本申请实施例提出了一种资源分配方法、装置、电子设备和计算机存储介质，该方法包括：根据商品直播的历史数据，确定影响所述商品直播的多个核心因素；对获取到的历史直播数据中的异常直播数据进行清洗操作，得到目标数据，从所述目标数据中提取满足设定条件的全量数据集，确定所述全量数据集中每场直播的销量数据受到所述多个核心因素中至少一个核心因素的影响情况，得到预测影响结果；所述设定条件是根据所述每个核心因素确定的；根据所述预测影响结果，生成所述每个核心因素的资源分配结果。果。果。
【技术实现步骤摘要】
一种资源分配方法、装置、设备和计算机存储介质
[0001]本申请涉及直播
，尤其涉及一种资源分配方法、装置、电子设备和计算机存储介质。
技术介绍
[0002]互联网直播场景的直播间中，主要包括两类用户，即主播用户与观众用户。主播用户与观众用户之间的互动，多通过文字、语音、视频及控件等方式进行人际的沟通和指令的交互。因此，现今在直播间内利用主播用户与观众用户之间的交互，向观众用户线上推荐一些商品，使得观众用户可通过主播用户的推荐而在线购买该商品，从而创造经济效益。
[0003]然而，在直播过程中，一件商品的售出是受到多种因素综合影响的，例如，主播名气、商品质量、商品价格等；相应地，在计算机底层资源系统中，需要针对商品直播过程中的每个影响因素分配对应的计算机资源；由于有些影响因素对于商品销量的影响是很小的，若对该影响因素分配较多的计算机资源，会导致计算机资源的浪费；因此，为了减少计算机资源的浪费，需要一种能够合理进行资源分配的方法。
技术实现思路
[0004]本申请提供一种资源分配方法、装置、电子设备和计算机存储介质，能够减少计算机资源浪费的风险。
[0005]本申请的技术方案是这样实现的：
[0006]本申请实施例提供了一种资源分配方法，所述方法包括：
[0007]根据商品直播的历史数据，确定影响所述商品直播的多个核心因素；
[0008]对获取到的历史直播数据中的异常直播数据进行清洗操作，得到目标数据，从所述目标数据中提取满足设定条件的全量数据集，确定所述全量数据集中每场直播的销量数据受到所述多个核心因素中至少一个核心因素的影响情况，得到预测影响结果；所述设定条件是根据所述每个核心因素确定的；
[0009]根据所述预测影响结果，生成所述每个核心因素的资源分配结果。
[0010]在一些实施例中，所述确定所述全量数据集中每场直播的销量数据受到所述多个核心因素中至少一个核心因素的影响情况，得到预测影响结果，包括：
[0011]从所述全量数据集中选取部分数据集作为训练数据集，根据所述训练数据集以及所述训练数据集中每场直播的销量数据受到所述多个核心因素中至少一个核心因素影响的标注结果训练回归模型，得到训练完成的回归模型；
[0012]利用所述训练完成的回归模型确定所述全量数据集中每场直播的销量数据受到所述多个核心因素中至少一个核心因素的影响情况，得到预测影响结果。
[0013]在一些实施例中，所述根据所述预测影响结果，生成所述每个核心因素的资源分配结果，包括：
[0014]在根据所述预测影响结果，确定所述全量数据集中每场直播的销量数据受到所述
多个核心因素中至少一个核心因素的影响时，确定所述全量数据集中每场直播的销量距离；所述销量距离表示所述每场直播的销量数据与平均销量数据的差值；
[0015]根据所述全量数据集中每场直播的销量距离以及每个核心因素对应的直播场次数，生成所述每个核心因素的资源分配结果。
[0016]在一些实施例中，所述根据所述全量数据集中每场直播的销量距离以及每个核心因素对应的直播场次数，生成所述每个核心因素的资源分配结果，包括：
[0017]以所述每个核心因素为维度，根据所述全量数据集中每场直播的销量距离，确定所述每个核心因素的总销量距离；所述每个核心因素的总销量距离表示受到所述每个核心因素影响的至少一场直播的销量距离之和；
[0018]对所述每个核心因素的总销量距离进行校正，得到所述每个核心因素的校正后总销量距离；所述校正后总销量距离为大于零的整数；
[0019]根据所述每个核心因素的校正后总销量距离和所述直播场次数的比值，确定所述每个核心因素对应的平均销量距离；
[0020]基于所述每个核心因素对应的平均销量距离，生成所述每个核心因素的资源分配结果。
[0021]在一些实施例中，所述方法还包括：
[0022]在生成所述每个核心因素的资源分配结果后，基于所述每个核心因素的资源分配结果，对当前的直播预算进行分配。
[0023]在一些实施例中，所述多个核心因素包括：主播因素、商品因素、渠道因素。
[0024]本申请实施例还提出了一种资源分配装置，所述装置包括第一确定模块、得到模块和第二确定模块，其中，
[0025]第一确定模块，用于根据商品直播的历史数据，确定影响所述商品直播的多个核心因素；
[0026]得到模块，用于对获取到的历史直播数据中的异常直播数据进行清洗操作，得到目标数据，从所述目标数据中提取满足设定条件的全量数据集，确定所述全量数据集中每场直播的销量数据受到所述多个核心因素中至少一个核心因素的影响情况，得到预测影响结果；所述设定条件是根据所述每个核心因素确定的；
[0027]第二确定模块，用于根据所述预测影响结果，生成所述每个核心因素的资源分配结果。
[0028]本申请实施例提供一种电子设备，所述设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现前述一个或多个技术方案提供的资源分配方法。
[0029]本申请实施例提供一种计算机存储介质，所述计算机存储介质存储有计算机程序；所述计算机程序被执行后能够实现前述一个或多个技术方案提供的资源分配方法。
[0030]本申请实施例提出了一种资源分配方法、装置、电子设备和计算机存储介质，所述方法包括：根据商品直播的历史数据，确定影响所述商品直播的多个核心因素；对获取到的历史直播数据中的异常直播数据进行清洗操作，得到目标数据，从所述目标数据中提取满足设定条件的全量数据集，确定所述全量数据集中每场直播的销量数据受到所述多个核心因素中至少一个核心因素的影响情况，得到预测影响结果；所述设定条件是根据所述每个
核心因素确定的；根据所述预测影响结果，生成所述每个核心因素的资源分配结果。
[0031]可以看出，本申请实施例在根据商品直播的历史数据，得到影响商品直播的每个核心因素后，对从历史直播数据中提取的全量数据集中每场直播的销量数据受到至少一个核心因素的影响情况进行确定，并利用确定结果(即预测影响结果)生成每个核心因素的资源分配结果；由于在提取全量数据集之前，会对历史直播数据中的异常直播数据进行清洗操作，以确保全量数据集的有效性，进而，提高确定资源分配结果的准确性；另外，本申请实施例可以根据历史直播数据，确定商品的销量数据受到各个核心因素的影响情况，进而，可以根据各个核心因素的影响情况有针对性地生成每个核心因素的资源分配结果，如此，对于计算机底层资源系统，可以根据该资源分配结果实现较为精准的计算机资源分配，进而减少计算机资源浪费的风险。
附图说明
[0032]图1a是本申请实施例中的一种资源分配方法的流程示意图；
[0033]图1b为本申请实施例中的一种确定全量数据集的流程示意图；
[0034]图1c是本申请实施例中的一种logistic回归模型的曲线示意图；
[0本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种资源分配方法，其特征在于，所述方法包括：根据商品直播的历史数据，确定影响所述商品直播的多个核心因素；对获取到的历史直播数据中的异常直播数据进行清洗操作，得到目标数据，从所述目标数据中提取满足设定条件的全量数据集，确定所述全量数据集中每场直播的销量数据受到所述多个核心因素中至少一个核心因素的影响情况，得到预测影响结果；所述设定条件是根据所述每个核心因素确定的；根据所述预测影响结果，生成所述每个核心因素的资源分配结果。2.根据权利要求1所述的方法，其特征在于，所述确定所述全量数据集中每场直播的销量数据受到所述多个核心因素中至少一个核心因素的影响情况，得到预测影响结果，包括：从所述全量数据集中选取部分数据集作为训练数据集，根据所述训练数据集以及所述训练数据集中每场直播的销量数据受到所述多个核心因素中至少一个核心因素影响的标注结果训练回归模型，得到训练完成的回归模型；利用所述训练完成的回归模型确定所述全量数据集中每场直播的销量数据受到所述多个核心因素中至少一个核心因素的影响情况，得到预测影响结果。3.根据权利要求1所述的方法，其特征在于，所述根据所述预测影响结果，生成所述每个核心因素的资源分配结果，包括：在根据所述预测影响结果，确定所述全量数据集中每场直播的销量数据受到所述多个核心因素中至少一个核心因素的影响时，确定所述全量数据集中每场直播的销量距离；所述销量距离表示所述每场直播的销量数据与平均销量数据的差值；根据所述全量数据集中每场直播的销量距离以及每个核心因素对应的直播场次数，生成所述每个核心因素的资源分配结果。4.根据权利要求3所述的方法，其特征在于，所述根据所述全量数据集中每场直播的销量距离以及每个核心因素对应的直播场次数，生成所述每个核心因素的资源分配结果，包括：以所述每个核心因素为维度，根据所述全量数据集中每场直播的销量距离，确定所述每个核心因素的总销量距离；所述每个核心因素的总销量距离表示受到所述每个核心因素影响的至少一场直播的销量距离之和；对所述每个核心因素的总销量距离进行校正，得到所述每个核...
【专利技术属性】
技术研发人员：刘伟科，韩卫召，沈俊杰，
申请(专利权)人：北京沃东天骏信息技术有限公司，
类型：发明
国别省市：
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。