CN113301442A - 确定直播资源的方法、设备、介质及程序产品 - Google Patents
确定直播资源的方法、设备、介质及程序产品 Download PDFInfo
- Publication number
- CN113301442A CN113301442A CN202110560967.5A CN202110560967A CN113301442A CN 113301442 A CN113301442 A CN 113301442A CN 202110560967 A CN202110560967 A CN 202110560967A CN 113301442 A CN113301442 A CN 113301442A
- Authority
- CN
- China
- Prior art keywords
- anchor
- user
- vector
- target
- preset
- 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
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]
- H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
- H04N21/47—End-user applications
- H04N21/482—End-user interface for program selection
- H04N21/4826—End-user interface for program selection using recommendation lists, e.g. of programs or channels sorted out according to their score
-
- 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
-
- 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]
- H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
- H04N21/47—End-user applications
- H04N21/478—Supplemental services, e.g. displaying phone caller identification, shopping application
- H04N21/4788—Supplemental services, e.g. displaying phone caller identification, shopping application communicating with other users, e.g. chatting
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Human Computer Interaction (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开提及了一种确定直播资源的方法、设备、介质及程序产品,涉及深度学习、自然语言处理和计算机视觉等人工智能领域。该方法的一具体实施方式包括:获取目标用户的目标用户向量,以及多个其他用户的其他用户向量;根据每个其他用户针对主播的历史操作行为信息,以及目标用户向量与每个其他用户向量之间的相似度,确定目标主播;将目标主播正在直播的直播资源推荐给目标用户。
Description
技术领域
本公开实施例涉及计算机领域,具体涉及深度学习、自然语言处理和计算机视觉等人工智能领域,尤其涉及一种确定直播资源的方法、设备、介质及程序产品。
背景技术
直播资源是和视频图文资源的内容形态有很大的区别,直播资源具有实时性强、内容丰富、高互动性,吸引很多主播和用户参与的特定。基于直播内容的推荐技术应运而生,相比于图文和视频已经确定了的内容形态,直播所具有的特点成为推荐技术的难点。
目前,基于用户协同过滤算法实现直播资源推荐。
发明内容
本公开实施例提出了一种确定直播资源的方法、设备、介质及程序产品。
第一方面,本公开实施例提出了一种确定直播资源的方法,包括:获取目标用户的目标用户向量,以及多个其他用户的其他用户向量;根据每个其他用户针对主播的历史操作行为信息,以及目标用户向量与每个其他用户向量之间的相似度,确定目标主播;将目标主播正在直播的直播资源推荐给目标用户。
第二方面,本公开实施例提出了一种确定直播资源的装置,包括:向量获取模块,被配置成获取目标用户的目标用户向量,以及多个其他用户的其他用户向量;主播确定模块,被配置成根据每个其他用户针对主播的历史操作行为信息,以及目标用户向量与每个其他用户向量之间的相似度,确定目标主播;资源推荐模块,被配置成将目标主播正在直播的直播资源推荐给目标用户。
第三方面,本公开实施例提出了一种电子设备,包括:至少一个处理器;以及与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够执行如第一方面描述的方法。
第四方面,本公开实施例提出了一种存储有计算机指令的非瞬时计算机可读存储介质,计算机指令用于使计算机执行如第一方面描述的方法。
第五方面,本公开实施例提出了一种计算机程序产品,包括计算机程序,计算机程序在被处理器执行时实现如第一方面描述的方法。
本公开实施例提供的确定直播资源的方法、设备、介质及程序产品,首先获取目标用户的目标用户向量,以及多个其他用户的其他用户向量;然后根据每个其他用户针对主播的历史操作行为信息,以及目标用户向量与每个其他用户向量之间的相似度,确定目标主播;最后将目标主播正在直播的直播资源推荐给目标用户。可以根据每个其他用户针对主播的历史操作行为信息,以及目标用户向量与每个其他用户向量之间的相似度,确定目标主播,从而可以实现将目标主播正在直播的直播资源向目标用户进行推荐。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本公开的其它特征、目的和优点将会变得更明显。附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1是本公开可以应用于其中的示例性系统架构图;
图2是根据本公开的确定直播资源的方法的一个实施例的流程图;
图3是根据本公开的确定直播资源的方法的一个实施例的流程图;
图4是根据本公开的确定直播资源的方法的一个实施例的流程图;
图5是根据本公开的确定直播资源的方法的一个实施例的流程图;
图6是根据本公开的确定直播资源的方法的一个实施例的流程图;
图7是根据本公开的确定直播资源的装置的一个实施例的结构示意图;
图8是用来实现本公开实施例的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
需要说明的是,在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。
图1示出了可以应用本公开的确定直播资源的方法或确定直播资源的装置的实施例的示例性系统架构100。
如图1所示,系统架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送视频帧等。终端设备101、102、103上可以安装有各种客户端应用、智能交互应用,例如视频相关的软件、图像相关的软件、直播相关的软件等等。
终端设备101、102、103可以是硬件,也可以是软件。当终端设备101、102、103为硬件时,终端设备可以为与用户通过键盘、触摸板、触摸屏、遥控器、语音交互或手写设备等一种或多种方式进行人机交互的电子产品,例如PC(Personal Computer,个人计算机)、手机、智能手机、PDA(Personal Digital Assistant,个人数字助手)、可穿戴设备、PPC(PocketPC,掌上电脑)、平板电脑、智能车机、智能电视、智能音箱、平板电脑、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时,可以安装在上述电子设备中。其可以实现成多个软件或软件模块,也可以实现成单个软件或软件模块。在此不做具体限定。
服务器105可以提供各种服务。例如,服务器105可以对终端设备101、102、103上显示的视频进行分析和处理,并生成处理结果。
需要说明的是,服务器105可以是硬件,也可以是软件。当服务器105为硬件时,可以实现成多个服务器组成的分布式服务器集群,也可以实现成单个服务器。当服务器105为软件时,可以实现成多个软件或软件模块(例如用来提供分布式服务),也可以实现成单个软件或软件模块。在此不做具体限定。
需要说明的是,本公开实施例所提供的确定直播资源的方法一般由服务器105执行,相应地,确定直播资源的装置一般设置于服务器105中。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
继续参考图2,其示出了根据本公开的确定直播资源的方法的一个实施例的流程200。该确定直播资源的方法可以包括以下步骤:
步骤201,获取目标用户的目标向量,以及多个其他用户的其他用户向量。
在本实施例中,确定直播资源的方法的执行主体(例如图1所示的终端设备101、102、103或服务器105)可以获取目标用户的目标向量和多个其他用户的其他用户向量。上述目标向量可以为目标用户(例如,被推荐直播资源的用户)对应的向量,该目标向量可以基于目标用户的身份信息从预设的向量库中获取。上述多个其他用户则直播观看者中目标用户之外的用户。上述其他用户向量可以为其他用户对应的向量。
本公开的技术方案中,所涉及的用户向量、用户身份信息、用户信息、历史操作行为信息的获取,存储和应用等,均符合相关法律法规的规定,且不违背公序良俗。
步骤202,根据每个其他用户针对主播的历史操作行为信息,以及目标用户向量与每个其他用户向量之间的相似度,确定目标主播。
在本实施例中,上述执行主体可以先基于其他用户针对主播的历史操作行为信息,确定主播列表;之后,根据其他用户针对主播列表中主播的历史操作行为信息对应的预设推荐系数(例如,预设得分),以及目标向量与其他用户向量之间的相似度对应的预设推荐系数,得到主播列表中每个主播的推荐度(例如推荐得分);之后,根据主播列表中每个主播的推荐度,确定目标主播;或,可以基于历史操作行为信息包括的操作和操作的次数,以及目标用户向量与其他用户向量之间的相似度,确定目标主播。上述推荐度可以用于衡量是否需要将该主播的直播资源推荐给目标用户。上述针对主播的历史操作行为信息可以为针对主播账号的操作信息和/或该主播账号直播的直播资源的操作信息。
对应的,在该示例中,基于其他用户针对主播的历史操作行为信息,确定主播列表可以包括:基于其他用户的历史操作行信息为可以确定其他用户对那些主播进行了操作,进而可以得到包括所有被操作主播的主播列表。上述历史操作行为信息可以为其他用户在预设时间段之前对主播进行操作的信息,例如具体的操作,例如,点击、关注、收藏、转发、分享、推送该主播的直播资源;以及,具体的操作对应的次数、操作的时长等,例如,点击1次、点赞1、转发4次、观看1十分钟、全部观看完、观看2次等;以及,具体的操作对应的等级,例如,关注的等级高于点赞的等级。
需要说明的是,操作时长的大小可以用于表征用户对该主播喜欢的置信度大小。例如,用户观看主播A的直播的时长为2分钟,完整观看主播B的直播。此时,用户对主播B喜欢的置信度越高。
另外,在实际应用中,由于直播资源的总时长不相同,所以还可以根据观看时长与直播资源总时长的比值来确定操作时长;例如,主播A直播的直播资源的总时长为60分钟,用户观看了30分钟,此时,操作时长可以为1/2。
另外,还可以设置次数;例如,在用户5次均观看完主播B的直播,用户3次均观看完主播A的直播;那么,用户对主播B喜欢的置信度越高。
在一个示例中,主播列表包括主播A和主播B;如果主播A被其他用户1关注和其他用户2点赞,主播B被其他用户1关注和其他用户2点赞;如果目标用户与其他用户1的相似度高于目标用户与其他用户2的相似度,那么将主播A确定为目标主播。
对应地,在该示例中,根据其他用户针对主播列表中主播的历史操作行为信息对应的预设推荐信息,以及目标向量与其他用户向量之间的相似度对应的预设推荐信息,得到主播列表中每个主播的推荐度,可以包括:针对主播列表中每个主播,根据其他用户针对每个主播的历史操作行为信息对应的预设推荐信息,以及目标向量与其他用户向量之间的相似度对应的预设推荐信息,以得到每个主播的推荐度。上述预设推荐信息可以由用户设定或基于推荐主播对应的直播资源的精度所确定。上述推荐度可以用于衡量是否将该主播在播的直播资源推荐目标用户。
另外,该确定直播资源的方法还包括:设置历史操作行为信息对应的预设权重,以及目标向量与其他用户向量之间的相似度对应的预设权重。
具体地,针对主播列表中每个主播执行,根据其他用户针对每个主播的历史操作行为信息对应的预设推荐信息和预设的权重,以及目标向量与其他用户向量之间的相似度对应的预设推荐信息和预设的权重,以得到每个主播的推荐度。其中,历史操作行为信息对应的预设权重,以及目标向量与其他用户向量之间的相似度对应的预设权重不同。
需要说明的是,权重的设置可以由用户设定或基于推荐主播对应的直播资源的精度所确定。权重的设置可以得到主播列表中每个主播的多种推荐度,以实现从多角度向目标用户的推荐直播资源。
对应的,在该示例中,根据主播列表中每个主播的推荐度,确定目标主播可以包括:将主播列表中每个主播的推荐度进行排序,并基于排序结果得到目标主播。或,将主播列表中推荐度最大的主播,确定为目标主播。或,将主播列表中推荐度满足预设的推荐度阈值的主播,确定为目标主播。
需要说明的是,在确定目标主播的过程中,可以基于历史操作行为信息包括的操作和操作的次数,以及目标用户向量与其他用户向量之间的相似度,确定目标主播。或,可以基于历史操作行为信息对应的推荐系数,以及目标用户向量与其他用户向量之间的相似度对应的推荐系数,确定目标主播。其中,上述推荐系数可以为基于操作、操作的次数、操作的类型所转化得到的系数。例如,关注(操作)的等级高于点赞(操作)的等级。
步骤203,将目标主播正在直播的直播资源推荐给目标用户。
在本实施例中,上述执行主体可以将目标主播正在直播的直播资源推荐给目标用户。上述正在直播的直播资源可以为该目标主播当前时刻正在在线直播的直播资源。上述直播资源可以为实时在线、时效性较高的视频资源。
在本实施例中,若步骤202中确定目标主播的数量为多个时,该确定直播资源的方法还可以包括:将多个目标主播正在直播的直播资源中与用户偏好的直播资源推荐给目标用户。
需要说明的是,目标用户的目标向量可以为包括用户偏好的向量。
在一个示例中,目标用户喜欢观看“游戏类”直播资源,将多个目标主播中正在直播“游戏类”直播的直播资源推荐给目标用户。
如果,有多个目标主播都在直播“游戏类”直播资源;此时,可以将多个目标主播正在直播的直播资源中与目标用户相同类型的游戏或相似类型(例如,可以基于相似度来确定)的游戏推荐给目标用户。
本公开实施例提供的确定直播资源的方法,首先获取目标用户的目标用户向量,以及多个其他用户的其他用户向量;然后根据每个其他用户针对主播的历史操作行为信息,以及目标用户向量与每个其他用户向量之间的相似度,确定目标主播;最后将目标主播正在直播的直播资源推荐给目标用户。可以根据每个其他用户针对主播的历史操作行为信息,以及目标用户向量与每个其他用户向量之间的相似度,确定目标主播,从而可以实现将目标主播正在直播的直播资源向目标用户进行推荐。
在本实施例的一些可选的实现方式中,目标向量与多个其他用户向量中每个其他用户向量之间的相似度满足预设的相似度阈值。
在本实现方式中,步骤201所述的目标向量与多个其他用户向量中每个其他用户向量之间的相似度满足预设的相似度阈值。上述预设的相似度阈值可以由用户设置或基于推荐主播对应的直播资源的精度所确定
在本实现方式中,在向目标用户推荐目标直播正在直播的直播资源之前,可以先对其他用户向量进行筛选,即将不满足预设的相似度阈值的其他用户向量不纳入步骤202中确定目标主播,在不影响推荐直播资源精度的前提下,减少了处理量,提高了处理速度。
在本实施例的一些可选的实现方式中,获取目标用户的目标向量,以及多个其他用户的其他用户向量,可以包括:获取目标用户的目标向量;根据目标向量和预设的相似度阈值,从预设的向量库中,获取与目标向量的相似度满足预设的相似度阈值的多个其他用户向量,其中,向量库用于存储用户信息与用户向量之间的映射关系。
在本实现方式中,可以根据预设的相似度阈值,从预设的向量库中,获取与目标向量的相似度满足预设的相似度阈值的多个其他用户向量。上述向量库用于存储用户信息与用户向量之间的映射关系;例如,目标用户与目标用户向量之间的映射关系。
在本实现方式中,可以基于预设的相似度阈值,从预设的向量库中,获取到多个其他用户向量,从而可以先对其他用户向量进行筛选,即将不满足预设的相似度阈值的其他用户向量不纳入步骤202中确定目标主播,在不影响推荐直播资源精度的前提下,减少了处理量,提高了处理速度。
在本实施例的一些可选的实现方式中,获取目标用户的用户信息,以及多个其他用户的其他用户向量,包括:获取目标用户的用户信息;利用最近邻算法,根据用户信息对应的用户向量,从预设的向量库中,获取多个其他用户向量。
在本实现方式中,利用最近邻算法,从预设的向量库中,获取多个其他用户向量。上述最近邻算法可以根据用户之间的相似性,从向量库中寻找与目标用户最相似的其他用户。这种相似性通常会被量化到空间上向量之间的距离,可以认为数据在空间中的距离越近,则用户之间的相似性越高。
在本实现方式中,最近邻算法可以包括以下至少一种:最近邻检索(NN)、近似最近邻(ANN)检索、最近邻(KNN)。
在本实现方式中,可以利用最近邻算法,从预设的向量库中,获取到多个其他用户向量。
在本实施例的一些可选的实现方式中,向量库可以基于以下步骤确定:获取预设的图,其中,预设的图的节点为多个用户的用户信息和信息流资源,预设的图的边为用户针对信息流资源的历史操作行为信息;根据图嵌入算法,得到多个用户向量;基于多个用户向量与多个用户的用户信息之间的映射关系,构建向量库。
在一个示例中,可以基于预设时间段内的多个用户的用户信息和对应的用户向量,构建向量库。
需要说明的是,在构建向量库中,可以根据目标用户的身份信息,获取其对应的目标用户向量;之后,利用最近邻算法在预设的向量库中进行检索,以得到多个其他用户向量。
在本实现方式中,图嵌入算法可以包括:权重游走算法、随机游走算法和大规模信息网络嵌入算法等。依据图嵌入算法确定图中节点对应的用户向量。
需要说明的是,权重游走算法可以按照边对应的预设权重来进行游走,预设权重越大的边被游走的概率越大。其中,边对应的预设权重可以根据历史操作行为信息和/或用户设置。
在一个示例中,历史操作行为信息可以包括观看主播A的直播2分钟,以及完整观看主播B的直播。那么,完整观看主播B的直播对应的边的预设权重大于观看主播A的直播2分钟。
在本实现方式中,建立主播和直播资源的映射关系,以及在刻画用户时,将图嵌入(graph embedding)技术引入到直播推荐业务中,以使用户在信息流大量的行为可以充分精确的刻画用户的个人喜好,从而可以迁移到直播内容推荐,增强推荐效果,提高了召回的精度。
在本实施例的一些可选的实现方式中,根据图嵌入算法,得到多个用户向量,包括:在图上采样多个节点序列;利用预设的表示学习模型训练多个节点序列,得到多个用户向量。上述表示学习模型(item2vec)可以用于将节点转化为向量。
在本实现方式中,可以利用预设的表示学习模型对在图个采样得到的多个节点序列进行训练,以得到多个用户向量。
在本实施例的一些可选的实现方式中,在图上采样多个节点序列,包括:利用预设的随机游走方式,在图上采样多个节点序列。
在本实现方式中,预设的随机游走方式可以为包括按照uiu及iui两种元路径(metapath)在图上等概率随机游走的方式。其中,“u”表示用户,“i”表示信息流资源。上述信息流资源可以为包括直播、视频、图文等各种多媒体资源。
在一个示例中,在进行随机游走时,从图中随机采样一个节点作为本次随机游走的起始点(例如,i),游走过程中对上一个访问到的节点均匀随机采样一个具有关联权重的邻接点,直到游走达到预设的节点(例如,i)结束本次随机游走,最终获得多个节点序列。
在本实现方式中,通过随机游走算法可以学习图中各节点隐式表征信息。其中,该隐式表征信息可以理解为图中反映的各个节点之间的隐含关联信息。
另外,在得到多个节点序列后,可以通过预设的表示学习模型对获取的多个节点序列进行训练,以将随机游走得到的节点序列中的每一节点分别映射到连续向量空间中,进而得到图中节点对应的用户向量。
在本实现方式中,可以根据预设的随机游走算法实现对图的采样。
在本实施例的一些可选的实现方式中,根据每个其他用户针对主播的历史操作行为信息对应的预设推荐系数,以及目标用户向量与每个其他用户向量之间的相似度对应的预设推荐系数,确定目标主播,包括:根据每个其他用户针对主播的历史操作行为信息,确定主播列表;针对主播列表中的每个主播,根据每个其他用户针对主播的历史操作行为信息对应的预设推荐系数,以及目标用户向量与每个其他用户向量之间的相似度对应的预设推荐系数,得到每个主播的推荐度;根据每个主播的推荐度,从主播列表中,确定目标主播。
在本实现方式中,上述执行主体可以先根据每个其他用户针对主播的历史操作行为信息,确定主播列表;之后,针对主播列表中的每个主播,根据每个其他用户针对主播的历史操作行为信息对应的预设推荐系数,以及目标用户向量与每个其他用户向量之间的相似度对应的预设推荐系数,得到每个主播的推荐度;之后,根据每个主播的推荐度,从主播列表中,确定目标主播。
对应地,在该示例中,根据每个其他用户针对主播的历史操作行为信息,确定主播列表,可以包括:针对多个其他用户中每个其他用户对主播的历史操作行为信息,来确定多个其他用户对那些主播进行操作,进而确定了主播列表。
在一个示例中,其他用户A关注主播A,其他用户B收藏主播B的直播资源;那么主播列表可以包括主播A和主播B。
对应地,在该示例中,针对主播列表中的每个主播,根据每个其他用户针对主播的历史操作行为信息对应的预设推荐系数,以及目标用户向量与每个其他用户向量之间的相似度对应的预设推荐系数,得到每个主播的推荐度,可以包括:针对主播列表中的目标主播,分别计算多个其他用户针对目标主播的历史操作行为信息对应的预设推荐系数,以及目标向量与多个其他用户向量(涉及到对目标主播的历史操作行为信息的其他用户向量)之间的相似度,得到目标主播的推荐度。上述推荐系数可以由用户设置或根据推荐直播资源的精度所确定。上述目标主播可以为主播列表中的任一个主播。
在一个示例中,主播列表包括主播A和主播B;如果其他用户针对主播A的历史操作行为信息对应的预设推荐系数为0.3,其他用户向量与目标用户向量之间的相似度对应的预设推荐系数为0.7,那么主播A的推荐度可以为1。
需要说明的是,推荐度可以基于历史操作行为信息对应的预设推荐系数,以及其他用户向量与目标用户向量之间的相似度对应的预设推荐系数的和所确定。
另外,在得到推荐度的过程中,还可以给历史操作行为信息和相似度设置权重,以体现用户偏向相似度还是历史操作行为信息进行推荐。
具体地,根据每个其他用户针对主播的历史操作行为信息对应的预设推荐系数,以及目标用户向量与每个其他用户向量之间的相似度对应的预设推荐系数,得到每个主播的推荐度,可以包括:根据每个其他用户针对主播的历史操作行为信息对应的预设推荐系数和预设的权重,以及目标用户向量与每个其他用户向量之间的相似度对应的预设推荐系数和预设的权重,得到每个主播的推荐度。
在本实现方式中,针对主播列表中的每个主播,可以根据每个其他用户针对主播的历史操作行为信息对应的预设推荐系数,以及目标用户向量与每个其他用户向量之间的相似度对应的预设推荐系数,得到每个主播的推荐度;以实现对目标主播的确定。
在本实施例的一些可选的实现方式中,根据每个主播的推荐度,从主播列表中,确定目标主播,包括:将每个主播的推荐度进行归一化,得到每个主播归一化的推荐度;根据每个主播归一化的推荐度,调整主播列表中主播的优先等级;将主播列表中优先级最高的主播确定为目标主播。
在本实现方式中,在得到的每个主播的推荐度之后,可以对每个主播的推荐度进行优化处理,得到归一化的推荐度;之后,根据归一化的推荐度对主播进行调权,例如,将优先等级最高的主播确定为目标主播。
在本实现方式中,还可以根据归一化后的推荐度对主播列表中的主播的优先级进行调整,以准确地确定目标主播,从而实现对目标主播正在直播的直播资源的推荐。
进一步参考图3,图3示出了根据本公开的确定直播资源的方法的另一个实施例的流程300。该确定直播资源的方法可以包括以下步骤:
步骤301,获取目标用户的目标向量,以及多个其他用户的其他用户向量,其中,目标向量与多个其他用户向量中每个其他用户向量之间的相似度满足预设的相似度阈值。
在本实施例中,确定直播资源的方法的执行主体(例如图1所示的终端设备101、102、103或服务器105)可以先获取目标用户的目标向量;之后,个其他用户的其他用户向量,其中,目标向量与多个其他用户向量中每个其他用户向量之间的相似度满足预设的相似度阈值。
步骤302,根据其他用户针对主播的历史操作行为信息,以及目标向量与其他用户向量之间的相似度,确定目标主播。
步骤303,将目标主播正在直播的直播资源推荐给目标用户。
在本实施例中,步骤302和303的具体操作分别已在图2所示的实施例中步骤202和203进行了详细的介绍,在此不再赘述。
从图3中可以看出,与图2对应的实施例相比,本实施例中的确定直播资源的方法突出了目标向量与其他用户向量之间的关系。由此,本实施例描述的方案获取目标向量,以及与目标向量之间的相似度满足预设的相似度阈值的多个其他用户向量。在向目标用户推荐目标直播正在直播的直播资源之前,可以先对其他用户向量进行筛选,即将不满足预设的相似度阈值的其他用户向量筛选掉,在不影响推荐直播资源精度的前提下,减少了处理量,提高了处理速度。
进一步参考图4,图4示出了根据本公开的一种确定直播资源的方法的一个实施例的流程400。该一种确定直播资源的方法可以包括以下步骤:
步骤401,获取目标用户的目标向量。
步骤402,根据目标向量和预设的相似度阈值,从预设的向量库中,获取与目标向量的相似度满足预设的相似度阈值的多个其他用户向量。
其中,所述向量库用于存储用户信息与用户向量之间的映射关系。
步骤403,根据每个其他用户针对主播的历史操作行为信息,以及目标用户向量与每个其他用户向量之间的相似度,确定目标主播。
步骤404,将目标主播正在直播的直播资源推荐给目标用户。
在本实施例中,步骤403和404的具体操作分别已在图2所示的实施例中步骤202和203进行了详细的介绍,在此不再赘述。
从图4中可以看出,与图2对应的实施例相比,本实施例中的确定直播资源的方法突出了获取目标向量和多个其他用户的其他用户向量的步骤。由此,本实施例描述的方案基于预设的相似度阈值,从预设的向量库中获取与目标向量之间的相似度满足预设的相似度阈值的多个其他用户向量,从而可以先对其他用户向量进行筛选,即将不满足预设的相似度阈值的其他用户向量筛选掉,在不影响推荐直播资源精度的前提下,减少了处理量,提高了处理速度。
进一步参考图5,图5示出了根据本公开的一种确定直播资源的方法的一个实施例的流程500。该一种确定直播资源的方法可以包括以下步骤:
步骤501,获取目标用户的目标向量。
步骤502,利用最近邻算法,根据目标向量,从预设的向量库中,获取多个其他用户向量。
步骤503,根据每个其他用户针对主播的历史操作行为信息,以及目标用户向量与每个其他用户向量之间的相似度,确定目标主播。
步骤504,将目标主播正在直播的直播资源推荐给目标用户。
在本实施例中,步骤503和504的具体操作分别已在图2所示的实施例中步骤202和203进行了详细的介绍,在此不再赘述。
从图5中可以看出,与图2对应的实施例相比,本实施例中的确定直播资源的方法突出了获取目标向量和多个其他用户的其他用户向量的步骤。由此,本实施例描述的方案利用最近邻算法,从预设的向量库中获取多个其他用户向量,从而可以先对其他用户向量进行筛选,即将不满足预设的相似度阈值的其他用户向量筛选掉,在不影响推荐直播资源精度的前提下,减少了处理量,提高了处理速度。
进一步参考图6,图6示出了根据本公开的一种确定直播资源的方法的一个实施例的流程600。该一种确定直播资源的方法可以包括以下步骤:
步骤601,基于用户的信息流行为训练用户向量。
a)建图:小时级增量的基于用户点击行为建立图G(u,e),u为节点的集合,现为用户(userid)和信息流资源(itemid);e为边的集合,现为历史操作行为。
b)游走:使用uiu及iui两种metapath在图G上等概率随机游走。
c)学习:使用item2vec模型训练游走产生的语料,小时级增量更新,最终产出用户向量。
步骤602,建立高活用户向量索引库:基于用户观看直播时长建立直播高活用户库,时间窗口为7天,构建训练得到的用户graph embedding向量和高活用户的映射关系,即key是用户id,value是用户向量。以此数据结构结合ANN(近似最近邻)算法构建ANN快速检索服务,提供在线快速检索相似用户的能力。
步骤603,投票算法。
a)在线检索并获取TopN相似用户和对应的相似性得分。
b)经过统计分析后设定相似分阈值sim_score_threshold,将相似分低于阈值sim_score_threshold的用户过滤,即过滤掉不相似用户,避免推荐的直播资源不准确。
c)从空间网络数据库(spatial network databases,SNDB)中批量读取相似用户的直播点击历史,基于点击历史和相似性得分计算得到推荐的主播列表和主播对应的推荐得分(recommend_score)。
步骤604,召回提权:建立主播和直播资源的映射关系,若推荐的主播列表中有主播正在开播,则将该主播对应的直播资源进行召回。之后,将得到的主播推荐得分,进行归一化,得到范围在1-3之间的归一化的推荐得分;之后,基于归一化的推荐得分和该直播资源(被召回的直播资源)的后验信号进行调权。
进一步参考图7,作为对上述各图所示方法的实现,本公开提供了一种确定直播资源的装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图7所示,本实施例的确定直播资源的装置700可以包括:向量获取模块701、主播确定模块702和资源推荐模块703。其中,向量获取模块701,被配置成获取目标用户的目标用户向量,以及多个其他用户的其他用户向量;主播确定模块702,被配置成根据每个其他用户针对主播的历史操作行为信息,以及目标用户向量与每个其他用户向量之间的相似度,确定目标主播;资源推荐模块703,被配置成将目标主播正在直播的直播资源推荐给目标用户。
在本实施例中,生成图像修复模型的装置700中:图像获取模块701、图像合成模块702和模型训练模块703的具体处理及其所带来的技术效果可分别参考图2对应实施例中的步骤201-203的相关说明,在此不再赘述。
在本实施例的一些可选的实现方式中,目标用户向量与每个其他用户向量之间的相似度满足预设的相似度阈值。
在本实施例的一些可选的实现方式中,向量获取模块701,进一步被配置成:获取目标用户的目标用户向量;根据目标用户向量和预设的相似度阈值,从预设的向量库中,获取与目标用户向量的相似度满足预设的相似度阈值的多个其他用户向量。
在本实施例的一些可选的实现方式中,向量获取模块701,进一步被配置成:获取目标用户的目标用户向量;利用最近邻算法,根据目标用户向量,从预设的向量库中,获取多个其他用户向量。
在本实施例的一些可选的实现方式中,该确定直播资源的装置还包括:图获取模块,被配置成获取预设的图,其中,预设的图的节点为多个用户的用户信息和信息流资源,预设的图的边为用户针对信息流资源的历史操作行为信息;向量得到模块,被配置成根据图嵌入算法,得到多个用户向量;向量库构建模块,被配置成基于多个用户向量与多个用户的用户信息之间的映射关系,构建向量库。
在本实施例的一些可选的实现方式中,向量得到模块,包括:采样单元,被配置成在图上采样多个节点序列;向量得到单元,被配置成利用预设的表示学习模型训练多个节点序列,得到多个用户向量。
在本实施例的一些可选的实现方式中,采样单元,进一步配置成:利用预设的随机游走方式,在图上采样多个节点序列。
在本实施例的一些可选的实现方式中,主播确定模块702,包括:列表确定单元,被配置成根据每个其他用户针对主播的历史操作行为信息,确定主播列表;推荐度得到单元,被配置成针对主播列表中的每个主播,根据每个其他用户针对主播的历史操作行为信息对应的预设推荐系数,以及目标用户向量与每个其他用户向量之间的相似度对应的预设推荐系数,得到每个主播的推荐度;主播确定单元,被配置成根据每个主播的推荐度,从主播列表中,确定目标主播。
在本实施例的一些可选的实现方式中,主播确定单元,进一步被配置成:将每个主播的推荐度进行归一化,得到每个主播归一化的推荐度;根据每个主播归一化的推荐度,调整主播列表中主播的优先等级;将主播列表中优先级最高的主播确定为目标主播。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图8示出了可以用来实施本公开的实施例的示例电子设备800的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图8所示,设备800包括计算单元801,其可以根据存储在只读存储器(ROM)802中的计算机程序或者从存储单元808加载到随机访问存储器(RAM)803中的计算机程序,来执行各种适当的动作和处理。在RAM 803中,还可存储设备800操作所需的各种程序和数据。计算单元801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。
设备800中的多个部件连接至I/O接口805,包括:输入单元806,例如键盘、鼠标等;输出单元807,例如各种类型的显示器、扬声器等;存储单元808,例如磁盘、光盘等;以及通信单元809,例如网卡、调制解调器、无线通信收发机等。通信单元809允许设备800通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元801可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元801的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元801执行上文所描述的各个方法和处理,例如确定直播资源的方法。例如,在一些实施例中,确定直播资源的方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元808。在一些实施例中,计算机程序的部分或者全部可以经由ROM 802和/或通信单元809而被载入和/或安装到设备800上。当计算机程序加载到RAM 803并由计算单元801执行时,可以执行上文描述的确定直播资源的方法的一个或多个步骤。备选地,在其他实施例中,计算单元801可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行确定直播资源的方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
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。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
人工智能是研究计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科,既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术;人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语音处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开提及的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (21)
1.一种确定直播资源的方法,包括:
获取目标用户的目标用户向量,以及多个其他用户的其他用户向量;
根据每个其他用户针对主播的历史操作行为信息,以及所述目标用户向量与每个其他用户向量之间的相似度,确定目标主播;
将所述目标主播正在直播的直播资源推荐给所述目标用户。
2.根据权利要求1所述的方法,其中,所述目标用户向量与每个其他用户向量之间的相似度满足预设的相似度阈值。
3.根据权利要求1所述的方法,其中,所述获取目标用户的目标用户向量,以及多个其他用户的其他用户向量,包括:
获取所述目标用户的目标用户向量;
根据所述目标用户向量和预设的相似度阈值,从预设的向量库中,获取与所述目标用户向量的相似度满足预设的相似度阈值的多个其他用户向量。
4.根据权利要求1所述的方法,其中,所述获取目标用户的目标用户向量,以及多个其他用户的其他用户向量,包括:
获取所述目标用户的目标用户向量;
利用最近邻算法,根据所述目标用户向量,从预设的向量库中,获取多个其他用户向量。
5.根据权利要求1-4任一项所述的方法,其中,所述向量库基于以下步骤确定:
获取预设的图,其中,所述预设的图的节点为多个用户的用户信息和信息流资源,所述预设的图的边为用户针对信息流资源的历史操作行为信息;
根据图嵌入算法,得到多个用户向量;
基于多个用户向量与多个用户的用户信息之间的映射关系,构建所述向量库。
6.根据权利要求5所述的方法,其中,所述根据图嵌入算法,得到多个用户向量,包括:
在所述预设的图上采样多个节点序列;
利用预设的表示学习模型训练所述多个节点序列,得到多个用户向量。
7.根据权利要求6所述的方法,其中,所述在所述图上采样多个节点序列,包括:
利用预设的随机游走方式,在所述图上采样多个节点序列。
8.根据权利要求1-4任一项所述的方法,其中,所述根据每个其他用户针对主播的历史操作行为信息,以及所述目标用户向量与每个其他用户向量之间的相似度,确定目标主播,包括:
根据每个其他用户针对主播的历史操作行为信息,确定主播列表;
针对所述主播列表中的每个主播,根据每个其他用户针对主播的历史操作行为信息对应的预设推荐系数,以及所述目标用户向量与每个其他用户向量之间的相似度对应的预设推荐系数,得到每个主播的推荐度;
根据每个主播的推荐度,从所述主播列表中,确定所述目标主播。
9.根据权利要求8所述的方法,其中,所述根据每个主播的推荐度,从所述主播列表中,确定所述目标主播,包括:
将所述每个主播的推荐度进行归一化,得到每个主播归一化的推荐度;
根据每个主播归一化的推荐度,调整所述主播列表中主播的优先等级;
将所述主播列表中优先级最高的主播确定为目标主播。
10.一种确定直播资源的装置,包括:
向量获取模块,被配置成获取目标用户的目标用户向量,以及多个其他用户的其他用户向量;
主播确定模块,被配置成根据每个其他用户针对主播的历史操作行为信息,以及所述目标用户向量与每个其他用户向量之间的相似度,确定目标主播;
资源推荐模块,被配置成将所述目标主播正在直播的直播资源推荐给所述目标用户。
11.根据权利要求10所述的装置,其中,所述目标用户向量与每个其他用户向量之间的相似度满足预设的相似度阈值。
12.根据权利要求10所述的装置,其中,所述向量获取模块,进一步被配置成:
获取所述目标用户的目标用户向量;
根据所述目标用户向量和预设的相似度阈值,从预设的向量库中,获取与所述目标用户向量的相似度满足预设的相似度阈值的多个其他用户向量。
13.根据权利要求10所述的装置,其中,所述向量获取模块,进一步被配置成:
获取所述目标用户的目标用户向量;
利用最近邻算法,根据所述目标用户向量,从预设的向量库中,获取多个其他用户向量。
14.根据权利要求10-13任一项所述的装置,所述装置还包括:
图获取模块,被配置成获取预设的图,其中,所述预设的图的节点为多个用户的用户信息和信息流资源,所述预设的图的边为用户针对信息流资源的历史操作行为信息;
向量得到模块,被配置成根据图嵌入算法,得到多个用户向量;
向量库构建模块,被配置成基于多个用户向量与多个用户的用户信息之间的映射关系,构建所述向量库。
15.根据权利要求14所述的装置,其中,所述向量得到模块,包括:
采样单元,被配置成在所述预设的图上采样多个节点序列;
向量得到单元,被配置成利用预设的表示学习模型训练所述多个节点序列,得到多个用户向量。
16.根据权利要求15所述的装置,其中,所述采样单元,进一步配置成:利用预设的随机游走方式,在所述图上采样多个节点序列。
17.根据权利要求10-13任一项所述的装置,其中,所述主播确定模块,包括:
列表确定单元,被配置成根据每个其他用户针对主播的历史操作行为信息,确定主播列表;
推荐度得到单元,被配置成针对所述主播列表中的每个主播,根据每个其他用户针对主播的历史操作行为信息对应的预设推荐系数,以及所述目标用户向量与每个其他用户向量之间的相似度对应的预设推荐系数,得到每个主播的推荐度;
主播确定单元,被配置成根据每个主播的推荐度,从所述主播列表中,确定所述目标主播。
18.根据权利要求17所述的装置,主播确定单元,进一步被配置成:
将所述每个主播的推荐度进行归一化,得到每个主播归一化的推荐度;根据每个主播归一化的推荐度,调整所述主播列表中主播的优先等级;将所述主播列表中优先级最高的主播确定为目标主播。
19.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-9中任一项所述的方法。
20.一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使所述计算机执行权利要求1-9中任一项所述的方法。
21.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1-9中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110560967.5A CN113301442B (zh) | 2021-05-20 | 2021-05-20 | 确定直播资源的方法、设备、介质及程序产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110560967.5A CN113301442B (zh) | 2021-05-20 | 2021-05-20 | 确定直播资源的方法、设备、介质及程序产品 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113301442A true CN113301442A (zh) | 2021-08-24 |
CN113301442B CN113301442B (zh) | 2022-10-21 |
Family
ID=77323924
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110560967.5A Active CN113301442B (zh) | 2021-05-20 | 2021-05-20 | 确定直播资源的方法、设备、介质及程序产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113301442B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114066278A (zh) * | 2021-11-22 | 2022-02-18 | 北京百度网讯科技有限公司 | 物品召回的评估方法、装置、介质及程序产品 |
CN114302152A (zh) * | 2021-11-17 | 2022-04-08 | 北京乐我无限科技有限责任公司 | 直播间的推荐方法、装置、设备及存储介质 |
CN114430503A (zh) * | 2022-01-25 | 2022-05-03 | 上海影宴数码科技有限公司 | 一种基于短视频大数据叠加推荐方法 |
CN114520929A (zh) * | 2022-02-13 | 2022-05-20 | 武汉斗鱼鱼乐网络科技有限公司 | 一种视频播放方法、装置、介质及计算机设备 |
CN114969514A (zh) * | 2022-05-06 | 2022-08-30 | 北京百度网讯科技有限公司 | 一种直播推荐方法、装置及电子设备 |
CN115119008A (zh) * | 2022-06-28 | 2022-09-27 | 广州方硅信息技术有限公司 | 直播场景下的开播推荐方法、装置及电子设备 |
CN115484471A (zh) * | 2022-09-15 | 2022-12-16 | 北京达佳互联信息技术有限公司 | 主播推荐方法及装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120331494A1 (en) * | 2011-06-24 | 2012-12-27 | The Directv Group, Inc. | Method and system for obtaining viewing data and providing content recommendations at a set top box |
CN108322829A (zh) * | 2018-03-02 | 2018-07-24 | 北京奇艺世纪科技有限公司 | 个性化主播推荐方法、装置及电子设备 |
CN108664654A (zh) * | 2018-05-18 | 2018-10-16 | 北京奇艺世纪科技有限公司 | 一种基于用户相似度的主播推荐方法及装置 |
CN109495770A (zh) * | 2018-11-23 | 2019-03-19 | 武汉斗鱼网络科技有限公司 | 一种直播间推荐方法、装置、设备及介质 |
CN110896488A (zh) * | 2018-08-23 | 2020-03-20 | 武汉斗鱼网络科技有限公司 | 一种直播间的推荐方法以及相关设备 |
CN112100489A (zh) * | 2020-08-27 | 2020-12-18 | 北京百度网讯科技有限公司 | 对象推荐的方法、装置和计算机存储介质 |
CN112395487A (zh) * | 2019-08-14 | 2021-02-23 | 腾讯科技(深圳)有限公司 | 信息推荐方法、装置、计算机可读存储介质及电子设备 |
-
2021
- 2021-05-20 CN CN202110560967.5A patent/CN113301442B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120331494A1 (en) * | 2011-06-24 | 2012-12-27 | The Directv Group, Inc. | Method and system for obtaining viewing data and providing content recommendations at a set top box |
CN108322829A (zh) * | 2018-03-02 | 2018-07-24 | 北京奇艺世纪科技有限公司 | 个性化主播推荐方法、装置及电子设备 |
CN108664654A (zh) * | 2018-05-18 | 2018-10-16 | 北京奇艺世纪科技有限公司 | 一种基于用户相似度的主播推荐方法及装置 |
CN110896488A (zh) * | 2018-08-23 | 2020-03-20 | 武汉斗鱼网络科技有限公司 | 一种直播间的推荐方法以及相关设备 |
CN109495770A (zh) * | 2018-11-23 | 2019-03-19 | 武汉斗鱼网络科技有限公司 | 一种直播间推荐方法、装置、设备及介质 |
CN112395487A (zh) * | 2019-08-14 | 2021-02-23 | 腾讯科技(深圳)有限公司 | 信息推荐方法、装置、计算机可读存储介质及电子设备 |
CN112100489A (zh) * | 2020-08-27 | 2020-12-18 | 北京百度网讯科技有限公司 | 对象推荐的方法、装置和计算机存储介质 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114302152A (zh) * | 2021-11-17 | 2022-04-08 | 北京乐我无限科技有限责任公司 | 直播间的推荐方法、装置、设备及存储介质 |
CN114066278A (zh) * | 2021-11-22 | 2022-02-18 | 北京百度网讯科技有限公司 | 物品召回的评估方法、装置、介质及程序产品 |
CN114430503A (zh) * | 2022-01-25 | 2022-05-03 | 上海影宴数码科技有限公司 | 一种基于短视频大数据叠加推荐方法 |
CN114430503B (zh) * | 2022-01-25 | 2023-08-04 | 上海影宴数码科技有限公司 | 一种基于短视频大数据叠加推荐方法 |
CN114520929A (zh) * | 2022-02-13 | 2022-05-20 | 武汉斗鱼鱼乐网络科技有限公司 | 一种视频播放方法、装置、介质及计算机设备 |
CN114969514A (zh) * | 2022-05-06 | 2022-08-30 | 北京百度网讯科技有限公司 | 一种直播推荐方法、装置及电子设备 |
CN115119008A (zh) * | 2022-06-28 | 2022-09-27 | 广州方硅信息技术有限公司 | 直播场景下的开播推荐方法、装置及电子设备 |
CN115484471A (zh) * | 2022-09-15 | 2022-12-16 | 北京达佳互联信息技术有限公司 | 主播推荐方法及装置 |
CN115484471B (zh) * | 2022-09-15 | 2024-03-22 | 北京达佳互联信息技术有限公司 | 主播推荐方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN113301442B (zh) | 2022-10-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113301442B (zh) | 确定直播资源的方法、设备、介质及程序产品 | |
CN110390408B (zh) | 交易对象预测方法和装置 | |
CN110119477B (zh) | 一种信息推送方法、装置和存储介质 | |
CN112559800B (zh) | 用于处理视频的方法、装置、电子设备、介质和产品 | |
CN114036398B (zh) | 内容推荐和排序模型训练方法、装置、设备以及存储介质 | |
CN112163614A (zh) | 一种主播分类方法、装置、电子设备及存储介质 | |
CN113392920B (zh) | 生成作弊预测模型的方法、装置、设备、介质及程序产品 | |
CN114119123A (zh) | 信息推送的方法和装置 | |
CN116113959A (zh) | 评估对搜索查询的解释 | |
CN113836388A (zh) | 信息推荐方法、装置、服务器及存储介质 | |
CN115858815A (zh) | 确定映射信息的方法、广告推荐方法、装置、设备及介质 | |
CN115203564A (zh) | 信息流推荐方法、装置及计算机程序产品 | |
CN114564644A (zh) | 模型训练、资源推荐方法、装置、电子设备及存储介质 | |
US10699127B1 (en) | Method and apparatus for adjusting parameter | |
CN113360761A (zh) | 信息流推荐方法、装置、电子设备和计算机可读存储介质 | |
CN109299351B (zh) | 内容推荐方法和装置、电子设备及计算机可读介质 | |
CN112905885A (zh) | 向用户推荐资源的方法、装置、设备、介质和程序产品 | |
CN111782794A (zh) | 问答响应方法和装置 | |
CN110659419A (zh) | 确定目标用户的方法及相关装置 | |
CN113365095B (zh) | 直播资源推荐方法、装置、电子设备以及存储介质 | |
CN113821723B (zh) | 搜索方法、装置及电子设备 | |
CN114363673B (zh) | 视频裁剪方法、模型训练方法及装置 | |
CN111506617B (zh) | 一种基于用户数据生成标签的方法及装置 | |
US20240094018A1 (en) | Method and device for acquiring point of interest representation information, and method for training spatial relationship perception model for points of interest | |
CN114020995A (zh) | 基于人工智能的召回方法、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 |