直播视频动态缓存方法与流程

1.本发明涉及直播领域，更具体地，涉及一种直播视频动态缓存方法。


背景技术：

2.随着互联网的兴起，越来越多的网站通过对网络直播节目的整合，最大限度去满足受众的观看需求。与电影单一的过去时空相比，电视直播可显现的时空既有现在时又有过去时，而网络直播除具备电视的两大时空之外还具有压缩时空的功能。如同步的文字直播、图片直播、赛事直播、手机直播和比分直播等等各种直播频道和样式。随着社会的发展效率已经让大家知道直播的好处，减少成本，加快信息的传播。
3.现有技术中，短视频作为各个直播应用程序的主要媒体业务成为直播运营商研发的重点，每一家直播运营商希望能够通过研发自家的直播应用程序以提升用户的观看体验，从而收获或者保留更多的人流量以提升自家的经济效益。
4.然而，当短视频在直播应用程序处播放时，仍存在一些播控问题需要解决，例如，无法根据用户的观看习惯为用户提供适合其观看习惯的视频数据缓存速度，导致缓存的视频数据或者提前量过多造成资源的浪费，或者提前量过少造成用户长时间等待视频缓存结果。


技术实现要素：

5.为了解决现有技术中的技术问题，本发明提供了一种直播视频动态缓存方法，能够对直播应用程序进行针对性升级，为直播应用程序播放的每一种视频类型的短视频片段，根据用户对同一视频类型的观看习惯，提供不同的缓存速度以获取具有锚点的缓存数据量，从而避免缓存的视频数据提前量过多造成资源的浪费，同时避免提前量过少造成用户长时间等待视频缓存结果。
6.根据本发明的一方面，提供了一种直播视频动态缓存方法，所述方法包括：
7.在直播应用程序每播放一个短视频片段时，记录所述短视频片段对应的视频类型以及所述短视频片段对应的均速播放倍率；
8.基于视频类型对已播放过的短视频片段进行分类处理，以获得每一视频类型对应的设定数目的多个已播放过的短视频片段；
9.针对每一视频类型，将设定数目的多个已播放过的短视频片段分别对应的多个均速播放倍率作为基于所述视频类型定制的智能预测模型的多个输入信号并运行所述智能预测模型以获得直播应用程序下一个同类型的短视频片段的预测均速播放倍率；
10.基于接收到的预测均速播放倍率实现对直播应用程序下一个同类型的短视频片段的播放缓存速度的调整；
11.其中，所述智能预测模型为经过多次训练的全连接神经网络，所述全连接神经网络为多输入单输出结构；
12.其中，所述智能预测模型为经过多次训练的全连接神经网络，所述全连接神经网
络为多输入单输出结构包括：针对的视频类型的短视频的数量越多，训练的次数的取值越多；
13.其中，将设定数目的多个已播放过的短视频片段分别对应的多个均速播放倍率作为基于所述视频类型定制的智能预测模型的多个输入信号并运行所述智能预测模型以获得直播应用程序下一个同类型的短视频片段的预测均速播放倍率包括：所述设定数目的取值与针对的视频类型的短视频平均总录制时长的数值成正比；
14.其中，基于接收到的预测均速播放倍率实现对直播应用程序下一个同类型的短视频片段的播放缓存速度的调整包括：调整后的直播应用程序下一个同类型的短视频片段的播放缓存速度与接收到的预测均速播放倍率正向关联；
15.其中，记录所述短视频片段对应的视频类型以及所述短视频片段对应的均速播放倍率包括：所述短视频片段对应的均速播放倍率为所述短视频的总录制时长除以所述短视频片段播放完耗费的时长所获得的播放倍率。
16.本发明的直播视频动态缓存方法锚点有效、运行稳定。由于能够根据用户对同一视频类型的观看习惯，提供不同的缓存速度以获取具有锚点的缓存数据量，从而在节省视频缓存数据和保证用户观看效果之间达到动态均衡。
17.附图简要说明
18.本领域技术人员通过参考附图可更好理解本发明的众多优点，其中：
19.图1是依照本发明第一实施例的直播视频动态缓存方法的步骤流程图。
20.图2是依照本发明第二实施例的直播视频动态缓存方法的步骤流程图。
21.图3是依照本发明第三实施例的直播视频动态缓存方法的步骤流程图。
具体实施方式
22.缓存速度指的是从缓存中读取数据和存入数据的速度。缓存是内存中少部分数据的复制品，所以cpu到缓存中寻找数据时，也会出现找不到的情况(因为这些数据没有从内存复制到缓存中去)，这时cpu还是会到内存中去找数据，这样系统的速率就慢下来了，不过cpu会把这些数据复制到缓存中去，以便下一次不要再到内存中去取。
23.现有技术中，短视频作为各个直播应用程序的主要媒体业务成为直播运营商研发的重点，每一家直播运营商希望能够通过研发自家的直播应用程序以提升用户的观看体验，从而收获或者保留更多的人流量以提升自家的经济效益。
24.然而，当短视频在直播应用程序处播放时，仍存在一些播控问题需要解决，例如，无法根据用户的观看习惯为用户提供适合其观看习惯的视频数据缓存速度，导致缓存的视频数据或者提前量过多造成资源的浪费，或者提前量过少造成用户长时间等待视频缓存结果。
25.现在，将针对公开的主题参照附图对本发明进行具体的说明。
26.本发明至少具备以下几处显著的实质性进步：第一处、对直播应用程序已播放的各个短视频片段进行分类处理，针对每一视频类型，基于过往短视频片段的均速播放倍率实现对直播应用程序下一个同类型的短视频片段的播放缓存速度的调整，其中，调整后的直播应用程序下一个同类型的短视频片段的播放缓存速度与过往短视频片段的均速播放倍率正向关联，从而实现基于同类型历史播放数据的短视频播放缓存速度的动态修改；第
二处、为每一视频类型定制不同数量输入信号以及不同训练次数的智能预测模型以执行下一个同类型的短视频片段的播放缓存速度的智能预测，其中，视频类型的短视频的数量越多，训练的次数的取值越多，以及输入信号的数量与视频类型的短视频平均总录制时长的数值成正比。
27.图1是依照本发明第一实施例的直播视频动态缓存方法的步骤流程图，所述方法包括：
28.步骤s103：在直播应用程序每播放一个短视频片段时，记录所述短视频片段对应的视频类型以及所述短视频片段对应的均速播放倍率；
29.步骤s104：基于视频类型对已播放过的短视频片段进行分类处理，以获得每一视频类型对应的设定数目的多个已播放过的短视频片段；
30.步骤s105：针对每一视频类型，将设定数目的多个已播放过的短视频片段分别对应的多个均速播放倍率作为基于所述视频类型定制的智能预测模型的多个输入信号并运行所述智能预测模型以获得直播应用程序下一个同类型的短视频片段的预测均速播放倍率；
31.步骤s106：基于接收到的预测均速播放倍率实现对直播应用程序下一个同类型的短视频片段的播放缓存速度的调整；
32.其中，所述智能预测模型为经过多次训练的全连接神经网络，所述全连接神经网络为多输入单输出结构；
33.其中，所述智能预测模型为经过多次训练的全连接神经网络，所述全连接神经网络为多输入单输出结构包括：针对的视频类型的短视频的数量越多，训练的次数的取值越多；
34.其中，将设定数目的多个已播放过的短视频片段分别对应的多个均速播放倍率作为基于所述视频类型定制的智能预测模型的多个输入信号并运行所述智能预测模型以获得直播应用程序下一个同类型的短视频片段的预测均速播放倍率包括：所述设定数目的取值与针对的视频类型的短视频平均总录制时长的数值成正比；
35.其中，基于接收到的预测均速播放倍率实现对直播应用程序下一个同类型的短视频片段的播放缓存速度的调整包括：调整后的直播应用程序下一个同类型的短视频片段的播放缓存速度与接收到的预测均速播放倍率正向关联；
36.其中，记录所述短视频片段对应的视频类型以及所述短视频片段对应的均速播放倍率包括：所述短视频片段对应的均速播放倍率为所述短视频的总录制时长除以所述短视频片段播放完耗费的时长所获得的播放倍率。
37.接着，继续对本发明的直播视频动态缓存方法的具体结构进行进一步的说明。
38.图2是依照本发明第二实施例的直播视频动态缓存方法的步骤流程图，与本发明的第一实施例相比，所述直播视频动态缓存方法中还可以包括：
39.在步骤s103：直播应用程序每播放一个短视频片段时，记录所述短视频片段对应的视频类型以及所述短视频片段对应的均速播放倍率之前：
40.步骤s101：基于直播应用程序的播放用户的输入操作，触发直播应用程序的每一个短视频片段的播放。
41.图3是依照本发明第三实施例的直播视频动态缓存方法的步骤流程图，与本发明
的第一实施例相比，所述直播视频动态缓存方法中还可以包括：
42.在步骤s103：直播应用程序每播放一个短视频片段时，记录所述短视频片段对应的视频类型以及所述短视频片段对应的均速播放倍率之前：
43.步骤s102：基于直播应用程序的默认短视频播放顺序，依次自动触发直播应用程序的每一个短视频片段的播放。
44.在本发明的各个实施例的直播视频动态缓存方法中：
45.记录所述短视频片段对应的视频类型以及所述短视频片段对应的均速播放倍率还包括：所述短视频片段对应的视频类型包括剪辑、美妆、生活、旅游、才艺、美食、育儿、文化和游戏。
46.在本发明的各个实施例的直播视频动态缓存方法中：
47.所述智能预测模型为经过多次训练的全连接神经网络，所述全连接神经网络为多输入单输出结构包括：对所述全连接神经网络执行每一次训练时，将属于针对的视频类型的某一已播放过的短视频对应的均速播放倍率作为所述全连接神经网络的单个输出信号。
48.在本发明的各个实施例的直播视频动态缓存方法中：
49.所述智能预测模型为经过多次训练的全连接神经网络，所述全连接神经网络为多输入单输出结构还包括：对所述全连接神经网络执行每一次训练时，将所述某一已播放过的短视频之前设定数目的多个已播放过的短视频片段分别对应的多个均速播放倍率作为基于所述全连接神经网络的多个输入信号。
50.在本发明的各个实施例的直播视频动态缓存方法中：
51.针对每一视频类型，将设定数目的多个已播放过的短视频片段分别对应的多个均速播放倍率作为基于所述视频类型定制的智能预测模型的多个输入信号并运行所述智能预测模型以获得直播应用程序下一个同类型的短视频片段的预测均速播放倍率包括：对每一个已播放过的短视频片段对应的均速播放倍率进行十六进制编码处理以获得对应的十六进制编码数据以作为单个输入信号输入基于所述视频类型定制的智能预测模型。
52.在本发明的各个实施例的直播视频动态缓存方法中：
53.针对每一视频类型，将设定数目的多个已播放过的短视频片段分别对应的多个均速播放倍率作为基于所述视频类型定制的智能预测模型的多个输入信号并运行所述智能预测模型以获得直播应用程序下一个同类型的短视频片段的预测均速播放倍率包括：运行所述智能预测模型获得的单个输出信号被十六进制解码处理后获得的数据作为直播应用程序下一个同类型的短视频片段的预测均速播放倍率。
54.在本发明的各个实施例的直播视频动态缓存方法中，所述方法还可以包括：
55.不同视频类型的短视频片段的播放参数存储在运行所述直播应用程度的播放终端的不同存储空间内。
56.另外，在本发明的各个实施例的直播视频动态缓存方法中，所述智能预测模型为经过多次训练的全连接神经网络，所述全连接神经网络为多输入单输出结构包括：可以采用经过多次训练的深度反馈神经网络替换经过多次训练的全连接神经网络以作为所述智能预测模型，所述深度反馈神经网络包括单个输出层、单个输入层和多个隐藏层。
57.应当相信，通过以上说明将理解到本发明和许多其伴随的优点，明显的是，可在组件的形式，结构和安排中做出各种改变而不背离公开主题或不牺牲其所有实质性优点。说
明的形式仅仅是解释性的。
58.本领域技术人员应当认识到，本技术领域的状态可包括进步到其中在系统各个方面的硬件，软件，和/或固件实施方式之间可能存在留下的较小区别的点；硬件，软件，和/或固件的使用一般可能是(但不总是，在其中在硬件和软件之间的选择可能变得重要的某些情况中)表示成本对比效率权衡的设计选择。本领域技术人员应当理解，可能存在通过其可影响这里所述的过程和/或系统和/或其他技术的各种载体(如，硬件，软件，和/或固件)，其优选载体将随着其中可部署过程和/或系统和/或其他技术的情况而变化。例如，如果实施者确定了速度和精度可能是最重要的，实施者可选择主要硬件和/或固件载体；或者，如果灵活度可能是最重要的，实施者可选择主要软件的实施方式；或，再或者，实施者可选择硬件，软件，和/或固件的一些组合。因此，可能存在数个可能的载体，通过这些载体，可影响到这里所述的过程和/或装置和/或其他技术，其中任何一个不会天生优于其他，其中即将利用的任意载体可能是基于其中将部署载体的情况和实施者的特定关注(如，速度，灵活度，或可预测性)的选择，其中任意一个可能变化。本领域技术人员应当认识到，实施方式的光学方面将典型地利用光学导向的硬件，软件，和或固件。