视频内容热度预测方法和装置
阅读：490发布：2020-05-12
专利汇可以提供视频内容热度预测方法和装置专利检索，专利查询，专利分析的服务。并且本公开提供了一种视频内容热度预测方法和装置，涉及数据通信领域。该方法包括：确定视频内容的弹幕情感量化值、评论情感量化值和内容模式关联系数值；确定视频内容的热度流失函数；基于弹幕情感量化值、评论情感量化值、内容模式关联系数值和热度流失函数预测视频内容的热度值。本公开使用幕情感量化值、评论情感量化值、内容模式关联系数值和热度流失函数，能够准确预测视频内容的变化趋势，从而能够将热度值高的视频内容缓存在CDN 节点 ，以便及时将热度高的视频内容推荐给用户。，下面是视频内容热度预测方法和装置专利的具体信息内容。
1.一种视频内容热度预测方法，包括：
确定视频内容的弹幕情感量化值、评论情感量化值和内容模式关联系数值；
确定所述视频内容的热度流失函数；
基于所述弹幕情感量化值、评论情感量化值、内容模式关联系数值和热度流失函数预测所述视频内容的热度值。
2.根据权利要求1所述的视频内容热度预测方法，其中，基于所述弹幕情感量化值、评论情感量化值、内容模式关联系数值和热度流失函数预测所述视频内容的热度值包括：
分别确定所述弹幕情感量化值、评论情感量化值和内容模式关联系数值的调节系数；
计算所述弹幕情感量化值、评论情感量化值和内容模式关联系数值的加权求和计算值；
基于所述加权求和计算值与所述视频内容的现有热度值以及所述热度流失函数的乘积预测所述视频内容的热度值。
3.根据权利要求1或2所述的视频内容热度预测方法，其中，确定视频内容的弹幕情感量化值和评论情感量化值包括：
获取所述视频内容的弹幕内容和评论内容；
基于所述弹幕内容利用深度学习的自然语言处理引擎确定所述弹幕情感量化值；
基于所述评论内容利用深度学习的自然语言处理引擎确定所述评论情感量化值。
4.根据权利要求3所述的视频内容热度预测方法，其中，确定所述内容模式关联系数值包括：
获取用户对视频内容模式的观看行为信息；
基于所述观看行为信息利用深度学习关联性测度引擎确定所述容模式关联系数值。
5.根据权利要求1或2所述的视频内容热度预测方法，其中，确定视频内容的热度流失函数包括：
确定所述视频内容的第一次被请求的时间；
基于所述视频内容的第一次被请求的时间、当前时间和冷却因子确定所述热度流失函数。
6.根据权利要求5所述的视频内容热度预测方法，其中，所述热度流失函数为其中，t0为所述视频内容的第一次被请求的时间，t为当前时间，b为冷却因子。
7.一种视频内容热度预测装置，包括：
预测参数确定单元，用于确定视频内容的弹幕情感量化值、评论情感量化值和内容模式关联系数值；
热度流失函数确定单元，用于确定所述视频内容的热度流失函数；
视频热度预测单元，用于基于所述弹幕情感量化值、评论情感量化值、内容模式关联系数值和热度流失函数预测所述视频内容的热度值。
8.根据权利要求7所述的视频内容热度预测装置，其中，
所述视频热度预测单元用于分别确定所述弹幕情感量化值、评论情感量化值和内容模式关联系数值的调节系数；计算所述弹幕情感量化值、评论情感量化值和内容模式关联系数值的加权求和计算值；基于所述加权求和计算值与所述视频内容的现有热度值以及所述热度流失函数的乘积预测所述视频内容的热度值。
9.根据权利要求7或8所述的视频内容热度预测装置，其中，所述预测参数确定单元包括：
预测参数采集模块，用于获取所述视频内容的弹幕内容和评论内容；
深度学习量化模块，用于基于所述弹幕内容利用深度学习的自然语言处理引擎确定所述弹幕情感量化值，基于所述评论内容利用深度学习的自然语言处理引擎确定所述评论情感量化值。
10.根据权利要求9所述的视频内容热度预测装置，其中，
所述预测参数采集模块还用于获取用户对视频内容模式的观看行为信息；
所述深度学习量化模块还用于基于所述观看行为信息利用深度学习关联性测度引擎确定所述容模式关联系数值。
11.根据权利要求7或8所述的视频内容热度预测装置，其中，
所述热度流失函数确定单元用于确定所述视频内容的第一次被请求的时间；基于所述视频内容的第一次被请求的时间、当前时间和冷却因子确定所述热度流失函数。
12.根据权利要求11所述的视频内容热度预测装置，其中，所述热度流失函数为其中，t0为所述视频内容的第一次被请求的时间，t为当前时间，b为冷却因子。
13.一种视频内容热度预测装置，包括：
存储器；以及
耦接至所述存储器的处理器，所述处理器被配置为基于存储在所述存储器的指令执行如权利要求1至6任一项所述的视频内容热度预测方法。
14.一种计算机可读存储介质，其上存储有计算机程序指令，该指令被处理器执行时实现权利要求1至6任一项所述的视频内容热度预测方法的步骤。
视频内容热度预测方法和装置
技术领域
[0001] 本公开涉及数据通信领域，尤其涉及一种视频内容热度预测方法和装置。
背景技术
[0002] 视频业务是建立在宽带互联网和移动互联网之上的向社会公众开放的一种新的视频业务，是集图像、数据等为一体的多媒体交互式服务的技术。
[0003] CDN(Content Delivery Network，内容分发网络)是视频业务的承载网络，它构建在宽带或移动网上，为视频提供大规模流媒体服务。CDN一般为分级部署，中心节点保存全量内容，区域缓存节点和边缘节点保存问题内容，其中边缘缓存节点保存的内容最少。
[0004] 由于边缘CDN节点缓存空间有限，保存的内容少，所以边缘缓存节点只能通过把热度高的内容存储在缓存中，从而减少回源的流量进而提升服务质量。
[0005] 由于视频内容文件非常大，因此相对于网页、小文件等CDN，视频在内容更新、替换时，其所需时间较长。并且，CDN服务器缓存空间有限，只能把热度高的内容存储在缓存中，减少回源的流量并提升服务质量；视频客户端的推荐机制，正确“猜中”用户喜欢的内容(愿意访问的热度内容)，并推荐给用户，能提高用户服务质量，使得用户访问量增长，提升客户端品牌和经济收益。
[0007] 本公开要解决的一个技术问题是提供一种视频内容热度预测方法和装置，能够准确预测视频内容的变化趋势。
[0008] 根据本公开一方面，提出一种视频内容热度预测方法，包括：确定视频内容的弹幕情感量化值、评论情感量化值和内容模式关联系数值；确定视频内容的热度流失函数；基于弹幕情感量化值、评论情感量化值、内容模式关联系数值和热度流失函数预测视频内容的热度值。
[0009] 可选地，基于弹幕情感量化值、评论情感量化值、内容模式关联系数值和热度流失函数预测视频内容的热度值包括：分别确定弹幕情感量化值、评论情感量化值和内容模式关联系数值的调节系数；计算弹幕情感量化值、评论情感量化值和内容模式关联系数值的加权求和计算值；基于加权求和计算值与视频内容的现有热度值以及热度流失函数的乘积预测视频内容的热度值。
[0010] 可选地，确定视频内容的弹幕情感量化值和评论情感量化值包括：获取视频内容的弹幕内容和评论内容；基于弹幕内容利用深度学习的自然语言处理引擎确定弹幕情感量化值；基于评论内容利用深度学习的自然语言处理引擎确定评论情感量化值。
[0011] 可选地，确定内容模式关联系数值包括：获取用户对视频内容模式的观看行为信息；基于观看行为信息利用深度学习关联性测度引擎确定容模式关联系数值。
[0013] 可选地，热度流失函数为 其中，t0为视频内容的第一次被请求的时间，t为当前时间，b为冷却因子。
[0014] 根据本公开的另一方面，还提出一种视频内容热度预测装置，包括：预测参数确定单元，用于确定视频内容的弹幕情感量化值、评论情感量化值和内容模式关联系数值；热度流失函数确定单元，用于确定视频内容的热度流失函数；视频热度预测单元，用于基于弹幕情感量化值、评论情感量化值、内容模式关联系数值和热度流失函数预测视频内容的热度值。
[0015] 可选地，视频热度预测单元用于分别确定弹幕情感量化值、评论情感量化值和内容模式关联系数值的调节系数；计算弹幕情感量化值、评论情感量化值和内容模式关联系数值的加权求和计算值；基于加权求和计算值与视频内容的现有热度值以及热度流失函数的乘积预测视频内容的热度值。
[0016] 可选地，预测参数确定单元包括：预测参数采集模块，用于获取视频内容的弹幕内容和评论内容；深度学习量化模块，用于基于弹幕内容利用深度学习的自然语言处理引擎确定弹幕情感量化值，基于评论内容利用深度学习的自然语言处理引擎确定评论情感量化值。
[0017] 可选地，预测参数采集模块还用于获取用户对视频内容模式的观看行为信息；深度学习量化模块还用于基于观看行为信息利用深度学习关联性测度引擎确定容模式关联系数值。
[0018] 可选地，热度流失函数确定单元用于确定视频内容的第一次被请求的时间；基于视频内容的第一次被请求的时间、当前时间和冷却因子确定热度流失函数。
[0019] 可选地，热度流失函数为 其中，t0为视频内容的第一次被请求的时间，t为当前时间，b为冷却因子。
[0020] 根据本公开的另一方面，还提出一种视频内容热度预测装置，包括：存储器；以及耦接至存储器的处理器，处理器被配置为基于存储在存储器的指令执行如上述的视频内容热度预测方法。
[0021] 根据本公开的另一方面，还提出一种计算机可读存储介质，其上存储有计算机程序指令，该指令被处理器执行时实现上述的视频内容热度预测方法的步骤。
[0022] 与现有技术相比，本公开使用幕情感量化值、评论情感量化值、内容模式关联系数值和热度流失函数，能够准确预测视频内容的变化趋势，从而能够将热度值高的视频内容缓存在CDN节点，以便及时将热度高的视频内容推荐给用户。
附图说明
[0025] 参照附图，根据下面的详细描述，可以更加清楚地理解本公开，其中：
[0026] 图1为本公开视频内容热度预测方法的一个实施例的流程示意图。
[0027] 图2为本公开视频内容热度预测方法的另一个实施例的流程示意图。
[0029] 图4为本公开视频内容热度预测装置的一个实施例的结构示意图。
[0030] 图5为本公开视频内容热度预测装置的另一个实施例的结构示意图。
[0031] 图6为本公开视频内容热度预测装置的再一个实施例的结构示意图。
[0032] 图7为本公开视频内容热度预测装置的又一个实施例的结构示意图。
具体实施方式
[0033] 现在将参照附图来详细描述本公开的各种示例性实施例。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本公开的范围。
[0034] 同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。
[0035] 以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本公开及其应用或使用的任何限制。
[0036] 对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为授权说明书的一部分。
[0037] 在这里示出和讨论的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它示例可以具有不同的值。
[0038] 应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
[0039] 为使本公开的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本公开进一步详细说明。
[0040] 图1为本公开视频内容热度预测方法的一个实施例的流程示意图。
[0041] 在步骤110，确定视频内容的弹幕情感量化值、评论情感量化值和内容模式关联系数值。弹幕情感量化值、评论情感量化值越高，说明书用户对视频内容越喜爱，该视频内容的热度也越高；内容模式关联系数值可以反映内容与内容之间的关联性。在该实施例中，将弹幕情感量化值、评论情感量化值和内容模式关联系数值作为预测热度值的预测参数。
[0042] 在步骤120，确定视频内容的热度流失函数。随着时间的推移，有些视频或文件会逐渐冷却，因此，需要引入热度流失函数。
[0043] 在步骤130，基于弹幕情感量化值、评论情感量化值、内容模式关联系数值和热度流失函数预测视频内容的热度值。例如，为弹幕情感量化值、评论情感量化值、内容模式关联系数值设置不同的调节系数，然后对弹幕情感量化值、评论情感量化值、内容模式关联系数值进行加权求和计算，最后计算加权求和计算值与视频内容的现有热度值以及热度流失函数的乘积，确定视频内容的热度值。
[0044] 在该实施例中，使用幕情感量化值、评论情感量化值、内容模式关联系数值和热度流失函数，能够准确预测视频内容的变化趋势，从而能够将热度值高的视频内容缓存在CDN节点，以便及时将热度高的视频内容推荐给用户。
[0045] 图2为本公开视频内容热度预测方法的另一个实施例的流程示意图。
[0046] 在步骤210，获取视频内容的弹幕内容、评论内容以及用户对视频内容模式的观看行为信息。例如，可以通过爬虫获取弹幕内容以及评论内容。
[0047] 在步骤220，利用深度学习的自然语言处理引擎确定弹幕情感量化值和评论情感量化值，利用深度学习关联性测度引擎确定容模式关联系数值。
[0048] 视频播放时，画面上滚动的弹幕信息和视频内容评论区的回复消息，若正面评价越多越能反映用户对视频内容的喜爱，热度越高。例如弹幕情感量化值和评论情感量化值可以用于[0,1]之间的实数表示，0表示用户极度不喜欢观看该视频内容，1表示用户非常喜欢观看该视频内容。而用户对于内容模式的观看行为，例如，观看某个演员的内容最多、观看战争题材内容、观看山水风景内容最多等，可以确定同类模式视频有较强相关性。其中，内容模式关联系数值取值范围可以为[0,1]之前的实数，0表示视频内容之间不存在相关性，1表示视频内容之间完全强相关。
[0049] 在一个实施例中，利用深度学习的自然语言处理引擎确定弹幕情感量化值和评论情感量化值，深度学习的自然语言处理引擎可以为RNN(Recurrent Neural Network，循环神经网络)或CNN(Convolutional Neural Network，卷积神经网络)等。例如，利用CNN进行用户评论内容量化分析建模或幕内容量化分析建模。如图3所示，以用户评论内容量化分析建模为例进行介绍。第一层是词向量嵌入层，用word2vec将词语映射为向量；第二层是卷积层，该卷积层会使用多个滤波器；第三层是池化层，例如可以采用max-over-time池化；最后将所有池化层的结果放在一个长特征向量上，并加入dropout正则，最后采用softmax输出结果。
[0050] 对于词向量嵌入层，采用CNN模型处理文本时，需要将文本转化成CNN能够识别的输入特征。首先，将评论内容句子分词后，将该句子划分后的各个词语分别映射到d维实数向量，词向量表使用word2vec提前训练，令xi∈Rd代表句子中第i个词的d维的词向量，所有的词组成句子矩阵Mj∈Rl×d，其中，j代表所有评论集中第j条评论句子，l代表句子中词的数量，d代表每个词向量表示的向量维度，矩阵每行代表句中词的词向量表示，将矩阵Mj作为CNN的输入。
[0051] 对于卷积层，输入句子矩阵Mj，利用大小为h×d的滤波器(滑动窗口)wh×d进行卷积操作，卷积滑块涉及h个词，滑块宽度d与词向量表示维度相同：
[0052] ci＝f(w×xi：i+h-1+b) (1)
[0053] 其中，b代表偏置量，f(·)为非线性卷积核函数，xi,i+h-1表示矩阵第i行到第i+h-1行，ci表示由卷积操作所产生的局部特征。因此，在句子矩阵Mj上，卷积滑动窗口将作用于{x1,h,x2,h+1,……,xl-h+1,l}个局部特征区域。所以：
[0054] C＝[c1,c2,…,cl-h+1] (2)
[0055] 其中，C∈Rl-h+1。
[0056] 对于池化层，采用max-over-time池化的方法。这种方法就是简单地从之前的特征向量中提取出最大值，最大值代表着最重要的信号，即滑动窗口获得的局部特征中最重要的特征。可以看出，这种池化方式可以解决可变长度的句子输入问题和滤波器大小不同的问题。因此，对于一个滤波器产生的输出的C，采用max-over-time方法进行特征映射，得到池化后的特征s：
[0057] s＝max(C) (3)
[0058] 对于整个卷积神经网络模型，将使用多个滤波器wjh×d(h为不同的值)对输入矩阵Mjl×d进行卷积操作，产生多个特征，将特征组合作为全连接层的输入向量V：
[0059] V＝[s(1,1)…s(1,h)…s(m,h)] (4)
[0060] 其中，s(m,h)表示大小为h的第m个滤波器产生的特征。
[0061] 池化层的一维向量的输出通过全连接的方式，连接一个softmax层，softmax层可根据任务的需要设置(通常反映着最终类别上的概率分布)。因此，最后将全连接的输出利用softmax函数生成分类结果，模型利用实际分类标签，使用反向传播算法对参数进行优化。
[0062] P(y|V,W,b)＝softmax(W×V+b) (5)
[0063] 其中，y代表情感分析的类别标签，W代表全连接层的参数，b为偏值项。
[0064] 最后，将所有不同用户对某影片评论通过CNN模型输出的情感程度标签进行平均，最终获得综合情感量化值Y。
[0065] 在一个实施例中，利用CNN确定内容模式关联系数值。例如，使用CNN提取待识别图片特征，并用CNN提取模板库中带标签的图片特征。例如已标明演员图片、山水图片、战争图片等，然后，测量提取出的待测样本图片特征与带标签图片的相似度。
[0066] 其中，可以采用余弦相似度表示提取出的待测样本图片特征与带标签图片的相似度。一个图片特征由一个向量表示，余弦相似度可以表示提取出的待测样本图片特征与带标签图片的相似度。给定两个向量，x和y，其余弦相似性cos(x，y)由点积和向量长度给出，如下所示：
[0067]
[0068] 余弦相似性通过测量两个向量的夹角的余弦值来度量它们之间的相似性。余弦值的范围在[-1,1]之间，值越趋近于1，代表两个向量的方向越接近；越趋近于-1，他们的方向越相反；接近于0，表示两个向量近乎于正交，如完全不相似。
[0069] 在步骤230，确定视频内容的第一次被请求的时间，基于视频内容的第一次被请求的时间、当前时间和冷却因子确定热度流失函数。热度流失函数时一种热度自然冷却法则，在一个实施例中，可以利用公式 确定热度流失函数，其中，e为指数函数的底数，t0为视频内容的第一次被请求的时间，t为当前时间，b为冷却因子，b为用于调整冷却速度的冷却系数。
[0070] 在步骤240，分别确定弹幕情感量化值、评论情感量化值和内容模式关联系数值的调节系数。其中，可以根据实际内容运营情况调节各热度预测参数的调节系数。
[0071] 在步骤250，计算弹幕情感量化值、评论情感量化值和内容模式关联系数值的加权求和计算值。例如，弹幕情感量化值x的调节系数为w1，评论情感量化值y的调节系数为w2，内容模式关联系数值z的调节系数为w3，则加权求和计算结果为w1*x+w2*y+w3*z。
[0072] 在步骤260，基于加权求和计算值与视频内容的现有热度值以及热度流失函数的乘积预测视频内容的热度值。例如，视频内容的现有热度值为h，则预测视频内容的热度值为
[0073] 依据目前互联网视频环境中，视频的热度不能仅靠历史热度来统计，并且，视频热度并不是完全根据自然冷却法则变成冷片。例如，某影片有热门影视明星出演时，一开始会访问热度很高，但如果影片本身质量不高，用户口碑不佳(从评论、弹幕可以获得)等，影片会在很短时间内变成冷片，并不遵循访问热度下的自然冷却法则。因此，在该实施例中，以深度学习为基础，使用幕情感量化值、评论情感量化值、内容模式关联系数值和热度流失函数，能够准确预测视频内容的变化趋势，例如，可以在视频内容没上线，或已上线的内容因为某些原因将会变为热点的时候，准确识别出这些内容，并提前把这些热点内容分发到CDN边缘节点，提高推荐系统的推荐正确率，并提高CDN的命中率，提升服务质量。本公开适用于整文件及分片存储CDN和视频客户端推荐系统。
[0074] 图4为本公开视频内容热度预测装置的一个实施例的结构示意图。该装置包括预测参数确定单元410、热度流失函数确定单元420和视频热度预测单元430。
[0075] 预测参数确定单元410用于确定视频内容的弹幕情感量化值、评论情感量化值和内容模式关联系数值。弹幕情感量化值、评论情感量化值越高，说明书用户对视频内容越喜爱，该视频内容的热度也越高；内容模式关联系数值可以反映内容与内容之间的关联性。在该实施例中，将弹幕情感量化值、评论情感量化值和内容模式关联系数值作为预测热度值的预测参数。
[0076] 热度流失函数确定单元420用于确定视频内容的热度流失函数。随着时间的推移，有些视频或文件会逐渐冷却，因此，需要引入热度流失函数。
[0077] 视频热度预测单元430用于基于弹幕情感量化值、评论情感量化值、内容模式关联系数值和热度流失函数预测视频内容的热度值。例如，为弹幕情感量化值、评论情感量化值、内容模式关联系数值设置不同的调节系数，然后对弹幕情感量化值、评论情感量化值、内容模式关联系数值进行加权求和计算，最后计算加权求和计算值与视频内容的现有热度值以及热度流失函数的乘积，确定视频内容的热度值。
[0078] 在该实施例中，使用幕情感量化值、评论情感量化值、内容模式关联系数值和热度流失函数，能够准确预测视频内容的变化趋势，从而能够将热度值高的视频内容缓存在CDN节点，CDN节点可以在视频内容没上线，或已上线的内容因为某些原因将会变为热点的时候，准确识别出这些内容，并提前把这些热点内容分发到CDN边缘节点。
[0079] 图5为本公开视频内容热度预测装置的另一个实施例的结构示意图。该预测参数确定单元410包括预测参数采集模块411和深度学习量化模块412。
[0080] 预测参数采集模块411用于获取视频内容的弹幕内容、评论内容以及用户对视频内容模式的观看行为信息。例如，可以通过爬虫获取弹幕内容以及评论内容。
[0081] 深度学习量化模块412用于利用深度学习的自然语言处理引擎确定弹幕情感量化值和评论情感量化值，利用深度学习关联性测度引擎确定容模式关联系数值。弹幕情感量化值和评论情感量化值可以用于[0,1]之间的实数表示，0表示用户极度不喜欢观看该视频内容，1表示用户非常喜欢观看该视频内容。内容模式关联系数值取值范围可以为[0,1]之前的实数，0表示视频内容之间不存在相关性，1表示视频内容之间完全强相关。
[0082] 热度流失函数确定单元420用于确定视频内容的第一次被请求的时间，基于视频内容的第一次被请求的时间、当前时间和冷却因子确定热度流失函数。在一个实施例中，可以利用公式 确定热度流失函数，其中，t0为视频内容的第一次被请求的时间，t为当前时间，b为冷却因子，b为用于调整冷却速度的冷却系数。
[0083] 视频热度预测单元430用于分别确定弹幕情感量化值、评论情感量化值和内容模式关联系数值的调节系数；计算弹幕情感量化值、评论情感量化值和内容模式关联系数值的加权求和计算值；基于加权求和计算值与视频内容的现有热度值以及热度流失函数的乘积预测视频内容的热度值。例如，弹幕情感量化值x的调节系数为w1，评论情感量化值y的调节系数为w2，内容模式关联系数值z的调节系数为w3，则加权求和计算结果为w1*x+w2*y+w3*z，视频内容的现有热度值为h，热度流失函数为 则预测视频内容的热度值为[0084] 在该实施例中，以深度学习为基础，使用幕情感量化值、评论情感量化值、内容模式关联系数值和热度流失函数，能够准确预测视频内容的变化趋势，从而能够将热度值高的视频内容缓存在CDN节点，以便及时将热度高的视频内容推荐给用户。
[0085] 本公开的实施例可以应用在网站及手机视频客户端推荐系统中，提升用户服务质量和收视率。例如，获取每个视频内容的热度值后，根据热度值对视频内容进行排序，从而将热度值高的视频内容推荐给用户。
[0086] 图6为本公开视频内容热度预测装置的再一个实施例的结构示意图。该装置包括存储器610和处理器620。其中：存储器610可以是磁盘、闪存或其它任何非易失性存储介质。存储器610用于存储图1、2所对应实施例中的指令。处理器620耦接至存储器610，可以作为一个或多个集成电路来实施，例如微处理器或微控制器。该处理器620用于执行存储器中存储的指令。
[0087] 在一个实施例中，还可以如图7所示，该装置700包括存储器710和处理器720。处理器720通过BUS总线730耦合至存储器710。该装置700还可以通过存储接口740连接至外部存储装置750以便调用外部数据，还可以通过网络接口760连接至网络或者另外一台计算机系统(未标出)，此处不再进行详细介绍。
[0088] 在该实施例中，通过存储器存储数据指令，再通过处理器处理上述指令，使用幕情感量化值、评论情感量化值、内容模式关联系数值和热度流失函数，能够准确预测视频内容的变化趋势。
[0089] 在另一个实施例中，一种计算机可读存储介质，其上存储有计算机程序指令，该指令被处理器执行时实现图1、2所对应实施例中的方法的步骤。本领域内的技术人员应明白，本公开的实施例可提供为方法、装置、或计算机程序产品。因此，本公开可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本公开可采用在一个或多个其中包含有计算机可用程序代码的计算机可用非瞬时性存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
[0090] 本公开是参照根据本公开实施例的方法、设备(系统)和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0091] 这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0092] 这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0093] 至此，已经详细描述了本公开。为了避免遮蔽本公开的构思，没有描述本领域所公知的一些细节。本领域技术人员根据上面的描述，完全可以明白如何实施这里公开的技术方案。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 数据处理方法和装置 | 2020-05-08 | 1002 |
| 项目加速的自动评估 | 2020-05-08 | 622 |
| 客户行为预测方法、装置、设备及介质 | 2020-05-14 | 512 |
| 一种短文本主题确定方法 | 2020-05-08 | 212 |
| 一种基于多种实体注意力和改进预训练语言模型的药物间关系抽取方法 | 2020-05-12 | 729 |
| 一种用于提供视频节目内容总结的方法及其系统 | 2020-05-08 | 230 |
| 一种基于深度学习的中文自然语言处理方法 | 2020-05-08 | 263 |
| SQL语句生成方法、装置、电子设备和存储介质 | 2020-05-08 | 694 |
| 一种基于信用大数据的标签分类和定量分析方法 | 2020-05-11 | 914 |
| 查询结果的确定方法、装置、服务器及存储介质 | 2020-05-12 | 912 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
分析报告
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
QQ群二维码
意见反馈
意见反馈