
图4给出了本发明实施例四提供的一种计算机设备的硬件结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明实施例方式作进一步地详细描述。应当明确,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。此外,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。
在本申请的描述中,需要理解的是,术语“第一”、“第二”、“第三”等仅用于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,也不能理解为指示或暗示相对重要性。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本申请中的具体含义。
实施例一
图1给出了本发明实施例一提供的一种直播连麦匹配方法的流程示意图,该方法适用于对直播中待对决的主播进行对决匹配的情况,该方法可以由直播连麦匹配装置执行,其中,该装置可以由软件和/或硬件实现,并一般可集成在计算机设备上。
需要说明的是,可认为本实施例所提供直播连麦匹配方法的应用场景为:在平台方启动所策划的直播对决活动后,对参与活动的主播进行匹配,以使匹配成功的主播之间进行连麦对决。由此,本实施例所提供方法的执行主体可以作为平台方进行数据信息处理的服务后台。
如图1所示,本发明实施例一提供的一种直播连麦匹配方法,具体包括如下操作:
S101、根据预先获取的各待对决主播的主播报名信息,确定各所述待对决主播间的关联关系,形成以各所述待对决主播为节点的无向图。
在本实施例中,所述待对决主播具体可理解为存在对决需求,希望通过连麦对决与观众进行互动的主播。基于上述给出的应用场景,待对决主播可以在获取到平台方开展的直播对决活动后,在直播对决活动开启前的一段时间,通过平台方开放的报名接口在平台提供的报名信息界面中进行主播报名信息的编辑以及提交。
本实施例可以获取到各待对决主播提交的主播报名信息,所述主播报名信息中可以包括主播的用户标识以及所选定的参与对决的时间段等信息。本步骤可以在报名接口关闭后,汇总所有待对决主播的主播报名信息,并通过对各主播报名信息中所选定参与时间段的整理,为存在相同参与时间段的待对决主播创建关联关系,最终可以将待对决主播看作一个节点,并将确定出的待对决主播的关联关系看作连接节点边,由此形成基于各待对决主播及相关关联关系形成的无向图。
S102、根据给定的匹配效用确定标准,确定所述无向图中各条边对应的匹配效用值,获得无向加权图。
需要说明的是,在实际的待对决主播匹配过程中,平台方通常希望确定出的待对决主播对实际进行直播连麦对决时能够使所策划直播对决活动的整体营收或者其他效果最大化。因此,进行待对决主播的匹配确定更适合从整体角度考虑。
本实施例相当于将对待对决主播之间的匹配转换成对所形成的无向图的处理,并且为了保证所匹配出的待对决主播对为平台方带来的整体效益最大,在通过待对决主播间的关联关系构建出无向图之后,还需要对无向图中的各条边进行权重值确定。本实施例优选将存在边的两待对决主播进行直播连麦对决时能够产生的匹配效用作为权重参数,并通过本步骤的操作确定出无向图中个条边所具备的匹配效用值,以此将匹配效用值作为边的权重值,由此形成无向加权图。
示例性的,本步骤可以通过预先给定的匹配效用确定标准为无向图中的各条边进行匹配效用值的确定,其中,所给定匹配效用确定标准的设定中需要考虑影响因素包括:代表边节点的两待对决主播在历史时间段内的历史对决信息,以及进行所策划直播对决活动的参与地,开展时间及预计的对决持续时长等除待对决主播之外的其他影响匹配效用的参数项。
具体的,通过上述描述的各种影响因素形成匹配效用标准后,针对无向图中的每条边,就可以基于本步骤根据存在边的两待对决主播的历史对决信息结合一些外界因素,如活动参与地、开展时间以及对决持续时长等,来形成匹配特征项,并将个匹配特征项带入适合该匹配效用标准的匹配效用确定函数,最终可获得每条边对应的匹配效用值。
本步骤还可以根据所确定的各条的匹配效用值结合原有的无向图形成无向加权图。示例性的,图1a给出了本发明实施例二所提供直播连麦匹配中进行所形成无向加权图中部分连接图的效果展示图。如图1a所示,作为待对决主播的用户1分别与用户4及用户6存在关联,且相应形成的边的匹配效用值可分别采用效用1-4以及效用1-6表示。
S103、采用整体规划匹配策略从所述无向加权图中确定满足设定匹配条件的边集合。
在本实施例中,通过上述步骤为无向图中的各条边确定匹配效用值形成无向加权图后,本实施例可以将整个无向加权图的匹配效用值之和最大化作为对无向加权图进行整体规划匹配的处理目标,即,通过本步骤的执行,使得确定出的边集合中所包括各边的匹配效用值之和为整体最大匹配效用。
同时,边集合中的各条边所代表的待对决主播对,可能含盖了参与直播对决活动的所有待对决主播,由此边集合中的各条目标边需要满足的匹配条件为目标边之间无法构成环,且也不存在相邻目标边。
示例性的,本步骤中的整体规划匹配策略具体相当于提供了一个对无向加权图进行整体规划匹配的处理目标,确定该整体规划匹配的处理目标后,可以从无向加权图中进行边选取操作,获得目标边,以此保证所选取的目标边满足上述处理目标,即,所选取边的匹配效用值之和最大。本实施例进行边选取的方式可优选采用分支界定法实现。
S104、将所述边集合中各目标边相对应的两待对决主播作为一组匹配项进行直播连麦。
在本实施例中,所获得的边集合中包括的各目标边可以看作由两个待对决主播结合其存在关联关系构成的边,目标边中代表节点的两待对决主播相当于一对更适合进行连麦对决的主播对,由此可以通过本步骤将边集合中构成目标边节点的两待对决主播看作本实施例确定的直播连麦匹配项。
本发明实施例一提供的一种直播连麦匹配方法,主要从将直播中的主播匹配操作转化为将主播看作节点,主播间的关联关系看作边构成的无向加权图的角度来进行主播的直播连麦匹配,由此实现了通过在无向加权图中进行满足一定条件的边集合查找获得相匹配的连麦对决主播的操作。通过上述方法,能够在保证主播匹配自动化实现的同时,保证匹配出的对决主播为一个全局最优解,由此使得匹配出的主播进行对决时能够实现平台方效用最大化。
实施例二
图2给出了本发明实施例二提供的一种直播连麦匹配方法的流程示意图,本实施例以上述实施例为基础进行优化,在本实施例中,进一步将根据预先获取的各待对决主播的主播报名信息,确定各所述待对决主播间的关联关系,形成以各所述待对决主播为节点的无向图具体化为获取参与所设定直播对决活动的各待对决主播的主播报名信息,所述主播报名信息中包括主播标识以及选定的至少一个候选参与时间段;根据各所述待对决主播选定的各候选参与时间段,确定各所述待对决主播间的关联关系;将各所述待对决主播作为节点,通过各所述待对决主播间的关联关系进行相关联节点间的连接,形成无向图。
同时,本实施例将根据给定的匹配效用确定标准,确定所述无向图中各条边对应的匹配效用值,获得无向加权图具体化为:针对所述无向图中的每一条边,获取构成所述边的两目标节点在设定历史时间内产生的主播历史数据信息;分析各所述主播历史数据信息,确定待输入所给定目标效用确定模型的目标特征项序列;获得将目标特征项序列输入所述目标效用确定模型后的输出值,并将所述输出值作为所述边的匹配效用值;根据所述无向图中具备匹配效用值的各边形成无向加权图。
此外,本实施例进一步将采用整体规划匹配策略从所述无向加权图中确定满足设定匹配条件的边集合具体化为:对所述无向加权图中的各条边设定初始值为0的决策变量;根据设定的变量限定条件通过分支界定法,为所述无向加权图中各条边确定目标决策变量值,使得所述无向加权图中各条边的匹配效用值与相应目标决策变量值的乘积之和最大;从所述无向加权图中筛选所对应目标决策变量值为1的目标边,构成包含各所述目标边的边集合,使得所述边集合内不存在环且不存在相邻边;其中,所述变量限定条件为所述无向加权图中任一边对应的决策变量值为0或者1且同一节点所归属各边对应的决策变量值之和小于或等于1。
如图2所示,本发明实施例二提供的一种直播连麦匹配方法,具体包括如下操作:
本实施例下述S201至S203具体给出了无向图的实现过程。
S201、获取参与所设定直播对决活动的各待对决主播的主播报名信息,所述主播报名信息中包括主播标识以及选定的至少一个候选参与时间段。
可以理解的是,对于平台方而言,可以策划一些直播对决活动,推送给主播客户端,以使有对决意向的主播能够基于所提供的报名接口通过报名的形式参与活动。本步骤可以获取到待对决主播提交的主播报名信息,其中主播报名信息中包括主播标识以及选定的至少一个候选参与时间段,所述主播标识可以在主播进行账号注册时生成,作为主播的身份标识与其他主播进行区分。
在本实施例中,所述候选参与时间段具体可理解为平台方在进行直播对决活动策划时所设定的直播对决活动的允许时间段。一般的,在一个直播对决活动中,可以预先设定好活动的活动有效期,以及有效期内的有效参与时间段等时间限定信息。如,一个直播对决活动中的活动有效期为XX年1月1日0点至XX年1月3日24点,在这期间的有效参与时间段又可以包括每日中的 6:00-7:00,9:00-10:00,12:00-13:00,15:00-16:00,19:00-20:00,20:00-21:00等多个时间段。在主播通过报名接口报名时,主播可以从多个有效参与时间段中选定适合自己的候选参与时间段,所选定的候选参与时间段可以有多个。
S202、根据各所述待对决主播选定的各候选参与时间段,确定各所述待对决主播间的关联关系。
在本实施例中,通过上述步骤获取进行报名操作的各待对决主播的主播报名信息后,可以提取出各待对决主播选定的各候选参与时间段,之后将选定了同一候选参与时间段的待对决主播汇总在一起形成主播集合,本实施例可认为汇总在一个主播集合中的待对决主播两两之间存在关联关系。
可以知道的是,一个待对决主播可以存在多个候选参与时间段,由此在基于候选参与时间段进行待对决主播汇总时,一个待对决主播可以汇总到多个主播集合中,即,可认为一个待对决主播可能与多个存在于不同的主播集合中的其他待对决主播存在关联关系。
进一步地,所述根据各所述待对决主播选定的各候选参与时间段,确定各所述待对决主播间的关联关系,包括:
针对所述直播对决活动下设定的每一个有效参与时间段,通过遍历各所述待对决主播的主播报名信息,确定将所述有效参与时间段作为候选参与时间段的待对决主播,并汇总形成候选匹配主播集;确定所述候选匹配主播集中的任两个待对决主播间存在关联关系。
在上述实施例的基础上,还进一步给出了实现关联关系确定的一个优选实施例,在本优选实施例中,可以针对直播对决活动策划时设定的每个有效参与时间段进行待对决主播关联关系的确定。可以理解的是,本实施例设定的每个有效参与时间段都存在被待对决主播选定为候选参与时间段的可能,因此,针对每个有效参与时间段,可以通过遍历各待对决主播的主播报名信息,获取各待对决主播选定的候选参与时间段,从而筛选出将该有效候选时间段作为候选参与时间段的待对决主播,并汇总筛选出的各待对决主播,对应形成一个候选匹配主播集,可认为该候选匹配主播集中的任两个待对决主播存在关联关系。
S203、将各所述待对决主播作为节点,通过各所述待对决主播间的关联关系进行相关联节点间的连接,形成无向图。
本实施例下述S204至S207给出了对无向图中各边进行匹配效用值确定的具体实现。
S204、获取所给定的目标效用确定模型,其中,所述目标效用模型根据所设定直播对决活动的实际应用场景从预设模型集合中选定。
在本实施例中,所述目标效用确定模型具体可看作一个用于进行匹配效用值确定的计算模型,且该目标效用确定模型具体可以根据所设定直播对决活动的实际应用场景从预设模型集合中选定。
需要说明的是,本实施例中能够进行匹配效用值确定的计算模型存在至少一种,各计算模型可以预先通过训练获得并一般添加在设定的预设模型集合中,本步骤可基于直播对决活动的实际应用场景从预设模型集合中选定目标效用确定模型。
本实施例中不同的计算模型往往可以根据不同的效用确定需求来设定,该效用确定需求可以跟所策划直播对决活动的实际应用场景有关。此外,对不同的计算模型进行训练时,所需要的特征信息存在不同,即,预设模型集合中所包括各计算模型运行时所输入的特征项不同。
进一步地,预设模型集合中至少可以包括:按照主播实力等同为匹配目标的效用确定模型、按照主播实力悬殊为匹配目标的效用确定模型以及按照对决营收效益最大为匹配目标的效用确定模型。
具体的,在直播对决的应用场景中,不同的平台方或者同一个平台方针对所策划的直播对决活动实际具备的应用需求可以存在不同,因此进行匹配效用确定时所设计的计算模型也存在不同。示例性的,假设平台方的实际需求为期望主播实力等同的待对决主播能够进行匹配时,就可以设定一个按照主播实力等同为匹配目标的效用确定模型。此时,平台方可能认为在该势均力敌为匹配需求的情况下,更加强势,强势程度水平也相当于的待对决主播进行匹配时,所能带来的效用值最大,而且,进行匹配效用值计算的计算模型可以采用一个效用函数uij=g1(|Ai-Aj|)来表示,其中,uij表示标识为i和j的待对决主播所形成边的匹配效用值,Ai和Aj分别表示标识为i和j的待对决主播的匹配特征项, g1(x)为一个关于x的单调递减函数,x具体可通过对|Ai-Aj|的计算来获得。
又如,平台方的实际需求为期望主播实力悬殊的待对决主播能够进行匹配时,就可以设定一个按照主播实力悬殊为匹配目标的效用确定模型;此时,平台方可能认为在该实力悬殊为匹配需求的情况下,更加强势的主播与更加弱势的待对决主播进行匹配时,所能带来的效用值最大,而且,相应进行匹配效用值计算的计算模型可以采用一个效用函数uij=g2(|Ai-Aj|)来表示,其中,uij表示标识为i和j的待对决主播所形成边的匹配效用值,Ai和Aj分别表示标识为i和j 的待对决主播的匹配特征项,g2(x)为一个关于x的单调递增函数,x具体可通过对|Ai-Aj|的计算来获得。
同样的,本实施例还优选包括了按照对决营收效益最大为匹配目标,此时,平台方希望能够使待对决主播在进行每场连麦对决时的收入最大化,而且,相应进行匹配效用值计算的计算模型可以采用一个效用函数uij=g3(P(X))来表示,其中,uij表示标识为i和j的待对决主播所形成边的匹配效用值,P(X)看做预先利用历史匹配数据训练机器学习模型得到的一个预测函数,X则可以看作基于匹配效用值确定的影响因素中的外接因素信息形成的特征项序列,如特征项序列中可以包括活动参与地、开展时间以及对决持续时长等,此外,g3(x)为一个关于x的单调递增函数,采用该计算模型获得的匹配效用值相当于待对决主播进行一场直播对决的总营收预测值。
此外,本实施例中也可以采用按照随机匹配为匹配目标的方式,在该随机匹配的情况下,平台方希望在不考虑其他条件时能够最大化匹配成功的匹配数目,本实施例可在采用该随机匹配的计算模型时,直接令无向加权图中各条边的匹配效用值为1。
S205、针对所述无向图中的每一条边,获取构成所述边的两目标节点在设定历史时间内产生的主播历史数据信息。
在本实施例中,需要为无向图中的每条边都进行匹配效用确定,且确定的执行方式相同,因此,本实施例S204至S207均可看作对每一条边的操作。
具体的,基于上述描述可知本实施例中影响匹配效用的因素主要包括代表边节点的待对决主播的历史活动信息以及直播对决活动的策划信息(如实行国家,参与时长以及持续时间等)本实施例首先将待进行匹配效用值确定的边的节点记为目标节点,目标节点实际代表了构成边的两待对决主播,该两目标节点的节点标识相当于两待对决主播的主播标识,由此通过节点标识可以获取到两目标节点在一个设定历史时间内所产生的主播历史数据信息。
其中,所述主播历史数据信息具体可以包括相对应主播在该设定历史时间内的所有主播活动轨迹信息,如在该设定历史时间内的主播登录次数,进行主播互动的场数以及主播互动中参与对决的次数等等。
S206、分析各所述主播历史数据信息,确定待输入所给定目标效用确定模型的目标特征项序列。
在上述描述的基础上,可以通过本步骤来进一步确定对应该目标效用模型的可输入的目标特征项序列。可以理解的是,上述获取的主播历史数据信息中几乎包含了主播进行直播活动时的各种特征项,然而用于进行匹配效用值确定时所采用的特征项可能只有其中的一项或者几项,因此,需要通过本步骤对主播历史数据信息的分析和提取,筛选出待输入至目标效用确定模型的目标特征项序列。
优选地,所述目标特征项序列中包括的特征项可以从预设的特征项集合中获取,其中,所述特征项集合至少可以包括:构成边的两节点分别对应的匹配特征项,以及构成协变量的特征项。
在本实施例中,采用上述S206进行目标特征项序列的确定时,可首先根据获得的主播历史数据信息整理形成一个用于匹配效用值计算的特征项集合,该特征项集合中包括的构成边的两节点分别对应的匹配特征项相当于上述所给定示例中的Ai和Aj;所包括的构成协变量的特征项相当于上述所给定示例中构成 X的特征项,即X相当于一个协变量。
具体的,节点对应的匹配特征项至少可以包括:节点所代表待对决主播的关注观众数量和直播活跃度,以及在所述设定历史时间内参与对决活动时产生的平均单场收益和对决结果;所述构成协变量的特征项至少可以包括:直播对决活动的预计持续时长、预计开展时间和对决活动类型,以及构成边的两节点所代表两待匹配主播的属性判定信息;所述属性判定信息至少可以包括:是否归属于同一国家、是否属于同一直播家族、是否存在历史匹配以及存在历史匹配时的历史匹配记录。
在本实施例中,对待对决主播的主播历史数据信息进行整理形成特征项集合时,相对节点对应的匹配特征项可以提取出的信息至少包括:节点所代表待对决主播的关注观众数量(记为a1)和直播活跃度(记为a2),以及在所述设定历史时间内参与对决活动时产生的平均单场收益(记为a3)和对决结果(记为a4)。在实际应用中,本实施例可以通过加权平均的方式将上述各特征项进行组合以此形成待对决主播i的匹配特征项Ai,即,Ai可以等于w1a1+ w2a2+......+wnan。
同时,本实施例还可以基于直播对决活动策划时的一些策划信息结合待对决主播的主播历史数据信息,刻画协变量中应该具备的特征项,这些特征项至少可以包括:主播是否属于同一个国家,其中,不同国家之间的匹配效用可能收到运营水平的影响;主播是否属于同一个家族,其中,不同家族之间的匹配可能会激发关注的观看热情;匹配的预计持续时长,其中,时间长的匹配可能会导致更高的收益;匹配的开展时间,其中,在某些特定的时间段进行的匹配可能会导致更高的收益。
需要说明的是,上述协变量中的特征项可以采用一个具体值来表示,如可以采用0和1来分别表示主播不属于同一个国家,以及主播属于同一个国家;又如也可以采用0和1来分别表示主播不属于同一个家族,以及主播属于同一个家族等。
S207、获得将目标特征项序列输入所述目标效用确定模型后的输出值,并将所述输出值作为所述边的匹配效用值。
在本实施例中,通过上述S206确定待输入目标效用确定模型的目标特征项之后,通过本步骤可以获得无向图中各条边中的匹配效用值。
S208、根据所述无向图中具备匹配效用值的各边形成无向加权图。
本实施例下述S209至S211给出了边集合中目标边的选定过程。
S209、对所述无向加权图中的各条边设定初始值为0的决策变量。
在本实施例中,为实现从无向加权图中选取合适的目标边,首先通过本步骤为无向加权图中的各条边设定一个决策变量,该决策变量的初始值可以为0,所述决策变量具体可理解为在进行目标边的选取中选定各条边的决策值。
S210、根据设定的变量限定条件通过分支界定法,为所述无向加权图中各条边确定目标决策变量值,使得所述无向加权图中各条边的匹配效用值与相应目标决策变量值的乘积之和最大。
在本实施例中,可以将无向加权图中各条边的匹配效用值与相应目标决策变量值的乘积之和最大看作进行目标边选取的处理目标。为了达到该处理目标,可以对当前待进行的操作进行分析:首先可以分析要达到该处理目标时决策变量应该具体的限定条件,具体的,对于无向加权图中的每条边而言,其最终被选做目标边理论上要么为0,即未被选中,要么为1,即被选中;同时,当一条边被选中后,考虑到所形成的边集合中不能包括相邻边,则相当于与所选定该条边共用一个节点的其他边均不具备被选中的可能,即,对于一个节点而言,相当于其所构成的每条边的决策变量值之和不能大于1。
因此,本实施例中,有关决策变量的的变量限定条件可设定为:所述无向加权图中任一边对应的决策变量值为0或者1且同一节点所归属各边对应的决策变量值之和小于或等于1。
本步骤的目的在于如何在满足变量限定条件的前提下,为无向加权图中各条边确定目标决策变量值,从而达到无向加权图中各条边的匹配效用值与相应目标决策变量值的乘积之和最大的效果。因此本步骤可以采用分支界定法的方式来实现,该方法的计算可优选采用开源求解器或者商业求解器来进行,且该分支界定法的核心思想可表述为:
首先可以将处理目标,即所述无向加权图中各条边的匹配效用值与相应目标决策变量值的乘积之和最大,采用一个目标函数Z=∑uij*xij来表示,其中, uij为节点为i和j所构成边的匹配效用值,xij为节点为i和j所构成边的决策变量值。同时,还可以将决策变量的变量限定条件采用 来表示。
本实施例执行分支界定法时,
第二步.在各分枝问题中,找出目标函数值最大者作为整数规划最优值Z*的上界,并记为UZ,从已符合整数条件的分枝中,找出目标函数值最大者作为下界,记为Lz。根据整数规划的理论,可设定:Lz≤Z*≤UZ
S211、从所述无向加权图中筛选所对应目标决策变量值为1的目标边,构成包含各所述目标边的边集合,使得所述边集合内不存在环且不存在相邻边。
本实施例通过上述步骤为各边确定的目标决策变量值后,能够选定目标决策变量值为1的目标边来形成边集合,由此可以保证所形成边集合内不存在环且不存在相邻边。
S212、将所述边集合中各目标边相对应的两待对决主播作为一组匹配项进行直播连麦。
本发明实施例二提供的一种直播连麦匹配方法,具体化了无向图的构建过程,还具体化了基于待对决主播的主播历史数据信息确定无向图中各条边的匹配效用值形成无向加权图的实现过程,同时也具体化了如何通过确定各条边的决策变量值来从无向加权图中进行目标边的选取,使得无向加权图中各条边的匹配效用值与相应目标决策变量值的乘积之和最大的实现过程。利用该方法,主要从将直播中的主播匹配操作转化为将主播看作节点,主播间的关联关系看作边构成的无向加权图的角度来进行主播的直播连麦匹配,由此实现了通过在无向加权图中确定满足不存在环且不存在相邻边的边集合来获得获得相匹配的连麦对决主播的操作。本实施例的方法能够在保证主播匹配自动化实现的同时,保证匹配出的对决主播为一个全局最优解,由此使得匹配出的主播进行对决时能够实现平台方效用最大化。
实施例三
图3为本发明实施例三提供的一种直播连麦匹配装置的结构框图,该装置适用于对直播中待对决的主播进行对决匹配的情况,其中,该装置可以由软件或硬件实现,并一般可集成在计算机设备上。如图3所示,该装置包括:无向图确定模块31、加权图确定模块32、边集合确定模块33以及匹配确定模块34。
无向图确定模块31,用于根据预先获取的各待对决主播的主播报名信息,确定各所述待对决主播间的关联关系,形成以各所述待对决主播为节点的无向图;
加权图确定模块32,用于根据给定的匹配效用确定标准,确定所述无向图中各条边对应的匹配效用值,获得无向加权图;
边集合确定模块33,用于采用整体规划匹配策略从所述无向加权图中确定满足设定匹配条件的边集合;
匹配确定模块34,用于将所述边集合中各目标边相对应的两待对决主播作为一组匹配项进行直播连麦。
本发明实施例三提供的一种直播连麦匹配装置,主要从将直播中的主播匹配操作转化为将主播看作节点,主播间的关联关系看作边构成的无向加权图的角度来进行主播的直播连麦匹配,由此实现了通过在无向加权图中进行满足一定条件的边集合查找获得相匹配的连麦对决主播的操作。通过上述方法,能够在保证主播匹配自动化实现的同时,保证匹配出的对决主播为一个全局最优解,由此使得匹配出的主播进行对决时能够实现平台方效用最大化。
实施例四
图4给出了本发明实施例四提供的一种计算机设备的硬件结构示意图,具体地,该计算机设备包括:处理器和存储装置。存储装置中存储有至少一条指令,且指令由所述处理器执行,使得所述计算机设备执行如上述方法实施例所述的直播连麦匹配方法。
参照图4,该计算机设备具体可以包括:处理器40、存储装置41、显示屏 42、输入装置43、输出装置44以及通信装置45。该计算机设备中处理器40的数量可以是一个或者多个,图4中以一个处理器40为例。该计算机设备中存储装置41的数量可以是一个或者多个,图4中以一个存储装置41为例。该计算机设备的处理器40、存储装置41、显示屏42、输入装置43、输出装置44以及通信装置45可以通过总线或者其他方式连接,图4中以通过总线连接为例。
具体的,实施例中,处理器40执行存储装置41中存储的一个或多个程序时,具体实现如下操作:根据预先获取的各待对决主播的主播报名信息,确定各所述待对决主播间的关联关系,形成以各所述待对决主播为节点的无向图;根据给定的匹配效用确定标准,确定所述无向图中各条边对应的匹配效用值,获得无向加权图;采用整体规划匹配策略从所述无向加权图中确定满足设定匹配条件的边集合;将所述边集合中各目标边相对应的两待对决主播作为一组匹配项进行直播连麦。
本发明实施例还提供一种计算机可读存储介质,所述存储介质中的程序由计算机设备的处理器执行时,使得计算机设备能够执行如上述实施例所述的直播连麦匹配方法。示例性的,上述实施例所述的直播连麦匹配方法包括:根据预先获取的各待对决主播的主播报名信息,确定各所述待对决主播间的关联关系,形成以各所述待对决主播为节点的无向图;根据给定的匹配效用确定标准,确定所述无向图中各条边对应的匹配效用值,获得无向加权图;采用整体规划匹配策略从所述无向加权图中确定满足设定匹配条件的边集合;将所述边集合中各目标边相对应的两待对决主播作为一组匹配项进行直播连麦。
需要说明的是,对于装置、计算机设备、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直播连麦匹配方法。
值得注意的是,上述直播连麦匹配装置中,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。
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 (10)
1.一种直播连麦匹配方法,其特征在于,包括:
根据预先获取的各待对决主播的主播报名信息,确定各所述待对决主播间的关联关系,形成以各所述待对决主播为节点的无向图;
根据给定的匹配效用确定标准,确定所述无向图中各条边对应的匹配效用值,获得无向加权图包括:
通过除待对决主播之外的其他影响匹配效用的参数项形成匹配效用确定标准;
获取所给定的目标效用确定模型,其中,所述目标效用确定模型根据所设定直播对决活动的实际应用场景从预设模型集合中选定;
针对所述无向图中的每一条边,获取构成所述边的两目标节点在设定历史时间内产生的主播历史数据信息;
分析各所述主播历史数据信息,确定待输入所述目标效用确定模型的目标特征项序列;
获得将目标特征项序列输入所述目标效用确定模型后的输出值,并将所述输出值作为所述边的匹配效用值;
根据所述无向图中具备匹配效用值的各边形成无向加权图;
采用整体规划匹配策略从所述无向加权图中确定满足设定匹配条件的边集合;其中,将整个无向加权图的匹配效用值之和最大化作为对所述无向加权图进行整体规划匹配的处理目标;
将所述边集合中各目标边相对应的两待对决主播作为一组匹配项进行直播连麦。
2.根据权利要求1所述的方法,其特征在于,所述根据预先获取的各待对决主播的主播报名信息,确定各所述待对决主播间的关联关系,形成以各所述待对决主播为节点的无向图,包括:
获取参与所设定直播对决活动的各待对决主播的主播报名信息,所述主播报名信息中包括主播标识以及选定的至少一个候选参与时间段;
根据各所述待对决主播选定的各候选参与时间段,确定各所述待对决主播间的关联关系;
将各所述待对决主播作为节点,通过各所述待对决主播间的关联关系进行相关联节点间的连接,形成无向图。
3.根据权利要求2所述的方法,其特征在于,所述根据各所述待对决主播选定的各候选参与时间段,确定各所述待对决主播间的关联关系,包括:
针对所述直播对决活动下设定的每一个有效参与时间段,通过遍历各所述待对决主播的主播报名信息,确定将所述有效参与时间段作为候选参与时间段的待对决主播,并汇总形成候选匹配主播集;
确定所述候选匹配主播集中的任两个待对决主播间存在关联关系。
4.根据权利要求1所述的方法,其特征在于,所述预设模型集合中至少包括:按照主播实力等同为匹配目标的效用确定模型、按照主播实力悬殊为匹配目标的效用确定模型以及按照对决营收效益最大为匹配目标的效用确定模型。
5.根据权利要求1所述的方法,其特征在于,所述目标特征项序列中包括的特征项从预设的特征项集合中获取,其中,所述特征项集合至少包括:构成边的两节点分别对应的匹配特征项,以及构成协变量的特征项。
6.根据权利要求5所述的方法,其特征在于,
节点对应的匹配特征项包括:节点所代表待对决主播的关注观众数量和直播活跃度,以及在所述设定历史时间内参与对决活动时产生的平均单场收益和对决结果;
所述构成协变量的特征项包括:直播对决活动的预计持续时长、预计开展时间和对决活动类型,以及构成边的两节点所代表两待匹配主播的属性判定信息;
所述属性判定信息包括:是否归属于同一国家、是否属于同一直播家族、是否存在历史匹配以及存在历史匹配时的历史匹配记录。
7.根据权利要求1-6任一项所述的方法,其特征在于,所述采用整体规划匹配策略从所述无向加权图中确定满足设定匹配条件的边集合,包括:
对所述无向加权图中的各条边设定初始值为0的决策变量;
根据设定的变量限定条件通过分支界定法,为所述无向加权图中各条边确定目标决策变量值,使得所述无向加权图中各条边的匹配效用值与相应目标决策变量值的乘积之和最大;
从所述无向加权图中筛选所对应目标决策变量值为1的目标边,构成包含各所述目标边的边集合,使得所述边集合内不存在环且不存在相邻边;
其中,所述变量限定条件为所述无向加权图中任一边对应的决策变量值为0或者1且同一节点所归属各边对应的决策变量值之和小于或等于1。
8.一种直播连麦匹配装置,其特征在于,包括:
无向图确定模块,用于根据预先获取的各待对决主播的主播报名信息,确定各所述待对决主播间的关联关系,形成以各所述待对决主播为节点的无向图;
加权图确定模块,用于根据给定的匹配效用确定标准,确定所述无向图中各条边对应的匹配效用值,获得无向加权图;
所述加权图确定模块具体用于,通过除待对决主播之外的其他影响匹配效用的参数项形成匹配效用确定标准;
获取所给定的目标效用确定模型,其中,所述目标效用确定模型根据所设定直播对决活动的实际应用场景从预设模型集合中选定;
针对所述无向图中的每一条边,获取构成所述边的两目标节点在设定历史时间内产生的主播历史数据信息;
分析各所述主播历史数据信息,确定待输入所述目标效用确定模型的目标特征项序列;
获得将目标特征项序列输入所述目标效用确定模型后的输出值,并将所述输出值作为所述边的匹配效用值;
根据所述无向图中具备匹配效用值的各边形成无向加权图;
边集合确定模块,用于采用整体规划匹配策略从所述无向加权图中确定满足设定匹配条件的边集合;其中,将整个无向加权图的匹配效用值之和最大化作为对所述无向加权图进行整体规划匹配的处理目标;
匹配确定模块,用于将所述边集合中各目标边相对应的两待对决主播作为一组匹配项进行直播连麦。
9.一种计算机设备,其特征在于,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;
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1-7任一项所述的直播连麦匹配方法。
10.一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1-7任一项所述的直播连麦匹配方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010609607.5A CN111800647B (zh) | 2020-06-29 | 2020-06-29 | 直播连麦匹配方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010609607.5A CN111800647B (zh) | 2020-06-29 | 2020-06-29 | 直播连麦匹配方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111800647A CN111800647A (zh) | 2020-10-20 |
CN111800647B true CN111800647B (zh) | 2022-08-09 |
Family
ID=72809747
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010609607.5A Active CN111800647B (zh) | 2020-06-29 | 2020-06-29 | 直播连麦匹配方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111800647B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114727119B (zh) * | 2020-12-21 | 2023-10-10 | 北京达佳互联信息技术有限公司 | 直播连麦控制方法、装置及存储介质 |
CN113691872A (zh) * | 2021-06-18 | 2021-11-23 | 北京达佳互联信息技术有限公司 | 直播任务分配方法、装置、电子设备及存储介质 |
CN113645475B (zh) * | 2021-08-03 | 2023-10-13 | 杭州情咖网络技术有限公司 | 直播连线方法及装置 |
CN114615516A (zh) * | 2022-03-15 | 2022-06-10 | 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 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107666615A (zh) * | 2017-09-04 | 2018-02-06 | 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 |
CN109086822A (zh) * | 2018-08-01 | 2018-12-25 | 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 |
CN110502697A (zh) * | 2019-08-26 | 2019-11-26 | 武汉斗鱼网络科技有限公司 | 一种目标用户识别方法、装置及电子设备 |
CN110837861A (zh) * | 2019-11-06 | 2020-02-25 | 亮风台(上海)信息科技有限公司 | 一种图像匹配方法、装置、设备和存储介质 |
CN110996116A (zh) * | 2019-12-18 | 2020-04-10 | 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 |
-
2020
- 2020-06-29 CN CN202010609607.5A patent/CN111800647B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107666615A (zh) * | 2017-09-04 | 2018-02-06 | 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 |
CN109086822A (zh) * | 2018-08-01 | 2018-12-25 | 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 |
CN110502697A (zh) * | 2019-08-26 | 2019-11-26 | 武汉斗鱼网络科技有限公司 | 一种目标用户识别方法、装置及电子设备 |
CN110837861A (zh) * | 2019-11-06 | 2020-02-25 | 亮风台(上海)信息科技有限公司 | 一种图像匹配方法、装置、设备和存储介质 |
CN110996116A (zh) * | 2019-12-18 | 2020-04-10 | 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 |
Also Published As
Publication number | Publication date |
---|---|
CN111800647A (zh) | 2020-10-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111800647B (zh) | 直播连麦匹配方法、装置、设备及存储介质 | |
US10902010B2 (en) | Collective intelligence convergence system and method thereof | |
CN109547808B (zh) | 数据处理方法、装置、服务器及存储介质 | |
CN109597844B (zh) | 基于深度神经网络与图网络的核心用户挖掘方法及系统 | |
Contractor | Some assembly required: leveraging Web science to understand and enable team assembly | |
CN109168048B (zh) | 主播等级的确定方法、装置、设备及存储介质 | |
Gu et al. | Modelling interprovincial migration in China from 1995 to 2015 based on an eigenvector spatial filtering negative binomial model | |
CN108537542B (zh) | 用于社交网络的数据处理方法 | |
CN110248246B (zh) | 数据分析方法、装置、计算机设备及计算机可读存储介质 | |
CN110248203A (zh) | 一种互动业务的处理方法、装置、设备和存储介质 | |
Ovando et al. | Was household internet adoption driven by the reform? Evaluation of the 2013 telecommunication reform in Mexico | |
Du et al. | A dynamic intelligent recommendation method based on the analytical ER rule for evaluating product ideas in large-scale group decision-making | |
CN107343221B (zh) | 一种在线多媒体互动系统及方法 | |
CN112215509A (zh) | 资源参数的确定方法、装置及设备 | |
US20160203724A1 (en) | Social Classroom Integration And Content Management | |
Alm et al. | Isomorphic forces and professional soccer standardizations: Instruments of governance for municipal investments? | |
CN115017362A (zh) | 数据处理方法、电子设备及存储介质 | |
Liew et al. | Economics of semantic communication in metaverse: an auction approach | |
CN104954873A (zh) | 一种智能电视视频定制方法及系统 | |
JP6122138B2 (ja) | インタラクションの類似性によってリンクされるコミュニティの間の情報拡散を最適化するための方法およびデバイス | |
Ahmad et al. | Requirements framework for engineering human-centered artificial intelligence-based software systems | |
Aziz et al. | Boarding House Renting Price Prediction Using Deep Neural Network Regression on Mobile Apps | |
CN114554253B (zh) | 一种资源推荐方法、装置、电子设备和存储介质 | |
CN109325181A (zh) | 一种直播间展示方法、装置及可读存储介质 | |
US20230370650A1 (en) | Methods and internet of things systems for managing camera devices of public landscape in smart cities |
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 |
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: 5-13 / F, West Tower, building C, 274 Xingtai Road, Shiqiao street, Panyu District, Guangzhou, Guangdong 510000 Patentee before: GUANGZHOU BAIGUOYUAN INFORMATION TECHNOLOGY Co.,Ltd. |
|
TR01 | Transfer of patent right |