CN113609332B - 一种视频直播资源推荐方法、***和装置 - Google Patents
一种视频直播资源推荐方法、***和装置 Download PDFInfo
- Publication number
- CN113609332B CN113609332B CN202110917459.8A CN202110917459A CN113609332B CN 113609332 B CN113609332 B CN 113609332B CN 202110917459 A CN202110917459 A CN 202110917459A CN 113609332 B CN113609332 B CN 113609332B
- Authority
- CN
- China
- Prior art keywords
- resource
- video
- live
- live broadcast
- user
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 75
- 238000012163 sequencing technique Methods 0.000 claims description 73
- 238000012549 training Methods 0.000 claims description 47
- 238000004891 communication Methods 0.000 claims description 23
- 238000004590 computer program Methods 0.000 claims description 14
- 230000006399 behavior Effects 0.000 description 24
- 238000010586 diagram Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 9
- 230000006870 function Effects 0.000 description 7
- 230000009471 action Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
- G06F16/73—Querying
- G06F16/735—Filtering based on additional data, e.g. user or group profiles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
- G06F16/73—Querying
- G06F16/738—Presentation of query results
-
- 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
- G06F16/78—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/7867—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using information manually generated, e.g. tags, keywords, comments, title and artist information, manually generated time, location and usage information, user ratings
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Library & Information Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Two-Way Televisions, Distribution Of Moving Picture Or The Like (AREA)
Abstract
本发明实施例提供了一种视频直播资源推荐方法、***和装置，该方法包括：接收目标客户端发送的视频直播资源请求；在预先记录的客户端与视频直播资源的对应关系中，查询所述目标客户端对应的各个视频直播资源，作为第一视频直播资源；其中，所述对应关系为：基于登录客户端的用户的用户特征，与视频直播资源的资源特征之间的相似度确定的；基于所述第一视频直播资源在所述对应关系中的排列顺序，向所述目标客户端推荐视频直播资源。本申请实施例提供的方法，能够实现为用户提供个性化推荐，并能够降低推荐的时延。
Description
技术领域
本发明涉及互联网技术领域，特别是涉及一种视频直播资源推荐方法、***和装置。
背景技术
随着互联网技术的快速发展，网络中的数据量呈爆发式增长。用户面对大量的数据很难找到自己真正感兴趣的内容，而内容提供商也很难把优质的内容准确推送给感兴趣的用户。
相关技术中，针对直播场景，可以向用户推荐当前热门的视频直播资源(即主播)。然而，仅基于热门的视频直播资源，向用户进行推荐，无法满足用户的个性化需求。
发明内容
本发明实施例的目的在于提供一种视频直播资源推荐方法、***和装置，能够实现为用户提供个性化推荐，且能够降低推荐的时延。具体技术方案如下：
在本发明实施的第一方面，首先提供了一种视频直播资源推荐方法，所述方法包括：
接收目标客户端发送的视频直播资源请求；
在预先记录的客户端与视频直播资源的对应关系中，查询所述目标客户端对应的各个视频直播资源，作为第一视频直播资源；其中，所述对应关系为：基于登录客户端的用户的用户特征，与视频直播资源的资源特征之间的相似度确定的；
基于所述第一视频直播资源在所述对应关系中的排列顺序，向所述目标客户端推荐视频直播资源。
可选的，若所述对应关系中不存在所述目标客户端，则基于预设视频直播资源，向所述目标客户端推荐视频直播资源。
可选的，在基于所述第一视频直播资源在所述对应关系中的排列顺序，向所述目标客户端推送视频直播资源之后，所述方法还包括：
当达到预设时刻时，确定上一次推荐之后，登录所述目标客户端的目标用户已浏览的视频直播资源，作为第二视频直播资源；
确定与所述第二视频直播资源的相关联的视频直播资源，作为第三视频直播资源；
基于所述第三视频直播资源的资源特征，与所述目标用户的用户特征之间的相似度，对所述第三视频直播资源进行排序，得到排序结果；
根据所述排序结果，更新所述对应关系中所述目标客户端对应的视频直播资源。
可选的，所述方法应用于资源推荐***中的资源推荐服务器，所述资源推荐***还包括资源排序服务器；
所述基于所述第三视频直播资源的资源特征，对所述第三视频直播资源进行排序，得到排序结果，包括：
向所述资源排序服务器发送所述第三视频直播资源的资源特征，以使所述资源排序服务器基于所述第三视频直播资源的资源特征，与所述目标用户的用户特征之间的相似度，对所述第三视频直播资源进行排序，得到排序结果，并向所述资源推荐服务器发送所述排序结果。
可选的，所述基于所述第三视频直播资源的资源特征，与所述目标用户的用户特征之间的相似度，对所述第三视频直播资源进行排序，得到排序结果，包括：
针对每一所述第三视频直播资源，将该第三视频直播资源的资源特征和所述目标用户的用户特征输入至预先训练的浏览预测网络模型，得到所述目标用户浏览该第三视频直播资源的概率，作为该第三视频直播资源的资源特征与所述目标用户的用户特征之间的相似度；其中，所述浏览预测网络模型为基于预设训练样本进行训练得到的；所述预设训练样本包含样本用户的用户特征和所述样本用户已浏览的视频直播资源的资源特征；
按照对应的相似度从大到小的顺序，对所述第三视频直播资源进行排序，得到排序结果。
可选的，在确定上一次推荐之后，登录所述目标客户端的用户已浏览的视频直播资源，作为第二视频直播资源之后，所述方法还包括：
针对每一所述第二视频直播资源，将该第二视频直播资源的资源特征和所述目标用户的用户特征，作为训练数据，对所述浏览预测网络模型的模型参数进行调整，以更新所述浏览预测网络模型。
在本发明实施的第二方面，提供了一种视频直播资源推荐方法，所述方法应用于资源推荐***中的资源排序服务器，所述资源推荐***还包括资源推荐服务器，所述方法包括：
接收所述资源推荐服务器发送第三视频直播资源的资源特征；其中，所述第三视频直播资源与第二视频直播资源相关联；所述第二视频直播资源为所述资源推荐服务器在预设时刻确定的，上一次推荐之后，登录目标客户端的目标用户已浏览的视频直播资源；
基于所述第三视频直播资源的资源特征，与所述目标用户的用户特征之间的相似度，对所述第三视频直播资源进行排序，得到排序结果；
向所述资源推荐服务器发送所述排序结果，以使所述资源推荐服务器记录所述目标客户端与所述排序结果的对应关系，并在接收到所述目标客户端发送的视频直播资源请求时，基于所述对应关系，向所述目标客户端推荐视频直播资源。
可选的，所述基于所述第三视频直播资源的资源特征，与所述目标用户的用户特征之间的相似度，对所述第三视频直播资源进行排序，得到排序结果，包括：
针对每一所述第三视频直播资源，将该第三视频直播资源的资源特征和所述目标用户的用户特征输入至预先训练的浏览预测网络模型，得到所述目标用户浏览该第三视频直播资源的概率，作为该第三视频直播资源的资源特征与所述目标用户的用户特征之间的相似度；其中，所述浏览预测网络模型为基于预设训练样本进行训练得到的；所述预设训练样本包含样本用户的用户特征和所述样本用户已浏览的视频直播资源的资源特征；
按照对应的相似度从大到小的顺序，对所述第三视频直播资源进行排序，得到排序结果。
在本发明实施的第三方面，还提供了一种视频直播资源推荐***，所述***包括：
所述视频直播资源推荐***包括目标客户端、资源推荐服务器，其中：
所述客户端，用于向所述资源推荐服务器发送视频直播资源请求；
所述资源推荐服务器，用于接收客户端发送的视频直播资源请求，在预先记录的客户端与视频直播资源的对应关系中，查询所述目标客户端对应的各个视频直播资源，作为第一视频直播资源；其中，所述对应关系为：基于登录客户端的用户的用户特征，与视频直播资源的资源特征之间的相似度确定的；基于所述第一视频直播资源在所述对应关系中的排列顺序，向所述目标客户端推荐视频直播资源。
可选的，所述资源推荐服务器，还用于若所述对应关系中不存在所述目标客户端，则基于预设视频直播资源，向所述目标客户端推荐视频直播资源。
可选的，所述资源推荐服务器，还用于在基于所述第一视频直播资源在所述对应关系中的排列顺序，向所述目标客户端推送视频直播资源之后，确定上一次推荐之后，登录所述目标客户端的目标用户已浏览的第二视频直播资源相关联的第三视频直播资源的资源特征；
基于所述第三视频直播资源的资源特征，与所述目标用户的用户特征之间的相似度，对所述第三视频直播资源进行排序，得到排序结果；
根据所述排序结果，更新所述对应关系中所述目标客户端对应的视频直播资源。
可选的，所述视频直播资源推荐***还包括资源排序服务器；
所述资源推荐服务器，还用于向所述资源排序服务器发送所述第三视频直播资源的资源特征；
所述资源排序服务器，用于基于所述第三视频直播资源的资源特征，与所述目标用户的用户特征之间的相似度，对所述第三视频直播资源进行排序，得到排序结果，并向所述资源推荐服务器发送所述排序结果。
可选的，所述资源排序服务器，用于针对每一所述第三视频直播资源，将该第三视频直播资源的资源特征和所述目标用户的用户特征输入至预先训练的浏览预测网络模型，得到所述目标用户浏览该第三视频直播资源的概率，作为该第三视频直播资源的资源特征与所述目标用户的用户特征之间的相似度；其中，所述浏览预测网络模型为基于预设训练样本进行训练得到的；所述预设训练样本包含样本用户的用户特征和所述样本用户已浏览的视频直播资源的资源特征；
按照对应的相似度从大到小的顺序，对所述第三视频直播资源进行排序，得到排序结果。
可选的，所述视频直播资源推荐***还包括资源获取服务器；
所述资源获取服务器，用于根据所述目标客户端发送的所述目标用户的浏览行为数据，确定上一次推荐之后，所述目标客户端的用户已浏览的第二视频直播资源；
确定与所述第二视频直播资源相关联的视频直播资源，作为第三视频直播资源；
将所述第三视频直播资源的资源特征存储至第一预设存储空间；
所述资源推荐服务器，用于从所述第一预设存储空间获取所述第三视频直播资源的资源特征。
可选的，所述资源排序服务器，还用于从第二预设存储空间获取所述浏览预测网络模型；
所述资源获取服务器，还用于针对每一所述第二视频直播资源，将该第二视频直播资源的资源特征和所述目标用户的用户特征，作为训练数据，对所述第二预设存储空间中的浏览预测网络模型的模型参数进行更新。
在本发明实施的第四方面，还提供了一种视频直播资源推荐装置，所述装置包括：
信息接收模块，用于接收目标客户端发送的视频直播资源请求；
第一视频直播资源查询模块，用于在预先记录的客户端与视频直播资源的对应关系中，查询所述目标客户端对应的各个视频直播资源，作为第一视频直播资源；其中，所述对应关系为：基于登录客户端的用户的用户特征，与视频直播资源的资源特征之间的相似度确定的；
视频直播资源推荐模块，基于所述第一视频直播资源在所述对应关系中的排列顺序，向所述目标客户端推荐视频直播资源。
可选的，所述视频直播资源推荐模块，还用于若所述对应关系中不存在所述目标客户端，则基于预设视频直播资源，向所述目标客户端推荐视频直播资源。
可选的，所述装置还包括：
第二视频直播资源确定模块，用于当达到预设时刻时，确定上一次推荐之后，登录所述目标客户端的用户已浏览的视频直播资源，作为第二视频直播资源；
第三视频直播资源确定模块，用于确定与所述第二视频直播资源的相关联的视频直播资源，作为第三视频直播资源；
排序模块，用于基于所述第三视频直播资源的资源特征，与所述目标用户的用户特征之间的相似度，对所述第三视频直播资源进行排序，得到排序结果；
视频直播资源更新模块，用于根据所述排序结果，更新所述对应关系中所述目标客户端对应的视频直播资源。
可选的，所述装置应用于资源推荐***中的资源推荐服务器，所述资源推荐***还包括资源排序服务器；
所述排序模块，还用于向所述资源排序服务器发送所述第三视频直播资源的资源特征，以使所述资源排序服务器基于所述第三视频直播资源的资源特征，与所述目标用户的用户特征之间的相似度，对所述第三视频直播资源进行排序，得到排序结果，并向所述资源推荐服务器发送所述排序结果。
可选的，所述排序模块，具体用于针对每一所述第三视频直播资源，将该第三视频直播资源的资源特征和所述目标用户的用户特征输入至预先训练的浏览预测网络模型，得到所述目标用户浏览该第三视频直播资源的概率，作为该第三视频直播资源的资源特征与所述目标用户的用户特征之间的相似度；其中，所述浏览预测网络模型为基于预设训练样本进行训练得到的；所述预设训练样本包含样本用户的用户特征和所述样本用户已浏览的视频直播资源的资源特征；按照对应的相似度从大到小的顺序，对所述第三视频直播资源进行排序，得到排序结果。
可选的，所述装置还包括：
浏览预测网络模型更新模块，用于针对每一所述第二视频直播资源，将该第二视频直播资源的资源特征和所述目标用户的用户特征，作为训练数据，对所述浏览预测网络模型的模型参数进行调整，以更新所述浏览预测网络模型。
在本发明实施的第五方面，还提供了一种视频直播资源推荐装置，所述装置应用于资源推荐***中的资源排序服务器，所述资源推荐***还包括资源推荐服务器，所述装置包括：
资源特征接收模块，用于接收所述资源推荐服务器发送第三视频直播资源的资源特征；其中，所述第三视频直播资源与第二视频直播资源相关联；所述第二视频直播资源为所述资源推荐服务器在预设时刻确定的，上一次推荐之后，登录目标客户端的目标用户已浏览的视频直播资源；
排序模块，用于基于所述第三视频直播资源的资源特征，与所述目标用户的用户特征之间的相似度，对所述第三视频直播资源进行排序，得到排序结果；
排序结果发送模块，用于向所述资源推荐服务器发送所述排序结果，以使所述资源推荐服务器记录所述目标客户端与所述排序结果的对应关系，并在接收到所述目标客户端发送的视频直播资源请求时，基于所述对应关系，向所述目标客户端推荐视频直播资源。
可选的，排序模块，具体用于针对每一所述第三视频直播资源，将该第三视频直播资源的资源特征和所述目标用户的用户特征输入至预先训练的浏览预测网络模型，得到所述目标用户浏览该第三视频直播资源的概率，作为该第三视频直播资源的资源特征与所述目标用户的用户特征之间的相似度；其中，所述浏览预测网络模型为基于预设训练样本进行训练得到的；所述预设训练样本包含样本用户的用户特征和所述样本用户已浏览的视频直播资源的资源特征；按照对应的相似度从大到小的顺序，对所述第三视频直播资源进行排序，得到排序结果。
在本发明实施的又一方面，还提供了一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现上述任一所述的视频直播资源推荐方法。
在本发明实施的又一方面，还提供了一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述任一所述的视频直播资源推荐方法。
在本发明实施的又一方面，还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述任一所述的视频直播资源推荐方法。
采用本发明实施例提供的视频直播资源推荐方法，接收目标客户端发送的视频直播资源请求；在预先记录的客户端与视频直播资源的对应关系中，查询目标客户端对应的各个视频直播资源，作为第一视频直播资源；其中，对应关系为：基于登录客户端的用户的用户特征，与视频直播资源的资源特征之间的相似度确定的；基于第一视频直播资源在对应关系中的排列顺序，向目标客户端推荐视频直播资源。
向目标客户端推荐的视频直播资源，是基于登录客户端的用户的用户特征，与视频直播资源的资源特征之间的相似度确定，因此，本申请实施例提供的方法，能够实现为用户提供个性化推荐。另外，本发明实施例的方法，能够预先确定客户端对应的视频直播资源，相应的，在接收到视频直播资源请求时，直接向客户端推荐视频直播资源，能够降低推荐的时延。
当然，实施本申请的任一产品或方法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发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。
图1为本发明实施例中一种视频直播资源推荐方法的流程图；
图2为本发明实施例中另一种视频直播资源推荐方法的流程图；
图3为本发明实施例中另一种视频直播资源推荐方法的流程图；
图4为本发明实施例中另一种视频直播资源推荐方法的流程图；
图5为本发明实施例中另一种视频直播资源推荐方法的流程图；
图6为本发明实施例中一种视频直播资源推荐方法的流程图；
图7为本发明实施例中另一种视频直播资源推荐方法的流程图；
图8为本发明实施例中一种视频直播资源推荐***的结构图；
图9为本发明实施例中一种视频直播资源推荐的原理示意图；
图10为本发明实施例中一种视频直播资源推荐装置的结构图；
图11为本发明实施例中一种视频直播资源推荐装置的结构图；
图12为本发明实施例提供的一种电子设备的结构示意图；
图13为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
相关技术中，针对直播场景，可以向用户推荐当前热门的视频直播资源。然而，仅基于热门视频直播资源，向用户进行推荐，无法满足用户的个性化需求，用户体验不佳。
为了解决上述问题，本发明提供了一种视频直播资源推荐方法，该方法可以应用于服务器(以下称为目标服务器)。
参见图1，图1为本发明实施例提供的一种视频直播资源推荐方法的流程图，包括：
S101：接收目标客户端发送的视频直播资源请求。
S102：在预先记录的客户端与视频直播资源的对应关系中，查询目标客户端对应的各个视频直播资源，作为第一视频直播资源。
其中，对应关系为：基于登录客户端的用户的用户特征，与视频直播资源的资源特征之间的相似度确定的。
S103：基于第一视频直播资源在对应关系中的排列顺序，向目标客户端推荐视频直播资源。
向目标客户端推荐的视频直播资源，是基于登录客户端的用户的用户特征，与视频直播资源的资源特征之间的相似度确定的，因此，本申请实施例提供的方法，能够实现为用户提供个性化推荐。另外，本发明实施例的方法，能够预先确定客户端对应的视频直播资源，相应的，在接收到视频直播资源请求时，直接向客户端推荐视频直播资源，能够降低推荐的时延。
本发明实施例中所提到的视频直播资源与主播是对应的，也就是说，一个视频直播资源可以表示一个主播。
在步骤S101中，目标客户端可以为手机、电脑等智能设备中安装的，用于浏览视频直播资源的应用程序。
当检测到目标用户已登陆时，目标客户端向目标服务器发送视频直播资源请求；或者，当目标用户刷新目标客户端的视频直播推荐页面时，目标客户端向推荐服务器发送视频直播资源请求；或者，当目标用户正在观看直播的过程中，目标客户端定时向推荐服务器发送视频直播资源请求。
在步骤S102中，目标服务器可以预先确定客户端与视频直播资源的对应关系，并存在本地，上述对应关系有多种形式。例如，视频直播资源推荐***在数据库中为每个客户端分配单独的存储空间，在该存储空间内记录上述对应关系中该客户端对应的视频直播资源；或者，推荐***在数据库内分配一个共享存储空间，将各个客户端与视频直播资源的对应关系存储到共享存储空间。
另外，目标服务器还可以为上述对应关系设置存储时长，该存储时长可根据经验设置，如将存储时长设置为6小时、24小时等等。当目标用户从目标客户端离线的时长达到该存储时长时，则可以删除目标用户与对应的视频直播资源的对应关系。
一种实现方式中，上述对应关系，可以为用客户端的标识与视频直播资源的标识的对应关系，视频直播资源的标识可以为对应的主播的直播房间地址，客户端的标识可以为登录客户端的用户的账号。
用户的用户特征可以包括：用户的个人信息和/或浏览行为信息。其中，个人信息可以包括以下至少一项：用户的年龄、性别、物理位置、感兴趣的视频直播资源的类型。浏览行为信息可以包括以下至少一项：用户观看已推荐的视频直播资源的时长、用户针对观看的视频直播资源的评论内容。
视频直播资源的资源特征可以包括对应的主播的主播特征、离线特征和实时特征。其中，主播特征可以包括以下至少一项：主播的年龄、性别、主播的类型。离线特征可以包括以下至少一项：主播历史直播的行为、主播历史直播的指标参数。主播历史直播的行为可以包括以下至少一项：曾经直播唱歌、曾经直播跳舞、曾经直播游戏。主播的直播间历史指标参数可以包括以下至少一项：历史直播的平均时长、历史直播的平均在线人数、历史直播的平均点赞数。实时特征可以包括以下至少一项：主播当前的状态、主播的直播间当前的指标参数。主播当前的状态可以包括以下至少一项：正在唱歌、正在跳舞、正在游戏。主播的直播间当前的指标参数可以包括以下至少一项：当前已直播的时长、当前的在线人数、当前的点赞数。
在步骤S103中，一种方式中，目标服务器可以直接向目标客户端推荐第一视频直播资源。
另一种方式中，目标服务器还可以对第一视频直播资源进行过滤，例如，去除之前已经向目标客户端推荐的视频直播资源，和/或当前不在线的主播对应的视频直播资源，并向目标客户端推荐过滤后的视频直播资源。
在一个实施例中，参见图2，在图1的基础上，在S101之后，该方法还可以包括以下步骤：
S104：若对应关系中不存在目标客户端，则基于预设视频直播资源，向目标客户端推荐视频直播资源。
当目标用户首次登陆目标客户端观看直播时，目标服务器还未记录该目标客户端与视频直播资源的对应关系。或者，当目标用户已离线的时间超过对应关系的存储时长，目标服务器已删除目标客户端与视频直播资源的对应关系，也就使得对应关系中不存在目标客户端。此时，无法基于对应关系，向目标客户端推荐视频直播资源。
预设视频直播资源可以为当前在线人数最多的视频直播资源，或者，也可以为当前点赞数最多的视频直播资源，或者，也可以为当前收到礼物最多的视频直播资源。
另外，目标服务器还可以基于用户的浏览行为，对上述对应关系中，目标客户端对应的视频直播资源进行更新。
在一个实施例中，参见图3，在图2的基础上，在S103之后，该方法还可以包括以下步骤：
S105：当达到预设时刻时，确定上一次推荐之后，登录目标客户端的用户已浏览的视频直播资源，作为第二视频直播资源。
S106：确定与第二视频直播资源的相关联的视频直播资源，作为第三视频直播资源。
S107：基于第三视频直播资源的资源特征，与目标用户的用户特征之间的相似度，对第三视频直播资源进行排序，得到排序结果。
S108：根据排序结果，更新对应关系中目标客户端对应的视频直播资源。
在本发明实施例中，目标服务器可以按照预设周期，对上述对应关系进行更新。也就是说，当达到预设周期对应的时刻(即预设时刻时)，目标服务器可以确定在上一次推荐之后目标用户的浏览行为数据，并基于浏览行为确定第三视频直播资源，以根据第三视频直播资源，更新目标客户端对应的视频直播资源。
可以理解的是，若上一次是基于第一视频直播资源在对应关系中的排列顺序，向目标客户端推荐视频直播资源，则确定的第二视频直播资源，包括：第一视频直播资源中，登录目标客户端的目标用户已浏览的视频直播资源。若上一次是基于预设视频直播资源，向目标客户端推荐视频直播资源，则确定的第二视频直播资源，包括：预设视频直播资源中，登录目标客户端的目标用户已浏览的视频直播资源。
在步骤S105中，一种实现方式中，在目标服务器向目标客户端推荐视频直播资源后，目标客户端可以获取目标用户针对推荐的视频直播资源的浏览行为数据。例如，浏览行为数据可以包括：目标用户已经浏览过的视频直播资源的标识。
然后，目标客户端可以将上述浏览行为数据添加至预设消息队列，相应的，目标服务器则可以从该预设消息队列获取浏览行为数据，以确定第三视频直播资源。其中，预设消息队列可以为kafka消息队列。
在步骤S106中，目标服务器可以从其他视频直播资源中，确定与第二视频直播资源存在至少一个相同的资源特征的视频直播资源，作为第三视频直播资源。或者，目标服务器也可以确定第二视频直播资源对应的主播关注的其他主播对应的视频直播资源，作为第三视频直播资源。或者，目标服务器也可以确定已关注第二视频直播资源对应的主播的其他主播对应的视频直播资源，作为第三视频直播资源。
在步骤S107中，目标服务器可以计算每一第三视频直播资源与目标用户的相似度，按照相似度对第三视频直播资源进行排序。
一种实现方式中，针对每一第三视频直播资源，可以确定该第三视频直播资源的资源特征对应的特征向量，以及目标用户的用户特征对应的特征向量，然后，可以计算该两个特征向量之间的相似度，作为目标用户与该第三视频直播资源之间的相似度。
另一种实现方式中，也可以基于预先训练的网络模型，计算目标用户与每一第三视频直播资源之间的相似度。
在步骤S108中，目标服务器可以确定对应关系中，与目标客户端对应的视频直播资源，为排序后的第三视频直播资源，以对该对应关系进行更新。或者，可以确定对应关系中，与目标客户端对应的视频直播资源，为排序后的第三视频直播资源中前预设数目个视频直播资源，以对该对应关系进行更新。
在一个实施例中，该方法可以应用于资源推荐***中的资源推荐服务器(即上述目标服务器)，资源推荐***还可以包括资源排序服务器。
因此，目标服务器可以向资源排序服务器发送第三视频直播资源的资源特征，进而，资源排序服务器可以对第三视频直播资源进行排序。
资源排序服务器对第三视频直播资源进行排序的方法，可以参考上述步骤S107中目标服务器对第三直播资源进行排序的方法。
一种实现方式中，资源推荐服务器可以为推荐***的近线层对应的服务器，例如，资源推荐服务器可以为部署有容器的云服务器，上述近线层部署在该容器中。另外，资源排序服务器可以为物理服务器。
基于上述架构，通过物理服务器对第三视频直播资源进行排序，能够降低近线层的业务负载，提高近线层响应用户的视频直播资源请求的速度，以降低时延。
另外，近线层部署于云端的容器中，可实现近线层的伸缩灵活部署。当近线层需要添加新功能时，可实现新功能快速上线。
一种实现方式中，资源排序服务器可以在zookeeper中进行服务注册，成为排序服务的提供者，并写入自己的URL(Uniform Resource Locator，统一资源定位符)地址，以使资源推荐服务器可以订阅zookeeper中的排序服务。资源推荐服务器通过资源排序服务器的URL地址，向资源排序服务器发送包含有第三视频直播资源的标识的微服务请求。进而，资源排序服务器可以对第三视频直播资源进行排序。相应的，资源推荐服务器可以在zookeeper中订阅上述资源排序服务器在zookeeper中注册的服务，成为排序服务的消费者，并写入自己的URL地址，以使资源排序服务器得到第三视频直播资源的排序结果后，通过资源推荐服务器的URL地址，向资源推荐服务器返回第三视频直播资源的排序结果。
在一个实施例中，参见图4，在图3基础上，步骤S107可以包括：
S1071：针对每一第三视频直播资源，将该第三视频直播资源的资源特征和目标用户的用户特征输入至预先训练的浏览预测网络模型，得到目标用户浏览该第三视频直播资源的概率，作为该第三视频直播资源的资源特征与目标用户的用户特征之间的相似度。
其中，浏览预测网络模型为基于预设训练样本进行训练得到的。预设训练样本包含样本用户的用户特征和样本用户已浏览的视频直播资源的资源特征。
S1072：按照对应的相似度从大到小的顺序，对第三视频直播资源进行排序，得到排序结果。
其中，浏览预测网络模型可以由技术人员根据经验和业务需求设置。例如，浏览预测网络模型可以为LR(Logistic Regression，逻辑回归)模型、GBDT(Gradient BoostDecision Tree，迭代决策树)模型、GBDT-FM(Gradient Boost Decision Tree-Factorization Machines，迭代决策树-因子分解)模型、也可以为Deep(Deep，深度排序)模型。
在一个实施例中，参见图5，在图4的基础上，在步骤S105之后，该方法还可以包括以下步骤包括：
S109：针对每一第二视频直播资源，将该第二视频直播资源的资源特征和目标用户的用户特征，作为训练数据，对浏览预测网络模型的模型参数进行调整，以更新浏览预测网络模型。
在本发明实施例中，目标服务器可以对上述浏览预测网络模型进行更新，以提高浏览预测网络模型的精确度。
一种实现方式中，目标服务器可以将该第二视频直播资源的资源特征和目标用户的用户特征，输入浏览预测网络模型，得到该目标用户针对该第二视频直播资源的预测概率，并计算该预测概率与该目标用户针对该第二视频直播资源的标签之间损失函数值。进而，基于该损失函数值调整浏览预测网络模型的模型参数。该目标用户针对该第二视频直播资源的标签，可以表示目标用户是否浏览该第二视频直播资源。
另一种方式中，目标服务器将该第二视频直播资源的各个资源特征两两组合，得到第二视频直播资源的高阶组合特征，和/或，将该目标用户的各个用户特征两两组合，得到目标用户的高阶组合特征。
目标服务器将该第二视频直播资源的资源特征、第二视频直播资源高阶组合特征、目标用户的用户特征和目标用户的高阶组合特征，作为训练数据，输入浏览预测网络模型，得到该目标用户针对该第二视频直播资源的预测概率，并计算该预测概率与该目标用户针对该第二视频直播资源的标签之间损失函数值。进而，基于该损失函数值调整浏览预测网络模型的模型参数。该目标用户针对该第二视频直播资源的标签，可以表示目标用户是否浏览该第二视频直播资源。
可以理解的是，上述基于第二视频直播资源的资源特征和目标用户的用户特征，对浏览预测网络模型进行更新的过程，也就是说，对浏览预测网络模型再次进行训练的过程。
因此，基于预设训练样本对浏览预测网络模型进行训练的过程，可以参考上述基于第二视频直播资源的资源特征和目标用户的用户特征，对浏览预测网络模型进行更新的过程。
基于相同的发明构思，本发明实施例提供了一种视频直播资源推荐方法，该方法还可以应用于资源推荐***中的资源排序服务器，资源推荐***还包括资源推荐服务器。参见图6，该方法可以包括以下步骤：
S601：接收资源推荐服务器发送第三视频直播资源的资源特征。
其中，第三视频直播资源与第二视频直播资源相关联；第二视频直播资源为资源推荐服务器在预设时刻确定的，上一次推荐之后，登录目标客户端的目标用户已浏览的视频直播资源。
S602：基于第三视频直播资源的资源特征，与目标用户的用户特征之间的相似度，对第三视频直播资源进行排序，得到排序结果。
S603：向资源推荐服务器发送排序结果，以使资源推荐服务器更新对应关系，并在接收到目标客户端发送的视频直播资源请求时，基于更新后的对应关系，向目标客户端推荐视频直播资源。
资源排序服务器向目标客户端推荐的视频直播资源，是基于登录客户端的用户的用户特征，与视频直播资源的资源特征之间的相似度确定，因此，本申请实施例提供的方法，能够实现为用户提供个性化推荐。另外，本发明实施例的方法，能够预先确定客户端对应的视频直播资源，相应的，在接收到视频直播资源请求时，直接向客户端推荐视频直播资源，能够降低推荐的时延。
S602可以参考上述步骤S107中目标服务器对第三视频直播资源排序的过程。
在一个实施例中，参见图7，在图6的基础上，步骤S602可以包括：
S6021：针对每一第三视频直播资源，将该第三视频直播资源的资源特征和目标用户的用户特征输入至预先训练的浏览预测网络模型，得到目标用户浏览该第三视频直播资源的概率，作为该第三视频直播资源的资源特征与目标用户的用户特征之间的相似度。
其中，浏览预测网络模型为基于预设训练样本进行训练得到的；预设训练样本包含样本用户的用户特征和样本用户已浏览的视频直播资源的资源特征。
S6022：按照对应的相似度从大到小的顺序，对第三视频直播资源进行排序，得到排序结果。
步骤S6021-S6022可以参考上述步骤S1071-S1072的介绍。
基于相同的发明构思，本发明实施例还提供了一种视频直播资源推荐***，参见图8，图8为本申请实施例提供的一种视频直播资源推荐***的结构图，包括：
客户端801，用于向资源推荐服务器发送视频直播资源请求。
资源推荐服务器802，用于接收客户端发送的视频直播资源请求，在预先记录的客户端与视频直播资源的对应关系中，查询目标客户端对应的各个视频直播资源，作为第一视频直播资源。
其中，对应关系为：基于登录客户端的用户的用户特征，与视频直播资源的资源特征之间的相似度确定的；基于第一视频直播资源在对应关系中的排列顺序，向目标客户端推荐视频直播资源。
在一个实施例中，资源推荐服务器802，还用于若对应关系中不存在目标客户端，则基于预设视频直播资源，向目标客户端推荐视频直播资源。
在一个实施例中，资源推荐服务器802，还用于在基于第一视频直播资源在对应关系中的排列顺序，向目标客户端推送视频直播资源之后，确定上一次推荐之后，登录目标客户端的目标用户已浏览的第二视频直播资源相关联的第三视频直播资源的资源特征；基于第三视频直播资源的资源特征，与目标用户的用户特征之间的相似度，对第三视频直播资源进行排序，得到排序结果；根据排序结果，更新对应关系中目标客户端对应的视频直播资源。
在一个实施例中，资源推荐服务器802，还用于向资源排序服务器发送第三视频直播资源的资源特征。
资源排序服务器803，用于基于第三视频直播资源的资源特征，与目标用户的用户特征之间的相似度，对第三视频直播资源进行排序，得到排序结果，并向资源推荐服务器发送排序结果。
在一个实施例中，资源排序服务器803，具体用于针对每一第三视频直播资源，将该第三视频直播资源的资源特征和目标用户的用户特征输入至预先训练的浏览预测网络模型，得到目标用户浏览该第三视频直播资源的概率，作为该第三视频直播资源的资源特征与目标用户的用户特征之间的相似度；其中，浏览预测网络模型为基于预设训练样本进行训练得到的；预设训练样本包含样本用户的用户特征和样本用户已浏览的视频直播资源的资源特征；按照对应的相似度从大到小的顺序，对第三视频直播资源进行排序，得到排序结果。
在一个实施例中，资源获取服务器804，用于根据目标客户端发送的目标用户的浏览行为数据，确定第一视频直播资源中目标客户端的用户已浏览的第二视频直播资源；确定与第二视频直播资源相关联的视频直播资源，作为第三视频直播资源；将第三视频直播资源的资源特征存储至第一预设存储空间。
资源推荐服务器802，还用于从第一预设存储空间获取第三视频直播资源的资源特征。
在本发明实施例中，资源获取服务器804，接收目标客户端发送的浏览行为数据，解析浏览行为数据，确定上一次推荐之后，目标客户端的用户已浏览的第二视频直播资源，通过第二视频直播资源的资源特征，确定与第二视频直播资源相关联的视频直播资源，作为第三视频直播资源，并将第三视频直播资源的资源特征存储至第一预设存储空间。
一种实现方式中，目标客户端可以将上述浏览行为数据添加至预设消息队列，相应的，目标服务器则可以从该预设消息队列获取浏览行为数据，以确定第三视频直播资源。其中，预设消息队列可以为kafka消息队列。
在一个实施例中，资源排序服务器803，还用于从第二预设存储空间获取浏览预测网络模型。
资源获取服务器804，还用于针对每一第二视频直播资源，将该第二视频直播资源的资源特征和目标用户的用户特征，作为训练数据，对第二预设存储空间中的浏览预测网络模型的模型参数进行更新。
在本发明实施例中，资源获取服务器804，用于更新浏览预测网络模型。
一种实现方式中，目标客户端可以向资源获取服务器804发送浏览行为数据，该浏览行为数据还可以包括用户的用户特征。
资源获取服务器804，则可以基于浏览行为数据里的视频直播资源的标识和用户的用户特征，对第二预设存储空间中存储的浏览预测网络模型进行更新，使得资源排序服务器803可以从第二预设存储空间中获取更新后浏览预测网络模型。
参见图9，图9为本发明实施例提供的一种视频直播资源推荐的原理示意图。图9中，APP后端对应上述目标客户端，云端容器部署Nearline近线层，表示推荐***的近线层对应的服务器部署在云服务器的容器中，近线层对应的服务器对应于上述资源推荐服务器。物理机部署predictor(预测模型)排序模块，表示资源排序模块部署在物理机上，排序模块对应于上述资源排序服务器。
Couchbase(数据库)个性化缓存索引，表示存储在Couchbase中的个性化缓存的存储索引。其中，个性化缓存对应于上述对应关系中的视频直播资源。个性化缓存的存储索引用于在Couchbase中查找上述对应关系中的视频直播资源。非个性化缓存索引，表示存储在Couchbase中的非个性化缓存的存储索引，非个性化缓存对应于上述预存视频直播资源，非个性化缓存的存储索引用于在Couchbase中查找上述预设视频直播资源。
APP后端向近线层发送查询请求，也就是，视频直播资源请求。近线层接收到资源请求后，查询索引。也就是，查询上述对应关系，以及预设视频直播资源，并返回查询结果，即，返回查询到的视频直播资源。
APP后端可以获取用户行为数据，用户行为数据可以包含登陆目标客户端的目标用户已浏览的视频直播资源。
APP后端根据用户行为数据生成用户行为pingback消息，并添加至Kafka消息队列。近线层可以根据Kafka消息队列，构建个性化缓存索引。
算法工程babel(转译器)任务由上述资源获取服务器完成。算法工程应用于资源获取服务器，可以根据Kafka消息队列中的用户行为pingback消息，确定目标用户浏览过的第二视频直播资源。
Hive table(蜂巢表)中用于记录当前已有的各个视频直播资源，各个视频直播资源可以包括，各个视频直播资源的标识和各个视频直播资源对应主播的主播特征。Bl Hivetable(布尔值蜂巢表)用于记录当前已有的各个视频直播资源，对应主播的离线特征和实时特征。
通过算法工程可以根据第二视频直播资源对应主播的主播特征，在Hive table中查找确定主播召回源倒排，主播召回源倒排对应于上述第三视频直播资源。算法工程使用babel工具，可以将主播召回源倒排格式转译为key-value(键值对)格式存入Couchbase中，其中，key可以为第二视频直播资源对应主播的主播特征中的一项主播特征，value可以为利用该资源特征查询到的相关联的视频直播资源。
算法工程在Bl Hive table中查找确定主播召回源倒排中的各个主播的离线特征。算法工程使用babel工具，将查找到的离线特征正排的格式转译为key-value格式存入Couchbase中，其中，key可以为主播召回源倒排中的主播，value可以为该主播对应的离线特征。其中离线特征采用正向索引排列，即根据各个主播对离线特征进行排列。算法工程使用Flink工具，在Bl Hive table中Batch(批量)输出，确定主播召回源倒排中各个主播的实时特征，并将该实时特征存入Couchbase中。
算法工程在Hive table中，查找第二视频直播资源对应主播的主播特征，在BlHive table中查找第二视频直播资源对应主播的离线特征和实时特征，将查找第二视频直播资源对应主播的主播特征、离线特征和实时特征，作为第二视频直播资源的资源特征。算法工程在Hive table查找登陆APP的目标用户的用户特征，并使用bable工具将查询到的资源特征和用户特征转译为key-value。其中资源特征的key-value，key可以为第二视频直播资源中的一个视频直播资源，value可以为该视频直播资源对应的资源特征。其中用户特征的key-value，key可以为客户端标识，value可以为该客户端对应的用户的用户特征。算法工程还可以将转译后的资源特征和对应的用户特征，作为样本数据，对Couchbase中存储的模型文件进行更新，也就是更新浏览预测网络模型。该模型文件可以包括GBDT、GBDT-FM模型的模型文件。
MicroAPI call：GBDT/GBDT-FM，表示近线层将从数据库中加载的主播召回源的主播特征、离线特征和实时特征，封装进MicroAPI call(微服务请求)，将该微服务请求发送给排序模块。排序模块可以周期性地(例如每5min)扫描一次Couchbase，得到上述算法工程生成的模型文件，并加载进缓存。当排序模块接收到来自近线层的微服务请求，基于该模型文件表示的浏览预测网络模型，对该微服务请求中目标用户特征、主播召回源的主播特征、离线特征和实时特征输入进行处理，以对主播召回源进行排序，得到排序结果，并向近线层返回排序结果。近线层接收到排序结果后，删除数据库中目标用户的个性化缓存索引，将排序结果作为新的个性化缓存构建索引并存储入数据库。
近线层还可以从MySQL(关系型数据库管理***)中获取热门主播的视频直播资源，将热门主播的视频直播资源作为非个性化缓存，存入Couchbase数据库。
基于本发明实施例提供的视频直播资源推荐方法进行压力测试，该测试过程中，视频直播资源数目为3000个，采用6路召回，即，根据第二视频直播资源确定6类资源特征，确定含有6类资源特征中至少一类资源特征的视频直播资源，作为第三视频直播资源。另外，测试的用户的数目为200万个，QPS(Query Per Second，每秒查询率)为：5000～8000，得到表(1)所示的测试结果。
表(1)
| 用户比例 | 推荐时延 |
| 50％ | 35ms |
| 90％ | 37ms |
| 95％ | 41ms |
| 99％ | 49ms |
表(1)中，在所有用户中，50％的用户的推荐时延不超过35毫秒，90％的用户的推荐时延不超过37毫秒，95％的用户的推荐时延不超过41毫秒，99％的用户的推荐时延不超过49毫秒，由此可见本发明实施例的方法，推荐的时延都维持在较小的数值。
基于相同的发明构思，本发明实施例还提供了一种视频直播资源推荐装置参见图10，图10为本申请实施例提供的一种视频直播资源推荐装置的结构图，包括：
信息接收模块1001，用于接收目标客户端发送的视频直播资源请求；
第一视频直播资源查询模块1002，用于在预先记录的客户端与视频直播资源的对应关系中，查询目标客户端对应的各个视频直播资源，作为第一视频直播资源；其中，对应关系为：基于登录客户端的用户的用户特征，与视频直播资源的资源特征之间的相似度确定的；
视频直播资源推荐模块1003，用于基于第一视频直播资源在对应关系中的排列顺序，向目标客户端推荐视频直播资源。
一种实施方式中，视频直播资源推荐模块1003，还用于若对应关系中不存在目标客户端，则基于预设视频直播资源，向目标客户端推荐视频直播资源。
第二视频直播资源确定模块，用于当达到预设时刻时，确定第一视频直播资源中登录目标客户端的用户已浏览的视频直播资源，作为第二视频直播资源。
第三视频直播资源确定模块，用于确定与第二视频直播资源的相关联的视频直播资源，作为第三视频直播资源。
排序模块，用于基于第三视频直播资源的资源特征，与目标用户的用户特征之间的相似度，对第三视频直播资源进行排序，得到排序结果。
视频直播资源更新模块，用于根据排序结果，更新对应关系中目标客户端对应的视频直播资源。
一种实施方式中，排序模块，还用于向资源排序服务器发送第三视频直播资源的资源特征，以使资源排序服务器基于第三视频直播资源的资源特征，目标用户的用户特征之间的相似度，对第三视频直播资源进行排序，得到排序结果，并向资源推荐服务器发送排序结果。
一种实施方式中，排序模块，具体用于针对每一第三视频直播资源，将该第三视频直播资源的资源特征和目标用户的用户特征输入至预先训练的浏览预测网络模型，得到目标用户浏览该第三视频直播资源的概率，作为该第三视频直播资源的资源特征与目标用户的用户特征之间的相似度；其中，浏览预测网络模型为基于预设训练样本进行训练得到的；预设训练样本包含样本用户的用户特征和样本用户已浏览的视频直播资源的资源特征；按照对应的相似度从大到小的顺序，对第三视频直播资源进行排序，得到排序结果。
浏览预测网络模型更新模块，用于针对每一第二视频直播资源，将该第二视频直播资源的资源特征和目标用户的用户特征，作为训练数据，对浏览预测网络模型的模型参数进行调整，以更新浏览预测网络模型。
基于相同的发明构思，本发明实施例还提供了一种视频直播资源推荐装置。参见图11，图11为本申请实施例提供的一种视频直播资源推荐装置的结构图，包括：
资源特征接收模块1101，用于接收资源推荐服务器发送第三视频直播资源的资源特征；其中，第三视频直播资源与第二视频直播资源相关联；第二视频直播资源为资源推荐服务器在预设时刻确定的，预先记录的对应关系中目标客户端对应的第一视频直播资源中，登录目标客户端的目标用户已浏览的视频直播资源；
排序模块1102，用于基于第三视频直播资源的资源特征，与目标用户的用户特征之间的相似度，对第三视频直播资源进行排序，得到排序结果；
排序结果发送模块1103，用于向资源推荐服务器发送排序结果，以使资源推荐服务器记录目标客户端与排序结果的对应关系，并在接收到目标客户端发送的视频直播资源请求时，基于对应关系，向目标客户端推荐视频直播资源。排序模块1102，具体用于针对每一第三视频直播资源，将该第三视频直播资源的资源特征和目标用户的用户特征输入至预先训练的浏览预测网络模型，得到目标用户浏览该第三视频直播资源的概率，作为该第三视频直播资源的资源特征与目标用户的用户特征之间的相似度；其中，浏览预测网络模型为基于预设训练样本进行训练得到的；预设训练样本包含样本用户的用户特征和样本用户已浏览的视频直播资源的资源特征；
按照对应的相似度从大到小的顺序，对第三视频直播资源进行排序，得到排序结果。
本发明实施例还提供了一种电子设备，如图12所示，包括处理器1201、通信接口1202、存储器1203和通信总线1204，其中，处理器1201，通信接口1202，存储器1203通过通信总线1204完成相互间的通信，
存储器1203，用于存放计算机程序；
处理器1201，用于执行存储器1203上所存放的程序时，实现如下步骤：
接收目标客户端发送的视频直播资源请求；
在预先记录的客户端与视频直播资源的对应关系中，查询所述目标客户端对应的各个视频直播资源，作为第一视频直播资源；其中，所述对应关系为：基于登录客户端的用户的用户特征，与视频直播资源的资源特征之间的相似度确定的；
基于所述第一视频直播资源在所述对应关系中的排列顺序，向所述目标客户端推荐视频直播资源。
本发明实施例还提供了一种电子设备，如图13所示，包括处理器1301、通信接口1302、存储器1303和通信总线1304，其中，处理器1301，通信接口1302，存储器1303通过通信总线1304完成相互间的通信，
存储器1303，用于存放计算机程序；
处理器1301，用于执行存储器1303上所存放的程序时，实现如下步骤：
接收所述资源推荐服务器发送第三视频直播资源的资源特征；其中，所述第三视频直播资源与第二视频直播资源相关联；所述第二视频直播资源为所述资源推荐服务器在预设时刻确定的，上一次推荐之后，登录所述目标客户端的目标用户已浏览的视频直播资源；
基于所述第三视频直播资源的资源特征，与所述目标用户的用户特征之间的相似度，对所述第三视频直播资源进行排序，得到排序结果；
向所述资源推荐服务器发送所述排序结果，以使所述资源推荐服务器记录所述目标客户端与所述排序结果的对应关系，并在接收到所述目标客户端发送的视频直播资源请求时，基于所述对应关系，向所述目标客户端推荐视频直播资源。
上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect，简称PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，简称EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory，简称RAM)，也可以包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital Signal Processor，简称DSP)、专用集成电路(Application SpecificIntegrated Circuit，简称ASIC)、现场可编程门阵列(Field－Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
在本发明提供的又一实施例中，还提供了一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述实施例中任一所述的视频直播资源推荐方法。
在本发明提供的又一实施例中，还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述实施例中任一所述的视频直播资源推荐方法。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
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。
本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置、***、电子设备、计算机可读存储介质以及计算机程序产品而言，由于其基本相似于方法实施例，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。
以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。
Claims (12)
1.一种视频直播资源推荐方法，其特征在于，所述方法包括：
接收目标客户端发送的视频直播资源请求；
在预先记录的客户端与视频直播资源的对应关系中，查询所述目标客户端对应的各个视频直播资源，作为第一视频直播资源；其中，所述对应关系为：基于登录客户端的用户的用户特征，与视频直播资源的资源特征之间的相似度确定的；
基于所述第一视频直播资源在所述对应关系中的排列顺序，向所述目标客户端推荐视频直播资源；
在基于所述第一视频直播资源在所述对应关系中的排列顺序，向所述目标客户端推送视频直播资源之后，所述方法还包括：
当达到预设时刻时，确定上一次推荐之后，登录所述目标客户端的目标用户已浏览的视频直播资源，作为第二视频直播资源；
确定与所述第二视频直播资源的相关联的视频直播资源，作为第三视频直播资源；
基于所述第三视频直播资源的资源特征，与所述目标用户的用户特征之间的相似度，对所述第三视频直播资源进行排序，得到排序结果；
根据所述排序结果，更新所述对应关系中所述目标客户端对应的视频直播资源。
2.根据权利要求1所述方法，其特征在于，在所述接收目标客户端发送的视频直播资源请求之后，所述方法还包括：
若所述对应关系中不存在所述目标客户端，则基于预设视频直播资源，向所述目标客户端推荐视频直播资源。
3.根据权利要求1所述的方法，其特征在于，所述方法应用于资源推荐***中的资源推荐服务器，所述资源推荐***还包括资源排序服务器；
所述基于所述第三视频直播资源的资源特征，对所述第三视频直播资源进行排序，得到排序结果，包括：
向所述资源排序服务器发送所述第三视频直播资源的资源特征，以使所述资源排序服务器基于所述第三视频直播资源的资源特征，与所述目标用户的用户特征之间的相似度，对所述第三视频直播资源进行排序，得到排序结果，并向所述资源推荐服务器发送所述排序结果。
4.根据权利要求1或3所述的方法，其特征在于，所述基于所述第三视频直播资源的资源特征，与所述目标用户的用户特征之间的相似度，对所述第三视频直播资源进行排序，得到排序结果，包括：
针对每一所述第三视频直播资源，将该第三视频直播资源的资源特征和所述目标用户的用户特征输入至预先训练的浏览预测网络模型，得到所述目标用户浏览该第三视频直播资源的概率，作为该第三视频直播资源的资源特征与所述目标用户的用户特征之间的相似度；其中，所述浏览预测网络模型为基于预设训练样本进行训练得到的；所述预设训练样本包含样本用户的用户特征和所述样本用户已浏览的视频直播资源的资源特征；
按照对应的相似度从大到小的顺序，对所述第三视频直播资源进行排序，得到排序结果。
5.根据权利要求4所述的方法，其特征在于，在确定上一次推荐之后，登录所述目标客户端的用户已浏览的视频直播资源，作为第二视频直播资源之后，所述方法还包括：
针对每一所述第二视频直播资源，将该第二视频直播资源的资源特征和所述目标用户的用户特征，作为训练数据，对所述浏览预测网络模型的模型参数进行调整，以更新所述浏览预测网络模型。
6.一种视频直播资源推荐方法，其特征在于，所述方法应用于资源推荐***中的资源排序服务器，所述资源推荐***还包括资源推荐服务器，所述方法包括：
接收所述资源推荐服务器发送第三视频直播资源的资源特征；其中，所述第三视频直播资源与第二视频直播资源相关联；所述第二视频直播资源为所述资源推荐服务器在预设时刻确定的，上一次推荐之后，登录目标客户端的目标用户已浏览的视频直播资源；
基于所述第三视频直播资源的资源特征，与所述目标用户的用户特征之间的相似度，对所述第三视频直播资源进行排序，得到排序结果；
向所述资源推荐服务器发送所述排序结果，以使所述资源推荐服务器记录所述目标客户端与所述排序结果的对应关系，并在接收到所述目标客户端发送的视频直播资源请求时，基于所述对应关系，向所述目标客户端推荐视频直播资源。
7.根据权利要求6所述的方法，其特征在于，所述基于所述第三视频直播资源的资源特征，与所述目标用户的用户特征之间的相似度，对所述第三视频直播资源进行排序，得到排序结果，包括：
针对每一所述第三视频直播资源，将该第三视频直播资源的资源特征和所述目标用户的用户特征输入至预先训练的浏览预测网络模型，得到所述目标用户浏览该第三视频直播资源的概率，作为该第三视频直播资源的资源特征与所述目标用户的用户特征之间的相似度；其中，所述浏览预测网络模型为基于预设训练样本进行训练得到的；所述预设训练样本包含样本用户的用户特征和所述样本用户已浏览的视频直播资源的资源特征；
按照对应的相似度从大到小的顺序，对所述第三视频直播资源进行排序，得到排序结果。
8.一种视频直播资源推荐***，其特征在于，所述视频直播资源推荐***包括目标客户端、资源推荐服务器，其中：
所述客户端，用于向所述资源推荐服务器发送视频直播资源请求；
所述资源推荐服务器，用于接收客户端发送的视频直播资源请求，在预先记录的客户端与视频直播资源的对应关系中，查询所述目标客户端对应的各个视频直播资源，作为第一视频直播资源；其中，所述对应关系为：基于登录客户端的用户的用户特征，与视频直播资源的资源特征之间的相似度确定的；基于所述第一视频直播资源在所述对应关系中的排列顺序，向所述目标客户端推荐视频直播资源；
所述资源推荐服务器，还用于在基于所述第一视频直播资源在所述对应关系中的排列顺序，向所述目标客户端推送视频直播资源之后，确定上一次推荐之后，登录所述目标客户端的目标用户已浏览的第二视频直播资源相关联的第三视频直播资源的资源特征；基于所述第三视频直播资源的资源特征，与所述目标用户的用户特征之间的相似度，对所述第三视频直播资源进行排序，得到排序结果；根据所述排序结果，更新所述对应关系中所述目标客户端对应的视频直播资源。
9.一种视频直播资源推荐装置，其特征在于，所述装置包括：
信息接收模块，用于接收目标客户端发送的视频直播资源请求；
第一视频直播资源查询模块，用于在预先记录的客户端与视频直播资源的对应关系中，查询所述目标客户端对应的各个视频直播资源，作为第一视频直播资源；其中，所述对应关系为：基于登录客户端的用户的用户特征，与视频直播资源的资源特征之间的相似度确定的；
视频直播资源推荐模块，用于基于所述第一视频直播资源在所述对应关系中的排列顺序，向所述目标客户端推荐视频直播资源；
第二视频直播资源确定模块，用于当达到预设时刻时，确定上一次推荐之后，登录所述目标客户端的目标用户已浏览的视频直播资源，作为第二视频直播资源；
第三视频直播资源确定模块，用于确定与所述第二视频直播资源的相关联的视频直播资源，作为第三视频直播资源；
排序模块，用于基于所述第三视频直播资源的资源特征，与所述目标用户的用户特征之间的相似度，对所述第三视频直播资源进行排序，得到排序结果；
视频直播资源更新模块，用于根据所述排序结果，更新所述对应关系中所述目标客户端对应的视频直播资源。
10.一种视频直播资源推荐装置，其特征在于，所述装置应用于资源推荐***中的资源排序服务器，所述资源推荐***还包括资源推荐服务器，所述装置包括：
资源特征接收模块，用于接收所述资源推荐服务器发送第三视频直播资源的资源特征；其中，所述第三视频直播资源与第二视频直播资源相关联；所述第二视频直播资源为所述资源推荐服务器在预设时刻确定的，上一次推荐之后，登录目标客户端的目标用户已浏览的视频直播资源；
排序模块，用于基于所述第三视频直播资源的资源特征，与所述目标用户的用户特征之间的相似度，对所述第三视频直播资源进行排序，得到排序结果；
排序结果发送模块，用于向所述资源推荐服务器发送所述排序结果，以使所述资源推荐服务器记录所述目标客户端与所述排序结果的对应关系，并在接收到所述目标客户端发送的视频直播资源请求时，基于所述对应关系，向所述目标客户端推荐视频直播资源。
11.一种电子设备，其特征在于，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现权利要求1-5，或6-7任一所述的方法步骤。
12.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-5，或6-7任一所述的方法步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110917459.8A CN113609332B (zh) | 2021-08-11 | 2021-08-11 | 一种视频直播资源推荐方法、***和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110917459.8A CN113609332B (zh) | 2021-08-11 | 2021-08-11 | 一种视频直播资源推荐方法、***和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113609332A CN113609332A (zh) | 2021-11-05 |
| CN113609332B true CN113609332B (zh) | 2024-03-08 |
Family
ID=78308161
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110917459.8A Active CN113609332B (zh) | 2021-08-11 | 2021-08-11 | 一种视频直播资源推荐方法、***和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113609332B (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106851349A (zh) * | 2017-03-21 | 2017-06-13 | 上海星红桉数据科技有限公司 | 基于海量跨屏收视行为数据的直播推荐方法 |
| CN107404656A (zh) * | 2017-06-26 | 2017-11-28 | 武汉斗鱼网络科技有限公司 | 直播视频推荐方法、装置及服务器 |
| CN108574850A (zh) * | 2017-09-01 | 2018-09-25 | 北京金山云网络技术有限公司 | 一种直播资源分配方法、装置、电子设备及存储介质 |
| CN109862013A (zh) * | 2019-01-31 | 2019-06-07 | 武汉斗鱼网络科技有限公司 | 一种直播间推荐方法、存储介质、电子设备及*** |
| CN109996122A (zh) * | 2019-04-12 | 2019-07-09 | 北京奇艺世纪科技有限公司 | 一种视频推荐方法、装置、服务器及存储介质 |
| CN110856003A (zh) * | 2019-10-17 | 2020-02-28 | 网易（杭州）网络有限公司 | 直播列表的推送方法、装置、电子设备及存储介质 |
| EP3675001A1 (en) * | 2018-12-27 | 2020-07-01 | Telefonica Innovacion Alpha S.L | A computer implemented method, a system and computer program for determining optimal behavior path for a user |
| CN111866541A (zh) * | 2020-08-06 | 2020-10-30 | 广州繁星互娱信息科技有限公司 | 直播推荐方法、装置、服务器及存储介质 |
| CN111858971A (zh) * | 2020-07-23 | 2020-10-30 | 北京达佳互联信息技术有限公司 | 多媒体资源推荐方法、装置、终端及服务器 |
| CN113207010A (zh) * | 2021-06-02 | 2021-08-03 | 清华大学 | 模型训练方法、直播推荐方法、设备、程序产品 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10187674B2 (en) * | 2013-06-12 | 2019-01-22 | Netflix, Inc. | Targeted promotion of original titles |
-
2021
- 2021-08-11 CN CN202110917459.8A patent/CN113609332B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106851349A (zh) * | 2017-03-21 | 2017-06-13 | 上海星红桉数据科技有限公司 | 基于海量跨屏收视行为数据的直播推荐方法 |
| CN107404656A (zh) * | 2017-06-26 | 2017-11-28 | 武汉斗鱼网络科技有限公司 | 直播视频推荐方法、装置及服务器 |
| CN108574850A (zh) * | 2017-09-01 | 2018-09-25 | 北京金山云网络技术有限公司 | 一种直播资源分配方法、装置、电子设备及存储介质 |
| EP3675001A1 (en) * | 2018-12-27 | 2020-07-01 | Telefonica Innovacion Alpha S.L | A computer implemented method, a system and computer program for determining optimal behavior path for a user |
| CN109862013A (zh) * | 2019-01-31 | 2019-06-07 | 武汉斗鱼网络科技有限公司 | 一种直播间推荐方法、存储介质、电子设备及*** |
| CN109996122A (zh) * | 2019-04-12 | 2019-07-09 | 北京奇艺世纪科技有限公司 | 一种视频推荐方法、装置、服务器及存储介质 |
| CN110856003A (zh) * | 2019-10-17 | 2020-02-28 | 网易（杭州）网络有限公司 | 直播列表的推送方法、装置、电子设备及存储介质 |
| CN111858971A (zh) * | 2020-07-23 | 2020-10-30 | 北京达佳互联信息技术有限公司 | 多媒体资源推荐方法、装置、终端及服务器 |
| CN111866541A (zh) * | 2020-08-06 | 2020-10-30 | 广州繁星互娱信息科技有限公司 | 直播推荐方法、装置、服务器及存储介质 |
| CN113207010A (zh) * | 2021-06-02 | 2021-08-03 | 清华大学 | 模型训练方法、直播推荐方法、设备、程序产品 |
Non-Patent Citations (1)
| Title |
|---|
| IPTV视频个性化推荐方案;于洪涌等;《 电信科学》;第127-135页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113609332A (zh) | 2021-11-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110543598B (zh) | 信息推荐方法、装置及终端 | |
| CN108875022B (zh) | 一种视频推荐方法及装置 | |
| CN109408703B (zh) | 信息推荐方法及其***、装置、电子设备、存储介质 | |
| WO2018041168A1 (zh) | 信息推送方法、存储介质和服务器 | |
| US8566370B2 (en) | Ranking media content for cloud-based searches | |
| EP3873065B1 (en) | Content recommendation method, mobile terminal, and server | |
| US10380649B2 (en) | System and method for logistic matrix factorization of implicit feedback data, and application to media environments | |
| CN106339394B (zh) | 一种信息处理方法及装置 | |
| CN109582903B (zh) | 一种信息展示的方法、装置、设备和存储介质 | |
| CN110413867B (zh) | 用于内容推荐的方法及*** | |
| CN111159563B (zh) | 用户兴趣点信息的确定方法、装置、设备及存储介质 | |
| CN112868004A (zh) | 资源推荐方法、装置、电子设备及存储介质 | |
| WO2016115943A1 (zh) | 一种音乐推荐方法及装置 | |
| CN107592572B (zh) | 视频推荐方法、装置及其设备 | |
| CN110598105B (zh) | 一种基于概率采样的推荐方法、装置、设备及介质 | |
| CN110766489B (zh) | 请求内容及提供内容的方法和相应设备 | |
| CN111552835B (zh) | 文件推荐方法、装置及服务器 | |
| CN111241381A (zh) | 信息推荐方法、装置、电子设备及计算机可读存储介质 | |
| KR101682659B1 (ko) | 키워드 기반 맞춤 뉴스 알림 방법 및 그를 위한 뉴스 검색 관리 서버 | |
| CN115687690A (zh) | 一种视频推荐方法、装置、电子设备及存储介质 | |
| CN114428910A (zh) | 资源推荐方法、装置、电子设备、产品及介质 | |
| CN107844536B (zh) | 应用程序选择的方法、装置和*** | |
| CN113609332B (zh) | 一种视频直播资源推荐方法、***和装置 | |
| CN109597941B (zh) | 排序方法及装置、电子设备和存储介质 | |
| CN111597380A (zh) | 一种推荐视频确定方法、装置、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 |