CN113395537A - 用于推荐直播间的方法和装置 - Google Patents
用于推荐直播间的方法和装置 Download PDFInfo
- Publication number
- CN113395537A CN113395537A CN202110668514.4A CN202110668514A CN113395537A CN 113395537 A CN113395537 A CN 113395537A CN 202110668514 A CN202110668514 A CN 202110668514A CN 113395537 A CN113395537 A CN 113395537A
- Authority
- CN
- China
- Prior art keywords
- live broadcast
- broadcast room
- target
- classification
- room
- 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]
- H04N21/20—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
- H04N21/45—Management operations performed by the client for facilitating the reception of or the interaction with the content or administrating data related to the end-user or to the client device itself, e.g. learning user preferences for recommending movies, resolving scheduling conflicts
- H04N21/466—Learning process for intelligent management, e.g. learning user preferences for recommending movies
- H04N21/4668—Learning process for intelligent management, e.g. learning user preferences for recommending movies for recommending content, e.g. movies
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Two-Way Televisions, Distribution Of Moving Picture Or The Like (AREA)
Abstract
本公开提供了一种用于推荐直播间的方法和装置,涉及计算机技术领域,尤其涉及人工智能和推荐技术领域。实现方案为:对于至少一个直播间中的每一个直播间,基于该直播间的视频获取与该视频的内容相关的至少一个分类标签;以及至少基于所获取的至少一个分类标签,从该至少一个直播间中确定目标直播间,以推荐给目标用户。
Description
技术领域
本公开涉及计算机技术领域,尤其涉及基于人工智能和推荐技术领域,具体涉及一种用于推荐直播间的方法和装置、电子设备、计算机可读存储介质和计算机程序产品。
背景技术
人工智能是研究使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、自然语言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。
基于人工智能的推荐技术已经渗透到各个领域,其中,基于人工智能推荐直播间的技术,根据直播间的特征结合用户对直播间的特征的偏好,实现向用户精准推荐直播间。
在此部分中描述的方法不一定是之前已经设想到或采用的方法。除非另有指明,否则不应假定此部分中描述的任何方法仅因其包括在此部分中就被认为是现有技术。类似地,除非另有指明,否则此部分中提及的问题不应认为在任何现有技术中已被公认。
发明内容
本公开提供了一种用于推荐直播间的方法、装置、电子设备、计算机可读存储介质和计算机程序产品。
根据本公开的一方面,提供了一种用于推荐直播间的方法,包括:对于至少一个直播间中的每一个直播间,基于该直播间的视频获取与该视频的内容相关的至少一个分类标签;以及至少基于所获取的所述至少一个分类标签,从所述至少一个直播间中确定目标直播间,以推荐给目标用户。
根据本公开的另一方面,提供了一种用于推荐直播间的装置,包括:分类单元,被配置用于对于至少一个直播间中的每一个直播间,基于该直播间的视频获取与该视频的内容相关的至少一个分类标签;以及推荐单元,被配置用于至少基于所获取的所述至少一个分类标签,从所述至少一个直播间中确定目标直播间,以推荐给目标用户。
根据本公开的另一方面,提供了一种电子设备,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实现根据上述的方法。
根据本公开的另一方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机实现根据上述的方法。
根据本公开的一个或多个实施例,基于直播间的视频获取的与该直播间的视频的内容相关的分类标签,向用户推荐直播间。由于分类标签与该直播间的视频的内容相关,其所表征的直播间的特征精确度高,从而基于其向用户推荐的直播间更准确。
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
附图示例性地示出了实施例并且构成说明书的一部分,与说明书的文字描述一起用于讲解实施例的示例性实施方式。所示出的实施例仅出于例示的目的,并不限制权利要求的范围。在所有附图中,相同的附图标记指代类似但不一定相同的要素。
图1示出了根据本公开的实施例的可以在其中实施本文描述的各种方法的示例性系统的示意图;
图2示出了根据本公开的实施例的一种用于推荐直播间的方法的流程图;
图3示出了根据图2的一种用于推荐直播间的方法中获取至少一个分类标签的过程的流程图;
图4示出了根据图3的一种用于推荐直播间的方法中基于一个或多个分段和一个或多个分段的每一个分段的至少一个分段分类标签获取至少一个分类标签的过程的流程图;
图5示出了根据本公开的实施例的一种用于推荐直播间的方法中获取目标用户的偏好数据的过程的流程图;
图6示出了根据本公开的实施例的一种用于推荐直播间的方法中基于所获取的至少一个分类标签和偏好数据确定目标直播间的过程的流程图;
图7示出了根据图6的一种用于推荐直播间的方法中基于至少一个直播间中的每一个直播间的相似度确定目标直播间的过程的流程图;
图8示出了根据本公开的一种用于推荐直播间的装置的结构框图;以及
图9示出了能够用于实现本公开的实施例的示例性电子设备的结构框图。
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。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。
在本公开中,除非另有说明,否则使用术语“第一”、“第二”等来描述各种要素不意图限定这些要素的位置关系、时序关系或重要性关系,这种术语只是用于将一个元件与另一元件区分开。在一些示例中,第一要素和第二要素可以指向该要素的同一实例,而在某些情况下,基于上下文的描述,它们也可以指代不同实例。
在本公开中对各种所述示例的描述中所使用的术语只是为了描述特定示例的目的,而并非旨在进行限制。除非上下文另外明确地表明,如果不特意限定要素的数量,则该要素可以是一个也可以是多个。此外,本公开中所使用的术语“和/或”涵盖所列出的项目中的任何一个以及全部可能的组合方式。
下面将结合附图详细描述本公开的实施例。
图1示出了根据本公开的实施例可以将本文描述的各种方法和装置在其中实施的示例性系统100的示意图。参考图1,该系统100包括一个或多个客户端设备101、102、103、104、105和106、服务器120以及将一个或多个客户端设备耦接到服务器120的一个或多个通信网络110。客户端设备101、102、103、104、105和106可以被配置为执行一个或多个应用程序。
在本公开的实施例中,服务器120可以运行使得能够执行向目标用户端设备用于推荐直播间的方法的一个或多个服务或软件应用。
在某些实施例中,服务器120还可以提供可以包括非虚拟环境和虚拟环境的其他服务或软件应用。在某些实施例中,这些服务可以作为基于web的服务或云服务提供,例如在软件即服务(SaaS)模型下提供给客户端设备101、102、103、104、105和/或106的用户。
在图1所示的配置中,服务器120可以包括实现由服务器120执行的功能的一个或多个组件。这些组件可以包括可由一个或多个处理器执行的软件组件、硬件组件或其组合。操作客户端设备101、102、103、104、105和/或106的用户可以依次利用一个或多个客户端应用程序来与服务器120进行交互以利用这些组件提供的服务。应当理解,各种不同的系统配置是可能的,其可以与系统100不同。因此,图1是用于实施本文所描述的各种方法的系统的一个示例,并且不旨在进行限制。
用户可以使用客户端设备101、102、103、104、105和/或106来基于服务器120推荐的直播间,选取直播间进行播放。客户端设备可以提供使客户端设备的用户能够与客户端设备进行交互的接口。客户端设备还可以经由该接口向用户输出信息。尽管图1仅描绘了六种客户端设备,但是本领域技术人员将能够理解,本公开可以支持任何数量的客户端设备。
客户端设备101、102、103、104、105和/或106可以包括各种类型的计算机设备,例如便携式手持设备、通用计算机(诸如个人计算机和膝上型计算机)、工作站计算机、可穿戴设备、游戏系统、瘦客户端、各种消息收发设备、传感器或其他感测设备等。这些计算机设备可以运行各种类型和版本的软件应用程序和操作系统,例如Microsoft Windows、AppleiOS、类UNIX操作系统、Linux或类Linux操作系统(例如Google Chrome OS);或包括各种移动操作系统,例如Microsoft Windows Mobile OS、iOS、Windows Phone、Android。便携式手持设备可以包括蜂窝电话、智能电话、平板电脑、个人数字助理(PDA)等。可穿戴设备可以包括头戴式显示器和其他设备。游戏系统可以包括各种手持式游戏设备、支持互联网的游戏设备等。客户端设备能够执行各种不同的应用程序,例如各种与Internet相关的应用程序、通信应用程序(例如电子邮件应用程序)、短消息服务(SMS)应用程序,并且可以使用各种通信协议。
网络110可以是本领域技术人员熟知的任何类型的网络,其可以使用多种可用协议中的任何一种(包括但不限于TCP/IP、SNA、IPX等)来支持数据通信。仅作为示例,一个或多个网络110可以是局域网(LAN)、基于以太网的网络、令牌环、广域网(WAN)、因特网、虚拟网络、虚拟专用网络(VPN)、内部网、外部网、公共交换电话网(PSTN)、红外网络、无线网络(例如蓝牙、WIFI)和/或这些和/或其他网络的任意组合。
服务器120可以包括一个或多个通用计算机、专用服务器计算机(例如PC(个人计算机)服务器、UNIX服务器、中端服务器)、刀片式服务器、大型计算机、服务器群集或任何其他适当的布置和/或组合。服务器120可以包括运行虚拟操作系统的一个或多个虚拟机,或者涉及虚拟化的其他计算架构(例如可以被虚拟化以维护服务器的虚拟存储设备的逻辑存储设备的一个或多个灵活池)。在各种实施例中,服务器120可以运行提供下文所描述的功能的一个或多个服务或软件应用。
服务器120中的计算单元可以运行包括上述任何操作系统以及任何商业上可用的服务器操作系统的一个或多个操作系统。服务器120还可以运行各种附加服务器应用程序和/或中间层应用程序中的任何一个,包括HTTP服务器、FTP服务器、CGI服务器、JAVA服务器、数据库服务器等。
在一些实施方式中,服务器120可以包括一个或多个应用程序,以分析和合并从客户端设备101、102、103、104、105和106的用户接收的数据馈送和/或事件更新。服务器120还可以包括一个或多个应用程序,以经由客户端设备101、102、103、104、105和106的一个或多个显示设备来显示数据馈送和/或实时事件。
在一些实施方式中,服务器120可以为分布式系统的服务器,或者是结合了区块链的服务器。服务器120也可以是云服务器,或者是带人工智能技术的智能云计算服务器或智能云主机。云服务器是云计算服务体系中的一项主机产品,以解决传统物理主机与虚拟专用服务器(VPS,Virtual Private Server)服务中存在的管理难度大、业务扩展性弱的缺陷。
系统100还可以包括一个或多个数据库130。在某些实施例中,这些数据库可以用于存储数据和其他信息。例如,数据库130中的一个或多个可用于存储诸如音频文件和视频文件的信息。数据存储库130可以驻留在各种位置。例如,由服务器120使用的数据存储库可以在服务器120本地,或者可以远离服务器120且可以经由基于网络或专用的连接与服务器120通信。数据存储库130可以是不同的类型。在某些实施例中,由服务器120使用的数据存储库可以是数据库,例如关系数据库。这些数据库中的一个或多个可以响应于命令而存储、更新和检索到数据库以及来自数据库的数据。
在某些实施例中,数据库130中的一个或多个还可以由应用程序使用来存储应用程序数据。由应用程序使用的数据库可以是不同类型的数据库,例如键值存储库,对象存储库或由文件系统支持的常规存储库。
图1的系统100可以以各种方式配置和操作,以使得能够应用根据本公开所描述的各种方法和装置。
本公开的一方面提供了一种用于推荐直播间的方法。
参看图2,根据本公开的一些实施例的一种用于推荐直播间的方法200包括:
步骤S210:对于至少一个直播间中的每一个直播间,基于该直播间的视频获取与该视频的内容相关的至少一个分类标签;以及
步骤S220:至少基于所获取的所述至少一个分类标签,从所述至少一个直播间中确定目标直播间,以推荐给目标用户。
在一些技术中,基于在开设直播间时主播为直播间打的分类标签为用户推荐直播间。该主播为直播间打的分类标签包括,例如,颜值主播、唱歌主播、卖货主播、才艺主播、情感主播、脱口秀主播等。该主播为直播间打的分类标签往往粒度较为粗糙,与直播间的视频内容相关度不高,往往使为用户推荐的直播间不够精准。例如分类标签为才艺主播的直播间,用户关注的是才艺表演的内容(钢琴演奏的曲目,歌唱曲目的类型等等),而仅仅基于才艺主播的分类标签为用户推荐直播间时,并不能为用户推送精准的直播间。
根据本公开的用于推荐直播间的方法,基于直播间的视频获取的与该直播间的视频的内容相关的分类标签,向用户推荐直播间。由于分类标签与该直播间的视频的内容相关,其所表征的直播间的特征精确度高,从而基于其向用户推荐的直播间更准确。例如,在直播间的主播进行卖货直播的过程中,通过对直播间的视频进行分析,获取与该直播间的主播卖的货物的类型,并基于货物的类型推荐给对该货物的类型感兴趣的用户,使向用户推荐的直播间更精准。
在一些实施例中,直播间包括对实时摄制的视频(例如游戏或运动赛事等的视频)进行实时直播的视频直播间,对主播开设的对其正在进行的活动或行为进行视频录制后并进行实时直播的主播直播间等,在此不作限制。
根据一些实施例,直播间设置为由主播开设的主播直播间,其中,在一些实施例中,该至少一个分类标签包括表征主播直播间的主播的特征的主播特征分类标签。
对于由主播开始的主播直播间,由于该直播间的特征与主播高度相关,更能准确体现该主播直播间的特征,基于该表征主播直播间的主播的特征的主播特征分类标签向用户推荐的直播间更加精准。同时,由于主播直播间的视频通过录制主播在直播间行为和活动等获取,其包含主播直播间的主播的所有特征,例如,声音、外貌、行为等。通过直播间的视频获取该直播间的主播的特征更准确、全面,特征粒度更高,从而基于该主播直播间的视频获取的主播特征分类标签更加准确,使得基于该表征主播直播间的主播的特征的主播特征分类标签,用户推荐的直播间更准确。
根据一些实施例,主播特征分类标签包括表征直播间主播的声音风格的声音特征分类标签,声音风格特征例如可以是:大叔音、大妈音、罗莉音、小哥哥等。根据一些实施例,主播特征分类标签包括。根据一些实施例,主播特征分类标签包括表征直播间主播的身材特征的身材特征分类标签,身材特征例如可以是:大长腿、丰满、苗条。根据一些实施例,主播特征分类标签包括表征直播间主播的行为特征的行为特征分类标签,行为特征例如可以是:唱歌、跳舞、脱口秀等。
在一些实施例中,如图3所示,步骤S210,基于该直播间的视频获取与该视频的内容相关的至少一个分类标签包括:
步骤S310:将所述直播间的视频分为一个或多个分段;
步骤S320:获取所述一个或多个分段中的每一个分段的至少一个分段分类标签;以及
步骤S330:基于所述一个或多个分段和所述一个或多个分段中的每一个分段的所述至少一个分段分类标签,获取所述至少一个分类标签。
由于在视频直播过程中,随着直播的进行,视频的内容往往发生变化,例如,在主播进行卖货的直播间,随着直播的进行,卖的货物不同。通过将直播间的视频分为一个或多个分段并获取该一个或多个分段中的每一个分段的分段分类标签,基于每一个分段的分段分类标签获取该直播间的至少一个分类标签,使该分类标签与直播间的视频的各个分段的内容相关,能够表征该直播间更多的特征,例如卖货直播间在各个时段卖的货物的品种;从而使得基于该分类标签向目标用户推荐的直播间更精准。
在一些实施例中,根据时间点,将直播间的视频划分为多个分段。例如,在主播开设直播间后,每直播5min获取一个分段。在一些实施例中,根据所要获取的直播间的分类标签所要表征的直播间的特征,将直播间的视频划分为不同时长的多个分段。
在一些实施例中,至少一个分类标签包括第一分类标签和第二分类标签,第一分类标签表征直播间的主播的第一特征,第二分类标签表征直播间的主播的第二特征,其中,第一特征随时间变化而发生变化的频率较第二特征高;并且其中,对直播间的视频进行划分获得的一个或多个分段中包括第一分段和第二分段,第一分段的分段分类标签对应于第一分类标签,第二分段的分段分类标签对应于所述第二分类标签,其中,第二分段的时间长度比第一分段长。
第一特征随时间变化而发生变化的频率较第二特征随时间变化而发生变化的频率高,也就是说,第一特征随着直播的进行更容易发生变化,而第二特征随着时间的进行更不容易发生变化。与基于其获取对应于该第二特征的第二分类标签的第二分段相比,基于其获取对应于该第一特征的第一分类标签的第一分段设置为较具有更小的时间长度,从而将视频划分获得的第一分段的数量较多,从而可以确保基于其获得的表征随时间改变而变化频率较大的直播间特征第一分类标签的变化更够匹配时间变化,使获得的第一分类标签更准确。同时,将视频划分获得的第二分段的数量较少,使得处理的数量较少的第二分段就能准确获得表征随时间变化频率较小的直播间特征的第二分类标签,减少数据处理量。
例如,对于主播直播间的表征主播的特征的主播特征分类标签,由于主播的身材特征是随着时间变化不容易变化的特征,而主播的行为特征是随着时间变化容易变化的特征;因此,对应于主播的身材特征,每30min将视频划分一次获得时长为30min的分段,而对应于主播的行为特征,每5min将视频划分一次获得时长为5min的分段。
根据一些实施例,在步骤S320中,对于一个或多个分段中的每一个分段,通过将分别输入经训练的神经网络,输出该分段的至少一个分段分类标签,从而获得该分段的至少一个分段分类标签。其中,该经训练的神经网络采用包含有多个预设分段的数据库进行训练,该预设分段对应有至少一个分段分类标签,在训练过程中,多个预设分段中的每一个预设分段作为输入,其对应的至少一个分段分类标签作为输出。
根据一些实施例,在步骤S320中,对于一个或多个分段中的语音音频,进行语音识别,获取表征该一个或多个分段中每一个分段的文本。进一步根据该文本,获得相应的分段分类标签。例如,对于卖货直播间,根据语音音频,获得各个分段买的是什么货物,进而获得相应的分段分类标签。
根据一些实施例,如图4所示,在步骤S330中,基于步骤S310中获取的一个或多个分段以及步骤S320中获取的一个或多个分段中的每一个分段的至少一个分段分类标签,获取至少一个分类标签包括:
步骤S410:确定该直播间的所述视频的所述一个或多个分段中最新更新的一个或多个最新分段;以及
步骤S420:基于所述一个或多个最新分段中每一个最新分段的所述至少一个最新分类标签,确定所述至少一个分类标签。
在直播间的直播过程中,由于直播间的视频在实时更新,直播间的视频的不同分段中的内容可能相差较大,使得基于视频的各个分段获得对应于各个分段的各个分类标签具有较大的差别。通过获取直播间最新更新的一个或多个最新分段,并基于该最新更新的一个或多个最新分段获得直播间的分类标签,使得获得的分类标签能够表征直播间最新的特征,即使分类标签具有实时性,能够随着直播间视频的更新而实时更新,进一步,基于该分类标签向用户推荐的直播间具有实时性,从而使推荐的直播间更加精准。
例如,对于10:30开设的直播间,在直播过程中,通过从直播间开设的时间点开始,将直播间的视频每5min划分一次获得直播间的一个或多个分段。直播进行到10:53时,直播时长为23min时,一共划分4次而获得4个分段,包括对应于直播时间在10:30-10:35的分段,对应于直播时间在10:35-10:40的分段,对应于直播时间在10:40-10:45的分段以及对应于直播时间在10:45-10:50的分段。因此,在基于该4个分段的分段分类标签获取该直播间的分类标签时,确定该4个分段中最新更新的分段为对应于直播时间在10:45-10:50的分段,因此在直播时长为23min时该直播间的分类标签基于在10:45-10:50的分段获得,该分段标签为最新更新的分段的分类标签,能表征直播间的最新特征。进一步,当直播进行到10:56时,最新更新的分段为对应于直播时间在10:50-10:55的分段,从而基于直播时间在10:50-10:55的分段的分段分类标签获得该直播间的分类标签,使直播间的分类标签随着直播的进行、直播间的视频的更新而更新,具有实时性。
在一些实施例中,在步骤S410中,响应于目标用户的指令,确定该直播间的视频的最新更新的一个或多个最新分段。例如在用户登录直播平台时,获取该用户的登录指令,基于该用户的登录指令获得当前时间点,基于该当前时间点获得该直播间的视频的最新的一个或多个最新分段。
在一些实施例中,在步骤S420中,将直播间的一个或多个最新分段的分段分类标签,确定为对应于该直播间的分类标签。
根据一些实施例,在步骤S220中,基于步骤S210获取至少一个分类标签,从至少一个直播间中确定目标直播间,以推荐给目标用户。
由于该至少一个分类标签是基于直播间的视频获得,其与视频的内容的相关度高,使其所表征的直播间的特征精确度高,从而基于其向用户推荐的直播间更准确。
在一些实施例中,目标用户包括对该所获取的至少一个分类标签中的一个或多个分类标签具有偏好的用户。在一些实施例中,通过将分类标签设置在直播平台上供用户选择,将选择了针对该至少一个直播间的所获取的至少一个分类标签中的一个或多个分类标签的用户确定为目标用户。
在一些实施例中,目标用户包括对该所获取的至少一个分类标签中的每一个分类标签具有偏好的一个或多个用户。
根据一些实施例,方法200还包括:获取所述目标用户的偏好数据,所述偏好数据包括对应于所获取的所述至少一个分类标签中的各个分类标签的第一偏好数据。其中,步骤S210、基于至少所获取的至少一个分类标签,从至少一个直播间中确定目标直播间包括:基于所述所获取的所述至少一个分类标签和所述目标用户的所述偏好数据,确定所述目标直播间。
偏好数据表征目标用户对直播间的偏好,其中第一偏好数据表征目标用户对所获取的至少一个分类标签的各个分类标签的偏好,在步骤S210中除根据所获取的至少一个分类标签以外,还根据目标用户的对该至少一个分类标签中的各个分类标签的第一偏好数据确定目标直播间,使所确定的目标直播间匹配目标用户的偏好,从而使向目标用户推荐的目标直播间更加精准。
在一些实施例中,如图5所示,所述获取所述目标用户的偏好数据包括:
步骤S510:对于所述目标用户观看过的至少一个已播直播间中的每一个已播直播间,获取该已播直播间的所述至少一个分类标签以及所述目标用户在该已播直播间的用户行为;以及
步骤S520:根据所述目标用户在所述至少一个已播直播间中的每一个已播直播间的所述用户行为,获取所述偏好数据。
用户行为包括点赞、转发以及用户在已播直播间的观看时长等等,这些与用户行为能够直接体现用户对已播直播间的分类标签偏好。例如,目标用户在已播直播间的点赞行为,体现用户对该已播直播间的分类标签偏好程度较高,而用户对已播直播间的进入后(例如,1min内)退出行为体现用户对该已播直播间的分类标签偏好程度一般。根据用目标用户在已播直播间的用户行为获取偏好数据,使该偏好数据对目标用户的偏好进行描述的粒度更精细,即更能准确描述目标用户对直播间的偏好程度。从而使根据目标用户的偏好数据确定的目标直播间与目标用户的偏好更加匹配,使向该目标用户推荐的目标直播间更加精准。
根据一些实施例,在步骤S510中,已播直播间在直播的过程中,其配置有根据本公开的至少一个分类标签,并在目标用户在观看该已播直播间的过程中,获取目标用户在观看该已播直播间时的用户行为,例如用户观看该直播间的时长、对该直播间的转发或点赞等。
根据一些实施例,在步骤520中,根据在步骤S510中获取的目标用户的用户行为,对对应于该用户行为的已播直播间进行赋分,该赋分为该目标用户对应于该已播直播间的特征的偏好数据。例如,对于用户行为为点赞的已播直播间,表明目标用户对该已播直播间及其对应的分类标签偏好程度较高,赋分为5;对于用户行为未点进后退出(即观看直播间的时长较少,例如小于1min)的已播直播间,表明用户对该已播直播间及其对应的分类标签偏好程度较低,赋分为1。
在一些实施例中,如图6所示,步骤S420、基于所获取的至少一个分类标签和偏好数据,确定目标直播间包括:
步骤S610:基于所述第一偏好数据,获取所述目标用户的用户模型;
步骤S620:对于所述至少一个直播间中的每一个直播间,基于该直播间的所述至少一个分类标签中的各个分类标签和所述用户模型,计算所述目标用户与该直播间的相似度;以及
步骤S630:基于所述至少一个直播间中的每一个直播间的所述相似度,确定所述目标直播间。
在分类标签的数量和用户数量较大的情况下,由于对每一种分类标签感兴趣的目标用户的数量往往较大,在针对多个用户进行推荐的情况下,如果针对每一目标用户分别进行推荐,需要针对每个目标用户的偏好数据进行处理,使数据处理量非常大。通过获取多个目标用户的用户模型,该用户模型指示该多个目标用户对应于所获取的至少一个分类标签中的各个分类标签的偏好,基于该用户模型向该多个目标用户推荐目标直播间,使数据的处理量小,和处理量小。
基于目标用户的用户模型,计算目标用户与直播间在标签维度上的相似度,以为目标用户确定目标直播间,使为目标用户推荐的目标直播间在分类标签的维度上与目标用户的偏好相似,实现在分类标签的维度上为目标用户召回与用户偏好匹配的目标直播间。由于分类标签与直播间的视频的内容相关,并且在一些实施例中还表征直播间的主播的特征,通过在分类标签维度上召回与目标用户匹配的目标直播间,使为用户推荐的直播间更加精准。
同时,在分类标签随直播时间的变化而实时更新的实施例中,通过对每一个直播间,分别计算其与目标用户的相似度,进一步提为目标用户实时召回的直播间的精确度。
在一些实施例中,在步骤S610中,基于目标用户对应于所获取的所述至少一个分类标签中的各个分类标签的第一偏好数据获取用户模型,该用户模型包括目标用户在各个分类标签上的偏好的向量表示。
在一些实施例中,在步骤S620中,中通过计算目标用户的用户模型与各个直播间在分类标签维度上的余弦相似性、皮尔森系数等来计算相似度。例如,获取目标用户的用户模型和各个直播间在分类标签维度上的向量表示,通过计算用户模型和各个直播间在分类标签维度上的向量表示的余弦相似性、皮尔森系数来计算相似度。
在一些实施例中,在步骤S630中,根据步骤S620中计算的相似度,确定目标直播间为至少一个直播间中的、对应的相似度大于预设阈值的第一直播间。根据一些实施例,将对应的相似度大于预设阈值的多个第一目标直播间作为集合,以召回后推荐给目标用户。例如,将作为集合的多个目标直播间显示在针对该目标用户的直播平台首页。
在一些实施例中,如图7所示,所述偏好数据包括对应于区别于所述至少一个分类标签的第一分类标签的第二偏好数据,其中,步骤S630、所述基于至少一个直播间中的每一个直播间的相似度,确定目标直播间还包括:
步骤S710:基于所述第二偏好数据获取排序模型,所述排序模型被配置用于根据区别于所述至少一个分类标签的第一分类标签对所述目标直播间进行打分,其中,所述打分表征将所述至目标直播间荐给所述目标客户时,所述目标直播间的优先级;以及
步骤S720:基于所述目标直播间的所述相似度调整所述打分。
对于所确定的目标直播间,采用排序模型打分后,基于相似度对推荐给目标用户的目标直播间的打分进行调整,使相似度较大的目标直播间被推荐给目标用户的优先级高,即用户最容易获取,实现在分类标签的维度上对向用户推荐的直播间进行排序(或提权),进一步提升向目标用户推送的直播间的精确度。
同时,在分类标签随直播时间的变化而实时更新的实施例中,通过对目标直播间与目标用户的相似度对排序模型的打分进行调整,实现对所确定的目标直播间进行实时提权,进一步提升为目标用户实时推荐的直播间的精确度。
进一步,排序模型基于目标用户的第二偏好数据得到,该第二偏好数据区别于第一偏好数据、对应于区别于所述至少一个分类标签的第一分类标签,由于第二偏好数据对应于区别于至少一个分类标签的第一分类标签,使为目标用户推荐的直播间,不仅仅是基于对应于分类标签的特征,而是基于更多直播间的特征,推荐给目标用户,从而使给目标用户推荐的目标直播间的更精准。
例如,在第二偏好数据对应于目标用户对应于直播间的直播历史特征的偏好情况下,对于用户行为均为点赞的直播历史丰富的直播间和直播历史较少的直播间,根据直播历史的丰富程度,用户模型对直播历史较丰富的直播间打分较多,例如打分为5,用户模型对直播历史较少的直播间打分较少,例如打分为4,表征在相同的用户偏好情况下,直播历史较丰富的直播间将被有限推送给目标用户。在本公开中,进一步在根据相似度对用户模型对直播间的打分进行调整,例如对于直播历史较少但是相似度较高的直播间,增加打分模型对其的打分,例如增加1,而对于直播历史较丰富但是相似度较低的直播间,减少打分模型对其的打分,例如减1,从而在直播历史和匹配度上,找到平衡,从而将同时与用户匹配和直播历史较为丰富的直播间优先推荐给用户。
需要理解的是,上述以第二偏好数据对应于目标用户对应于直播间的直播历史特征的偏好为示例进行说明,仅仅是示例性的,本领域技术人员应当理解,第二偏好数据还可以对应于目标用户对应于直播间的其他特征的偏好。
在一些实施例中,在步骤S720中,根据步骤S710中排序模型对将其确定为目标直播间的多个第一直播间的打分,将与目标用户之间的相似度高的第一直播间的打分提高,将与目标用户之间的相似度低的第一直播间的打分降低。在一些实施例中,在步骤S720中,进一步通过目标直播间与目标用户之间的相似度对打分模型进行训练,以更新打分模型,从而实现对排序模型对直播间的打分的调整。
在一些实施例中,方法200还包括:响应于所述目标用户的指令,将所述目标用户选择的所述目标直播间确定为已播直播间。
在将所确定的目标直播间推荐给目标用户后,目标用户基于所确定的直播间,选择目标直播间进行观看。其中,将目标用户选择的直播间确定为已播直播间,在后续基于目标用户在已播直播间的用户行为获取用户模型时,基于所确定的已播直播间更新用户模型,该更新的用户模型与用户所选择的目标直播间的至少一个分类标签相关。如此,可以实现用户模型的更新,从而进一步提升基于用户模型,向用户推荐直播间的准确度。
同时,在分类标签随直播时间的变化而实时更新的实施例中,通过将目标用户选择的直播间确定为已播直播间,在用户观看目标直播间的过程中,随着所确定的已播直播间的分类标签的实时更新,还可以对用户模型进行实时更新,进一步提升为目标用户实时推荐的直播间的精确度。
根据本公开的另一方面,还用于推荐直播间的装置。如图8所示,该装置800可以包括:分类单元810,被配置用于对于至少一个直播间中的每一个直播间,基于该直播间的视频获取与该视频的内容相关的至少一个分类标签;以及推荐单元820,被配置用于至少基于所获取的所述至少一个分类标签,从所述至少一个直播间中确定目标直播间,以推荐给目标用户。
根据一些实施例,所述分类单元包括:分段单元,被配置用于将所述直播间的视频分为一个或多个分段;分段分类单元,被配置用于获取所述一个或多个分段中的每一个分段的至少一个分段分类标签;以及分类标签确定单元,被配置用于基于所述一个或多个分段和所述一个或多个分段中的每一个分段的所述至少一个分段分类标签,获取所述至少一个分类标签。
由于在视频直播过程中,随着直播的进行,视频的内容往往发生变化,例如,在主播进行卖货的直播间,随着直播的进行,卖的货物不同。通过分段单元将直播间的视频分为一个或多个分段并由分段分类单元获取该一个或多个分段中的每一个分段的分段分类标签,分类标签确定单元基于每一个分段的分段分类标签获取该直播间的至少一个分类标签,使所确定的分类标签与直播间的视频的各个分段的内容相关,能够表征该直播间更多的特征;从而使得推荐单元基于该分类标签向目标用户推荐的目标直播间更精准。
根据一些实施例,其中,所述至少一个分类标签包括第一分类标签和第二分类标签,所述第一分类标签表征所述直播间的主播的第一特征,所述第二分类标签表征所述直播间的主播的第二特征,其中,所述第一特征随时间变化而发生变化的频率较第二特征高,并且其中,所述一个或多个分段包括第一分段和第二分段,所述第一分段的分段分类标签对应于所述第一分类标签,所述第二分段的分段分类标签对应于所述第二分类标签,其中,所述第二分段的时间长度比所述第一分段长。
第一特征随时间变化而发生变化的频率较第二特征随时间变化而发生变化的频率高,也就是说,第一特征随着直播的进行更容易发生变化,而第二特征随着时间的进行更不容易发生变化。与基于其获取对应于该第二特征的第二分类标签的第二分段相比,基于其获取对应于该第一特征的第一分类标签的第一分段设置为较具有更小的时间长度,从而将视频划分获得的第一分段的数量较多,从而可以确保基于其获得的表征随时间改变而变化频率较大的直播间特征第一分类标签的变化更够匹配时间变化,使获得的第一分类标签更准确。同时,将视频划分获得的第二分段的数量较少,使得处理的数量较少的第二分段就能准确获得表征随时间变化频率较小的直播间特征的第二分类标签,减少数据处理量。
根据一些实施例,其中,所述分类标签确定单元包括:第一确定单元,被配置用于确定该直播间的所述视频的所述一个或多个分段中最新更新的一个或多个最新分段;以及第二确定单元,被配置用于基于所述一个或多个最新分段中每一个最新分段的所述至少一个分段分类标签,确定所述至少一个分类标签。
在主播直播间进行直播的过程中,由于直播间的视频在实时更新,直播间的视频的不同分段中的内容可能相差较大,使得基于视频的各个分段获得对应于各个分段的各个分类标签具有较大的差别。通过第一确定单元获取直播间最新更新的一个或多个最新分段,并通过第二确定单元基于该最新更新的一个或多个最新分段获得直播间的分类标签,使得分类标签确定单元获得的分类标签能够表征直播间最新的特征,即使所确定的分类标签具有实时性,能够随着直播间视频的更新而实时更新,进一步,基于该分类标签向用户推荐的直播间具有实时性,从而使推荐的直播间更加精准。
根据一些实施例,装置800还包括获取单元,被配置用于获取所述目标用户的偏好数据,所述偏好数据包括对应于所获取的所述至少一个分类标签中的各个分类标签的第一偏好数据,并且其中,所述基于所获取的所述至少一个分类标签,从所述至少一个直播间中确定目标直播间包括:基于所述所获取的所述至少一个分类标签和所述偏好数据,确定所述目标直播间。
偏好数据表征目标用户对直播间的偏好,其中第一偏好数据表征目标用户对所获取的至少一个分类标签的各个分类标签的偏好,推荐单元820除根据所获取的至少一个分类标签以外,还根据目标用户的对该至少一个分类标签中的各个分类标签的第一偏好数据确定目标直播间以推荐给目标用户,使所确定的目标直播间匹配目标用户的偏好,从而使向目标用户推荐的目标直播间更加精准。
根据一些实施例,其中,所述推荐单元包括:第一计算单元,被配置用于基于所述第一偏好数据,获取所述目标用户的用户模型;第二计算单元,被配置用于对于所述至少一个直播间中的每一个直播间,基于该直播间的所述至少一个分类标签中的各个分类标签和所述用户模型,计算所述目标用户与该直播间的相似度;以及第三确定单元,被配置用于基于所述至少一个直播间中的每一个直播间的所述相似度,确定所述目标直播间。
在一些实施例中,目标直播间为至少一个直播间中的、对应的相似度大于预设阈值的第一直播间。根据一些实施例,将对应的相似度大于预设阈值的多个第一目标直播间作为集合,以召回后推荐给目标用户。例如,将作为集合的多个目标直播间显示在针对该目标用户的直播平台首页。
在分类标签的数量和用户数量较大的情况下,由于对每一种分类标签感兴趣的目标用户的数量往往较大,在针对多个用户进行推荐的情况下,如果针对每一目标用户分别进行推荐,需要针对每个目标用户的偏好数据进行处理,使数据处理量非常大。通过第一计算单元获取多个目标用户的用户模型,该用户模型指示该多个目标用户对应于所获取的至少一个分类标签中的各个分类标签的偏好,基于该用户模型向该多个目标用户推荐目标直播间,使数据的处理量小,和处理量小。
基于目标用户的用户模型,第二计算单元计算目标用户与直播间在标签维度上的相似度,以用于第三确定单元为目标用户确定目标直播间,使推荐单元为目标用户推荐的目标直播间在分类标签的维度上与目标用户的偏好相似,实现在分类标签的维度上为目标用户召回与用户偏好匹配的目标直播间。由于分类标签与直播间的视频的内容相关,并且在一些实施例中还表征直播间的主播的特征,通过在分类标签维度上召回与目标用户匹配的目标直播间,使为用户推荐的直播间更加精准。
同时,在分类标签随直播时间的变化而实时更新的实施例中,通过对每一个直播间,采用第二计算单元分别计算其与目标用户的相似度,进一步提为目标用户实时召回的直播间的精确度。
根据一些实施例,该装置800还包括:确定单元,被配置用于响应于所述目标用户的指令,将所述目标用户选择的所述目标直播间确定为已播直播间。
在将所确定的目标直播间推荐给目标用户后,目标用户基于所确定的直播间,选择目标直播间进行观看。其中,第四确定单元将目标用户选择的直播间确定为已播直播间,在推荐单元中的第一计算单元后续基于目标用户在已播直播间的用户行为获取用户模型时,基于所确定的已播直播间更新用户模型,该更新的用户模型与用户所选择的目标直播间的至少一个分类标签相关。如此,可以实现用户模型的更新,从而进一步提升基于用户模型,向用户推荐直播间的准确度。
同时,在分类标签随直播时间的变化而实时更新的实施例中,通过第四确定单元将目标用户选择的直播间确定为已播直播间,在用户观看目标直播间的过程中,随着所确定的已播直播间的分类标签的实时更新,还可以对用户模型进行实时更新,进一步提升为目标用户实时推荐的直播间的精确度。
根据本公开的另一方面,还提供一种电子设备,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计算机程序,所述计算机程序在被所述至少一个处理器执行时实现根据上述的方法。
根据本公开的另一方面,还提供一种存储有计算机程序的非瞬时计算机可读存储介质,其中,所述计算机程序在被处理器执行时实现根据上述的方法。
根据本公开的另一方面,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。
参考图9,现将描述可以作为本公开的服务器或客户端的电子设备900的结构框图,其是可以应用于本公开的各方面的硬件设备的示例。电子设备旨在表示各种形式的数字电子的计算机设备,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9所示,设备900包括计算单元901,其可以根据存储在只读存储器(ROM)902中的计算机程序或者从存储单元908加载到随机访问存储器(RAM)903中的计算机程序,来执行各种适当的动作和处理。在RAM 903中,还可存储设备900操作所需的各种程序和数据。计算单元901、ROM902以及RAM 903通过总线904彼此相连。输入/输出(I/O)接口905也连接至总线904。
设备900中的多个部件连接至I/O接口905,包括:输入单元906、输出单元907、存储单元908以及通信单元909。输入单元906可以是能向设备900输入信息的任何类型的设备,输入单元906可以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和/或功能控制有关的键信号输入,并且可以包括但不限于鼠标、键盘、触摸屏、轨迹板、轨迹球、操作杆、麦克风和/或遥控器。输出单元907可以是能呈现信息的任何类型的设备,并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。存储单元908可以包括但不限于磁盘、光盘。通信单元909允许设备900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,并且可以包括但不限于调制解调器、网卡、红外通信设备、无线通信收发机和/或芯片组,例如蓝牙TM设备、1302.11设备、WiFi设备、WiMax设备、蜂窝通信设备和/或类似物。
计算单元901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901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901执行上文所描述的各个方法和处理,例如方法900。例如,在一些实施例中,方法200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908。在一些实施例中,计算机程序的部分或者全部可以经由ROM 902和/或通信单元909而被载入和/或安装到设备900上。当计算机程序加载到RAM903并由计算单元901执行时,可以执行上文描述的方法200的一个或多个步骤。备选地,在其他实施例中,计算单元901可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行方法200。
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。
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,本公开中记载的各步骤可以并行地执行、也可以顺序地或以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
虽然已经参照附图描述了本公开的实施例或示例,但应理解,上述的方法、系统和设备仅仅是示例性的实施例或示例,本发明的范围并不由这些实施例或示例限制,而是仅由授权后的权利要求书及其等同范围来限定。实施例或示例中的各种要素可以被省略或者可由其等同要素替代。此外,可以通过不同于本公开中描述的次序来执行各步骤。进一步地,可以以各种方式组合实施例或示例中的各种要素。重要的是随着技术的演进,在此描述的很多要素可以由本公开之后出现的等同要素进行替换。
Claims (20)
1.一种用于推荐直播间的方法,所述方法包括:
对于至少一个直播间中的每一个直播间,基于该直播间的视频获取与该视频的内容相关的至少一个分类标签;以及
至少基于所获取的所述至少一个分类标签,从所述至少一个直播间中确定目标直播间,以推荐给目标用户。
2.根据权利要求1所述的方法,其中,所述直播间包括由主播开设的主播直播间,所述至少一个分类标签包括表征所述主播直播间的主播的特征的主播特征分类标签。
3.根据权利要求1所述的方法,其中,所述基于该直播间的视频获取与该视频的内容相关的至少一个分类标签包括:
将所述直播间的视频分为一个或多个分段;
获取所述一个或多个分段中的每一个分段的至少一个分段分类标签;以及
基于所述一个或多个分段和所述一个或多个分段中的每一个分段的所述至少一个分段分类标签,获取所述至少一个分类标签。
4.根据权利要求3所述的方法,其中,所述至少一个分类标签包括第一分类标签和第二分类标签,所述第一分类标签表征所述直播间的主播的第一特征,所述第二分类标签表征所述直播间的主播的第二特征,其中,所述第一特征随时间变化而发生变化的频率较第二特征高,并且其中,
所述一个或多个分段包括第一分段和第二分段,所述第一分段的分段分类标签对应于所述第一分类标签,所述第二分段的分段分类标签对应于所述第二分类标签,其中,所述第二分段的时间长度比所述第一分段长。
5.根据权利要求3所述的方法,其中,所述基于所述一个或多个分段和所述一个或多个分段中的每一个分段的所述至少一个分段分类标签,获取所述至少一个分类标签包括:
确定该直播间的所述视频的所述一个或多个分段中最新更新的一个或多个最新分段;以及
基于所述一个或多个最新分段中每一个最新分段的所述至少一个分段分类标签,确定所述至少一个分类标签。
6.根据权利要求1所述的方法,还包括:
获取所述目标用户的偏好数据,所述偏好数据包括对应于所获取的所述至少一个分类标签中的各个分类标签的第一偏好数据,并且其中,所述基于所获取的所述至少一个分类标签,从所述至少一个直播间中确定目标直播间包括:
基于所述所获取的所述至少一个分类标签和所述偏好数据,确定所述目标直播间。
7.根据权利要求6所述的方法,其中,所述获取所述目标用户的偏好数据包括:
对于所述目标用户观看过的至少一个已播直播间中的每一个已播直播间,获取该已播直播间的所述至少一个分类标签以及所述目标用户在该已播直播间的用户行为;以及
根据所述目标用户在所述至少一个已播直播间中的每一个已播直播间的所述用户行为,获取所述偏好数据。
8.根据权利要求7所述的方法,其中,所述基于所述所获取的至少一个分类标签和所述偏好数据,确定所述目标直播间包括:
基于所述第一偏好数据,获取所述目标用户的用户模型;
对于所述至少一个直播间中的每一个直播间,基于该直播间的所述至少一个分类标签中的各个分类标签和所述用户模型,计算所述目标用户与该直播间的相似度;以及
基于所述至少一个直播间中的每一个直播间的所述相似度,确定所述目标直播间。
9.根据权利要求8所述的方法,其中,所述目标直播间包括所述至少一个直播间中的、对应的所述相似度大于预设阈值的第一直播间。
10.根据权利要求8所述的方法,其中,所述偏好数据包括对应于区别于所述至少一个分类标签的第一分类标签的第二偏好数据,以及其中,基于所述至少一个直播间中的每一个直播间的所述相似度,确定所述目标直播间还包括:
基于所述第二偏好数据获取排序模型,所述排序模型被配置用于对所述目标直播间进行打分,其中,所述打分表征将所述至目标直播间荐给所述目标客户时,所述目标直播间的优先级;以及
基于所述目标直播间的所述相似度调整所述打分。
11.根据权利要求1-10任一项所述的方法,还包括:
响应于所述目标用户的指令,将所述目标用户选择的所述目标直播间确定为已播直播间。
12.一种用于推荐直播间的装置,包括:
分类单元,被配置用于对于至少一个直播间中的每一个直播间,基于该直播间的视频获取与该视频的内容相关的至少一个分类标签;以及
推荐单元,被配置用于至少基于所获取的所述至少一个分类标签,从所述至少一个直播间中确定目标直播间,以推荐给目标用户。
13.根据权利要求12所述的装置,其中,所述分类单元包括:
分段单元,被配置用于将所述直播间的视频分为一个或多个分段;
分段分类单元,被配置用于获取所述一个或多个分段中的每一个分段的至少一个分段分类标签;以及
分类标签确定单元,被配置用于基于所述一个或多个分段和所述一个或多个分段中的每一个分段的所述至少一个分段分类标签,获取所述至少一个分类标签。
14.根据权利要求13所述的装置,其中,所述至少一个分类标签包括第一分类标签和第二分类标签,所述第一分类标签表征所述直播间的主播的第一特征,所述第二分类标签表征所述直播间的主播的第二特征,其中,所述第一特征随时间变化而发生变化的频率较第二特征高,并且其中,
所述一个或多个分段包括第一分段和第二分段,所述第一分段的分段分类标签对应于所述第一分类标签,所述第二分段的分段分类标签对应于所述第二分类标签,其中,所述第二分段的时间长度比所述第一分段长。
15.根据权利要求13所述的装置,其中,所述分类标签确定单元包括:
第一确定单元,被配置用于确定该直播间的所述视频的所述一个或多个分段中最新更新的一个或多个最新分段;以及
第二确定单元,被配置用于基于所述一个或多个最新分段中每一个最新分段的所述至少一个分段分类标签,确定所述至少一个分类标签。
16.根据权利要求12所述的装置,还包括获取单元,被配置用于获取所述目标用户的偏好数据,所述偏好数据包括对应于所获取的所述至少一个分类标签中的各个分类标签的第一偏好数据。
17.根据权利要求16所述的装置,其中,所述推荐单元包括:
第一计算单元,被配置用于基于所述第一偏好数据,获取所述目标用户的用户模型;
第二计算单元,被配置用于对于所述至少一个直播间中的每一个直播间,基于该直播间的所述至少一个分类标签中的各个分类标签和所述用户模型,计算所述目标用户与该直播间的相似度;以及
第三确定单元,被配置用于基于所述至少一个直播间中的每一个直播间的所述相似度,确定所述目标直播间。
18.根据权利要求12-17任一项所述的装置,还包括:
第四确定单元,被配置用于响应于所述目标用户的指令,将所述目标用户选择的所述目标直播间确定为已播直播间。
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1-11中任意一项所述的方法。
20.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据权利要求1-11中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110668514.4A CN113395537B (zh) | 2021-06-16 | 2021-06-16 | 用于推荐直播间的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110668514.4A CN113395537B (zh) | 2021-06-16 | 2021-06-16 | 用于推荐直播间的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113395537A true CN113395537A (zh) | 2021-09-14 |
CN113395537B CN113395537B (zh) | 2023-05-16 |
Family
ID=77621458
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110668514.4A Active CN113395537B (zh) | 2021-06-16 | 2021-06-16 | 用于推荐直播间的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113395537B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114401413A (zh) * | 2021-12-10 | 2022-04-26 | 北京达佳互联信息技术有限公司 | 虚拟空间的交互提示方法、装置、电子设备和存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150106801A1 (en) * | 2013-10-16 | 2015-04-16 | Anand Agrawal | Recommending applications to portable electronic devices |
CN106599789A (zh) * | 2016-07-29 | 2017-04-26 | 北京市商汤科技开发有限公司 | 视频类别识别方法和装置、数据处理装置和电子设备 |
CN108076354A (zh) * | 2017-12-20 | 2018-05-25 | 北京潘达互娱科技有限公司 | 直播间推荐方法及设备 |
CN108271076A (zh) * | 2017-01-03 | 2018-07-10 | 武汉斗鱼网络科技有限公司 | 一种推荐直播间的方法及装置 |
CN109151500A (zh) * | 2018-09-29 | 2019-01-04 | 北京数美时代科技有限公司 | 一种针对视频直播的主播推荐方法、系统及计算机设备 |
CN110062248A (zh) * | 2019-04-30 | 2019-07-26 | 广州酷狗计算机科技有限公司 | 推荐直播间的方法和装置 |
CN110876088A (zh) * | 2018-09-03 | 2020-03-10 | 广州虎牙信息科技有限公司 | 一种直播间推荐的方法、装置、设备及存储介质 |
CN112637629A (zh) * | 2020-12-25 | 2021-04-09 | 百度在线网络技术(北京)有限公司 | 直播内容推荐方法及装置、电子设备和介质 |
-
2021
- 2021-06-16 CN CN202110668514.4A patent/CN113395537B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150106801A1 (en) * | 2013-10-16 | 2015-04-16 | Anand Agrawal | Recommending applications to portable electronic devices |
CN106599789A (zh) * | 2016-07-29 | 2017-04-26 | 北京市商汤科技开发有限公司 | 视频类别识别方法和装置、数据处理装置和电子设备 |
CN108271076A (zh) * | 2017-01-03 | 2018-07-10 | 武汉斗鱼网络科技有限公司 | 一种推荐直播间的方法及装置 |
CN108076354A (zh) * | 2017-12-20 | 2018-05-25 | 北京潘达互娱科技有限公司 | 直播间推荐方法及设备 |
CN110876088A (zh) * | 2018-09-03 | 2020-03-10 | 广州虎牙信息科技有限公司 | 一种直播间推荐的方法、装置、设备及存储介质 |
CN109151500A (zh) * | 2018-09-29 | 2019-01-04 | 北京数美时代科技有限公司 | 一种针对视频直播的主播推荐方法、系统及计算机设备 |
CN110062248A (zh) * | 2019-04-30 | 2019-07-26 | 广州酷狗计算机科技有限公司 | 推荐直播间的方法和装置 |
CN112637629A (zh) * | 2020-12-25 | 2021-04-09 | 百度在线网络技术(北京)有限公司 | 直播内容推荐方法及装置、电子设备和介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114401413A (zh) * | 2021-12-10 | 2022-04-26 | 北京达佳互联信息技术有限公司 | 虚拟空间的交互提示方法、装置、电子设备和存储介质 |
CN114401413B (zh) * | 2021-12-10 | 2023-09-05 | 北京达佳互联信息技术有限公司 | 虚拟空间的交互提示方法、装置、电子设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113395537B (zh) | 2023-05-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11553048B2 (en) | Method and apparatus, computer device and medium | |
CN113194350B (zh) | 推送待播报数据、播报数据的方法和装置 | |
CN116501960B (zh) | 内容检索方法、装置、设备及介质 | |
CN112541120B (zh) | 推荐评论生成方法、装置、设备和介质 | |
CN114791982B (zh) | 对象推荐方法和装置 | |
CN115082602A (zh) | 生成数字人的方法、模型的训练方法、装置、设备和介质 | |
CN112836072A (zh) | 信息展示方法及装置、电子设备和介质 | |
CN115470381A (zh) | 信息交互方法、装置、设备及介质 | |
CN116521841A (zh) | 用于生成回复信息的方法、装置、设备及介质 | |
CN113395537B (zh) | 用于推荐直播间的方法和装置 | |
CN114443989A (zh) | 排序方法、排序模型的训练方法、装置、电子设备及介质 | |
KR20210060375A (ko) | 유망 콘텐츠 선정 방법, 장치 및 컴퓨터프로그램 | |
CN116304335A (zh) | 对象推荐方法、用户偏好识别方法及装置 | |
CN115269989B (zh) | 对象推荐方法、装置、电子设备和存储介质 | |
CN116320390A (zh) | 视频质量评估的方法、装置及电子设备 | |
CN113722594B (zh) | 推荐模型的训练方法、推荐方法、装置、电子设备及介质 | |
CN113436604B (zh) | 播报内容的方法及装置、电子设备和存储介质 | |
CN114880580A (zh) | 信息推荐方法及装置、电子设备和介质 | |
CN113312511A (zh) | 用于推荐内容的方法、装置、设备和计算机可读存储介质 | |
CN109726267B (zh) | 用于故事机的故事推荐方法和装置 | |
CN114861071B (zh) | 对象推荐方法和装置 | |
CN113722534B (zh) | 视频推荐方法和装置 | |
CN115809364B (zh) | 对象推荐方法和模型训练方法 | |
WO2023019517A1 (zh) | 推荐指令的方法及其装置 | |
CN115630228A (zh) | 对象推荐方法和对象推荐模型的训练方法 |
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 |