CN116469039A - 热点视频事件确定方法和系统、存储介质及电子设备 - Google Patents
热点视频事件确定方法和系统、存储介质及电子设备 Download PDFInfo
- Publication number
- CN116469039A CN116469039A CN202310488132.2A CN202310488132A CN116469039A CN 116469039 A CN116469039 A CN 116469039A CN 202310488132 A CN202310488132 A CN 202310488132A CN 116469039 A CN116469039 A CN 116469039A
- Authority
- CN
- China
- Prior art keywords
- video
- root node
- video event
- event
- root
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 62
- 239000013598 vector Substances 0.000 claims description 24
- 238000004590 computer program Methods 0.000 claims description 12
- 230000011218 segmentation Effects 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 abstract description 6
- 230000004044 response Effects 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 10
- 238000012545 processing Methods 0.000 description 10
- 238000004364 calculation method Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 5
- 230000003993 interaction Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
- G06V20/47—Detecting features for summarising video content
-
- 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
- G06F16/732—Query formulation
- G06F16/7328—Query by example, e.g. a complete video frame or video sequence
-
- 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
-
- 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
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Library & Information Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请公开了一种热点视频事件确定方法和系统、存储介质及电子设备。其中，方法包括：按照预设轮询周期在视频事件信息网络中查找根节点；在查找到一个根节点时，计算根节点及其子节点的属性值的增量；根据根节点及其子节点的属性值的增量判断根节点是否为备选视频事件；若是，则根据根节点及其子节点的属性值计算根节点的分值，根据根节点的分值判断根节点对应的备选视频事件是否为热点视频事件；若是，则将根节点对应的视频事件存入热点视频事件集合；确定该热点视频事件集合对应的原始视频集合。本申请能够使得监管部门及时从海量视频中及时发现热点视频，掌握民众对热点视频的反应，分析热点视频的舆论导向，及时限制负面舆论的传播并予以清除，为维护视频舆情的正确导向提供了有效监测手段。
Description
技术领域
本申请涉及视频和图像处理技术领域，具体而言，涉及一种热点视频事件确定方法和系统、存储介质及电子设备。
背景技术
随着信息技术和互联网的飞速发展，网络上的视频以惊人的速度产生和传播，有些视频的大量传播可能会对社会舆论产生巨大影响向。如何从海量的视频中迅速找到的热点视频，快速掌握民众对热点视频的反应，有效分析热点视频的舆论导向，及时限制负面舆论的传播并予以清除，确保视频舆情的正确导向，是舆情监测的工作的重中之重。
在现有技术中，通常采用遍历一段时间内存在的视频进行分析，该段时间内存在大量内容相同的视频，使得遍历的视频数量庞大，同时监查人员主动遍历视频的方式费时费力，使得监管部门无法及时从海量视频中及时发现热点视频，同时也无法及时发现并限制负面舆论导向视频的传播并予以清除，不利于维护视频舆情的正确导向。
发明内容
本申请实施例提供了一种热点视频事件确定方法和系统、存储介质及电子设备，以至少解决无法及时对需要处理的舆情热点视频进行管理的技术问题。
根据本申请实施例的一个方面，提供了一种热点视频事件确定方法，其特征在于，应用于视频事件信息网络，方法包括：按照预设轮询周期在视频事件信息网络中查找根节点；其中，视频事件信息网络是基于视频事件信息空间以多级树集合为基础构造的森林结构，视频事件信息空间是指视频事件特征向量所在的多维向量空间，多级树包括根节点和子节点，任意两个根节点对应的视频事件之间的差异率大于预设阈值，每个根节点的子节点与其根节点对应的视频事件之间的差异率小于等于预设阈值；在查找到一个根节点时，计算根节点及其子节点的属性值的增量；根据根节点及其子节点的属性值的增量判断根节点是否为备选视频事件；若是，则根据根节点及其子节点的属性值计算根节点的分值，根据根节点的分值判断根节点对应的备选视频事件是否为热点视频事件；若是，则将根节点对应的视频事件存入热点视频事件集合；在视频事件信息网络中全部根节点遍历结束的情况下，获取热点视频事件集合中每个热点视频事件对应的原始视频，得到原始视频集合。
可选的，视频事件是指一个镜头内所有内容帧的集合，视频事件特征向量为在相同坐标系下对内容帧的集合提取特征矩阵后计算得到，内容帧是指表示镜头内容的帧，包括首帧、尾帧、和N个中间帧，N为自然数，中间帧通过对一个镜头的除首尾两帧之外的所有子帧顺序与其前一个内容帧进行差异率计算，当差异率大于预设阈值时得到。
可选的，计算根节点及其子节点的属性值的增量，包括：统计根节点及其子节点的第一属性值；属性值至少包括事件数量、回复数量以及点赞数量；获取上一个轮询的开始所统计的根节点及其子节点的第二属性值；将第一属性值与第二属性值的差值作为根节点及其子节点的属性值的增量。
可选的，根据根节点及其子节点的属性值的增量判断根节点是否为备选视频事件，包括：当任意一个属性值的增量大于预设阈值时，将根节点对应的视频事件确定为备选视频事件；根据根节点及其子节点的属性值计算根节点的分值，根据根节点的分值判断根节点对应的备选视频事件是否为热点视频事件，包括：如果根节点对应的视频事件为备选视频事件，根据根节点及其子节点的属性值计算根节点的分值；如果根节点的分值大于预设阈值，将根节点对应的备选视频事件确定为热点视频事件；继续执行在视频事件信息网络中查找根节点，直到视频事件信息网络中全部根节点遍历结束。
可选的，获取热点视频事件集合中每个热点视频事件对应的原始视频，得到原始视频集合，包括：确定热点视频事件集合中每个热点视频事件的视频属性信息；在预先构建的视频属性信息和原始视频的映射关系中定位每个视频属性信息对应的原始视频，得到每个热点视频事件对应的原始视频，以得到原始视频集合；如果存在多个热点视频事件对应同一原始视频的情况，则同一原始视频在原始视频集合中只添加一次。
可选的，方法还包括：计算原始视频集合中每个视频的分值；根据每个视频的分值将原始视频集合进行倒序排列；将排序后的原始视频集合推送至客户端进行显示。
可选的，按照预设轮询周期在视频事件信息网络中查找是否存在根节点之前，还包括：获取并预处理原始视频文件，得到目标视频；对目标视频进行镜头分割，得到至少一个镜头；根据至少一个镜头，生成镜头数据；提取每个镜头的内容帧；根据每个镜头的内容帧，生成内容帧数据；根据每个镜头的镜头数据和内容帧数据，得到每个视频事件；将每个视频事件作为根节点或子节点，构成视频事件信息网络。
根据本申请实施例的另一方面，还提供了一种热点视频事件确定系统，应用于视频事件信息网络，系统包括：查找模块，用于按照预设轮询周期在视频事件信息网络中查找根节点；其中，视频事件信息网络是基于视频事件信息空间以多级树集合为基础构造的森林结构，视频事件信息空间是指视频事件特征向量所在的多维向量空间，多级树包括根节点和子节点，任意两个根节点对应的视频事件之间的差异率大于预设阈值，每个根节点的子节点与其根节点对应的视频事件之间的差异率小于等于预设阈值；计算模块，用于在查找到一个根节点时，计算根节点及其子节点的属性值的增量；判定模块，用于根据根节点及其子节点的属性值的增量判断根节点是否为备选视频事件；若是，则根据根节点及其子节点的属性值计算根节点的分值；根据根节点的分值判断根节点对应的备选视频事件是否为热点视频事件；若是，则将根节点对应的视频事件存入热点视频事件集合；获取模块，用于在视频事件信息网络中全部根节点遍历结束的情况下，获取热点视频事件集合中每个热点视频事件对应的原始视频，得到原始视频集合。
根据本申请实施例的又一方面，还提供了一种电子设备，包括存储器和处理器，上述存储器中存储有计算机程序，上述处理器被设置为通过上述计算机程序执行上述的热点视频事件确定方法。
根据本申请实施例的又一方面，还提供了一种计算机可读的存储介质，该计算机可读的存储介质中存储有计算机程序，其中，该计算机程序被设置为运行时执行上述热点视频事件确定方法。
在本申请实施例中，热点视频事件确定系统首先按照预设轮询周期在视频事件信息网络中查找根节点，然后在查找到一个根节点时，计算根节点及其子节点的属性值的增量，其次根据根节点及其子节点的属性值的增量判断根节点是否为备选视频事件；若是，则根据根节点及其子节点的属性值计算根节点的分值，并根据根节点的分值判断根节点对应的备选视频事件是否为热点视频事件；若是，则将根节点对应的视频事件存入热点视频事件集合；最后在视频事件信息网络中全部根节点遍历结束的情况下，获取热点视频事件集合中每个热点视频事件对应的原始视频，得到原始视频集合。由于本申请通过设定轮询周期不断在视频事件信息网络中遍历根节点，并通过计算属性值的增量和事件分值的方式及时找到热点视频事件，通过热点视频事件找到热点视频并计算热点视频的分值，将热点视频集合按分值倒排序并反馈到客户端，能够使得监管部门及时从海量视频中及时发现热点视频，掌握民众对热点视频的反应，分析热点视频的舆论导向，及时限制负面舆论的传播并予以清除，为维护视频舆情的正确导向提供了有效监测手段。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1是根据本申请实施例的一种可选的热点视频事件确定方法的应用环境的示意图；
图2是根据本申请实施例的另一种可选的热点视频事件确定方法的应用环境的示意图；
图3是根据本申请实施例的一种可选的热点视频确定方的流程示意图；
图4是根据本申请实施例的一种内容帧选取的示意图；
图5是根据本申请实施例的一种视频到内容帧的分层次提取过程示意图；
图6是根据本申请实施例的一种视频资源数据处理的整体流程示意图；
图7是根据本申请实施例的一种视频推送结果显示的示意图；
图8是根据本申请实施例的一种热点视频确定过程的过程示意框图；
图9是根据本申请实施例的一种热点视频事件确定系统的结构示意图；
图10是根据本申请实施例的一种可选的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。
需要说明的是，本申请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，以便这里描述的本申请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。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
根据本申请实施例的一个方面，提供了一种热点视频事件确定方法，作为一种可选地实施方式，上述热点视频事件确定方法可以但不限于应用于如图1所示的应用环境中。该应用环境中包括：与用户进行人机交互的终端设备102、网络104、服务器106。用户108与终端设备102之间可以进行人机交互，终端设备102中运行有热点视频确定应用程序。上述终端设备102中包括人机交互屏幕1022，处理器1024及存储器1026。人机交互屏幕1022用于显示原始视频集合；处理器1024用于确定热点视频事件和原始视频。存储器1026用于存储上述热点视频事件和原始视频。
此外，服务器106中包括数据库1062及处理引擎1064，数据库1062中用于存储上述热点视频事件和原始视频。处理引擎1064用于：按照预设轮询周期在视频事件信息网络中查找根节点；其中，视频事件信息网络是基于视频事件信息空间以多级树集合为基础构造的森林结构，视频事件信息空间是指视频事件特征向量所在的多维向量空间，多级树包括根节点和子节点，任意两个根节点对应的视频事件之间的差异率大于预设阈值，每个根节点的子节点与其根节点对应的视频事件之间的差异率小于等于预设阈值；在查找到一个根节点时，计算根节点及其子节点的属性值的增量；根据根节点及其子节点的属性值的增量判断根节点是否为备选视频事件；若是，则根据根节点及其子节点的属性值计算根节点的分值，根据根节点的分值判断根节点对应的备选视频事件是否为热点视频事件；若是，则将根节点对应的视频事件存入热点视频事件集合；在视频事件信息网络中全部根节点遍历结束的情况下，获取热点视频事件集合中每个热点视频事件对应的原始视频，得到原始视频集合。
在一个或多个实施例中，本申请上述热点视频事件确定方法可以应用于图2所示的应用环境中。如图2所示，用户202与用户设备204之间可以进行人机交互。用户设备204中包含有存储器206和处理器208。本实施例中用户设备204可以但不限于参考执行上述终端设备102所执行的操作，确定热点视频。
可选地，上述终端设备102和用户设备204包括但不限于为手机、平板电脑、笔记本电脑、PC机，车载电子设备，可穿戴设备等终端，上述网络104可以包括但不限于无线网络或有线网络。其中，该无线网络包括：WIFI及其他实现无线通信的网络。上述有线网络可以包括但不限于：广域网、城域网、局域网。上述服务器106可以包括但不限于任何可以进行计算的硬件设备。上述服务器可以是单一服务器，也可以是由多个服务器组成的服务器集群，或者是云服务器。上述仅是一种示例，本实施例中对此不作任何限定。
相关技术中通常采用遍历一段时间内存在的视频进行分析，该段时间内存在大量内容相同的视频，使得遍历的视频数量庞大，同时监查人员主动遍历视频的方式费时费力，使得监管部门无法及时从海量视频中及时发现热点视频，同时也无法及时发现并限制负面舆论导向视频的传播并予以清除，不利于维护视频舆情的正确导向。
为了解决上述技术问题，作为一种可选地实施方式，如图3所示，本申请实施例提供了一种热点视频事件确定方法，应用于视频事件信息网络，包括如下步骤：
S101，按照预设轮询周期在视频事件信息网络中查找根节点；
其中，视频事件信息网络是基于视频事件信息空间以多级树集合为基础构造的森林结构，视频事件信息空间是指视频事件特征向量所在的多维向量空间，多级树包括根节点和子节点，任意两个根节点对应的视频事件之间的差异率大于预设阈值，每个根节点的子节点与其根节点对应的视频事件之间的差异率小于等于预设阈值。
需要说明的是，本申请中的多级树可为2级树结构，每个子节点至少属于1个根节点，根节点下可以没有子节点。
具体的，视频事件是指一个镜头内所有内容帧的集合，视频事件特征向量为在相同坐标系下对内容帧的集合提取特征矩阵后计算得到，内容帧是指表示镜头内容的帧，包括首帧、尾帧、和N个中间帧，N为自然数，中间帧通过对一个镜头的除首尾两帧之外的所有子帧顺序与其前一个内容帧进行差异率计算，当差异率大于预设阈值时得到。
例如，通过分析镜头中内容的差异，可以从连续帧序列中选取少量的帧来表示镜头的内容，这些帧即为内容帧。内容帧至少包括镜头的首尾两帧(镜头帧)，所以一个镜头内容帧数量≥2。
例如图4所示，首帧是第一个内容帧，然后计算第2、第3帧.....与其差异率，直到大于预设阈值，假如第2、3与首帧的差异率小于预设阈值，而第4帧大于预设阈值，则第4帧就是第二个内容帧。然后计算第5、第6....与第4帧的差异率，直到大预设阈值，假如第5、6、7帧与首帧的差异率小于预设阈值，而第8帧大于预设阈值，则第8帧就是第三个内容帧。依次类推，计算出所有首帧和尾帧之间的所有子帧中的内容帧。尾帧直接选定为最后一个内容帧，而不必计算与其前一个内容帧之间的差异率。
例如一个监控视频，夜晚期间人少车少，视频画面变化很小，那内容帧会很少，例如在10个小时内仅提取个位数个内容帧。而白天人多车多，视频画面里面人和物的变化频繁，按照上面方法计算出来的内容帧会比晚上多很多。由此，内容帧相对于关键帧来说，保证了不丢失镜头视频的所有内容信息，因为关键帧有可能丢失部分镜头内容。而相对于视频每一帧都要计算和考虑的方案，内容帧的选取由于只选取了部分视频图像帧，在不丢失内容的前提下，极大了减少了图像计算量。
在本申请实施例中，在按照预设轮询周期在视频事件信息网络中查找根节点时，首先获取当前时刻，然后计算当前时刻和上一个轮询开始时刻之间的目标时长，最后在目标时长大于等于预设轮询周期时，当前时刻为轮询开始时刻，在视频事件信息网络中查找是否存在根节点。
进一步地，在目标时长小于预设轮询周期时，不做任何处理，等待目标时长大于等于轮询周期时进行处理。
在本申请实施例中，在构建视频事件信息网络时，首先获取并预处理原始视频文件，得到目标视频，然后对目标视频进行镜头分割，得到至少一个镜头，再根据至少一个镜头，生成镜头数据，其次提取每个镜头的内容帧，并根据每个镜头的内容帧，生成内容帧数据，最后根据每个镜头的镜头数据和内容帧数据，得到每个视频事件，并将每个视频事件作为根节点或子节点，构成视频事件信息网络。镜头分割可采用现有技术中的任意一种进行，此处不再赘述。
例如图5所示，目标视频的视频内容是由连续帧序列组成的，按照视频内容的连续性可将连续帧序列分为多组，每组连续帧序列即为一个镜头。通过分析视频镜头中内容的差异，从连续帧序列中选取少量的帧来表示镜头的内容，这些帧即为内容帧。内容帧至少包括镜头的首尾两帧(镜头帧)，所以一个镜头内容帧数量≥2。
具体的，在将每个视频事件作为根节点或子节点，构成视频事件信息网络时，首先计算第一视频事件的特征向量，第一视频事件为任意一个视频事件，然后遍历视频事件信息网络，查找内容帧数量大于等于第一视频事件的内容帧数量的目标根节点，若不存在目标根节点，则将第一视频事件作为新的根节点添加至视频事件信息网络中；若存在至少一个目标根节点，再根据第一视频事件的特征向量判断第一视频事件与至少一个目标根节点是否相似；若是，则将第一视频事件作为目标根节点的子节点添加至视频事件信息网络中；或者，若否，则将第一视频事件作为新的根节点添加至视频事件信息网络中。
具体的，在根据第一视频事件的特征向量判断第一视频事件是否存在相似目标根节点，可将第一视频事件可记为q，目标根节点的视频事件可记为p，已知事件p的内容帧数量fcntp和事件q的内容帧数量fCntq，如果事件q和p可能相似，必满足关系fcntp≥fcntq(若不满足则将p和q互换)，判断事件q是否与事件p相似的方法如下：
步骤1：判断事件p与q的内容帧数量fcntp与fcntq是否满足：
fcntp-fcntq≤diffmax；其中diffmax≥0为预设阈值，如果不满足则事件p与q不相似，判断结束；
步骤2：计算事件p的特征向量EV(p)与事件q的特征向量EV(q)的特征向量差异率DisEV(p，q)；视频事件特征向量为EV，EV的维度为3481；
步骤3：判断是否满足条件：
DisEV(p，q)≤DisEVmax；
其中DisEVmax为预设阈值，不满足则事件q与p不相似，判断结束；
步骤4：进行精确计算，通过公式计算内容帧特征矩阵的差异率是否满足条件：
满足：
如果不满足，则事件p与q不相似，判断结束；其中，Dis(i)为事件p的j内容帧和事件q的i内容帧之间的最终差异率，dis(fpj，fqi)为事件p的j内容帧和事件q的i内容帧之间的原始差异率，θ为固有误差，/>为计算误差的预设阈值，fpi和fqi分别为事件p的j内容帧和事件q的i内容帧；dismax为预设差异率阈值；
步骤5：计算p与q的相似率SimEV(p，q)，公式如下：
Dis(i)为事件p与事件q的i内容帧相似的j内容帧之间的最终差异率；
步骤6：判断SimEV是否满足条件：
SimEV≥SimEVmin
其中SimEVmin为预设阈值，满足条件则事件p与q相似，否则不相似。
例如图6所示，图6是本申请提供的一种视频资源数据处理的整体流程，首先在得到待处理的视频文件后，对视频文件进行视频预处理，可得到视频属性信息，再对预处理后的视频进行镜头分割，得到镜头数据，然后在分割出的每个镜头中进行内容帧提取，得到内容帧数据，其次根据每个镜头的镜头数据和内容帧数据，得到每个视频事件，将每个视频事件和视频信息保存在视频资源库，最后将每个视频事件作为根节点或子节点，以构建网络，构成视频事件信息网络。其中，视频预处理包括解帧、归一化等操作，视频属性信息包括大小、时长、分辨率等。
S102，在查找到一个根节点时，计算根节点及其子节点的属性值的增量；
其中，轮询周期是用户提前设置的一个时间间隔，该时间间隔可根据具体实施场景进行设置，此处不再赘述。根节点是基于视频事件生成的。
在一种可能的实现方式中，如果查找到一个根节点时，计算根节点及其子节点的属性值的增量。
在另一种可能的实现方式中，如果没查找到一个根节点时，结束本次处理，等待下一轮询开始。
在本申请实施例中，在计算根节点及其子节点的属性值的增量时，首先统计根节点及其子节点的第一属性值；属性值至少包括事件数量、回复数量以及点赞数量；然后获取上一个轮询的开始所统计的根节点及其子节点的第二属性值，最后将第一属性值与第二属性值的差值作为根节点及其子节点的属性值的增量。
例如，在查找到一个根节点时，可将该根节点作为当前根节点，并设当前根节点为Er，然后统计根节点Er及全部子节点的属性值，属性值包括事件数量(子节点数量+1)、回复数量、点赞数量。因此多个统计的属性值对应多个增量。
S103，根据根节点及其子节点的属性值的增量判断根节点是否为备选视频事件；
若是，则根据根节点及其子节点的属性值计算根节点的分值，根据根节点的分值判断根节点对应的备选视频事件是否为热点视频事件；
若是，则将根节点对应的视频事件存入热点视频事件集合；
在本申请实施例中，在根据根节点及其子节点的属性值的增量判断根节点是否为备选视频事件时，当任意一个属性值的增量大于预设阈值时，将根节点对应的视频事件确定为备选视频事件。
具体的，多个增量分别为事件数量、回复数量以及点赞数量各自对应的增量，判断是否存在某一个增量是否大于预设阈值(每种属性的增量的阈值不同)，如果不存在则说明事件趋于沉寂。如果存在则根据根节点及其子节点的属性值计算根节点的分值。
在本申请实施例中，由于一个视频事件在2月份-3月份内增量大，同时分值也高，但是到4月份-5月份分值基本不变，但是增量很小，此视频事件不再是热点事件，因此需要找到当下增量大同时分值也高的视频事件，因此本申请中如果根节点任意一个属性值的增量大于预设阈值时，将根节点对应的视频事件确定为备选视频事件，然后根据根节点及其子节点的属性值计算根节点的分值，并根据根节点的分值判断根节点对应的备选视频事件是否为热点视频事件。
具体的，如果根节点对应的视频事件为备选视频事件，根据根节点及其子节点的属性值计算根节点的分值；如果根节点的分值大于预设阈值，将根节点对应的备选视频事件确定为热点视频事件；继续执行在视频事件信息网络中查找根节点，直到视频事件信息网络中全部根节点遍历结束。遍历结束后可找到热点事件集合。
具体的，根据根节点及其子节点的属性值计算根节点的分值时，可计算属性值(事件数量、回复数量、点赞数量)的加权平均数作为当前事件Er的分值HotVal，判断是否满足条件HotVal≥HotValmin(HotValmin为预设阈值)，满足则Er为热点事件，放入热点事件集合。
S104，在视频事件信息网络中全部根节点遍历结束的情况下，获取热点视频事件集合中每个热点视频事件对应的原始视频，得到原始视频集合。
在本申请实施例中，在获取热点视频事件集合中每个热点视频事件对应的原始视频，得到原始视频集合时，首先确定热点视频事件集合中每个热点视频事件的视频属性信息，然后在预先构建的视频属性信息和原始视频的映射关系中定位每个视频属性信息对应的原始视频，得到每个热点视频事件对应的原始视频，以得到原始视频集合；如果存在多个热点视频事件对应同一原始视频的情况，则同一原始视频在原始视频集合中只添加一次。
进一步地，在得到原始视频集合后，可通过计算原视频集合中每个原视频的分值，可对原视频进行排序，分值越高视频越热。首先计算原始视频集合中每个视频的分值，然后根据每个视频的分值将原始视频集合进行倒序排列，最后将排序后的原始视频集合推送至客户端进行显示，例如图7所示。
具体的，原始视频集合中每个视频的分值计算公式为：
例如图8所示，图8是本申请提供的一种热点视频确定过程的过程示意框图，可按照以下步骤实现：
步骤1：在视频事件信息网络中遍历根节点，设遍历到的当前根节点为Er；
步骤2：统计当前根节点Er及全部子节点的属性值，属性值包括事件数量(子节点数量+1)、回复数量、点赞数量；
步骤3：计算当前根节点在上一个轮询开始的属性值与本次轮询的属性值(事件数量、回复数量、点赞数量)之间的增量，判断是否存在某一属性值增量大于预设阈值(每种属性的阈值不同)，如果不存在则说明事件趋于沉寂，转到步骤6，如果存在则转到步骤4；
步骤4：计算当前根节点的属性值(事件数量、回复数量、点赞数量)的加权平均数作为当前根节点Er的分值HotVal；
步骤5：判断是否满足条件HotVal≥HotValmin(HotValmin为预设阈值)，满足则Er为热点事件，放入热点事件集合；
步骤6：重复1～5直到遍历结束；
步骤7：根据热点事件集合找出每个热点事件对应的原始视频，得到原始视频集合。
步骤8：计算视频集合中每个视频的分值HotScore；
步骤9：对视频集合按分值进行倒序排列；
步骤10：将排序后的视频推送到客户端显示；
步骤11：按照设置的时间间隔，等待下一次轮询开始。
本申请实施例还具有以下有益效果：
在本申请实施例中，由于本申请通过设定轮询周期不断在视频事件信息网络中遍历根节点，并通过计算属性值的增量和事件分值的方式及时找到热点视频事件，通过热点视频事件找到热点视频并计算热点视频的分值，将热点视频集合按分值倒排序并反馈到客户端，能够使得监管部门及时从海量视频中及时发现热点视频，掌握民众对热点视频的反应，分析热点视频的舆论导向，及时限制负面舆论的传播并予以清除，为维护视频舆情的正确导向提供了有效监测手段。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本申请所必须的。
下述为本申请系统实施例，可以用于执行本申请方法实施例。对于本申请系统实施例中未披露的细节，请参照本申请方法实施例。
请参见图9，其示出了本申请一个示例性实施例提供的热点视频事件确定系统的结构示意图。该热点视频事件确定系统可以通过软件、硬件或者两者的结合实现成为终端的全部或一部分。该系统1包括查找模块10、计算模块20、判定模块30以及获取模块40。
查找模块10，用于按照预设轮询周期在视频事件信息网络中查找根节点；其中，视频事件信息网络是基于视频事件信息空间以多级树集合为基础构造的森林结构，视频事件信息空间是指视频事件特征向量所在的多维向量空间，多级树包括根节点和子节点，任意两个根节点对应的视频事件之间的差异率大于预设阈值，每个根节点的子节点与其根节点对应的视频事件之间的差异率小于等于预设阈值；
计算模块20，用于在查找到一个根节点时，计算根节点及其子节点的属性值的增量；
判定模块30，用于根据根节点及其子节点的属性值的增量判断根节点是否为备选视频事件；若是，则根据根节点及其子节点的属性值计算根节点的分值；根据根节点的分值判断根节点对应的备选视频事件是否为热点视频事件；若是，则将根节点对应的视频事件存入热点视频事件集合；
获取模块40，用于在视频事件信息网络中全部根节点遍历结束的情况下，获取热点视频事件集合中每个热点视频事件对应的原始视频，得到原始视频集合。
可选的，计算模块20包括以下单元：
属性值统计单元201，用于统计根节点及其子节点的第一属性值；属性值至少包括事件数量、回复数量以及点赞数量；
属性值获取单元202，用于获取上一个轮询的开始所统计的根节点及其子节点的第二属性值；
增量计算单元203，用于将第一属性值与第二属性值的差值作为根节点及其子节点的属性值的增量。
可选的，系统1还包括以下模块：
分值计算模块50，用于计算原始视频集合中每个视频的分值；
排序模块60，用于根据每个视频的分值将原始视频集合进行倒序排列；
显示模块70，用于将排序后的原始视频集合推送至客户端进行显示。
需要说明的是，上述实施例提供的热点视频事件确定系统在新事件确定方法时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的热点视频事件确定系统与热点视频事件确定方法实施例属于同一构思，其体现实现过程详见方法实施例，这里不再赘述。
上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。
在本申请实施例中，热点视频事件确定系统首先按照预设轮询周期在视频事件信息网络中查找根节点，然后在查找到一个根节点时，计算根节点及其子节点的属性值的增量，其次根据根节点及其子节点的属性值的增量判断根节点是否为备选视频事件；若是，则根据根节点及其子节点的属性值计算根节点的分值，并根据根节点的分值判断根节点对应的备选视频事件是否为热点视频事件；若是，则将根节点对应的视频事件存入热点视频事件集合；最后在视频事件信息网络中全部根节点遍历结束的情况下，获取热点视频事件集合中每个热点视频事件对应的原始视频，得到原始视频集合。由于本申请通过设定轮询周期不断在视频事件信息网络中遍历根节点，并通过计算属性值的增量和事件分值的方式及时找到热点视频事件，通过热点视频事件找到热点视频并计算热点视频的分值，将热点视频集合按分值倒排序并反馈到客户端，能够使得监管部门及时从海量视频中及时发现热点视频，掌握民众对热点视频的反应，分析热点视频的舆论导向，及时限制负面舆论的传播并予以清除，为维护视频舆情的正确导向提供了有效监测手段。
根据本申请实施例的又一个方面，还提供了一种用于实施上述热点视频事件确定方法的电子设备，该电子设备可以是图10所示的终端设备或服务器。本实施例以该电子设备为终端为例来说明。如图10所示，该电子设备包括存储器1802和处理器1804，该存储器1802中存储有计算机程序，该处理器1804被设置为通过计算机程序执行上述任一项方法实施例中的步骤。
可选地，在本实施例中，上述电子设备可以位于计算机网络的多个网络设备中的至少一个网络设备。
可选地，在本实施例中，上述处理器可以被设置为通过计算机程序执行以上S101-S104步骤。
可选地，本领域普通技术人员可以理解，图10所示的结构仅为示意，电子系统电子设备也可以是智能手机(如Android手机、iOS手机等)、平板电脑、掌上电脑以及移动互联网设备(Mobile Internet Devices，MID)、PAD等终端设备。图10其并不对上述电子系统电子设备的结构造成限定。例如，电子系统电子设备还可包括比图10中所示更多或者更少的组件(如网络接口等)，或者具有与图10所示不同的配置。
其中，存储器1802可用于存储软件程序以及模块，如本申请实施例中的热点视频事件确定方法和系统对应的程序指令/模块，处理器1804通过运行存储在存储器1802内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的热点视频事件确定方法。存储器1802可包括高速随机存储器，还可以包括非易失性存储器，如一个或者多个磁性存储系统、闪存、或者其他非易失性固态存储器。在一些实例中，存储器1802可进一步包括相对于处理器1804远程设置的存储器，这些远程存储器可以通过网络连接至终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。其中，存储器1802具体可以但不限于用于存储镜头帧和内容帧等信息。作为一种示例，如图10所示，上述存储器1802中可以但不限于包括上述热点视频事件确定系统中的分割单元1702、获取单元1704与第一确定单元1706。此外，还可以包括但不限于上述热点视频事件确定系统中的其他模块单元，本示例中不再赘述。
可选地，上述的传输系统1806用于经由一个网络接收或者发送数据。上述的网络具体实例可包括有线网络及无线网络。在一个实例中，传输系统1806包括一个网络适配器(Network Interface Controller，NIC)，其可通过网线与其他网络设备与路由器相连从而可与互联网或局域网进行通讯。在一个实例中，传输系统1806为射频(Radio Frequency，RF)模块，其用于通过无线方式与互联网进行通讯。
此外，上述电子设备还包括：显示器1808，用于显示上述账单子任务的处理结果；和连接总线1810，用于连接上述电子设备中的各个模块部件。
根据本申请的一个方面，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述热点视频事件确定方法，其中，该计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
可选地，在本实施例中，上述计算机可读的存储介质可以被设置为存储用于执行以上步骤S101-S104的计算机程序。
可选地，在本实施例中，本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令终端设备相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：闪存盘、只读存储器(Read-Only Memory，ROM)、随机存取器(Random Access Memory，RAM)、磁盘或光盘等。
上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。
上述实施例中的集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在上述计算机可读取的存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在存储介质中，包括若干指令用以使得一台或多台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例方法的全部或部分步骤。
在本申请的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的客户端，可通过其它的方式实现。其中，以上所描述的系统实施例仅仅是示意性的，例如单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
以上仅是本申请的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。
Claims (10)
1.一种热点视频事件确定方法，其特征在于，应用于视频事件信息网络，所述方法包括：
按照预设轮询周期在视频事件信息网络中查找根节点；其中，所述视频事件信息网络是基于视频事件信息空间以多级树集合为基础构造的森林结构，所述视频事件信息空间是指视频事件特征向量所在的多维向量空间，所述多级树包括根节点和子节点，任意两个所述根节点对应的视频事件之间的差异率大于预设阈值，每个根节点的子节点与其根节点对应的视频事件之间的差异率小于等于所述预设阈值；
在查找到一个根节点时，计算所述根节点及其子节点的属性值的增量；
根据所述根节点及其子节点的属性值的增量判断所述根节点是否为备选视频事件；若是，则根据所述根节点及其子节点的属性值计算根节点的分值，根据根节点的分值判断根节点对应的备选视频事件是否为热点视频事件；若是，则将所述根节点对应的视频事件存入热点视频事件集合；
在所述视频事件信息网络中全部根节点遍历结束的情况下，获取所述热点视频事件集合中每个热点视频事件对应的原始视频，得到原始视频集合。
2.根据权利要求1所述的方法，其特征在于，所述视频事件是指一个镜头内所有内容帧的集合，所述视频事件特征向量为在相同坐标系下对内容帧的集合提取特征矩阵后计算得到，所述内容帧是指表示镜头内容的帧，包括首帧、尾帧、和N个中间帧，N为自然数，所述中间帧通过对一个镜头的除首尾两帧之外的所有子帧顺序与其前一个内容帧进行差异率计算，当所述差异率大于预设阈值时得到。
3.根据权利要求1所述的方法，其特征在于，计算所述根节点及其子节点的属性值的增量，包括：
统计所述根节点及其子节点的第一属性值；所述属性值至少包括事件数量、回复数量以及点赞数量；
获取上一个轮询的开始所统计的所述根节点及其子节点的第二属性值；
将所述第一属性值与所述第二属性值的差值作为所述根节点及其子节点的属性值的增量。
4.根据权利要求1或3所述的方法，其特征在于，所述根据所述根节点及其子节点的属性值的增量判断所述根节点是否为备选视频事件，包括：
当任意一个属性值的增量大于预设阈值时，将所述根节点对应的视频事件确定为备选视频事件；
所述根据根节点及其子节点的属性值计算根节点的分值，根据根节点的分值判断根节点对应的备选视频事件是否为热点视频事件，包括：
如果所述根节点对应的视频事件为备选视频事件，根据根节点及其子节点的属性值计算根节点的分值；
如果所述根节点的分值大于预设阈值，将所述根节点对应的备选视频事件确定为热点视频事件；
继续执行所述在视频事件信息网络中查找根节点，直到所述视频事件信息网络中全部根节点遍历结束。
5.根据权利要求1所述的方法，其特征在于，所述获取所述热点视频事件集合中每个热点视频事件对应的原始视频，得到原始视频集合，包括：
确定所述热点视频事件集合中每个热点视频事件的视频属性信息；
在预先构建的视频属性信息和原始视频的映射关系中定位每个视频属性信息对应的原始视频，得到每个热点视频事件对应的原始视频，以得到原始视频集合；如果存在多个热点视频事件对应同一原始视频的情况，则同一原始视频在所述原始视频集合中只添加一次。
6.根据权利要求1所述的方法，其特征在于，所述方法还包括：
计算所述原始视频集合中每个视频的分值；
根据所述每个视频的分值将所述原始视频集合进行倒序排列；
将排序后的原始视频集合推送至客户端进行显示。
7.根据权利要求1所述的方法，其特征在于，所述按照预设轮询周期在视频事件信息网络中查找是否存在根节点之前，还包括：
获取并预处理原始视频文件，得到目标视频；
对所述目标视频进行镜头分割，得到至少一个镜头；
根据所述至少一个镜头，生成镜头数据；
提取每个镜头的内容帧；
根据所述每个镜头的内容帧，生成内容帧数据；
根据每个镜头的镜头数据和内容帧数据，得到每个视频事件；
将所述每个视频事件作为根节点或子节点，构成视频事件信息网络。
8.一种热点视频事件确定系统，其特征在于，应用于视频事件信息网络，所述系统包括：
查找模块，用于按照预设轮询周期在视频事件信息网络中查找根节点；其中，所述视频事件信息网络是基于视频事件信息空间以多级树集合为基础构造的森林结构，所述视频事件信息空间是指视频事件特征向量所在的多维向量空间，所述多级树包括根节点和子节点，任意两个所述根节点对应的视频事件之间的差异率大于预设阈值，每个根节点的子节点与其根节点对应的视频事件之间的差异率小于等于所述预设阈值；
计算模块，用于在查找到一个根节点时，计算所述根节点及其子节点的属性值的增量；
判定模块，用于根据所述根节点及其子节点的属性值的增量判断所述根节点是否为备选视频事件；若是，则根据所述根节点及其子节点的属性值计算根节点的分值；根据根节点的分值判断根节点对应的备选视频事件是否为热点视频事件；若是，则将所述根节点对应的视频事件存入热点视频事件集合；
获取模块，用于在所述视频事件信息网络中全部根节点遍历结束的情况下，获取所述热点视频事件集合中每个热点视频事件对应的原始视频，得到原始视频集合。
9.一种计算机存储介质，其特征在于，所述计算机存储介质存储有多条指令，所述指令适于由处理器加载并执行如权利要求1-7任意一项所述的方法。
10.一种电子设备，其特征在于，包括：处理器和存储器；其中，所述存储器存储有计算机程序，所述计算机程序适于由所述处理器加载并执行如权利要求1-7任意一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310488132.2A CN116469039B (zh) | 2023-04-28 | 2023-04-28 | 热点视频事件确定方法和系统、存储介质及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310488132.2A CN116469039B (zh) | 2023-04-28 | 2023-04-28 | 热点视频事件确定方法和系统、存储介质及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116469039A true CN116469039A (zh) | 2023-07-21 |
| CN116469039B CN116469039B (zh) | 2024-06-18 |
Family
ID=87178868
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310488132.2A Active CN116469039B (zh) | 2023-04-28 | 2023-04-28 | 热点视频事件确定方法和系统、存储介质及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116469039B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116737992A (zh) * | 2023-08-15 | 2023-09-12 | 明麦(南京)科技有限公司 | 舆情监测数据处理方法及处理系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103136280A (zh) * | 2011-12-02 | 2013-06-05 | 盛乐信息技术（上海）有限公司 | 热点视频自动挖掘系统及方法 |
| CN105022801A (zh) * | 2015-06-30 | 2015-11-04 | 北京奇艺世纪科技有限公司 | 一种热门视频挖掘方法和装置 |
| WO2022100513A1 (zh) * | 2020-11-11 | 2022-05-19 | 北京字跳网络技术有限公司 | 热点榜单的显示方法、装置、电子设备和存储介质 |
-
2023
- 2023-04-28 CN CN202310488132.2A patent/CN116469039B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103136280A (zh) * | 2011-12-02 | 2013-06-05 | 盛乐信息技术（上海）有限公司 | 热点视频自动挖掘系统及方法 |
| CN105022801A (zh) * | 2015-06-30 | 2015-11-04 | 北京奇艺世纪科技有限公司 | 一种热门视频挖掘方法和装置 |
| WO2022100513A1 (zh) * | 2020-11-11 | 2022-05-19 | 北京字跳网络技术有限公司 | 热点榜单的显示方法、装置、电子设备和存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| SHUXIN OUYANG等: "A Peek Into the Future: Predicting the Popularity of Online Videos", 《IEEE ACCESS》, vol. 4, 14 June 2016 (2016-06-14), pages 3026 - 3033, XP011615938, DOI: 10.1109/ACCESS.2016.2580911 * |
| 张超: "基于流行度预测的密集异构网络在线热点视频缓存更新策略", 《中国优秀硕士学位论文全文数据库 信息科技辑》, no. 03, 28 April 2023 (2023-04-28), pages 136 - 595 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116737992A (zh) * | 2023-08-15 | 2023-09-12 | 明麦(南京)科技有限公司 | 舆情监测数据处理方法及处理系统 |
| CN116737992B (zh) * | 2023-08-15 | 2023-10-13 | 明麦(南京)科技有限公司 | 舆情监测数据处理方法及处理系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116469039B (zh) | 2024-06-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10567299B2 (en) | Coflow identification method and system, and server using method | |
| CN116188821B (zh) | 版权检测方法、系统、电子设备和存储介质 | |
| CN110019876B (zh) | 数据查询方法、电子设备及存储介质 | |
| CN105654201B (zh) | 一种广告流量预测方法及装置 | |
| CN116469039B (zh) | 热点视频事件确定方法和系统、存储介质及电子设备 | |
| CN107240029B (zh) | 一种数据处理方法及装置 | |
| CN107679097B (zh) | 一种分布式数据处理方法、系统和存储介质 | |
| CN110019400B (zh) | 数据存储方法、电子设备及存储介质 | |
| US20140214826A1 (en) | Ranking method and system | |
| CN111581443B (zh) | 分布式图计算方法、终端、系统及存储介质 | |
| KR20160081231A (ko) | 이미지 기반 검색을 위한 맵리듀스 기반의 이미지 특징 추출 방법 및 시스템 | |
| CN116662606B (zh) | 新视频事件的确定方法和系统、存储介质及电子设备 | |
| CN117112815B (zh) | 个人关注视频事件检索方法和系统、存储介质及电子设备 | |
| CN113448876B (zh) | 一种业务测试方法、装置、计算机设备及存储介质 | |
| CN114298018A (zh) | 视频标题的生成方法、装置及存储介质 | |
| CN116662645A (zh) | 视频事件溯源分析方法和系统、存储介质及电子设备 | |
| CN117112837A (zh) | 视频舆情监测系统和方法、存储介质及电子设备 | |
| CN118035488A (zh) | 个人关注视频事件筛选方法和系统、存储介质及电子设备 | |
| CN113886631A (zh) | 视频档案生成方法、装置及存储介质 | |
| CN117216317A (zh) | 视频事件检索系统和方法、存储介质及电子设备 | |
| CN117112821A (zh) | 图像检索系统和方法、存储介质及电子设备 | |
| CN117177012B (zh) | 视频播出监测方法、系统、设备及存储介质 | |
| CN117119255B (zh) | 违规视频播放的监测方法、系统、设备及存储介质 | |
| CN117156200A (zh) | 海量视频的去重方法、系统、电子设备和介质 | |
| CN117333790A (zh) | 视频事件的相似性判断方法、装置和电子设备 |
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 |