CN112883275A - 一种直播间推荐方法、装置、服务器及介质 - Google Patents
一种直播间推荐方法、装置、服务器及介质 Download PDFInfo
- Publication number
- CN112883275A CN112883275A CN202110284993.XA CN202110284993A CN112883275A CN 112883275 A CN112883275 A CN 112883275A CN 202110284993 A CN202110284993 A CN 202110284993A CN 112883275 A CN112883275 A CN 112883275A
- Authority
- CN
- China
- Prior art keywords
- live broadcast
- user
- broadcast room
- sample
- recommendation
- 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 49
- 238000013135 deep learning Methods 0.000 claims description 83
- 230000006399 behavior Effects 0.000 claims description 74
- 238000012549 training Methods 0.000 claims description 49
- 239000013598 vector Substances 0.000 claims description 38
- 230000006870 function Effects 0.000 claims description 32
- 238000004891 communication Methods 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 14
- 230000004044 response Effects 0.000 claims description 14
- 230000008569 process Effects 0.000 description 9
- 101150053844 APP1 gene Proteins 0.000 description 6
- 101100189105 Homo sapiens PABPC4 gene Proteins 0.000 description 6
- 102100039424 Polyadenylate-binding protein 4 Human genes 0.000 description 6
- 238000006243 chemical reaction Methods 0.000 description 6
- 230000003993 interaction Effects 0.000 description 5
- 101100055496 Arabidopsis thaliana APP2 gene Proteins 0.000 description 4
- 101100016250 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) GYL1 gene Proteins 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000001186 cumulative effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 102100038359 Xaa-Pro aminopeptidase 3 Human genes 0.000 description 2
- 101710081949 Xaa-Pro aminopeptidase 3 Proteins 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Two-Way Televisions, Distribution Of Moving Picture Or The Like (AREA)
Abstract
本发明实施例提供一种直播间推荐方法、装置、服务器及介质，涉及个性化推荐技术领域，可以解决难以准确地为新上线的直播软件中的用户，或者为直播软件中的新用户推荐其感兴趣的直播间的问题。本发明实施例包括：获取用户在终端中使用的各APP的使用时长；然后分别确定各APP所属的应用类别，并针对每个应用类别，将属于该应用类别的各APP的使用时长的总和，作为用户对该应用类别的使用总时长。接着将用户的用户信息和当前在线的各直播间的直播间信息输入推荐模型，获得推荐模型输出的当前在线的各直播间的推荐得分。再按照当前在线的各直播间的推荐得分从高到低的顺序，向终端推荐预设数量个直播间。
Description
技术领域
本发明涉及个性化推荐技术领域，特别是涉及一种直播间推荐方法、装置、服务器及介质。
背景技术
随着互联网行业的发展，网络直播已经成为一种新兴的娱乐方式。用户通过直播软件展示的各直播间的介绍，选择感兴趣的直播间观看。为了让用户方便地找到感兴趣的直播间以提升用户粘性，目前通常根据用户与主播的互动数据以及用户的历史观看行为，从当前正在直播的直播间中选择用户可能感兴趣的直播间，并将选择的直播间推荐给用户。
但是对于直播软件的新用户，或者对于新上线的直播软件，用户在直播软件中与主播的互动以及用户的历史观看行为较少，难以准确地为用户推荐其感兴趣的直播间，推荐效果较差。
发明内容
本发明实施例的目的在于提供一种直播间推荐方法、装置、服务器及介质，用以解决相关技术中难以准确地为新上线的直播软件中的用户，或者为直播软件中的新用户推荐其感兴趣的直播间的问题。具体技术方案如下：
第一方面，本发明实施例提供了一种直播间推荐方法，应用于服务器，所述方法包括：
获取用户在终端中使用的各应用程序APP的使用时长，针对每个APP，该APP的使用时长为用户在预设时间段内对该APP的累计使用时长；
分别确定所述各APP所属的应用类别，并针对每个应用类别，将属于该应用类别的各APP的使用时长的总和，作为所述用户对该应用类别的使用总时长；
将所述用户的用户信息和当前在线的各直播间的直播间信息输入推荐模型，获得所述推荐模型输出的当前在线的各直播间的推荐得分；其中，所述用户信息包括所述用户对每个应用类别的使用总时长，所述直播间信息包括直播间的类别；所述推荐模型为基于训练集对深度学习网络模型进行训练后得到的模型，所述训练集包括样本用户信息、样本用户信息对应的各样本直播间的标准推荐得分以及样本直播间信息，所述样本用户信息包括样本用户对每个应用类别的使用总时长、样本用户的基础信息和样本用户对样本直播间的历史操作行为数据，所述样本直播间信息包括多个样本直播间的类别；
按照所述当前在线的各直播间的推荐得分从高到低的顺序，向所述终端推荐预设数量个直播间。
可选的，所述推荐模型通过以下步骤训练获得：
将所述训练集中的样本用户信息和样本直播间信息输入深度学习网络模型；
获取所述深度学习网络模型针对每个样本用户信息输出的各样本直播间的推荐得分；
根据所述深度学习网络模型输出的各样本直播间的推荐得分和输入所述深度学习网络模型的样本用户信息对应的各样本直播间的标准推荐得分，计算损失函数值；
根据所述损失函数值确定所述深度学习网络模型是否收敛；
若所述深度学习网络模型未收敛，则基于所述损失函数值更新所述深度学习网络模型的网络参数，并返回将所述训练集中的样本用户信息和样本直播间信息输入深度学习网络模型的步骤；
若所述深度学习网络模型收敛，则将当前的深度学习网络模型作为所述推荐模型。
可选的，在按照所述当前在线的各直播间的推荐得分从高到低的顺序，向所述终端推荐预设数量个直播间之后，所述方法还包括：
接收所述终端发送的操作行为消息，所述操作行为消息包括所述用户对推荐的直播间的操作行为数据；
根据所述用户对推荐的直播间的操作行为数据，更新所述用户的用户信息，并确定所述用户的用户信息对应的各推荐的直播间的标准推荐得分；
将更新后的用户信息作为样本用户信息，将所述用户对推荐的直播间的标准推荐得分作为样本用户信息对应的各直播间的标准推荐得分，并将推荐的各直播间的直播间信息作为样本直播间信息，训练所述推荐模型。
可选的，所述将所述用户的用户信息和当前在线的各直播间的直播间信息输入推荐模型，包括：
根据所述用户的用户信息，生成用户特征向量；
根据所述当前在线的各直播间的直播间信息，生成直播间特征向量；
将所述用户特征向量和所述直播间特征向量输入所述推荐模型。
可选的，所述获取用户在终端中使用的各应用程序APP的使用时长，包括：
接收所述终端发送的直播推荐请求，所述直播推荐请求中包括所述用户在终端中使用的各APP的使用时长；或者，
向所述终端发送时长获取请求，所述时长获取请求用于请求获取所述用户在终端中使用的各APP的使用时长；
接收所述终端发送的时长获取响应，所述时长获取响应中包括所述用户在终端中使用的各APP的使用时长。
第二方面，本发明实施例提供了一种直播间推荐装置，应用于服务器，所述装置包括：
获取模块，用于获取用户在终端中使用的各应用程序APP的使用时长，针对每个APP，该APP的使用时长为用户在预设时间段内对该APP的累计使用时长；
确定模块，用于分别确定所述各APP所属的应用类别，并针对每个应用类别，将属于该应用类别的各APP的使用时长的总和，作为所述用户对该应用类别的使用总时长；
获得模块，用于将所述用户的用户信息和当前在线的各直播间的直播间信息输入推荐模型，获得所述推荐模型输出的当前在线的各直播间的推荐得分；其中，所述用户信息包括所述用户对每个应用类别的使用总时长，所述直播间信息包括直播间的类别；所述推荐模型为基于训练集对深度学习网络模型进行训练后得到的模型，所述训练集包括样本用户信息、样本用户信息对应的各样本直播间的标准推荐得分以及样本直播间信息，所述样本用户信息包括样本用户对每个应用类别的使用总时长、样本用户的基础信息和样本用户对样本直播间的历史操作行为数据，所述样本直播间信息包括多个样本直播间的类别；
推荐模块，用于按照所述获得模块获得的所述当前在线的各直播间的推荐得分从高到低的顺序，向所述终端推荐预设数量个直播间。
可选的，所述装置还包括训练模块，所述训练模块用于：
将所述训练集中的样本用户信息和样本直播间信息输入深度学习网络模型；
获取所述深度学习网络模型针对每个样本用户信息输出的各样本直播间的推荐得分；
根据所述深度学习网络模型输出的各样本直播间的推荐得分和输入所述深度学习网络模型的样本用户信息对应的各样本直播间的标准推荐得分，计算损失函数值；
根据所述损失函数值确定所述深度学习网络模型是否收敛；
若所述深度学习网络模型未收敛，则基于所述损失函数值更新所述深度学习网络模型的网络参数，并返回将所述训练集中的样本用户信息和样本直播间信息输入深度学习网络模型的步骤；
若所述深度学习网络模型收敛，则将当前的深度学习网络模型作为所述推荐模型。
可选的，所述装置还包括：接收模块、更新模块和训练模块；
所述接收模块，用于在按照所述当前在线的各直播间的推荐得分从高到低的顺序，向所述终端推荐预设数量个直播间之后，接收所述终端发送的操作行为消息，所述操作行为消息包括所述用户对推荐的直播间的操作行为数据；
所述更新模块，用于根据所述用户对推荐的直播间的操作行为数据，更新所述用户的用户信息，并确定所述用户的用户信息对应的各推荐的直播间的标准推荐得分；
所述训练模块，用于将更新后的用户信息作为样本用户信息，将所述用户对推荐的直播间的标准推荐得分作为样本用户信息对应的各直播间的标准推荐得分，并将推荐的各直播间的直播间信息作为样本直播间信息，训练所述推荐模型。
可选的，所述获得模块，具体用于：
根据所述用户的用户信息，生成用户特征向量；
根据所述当前在线的各直播间的直播间信息，生成直播间特征向量；
将所述用户特征向量和所述直播间特征向量输入所述推荐模型。
可选的，所述获取模块，具体用于：
接收所述终端发送的直播推荐请求，所述直播推荐请求中包括所述用户在终端中使用的各APP的使用时长；或者，
向所述终端发送时长获取请求，所述时长获取请求用于请求获取所述用户在终端中使用的各APP的使用时长；
接收所述终端发送的时长获取响应，所述时长获取响应中包括所述用户在终端中使用的各APP的使用时长。
第三方面，本发明实施例提供了一种服务器，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现上述任一直播间推荐方法的步骤。
第四方面，本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述任一直播间推荐方法的步骤。
第五方面，本发明实施例提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述任一直播间推荐方法的步骤。
本发明实施例提供的直播间推荐方法、装置、服务器及介质，服务器可以获取用户在预设时间段内对每个APP的累计使用时长，并根据各APP所属的应用类别，得到用户对各应用类别的使用总时长。然后根据用户对每个应用类别的使用总时长以及当前在线的各直播间的类别，基于推荐模型确定当前在线的各直播间的推荐得分。再按照各直播间的推荐得分从高到低的顺序，向终端推荐预设数量个直播间。即本发明实施例可以根据终端上各APP的使用时长，确定为用户推荐的直播间。由于终端上各APP的使用时长属于终端本身的运行数据，不受用户对直播软件使用情况的影响，所以不论是直播软件的新用户，还是新上线的直播软件上的用户，所使用的终端均能够提供各APP使用时长，因此能够准确地为这些用户推荐其感兴趣的直播间。
当然，实施本发明的任一产品或方法并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，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，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的实施例。
图1为本发明实施例提供的一种直播间推荐方法流程图；
图2为本发明实施例提供的一种推荐模型训练过程的方法流程图；
图3为本发明实施例提供的一种直播间推荐过程的信令图；
图4为本发明实施例提供的一种直播间推荐装置的结构示意图；
图5为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员基于本申请所获得的所有其他实施例，都属于本发明保护的范围。
为了解决相关技术中难以准确地为新上线的直播软件中的用户，或者为直播软件中的新用户推荐其感兴趣的直播间的问题，本发明实施例提供了一种直播间推荐方法，可以应用于服务器，如图1所示，该方法包括如下步骤：
步骤S101，获取用户在终端中使用的各应用程序(Application，APP)的使用时长。
一种实施方式中，可以获取终端中每个APP的使用时长，或者可以获取用户使用的各APP的使用时长，不获取用户未使用的APP的使用时长。
其中，针对每个APP，该APP的使用时长为用户在预设时间段内对该APP的累计使用时长。在本发明实施例中，在预设时间段内，如果用户多次使用一个APP，则将用户多次使用该APP的时长总和，作为用户在预设时间段内对该APP的累计使用时长。
例如，预设时间段为0:00-23:59，假设用户在0:00-23:59内，使用30分钟APP1、使用50分钟APP2、使用40分钟APP1、使用30分钟APP1，则该用户在0:00-23:59内对APP1的累计使用时长为100分钟，该用户在0:00-23:59内对APP2的累计使用时长为50分钟。
在本发明实施例中，如果当前时刻未到达预设时间段的结束时刻，则可以统计预设时间段的开始时刻和当前时刻之间，用户对每个APP的累计使用时长。例如，预设时间段为0:00-23:59，当前时刻为8:00，则统计0:00-8:00用户对每个APP的累计使用时长。
也就是说，预设时间段可以是指定时刻与当前时刻之间的时间段。例如，终端以天为单位统计APP的使用时长，在这种情况下，指定时刻为0:00。
在本发明实施例中，预设时间段也可以为在当前时刻之前距离当前时刻预设时长的时刻与当前时刻之间的时间段。例如，当前时刻为12:00，预设时长为4小时，则预设时间段为8:00-12:00。
可以理解的，设置的预设时间段越长，获取的APP的使用时长信息越多，更能够从整体体现用户对APP的兴趣；设置的预设时间段越短，获取的APP的使用时长信息越少，更能够体现用户当前对于APP的兴趣。
在本发明实施例中，每个APP的使用时长由终端统计，终端在统计时，可以忽略使用时长较短的APP，即对于使用时长不足预设时长阈值的APP，终端可以确定该APP的使用时长为0，其中，预设时长阈值可以根据实际需要设置，例如预设时长阈值为1分钟。或者终端也可以统计用户在预设时间段内对每个APP的累计使用时长，或者终端还可以采用其他方式统计用户对APP的使用时长，本发明实施例对于终端统计用户对APP的使用时长的方式不作具体限定。
步骤S102，分别确定各APP所属的应用类别，并针对每个应用类别，将属于该应用类别的各APP的使用时长的总和，作为用户对该应用类别的使用总时长。
一种实施方式中，服务器可以基于APP与应用类别之间的对应关系，确定用户使用的每个APP对应的应用类别，即用户使用的每个APP所属的应用类别。然后针对每个应用类别，计算属于该应用类别的各APP的使用时长的总和，得到用户对该应用类别的使用总时长。
例如，假设APP1的使用时长为100分钟，APP2的使用时长为50分钟，APP3的使用时长为20分钟，且APP1和APP2属于第一应用类别，APP3属于第二应用类别，则用户对第一应用类别的使用总时长为100+50＝150分钟，用户对第二应用类别的使用总时长为20分钟。
可选的，APP与应用类别之间的对应关系可以更新，在执行步骤S102时，利用最新的APP与应用类别之间的对应关系，分别确定该用户对各应用类别的使用总时长。例如每天更新一次APP与应用类别之间的对应关系。
在本发明实施例中，对于APP与应用类别之间的对应关系中不存在的APP，可以将该APP的类型确定为其他，或者在确定用户对每个应用类别使用总时长时，忽略该APP的使用时长。
步骤S103，将该用户的用户信息和当前在线的各直播间的直播间信息输入推荐模型，获得推荐模型输出的当前在线的各直播间的推荐得分。
其中，该用户的用户信息包括该用户对每个应用类别的使用总时长，直播间信息包括直播间的类别。
在本发明实施例中，该用户的用户信息还可以包括该用户的基础信息和该用户对直播间的历史操作行为数据。例如，用户的基础信息包括：年龄、性别和所在地区等。直播间信息还可以包括主播的基础信息和直播间互动信息。例如主播的基础信息包括：主播年龄、主播性别、主播所在地区等。直播间互动信息包括：直播间转化率、用户观看直播间时长、用户评论数等。其中，直播间转化率能够体现直播间的竞争力，例如，直播间转化率＝关注主播的用户/观看直播间总人数。服务器可以预先获取用户的基础信息以及直播间信息，或者也可以在需要向终端推荐直播间时获取，本发明实施例对服务器获取用户的基础信息以及直播间信息的方式，以及用户的基础信息以及直播间信息的来源不作具体限定。
在本发明实施例中，推荐模型输出的当前在线的每个直播间的推荐得分可以为[0,1]的数值，该数值越接近1，表示用户对该直播间感兴趣的可能性越高，该数值越接近0，表示用户对该直播间感兴趣的可能性越小。
在本发明实施例中，推荐模型为基于训练集对深度学习网络模型进行训练后得到的模型。其中，训练集包括：样本用户信息、样本用户信息对应的各样本直播间的标准推荐得分以及样本直播间信息。
样本用户信息包括：样本用户对每个应用类别的使用总时长、样本用户的基础信息和样本用户对样本直播间的历史操作行为数据。本发明实施例中样本用户对每个应用类别的使用总时长的计算方式与步骤S102中记载的方式相同，可参考步骤S102中的描述，此处不再赘述。
其中，样本用户对样本直播间的历史操作行为数据包括：正向操作行为数据和/或负向操作行为数据。正向操作行为数据为用户对直播间感兴趣时对直播间的操作产生的数据，例如，正向操作行为数据包括：对直播间点击了关注、在直播间内的评论数量和对直播间的观看时长等。负向操作行为数据为用户对直播间不感兴趣时对直播间的操作产生的数据，例如，负向操作行为数据包括：对直播间点击了不喜欢和删除直播间等。
可选的，样本用户信息对应的各样本直播间的标准推荐得分，可以基于样本用户对各样本直播间的历史操作行为确定。例如，针对每个样本直播间，若样本用户对该样本直播间存在正向操作行为且不存在负向操作行为，则确定该样本用户对该样本直播间的标准推荐得分为1，若该样本用户对该样本直播间不存在正向操作行为或者存在负向操作行为，则确定该样本用户对该样本直播间的标准推荐得分为0。
样本直播间信息包括多个样本直播间的类别。样本直播间信息还可以包括：主播基础信息和直播间互动信息。
步骤S104，按照当前在线的各直播间的推荐得分从高到低的顺序，向终端推荐预设数量个直播间。
在本发明实施例中，当前在线的直播间为当前主播正在直播的直播间。
可选的，向终端推荐直播间时，可以向终端发送直播间简介、直播间链接、直播间截图等直播间数据，本发明实施例对服务器向终端推荐直播间的形式不作具体限定。
本发明实施例提供的直播间推荐方法，服务器可以获取用户在预设时间段内对每个APP的累计使用时长，并根据各APP所属的应用类别，得到用户对各应用类别的使用总时长。然后根据用户对每个应用类别的使用总时长以及当前在线的各直播间的类别，基于推荐模型确定当前在线的各直播间的推荐得分。再按照各直播间的推荐得分从高到低的顺序，向终端推荐预设数量个直播间。即本发明实施例可以根据终端上各APP的使用时长，确定为用户推荐的直播间。由于终端上各APP的使用时长属于终端本身的运行数据，不受用户对直播软件使用情况的影响，所以不论是直播软件的新用户，还是新上线的直播软件上的用户，所使用的终端均能够提供各APP使用时长，因此能够准确地为这些用户推荐其感兴趣的直播间。
在本发明实施例中，上述步骤S103中的推荐模型通过训练深度学习网络模型获得。例如，深度学习网络模型为深度神经网络(Deep Neural Networks，DNN)。参见图2，推荐模型可以通过以下步骤训练获得：
步骤S201，将训练集中的样本用户信息和样本直播间信息输入深度学习网络模型。
步骤S202，获取深度学习网络模型针对每个样本用户信息输出的各样本直播间的推荐得分。
步骤S203，根据深度学习网络模型输出的各样本直播间的推荐得分和输入深度学习网络模型的样本用户信息对应的各样本直播间的标准推荐得分，计算损失函数值。
一种实施方式中，将深度学习网络模型输出的各样本直播间的推荐得分和输入深度学习网络模型的样本用户信息对应的各直播间的标准推荐得分，带入公式(1)，计算损失函数值。
其中，H(p,q)为损失函数值，n为输入深度学习网络模型的样本用户信息数量，p(xi)为输入深度学习网络模型的第i个样本用户信息对应的各样本直播间的标准推荐得分，q(xi)为深度学习网络模型针对第i个样本用户信息输出的各样本直播间的推荐得分。
上述公式(1)为交叉熵损失函数，本发明实施例也可以利用其他损失函数计算损失函数值，本发明实施例对此不作具体限定。
步骤S204，根据损失函数值确定深度学习网络模型是否收敛。若未收敛，则执行步骤S205，若收敛，则执行步骤S206。
一种实施方式中，对比当前计算的损失函数值与上一次计算的损失函数值之间的差值是否小于预设差值，若是，则确定深度学习网络模型收敛，若否，则确定深度学习网络模型未收敛。
另一种实施方式中，对比当前计算的损失函数值是否小于预设阈值，若是，则确定深度学习网络模型收敛，若否，则确定深度学习网络模型未收敛。
步骤S205，基于损失函数值更新深度学习网络模型的网络参数，并返回步骤S201。
一种实施方式中，本发明实施例可以基于预设学习率，利用梯度下降算法，根据损失函数值更新深度学习网络模型包括的各网络层的网络参数。并在执行步骤S201时，将训练集中的样本用户信息和样本直播间信息输入更新后的深度学习网络模型。
步骤S206，将当前的深度学习网络模型作为推荐模型。
由于在训练深度学习网络模型时，能够利用深度学习网络模型输出的各样本直播间的推荐得分和输入深度学习网络模型的样本用户信息对应的各样本直播间的标准推荐得分之间的差距(即损失函数值)，更新深度学习网络模型，使得深度学习网络模型的输出结果与输入深度学习网络的样本用户信息对应的各样本直播间的标准推荐得分之间的差距越来越小，提升了推荐模型的识别准确度。
在本发明实施例中，上述步骤S103中将用户的用户信息和当前在线的各直播间的直播间信息输入推荐模型可以实现为：根据用户的用户信息，生成用户特征向量，并根据当前在线的各直播间的直播间信息，生成直播间特征向量。然后将用户特征向量和直播间特征向量输入推荐模型。
可选的，用户特征向量可以包括多个子向量。例如，用户特征向量包括：根据用户对每个应用类别的使用总时长生成的第一子向量、根据用户的基础信息生成的第二子向量和根据用户对直播间的历史操作行为数据生成的第三子向量。
在本发明实施例中，若未获取到用户的基础信息，则生成一个零向量作为第二子向量；若未获取到用户对直播间的历史操作行为数据，则生成一个零向量作为第三子向量。
同样的，直播间特征向量也可以包括多个子向量。例如，直播间特征向量包括：根据直播间类别生成的第四子向量、根据主播信息生成的第五子向量、根据直播间互动信息生成的第六子向量。
本发明实施例对用户特征向量和直播间特征向量的形式不作具体限定。
将样本用户信息和样本直播间信息输入深度学习网络模型的方式与将用户信息和当前在线的各直播间的直播间信息输入推荐模型的方式相同，可参考上述描述。
与仅基于用户对直播间历史操作行为，确定用户感兴趣的直播间的方式相比，本发明实施例基于用户对每个应用类别的使用总时长、用户的基础信息和用户对直播间的历史操作行为数据，确定用户感兴趣的直播间，确定直播间时基于的数据更多，使得确定的直播间更准确。而且在未获取到用户对直播间的历史操作行为数据时，也可以确定用户感兴趣的直播间，有效地解决了直播APP冷启动时难以向用户准确地推荐直播间的问题，使得本发明实施例的应用范围更广。
在上述步骤S104服务器向终端推荐直播间之后，服务器还可以根据收集到的用户对推荐的直播间的转化行为，更新推荐模型。更新推荐模型的过程包括以下步骤。
步骤一，接收终端发送的操作行为消息。其中，操作行为消息包括用户对推荐的直播间的操作行为数据。
在本发明实施例中，终端可以每接收到用户对推荐的直播间的操作行为，向服务器发送一次操作行为消息，操作行为消息包括用户本次对推荐的直播间的操作行为数据。或者，终端也可以每间隔预设时长，向终端发送一次操作行为消息，此时操作行为消息包括本次预设时长内用户对推荐的直播间的操作行为数据。
步骤二，根据用户对推荐的直播间的操作行为数据，更新该用户的用户信息，并确定该用户的用户信息对应的各推荐的直播间的标准推荐得分。
一种实施方式中，利用该用户对推荐的直播间的操作行为数据，更新该用户对直播间的历史操作行为数据。并针对每个推荐的直播间，在该用户对该直播间的历史操作行为数据包括正向操作行为数据且不包括负向操作行为数据时，确定该用户的用户信息对应的该直播间的标准推荐得分为1；在该用户对该直播间的历史操作行为数据不包括正向操作行为数据或者包括负向操作行为数据时，确定该用户的用户信息对应的该直播间的标准推荐得分为0。
步骤三，将更新后的用户信息作为样本用户信息，将用户对推荐的直播间的标准推荐得分作为样本用户信息对应的各直播间的标准推荐得分，并将推荐的各直播间的直播间信息作为样本直播间信息，训练推荐模型。
训练推荐模型的方式可参考图2的相关步骤，此处不再赘述。
由于本发明实施例能够基于用户对推荐的直播间的转化行为，更新推荐模型，能够提高推荐模型的识别准确度。
上述步骤S101可以通过以下两种方式实现。
方式一，接收终端发送的直播推荐请求，其中，直播推荐请求中包括用户在终端中使用的各APP的使用时长。
方式一可以应用在用户启动直播APP的场景中，当终端检测到启动直播APP时，向服务器发送直播推荐请求。后续终端可以在接收到服务器推荐的预设数量个直播间时，将推荐的直播间展示在直播APP的页面中。
方式一还可以应用在启动直播APP后需要请求更多推荐的直播间的场景中。例如，当终端检测到用户在直播APP的页面中向下翻页，且接收到的服务器推荐的直播间均展示完毕后，向服务器发送直播推荐请求，以请求推荐更多的直播间。
在本发明实施例中，直播APP为本发明实施例中的服务器所服务的产品。
可以理解的，由于推荐模型在向用户推荐直播间的过程中，基于用户对推荐的直播间的转化行为不断更新，因此服务器每次接收到直播推荐请求后，推荐的直播间可能不同，减少终端多次发送直播推荐请求，服务器向终端推荐的直播间相同的情况。
方式二，向终端发送时长获取请求，其中，时长获取请求用于请求获取用户在终端中使用的各APP的使用时长。然后接收终端发送的时长获取响应，其中，时长获取响应中包括用户在终端中使用的各APP的使用时长。
方式二可以应用在直播间推送场景下。例如，服务器在指定时刻需要向终端发送推荐消息，此时服务器可以向终端发送时长获取请求，然后接收终端发送的时长获取响应。在执行步骤S104向终端推送预设数量各直播间时，向终端发送直播间信息。例如，直播间信息包括：主播名称，直播间截图和直播间类型等。
上述方式一和方式二中，终端可以在检测到用户授予直播APP指定功能权限时，获取终端在预设时间段内统计的用户在终端中使用的每个APP的使用时长，并发送给服务器。其中，指定功能权限为允许获取APP的使用时长。
由于本发明实施例提供的直播间推荐方法可以应用在多种场景下，使得本发明实施例的应用范围广。
参见图3，以下通过一个具体实施例，介绍本发明实施例提供的直播间推荐方法。
步骤S301，终端在检测到用户启动直播APP时，确定用户是否授予直播APP指定功能权限，若是，则获取用户在终端中使用的各APP的使用时长。
例如，终端获取到预设时间段内，王者荣耀的使用时长为5小时(hour，h)、淘宝的使用时长为10分钟(minute，min)、唯品会的使用时长为10min、微信的使用时长为30min。
步骤S302，终端向服务器发送直播推荐请求。其中，直播推荐请求中包括用户在终端中使用的各APP的使用时长。
步骤S303，服务器接收终端发送的直播推荐请求，分别确定各APP所属的应用类别，并针对每个应用类别，将属于该应用类别的各APP的使用时长的总和，作为用户对该应用类别的使用总时长。
例如，预设时间段内，用户在终端中使用的王者荣耀的使用时长为5h、淘宝的使用时长为10min、唯品会的使用时长为10min、微信的使用时长为30min。服务器根据表一，确定王者荣耀所属的应用类别为游戏，确定淘宝所属的应用类别为电商，确定唯品会所属的应用类别为电商，确定微信所属的应用类别为聊天。然后确定预设时间段内用户对游戏的使用总时长为5h，对电商的使用总时长为20min，对聊天的使用总时长为30min。
表一
步骤S304，服务器将用户的用户信息和当前在线的各直播间的直播间信息输入推荐模型，获得推荐模型输出的当前在线的各直播间的推荐得分。
步骤S305，服务器按照当前在线的各直播间的推荐得分从高到低的顺序，选择预设数量个直播间。
步骤S306，服务器向终端发送直播推荐响应。其中，直播推荐响应中包括预设数量个直播间的直播间信息。
步骤S307，终端接收直播间推荐响应，并在直播APP的页面中展示接收到的直播间的直播间信息。
终端可以按照预设数量个直播间的排列顺序，在直播APP的页面中展示指定数量个直播间的直播间信息。其中，预设数量大于指定数量，指定数量根据终端显示的直播APP的页面大小确定。
步骤S308，终端在接收到用户对直播间的操作行为时，向服务器发送操作行为消息。其中，操作行为消息包括用户对推荐的直播间的操作行为数据。
步骤S309，服务器接收操作行为消息，根据用户对推荐的直播间的操作行为数据，更新该用户的用户信息，并确定该用户的用户信息对应的各推荐的直播间的标准推荐得分。
步骤S310，服务器将更新后的用户信息作为样本用户信息，将用户对推荐的直播间的标准推荐得分作为样本用户信息对应的各直播间的标准推荐得分，并将推荐的各直播间的直播间信息作为样本直播间信息，训练推荐模型。
可见，本发明实施例在APP冷启动的场景下，仍然能为用户准确地推荐直播间。
基于相同的发明构思，对应于上述方法实施例，本发明实施例提供了一种直播间推荐装置，应用于服务器，如图4所示，该装置包括：获取模块401、确定模块402、获得模块403和推荐模块404；
获取模块401，用于获取用户在终端中使用的各应用程序APP的使用时长，针对每个APP，该APP的使用时长为用户在预设时间段内对该APP的累计使用时长；
确定模块402，用于分别确定各APP所属的应用类别，并针对每个应用类别，将属于该应用类别的各APP的使用时长的总和，作为用户对该应用类别的使用总时长；
获得模块403，用于将用户的用户信息和当前在线的各直播间的直播间信息输入推荐模型，获得推荐模型输出的当前在线的各直播间的推荐得分；其中，用户信息包括用户对每个应用类别的使用总时长，直播间信息包括直播间的类别；推荐模型为基于训练集对深度学习网络模型进行训练后得到的模型，训练集包括样本用户信息、样本用户信息对应的各样本直播间的标准推荐得分以及样本直播间信息，样本用户信息包括样本用户对每个应用类别的使用总时长、样本用户的基础信息和样本用户对样本直播间的历史操作行为数据，样本直播间信息包括多个样本直播间的类别；
推荐模块404，用于按照获得模块403获得的当前在线的各直播间的推荐得分从高到低的顺序，向终端推荐预设数量个直播间。
可选的，该装置还包括训练模块，训练模块用于：
将训练集中的样本用户信息和样本直播间信息输入深度学习网络模型；
获取深度学习网络模型针对每个样本用户信息输出的各样本直播间的推荐得分；
根据深度学习网络模型输出的各样本直播间的推荐得分和输入深度学习网络模型的样本用户信息对应的各样本直播间的标准推荐得分，计算损失函数值；
根据损失函数值确定深度学习网络模型是否收敛；
若深度学习网络模型未收敛，则基于损失函数值更新深度学习网络模型的网络参数，并返回将训练集中的样本用户信息和样本直播间信息输入深度学习网络模型的步骤；
若深度学习网络模型收敛，则将当前的深度学习网络模型作为推荐模型。
可选的，该装置还包括：接收模块、更新模块和训练模块；
接收模块，用于在按照当前在线的各直播间的推荐得分从高到低的顺序，向终端推荐预设数量个直播间之后，接收终端发送的操作行为消息，操作行为消息包括用户对推荐的直播间的操作行为数据；
更新模块，用于根据用户对推荐的直播间的操作行为数据，更新用户的用户信息，并确定用户的用户信息对应的各推荐的直播间的标准推荐得分；
训练模块，用于将更新后的用户信息作为样本用户信息，将用户对推荐的直播间的标准推荐得分作为样本用户信息对应的各直播间的标准推荐得分，并将推荐的各直播间的直播间信息作为样本直播间信息，训练推荐模型。
可选的，获得模块403，具体用于：
根据用户的用户信息，生成用户特征向量；
根据当前在线的各直播间的直播间信息，生成直播间特征向量；
将用户特征向量和直播间特征向量输入推荐模型。
可选的，获取模块401，具体用于：
接收终端发送的直播推荐请求，直播推荐请求中包括用户在终端中使用的各APP的使用时长；或者，
向终端发送时长获取请求，时长获取请求用于请求获取用户在终端中使用的各APP的使用时长；
接收终端发送的时长获取响应，时长获取响应中包括用户在终端中使用的各APP的使用时长。
本发明实施例还提供了一种服务器，如图5所示，包括处理器501、通信接口502、存储器503和通信总线504，其中，处理器501，通信接口502，存储器503通过通信总线504完成相互间的通信，
存储器503，用于存放计算机程序；
处理器501，用于执行存储器503上所存放的程序时，实现上述方法实施例中由服务器执行的步骤。
上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect，PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory，RAM)，也可以包括非易失性存储器(Non-Volatile Memory，NVM)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(Digital SignalProcessor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)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。
在本发明提供的又一实施例中，还提供了一种计算机可读存储介质，该计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述任一直播间推荐方法的步骤。
在本发明提供的又一实施例中，还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述实施例中任一直播间推荐方法。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物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、物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、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述，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，对于装置实施例而言，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。
以上所述仅为本发明的较佳实施例，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。
Claims (10)
1.一种直播间推荐方法，其特征在于，应用于服务器，所述方法包括：
获取用户在终端中使用的各应用程序APP的使用时长，针对每个APP，该APP的使用时长为用户在预设时间段内对该APP的累计使用时长；
分别确定所述各APP所属的应用类别，并针对每个应用类别，将属于该应用类别的各APP的使用时长的总和，作为所述用户对该应用类别的使用总时长；
将所述用户的用户信息和当前在线的各直播间的直播间信息输入推荐模型，获得所述推荐模型输出的当前在线的各直播间的推荐得分；其中，所述用户信息包括所述用户对每个应用类别的使用总时长，所述直播间信息包括直播间的类别；所述推荐模型为基于训练集对深度学习网络模型进行训练后得到的模型，所述训练集包括样本用户信息、样本用户信息对应的各样本直播间的标准推荐得分以及样本直播间信息，所述样本用户信息包括样本用户对每个应用类别的使用总时长、样本用户的基础信息和样本用户对样本直播间的历史操作行为数据，所述样本直播间信息包括多个样本直播间的类别；
按照所述当前在线的各直播间的推荐得分从高到低的顺序，向所述终端推荐预设数量个直播间。
2.根据权利要求1所述的方法，其特征在于，所述推荐模型通过以下步骤训练获得：
将所述训练集中的样本用户信息和样本直播间信息输入深度学习网络模型；
获取所述深度学习网络模型针对每个样本用户信息输出的各样本直播间的推荐得分；
根据所述深度学习网络模型输出的各样本直播间的推荐得分和输入所述深度学习网络模型的样本用户信息对应的各样本直播间的标准推荐得分，计算损失函数值；
根据所述损失函数值确定所述深度学习网络模型是否收敛；
若所述深度学习网络模型未收敛，则基于所述损失函数值更新所述深度学习网络模型的网络参数，并返回将所述训练集中的样本用户信息和样本直播间信息输入深度学习网络模型的步骤；
若所述深度学习网络模型收敛，则将当前的深度学习网络模型作为所述推荐模型。
3.根据权利要求1所述的方法，其特征在于，在按照所述当前在线的各直播间的推荐得分从高到低的顺序，向所述终端推荐预设数量个直播间之后，所述方法还包括：
接收所述终端发送的操作行为消息，所述操作行为消息包括所述用户对推荐的直播间的操作行为数据；
根据所述用户对推荐的直播间的操作行为数据，更新所述用户的用户信息，并确定所述用户的用户信息对应的各推荐的直播间的标准推荐得分；
将更新后的用户信息作为样本用户信息，将所述用户对推荐的直播间的标准推荐得分作为样本用户信息对应的各直播间的标准推荐得分，并将推荐的各直播间的直播间信息作为样本直播间信息，训练所述推荐模型。
4.根据权利要求1所述的方法，其特征在于，所述将所述用户的用户信息和当前在线的各直播间的直播间信息输入推荐模型，包括：
根据所述用户的用户信息，生成用户特征向量；
根据所述当前在线的各直播间的直播间信息，生成直播间特征向量；
将所述用户特征向量和所述直播间特征向量输入所述推荐模型。
5.根据权利要求1-4任一项所述的方法，其特征在于，所述获取用户在终端中使用的各应用程序APP的使用时长，包括：
接收所述终端发送的直播推荐请求，所述直播推荐请求中包括所述用户在终端中使用的各APP的使用时长；或者，
向所述终端发送时长获取请求，所述时长获取请求用于请求获取所述用户在终端中使用的各APP的使用时长；
接收所述终端发送的时长获取响应，所述时长获取响应中包括所述用户在终端中使用的各APP的使用时长。
6.一种直播间推荐装置，其特征在于，应用于服务器，所述装置包括：
获取模块，用于获取用户在终端中使用的各应用程序APP的使用时长，针对每个APP，该APP的使用时长为用户在预设时间段内对该APP的累计使用时长；
确定模块，用于分别确定所述各APP所属的应用类别，并针对每个应用类别，将属于该应用类别的各APP的使用时长的总和，作为所述用户对该应用类别的使用总时长；
获得模块，用于将所述用户的用户信息和当前在线的各直播间的直播间信息输入推荐模型，获得所述推荐模型输出的当前在线的各直播间的推荐得分；其中，所述用户信息包括所述用户对每个应用类别的使用总时长，所述直播间信息包括直播间的类别；所述推荐模型为基于训练集对深度学习网络模型进行训练后得到的模型，所述训练集包括样本用户信息、样本用户信息对应的各样本直播间的标准推荐得分以及样本直播间信息，所述样本用户信息包括样本用户对每个应用类别的使用总时长、样本用户的基础信息和样本用户对样本直播间的历史操作行为数据，所述样本直播间信息包括多个样本直播间的类别；
推荐模块，用于按照所述获得模块获得的所述当前在线的各直播间的推荐得分从高到低的顺序，向所述终端推荐预设数量个直播间。
7.根据权利要求6所述的装置，其特征在于，所述装置还包括训练模块，所述训练模块用于：
将所述训练集中的样本用户信息和样本直播间信息输入深度学习网络模型；
获取所述深度学习网络模型针对每个样本用户信息输出的各样本直播间的推荐得分；
根据所述深度学习网络模型输出的各样本直播间的推荐得分和输入所述深度学习网络模型的样本用户信息对应的各样本直播间的标准推荐得分，计算损失函数值；
根据所述损失函数值确定所述深度学习网络模型是否收敛；
若所述深度学习网络模型未收敛，则基于所述损失函数值更新所述深度学习网络模型的网络参数，并返回将所述训练集中的样本用户信息和样本直播间信息输入深度学习网络模型的步骤；
若所述深度学习网络模型收敛，则将当前的深度学习网络模型作为所述推荐模型。
8.根据权利要求6所述的装置，其特征在于，所述装置还包括：接收模块、更新模块和训练模块；
所述接收模块，用于在按照所述当前在线的各直播间的推荐得分从高到低的顺序，向所述终端推荐预设数量个直播间之后，接收所述终端发送的操作行为消息，所述操作行为消息包括所述用户对推荐的直播间的操作行为数据；
所述更新模块，用于根据所述用户对推荐的直播间的操作行为数据，更新所述用户的用户信息，并确定所述用户的用户信息对应的各推荐的直播间的标准推荐得分；
所述训练模块，用于将更新后的用户信息作为样本用户信息，将所述用户对推荐的直播间的标准推荐得分作为样本用户信息对应的各直播间的标准推荐得分，并将推荐的各直播间的直播间信息作为样本直播间信息，训练所述推荐模型。
9.一种服务器，其特征在于，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现权利要求1-5任一项所述的方法步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-5任一项所述的方法步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110284993.XA CN112883275B (zh) | 2021-03-17 | 2021-03-17 | 一种直播间推荐方法、装置、服务器及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110284993.XA CN112883275B (zh) | 2021-03-17 | 2021-03-17 | 一种直播间推荐方法、装置、服务器及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112883275A true CN112883275A (zh) | 2021-06-01 |
| CN112883275B CN112883275B (zh) | 2024-01-19 |
Family
ID=76041108
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110284993.XA Active CN112883275B (zh) | 2021-03-17 | 2021-03-17 | 一种直播间推荐方法、装置、服务器及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112883275B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113592543A (zh) * | 2021-07-27 | 2021-11-02 | 北京达佳互联信息技术有限公司 | 评估直播导引效果的方法和装置 |
| CN114885185A (zh) * | 2022-04-28 | 2022-08-09 | 阿里巴巴（中国）有限公司 | 直播间推荐方法、内容推荐方法、终端及存储介质 |
Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103180871A (zh) * | 2010-11-01 | 2013-06-26 | 国际商业机器公司 | 应用程序推荐 |
| CN103605656A (zh) * | 2013-09-30 | 2014-02-26 | 小米科技有限责任公司 | 一种推荐音乐的方法、装置及一种移动终端 |
| CN103617075A (zh) * | 2013-12-04 | 2014-03-05 | 百度在线网络技术（北京）有限公司 | 应用程序推荐方法、系统和服务器 |
| CN104427118A (zh) * | 2013-09-06 | 2015-03-18 | 华为技术有限公司 | 一种内容推荐的方法及移动终端 |
| CN104899220A (zh) * | 2014-03-06 | 2015-09-09 | 腾讯科技（深圳）有限公司 | 应用程序推荐方法和系统 |
| CN105553815A (zh) * | 2015-10-27 | 2016-05-04 | 东莞酷派软件技术有限公司 | 一种应用推荐方法及用户终端 |
| CN106528745A (zh) * | 2016-10-27 | 2017-03-22 | 北京奇虎科技有限公司 | 在移动终端上推荐资源的方法、装置及移动终端 |
| CN107301585A (zh) * | 2017-06-06 | 2017-10-27 | 北京溢思得瑞智能科技研究院有限公司 | 一种基于实时动态交互式场景应用的推荐方法、系统及设备 |
| CN108494851A (zh) * | 2018-03-21 | 2018-09-04 | 广东欧珀移动通信有限公司 | 应用程序推荐方法、装置以及移动终端 |
| CN108536694A (zh) * | 2017-03-02 | 2018-09-14 | 广州市动景计算机科技有限公司 | 用户偏好的推测方法、装置和终端设备 |
| CN110351318A (zh) * | 2018-04-04 | 2019-10-18 | 腾讯科技（深圳）有限公司 | 应用推荐的方法、终端和计算机存储介质 |
| CN110677470A (zh) * | 2019-09-24 | 2020-01-10 | 北京小米移动软件有限公司 | 服务信息推送方法、装置及计算机可读存储介质 |
| CN111026967A (zh) * | 2019-12-09 | 2020-04-17 | 腾讯科技（深圳）有限公司 | 一种获得用户兴趣标签的方法、装置、设备和介质 |
| CN111259231A (zh) * | 2018-12-03 | 2020-06-09 | 珠海格力电器股份有限公司 | 应用程序的推荐方法和装置 |
| CN112104505A (zh) * | 2020-09-21 | 2020-12-18 | 深圳市欢太科技有限公司 | 应用推荐方法、装置、服务器和计算机可读存储介质 |
-
2021
- 2021-03-17 CN CN202110284993.XA patent/CN112883275B/zh active Active
Patent Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103180871A (zh) * | 2010-11-01 | 2013-06-26 | 国际商业机器公司 | 应用程序推荐 |
| CN104427118A (zh) * | 2013-09-06 | 2015-03-18 | 华为技术有限公司 | 一种内容推荐的方法及移动终端 |
| CN103605656A (zh) * | 2013-09-30 | 2014-02-26 | 小米科技有限责任公司 | 一种推荐音乐的方法、装置及一种移动终端 |
| CN103617075A (zh) * | 2013-12-04 | 2014-03-05 | 百度在线网络技术（北京）有限公司 | 应用程序推荐方法、系统和服务器 |
| CN104899220A (zh) * | 2014-03-06 | 2015-09-09 | 腾讯科技（深圳）有限公司 | 应用程序推荐方法和系统 |
| CN105553815A (zh) * | 2015-10-27 | 2016-05-04 | 东莞酷派软件技术有限公司 | 一种应用推荐方法及用户终端 |
| CN106528745A (zh) * | 2016-10-27 | 2017-03-22 | 北京奇虎科技有限公司 | 在移动终端上推荐资源的方法、装置及移动终端 |
| CN108536694A (zh) * | 2017-03-02 | 2018-09-14 | 广州市动景计算机科技有限公司 | 用户偏好的推测方法、装置和终端设备 |
| CN107301585A (zh) * | 2017-06-06 | 2017-10-27 | 北京溢思得瑞智能科技研究院有限公司 | 一种基于实时动态交互式场景应用的推荐方法、系统及设备 |
| CN108494851A (zh) * | 2018-03-21 | 2018-09-04 | 广东欧珀移动通信有限公司 | 应用程序推荐方法、装置以及移动终端 |
| CN110351318A (zh) * | 2018-04-04 | 2019-10-18 | 腾讯科技（深圳）有限公司 | 应用推荐的方法、终端和计算机存储介质 |
| CN111259231A (zh) * | 2018-12-03 | 2020-06-09 | 珠海格力电器股份有限公司 | 应用程序的推荐方法和装置 |
| CN110677470A (zh) * | 2019-09-24 | 2020-01-10 | 北京小米移动软件有限公司 | 服务信息推送方法、装置及计算机可读存储介质 |
| CN111026967A (zh) * | 2019-12-09 | 2020-04-17 | 腾讯科技（深圳）有限公司 | 一种获得用户兴趣标签的方法、装置、设备和介质 |
| CN112104505A (zh) * | 2020-09-21 | 2020-12-18 | 深圳市欢太科技有限公司 | 应用推荐方法、装置、服务器和计算机可读存储介质 |
Non-Patent Citations (3)
| Title |
|---|
| 夏立新;杨金庆;程秀峰;: "移动环境下融合情境信息的群组推荐模型研究――基于用户APP行为数据的实证分析", 情报学报, no. 04, pages 48 - 57 * |
| 赵海燕;张健;曹健;: "基于APP使用历史主题分析的个性化推荐算法", 电子科技, no. 10, pages 129 - 132 * |
| 赵海燕;张健;曹健;: "基于主题分组与随机游走的App推荐算法", 计算机应用研究, no. 08, pages 43 - 46 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113592543A (zh) * | 2021-07-27 | 2021-11-02 | 北京达佳互联信息技术有限公司 | 评估直播导引效果的方法和装置 |
| CN114885185A (zh) * | 2022-04-28 | 2022-08-09 | 阿里巴巴（中国）有限公司 | 直播间推荐方法、内容推荐方法、终端及存储介质 |
| CN114885185B (zh) * | 2022-04-28 | 2024-05-24 | 阿里巴巴（中国）有限公司 | 直播间推荐方法、内容推荐方法、终端及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112883275B (zh) | 2024-01-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109495770B (zh) | 一种直播间推荐方法、装置、设备及介质 | |
| US20200356572A1 (en) | Search ranking method and apparatus, electronic device and storage medium | |
| CN108810642B (zh) | 一种弹幕显示方法、装置及电子设备 | |
| CN109040329B (zh) | 联系人标签的确定方法、终端设备及介质 | |
| US11157875B2 (en) | Address extraction from a communication | |
| CN108965951B (zh) | 广告的播放方法及装置 | |
| CN109089172B (zh) | 一种弹幕显示方法、装置及电子设备 | |
| CN112883275B (zh) | 一种直播间推荐方法、装置、服务器及介质 | |
| CN110019382B (zh) | 用户亲密度指数确定方法、装置、存储介质及电子设备 | |
| EP3287973A1 (en) | Method and device for information processing | |
| US20120221965A1 (en) | Discussion Enlivenment Assistance Device, Discussion Enlivenment Assistance Method, and Computer Program Therefore | |
| CN112669078A (zh) | 一种行为预测模型训练方法、装置、设备及存储介质 | |
| CN110555172A (zh) | 用户关系挖掘方法及装置、电子设备和存储介质 | |
| CN108805332B (zh) | 一种特征评估方法和装置 | |
| JP2013077056A (ja) | アプリケーション推薦装置及びアプリケーション推薦方法 | |
| CN113656681A (zh) | 一种对象评价方法、装置、设备及存储介质 | |
| CN111191124A (zh) | 确定兴趣标签权重的方法、装置、存储介质及电子设备 | |
| CN111314790A (zh) | 一种视频播放记录的排序方法、装置和电子设备 | |
| CN108021713B (zh) | 一种文档聚类的方法和装置 | |
| JP6055912B2 (ja) | 端末装置および装置のプログラム | |
| CN110996142B (zh) | 视频召回方法及装置、电子设备及存储介质 | |
| CN114119123A (zh) | 信息推送的方法和装置 | |
| CN111666481B (zh) | 数据挖掘方法、装置、计算机可读介质及电子设备 | |
| CN107590176B (zh) | 一种评价指标的获得方法、装置及电子设备 | |
| CN115329214A (zh) | 一种用户推荐方法、装置、电子设备及存储介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |