CN112672188A - 一种主播推荐方法、设备及存储介质 - Google Patents

Abstract

本申请实施例提供一种主播推荐方法、设备及存储介质，其中，所述方法包括：提供主播筛选界面，并获取主播筛选条件，所述主播筛选条件中包括目标商品类目；基于至少一个主播的属性标签，分析所述至少一个主播各自对所述目标商品类目的推广指数；按照所述至少一个主播各自对所述目标商品类目的推广指数，在所述主播筛选界面中进行主播推荐。据此，本实施例中，可根据用户的个性化需求，实现个性化的主播推荐，从而可有效提高主播推荐的效率和/或准确度。

Description

一种主播推荐方法、设备及存储介质

技术领域

本申请涉及计算机技术领域，尤其涉及一种主播推荐方法、设备及存储介质。

背景技术

随时互联网络技术的发展，直播的概念有了新的拓展和发展，现在更多的人关注网络直播，特别是网络视频直播更受关注。其中，主播作为网络视频直播中连接用户和消费者的媒介，承接了消费者互动以及商业变现的主要功能。

目前，当用户期望通过网络视频直播的方式推广商品时，大多会通过查看主播详情界面中的粉丝数、合作任务数或者服务评分等信息，来选定合作的主播。

但这种方式的主播筛选效率非常低，而且，选出的主播可能对用户期望推广的商品并不熟悉，推广经验也不足。

发明内容

本申请的多个方面提供一种主播推荐方法、设备及存储介质，用以提高主播推荐的效率和/或准确度。

本申请实施例提供一种主播推荐方法，包括：

提供主播筛选界面，并获取主播筛选条件，所述主播筛选条件中包括目标商品类目；

基于至少一个主播的属性标签，分析所述至少一个主播各自对所述目标商品类目的推广指数；

按照所述至少一个主播各自对所述目标商品类目的推广指数，在所述主播筛选界面中进行主播推荐。

本申请实施例还提供一种主播推荐方法，包括：

获取至少一个主播的调性标签，所述调性标签用于描述主播的推广经验；

将所述至少一个主播的调性标签配置在主播摘要信息中；

展示所述至少一个主播的主播摘要信息，以引导用户选择主播。

本申请实施例还提供一种计算设备，包括存储器、处理器和通信组件；

所述存储器用于存储一条或多条计算机指令；

所述处理器与所述存储器和所述通信组件耦合，用于执行所述一条或多条计算机指令，以用于：

提供主播筛选界面，并通过所述通信组件获取主播筛选条件，所述主播筛选条件中包括目标商品类目；

基于至少一个主播的属性标签，分析所述至少一个主播各自对所述目标商品类目的推广指数；

按照所述至少一个主播各自对所述目标商品类目的推广指数，在所述主播筛选界面中进行主播推荐。。

本申请实施例还提供一种计算设备，包括存储器、处理器和通信组件；

所述存储器用于存储一条或多条计算机指令；

所述处理器与所述存储器和所述通信组件耦合，用于执行所述一条或多条计算机指令，以用于：

通过所述通信组件获取至少一个主播的调性标签，所述调性标签用于描述主播的推广经验；

将所述至少一个主播的调性标签配置在主播摘要信息中；

展示所述至少一个主播的主播摘要信息，以引导用户选择主播。

本申请实施例还提供一种存储计算机指令的计算机可读存储介质，当所述计算机指令被一个或多个处理器执行时，致使所述一个或多个处理器执行前述的主播推荐方法。

在本申请实施例中，可根据主播筛选条件，确定符合主播筛选条件的至少一个主播，并可基于至少一个主播的属性标签，分析至少一个主播对用户在筛选条件中给定的目标商品类目的推广指数。据此，本实施例中，可根据用户的个性化需求，实现个性化的主播推荐，从而可有效提高主播推荐的效率和/或准确度。

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为本申请一实施例提供的一种主播推荐方法的流程示意图；

图2为本申请另一实施例提供的一种主播推荐方法的流程示意图；

图3为本申请的一种业务场景示意图；

图4为本申请又一实施例提供的一种计算设备的结构示意图；

图5为本申请又一实施例提供的另一种计算设备的结构示意图。

具体实施方式

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。

目前，通常需要用户对主播进行人工筛选，以确定心仪的主播，但这种方式的主播筛选效率非常低，而且，选出的主播可能对用户期望推广的商品并不熟悉，推广经验也不足。为解决现有技术存在的问题，本申请的一些实施例中：可根据用户提供的筛选条件，确定符合筛选条件的至少一个主播，并可基于至少一个主播的属性标签，分析至少一个主播对用户在筛选条件中给定的目标商品类目的推广指数。据此，本实施例中，可根据用户的个性化需求，实现个性化的主播推荐，从而可有效提高主播推荐的效率和/或准确度。

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为本申请一实施例提供的一种主播推荐方法的流程示意图。本实施例提供的主播推荐方法可由主播推荐装置来执行，该主播推荐装置可以实现为软件，或者软件和硬件的组合，该主播推荐装置可集成设置为服务器中。如图1所示，该方法包括如下步骤：

100、提供主播筛选界面，并获取主播筛选条件，主播筛选条件中包括目标商品类目；

101、基于至少一个主播的属性标签，分析至少一个主播各自对目标商品类目的推广指数；

102、按照至少一个主播各自对目标商品类目的推广指数，在主播筛选界面中进行主播推荐。

本实施例提供的主播推荐方法可应用于各种视频推广场景中，视频推广场景是指通过视频推广商品的场景，例如，网络直播场景、小视频场景等等，本实施例对应用场景不做限定。

当用户期望通过视频方式推广自己的商品时，可将期望推广的商品所属的商品类目配置在主播筛选条件中，用户可以是个人用户、企业用户等，本实施例对此不作限定。其中，用户可通过其使用的终端设备展示主播筛选界面并输入主播筛选条件，基于此，步骤100中，可从该终端设备中获取用户输入的主播筛选条件。本实施例中，商品类目的形式可按实际需求进行设定。实际应用中，商品类目可以是单级类目，例如，连衣裙、T恤等；商品类目也可以是多级类目，例如，服装-女装-连衣裙。

按照用户给定的目标商品类目，可基于至少一个主播的属性标签，分析至少一个主播各自对目标商品类目的推广指数，推广指数用于表征主播对目标商品类目的推广能力，实际应用中，推广指数可以是推广能力得分、销量等等，本实施例对此不作限定。

本实施例中，针对单个主播，可根据该主播各个属性标签对不同商品类目的影响程度，分析该主播对不同商品类目的推广指数。因此，本实施例中，可基于至少一个主播的属性标签，分析出至少一个主播对目标商品类目的推广指数。

其中，属性标签可以包括调性标签和非调性标签。调性标签用于描述主播的推广经验，调性标签可以包括商品类目类标签、商品特征类标签或主播风格类标签中的一种或多种。实际应用中，调性标签可以是【主播风格-幽默】、【主播风格-专业】、【商品类目-连衣裙】、【商品类目-T恤】、【商品特征-2～4岁】、【商品特征-女童】、【商品特征-男青年】等等。基于主播的调性标签，可从商品类目、商品特征及主播风格等调性维度描述主播的推广经验。当然，上述调性标签包含的调性维度仅是示例性的，本实施例并不仅限于这些调性维度，调性标签还可包含能够反映主播推广经验的其它调性维度。

非调性标签是指其它用于描述主播特点的属性标签。非调性标签可以包括粉丝量级、粉丝人群特征、垂直领域、专场、拼场、商品价格区间、是否优惠或是否大促日中的一种或多种标签。当然，这些也仅是示例性的，本实施例并不限于此。

另外，本实施例对调性标签和非调性标签之间的边界也并不做硬性限定，例如，上述的商品价格区间可以归属于调性便签等等。调性标签和非调性标签各自包含的维度均可根据实际需求进行设定。

在确定出至少一个主播对目标商品类目的推广指数的基础上，可按照至少一个主播对目标商品类目的推广指数，向用户推荐主播。在实际应用中，可按照推广指数对至少一个主播进行排序，按照推广指数的高低顺序向用户推荐主播。其中，对目标商品类目的推广指数反映了与用户的主播筛选条件的匹配程度，这使得本实施例中可按照主播与用户需求的匹配程度进行主播推荐。

本实施例中，可根据用户提供的主播筛选条件，确定符合主播筛选条件的至少一个主播，并可基于至少一个主播的属性标签，分析至少一个主播对用户在主播筛选条件中给定的目标商品类目的推广指数。据此，主播推荐的结果将对着不同的用户需求而发生变化，从而实现针对用户需求的个性化推荐，这使得推荐结果与用户需求的匹配程度更高，用户可更快速的选到心仪的主播，主播推荐的效率和成功率得以大幅提升。

在上述或下述实施例中，可预先配置主播的属性标签，尤其是主播的调性标签。其中，属性标签的配置操作可针对主播库中的至少一个主播，以确定主播库中至少一个主播的属性标签。以下，将重点阐述调性标签的配置过程。

本实施例中，可预先训练调性标签模型，以实现调性标签的配置。

在训练过程中，可采集样本主播的评论语料作为训练样本，标注训练样本对应的调性标签；根据训练样本以及训练样本对应的调性标签，训练调性标签模型。

其中，样本主播可以是前述主播库中的主播，当然，本实施例对此不做限定。另外，本实施例中，对样本主播的数量也不做限定，当然，足够多的数量可保证调性标签模型的精度。实际应用中，可采集样本主播在一个历史时段内的评论语料作为训练样本，其中，历史时段的长度可以是一个月或者其它长度。评论语料可包括观众评论语料及用户评论语料等。

在获取到训练样本的基础上，可对训练样本进行数据处理。数据处理可包括数据清洗、语料转换及语料标注等，当然，本实施例对此不做限定。

其中，数据清洗过程中，可将训练样本中的无意义评论删除。无意义评论是指与商品、主播或优惠等任一视频内容不相关的评论，例如，广告、打招呼等。还可对训练样本进行去重处理，例如，将同一观众连续发送的重复评论进行去重。另外，还可对训练语料进行中文分词、词频统计、停用词或低频词库过滤等等处理，在此不再一一详述。

语料转换过程中，可识别训练样本中包含的商品编码，基于商品编码与商品描述语料的对应关系，将训练样本中的商品编码转换为商品描述语料。例如，可将原始语料“23号有优惠吗”转换为“女童汉服2019夏季有优惠吗”。从而可获得更加准确的训练语料。

在语料标注过程中，可为训练样本中的语料字段标注调性标签。例如，可将语料字段“笑死我啦”标注为【主播风格-幽默】，将语料字段“女童汉服2019夏季3岁多大码”标注为【商品类目-汉服】、【商品特征-女童】及【商品特征-3岁】等。其中，语料标注过程可采用人工标注的方式，当然，本实施例对此不做限定。

在此基础上，可根据训练样本以及训练样本对应的调性标签，训练得到调性标签模型。其中，调性标签模型用于承载语料字段与调性标签之间的映射关系。

基于训练好的调性标签模型，可确定出主播库中至少一个主播的调性标签。

在实际应用中，可获取至少一个主播的历史评论语料；将历史评论语料输入调性标签模型；利用调性标签模型，对至少一个主播的历史评论语料进行文本挖掘，以获得至少一个主播各自的调性标签。

其中，至少一个主播的历史评论语料可以是至少一个主播在一个历史时段内的评论语料作为训练样本，历史时段的长度可以是一个月或者其它长度。历史评论语料可包括观众评论语料及用户评论语料等。

其中，将至少一个主播的历史评论语料输入调性标签模型的过程中，可对至少一个主播的历史评论语料进行数据处理。数据处理的过程包括但不限于数据清洗及语料转换。

语料转换过程中，识别历史评论语料中包含的商品编码；基于商品编码与商品描述语料的对应关系，将识别到的商品编码转换为商品描述语料，以获得转换后的历史评论语料。数据清洗的过程可参考前文中的相关描述，在此不再赘述。

据此，可将语料转换及数据清洗后的历史评论语料输入调性标签模型。

在调性标签模型中，可基于语料字段与调性标签之间的映射关系，对至少一个主播的历史评论语料进行文本挖掘，从而可产生至少一个主播的调性标签。

针对单个主播来说，通过调性标签模型而产生的调性标签可能数量比较多，可选地，本实施例中，还可利用调性标签模型对主播的调性标签进行打分。打分的机制可以是根据历史评论语料中包含的与某一调性标签具有映射关系的语料字段的数量进行打分，当然，还可以采用其它打分机制，本实施例对此不做限定。

基于该主播的各调性标签对应的得分，可按得分对调性标签进行排序及筛选。其中，筛选的方式可以是设定得分阈值，将得分超过得分阈值的调性标签确定为该主播的调性标签；也可以是在调性标签的每个调性维度下选取得分最高的三种标签，例如，在商品特征维度下，选择得分最高的连衣裙、T恤和裤子三种商品特征类标签；也可根据历史评论语料产生的时间对得分进行线性补偿等处理后，重新或去调性标签的排序，并选取得分满足预设条件的调性标签作为该主播的调性标签，其中，历史评论语料产生的时间越新，可对得分的补偿力度越大。

至此，可确定出主播库中至少一个主播的调性标签。

另外，本实施例中，对非调性标签的产生方式不做限定，非调性标签的产生方式也可采用文本挖掘的方式，当然，还可采用其它方式。

本实施例中，通过对主播库中至少一个主播的历史评论语料的挖掘，可从主播的历史推广行为中抽象出主播的调性标签，以呈现主播的推广经验。主播的调性标签可作为主播推荐的数据基础，还可作为显性的属性信息展示给用户，以使用户更加全面地了解主播。

在上述或下述实施例中，可确定出对目标商品类目具有推广经验的至少一个主播，并基于该至少一个主播的属性标签，分析至少一个主各自对目标商品类目的推广指数。

其中，对目标商品类目具有推广经验是指对目标商品类目存在历史推广行为。实际应用中，可以是指属性标签中包含的目标商品类目标签。

本实施例中，可采用多种实现方式确定对目标商品类目具有推广经验的至少一个主播。

在一种实现方式中，可获取主播库中多个主播的调性标签；从主播库中选择对目标商品类目具有推广经验的至少一个主播。

在该实现方式中，正如前文提及的，至少一个主播的调性标签可反映主播推广经验。商品类目类标签、商品特征类标签及主播风格类标签均可非常精准地反映出主播的历史推广行为。据此，在该实现方式中，可从至少一个主播中，选择具有与目标商品类目对应的商品类目类标签的主播作为主播。例如，若目标商品类目为连衣裙，则可从至少一个主播中选择具有【商品类目-连衣裙】这一调性标签的主播作为主播。当然，这仅是示例性地，还可基于其它方式选择主播，例如，可从至少一个主播中选择具有符合目标商品类目的商品特征的商品特征类标签的主播作为主播，本实施例对此不做限定。

本实施例中，可基于主播库中多个主播的调性标签，从主播库中选择出对目标商品类目具有推广经验的主播，从而，可更加高效、更加准确地确定出主播。当然，本实施例中，也可采用其它实现方式确定对目标商品类目具有推广经验的至少一个主播，本实施例对此不做限定。

在上述或下述实施例中，可基于至少一个主播的调性标签，分析至少一个主播对目标商品类目的推广指数。

在一些实际应用中，可将主播筛选条件和至少一个主播的调性标签输入推广指数预测模型；在推广指数预测模型中，基于目标商品类目下的推广指数与调性标签之间的映射关系和至少一个主播的调性标签，确定至少一个主播各自对目标商品类目的推广指数。

正如前文提及的，主播筛选条件中包含目标商品类目，将主播筛选条件输入推广指数预测模型后，可圈定出目标商品类目下的推广指数与调性标签之间的映射关系。值得说明的是，本实施例中，在不同商品类目下，推广指数与调性标签之间的映射关系可能不完全相同。基于此，可基于目标商品类目下的推广指数与调性标签之间的映射关系和至少一个主播的调性标签，确定至少一个主播各自对目标商品类目的推广指数。

其中，推广指数预测模型可采用线性回归模型，例如LR模型、随机森林模型或者XGBoost模型，本实施例对此不做限定。另外，在实践中，可分别利用前述的几种线性回归模型进行推广指数预测，并根据模型的可解释性、耗时及预测准确度等指标进行综合比对，以确定最终采用哪种线性回归模型，本实施例对此不做限定。另外，本实施例中，除线性回归模型外，推广指数预测模型还可采用类型的模型，在此不做限定。

在推广指数预测模型采用线性回归模型的情况下，可在目标商品类目下，以至少一个主播的调性标签作为自变量，以至少一个主播各自的反映推广指数的得分为因变量，根据至少一个主播的调性标签各自在目标商品类目下的权重系数，对至少一个主播的调性标签进行加权求和，以获得至少一个主播各自的反映推广指数的得分。

在线性回归模型中，目标商品类目下的推广指数与调性标签之间的映射关系可表示为方程一：

其中，Y表示反映推广指数的得分，X表示自变量，i为自变量的个数，w为权重系数，σ为常数项。

据此，可将至少一个主播的调性标签各自在目标商品类目下的权重系数和至少一个主播的调性标签代入方程一中，以获得至少一个主播各自的反映推广指数的得分，从而确定出至少一个主播对目标商品类目的推广指数。

进一步，本实施例中，还可将非调性标签作为自变量，参与上述至少一个主播对目标商品类目的推广指数的确定过程中。

这种情况下，可将主播筛选条件以及至少一个主播各自的调性标签和非调性标签输入推广指数预测模型；在推广指数预测模型中，基于调性标签和非调性标签与推广指数在目标商品类目下的映射关系和至少一个主播的调性标签和非调性标签，确定至少一个主播各自对目标商品类目的推广指数。

若推广指数预测模型采用线性回归模型，则在线性回归模型中，可根据方程一，在目标商品类目下，以至少一个主播的调性标签作为自变量，以至少一个主播各自的反映推广指数的得分为因变量，根据至少一个主播的调性标签和非调性标签各自在目标商品类目下的权重系数，对至少一个主播的调性标签和非调性标签进行加权求和，以获得至少一个主播各自的反映推广指数的得分。从而确定至少一个主播对目标商品类目的推广指数。

本实施例中，用户输入的主播筛选条件除了可包含前述的目标商品类目外，还可包含主播偏好参数。其中，主播偏好参数可以是主播风格偏好、商品特征偏好、商品价格区间偏好、是否优惠偏好、目标人群特征偏好等等，本实施例对此不做限定。主播偏好参数通常是反映用户对属性标签的偏好。

据此，当主播筛选条件输入推广指数预测模型后，可在推广指数预测模型中，基于主播偏好参数，从至少一个主播的调性标签和非调性标签中，选择符合主播偏好参数的目标调性标签和目标非调性标签。

例如，当主播偏好参数为商品价格100-400时，可在非调性标签中商品价格维度下，将商品价格位于100-400之外的非调性标签排除，而将其它的非调性标签确定为目标调性标签，将所有的调性标签均确定为目标调性标签。

再例如，当主播偏好参数为商品价格100-400，主播风格-专业时，可在非调性标签中商品价格维度下，将商品价格位于100-400之外的非调性标签排除，而将其它非调性标签确定为目标非调性标签；在调性标签中主播风格维度下，将主播风格-专业之外的主播风格类标签排除，而将其它调性标签确定为目标调性标签。

当然，以上仅是示例性的，本实施例中，根据主播偏好参数选择目标调性标签和目标非调性标签的方式并不限于此。另外，上述根据主播偏好参数选择目标调性标签和目标非调性标签的处理过程可应用于每个主播。

在此基础上，可在推广指数预测模型中，基于调性标签和非调性标签与推广指数在目标商品类目下的映射关系和至少一个主播的目标调性标签和目标非调性标签，确定至少一个主播各自对目标商品类目的推广指数。

若推广指数预测模型采用上述的线性回归模型，则可根据方程一，将目标调性标签和目标非调性标签对应的自变量X之外的自变量赋值为0，从而将满足主播筛选条件中的主播偏好参数的各属性标签进行属性固定，这使得确定出的推广指数更契合用户输入的主播筛选条件，进而使得主播推荐结果更符合用户的推广需求。

本实施例中，可预先训练推广指数预测模型，以利用推广指数预测模型分析至少一个主播对目标商品类目的推广指数。以下将阐述推广指数预测模型的训练过程。

正如上文提及的，不同商品类目下，调性标签和推广指数之间的映射关系可能不完全相同。本实施例中，可针对不同的商品类目，分别训练调性标签和推广指数之间的映射关系。

在每个商品类目下，获取商品类目下的样本主播的历史成交数据、调性标签及非调性标签；以样本主播的调性标签及非调性标签作为自变量，以样本主播的历史成交数据作为因变量，在商品类目下分析调性标签和非调性标签与成交数据之间的映射关系；根据在商品类目下调性标签和非调性标签与成交数据之间的映射关系，确定调性标签和非调性标签与推广指数在商品类目下的映射关系；根据每个商品类目下的调性标签和非调性标签与推广指数之间的映射关系，确定推广指数预测模型。

其中，样本主播的调性标签可基于前述实施例中的调性标签模型而产生，也即前述的调性标签模型可连接本实施例中的推广指数预测模型，并将调性标签模型的输出结果输入推广指数预测模型。

以推广指数预测模型采用线性回归模型为例，i可取值为调性标签和非调性标签的总数，这样，在每个商品类目下，方程一种的每个调性标签和每个非调性标签都将对应一个权重系数。本实施例中，通过将大量样本主播的历史成交数据、调性标签及非调性标签代入线性回归模型中，可确定出每个调性标签及每个非调性标签对应的权重系数。这些权重系数即反映了在每个商品类目下，调性标签和非调性标签与推广指数之间的映射关系。当然，在不同商品类目下，同一调性标签对应的权重系数可能会不同。

值得说明的是，上述的具体训练过程中，是将所有的调性标签和非调性标签均参与到训练过程中，在某一样本主播不具有某一调性标签的情况下，该调性标签对应的Xi将被幅值为0。

但在实际应用中，并不限定将所有的调性标签和非调性标签均参与到训练过程中，也可在不同的商品类目下，选择不同的调性标签和非调性标签参与到训练过程中，以减少方程一中自变量X的数量，本实施例对此不做限定。

例如，在每个商品类目下，可预先使用单变量模型判断每个调性标签和每个非调性标签独立作用时是否对推广指数产生目标程度的影响，如何判断结果为否，则不再将相应的调性标签或非调性标签参与到训练过程中，从而确定出参与每个商品类目下映射关系训练过程的调性标签和非调性标签。当然，这仅是示例性的，本实施例对此不做限定。

本实施例中，可利用一部分样本主播的历史成交数据、调性标签及非调性标签训练推广指数预测模型，在完成模型训练后，本实施例中，还可利用另一部分样本主播的历史成交数据、调性标签及非调性标签对推广指数预测模型进行模型验证，基于真实的历史成交数据和模型预测的Y值，来判断模型效果。若误差不符合预设要求，则可加入更多的样本主播，以修正模型，直至训练出的推广指数预测模型符合预设要求。

在上述或下述实施例中，用户输入的主播筛选条件中包含的目标商品类目可能在视频推广领域覆盖比较少，或者没有明显的主播偏好，也即是，这类特定商品类目受主播的属性标签的影响比较小，通常小于预设标准。针对这类特定商品类目，本实施例中可为这类特定商品类目配置集成商品类目，集成商品类目可以是由多个特定商品类目集合而成的。集成商品类目的数量可以是一个或多个，隶属于同一集成商品类目的多个特定商品类目之间可具有共同特征，当然，本实施例对此不做限定。

其中，正如上文提及的，商品类目可以是单级类目也可以多级类目，当商品类目采用单级类目时，集成商品类目可以是新建的一种单级类目，当然，也可把特定商品类目归类到现有的某个单级类目下，这种情况下，被归类的该单级类目即为集成商品类目。当商品类目采用多级类目时，集成商品类目可以是特定商品类目的上一级类目，当然，也可以新建一与特定商品类目同级的类目作为集成商品类目，本实施例对此均不作限定。

据此，若主播筛选条件中包含的目标商品类目为特定商品类目，则可确定目标商品类目所属的集成商品类目，并在推广指数预测模型中，基于集成商品类目下的推广指数与调性标签之间的映射关系和至少一个主播的调性标签，确定至少一个主播各自对目标商品类目的推广指数。

另外，在此基础上，还可将主播筛选条件中的主播偏好参数和至少一个主播的非调性标签输入推广指数预测模型。推广指数预测模型中的处理过程可参考前文，在此不再赘述。

本实施例中，在进行推广指数预测模型的训练过程中，可利用集成商品类目下的样本主播的相关数据，训练出集成商品类目下的调性标签和非调性标签与推广指数之间的映射关系。具体到线性回归模型中，可为集成商品类目训练一组权重系数，以表征调性标签和非调性标签与推广指数之间的映射关系。

本实施例中，对于在视频推广领域覆盖较少或者没有明显的主播偏好的特定商品类目，可配置集成商品类目，从而可在特定商品类目所属的集成商品类目下，分析至少一个主播对特定商品类目的推广指数，进而向用户推荐主播。这可有效提高主播推荐的准确度和成功率。

在上述或下述实施例中，若主播筛选条件中包含多个目标商品类目，则在确定至少一个主播的过程中，可基于至少一个主播的调性标签，确定第一类主播和第二类主播，第一类主播对至少两个目标商品类目具有推广经验，第二类主播对多个目标商品类目中的一个目标商品类目具有推广经验。

也即是，将对多个目标商品类目具有推广经验的至少一个主播分为两类，第一类主播对多个目标商品类目中的至少两个目标商品类目具有推广经验，而第二类主播仅对多个目标商品类目中的其中一个目标商品类目具有推广经验。

在此基础上，可分别分析第一类主播和第二类主播对其推广过的目标商品类目的推广指数。

其中，针对第一类主播，可基于第一类主播的调性标签，分别分析第一类主播对其推广过的目标商品类目的单类目推广指数；将第一类主播对应的单类目推广指数进行融合，以确定第一类主播的综合推广指数。

例如，若某一第一类主播推广过主播筛选条件中包含的连衣裙、T恤，则可分别分析该第一类主播对连衣裙的单类目推广指数和对T恤的单类目推广指数，并将这两种单类目推广指数融合，具体融合方式可以为相加，从而得到该第一类主播的综合推广指数。

其中，针对第二类主播，可基于第二类主播的调性标签，分析第二类主播对其推广过的一个目标商品类目的推广指数，作为第二类主播的最终推广指数。

例如，若某一第二类主播推广过主播筛选条件中包含的连衣裙，则可分析该第二类主播对连衣裙的推广指数，作为该第二类主播最终的推广指数。

另外，本实施例中，分析推广指数的过程可参考前述实施例中的相关描述，在此不再赘述非调性标签及主播偏好参数等参与分析推广指数的处理过程。

本实施例中，在主播筛选条件中包好多个目标商品类目的情况下，采用不同的方式确定第一类主播和第二类主播的推广指数，这可更加准确地确定不同主播对推广过的目标商品类目的推广指数，从而更加准确地向用户推荐主播。

在上述或下述实施例中，在向用户推荐主播时，可采用主播列表的形式，当然，针对推荐结果，本实施例并不限于主播列表这一种形式，还可采用其它推荐形式。

主播列表中的主播可按照推广指数的高低进行排序，从而，用户可优先看到推广指数高的主播，进而更快速、更准确地选出符合其主播筛选条件且心仪的主播。

在用户输入的主播筛选条件中包含一种目标商品类目的情况下，可直接按照各主播对该目标商品类目的推广指数进行排序，以获得主播列表。

在用户输入的主播筛选条件中包含多种目标商品类目的情况下，则可按照第一类主播的综合推广指数和第二类主播的最终推广指数，进行排序，以获得主播列表。在这种情况下，第一类主播的位置通常要前于第二类主播的位置，当然，本实施例对此不做限定。

另外，主播列表中可包含至少一个主播中的部分或全部。当主播列表中可包含至少一个主播中的部分时，可预先从至少一个主播中选择出部分主播，本实施例中对选择的方式不做限定，可以是选择推广指数最高的N个，也可以是随机选择N个，其中，N为正整数。

在上述或下述实施例中，还可从至少一个主播中查找与用户有过历史合作的特权主播。

在实际应用中，可透传用户的ID，获取用户曾经合作过的主播的信息；判断至少一个主播中是否包含用户曾经合作过的主播，如果包含，则将这类主播定义为特权主播。当然，特权主播的确定过程中，还可增加其它附加条件，例如，用户需给出过好评等等，当然，本实施例对此不做限定。

对于特权主播，可给予推荐能力补偿，也即对基于特权主播的调性标签等确定出的推荐能力进行加成，以提高其推荐能力。

这样，可基于特权主播的补偿后推广指数，对主播列表中的主播进行重新排序，这使得特权主播的推广指数的排名将在主播列表中更加靠前，从而可提高用户选中特权主播的概率。

进一步，本实施例中，可将推荐结果提供给用户的终端设备，以供终端设备展示推荐结果。结合上文，推荐结果中可按照推荐能力的高低展示主播。

另外，还可将推荐结果中的主播的属性标签同步提供给终端设备，以供终端设备在推荐结果中同步展示主播的调性标签。用户可直观地看到调性标签，以进行自主选择。

在上述或下述实施例中，还可根据至少一个主播各自对目标商品类目的推广指数，确定目标商品类目偏好的主播的调性标签；将目标商品类目偏好的主播的调性标签进行广播，以提示其它主播学习调性标签描述的推广能力。

在实际应用中，对于主播来说，可能需要有目的性地学习各种推广经验，本实施例中，可将目标商品类目偏好的主播的调性标签进行广播，以提示主播们可学习这些调性标签对应地推广能力，以提高日后被选中作为目标商品类目推广主播的可能性。其中，被推广的主播可以是真人主播或虚拟主播，本实施例对此不作限定。

图2为本申请另一实施例提供的一种主播推荐方法的流程示意图，本实施例提供的主播推荐方法可由用户的终端设备来执行，如图2所示，该方法包括：

200、获取至少一个主播的调性标签，调性标签用于描述主播的推广能力；

201、将至少一个主播的调性标签配置在主播摘要信息中；

202、展示至少一个主播的主播摘要信息，以引导用户选择主播。

本实施例中，用户可以是个人用户或企业用户，本实施例对此不作限定。用户的终端设备可与前述实施例中的服务器通信，并从服务器中获取至少一个主播的反映主播推广经验的调性标签。当然，本实施例中，至少一个主播的调性标签的来源并不限于此。另外，本实施例中，还可获取至少一个主播的非调性标签，在此不做限定。其中，调性标签包括但不限于商品类目类标签、商品特征类标签及主播风格类标签。调性标签的产生过程可参考前述实施例中的相关描述，在此不再赘述。

在此基础上，本实施例中，可将至少一个主播的调性标签配置在主播摘要信息中，其中，主播摘要信息是指从主播的详情信息提取出的摘要信息。主播摘要信息可简洁地反映出主播的推广经验和其它特征。

在实际应用中，可以主播列表的形式展示至少一个主播的主播摘要信息，当然，本实施例并不限于此，还可以滑动页面的方式，分页面展示至少一个主播的主播摘要信息等。

本实施例中，用户可直观地看到至少一个主播的主播摘要信息，并在主播摘要信息中观察到主播的调性标签，基于调性标签反映的主播的推广经验，用户可更加快速、精准地发现心仪的主播，从而可有效提高主播推荐的效率、准确度和成功率。

在上述或下述实施例中，还可向用户提供主播筛选界面，用户可在主播筛选界面中输入主播筛选条件。其中，主播筛选条件中可包含商品类目。

本实施例中，可响应于用户在主播筛选界面中输入商品类目的操作，将商品类目提供给服务器，以供服务器获取对商品类目具有推广指数的至少一个主播及其调性标签。

其中，输入商品类目的操作可以是文字输入操作、图像识别操作或视频识别操作。例如，用户可手动输入商品类目对应的文字，也可提供商品的图片或视频，通过图像识别技术，分析出商品类目，当然，这些仅是示例性的，本实施例对此不作限定。

关于服务器获取对商品类目具有推广指数的至少一个主播及其调性标签的处理过程可参考前述实施例中的相关描述，在此不再赘述。

主播筛选条件中还可包含主播偏好参数，主播偏好参数可以是主播风格偏好、商品特征偏好、商品价格区间偏好、是否优惠偏好等等，本实施例对此不做限定。主播偏好参数通常是反映用户对属性标签的偏好。

本实施例中，可响应于用户在主播筛选界面中输入主播偏好参数的操作，将主播偏好参数提供给服务器，以供服务器根据主播偏好参数及至少一个主播的调性标签，确定至少一个主播对商品类目的推广指数。

关于服务器根据主播偏好参数及至少一个主播的调性标签，确定至少一个主播对商品类目的推广指数的处理过程，可参考前述实施例中的相关描述，在此不再赘述。

本实施例中，还可接收服务器返回的至少一个主播的排列顺序。其中，服务器可根据至少一个主播对商品类目的推广指数，确定至少一个主播的排列顺序，具体过程可参考前述实施例中的相关描述，在此不再赘述。

这样，本实施例中，可按照至少一个主播的排列顺序，展示至少一个主播的主播摘要信息。

以推荐结果采用主播列表的方式为例，本实施例中，可按照至少一个主播的排序顺序，以列表的格式展示至少一个主播的主播摘要信息，并在主播摘要信息中呈现调性标签。对用户来说，可感受到至少一个主播的推荐能力高低，并可直观地看到每个主播的调性标签，从而获知每个主播的推广经验，进而更快速的选中心仪的主播。

在上述或下述实施例中，在推荐结果的呈现界面中，用户还可对至少一个主播进行查看详情操作，据此，本实施例中，可响应于用户对至少一个主播中目标主播的主播摘要信息的查看详情操作，展示目标主播的详情信息，详情信息中包含目标主播的全部调性标签。

在实际应用中，可在推荐结果的呈现界面中，可同时展示多个主播的主播摘要信息，而每个主播摘要信息对应的展示区域中可能只够展示出部分调性标签，这导致用户无法看到主播的全部调性标签。本实施例中，用户可进入目标主播的详情信息界面，而详情信息界面中可包含全部的调性标签，这样，用户可从详情信息界面中更加全面地了解目标主播的推广经验，为用户选择主播提供了更加全面的信息提示。

在用户了解到至少一个主播的推广经验及对商品类目的推广指数之后，用户可选中其心仪的主播。本实施例中，可响应于用户对至少一个主播中目标主播的选定操作，建立目标主播与用户需要推广的目标商品之间的关联关系，以供目标主播对目标商品进行推广。

据此，完成了用户与主播的关联。

本实施例中，可将推荐结果个性化、智能化呈现，使得用户可更加便捷、更加全面地了解主播的推广经验和对商品类目的推广指数，从而更快速、更准确地确定出心仪的主播。这可有效提高主播推荐的效率、准确度和成功率。

图3为本申请的一种业务场景示意图。以下将结合图3详述本申请的主播推荐过程。

如图3所示，服务器可预先通过对主播库中的多个主播的历史评论语料进行文本挖掘而确定出多个主播的调性标签，还可以配置多个主播的非调性标签。

在用户的终端设备中，可向用户展示主播筛选界面，用户可在主播筛选界面中输入主播筛选条件：【商品类目：服装-女装-连衣裙】和【主播风格：专业】。终端设备可将用户输入的主播筛选条件提供给服务器。

服务器可根据主播筛选条件中的商品类目，基于主播库中主播的调性标签，筛选出对【商品类目：服装-女装-连衣裙】具有推广经验的至少一个主播，在确定出主播后，可将主播筛选条件、至少一个主播的调性标签及非调性标签输入推广指数预测模型。

在推广指数预测模型中，可基于【商品类目：服装-女装-连衣裙】下调性标签及非调性标签与推广指数的映射关系，分析出至少一个主播对【商品类目：服装-女装-连衣裙】的推广指数。

服务器可按照至少一个主播对【商品类目：服装-女装-连衣裙】的推广指数对至少一个主播进行排序，以产生主播列表。

服务器还可基于用户ID，判断主播列表中是否存在于用户合作过的特定主播，并在对特定主播对【商品类目：服装-女装-连衣裙】的推广指数进行线性补偿后，重新确定至少一个主播的排列顺序，以产生新的主播列表。

服务器可将新的主播列表作为推荐结果提供给用户的终端设备，其中，将至少一个主播的调性标签也同步提供给终端设备。

用户的终端设备中，可呈现推荐结果，在主播筛选界面中，可以主播列表的形式展示至少一个主播的主播摘要信息，并在主播摘要信息中呈现调性标签。

据此，用户可直观地看到至少一个主播对【商品类目：服装-女装-连衣裙】的推广指数，以及至少一个主播各自的调性标签，从而可快速、准确地选中目标主播。终端设备可将目标主播提供给服务器。

服务器可建立目标主播与用户之间的关联关系，至此，完成主播推荐过程。

值得说明的是，图3中的主播筛选界面是示例性的，主播筛选界面中可切换不同的子界面，比如输入主播筛选条件的子界面和呈现推荐结果的子界面，本实施例中并不限定界面中的具体展示形式。

需要说明的是，，在上述实施例及附图中的描述的一些流程中，包含了按照特定顺序出现的多个操作，但是应该清楚了解，这些操作可以不按照其在本文中出现的顺序来执行或并行执行，操作的序号如101、102等，仅仅是用于区分开各个不同的操作，序号本身不代表任何的执行顺序。另外，这些流程可以包括更多或更少的操作，并且这些操作可以按顺序执行或并行执行。需要说明的是，本文中的“第一”、“第二”等描述，是用于区分不同的消息、设备、模块等，不代表先后顺序，也不限定“第一”和“第二”是不同的类型。

图4为本申请又一实施例提供的一种计算设备的结构示意图。如图4所述，该计算设备包括：存储器40、处理器41以及通信组件42。

存储器40，用于存储计算机程序，并可被配置为存储其它各种数据以支持在计算设备上的操作。这些数据的示例包括用于在计算设备上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。

处理器41，与存储器40及通信组件42耦合，用于执行存储器中的计算机程序，以用于：

提供主播筛选界面，并通过通信组件42获取主播筛选条件，主播筛选条件中包括目标商品类目；

基于至少一个主播的属性标签，分析至少一个主播各自对目标商品类目的推广指数；

按照至少一个主播各自对目标商品类目的推广指数，在主播筛选界面中进行主播推荐。

在一可选实施例中，属性标签包括调性标签，调性标签用于描述主播的推广经验，处理器41在基于至少一个主播的属性标签，分析至少一个主播各自对目标商品类目的推广指数时，用于：

基于至少一个主播的调性标签，分析至少一个主播对目标商品类目的推广指数。

在一可选实施例中，处理器41在基于至少一个主播的调性标签，分析至少一个主播各自对目标商品类目的推广指数时，用于：

基于主播库中多个主播的调性标签，从主播库中选择具有包含目标商品类目的调性标签的至少一个主播；

根据至少一个主播的调性标签，分析至少一个主播各自对目标商品类目的推广指数。

在一可选实施例中，处理器41在使用至少一个主播的调性标签之前，还用于：

获取至少一个主播的历史评论语料；

将历史评论语料输入调性标签模型；

利用调性标签模型，对至少一个主播的历史评论语料进行文本挖掘，以获得至少一个主播各自的调性标签。

在一可选实施例中，处理器41在将历史评论语料输入调性标签模型时，用于：

识别历史评论语料中包含的商品编码；

基于商品编码与商品描述语料的对应关系，将识别到的商品编码转换为商品描述语料，以获得转换后的历史评论语料；

将转换后的历史评论语料输入调性标签模型。

在一可选实施例中，处理器41在在使用调性标签模型之前，还用于：

采集样本主播的评论语料作为训练样本，标注训练样本对应的调性标签；

根据训练样本以及训练样本对应的调性标签，训练调性标签模型。

在一可选实施例中，处理器41在基于至少一个主播的调性标签，分析至少一个主播对目标商品类目的推广指数时，用于：

将主播筛选条件和至少一个主播的调性标签输入推广指数预测模型；

在推广指数预测模型中，基于目标商品类目下的推广指数与调性标签之间的映射关系和至少一个主播的调性标签，确定至少一个主播各自对目标商品类目的推广指数。

在一可选实施例中，推广指数预测模型采用线性回归模型，处理器41在基于目标商品类目下的推广指数与调性标签之间的映射关系和至少一个主播的调性标签，确定至少一个主播各自对目标商品类目的推广指数时，用于：

根据至少一个主播的调性标签各自在目标商品类目下的权重系数，对至少一个主播的调性标签进行加权求和，以获得至少一个主播各自的反映推广指数的得分。

在一可选实施例中，属性标签还包括非调性标签，处理器41具体用于：

将主播筛选条件以及至少一个主播各自的调性标签和非调性标签输入推广指数预测模型；

在推广指数预测模型中，基于调性标签和非调性标签与推广指数在目标商品类目下的映射关系和至少一个主播的调性标签和非调性标签，确定至少一个主播各自对目标商品类目的推广指数。

在一可选实施例中，筛选条件中还包括主播偏好参数，在推广指数预测模型中，处理器41在基于调性标签和非调性标签与推广指数在目标商品类目下的映射关系和至少一个主播的调性标签和非调性标签，确定至少一个主播各自对目标商品类目的推广指数时，用于：

在推广指数预测模型中，基于主播偏好参数，从至少一个主播的调性标签和非调性标签中，选择符合主播偏好参数的目标调性标签和目标非调性标签；

基于调性标签和非调性标签与推广指数在目标商品类目下的映射关系和至少一个主播的目标调性标签和目标非调性标签，确定至少一个主播各自对目标商品类目的推广指数。

在一可选实施例中，处理器41在将筛选条件以及至少一个主播各自的调性标签和非调性标签输入推广指数预测模型之前，还用于：

在每个商品类目下，获取商品类目下的样本主播的历史成交数据、调性标签及非调性标签；

以样本主播的调性标签及非调性标签作为自变量，以样本主播的历史成交数据作为因变量，在商品类目下分析调性标签和非调性标签与成交数据之间的映射关系；

根据在商品类目下调性标签和非调性标签与成交数据之间的映射关系，确定调性标签和非调性标签与推广指数在商品类目下的映射关系；

根据每个商品类目下的调性标签和非调性标签与推广指数之间的映射关系，确定推广指数预测模型。

在一可选实施例中，非调性标签包括粉丝量级、粉丝人群特征、垂直领域、专场、拼场、商品价格区间、是否优惠或是否大促日中的一种或多种标签。

在一可选实施例中，处理器41在基于目标商品类目下的推广指数与调性标签之间的映射关系和至少一个主播的调性标签，确定至少一个主播各自对目标商品类目的推广指数时，用于：

若目标商品类目为特定商品类目，确定目标商品类目所属的集成商品类目，集成商品类目由多个特定商品类目集合而成；

在推广指数预测模型中，基于集成商品类目下的推广指数与调性标签之间的映射关系和至少一个主播的调性标签，确定至少一个主播各自对目标商品类目的推广指数；

其中，特定商品类目受属性标签的影响小于预设标准。

在一可选实施例中，调性标签包括商品类目类标签、商品特征类标签或主播风格类标签中的一种或多种。

在一可选实施例中，处理器41在基于至少一个主播的调性标签，确定对目标商品类目具有推广经验的至少一个主播时，用于：

根据至少一个主播的商品类目类标签，确定对目标商品类目具有推广经验的至少一个主播。

在一可选实施例中，若筛选条件中包含多个目标商品类目，处理器41在基于主播库中多个主播的调性标签，从主播库中选择具有包含目标商品类目的调性标签的至少一个主播时，用于：

基于主播库中主播的调性标签，确定第一类主播和第二类主播，第一类主播具有包含至少两个目标商品类目的调性标签，第二类主播具有包含多个目标商品类目中的一个目标商品类目的调性标签；

基于至少一个主播的调性标签，分析至少一个主播对目标商品类目的推广指数时，用于：

基于第一类主播的调性标签，分别计算第一类主播对其推广过的至少两个目标商品类目的单类目推广指数；

将第一类主播对应的单类目推广指数进行融合，以确定第一类主播的综合推广指数；

基于第二类主播的调性标签，计算第二类主播对其推广过的一个目标商品类目的推广指数。

在一可选实施例中，处理器41在按照至少一个主播对目标商品类目的推广指数，在主播筛选界面中进行主播推荐时，用于：

按照第一类主播的综合推广指数和第二类主播对其推广过的一个目标商品类目的推广指数进行排序，以获得主播列表；

按照主播列表，在主播筛选界面中进行主播推荐。

在一可选实施例中，处理器41在按照主播列表，在主播筛选界面中进行主播推荐时，用于：

查找主播列表中与用户有过历史合作的特权主播；

对特权主播进行推荐指数补偿；

基于特权主播的补偿后推荐指数，对主播列表进行重新排序；

按照重新排序后的主播列表，在主播筛选界面中进行主播推荐。

在一可选实施例中，处理器41在按照主播列表，在主播筛选界面中进行主播推荐时，用于：

将至少一个主播的调性标签配置在主播列表中；

将主播列表提供给用户的终端设备，以供终端设备在主播筛选界面中展示至少一个主播的调性标签。

在一可选实施例中，处理器41还用于：

根据至少一个主播各自对目标商品类目的推广指数，确定目标商品类目偏好的主播的调性标签；

将目标商品类目偏好的主播的调性标签进行广播，以提示其它主播学习调性标签描述的推广能力。

进一步，如图4所示，该计算设备还包括：电源组件43等其它组件。图4中仅示意性给出部分组件，并不意味着计算设备只包括图4所示组件。

值得说明的是，上述关于计算设备的各实施例中的技术细节，可参考前述关于服务器侧执行的主播推荐方法的各实施例中的相关描述，在此不再赘述，但这不应造成对本申请保护范围的损失。

相应地，本申请实施例还提供一种存储有计算机程序的计算机可读存储介质，计算机程序被执行时能够实现上述方法实施例中可由计算设备执行的各步骤。

图5为本申请又一实施例提供的另一种计算设备的结构示意图。如图5所示，该计算设备包括：存储器50、处理器51以及通信组件52。

存储器50，用于存储计算机程序，并可被配置为存储其它各种数据以支持在计算设备上的操作。这些数据的示例包括用于在计算设备上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。

处理器51，与存储器50及通信组件52耦合，用于执行存储器中的计算机程序，以用于：

通过通信组件52获取至少一个主播的调性标签，调性标签用于描述主播的推广经验；

将至少一个主播的调性标签配置在主播摘要信息中；

展示至少一个主播的主播摘要信息，以引导用户选择主播。

在一可选实施例中，处理器51在获取至少一个主播的属性标签之前，还用于：

展示主播筛选界面；

响应于用户在主播筛选界面中输入商品类目的操作，将商品类目提供给服务器，以供服务器获取对商品类目具有推广指数的至少一个主播及其调性标签。

在一可选实施例中，输入商品类目的操作包括文字输入操作、图像识别操作或视频识别操作中的一种或多种。

在一可选实施例中，处理器51还用于：

响应于用户在主播筛选界面中输入主播偏好参数的操作，将主播偏好参数提供给服务器，以供服务器根据主播偏好参数及至少一个主播的调性标签，确定至少一个主播对商品类目的推广指数。

在一可选实施例中，处理器51还用于：

接收服务器返回的至少一个主播的排列顺序，排列顺序是根据至少一个主播对商品类目的推广指数确定的；

展示至少一个主播的主播摘要信息，包括：

按照至少一个主播的排列顺序，展示至少一个主播的主播摘要信息。

在一可选实施例中，处理器51还用于：

响应于用户对至少一个主播中目标主播的主播摘要信息的查看详情操作，展示目标主播的详情信息，详情信息中包含目标主播的全部调性标签。

在一可选实施例中，处理器51还用于：

响应于用户对至少一个主播中目标主播的选定操作，建立目标主播与用户需要推广的目标商品之间的关联关系，以供目标主播对目标商品进行推广。

进一步，如图5所示，该计算设备还包括：显示器53、电源组件54、音频组件55等其它组件。图5中仅示意性给出部分组件，并不意味着计算设备只包括图5所示组件。

值得说明的是，上述关于计算设备的各实施例中的技术细节，可参考前述关于终端设备侧执行的主播推荐方法的各实施例中的相关描述，在此不再赘述，但这不应造成对本申请保护范围的损失。

相应地，本申请实施例还提供一种存储有计算机程序的计算机可读存储介质，计算机程序被执行时能够实现上述方法实施例中可由计算设备执行的各步骤。

其中，图4和图5中的存储器可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。

其中，图4和图5中的通信组件被配置为便于通信组件所在设备和其他设备之间有线或无线方式的通信。通信组件所在设备可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件可基于近场通信(NFC)技术、射频识别(RFID)技术、红外数据协会(IrDA)技术、超宽带(UWB)技术、蓝牙(BT)技术或其它技术来实现，以促进短程通信。

其中，图5中的显示器包括屏幕，其屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。

其中，图4和图5中的电源组件，为电源组件所在设备的各种组件提供电力。电源组件可以包括电源管理系统，一个或多个电源，及其他与为电源组件所在设备生成、管理和分配电力相关联的组件。

其中，图5中的音频组件，可被配置为输出和/或输入音频信号。例如，音频组件包括一个麦克风(MIC)，当音频组件所在设备处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器或经由通信组件发送。在一些实施例中，音频组件还包括一个扬声器，用于输出音频信号。

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、或计算机程序商品。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商品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序商品的流程图和/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，磁带磁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。

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 (30)

1.一种主播推荐方法，其特征在于，包括：

提供主播筛选界面，并获取主播筛选条件，所述主播筛选条件中包括目标商品类目；

基于至少一个主播的属性标签，分析所述至少一个主播各自对所述目标商品类目的推广指数；

按照所述至少一个主播各自对所述目标商品类目的推广指数，在所述主播筛选界面中进行主播推荐。

2.根据权利要求1所述的方法，其特征在于，所述属性标签包括调性标签，所述调性标签用于描述主播的推广经验，所述基于至少一个主播的属性标签，分析所述至少一个主播各自对所述目标商品类目的推广指数，包括：

基于至少一个主播的调性标签，分析所述至少一个主播对所述目标商品类目的推广指数。

3.根据权利要求2所述的方法，其特征在于，所述基于至少一个主播的调性标签，分析所述至少一个主播各自对所述目标商品类目的推广指数之前，还包括：

基于主播库中多个主播的调性标签，从所述主播库中选择具有包含所述目标商品类目的调性标签的至少一个主播。

4.根据权利要求2所述的方法，其特征在于，在使用所述至少一个主播的调性标签之前，还包括：

获取所述至少一个主播的历史评论语料；

将所述历史评论语料输入调性标签模型；

利用所述调性标签模型，对所述至少一个主播的历史评论语料进行文本挖掘，以获得所述至少一个主播各自的调性标签。

5.根据权利要求4所述的方法，其特征在于，将所述历史评论语料输入调性标签模型，包括：

识别所述历史评论语料中包含的商品编码；

基于商品编码与商品描述语料的对应关系，将识别到的所述商品编码转换为商品描述语料，以获得转换后的历史评论语料；

将所述转换后的历史评论语料输入所述调性标签模型。

6.根据权利要求4所述的方法，其特征在于，在使用所述调性标签模型之前，还包括：

采集样本主播的评论语料作为训练样本，标注所述训练样本对应的调性标签；

根据所述训练样本以及所述训练样本对应的调性标签，训练所述调性标签模型。

7.根据权利要求2所述的方法，其特征在于，所述基于所述至少一个主播的调性标签，分析所述至少一个主播对所述目标商品类目的推广指数，包括：

将所述主播筛选条件和所述至少一个主播的调性标签输入推广指数预测模型；

在所述推广指数预测模型中，基于所述目标商品类目下的推广指数与调性标签之间的映射关系和所述至少一个主播的调性标签，确定所述至少一个主播各自对所述目标商品类目的推广指数。

8.根据权利要求7所述的方法，其特征在于，所述推广指数预测模型采用线性回归模型，所述基于所述目标商品类目下的推广指数与调性标签之间的映射关系和所述至少一个主播的调性标签，确定所述至少一个主播各自对所述目标商品类目的推广指数，包括：

根据所述至少一个主播的调性标签各自在所述目标商品类目下的权重系数，对所述至少一个主播的调性标签进行加权求和，以获得所述至少一个主播各自的反映推广指数的得分。

9.根据权利要求7所述的方法，其特征在于，所述属性标签还包括非调性标签，所述方法具体包括：

将所述主播筛选条件以及所述至少一个主播各自的调性标签和非调性标签输入推广指数预测模型；

在所述推广指数预测模型中，基于调性标签和非调性标签与推广指数在所述目标商品类目下的映射关系和所述至少一个主播的调性标签和非调性标签，确定所述至少一个主播各自对所述目标商品类目的推广指数。

10.根据权利要求9所述的方法，其特征在于，所述筛选条件中还包括主播偏好参数，所述在所述推广指数预测模型中，基于调性标签和非调性标签与推广指数在所述目标商品类目下的映射关系和所述至少一个主播的调性标签和非调性标签，确定所述至少一个主播各自对所述目标商品类目的推广指数，包括：

在所述推广指数预测模型中，基于所述主播偏好参数，从所述至少一个主播的调性标签和非调性标签中，选择符合所述主播偏好参数的目标调性标签和目标非调性标签；

基于调性标签和非调性标签与推广指数在所述目标商品类目下的映射关系和所述至少一个主播的目标调性标签和目标非调性标签，确定所述至少一个主播各自对所述目标商品类目的推广指数。

11.根据权利要求10所述的方法，其特征在于，在将所述筛选条件以及所述至少一个主播各自的调性标签和非调性标签输入所述推广指数预测模型之前，还包括：

在每个商品类目下，获取所述商品类目下的样本主播的历史成交数据、调性标签及非调性标签；

以所述样本主播的调性标签及非调性标签作为自变量，以所述样本主播的历史成交数据作为因变量，在所述商品类目下分析调性标签和非调性标签与成交数据之间的映射关系；

根据在所述商品类目下调性标签和非调性标签与成交数据之间的映射关系，确定调性标签和非调性标签与推广指数在所述商品类目下的映射关系；

根据每个商品类目下的调性标签和非调性标签与推广指数之间的映射关系，确定所述推广指数预测模型。

12.根据权利要求9所述的方法，其特征在于，所述非调性标签包括粉丝量级、粉丝人群特征、垂直领域、专场、拼场、商品价格区间、是否优惠或是否大促日中的一种或多种标签。

13.根据权利要求7的方法，其特征在于，所述在推广指数预测模型中，基于目标商品类目下的推广指数与调性标签之间的映射关系和至少一个主播的调性标签，确定至少一个主播各自对目标商品类目的推广指数，包括：

若所述目标商品类目为特定商品类目，确定所述目标商品类目所属的集成商品类目，所述集成商品类目由多个特定商品类目集合而成；

在所述推广指数预测模型中，基于所述集成商品类目下的推广指数与调性标签之间的映射关系和至少一个主播的调性标签，确定至少一个主播各自对目标商品类目的推广指数；

其中，所述特定商品类目受所述属性标签的影响小于预设标准。

14.根据权利要求2～13任一项所述的方法，其特征在于，所述调性标签包括商品类目类标签、商品特征类标签或主播风格类标签中的一种或多种。

15.根据权利要求14所述的方法，其特征在于，所述基于所述至少一个主播的调性标签，确定对所述目标商品类目具有推广经验的至少一个主播，包括：

根据所述至少一个主播的商品类目类标签，确定对所述目标商品类目具有推广经验的至少一个主播。

16.根据权利要求3所述的方法，其特征在于，若所述筛选条件中包含多个目标商品类目，所述基于主播库中多个主播的调性标签，从所述主播库中选择具有包含所述目标商品类目的调性标签的至少一个主播，包括：

基于所述主播库中主播的调性标签，确定第一类主播和第二类主播，所述第一类主播具有包含至少两个所述目标商品类目的调性标签，所述第二类主播具有包含所述多个目标商品类目中的一个目标商品类目的调性标签；

所述基于所述至少一个主播的调性标签，分析所述至少一个主播对所述目标商品类目的推广指数，包括：

基于所述第一类主播的调性标签，分别计算所述第一类主播对其推广过的至少两个所述目标商品类目的单类目推广指数；

将所述第一类主播对应的单类目推广指数进行融合，以确定所述第一类主播的综合推广指数；

基于所述第二类主播的调性标签，计算所述第二类主播对其推广过的一个目标商品类目的推广指数。

17.根据权利要求16所述的方法，其特征在于，所述按照所述至少一个主播对所述目标商品类目的推广指数，在所述主播筛选界面中进行主播推荐，包括：

按照所述第一类主播的综合推广指数和所述第二类主播对其推广过的一个目标商品类目的推广指数进行排序，以获得主播列表；

按照所述主播列表，在所述主播筛选界面中进行主播推荐。

18.根据权利要求17所述的方法，其特征在于，所述按照所述主播列表，在所述主播筛选界面中进行主播推荐，包括：

查找所述主播列表中与所述用户有过历史合作的特权主播；

对所述特权主播进行推荐指数补偿；

基于特权主播的补偿后推荐指数，对所述主播列表进行重新排序；

按照重新排序后的主播列表，在所述主播筛选界面中进行主播推荐。

19.根据权利要求17所述的方法，其特征在于，按照所述主播列表，在所述主播筛选界面中进行主播推荐，包括：

将所述至少一个主播的调性标签配置在所述主播列表中；

将所述主播列表提供给所述用户的终端设备，以供所述终端设备在所述主播筛选界面中展示所述至少一个主播的调性标签。

20.根据权利要求2所述的方法，其特征在于，还包括：

根据所述至少一个主播各自对所述目标商品类目的推广指数，确定所述目标商品类目偏好的主播的调性标签；

将所述目标商品类目偏好的主播的调性标签进行广播，以提示其它主播学习所述调性标签描述的推广能力。

21.一种主播推荐方法，其特征在于，包括：

获取至少一个主播的调性标签，所述调性标签用于描述主播的推广经验；

将所述至少一个主播的调性标签配置在主播摘要信息中；

展示所述至少一个主播的主播摘要信息，以引导用户选择主播。

22.根据权利要求21所述的方法，其特征在于，所述获取至少一个主播的属性标签之前，还包括：

展示主播筛选界面；

响应于所述用户在所述主播筛选界面中输入商品类目的操作，将所述商品类目提供给服务器，以供所述服务器根据所述商品类目和所述至少一个主播的调性标签分析所述至少一个主播对所述商品类目的推广指数。

23.根据权利要求22所述的方法，其特征在于，所述输入商品类目的操作包括文字输入操作、图像识别操作或视频识别操作中的一种或多种。

24.根据权利要求22所述的方法，其特征在于，还包括：

响应于所述用户在所述主播筛选界面中输入主播偏好参数的操作，将所述主播偏好参数提供给所述服务器，以供所述服务器根据所述商品类目、所述主播偏好参数及所述至少一个主播的调性标签，确定所述至少一个主播对所述商品类目的推广指数。

25.根据权利要求22或24所述的方法，其特征在于，还包括：

接收所述服务器返回的所述至少一个主播的排列顺序，所述排列顺序是根据所述至少一个主播对所述商品类目的推广指数确定的；

所述展示所述至少一个主播的主播摘要信息，包括：

按照所述至少一个主播的排列顺序，展示所述至少一个主播的主播摘要信息。

26.根据权利要求21所述的方法，其特征在于，还包括：

响应于所述用户对所述至少一个主播中目标主播的主播摘要信息的查看详情操作，展示所述目标主播的详情信息，所述详情信息中包含所述目标主播的全部调性标签。

27.根据权利要求21所述的方法，其特征在于，还包括：

响应于所述用户对所述至少一个主播中目标主播的选定操作，建立所述目标主播与所述用户需要推广的目标商品之间的关联关系，以供所述目标主播对所述目标商品进行推广。

28.一种计算设备，其特征在于，包括存储器、处理器和通信组件；

所述存储器用于存储一条或多条计算机指令；

所述处理器与所述存储器和所述通信组件耦合，用于执行所述一条或多条计算机指令，以用于：

提供主播筛选界面，并通过所述通信组件获取主播筛选条件，所述主播筛选条件中包括目标商品类目；

基于至少一个主播的属性标签，分析所述至少一个主播各自对所述目标商品类目的推广指数；

按照所述至少一个主播各自对所述目标商品类目的推广指数，在所述主播筛选界面中进行主播推荐。

29.一种计算设备，其特征在于，包括存储器、处理器和通信组件；

所述存储器用于存储一条或多条计算机指令；

所述处理器与所述存储器和所述通信组件耦合，用于执行所述一条或多条计算机指令，以用于：

通过所述通信组件获取至少一个主播的调性标签，所述调性标签用于描述主播的推广经验；

将所述至少一个主播的调性标签配置在主播摘要信息中；

展示所述至少一个主播的主播摘要信息，以引导用户选择主播。

30.一种存储计算机指令的计算机可读存储介质，其特征在于，当所述计算机指令被一个或多个处理器执行时，致使所述一个或多个处理器执行权利要求1～27任一项所述的主播推荐方法。

Images