主播推荐方法、装置、电子设备及存储介质制造方法及图纸

本申请实施例提供了主播推荐方法、装置、电子设备及存储介质，涉及直播技术领域。该方法包括以下步骤：获取每个在线主播的静态特征、对战统计特征和实时特征的特征值，根据所述特征值形成多维向量；将所述多维向量作为训练样本，输入至待候选主播实力匹配模型得到在线主播的预测实力描述值，根据所述预测实力描述值和实力描述值的差值范围与待候选主播实力匹配模型的优化程度进行比较的结果，得到目标候选主播实力匹配模型；将在线的候选主播的特征信息输入所述目标候选主播实力匹配模型，筛选出与若干个与所述发起主播的实力描述值接近的候选主播,向所述发起主播推荐所述候选主播。本申请的技术方案能够有助于提高推荐质量。

【技术实现步骤摘要】
主播推荐方法、装置、电子设备及存储介质
本申请实施例涉及直播技术
，具体而言，本申请实施例涉及主播推荐方法、装置、电子设备及存储介质。
技术介绍
在直播领域中，主播对战是一个重营收的项目。现有的直播对战中，一般是根据当前在线主播与发起主播的人气匹配结果，在主播发起对战请求时，给其推荐人气最接近的一批候选主播。但这种方法中的对战人气高并不能完全转化为主播对战的实力描述值，因此存在推荐的候选主播与发起主播匹配的实力描述值难以提升的问题。
技术实现思路
为了能够解决候选主播与发起主播的对战的实力描述值低的技术问题，本申请实施例提供了一种主播推荐方法、装置、电子设备及存储介质。第一方面，本申请实施例提供了一种主播推荐方法，该方法包括以下步骤：获取每个在线主播的静态特征、对战统计特征和实时特征的特征值，根据所述特征值形成多维向量；其中，所述在线主播包括发起主播和在线的候选主播；将所述多维向量作为训练样本，输入至待候选主播实力匹配模型得到在线主播的预测实力描述值，根据所述预测实力描述值和实力描述值的差值范围与待候选主播实力匹配模型的优化程度进行比较的结果，得到目标候选主播实力匹配模型；将在线的候选主播的特征信息输入所述目标候选主播实力匹配模型，筛选出与若干个与所述发起主播的实力描述值接近的候选主播,向所述发起主播推荐所述候选主播。在第一方面的可选实施例中，所述向所述发起主播推荐所述候选主播的步骤，包括：利用深度学习模型对各个所述候选主播进行评估，得到邀请成功概率；根据所述发起主播和所述候选主播的实力描述值以及所述候选主播的邀请成功概率，得到各个所述候选主播的推荐排序；根据所述推荐排序向所述发起主播推荐所述候选主播，使得所述发起主播根据所述推荐排序选择所述候选主播。在第一方面的可选实施例中，所述对战统计特征包括所述发起主播的历史的对战分数；所述方法，还包括：计算所述预测实力描述值与对战分数的差值，利用损失函数得到所述差值的损失程度，确定所述待候选主播实力匹配模型的优化程度。在第一方面的可选实施例中，所述计算所述预测实力描述值与对战分数的差值的步骤之前，还包括：对超过预设的封顶值的所述特征值取所述封顶值，并计算所述所述特征值的第一log值，以所述第一log值置于所述多维向量后，将所述多维向量作为样本输入至所述待候选主播实力匹配模型，得到所述预测实力描述值的第二log值，并对所述第二log值逆运算得到所述预测实力描述值。在第一方面的可选实施例中，若存在至少两个所述待候选主播实力匹配模型；所述方法，还包括：利用混淆矩阵分别对预测实力描述值与实力描述值进行区间分类，并根据每一类的同一区间中所述预测实力描述值与实力描述值的重合个数确定目标候选主播实力匹配模型。在第一方面的可选实施例中，所述利用深度学习模型对各个所述候选主播进行评估的步骤，包括：根据所述实力描述值对所述候选主播进行倒序排名，形成候选主播列表；将不同历史场次中成功邀请的候选主播作为正样本，将所述成功邀请的候选主播在所述候选主播列表中的排名位置以上的候选主播作为负样本，输入一个邀请成功率的分类预测模型中进行训练，得到目标分类预测模型；利用所述目标分类预测模型对各个所述候选主播的邀请成功概率进行评估。在第一方面的可选实施例中，所述得到目标分类预测模型的步骤之前，还包括：利用交叉熵损失函数计算成功邀请的概率的交叉熵值，根据所述交叉熵值确定所述分类预测模型的优化程度。在第一方面的可选实施例中，所述利用深度学习模型对各个所述候选主播进行评估，得到邀请成功概率的步骤，包括：将各个所述候选主播的静态特征以及实时对战统计特征形成多维向量作为特征值，输入至目标分类预测模型，得到所述候选主播的邀请成功的概率。在第一方面的可选实施例中，所述根据所述发起主播和所述候选主播的实力描述值以及所述候选主播的邀请成功概率对各个所述候选主播进行推荐排序的步骤中，上述推荐的参考值E满足以下公式：E＝(发起主播的实力描述值+候选主播的实力描述值)*两主播间邀请成功的概率。第二方面，本申请实施例提供了主播推荐方法，包括：匹配筛选模块，用于接收发起主播的匹配请求，根据所述发起主播的特征信息从后台筛选出与若干个与所述发起主播的实力描述值接近的候选主播；成功概率评估模块，用于利用深度学习模型对各个所述候选主播进行评估，得到邀请成功概率；推荐模块，用于根据所述发起主播和所述候选主播的实力描述值以及所述候选主播的邀请成功概率对各个所述候选主播进行推荐排序，使得所述发起主播根据所述推荐排序选择所述候选主播。第三方面，提供了一种电子设备，该电子设备包括：一个或多个处理器；存储器；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：执行实现本申请实施例的第一方面所提供的主播推荐方法。第四方面，提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，该程序被处理器执行时实现本申请实施例第一方面所提供的主播推荐方法。本申请实施例提供的技术方案带来的有益效果是：本申请所提供的主播推荐方案，能够利用在线主播的特征信息对待候选主播实力匹配模型进行训练，得到目标候选主播实力匹配模型，根据目标候选主播实力匹配模型得到各个在线主播的实力描述值，并得到与发起主播的实力描述值接近的候选主播，向发起主播推荐筛选得到候选主播，使得所推荐的候选主播能够根据实力描述值与发起主播进行匹配，提升发起主播和推荐主播的匹配的实力描述值，有助于提高推荐质量。更优地，本申请所提供的主播推荐的进一步优化方案，能够根据发起主播的第二实力描述值，筛选得到一批实力描述值相近的候选主播，并根据所述发起主播和候选主播的对战偏好得到邀请成功的概率，将两者的实力描述值与上述邀请成功的概率进行融合得到候选主播的推荐排名，以供发起主播进行选择发出对战邀请。该方案能够兼顾对战的两个主播的实力描述值以及双方选择对战对手的偏好，使得所推荐的候选主播即满足发起主播和候选主播的对战偏好，也能提升两个主播对战的实力描述值，有助于得到观众用户更高的认同度。本申请实施例附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本申请实施例的实践了解到。附图说明本申请实施例上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：图1为本申请的实施例所提供的一种主播推荐方法的流程示意图；图2为本申请的实施例的步骤S130的详细步骤的流程示意图；图3为本申请的实施例的步骤S131的详细步骤的流程示意图；图4为本申请的实施例所提供的主播推荐装置的结构示意图；图5为本申请的实施例所提供的一种主播推荐的电子设备的结构示意图。本文档来自技高网...

【技术保护点】
1.一种主播推荐方法，其特征在于，其包括以下步骤：/n获取每个在线主播的静态特征、对战统计特征和实时特征的特征值，根据所述特征值形成多维向量；其中，所述在线主播包括发起主播和在线的候选主播；/n将所述多维向量作为训练样本，输入至待候选主播实力匹配模型得到在线主播的预测实力描述值，根据所述预测实力描述值和实力描述值的差值范围与待候选主播实力匹配模型的优化程度进行比较的结果，得到目标候选主播实力匹配模型；/n将在线的候选主播的特征信息输入所述目标候选主播实力匹配模型，筛选出与若干个与所述发起主播的实力描述值接近的候选主播,向所述发起主播推荐所述候选主播。/n

【技术特征摘要】
1.一种主播推荐方法，其特征在于，其包括以下步骤：
获取每个在线主播的静态特征、对战统计特征和实时特征的特征值，根据所述特征值形成多维向量；其中，所述在线主播包括发起主播和在线的候选主播；
将所述多维向量作为训练样本，输入至待候选主播实力匹配模型得到在线主播的预测实力描述值，根据所述预测实力描述值和实力描述值的差值范围与待候选主播实力匹配模型的优化程度进行比较的结果，得到目标候选主播实力匹配模型；
将在线的候选主播的特征信息输入所述目标候选主播实力匹配模型，筛选出与若干个与所述发起主播的实力描述值接近的候选主播,向所述发起主播推荐所述候选主播。


2.根据权利要求1所述的方法，其特征在于，
所述向所述发起主播推荐所述候选主播的步骤，包括：
利用深度学习模型对各个所述候选主播进行评估，得到邀请成功概率；
根据所述发起主播和所述候选主播的实力描述值以及所述候选主播的邀请成功概率，得到各个所述候选主播的推荐排序；
根据所述推荐排序向所述发起主播推荐所述候选主播，使得所述发起主播根据所述推荐排序选择所述候选主播。


3.根据权利要求1所述的方法，其特征在于，
所述对战统计特征包括所述发起主播的历史的对战分数；
所述方法，还包括：
计算所述预测实力描述值与对战分数的差值，利用损失函数得到所述差值的损失程度，确定所述待候选主播实力匹配模型的优化程度。


4.根据权利要求3所述的方法，其特征在于，
所述计算所述预测实力描述值与对战分数的差值的步骤之前，还包括：
对超过预设的封顶值的所述特征值取所述封顶值，并计算所述所述特征值的第一log值，以所述第一log值置于所述多维向量后，将所述多维向量作为样本输入至所述待候选主播实力匹配模型，得到所述预测实力描述值的第二log值，并对所述第二log值逆运算得到所述预测实力描述值。


5.根据权利要求1所述的方法，其特征在于，
若存在至少两个所述待候选主播实力匹配模型；
所述方法，还包括：
利用混淆矩阵分别对预测实力描述值与实力描述值进行区间分类，并根据每一类的同一区间中所述预测实力描述值与实力描述值的重合个数确定目标候选主播实力匹配模型。


6.根据权利要求2所述的方法，其特征在于,
所述利用深度学习模型对各个所述候选主播进行评估的步骤，包括：
根据所述实力描述值对所述候选主播进行倒序排名，形成候选主播列表；
将...

【专利技术属性】
技术研发人员：段雪梅，林迈，童明，李泰达，
申请(专利权)人：广州虎牙科技有限公司，
类型：发明
国别省市：广东;44