多媒体对象的预测方法、装置、设备、介质和程序产品与流程

1.本公开涉及多媒体技术领域，尤其涉及一种多媒体对象的预测方法、装置、设备、介质和程序产品。


背景技术：

2.与文字、图片相比，视频和音频等多媒体对象的表现力较强。例如，视频将听觉信息和视觉信息相结合，内容较丰富，表现力较强，且直观性较好，因此在各个社交媒体平台上广受欢迎。随着生活节奏的加快，短视频这种碎片化的资讯获取方式逐渐受到了人们的喜爱，越来越多的人愿意在短视频平台上分享自己拍的短视频，以及向其他人分享自己觉得有趣或其他值得观看的短视频。对于多媒体对象平台(例如视频平台或音频平台)而言，对数量庞大的多媒体对象进行预测，在节省内容分发网络的带宽等方面具有重要意义。


技术实现要素：

3.本公开提供了一种多媒体对象的预测技术方案。
4.根据本公开的一方面，提供了一种多媒体对象的预测方法，包括：
5.获得目标对媒体对象在第一时间段内的第一用户行为占比数据，以及所述目标多媒体对象在第二时间段内的第二用户行为占比数据，其中，所述第二时间段在所述第一时间段之前；
6.根据所述第一用户行为占比数据和所述第二用户行为占比数据，确定所述目标多媒体对象的用户行为占比的第一加速度；
7.根据所述第一加速度，预测所述目标多媒体对象属于预设类型的概率。
8.通过获得目标对媒体对象在第一时间段内的第一用户行为占比数据，以及目标多媒体对象在第二时间段内的第二用户行为占比数据，根据第一用户行为占比数据和第二用户行为占比数据，确定目标多媒体对象的用户行为占比的第一加速度，并根据第一加速度，预测目标多媒体对象属于预设类型的概率，由此能够基于目标多媒体对象的用户行为占比的加速度，准确地预测目标多媒体对象属于预设类型的概率，并且，本公开实施例能够基于已产生的用户行为数据对目标多媒体对象的未来表现进行预测，延迟较低，因此有助于多媒体对象平台对多媒体对象进行更有效地分发，从而有助于节省内容分发网络的带宽。
9.在一种可能的实现方式中，所述第一时间段包括至少两个第一子时间段，所述第一用户行为占比数据包括与所述至少两个第一子时间段一一对应的至少两项第一子用户行为占比数据，所述第二时间段包括至少两个第二子时间段，所述第二用户行为占比数据包括与所述至少两个第二子时间段一一对应的至少两项第二子用户行为占比数据；
10.所述获得目标对媒体对象在第一时间段内的第一用户行为占比数据，以及所述目标多媒体对象在第二时间段内的第二用户行为占比数据，包括：
11.根据所述至少两项第一子用户行为占比数据，确定所述目标对媒体对象在第一时间段内的第一用户行为占比数据；
12.根据所述至少两项第二子用户行为占比数据，确定所述目标多媒体对象在第二时间段内的第二用户行为占比数据。
13.在该实现方式中，通过根据与至少两个第一子时间段一一对应的至少两项第一子用户行为占比数据，确定第一用户行为占比数据，根据与至少两个第二子时间段一一对应的至少两项第二子用户行为占比数据，确定第二用户行为占比数据，并基于由此确定的第一用户行为占比数据和第二用户行为占比数据确定第一加速度，由此能够确定出更加平稳的第一加速度，从而能够针对目标多媒体对象实现更平稳的类型预测。
14.在一种可能的实现方式中，
15.所述根据所述至少两项第一子用户行为占比数据，确定所述目标对媒体对象在第一时间段内的第一用户行为占比数据，包括：根据所述至少两项第一子用户行为占比数据，以及与所述至少两项第一子用户行为占比数据一一对应的至少两项第一权重，确定所述目标对媒体对象在第一时间段内的第一用户行为占比数据；
16.所述根据所述至少两项第二子用户行为占比数据，确定所述目标多媒体对象在第二时间段内的第二用户行为占比数据，包括：根据所述至少两项第二子用户行为占比数据，以及与所述至少两项第二子用户行为占比数据一一对应的至少两项第二权重，确定所述目标对媒体对象在第二时间段内的第二用户行为占比数据。
17.在该实现方式中，通过根据至少两项第一子用户行为占比数据，以及与至少两项第一子用户行为占比数据一一对应的至少两项第一权重，确定第一用户行为占比数据，根据至少两项第二子用户行为占比数据，以及与至少两项第二子用户行为占比数据一一对应的至少两项第二权重，确定第二用户行为占比数据，并基于由此确定的第一用户行为占比数据和第二用户行为占比数据确定第一加速度，由此确定出的第一加速度能够更准确地预测目标多媒体对象属于预设类型的概率。
18.在一种可能的实现方式中，所述至少两项第一子用户行为占比数据中的任意一项第一子用户行为占比数据对应的第一权重，与所述第一子用户行为占比数据对应的第一子时间段与当前时间之间的间隔时长负相关，且为所述第一子时间段对应的指数平滑系数。
19.通过采用该实现方式中的第一权重确定第一用户行为占比数据，并基于由此确定的第一用户行为占比数据确定第一加速度，由此确定出的第一加速度能够进一步提高对目标多媒体对象进行类型预测的准确性。
20.在一种可能的实现方式中，所述至少两项第二子用户行为占比数据中的任意一项第二子用户行为占比数据对应的第二权重，与所述第二子用户行为占比数据对应的第二子时间段与当前时间之间的间隔时长正相关。
21.通过采用该实现方式中的第二权重确定第二用户行为占比数据，并基于由此确定的第二用户行为占比数据确定第一加速度，由此确定出的第一加速度能够进一步提高对目标多媒体对象进行类型预测的准确性。
22.在一种可能的实现方式中，所述根据所述第一加速度，预测所述目标多媒体对象属于预设类型的概率，包括：
23.将所述第一加速度输入预先训练的神经网络，经由所述神经网络预测所述目标多媒体对象属于预设类型的概率。
24.在该实现方式中，通过将第一加速度输入预先训练的神经网络，经由所述神经网
络预测目标多媒体对象属于预设类型的概率，由此能够提高预测目标多媒体对象属于预设类型的概率的准确性和速度。
25.在一种可能的实现方式中，在所述将所述第一加速度输入预先训练的神经网络之前，所述方法还包括：
26.获取训练对象集，其中，所述训练对象集包括多个训练对象，所述训练对象为多媒体对象，且所述训练对象具有标注数据，所述标注数据用于表示所述训练对象是否属于所述预设类型；
27.采用所述训练对象集训练所述神经网络。
28.在该实现方式中，通过获取训练对象集，其中，所述训练对象集包括多个训练对象，所述训练对象为多媒体对象，且所述训练对象具有标注数据，所述标注数据用于表示所述训练对象是否属于所述预设类型，并采用所述训练对象集训练所述神经网络，由此能够使所述神经网络学习到预测多媒体对象属于预设类型的概率的能力。
29.根据本公开的一方面，提供了一种多媒体对象的预测装置，包括：
30.获得模块，用于获得目标对媒体对象在第一时间段内的第一用户行为占比数据，以及所述目标多媒体对象在第二时间段内的第二用户行为占比数据，其中，所述第二时间段在所述第一时间段之前；
31.确定模块，用于根据所述第一用户行为占比数据和所述第二用户行为占比数据，确定所述目标多媒体对象的用户行为占比的第一加速度；
32.预测模块，用于根据所述第一加速度，预测所述目标多媒体对象属于预设类型的概率。
33.在一种可能的实现方式中，所述第一时间段包括至少两个第一子时间段，所述第一用户行为占比数据包括与所述至少两个第一子时间段一一对应的至少两项第一子用户行为占比数据，所述第二时间段包括至少两个第二子时间段，所述第二用户行为占比数据包括与所述至少两个第二子时间段一一对应的至少两项第二子用户行为占比数据；
34.所述获得模块用于：
35.根据所述至少两项第一子用户行为占比数据，确定所述目标对媒体对象在第一时间段内的第一用户行为占比数据；
36.根据所述至少两项第二子用户行为占比数据，确定所述目标多媒体对象在第二时间段内的第二用户行为占比数据。
37.在一种可能的实现方式中，所述获得模块用于
38.根据所述至少两项第一子用户行为占比数据，以及与所述至少两项第一子用户行为占比数据一一对应的至少两项第一权重，确定所述目标对媒体对象在第一时间段内的第一用户行为占比数据；
39.根据所述至少两项第二子用户行为占比数据，以及与所述至少两项第二子用户行为占比数据一一对应的至少两项第二权重，确定所述目标对媒体对象在第二时间段内的第二用户行为占比数据。
40.在一种可能的实现方式中，所述至少两项第一子用户行为占比数据中的任意一项第一子用户行为占比数据对应的第一权重，与所述第一子用户行为占比数据对应的第一子时间段与当前时间之间的间隔时长负相关，且为所述第一子时间段对应的指数平滑系数。
41.在一种可能的实现方式中，所述至少两项第二子用户行为占比数据中的任意一项第二子用户行为占比数据对应的第二权重，与所述第二子用户行为占比数据对应的第二子时间段与当前时间之间的间隔时长正相关。
42.在一种可能的实现方式中，所述预测模块用于：
43.将所述第一加速度输入预先训练的神经网络，经由所述神经网络预测所述目标多媒体对象属于预设类型的概率。
44.在一种可能的实现方式中，所述装置还包括：
45.获取模块，用于获取训练对象集，其中，所述训练对象集包括多个训练对象，所述训练对象为多媒体对象，且所述训练对象具有标注数据，所述标注数据用于表示所述训练对象是否属于所述预设类型；
46.训练模块，用于采用所述训练对象集训练所述神经网络。
47.根据本公开的一方面，提供了一种电子设备，包括：一个或多个处理器；用于存储可执行指令的存储器；其中，所述一个或多个处理器被配置为调用所述存储器存储的可执行指令，以执行上述方法。
48.根据本公开的一方面，提供了一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。
49.根据本公开的一方面，提供了一种计算机程序产品，包括计算机可读代码，或者承载有计算机可读代码的非易失性计算机可读存储介质，当所述计算机可读代码在电子设备中运行时，所述电子设备中的处理器执行上述方法。
50.在本公开实施例中，通过获得目标对媒体对象在第一时间段内的第一用户行为占比数据，以及目标多媒体对象在第二时间段内的第二用户行为占比数据，根据第一用户行为占比数据和第二用户行为占比数据，确定目标多媒体对象的用户行为占比的第一加速度，并根据第一加速度，预测目标多媒体对象属于预设类型的概率，由此能够基于目标多媒体对象的用户行为占比的加速度，准确地预测目标多媒体对象属于预设类型的概率，并且，本公开实施例能够基于已产生的用户行为数据对目标多媒体对象的未来表现进行预测，延迟较低，因此有助于多媒体对象平台对多媒体对象进行更有效地分发，从而有助于节省内容分发网络的带宽。
51.应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本公开。
52.根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。
附图说明
53.此处的附图被并入说明书中并构成本说明书的一部分，这些附图示出了符合本公开的实施例，并与说明书一起用于说明本公开的技术方案。
54.图1示出本公开实施例提供的多媒体对象的预测方法的流程图。
55.图2示出根据本公开实施例提供的多媒体对象的预测方法确定的加速度与相关技术中根据式12确定的加速度的对比图。
56.图3示出根据本公开实施例提供的多媒体对象的预测方法确定的加速度与多媒体
对象的用户行为占比数据的对比图。
57.图4示出本公开实施例提供的多媒体对象的预测装置的框图。
58.图5示出本公开实施例提供的另一电子设备1900的框图。
具体实施方式
59.以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
60.在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
61.本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括a、b、c中的至少一种，可以表示包括从a、b和c构成的集合中选择的任意一个或多个元素。
62.另外，为了更好地说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
63.相关技术中，通常根据多媒体对象的后验数据，确定多媒体对象属于哪种类型。例如，在多媒体对象发布后，等待一段时间(例如3-7天)，统计该多媒体对象在这段时间内的每天的播放量，再从中确定该多媒体对象在这段时间内的播放量的峰值。计算该峰值与多媒体对象平台上所有多媒体对象的总播放量的比值，确定该比值落入预先设定的哪一个比值区间内，从而确定该多媒体对象属于哪种类型。例如，若比值大于0.5％，则确定该多媒体对象属于s类，若比值大于0.1％且小于或等于0.5％，则确定该多媒体对象属于a类，等等。
64.以短视频为例，在相关技术中，通常在某一短视频发布后，等待3-7天，统计该短视频在这段时间内的每天的播放量，再从中确定该短视频在这段时间内的播放量的峰值。计算该峰值与短视频平台上所有短视频的总播放量的比值，确定该比值落入预先设定的哪一个比值区间内，从而确定该短视频属于哪种类型。
65.在这种方式中，由于用于确定多媒体对象属于哪种类型的数据是后验数据，往往需要等待3-7天以上，因此延迟较高。并且，这种方式往往需要每隔一段时间(例如每个月)由人工重新校正比值区间，较为繁琐，且准确性较低。
66.为了解决类似上文所述的技术问题，本公开实施例提供了一种多媒体对象的预测方法、装置、设备、介质和程序产品，通过获得目标对媒体对象在第一时间段内的第一用户行为占比数据，以及目标多媒体对象在第二时间段内的第二用户行为占比数据，根据第一用户行为占比数据和第二用户行为占比数据，确定目标多媒体对象的用户行为占比的第一加速度，并根据第一加速度，预测目标多媒体对象属于预设类型的概率，由此能够基于目标多媒体对象的用户行为占比的加速度，准确地预测目标多媒体对象属于预设类型的概率，并且，本公开实施例能够基于已产生的用户行为数据对目标多媒体对象的未来表现进行预测，延迟较低，因此有助于多媒体对象平台对多媒体对象进行更有效地分发，从而有助于节省内容分发网络的带宽。
67.下面结合附图对本公开实施例提供的多媒体对象的预测方法进行详细的说明。
68.图1示出本公开实施例提供的多媒体对象的预测方法的流程图。在一种可能的实现方式中，所述多媒体对象的预测方法可以由终端设备或服务器或其它电子设备执行。其中，终端设备可以是用户设备(user equipment，ue)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字助理(personal digital assistant，pda)、手持设备、计算设备、车载设备或者可穿戴设备等。在一些可能的实现方式中，所述多媒体对象的预测方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。如图1所示，所述多媒体对象的预测方法包括步骤s11至步骤s13。
69.在步骤s11中，获得目标对媒体对象在第一时间段内的第一用户行为占比数据，以及所述目标多媒体对象在第二时间段内的第二用户行为占比数据，其中，所述第二时间段在所述第一时间段之前。
70.在步骤s12中，根据所述第一用户行为占比数据和所述第二用户行为占比数据，确定所述目标多媒体对象的用户行为占比的第一加速度。
71.在步骤s13中，根据所述第一加速度，预测所述目标多媒体对象属于预设类型的概率。
72.在本公开实施例中，目标多媒体对象可以为需要预测的任意多媒体对象。多媒体对象可以为视频或者音频等，视频可以为短视频，也可以为长视频。例如，可以将视频平台上的各个视频分别作为目标多媒体对象，以预测视频平台上的各个视频属于预设类型的概率。又如，可以将视频平台上满足预设条件的各个视频分别作为目标多媒体对象，以预测视频平台上满足预设条件的各个视频属于预设类型的概率。其中，预设条件可以包括预设的发布时间条件、预设的清晰度条件、预设的时长条件等中的至少之一。
73.第一时间段可以表示当前时间之前的某一时间段。第一时间段可以包括当前时间，也可以不包括当前时间。第一时间段的时间跨度可以为第一预设时长。例如，第一预设时长可以为6小时、12小时、18小时等等。
74.第二时间段可以表示第一时间段之前的某一时间段。第二时间段可以与第一时间段连续，也可以不与第一时间段连续。第二时间段的时间跨度可以为第二预设时长。例如，第二预设时长可以为6小时、12小时、18小时等等。第二预设时长可以与第一预设时长相等或不相等。
75.在本公开实施例中，用户行为可以表示用户针对多媒体对象的行为，用户行为数据可以是基于用户针对多媒体对象的行为产生的数据。例如，用户行为可以包括播放、点赞、分享、转发、评论、收藏、搜索等中的至少之一，相应地，用户行为数据可以包括播放数据、点赞数据、分享数据、转发数据、评论数据、收藏数据、搜索数据等中的至少之一。例如，用户行为数据可以包括播放量、点赞量、分享量、转发量、评论量、收藏量、搜索量等中的至少之一。
76.目标多媒体对象的用户行为占比数据，可以表示目标多媒体对象的用户行为数据与目标多媒体对象集的相同类型的用户行为数据的比值数据。例如，目标多媒体对象的播放量占比数据，可以表示目标多媒体对象的播放量与目标多媒体对象集的播放量的比值数据；目标多媒体对象的点赞量占比数据，可以表示目标多媒体对象的点赞量与目标多媒体对象集的点赞量的比值数据。
77.其中，目标多媒体对象集可以表示用于预测目标多媒体对象属于预设类型的概率的多媒体对象集。目标多媒体对象集中的多媒体对象的数量可以为两个以上。目标多媒体对象集可以包括目标多媒体对象，也可以不包括目标多媒体对象。例如，目标多媒体对象集可以包括视频平台上的所有视频。又如，目标多媒体对象集可以包括视频平台上满足预设条件的所有视频。又如，可以根据用户选择的多个视频生成目标多媒体对象集。在这个例子中，用户可以选择多个视频作为目标多媒体对象集，从而可以以用户选择的多个视频作为比较基准，以预测目标视频属于预设类型的概率。
78.第一用户行为占比数据可以表示目标多媒体对象在第一时间段内的用户行为占比数据。第一用户行为占比数据可以包括目标多媒体对象在第一时间段内的一种或两种以上用户行为占比数据。在一种可能的实现方式中，第一用户行为占比数据可以包括目标多媒体对象在第一时间段内的播放量占比数据、点赞量占比数据、分享量占比数据、转发量占比数据、评论量占比数据、收藏量占比数据、搜索量占比数据等中的至少之一。
79.第二用户行为占比数据可以表示目标多媒体对象在第二时间段内的用户行为占比数据。第二用户行为占比数据可以包括目标多媒体对象在第二时间段内的一种或两种以上用户行为占比数据。在一种可能的实现方式中，第二用户行为占比数据可以包括目标多媒体对象在第二时间段内的播放量占比数据、点赞量占比数据、分享量占比数据、转发量占比数据、评论量占比数据、收藏量占比数据、搜索量占比数据等中的至少之一。
80.在本公开实施例中，第一用户行为占比数据与第二用户行为占比数据的数据类型可以相同。例如，第一用户行为占比数据可以包括目标多媒体对象在第一时间段内的播放量占比数据，第二用户行为占比数据可以包括目标多媒体对象集在第二时间段内的播放量占比数据。又如，第一用户行为占比数据可以包括目标多媒体对象在第一时间段内的播放量占比数据和点赞量占比数据，第二用户行为占比数据可以包括目标多媒体对象集在第二时间段内的播放量占比数据和点赞量占比数据。当然，在一些可能的实现方式中，第一用户行为占比数据与第二用户行为占比数据的数据类型也可以不同。
81.在本公开实施例中，第一加速度可以表示目标多媒体对象的用户行为占比的加速度。第一加速度可以根据第一用户行为占比数据与第二用户行为占比数据之间的差异信息确定。
82.在一个例子中，可以采用式1确定第一加速度a(t)：
83.a(t)＝v1(t)-v2(t)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
式1，
84.其中，v1(t)表示第一用户行为占比数据，v2(t)表示第二用户行为占比数据。
85.在另一个例子中，可以计算第一用户行为占比数据与第二用户行为占比数据的差值，并将所述差值与第三预设时长的比值，确定为第一加速度。
86.在本公开实施例中，第一时间段可以包括一个或两个以上第一子时间段，第一用户行为占比数据可以包括一项或两项以上第一子用户行为占比数据，且第一子用户行为占比数据与第一子时间段一一对应，第一子用户行为占比数据表示目标多媒体对象在相应的第一子时间段内的用户行为占比数据。其中，第一子时间段表示第一时间段的子时间段，即，第一子时间段属于第一时间段。在第一子时间段的数量为两个以上的情况下，任意两个第一子时间段不重合。在第一子时间段的数量为两个以上的情况下，各个第一子时间段的时长可以相同，也可以不同。例如，各个第一子时间段的时长均为1小时，或者，各个第一子
时间段的时长均为半小时，等等。
87.第二时间段可以包括一个或两个以上第二子时间段，第二用户行为占比数据可以包括一项或两项以上第二子用户行为占比数据，且第二子用户行为占比数据与第二子时间段一一对应，第二子用户行为占比数据表示目标多媒体对象在相应的第二子时间段内的用户行为占比数据。其中，第二子时间段表示第二时间段的子时间段，即，第二子时间段属于第二时间段。在第二子时间段的数量为两个以上的情况下，任意两个第二子时间段不重合。在第二子时间段的数量为两个以上的情况下，各个第二子时间段的时长可以相同，也可以不同。例如，各个第二子时间段的时长均为1小时，或者，各个第二子时间段的时长均为半小时，等等。
88.其中，第一子时间段的时长与第二子时间段的时长可以相同或不同。例如，第一子时间段的时长和第二子时间段的时长均为1小时。
89.在一种可能的实现方式中，所述第一时间段包括至少两个第一子时间段，所述第一用户行为占比数据包括与所述至少两个第一子时间段一一对应的至少两项第一子用户行为占比数据，所述第二时间段包括至少两个第二子时间段，所述第二用户行为占比数据包括与所述至少两个第二子时间段一一对应的至少两项第二子用户行为占比数据；所述获得目标对媒体对象在第一时间段内的第一用户行为占比数据，以及所述目标多媒体对象在第二时间段内的第二用户行为占比数据，包括：根据所述至少两项第一子用户行为占比数据，确定所述目标对媒体对象在第一时间段内的第一用户行为占比数据；根据所述至少两项第二子用户行为占比数据，确定所述目标多媒体对象在第二时间段内的第二用户行为占比数据。
90.在一个例子中，第一时间段包括6个第一子时间段，第一用户行为占比数据包括6项第一子用户行为占比数据，第二时间段包括6个第二子时间段，第二用户行为占比数据包括6项第二子用户行为占比数据，其中，第一子时间段可以记为t-i，第一子用户行为占比数据可以记为v
p
(t-i)，第二子时间段可以记为t-11 i，第二子用户行为占比数据可以记为v
p
(t-11 i)，0≤i≤5。在这个例子中，第一子时间段和第二子时间段的时长均为1小时。
91.在该实现方式中，通过根据与至少两个第一子时间段一一对应的至少两项第一子用户行为占比数据，确定第一用户行为占比数据，根据与至少两个第二子时间段一一对应的至少两项第二子用户行为占比数据，确定第二用户行为占比数据，并基于由此确定的第一用户行为占比数据和第二用户行为占比数据确定第一加速度，由此能够确定出更加平稳的第一加速度，从而能够针对目标多媒体对象实现更平稳的类型预测。
92.作为该实现方式的一个示例，所述根据所述至少两项第一子用户行为占比数据，确定所述目标对媒体对象在第一时间段内的第一用户行为占比数据，包括：根据所述至少两项第一子用户行为占比数据，以及与所述至少两项第一子用户行为占比数据一一对应的至少两项第一权重，确定所述目标对媒体对象在第一时间段内的第一用户行为占比数据；所述根据所述至少两项第二子用户行为占比数据，确定所述目标多媒体对象在第二时间段内的第二用户行为占比数据，包括：根据所述至少两项第二子用户行为占比数据，以及与所述至少两项第二子用户行为占比数据一一对应的至少两项第二权重，确定所述目标对媒体对象在第二时间段内的第二用户行为占比数据。
93.在该示例中，第一权重可以表示第一子用户行为占比数据对应的权重，第二权重
可以表示第二子用户行为占比数据对应的权重。在一个例子中，第一子用户行为占比数据v
p
(t-i)对应的第一权重(即第一子时间段t-i对应的第一权重)可以记为α
t-i
，第二子用户行为占比数据v
p
(t-11 i)对应的第二权重(即第二子时间段t-11 i对应的第二权重)可以记为α
t-11 i
。
94.在该示例中，通过根据至少两项第一子用户行为占比数据，以及与至少两项第一子用户行为占比数据一一对应的至少两项第一权重，确定第一用户行为占比数据，根据至少两项第二子用户行为占比数据，以及与至少两项第二子用户行为占比数据一一对应的至少两项第二权重，确定第二用户行为占比数据，并基于由此确定的第一用户行为占比数据和第二用户行为占比数据确定第一加速度，由此确定出的第一加速度能够更准确地预测目标多媒体对象属于预设类型的概率。
95.在一个示例中，所述至少两项第一子用户行为占比数据中的任意一项第一子用户行为占比数据对应的第一权重，与所述第一子用户行为占比数据对应的第一子时间段与当前时间之间的间隔时长负相关，且为所述第一子时间段对应的指数平滑系数。在该示例中，第一子时间段对应的第一权重，与第一子时间段与当前时间之间的间隔时长负相关，即，第一子时间段与当前时间之间的间隔时长越小，则第一子时间段对应的第一权重越大，第一子时间段与当前时间之间的间隔时长越大，则第一子时间段对应的第一权重越小。在该示例中，指数平滑系数可以记为j越大，则不同第一子时间段对应的第一权重越接近。例如，j＝1。通过采用该示例中的第一权重确定第一用户行为占比数据，并基于由此确定的第一用户行为占比数据确定第一加速度，由此确定出的第一加速度能够进一步提高对目标多媒体对象进行类型预测的准确性。
96.在一个例子中，可以采用式2确定第一用户行为占比数据v1(t)：
[0097][0098]
在另一个示例中，第一权重也可以不为第一子时间段对应的指数平滑系数，只要与第一子时间段与当前时间之间的间隔时长负相关即可。
[0099]
在一个示例中，所述至少两项第二子用户行为占比数据中的任意一项第二子用户行为占比数据对应的第二权重，与所述第二子用户行为占比数据对应的第二子时间段与当前时间之间的间隔时长正相关。在该示例中，第二子时间段对应的第二权重，与第二时间段与当前时间之间的间隔时长正相关，即，第二时间段与当前时间之间的间隔时长越小，则第二子时间段对应的第二权重越小，第二时间段与当前时间之间的间隔时长越大，则第二子时间段对应的第二权重越大。通过采用该示例中的第二权重确定第二用户行为占比数据，并基于由此确定的第二用户行为占比数据确定第一加速度，由此确定出的第一加速度能够进一步提高对目标多媒体对象进行类型预测的准确性。
[0100]
在一个例子中，可以采用式3确定第二用户行为占比数据v2(t)：
[0101]
[0102]
作为该实现方式的另一个示例，所述根据所述至少两项第一子用户行为占比数据，确定所述目标对媒体对象在第一时间段内的第一用户行为占比数据，包括：将所述至少两项第一子用户行为占比数据的平均值，确定为所述目标对媒体对象在第一时间段内的第一用户行为占比数据；所述根据所述至少两项第二子用户行为占比数据，确定所述目标多媒体对象在第二时间段内的第二用户行为占比数据，包括：将所述至少两项第二子用户行为占比数据的平均值，确定为所述目标对媒体对象在第二时间段内的第二用户行为占比数据。
[0103]
作为该实现方式的另一个示例，所述根据所述至少两项第一子用户行为占比数据，确定所述目标对媒体对象在第一时间段内的第一用户行为占比数据，包括：将所述至少两项第一子用户行为占比数据的中位数，确定为所述目标对媒体对象在第一时间段内的第一用户行为占比数据；所述根据所述至少两项第二子用户行为占比数据，确定所述目标多媒体对象在第二时间段内的第二用户行为占比数据，包括：将所述至少两项第二子用户行为占比数据的中位数，确定为所述目标对媒体对象在第二时间段内的第二用户行为占比数据。
[0104]
在本公开实施例中，目标多媒体对象属于预设类型的概率，至少根据第一加速度进行预测。即，目标多媒体对象属于预设类型的概率可以仅根据第一加速度进行预测，或者，目标多媒体对象属于预设类型的概率可以结合第一加速度和其他信息一起预测。
[0105]
其中，预设类型可以是能够表示多媒体对象的未来表现的任意类型。例如，预设类型可以是能够表示多媒体对象的未来热度、未来播放量等的任意类型。其中，预设类型的数量可以为一个或两个以上。例如，预设类型可以包括爆款类。又如，预设类型可以包括爆款类和非爆款类。又如，预设类型可以包括s类爆款、a类爆款、b类和c类。又如，预设类型可以包括优质类和非优质类。
[0106]
在一种可能的实现方式中，所述根据所述第一加速度，预测所述目标多媒体对象属于预设类型的概率，包括：将所述第一加速度输入预先训练的神经网络，经由所述神经网络预测所述目标多媒体对象属于预设类型的概率。在该实现方式中，所述神经网络可以采用dnn(deep neural networks，深度神经网络)，例如，可以采用前馈的dnn。当然，所述神经网络也可以采用mlp(multi
–
layer perceptron，多层感知机)等神经网络，在此不做限定。在该实现方式中，通过将第一加速度输入预先训练的神经网络，经由所述神经网络预测目标多媒体对象属于预设类型的概率，由此能够提高预测目标多媒体对象属于预设类型的概率的准确性和速度。
[0107]
作为该实现方式的一个示例，在所述将所述第一加速度输入预先训练的神经网络之前，所述方法还包括：获取训练对象集，其中，所述训练对象集包括多个训练对象，所述训练对象为多媒体对象，且所述训练对象具有标注数据，所述标注数据用于表示所述训练对象是否属于所述预设类型；采用所述训练对象集训练所述神经网络。在一个例子中，可以采用多媒体平台中第四预设时长内的用户行为数据进行神经网络的训练。例如，第四预设时长可以为6个月。
[0108]
在该示例中，所述训练对象集可以包括多个训练对象，对于每个训练对象，可以分别获取所述训练对象在第六时间段内的第三用户行为占比数据，以及所述训练对象在第七时间段内的第四用户行为占比数据，其中，第七时间段在第六时间段之前。可以根据第三用
户行为占比数据和第四用户行为占比数据，确定所述训练对象的用户行为占比的第二加速度。可以将第二加速度输入所述神经网络，经由所述神经网络预测所述训练对象属于预设类型的概率。根据所述训练对象的类型的真值，以及所述训练对象属于预设类型的概率，可以训练所述神经网络。其中，在所述神经网络的训练过程中，所述神经网络的输入数据包括但不限于第二加速度。
[0109]
在该示例中，通过获取训练对象集，其中，所述训练对象集包括多个训练对象，所述训练对象为多媒体对象，且所述训练对象具有标注数据，所述标注数据用于表示所述训练对象是否属于所述预设类型，并采用所述训练对象集训练所述神经网络，由此能够使所述神经网络学习到预测多媒体对象属于预设类型的概率的能力。
[0110]
在所述神经网络训练完成之后，可以将所述神经网络部署在真实生产环境中，以实时预测多媒体对象属于预设类型的概率，从而能够实时捕捉爆款的多媒体对象。
[0111]
当然，在其他可能的实现方式中，也可以不通过神经网络对第一加速度进行处理。例如，还可以采用预先设计的函数，对第一加速度进行处理，得到目标多媒体对象属于预设类型的概率。
[0112]
在一个例子中，目标多媒体对象属于预设类型的概率可以记为y，其中，y∈[0，1]。
[0113]
在一种可能的实现方式中，所述根据所述第一加速度，预测所述目标多媒体对象属于预设类型的概率，包括：根据目标多媒体对象的用户行为在第三时间段内的第一变化趋势信息、目标多媒体对象集的用户行为在第三时间段内的第二变化趋势信息、针对目标多媒体对象的用户行为与针对目标多媒体对象集的用户行为之间的第一差异信息、针对目标多媒体对象的用户行为与针对目标多媒体对象集的用户行为的变化趋势之间的第二差异信息、目标多媒体对象在第四时间段与第五时间段的用户行为数据之间的第三差异信息中的至少之一，以及所述第一加速度，预测目标多媒体对象属于预设类型的概率。在该实现方式中，通过结合第一变化趋势信息、第二变化趋势信息、第一差异信息、第二差异信息和第三差异信息中的至少之一，能够进一步提高预测目标多媒体对象属于预设类型的概率的准确性。
[0114]
其中，第三时间段可以表示当前时间之前的某一时间段。第三时间段可以包括当前时间，也可以不包括当前时间。第三时间段的时间跨度可以为第五预设时长。例如，第五预设时长可以为24小时、12小时、48小时等等。
[0115]
第一变化趋势信息可以是根据目标多媒体对象在第三时间段内的第一用户行为数据确定的，第二变化趋势信息可以是根据目标多媒体对象集在第三时间段内的第二用户行为数据确定的。
[0116]
其中，第一用户行为数据可以表示目标多媒体对象在第三时间段内的用户行为数据。第一用户行为数据可以包括一种或两种以上用户行为数据。在一个示例中，第一用户行为数据可以包括目标多媒体对象在第三时间段内的播放数据、点赞数据、分享数据、转发数据、评论数据、收藏数据等中的至少之一。
[0117]
第二用户行为数据可以表示目标多媒体对象集在第三时间段内的用户行为数据。第二用户行为数据可以包括一种或两种以上用户行为数据。在一个示例中，第二用户行为数据可以包括目标多媒体对象集在第三时间段内的播放数据、点赞数据、分享数据、转发数据、评论数据、收藏数据等中的至少之一。
[0118]
在该实现方式中，第一用户行为数据与第二用户行为数据的数据类型可以相同。例如，第一用户行为数据可以包括目标多媒体对象在第三时间段内的播放数据，第二用户行为数据可以包括目标多媒体对象集在第三时间段内的播放数据。又如，第一用户行为数据可以包括目标多媒体对象在第三时间段内的播放数据和点赞数据，第二用户行为数据可以包括目标多媒体对象集在第三时间段内的播放数据和点赞数据。当然，在一些可能的实现方式中，第一用户行为数据与第二用户行为数据的数据类型也可以不同。
[0119]
在该实现方式中，第一变化趋势信息可以表示针对目标多媒体对象的用户行为在第三时间段内的变化趋势信息。第二变化趋势信息可以表示针对目标多媒体对象集的用户行为在第三时间段内的变化趋势信息。其中，变化趋势信息可以是能够体现变化趋势的任意信息。例如，变化趋势信息可以是能够体现上升趋势、平稳趋势、下降趋势、上升速度、下降速度等的任意信息。
[0120]
在一个示例中，第三时间段包括第三子时间段和至少一个第四子时间段，第四子时间段在第三子时间段之前；第一用户行为数据包括：目标多媒体对象在第三子时间段内的第一子用户行为数据，以及目标多媒体对象在至少一个第四子时间段内的至少一项第二子用户行为数据；第二用户行为数据包括：目标多媒体对象集在第三子时间段内的第三子用户行为数据，以及目标多媒体对象集在至少一个第四子时间段内的至少一项第四子用户行为数据。
[0121]
其中，第四子时间段的数量为一个或两个以上。第三子时间段和至少一个第四子时间段均属于第三时间段，第三子时间段不与所述至少一个第四子时间段中的任一第四子时间段重合，且在第四子时间段的数量为两个以上的情况下，任意两个第四子时间段不重合。第三子时间段与各个第四子时间段的时长可以相同，也可以不同。例如，第三子时间段和各个第四子时间段的时长均为1小时，或者，第三子时间段和各个第四子时间段的时长均为半小时，等等。
[0122]
在一个例子中，第四子时间段的数量为两个以上，第三子时间段和各个第四子时间段的时长均为1小时，第三子时间段可以记为第t小时，所述至少一个第四子时间段可以分别记为第t-d小时至第t-1小时，其中，d为大于或等于2的整数。例如，d等于24。
[0123]
第一子用户行为数据可以表示目标多媒体对象在第三子时间段内的用户行为数据，第二子用户行为数据可以表示目标多媒体对象在第四子时间段内的用户行为数据。其中，第二子用户行为数据与第四子时间段一一对应，例如，d等于24，则第一用户行为数据包括1项第一子用户行为数据和24项第二子用户行为数据，这24项第二子用户行为数据与第t-24小时至第t-1小时一一对应，即，这24项第二子用户行为数据包括：目标多媒体对象在第t-24小时的用户行为数据、目标多媒体对象在第t-23小时的用户行为数据、
……
、目标多媒体对象在第t-1小时的用户行为数据。例如，用户行为数据包括播放量，则这24项第二子用户行为数据可以包括：目标多媒体对象在第t-24小时的播放量、目标多媒体对象在第t-23小时的播放量、
……
、目标多媒体对象在第t-1小时的播放量。
[0124]
第三子用户行为数据可以表示目标多媒体对象集在第三子时间段内的用户行为数据，第四子用户行为数据可以表示目标多媒体对象集在第四子时间段内的用户行为数据。其中，第四子用户行为数据与第四子时间段一一对应，例如，d等于24，则第一用户行为数据包括1项第三子用户行为数据和24项第四子用户行为数据，这24项第四子用户行为数
据与第t-24小时至第t-1小时一一对应，即，这24项第四子用户行为数据包括：目标多媒体对象集在第t-24小时的用户行为数据、目标多媒体对象集在第t-23小时的用户行为数据、
……
、目标多媒体对象集在第t-1小时的用户行为数据。例如，用户行为数据包括播放量，则这24项第四子用户行为数据可以包括：目标多媒体对象集在第t-24小时的播放量、目标多媒体对象集在第t-23小时的播放量、
……
、目标多媒体对象集在第t-1小时的播放量。
[0125]
在该示例中，基于目标多媒体对象在第三子时间段内的第一子用户行为数据以及目标多媒体对象在至少一个第四子时间段内的至少一项第二子用户行为数据，能够更准确地确定针对目标多媒体对象的用户行为在第三时间段内的第一变化趋势信息，基于目标多媒体对象集在第三子时间段内的第三子用户行为数据以及目标多媒体对象集在至少一个第四子时间段内的至少一项第四子用户行为数据，能够更准确地确定针对目标多媒体对象集的用户行为在第三时间段内的第二变化趋势信息，从而能够更准确地预测目标多媒体对象属于预设类型的概率。
[0126]
在一个示例中，根据第一用户行为数据，确定针对目标多媒体对象的用户行为在第三时间段内的第一变化趋势信息，包括：确定第一子用户行为数据与至少一项第二子用户行为数据之间的第四差异信息；根据第四差异信息，确定针对目标多媒体对象的用户行为在第三时间段内的第一变化趋势信息；根据第二用户行为数据，确定针对目标多媒体对象集的用户行为在第三时间段内的第二变化趋势信息，包括：确定第三子用户行为数据与至少一项第四子用户行为数据之间的第五差异信息；根据第五差异信息，确定针对目标多媒体对象集的用户行为在第三时间段内的第二变化趋势信息。
[0127]
在该示例中，第四差异信息可以表示第一子用户行为数据与至少一项第二子用户行为数据之间的差异信息。其中，第四差异信息可以通过对第一子用户行为数据和至少一项第二子用户行为数据求比值、求差值、取对数后求比值等方式计算得到。
[0128]
例如，可以采用式4确定第四差异信息x1：
[0129][0130]
其中，n表示目标多媒体对象的播放量，n
t
表示目标多媒体对象在第t小时的播放量，nm表示目标多媒体对象在第m小时的播放量。
[0131]
又如，可以采用式5确定第四差异信息x1：
[0132][0133]
又如，可以采用式6确定第四差异信息x1：
[0134][0135]
在确定第四差异信息之后，可以将第四差异信息作为第一变化趋势信息。或者，可以对第四差异信息进行预设处理后，得到第一变化趋势信息。例如，可以将第四差异信息乘以预设系数，得到第一变化趋势信息。
[0136]
在该示例中，第五差异信息可以表示第三子用户行为数据与至少一项第四子用户行为数据之间的差异信息。其中，第五差异信息可以通过对第三子用户行为数据和至少一
项第四子用户行为数据求比值、求差值、取对数后求比值等方式计算得到。
[0137]
例如，可以采用式7确定第五差异信息x2：
[0138][0139]
其中，n表示目标多媒体对象集的播放量，n
t
表示目标多媒体对象集在第t小时的播放量，nm表示目标多媒体对象集在第m小时的播放量。
[0140]
又如，可以采用式8确定第五差异信息x2：
[0141][0142]
又如，可以采用式9确定第五差异信息x2：
[0143][0144]
在确定第五差异信息之后，可以将第五差异信息作为第二变化趋势信息。或者，可以对第五差异信息进行预设处理后，得到第二变化趋势信息。例如，可以将第五差异信息乘以预设系数，得到第二变化趋势信息。
[0145]
在上述示例中，通过确定第一子用户行为数据与至少一项第二子用户行为数据之间的第四差异信息，根据第四差异信息，确定针对目标多媒体对象的用户行为在第三时间段内的第一变化趋势信息，确定第三子用户行为数据与至少一项第四子用户行为数据之间的第五差异信息，根据第五差异信息，确定针对目标多媒体对象集的用户行为在第三时间段内的第二变化趋势信息，由此能够更准确地确定第一变化趋势信息和第二变化趋势信息，从而能够更准确地预测目标多媒体对象属于预设类型的概率。
[0146]
在该实现方式中，可以以第二变化趋势信息为比较基准，根据第一变化趋势信息和第二变化趋势信息，预测目标多媒体对象属于预设类型的概率。
[0147]
在该实现方式中，第一差异信息可以表示针对目标多媒体对象的用户行为与针对目标多媒体对象集的用户行为之间的差异信息。其中，第一差异信息可以通过对第一用户行为数据和第二用户行为数据求比值、求差值、取对数后求比值等方式计算得到。
[0148]
在一个示例中，可以根据第一用户行为数据中的第一子用户行为数据与第二用户行为数据中的第三子用户行为数据的比值，确定针对目标多媒体对象的用户行为与针对目标多媒体对象集的用户行为之间的第一差异信息。例如，可以采用式10确定第一差异信息x3：
[0149][0150]
其中，n
t
表示目标多媒体对象在第t小时的播放量，n
t
表示目标多媒体对象集在第t小时的播放量。
[0151]
在另一个示例中，在确定第一差异信息时，除了考虑第一子用户行为数据和第三子用户行为数据，还可以考虑至少一项第二子用户行为数据和/或至少一项第四子用户行为数据。
[0152]
通过根据第一用户行为数据和第二用户行为数据，确定针对目标多媒体对象的用
户行为与针对目标多媒体对象集的用户行为之间的第一差异信息，并结合第一差异信息预测目标多媒体对象属于预设类型的概率，由此能够进一步提高预测目标多媒体对象属于预设类型的概率的准确性。
[0153]
在该实现方式中，第二差异信息可以表示针对目标多媒体对象的用户行为与针对目标多媒体对象集的用户行为的变化趋势之间的差异信息。其中，第二差异信息可以通过对第一变化趋势信息和第二变化趋势信息求比值、求差值等方式计算得到。
[0154]
例如，可以采用式11确定第二差异信息x4：
[0155][0156]
其中，x1表示第一变化趋势信息，x2表示第二变化趋势信息。
[0157]
通过根据针对目标多媒体对象的用户行为的第一变化趋势信息，以及针对目标多媒体对象集的用户行为的第二变化趋势信息，确定第二差异信息，并结合第二差异信息预测目标多媒体对象属于预设类型的概率，由此能够进一步提高预测目标多媒体对象属于预设类型的概率的准确性。
[0158]
在该实现方式中，第三差异信息可以表示目标多媒体对象在第四时间段与第五时间段的用户行为数据之间的差异信息，其中，第五时间段为第四时间段之前的时间段。第四时间段和第五时间段的时间跨度可以相同，也可以不同。例如，第四时间段和第五时间段的时间跨度均为1小时，或者均为半小时，等等。在一个例子中，第四时间段可以表示最新的时间段，第五时间段可以表示第四时间段的上一时间段。例如，第四时间段可以为第t小时，第五时间段可以为第t-1小时。
[0159]
作为该实现方式的一个示例，可以根据第一变化趋势信息、第二变化趋势信息、第三差异信息以及第一加速度，预测目标多媒体对象属于预设类型的概率。在一个例子中，可以将第一变化趋势信息、第二变化趋势信息、第三差异信息和第一加速度输入预先训练的神经网络，经由所述神经网络预测目标多媒体对象属于预设类型的概率。通过预先训练的神经网络对第一变化趋势信息、第二变化趋势信息、第三差异信息和第一加速度进行处理，得到目标多媒体对象属于预设类型的概率，由此能够提高预测目标多媒体对象属于预设类型的概率的准确性和速度。在另一个例子中，可以采用预先设计的函数，对第一变化趋势信息、第二变化趋势信息、第三差异信息和第一加速度进行处理，得到目标多媒体对象属于预设类型的概率。
[0160]
在一个示例中，在将第一变化趋势信息、第二变化趋势信息、第三差异信息和第一加速度输入预先训练的神经网络之前，所述方法还包括：获取训练对象集，其中，所述训练对象集包括多个训练对象，所述训练对象为多媒体对象，且所述训练对象具有标注数据，所述标注数据用于表示所述训练对象是否属于所述预设类型；采用所述训练对象集训练所述神经网络。
[0161]
在该示例中，训练对象集可以包括多个训练对象，对于每个训练对象，可以分别获取所述训练对象从第r-d小时至第r小时的用户行为数据。例如，对于每个训练对象，可以分别获取所述训练对象从第r-d小时至第r小时的播放量。
[0162]
对于所述训练对象集中的任一训练对象，根据所述训练对象在第r小时的用户行为数据和第r-d小时至第r-1小时的用户行为数据，可以确定针对所述训练对象的用户行为
从第r-d小时至第r小时的第三变化趋势信息；根据所述训练对象集在第r小时的用户行为数据和第r-d小时至第r-1小时的用户行为数据，可以确定针对所述训练对象集的用户行为从第r-d小时至第r小时的第四变化趋势信息。例如，可以根据所述训练对象在第r小时的播放量和第r-d小时至第r-1小时的播放量，确定针对所述训练对象的用户行为从第r-d小时至第r小时的第三变化趋势信息；可以根据所述训练对象集在第r小时的播放量和第r-d小时至第r-1小时的播放量，确定针对所述训练对象集的用户行为从第r-d小时至第r小时的第四变化趋势信息。
[0163]
根据所述训练对象在第r小时的用户行为数据和第r-1小时的用户行为数据，可以得到所述训练对象在第r小时与第r-1小时的用户行为数据之间的第六差异信息。
[0164]
可以获取所述训练对象在第六时间段内的第三用户行为占比数据，以及所述训练对象在第七时间段内的第四用户行为占比数据，其中，第七时间段在第六时间段之前。可以根据第三用户行为占比数据和第四用户行为占比数据，确定所述训练对象的用户行为占比的第二加速度。
[0165]
可以将第三变化趋势信息、第四变化趋势信息、第六差异信息和第二加速度输入所述神经网络，经由所述神经网络预测所述训练对象属于预设类型的概率。根据所述训练对象的类型的真值，以及所述训练对象属于预设类型的概率，可以训练所述神经网络。
[0166]
作为该实现方式的另一个示例，可以根据第一变化趋势信息、第二变化趋势信息、第一差异信息、第二差异信息、第三差异信息以及第一加速度，预测目标多媒体对象属于预设类型的概率。在一个例子中，可以将第一变化趋势信息、第二变化趋势信息、第一差异信息、第二差异信息、第三差异信息和第一加速度输入预先训练的神经网络，经由所述神经网络预测目标多媒体对象属于预设类型的概率。通过预先训练的神经网络对第一变化趋势信息、第二变化趋势信息、第一差异信息、第二差异信息、第三差异信息和第一加速度进行处理，得到目标多媒体对象属于预设类型的概率，由此能够提高预测目标多媒体对象属于预设类型的概率的准确性和速度。在另一个例子中，可以采用预先设计的函数，对第一变化趋势信息、第二变化趋势信息、第一差异信息、第二差异信息、第三差异信息和第一加速度进行处理，得到目标多媒体对象属于预设类型的概率。
[0167]
在一个示例中，在将第一变化趋势信息、第二变化趋势信息、第一差异信息、第二差异信息、第三差异信息和第一加速度输入预先训练的神经网络之前，所述方法还包括：获取训练对象集，其中，所述训练对象集包括多个训练对象，所述训练对象为多媒体对象，且所述训练对象具有标注数据，所述标注数据用于表示所述训练对象是否属于所述预设类型；采用所述训练对象集训练所述神经网络。
[0168]
在该示例中，训练对象集可以包括多个训练对象，对于每个训练对象，可以分别获取所述训练对象从第r-d小时至第r小时的用户行为数据。例如，对于每个训练对象，可以分别获取所述训练对象从第r-d小时至第r小时的播放量。
[0169]
对于所述训练对象集中的任一训练对象，根据所述训练对象在第r小时的用户行为数据和第r-d小时至第r-1小时的用户行为数据，可以确定针对所述训练对象的用户行为从第r-d小时至第r小时的第三变化趋势信息；根据所述训练对象集在第r小时的用户行为数据和第r-d小时至第r-1小时的用户行为数据，可以确定针对所述训练对象集的用户行为从第r-d小时至第r小时的第四变化趋势信息。例如，可以根据所述训练对象在第r小时的播
放量和第r-d小时至第r-1小时的播放量，确定针对所述训练对象的用户行为从第r-d小时至第r小时的第三变化趋势信息；可以根据所述训练对象集在第r小时的播放量和第r-d小时至第r-1小时的播放量，确定针对所述训练对象集的用户行为从第r-d小时至第r小时的第四变化趋势信息。
[0170]
根据所述训练对象在第r小时的用户行为数据和第r-d小时至第r-1小时的用户行为数据，以及所述训练对象集在第r小时的用户行为数据和第r-d小时至第r-1小时的用户行为数据，可以确定针对所述训练对象的用户行为与针对所述训练对象集的用户行为之间的第七差异信息。例如，可以根据所述训练对象在第r小时的用户行为数据，以及所述训练对象集在第r小时的用户行为数据，确定针对所述训练对象的用户行为与针对所述训练对象集的用户行为之间的第七差异信息。例如，可以根据所述训练对象在第r小时的播放量，以及所述训练对象集在第r小时的播放量，确定针对所述训练对象的用户行为与针对所述训练对象集的用户行为之间的第七差异信息。例如，可以将所述训练对象在第r小时的播放量与所述训练对象集在第r小时的播放量的比值，作为第七差异信息。
[0171]
根据第三变化趋势信息和第四变化趋势信息，可以确定针对所述训练对象的用户行为与针对所述训练对象集的用户行为的变化趋势之间的第八差异信息。例如，可以将第三变化趋势信息与第四变化趋势信息的比值，作为第八差异信息。
[0172]
根据所述训练对象在第r小时的用户行为数据和第r-1小时的用户行为数据，可以得到所述训练对象在第r小时与第r-1小时的用户行为数据之间的第六差异信息。
[0173]
可以获取所述训练对象在第六时间段内的第三用户行为占比数据，以及所述训练对象在第七时间段内的第四用户行为占比数据，其中，第七时间段在第六时间段之前。可以根据第三用户行为占比数据和第四用户行为占比数据，确定所述训练对象的用户行为占比的第二加速度。
[0174]
可以将第三变化趋势信息、第四变化趋势信息、第七差异信息、第八差异信息、第六差异信息和第二加速度输入所述神经网络，经由所述神经网络预测所述训练对象属于预设类型的概率。根据所述训练对象的类型的真值，以及所述训练对象属于预设类型的概率，可以训练所述神经网络。
[0175]
在一种可能的实现方式中，在所述预测所述目标多媒体对象属于预设类型的概率之后，所述方法还包括：根据所述目标多媒体对象属于预设类型的概率，分配所述目标多媒体对象对应的带宽。
[0176]
作为该实现方式的一个示例，所述预设类型包括s类；所述根据所述目标多媒体对象属于预设类型的概率，分配所述目标多媒体对象对应的带宽，包括：根据所述目标对媒体对象属于s类的概率，分配所述目标多媒体对象对应的带宽，其中，所述目标多媒体对象对应的带宽与所述目标多媒体对象属于s类的概率正相关。即，所述目标多媒体对象属于s类的概率越大，则所述目标多媒体对象对应的带宽越大；所述目标多媒体对象属于s类的概率越小，则所述目标多媒体对象对应的带宽越小。
[0177]
作为该实现方式的另一个示例，所述预设类型包括c类；所述根据所述目标多媒体对象属于预设类型的概率，分配所述目标多媒体对象对应的带宽，包括：根据所述目标对媒体对象属于c类的概率，分配所述目标多媒体对象对应的带宽，其中，所述目标多媒体对象对应的带宽与所述目标多媒体对象属于c类的概率负相关。即，所述目标多媒体对象属于c
类的概率越大，则所述目标多媒体对象对应的带宽越小；所述目标多媒体对象属于c类的概率越小，则所述目标多媒体对象对应的带宽越大。
[0178]
作为该实现方式的另一个示例，预设类型的数量大于或等于2；所述根据所述目标多媒体对象属于预设类型的概率，分配所述目标多媒体对象对应的带宽，包括：将所述目标多媒体对象属于预设类型的概率中、最大的概率对应的预设类型，确定为所述目标多媒体对象所属的类型；根据所述目标多媒体对象所属的类型，分配所述目标多媒体对象对应的带宽。例如，所述预设类型包括s类、a类、b类和c类；目标多媒体对象属于所述预设类型的概率包括4个概率，分别为：目标多媒体对象属于s类的概率、目标多媒体对象属于a类的概率、目标多媒体对象属于b类的概率和目标多媒体对象属于c类的概率。若在这4个概率中，目标多媒体对象属于s类的概率最大，则可以确定目标多媒体对象所属的类型为s类；若在这4个概率中，目标多媒体对象属于a类的概率最大，则可以确定目标多媒体对象所属的类型为a类；若在这4个概率中，目标多媒体对象属于b类的概率最大，则可以确定目标多媒体对象所属的类型为b类；若在这4个概率中，目标多媒体对象属于c类的概率最大，则可以确定目标多媒体对象所属的类型为c类。在这个例子中，s类对应的带宽大于a类对应的带宽，a类对应的带宽大于b类对应的带宽，b类对应的带宽大于c类对应的带宽。例如，若多媒体对象v1属于s类，多媒体对象v2属于a类，则分配给多媒体对象v1的带宽大于分配给多媒体对象v2的带宽。
[0179]
根据该实现方式，有助于多媒体对象平台对多媒体对象进行更有效地分发，从而有助于节省内容分发网络的带宽。
[0180]
下面通过一个具体的应用场景说明本公开实施例提供的多媒体对象的预测方法。在该应用场景中，可以由短视频平台对应的服务器执行所述多媒体对象的预测方法。在该应用场景中，预设类型为爆款视频，服务器可以分别预测短视频平台上满足预设条件的各个短视频属于爆款视频的概率。
[0181]
对于任一目标短视频，服务器可以获取目标短视频从第t-11小时至第t小时的播放量，以及短视频平台上的所有短视频从第t-11小时至第t小时的总播放量。根据目标短视频从第t-11小时至第t小时的播放量，以及所述总播放量，可以确定目标短视频从第t-11小时至第t小时的播放量占比。根据目标短视频从第t-5小时至第t小时的播放量占比，采用式2，可以确定目标短视频的第一播放量占比v1(t)；根据目标短视频从第t-11小时至第t-6小时的播放量占比，采用式3，可以确定目标短视频的第二播放量占比v2(t)。根据目标短视频的第一播放量占比v1(t)和第二播放量占比v2(t)，采用式1，可以确定目标短视频的第一加速度。
[0182]
对于短视频平台，可以采用上文中的式7，根据短视频平台中的各个短视频从第t-d小时到第t小时的播放量，确定x2。对于目标短视频，可以采用式4计算x1，并采用式11计算x4。对于x4大于1的短视频，可以采用式10计算x3。
[0183]
根据目标短视频在第t小时的播放量和第t-1小时的播放量，可以计算得到第三差异信息。
[0184]
将第一加速度、x1、x2、x3、x4和第三差异信息输入预先训练的神经网络，可以得到目标短视频属于爆款视频的概率。
[0185]
服务器还可以基于属于爆款视频的概率最高的m个短视频得到爆款视频集，其中，
m大于1，或者，可以基于属于爆款视频的概率大于或等于预设概率的短视频得到爆款视频集。
[0186]
在该应用场景中，短视频平台能够从数量庞大的短视频中，及时发现并捕捉优质的短视频并对其分配较大的带宽，从而能够在节省内容分发网络的带宽的前提下，提高短视频平台的活跃度。并且，在该应用场景中，能够以小时为粒度，每小时动态更新短视频平台中的各个短视频属于爆款视频的概率，时效性较高。
[0187]
图2示出根据本公开实施例提供的多媒体对象的预测方法确定的加速度与相关技术中根据式12确定的加速度的对比图。
[0188]a′
(t)＝v(t)-v(t-1)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
式12，
[0189]
在图2中，实线表示根据本公开实施例提供的多媒体对象的预测方法确定的加速度的曲线，虚线表示根据式12确定的加速度的曲线。由图2可知，与根据式12确定的加速度相比，根据本公开实施例提供的多媒体对象的预测方法确定的加速度更加平稳，并且更能显著地捕捉多媒体对象的用户行为占比的变化。
[0190]
图3示出根据本公开实施例提供的多媒体对象的预测方法确定的加速度与多媒体对象的用户行为占比数据的对比图。在图3中，实线表示根据本公开实施例提供的多媒体对象的预测方法确定的加速度的曲线，虚线表示同一多媒体对象的用户行为占比数据的曲线。图3左侧的纵坐标为实线对应的纵坐标，图3右侧的纵坐标为虚线对应的纵坐标。由图3可知，与多媒体对象的用户行为占比数据相比，根据本公开实施例提供的多媒体对象的预测方法确定的加速度能够显著地捕捉多媒体对象的用户行为占比的变化。
[0191]
可以理解，本公开提及的上述各个方法实施例，在不违背原理逻辑的情况下，均可以彼此相互结合形成结合后的实施例，限于篇幅，本公开不再赘述。本领域技术人员可以理解，在具体实施方式的上述方法中，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
[0192]
此外，本公开还提供了多媒体对象的预测装置、电子设备、计算机可读存储介质、程序，上述均可用来实现本公开提供的任一种多媒体对象的预测方法，相应技术方案和技术效果可参见方法部分的相应记载，不再赘述。
[0193]
图4示出本公开实施例提供的多媒体对象的预测装置的框图。如图4所示，所述多媒体对象的预测装置包括：
[0194]
获得模块41，用于获得目标对媒体对象在第一时间段内的第一用户行为占比数据，以及所述目标多媒体对象在第二时间段内的第二用户行为占比数据，其中，所述第二时间段在所述第一时间段之前；
[0195]
确定模块42，用于根据所述第一用户行为占比数据和所述第二用户行为占比数据，确定所述目标多媒体对象的用户行为占比的第一加速度；
[0196]
预测模块43，用于根据所述第一加速度，预测所述目标多媒体对象属于预设类型的概率。
[0197]
在一种可能的实现方式中，所述第一时间段包括至少两个第一子时间段，所述第一用户行为占比数据包括与所述至少两个第一子时间段一一对应的至少两项第一子用户行为占比数据，所述第二时间段包括至少两个第二子时间段，所述第二用户行为占比数据包括与所述至少两个第二子时间段一一对应的至少两项第二子用户行为占比数据；
[0198]
所述获得模块41用于：
[0199]
根据所述至少两项第一子用户行为占比数据，确定所述目标对媒体对象在第一时间段内的第一用户行为占比数据；
[0200]
根据所述至少两项第二子用户行为占比数据，确定所述目标多媒体对象在第二时间段内的第二用户行为占比数据。
[0201]
在一种可能的实现方式中，所述获得模块41用于
[0202]
根据所述至少两项第一子用户行为占比数据，以及与所述至少两项第一子用户行为占比数据一一对应的至少两项第一权重，确定所述目标对媒体对象在第一时间段内的第一用户行为占比数据；
[0203]
根据所述至少两项第二子用户行为占比数据，以及与所述至少两项第二子用户行为占比数据一一对应的至少两项第二权重，确定所述目标对媒体对象在第二时间段内的第二用户行为占比数据。
[0204]
在一种可能的实现方式中，所述至少两项第一子用户行为占比数据中的任意一项第一子用户行为占比数据对应的第一权重，与所述第一子用户行为占比数据对应的第一子时间段与当前时间之间的间隔时长负相关，且为所述第一子时间段对应的指数平滑系数。
[0205]
在一种可能的实现方式中，所述至少两项第二子用户行为占比数据中的任意一项第二子用户行为占比数据对应的第二权重，与所述第二子用户行为占比数据对应的第二子时间段与当前时间之间的间隔时长正相关。
[0206]
在一种可能的实现方式中，所述预测模块43用于：
[0207]
将所述第一加速度输入预先训练的神经网络，经由所述神经网络预测所述目标多媒体对象属于预设类型的概率。
[0208]
在一种可能的实现方式中，所述装置还包括：
[0209]
获取模块，用于获取训练对象集，其中，所述训练对象集包括多个训练对象，所述训练对象为多媒体对象，且所述训练对象具有标注数据，所述标注数据用于表示所述训练对象是否属于所述预设类型；
[0210]
训练模块，用于采用所述训练对象集训练所述神经网络。
[0211]
在一些实施例中，本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法，其具体实现和技术效果可以参照上文方法实施例的描述，为了简洁，这里不再赘述。
[0212]
本公开实施例还提供一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。其中，所述计算机可读存储介质可以是非易失性计算机可读存储介质，或者可以是易失性计算机可读存储介质。
[0213]
本公开实施例还提出一种计算机程序，包括计算机可读代码，当所述计算机可读代码在电子设备中运行时，所述电子设备中的处理器执行上述方法。
[0214]
本公开实施例还提供了一种计算机程序产品，包括计算机可读代码，或者承载有计算机可读代码的非易失性计算机可读存储介质，当所述计算机可读代码在电子设备中运行时，所述电子设备中的处理器执行上述方法。
[0215]
本公开实施例还提供一种电子设备，包括：一个或多个处理器；用于存储可执行指令的存储器；其中，所述一个或多个处理器被配置为调用所述存储器存储的可执行指令，以
执行上述方法。
[0216]
电子设备可以被提供为终端、服务器或其它形态的设备。
[0217]
图5示出本公开实施例提供的另一电子设备1900的框图。参照图5，电子设备1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述方法。
[0218]
电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理，一个有线或无线网络接口1950被配置为将电子设备1900连接到网络，和一个输入/输出(i/o)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统，例如微软服务器操作系统(windows server
tm
)，苹果公司推出的基于图形用户界面操作系统(mac os x
tm
)，多用户多进程的计算机操作系统(unix
tm
),自由和开放原代码的类unix操作系统(linux
tm
)，开放原代码的类unix操作系统(freebsd
tm
)或类似。
[0219]
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器1932，上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。
[0220]
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
[0221]
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、静态随机存取存储器(sram)、便携式压缩盘只读存储器(cd-rom)、数字多功能盘(dvd)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
[0222]
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
[0223]
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(isa)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如smalltalk、c 等，以及常规的过程式编程语言—诸如“c”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独
立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(lan)或广域网(wan)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(fpga)或可编程逻辑阵列(pla)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。
[0224]
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
[0225]
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
[0226]
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
[0227]
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
[0228]
该计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一个可选实施例中，所述计算机程序产品具体体现为计算机存储介质，在另一个可选实施例中，计算机程序产品具体体现为软件产品，例如软件开发包(software development kit，sdk)等等。
[0229]
上文对各个实施例的描述倾向于强调各个实施例之间的不同之处，其相同或相似之处可以互相参考，为了简洁，本文不再赘述。
[0230]
若本公开实施例的技术方案涉及个人信息，应用本公开实施例的技术方案的产品在处理个人信息前，已明确告知个人信息处理规则，并取得个人自主同意。若本公开实施例的技术方案涉及敏感个人信息，应用本公开实施例的技术方案的产品在处理敏感个人信息前，已取得个人单独同意，并且同时满足“明示同意”的要求。例如，在摄像头等个人信息采集装置处，设置明确显著的标识告知已进入个人信息采集范围，将会对个人信息进行采集，
若个人自愿进入采集范围即视为同意对其个人信息进行采集；或者在个人信息处理的装置上，利用明显的标识/信息告知个人信息处理规则的情况下，通过弹窗信息或请个人自行上传其个人信息等方式获得个人授权；其中，个人信息处理规则可包括个人信息处理者、个人信息处理目的、处理方式以及处理的个人信息种类等信息。
[0231]
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。