CN114040216A - 直播间推荐方法、介质、装置和计算设备 - Google Patents

直播间推荐方法、介质、装置和计算设备 Download PDF

Info

Publication number
CN114040216A
CN114040216A CN202111296115.6A CN202111296115A CN114040216A CN 114040216 A CN114040216 A CN 114040216A CN 202111296115 A CN202111296115 A CN 202111296115A CN 114040216 A CN114040216 A CN 114040216A
Authority
CN
China
Prior art keywords
anchor
vector
target
user
candidate
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
Application number
CN202111296115.6A
Other languages
English (en)
Other versions
CN114040216B (zh
Inventor
郑楷涛
鲁沛瑶
陈鸿翔
罗川江
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.)
Hangzhou Netease Cloud Music Technology Co Ltd
Original Assignee
Hangzhou Netease Cloud Music 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 Hangzhou Netease Cloud Music Technology Co Ltd filed Critical Hangzhou Netease Cloud Music Technology Co Ltd
Priority to CN202111296115.6A priority Critical patent/CN114040216B/zh
Publication of CN114040216A publication Critical patent/CN114040216A/zh
Application granted granted Critical
Publication of CN114040216B publication Critical patent/CN114040216B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • H04N21/4508—Management of client data or end-user data
    • H04N21/4532—Management of client data or end-user data involving end-user characteristics, e.g. viewer profile, preferences
    • 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
    • H04N21/4662—Learning process for intelligent management, e.g. learning user preferences for recommending movies characterized by learning algorithms
    • 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
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Abstract

本公开实施例提供的直播间推荐方法、介质、装置和计算设备，首先根据用户向量和候选主播的主播向量确定目标主播，再根据目标主播的主播向量和候选标识的标识向量确定目标标识，最后根据目标主播和目标标识为用户推荐直播间。本方案中，充分的考虑了用户特征和主播特征，其获得的目标主播更准确，根据目标主播推荐的直播间也能够更好的满足用户需求。另外，由于直播间的标识也是吸引用户的重要因素，通过标识向量可以获得更准确的目标标识，从而进一步提升用户对所推荐直播间的兴趣。

Description

直播间推荐方法、介质、装置和计算设备
技术领域
本公开的实施方式涉及互联网技术领域，更具体地，本公开的实施方式涉及直播间推荐方法、介质、装置和计算设备。
背景技术
本部分旨在为权利要求书中陈述的本公开的实施方式提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。
随着科学技术的发展，互联网中出现了各式各样的互联网平台，极大的丰富了人们的生活，例如，网络直播平台等，网络直播平台可以为用户提供内容丰富多彩的网络直播，能够满足用户的娱乐需求。
然而，网络直播平台通常包含多种类型的直播间，并且不同的直播间在直播的过程中呈现的直播内容多元化，用户难以在直播平台中找到其感兴趣的直播内容。
发明内容
本公开的实施例提供一种直播间推荐方法、介质、装置和计算设备，以向用户推荐直播间，解决用户难以找到感兴趣的直播内容的问题。
在本公开实施方式的第一方面中，提供了一种直播间推荐方法，包括：获取当前用户的用户向量；根据用户向量以及候选主播的主播向量，确定候选主播中的目标主播；根据目标主播的主播向量以及候选标识的标识向量，确定候选标识中的目标标识；根据目标主播和目标标识，为当前用户推荐目标直播间。
在本公开的一个实施例中，该根据用户向量以及候选主播的主播向量，确定候选主播中的目标主播，包括：根据用户向量和各候选主播的主播向量，确定各候选主播的主播向量与用户向量的第一余弦相似度；根据各候选主播对应的第一余弦相似度，确定各候选主播中的目标主播。
在本公开的一个实施例中，该候选标识包括候选主播的候选头像；
根据目标主播的主播向量以及候选标识的标识向量，确定候选标识中的目标标识，包括：根据目标主播的主播向量以及各候选头像的头像向量，确定各候选头像的头像向量与主播向量的第二余弦相似度；根据各候选头像对应的第二余弦相似度，确定各候选头像中的目标头像。
在本公开的一个实施例中，该候选标识还包括：候选文案；确定目标主播的各候选头像中的目标头像之后，还包括：根据目标头像的头像向量以及各候选文案的文案向量，确定各候选文案的文案向量与头像向量的第三余弦相似度；根据各文案对应的第三余弦相似度，确定各候选文案中的目标文案。
在本公开的一个实施例中，该获取当前用户的用户向量，包括：若当前用户为样本用户，则确定样本用户对应的用户向量为当前用户的用户向量；否则，确定样本用户中与当前用户的特征相似度最高的样本用户的用户向量为当前用户的用户向量，或者，确定样本用户中与当前用户的特征相似度大于预设相似度的目标样本用户，并确定各目标样本用户的平均用户向量为当前用户的用户向量。
在本公开的一个实施例中，根据目标主播和目标标识，为当前用户推荐目标直播间，包括：根据目标主播，确定目标直播间；在当前页面显示目标直播间对应的目标标识。
在本公开的一个实施例中，主播向量以及标识向量是通过如下方式得到的：
获取样本用户的点击日志，点击日志中包含各样本用户点击的直播间对应的主播以及标识；根据点击日志，构建各样本用户与主播之间的第一对应关系，以及各主播与标识之间的第二对应关系，主播中包含候选主播，标识中包含候选标识；根据预设采样路径，在第一对应关系和第二对应关系中确定与预设采样路径匹配的样本路径；基于样本路径对预设向量模型进行训练，获得目标向量模型，确定目标向量模型的模型参数为各样本用户的用户向量、各主播的主播向量以及各标识的标识向量。
在本公开实施方式的第二方面中，提供了一种算机可读存储介质，计算机可读存储介质中存储有计算机执行指令，当处理器执行计算机执行指令时，实现如第一方面的直播间推荐方法。
在本公开实施方式的第三方面中，提供了一种直播间推荐装置，包括：获取模块，用于获取当前用户的用户向量；
确定模块，用于根据用户向量以及候选主播的主播向量，确定候选主播中的目标主播，根据目标主播的主播向量以及候选标识的标识向量，确定候选标识中的目标标识；
推荐模块，用于根据目标主播和目标标识，为当前用户推荐目标直播间。
在本公开实施方式的第四方面中，提供了一种计算设备，包括：至少一个处理器和存储器；存储器存储计算机执行指令；至少一个处理器至少存储器存储的计算机执行指令，使得至少一个处理器执行如第一方面的直播间推荐方法。
本公开实施例提供的直播间推荐方法、介质、装置和计算设备，首先根据用户向量和候选主播的主播向量确定目标主播，再根据目标主播的主播向量和候选标识的标识向量确定目标标识，最后根据目标主播和目标标识为用户推荐直播间。本方案中，充分的考虑了用户特征和主播特征，其获得的目标主播更准确，根据目标主播推荐的直播间也能够更好的满足用户需求。另外，由于直播间的标识也是吸引用户的重要因素，通过考虑标识特征可以获得更准确的目标标识，从进一步提升所推荐直播间的准确性，最大程度的提升用户体验。
附图说明
通过参考附图阅读下文的详细描述，本公开示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本公开的若干实施方式，其中：
图1为本公开实施方式提供的应用场景示例图；
图2为本公开实施例提供的直播间推荐界面的示例图；
图3为本公开实施例提供的直播间推荐方法的流程示意图一；
图4为本公开实施例提供的向量模型训练方法的流程示意图；
图5为本公开实施例提供的采样过程的原理示意图；
图6为本公开实施例提供的向量模型训练过程的原理示意图；
图7为本公开实施例提供的直播间推荐方法的流程示意图二；
图8为本公开实施例提供的存储介质的结构示意图；
图9为本公开实施例提供的直播间推荐装置的结构示意图；
图10为本公开实施例提供的计算设备的结构示意图。
在附图中，相同或对应的标号表示相同或对应的部分。
具体实施方式
下面将参考若干示例性实施方式来描述本公开的原理和精神。应当理解，给出这些实施方式仅仅是为了使本领域技术人员能够更好地理解进而实现本公开，而并非以任何方式限制本公开的范围。相反，提供这些实施方式是为了使本公开更加透彻和完整，并且能够将本公开的范围完整地传达给本领域的技术人员。
本领域技术人员知道，本公开的实施方式可以实现为一种系统、装置、设备、方法或计算机程序产品。因此，本公开可以具体实现为以下形式，即：完全的硬件、完全的软件(包括固件、驻留软件、微代码等)，或者硬件和软件结合的形式。另外，本公开所涉及的数据可以为经用户授权或者经过各方充分授权的数据。
根据本公开的实施方式，提出了一种直播间推荐方法、介质、装置和计算设备。
在本文中，附图中的任何元素数量均用于示例而非限制，以及任何命名都仅用于区分，而不具有任何限制含义。下面参考本公开的若干代表性实施方式，详细阐释本公开的原理和精神。
发明概述
本发明人发现，网络直播平台通常包含多种类型的直播间，并且不同的直播间在直播的过程中呈现的直播内容多元化，用户难以在直播平台中找到其感兴趣的直播内容，相关技术中，可以根据用户的观看历史等信息向用户推荐相似的直播间，但是这种方式推荐的直播间不够准确，难以满足用户需求。
发明人还发现，向用户推荐直播间时，直播间的主播以及推荐界面上所展示的直播间标识等信息会一定程度的影响用户对直播间的选择，有鉴于此，本公开实施例提供一种直播间推荐方法、介质、装置和计算设备，首先根据用户向量和候选主播的主播向量确定目标主播，再根据目标主播的主播向量和候选标识的标识向量确定目标标识，最后根据目标主播和目标标识为用户推荐直播间。本方案中，充分的考虑了用户特征和主播特征，其获得的目标主播更准确，根据目标主播推荐的直播间也能够更好的满足用户需求。另外，通过考虑标识特征可以获得更准确的目标标识，从进一步提升所推荐直播间的准确性，最大程度的提升用户体验。
在介绍了本公开的基本原理之后，下面具体介绍本公开的各种非限制性实施方式。
应用场景总览
首先参考图1，图1为本公开实施方式提供的应用场景示例图。如图1所示，该应用场景涉及的设备包括：终端设备101和服务器102。
其中，服务器102与终端设备101通过网络进行通信，当用户通过终端设备101进入直播平台时，服务器102会获取当前用户的用户向量，并根据用户向量确定目标直播间。
进一步的，服务器102可以将目标直播间的相关信息发送给终端设备101，从而在终端设备101的直播间推荐页面上显示目标直播间的相关页面。
应理解，本公开实施例对于目标直播间的数量、展示方法等依据当前平台的显示参数而定，本公开实施例不做具体限定。
一示例中，若当前平台为其他类型但具备直播功能的平台，例如，音乐播放平台、通讯平台、视频播放平台、短视频平台等，在这些平台的一些界面中，通常需要实现该平台其他的功能，因此，在推荐直播间时，可以只展示直播间对应的头像或文案等标识。示例性的，图2为本公开实施例提供的直播间推荐界面的示例图。图2中的(a)图为其他类型平台的界面，应理解，(a)图中的当前平台以音乐播放平台为例示出，其他平台的界面与之类似，此处不一一展示。
如图2中的(a)图所示，当在在音乐播放平台播放音乐时，终端设备的界面展示音乐播放界面，当服务器确定目标直播间之后，可以在直播间推荐区域展示目标直播间的头像和文案等标识，当用户点击该标识时，进入该直播间的直播界面。可选的，当目标直播间的数量大于直播间推荐区域的数量时，可以在该直播间推荐区域按照预设间隔时间循环展示各目标直播间的标识。
另一示例中，若当前平台为专门用于直播的直播平台，当用户在终端设备上登录该平台时，可以通过展示目标直播间封面等标识的方式，同时展示多个直播间。示例性的，图2中的(b)图为直播平台的界面，本实施例中的目标直播间以直播间1、直播间2、直播间3……直播间N为例示出，各个直播间的展示区均展示的是该直播间的封面，用户可以通过点击任一直播间的展示区，进入该直播间。
需要说明的是，终端设备101可以是个人数字处理(personal digitalassistant，简称PDA)设备、具有无线通信功能的手持设备(例如智能手机、平板电脑)、计算设备(例如个人电脑(personal computer，简称PC))、车载设备、可穿戴设备(例如智能手表、智能手环)、智能家居设备(例如智能显示设备)等，本公开实施例的终端设备101以手机为例示出，但不以此为限定。
服务器102可以为单个服务器，也可以为服务器集群，可以为分布式服务器，也可以为集中式服务器，还可以为云服务器等，本公开实施例均不做限定。
示例性方法
下面结合图1的应用场景，参考图3～6来描述根据本公开示例性实施方式的直播间推荐方法。需要注意的是，上述应用场景仅是为了便于理解本公开的精神和原理而示出，本公开的实施方式在此方面不受任何限制。相反，本公开的实施方式可以应用于适用的任何场景。
其中，本公开的实施方式适用的执行设备为计算设备，如上述的服务器。
图3为本公开实施例提供的直播间推荐方法的流程示意图一。如图3所示，本公开实施例提供的直播间推荐方法可以包括如下步骤：
S301、获取当前用户的用户向量。
在实际应用中，用户向量可以根据当前用户的喜好特征和/或用户信息获得，其中，喜好特征例如是用户的历史观看的直播间对应的主播、标识等，用户信息例如是用户的性别、年龄、星座、血型等信息。
在一些实施例中，用户向量可以为Embedding向量，至于用户向量的获取方式，在后续实施例中示出。
S302、根据用户向量以及候选主播的主播向量，确定候选主播中的目标主播。
本公开实施例对候选主播不做限定，一方面，候选主播可以为当前时刻在该平台进行直播的所有主播；另一方面，候选主播也可以为与当前页面相关的主播，示例性的，若当前为某音乐的音乐播放页面，则候选主播可以为当前正在直播演奏该音乐的主播，若当前为某类产品的推销页面，则候选主播可以当前正在推销该类产品的其他主播，对于其他场景，本公开的实施例不一一列举。
在一些实施例中，主播向量与用户向量类似，主播向量可以根据主播的历史直播信息和/或主播信息获得。具体的，历史直播信息例如是历史直播中所用的标识和/或历史直播中的观看信息等，其中，标识例如是主播头像、直播间文案和直播间封面等，观看信息例如是观看人数、观看用户等等。
类似的，主播向量也可以为Embedding向量，至于主播向量的获取方式，在后续实施例中示出。
一些实施例中，上述步骤S302具体包括如下步骤：
(1)根据用户向量和各候选主播的主播向量，确定各候选主播的主播向量与用户向量的第一余弦相似度。
(2)根据各候选主播对应的第一余弦相似度，确定各候选主播中的目标主播。
需要说明的是，计算两个向量的余弦相似度的方式可参考现有技术，本公开实施例对此不做赘述。
另外，在本公开实施例中，可以根据各候选主播对应的第一余弦相似度的大小，从候选主播中确定目标主播。
一方面，可以确定第一余弦相似度大于预设相似度的主播作为目标主播，示例性的，以候选主播的数量为N个为例，本方案中，共获得N个第一余弦相似度，确定N个第一余弦相似度中大于预设相似度的主播为目标主播，应理解，预设相似度的大小可以根据需求调节，本公开实施例对预设相似的值不做具体限定。
另一方面，也可以根据各候选主播对应的第一余弦相似度大小，对各候选主播进行排序，确定第一余弦相似度值较大的预设数量的主播为目标主播。仍以候选主播的数量为N个为例，本方案中，对N个候选主播对应的N个第一余弦相似度从大到小进行排序，获取前K个余弦相似度对应的主播为目标主播。类似的，K(即预设数量)的大小可以根据需求调节，本公开实施例不做具体限定。
S303、根据目标主播的主播向量以及候选标识的标识向量，确定候选标识中的目标标识。
在实际应用中，候选标识可以为主播的标识，也可以为主播所在的直播间的标识，其中，主播的标识例如是主播的头像等，候选主播所在的直播间的标识例如是直播间所用的文案、直播间所用的封面等，本公开实施例不做限定。
需要说明的是，在获取到目标主播之后，可以根据各目标主播的主播向量与该主播对应的候选标识的标识向量之间的余弦相似度，来确定各目标主播对应的目标标识。
示例性的，以目标主播包括主播A、主播B、主播C为例，对于主播A，其对应的候选标识包括标识A、标识B、标识C(其中，这些候选标识可以为主播标识，也可以为主播所在直播间的标识)，则分别获取主播A的主播向量与标识A、标识B、标识C的标识向量之间的余弦相似度，即每个候选标识对应于一个余弦相似度，主播A共对应于3个余弦相似度。
进一步的，针对主播A，根据3个余弦相似度的大小，从候选3个候选标识中确定主播A的目标标识。其中，每个主播对应的目标标识的数量可以根据需求进行调整，本公开实施例不做限定。
应理解，根据余弦相似度的大小确定目标标识的方法类似与S302中的步骤(2)，此处不再赘述。对于其他目标主播的目标标识获取方式与主播1类似，此处也不一一列举。
S304、根据目标主播和目标标识，为当前用户推荐目标直播间。
通过前述方案，已经获取了K个目标主播以及各主播对应的目标标识，在确定目标直播间时，可以根据预设的推荐算法为当前用户推荐目标直播间，对于预设推荐算法的具体类型，本公开实施例不做限定。
本公开实施例提供的直播间推荐方法中，充分的考虑了用户特征和主播特征，其获得的目标主播更准确，根据目标主播推荐的直播间也能够更好的满足用户需求，提升用户体验。另外，由于直播间的标识也是吸引用户的重要因素，通过考虑标识特征可以获得更准确的目标标识，从而进一步提升用户对所推荐直播间的兴趣，提升所推荐直播间的点击率。
在一些实施例中，用户向量、各主播的主播向量以及各标识的标识向量是根据目标向量模型获得的，下面结合图4、图5所示的实施例对目标向量模型的训练过程以及用户向量、各主播的主播向量以及各标识的标识向量的获取方案进行详细说明。
图4为本公开实施例提供的向量模型训练方法的流程示意图。应理解，本公开实施例的执行主体可以为计算设备，例如上述实施例中的终端设备或服务器。如图4所示，本公开实施例提供的向量模型训练方法包括如下步骤：
S401、获取样本用户的点击日志。
其中，点击日志中包含各样本用户点击的直播间对应的主播、各主播的标识和直播间的标识等。
S402、根据点击日志，构建各样本用户与主播之间的第一对应关系，以及各主播与标识之间的第二对应关系。
其中，主播中包含候选主播，标识中包含候选标识。应理解，用户与主播之间的第一对应关系即为用户历史观看直播中对应的主播，主播与标识之间的第二对应关系即为用户历史观看直播间所用的标识。
在一些实施例中，标识包括主播头像和直播间的文案等，示例性的，请参考图5，图5为本公开实施例提供的采样过程的原理示意图。应理解，在图5中以用户A和用户B的点击日志为例示出。
如图5所示，对应关系中包括用户节点、主播节点、文案节点和头像节点，根据图5可以得出用户A的历史观看直播中包括主播A、主播B，即用户A的第一对应关系包括：用户A-主播A、用户A-主播B；其中，主播A对应的标识包括：头像A、文案A、文案B(其中文案A和文案B为主播A所在直播间的文案)，也即主播A对应的第二对应关系包括：主播A-头像A、主播A-文案A、主播A-文案B，应理解，其他对应关系与之类似，本公开实施例不再一一列举。
S403、根据预设采样路径，在第一对应关系和第二对应关系中确定与预设采样路径匹配的样本路径。
其中，预设采样路径可以为上述各类节点的随机组合，例如，预设采样路径可以为：用户-主播-头像、用户-主播-文案、用户-主播-头像-文案、用户-主播-文案-头像、用户-主播-头像-主播、用户-主播-头像-用户等等，本公开实施例不做赘述。
示例性的，以预设采样路径为用户-主播-头像-文案为例，我们从一个用户节点开始，作为采样路径的起点，然后在与用户节点相邻的头像节点中进行随机采样，再与随机采样得到的头像节点相邻的文案节点进行随机采样。如图5所示，进行采样后，符合该预设采样路径的样本路径包括：用户A-主播A-头像A-文案B、用户A-主播A-头像A-文案A、用户A-主播B-头像B-文案A、用户B-主播A-头像A-文案B、用户B-主播A-头像A-文案A、用户B-主播C-头像C-文案A。
需要说明的是，每次采样过程中，可以设置多条预设采样路径，对于其他的预设采样路径对应的样本路径，此处不再一一列举。
S404、基于样本路径对预设向量模型进行训练，获得目标向量模型。
其中，预设向量模型可以为Bert模型、word2vec模型等，本公开实施例不做限定。
本步骤中，将上述步骤获得的样本路径输入到预设向量模型中进行训练，直到预设向量模型收敛时，即可得到训练好的目标向量模型。
接下来，以word2vec模型为例，对具体的训练过程进行详细说明，需要说明的是，训练过程中的训练对象可以为各节点的标识，例如，用户和主播的标识可以为ID、昵称等，文案的标识可以为文案ID、文案的文本内容等，头像的标识可以为头像ID等，此处不再一一列举。
(1)根据各样本路径，确定样本路径中所涉及的节点为目标节点，示例性的，以样本路径为“用户A-主播A-头像A-文案B”为例，所涉及的目标节点为：用户A、主播A、头像A和文案B，即该样本路径的单词向量空间V的数值为4。
(2)针对每个目标节点，根据预设上下文节点数量C，在样本路径中取该目标节点的上下文节点，并获取该目标节点、上下文节点的独热编码onehot向量，其中，每个onehot向量均为1*V的矩阵。
示例性的，以目标节点“主播A”，上下文节点数量C的值为2为例，在这个路径中分别取“主播A”的前2个节点和后2个节点作为主播A的上下文节点，由此可以得出主播A的上下文节点为“用户A、头像A和文案B”这3个节点。
接下来，以用户A的onehot向量W用户A＝[1，0，0，0]、头像A的onehot向量W头像A＝[0，1，0，0]、主播A的onehot向量W主播A＝[0，0，1，0]、文案B的onehot向量W文案B＝[0，0，0，1]为例，对获取“主播A”的主播向量的过程进行说明：
(3)在第i次训练过程中，将“主播A”的每个上下文节点的onehot向量与预设向量模型的第i输入权重矩阵Wi相乘，得到每个上下文节点对应的乘积V节点，并确定乘积的平均值为“主播A”的隐层向量W隐层。
其中，Wi是对预设向量模型进行i-1次迭代训练训练得到的，Wi为V*N矩阵，N为预设的向量维度。
为便于理解，以N的值为3为例，结合图6进行说明，图6为本公开实施例提供的向量模型训练过程的原理示意图。应理解，在图6中，Wi以
Figure BDA0003336635350000121
为例示出，在实际应用中不以此为限定。
首先，将“主播A”上下文节点的onehot向量分别与Wi相乘，获得的各上下文节点对应的乘积V节点如下：V用户A＝[1，1，-1]，V头像A＝[2，2，1]，V文案B＝[0，2，1]；
进一步的，确定V用户A，V头像A，V文案B的平均值为主播A的隐层向量W隐层。
具体的，
Figure BDA0003336635350000122
(4)根据隐层向量W隐层与第i输出向量矩阵Wi’的乘积，获得目标向量W目标，其中，Wi’是对预设向量模型进行i-1次迭代训练训练后得到的，Wi’为N*V矩阵，也即，目标向量W目标的维度为1*V。应理解，在图6中，
Figure BDA0003336635350000123
为例示出，在实际应用中不以此为限定。
具体的，上述示例中，得到的目标向量W目标＝[4.01，2.01，5.00，3.34]；
(5)根据预设激活函数对目标向量W目标进行处理，获得“主播A”的概率分布。
示例性的，以预设激活函数softmax(W目标)＝y为例，“主播A”的概率分布为softmax([4.01，2.01，5.00，3.34])＝[0.23，0.03，0.62，0.12]，其中，概率分布中每个维度均对应于节点的onehot向量，也就是说每个维度代表一个预测节点，这个概率分布中，概率值最大的维度对应的节点即为目标节点对应的预测节点，在本示例中，由于是通过“用户A、头像A和文案B”针对“主播A”进行的预测，也就是说，在本示例中，0.62对应的节点即当前训练过程中“主播A”对应的预测节点。
需要说明的是，通过模型获取其他目标节点的预测节点的方式与主播A类似，此处不再一一赘述。
(6)定义一个损失函数(例如可以是交叉熵代价函数)，根据每个目标节点的预测节点与该目标节点的onehot向量的误差，获得第i次训练过程对应的交叉熵，并采用梯度下降法，更新模型的第i输入权重矩阵Wi以及第i输出向量矩阵Wi'；进一步的，采用更新后的向量矩阵按照步骤(1)～(6)的方案进行迭代训练，直到交叉熵小于预设值或者多次训练中交叉熵不再变化时，即说明当前训练过程对应的模型即为目标向量模型。
其中，该目标向量模型当前的输入向量矩阵与各目标节点的onehot的乘积，即为各目标节点的节点向量。示例性的，若第i次训练过程得到的交叉熵满足上述要求，则说明目标向量模型已训练成功，此时，W主播A与Wi的乘积即为主播A的主播向量。
本公开实施例中，通过用户的点击日志来获取样本主播、样本标识，同时根据点击日志来获取各用户与主播、主播与标识之间的对应关系，可以充分挖掘用户与主播、主播与标识之间的联系，根据对应关系获得的样本路径也能够准确的表达用户与主播、主播与标识之间的联系，使得训练得到的模型参数(即用户向量、主播向量和标识向量)能够准确表达用户、主播和标识的特征，从而在后续的直播间推荐过程中，为用户推荐更加准确的直播间，提升用户体验。
图7为本公开实施例提供的直播间推荐方法的流程示意图二。本公开实施例在图3所示实施例的基础上对上述方案进行更详细的说明。如图7所示，本公开实施例提供的直播间推荐方法包括如下步骤：
S701、根据目标向量模型的模型参数，确定各样本用户的用户向量、各主播的主播向量以及各标识的标识向量。
如上述实施例，目标向量模型的模型参数即为各样本用户的用户向量、各主播的主播向量以及各标识的标识向量，至于模型训练方法请参考图5所示实施例，此处不再赘述。
S702、判断当前用户是否为样本用户。
S703、若当前用户为样本用户，则确定样本用户对应的用户向量为当前用户的用户向量。
S704、否则，确定样本用户中与当前用户的特征相似度最高的样本用户的用户向量为当前用户的用户向量，或者，确定样本用户中与当前用户的特征相似度大于预设相似度的目标样本用户，并确定各目标样本用户的平均用户向量为当前用户的用户向量。
其中，特征相似度可以为用户的性别、年龄、星座、血型等特征中的一种或多种特征的相似度。
一些实施例中，以特征相似度为年龄相似度为例，本方案中可以获取与当前用户年龄相似度最高的样本用户的用户向量为当前用户的用户向量；当有多个样本用户的年龄相似度与当前用户相似度较高时，可以确定这些样本用户的平均用户向量为当前用户的用户向量。
另一些实施例中，可以根据当前用户和样本用户的性别、年龄、星座、血型等特征，分别计算当前用户和样本用户的特征向量，再根据当前用户和样本用户的特征向量，确定每个样本用户与当前用户的特征相似度。
进一步的，可以获取这些样本用户中，特征相似度最高的样本用户的用户向量为当前用户的用户向量，或者，也可以设置一个预设相似度，确定特征相似度大于该预设相似度的样本用户为目标样本用户，再对这些样本用户的用户向量求平均，从而得到当前用户的用户向量。
通过本公开实施例提供的方案，无论当前用户是否为样本用户，均可以获取准确的用户向量，从而根据用户向量为当前用户推荐更符合用户需求的目标直播间，提升用户体验。
S705、根据用户向量以及候选主播的主播向量，确定候选主播中的目标主播。
需要说明的是，步骤S705与图3所示实施例中的步骤S302的实现原理和有益效果类似，具体可参考上述实施例，此处不做赘述。
S706、根据目标主播的主播向量以及候选标识的标识向量，确定候选标识中的目标标识。
在实际应用中，在推荐直播间时，会在直播间推荐页面展示一些标识，以吸引用户观看该直播间，其中，标识的类型有多种，其可以是主播的标识，例如主播的头像标识，也可以是直播间的标识，例如直播间的文案标识、直播间的封面等等，这些标识很大程度的影响了用户对直播间的选择，因此，为直播间确定目标标识显得尤为重要，接下来，以标识包括主播的头像标识和直播间的文案标识为例，说明目标标识的确定方式：
方式一：(1)根据目标主播的主播向量以及各候选头像的头像向量，确定各候选头像的头像向量与主播向量的第二余弦相似度；
(2)根据各候选头像对应的第二余弦相似度，确定各候选头像中的目标头像；
(3)根据目标头像的头像向量以及各候选文案的文案向量，确定各候选文案的文案向量与头像向量的第三余弦相似度；
(4)根据各文案对应的第三余弦相似度，确定各候选文案中的目标文案。
方式二：(1)根据目标主播的主播向量以及各候选文案的文案向量，确定各候选文案的文案向量与主播向量的第四余弦相似度；
(2)根据各候选文案对应的第四余弦相似度，确定各候选文案中的目标文案。
(3)根据目标文案的文案向量以及各候选头像的头像向量，确定各候选头像的头像向量与文案向量的第五余弦相似度；
(4)根据各头像对应的第五余弦相似度，确定各候选头像中的目标头像。
方式三：(1)根据目标主播的主播向量以及各候选头像的头像向量，确定各候选头像的头像向量与主播向量的第六余弦相似度；
(2)根据目标主播的主播向量以及各候选文案的文案向量，确定各候选文案的文案向量与主播向量的第七余弦相似度；
(3)根据各头像对应的第六余弦相似度，确定各候选头像中的目标头像；
(4)根据各候选文案对应的第七余弦相似度，确定各候选文案中的目标文案。
应当理解的是，上述几种方案中获取余弦相似度的方式与图3所示实施例中的方案类似，此处不再赘述。
需要说明的是，上述的实施例中以展示主播的头像标识和直播间的文案标识为例示出，在实际应用中，还可以只展示其中一种目标标识，例如，只展示主播的头像标识。至于所展示的头像标识的确定方法与上述方式一中的步骤(1)～(2)类似，此处不再赘述。
本方案中，通过展示主播的头像标识来推荐直播间，也能够达到一定的吸引用户观看该直播间的效果，并且，由于只计算一种目标标识，可以减少计算量，从而更快速的为用户推荐目标直播间，进一步提升用户体验。
S707、根据目标主播，确定目标直播间。
S708、在当前页面显示目标直播间对应的目标标识。
通过前述方案，已经获取了K个目标主播以及各主播对应的目标标识，在确定目标直播间时，除了上述实施例中的推荐算法，还可以根据这K个目标主播的第一余弦相似度，从目标主播中确定需推荐的主播，并确定该主播当前进行直播的直播间为目标直播间。
示例性的，以目标主播包括主播A、主播B和主播C，目标主播的第一余弦相似度从大到小的排序为：主播C、主播A、主播B为例，则可以先确定主播C对应的直播间为目标直播间，并对该目标直播间进行展示；当主播C的推荐时间结束后，再确定主播A对应的直播间为目标直播间，并对该目标直播间进行展示；当主播A的推荐时间结束后，再确定主播B对应的直播间为目标直播间，以此循环，直到推荐完所有的目标主播对应的直播间。
在一些实施例中，在向用户推荐该目标直播间时，可以从该主播对应的目标标识中选择向用户展示的标识，并通过在直播间推荐页面上展示该标识，以实现向用户推荐直播间，其中，标识例如是主播头像、直播间文案和直播间封面等。
示例性的，以主播A为例，在推荐主播A对应的直播间时，一方面，可以从主播A对应的目标标识中随机选择目标标识，从而展示在直播间推荐区域。另一方面，也可以根据目标标识对应的余弦相似度，展示余弦相似度最高的目标标识。
在其他方面，若目标主播的数量比较少，则需要根据目标主播对应的第一余弦相似度大小循环推荐各主播的直播间，则在每轮循环中，可以根据目标标识的余弦相似度来展示当前轮次对应的目标标识。
示例性的，仍以目标主播的第一余弦相似度从大到小排序为：主播C、主播A、主播B为例，对于主播A，其包含的标识为标识A、标识B和标识B，各标识对应的余弦相似度从大到小的排序为：标识C、标识B、标识A。则在第一轮推荐中，通过展示标识C来推荐主播A的目标直播间，在第二轮推荐中，通过展示标识B来推荐主播A目标直播间，在第三轮推荐中，通过展示标识A来推荐主播A目标直播间。应理解，其他目标主播的直播间推荐方法与之类似，本公开实施例不再一一列举。
本公开实施例中，基于不同的平台特性提供了多种推荐目标直播间的方法，可以使得本方案灵活的应用于各类平台。另外，根据余弦相似度的大小确定目标主播的直播间推荐顺序，并根据顺序向当前用户推荐直播间，可以使得用户快速的找到满意的直播间。
示例性介质
在介绍了本公开示例性实施方式的方法之后，接下来，参考图8对本公开示例性实施方式的存储介质进行说明。
参考图8所示，描述了根据本公开的实施方式的用于实现上述方法的程序产品800，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本公开的程序产品不限于此。
程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质。
可以以一种或多种程序设计语言的任意组合来编写用于执行本公开公开操作的程序代码，程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备。
示例性装置
在介绍了本公开示例性实施方式的介质之后，接下来，参考图9对本公开示例性实施方式的直播间推荐装置进行说明，用于实现上述任一方法实施例中的直播间推荐方法，其实现原理和技术效果类似，在此不再赘述。
参考图9，图9为本公开实施例提供的直播间推荐装置的结构示意图。如图9所示，该直播间推荐装置900包括：
获取模块901，用于获取当前用户的用户向量；确定模块902，用于根据用户向量以及候选主播的主播向量，确定候选主播中的目标主播，根据目标主播的主播向量以及候选标识的标识向量，确定候选标识中的目标标识；推荐模块903，用于根据目标主播和目标标识，为当前用户推荐目标直播间。
在本公开的一个实施例中，确定模块902具体用于根据用户向量和各候选主播的主播向量，确定各候选主播的主播向量与用户向量的第一余弦相似度；根据各候选主播对应的第一余弦相似度，确定各候选主播中的目标主播。
在本公开的一个实施例中，候选标识包括候选主播的候选头像；确定模块902具体用于：根据目标主播的主播向量以及各候选头像的头像向量，确定各候选头像的头像向量与主播向量的第二余弦相似度；根据各候选头像对应的第二余弦相似度，确定各候选头像中的目标头像。
在本公开的一个实施例中，候选标识还包括候选文案；确定模块902还用于：根据目标头像的头像向量以及各候选文案的文案向量，确定各候选文案的文案向量与头像向量的第三余弦相似度；根据各文案对应的第三余弦相似度，确定各候选文案中的目标文案。
在本公开的一个实施例中，获取模块901具体用于：若当前用户为样本用户，则确定样本用户对应的用户向量为当前用户的用户向量；否则，确定样本用户中与当前用户的特征相似度最高的样本用户的用户向量为当前用户的用户向量，或者，确定样本用户中与当前用户的特征相似度大于预设相似度的目标样本用户，并确定各目标样本用户的平均用户向量为当前用户的用户向量。
在本公开的一个实施例中，推荐模块903具体用于：根据目标主播，确定目标直播间；在当前页面显示目标直播间对应的目标标识。
在本公开的一个实施例中，获取模块901还用于：获取样本用户的点击日志，点击日志中包含各样本用户点击的直播间对应的主播以及标识；根据点击日志，构建各样本用户与主播之间的第一对应关系，以及各主播与标识之间的第二对应关系，主播中包含候选主播，标识中包含候选标识；根据预设采样路径，在第一对应关系和第二对应关系中确定与预设采样路径匹配的样本路径；基于样本路径对预设向量模型进行训练，获得目标向量模型，确定目标向量模型的模型参数为各样本用户的用户向量、各主播的主播向量以及各标识的标识向量。
本公开实施例提供的上述直播间推荐装置，可以实现前述直播间推荐方法实施例中的各个过程，并达到相同的功能和效果，此处不做赘述。
示例性计算设备
在介绍了本公开示例性实施方式的方法、介质和装置之后，接下来，参考图10对本公开示例性实施方式的计算设备进行说明。应理解，图10显示的计算设备1000仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
图10为本公开实施例提供的计算设备的结构示意图。如图10所示，计算设备1000以通用计算设备的形式表现。计算设备1000的组件可以包括但不限于：上述至少一个处理单元1001、上述至少一个存储单元1002，连接不同系统组件(包括处理单元1001和存储单元1002)的总线1003。
总线1003包括数据总线、控制总线和地址总线。存储单元1002可以包括易失性存储器形式的可读介质，例如随机存取存储器(RAM)1011和/或高速缓存存储器1022，可以进一步包括非易失性存储器形式的可读介质，例如只读存储器(ROM)1032。
存储单元1002还可以包括具有一组(至少一个)程序模块1042的程序/实用工具1052，这样的程序模块1042包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
计算设备1000也可以与一个或多个外部设备1004(例如键盘、指向设备等)通信。这种通信可以通过输入/输出(I/O)接口1005进行。并且，计算设备1000还可以通过网络适配器1006与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图10所示，网络适配器1006通过总线1003与计算设备1000的其它模块通信。应当理解，尽管图中未示出，可以结合计算设备1000使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
应当注意，尽管在上文详细描述中提及了定时更新装置的若干单元/模块或子单元/模块，但是这种划分仅仅是示例性的并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多单元/模块的特征和功能可以在一个单元/模块中具体化。反之，上文描述的一个单元/模块的特征和功能可以进一步划分为由多个单元/模块来具体化。
此外，尽管在附图中以特定顺序描述了本公开方法的操作，但是，这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。
虽然已经参考若干具体实施方式描述了本公开的精神和原理，但是应该理解，本公开并不限于所公开的具体实施方式，对各方面的划分也不意味着这些方面中的特征不能组合以进行受益，这种划分仅是为了表述的方便。本公开旨在涵盖所附权利要求的精神和范围内所包括的各种修改和等同布置。

Claims (10)

1.一种直播间推荐方法，包括：
获取当前用户的用户向量；
根据所述用户向量以及候选主播的主播向量，确定候选主播中的目标主播；
根据所述目标主播的主播向量以及候选标识的标识向量，确定所述候选标识中的目标标识；
根据所述目标主播和所述目标标识，为当前用户推荐目标直播间。
2.根据权利要求1所述的直播间推荐方法，所述根据所述用户向量以及候选主播的主播向量，确定候选主播中的目标主播，包括：
根据所述用户向量和各候选主播的主播向量，确定各候选主播的主播向量与所述用户向量的第一余弦相似度；
根据各候选主播对应的第一余弦相似度，确定各候选主播中的目标主播。
3.根据权利要求1所述的直播间推荐方法，所述候选标识包括所述候选主播的候选头像；
所述根据所述目标主播的主播向量以及候选标识的标识向量，确定所述候选标识中的目标标识，包括：
根据所述目标主播的主播向量以及各所述候选头像的头像向量，确定各所述候选头像的头像向量与所述主播向量的第二余弦相似度；
根据各所述候选头像对应的第二余弦相似度，确定各所述候选头像中的目标头像。
4.根据权利要求3所述的直播间推荐方法，所述候选标识还包括候选文案；
所述确定所述目标主播的各候选头像中的目标头像之后，还包括：
根据所述目标头像的头像向量以及各所述候选文案的文案向量，确定各所述候选文案的文案向量与所述头像向量的第三余弦相似度；
根据各所述文案对应的第三余弦相似度，确定各候选文案中的目标文案。
5.根据权利要求1-4中任一项所述的直播间推荐方法，所述获取当前用户的用户向量，包括：
若所述当前用户为样本用户，则确定所述样本用户对应的用户向量为所述当前用户的用户向量；
否则，确定所述样本用户中与所述当前用户的特征相似度最高的样本用户的用户向量为所述当前用户的用户向量，或者，确定所述样本用户中与所述当前用户的特征相似度大于预设相似度的目标样本用户，并确定各所述目标样本用户的平均用户向量为所述当前用户的用户向量。
6.根据权利要求1-4中任一项所述的直播间推荐方法，所述根据所述目标主播和所述目标标识，为当前用户推荐目标直播间，包括：
根据所述目标主播，确定目标直播间；
在当前页面显示所述目标直播间对应的目标标识。
7.根据权利要求1-5中任一项所述的直播间推荐方法，所述主播向量以及所述标识向量是通过如下方式得到的：
获取样本用户的点击日志，所述点击日志中包含各所述样本用户点击的直播间对应的主播以及标识；
根据所述点击日志，构建各所述样本用户与主播之间的第一对应关系，以及各所述主播与标识之间的第二对应关系，所述主播中包含所述候选主播，所述标识中包含所述候选标识；
根据预设采样路径，在第一对应关系和第二对应关系中确定与所述预设采样路径匹配的样本路径；
基于所述样本路径对预设向量模型进行训练，获得目标向量模型，确定所述目标向量模型的模型参数为各样本用户的用户向量、各主播的主播向量以及各标识的标识向量。
8.一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计算机执行指令，当处理器执行所述计算机执行指令时，实现如权利要求1至7中任一项所述的直播间推荐方法。
9.一种直播间推荐装置，包括：
获取模块，用于获取当前用户的用户向量；
确定模块，用于根据所述用户向量以及候选主播的主播向量，确定候选主播中的目标主播，根据所述目标主播的主播向量以及候选标识的标识向量，确定所述候选标识中的目标标识；
推荐模块，用于根据所述目标主播和所述目标标识，为当前用户推荐目标直播间。
10.一种计算设备，包括：至少一个处理器和存储器；
所述存储器存储计算机执行指令；
所述至少一个处理器至少所述存储器存储的计算机执行指令，使得所述至少一个处理器执行如权利要求1-7中任一项所述的直播间推荐方法。
CN202111296115.6A 2021-11-03 2021-11-03 直播间推荐方法、介质、装置和计算设备 Active CN114040216B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111296115.6A CN114040216B (zh) 2021-11-03 2021-11-03 直播间推荐方法、介质、装置和计算设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111296115.6A CN114040216B (zh) 2021-11-03 2021-11-03 直播间推荐方法、介质、装置和计算设备

Publications (2)

Publication Number Publication Date
CN114040216A true CN114040216A (zh) 2022-02-11
CN114040216B CN114040216B (zh) 2023-07-11

Family

ID=80142727

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111296115.6A Active CN114040216B (zh) 2021-11-03 2021-11-03 直播间推荐方法、介质、装置和计算设备

Country Status (1)

Country Link
CN (1) CN114040216B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114885185A (zh) * 2022-04-28 2022-08-09 阿里巴巴（中国）有限公司 直播间推荐方法、内容推荐方法、终端及存储介质

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106231378A (zh) * 2016-07-28 2016-12-14 北京小米移动软件有限公司 直播间的显示方法、装置及系统
US20170208286A1 (en) * 2016-01-15 2017-07-20 Mstar Semiconductor, Inc. Television system and multimedia playing method
CN109388456A (zh) * 2018-09-20 2019-02-26 维沃移动通信有限公司 一种头像选择方法及移动终端
CN111046230A (zh) * 2019-12-06 2020-04-21 北京奇艺世纪科技有限公司 内容推荐方法及装置、电子设备和可存储介质
CN111131875A (zh) * 2019-12-06 2020-05-08 北京达佳互联信息技术有限公司 信息的展示方法、装置、系统、电子设备及存储介质
CN111479129A (zh) * 2020-04-02 2020-07-31 广州酷狗计算机科技有限公司 直播封面的确定方法、装置、服务器、介质及系统
CN111767814A (zh) * 2020-06-19 2020-10-13 北京奇艺世纪科技有限公司 一种视频确定方法及装置
WO2021008223A1 (zh) * 2019-07-15 2021-01-21 北京字节跳动网络技术有限公司 信息的确定方法、装置及电子设备
CN112307240A (zh) * 2019-07-31 2021-02-02 腾讯科技（深圳）有限公司 页面展示方法、装置、存储介质及电子设备
CN113411645A (zh) * 2021-06-16 2021-09-17 北京百度网讯科技有限公司 信息推荐方法及装置、电子设备和介质

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170208286A1 (en) * 2016-01-15 2017-07-20 Mstar Semiconductor, Inc. Television system and multimedia playing method
CN106231378A (zh) * 2016-07-28 2016-12-14 北京小米移动软件有限公司 直播间的显示方法、装置及系统
CN109388456A (zh) * 2018-09-20 2019-02-26 维沃移动通信有限公司 一种头像选择方法及移动终端
WO2021008223A1 (zh) * 2019-07-15 2021-01-21 北京字节跳动网络技术有限公司 信息的确定方法、装置及电子设备
CN112307240A (zh) * 2019-07-31 2021-02-02 腾讯科技（深圳）有限公司 页面展示方法、装置、存储介质及电子设备
CN111046230A (zh) * 2019-12-06 2020-04-21 北京奇艺世纪科技有限公司 内容推荐方法及装置、电子设备和可存储介质
CN111131875A (zh) * 2019-12-06 2020-05-08 北京达佳互联信息技术有限公司 信息的展示方法、装置、系统、电子设备及存储介质
CN111479129A (zh) * 2020-04-02 2020-07-31 广州酷狗计算机科技有限公司 直播封面的确定方法、装置、服务器、介质及系统
CN111767814A (zh) * 2020-06-19 2020-10-13 北京奇艺世纪科技有限公司 一种视频确定方法及装置
CN113411645A (zh) * 2021-06-16 2021-09-17 北京百度网讯科技有限公司 信息推荐方法及装置、电子设备和介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114885185A (zh) * 2022-04-28 2022-08-09 阿里巴巴（中国）有限公司 直播间推荐方法、内容推荐方法、终端及存储介质

Also Published As

Publication number Publication date
CN114040216B (zh) 2023-07-11

Similar Documents

Publication Publication Date Title
CN108520470B (zh) 用于生成用户属性信息的方法和装置
CN109299316B (zh) 音乐推荐方法、装置和计算机设备
CN108845806B (zh) 小程序分发方法、装置、服务器和存储介质
CN109271509B (zh) 直播间话题的生成方法、装置、计算机设备和存储介质
CN110392312A (zh) 群聊构建方法、系统、介质和电子设备
CN110677267A (zh) 信息处理方法和装置
CN108038172B (zh) 基于人工智能的搜索方法和装置
CN111126422B (zh) 行业模型的建立及行业的确定方法、装置、设备及介质
CN112148844A (zh) 机器人的信息回复方法及装置
CN114040216B (zh) 直播间推荐方法、介质、装置和计算设备
CN113590756A (zh) 信息序列生成方法、装置、终端设备和计算机可读介质
CN108509442B (zh) 搜索方法和装置、服务器以及计算机可读存储介质
CN111026849B (zh) 数据处理方法和装置
CN110971983B (zh) 一种视频答疑方法、设备和存储介质
CN112883218A (zh) 一种图文联合表征的搜索方法、系统、服务器和存储介质
CN111435381A (zh) 请求分发方法和装置
CN114237588A (zh) 一种代码仓库选择方法、装置、设备及存储介质
CN110688508B (zh) 图文数据扩充方法、装置及电子设备
CN114218477A (zh) 展示界面的控制方法、装置及电子设备
CN111435452B (zh) 模型训练方法、装置、设备和介质
CN113553514A (zh) 基于人工智能的对象推荐方法、装置及电子设备
CN112348614A (zh) 用于推送信息的方法和装置
CN111049988A (zh) 移动设备的亲密度预测方法、系统、设备及存储介质
CN106547847B (zh) 一种电子读物的追更方法和设备
CN110942306A (zh) 数据处理方法、装置及电子设备

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