CN112507884A - 直播内容的检测方法、装置、可读介质和电子设备 - Google Patents
直播内容的检测方法、装置、可读介质和电子设备 Download PDFInfo
- Publication number
- CN112507884A CN112507884A CN202011455156.0A CN202011455156A CN112507884A CN 112507884 A CN112507884 A CN 112507884A CN 202011455156 A CN202011455156 A CN 202011455156A CN 112507884 A CN112507884 A CN 112507884A
- Authority
- CN
- China
- Prior art keywords
- live broadcast
- live
- program
- content
- behavior
- 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.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 130
- 238000000034 method Methods 0.000 claims abstract description 46
- 238000012549 training Methods 0.000 claims description 61
- 239000013598 vector Substances 0.000 claims description 51
- 238000004590 computer program Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000006399 behavior Effects 0.000 abstract description 120
- 230000010365 information processing Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 21
- 230000008859 change Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 6
- 230000000391 smoking effect Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 239000013307 optical fiber Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 206010001488 Aggression Diseases 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009278 visceral effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Two-Way Televisions, Distribution Of Moving Picture Or The Like (AREA)
Abstract
本公开涉及一种直播内容的检测方法、装置、可读介质和电子设备，涉及电子信息处理技术领域，该方法包括：获取当前时刻之前的指定时长内，直播节目的直播内容和节目属性，直播内容包括：直播节目产生的直播图像、直播声音、直播文字中的至少一种，根据直播内容和节目属性，提取直播节目在当前时刻的目标直播特征，根据目标直播特征和历史直播特征，确定附加直播特征，历史直播特征为直播节目在当前时刻之前的历史时刻的直播特征，将目标直播特征与附加直播特征输入预先训练的检测模型，以获取检测模型输出的检测结果，检测结果用于指示当前时刻之前的指定时长内直播节目是否存在指定行为。本公开能够对直播内容实时检测，提高检测的准确度和效率。
Description
技术领域
本公开涉及电子信息处理技术领域，具体地，涉及一种直播内容的检测方法、装置、可读介质和电子设备。
背景技术
随着电子信息技术的不断发展，网络直播在各个产业领域都得到了广泛的应用。考虑到网络直播的传播范围广，观众基数大，需要对网络直播的内容进行监督，以避免内容中包括的违规行为产生不良的影响。通常情况下，是由运营人员对网络直播的内容进行检测，人工成本高且效率较低。并且，由于网络直播往往包括海量的直播节目(可以理解为直播间)，运营人员只能定期抽检部分直播节目，而违规行为往往不会一直出现，因此很难保证内容检测的准确度。
发明内容
提供该发明内容部分以便以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。该发明内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
第一方面，本公开提供一种直播内容的检测方法，所述方法包括：
获取当前时刻之前的指定时长内，直播节目的直播内容和节目属性，所述直播内容包括：所述直播节目产生的直播图像、直播声音、直播文字中的至少一种；
根据所述直播内容和所述节目属性，提取所述直播节目在所述当前时刻的目标直播特征；
根据所述目标直播特征和历史直播特征，确定附加直播特征，所述历史直播特征为所述直播节目在所述当前时刻之前的历史时刻的直播特征；
将所述目标直播特征与所述附加直播特征输入预先训练的检测模型，以获取所述检测模型输出的检测结果，所述检测结果用于指示所述当前时刻之前的指定时长内所述直播节目是否存在指定行为。
第二方面，本公开提供一种直播内容的检测装置，所述装置包括：
获取模块，用于获取当前时刻之前的指定时长内，直播节目的直播内容和节目属性，所述直播内容包括：所述直播节目产生的直播图像、直播声音、直播文字中的至少一种；
提取模块，用于根据所述直播内容和所述节目属性，提取所述直播节目在所述当前时刻的目标直播特征；
确定模块，用于根据所述目标直播特征和历史直播特征，确定附加直播特征，所述历史直播特征为所述直播节目在所述当前时刻之前的历史时刻的直播特征；
检测模块，用于将所述目标直播特征与所述附加直播特征输入预先训练的检测模型，以获取所述检测模型输出的检测结果，所述检测结果用于指示所述当前时刻之前的指定时长内所述直播节目是否存在指定行为。
第三方面，本公开提供一种计算机可读介质，其上存储有计算机程序，该程序被处理装置执行时实现本公开第一方面所述方法的步骤。
第四方面，本公开提供一种电子设备，包括：
存储装置，其上存储有计算机程序；
处理装置，用于执行所述存储装置中的所述计算机程序，以实现本公开第一方面所述方法的步骤。
通过上述技术方案，本公开首先获取当前时刻之前指定时长内直播节目的直播内容和节目属性，之后根据直播内容和节目属性提取直播节目在当前时刻的目标直播特征，再根据目标直播特征，和当前时刻之前的历史时刻的历史直播特征，确定附加直播特征，最后将目标直播特征和附加直播特征作为检测模型的输入，以得到检测模型输出的用于指示直播节目是否存在指定行为的检测结果。本公开在对直播内容进行实时检测时，通过将当前时刻的直播特征和历史时刻的直播特征进行结合，使得检测模型能够感知直播特征在时间维度上的变化，从而提高内容检测的准确度和效率。
本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。在附图中：
图1是根据一示例性实施例示出的一种直播内容的检测方法的流程图；
图2是根据一示例性实施例示出的另一种直播内容的检测方法的流程图；
图3是根据一示例性实施例示出的另一种直播内容的检测方法的流程图；
图4是根据一示例性实施例示出的另一种直播内容的检测方法的流程图；
图5是根据一示例性实施例示出的另一种直播内容的检测方法的流程图；
图6是根据一示例性实施例示出的一种训练检测模型的方式的流程图；
图7是根据一示例性实施例示出的一种直播内容的检测装置的框图；
图8是根据一示例性实施例示出的另一种直播内容的检测装置的框图；
图9是根据一示例性实施例示出的另一种直播内容的检测装置的框图；
图10是根据一示例性实施例示出的另一种直播内容的检测装置的框图；
图11是根据一示例性实施例示出的一种电子设备的框图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
图1是根据一示例性实施例示出的一种直播内容的检测方法的流程图，如图1所示，该方法包括：
步骤101，获取当前时刻之前的指定时长内，直播节目的直播内容和节目属性，直播内容包括：直播节目产生的直播图像、直播声音、直播文字中的至少一种。
举例来说，为了能够实时检测直播内容，可以采集当前时刻之前的指定时长(例如可以是20s)内直播节目的直播内容和节目属性。其中，直播内容可以包括直播节目产生的直播图像、直播声音、直播文字中的至少一种，直播图像例如可以包括直播节目产生的视频流中的每一帧图像，还可以包括直播节目的观众发送的礼物、图片评论等，直播声音可以包括直播节目产生的音频流中的每一帧音频，还可以包括直播节目的观众发送的语音评论等，直播文字可以包括直播节目产生的文字，还可以包括直播节目的观众发送的文字评论等。节目属性可以包括直播节目当前时刻的观众数量、开播时长等。
需要说明的是，在直播平台中，可以播放有多个直播节目，一个直播节目可以理解为一个直播间，每个直播节目对应一个能够唯一标识该直播节目的节目ID(也可以理解为直播间的房间ID)，本公开实施例中的直播节目可以是直播平台中的任一个直播节目。例如，可以根据直播平台中的每个直播节目的节目ID，来采集该直播节目对应的直播内容和节目属性。
步骤102，根据直播内容和节目属性，提取直播节目在当前时刻的目标直播特征。
步骤103，根据目标直播特征和历史直播特征，确定附加直播特征，历史直播特征为直播节目在当前时刻之前的历史时刻的直播特征。
示例的，可以从直播内容和节目属性中，提取出能够表征当前时刻直播节目的状态的目标直播特征。目标直播特征可以一个特征向量，该特征向量包括多个维度，以从多个维度来表征直播节目。例如，该特征向量中可以包括用于表征直播图像的维度、用于表征直播声音的维度、用于表征直播文字的维度，还可以包括用于表征观众数量的维度、用于表征开播时长的维度等。
之后，可以根据目标直播特征和历史直播特征，来确定附加直播特征。其中，历史直播特征，可以理解为在历史时刻执行步骤101至步骤102时，根据采集到的历史时刻之前的指定时长内，直播节目的直播内容和节目属性，提取出的能够表征历史时刻直播节目的状态的特征。历史时刻是当前时刻之前的一个时刻或者多个时刻。例如历史时刻可以是当前时刻之前的1min，也可以是当前时刻之前的5min、10min、15min。具体的，可以将目标直播特征和历史直播特征进行求差，以将求得的差值作为附加直播特征。或者，还可以将目标直播特征和历史直播特征进行加权求和，以将求得的结果作为附加直播特征。也可以将目标直播特征和历史直播特征的均值作为附加直播特征，本公开对此不作具体限定。这样，附加直播特征能够反映直播节目在时间维度(即从历史时刻到当前时刻)上的变化。
步骤104，将目标直播特征与附加直播特征输入预先训练的检测模型，以获取检测模型输出的检测结果，检测结果用于指示当前时刻之前的指定时长内直播节目是否存在指定行为。
示例的，在获得目标直播特征与附加直播特征之后，可以将目标直播特征与附加直播特征一同输入到预先训练的检测模型，以得到检测模型输出的，能够指示当前时刻之前的指定时长内直播节目是否存在指定行为的检测结果。其中，指定行为可以是根据具体需求指定的需要进行相应惩罚或者奖励的行为。例如，指定行为可以是不文明行为，包括：暴力行为、色情行为、吸烟行为、脏话行为等。指定行为也可以是违反某些规则的行为，包括：作弊行为、盗窃行为等。指定行为还可以是符合某些规则的行为，包括：推广行为等。检测模型输出的检测结果例如可以是当前时刻之前的指定时长内，直播节目存在指定行为的概率值，若概率值大于或等于预设的第一阈值(例如可以是65％)，表示存在指定行为，若概率值小于第一阈值，表示不存在指定行为。由于检测模型的输入包括目标直播特征与附加直播特征，使得检测模型能够感知直播特征在时间维度上的变化，从而更好地理解直播节目，提高内容检测的准确度和效率。
在确定检测结果指示当前时刻之前的指定时长内，直播节目存在指定行为的情况下，可以对直播节目进行相应的惩罚(例如：停止直播节目，或者对直播节目进行消音)或者奖励(例如：推广直播节目)。为了进一步提高内容检测的准确度，还可以将确定存在指定行为的直播节目发送给运营人员，以使运营人员对直播节目进行人工审核。这样，运营人员无需对所有的直播节目进行检测，能够有效提高内容检测的效率和准确度。
综上所述，本公开首先获取当前时刻之前指定时长内直播节目的直播内容和节目属性，之后根据直播内容和节目属性提取直播节目在当前时刻的目标直播特征，再根据目标直播特征，和当前时刻之前的历史时刻的历史直播特征，确定附加直播特征，最后将目标直播特征和附加直播特征作为检测模型的输入，以得到检测模型输出的用于指示直播节目是否存在指定行为的检测结果。本公开在对直播内容进行实时检测时，通过将当前时刻的直播特征和历史时刻的直播特征进行结合，使得检测模型能够感知直播特征在时间维度上的变化，从而提高内容检测的准确度和效率。
图2是根据一示例性实施例示出的另一种直播内容的检测方法的流程图，如图2所示，步骤102的实现方式可以为：
步骤1021，提取用于表征直播内容的内容向量，内容向量包括：用于表征直播图像的图像向量、用于表征直播声音的音频向量和用于表征直播文字的语义向量中的至少一种。
步骤1022，根据内容向量确定直播内容的行为评分，行为评分用于指示直播内容中存在指定行为的概率。
步骤1023，将行为评分和节目属性作为目标直播特征，节目属性包括：直播节目的观众数量、开播时长、主播参数中的至少一种。
举例来说，目标直播特征的提取方式，可以先提取能够表征直播内容的内容向量，其中可以包括：用于表征直播图像的图像向量、用于表征直播声音的音频向量和用于表征直播文字的语义向量。之后，再根据内容向量确定能够指示直播内容中存在指定行为的概率的行为评分。具体的，行为评分可以包括：图像行为评分、声音行为评分、文字行为评分三个维度，行为评分还可以包括多个维度，每个维度对应多种指定行为中，一种指定行为对应的评分。最后，可以将行为评分和节目属性进行组合，得到目标直播特征。其中，节目属性可以包括：直播节目当前时刻的观众数量、开播时长和主播参数，主播参数用于指示直播节目的主播的属性，例如可以包括：粉丝数量、违规记录、违规次数等。
在一种应用场景中，指定行为为多种。相应的，步骤1022的可以通过以下步骤来实现：
步骤1)针对每种指定行为，将内容向量输入预先训练的，该种指定行为对应的行为识别模型，以得到行为识别模型输出的，直播内容中存在该种指定行为的概率。
步骤2)根据直播内容中存在每种指定行为的概率，确定行为评分。
示例的，由于指定行为往往有多种，因此可以针对多种指定行为中的每种指定行为，预先训练对应的识别模型，该识别模型用于检测直播内容中存在该种指定行为的概率。这样，可以分别将内容向量，输入到多个识别模型中，以得到每个识别模型输出的，直播内容中存在对应的指定行为的概率。之后，根据直播内容中存在每种指定行为的概率，确定行为评分。例如，可以将直播内容中存在每种指定行为的概率作为该种指定行为对应的子评分，然后将多种指定行为对应的子评分进行组合，得到行为评分。还可以将多种指定行为对应的子评分进行加权求和，得到行为评分。
需要说明的是，步骤1)中，可以将完整的内容向量输入识别模型，也可以将内容向量中的部分向量输入识别模型。由于指定行为在直播内容中往往反映在不同的维度，也就是说针对不同的指定行为，内容向量中可能存在有效的向量和无效的向量，因此可以将有效的向量输入相应的识别模型，以避免无效的向量对识别模型的干扰。例如，指定行为是脏话行为，对应的识别模型为脏话行为识别模型，由于脏话行为通常反映在直播声音中，因此可以将内容向量中用于表征直播声音的音频向量(即有效的向量)，输入到脏话行为识别模型中，以得到直播声音中存在脏话行为的概率。再比如，指定行为是吸烟行为，对应的识别模型为吸烟行为识别模型，由于吸烟行为通常反映在直播图像中，因此可以将内容向量中用于表征直播图像的图像向量(即有效的向量)，输入到吸烟行为识别模型，以得到直播图像中存在吸烟行为的概率。
图3是根据一示例性实施例示出的另一种直播内容的检测方法的流程图，如图3所示，步骤103的实现方式可以分为两种：
步骤103a，根据目标直播特征和历史直播特征的差值，确定附加直播特征。或者，
步骤103b，根据目标直播特征和历史直播特征的统计值，确定附加直播特征，统计值为均值、极值、方差中的任一种。
针对附加直播特征的确定方式，可以分为两种，一种是对目标直播特征和历史直播特征求差，以将目标直播特征和历史直播特征的差值作为附加直播特征。另一种是对目标直播特征和历史直播特征进行统计计算，以将目标直播特征和历史直播特征的统计值作为附加直播特征，其中，统计值可以为均值、极值(包括极大值或者极小值)、方差中的任一种，还可以是中位数、标准差等，本公开对此不作具体限定。
图4是根据一示例性实施例示出的另一种直播内容的检测方法的流程图，如图4所示，目标直播特征包括第一数量个目标子特征，历史直播特征包括与目标子特征一一对应的历史子特征，相应的，步骤103可以通过以下步骤来实现：
步骤1031，在第一数量个目标子特征中，确定第二数量个指定子特征，第二数量小于或等于第一数量。
步骤1032，根据第二数量个指定子特征，和与每个指定子特征对应的历史子特征，确定附加直播特征。
在另一种实现方式中，目标直播特征中包括了第一数量个目标子特征，相应的，历史直播特征中也包括了第一数量个，与目标子特征一一对应的历史子特征。在确定附加直播特征时，可以从第一数量个目标子特征中，选取第二数量个指定子特征，从而根据第二数量个指定子特征，和与每个指定子特征对应的历史子特征，确定附加直播特征。例如可以将第二数量个指定子特征，和与每个指定子特征对应的历史子特征的差值作为附加直播特征。可以理解为，如果直播内容中存在指定行为，第一数量个目标子特征中，部分目标子特征在时间维度上变化不大，对于表征直播节目的贡献较小，而另一部分目标子特征在时间维度上的变化较大，对于表征直播节目的贡献较大，因此，可以选取存在指定行为时，在时间维度上变化较大的目标子特征作为指定子特征，例如可以是观众数量、主播的粉丝数量等。
图5是根据一示例性实施例示出的另一种直播内容的检测方法的流程图，如图5所示，步骤104可以包括：
步骤1041，通过检测模型将目标直播特征与附加直播特征进行组合，得到组合特征，并对组合特征进行预处理。
步骤1042，通过检测模型根据预处理后的组合特征，确定检测结果。
在一种实现方式中，将目标直播特征与附加直播特征输入预先训练的检测模型后，检测模型可以先将目标直播特征与附加直播特征进行组合，得到组合特征，再对组合特征进行预处理。预处理例如可以为标准化处理(英文：Normalization)。之后检测模型可以对预处理后的组合特征进行检测，从而得到检测结果。
图6是根据一示例性实施例示出的一种训练检测模型的方式的流程图，如图6所示，检测模型可以通过如下方式训练得到的：
步骤A，根据训练直播节目在第一时刻之前的指定时长内的训练直播内容和训练节目属性，提取第一时刻对应的训练直播特征。
步骤B，根据训练直播特征和训练历史直播特征，确定训练附加特征，训练历史直播特征为训练直播节目在第二时刻对应的直播特征，第二时刻在第一时刻之前。
步骤C，将训练直播特征和训练附加特征作为检测模型的输入，将第一时刻对应的行为标签作为检测模型的输出，以训练检测模型。第一时刻对应的行为标签用于指示第一时刻之前的指定时长内训练直播节目是否存在指定行为。
举例来说，可以预先获取训练直播节目在之前一段时间范围内的直播内容和节目属性，然后按照时间先后顺序，将训练直播节目的直播内容和节目属性，分为不同时刻之前的指定时长内的训练直播内容和训练节目属性，并分别提取每个时刻对应的训练直播特征。其中，训练直播节目和直播节目可以是同一个直播节目，也可以不是同一个直播节目。以时间范围为24h，指定时长为1min来举例，那么可以按照时间先后顺序，划分出24*60＝1440个时刻，从而将直播内容和节目属性，划分为1440个时刻对应的训练直播内容和训练节目属性，相应的可以提取1440个时刻对应的训练直播特征。
之后，可以根据第一时刻对应的训练直播特征，和第二时刻对应的训练直播特征(即训练历史直播特征)，确定训练附加特征，从而将训练直播特征和训练附加特征作为检测模型的输入，将第一时刻对应的行为标签作为检测模型的输出，以训练检测模型，从而调整检测模型中的神经元的参数，神经元的参数例如可以是神经元的权重(英文：Weight)和偏置量(英文：Bias)。其中，第一时刻对应的行为标签用于指示第一时刻之前的指定时长内训练直播节目是否存在指定行为，例如行为标签为1，表示存在指定行为，行为标签为0，表示不存在指定行为。
综上所述，本公开首先获取当前时刻之前指定时长内直播节目的直播内容和节目属性，之后根据直播内容和节目属性提取直播节目在当前时刻的目标直播特征，再根据目标直播特征，和当前时刻之前的历史时刻的历史直播特征，确定附加直播特征，最后将目标直播特征和附加直播特征作为检测模型的输入，以得到检测模型输出的用于指示直播节目是否存在指定行为的检测结果。本公开在对直播内容进行实时检测时，通过将当前时刻的直播特征和历史时刻的直播特征进行结合，使得检测模型能够感知直播特征在时间维度上的变化，从而提高内容检测的准确度和效率。
图7是根据一示例性实施例示出的一种直播内容的检测装置的框图，如图7所示，该装置200包括：
获取模块201，用于获取当前时刻之前的指定时长内，直播节目的直播内容和节目属性，直播内容包括：直播节目产生的直播图像、直播声音、直播文字中的至少一种。
提取模块202，用于根据直播内容和节目属性，提取直播节目在当前时刻的目标直播特征。
确定模块203，用于根据目标直播特征和历史直播特征，确定附加直播特征，历史直播特征为直播节目在当前时刻之前的历史时刻的直播特征。
检测模块204，用于将目标直播特征与附加直播特征输入预先训练的检测模型，以获取检测模型输出的检测结果，检测结果用于指示当前时刻之前的指定时长内直播节目是否存在指定行为。
图8是根据一示例性实施例示出的另一种直播内容的检测装置的框图，如图8所示，提取模块202可以包括：
提取子模块2021，用于提取用于表征直播内容的内容向量，内容向量包括：用于表征直播图像的图像向量、用于表征直播声音的音频向量和用于表征直播文字的语义向量中的至少一种。
第一确定子模块2022，根据内容向量确定直播内容的行为评分，行为评分用于指示直播内容中存在指定行为的概率。
处理子模块2023，用于将行为评分和节目属性作为目标直播特征，节目属性包括：直播节目的观众数量、开播时长、主播参数中的至少一种。
在一种应用场景中，指定行为为多种，确定子模块2022可以用于：
针对每种指定行为，将内容向量输入预先训练的，该种指定行为对应的行为识别模型，以得到行为识别模型输出的，直播内容中存在该种指定行为的概率。
根据直播内容中存在每种指定行为的概率，确定行为评分。
在另一种应用场景中，确定模块203的实现方式可以分为两种：
方式一，根据目标直播特征和历史直播特征的差值，确定附加直播特征。或者，
方式二，根据目标直播特征和历史直播特征的统计值，确定附加直播特征，统计值为均值、极值、方差中的任一种。
图9是根据一示例性实施例示出的另一种直播内容的检测装置的框图，如图9所示，目标直播特征包括第一数量个目标子特征，历史直播特征包括与目标子特征一一对应的历史子特征。确定模块203可以包括：
筛选子模块2031，用于在第一数量个目标子特征中，确定第二数量个指定子特征，第二数量小于或等于第一数量。
第二确定子模块2032，用于根据第二数量个指定子特征，和与每个指定子特征对应的历史子特征，确定附加直播特征。
图10是根据一示例性实施例示出的另一种直播内容的检测装置的框图，如图10所示，检测模块204可以包括：
组合子模块2041，用于通过检测模型将目标直播特征与附加直播特征进行组合，得到组合特征，并对组合特征进行预处理。
检测子模块2042，用于通过检测模型根据预处理后的组合特征，确定检测结果。
需要说明的是，上述实施例中的检测模型可以通过如下方式训练得到的：
步骤A，根据训练直播节目在第一时刻之前的指定时长内的训练直播内容和训练节目属性，提取第一时刻对应的训练直播特征。
步骤B，根据训练直播特征和训练历史直播特征，确定训练附加特征，训练历史直播特征为训练直播节目在第二时刻对应的直播特征，第二时刻在第一时刻之前。
步骤C，将训练直播特征和训练附加特征作为检测模型的输入，将第一时刻对应的行为标签作为检测模型的输出，以训练检测模型。第一时刻对应的行为标签用于指示第一时刻之前的指定时长内训练直播节目是否存在指定行为。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
综上所述，本公开首先获取当前时刻之前指定时长内直播节目的直播内容和节目属性，之后根据直播内容和节目属性提取直播节目在当前时刻的目标直播特征，再根据目标直播特征，和当前时刻之前的历史时刻的历史直播特征，确定附加直播特征，最后将目标直播特征和附加直播特征作为检测模型的输入，以得到检测模型输出的用于指示直播节目是否存在指定行为的检测结果。本公开在对直播内容进行实时检测时，通过将当前时刻的直播特征和历史时刻的直播特征进行结合，使得检测模型能够感知直播特征在时间维度上的变化，从而提高内容检测的准确度和效率。
下面参考图11，其示出了适于用来实现本公开实施例的电子设备(例如可以是本公开实施例的执行主体)300的结构示意图。本公开实施例中的电子设备可以是终端设备或者服务器。终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图11示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图11所示，电子设备300可以包括处理装置(例如中央处理器、图形处理器等)301，其可以根据存储在只读存储器(ROM)302中的程序或者从存储装置308加载到随机访问存储器(RAM)303中的程序而执行各种适当的动作和处理。在RAM 303中，还存储有电子设备300操作所需的各种程序和数据。处理装置301、ROM 302以及RAM 303通过总线304彼此相连。输入/输出(I/O)接口305也连接至总线304。
通常，以下装置可以连接至I/O接口305：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置306；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置307；包括例如磁带、硬盘等的存储装置308；以及通信装置309。通信装置309可以允许电子设备300与其他设备进行无线或有线通信以交换数据。虽然图11示出了具有各种装置的电子设备300，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在非暂态计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置309从网络上被下载和安装，或者从存储装置308被安装，或者从ROM 302被安装。在该计算机程序被处理装置301执行时，执行本公开实施例的方法中限定的上述功能。
需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
在一些实施方式中，终端设备、服务器可以利用诸如HTTP(HyperText TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取当前时刻之前的指定时长内，直播节目的直播内容和节目属性，所述直播内容包括：所述直播节目产生的直播图像、直播声音、直播文字中的至少一种；根据所述直播内容和所述节目属性，提取所述直播节目在所述当前时刻的目标直播特征；根据所述目标直播特征和历史直播特征，确定附加直播特征，所述历史直播特征为所述直播节目在所述当前时刻之前的历史时刻的直播特征；将所述目标直播特征与所述附加直播特征输入预先训练的检测模型，以获取所述检测模型输出的检测结果，所述检测结果用于指示所述当前时刻之前的指定时长内所述直播节目是否存在指定行为。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言——诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，模块的名称在某种情况下并不构成对该模块本身的限定，例如，获取模块还可以被描述为“获取直播内容和节目属性的模块”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
根据本公开的一个或多个实施例，示例1提供了一种直播内容的检测方法，包括：获取当前时刻之前的指定时长内，直播节目的直播内容和节目属性，所述直播内容包括：所述直播节目产生的直播图像、直播声音、直播文字中的至少一种；根据所述直播内容和所述节目属性，提取所述直播节目在所述当前时刻的目标直播特征；根据所述目标直播特征和历史直播特征，确定附加直播特征，所述历史直播特征为所述直播节目在所述当前时刻之前的历史时刻的直播特征；将所述目标直播特征与所述附加直播特征输入预先训练的检测模型，以获取所述检测模型输出的检测结果，所述检测结果用于指示所述当前时刻之前的指定时长内所述直播节目是否存在指定行为。
根据本公开的一个或多个实施例，示例2提供了示例1的方法，所述根据所述直播内容和所述节目属性，提取所述直播节目在所述当前时刻的目标直播特征；提取用于表征所述直播内容的内容向量，所述内容向量包括：用于表征所述直播图像的图像向量、用于表征所述直播声音的音频向量和用于表征所述直播文字的语义向量中的至少一种；根据所述内容向量确定所述直播内容的行为评分，所述行为评分用于指示所述直播内容中存在所述指定行为的概率；将所述行为评分和所述节目属性作为所述目标直播特征，所述节目属性包括：所述直播节目的观众数量、开播时长、主播参数中的至少一种。
根据本公开的一个或多个实施例，示例3提供了示例2的方法，所述指定行为为多种；所述根据所述内容向量确定所述直播内容的行为评分，包括：针对每种所述指定行为，将所述内容向量输入预先训练的，该种指定行为对应的行为识别模型，以得到所述行为识别模型输出的，所述直播内容中存在该种指定行为的概率；根据所述直播内容中存在每种所述指定行为的概率，确定所述行为评分。
根据本公开的一个或多个实施例，示例4提供了示例1的方法，所述根据所述目标直播特征和历史直播特征，确定附加直播特征，包括：根据所述目标直播特征和所述历史直播特征的差值，确定所述附加直播特征；或者，根据所述目标直播特征和所述历史直播特征的统计值，确定所述附加直播特征，所述统计值为均值、极值、方差中的任一种。
根据本公开的一个或多个实施例，示例5提供了示例1的方法，所述目标直播特征包括第一数量个目标子特征，所述历史直播特征包括与所述目标子特征一一对应的历史子特征；所述根据所述目标直播特征和历史直播特征，确定附加直播特征，包括：在所述第一数量个所述目标子特征中，确定第二数量个指定子特征，所述第二数量小于或等于所述第一数量；根据所述第二数量个所述指定子特征，和与每个所述指定子特征对应的所述历史子特征，确定所述附加直播特征。
根据本公开的一个或多个实施例，示例6提供了示例1的方法，所述将所述目标直播特征与所述附加直播特征输入预先训练的检测模型，以获取所述检测模型输出的检测结果，包括：通过所述检测模型将所述目标直播特征与所述附加直播特征进行组合，得到组合特征，并对所述组合特征进行预处理；通过所述检测模型根据预处理后的所述组合特征，确定所述检测结果。
根据本公开的一个或多个实施例，示例7提供了示例1至示例6的方法，述检测模型是通过如下方式训练得到的：根据训练直播节目在第一时刻之前的指定时长内的训练直播内容和训练节目属性，提取所述第一时刻对应的训练直播特征；根据所述训练直播特征和训练历史直播特征，确定训练附加特征，所述训练历史直播特征为所述训练直播节目在第二时刻对应的直播特征，所述第二时刻在所述第一时刻之前；将所述训练直播特征和所述训练附加特征作为所述检测模型的输入，将所述第一时刻对应的行为标签作为所述检测模型的输出，以训练所述检测模型；所述第一时刻对应的所述行为标签用于指示所述第一时刻之前的指定时长内所述训练直播节目是否存在所述指定行为。
根据本公开的一个或多个实施例，示例8提供了一种直播内容的检测装置，包括：获取模块，用于获取当前时刻之前的指定时长内，直播节目的直播内容和节目属性，所述直播内容包括：所述直播节目产生的直播图像、直播声音、直播文字中的至少一种；提取模块，用于根据所述直播内容和所述节目属性，提取所述直播节目在所述当前时刻的目标直播特征；确定模块，用于根据所述目标直播特征和历史直播特征，确定附加直播特征，所述历史直播特征为所述直播节目在所述当前时刻之前的历史时刻的直播特征；检测模块，用于将所述目标直播特征与所述附加直播特征输入预先训练的检测模型，以获取所述检测模型输出的检测结果，所述检测结果用于指示所述当前时刻之前的指定时长内所述直播节目是否存在指定行为。
根据本公开的一个或多个实施例，示例9提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理装置执行时实现示例1至示例7所述方法的步骤。
根据本公开的一个或多个实施例，示例10提供了一种电子设备，包括：存储装置，其上存储有计算机程序；处理装置，用于执行所述存储装置中的所述计算机程序，以实现示例1至示例7所述方法的步骤。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
Claims (10)
1.一种直播内容的检测方法，其特征在于，所述方法包括：
获取当前时刻之前的指定时长内，直播节目的直播内容和节目属性，所述直播内容包括：所述直播节目产生的直播图像、直播声音、直播文字中的至少一种；
根据所述直播内容和所述节目属性，提取所述直播节目在所述当前时刻的目标直播特征；
根据所述目标直播特征和历史直播特征，确定附加直播特征，所述历史直播特征为所述直播节目在所述当前时刻之前的历史时刻的直播特征；
将所述目标直播特征与所述附加直播特征输入预先训练的检测模型，以获取所述检测模型输出的检测结果，所述检测结果用于指示所述当前时刻之前的指定时长内所述直播节目是否存在指定行为。
2.根据权利要求1所述的方法，其特征在于，所述根据所述直播内容和所述节目属性，提取所述直播节目在所述当前时刻的目标直播特征；
提取用于表征所述直播内容的内容向量，所述内容向量包括：用于表征所述直播图像的图像向量、用于表征所述直播声音的音频向量和用于表征所述直播文字的语义向量中的至少一种；
根据所述内容向量确定所述直播内容的行为评分，所述行为评分用于指示所述直播内容中存在所述指定行为的概率；
将所述行为评分和所述节目属性作为所述目标直播特征，所述节目属性包括：所述直播节目的观众数量、开播时长、主播参数中的至少一种。
3.根据权利要求2所述的方法，其特征在于，所述指定行为为多种；所述根据所述内容向量确定所述直播内容的行为评分，包括：
针对每种所述指定行为，将所述内容向量输入预先训练的，该种指定行为对应的行为识别模型，以得到所述行为识别模型输出的，所述直播内容中存在该种指定行为的概率；
根据所述直播内容中存在每种所述指定行为的概率，确定所述行为评分。
4.根据权利要求1所述的方法，其特征在于，所述根据所述目标直播特征和历史直播特征，确定附加直播特征，包括：
根据所述目标直播特征和所述历史直播特征的差值，确定所述附加直播特征；或者，
根据所述目标直播特征和所述历史直播特征的统计值，确定所述附加直播特征，所述统计值为均值、极值、方差中的任一种。
5.根据权利要求1所述的方法，其特征在于，所述目标直播特征包括第一数量个目标子特征，所述历史直播特征包括与所述目标子特征一一对应的历史子特征；所述根据所述目标直播特征和历史直播特征，确定附加直播特征，包括：
在所述第一数量个所述目标子特征中，确定第二数量个指定子特征，所述第二数量小于或等于所述第一数量；
根据所述第二数量个所述指定子特征，和与每个所述指定子特征对应的所述历史子特征，确定所述附加直播特征。
6.根据权利要求1所述的方法，其特征在于，所述将所述目标直播特征与所述附加直播特征输入预先训练的检测模型，以获取所述检测模型输出的检测结果，包括：
通过所述检测模型将所述目标直播特征与所述附加直播特征进行组合，得到组合特征，并对所述组合特征进行预处理；
通过所述检测模型根据预处理后的所述组合特征，确定所述检测结果。
7.根据权利要求1-6中任一项所述的方法，其特征在于，所述检测模型是通过如下方式训练得到的：
根据训练直播节目在第一时刻之前的指定时长内的训练直播内容和训练节目属性，提取所述第一时刻对应的训练直播特征；
根据所述训练直播特征和训练历史直播特征，确定训练附加特征，所述训练历史直播特征为所述训练直播节目在第二时刻对应的直播特征，所述第二时刻在所述第一时刻之前；
将所述训练直播特征和所述训练附加特征作为所述检测模型的输入，将所述第一时刻对应的行为标签作为所述检测模型的输出，以训练所述检测模型；所述第一时刻对应的所述行为标签用于指示所述第一时刻之前的指定时长内所述训练直播节目是否存在所述指定行为。
8.一种直播内容的检测装置，其特征在于，所述装置包括：
获取模块，用于获取当前时刻之前的指定时长内，直播节目的直播内容和节目属性，所述直播内容包括：所述直播节目产生的直播图像、直播声音、直播文字中的至少一种；
提取模块，用于根据所述直播内容和所述节目属性，提取所述直播节目在所述当前时刻的目标直播特征；
确定模块，用于根据所述目标直播特征和历史直播特征，确定附加直播特征，所述历史直播特征为所述直播节目在所述当前时刻之前的历史时刻的直播特征；
检测模块，用于将所述目标直播特征与所述附加直播特征输入预先训练的检测模型，以获取所述检测模型输出的检测结果，所述检测结果用于指示所述当前时刻之前的指定时长内所述直播节目是否存在指定行为。
9.一种计算机可读介质，其上存储有计算机程序，其特征在于，该程序被处理装置执行时实现权利要求1-7中任一项所述方法的步骤。
10.一种电子设备，其特征在于，包括：
存储装置，其上存储有计算机程序；
处理装置，用于执行所述存储装置中的所述计算机程序，以实现权利要求1-7中任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011455156.0A CN112507884A (zh) | 2020-12-10 | 2020-12-10 | 直播内容的检测方法、装置、可读介质和电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011455156.0A CN112507884A (zh) | 2020-12-10 | 2020-12-10 | 直播内容的检测方法、装置、可读介质和电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112507884A true CN112507884A (zh) | 2021-03-16 |
Family
ID=74973417
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011455156.0A Pending CN112507884A (zh) | 2020-12-10 | 2020-12-10 | 直播内容的检测方法、装置、可读介质和电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112507884A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117939207A (zh) * | 2024-03-15 | 2024-04-26 | 四川省广播电视科学技术研究所 | 一种广播电视内容监管方法及系统 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107896335A (zh) * | 2017-12-06 | 2018-04-10 | 任明和 | 基于大数据技术的视频检测和评级方法 |
| CN108419091A (zh) * | 2018-03-02 | 2018-08-17 | 北京未来媒体科技股份有限公司 | 一种基于机器学习的视频内容审核方法及装置 |
| CN109495783A (zh) * | 2018-11-02 | 2019-03-19 | 平安科技（深圳）有限公司 | 视频审核方法、装置、电子设备及介质 |
| CN110246160A (zh) * | 2019-06-20 | 2019-09-17 | 腾讯科技（深圳）有限公司 | 视频目标的检测方法、装置、设备及介质 |
| CN111314721A (zh) * | 2020-02-11 | 2020-06-19 | 北京达佳互联信息技术有限公司 | 一种异常直播的确定方法、装置、设备及介质 |
| CN111460346A (zh) * | 2020-03-30 | 2020-07-28 | 网易（杭州）网络有限公司 | 内容审核方法、装置、电子设备及存储介质 |
| CN111770353A (zh) * | 2020-06-24 | 2020-10-13 | 北京字节跳动网络技术有限公司 | 一种直播监控方法、装置、电子设备及存储介质 |
| CN111836063A (zh) * | 2020-07-02 | 2020-10-27 | 北京字节跳动网络技术有限公司 | 一种直播内容监测方法及装置 |
| CN111836064A (zh) * | 2020-07-02 | 2020-10-27 | 北京字节跳动网络技术有限公司 | 一种直播内容监测方法及装置 |
-
2020
- 2020-12-10 CN CN202011455156.0A patent/CN112507884A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107896335A (zh) * | 2017-12-06 | 2018-04-10 | 任明和 | 基于大数据技术的视频检测和评级方法 |
| CN108419091A (zh) * | 2018-03-02 | 2018-08-17 | 北京未来媒体科技股份有限公司 | 一种基于机器学习的视频内容审核方法及装置 |
| CN109495783A (zh) * | 2018-11-02 | 2019-03-19 | 平安科技（深圳）有限公司 | 视频审核方法、装置、电子设备及介质 |
| CN110246160A (zh) * | 2019-06-20 | 2019-09-17 | 腾讯科技（深圳）有限公司 | 视频目标的检测方法、装置、设备及介质 |
| CN111314721A (zh) * | 2020-02-11 | 2020-06-19 | 北京达佳互联信息技术有限公司 | 一种异常直播的确定方法、装置、设备及介质 |
| CN111460346A (zh) * | 2020-03-30 | 2020-07-28 | 网易（杭州）网络有限公司 | 内容审核方法、装置、电子设备及存储介质 |
| CN111770353A (zh) * | 2020-06-24 | 2020-10-13 | 北京字节跳动网络技术有限公司 | 一种直播监控方法、装置、电子设备及存储介质 |
| CN111836063A (zh) * | 2020-07-02 | 2020-10-27 | 北京字节跳动网络技术有限公司 | 一种直播内容监测方法及装置 |
| CN111836064A (zh) * | 2020-07-02 | 2020-10-27 | 北京字节跳动网络技术有限公司 | 一种直播内容监测方法及装置 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117939207A (zh) * | 2024-03-15 | 2024-04-26 | 四川省广播电视科学技术研究所 | 一种广播电视内容监管方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108989882B (zh) | 用于输出视频中的音乐片段的方法和装置 | |
| CN110942031B (zh) | 一种游戏画面异常的检测方法、装置、电子设备及存储介质 | |
| CN110674414A (zh) | 目标信息识别方法、装置、设备及存储介质 | |
| CN110347875B (zh) | 一种视频场景分类方法、装置、移动终端及存储介质 | |
| US11750898B2 (en) | Method for generating target video, apparatus, server, and medium | |
| CN113486989B (zh) | 基于知识图谱的对象识别方法、装置、可读介质和设备 | |
| CN111859237A (zh) | 网络内容审核方法、装置、电子设备、及存储介质 | |
| CN112995712A (zh) | 卡顿因素的确定方法、装置、设备及存储介质 | |
| CN113395538B (zh) | 音效渲染方法、装置、计算机可读介质和电子设备 | |
| CN110516422B (zh) | 用户身份的识别方法、装置、电子设备及存储介质 | |
| CN110008926B (zh) | 用于识别年龄的方法和装置 | |
| CN109902726B (zh) | 简历信息处理方法及装置 | |
| CN113033707B (zh) | 视频分类方法、装置、可读介质及电子设备 | |
| CN114445754A (zh) | 视频处理方法、装置、可读介质及电子设备 | |
| CN112507884A (zh) | 直播内容的检测方法、装置、可读介质和电子设备 | |
| CN110414625B (zh) | 确定相似数据的方法、装置、电子设备及存储介质 | |
| CN110334763B (zh) | 模型数据文件生成、图像识别方法、装置、设备及介质 | |
| CN111680754B (zh) | 图像分类方法、装置、电子设备及计算机可读存储介质 | |
| CN115086700A (zh) | 推送处理方法、装置、设备及介质 | |
| CN115730104A (zh) | 直播间处理方法、装置、设备及介质 | |
| CN113420723A (zh) | 获取视频热点的方法、装置、可读介质和电子设备 | |
| CN113033680A (zh) | 视频分类方法、装置、可读介质及电子设备 | |
| CN113222050A (zh) | 图像分类方法、装置、可读介质及电子设备 | |
| CN110991312A (zh) | 生成检测信息的方法、装置、电子设备和介质 | |
| CN111949527A (zh) | 游戏视频的测试方法、装置、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 |