CN109951724A

CN109951724A - 直播推荐方法、主播推荐模型训练方法及相关设备

Info

Publication number: CN109951724A
Application number: CN201711386148.3A
Authority: CN
Inventors: 肖蒴
Original assignee: Alibaba Group Holding Ltd
Current assignee: Alibaba Group Holding Ltd
Priority date: 2017-12-20
Filing date: 2017-12-20
Publication date: 2019-06-28

Abstract

本申请提供了一种直播推荐方法、装置和***，提出了一种新的直播推荐方式，从主播推荐的角度为用户选择待推荐的主播，以方便用户选择自己感兴趣的主播的相关直播视频进行观看。另外，本申请还提供了一种主播推荐模型训练方法和装置，用于利用主播的包含人体特征的图像训练得到数学模型，该数学模型用于为用户选择待推荐的主播。

Description

直播推荐方法、主播推荐模型训练方法及相关设备

技术领域

本申请涉及直播技术领域，特别涉及一种直播推荐方法、一种直播推荐装置、一种直播推荐***以及一种主播推荐模型训练方法及装置。

背景技术

随着网络视频技术的发展和视频内容的更加多元化，每天都有各种不同领域的视频类节目出现在广大网友的视野中。越来越多网友的上网习惯已经由传统的文字阅读或看电影短片，转变成观看直播这种表达更直观、内容更丰富、互动更实时的节目类型。

作为直播运营平台，必须用更科学的方法来解决如何在用户停留的最短时间内向用户推荐其最感兴趣的主播，以满足用户的个性化需求，这是影响用户体验的一个关键功能点，也是影响用户观看频率和时长的一个关键因素。

发明内容

有鉴于此，本申请提供了一种直播推荐方法、装置和***，提出了一种新的直播推荐方式，从主播推荐的角度为用户选择待推荐的主播，以方便用户选择自己感兴趣的主播的相关直播视频进行观看。

本申请还提供了一种主播推荐模型训练方法和装置，用于利用主播的包含人体特征的图像训练得到数学模型，该数学模型用以为用户选择待推荐的主播。

在本申请第一方面提供了一种直播推荐***，包括：

服务端，用于为用户选择待推荐的主播，生成所述用户的主播推荐列表，所述主播推荐列表用于记录所述待推荐的主播的相关信息，向观众客户端发送所述主播推荐列表；

观众客户端，用于接收所述服务端发送的所述主播推荐列表，根据所述主播推荐列表为用户展示直播相关信息。

在本申请第二方面提供了一种直播推荐方法，该方法应用于服务端，包括：

为用户选择待推荐的主播；

生成所述用户的主播推荐列表，所述主播推荐列表用于记录所述待推荐的主播的相关信息；

向观众客户端发送所述主播推荐列表。

在本申请第三方面提供了一种直播推荐方法，该方法应用于观众客户端，包括：

接收服务端发送的主播推荐列表，所述主播推荐列表用于记录待推荐的主播的相关信息；

根据所述主播推荐列表为用户展示直播相关信息。

在本申请第四方面提供了一种直播推荐方法，该方法应用于主播客户端，包括：

接收服务端发送的商品类目推荐列表，所述商品类目推荐列表用于记录关注主播的用户群体的目标商品类目；所述用户群体的目标商品类目是根据所述用户群体对商品的历史操作行为分析得到的；

根据所述商品类目推荐列表为主播展示商品类目。

在本申请第五方面提供了一种直播推荐装置，所述装置应用于服务端，所述装置包括：

选择模块，用于为用户选择待推荐的主播；

生成模块，用于生成所述用户的主播推荐列表，所述主播推荐列表用于记录所述待推荐的主播的相关信息；

发送模块，用于向观众客户端发送所述主播推荐列表。

在本申请第六方面提供了一种直播推荐装置，所述装置应用于观众客户端，所述装置包括：

接收模块，用于接收服务端发送的主播推荐列表，所述主播推荐列表用于记录待推荐的主播的相关信息；

展示模块，用于根据所述主播推荐列表为用户展示直播相关信息。

在本申请第七方面提供了一种直播推荐装置，所述装置应用于主播客户端，所述装置包括：

接收模块，用于接收服务端发送的商品类目推荐列表，所述商品类目推荐列表用于记录关注主播的用户群体的目标商品类目；所述用户群体的目标商品类目是根据所述用户群体对商品的历史操作行为分析得到的；

展示模块，用于根据所述商品类目推荐列表为主播展示商品类目。

在本申请第八方面提供了一种主播推荐模型训练方法，该方法：

获取主播的包含人体特征的图像；

检测所述图像得到表征人体结构特征的关键点；

根据每个图像对应的关键点计算每个主播对应的特征向量；

根据所有主播的特征向量生成主播推荐模型。

在本申请第九方面提供了一种主播推荐模型训练装置，该装置包括：获取模块，用于获取主播的包含人体特征的图像；

检测模块，用于检测所述图像得到表征人体结构特征的关键点；

计算模块，根据每个图像对应的关键点计算每个主播对应的特征向量；

生成模块，用于根据所有主播的特征向量生成主播推荐模型。

与现有技术相比，本申请包括以下优点：

本申请提供的主播推荐模型训练方法和装置，将主播的包含人体特征的图像作为训练数据，以这些训练数据为基础，检测每个主播的图像中的表征人体结构特征的关键点，基于这些关键点计算每个主播对应的特征向量，基于所有主播的特征向量生成主播推荐模型，该主播推荐模型用于对用户选择待推荐的主播。

本申请提供的直播内容推荐方法、装置和***，为用户选择待推荐的主播；生成所述用户的主播推荐列表，所述主播推荐列表用于记录所述待推荐的主播的相关信息；向观众客户端发送所述主播推荐列表。本申请提出了新的直播推荐方式，从主播推荐的角度为用户选择待推荐的主播，以方便用户选择自己感兴趣的主播的相关直播视频进行观看。

当然，实施本申请的任一产品并不一定需要同时达到以上所述的所有优点。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本申请在实际应用中的场景示例图；

图2是本申请实施例提供的一种直播推荐***的结构图；

图3是本申请实施例提供的服务端侧的一种直播推荐方法的流程图；

图4是本申请实施例提供的主播推荐模型训练方法的流程图；

图5是本申请实施例提供的人脸68个关键点检测的示例图；

图6是本申请实施例提供的观众客户端侧的一种直播推荐方法的流程图；

图7是本申请实施例提供的观众客户端展示主播推荐列表的一种示意图；；

图8是本申请实施例提供的观众客户端展示主播推荐列表的另一种示意图；

图9是本申请实施例提供的观众客户端展示主播推荐列表的另一种示意图；

图10是是本申请实施例提供的观众客户端展示主播推荐列表的另一种示意图；

图11是本申请实施例提供的服务端侧的另一种直播推荐方法的流程图；

图12是本申请实施例提供的商品类目推荐列表的生成方法流程图；

图13是本申请实施例提供的主播客户端侧的一种直播推荐方法的流程图；

图14是本申请实施例提供的主播客户端展示推荐的商品类目的示意图；

图15是本申请实施例提供的主播客户端展示推荐的商品类目的另一示意图；

图16是本申请实施例提供的服务端侧的一种直播推荐装置的结构图；

图17是本申请实施例提供的观众客户端侧的一种直播推荐装置的结构图；

图18是本申请实施例提供的主播客户端侧的一种直播推荐装置的结构图；

图19是本申请实施例提供的一种主播推荐模型训练装置的结构图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

为了便于理解本申请提供的技术方案，下面先对本申请技术方案的研究背景进行简单说明。

随着直播的快速发展，越来越多的人们都选择通过直播平台观看直播来获取资讯，直播已经给人们的日常生活和工作带来了很多便利。直播平台上直播数据量飞速增长，如何从大量的直播资源中给用户推荐用户可能感兴趣的资源，这是直播平台目前亟需解决的技术问题。

对于直播平台而言，如何在用户停留的最短时间内向用户推荐其感兴趣的资源，提高资源推荐的精准性，这是影响用户体验的一个关键功能点、也是影响用户观看频率和时长的一个关键因素，这一特性也极大影响直播平台的发展。

作为直播平台，必须用更科学的方法来解决如何在用户停留的最短时间内向用户推荐其最感兴趣的直播相关信息，以提高用户体验，增加用户的观看频率和时长。

发明人发现：由于直播是通过视频传输信息的交互方式，因此用户比较在意视觉体验，更注重视觉审美，用户更希望看到视觉印象符合自己审美标准的主播的相关直播视频的推荐。基于此，本申请提出了一种直播推荐方法、装置和***，提出了以主播推荐的角度，挖掘出主播对观众产生的视觉印象成为直播视频内容的一个特殊的特征属性，基于该特征属性智能地为不同用户推荐符合其实际审美偏好的主播相关信息，以方便用户根据该主播相关信息，选择自己感兴趣的主播的直播视频进行观看，从而满足不同用户的个性化需求。

需要说明的是，本申请提供的技术方案可以适用于任何直播平台，例如：适用于游戏类直播平台、电商类直播平台、娱乐类直播平台，等等，用于提高直播平台的资源推荐的准确性，提高用户体验。

下面先对本申请在实际中的应用场景进行介绍。

参见图1，为本申请在实际应用中的场景示例图，如图1所示，本申请提供的技术方案应用在服务端101、观众客户端102和主播客户端103；服务端101是指提供直播数据服务的设备；观众客户端102是指观众观看直播时所使用的、支持视频播放的终端设备，如手机、笔记本电脑等；主播客户端103是指主播发布直播时所使用的、具备视频和音频录制和视频传输功能的终端设备。

在实际应用中，服务端101可同时为多个观众客户端102提供数据支持，也可同时为多个主播客户端103提供数据支持，服务端101在实际部署时，可以是独立的服务器，也可以采用集群服务器来实现。

本申请在实现时，服务端101学习得到的主播推荐模型，通过主播推荐模型为使用观众客户端102的用户生成对应的主播推荐列表，并发送给观众客户端102，该用户通过观众客户端102展示的直播相关信息，选择自己感兴趣的直播视频进行观看。此外，服务端101还可以向主播客户端103发送商品类目推荐列表，以使主播客户端103根据该商品类目推荐列表为主播展示相关商品类目，供主播选择某个商品类目作为直播素材。

基于以上应用场景，本申请提供了一种直播推荐***，下面对该***进行介绍。

参见图2，为本申请实施例提供的一种直播推荐***的结构图，如图2所示，该***包括：

服务端201，用于为用户选择待推荐的主播，生成所述用户的主播推荐列表，所述主播推荐列表用于记录所述待推荐的主播的相关信息，向观众客户端发送所述主播推荐列表；优选地，服务端201的处理过程可参见图3所示实施例的实现。

观众客户端202，用于接收所述服务端发送的所述主播推荐列表，根据所述主播推荐列表为用户展示直播相关信息；优选地，服务端202的处理过程可参见图6所示实施例的实现。

可选地，该***在具体实现时，还可以包括：

主播客户端203，用于接收所述服务端201为主播生成商品类目推荐列表；所述商品类目推荐列表记录关注该主播的用户群体的目标商品类目；所述用户群体的目标商品类目是根据所述用户群体对商品的历史操作行为分析得到的。优选地，主播客户端203的处理过程可参见图13所示实施例的实现。

具体实现时，服务端201可以应用于图1所示的服务器终端中实现，以实现其功能；而观众客户端202可以应用用图1所示的观众客户设备中实现，以实现其功能；主播客户端203可以应用于图1所示的主播客户设备中实现，以实现其功能。

利用本申请实施例提供的直播推荐***，为用户选择待推荐的主播；生成所述用户的主播推荐列表，所述主播推荐列表用于记录所述待推荐的主播的相关信息；向观众客户端发送所述主播推荐列表。本申请提出了新的直播推荐方式，从主播推荐的角度为用户选择待推荐的主播，以方便用户选择自己感兴趣的主播的相关直播视频进行观看。

下面对本申请提供的直播推荐方法进行介绍。

参见图3，为本申请实施例提供的服务端侧的直播推荐方法的流程图，如图3所示，该方法包括：

步骤301：为用户选择待推荐的主播。

在本申请实施例中，服务端根据用户已关注的主播为用户选择待推荐的主播，也可以根据与用户有网络交互的其他用户所关注的主播为用户选择待推荐的主播。由于用户在观看直播时比较在意视觉体验，更注重视觉审美，用户会优先选择长相、身材、或者其他人体特征符合自己审美的主播，会选择观看这些主播的直播内容。因此，本申请实施例提供了一种可选的方式，将主播给用户的视觉印象作为主播的特征属性，以此为用户选择符合用户视觉审美标准的主播。

一种可选的方式，根据直播数据库中的所有主播的人体特征为用户选择待推荐的主播。进一步地，为了提高推荐效率和推荐内容的有效性，本申请实施例还提出了利用模型进行处理，具体的，利用主播推荐模型为用户选择待推荐的主播，其中，该主播推荐模型是将直播数据库中的主播的人体特征作为训练数据训练得到的数学模型。可选的，该主播推荐模型是通过聚类算法对直播数据库中的每个主播的特征向量进行聚类分析生成的，其中，所述特征向量是用于表征人体脸部特征的多维向量。

其中，主播的人体特征是指主播人体全部特征或者局部特征，例如整个人从头到脚的人体特征，或者，脸部特征、手部特征、脚步特征、腿部特征等等，但考虑到目前普通大众对人的审美一般先定位到脸部，因此，可选的，在本申请实施例中该主播的人体特征为脸部特征，但本申请实施例并不限定其他形式。

为了使得服务端利用直播推荐模型为用户提供个性化的直播推荐，本申请实施例还提供了一种主播推荐模型训练方法。下面对该主播推荐模型训练方法进行解释说明。

参见图4，图4为本申请实施例提供的一种主播推荐模型训练方法的流程图，该方法在实现时可以由服务端采集大量的主播的包含人体特征的图像，基于这些图像进行线下处理训练得到主播推荐模型，服务端训练主播推荐模型的训练过程是一个线下过程，这个过程可以服务端定期地(例如每天或者每周)、离线地实施，这个过程的结果可以在每次观众登录该直播平台时被实时地被服务端调用，如图4所示，该方法包括以下步骤：

401，获取主播的包含人体特征的图像；

在本申请实施例中，服务端从直播数据库中可以获取主播的全部人体特征，或者局部人体特征，例如整个人从头到脚的人体特征，或者，脸部特征、手部特征、脚步特征、腿部特征等等，但考虑到目前普通大众对人的审美一般先定位到脸部，因此，可选的，在本申请实施例中该主播的人体特征为脸部特征，但本申请实施例并不限定其他形式。

可选的，所述图像为包含脸部特征的脸部图像。下面仅以对主播的脸部特征为例训练得到主播推荐模型，但本申请实施例的主播推荐模型的训练并不限定于此，对其他部分的人体特征的处理原理均与对脸部特征的处理原理相同或者相似，此处不再一一举例说明。

在具体实现时，主播首次使用直播平台发布直播时，需要在直播平台上注册个人账户，在注册个人账户时，需要输入账户相关信息，如主播真实姓名、身份证号码、手机号码、邮箱、账户名、登录密码、包含人体特征的照片，如个人全身照，脸部照，脚部照等；则直播平台会保存主播注册账户时输入的这些信息。主播完成注册后，在需要发布直播时，主播利用注册的账户名和登录密码登录个人账户，从而发布直播。

直播平台存储每个主播的账户相关信息，另外，当主播发布直播之后，直播平台还会存储该主播所发布的直播视频，以供观众观看。在具体实现时，以上这些信息都可存储在服务端。

在具体实现时，服务端可以从主播的账户相关信息中，提取主播的个人正面照片，将该照片作为主播的人脸图像。服务端也可以从主播的直播视频资源中通过人脸识别算法截取得到主播的人脸图像。在实际应用中，服务端可以根据图像处理算法对图像的尺寸、像素等要求，对获取到的人脸图像进行适应性调整，以满足图像处理需求。

402，检测所述图像得到表征人体结构特征的关键点；

在具体实现时，可以按照人脸关键点检测算法，针对每个主播的人脸图像检测num个关键点；这num个关键点能够刻画主播的脸部轮廓和五官位置的脸部位置点；

在具体实现时，服务端可以采用基于面部双眼结构特征、基于SDM算法、基于随机森林算法、基于深度神经网络算法等等任意一种人脸关键点检测算法来实现上述功能；该人脸关键点检测算法用于定位人脸上可以表征脸部轮廓和五官位置的关键点，包括人脸轮廓、眼睛、眉毛、嘴唇以及鼻子轮廓，返回人脸五官与轮廓的关键点坐标位置。该算法检测的关键点数量和位置体现了利用该算法刻画的人脸轮廓和五官的精度，刻画精度高的检测算法的人脸关键点均能完美贴合人脸。因此，检测的关键点数量num可体现了对于检测精度的要求，在具体实现时，服务端可以根据对于人脸轮廓和五官的精度要求预先设置关键点数量。优选地，服务端预先设置num＝68。

举例说明：采用基于人脸关键点检测算法，对主播A的脸部图像进行检测得到68个关键点，这68个关键点的分布如图5所示，根据这68个关键点可以准确地看出该主播A的脸部轮廓和五官位置。

403，根据每个图像对应的关键点计算每个主播对应的特征向量；

其中，特征向量是根据人脸图像的关键点计算得到的、能够表征主播脸部轮廓和五官特征的向量。服务端可以预先定义该特征向量的维度和每一维度的特征值的计算方式，每一维度的特征值所表征的脸部特征均不相同；例如设置第一维度的特征值表征眼间距，第二维度的特征值表征鼻子长度，第三维度的特征值表征嘴唇宽度，等等。举例说明：仍以图5所示的主播A的脸部图像为基础，根据关键点计算出15个关键长度或者关键距离，定义14维特征向量及每个维度的特征值的计算方式，得到主播A的14维特征向量，具体的计算步骤为：

S1，在这些已知的68个关键点的基础上，获取其中关键的长度或距离数据如下：

1)鼻子的长度，即图2中点27到点33的纵向距离，记为a；

2)瞳孔到嘴唇的纵向距离，即图2中点37、38、40、41的几何中心与点61、63、65、67的几何中心的纵向距离，记为b；

3)鼻子的宽度，即图2中点31到点35的横向距离，记为c；

4)嘴唇的宽度，即图2中点48到点54的横向距离，记为d；

5)鼻孔的间距，即图2中点32到点34的横向距离，记为e；

6)瞳孔的间距，即图2中点37、38、40、41的几何中心与点43、44、46、47的几何中心的横向距离，记为f；

7)两眉的内间距，即图2中点21到点22的横向距离，记为g；

8)左眼右眼角与右眼左眼角的距离，即图2中点36到点45的横向距离，记为h；

9)人脸横向最宽处的宽度，即图2中点0到点16的横向距离，记为q；

10)单只眉毛的宽度，即图2中点17到点21的横向距离，记为j；

11)单只眼睛的宽度，即图2中点36到点39的横向距离，记为k；

12)单只眼睛的开合度，即图2中点37到点40的直线距离，记为l；

13)嘴到下巴的纵向距离，即图2中点62、66的中点与点8的纵向距离，记为m；

14)瞳孔到鼻端的纵向距离，即图2中点37、38、40、41的几何中心与点33的纵向距离，记为n；

15)鼻端到嘴的纵向距离，即图2中点33与点51的纵向距离，记为o。

S2，定义14维的特征向量，记为向量型变量X，对于X的具体某个取值，记为向量x。对其中每一维的具体定义如下：

X[1]＝b/a；

X[2]＝d/c；

X[3]＝c/e；

X[4]＝f/g；

X[5]＝h/q；

X[6]＝j/q；

X[7]＝d/q；

X[8]＝k/q；

X[9]＝k/l；

X[10]＝h/n；

X[11]＝n/o；

X[12]＝m/o；

X[13]表示是否戴眼镜，如果戴了眼镜，则X[13]＝1.0，如果没戴眼镜，则X[13]＝0.0；

X[14]表示性别，如果是男性，则X[14]＝1.0，如果是女性，则X[14]＝0.0。

根据上述14维特征向量计算方法的定义，可以得到表征主播A脸部轮廓和五官的14维的特征向量。

直播平台中有M个主播，记为anchor_i(i＝1,2,…M，M表示主播总人数)，按照以上方式计算得到每个主播对应的特征向量，表征每个主播的人脸轮廓和五官。

404，根据所有主播的特征向量生成主播推荐模型。

在具体实现时，采用聚类算法对所有主播各自对应的特征向量进行聚类分析得到特征聚类矩阵，记为主播推荐模型。

对所有主播的特征向量进行聚类分析，该聚类分析的目的是建立一个含有K组class的分布模型。其中，K记为class的个数，表示根据所有主播的特征向量对主播进行分类的总类别。

对主播的特征向量进行聚类分析，可采用的聚类算法包括：k-means聚类算法、高斯混合模型(Gaussian Mixture Model，GMM)算法等。下面仅以GMM算法为例进行说明。经过GMM算法得出概率密度函数，通过概率密度函数可以衡量主播属于某组class类别的概率值。在具体实现时，步骤404可以分为以下步骤：

首先，单个class的分布函数如下：

其中，x是上述步骤403中求得的特征向量，u是该class的内部模型期望，∑是该class的内部模型方差。

然后，根据上述定义的单个class的分布函数，对于所有主播的聚类分析结果如下：

其中，K为class个数，π_k表示第k个class的权值因子。在具体实现时，K为根据经验预设的，能够表征人的脸部特征类别个数，例如可以取值为10,20,30，等整数值，为了取得更细致的类别划分，K可以取值为较大数值，K可以取值为10至100之间的整数。当然本申请实施例并不限定K的具体取值情况。

接着，经过上面的特征提取，得到M个特征向量x_i(i＝1,2，…M，M表示主播总人数)；将得到的M个特征向量作为M个样本，通过最大期望算法(Expectation MaximizationAlgorithm，EM算法)，求得上述表达式(1)和表达式(2)中的参数u_k,∑_k,π_k。

其中，EM算法是一种经常用在机器学习和计算机视觉的数据聚类领域的迭代算法，对含有隐藏变量(latent variable)的概率参数模型进行最大似然估计或极大后验概率估计。EM算法的计算过程为：第一步，计算期望(E)，利用概率模型参数的现有估计值，计算隐藏变量的期望；第二步，最大化(M)，利用E步上求得的隐藏变量的期望，对参数模型进行最大似然估计；M步上找到的参数估计值被用于下一个E步计算中，这个过程不断交替进行。

最后，对于每个主播anchor_i(i＝1,2,…M)，将其特征向量x_i代入上文的表达式(1)中，求得其对应第k个class的归属值，记为anchor_i_in_class_k(k＝1,2，…K)。

则得到：anchor_i_in_class_k＝N(x_k；u_k,∑_k)。

由此，通过上述训练过程，建立M*K的特征聚类矩阵，记为AnchorToClass，该特征聚类矩阵即为主播推荐模型。该特征聚类矩阵中第i行k列的元素即为anchor_i_in_class_k，其中，i＝1,2，…M；k＝1,2，…K。

具体地，anchor_i_in_class_k表示第i个主播的脸部特征属于主播推荐模型的k个类别的概率值，即上述归属值。

对于M位主播到底对应矩阵中M行的哪一行，可以是根据其在该直播平台上的热度排名确定，也可以是根据注册时间的早晚确定，或者根据每个主播的直播视频数量确定，等等。

对于具体的行号与主播的对应关系，可以是与主播的注册账户名对应，也可以与主播的直播视频链接对应。在具体实现时，对于如何确定主播与矩阵中行的对应关系，如何根据行号对应到具体的主播的具体过程，本申请不作限定。

举例说明：仍以上举例和图5所示的场景为基础，主播A所在的直播平台中，主播个数为50，按照上述处理过程，服务端训练得到主播推荐模型是一个50*14的特征聚类矩阵。根据主播A在该直播平台上的热度排名第三，在此次学习模型中被作为编号为3的主播，即第三行的主播，将主播A的账户名称“A”与“3”这个行号对应关联；在主播推荐模型中第三行的每个元素，即为主播A属于k个类型的归属值。

通过图4所示方法能够预先建立主播推荐模型，则为用户选择待推荐主播打好数据基础。这里需要说明的是，进行主播推荐模型训练的服务端与为用户选择待推荐的主播的服务端可以为同一服务端，也可以为独立的不同的服务端。

继续参见图3，服务端执行步骤301之后，继续执行步骤302。302，生成所述用户的主播推荐列表，所述主播推荐列表用于记录所述待推荐的主播的相关信息；

303，向观众客户端发送所述主播推荐列表。

对于服务端而言，在用户登录直播平台时，就实时地执行步骤301-303。

在实际应用中，有些用户不***台上实施直播相关操作，例如收藏、点赞、评论等操作，因此，直播平台无法收集到这一类观众的历史行为数据；另外，对于首次登陆平台的用户而言，也没有产生任何历史行为数据。针对这一类用户，传统直播平台对用户推荐的是直播点击量比较高的直播资源，资源类型不够全面，其并未分析用户感兴趣因子，为用户提供可能感兴趣的直播资源，导致这一类用户由于在短时间内找不到自己感兴趣的直播资源，而快速离开直播平台，造成流量流失，这对直播平台而已损失非常大。基于此场景需求，本申请实施例提供了对应的解决方式，该解决方式是根据预先训练的主播推荐模型，将主播对观众的视觉印象作为特征属性，为用户选择多种不同类型的主播，基于此，用户登录直播平台后，能够快速地从多种不同类型的主播中选择自己感兴趣的主播，帮助用户快速定位自己对直播的兴趣点。

基于上述主播推荐模型，本申请实施例针对步骤301提供了几种可选的实现方式：

可选的，所述根据主播推荐模型为用户选择待推荐的主播，包括：

根据主播推荐模型，选择每个主播类别中归属值最大的主播，将所选择的主播作为待推荐的主播；其中，所述归属值是指主播属于某个主播类别的概率值。

根据主播推荐模型，选择每个主播类别中归属值最大的主播；按照主播在直播平台上产生的流量价值，从所选择的主播中选择流量价值排名靠前的预设个数的主播，将选择的主播作为待推荐的主播。

其中，主播在直播平台上产生的流量价值，根据主播发布的直播视频数量、直播视频点击率、直播视频的商品交易转换率等任一或多个参数确定。例如：主播发布的直播视频越多，其产生的流量价值越大；主播发布的视频点击率越高，则其产生的流量价值越大，等等。可选的，为根据上述主播推荐模型为用户选择待推荐的主播的方法，包括：

根据主播推荐模型，选择每个主播类别中归属值最大的主播，再根据直播平台中热门主播信息，从所选择的主播中选择出至少两个热门主播信息，最后，将所选择的至少两个热门主播作为待推荐的主播；其中，所述归属值是指主播属于某个主播类别的概率值。

下面对以上几种优选方式中涉及的“根据主播推荐模型，选择每个主播类别中归属值最大的主播”的这一操作的具体实现进行解释说明。

在具体实现时，对于观众客户User_p,其中，p＝1,2,…N，N为该直播平台观众客户总数，按照预先建立的主播推荐模型AnchorToClass，查找每一列中归属值最大的元素记为max_in_class_k,k＝1,2,…K；并且记录这K个最大归属值所对应的行号，记为max_anchor_in_class_k,k＝1,2,…K。每个行号唯一对应一个主播，则根据行号能够确定出具体主播，则确定出K个主播，将这K个主播作为待推荐的主播。由于这K个待推荐主播分别是能够代表这基于脸部特征分类得到的K类主播类型的典型主播，这K个待推荐主播代表K种审美类型，具有不同脸部轮廓和五官特征，基于这K个主播确定给用户的待推荐的主播，用户能够快速决断出自己感兴趣的主播以及相关直播视频。

通过上述方法，本申请实施例能够从视觉审美角度，为用户提供多种不同的选择，方便用户在进入直播平台后，短时间内快速的确定符合自己审美的主播以及直播视频内容。

在实际应用中，一些用户有良好的直播平台交互***台需要更精准地向其推荐直播相关信息，避免导致无效推荐，对这一类用户造成干扰，影响用户体验。基于此应用场景，本申请实施例提供了对应的解决方法，该解决方法根据观众的历史操作行为分析用户喜好的主播的脸部特征，从而为用户推荐符合其审美标准的其他主播的相关信息，从而一方面保证推荐内容的精准性，另一方面帮助用户扩展其兴趣点。具体方法如下：

针对上述有观看、收藏等与具体视频节目相关的操作的观众，本申请实施例还提供了下面的根据主播推荐模型为用户选择待推荐的主播的方法。

可选地，根据上述主播推荐模型为用户选择待推荐的主播的方法，包括：

根据用户对直播的历史操作行为，确定用户实际感兴趣的主播，记为第一类主播；

根据所述主播推荐模型，计算其他主播与所述第一类主播之间的相似距离；所述其他主播是指所有主播中除去所述第一类主播之外的主播；

根据相似距离的大小关系，从所述其他主播中选择预设个数的主播，将所选择的主播作为待推荐的主播。

在具体实现时，历史操作行为是指用户在直播平台上实施的与直播相关的操作行为，如用户在搜索框的直播视频搜索行为，直播视频查看行为，对直播视频的点赞行为、对直播视频的收藏行为、对主播的收藏行为、对直播视频的评论行为，等等。

在具体实现时，根据观众在该直播平台的历史操作行为，确定用户实际感兴趣的主播，记为R个主播，R为大于等于1的整数数值，这R个主播在直播平台中都具有唯一编码，分别记为interest_anchor_1、interest_anchor_2、…interest_anchor_R，将确定的这R个主播记作为第一类主播。

其中，在具体实现时，服务端可以通过以下方式确定第一类主播的个数R，一种方式是，R取值为HistoryCnt,HistoryCnt是服务端根据观众的历史操作行为分析出的用户实际感兴趣的所有主播的总数目；另一种方式是，服务端按照取值公式min(R1，HistoryCnt)，即R取值为R1和HistoryCNT中的最小值，其中R1是直播平台根据实际需求所设定的主播个数，例如R1取值为3，在实际应用中，为了减少运算量，R1取值为大于1的个位数。

在确定出第一类主播之后，服务端利用主播推荐模型，计算其他主播与这R个主播之间的相似距离，其中，其他主播是指直播平台中所有主播除去这R个主播之外的主播。例如：对于主播anchor_i(1≤i≤M)，不属于主播interest_anchor_1、interest_anchor_2、…interest_anchor_R，则计算主播anchor_i与这R个主播的相似距离，具体计算公式如下：

根据上述公式(3)，计算出其他主播与这R个主播的相似距离dist_i，然后，按照相似距离的大小关系，从所述其他主播中选择预设个数的主播，将所选择的主播作为待推荐的主播。例如，预设个数为h，则从其他主播中选择相似距离较小的h个主播，将这h个主播作为待推荐的主播。由于，相似距离越小，说明两个主播的脸部特征越相似，则根据相似距离为用户选择的待推荐主播，是符合用户实际审美标准的。

利用上述方式，本申请实施例能够根据观众的历史操作行为，为观众提供更多地符合其实际审美标准的待推荐主播的相关信息，以提用户提供更多的选择，提升用户体验。

以上是本申请提供的在服务端的直播推荐方法实施例的介绍，下面将站在观众客户端对直播推荐方法作描述。

参见图6，为本申请实施例提供的观众客户端侧的直播推荐方法的流程图，如图6所示，该方法包括：

步骤601，接收服务端发送的主播推荐列表，所述主播推荐列表用于记录待推荐的主播的相关信息；

使用直播平台的观众客户可以预先设置待推荐的主播个数，在接收到服务端发送的主播推荐列表时，先选择预先设置的待推荐主播个数个主播，并将其相关信息，作为即将要推荐的内容，为后续为用户推荐有价值的信息作数据准备。

步骤602，根据所述主播推荐列表为用户展示直播相关信息。

可选的，步骤602可以按照如下方式实现：

根据主播推荐列表为用户展示待推荐的主播信息，所述待推荐的主播信息，包括：主播名称、主播的脸部图像、主播发布的直播视频、主播发布的直播视频的网络连接，等一种或多种信息。

在具体实现时，观众客户端根据主播推荐列表，在主播推荐页展示主播名称，观众看到这些主播名称(例如：一些明星、网红)，凭借自己对这些主播的以往视觉印象，来确定自己感兴趣的主播，进而在直播平台的搜索框中搜索自己感兴趣的主播的相关直播视频。

在具体实现时，观众客户端根据主播推荐列表，在主播推荐页展示主播名称、主播的脸部图像，该主播的脸部图像与主播相关直播视频页数据关联；则观众看到主播推荐页展示的脸部图像，可快速确定自己感兴趣的主播，通过点击该主播的脸部图像，进入该主播的直播视频页，选择感兴趣的直播视频进行查看。

在具体实现时，观众客户端根据主播推荐列表，在主播推荐页展示：主播名称、主播的脸部图像以及该主播发布的直播视频；则观众看到主播推荐页展示的脸部图像，可快速确定自己感兴趣的主播，进而在该主播推荐页直接点击查看该主播的相关直播视频。

可选地，根据主播推荐列表为用户展示直播相关信息，包括：

从所述主播推荐列表中选择预设个数的主播的相关信息；

在直播推荐页面展示选择的主播的相关信息，所述主播的相关信息包括：主播的脸部图像和主播相关直播视频的网络链接。

在具体实现时，直播平台或者使用该直播平台的观众客户可以预先设置待推荐的主播个数，根据接收到服务端发送的主播推荐列表，从中选择符合预先设置个数要求的主播，作为即将推荐的主播，并关联其相关信息。其中，主播的相关信息包括：主播的脸部图像、主播相关直播视频的网络链接，也可以包括其他信息如主播个人信息，身高、体重、学历等等。

接着，观众客户端展示上述待推荐的主播的相关信息，观众客户可以根据脸部图像选择符合自己审美标准的主播，点击其脸部图像，可以呈现该主播的所有直播视频，在所有该主播的直播视频中选择自己可能感兴趣的直播进行观看，具体效果如图7所示。在图7中，左侧图显示的是主播推荐页面，该页面上显示三个主播，这三个主播的脸部特征不相同，针对每个主播在该主播推荐页面上设置有对应的显示区域，该显示区域分为上下两块区域，上面用于显示主播的脸部图像，下面用于显示该主播的直播主题，例如可以是该主播发布的点击量最高的直播视频的主题，或者主播自定义的直播主题等，由于一页展示的主播数量有限，因此，当所有主播的相关信息无法在一页显示完毕时，则通过翻页控件来实现多页显示，翻页控件的形式有多种，图7仅一种示例。

观众根据自身喜好，选择自己喜欢的主播，点击其脸部图像下方的直播视频的网络链接，页面发生跳转，从直播推荐页跳转到直播视频推荐页，在该直播视频推荐页显示该主播相关的直播视频，以方便用户选择自己感兴趣的直播视频进行查看。在直播视频页中可以按照直播视频的点击量高低顺序排序各个直播视频，也可以按照发布时间顺序排序各个直播视频。

观众客户可以根据脸部图像选择符合自己审美标准的主播，点击查看该主播相关直播视频的网络链接，如图8所示的直播主题链接，此时观众客户端控制页面发生跳转，从主播推荐页跳转到直播视频播放页，则在该直播视频播放页展示与直播主题链接关联的具体直播视频，

如图8所示，观众点击某个自己可能喜欢的主播下面的直播主题链接，页面进行跳转，跳转后直播视频播放页上显示具体直播视频，当然，在具体实现时，也可以在该直播视频播放页上显示与该主播相关的其他直播视频，方便用户选择。

通过上述为观众客户端展示主播推荐列表的方法，可以让观众客户直观的从脸部审美的角度，选择脸部轮廓和五官符合自己审美的主播，观看其直播的视频，提高直播推荐效率。

根据所述直播推荐列表中的主播相关信息，从直播数据库中获取主播相关的直播视频；

在直播推荐页面上展示获取的直播视频。

在具体实现时，该方法是跟直播推荐列表中的主播，在直播平台的数据库中找到与上述每个主播相关的直播视频，并且根据直播视频的截止到当前的点击量从高到低排列，或者根据直播视频的观众点赞或者评论数量从高到低排列，展示主播账户名或者编号等唯一标识该主播的信息，以及预定数个直播视频在每个推荐的主播的对应区域，并且在观众客户终端设备的某一直播平台的直播推荐页面上展示。

观众客户在直播推荐页面上选择直播视频的静态显示图像中符合自己审美标准的主播，如果想要从该主播的所有直播视频中选择感兴趣的内容进行观看，点击其主播编号或者账户名，就可以链接到该主播所有直播视频展示的页面，选择感兴趣的内容观看即可，具体的效果如图9所示。如图9左侧图所示，观众点击自己感兴趣的主播编号或者账户名称，页面将跳转到图9右侧图的显示页面，在该页面的顶端显示该主播的脸部图像以及其基本信息，下面将显示该主播的所有直播视频，方便用户选择自己感兴趣的直播视频。

观众客户在直播推荐页面上选择直播视频的静态显示图像中符合自己审美标准的主播，如果推荐页面上的直播视频有观众客户想要观看的内容，直接点击直播推荐页面上的该直播视频即可，同理，在观看的视频的下方或者右边，会出现该主播的其他直播视频，作为备选及后续推荐，具体的效果如图10所示。

通过上述为观众客户端展示主播推荐列表的方法，可以让观众客户直接通过推荐每个主播的预设个数个直播视频，选择脸部轮廓和五官符合自己审美的主播的同时，了解该主播的大致直播类型，进一步准确的找到符合自己需求的直播视频，提高直播推荐效率。

除了上述两种在观众的直播平台推荐页面上的主播展示形式，还可以包括当然，展示主播推荐列表的形式不仅仅限制在上述几种方式，在本申请实施例中对主播推荐列表的展示方式不作严格限定。

本申请实施例提供的观众客户端侧的直播推荐方法，主要通过主播的脸部图像或者主播的直播视频静态图像，展现给观众客户脸部轮廓和五官类型不同的主播及其直播视频；或者通过对观众客户在直播平台的历史记录，分析、计算该观众客户喜欢的主播的脸部特征，找出与该主播最为相似的主播，将其直播的视频展示给观众客户。这样的直播推荐是基于观众客户对于主播脸部特征的审美标准，使直播推荐更加具有针对性，而且对于直播平台的观众客户而言，可以快速、便捷的找到喜欢的直播视频。

可选地，本申请实施例除了以上在服务端的直播推荐方法实施例之外，本申请在服务端的直播推荐方法还包括向主播推荐直播可能受欢迎的直播内容，具体实现在下面进行描述。

参见图11，为本申请实施例提供的服务端侧的直播推荐方法的流程图，如图11所示，该方法包括：

步骤1101，为主播生成商品类目推荐列表；

所述商品类目推荐列表用于记录关注所述主播的用户群体的目标商品类目；所述用户群体的目标商品类目是根据所述用户群体对商品的历史操作行为分析得到的。

在具体实现时，服务端针对某个主播，获取关注该主播的用户的历史操作行为，根据每个用户的历史操作行为，分析每个用户感兴趣的商品类目，然后针对该主播，统计其用户群体所感兴趣的商品类目，用户群体所感兴趣的商品类目就是目标商品类目，根据这些目标商品类型生成该主播对应的商品类目推荐列表，以备后续向每个主播客户端推送，指导主播选择要进行直播的内容。

需要说明的是，在本申请实施例中，将关注某个主播的用户也称之为该主播的粉丝，而该主播的粉丝是指在直播平台中与该主播有过直接或间接交互的用户；例如，在直播平台中搜索过该主播、查看过该主播发布的直播视频、收藏过该主播、收藏过该主播的直播视频，等等，具有上述行为的用户，都称为该主播的粉丝。

步骤1102，向主播客户端发送所述商品类目推荐列表。

在具体实现时，服务端根据关注主播的用户群体的历史操作行为，为该主播生成对应的商品类目推荐列表，发送给主播客户端，以在主播客户端上显示该商品类目推荐列表的内容，供主播参考选择下一次直播的主题和商品类目。

可选地，为主播生成商品类目推荐列表，包括：

步骤1103，针对关注所述主播的用户群体中的每个用户，获取每个用户所关注的商品信息，对所述商品信息进行商品类目归类；

在具体实现时，针对某一主播生成商品类目推荐列表，首先，获取关注、收藏该主播或者其直播视频的用户，或者观看该主播的直播视频的用户；并且将上述每个用户的所关注的商品信息进行商品类目归类。比如，将商品类目分为：衣服、鞋包、电子、食品等，并将对各个类目感兴趣的用户的历史行为进行统计。

步骤1104，根据每个用户对商品的历史行为统计用户对商品的兴趣值，根据商品的兴趣值计算所述商品类目中每个商品类目的兴趣值；

在具体实现时，经过对商品类目的归类，根据每个用户对商品的历史行为(如购买数量、浏览次数、收藏与否等)进行统计，并且分配每种历史行为的兴趣值，然后以兴趣值作为权重，对每个商品类目的每件商品涉及的用户数量、商品的历史行为次数以及兴趣值进行加权，将得到的加权值作为每个商品类目的兴趣值。

步骤1105，按照商品类目的兴趣值排序大小关系，生成商品类目推荐列表。

在具体实现时，根据每个商品类目的兴趣值的大小，将该主播的用户群体的感兴趣商品进行一个排序，按照商品类目的兴趣值从大到小的顺序生成商品类目推荐列表，以备后续将该列表发生给对应的主播客户端，方便主播选取要直播的主题和内容。

上述实施例根据近期主播的粉丝对商品的收藏、购买等行为，向主播推荐最可能让其粉丝群体感兴趣的销售商品类别。这个过程涉及到对该主播的所有粉丝的商品偏好的统计和分析，因此建议定期地(例如每天)、离线地执行这个过程，并在固定时间点将分析结果反馈给主播，例如可以定时在每天晚上24时00分对每个主播反馈***的分析结果。

本申请实施例针对如何生成商品类目推荐列表，还提供了一种具体的实现方式，参见图12，该实现方式包括：

S120，对每一个粉丝，获取该粉丝收藏夹中的商品列表，记为List0；获取该粉丝购物车中的商品列表，记为List1；获取该粉丝近3个月的历史购买记录中的商品列表，记为List2。

在具体实现时，常常有大量的用户关注同一主播，即该主播拥有大量的粉丝，为了准确地为主播推荐其粉丝群体所偏好的商品类目，就需要对粉丝群体中的每个粉丝对商品类目的偏好情况进行分析，则需要对每个粉丝都按照图12所示方式进行处理。

由于，用户将商品添加到收藏夹、购物车、或者已经购买某个商品，这些特征足以说明用户对商品的感兴趣程度，因此，在图12所示方式中，采用收藏夹、购物车、购买记录来体现每个粉丝感兴趣的商品以及感兴趣程度。但在具体实现时，也可以采用粉丝在平台上的历史浏览记录、搜索记录等信息来分析用户对哪些商品感兴趣，以及对商品的具体感兴趣程度。

S121，将商品的总类目数记为TypeNum,将类目编号记为type_i(0≤i≤TypeNum)，将类目type_i的统计分值记为intrestValue[i](0≤i≤TypeNum)；初始化intrestValue[i]＝0。

S122,将收藏夹的权重因子记为value0，扫描List0中所有商品，若某个商品属于类目type_i,则令intrestValue[i]＝intrestValue[i]+value0。

S123,将购物车的权重因子记为value1，扫描List1中所有商品，若某个商品属于类目type_i,则令intrestValue[i]＝intrestValue[i]+value1。

S124，将历史购买记录的权重因子记为value2，扫描List2中所有商品，若某个商品属于类目type_i,intrestValue[i]＝intrestValue[i]+value2。

上述权重因子value0，value1，value2可以根据实际情况进行具体的设定，并不是固定不变的。在具体实现时，可以是value0≥value1≥value2，或者value0≤value1≤value2。三个权重因子value0，value1，value2可以都设置为相同的值，也可以设置其中两个的值相同，也可以设置为三个各不相同的值，在这里不作具体限定。

S125，对每个类目的分值intrestValue[i](0≤i≤TypeNum)按从大到小的顺序进行排序，向主播反馈排名在前若干名的商品类目列表；例如，intrestValue[i]最大的前10个商品类目。

通过本申请实施例的方法，服务端向主播推荐粉丝感兴趣的商品类目，方便主播根据推荐的商品类目来确定直播主题和具体推荐商品，以提高其直播效果。

以上是本申请提供的在服务端，为主播进行商品类目推送的直播推荐方法实施例的介绍，下面将从主播客户端的角度对直播推荐方法进行介绍。

参见图13，为本申请实施例提供的主播客户端侧的直播推荐方法的流程图，如图13所示，该方法包括：

步骤1301，接收服务端发送的商品类目推荐列表，所述商品类目推荐列表用于记录关注主播的用户群体的目标商品类目；所述用户群体的目标商品类目是根据所述用户群体对商品的历史操作行为分析得到的；

在具体实现时，服务端向主播客户端发送属于每个主播的对应的商品类目推荐列表，该列表记录了关于关注主播的用户群体的目标商品类目以及对每个类目的感兴趣值，并且发送的商品类目推荐列表应该是服务端根据商品类目的感兴趣值从大到小进行排序后的列表。

步骤1302，根据所述商品类目推荐列表为主播展示商品类目。

在具体实现时，主播客户端可以专门设置一个商品类目推荐页面，专门显示为主播推荐的商品类目；主播客户端可以在已有的主播个人主页上划分一个显示区域，在该显示区域内显示为主播推荐的商品类目；主播客户端也可以在已有的主播个人主页上设置一个功能控件，该功能控件用于查看为主播推荐的商品类目。

举例说明：参见图14，图14示出了主播客户端显示的商品类目推荐示意图，

在图14中，左侧图为主播个人主页，该主播个人主页包括用于显示主播相关信息的功能模块，如“个人基本信息”，“我的资产“(如账户余额、礼物、金币等)”、“会员中心”、“评论”、“收藏夹”等功能模块；在主播个人主页上设置一个功能控件“商品类目推荐列表”，通过该功能控件，方便主播查看为其推荐的商品类目。主播可点击该功能控件，查看相关推荐内容，则页面跳转到具体的商品类目推荐页面，在该商品类目推荐页上展示商品类目。

当然，商品类目推荐页面的展示形式并不局限于图14，本申请实施例还提出了一种展示方式，参见图15，在图15中，商品类目推荐页面上展示每个商品类目相关的信息，如该商品类目下的相关商品，感兴趣人数，以及用户对各个商品感兴趣的占比等等，这样更直观地为主播推荐商品类目，方便主播根据该商品类目确定下一次直播内容。

图14和图15中的显示推荐的商品类目均为实际的商品类目，如衣服、鞋包等，但是，实际推荐的商品类目不限于此，还包括一些服务类、金融类等虚拟商品的推荐，在本申请实施例中不对商品类目和具体商品作限制。

通过上述在主播客户端的接收观众可能受欢迎的商品类目推荐列表的直播推荐方法的实施例，根据服务端将统计和计算得到的每个主播的用户群体的商品类目推荐列表，发送给主播客户端，主播客户端接收到该列表并且将其展示在自己终端设备的直播平台的显示页面上，主播可以直观的参考和选择接下来要进行直播的主题和内容，让主播可以根据此列表以及该列表的更新，定时掌握应该要直播的内容，提高直播的有效性。

上文描述本申请提供的***和方法类技术方案，下文对本申请提供的直播推荐装置进行解释说明。

参见图16，图16示出了本申请实施例提供的应用于服务端的直播推荐装置，如图16所示，该装置包括：

选择模块1601，用于为用户选择待推荐的主播；优选地，该选择模块1601的处理过程可参见上文图3所示实施例的实现。

生成模块1602，用于生成所述用户的主播推荐列表，所述主播推荐列表用于记录所述待推荐的主播的相关信息；优选地，该生成模块1602的处理过程可参见上文图3所示实施例的实现。

发送模块1603，用于向观众客户端发送所述主播推荐列表。优选地，该发送模块1603的处理过程可参见上文图3所示实施例的实现。

参见图17，图17示出了本申请实施例提供的应用于观众客户端的直播推荐装置，如图17所示，该装置包括：

接收模块1701，用于接收服务端发送的主播推荐列表，所述主播推荐列表用于记录待推荐的主播的相关信息；优选地，该接收模块1701的处理过程可参见上文图6所示实施例的实现。

展示模块1702，用于根据所述主播推荐列表为用户展示直播相关信息。优选地，该接收模块1702的处理过程可参见上文图6所示实施例的实现。

参见图18，图18示出了本申请实施例提供的应用于主播客户端的直播推荐装置，如图18所示，该装置包括：

接收模块1801，用于接收服务端发送的商品类目推荐列表，所述商品类目推荐列表用于记录关注主播的用户群体的目标商品类目；所述用户群体的目标商品类目是根据所述用户群体对商品的历史操作行为分析得到的；优选地，该接收模块1801的处理过程可参见上文图13所示实施例的实现。

展示模块1802，用于根据所述商品类目推荐列表为主播展示商品类目。优选地，该接收模块1802的处理过程可参见上文图13所示实施例的实现。

参见图19，图19示出了本申请实施例提供的一种主播推荐模型训练装置的结构图，如图19所示，该装置包括：

获取模块1901，用于获取主播的包含人体特征的图像；优选地，该获取模块1901的处理过程可参见上文图4所示实施例的实现。

检测模块1902，用于检测所述图像得到表征人体结构特征的关键点；优选地，该检测模块1902的处理过程可参见上文图4所示实施例的实现。

计算模块1903，根据每个图像对应的关键点计算每个主播对应的特征向量；优选地，该计算模块1903的处理过程可参见上文图4所示实施例的实现。

生成模块1904，用于根据所有主播的特征向量生成主播推荐模型。优选地，该生成模块1904的处理过程可参见上文图4所示实施例的实现。

需要说明的是，本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。对于装置类实施例、***类实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物品或者设备不仅包括那些要素，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、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上对本申请所提供的一种直播推荐方法、装置和***进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。

Claims

1.一种直播推荐***，其特征在于，包括：

2.根据权利要求1所述的***，其特征在于，所述服务端，还用于为主播生成商品类目推荐列表，向主播客户端发送所述商品类目推荐列表；

则所述***还包括：

主播客户端，用于接收所述商品类目推荐列表，根据所述商品类目推荐列表为主播推荐商品类目。

3.一种直播推荐方法，其特征在于，所述方法应用于服务端，所述方法包括：

为用户选择待推荐的主播；

向观众客户端发送所述主播推荐列表。

4.根据权利要求3所述的方法，其特征在于，

根据直播数据库中的所有主播的人体特征为用户选择待推荐的主播。

5.根据权利要求4所述的方法，其特征在于，

根据主播推荐模型为用户选择待推荐的主播；所述主播推荐模型是将直播数据库中的主播的人体特征作为训练数据训练得到的数学模型。

6.根据权利要求5所述的方法，其特征在于，

所述主播推荐模型是通过聚类算法对直播数据库中的每个主播的特征向量进行聚类分析生成的，其中，所述特征向量是用于表征人体脸部特征的多维向量。

7.根据权利要求5所述的方法，其特征在于，所述根据主播推荐模型为用户选择待推荐的主播，包括：

根据所述主播推荐模型，选择每个主播类别中归属值最大的主播，将所选择的主播作为待推荐的主播；其中，所述归属值是指主播属于某个主播类别的概率值。

8.根据权利要求5所述的方法，其特征在于，所述根据主播推荐模型为用户选择待推荐的主播，包括：

9.根据权利要求5所述的方法，其特征在于，所述方法还包括：

为主播生成商品类目推荐列表，向主播客户端发送所述商品类目推荐列表；所述商品类目推荐列表用于记录关注所述主播的用户群体的目标商品类目；所述用户群体的目标商品类目是根据所述用户群体对商品的历史操作行为分析得到的。

10.根据权利要求9所述的方法，其特征在于，所述为主播生成商品类目推荐列表，包括：

针对关注所述主播的用户群体中的每个用户，获取每个用户所关注的商品信息，对所述商品信息进行商品类目归类；

根据每个用户对商品的历史行为统计用户对商品的兴趣值，根据商品的兴趣值计算所述商品类目中每个商品类目的兴趣值；

按照商品类目的兴趣值排序大小关系，生成商品类目推荐列表。

11.一种直播推荐方法，其特征在于，所述方法应用于观众客户端，所述方法包括：

根据所述主播推荐列表为用户展示直播相关信息。

12.根据权利要求11所述的方法，其特征在于，所述根据所述主播推荐列表为用户展示直播相关信息，包括：

根据主播推荐列表为用户展示待推荐的主播信息，所述待推荐的主播信息，包括：主播名称、主播的脸部图像、主播发布的直播视频、主播相关直播视频的网络链接中的一种或多种信息。

13.根据权利要求11所述的方法，其特征在于，所述根据所述主播推荐列表为用户展示直播相关信息，包括：

从所述主播推荐列表中选择预设个数的主播的相关信息；

14.根据权利要求11所述的方法，其特征在于，所述根据所述主播推荐列表为用户展示直播相关信息，包括：

在直播推荐页面上展示获取的直播视频。

15.一种直播推荐方法，其特征在于，所述方法应用于主播客户端，所述方法包括：

根据所述商品类目推荐列表为主播展示商品类目。

16.一种直播推荐装置，其特征在于，所述装置应用于服务端，所述装置包括：

选择模块，用于为用户选择待推荐的主播；

发送模块，用于向观众客户端发送所述主播推荐列表。

17.一种直播推荐装置，其特征在于，所述装置应用于观众客户端，所述装置包括：

18.一种直播推荐装置，其特征在于，所述装置应用于主播客户端，所述装置包括：

19.一种主播推荐模型训练方法，其特征在于，所述方法：

获取主播的包含人体特征的图像；

检测所述图像得到表征人体结构特征的关键点；

根据每个图像对应的关键点计算每个主播对应的特征向量；

根据所有主播的特征向量生成主播推荐模型。

20.根据权利要求19所述的方法，其特征在于，

所述图像为包含脸部特征的脸部图像。

21.根据权利要求20所述的方法，其特征在于，所述检测所述图像得到表征人体结构特征的关键点，包括：

采用人脸关键点检测算法检测图像得到表征人脸特征的关键点。

22.根据权利要求19所述的方法，其特征在于，所述根据所有主播的特征向量生成主播推荐模型，包括：

采用聚类算法对所有主播各自对应的特征向量进行聚类分析得到特征聚类矩阵，记为主播推荐模型。

23.一种主播推荐模型训练装置，其特征在于，所述装置包括：

获取模块，用于获取主播的包含人体特征的图像；