JP2024083729A - System, method, and computer-readable medium for contribution prediction - Google Patents
System, method, and computer-readable medium for contribution prediction Download PDFInfo
- Publication number
- JP2024083729A JP2024083729A JP2022197705A JP2022197705A JP2024083729A JP 2024083729 A JP2024083729 A JP 2024083729A JP 2022197705 A JP2022197705 A JP 2022197705A JP 2022197705 A JP2022197705 A JP 2022197705A JP 2024083729 A JP2024083729 A JP 2024083729A
- Authority
- JP
- Japan
- Prior art keywords
- viewer
- contribution
- broadcaster
- distributor
- prediction
- 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 39
- 238000010801 machine learning Methods 0.000 claims abstract description 52
- 230000003993 interaction Effects 0.000 claims description 57
- 230000002596 correlated effect Effects 0.000 claims description 4
- 230000000875 corresponding effect Effects 0.000 description 19
- 238000012545 processing Methods 0.000 description 17
- 230000005540 biological transmission Effects 0.000 description 15
- 230000008569 process Effects 0.000 description 15
- 238000010586 diagram Methods 0.000 description 13
- 230000006870 function Effects 0.000 description 9
- 238000003384 imaging method Methods 0.000 description 8
- 238000012549 training Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000002354 daily effect Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 230000007423 decrease Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000006837 decompression Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000012905 input function Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Two-Way Televisions, Distribution Of Moving Picture Or The Like (AREA)
Abstract
Description
本発明は、ライブストリーミングの分野における視聴者貢献度予測に関するものである。 The present invention relates to viewer contribution prediction in the field of live streaming.
ライブストリーミングサービスに代表されるように、インターネット上におけるリアルタイムの交流が日常生活に浸透している。さまざまなプラットフォームやプロバイダーがライブストリーミングサービスを提供しており、競争も激しい。コンテンツプロバイダーにとって、収益貢献度など、より高い貢献度を達成する可能性の高いユーザを特定することが重要である。それにより、コンテンツプロバイダーは、潜在性の高いユーザをより重視し、より効率的な方法で収益を向上させることができる。 As exemplified by live streaming services, real-time interactions over the Internet have become a part of everyday life. Various platforms and providers offer live streaming services, and competition is fierce. It is important for content providers to identify users who are likely to achieve higher contributions, such as revenue contributions. This allows content providers to focus more on high-potential users and increase revenues in a more efficient way.
中国特許出願公開第１１４２６８８４１号は、ライブインタラクションのユーザを選択する方法を開示している。 China Patent Application Publication No. 114268841 discloses a method for selecting a user for live interaction.
本発明の一実施態様による方法は、１以上のコンピュータによって実行される視聴者貢献度予測方法であって、第１の配信者に対する視聴者の貢献量が、当該第１の配信者の貢献度閾値未満であると判定する工程と、当該第１の配信者に対する当該視聴者のインタラクションパラメータの値を取得する工程と、機械学習モデルによって当該第１の配信者に対する当該視聴者のインタラクションパラメータの値に基づき、当該第１の配信者に対する当該視聴者の貢献度予測を判定する工程と、を含む。 A method according to one embodiment of the present invention is a viewer contribution prediction method executed by one or more computers, and includes the steps of determining that a viewer's contribution to a first broadcaster is less than a contribution threshold for the first broadcaster, acquiring an interaction parameter value of the viewer with the first broadcaster, and determining a contribution prediction of the viewer to the first broadcaster based on the interaction parameter value of the viewer with the first broadcaster using a machine learning model.
本発明の一実施態様によるシステムは、１以上のプロセッサを含む視聴者貢献度予測のためのシステムであって、当該１以上のコンピュータプロセッサが、機械可読命令を実行して、第１の配信者に対する視聴者の貢献量が、当該第１の配信者の貢献度閾値未満であると判定する工程と、当該第１の配信者に対する当該視聴者のインタラクションパラメータの値を取得する工程と、機械学習モデルによって当該第１の配信者に対する当該視聴者のインタラクションパラメータの値に基づき、当該第１の配信者に対する当該視聴者の貢献度予測を判定する工程と、を実行する。 A system according to one embodiment of the present invention is a system for predicting viewer contributions that includes one or more processors, the one or more computer processors executing machine-readable instructions to perform the following steps: determining that a viewer's contribution to a first broadcaster is less than a contribution threshold for the first broadcaster; acquiring values of interaction parameters of the viewer with the first broadcaster; and determining a predicted contribution of the viewer to the first broadcaster based on the values of the interaction parameters of the viewer with the first broadcaster using a machine learning model.
本発明の一実施態様によるコンピュータ可読媒体は、視聴者貢献度予測のためのプログラムを含み、当該プログラムが、１以上のコンピュータに、第１の配信者に対する視聴者の貢献量が当該第１の配信者の貢献度閾値未満であると判定する工程と、当該第１の配信者に対する当該視聴者のインタラクションパラメータの値を取得する工程と、機械学習モデルによって当該第１の配信者に対する当該視聴者のインタラクションパラメータの値に基づき、当該第１の配信者に対する当該視聴者の貢献度予測を判定する工程と、を実行させる。 A computer-readable medium according to one embodiment of the present invention includes a program for predicting viewer contributions, the program causing one or more computers to execute the steps of: determining that a viewer's contribution to a first broadcaster is less than a contribution threshold for the first broadcaster; acquiring values of interaction parameters of the viewer with the first broadcaster; and determining a predicted contribution of the viewer to the first broadcaster based on the values of the interaction parameters of the viewer with the first broadcaster using a machine learning model.
以下、各図面に示す同一または類似の構成要素、部材、手順または信号には、すべての図面において同様の符号を付し、それによって重複する説明は適宜省略される。また、各図面の説明において重要でない一部部材は省略される。 In the following, identical or similar components, parts, steps, or signals shown in each drawing will be given the same reference numerals in all drawings, and duplicated explanations will be omitted as appropriate. In addition, some parts that are not important in the explanation of each drawing will be omitted.
従来、リアルタイムインタラクションプラットフォーム（ライブストリーミングプラットフォームなど）上のコンテンツプロバイダー（配信者、放送者、ストリーマー、ライバー、アンカーなど）は、プラットフォーム（またはコンテンツプロバイダー）に対して高い貢献（収益貢献など）をする可能性が高い視聴者を識別する良いツールを持っていない。配信者は、誰が潜在的な貢献者であるかを知ることができず、したがって、それに応じて行動することができない。 Traditionally, content providers (distributors, broadcasters, streamers, live streamers, anchors, etc.) on real-time interaction platforms (e.g., live streaming platforms) do not have good tools to identify viewers who are likely to make high contributions (e.g., revenue contributions) to the platform (or content provider). Distributors cannot know who are potential contributors and therefore cannot act accordingly.
本発明は、視聴者を分析し、配信者にとっての貢献者候補を識別するシステムまたは方法を提供する。したがって、配信者は、限られたリソース（時間、意識、またはイベントなど）をより高い潜在性を有する視聴者に向けることができ、より正確かつより効率的な方法で配信者の報酬を増加させることができる。 The present invention provides a system or method for analyzing viewers and identifying potential contributors for a broadcaster. Thus, a broadcaster can direct limited resources (such as time, attention, or events) to viewers with higher potential, increasing the broadcaster's compensation in a more accurate and efficient manner.
図１は、本発明の一部の実施態様に基づくライブストリーミングシステム１の構成を示す概略図である。当該ライブストリーミングシステム１は、ストリーミングのストリーマー（ライバー、アンカー、配信者とも呼ばれる）ＬＶと視聴者（オーディエンスとも呼ばれる）ＡＵ（ＡＵ１、ＡＵ２...）に、リアルタイムで交流または通信するためのライブストリーミングサービスを提供する。図１に示すように、当該ライブストリーミングシステム１は、サーバ１０と、ユーザ端末２０と、ユーザ端末３０（３０ａ、３０ｂ...）を含む。一部の実施態様において、当該ストリーマーと視聴者は、集合的にユーザと呼ばれてもよい。当該サーバ１０は、ネットワークＮＷに接続された、１以上の情報処理装置を含むことができる。当該ユーザ端末２０、３０は、例えば、スマートフォン、タブレット、ノートＰＣ、レコーダー、携帯ゲーム機、ウェアラブル端末などのモバイル端末装置であってもよいし、デスクトップＰＣなどの据え置き型装置であってもよい。当該サーバ１０、当該ユーザ端末２０及び当該ユーザ端末３０は、各種有線または無線ネットワークＮＷを介して相互に通信可能に接続される。
FIG. 1 is a schematic diagram showing the configuration of a
当該ライブストリーミングシステム１には、配信者ＬＶ、視聴者ＡＵ、及び当該サーバ１０を管理する管理者（またはアプリプロバイダー、図示せず）が参加する。当該配信者ＬＶは、自身のユーザ端末２０でコンテンツを記録し、当該サーバ１０に直接または間接的にアップロードすることにより、リアルタイムで当該コンテンツを配信する者である。当該コンテンツの例としては、当該配信者自身の歌、トーク、パフォーマンス、ゲームプレイ、その他あらゆるコンテンツであってもよい。当該管理者は、当該サーバ１０上で当該コンテンツをライブストリーミングするためのプラットフォームを提供するとともに、当該配信者ＬＶと当該視聴者ＡＵ間のリアルタイムの交流を仲介または管理する。当該視聴者ＡＵは、自分のユーザ端末３０で当該プラットフォームにアクセスし、所望のコンテンツを選択して視聴する。当該視聴者ＡＵは、選択したコンテンツのライブストリーミング中に、当該ユーザ端末３０を介してコメントや応援、贈り物の送信などの操作を実行する。当該コンテンツを配信している当該配信者ＬＶは、それらのコメント、応援、または贈り物に対して応答してもよい。当該応答が、映像および（または）音声で 当該視聴者ＡＵに送信され、双方向のコミュニケーションが確立される。
The
「ライブストリーミング」という用語は、当該配信者ＬＶのユーザ端末２０で記録したコンテンツを、当該視聴者ＡＵのユーザ端末３０で実質的にリアルタイムに再生・視聴することを可能にするデータ伝送モードを指しても、そのような伝送モードにより実現されるライブブロードキャストを指してもよい。当該ライブストリーミングは、ＨＴＴＰライブストリーミング、ＣＭＡＦ（Ｃｏｍｍｏｎ Ｍｅｄｉａ Ａｐｐｌｉｃａｔｉｏｎ Ｆｏｒｍａｔ）、ＷｅｂＲＴＣ（Ｗｅｂ Ｒｅａｌ―Ｔｉｍｅ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ）、ＲＴＭＰ（Ｒｅａｌ―Ｔｉｍｅ Ｍｅｓｓａｇｉｎｇ Ｐｒｏｔｏｃｏｌ）、ＭＰＥＧ ＤＡＳＨなどの既存のライブストリーミング技術を利用して実現されてもよい。ライブストリーミングには、当該配信者ＬＶによるコンテンツの記録と同時に、当該視聴者ＡＵが所定の遅延をもって当該コンテンツを視聴でき伝送モードを含む。当該遅延の長さについては、当該配信者ＬＶと当該視聴者ＡＵの交流が成立可能な程度の遅延であってもよい。なお、当該ライブストリーミングは、当該コンテンツの全記録データを一度当該サーバに格納し、その後ユーザの要求に応じて当該サーバから当該ユーザに提供する、いわゆるオンデマンド配信と区別される。
The term "live streaming" may refer to a data transmission mode that allows content recorded at the
ここでいう「映像データ」とは、当該ユーザ端末２０または３０の撮像機能を用いて生成された画像データ（映像データとも呼ばれる）と、当該ユーザ端末２０または３０の音声入力機能を用いて生成された音声データとを含むデータを指す。当該映像データは、当該ユーザがコンテンツを視聴できるように、当該ユーザ端末２０、３０で再生される。一部の実施態様において、当該配信者のユーザ端末における映像データの生成と当該視聴者のユーザ端末における映像データの再生との間に、当該映像データに対して圧縮、展開、符号化、復号化、トランスコーディングなど、その形式、サイズ、またはデータの仕様を変更する処理が行われると想定される。しかし、そのような処理の前後で、当該映像データが表す当該コンテンツ（例えば、映像や音声）は実質的に変化しないため、本明細書においては、そのような処理後の当該映像データを、そのような処理前の当該映像データと同一ものと表現している。すなわち、当該配信者のユーザ端末で映像データが生成された後、当該サーバ１０を介して当該視聴者のユーザ端末で再生される場合、当該配信者のユーザ端末で生成された当該映像データ、当該サーバ１０を通過する当該映像データ、および当該視聴者のユーザ端末で受信して再生される当該映像データは、いずれも同一の映像データである。
The term "video data" as used herein refers to data including image data (also called video data) generated using the imaging function of the
図１に示す例において、当該配信者ＬＶは、ライブストリーミングデータを提供する。当該配信者ＬＶのユーザ端末２０は、当該配信者ＬＶの映像や音声を記録して当該ストリーミングデータを生成し、生成された当該データは当該ネットワークＮＷを介して当該サーバ１０に送信される。同時に、当該ユーザ端末２０は、当該配信者ＬＶの記録された映像ＶＤを当該ユーザ端末２０のディスプレイに表示し、当該配信者ＬＶが現在行っているライブストリーミングコンテンツを確認できるようにする。
In the example shown in FIG. 1, the distributor LV provides live streaming data. The
当該プラットフォームに当該配信者ＬＶのライブストリーミングを視聴することを要求した当該視聴者ＡＵ１、ＡＵ２のそれぞれのユーザ端末３０ａ、３０ｂは、当該ネットワークＮＷを介して当該ライブストリーミングに関連する映像データ（以下、「ライブストリーミングの映像データ」と呼ばれてもよい）を受信し、受信した当該映像データを再生して当該映像ＶＤ１、ＶＤ２をディスプレイに表示し、スピーカーから音声を出力する。当該ユーザ端末３０ａ、３０ｂでそれぞれ表示される映像ＶＤ１、ＶＤ２は、当該配信者ＬＶの当該ユーザ端末２０により撮像された映像ＶＤと実質的に同じであり、当該ユーザ端末３０ａ、３０ｂで出力される音声は、当該配信者ＬＶの当該ユーザ端末２０で記録された音声と実質的に同じである。
The
当該配信者ＬＶの当該ユーザ端末２０での映像・音声の記録と、 当該視聴者ＡＵ１、ＡＵ２の当該ユーザ端末３０ａ、３０ｂでの映像データの再生は、実質的に同時に行われる。当該視聴者ＡＵ１が、当該配信者ＬＶにより提供される当該コンテンツに関するコメントを当該ユーザ端末３０ａに入力すると、当該サーバ１０は当該コメントを配信者ＬＶの当該ユーザ端末３０ａにリアルタイムで表示するとともに、当該視聴者ＡＵ１とＡＵ２の当該ユーザ端末３０ａと３０ｂにも当該コメントをそれぞれ表示する。当該配信者ＬＶが当該コメントを読み、当該コメントに対応するトークを展開すると、そのトークの映像と音声が、それぞれ当該視聴者ＡＵ１、ＡＵ２のユーザ端末３０ａ、３０ｂに表示される。このインタラクティブな動作は、当該配信者ＬＶと当該視聴者ＡＵ１間で会話が成立していると認識される。これにより、当該ライブストリーミングシステム１では、一方的なコミュニケーションではなく、双方向のコミュニケーションを可能にするライブストリーミングを実現する。
The recording of video and audio on the
図２は、本発明の一部の実施態様に基づく、図１のユーザ端末３０の機能と構成を示すブロック図である。当該ユーザ端末２０は、当該ユーザ端末３０と同じまたは類似した機能と構成を有する。図２の各ブロックと以降のブロック図は、ハードウェアがコンピュータのＣＰＵや機械装置などの要素によって実現されてもよく、ソフトウェアがコンピュータプログラムなどによって実現されてもよい。機能ブロックは、これらの要素間の連携動作により実現されてもよい。したがって、これらの機能ブロックは、ハードウェアとソフトウェアの組み合わせによる多様な形態で実現され得ることが、当業者には理解されよう。
Figure 2 is a block diagram showing the functions and configuration of the
当該配信者ＬＶ及び当該視聴者ＡＵは、当該ネットワークＮＷを介してダウンロードサイトからライブストリーミングアプリケーションプログラム（以下、ライブストリーミングアプリケーションという）をダウンロードし、当該ユーザ端末２０、３０にインストールしてもよい。あるいは、当該ライブストリーミングアプリケーションは、当該ユーザ端末２０と３０に予めインストールされていてもよい。当該ライブストリーミングアプリケーションが当該ユーザ端末２０、３０上で実行されると、当該ユーザ端末２０、３０は、当該ネットワークＮＷを介して当該サーバ１０と通信し、各種機能を実装または実行する。以下、当該ライブストリーミングアプリケーションが実行されるユーザ端末２０、３０（ＣＰＵなどのプロセッサ）によって実装される機能を、当該ユーザ端末２０、３０の機能として説明する。これらの機能は、実際には、当該ユーザ端末２０、３０上で当該ライブストリーミングアプリケーションにより実現される。一部の実施態様において、これらの機能は、ＨＴＭＬ（ＨｙｐｅｒＴｅｘｔ Ｍａｒｋｕｐ Ｌａｎｇｕａｇｅ）などのプログラミング言語で記述され、当該サーバ１０から当該ネットワークＮＷを介して当該ユーザ端末２０、３０のウェブブラウザに送信され、当該ウェブブラウザにより実行されるコンピュータプログラムによって実現されてもよい。
The distributor LV and the viewer AU may download a live streaming application program (hereinafter referred to as a live streaming application) from a download site via the network NW and install it on the
当該ユーザ端末３０は、配信ユニット１００と視聴ユニット２００を含む。当該配信ユニット１００は、当該ユーザ（またはユーザ側）の映像と音声が記録された映像データを生成し、当該映像データを当該サーバ１０に提供する。当該視聴ユニット２００は、当該サーバ１０から映像データを受信し、当該映像データを再生する。当該ユーザは、ライブストリーミングを行う際に、当該配信ユニット１００を起動し、当該ユーザが映像を視聴する際に、当該視聴ユニット２００を起動する。当該配信ユニット１００が起動される当該ユーザ端末は、当該配信者の端末、すなわち、当該映像データを生成する当該ユーザ端末である。当該視聴ユニット２００が起動される当該ユーザ端末は、当該視聴者の端末、即ち、当該映像データが再現され、再生される当該ユーザ端末である。
The
当該配信ユニット１００は、撮像コントロールユニット１０２と、オーディオコントロールユニット１０４と、映像送信ユニット１０６と、配信者側ＵＩコントロールユニット１０８を含む。当該撮像コントロールユニット１０２は、カメラ（図２に表示せず）に接続され、当該カメラで実行される撮像を制御する。当該撮像コントロールユニット１０２は、当該カメラからの画像データを取得する。当該オーディオコントロールユニット１０４は、マイク（図２に表示せず）に接続され、当該マイクからの音声入力を制御する。当該オーディオコントロールユニット１０４は、当該マイクから当該オーディオデータを取得する。当該映像送信ユニット１０６は、当該撮像コントロールユニット１０２により取得された当該画像データと、当該オーディオコントロールユニット１０４により取得された当該オーディオデータを含む映像データを、当該ネットワークＮＷを介して当該サーバ１０に送信する。当該映像データは、当該映像送信ユニット１０６によりリアルタイムに送信される。すなわち、当該撮像コントロールユニット１０２と当該オーディオコントロールユニット１０４による当該映像データの生成と、生成された当該映像データの当該映像送信ユニット１０６による送信とは、実質的に同時に実行される。当該配信者側ＵＩコントロールユニット１０８は、当該配信者のＵＩ（ユーザインターフェイス）をコントロールする。当該配信者側ＵＩコントロールユニット１０８は、ディスプレイ（図２に表示せず）に接続されてもよく、当該映像送信ユニット１０６により送信される当該映像データを再生することにより、当該ディスプレイに映像を表示する。当該配信者側ＵＩコントロールユニット１０８は、操作オブジェクトや指示許諾オブジェクトを当該ディスプレイに表示し、当該オブジェクトをタップした当該配信者からの入力を受け付けてもよい。
The
当該視聴ユニット２００は、視聴者側ＵＩコントロールユニット２０２と、重ね合わせ情報生成ユニット２０４と、入力情報送信ユニット２０６を含む。当該視聴ユニット２００は、当該ネットワークＮＷを介して当該サーバ１０から、配信者、当該ユーザ端末３０のユーザである視聴者、及び他の視聴者が参加する、ライブストリーミングに関連する映像データを受信する。当該視聴者側ＵＩコントロールユニット２０２は、当該視聴者のＵＩを制御する。当該視聴者側ＵＩコントロールユニット２０２は、ディスプレイとスピーカー（図２に表示せず）に接続され、受信した映像データを再生して、当該ディスプレイに映像を表示し、当該スピーカーから音声を出力する。当該映像が当該ディスプレイに出力され、当該音声が当該スピーカーから出力されている状態を「映像データが再生されている」状態と呼ぶことができる。当該視聴者側ＵＩコントロールユニット２０２は、タッチパネル、キーボード、ディスプレイ等の入力手段（図２に表示せず）にも接続され、当該入力手段を介してユーザの入力を取得する。当該重ね合わせ情報生成ユニット２０４は、当該サーバ１０からの映像データから生成された画像上に、所定のフレーム画像を重ねる。当該フレーム画像には、当該ユーザからの入力を受け付けるためのさまざまなユーザインターフェイスオブジェクト（以下、単に「オブジェクト」という）、当該視聴者により入力されたコメント、及び（または）当該サーバ１０から取得した情報などが含まれる。当該入力情報送信ユニット２０６は、当該ネットワークＮＷを介して、当該視聴者側ＵＩコントロールユニット２０２により取得された当該ユーザ入力を当該サーバ１０に送信する。
The
図３に、本発明の一部の実施態様に基づく、図１のサーバの機能と構成を示すブロック図を示す。当該サーバ１０は、配信情報提供ユニット３０２と、中継ユニット３０４と、贈り物処理ユニット３０６と、支払い処理ユニット３０８と、ストリームＤＢ３１０と、ユーザＤＢ３１２と、贈り物ＤＢ３１４と、ユーザ識別ユニット３３０と、配信時間提案ユニット３３２と、貢献度ＤＢ３５０と、インタラクションパラメータＤＢ３５２を含む。当該サーバ１０は、機械学習（ＭＬ）モデル３７０と通信する。
Figure 3 shows a block diagram illustrating the functions and configuration of the server of Figure 1 according to some embodiments of the present invention. The
当該配信者側の当該ユーザ端末２０から当該ネットワークＮＷを介してライブストリーミングの開始通知または要求を受信すると、当該配信情報提供ユニット３０２は、このライブストリーミングを識別するためのストリームＩＤと当該ライブストリーミングを行う配信者の配信者ＩＤをストリームＤＢ３１０に登録する。
When a notification or request to start live streaming is received from the
当該配信情報提供ユニット３０２が、当該ネットワークＮＷを介して当該視聴者側の当該ユーザ端末３０の当該視聴ユニット２００からライブストリームに関する情報の提供要求を受信すると、当該配信情報提供ユニット３０２は、当該ストリームＤＢ３１０から現在利用可能なライブストリームを取得または確認し、利用可能なライブストリームのリストを作成する。当該配信情報提供ユニット３０２は、作成したリストを当該ネットワークＮＷ経由で要求元の当該ユーザ端末３０に送信する。要求元の当該ユーザ端末３０の当該視聴者側ＵＩコントロールユニット２０２は、受信したリストに基づいてライブストリーム選択画面を生成し、当該ユーザ端末３０のディスプレイ上に表示する。
When the distribution
当該ユーザ端末３０の当該入力情報送信ユニット２０６が、当該ライブストリーム選択画面上で当該視聴者の選択結果を受信すると、当該入力情報送信ユニット２０６は、選択されたライブストリームのストリームＩＤを含む配信要求を生成し、当該ネットワークＮＷを介して当該サーバ１０に当該要求を送信する。当該配信情報提供ユニット３０２は、要求元の当該ユーザ端末３０に対して、受信した当該配信要求に含まれる当該ストリームＩＤで指定されるライブストリームの提供を開始する。当該配信情報提供ユニット３０２は、当該ストリームＩＤの（または対応する）視聴者ＩＤに、要求元の当該ユーザ端末３０の当該視聴者のユーザＩＤを含めるように当該ストリームＤＢ３１０を更新する。
When the input
当該中継ユニット３０４は、当該配信情報提供ユニット３０２により開始された当該ライブストリーミングにおいて、配信者側の当該ユーザ端末２０から視聴者側の当該ユーザ端末３０に当該映像データを中継する。当該中継ユニット３０４は、当該ライブストリーミング中または当該映像データの再生中に、当該入力情報送信ユニット２０６から視聴者によるユーザ入力を表す信号を受信する。当該ユーザ入力を表す信号は、当該ユーザ端末３０のディスプレイに表示されたオブジェクトを指定するオブジェクト指定信号であってもよい。当該オブジェクト指定信号は、当該視聴者の視聴者ＩＤ、当該視聴者が視聴しているライブストリームの配信者の配信者ＩＤ、及び当該オブジェクトを特定するオブジェクトＩＤを含んでもよい。当該オブジェクトが贈り物であるとき、当該オブジェクトＩＤは贈り物ＩＤである。同様に、当該中継ユニット３０４は、当該ユーザ端末２０の当該配信ユニット１００から、当該映像データの再生中（またはライブストリーミング中）に配信者により行われたユーザ入力を表す信号を受信する。当該信号は、オブジェクト指定信号であってもよい。
The
また、当該ユーザ入力を表す信号は、視聴者が当該ユーザ端末３０に入力したコメントと当該視聴者の視聴者ＩＤを含むコメント入力信号であってもよい。当該コメント入力信号を受信すると、当該中継ユニット３０４は、当該コメントと信号に含まれる当該視聴者ＩＤを、当該配信者の当該ユーザ端末２０と他の視聴者の当該ユーザ端末３０に送信する。これらユーザ端末２０、３０において、当該視聴者側ＵＩコントロールユニット２０２と、当該重ね合わせ情報生成ユニット２０４は、同じく受信した当該視聴者ＩＤと関連付けられたディスプレイ上に受信したコメントを表示する。
The signal representing the user input may also be a comment input signal including a comment input by the viewer to the
当該贈り物処理ユニット３０６は、当該オブジェクト指定信号に含まれる贈り物ＩＤによって特定される贈り物のポイントに基づき、当該配信者のポイントを増加させ、当該ユーザＤＢ３１２を更新する。具体的には、当該贈り物処理ユニット３０６は、当該贈り物ＤＢ３１４を参照して、受信した当該オブジェクト指定信号に含まれる当該贈り物ＩＤに対して付与するポイントを特定する。その後、当該贈り物処理ユニット３０６は、当該ユーザＤＢ３１２を更新し、当該オブジェクト指定信号に含まれる当該配信者ＩＤの（または当該配信者ＩＤに対応する）ポイントに、特定されたポイントを追加する。
The
当該支払い処理ユニット３０８は、当該オブジェクト指定信号の受信に応答して、視聴者からの贈り物の代金の支払いを処理する。具体的には、当該支払い処理ユニット３０８は、当該贈り物ＤＢ３１４を参照して、当該オブジェクト指定信号に含まれる当該贈り物ＩＤにより特定される当該贈り物の価格ポイントを特定する。その後、当該支払い処理ユニット３０８は、当該ユーザＤＢ３１２を更新し、当該オブジェクト指定信号に含まれる当該視聴者ＩＤにより特定される当該視聴者のポイントから、特定された当該価格ポイントを差し引く。
In response to receiving the object designation signal, the
図４は、図３のストリームＤＢ３１０の例示的データ構造を示す表である。当該ストリームＤＢ３１０は、現在行われているライブストリームに関する情報を保持する。当該ストリームＤＢ３１０は、ストリームＩＤ、配信者ＩＤ、視聴者ＩＤを、相互に関連付けて格納する。当該ストリームＩＤは、当該ライブストリーミングシステム１により提供されるライブストリーミングプラットフォームにおけるライブストリームを識別するためのＩＤである。当該配信者ＩＤは、当該ライブストリームを提供する配信者を識別するためのユーザＩＤである。当該視聴者ＩＤは、当該ライブストリームの視聴者を識別するためのユーザＩＤである。一部の実施態様による当該ライブストリーミングシステム１により提供されるライブストリーミングプラットフォームにおいて、ユーザがライブストリームを開始すると、当該ユーザは配信者となり、同じユーザが別のユーザによりブロードキャストされるライブストリームを視聴すると、当該ユーザは視聴者にもなる。したがって、配信者と視聴者の区別は固定されておらず、あるとき配信者ＩＤとして登録されたユーザＩＤが、別のときに視聴者ＩＤとして登録されることもあり得る。
Figure 4 is a table showing an exemplary data structure of the
図５は、図３のユーザＤＢ３１２の例示的データ構造を示す表である。当該ユーザＤＢ３１２は、ユーザに関する情報を保持する。当該ユーザＤＢ３１２は、ユーザＩＤ、ポイント、１以上の属性（属性１、２、...）を、それぞれ関連付けて格納する。当該ユーザＩＤは、ユーザを識別する。当該ポイントは、対応する当該ユーザが保持するポイントに相当する。当該ポイントは、当該ライブストリーミングプラットフォーム内で流通する電子的な価値である。一部の実施態様において、配信者がライブストリーム中に視聴者から贈り物を受け取ると、当該配信者のポイントは当該贈り物に対応する価値だけ増加する。当該ポイントは、例えば、当該配信者が当該ライブストリーミングプラットフォームの管理者から受け取る報酬（金銭など）の量を決定するために使用される。一部の実施態様において、当該配信者が視聴者から贈り物を受け取る際に、当該ポイントに代えて、当該贈り物に対応する金額を付与してもよい。
5 is a table showing an exemplary data structure of the
属性の例としては、性別、国、フォロー数、フォロワー数、課金額、及び（または）視聴者レベルなどを含んでもよい。当該フォロー数とは、対応するユーザがフォローしている配信者の数である。当該フォロワー数は、対応するユーザをフォローしている視聴者の数である。当該課金額は、対応するユーザがプラットフォームに課金した金額である。当該視聴者レベルは、対応するユーザの課金額とともに上昇してもよい。性別など一部の属性は、当該プラットフォームへの登録時に当該ユーザから入力されてもよい。国などの一部の属性は、検出ユニット（図３に表示せず）により、当該サーバ１０の内部または当該サーバ１０の外部で検出されてもよい。
Examples of attributes may include gender, country, following count, number of followers, charge amount, and/or viewer level. The following count is the number of broadcasters followed by the corresponding user. The follower count is the number of viewers following the corresponding user. The charge amount is the amount charged by the corresponding user to the platform. The viewer level may increase with the charge amount of the corresponding user. Some attributes, such as gender, may be input by the user when registering with the platform. Some attributes, such as country, may be detected by a detection unit (not shown in FIG. 3) inside the
図６は、図３の贈り物ＤＢ３１４の例示的データ構造を示す表である。当該贈り物ＤＢ３１４は、当該ライブストリーミング中に当該視聴者が利用できる贈り物についての情報を保持する。贈り物は、電子データである。贈り物は、ポイントまたは金銭で購入するか、無償で提供することができてもよい。贈り物は、 視聴者が配信者に贈ることができる。配信者に贈り物を贈ることは、贈り物を使う、贈り物を送る、贈り物を投げるなどとも呼ばれる。贈り物の中には、購入と同時に使用できるものと、購入後、購入した視聴者が後から任意のタイミングで使用できるものとがある。視聴者が配信者に贈り物を贈ると、当該贈り物に対応する量のポイントが当該配信者に付与される。贈り物が使用されると、その使用によって当該贈り物に関連するエフェクトが発生してもよい。例えば、ライブストリーミング画面に当該贈り物に対応したエフェクト（視覚的効果や聴覚的効果など）が表示される。
FIG. 6 is a table showing an exemplary data structure of the
当該贈り物ＤＢ３１４は、贈り物ＩＤ、付与ポイント、価格ポイントを、相互に関連付けて格納する。当該贈り物ＩＤは、贈り物を識別するためのものである。当該付与ポイントは、配信者に贈り物が贈られたときに当該配信者に付与されるポイントの量である。当該価格ポイントは、贈り物の使用（購入）に対して支払われるポイントの量である。視聴者は、ライブストリームを視聴しているときに、所望の贈り物の当該価格ポイントを支払うことで、配信者に当該所望の贈り物を贈ることができる。当該価格ポイントの支払いは、適宜の電子決済手段により行うことができる。例えば、視聴者が管理者に当該価格ポイントを支払うことにより、支払いが行われてもよい。あるいは、銀行振り込みやクレジットカードによる支払いが利用されてもよい。当該管理者は、当該付与ポイントと当該価格ポイントとの関係を任意に設定することができる。例えば、付与ポイント＝価格ポイントとして設定してもよい。あるいは、当該付与ポイントに１.２などの所定の係数を乗じたポイントを当該価格ポイントとして設定しても、当該付与ポイントに所定の手数料ポイントを加算したポイントを当該価格ポイントとして設定してもよい。
The
当該ユーザ識別ユニット３３０は、特定の視聴者が特定の配信者に対する上位貢献者候補（または高貢献者候補）であるか否かを識別（または判定あるいは予測）するように構成される。当該ユーザ識別ユニット３３０は、当該ストリームＤＢ３１０、当該ユーザＤＢ３１２、当該贈り物ＤＢ３１４、当該貢献度ＤＢ３５０、当該インタラクションパラメータＤＢ３５２を参照し、判定または予測に機械学習モデル３７０を利用してもよい。当該判定または予測の結果は、上位貢献者タグおよび（または）上位貢献者候補タグとして、当該貢献度ＤＢ３５０に格納または登録されてもよい。詳細は後述する。
The
図７は、図３の貢献度ＤＢ３５０の例示的データ構造を示す表である。当該貢献度ＤＢ３５０は、当該配信者ＩＤ、当該視聴者ＩＤ、過去の貢献度、閾値（または貢献度閾値）、現在の貢献度、上位貢献者タグ、上位貢献者候補タグを、互いに関連付けて保持する。
Figure 7 is a table showing an example data structure of the
当該過去の貢献度は、所定の期間（例えば、過去１か月間）において、視聴者から配信者への貢献量である。 The past contribution level is the amount of contribution made by the viewer to the distributor over a specified period (e.g., the past month).
当該閾値または貢献度閾値は、視聴者が配信者にとっての上位貢献者（または高貢献者）であるか否かを判定するために用いられる。当該閾値は、配信者の全視聴者から当該配信者への総貢献度の上位T％（または最初のT％分位数）である。一部の実施態様において、当該閾値は、配信者の全視聴者から当該配信者への総貢献度の最初のＹ分位数であってもよい。したがって、当該閾値は、各配信者に対して異なる。また、当該閾値は、所定時間毎に更新される。 The threshold or contribution threshold is used to determine whether a viewer is a top contributor (or high contributor) to a streamer. The threshold is the top T% (or first T% quantile) of total contributions to the streamer from all viewers of the streamer. In some embodiments, the threshold may be the first Y quantile of total contributions to the streamer from all viewers of the streamer. Thus, the threshold is different for each streamer. Also, the threshold is updated at regular intervals.
当該現在の貢献度は、現在の計算期間における、視聴者から配信者への貢献状況に基づき、リアルタイムに更新される。 The current contribution level is updated in real time based on the viewer's contribution to the streamer during the current calculation period.
当該上位貢献者タグは、視聴者が配信者に対して上位貢献者（または高貢献者、上位支出者）として既に登録されているか否かを示すタグである。当該現在の貢献度が当該貢献度閾値を超えると、対応する視聴者は、対応する配信者の上位貢献者として登録される。例えば、視聴者Ｖ２の現在の貢献度［２５００ポイント］は、配信者Ｄ１の閾値［２４００ポイント］を既に超えているため、視聴者Ｖ２は配信者Ｄ１の上位貢献者として登録される。ただし、視聴者Ｖ２は、他の配信者の上位貢献者になっていない可能性がある。当該上位貢献者タグの登録は、当該ユーザ識別ユニット３３０により行われてもよい。
The top contributor tag is a tag that indicates whether the viewer is already registered as a top contributor (or high contributor, top spender) to the broadcaster. When the current contribution exceeds the contribution threshold, the corresponding viewer is registered as a top contributor to the corresponding broadcaster. For example, viewer V2's current contribution [2500 points] already exceeds broadcaster D1's threshold [2400 points], so viewer V2 is registered as a top contributor to broadcaster D1. However, viewer V2 may not be a top contributor to other broadcasters. The registration of the top contributor tag may be performed by the
当該上位貢献者候補タグは、ある配信者の上位貢献者にまだなっていない視聴者が、将来のある時点（例えば、半月後や１か月後）でその配信者の上位貢献者になる可能性があるか否かを示すタグである。一部の実施態様において、上位貢献者候補タグは、視聴者からの貢献度が、将来のある時点で配信者に対応する閾値を超えるか否かを示す。タグの判定（または予測）は、当該ユーザ識別ユニット３３０が当該機械学習モデル３７０を利用して実行してもよい。上位貢献者候補タグの判定時点において、視聴者が既に配信者の上位貢献者である場合（例えば、配信者Ｄ１に対する視聴者Ｖ２）、タグにＮＡ（不適用）とマークされてもよい。本実施態様において、上位貢献者候補タグの判定時点で、視聴者Ｖ３は配信者Ｄ１に対する上位貢献者としてまだ登録されていないが、上位貢献者候補としてタグ付けされている。つまり、当該機械学習モデル３７０による予測結果に基づいて、将来のある時点で視聴者Ｖ３の配信者Ｄ１に対する貢献度が配信者Ｄ１に対応する貢献度閾値を超える可能性が高い（または確率が確率閾値以上である）ことになる。一部の実施態様において、貢献度の単位はポイントであってもよい。一部の実施態様において、貢献度の単位は任意の金銭的単位または貨幣であってもよい。
The top contributor candidate tag is a tag indicating whether a viewer who is not yet a top contributor to a certain broadcaster is likely to become a top contributor to the broadcaster at some point in the future (e.g., half a month or one month later). In some embodiments, the top contributor candidate tag indicates whether the contribution from the viewer will exceed a threshold corresponding to the broadcaster at some point in the future. The tag determination (or prediction) may be performed by the
図８は、視聴者と配信者間の例示的な日別貢献度データを示すグラフである。日別貢献度データは、視聴者が配信者に与えたポイントなどの各日の貢献度を示す。同様の貢献度データは、視聴者と貢献者のペアごとに格納される。当該貢献度データは、当該貢献度ＤＢ３５０の一部として格納されてもよい。
Figure 8 is a graph showing exemplary daily contribution data between viewers and broadcasters. The daily contribution data indicates each day's contribution, such as points given by the viewer to the broadcaster. Similar contribution data is stored for each viewer-contributor pair. The contribution data may be stored as part of the
図９は、図３のインタラクションパラメータＤＢ３５２の例示的データ構造を示す表である。当該インタラクションパラメータＤＢ３５２は、配信者ＩＤ、視聴者ＩＤ、および１つ以上のインタラクションパラメータ（インタラクションパラメータ１、２、...）を保持する。
Figure 9 is a table showing an example data structure of the
図９に示す当該インタラクションパラメータは、各配信者／視聴者ペアに関連付けられている。当該インタラクションパラメータの例としては、貢献率、総貢献率、平均コメント数、視聴率、貢献相関係数、コメント相関係数、視聴率相関係数を含んでもよい。 The interaction parameters shown in FIG. 9 are associated with each broadcaster/viewer pair. Examples of the interaction parameters may include contribution rate, total contribution rate, average number of comments, viewership rate, contribution correlation coefficient, comment correlation coefficient, and viewership correlation coefficient.
当該貢献率は、［一定期間内における視聴者から配信者への貢献］を［当該配信者の貢献度閾値］で割ったものとして定義されてもよい。当該総貢献率は、［一定期間内における視聴者からの全貢献（他の配信者への貢献を含む）］を［当該配信者の貢献度閾値］で割ったものとして定義されてもよい。当該平均コメント数は、［視聴者から配信者への（または配信者のライブストリームにおける）コメント数］を［当該配信者が開始したライブストリーム数］で割ったものとして定義されてもよい。当該視聴率は、［視聴者が配信者のライブストリームを視聴した時間］を［当該配信者のライブストリームの合計時間］で割ったものとして定義されてもよい。 The contribution rate may be defined as the contributions from viewers to the streamer in a given time period divided by the streamer's contribution threshold. The total contribution rate may be defined as all contributions from viewers (including contributions to other streamers) in a given time period divided by the streamer's contribution threshold. The average number of comments may be defined as the number of comments from viewers to the streamer (or on the streamer's live stream) divided by the number of live streams started by the streamer. The viewership rate may be defined as the amount of time viewers spent watching the streamer's live stream divided by the total amount of time the streamer's live streams were played.
当該貢献相関係数は、（視聴者から配信者への）貢献の時間に対する変動傾向を示す。当該貢献相関係数の値は、-１から１の範囲で設定することができる。正の値は、時間と共に貢献が増加することを意味し、負の値は、時間と共に貢献が減少することを意味する。 The contribution correlation coefficient indicates the trend of change in contributions (from viewers to broadcasters) over time. The value of the contribution correlation coefficient can be set in the range of -1 to 1. A positive value means that contributions increase over time, and a negative value means that contributions decrease over time.
当該コメント相関係数は、（視聴者から配信者への）コメント量の時間に対する変動傾向を示す。当該コメント相関係数の値は、-１から１の範囲で設定することができる。正の値は、時間と共にコメントが増加することを意味し、負の値は、時間と共にコメントが減少することを意味する。 The comment correlation coefficient indicates the trend of changes in the amount of comments (from viewers to broadcasters) over time. The value of the comment correlation coefficient can be set in the range of -1 to 1. A positive value means that the number of comments increases over time, and a negative value means that the number of comments decreases over time.
当該視聴率相関係数は、視聴率の時間に対する変動傾向を示す。当該視聴率相関係数の値は、-１から１の範囲で設定することができる。正の値は、視聴者が配信者のライブストリームをより多く（またはより多くの割合で）視聴していることを意味し、負の値は、視聴者が配信者のライブストリームをより少なく（またはより少ない割合で）視聴していることを意味する。 The viewership correlation coefficient indicates the trend of fluctuations in viewership over time. The value of the viewership correlation coefficient can be set in the range of -1 to 1. A positive value means that the viewer is watching more (or a greater proportion) of the broadcaster's live stream, and a negative value means that the viewer is watching less (or a smaller proportion) of the broadcaster's live stream.
当該機械学習モデル３７０は、１つ以上の機械学習モデルを含む機械学習ＤＢであってもよい。一部の実施態様において、当該機械学習モデル３７０は、当該サーバ１０内に実装されてもよい。当該機械学習モデル３７０は、教師あり学習アルゴリズムまたは勾配ブースティングアルゴリズムなどの機械学習アルゴリズムを含むか、または利用することができる。ＬｉｇｈｔＧＢＭ（Ｌｉｇｈｔ Ｇｒａｄｉｅｎｔ Ｂｏｏｓｔｉｎｇ Ｍａｃｈｉｎｅ）が実装されてもよい。決定木アルゴリズムが実装されてもよい。
The
図１０に、本発明の一部の実施態様に基づく方法を示す例示的なフローチャートを示す。 Figure 10 shows an exemplary flow chart illustrating a method according to some embodiments of the present invention.
工程Ｓ１０００では、当該サーバ１０（または、当該配信情報提供ユニット３０２など）が、貢献度予測リクエストを受け取る。当該リクエストは、視聴者とおよび配信者と関連付けられており、視聴者ＩＤ及び配信者ＩＤを含む。当該リクエストは、配信者（または当該配信者の端末）、またはストリーミングプラットフォームのオペレータからであってもよい。
In step S1000, the server 10 (or the distribution
工程Ｓ１００２では、当該サーバ１０が、当該貢献度予測リクエストに含まれる当該視聴者ＩＤ及び当該配信者ＩＤに基づいて、当該貢献度予測リクエストに関連付けられた当該視聴者及び当該配信者を判定／特定する。この処理は、例えば、当該ユーザ識別ユニット３３０によって実行されてもよい。
In step S1002, the
工程Ｓ１００４では、当該サーバ１０が、当該視聴者の（現在の計算セッションにおける）当該配信者への現在の貢献度が、当該配信者の閾値に既に達しているか否かを判定する。「はい」の場合、フローは工程Ｓ１００６に進む。「いいえ」の場合、フローは工程Ｓ１００８に進む。当該サーバ１０は、当該貢献度ＤＢ３５０を参照することにより、判定を行う。当該判定処理は、例えば、当該ユーザ識別ユニット３３０によって実行されてもよい。
In step S1004, the
工程Ｓ１００６では、当該視聴者がリクエスト側で上位貢献者として表示される。例えば、当該貢献度予測リクエストを開始した当該配信者の当該ユーザ端末の画面上に、当該視聴者が上位貢献者として表示される。具体的に、当該サーバ１０は、当該視聴者が既に当該配信者の上位貢献者であることを示す工程Ｓ１００４の結果をリクエスト側に送信し、リクエスト側で当該視聴者を上位貢献者として表示できるようにする。
In step S1006, the viewer is displayed as a top contributor on the requesting side. For example, the viewer is displayed as a top contributor on the screen of the user terminal of the distributor who initiated the contribution prediction request. Specifically, the
工程Ｓ１００８では、当該ユーザ識別ユニット３３０が、ユーザの属性（当該視聴者及び当該配信者の属性、他の視聴者及び他の配信者の属性）について、当該ユーザＤＢ３１２を参照する。当該ユーザ識別ユニット３３０が、視聴者及び配信者間の貢献度データについて、当該貢献度ＤＢ３５０を参照する。当該ユーザ識別ユニット３３０が、インタラクションパラメータ（当該視聴者と当該配信者の間、及び（または）当該視聴者と他の配信者の間など）について、当該インタラクションパラメータＤＢ３５２を参照する。
In step S1008, the
工程Ｓ１０１０では、当該ユーザ識別ユニット３３０が、工程Ｓ１００８で受信したデータまたは情報を当該機械学習モデル３７０に入力する。当該機械学習モデル３７０は、上述の入力に基づき、当該配信者に対する当該視聴者の貢献度予測を判定または計算し、貢献度予測結果を当該ユーザ識別ユニット３３０に送信する。一部の実施態様において、当該貢献度予測結果は、将来のタイミング（例えば、１か月後または０.５か月後）において、当該視聴者の（当該配信者に対する）貢献度（または現在の貢献度）が、当該配信者の当該貢献度閾値を超える可能性の確率（または確率値）であってもよい。その後、当該ユーザ識別ユニット３３０は、当該確率と確率閾値とを比較することにより、当該配信者に対する当該視聴者の（当該貢献度ＤＢ３５０内における）上位貢献者候補タグの値（またはタイプ／クラス）を決定してもよい。当該確率閾値は、ストリーミングプラットフォームのオペレータによって決定されてもよい。当該確率閾値は、例えば、５０％、７５％、または９０％であってもよい。
In step S1010, the
工程Ｓ１０１２では、リクエスト側において、当該貢献度予測結果が表示される。例えば、貢献度予測リクエストを開始した当該配信者の当該ユーザ端末の画面上に、当該視聴者の視聴者ＩＤとともに、予測された確率値（または、「はい」または「いいえ」で示される上位貢献者候補タグ）が表示されてもよい。具体的には、当該サーバ１０が、工程Ｓ１０１０の予測結果をリクエスト側に送信し、リクエスト側で予測結果を表示できるようにする。
In step S1012, the contribution prediction result is displayed on the requesting side. For example, the predicted probability value (or a top contributor candidate tag indicated by "yes" or "no") may be displayed on the screen of the user terminal of the distributor who initiated the contribution prediction request, along with the viewer ID of the viewer. Specifically, the
一部の実施態様において、上述の貢献度予測処理は、リアルタイムで実行される。すなわち、当該サーバ１０は、視聴者／配信者のペアに関する貢献度予測リクエストを受信すると（例えば、当該視聴者が当該配信者のチャットルームに参加し、当該配信者が当該視聴者に関する貢献度予測リクエストを開始した場合）、当該ユーザ識別ユニット３３０が、属性データ、貢献度データ、及びインタラクションパラメータデータについて、当該ユーザＤＢ３１２、当該貢献度ＤＢ３５０、及び当該インタラクションパラメータＤＢ３５２にリアルタイムでアクセスする。その後、上述の特徴量データが当該機械学習モデル３７０に入力され、リアルタイムで予測結果が生成される。当該ストリームＤＢ３１０、当該ユーザＤＢ３１２、当該贈り物ＤＢ３１４、当該貢献度ＤＢ３５０、及び（または）当該インタラクションパラメータＤＢ３５２の更新も、リアルタイムに行われる。当該データベースの更新は、クラウドサービスや、ＢｉｇＱｕｅｒｙサービスなど、当該サーバ１０外部のサービスまたはデータベースとの通信によって実現されてもよい。
In some embodiments, the above-described contribution prediction process is performed in real time. That is, when the
一部の実施態様において、バッチ処理が貢献度予測処理において組み込まれて、または利用されてもよい。例えば、当該ストリームＤＢ３１０、当該ユーザＤＢ３１２、当該贈り物ＤＢ３１４、当該貢献度ＤＢ３５０、及び（または）当該インタラクションパラメータＤＢ３５２の更新は、１日に１回、一定のタイミングで実行される。更新されたデータ（属性データ、貢献度データ、インタラクションパラメータデータなど）は、当該機械学習モデル３７０により視聴者／配信者ペアごとの貢献度予測結果を生成するめの特徴量として用いられる。その後、当該貢献度予測結果は、例えば、当該貢献度ＤＢ３５０に格納される。その後、視聴者が配信者のチャットルームに参加し、当該配信者が当該視聴者に関する貢献度予測リクエストを開始すると、当該ユーザ識別ユニット３３０が、当該貢献度ＤＢ３５０内の予測結果（前日に準備または算出されていてもよい）にアクセスし、当該配信者に応答する。一部の実施態様において、バッチ形式の予測プロセスは、予測計算において最新の情報を欠く可能性があるが、データベース更新時間及び（または）機械学習モデル推論時間を節約することができる。一部の実施態様において、当該バッチ形式の予測プロセスは、より迅速に予測結果を提供し、より良いユーザエクスペリエンスにつながる可能性がある。
In some embodiments, batch processing may be incorporated or utilized in the contribution prediction process. For example, updates to the
図１１は、本発明の一部の実施態様に基づく機械学習モデル３７０が貢献度予測を判定または計算する方法の一例である。
Figure 11 is an example of how a
図１１に示すように、当該機械学習モデル３７０に入力される特徴量には、当該視聴者と当該配信者間のインタラクションパラメータ、当該配信者の属性、当該視聴者の属性が含まれる。当該特徴量は、当該ストリームＤＢ３１０、当該ユーザＤＢ３１２、当該貢献度ＤＢ３５０及び（または）当該インタラクションパラメータＤＢ３５２などの各種データベースから取得される。過去Ｘ日間の特徴量（または特徴量の値）が当該機械学習モデル３７０に入力される。目的は、将来のタイミング（例えば、Ｙ日後）において、当該配信者に対する当該視聴者の貢献度が当該配信者の貢献度閾値を超えるか否かを判断することにある。一部の実施態様において、目的は、将来のタイミング（Ｙ日後）において、当該配信者に対する当該視聴者の貢献度が当該配信者の貢献度閾値を超える可能性がどの程度あるかを示す確率を生成することにある。
As shown in FIG. 11, the features input to the
図１２は、本発明の一部の実施態様に基づく機械学習モデル３７０の例示的なトレーニング及び推論段階を示す概略図である。本実施態様において、当該機械学習モデル３７０は、定期的に（例えば、毎週、毎月、毎年など）、最新の利用可能なデータを使用して再トレーニングされる。例えば、当該機械学習モデル３７０は、各月の１日に再トレーニングされる。（再）トレーニング段階では、先月に取得されたデータがトレーニングと検証に使用され、２か月前に得られたデータが閾値を計算するために使用される。（再）学習は、手動または自動で行われてもよい。図１２に示す例において、トレーニング段階は、過去である６月の期間と７月の期間とを含む。推論段階は、未来である８月の期間を含む。
Figure 12 is a schematic diagram illustrating an exemplary training and inference phase of a
６月の期間（または６月の期間終了時）には、各配信者の６月の期間における総受領貢献度の上位１０％（または最初の１０％分位数、または貢献度上位１０位）を用いて、各配信者の貢献度閾値が算出される。 During the June period (or at the end of the June period), the contribution threshold for each streamer is calculated using the top 10% (or first 10% quantile, or top 10 contributions) of total received contributions for each streamer during the June period.
７月の期間において、各視聴者／配信者ペア間の貢献度データ、各視聴者／配信者ペア間のインタラクションパラメータ、各視聴者の属性、及び各配信者の属性が、機械学習モデル３７０のトレーニングデータとして取得される。当該機械学習モデル３７０は、トレーニングデータをトレーニングセット及び検証セットとして利用し、貢献度予測を行い、グラウンドトゥルースの貢献度データに基づいて自己学習を行ってもよい。当該貢献度予測は、７月の期間内のタイミングで、配信者に対する視聴者の貢献度が、当該配信者の貢献度閾値（６月の期間のデータから算出）を超える可能性がどの程度あるかを示す確率であってもよい。
During the July period, contribution data between each viewer/broadcaster pair, interaction parameters between each viewer/broadcaster pair, attributes of each viewer, and attributes of each broadcaster are acquired as training data for the
推論段階である８月の期間には、各配信者の７月の期間における総受領貢献度の上位１０％（または最初の１０％分位数、または貢献度上位１０位）を用いて、各配信者の新しい貢献度閾値が算出される。各視聴者／配信者ペア間の貢献度データ、各視聴者／配信者ペア間のインタラクションパラメータ、各視聴者の属性、及び各配信者の属性が、当該機械学習モデル３７０に入力される新しい特徴量として取得される。その後、当該機械学習モデル３７０は、将来のタイミングにおいて、配信者に対する視聴者の貢献度が、当該配信者の新しい貢献度閾値を超える可能性がどの程度あるかという確率を含む推論結果を提供する。
During the inference phase in August, a new contribution threshold for each broadcaster is calculated using the top 10% (or first 10% quantile, or top 10 contributions) of each broadcaster's total received contributions in July. Contribution data between each viewer/broadcaster pair, interaction parameters between each viewer/broadcaster pair, attributes of each viewer, and attributes of each broadcaster are obtained as new features to be input into the
一部の実施態様において、過去１０日間の特徴量データ（Ｘ＝１０）が、当該機械学習モデル３７０によって、将来の１４日間（または今から１４日間、Ｙ＝１４）における貢献度予測を生成するために使用される。例えば、８月１４日に貢献度予測を算出する場合、当該機械学習モデル３７０に入力される当該特徴量データは、８月５日から８月１４日（または８月４日から８月１３日）内の貢献度データ、属性データ及びインタラクションパラメータデータを含み、当該機械学習モデル３７０の出力は、８月２７日（または８月２８日）の貢献度予測を含む。
In some embodiments, feature data from the past 10 days (X=10) is used by the
図１３に、本発明の一部の実施態様に基づく配信者のユーザ端末におけるライブストリーミング画面の一例を示す概略図を示す。 Figure 13 shows a schematic diagram of an example of a live streaming screen on a broadcaster's user terminal based on some embodiments of the present invention.
当該配信者ＬＶは、当該視聴者ＩＤ（または視聴者名）Ｖ１４をタップして、当該貢献度予測をリクエストすることができる。その後、当該機械学習モデル３７０が算出した当該貢献度予測結果が表示される。本実施態様において、視聴者Ｖ１４が将来のタイミングで配信者ＬＶの上位貢献者になる（つまり、視聴者Ｖ１４からの貢献が配信者ＬＶの貢献度閾値を超える）可能性の確率（０.７＝７０％）として表示される。一部の実施態様において、視聴者Ｖ１４が配信者ＬＶの上位貢献者になる可能性があるか否かを示す「上位貢献者候補タグ」が表示されてもよい。
The broadcaster LV can tap the viewer ID (or viewer name) V14 to request the contribution prediction. The contribution prediction result calculated by the
図１４に、本発明の一部の実施態様に基づく配信者のユーザ端末におけるライブストリーミング画面の一例を示す概略図を示す。 Figure 14 shows a schematic diagram of an example of a live streaming screen on a broadcaster's user terminal based on some embodiments of the present invention.
当該配信者側の装置は、ライブストリーム中、当該配信者からの現在の視聴者リストの表示指示に応答して、当該サーバ１０に現在の視聴者リストの取得リクエストを送信する。当該リクエストには、当該ライブストリームのストリームＩＤが含まれる。当該サーバ１０は、当該ストリームＤＢ３１０を参照することにより、当該リクエストに含まれる当該ストリームＩＤに対応する視聴者ＩＤのリストを特定する。その後、当該サーバ１０は、当該貢献度ＤＢ３５０を参照して、特定したリストの視聴者ＩＤごとに、（それぞれの当該視聴者ＩＤの）当該視聴者が、上位貢献者または上位貢献者候補としてタグ付けされているか、或いはそれらのいずれでもないかを判定する。当該サーバ１０は、特定したリストのそれぞれの当該視聴者ＩＤに、判定結果を付加する。当該サーバ１０は、特定したリストをリクエスト元の当該配信者の装置に送信する。当該装置は、現在の視聴者リスト領域Ｒ１を生成し、ライブストリームルーム画面内に表示する。当該領域には、現在の視聴者リストが表示される。当該領域には、上位貢献者としてタグ付けされた視聴者が一番上に表示され、その下に上位貢献者候補としてタグ付けされた視聴者が表示される。当該上位貢献及び（または）上位貢献者候補は、他者よりも目立つように表示される。これにより、当該配信者は、誰に注目し、誰とよりコミュニケーションをとるべきかを容易に認識することができる。
During a live stream, the distributor's device transmits a request to obtain a current viewer list to the
一部の実施態様において、上述したバッチ形式の貢献度予測プロセスが、図１４の実施態様における当該貢献度ＤＢ３５０の上位貢献者タグ及び（または）上位貢献者候補タグの判定に利用されてもよい。それにより、現在の視聴者すべてに対してリアルタイムでそれらのタグを判定または計算する場合と比較して、時間を節約することができる。
In some embodiments, the batch contribution prediction process described above may be used to determine the top contributor tags and/or potential top contributor tags for the
図７、図８、図９に示すように、当該機械学習モデル３７０に入力される特徴量は、当該貢献度ＤＢ３５０からの貢献度データと、当該インタラクションパラメータＤＢ３５２からの当該インタラクションパラメータを含む。当該貢献度データ及び当該インタラクションパラメータは、視聴者／配信者ペアごとに固有である、または関連付けられている。したがって、当該機械学習モデル３７０によって提供される、一配信者に対する一視聴者の貢献度予測は、当該視聴者と当該配信者間のインタラクションに相関しているだけでなく、当該視聴者と他の配信者間のインタラクションに相関していてもよい。つまり、一配信者に対する一視聴者の貢献度予測は、当該機械学習モデル３７０によって、当該視聴者と他の配信者間のインタラクションパラメータ及び（または）貢献度データに基づき判定されてもよい。
As shown in Figures 7, 8, and 9, the features input to the
例えば、一部の実施態様において、当該機械学習モデル３７０は、当該貢献度ＤＢ３５０の貢献度データに基づいて（または、当該インタラクションパラメータＤＢ３５２中の当該視聴者Ｖ１と当該配信者Ｄ２間の貢献度相関係数の値に基づいて）、配信者Ｄ２に対する視聴者Ｖ１の貢献度増加（または貢献度増加傾向）を検出または判定する。当該機械学習モデル３７０は、予測の時点において当該配信者Ｄ１に対する当該視聴者Ｖ１の貢献度増加傾向が明らかでなくても、当該配信者Ｄ１に対する当該視聴者Ｖ１の貢献度予測を大きいと判定してもよい。一部の実施態様において、当該視聴者Ｖ１から当該配信者Ｄ２への貢献度増加は、当該視聴者Ｖ１の貢献能力または貢献意欲の増加を示していてもよい。したがって、当該視聴者Ｖ１の貢献度予測値が増加していることを当該配信者Ｄ１に対して提示することで、当該配信者Ｄ１は、当該視聴者Ｖ１により注目したり、交流を増やしたりすることで、当該視聴者Ｖ１からより貢献を受ける可能性を高めることができる。
For example, in some embodiments, the
一部の実施態様において、当該機械学習モデル３７０は、当該配信者Ｄ１の属性が、配信者Ｄ２の属性と異なる、または反対であることを検出または判定する。その場合、当該機械学習モデル３７０によって判定される、当該配信者Ｄ１に対する視聴者の貢献度予測と、当該配信者Ｄ２に対する当該視聴者のインタラクションパラメータ値とは、逆相関であってもよい。例えば、当該配信者Ｄ１と当該配信者Ｄ２の属性が、彼らが通常政治的コンテンツを配信しており、政治的立場が正反対であることを示す場合、視聴者Ｖ１が当該配信者Ｄ２への関心を高めることは、当該配信者Ｄ１への関心が低下することを示す可能性がある。したがって、当該機械学習モデル３７０は、視聴者Ｖ１と配信者Ｄ２間のインタラクションパラメータ（貢献度相関係数、コメント相関係数、視聴率相関係数など）が、交流の増加または貢献度の増加を示す場合、視聴者Ｖ１の配信者Ｄ１に対する貢献度予測値を低く判定してもよい。その後、配信者Ｄ１は、予測結果に基づいて、より貢献度の高い他の視聴者により注目したり、交流を増やしたりしてもよい。一部の実施態様において、ユーザの属性は、当該ユーザの政治的立場を含んでいてもよく、これは、検出ユニットにより検出されたユーザの発言やコメントに基づいて、機械学習モデルによって判定されてもよい。
In some embodiments, the
図１５（ａ）、１５（ｂ）、１５（ｃ）は、本発明の一部の実施態様に基づく貢献度予測の例を示すグラフである。Ｘ軸は日別貢献度である。Ｙ軸はタイムラインである。貢献度予測は、視聴者が将来のある時点で配信者の上位貢献者になる可能性を確率で示したものである。 Figures 15(a), 15(b), and 15(c) are graphs showing example contribution predictions according to some embodiments of the present invention. The X-axis is daily contributions. The Y-axis is a timeline. The contribution predictions show the probability that a viewer will be a top contributor to a streamer at some point in the future.
図１５（ａ）に示す例１において、貢献度予測は、８／２８時点で算出された１５.９％から、９／２時点で算出された６７.１％に上昇した。当該視聴者は、９／２の時点で上位貢献者候補としてタグ付けされてもよい。図に示すように、実際の貢献度はその後上昇し、当該視聴者は９／１０時点で上位貢献者となった。 In Example 1 shown in FIG. 15(a), the predicted contribution increased from 15.9% calculated as of 8/28 to 67.1% calculated as of 9/2. The viewer may be tagged as a potential top contributor as of 9/2. As shown, the actual contribution subsequently increases, and the viewer becomes a top contributor as of 9/10.
図１５（ｂ）に示す例２において、貢献度予測は、９／１時点で算出された３６.９％から、９／１９時点で算出された１.２％に低下した。当該視聴者は、上位貢献者候補としてタグ付けされない。図に示すように、実際の貢献度はその後も低く、当該視聴者は上位貢献者になることはなかった。 In Example 2, shown in FIG. 15(b), the predicted contribution drops from 36.9% calculated on 9/1 to 1.2% calculated on 9/19. The viewer is not tagged as a potential top contributor. As shown, the actual contribution remains low thereafter, and the viewer never becomes a top contributor.
図１５（ｃ）に示す例３において、貢献度予測は、９／５時点で算出された２５.３％から、９／２０時点で算出された９２.５％に上昇した。当該視聴者は、９／２０の時点で上位貢献者候補としてタグ付けされてもよい。図に示すように、実際の貢献度はその後少し上昇した。実際には、当該配信者は９／２０の予測結果を参考に、よりその視聴者に注目（あるいは交流を深める）ようになり、当該視聴者からの貢献可能性を最大化する、及び（または）実際に当該視聴者を上位貢献者にすることができる。 In Example 3 shown in FIG. 15(c), the predicted contribution increased from 25.3% calculated on 9/5 to 92.5% calculated on 9/20. The viewer may be tagged as a potential top contributor on 9/20. As shown, the actual contribution increased slightly thereafter. In practice, the broadcaster may use the prediction result on 9/20 as a reference to pay more attention to (or deepen their interaction with) the viewer, thereby maximizing the potential contribution from the viewer and/or actually making the viewer a top contributor.
配信者がライブストリームを開始すると、当該配信者をフォローしている視聴者にライブストリームの通知（またはプッシュ通知）が送信される。一部の実施態様において、配信者がライブストリームを開始すると、当該ストリーミングシステムは、（貢献度ＤＢ３５０を参照して）当該配信者の上位貢献者候補を特定し、その上位貢献者にだけ、またはより高い優先度で、通知を送信する。それにより、通知処理に関するリソース（当該サーバ１０と通信する通知システムの帯域やＣＰＵの使用率など）が制限されている環境において、通知の効果を最大化することができる。また、バッチ形式の貢献度予測プロセスは、当該貢献度ＤＢ３５０の上位貢献者候補タグの事前更新に活用でき、上位貢献者候補を特定する処理の高速化、及び通知処理の高速化を図ることができる。
When a broadcaster starts a live stream, a live stream notification (or push notification) is sent to viewers who follow the broadcaster. In some embodiments, when a broadcaster starts a live stream, the streaming system identifies the broadcaster's top potential contributors (by reference to the contribution DB 350) and sends notifications only to the top contributors, or with higher priority. This maximizes the effectiveness of notifications in environments where resources related to notification processing (such as bandwidth and CPU usage of the notification system communicating with the server 10) are limited. In addition, the batch-based contribution prediction process can be used to pre-update the top contributor candidate tags in the
本発明は、配信者の上位貢献者候補を特定することで、当該配信者がそれらの人々とより交流できるように、または当該配信者がそれらの人々により注力できるようにすることができる。本発明は、配信者にとって既に上位貢献者である、または忠実な貢献者である視聴者を識別し、当該配信者がそれらの人々と現在の交流を維持できるようにすることができる。本発明は、配信者にとって上位貢献者になる可能性が低い視聴者を識別し、当該配信者がより高い貢献の可能性を有する他の視聴者とより多く交流できるようにすることができる。 The present invention can identify potential top contributors for a streamer, allowing the streamer to interact more with those people or to focus more on those people. The present invention can identify viewers who are already top or loyal contributors to the streamer, allowing the streamer to maintain current interactions with those people. The present invention can identify viewers who are unlikely to become top contributors to the streamer, allowing the streamer to interact more with other viewers who have higher contribution potential.
本発明で説明した処理及び手順は、明示的に説明したものに加えて、ソフトウェア、ハードウェア、またはそれらの任意の組み合わせにより実現することができる。例えば、本明細書で説明した処理および手順は、その処理および手順に対応するロジックを集積回路、揮発性メモリ、不揮発性メモリ、非一時的なコンピュータ可読媒体、磁気ディスクなどの媒体に実装することにより実現することができる。さらに、本明細書に記載された処理および手順は、その処理および手順に対応するコンピュータプログラムとして実現することができ、各種のコンピュータにより実行することができる。 The processes and procedures described herein, in addition to those explicitly described, can be implemented by software, hardware, or any combination thereof. For example, the processes and procedures described herein can be implemented by implementing logic corresponding to the processes and procedures in a medium such as an integrated circuit, volatile memory, non-volatile memory, non-transitory computer-readable medium, magnetic disk, or the like. Furthermore, the processes and procedures described herein can be implemented as computer programs corresponding to the processes and procedures, and can be executed by various computers.
さらに、上記実施態様で説明したシステムまたは方法は、固体記憶装置、光ディスク記憶装置、磁気ディスク記憶装置などの非一時的なコンピュータ可読媒体に格納されたプログラムに統合されてもよい。あるいは、プログラムは、インターネットを介してサーバからダウンロードされ、プロセッサにより実行されるものとしてもよい。 Furthermore, the system or method described in the above embodiments may be integrated into a program stored on a non-transitory computer-readable medium, such as a solid-state storage device, an optical disk storage device, or a magnetic disk storage device. Alternatively, the program may be downloaded from a server via the Internet and executed by a processor.
以上、本発明の技術的内容及び特徴を説明したが、本発明の属する技術分野において通常の知識を有する者であれば、本発明の教示及び開示から逸脱することなく、なお多くの変形及び修正を行うことができる。したがって、本発明の範囲は、既に開示された実施態様に限定されず、本発明から逸脱しない別の変形や修正を含む、特許請求の範囲に含まれる範囲である。 The technical contents and features of the present invention have been described above, but a person having ordinary knowledge in the technical field to which the present invention pertains can still make many variations and modifications without departing from the teachings and disclosure of the present invention. Therefore, the scope of the present invention is not limited to the embodiments already disclosed, but is within the scope of the claims, including other variations and modifications that do not depart from the present invention.
１ 通信システム
１０ サーバ
２０ ユーザ端末
３０、３０ａ、３０ｂ ユーザ端末
ＬＶ 配信者
ＡＵ１、ＡＵ２ 視聴者
ＶＤ、ＶＤ１、ＶＤ２ 映像
ＮＷ ネットワーク
３０ ユーザ端末
１００ 配信ユニット
１０２ 撮像コントロールユニット
１０４ オーディオコントロールユニット
１０６ 映像送信ユニット
１０８ 配信者側ＵＩコントロールユニット
２００ 視聴ユニット
２０２ 視聴者側ＵＩコントロールユニット
２０４ 重ね合わせ情報生成ユニット
２０６ 入力情報送信ユニット
３０２ 配信情報提供ユニット
３０４ 中継ユニット
３０６ 贈り物処理ユニット
３０８ 支払い処理ユニット
３１０ ストリームＤＢ
３１２ ユーザＤＢ
３１４ 贈り物ＤＢ
３３０ ユーザ識別ユニット
３３２ 配信時間提案ユニット
３５０ 貢献度ＤＢ
３５２ インタラクションパラメータＤＢ
３７０ 機械学習モデル
Ｓ１０００、Ｓ１００２、Ｓ１００４、Ｓ１００６、Ｓ１００８、Ｓ１０１０、Ｓ１０１２ 工程
Ｒ１ 現在の視聴者リスト
1
312 User DB
314 Gift DB
330
352 Interaction Parameter DB
370 Machine learning model S1000, S1002, S1004, S1006, S1008, S1010, S1012 Step R1 Current viewer list
Claims (10)
第１の配信者に対する視聴者の貢献度が、前記第１の配信者の貢献度閾値未満であると判定する工程と、
前記第１の配信者に対する前記視聴者のインタラクションパラメータの値を取得する工程と、
機械学習モデルにより、前記第１の配信者に対する前記視聴者の前記インタラクションパラメータの値に基づき、前記第１の配信者に対する前記視聴者の貢献度予測を判定する工程と、
を含むことを特徴とする、視聴者貢献度予測方法。 A method for predicting viewer contributions executed by a server, comprising:
determining that a viewer's contribution to a first distributor is less than a contribution threshold for the first distributor;
obtaining a value of an interaction parameter of the viewer with the first broadcaster;
determining, by a machine learning model, a contribution prediction of the viewer to the first broadcaster based on the value of the interaction parameter of the viewer to the first broadcaster;
A method for predicting viewer contributions, comprising:
前記視聴者の属性を取得する工程と、
前記機械学習モデルにより、前記視聴者の属性に応じて、前記第１の配信者に対する前記視聴者の貢献度予測を判定する工程と、
を含むことを特徴とする、請求項１に記載の視聴者貢献度予測方法。 moreover,
acquiring attributes of the viewer;
determining a contribution prediction of the viewer to the first distributor according to attributes of the viewer using the machine learning model;
The method of claim 1 , further comprising:
第２の配信者に対する前記視聴者のインタラクションパラメータの値を取得する工程と、
前記機械学習モデルにより、前記第２の配信者に対する前記視聴者の前記インタラクションパラメータの値に基づき、前記第１の配信者に対する前記視聴者の貢献度予測を判定する工程と、
を含むことを特徴とする、請求項１に記載の視聴者貢献度予測方法。 moreover,
obtaining a value of an interaction parameter of the viewer with a second broadcaster;
determining, using the machine learning model, a contribution prediction of the viewer to the first broadcaster based on the value of the interaction parameter of the viewer to the second broadcaster;
The method of claim 1 , further comprising:
前記第２の配信者に対する前記視聴者の前記インタラクションパラメータの値に基づき、前記第２の配信者に対する前記視聴者の貢献度増加を判定する工程と、
前記第１の配信者に対する前記視聴者の前記貢献度予測がより大きいと判定する工程と、
を含むことを特徴とする、請求項３に記載の視聴者貢献度予測方法。 moreover,
determining an increase in the viewer's contribution to the second broadcaster based on a value of the interaction parameter of the viewer to the second broadcaster;
determining that the predicted contribution of the viewer to the first distributor is greater;
The viewer contribution prediction method according to claim 3, comprising:
前記第１の配信者の属性が、前記第２の配信者の属性と異なると判定する工程を含み、
そのうち、判定された前記視聴者の前記第１の配信者に対する前記貢献度予測が、前記視聴者の前記第２の配信者に対する前記インタラクションパラメータ値と逆相関である、ことを特徴とする、請求項３に記載の視聴者貢献度予測方法。 moreover,
determining that an attribute of the first distributor is different from an attribute of the second distributor;
The viewer contribution prediction method of claim 3, characterized in that the determined contribution prediction of the viewer to the first distributor is inversely correlated with the interaction parameter value of the viewer to the second distributor.
前記第１の配信者のライブストリーミング中に、前記第１の配信者に対する前記視聴者の判定された前記貢献度予測を、前記第１の配信者の端末のディスプレイに表示させる工程を含む、ことを特徴とする、請求項１に記載の視聴者貢献度予測方法。 moreover,
The viewer contribution prediction method of claim 1, further comprising a step of displaying the determined contribution prediction of the viewer to the first broadcaster on a display of a terminal of the first broadcaster during live streaming of the first broadcaster.
第１の配信者に対する視聴者の貢献度が、前記第１の配信者の貢献度閾値未満であると判定する工程と、
前記第１の配信者に対する前記視聴者のインタラクションパラメータの値を取得する工程と、
機械学習モデルにより、前記第１の配信者に対する前記視聴者の前記インタラクションパラメータの値に基づき、前記第１の配信者に対する前記視聴者の貢献度予測を判定する工程と、
を実行することを特徴とする、視聴者貢献度予測のためのシステム。 1. A system for viewer contribution prediction, comprising: one or more processors, the one or more processors executing machine-readable instructions to:
determining that a viewer's contribution to a first distributor is less than a contribution threshold for the first distributor;
obtaining a value of an interaction parameter of the viewer with the first broadcaster;
determining, by a machine learning model, a contribution prediction of the viewer to the first broadcaster based on the value of the interaction parameter of the viewer to the first broadcaster;
A system for viewer contribution prediction, comprising:
第１の配信者に対する視聴者の貢献度が、前記第１の配信者の貢献度閾値未満であると判定する工程と、
前記第１の配信者に対する前記視聴者のインタラクションパラメータの値を取得する工程と、
機械学習モデルにより、前記第１の配信者に対する前記視聴者の前記インタラクションパラメータの値に基づき、前記第１の配信者に対する前記視聴者の貢献度予測を判定する工程と、
を実行させることを特徴とする、視聴者貢献度予測のためのプログラムを含む非一時的なコンピュータ可読媒体。 1. A non-transitory computer readable medium containing a program for viewer contribution prediction, wherein the program is configured to run on one or more computers:
determining that a viewer's contribution to a first distributor is less than a contribution threshold for the first distributor;
obtaining a value of an interaction parameter of the viewer with the first broadcaster;
determining, by a machine learning model, a contribution prediction of the viewer to the first broadcaster based on the value of the interaction parameter of the viewer to the first broadcaster;
A non-transitory computer-readable medium including a program for viewer contribution prediction, the program causing the program to execute:
Priority Applications (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2022197705A JP7355309B1 (en) | 2022-12-12 | 2022-12-12 | Systems, methods, and computer-readable media for contribution prediction |
| US18/364,344 US20240196032A1 (en) | 2022-12-12 | 2023-08-02 | System, method and computer-readable medium for distribution time suggestion |
| JP2023146541A JP2024084120A (en) | 2022-12-12 | 2023-09-08 | System, method, and computer-readable medium for predicting contribution degree |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2022197705A JP7355309B1 (en) | 2022-12-12 | 2022-12-12 | Systems, methods, and computer-readable media for contribution prediction |
Related Child Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2023146541A Division JP2024084120A (en) | 2022-12-12 | 2023-09-08 | System, method, and computer-readable medium for predicting contribution degree |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP7355309B1 JP7355309B1 (en) | 2023-10-03 |
| JP2024083729A true JP2024083729A (en) | 2024-06-24 |
Family
ID=88198335
Family Applications (2)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2022197705A Active JP7355309B1 (en) | 2022-12-12 | 2022-12-12 | Systems, methods, and computer-readable media for contribution prediction |
| JP2023146541A Pending JP2024084120A (en) | 2022-12-12 | 2023-09-08 | System, method, and computer-readable medium for predicting contribution degree |
Family Applications After (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2023146541A Pending JP2024084120A (en) | 2022-12-12 | 2023-09-08 | System, method, and computer-readable medium for predicting contribution degree |
Country Status (1)
| Country | Link |
|---|---|
| JP (2) | JP7355309B1 (en) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2010129067A (en) * | 2008-12-01 | 2010-06-10 | Spicysoft Kk | Management device and network system |
| US20170185903A1 (en) * | 2015-12-28 | 2017-06-29 | Facebook, Inc. | Systems and methods for social network post audience prediction and selection |
| JP2020017937A (en) * | 2018-10-30 | 2020-01-30 | 株式会社ドワンゴ | Server and program |
-
2022
- 2022-12-12 JP JP2022197705A patent/JP7355309B1/en active Active
-
2023
- 2023-09-08 JP JP2023146541A patent/JP2024084120A/en active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2010129067A (en) * | 2008-12-01 | 2010-06-10 | Spicysoft Kk | Management device and network system |
| US20170185903A1 (en) * | 2015-12-28 | 2017-06-29 | Facebook, Inc. | Systems and methods for social network post audience prediction and selection |
| JP2020017937A (en) * | 2018-10-30 | 2020-01-30 | 株式会社ドワンゴ | Server and program |
Non-Patent Citations (1)
| Title |
|---|
| YOUTUBEコメントビューアーCASTCRAFTに、視聴者の貢献度を可視化する「ランキング機能」が追加されました。, JPN6023024194, 4 September 2020 (2020-09-04), ISSN: 0005083104 * |
Also Published As
| Publication number | Publication date |
|---|---|
| JP7355309B1 (en) | 2023-10-03 |
| JP2024084120A (en) | 2024-06-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112335257B (en) | Server and computer-readable recording medium | |
| CN102714762B (en) | Automatic media asset replacement via online social networks | |
| US20240334015A1 (en) | System, method and computer-readable medium for recommendation | |
| US20240296195A1 (en) | System, method and computer-readable medium for recommendation | |
| JP7313643B1 (en) | Systems, methods and computer readable media for delivery time suggestions | |
| JP7071718B1 (en) | Server and method | |
| JP7125729B1 (en) | server | |
| JP2024066416A (en) | System, method, and computer-readable medium for recommending live stream | |
| JP7246055B1 (en) | Server and method | |
| US20230353841A1 (en) | Terminal and method | |
| JP7355309B1 (en) | Systems, methods, and computer-readable media for contribution prediction | |
| US20240259644A1 (en) | System, method and computer-readable medium for video processing | |
| JP7272570B1 (en) | Computer program, terminal, method and server | |
| US20240196032A1 (en) | System, method and computer-readable medium for distribution time suggestion | |
| JP2023115427A (en) | computer program and server | |
| JP7376036B1 (en) | System and method for distributor analysis | |
| JP7465489B1 (en) | Information processing device, information processing method, and program | |
| JP7563717B1 (en) | Systems and methods for recommendations | |
| JP7545685B1 (en) | Systems and methods for stream recommendation - Patents.com | |
| JP7563715B1 (en) | System and method for stream distribution | |
| JP7433617B1 (en) | servers and computer programs | |
| US20240187705A1 (en) | Server and computer program | |
| JP7469766B1 (en) | System and method for stream distribution | |
| JP7345814B1 (en) | Servers, computer programs and terminals | |
| JP7495072B1 (en) | SERVER AND METHOD |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20230307 |
|
| A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20230307 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230613 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230809 |
|
| RD03 | Notification of appointment of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7423 Effective date: 20230809 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20230905 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230908 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 7355309 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
| S531 | Written request for registration of change of domicile |
Free format text: JAPANESE INTERMEDIATE CODE: R313531 |