This paper discloses a live broadcasting control method and device. The above-mentioned live broadcasting control method includes: predicting the live content that will happen according to the real live content of the set time; performing the corresponding live broadcasting control operation according to the predicted live content. In this way, we can improve the monitoring effect of live broadcasting content and achieve prevention in the near future.
【技术实现步骤摘要】
一种直播控制方法及装置
本专利技术涉及数据处理技术，尤其涉及一种直播控制方法及装置。
技术介绍
目前，网络直播作为一种新的内容传播方式，一方面提升了用户体验和效率，另一方面也给不良内容，如色情、涉政、暴恐等提供了新的传播渠道，不但给互联网平台商、运营商带来巨大的违规风险，也给社会、国家造成巨大的负面影响。由于网络直播过程产生的内容是实时的，若采用人工方式审核直播内容，不仅成本巨大，而且效率低下。另外，在目前的网络直播自动监控方案中，都是基于直播中已经发生的内容进行监控，因此导致监控决策具有滞后性，无法实现防患于未然。
技术实现思路
以下是对本文详细描述的主题的概述。本概述并非是为了限制权利要求的保护范围。本申请实施例提供一种直播控制方法及装置，能够提高对直播内容的监控效果，实现防患于未然。第一方面，本申请实施例提供一种直播控制方法，包括：根据设定时长的真实直播内容，预测将要发生的直播内容；根据预测得到的直播内容，执行相应的直播控制操作。其中，所述根据设定时长的真实直播内容，预测将要发生的直播内容，可以包括：从设定时长的真实直播内容中采样得到M帧真实内容；基于预测网络模...
【技术保护点】
1.一种直播控制方法，其特征在于，包括：根据设定时长的真实直播内容，预测将要发生的直播内容；根据预测得到的直播内容，执行相应的直播控制操作。
【技术特征摘要】
1.一种直播控制方法，其特征在于，包括：根据设定时长的真实直播内容，预测将要发生的直播内容；根据预测得到的直播内容，执行相应的直播控制操作。2.根据权利要求1所述的方法，其特征在于，所述根据设定时长的真实直播内容，预测将要发生的直播内容，包括：从设定时长的真实直播内容中采样得到M帧真实内容；基于预测网络模型处理所述M帧真实内容，得到N帧预测内容；其中，所述预测网络模型包括一种或多种分辨率下的深度卷积神经网络，N、M均为大于或等于1的整数。3.根据权利要求2所述的方法，其特征在于，所述基于预测网络模型处理所述M帧真实内容，得到N帧预测内容，包括：按照所述分辨率由小到大的顺序，依次确定任一种分辨率下的深度卷积神经网络的输出内容；其中，分辨率Pi下的深度卷积神经网络的输入内容包括：扩展到分辨率Pi的N帧特征内容、缩放到分辨率Pi的M帧真实内容，所述N帧特征内容是分辨率Pi-1下的深度卷积神经网络的输出内容，其中，分辨率Pi大于分辨率Pi-1，i为大于1的整数；分辨率P1下的深度卷积神经网络的输入内容包括：缩放到分辨率P1的M帧真实内容；根据最大分辨率下的深度卷积神经网络的输出内容，确定N帧预测内容。4.根据权利要求2或3所述的方法，其特征在于，所述预测网络模型是通过优化第一目标函数训练得到的；其中，所述第一目标函数包括以下部分：相似度损失、运动损失以及对抗损失。5.根据权利要求4所述的方法，其特征在于，一帧真实内容和一帧预测内容之间的运动损失通过以下方式确定：针对一帧真实内容中的任一像素，根据所述像素与相邻真实内容帧中的邻域像素的L1距离，确定所述像素的真实帧间运动信息；针对一帧预测内容中的任一像素，根据所述像素与相邻预测内容帧中的邻域像素的L1距离，确定所述像素的预测帧间运动信息；根据全部像素的真实帧间运动信息和预测帧间运动信息之间的L1距离，确定所述运动损失。6.根据权利要求4所述的方法，其特征在于，所述对抗损失通过以下方式确定：采用对抗网络对所述预测网络模型输出的预测内容进行判别，根据判别结果，确定所述对抗损失；其中，所述对抗网络包括深度卷积神经网络，所述对抗网络的输入包括第一组内容和第二组内容，所述第一组内容为真实内容，若所述第二组内容为预测内容，则所述对抗网络的输出为0，若所述第二组内容为真实内容，则所述对抗网络的输出为1；所述对抗网络是通过优化第二目标函数训练得到的。7.根据权利要求6所述的方法，其特征在于，所述方法还包括：通过以下方式训练所述预测网络模型和所述对抗网络：执行以下步骤直至所述第二目标函数满足收敛条件：根据真实直播内容、基于所述真实直播内容预测得到的预测内容以及所述对抗网络，计算所述第一目标函数，根据所述第一目标函数的计算结果，更新所述预测网络模型；基于更新后的预测网络模型，计算所述第二目标函数，根据所述第二目标函数的计算结果，更新所述对抗网络。8.根据权利要求6所述的方法，其特征在于，所述预测将要发生的直播内容之后，所述方法还包括：根据预测得到的直播内容以及与所述预测得到的直播内容对应的真实直播内容，计算所述第一目标函数和所述第二目标函数，并更新所述预测网络模型和所述对抗网络；在所述第二目标函数满足收敛条件时，采用更新后的预测网络模型和对抗网络进行内容预测。9.根据权利要求1所述的方法，其特征在于，所述根据预测得到的直播内容，执行相应的直播控制操作，包括：在检测到预测得到的直播内容满足直播控制条件时，执行与所述直播控制条件对应的直播控制操作。10.一种直播控制装置，其特征在于，包括：预测模块，适于根据设定时长的真实直播内容，预测将要发生的直播内容；控制模块，适于根据预测得到的直播内容，执行相应的直播控制操作。11.根据权利要求10所述的装置，其特征在于，所述预测模块适于通过以下方式根据设定时长的真实直播内容，预测将要发生的直播内容：从设定时长的真实直播内容中采用得到M帧真实内容；基于预测网络模型处理所述M帧真实内容，得到N帧预测内容；其中，所述预测网络模型包括一种或多种分辨率下的深度卷积神经网络，N、M均为大于或等于1的整数。12.一种直播预测方法，其特征在于，包括：获取设定时长的真实直播内容；根据所述设定时长的真实直播内容，基于预测网络模型，预测将要发生的直播内容；其中，所述预测网络模型包括一种或多种分辨率下的深度卷积神经网络。13.根据权利要求12所述的方法，其特征在于，所述根据所述设定时长的真实直播内容，基于预测网络模型，预测将要发生的直播内容，包括：从设定时长的真实直播内容中采样得到M帧真实内容；按照所述分辨率由小到大的顺序，依次确定任一种分辨率下的深度卷积神经网络的输出内容；其中，分辨率Pi下的深度卷积神经...
【专利技术属性】
技术研发人员：毛锋，
申请(专利权)人：阿里巴巴集团控股有限公司，
类型：发明
国别省市：开曼群岛,KY
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。