CN112016773A - 一种确定潜力主播的方法及装置 - Google Patents
一种确定潜力主播的方法及装置 Download PDFInfo
- Publication number
- CN112016773A CN112016773A CN201910395794.9A CN201910395794A CN112016773A CN 112016773 A CN112016773 A CN 112016773A CN 201910395794 A CN201910395794 A CN 201910395794A CN 112016773 A CN112016773 A CN 112016773A
- Authority
- CN
- China
- Prior art keywords
- anchor
- potential
- candidate
- candidate anchor
- determining
- 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
- 238000000034 method Methods 0.000 title claims abstract description 38
- 230000000694 effects Effects 0.000 claims description 20
- 238000012549 training Methods 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 12
- 238000000556 factor analysis Methods 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 9
- 238000007477 logistic regression Methods 0.000 claims description 8
- 238000011156 evaluation Methods 0.000 claims description 5
- 238000012544 monitoring process Methods 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 abstract description 7
- 238000007418 data mining Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 13
- 230000003442 weekly effect Effects 0.000 description 13
- 230000008859 change Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000012935 Averaging Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000011161 development Methods 0.000 description 3
- 238000005065 mining Methods 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 239000002131 composite material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000012258 culturing Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06398—Performance of employee with respect to a job function
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/01—Social networking
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Abstract
本发明实施例提供了一种确定潜力主播的方法及装置,涉及数据挖掘技术领域,该方法包括:获取候选主播在多个时段的特征数据,针对每个时段,根据候选主播的特征数据和潜力预测模型确定候选主播的潜力分值。然后根据候选主播在每个时段对应的潜力分值确定候选主播的综合排名,在候选主播的综合排名满足预设条件时,将候选主播确定为潜力主播。采用潜力预测模型预测候选主播的排名,进而根据排名确定候选主播是否为潜力主播,而不需要人工观看直播内容确定潜力主播,从而提高了效率。其次,对候选主播在多个时段的特征数据进行分析,确定潜力主播,从而避免因突发因素导致的排名异常,提高了确定潜力主播的准确性和稳定性。
Description
技术领域
本发明实施例涉及数据挖掘技术领域,尤其涉及一种确定潜力主播的方法及装置。
背景技术
在互联网直播领域,每个平台的不同的直播分类下都拥有大量的主播,大部分主播会在自己擅长的领域进行直播,也有些主播兴趣广泛,他们会选择在多个直播分类下进行表演,而平台如何发掘有潜力的主播,对其进行进一步的培养和训练,是平台密切关心的问题,也关系到整个直播平台的发展。目前主要通过人工观看直播内容来判断主播的潜力,进而确定潜力主播,然而主播评估指标较多,从而导致通过人工挖掘潜力主播的方法效率较低。
发明内容
由于通过人工挖掘潜力主播的方法效率较低的问题,本发明实施例提供了一种确定潜力主播的方法及装置。
一方面,本发明实施例提供了一种确定潜力主播的方法,包括:
获取候选主播在多个时段的特征数据;
针对每个时段,根据所述候选主播的特征数据和潜力预测模型确定所述候选主播的潜力分值;
根据所述候选主播在每个时段对应的潜力分值确定所述候选主播的综合排名;
在所述候选主播的综合排名满足预设条件时,将所述候选主播确定为潜力主播。
一方面,本发明实施例提供了一种确定潜力主播的装置,包括:
获取模块,用于获取候选主播在多个时段的特征数据;
预测模块,用于针对每个时段,根据所述候选主播的特征数据和潜力预测模型确定所述候选主播的潜力分值;
排名模块,用于根据所述候选主播在每个时段的潜力分值确定所述候选主播的综合排名;
评估模块,用于在所述候选主播的综合排名满足预设条件时,将所述候选主播确定为潜力主播。
可选地,所述获取模块还用于:
获取候选主播在多个时段的特征数据之前,获取所有主播的历史直播数据;
采用预设的活跃度参数对所有主播的历史直播数据进行筛选,从所有主播中确定出候选主播。
可选地,还包括分配模块;
所述分配模块具体用于:
根据所述潜力主播在所有潜力主播中的综合排名为所述潜力主播分配资源,并监控在分配资源后的预设时段内所述潜力主播的特征数据;
根据所述潜力主播的特征数据调整所述潜力预测模型和为所述潜力主播分配的资源。
一方面,本发明实施例提供了一种计算机设备,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,所述处理器执行所述程序时实现确定潜力主播的方法的步骤。
一方面,本发明实施例提供了一种计算机可读存储介质,其存储有可由计算机设备执行的计算机程序,当所述程序在计算机设备上运行时,使得所述计算机设备执行确定潜力主播的方法的步骤。
由于在获取候选主播的特征数据后,根据候选主播的特征数据和潜力预测模型确定候选主播的潜力分值,然后根据潜力分值确定候选主播的排名,之后再将排名满足预设条件的候选主播确定为潜力主播,而不需要人工观看直播内容确定潜力主播,从而提高了效率。其次,对候选主播在多个时段的特征数据进行分析,确定潜力主播,从而避免因突发因素导致的排名异常,提高了确定潜力主播的准确性和稳定性。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简要介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种应用场景示意图;
图2为本发明实施例提供的一种框架示意图;
图3为本发明实施例提供的一种确定潜力主播的方法的流程示意图;
图4为本发明实施例提供的一种确定潜力主播的方法的流程示意图;
图5为本发明实施例提供的一种确定潜力主播的装置的结构示意图;
图6为本发明实施例提供的一种计算机设备的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及有益效果更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
为了方便理解,下面对本发明实施例中涉及的名词进行解释。
DAU:Daily Active User,日活跃用户数量。常用于反映网站、互联网应用或网络游戏的运营情况。DAU通常统计一日(统计日)之内,登录或使用了某个产品的用户数(去除重复登录的用户)。
WAU:周活跃用户数量。
PCU:Peak concurrent users,最大观看用户数。
在具体实践过程中,本发明的发明人发现,直播平台中包括大量的主播,主播一般会在自己擅长的领域进行直播。直播平台为了获取各主播的直播效果,会对主播的直播数据进行统计,然后得到各主播的排名,进而根据主播的排名为主播分配资源。但是该方法会让大部分资源分配至头部主播,不利于挖掘有潜力的新主播,从而影响直播平台的发展。目前,直播平台的运营人员通过观看直播内容来判断主播的潜力,进而确定潜力主播,但是主播评估指标过多,每个类型的直播需要1人力/周观看直播内容,才能判断出主播的潜力,其效率较低。
为此,考虑到直播平台中主播的历史直播数据可以反映主播的特征,比如某主播在过去一周时间内粉丝增长量大,反映出该主播成长较快,会带来很多用户观看直播,进一步可以分析出该主播可能在提高观看量方面有潜力。鉴于此,本发明实施例根据候选主播的历史直播数据提取候选主播的特征数据,然后采用潜力预测模型对候选主播的特征数据进行分析,确定候选主播的潜力分值,之后再根据候选主播的潜力分值确定候选主播在所有候选主播中的排名,根据候选主播的排名确定候选主播是否为潜力主播。为了避免突发因素导致数据的急剧变化,使得排名异常提升,而该排名又并不是候选主播实际的潜力排名的问题,可以对候选主播在多个时段的特征数据进行分析,确定候选主播在多个时段对应的潜力分值,然后根据候选主播在多个时段的潜力分值确定候选主播在所有候选主播中的综合排名,在候选主播的综合排名满足预设条件时,将候选主播确定为潜力主播。
由于在获取候选主播的特征数据后,根据候选主播的特征数据和潜力预测模型确定候选主播的潜力分值,然后根据潜力分值确定候选主播的排名,之后再将排名满足预设条件的候选主播确定为潜力主播,而不需要人工观看直播内容确定潜力主播,从而提高了效率。其次,对候选主播在多个时段的特征数据进行分析,确定潜力主播,从而避免因突发因素导致的排名异常,提高了确定潜力主播的准确性和稳定性。
本发明实施例中的确定潜力主播的方法可以应用于如图1所示的应用场景,在该应用场景中包括主播端101、服务器102以及用户端103。主播端101和用户端103是具备网络通信能力的电子设备,该电子设备可以是智能手机、平板电脑或便携式个人计算机等等。主播端101和用户端103预先安装直播应用程序,直播应用程序可以是游戏类直播应用程序、教育类直播应用程序、新闻类直播应用程序等。主播可以在主播端101启动直播应用程序进行直播,用户可以在用户端103启动直播应用程序观看直播。服务器102是直播应用程序对应的后台服务器,服务器102是一台服务器或若干台服务器组成的服务器集群或云计算中心。主播端101和用户端103分别通过无线网络与服务器102连接。
进一步地,在直播过程中,服务器102可以获取所有主播的直播数据,基于所有主播的直播数据从所有主播中挖掘潜力主播并进行后续培养和监控,具体框架如图2所示,包括发现主播阶段、培养主播阶段和追踪效果阶段。在发现主播阶段,首先对所有主播的直播数据进行清洗,去除异常数据,并从所有主播中确定候选主播并获得候选主播的特征数据。采用潜力预测模型对候选主播的特征数据进行分析,从候选主播中确定潜力主播并生成潜力主播报告。具体实施中,可以从整个直播平台的所有主播中确定出潜力主播,比如,整个直播平台中包括10个直播种类,可以从10个直播种类的所有候选主播中确定潜力主播。也可以针对每个直播种类确定潜力主播,比如可以从游戏A所有候选主播中确定游戏A的潜力主播,从游戏B所有候选主播中确定游戏B的潜力主播。另外,还可以根据确定不同类型的潜力主播,比如,可以确定观看型潜力主播和收益型潜力主播。在培养主播阶段,对潜力主播报告中的潜力主播制定主播成长计划,其中,对于潜力主播报告中未签约的潜力主播,可以与潜力主播签约并培训,对于潜力主播报告中已签约的潜力主播,可以为潜力主播分配资源并培训,比如将潜力主播的页面设置在直播平台的首页或推荐页面,另外还可以对潜力主播进行培训。在追踪效果阶段,可以对已分配资源的潜力主播进行成长监控,判断潜力主播的成长是否符合预期,如果潜力主播持续成长,则增加资源,如果潜力主播不成长甚至下滑,则减少资源并分析原因。另外,可以根据追踪获得的主播的成长情况修正机器学习模型中的参数,进而优化模型。
基于图1所示的应用场景图和图2所示的框架示意图,本发明实施例提供了一种确定潜力主播的方法的流程,该方法的流程可以由确定潜力主播的装置执行,潜力主播的装置可以是图1所示的服务器102,如图3所示,包括以下步骤:
步骤S301,获取候选主播在多个时段的特征数据。
候选主播可以是直播平台中的所有主播,也可以是筛选后的主播。具体地,从所有主播中筛选出候选主播时,可以先获取所有主播的历史直播数据,采用预设的活跃度参数对所有主播的历史直播数据进行筛选,从所有主播中确定出候选主播。
在一种可能的实施方式中,活跃度参数可以是观看活跃度参数。
示例性地,设定观看活跃度参数为关注人数,由于直播平台中关注人数很多的头部主播已经具备影响力,不需要再挖掘,而对于关注人数很少的超小主播来说,潜力在短时间内很难确定,故潜力主播需要从中部主播中挖掘,鉴于此,预设的关注人数可以是一个关注人数区间,比如3000至30万之间,然后获取所有主播在过去一周时间内每天关注人数的平均值,将预设的关注人数与每个主播过去一周时间内每天关注人数的平均值进行比对,从所有主播中确定出候选主播。这样既能从所有主播中排除头部主播,又能排除超小主播,保留中部主播用于确定潜力主播,从而提高确定潜力主播的效率和准确性。
示例性地,设定观看活跃度参数为关注人数、直播时长和最大观看人数,其中,预设的关注人数为3000至30万之间,直播时长为大于30分钟,最大观看人数为大于30人。获取所有主播在过去一周时间内的直播数据,然后计算过去一周内每天关注人数的平均值、过去一周内的总直播时长、过去一周内最大的观看人数。首先将预设的关注人数与每个主播过去一周时间内每天关注人数的平均值进行比对,从所有主播中筛选出第一初选主播,然后再将预设的直播时长与所有第一初选主播过去一周内的总直播时长进行比对,从所有第一初选主播中筛选出第二初选主播。再将预设的最大观看人数与所有第二初选主播过去一周内的最大观看人数进行比对,从所有第二初选主播中筛选出候选主播。
在一种可能的实施方式中,活跃度参数可以是收益活跃度参数。
示例性地,设定收益活跃度参数为付费效率(付费金额除以直播时长),预先设置付费效率区间为50-1000。获取所有主播在过去一周时间内的直播数据,然后计算过去一周内每天付费效率的平均值。将预设的付费效率与每个主播过去一周时间内每天付费效率的平均值进行比对,从所有主播中筛选出候选主播。通过设置付费效率区间从所有主播中筛选出候选主播,便于后续对候选主播进行分析,确定出在收益方面具备潜力的主播。
候选主播的特征数据包括观看、收益、增长变化、曝光、效率、回报率、主播画像等特征数据。比如,以一个时段的时长为一周来说,在观看类的特征上,选取周关注人数增长值、周活跃用户数WAU、平均日活用户数DAU、最大观看用户数PCU、周观看时长等特征;在收益类的特征上,选取了周付费金额、周付费人数、用户的平均付费金额等特征;在增长变化类的特征上,选取了周活跃用户数增长、周观看时长增长、周付费金额增长等特征;在曝光类的特征上,选取了页面曝光、点击率等特征;在效率类的特征上,选取了观看效率(观看时长除以直播时长,可反映平均直播一小时带来的观看量),付费效率(付费金额除以直播时长,可反映平均直播一小时带来的收入)等特征;在回报率特征上,选取了观看回报率(观看小时除以二级曝光)和付费回报率(付费金额除以二级曝光)等特征。在主播的画像特征上,选取了主播的年龄、性别、地域等个人信息;除此之外,还选择了主播所在的公会情况、弹幕、新观看主播的用户等特征。
步骤S302,针对每个时段,根据候选主播的特征数据和潜力预测模型确定候选主播的潜力分值。
每个时段的时长可以根据实际情况确定,比如一个时段的时长为一周。多个时段可以重叠,也可以不重叠,示例性地,针对2019年4月22日至2019年4月28日的每一天,将2019年4月22日的前一周作为一个时段,即2019年4月15日至2019年4月21日,总共七天。同样的,将2019年4月23日的前一周作为一个时段,将2019年4月24日的前一周作为一个时段,将2019年4月25日的前一周作为一个时段,将2019年4月26日的前一周作为一个时段,将2019年4月27日的前一周作为一个时段,将2019年4月28日的前一周作为一个时间段,共得到7个时段。
针对每个时段,采用潜力预测模型分析候选主播在该时段的特征数据,得到候选主播在该时段对应的潜力分值。
步骤S303,根据候选主播在每个时段对应的潜力分值确定候选主播的综合排名。
在一种可能的实施方式中,可以先针对任意一个时段,根据每个候选主播在该个时段对应的潜力分值对所有候选主播进行排名,确定每个候选主播在该时段对应的排名。针对每个候选主播,将候选主播在每个时段对应的排名取平均,确定候选主播的综合排名。
示例性地,设定根据候选主播A在第一时段对应的潜力分值确定候选主播A在第一时段对应的排名为第三名,根据候选主播A在第二时段对应的潜力分值确定候选主播A在第二时段对应的排名为第一名,将候选主播A在第一时段和第二时段对应的排名取平均,确定候选主播的综合排名为第二名。
在一种可能的实施方式中,针对每个候选主播,可以先将候选主播在每个时段对应的潜力分值取平均,获得候选主播的综合潜力分值。然后根据每个候选主播的综合潜力分值对所有候选主播进行排序,获得每个候选主播的综合排名。
示例性地,设定将候选主播A在第一时段和第二时段对应的潜力分值取平均,获得候选主播A的综合潜力分值。然后根据综合潜力分值对候选主播A以及其他候选主播进行排序,确定候选主播A的综合排名。
步骤S304,在候选主播的综合排名满足预设条件时,将候选主播确定为潜力主播。
具体地,预设条件可以根据实际情况确定,比如将综合排名位于前20的候选主播确定为潜力主播。
由于在获取候选主播的特征数据后,根据候选主播的特征数据和潜力预测模型确定候选主播的潜力分值,然后根据潜力分值确定候选主播的排名,之后再将排名满足预设条件的候选主播确定为潜力主播,而不需要人工观看直播内容确定潜力主播,从而提高了效率。其次,对候选主播在多个时段的特征数据进行分析,确定潜力主播,从而避免因突发因素导致的排名异常,提高了确定潜力主播的准确性和稳定性。
对于直播平台来说,用户观看和收益都非常关键,有的时候主播虽然关注人数多,观看直播的观众也多,但是带来的收益有可能较少,而有的时候主播虽然关注人数不多,可能带来的收益较多,鉴于此,在确定潜力主播时,可以根据候选主播的具体特征,确定不同类型的潜力主播。
在一种可能的实施方式中,在确定观看型潜力主播时,潜力预测模型是以所有候选主播的特征数据为训练样本训练获得的逻辑回归模型,其中,观看活跃度参数大于预设阈值的候选主播的特征数据为正样本,观看活跃度参数不大于预设阈值的候选主播的特征数据为负样本,潜力分值为观看潜力分值。
具体地,观看活跃度参数可以是观看类的特征数据,比如关注人数增长值、平均日活用户数、最大观看用户数、观看时长等。示例性地,由于关注人数的变化对观看量来说是关键,当主播的关注人数增多时,带来的观看量也会增多,因此,在预测观看型潜力主播时,可以将关注人数增长值作为观看活跃度参数。以一周为一个时段来说,可以将周关注人数增长值大于预设阈值的候选主播的特征数据为正样本,周关注人数增长值不大于预设阈值的候选主播的特征数据为负样本。候选主播的特征数据包括观看、收益、增长变化、曝光、效率、回报率、主播画像等。采用训练样本对逻辑回归模型进行训练,其中,逻辑回归模型符合以下公式(1)和公式(2):
y=β1x1+β2x2+…+βkxk…………………(2)
其中,P为候选主播为潜力主播的概率,β为特征得分,x为候选主播的特征,k为候选主播的特征数量。
训练获得潜力预测模型后,采用潜力预测模型预测候选主播未来的观看潜力分值。
为了避免因突发因素导致的排名异常,例如某日某公会对旗下某主播进行大规模的打赏,导致数据的急剧变化带来的排名提升,而这个排名并没有反映主播的真实潜力情况。为此,可以训练多个时段对应的潜力预测模型,然后采用多个潜力预测模型对每个候选主播进行多次预测,确定候选主播在多个时段对应的排名。然后再将候选主播在多个时段的排名取平均值,获得候选主播的综合排名,之后再根据候选主播的综合排名确定候选主播是否为潜力主播。
示例性地,针对2019年4月22日至2019年4月28日这周的每一天,将这周每天的前一周作为一个时段,确定7个时段。针对任意一个时段,将所有候选主播在该时段的特征数据为训练样本训练逻辑回归模型,获得潜力预测模型,其中,周关注人数增长值大于预设阈值的候选主播的特征数据为正样本,周关注人数增长值不大于预设阈值的候选主播的特征数据为负样本。然后采用潜力预测模型预测每个候选主播在未来一周的观看潜力分值,根据每个候选主播的观看潜力分值确定每个候选主播的排名。将每个候选主播在7个时段对应的排名取平均,获得每个候选主播的综合排名。当候选主播的综合排名位于前20位时,将候选主播确定为观看型潜力主播。
采用直播平台中的历史直播数据为训练样本获得潜力预测模型,然后采用潜力预测模型预测候选主播的观看潜力分值,从而确定候选主播是否为观看型潜力主播,相较于人工确定潜力主播来说,提高了效率。其次,对候选主播进行多次预测,然后获得候选主播的综合排名,从而避免因数据的急剧变化带来的排名异常,提高了确定潜力主播的准确性。
在一种可能的实施方式中,在确定收益型潜力主播时,采用潜力预测模型对候选主播的特征数据进行因子分析,确定候选主播对应的公因子以及每个公因子对应的分值,公因子包括观看因子、收益因子、效率因子,然后根据每个公因子对应的分值和因子权重确定候选主播的收益潜力分值。
具体地,候选主播的特征数据包括观看、收益、增长变化、曝光、效率、回报率、主播画像等。上述特征可以从候选主播在过去一个时段的直播数据中提取,比如,从候选主播过去一周的直播数据中提取候选主播的特征数据。采用潜力预测模型对候选主播的特征数据进行因子分析时,将候选主播的特征数据划分为三类,得到观看因子、收益因子、效率因子三大公因子。根据每个公因子对应的分值和因子权重确定候选主播的收益潜力分值,具体满足下述公式(3):
X=AF+ε………………………………………(3)
为了避免因突发因素导致的排名异常,可以采用潜力预测模型对候选主播在多个时段的特征数据进行因子分析,确定候选主播在多个时段对应的排名,将多个时段对应的排名取平均,获得候选主播的综合排名,之后再根据候选主播的综合排名确定候选主播是否为潜力主播。
示例性地,针对2019年4月22日至2019年4月28日这周的每一天,将这周每天的前一周作为一个时段,确定7个时段。针对任意一个时段,采用潜力预测模型对候选主播在该时段的特征数据进行因子分析,确定候选主播对应的公因子以及每个公因子对应的分值,然后根据每个公因子对应的分值和因子权重确定候选主播的收益潜力分值。之后根据候选主播的潜力分值确定候选主播在该时段对应的排名。将候选主播在7个时段对应的排名取平均,获得候选主播的综合排名。当候选主播的综合排名位于前20位时,将候选主播确定为收益型潜力主播。
由于采用潜力预测模型对候选主播在多个时段的特征数据进行分析,确定候选主播在多个时段对应的排名,然后将排名取平均获得综合排名,根据候选主播的综合排名确定候选主播是否为潜力主播,从而避免因数据的急剧变化带来的排名异常,提高了确定潜力主播的准确性。
可选地,在确定潜力主播之后,可以为潜力主播分配资源,具体地,根据潜力主播在所有潜力主播中的综合排名为潜力主播分配资源,并监控在分配资源后的预设时段内潜力主播的特征数据。然后根据潜力主播的特征数据调整潜力预测模型和为潜力主播分配的资源。
具体地,直播平台为潜力主播分配的资源可以是增加潜力主播的排期、将潜力主播的页面投放在平台首页或推荐页面等。在分配资源时,可以优先为排名靠前的潜力主播分配资源,也可以针对不同类型的潜力主播分配不同的资源,比如,在第一时间段内,用户更喜欢观看直播,消费需求不大,故在该时段内可以增加观看型潜力主播的排期,或者将观看型潜力主播的页面放置在直播平台首页。在第二时间段内,用户在观看直播时消费需求增大,故在该时段内可以增加收益型潜力主播的排期,或者将收益型潜力主播的页面放置在直播平台首页,从而既给用户带来好的体验,同时利于直播平台的发展。另外针对直播平台中不同直播种类对应的潜力主播,可以根据用户对直播种类的需求、直播种类的头部主播的数量以及潜力主播的排名分配资源。
在为潜力主播分配资源后,监控潜力主播后续的特征数据,判断潜力主播的特征数据是否符合预期。当潜力主播的特征数据符合预期时,可以继续为潜力主播分配资源,当潜力主播的特征数据不符合预期时,可以减少为潜力主播分配的资源。其次,当多个潜力主播的特征数据不符合预期时,说明潜力预测模型可能存在偏差,因此可以对应调整潜力预测模型的参数,实现模型优化。
为了更好的解释本发明实施例,下面结合具体的实施场景描述本发明实施例提供的一种确定潜力主播的方法的流程,该方法可以直播平台执行,如图4所示:
首先获取直播平台中过去一周所有主播的直播数据,然后采用预设的活跃度参数对所有主播的直播数据进行筛选,获得候选主播,其中,预设的活跃度参数包括周关注人数平均值为3000至30万之间,周直播时长为大于30分钟,周最大观看人数为大于30人。从获选主播的直播数据中提取候选主播的特征数据,其中,候选主播的特征数据包括观看、收益、增长变化、曝光、效率、回报率、主播画像等特征数据。在观看类的特征上,选取平均日活用户数DAU、最大观看用户数PCU、周观看时长等观看类特征;在收益类的特征上,选取了周付费金额、周付费人数等特征;在增长变化类的特征上,选取了周活跃用户数增长、周观看时长增长等特征;在曝光类的特征上,选取了页面曝光量、点击率等特征;在效率类的特征上,选取了观看效率(观看时长除以直播时长,可反映平均直播一小时带来的观看量)、付费效率(付费金额除以直播时长,可反映平均直播一小时带来的收入)等特征;在回报率特征上,选取了观看回报率(观看小时除以二级曝光)和付费回报率(付费金额除以二级曝光)等特征。在主播的画像特征上,选取了主播的年龄、性别、地域等个人信息;除此之外,还选择了主播所在的公会情况、弹幕等特征。
在确定观看型潜力主播时,首先建立训练样本,可以将周关注人数增长值大于预设阈值的候选主播的特征数据为正样本,周关注人数增长值不大于预设阈值的候选主播的特征数据为负样本。然后进行模型训练和预测,采用训练样本训练逻辑回归模型,确定潜力预测模型,采用潜力预测模型对候选主播进行多次预测,获得候选主播在多个时段的观看潜力分值。根据观看潜力分值确定候选主播的排名,然后将多个时段的排名取平均值获得候选主播的综合排名,当候选主播的综合排名满足预设条件时,将候选主播确定为潜力主播,之后再生成潜力主播周报。
在确定收益型潜力主播时,对候选主播的特征数据进行因子分析,获得观看因子、收益因子、效率因子三大公因子。然后进行归一化分析,根据每个公因子对应的分值和因子权重确定候选主播的收益潜力分值,根据观看潜力分值确定候选主播的排名。可以对候选主播在多个时段的特征数据进行因子分析,获得多个时段的排名,将多个时段的排名取平均值获得候选主播的综合排名,当候选主播的综合排名满足预设条件时,将候选主播确定为潜力主播,之后再生成潜力主播周报。
根据潜力主播周报为签约潜力主播并培训,为潜力主播分配资源,并监控在分配资源后的预设时段内潜力主播的特征数据。然后根据潜力主播的特征数据调整潜力预测模型和为潜力主播分配的资源。
由于在获取候选主播的特征数据后,根据候选主播的特征数据和潜力预测模型确定候选主播的潜力分值,然后根据潜力分值确定候选主播的排名,之后再将排名满足预设条件的候选主播确定为潜力主播,而不需要人工观看直播内容确定潜力主播,从而提高了效率。其次,对候选主播在多个时段的特征数据进行分析,确定潜力主播,从而避免因突发因素导致的排名异常,提高了确定潜力主播的准确性和稳定性。
基于相同的技术构思,本发明实施例提供了一种确定潜力主播的装置,如图5所示,该装置500包括:
获取模块501,用于获取候选主播在多个时段的特征数据;
预测模块502,用于针对每个时段,根据所述候选主播的特征数据和潜力预测模型确定所述候选主播的潜力分值;
排名模块503,用于根据所述候选主播在每个时段的潜力分值确定所述候选主播的综合排名;
评估模块504,用于在所述候选主播的综合排名满足预设条件时,将所述候选主播确定为潜力主播。
可选地,所述潜力预测模型是以所有候选主播的特征数据为训练样本训练获得的逻辑回归模型,其中,观看活跃度参数大于预设阈值的候选主播的特征数据为正样本,观看活跃度参数不大于预设阈值的候选主播的特征数据为负样本,所述潜力分值为观看潜力分值。
可选地,所述潜力分值为收益潜力分值;
所述预测模块502具体用于:
采用潜力预测模型对所述候选主播的特征数据进行因子分析,确定所述候选主播对应的公因子以及每个公因子对应的分值,所述公因子包括观看因子、收益因子、效率因子;
根据每个公因子对应的分值和因子权重确定所述候选主播的收益潜力分值。
可选地,所述获取模块501还用于:
获取候选主播在多个时段的特征数据之前,获取所有主播的历史直播数据;
采用预设的活跃度参数对所有主播的历史直播数据进行筛选,从所有主播中确定出候选主播。
可选地,还包括分配模块505;
所述分配模块505具体用于:
根据所述潜力主播在所有潜力主播中的综合排名为所述潜力主播分配资源,并监控在分配资源后的预设时段内所述潜力主播的特征数据;
根据所述潜力主播的特征数据调整所述潜力预测模型和为所述潜力主播分配的资源。
基于相同的技术构思,本发明实施例提供了一种计算机设备,如图6所示,包括至少一个处理器601,以及与至少一个处理器连接的存储器602,本发明实施例中不限定处理器601与存储器602之间的具体连接介质,图6中处理器601和存储器602之间通过总线连接为例。总线可以分为地址总线、数据总线、控制总线等。
在本发明实施例中,存储器602存储有可被至少一个处理器601执行的指令,至少一个处理器601通过执行存储器602存储的指令,可以执行前述的确定潜力主播的方法中所包括的步骤。
其中,处理器601是计算机设备的控制中心,可以利用各种接口和线路连接计算机设备的各个部分,通过运行或执行存储在存储器602内的指令以及调用存储在存储器602内的数据,从而确定潜力主播。可选的,处理器601可包括一个或多个处理单元,处理器601可集成应用处理器和调制解调处理器,其中,应用处理器主要处理操作系统、用户界面和应用程序等,调制解调处理器主要处理无线通信。可以理解的是,上述调制解调处理器也可以不集成到处理器601中。在一些实施例中,处理器601和存储器602可以在同一芯片上实现,在一些实施例中,它们也可以在独立的芯片上分别实现。
处理器601可以是通用处理器,例如中央处理器(CPU)、数字信号处理器、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件,可以实现或者执行本发明实施例中公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。
存储器602作为一种非易失性计算机可读存储介质,可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块。存储器602可以包括至少一种类型的存储介质,例如可以包括闪存、硬盘、多媒体卡、卡型存储器、随机访问存储器(Random AccessMemory,RAM)、静态随机访问存储器(Static Random Access Memory,SRAM)、可编程只读存储器(Programmable Read Only Memory,PROM)、只读存储器(Read Only Memory,ROM)、带电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory,EEPROM)、磁性存储器、磁盘、光盘等等。存储器602是能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。本发明实施例中的存储器602还可以是电路或者其它任意能够实现存储功能的装置,用于存储程序指令和/或数据。
基于相同的技术构思,本发明实施例提供了一种计算机可读存储介质,其特征在于,其存储有可由计算机设备执行的计算机程序,当所述程序在计算机设备上运行时,使得所述计算机设备执行确定潜力主播的方法的步骤。
本领域内的技术人员应明白,本发明的实施例可提供为方法、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种确定潜力主播的方法,其特征在于,包括:
获取候选主播在多个时段的特征数据;
针对每个时段,根据所述候选主播的特征数据和潜力预测模型确定所述候选主播的潜力分值;
根据所述候选主播在每个时段对应的潜力分值确定所述候选主播的综合排名;
在所述候选主播的综合排名满足预设条件时,将所述候选主播确定为潜力主播。
2.如权利要求1所述的方法,其特征在于,所述潜力预测模型是以所有候选主播的特征数据为训练样本训练获得的逻辑回归模型,其中,观看活跃度参数大于预设阈值的候选主播的特征数据为正样本,观看活跃度参数不大于预设阈值的候选主播的特征数据为负样本,所述潜力分值为观看潜力分值。
3.如权利要求1所述的方法,其特征在于,所述潜力分值为收益潜力分值;
所述根据所述候选主播的特征数据和潜力预测模型确定所述候选主播的潜力分值,包括:
采用潜力预测模型对所述候选主播的特征数据进行因子分析,确定所述候选主播对应的公因子以及每个公因子对应的分值,所述公因子包括观看因子、收益因子、效率因子;
根据每个公因子对应的分值和因子权重确定所述候选主播的收益潜力分值。
4.如权利要求1所述的方法,其特征在于,所述获取候选主播在多个时段的特征数据之前,包括:
获取所有主播的历史直播数据;
采用预设的活跃度参数对所有主播的历史直播数据进行筛选,从所有主播中确定出候选主播。
5.如权利要求1至4任一所述的方法,其特征在于,还包括:
根据所述潜力主播在所有潜力主播中的综合排名为所述潜力主播分配资源,并监控在分配资源后的预设时段内所述潜力主播的特征数据;
根据所述潜力主播的特征数据调整所述潜力预测模型和为所述潜力主播分配的资源。
6.一种确定潜力主播的装置,其特征在于,包括:
获取模块,用于获取候选主播在多个时段的特征数据;
预测模块,用于针对每个时段,根据所述候选主播的特征数据和潜力预测模型确定所述候选主播的潜力分值;
排名模块,用于根据所述候选主播在每个时段的潜力分值确定所述候选主播的综合排名;
评估模块,用于在所述候选主播的综合排名满足预设条件时,将所述候选主播确定为潜力主播。
7.如权利要求6所述的装置,其特征在于,所述潜力预测模型是以所有候选主播的特征数据为训练样本训练获得的逻辑回归模型,其中,观看活跃度参数大于预设阈值的候选主播的特征数据为正样本,观看活跃度参数不大于预设阈值的候选主播的特征数据为负样本,所述潜力分值为观看潜力分值。
8.如权利要求6所述的装置,其特征在于,所述潜力分值为收益潜力分值;
所述预测模块具体用于:
采用潜力预测模型对所述候选主播的特征数据进行因子分析,确定所述候选主播对应的公因子以及每个公因子对应的分值,所述公因子包括观看因子、收益因子、效率因子;
根据每个公因子对应的分值和因子权重确定所述候选主播的收益潜力分值。
9.一种计算机设备,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,其特征在于,所述处理器执行所述程序时实现权利要求1~5任一权利要求所述方法的步骤。
10.一种计算机可读存储介质,其特征在于,其存储有可由计算机设备执行的计算机程序,当所述程序在计算机设备上运行时,使得所述计算机设备执行权利要求1~5任一所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910395794.9A CN112016773B (zh) | 2019-05-13 | 2019-05-13 | 一种确定潜力主播的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910395794.9A CN112016773B (zh) | 2019-05-13 | 2019-05-13 | 一种确定潜力主播的方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112016773A true CN112016773A (zh) | 2020-12-01 |
CN112016773B CN112016773B (zh) | 2023-09-22 |
Family
ID=73500390
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910395794.9A Active CN112016773B (zh) | 2019-05-13 | 2019-05-13 | 一种确定潜力主播的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112016773B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113256038A (zh) * | 2021-07-15 | 2021-08-13 | 腾讯科技(深圳)有限公司 | 一种数据处理方法、设备以及计算机可读存储介质 |
CN113420204A (zh) * | 2021-05-21 | 2021-09-21 | 北京达佳互联信息技术有限公司 | 目标用户确定方法、装置、电子设备及存储介质 |
CN114173138A (zh) * | 2021-10-22 | 2022-03-11 | 武汉斗鱼网络科技有限公司 | 一种处理异常视频up主的方法、装置、介质及设备 |
CN114222146A (zh) * | 2021-11-02 | 2022-03-22 | 北京达佳互联信息技术有限公司 | 数据投放方法、装置、电子设备及存储介质 |
CN115065834A (zh) * | 2022-05-16 | 2022-09-16 | 杭州网易云音乐科技有限公司 | 流量扶持方法、装置、介质和计算设备 |
CN117729381A (zh) * | 2024-02-07 | 2024-03-19 | 福建大娱号信息科技股份有限公司 | 一种基于非经营性数据分析的直播能力评价系统 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011186705A (ja) * | 2010-03-08 | 2011-09-22 | Seiko Epson Corp | 情報処理装置、情報処理方法およびプログラム |
US20110257988A1 (en) * | 2010-04-14 | 2011-10-20 | Carmel-Haifa University Economic Corp. Ltd. | Multi-phase anchor-based diagnostic decision-support method and system |
US20120123956A1 (en) * | 2010-11-12 | 2012-05-17 | International Business Machines Corporation | Systems and methods for matching candidates with positions based on historical assignment data |
JP2015164026A (ja) * | 2014-02-28 | 2015-09-10 | 中国電力株式会社 | 予測システム、予測方法 |
US20150371242A1 (en) * | 2014-06-23 | 2015-12-24 | Caterpillar Inc. | Systems and methods for prime product forecasting |
US20170068847A1 (en) * | 2010-06-07 | 2017-03-09 | Affectiva, Inc. | Video recommendation via affect |
US20170206431A1 (en) * | 2016-01-20 | 2017-07-20 | Microsoft Technology Licensing, Llc | Object detection and classification in images |
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 |
CN108320101A (zh) * | 2018-02-02 | 2018-07-24 | 武汉斗鱼网络科技有限公司 | 直播间运营能力评估方法、装置及终端设备 |
CN108764315A (zh) * | 2018-05-17 | 2018-11-06 | 广州虎牙信息科技有限公司 | 潜力主播用户预测方法、装置、计算机存储介质及服务器 |
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 |
CN109299265A (zh) * | 2018-10-15 | 2019-02-01 | 广州虎牙信息科技有限公司 | 潜在回流用户筛选方法、装置以及电子设备 |
US20190104339A1 (en) * | 2017-10-04 | 2019-04-04 | AMC Network Entertainment LLC | Analysis of television viewership data for creating electronic content schedules |
-
2019
- 2019-05-13 CN CN201910395794.9A patent/CN112016773B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011186705A (ja) * | 2010-03-08 | 2011-09-22 | Seiko Epson Corp | 情報処理装置、情報処理方法およびプログラム |
US20110257988A1 (en) * | 2010-04-14 | 2011-10-20 | Carmel-Haifa University Economic Corp. Ltd. | Multi-phase anchor-based diagnostic decision-support method and system |
US20170068847A1 (en) * | 2010-06-07 | 2017-03-09 | Affectiva, Inc. | Video recommendation via affect |
US20120123956A1 (en) * | 2010-11-12 | 2012-05-17 | International Business Machines Corporation | Systems and methods for matching candidates with positions based on historical assignment data |
JP2015164026A (ja) * | 2014-02-28 | 2015-09-10 | 中国電力株式会社 | 予測システム、予測方法 |
US20150371242A1 (en) * | 2014-06-23 | 2015-12-24 | Caterpillar Inc. | Systems and methods for prime product forecasting |
US20170206431A1 (en) * | 2016-01-20 | 2017-07-20 | Microsoft Technology Licensing, Llc | Object detection and classification in images |
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 |
US20190104339A1 (en) * | 2017-10-04 | 2019-04-04 | AMC Network Entertainment LLC | Analysis of television viewership data for creating electronic content schedules |
CN108320101A (zh) * | 2018-02-02 | 2018-07-24 | 武汉斗鱼网络科技有限公司 | 直播间运营能力评估方法、装置及终端设备 |
CN108764315A (zh) * | 2018-05-17 | 2018-11-06 | 广州虎牙信息科技有限公司 | 潜力主播用户预测方法、装置、计算机存储介质及服务器 |
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 |
CN109299265A (zh) * | 2018-10-15 | 2019-02-01 | 广州虎牙信息科技有限公司 | 潜在回流用户筛选方法、装置以及电子设备 |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113420204A (zh) * | 2021-05-21 | 2021-09-21 | 北京达佳互联信息技术有限公司 | 目标用户确定方法、装置、电子设备及存储介质 |
CN113420204B (zh) * | 2021-05-21 | 2023-12-26 | 北京达佳互联信息技术有限公司 | 目标用户确定方法、装置、电子设备及存储介质 |
CN113256038A (zh) * | 2021-07-15 | 2021-08-13 | 腾讯科技(深圳)有限公司 | 一种数据处理方法、设备以及计算机可读存储介质 |
CN113256038B (zh) * | 2021-07-15 | 2021-09-10 | 腾讯科技(深圳)有限公司 | 一种数据处理方法、设备以及计算机可读存储介质 |
CN114173138A (zh) * | 2021-10-22 | 2022-03-11 | 武汉斗鱼网络科技有限公司 | 一种处理异常视频up主的方法、装置、介质及设备 |
CN114173138B (zh) * | 2021-10-22 | 2023-08-22 | 广州新特珑电子有限公司 | 一种处理异常视频up主的方法、装置、介质及设备 |
CN114222146A (zh) * | 2021-11-02 | 2022-03-22 | 北京达佳互联信息技术有限公司 | 数据投放方法、装置、电子设备及存储介质 |
CN114222146B (zh) * | 2021-11-02 | 2023-10-31 | 北京达佳互联信息技术有限公司 | 数据投放方法、装置、电子设备及存储介质 |
CN115065834A (zh) * | 2022-05-16 | 2022-09-16 | 杭州网易云音乐科技有限公司 | 流量扶持方法、装置、介质和计算设备 |
CN117729381A (zh) * | 2024-02-07 | 2024-03-19 | 福建大娱号信息科技股份有限公司 | 一种基于非经营性数据分析的直播能力评价系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112016773B (zh) | 2023-09-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112016773A (zh) | 一种确定潜力主播的方法及装置 | |
CN108322829B (zh) | 个性化主播推荐方法、装置及电子设备 | |
JP6547070B2 (ja) | プッシュ情報粗選択ソーティングの方法、デバイス、およびコンピュータ記憶媒体 | |
CN110991875B (zh) | 一种平台用户质量评估系统 | |
CN107885796A (zh) | 信息推荐方法及装置、设备 | |
CN109587530B (zh) | 一种数据处理方法、装置、终端设备和存储介质 | |
US10911821B2 (en) | Utilizing combined outputs of a plurality of recurrent neural networks to generate media consumption predictions | |
CN107862551B (zh) | 网络应用推广效果的预测方法、装置和终端设备 | |
CN109428910B (zh) | 一种数据处理方法、装置及系统 | |
CN108764315A (zh) | 潜力主播用户预测方法、装置、计算机存储介质及服务器 | |
CN110417607A (zh) | 一种流量预测方法、装置及设备 | |
CN108777801B (zh) | 优质主播用户挖掘方法、装置及计算机存储介质、服务器 | |
CN112163614A (zh) | 一种主播分类方法、装置、电子设备及存储介质 | |
CN113918826B (zh) | 投放信息处理方法、资源预测模型训练方法及装置 | |
CN109344232B (zh) | 一种舆情信息检索方法及终端设备 | |
CN114782201A (zh) | 股票推荐方法、装置、计算机设备和存储介质 | |
CN111061948A (zh) | 一种用户标签推荐方法、装置、计算机设备及存储介质 | |
Van Dijk et al. | On solving a bi-level stochastic dynamic programming model for analyzing fisheries policies: Fishermen behavior and optimal fish quota | |
CN112905879A (zh) | 推荐方法、装置、服务器以及存储介质 | |
CN111046156B (zh) | 奖励数据的确定方法、装置和服务器 | |
CN109168049B (zh) | 直播节目的等级评价方法、装置、存储介质及服务器 | |
US11314881B2 (en) | Predictive update of profile database with update logic | |
US11087045B1 (en) | Apparatus and method for option data object performance prediction and modeling | |
CN114186050A (zh) | 资源推荐方法、装置、电子设备及存储介质 | |
CN113760550A (zh) | 资源分配方法和资源分配装置 |
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 |