基于内容过滤与推荐算法的短视频直播自动推流系统技术方案

基于内容过滤与推荐算法的短视频直播自动推流系统，包括短视频内容获取模块、短视频内容实时分类与过滤模块、短视频个性化自动推流模块、用户自动推流界面展示模块，短视频内容获取模块用于获取短视频内容，短视频内容实时分类与过滤模块用于对获取的短视频内容进行实时分类和过滤，短视频个性化自动推流模块用于自动选择并推送适合用户的个性化短视频内容，用户自动推流界面展示模块用于向用户展示个性化自动推流的结果和选项。本发明专利技术提出对短视频内容进行实时分类，提出KG2Rec算法为用户提供个性化的短视频自动推流，提高了短视频直播自动推流系统的能力，为基于内容过滤与推荐算法的短视频直播自动推流系统提供更优的方案。

【技术实现步骤摘要】

本专利技术创造涉及大数据处理、实时分类和自动推流，具体涉及基于内容过滤与推荐算法的短视频直播自动推流系统。

技术介绍

1、大数据处理是短视频处理首先需要进行视频的编解码操作，将视频数据进行压缩和解压缩，以减少存储空间和传输带宽，为了能够高效地管理和检索大规模的短视频数据，需要进行视频内容的识别和检索，这包括视频的关键帧提取、视频标注、视频索引等技术，以便用户能够根据关键词和特定内容快速检索到所需的短视频，短视频大数据处理中，涉及到多种类型的数据，如视频数据、文本数据、用户行为数据等，异构数据融合技术可以将不同类型的数据进行整合和融合，以获取更全面的信息和洞察力，短视频直播和实时处理对于实时性要求较高，实时处理技术能对视频数据进行流式处理，实时提取特征、进行分析和决策，以满足实时应用的需求，流媒体技术则可以实现视频的实时传输和流式播放，保证用户可以实时观看短视频内容。

2、实时分类是对短视频进行实时流数据的处理，即不断到达的视频数据流，为了实现实时性，需要采用流式数据处理技术，如流式数据流水线、流式数据聚合和实时决策，这些技术可以实时处理视频数据本文档来自技高网...

【技术保护点】

1.基于内容过滤与推荐算法的短视频直播自动推流系统，其特征在于，包括短视频内容获取模块、短视频内容实时分类与过滤模块、短视频个性化自动推流模块和用户自动推流界面展示模块，短视频内容获取模块用于从不同渠道获取短视频内容，短视频内容实时分类与过滤模块包括短视频内容实时分类单元和短视频内容过滤单元，短视频内容实时分类单元对短视频内容进行实时分类，短视频内容过滤单元用于对通过短视频内容实时分类单元实时分类后的短视频内容进行内容过滤，短视频个性化自动推流模块包括短视频个性化推荐单元和短视频自动推流单元，短视频个性化推荐单元用于根据用户的兴趣、行为和历史数据信息来为用户推荐符合其兴趣和偏好的短视频内...

【技术特征摘要】

1.基于内容过滤与推荐算法的短视频直播自动推流系统，其特征在于，包括短视频内容获取模块、短视频内容实时分类与过滤模块、短视频个性化自动推流模块和用户自动推流界面展示模块，短视频内容获取模块用于从不同渠道获取短视频内容，短视频内容实时分类与过滤模块包括短视频内容实时分类单元和短视频内容过滤单元，短视频内容实时分类单元对短视频内容进行实时分类，短视频内容过滤单元用于对通过短视频内容实时分类单元实时分类后的短视频内容进行内容过滤，短视频个性化自动推流模块包括短视频个性化推荐单元和短视频自动推流单元，短视频个性化推荐单元用于根据用户的兴趣、行为和历史数据信息来为用户推荐符合其兴趣和偏好的短视频内容，短视频自动推流单元提出kg2rec算法在直播系统中根据用户的兴趣和平台的推荐策略，自动将符合用户偏好和热门趋势的短视频直播内容推送给用户，用户自动推流界面展示模块用于向用户展示个性化自动推流的结果和选项，并提供用户交互的界面，以提供优质的用户体验。

2.根据权利要求1所述的基于内容过滤与推荐算法的短视频直播自动推流系统，其特征在于，短视频内容获取模块用于获取短视频内容，通过目前市面上诸多的短视频平台的api接口获取平台上的短视频内容，通过爬虫技术从互联网上的各种网站、社交媒体和视频分享平台上抓取短视频内容，以此来进行短视频数据的收集、获取和整合。

3.根据权利要求1所述的基于内容过滤与推荐算法的短视频直播自动推流系统，其特征在于，短视频内容实时分类单元对短视频内容进行实时分类，将短视频实时的按照不同的主题、类型、标签及关键词进行分类，通过对短视频进行实时分类来方便用户按照自己的兴趣偏好查找和浏览相关的短视频内容。

4.根据权利要求3所述的基于内容过滤与推荐算法的短视频直播自动推流系统，其特征在于，首先将短视频内容进行实时处理，然后同步进行短视频分类，实现短视频内容的实时分类，具体如下：首先是基于卡尔曼滤波器的实时数据处理模型，根据卡尔曼滤波器的动力学方程和观测方程，能够得到在一定尺度p下的短视频直播自动推流系统模型，即x(p，q+1)＝a(p，q)x(p，q)+v(p，q)，其中，p为尺度，q为状态，a(p，q)为系统矩阵，x(p，q)为系统模型的n维状态向量，v(p，q)为系统噪声，v(p，q)满足如下特征，即f{v(p，q)}＝0，f{v(p，q)vt(p，l)}＝q(p，q)δq，其中，l为与噪声相关的另一个状态，vt(p，l)为在尺度为p、状态为q时的系统噪声v(p，l)的转置，f(·)为对系统噪声进行统计的操作，q(p，q)为噪声的协方差矩阵元素，δq为描述状态q的克罗内克函数，l为状态q的索引，系统模型的总观测方程为b(p，q)＝c(p，q)x(p，q)+f(p，q)，其中，b(p，q)为第一和第二传感器状态的观测值，其具体为其中，b1(p，q)为总观测方程b(p，q)中的第1个观测子矩阵，b2(p，q)为总观测方程b(p，q)中的第2个观测子矩阵，bm(p，q)为总观测方程b(p，q)中的第m个观测子矩阵，c(p，q)为观察矩阵，其具体为其中，c1(p，q)为观察矩阵c(p，q)中的第1个观察子矩阵，c2(p，q)为观察矩阵c(p，q)中的第2个观察子矩阵，cm(p，q)为观察矩阵c(p，q)中的第m个观察子矩阵，f(p，q)为观测到的噪声，其具体为其中，f1(p，q)为观测到的噪声f(p，q)中的第1个观测噪声源，f2(p，q)为观测到的噪声f(p，q)中的第2个观测噪声源，fm(p，q)为观测到的噪声f(p，q)中的第m个观测噪声源，其统计序列为其中，f{fk(p，q)}为对第k个噪声源fk(p，q)进行统计的操作，fh(p，q)为观测到的噪声f(p，q)中的第h个观测噪声源，为为观测到的噪声f(p，l)中的第k个观测噪声源的转置，rp(p，q)为描述不同噪声源之间在特定尺度与状态下的相关性的协方差矩阵，δ为克罗内克函数，δhk为描述第h个噪声源与第k个噪声源之间关系的克罗内克函数，δq为描述状态q的克罗内克函数，同时，f{f(p，q)}＝0，f{f(p，q)ft(p，l)}＝r(p，q)δqk，初始状态为f(p，q)满足e{x(p，0)}＝x0，f{[x(p，0)-x0][x(p，q)-x0]t}＝p0，其中，x(p，0)，v(p，q)和fk(p，q)是相互独立的，e{x(p，0)}为在尺度为p、状态为0时的n维状态向量的期望，即x0，然后是实时数据处理的多尺度融合算法，观测矩阵和系统矩阵是常数矩阵，满足如即h(p，q)＝h(p)，p(p，q)＝p(p)，c(p，q)＝c(p)，r(p，q)＝r(p)，其中，h(p，q)为状态矩阵，p(p，q)为协方差矩阵，c(p，q)为观测矩阵，r(p，q)为观测噪声协方差矩阵，上述变换表示在同一尺度p下，状态转移矩阵、协方差矩阵、观测矩阵和观测噪声协方差矩阵是固定的，不随状态变化，将尺度p上获得的状态方程和观测方程分解到尺度p-1上，则状态方程为xp(p-1，q+1)＝hp(p-1)xp(p-1，q)+vp(p-1，q)，其中，xp(p-1，q+1)为尺度为p、状态为(p-1，q+1)时的状态变量，hp(p-1)为将尺度为p-1的状态变量映射到尺度为p的状态空间的线性变换矩阵，即hp(p-1)＝h(p)h(p)，观测方程为bp(p-1，q)＝cp(p-1)xp(p-1，q)+fp(p-1，q)，fp(p-1，q)～n(0rp(p-1，q))，其中，bp(p-1，q)为尺度为p、状态为(p-1，q)时的观测向量，cp(p-1)为尺度为p时的观测矩阵，xp(p-1，q)为尺度为p、状态为(p-1，q)时的系统状态，fp(p-1，q)为尺度为p、状态为(p-1，q)...

【专利技术属性】
技术研发人员：袁道红，
申请(专利权)人：北京拍链数字技术有限公司，
类型：发明
国别省市：