WO2020253372A1 - 基于大数据分析的信息推送方法、装置、设备及存储介质 - Google Patents

基于大数据分析的信息推送方法、装置、设备及存储介质 Download PDF

Info

Publication number
WO2020253372A1
WO2020253372A1 PCT/CN2020/086475 CN2020086475W WO2020253372A1 WO 2020253372 A1 WO2020253372 A1 WO 2020253372A1 CN 2020086475 W CN2020086475 W CN 2020086475W WO 2020253372 A1 WO2020253372 A1 WO 2020253372A1
Authority
WO
WIPO (PCT)
Prior art keywords
information
user
facial
facial feature
video
Prior art date
Application number
PCT/CN2020/086475
Other languages
English (en)
French (fr)
Inventor
甘文俊
钱尼丽
Original Assignee
深圳壹账通智能科技有限公司
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 深圳壹账通智能科技有限公司 filed Critical 深圳壹账通智能科技有限公司
Publication of WO2020253372A1 publication Critical patent/WO2020253372A1/zh

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
    • G06F16/73—Querying
    • G06F16/735—Filtering based on additional data, e.g. user or group profiles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/168—Feature extraction; Face representation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/174—Facial expression recognition

Definitions

  • This application relates to the technical field of big data analysis, and in particular to an information push method, device, equipment and storage medium based on big data analysis.
  • this online promotion method can greatly save manpower and material resources and save costs for enterprises.
  • the inventor realizes that the existing online promotion is usually a large-scale push, that is, to facilitate promotion, the information pushed to all users at the same time is the same, and it does not consider whether the pushed information is suitable for the current actual needs of users. Therefore, the accuracy and effectiveness of information push cannot be guaranteed at all.
  • the main purpose of this application is to provide an information push method, device, device, and storage medium based on big data analysis, aiming to solve the technical problem of low information push accuracy in the prior art and the pushed information not suitable for the actual needs of users.
  • this application provides an information push method based on big data analysis, and the method includes the following steps:
  • an information push model suitable for the user is selected from a pre-built information push model management library, and the information push model is used to push information for the user.
  • the step of collecting the facial expressions of users watching the film and television works by time intervals includes:
  • the face of the user in each video segment is analyzed to obtain the facial expression of the user watching the film and television work in each time period.
  • this application also proposes an information push device based on big data analysis, the device including:
  • the collection module is used to collect the streaming media information of the film and television work currently played on the user interface and the facial expressions of the user watching the film and television work in time intervals;
  • the analysis module is configured to analyze the streaming media information in each time period to obtain the user's first emotion change trend, and analyze the facial expressions in each time period to obtain the user's second emotion change trend;
  • a determining module configured to determine the actual emotion information of the user according to the first emotion change trend and the second emotion change trend;
  • the push module is configured to select an information push model suitable for the user from a pre-built information push model management library according to the actual emotional information, and use the information push model to push information for the user.
  • this application also proposes an information push device based on big data analysis, the device including: a memory, a processor, and a big data-based device that is stored on the memory and can run on the processor.
  • An information push program for data analysis which is configured to implement the steps of the information push method based on big data analysis as described above.
  • this application also proposes a storage medium that stores an information push program based on big data analysis.
  • the information push program based on big data analysis is executed by a processor, the implementation is as described above. The steps of the information push method based on big data analysis.
  • the information push solution based on big data analysis provided by this application when pushing information for users, predicts the user’s first emotional change trend based on the film and television works that the user watches, and according to the facial expressions of the user when watching the film and television works Determine the user's second emotion change trend, and then determine the user's actual emotion information according to the first emotion change trend and the second emotion change trend, and finally select the appropriate information from the pre-built information push model management library based on the determined actual emotion information
  • the information push model of the user and adopts the information push model to push information that conforms to the current actual mood for the user, so as to ensure that the information pushed to the user is the information that meets the current actual needs of the user, which greatly improves the information push Accuracy and effectiveness.
  • FIG. 1 is a schematic structural diagram of an information push device based on big data analysis in a hardware operating environment involved in a solution of an embodiment of the present application;
  • FIG. 2 is a schematic flowchart of a first embodiment of an information push method based on big data analysis according to this application;
  • FIG. 3 is a schematic flowchart of a second embodiment of an information push method based on big data analysis according to this application;
  • FIG. 4 is a schematic diagram of processing video format information in the second embodiment of the information pushing method based on big data analysis of this application;
  • FIG. 5 is a schematic diagram of processing video format information in the second embodiment of the information pushing method based on big data analysis of this application;
  • FIG. 6 is a schematic diagram of processing video format information in the second embodiment of the information pushing method based on big data analysis of this application;
  • FIG. 7 is a structural block diagram of a first embodiment of an information push device based on big data analysis in this application.
  • FIG. 1 is a schematic structural diagram of an information pushing device based on big data analysis in a hardware operating environment involved in a solution of an embodiment of the application.
  • the information pushing device based on big data analysis may include a processor 1001, such as a central processing unit (CPU), a communication bus 1002, a user interface 1003, a network interface 1004, and a memory 1005.
  • the communication bus 1002 is used to implement connection and communication between these components.
  • the user interface 1003 may include a display screen (Display) and an input unit such as a keyboard (Keyboard), and the optional user interface 1003 may also include a standard wired interface and a wireless interface.
  • the network interface 1004 may optionally include a standard wired interface and a wireless interface (such as a wireless fidelity (WI-FI) interface).
  • WI-FI wireless fidelity
  • the memory 1005 may be a high-speed random access memory (Random Access Memory, RAM) memory, or a stable non-volatile memory (Non-Volatile Memory, NVM), such as a disk memory.
  • RAM Random Access Memory
  • NVM Non-Volatile Memory
  • the memory 1005 may also be a storage device independent of the foregoing processor 1001.
  • FIG. 1 does not constitute a limitation on the information push device based on big data analysis, and may include more or less components than shown in the figure, or combine certain components, or different The layout of the components.
  • the memory 1005 as a storage medium may include an operating system, a network communication module, a user interface module, and an information push program based on big data analysis.
  • the network interface 1004 is mainly used for data communication with a network server; the user interface 1003 is mainly used for data interaction with users; this application is based on big data analysis for information push
  • the processor 1001 and the memory 1005 in the device may be set in an information pushing device based on big data analysis, and the information pushing device based on big data analysis calls the information pushing program based on big data analysis stored in the memory 1005 through the processor 1001 , And execute the information push method based on big data analysis provided in the embodiments of this application.
  • FIG. 2 is a schematic flowchart of a first embodiment of an information pushing method based on big data analysis of this application.
  • the information push method based on big data analysis includes the following steps:
  • Step S10 Collect the streaming media information of the movie and TV work currently played on the user interface and the facial expressions of the user watching the movie and TV work in time intervals.
  • the execution subject involved in this embodiment may only be a terminal device used to play film and television works, such as a personal computer, a tablet computer, a smart phone, etc.; it may also be a terminal device operated by the user and deployed with this implementation.
  • a terminal device used to play film and television works such as a personal computer, a tablet computer, a smart phone, etc.
  • it may also be a terminal device operated by the user and deployed with this implementation.
  • the server interaction of the information push program based on big data analysis given in the example is completed, and the specific setting method can be set by those skilled in the art as needed, and there is no limitation here.
  • the film and television works mentioned in this embodiment mainly include audio and video works such as television, film, and music.
  • this embodiment takes the current user interface as an example that the movie and TV work is a movie, and briefly describes the content involved in the streaming media information and the acquisition method of each content.
  • the collected streaming media information may roughly include the facial expressions, lines, and plot information of the main characters in the movie scene currently being played, which will not be listed here. No restrictions.
  • the facial expressions of the main characters in the above-mentioned movie scenes may be specifically extracted from the streaming media information in the video format based on face recognition technology;
  • the plot information may be based on the identification information of the current film and television works , Obtain the corresponding synopsis, or determine it through semantic analysis of the lines;
  • the line information may be extracted from the streaming media information in the audio format based on voice recognition technology.
  • the implementation of collecting the user's facial expressions can be specifically extracted from the recorded video information of the film and television works corresponding to the streaming media information of the user watching each time period, that is, extracting the user's facial expressions
  • the same method can be used to extract facial expressions of actors in streaming media information.
  • a specific implementation method for extracting facial expressions is given below. The general steps are as follows (here to extract the user’s Facial expression as an example):
  • the processor of the terminal device After receiving an instruction to play the selected film and television work triggered by the user on the user interface of the terminal device, the processor of the terminal device obtains the address of the film and television work according to the instruction, and analyzes and plays the film and television work. At the same time, the camera of the terminal device is controlled to be turned on, so that the video information including the face of the user can be collected in real time during the process of playing the film and television work.
  • the reason why the video information is intercepted according to the streaming media information of each time period to obtain the video fragments of the streaming media information of each time period is to ensure that the first mood change and the second mood change determined subsequently The time axis of the mood change is matched, thereby ensuring that the actual mood information of the user determined according to the first mood change and the second mood change is more suitable for the actual situation.
  • the operation of determining the facial expression of the user can be achieved through the following steps:
  • (3-1) Traverse each video segment, and extract the facial feature points of the user from the current video segment traversed according to the facial feature detection model obtained by pre-training.
  • the face image of the user may be identified from the current video segment traversed according to the face detection model obtained by pre-training. Then, according to the facial feature detection model obtained by pre-training, the facial feature points of the user, such as the feature points of the eyes, eyebrows, mouth, and jaw, are extracted from the face image.
  • the aforementioned face detection model and face feature detection model it can be specifically obtained by training a training model built on sample data based on a convolutional neural network algorithm.
  • the face detection model and face feature detection model obtained by training can more accurately extract the face images and facial feature points in each video segment.
  • the user's face is divided into facial regions to obtain facial feature regions corresponding to the facial feature points.
  • each facial feature point is located in a facial feature region.
  • facial feature points of the user are located in a facial feature area, for example, all facial feature points of the left eyebrow are located in the same facial feature area, and all facial feature points of the right eyebrow are located in the same facial feature area .
  • the speed vector mentioned here is not only used to indicate the movement speed information of the corresponding facial feature point, but also used to indicate the movement direction information of the facial feature point.
  • the method of determining the velocity vector of the facial feature points in each facial region based on the optical flow method may be by traversing each facial feature region, and detecting that the facial feature points in the current facial feature region traversed are between two adjacent ones. Pixel change intensity between image frames; and then according to the pixel change intensity, infer the velocity vector of the facial feature point in the current facial feature region.
  • the position coordinates of a certain facial feature point is P(x,y,t)
  • the intensity is I(x,y,t)
  • ⁇ x, ⁇ y, ⁇ t between two frames.
  • x is the abscissa
  • y is the ordinate
  • t is the optical value.
  • V x and V y are the components of x and y respectively, and the velocity or optical flow of I(x, y, t). Therefore, between two frames at a distance of ⁇ t, the optical value t of the above-mentioned feature point is expressed as a two-dimensional velocity vector
  • (3-4) Determine the facial expression of the user in the current video segment traversed according to the velocity vector of each facial feature point.
  • the facial expression of the user in the video can usually be considered For sleepiness.
  • the reason why the streaming media information of the film and television works played on the current user interface and the facial expressions of the users watching the film and television works are collected in time intervals is to be able to accurately determine The user’s emotional information to ensure the accuracy of the information push operation.
  • Step S20 based on the big data analysis technology, analyze the streaming media information in each time period to obtain the user's first emotion change trend, and analyze the facial expressions in each time period to obtain the user's second emotion change trend.
  • the first emotion change trend mentioned here is essentially the user’s current possible emotion estimated based on the film and television works the user chooses to watch. For example, the user has been watching a tragedy for a certain period of time, and the user can be initially identified At this stage, I am in a bad mood and low mood.
  • the second emotion change trend is determined according to the real facial expressions made by the user while watching the film and television work.
  • the characteristic point of the upper eyelid that marks the inner corner of the eye moves downward, the upper eyelid of the inner corner of the eye is lowered, and the characteristic point that marks the mouth moves outward, which causes the mouth to open. It can usually be considered that the user making the current facial expression is in Drowsiness and depression.
  • the characteristic points of the lip corners are marked back and the cheeks are moved back and above the cheeks, the corners of the lips are pulled back and raised, and the characteristic points that mark the mouth are moved outwards, which leads to the opening of the mouth, which can usually be considered as making the current facial expression Of users are excited and emotional.
  • the above-mentioned first mood change trend and the second mood change trend are used to reflect the user's mood change in the current time period, such as changing from happy to unhappy; from unhappy to happy, or always in a happy state Or unhappy state, etc.
  • Step S30 Determine actual emotion information of the user according to the first emotion change trend and the second emotion change trend.
  • the first mood change trend and the second mood change trend both indicate that the user has been happier in the current time period, it can be determined that the user's actual mood information is happy;
  • the first mood change trend indicates that the user may be in a bad mood during the current time period
  • the second mood change trend indicates that the user is happy in the current time period
  • the user's actual mood can be determined The emotional information is unhappy.
  • the first mood change trend indicates that the user may be in a bad mood during the current time period
  • the second mood change trend indicates that the user is happy in the current time period
  • Step S40 According to the actual emotional information, select an information push model suitable for the user from a pre-built information push model management database, and use the information push model to push information for the user.
  • the information pushed for the user may involve music, film and television works, catering, entertainment information, etc. that can improve the mood of the user, or may be film and television works that have a high degree of matching with the currently played film and television works, etc., specifically pushed
  • the content can be determined according to the actual emotional information and a pre-built information push model.
  • step S40 in order to provide in step S40: according to the actual emotional information, select an information push model suitable for the user from a pre-built information push model management library, and then The operation of using the selected information push model to push information for the user can be performed smoothly. Before performing the above operation, the information push model needs to be constructed first.
  • the constructed information push model includes the information push model selected in the above steps that is suitable for the user, and also includes the information push model for other user emotions, that is, the information push management library.
  • this implementation provides a specific construction process, which is roughly as follows:
  • the aforementioned network address may specifically be the Uniform Resource Locator (URL) of the webpage where the training data to be collected is located, or it may be the URL of the training data in any big data platform.
  • URL Uniform Resource Locator
  • Database storage addresses are not listed here, and there are no restrictions on this.
  • the web crawler used to obtain training data can be any one or several of many web crawlers, such as general web crawlers, focused web crawlers, incremental web crawlers, deep web crawlers, etc.
  • web crawlers such as general web crawlers, focused web crawlers, incremental web crawlers, deep web crawlers, etc.
  • general web crawlers such as general web crawlers, focused web crawlers, incremental web crawlers, deep web crawlers, etc.
  • Those skilled in the art can choose according to their needs, and this application does not impose any restrictions on this.
  • the training data can be added to the pre-built training data.
  • the buffer pool such as Kafka message queue.
  • Kafka message queues are used to cache the training data. Avoid the accumulation of a large amount of training data as much as possible, thereby effectively preventing thread blocking.
  • Kafka is an open source stream processing platform developed by the Apache Software Foundation, its usage is relatively mature. Those skilled in the art can find relevant documents and implement it by themselves in specific implementations. I will not repeat them here. .
  • the machine learning algorithm is predetermined as a decision tree algorithm.
  • each kind of user emotion information is regarded as a node, and a question is asked at each node;
  • the training data is divided into two categories, and then continue to ask questions, and loop in turn until all existing user emotion information is classified, and the learning path for constructing the training model can be obtained.
  • the above-mentioned learning objective is used to detect whether the training result is greatly close to the real data in the subsequent training process, that is, after the training model completes a certain training, after the training data is input into the training model, the output The training result is close to the learning goal.
  • training can also be carried out based on the following data, such as: gender, age, occupation, platform usage habits, hobbies, family members, community grade, consumption ability, personality, etc., here I will not list them one by one, and do not make any restrictions on this.
  • the information push model can also be adjusted regularly.
  • the information push method when pushing information for users, estimates the user’s first emotional change trend based on the film and television works watched by the user.
  • the facial expressions when watching the film and television works determine the user’s second emotion change trend, and then according to the first emotion change trend and the second emotion change trend, determine the user’s actual emotion information, and finally based on the determined actual emotion information, build from the
  • the information push model management library selects an information push model suitable for the user, and uses the information push model to push information that meets the current actual mood for the user, so as to ensure that the information pushed to the user is suitable for the user’s current actual needs The information, which greatly improves the accuracy and effectiveness of information push.
  • FIG. 3 is a schematic flowchart of a second embodiment of an information push method based on big data analysis according to this application.
  • the information pushed to the user may be text information, voice information, or video information. Therefore, in order to avoid the problem that the existing video format information has a single picture and cannot attract users during the playback process, in this embodiment, when it is determined that the information pushed to the user is a video format, the video format information is processed, and then The information in the video format is displayed on the user interface with a naked-eye stereoscopic effect, that is, naked-eye 3D (3Dimensions), thereby attracting users to view.
  • a naked-eye stereoscopic effect that is, naked-eye 3D (3Dimensions
  • the method for pushing information based on big data analysis in this embodiment after the step S40 further includes:
  • Step S50 Monitoring whether a viewing instruction triggered by the user to view the information of the video format is received.
  • step S60 is performed; otherwise, step S50 is continued to be performed until it is determined that the user-triggered viewing station is received.
  • the instruction for viewing the information in the video format is performed until step S60.
  • Step S60 processing the information in the video format based on the image processing technology, so that the information in the video format is displayed on the user interface with a naked-eye stereoscopic effect.
  • the splitting is performed in units of frames, so that the information can be refined as much as possible, so that the subsequently determined object to be processed is more accurate.
  • At least one white dividing line vertically running through the screen is set in each picture to be processed, and each picture to be processed is divided into at least two display areas.
  • the width of the white dividing line can be determined according to the size of the user interface used to play the information of the video format, and there is no specific limitation here.
  • the white dividing line that is set to penetrate the screen vertically can divide the picture to be processed into equal parts, that is, the display area obtained by dividing the white dividing line is preferably the same size.
  • the object to be processed it is preferable to determine the object moving from back to front or from front to back in the information as the object to be processed, so that after subsequent processing, the displayed picture will have a kind of outward movement from the picture. The effect of moving out or moving from outside to the screen.
  • FIG. 4, FIG. 5, and FIG. 6 For ease of understanding, a brief description will be given below in conjunction with FIG. 4, FIG. 5, and FIG. 6.
  • Figures 4 to 6 show three pictures to be processed corresponding to three consecutive frames. At the center of the three pictures to be processed, a white dividing line that runs through the entire screen vertically is set, and each picture to be processed is divided into A display area and B display area.
  • the processor directly activates the parallax barrier, so that the beam of the picture to be displayed passes through
  • the light and dark interval stripes at different positions of the parallax barrier allow users to visually produce tiny parallaxes, thus giving the parallax principle to allow the user's left and right eyes to see different pixel content, thereby achieving the naked eye 3D effect.
  • the information pushing method based on big data analysis provided in this embodiment, when the information pushed to the user is information in a video format, if the user triggers to view the video format
  • the viewing instruction of the information is processed by processing the information in the video format based on image processing technology, so that the information in the video format can be displayed on the user interface in a naked-eye stereo effect for the user to view. Because the user does not need to pair 3D glasses when viewing naked-eye stereoscopic images, and the stereoscopic images are relatively two-dimensional, the user experience is better during the viewing process, which can attract users to watch, and further improve the browsing rate of information. Information efficiency.
  • an embodiment of the present application also proposes a storage medium that stores an information push program based on big data analysis, and when the information push program based on big data analysis is executed by a processor, the above Steps of information push method based on big data analysis.
  • the computer-readable storage medium may be non-volatile or volatile.
  • Fig. 7 is a structural block diagram of a first embodiment of an information push device based on big data analysis in this application.
  • the information pushing device based on big data analysis proposed in the embodiment of the present application includes: an acquisition module 7001, an analysis module 7002, a determination module 7003, and a pushing module 7004.
  • the collection module 7001 is used to collect the streaming media information of the film and television works currently played on the user interface and the facial expressions of the users watching the film and television works in time periods;
  • the analysis module 7002 is used to analyze the data in each period based on big data analysis technology Streaming media information is analyzed to obtain the user's first emotional change trend, and facial expressions in various periods are analyzed to obtain the user's second emotional change trend;
  • the determining module 7003 is configured to obtain the user's second emotional change trend according to the first emotional change trend and The second emotion change trend determines the actual emotion information of the user;
  • the push module 7004 is configured to select an information push model suitable for the user from a pre-built information push model management library according to the actual emotion information, And adopt the information push model to push information for the user.
  • this embodiment provides a way to collect facial expressions of users watching the film and television works in time intervals, which is roughly as follows:
  • (3-1) Traverse each video segment, and extract the facial feature points of the user from the current video segment traversed according to the facial feature detection model obtained by pre-training;
  • each facial feature point perform facial area division on the face of the user to obtain a facial feature area corresponding to each facial feature point;
  • (3-4) Determine the facial expression of the user in the current video clip traversed according to the velocity vector of each facial feature point
  • the velocity vector of the facial feature point in the current facial feature region is inferred.
  • the push module 7004 in order to ensure that the push module 7004 can select an information push model suitable for the user from a pre-built information push model management library according to the actual emotional information, and then use the selected information push model
  • the information push model pushes information for the user, and the information push device based on big data analysis provided in this embodiment may further include a building module.
  • the construction model is used to construct the information pushing model first when the pushing module 7004 performs the above operations.
  • the construction model and the information push model constructed include not only the information push model selected by the push module 7001 suitable for the user, but also the information push model for the emotions of other users, namely information push
  • information push model for the emotions of other users, namely information push
  • this implementation provides a specific construction process, which is roughly as follows:
  • the information push device when pushing information for users, estimates the user’s first emotional change trend based on the film and television works watched by the user.
  • the facial expressions when watching the film and television works determine the user’s second emotion change trend, and then according to the first emotion change trend and the second emotion change trend, determine the user’s actual emotion information, and finally based on the determined actual emotion information, build from the
  • the information push model management library selects an information push model suitable for the user, and uses the information push model to push information that meets the current actual mood for the user, so as to ensure that the information pushed to the user is suitable for the user’s current actual needs The information, which greatly improves the accuracy and effectiveness of information push.
  • the information pushed to the user may be text information, voice information, or video information. Therefore, in order to avoid the problem that the existing video format information has a single picture and cannot attract users during the playback process, in this embodiment, when it is determined that the information pushed to the user is a video format, the video format information is processed, and then The information in the video format is displayed on the user interface with a naked-eye stereoscopic effect, that is, naked-eye 3D (3Dimensions), thereby attracting users to view.
  • a naked-eye stereoscopic effect that is, naked-eye 3D (3Dimensions
  • the information pushing device based on big data analysis further includes: a monitoring module and a processing module.
  • the monitoring module is configured to monitor whether a viewing instruction triggered by the user to view the information in the video format is received.
  • the processing module is configured to process the information in the video format based on image processing technology when receiving a viewing instruction triggered by the user to view the information in the video format, so that the information in the video format is It is displayed on the user interface with a naked-eye stereoscopic effect.
  • each white dividing line that runs vertically through the screen is set in each picture to be processed, and each picture to be processed is divided into at least two display areas;
  • the pictures to be displayed are displayed in the order of playing in the information of the video format, so that the information of the video format is displayed on the user interface with a naked-eye stereoscopic effect.
  • the information pushing device when the information pushed to the user is video format information, if the user triggers the viewing of the video format
  • the viewing instruction of the information is processed by processing the information in the video format based on image processing technology, so that the information in the video format can be displayed on the user interface in a naked-eye stereo effect for the user to view. Because the user does not need to pair 3D glasses when viewing naked-eye stereoscopic images, and the stereoscopic images are relatively two-dimensional, the user experience is better during the viewing process, which can attract users to watch, and further improve the browsing rate of information. Information efficiency.
  • the method of the above embodiments can be implemented by means of software plus the necessary general hardware platform. Of course, it can also be implemented by hardware, but in many cases the former is better. ⁇ Based on this understanding, the technical solution of this application essentially or the part that contributes to the existing technology can be embodied in the form of a software product.
  • the computer software product is stored in a storage medium (such as Read Only Memory). , ROM)/RAM, magnetic disk, optical disk), including several instructions to make a terminal device (can be a mobile phone, computer, server, or network device, etc.) execute the method described in each embodiment of the present application.

Abstract

一种基于大数据分析的信息推送方法、装置、设备及存储介质。该方法包括：分时段采集当前用户界面播放的影视作品的流媒体信息和观看所述影视作品的用户的面部表情（S10）；基于大数据分析技术，对各时段的流媒体信息进行分析得到所述用户的第一情绪变化趋势，对各时段的面部表情进行分析得到所述用户的第二情绪变化趋势（S20）；根据所述第一情绪变化趋势和所述第二情绪变化趋势，确定所述用户的实际情绪信息（S30）；根据所述实际情绪信息，从预先构建的信息推送模型管理库中选取适合所述用户的信息推送模型，并采用所述信息推送模型为所述用户推送信息（S40）。通过该方法，解决了现有技术中信息推送准确率低，推送的信息不适于用户实际需求的技术问题。

Description

基于大数据分析的信息推送方法、装置、设备及存储介质
本申请要求于2019年6月19日提交中国专利局、申请号为201910539938.3，发明名称为“基于大数据分析的信息推送方法、装置、设备及存储介质”的中国专利申请的优先权，其全部内容通过引用结合在本申请中。
技术领域
本申请涉及大数据分析技术领域，尤其涉及一种基于大数据分析的信息推送方法、装置、设备及存储介质。
背景技术
随着互联网技术的发展与移动设备的普及，现如今越来越多的工商企业开始将产品或服务的推广转向线上推广。比如，通过网络向用户的终端设备推送信息，方便用户在线观看。
虽然，这种线上推广方式相对传统的线下推广能够大大节省人力物力，为企业节约成本。但是，发明人意识到现有的线上推广通常是大面积推送，即为了方便推广，同一时段向所有用户推送的信息都是一样的，根本不考虑推送的信息是否合适用户当前的实际需求，因而根本无法保证信息推送的准确率和有效性。
所以，亟需提供一种信息推送方法，以使推送给用户的信息更加符合用户实际需求，从而提升信息推送的准确率和有效性。
上述内容仅用于辅助理解本申请的技术方案，并不代表承认上述内容是现有技术。
发明内容
本申请的主要目的在于提供一种基于大数据分析的信息推送方法、装置、设备及存储介质，旨在解决现有技术中信息推送准确率低，推送的信息不适于用户实际需求的技术问题。
为实现上述目的，本申请提供了一种基于大数据分析的信息推送方法，所述方法包括以下步骤:
分时段采集当前用户界面播放的影视作品的流媒体信息和观看所述影视作品的用户的面部表情；
基于大数据分析技术，对各时段的流媒体信息进行分析得到所述用户的第一情绪变化趋势，对各时段的面部表情进行分析得到所述用户的第二情绪变化趋势；
根据所述第一情绪变化趋势和所述第二情绪变化趋势，确定所述用户的实际情绪信息；
根据所述实际情绪信息，从预先构建的信息推送模型管理库中选取适合所述用户的信息推送模型，并采用所述信息推送模型为所述用户推送信息。
优选地，所述分时段采集观看所述影视作品的用户的面部表情的步骤，包括：
在播放所述影视作品的过程中，采集包含所述用户的人脸的视频信息；
从所述视频信息中截取对应各时段的流媒体信息的视频片段；
对各视频片段中所述用户的人脸进行分析，得到各时段观看所述影视作品的所述用户的面部表情。
此外，为实现上述目的，本申请还提出一种基于大数据分析的信息推送装置，所述装置包括：
采集模块，用于分时段采集当前用户界面播放的影视作品的流媒体信息和观看所述影视作品的用户的面部表情；
分析模块，用于基于大数据分析技术，对各时段的流媒体信息进行分析得到所述用户的第一情绪变化趋势，对各时段的面部表情进行分析得到所述用户的第二情绪变化趋势；
确定模块，用于根据所述第一情绪变化趋势和所述第二情绪变化趋势，确定所述用户的实际情绪信息；
推送模块，用于根据所述实际情绪信息，从预先构建的信息推送模型管理库中选取适合所述用户的信息推送模型，并采用所述信息推送模型为所述用户推送信息。
此外，为实现上述目的，本申请还提出一种基于大数据分析的信息推送设备，所述设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于大数据分析的信息推送程序，所述基于大数据分析的信息推送程序配置为实现如上文所述的基于大数据分析的信息推送方法的步骤。
此外，为实现上述目的，本申请还提出一种存储介质，所述存储介质上存储有基于大数据分析的信息推送程序，所述基于大数据分析的信息推送程序被处理器执行时实现如上文所述的基于大数据分析的信息推送方法的步骤。
本申请提供的基于大数据分析的信息推送方案，在为用户进行信息推送时，通过根据用户观看的影视作品预估用户的第一情绪变化趋势，通过根据用户观看所述影视作品时的面部表情确定用户的第二情绪变化趋势，然后根据第一情绪变化趋势和第二情绪变化趋势，确定用户的实际情绪信息，最终根据确定的实际情绪信息，从预先构建的信息推送模型管理库中选取适合所述用户的信息推送模型，并采用所述信息推送模型为所述用户推送符合当前实际情绪的信息，从而可以保证推送给用户的信息为适合用户当前实际需求的信息，大大提升了信息推送的准确率和有效性。
附图说明
图1是本申请实施例方案涉及的硬件运行环境的基于大数据分析的信息推送设备的结构示意图；
图2为本申请基于大数据分析的信息推送方法第一实施例的流程示意图；
图3为本申请基于大数据分析的信息推送方法第二实施例的流程示意图；
图4为本申请基于大数据分析的信息推送方法第二实施例中对视频格式的信息进行处理的示意图；
图5为本申请基于大数据分析的信息推送方法第二实施例中对视频格式的信息进行处理的示意图；
图6为本申请基于大数据分析的信息推送方法第二实施例中对视频格式的信息进行处理的示意图；
图7为本申请基于大数据分析的信息推送装置第一实施例的结构框图。
本申请目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。
参照图1，图1为本申请实施例方案涉及的硬件运行环境的基于大数据分析的信息推送设备结构示意图。
如图1所示，该基于大数据分析的信息推送设备可以包括：处理器1001，例如中央处理器(Central Processing Unit，CPU)，通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(WIreless-FIdelity，WI-FI)接口)。存储器1005可以是高速的随机存取存储器(Random Access Memory，RAM)存储器，也可以是稳定的非易失性存储器(Non-Volatile Memory，NVM)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解，图1中示出的结构并不构成对基于大数据分析的信息推送设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，作为一种存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及基于大数据分析的信息推送程序。
在图1所示的基于大数据分析的信息推送设备中，网络接口1004主要用于与网络服务器进行数据通信；用户接口1003主要用于与用户进行数据交互；本申请基于大数据分析的信息推送设备中的处理器1001、存储器1005可以设置在基于大数据分析的信息推送设备中，所述基于大数据分析的信息推送设备通过处理器1001调用存储器1005中存储的基于大数据分析的信息推送程序，并执行本申请实施例提供的基于大数据分析的信息推送方法。
本申请实施例提供了一种基于大数据分析的信息推送方法，参照图2，图2为本申请一种基于大数据分析的信息推送方法第一实施例的流程示意图。
本实施例中，所述基于大数据分析的信息推送方法包括以下步骤：
步骤S10，分时段采集当前用户界面播放的影视作品的流媒体信息和观看所述影视作品的用户的面部表情。
具体的说，本实施例中涉及的执行主体可以仅为用于播放影视作品的终端设备，比如个人计算机、平板电脑、智能手机等；也可以是由供用户操作的终端设备和部署有本实施例中给出的基于大数据分析的信息推送程序的服务器交互完成，具体的设置方式，本领域的技术人员可以根据需要进行设置，此处不做限制。
此外，值得一提的是，本实施例中所说的影视作品主要包括电视、电影、音乐等音、视频作品。
应当理解的，由于所述影视作品的类型有所不同，因而采集到的流媒体信息也会有所不同。为了便于理解，本实施例以当前用户界面播放的影视作品是电影为例，对流媒体信息涉及的内容，以及各内容的采获取方式进行简要说明。
具体的说，在所述影视作品为电影时，采集到的流媒体信息大致可以包括当前播放的电影场景中主要人物的面部表情、台词、剧情信息等，此处不再一一列举，对此也不做限制。
相应地，关于上述电影场景中主要人物的面部表情，具体可以是基于人脸识别技术，从视频格式的流媒体信息中提取出的；所述剧情信息，则可以是根据当前影视作品的标识信息，获取对应的剧情简介，或者通过对台词进行语义分析确定；所述台词信息，则可以是基于语音识别技术，从音频格式的流媒体信息中提取出的。
进一步地，为了方便后续分析处理，还可以基于关键词提取技术，从上述提取出的台词信息中提取能够代表当前剧情的关键词。
应当理解的是，在实际应用中，采集用户的面部表情的实现方式，具体可以是从录制的用户观看各时段流媒体信息对应的影视作品的视频信息中提取出的，即提取用户的面部表情和提取流媒体信息中演员的面部表情的操作可以采用同种方式，为了便于理解，以下给出一种提取面部表情的具体实现方式，大致步骤如下(此处以提取观看所述影视作品的用户的面部表情为例)：
(1)在播放所述影视作品的过程中，采集包含所述用户的人脸的视频信息。
关于所述视频信息的采集，大致过程可以如下：
比如，在接收到用户在终端设备的用户界面触发的播放选中的影视作品的指令后，终端设备的处理器在根据所述指令获取所述影视作品的地址，并对所述影视作品进行解析播放的同时，控制终端设备的摄像头开启，从而在播放所述影视作品的过程中，能够实时采集包含所述用户的人脸的视频信息。
(2)从所述视频信息中截取对应各时段的流媒体信息的视频片段。
具体的说，此处之所以要根据各时段的流媒体信息对所述视频信息进行截取操作，得到与各时段的流媒体信息的视频片段，是为了保证后续确定的第一情绪变化和第二情绪变化的时间轴匹配，从而保证根据所述第一情绪变化和所述第二情绪变化确定的所述用户的实际情绪信息更加贴合实际情况。
(3)对各视频片段中所述用户的人脸进行分析，得到各时段观看所述影视作品的所述用户的面部表情。
具体的说，在实际应用中，确定所述用户的面部表情的操作，可以通过如下步骤实现：
(3-1)对各视频片段进行遍历，根据预先训练获得的人脸特征检测模型，从遍历到的当前视频片段中提取所述用户的面部特征点。
应当理解的是，为了保证减少不必要的干扰，可以先根据预先训练获得的人脸检测模型，从遍历到的当前视频片段中识别出所述用户的人脸图像。然后再根据预先训练获得的人脸特征检测模型，从所述人脸图像中提取出所述用户的面部特征点，比如眼睛、眉毛、嘴巴、下颌等部位的特征点。
关于上述所说的人脸检测模型和人脸特征检测模型，具体可以基于卷积神经网络算法，对样本数据构建的训练模型进行训练获得。
进一步地，为了增加训练模型的网络深度，使得训练获得的人脸检测模型和人脸特征检测模型能够更加精准的提取各视频片段中的人脸图像和面部特征点，在实际训练过程中，可以先将训练模型中5×5的卷积核，拆分成至少两个3×3的卷积核。
关于卷积神经网络算法的使用，本领域的技术人员可以通过查看现有文档实现，此处不再赘述。
(3-2)根据各面部特征点，对所述用户的人脸进行面部区域划分，得到与各面部特征点对应的面部特征区域。
比如，规定划分后的面部特征区域中有且仅有一个面部特征点，即每一个面部特征点位于一个面特征区域。
或者，规定所述用户的几个面部特征点位于一个面部特征区域，如标识左侧眉毛的所有面部特征点位于同一个面部特征区域，标识右侧眉毛的所有面部特征点位于同一个面部特征区域。
需要说明的是，以上仅为举例说明，对本申请的技术方案并不构成限定，在具体实现中，本领域的技术人员可以根据需要对人脸进行面部区域划分，此处不做限制。
(3-3)基于光流法，确定各面部区域中的面部特征点的速度向量。
需要说明的是，此处所说的速度向量，不仅仅用于表示对应的面部特征点的运动速度信息，还用于表示该面部特征点的运动方向信息。
此外，关于基于光流法，确定各面部区域中的面部特征点的速度向量的方式，具体可以是通过遍历各面部特征区域，检测遍历到的当前面部特征区域中的面部特征点在相邻两个图像帧之间的像素变化强度；然后根据所述像素变化强度，推断所述当前面部特征区域中的面部特征点的速度向量。
此外，值得一提的是，在计算速度向量时，还需要根据人脸关键点定位技术，确定上述各面部特征的空间位置坐标，然后根据位置坐标的变化确定偏移量。并通过相应的传感设备，确定当前视频片段的强度。
为了便于理解，以下进行具体说明。
假设，某一面部特征点的位置坐标为P(x，y，t)，强度为I(x，y，t)，在两帧之间移动了Δx，Δy，Δt。其中，x为横坐标，y为纵坐标，t为光学量值，则根据亮度恒定约束条件，有：
公式(1)：I(x，y，t)＝I(x+Δx，y+Δy，t+Δt)；
假设移动很小，I(x，y，t)的图像约束可以用泰勒级数来获得：
公式(2)：
Figure PCTCN2020086475-appb-000001
其中，τ一个高阶无穷小的。因而，通过对公式(1)和公式(2)进行整理，可以获得：
公式(3)：
Figure PCTCN2020086475-appb-000002
公式(4)
Figure PCTCN2020086475-appb-000003
通过对公式(3)和公式(4)进行整理，可以获得：
公式(5)：
Figure PCTCN2020086475-appb-000004
其中，V x和V y分别是x和y的分量，I(x，y，t)的速度或光流。因此，在距离Δt的两帧之间，上述特征点的光学量值t被表示为一个二维的速度向量
Figure PCTCN2020086475-appb-000005
此外，未在本实施例中介绍的内容，可以通过查找光流法的相关资料实现，此处不再赘述。
(3-4)根据各面部特征点的速度向量，确定遍历到的当前视频片段中所述用户的面部表情。
比如，在标识眼内角的上眼皮的特征点向下运动，导致眼内角的上眼皮降低，标识嘴巴的特征点向外运动，导致嘴巴张大时，通常可以认为所述视频中的用户的面部表情为困倦。
还比如，在标识上唇的特征点向上运动，标识下唇的特征点跟谁上唇的特征点向上运动，导致上唇抬起，且下唇与上唇紧闭，嘴角下端，唇轻微凸起；标识眉毛内角的特征点向眉心运动，导致眉毛内角皱在一起，且眉毛抬高是，通常认为所述视频中的用户的面部表情为疑惑。
还比如，在标识唇角的特征点向后脸颊后上方运动，导致唇角向后拉并抬高，标识嘴巴的特征点向外运动，导致出嘴巴张大时，通常可以认为所述视频中的用户的面部表情为满意。
需要说明的是，以上仅为举例说明，在具体实现中，本领域的技术人员可以结合微表情的变化特征与获得的各面部特征点的速度向量，确定所述视频中所述用户的面部表情，此处不再赘述，对此也不做限制。
(3-5)按照各时段流媒体信息在所述影视作品中的播放顺序，按序排列各视频片段中所述用户的面部表情，得到各时段观看所述影视作品的所述用户的面部表情。
应当理解的是，以上给出的仅为一种确定所述用户的面部表情的具体实现方式，对本申请的技术方案并不构成任何限制，在实际应用中，本领域的技术人员可以根据需要进行设置，此处不做限制。
此外，通过上述描述不难发现，在本实施例中，之所以要分时段采集当前用户界面播放的影视作品的流媒体信息和观看所述影视作品的用户的面部表情，是为了能够精准的确定用户的情绪信息，以保证信息推送操作的精准。
步骤S20，基于大数据分析技术，对各时段的流媒体信息进行分析得到所述用户的第一情绪变化趋势，对各时段的面部表情进行分析得到所述用户的第二情绪变化趋势。
具体的说，此处所说的第一情绪变化趋势实质为根据用户选择观看的影视作品来预估的用户当前可能的情绪，比如用户在某一时间段内一直观看悲情剧，则可以初步认定用户当前阶段心情不好，情绪不高。
相应地，所述第二情绪变化趋势，便是根据用户观看所述影视作品的过程中做出的真实面部表情而确定的。
此外，应当理解的是，在实际应用中，不同面部表情通常可以体现用户当前的不同状态。
比如，在标识眼内角的上眼皮的特征点向下运动，导致眼内角的上眼皮降低，标识嘴巴的特征点向外运动，导致出嘴巴张大时，通常可以认为做出当前面部表情的用户处于困倦状态，情绪比较低迷。
还比如，在标识唇角的特征点向后脸颊后上方运动，导致唇角向后拉并抬高，标识嘴巴的特征点向外运动，导致出嘴巴张大时，通常可以认为做出当前面部表情的用户处于兴奋状态，情绪比较高昂。
即，上述第一情绪变化趋势和第二情绪变化趋势，是用来体现用户在当前时间段情绪的变化，比如是从开心变为不开心；还是从不开心变为开心，还是始终处于开心状态或不开心状态等。
步骤S30，根据所述第一情绪变化趋势和所述第二情绪变化趋势，确定所述用户的实际情绪信息。
比如说，在第一情绪变化趋势和第二情绪变化趋势均表示所述用户在当前时间段内一直比较开心，则可以确定所述用户的实际情绪信息为开心；
还比如说，在第一情绪变化趋势表示所述用户在当前时间段内可能心情不好，而第二情绪变化趋势则表示所述用户在当前时间段内比较开心，则可以确定所述用户的实际情绪信息为开心；
还比如说，在第一情绪变化趋势表示所述用户在当前时间段内可能心情不错，而第二情绪变化趋势则表示所述用户在当前时间段内心情低落，则可以确定所述用户的实际情绪信息为不开心。
需要说明的是，以上仅为举例说明，对本申请的技术方案并不构成任何限定，在实际应用中，本领域的技术人员可以根据需要进行设置，此处不做限制。
比如，在第一情绪变化趋势表示所述用户在当前时间段内可能心情不好，而第二情绪变化趋势则表示所述用户在当前时间段内比较开心时，可以进一步分析用户是因为看到当前播放的影视作品中的某个演员才开心，从而在后续为所述用户推送信息时，可以重点推送与所述演员相关的信息，通过利用明星效益，更好的进行营销推广。
步骤S40，根据所述实际情绪信息，从预先构建的信息推送模型管理库中选取适合所述用户的信息推送模型，并采用所述信息推送模型为所述用户推送信息。
具体的说，为所述用户推送的信息可以涉及能够改善用户情绪的音乐、影视作品、餐饮、娱乐信息等，也可以是与当前播放的影视作品匹配度较高的影视作品等，具体推送的内容可以根据所述实际情绪信息和预先构建的信息推送模型决定。
此外，值得一提的是，在实际应用中，为了上述步骤S40中给出的：根据所述实际情绪信息，从预先构建的信息推送模型管理库中选取适合所述用户的信息推送模型，然后采用选取的所述信息推送模型为所述用户推送信息的操作能够顺利执行，在执行上述操作之前，需要先构建所述信息推送模型。
此外，应当理解的是，在实际应用中，构建的信息推送模型，除了包括上述步骤中选取的适合所述用户的信息推送模型，还包括针对其他用户情绪的信息推送模型，即信息推送管理库中预存的信息推送模型有多种类型，能够满足不同用户情绪。
此外，为了便于理解构建所述信息推送模型的方式，本实施给出一种具体的构建流程，大致如下：
(1)接收数据采集指令，从所述数据采集指令中提取待采集的训练数据的网络地址。
应当理解的是，上述所说的网络地址，具体可以是待采集的训练数据所在的网页的统一资源定位符(Uniform Resource Locator，URL)，也可以是任意大数据平台中，所述训练数据的数据库存储地址，此处不再一一列举，对此也不做任何限制。
(2)根据所述网络地址对网络爬虫进行配置，利用所述网络爬虫从所述网络地址对应的网页中获取所述训练数据。
具体的说，用于获取训练数据的网络爬虫，可以是通用网络爬虫、聚焦网络爬虫、增量式网络爬虫、深层网络爬虫等众多网络爬虫中的任意一种或几种，在具体应用中，本领域的技术人员可以根据需要选取，本申请对此不做任何限制。
此外，值得一提的是，在实际应用中，为了避免大量训练数据堆积，导致系统线程阻塞，影响处理效果，在获取到训练数据之后，可以先将所述训练数据添加到预先构建的训练数据缓冲池中，比如Kafka消息队列。
应当理解的是，由于Kafka具有持久化、稳定性、高通吐量、支持服务器和消费集群来分区消息以及支持分布式系统并行数据加载的特性，因此选用Kafka消息队列来缓存所述训练数据，可以尽可能的避免大量训练数据堆积，从而有效防止了线程阻塞。
此外，由于Kafka是Apache软件基金会开发的一个开源流处理平台，关于它的使用方式已经较为成熟，本领域的技术人员在具体实现中，可以通过查找相关文档，自行实现，此处不再赘述。
(3)根据所述训练数据和预先确定的机器学习算法，规划学习路径。
(4)根据所述学习路径和所述训练数据，构建训练模型。
具体的说，在本实施例中，预先确定机器学习算法为决策树算法。
相应地，上述步骤(3)和步骤(4)中的操作，大致如下所述：
首先，从所述训练数据中提取一些关键特征；
然后，根据所述决策树算法的基本思想，将每一种用户情绪信息作为一个节点，并在每一个节点进行提问；
接着，通过判断，将所述训练数据分为两类，再继续提问，依次循环，直到将所有现有所有的用户情绪信息都进行分类，便可以获得构建所述训练模型的学习路径。
最后，根据所述学习路径，将采集到的全部训练数据进行分类，学习，得到所述训练模型。
应当理解的是，以上给出的仅为一种具体的机器学习算法使用方式，在实际应用中，本领域的技术人员还可以根据需要选取其他合适的机器学习算法，此处不做限制。
(5)根据预设的信息推送模型对应的业务需求，确定学习目标。
具体的说，上述所说的学习目标，在后续训练过程中，是用于检测训练结果是否极大地逼近真实数据，即训练模型在完成某一次训练后，在将训练数据输入训练模型后，输出的训练结果与所述学习目标接近。
(6)采用所述机器学习算法，对所述训练模型进行迭代训练。
(7)在训练得到的训练结果与所述学习目标的匹配度大于预设阈值时，确定得到所述信息推送模型。
应当理解的是，以上给出的仅为一种构建信息推送模型的具体实现方式，对本申请的技术方案并不构成任何限定，在具体应用中，本领域的技术人员可以根据需要进行设置，本申请对此不做限制。
此外，在构建所述信息推送模型的过程中，还可以根据如下数据进行训练，比如：性别、年龄、职业、使用平台习惯、兴趣爱好、家庭成员、社区档次、消费能力、性格等，此处不再一一列举，对此也不做任何限制。
此外，在实际应用中，为了尽可能的保证推送给用户的信息的合理性，提升用户对信息的浏览率，还可以定期对信息推送模型进行调整。
关于，对信息推送模型的调整，可以通过对监控用户观看信息的次数、地理位置、观看时长、具体播放时间及观看过程中用户的微表情，观看后的用户反馈等信息进行合理的调整。
通过上述描述不难发现，本实施例中提供的基于大数据分析的信息推送方法，在为用户进行信息推送时，通过根据用户观看的影视作品预估用户的第一情绪变化趋势，通过根据用户观看所述影视作品时的面部表情确定用户的第二情绪变化趋势，然后根据第一情绪变化趋势和第二情绪变化趋势，确定用户的实际情绪信息，最终根据确定的实际情绪信息，从预先构建的信息推送模型管理库中选取适合所述用户的信息推送模型，并采用所述信息推送模型为所述用户推送符合当前实际情绪的信息，从而可以保证推送给用户的信息为适合用户当前实际需求的信息，大大提升了信息推送的准确率和有效性。
参考图3，图3为本申请一种基于大数据分析的信息推送方法第二实施例的流程示意图。
具体的说，在实际应用中，推送给用户的信息，可能是文字信息、语音信息，或者视频信息。因此，为了避免现有视频格式的信息在播放过程中，画面单一，无法吸引用户的问题，本实施例中在确定推送给用户的信息为视频格式时，通过对视频格式的信息进行处理，进而使得视频格式的信息以裸眼立体效果，即裸眼3D(3Dimensions)展示在用户界面，从而吸引用户查看。
基于上述第一实施例，本实施例基于大数据分析的信息推送方法在所述步骤S40之后，还包括：
步骤S50，监测是否接收到所述用户触发的查看所述视频格式的信息的查看指令。
具体的说，若通过监测，确定接收到了所述用户触发的查看所述视频格式的信息的查看指令，则执行步骤S60；否则，继续执行步骤S50，直到确定接收到了所述用户触发的查看所述视频格式的信息的查看指令，进入步骤S60为止。
步骤S60，基于图像处理技术，对所述视频格式的信息进行处理，以使所述视频格式的信息以裸眼立体效果展示在所述用户界面。
为了便于理解对所述视频格式的信息的处理，以下给出一种具体的处理方式，大致如下：
(1)以帧为单位，对所述视频格式的信息进行拆分，得到至少一张待处理图片。
具体的说，在进行图片拆分时，通过以帧为单位进行拆分，从而可以尽可能的细化信息，使得后续确定的待处理对象更加精准。
(2)根据预设间隔，在各待处理图片中分别设置至少一条垂直贯穿画面的白色分割线，将各待处理图片划分为至少两个显示区域。
具体的说，在实际应用中，为了使得播放的视频格式的信息中被确定的待处理对象的立体效果更好，优选在各待处理图片中设置两条垂直贯穿画面的白色分割线。
此外，关于所述白色分割线的宽度，可以根据用于播放所述视频格式的信息的用户界面的大小来决定，此处不做具体限制。
进一步地，为了不影响画面美观，设置的垂直贯穿画面的白色分割线可以将待处理图片进行等分，即经过白色分割线分割获得的显示区域优选大小相同。
(3)对各待处理图片进行分析，将所述视频格式的信息中位置发生变化的对象确定为待处理对象。
具体的说，在确定待处理对象时，优选将信息中从后向前运动或从前向后运动的对象确定为待处理对象，这样在经过后续处理后，展示的画面会有一种从画面向外走出或者从外向画面里运动的效果。
(4)基于图像处理技术，按照所述待处理对象在所述视频格式的信息中位置发生变化的顺序，将所述待处理对象被所述白色分割线遮挡的部分进行还原，得到待展示图片。
为了便于理解，以下结合图4、图5、图6进行简要说明。
具体的说，图4至图6给出的是连续3帧对应的3张待处理图片。在这3张待处理图片中的中心位置，分别设置了一条垂直贯穿整个画面的白色分割线，将每一张待处理图片都划分为A显示区域和B显示区域。
从图4可以看出，开始状态下，画面中的圆绝大部分是位于A显示区域的，到图5后，A显示区域中的圆开始向B显示区域移动，这时基于图像处理技术，将原本被白色分割线遮挡的部分进行还原，得到图5的效果。
接着，A显示区域中的圆继续向B显示区域移动，继续还原被白色分割线遮挡的部分，得到图6的效果。
(5)按照各待展示图片在所述视频格式的信息中的播放顺序进行展示，以使所述视频格式的信息以裸眼立体效果展示在所述用户界面。
仍以图4、图、图6给出的圆在画面中的运动为例，按照先图4，然后图5，最后图6的顺序，将3张图片连续播放，则最终展示的效果是圆从A显示区域向外运动，然后进入到B显示区域。
应当理解的是，以上给出的仅为一种具体的裸眼3D处理方式，对本申请的技术方案并不构成任何限定，在实际应用中，本领域的技术人员可以根据需要进行设置，此处不做限制。
在实际应用中，如果用于播放信息的终端设备的显示屏具备视差栅栏，则在接收到用户的查看指令后，直接由处理器激活所述视差栅栏，从而使得要展示的画面的光束穿过视差栅栏不同位置的明暗间隔条纹，让用户在视觉上产生微小视差，从而给予视差原理让用户的左右眼看到不同像素内容，进而达到裸眼3D的效果。
通过上述描述不难发现，本实施例中提供的基于大数据分析的信息推送方法，在推送给所述用户的信息为视频格式的信息时，若接收到所述用户触发的查看所述视频格式的信息的查看指令，通过基于图像处理技术，对所述视频格式的信息进行处理，从而使得所述 视频格式的信息能够以裸眼立体效果展示在所述用户界面，供所述用户查看。由于观看裸眼立体画面的过程中，用户不需要配对3D眼镜，并且立体画面相对二维画面，用户在观看过程中体验效果更佳，因而能够很好的吸引用户观看，进一步提升信息的浏览率和信息效益。
此外，本申请实施例还提出一种存储介质，所述存储介质上存储有基于大数据分析的信息推送程序，所述基于大数据分析的信息推送程序被处理器执行时实现如上文所述的基于大数据分析的信息推送方法的步骤。所述计算机可读存储介质可以是非易失性，也可以是易失性。
参照图7，图7为本申请基于大数据分析的信息推送装置第一实施例的结构框图。
如图7所示，本申请实施例提出的基于大数据分析的信息推送装置包括：采集模块7001、分析模块7002、确定模块7003和推送模块7004。
其中，采集模块7001，用于分时段采集当前用户界面播放的影视作品的流媒体信息和观看所述影视作品的用户的面部表情；分析模块7002，用于基于大数据分析技术，对各时段的流媒体信息进行分析得到所述用户的第一情绪变化趋势，对各时段的面部表情进行分析得到所述用户的第二情绪变化趋势；确定模块7003，用于根据所述第一情绪变化趋势和所述第二情绪变化趋势，确定所述用户的实际情绪信息；推送模块7004，用于根据所述实际情绪信息，从预先构建的信息推送模型管理库中选取适合所述用户的信息推送模型，并采用所述信息推送模型为所述用户推送信息。
为了便于理解，本实施例给出一种分时段采集观看所述影视作品的用户的面部表情的方式，大致如下：
(1)在播放所述影视作品的过程中，采集包含所述用户的人脸的视频信息；
(2)从所述视频信息中截取对应各时段的流媒体信息的视频片段；
(3)对各视频片段中所述用户的人脸进行分析，得到各时段观看所述影视作品的所述用户的面部表情。
进一步地，关于上述步骤(3)中的操作，在具体实现中，可以按照如下流程实现：
(3-1)对各视频片段进行遍历，根据预先训练获得的人脸特征检测模型，从遍历到的当前视频片段中提取所述用户的面部特征点；
(3-2)根据各面部特征点，对所述用户的人脸进行面部区域划分，得到与各面部特征点对应的面部特征区域；
(3-3)基于光流法，确定各面部区域中的面部特征点的速度向量，所述速度向量用于表示各面部特征点的运动速度信息和运动方向信息；
(3-4)根据各面部特征点的速度向量，确定遍历到的当前视频片段中所述用户的面部表情；
(3-5)按照各时段流媒体信息在所述影视作品中的播放顺序，按序排列各视频片段中所述用户的面部表情，得到各时段观看所述影视作品的所述用户的面部表情。
进一步地，关于上述步骤(3-3)中所说的确定各面部区域中的面部特征点的速度向量的操作，大致可以如下：
首先，遍历各面部特征区域，检测遍历到的当前面部特征区域中的面部特征点在相邻两个图像帧之间的像素变化强度；
然后，根据所述像素变化强度，推断所述当前面部特征区域中的面部特征点的速度向量。
需要说明的是，以上给出的仅为一种分时段采集观看所述影视作品的用户的面部表情的具体实现方式，，对本申请的技术方案并不构成任何限定，在具体应用中，本领域的技术人员可以根据需要进行设置，本申请对此不做限制。
此外，值得一提的是，在实际应用中，为了保证推送模块7004能够根据所述实际情绪信息，从预先构建的信息推送模型管理库中选取适合所述用户的信息推送模型，然后采用选取的所述信息推送模型为所述用户推送信息，本实施例中提供的基于大数据分析的信息推送装置还可以包括构建模块。
相应地，所述构建模型，用于在所述推送模块7004执行上述操作时，先构建所述信息推送模型。
应当理解的是，在实际应用中，所述构建模型，构建的信息推送模型，除了包括推送模块7001选取的适合所述用户的信息推送模型，还包括针对其他用户情绪的信息推送模型，即信息推送管理库中预存的信息推送模型有多种类型，能够满足不同用户情绪。
此外，为了便于理解构建所述信息推送模型的方式，本实施给出一种具体的构建流程，大致如下：
首先，接收数据采集指令，从所述数据采集指令中提取待采集的训练数据的网络地址；
然后，根据所述网络地址对网络爬虫进行配置，利用所述网络爬虫从所述网络地址对应的网页中获取所述训练数据；
接着，根据所述训练数据和预先确定的机器学习算法，规划学习路径；
接着，根据所述学习路径和所述训练数据，构建训练模型；
接着，根据预设的信息推送模型对应的业务需求，确定学习目标；
接着，采用所述机器学习算法，对所述训练模型进行迭代训练；
最后，在训练得到的训练结果与所述学习目标的匹配度大于预设阈值时，确定得到所述信息推送模型。
应当理解的是，以上给出的仅为一种构建信息推送模型的具体实现方式，对本申请的技术方案并不构成任何限定，在具体应用中，本领域的技术人员可以根据需要进行设置，本申请对此不做限制。
通过上述描述不难发现，本实施例中提供的基于大数据分析的信息推送装置，在为用户进行信息推送时，通过根据用户观看的影视作品预估用户的第一情绪变化趋势，通过根据用户观看所述影视作品时的面部表情确定用户的第二情绪变化趋势，然后根据第一情绪 变化趋势和第二情绪变化趋势，确定用户的实际情绪信息，最终根据确定的实际情绪信息，从预先构建的信息推送模型管理库中选取适合所述用户的信息推送模型，并采用所述信息推送模型为所述用户推送符合当前实际情绪的信息，从而可以保证推送给用户的信息为适合用户当前实际需求的信息，大大提升了信息推送的准确率和有效性。
需要说明的是，以上所描述的工作流程仅仅是示意性的，并不对本申请的保护范围构成限定，在实际应用中，本领域的技术人员可以根据实际的需要选择其中的部分或者全部来实现本实施例方案的目的，此处不做限制。
另外，未在本实施例中详尽描述的技术细节，可参见本申请任意实施例所提供的基于大数据分析的信息推送方法，此处不再赘述。
基于上述基于大数据分析的信息推送装置的第一实施例，提出本申请基于大数据分析的信息推送装置第二实施例。
具体的说，在实际应用中，推送给用户的信息，可能是文字信息、语音信息，或者视频信息。因此，为了避免现有视频格式的信息在播放过程中，画面单一，无法吸引用户的问题，本实施例中在确定推送给用户的信息为视频格式时，通过对视频格式的信息进行处理，进而使得视频格式的信息以裸眼立体效果，即裸眼3D(3Dimensions)展示在用户界面，从而吸引用户查看。
也就是说，在本实施例中，所述基于大数据分析的信息推送装置还包括：监测模块和处理模块。
相应地，所述监测模块，用于监测是否接收到所述用户触发的查看所述视频格式的信息的查看指令。
所述处理模块，用于在接收到所述用户触发的查看所述视频格式的信息的查看指令时，基于图像处理技术，对所述视频格式的信息进行处理，以使所述视频格式的信息以裸眼立体效果展示在所述用户界面。
进一步地，在实际应用中，所述处理模块执行的操作，大致可以细化为如下几个步骤实现：
首先，以帧为单位，对所述视频格式的信息进行拆分，得到至少一张待处理图片；
然后，根据预设间隔，在各待处理图片中分别设置至少一条垂直贯穿画面的白色分割线，将各待处理图片划分为至少两个显示区域；
接着，对各待处理图片进行分析，将所述视频格式的信息中位置发生变化的对象确定为待处理对象；
接着，基于图像处理技术，按照所述待处理对象在所述视频格式的信息中位置发生变化的顺序，将所述待处理对象被所述白色分割线遮挡的部分进行还原，得到待展示图片；
最后，按照各待展示图片在所述视频格式的信息中的播放顺序进行展示，以使所述视频格式的信息以裸眼立体效果展示在所述用户界面。
应当理解的是，以上给出的仅为一种对所述视频格式的信息进行处理，以使所述视频格式的信息以裸眼立体效果展示在所述用户界面的具体实现方式，对本申请的技术方案并不构成任何限定，在具体应用中，本领域的技术人员可以根据需要进行设置，本申请对此不做限制。
通过上述描述不难发现，本实施例中提供的基于大数据分析的信息推送装置，在推送给所述用户的信息为视频格式的信息时，若接收到所述用户触发的查看所述视频格式的信息的查看指令，通过基于图像处理技术，对所述视频格式的信息进行处理，从而使得所述视频格式的信息能够以裸眼立体效果展示在所述用户界面，供所述用户查看。由于观看裸眼立体画面的过程中，用户不需要配对3D眼镜，并且立体画面相对二维画面，用户在观看过程中体验效果更佳，因而能够很好的吸引用户观看，进一步提升信息的浏览率和信息效益。
需要说明的是，以上所描述的工作流程仅仅是示意性的，并不对本申请的保护范围构成限定，在实际应用中，本领域的技术人员可以根据实际的需要选择其中的部分或者全部来实现本实施例方案的目的，此处不做限制。
另外，未在本实施例中详尽描述的技术细节，可参见本申请任意实施例所提供的基于大数据分析的信息推送方法，此处不再赘述。
此外，需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
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。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。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一个存储介质(如只读存储器(Read Only Memory，ROM)/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本申请各个实施例所述的方法。
以上仅为本申请的优选实施例，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。

Claims (20)

  1. 一种基于大数据分析的信息推送方法，其中，所述方法包括：
    分时段采集当前用户界面播放的影视作品的流媒体信息和观看所述影视作品的用户的面部表情；
    基于大数据分析技术，对各时段的流媒体信息进行分析得到所述用户的第一情绪变化趋势，对各时段的面部表情进行分析得到所述用户的第二情绪变化趋势；
    根据所述第一情绪变化趋势和所述第二情绪变化趋势，确定所述用户的实际情绪信息；
    根据所述实际情绪信息，从预先构建的信息推送模型管理库中选取适合所述用户的信息推送模型，并采用所述信息推送模型为所述用户推送信息。
  2. 如权利要求1所述的方法，其中，所述分时段采集观看所述影视作品的用户的面部表情的步骤，包括：
    在播放所述影视作品的过程中，采集包含所述用户的人脸的视频信息；
    从所述视频信息中截取对应各时段的流媒体信息的视频片段；
    对各视频片段中所述用户的人脸进行分析，得到各时段观看所述影视作品的所述用户的面部表情。
  3. 如权利要求2所述的方法，其中，所述对各视频片段中所述用户的人脸进行分析，得到各时段观看所述影视作品的所述用户的面部表情的步骤，包括：
    对各视频片段进行遍历，根据预先训练获得的人脸特征检测模型，从遍历到的当前视频片段中提取所述用户的面部特征点；
    根据各面部特征点，对所述用户的人脸进行面部区域划分，得到与各面部特征点对应的面部特征区域；
    基于光流法，确定各面部区域中的面部特征点的速度向量，所述速度向量用于表示各面部特征点的运动速度信息和运动方向信息；
    根据各面部特征点的速度向量，确定遍历到的当前视频片段中所述用户的面部表情；
    按照各时段流媒体信息在所述影视作品中的播放顺序，按序排列各视频片段中所述用户的面部表情，得到各时段观看所述影视作品的所述用户的面部表情。
  4. 如权利要求3所述的方法，其中，所述确定各面部区域中的面部特征点的速度向量的步骤，包括：
    遍历各面部特征区域，检测遍历到的当前面部特征区域中的面部特征点在相邻两个图像帧之间的像素变化强度；
    根据所述像素变化强度，推断所述当前面部特征区域中的面部特征点的速度向量。
  5. 如权利要求1至4任一项所述的方法，其中，所述根据所述实际情绪信息，从预先构建的信息推送模型管理库中选取适合所述用户的信息推送模型的步骤之前，所述方法还包括：
    构建所述信息推送模型；
    其中，所述构建所述信息推送模型的步骤，包括：
    接收数据采集指令，从所述数据采集指令中提取待采集的训练数据的网络地址；
    根据所述网络地址对网络爬虫进行配置，利用所述网络爬虫从所述网络地址对应的网页中获取所述训练数据；
    根据所述训练数据和预先确定的机器学习算法，规划学习路径；
    根据所述学习路径和所述训练数据，构建训练模型；
    根据预设的信息推送模型对应的业务需求，确定学习目标；
    采用所述机器学习算法，对所述训练模型进行迭代训练；
    在训练得到的训练结果与所述学习目标的匹配度大于预设阈值时，确定得到所述信息推送模型。
  6. 如权利要求1至4任一项所述的方法，其中，所述信息为视频格式；
    所述采用所述信息推送模型为所述用户推送信息的步骤之后，所述方法还包括：
    若接收到所述用户触发的查看所述视频格式的信息的查看指令，则基于图像处理技术，对所述视频格式的信息进行处理，以使所述视频格式的信息以裸眼立体效果展示在所述用户界面。
  7. 如权利要求6所述的方法，其中，所述基于图像处理技术，对所述视频格式的信息进行处理，以使所述视频格式的信息以裸眼立体效果展示在所述用户界面的步骤，包括：
    以帧为单位，对所述视频格式的信息进行拆分，得到至少一张待处理图片；
    根据预设间隔，在各待处理图片中分别设置至少一条垂直贯穿画面的白色分割线，将各待处理图片划分为至少两个显示区域；
    对各待处理图片进行分析，将所述视频格式的信息中位置发生变化的对象确定为待处理对象；
    基于图像处理技术，按照所述待处理对象在所述视频格式的信息中位置发生变化的顺序，将所述待处理对象被所述白色分割线遮挡的部分进行还原，得到待展示图片；
    按照各待展示图片在所述视频格式的信息中的播放顺序进行展示，以使所述视频格式的信息以裸眼立体效果展示在所述用户界面。
  8. 一种基于大数据分析的信息推送设备，其中，所述设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于大数据分析的信息推送程序，所述基于大数据分析的信息推送程序配置为被处理器执行实现如下步骤：
    分时段采集当前用户界面播放的影视作品的流媒体信息和观看所述影视作品的用户的面部表情；
    基于大数据分析技术，对各时段的流媒体信息进行分析得到所述用户的第一情绪变化趋势，对各时段的面部表情进行分析得到所述用户的第二情绪变化趋势；
    根据所述第一情绪变化趋势和所述第二情绪变化趋势，确定所述用户的实际情绪信息；
    根据所述实际情绪信息，从预先构建的信息推送模型管理库中选取适合所述用户的信息推送模型，并采用所述信息推送模型为所述用户推送信息。
  9. 如权利要求8所述的基于大数据分析的信息推送设备，其中，所述信息推送程序被处理器执行实现所述分时段采集观看所述影视作品的用户的面部表情的步骤，包括：
    在播放所述影视作品的过程中，采集包含所述用户的人脸的视频信息；
    从所述视频信息中截取对应各时段的流媒体信息的视频片段；
    对各视频片段中所述用户的人脸进行分析，得到各时段观看所述影视作品的所述用户的面部表情。
  10. 如权利要求9所述的基于大数据分析的信息推送设备，其中，所述信息推送程序被处理器执行实现所述对各视频片段中所述用户的人脸进行分析，得到各时段观看所述影视作品的所述用户的面部表情的步骤，包括：
    对各视频片段进行遍历，根据预先训练获得的人脸特征检测模型，从遍历到的当前视频片段中提取所述用户的面部特征点；
    根据各面部特征点，对所述用户的人脸进行面部区域划分，得到与各面部特征点对应的面部特征区域；
    基于光流法，确定各面部区域中的面部特征点的速度向量，所述速度向量用于表示各面部特征点的运动速度信息和运动方向信息；
    根据各面部特征点的速度向量，确定遍历到的当前视频片段中所述用户的面部表情；
    按照各时段流媒体信息在所述影视作品中的播放顺序，按序排列各视频片段中所述用户的面部表情，得到各时段观看所述影视作品的所述用户的面部表情。
  11. 如权利要求10所述的基于大数据分析的信息推送设备，其中，所述信息推送程序被处理器执行实现所述确定各面部区域中的面部特征点的速度向量的步骤，包括：
    遍历各面部特征区域，检测遍历到的当前面部特征区域中的面部特征点在相邻两个图像帧之间的像素变化强度；
    根据所述像素变化强度，推断所述当前面部特征区域中的面部特征点的速度向量。
  12. 如权利要求8至11任一项所述的基于大数据分析的信息推送设备，其中，所述根据所述实际情绪信息，从预先构建的信息推送模型管理库中选取适合所述用户的信息推送模型的步骤之前，所述信息推送程序还被处理器执行实现：
    构建所述信息推送模型；
    其中，所述构建所述信息推送模型的步骤，包括：
    接收数据采集指令，从所述数据采集指令中提取待采集的训练数据的网络地址；
    根据所述网络地址对网络爬虫进行配置，利用所述网络爬虫从所述网络地址对应的网页中获取所述训练数据；
    根据所述训练数据和预先确定的机器学习算法，规划学习路径；
    根据所述学习路径和所述训练数据，构建训练模型；
    根据预设的信息推送模型对应的业务需求，确定学习目标；
    采用所述机器学习算法，对所述训练模型进行迭代训练；
    在训练得到的训练结果与所述学习目标的匹配度大于预设阈值时，确定得到所述信息推送模型。
  13. 如权利要求8至11任一项所述的基于大数据分析的信息推送设备，其中，所述信息为视频格式；
    所述采用所述信息推送模型为所述用户推送信息的步骤之后，所述信息推送程序还被处理器执行实现：
    若接收到所述用户触发的查看所述视频格式的信息的查看指令，则基于图像处理技术，对所述视频格式的信息进行处理，以使所述视频格式的信息以裸眼立体效果展示在所述用户界面。
  14. 如权利要求13所述的基于大数据分析的信息推送设备，其中，所述信息推送程序被处理器执行实现所述基于图像处理技术，对所述视频格式的信息进行处理，以使所述视频格式的信息以裸眼立体效果展示在所述用户界面的步骤，包括：
    以帧为单位，对所述视频格式的信息进行拆分，得到至少一张待处理图片；
    根据预设间隔，在各待处理图片中分别设置至少一条垂直贯穿画面的白色分割线，将各待处理图片划分为至少两个显示区域；
    对各待处理图片进行分析，将所述视频格式的信息中位置发生变化的对象确定为待处理对象；
    基于图像处理技术，按照所述待处理对象在所述视频格式的信息中位置发生变化的顺序，将所述待处理对象被所述白色分割线遮挡的部分进行还原，得到待展示图片；
    按照各待展示图片在所述视频格式的信息中的播放顺序进行展示，以使所述视频格式的信息以裸眼立体效果展示在所述用户界面。
  15. 一种存储介质，其中，所述存储介质上存储有基于大数据分析的信息推送程序，所述基于大数据分析的信息推送程序被处理器执行时实现如下步骤：
    分时段采集当前用户界面播放的影视作品的流媒体信息和观看所述影视作品的用户的面部表情；
    基于大数据分析技术，对各时段的流媒体信息进行分析得到所述用户的第一情绪变化趋势，对各时段的面部表情进行分析得到所述用户的第二情绪变化趋势；
    根据所述第一情绪变化趋势和所述第二情绪变化趋势，确定所述用户的实际情绪信息；
    根据所述实际情绪信息，从预先构建的信息推送模型管理库中选取适合所述用户的信息推送模型，并采用所述信息推送模型为所述用户推送信息。
  16. 如权利要求15所述的存储介质，其中，所述信息推送程序被处理器执行实现所述分时段采集观看所述影视作品的用户的面部表情的步骤，包括：
    在播放所述影视作品的过程中，采集包含所述用户的人脸的视频信息；
    从所述视频信息中截取对应各时段的流媒体信息的视频片段；
    对各视频片段中所述用户的人脸进行分析，得到各时段观看所述影视作品的所述用户的面部表情。
  17. 如权利要求16所述的存储介质，其中，所述信息推送程序被处理器执行实现所述对各视频片段中所述用户的人脸进行分析，得到各时段观看所述影视作品的所述用户的面部表情的步骤，包括：
    对各视频片段进行遍历，根据预先训练获得的人脸特征检测模型，从遍历到的当前视频片段中提取所述用户的面部特征点；
    根据各面部特征点，对所述用户的人脸进行面部区域划分，得到与各面部特征点对应的面部特征区域；
    基于光流法，确定各面部区域中的面部特征点的速度向量，所述速度向量用于表示各面部特征点的运动速度信息和运动方向信息；
    根据各面部特征点的速度向量，确定遍历到的当前视频片段中所述用户的面部表情；
    按照各时段流媒体信息在所述影视作品中的播放顺序，按序排列各视频片段中所述用户的面部表情，得到各时段观看所述影视作品的所述用户的面部表情。
  18. 如权利要求17所述的存储介质，其中，所述信息推送程序被处理器执行实现所述确定各面部区域中的面部特征点的速度向量的步骤，包括：
    遍历各面部特征区域，检测遍历到的当前面部特征区域中的面部特征点在相邻两个图像帧之间的像素变化强度；
    根据所述像素变化强度，推断所述当前面部特征区域中的面部特征点的速度向量。
  19. 如权利要求15至18任一项所述的存储介质，其中，所述根据所述实际情绪信息，从预先构建的信息推送模型管理库中选取适合所述用户的信息推送模型的步骤之前，所述信息推送程序还被处理器执行实现：
    构建所述信息推送模型；
    其中，所述构建所述信息推送模型的步骤，包括：
    接收数据采集指令，从所述数据采集指令中提取待采集的训练数据的网络地址；
    根据所述网络地址对网络爬虫进行配置，利用所述网络爬虫从所述网络地址对应的网页中获取所述训练数据；
    根据所述训练数据和预先确定的机器学习算法，规划学习路径；
    根据所述学习路径和所述训练数据，构建训练模型；
    根据预设的信息推送模型对应的业务需求，确定学习目标；
    采用所述机器学习算法，对所述训练模型进行迭代训练；
    在训练得到的训练结果与所述学习目标的匹配度大于预设阈值时，确定得到所述信息推送模型。
  20. 如权利要求15至18任一项所述的存储介质，其中，所述信息为视频格式；
    所述采用所述信息推送模型为所述用户推送信息的步骤之后，所述信息推送程序还被处理器执行实现：
    若接收到所述用户触发的查看所述视频格式的信息的查看指令，则基于图像处理技术，对所述视频格式的信息进行处理，以使所述视频格式的信息以裸眼立体效果展示在所述用户界面。
PCT/CN2020/086475 2019-06-19 2020-04-23 基于大数据分析的信息推送方法、装置、设备及存储介质 WO2020253372A1 (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201910539938.3 2019-06-19
CN201910539938.3A CN110390048A (zh) 2019-06-19 2019-06-19 基于大数据分析的信息推送方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
WO2020253372A1 true WO2020253372A1 (zh) 2020-12-24

Family

ID=68285621

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2020/086475 WO2020253372A1 (zh) 2019-06-19 2020-04-23 基于大数据分析的信息推送方法、装置、设备及存储介质

Country Status (2)

Country Link
CN (1) CN110390048A (zh)
WO (1) WO2020253372A1 (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112637363A (zh) * 2021-01-05 2021-04-09 上海臻琴文化传播有限公司 一种信息流推送处理方法、系统、装置和存储介质
CN112948622A (zh) * 2021-03-16 2021-06-11 深圳市火乐科技发展有限公司 一种展示内容的控制方法及装置
CN114491730A (zh) * 2021-12-23 2022-05-13 中国铁道科学研究院集团有限公司 一种高速铁路路基结构动力安定分析迭代方法及装置
CN116825365A (zh) * 2023-08-30 2023-09-29 安徽爱学堂教育科技有限公司 基于多角度微表情的心理健康分析方法
CN116955830A (zh) * 2023-08-25 2023-10-27 成都中康大成环保科技有限公司 基于吸烟舱的信息推送方法、计算机设备与可读存储介质
CN117593058A (zh) * 2023-12-05 2024-02-23 北京鸿途信达科技股份有限公司 基于情绪识别的广告匹配系统

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110390048A (zh) * 2019-06-19 2019-10-29 深圳壹账通智能科技有限公司 基于大数据分析的信息推送方法、装置、设备及存储介质
CN111428662A (zh) * 2020-03-30 2020-07-17 齐鲁工业大学 基于人群属性的广告播放变化方法及系统
CN111726691A (zh) * 2020-07-03 2020-09-29 北京字节跳动网络技术有限公司 视频推荐方法、装置、电子设备及计算机可读存储介质
CN113724838B (zh) * 2020-08-19 2023-06-20 麦乐峰(厦门)智能科技有限公司 基于大数据的情绪鉴定系统
CN113285867B (zh) * 2021-04-28 2023-08-22 青岛海尔科技有限公司 用于消息提醒的方法、系统、装置及设备
CN113312343A (zh) * 2021-06-11 2021-08-27 北京思特奇信息技术股份有限公司 一种基于网络爬虫工具的商机管理方法和系统
CN115953724B (zh) * 2023-03-14 2023-06-16 深圳市银弹科技有限公司 一种用户数据分析以及管理方法、装置、设备及存储介质
CN116662603B (zh) * 2023-07-28 2023-10-20 江西云眼视界科技股份有限公司 基于kafka的时间轴管控方法、系统、电子设备及存储介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107958433A (zh) * 2017-12-11 2018-04-24 吉林大学 一种基于人工智能的在线教育人机交互方法与系统
CN108427500A (zh) * 2018-02-23 2018-08-21 广东欧珀移动通信有限公司 锁屏杂志推送方法及相关产品
WO2018188567A1 (zh) * 2017-04-13 2018-10-18 腾讯科技（深圳）有限公司 服务器信息推送方法、终端信息发送方法、装置、系统以及存储介质
CN109102336A (zh) * 2018-08-09 2018-12-28 安徽爱依特科技有限公司 基于图像分析的机器人广告推送方法及其系统
CN109614849A (zh) * 2018-10-25 2019-04-12 深圳壹账通智能科技有限公司 基于生物识别的远程教学方法、装置、设备及存储介质
CN109672935A (zh) * 2017-10-13 2019-04-23 富泰华工业（深圳）有限公司 基于用户情绪的视频推送系统及方法
CN109767290A (zh) * 2018-12-18 2019-05-17 深圳壹账通智能科技有限公司 产品推送方法、装置、计算机设备和存储介质
CN110390048A (zh) * 2019-06-19 2019-10-29 深圳壹账通智能科技有限公司 基于大数据分析的信息推送方法、装置、设备及存储介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10682086B2 (en) * 2017-09-12 2020-06-16 AebeZe Labs Delivery of a digital therapeutic method and system

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018188567A1 (zh) * 2017-04-13 2018-10-18 腾讯科技（深圳）有限公司 服务器信息推送方法、终端信息发送方法、装置、系统以及存储介质
CN109672935A (zh) * 2017-10-13 2019-04-23 富泰华工业（深圳）有限公司 基于用户情绪的视频推送系统及方法
CN107958433A (zh) * 2017-12-11 2018-04-24 吉林大学 一种基于人工智能的在线教育人机交互方法与系统
CN108427500A (zh) * 2018-02-23 2018-08-21 广东欧珀移动通信有限公司 锁屏杂志推送方法及相关产品
CN109102336A (zh) * 2018-08-09 2018-12-28 安徽爱依特科技有限公司 基于图像分析的机器人广告推送方法及其系统
CN109614849A (zh) * 2018-10-25 2019-04-12 深圳壹账通智能科技有限公司 基于生物识别的远程教学方法、装置、设备及存储介质
CN109767290A (zh) * 2018-12-18 2019-05-17 深圳壹账通智能科技有限公司 产品推送方法、装置、计算机设备和存储介质
CN110390048A (zh) * 2019-06-19 2019-10-29 深圳壹账通智能科技有限公司 基于大数据分析的信息推送方法、装置、设备及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
ANONYMOUS: "Why add two more white lines to these pictures immediately have the "naked eye 3D" effect", 16 February 2016 (2016-02-16), pages 1 - 9, XP055767221, Retrieved from the Internet <URL:https://www.sohu.com/a/59052194_323700> *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112637363A (zh) * 2021-01-05 2021-04-09 上海臻琴文化传播有限公司 一种信息流推送处理方法、系统、装置和存储介质
CN112948622A (zh) * 2021-03-16 2021-06-11 深圳市火乐科技发展有限公司 一种展示内容的控制方法及装置
CN114491730A (zh) * 2021-12-23 2022-05-13 中国铁道科学研究院集团有限公司 一种高速铁路路基结构动力安定分析迭代方法及装置
CN116955830A (zh) * 2023-08-25 2023-10-27 成都中康大成环保科技有限公司 基于吸烟舱的信息推送方法、计算机设备与可读存储介质
CN116955830B (zh) * 2023-08-25 2024-01-16 成都中康大成环保科技有限公司 基于吸烟舱的信息推送方法、计算机设备与可读存储介质
CN116825365A (zh) * 2023-08-30 2023-09-29 安徽爱学堂教育科技有限公司 基于多角度微表情的心理健康分析方法
CN116825365B (zh) * 2023-08-30 2023-11-28 安徽爱学堂教育科技有限公司 基于多角度微表情的心理健康分析方法
CN117593058A (zh) * 2023-12-05 2024-02-23 北京鸿途信达科技股份有限公司 基于情绪识别的广告匹配系统

Also Published As

Publication number Publication date
CN110390048A (zh) 2019-10-29

Similar Documents

Publication Publication Date Title
WO2020253372A1 (zh) 基于大数据分析的信息推送方法、装置、设备及存储介质
US11290775B2 (en) Computerized system and method for automatically detecting and rendering highlights from streaming videos
US10979761B2 (en) Intelligent video interaction method
CN103760968B (zh) 数字标牌显示内容选择方法和装置
JP6267861B2 (ja) 対話型広告のための使用測定技法およびシステム
US10998003B2 (en) Computerized system and method for automatically extracting GIFs from videos
US9554184B2 (en) Method and apparatus for increasing user engagement with video advertisements and content by summarization
US20170065888A1 (en) Identifying And Extracting Video Game Highlights
US20210334325A1 (en) Method for displaying information, electronic device and system
US10939165B2 (en) Facilitating television based interaction with social networking tools
CN111258435B (zh) 多媒体资源的评论方法、装置、电子设备及存储介质
CN108012162A (zh) 内容推荐方法及装置
TW201404127A (zh) 多媒體評價系統、其裝置以及其方法
CN103365936A (zh) 视频推荐系统及其方法
CN109635680A (zh) 多任务属性识别方法、装置、电子设备及存储介质
US10846517B1 (en) Content modification via emotion detection
CN113766330A (zh) 基于视频生成推荐信息的方法和装置
US11277583B2 (en) Personalized automatic video cropping
US10853417B2 (en) Generating a platform-based representative image for a digital video
WO2020222157A1 (en) Method and system for tracking, analyzing and reacting to user behaviour in digital and physical spaces
US11468675B1 (en) Techniques for identifying objects from video content
CN114584824A (zh) 数据处理方法、系统、电子设备、服务端及客户端设备
US11615158B2 (en) System and method for un-biasing user personalizations and recommendations
US20220327134A1 (en) Method and system for determining rank positions of content elements by a ranking system
CN118042186A (zh) 提供视频封面的方法、装置、电子设备及计算机可读介质

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 20827171

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 20827171

Country of ref document: EP

Kind code of ref document: A1

32PN Ep: public notification in the ep bulletin as address of the adressee cannot be established

Free format text: NOTING OF LOSS OF RIGHTS PURSUANT TO RULE 112(1) EPC (EPO FORM 1205 DATED 29/03/2022)

122 Ep: pct application non-entry in european phase

Ref document number: 20827171

Country of ref document: EP

Kind code of ref document: A1