一种业务处理方法、装置、设备及介质与流程

1.本技术涉及计算机技术领域，尤其涉及人工智能领域，具体涉及一种业务处理方法、装置、设备及介质。


背景技术：

2.许多业务场景(如直播业务场景、音乐播放场景等)中，具有对多媒体数据(如视频、图像、音频等)进行识别，并根据识别结果为多媒体数据打上标签的需求。例如：在直播业务场景中，可以对直播视频流进行识别，并根据识别结果为直播数据打上跳舞标签、唱歌标签、运动标签等等。
3.其中，对多媒体数据的识别是依赖于网络模型(或称为业务模型)实现的，网络模型的识别性能对识别结果具有较大的影响。现有技术中，测试网络模型的识别性能是通过对测试素材进行手动开播，并在终端上观察是否准确展示标签，来衡量网络模型的好坏的；这使得对网络模型的测试链路较长，测试效率较低。而如何提高网络模型的测试效率成为研究热点话题。


技术实现要素：

4.本技术实施例提供一种业务处理方法、装置、设备及介质，能够提高对业务模型的测试效率。
5.一方面，本技术实施例提供一种业务处理方法，该方法包括：
6.获取直播业务中的目标直播数据流；
7.调用业务模型对目标直播数据流进行识别处理，得到目标直播数据流的识别结果，识别结果包括目标直播数据流属于目标类别的决策值；
8.根据识别结果对目标直播数据流的标签展示进行决策处理，得到决策结果；以及，
9.基于决策结果对业务模型进行测试。
10.另一方面，本技术实施例提供一种业务处理装置，该装置包括：
11.获取单元，用于获取直播业务中的目标直播数据流；
12.处理单元，用于调用业务模型对目标直播数据流进行识别处理，得到目标直播数据流的识别结果，识别结果包括目标直播数据流属于目标类别的决策值；
13.处理单元，还用于根据识别结果对目标直播数据流的标签展示进行决策处理，得到决策结果；以及，
14.处理单元，还用于基于决策结果对业务模型进行测试。
15.在一种实现方式中，直播业务接入至微服务接口；处理单元用于在获取直播业务中的目标直播数据流时，具体用于：
16.调用微服务接口接收直播业务的目标直播数据流。
17.在一种实现方式中，处理单元用于在调用业务模型对目标直播数据流进行识别处理，得到目标直播数据流的识别结果时，具体用于：
18.对目标直播数据流进行分帧处理，得到目标直播数据流的一个或多个图像帧；
19.调用业务模型对每个图像帧进行识别处理，得到每个图像帧的识别子结果；
20.基于每个图像帧的识别子结果计算得到目标直播数据流的识别结果。
21.在一种实现方式中，决策结果包括第一决策结果；处理单元用于在根据识别结果对目标直播数据流的标签展示进行决策处理，得到决策结果时，具体用于：
22.将决策值与目标类别的决策阈值进行比较；
23.若决策值大于决策阈值，则得到第一决策结果，第一决策结果用于指示目标直播数据流的播放界面中展示目标类别的类别标签。
24.在一种实现方式中，决策结果包括第二决策结果；处理单元，还用于：
25.若决策值不大于决策阈值，则得到第二决策结果，第二决策结果用于指示在目标直播数据流的播放界面中不展示目标类别的类别标签。
26.在一种实现方式中，直播业务包括n个流片段，n为大于1的整数，目标直播数据流为n个流片段中的任一个；处理单元，还用于：
27.调用业务模型对n个流片段中除目标直播数据流以外的n
‑
1个流片段进行识别处理，得到n
‑
1个流片段的识别结果；
28.基于n
‑
1个流片段的识别结果以及目标直播数据流的识别结果生成识别结果曲线图。
29.在一种实现方式中，处理单元用于在基于决策结果对业务模型进行测试时，具体用于：
30.获取目标直播数据流的参考标注，参考标注指示在目标直播数据流的播放界面中应当展示或不展示目标类别的类别标签；
31.将决策结果与参考标注进行比较；
32.若决策结果与参考标注相匹配，则确定业务模型的识别性能满足测试要求；
33.若决策结果与参考标注不匹配，则确定业务模型的识别性能不能满足测试要求。
34.在一种实现方式中，目标直播数据流是测试集中的一个流片段，测试集包括m个流片段及每个流片段对应的参考标注，m为大于1的整数；测试集用于对业务模型进行测试；处理单元用于在基于决策结果对业务模型进行测试时，具体用于：
35.调用业务模型对m个流片段中除目标直播数据流以外的m
‑
1个流片段进行识别处理，得到m
‑
1个流片段的识别结果；
36.根据m
‑
1个流片段的识别结果对m
‑
1个流片段中每个流片段进行决策处理，得到m
‑
1个流片段的决策结果；
37.将m
‑
1个流片段的决策结果以及目标直播数据流的决策结果，与对应的参考标注进行比较；
38.统计决策结果与参考标注相匹配的流片段的目标数量，并基于目标数量和m个流片段生成对业务模型测试的性能测试结果。
39.在一种实现方式中，处理单元，还用于：
40.若性能测试结果大于测试结果阈值，则确业务模型的识别性能满足测试要求；
41.若性能测试结果不大于测试结果阈值，则确定业务模型的识别性能不满足测试要求。
42.在一种实现方式中，若业务模型的识别性能不满足测试要求，则处理单元，还用于：
43.将决策结果与参考标注不匹配的流片段添加至训练集，训练集用于对业务模型进行训练；
44.采用训练集对业务模型进行训练，得到优化后的业务模型。
45.另一方面，本技术提供了一种业务处理设备，该设备包括：
46.处理器，用于加载并执行计算机程序；
47.计算机可读存储介质，该计算机可读存储介质中存储有计算机程序，该计算机程序被处理器执行时，实现上述业务处理方法。
48.另一方面，本技术提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，该计算机程序适于由处理器加载并执行上述业务处理方法。
49.另一方面，本技术提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。业务处理设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该业务处理设备执行上述业务处理方法。
50.本技术实施例中，可获取直播业务中的目标直播数据流，并调用业务模型对该目标直播数据流进行识别处理和决策处理，以便于根据决策处理的决策结果对业务模型进行测试。上述方案中，可直接从直播业务中拉取目标直播数据流进行识别处理和决策处理，无需测试人员手动开播；并采用对目标直播数据流的决策结果来对业务模型进行测试，这种直接从直播业务中拉取目标直播数据流来测试业务模型的方式，缩短了业务模型的测试链路长度，提高业务模型的测试效率。
附图说明
51.为了更清楚地说明本技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
52.图1a示出了本技术一个示例性实施例提供的一种用于对业务模型进行训练和测试的素材信息的示意图；
53.图1b示出了本技术一个示例性实施例提供的一种业务处理系统的架构示意图；
54.图1c示出了本技术一个示例性实施例提供的一种业务处理方案的流程示意图；
55.图1d示出了本技术一个示例性实施例提供的一种业务处理系统的场景示意图；
56.图1e示出了本技术一个示例性实施例提供的一种主流的对业务模型进行测试的架构示意图；
57.图2示出了本技术一个示例性实施例提供的一种业务处理方法的流程示意图；
58.图3示出了本技术一个示例性实施例提供的一种在目标直播数据流的播放界面中展示跳舞标签的示意图；
59.图4示出了本技术一个示例性实施例提供的一种确定展示在播放界面中的类别标签的示意图；
60.图5示出了本技术一个示例性实施例提供的一种业务处理方法的流程示意图；
61.图6示出了本技术一个示例性实施例提供的一种生成识别结果曲线图的示意图；
62.图7示出了本技术一个示例性实施例提供的一种正类流片段的决策值组成的识别结果曲线图的示意图；
63.图8示出了本技术一个示例性实施例提供的一种业务处理装置的结构示意图；
64.图9示出了本技术一个示例性实施例提供的一种业务处理设备的结构示意图。
具体实施方式
65.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
66.下面先对本技术实施例涉及的技术术语和概念进行简单说明，其中：
67.1)人工智能(artificial intelligence，ai)。
68.人工智能是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。人工智能技术是一门综合学科，涉及领域广泛，既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
69.本技术实施例涉及人工智能技术所包含的机器学习/深度学习等方向。其中，机器学习(machine learning,ml)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科，专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、式教学习等技术。机器学习可以被看成一项任务，这个任务的目标就是让机器(广义上的计算机)通过学习来获得类似人类的智能。例如，人类会下围棋，计算机程序(alphago或alphago zero)被设计成掌握了围棋知识、会下围棋的程序。其中，多种方法可用来实现机器学习的任务，比如，神经网络、线性回归、决策树、支持向量机、贝叶斯分类器、强化学习、概率图模型、聚类等多种方法。
70.2)标签。
71.标签可是用于对产品或多媒体数据(如视频、图片、音频等)进行标记的一种标志(或标识)。具体地，标签往往包含与多媒体数据(或产品)相关性很强的关键字，这样通过给多媒体数据打上标签，就可以通过标签表明多媒体数据的特征，进而实现对多媒体数据的分类，有利于帮助用户轻松实现多媒体数据的查看、检索以及分享等。举例来说：在主播进
行直播的过程中，在播放与主播相关的直播数据流(或称为视频流)的播放界面上可显示标签，该标签可用于标记主播执行的动作的类别，以实现对直播数据流的分类。例如，主播在直播唱歌，则在播放界面上显示的标签可以为唱歌标签(如该唱歌标签包含字符串“唱歌”)；再如，主播在直播跳舞，则在播放界面上显示的标签可以为跳舞标签(如该跳舞标签包含字符串“跳舞”)，等等；这样便于用户(如主播或观看直播的观看者)通过直播数据流的标签快速了解直播数据流的特征或类别，进而帮助用户选择所偏好的直播数据流进行观看。
72.为便于阐述，后续均以多媒体数据为直播业务场景下的直播数据流，标签为直播数据流的类别标签为例进行介绍，特在此说明。
73.目前，可以采用业务模型对直播数据流进行识别，以根据识别结果确定直播数据流所属的类别和对应的类别标签；业务模型可是采用样本数据流(或称为样本数据)对机器学习模型(如神经网络模型)进行训练得到，训练后的业务模型具备图像识别、音频识别等功能。因此，业务模型的识别性能直接影响到对直播数据流所属的类别和类别标签的识别的准确性，而如何对业务模型的性能进行测试，以了解业务模型的性能好坏显得尤为重要。其中，一种示例性的用于对业务模型进行训练和测试的素材信息可参见图1a，如图1a所示的第一幅图，用于训练业务模型识别唱歌类别的训练集可包括5000个样本数据流；其中，5000个样本数据流中存在1000个样本数据流所属的类别为唱歌类别，而4000个样本数据流所属的类别为非唱歌类别；用于测试业务模型识别唱歌类别的识别性能的测试集可包括1000个测试数据流，其中，1000个测试数据流中存在200个测试数据流所属的类别为唱歌类别，而800个测试数据流所属的类别为非唱歌类别。同理，用于训练或测试业务模型识别跳舞类别的素材信息可参见图1a所示的第二幅图，其具体实现方式可参见图1a所示的第一幅图的相关描述，在此不作赘述。值得说明的是，上述给出的样本数据流和测试数据流的数量和类别均为示例性的，本技术实施例对样本数据流和测试数据流的数量和类别均不作限定。
74.本技术实施例提出一种对业务模型进行测试的业务处理方案，该方案的架构示意图可参见图1b；如图1b所示，本技术实施例在识别模块和后台服务器之间的位置添加了中间服务，中间服务可以是指flask服务，flask服务是一种轻量级框架，可以用于开发网站或web服务。也就是说，本技术实施例所提供的识别服务是基于flask服务实现的，即识别服务所提供的各个功能(如拆分直播数据流为图像帧的功能、对图像帧进行识别的功能等)均是部署于flask服务上的，这在一定程度上减小开发识别服务的工作量，并且基于flask服务更易于做接口自动化测试；所谓接口自动化测试可是指通过接口直接获取直播数据流(或测试数据流)进行自动化识别，以实现对业务模型的测试，而不需要人工对直播数据流(或测试数据流)进行开播(如触发视频进行播放)实现测试。
75.具体地，在识别服务中新增中间服务后，后台服务器可将测试集中的测试数据流(或直播业务中的直播数据流)主动通过中间服务提供的接口接入，而不需要每次识别均由识别服务主动向后台服务器请求测试数据流。并且，通过接口自动化测试的方式，可及时阻止对无效的直播数据流的识别，在一定程度上提高识别速度和识别效率；所谓无效的直播数据流可是指被取消识别处理的直播数据流等。举例来说，当后台服务器检测到识别模块当前识别的测试数据流为无效的数据流时，后台服务器可主动下发下一个测试数据流，以
使识别模块停止对当前识别的测试数据流的识别任务，而接收并开始执行对该下一个测试数据流的识别任务。并且，每识别一个直播数据流可只创建一个识别线程，复用前一次识别结果，识别性能较好。
76.基于图1b所示的架构示意图，本技术实施例提出的业务处理方案的流程示意图可参见图1c；下面结合图1b和图1c所示的示意图对本技术实施例提出的业务处理方案的流程进行简单介绍：首先，从直播业务中获取目标直播数据流(如任一直播数据流)；其次，调用业务模型对该目标直播数据流进行识别处理，并根据业务模型的识别结果对目标直播数据流的标签展示进行决策处理，得到决策结果，该决策结果指示在目标直播数据流的播放界面中展示或不展示标签；最后，根据决策处理的决策结果对业务模型进行测试。上述过程可直接从直播业务中拉取目标直播数据流，无需测试人员手动开播；并且，采用对目标直播数据流的决策结果来对业务模型进行测试，这缩短了测试业务模型的链路长度，提高对业务模型的测试效率。
77.下面结合实际的业务处理场景来对本技术实施例涉及的业务处理方案进行介绍。请参见图1d，图1d示出了本技术一个示例性实施例提供的一种业务处理系统的架构示意图；如图1d所示，该业务处理系统包括终端101、终端102以及服务器102；其中，本技术实施例对各个终端(如终端101、终端102)的命名和数量、服务器的命名和数量并不作限定。终端101是可用于采集主播所处环境的图像(或视频)的终端设备，该终端可以是任一具备采集图像功能的设备。终端102是观看直播的用户(或简称为观看者)所使用的终端，该终端102可用于接收并展示直播数据流。终端101或终端102可包括但不限于：智能手机、平板电脑、便携式个人计算机、移动互联网设备、智能电视、车载设备、头戴设备等可以进行触屏的智能设备。终端101和终端102中均可运行应用程序(或简称为应用)，来实现直播或观看直播的功能。
78.服务器103可以是前述提及的后台服务器，或者，该服务器103可以是部署有识别服务的图形处理器(graphics processing unit，gpu)；为便于阐述，后续均以服务器为部署有识别服务的设备为例进行说明。具体地，服务器103可以是终端101或终端102的后台服务器，或者服务器103可以是终端101中运行的应用或终端102中运行的应用的后台服务器，用于与运行有应用的终端(如终端101或终端102)进行交互，以为该任一应用提供计算和应用服务支持。服务器103可以是独立的物理服务器，也可以是由多个物理服务器构成的服务器集群或者分布式系统。终端(包括支付终端和用户终端)和服务器可以通过有线或无线方式进行直接或间接地通信连接，本技术实施例并不对终端和服务器之间的连接方式进行限定。
79.结合图1d，本技术实施例所涉及的业务处理场景的整体流程可包括：首先，当主播打开并使用终端101进行直播时，终端101可采集主播所处环境的图像，得到多帧图像组成的直播数据流。其次，服务器103可从终端101中拉取该直播数据流，并对直播数据流进行识别处理以及决策处理，得到决策结果。最后，服务器103根据决策结果对业务模型进行测试，以测试业务模型的识别性能。当然，服务器103还将决策结果发送至观看者所使用的终端102，以便于终端102根据决策结果判断是否在直播数据流的播放界面中展示标签以及展示哪种类别的标签。继续参见图1d，服务器103对直播数据流处理得到决策结果后，若决策结果指示在直播数据流的播放界面中展示直播数据流所属的目标类别的类别标签，则在观看
者所使用的终端102所显示的直播数据流的播放界面上展示目标类别的类别标签104；这有助于帮助观看者快速了解主播所执行的动作，丰富播放界面的显示内容。
80.需要说明的是，服务器103在得到关于直播数据流的决策结果后，也可以将决策结果返回至主播所使用的终端101，以便于终端101根据决策结果判断是否在终端屏幕上展示直播数据流的标签以及展示哪种类别的标签；这样主播可实时了解自己所执行的动作是否被识别服务正确识别，能够更快地反馈直播时所出现的问题。
81.实践发现，采用本技术实施例的方案在对业务模型进行测试时具有显著的优势。下面以本技术方案与现有主流方案进行对比为例来进行说明。现有主流的对业务模型进行测试的方案的架构示意图可参见图1e。如图1e所示，现有的识别服务每执行一次识别操作，均需测试人员主动的手动开播测试数据流，然后通过观察终端屏幕上是否展示标签，来实现对业务模型的测试；使得测试链路较长，会耗费大量的测试人力，测试效率不高。而采用本技术方案的优势如下：本技术实施例提出的业务处理方案在识别服务中添加flask服务，这样更容易实现接口自动化测试，相比于主流的由测试人员对测试数据流手动开播而言，可实现将批量的测试数据流通过接口导入识别服务进行识别，缩短了业务模型的测试链路长度，提高业务模型的测试效率。并且，flask服务还被做成了打分平台，当存在主播或运营人员反馈识别错误的直播数据流时，可以直接将直播数据流(或回放数据流等)输入打分平台，通过打分平台上的决策值来判断业务模型是否对直播数据流识别准确，进而实现快速定位问题，减少排查问题的时间，缩小解决问题的成本。
82.基于上述描述的业务处理方案，本技术实施例提出更为详细的业务处理方法，下面将结合附图对本技术实施例提出的业务处理方法进行详细介绍。
83.图2示出了本技术一个示例性实施例提供的一种业务处理方法的流程示意图；该业务处理方法可以由服务器来执行，该业务处理方法可包括但不限于步骤s201
‑
s204：
84.s201：获取直播业务中的目标直播数据流。
85.具体实现中，本技术实施例支持将直播业务接入至微服务接口，以实现调用微服务接口接收直播业务的目标直播数据流。目标直播数据流可是指直播业务所包含的任一直播数据流，如直播过程中产生的目标时间段(如10秒)的视频流。微服务可以包括flask服务，微服务接口可以是指基于flask服务所开发的、用于接收目标直播数据流的接口。其中，直播业务可以是由任一具有直播功能的应用程序所提供的。应用程序是指为完成某项或多项特定工作的计算机程序。按照应用程序的运行方式，应用程序可包括但不限于：
①
安装并运行于终端中的应用程序。
②
免安装的应用程序，即无需下载安装即可使用的应用程序，这类应用程序又俗称小程序，它通常作为子程序运行于客户端中。
③
通过浏览器打开的web应用程序；等等。本技术实施例对提供直播业务的应用程序的种类不作限定，特在此说明。
86.s202：调用业务模型对目标直播数据流进行识别处理，得到目标直播数据流的识别结果。
87.目标直播数据流的识别结果可包括目标直播数据流属于目标类别的决策值。其中，目标类别与业务模型相对应，即业务模型可用于识别目标类别(如跳舞类别、运动类别、体操类别等等)。目标直播数据流属于目标类别的决策值可用于表示：目标直播数据流属于目标类别的概率；例如，第一目标直播数据流属于目标类别的决策值为50％，第二目标直播数据流属于目标类别的决策值为70％，则可以确定的是：第二目标直播数据流属于目标类
别的概率大于第一目标直播数据流属于目标类别的概率。
88.其中，调用业务模型对目标直播数据流进行识别处理的实现方式可包括：首先，对目标直播数据流进行分帧处理，得到目标直播数据流的一个或多个图像帧；正如前述所描述的，本技术实施例提供的识别服务是基于flask服务实现的，那么基于flask服务可自动实现对目标直播数据流的分帧处理，提高分帧速度和效率，进而提高识别效率。其次，调用业务模型对每个图像帧进行识别处理，得到每个图像帧的识别子结果；任一图像帧的识别子结果可用于指示该任一图像帧属于目标类别的概率。最后，基于每个图像帧的识别子结果得到目标直播数据流的识别结果；具体地，可对目标直播数据流所包含的一个或多个图像帧的识别子结果进行加权计算，得到目标直播数据流的识别结果。
89.举例来说，目标直播数据流包含5个图像帧，其中，图像帧1的识别子结果所包含的决策值为20％、图像帧2的识别子结果所包含的决策值为60％、图像帧3的识别子结果所包含的决策值为50％、图像帧4的识别子结果所包含的决策值为60％以及图像帧5的识别子结果所包含的决策值为50％，那么对5个图像帧的识别子结果所包含的决策值进行平均计算，可得到目标直播数据流的识别结果为(20％+60％+50％+60％+50％)/5＝46％。当然，除用百分数来表示决策值，也可以采用小数、分数等形式来表示目标直播数据流的决策值，本技术实施例对此不作限定。
90.另外，本技术实施例提及的业务模型可支持识别一种类别，或支持同时识别多种类别。在一种实现方式中，业务模型可支持识别一种类别。具体地，假设业务模型可用于识别目标类别，则采用该业务模型对目标直播数据流进行识别处理，得到的识别结果可包括目标直播数据流属于目标类别的决策值。在这种实现方式下，若存在对目标直播数据流进行多种类别的识别的需求，则可同时采用多种支持识别不同类别的业务模型对目标直播数据流分别进行识别，得到目标直播数据流属于每种类别的决策值。举例来说，假设第一业务模型支持识别第一目标类别，第二业务模型支持识别第二目标类别，那么采用第一业务模型对目标直播数据流进行识别，可得到的目标直播数据流属于第一目标类别的决策值；同理，采用第二业务模型对目标直播数据流进行识别，可得到的目标直播数据流属于第二目标类别的决策值。
91.其他实现方式中，业务模型可支持识别多种类别。具体地，假设业务模型可支持识别第一目标类别和第二目标类别，则采用该业务模型对目标直播数据流进行识别处理后，得到的识别结果可包括目标直播数据流属于第一目标类别的决策值和目标直播数据流属于第二目标类别的决策值。举例来说，业务模型可用于识别跳舞类别和唱歌类别，那么采用该业务模型对目标直播数据流进行识别处理后，得到的识别结果可同时包括目标直播数据流属于跳舞类别和唱歌类别的决策值。本技术实施例对业务模型支持识别的类别种类不作限定，在此说明。
92.s203：根据识别结果对目标直播数据流的标签展示进行决策处理，得到决策结果。
93.决策结果可用于指示是否在目标直播数据流的播放界面中展示目标类别的类别标签。决策结果可包括第一决策结果，第一决策结果用于指示在目标直播数据流的播放界面中展示目标类别的类别标签，即目标直播数据流属于目标类别；决策结果还可包括第二决策结果，第二决策结果用于指示在目标直播数据流的播放界面中不展示目标类别的类别标签，即目标直播数据流不属于目标类别。具体实现中，可将识别结果所包含的决策值与目
标类别的决策阈值进行比较；若决策值大于决策阈值，则得到第一决策阈值，表示目标直播数据流属于目标类别；反之，若决策值不大于(即小于或等于)决策阈值，则得到第二决策结果，表示目标直播数据流不属于目标类别。其中，每种类别对应的决策阈值可能并不相同，且决策阈值可以是业务人员根据业务需求预先设定的，本技术实施例对决策阈值的具体取值和设定方式不作限定，在此说明。
94.举例来说，假设调用业务模型对目标直播数据流进行识别处理，得到的识别结果指示目标直播数据流属于跳舞类别的决策值为80，而跳舞类别的决策阈值为70；那么根据该识别结果对目标直播数据流的标签展示进行决策处理，得到的决策结果为第一决策结果，即在目标直播数据流的播放界面中需要展示跳舞标签。一种在目标直播数据流的播放界面中展示跳舞标签的示例性示意图可参见图3，如图3所示，在目标直播数据流的播放界面301中展示有跳舞标签3011，这能帮助观看者快速了解目标直播数据流的类别，而不需要观看者对目标直播数据流进行开播。
95.正如步骤s202所描述的，若同时采用不同业务模型对目标直播数据流进行识别处理，或采用一个具备识别多种类别的业务模型对目标直播数据流进行识别处理，那么得到目标直播数据流的多个识别结果，每个识别结果对应一种类别。在这种实现方式下，根据多个识别结果对目标直播数据流的标签展示进行决策处理，得到决策结果的实现方式可包括：假设目标直播数据流对应的识别结果包括识别结果1、识别结果2以及识别结果3，且识别结果1对应第一类别、识别结果2对应第二类别以及识别结果3对应第三类别；那么分别将各个识别结果所包含的决策值与对应类别的决策阈值进行比较，如将识别结果1所包含的决策值与第一类别的决策阈值进行比较，得到3个决策结果；这样可以根据3个决策结果中包含第一决策结果的数量和第二决策结果的数量，来判断在目标直播数据流的播放界面中是否展示类别标签，以及展示哪种类别的类别标签。
96.下面以目标直播数据流的决策结果的数量为3为例，对根据3个决策结果判断在目标直播数据流的播放界面中展示哪种类别的类别标签，的几种可选的实现方式进行说明。其中：(1)若3个决策结果中每个决策结果均为第二决策结果，即目标直播数据流不属于第一类别、第二类别以及第三类别中的任一类别，则确定在目标直播数据流的播放界面中不展示任何类别标签。(2)若3个决策结果中存在任一个决策结果为第一决策结果，即目标直播数据流属于第一类别、第二类别以及第三类别中的任一类别，如目标直播数据流属于第一类别，则确定在目标直播数据流的播放界面中展示第一类别的类别标签。(3)若3个决策结果中存在至少2个决策结果为第一决策结果，即目标直播数据流属于第一类别、第二类别以及第三类别中的至少两种类别，则确定在目标直播数据流的播放界面中展示该至少两种类别的类别标签；或者，从该至少2种类别中随机选取一种或多种类别的类别标签进行展示；或者，根据权重从该至少2个决策结果对应的决策值中选取出目标决策值(如数值最大的决策值)，并在目标直播数据流的播放界面中展示该目标决策值对应的类别的类别标签。本技术实施例对具体采用上述描述的哪种实现方式来展示类别标签并不作限定，在此说明。
97.结合图4，并以从多个决策值中选取权重最大的决策值对应的类别进行标签展示为例，对多个识别结果下在目标直播数据流的播放界面中展示标签进行简单说明。参见图4，假设存在具备音频识别功能的业务模型1和具备视频识别功能的识别模型2；其中，业务
模型1可识别唱歌类别、聊天类别、音乐类别等，业务模型2可识别跳舞类别、运动类别、秀场类别等等。现采用业务模型1对目标直播数据流1进行识别处理后，得到该目标直播数据流1属于唱歌类别的决策值为70，以及采用业务模型2对目标直播数据流1进行识别处理后，得到该目标直播数据流1属于秀场的决策为50；假设唱歌类别的决策阈值为60，秀场类别的决策阈值为40，那么可以确定目标直播数据流同时属于唱歌类别和秀场类别，但由于目标直播数据流属于唱歌类别的决策值70大于目标直播数据流属于秀场类别的决策值50，因此，确定在目标直播数据流的播放界面中展示唱歌类别的类别标签，唱歌类别的类别标签可如图4所示的类别标签401。同理，假设采用业务模型1和业务模型2对目标直播数据流2进行识别处理后，得到目标直播数据流2属于音乐类别的决策值为60(如音乐类别的决策阈值为50)，而属于运动类别的决策值为70(如运动类别的决策阈值为50)，则确定目标直播数据流同时属于音乐类别和跳舞类别，但由于目标直播数据流属于运动类别的决策值70大于目标直播数据流属于音乐类别的决策值，因此，确定在目标直播数据流的播放界面中展示运动类别的类别标签，运动类别的类别标签可如图4所示的类别标签402。
98.s204：基于决策结果对业务模型进行测试。
99.不难理解的是，目标直播数据流的决策结果是采用业务模型对目标直播数据流进行识别处理得到的，那么可以基于决策结果对业务模型进行测试，以衡量业务模型的识别性能。具体地，可以采用决策结果与目标直播数据流实际标签展示情况(或预期标签展示情况)进行比较，得到比较结果；若比较结果指示决策结果与目标直播数据流预期标签展示情况相匹配(或相同)，则确定业务模型对目标直播数据流识别正确；若比较结果指示决策结果与目标直播数据流预期标签展示情况不匹配，则确定业务模型对目标直播数据流识别错误；因此，采用目标直播数据流的决策结果可对业务模型的识别性能进行测试。举例来说，假设业务模型对目标直播数据流进行识别处理和决策处理，得到的决策结果指示在目标直播数据流的播放界面中不展示跳舞类别的类别标签；但目标直播数据流实际所属的类别为跳舞类别，即应该在目标直播数据流的播放界面中展示跳舞标签，则确定业务模型对目标直播数据流识别错误，进而确定业务模型有待优化。其中，目标直播数据流的预期标签展示情况可以是由主播反馈的，或测试人员对目标直播数据流进行开播后观察到的，本技术实施例对确定目标直播数据流的预期标签展示情况的方式不作限定。
100.基于上述描述，本技术实施例还可以帮助测试人员快速定位主播或运营人员反馈的问题。举例来说，假设主播反馈：在直播数据流的播放界面中未展示跳舞标签，即主播实际执行了跳舞动作，但在直播数据流的播放界面中未展示跳舞标签，则可将该直播数据流输入至识别服务，并由业务模型对该直播数据流进行识别处理和决策处理。若决策结果指示在直播数据流的播放界面中展示跳舞类别的跳舞标签，则确定业务模型对直播数据流识别准确，即业务模型的识别没有出错；此时可以将问题定位至传输决策结果至终端的这段链路，也就是说，在将决策结果返回至终端的这段链路存在问题，导致直播数据流的播放界面中不能展示跳舞类别的类别标签。若决策结果指示在直播数据流的播放界面中不展示跳舞类别的跳舞标签，则确定业务模型对直播数据流识别错误(或识别效果不佳)，即将问题定位至识别服务，以使对业务模型进行优化。通过上述过程，可帮助快速定位主播或运营人员反馈的问题，提高问题排查的效率。
101.综上所述，本技术实施例可获取直播业务中的目标直播数据流，并调用业务模型
对该目标直播数据流进行识别处理和决策处理，以便于根据决策处理的决策结果对业务模型进行测试。上述方案中，可直接从直播业务中拉取目标直播数据流进行识别处理和决策处理，无需测试人员手动开播；并采用对目标直播数据流的决策结果来对业务模型进行测试，这种直接从直播业务中拉取目标直播数据流来对业务模型进行测试的方法，缩短了业务模型的测试链路长度，提高对业务模型的测试效率。
102.图5示出了本技术一个示例性实施例提供的一种业务处理方法的流程示意图；该业务处理方法可以由服务器来执行，该业务处理方法可包括但不限于步骤s501
‑
s507：
103.s501：获取直播业务中的目标直播数据流。
104.s502：调用业务模型对目标直播数据流进行识别处理，得到目标直播数据流的识别结果。
105.需要说明的是，步骤s501
‑
s502的具体实现方式可参见图2所示实施例中步骤s201
‑
s202的具体实现方式的相关描述，在此不作赘述。
106.另外，直播业务可包括n个流片段，n为大于1的整数，目标直播数据流为n个流片段中的任一个。本技术实施例提及的直播业务可以是任一个主播通过应用程序直播时产生的业务，在这种实现方式下，直播业务所包含的n个流片段是同一主播(或通过同一主播所使用的终端)直播时所生成的；或者，直播业务还可以是不同主播通过应用程序直播时产生的业务，在这种实现方式下，直播业务所包含的n个流片段可以是不同主播(或通过不同主播各自所使用的终端)直播时所生成的。
107.直播业务所包含的n个流片段所属的类别可以相同或不同。例如：直播业务是由一个主播直播时产生的，那么当该主播在第一时间段执行跳舞动作时，基于第一时间段生成的流片段所属的类别为跳舞类别；当该主播在第二时间段执行唱歌动作时，基于第二时间段生成的流片段所属的类别为唱歌类别；第一时间段与第二时间段为不同时间段。又如：直播业务是由两个主播直播时产生的，那么当两个主播执行的动作均为跳舞时，基于这两个主播直播所产生的两个流片段所属的类别均为跳舞类别；当两个主播执行的动作分别为跳舞和唱歌时，基于这两个主播直播所产生的流片段所属的类别分别为跳舞类别和唱歌类别。本技术实施例对直播业务所包含的n个流片段所属的类别不作限定。
108.本技术实施例支持对识别到的识别结果进行可视化输出。具体地，可对直播业务所包含的n个流片段进行识别处理，得到n个流片段的n个识别结果；再根据n个流片段的n个识别结果得到识别结果曲线图，实现对识别结果的可视化输出，方便测试人员直接使用n个识别结果；当然，当直播业务中只包含目标直播数据流时，也可以基于目标直播数据流的识别结果生成识别结果曲线图，只不过此时的识别结果曲线图中只包含目标直播数据流属于目标类别的决策值。具体实现中，可调用业务模型对n个流片段中除目标直播数据流以外的n
‑
1个流片段进行识别处理，得到n
‑
1个流片段的识别结果；并基于n
‑
1个流片段的识别结果和目标直播数据流的识别结果生成识别结果曲线图。可以理解的是，调用业务模型对n
‑
1个流片段进行识别处理的过程，与图2所示实施例中描述的调用业务模型对目标直播数据流进行识别处理的过程是类似的，在此不作赘述。
109.下面结合附图6对生成识别结果曲线图进行示例性说明，假设业务模型支持识别目标类别，且支持识别播放长度为10秒的直播数据流，现获取到的直播业务中待识别的直播数据流的播放时长为120秒，则可将120秒的直播数据流切分为12个播放时长为10秒的流
片段，目标直播数据流为12个流片段中的任一个；并调用业务模型根据12个流片段的播放时序依次对12个流片段进行识别处理，以及将得到的12个识别结果依次标注至识别结果曲线图上，得到12个流片段的识别结果曲线图。
110.如图6所示，假设对数据流的第一个流片段(即播放时间段为00:00
‑
00:10)进行识别处理，得到第一个流片段的识别结果包括第一个流片段属于目标类别的决策值为28；对数据流的第二个流片段(即播放时间段为00:10
‑
00:20)进行识别处理，得到第二个流片段的识别结果包括第二个流片段属于目标类别的决策值为50；以及，第三流片段(即播放时间段为00:20
‑
00:30)的决策值为80、第四个流片段(即播放时间段为00:30
‑
00:40)的决策值为92、第五个流片段(即播放时间段为00:40
‑
00:50)的决策值为91、第六个流片段(即播放时间段为00:50
‑
01:00)的决策值为72、第七个流片段(即播放时间段为01:00
‑
01:10)的决策值为40、第八个流片段(即播放时间段为01:10
‑
01:20)的决策值为44、第九个流片段(即播放时间段为01:20
‑
01:30)的决策值为78、第十个流片段(即播放时间段为01:30
‑
01:40)的决策值为89、第十一个流片段(即播放时间段为01:40
‑
01:50)的决策值为89以及第十二个流片段(即播放时间段为01:50
‑
02:00)的决策值为89。假设目标类别的决策阈值为60，那么可以在识别结果曲线图上快速确定12个流片段中决策值大于决策阈值的流片段，即决策值位于决策阈值60以上的各个决策值所对应的流片段，参见图6决策值大于决策阈值的流片段包括：第三流片段、第四个流片段、第五个流片段、第六个流片段、第九个流片段、第十个流片段、第十一个流片段以及第十二个流片段。
111.若接收到主播的反馈信息为：播放时间段01:20
‑
01:30内未展示目标类别的类别标签，即主播在播放时间段01:20
‑
01:30内执行了目标类别的动作，但未在流片段的播放界面中展示目标类别的类别标签。则测试人员可以直接根据识别结果曲线图查找到播放时间段01:20
‑
01:30对应的第九个流片段的决策值，根据第九个流片段的决策值与决策阈值的比较结果，进行问题的排除。例如，第九个流片段的决策值为74大于决策阈值60，则确定业务模型对第九个流片段识别正确，即业务模型正确识别出第九个流片段属于目标类别，可以确定问题出现在决策结果返回至终端的这段链路。综上所述，通过识别结果曲线图可帮助测试人员更好地定位问题，提高问题排查效率。
112.需要说明的是，图6只是一种示例性的识别结果曲线图，在实际应用中，识别结果曲线的表现形式还可以发生适应性变化；例如，在识别结果曲线图上每个决策值的相邻位置处显示决策值的具体数据；等等；本技术实施例对识别结果曲线图的表现形式不作限定。另外，图6中直播业务所包含的12个流片段是对一个完整的直播数据流进行拆分得到，但可以理解的是，直播业务所包含的n个流片段也可以本身就是单独的流片段，本技术实施例对直播业务所包含的流片段的确定方式不作限定。
113.s503：根据识别结果对目标直播数据流的标签展示进行决策处理，得到决策结果。
114.需要说明的是，步骤s503的具体实现方式可参见图2所示实施例中步骤s203的具体实现方式的相关描述，在此不作赘述。
115.s504：获取目标直播数据流的参考标注。
116.目标直播数据流的参考标注可用于指示在目标直播数据流的播放界面中应当展示或不展示目标类别的类别标签；换句话说，目标直播数据流的参考标注包括目标直播数据流正确的决策结果。其中，目标直播数据流的参考标注可以来自于主播，如主播主动反馈
自己所执行的动作类别；或者，参考标注可是测试人员对目标直播数据流进行开播后，为目标直播数据流标注的；等等，本技术实施例对目标直播数据流的参考标注的确定方式不作限定，在此说明。
117.s505：将决策结果与参考标注进行比较。
118.s506：若决策结果与参考标注相匹配，则确定业务模型的识别性能满足测试要求。
119.s507：若决策结果与参考标注不相匹配，则确定业务模型的识别性能不满足测试要求。
120.步骤s505
‑
s507中，在获取到目标直播数据流的参考标注后，可将识别到的目标直播数据流的决策结果与参考标注进行比较，进而判断业务模型是否对目标直播数据流识别准确。若调用业务模型对目标直播数据流进行识别处理和决策处理后，得到的决策结果与参考标注相匹配(如相同)，即业务模型对目标直播数据流所属的目标类别识别准确，则确定业务模型的识别性能满足测试要求。反之，若调用业务模型对目标直播数据流进行识别处理和决策处理后，得到的决策结果与参考标注不匹配(如不相同)，即业务模型对目标直播数据流所属的类别识别错误，则确定业务模型的识别性能不满足测试要求。
121.对业务模型进行测试的实现方式除包括步骤s505
‑
s507所示的根据目标直播数据流的决策结果对业务模型进行测试以外，本技术实施例还支持采用测试集对业务模型进行测试。具体实现中，测试集用于对业务模型进行测试的，目标直播数据流是测试集中的一个流片段，测试集包括m个流片段及每个流片段对应的参考标注，m为大于1的整数；则采用测试集对业务模型进行测试的实现方式可包括：
122.①
调用业务模型对m个流片段中除目标直播数据流以外的m
‑
1个流片段进行识别处理，得到m
‑
1个流片段的识别结果；任一个流片段的识别结果包括该任一个流片段属于目标类别的决策值。
②
根据m
‑
1个流片段的识别结果对m
‑
1个流片段中每个流片段进行决策处理，得到m
‑
1个流片段的决策结果，任一个流片段的决策结果指示在该任一个流片段的播放界面中是否展示目标类别的类别标签。
③
将m
‑
1个流片段的决策结果以及目标直播数据流的决策结果，与对应的参考标注进行比较；换句话说，将每个流片段的决策结果与对应的参考标注进行比较，可得到每个流片段的决策结果是否与对应的参考标注相匹配。
④
统计决策结果与参考标注相匹配的流片段的目标数量，并基于目标数量和m个流片段生成对业务模型测试的性能测试结果；若性能测试结果大于测试结果阈值，则确定业务模型的识别性能满足测试要求；若性能测试结果不大于测试结果阈值，则确定业务模型的识别性能不满足测试要求。其中，性能测试结果是将决策结果与参考批注相匹配的流片段的目标数量，与测试集所包含的总的流片段的数量(即m)进行相除得到的，该性能测试结果能够反映业务模型识别的准确率。
123.举例来说，假设测试集包含6(即m＝6)个流片段，业务模型支持识别目标类别，目标类别的决策阈值为50；则调用业务模型对测试集所包含的每个流片段进行识别处理，可得到6个识别结果；根据6个识别结果对每个流片段进行决策处理，得到6个决策结果。其中，6个识别结果和每个流片段对应的决策结果可参见表1所示。
124.表1
125.流片段识别结果(决策值)决策结果参考标注流片段120不展示类别标签不展示类别标签
流片段255展示类别标签不展示类别标签流片段360展示类别标签展示类别标签流片段446不展示类别标签不展示类别标签流片段570展示类别标签展示类别标签流片段680展示类别标签展示类别标签
126.根据表1所示，可得6个流片段中决策结果与对应的参考标注相匹配的流片段包括：流片段1、流片段3、流片段4、流片段5以及流片段6，则计算业务模型的性能测试结果(或准确率)的过程可参见表2。
127.表2
[0128][0129]
假设测试结果阈值为80％，则确定业务模型的性能测试结果83.33％大于测试结果阈值80％，即确定业务模型的识别性能满足测试要求，表示业务模型的识别性能较好。其中，测试结果阈值可以是业务人员根据业务需求预先设定的，每种业务模型的测试结果阈值可能并不相同，本技术实施例对测试结果阈值的确定方式和具体数值不作限定，在此说明。
[0130]
另外，在确定业务模型的识别性能不满足测试要求后，本技术实施例还支持对业务模型进行优化，以提升业务模型的识别性能。具体地，可以采用训练集对业务模型进行训练，得到优化后的业务模型；其中，训练集用于对业务模型进行训练，训练集中可包括至少一个训练流片段和每个训练流片段的预设标注，至少一个训练流片段中可包括：测试集中决策结果与对应的参考标注不匹配的流片段。也就是说，在采用测试集对业务模型进行测试后，可将决策结果与对应的参考标注不匹配的测试流片段添加至训练集，这样不仅可丰富训练集中的训练流片段的数量，而且可实现针对性地对业务模型进行训练，例如，在测试过程中发现业务模型对某种类型的测试数据流(如测试数据流中包括主播播放的运动的动画卡通)的识别效果不佳，则将这种类型的测试数据流添加至训练集进行训练，可使得优化的业务模型能够更好地识别这种类型的数据流。
[0131]
其中，一种查找测试集中可作为训练流片段添加至训练集的流片段的实现方式可包括：首先，从测试集中筛选出参考标注指示在播放界面中应当展示类别标签的流片段，本技术实施例将应当在播放界面中展示类别标签的流片段称为正类流片段，而将在播放界面中不应当展示类别标签的流片段称为负类流片段；其次，采用业务模型对筛选出的这些正类流片段进行识别处理，得到每个正类流流片段的识别结果，进一步得到测试集中正类流片段对应的识别结果曲线图；最后，检测识别结果曲线图中决策值低于决策阈值的正类流片段，其中，决策值低于决策阈值的正类流片段即是业务模型无法识别类别的流片段，则将决策值低于决策阈值的正类流片段添加至训练集。通过上述过程，方便测试人员直接基于识别结果曲线图快速查找到可用于训练业务模型的流片段，相比于对海量的识别结果进行逐个分析而言，可提高查找用于训练业务模型的流片段的速率。
[0132]
结合附图7对上述实现方式进行示例性介绍，如图7所示，假设测试集包含12个正
类流片段，以及业务模型支持识别目标类别，目标类别的决策阈值为50；那么对12个正类流片段进行识别处理后，得到12个识别结果，该12个识别结果形成识别结果曲线图中的曲线；其中，决策值低于决策阈值的正类流片段包括正类流片段2、正类流片段5以及正类流片段8，即确定业务模型不能准确识别出正类流片段2、正类流片段5以及正类流片段8所属的类别，则确定将正类流片段2、正类流片段5以及正类流片段8作为添加至训练集的训练流片段。这种从识别结果曲线图查找用来训练业务模型的训练流片段的方式，提高查找训练流片段的速率。
[0133]
本技术实施例中，可直接从直播业务中拉取目标直播数据流进行识别处理和决策处理，无需测试人员手动开播；并采用对目标直播数据流的决策结果来对业务模型进行测试，这种直接从直播业务中拉取目标直播数据流来对业务模型进行测试的方法，缩短了业务模型的测试链路长度，提高对业务模型的测试效率。或者，还可以采用测试集对业务模型进行测试，测试集中包括目标直播数据流，这样可以通过较多的测试数据流得到业务模型的准确率，进而确定业务模型的识别性能。另外，测试集中业务模型无法识别的测试数据流还可以添加至训练集，用于对业务模型进行二次训练优化，不仅丰富训练集中样本数据流的数量，而且还可以实现针对性的对业务模型进行测试。
[0134]
上述详细阐述了本技术实施例的方法，为了便于更好地实施本技术实施例的上述方案，相应地，下面提供了本技术实施例的装置。
[0135]
图8示出了本技术一个示例性实施例提供的一种业务处理装置的结构示意图；该业务处理装置可以用于是运行于服务器中的一个计算机程序(包括程序代码)；该业务处理装置可以用于执行图2以及图5所示的方法实施例中的部分或全部步骤。请参见图8，该业务处理装置包括如下单元：
[0136]
获取单元801，用于获取直播业务中的目标直播数据流；
[0137]
处理单元802，用于调用业务模型对目标直播数据流进行识别处理，得到目标直播数据流的识别结果，识别结果包括目标直播数据流属于目标类别的决策值；
[0138]
处理单元802，还用于根据识别结果对目标直播数据流的标签展示进行决策处理，得到决策结果；以及，
[0139]
处理单元802，还用于基于决策结果对业务模型进行测试。
[0140]
在一种实现方式中，直播业务接入至微服务接口；处理单元802用于在获取直播业务中的目标直播数据流时，具体用于：
[0141]
调用微服务接口接收直播业务的目标直播数据流。
[0142]
在一种实现方式中，处理单元802用于在调用业务模型对目标直播数据流进行识别处理，得到目标直播数据流的识别结果时，具体用于：
[0143]
对目标直播数据流进行分帧处理，得到目标直播数据流的一个或多个图像帧；
[0144]
调用业务模型对每个图像帧进行识别处理，得到每个图像帧的识别子结果；
[0145]
基于每个图像帧的识别子结果计算得到目标直播数据流的识别结果。
[0146]
在一种实现方式中，决策结果包括第一决策结果；处理单元802用于在根据识别结果对目标直播数据流的标签展示进行决策处理，得到决策结果时，具体用于：
[0147]
将决策值与目标类别的决策阈值进行比较；
[0148]
若决策值大于决策阈值，则得到第一决策结果，第一决策结果用于指示目标直播
数据流的播放界面中展示目标类别的类别标签。
[0149]
在一种实现方式中，决策结果包括第二决策结果；处理单元802，还用于：
[0150]
若决策值不大于决策阈值，则得到第二决策结果，第二决策结果用于指示在目标直播数据流的播放界面中不展示目标类别的类别标签。
[0151]
在一种实现方式中，直播业务包括n个流片段，n为大于1的整数，目标直播数据流为n个流片段中的任一个；处理单元802，还用于：
[0152]
调用业务模型对n个流片段中除目标直播数据流以外的n
‑
1个流片段进行识别处理，得到n
‑
1个流片段的识别结果；
[0153]
基于n
‑
1个流片段的识别结果以及目标直播数据流的识别结果生成识别结果曲线图。
[0154]
在一种实现方式中，处理单元802用于在基于决策结果对业务模型进行测试时，具体用于：
[0155]
获取目标直播数据流的参考标注，参考标注指示在目标直播数据流的播放界面中应当展示或不展示目标类别的类别标签；
[0156]
将决策结果与参考标注进行比较；
[0157]
若决策结果与参考标注相匹配，则确定业务模型的识别性能满足测试要求；
[0158]
若决策结果与参考标注不匹配，则确定业务模型的识别性能不能满足测试要求。
[0159]
在一种实现方式中，目标直播数据流是测试集中的一个流片段，测试集包括m个流片段及每个流片段对应的参考标注，m为大于1的整数；测试集用于对业务模型进行测试；处理单元802用于在基于决策结果对业务模型进行测试时，具体用于：
[0160]
调用业务模型对m个流片段中除目标直播数据流以外的m
‑
1个流片段进行识别处理，得到m
‑
1个流片段的识别结果；
[0161]
根据m
‑
1个流片段的识别结果对m
‑
1个流片段中每个流片段进行决策处理，得到m
‑
1个流片段的决策结果；
[0162]
将m
‑
1个流片段的决策结果以及目标直播数据流的决策结果，与对应的参考标注进行比较；
[0163]
统计决策结果与参考标注相匹配的流片段的目标数量，并基于目标数量和m个流片段生成对业务模型测试的性能测试结果。
[0164]
在一种实现方式中，处理单元802，还用于：
[0165]
若性能测试结果大于测试结果阈值，则确业务模型的识别性能满足测试要求；
[0166]
若性能测试结果不大于测试结果阈值，则确定业务模型的识别性能不满足测试要求。
[0167]
在一种实现方式中，若业务模型的识别性能不满足测试要求，则处理单元802，还用于：
[0168]
将决策结果与参考标注不匹配的流片段添加至训练集，训练集用于对业务模型进行训练；
[0169]
采用训练集对业务模型进行训练，得到优化后的业务模型。
[0170]
根据本技术的一个实施例，图8所示的业务处理装置中的各个单元可以分别或全部合并为一个或若干个另外的单元来构成，或者其中的某个(些)单元还可以再拆分为功能
上更小的多个单元来构成，这可以实现同样的操作，而不影响本技术的实施例的技术效果的实现。上述单元是基于逻辑功能划分的，在实际应用中，一个单元的功能也可以由多个单元来实现，或者多个单元的功能由一个单元实现。在本技术的其它实施例中，该业务处理装置也可以包括其它单元，在实际应用中，这些功能也可以由其它单元协助实现，并且可以由多个单元协作实现。根据本技术的另一个实施例，可以通过在包括中央处理单元(c pu)、随机存取存储介质(ram)、只读存储介质(rom)等处理元件和存储元件的例如计算机的通用计算设备上运行能够执行如图2以及图5所示的相应方法所涉及的各步骤的计算机程序(包括程序代码)，来构造如图8中所示的业务处理装置，以及来实现本技术实施例的业务处理方法。计算机程序可以记载于例如计算机可读记录介质上，并通过计算机可读记录介质装载于上述计算设备中，并在其中运行。
[0171]
本技术实施例中，获取单元801可用于获取直播业务中的目标直播数据流，并由处理单元802调用业务模型对该目标直播数据流进行识别处理和决策处理，以便于根据决策处理的决策结果对业务模型进行测试。上述方案中，可直接从直播业务中拉取目标直播数据流进行识别处理和决策处理，无需测试人员手动开播；并采用对目标直播数据流的决策结果来对业务模型进行测试，这种直接从直播业务中拉取目标直播数据流来测试业务模型的方式，缩短了业务模型的测试链路长度，提高业务模型的测试效率。
[0172]
图9示出了本技术一个示例性实施例提供的一种业务处理设备的结构示意图。请参见图9，该业务处理设备至少包括处理器901、通信接口902和计算机可读存储介质903。其中，处理器901、通信接口902以及计算机可读存储介质903可通过总线或者其它方式连接。其中，通信接口902用于接收和发送数据。计算机可读存储介质903可以存储在业务处理设备的存储器中，计算机可读存储介质903用于存储计算机程序，计算机程序包括程序指令，处理器901用于执行计算机可读存储介质903存储的程序指令。处理器901(或称cpu(central processing unit，中央处理器))是业务处理设备的计算核心以及控制核心，其适于实现一条或多条指令，具体适于加载并执行一条或多条指令从而实现相应方法流程或相应功能。
[0173]
本技术实施例还提供了一种计算机可读存储介质(memory)，计算机可读存储介质是业务处理设备中的记忆设备，用于存放程序和数据。可以理解的是，此处的计算机可读存储介质既可以包括业务处理设备中的内置存储介质，当然也可以包括业务处理设备所支持的扩展存储介质。计算机可读存储介质提供存储空间，该存储空间存储了业务处理设备的处理系统。并且，在该存储空间中还存放了适于被处理器901加载并执行的一条或多条的指令，这些指令可以是一个或多个的计算机程序(包括程序代码)。需要说明的是，此处的计算机可读存储介质可以是高速ram存储器，也可以是非不稳定的存储器(non
‑
volatile memory)，例如至少一个磁盘存储器；可选的，还可以是至少一个位于远离前述处理器的计算机可读存储介质。
[0174]
在一个实施例中，该业务处理设备可以是前述实施例提到的图形处理器；该计算机可读存储介质中存储有一条或多条指令；由处理器901加载并执行计算机可读存储介质中存放的一条或多条指令，以实现上述业务处理方法实施例中的相应步骤；具体实现中，计算机可读存储介质中的一条或多条指令由处理器901加载并执行如下步骤：
[0175]
获取直播业务中的目标直播数据流；
[0176]
调用业务模型对目标直播数据流进行识别处理，得到目标直播数据流的识别结果，识别结果包括目标直播数据流属于目标类别的决策值；
[0177]
根据识别结果对目标直播数据流的标签展示进行决策处理，得到决策结果；以及，
[0178]
基于决策结果对业务模型进行测试。
[0179]
在一种实现方式中，直播业务接入至微服务接口；计算机可读存储介质中的一条或多条指令由处理器901加载并在获取直播业务中的目标直播数据流时，具体用于执行如下步骤：
[0180]
调用微服务接口接收直播业务的目标直播数据流。
[0181]
在一种实现方式中，计算机可读存储介质中的一条或多条指令由处理器901加载并在调用业务模型对目标直播数据流进行识别处理，得到目标直播数据流的识别结果时，具体用于执行如下步骤：
[0182]
对目标直播数据流进行分帧处理，得到目标直播数据流的一个或多个图像帧；
[0183]
调用业务模型对每个图像帧进行识别处理，得到每个图像帧的识别子结果；
[0184]
基于每个图像帧的识别子结果计算得到目标直播数据流的识别结果。
[0185]
在一种实现方式中，决策结果包括第一决策结果；计算机可读存储介质中的一条或多条指令由处理器901加载并在根据识别结果对目标直播数据流的标签展示进行决策处理，得到决策结果时，具体用于执行如下步骤：
[0186]
将决策值与目标类别的决策阈值进行比较；
[0187]
若决策值大于决策阈值，则得到第一决策结果，第一决策结果用于指示目标直播数据流的播放界面中展示目标类别的类别标签。
[0188]
在一种实现方式中，决策结果包括第二决策结果；计算机可读存储介质中的一条或多条指令由处理器901加载并还用于执行如下步骤：
[0189]
若决策值不大于决策阈值，则得到第二决策结果，第二决策结果用于指示在目标直播数据流的播放界面中不展示目标类别的类别标签。
[0190]
在一种实现方式中，直播业务包括n个流片段，n为大于1的整数，目标直播数据流为n个流片段中的任一个；计算机可读存储介质中的一条或多条指令由处理器901加载并还用于执行如下步骤：
[0191]
调用业务模型对n个流片段中除目标直播数据流以外的n
‑
1个流片段进行识别处理，得到n
‑
1个流片段的识别结果；
[0192]
基于n
‑
1个流片段的识别结果以及目标直播数据流的识别结果生成识别结果曲线图。
[0193]
在一种实现方式中，计算机可读存储介质中的一条或多条指令由处理器901加载并在基于决策结果对业务模型进行测试时，具体用于执行如下步骤：
[0194]
获取目标直播数据流的参考标注，参考标注指示在目标直播数据流的播放界面中应当展示或不展示目标类别的类别标签；
[0195]
将决策结果与参考标注进行比较；
[0196]
若决策结果与参考标注相匹配，则确定业务模型的识别性能满足测试要求；
[0197]
若决策结果与参考标注不匹配，则确定业务模型的识别性能不能满足测试要求。
[0198]
在一种实现方式中，目标直播数据流是测试集中的一个流片段，测试集包括m个流
片段及每个流片段对应的参考标注，m为大于1的整数；测试集用于对业务模型进行测试；计算机可读存储介质中的一条或多条指令由处理器901加载并在基于决策结果对业务模型进行测试时，具体用于执行如下步骤：
[0199]
调用业务模型对m个流片段中除目标直播数据流以外的m
‑
1个流片段进行识别处理，得到m
‑
1个流片段的识别结果；
[0200]
根据m
‑
1个流片段的识别结果对m
‑
1个流片段中每个流片段进行决策处理，得到m
‑
1个流片段的决策结果；
[0201]
将m
‑
1个流片段的决策结果以及目标直播数据流的决策结果，与对应的参考标注进行比较；
[0202]
统计决策结果与参考标注相匹配的流片段的目标数量，并基于目标数量和m个流片段生成对业务模型测试的性能测试结果。
[0203]
在一种实现方式中，计算机可读存储介质中的一条或多条指令由处理器901加载并还用于执行如下步骤：
[0204]
若性能测试结果大于测试结果阈值，则确业务模型的识别性能满足测试要求；
[0205]
若性能测试结果不大于测试结果阈值，则确定业务模型的识别性能不满足测试要求。
[0206]
在一种实现方式中，若业务模型的识别性能不满足测试要求，则计算机可读存储介质中的一条或多条指令由处理器901加载并还用于执行如下步骤：
[0207]
将决策结果与参考标注不匹配的流片段添加至训练集，训练集用于对业务模型进行训练；
[0208]
采用训练集对业务模型进行训练，得到优化后的业务模型。
[0209]
本技术实施例中，通信接口902可获取直播业务中的目标直播数据流，并由处理器901调用业务模型对该目标直播数据流进行识别处理和决策处理，以便于根据决策处理的决策结果对业务模型进行测试。上述方案中，可直接从直播业务中拉取目标直播数据流进行识别处理和决策处理，无需测试人员手动开播；并采用对目标直播数据流的决策结果来对业务模型进行测试，这种直接从直播业务中拉取目标直播数据流来测试业务模型的方式，缩短了业务模型的测试链路长度，提高业务模型的测试效率。
[0210]
本技术实施例还提供一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。业务处理设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该业务处理设备执行上述业务处理方法。
[0211]
本领域普通技术人员可以意识到，结合本技术中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用，使用不同方法来实现所描述的功能，但是这种实现不应认为超出本技术的范围。
[0212]
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行计算机程序指令时，全部或部分地产
生按照本发明实施例所述的流程或功能。计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程设备。计算机指令可以存储在计算机可读存储介质中，或者通过计算机可读存储介质进行传输。计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如，同轴电缆、光纤、数字用户线(dsl))或无线(例如，红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。可用介质可以是磁性介质(例如，软盘、硬盘、磁带)、光介质(例如，dvd)、或者半导体介质(例如，固态硬盘(solid state disk，ssd))等。
[0213]
以上所述，仅为本技术的具体实施方式，但本技术的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本技术的保护范围之内。因此，本技术的保护范围应以所述权利要求的保护范围为准。