CN112887743B - 直播平台的信息推送方法、装置、电子设备和存储介质 - Google Patents
直播平台的信息推送方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN112887743B CN112887743B CN202110068199.1A CN202110068199A CN112887743B CN 112887743 B CN112887743 B CN 112887743B CN 202110068199 A CN202110068199 A CN 202110068199A CN 112887743 B CN112887743 B CN 112887743B
- Authority
- CN
- China
- Prior art keywords
- feature
- information
- user
- push
- live broadcast
- 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
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
- H04N21/21—Server components or server architectures
- H04N21/218—Source of audio or video content, e.g. local disk arrays
- H04N21/2187—Live feed
-
- 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
- H04N21/25—Management operations performed by the server for facilitating the content distribution or administrating data related to end-users or client devices, e.g. end-user or client device authentication, learning user preferences for recommending movies
- H04N21/258—Client or end-user data management, e.g. managing client capabilities, user preferences or demographics, processing of multiple end-users preferences to derive collaborative data
- H04N21/25866—Management of end-user data
- H04N21/25891—Management of end-user data being end-user preferences
Abstract
本发明公开了一种直播平台的信息推送方法、装置、电子设备和存储介质。其中,该方法包括:若检测到推送对象的标签制作事件,则确定用户标签的特征向量;将用户标签的特征向量输入预先训练得到的特征聚类模型中,并根据特征聚类模型的输出确定特征向量的特征类别;将特征向量的特征类别输入信息分类模型中,并根据信息分类模型的输出确定推送信息,以推送给推送对象;其中,推送信息包括如下至少一种:直播平台信息库中的直播内容、参与用户信息和参与主播信息。本发明实施例能够通过对用户标签进行分类得出用户特征,并根据用户特征确定推送信息,从而提高直播信息的推送精度。
Description
技术领域
本发明实施例涉及一种信息处理技术领域,尤其涉及一种直播平台的信息推送方法、装置、电子设备和存储介质。
背景技术
在直播平台中,注册用户的个人资料里面一般都有选择或自定义个人标签的功能,用来展示用户爱好或个人特点。直播系统往往会根据用户的标签预测用户的感兴趣点并进行相关信息的推送。现有的推送方法一般是直接根据用户标签与直播信息做匹配,根据匹配结果判断用户相似度以便做用户推荐或匹配,以帮助用户有效的找到感兴趣的人或内容。
上述方案的缺陷在于:根据用户标签与直播信息进行相似性匹配,仅是根据标签名称进行字面匹配,难以识别出用户特征,导致推送信息的精准度较低。
发明内容
本申请实施例提供一种直播平台的信息推送方法、装置、电子设备和存储介质,可以通过对用户标签进行分类得出用户特征,并根据用户特征确定推送信息,从而提高直播信息的推送精度。
第一方面,本发明实施例提供了一种直播平台的信息推送方法,包括:
若检测到推送对象的标签制作事件,则确定用户标签的特征向量;
将所述用户标签的特征向量输入预先训练得到的特征聚类模型中,并根据所述特征聚类模型的输出确定所述特征向量的特征类别;
将所述特征向量的特征类别输入信息分类模型中,并根据所述信息分类模型的输出确定推送信息,以推送给所述推送对象;
其中,所述推送信息包括如下至少一种:直播平台信息库中的直播内容、参与用户信息和参与主播信息。
可选的,确定用户标签的特征向量,包括:
对用户标签进行数据处理,得到处理后的用户标签;其中,所述数据处理包括数据清洗和/或数据探查;
将所述处理后的用户标签进行向量转化,得到所述用户标签的特征向量。
可选的,特征聚类模型的训练过程包括:
确定参与直播的历史用户标签的特征向量;并将所述历史用户标签的特征向量分为训练样本集和验证样本集;
将所述训练样本集进行聚类处理,得到所述训练样本集中历史用户标签的特征向量的特征类别;
根据所述训练样本集和所述训练样本集中特征向量的特征类别,建立初始聚类模型;并利用所述验证样本集对所述初始聚类模型进行验证,以确定特征聚类模型。
可选的,信息分类模型包括直播内容分类子模型、参与用户子模型和参与主播子模型中的至少一种。
可选的,根据所述特征聚类模型的输出确定所述特征向量的特征类别,包括:
若检测到所述特征聚类模型的输出为空,则计算所述用户标签的特征向量与所述特征聚类模型中各特征向量的匹配值;
将最大匹配值的特征向量关联的特征类别作为所述用户标签的特征向量的特征类别。
可选的,将所述特征向量的特征类别输入信息分类模型中,并根据所述信息分类模型的输出确定推送信息,包括:
若检测到所述推送对象为历史用户,则分别将所述推送对象的历史特征向量的特征类别和所述特征向量的特征类别输入信息分类模型中,得到第一信息和第二信息;
根据所述第一信息和所述第二信息确定推送信息。
可选的,其特征在于,所述方法还包括:
响应于模型更新触发操作,根据直播平台的历史用户标签对所述特征聚类模型进行训练更新。
第二方面,本发明实施例提供了一种直播平台的信息推送装置,包括:
特征向量确定模块,用于若检测到推送对象的标签制作事件,则确定用户标签的特征向量;
特征类别确定模块,用于将所述用户标签的特征向量输入预先训练得到的特征聚类模型中,并根据所述特征聚类模型的输出确定所述特征向量的特征类别;
推送信息确定模块,用于将所述特征向量的特征类别输入信息分类模型中,并根据所述信息分类模型的输出确定推送信息,以推送给所述推送对象;
其中,所述推送信息包括如下至少一种:直播平台信息库中的直播内容、参与用户信息和参与主播信息。
可选的,特征向量确定模块,具体用于:
对用户标签进行数据处理,得到处理后的用户标签;其中,所述数据处理包括数据清洗和/或数据探查;
将所述处理后的用户标签进行向量转化,得到所述用户标签的特征向量。
可选的,还包括模型训练模块;模型训练模块包括;
样本集确定单元,用于确定参与直播的历史用户标签的特征向量;并将所述历史用户标签的特征向量分为训练样本集和验证样本集;
特征类别确定单元,用于将所述标签训练样本集进行聚类处理,得到所述标签训练样本集中历史用户标签的特征类别;
模型确定单元,用于根据所述训练样本集和所述训练样本集中特征向量的特征类别,建立初始聚类模型;并利用所述验证样本集对所述初始聚类模型进行验证,以确定特征聚类模型。
可选的,信息分类模型包括直播内容分类子模型、参与用户子模型和参与主播子模型中的至少一种。
可选的,特征类别确定模块,具体用于:
若检测到所述特征聚类模型的输出为空,则计算所述用户标签的特征向量与所述特征聚类模型中各特征向量的匹配值;
将最大匹配值的特征向量关联的特征类别作为所述用户标签的特征向量的特征类别。
可选的,推送信息确定模块,具体用于:
若检测到所述推送对象为历史用户,则分别将所述推送对象的历史特征向量的特征类别和所述特征向量的特征类别输入信息分类模型中,得到第一信息和第二信息;
根据所述第一信息和所述第二信息确定推送信息。
可选的,还包括:
模型更新模块,用于响应于模型更新触发操作,根据直播平台的历史用户标签对所述特征聚类模型进行训练更新。
第三方面,本发明实施例还提供了一种电子设备,该电子设备包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现本发明实施例中的任一种所述的直播平台的信息推送方法。
第四方面,本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现本发明实施例中的任一种所述的直播平台的信息推送方法。
本发明实施例若检测到推送对象的标签制作事件,则确定用户标签的特征向量;将用户标签的特征向量输入预先训练得到的特征聚类模型中,并根据特征聚类模型的输出确定特征向量的特征类别;将特征向量的特征类别输入信息分类模型中,并根据信息分类模型的输出确定推送信息,以推送给推送对象;其中,推送信息包括如下至少一种:直播平台信息库中的直播内容、参与用户信息和参与主播信息。本发明实施例能够通过对用户标签进行分类得出用户特征,并根据用户特征确定推送信息,从而提高直播信息的推送精度。
附图说明
图1是本发明实施例一中的直播平台的信息推送方法的流程示意图;
图2是本发明实施例二中的直播平台的信息推送方法的流程示意图;
图3是本发明实施例三中的直播平台的信息推送装置的结构示意图;
图4是本发明实施例四中的电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1是本发明实施例一中的直播平台的信息推送方法的流程示意图。本实施例可适用于为直播用户精准推送直播信息的情况。本实施例方法可由直播平台的信息推送装置来执行,该装置可采用硬件/或软件的方式来实现,并可配置于电子设备中。可实现本申请任意实施例所述的直播平台的信息推送方法。如图1所示,该方法具体包括如下:
S110、若检测到推送对象的标签制作事件,则确定用户标签的特征向量。
在本实施例中,推送对象为在直播平台上已经注册过或者将要进行注册的参与用户;标签制作事件为直播平台中的用户标签进行更新操作或者写入操作;示例性的,若推送对象为直播平台的新用户,则标签制作事件为对用户标签的写入操作;若送对象为直播平台的历史用户,则标签制作事件为对用户标签的更新操作。其中,用户标签为触发标签制作事件的推送对象的注册标签。
用户标签的特征向量为对用户标签的词语进行向量化处理,得到的能够统一反映用户标签的不同词语的表征向量,由于不同用户在注册时所写入的注册词语不同,确定出用户标签的特征向量能够使得用户标签具有统一的规则化表示,从而提高直播平台对不同用户标签的规则化管理。
S120、将用户标签的特征向量输入预先训练得到的特征聚类模型中,并根据特征聚类模型的输出确定特征向量的特征类别。
在本实施例中,特征聚类模型是基于不同用户标签的特征向量与其特征类别训练得到;特征聚类模型的输入为用户标签的特征向量,输出为特征类别或者为空。特征聚类模型是通过用户标签的特征向量与特征类别的相似值预测得出,即相似值大于预设阈值,则会输出该特征向量的特征类别;若相似值均小于预设阈值,则表明不存在与输入的用户标签的特征向量对应的特征类别,特征聚类模型的输出即为空。
S130、将特征向量的特征类别输入信息分类模型中,并根据信息分类模型的输出确定推送信息,以推送给推送对象;其中,推送信息包括如下至少一种:直播平台信息库中的直播内容、参与用户信息和参与主播信息。
在本实施例中,信息分类模型可根据特征向量的特征类别和直播平台中的推送信息训练得到;其中,直播平台中的推送信息也具有其既定标签,可根据推送信息的既定标签与特征向量的特征类别进行相似度匹配,将匹配度较高的作为关联对封装在信息分类模型中,以对输入的特征向量的特征类别进行快速识别。
在本实施例中,可选的,信息分类模型包括直播内容分类子模型、参与用户子模型和参与主播子模型中的至少一种。直播分类子模型能够根据输入的特征向量的特征类别输出直播的展示内容;参与用户子模型能够根据输入的特征向量的特征类别输出参与直播的用户,以方便与推送对象进行交流沟通;参与主播子模型能够根据输入的特征向量的特征类别输出参与直播的主播。本实施例对信息分类模型进行详细划分,能够使得根据输入的特征向量的特征类别有效识别出待推送的推送信息。
本发明实施例若检测到推送对象的标签制作事件,则确定用户标签的特征向量;将用户标签的特征向量输入预先训练得到的特征聚类模型中,并根据特征聚类模型的输出确定特征向量的特征类别;将特征向量的特征类别输入信息分类模型中,并根据信息分类模型的输出确定推送信息,以推送给推送对象;其中,推送信息包括如下至少一种:直播平台信息库中的直播内容、参与用户信息和参与主播信息。本发明实施例能够通过对用户标签进行分类得出用户特征,并根据用户特征确定推送信息,从而提高直播信息的推送精度。
实施例二
图2是本发明实施例二中的直播平台的信息推送方法的流程示意图。本实施例是在上述实施例的基础上进一步扩展与优化,并可与上述技术方案中任意可选方案组合。如图2所示,该方法包括:
S210、若检测到推送对象的标签制作事件,则对用户标签进行数据处理,得到处理后的用户标签;其中,数据处理包括数据清洗和/或数据探查。
在本实施例中,由于每个用户书写标签的用词习惯不同,为了使得相同标签实现表述统一,则需要对用户标签进行数据处理;其中,数据清洗为对用户标签进行格式化处理的操作,例如重复词的剔除、单个字的剔除以及符号表情符的剔除;由于单个字和符号表情难以准确反映出用户的个性信息,为了避免误判用户特征,需要对其进行剔除;数据探查为根据用户标签中的词语进行标签扩充操作,例如用户标签中词语的相近词或者同义词。
S220、将处理后的用户标签进行向量转化,得到用户标签的特征向量。
在本实施例中,向量转化是对用户标签中的词语进行向量统一表达化操作,将人可识别的文本语言(例如文字)转换成机器可识别的语言(例如数字);其可通过编码方式实现,例如离散式编码和分布式编码;其中,离散式编码方式包括one-hot、bag of words、TF-IDF或者N-gram;分布式编码方式包括:共现矩阵、NNLM(Neural Network Language Model,神经网络语言模型)或者CBOW(Continue Bag Of Words,连续词袋)。本实施例通过对进行数据处理后的用户标签进行向量转化,转化后的特征向量的可用性较高,即不存在重复向量、无意义向量以及表述不清楚向量造成向量难以被识别的问题。
S230、将用户标签的特征向量输入预先训练得到的特征聚类模型中,并根据特征聚类模型的输出确定特征向量的特征类别。
在本实施例中,可选的,特征聚类模型的训练过程包括:
确定参与直播的历史用户标签的特征向量;并将历史用户标签的特征向量分为训练样本集和验证样本集;
将训练样本集进行聚类处理,得到训练样本集中历史用户标签的特征向量的特征类别;
根据训练样本集和训练样本集中特征向量的特征类别,建立初始聚类模型;并利用验证样本集对初始聚类模型进行验证,以确定特征聚类模型。
其中,参与直播的历史用户标签的特征向量是根据历史用户标签进行词向量转化实现,上述已详细解释转化方式,此处不再累赘。训练样本集是为了训练聚类模型,验证样本集是为了对训练出的聚类模型进行精确度校准,因此,由于训练样本集的数量越多则训练出的聚类模型越精确,则在本实施例中训练样本集的数据可远大于验证样本集的数量。
具体的,本实施例中的聚类处理可用过K-均值聚类法实现;示例性的,先随机选取K个特征向量的特征类别作为初始的聚类中心;计算每个特征类别与各个种子聚类中心之间的距离,把每个特征类别分配给距离它最近的聚类中心;聚类中心以及分配给它们的特征类别就代表一个聚类;一旦全部特征类别都被分配,则每个聚类的聚类中心会根据聚类中现有的特征类别被重新计算,直至满足以下任一条件即可终止:没有(或最小数目)特征类别被重新分配给不同的聚类、没有(或最小数目)聚类中心再发生变化和各特征类别与其聚类中心的误差平方和局部最小。
利用验证样本集对初始聚类模型进行验证,以确定特征聚类模型,可包括:利用验证样本集对初始聚类模型进行验证,并确定验证结果的合格率;若验证结果的合格率超过合格阈值,则确定初始聚类模型合格,将该初始聚类模型作为特征聚类模型;其中,合格率为验证合格的验证样本数量与总验证样本数量的比值。本发明实施例在训练特征聚类模型时,通过设置训练集和样本集实现,能够有效保证训练出的特征聚类模型的准确性。
S240、将特征向量的特征类别输入信息分类模型中,并根据信息分类模型的输出确定推送信息,以推送给推送对象;其中,推送信息包括如下至少一种:直播平台信息库中的直播内容、参与用户信息和参与主播信息。
在上述实施例的基础上,可选的,根据特征聚类模型的输出确定特征向量的特征类别,包括:
若检测到特征聚类模型的输出为空,则计算用户标签的特征向量与特征聚类模型中各特征向量的匹配值;
将最大匹配值的特征向量关联的特征类别作为用户标签的特征向量的特征类别。
在本实施例中,特征聚类模型中包括不同类别和特征向量的对应关系;若检测不到输入的特征向量的特征类别,则将该特性向量与特征聚类模型中的各特征向量进行相似性匹配,得到多个匹配值,将最大的匹配值对应的特征向量作为该特征向量的相似特征向量,并将该相似特征向量的特征类别作为该特征向量的特征类别。本实施例在检测不到特征向量的特征类别时,通过找出其相似特征向量以预估出其特征类别,能够有效匹配到每个特征向量所属的特征类别,从而提高推送消息的确定速度。
在上述实施例的基础上,可选的,将特征向量的特征类别输入信息分类模型中,并根据信息分类模型的输出确定推送信息,包括:
若检测到推送对象为历史用户,则分别将推送对象的历史特征向量的特征类别和特征向量的特征类别输入信息分类模型中,得到第一信息和第二信息;
根据第一信息和第二信息确定推送信息。
在本实施例中,对于推送对象为历史用户,为了避免遗漏历史用户的历史感兴趣信息,因此,将其历史特征向量的特征类别和现有特征向量的特征类别分别输入信息分类模型中,以得到历史感兴趣的第一信息和预测当前感兴趣的第二信息,使得在向历史用户推送信息的同时还能有效保留历史用户的历史感兴趣信息。
在上述实施例的基础上,可选的,本实施例方法还包括:
响应于模型更新触发操作,根据直播平台的历史用户标签对特征聚类模型进行训练更新。
在本实施例中,模型更新触发操作可包括直播平台预先设置的定时发起的更新操作,还可包括根据特征聚类模型的聚类结果确定出的实时更新操作;其中,根据特征聚类模型的聚类结果确定出的实时更新操作可包括:若检测到特征聚类模型输出为空的次数超过预设次数阈值,则自动发起实时更新操作,对特征聚类模型进行更新,以适应更多的聚类处理。本实施例通过对特征聚类模型进行训练更新,能够使得特征聚类模型适用性更广,以有效处理不同特征类别的特征向量。
实施例三
图3是本发明实施例三中的直播平台的信息推送装置的结构示意图,本实施例可适用于为直播用户精准推送直播信息的情况。该装置配置于电子设备中,可实现本申请任意实施例所述的直播平台的信息推送方法。该装置具体包括如下:
特征向量确定模块310,用于若检测到推送对象的标签制作事件,则确定用户标签的特征向量;
特征类别确定模块320,用于将所述用户标签的特征向量输入预先训练得到的特征聚类模型中,并根据所述特征聚类模型的输出确定所述特征向量的特征类别;
推送信息确定模块330,用于将所述特征向量的特征类别输入信息分类模型中,并根据所述信息分类模型的输出确定推送信息,以推送给所述推送对象;
其中,所述推送信息包括如下至少一种:直播平台信息库中的直播内容、参与用户信息和参与主播信息。
在上述实施例的基础上,可选的,特征向量确定模块310,具体用于:
对用户标签进行数据处理,得到处理后的用户标签;其中,所述数据处理包括数据清洗和/或数据探查;
将所述处理后的用户标签进行向量转化,得到所述用户标签的特征向量。
在上述实施例的基础上,可选的,还包括模型训练模块;模型训练模块包括;
样本集确定单元,用于确定参与直播的历史用户标签的特征向量;并将所述历史用户标签的特征向量分为训练样本集和验证样本集;
特征类别确定单元,用于将所述标签训练样本集进行聚类处理,得到所述标签训练样本集中历史用户标签的特征类别;
模型确定单元,用于根据所述训练样本集和所述训练样本集中特征向量的特征类别,建立初始聚类模型;并利用所述验证样本集对所述初始聚类模型进行验证,以确定特征聚类模型。
在上述实施例的基础上,可选的,信息分类模型包括直播内容分类子模型、参与用户子模型和参与主播子模型中的至少一种。
在上述实施例的基础上,可选的,特征类别确定模块320,具体用于:
若检测到所述特征聚类模型的输出为空,则计算所述用户标签的特征向量与所述特征聚类模型中各特征向量的匹配值;
将最大匹配值的特征向量关联的特征类别作为所述用户标签的特征向量的特征类别。
在上述实施例的基础上,可选的,推送信息确定模块330,具体用于:
若检测到所述推送对象为历史用户,则分别将所述推送对象的历史特征向量的特征类别和所述特征向量的特征类别输入信息分类模型中,得到第一信息和第二信息;
根据所述第一信息和所述第二信息确定推送信息。
在上述实施例的基础上,可选的,本实施例装置还包括:
模型更新模块,用于响应于模型更新触发操作,根据直播平台的历史用户标签对所述特征聚类模型进行训练更新。
通过本发明实施例三的直播平台的信息推送装置,能够通过对用户标签进行分类得出用户特征,并根据用户特征确定推送信息,从而提高直播信息的推送精度。
本发明实施例所提供的直播平台的信息推送装置可执行本发明任意实施例所提供的直播平台的信息推送方法,具备执行方法相应的功能模块和有益效果。
实施例四
图4是本发明实施例四中的电子设备的结构示意图,如图4所示,该电子设备包括处理器410、存储器420、输入装置430和输出装置440;电子设备中处理器410的数量可以是一个或多个,图4中以一个处理器410为例;电子设备中的处理器410、存储器420、输入装置430和输出装置440可以通过总线或其他方式连接,图4中以通过总线连接为例。
存储器420作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序以及模块,如本发明实施例中的直播平台的信息推送方法对应的程序指令/模块。处理器410通过运行存储在存储器420中的软件程序、指令以及模块,从而执行电子设备的各种功能应用以及数据处理,即实现本发明实施例所提供的直播平台的信息推送方法。
存储器420可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序;存储数据区可存储根据终端的使用所创建的数据等。此外,存储器420可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中,存储器420可进一步包括相对于处理器410远程设置的存储器,这些远程存储器可以通过网络连接至电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置430可用于接收输入的数字或字符信息,以及产生与电子设备的用户设置以及功能控制有关的键信号输入,可以包括键盘、鼠标等。输出装置440可包括显示屏等显示设备。
实施例五
本实施例提供一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于实现本发明实施例所提供的直播平台的信息推送方法。
当然,本发明实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上所述的方法操作,还可以执行本发明任意实施例所提供的直播平台的信息推送方法中的相关操作。
通过以上关于实施方式的描述,所属领域的技术人员可以清楚地了解到,本发明可借助软件及必需的通用硬件来实现,当然也可以通过硬件实现,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
值得注意的是,上述搜索装置的实施例中,所包括的各个单元和模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种直播平台的信息推送方法,其特征在于,所述方法包括:
若检测到推送对象的标签制作事件,则确定用户标签的特征向量;其中,所述标签制作事件为直播平台中的用户标签进行更新操作或者写入操作;
将所述用户标签的特征向量输入预先训练得到的特征聚类模型中,并根据所述特征聚类模型的输出确定所述特征向量的特征类别;
将所述特征向量的特征类别输入信息分类模型中,并根据所述信息分类模型的输出确定推送信息,以推送给所述推送对象;其中,所述信息分类模型根据所述特征向量的特征类别和所述直播平台中的推送信息训练得到;所述直播平台中的推送信息具有既定标签,计算所述推送信息的既定标签与所述特征向量的特征类别的匹配值,将最大匹配值的所述推送信息与所述特征向量的特征类别作为关联对封装在所述信息分类模型中,以对输入的所述特征向量的特征类别进行识别;
其中,所述推送信息包括如下至少一种:直播平台信息库中的直播内容、参与用户信息和参与主播信息。
2.根据权利要求1所述的方法,其特征在于,确定用户标签的特征向量,包括:
对用户标签进行数据处理,得到处理后的用户标签;其中,所述数据处理包括数据清洗和/或数据探查;
将所述处理后的用户标签进行向量转化,得到所述用户标签的特征向量。
3.根据权利要求1所述的方法,其特征在于,特征聚类模型的训练过程包括:
确定参与直播的历史用户标签的特征向量;并将所述历史用户标签的特征向量分为训练样本集和验证样本集;
将所述训练样本集进行聚类处理,得到所述训练样本集中历史用户标签的特征向量的特征类别;
根据所述训练样本集和所述训练样本集中特征向量的特征类别,建立初始聚类模型;并利用所述验证样本集对所述初始聚类模型进行验证,以确定特征聚类模型。
4.根据权利要求1所述的方法,其特征在于,信息分类模型包括直播内容分类子模型、参与用户子模型和参与主播子模型中的至少一种。
5.根据权利要求1所述的方法,其特征在于,根据所述特征聚类模型的输出确定所述特征向量的特征类别,包括:
若检测到所述特征聚类模型的输出为空,则计算所述用户标签的特征向量与所述特征聚类模型中各特征向量的匹配值;
将最大匹配值的特征向量关联的特征类别作为所述用户标签的特征向量的特征类别。
6.根据权利要求1所述的方法,其特征在于,将所述特征向量的特征类别输入信息分类模型中,并根据所述信息分类模型的输出确定推送信息,包括:
若检测到所述推送对象为历史用户,则分别将所述推送对象的历史特征向量的特征类别和所述特征向量的特征类别输入信息分类模型中,得到第一信息和第二信息;
根据所述第一信息和所述第二信息确定推送信息。
7.根据权利要求1所述的方法,其特征在于,所述方法还包括:
响应于模型更新触发操作,根据直播平台的历史用户标签对所述特征聚类模型进行训练更新。
8.一种直播平台的信息推送装置,其特征在于,所述装置包括:
特征向量确定模块,用于若检测到推送对象的标签制作事件,则确定用户标签的特征向量;其中,所述标签制作事件为直播平台中的用户标签进行更新操作或者写入操作;
特征类别确定模块,用于将所述用户标签的特征向量输入预先训练得到的特征聚类模型中,并根据所述特征聚类模型的输出确定所述特征向量的特征类别;
推送信息确定模块,用于将所述特征向量的特征类别输入信息分类模型中,并根据所述信息分类模型的输出确定推送信息,以推送给所述推送对象;其中,所述信息分类模型根据所述特征向量的特征类别和所述直播平台中的推送信息训练得到;所述直播平台中的推送信息具有既定标签,计算所述推送信息的既定标签与所述特征向量的特征类别的匹配值,将最大匹配值的所述推送信息与所述特征向量的特征类别作为关联对封装在所述信息分类模型中,以对输入的所述特征向量的特征类别进行识别;
其中,所述推送信息包括如下至少一种:直播平台信息库中的直播内容、参与用户信息和参与主播信息。
9.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1~7中任一所述的直播平台的信息推送方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1~7中任一所述的直播平台的信息推送方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110068199.1A CN112887743B (zh) | 2021-01-19 | 2021-01-19 | 直播平台的信息推送方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110068199.1A CN112887743B (zh) | 2021-01-19 | 2021-01-19 | 直播平台的信息推送方法、装置、电子设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112887743A CN112887743A (zh) | 2021-06-01 |
CN112887743B true CN112887743B (zh) | 2023-04-07 |
Family
ID=76049651
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110068199.1A Active CN112887743B (zh) | 2021-01-19 | 2021-01-19 | 直播平台的信息推送方法、装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112887743B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103544206A (zh) * | 2013-07-16 | 2014-01-29 | Tcl集团股份有限公司 | 一种个性化推荐的实现方法及系统 |
CN108090162A (zh) * | 2017-12-13 | 2018-05-29 | 北京百度网讯科技有限公司 | 基于人工智能的信息推送方法和装置 |
CN108090107A (zh) * | 2017-05-22 | 2018-05-29 | 北京市商汤科技开发有限公司 | 业务对象推荐方法、装置、电子设备和存储介质 |
CN111191122A (zh) * | 2019-12-20 | 2020-05-22 | 重庆邮电大学 | 一种基于用户画像的学习资源推荐系统 |
CN111709812A (zh) * | 2020-06-19 | 2020-09-25 | 山东财经大学 | 基于用户动态分类的电商平台商品推荐方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10721190B2 (en) * | 2018-07-31 | 2020-07-21 | Microsoft Technology Licensing, Llc | Sequence to sequence to classification model for generating recommended messages |
-
2021
- 2021-01-19 CN CN202110068199.1A patent/CN112887743B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103544206A (zh) * | 2013-07-16 | 2014-01-29 | Tcl集团股份有限公司 | 一种个性化推荐的实现方法及系统 |
CN108090107A (zh) * | 2017-05-22 | 2018-05-29 | 北京市商汤科技开发有限公司 | 业务对象推荐方法、装置、电子设备和存储介质 |
CN108090162A (zh) * | 2017-12-13 | 2018-05-29 | 北京百度网讯科技有限公司 | 基于人工智能的信息推送方法和装置 |
CN111191122A (zh) * | 2019-12-20 | 2020-05-22 | 重庆邮电大学 | 一种基于用户画像的学习资源推荐系统 |
CN111709812A (zh) * | 2020-06-19 | 2020-09-25 | 山东财经大学 | 基于用户动态分类的电商平台商品推荐方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112887743A (zh) | 2021-06-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108804641B (zh) | 一种文本相似度的计算方法、装置、设备和存储介质 | |
CN109376222B (zh) | 问答匹配度计算方法、问答自动匹配方法及装置 | |
CN109165975B (zh) | 标签推荐方法、装置、计算机设备及存储介质 | |
CN112163424A (zh) | 数据的标注方法、装置、设备和介质 | |
CN111522915A (zh) | 中文事件的抽取方法、装置、设备及存储介质 | |
CN112417128B (zh) | 话术推荐方法、装置、计算机设备及存储介质 | |
CN109376868B (zh) | 信息管理系统 | |
CN112182145A (zh) | 文本相似度确定方法、装置、设备和存储介质 | |
CN113282754A (zh) | 针对新闻事件的舆情检测方法、装置、设备和存储介质 | |
CN115294397A (zh) | 一种分类任务的后处理方法、装置、设备及存储介质 | |
CN114138968A (zh) | 一种网络热点的挖掘方法、装置、设备及存储介质 | |
CN113515593A (zh) | 基于聚类模型的话题检测方法、装置和计算机设备 | |
CN111046082B (zh) | 一种基于语义分析的报表数据源推荐方法与装置 | |
CN112887743B (zh) | 直播平台的信息推送方法、装置、电子设备和存储介质 | |
CN111489207A (zh) | 基于区块链系统的评价信息写入方法、装置及硬件设备 | |
CN111400340A (zh) | 一种自然语言处理方法、装置、计算机设备和存储介质 | |
CN110929526A (zh) | 样本生成方法、装置以及电子设备 | |
CN115827990A (zh) | 搜索方法及装置 | |
CN115357720A (zh) | 基于bert的多任务新闻分类方法及装置 | |
CN113095073B (zh) | 语料标签生成方法、装置、计算机设备和存储介质 | |
CN113011153B (zh) | 文本相关性检测方法、装置、设备及存储介质 | |
CN112328752B (zh) | 基于搜索内容的课程推荐方法、装置、计算机设备及介质 | |
CN115048536A (zh) | 知识图谱生成方法、装置、计算机设备和存储介质 | |
CN114298767A (zh) | 直播平台信息推送方法及其装置、设备、介质、产品 | |
CN114242047A (zh) | 一种语音处理方法、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 |