CN113490053A - 播放量预测方法、装置、模型、电子设备及存储介质 - Google Patents

播放量预测方法、装置、模型、电子设备及存储介质 Download PDF

Info

Publication number
CN113490053A
CN113490053A CN202110742661.1A CN202110742661A CN113490053A CN 113490053 A CN113490053 A CN 113490053A CN 202110742661 A CN202110742661 A CN 202110742661A CN 113490053 A CN113490053 A CN 113490053A
Authority
CN
China
Prior art keywords
data
time sequence
predicted
characteristic value
program
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.)
Pending
Application number
CN202110742661.1A
Other languages
English (en)
Inventor
陈雨东
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing QIYI Century Science and Technology Co Ltd
Original Assignee
Beijing QIYI Century Science and Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing QIYI Century Science and Technology Co Ltd filed Critical Beijing QIYI Century Science and Technology Co Ltd
Priority to CN202110742661.1A priority Critical patent/CN113490053A/zh
Publication of CN113490053A publication Critical patent/CN113490053A/zh
Pending legal-status Critical Current

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
    • H04N21/43—Processing of content or additional data, e.g. demultiplexing additional data from a digital video stream; Elementary client operations, e.g. monitoring of home network or synchronising decoder's clock; Client middleware
    • H04N21/442—Monitoring of processes or resources, e.g. detecting the failure of a recording device, monitoring the downstream bandwidth, the number of times a movie has been viewed, the storage space available from the internal hard disk
    • H04N21/44204—Monitoring of content usage, e.g. the number of times a movie has been viewed, copied or the amount which has been watched
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
    • G06F16/75—Clustering; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
    • G06F16/78—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/7867—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using information manually generated, e.g. tags, keywords, comments, title and artist information, manually generated time, location and usage information, user ratings
    • 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
    • H04N21/4667—Processing of monitored end-user data, e.g. trend analysis based on the log file of viewer selections

Landscapes

  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Signal Processing (AREA)
  • Library & Information Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明实施例提供了一种播放量预测方法、装置、模型、电子设备及存储介质，该方法包括：获取待预测节目在历史时间段内的第一时序数据，并将所述第一时序数据转换为图像数据；对所述第一时序数据进行时序特征提取，得到时序特征值；对所述图像数据进行图像特征提取，得到图像特征值；根据所述时序特征值和所述图像特征值，预测所述待预测节目在未来时间段内的预测播放量。上述方案，根据第一时序数据得到图像数据，将原本单一模态的第一时序数据转换为了时序、图像两种模态的数据，从多模态融合的角度进行节目播放趋势的预估，能够更加准确的预测节目的播放趋势。

Description

播放量预测方法、装置、模型、电子设备及存储介质
技术领域
本发明涉及互联网技术领域，特别是涉及一种播放量预测方法、装置、模型、电子设备及存储介质。
背景技术
在综艺节目广告的售卖中，按天付费的订单都会与客户约定一个保底曝光量，按保底曝光量进行定价。而在实际的投放过程中，广告的实际曝光量与综艺节目的播放趋势相关。因此，需要对综艺节目播放趋势进行预估。
综艺节目播放趋势预估这类时间序列预测问题主要通过以下方法：通过差分整合移动平均自回归模型(Autoregressive Integrated Moving Average model，ARIMA)等传统时序模型对时间序列进行自回归预测，这种方法对数据的利用率低，只在短期预测中有效，而对中长期的时间序列预测效果较差，很难准确预测综艺节目的播放趋势。
由此可见，现有技术中的综艺节目播放趋势预估方案的效果较差，很难准确预测综艺节目的播放趋势。
发明内容
本发明实施例的目的在于提供一种播放量预测方法、装置、模型、电子设备及存储介质，以在一定程度上解决现有技术中的综艺节目播放趋势预估方案的效果较差，很难准确预测综艺节目的播放趋势的问题。具体技术方案如下：
在本发明实施的第一方面，首先提供了一种播放量预测方法，包括：
获取待预测节目在历史时间段内的第一时序数据，并将所述第一时序数据转换为图像数据；
对所述第一时序数据进行时序特征提取，得到时序特征值；
对所述图像数据进行图像特征提取，得到图像特征值；
根据所述时序特征值和所述图像特征值，预测所述待预测节目在未来时间段内的预测播放量。
在本发明实施的第二方面，还提供了一种播放量预测装置，包括：
第一处理模块，用于获取待预测节目在历史时间段内的第一时序数据，并将所述第一时序数据转换为图像数据；
第二处理模块，用于对所述第一时序数据进行时序特征提取，得到时序特征值；
第三处理模块，用于对所述图像数据进行图像特征提取，得到图像特征值；
预测模块，用于根据所述时序特征值和所述图像特征值，预测所述待预测节目在未来时间段内的预测播放量。
在本发明实施例的第三方面，还提供了一种播放量预测模型，执行如上述播放量预测方法中的部分步骤。
在本发明实施例的第四方面，还提供了一种电子设备，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，实现上述所述的播放量预测方法。
在本发明实施的第五方面，还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中存储有指令，当其在计算机上运行时，使得计算机执行上述任一所述的播放量预测方法。
在本发明实施的第六方面，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任一所述的播放量预测方法。
本发明实施例的播放量预测方法，首先获取待预测节目在历史时间段内的第一时序数据，并将所述第一时序数据转换为图像数据，即根据第一时序数据得到图像数据，将原本单一模态的第一时序数据转换为了时序、图像两种模态的数据，能够充分挖掘第一时序数据中包含的隐藏信息，即隐藏的图像数据信息；再通过第一网络对第一时序数据进行处理，得到时序特征值，并通过第二网络对图像数据进行处理，得到图像特征值，根据所述时序特征值和所述图像特征值，预测所述待预测节目在未来时间段内的预测播放量；采用单一模态预测播放量的方法，对数据的利用率低，很难准确预测综艺节目的播放趋势，而从时序、图像的多模态融合的角度对节目播放趋势进行预估，即通过多角度的数据预估节目播放趋势，能够提高数据的利用率，更加准确的预测节目的播放趋势。
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。
图1为本发明实施例提供的一种播放量预测方法的步骤流程图之一；
图2为本发明实施例提供的一种播放量预测方法的步骤流程图之二；
图3为本发明实施例提供的播放量预测模型的结构示意图；
图4为本发明实施例提供的一种播放量预测装置的框图；
图5为本发明实施例提供的电子设备的框图。
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描述。
目前，综艺节目播放趋势预估这类时间序列预测问题还可以通过以下方法：其中一种是利用特征工程提取过往数据的特征，然后进行机器学习建模，这种方法对技术人员的经验具有很强的依赖性；另外一种是长短期记忆网络(Long Short-Term Memory，LSTM)或一维卷积等深度学习方法，由于综艺节目的播放趋势受播放类型、节假日、嘉宾表现等因素影响较大，在相邻两天比较下呈现出较大的波动性，面对这种时序数据，LSTM或一维卷积表达能力有限，很难准确预测综艺节目的播放趋势。
由此，本发明实施例提供了一种播放量预测方法、装置、模型、电子设备及存储介质，从时序、图像的多模态融合的角度对节目播放趋势进行预估，即通过多角度的数据预估节目播放趋势，能够提高数据的利用率，更加准确的预测节目的播放趋势。
如图1所示，本发明实施例提供了一种播放量预测方法，用于预估待预测节目(如：综艺节目等)的播放趋势。上述方法具体包括如下步骤：
步骤101，获取待预测节目在历史时间段内的第一时序数据，并将所述第一时序数据转换为图像数据。
在上述步骤101中，首先获取待预测节目在历史时间段内的第一时序数据，然后将该第一时序数据进行图像转换，得到由第一时序数据转换而来的图像数据。其中，第一时序数据为针对待预测节目在历史时间序列的播放数据，具体而言，播放数据可以包括但不限于如下至少一种：每日播放量、每日预约播放量、每日关注量、每日评论量等，对此不作穷举。
其中，历史时间段表示在当前时间之前的一段时间范围，该时间段可以根据需要由用户自定义。
其中，待预测节目可以是已经播放过的、且需要预测未来播放趋势的节目。具体的，待预测节目具体包括但不限于如下至少一种：综艺节目、电视剧、电影、法律节目等。进一步的，待预测节目可以是已经播放过一段时间的节目，示例性的，具体可以是在当前时间之前播放过、且播放量大于预设播放量的综艺节目、电视剧、电影、法律节目等节目中的至少一种。需要说明的是，预设播放量是用于判断节目是否为热播节目的播放量限值，如果该节目的播放量大于预设播放量，则表示该节目为热播节目或者曾经为热播节目。
需要说明的是，节目可以播过一段时间，是指：该节目已经播完或者已经播了其中一部分。例如，一个剧播完了，还会有观众来后续二刷、三刷等，可以通过预估已经播完的剧在未来时间段中的预测播放量，以安排聚集的推荐、搜索策略等。又例如：已经播了其中一部分的节目，通过前面已经播放的播放数据预估该节目在未来时间段中的预测播放量，在此不做具体赘述。
并且，除以上两种示例之外，还可以是未播放的节目。例如，季度类节目，前面几季视频的播放量等数据可以作为播放数据预估该季度类节目在未来时间段中的预测播放量；又例如，还可以为完全没有播过的电视剧，此时，播放数据不包括播放量，可以为每日预约播放量、每日关注量等，通过每日预约播放量、每日关注量等播放数据预估该电视剧在未来时间段中的预测播放量。
步骤102，对所述第一时序数据进行时序特征提取，得到时序特征值。
在上述实施例中，在步骤101中获取待预测节目在历史时间段内的第一时序数据之后，通过第一网络对第一时序数据进行时序特征提取处理，得到对应的时序特征值。
进一步的，所述第一网络可以为用于提取时序特征的长短期记忆(Long Short-Term Memory，LSTM)循环网络等。
在上述实施例中，在第一网络为LSTM循环网络的情况下，第一时序数据通过LSTM循环网络中的至少一层LSTM层进行时序特征提取处理，得到对应的时序特征值，选用LSTM作为循环神经网络的基础结构，能很好地缓解循环神经网络梯度消失、难于训练的问题。
步骤103，对所述图像数据进行图像特征提取，得到图像特征值。
在上述实施例中，在步骤101将第一时序数据转换为图像数据之后，通过第二网络对图像数据进行图像特征提取处理，得到对应的图像特征值。
进一步的，所述第二网络可以为用于提取图像特征的卷积神经网络、深度神经网络(Deep Neural Networks，DNN)等。
在上述实施例中，在第二网络为卷积神经网络的情况下，可以将图像数据通过卷积神经网络的多层卷积层进行图像特征提取处理，得到对应的图像特征值。
步骤104，根据所述时序特征值和所述图像特征值，预测所述待预测节目在未来时间段内的预测播放量。
在上述实施例中，通过得到的时序特征值以及图像特征值，可以预估待预测节目的未来播放趋势，即可以得到待预测节目在未来时间段内的预测播放量。
其中，未来时间段指的是当前时间之后的一段时间范围，即预测播放量指的是预测的待预测节目的未来播放量。
本发明的实施例中，首先获取待预测节目在历史时间段内的第一时序数据，并将所述第一时序数据转换为图像数据，即根据第一时序数据得到图像数据，将原本单一模态的第一时序数据转换为了时序、图像两种模态的数据，能够充分挖掘第一时序数据中包含的隐藏信息，即隐藏的图像数据信息；再通过第一网络对第一时序数据进行处理，得到时序特征值，并通过第二网络对图像数据进行处理，得到图像特征值，根据所述时序特征值和所述图像特征值，预测所述待预测节目在未来时间段内的预测播放量；采用单一模态预测播放量的方法，对数据的利用率低，很难准确预测综艺节目的播放趋势，而从时序、图像的多模态融合的角度对节目播放趋势进行预估，即通过多角度的数据预估节目播放趋势，能够提高数据的利用率，更加准确的预测节目的播放趋势。
作为一可选的实施例，所述步骤101获取待预测节目在历史时间段内的第一时序数据，具体包括：
获取所述待预测节目在历史时间段内的历史播放数据，将该历史播放数据作为第一时序数据。其中，历史播放数据可以包括但不限于每日播放量、每日预约播放量、每日关注量和/或每日评论量等，在此不做具体限定。
例如：如果该待预测节目历史播放数据取过去N(N可以取64、128、256等数值)天的历史播放数据，即历史时间段为当前时间之前的N天。如果播放时数据超过N天，则可以进行截断，只取热播期前后的N天。如果播放时数据不足N天，可以按最后一天的播放量填充至N天。并且，可以将当前时间的第M天作为未来时间段，即需要预估未来第M天的预测播放量，其中M为大于或等于1的数值。
例如：如果历史播放数据为包含100天的播放数据，如果N取值为64，则该预测节目历史播放数据需要取过去64天的播放数据，即仅需要在100天中截取处于热播期前后的64天的播放数据作为历史播放数据。又例如：如果历史播放数据为包含60天的播放数据，如果N取值为64，则该预测节目历史播放数据需要取过去64天的播放数据，即可以将第60天的播放数据作为第61天、第62天、第63天、第64天的播放数据，如此将得到的64天的播放数据作为历史播放数据。
如图2所示，作为另一可选的实施例，所述步骤101获取待预测节目在历史时间段内的第一时序数据，具体可以包括：
步骤A1：获取所述待预测节目在历史时间段内的历史播放数据；
步骤A2：将所述历史播放数据进行归一化处理，得到所述第一时序数据。
在上述步骤A1和步骤A2中，首先获取待预测节目在历史时间段内的历史播放数据，在获取历史播放数据之后，按照最大最小归一化处理方法对待预测节目的历史播放数据进行归一化处理，即把历史播放数据映射到0～1范围之内，得到第一时序数据。归一化的具体作用是归纳统一历史播放数据，归一化在0～1之间是统计的概率分布。其中，该第一时序数据可以是关于笛卡尔坐标系(也可称为直角坐标系)下的时序数据。
进一步的，针对待预测节目的第一时序数据的获取方法可以为：获取该待预测节目在归一化处理之前的历史播放数据，以每日播放量为例，获取归一化处理之前的每日播放量中的最大播放量、最小播放量以及最大播放量与最小播放量之间的差值；通过每日播放量、最小播放量以及差值计算得到第一时序数据。
上述实施例中，通过获取历史播放数据中的每日播放数据与最小播放量的差值，与最大播放量与最小播放量的差值的比值，可以将上述历史播放数据进行[0，1]之间的归一化处理，实现对原始的历史播放数据的等比例缩放，实现对历史播放数据的归纳统一。
具体的，上述步骤A2将所述历史播放数据进行归一化处理，得到所述第一时序数据满足以下公式：
Xi＝(xi-xmin)/(xmax-xmin)
其中，xi表示该待预测节目归一化处理之前的第i目的历史播放数据(如：播放量)，i＝1，2，...，N；
xmax表示该待预测节目归一化处理之前的最大播放量；
xmin表示该待预测节目归一化处理之前的最小播放量；
Xi表示该待预测节目归一化处理之后的第i目的播放数据，即第一时序数据。
作为一可选的实施例，上述步骤101将所述第一时序数据转换为图像数据，具体可以包括如下步骤：
步骤B1，将所述第一时序数据进行坐标转换，得到极坐标时序数据。
在上述步骤B1中，在获取到第一时序数据之后，将该第一时序数据可以通过坐标转换公式转换为极坐标时序数据，以便能够保留更多的第一时序数据。进一步的，待预测节目的任意一天的历史播放数据，其对应的笛卡尔坐标为(i，Xi)，计算其对应的极坐标，也就是将时间编码为半径，时间序列的值编码为角度；具体的，上述步骤B1将第一时序数据进行坐标转换，得到极坐标时序数据，满足以下公式：
Figure BDA0003141843960000081
其中，Xi表示该待预测节目归一化处理之后的第i目的播放数据；
N表示历史播放数据对应的历史时间段的时间长度，例如：N天。
需要说明的是，极坐标属于二维坐标系统，主要应用于数学领域；极坐标是指在平面内取一个定点O叫极点，引一条射线Ox叫做极轴，再选定一个长度单位和角度的正方向(通常取逆时针方向)。对于平面内任何一点M，用r表示线段OM的长度，θ表示从Ox到OM的角度，r叫做点M的极径，θ叫做点M的极角，有序数对(r，θ)就叫点M的极坐标，这样建立的坐标系叫做极坐标系。通常情况下，M的极径坐标单位为1(长度单位)，极角坐标单位为rad(或°)。
步骤B2，对所述极坐标时序数据进行函数变换，得到格拉姆角场矩阵。
在上述步骤B2中，将所述极坐标时序数据通过函数变换的方式变换为格拉姆角场矩阵；具体的，将所述极坐标时序数据通过函数变换(如三角函数变换)的方式变换为格拉姆角场矩阵；具体的，根据极坐标时序数据极下的任意两点，i＝c时的点坐标(rc，θc)以及i＝d时的点坐标(rd，θd)，计算出格拉姆角场矩阵中第c行第d列的值：<rc|rd>＝|rc||rd|cos(θc+θd)，于是极坐标时序数据对应的格拉姆角场矩阵为：
Figure BDA0003141843960000082
步骤B3，将所述格拉姆角场矩阵确定为图像像素矩阵，得到所述图像数据。
在上述步骤B3中，每条第一时序数据都对应一个格拉姆角场矩阵，上述格拉姆角场矩阵就是关于图像的像素矩阵，该像素矩阵中的值为关于像素点的像素值，该像素矩阵即为图像数据；换句话说，图像数据是由像素点的像素值构成的像素矩阵，即可以根据格拉姆角场矩阵得到对应的图像数据，那么每条第一时序数据都有一条对应的图像数据。
作为一可选的实施例，所述对所述图像数据进行图像特征提取，得到图像特征值，包括：
将所述图像数据依次经过第一卷积处理、批归一化处理、激活函数ReLU处理、最大池化处理，得到第一特征值；
将所述第一特征值依次经过第二卷积处理、批归一化处理、激活函数ReLU处理，得到第二特征值；
将所述第一特征值和所述第二特征值进行残差连接处理，得到第三特征值；
将所述第三特征值进行最大池化处理，得到图像特征值。
在上述实施例中，在将第一时序数据转换为图像数据之后，通过播放量预测模型中具有多层卷积层的第二网络对图像数据进行处理，具体的，通过其中一卷积层将图像数据依次经过第一卷积处理、批归一化处理、激活函数ReLU处理、最大池化处理，进而得到第一特征值；然后通过另一卷积层对第一特征值依次经过第二卷积处理、批归一化处理、激活函数ReLU处理，进而得到第二特征值；然后将第一特征值与第二特征值进行残差连接处理，进而得到第三特征值，最后将第三特征值进行最大池化处理得到图像特征值。
例如：在第二网络为卷积神经网络的情况下，如果卷积神经网络具有四层卷积层，分别为第一卷积层、第二卷积层、第三卷积层以及第四卷积层，则图像数据经过第一卷积层的第一卷积处理得到图像低级特征，然后经过批归一化处理调整卷积操作获取的数据的分布，加快卷积神经网络学习速度，再用激活函数ReLU处理来缓解梯度消失的问题，最后经过最大池化处理扩大感受野，然后以上步骤输出的特征值再经过第二卷积层的第一卷积处理、批归一化处理、ReLU处理，从而得到第一特征值，将所述第一特征值经过第三卷积层的第二卷积处理、批归一化处理、ReLU处理输出的特征值，再经过第四卷积层的第二卷积处理、批归一化处理、ReLU处理，从而得到第二特征值，逐渐得到更高级的图像特征。
并且，为了提高预测效果，在卷积神经网络模块中加入了残差连接，将所述第一特征值和所述第二特征值进行残差连接处理，得到第三特征值，即残差连接将浅层的特征映射直接和深层的特征映射相加，一方面可以将深层梯度传递回浅层，缓解神经网络梯度消失的问题，另一方面将浅层学到的特征与深层学到的特征融合，起到了集成学习的作用，提升了卷积神经网络的泛化性；最后将第三特征进行最大池化处理，从而得到图像特征值。
需要说明的是，所述卷积神经网络的卷积层的数量可以根据需要进行设定，不限定为四层。
作为一可选的实施例，上述步骤104根据所述时序特征值和所述图像特征值，预测所述待预测节目在未来时间段内的预测播放量，包括：
步骤C1，将所述时序特征值和所述图像特征值进行特征拼接，得到拼接特征值。
在上述步骤C1中，在得到时序特征值以及图像特征之后，将该时序特征值和图像特征值进行特征拼接，得到拼接特征值；拼接方式可以为：上述两串数据首尾拼接，即时序特征的尾部与图像特征的首部拼接，或者时序特征的首部与图像特征的尾部拼接等方式，上述拼接的方式可以在特征融合时减少特征值的损失。例如：如果时序特征为A1～An，图像特征为B1～Bm，则可以将上述两串数据首尾拼接，即A1～An-B1～Bm或者B1～Bm-A1～An。
或者，还可以将时序特征与图像特征一一对应拼接。仍以前面的场景为例，时序特征与图像特征的拼接结构可以示例为：A1-B1-A2-B2～An-Bm。
或者，还可以将时序特征值与图像特征值进行相加，得到相加后的特征值。例如：如果时序特征为A1～An，图像特征为B1～Bm，则可以将上述两串数据相加，即A1+B1连接A2+B2连接A3+B3，以此类推，一直连接到An+Bm，此时需要n与m的数值相同，即时序特征与图像特征的长度相同。
步骤C2，将所述拼接特征值经过第一全连接层进行融合处理，得到融合特征值。
在上述步骤C2中，拼接特征值经过第一全连接层进行特征的融合处理，得到多模态的融合特征值，即将上述包含两种特征值(即时序特征值和图像特征值)的拼接特征值进行融合处理，由此得到两种不同类型的特征融合后的特征值，采用融合特征值进行播放量预测，可以提高预测播放量的准确性。
步骤C3，将所述融合特征值经过第二全连接层进行播放量预测，得到所述待预测节目在未来时间段内的预测播放量。
在上述步骤C3中，根据多模态的融合特征值，使用第二全连接层预测未来时间段的待预测节目的预测播放量，即将原本单一模态的第一时序数据转换为了时序、图像两种模态的数据进行融合，从多模态融合的角度进行节目播放趋势的预估，从而提高对待预测节目未来播放趋势预测的准确性。
综上，通过前述方法，将原本单一模态的第一时序数据转换为了时序、图像两种模态的数据，能够充分挖掘第一时序数据中包含的隐藏信息，即隐藏的图像数据信息。并且，将时序特征值和图像特征值进行特征拼接，可以在特征融合时减少特征值的损失。并且，将时序特征值和图像特征值的拼接特征值进行融合处理，由此得到两种不同类型的特征融合后的特征值，采用融合特征值进行播放量预测，可以提高预测播放量的准确性。即从时序、图像的多模态融合的角度对节目播放趋势进行预估，能够提高数据的利用率，更加准确的预测节目的播放趋势。
需要说明的是，前文所述的数据处理方法可以集成在一个模型中，该模型是一种播放量预测的模型。
由此，本发明还提供了一种播放量预测模型，该播放量预测模型是一种多模态的融合神经网络模型，是将至少两种网络融合而成的神经网络模型，用于预估待预测节目(如：综艺节目等)的播放趋势。
上述播放量预测模型的训练过程如下：首先收集多个节目每日的历史播放量，并将上述历史播放量处理成历史时序数据，该历史时序数据表示关于一段连续时间序列的播放量的历史数据。该历史时序数据作为原始时序数据，将其划分为训练数据和测试数据，然后将训练数据和测试数据转换为图像数据，从而建立多模态的融合神经网络。将其中一部分历史时序数据以及与其对应的图像数据、预测播放量的标签(即实际的播放量)输入到多模态的融合神经网络中进行离线训练，得到训练后的多模态融合神经网络模型，即播放量预测模型。
在上述模型训练过程中，对预测播放量的标签进行归一化处理前后的数据可以满足以下公式：
Yi＝(yi-xmin)/(xmax-xmin)
其中，将待预测节目当做一条时间序列；
yi表示进行归一化处理之前的时间序列的标签，即归一化处理之前的实际播放量；
Yi表示进行归一化处理之后的时间序列的标签，即归一化处理之后的实际播放量。
由于模型训练过程中对历史播放数据等进行了归一化处理，同样需要对上述标签进行归一化处理，以便提高模型训练精度，加速模型的收敛速度。
以下具体说明播放量预测模型的结构：
具体的，上述播放量预测模型可以包括第一网络、第二网络、第一全连接层和第二全连接层。播放量预测模型获取第一时序数据，并将第一时序数据转换为图像数据；通过模型中的第一网络对第一时序特征进行时序特征提取，得到时序特征值；通过模型中的第二网络对图像数据进行图像特征提取，得到图像特征值；然后将时序特征值和图像特征值进行特征拼接，得到拼接特征值；再通过第一全连接层将拼接特征值进行融合处理，得到融合特征值；再通过第二全连接层对融合特征值进行播放量预测，得到预测播放量。
下面通过一具体实施例对上述预测播放量的预测过程进行详细说明：
例如：如图3左侧所示，播放量预测模型的第一网络为LSTM循环网络，可参考图3左侧部分。示例性的，图3所示的LSTM循环网络为三层结构(应当理解，图3仅为示例性的，此处无特别限制)，且第一时序数据包含N天(X1～XN)的历史播放数据，每层LSTM层均包括N个LSTM模块，这些模块的输入数据分为两种：其中一种是LSTM层的首个LSTM模块，其输入是上一层相应LSTM层的首个模块的输出；另一种是除首个LSTM模块之外的任意一个LSTM模块，其输入有两个，一个是上层LSTM层中对应的LSTM模块的输出以及同一层LSTM层的前一个LSTM模块的输出。这些模块的输出数据分为两种：其中一种是LSTM层的最后一个LSTM模块，其输出至下一层相应LSTM层的最后一个LSTM模块；另一种是除最后一个LSTM模块之外的任意一个LSTM模块，其输出有两个，一个是输出至下层LSTM层中对应的LSTM模块中，以及同一层LSTM层的后一个LSTM模块中。
具体的，第一层LSTM层包含N个LSTM模块，X1的第一时序数据经过第一层LSTM成中的首个LSTM模块处理，得到的状态输出值和X2的第一时序数据再经过第一层LSTM层中的第二个LSTM模块处理，得到的状态输出值和X3的第一时序数据再经过第一层LSTM层中的第三个LSTM模块处理，以此类推，直到XN的第一时序数据经过第一层LSTM层中的最后一个LSTM模块处理，即每经过第一层LSTM层中的一个LSTM模块处理向右输出的均为状态输出值，需要跟其后一天的第一时序数据输入至下一个LSTM模块进行处理，直至到同一层的最后一个LSTM模块进行处理之后，不再输出状态输出值，即不再向右输出。
并且，如图3所示，X1的第一时序数据经过第一层LSTM层中的首个LSTM模块处理，得到的中间特征值再经过第二层LSTM层中的首个LSTM模块处理，向右输出的状态输出值需要与X1经过第一层LSTM层的第二个LSTM模块处理得到的中间特征值，经过第二层LSTM层中的第二个LSTM模块处理，以此类推，直到XN的第一时序数据经过第二层LSTM层中的最后一个LSTM模块处理，换句话说，第一层每经过一个LSTM模块处理向下输出中间特征值，需要与第二层LSTM层对应的LSTM模块处理得到的状态输出值进行第二层LSTM层的下一个LSTM模块处理。同理，第二层每经过一次LSTM模块处理向下输出中间特征值，需要与第三层LSTM层对应的LSTM模块处理得到的状态输出值进行第三层LSTM层的下一个LSTM模块处理，再向下输出的值为关于X1～XN的时序特征值c1～cN。
如图3所示，播放量预测模型的第二网络为卷积神经网络，可参考图3右侧部分。示例性的，图3所示的卷积神经网络具有四层卷积层，分别为第一卷积层、第二卷积层、第三卷积层以及第四卷积层，则图像数据经过第一卷积层的第一卷积处理得到图像低级特征，然后经过批归一化处理调整卷积操作获取的数据的分布，加快模型学习速度，再用激活函数ReLU处理来缓解梯度小时的问题，最后经过最大池化处理扩大感受野，然后以上步骤输出的特征值再经过第二卷积层的第一卷积处理、批归一化处理、ReLU处理，从而得到第一特征值，将所述第一特征值经过第三卷积层的第二卷积处理、批归一化处理、ReLU处理输出的特征值，再经过第四卷积层的第二卷积处理、批归一化处理、ReLU处理，从而得到第二特征值，逐渐得到更高级的图像特征。
并且，为了提高模型的预测效果，在卷积神经网络模块中加入了残差连接，将所述第一特征值和所述第二特征值进行残差连接处理，得到第三特征值，即残差连接将浅层的特征映射直接和深层的特征映射相加，一方面可以将深层梯度传递回浅层，缓解神经网络梯度消失的问题，另一方面将浅层学到的特征与深层学到的特征融合，起到了集成学习的作用，提升了模型的泛化性；最后将第三特征进行最大池化处理，从而得到图像特征值h1～hN。
然后将时序特征值c1～cN和图像特征值h1～hN进行特征拼接，得到拼接特征值，例如c1～cN-h1～hN。然后将拼接特征值经过第一全连接层进行融合处理，得到融合特征值；再将融合特征值经过第二全连接层进行播放量预测，得到待预测节目在未来时间段内的预测播放量。
综上，通过上述播放量预测模型，将原本单一模态的第一时序数据转换为了时序、图像两种模态的数据，能够充分挖掘第一时序数据中包含的隐藏信息，即隐藏的图像数据信息。并且，通过上述第一网络提取时序特征的过程，能很好地缓解循环神经网络梯度消失、难于训练的问题。并且，通过上述第二网络提取图像特征的过程，一方面可以将深层梯度传递回浅层，缓解神经网络梯度消失的问题，另一方面将浅层学到的特征与深层学到的特征融合，起到了集成学习的作用，提升了卷积神经网络的泛化性；并且，将时序特征值和图像特征值进行特征拼接，可以在特征融合时减少特征值的损失；并且，将时序特征值和图像特征值的拼接特征值进行融合处理，由此得到两种不同类型的特征融合后的特征值，采用融合特征值进行播放量预测，可以提高预测播放量的准确性。并且，由于广告类节目一般按照保底曝光量进行定价，在实际投放过程中，实际曝光量与保底曝光量的比值可能超过预设值，易造成订单消耗库存大量溢出的情况；通过上述模型预测播放量能够避免上述情况，提升流量变现的效率，提升实用价值。
在基于前述任一实施例所述的方式获取到预测播放量之后，作为一可选的实施例，为了进一步优化预测播放量，在根据时序特征值和图像特征值，预测待预测节目在未来时间段内的预测播放量之后，上述方法还包括：
利用所述第一时序数据对所述预测播放量进行优化处理，得到未来时间段内的目标播放量。
在上述实施例中，在根据时序特征值和图像特征值，预测待预测节目在未来时间段内的预测播放量之后，利用第一时序数据对预测播放量进行优化处理，以进一步优化预测播放量，得到未来时间段内的目标播放量，该目标播放量相对于预测播放量来说更加准确。
作为一可选的实施例，上述利用所述第一时序数据对所述预测播放量进行优化处理，得到未来时间段内的目标播放量，具体包括：
获取所述第一时序数据中的最大播放量和最小播放量；
将所述预测播放量、所述最大播放量和所述最小播放量进行反归一化处理，得到未来时间段内的目标播放量。
在上述实施例中，在根据时序特征值和图像特征值，预测待预测节目在未来时间段内的预测播放量之后，获取第一时序数据中的最大播放量和最小播放量，然后将预测播放量、最大播放量和最小播放量进行反归一化处理，得到未来时间段内的目标播放量，以进一步优化预测播放量。
需要说明的是，由于上述预测播放量是归一化之后得到的预测播放量，由此，需要将预测播放量进行反归一化处理，计算得到预测的目标播放量。
其中，上述通过预测播放量计算目标播放量的过程满足以下公式：
Zi＝zi*(xmax-xmin)+xmin
其中，zi表示预测播放量；
Zi表示目标播放量；
xmax表示该待预测节目的历史播放数据中的最大播放量，即归一化处理之前的最大播放量；
xmin表示该待预测节目的历史播放数据中的最小播放量，即归一化处理之前的最小播放量。
综上所述，本发明实施例通过获取待预测节目在历史时间段内的第一时序数据，并将所述第一时序数据转换为图像数据，即在原始第一时序数据的基础上额外加入了图像数据信息，将原本单一模态的第一时序数据转换为了时序、图像两种模态的数据；再对第一时序数据进行时序特征提取，得到关于局部特征的时序特征值，并对图像数据进行图像特征提取，得到关于整体特征的图像特征值，根据时序特征值和图像特征值，可以预测待预测节目在未来时间段内的预测播放量，采用单一模态预测播放量的方法，对数据的利用率低，很难准确预测综艺节目的播放趋势，而从时序、图像的多模态融合的角度对节目播放趋势进行预估，即通过多角度的数据预估节目播放趋势，能够提高数据的利用率，更加准确的预测节目的播放趋势；并且，通过反归一化处理进一步优化预测播放量，进而得到更加准确的目标播放量，进一步提高对待预测节目未来播放趋势的准确预测。
如图4所示，本发明实施例还提供了一种播放量预测装置400，包括：
第一处理模块401，用于获取待预测节目在历史时间段内的第一时序数据，并将所述第一时序数据转换为图像数据；
第二处理模块402，用于对所述第一时序数据进行时序特征提取，得到时序特征值；
第三处理模块403，用于对所述图像数据进行图像特征提取，得到图像特征值；
预测模块404，用于根据所述时序特征值和所述图像特征值，预测所述待预测节目在未来时间段内的预测播放量。
本发明的实施例中，首先获取待预测节目在历史时间段内的第一时序数据，并将所述第一时序数据转换为图像数据，即根据第一时序数据得到图像数据，将原本单一模态的第一时序数据转换为了时序、图像两种模态的数据，能够充分挖掘第一时序数据中包含的隐藏信息，即隐藏的图像数据信息；再通过第一网络对第一时序数据进行处理，得到时序特征值，并通过第二网络对图像数据进行处理，得到图像特征值，根据所述时序特征值和所述图像特征值，预测所述待预测节目在未来时间段内的预测播放量；采用单一模态预测播放量的方法，对数据的利用率低，很难准确预测综艺节目的播放趋势，而从时序、图像的多模态融合的角度对节目播放趋势进行预估，即通过多角度的数据预估节目播放趋势，能够提高数据的利用率，更加准确的预测节目的播放趋势。
可选的，该预测模块404，具体包括：
将所述时序特征值和所述图像特征值进行特征拼接，得到拼接特征值；
将所述拼接特征值经过第一全连接层进行融合处理，得到融合特征值；
将所述融合特征值经过第二全连接层进行播放量预测，得到所述待预测节目在未来时间段内的预测播放量。
可选的，该第一处理模块401，具体包括：
将所述第一时序数据进行坐标转换，得到极坐标时序数据；
对所述极坐标时序数据进行函数变换，得到格拉姆角场矩阵；
将所述格拉姆角场矩阵确定为图像像素矩阵，得到所述图像数据。
可选的，该第一处理模块401，具体包括：
获取所述待预测节目在历史时间段内的历史播放数据；
将所述历史播放数据进行归一化处理，得到所述第一时序数据。
可选的，该第三处理模块403，具体包括：
将所述图像数据依次经过第一卷积处理、批归一化处理、激活函数ReLU处理、最大池化处理，得到第一特征值；
将所述第一特征值依次经过第二卷积处理、批归一化处理、激活函数ReLU处理，得到第二特征值；
将所述第一特征值和所述第二特征值进行残差连接处理，得到第三特征值；
将所述第三特征值进行最大池化处理，得到图像特征值。
可选的，上述装置还包括：
计算模块，用于利用所述第一时序数据对所述预测播放量进行优化处理，得到未来时间段内的目标播放量。
可选的，上述计算模块，具体包括：
获取所述第一时序数据中的最大播放量和最小播放量；
将所述预测播放量、所述最大播放量和所述最小播放量进行反归一化处理，得到未来时间段内的目标播放量。
需要说明的是，该播放量预测装置实施例是与上述播放量预测方法相对应的装置，上述方法实施例的所有实现方式均适用于该装置实施例中，也能达到与其相同的技术效果，在此不再赘述。
综上所述，本发明实施例通过获取待预测节目在历史时间段内的第一时序数据，并将所述第一时序数据转换为图像数据，即在原始第一时序数据的基础上额外加入了图像数据信息，将原本单一模态的第一时序数据转换为了时序、图像两种模态的数据；再对第一时序数据进行时序特征提取，得到关于局部特征的时序特征值，并对图像数据进行图像特征提取，得到关于整体特征的图像特征值，根据时序特征值和图像特征值，可以预测待预测节目在未来时间段内的预测播放量，采用单一模态预测播放量的方法，对数据的利用率低，很难准确预测综艺节目的播放趋势，而从时序、图像的多模态融合的角度对节目播放趋势进行预估，即通过多角度的数据预估节目播放趋势，能够提高数据的利用率，更加准确的预测节目的播放趋势；并且，通过反归一化处理进一步优化预测播放量，进而得到更加准确的目标播放量，进一步提高对待预测节目未来播放趋势的准确预测。
本发明实施例还提供了一种电子设备，如图5所示，包括处理器51、通信接口52、存储器53和通信总线54，其中，处理器51，通信接口52，存储器53通过通信总线54完成相互间的通信；
存储器53，用于存放计算机程序；
所述处理器51，用于执行存储器53上所存放的程序时，实现如上任一项所述的播放量预测方法的步骤。
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，简称PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，简称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。
存储器可以包括随机存取存储器(Random Access Memory，简称RAM)，也可以包括非易失性存储器(non-volatile memory)，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，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital Signal Processing，简称DSP)、专用集成电路(Application SpecificIntegrated Circuit，简称ASIC)、现场可编程门阵列(Field－Programmable Gate Array，简称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中存储有指令，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所述的播放量预测方法。
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所述的播放量预测方法。
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，对于系统实施例而言，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而已，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 (11)

1.一种播放量预测方法，其特征在于，包括：
获取待预测节目在历史时间段内的第一时序数据，并将所述第一时序数据转换为图像数据；
对所述第一时序数据进行时序特征提取，得到时序特征值；
对所述图像数据进行图像特征提取，得到图像特征值；
根据所述时序特征值和所述图像特征值，预测所述待预测节目在未来时间段内的预测播放量。
2.根据权利要求1所述的方法，其特征在于，所述根据所述时序特征值和所述图像特征值，预测所述待预测节目在未来时间段内的预测播放量，包括：
将所述时序特征值和所述图像特征值进行特征拼接，得到拼接特征值；
将所述拼接特征值经过第一全连接层进行融合处理，得到融合特征值；
将所述融合特征值经过第二全连接层进行播放量预测，得到所述待预测节目在未来时间段内的预测播放量。
3.根据权利要求1所述的方法，其特征在于，所述将所述第一时序数据转换为图像数据，包括：
将所述第一时序数据进行坐标转换，得到极坐标时序数据；
对所述极坐标时序数据进行函数变换，得到格拉姆角场矩阵；
将所述格拉姆角场矩阵确定为图像像素矩阵，得到所述图像数据。
4.根据权利要求1所述的方法，其特征在于，所述获取待预测节目在历史时间段内的第一时序数据，包括：
获取所述待预测节目在历史时间段内的历史播放数据；
将所述历史播放数据进行归一化处理，得到所述第一时序数据。
5.根据权利要求1所述的方法，其特征在于，所述对所述图像数据进行图像特征提取，得到图像特征值，包括：
将所述图像数据依次经过第一卷积处理、批归一化处理、激活函数ReLU处理、最大池化处理，得到第一特征值；
将所述第一特征值依次经过第二卷积处理、批归一化处理、激活函数ReLU处理，得到第二特征值；
将所述第一特征值和所述第二特征值进行残差连接处理，得到第三特征值；
将所述第三特征值进行最大池化处理，得到图像特征值。
6.根据权利要求1所述的方法，其特征在于，所述得到所述待预测节目在未来时间段内的预测播放量之后，所述方法还包括：
利用所述第一时序数据对所述预测播放量进行优化处理，得到未来时间段内的目标播放量。
7.根据权利要求6所述的方法，其特征在于，所述利用所述第一时序数据对所述预测播放量进行优化处理，得到未来时间段内的目标播放量，包括：
获取所述第一时序数据中的最大播放量和最小播放量；
将所述预测播放量、所述最大播放量和所述最小播放量进行反归一化处理，得到未来时间段内的目标播放量。
8.一种播放量预测装置，其特征在于，包括：
第一处理模块，用于获取待预测节目在历史时间段内的第一时序数据，并将所述第一时序数据转换为图像数据；
第二处理模块，用于对所述第一时序数据进行时序特征提取，得到时序特征值；
第三处理模块，用于对所述图像数据进行图像特征提取，得到图像特征值；
预测模块，用于根据所述时序特征值和所述图像特征值，预测所述待预测节目在未来时间段内的预测播放量。
9.一种播放量预测模型，其特征在于，执行如权利要求1至5任一项所述的播放量预测方法。
10.一种电子设备，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1-7任一项所述的播放量预测方法。
11.一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中任一项所述的播放量预测方法。
CN202110742661.1A 2021-06-30 2021-06-30 播放量预测方法、装置、模型、电子设备及存储介质 Pending CN113490053A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110742661.1A CN113490053A (zh) 2021-06-30 2021-06-30 播放量预测方法、装置、模型、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110742661.1A CN113490053A (zh) 2021-06-30 2021-06-30 播放量预测方法、装置、模型、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN113490053A true CN113490053A (zh) 2021-10-08

Family

ID=77937376

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110742661.1A Pending CN113490053A (zh) 2021-06-30 2021-06-30 播放量预测方法、装置、模型、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN113490053A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114020597A (zh) * 2022-01-05 2022-02-08 云智慧（北京）科技有限公司 一种时间序列数据的预测方法、装置及设备
CN114297419A (zh) * 2021-12-31 2022-04-08 北京卓越乐享网络科技有限公司 多媒体对象的预测方法、装置、设备、介质和程序产品
CN114339283A (zh) * 2021-12-27 2022-04-12 北京达佳互联信息技术有限公司 媒体资源数据处理方法、装置、设备以及存储介质
CN115396715A (zh) * 2022-08-18 2022-11-25 咪咕数字传媒有限公司 桌游互动方法、系统及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170004404A1 (en) * 2015-06-30 2017-01-05 Panasonic Intellectual Property Corporation Of America Demand prediction method, demand prediction apparatus, and non-transitory computer-readable recording medium
CN111565316A (zh) * 2020-07-15 2020-08-21 腾讯科技（深圳）有限公司 视频处理方法、装置、计算机设备及存储介质
CN111696660A (zh) * 2020-05-13 2020-09-22 平安科技（深圳）有限公司 基于人工智能的患者分群方法、装置、设备及存储介质
CN112418034A (zh) * 2020-11-12 2021-02-26 元梦人文智能国际有限公司 多模态情感识别方法、装置、电子设备和存储介质
CN112883231A (zh) * 2021-02-24 2021-06-01 广东技术师范大学 短视频流行度预测方法、系统、电子设备及存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170004404A1 (en) * 2015-06-30 2017-01-05 Panasonic Intellectual Property Corporation Of America Demand prediction method, demand prediction apparatus, and non-transitory computer-readable recording medium
CN111696660A (zh) * 2020-05-13 2020-09-22 平安科技（深圳）有限公司 基于人工智能的患者分群方法、装置、设备及存储介质
CN111565316A (zh) * 2020-07-15 2020-08-21 腾讯科技（深圳）有限公司 视频处理方法、装置、计算机设备及存储介质
CN112418034A (zh) * 2020-11-12 2021-02-26 元梦人文智能国际有限公司 多模态情感识别方法、装置、电子设备和存储介质
CN112883231A (zh) * 2021-02-24 2021-06-01 广东技术师范大学 短视频流行度预测方法、系统、电子设备及存储介质

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114339283A (zh) * 2021-12-27 2022-04-12 北京达佳互联信息技术有限公司 媒体资源数据处理方法、装置、设备以及存储介质
CN114297419A (zh) * 2021-12-31 2022-04-08 北京卓越乐享网络科技有限公司 多媒体对象的预测方法、装置、设备、介质和程序产品
CN114020597A (zh) * 2022-01-05 2022-02-08 云智慧（北京）科技有限公司 一种时间序列数据的预测方法、装置及设备
CN115396715A (zh) * 2022-08-18 2022-11-25 咪咕数字传媒有限公司 桌游互动方法、系统及存储介质
CN115396715B (zh) * 2022-08-18 2024-01-30 咪咕数字传媒有限公司 桌游互动方法、系统及存储介质

Similar Documents

Publication Publication Date Title
CN113490053A (zh) 播放量预测方法、装置、模型、电子设备及存储介质
CN111680217B (zh) 内容推荐方法、装置、设备及存储介质
CN112528780B (zh) 通过混合时域自适应的视频动作分割
JP7403909B2 (ja) 系列マイニングモデルの訓練装置の動作方法、系列データの処理装置の動作方法、系列マイニングモデルの訓練装置、系列データの処理装置、コンピュータ機器、及びコンピュータプログラム
WO2022206498A1 (zh) 一种基于联邦迁移学习的模型训练方法及计算节点
CN110781818B (zh) 视频分类方法、模型训练方法、装置及设备
CN114510939A (zh) 实体关系抽取方法、装置、电子设备及存储介质
CN111052128B (zh) 用于检测和定位视频中的对象的描述符学习方法
US20200320430A1 (en) System and method for classification of data in a machine learning system
WO2020256732A1 (en) Domain adaptation and fusion using task-irrelevant paired data in sequential form
CN111091010A (zh) 相似度确定、网络训练、查找方法及装置和存储介质
WO2023036157A1 (en) Self-supervised spatiotemporal representation learning by exploring video continuity
CN110597956A (zh) 一种搜索方法、装置及存储介质
CN114842546A (zh) 动作计数方法、装置、设备及存储介质
CN112464760A (zh) 一种目标识别模型的训练方法和装置
CN114329051B (zh) 数据信息识别方法、装置、设备、存储介质及程序产品
CN113724015A (zh) 确定目标显示页面的方法、装置、电子设备及存储介质
CN112434746B (zh) 基于层次化迁移学习的预标注方法及其相关设备
CN113360683A (zh) 训练跨模态检索模型的方法以及跨模态检索方法和装置
CN111291564B (zh) 一种用于词向量获取的模型训练方法、装置和存储介质
CN112364933A (zh) 图像分类方法、装置、电子设备和存储介质
CN116863116A (zh) 基于人工智能的图像识别方法、装置、设备及介质
CN106662927A (zh) 动作识别方法和动作识别装置
CN113255819B (zh) 用于识别信息的方法和装置
CN113255701A (zh) 一种基于绝对-相对学习架构的小样本学习方法和系统

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20211008

RJ01 Rejection of invention patent application after publication