CN113382279A - 直播推荐方法、装置、设备、存储介质以及计算机程序产品 - Google Patents

Abstract

本公开提供了一种直播推荐方法、装置、设备、存储介质以及计算机程序产品，涉及互联网技术领域，尤其涉及智能推荐领域。具体实现方案为：对直播视频进行截取，得到当前视频片段；对当前视频片段进行内容识别，得到当前标签集；基于当前标签集对直播视频的历史标签集进行更新，得到直播内容标签集；根据直播内容标签集，对直播视频进行推荐。可以根据直播内容对相关标签进行及时更新，提高了推荐的准确率。

Description

直播推荐方法、装置、设备、存储介质以及计算机程序产品

技术领域

本公开涉及互联网技术领域，具体涉及智能推荐技术领域，尤其涉及一种直播推荐方法、装置、设备、存储介质以及计算机程序产品。

背景技术

随着互联网技术的快速发展，观看各类直播视频已经成为人们获取信息的一种重要方式。但是直播视频数量巨大，涉及内容多样繁杂，使得用户难以及时准确的获取需要的直播内容。

发明内容

本公开提供了一种直播推荐方法、装置、设备、存储介质以及计算机程序产品，提高了直播推荐的准确性。

根据本公开的一方面，提供了一种直播推荐方法，包括：对直播视频进行截取，得到当前视频片段；对当前视频片段进行内容识别，得到当前标签集；基于当前标签集对直播视频的历史标签集进行更新，得到直播内容标签集；根据直播内容标签集，对直播视频进行推荐。

根据本公开的另一方面，提供了一种直播推荐装置，包括：截取模块，被配置为对直播视频进行截取，得到当前视频片段；识别模块，被配置为对当前视频片段进行内容识别，得到当前标签集；更新模块，被配置为基于当前标签集对直播视频的历史标签集进行更新，得到直播内容标签集；推荐模块，被配置为根据直播内容标签集，对直播视频进行推荐。

根据本公开的又一方面，提供了一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被上述至少一个处理器执行，以使上述至少一个处理器能够执行上述直播推荐方法。

根据本公开的又一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，上述计算机指令用于使上述计算机执行上述直播推荐方法。

根据本公开的再一方面，提供了一种计算机程序产品，包括计算机程序，上述计算机程序在被处理器执行时实现上述直播推荐方法。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

附图用于更好地理解本方案，不构成对本公开的限定。其中：

图1是本公开可以应用于其中的示例性***架构图；

图2是根据本公开的直播推荐方法的一个实施例的流程图；

图3是根据本公开的直播推荐方法的另一个实施例的流程图；

图4是根据本公开的直播推荐方法的又一个实施例的流程图；

图5是根据本公开的直播推荐方法的又一个实施例的流程图；

图6是根据本公开的直播推荐方法的又一个实施例的流程图；

图7是根据本公开的直播推荐装置的一个实施例的结构示意图；

图8是用来实现本公开实施例的直播推荐方法的电子设备的框图。

具体实施方式

以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

图1示出了可以应用本公开的直播推荐方法或直播推荐装置的实施例的示例性***架构100。

如图1所示，***架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以获取推荐的直播视频等。终端设备101、102、103上可以安装有各种客户端应用，例如视频直播应用等等。

终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时，可以安装在上述电子设备中。其可以实现成多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。

服务器105可以提供各种基于视频直播的服务。例如，服务器105可以对从终端设备101、102、103获取到的直播视频进行分析和处理，并生成处理结果(例如对直播视频进行推荐等)。

需要说明的是，服务器105可以是硬件，也可以是软件。当服务器105为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器105为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。

需要说明的是，本公开实施例所提供的直播推荐方法一般由服务器105执行，相应地，直播推荐装置一般设置于服务器105中。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

继续参考图2，其示出了根据本公开的直播推荐方法的一个实施例的流程200。该直播推荐方法包括以下步骤：

步骤201、对直播视频进行截取，得到当前视频片段。

在本实施例中，直播推荐方法的执行主体(例如图1所示的服务器105)可以对直播间的直播状态进行检测，若检测到有直播间开始进行直播，可以获取当前直播的视频流，并对其进行截取。通常，可以根据实际需要或者模型的计算能力，截取固定时长的一段视频流作为直播视频的当前视频片段。

步骤202、对当前视频片段进行内容识别，得到当前标签集。

在本实施例中，上述执行主体在获取到当前视频片段后，可以进一步对当前视频片段所涉及的直播内容进行识别，例如，可以将当前视频片段输入预先训练好的内容识别模型，由模型输出相应的识别结果。通常，识别结果可以包括多个和当前直播内容相关的关键词，每一个关键词都可以被将当成一个视频标签。通过内容识别得到的所有视频标签可以组成上述当前标签集。

步骤203、基于当前标签集对直播视频的历史标签集进行更新，得到直播内容标签集。

在本实施例中，上述执行主体在得到当前标签集之后，可以进一步利用当前标签集对直播视频的历史标签集进行更新。其中，历史标签集可以是在本次直播过程中，在上述当前视频片段之前的全部直播视频所对应的标签集。历史标签集可以是通过上述类别识别模型识别得到的，也可以是根据直播间的类型或者主播以往的直播历史等信息确定的。在对历史标签集进行更新时，可以以当前标签集中的标签为参考基准，修正历史标签集中的标签，得到直播内容标签集。

例如，一个主播经常直播的内容是讲解小学生的数学课程，那历史标签集可以包括标签“小学数学”，在对当前视频片段进行内容识别后，得到的当前标签集可以包括标签“二十以内加减法”。通过大数据分析，可以知道二十之内加减法对应的是小学一年级数学的学习内容，那么可以基于当前标签“二十以内加减法”对直播视频的历史标签“小学数学”进行更新，得到标签“小学一年级数学”，作为上述直播内容标签集中的一个标签。

步骤204、根据直播内容标签集，对直播视频进行推荐。

在本实施例中，上述执行主体在得到直播内容标签集后，可以根据直播内容标签集中各个标签的具体文字内容，将直播视频推荐给对这些内容感兴趣的用户。例如，可以获取用户以往观看过的直播视频的标签，作为用户的兴趣标签，然后根据直播内容标签集与用户兴趣标签的匹配程度，确定向用户推荐的直播视频。

本公开实施例提供的直播推荐方法，首先对直播视频进行截取，得到当前视频片段，然后对当前视频片段进行内容识别，得到和直播内容相关的当前标签集，接着基于当前标签集对直播视频的历史标签集进行更新，得到直播内容标签集，最后根据直播内容标签集，对直播视频进行推荐。通过最新直播内容对直播视频的标签进行及时更新，使得直播标签的时效性和准确度都有了明显提升，从而提高了直播推荐的准确性。

进一步继续参考图3，其示出了根据本公开的直播推荐方法的另一个实施例的流程300。该直播推荐方法包括以下步骤：

步骤301、对直播视频进行截取，得到当前视频片段。

步骤302、对当前视频片段进行内容识别，得到当前标签集。

在本实施例中，步骤301-302具体操作已在图2所示的实施例中步骤201-202进行了详细的介绍，在此不再赘述。

步骤303、获取直播视频的历史标签集。

在本实施例中，上述执行主体在得到当前标签集之后，可以首先获取直播视频的历史标签集。其中，历史标签集可以是在本次直播过程中，在上述当前视频片段之前的全部直播视频所对应的标签集。历史标签集可以是通过上述类别识别模型识别得到的，也可以是根据直播间的类型或者主播以往的直播历史等信息确定的。

步骤304、将当前标签集和历史标签集中的所有标签进行合并去重，得到直播内容标签集。

在本实施例中，上述执行主体在得到直播视频的历史标签集后，可以直接将当前标签集和历史标签集中的所有标签进行合并，并对合并后的全部标签执行去重操作，最终得到直播内容标签集。其中，去重操作可以通过计算各标签间的相似度来实现，以使得相近似的标签在直播内容标签集仅保留一个。

步骤305、根据直播内容标签集，对直播视频进行推荐。

在本实施例中，步骤305具体操作已在图2所示的实施例中步骤204进行了详细的介绍，在此不再赘述。

从图3中可以看出，与图2对应的实施例相比，本实施例中的直播推荐方法在得到当前标签集后，使用将两个标签集合并去重的方式来更新历史标签集，这样得到的直播内容标签集既全面又精准，进一步提高了直播推荐的准确率。

进一步继续参考图4，其示出了根据本公开的直播推荐方法的又一个实施例的流程400。该直播推荐方法包括以下步骤：

步骤401、对直播视频进行截取，得到当前视频片段。

步骤402、对当前视频片段进行内容识别，得到当前标签集。

步骤403、获取直播视频的历史标签集。

在本实施例中，步骤401-403具体操作已在图3所示的实施例中步骤301-303进行了详细的介绍，在此不再赘述。

步骤404、获取历史标签集中各标签的权重系数。

在本实施例中，上述执行主体在得到直播视频的历史标签集后，可以进一步获取历史标签集中各标签的权重系数。其中，权重系数代表标签在历史标签集中的重要程度，例如，在为视频打标签时，全部标签是按照一定顺序排列的，越排在前面的标签与视频内容的相关性越高，其权重系数也就越大，即标签的权重系数可以与其排列次序成正比。

在本实施例的一些可选实现方式中，步骤404可以具体包括：获取历史标签集中各标签的累计去重次数；基于累计去重次数确定权重系数。具体地，历史标签集可能是对多个历史视频片段进行识别得到的，也可能是根据直播视频的主播特征和观看该直播的用户特征等相关信息得到的。在获取历史标签集的过程中，可以对多次或者多方面得到的全部标签合并去重，并记录每个标签的累计去重次数。去重的次数越多，说明该标签出现的次数也越多，则与直播视频的相关性越高。因此，可以基于累计去重次数确定合理的权重系数，例如，权重系数可以和累计去重次数成正比。

步骤405、将当前标签集和历史标签集中的所有标签进行合并去重，得到候选标签集，并记录候选标签集合中各标签的去重次数。

在本实施例中，上述执行主体在得到直播视频的历史标签集后，可以进一步将当前标签集和历史标签集中的所有标签进行合并，并对合并后的全部标签执行去重操作，得到候选标签集。同时，可以记录候选标签集中各标签的去重次数。由于在本步骤中进行合并的标签集只有两个，即当前标签集和历史标签集，因此在本次合并过程中标签的去重次数可以为0或1。

步骤406、基于权重系数和去重次数，从候选标签集合中筛选出直播内容标签集。

在本实施例中，上述执行主体在得到候选标签集合后，可以进一步对标签进行筛选。具体地，候选标签集合中的全部标签来源于历史标签集和当前标签集两个部分，对源于历史标签集中的标签来说，其具有权重系数和去重次数两个参数；对源于当前标签集中的标签来说，其仅具有去重次数一个参数。在进行标签筛选时，可以综合考虑权重系数和去重次数这两个参数，例如，可以利用去重次数对权重系数进行校正。对于具有权重系数的标签，若去重次数为1，则按照预先制订的权重规则增加权重系数，若去重次数为0，则保持权重系数不变。对于不具有权重系数的标签，则可以按照上述权重规则设定与去重次数对应的权重系数。然后根据修正后的权重系数对全部标签进行排序，并将排在前面的一定数量的标签作为直播内容标签集。

步骤407、根据直播内容标签集，对直播视频进行推荐。

在本实施例中，步骤407具体操作已在图2所示的实施例中步骤204进行了详细的介绍，在此不再赘述。

从图4中可以看出，与图3对应的实施例相比，本实施例中的直播推荐方法在对当前标签集和历史标签集中的所有标签进行合并去重时，首先获取历史标签集中各标签的权重系数，然后将当前标签集和历史标签集中的所有标签进行合并去重，得到候选标签集，并记录所述候选标签集合中各标签的去重次数，最后基于权重系数和去重次数，从候选标签集合中筛选出直播内容标签集。这样可以过滤掉与直播内容相关性较低的标签，减少推荐时的计算量，进一步提高了直播推荐的效率。

进一步继续参考图5，其示出了根据本公开的直播推荐方法的又一个实施例的流程500。该直播推荐方法包括以下步骤：

步骤501、按照第一时间间隔，对直播视频进行截取，得到当前视频片段。

在本实施例中，直播过程可以是实时持续进行的，上述执行主体在检测到有直播开始后，可以持续的获取直播的视频流，并按照预先设定的第一时间间隔，对得到的视频流进行截取。每次截取的视频片段的时长可以相等。可选的，视频片段的时长可以等于第一时间间隔。在对直播视频进行截取的过程中，得到的最新的视频片段即为上述当前视频片段。

步骤502、对当前视频片段进行内容识别，得到当前标签集。

在本实施例中，步骤502具体操作已在图2所示的实施例中步骤202进行了详细的介绍，在此不再赘述。

步骤503、基于截取的时间顺序，获取当前视频片段的前一视频片段。

在本实施例中，上述执行主体在得到当前标签集之后，需要获取当前视频片段的前一视频片段。由于在上述步骤501中，对直播视频的截取是按照第一时间间隔持续进行的，因此得到的全部视频片段可以按照截取的先后顺序进行排列，这样位于当前视频片段前面的视频片段就是上述前一视频片段。

在本步骤中，如果获取到前一视频片段，即执行下述步骤504，否则执行下述步骤505。

步骤504、响应于前一视频片段获取成功，将前一视频片段的直播内容标签集作为历史标签集。

在本实施例中，如果上述执行主体成功获取到前一视频片段，说明当前视频片段不是截取到的第一个片段，在当前视频片段之前还存在一个或多个历史视频片段，此时可以进一步获取该片段的直播内容标签集，并将其作为历史标签集。

步骤505、响应于前一视频片段获取失败，将直播视频的基础标签集作为历史标签集。

在本实施例中，如果上述执行主体未能获取到前一视频片段，说明当前视频片段是截取到的第一个片段，在当前视频片段之前不存在任何历史视频片段，此时可以获取直播视频的基础标签集作为上述历史标签集。

在本实施例的一些可选实现方式中，上述基础标签集可以通过下述步骤获得：获取直播视频的文本描述信息和封面图；对文本描述信息进行关键字提取，得到文本标签；对封面图进行文字识别，得到封面标签；将文本标签和封面标签进行合并，得到基础标签集。

具体地，上述执行主体可以首先获取直播视频的文本描述信息和封面图，其中文本描述信息可以包括直播标题和直播内容简介等文字信息，封面图可以是直播平台上各直播间的展示图。然后，上述执行主体可以得到的对文本描述信息进行语义分析，将得到的关键字作为文本标签，同时可以通过OCR(Optical Character Recognition,光学字符识别)技术对封面图进行文字识别，得到封面标签。最后，上述执行主体可以将文本标签和封面标签进行合并去重，得到基础标签集。具体合并去重的方式可以参考上述对当前标签集和历史标签集合并去重的描述，在此不再赘述。通过对文本描述信息和封面图进行识别，可以得到准确的基础标签集，为之后直播内容标签集的生成奠定了准确的基准。

步骤506、将当前标签集和历史标签集中的所有标签进行合并去重，得到直播内容标签集。

步骤507、根据直播内容标签集，对直播视频进行推荐。

在本实施例中，步骤506-507具体操作已在图3所示的实施例中步骤304-305进行了详细的介绍，在此不再赘述。

需要说明的是，本实施例中截取到的每一个视频片段都可以对应一个直播内容标签集。对于截取到的第一个视频片段来说，将该片段的当前标签集和基础标签集中的所有标签进行合并去重，可以得到对应的直播内容标签集。对于其他非第一个的视频片段来说，将该片段的当前标签集和前一视频片段的直播内容标签集进行合并去重，可以得到当前对应的直播内容标签集。

从图5中可以看出，与图3对应的实施例相比，本实施例中的直播推荐方法首先按照第一时间间隔，对直播视频进行截取，并在得到当前标签集后，基于截取的时间顺序，获取当前视频片段的前一视频片段。响应于前一视频片段获取成功，将前一视频片段的直播内容标签集作为历史标签集，否则将直播视频的基础标签集作为历史标签集，之后再进行合并去重、推荐等步骤。通过引入基础标签集，可以进一步提高直播内容标签集的准确性，提升推荐效率。

进一步继续参考图6，其示出了根据本公开的直播推荐方法的又一个实施例的流程600。该直播推荐方法包括以下步骤：

步骤601、对直播视频进行截取，得到当前视频片段。

在本实施例中，步骤601具体操作已在图2所示的实施例中步骤201进行了详细的介绍，在此不再赘述。

步骤602、对当前视频片段包括的关键帧进行内容识别，得到第一标签集。

在本实施例中，上述执行主体在得到当前视频片段后，可以首先提取视频片段中的关键帧，然后通过OCR技术对关键帧进行内容识别，提取各个关键帧上的所有内容标签，形成第一标签集。其中，关键帧可以通过运动分析或视频聚类的方法获得，其属于本领域的公知技术，在此不再赘述。

步骤603、对当前视频片段包括的语音信息进行内容识别，得到第二标签集。

在本实施例中，上述执行主体在得到当前视频片段后，可以提取当前视频片段的语音信息，然后通过自动语音识别(Automatic Speech Recognition，ASR)和序列标注算法提取语音信息中的关键内容，将得到的关键字作为内容标签，形成第二标签集。

步骤604、将第一标签集和第二标签集进行合并，得到当前标签集。

在本实施例中，上述执行主体在得到第一标签集和第二标签集后，可以直接将两个签集中的所有标签进行合并，并对合并后的全部标签执行去重操作，最终得到当前标签集。其中，去重操作可以通过计算各标签间的相似度来实现，以使得相近似的标签在当前标签集仅保留一个。

步骤605、基于当前标签集对直播视频的历史标签集进行更新，得到直播内容标签集。

在本实施例中，步骤502具体操作已在图2所示的实施例中步骤202进行了详细的介绍，在此不再赘述。

步骤606、获取目标对象的特征信息。

在本实施例中，目标对象可以是直播平台上的注册用户，特征信息可以包括用户的视频偏好等信息。上述执行主体可以根据目标对象的注册信息和历史行为信息，确定目标对象的特征信息。

本公开的技术方案中，所涉及的用户个人信息的获取，存储和应用等，均符合相关法律法规的规定，且不违背公序良俗。

步骤607、基于直播视频的主播的直播历史，确定主播特征标签集。

在本实施例中，上述执行主体可以获取与主播相关的主播特征标签集，该标签集与主播的直播历史相关。例如，可以通过以往每次直播的标题和简介来确定主播特征标签集，也可以将通过上述步骤得到直播内容标签集保存为主播特征标签集的一个子集。

步骤608、通过主播特征标签集对直播内容标签集进行校正。

在本实施例中，上述执行主体在得到主播特征标签集之后，可以进一步利用主播特征标签集对直播视频的直播内容标签集进行校正。由于主播特征标签集涵盖了大量的历史直播信息，其准确度通常高于在一次直播中得到的标签。若主播特征标签集和直播内容标签集中的标签内容发生冲突，可以优先选择主播特征标签替换直播内容标签，作为校正后的直播内容标签。

步骤609、响应于校正后的直播内容标签集与特征信息相匹配，向目标对象推荐直播视频。

在本实施例中，上述执行主体在得到校正后的直播内容标签集后，可以计算直播内容标签集与特征信息的相似度，当相似度大于预先设定的阈值，可以认为直播内容标签集与特征信息相匹配，此时可以向特征信息对应的目标对象推荐直播视频。

从图6中可以看出，与图2对应的实施例相比，本实施例中的直播推荐方法通过对当前视频片段的关键帧和语音信息进行内容识别，得到当前标签集，并利用主播特征标签集对直播内容标签集进行校正。可以进一步提高直播内容标签集的精准度，提升推荐准确率。

进一步参考图7，作为对上述各图所示方法的实现，本公开提供了一种直播推荐装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图7所示，本实施例的直播推荐装置700可以包括截取模块701，识别模块702，更新模块703和推荐模块704。其中，截取模块701，被配置为对直播视频进行截取，得到当前视频片段；识别模块702，被配置为对当前视频片段进行内容识别，得到当前标签集；更新模块703，被配置为基于当前标签集对直播视频的历史标签集进行更新，得到直播内容标签集；推荐模块704，被配置为根据直播内容标签集，对直播视频进行推荐。

在本实施例中，直播推荐装置700中：截取模块701，识别模块702，更新模块703和推荐模块704的具体处理及其所带来的技术效果可分别参考图2对应实施例中的步骤201-204的相关说明，在此不再赘述。

在本实施例的一些可选实现方式中，更新模块703包括：标签获取子模块，被配置为获取直播视频的历史标签集；第一合并子模块，被配置为将当前标签集和历史标签集中的所有标签进行合并去重，得到直播内容标签集。

在本实施例的一些可选实现方式中，第一合并子模块包括：权重获取单元，被配置为获取历史标签集中各标签的权重系数；标签合并单元，被配置为将当前标签集和历史标签集中的所有标签进行合并去重，得到候选标签集，并记录候选标签集合中各标签的去重次数；标签筛选单元，被配置为基于权重系数和去重次数，从候选标签集合中筛选出直播内容标签集。

在本实施例的一些可选实现方式中，权重获取单元包括：次数获取子单元，被配置为获取历史标签集中各标签的累计去重次数；权重确定子单元，被配置为基于累计去重次数确定权重系数。

在本实施例的一些可选实现方式中，截取模块701包括：截取子模块，被配置为按照第一时间间隔，对直播视频进行截取。以及上述标签获取子模块包括：片段获取单元，被配置为基于截取的时间顺序，获取当前视频片段的前一视频片段；第一确定单元，被配置为响应于前一视频片段获取成功，将前一视频片段的直播内容标签集作为历史标签集；第二确定单元，被配置为响应于前一视频片段获取失败，将直播视频的基础标签集作为历史标签集。

在本实施例的一些可选实现方式中，基础标签集通过以下子单元获得：信息获取子单元，被配置为获取直播视频的文本描述信息和封面图；文本提取子单元，被配置为对文本描述信息进行关键字提取，得到文本标签；图片识别子单元，被配置为对封面图进行文字识别，得到封面标签；标签合并子单元，被配置为将文本标签和封面标签进行合并，得到基础标签集。

在本实施例的一些可选实现方式中，识别模块702包括：第一识别子模块，被配置为对当前视频片段包括的关键帧进行内容识别，得到第一标签集；第二识别子模块，被配置为对当前视频片段包括的语音信息进行内容识别，得到第二标签集；第二合并子模块，被配置为将第一标签集和第二标签集进行合并，得到当前标签集。

在本实施例的一些可选实现方式中，推荐模块704包括：特征获取子模块，被配置为获取目标对象的特征信息；特征确定子模块，被配置为基于直播视频的主播的直播历史，确定主播特征标签集；标签校正子模块，被配置为通过主播特征标签集对所述直播内容标签集进行校正；推荐子模块，被配置为响应于校正后的直播内容标签集与特征信息相匹配，向目标对象推荐直播视频。

根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。

图8示出了可以用来实施本公开的实施例的示例电子设备800的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。

如图8所示，设备800包括计算单元801，其可以根据存储在只读存储器(ROM)802中的计算机程序或者从存储单元808加载到随机访问存储器(RAM)803中的计算机程序，来执行各种适当的动作和处理。在RAM803中，还可存储设备800操作所需的各种程序和数据。计算单元801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。

设备800中的多个部件连接至I/O接口805，包括：输入单元806，例如键盘、鼠标等；输出单元807，例如各种类型的显示器、扬声器等；存储单元808，例如磁盘、光盘等；以及通信单元809，例如网卡、调制解调器、无线通信收发机等。通信单元809允许设备800通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

计算单元801可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元801的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元801执行上文所描述的各个方法和处理，例如直播推荐方法。例如，在一些实施例中，直播推荐方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元808。在一些实施例中，计算机程序的部分或者全部可以经由ROM 802和/或通信单元809而被载入和/或安装到设备800上。当计算机程序加载到RAM 803并由计算单元801执行时，可以执行上文描述的直播推荐方法的一个或多个步骤。备选地，在其他实施例中，计算单元801可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行直播推荐方法。

本文中以上描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上***的***(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在计算机上实施此处描述的***和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的***和技术实施在包括后台部件的计算***(例如，作为数据服务器)、或者包括中间件部件的计算***(例如，应用服务器)、或者包括前端部件的计算***(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将***的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。

计算机***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以为分布式***的服务器，或者是结合了区块链的服务器。服务器也可以是云服务器，或者是带人工智能技术的智能云计算服务器或智能云主机。服务器可以为分布式***的服务器，或者是结合了区块链的服务器。服务器也可以是云服务器，或者是带人工智能技术的智能云计算服务器或智能云主机。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (19)

1.一种直播推荐方法，所述方法包括：

对直播视频进行截取，得到当前视频片段；

对所述当前视频片段进行内容识别，得到当前标签集；

基于所述当前标签集对所述直播视频的历史标签集进行更新，得到直播内容标签集；

根据所述直播内容标签集，对所述直播视频进行推荐。

2.根据权利要求1所述的方法，其中，所述基于所述当前标签集对所述直播视频的历史标签集进行更新，得到直播内容标签集包括：

获取所述直播视频的历史标签集；

将所述当前标签集和所述历史标签集中的所有标签进行合并去重，得到所述直播内容标签集。

3.根据权利要求2所述的方法，其中，所述将所述当前标签集和所述历史标签集中的所有标签进行合并去重，得到所述直播内容标签集包括：

获取所述历史标签集中各标签的权重系数；

将所述当前标签集和所述历史标签集中的所有标签进行合并去重，得到候选标签集，并记录所述候选标签集合中各标签的去重次数；

基于所述权重系数和所述去重次数，从所述候选标签集合中筛选出直播内容标签集。

4.根据权利要求3所述的方法，其中，获取所述历史标签集中各标签的权重系数包括：

获取所述历史标签集中各标签的累计去重次数；

基于所述累计去重次数确定所述权重系数。

5.根据权利要求2所述的方法，其中，

所述对直播视频进行截取包括：按照第一时间间隔，对所述直播视频进行截取；以及

所述获取所述直播视频的历史标签集包括：

基于所述截取的时间顺序，获取所述当前视频片段的前一视频片段；

响应于所述前一视频片段获取成功，将所述前一视频片段的直播内容标签集作为所述历史标签集；

响应于所述前一视频片段获取失败，将所述直播视频的基础标签集作为所述历史标签集。

6.根据权利要求5所述的方法，其中，所述基础标签集通过以下步骤获得：

获取所述直播视频的文本描述信息和封面图；

对所述文本描述信息进行关键字提取，得到文本标签；

对所述封面图进行文字识别，得到封面标签；

将所述文本标签和所述封面标签进行合并，得到所述基础标签集。

7.根据权利要求1-6任一项所述的方法，所述对所述当前视频片段进行内容识别，得到当前标签集包括：

对所述当前视频片段包括的关键帧进行内容识别，得到第一标签集；

对所述当前视频片段包括的语音信息进行内容识别，得到第二标签集；

将所述第一标签集和所述第二标签集进行合并，得到所述当前标签集。

8.根据权利要求1-7任一项所述的方法，其中，根据所述直播内容标签集，对所述直播视频进行推荐包括：

获取目标对象的特征信息；

基于所述直播视频的主播的直播历史，确定主播特征标签集；

通过所述主播特征标签集对所述直播内容标签集进行校正；

响应于校正后的直播内容标签集与所述特征信息相匹配，向所述目标对象推荐所述直播视频。

9.一种直播推荐装置，所述装置包括：

截取模块，被配置为对直播视频进行截取，得到当前视频片段；

识别模块，被配置为对所述当前视频片段进行内容识别，得到当前标签集；

更新模块，被配置为基于所述当前标签集对所述直播视频的历史标签集进行更新，得到直播内容标签集；

推荐模块，被配置为根据所述直播内容标签集，对所述直播视频进行推荐。

10.根据权利要求9所述的装置，其中，所述更新模块包括：

标签获取子模块，被配置为获取所述直播视频的历史标签集；

第一合并子模块，被配置为将所述当前标签集和所述历史标签集中的所有标签进行合并去重，得到所述直播内容标签集。

11.根据权利要求10所述的装置，其中，所述第一合并子模块包括：

权重获取单元，被配置为获取所述历史标签集中各标签的权重系数；

标签合并单元，被配置为将所述当前标签集和所述历史标签集中的所有标签进行合并去重，得到候选标签集，并记录所述候选标签集合中各标签的去重次数；

标签筛选单元，被配置为基于所述权重系数和所述去重次数，从所述候选标签集合中筛选出直播内容标签集。

12.根据权利要求11所述的装置，其中，所述权重获取单元包括：

次数获取子单元，被配置为获取所述历史标签集中各标签的累计去重次数；

权重确定子单元，被配置为基于所述累计去重次数确定所述权重系数。

13.根据权利要求10所述的装置，所述截取模块包括：

截取子模块，被配置为按照第一时间间隔，对所述直播视频进行截取；以及

所述标签获取子模块包括：

片段获取单元，被配置为基于所述截取的时间顺序，获取所述当前视频片段的前一视频片段；

第一确定单元，被配置为响应于所述前一视频片段获取成功，将所述前一视频片段的直播内容标签集作为所述历史标签集；

第二确定单元，被配置为响应于所述前一视频片段获取失败，将所述直播视频的基础标签集作为所述历史标签集。

14.根据权利要求13所述的装置，所述基础标签集通过以下子单元获得：

信息获取子单元，被配置为获取所述直播视频的文本描述信息和封面图；

文本提取子单元，被配置为对所述文本描述信息进行关键字提取，得到文本标签；

图片识别子单元，被配置为对所述封面图进行文字识别，得到封面标签；

标签合并子单元，被配置为将所述文本标签和所述封面标签进行合并，得到所述基础标签集。

15.根据权利要求9-14任一项所述的装置，其中，所述识别模块包括：

第一识别子模块，被配置为对所述当前视频片段包括的关键帧进行内容识别，得到第一标签集；

第二识别子模块，被配置为对所述当前视频片段包括的语音信息进行内容识别，得到第二标签集；

第二合并子模块，被配置为将所述第一标签集和所述第二标签集进行合并，得到所述当前标签集。

16.根据权利要求9-15任一项所述的装置，其中，所述推荐模块包括：

特征获取子模块，被配置为获取目标对象的特征信息；

特征确定子模块，被配置为基于所述直播视频的主播的直播历史，确定主播特征标签集；

标签校正子模块，被配置为通过所述主播特征标签集对所述直播内容标签集进行校正；

推荐子模块，被配置为响应于校正后的直播内容标签集与所述特征信息相匹配，向所述目标对象推荐所述直播视频。

17.一种电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-8中任一项所述的方法。

18.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-8中任一项所述的方法。

19.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-8中任一项所述的方法。

Images