CN111881940B - 直播连麦匹配方法、装置、电子设备及存储介质 - Google Patents

Abstract

本申请公开了一种直播连麦匹配方法、装置、电子设备及存储介质，该方法包括：获取匹配池中的多个待匹配主播；获取多个待匹配主播之间的比拼组合集合，比拼组合由多个待匹配主播中的两个不相同的待匹配主播构成；基于预先训练的比拼预测模型获取比拼组合集合中每个比拼组合的预测总比拼值，其中，比拼预测模型根据训练样本对神经网络模型训练得到；根据预测总比拼值，从比拼组合集合中确定出预测总比拼值之和最大的多个比拼组合，作为多个待匹配主播的直播连麦匹配结果，其中，多个比拼组合中不存在相同的待匹配主播。本申请通过预测总比拼值对匹配池中的主播进行匹配，可以提高连麦PK的直播效果，促进直播电商的转化率与成交额。

Description

直播连麦匹配方法、装置、电子设备及存储介质

技术领域

本申请涉及互联网直播技术领域，更具体地，涉及一种直播连麦匹配方法、装置、电子设备及存储介质。

背景技术

随着互联网技术的快速发展，多媒体直播以其形式新颖、内容丰富受到人们的广泛关注，并随着观看直播的用户逐渐增多，直播平台的功能也在不断发展。其中，主播之间的连麦PK(比拼)就是其中的一种。但目前连麦PK的匹配机制单一，通常是随机匹配，易出现双方主播的直播水平差距较大的问题，直播互动的效果不佳。

发明内容

本申请实施例提出了一种直播连麦匹配方法、装置、电子设备及存储介质，可以提高连麦PK的直播效果。

第一方面，本申请实施例提供了一种直播连麦匹配方法，该方法包括：获取匹配池中的多个待匹配主播；获取所述多个待匹配主播之间的比拼组合集合，所述比拼组合集合包括至少一个比拼组合，所述比拼组合由所述多个待匹配主播中的两个不相同的待匹配主播构成；基于预先训练好的比拼预测模型获取所述比拼组合集合中每个比拼组合的预测总比拼值，其中，所述比拼预测模型根据训练样本对神经网络模型训练得到，所述训练样本包括比拼组合样本以及与所述比拼组合样本对应的总比拼值样本；根据所述预测总比拼值，从所述比拼组合集合中确定出所述预测总比拼值之和最大的多个比拼组合，作为所述多个待匹配主播的直播连麦比拼的匹配结果，其中，所述多个比拼组合中不存在相同的待匹配主播。

第二方面，本申请实施例提供了一种直播连麦匹配装置，该装置包括：主播获取模块，用于获取匹配池中的多个待匹配主播；组合获取模块，用于获取所述多个待匹配主播之间的比拼组合集合，所述比拼组合集合包括至少一个比拼组合，所述比拼组合由所述多个待匹配主播中的两个不相同的待匹配主播构成；预测获取模块，用于基于预先训练好的比拼预测模型获取所述比拼组合集合中每个比拼组合的预测总比拼值，其中，所述比拼预测模型根据训练样本对神经网络模型训练得到，所述训练样本包括比拼组合样本以及与所述比拼组合样本对应的总比拼值样本；结果确定模块，用于根据所述预测总比拼值，从所述比拼组合集合中确定出所述预测总比拼值之和最大的多个比拼组合，作为所述多个待匹配主播的直播连麦比拼的匹配结果，其中，所述多个比拼组合中不存在相同的待匹配主播。

第三方面，本申请实施例提供了一种电子设备，包括：存储器；一个或多个处理器，与所述存储器耦接；一个或多个应用程序，其中，一个或多个应用程序被存储在存储器中并被配置为由一个或多个处理器执行，一个或多个程序配置用于执行上述第一方面提供的直播连麦匹配方法。

第四方面，本申请实施例提供了一种计算机可读取存储介质，计算机可读取存储介质中存储有程序代码，程序代码可被处理器调用执行上述第一方面提供的直播连麦匹配方法。

本申请实施例提供的一种直播连麦匹配方法、装置、电子设备及存储介质，在获取到匹配池中的多个待匹配主播后，通过获取多个待匹配主播之间的比拼组合集合，该比拼组合集合包括至少一个比拼组合，比拼组合由多个待匹配主播中的两个不相同的待匹配主播构成，以基于预先训练好的比拼预测模型获取该比拼组合集合中每个比拼组合的预测总比拼值，从而可根据预测总比拼值，从比拼组合集合中确定出预测总比拼值之和最大的多个比拼组合，作为多个待匹配主播的直播连麦比拼的匹配结果，其中，多个比拼组合中不存在相同的待匹配主播。本申请通过预先训练的比拼预测模型，能够比较准确对各种比拼组合的总比拼值进行预测，从而可根据各种比拼组合的预测总比拼值，对匹配池中的多个待匹配主播进行合理配对。通过将预测总比拼值之和最大的多个比拼组合，作为该匹配池的连麦PK的匹配结果，能够剔除掉因不合理配对导致匹配出的多个比拼组合的总比拼值不会太高的方案，避免出现配对主播双方的直播水平差距较大的问题，同时也能提高直播连麦PK的激烈程度，提升了连麦PK的直播效果，进而提高了各个主播直播间的留存率，也促进了直播电商的转化率与成交额。

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，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1示出了本申请实施例提供的一种直播连麦匹配方法的应用场景图。

图2示出了本申请一个实施例提供的直播连麦匹配方法的流程示意图。

图3示出了本申请实施例提供的一种效果示意图。

图4示出了本申请另一个实施例提供的直播连麦匹配方法的流程示意图。

图5示出了本申请实施例的直播连麦匹配方法中的步骤S230的流程示意图。

图6示出了本申请实施例的直播连麦匹配方法中的步骤S232的流程示意图。

图7示出了适用于本申请实施例的一种比拼预测模型的数据流向示意框图。

图8示出了本申请实施例的直播连麦匹配方法中的步骤S240的流程示意图。

图9示出了本申请又一个实施例提供的直播连麦匹配方法的流程示意图。

图10示出了本申请实施例的直播连麦匹配方法中的步骤S310的流程示意图。

图11示出了本申请实施例的直播连麦匹配方法中的步骤S313的流程示意图。

图12示出了适用于本申请实施例的一种实力预测模型的数据流向示意框图。

图13示出了本申请实施例提供的一种直播连麦匹配装置的模块框图。

图14示出了本申请实施例提供的一种电子设备的结构框图。

图15示出了本申请实施例的用于保存或者携带实现根据本申请实施例的直播连麦匹配方法的程序代码的存储单元。

具体实施方式

为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述。

请参见图1，图1示出了本申请实施例提供的直播连麦匹配方法的应用场景的示意图，该应用场景包括本申请实施例提供的一种直播互动***10。该直播互动***10包括：终端设备100以及服务器200。其中，终端设备100和服务器200位于无线网络或有线网络中，终端设备100和服务器200可以进行数据交互。在一些实施方式中，终端设备100可以为多个，服务器200可以与多个终端设备100通信连接，多个终端设备100之间也可以相互通过互联网进行通信连接，也可以将服务器200作为传输中介，并通过互联网来实现相互间的数据交互。

在本申请实施例中，终端设备100可以是移动手机、智能手机、笔记本电脑、台式电脑、平板电脑、个人数字助理(Personal Digital Assistant，PDA)、媒体播放器、智能电视、可穿戴电子设备等，具体的终端设备类型在本申请实施例中可以不作为限定。服务器200可以是单独的服务器，也可以是服务器集群，可以是本地服务器，也可以是云端服务器，具体的服务器类型在本申请实施例中可以不作为限定。

在一些实施例中，终端设备100内可以安装有客户端。该客户端可以是安装在终端设备100上的计算机应用程序(Application，APP)，也可以是Web客户端，该Web客户端可指基于Web架构而开发的应用程序。用户在客户端通过帐号登录，则该帐号对应的所有信息可以存储在服务器200的存储空间内。其中，该账号对应的信息包括用户通过客户端输入的信息以及用户通过客户端接收的信息等。

在一些实施方式中，客户端可以是直播平台的应用程序，客户端的直播界面上可显示直播内容。其中，客户端可以根据用户的不同而分为：主播使用的客户端和观众使用的客户端。主播可以通过使用的客户端将本地摄像头采集到的视频上传给服务器200，然后由服务器200将该直播视频转发给与主播处于同一频道(或直播间)的所有观众使用的客户端，使得观众使用的客户端的直播界面上可显示该直播视频。

在一些实施例中，直播平台可以允许多个主播连麦，进行多主播的互动直播。作为一种方式，直播平台可以提供一种由两个或两个以上的主播进行跨频道连麦，且进行比拼(PK赛事)的直播互动方式，该方式可在直播界面中显示连麦的主播各自所在频道的直播视频画面。主播可以通过这种方式进行PK赛事，比如PK唱歌、舞蹈之类的才艺表演，从而吸引到更多的观众。

进一步地，客户端也可接收用户基于客户端输入的触发事件(如点击事件、触摸事件等)，该触发事件可作用于直播界面上所显示的操控对象。客户端接收到该触发事件，可执行与该触发事件所作用的操控对象对应的操作。其中，操控对象可以是直播界面上所显示的整个画面，也可以是画面中的显示内容。作为一种方式，操控对象可以是画面中显示的虚拟礼物，观众使用的客户端在接收到作用于虚拟礼物的触发事件时，可触发执行对应的操作。例如，生成互动数据发送给服务器200，由服务器200将该互动数据转发给同一频道(或直播间)的主播使用的客户端以及其他观众使用的客户端。从而使得用户在直播间观看直播的同时，可以向直播间的主播赠送虚拟礼物，也可以看到其他用户赠送的虚拟礼物，以实现观众与主播的互动，观众与观众的互动。进一步地，在直播比拼过程时，观众可以以赠送虚拟礼物的方式为相应主播进行助力(投票)，也即直播比拼期间观众赠送的虚拟礼物可以转换为比拼值(PK值)，累加至所赠送的主播的比拼条(PK条)或积分条上。如观众赠送1毛钱的礼物给主播，主播就可以增加1票。

然而，在相关技术中，直播连麦匹配机制单一，通常是随机匹配，易出现双方主播的直播水平差距较大的问题，直播互动效果不佳，这在一定程度上会直播间的观众留存率。因此为解决上述缺陷，本申请实施例提供了一种直播连麦匹配方法、装置、***、电子设备以及存储介质。下面将通过具体实施例进行详细说明。。

请参阅图2，图2示出了本申请实施例提供的一种直播连麦匹配方法的流程示意图，可应用于电子设备，该直播连麦匹配方法可以包括：

步骤S110：获取匹配池中的多个待匹配主播。

在本申请实施例中，为了提高直播间的用户留存率，主播与主播之间可以进行直播连麦比拼(Player Killing，PK)互动。其中，连麦PK互动可以涉及各种各样的比拼竞演的交互场景，例如进行游戏PK，唱歌、跳舞、变魔术、说相声等才艺PK等。当两个主播进行连麦PK互动时，客户端可以显示包括两个主播的连麦PK互动的直播界面。

例如，请参阅图3，图3示出了一种直播比拼中的直播界面示意图，当观众所在直播间的主播(我方主播)与其他直播间的主播(敌方主播)进行直播连麦PK互动时，观众使用的客户端显示的直播界面110中可包括我方主播所在频道的直播视频画面112，敌方主播所在频道的直播视频画面111以及比拼进度信息101(如连麦PK时间，连麦PK条等)。其中，显示有连麦PK互动的直播界面的客户端可以是观众使用的客户端，也可以是主播使用的客户端。

在一些实施例中，可以在直播界面中分开布局各个连麦PK主播的直播视频画面。作为一种方式，可以均匀布局各个连麦PK主播的直播视频画面。例如，请参阅图3，两位主播进行连麦PK互动时，直播界面的左半部分显示的是我方主播(即客户端当前所处直播间对应的主播)的直播视频画面112，右半部分显示的敌方主播(即连麦PK互动中除我方主播外的其他连麦PK主播)的直播视频画面111。作为另一种方式，也可以是使我方主播的直播视频画面于直播界面中的比例，大于敌方主播的直播视频画面于直播界面中的比例，以使观众集中注意力于我方主播的直播内容。

在一些实施例中，各个连麦PK主播的直播视频画面可以是占满整个直播界面，也可以是只占用直播界面的部分区域。具体的直播界面布局可根据用户需求设定，此处不作限定。例如，请参阅图3，我方主播所在频道的直播视频画面112，和敌方主播所在频道的直播视频画面111占用了直播界面10的部分区域，其他区域113可以是互动区域，可用于显示互动信息，如观众送礼物的消息，观众和观众的聊天消息等，也可用于操作送礼、发言或分享等功能控件。

进一步地，在一些实施例中，直播连麦PK互动中的PK主播可以是基于邀请机制确定，也可以是基于匹配机制确定。其中，基于邀请机制确定，可以是客户端当前所处直播间对应的主播主动邀请其他主播开始连麦PK互动，也可以是客户端当前所处直播间对应的主播被其他主播邀请开始连麦PK互动。基于匹配机制确定，可以是将多个待匹配PK对象的主播送入到一个匹配池中，由***对匹配池中的多个待匹配PK对象的主播进行随机匹配，从而保证匹配池中的每个主播都可以匹配到一个连麦PK主播对象。

目前，当基于匹配机制确定直播连麦PK互动中的连麦PK主播时，由于是随机匹配，易出现双方主播的直播水平差距悬殊的情况，从而导致PK呈一边倒的情况，降低了直播比拼给观众带来的刺激感，这在一定程度上也会影响到观众的参与度，以及双方主播的直播间的观众留存率。因此，在本申请实施例中，可以通过对各种比拼组合的总比拼值进行预测，以根据预测的总比拼值，对匹配池中的多个待匹配主播进行合理配对，能够剔除掉因不合理配对导致匹配出的多个比拼组合的总比拼值不会太高的方案，避免出现配对主播双方的直播水平差距较大的问题。

具体的，可以先获取匹配池中的多个待匹配主播，以根据待匹配主播确定可能存在的比拼租户。其中，待匹配主播即为待匹配PK对象的主播。

作为一种方式，当主播使用的客户端发起随机匹配模式的直播连麦PK互动的时候，如点击直播页面中对应的“对战模式-随机匹配”按钮，客户端可向服务器发送随机匹配指令，当服务器收到随机匹配指令时，可将正在发送随机匹配指令的主播ID放入匹配池。当然，如果有多个主播发起随机匹配模式的直播连麦PK互动时，服务器可将该多个主播的主播ID放入匹配池。从而当需要根据匹配机制对匹配池中的多个待匹配主播进行匹配时，可以获取到匹配池中存在的多个主播ID，即获取到匹配池中存在的多个待匹配主播。

步骤S120：获取所述多个待匹配主播之间的比拼组合集合，所述比拼组合集合包括至少一个比拼组合，所述比拼组合由所述多个待匹配主播中的两个不相同的待匹配主播构成。

在本申请实施例中，当获取到匹配池中的多个待匹配主播时，可以获取多个待匹配主播之间的比拼组合集合。其中，比拼组合集合可包括至少一个比拼组合，该比拼组合由多个待匹配主播中的两个不相同的待匹配主播构成。

在一些实施例中，可以对多个待匹配主播中的任意两个不相同的待匹配主播进行组合，以获取所有可能存在的两两配对的比拼组合，也即获得了多个待匹配主播之间的比拼组合集合。作为一种方式，可以先获取每个待匹配主播与匹配池中的其他主播可能存在的组合方案，然后再进行去重处理，从而可以得到多个互不相同的比拼组合，即多个待匹配主播之间的比拼组合集合。

可以理解的是，可以根据组合的定义来获取多个待匹配主播之间的比拼组合集合。也即，当匹配池中存在n个待匹配主播时，从n个待匹配主播中，任取2个主播并成一组，叫做从n个待匹配主播中选取出2个主播进行配对的一个比拼组合；从n个待匹配主播中取出的所有比拼组合，即为上述多个待匹配主播之间的比拼组合集合，比拼组合集合中包含的比拼组合的组合数可以为n(n-1)/2。

例如，若匹配池中存在主播A、B、C、D，则可能存在的组合方案(即比拼组合集合)有：(A，B)、(A，C)、(A，D)、(B，C)、(B，D)、(C，D)六个。也即组合数为4*3/2＝6。

步骤S130：基于预先训练好的比拼预测模型获取所述比拼组合集合中每个比拼组合的预测总比拼值，其中，所述比拼预测模型根据训练样本对神经网络模型训练得到，所述训练样本包括比拼组合样本以及与所述比拼组合样本对应的总比拼值样本。

由于双方主播的直播水平差距过大时，PK形势容易呈一边倒的情况，这在一定程度上会降低直播比拼给观众带来的刺激感，从而导致观众为相应主播助力(投票)的积极性不高，进而直播连麦PK结束时，PK双方的总比拼值也不高，连麦PK的直播效果并不佳。因此，在本申请实施例中，在获取到多个待匹配主播之间的比拼组合集合后，可以基于预先训练好的比拼预测模型，来获取比拼组合集合中每个比拼组合的预测总比拼值。以根据预测的总比拼值，对匹配池中的多个待匹配主播进行合理配对，能够剔除掉因不合理配对导致匹配出的多个比拼组合的总比拼值不会太高的配对方案，避免出现配对主播双方的直播水平差距较大的问题。其中，总比拼值可为直播比拼结束时，比拼组合中的两个主播所呈现的比拼值之和。

在一些实施例中，上述预先训练好的比拼预测模型可以是预先根据大量的训练样本对神经网络模型进行训练得到。其中，训练样本可以包括比拼组合样本以及与所述比拼组合样本对应的总比拼值样本。从而可根据预先训练好的比拼预测模型对上述比拼组合集合中每个比拼组合的总比拼值进行预测，也即预先训练好的比拼预测模型可用于根据输入的比拼组合，输出比拼组合对应的预测总比拼值。

在一些实施例中，直播平台可以对实际的直播连麦PK场景进行记录。从而可以将记录的参与直播连麦PK的双方主播，以及最终比拼结果所呈现的总比拼值，作为训练比拼预测模型的训练样本。也即可将历史比拼记录中，第x场连麦PK中的PK双方主播作为一个比拼组合样本，第x场连麦PK对应的最终比拼结果所呈现的总比拼值作为与该比拼组合样本对应的总比拼值样本。其中，x为历史比拼记录中记录的任意场次。从而可以根据历史记录的每场连麦PK，得到包含有大量训练样本的训练样本集合，进而可根据训练样本集合对比拼预测模型进行训练，保证了比拼预测模型的训练效果。

在一些实施例中，也可以根据实时记录的直播连麦PK，对训练样本进行更新。从而可根据贴合当前实际场景的训练样本，对比拼预测模型进行训练，从而使得训练好的比拼预测模型预测出的总比拼值更符合近期趋势，保证了比拼预测模型的预测精准度。

步骤S140：根据所述预测总比拼值，从所述比拼组合集合中确定出所述预测总比拼值之和最大的多个比拼组合，作为所述多个待匹配主播的直播连麦比拼的匹配结果，其中，所述多个比拼组合中不存在相同的待匹配主播。

在本申请实施例中，当获取到比拼组合集合中每个比拼组合的预测总比拼值时，可根据每个比拼组合的预测总比拼值，从比拼组合集合中确定出预测总比拼值之和最大的多个比拼组合，作为本次匹配池中的多个待匹配主播的直播连麦比拼的匹配结果，其中，确定出的多个比拼组合中不存在相同的待匹配主播。

在本申请实施例中，比拼组合的总比拼值的大小，可表明该比拼组合的比拼激烈程度高低，也可表明观众的参与积极性高低，还可表明连麦PK的直播效果的高低。也即当比拼组合的总比拼值越高时，说明该比拼组合的比拼激烈程度就越高，观众的参与积极性就越高，观众为主播的助力力度就越高，从而实现的连麦PK的直播效果就越好。因此，可根据比拼组合集合中每个比拼组合的预测总比拼值的大小排序，来确定出本次匹配池中的每个待匹配主播的PK对象的匹配结果，也即确定出本次匹配池中的多个比拼组合。其中，确定出的多个比拼组合中不存在相同的待匹配主播，也即单一匹配原则。

可以理解的是，由于最终确定出的两两配对的多个比拼组合中不能存在相同的主播，因此，当匹配池中存在n个待匹配主播时，虽然存在多种两两配对的匹配结果，但最终每种两两配对的匹配结果中都会包含n/2个比拼组合。例如，假设有20个主播在匹配池等待配对，无论是哪种两两配对的匹配结果，都会包含10个比拼组合。

示例性地，若匹配池中存在四个主播A、B、C、D，则存在六个组合方案：(A，B)、(A，C)、(A，D)、(B，C)、(B，D)、(C，D)。基于单一匹配原则，可能存在的一种两两配对的匹配结果为：{(A，B)、(C，D)}；可能存在的另一种两两配对的匹配结果为：{(A，C)、(B，D)}，可能存在的又一种两两配对的匹配结果为：{(A，D)、(B，C)}。可见，虽然存在多种两两配对的匹配结果，但于每种两两配对的匹配结果中，比拼组合之间都不存在相同的主播，且每种两两配对的匹配结果中都有4/2＝2个比拼组合。

由于从比拼组合集合中确定出的两两配对的匹配结果可能有多种，而其中的某些匹配结果中可能存在不合理配对的比拼组合。因此，需要从多种匹配结果中筛选出合理的一种匹配结果，以保证筛选出的匹配结果。

在本申请实施例中，可根据每个比拼组合的预测总比拼值，从比拼组合集合中确定出预测总比拼值之和最大的多个比拼组合，作为本次匹配池中的多个待匹配主播的直播连麦比拼的匹配结果。从而，通过筛选出预测总比拼值之和最大的匹配结果，作为本次匹配池中的多个待匹配主播的直播连麦比拼的匹配结果，综合考虑了匹配池中多个待匹配主播的每个主播的直播效果，以达到整体的直播效果的最优化。

可以理解的是，当一种匹配结果中存在不合理配对的比拼组合时，很大可能也影响了该匹配结果中的其他比拼组合的配对合理性，不仅不合理配对的比拼组合的总比拼值不会太高，其他比拼组合的总比拼值也会受到影响，从而导致该匹配结果中所有比拼组合的预测总比拼值之和也会受到影响。正因为该匹配结果的预测总比拼值之和受到影响，使得该匹配结果不会是上述预测总比拼值之和最大的匹配结果。也就是说，通过筛选出预测总比拼值之和最大的匹配结果，作为本次匹配池中的多个待匹配主播的直播连麦比拼的匹配结果，能够剔除掉因不合理配对导致匹配出的多个比拼组合的总比拼值之和受到影响(通常不会太高)的配对方案，从而既避免了配对主播双方的直播水平出现差距较大的问题，也保证了整体的直播效果的最优化。

本申请实施例提供的直播连麦匹配方法，在获取到匹配池中的多个待匹配主播后，通过获取多个待匹配主播之间的比拼组合集合，该比拼组合集合包括至少一个比拼组合，比拼组合由多个待匹配主播中的两个不相同的待匹配主播构成，以基于预先训练的比拼预测模型获取该比拼组合集合中每个比拼组合的预测总比拼值，从而可根据预测总比拼值，从比拼组合集合中确定出预测总比拼值之和最大的多个比拼组合，作为多个待匹配主播的直播连麦比拼的匹配结果，其中，多个比拼组合中不存在相同的待匹配主播。本申请通过预先训练的比拼预测模型，能够比较准确对各种比拼组合的总比拼值进行预测，从而可以根据总比拼值，对匹配池中的多个待匹配主播进行合理配对。通过将预测总比拼值之和最大的多个比拼组合，作为该匹配池的直播连麦比拼的匹配结果，能够剔除掉因不合理配对导致匹配出的多个比拼组合的总比拼值不会太高的方案，避免出现配对主播双方的直播水平差距较大的问题，同时也能提高直播连麦PK的激烈程度，提升了直播比拼效果，进而提高了各个主播直播间的留存率，也促进了直播电商的转化率与成交额。

请参阅图4，图4示出了本申请另一实施例提供的一种直播连麦匹配方法的流程示意图，可应用于电子设备，该直播连麦匹配方法可以包括：

步骤S210：获取匹配池中的多个待匹配主播。

在本申请实施例中，步骤S210可以参阅上述实施例的内容，在此不再赘述。

在一些实施例中，可以对匹配池中待匹配主播的数量进行限制，以保证获取匹配结果的时长不会太长，也即保证主播和观众等待的匹配时长不会太久，提高用户体验。其中，匹配池中限制的待匹配主播的数量可以根据需求合理设置，在此并不作限定。例如，为了使主播和观众等待的匹配时长在1-3秒左右，可以限制匹配池中待匹配主播的数量在20～50左右。

在一些实施例中，当同一时刻发起PK匹配请求的待匹配的主播的数量比较多时，可以生成多个匹配池，且每个匹配池中待匹配主播的数量都不超过上述限制的数量，从而每个匹配池可各种进行两两配对的匹配。也即，当任一匹配池中待匹配主播的数量在达到上述限制的数量时，都可直接根据本申请的直播连麦匹配方法获取到该匹配池对应的匹配结果。

作为另一种实施方式，当某个匹配池中待匹配主播的数量未达到上述限制的数量时，可以在等待指定时长后，直接根据本申请的直播连麦匹配方法获取对应的匹配结果，避免主播和观众的长时间等待。也即，在等待指定时长后，如果某个匹配池中待匹配主播的数量仍然未达到上述限制的数量，则可以停止等待，直接根据本申请的直播连麦匹配方法获取对应的匹配结果。其中，等待的指定时长可以根据需求合理设置，在此并不作限定。例如，可以设置等待1分钟。

步骤S220：获取所述多个待匹配主播之间的比拼组合集合，所述比拼组合集合包括至少一个比拼组合，所述比拼组合由所述多个待匹配主播中的两个不相同的待匹配主播构成。

步骤S230：基于预先训练的比拼预测模型获取所述比拼组合集合中每个比拼组合的预测总比拼值，其中，所述比拼预测模型根据训练样本对神经网络模型训练得到，所述训练样本包括比拼组合样本以及与所述比拼组合样本对应的总比拼值样本。

在本申请实施例中，步骤S210～步骤S230可以参阅上述实施例的内容，在此不再赘述。

在一些实施例中，可以根据主播的历史比拼记录，提取出历史比拼特征，对比拼预测模型进行训练。从而可从历史比拼记录中提取出于比拼预测模型有用的信息，且将原始数据转化为特征也能够更好表示比拼预测模型处理的实际问题，提升对于未知数据的准确性，保证了比拼预测模型的训练效果。

具体地，请参阅图5，步骤S230可以包括：

步骤S231：获取当前比拼组合中的第一主播的第一历史比拼特征，以及所述当前比拼组合中第二主播的第二历史比拼特征，所述当前比拼组合为所述比拼组合集合中的任一比拼组合。

在一些实施例中，在获取到比拼组合集合后，可以对比拼组合中的任一比拼组合进行总比拼值的预测。具体地，可以获取当前比拼组合中的第一主播的第一历史比拼特征，以及当前比拼组合中第二主播的第二历史比拼特征。其中，当前比拼组合为上述比拼组合集合中的任一比拼组合，第一主播和第二主播为当前比拼组合中配对的两个不同的待匹配主播。从而遍历了比拼组合集合的每个比拼组合的总比拼值预测，得到每个比拼组合的预测总比拼值。

在一些实施例中，上述历史比拼特征可包括主播直播间的用户的消费能力特征、主播历史比拼值特征以及主播直播间的用户于主播历史比拼过程中的助力特征。其中，用户的消费能力特征可以用于表征用户在直播客户端上的付费情况，主播历史比拼值特征可以用于表征主播近期直播连麦比拼场次的平均比拼值情况，主播直播间的用户于主播历史连麦比拼过程中的助力特征可以用于表征直播间的所有用户近期对该主播的助力情况(即礼物赠送情况或投票情况)。

由于用户在直播客户端上可能会因为各种原因进行付费，而不同的用户的消费情况也不同，消费金额可能是0到几百万的差距，因此，在一些实施例中，为了便于输入模型进行训练，可以将用户的付费情况进行等级划分，不同的等级代表用户不同的消费能力。例如，可将付费情况划分为A、B、C、D、E五个等级，从A至E，消费金额逐级减少。如等级E代表消费0～1元，等级A代表消费100000元以上等。从而可以根据主播直播间的用户的付费等级情况，获取到主播直播间的用户的消费能力特征。

作为一种方式，可以统计主播直播间的用户于各个付费等级的分布情况，并转换为主播直播间的用户的消费能力特征。例如，当前主播直播间的用户有100个，用户于各个付费等级的分布情况为：A-1个，B-10个，C-20个，D-40个，E-29个。从而该主播直播间的用户的消费能力特征为[1,10,20,40,29]。

在一些实施例中，主播近期直播比拼场次的平均比拼值情况，可以根据主播在当前之前的预设时长内的每场直播连麦比拼的最终比拼值结果确定。作为一种方式，主播近期直播比拼场次的平均比拼值情况可以是每场最终比拼值之和与预设时长内的总场次的比值，例如，近期的3场PK值之和：14000+12000+10000＝36000，平均比拼值＝36000/3＝12000。作为另一种方式，也可以对预设时长内的每场直播比拼设置对应的权重，距离当前时间越近，权重越高，从而保证主播历史比拼值特征更符合近期实际情况，提高模型预测的准确性。其中，预设时长可以根据需求合理设置，在本申请实施例中并不作限定。例如可以是一个月、半个月、一周等。

在一些实施例中，主播直播间的用户于主播历史比拼过程中的助力特征，可以理解为主播间的所有用户对该主播直播连麦比拼的一个期望付费情况。作为一种方式，可以获取目标用户在当前之前的指定时长内的对该主播在直播比拼过程中的付费总金额，并获取该目标用户观看该主播直播连麦比拼的总场次，将付费总金额与总场次的比值，作为目标用户近期对该主播每场直播连麦比拼的期望付费。其中，目标用户为主播直播间中的任一用户。然后根据所有用户的期望付费，获取所有用户对该主播的直播连麦比拼的期望付费之和，作为主播直播间的用户于主播历史连麦比拼过程中的助力特征。其中，指定时长可以根据需求合理设置，在本申请实施例中并不作限定。例如可以是一个月、半个月、一周等。作为一种方式，指定时长与上述预设时长可以一致，以保证用户助力特征和主播历史比拼值特征之间具备相关性。

例如，用户a观看了主播b的10场直播连麦PK，其中有5场对该主播b赠送了虚拟礼物(即付费助力)，且这5场赠送的虚拟礼物的总金额为W。则用户a对主播每场直播连麦PK的期望付费＝W/10。

由此，可以获取当前比拼组合中两两配对的第一主播和第二主播，然后分别获取第一主播直播间的用户的消费能力特征、第一主播历史比拼值特征以及第一主播直播间的用户于第一主播历史比拼过程中的助力特征，并进行拼接得到第一主播的第一历史比拼特征，获取第二主播直播间的用户的消费能力特征、第二主播历史比拼值特征以及第二主播直播间的用户于第二主播历史比拼过程中的助力特征，并进行拼接得到第二主播的第二历史比拼特征。重复上述操作，从而遍历比拼组合集合的每个比拼组合，得到每个比拼组合中第一主播的第一历史比拼特征，以及每个比拼组合中第二主播的第二历史比拼特征。其中，历史比拼特征可以是由[X，Y，Z]组成的特征矩阵，其中，X指的是主播直播间的用户的消费能力特征，Y指的是主播历史比拼值特征，Z指的是主播直播间的用户于主播历史比拼过程中的助力特征。

步骤S232：将所述第一历史比拼特征和所述第二历史比拼特征输入预先训练好的比拼预测模型，得到所述比拼预测模型输出的所述当前比拼组合对应的预测总比拼值，所述比拼预测模型根据训练样本对神经网络模型训练得到，所述训练样本包括比拼组合样本对应的历史比拼特征样本，以及与所述历史比拼特征样本对应的总比拼值样本。

在一些实施例中，在获取到当前比拼组合中第一主播的第一历史比拼特征，以及当前比拼组合中第二主播的第二历史比拼特征后，可以将第一历史比拼特征和第二历史比拼特征输入预先训练好的比拼预测模型，得到比拼预测模型输出的当前比拼组合对应的预测总比拼值，也即预测的第一主播和第二主播的比拼值之和。

在一些实施例中，上述比拼预测模型可以是深度神经网络(DNN，Deep NeturalNetwork)模型，从而能够去探索特征的高阶信息和交叉信息，可以更好地泛化训练样本中未出现过的特征组合，提高预测的准确性。其中，比拼预测模型可包括多层隐藏层。其中，隐藏层的意义就是把输入特征，抽象到另一个维度空间，来展现其更抽象化的特征，这些特征能更好的进行线性划分。多层隐藏层其实是对输入特征进行多层次的抽象，得到特征的高阶信息，从而可以更好的线性划分不同类型的数据。

作为一种方式，比拼预测模型可包括输入层、3层隐藏层、输出层，其中，3层隐藏层维度分别是128、32、4。从而可以将第一历史比拼特征和第二历史比拼特征通过输入层输入至3层隐藏层进行深度学习预测，从而输出层输出当前比拼组合对应的预测总比拼值。

在一些实施例中，由于不同的数据可能会具备不同的数据维度，为了便于后续神经网络模型的预测，可以在隐藏层之前增加嵌入层，也即在将第一历史比拼特征和第二历史比拼特征输入隐藏层之前，将第一历史比拼特征和第二历史比拼特征输入嵌入层进行特征嵌入(Feature Embedding)，以将第一历史比拼特征和第二历史比拼特征转换(或降维)为固定大小的特征表示(矢量)。

在一些实施例中，由于历史比拼特征中的主播直播间的用户的消费能力特征、主播历史比拼值特征以及主播直播间的用户于主播历史比拼过程中的助力特征都是连续特征，在将历史比拼特征输入至嵌入层之前，可以先对历史比拼特征进行分桶化处理，以将该连续特征转换为离散特征。

在一些实施例中，上述预先训练好的比拼预测模型可以根据大量的训练样本进行训练得到。其中，训练样本可以包括比拼组合样本对应的历史比拼特征样本，以及与历史比拼特征样本对应的总比拼值样本。从而预先训练好的比拼预测模型可以用于，根据获取到的当前比拼组合对应的第一历史比拼特征和第二历史比拼特征，输出第一历史比拼特征和第二历史比拼特征对应的预测总比拼值。

其中，训练样本可以通过对各个主播的历史比拼记录进行指定的处理得到。具体地，预先收集各个主播每场的历史比拼记录，每场的历史比拼记录中包括在比拼之前的主播直播间的用户的消费能力特征、在比拼之前的主播历史比拼值特征、在比拼之前的主播直播间的用户于主播历史比拼过程中的助力特征、以及比拼结束时比拼双方的总比拼值，通过将每场历史比拼记录中的用户的消费能力特征、主播历史比拼值特征以及用户于主播历史比拼过程中的助力特征进行拼接，可以得到每场历史比拼记录对应的历史比拼特征，从而可以将每场历史比拼记录对应的历史比拼特征作为历史比拼特征样本，将该场历史比拼记录对应的总比拼值作为历史比拼特征样本对应的总比拼值样本，并将该历史比拼特征样本以及该总比拼值样本作为一组训练样本，添加至训练样本集合中。以便后续可从训练样本集合中提取多组训练样本逐一对比拼预测模型进行训练。

在一些实施例中，可以将一组训练样本中的历史比拼特征样本作为比拼预测模型的输入，将该组训练样本中的总比拼值样本作为比拼预测模型的期望输出(即学习目标)，从而可通过比拼预测模型的实际输出和期望输出，对比拼预测模型进行一次训练。也就是说，可以将一组训练样本中的历史比拼特征样本输入比拼预测模型进行前向计算，得到比拼预测模型的实际输出，该实际输出为比拼预测模型预测的总比拼值。由于将该组训练样本中的总比拼值样本作为比拼预测模型的期望输出，因此，可以根据预测的总比拼值与总比拼值样本的误差进行模型参数的更新，通过大量的迭代训练，从而得到前述预先训练好的比拼预测模型。

在实际应用场景中，由于观众于直播平台上的活跃时间通常不定或者呈规律性，使得主播的直播间中用户留存率也会时高时低，也即主播在不同直播时间下的直播效果具有较大差距，从而导致主播在不同直播时间下的连麦比拼实力也具有较大差距，因此，在一些实施例中，为了保证比拼预测模型的预测准确性，可以将主播标识和连麦PK时间等特征引入比拼预测模型进行预测。

具体地，请参阅图6，步骤S232可以包括：

步骤S2321：获取所述第一主播的第一主播标识，以及所述第二主播的第二主播标识。

步骤S2322：获取直播连麦比拼的匹配开始时间。

在一些实施例中，可以获取当前比拼组合中第一主播的第一主播标识，当前比拼组合中第二主播的第二主播标识，以及本次直播连麦比拼的匹配开始时间，以准确预测第一主播和第二主播于该匹配时间下的比拼实力。

其中，主播标识可唯一对应一个主播，可根据主播标识区分不同的主播用户。在一些实施例中，直播标识可以是客户端标识、直播间号、在客户端上登录的主播ID账号、主播昵称等，在此并不作限定。

在一些实施例中，直播连麦比拼的匹配开始时间可以是主播使用的客户端发起比拼匹配请求的时间点，也可以是匹配池生成的时间点，在此并不作限定。作为一种实施方式，可以以固定形式获取到本次直播连麦比拼的匹配开始时间。其中，固定形式可以是T小时M分钟的形式，从而可以分别提取到小时特征和分钟特征。例如，匹配开始时间为12:30时，小时特征为12，分钟特征为30。

步骤S2323：将所述第一主播标识、所述第二主播标识、所述匹配开始时间、所述第一历史比拼特征和所述第二历史比拼特征进行交叉特征运算，得到第一组合特征。

在一些实施例中，可以将上述获取到的第一主播标识、第二主播标识、匹配开始时间、第一历史比拼特征和第二历史比拼特征输入cross(交叉转换)层进行交叉特征运算，得到第一组合特征。其中，cross层可以用于自动构造有限高阶交叉特征。从而得到了组合了第一主播与第二主播的历史比拼特征和匹配开始时间的多维特征，也即得到第一主播与第二主播之间的关联性特征。其中，进行交叉特征运算可以得到于该匹配开始时间下第一主播与第二主播的历史比拼特征之间的交互情况，从而可以得到该交叉特征对预测总比拼值的影响，也即为比拼预测模型增加了非线性，提高模型的预测效果。

在一些实施例中，上述进行交叉特征运算，可以是对第一主播和第二主播中同类型的特征进行交叉特征运算。具体地，可以将第一主播标识和第二主播标识进行交叉特征运算，将第一历史比拼特征和第二历史比拼特征进行交叉特征运算，将匹配开始时间中的小时特征和分钟特征进行交叉运算，然后将各自得到交叉特征运算进行拼接组合，得到第一组合特征，以将该第一组合特征送入比拼预测模型进行预测。在另一些实施例中，也可以不对匹配开始时间中的小时特征和分钟特征进行交叉运算，直接将该匹配开始时间送入至比拼预测模型进行预测。

在一些实施例中，两个特征进行交叉特征运算，可以是将两个特征的笛卡尔积执行hash(哈希)操作，再把hash的结果对模型设置hash_bucket_size取模，得到的结果即为交叉特征。其中，两个特征的笛卡尔积为两个特征矩阵相乘形成的特征组合。哈希操作可把笛卡尔积得到的高维特征向量压缩成较低维特征向量，且尽量不损失原始特征的表达能力。hash_bucket_size取模用于保证hash结果取模后的特征长度固定，可以降低特征维度。其中，hash_bucket_size为取模长度，如100。

在一些实施例中，由于不同的数据可能会具备不同的数据维度，为了便于进行交叉特征运算，可以先将第一主播标识、第二主播标识、匹配开始时间、第一历史比拼特征和第二历史比拼特征输入至嵌入层进行特征嵌入，以将所有特征转换(或降维)为固定大小的特征表示(矢量)。

步骤S2324：将所述第一组合特征输入预先训练好的比拼预测模型。

在一些实施例中，在获取到上述第一组合特征后，可以将该第一组合特征输入预先训练好的比拼预测模型进行预测，从而可以得到比拼预测模型输出的当前组合比拼的预测总比拼值。

在一些实施例中，由于交叉特征运算后的组合特征的维度太高，需要将交叉运算后的特征再次输入至嵌入层进行特征嵌入，以进行数据降维(如降维至10)。也即于cross层与隐藏层之间增加一个嵌入层。

下面以图7为例对本实施例进行示例性说明：

请参阅图7，图7示出了适用于本申请实施例的一种比拼预测模型的数据流向示意图。如图7所示，将比拼组合中的第一主播和第二主播的直播间特征以及匹配开始时间输入至嵌入层进行特征嵌入，然后将嵌入后的第一主播和第二主播的直播间特征以及匹配开始时间输入至cross层作交叉组合，然后再送入一个3层神经网络(3层隐藏层的特征维度分别是128、32、4)进行深度学习，最后输出的是对比拼组合中的第一主播和第二主播的总比拼值的一个预测。

步骤S240：根据所述预测总比拼值以及集束搜索算法，从所述比拼组合集合中确定出所述预测总比拼值之和最大的多个比拼组合，作为所述多个待匹配主播的直播连麦比拼的匹配结果，其中，所述多个比拼组合中不存在相同的待匹配主播。

在本申请实施例中，可根据每个比拼组合的预测总比拼值，从比拼组合集合中确定出预测总比拼值之和最大的多个比拼组合，作为本次匹配池中的多个待匹配主播的直播连麦比拼的匹配结果。从而，通过筛选出预测总比拼值之和最大的匹配结果，作为本次匹配池中的多个待匹配主播的直播连麦比拼的匹配结果，综合考虑了匹配池中多个待匹配主播的每个主播的直播效果，以达到整体的直播效果的最优化。

由于从比拼组合集合中确定出的两两配对的匹配结果可能有多种，因此，需要从多种匹配结果中准确筛选出预测总比拼值之和最大的一种匹配结果。在一些实施例中，可以是先获取所有的两两配对的匹配结果，然后分别计算每种匹配结果中所有比拼组合的预测总比拼值之和，从而可从每种匹配结果对应的预测总比拼值之和中，选出预测总比拼值之和最大的一种匹配结果，作为本次匹配池中的多个待匹配主播的直播连麦比拼的匹配结果。

当匹配池中待匹配的主播数量过多时，由于所有的两两配对的匹配结果过多，如果要遍历完所有的匹配结果来找出预测总比拼值之和的匹配结果，不仅为产生巨大的计算量，还会严重延长主播和观众的匹配等待时长，导致用户体验不佳。例如，假设有20个主播在匹配池等待配对，那么就存在超过6亿5千万种的两两配对的匹配结果，而且现实情况下同一时刻等待匹配的主播一般在50个左右，所以要遍历完所有匹配结果找出预测总比拼值之和最大的匹配结果并不符合实际需求。

因此，在另一些实施例中，可以根据每个比拼组合的预测总比拼值以及集束搜索(Beam Search)算法，从比拼组合集合中近似确定出预测总比拼值之和最大的多个比拼组合，也即确定出预测总比拼值之和最大的一种匹配结果，作为多个待匹配主播的直播连麦比拼的匹配结果，可以大大降低计算量。

其中，Beam Search(集束搜索)使用广度优先策略建立搜索树，在树的每一层，按照启发代价对节点进行排序，然后仅留下预先确定的个数(Beam Width-集束宽度)的节点，仅这些节点在下一层次继续扩展，其他节点就被剪掉了。其中，集束宽度可以理解为每一层次仅保留的节点个数。

由于比拼实力大的主播通常情况下比拼值也高，因此，在一些实施例中，可以先对匹配池中的多个待匹配主播进行比拼实力排序，以从比拼实力排序大小进行集束搜索匹配。具体地，请参阅图8，步骤S240可以包括：

步骤S241：从所述比拼组合集合中，按照所述预测总比拼值从大到小的顺序，获取目标主播所对应的前i个比拼组合，作为当前的i个最优解序列，其中，i为集束宽度，所述目标主播于所述多个待匹配主播中实力参考值最高，所述实力参考值用于表征待匹配主播的营收实力。

在一些实施例中，可以获取匹配池中的多个待匹配主播中实力参考值最高的目标主播，以优先根据实力参考值排序第一的主播进行配对。其中，实力参考值用于表征待匹配主播的营收实力，也即主播能够获取到观众赠送的虚拟礼物的价值额度。可以理解的是，待匹配主播的营收实力越高，可表明其直播间的观众为其比拼助力的力度通常就越大，从而该主播的比拼值就越高。

在一些实施例中，可以将目标主播分别与匹配池中的其他主播进行一一配对，以得到目标主播对应的所有比拼组合，然后可以根据上述比拼预测模型对该目标主播对应的所有比拼组合进行预测，从而可以得到该目标主播对应的每个比拼组合的预测总比拼值。然后可以根据集束搜索算法中的集束宽度i，根据预测总比拼值从大到小的顺序，从目标主播对应的所有比拼组合中，获取目标主播对应的排序靠前的前i个比拼组合，作为本层次所保留最大的i个最优解序列。此时每个最优解序列仅有一个比拼组合，也即i个比拼组合和i个最优解序列一一对应。其中，集束宽度i表明每次仅保留最大的i个比拼组合，目标主播对应的i个比拼组合可以理解为，目标主播的i个优先比拼对象。

在一些实施例中，也可以是预先根据上述比拼预测模型对比拼组合集合中的每个比拼组合进行预测，以得到比拼组合集合中的每个比拼组合的预测总比拼值。然后可以从比拼组合集合中获取包含目标主播的所有比拼组合，由于已预先得到每个比拼组合的预测总比拼值，因此，可根据预测总比拼值从大到小的排序，从包含目标主播的所有比拼组合中，获取目标主播对应的排序靠前的前i个比拼组合，作为本层次所保留最大的i个最优解序列。

例如，当集束宽度i为3时，优先根据实力参考值排序第1的主播进行配对，得到第1主播对应的预测总比拼值排序靠前的前3个比拼组合可以是(1，2，10000)，(1，4，9500)，(1，5，9000)，作为当前层次所保留最大的3个最优解序列。其中，(1，2，10000)的意义为：(实力参考值排序第1的主播、排序第2的主播、这两个主播构成的比拼组合的预测总比拼值)。可见，排序第1的主播的优先比拼对象为排序第2、4、5的主播.

步骤S242：从所述剩余比拼组合中，按照所述预测总比拼值从大到小的顺序，获取剩余待匹配主播中实力参考值最高的指定主播所对应的前i个比拼组合，其中，所述剩余比拼组合为所述比拼组合集合中不包含目标序列中的待匹配主播的比拼组合，所述剩余待匹配主播为所述多个待匹配主播中除所述目标序列中的待匹配主播以外的剩余主播，所述目标序列为所述i个最优解序列中的任一序列。

在一些实施例中，在获取到之前所保留最大的i个最优解序列后，可以针对每个最优解序列，进行下一层次的扩展。具体地，可以从i个最优解序列中任意选取一个序列作为目标序列，以进行目标序列的下一层次的扩展，也即除目标序列外的其他主播的配对。由于最终的匹配结果中不能出现相同的主播(单一匹配原则)，因此，先从匹配池的多个待匹配主播中，获取除目标序列中的待匹配主播以外的剩余待匹配主播。然后从剩余待匹配主播中，再次选出实力参考值最高的指定主播进行优先配对。

指定主播的优先配对过程的描述与上述目标主播优先配对过程的描述类似。即在一些实施例中，可以将指定主播分别与剩余待匹配主播中的其他主播进行一一配对，以得到指定主播对应的所有比拼组合，然后可以根据上述比拼预测模型对该指定主播对应的所有比拼组合进行预测，从而可以得到该指定主播对应的每个比拼组合的预测总比拼值。然后可以根据集束搜索算法中的集束宽度i，根据预测总比拼值从大到小的顺序，从指定主播对应的所有比拼组合中，获取指定主播对应的排序靠前的前i个比拼组合。从而得到了指定主播的i个优先比拼对象。

即在另一些实施例中，由于最终的匹配结果中不能出现相同的主播，因此，可以先从比拼组合集合中，获取不包含目标序列中的待匹配主播的比拼组合，得到剩余比拼组合。然后预先根据上述比拼预测模型对剩余比拼组合中的每个比拼组合进行预测，以得到剩余比拼组合中的每个比拼组合的预测总比拼值。然后可以从剩余比拼组合中获取包含指定主播的所有比拼组合，由于已预先得到每个比拼组合的预测总比拼值，因此，可根据预测总比拼值从大到小的排序，从包含指定主播的所有比拼组合中，获取指定主播对应的排序靠前的前i个比拼组合。

例如，假设从上述举例的3个最优解序列(1，2，10000)、(1，4，9500)、(1，5，9000)中选取(1，2，10000)作为目标序列进行下一层次的扩展，则由于实力参考值排序第1、2主播已经配对，因此，可从除该1、2主播外的剩余主播中再次选取出实力参考值最高的指定主播，即实力参考值排序第3的主播进行优先配对。即将第3主播分别与剩余主播中的其他主播进行一一配对组合，并从中保留出第3主播对应的预测总比拼值排序靠前的前3个比拼组合，如(3，4，5200)，(3，5，4500)，(3，7，4000)。可见，在将排序第1、2主播进行配对比拼的基础上，排序第3的主播的优选比拼对象可以为排序第4、5、7的主播。

可以理解的是，由于当前层次保留了最大的i个最优解序列，因此，可针对i个最优解序列中的每个最优解序列，进行上述下一层次的扩展操作。也即获取每个最优解序列中的指定主播对应的前i个比拼组合。

例如，对于上述举例的3个最优解序列中的(1，4，9500)，获取剩下主播中实力参考值最高的指定主播即排序第2的主播的前3种比拼组合，可以是(2，3，6100)，(2，5，5500)，(2，6，5000)。可见，在将排序第1、4主播进行配对比拼的基础上，排序第2的主播的优选比拼对象可以为排序第3、5、6的主播。

又例如，对于上述举例的3个最优解序列中的(1，5，9000)，获取剩下主播中实力参考值最高的指定主播即排序第2的主播的前3种比拼组合，可以是(2，3，6100)，(2，4，5600)，(2，6，5000)。可见，在将排序第1、5主播进行配对比拼的基础上，排序第2的主播的优选比拼对象可以为排序第3、4、6的主播。

步骤S243：将所述指定主播所对应的前i个比拼组合分别与所述目标序列拼接，得到所述目标序列对应的i个组合序列。

在一些实施例中，选取目标序列进行下一层次的扩展时，可以在获取到指定主播所对应的前i个比拼组合后，将该指定主播所对应的前i个比拼组合分别与该目标序列拼接，从而得到该目标序列对应的i个组合序列，也即目标序列的下一层次的i种扩展。

例如，目标序列为上述举例的3个最优解序列中的(1，2，10000)时，由于指定主播为排序第3的主播，且指定主播对应的预测总比拼值排序靠前的前3个比拼组合为(3，4，5200)，(3，5，4500)，(3，7，4000)，因此，可将指定主播所对应的前3个比拼组合分别与目标序列(1，2，10000)拼接，得到的目标序列对应的3个组合序列为：(1，2，10000)-(3，4，5200)；(1，2，10000)-(3，5，4500)；(1，2，10000)-(3，7，4000)。也即(1，2，10000)的3种扩展配对。

又例如，目标序列为上述举例的3个最优解序列中的(1，4，9500)时，由于指定主播为排序第2的主播，且指定主播对应的预测总比拼值排序靠前的前3个比拼组合为(2，3，6100)，(2，4，5600)，(2，6，5000)，因此，可将指定主播所对应的前3个比拼组合分别与目标序列(1，4，9500)拼接，得到的目标序列对应的3个组合序列为：(1，4，9500)-(2，3，6100)；(1，4，9500)-(2，4，5600)；(1，4，9500)-(2，6，5000)。也即(1，4，9500)的3种扩展配对。

步骤S244：根据所述i个最优解序列中，每个序列所对应的i个组合序列的预测总比拼值之和，按照从大到小的顺序获取前i个组合序列，作为新的i个最优解序列。

由于每种最优解序列都会扩展i个组合序列，那么i个最优解序列就会得到的i*i种组合序列，如果再进行下一层次的扩展，则又会得到i*i*i种组合序列……从而逐渐增加组合序列，增加了计算量。因此，在一些实施例中，可以先获取之前保留的i个最优解序列中，每个序列所对应的i个组合序列，也即i*i种组合序列，然后分别计算该i*i种组合序列中所有比拼组合的预测总比拼值之和，并根据预测总比拼值之和从大到小的顺序，获取排序靠前的前i个组合序列，作为新的i个最优解序列。从而保证每次筛选都是基于预测总比拼值靠前的原则进行，进而保证了最终得到的匹配结果的预测总比拼值之和也近似靠前，从而综合考虑了每个主播的直播效果，以达到整体的直播效果的最优化。

例如，上述举例的3个最优解序列(1，2，10000)、(1，4，9500)、(1，5，9000)中，每个序列都扩展3个组合序列后，总共得到3*3＝9种组合序列：

第一种：(1，2，10000)-(3，4，5200)，预测总比拼值之和：10000+5000＝15200；

第二种：(1，2，10000)-(3，5，4500)，预测总比拼值之和：10000+4500＝14500；

第三种：(1，2，10000)-(3，7，4000)，预测总比拼值之和：10000+4000＝14000；

第四种：(1，4，9500)-(2，3，6100)，预测总比拼值之和：9500+6000＝15600；

第五种：(1，4，9500)-(2，5，5500)，预测总比拼值之和：9500+5500＝15000；

第六种：(1，4，9500)-(2，6，5000)，预测总比拼值之和：9500+5000＝14500；

第七种：(1，5，9000)-(2，3，6100)，预测总比拼值之和：9000+6000＝15100；

第八种：(1，5，9000)-(2，4，5600)，预测总比拼值之和：9000+5600＝14600；

第九种：(1，5，9000)-(2，6，5000)，预测总比拼值之和：9000+5000＝14000；

根据预测总比拼值之和从大到小的顺序，获取预测总比拼值之和最大的前3种组合序列：(1，4，9500)-(2，3，6100)；(1，2，10000)-(3，4，5200)；(1，5，9000)-(2，3，6100)，作为新的i个最优解序列。

步骤S245：重复所述从所述剩余比拼组合中，按照所述预测总比拼值从大到小的顺序，获取剩余待匹配主播中实力参考值最高的指定主播所对应的前i个比拼组合的步骤至所述根据所述i个最优解序列中，每个序列所对应的i个组合序列的预测总比拼值之和，按照从大到小的顺序获取前i个组合序列，作为新的i个最优解序列，直至所述i个最优解序列中包含所述多个待匹配主播或者仅未包含所述多个待匹配主播中的一主播，得到最终的i个最优解序列。

在一些实施例中，在获取到新的i个最优解序列后，可以重复步骤S242～步骤S245的过程，也即对新的i个最优解序列中的每个序列，继续进行下一层次的扩展，直至i个最优解序列中包含匹配池中的多个待匹配主播或者仅未包含多个待匹配主播中的一个主播(共迭代n/2次)，从而得到最终扩展了多个层次的i个最优解序列。

可以理解的是，当i个最优解序列中包含匹配池中的多个待匹配主播时，可认为匹配池的所有待匹配主播都已经配对，当i个最优解序列中仅未包含多个待匹配主播中的一个主播时，说明匹配池中的待匹配主播为奇数，必定会剩下一个主播配对不了。在一些实施例中，当匹配池中只剩下一个主播未匹配时，可以将该主播转交至其他匹配池进行匹配。

步骤S246：从所述最终的i个最优解序列中，获取预测总比拼值之和最大的序列，作为所述多个待匹配主播的直播连麦比拼的匹配结果。

在一些实施例中，当获取到最终的i个最优解序列时，可以从最终的i个最优解序列中，获取预测总比拼值之和最大的序列，作为所述多个待匹配主播的直播连麦比拼的匹配结果。从而保证了整体的直播效果的近似最优化。

正因为是通过集束搜索算法来保证每一层的扩展都保留了预测总比拼值之和靠前的序列，因此最终得到的i个最优解序列即最终得到的i种两两配对的匹配结果的预测总比拼值之和也靠前，能够剔除掉因不合理配对导致得到的预测总比拼值之和不会太高的序列，避免出现配对主播双方的直播水平差距较大的问题。此外，通过从预测总比拼值之和靠前的最终的i个最优解序列中，再获取预测总比拼值之和最大的序列，作为所述多个待匹配主播的直播连麦比拼的匹配结果，可以保证本次匹配池中的直播连麦比拼的匹配结果是集束搜索算法的最优结果，近似达到了最优化。可以理解的是，当本次匹配池中的直播连麦比拼的匹配结果是所有可能存在的两两配对的匹配结果中预测总比拼值之和最大的匹配结果时，可认为达到理想中的最优化。

在一些实施例中，可通过扩大集束宽度i，使得最终得到的i个最优解序列中预测总比拼值之和最大的序列，更加接近理想中的最优化，提高整体的直播效果。且时间复杂度不超过O(ni²)，其中n为主播数量，i为集束宽度。

在一些实施例中，上述主播的实力参考值也可以通过神经网络模型进行预测得到。具体地，请参阅图9，在步骤S241之前，本申请的直播连麦匹配方法还可以包括：

步骤S310：基于预先训练好的实力预测模型获取所述多个待匹配主播中的每个待匹配主播的预测实力参考值，其中，所述实力预测模型根据主播样本以及与所述主播样本对应的实力参考值样本，对神经网络模型训练得到。

在一些实施例中，可以基于预先训练好的实力预测模型，来获取匹配池中多个待匹配主播中的每个待匹配主播的预测实力参考值。其中，实力预测模型可根据主播样本以及与主播样本对应的实力参考值样本，对神经网络模型训练得到。

在一些实施例中，上述预先训练好的实力预测模型可以是预先根据大量的训练样本对神经网络模型进行训练得到。其中，训练样本可以包括主播样本以及与该主播样本对应的实力参考值样本。从而可根据预先训练好的实力预测模型对上述匹配池中每个待匹配主播的实力参考值进行预测，也即预先训练好的实力预测模型可用于根据输入的主播特征，输出该主播对应的预测实力参考值。

由于主播于直播比拼中的比拼值是根据观众助力程度即赠送的虚拟礼物的价值额度来计算，而观众赠送的虚拟礼物的价值额度正好体现了主播的营收能力，因此主播于直播比拼中的比拼值，即为主播的实力参考值的体现。因此，在一些实施例中，可以将主播历史直播比拼中得到比拼值作为实力参考值样本。具体的，直播平台可以对主播的实际直播比拼进行记录。从而可以将记录的直播连麦比拼的主播，以及该主播最终比拼结果所呈现的比拼值，作为训练实力预测模型的训练样本。也即可将历史比拼记录中，第x场直播比拼中的PK的任一方主播作为一个主播样本，该方主播最终比拼结果所呈现的比拼值作为与该主播样本对应的实力参考值样本。当然，第x场直播比拼中的PK的另一方主播以及其比拼值也可以作为一组训练样本。其中，x为历史比拼记录中记录的任意场次。从而可以根据历史记录的每场直播比拼，得到包含有大量训练样本的训练样本集合，进而可根据训练样本集合对实力预测模型进行训练，保证了实力预测模型的训练效果。

在一些实施例中，可以根据主播的历史比拼记录，提取出该主播的历史比拼特征，对实力预测模型进行训练。从而可从历史比拼记录中提取出于实力预测模型有用的信息，保证了实力预测模型的训练效果。具体的，请参阅图10，步骤S310可以包括：

步骤S311：获取目标待匹配主播的历史比拼特征，所述目标待匹配主播为所述多个待匹配主播中的任一主播。

步骤S312：获取所述目标待匹配主播的主播标识，以及直播连麦比拼的匹配开始时间。

在一些实施例中，可以从匹配池中的多个待匹配主播中任意选取一个主播作为目标待匹配主播进行实力参考值预测，然后重新再选取一个主播进行是实力参考值预测，遍历了该匹配池的多个待匹配主播进行实力参考值预测。

其中，上述历史比拼特征、主播标识以及匹配开始时间的获取可参阅前述实施例的内容，此处不再赘述。

步骤S313：将所述主播标识与所述匹配开始时间进行交叉特征运算，得到第二组合特征。

由于主播在不同直播时间下的比拼实力具有较大差距，因此在一些实施例中，可以将主播标识和PK时间等特征引入实力预测模型进行预测，提高模型预测效果。具体地，可以将主播标识与匹配开始时间输入cross层进行交叉特征运算，得到第二组合特征。其中，进行交叉特征运算可以得到组合了主播和匹配开始时间的多维特征、关联性特征，也即为实力预测模型增加了非线性，提高模型的预测效果。

在一些实施例中，请参阅图11，步骤S313可以包括：

步骤S3131：对所述主播标识与所述匹配开始时间进行笛卡尔积运算，并获取笛卡尔积结果。

步骤S3132：对所述笛卡尔积结果进行哈希转换，并获取哈希结果作为第二组合特征。

其中，交叉特征的运算可参与前述实施例的内容，在此不再赘述。

步骤S314：将所述历史比拼特征输入线性回归模型，并将所述历史比拼特征和所述第二组合特征输入深度神经网络模型。

在一些实施例中，上述实力预测模型可以由线性回归模型和深度神经网络模型构成，使得训练得到的实力预测模型能够同时获得线性回归模型的记忆(memorization)能力和DNN模型的泛化(generalization)能力。其中，记忆(memorization)即从历史比拼记录中发现历史比拼特征之间的相关性。泛化(generalization)即相关性的传递，可发现在历史比拼记录中很少或者没有出现的新的特征组合。也就是说，深度神经网络模型可以探索特征的高阶信息和交叉信息。

在一些实施例中，可以将历史比拼特征输入线性回归模型进行预测，并将历史比拼特征和第二组合特征输入深度神经网络模型进行预测，也就是说，相对于线性回归模型，深度神经网络模型增加了主播标识和匹配开始时间之间的交叉特征，从而考虑了主播在不同直播时间下的比拼实力不同的情况，提高特征的维度，保证了模型的训练效果。

其中，实力预测模型中的线性回归模型的形式可以是y＝wx+b。其中，y是预测结果，x是d个特征组成的输入向量，其可以是主播的历史比拼特征，w是模型参数，b是偏置。实力预测模型中的深度神经网络模型可以包括多层隐藏层。多层隐藏层其实是对输入特征进行多层次的抽象，得到特征的高阶信息，从而可以更好的线性划分不同类型的数据。作为一种方式，实力预测模型中的深度神经网络模型可包括3层隐藏层，其中，3层隐藏层维度可以分别是128、32、4。从而可以将将历史比拼特征和第二组合特征通过输入层输入至3层隐藏层进行深度学习预测。

在一些实施例中，由于不同的数据可能会具备不同的数据维度，为了便于后续的模型训练，在将历史比拼特征和第二组合特征输入深度神经网络模型之前，可以先将历史比拼特征、主播标识以及匹配开始时间输入至嵌入层进行特征嵌入，以将所有特征转换(或降维)为固定大小的特征表示(矢量)。然后再将嵌入后的主播标识以及匹配开始时间输入至cross层进行交叉特征运算，得到第二组合特征，从而将嵌入后的历史比拼特征和第二组合特征输入深度神经网络模型进行预测。

在一些实施例中，由于交叉特征运算后的组合特征的维度太高，需要将交叉运算后的第二组合特征再次输入至嵌入层进行特征嵌入，以进行数据降维(如降维至10)。也即于cross层与隐藏层之间再增加一个嵌入层。

步骤S315：将所述线性回归模型的输出与深度神经网络模型的输出进行合并，得到目标待匹配主播的预测实力参考值。

在一些实施例中，可以将线下回归模型的输出与深度神经网络模型的输出进行拼接合并，得到目标待匹配主播的预测实力参考值。

下面以图12为例对本实施例进行示例性说明：

请参阅图12，图12示出了适用于本申请实施例的一种实力预测模型的数据流向示意图。如图12所示，实力预测模型包括wide模型部分以及deep模型部分。其中，wide模型部分可直接将主播的历史比拼特征进行输入，得到wide模型的输出。deep模型部分可以将历史比拼特征、主播标识以及匹配开始时间输入至嵌入层进行特征嵌入，然后将嵌入后的主播标识以及匹配开始时间输入至cross层作交叉组合，得到第二组合特征后，然后再将第二组合特征和嵌入后的历史比拼特征送入一个3层神经网络(3层隐藏层的特征维度分别是128、32、4)进行深度学习，从而可以获取到deep模型部分的输出。通过将wide模型部分的输出和deep模型部分的输出进行合并，最后输出的是主播的预测比拼值。

步骤S320：获取数值最大的预测实力参考值对应的待匹配主播，作为实力参考值最高的目标主播。

在一些实施例中，当基于预先训练好的实力预测模型，获取到多个待匹配主播中的每个待匹配主播的预测实力参考值后，可以按照预测实力参考值从大到小的顺序，对每个待匹配主播的预测实力参考值进行排序，从而可以将预测实力参考值排名第一对应的待匹配主播，作为实力参考值最高的目标主播。在一些实施例中，也可以不用排序，直接从多个待匹配主播中获取数值最大的预测实力参考值对应的待匹配主播，作为实力参考值最高的目标主播。

综上，通过预先训练好的引入了主播标识和匹配开始时间特征的实力预测模型，能够准确地对各个待匹配主播的实力参考值进行预测，从而后续基于该准确预测的实力参考值进行集束搜索时，能使最终的匹配结果更加近似最优化，保证整体的直播效果也能近似于最优化。

本申请实施例提供的直播连麦匹配方法，在获取到匹配池中的多个待匹配主播后，通过获取多个待匹配主播之间的比拼组合集合，该比拼组合集合包括至少一个比拼组合，比拼组合由多个待匹配主播中的两个不相同的待匹配主播构成，以基于预先训练的比拼预测模型获取该比拼组合集合中每个比拼组合的预测总比拼值，从而可根据预测总比拼值以及集束搜索算法，从比拼组合集合中确定出所述预测总比拼值之和最大的多个比拼组合，作为多个待匹配主播的直播连麦匹配结果，其中，多个比拼组合中不存在相同的待匹配主播。本申请通过预先训练的比拼预测模型，能够比较准确对各种比拼组合的总比拼值进行预测，从而可以根据总比拼值和集束搜索算法，对匹配池中的多个待匹配主播进行合理配对，使最终的匹配结果近似最优化。从而综合考虑了整体的直播效果，提高了各个主播直播间的留存率，也促进了直播电商的转化率与成交额。

请参阅图13，图13示出了本申请实施例提供的一种直播连麦匹配装置400的结构框图，该直播连麦匹配装置400应用于电子设备。该直播连麦匹配装置400包括：主播获取模块410、组合获取模块420、预测获取模块430以及结果确定模块440。其中，主播获取模块410用于获取匹配池中的多个待匹配主播；组合获取模块420用于获取所述多个待匹配主播之间的比拼组合集合，所述比拼组合集合包括至少一个比拼组合，所述比拼组合由所述多个待匹配主播中的两个不相同的待匹配主播构成；预测获取模块430用于基于预先训练的比拼预测模型获取所述比拼组合集合中每个比拼组合的预测总比拼值，其中，所述比拼预测模型根据训练样本对神经网络模型训练得到，所述训练样本包括比拼组合样本以及与所述比拼组合样本对应的总比拼值样本；结果确定模块440用于根据所述预测总比拼值，从所述比拼组合集合中确定出所述预测总比拼值之和最大的多个比拼组合，作为所述多个待匹配主播的直播连麦比拼的匹配结果，其中，所述多个比拼组合中不存在相同的待匹配主播。

在一些实施例中，预测获取模块430可以包括：特征获取单元以及特征输入单元。特征获取单元用于获取当前比拼组合中的第一主播的第一历史比拼特征，以及所述当前比拼组合中第二主播的第二历史比拼特征，所述当前比拼组合为所述比拼组合集合中的任一比拼组合；特征输入单元用于将所述第一历史比拼特征和所述第二历史比拼特征输入预先训练好的比拼预测模型，得到所述比拼预测模型输出的所述当前比拼组合对应的预测总比拼值，所述比拼预测模型根据训练样本对神经网络模型训练得到，所述训练样本包括比拼组合样本对应的历史比拼特征样本，以及与所述历史比拼特征样本对应的总比拼值样本。

在一些实施例中，特征输入单元可以具体用于：获取所述第一主播的第一主播标识，以及所述第二主播的第二主播标识；获取直播连麦比拼的匹配开始时间；将所述第一主播标识、所述第二主播标识、所述匹配开始时间、所述第一历史比拼特征和所述第二历史比拼特征进行交叉特征运算，得到第一组合特征；将所述第一组合特征输入预先训练好的比拼预测模型。

在一些实施例中，结果确定模块440可以具体用于：根据所述预测总比拼值以及集束搜索算法，从所述比拼组合集合中确定出所述预测总比拼值之和最大的多个比拼组合，作为所述多个待匹配主播的直播连麦比拼的匹配结果。

进一步地，在一些实施例中，上述结果确定模块440可以包括：从所述比拼组合集合中，按照所述预测总比拼值从大到小的顺序，获取目标主播所对应的前i个比拼组合，作为当前的i个最优解序列，其中，i为集束宽度，所述目标主播于所述多个待匹配主播中实力参考值最高，所述实力参考值用于表征待匹配主播的营收实力；从所述剩余比拼组合中，按照所述预测总比拼值从大到小的顺序，获取剩余待匹配主播中实力参考值最高的指定主播所对应的前i个比拼组合，其中，所述剩余比拼组合为所述比拼组合集合中不包含目标序列中的待匹配主播的比拼组合，所述剩余待匹配主播为所述多个待匹配主播中除所述目标序列中的待匹配主播以外的剩余主播，所述目标序列为所述i个最优解序列中的任一序列；将所述指定主播所对应的前i个比拼组合分别与所述目标序列拼接，得到所述目标序列对应的i个组合序列；根据所述i个最优解序列中，每个序列所对应的i个组合序列的预测总比拼值之和，按照从大到小的顺序获取前i个组合序列，作为新的i个最优解序列；重复所述从所述剩余比拼组合中，按照所述预测总比拼值从大到小的顺序，获取剩余待匹配主播中实力参考值最高的指定主播所对应的前i个比拼组合的步骤至所述根据所述i个最优解序列中，每个序列所对应的i个组合序列的预测总比拼值之和，按照从大到小的顺序获取前i个组合序列，作为新的i个最优解序列，直至所述i个最优解序列中包含所述多个待匹配主播或者仅未包含所述多个待匹配主播中的一主播，得到最终的i个最优解序列；从所述最终的i个最优解序列中，获取预测总比拼值之和最大的序列，作为所述多个待匹配主播的直播连麦比拼的匹配结果。

进一步地，在一些实施例中，上述直播连麦匹配装置400还可以包括：实力预测模块以及最大值获取模块。其中，实力预测模块用于基于预先训练好的实力预测模型获取所述多个待匹配主播中的每个待匹配主播的预测实力参考值，其中，所述实力预测模型根据主播样本以及与所述主播样本对应的实力参考值样本，对神经网络模型训练得到；最大值获取模块用于获取数值最大的预测实力参考值对应的待匹配主播，作为实力参考值最高的目标主播。

进一步地，在一些实施例中，上述实力预测模块可以包括：目标特征获取单元、标识获取单元、组合特征获取单元、组合输入单元以及输出合并单元。其中，目标特征获取单元用于获取目标待匹配主播的历史比拼特征，所述目标待匹配主播为所述多个待匹配主播中的任一主播；标识获取单元用于获取所述目标待匹配主播的主播标识，以及直播连麦比拼的匹配开始时间；组合特征获取单元用于将所述主播标识与所述匹配开始时间进行交叉特征运算，得到第二组合特征；组合输入单元用于将所述历史比拼特征输入线性回归模型，并将所述历史比拼特征和所述第二组合特征输入深度神经网络模型；输出合并单元用于将所述线性回归模型的输出与深度神经网络模型的输出进行合并，得到目标待匹配主播的预测实力参考值。

进一步地，在一些实施例中，组合特征获取单元可以具体用于：对所述主播标识与所述匹配开始时间进行笛卡尔积运算，并获取笛卡尔积结果；对所述笛卡尔积结果进行哈希转换，并获取哈希结果作为第二组合特征。

本申请实施例提供的直播连麦匹配装置用于实现前述方法实施例中相应的直播连麦匹配方法，并具有相应的方法实施例的有益效果，在此不再赘述。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述装置和模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本申请所提供的几个实施例中，所显示或讨论的模块相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。

另外，在本申请各个实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。

请参考图14，图14其示出了本申请实施例提供的一种电子设备的结构框图。该电子设备700可以是服务器等能够运行应用程序的电子设备。本申请中的电子设备700可以包括一个或多个如下部件：处理器710、存储器720以及一个或多个应用程序，其中一个或多个应用程序可以被存储在存储器720中并被配置为由一个或多个处理器710执行，一个或多个程序配置用于执行如前述方法实施例所描述的方法。

处理器710可以包括一个或者多个处理核。处理器710利用各种接口和线路连接整个电子设备700内的各个部分，通过运行或执行存储在存储器720内的指令、程序、代码集或指令集，以及调用存储在存储器720内的数据，执行电子设备700的各种功能和处理数据。可选地，处理器710可以采用数字信号处理(Digital Signal Processing，DSP)、现场可编程门阵列(Field－Programmable Gate Array，FPGA)、可编程逻辑阵列(Programmable LogicArray，PLA)中的至少一种硬件形式来实现。处理器710可集成中央处理器(CentralProcessing Unit，CPU)、图像处理器(Graphics Processing Unit，GPU)和调制解调器等中的一种或几种的组合。其中，CPU主要处理操作***、用户界面和应用程序等；GPU用于负责显示内容的渲染和绘制；调制解调器用于处理无线通信。可以理解的是，上述调制解调器也可以不集成到处理器710中，单独通过一块通信芯片进行实现。

存储器720可以包括随机存储器(Random Access Memory，RAM)，也可以包括只读存储器(Read-Only Memory)。存储器720可用于存储指令、程序、代码、代码集或指令集。存储器720可包括存储程序区和存储数据区，其中，存储程序区可存储用于实现操作***的指令、用于实现至少一个功能的指令(比如触控功能、声音播放功能、图像播放功能等)、用于实现下述各个方法实施例的指令等。存储数据区还可以存储电子设备700在使用中所创建的数据等。

本领域技术人员可以理解，图14中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的电子设备的限定，具体的电子设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

综上所述，本申请实施例提供的直播连麦匹配方法、装置及电子设备，通过获取多个待匹配主播之间的比拼组合集合，该比拼组合集合包括至少一个比拼组合，比拼组合由多个待匹配主播中的两个不相同的待匹配主播构成，以基于预先训练的比拼预测模型获取该比拼组合集合中每个比拼组合的预测总比拼值，从而可根据预测总比拼值，从比拼组合集合中确定出预测总比拼值之和最大的多个比拼组合，作为多个待匹配主播的直播连麦比拼的匹配结果，其中，多个比拼组合中不存在相同的待匹配主播。本申请通过预先训练的比拼预测模型，能够比较准确对各种比拼组合的总比拼值进行预测，从而可以根据总比拼值，对匹配池中的多个待匹配主播进行合理配对。通过将预测总比拼值之和最大的多个比拼组合，作为该匹配池的直播连麦比拼的匹配结果，能够剔除掉因不合理配对导致匹配出的多个比拼组合的总比拼值不会太高的方案，避免出现配对主播双方的直播水平差距较大的问题，同时也能提高直播连麦PK的激烈程度，提升了直播比拼效果，进而提高了各个主播直播间的留存率。

请参阅图15，其示出了本申请实施例提供的一种计算机可读取存储介质的结构框图。该计算机可读取存储介质800中存储有程序代码，程序代码可被处理器调用执行上述方法实施例中所描述的方法。

计算机可读取存储介质800可以是诸如闪存、EEPROM(电可擦除可编程只读存储器)、EPROM、硬盘或者ROM之类的电子存储器。可选地，计算机可读取存储介质800包括非瞬时性计算机可读介质(non-transitory computer-readable storage medium)。计算机可读取存储介质800具有执行上述方法中的任何方法步骤的程序代码810的存储空间。这些程序代码可以从一个或者多个计算机程序产品中读出或者写入到这一个或者多个计算机程序产品中。程序代码810可以例如以适当形式进行压缩。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

最后应说明的是：以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不驱使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。

Claims (9)

1.一种直播连麦匹配方法，其特征在于，所述方法包括：

获取匹配池中的多个待匹配主播；

获取所述多个待匹配主播之间的比拼组合集合，所述比拼组合集合包括至少一个比拼组合，所述比拼组合由所述多个待匹配主播中的两个不相同的待匹配主播构成；

基于预先训练好的比拼预测模型获取所述比拼组合集合中每个比拼组合的预测总比拼值，所述基于预先训练好的比拼预测模型获取所述比拼组合集合中每个比拼组合的预测总比拼值，包括：获取当前比拼组合中的第一主播的第一历史比拼特征，以及所述当前比拼组合中第二主播的第二历史比拼特征，所述当前比拼组合为所述比拼组合集合中的任一比拼组合；

将所述第一历史比拼特征和所述第二历史比拼特征输入预先训练好的比拼预测模型，得到所述比拼预测模型输出的所述当前比拼组合对应的预测总比拼值，所述比拼预测模型根据训练样本对神经网络模型训练得到，所述训练样本包括比拼组合样本对应的历史比拼特征样本，以及与所述历史比拼特征样本对应的总比拼值样本；所述将所述第一历史比拼特征和所述第二历史比拼特征输入预先训练好的比拼预测模型，包括：获取所述第一主播的第一主播标识，以及所述第二主播的第二主播标识；获取直播连麦比拼的匹配开始时间；将所述第一主播标识、所述第二主播标识、所述匹配开始时间、所述第一历史比拼特征和所述第二历史比拼特征进行交叉特征运算，得到第一组合特征；将所述第一组合特征输入预先训练好的比拼预测模型；

根据所述预测总比拼值，从所述比拼组合集合中确定出所述预测总比拼值之和最大的多个比拼组合，作为所述多个待匹配主播的直播连麦比拼的匹配结果，其中，所述多个比拼组合中不存在相同的待匹配主播。

2.根据权利要求1所述的方法，其特征在于，所述根据所述预测总比拼值，从所述比拼组合集合中确定出所述预测总比拼值之和最大的多个比拼组合，作为所述多个待匹配主播的直播连麦比拼的匹配结果，包括：

根据所述预测总比拼值以及集束搜索算法，从所述比拼组合集合中确定出所述预测总比拼值之和最大的多个比拼组合，作为所述多个待匹配主播的直播连麦比拼的匹配结果。

3.根据权利要求2所述的方法，其特征在于，所述根据所述预测总比拼值以及集束搜索算法，从所述比拼组合集合中确定出所述预测总比拼值之和最大的多个比拼组合，作为所述多个待匹配主播的直播连麦比拼的匹配结果，包括：

从所述比拼组合集合中，按照所述预测总比拼值从大到小的顺序，获取目标主播所对应的前i个比拼组合，作为当前的i个最优解序列，其中，i为集束宽度，所述目标主播于所述多个待匹配主播中实力参考值最高，所述实力参考值用于表征待匹配主播的营收实力；

从剩余比拼组合中，按照所述预测总比拼值从大到小的顺序，获取剩余待匹配主播中实力参考值最高的指定主播所对应的前i个比拼组合，其中，所述剩余比拼组合为所述比拼组合集合中不包含目标序列中的待匹配主播的比拼组合，所述剩余待匹配主播为所述多个待匹配主播中除所述目标序列中的待匹配主播以外的剩余主播，所述目标序列为所述i个最优解序列中的任一序列；

将所述指定主播所对应的前i个比拼组合分别与所述目标序列拼接，得到所述目标序列对应的i个组合序列；

根据所述i个最优解序列中，每个序列所对应的i个组合序列的预测总比拼值之和，按照从大到小的顺序获取前i个组合序列，作为新的i个最优解序列；

重复所述从剩余比拼组合中，按照所述预测总比拼值从大到小的顺序，获取剩余待匹配主播中实力参考值最高的指定主播所对应的前i个比拼组合的步骤至所述根据所述i个最优解序列中，每个序列所对应的i个组合序列的预测总比拼值之和，按照从大到小的顺序获取前i个组合序列，作为新的i个最优解序列，直至所述i个最优解序列中包含所述多个待匹配主播或者仅未包含所述多个待匹配主播中的一主播，得到最终的i个最优解序列；

从所述最终的i个最优解序列中，获取预测总比拼值之和最大的序列，作为所述多个待匹配主播的直播连麦比拼的匹配结果。

4.根据权利要求3所述的方法，其特征在于，在所述从所述比拼组合集合中，按照所述预测总比拼值从大到小的顺序，获取目标主播所对应的前i个比拼组合之前，所述方法还包括：

基于预先训练好的实力预测模型获取所述多个待匹配主播中的每个待匹配主播的预测实力参考值，其中，所述实力预测模型根据主播样本以及与所述主播样本对应的实力参考值样本，对神经网络模型训练得到；

获取数值最大的预测实力参考值对应的待匹配主播，作为实力参考值最高的目标主播。

5.根据权利要求4所述的方法，其特征在于，所述实力预测模型由线性回归模型和深度神经网络模型构成，所述基于预先训练好的实力预测模型获取所述多个待匹配主播中的每个待匹配主播的预测实力参考值，包括：

获取目标待匹配主播的历史比拼特征，所述目标待匹配主播为所述多个待匹配主播中的任一主播；

获取所述目标待匹配主播的主播标识，以及直播连麦比拼的匹配开始时间；

将所述主播标识与所述匹配开始时间进行交叉特征运算，得到第二组合特征；

将所述历史比拼特征输入线性回归模型，并将所述历史比拼特征和所述第二组合特征输入深度神经网络模型；

将所述线性回归模型的输出与深度神经网络模型的输出进行合并，得到目标待匹配主播的预测实力参考值。

6.根据权利要求5所述的方法，其特征在于，所述将所述主播标识与所述匹配开始时间进行交叉特征运算，得到第二组合特征，包括：

对所述主播标识与所述匹配开始时间进行笛卡尔积运算，并获取笛卡尔积结果；

对所述笛卡尔积结果进行哈希转换，并获取哈希结果作为第二组合特征。

7.一种直播连麦匹配装置，其特征在于，所述装置包括：

主播获取模块，用于获取匹配池中的多个待匹配主播；

组合获取模块，用于获取所述多个待匹配主播之间的比拼组合集合，所述比拼组合集合包括至少一个比拼组合，所述比拼组合由所述多个待匹配主播中的两个不相同的待匹配主播构成；

预测获取模块，用于基于预先训练的比拼预测模型获取所述比拼组合集合中每个比拼组合的预测总比拼值，所述基于预先训练好的比拼预测模型获取所述比拼组合集合中每个比拼组合的预测总比拼值，包括：获取当前比拼组合中的第一主播的第一历史比拼特征，以及所述当前比拼组合中第二主播的第二历史比拼特征，所述当前比拼组合为所述比拼组合集合中的任一比拼组合；

将所述第一历史比拼特征和所述第二历史比拼特征输入预先训练好的比拼预测模型，得到所述比拼预测模型输出的所述当前比拼组合对应的预测总比拼值，所述比拼预测模型根据训练样本对神经网络模型训练得到，所述训练样本包括比拼组合样本对应的历史比拼特征样本，以及与所述历史比拼特征样本对应的总比拼值样本；所述将所述第一历史比拼特征和所述第二历史比拼特征输入预先训练好的比拼预测模型，包括：获取所述第一主播的第一主播标识，以及所述第二主播的第二主播标识；获取直播连麦比拼的匹配开始时间；将所述第一主播标识、所述第二主播标识、所述匹配开始时间、所述第一历史比拼特征和所述第二历史比拼特征进行交叉特征运算，得到第一组合特征；将所述第一组合特征输入预先训练好的比拼预测模型；

结果确定模块，用于根据所述预测总比拼值，从所述比拼组合集合中确定出所述预测总比拼值之和最大的多个比拼组合，作为所述多个待匹配主播的直播连麦比拼的匹配结果，其中，所述多个比拼组合中不存在相同的待匹配主播。

8.一种电子设备，其特征在于，包括：

一个或多个处理器；

存储器；

一个或多个应用程序，其中所述一个或多个应用程序被存储在所述存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个应用程序配置用于执行如权利要求1-6任一项所述的方法。

9.一种计算机可读取存储介质，其特征在于，所述计算机可读取存储介质中存储有程序代码，所述程序代码可被处理器调用执行如权利要求1-6任一项所述的方法。