CN115086705A - 一种资源预加载方法、装置、设备和存储介质 - Google Patents

Abstract

本公开实施例提供一种资源预加载方法、装置、设备和存储介质，所述资源预加载方法包括：基于预测模型确定当前信息流中每个未播资源的预计播放量；针对每个未播资源，基于预计播放量对未播资源进行预加载。本公开实施例的技术方案中通过智能预测未播放资源的播放量，动态地为用户提供个性化的预加载方案，节省了不必要的流量浪费，提升用户体验。

Description

一种资源预加载方法、装置、设备和存储介质

技术领域

本公开实施例涉及流媒体处理技术领域，尤其涉及一种资源预加载方法、装置、设备和存储介质。

背景技术

随着移动互联网的发展和智能终端的普及，短视频业务迎来爆发式的增长。在feed流视频播放场景下，播放当前视频的同时提前加载未来要观看的几个视频，用户滑动到下一个视频时，能够快速地看到视频首帧，降低了视频播放的首帧时长，也降低了播放过程中的卡顿率，可以极大地提高用户的观看体验。

在短视频feed流的播放场景下，常用的预加载方法是：客户端对所有视频进行无差别的预加载，即所有的视频预加载相同的播放量。但不同用户对预加载的需求是变化的。因此，在复杂的短视频feed流的播放场景下，无差别的视频预加载容易带来流量的浪费和用户体验的下降。

发明内容

本公开实施例提供一种资源预加载方法、装置、设备和存储介质，实现为用户提供动态的预加载方案，节省不必要的流量浪费，提升用户体验。

第一方面，本公开实施例提供了一种资源预加载方法，包括：

基于预测模型确定当前信息流中每个未播资源的预计播放量；

针对每个未播资源，基于所述预计播放量对所述未播资源进行预加载。

第二方面，本公开实施例还提供了一种资源预加载装置，包括：

预计播放量确定模块，用于基于预测模型确定当前信息流中每个未播资源的预计播放量；

预加载模块，用于针对每个未播资源，基于所述预计播放量对所述未播资源进行预加载。

第三方面，本公开实施例还提供了一种资源预加载设备，包括：

一个或多个处理器；

存储器，用于存储一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如本公开实施例中任一项所述的资源预加载方法。

第四方面，本公开实施例还提供了一种介质，所述介质存储有计算机程序，所述计算机程序被处理器执行时实现如本公开实施例中任一项所述的资源预加载方法。

本公开实施例提供一种资源预加载方法、装置、设备和介质，所述资源预加载方法包括：基于预测模型确定当前信息流中每个未播资源的预计播放量；针对每个未播资源，基于预计播放量对未播资源进行预加载。本公开实施例的技术方案中通过智能预测未播放资源的播放量，动态地为用户提供个性化的预加载方案，节省了不必要的流量浪费，提升用户体验。

附图说明

结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。

图1是本公开实施例提供的应用场景示例图；

图2是本公开实施例提供的一种资源预加载方法的流程图；

图3是本公开实施例提供的一种资源预加载方法的流程图；

图4是本公开实施例提供的一种预测模型的结构图；

图5是本公开实施例提供的一种视频预加载的流程图；

图6是本公开实施例提供的一种资源预加载装置的结构图；

图7是本公开实施例提供的一种资源预加载设备的结构图。

具体实施方式

下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。

应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。

本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。

需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。

需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。

本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。

首先，对本公开中出现的词语进行解释。

本公开实施例中的信息流，又称为feed流，是一种持续更新的信息流，可以将RSS中的信息推送给用户。

本公开实施例中的“feed”可以是将用户主动订阅的若干消息源组合在一起形成内容聚合器，帮助用户持续地获取最新的订阅源内容，feed是简易信息聚合(ReallySimple Syndication，RSS)中用来接收该信息来源的接口。

其中，feed流的展现形式有很多种，包括但不限于：基于时间线的展现形式timeline、基于智能排序的展现形式rank，其中：timeline是最典型的feed流展示方式，按照feed流内容更新的时间先后顺序，将内容展示给用户；rank是按照某些因素计算feed流内容的权重，从而决定feed流内容展示的先后顺序。在feed流播放场景下，播放当前资源的同时提前加载未来要观看的几个资源，用户滑动到下个资源时，能够快速地看到资源首帧，降低了资源播放的首帧时长，也降低了播放过程中的卡顿率，可以极大地提高用户的观看体验。在feed 流的播放场景下，常用的预加载方法是：客户端对所有视频进行无差别的预加载，即所有的视频预加载相同的播放量。但不同用户对预加载的需求是变化的，例如：有些用户会选择性地跳过部分视频，对这部分视频过多的预加载，造成了流量成本和下载时间的浪费，同时占用了预加载其他视频的时间；有时预加载的缓存不够大，用户的网络波动时，容易引起视频卡顿；用户观看视频的行为也可能会随网络状况、推荐效果、用户个人当前的状态发生变化。因此，在复杂的短视频feed流的播放场景下，无差别的视频预加载容易带来流量的浪费和用户体验的下降。

为了解决上述技术问题，本公开实施例提供了一种资源预加载方法、装置、设备和存储介质，通过智能预测未播放资源的播放量，动态地为用户提供个性化的预加载方案，节省了不必要的流量浪费，提升用户体验。

图l是本公开实施例提供的应用场景示例图。如图l所示，客户端101用于执行本公开任一实施例所述的资源预加载方法，客户端101可以通过网络将资源预加载信息发送至服务器102，提前预加载服务器102提供的资源，并通过输出装置将预加载资源进行播放。

其中，上述输出装置可以是内置于客户端101中的输出设备，如：触摸显示屏等；也可以是通过通讯线与客户端101进行连接的外置输出设备，如：投影仪、数字TV等。

需要说明的是，在本实施例中，客户端101以计算机设备为例进行说明，计算机设备具体可以是包括了处理器、存储器、输入装置和输出装置的计算机设备。

需要说明的是，本公开实施例提供的资源预加载方法也可应用于其他与计算机设备具有相同功能的智能设备，本公开实施例对上述资源预加载的应用场景及应用设备进行说明，而非限定。

可选的，本公开实施例中的客户端可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP (便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。

可选的，本公开实施例应用于一个典型的场景为feed媒体流，所述feed 媒体流也就是用户在观看当前资源时，可以通过下滑切换到下一个资源，或者通过上滑切换到上一个资源。

可选的，本实施例应用于另一种典型的场景为手机窗口展示多个资源，用户可以通过上下滑浏览不同资源，并点击观看不同资源。

下面结合具体的实施例，对本公开实施例提供的资源预加载方法、装置、设备和存储介质进行详细介绍。

图1是本公开实施例提供的一种资源预加载方法的流程图，本实施例可适用于动态预加载feed流中的视频资源的情况，该方法可以由资源预加载装置来执行，所述装置可以通过软件和/或硬件的方式来实现。所述资源预加载方法应用于客户端中。

在本实施例中，上述客户端中可以安装有feed流资源播放应用程序，可以利用feed流资源播放应用程序播放资源。示例性的，可以在feed流资源播放应用程序中增加资源预加载装置，用于执行本公开实施例中提供的任一资源预加载方法。

如图2所示，本实施例提供的资源预加载方法主要包括步骤S11、S12。

S11、基于预测模型确定当前信息流中每个未播资源的预计播放量。

其中，信息流可以是一列可以不断向下滑动不断加载的资源列表，又称为 feed流，每个feed条目都是一个独立的资源。其中，所述资源可以是音频、视频、图片、文字、可操作卡片及其任意上述两种以上的组合等。

当前feed流是指服务端已经下发到用户端，用户端正在执行播放的feed流。当前feed流中主要包括已播资源，当前资源和未播资源。已播资源是指用户端已经播放，用户已经观看过的资源；当前资源是指用户端正在播放，用户正在观看的资源；未播资源是指用户端还没有播放的资源。

其中，预计播放量可以是预测用户可能想要观看的资源播放量。预计播放量可以是预计播放字节数，例如，预计播放量是2M。预计播放量也可以是预计播放时长，例如：预计播放量是10秒。预计播放量还可以以其它度量方式进行表示，本申请对此不做限定。

每个未播资源的预计播放量可以理解为各个未播资源有其对应的预计播放量，每个未播资源对应的预计播放量可以相同，也可以不同。本实施例中，不进行限定。

在一个实施方式中，通过预训练的方式得到预测模型，将播放相关的历史信息、用户类型、视频类型等特征输入至预测模型，时长预测模型输出当前feed 流中每个未播资源的预计播放量。

在一个实施方式中，通过预训练的方式得到时长预测模型，将播放相关的历史信息、用户类型、视频类型等特征输入至预测模型，预测模型输出当前feed 流中每个未播资源的预计播放比例；基于预计播放比例确定预计播放量。具体的，可以是针对每个未播资源，将预计播放比例与该未播资源量之积确定为该未播资源的预计播放量。

需要说明的是，由于上述两个实施方式中，预测模型的输出结果不相同，其仅是模型训练过程中设置的模型参数不相同。使用预测模型时的输出结果和其训练的输出结果一致即可。

在本公开实施例中，提供一种预测模型的训练方法，主要包括如下步骤：利用用户先前的观看行为和操作、用户类型、视频类型等特征训练神经网络模型，得到预测模型。

S12、针对每个未播资源，基于所述预计播放量对所述未播资源进行预加载。

在本实施例中，基于所述预计播放量对所述未播资源进行预加载，包括：基于所述预计播放量确定预加载配置信息，基于预加载配置信息对未播资源进行预加载。

在一个实施方式中，当预测到用户后续资源的播放时长很短时，可以选择性地减少预加载资源的大小，例如300KB的大小即可，达到了节省流量的目的。或者预测到用户未播资源时长很长时，可以选择性地增加预加载资源的大小，例如2MB，以达到减少播放过程中卡顿的目的。

进一步的，对于每个未播资源的预加载顺序，可以根据feed流中未播资源的顺序确定。也可以计算各个未播资源对应的优先级，基于优先级的高低确定未播资源的预加载顺序。本实施例中，仅对未播资源的预加载顺序进行说明，而非限定。

本公开实施例提供一种资源预加载方法包括：基于预测模型确定当前信息流中每个未播资源的预计播放量；针对每个未播资源，基于预计播放量对未播资源进行预加载。本公开实施例的技术方案中通过智能预测未播放资源的播放量，动态地为用户提供个性化的预加载方案，节省了不必要的流量浪费，提升用户体验。

在上述实施例的基础上，本公开实施例进一步优化了资源预加载方法，图 3是本公开实施例提供的一种资源预加载方法的流程图，如图3所示，本公开实施例提供的资源预加载方法主要包括如下步骤：

S21、检测当前播放资源是否加载完成。

在本实施例中，当前播放资源可以理解为客户端当前显示屏正在播放的资源。加载完成是指当前播放资源的所有内容均已缓存至客户端。

在一个实施方式中，检测当前播放资源是否加载完成可以是检测是否接收到当前播放资源加载完成的标识，所述标识可以客户端本身生成，也可由服务器发送。

在一个实施方式中，检测当前播放资源是否加载完成还可以是检测当前播放资源已加载的字节长度与当前播放资源的总字节长度是否相等。

在一个实施方式中，检测当前播放资源是否加载完成还可以是检测当前播放资源已加载的时长与当前播放资源的总时长是否相等。

需要说明的是，本实施例中仅对资源是否加载完成的方法进行说明，而非限定，可以根据实际情况选择其他方式判断资源是否加载完成。

S22、在检测到所述当前资源加载完成后，基于预测模型确定当前信息流中每个未播资源的预计播放量。

在一个实施方式中，如果接收到当前播放资源加载完成的标识，则确定所述当前资源加载完成。

在一个实施方式中，检测当前播放资源已加载的字节长度与当前播放资源的总字节长度相等，则确定所述当前资源加载完成。

在一个实施方式中，检测到当前播放资源已加载的时长与当前播放资源的总时长相等，则确定所述当前资源加载完成。

进一步的，在检测到所述当前资源加载完成之前，检测到用户切换至新的资源，即当前播放资源进行了更新，则将切换后的资源作为当前播放资源，执行检测当前播放资源是否加载完成的操作。

在本实施例中，只有当前播放资源下载完成后，再执行资源预加载操作。这样，可以避免当前播放资源的卡顿现象，提升用户体验。

S23、针对每个未播资源，基于所述预计播放量对所述未播资源进行预加载的同时，检测当前用户是否切换到新的资源。

在本实施例中，新的资源是指除当前播放资源之外的其他资源。检测当前用户是否切换到新的资源可以是检测用户是否输入切换指令，还可以是检测播放器是否更换了播放资源信息。

其中，切换指令可以是用户在客户端上的点击指令，下滑指令，上滑指令，向左滑动指令或者向右滑动指令等。播放资源信息包括如下一种或多种：播放资源的发布者信息，播放资源的名称，播放资源的IP地址，播放资源的数据包等等。

S24、在所述当前用户切换到新的资源后，将所述新的资源作为当前播放资源，返回执行S21。

当前用户切换到新的资源可以是检测到用户输入切换指令，还可以是检测到播放器更换了播放资源信息。

在所述当前用户切换到新的资源后，将所述新的资源作为当前播放资源，执行检测当前播放资源是否加载完成的操作。

在本实施例中，下载用户当前播放资源具有最高优先级，无论何时用户切换到新的资源进行播放，都要优先将当前播放资源下载完成后，再执行预加载操作。这样，可以避免当前播放资源的卡顿现象，提升用户体验。

在上述实施例的基础上，本公开实施例提供两种确定当前信息流中每个未播资源的预计播放量的方法。

在一个实施方式中，基于预测模型确定当前信息流中每个未播资源的预计播放量，包括：基于预测模型确定当前用户类型；基于所述当前用户类型和预存的用户类型和播放量的对应关系确定当前信息流中每个未播资源的预计播放量。

在本实施例中，所述用户类型可以理解为播放指定类型的资源达到预设时长的用户对应的类型。

预存的用户类型和播放量之前的对应关系是一一对应的关系，但是不同的用户类型可以对应相同的播放量。

在本实施例中，确定用户类型之后，基于当前用户类型在用户类型和播放量的对应关系中进行查找，将当前用户类型对应的播放量确定预计播放量。

在一个实施方式中，基于预测模型确定当前信息流中每个未播资源的预计播放量，包括：基于预测模型确定当前用户类型；基于所述当前用户类型和预存的用户类型和播放比例的对应关系确定当前信息流中每个未播资源的预计播放比例；针对每个未播资源，基于所述预计播放比例确定预计播放量。

在本实施例中，确定用户类型之后，基于当前用户类型在用户类型和播放比例的对应关系中进行查找，确定当前用户类型对应的播放比例。所述播放比例可以理解为某类资源已播放时长与资源总时长时间的比例。

在本实施例中，获取到播放比例后，将未播资源的总时长与所述播放比例的乘积作为该未播资源的预计播放时长；或者，获取到播放比例后，将未播资源的总字节数与所述播放比例的乘积作为该未播资源的预计播放字节数。

进一步的，基于预测模型确定当前用户类型，包括：获取播放相关的历史信息和资源信息所述资源信息包括各个已播资源的播放时长、各个未播资源类型和各个未播资源的时长；将所述播放相关的历史信息和资源信息输入至所述预测模型，得到当前用户类型。

其中，所述资源信息包括各个已播资源的播放时长、各个未播资源类型和各个未播资源的时长；播放相关的历史信息是指客户端播放历史资源时获取到的相关信息，例如：历史资源的点赞数量，历史资源的评论等。进一步的，播放相关的历史信息还可以包括用户提供的偏好信息。

将播放相关的历史信息和资源信息输入至预测模型得到当前用户类型，避免了冗余的用户类型确定步骤，可以方便快捷的确定当前用户类型，提高设备运行速度。

进一步的，将所述播放相关的历史信息和资源信息输入至所述预测模型，得到当前用户类型，包括：将所述播放相关的历史信息和资源信息输入至所述预测模型，得到多个用户类型概率，所述用户类型概率是当前用户属于某类型用户的概率；将最大用户类型概率对应的用户类型确定为当前用户类型。

其中，所述资源信息包括各个已播资源的播放时长、各个未播资源类型和各个未播资源的时长；播放相关的历史信息是指客户端播放历史资源时获取到的相关信息，例如：历史资源的点赞数量，历史资源的评论等。进一步的，播放相关的历史信息还可以包括用户提供的偏好信息。

在本实施例中，预测模型输出多个用户类型概率，将多个用户类型概率进行比较，或者排序处理，得到最大用户类型概率，并将最大用户类型概率对应的用户类型确定为当前用户类型。

本实施例中，根据预测模型输出的多个用户类型概率来确定当前用户类型，可以提高用户类型确定的准确性。

图4是本公开实施例提供的一种预测模型的结构示意图，如图4所示，预测模型主要包括输入层，n个中间层和输出层，输入层接收到的特征参数主要包括：播放相关的历史信息、各个已播资源的播放时长、各个未播资源类型和各个未播资源的时长等。经过n个中间层进行学习和预测之后，输出层输出该用户属于第n类视频的概率。n为1，2……k之间的任一数值，k为所有用户类型的总数。

将预测模型输出的概率值进行比较，将最大概率对应的用户类型确定当前用户类型。

本实施例中，采用多维特征输入预训练的神经网络模型得到当前feed流中未播资源在当前用户的行为模式下预计播放时长的技术方案，可以提高预计播放时长的准确性。

在一个应用性实例中，以未播资源是未播视频资源为例进行说明。图5是本公开实施例提供的一种视频预加载的流程图，如图5所示，当用户开始观看视频时，优先下载用户当前在播视频，如果当前在播视频下载完成前，用户切换进入下一个视频，则下一个视频作为当前在播视频，优先下载用户当前在播视频。如果当前在播视频下载完成后，用户没有进入下一个视频，将播放相关的历史信息和视频信息喂到训练好的预测模型中进行预计播放量的预测。根据预测模型的预测结果选择预加载配置，开始视频预加载，在视频预加载过程中，用户切换进入下一个视频，则下一个视频作为当前在播视频，优先下载用户当前在播视频。或者，直到视频预加载结束。

在上述流程中，下载用户当前在播视频具有最高优先级，无论何时用户切换到新的视频进行播放，都要优先将当前播放视频下载完成后再执行预加载操作。

本公开实施例提供的视频预加载方法，相较于传统的无差别预加载更加具有个性化。例如，传统预加载无差别地对后续视频加载1MB大小，经过本公开实施例提供的视频预加载方法，当预测到用户后续播放视频时长很短时，只需对后续视频加载300KB的大小即可，达到了节省流量的目的，或者预测到用户后续播放视频时长很长时，可以选择性地增加预加载大小，例如2MB，以达到减少播放过程中卡顿的目的。

图6是本公开实施例提供的一种资源预加载装置的结构图，本实施例可适用于动态预加载feed流中的视频资源的情况，所述资源预加载装置可以通过软件和/或硬件的方式来实现。所述资源预加载方法应用于客户端中。

如6所示，本实施例提供的资源预加载装置主要包括预计播放量确定模块 61和预加载模块62。

预计播放量确定模块61，用于基于预测模型确定当前信息流中每个未播资源的预计播放量；

预加载模块62，用于针对每个未播资源，基于所述预计播放量对所述未播资源进行预加载。

本公开实施例提供一种资源预加载装置，主要用于执行如下操作：基于预测模型确定当前信息流中每个未播资源的预计播放量；针对每个未播资源，基于预计播放量对未播资源进行预加载。本公开实施例的技术方案中通过智能预测未播放资源的播放量，动态地为用户提供个性化的预加载方案，节省了不必要的流量浪费，提升用户体验。

在一个实施方式中，预计播放量确定模块61，具体用于检测当前播放资源是否加载完成；在检测到所述当前资源加载完成后，执行基于预测模型确定当前信息流中每个未播资源的预计播放量的步骤。

在一个实施方式中，所述装置包括切换检测模块，用于基于所述预计播放量对所述未播资源进行预加载的同时，检测当前用户是否切换到新的资源；

预计播放量确定模块61，具体用于在所述当前用户切换到新的资源后，将所述新的资源作为当前播放资源，执行检测当前播放资源是否加载完成的步骤。

在一个实施方式中，预计播放量确定模块61，包括：

用户类型确定单元，用于基于预测模型确定当前用户类型；

预计播放量确定单元，用于基于所述当前用户类型和预存的用户类型和播放量的对应关系确定当前信息流中每个未播资源的预计播放量。

在一个实施方式中，预计播放量确定模块61，包括：

用户类型确定单元，用于基于预测模型确定当前用户类型；

预计播放比例单元，用于基于所述当前用户类型和预存的用户类型和播放比例的对应关系确定当前信息流中每个未播资源的预计播放比例；

预计播放量确定单元，用于针对每个未播资源，基于所述预计播放比例确定预计播放量。

在一个实施方式中，用户类型确定单元，用于获取播放相关的历史信息和资源信息；将所述播放相关的历史信息和资源信息输入至所述预测模型，得到当前用户类型，其中，所述资源信息包括各个已播资源的播放时长、各个未播资源类型和各个未播资源的时长。

在一个实施方式中，将所述播放相关的历史信息和资源信息输入至所述预测模型，得到当前用户类型，包括：

将所述播放相关的历史信息和资源信息输入至所述预测模型，得到多个用户类型概率，所述用户类型概率是当前用户属于某类型用户的概率；

将最大用户类型概率对应的用户类型确定为当前用户类型。

本实施例所提供的资源预加载装置可执行本公开任意实施例所提供的资源预加载方法，具备执行资源预加载方法相应的功能模块和有益效果。

下面参考图7，其示出了适于用来实现本公开实施例的电子设备(例如图7 中的终端设备或服务端)700的结构示意图。本公开实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图7示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。

如图7所示，电子设备700可以包括处理装置(例如中央处理器、图形处理器等)701，其可以根据存储在只读存储器(ROM)702中的程序或者从存储装置708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。在RAM 703中，还存储有电子设备700操作所需的各种程序和数据。处理装置701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O) 接口705也连接至总线704。

通常，以下装置可以连接至I/O接口705：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置706；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置707；包括例如磁带、硬盘等的存储装置708；以及通信装置709。通信装置709可以允许电子设备700与其他设备进行无线或有线通信以交换数据。虽然图7示出了具有各种装置的电子设备700，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在非暂态计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置709从网络上被下载和安装，或者从存储装置708被安装，或者从ROM 702 被安装。在该计算机程序被处理装置701执行时，执行本公开实施例的方法中限定的上述功能。

需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——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。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM 或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机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，其中承载了计算机可读的程序代码。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。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。

在一些实施方式中，用户端、服务端可以利用诸如HTTP(HyperText TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。

上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。

上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：

基于预测模型确定当前信息流中每个未播资源的预计播放量；

针对每个未播资源，基于所述预计播放量对所述未播资源进行预加载。

可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++，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机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务端上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本公开实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，单元的名称在某种情况下并不构成对该单元本身的限定。

本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统 (SOC)、复杂可编程逻辑设备(CPLD)等等。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器 (EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

根据本公开的一个或多个实施例，提供了资源预加载方法、装置、设备和介质，包括：

基于预测模型确定当前信息流中每个未播资源的预计播放量；

针对每个未播资源，基于所述预计播放量对所述未播资源进行预加载。

根据本公开的一个或多个实施例，提供了资源预加载方法、装置、设备和介质，于预测模型确定当前信息流中每个未播资源的预计播放量，包括：

检测当前播放资源是否加载完成；

在检测到所述当前资源加载完成后，执行基于预测模型确定当前信息流中每个未播资源的预计播放量的步骤。

根据本公开的一个或多个实施例，提供了资源预加载方法、装置、设备和介质，基于所述预计播放量对所述未播资源进行预加载的同时，还包括：

检测当前用户是否切换到新的资源；

在所述当前用户切换到新的资源后，将所述新的资源作为当前播放资源，执行检测当前播放资源是否加载完成的步骤。

根据本公开的一个或多个实施例，提供了资源预加载方法、装置、设备和介质，基于预测模型确定当前信息流中每个未播资源的预计播放量，包括：

基于预测模型确定当前用户类型；

基于所述当前用户类型和预存的用户类型和播放量的对应关系确定当前信息流中每个未播资源的预计播放量。

根据本公开的一个或多个实施例，提供了资源预加载方法、装置、设备和介质，基于预测模型确定当前信息流中每个未播资源的预计播放量，包括：

基于预测模型确定当前用户类型；

基于所述当前用户类型和预存的用户类型和播放比例的对应关系确定当前信息流中每个未播资源的预计播放比例；

针对每个未播资源，基于所述预计播放比例确定预计播放量。

根据本公开的一个或多个实施例，提供了资源预加载方法、装置、设备和介质，基于预测模型确定当前用户类型，包括：

获取播放相关的历史信息和资源信息，其中，所述资源信息包括各个已播资源的播放时长、各个未播资源类型和各个未播资源的时长；

将所述播放相关的历史信息和资源信息输入至所述预测模型，得到当前用户类型。

根据本公开的一个或多个实施例，提供了资源预加载方法、装置、设备和介质，将所述播放相关的历史信息和资源信息输入至所述预测模型，得到当前用户类型，包括：

将所述播放相关的历史信息和资源信息输入至所述预测模型，得到多个用户类型概率，所述用户类型概率是当前用户属于某类型用户的概率；

将最大用户类型概率对应的用户类型确定为当前用户类型。

以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。

尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。

Claims (10)

1.一种资源预加载方法，其特征在于，包括：

基于预测模型确定当前信息流中每个未播资源的预计播放量；

针对每个未播资源，基于所述预计播放量对所述未播资源进行预加载。

2.根据权利要求1所述的方法，其特征在于，基于预测模型确定当前信息流中每个未播资源的预计播放量，包括：

检测当前播放资源是否加载完成；

在检测到所述当前资源加载完成后，执行基于预测模型确定当前信息流中每个未播资源的预计播放量的步骤。

3.根据权利要求2所述的方法，其特征在于，基于所述预计播放量对所述未播资源进行预加载的同时，还包括：

检测当前用户是否切换到新的资源；

在所述当前用户切换到新的资源后，将所述新的资源作为当前播放资源，执行检测当前播放资源是否加载完成的步骤。

4.根据权利要求1所述的方法，其特征在于，基于预测模型确定当前信息流中每个未播资源的预计播放量，包括：

基于预测模型确定当前用户类型；

基于所述当前用户类型和预存的用户类型和播放量的对应关系确定当前信息流中每个未播资源的预计播放量。

5.根据权利要求1所述的方法，其特征在于，基于预测模型确定当前信息流中每个未播资源的预计播放量，包括：

基于预测模型确定当前用户类型；

基于所述当前用户类型和预存的用户类型和播放比例的对应关系确定当前信息流中每个未播资源的预计播放比例；

针对每个未播资源，基于所述预计播放比例确定预计播放量。

6.根据权利要求4或5所述的方法，其特征在于，基于预测模型确定当前用户类型，包括：

获取播放相关的历史信息和资源信息，其中，所述资源信息包括各个已播资源的播放时长、各个未播资源类型和各个未播资源的时长；

将所述播放相关的历史信息和资源信息输入至所述预测模型，得到当前用户类型。

7.根据权利要求6所述的方法，其特征在于，将所述播放相关的历史信息和资源信息输入至所述预测模型，得到当前用户类型，包括：

将所述播放相关的历史信息和资源信息输入至所述预测模型，得到多个用户类型概率，所述用户类型概率是当前用户属于某类型用户的概率；

将最大用户类型概率对应的用户类型确定为当前用户类型。

8.一种资源预加载装置，其特征在于，包括：

预计播放量确定模块，用于基于预测模型确定当前信息流中每个未播资源的预计播放量；

预加载模块，用于针对每个未播资源，基于所述预计播放量对所述未播资源进行预加载。

9.一种资源预加载设备，其特征在于，包括：

一个或多个处理器；

存储器，用于存储一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7任一项所述的资源预加载方法。

10.一种计算机可读存储介质，其特征在于，所述介质存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1-7任一项所述的资源预加载方法。

Images