CN119450099A 基于深度学习的私域直播高峰期热点预测与内容调度方法 （北京易汇众盟网络技术有限公司）

基于深度学习的私域直播高峰期热点预测本发明提供一种基于深度学习的私域直播通过空间金字塔注意力模块和递进式特征蒸馏2采集私域直播历史数据，构建包含快速记忆通路和慢速记忆通路的混合采集直播相关多模态数据并进行特征提取和特征编码，构建得到多交互引擎执行跨模态特征融合，对所述动态异构图神经网络应用层次化对比学习训练方通过目标分解模块将全局目标划分为多个子目标，根据执行规划模块规划子目标实现路采集实时直播数据并添加至预先构建的包含状态编码器和效果评估器的双向交互式块中的并行注意力分支对所述多尺度时序特征进行特设置混合记忆增强型神经网络的快速记忆通路与慢速记忆通路，在所中配置双向门控循环单元网络，在所述双向门控循环单元网络中设置候选状态生成单元，在所述慢速记忆通路中配置转换器网络，将多头自注意力层与前馈在每个特征子空间执行缩放点积计算得到注意力权重，对所述注意力权重执行dropout正3对所述私域直播历史数据与所述历史趋势特征执行自适应批归一化运算得到归一化配置空间金字塔注意力模块的第一注意力分支、第二注意力分支与第三注意力分支，配置多层可变形卷积网络的偏移预测层、调制因子预配置递进式特征蒸馏网络的教师网络与多级学生网络，根据所网络与所述学生网络的特征图L2损失与注意力图损失，计算软标签分布对应的KL散度损将所述蒸馏后的特征表示输入多层感知机，在所述多层感知机中逐层降低特征维度，在最后一层将输出维度设置为预测时间窗口的离散时段数量；通过Softmax函数将输出归构图神经网络应用层次化对比学习训练方法，在不同语义层次构建样本对并执行特征对4通过特征提取网络对视频流数据中的每一帧执行特征提取，所述对所述动态异构图神经网络进行动态更新，当新数据到达时，提取对应模态特通过特征交互引擎将所述特征矩阵与所述节点邻接矩阵输入多层图神同层次的对比损失进行加权平均得到总损失将图神经网络输出的节点表示输入分层策略将动态异构图神经网络中的节点映射为多智能体，每个智每个智能体基于其策略网络生成直播内容调度策略的概率分布5在动态异构图的每个节点部署智能体，所述动态异构图的节所述智能体在每个决策时间步向邻居节点广播自身的行动概率分布基于非合作博弈框架进行策略优化，所述非合作博弈中不同类对联合行动值函数进行迭代更新，计算当前时刻智能体状态与联合行动的价值函数，将所述价值函数与即时奖励和下一时刻状态价值函数的折扣值之和的差值进行加权平均基于策略梯度算法优化策略函数，采用蒙特卡洛估计方法计算将采集的实时视频流、实时音频流、实时文本流数据添加至预先构通过所述视频特征提取模块中的卷积神经网络对实时视频流提取帧所述因果图构建模块基于历史数据构建直播效果因果图，所述直播效果因果图包6计算所述实时性能评估指标与存储的直播高峰期预测结果的在执行调度动作的同时持续采集新的直播数据，将新采集的构建元学习器网络结构，设置策略网络生成采样训练任务获取状态转移数据，复制元参数作为任务专属参数初始值计算每个训练任务更新前后的任务专属参数在对应任务上的累积奖励差值作为适应采样测试任务，复制训练后的元参数作为任务专属参数初始值，执行内循8.基于深度学习的私域直播高峰期热点预测与内7第一单元，用于采集私域直播历史数据，构建包含快速记合记忆增强型神经网络，通过所述快速记忆通路与所述慢速记忆通路提取多尺度时序特第二单元，用于采集直播相关多模态数据并进行特征提取和特第三单元，用于采集实时直播数据并添加至预先构建的果评估器基于因果推理机制建立预测效果与实际效果的映射关系，得到实时性能评估指其中，所述处理器被配置为调用所述存储器存储的指令，以执行程序指令被处理器执行时实现权利要求1至7中任意8[0003]本发明实施例提供一种基于深度学习的私域直播高峰期热点预测与内容调度方采集实时直播数据并添加至预先构建的包含状态编码器和效果评估器的双向交9对所述私域直播历史数据与所述历史趋势特征执行自适应批归一化运算得到归变形滑动窗口执行局部区域的特征提取，在所述第三注意力分支中设置混合注意力机制，双向编码网络对弹幕文本与评论文本执行序列建模，将词向量序列映射为文本特征向量；维度和隐藏层维度构建可学习参数矩阵，首先设置每层图神经网络的输入维度与输出维图神经网络各层的权重矩阵，对所述节点邻接矩阵进行度数归一化得到对称归一化矩阵，在动态异构图的每个节点部署智能体，所述动态异构图的节点包括视频片段节点的行动概率分布，将接收到的行动概率分布作为额外的输入信号更新对应的策略网络，采集实时直播数据并添加至预先构建的包含状态编码器和效果评估器的双向交通过所述视频特征提取模块中的卷积神经网络对实时视频流提取帧级视觉特征，文本特征提取模块中的循环神经网络对实时文本流提取语义特征，将所述帧级视觉特征、每个子任务配置独立的策略网络和值函数网络，策略网络基于当前状态生成动作概率分计算每个训练任务更新前后的任务专属参数在对应任务上的累积奖励差值作为规划子目标实现路径，将所述分层策略优化网络输入非合作博弈的多智能体强化学习框对所述直播内容调度策略进行在线优化，基于优化后的策略动态调整直播内容调度方案，[0015]图1为本发明实施例基于深度学习的私域直播高峰期热点预测与内容调度方法的图2为本发明实施例基于深度学习的私域直播高峰期热点预测与内容调度系统的[0018]图1为本发明实施例基于深度学习的私域直播高峰期热点预测与内容调度方法的S1.采集私域直播历史数据，构建包含快速记忆通路和慢速记忆通路的混合记忆对所述私域直播历史数据与所述历史趋势特征执行自适应批归一化运算得到归变形滑动窗口执行局部区域的特征提取，在所述第三注意力分支中设置混合注意力机制，0.5+32×0.2+14×0.2+32×0.1[0023]对收集到的私域直播历史数据和计算得到的历史趋势特征进行自适应批归一化[0034]S2.采集直播相关多模态数据并进张量并添加至预先设置的动态异构图神经网络，结合拓扑结构生成器构建节点关联关系，双向编码网络对弹幕文本与评论文本执行序列建模，将词向量序列映射为文本特征向量；维度和隐藏层维度构建可学习参数矩阵，首先设置每层图神经网络的输入维度与输出维图神经网络各层的权重矩阵，对所述节点邻接矩阵进行度数归一化得到对称归一化矩阵，使用特征金字塔网络提取多尺度视觉特征，例如，对于一个1080p的视频帧，可以提取算两个视频片段节点之间的视觉特征余弦相似度。对相似度执行归一化变换得到边权重。在动态异构图的每个节点部署智能体，所述动态异构图的节点包括视频片段节点的行动概率分布，将接收到的行动概率分布作为额外的输入信号更新对应的策略网络，和弹幕节点的状态向量构建方式类似，分别包含其自身属性特征和邻接节点的属性特征。成网络和价值评估网络组成。动作生成网络根据智能体的状态和邻居节点的行动概率分[0050]S3.采集实时直播数据并添加至预先构建的包含状态编码器和效果评估器的双向采集实时直播数据并添加至预先构建的包含状态编码器和效果评估器的双向交通过所述视频特征提取模块中的卷积神经网络对实时视频流提取帧级视觉特征，文本特征提取模块中的循环神经网络对实时文本流提取语义特征，将所述帧级视觉特征、每个子任务配置独立的策略网络和值函数网络，策略网络基于当前状态生成动作概率分计算每个训练任务更新前后的任务专属参数在对应任务上的累积奖励差值作为[0065]图2为本发明实施例基于深度学习的私域直播高峰期热点预测与内容调度系统的