CN114925234A - 数据处理方法、装置、电子设备、存储介质 - Google Patents
数据处理方法、装置、电子设备、存储介质 Download PDFInfo
- Publication number
- CN114925234A CN114925234A CN202210597769.0A CN202210597769A CN114925234A CN 114925234 A CN114925234 A CN 114925234A CN 202210597769 A CN202210597769 A CN 202210597769A CN 114925234 A CN114925234 A CN 114925234A
- Authority
- CN
- China
- Prior art keywords
- user
- interaction
- data processing
- anchor
- attribute
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 18
- 230000003993 interaction Effects 0.000 claims abstract description 139
- 238000012545 processing Methods 0.000 claims abstract description 127
- 230000002452 interceptive effect Effects 0.000 claims abstract description 40
- 238000000034 method Methods 0.000 claims abstract description 29
- 238000004590 computer program Methods 0.000 claims abstract description 7
- 238000012549 training Methods 0.000 claims description 65
- 230000004927 fusion Effects 0.000 claims description 12
- 239000013598 vector Substances 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 238000007499 fusion processing Methods 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007726 management method 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
Classifications
-
- 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
- G06F16/73—Querying
- G06F16/735—Filtering based on additional data, e.g. user or group profiles
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Library & Information Science (AREA)
- Information Transfer Between Computers (AREA)
Abstract
本公开关于一种数据处理方法、装置、电子设备、存储介质和计算机程序产品,所述方法包括:在检测到用户进入虚拟空间的情况下,获取所述用户的用户标识对应的用户属性特征、所述虚拟空间的主播标识对应的主播属性特征,以及所述用户标识与所述主播标识之间的互动特征;将所述用户属性特征、所述主播属性特征和所述互动特征输入至预训练的特征数据处理模型,获得所述用户标识针对目标资源提交交互请求的数量信息;所述目标资源为所述虚拟空间提供的资源。采用本方法能够准确获取针对目标资源提交交互请求的数量信息,提升了数据处理效率。
Description
技术领域
本公开涉及计算机技术领域,尤其涉及一种数据处理方法、装置、电子设备、存储介质和计算机程序产品。
背景技术
随着短视频平台的发展,资源提供方可以通过短视频平台进行资源推广。针对大部分资源提供方,其会将资源推广后的资源交互请求数据作为优化目标,以获知资源推广后流量的最终转化效率。
但采用传统方法对获取资源提交交互请求的数量信息的准确率低,无法真实体现资源推广后流量的最终转化效率,影响资源提供方获知资源推广的实际情况。
发明内容
本公开提供一种数据处理方法、装置、电子设备、存储介质和计算机程序产品,以至少解决相关技术中存在获取资源交互结果不准确的问题。本公开的技术方案如下:
根据本公开实施例的第一方面,提供一种数据处理方法,包括:
在检测到用户进入虚拟空间的情况下,获取所述用户的用户标识对应的用户属性特征、所述虚拟空间的主播标识对应的主播属性特征,以及所述用户标识与所述主播标识之间的互动特征;
将所述用户属性特征、所述主播属性特征和所述互动特征输入至预训练的特征数据处理模型,获得所述用户标识针对目标资源提交交互请求的数量信息;所述目标资源为所述虚拟空间提供的资源。
在一种可能实现方式中,所述将所述用户属性特征、所述主播属性特征和所述互动特征输入至预训练的特征数据处理模型,获得所述用户标识针对目标资源提交交互请求的数量信息,包括:
将所述用户属性特征、所述主播属性特征和所述互动特征输入至预训练的特征数据处理模型,得到所述预训练的特征数据处理模型输出的多分类处理结果;所述多分类处理结果包括不同的设定次数对应的概率值;所述设定次数用于表征提交针对所述目标资源的交互请求的次数;
根据多个所述概率值,得到所述用户标识针对目标资源提交交互请求的数量信息。
在一种可能实现方式中,所述根据多个所述概率值,得到所述用户标识针对目标资源提交交互请求的数量信息,包括:
确定各所述设定次数对应的概率值;所述设定次数包括提交所述交互请求的次数为至少两次;
将各所述设定次数与其对应的概率值的乘积值进行叠加,得到所述数量信息。
在一种可能实现方式中,所述根据多个所述概率值,得到所述用户标识针对目标资源提交交互请求的数量信息,包括:
从各所述设定次数对应的概率值中确定最大概率值;
将所述最大概率值对应的设定次数,作为所述数量信息。
在一种可能实现方式中,在所述获取所述用户的用户标识对应的用户属性特征、所述虚拟空间的主播标识对应的主播属性特征,以及所述用户标识与所述主播标识之间的互动特征的步骤之前,还包括:
检测所述用户进入所述虚拟空间的时长;
若所述时长大于预设的时长阈值,则执行获取所述用户的用户标识对应的用户属性特征、所述虚拟空间的主播标识对应的主播属性特征,以及所述用户标识与所述主播标识之间的互动特征的步骤。
在一种可能实现方式中,所述将所述用户属性特征、所述主播属性特征和所述互动特征输入至预训练的特征数据处理模型,获得所述用户标识针对目标资源提交交互请求的数量信息,包括:
对所述用户属性特征、所述主播属性特征和所述互动特征进行融合处理,得到融合特征;
将所述融合特征输入至预训练的特征数据处理模型,获得所述用户标识针对目标资源提交交互请求的数量信息。
在一种可能实现方式中,在所述将所述用户属性特征、所述主播属性特征和所述互动特征输入至预训练的特征数据处理模型,获得所述用户标识针对目标资源提交交互请求的数量信息的步骤之后,还包括:
发送所述用户标识针对目标资源提交交互请求的数量信息至所述目标资源的提供方标识。
在一种可能实现方式中,在所述将所述用户属性特征、所述主播属性特征和所述互动特征输入至预训练的特征数据处理模型,获得所述用户标识针对目标资源提交交互请求的数量信息的步骤之前,还包括:
获取训练样本集合;每个所述训练样本包括样本用户标识对应的用户属性样本特征、样本虚拟空间的样本主播标识对应的主播属性样本特征、所述样本用户标识与所述样本主播标识之间的互动样本特征;所述训练样本具有对应的标签值;所述标签值用于表征所述样本用户标识针对所述样本虚拟空间提供的资源提交交互请求的数量信息;
基于所述用户样本属性特征、所述主播属性样本特征、所述互动样本特征,以及所述标签值,对待训练的特征数据处理模型进行训练,得到所述预训练的特征数据处理模型。
在一种可能实现方式中,所述获取训练样本集合,包括:
将大于或等于预设阈值的所述标签值对应的训练样本进行合并,得到合并后训练样本;所述合并后训练样本对应的标签值为所述预设阈值;
将所述合并后训练样本添加至所述训练样本集合中。
根据本公开实施例的第二方面,提供一种数据处理装置,包括:
特征数据获取单元,被配置为执行在检测到用户进入虚拟空间的情况下,获取所述用户的用户标识对应的用户属性特征、所述虚拟空间的主播标识对应的主播属性特征,以及所述用户标识与所述主播标识之间的互动特征;
特征数据处理单元,被配置为执行将所述用户属性特征、所述主播属性特征和所述互动特征输入至预训练的特征数据处理模型,获得所述用户标识针对目标资源提交交互请求的数量信息;所述目标资源为所述虚拟空间提供的资源。
在一种可能实现方式中,所述特征数据处理单元,具体被配置为执行将所述用户属性特征、所述主播属性特征和所述互动特征输入至预训练的特征数据处理模型,得到所述预训练的特征数据处理模型输出的多分类处理结果;所述多分类处理结果包括不同的设定次数对应的概率值;所述设定次数用于表征提交针对所述目标资源的交互请求的次数;根据多个所述概率值,得到所述用户标识针对目标资源提交交互请求的数量信息。
在一种可能实现方式中,所述特征数据处理单元,具体被配置为执行确定各所述设定次数对应的概率值;所述设定次数包括提交所述交互请求的次数为至少两次;将各所述设定次数与其对应的概率值的乘积值进行叠加,得到所述数量信息。
在一种可能实现方式中,所述特征数据处理单元,具体被配置为执行从各所述设定次数对应的概率值中确定最大概率值;将所述最大概率值对应的设定次数,作为所述数量信息。
在一种可能实现方式中,所述数据处理装置,还包括:
时长检测单元,被配置为执行检测所述用户进入所述虚拟空间的时长;
执行单元,被配置为执行若所述时长大于预设的时长阈值,则执行获取所述用户的用户标识对应的用户属性特征、所述虚拟空间的主播标识对应的主播属性特征,以及所述用户标识与所述主播标识之间的互动特征的步骤。
在一种可能实现方式中,所述特征数据处理单元,具体被配置为执行对所述用户属性特征、所述主播属性特征和所述互动特征进行融合处理,得到融合特征;将所述融合特征输入至预训练的特征数据处理模型,获得所述用户标识针对目标资源提交交互请求的数量信息。
在一种可能实现方式中,所述数据处理装置,还包括:
数量信息发送单元,被配置为执行发送所述用户标识针对目标资源提交交互请求的数量信息至所述目标资源的提供方标识。
在一种可能实现方式中,所述数据处理装置,还包括:
训练样本获取单元,被配置为执行获取训练样本集合;每个所述训练样本包括样本用户标识对应的用户属性样本特征、样本虚拟空间的样本主播标识对应的主播属性样本特征、所述样本用户标识与所述样本主播标识之间的互动样本特征;所述训练样本具有对应的标签值;所述标签值用于表征所述样本用户标识针对所述样本虚拟空间提供的资源提交交互请求的数量信息;
模型训练单元,被配置为执行基于所述用户样本属性特征、所述主播属性样本特征、所述互动样本特征,以及所述标签值,对待训练的特征数据处理模型进行训练,得到所述预训练的特征数据处理模型。
在一种可能实现方式中,所述训练样本获取单元,具体还被配置为执行将大于或等于预设阈值的所述标签值对应的训练样本进行合并,得到合并后训练样本;所述合并后训练样本对应的标签值为所述预设阈值;将所述合并后训练样本添加至所述训练样本集合中。
根据本公开实施例的第三方面,提供一种电子设备,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,以实现如上述任一项所述的数据处理方法。
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电子设备的处理器执行时,使得所述电子设备能够执行如上述任一项所述的数据处理方法。
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,所述指令被电子设备的处理器执行时,使得所述电子设备能够执行如上述任一项所述的数据处理方法。
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,通过在检测到用户进入虚拟空间的情况下,获取用户的用户标识对应的用户属性特征、虚拟空间的主播标识对应的主播属性特征,以及用户标识与主播标识之间的互动特征,进而将用户属性特征、主播属性特征和互动特征输入至预训练的特征数据处理模型,获得用户标识针对目标资源提交交互请求的数量信息,目标资源为虚拟空间提供的资源。如此,可以当用户进入虚拟空间时获取用户属性特征、主播属性特征和互动特征,进而确定针对目标资源提交交互请求的数量信息,能够准确获取针对目标资源提交交互请求的数量信息,提升了数据处理效率。
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数据处理方法的流程图。
图2是根据一示例性实施例示出的一种交互数据处理流程的示意图。
图3是根据一示例性实施例示出的一种特征数据处理模型构建步骤的流程图。
图4是根据一示例性实施例示出的另一种数据处理方法的流程图。
图5是根据一示例性实施例示出的一种数据处理装置的框图。
图6是根据一示例性实施例示出的一种电子设备的内部结构图。
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。
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。
图1是根据一示例性实施例示出的一种数据处理方法的流程图,如图1所示,该方法可以用于服务器等计算机设备中,包括以下步骤。
在步骤S110中,在检测到用户进入虚拟空间的情况下,获取用户的用户标识对应的用户属性特征、虚拟空间的主播标识对应的主播属性特征,以及用户标识与主播标识之间的互动特征;
其中,虚拟空间可以为用于资源推广的直播间,例如,基于资源提供方需求进行资源推广过程中,可以通过直播间提供目标资源以进行推广,进而可以向进入该直播间观看直播的用户推荐目标资源;用户标识可以为进入资源推广直播间的用户对应的标识;主播标识可以为资源推广直播间中的主播对应的标识。
作为一示例,用户属性特征可以包括进入虚拟空间的用户标识对应的性别、年龄、所在城市、学历,该用户标识访问资源交互空间的作者列表、该用户标识两周内观看的直播标签、该用户标识一周内观看的直播作者列表、该用户标识送礼物的直播作者列表等,在本实施例中不作具体限制。
作为一示例,主播属性特征可以包括虚拟空间的主播对应的粉丝数量、视频更新频率、发布的总视频数,该主播对应的直播间标识、直播封面地址、平均直播时长,以及平台的相关展示页面中该主播对应的平均礼物数量、平均观看时长等,在本实施例中不作具体限制。
作为一示例,互动特征可以包括进入虚拟空间的用户标识观看直播的时长、该用户标识是否关注虚拟空间的主播、该用户标识是否对该主播的历史视频进行点赞、该用户标识观看主播短视频的总时长、该用户标识是否购买过该主播售卖的商品、该用户标识是否访问过该主播的资源交互空间、该用户标识是否将该主播的资源交互空间中的商品加入过购物车等,在本实施例中不作具体限制。
在实际应用中,可以在检测到用户进入虚拟空间的情况下,获取该用户的用户标识对应的用户属性特征、虚拟空间的主播标识对应的主播属性特征,以及用户标识与主播标识之间的互动特征,以进一步根据获取的多个特征数据对资源推广后针对目标资源提交交互请求的数量信息进行预测。
具体地,可以针对进入资源推广直播间的用户,根据用户侧特征、视频侧特征、用户标识和视频之间的交互特征(即用户属性特征、主播属性特征、互动特征),通过将多个特征输入模型,以对数据进行向量化处理得到特征向量,进而可以得到模型输出的多分类处理结果,如可以预测出用户标识从进入直播间至产生针对目标资源提交交互请求的概率。
在步骤S120中,将用户属性特征、主播属性特征和互动特征输入至预训练的特征数据处理模型,获得用户标识针对目标资源提交交互请求的数量信息;目标资源为虚拟空间提供的资源。
其中,预训练的特征数据处理模型可以为多分类数据处理模型,如对用户标识针对目标资源提交交互请求的数量信息进行多分类建模后得到的数据处理模型,该数据处理模型输出的数据可以为0、1、2三分类的处理结果。
在得到用户属性特征、主播属性特征和互动特征后,可以将多个特征输入至预训练的特征数据处理模型,进而可以基于该预训练的特征数据处理模型输出的多分类处理结果,确定用户标识针对虚拟空间提供的目标资源提交交互请求的数量信息。
例如,通过针对数据流升级、模型建模升级、特征升级等方面进行模型优化,可以得到预训练的特征数据处理模型,进而可以根据用户属性特征、主播属性特征和互动特征,针对进入资源推广直播间的用户标识确定其对目标资源提交交互请求的数量信息,如可以预测出用户针对目标资源提交交互请求的次数,提升了模型处理准确率。
在一示例中,资源提供方通过平台进行资源推广后,用户可以在平台中完成资源交互请求行为,即进行商品购买,可以将资源交互请求数据作为优化目标,以获知资源推广后流量的最终转化效率。从而针对平台,通过提高对用户获取资源提交交互请求的数量信息的预测准确率,有利于提升流量的最终转化效率,以使资源提供方能够准确获知其ROI(Return On Investment)投入产出比。
相较于传统方法本实施例的技术方案,可以将资源交互请求数据优化目标的建模方式从预测是否有订单支付的概率升级为预测不同订单支付次数的概率,从而通过在模型中构建不同购买次数上的差异,能够体现出用户的多次购买行为,有利于优质流量的获取。
上述数据处理方法中,通过在检测到用户进入虚拟空间的情况下,获取用户的用户标识对应的用户属性特征、虚拟空间的主播标识对应的主播属性特征,以及用户标识与主播标识之间的互动特征,进而将用户属性特征、主播属性特征和互动特征输入至预训练的特征数据处理模型,获得用户标识针对目标资源提交交互请求的数量信息,目标资源为虚拟空间提供的资源。如此,可以当用户进入虚拟空间时获取用户属性特征、主播属性特征和互动特征,进而确定针对目标资源提交交互请求的数量信息,能够准确获取针对目标资源提交交互请求的数量信息,提升了数据处理效率。
在一示例性实施例中,将用户属性特征、主播属性特征和互动特征输入至预训练的特征数据处理模型,获得用户标识针对目标资源提交交互请求的数量信息,包括:将用户属性特征、主播属性特征和互动特征输入至预训练的特征数据处理模型,得到预训练的特征数据处理模型输出的多分类处理结果;多分类处理结果包括不同的设定次数对应的概率值;设定次数用于表征提交针对目标资源的交互请求的次数;根据多个概率值,得到用户标识针对目标资源提交交互请求的数量信息。
在具体实现中,可以根据用户属性特征、主播属性特征和互动特征,基于预训练的特征数据处理模型对用户针对目标资源提交交互请求进行预测,进而可以根据预训练的特征数据处理模型输出的多分类预测结果,确定进入资源推广直播间的用户标识针对目标资源提交交互请求的数量信息。
例如,预训练的特征数据处理模型输出的多分类处理结果可以为0、1、2三分类的处理结果,其可以包括不同的设定次数(如0、1、2)对应的概率值,进而可以根据多个概率值确定针对目标资源提交交互请求的数量信息。
在一示例中,如图2所示,基于预训练的特征数据处理模型,通过输入多个特征(即用户属性特征、主播属性特征和互动特征),可以对特征数据进行向量化处理得到特征向量,如可以将input embeds向量(如图2中的输入特征)输入至2个全连接神经网络层,其中,第1个全连接神经网络层有512个神经元,第2个全连接神经网络层有256个神经元,然后可以得到share bottom向量(如图2中共享的底层向量);进而可以将处理后的特征向量输入至不同的6个全连接神经网络层,每一层有512个神经元,可以得到预训练的特征数据处理模型输出的多分类处理结果paycnt(如图2中用户的购买次数),还可以输出其它结果,包括follow(如图2中用户关注了主播)、goods_view(如图2中用户已进行商品浏览)。
在一个可选实施例中,针对多分类处理结果,可以保留购买次数为0、1、2三分类,即可以将大于2次的数量信息合并至设定次数为2的分类处理结果中,进而得到的0、1、2三分类处理结果可以分别表征用户未针对目标资源提交交互请求、用户具有一次针对目标资源提交交互请求、用户具有至少两次针对目标资源提交交互请求。
本实施例的技术方案,通过将用户属性特征、主播属性特征和互动特征输入至预训练的特征数据处理模型,得到预训练的特征数据处理模型输出的多分类处理结果,进而根据多个概率值,得到用户标识针对目标资源提交交互请求的数量信息,可以基于多分类处理结果确定数量信息,能够准确得到用户标识针对目标资源提交交互请求的次数。
在一示例性实施例中,根据多个概率值,得到用户标识针对目标资源提交交互请求的数量信息,包括:确定各设定次数对应的概率值;设定次数包括提交交互请求的次数为至少两次;将各设定次数与其对应的概率值的乘积值进行叠加,得到数量信息。
在具体实现中,可以根据多个概率值确定数量信息,如通过确定各设定次数0、1、2对应的概率值,进而可以将各设定次数与其对应的概率值的乘积值进行叠加,得到数量信息,可以采用如下方式计算得到数量信息:
E=p0*0+p1*1+p2*2
其中,E可以为用户购买次数的期望(即数量信息),p0为用户购买0次的概率(即设定次数0对应的概率值),p1为用户购买1次的概率(即设定次数1对应的概率值),p2为用户购买大于或等于2次的概率(即设定次数2对应的概率值)。
本实施例的技术方案,通过确定各设定次数对应的概率值,进而将各设定次数与其对应的概率值的乘积值进行叠加,得到数量信息,提升了获取针对目标资源提交交互请求的数量信息的准确率。
在一示例性实施例中,根据多个概率值,得到用户标识针对目标资源提交交互请求的数量信息,包括:从各设定次数对应的概率值中确定最大概率值;将最大概率值对应的设定次数,作为数量信息。
在具体实现中,可以根据多个概率值确定数量信息,如可以确定各设定次数0、1、2对应的概率值,然后通过概率值对比,可以从各设定次数对应的概率值中确定最大概率值,进而可以将最大概率值对应的设定次数,作为数量信息。
例如,通过对比用户购买0次的概率(即设定次数0对应的概率值)、用户购买1次的概率(即设定次数1对应的概率值)、用户购买大于或等于2次的概率(即设定次数2对应的概率值),可以将最大概率对应的设定次数作为数量信息。
本实施例的技术方案,通过从各设定次数对应的概率值中确定最大概率值,进而将最大概率值对应的设定次数,作为数量信息,能够有效体现出资源推广后针对目标资源提交交互请求的次数。
在一示例性实施例中,在获取用户的用户标识对应的用户属性特征、虚拟空间的主播标识对应的主播属性特征,以及用户标识与主播标识之间的互动特征的步骤之前,还包括:检测用户进入虚拟空间的时长;若时长大于预设的时长阈值,则执行获取用户的用户标识对应的用户属性特征、虚拟空间的主播标识对应的主播属性特征,以及用户标识与主播标识之间的互动特征的步骤。
在实际应用中,可以检测用户进入虚拟空间的时长,进而可以基于预设的时长阈值进行判定,若时长大于预设的时长阈值时,则可以执行获取该用户的用户标识对应的用户属性特征、虚拟空间的主播标识对应的主播属性特征,以及用户标识与主播标识之间的互动特征的步骤。
具体地,为了有效获取用户标识针对目标资源提交交互请求的数量信息,可以通过数据切分点对齐,将切分点调整为进入资源推广直播间(即虚拟空间),如可以将切分点从“直播间播放3秒”调整为“进入直播间”,进而可以使得预训练的特征数据处理模型预测出用户从进入直播间至产生针对目标资源提交交互请求的概率。
本实施例的技术方案,通过检测用户进入虚拟空间的时长,若时长大于预设的时长阈值,则执行获取用户的用户标识对应的用户属性特征、虚拟空间的主播标识对应的主播属性特征,以及用户标识与主播标识之间的互动特征的步骤,可以通过数据切分点对齐,有助于准确获取数量信息。
在一示例性实施例中,将用户属性特征、主播属性特征和互动特征输入至预训练的特征数据处理模型,获得用户标识针对目标资源提交交互请求的数量信息;目标资源为虚拟空间提供的资源,包括:对用户属性特征、主播属性特征和互动特征进行融合处理,得到融合特征;将融合特征输入至预训练的特征数据处理模型,获得用户标识针对目标资源提交交互请求的数量信息。
在一示例中,在得到用户属性特征、主播属性特征和互动特征后,可以对多个特征进行融合处理得到融合特征,进而可以将融合特征输入至预训练的特征数据处理模型,获得用户标识针对目标资源提交交互请求的数量信息,例如,如图2所示,可以将用户属性特征、主播属性特征和互动特征融合后得到的融合特征,作为输入特征。
本实施例的技术方案,通过对用户属性特征、主播属性特征和互动特征进行融合处理,得到融合特征,进而将融合特征输入至预训练的特征数据处理模型,获得用户标识针对目标资源提交交互请求的数量信息,可以将多个特征融合后输入至模型进行预测,有助于提升模型处理准确率。
在一示例性实施例中,在将用户属性特征、主播属性特征和互动特征输入至预训练的特征数据处理模型,获得用户标识针对目标资源提交交互请求的数量信息;目标资源为虚拟空间提供的资源的步骤之后,还包括:发送用户标识针对目标资源提交交互请求的数量信息至目标资源的提供方标识。
在具体实现中,在得到针对目标资源提交交互请求的数量信息后,可以向资源提供方进行反馈,通过发送至目标资源的提供方标识,进而可以使得目标资源的提供方获取用户标识针对目标资源提交交互请求的数量信息,如进入直播间用户针对目标资源提交交互请求的次数。
本实施例的技术方案,通过发送用户标识针对目标资源提交交互请求的数量信息至目标资源的提供方标识,能够便于资源提供方获取针对资源推广情况的交互结果。
在一示例性实施例中,如图3所示,在将用户属性特征、主播属性特征和互动特征输入至预训练的特征数据处理模型,获得用户标识针对目标资源提交交互请求的数量信息;目标资源为虚拟空间提供的资源的步骤之前,还可以包括如下步骤:
在步骤S310中,获取训练样本集合;每个训练样本包括样本用户标识对应的用户属性样本特征、样本虚拟空间的样本主播标识对应的主播属性样本特征、样本用户标识与样本主播标识之间的互动样本特征;训练样本具有对应的标签值;标签值用于表征样本用户标识针对样本虚拟空间提供的资源提交交互请求的数量信息;
在具体实现中,可以获取样本用户标识对应的用户属性样本特征、样本虚拟空间的样本主播标识对应的主播属性样本特征、样本用户标识与样本主播标识之间的互动样本特征,作为训练样本集合,该训练样本可以具有对应的标签值,其可以用于表征样本用户标识针对样本虚拟空间提供的资源提交交互请求的数量信息,如标签值可以为设定次数0、1、2,以基于加入购买次数的label信息,进一步进行多分类建模。
在步骤S320中,基于用户样本属性特征、主播属性样本特征、互动样本特征,以及标签值,对待训练的特征数据处理模型进行训练,得到预训练的特征数据处理模型。
在实际应用中,通过数据流升级,可以加入购买次数的label信息,即训练样本对应的标签值,并可以对数据切分点对齐,将切分点调整为进入直播间(即样本虚拟空间),例如,若待训练的特征数据处理模型的起始点为AD_LIVE_PLAYED_3S,即直播间播放3秒,由于用户针对目标资源提交交互请求的起点是进入直播间,则可以将模型的起点调整为进入直播间,以预测出用户从进入直播间至产生针对目标资源提交交互请求的概率,还可以将前链路模型的预测目标也切换为进入直播间。
在一示例中,通过模型建模升级,可以基于待训练的特征数据处理模型,对购买次数进行多分类建模,加入对购买次数的建模目标,并可以针对标签值,保留购买次数为0、1、2三分类,即可以将大于2次的购买次数合并至购买次数2中,进而可以在模型生效时计算得到针对目标资源提交交互请求的期望。
在又一示例中,通过特征升级,可以将其它资源推广服务的样本数据添加至训练样本数据,如样本资源基于其它资源推广服务产生的数据,通过其它资源推广服务可以进行作品推广、直播推广、智能推广等服务,为短视频作品及直播间获得曝光量,进而可以针对其它资源推广服务,获取样本资源的推广作品对应的曝光次数、点击次数、点赞次数、关注次数等,作为资源推广服务样本特征以添加至训练样本数据,从而可以使得离线评估AUC提升0.1%,并可以采用资源推广服务样本特征替换photo_id特征(如样本资源的推广作品id,即短视频作品的唯一标识,其可以为一个长字符串),以使得离线评估AUC提升0.2%,有助于提升预训练的特征数据处理模型输出结果的准确性。
本实施例的技术方案,通过获取训练样本集合,进而基于用户样本属性特征、主播属性样本特征、互动样本特征,以及标签值,对待训练的特征数据处理模型进行训练,得到预训练的特征数据处理模型,可以基于预训练模型输出针对目标资源提交交互请求的数量信息,以便于有效获取交互结果。
在一示例性实施例中,获取训练样本集合,包括:将大于或等于预设阈值的标签值对应的训练样本进行合并,得到合并后训练样本;合并后训练样本对应的标签值为预设阈值;将合并后训练样本添加至训练样本集合中。
在具体实现中,针对标签值,可以保留购买次数为0、1、2三分类,即可以将大于2次(即预设阈值)的购买次数合并至购买次数2中,通过将大于或等于预设阈值的标签值对应的训练样本进行合并,可以得到合并后训练样本,进而可以将合并后训练样本添加至训练样本集合中。
本实施例的技术方案,通过将大于或等于预设阈值的标签值对应的训练样本进行合并,得到合并后训练样本,进而将合并后训练样本添加至训练样本集合中,能够为多分类建模提供数据支持以进行模型训练。
图4是根据一示例性实施例示出的另一种数据处理方法的流程图,如图4所示,该方法用于服务器等计算机设备中,包括以下步骤。
在步骤S410中,获取训练样本集合;每个训练样本包括样本用户标识对应的用户属性样本特征、样本虚拟空间的样本主播标识对应的主播属性样本特征、样本用户标识与样本主播标识之间的互动样本特征;训练样本具有对应的标签值。在步骤S420中,基于用户样本属性特征、主播属性样本特征、互动样本特征,以及标签值,对待训练的特征数据处理模型进行训练,得到预训练的特征数据处理模型。在步骤S430中,在检测到用户进入虚拟空间的情况下,检测用户的用户标识进入虚拟空间的时长。在步骤S440中,若时长大于预设的时长阈值,则获取用户的用户标识对应的用户属性特征、虚拟空间的主播标识对应的主播属性特征,以及用户标识与主播标识之间的互动特征。在步骤S450中,将用户属性特征、主播属性特征和互动特征输入至预训练的特征数据处理模型,获得用户标识针对目标资源提交交互请求的数量信息;目标资源为虚拟空间提供的资源。在步骤S460中,确定各设定次数对应的概率值;设定次数包括提交交互请求的次数为至少两次。在步骤S470中,将各设定次数与其对应的概率值的乘积值进行叠加,得到数量信息。在步骤S480中,发送用户标识针对目标资源提交交互请求的数量信息至目标资源的提供方标识。需要说明的是,上述步骤的具体限定可以参见上文对一种数据处理方法的具体限定,在此不再赘述。
应该理解的是,虽然如上所述的各实施例所涉及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,如上所述的各实施例所涉及的流程图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。
基于同样的发明构思,本公开实施例还提供了一种用于实现上述所涉及的数据处理方法的数据处理装置。
图5是根据一示例性实施例示出的一种数据处理装置框图。参照图5,该装置包括:
特征数据获取单元501,被配置为执行在检测到用户进入虚拟空间的情况下,获取所述用户的用户标识对应的用户属性特征、所述虚拟空间的主播标识对应的主播属性特征,以及所述用户标识与所述主播标识之间的互动特征;
特征数据处理单元502,被配置为执行将所述用户属性特征、所述主播属性特征和所述互动特征输入至预训练的特征数据处理模型,获得所述用户标识针对目标资源提交交互请求的数量信息;所述目标资源为所述虚拟空间提供的资源。
在一种可能实现方式中,所述特征数据处理单元502,具体被配置为执行将所述用户属性特征、所述主播属性特征和所述互动特征输入至预训练的特征数据处理模型,得到所述预训练的特征数据处理模型输出的多分类处理结果;所述多分类处理结果包括不同的设定次数对应的概率值;所述设定次数用于表征提交针对所述目标资源的交互请求的次数;根据多个所述概率值,得到所述用户标识针对目标资源提交交互请求的数量信息。
在一种可能实现方式中,所述特征数据处理单元502,具体还被配置为执行确定各所述设定次数对应的概率值;所述设定次数包括提交所述交互请求的次数为至少两次;将各所述设定次数与其对应的概率值的乘积值进行叠加,得到所述数量信息。
在一种可能实现方式中,所述特征数据处理单元502,具体还被配置为执行从各所述设定次数对应的概率值中确定最大概率值;将所述最大概率值对应的设定次数,作为所述数量信息。
在一种可能实现方式中,所述数据处理装置,还包括:
时长检测单元,被配置为执行检测所述用户进入所述虚拟空间的时长;
执行单元,被配置为执行若所述时长大于预设的时长阈值,则执行获取所述用户的用户标识对应的用户属性特征、所述虚拟空间的主播标识对应的主播属性特征,以及所述用户标识与所述主播标识之间的互动特征的步骤。
在一种可能实现方式中,所述特征数据处理单元502,具体还被配置为执行对所述用户属性特征、所述主播属性特征和所述互动特征进行融合处理,得到融合特征;将所述融合特征输入至预训练的特征数据处理模型,获得所述用户标识针对目标资源提交交互请求的数量信息。
在一种可能实现方式中,所述数据处理装置,还包括:
数量信息发送单元,被配置为执行发送所述用户标识针对目标资源提交交互请求的数量信息至所述目标资源的提供方标识。
在一种可能实现方式中,所述数据处理装置,还包括:
训练样本获取单元,被配置为执行获取训练样本集合;每个所述训练样本包括样本用户标识对应的用户属性样本特征、样本虚拟空间的样本主播标识对应的主播属性样本特征、所述样本用户标识与所述样本主播标识之间的互动样本特征;所述训练样本具有对应的标签值;所述标签值用于表征所述样本用户标识针对所述样本虚拟空间提供的资源提交交互请求的数量信息;
模型训练单元,被配置为执行基于所述用户样本属性特征、所述主播属性样本特征、所述互动样本特征,以及所述标签值,对待训练的特征数据处理模型进行训练,得到所述预训练的特征数据处理模型。
在一种可能实现方式中,所述训练样本获取单元,具体还被配置为执行将大于或等于预设阈值的所述标签值对应的训练样本进行合并,得到合并后训练样本;所述合并后训练样本对应的标签值为所述预设阈值;将所述合并后训练样本添加至所述训练样本集合中。
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。
上述数据处理装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
图6是根据一示例性实施例示出的一种用于实现一种数据处理方法的电子设备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Windows Server,Mac OS X,Unix,Linux,FreeBSD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)
1.一种数据处理方法,其特征在于,所述方法包括:
在检测到用户进入虚拟空间的情况下,获取所述用户的用户标识对应的用户属性特征、所述虚拟空间的主播标识对应的主播属性特征,以及所述用户标识与所述主播标识之间的互动特征;
将所述用户属性特征、所述主播属性特征和所述互动特征输入至预训练的特征数据处理模型,获得所述用户标识针对目标资源提交交互请求的数量信息;所述目标资源为所述虚拟空间提供的资源。
2.根据权利要求1所述的方法,其特征在于,所述将所述用户属性特征、所述主播属性特征和所述互动特征输入至预训练的特征数据处理模型,获得所述用户标识针对目标资源提交交互请求的数量信息,包括:
将所述用户属性特征、所述主播属性特征和所述互动特征输入至预训练的特征数据处理模型,得到所述预训练的特征数据处理模型输出的多分类处理结果;所述多分类处理结果包括不同的设定次数对应的概率值;所述设定次数用于表征提交针对所述目标资源的交互请求的次数;
根据多个所述概率值,得到所述用户标识针对目标资源提交交互请求的数量信息。
3.根据权利要求2所述的方法,其特征在于,所述根据多个所述概率值,得到所述用户标识针对目标资源提交交互请求的数量信息,包括:
确定各所述设定次数对应的概率值;所述设定次数包括提交所述交互请求的次数为至少两次;
将各所述设定次数与其对应的概率值的乘积值进行叠加,得到所述数量信息。
4.根据权利要求2所述的方法,其特征在于,所述根据多个所述概率值,得到所述用户标识针对目标资源提交交互请求的数量信息,包括:
从各所述设定次数对应的概率值中确定最大概率值;
将所述最大概率值对应的设定次数,作为所述数量信息。
5.根据权利要求1所述的方法,其特征在于,所述将所述用户属性特征、所述主播属性特征和所述互动特征输入至预训练的特征数据处理模型,获得所述用户标识针对目标资源提交交互请求的数量信息,包括:
对所述用户属性特征、所述主播属性特征和所述互动特征进行融合处理,得到融合特征;
将所述融合特征输入至预训练的特征数据处理模型,获得所述用户标识针对目标资源提交交互请求的数量信息。
6.根据权利要求1至5任一项所述的方法,其特征在于,在所述将所述用户属性特征、所述主播属性特征和所述互动特征输入至预训练的特征数据处理模型,获得所述用户标识针对目标资源提交交互请求的数量信息的步骤之前,还包括:
获取训练样本集合;每个所述训练样本包括样本用户标识对应的用户属性样本特征、样本虚拟空间的样本主播标识对应的主播属性样本特征、所述样本用户标识与所述样本主播标识之间的互动样本特征;所述训练样本具有对应的标签值;所述标签值用于表征所述样本用户标识针对所述样本虚拟空间提供的资源提交交互请求的数量信息;
基于所述用户样本属性特征、所述主播属性样本特征、所述互动样本特征,以及所述标签值,对待训练的特征数据处理模型进行训练,得到所述预训练的特征数据处理模型。
7.一种数据处理装置,其特征在于,所述装置包括:
特征数据获取单元,被配置为执行在检测到用户进入虚拟空间的情况下,获取所述用户的用户标识对应的用户属性特征、所述虚拟空间的主播标识对应的主播属性特征,以及所述用户标识与所述主播标识之间的互动特征;
特征数据处理单元,被配置为执行将所述用户属性特征、所述主播属性特征和所述互动特征输入至预训练的特征数据处理模型,获得所述用户标识针对目标资源提交交互请求的数量信息;所述目标资源为所述虚拟空间提供的资源。
8.一种电子设备,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中任一项所述的数据处理方法。
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电子设备的处理器执行时,使得所述电子设备能够执行如权利要求1至6中任一项所述的数据处理方法。
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,所述指令被电子设备的处理器执行时,使得所述电子设备能够执行如权利要求1至6任一项所述的数据处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210597769.0A CN114925234A (zh) | 2022-05-30 | 2022-05-30 | 数据处理方法、装置、电子设备、存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210597769.0A CN114925234A (zh) | 2022-05-30 | 2022-05-30 | 数据处理方法、装置、电子设备、存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114925234A true CN114925234A (zh) | 2022-08-19 |
Family
ID=82812877
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210597769.0A Pending CN114925234A (zh) | 2022-05-30 | 2022-05-30 | 数据处理方法、装置、电子设备、存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114925234A (zh) |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040215791A1 (en) * | 2002-08-06 | 2004-10-28 | Tsao Sheng Ted Tai | Concurrent web based multi-task support for control management system |
US7809659B1 (en) * | 2000-02-24 | 2010-10-05 | Paiz Richard S | Method for presenting optimal internet keyword based search result sets using an environmental bitmap and environmental bitmap pyramid structure |
CN106487781A (zh) * | 2016-09-13 | 2017-03-08 | 腾讯科技(深圳)有限公司 | 基于直播的资源数据处理方法、装置和系统 |
WO2018072617A1 (zh) * | 2016-10-21 | 2018-04-26 | 阿里巴巴集团控股有限公司 | 一种虚拟现实/增强现实空间环境中的数据对象交互方法及装置 |
CN109413455A (zh) * | 2018-09-30 | 2019-03-01 | 武汉斗鱼网络科技有限公司 | 一种用于语音连麦互动的用户信息显示方法及装置 |
CN109729372A (zh) * | 2018-12-24 | 2019-05-07 | 北京达佳互联信息技术有限公司 | 直播间切换方法、装置、终端、服务器及存储介质 |
CN112040262A (zh) * | 2020-08-31 | 2020-12-04 | 腾讯科技(深圳)有限公司 | 一种虚拟资源对象处理方法及装置 |
CN112104889A (zh) * | 2020-09-24 | 2020-12-18 | 腾讯科技(深圳)有限公司 | 用于网络平台的虚拟物品展示方法和设备 |
CN112351298A (zh) * | 2020-10-29 | 2021-02-09 | 腾讯科技(深圳)有限公司 | 虚拟资源的处理方法、装置、存储介质及电子设备 |
CN112616068A (zh) * | 2020-12-31 | 2021-04-06 | 北京达佳互联信息技术有限公司 | 一种任务处理方法、装置、电子设备及存储介质 |
CN112995690A (zh) * | 2021-02-26 | 2021-06-18 | 广州虎牙科技有限公司 | 直播内容品类识别方法、装置、电子设备和可读存储介质 |
CN113938697A (zh) * | 2021-10-13 | 2022-01-14 | 广州方硅信息技术有限公司 | 直播间内的虚拟发言方法、装置及计算机设备 |
CN114003496A (zh) * | 2021-10-29 | 2022-02-01 | 北京达佳互联信息技术有限公司 | 数据处理方法、装置、系统、存储介质及程序产品 |
CN114245234A (zh) * | 2021-12-21 | 2022-03-25 | 北京达佳互联信息技术有限公司 | 虚拟资源处理方法、装置、电子设备及存储介质 |
-
2022
- 2022-05-30 CN CN202210597769.0A patent/CN114925234A/zh active Pending
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7809659B1 (en) * | 2000-02-24 | 2010-10-05 | Paiz Richard S | Method for presenting optimal internet keyword based search result sets using an environmental bitmap and environmental bitmap pyramid structure |
US20040215791A1 (en) * | 2002-08-06 | 2004-10-28 | Tsao Sheng Ted Tai | Concurrent web based multi-task support for control management system |
CN106487781A (zh) * | 2016-09-13 | 2017-03-08 | 腾讯科技(深圳)有限公司 | 基于直播的资源数据处理方法、装置和系统 |
WO2018072617A1 (zh) * | 2016-10-21 | 2018-04-26 | 阿里巴巴集团控股有限公司 | 一种虚拟现实/增强现实空间环境中的数据对象交互方法及装置 |
CN109413455A (zh) * | 2018-09-30 | 2019-03-01 | 武汉斗鱼网络科技有限公司 | 一种用于语音连麦互动的用户信息显示方法及装置 |
CN109729372A (zh) * | 2018-12-24 | 2019-05-07 | 北京达佳互联信息技术有限公司 | 直播间切换方法、装置、终端、服务器及存储介质 |
CN112040262A (zh) * | 2020-08-31 | 2020-12-04 | 腾讯科技(深圳)有限公司 | 一种虚拟资源对象处理方法及装置 |
CN112104889A (zh) * | 2020-09-24 | 2020-12-18 | 腾讯科技(深圳)有限公司 | 用于网络平台的虚拟物品展示方法和设备 |
CN112351298A (zh) * | 2020-10-29 | 2021-02-09 | 腾讯科技(深圳)有限公司 | 虚拟资源的处理方法、装置、存储介质及电子设备 |
CN112616068A (zh) * | 2020-12-31 | 2021-04-06 | 北京达佳互联信息技术有限公司 | 一种任务处理方法、装置、电子设备及存储介质 |
CN112995690A (zh) * | 2021-02-26 | 2021-06-18 | 广州虎牙科技有限公司 | 直播内容品类识别方法、装置、电子设备和可读存储介质 |
CN113938697A (zh) * | 2021-10-13 | 2022-01-14 | 广州方硅信息技术有限公司 | 直播间内的虚拟发言方法、装置及计算机设备 |
CN114003496A (zh) * | 2021-10-29 | 2022-02-01 | 北京达佳互联信息技术有限公司 | 数据处理方法、装置、系统、存储介质及程序产品 |
CN114245234A (zh) * | 2021-12-21 | 2022-03-25 | 北京达佳互联信息技术有限公司 | 虚拟资源处理方法、装置、电子设备及存储介质 |
Non-Patent Citations (2)
Title |
---|
GUOYU SUN等: "The implementation of a live interactive augmented reality game creative system", 《IEEE》, 14 May 2015 (2015-05-14), pages 1 - 6 * |
叶晓敏等: "基于直播模式的逻辑产业集群生态圈构建路径研究", 《 邮政研究》, 25 November 2021 (2021-11-25), pages 49 - 52 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2022252363A1 (zh) | 数据处理方法、计算机设备以及可读存储介质 | |
CN111340558B (zh) | 基于联邦学习的线上信息处理方法、装置、设备及介质 | |
CN104995865A (zh) | 基于声音和/或面部辨识的服务提供 | |
CN114169952B (zh) | 一种商品推荐方法、服务器、购物车和购物系统 | |
CN111626767B (zh) | 资源数据的发放方法、装置及设备 | |
CN111738766A (zh) | 用于多媒体信息的数据处理方法、装置以及服务器 | |
CN114417174B (zh) | 内容推荐方法、装置、设备及计算机存储介质 | |
CN113034168A (zh) | 内容项投放方法、装置、计算机设备及存储介质 | |
CN114780753A (zh) | 基于知识图谱的对话推荐方法、装置、设备及存储介质 | |
CN113486211A (zh) | 帐号识别方法、装置、电子设备、存储介质及程序产品 | |
CN112036987B (zh) | 确定推荐商品的方法和装置 | |
CN111597361B (zh) | 多媒体数据处理方法、装置、存储介质及设备 | |
CN113836390A (zh) | 资源推荐方法、装置、计算机设备及存储介质 | |
JP6522173B1 (ja) | 情報処理装置及び情報処理プログラム | |
CN116956204A (zh) | 多任务模型的网络结构确定方法、数据预测方法及装置 | |
CN114925234A (zh) | 数据处理方法、装置、电子设备、存储介质 | |
CN113128597B (zh) | 一种用户行为特征的提取和分类预测的方法及装置 | |
CN112818241B (zh) | 一种内容推广方法、装置、计算机设备和存储介质 | |
CN116109354A (zh) | 内容推荐方法、装置、设备、存储介质及计算机程序产品 | |
CN113159877B (zh) | 数据处理方法、装置、系统、计算机可读存储介质 | |
CN113076471A (zh) | 信息处理方法及装置、计算设备 | |
CN111915339A (zh) | 数据的处理方法、装置及设备 | |
CN113674043B (zh) | 商品推荐方法及装置、计算机可读存储介质、电子设备 | |
CN110196944B (zh) | 一种序列化信息的推荐方法及装置 | |
CN113688295B (zh) | 数据确定方法、装置、电子设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |