СПОСОБ ПРОДВИЖЕНИЯ ИНФОРМАЦИИ О ВЕДУЩИХ, ВЫЧИСЛИТЕЛЬНОЕ УСТРОЙСТВО И НОСИТЕЛЬ ДАННЫХ Российский патент 2023 года по МПК H04N21/2187 H04N21/4788 G06F16/9535 

Ссылка на родственную заявку

[0001] Данная заявка является национальной фазой международной заявки №PCT/CN2020/120579, поданной 13 октября 2020 года, и испрашивает приоритет по заявке на патент Китая №201911311364.0 под названием «Способ и устройство для продвижения информации о ведущих, вычислительное оборудование и носитель данных», поданной 18 декабря 2019 года, содержание которых полностью включено в настоящий документ посредством ссылки.

Область техники, к которой относится настоящее изобретение

[0002] Настоящее изобретение относится к области технологий потокового вещания, в частности, к способу и устройству для продвижения информации о ведущих, вычислительному устройству и носителю данных.

Предшествующий уровень техники настоящего изобретения

[0003] По мере развития сетевых технологий, особенно в свете популяризации мобильных терминалов, пользователи-ведущие могут организовывать студии онлайн-трансляции на платформе Интернет-трансляций в режиме реального времени для прямой трансляции событий, происходящих вокруг них, а пользователи-зрители могут подключаться к студиям онлайн-трансляции для просмотра прямых трансляций и взаимодействия с пользователями-ведущими.

Краткое раскрытие настоящего изобретения

[0004] Предложен способ продвижения информации о ведущих, предусматривающий выполнение следующих стадий: [0005] вызов пользователя-ведущего;

[0006] определение типа пользователя-ведущего с использованием предыстории онлайн-трансляций и их эффективности в качестве классифицирующих показателей;

[0007] расчет оценки взаимодействия пользователя-ведущего, причем оценка взаимодействия отображает характерный признак пользователя-зрителя, подключенного к студии онлайн-трансляции пользователя-ведущего;

[0008] расчет всесторонней оценки пользователя-ведущего на основании оценки взаимодействия и типа пользователя-ведущего; и

[0009] продвижение информации о пользователе-ведущем пользователю-зрителю на основании всесторонней оценки.

[0010] Дополнительно предложено устройство для продвижения информации о ведущих, включающее в себя:

[0011] модуль вызова пользователя-ведущего, выполненный с возможностью вызова пользователя-ведущего;

[0012] модуль классификации пользователей-ведущих, выполненный с возможностью определения типа пользователя-ведущего с использованием предыстории онлайн-трансляций и их эффективности в качестве классифицирующих показателей;

[0013] модуль расчета оценки взаимодействия, выполненный с возможностью расчета оценки взаимодействия пользователя-ведущего, причем оценка взаимодействия отображает характерный признак пользователя-зрителя, подключенного к студии онлайн-трансляции пользователя-ведущего;

[0014] модуль расчета всесторонней оценки, выполненный с возможностью расчета всесторонней оценки пользователя-ведущего на основании оценки взаимодействия и типа пользователя-ведущего; и

[0015] модуль продвижения информации о ведущих, выполненный с возможностью продвижения информации о пользователе-ведущем пользователю-зрителю на основании всесторонней оценки.

[0016] Дополнительно предложено вычислительное устройство, которое включает в себя:

[0017] один или несколько процессоров; и

[0018] память, выполненную с возможностью хранения одной или нескольких программ;

[0019] причем при загрузке и выполнении одной или нескольких программ инициируется реализация одним или несколькими процессорами способа продвижения информации о ведущих.

[0029] Дополнительно предложен машиночитаемый носитель данных, причем в этом машиночитаемом носителе данных хранится компьютерная программа; причем компьютерная программа при ее загрузке и прогоне процессором инициирует реализацию этим процессором указанного способа продвижения информации о ведущих.

Краткое описание фигур

[0021] На фиг. 1 показана блок-схема, иллюстрирующая алгоритм реализации способа продвижения информации о ведущих согласно первому варианту осуществления настоящего изобретения;

[0022] На фиг. 2 показана блок-схема, иллюстрирующая алгоритм реализации способа продвижения информации о ведущих согласно второму варианту осуществления настоящего изобретения;

[0023] На фиг. 3 показана блок-схема, иллюстрирующая алгоритм реализации способа продвижения информации о ведущих согласно третьему варианту осуществления настоящего изобретения;

[0024] На фиг. 4 показана блок-схема, иллюстрирующая алгоритм реализации способа продвижения информации о ведущих согласно четвертому варианту осуществления настоящего изобретения;

[0025] На фиг. 5 схематически показана структура устройства для продвижения информации о ведущих согласно пятому варианту осуществления настоящего изобретения; и

[0026] На фиг. 6 схематически показана структура вычислительного устройства согласно шестому варианту осуществления настоящего изобретения.

Подробное раскрытие настоящего изобретения

[0027] Для улучшения восприятия пользователей-зрителей платформа Интернет-трансляций в режиме реального времени осуществляет скрининг пользователей-ведущих с тем, чтобы выбрать тех из них, кого могут предпочесть пользователи-зрители, и продвигает информацию об этих пользователях-ведущих пользователям-зрителям, благодаря чему пользователи-зрители могут быстро подключаться к студиям онлайн-трансляции, организованным пользователями-ведущими, для просмотра прямой трансляции.

[0028] Скрининг и выбор пользователей-ведущих осуществляется в зависимости от оценки и ранжирования с использованием модели, основанной на машинном обучении, причем оценка, выдаваемая указанной моделью, определяется, главным образом, многомерными характерными признаками. В сфере онлайн-трансляций уже существующие пользователи-ведущие имеют больше шансов на продвижение благодаря богатому набору характерных признаков, тогда как новые пользователи-ведущие имеют мало шансов на продвижение из-за недостатка характерных признаков.

[0029] С одной стороны, указанный скрининг и выбор пользователей-ведущих гасит энтузиазм новых пользователей-ведущих, что негативно влияет на полноценное развитие всей экосистемы онлайн-трансляций; но, с другой стороны, поскольку продвинутые пользователи-ведущие концентрируются среди уже существующих пользователей-ведущих с богатым набором характерных признаков, во многих случаях продвижение пользователей-ведущих дублируется, и характерные признаки продвинутых пользователей-ведущих будут одинаковыми, что может надоесть пользователям-зрителям. Однако если пользователь-зритель желает подключиться к другим пользователям-ведущим, то ему/ей обычно надо осуществить поиск пользователей-ведущих по ключевым словам, а затем просмотреть их и выбрать желаемых, что не только приводит к напрасному расходованию ресурсов на скрининг, выбор и продвижение пользователей-ведущих, но также затрудняет выполнение различных операций пользователем-зрителем при просмотре онлайн-трансляций.

[0030] Настоящим изобретением предложен способ и устройство для продвижения информации о ведущих, вычислительное устройство и носитель данных для устранения проблем, связанных с напрасным расходованием ресурсов и трудоемкостью операций при просмотре онлайн-трансляций, что обусловлено централизованным продвижением существующих пользователей-ведущих с богатым набором характерных признаков.

[0031] Далее по тексту настоящее изобретение будет описано в привязке к прилагаемым чертежам и на примерах вариантов его осуществления.

[0032] Первый вариант осуществления настоящего изобретения

[0033] На фиг. 1 показана блок-схема, иллюстрирующая алгоритм реализации способа продвижения информации о ведущих согласно первому варианту осуществления настоящего изобретения. Этот вариант осуществления настоящего изобретения применим к случаю обучения модели классификации. Предложенный способ может быть реализован устройством для продвижения информации о ведущих. Устройство для продвижения информации о ведущих может быть реализовано программными средствами и/или аппаратными средствами, и оно может быть сконфигурировано в вычислительном устройстве, таком как персональный компьютер, сервер или рабочая станция. Предложенный способ предусматривает выполнение стадий, описанных ниже.

[0034] На стадии S101 определяется пользователь-ведущий.

[0035] В этом варианте осуществления настоящего изобретения для обучения модели классификации могут быть выбраны некоторые или все пользователи-ведущие, зарегистрированные на платформе Интернет-трансляций в режиме реального времени.

[0036] Пользователем-ведущим является зарегистрированный пользователь, обладающий полномочиями по ведению у себя прямых трансляций. В вычислительном устройстве пользователь-ведущий может быть обозначен кодом пользователя, таким как идентификатор пользователя (ID) и учетная запись пользователя.

[0037] На стадии S102 рассчитывается эффективная оценка пользователя-ведущего.

[0038] В этом варианте осуществления настоящего изобретения может быть рассчитана эффективная оценка каждого пользователя-ведущего, отображающая эффективность онлайн-трансляции, которая может быть сконфигурирована с возможностью классифицирования пользователей-ведущих высшей категории и обычных пользователей-ведущих.

[0039] В одном из примеров осуществления настоящего изобретения показатель измерения эффективности онлайн-трансляции может быть установлен на основании фактической ситуации, включая, например, продолжительность подключения пользователей-зрителей, ситуацию с получением пожертвований пользователем-ведущим и тому подобное.

[0040] Для этих показателей обеспечивается получение первых индексов, которые подсчитываются при ведении пользователем-ведущим прямой трансляции в течение заданного периода времени, и первыми индексами могут служить такие индексы, как avg_stay_time и avg_follow, которые оба отображают продолжительность подключения пользователей-зрителей, и индекс avg_gift, отображающий получение пожертвований пользователем-ведущим, при этом индекс avg_gift может относиться к среднему значению виртуальных пожертвований, сделанных пользователями-зрителями, к среднему значению виртуальных токенов, израсходованных пользователями-зрителями, и к другим значениям.

[0041] Первый индекс может быть сконфигурирован с весом первого индекса. Вес первого индекса выше или равен нулю, при этом он представляет собой регулируемый параметр и может быть установлен соответствующим образом с учетом фактических потребностей. Например, если пользователи-ведущие с высокими показателями получаемых пожертвований должны рассматриваться в качестве пользователей-ведущих высшей категории, то первому индексу avg_gift может быть присвоен более высокий вес. За счет конфигурирования веса первого индекса в соответствии с фактическими потребностями модель классификации может регулироваться адаптивно и в динамическом режиме, при этом она более чем вероятно отнесет пользователей-ведущих с высокими значениями получаемых пожертвований к пользователям-ведущим высшей категории.

[0042] В этом варианте осуществления настоящего изобретения эффективная оценка может быть рассчитана методом суммирования весовых значений. Иначе говоря, произведение каждого первого индекса и веса первого индекса рассчитывается в качестве первой единичной эффективности, а сумма всех первых единичных эффективностей рассчитывается в качестве эффективной оценки, отображающей эффективность онлайн-трансляции.

[0043] Эффективная оценка (effective_score) может быть рассчитана по следующему уравнению, где, например, в качестве первого индекса берутся такие индексы, как avg_stay_time, avg_follow и avg_gift:

effective_score=x*avg_stay_time+y*avg_follow+z*avg_gift.

[0044] В данном случае величина х обозначает вес первого индекса avg_stay_time; величина у обозначает вес первого индекса avg_follow; а величина z обозначает вес первого индекса avg_gift.

[0045] Указанный способ расчета эффективной оценки приведен лишь для примера. Для реализации данного варианта осуществления настоящего изобретения может быть задан другой способ расчета эффективной оценки в зависимости от фактической ситуации. Например, в соответствии с описанным выше способом расчета эффективной оценки вес первого индекса постепенно уменьшается в зависимости от времени первого индекса, вследствие чего значение веса первого индекса, которое ближе к текущему времени, будет больше; а значение веса первого индекса, которое дальше от текущего времени, будет меньше. В альтернативном варианте возрастание первого индекса отображает показатель активности пользователей-зрителей, такой как средняя продолжительность чата, что не носит ограничительного характера в этом варианте осуществления настоящего изобретения.

[0046] На стадии S103 определяется тип пользователя-ведущего с использованием времени начала первой онлайн-трансляции и эффективной оценки в качестве классифицирующих показателей.

[0047] Пользователь-ведущий соотносится со временем начала первой онлайн-трансляции, т.е. с моментом времени, когда пользователь-ведущий начал вести программы в прямом эфире в первый раз. Это время начала первой онлайн-трансляции может отображать предысторию онлайн-трансляций, которая может быть сконфигурирована таким образом, чтобы можно было классифицировать новых пользователей-ведущих и существующих пользователей-ведущих.

[0048] Помимо времени начала первой онлайн-трансляции предыстория онлайн-трансляций может также отображаться иными способами, такими как время регистрации пользователя-ведущего и частота онлайн-трансляций, проводимых пользователем-ведущим в течение заданного отрезка времени, что не носит ограничительного характера в этом варианте осуществления настоящего изобретения.

[0049] В отношении пользователей-ведущих онлайн-трансляции могут быть проанализированы их характерные признаки, и характерные признаки ведущих онлайн-трансляции представляют собой характерные признаки пользователей-ведущих, отображаемые в студии онлайн-трансляции. Эти характерные признаки ведущих онлайн-трансляции сохраняются в базе данных. Эти характерные признаки ведущих онлайн-трансляции могут считываться из базы данных во время обучения модели классификации.

[0050] Характерные признаки ведущего онлайн-трансляции включают в себя следующие признаки:

[0051] 1. Характерные признаки пользователя-ведущего в режиме офлайн

[0052] Характерные признаки пользователя-ведущего в режиме офлайн представляют собой признаки пользователя-ведущего, отображаемые тогда, когда этот пользователь-ведущий не ведет свою программу в режиме реального времени. К ним относятся такие признаки, как время регистрации, среднее время активности, время начала онлайн-трансляций в предшествующий период, количество подписчиков и общая величина получаемых пожертвований.

[0053] 2. Характерные признаки пользователя-ведущего в режиме реального времени

[0054] Характерные признаки пользователя-ведущего в режиме реального времени представляют собой признаки пользователя-ведущего, отображаемые тогда, когда он/она ведет свою программу в прямом эфире. К ним относятся такие признаки, как популярность в режиме реального времени, пол, страна, язык и тип онлайн-трансляции.

[0055] В этом варианте осуществления настоящего изобретения оба показателя из числа времени начала первой онлайн-трансляции и эффективной оценки используются в качестве классифицирующего показателя для определения типов пользователей-ведущих, причем пользователи-ведущие разбиваются на четыре типа, а именно: на первый тип, второй тип, третий тип и четвертый тип.

[0056] Время первой онлайн-трансляции пользователя-ведущего первого типа и первой онлайн-трансляции пользователя-ведущего второго типа будет позже, чем время первой онлайн-трансляция пользователя-ведущего третьего типа и первой онлайн-трансляции пользователя-ведущего четвертого типа.

[0057] Эффективная оценка пользователя-ведущего первого типа будет ниже, чем эффективная оценка пользователя-ведущего второго типа.

[0058] Эффективная оценка пользователя-ведущего третьего типа будет ниже, чем эффективная оценка пользователя-ведущего четвертого типа.

[0059] Пользователя-ведущего первого типа можно назвать обычным новым пользователем-ведущим; пользователя-ведущего второго типа можно назвать новым пользователем-ведущим высшей категории; пользователя-ведущего третьего типа можно назвать обычным существующим пользователем-ведущим; а пользователя-ведущего четвертого типа можно назвать существующим пользователем-ведущим высшей категории.

[0060] В одном из примеров осуществления настоящего изобретения пользователи-ведущие могут быть разбиты на первую группу и вторую группу, причем время первой онлайн-трансляции пользователей-ведущих первой группы будет позже, чем время первой онлайн-трансляции пользователей-ведущих второй группы.

[0061] При классифицировании может быть заранее задано первое пороговое значение и второе пороговое значение, причем оба эти значения лежат в пределах (0, 1).

[0062] Типы пользователей-ведущих в составе первой группы разбиты на первый тип и второй тип, причем эффективная оценка пользователя-ведущего первого типа меньше или равна первому пороговому значению, а эффективная оценка пользователя-ведущего второго типа превышает первое пороговое значение, вследствие чего эффективная оценка пользователя-ведущего первого типа будет меньше эффективной оценки пользователя-ведущего второго типа.

[0063] Типы пользователей-ведущих в составе второй группы разбиты на третий тип и четвертый тип, причем эффективная оценка пользователя-ведущего третьего типа меньше или равна второму пороговому значению, а эффективная оценка пользователя-ведущего четвертого типа превышает второе пороговое значение, вследствие чего эффективная оценка пользователя-ведущего третьего типа будет меньше эффективной оценки пользователя-ведущего четвертого типа.

[0064] Во время разделения первой группы и второй группы может быть подсчитан квантиль времени начала первой онлайн-трансляции каждого пользователя-ведущего, а время начала первой онлайн-трансляции, соответствующее заданному квантилю, может быть использовано в качестве порогового значения времени начала онлайн-трансляции, причем заданный квантиль лежит в пределах (0, 1).

[0065] Пользователи-ведущие, у которых время начала первой онлайн-трансляции меньше или равно пороговому значению времени начала онлайн-трансляции, сводятся в первую группу.

[0066] Пользователи-ведущие, у которых время начала первой онлайн-трансляции превышает пороговое значение времени начала онлайн-трансляции, сводятся во вторую группу.

[0067] На стадии S104 устанавливается первый выборочный вес пользователя-ведущего на основании типа пользователя-ведущего.

[0068] В этом варианте осуществления настоящего изобретения для типов ведущих, таких как первый тип, второй тип, третий тип и четвертый тип, значения первого выборочного веса для пользователей-ведущих второго типа и четвертого типа могут быть повышены; а/или значения первого выборочного веса для пользователей-ведущих первого типа и третьего типа могут быть уменьшены, вследствие чего значения первого выборочного веса для пользователей-ведущих второго типа и четвертого типа будут выше, чем значения первого выборочного веса для пользователей-ведущих первого типа и третьего типа. Поскольку машинное обучение более чувствительно к выборкам с более высокими значениями первого выборочного веса, оно способствует более точному выбору новых пользователей-ведущих высшей категории и существующих пользователей-ведущих высшей категории среди всех пользователей-ведущих по модели классификации.

[0069] В одном из примеров задания первого выборочного веса эффективная оценка пользователя-ведущего второго типа назначается в качестве первого выборочного веса пользователя-ведущего второго типа.

[0070] Эффективная оценка пользователя-ведущего четвертого типа назначается в качестве первого выборочного веса пользователя-ведущего четвертого типа.

[0071] Первому выборочному весу пользователя-ведущего первого типа присваивается заданное первое значение (например, 1), причем это первое значение будет меньше эффективной оценки пользователя-ведущего первого типа.

[0072] Первому выборочному весу пользователя-ведущего третьего типа присваивается заданное первое значение (например, 1), причем это первое значение будет меньше эффективной оценки пользователя-ведущего третьего типа.

[0073] Указанные способы задания первого выборочного веса приведены лишь для примера. При реализации данного варианта осуществления настоящего изобретения могут быть предусмотрены другие способы задания первого выборочного веса в зависимости от фактической ситуации, что не носит ограничительного характера в этом варианте осуществления настоящего изобретения.

[0074] На стадии S105 происходит обучение модели классификации с использованием характерного признака ведущего онлайн-трансляции, первого выборочного веса и типа ведущего в качестве обучающих выборок.

[0075] В этом варианте осуществления настоящего изобретения предусмотрено, что после определения характерного признака ведущего онлайн-трансляции, первого выборочного веса и типа ведущего (т.е. маркера), эти параметры могут быть использованы в качестве обучающей выборки для обучения модели классификации, благодаря чему модель классификации может получить данные о типах пользователей-ведущих путем классифицирования пользователей-ведущих с предысторией и эффективностью онлайн-трансляций в качестве классифицирующих показателей.

[0076] Модель классификации может рассматриваться как отображение функции, а процесс обучения модели классификации представляет собой процесс оптимизации и решения функции. Цель оптимизации и решения заключается в том, чтобы непрерывно обновлять параметры, содержащиеся в модели классификации; при этом после расчета моделью классификации маркированных обучающих выборок, служащих вводными данными, значение уровня потерь между выданным спрогнозированным значением и маркером будет минимальным.

[0077] Поскольку количество типов пользователей-ведущих обычно составляет два или более, модель классификации обычно представляет собой модель многоклассовой классификации, такую как многопеременная логистическая функция, функция экстремального градиентного бустинга (XGBoost), алгоритм случайного леса и глубокая нейронная сеть.

[0078] Если в качестве примера взять многопеременную логистическую функцию, то эта многопеременная логистическая функция будет отображать выходные данные о множестве нейронов на значения (0, 1), а накопленной суммой этих значений будет единица (что удовлетворяет свойству вероятности), что можно понимать как вероятность, вследствие чего может быть выполнена многомерная классификация. Модель классификации выражается следующим образом:

[0079] В данном случае величина i обозначает i-ого пользователя-ведущего; величина j обозначает j-ого пользователя-ведущего; величина к обозначает k-ый признак ведущего онлайн-трансляции; величина n обозначает общее количество пользователей-ведущих; величина W обозначает первый параметр; величина В обозначает второй параметр; величина X обозначает признак ведущего онлайн-трансляции; величина «logit» обозначает второе целевое значение; а величина «score» обозначает вероятность отношения пользователя-ведущего к определенному типу ведущих, причем score ∈ (0, 1).

[0080] Первый параметр и второй параметр относятся к параметрам в модели классификации, и они могут быть получены путем обучения модели классификации. В общем, диапазон значений первого и второго параметров выражается как (-∞, +∞). Иначе говоря, диапазон значений не имеет границ, так как значение первого параметра зависит от распределения самого признака ведущего онлайн-трансляции. Поскольку разные способы извлечения, способы очистки признаков и тому подобное приводят к разному распределению одного и того же характерного признака ведущего онлайн-трансляции, диапазон значений первого параметра будет неограниченным. В общем, абсолютное значение первого параметра положительно коррелирует с важностью характерного признака ведущего онлайн-трансляции. Иначе говоря, чем больше абсолютное значение первого параметра, тем более важным является характерный признак ведущего онлайн-трансляции.

[0081] Второй вариант осуществления настоящего изобретения

[0082] На фиг. 2 показана блок-схема, иллюстрирующая алгоритм реализации способа продвижения информации о ведущих согласно второму варианту осуществления настоящего изобретения. Этот вариант осуществления настоящего изобретения применим к обучению модели ранжирования. Предложенный способ предусматривает выполнение стадий, описанных ниже.

[0083] На стадии S201 определяется пользователь-ведущий.

[0084] На стадии S202 обеспечивается получение характерного признака ведущего онлайн-трансляции, связанного с пользователем-ведущим, характерного признака зрителя онлайн-трансляции, связанного с пользователем-зрителем, и характерного признака взаимодействия между пользователем-ведущим и пользователем-зрителем при онлайн-трансляции.

[0085] В этом варианте осуществления настоящего изобретения может быть проанализирован характерный признак ведущего онлайн-трансляции, характерный признак зрителя онлайн-трансляции и характерный признак взаимодействия между пользователем-ведущим и пользователем-зрителем при онлайн-трансляции. Характерный признак ведущего онлайн-трансляции, характерный признак зрителя онлайн-трансляции и характерный признак взаимодействия при онлайн-трансляции могут быть сохранены в базе данных. Во время обучения модели ранжирования характерный признак ведущего онлайн-трансляции, характерный признак зрителя онлайн-трансляции и характерный признак взаимодействия при онлайн-трансляции извлекаются из базы данных.

[0086] Характерные признаки зрителя онлайн-трансляции представляют собой характерные признаки пользователя-зрителя, которые могут быть отображены в студии онлайн-трансляции.

[0087] Характерные признаки зрителя онлайн-трансляции включают в себя следующие характерные признаки:

[0088] 1. Характерный признак зрителя-ведущего в режиме офлайн

[0089] Характерные признаки пользователя-зрителя в режиме офлайн представляют собой признаки пользователя-зрителя, которые отображаются в студии онлайн-трансляции на отрезке времени, когда нет прямого эфира, и которые включают в себя, например, среднее время просмотра, общее количество пожертвований, сделанных за весь период, и т.д.

[0090] 2. Характерный признак пользователя-зрителя в режиме реального времени

[0091] Характерные признаки пользователя-зрителя в режиме реального времени представляют собой признаки пользователя-зрителя, отображаемые в студии онлайн-трансляции во время прямого эфира, такие как продолжительность подключения, пол, страна, язык и тому подобное.

[0092] Характерные признаки взаимодействия между пользователем-ведущим и пользователем-зрителем при онлайн-трансляции представляют собой характерные признаки, которые могут отображаться при взаимодействии между пользователем-ведущим и пользователем-зрителем, когда пользователь-ведущий ведет свою программу в прямом эфире, и которые включают в себя, например: статистические данные по продолжительности просмотра пользователем-зрителем программ пользователя-ведущего; общее количество пожертвований пользователю-ведущему, сделанных пользователем-зрителем за предшествующий период; подписан ли пользователь-зритель на пользователя-ведущего; и т.д.

[0093] На стадии S203 определяется оценка взаимодействия пользователя-ведущего.

[0094] В этом варианте осуществления настоящего изобретения может быть рассчитана оценка взаимодействия каждого пользователя-ведущего, причем эта оценка взаимодействия отображает характерный признак пользователя-зрителя, подключенного к студии онлайн-трансляции пользователя-ведущего.

[0095] В одном из примеров реализации обеспечивается получение вторых индексов, подсчитываемым при ведении пользователем-ведущим прямой трансляции в течение заданного периода времени, которые могут быть получены по показателям взаимодействия между пользователем-ведущим и пользователем-зрителем, и вторые индексы включают в себя такие индексы, как avg_stay_time, avg_follow, avg_gift и т.д.

[0096] Второй индекс сконфигурирован с весом второго индекса. Вес второго индекса выше или равен нулю, при этом он представляет собой регулируемый параметр и может быть установлен соответствующим образом с учетом фактических потребностей. Например, если пользователи-ведущие с высокими показателями получаемых пожертвований должны рассматриваться в качестве пользователей-ведущих высшей категории, то второму индексу avg_gift может быть присвоен более высокий вес. За счет конфигурирования веса второго индекса в соответствии с фактическими потребностями модель ранжирования может регулироваться адаптивно и в динамическом режиме, при этом она более чем вероятно продвинет пользователей-ведущих с высокими значениями получаемых пожертвований для пользователя-зрителя.

[0097] В этом варианте осуществления настоящего изобретения оценка взаимодействия может быть рассчитана методом суммирования весовых значений. Иначе говоря, произведение второго индекса и веса второго индекса рассчитывается в качестве второй единичной эффективности, а сумма всех вторых единичных эффективностей рассчитывается в качестве оценки взаимодействия пользователя-ведущего.

[0098] Оценка взаимодействия может быть рассчитана по следующему уравнению, где, например, в качестве второго индекса берутся такие индексы, как avg_stay_time, avg_follow и avg_gift:

interaction_score=a*avg_stay_time+b*avg_follow+c*avg_gift.

[0099] В данном случае величина а обозначает вес второго индекса avg_stay_time; величина b обозначает вес второго индекса avg_follow; а величина с обозначает вес второго индекса avg_gift.

[00100] Указанный способ расчета оценки взаимодействия приведен лишь для примера. Для реализации данного варианта осуществления настоящего изобретения может быть задан другой способ расчета оценки взаимодействия в зависимости от фактической ситуации. Например, в соответствии с описанным выше способом расчета оценки взаимодействия вес второго индекса постепенно уменьшается в зависимости от времени второго индекса, вследствие чего значение веса второго индекса, которое ближе к текущему времени, будет больше; а значение веса второго индекса, которое дальше от текущего времени, будет меньше. В альтернативном варианте возрастание второго индекса отображает показатель активности пользователей-зрителей, такой как средняя продолжительность чата, что не носит ограничительного характера в этом варианте осуществления настоящего изобретения.

[00101] На стадии S204 устанавливается категория выборки для пользователя-ведущего на основании оценки взаимодействия.

[00102] В одном из примеров реализации оценка взаимодействия может сравниваться с заданным пороговым значением взаимодействия (например, 0).

[00103] Если оценка взаимодействия превышает пороговое значение взаимодействия, то в качестве категории выборки для пользователя-ведущего устанавливается первая категория (например, 1).

[00104] Если оценка взаимодействия меньше или равна пороговому значению взаимодействия, то в качестве категории выборки для пользователя-ведущего устанавливается вторая категория (например, 0).

[00105] На стадии S205 устанавливается второй выборочный вес пользователя-ведущего на основании категории выборки.

[00106] Касаемо категорий выборки, т.е. первой категории и второй категории, то в этом варианте осуществления настоящего изобретения предусмотрено, что второй выборочный вес пользователя-ведущего первой категории может быть увеличен, и/или второй выборочный вес пользователя-ведущего второй категории может быть уменьшен, вследствие чего второй выборочный вес пользователя-ведущего первой категории будет выше, чем аналогичный показатель пользователя-ведущего второй категории. Поскольку машинное обучение более чувствительно к выборкам с более высокими значениями второго выборочного веса, то это способствует более точному продвижению пользователей-ведущих высшей категории на более высокие места по ранжиру, а обычных пользователей-ведущих - на более низкие места по ранжиру с использованием модели ранжирования.

[00107] В одном из примеров задания второго выборочного веса оценка взаимодействия пользователя-ведущего первой категории назначается в качестве второго выборочного веса пользователя-ведущего первой категории.

[00108] Второму выборочному весу пользователя-ведущего второй категории присваивается заданное второе значение (например, 1), причем это второе значение будет меньше оценки взаимодействия пользователя-ведущего первой категории.

[00109] Указанные способы задания второго выборочного веса приведены лишь для примера. При реализации данного варианта осуществления настоящего изобретения могут быть заданы другие способы задания второго выборочного веса в зависимости от фактической ситуации, что не носит ограничительного характера в этом варианте осуществления настоящего изобретения.

[00110] На стадии S206 модель ранжирования обучается с использованием характерного признака ведущего онлайн-трансляции, характерного признака зрителя онлайн-трансляции, характерного признака взаимодействия при онлайн-трансляции, второго выборочного веса и категории выборки в качестве обучающих выборок.

[00111] В этом варианте осуществления настоящего изобретения предусмотрено, что после определения характерного признака ведущего онлайн-трансляции, характерного признака зрителя онлайн-трансляции, характерного признака взаимодействия при онлайн-трансляции, второго выборочного веса и категории выборки (т.е. маркера), эти параметры используются в качестве обучающей выборки для обучения модели ранжирования, благодаря чему модель ранжирования может быть использована для расчета оценки взаимодействия пользователя-ведущего.

[00112] Модель ранжирования может рассматриваться как отображение функции, а процесс обучения модели ранжирования представляет собой процесс оптимизации и решения функции. Цель оптимизации и решения заключается в том, чтобы непрерывно обновлять параметры, содержащиеся в модели ранжирования; при этом после расчета моделью ранжирования маркированных обучающих выборок, служащих вводными данными, значение уровня потерь между выданным спрогнозированным значением и маркером будет минимальным.

[00113] Поскольку количество категорий выборки обычно равно двум, то модель ранжирования обычно представляет собой модель одноклассовой классификации, также известную как модель двухклассовой классификации. Модель одноклассовой классификации являет собой особую задачу классификации, в которой большинство обучающих выборок является положительными выборками, тогда как остальные выборки, в общем, относятся к другой категории, такой как функция логистической регрессии (LR); машина опорных векторов (SVM); архитектуры Lenet, Alexnet и VGGnet (архитектура для распознавания изображений) в сверточной нейронной сети (CNN); и алгоритм «изолирующий лес».

[00114] Если в качестве примера взять функцию LR, то при вводе последовательности атрибутивных признаков объекта неизвестной категории эта функция LR обеспечит получение категории объекта. Поскольку функция LR является функцией распределения вероятности, то в рамках одноклассовой классификации предусмотрено, что чем дальше от центральной точки находится объект, тем больше вероятность того, что он относится к определенной категории. Модель ранжирования выражена следующим образом:

[00115] В данном случае величина i обозначает i-ого пользователя-ведущего; величина n обозначает общее количество пользователей-ведущих; величина Y обозначает третий параметр; величина С обозначает четвертый параметр; величина Z обозначает характерный признак ведущего онлайн-трансляции, характерный признак зрителя онлайн-трансляции и характерный признак взаимодействия при онлайн-трансляции; величина «logit» обозначает четвертое целевое значение; а величина «rank_score» обозначает оценку взаимодействия пользователя-ведущего, причем rank_score ∈ (0, 1).

[00116] Третий параметр и четвертый параметр относятся к параметрам в модели ранжирования, и они могут быть получены путем обучения модели ранжирования. В общем, диапазон значений третьего и четвертого параметров выражается как (-∞, +∞). Иначе говоря, диапазон значений не имеет границ, так как значение третьего параметра зависит от распределения самого признака ведущего онлайн-трансляции. Поскольку разные способы извлечения, способы очистки признаков и тому подобное приводят к разному распределению одного и того же характерного признака ведущего онлайн-трансляции, признака зрителя онлайн-трансляции и признака взаимодействия при онлайн-трансляции, диапазон значений третьего параметра будет неограниченным. В общем, абсолютное значение третьего параметра положительно коррелирует с важностью характерного признака ведущего онлайн-трансляции. Иначе говоря, чем больше абсолютное значение третьего параметра, тем более важным является характерный признак ведущего онлайн-трансляции, признак зрителя онлайн-трансляции и признак взаимодействия при онлайн-трансляции.

[00117] Третий вариант осуществления настоящего изобретения

[00118] На фиг. 3 показана блок-схема, иллюстрирующая алгоритм реализации способа продвижения информации о ведущих согласно третьему варианту осуществления настоящего изобретения. Этот вариант осуществления применим к случаю классифицирования пользователей-ведущих, расчета оценок взаимодействия пользователей-ведущих и продвижения пользователей-ведущих. Предложенный способ предусматривает выполнение стадий, описанных ниже.

[00119] На стадии S301 осуществляется вызов пользователя-ведущего.

[00120] На платформе Интернет-трансляций в режиме реального времени регистрируется большое число пользователей-ведущих, образующих пул ведущих. Перед продвижением пользователей-ведущих пользователям-зрителям может быть сформирован пул-кандидат путем вызова пользователей-ведущих из пула пользователей-ведущих, исходя из разных стратегий вызова и с учетом разных бизнес-требований (таких как вызов пользователей-ведущих высшей категории и вызов пользователей-ведущих, отвечающих персонифицированным потребностям в пользователях-ведущих).

[00121] В одном из примеров реализации стратегии вызова включают в себя, помимо прочего:

[00122] онлайн-вызов (вызов пользователей-ведущих в режиме онлайн), вызов по подписке (вызов пользователей-ведущих, на чьи программы (например, игровые и кулинарные программы) подписаны пользователи-зрители), вызов из одной страны (вызов пользователей-ведущих из той же страны, что и пользователь-зритель), вызов по принципу единого языка (вызов пользователей-ведущих, общающихся на одном языке с пользователями-зрителями), вызов по принципу совместной фильтрации (вызов пользователей-ведущих, использующих алгоритм совместной фильтрации), вызов по предпочтениям (вызов пользователей-ведущих с предпочтениями, совпадающими с предпочтениями пользователей-зрителей), вызов по аналогии (вызов других пользователей-ведущих, схожих с пользователями-ведущими, вызывавшимися ранее).

[00123] Поскольку с использованием разных стратегий вызова могут вызываться одни и те же пользователи-ведущие, в общем, предусмотрена дедупликация вызываемых пользователей-ведущих.

[00124] На стадии S302 определяется тип пользователя-ведущего с использованием предыстории и эффективности онлайн-трансляций в качестве классифицирующих показателей.

[00125] В этом варианте осуществления настоящего изобретения пользователи-ведущие могут быть классифицированы как новые пользователи-ведущие и существующие пользователи-ведущие в том случае, если классифицирующим признаком служит предыстория онлайн-трансляций; и они могут быть классифицированы как пользователи-ведущие высшей категории и обычные пользователи-ведущие в том случае, если классифицирующим признаком служит эффективность онлайн-трансляций.

[00126] Таким образом, типы классифицированных пользователей-ведущих включают в себя первый тип, второй тип, третий тип и четвертый тип.

[00127] Предыстория онлайн-трансляций пользователей-ведущих первого типа и второго типа короче, чем предыстория онлайн-трансляций пользователей-ведущих третьего типа и четвертого типа.

[00128] Эффективность онлайн-трансляций пользователей-ведущих первого типа ниже, чем эффективность онлайн-трансляций пользователей-ведущих второго типа.

[00129] Эффективность онлайн-трансляций пользователей-ведущих третьего типа ниже, чем эффективность онлайн-трансляций пользователей-ведущих четвертого типа.

[00130] Пользователя-ведущего первого типа можно назвать обычным новым пользователем-ведущим; пользователя-ведущего второго типа можно назвать новым пользователем-ведущим высшей категории; пользователя-ведущего третьего типа можно назвать обычным существующим пользователем-ведущим; а пользователя-ведущего четвертого типа можно назвать существующим пользователем-ведущим высшей категории.

[00131] На стадии S303 рассчитывается оценка взаимодействия пользователя-ведущего.

[00132] В этом варианте осуществления настоящего изобретения может быть рассчитана оценка взаимодействия вызываемого пользователя-ведущего, и отображаться характерный признак пользователя-зрителя, подключенного к студии онлайн-трансляции пользователя-ведущего.

[00133] Обмен информацией между пользователем-ведущим и пользователем-зрителем при онлайн-трансляции является основным компонентом характерного признака; причем положительное взаимодействие часто дает относительно высокую возможность выдачи рекомендации.

[00134] На стадии S304 рассчитывается всесторонняя оценка пользователя-ведущего на основании оценки взаимодействия и типа ведущего.

[00135] В этом варианте осуществления настоящего изобретения для ведущих разных типов всесторонняя оценка может генерироваться на основании адаптивной коррекции и оценок взаимодействия таким образом, что места пользователей-ведущих по ранжиру могут корректироваться в зависимости от бизнес-требований.

[00136] На стадии S305 пользователю-зрителю продвигается информация о ведущем на основании всесторонней оценки.

[00137] Из-за большого количества вызываемых пользователей-ведущих и ограниченности места на экране дисплея некоторые пользователи-ведущие могут выбираться из числа вызываемых пользователей-ведущих в привязке к всесторонней оценке, а информация о выбранных пользователей-ведущих (например, имена ведущих и заставки студий онлайн-трансляции) продвигается пользователю-зрителю для ее беглого просмотра.

[00138] Продвижение информации пользователю-зрителю означает продвижение информации на сторону клиента с данными, отображающими пользователя-зрителя, причем стороной клиента может выступать, например, браузер, приложение для онлайн-трансляции, инструмент мгновенного обмена сообщениями и тому подобное.

[00139] Если пользователь-зритель не является зарегистрированным пользователем, то он может быть представлен данными об оборудовании, такими как идентификатор оборудования, например, международный идентификатор оборудования мобильной связи (IMEI). Характерные признаки незарегистрированного пользователя минималистичны, и неперсонифицированный пользователь-ведущий может быть вызван на стадии S301 таким образом, что информация о неперсонифицированном пользователе-ведущем будет продвигаться пользователю-зрителю.

[00140] Если пользователь-зритель является зарегистрированным пользователем, то он может быть представлен данными о пользователе, такими как идентификатор (ID) пользователя или учетная запись пользователя. Характерные признаки зарегистрированного пользователя относительно разнообразны, и персонифицированный пользователь-в едущий может быть вызван на стадии S301 таким образом, что информация о персонифицированном пользователе-ведущем будет продвигаться пользователю-зрителю.

[00141] При выборе пользователей-ведущих вызываемые пользователи-ведущие могут выстраиваться по ранжиру в убывающем порядке на основании их всесторонних оценок; причем для продвижения пользователю-зрителю выбирается n-ое количество пользователей-ведущих с наивысшим рейтингом (причем n является целым положительным числом и представляет собой регулируемый параметр, равный, например, 20).

[00142] Помимо выбора n-ого количества пользователей-ведущих с наивысшей всесторонней оценкой могут быть использованы и другие способы выбора пользователей-ведущих. Например, для продвижения выбираются те пользователи-ведущие, всесторонняя оценка которых больше или равна заданному пороговому значению оценки; пользователи-ведущие, всесторонняя оценка которых ниже заданного порогового значения оценки, отфильтровываются, и из числа выделенных в резерв пользователей-ведущих выбирается для продвижения n-ое количество пользователей-ведущих с наивысшей всесторонней оценкой; причем в этом варианте осуществления настоящего изобретения аналогичные случаи не носят ограничительного характера.

[00143] В этом варианте осуществления настоящего изобретения предусмотрено следующее: пользователь-ведущий вызывается и классифицируется по своему типу с использованием предыстории и эффективности онлайн-трансляций в качестве классифицирующих показателей; рассчитывается оценка взаимодействия пользователя-ведущего, и отображаться характерный признак пользователя-зрителя, подключенного к студии онлайн-трансляции пользователя-ведущего; на основании оценки взаимодействия и типа ведущего рассчитывается всесторонняя оценка пользователя-ведущего; и на основании полученной всесторонней оценки пользователю-зрителю продвигается информация о пользователе-ведущем. Пользователи-ведущие могут подразделяться на новых пользователей-ведущих и существующих пользователей-ведущих на основании предыстории онлайн-трансляций, и они могут подразделяться на пользователей-ведущих высшей категории и обычных пользователей-ведущих на основании эффективности онлайн-трансляций. Для пользователей-ведущих разных типов значения взаимодействия могут адаптивно корректироваться для улучшения возможностей по продвижению. Исходя из допущения, что значение взаимодействия удовлетворяет требованию к качеству пользователя-ведущего, за счет такой коррекции могут быть удовлетворены разные бизнес-требования, вследствие чего новый пользователь-ведущий с небольшим набором характерных признаков может получить больше шансов на продвижение. С одной стороны, может быть повышен энтузиазм нового пользователя-ведущего и обеспечено полноценное развитие всей экосистемы онлайн-трансляций. С другой стороны, повышается разнообразие продвигаемых пользователей-ведущих, сводятся к минимуму ситуации повторного продвижения пользователей-ведущих и продвижения пользователей-ведущих со схожими признаками, а также повышается точность продвижения пользователей-ведущих, заинтересованных в конкретном пользователе-зрителе, благодаря чему пользователь-зритель может напрямую просматривать онлайн-программы, организованные заинтересованными пользователями-ведущими после продвижения, и уменьшается количество случаев, когда пользователь-зритель осуществляет поиск пользователей-ведущих по ключевым словам, а затем осуществляет скрининг и выбор пользователей-ведущих, что снижает напрасное расходование ресурсов на скрининг, выбор и продвижение пользователей-ведущих, а также упрощает операции, выполняемые пользователем-зрителем при просмотре прямых трансляций.

[00144] Четвертый вариант осуществления настоящего изобретения

[00145] На фиг. 4 показана блок-схема, иллюстрирующая алгоритм реализации способа продвижения информации о ведущих согласно четвертому варианту осуществления настоящего изобретения. В этот вариант осуществления настоящего изобретения, основанный на предыдущих вариантах осуществления, добавлены операции по обработке данных, соответственно, для классифицирования пользователей-ведущих с использованием модели классификации, расчета оценок взаимодействия пользователей-ведущих с использованием модели ранжирования и коррекции всесторонних оценок пользователей-ведущих четырех типов. Предложенный способ предусматривает выполнение стадий, описанных ниже.

[00146] На стадии S401 осуществляется вызов пользователя-ведущего.

[00147] На стадии S402 определяется модель классификации.

[00148] В этом варианте осуществления настоящего изобретения модель классификации может быть обучена заранее в режиме офлайн, причем модель классификации и ее параметры сохраняются. Модель классификации может быть выполнена с возможностью определения пользователей-ведущих с использованием предыстории и эффективности онлайн-трансляций в качестве классифицирующих показателей.

[00149] Поскольку способ обучения модели классификации, в общем, аналогичен способу, раскрытому в рамках первого варианта осуществления настоящего изобретения, его описание будет относительно простым. Связанные части относятся к частичному описанию первого варианта осуществления настоящего изобретения и подробно не описываются в этом варианте осуществления.

[00150] При онлайн-классифицировании пользователей-ведущих может быть обеспечена загрузка модели классификации и ее параметров.

[00151] На стадии S403 обеспечивается получение характерного признака ведущего онлайн-трансляции, связанного с пользователем-ведущим.

[00152] В этом варианте осуществления настоящего изобретения могут быть проанализированы характерные признаки ведущего онлайн-трансляции, и они могут представлять собой характерные признаки пользователя-ведущего, отображаемые в студии онлайн-трансляции. Эти характерные признаки ведущего онлайн-трансляции сохраняются в базе данных и могут считываться из базы данных во время классифицирования пользователя-ведущего с использованием модели классификации.

[00153] Характерные признаки ведущего онлайн-трансляции включают в себя следующие признаки:

[00154] 1. Характерные признаки пользователя-ведущего в режиме офлайн; и 2. Характерные признаки пользователя-ведущего в режиме реального времени.

[00155] На стадии S404 выдается вероятность того, что пользователь-ведущий относится к каждому типу ведущих, что осуществляется путем ввода характерного признака ведущего онлайн-трансляции в модель классификации для обработки.

[00156] В этом варианте осуществления настоящего изобретения предусмотрено, что поскольку количество типов ведущих обычно составляет два или более, модель классификации обычно представляет собой модель многоклассовой классификации, такую как многопеременная логистическая функция, функция экстремального градиентного бустинга (XGBoost), алгоритм случайного леса и глубокая нейронная сеть.

[00157] Если в качестве примера взять многопеременную логистическую функцию, то эта многопеременная логистическая функция будет отображать выходные данные о множестве нейронов на значения (0, 1), а накопленной суммой этих значений будет единица (что удовлетворяет свойству вероятности), что можно понимать как вероятность, вследствие чего может быть выполнена многомерная классификация. Модель классификации выражается следующим образом:

[00158] В данном случае величина i обозначает i-ого пользователя-ведущего; величина j обозначает j-ого пользователя-ведущего; величина к обозначает k-ый признак ведущего онлайн-трансляции; величина n обозначает общее количество пользователей-ведущих; величина W обозначает первый параметр; величина В обозначает второй параметр; величина X обозначает характерный признак ведущего онлайн-трансляции; величина «logit» обозначает второе целевое значение; а величина «score» обозначает вероятность отношения пользователя-ведущего к определенному типу ведущих, причем score ∈ (0, 1).

[00159] В этом примере могут быть определены первый и второй параметры, соответствующие характерному признаку ведущего онлайн-трансляции; при этом путем расчета суммы произведений характерных признаков ведущего онлайн-трансляции и первых параметров может быть получено первое целевое значение, а путем добавления второго параметра к первому целевому значения может быть получено второе целевое значение.

[00160] Вероятность отношения пользователя-ведущего к каждому типу ведущих может быть получена путем классифицирования второго целевого значения с использованием многопеременной логистической функции.

[00161] При использовании других моделей классификации могут быть использованы другие способы расчета вероятности отношения пользователя-ведущего к каждому типу ведущих, что не носит ограничительного характера в этом варианте осуществления настоящего изобретения.

[00162] На стадии S405 на основании полученной вероятности определяется тип ведущих, к которому относится пользователь-ведущий.

[00163] В этом варианте осуществления настоящего изобретения тип ведущих с наивысшим значением вероятности выбирается в качестве типа ведущих, к которому относится данный пользователь-ведущий.

[00164] Например, если типы ведущих включают в себя первый тип, второй тип, третий тип и четвертый тип, то модель классификации выдает четыре значения вероятности, которые выражены векторами score_1, score_2, score_3 и score_4. В данном случае вектор score_1 отображает вероятность того, что пользователь-ведущий относится к первому типу; вектор score_2 отображает вероятность того, что пользователь-ведущий относится ко второму типу; вектор score_3 отображает вероятность того, что пользователь-ведущий относится к третьему типу; а вектор score_4 отображает вероятность того, что пользователь-ведущий относится к четвертому типу; при этом score_l+score_2+score_3+score_4=01. Если допустить, что после ввода характерного признака пользователя-ведущего онлайн-трансляции в модель классификации и выдачи таких значений вероятности, как [0,1; 0,3; 0,15; и 0,45], то можно определить, что пользователь-ведущий относится к четвертому типу.

[00165] На стадии S406 определяется модель ранжирования.

[00166] В этом варианте осуществления настоящего изобретения модель ранжирования может быть обучена заранее в режиме офлайн, причем модель ранжирования и ее параметры сохраняются. Модель ранжирования выполнена с возможностью расчета оценки взаимодействия пользователя-ведущего.

[00167] Поскольку способ обучения модели ранжирования, в общем, аналогичен способу, раскрытому в рамках второго варианта осуществления настоящего изобретения, его описание будет относительно простым. Связанные части относятся к частичному описанию второго варианта осуществления настоящего изобретения и подробно не описываются в этом варианте осуществления.

[00168] При онлайн-расчете оценки взаимодействия пользователя-ведущего может быть обеспечена загрузка модели ранжирования и ее параметров.

[00169] На стадии S407 обеспечивается получение характерного признака ведущего онлайн-трансляции, связанного с пользователем-ведущим, характерного признака зрителя онлайн-трансляции, связанного с пользователем-зрителем, и характерного признака взаимодействия между пользователем-ведущим и пользователем-зрителем при онлайн-трансляции.

[00170] В этом варианте осуществления настоящего изобретения может быть проанализирован характерный признак пользователя-ведущего онлайн-трансляции, характерный признак зрителя онлайн-трансляции и характерный признак взаимодействия между пользователем-ведущим и пользователем-зрителем при онлайн-трансляции. Характерный признак ведущего онлайн-трансляции, характерный признак зрителя онлайн-трансляции и характерный признак взаимодействия при онлайн-трансляции могут быть сохранены в базе данных. При расчете оценки взаимодействия пользователя-ведущего с использованием модели ранжирования характерный признак ведущего онлайн-трансляции, характерный признак зрителя онлайн-трансляции и характерный признак взаимодействия при онлайн-трансляции извлекаются из базы данных.

[00171] Характерный признак зрителя онлайн-трансляции представляет собой признак пользователя-зрителя, который может быть отображен в студии онлайн-трансляции.

[00172] Характерные признаки зрителя онлайн-трансляции включают в себя следующие признаки:

[00173] 1. Характерный признак пользователя-зрителя в режиме офлайн; и

[00174] 2. Характерный признак пользователя-зрителя в режиме реального времени.

[00175] Характерный признак взаимодействия между пользователем-ведущим и пользователем-зрителем при онлайн-трансляции представляет собой признак, который может отображаться при взаимодействии между пользователем-ведущим и пользователем-зрителем, когда пользователь-ведущий ведет свою программу в прямом эфире.

[00176] На стадии S408 выдается оценка взаимодействия, что осуществляется путем ввода характерного признака ведущего онлайн-трансляции, характерного признака зрителя онлайн-трансляции и характерного признака взаимодействия при онлайн-трансляции в модель ранжирования для обработки.

[00177] В этом варианте осуществления настоящего изобретения модель ранжирования представляет собой, в общем, модель одноклассовой классификации, также известную как модель двухклассовой классификации, например, функцию логистической регрессии (LR); машину опорных векторов (SVM); архитектуры Lenet, Alexnet и VGGnet в сверточной нейронной сети (CNN); и алгоритм «изолирующий лес».

[00178] Если в качестве примера взять функцию LR, то при вводе последовательности атрибутивных признаков объекта неизвестной категории эта функция LR обеспечит получение категории объекта. Поскольку функция LR является функцией распределения вероятности, то в рамках одноклассовой классификации предусмотрено, что чем дальше от центральной точки находится объект, тем больше вероятность того, что он относится к определенной категории. Модель ранжирования выражена следующим образом:

[00179] В данном случае величина i обозначает i-ого пользователя-ведущего; величина n обозначает общее количество пользователей-ведущих; величина Y обозначает третий параметр; величина С обозначает четвертый параметр; величина Z обозначает характерный признак ведущего онлайн-трансляции, характерный признак зрителя онлайн-трансляции и характерный признак взаимодействия при онлайн-трансляции; величина «logit» обозначает четвертое целевое значение; а величина «rank_score» обозначает оценку взаимодействия пользователя-ведущего, причем rank_score ∞ (0, 1).

[00180] Таким образом, в этом примере могут быть определены третьи параметры, соответствующие характерному признаку ведущего онлайн-трансляции, характерному признаку зрителя онлайн-трансляции и характерному признаку взаимодействия при онлайн-трансляции, а также четвертый параметр; при этом путем расчета суммы произведений характерного признака ведущего онлайн-трансляции и третьего параметра, характерного признака зрителя онлайн-трансляции и третьего параметра и характерного признака взаимодействия при онлайн-трансляции и третьего параметра может быть получено третье целевое значение, а путем добавления четвертого параметра к третьему целевому значения может быть получено четвертое целевое значение.

[00181] Оценка взаимодействия может быть получена с использованием функции логистической регрессии для классифицирования четвертого целевого значения.

[00182] При использовании других моделей ранжирования могут быть использованы другие способы расчета оценки взаимодействия пользователя-ведущего, что не носит ограничительного характера в этом варианте осуществления настоящего изобретения.

[00183] На стадии S409 рассчитывается повышающая оценка пользователя-ведущего, если пользователь-ведущий относится ко второму типу ведущих.

[00184] На стадии S410 обеспечивается получение всесторонней оценки пользователя-ведущего путем добавления повышающей оценки к оценке взаимодействия.

[00185] Если пользователь-ведущий относится ко второму типу ведущих, то это значит, что этот пользователь-ведущий является новым пользователем-ведущим высшей категории. Вследствие отсутствия взаимодействия с пользователем-зрителем новый пользователь-ведущий будет иметь, в общем, более низкую оценку, чем уже существующий пользователь-ведущий; и, таким образом, он будет получать меньше трафика в процессе его распределения, что препятствует активности нового пользователя-ведущего.

[00186] В этом варианте осуществления настоящего изобретения новый пользователь-ведущий высшей категории повышается в рейтинге надлежащим образом для его размещения на более высоком месте по ранжиру. Однако при этом, поскольку эффективность онлайн-трансляций нового пользователя-ведущего будет, в общем, ниже, чем аналогичный показатель уже существующего пользователя-ведущего, чрезмерное повышение даст негативный эффект. Таким образом, в отношении повышения существует определенное ограничение.

[00187] Ожидание в отношении нового пользователя-ведущего высшей категории состоит в том, что после первоначального повышения рейтинга, новый пользователь-ведущий высшей категории становится существующим пользователем-ведущим, который может получить более высокую оценку взаимодействия за счет его/ее выдающихся способностей; и, таким образом, стать существующим пользователем-ведущим высшей категории, который может получать больше трафика без повышения рейтинга. Следовательно, качество ведущих во всей экосистеме онлайн-трансляций будет повышено.

[00188] В одном из примеров реализации повышающая оценка может добавляться пользователю-ведущему при выполнении каждого повышения. Повышающая оценка отрицательно коррелирует с количеством проводимых расчетов повышающей оценки, т.е. негативно коррелирует с количеством проводимых повышений. Чем меньше раз выполняется расчет повышающей оценки, тем больше будет сама повышающая оценка. И наоборот, чем больше раз выполняется расчет повышающей оценки, тем меньше будет эта повышающая оценка до тех пор, пока она не дойдет до нуля.

[00189] С одной стороны, путем расчета повышающей оценки можно определить базовую оценку. Базовая оценка меньше оценки взаимодействия пользователя-ведущего заданного ранга, вследствие чего во время повышения рейтинга нового пользователя-ведущего высшей категории обеспечивается возможность регулирования влияния на существующего пользователя-ведущего высшей категории и возможного отрицательного эффекта.

[00190] С другой стороны, может быть установлен коэффициент повышения. Коэффициент повышения негативно коррелирует с количеством проводимых расчетов повышающей оценки, т.е. негативно коррелирует с количеством проводимых повышений. Чем меньше раз выполняется расчет повышающей оценки, тем больше будет сама повышающая оценка. И наоборот, чем больше раз выполняется расчет повышающей оценки, тем меньше будет эта повышающая оценка до тех пор, пока она не дойдет до нуля.

[00191] Произведение базовой оценки и коэффициента повышения дает повышающую оценку.

[00192] Описанный выше способ расчета повышающей оценки может быть реализован по следующим уравнениям:

[00193] В данном случае величина final_score обозначает всестороннюю оценку пользователя-ведущего; величина rankscore обозначает оценку взаимодействия пользователя-ведущего; величина boost_score обозначает повышающую оценку пользователя-ведущего; величина base_score обозначает базовую оценку пользователя-ведущего; величина обозначает коэффициент повышения пользователя-ведущего; величина «process» обозначает, сколько раз выполнялся расчет повышающей оценки; величина «goal» обозначает верхний предел расчета повышающей оценки; а величина rank_score_mid обозначает среднюю оценку по оценкам взаимодействия всех пользователей-ведущих.

[00194] На стадии S411 определяется эффективная оценка пользователя-ведущего, если этот пользователь-ведущий относится к четвертому типу ведущих.

[00195] На стадии S412 корректируется процентная доля эффективной оценки.

[00196] На стадии S413 произведение оценки взаимодействия и эффективной оценки, процентная доля которой была подвергнута коррекции, рассчитывается в качестве всесторонней оценки пользователя-ведущего.

[00197] Если пользователь-ведущий относится к четвертому типу ведущих, т.е. этот пользователь-ведущий является существующим пользователем-ведущим высшей категории, то за счет отличной эффективной оценки этот пользователь-ведущий заслуживает больше трафика в сравнении с другими пользователями-ведущими в процессе распределения трафика. Таким образом, также предусмотрена возможность повышения рейтинга существующего пользователя-ведущего высшей категории.

[00198] Если во время обучения модели классификации была рассчитана эффективная оценка, то она может быть извлечена напрямую. Если во время обучения модели классификации эффективная оценка не была рассчитана, то она может быть рассчитана способом, раскрытым в рамках описания первого варианта осуществления настоящего изобретения, который подробно не описывается в этом варианте его осуществления.

[00199] В этом варианте осуществления настоящего изобретения обычный существующий пользователь-ведущий может быть замерен относительно существующего пользователя-ведущего высшей категории путем коррекции процентной доли, и всесторонняя оценка существующего пользователя-ведущего высшей категории может динамически регулироваться путем коррекции процентной доли.

[00200] Описанный выше способ расчета повышающей оценки может быть реализован по следующему уравнению:

final_score=(1+(n*effective_score))*rank_core.

[00201] В данном случае величина final_score обозначает всестороннюю оценку пользователя-ведущего; величина effective_score обозначает эффективную оценку пользователя-ведущего; величина rank_score обозначает оценку взаимодействия пользователя-ведущего; а величина n∈(0, 1), и она сконфигурирована с возможностью измерения процентного соотношения между обычным существующим пользователем-ведущим и существующим пользователем-ведущим высшей категории.

[00202] На стадии S414 в качестве всесторонней оценки пользователя-ведущего устанавливается оценка взаимодействия, если пользователь-ведущий относится к первому или третьему типу ведущих.

[00203] Если пользователь-ведущий относится к первому или третьему типу ведущих, то этот пользователь-ведущий представляет собой обычного нового пользователя-ведущего или обычного существующего пользователя-ведущего. Для пользователей-ведущих двух типов повышение их рейтинга может не проводиться, а оценки взаимодействия пользователей-ведущих используются в качестве их всесторонних оценок.

[00204] Указанный способ расчета всесторонней оценки приведен лишь для примера. Для реализации данного варианта осуществления настоящего изобретения могут быть заданы иные способы расчета всесторонней оценки в зависимости от фактической ситуации, что не носит ограничительного характера в этом варианте осуществления настоящего изобретения.

[00205] На стадии S415 осуществляется продвижение информации о пользователе-ведущем пользователю-зрителю на основании всесторонней оценки.

[00206] Пятый вариант осуществления настоящего изобретения

[00207] На фиг. 5 схематически показана структура устройства для продвижения информации о ведущих согласно пятому варианту осуществления настоящего изобретения. Это устройство может включать в себя модули, описанные ниже.

[00208] Модуль 501 вызова пользователя-ведущего выполнен с возможностью вызова пользователя-ведущего; модуль 502 классификации пользователей-ведущих выполнен с возможностью определения типа пользователя-ведущего с использованием предыстории и эффективности онлайн-трансляций в качестве классифицирующих показателей; модуль 503 расчета оценки взаимодействия выполнен с возможностью расчета оценки взаимодействия пользователя-ведущего, причем оценка взаимодействия отображает характерный признак пользователя-зрителя, подключенного к студии онлайн-трансляции пользователя-ведущего; модуль 504 расчета всесторонней оценки выполнен с возможностью расчета всесторонней оценки пользователя-ведущего на основании оценки взаимодействия и типа ведущего; а модуль 505 продвижения информации о ведущих выполнен с возможностью продвижения информации о пользователе-ведущем пользователю-зрителю на основании всесторонней оценки.

[00209] Шестой вариант осуществления настоящего изобретения

[00210] На фиг.6 схематически показана структура вычислительного устройства согласно шестому варианту осуществления настоящего изобретения. Как показано на фиг. 6, вычислительное устройство включает в себя процессор 600, память 601, модуль 602 связи, устройство 603 ввода и устройство 604 вывода. Количество процессоров 600 в вычислительном устройстве может составлять один или более. На фиг. 6 приведен пример исполнения с одним процессором 600. Процессор 600, память 601, модуль 602 связи, устройство 603 ввода и устройство 604 вывода в вычислительном устройстве могут быть соединены между собой посредством шины или с помощью иных средств. На фиг. 6 приведен пример соединения посредством шины.

[00211] В качестве машиночитаемого носителя данных память 601 может быть выполнена с возможностью хранения программных продуктов, исполняемых компьютером программ и модулей. Машиночитаемый носитель данных может представлять собой энергонезависимый машиночитаемый носитель. Например, модули (к примеру, модуль 501 вызова пользователя-ведущего, модуль 502 классификации пользователей-ведущих, модуль 503 расчета оценки взаимодействия, модуль 504 расчета всесторонней оценки и модуль 505 продвижения информации о ведущих в устройстве для продвижения информации о ведущих, показанные на фиг. 5) соответствуют способу продвижения информации о ведущих согласно этому варианту осуществления настоящего изобретения. Процессор 600 приводит в исполнение различные функциональные приложения и обрабатывает данные вычислительного устройства, т.е. реализует описанный выше способ продвижения информации о ведущих путем прогона программных продуктов, исполнения команд и модулей, хранящихся в памяти 601.

[00212] Седьмой вариант осуществления настоящего изобретения

[00213] Настоящим изобретением дополнительно предложен машиночитаемый носитель данных согласно седьмому варианту осуществления заявленного изобретения. В машиночитаемом носителе данных хранится компьютерная программа; причем процессор при выполнении им этой компьютерной программы инициирует реализацию способа продвижения информации о ведущих. Этот способ предусматривает:

[00214] вызов пользователя-ведущего; определение типа пользователя-ведущего с использованием предыстории онлайн-трансляций и их эффективности в качестве классифицирующих показателей; расчет оценки взаимодействия пользователя-ведущего, причем оценка взаимодействия отображает характерный признак пользователя-зрителя, подключенного к студии онлайн-трансляции пользователя-ведущего; расчет всесторонней оценки пользователя-ведущего на основании оценки взаимодействия и типа ведущего; и продвижение информации о пользователе-ведущем пользователю-зрителю на основании всесторонней оценки.

Изобретение относится к области технологий потокового вещания. Технический результат заключается в снижении расхода вычислительных ресурсов. Такой результат достигается за счет классификации пользователя-ведущего, при которой определяют тип пользователя-ведущего по модели классификации с использованием предыстории онлайн-трансляций и их эффективности в качестве классифицирующих показателей и оценку взаимодействия пользователя-ведущего, причем оценка взаимодействия отображает характерный признак пользователя-зрителя, подключенного к студии онлайн-трансляции пользователя-ведущего, на основании которых рассчитывают всестороннюю оценку пользователя-ведущего и продвигают информацию о пользователе-ведущем пользователю-зрителю на основании всесторонней оценки. 3 н. и 16 з.п. ф-лы, 6 ил.

1. Способ классификации пользователя-ведущего, предусматривающий:

вызов пользователя-ведущего;

определение типа пользователя-ведущего по модели классификации с использованием предыстории онлайн-трансляций и их эффективности в качестве классифицирующих показателей;

расчет оценки взаимодействия пользователя-ведущего, причем оценка взаимодействия отображает характерный признак пользователя-зрителя, подключенного к студии онлайн-трансляции пользователя-ведущего;

расчет всесторонней оценки пользователя-ведущего на основании оценки взаимодействия и типа ведущего; и

продвижение информации о пользователе-ведущем пользователю-зрителю на основании всесторонней оценки;

при этом определение модели классификации предусматривает:

определение пользователя-ведущего, причем пользователь-ведущий соотносится со временем начала первой онлайн-трансляции и характерным признаком ведущего онлайн-трансляции;

определение типа пользователя-ведущего с использованием времени начала первой онлайн-трансляции и эффективной оценки после расчета в качестве классифицирующих показателей;

определение первого выборочного веса пользователя-ведущего на основании типа ведущего; и

обучение модели классификации с использованием характерного признака ведущего онлайн-трансляции, первого выборочного веса и типа ведущего в качестве обучающей выборки.

2. Способ по п. 1, в котором типы пользователя-ведущего включают в себя первый тип, второй тип, третий тип и четвертый тип, при этом:

предыстории онлайн-трансляций пользователей-ведущих первого типа и второго типа короче предысторий-трансляций пользователей-ведущих третьего типа и четвертого типа;

эффективность онлайн-трансляций пользователя-ведущего первого типа ниже, чем эффективность онлайн-трансляций пользователя-ведущего второго типа; а

эффективность онлайн-трансляций пользователя-ведущего третьего типа ниже, чем эффективность онлайн-трансляций пользователя-ведущего четвертого типа.

3. Способ по п. 1 или 2, в котором определение типа пользователя-ведущего с использованием предыстории и эффективности онлайн-трансляций в качестве классифицирующих показателей предусматривает:

определение модели классификации, причем модель классификации выполнена с возможностью классифицирования пользователя-ведущего с использованием предыстории и эффективности онлайн-трансляций в качестве классифицирующих показателей;

получение характерного признака ведущего онлайн-трансляции, связанного с пользователем-ведущим;

выдача вероятности отношения пользователя-ведущего к каждому типу ведущих, что осуществляется путем ввода характерного признака ведущего онлайн-трансляции в модель классификации для обработки; и

определение типа ведущих, к которому относится пользователь-ведущий, на основании полученной вероятности.

4. Способ по п. 3, в котором выдача вероятности отношения пользователя-ведущего к каждому типу ведущих путем ввода характерного признака ведущего онлайн-трансляции в модель классификации для обработки предусматривает:

определение первых параметров, соответствующих характерным признакам ведущего онлайн-трансляции, и второго параметра;

получение первого целевого значения путем расчета суммы произведений характерных признаков ведущего онлайн-трансляции и первых параметров;

получение второго целевого значения путем добавления второго параметра к первому целевому значению; и

получение вероятности отношения пользователя-ведущего к каждому типу ведущих путем классифицирования второго целевого значения с использованием многопеременной логистической функции.

5. Способ по п. 3, в котором:

время начала первой онлайн-трансляции отображает предысторию онлайн-трансляций, а определение модели классификации дополнительно предусматривает:

расчет эффективной оценки пользователя-ведущего, причем эффективная оценка отображает эффективность онлайн-трансляций.

6. Способ по п. 5, в котором расчет эффективной оценки пользователя-ведущего предусматривает:

получение первых индексов, подсчитанных при ведении пользователем-ведущим онлайн-трансляции;

конфигурирование каждого из первых индексов с весом первого индекса;

расчет произведения первого индекса и веса первого индекса в качестве первой единичной эффективности; и

расчет суммы всех первых единичных эффективностей в качестве эффективной оценки, причем эффективная оценка отображает эффективность онлайн-трансляций.

7. Способ по п. 1, в котором определение типа пользователя-ведущего с использованием времени начала первой онлайн-трансляции и эффективной оценки в качестве классифицирующих показателей предусматривает:

сведение пользователей-ведущих в первую группу и вторую группу, причем время начала первой онлайн-трансляции пользователей-ведущих, входящих в первую группу, будет позже, чем время начала первой онлайн-трансляции пользователей-ведущих, входящих во вторую группу;

определение типов пользователей-ведущих в первой группе в качестве ведущих третьего типа и второго типа, причем эффективная оценка пользователя-ведущего первого типа будет меньше или равна первому заданному пороговому значению, а эффективная оценка пользователя-ведущего второго типа будет превышать первое заданное пороговое значение; и

определение типов пользователей-ведущих во второй группе в качестве ведущих третьего типа и четвертого типа, причем эффективная оценка пользователя-ведущего третьего типа будет меньше или равна второму заданному пороговому значению, а эффективная оценка пользователя-ведущего четвертого типа будет превышать второе заданное пороговое значение.

8. Способ по п. 7, в котором классифицирование пользователей-ведущих с их отнесением к первой группе и второй группе предусматривает:

подсчет квантиля времени начала первой онлайн-трансляции каждого пользователя-ведущего;

определение времени начала первой онлайн-трансляции, соответствующего указанному квантилю, в качестве порогового значения времени начала онлайн-трансляции;

сведение пользователей-ведущих, время начала первой онлайн-трансляции которых меньше или равно пороговому значению времени начала онлайн-трансляции, в первую группу; и

сведение пользователей-ведущих, время начала первой онлайн-трансляции которых превышает пороговое значение времени начала онлайн-трансляции, во вторую группу.

9. Способ по п. 7, в котором первый выборочный вес пользователей-ведущих второго типа и четвертого типа превышает первый выборочный вес пользователей-ведущих, соответственно, первого типа и третьего типа; а

определение первого выборочного веса пользователя-ведущего на основании типа ведущего предусматривает:

определение эффективных оценок пользователей-ведущих второго типа и четвертого типа в качестве первого выборочного веса пользователей-ведущих, соответственно, второго типа и четвертого типа; и

присваивание первому выборочному весу пользователей-ведущих первого типа и третьего типа заданных первых значений, причем эти первые значения будут меньше эффективных оценок пользователей-ведущих первого типа и третьего типа.

10. Способ по любому из предшествующих пп. 1, 2 и 4-9, в котором расчет оценки взаимодействия пользователя-ведущего предусматривает:

определение модели ранжирования, причем модель ранжирования выполнена с возможностью расчета оценки взаимодействия пользователя-ведущего;

получение характерного признака ведущего онлайн-трансляции, связанного с пользователем-ведущим, характерного признака зрителя онлайн-трансляции, связанного с пользователем-зрителем, и характерного признака взаимодействия между пользователем-ведущим и пользователем-зрителем при онлайн-трансляции; и

выдачу оценки взаимодействия путем ввода характерного признака ведущего онлайн-трансляции, характерного признака зрителя онлайн-трансляции и характерного признака взаимодействия при онлайн-трансляции в модель ранжирования для обработки.

11. Способ по п. 10, в котором выдача оценки взаимодействия путем ввода характерного признака ведущего онлайн-трансляции, характерного признака зрителя онлайн-трансляции и характерного признака взаимодействия при онлайн-трансляции в модель ранжирования предусматривает:

определение третьих параметров, соответствующих характерному признаку ведущего онлайн-трансляции, характерному признаку зрителя онлайн-трансляции и характерному признаку взаимодействия при онлайн-трансляции, и четвертого параметра;

получение третьего целевого значения путем расчета суммы произведений характерного признака ведущего онлайн-трансляции и соответствующего третьего параметра, характерного признака зрителя онлайн-трансляции и соответствующего третьего параметра и характерного признака взаимодействия при онлайн-трансляции и соответствующего третьего параметра;

получение четвертого целевого значения путем добавления четвертого параметра к третьему целевому значению; и

получение оценки взаимодействия путем классифицирования четвертого целевого значения с использованием функции логистической регрессии.

12. Способ по п. 11, в котором определение модели ранжирования предусматривает:

определение пользователя-ведущего;

получение характерного признака ведущего онлайн-трансляции, связанного с пользователем-ведущим, характерного признака зрителя онлайн-трансляции, связанного с пользователем-зрителем, и характерного признака взаимодействия между пользователем-ведущим и пользователем-зрителем при онлайн-трансляции;

определение оценки взаимодействия пользователя-ведущего;

задание категории выборки для пользователя-ведущего на основании оценки взаимодействия;

задание второго выборочного веса пользователя-ведущего на основании категории выборки; и

обучение модели ранжирования с использованием характерного признака ведущего онлайн-трансляции, характерного признака зрителя онлайн-трансляции, характерного признака взаимодействия при онлайн-трансляции, второго выборочного веса и категории выборки в качестве обучающей выборки.

13. Способ по п. 12, в котором определение оценки взаимодействия пользователя-ведущего предусматривает:

получение вторых индексов, которые подсчитываются при ведении онлайн-трансляции пользователем-ведущим;

конфигурирование каждого из вторых индексов с весом второго индекса;

расчет произведения второго индекса и веса второго индекса в качестве второй единичной эффективности; и

расчет суммы всех вторых единичных эффективностей в качестве оценки взаимодействия пользователя-ведущего.

14. Способ по п. 12, в котором определение категории выборки для пользователя-ведущего на основании оценки взаимодействия предусматривает:

определение категории выборки для пользователя-ведущего как первой категории в том случае, если оценка взаимодействия превышает заданное пороговое значение взаимодействия; и

определение категории выборки для пользователя-ведущего как второй категории в том случае, если оценка взаимодействия меньше или равна заданному пороговому значению взаимодействия.

15. Способ по п. 14, в котором:

второй выборочный вес пользователя-ведущего первой категории превышает второй выборочный вес пользователя-ведущего второй категории; а

определение второго выборочного веса пользователя-ведущего на основании категории выборки предусматривает:

определение оценки взаимодействия пользователя-ведущего первой категории в качестве второго выборочного веса пользователя-ведущего первой категории; и

определение заданного второго значения в качестве второго выборочного веса пользователя-ведущего второй категории, причем второе значение будет меньше оценки взаимодействия пользователя-ведущего первой категории.

16. Способ по п. 2, в котором расчет всесторонней оценки пользователя-ведущего на основании оценки взаимодействия и типа ведущего предусматривает:

расчет повышающей оценки пользователя-ведущего в том случае, если пользователь-ведущий относится ко второму типу, причем повышающая оценка отрицательно коррелирует с тем, сколько раз выполняется расчет повышающей оценки; и получение всесторонней оценки пользователя-ведущего путем добавления повышающей оценки к оценке взаимодействия; или

определение эффективной оценки пользователя-ведущего, коррекция процентной доли эффективной оценки и расчет произведения оценки взаимодействия и эффективной оценки, процентная доля которой была подвергнута коррекции, в качестве всесторонней оценки пользователя-ведущего в том случае, если пользователь-ведущий относится к четвертому типу ведущих; или

определение оценки взаимодействия в качестве всесторонней оценки пользователя-ведущего в том случае, если пользователь-ведущий относится к первому типу или третьему типу ведущих.

17. Способ по п. 16, в котором расчет повышающей оценки пользователя-ведущего предусматривает:

определение базовой оценки, причем базовая оценка будет меньше оценки взаимодействия пользователя-ведущего заданного ранга;

определение коэффициента повышения, причем коэффициент повышения отрицательно коррелирует с тем, сколько раз рассчитывается повышающая оценка; и

расчет произведения базовой оценки и коэффициента повышения в качестве повышающей оценки.

18. Вычислительное устройство для классификации пользователя-ведущего, содержащее:

по меньшей мере, один процессор; и

память, выполненную с возможностью хранения, по меньшей мере, одной программы;

причем при загрузке и выполнении, по меньшей мере, одной программы инициируется реализация, по меньшей мере, одним процессором способа продвижения информации о ведущих по любому из предшествующих пп. 1-17.

19. Машиночитаемый носитель данных, в котором хранится компьютерная программа; причем компьютерная программа при ее загрузке и выполнении процессором инициирует реализацию этим процессором способа классификации пользователя-ведущего по любому из предшествующих пп. 1-17.