网络直播交互效果的动态评估方法及系统与流程
本发明涉及智能体构建,尤其涉及网络直播交互效果的动态评估方法及系统。
背景技术:
1、随着移动互联网技术的飞速发展与智能终端的普及,网络直播已成为一种极具影响力的信息传播与商业变现模式;在电商带货、娱乐秀场及知识分享等场景中,主播与观众之间的实时交互(如弹幕互动、点赞、打赏、连麦等)不仅是活跃直播间氛围的关键,更是衡量直播质量、决定流量留存与转化的核心要素;因此,如何科学、准确地评估直播过程中的交互效果,并据此优化运营策略,已成为当前直播技术领域亟待解决的重要问题。
2、现有的网络直播交互效果评估方法及系统,通常通过收集直播间的表层数据(如观看人数、点赞量、礼物金额等)来生成评估报告,但仍存在以下不足:
3、1、现有评估方法大多依赖有限的表层数据指标,对观众评论的情感倾向、弹幕的具体语义以及实时点击流等多源交互数据的利用不足,缺乏多维度的融合分析能力;这导致评估结果往往比较片面,难以准确反映观众真实的参与度和交互质量,容易陷入“唯数据论”的误区,难以真正衡量直播交互效果的好坏;
4、2、现有评估过程大多采用事后统计的方式,无法在直播进行过程中对交互效果进行实时监测和动态评估;同时,评估模型中的参数往往基于经验固定设置,难以根据直播过程中的实时反馈(如观众情绪变化、互动热度波动等)进行动态调整;由于缺乏“实时评估—动态反馈—策略优化”的闭环机制,运营人员无法在直播过程中及时调整互动策略,导致交互效果优化严重滞后,容易错失最佳的互动时机。
5、综合上述,本技术提出了网络直播交互效果的动态评估方法及系统。
技术实现思路
1、基于背景技术存在的技术问题,本发明提出了网络直播交互效果的动态评估方法及系统。
2、本发明提出的网络直播交互效果的动态评估方法,包括以下步骤:
3、s1:直播交互多源数据实时采集:在直播过程中,以预设采样周期实时采集直播间的多源交互数据,所述多源交互数据包括弹幕文本数据、观众行为数据、直播音视频数据及互动事件数据;
4、s2:多源交互数据预处理与特征提取:对s1采集的多源交互数据进行清洗、格式统一及时序对齐,构建时间同步的多模态交互数据帧;对弹幕文本数据进行情感极性分析,提取弹幕情感倾向特征及情感强度特征;对观众行为数据进行时序统计分析,提取互动热度特征及观众留存特征;对直播音视频数据进行声学与视觉特征提取,提取主播语音情感特征及画面互动氛围特征;对互动事件数据进行频次与响应时效分析,提取事件触发密度特征及主播响应速度特征;
5、s3:多维度交互效果实时评分计算:基于s2提取的各维度特征,分别计算情感互动评分、热度互动评分、内容互动评分及响应互动评分,并加权融合得到当前时刻的直播交互效果综合评分;
6、s4:交互效果等级动态判定与趋势预测:基于s3计算的实时综合评分,结合动态阈值区间判定当前直播交互效果等级;同时基于历史评分序列构建时序预测模型,预测未来预设时间窗口内交互效果的变化趋势,生成交互效果趋势预警信号;
7、s5:评估模型参数动态自适应调整:基于s4生成的趋势预警信号及实时评分波动情况,动态调整s3中各子维度评分的权重系数及s4中各评分阈值区间的边界值;
8、s6:交互策略即时推送与闭环反馈:根据s5调整后的评估模型参数及s4生成的趋势预警信号,自动生成对应的交互策略优化建议并推送至主播端或运营端;直播结束后,基于整场直播的交互效果评估数据生成结构化评估报告,并将评估结果及策略执行效果反馈至历史数据库。
9、优选地,所述s1中,弹幕文本数据包括弹幕内容、发送时间及发送用户标识;观众行为数据包括在线人数、点赞量、礼物量、关注数及用户进入与退出事件;直播音视频数据包括主播语音及直播画面;互动事件数据包括连麦事件、抽奖事件及商品点击事件。
10、优选地,所述s2中,弹幕文本数据的情感极性分析采用基于预训练语言模型的情感分类方法,输出弹幕的情感极性类别及情感强度值;所述情感极性类别包括正向、中性及负向三类。
11、优选地,所述s3的具体逻辑步骤如下:
12、s301:情感互动评分计算:基于s2提取的弹幕情感倾向特征和情感强度特征,计算采样周期内的情感互动评分;该评分反映观众在直播过程中的情绪状态和情感参与程度;对采样周期内所有弹幕的情感极性值和情感强度值进行综合汇总,正向弹幕占比越高、强度越大,则情感互动评分越高;其计算公式为:
13、;
14、其中为情感互动评分,为采样周期内的弹幕总数,为第条弹幕的情感极性值,正向取+1,中性取0,负向取-1;为第条弹幕的情感强度值,取值范围为0到1;、为权重系数,默认分别取0.6和0.4;
15、s302:热度互动评分计算:基于s2提取的互动热度特征和观众留存特征,计算采样周期内的热度互动评分;该评分反映直播间的活跃程度和观众的参与热情;当前在线人数越接近峰值、单位时间内的互动量越大,热度互动评分越高;其计算公式为:
16、;
17、其中为热度互动评分,为当前在线人数,为当前直播场次已出现的峰值在线人数,为当前采样周期内的单位时间互动量,该互动量为点赞量、礼物量和弹幕数量之和除以周期时长,为当前直播场次已出现的峰值单位时间互动量,、为权重系数,默认分别取0.5和0.5;
18、s303:内容互动评分计算:基于s2提取的画面互动氛围特征,综合弹幕文本与直播画面内容的相关性,计算采样周期内的内容互动评分;该评分反映观众是否围绕直播主题进行实质性互动,而非单纯的刷屏行为;弹幕内容与当前直播画面或主播话题的相关性越高,说明内容互动质量越好;相关性分析采用基于预训练语义模型的文本-图像匹配方法,输出匹配度得分,匹配度得分的取值范围为0到1;
19、s304:响应互动评分计算:基于s2提取的事件触发密度特征和主播响应速度特征,计算采样周期内的响应互动评分;该评分反映主播与观众之间的双向互动效率;事件触发频次越高、主播平均响应时延越短,说明主播与观众之间的交互越通畅,响应互动评分越高;其计算方式为事件触发密度归一化值与响应速度归一化值按各占一半的权重进行加权求和;
20、s305:综合评分加权融合:将s301至s304计算得到的四个子维度评分进行加权融合,得到当前采样周期的直播交互效果综合评分;四个维度的权重可根据当前运营目标灵活调整,当直播偏向情感互动时可加大情感互动维度的权重,当直播偏向带货时可加大热度互动和响应互动维度的权重;其计算公式为:
21、;
22、其中为直播交互效果综合评分,为情感互动评分,为热度互动评分,为内容互动评分,为响应互动评分,、、、为各维度权重系数,四个权重之和为1,默认分别取0.30、0.25、0.25和0.20;
23、s306:评分结果输出与缓存:将s305计算得到的综合评分以及四个子维度评分按照采样周期时间戳进行标记,形成结构化的评分记录;将评分记录缓存至内存,供s4等级判定与趋势预测模块实时调用;同时按时间顺序追加至当场的评分历史序列中,为后续的趋势分析提供数据基础。
24、优选地,所述s4中,交互效果等级判定采用三级分类方式;s4的具体逻辑步骤如下:
25、s401:实时综合评分获取与有效性校验:从s3中读取当前采样周期计算得到的直播交互效果综合评分,并校验该评分是否在有效范围内,即是否处于0到1之间;若评分超出有效范围则标记为异常数据并舍弃,沿用上一周期的评分值,确保后续判定与预测的输入数据合法有效;
26、s402:交互效果等级动态判定:基于s401获取的实时综合评分,结合动态调整的高低阈值和进行等级划分;当大于等于时判定为优级,当小于且大于等于时判定为良级,当小于时判定为差级;其中和的初始默认值分别为0.7和0.4,后续由s5根据实时反馈进行动态调整;
27、s403:历史评分序列更新与维护:将当前采样周期的综合评分按时间顺序追加至历史评分序列中,该序列保存最近60个采样周期的评分数据;当序列长度超过预设上限时,移除最早的一条记录,确保序列长度稳定,为趋势预测提供平稳的数据基础;
28、s404:交互效果变化趋势计算:基于s403维护的历史评分序列,计算最近若干个采样周期内的评分变化方向和变化幅度;采用一阶线性回归或滑动窗口平均法估算当前时刻的评分变化率;当为正值且超过预设的上升阈值时判定为上升趋势,当为负值且低于预设的下降阈值时判定为下降趋势,当在上升阈值与下降阈值之间时判定为平稳趋势;
29、s405:未来交互效果趋势预测与预警信号生成:基于s404计算得到的评分变化率和最近若干周期的评分均值,外推预测未来预设时间窗口内的综合评分预估值;若预估值持续低于且变化率为负,则生成“交互效果持续走低”的下降预警信号,提示即将进入差级区间;若预估值持续高于且变化率为正,则生成“交互效果持续向好”的上升预警信号;若变化率较小且在阈值区间内波动,则生成“交互效果平稳”的常规信号;将预警信号输出至s5,作为权重系数和阈值边界动态调整的触发依据;
30、s406:等级判定与趋势预测结果输出:将s402的等级判定结果和s405的趋势预警信号进行结构化整理,生成包含当前等级、综合评分、变化趋势方向、预估值及预警信号类型等多个字段的评估结果数据包;该数据包同步输出至s5和s6,供后续环节调用。
31、优选地,所述s5中,权重系数动态调整采用滑动窗口反馈机制;s5的具体逻辑步骤如下:
32、s501:趋势预警信号与评分波动数据获取:从s4中读取当前时刻生成的趋势预警信号,包括上升趋势、平稳趋势或下降趋势三种类型;同时从s3中获取最近若干个采样周期内各子维度评分的具体数值,计算各维度评分在当前滑动窗口内的变化量,用于量化各维度表现的变化剧烈程度;
33、s502:各维度权重系数动态调整:基于s501获取的趋势预警信号和维度评分变化量,对各子维度评分在综合评分中的权重系数进行动态修正;其调整公式为:
34、;
35、其中为第个维度更新后的权重系数,为更新前的权重系数,为学习率,默认取0.01,为第个维度评分在滑动窗口内的变化率;调整完成后对所有维度权重进行归一化处理,确保四个维度权重之和恒为1;当趋势预警信号为下降趋势时,重点提高情感互动维度和响应互动维度的权重,降低热度互动维度的权重,以强化对观众情绪变化和主播响应效率的关注;当趋势预警信号为上升趋势时,各维度权重逐步恢复至基准配置;
36、s503:评分阈值边界动态调整:基于当前综合评分的统计分布和趋势预警信号,对等级判定所使用的高低阈值进行动态修正;当交互效果持续向好时,适当提高优级阈值和良级阈值,使等级判定标准随整体水平提升而同步提升;当交互效果持续走弱时,适当降低各级阈值,避免因标准过高导致所有直播场次均被判定为差级,确保等级判定在不同直播场景下始终保持合理的区分度;其阈值调整幅度与评分变化率成正比,变化越快则调整幅度越大;高低阈值均被限制在0到1的有效范围内;
37、s504:参数变更执行与生效:将s502更新后的各维度权重系数和s503调整后的高低阈值进行合法性校验,确保权重系数均为非负值且总和为1、高低阈值均在0到1的有效区间内且高阈值大于低阈值;校验通过后将更新后的参数分别下发至s3实时评分计算模块和s4等级判定与趋势预测模块,替换原有参数即时生效,当前采样周期之后的评分计算和等级判定均采用更新后的参数执行;
38、s505:调整记录存档与策略日志输出:将本轮参数调整的相关信息记录至系统日志,包括调整时间、调整前的权重系数与阈值、调整后的权重系数与阈值、触发调整的趋势预警信号类型以及各维度评分的变化量;日志数据供后续复盘分析和策略追溯使用,同时为s6闭环反馈环节提供参数调整的历史依据。
39、优选地,所述s6中,交互策略优化建议包括当检测到情感互动评分下降时推送情感引导话术建议、当检测到热度互动评分下降时推送互动活动建议、当检测到响应互动评分下降时推送加速回复提醒。
40、优选地,所述s6的具体逻辑步骤如下:
41、s601:策略触发条件与输入数据获取:在直播进行过程中,持续监测s5调整后的各维度权重系数和s4生成的最新趋势预警信号;当趋势预警信号为下降趋势且综合评分持续低于当前良级阈值时,自动触发策略生成流程;同时获取各子维度评分的当前值,用于判断具体从哪个维度切入施策;
42、s602:策略建议生成与精准匹配:根据s601获取的维度评分数据,识别当前交互效果的主要短板维度,匹配合适的策略建议内容;当情感互动评分明显低于其他维度评分时,生成“当前观众整体情绪偏负面,建议增加情感回应话术,主动引导正面弹幕”的建议;当热度互动评分明显偏低时,生成“当前互动热度不足,建议发起限时抽奖或话题讨论以激活观众参与”的建议;当响应互动评分偏低时,生成“当前主播回复频次偏低,建议加快回复节奏,多与观众保持互动”的建议;当内容互动评分偏低时,生成“当前弹幕内容与直播主题偏离较大,建议引导观众围绕主题发言”的建议;多条策略匹配时按优先级排序后合并推送;
43、s603:策略推送与执行状态追踪:将s602生成的策略建议通过直播运营中控系统或移动终端推送至主播端和运营端,建议内容附带生成时间、建议有效期和优先级标识;系统启动计时器追踪策略推送后的效果变化,在策略推送后的若干个采样周期内监测综合评分和各维度评分的走势,自动记录策略生效后交互效果是否有所改善;
44、s604:整场直播结构化评估报告生成:直播结束后,对该场次的所有交互效果评估数据进行全面整理,生成覆盖整场直播的结构化评估报告;报告内容包括全场的综合评分变化曲线、各子维度评分的走势分布、交互效果等级的时间占比统计、动态权重系数随时间的调整轨迹、等级判定阈值的变化记录以及各条策略建议的推送时间、内容及推送后的效果变化摘要,使运营团队能够全面复盘整场直播的交互质量演变过程和策略执行效果;
45、s605:评估结果与策略执行效果归档:将s604生成的评估报告和策略执行追踪结果按场次标识进行打包,存档至历史数据库;归档数据采用结构化格式存储,每条记录包含场次标识、直播时间、全场综合评分均值、各维度评分均值、等级分布统计、权重系数调整轨迹、策略推送记录及效果变化量的字段;已归档数据作为后续直播场次的模型初始化参数参考和历史对比分析的数据来源。
46、本发明还提出了网络直播交互效果的动态评估系统,包括多源数据采集模块、特征提取模块、实时评分计算模块、等级判定与趋势预测模块、模型自适应调整模块以及策略推送与反馈模块;
47、所述多源数据采集模块的输出端连接至特征提取模块的输入端,用于在直播过程中实时采集弹幕文本数据、观众行为数据、直播音视频数据及互动事件数据;并将采集的多源数据传输至特征提取模块;
48、所述特征提取模块的输出端连接至实时评分计算模块的输入端,用于对采集的多源数据进行预处理,提取弹幕情感倾向特征、互动热度特征、主播语音情感特征及响应时效特征;并将提取的各维度特征传输至实时评分计算模块;
49、所述实时评分计算模块的输出端连接至等级判定与趋势预测模块的输入端,用于基于提取的多维度特征计算情感互动评分、热度互动评分、内容互动评分及响应互动评分,并加权融合生成交互效果综合评分;并将计算得到的综合评分传输至等级判定与趋势预测模块;
50、所述等级判定与趋势预测模块的输出端连接至模型自适应调整模块的输入端,用于基于综合评分判定当前交互效果等级,并预测未来交互效果变化趋势;并将等级判定结果及趋势预警信号传输至模型自适应调整模块;
51、所述模型自适应调整模块的第一反馈输出端连接至实时评分计算模块的反馈输入端,用于根据趋势预警信号及评分波动情况动态调整各维度权重系数及评分阈值;并将调整后的维度权重系数回传至实时评分计算模块;
52、所述模型自适应调整模块的第二反馈输出端连接至等级判定与趋势预测模块的反馈输入端,并将调整后的判定阈值回传至等级判定与趋势预测模块;
53、所述策略推送与反馈模块的输入端分别连接至等级判定与趋势预测模块的输出端及模型自适应调整模块的输出端,用于根据评估结果生成交互策略优化建议并推送至主播端或运营端,并在直播结束后生成评估报告及反馈至历史数据库。
54、与现有的技术相比,本发明的有益效果是:
55、1、本发明通过构建多源交互数据实时采集机制,在直播过程中同步采集弹幕文本、观众行为、直播音视频及互动事件四类异构数据,突破了传统评估方法仅依赖观看人数、点赞量、礼物金额等表层指标的局限;通过构建多源数据预处理与特征提取机制,对弹幕文本进行情感极性分析、对观众行为进行时序统计、对音视频进行声学与视觉特征提取、对互动事件进行响应时效分析,将原始数据转化为结构化的多维度特征向量;
56、通过构建多维度交互效果实时评分体系,分别计算情感互动、热度互动、内容互动及响应互动四个子维度评分并加权融合生成综合评分,使评估结果能够综合反映观众的情绪状态、参与热情、内容相关性和双向互动效率,有效解决了传统方案评估片面、难以真实反映观众参与度和交互质量的问题;
57、2、本发明通过构建交互效果等级动态判定与趋势预测机制,基于实时综合评分结合动态阈值区间即时判定当前交互效果等级,同时基于历史评分序列预测未来变化趋势并生成预警信号,使运营人员能够在直播过程中实时掌握交互质量的变化方向;通过构建评估模型参数动态自适应调整机制,根据趋势预警信号和实时评分波动动态调整各子维度评分的权重系数及各评分阈值的边界值,使评估模型能够自动适配不同直播场景和交互特征的变化;
58、通过构建交互策略即时推送与闭环反馈机制,根据短板维度和预警信号自动匹配策略建议并推送至主播端或运营端,直播结束后自动生成结构化评估报告并归档至历史数据库,形成从数据采集、动态评估、参数自适应到策略推送、效果追踪、经验沉淀的完整闭环,使运营人员能够在直播过程中及时调整互动策略,显著提升了交互效果评估的实时性、准确性和运营策略优化的及时性,有效解决了传统方案策略调整滞后、容易错失最佳互动时机的问题。
59、本发明通过构建多源交互数据实时采集与多维度特征提取机制,对弹幕情感、观众热度、主播语音及互动响应进行综合量化分析,克服了传统方法依赖表层指标的局限;同时建立实时评分、等级判定与趋势预测相结合的动态评估机制,实现参数的自适应调整,配合策略即时推送与闭环反馈,形成从数据采集、评估、策略推送到效果追踪的完整闭环,实现了评估从静态片面走向动态全面、从固定参数走向自适应调节、从事后统计走向实时干预的全面跃升,显著提升了评估的实时性、准确性与策略优化的及时性。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com