CN116233480A - 基于直播数据的购物直播风格确定方法、系统及存储介质 - Google Patents

基于直播数据的购物直播风格确定方法、系统及存储介质 Download PDF

Info

Publication number
CN116233480A
CN116233480A CN202310513224.1A CN202310513224A CN116233480A CN 116233480 A CN116233480 A CN 116233480A CN 202310513224 A CN202310513224 A CN 202310513224A CN 116233480 A CN116233480 A CN 116233480A
Authority
CN
China
Prior art keywords
data
live broadcast
live
style
peak
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
CN202310513224.1A
Other languages
English (en)
Other versions
CN116233480B (zh
Inventor
王丽玲
吕昱
江志恒
罗馨
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.)
Guangdong Xuanrun Digital Information Technology Co ltd
Original Assignee
Guangdong Xuanrun Digital Information 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 Guangdong Xuanrun Digital Information Technology Co ltd filed Critical Guangdong Xuanrun Digital Information Technology Co ltd
Priority to CN202310513224.1A priority Critical patent/CN116233480B/zh
Publication of CN116233480A publication Critical patent/CN116233480A/zh
Application granted granted Critical
Publication of CN116233480B publication Critical patent/CN116233480B/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]
    • H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
    • H04N21/23—Processing of content or additional data; Elementary server operations; Server middleware
    • H04N21/24—Monitoring of processes or resources, e.g. monitoring of server load, available bandwidth, upstream requests
    • 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
    • H04N21/25—Management operations performed by the server for facilitating the content distribution or administrating data related to end-users or client devices, e.g. end-user or client device authentication, learning user preferences for recommending movies
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/43—Processing of content or additional data, e.g. demultiplexing additional data from a digital video stream; Elementary client operations, e.g. monitoring of home network or synchronising decoder's clock; Client middleware
    • H04N21/442—Monitoring of processes or resources, e.g. detecting the failure of a recording device, monitoring the downstream bandwidth, the number of times a movie has been viewed, the storage space available from the internal hard disk
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/43—Processing of content or additional data, e.g. demultiplexing additional data from a digital video stream; Elementary client operations, e.g. monitoring of home network or synchronising decoder's clock; Client middleware
    • H04N21/442—Monitoring of processes or resources, e.g. detecting the failure of a recording device, monitoring the downstream bandwidth, the number of times a movie has been viewed, the storage space available from the internal hard disk
    • H04N21/44213—Monitoring of end-user related data
    • 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
    • H04N21/47—End-user applications
    • H04N21/478—Supplemental services, e.g. displaying phone caller identification, shopping application
    • H04N21/47815—Electronic shopping
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Databases & Information Systems (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Social Psychology (AREA)
  • Two-Way Televisions, Distribution Of Moving Picture Or The Like (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了基于直播数据的购物直播风格确定方法、系统及存储介质，涉及直播技术领域，包括：实时采集每一次直播过程中的直播数据，获得实时直播数据；获取实时直播数据中不符合正态分布的数据峰值点；确定数据峰值点对应的直播时刻；调取峰值时刻对应的直播片段；对多个峰值直播片段进行直播风格特征提取，获得多个峰值风格特征数据；确定每一个直播数据对应的风格特征值统计数据；获得直播间最佳直播风格。本发明的优点在于：基于在直播过程中的数据峰值点进行分析，可以有效的抓住直播间发展过程中的各个数据峰值点，并转化为直播间风格确定的指导手段，可有效的指导主播的直播风格，为购物直播的高效快速发展提供指导方案。

Description

基于直播数据的购物直播风格确定方法、系统及存储介质
技术领域
本发明涉及直播技术领域，具体是涉及基于直播数据的购物直播风格确定方法、系统及存储介质。
背景技术
随着社会的不断发展，人们的购物方式发生了很大的变化。近十年来蓬勃发展的线上购物方式，用户可以通过看图片下单。目前比较新颖的线上购物方式还有直播卖货方式，通过利用直播技术进行商品线上展示，用户则可以通过观看直播的购买商品。
在购物直播间的发展过程中，通常会经历多个不同的阶段，在不同的阶段直播间所需完成的任务不相同，现有技术中，缺乏针对直播过程中的观看数据的数据峰值点进行分析，进而针对观看数据的数据峰值点进行直播风格调整的技术手段，难以抓住直播间发展过程中的数据峰值点，缺乏与直播间发展需求所对应的直播间风格确定方案，基于此，本发明提出一种基于直播数据的购物直播风格确定方案。
发明内容
为解决上述技术问题，提供一种基于直播数据的购物直播风格确定方法、系统及存储介质，本技术方案解决了上述的现有技术中，缺乏针对直播过程中的观看数据的数据峰值点进行分析，进而针对观看数据的数据峰值点进行直播风格调整的技术手段，难以抓住直播间发展过程中的数据峰值点，缺乏与直播间发展需求所对应的直播间风格确定方案的问题。
为达到以上目的，本发明采用的技术方案为：
一种基于直播数据的购物直播风格确定方法，包括：
实时采集每一次直播过程中的直播数据，获得实时直播数据，所述直播数据包括实时观看人数、关注量上涨数、弹幕发送量和商品购买数量；
对实时直播数据进行数据分析，获取实时直播数据中不符合正态分布的数据峰值点；
确定数据峰值点对应的直播时刻，获得峰值时刻；
调取峰值时刻对应的直播片段，获得多个峰值直播片段；
对多个峰值直播片段进行直播风格特征提取，获得多个峰值风格特征数据，所述直播风格特征的种类至少包括直播图像风格特征、直播语言风格和商品风格；
对多个峰值风格特征数据进行分析，结合数据峰值点数据对应的直播数据确定每一个直播数据对应的风格特征值统计数据；
根据当前直播阶段的直播数据需求结合风格特征值统计数据进行计算，获得直播间最佳直播风格；
其中，每个直播风格特征的种类均包括若干风格特征属性。
优选的，所述对实时直播数据进行数据分析，获取实时直播数据中不符合正态分布的数据峰值点具体包括：
基于实时直播数据进行计算当前直播过程中的直播数据的平均值和标准差，获得直播数据均值和直播数据的标准差；
基于格拉布斯准则和直播数据均值，对实时直播数据进行甄别，获得实时直播数据中的异常值；
判断实时直播数据中的异常值是否大于直播数据均值，若是，则判定为当前异常值为数据峰值点，若否，则判定为当前异常值为数据谷底点；
其中，格拉布斯准则的计算公式为：
Figure SMS_1
式中，/>
Figure SMS_2
为第i个实时直播数据，/>
Figure SMS_3
为直播数据均值，s为直播数据的标准差，bpn为临界值，临界值通过查格拉布斯表确定；
若满足格拉布斯准则的计算公式，则
Figure SMS_4
为实时直播数据中的异常值，否则，
Figure SMS_5
为实时直播数据中的正常值。
优选的，所述进行直播风格特征提取具体包括：
基于直播风格特征的种类分别对应训练风格特征识别模型，所述风格特征识别模型至少包括与直播图像风格特征对应的风格特征识别模型和与直播语言风格对应的风格特征识别模型；
对多个峰值直播片段进行抽帧处理，获得若干个峰值直播图像；
对多个峰值直播片段进行音频抽离处理，获得若干个峰值直播音频；
调取与直播图像风格特征对应的风格特征识别模型，分别对每一个峰值直播图像进行风格特征识别，获得每一个峰值直播图像的特征值；
调取与直播语言风格对应的风格特征识别模型，分别对每一个峰值直播音频进行风格特征识别，获得每一个峰值直播音频的特征值；
获得峰值直播片段进行售卖的商品属性，根据商品属性进行分析商品特征。
优选的，所述基于直播风格特征的种类分别对应训练风格特征识别模型，具体包括：
基于历史直播数据，获取若干个样本数据，所述样本数据包括图像样本数据和语言样本数据；
分别对图像样本数据和语言样本数据中的直播风格特征进行赋值；
将样本数据分为训练样本数据和验证样本数据；
利用训练样本数据以及训练样本数据的直播风格特征赋值数据进行风格特征识别模型训练，获得初步识别模型；
利用验证样本数据以及验证样本数据的直播风格特征赋值数据进行初步识别模型测试，判断初步识别模型是否满足验证样本数据的测试需求，若是，则初步识别模型为训练好的风格特征识别模型，若否，则初步识别模型不满足风格特征识别需求，重新获取若干个样本数据，并进行初步识别模型的训练。
优选的，所述对多个峰值风格特征数据进行分析，结合数据峰值点数据对应的直播数据确定每一个直播数据对应的风格特征值统计数据具体包括：
按照直播数据的不同，对峰值直播图像的特征值和峰值直播音频的特征值进行分类，每一种直播数据对应一个峰值直播图像的特征值集合和一个峰值直播音频的特征值集合和一个商品特征集合；
按照风格特征属性将每一个峰值直播图像的特征值集合和每一个峰值直播音频的特征值集合和每一个商品特征集合进行拆分成若干个直播图像属性特征值子集和若干个直播音频属性特征值子集和商品属性特征子集；
对每一个直播图像属性特征值子集和每一个直播音频属性特征值子集和每一个商品属性特征子集中的元素进行计算，确定每一个直播图像属性特征值子集和每一个直播音频属性特征值子集和每一个商品属性特征子集中的元素数量；
基于每一个直播图像属性特征值子集和每一个直播音频属性特征值子集和商品属性特征子集中的元素数量，计算每一个直播图像属性特征值子集和每一个直播音频属性特征值子集和每一个商品属性特征子集中的元素的数量占比。
优选的，所述根据当前直播阶段的直播数据需求结合风格特征值统计数据进行计算，获得直播间最佳直播风格具体包括：
根据直播间的当前发展阶段，分别对不同的直播数据施加不同的优先级，并基于不同的优先级对不同的直播数据附加重要权重值；
按照风格拟合计算公式，进行计算风格特征属性对应的每一个风格特征的指标值；
筛选出每一个风格特征属性对应风格特征的指标值最大值对应的风格特征，记为风格特征属性对应的最佳风格特征；
将每个风格特征属性对应的最佳风格特征进行组合，获得直播间最佳直播风格；
其中，所述风格拟合计算公式为：
Figure SMS_6
式中，/>
Figure SMS_7
为第i个风格特征的指标值，/>
Figure SMS_8
为第j个直播数据的重要权重值，/>
Figure SMS_9
为第i个风格特征的指标值在第j个直播数据对应的直播图像属性特征值子集和直播音频属性特征值子集和商品属性特征子集中的数量占比。
进一步的，提出一种基于直播数据的购物直播风格确定系统，用于实现如上述的基于直播数据的购物直播风格确定方法，包括：
处理器，所述处理器用于进行对实时直播数据进行数据分析，获取实时直播数据中不符合正态分布的数据峰值点、对多个峰值直播片段进行直播风格特征提取，获得多个峰值风格特征数据、对多个峰值风格特征数据进行分析，结合数据峰值点数据对应的直播数据确定每一个直播数据对应的风格特征值统计数据和根据当前直播阶段的直播数据需求结合风格特征值统计数据进行计算，获得直播间最佳直播风格；
直播数据采集模块，直播数据采集模块与所述处理器电性连接，所述直播数据采集模块用于实时采集每一次直播过程中的直播数据，获得实时直播数据；
直播影像采集模块，直播影像采集模块与所述处理器电性连接，所述直播影像采集模块用于采集直播影像数据，并根据实时直播数据中不符合正态分布的数据峰值点进行确定峰值时刻，并调取峰值时刻对应的直播片段，获得多个峰值直播片段。
可选的，所述处理器内部集成有：
峰值点计算单元，所述峰值点计算单元用于对实时直播数据进行数据分析，获取实时直播数据中不符合正态分布的数据峰值点；
模型训练单元，所述模型训练单元用于训练风格特征识别模型；
特征识别单元，所述特征识别单元用于对多个峰值直播片段进行直播风格特征提取，获得多个峰值风格特征数据；
特征分析单元，所述特征分析单元用于对多个峰值风格特征数据进行分析，结合数据峰值点数据对应的直播数据确定每一个直播数据对应的风格特征值统计数据；
风格确定单元，所述风格确定单元用于进行根据当前直播阶段的直播数据需求结合风格特征值统计数据进行计算，获得直播间最佳直播风格。
再进一步的，提出一种计算机可读存储介质，其上存储有计算机可读程序，所述计算机可读程序被调用时执行如上述的基于直播数据的购物直播风格确定方法。
与现有技术相比，本发明的有益效果在于：
本发明提出一种基于直播数据的购物直播风格确定方案，基于在直播过程中的数据峰值点进行分析，确定每一次数据峰值点发生时的直播间的直播风格，并针对直播间发展阶段所侧重的实时直播数据的种类进行分析当前阶段直播间的直播风格，可以有效的抓住直播间发展过程中的各个数据峰值点，并转化为直播间风格确定的指导手段，可有效的指导主播的直播风格，为购物直播的高效快速发展提供指导方案。
附图说明
图1为本发明提出的基于直播数据的购物直播风格确定系统结构框图；
图2为本发明提出的基于直播数据的购物直播风格确定方法流程图；
图3为本发明中的获取实时直播数据中的数据峰值点的方法流程图；
图4为本发明中的直播风格特征提取的方法流程图；
图5为本发明中的风格特征识别模型的训练方法流程图；
图6为本发明中的确定直播数据对应的风格特征值统计数据的方法流程图；
图7为本发明中的获取直播间最佳直播风格的方法流程图。
具体实施方式
以下描述用于揭露本发明以使本领域技术人员能够实现本发明。以下描述中的优选实施例只作为举例，本领域技术人员可以想到其他显而易见的变型。
参照图1所示，一种基于直播数据的购物直播风格确定系统，包括：
处理器，处理器用于进行对实时直播数据进行数据分析，获取实时直播数据中不符合正态分布的数据峰值点、对多个峰值直播片段进行直播风格特征提取，获得多个峰值风格特征数据、对多个峰值风格特征数据进行分析，结合数据峰值点数据对应的直播数据确定每一个直播数据对应的风格特征值统计数据和根据当前直播阶段的直播数据需求结合风格特征值统计数据进行计算，获得直播间最佳直播风格；
直播数据采集模块，直播数据采集模块与处理器电性连接，直播数据采集模块用于实时采集每一次直播过程中的直播数据，获得实时直播数据；
直播影像采集模块，直播影像采集模块与处理器电性连接，直播影像采集模块用于采集直播影像数据，并根据实时直播数据中不符合正态分布的数据峰值点进行确定峰值时刻，并调取峰值时刻对应的直播片段，获得多个峰值直播片段。
其中，处理器内部集成有：
峰值点计算单元，峰值点计算单元用于对实时直播数据进行数据分析，获取实时直播数据中不符合正态分布的数据峰值点；
模型训练单元，模型训练单元用于训练风格特征识别模型；
特征识别单元，特征识别单元用于对多个峰值直播片段进行直播风格特征提取，获得多个峰值风格特征数据；
特征分析单元，特征分析单元用于对多个峰值风格特征数据进行分析，结合数据峰值点数据对应的直播数据确定每一个直播数据对应的风格特征值统计数据；
风格确定单元，风格确定单元用于进行根据当前直播阶段的直播数据需求结合风格特征值统计数据进行计算，获得直播间最佳直播风格。
上述基于直播数据的购物直播风格确定系统的工作过程为：
步骤一：直播影像采集模块实时采集直播影像数据，直播数据采集模块实时采集每一次直播过程中的直播数据，获得实时直播数据；
步骤二：峰值点计算单元用于对实时直播数据进行数据分析，获取实时直播数据中不符合正态分布的数据峰值点；
步骤三：直播影像采集模块根据实时直播数据中不符合正态分布的数据峰值点进行确定峰值时刻，并调取峰值时刻对应的直播片段，获得多个峰值直播片段；
步骤四：特征识别单元对多个峰值直播片段进行直播风格特征提取，获得多个峰值风格特征数据；
步骤五：特征分析单元对多个峰值风格特征数据进行分析，结合数据峰值点数据对应的直播数据确定每一个直播数据对应的风格特征值统计数据；
步骤六：风格确定单元根据当前直播阶段的直播数据需求结合风格特征值统计数据进行计算，获得直播间最佳直播风格。
为进一步说明本方案，请参阅图2所示，提出一种基于直播数据的购物直播风格确定方法，包括：
实时采集每一次直播过程中的直播数据，获得实时直播数据，直播数据包括实时观看人数、关注量上涨数、弹幕发送量和商品购买数量；
对实时直播数据进行数据分析，获取实时直播数据中不符合正态分布的数据峰值点；
确定数据峰值点对应的直播时刻，获得峰值时刻；
调取峰值时刻对应的直播片段，获得多个峰值直播片段；
对多个峰值直播片段进行直播风格特征提取，获得多个峰值风格特征数据，直播风格特征的种类至少包括直播图像风格特征、直播语言风格和商品风格；
对多个峰值风格特征数据进行分析，结合数据峰值点数据对应的直播数据确定每一个直播数据对应的风格特征值统计数据；
根据当前直播阶段的直播数据需求结合风格特征值统计数据进行计算，获得直播间最佳直播风格；
其中，每个直播风格特征的种类均包括若干风格特征属性。
基于在直播过程中的数据峰值点进行分析，确定每一次数据峰值点发生时的直播间的直播风格，并针对直播间发展阶段所侧重的实时直播数据的种类进行分析当前阶段直播间的直播风格，可以有效的抓住直播间发展过程中的各个数据峰值点，并转化为直播间风格确定的指导手段，可有效的指导主播的直播风格。
请参阅图3所示，对实时直播数据进行数据分析，获取实时直播数据中不符合正态分布的数据峰值点具体包括：
基于实时直播数据进行计算当前直播过程中的直播数据的平均值和标准差，获得直播数据均值和直播数据的标准差；
基于格拉布斯准则和直播数据均值，对实时直播数据进行甄别，获得实时直播数据中的异常值；
判断实时直播数据中的异常值是否大于直播数据均值，若是，则判定为当前异常值为数据峰值点，若否，则判定为当前异常值为数据谷底点；
其中，格拉布斯准则的计算公式为：
Figure SMS_10
式中，/>
Figure SMS_11
为第i个实时直播数据，/>
Figure SMS_12
为直播数据均值，s为直播数据的标准差，bpn为临界值，临界值通过查格拉布斯表确定；
若满足格拉布斯准则的计算公式，则
Figure SMS_13
为实时直播数据中的异常值，否则，
Figure SMS_14
为实时直播数据中的正常值。
在正常直播过程中，各项直播数据的波动通常符合正态分布，因此当出现不符合正态分布的直播数据高峰值时，此时属于直播过程中数据爆发点，若能抓住出现数据爆发点出现的原因，保证保证直播间始终处于数据爆发点的状态，即可有效的保证直播间的发展速度；
通过基于格拉布斯准则进行甄别出直播数据中的数据爆发点，进而保证针对数据爆发点的精准识别，防止对于数据爆发点的漏检。
请参阅图4所示，进行直播风格特征提取具体包括：
基于直播风格特征的种类分别对应训练风格特征识别模型，风格特征识别模型至少包括与直播图像风格特征对应的风格特征识别模型和与直播语言风格对应的风格特征识别模型；
对多个峰值直播片段进行抽帧处理，获得若干个峰值直播图像；
对多个峰值直播片段进行音频抽离处理，获得若干个峰值直播音频；
调取与直播图像风格特征对应的风格特征识别模型，分别对每一个峰值直播图像进行风格特征识别，获得每一个峰值直播图像的特征值；
调取与直播语言风格对应的风格特征识别模型，分别对每一个峰值直播音频进行风格特征识别，获得每一个峰值直播音频的特征值；
获得峰值直播片段进行售卖的商品属性，根据商品属性进行分析商品特征。
请参阅图5所示，基于直播风格特征的种类分别对应训练风格特征识别模型，具体包括：
基于历史直播数据，获取若干个样本数据，样本数据包括图像样本数据和语言样本数据；
分别对图像样本数据和语言样本数据中的直播风格特征进行赋值；
将样本数据分为训练样本数据和验证样本数据；
利用训练样本数据以及训练样本数据的直播风格特征赋值数据进行风格特征识别模型训练，获得初步识别模型；
利用验证样本数据以及验证样本数据的直播风格特征赋值数据进行初步识别模型测试，判断初步识别模型是否满足验证样本数据的测试需求，若是，则初步识别模型为训练好的风格特征识别模型，若否，则初步识别模型不满足风格特征识别需求，重新获取若干个样本数据，并进行初步识别模型的训练。
本方案中的训练模型采用训练神经计算网络模型进行，人工神经网络（Artificial Neural Networks，简写为ANNs）也简称为神经网络（NNs）或称作连接模型（Connection Model），它是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的，基于历史直播数据和神经网络进行风格特征识别模型的训练，可有效的保证风格特征识别模型对峰值直播片段中的风格特征识别的精准度。
请参阅图6所示，对多个峰值风格特征数据进行分析，结合数据峰值点数据对应的直播数据确定每一个直播数据对应的风格特征值统计数据具体包括：
按照直播数据的不同，对峰值直播图像的特征值和峰值直播音频的特征值进行分类，每一种直播数据对应一个峰值直播图像的特征值集合和一个峰值直播音频的特征值集合和一个商品特征集合；
按照风格特征属性将每一个峰值直播图像的特征值集合和每一个峰值直播音频的特征值集合和每一个商品特征集合进行拆分成若干个直播图像属性特征值子集和若干个直播音频属性特征值子集和商品属性特征子集；
对每一个直播图像属性特征值子集和每一个直播音频属性特征值子集和每一个商品属性特征子集中的元素进行计算，确定每一个直播图像属性特征值子集和每一个直播音频属性特征值子集和每一个商品属性特征子集中的元素数量；
基于每一个直播图像属性特征值子集和每一个直播音频属性特征值子集和商品属性特征子集中的元素数量，计算每一个直播图像属性特征值子集和每一个直播音频属性特征值子集和每一个商品属性特征子集中的元素的数量占比。
请参阅图7所示，根据当前直播阶段的直播数据需求结合风格特征值统计数据进行计算，获得直播间最佳直播风格具体包括：
根据直播间的当前发展阶段，分别对不同的直播数据施加不同的优先级，并基于不同的优先级对不同的直播数据附加重要权重值；
按照风格拟合计算公式，进行计算风格特征属性对应的每一个风格特征的指标值；
筛选出每一个风格特征属性对应风格特征的指标值最大值对应的风格特征，记为风格特征属性对应的最佳风格特征；
将每个风格特征属性对应的最佳风格特征进行组合，获得直播间最佳直播风格；
其中，风格拟合计算公式为：
Figure SMS_15
式中，/>
Figure SMS_16
为第i个风格特征的指标值，/>
Figure SMS_17
为第j个直播数据的重要权重值，/>
Figure SMS_18
为第i个风格特征的指标值在第j个直播数据对应的直播图像属性特征值子集和直播音频属性特征值子集和商品属性特征子集中的数量占比。
可以理解的是，对于购物直播间存在影响的直观风格特征种类有直播图像风格特征、直播语言风格和商品风格，而每个种类的直观风格特征有不同的属性，例如直播语言风格有着语音音线、语音话语风格、语速等多个属性，一个直播风格中每个属性通常对应着一个特征值；
本方案中，通过直播间发展不同阶段所需要的直播数据的不同，例如，在购物直播间早期的关注度积累阶段，对于实时观看人数、关注量上涨数、弹幕发送量的数据侧重增加，在购物直播间的带货稳定阶段，对于商品购买数量的的数据侧重增加，因此对风格确定时，对直播数据附加不同的权重值，通过计算每一个特征属性的综合指标最高的特征值，来作为直播间特征风格确定时的风格特征值，可有效的保证直播间的风格可满足直播间的综合发展需求。
再进一步的，本发明还提出一种计算机可读存储介质，其上存储有计算机可读程序，计算机可读程序被调用时执行如上述的基于直播数据的购物直播风格确定方法；
可以理解的是，计算机可读存储介质可以是磁性介质，例如，软盘、硬盘、磁带；光介质例如，DVD；或者半导体介质例如固态硬盘SolidStateDisk，SSD等。
综上所述，本发明的优点在于：基于在直播过程中的数据峰值点进行分析，可以有效的抓住直播间发展过程中的各个数据峰值点，并转化为直播间风格确定的指导手段，可有效的指导主播的直播风格，为购物直播的高效快速发展提供指导方案。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是本发明的原理，在不脱离本发明精神和范围的前提下本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明的范围内。本发明要求的保护范围由所附的权利要求书及其等同物界定。

Claims (9)

1.一种基于直播数据的购物直播风格确定方法，其特征在于，包括：
实时采集每一次直播过程中的直播数据，获得实时直播数据，所述直播数据包括实时观看人数、关注量上涨数、弹幕发送量和商品购买数量；
对实时直播数据进行数据分析，获取实时直播数据中不符合正态分布的数据峰值点；
确定数据峰值点对应的直播时刻，获得峰值时刻；
调取峰值时刻对应的直播片段，获得多个峰值直播片段；
对多个峰值直播片段进行直播风格特征提取，获得多个峰值风格特征数据，所述直播风格特征的种类至少包括直播图像风格特征、直播语言风格和商品风格；
对多个峰值风格特征数据进行分析，结合数据峰值点数据对应的直播数据确定每一个直播数据对应的风格特征值统计数据；
根据当前直播阶段的直播数据需求结合风格特征值统计数据进行计算，获得直播间最佳直播风格；
其中，每个直播风格特征的种类均包括若干风格特征属性。
2.根据权利要求1所述的一种基于直播数据的购物直播风格确定方法，其特征在于，所述对实时直播数据进行数据分析，获取实时直播数据中不符合正态分布的数据峰值点具体包括：
基于实时直播数据进行计算当前直播过程中的直播数据的平均值和标准差，获得直播数据均值和直播数据的标准差；
基于格拉布斯准则和直播数据均值，对实时直播数据进行甄别，获得实时直播数据中的异常值；
判断实时直播数据中的异常值是否大于直播数据均值，若是，则判定为当前异常值为数据峰值点，若否，则判定为当前异常值为数据谷底点；
其中，格拉布斯准则的计算公式为：
Figure QLYQS_1
式中，/>
Figure QLYQS_2
为第i个实时直播数据，/>
Figure QLYQS_3
为直播数据均值，s为直播数据的标准差，bpn为临界值，临界值通过查格拉布斯表确定；
若满足格拉布斯准则的计算公式，则
Figure QLYQS_4
为实时直播数据中的异常值，否则，/>
Figure QLYQS_5
为实时直播数据中的正常值。
3.根据权利要求2所述的一种基于直播数据的购物直播风格确定方法，其特征在于，所述进行直播风格特征提取具体包括：
基于直播风格特征的种类分别对应训练风格特征识别模型，所述风格特征识别模型至少包括与直播图像风格特征对应的风格特征识别模型和与直播语言风格对应的风格特征识别模型；
对多个峰值直播片段进行抽帧处理，获得若干个峰值直播图像；
对多个峰值直播片段进行音频抽离处理，获得若干个峰值直播音频；
调取与直播图像风格特征对应的风格特征识别模型，分别对每一个峰值直播图像进行风格特征识别，获得每一个峰值直播图像的特征值；
调取与直播语言风格对应的风格特征识别模型，分别对每一个峰值直播音频进行风格特征识别，获得每一个峰值直播音频的特征值；
获得峰值直播片段进行售卖的商品属性，根据商品属性进行分析商品特征。
4.根据权利要求3所述的一种基于直播数据的购物直播风格确定方法，其特征在于，所述基于直播风格特征的种类分别对应训练风格特征识别模型，具体包括：
基于历史直播数据，获取若干个样本数据，所述样本数据包括图像样本数据和语言样本数据；
分别对图像样本数据和语言样本数据中的直播风格特征进行赋值；
将样本数据分为训练样本数据和验证样本数据；
利用训练样本数据以及训练样本数据的直播风格特征赋值数据进行风格特征识别模型训练，获得初步识别模型；
利用验证样本数据以及验证样本数据的直播风格特征赋值数据进行初步识别模型测试，判断初步识别模型是否满足验证样本数据的测试需求，若是，则初步识别模型为训练好的风格特征识别模型，若否，则初步识别模型不满足风格特征识别需求，重新获取若干个样本数据，并进行初步识别模型的训练。
5.根据权利要求4所述的一种基于直播数据的购物直播风格确定方法，其特征在于，所述对多个峰值风格特征数据进行分析，结合数据峰值点数据对应的直播数据确定每一个直播数据对应的风格特征值统计数据具体包括：
按照直播数据的不同，对峰值直播图像的特征值和峰值直播音频的特征值进行分类，每一种直播数据对应一个峰值直播图像的特征值集合和一个峰值直播音频的特征值集合和一个商品特征集合；
按照风格特征属性将每一个峰值直播图像的特征值集合和每一个峰值直播音频的特征值集合和每一个商品特征集合进行拆分成若干个直播图像属性特征值子集和若干个直播音频属性特征值子集和商品属性特征子集；
对每一个直播图像属性特征值子集和每一个直播音频属性特征值子集和每一个商品属性特征子集中的元素进行计算，确定每一个直播图像属性特征值子集和每一个直播音频属性特征值子集和每一个商品属性特征子集中的元素数量；
基于每一个直播图像属性特征值子集和每一个直播音频属性特征值子集和商品属性特征子集中的元素数量，计算每一个直播图像属性特征值子集和每一个直播音频属性特征值子集和每一个商品属性特征子集中的元素的数量占比。
6.根据权利要求5所述的一种基于直播数据的购物直播风格确定方法，其特征在于，所述根据当前直播阶段的直播数据需求结合风格特征值统计数据进行计算，获得直播间最佳直播风格具体包括：
根据直播间的当前发展阶段，分别对不同的直播数据施加不同的优先级，并基于不同的优先级对不同的直播数据附加重要权重值；
按照风格拟合计算公式，进行计算风格特征属性对应的每一个风格特征的指标值；
筛选出每一个风格特征属性对应风格特征的指标值最大值对应的风格特征，记为风格特征属性对应的最佳风格特征；
将每个风格特征属性对应的最佳风格特征进行组合，获得直播间最佳直播风格；
其中，所述风格拟合计算公式为：
Figure QLYQS_6
式中，/>
Figure QLYQS_7
为第i个风格特征的指标值，/>
Figure QLYQS_8
为第j个直播数据的重要权重值，/>
Figure QLYQS_9
为第i个风格特征的指标值在第j个直播数据对应的直播图像属性特征值子集和直播音频属性特征值子集和商品属性特征子集中的数量占比。
7.一种基于直播数据的购物直播风格确定系统，用于实现如权利要求1-6任一项所述的基于直播数据的购物直播风格确定方法，其特征在于，包括：
处理器，所述处理器用于进行对实时直播数据进行数据分析，获取实时直播数据中不符合正态分布的数据峰值点、对多个峰值直播片段进行直播风格特征提取，获得多个峰值风格特征数据、对多个峰值风格特征数据进行分析，结合数据峰值点数据对应的直播数据确定每一个直播数据对应的风格特征值统计数据和根据当前直播阶段的直播数据需求结合风格特征值统计数据进行计算，获得直播间最佳直播风格；
直播数据采集模块，直播数据采集模块与所述处理器电性连接，所述直播数据采集模块用于实时采集每一次直播过程中的直播数据，获得实时直播数据；
直播影像采集模块，直播影像采集模块与所述处理器电性连接，所述直播影像采集模块用于采集直播影像数据，并根据实时直播数据中不符合正态分布的数据峰值点进行确定峰值时刻，并调取峰值时刻对应的直播片段，获得多个峰值直播片段。
8.根据权利要求7所述的一种基于直播数据的购物直播风格确定系统，其特征在于，所述处理器内部集成有：
峰值点计算单元，所述峰值点计算单元用于对实时直播数据进行数据分析，获取实时直播数据中不符合正态分布的数据峰值点；
模型训练单元，所述模型训练单元用于训练风格特征识别模型；
特征识别单元，所述特征识别单元用于对多个峰值直播片段进行直播风格特征提取，获得多个峰值风格特征数据；
特征分析单元，所述特征分析单元用于对多个峰值风格特征数据进行分析，结合数据峰值点数据对应的直播数据确定每一个直播数据对应的风格特征值统计数据；
风格确定单元，所述风格确定单元用于进行根据当前直播阶段的直播数据需求结合风格特征值统计数据进行计算，获得直播间最佳直播风格。
9.一种计算机可读存储介质，其上存储有计算机可读程序，其特征在于，所述计算机可读程序被调用时执行如权利要求1-6任一项所述的基于直播数据的购物直播风格确定方法。
CN202310513224.1A 2023-05-09 2023-05-09 基于直播数据的购物直播风格确定方法、系统及存储介质 Active CN116233480B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310513224.1A CN116233480B (zh) 2023-05-09 2023-05-09 基于直播数据的购物直播风格确定方法、系统及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310513224.1A CN116233480B (zh) 2023-05-09 2023-05-09 基于直播数据的购物直播风格确定方法、系统及存储介质

Publications (2)

Publication Number Publication Date
CN116233480A true CN116233480A (zh) 2023-06-06
CN116233480B CN116233480B (zh) 2023-06-27

Family

ID=86569951

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310513224.1A Active CN116233480B (zh) 2023-05-09 2023-05-09 基于直播数据的购物直播风格确定方法、系统及存储介质

Country Status (1)

Country Link
CN (1) CN116233480B (zh)

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106331779B (zh) * 2016-08-22 2019-07-26 暴风集团股份有限公司 在播放视频过程中基于用户喜好推送主播的方法及系统
CN108063981B (zh) * 2017-12-26 2020-06-30 广州酷狗计算机科技有限公司 设置直播间的属性的方法和装置
CN110446057B (zh) * 2019-08-30 2022-05-17 北京字节跳动网络技术有限公司 直播辅助数据的提供方法、装置、设备及可读介质
CN113421143A (zh) * 2020-10-10 2021-09-21 阿里巴巴集团控股有限公司 辅助直播的处理方法、装置及电子设备
CN112911324B (zh) * 2021-01-29 2022-10-28 北京达佳互联信息技术有限公司 直播间的内容展示方法、装置、服务器以及存储介质
CN115514995A (zh) * 2021-06-23 2022-12-23 武汉斗鱼鱼乐网络科技有限公司 一种直播间推荐信息的展示方法、装置以及设备
CN115619041B (zh) * 2022-11-09 2023-11-21 哈尔滨工业大学 基于lda主题模型与固定效应模型的直播效果的预测方法

Also Published As

Publication number Publication date
CN116233480B (zh) 2023-06-27

Similar Documents

Publication Publication Date Title
CN106021362B (zh) 查询式的图片特征表示的生成、图片搜索方法和装置
CN108280670B (zh) 种子人群扩散方法、装置以及信息投放系统
CN110826398A (zh) 一种智能图像识别进行大数据采集分析系统及应用方法
WO2021083069A1 (zh) 用于训练换脸模型的方法和设备
CN112163614A (zh) 一种主播分类方法、装置、电子设备及存储介质
CN114997956B (zh) 基于大数据的母婴产品智能推荐系统
CN117938716A (zh) 一种基于云计算的网络监测数据处理系统、方法及储存介质
CN117834724B (zh) 一种基于大数据分析的视频学习资源管理系统
CN110889366A (zh) 一种基于面部表情判断用户兴趣度的方法及系统
CN116233480B (zh) 基于直播数据的购物直播风格确定方法、系统及存储介质
CN113918763A (zh) 视频封面的推荐、生成方法、装置、设备及存储介质
CN116363416A (zh) 一种图像去重方法、装置、电子设备和存储介质
CN114996509A (zh) 训练视频特征提取模型和视频推荐的方法和装置
CN109816437B (zh) 一种购买意愿预测方法、装置和商品管理服务器
CN111143688A (zh) 一种基于移动新闻客户端的评估方法及其系统
CN114004645B (zh) 融媒体广告智慧监测平台和电子设备
WO2024174578A1 (zh) 物品推荐方法、装置、电子设备、存储介质、计算机程序产品
CN114139656B (zh) 一种基于深度卷积分析的图片归类方法及播控平台
CN111523009B (zh) 一种数据可视化处理方法
CN114374881B (zh) 分配用户流量的方法、装置、电子设备及存储介质
CN117194799A (zh) 用于生成落地页组的方法、装置及计算机程序产品
CN117893275A (zh) 基于推荐模型的商品推荐方法、装置及电子设备
CN117112836A (zh) 一种面向视频内容的大数据智能分类方法
CN114329060A (zh) 基于神经网络模型的视频帧多标签自动生成方法及系统
CN118349699A (zh) 一种基于多模态特征融合的高效图文检索方法及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant