CN112150221B - 一种基于联邦学习的直播间业务处理方法、装置及设备 - Google Patents
一种基于联邦学习的直播间业务处理方法、装置及设备 Download PDFInfo
- Publication number
- CN112150221B CN112150221B CN202011332880.4A CN202011332880A CN112150221B CN 112150221 B CN112150221 B CN 112150221B CN 202011332880 A CN202011332880 A CN 202011332880A CN 112150221 B CN112150221 B CN 112150221B
- Authority
- CN
- China
- Prior art keywords
- live broadcast
- broadcast room
- data
- platform
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 11
- 238000000034 method Methods 0.000 claims abstract description 46
- 238000012549 training Methods 0.000 claims abstract description 44
- 238000012545 processing Methods 0.000 claims abstract description 34
- 230000000694 effects Effects 0.000 claims description 17
- 230000006399 behavior Effects 0.000 claims description 12
- 238000001514 detection method Methods 0.000 claims description 2
- 238000013475 authorization Methods 0.000 claims 4
- 230000008569 process Effects 0.000 abstract description 18
- 230000000875 corresponding effect Effects 0.000 description 26
- 238000010586 diagram Methods 0.000 description 19
- 230000006870 function Effects 0.000 description 13
- 238000003860 storage Methods 0.000 description 11
- 230000006872 improvement Effects 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 230000008901 benefit Effects 0.000 description 4
- 230000002349 favourable effect Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000002354 daily effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 101150067113 prxl2a gene Proteins 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0207—Discounts or incentives, e.g. coupons or rebates
- G06Q30/0222—During e-commerce, i.e. online transactions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/602—Providing cryptographic facilities or services
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0207—Discounts or incentives, e.g. coupons or rebates
- G06Q30/0239—Online discounts or incentives
-
- 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
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0641—Shopping interfaces
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Engineering & Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioethics (AREA)
- General Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Computer Security & Cryptography (AREA)
- Software Systems (AREA)
- Two-Way Televisions, Distribution Of Moving Picture Or The Like (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种基于联邦学习的直播间业务处理方法、装置及设备,包括:确定根据直播平台和支付平台分别的业务数据,通过联邦学习训练得到的运营辅助模型;采集所述直播平台上的指定直播间的相关数据;根据所述指定直播间的相关数据和所述运营辅助模型,判定是否要针对所述指定直播间进行权益发放,并根据判定结果进行相应处理。本说明书实施例通过针对直播间的聚集性运营,相比于直接根据用户的数据进行运营,可以更有效的利用支付平台或者直播平台的业务资源。同时,本说明书实施例基于联邦学习对业务数据进行处理,可以保证直播平台业务数据和支付平台业务数据的隐私性。
Description
技术领域
本申请涉及计算机技术领域,尤其涉及一种基于联邦学习的直播间业务处理方法、装置及设备。
背景技术
随着计算机技术和互联网的迅速发展,人们的生活变得更加便捷。支付平台可以帮助用户完成日常的支付。直播平台每天有上亿的用户使用,用户还可以在直播平台上进行充值打赏及购物。支付平台希望通过提升支付成功率收取更多的佣金、换取更多的曝光;直播平台希望通过提升支付成功率为主播带来更多的流量、带来更多的网站成交量。由此可见,支付平台与直播平台之间存在较多的交集,顺利完成支付既有利于支付平台,也有利于直播平台。
在现有技术中,支付平台会直接根据用户的数据,在合适的时候向该用户发放权益。基于此,需要能够更有效利用支付平台或者直播平台的业务资源的方案。
发明内容
有鉴于此,本申请实施例提供了一种基于联邦学习的直播间业务处理方法、装置及设备,用于解决现有技术中的如下技术问题:需要能够更有效利用支付平台或者直播平台的业务资源的方案。
本申请实施例采用下述技术方案:
本申请实施例提供一种基于联邦学习的直播间业务处理方法,所述方法包括:
确定根据直播平台和支付平台分别的业务数据,通过联邦学习训练得到的运营辅助模型;
采集所述直播平台上的指定直播间的相关数据;
根据所述指定直播间的相关数据和所述运营辅助模型,判定是否要针对所述指定直播间进行权益发放,并根据判定结果进行相应处理。
本申请实施例还提供一种基于联邦学习的直播间业务处理装置,所述装置包括:
模型获取单元,确定根据直播平台和支付平台分别的业务数据,通过联邦学习训练得到的运营辅助模型;
数据采集单元,采集所述直播平台上的指定直播间的相关数据;
结果判定单元,根据所述指定直播间的相关数据和所述运营辅助模型,判定是否要针对所述指定直播间进行权益发放,并根据判定结果进行相应处理。
本申请实施例还提供一种基于联邦学习的直播间业务处理设备,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够:
确定根据直播平台和支付平台分别的业务数据,通过联邦学习训练得到的运营辅助模型;
采集所述直播平台上的指定直播间的相关数据;
根据所述指定直播间的相关数据和所述运营辅助模型,判定是否要针对所述指定直播间进行权益发放,并根据判定结果进行相应处理。
本申请实施例还提供一种计算机存储介质,存储有计算机可执行指令,所述计算机可执行指令设置为:
确定根据直播平台和支付平台分别的业务数据,通过联邦学习训练得到的运营辅助模型;
采集所述直播平台上的指定直播间的相关数据;
根据所述指定直播间的相关数据和所述运营辅助模型,判定是否要针对所述指定直播间进行权益发放,并根据判定结果进行相应处理。
本申请实施例采用的上述至少一个技术方案能够达到以下有益效果:本说明书实施例通过针对直播间的聚集性运营,相比于直接根据用户的数据进行运营,可以更有效的利用支付平台或者直播平台的业务资源。同时,本说明书实施例基于联邦学习对业务数据进行处理,可以保证直播平台业务数据和支付平台业务数据的隐私性。
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为本说明书实施例提供的一种基于联邦学习的直播间业务处理方法的流程示意图;
图2为本说明书实施例提供的另一种基于联邦学习的直播间业务处理方法的流程示意图;
图3为本说明书实施例提供的运营辅助模型的训练示意图;
图4为本说明书实施例提供的使用无权益支付平台支付的示意图;
图5为本说明书实施例提供的向支付意愿等级低的用户发放权益示意图;
图6为本说明书实施例提供的向支付意愿等级高的用户发放权益示意图;
图7为本说明书实施例提供的一种基于联邦学习的直播间业务处理装置的结构示意图;
图8为本说明书实施例提供的一种基于联邦学习的直播间业务处理设备的结构示意图。
具体实施方式
支付平台为了提高用户的支付率,会针对用户发放权益,但该行为只能影响单个用户的单笔交易,不具备传播效果。这种情况下,用户接受了支付平台发放的权益,只有该用户一个人知道了使用该支付平台的好处,培养了对该支付平台的使用习惯,其他用户并不知道。因此,为了将权益发放的效果最大化,需要扩大发放权益的范围,使得更多的用户使用该支付平台在直播平台完成支付行为。
为使本申请的目的、技术方案和优点更加清楚,下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本申请一部分实施例,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,都属于本申请保护的范围。
以下结合附图,详细说明本申请各实施例提供的技术方案。
图1为本说明书实施例提供的一种基于联邦学习的直播间业务处理方法的流程示意图。该流程可以由直播业务领域或支付业务领域的计算设备(比如,支付业务对应的服务器或者智能移动终端等)执行,流程中的某些输入参数或者中间结果允许人工干预调节,以帮助提高准确性。
图1中的流程可以包括以下步骤:
步骤S102,确定根据直播平台和支付平台分别的业务数据,通过联邦学习训练得到的运营辅助模型。
在本说明书实施例的步骤S102中,支付平台为买卖双方交易过程中的第三方担保平台,是在银行监管下保障交易双方利益的独立机构,比如,支付平台可以为第三方金融支付平台、具有即时通信的支付平台及各银行推出的支付平台等。直播平台是通过在现场、播音室或演播室直接播出节目的平台,直播平台不限于提供直播服务,还可以提供短视频等其他服务。直播平台可以为用户提供充值服务以及现场直播带货的活动,一个或者多个支付平台为直播平台提供服务,用户在直播平台进行充值及购买商品时,需要选择其中的支付平台进行付款。
在本说明书实施例的步骤S102中,支付平台的业务数据可以包括用户在支付平台的身份数据与用户通过支付平台的支付数据,其中,用户在支付平台的身份数据可以包括用户在支付平台的身份标识、性别、年龄及所在城市;用户通过支付平台的支付数据可以包括用户通过支付平台在直播平台的支付数据与用户通过支付平台在其他平台的支付数据。若用户通过支付平台的支付数据为用户通过支付平台在直播平台的支付数据,可以具体包括在直播平台的交易金额、交易时间、购买物品的信息及交易双方的信息,在用户购买的直播带货的商品时,交易双方的信息可以为直播间的信息与购买用户的信息。若用户通过支付平台的支付数据为用户通过支付平台在其他平台的支付数据,可以具体包括消费的频次与支付成功率。
在本说明书实施例的步骤S102中,直播平台的业务数据可以包括直播平台上直播间的数据与直播平台的用户数据。
直播平台上直播间的数据可以包括直播间的活跃度数据、直播间的关注数量数据、直播间的创建时间数据、直播间观众的身份数据,其中,直播间观众的身份数据包括用户在直播平台的身份数据与用户在支付平台的身份数据;直播间的活跃度数据可以为直播间的观看人数,可以用于表现直播间的人气,即直播间的观看人数越多,说明该直播间的人气越高;直播间的关注数量数据可以为关注该直播间的用户数量,也可以用于表现直播间的人气,即关注主播间的用户数量越多,说明该直播间的人气越高;直播间的创建时间数据可以为创建直播间的时间,可以用于表现直播间是否为新主播。
直播平台的用户数据可以包括用户在直播平台的支付数据、用户在直播平台的身份数据及用户在直播平台的浏览数据。其中,用户在直播平台的身份数据可以包括用户在直播平台的身份标识、身份等级、性别、年龄及所在城市;用户在直播平台的支付数据可以包括用户在直播平台充值的数据及用户在直播平台购买商品的数据,用户在直播平台充值的数据可以用来打赏主播、购买直播平台商店的商品及购买直播间主播带货的商品。
在本说明书实施例的步骤S102中,联邦学习是在两个平台(支付平台与直播平台)数据集的用户重叠较多而用户特征重叠较少的情况下,把数据集按照纵向(即特征维度)进行切分,并取出双方用户相同而用户特征不完全相同的那部分数据进行训练。同时,在运用联邦学习时,需要对两个平台的数据进行加密样本对齐,以便在支付平台与直播平台不公开各自数据的前提下确认双方的共有用户,并且不暴露不互相重叠的用户,联合这些用户的特征进行建模。本说明书实施例通过联邦学习训练直播平台的业务数据与支付平台的业务数据,最终可以得到运营辅助模型。
步骤S104,采集所述直播平台上的指定直播间的相关数据。
在本说明书实施例的步骤S104中,指定直播间的相关数据可以包括指定直播间的数据与直播间预设的场景,其中,直播间预设的场景可以包括直播平台预先标记某个直播间为需要扶持的直播间,及直播平台预先标记某个名气高的非带货主播或某个名气高的明星进行第一次带货直播。
步骤S106,根据所述指定直播间的相关数据和所述运营辅助模型,判定是否要针对所述指定直播间进行权益发放,并根据判定结果进行相应处理。
在本说明书实施例的步骤S106中,可以先判断是否存在直播间预设的场景,若是存在直播间预设的场景,直接判定需要针对指定直播间进行权益发放。此外,也可以根据指定直播间的数据与直播间预设的场景共同进行判定,即将指定直播间的数据输入至运营辅助模型中,输出判定结果,并结合是否存在直播间预设的场景,最终判定是否要针对指定直播间进行权益发放。此外,也可以将指定直播间的数据与直播间预设的场景一同输入至运营辅助模型中,进而判定是否要针对指定直播间进行权益发放。最后,根据判定结果进行相应的处理。
需要说明的是,若是判定出需要针对直播间进行权益发放,可以对直播间发放权益,也可以对直播间的用户发放权益。若是向直播间发放权益时,可以向直播间发放直播间边框、直播间皮肤等修饰奖励,也可以向直播间的主播发放奖励;若是向直播间的用户发放权益时,可以向直播间的用户发放打折卷、现金卷等奖励,也可以向直播间的用户发放称号、皮肤等奖励。
与图1的实施例相对应的是,图2为本说明书实施例提供的另一种基于联邦学习的直播间业务处理方法的流程示意图。该流程可以由直播业务领域或支付业务领域的计算设备(比如,支付业务对应的服务器或者智能移动终端等)执行,流程中的某些输入参数或者中间结果允许人工干预调节,以帮助提高准确性。
图2中的流程可以包括以下步骤:
步骤S202,确定根据直播平台和支付平台分别的业务数据,通过联邦学习训练得到的运营辅助模型。
在本说明书实施例的步骤S202中,在执行该步骤之前,本说明书实施例还需要训练运营辅助模型,具体步骤可以包括:
(1)构建训练数据集合并建立初始的运营辅助模型,其中,训练数据集合包括直播平台和支付平台分别的业务数据及预先标记的标签数据,直播平台和支付平台分别的业务数据为样本数据。
需要说明的是,标签数据可以包括直播间需要发放权益与直播间不需要发放权益。标签数据的标记方法,可以具体包括:
根据直播间的活跃度、直播间的关注数量、直播间的创建时间、直播间观众的身份数据中的一项或多项,对直播间是否需要发放权益进行标记。
直播间观众的身份数据包括用户在直播平台的身份数据与用户在支付平台的身份数据,本说明书实施例可以根据用户在支付平台的身份数据与用户在直播平台的身份数据的比例,判断出在直播平台使用该支付平台的占比,若是该支付平台的占比低于预设阈值时,标签数据可以标记为直播间需要发放权益。此外,若直播间的活跃度与直播间的关注数量高于预设的阈值,说明该直播间的人气较高,所以标签数据可以标记为该直播间需要发放权益;若直播间的创建时间在一个月之间,说明该直播间的主播为新人,可以对该直播间的主播进行宣传,标签数据可以标记为直播间需要发放权益。
(2)对训练数据集合进行基于加密的样本对齐处理。
由于两个平台的用户群体并非完全重合,可以利用基于加密的用户样本对齐技术,在支付平台和直播平台不公开各自数据的前提下确认双方的共有用户,并且不暴露不互相重叠的用户,最后联合这些用户的特征进行建模。样本对齐技术可选用RSA(RSAalgorithm)算法,由协作者产生公钥分发给支付平台和直播平台,对用户进行加密,再由协作者通过私钥将加密的用户进行解密,取出支付平台和直播平台的共用用户。
RSA算法中公钥和私钥由协作者产生,具体步骤如下:
a、随机找两个大质数P和Q,计算n = P * Q;
b、计算n的欧拉函数m = $(n) ;
c、随机选择一个正整数e,使得1<e<m,且e与m互质d ;
d、根据扩展欧几里得算法,求得d,使得e*d/m的余数为1 ;
e、公钥为(n,e),私钥为(n,d) ;
f、公钥用来加密,密文为明文的e次方除以n的余数;私钥用来解密,解密出的明文为密文的d次方除以n的余数。
需要说明的是,本说明书实施例为了保证数据的隐私性,选择协作者来管控公钥密钥的分发,其中,协作者可选择已有的框架,以降低方案实施成本。
(3)根据处理后的训练数据集合求得支付平台与直播平台对应的梯度和损失,并确定出运营辅助模型的参数,据此得到符合条件的运营辅助模型。
进一步的,在本说明书实施例的步骤S202中,根据处理后的训练数据集合求得支付平台与直播平台对应的梯度和损失,并确定出运营辅助模型的参数,据此得到符合条件的运营辅助模型,可以具体包括:
协作者把公钥分发给支付平台与直播平台,用以对训练过程中需要交换的数据进行加密;
支付平台与直播平台分别计算支付平台的业务数据与直播平台的业务数据对应的中间结果,并加密交互,用以求得对应的梯度和损失,其中,设A为支付平台,B为直播平台,目标函数为:,其中,为模型参数(权重),x为特征,y为标签。
其中,λ为正则系数。
支付平台与直播平台分别基于加密的梯度值进行计算,同时直播平台根据标签数据计算损失,并将计算结果汇总给协作者,以便协作者通过汇总的计算结果计算总梯度并进行解密;协作者将解密后的总梯度分别回传给支付平台与直播平台;支付平台与直播平台根据总梯度更新各自模型的参数;通过迭代的方式直至损失函数收敛,完成运营辅助模型的训练,得出符合条件的运营辅助模型。
需要说明的是,运营辅助模型的训练可以参见图3,图3中包括如下步骤:
步骤1:支付平台与直播平台完成数据准备,并各自清洗出训练所需的特征数据。
步骤2:通过认证模块完成加密样本对齐的任务。
步骤3:协作者先进行解密,并将解密后的数据进行融合学习。
步骤4:训练完成后得到模型平台。
需要说明的是,本说明书实施例的运营辅助模型可以同时利用了支付平台和直播平台的数据,支付平台有丰富的用户信息和支付数据,而支付平台有用户在商户内的行为,解决了数据孤岛问题,对用户的刻画更加完善,预测结果更加准确。并且,运营辅助模型不再由支付平台或直播平台一方训练的,而是利用更多的数据,可以达到更好的效果。同时,本说明书实施例可以通过联邦学习的加密技术,保证支付平台和直播平台的数据不会存在隐私泄露的风险。
步骤S204,采集所述直播平台上的指定直播间的相关数据。
在本说明书实施例的步骤S204中,指定直播间的相关数据可以包括指定直播间的数据与直播间预设的场景,其中,直播间预设的场景可以包括直播平台预先标记某个直播间为需要扶持的直播间,及直播平台预先标记某个名气高的非带货主播或某个名气高的明星进行第一次带货直播。
步骤S206,检测用户是否在所述指定直播间发起指定的支付行为,若是,则执行步骤S208,若否,则继续执行步骤S206。
在本说明书实施例的步骤S206中,用户在直播平台的指定直播间发起一笔支付行为,将会触发后续的步骤。相比于现有技术,本说明书实施例将权益发放的范围由单个用户,扩展到了整个直播间的用户,这样可以很大程度的增加传播范围,使得指定直播间内的所有用户可以在支付时收到权益,同时,本说明书实施例通过向直播间的用户发放权益,也可以促进直播间商品的销量,为主播带来更多的流量及更多的网站交易量。其中,指定直播间的相关数据可以包括该用户在指定直播间的相关数据,也可以包括其他用户在指定直播间的相关数据及指定直播间的数据。指定的支付行为可以包括购买直播间的商品、在直播间内打赏主播及在直播间开通会员等。
步骤S208,根据所述指定直播间的相关数据和所述运营辅助模型,判定是否要针对所述指定直播间进行权益发放,并根据判定结果进行相应处理。
在本说明书实施例的步骤S208中,可以先判断是否存在直播间预设的场景,若是存在直播间预设的场景,直接判定需要针对指定直播间进行权益发放。此外,也可以根据指定直播间的数据与直播间预设的场景共同进行判定,即将指定直播间的数据输入至运营辅助模型中,输出判定结果,并结合是否存在直播间预设的场景,最终判定是否要针对指定直播间进行权益发放。此外,也可以将指定直播间的数据与直播间预设的场景一同输入至运营辅助模型中,进而判定是否要针对指定直播间进行权益发放。
需要说明的是,若是判定出需要针对指定直播间进行权益发放,可以在预设时间内对指定直播间的所有支付行为进行权益发放(包括步骤S206中的用户与预设时间内的其他支付用户),一旦超出预设时间,可以重新执行步骤S206。比如,预设时间可以为1个小时。
进一步的,在本说明书实施例的步骤S208中,根据指定直播间的相关数据和运营辅助模型,判定是否要针对指定直播间进行权益发放,具体包括:
根据指定直播间的相关数据和运营辅助模型,判定是否要针对指定直播间进行权益发放,以及判定用户的支付意愿。此外,也可以根据支付意愿等级与指定直播间的数据共同判定是否要针对指定直播间进行权益发放,以及判定用户的支付意愿。
需要说明的是,若直播间需要发放权益时,训练数据集合中的标签数据可以根据不同支付意愿的用户,标记出不同的支付意愿等级。其中,支付意愿越高,支付意愿等级越高。
用户的支付意愿等级可以根据运营辅助模型确定,并且,用户的支付意愿等级与向用户发放的权益可以负相关,即用户的支付意愿等级越低,向该用户发放的权益越高,以刺激该用户进行支付,用户的支付意愿等级越高,向该用户发放的权益越低,比如,可以向支付意愿等级低的用户发放10元红包、6折支付、免单等,图4示出了使用无权益支付平台支付的示意图,图5示出了向支付意愿等级低的用户发放权益示意图;可以向支付意愿等级高的用户发放1元红包、9折支付等,图6示出了向支付意愿等级高的用户发放权益示意图。此外,若直播间需要发放权益时,训练数据集合中的标签数据还可以根据用户观看指定直播间的时间,在用户观看指定直播间的时间较长时,可以判定该用户喜欢观看该直播间,支付的意愿可能会比较高,此时可以向该用户发放较高的权益。
进一步的,在本说明书实施例的步骤S208中,根据判定结果进行相应处理,可以具体包括:
在判定出要针对指定直播间进行权益发放时,确定出指定直播间对应的直播平台和支付平台分别的业务数据;根据指定直播间对应的直播平台和支付平台分别的业务数据及运营辅助模型,确定出需要向指定直播间用户发放的权益。本说明书实施例可以将指定直播间对应的直播平台和支付平台分别的业务数据输入至运营辅助模型中,确定出需要向指定直播间用户发放的权益。
进一步的,在本说明书实施例的步骤S208中,确定出需要向指定直播间用户发放的权益,具体包括:
检测到与指定直播间相关的限时活动;根据限时活动的时间阈值,确定出需要向指定直播间用户发放的权益。
需要说明的是,直播间的主播在带货时,商品大都是限时秒杀活动,给用户决策的时间很短。这种情况下,用户在下单页面看到某一个支付平台有权益而另一个支付平台没有权益,便会不假思索,直接选择有权益的支付平台进行支付,进而可以提升有权益的支付平台的市场份额。
进一步的,在本说明书实施例的步骤S208中,直播间的相关特征还可以包括直播间商品的当前信息;
确定出需要向指定直播间用户发放的权益,具体包括:根据指定直播间商品的当前信息,确定出需要向指定直播间用户发放指定直播间商品的当前信息相关的权益。
需要说明的是,本说明书实施例还需要将直播间商品的当前信息与发放的权益相结合,若是直播间商品的当前信息与发放的权益相差较大,可能无法起到效果,所以在发放权益时需要结合当前直播商品,才能使得权益的发放更加准确。比如,用户买衣服的时候,送用户一张音乐的会员,对于该用户来说,音乐的会员卷可能用处不大,无法引起对方的兴趣;用户买衣服的时候,送用户一张打折卷,就可能就会起到很好的效果。本说明书实施例也可以通过联邦学习可以获取到用户当前的支付场景,通过支付场景向用户发放相关的权益,使得权益发放更为准确。
进一步的,在本说明书实施例的步骤S208中,确定出需要向指定直播间用户发放的权益之后,还可以执行:获取到用户宣告的支付权益信息,其中,支付权益信息指示了用户支付时获取的权益;根据支付权益信息,在指定直播间内展示支付平台发放的权益信息。
需要说明的是,本说明书实施例通过针对直播间进行权益发放而不是针对单个用户,可以获得更好的传播效果。比如,一个用户在直播间下单时看到某个支付平台可以获取额外权益,而其他支付平台下单没有额外权益,或者其他支付平台下单发放的权益比较低,这样便会提升该支付平台的市场份额。而且,许多观众发现该直播间有权益之后,还会为该主播带来更多的流量。
需要说明的是,本说明书实施例提出针对直播间的聚集性运营,代替针对用户的运营。虽然权益都是发送给用户,但是之前都是分散的运营,无法将权益的效果传播开来。本说明书实施例针对一个直播间的运营,可以使得权益的作用最大化,让支付平台和直播平台实现双赢。同时,运营辅助模型的标签不再是简单的二分类,而是多分类(无运营、运营且用户为低支付意愿等级、运营且用户为高支付意愿等级),提升模型预测的适用性。
与图2所处实施例相对应的是,图7为本说明书实施例提供的一种基于联邦学习的直播间业务处理装置的结构示意图,包括:模型获取单元302、数据采集单元304、结果判定单元306。
模型获取单元302,确定根据直播平台和支付平台分别的业务数据,通过联邦学习训练得到的运营辅助模型;
数据采集单元304,采集所述直播平台上的指定直播间的相关数据;
结果判定单元306,根据所述指定直播间的相关数据和所述运营辅助模型,判定是否要针对所述指定直播间进行权益发放,并根据判定结果进行相应处理。
进一步的,装置还包括检测单元308。
检测单元308,检测到用户在所述指定直播间发起指定的业务行为,其中,所述指定直播间的相关数据包括该用户在所述指定直播间的相关数据。
进一步的,所述支付平台的业务数据包括用户在支付平台的身份数据、用户通过所述支付平台在直播平台的支付数据及用户通过所述支付平台在其他平台的支付数据中的一种或多种。
进一步的,所述直播平台的业务数据包括直播平台上直播间的数据与直播平台的用户数据;
所述直播平台的用户数据包括用户在直播平台的支付数据、用户在直播平台的身份数据及用户在直播平台的浏览数据中的一项或多项;
所述直播间的数据包括直播间的活跃度数据、直播间的关注数量数据、直播间的创建时间数据、直播间观众的身份数据中的一项或多项,其中,所述直播间观众的身份数据包括用户在直播平台的身份数据与用户在支付平台的身份数据。
进一步的,装置还包括初始单元310、加密对齐单元312、模型训练单元314。
初始单元310,构建训练数据集合并建立初始的运营辅助模型,其中,所述训练数据集合包括直播平台和支付平台分别的业务数据及预先标记的标签数据;
加密对齐单元312,对所述训练数据集合进行基于加密的样本对齐处理;
模型训练单元314,根据处理后的训练数据集合求得所述支付平台与所述直播平台对应的梯度和损失,并确定出运营辅助模型的参数,最终得到符合条件的运营辅助模型。
进一步的,结果判定单元306具体用于:
所述根据所述指定直播间的相关数据和所述运营辅助模型,判定是否要针对所述指定直播间进行权益发放,以及判定所述用户的支付意愿。
进一步的,结果判定单元306具体用于:
在判定出要针对所述指定直播间进行权益发放时,确定出所述指定直播间对应的直播平台和支付平台分别的业务数据;
根据指定直播间对应的直播平台和支付平台分别的业务数据及运营辅助模型,确定出需要向所述指定直播间用户发放的权益。
进一步的,结果判定单元306具体用于:
检测到与所述指定直播间相关的限时活动;
根据所述限时活动的时间阈值,确定出需要向所述指定直播间用户发放的权益。
进一步的,所述直播间的相关特征包括所述直播间商品的当前信息;
结果判定单元306具体用于:
根据所述指定直播间商品的当前信息,确定出需要向所述指定直播间用户发放所述指定直播间商品的当前信息相关的权益。
进一步的,装置还包括获取单元316与权益展示单元318。
获取单元316,获取到用户宣告的支付权益信息,其中,所述支付权益信息指示了用户支付时获取的权益;
权益展示单元318,根据所述支付权益信息,在所述指定直播间内展示所述支付平台发放的权益信息。
图8为本说明书实施例提供的一种基于联邦学习的直播间业务处理设备的结构示意图,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够:
确定根据直播平台和支付平台分别的业务数据,通过联邦学习训练得到的运营辅助模型;
采集所述直播平台上的指定直播间的相关数据;
根据所述指定直播间的相关数据和所述运营辅助模型,判定是否要针对所述指定直播间进行权益发放,并根据判定结果进行相应处理。
本申请实施例还提供一种计算机存储介质,存储有计算机可执行指令,所述计算机可执行指令设置为:
确定根据直播平台和支付平台分别的业务数据,通过联邦学习训练得到的运营辅助模型;
采集所述直播平台上的指定直播间的相关数据;
根据所述指定直播间的相关数据和所述运营辅助模型,判定是否要针对所述指定直播间进行权益发放,并根据判定结果进行相应处理。
在20世纪90年代,对于一个技术的改进可以很明显地区分是硬件上的改进(例如,对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而,随着技术的发展,当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此,不能说一个方法流程的改进就不能用硬件实体模块来实现。例如,可编程逻辑器件(Programmable Logic Device, PLD)(例如现场可编程门阵列(Field Programmable GateArray,FPGA))就是这样一种集成电路,其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上,而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且,如今,取代手工地制作集成电路芯片,这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现,它与程序开发撰写时所用的软件编译器相类似,而要编译之前的原始代码也得用特定的编程语言来撰写,此称之为硬件描述语言(Hardware Description Language,HDL),而HDL也并非仅有一种,而是有许多种,如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(CornellUniversityProgrammingLanguage)、HDCal、JHDL(JavaHardwareDescriptionLanguage)、Lava、Lola、MyHDL、PALASM、RHDL(Ruby HardwareDescription Language)等,目前最普遍使用的是VHDL(Very-High-Speed IntegratedCircuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚,只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中,就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现,例如,控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式,控制器的例子包括但不限于以下微控制器:ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20 以及Silicone Labs C8051F320,存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
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、系统、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。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带式磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,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。
以上所述仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (17)
1.一种基于联邦学习的直播间业务处理方法,所述方法包括:
确定根据直播平台和支付平台分别的业务数据,通过联邦学习训练得到的运营辅助模型;
采集所述直播平台上的指定直播间的相关数据;
检测到用户在所述指定直播间发起指定的支付行为;
根据所述指定直播间的相关数据和所述运营辅助模型,判定是否要针对所述指定直播间内的其他用户进行权益发放,并根据判定结果进行相应处理;
根据判定结果进行相应处理,具体包括:
在判定出要针对所述指定直播间进行权益发放时,确定出所述指定直播间对应的直播平台和支付平台分别的业务数据;
根据指定直播间对应的直播平台和支付平台分别的业务数据及运营辅助模型,确定出需要向所述指定直播间用户发放的权益;
获取到用户宣告的支付权益信息,其中,所述支付权益信息指示了用户支付时获取的权益;
根据所述支付权益信息,在所述指定直播间内展示所述支付平台发放的权益信息。
2.根据权利要求1所述的方法,所述根据所述指定直播间的相关数据和所述运营辅助模型,判定是否要针对所述指定直播间进行权益发放之前,所述方法还包括:
检测到用户在所述指定直播间发起指定的业务行为,其中,所述指定直播间的相关数据包括该用户在所述指定直播间的相关数据。
3.根据权利要求1所述的方法,所述支付平台的业务数据包括用户在支付平台的身份数据、用户通过所述支付平台在直播平台的支付数据及用户通过所述支付平台在其他平台的支付数据中的一种或多种。
4.根据权利要求3所述的方法,所述直播平台的业务数据包括直播平台上直播间的数据与直播平台的用户数据;
所述直播平台的用户数据包括用户在直播平台的支付数据、用户在直播平台的身份数据及用户在直播平台的浏览数据中的一项或多项;
所述直播间的数据包括直播间的活跃度数据、直播间的关注数量数据、直播间的创建时间数据、直播间观众的身份数据中的一项或多项,其中,所述直播间观众的身份数据包括用户在直播平台的身份数据与用户在支付平台的身份数据。
5.根据权利要求4所述的方法,所述确定根据直播平台和支付平台分别的业务数据,通过联邦学习训练得到的运营辅助模型之前,所述方法还包括:
构建训练数据集合并建立初始的运营辅助模型,其中,所述训练数据集合包括直播平台和支付平台分别的业务数据及预先标记的标签数据;
对所述训练数据集合进行基于加密的样本对齐处理;
根据处理后的训练数据集合求得所述支付平台与所述直播平台对应的梯度和损失,并确定出运营辅助模型的参数,据此得到符合条件的运营辅助模型。
6.根据权利要求2所述的方法,所述根据所述指定直播间的相关数据和所述运营辅助模型,判定是否要针对所述指定直播间进行权益发放,具体包括:
所述根据所述指定直播间的相关数据和所述运营辅助模型,判定是否要针对所述指定直播间进行权益发放,以及判定所述用户的支付意愿。
7.根据权利要求1所述的方法,所述确定出需要向所述指定直播间用户发放的权益,具体包括:
检测到与所述指定直播间相关的限时活动;
根据所述限时活动的时间阈值,确定出需要向所述指定直播间用户发放的权益。
8.根据权利要求1所述的方法,所述直播间的相关特征包括所述直播间商品的当前信息;
所述确定出需要向所述指定直播间用户发放的权益,具体包括:
根据所述指定直播间商品的当前信息,确定出需要向所述指定直播间用户发放所述指定直播间商品的当前信息相关的权益。
9.一种基于联邦学习的直播间业务处理装置,所述装置包括:
模型获取单元,确定根据直播平台和支付平台分别的业务数据,通过联邦学习训练得到的运营辅助模型;
数据采集单元,采集所述直播平台上的指定直播间的相关数据;
结果判定单元,检测到用户在所述指定直播间发起指定的支付行为,根据所述指定直播间的相关数据和所述运营辅助模型,判定是否要针对所述指定直播间内的其他用户进行权益发放,并根据判定结果进行相应处理;
所述结果判定单元具体用于:
在判定出要针对所述指定直播间进行权益发放时,确定出所述指定直播间对应的直播平台和支付平台分别的业务数据;
根据指定直播间对应的直播平台和支付平台分别的业务数据及运营辅助模型,确定出需要向所述指定直播间用户发放的权益;
获取单元,获取到用户宣告的支付权益信息,其中,所述支付权益信息指示了用户支付时获取的权益;
权益展示单元,根据所述支付权益信息,在所述指定直播间内展示所述支付平台发放的权益信息。
10.根据权利要求9所述的装置,所述装置还包括:
检测单元,检测到用户在所述指定直播间发起指定的业务行为,其中,所述指定直播间的相关数据包括该用户在所述指定直播间的相关数据。
11.根据权利要求9所述的装置,所述支付平台的业务数据包括用户在支付平台的身份数据、用户通过所述支付平台在直播平台的支付数据及用户通过所述支付平台在其他平台的支付数据中的一种或多种。
12.根据权利要求11所述的装置,所述直播平台的业务数据包括直播平台上直播间的数据与直播平台的用户数据;
所述直播平台的用户数据包括用户在直播平台的支付数据、用户在直播平台的身份数据及用户在直播平台的浏览数据中的一项或多项;
所述直播间的数据包括直播间的活跃度数据、直播间的关注数量数据、直播间的创建时间数据、直播间观众的身份数据中的一项或多项,其中,所述直播间观众的身份数据包括用户在直播平台的身份数据与用户在支付平台的身份数据。
13.根据权利要求12所述的装置,所述装置还包括:
初始单元,构建训练数据集合并建立初始的运营辅助模型,其中,所述训练数据集合包括直播平台和支付平台分别的业务数据及预先标记的标签数据;
加密对齐单元,对所述训练数据集合进行基于加密的样本对齐处理;
模型训练单元,根据处理后的训练数据集合求得所述支付平台与所述直播平台对应的梯度和损失,并确定出运营辅助模型的参数,据此得到符合条件的运营辅助模型。
14.根据权利要求10所述的装置,所述结果判定单元具体用于:
所述根据所述指定直播间的相关数据和所述运营辅助模型,判定是否要针对所述指定直播间进行权益发放,以及判定所述用户的支付意愿。
15.根据权利要求9所述的装置,所述结果判定单元具体用于:
检测到与所述指定直播间相关的限时活动;
根据所述限时活动的时间阈值,确定出需要向所述指定直播间用户发放的权益。
16.根据权利要求9所述的装置,所述直播间的相关特征包括所述直播间商品的当前信息;
所述结果判定单元具体用于:
根据所述指定直播间商品的当前信息,确定出需要向所述指定直播间用户发放所述指定直播间商品的当前信息相关的权益。
17.一种基于联邦学习的直播间业务处理设备,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够:
确定根据直播平台和支付平台分别的业务数据,通过联邦学习训练得到的运营辅助模型;
采集所述直播平台上的指定直播间的相关数据;
检测到用户在所述指定直播间发起指定的支付行为;
根据所述指定直播间的相关数据和所述运营辅助模型,判定是否要针对所述指定直播间内的其他用户进行权益发放,并根据判定结果进行相应处理;
根据判定结果进行相应处理,具体包括:
在判定出要针对所述指定直播间进行权益发放时,确定出所述指定直播间对应的直播平台和支付平台分别的业务数据;
根据指定直播间对应的直播平台和支付平台分别的业务数据及运营辅助模型,确定出需要向所述指定直播间用户发放的权益;
获取到用户宣告的支付权益信息,其中,所述支付权益信息指示了用户支付时获取的权益;
根据所述支付权益信息,在所述指定直播间内展示所述支付平台发放的权益信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011332880.4A CN112150221B (zh) | 2020-11-25 | 2020-11-25 | 一种基于联邦学习的直播间业务处理方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011332880.4A CN112150221B (zh) | 2020-11-25 | 2020-11-25 | 一种基于联邦学习的直播间业务处理方法、装置及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112150221A CN112150221A (zh) | 2020-12-29 |
CN112150221B true CN112150221B (zh) | 2021-03-16 |
Family
ID=73887254
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011332880.4A Active CN112150221B (zh) | 2020-11-25 | 2020-11-25 | 一种基于联邦学习的直播间业务处理方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112150221B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112967044B (zh) * | 2021-03-12 | 2022-05-06 | 支付宝(杭州)信息技术有限公司 | 一种支付业务的处理方法及装置 |
CN113159782B (zh) * | 2021-03-26 | 2022-04-15 | 支付宝(杭州)信息技术有限公司 | 基于联邦学习的未成年人防沉迷处理方法、装置及设备 |
CN113034153B (zh) * | 2021-03-26 | 2022-08-02 | 支付宝(杭州)信息技术有限公司 | 一种基于共享学习的被欺诈风险识别方法、装置及设备 |
CN113407860A (zh) * | 2021-05-07 | 2021-09-17 | 浙江工业大学 | 一种基于隐私保护的多社交平台用户推荐方法和系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108038722A (zh) * | 2017-12-07 | 2018-05-15 | 深圳慧逛信息服务有限公司 | 一种互动营销系统 |
WO2020192896A1 (en) * | 2019-03-26 | 2020-10-01 | Huawei Technologies Co., Ltd. | Apparatus and method for hyperparameter optimization of a machine learning model in a federated learning system |
CN111738775A (zh) * | 2020-07-03 | 2020-10-02 | 支付宝(杭州)信息技术有限公司 | 一种用户支付意愿预测模型的训练方法及系统 |
CN111932349A (zh) * | 2020-09-28 | 2020-11-13 | 支付宝(杭州)信息技术有限公司 | 一种基于h5支付的支付应用推荐方法和装置 |
-
2020
- 2020-11-25 CN CN202011332880.4A patent/CN112150221B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108038722A (zh) * | 2017-12-07 | 2018-05-15 | 深圳慧逛信息服务有限公司 | 一种互动营销系统 |
WO2020192896A1 (en) * | 2019-03-26 | 2020-10-01 | Huawei Technologies Co., Ltd. | Apparatus and method for hyperparameter optimization of a machine learning model in a federated learning system |
CN111738775A (zh) * | 2020-07-03 | 2020-10-02 | 支付宝(杭州)信息技术有限公司 | 一种用户支付意愿预测模型的训练方法及系统 |
CN111932349A (zh) * | 2020-09-28 | 2020-11-13 | 支付宝(杭州)信息技术有限公司 | 一种基于h5支付的支付应用推荐方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN112150221A (zh) | 2020-12-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112150221B (zh) | 一种基于联邦学习的直播间业务处理方法、装置及设备 | |
US12033123B2 (en) | Cryptographic technology platform and methods for providers to enable users to monetize their data | |
US20230300420A1 (en) | Superimposing a viewer-chosen private ad on a tv celebrity triggering an automatic payment to the celebrity and the viewer | |
TWI698762B (zh) | 資源分享方法、裝置及設備 | |
CN111784345B (zh) | 支付处理方法、装置、设备及系统 | |
CN111737583A (zh) | 数据处理方法及装置、推荐处理方法及装置 | |
Athique | Digital emporiums: Platform capitalism in India | |
US20140310076A1 (en) | Appending advertising to perishable validation tokens | |
US20140351096A1 (en) | Techniques for facilitating acquisition and exchange of ebook and other digital content via a computer network | |
CN112633933A (zh) | 一种信息推荐的方法及装置 | |
CN112307389A (zh) | 数据处理方法及装置 | |
Manzerolle et al. | On the transactional ecosystems of digital media | |
US9818101B2 (en) | System and method for socially connecting payment card holders | |
Surdak | Data crush: How the information tidal wave is driving new business opportunities | |
CN113159782B (zh) | 基于联邦学习的未成年人防沉迷处理方法、装置及设备 | |
US20180165738A1 (en) | Enhanced View System | |
CN109614548B (zh) | 基于业务用户数变化率的信息展示方法、装置及存储介质 | |
KR101818225B1 (ko) | 잠금 화면을 통한 전자상거래 방법 및 장치 | |
CN113034153B (zh) | 一种基于共享学习的被欺诈风险识别方法、装置及设备 | |
CN114820112A (zh) | 一种用于呈现商品信息的方法、设备、介质及程序产品 | |
CN113327137A (zh) | 一种广告投放方法、服务器、收款设备及计算机程序产品 | |
Backaler et al. | Case studies: Influencer marketing best practices from around the world | |
Kamra et al. | The effect of technology on consumer behaviour with reference to internet and mobile technology | |
CN113221167B (zh) | 基于区块链存证的数据处理方法、装置、设备和存储介质 | |
Das | Modern-Day Gaming and the Role of FinTech Applications in Popularising Various Entertainment Platforms Across the World |
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 |