CN107835441B - 基于路径预测的直播推荐方法、存储介质、设备及*** - Google Patents

基于路径预测的直播推荐方法、存储介质、设备及*** Download PDF

Info

Publication number
CN107835441B
CN107835441B CN201710932686.1A CN201710932686A CN107835441B CN 107835441 B CN107835441 B CN 107835441B CN 201710932686 A CN201710932686 A CN 201710932686A CN 107835441 B CN107835441 B CN 107835441B
Authority
CN
China
Prior art keywords
live broadcast
live
users
room
rooms
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.)
Active
Application number
CN201710932686.1A
Other languages
English (en)
Other versions
CN107835441A (zh
Inventor
王璐
张文明
陈少杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xi'an Fansosi Digital Technology Co ltd
Original Assignee
Wuhan Douyu Network Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Wuhan Douyu Network Technology Co Ltd filed Critical Wuhan Douyu Network Technology Co Ltd
Priority to CN201710932686.1A priority Critical patent/CN107835441B/zh
Priority to PCT/CN2017/117383 priority patent/WO2019071831A1/zh
Publication of CN107835441A publication Critical patent/CN107835441A/zh
Application granted granted Critical
Publication of CN107835441B publication Critical patent/CN107835441B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
    • H04N21/25—Management operations performed by the server for facilitating the content distribution or administrating data related to end-users or client devices, e.g. end-user or client device authentication, learning user preferences for recommending movies
    • H04N21/251—Learning process for intelligent management, e.g. learning user preferences for recommending movies
    • 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
    • G06F16/958—Organisation or management of web site content, e.g. publishing, maintaining pages or automatic linking
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
    • H04N21/25—Management operations performed by the server for facilitating the content distribution or administrating data related to end-users or client devices, e.g. end-user or client device authentication, learning user preferences for recommending movies
    • H04N21/258—Client or end-user data management, e.g. managing client capabilities, user preferences or demographics, processing of multiple end-users preferences to derive collaborative data
    • H04N21/25866—Management of end-user data
    • H04N21/25891—Management of end-user data being end-user preferences
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/47—End-user applications
    • H04N21/482—End-user interface for program selection
    • H04N21/4826—End-user interface for program selection using recommendation lists, e.g. of programs or channels sorted out according to their score

Landscapes

  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Human Computer Interaction (AREA)
  • Software Systems (AREA)
  • Computer Graphics (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于路径预测的直播推荐方法、存储介质、设备及***，涉及大数据推荐技术领域，本发明根据各用户在各直播间之间的转移事件计算用户在各直播间之间的转移概率，将各直播间之间的转移概率按照由高到低排列以生成直播间推荐列表推荐给用户，实现根据用户的直播间观看历史预测用户下一步可能选择的直播间，推荐结果相关度高，且综合考虑分区以及用户在直播间之间的转移事件，推荐结果多样性好，用户体验感好。

Description

基于路径预测的直播推荐方法、存储介质、设备及***
技术领域
本发明涉及大数据推荐技术领域，具体涉及一种基于路径预测的直播推荐方法、存储介质、设备及***。
背景技术
用户在直播平台上对直播间的观看行为是存在先后顺序的，因此每个用户都有一条直播间观看路径，该路径反映了用户在什么时候对哪个直播间进行了观看。通过大数据算法，如果我们能够合理地对用户下一步观看路径进行预测，那么可以在用户看完某直播间后向用户实时推荐预测下一个可能看的多个直播间。这种推荐方案可以实时地根据用户的行为为用户推荐合适的直播间。
根据用户行为实时进行反馈推荐的方法一般有如下几种：
(1)在用户观看直播间后推荐与该直播间相同分区的热门直播间。这种推荐方法的缺点是会偏向于推荐那些热门直播间，仅考虑相同分区以及热门程度，推荐结果多样性差，用户体验感差。
(2)在用户发生搜索行为时推荐与搜索词相关联的直播间。这种推荐方法的缺点是推荐的结果集单一，推荐结果相关度低。
发明内容
针对现有技术中存在的缺陷，本发明的目的在于提供一种基于路径预测的直播推荐方法，推荐结果相关度高，且综合考虑分区以及用户在直播间之间的转移事件，推荐结果多样性好，用户体验感好。
为达到以上目的，本发明采取的技术方案是：一种基于路径预测的直播推荐方法：
S1，按播放顺序记录直播平台上所有用户有效播放的直播间及直播间所在的分区；统计在预设的时间周期内所有用户在各直播间之间的转移事件；
S2，根据各用户在各直播间之间的转移事件计算用户在各直播间之间的转移概率；
S3，将各直播间之间的转移概率按照由高到低排列以生成直播间推荐列表；
S4，向用户推送所述推荐列表中处于开播状态且转移概率最高的若干个直播间。
在上述技术方案的基础上，步骤S2具体过程包括：
S201，设从直播间i到直播间j的转移阶数为k，计算从直播间i经过k步转移阶数到直播间j的有效转移次数
Figure BDA0001429119190000021
Figure BDA0001429119190000023
为从直播间i经过k步转移阶数到直播间j的行为有效转移次数贡献：
Figure BDA0001429119190000024
其中，cj,ci分别是直播间j和i所属的分区，S＜ci,cj＞是cj和ci两个分区的相对相似度；
Figure BDA0001429119190000025
为从直播间i经过k阶到其他所有直播间的有效转移次数贡献之和；
S202，计算从直播间i经过k步转移阶数到其他所有直播间的有效转换次数之和
Figure BDA0001429119190000026
Figure BDA0001429119190000027
S203，计算从直播间i经过k步转移阶数到直播间j的转移概率
Figure BDA0001429119190000028
Figure BDA0001429119190000031
S204，计算直播间i到直播间j的所有转移阶数的总转移概率pij：
pij为直播间i到直播间j的所有转移阶数的加权之和
Figure BDA0001429119190000032
其中，k从直播间i到直播间j的转移阶数，d为最大的转移阶数，k∈[1,d]，δn为各转移阶数的权重系数，所有转移阶数的权重系数之和为1。
在上述技术方案的基础上，两个分区的相对相似度S＜ci,cj＞的计算方法为：
其中，Sij为cj和ci两个分区的相似度，
Figure BDA0001429119190000034
为分区cj与其他所有分区的相似度中的最大值；
Sij＝logN11+logN22-logN12-logN21，其中，其中：N11是看了分区i的用户中看了分区j的用户数；N12是看了分区i的用户中没看分区j的用户数；N21是没看分区i的用户中看了分区j的用户数；N22是没看分区i的用户中没看分区j的用户数。
在上述技术方案的基础上，所述最大的转移阶数d为3。
本发明还公开了一种存储介质，该存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现所述的方法。
本发明还公开了一种电子设备，包括存储器和处理器，存储器上储存有在处理器上运行的计算机程序，处理器执行计算机程序时实现所述的方法。
本发明还公开了一种基于路径预测的直播推荐***，包括：
转移事件统计模块，其用于按播放顺序记录直播平台上所有用户有效播放的直播间及直播间所在的分区；统计在预设的时间周期内所有用户在各直播间之间的转移事件；
转移概率计算模块，其用于根据各用户在各直播间之间的转移事件计算用户在各直播间之间的转移概率；
推荐列表生成模块，其用于将各直播间之间的转移概率按照由高到低排列以生成直播间推荐列表；
推荐列表推送模块，其用于向用户推送所述推荐列表中处于开播状态且转移概率最高的若干个直播间。
在上述技术方案的基础上，所述转移概率计算模块包括：
有效转移次数计算单元，其用于计算从直播间i经过k步转移阶数到直播间j的有效转移次数设从直播间i到直播间j的转移阶数为k；
Figure BDA0001429119190000042
为从直播间i经过k步转移阶数到直播间j的行为有效转移次数贡献：
Figure BDA0001429119190000044
其中，cj,ci分别是直播间j和i所属的分区，S＜ci,cj＞是cj和ci两个分区的相对相似度；
Figure BDA0001429119190000045
为从直播间i经过k阶到其他所有直播间的有效转移次数贡献之和；
有效转换次数之和计算单元，其用于计算从直播间i经过k步转移阶数到其他所有直播间的有效转换次数之和
Figure BDA0001429119190000046
转移概率计算单元，其用于计算从直播间i经过k步转移阶数到直播间j的转移概率
总转移概率计算单元，其用于计算直播间i到直播间j的所有转移阶数的总转移概率pij：pij为直播间i到直播间j的所有转移阶数的加权之和
Figure BDA0001429119190000048
其中，k从直播间i到直播间j的转移阶数，d为最大的转移阶数，k∈[1,d]，δn为各转移阶数的权重系数，所有转移阶数的权重系数之和为1。
在上述技术方案的基础上，
Figure BDA0001429119190000051
其中，Sij为cj和ci两个分区的相似度，为分区cj与其他所有分区的相似度中的最大值；
Sij＝logN11+logN22-logN12-logN21，其中，其中：N11是看了分区i的用户中看了分区j的用户数；N12是看了分区i的用户中没看分区j的用户数；N21是没看分区i的用户中看了分区j的用户数；N22是没看分区i的用户中没看分区j的用户数。
在上述技术方案的基础上，所述最大的转移阶数d为3。
与现有技术相比，本发明的优点在于：
本发明根据各用户在各直播间之间的转移事件计算用户在各直播间之间的转移概率，将各直播间之间的转移概率按照由高到低排列以生成直播间推荐列表推荐给用户，实现根据用户的直播间观看历史预测用户下一步可能选择的直播间，推荐结果相关度高，且综合考虑分区以及用户偏好，推荐结果多样性好。
附图说明
图1为本发明实施例中基于路径预测的直播推荐方法的流程示意图；
图2为本发明实施例中电子设备连接框图。
具体实施方式
以下结合附图及实施例对本发明作进一步详细说明。
参见图1所示，本发明实施例提供一种基于路径预测的直播推荐方法：
S1，按播放顺序记录直播平台上所有用户有效播放的直播间及直播间所在的分区；只统计用户的有效播放行为播放的直播间；统计在预设的时间周期内所有用户在各直播间之间的转移事件。
S2，根据各用户在各直播间之间的转移事件计算用户在各直播间之间的转移概率。
步骤S2具体过程包括：
S201，设从直播间i到直播间j的转移阶数为k，计算从直播间i经过k步转移阶数到直播间j的有效转移次数
Figure BDA0001429119190000061
Figure BDA0001429119190000062
Figure BDA0001429119190000063
为从直播间i经过k步转移阶数到直播间j的行为有效转移次数贡献：
Figure BDA0001429119190000064
其中，cj,ci分别是直播间j和i所属的分区，S＜ci,cj＞是cj和ci两个分区的相对相似度；
Figure BDA0001429119190000065
为从直播间i经过k阶到其他所有直播间的有效转移次数贡献之和。
两个分区的相对相似度S＜ci,cj＞的计算方法为：
Figure BDA0001429119190000066
其中，Sij为cj和ci两个分区的相似度，
Figure BDA0001429119190000067
为分区cj与其他所有分区的相似度中的最大值；
Sij＝logN11+logN22-logN12-logN21，其中，其中：N11是看了分区i的用户中看了分区j的用户数；N12是看了分区i的用户中没看分区j的用户数；N21是没看分区i的用户中看了分区j的用户数；N22是没看分区i的用户中没看分区j的用户数。
S202，计算从直播间i经过k步转移阶数到其他所有直播间的有效转换次数之和
Figure BDA0001429119190000068
Figure BDA0001429119190000069
S203，计算从直播间i经过k步转移阶数到直播间j的转移概率
Figure BDA0001429119190000071
S204，计算直播间i到直播间j的所有转移阶数的总转移概率pij：
pij为直播间i到直播间j的所有转移阶数的加权之和其中，k从直播间i到直播间j的转移阶数，d为最大的转移阶数，k∈[1,d]，δn为各转移阶数的权重系数，所有转移阶数的权重系数之和为1。采用最大的转移阶数为3时，可得出理想的推荐结果。
S3，将各直播间之间的转移概率按照由高到低排列以生成直播间推荐列表。
S4，向用户推送推荐列表中处于开播状态且转移概率最高的若干个直播间。
本发明根据各用户在各直播间之间的转移事件计算用户在各直播间之间的转移概率，将各直播间之间的转移概率按照由高到低排列以生成直播间推荐列表推荐给用户，实现根据用户的直播间观看历史预测用户下一步可能选择的直播间，推荐结果相关度高，且综合考虑分区以及用户在直播间之间的转移事件，推荐结果多样性好，用户体验感好。
本发明实施例还公开了一种存储介质，该存储介质上存储有计算机程序，计算机程序被处理器执行时实现基于路径预测的直播推荐方法。
参见图2所示，本发明实施例还公开了一种电子设备，包括存储器和处理器，存储器上储存有在处理器上运行的计算机程序，处理器执行计算机程序时实现基于路径预测的直播推荐方法。
本发明实施例还公开了一种基于路径预测的直播推荐***，包括：
转移事件统计模块，其用于按播放顺序记录直播平台上所有用户有效播放的直播间及直播间所在的分区；统计在预设的时间周期内所有用户在各直播间之间的转移事件；
转移概率计算模块，其用于根据各用户在各直播间之间的转移事件计算用户在各直播间之间的转移概率；
推荐列表生成模块，其用于将各直播间之间的转移概率按照由高到低排列以生成直播间推荐列表；
推荐列表推送模块，其用于向用户推送推荐列表中处于开播状态且转移概率最高的若干个直播间。
转移概率计算模块包括：
有效转移次数计算单元，其用于计算从直播间i经过k步转移阶数到直播间j的有效转移次数
Figure BDA0001429119190000081
设从直播间i到直播间j的转移阶数为k；
Figure BDA0001429119190000082
Figure BDA0001429119190000083
为从直播间i经过k步转移阶数到直播间j的行为有效转移次数贡献：
Figure BDA0001429119190000084
其中，cj,ci分别是直播间j和i所属的分区，S＜ci,cj＞是cj和ci两个分区的相对相似度；
Figure BDA0001429119190000085
为从直播间i经过k阶到其他所有直播间的有效转移次数贡献之和；
有效转换次数之和计算单元，其用于计算从直播间i经过k步转移阶数到其他所有直播间的有效转换次数之和
转移概率计算单元，其用于计算从直播间i经过k步转移阶数到直播间j的转移概率
总转移概率计算单元，其用于计算直播间i到直播间j的所有转移阶数的总转移概率pij：pij为直播间i到直播间j的所有转移阶数的加权之和
Figure BDA0001429119190000088
其中，k从直播间i到直播间j的转移阶数，d为最大的转移阶数，k∈[1,d]，δn为各转移阶数的权重系数，所有转移阶数的权重系数之和为1。
Figure BDA0001429119190000091
其中，Sij为cj和ci两个分区的相似度，为分区cj与其他所有分区的相似度中的最大值；
Sij＝logN11+logN22-logN12-logN21，其中，其中：N11是看了分区i的用户中看了分区j的用户数；N12是看了分区i的用户中没看分区j的用户数；N21是没看分区i的用户中看了分区j的用户数；N22是没看分区i的用户中没看分区j的用户数。最大的转移阶数d为3。
本发明不局限于上述实施方式，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围之内。本说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。

Claims (8)

1.一种基于路径预测的直播推荐方法，其特征在于：
S1，按播放顺序记录直播平台上所有用户播放的直播间及直播间所在的分区；统计在预设的时间周期内所有用户在各直播间之间的转移事件；
S2，根据各用户在各直播间之间的转移事件计算用户在各直播间之间的转移概率；
S3，将各直播间之间的转移概率按照由高到低排列以生成直播间推荐列表；
S4，向用户推送所述推荐列表中处于开播状态且转移概率最高的若干个直播间；
步骤S2具体过程包括：
S201，设从直播间i到直播间j的转移阶数为k，计算从直播间i经过k步转移阶数到直播间j的有效转移次数
Figure FDA0002225247160000011
Figure FDA0002225247160000012
Figure FDA0002225247160000013
为从直播间i经过k步转移阶数到直播间j的行为有效转移次数贡献：
Figure FDA0002225247160000014
其中，cj,ci分别是直播间j和i所属的分区，S＜ci,cj＞是cj和ci两个分区的相对相似度；为从直播间i经过k阶到其他所有直播间的有效转移次数贡献之和，所述ti为用户观看直播间i的时间点，所述tj为用户观看直播间j的时间点，所述△t为所述预设时间周期；
S202，计算从直播间i经过k步转移阶数到其他所有直播间的有效转换次数之和
Figure FDA0002225247160000016
Figure FDA0002225247160000017
S203，计算从直播间i经过k步转移阶数到直播间j的转移概率
Figure FDA0002225247160000022
S204，计算直播间i到直播间j的所有转移阶数的总转移概率pij：
pij为直播间i到直播间j的所有转移阶数的加权之和
Figure FDA0002225247160000023
其中，k为从直播间i到直播间j的转移阶数，d为最大的转移阶数，k∈[1,d]，δn为各转移阶数的权重系数，所有转移阶数的权重系数之和为1。
2.如权利要求1所述的一种基于路径预测的直播推荐方法，其特征在于：两个分区的相对相似度S＜ci,cj＞的计算方法为：
其中，Sij为cj和ci两个分区的相似度，
Figure FDA0002225247160000025
为分区cj与其他所有分区的相似度中的最大值；
Sij＝log N11+log N22-log N12-log N21，其中：N11是看了分区i的用户中看了分区j的用户数；N12是看了分区i的用户中没看分区j的用户数；N21是没看分区i的用户中看了分区j的用户数；N22是没看分区i的用户中没看分区j的用户数。
3.如权利要求1所述的一种基于路径预测的直播推荐方法，其特征在于：所述最大的转移阶数d为3。
4.一种存储介质，该存储介质上存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现权利要求1至3任一项所述的方法。
5.一种电子设备，包括存储器和处理器，存储器上储存有在处理器上运行的计算机程序，其特征在于：处理器执行计算机程序时实现权利要求1至3任一项所述的方法。
6.一种基于路径预测的直播推荐***，其特征在于，包括：
转移事件统计模块，其用于按播放顺序记录直播平台上所有用户有效播放的直播间及直播间所在的分区；统计在预设的时间周期内所有用户在各直播间之间的转移事件；
转移概率计算模块，其用于根据各用户在各直播间之间的转移事件计算用户在各直播间之间的转移概率；
推荐列表生成模块，其用于将各直播间之间的转移概率按照由高到低排列以生成直播间推荐列表；
推荐列表推送模块，其用于向用户推送所述推荐列表中处于开播状态且转移概率最高的若干个直播间；
所述转移概率计算模块包括：
有效转移次数计算单元，其用于计算从直播间i经过k步转移阶数到直播间j的有效转移次数
Figure FDA0002225247160000031
设从直播间i到直播间j的转移阶数为k；
Figure FDA0002225247160000033
为从直播间i经过k步转移阶数到直播间j的行为有效转移次数贡献：其中，cj,ci分别是直播间j和i所属的分区，S＜ci,cj＞是cj和ci两个分区的相对相似度；
Figure FDA0002225247160000035
为从直播间i经过k阶到其他所有直播间的有效转移次数贡献之和，所述ti为用户观看直播间i的时间点，所述tj为用户观看直播间j的时间点，所述△t为所述预设时间周期；
有效转换次数之和计算单元，其用于计算从直播间i经过k步转移阶数到其他所有直播间的有效转换次数之和
Figure FDA0002225247160000036
转移概率计算单元，其用于计算从直播间i经过k步转移阶数到直播间j的转移概率
Figure FDA0002225247160000037
总转移概率计算单元，其用于计算直播间i到直播间j的所有转移阶数的总转移概率pij：pij为直播间i到直播间j的所有转移阶数的加权之和
Figure FDA0002225247160000041
其中，k为从直播间i到直播间j的转移阶数，d为最大的转移阶数，k∈[1,d]]，δn为各转移阶数的权重系数，所有转移阶数的权重系数之和为1。
7.如权利要求6所述的一种基于路径预测的直播推荐***，其特征在于：
Figure FDA0002225247160000042
其中，Sij为cj和ci两个分区的相似度，为分区cj与其他所有分区的相似度中的最大值；
Sij＝log N11+log N22-log N12-log N21，其中：N11是看了分区i的用户中看了分区j的用户数；N12是看了分区i的用户中没看分区j的用户数；N21是没看分区i的用户中看了分区j的用户数；N22是没看分区i的用户中没看分区j的用户数。
8.如权利要求6所述的一种基于路径预测的直播推荐***，其特征在于：所述最大的转移阶数d为3。
CN201710932686.1A 2017-10-10 2017-10-10 基于路径预测的直播推荐方法、存储介质、设备及*** Active CN107835441B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201710932686.1A CN107835441B (zh) 2017-10-10 2017-10-10 基于路径预测的直播推荐方法、存储介质、设备及***
PCT/CN2017/117383 WO2019071831A1 (zh) 2017-10-10 2017-12-20 基于路径预测的直播推荐方法、存储介质、设备及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710932686.1A CN107835441B (zh) 2017-10-10 2017-10-10 基于路径预测的直播推荐方法、存储介质、设备及***

Publications (2)

Publication Number Publication Date
CN107835441A CN107835441A (zh) 2018-03-23
CN107835441B true CN107835441B (zh) 2020-01-03

Family

ID=61647768

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710932686.1A Active CN107835441B (zh) 2017-10-10 2017-10-10 基于路径预测的直播推荐方法、存储介质、设备及***

Country Status (2)

Country Link
CN (1) CN107835441B (zh)
WO (1) WO2019071831A1 (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108536814B (zh) * 2018-04-04 2022-06-21 武汉斗鱼网络科技有限公司 直播间推荐方法、计算机可读存储介质及电子设备
CN109151488B (zh) * 2018-07-06 2021-07-23 武汉斗鱼网络科技有限公司 根据用户行为实时推荐直播间的方法及***
CN111385657B (zh) * 2018-12-28 2023-02-07 广州市百果园信息技术有限公司 视频推荐方法、装置及存储介质、计算机设备
CN109951725B (zh) * 2019-03-07 2021-06-15 武汉斗鱼鱼乐网络科技有限公司 一种直播间的推荐方法以及相关设备
CN110717415B (zh) * 2019-09-24 2020-12-04 上海数创医疗科技有限公司 基于特征选取的st段分类卷积神经网络及其使用方法
CN112954460B (zh) * 2021-02-01 2024-01-05 百果园技术(新加坡)有限公司 一种直播互动的方法、装置、服务器和存储介质
CN113315992B (zh) * 2021-07-30 2021-11-09 武汉斗鱼鱼乐网络科技有限公司 用于提升观看时长的直播间推荐方法、装置、介质及设备
CN114969514A (zh) * 2022-05-06 2022-08-30 北京百度网讯科技有限公司 一种直播推荐方法、装置及电子设备

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2008121737A1 (en) * 2007-03-30 2008-10-09 Amazon Technologies, Inc. Service for providing item recommendations
CN105279289A (zh) * 2015-12-04 2016-01-27 中国传媒大学 基于指数衰减窗口的个性化音乐推荐排序方法
CN106202430A (zh) * 2016-07-13 2016-12-07 武汉斗鱼网络科技有限公司 基于关联规则的直播平台用户兴趣度挖掘***及挖掘方法
CN106294800A (zh) * 2016-08-16 2017-01-04 武汉斗鱼网络科技有限公司 基于加权k近邻评分的直播间推荐方法及***
CN106560811A (zh) * 2016-09-23 2017-04-12 武汉斗鱼网络科技有限公司 一种基于主播风格的直播间推荐方法及***
CN106791966A (zh) * 2016-12-28 2017-05-31 武汉斗鱼网络科技有限公司 一种基于改进型关联规则的直播间推荐方法及***
CN106851343A (zh) * 2017-01-23 2017-06-13 百度在线网络技术（北京）有限公司 用于视频直播的方法和装置
CN107205178A (zh) * 2017-04-25 2017-09-26 北京潘达互娱科技有限公司 直播间推荐方法及装置

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106658096A (zh) * 2016-11-17 2017-05-10 百度在线网络技术（北京）有限公司 推送直播节目的方法和装置
CN106604051A (zh) * 2016-12-20 2017-04-26 广州华多网络科技有限公司 直播频道推荐方法及装置

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2008121737A1 (en) * 2007-03-30 2008-10-09 Amazon Technologies, Inc. Service for providing item recommendations
CN105279289A (zh) * 2015-12-04 2016-01-27 中国传媒大学 基于指数衰减窗口的个性化音乐推荐排序方法
CN106202430A (zh) * 2016-07-13 2016-12-07 武汉斗鱼网络科技有限公司 基于关联规则的直播平台用户兴趣度挖掘***及挖掘方法
CN106294800A (zh) * 2016-08-16 2017-01-04 武汉斗鱼网络科技有限公司 基于加权k近邻评分的直播间推荐方法及***
CN106560811A (zh) * 2016-09-23 2017-04-12 武汉斗鱼网络科技有限公司 一种基于主播风格的直播间推荐方法及***
CN106791966A (zh) * 2016-12-28 2017-05-31 武汉斗鱼网络科技有限公司 一种基于改进型关联规则的直播间推荐方法及***
CN106851343A (zh) * 2017-01-23 2017-06-13 百度在线网络技术（北京）有限公司 用于视频直播的方法和装置
CN107205178A (zh) * 2017-04-25 2017-09-26 北京潘达互娱科技有限公司 直播间推荐方法及装置

Also Published As

Publication number Publication date
WO2019071831A1 (zh) 2019-04-18
CN107835441A (zh) 2018-03-23

Similar Documents

Publication Publication Date Title
CN107835441B (zh) 基于路径预测的直播推荐方法、存储介质、设备及***
EP2817970B1 (en) Automatically recommending content
US10397359B2 (en) Streaming media cache for media streaming service
US9317468B2 (en) Personal content streams based on user-topic profiles
US8260117B1 (en) Automatically recommending content
CN107766360B (zh) 一种视频热度预测方法和装置
CN108536814B (zh) 直播间推荐方法、计算机可读存储介质及电子设备
US20180278704A1 (en) Information push method and electronic device
WO2015032353A1 (zh) 视频推荐方法及装置
Balakrishnan et al. Two of a kind or the ratings game? Adaptive pairwise preferences and latent factor models
CN107592572B (zh) 视频推荐方法、装置及其设备
CN109951725B (zh) 一种直播间的推荐方法以及相关设备
CN108475256A (zh) 从同现矩阵生成特征嵌入
CN114040216B (zh) 直播间推荐方法、介质、装置和计算设备
CN112150182B (zh) 多媒体文件推送方法和装置、存储介质及电子装置
CN111385657A (zh) 视频推荐方法、装置及存储介质、计算机设备
CN112073817A (zh) 媒体文件的播放控制方法、装置、电子设备及存储介质
Wu et al. Digital content recommendation system using implicit feedback data
CN113934870B (zh) 多媒体推荐模型的训练方法、装置及服务器
Krishnamurthy et al. Opportunistic advertisement scheduling in live social media: A multiple stopping time POMDP approach
CN107404657B (zh) 一种广告推荐方法和装置
CN110996177A (zh) 面向点播影院的视频推荐方法、装置及设备
CN110287377B (zh) 在线社交网络的增量式组水平的话题流行度预测方法
CN113378045B (zh) 数字内容分发方法、装置及存储介质
CN115033777A (zh) 数据推荐方法、电子设备及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right

Effective date of registration: 20231116

Address after: 710000 3FC, Synergy Building, No. 12 Gaoxin Second Road, High tech Zone, Xi'an City, Shaanxi Province

Patentee after: Xi'an fansosi Digital Technology Co.,Ltd.

Address before: 430000 East Lake Development Zone, Wuhan City, Hubei Province, No. 1 Software Park East Road 4.1 Phase B1 Building 11 Building

Patentee before: WUHAN DOUYU NETWORK TECHNOLOGY Co.,Ltd.

TR01 Transfer of patent right
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: Live streaming recommendation methods, storage media, devices, and systems based on path prediction

Granted publication date: 20200103

Pledgee: Industrial Bank Limited by Share Ltd. Xi'an branch

Pledgor: Xi'an fansosi Digital Technology Co.,Ltd.

Registration number: Y2024610000107