CN114268839A - 视频发布账户筛选方法、装置、电子设备及存储介质 - Google Patents
视频发布账户筛选方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN114268839A CN114268839A CN202111556423.8A CN202111556423A CN114268839A CN 114268839 A CN114268839 A CN 114268839A CN 202111556423 A CN202111556423 A CN 202111556423A CN 114268839 A CN114268839 A CN 114268839A
- Authority
- CN
- China
- Prior art keywords
- account
- video
- screening
- clustering
- cluster
- 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
Links
- 238000012216 screening Methods 0.000 title claims abstract description 211
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000003860 storage Methods 0.000 title claims description 11
- 239000013598 vector Substances 0.000 claims description 148
- 238000009826 distribution Methods 0.000 claims description 91
- 239000011159 matrix material Substances 0.000 claims description 31
- 238000003064 k means clustering Methods 0.000 claims description 14
- 230000000694 effects Effects 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- 230000004044 response Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000003993 interaction Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
Images
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Image Analysis (AREA)
Abstract
本公开关于一种视频发布账户筛选方法、装置、电子设备,该方法包括:确定与目标业务需求对应的筛选维度,并获取用于在筛选维度下对视频发布账户进行分类的特征指标;根据多个视频发布账户的特征指标的指标数据,对多个视频发布账户在筛选维度下进行聚类,得到多个聚类簇,并确定每个聚类簇在所述筛选维度下对应的账户类别;从多个聚类簇中,筛选出目标聚类簇;基于目标聚类簇中的视频发布账户,确定目标业务需求对应的目标视频发布账户。本公开的方案,基于对应的指标数据对多个视频发布账户在对应筛选维度下进行聚类,可以准确地确定多个视频发布账户在对应筛选维度下的差异,并划分为对应的类别,有效提高不同业务需求下的视频作者的筛选效率。
Description
技术领域
本公开涉及计算机领域,尤其涉及一种视频发布账户筛选方法、装置、电子设备及存储介质。
背景技术
随着互联网技术的发展,视频创作应用的日益普及,越来越多的用户成为了社交平台中的视频作者。
在相关技术中,在对视频作者筛选时,主要由工作人员根据过往经验选取对应的指标,并设置指标对应的阈值对视频作者进行分类,进而筛选出对应类别的视频作者。
然而,上述技术依赖于工作人员对指标设置合适的阈值,而工作人员的运算能力有限,随着指标数量的增加,为筛选出合适的视频作者,需要花费大量的人力和时间成本对多个指标分析处理,导致视频作者的筛选效率较低。
发明内容
本公开提供一种视频发布账户筛选方法、装置、电子设备及存储介质,以至少解决相关技术中视频作者筛选效率低的问题。本公开的技术方案如下:
根据本公开实施例的第一方面,提供一种视频发布账户筛选方法,包括:
响应于针对目标业务需求的账户筛选请求,确定与所述目标业务需求对应的筛选维度,以及获取用于在所述筛选维度下对视频发布账户进行分类的特征指标;
根据多个视频发布账户的所述特征指标的指标数据,对所述多个视频发布账户在所述筛选维度下进行聚类,得到多个聚类簇,并确定每个聚类簇在所述筛选维度下对应的账户类别;
从所述多个聚类簇中,筛选出目标聚类簇;所述目标聚类簇的账户类别与所述目标业务需求相匹配;
基于所述目标聚类簇中的视频发布账户,确定所述目标业务需求对应的目标视频发布账户。
在一示例性实施例中,当所述筛选维度下对视频发布账户进行分类的特征指标为多个时,所述获取用于在所述筛选维度下对视频发布账户进行分类的特征指标之后,还包括:
针对每个视频发布账户,获取所述视频发布账户的多个特征指标各自对应的指标数据,得到多个指标数据,将所述多个指标数据分别转换为特征向量;
所述根据多个视频发布账户的所述特征指标的指标数据,对所述多个视频发布账户在所述筛选维度下进行聚类,包括:
基于多个视频发布账户的所述特征向量,对所述多个视频发布账户在所述筛选维度下进行聚类。
在一示例性实施例中,所述基于多个视频发布账户的所述特征向量,对所述多个视频发布账户在所述筛选维度下进行聚类,包括:
基于多个视频发布账户各自对应的特征向量,生成特征矩阵;
基于所述特征矩阵和K均值聚类原则,将所述多个视频发布账户划分为预设数量的聚类簇。
在一示例性实施例中,所述基于所述特征矩阵和K均值聚类原则,将所述多个视频发布账户划分为预设数量的多个聚类簇,包括:
从所述特征矩阵中随机获取预设数量的特征向量,作为所述预设数量的聚类簇各自对应的聚类中心向量;
针对每个视频发布账户,获取所述视频发布账户对应的特征向量与各个聚类中心向量的距离,并根据所述距离,将所述视频发布账户划分到对应的聚类簇;
基于当前每个聚类簇中各个视频发布账户的特征向量,重新确定每个聚类簇对应的聚类中心向量,并返回所述针对每个视频发布账户,获取该视频发布账户对应的特征向量与各个聚类中心向量的距离的步骤,直到满足迭代结束条件,得到预设数量的多个聚类簇。
在一示例性实施例中,所述确定每个聚类簇在所述筛选维度下对应的账户类别,包括:
根据每个聚类簇中视频发布账户对应的特征向量的均值向量,确定该聚类簇对应的向量模长;
基于各个聚类簇对应的向量模长,对所述筛选维度下的多个聚类簇排序,基于排序结果得到各聚类簇对应的等级,作为在所述筛选维度下的账户类别。
在一示例性实施例中,所述获取用于在所述筛选维度下对视频作者进行分类的特征指标,包括:
获取用于在所述筛选维度下对视频发布账户进行分类的以下至少一种特征指标:
第一类特征指标;所述第一类特征指标为表征视频发布账户的已发布作品的质量的特征指标;
第二类特征指标;所述第二类特征指标为表征视频发布账户的活跃程度的特征指标。
在一示例性实施例中,当所述目标业务需求对应的筛选维度为多个筛选维度时,所述从所述多个聚类簇中,筛选出目标聚类簇,包括:
确定与所述目标业务需求匹配的各筛选维度下的目标账户类别;
分别从各个筛选维度下的多个聚类簇中,获取所述目标账户类别对应的聚类簇,并基于多个筛选维度下获取到的聚类簇,得到目标聚类簇。
根据本公开实施例的第二方面,提供一种视频发布账户筛选装置,包括:
指标获取单元,被配置为执行响应于针对目标业务需求的账户筛选请求,确定与所述目标业务需求对应的筛选维度,以及获取用于在所述筛选维度下对视频发布账户进行分类的特征指标;
账户类别确定单元,被配置为执行根据多个视频发布账户的所述特征指标的指标数据,对所述多个视频发布账户在所述筛选维度下进行聚类,得到多个聚类簇,并确定每个聚类簇在所述筛选维度下对应的账户类别;
目标聚类簇获取单元,被配置为执行从所述多个聚类簇中,筛选出目标聚类簇;所述目标聚类簇的账户类别与所述目标业务需求相匹配;
账户筛选单元,被配置为执行基于所述目标聚类簇中的视频发布账户,确定所述目标业务需求对应的目标视频发布账户。
在一示例性实施例中,当所述筛选维度下对视频发布账户进行分类的特征指标为多个时,所述装置还包括:
特征向量获取单元,被配置为执行针对每个视频发布账户,获取所述视频发布账户的多个特征指标各自对应的指标数据,得到多个指标数据,将所述多个指标数据分别转换为特征向量;
所述账户类别确定单元,包括:
向量分析模块,被配置为执行基于多个视频发布账户的所述特征向量,对所述多个视频发布账户在所述筛选维度下进行聚类。
在一示例性实施例中,所述向量分析模块,包括:
矩阵生成模块,被配置为执行基于多个视频发布账户各自对应的特征向量,生成特征矩阵;
聚类模块,被配置为执行基于所述特征矩阵和K均值聚类原则,将所述多个视频发布账户划分为预设数量的聚类簇。
在一示例性实施例中,所述聚类模块,包括:
聚类中心向量确定模块,被配置为执行从所述特征矩阵中随机获取预设数量的特征向量,作为所述预设数量的聚类簇各自对应的聚类中心向量;
划分模块,被配置为执行针对每个视频发布账户,获取所述视频发布账户对应的特征向量与各个聚类中心向量的距离,并根据所述距离,将所述视频发布账户划分到对应的聚类簇;
聚类簇确定模块,被配置为执行基于当前每个聚类簇中各个视频发布账户的特征向量,重新确定每个聚类簇对应的聚类中心向量,并调用所述划分模块,直到满足迭代结束条件,得到预设数量的多个聚类簇。
在一示例性实施例中,所述账户类别确定单元,包括:
模长确定模块,被配置为执行根据每个聚类簇中视频发布账户对应的特征向量的均值向量,确定该聚类簇对应的向量模长;
排序模块,被配置为执行基于各个聚类簇对应的向量模长,对所述筛选维度下的多个聚类簇排序,基于排序结果得到各聚类簇对应的等级,作为在所述筛选维度下的账户类别。
在一示例性实施例中,所述指标获取单元,包括:
特征指标组合模块,被配置为执行获取用于在所述筛选维度下对视频发布账户进行分类的以下至少一种特征指标:
第一类特征指标;所述第一类特征指标为表征视频发布账户的已发布作品的质量的特征指标;
第二类特征指标;所述第二类特征指标为表征视频发布账户的活跃程度的特征指标。
在一示例性实施例中,当所述目标业务需求对应的筛选维度为多个筛选维度时,所述目标聚类簇获取单元,包括:
目标账户类别确定模块,被配置为执行确定与所述目标业务需求匹配的各筛选维度下的目标账户类别;
账户类别筛选模块,被配置为执行分别从各个筛选维度下的多个聚类簇中,获取所述目标账户类别对应的聚类簇,并基于多个筛选维度下获取到的聚类簇,得到目标聚类簇。
根据本公开实施例的第三方面,提供一种服务器,包括:
处理器;
用于存储所述处理器可执行指令的存储器;
其中,所述处理器被配置为执行所述指令,以实现如权利要求1至7中任一项所述的视频发布账户筛选方法。
根据本公开实施例的第四方面,提供一种计算机可读存储介质,当所述计算机可读存储介质中的指令由服务器的处理器执行时,使得所述服务器能够执行如上任一项所述的视频发布账户筛选方法。
根据本公开实施例的第五方面,提供一种计算机程序产品,所述计算机程序产品中包括指令,所述指令被服务器的处理器执行时,使得所述服务器能够执行如上任一项所述的视频发布账户筛选方法。
本公开的实施例提供的技术方案至少带来以下有益效果:
本公开的方案,基于对应的指标数据对多个视频发布账户在对应筛选维度下进行聚类,可以准确地确定多个视频发布账户在对应筛选维度下的差异,并划分为对应的类别,有效提高不同业务需求下的视频作者的筛选效率。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理,并不构成对本公开的不当限定。
图1是根据一示例性实施例示出的一种视频发布账户筛选方法的应用环境图。
图2是根据一示例性实施例示出的一种视频发布账户筛选方法的流程图。
图3是根据一示例性实施例示出的另一种视频发布账户筛选方法的流程图。
图4是根据一示例性实施例示出的另一种视频发布账户筛选方法的流程图。
图5是根据一示例性实施例示出的一种视频发布账户筛选装置的框图。
图6是根据一示例性实施例示出的一种服务器的框图。
具体实施方式
为了使本领域普通人员更好地理解本公开的技术方案,下面将结合附图,对本公开实施例中的技术方案进行清楚、完整地描述。
需要说明的是,本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
还需要说明的是,本公开所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于展示的数据、分析的数据等),均为经用户授权或者经过各方充分授权的信息和数据。
本公开所提供的一种视频发布账户筛选方法,可以应用于如图1所示的应用环境中。在该应用环境中,终端110可以通过网络与服务器120进行交互,具体而言,终端110可以是多个终端,其中可以包括第一终端和第二终端,第一终端可以指具有视频制作功能的终端设备,如可以登录视频发布账户发布录播视频或直播视频的终端设备,第二终端可以指具有视频浏览功能的终端设备;第一终端通过视频发布账户将视频上传到服务器120后,第二终端可以从服务器120获取视频并展示。当然,终端110也可以是用于从服务器120中读取存储数据的终端,例如,该终端可以从服务器120中读取视频发布账户的特征指标所对应的特征信息。
其中,终端110可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备,服务器120可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
图2是根据一示例性实施例示出的一种视频发布账户筛选方法的流程图,如图2所示,以该方法应用于服务器120为例进行举例说明,可以理解的是,该方法也可以应用于终端110。具体地,可以包括以下步骤。
在步骤S210中,响应于针对目标业务需求的账户筛选请求,确定与所述目标业务需求对应的筛选维度,以及获取用于在所述筛选维度下对视频发布账户进行分类的特征指标。
作为一示例,目标业务需求可以是针对视频发布账户发起的需求,当目标业务需求由视频平台运营人员对应的终端发起时,目标业务需求可以是针对视频作者开展的业务,通过满足目标业务需求可以引导视频平台中的视频作者适应市场需求,如提高视频作品的作品质量。当然,目标业务需求也可以由第二终端发起,该目标业务需求可以是浏览指定类别的视频发布账户发布的视频作品。
筛选维度可以是用于筛选或评价视频发布账户的评价角度,针对同一视频发布账户,当从不同的筛选维度出发进行评价、确定对应的能力水平时,可以得到不同的结论,进而可以在同一筛选维度下将多个视频发布账户划分为不同的类别。具体实现中,不同的目标业务需求可以具有对应的一个或多个筛选维度。
视频发布账户可以是发布过视频的账户,可以包括发布录制视频的账户,如视频作者预先制作好视频后,通过终端中的视频发布账户发布制作好的视频;当然,也可以是发布直播视频的账户,如视频作者在登录视频发布账户后进行视频直播。
特征指标也可以称为描述特征,可以是用于确定视频发布账户在指定筛选维度下对应的能力水平的指标。每个筛选维度可以对应有一个或多个特征指标。
在实际应用中,用户可以通过终端110向服务器发送针对目标业务需求的账户筛选请求。响应于接收到的针对目标业务需求的账户筛选请求,服务器120可以确定与目标业务需求对应的筛选维度,并获取筛选维度对应的特征指标,以在后续通过该特征指标,在指定的筛选维度下对多个视频发布账户进行分类。
在步骤S220中,根据多个视频发布账户的所述特征指标的指标数据,对所述多个视频发布账户在所述筛选维度下进行聚类,得到多个聚类簇,并确定每个聚类簇在所述筛选维度下对应的账户类别。
具体实现中,针对每个视频发布账户,可以基于视频发布账户发布的一个或多个视频,进行数据分析和数据统计,确定视频发布账户多个特征指标对应的指标数据,该指标数据可以预先获取或实时获取。在获取筛选维度对应的特征指标后,服务器120可以根据多个视频发布账户各自对应的特征指标下的指标数据,在特征指标对应的筛选维度下,对多个视频作者进行聚类,得到多个聚类簇,并确定每个聚类簇在当前筛选维度下对应的作者类别。具体而言,聚类的原理之一可以理解为将具有相似或相同性质的对象聚合在一起,而相似的视频发布账户可以具有类似的指标数据,通过基于指标数据对视频发布账户进行聚类,可以将多个视频发布账户自动划分为多个聚类簇,并将相似或相同的视频发布账户涵盖在同一聚类簇中。
具体例如,目标业务需求对应筛选维度D1和筛选维度D2,针对筛选维度D1,可以根据特征指标A和特征指标B各自对应的特征信息,将多个视频发布账户划分为聚类簇C1和C2;针对筛选维度D2,则可以根据特征指标C对应的特征信息,将多个视频发布账户划分为聚类簇C3、C4和C5。
在步骤S230中,从所述多个聚类簇中,筛选出目标聚类簇。
其中,目标聚类簇的账户类别可以与目标业务需求相匹配。
在实际应用中,在当前筛选维度下对多个视频发布账户进行聚类并获取多个聚类簇后,可以根据目标业务需求,从多个聚类簇中筛选出对应账户类别与目标业务需求相匹配的目标聚类簇。
在步骤S240中,基于所述目标聚类簇中的视频发布账户,确定所述目标业务需求对应的目标视频发布账户。
在得到目标聚类簇,服务器120可以基于目标聚类簇中的视频发布账户,确定目标业务需求对应的目标视频发布账户。具体地,若目标聚类簇为一个目标聚类簇,服务器120可以将目标聚类簇中的一个或多个视频发布账户确定为目标视频发布账户,例如可以将目标聚类簇中的全部作者或部分作者确定为目标作者。若目标聚类簇为多个目标聚类簇,则服务器120可以确定多个目标聚类簇的并集,并基于并集中的视频发布账户确定目标视频发布账户。
上述视频发布账户筛选方法中,响应于针对目标业务需求的账户筛选请求,确定与目标业务需求对应的筛选维度,以及获取用于在筛选维度下对视频发布账户进行分类的特征指标,根据多个视频发布账户的特征指标的指标数据,对多个视频发布账户在筛选维度下进行聚类,得到多个聚类簇,并确定每个聚类簇在所述筛选维度下对应的账户类别,从多个聚类簇中,筛选出对应账户类别与目标业务需求相匹配的目标聚类簇,基于目标聚类簇中的视频发布账户,确定目标业务需求对应的目标视频发布账户。本公开的方案,基于对应的指标数据对多个视频发布账户在对应筛选维度下进行聚类,可以准确地确定多个视频发布账户在对应筛选维度下的差异,并划分为对应的类别,有效提高不同业务需求下的视频作者的筛选准确性。
在一示例性实施例中,如图3所示,当筛选维度下对视频发布账户进行分类的特征指标为多个时,在所述获取用于在所述筛选维度下对视频发布账户进行分类的特征指标之后,还可以包括如下步骤:
在步骤S211中,针对每个视频发布账户,获取所述视频发布账户的多个特征指标各自对应的指标数据,得到多个指标数据,将所述多个指标数据分别转换为特征向量。
在相关技术中,工作人员根据过往经验确定阈值时,往往仅对单个指标对应的数据设置阈值,然而,由于人类运算能力的限制,当指标数量增加时,工作人员将难以同时针对多个指标设置合适的阈值。
在本实施例中,可以在同一筛选维度下设置多个特征指标,例如针对“作品质量”筛选维度,其对应的特征指标可以至少包括视频的播放时长、播放次数和点赞次数三个特征指标。针对复杂抽象的筛选维度,通过设置与其关联的多个特征指标,可以更准确地在该筛选维度下对多个视频账户进行分类。
当筛选维度对应多个特征指标时,针对每个视频发布账户,服务器120可以获取该视据频发布账户的多个特征指标各自对应的指标数,得到该视频发布账户对应的多个指标数据。在获取到多个指标数据后,可以将多个指标数据转换为特征向量。例如,若获取到N个指标数据,则可以将N个指标数据转换为一个N维向量。
在步骤S220中,所述根据多个视频发布账户的所述特征指标的指标数据,对所述多个视频发布账户在所述筛选维度下进行聚类,可以包括:
基于多个视频发布账户的所述特征向量,对所述多个视频发布账户在所述筛选维度下进行聚类。
在实际应用中,通过将每个视频发布账户对应的多个指标数据转换为特征向量,可以得到各个视频发布账户对应的特征向量。在获取到多个视频发布账户各自对应的特征向量后,服务器120可以基于多个特征向量,在当前的筛选维度下对多个视频发布账户进行聚类。在进行聚类时,可以基于预设的聚类算法进行聚类,例如K均值聚类(k-meansclustering)算法、基于密度的聚类方法(DBSCAN)、均值漂移聚类、凝聚层次聚类等。
在本公开中,针对每个视频发布账户,可以获取该视频发布账户的多个特征指标各自对应的指标数据,得到多个指标数据,并将多个指标数据转换为特征向量,进而可以基于多个视频发布账户的特征向量,对多个视频发布账户在对应的筛选维度下进行聚类,相较于采用人工经验对有限数量的指标所对应的指标数据进行生硬的阈值设置,本实施例能够同时处理任意数量的特征指标,有效增加指标的数量,从而可以基于多种考虑因素对视频发布账户进行合理划分,提高分类准确性和筛选效率,使得人力和时间成本都能大幅度下降。
在一示例性实施例中,所述基于多个视频发布账户的所述特征向量,对所述多个视频发布账户在所述筛选维度下进行聚类,可以包括:
基于多个视频发布账户各自对应的特征向量,生成特征矩阵;基于所述特征矩阵和K均值聚类原则,将所述多个视频发布账户划分为预设数量的聚类簇。
在具体实现中,在得到多个视频发布账户各自对应的特征向量后,可以基于多个特征向量构造特征矩阵。具体例如,在获取到M个视频发布账户各自对应的N维特征向量后,可以生成M*N的特征矩阵。
在获取到包含多个视频发布账户对应的指标数据的特征矩阵后,可以基于特征矩阵和K均值聚类原则,将所述多个视频发布账户划分为预设数量的聚类簇。具体而言,可以将特征矩阵输入到预设的聚类模型中,进而可以通过该聚类模型和K均值聚类原则,对多个视频发布账户进行聚类,划分为预设数量的多个聚类簇。其中,本领域技术人员可以根据目标业务需求设置聚类簇对应的预设数量,相较于在不限制聚类簇的数量而由聚类模型根据聚类过程自由地将其划分为多个聚类簇,例如得到上百个聚类簇,本公开中通过将聚类簇数量控制在一定范围内而避免划分为过多的类别,可以提高聚类结果的可理解性,例如,聚类簇的数量可以为3到5个。
在本公开中,基于多个视频发布账户各自对应的特征向量,生成特征矩阵后,可以基于特征矩阵和K均值聚类原则将多个视频发布账户划分为预设数量的聚类簇,能够通过聚类的方式对多个不同的特征指标和大量的指标数据进行批量处理,有效提高视频作者的筛选效率,减少处理时间,并且通过将多个视频发布账户划分为预设数量的聚类簇,可以提高聚类结果的可理解性和实用性。
在一示例性实施例中,所述基于所述特征矩阵和K均值聚类原则,将所述多个视频发布账户划分为预设数量的多个聚类簇,可以包括如下步骤:
从所述特征矩阵中随机获取预设数量的特征向量,作为所述预设数量的聚类簇各自对应的聚类中心向量;针对每个视频发布账户,获取所述视频发布账户对应的特征向量与各个聚类中心向量的距离,并根据所述距离,将所述视频发布账户划分到对应的聚类簇;基于当前每个聚类簇中各个视频发布账户的特征向量,重新确定每个聚类簇对应的聚类中心向量,并返回所述针对每个视频发布账户,获取该视频发布账户对应的特征向量与各个聚类中心向量的距离的步骤,直到满足迭代结束条件,得到预设数量的多个聚类簇。
在具体实现中,在基于K均值聚类原则进行聚类时,可以将待划分的聚类簇对应的数量作为预设数量,通过聚类模型从特征矩阵中,随机获取预设数量的多个特征量,作为预设数量的聚类簇各自对应的聚类中心向量。例如,拟得到的聚类簇为3个聚类簇,则可以在特征矩阵中随机获取特征向量a、特征向量b和特征向量c,并将特征向量a、特征向量b和特征向量分别作为3个聚类簇的聚类中心向量。
在确定初始的聚类中心向量后,针对每个视频发布账户,可以获取该视频发布账户对应的特征向量与各个聚类中心向量之间的距离,例如计算视频发布账户对应的特征向量与聚类中心向量的欧几里得距离,进而可以根据特征向量与各聚类中心向量之间的距离,将该视频发布账户划分到对应的聚类簇,例如可以将视频发布账户划分到对应距离最短的聚类簇。由此,可以将各个视频发布账户划分为多个聚类簇。
在完成一次聚类后,可以根据当前每个聚类簇中各个视频发布账户的特征向量,重新确定每个聚类簇对应的聚类中心向量,并返回到针对每个视频发布账户,获取该视频发布账户对应的特征向量与各个聚类中心向量的距离,重复根据距离对各个视频发布账户划分到对应聚类簇的过程。当检测到满足迭代结束条件时,例如满足预设的迭代次数或者相邻两次迭代结果对应的调整幅度小于预设幅度阈值时,可以停止迭代,得到多个聚类簇。聚类模型作为机器学习的其中一种手段,能够在聚类过程中基于机器学习技术,从大量的特征向量中获取隐藏的、有效的、可理解的信息,从而探查多个视频发布账户对应特征向量的数据分布状态,并基于此更科学合理地确定出最佳划分点。
在本公开中,针对每个视频发布账户,可以获取该视频发布账户对应的特征向量与各个聚类中心向量的距离,并根据该距离将该视频发布账户划分到对应的聚类簇,在多次迭代并满足迭代结束条件时,得到预设数量的多个聚类簇,能够在快速处理多维度和大量的指标数据的同时,准确得到分类准确的多个聚类簇。
在一示例性实施例中,在步骤S220中,所述确定每个聚类簇在所述筛选维度下对应的账户类别,可以包括:
在步骤S221中,根据每个聚类簇中视频发布账户对应的特征向量的均值向量,确定该聚类簇对应的向量模长。
在具体实现中,将多个视频发布账户聚类为多个聚类簇后,针对每个聚类簇,可以获取该聚类簇中多个视频发布账户对应的特征向量,并获取多个特征向量对应的均值向量。在确定均值向量后,可以获取均值向量对应的向量模长,作为该聚类簇对应的向量模长。
在步骤S222中,基于各个聚类簇对应的向量模长,对所述筛选维度下的多个聚类簇排序,基于排序结果得到各聚类簇对应的等级,作为在所述筛选维度下的账户类别。
具体地,向量模长可以反映聚类簇对应的账户类别与筛选维度的相关性,其可以是正相关或负相关,当聚类簇对应的向量模长越大表征聚类簇中的特征向量越大,相较于向量模长较小的聚类簇,该聚类簇下的各个特征向量对应的模长更大,意味着相关性更高。例如针对“作品质量”筛选维度,具有更大向量模长的聚类簇中的视频发布账户,其发布的视频作品的质量,高于向量模长较短的聚类簇中的视频发布账户发布的视频作品的质量。
当服务器确定各个聚类簇对应的向量模长后,可以基于各个聚类簇对应的向量模长,对筛选维度下的多个聚类簇排序,并基于排序结果得到各聚类簇对应的等级,例如可以基于向量模长,对多个聚类簇进行降序排列,并根据排列后的次序确定各聚类簇对应的等级。在获取到各个聚类簇对应的等级后,则可以将对应的等级作为筛选维度下的账户类别。
在本公开中,可以根据每个聚类簇中视频发布账户对应的特征向量的均值向量,确定该聚类簇对应的向量模长,进而基于各个聚类簇对应的向量模长,对筛选维度下的多个聚类簇排序,基于排序结果得到各聚类簇对应的等级,作为在筛选维度下的账户类别,能够通过量化的向量模长确定每个聚类簇对应的账户类别,为后续确定出与目标业务需求匹配的视频发布账户提供筛选基础。
在一示例性实施例中,在步骤S210中,所述获取用于在所述筛选维度下对视频作者进行分类的特征指标,可以包括:
获取用于在所述筛选维度下对视频发布账户进行分类的以下至少一种特征指标:第一类特征指标,第二类特征指标。
其中,第一类特征指标可以是表征视频发布账户的已发布作品的质量的特征指标,已发布作品可以包括直播视频作品或录播视频作品中的至少一种,作为一示例,第一特征指标可以包括以下至少一种:已发布作品对应的播放次数、互动数量、播放时长、新增订阅数;其中,根据已发布作品的类型不同,播放次数可以包括录播次数和直播次数,播放时长可以包括录播时长和直播时长;互动数量可以包括已发布作品对应的点赞数量、转发数量、评论数量;新增订阅数可以是在浏览已发布作品后,视频发布账户新增的订阅数量,例如观众在浏览视频后关注主播。
第二类特征指标可以是表征视频发布账户的活跃程度的特征指标,作为一示例,第二类特征指标可以包括以下至少一种:视频发布账户发布作品的发布频率、发布周期、发布数量、订阅数量(如粉丝数量)、互动次数。
在实际应用中,视频发布账户可用于发布作品,或者,视频作者通过该视频发布账户与观众进行互动,因此,对视频发布账户进行分类时,可以基于第一类特征指标或第二类特征指标,对视频发布账户进行描述和分类。在确定目标业务需求对应的筛选维度后,可以获取第一类特征指标或第二类特征指标,作为该筛选维度下用于对视频发布账户进行分类的特征指标。
具体例如,当目标业务需求为提高视频作品质量时,筛选维度可以为作品质量,则可以将播放次数、播放时长和点赞次数确定为该筛选维度对应的特征指标;当目标业务需求为提高视频发布账户的活跃度时,筛选维度可以为创作周期,则可以将发布频率、发布周期和发布数量,确定为该筛选维度下的特征指标;当目标业务需求为提高视频发布账户的作品发布数量时,筛选维度可以为创作频率,则可以将发布频率确定为对应的特征指标;当目标业务续期为增加视频发布账户的订阅数量时,筛选维度可以为订阅数增长幅度,则可以根据第二类特征指标确定该筛选维度下的特征指标;当筛选维度为直播活跃度时,则可以根据第二类特征指标中与直播视频关联的特征指标,确定为对应的特征指标。
在本公开中,通过获取第一类特征指标和第二类特征指标中的至少一种,作为在筛选维度下对视频发布账户进行分类的特征指标,可以提高视频发布账户的描述准确性,为后续确定出与目标业务需求匹配的视频发布账户提供基础。
在一示例性实施例中,当所述目标业务需求对应的筛选维度为多个筛选维度时,在步骤S230中,所述从所述多个聚类簇中,筛选出目标聚类簇,可以包括:
确定与所述目标业务需求匹配的各筛选维度下的目标账户类别;分别从各个筛选维度下的多个聚类簇中,获取所述目标账户类别对应的聚类簇,并基于多个筛选维度下获取到的聚类簇,得到目标聚类簇。
具体实现中,在获取到目标业务需求并确定目标业务需求对应的筛选维度后,可以确定各筛选维度下与目标业务需求相匹配的目标账户类别。例如,若目标业务需求为提高视频作品的作品质量,则其中一个筛选维度可以包括“作品质量”,该筛选维度下的目标账户类别可以是对应作品质量具有提升空间的账户类别,例如最低作品质量所对应的账户类别或者除最高作品质量以外的账户类别。在实际应用中,可以预先针对各目标业务需求设置对应的目标账户类别,也可以通过机器学习的方式预先训练识别模型,并通过识别模型确定目标业务需求对应的目标账户类别。
在确定各筛选维度下的目标账户类别后,可以每个筛选维度下的多个聚类簇中,获取目标账户类别对应的聚类簇,进而可以基于多个筛选维度下获取到的聚类簇,确定目标聚类簇。
在本公开中,可以确定与目标业务需求相匹配的各筛选维度下的目标账户类别,并分别从各个筛选维度下的多个聚类簇中,获取目标账户类别对应的聚类簇,并基于多个筛选维度下获取到的聚类簇,得到目标聚类簇,实现了目标聚类簇的快速筛选。
为了使本领域技术人员能够更好地理解上述步骤,以下通过一个例子对本公开实施例加以示例性说明,但应当理解的是,本公开实施例并不限于此。
如图4所示,在步骤S410中,响应于针对目标业务需求的账户筛选请求,可以确定与目标业务需求对应的筛选维度,以及获取用于在所述筛选维度下对视频发布账户进行分类的特征指标。
在步骤S420中,针对每个视频发布账户,获取该视频发布账户的多个特征指标各自对应的指标数据,得到多个指标数据,并将多个指标数据转换为特征向量。
在步骤S430中,基于多个视频发布账户各自对应的特征向量,生成特征矩阵,将特征矩阵输入到预设的聚类模型,以通过聚类模型和预设的聚类算法,将多个视频发布账户划分为预设数量的聚类簇。
在步骤S440中,根据每个聚类簇中视频发布账户对应的特征向量的均值向量,确定该聚类簇对应的向量模长。
在步骤S450中,基于各个聚类簇对应的向量模长,对筛选维度下的多个聚类簇排序,基于排序结果得到各聚类簇对应的等级,作为在对应筛选维度下的账户类别。
在步骤S460中,确定与目标业务需求匹配的各筛选维度下的目标账户类别。
在步骤S470中,分别从各个筛选维度下的多个聚类簇中,获取目标账户类别对应的聚类簇,并基于多个筛选维度下获取到的聚类簇,得到目标聚类簇。由此,可以根据目标业务需求获取对应等级的账户类别。
在步骤S480中,基于目标聚类簇中的视频发布账户,确定目标业务需求对应的目标视频发布账户。
应该理解的是,虽然图2-图4的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2-图4中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
可以理解的是,本说明书中上述方法的各个实施例之间相同/相似的部分可互相参见,每个实施例重点说明的是与其他实施例的不同之处,相关之处参见其他方法实施例的说明即可。
图5是根据一示例性实施例示出的一种视频发布账户筛选装置框图。参照图5,该装置包括指标获取单元501,账户类别确定单元502、目标聚类簇获取单元503和账户筛选单元504。
指标获取单元501,被配置为执行响应于针对目标业务需求的账户筛选请求,确定与所述目标业务需求对应的筛选维度,以及获取用于在所述筛选维度下对视频发布账户进行分类的特征指标;
账户类别确定单元502,被配置为执行根据多个视频发布账户的所述特征指标的指标数据,对所述多个视频发布账户在所述筛选维度下进行聚类,得到多个聚类簇,并确定每个聚类簇在所述筛选维度下对应的账户类别;
目标聚类簇获取单元503,被配置为执行从所述多个聚类簇中,筛选出目标聚类簇;所述目标聚类簇的账户类别与所述目标业务需求相匹配;
账户筛选单元504,被配置为执行基于所述目标聚类簇中的视频发布账户,确定所述目标业务需求对应的目标视频发布账户。
在一示例性实施例中,当所述筛选维度下对视频发布账户进行分类的特征指标为多个时,所述装置还包括:
特征向量获取单元,被配置为执行针对每个视频发布账户,获取所述视频发布账户的多个特征指标各自对应的指标数据,得到多个指标数据,将所述多个指标数据分别转换为特征向量;
所述账户类别确定单元,包括:
向量分析模块,被配置为执行基于多个视频发布账户的所述特征向量,对所述多个视频发布账户在所述筛选维度下进行聚类。
在一示例性实施例中,所述向量分析模块,包括:
矩阵生成模块,被配置为执行基于多个视频发布账户各自对应的特征向量,生成特征矩阵;
聚类模块,被配置为执行基于所述特征矩阵和K均值聚类原则,将所述多个视频发布账户划分为预设数量的聚类簇。
在一示例性实施例中,所述聚类模块,包括:
聚类中心向量确定模块,被配置为执行从所述特征矩阵中随机获取预设数量的特征向量,作为所述预设数量的聚类簇各自对应的聚类中心向量;
划分模块,被配置为执行针对每个视频发布账户,获取所述视频发布账户对应的特征向量与各个聚类中心向量的距离,并根据所述距离,将所述视频发布账户划分到对应的聚类簇;
聚类簇确定模块,被配置为执行基于当前每个聚类簇中各个视频发布账户的特征向量,重新确定每个聚类簇对应的聚类中心向量,并调用所述划分模块,直到满足迭代结束条件,得到预设数量的多个聚类簇。
在一示例性实施例中,所述账户类别确定单元,包括:
模长确定模块,被配置为执行根据每个聚类簇中视频发布账户对应的特征向量的均值向量,确定该聚类簇对应的向量模长;
排序模块,被配置为执行基于各个聚类簇对应的向量模长,对所述筛选维度下的多个聚类簇排序,基于排序结果得到各聚类簇对应的等级,作为在所述筛选维度下的账户类别。
在一示例性实施例中,所述指标获取单元,包括:
特征指标组合模块,被配置为执行获取用于在所述筛选维度下对视频发布账户进行分类的以下至少一种特征指标:
第一类特征指标;所述第一类特征指标为表征视频发布账户的已发布作品的质量的特征指标;
第二类特征指标;所述第二类特征指标为表征视频发布账户的活跃程度的特征指标。
在一示例性实施例中,当所述目标业务需求对应的筛选维度为多个筛选维度时,所述目标聚类簇获取单元,包括:
目标账户类别确定模块,被配置为执行确定与所述目标业务需求匹配的各筛选维度下的目标账户类别;
账户类别筛选模块,被配置为执行分别从各个筛选维度下的多个聚类簇中,获取所述目标账户类别对应的聚类簇,并基于多个筛选维度下获取到的聚类簇,得到目标聚类簇。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
图6是根据一示例性实施例示出的一种用于执行视频发布账户筛选方法的电子设备600的框图。例如,电子设备600可以为服务器。参照图6,电子设备600包括处理组件620,其进一步包括一个或多个处理器,以及由存储器622所代表的存储器资源,用于存储可由处理组件620的执行的指令,例如应用程序。存储器622中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外,处理组件620被配置为执行指令,以执行上述方法。
电子设备600还可以包括:电源组件624被配置为执行电子设备600的电源管理,有线或无线网络接口626被配置为将电子设备600连接到网络,和输入输出(I/O)接口628。电子设备600可以操作基于存储在存储器622的操作系统,例如Window5 5erver,Mac O5 X,Unix,Linux,FreeB5D或类似。
在示例性实施例中,还提供了一种包括指令的计算机可读存储介质,例如包括指令的存储器622,上述指令可由电子设备600的处理器执行以完成上述方法。存储介质可以是计算机可读存储介质,例如,所述计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
在示例性实施例中,还提供一种计算机程序产品,所述计算机程序产品中包括指令,上述指令可由电子设备600的处理器执行以完成上述方法。
需要说明的,上述的装置、电子设备、计算机可读存储介质、计算机程序产品等根据方法实施例的描述还可以包括其他的实施方式,具体的实现方式可以参照相关方法实施例的描述,在此不作一一赘述。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其它实施方案。本公开旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由权利要求指出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
Claims (10)
1.一种视频发布账户筛选方法,其特征在于,包括:
响应于针对目标业务需求的账户筛选请求,确定与所述目标业务需求对应的筛选维度,以及获取用于在所述筛选维度下对视频发布账户进行分类的特征指标;
根据多个视频发布账户的所述特征指标的指标数据,对所述多个视频发布账户在所述筛选维度下进行聚类,得到多个聚类簇,并确定每个聚类簇在所述筛选维度下对应的账户类别;
从所述多个聚类簇中,筛选出目标聚类簇;所述目标聚类簇的账户类别与所述目标业务需求相匹配;
基于所述目标聚类簇中的视频发布账户,确定所述目标业务需求对应的目标视频发布账户。
2.根据权利要求1所述的方法,其特征在于,当所述筛选维度下对视频发布账户进行分类的特征指标为多个时,所述获取用于在所述筛选维度下对视频发布账户进行分类的特征指标之后,还包括:
针对每个视频发布账户,获取所述视频发布账户的多个特征指标各自对应的指标数据,得到多个指标数据,将所述多个指标数据分别转换为特征向量;
所述根据多个视频发布账户的所述特征指标的指标数据,对所述多个视频发布账户在所述筛选维度下进行聚类,包括:
基于多个视频发布账户的所述特征向量,对所述多个视频发布账户在所述筛选维度下进行聚类。
3.根据权利要求2所述的方法,其特征在于,所述基于多个视频发布账户的所述特征向量,对所述多个视频发布账户在所述筛选维度下进行聚类,包括:
基于多个视频发布账户各自对应的特征向量,生成特征矩阵;
基于所述特征矩阵和K均值聚类原则,将所述多个视频发布账户划分为预设数量的聚类簇。
4.根据权利要求3所述的方法,其特征在于,所述基于所述特征矩阵和K均值聚类原则,将所述多个视频发布账户划分为预设数量的多个聚类簇,包括:
从所述特征矩阵中随机获取预设数量的特征向量,作为所述预设数量的聚类簇各自对应的聚类中心向量;
针对每个视频发布账户,获取所述视频发布账户对应的特征向量与各个聚类中心向量的距离,并根据所述距离,将所述视频发布账户划分到对应的聚类簇;
基于当前每个聚类簇中各个视频发布账户的特征向量,重新确定每个聚类簇对应的聚类中心向量,并返回所述针对每个视频发布账户,获取所述视频发布账户对应的特征向量与各个聚类中心向量的距离的步骤,直到满足迭代结束条件,得到预设数量的多个聚类簇。
5.根据权利要求2所述的方法,其特征在于,所述确定每个聚类簇在所述筛选维度下对应的账户类别,包括:
根据每个聚类簇中视频发布账户对应的特征向量的均值向量,确定所述聚类簇对应的向量模长;
基于各个聚类簇对应的向量模长,对所述筛选维度下的多个聚类簇排序,基于排序结果得到各聚类簇对应的等级,作为在所述筛选维度下的账户类别。
6.根据权利要求1所述的方法,其特征在于,所述获取用于在所述筛选维度下对视频作者进行分类的特征指标,包括:
获取用于在所述筛选维度下对视频发布账户进行分类的以下至少一种特征指标:
第一类特征指标;所述第一类特征指标为表征视频发布账户的已发布作品的质量的特征指标;
第二类特征指标;所述第二类特征指标为表征视频发布账户的活跃程度的特征指标。
7.一种视频发布账户筛选装置,其特征在于,包括:
指标获取单元,被配置为执行响应于针对目标业务需求的账户筛选请求,确定与所述目标业务需求对应的筛选维度,以及获取用于在所述筛选维度下对视频发布账户进行分类的特征指标;
账户类别确定单元,被配置为执行根据多个视频发布账户的所述特征指标的指标数据,对所述多个视频发布账户在所述筛选维度下进行聚类,得到多个聚类簇,并确定每个聚类簇在所述筛选维度下对应的账户类别;
目标聚类簇获取单元,被配置为执行从所述多个聚类簇中,筛选出目标聚类簇;所述目标聚类簇的账户类别与所述目标业务需求相匹配;
账户筛选单元,被配置为执行基于所述目标聚类簇中的视频发布账户,确定所述目标业务需求对应的目标视频发布账户。
8.一种服务器,其特征在于,包括:
处理器;
用于存储所述处理器可执行指令的存储器;
其中,所述处理器被配置为执行所述指令,以实现如权利要求1至6中任一项所述的视频发布账户筛选方法。
9.一种计算机可读存储介质,其特征在于,当所述计算机可读存储介质中的指令由服务器的处理器执行时,使得所述服务器能够执行如权利要求1至6中任一项所述的视频发布账户筛选方法。
10.一种计算机程序产品,所述计算机程序产品中包括指令,其特征在于,所述指令被服务器的处理器执行时,使得所述服务器能够执行如权利要求1至6任一项所述的视频发布账户筛选方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111556423.8A CN114268839A (zh) | 2021-12-17 | 2021-12-17 | 视频发布账户筛选方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111556423.8A CN114268839A (zh) | 2021-12-17 | 2021-12-17 | 视频发布账户筛选方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114268839A true CN114268839A (zh) | 2022-04-01 |
Family
ID=80827889
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111556423.8A Pending CN114268839A (zh) | 2021-12-17 | 2021-12-17 | 视频发布账户筛选方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114268839A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7376034B1 (ja) | 2023-05-11 | 2023-11-08 | 17Live株式会社 | サーバ、方法及びコンピュータプログラム |
CN117235654A (zh) * | 2023-11-15 | 2023-12-15 | 中译文娱科技(青岛)有限公司 | 一种人工智能的数据智能处理方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110737859A (zh) * | 2019-09-09 | 2020-01-31 | 苏宁云计算有限公司 | 一种up主匹配方法及装置 |
CN112364202A (zh) * | 2020-11-06 | 2021-02-12 | 上海众源网络有限公司 | 视频推荐方法、装置及电子设备 |
CN112434174A (zh) * | 2020-11-23 | 2021-03-02 | 腾讯科技(深圳)有限公司 | 多媒体信息的发布账号的识别方法、装置、设备及介质 |
US20210385506A1 (en) * | 2020-01-22 | 2021-12-09 | Beijing Dajia Internet Information Technology Co., Ltd. | Method and electronic device for assisting live streaming |
-
2021
- 2021-12-17 CN CN202111556423.8A patent/CN114268839A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110737859A (zh) * | 2019-09-09 | 2020-01-31 | 苏宁云计算有限公司 | 一种up主匹配方法及装置 |
US20210385506A1 (en) * | 2020-01-22 | 2021-12-09 | Beijing Dajia Internet Information Technology Co., Ltd. | Method and electronic device for assisting live streaming |
CN112364202A (zh) * | 2020-11-06 | 2021-02-12 | 上海众源网络有限公司 | 视频推荐方法、装置及电子设备 |
CN112434174A (zh) * | 2020-11-23 | 2021-03-02 | 腾讯科技(深圳)有限公司 | 多媒体信息的发布账号的识别方法、装置、设备及介质 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7376034B1 (ja) | 2023-05-11 | 2023-11-08 | 17Live株式会社 | サーバ、方法及びコンピュータプログラム |
CN117235654A (zh) * | 2023-11-15 | 2023-12-15 | 中译文娱科技(青岛)有限公司 | 一种人工智能的数据智能处理方法及系统 |
CN117235654B (zh) * | 2023-11-15 | 2024-03-22 | 中译文娱科技(青岛)有限公司 | 一种人工智能的数据智能处理方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110198310B (zh) | 一种网络行为反作弊方法、装置及存储介质 | |
CN105022761B (zh) | 群组查找方法和装置 | |
CN114268839A (zh) | 视频发布账户筛选方法、装置、电子设备及存储介质 | |
CN108304432B (zh) | 信息推送处理方法、信息推送处理装置及存储介质 | |
CN111931809A (zh) | 数据的处理方法、装置、存储介质及电子设备 | |
CN110866249A (zh) | 一种动态检测恶意代码的方法、装置及电子设备 | |
CN106294406B (zh) | 一种用于处理应用访问数据的方法与设备 | |
CN112668632A (zh) | 一种数据处理方法、装置、计算机设备及存储介质 | |
CN111241381A (zh) | 信息推荐方法、装置、电子设备及计算机可读存储介质 | |
CN111444930B (zh) | 一种确定二分类模型的预测效果的方法及装置 | |
CN113301017B (zh) | 基于联邦学习的攻击检测与防御方法、装置及存储介质 | |
CN114245185A (zh) | 视频推荐方法、模型训练方法、装置、电子设备及介质 | |
CN113098912A (zh) | 用户账户异常的识别方法、装置、电子设备及存储介质 | |
CN113158022A (zh) | 业务推荐方法、装置、服务器及存储介质 | |
CN112115281A (zh) | 数据检索方法、装置及存储介质 | |
CN111683280A (zh) | 视频处理方法、装置及电子设备 | |
US11087045B1 (en) | Apparatus and method for option data object performance prediction and modeling | |
CN111368858A (zh) | 用户满意度评估方法及装置 | |
CN114329055A (zh) | 搜索推荐方法及推荐装置、电子设备、存储介质 | |
CN113901261A (zh) | 异常对象集群的定位方法和装置、电子设备和存储介质 | |
CN111859141A (zh) | 内容推送方法、装置、服务器及存储介质 | |
CN109947803B (zh) | 一种数据处理方法、系统及存储介质 | |
CN111611973A (zh) | 目标用户识别的方法、装置及存储介质 | |
CN113259495A (zh) | 一种基于区块链的新闻定点投放方法、系统和可读存储介质 | |
Borges et al. | A probabilistic model for recommending music based on acoustic features and social data |
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 |