直播业务数据处理方法及其装置、设备、介质与流程

1.本技术涉及网络直播技术领域，尤其涉及一种直播业务数据处理方法及其相应的装置、计算机设备以及计算机可读存储介质。


背景技术：

2.提供网络直播服务的网络直播平台，通常会在其平台的访问网站或者应用程序中植入多个直播业务，每个直播业务通常对应一个访问页面，用于针对用户提供同一类服务相对应的数据集，使得终端设备可以根据所述的数据集解析出具体数据进行界面展现。
3.同一平台中，一方面，数据是多源的，数据访问协议也是多样化的，不同的数据来源于不同的数据库或数据表，可能需要通过不同协议进行调用；另一方面，直播业务也是多样化的，不同的直播业务所需求的数据项及数据加工结果不同。由是，随着平台的发展，根据熵增定律，平台数据越来越杂乱，进而降低平台的运行效率和数据访问效率，影响用户体验。
4.更深入的问题在于，繁杂无序的数据，将导致新的直播业务获取其所需求的数据的难度大大增加，从而导致平台新型业务的开发难度进一步加大。
5.有鉴于以上各方面，需要对直播平台中的直播业务所需的数据的处理方式进行改进。


技术实现要素：

6.本技术的首要目的在于解决上述问题至少之一而提供一种直播业务数据处理方法及其相应的装置、计算机设备以及计算机可读存储介质。
7.为满足本技术的各个目的，本技术采用如下技术方案：
8.适应本技术的目的之一而提出的一种直播业务数据处理方法，包括如下步骤：
9.获取直播业务相对应的数据定义模板，所述数据定义模板包含所述直播业务所需调用的分布于多个数据源的数据项和用于对该些数据项执行预定义操作的操作项，所述数据项包含主播用户的属性数据项，所述操作项包括一个或多个属性标签；
10.根据数据定义模板中的操作项，对多个数据源中相应的所述数据项执行所述操作项相对应的预定义操作，确定出与所述操作项中的属性标签相对应的数据集，所述数据集包括多个主播用户相对应的数据项子集；
11.响应终端设备对直播业务的数据调用指令，向该终端设备推送该直播业务相应的数据集。
12.深化的部分实施例中，根据数据定义模板中的操作项，对多个数据源中相应的所述数据项执行所述操作项相对应的预定义操作，确定出与所述操作项中的属性标签相对应的数据集，包括如下步骤：
13.解析所述数据定义模板，确定出其中的各个数据源中的数据项及操作项；
14.应用分布式锁调用获取所述各个数据源中的所述数据项，根据所述数据项关联于
相同主播用户而确定出各个主播用户的数据项子集；
15.采用预先训练至收敛状态的智能分类模型，根据各个数据项子集，确定其相应的各个主播用户的属性标签；
16.筛选出属性标签与所述操作项中的属性标签相匹配的主播用户数据项子集；
17.对各个主播用户的数据项子集进行格式化，构造为标准化格式的数据集。
18.扩展的部分实施例中，所述智能分类模型被预先迭代训练至收敛状态，其训练过程包括如下步骤：
19.从训练数据集中调用单个训练样本，所述训练样本包括一个主播用户的多个属性数据项相对应的属性数据；
20.将所述训练样本中的属性数据进行向量化，获得样本向量；
21.将所述样本向量输入智能分类模型中进行语义提取和分类映射，获得分类预测出的属性标签；
22.根据所述训练样本相对应的属性标签计算智能分类模型预测出的属性标签的损失值；
23.根据所述损失值对智能分类模型实施梯度更新，或继续迭代训练直至模型达至收敛状态。
24.扩展的部分实施例中，筛选出属性标签与所述操作项中的属性标签相匹配的主播用户数据项子集的步骤之后，包括如下步骤：
25.获取各个主播用户相对应确定的各个属性标签的热度数据，所述热度数据根据所述主播用户的直播间的用户行为数据统计确定；
26.根据所述热度数据对各个主播用户的数据项子集进行排序，以使后续生成的数据集保持相应的排序。
27.扩展的部分实施例中，获取各个主播用户相对应确定的各个属性标签的热度数据的步骤之前，包括如下步骤：
28.获取关联于每一主播用户的用户行为数据，所述用户行为数据对应该主播用户的直播间被用户关注、被用户送礼、被用户进入相对应的访问事件所产生的描述数据；
29.对所述用户行为数据进行统计，获得各个主播用户相对应的用户热度，所述用户热度为多种所述的访问事件的数量的加权统计结果；
30.对应预设的属性标签体系中的各个属性标签，将携带所述属性标签的主播用户的用户热度进行累加，获得该属性标签相对应的累加热度；
31.根据所述属性标签体系中的各个属性标签的累加热度进行归一化，获得各个属性标签相对应的热度数据。
32.扩展的部分实施例中，获取直播业务相对应的数据定义模板的步骤之后，包括如下步骤：
33.根据定时任务触发而将直播业务相对应的数据定义模板中指定数据项从其相应的数据源中调度到二级缓存中以供调用；
34.将根据二级缓存中的数据源的数据项执行操作所获得的数据集存储于一级缓存中。
35.扩展的部分实施例中，获取直播业务相对应的数据定义模板的步骤之前，包括如
下步骤：
36.运行数据源适配服务，向外部数据源开放接口，以实现外部数据源接入而参与为直播业务提供所述的数据集的数据。
37.适应本技术的目的之一而提供的一种直播业务数据处理装置，包括模板调用模块、数据加工模块，以及数据推送模块，其中：所述模板调用模块，用于获取直播业务相对应的数据定义模板，所述数据定义模板包含所述直播业务所需调用的分布于多个数据源的数据项和用于对该些数据项执行预定义操作的操作项，所述数据项包含主播用户的属性数据项，所述操作项包括一个或多个属性标签；所述数据加工模块，用于根据数据定义模板中的操作项，对多个数据源中相应的所述数据项执行所述操作项相对应的预定义操作，确定出与所述操作项中的属性标签相对应的数据集，所述数据集包括多个主播用户相对应的数据项子集；所述数据推送模块，用于响应终端设备对直播业务的数据调用指令，向该终端设备推送该直播业务相应的数据集。
38.深化的部分实施例中，所述数据加工模块，包括：模板解析单元，用于解析所述数据定义模板，确定出其中的各个数据源中的数据项及操作项；子集加工单元，用于应用分布式锁调用获取所述各个数据源中的所述数据项，根据所述数据项关联于相同主播用户而确定出各个主播用户的数据项子集；标签确定单元，用于采用预先训练至收敛状态的智能分类模型，根据各个数据项子集，确定其相应的各个主播用户的属性标签；主播筛选单元，用于筛选出属性标签与所述操作项中的属性标签相匹配的主播用户数据项子集；格式统一单元，用于对各个主播用户的数据项子集进行格式化，构造为标准化格式的数据集。
39.扩展的部分实施例中，所述智能分类模型被置于训练模块中预先迭代训练至收敛状态，所述训练模块包括：样本调用单元，用于从训练数据集中调用单个训练样本，所述训练样本包括一个主播用户的多个属性数据项相对应的属性数据；向量编码单元，用于将所述训练样本中的属性数据进行向量化，获得样本向量；分类映射单元，用于将所述样本向量输入智能分类模型中进行语义提取和分类映射，获得分类预测出的属性标签；损失计算单元，用于根据所述训练样本相对应的属性标签计算智能分类模型预测出的属性标签的损失值；迭代决策单元，用于根据所述损失值对智能分类模型实施梯度更新，或继续迭代训练直至模型达至收敛状态。
40.扩展的部分实施例中，所述数据加工模块包括后于所述主播筛选单元运行的如下单元：热度调用单元，用于获取各个主播用户相对应确定的各个属性标签的热度数据，所述热度数据根据所述主播用户的直播间的用户行为数据统计确定；排序处理单元，用于根据所述热度数据对各个主播用户的数据项子集进行排序，以使后续生成的数据集保持相应的排序。
41.扩展的部分实施例中，所述数据加工模块包括先于所述热度调用单元运行的如下单元：数据描述单元，用于获取关联于每一主播用户的用户行为数据，所述用户行为数据对应该主播用户的直播间被用户关注、被用户送礼、被用户进入相对应的访问事件所产生的描述数据；数据统计单元，用于对所述用户行为数据进行统计，获得各个主播用户相对应的用户热度，所述用户热度为多种所述的访问事件的数量的加权统计结果；热度累加单元，用于对应预设的属性标签体系中的各个属性标签，将携带所述属性标签的主播用户的用户热度进行累加，获得该属性标签相对应的累加热度；热度确定单元，用于根据所述属性标签体
系中的各个属性标签的累加热度进行归一化，获得各个属性标签相对应的热度数据。
42.扩展的部分实施例中，本技术的直播业务数据处理装置，还包括后于所述模板调用模块运行的如下模块：二级缓存模块，用于根据定时任务触发而将直播业务相对应的数据定义模板中指定数据项从其相应的数据源中调度到二级缓存中以供调用；一级缓存模块，用于将根据二级缓存中的数据源的数据项执行操作所获得的数据集存储于一级缓存中。
43.扩展的部分实施例中，本技术的直播业务数据处理装置，还包括先于所述模板调用模块运行的数据适配模块，用于运行数据源适配服务，向外部数据源开放接口，以实现外部数据源接入而参与为直播业务提供所述的数据集的数据。
44.适应本技术的目的之一而提供的一种计算机设备，包括中央处理器和存储器，所述中央处理器用于调用运行存储于所述存储器中的计算机程序以执行本技术所述的直播业务数据处理方法的步骤。
45.适应本技术的另一目的而提供的一种计算机可读存储介质，其以计算机可读指令的形式存储有依据所述的直播业务数据处理方法所实现的计算机程序，该计算机程序被计算机调用运行时，执行该方法所包括的步骤。
46.适应本技术的另一目的而提供的一种计算机程序产品，包括计算机程序/指令，该计算机程序/指令被处理器执行时实现本技术任意一种实施例中所述方法的步骤。
47.相对于现有技术，本技术具有多方面的技术优势，包括但不限于如下所揭示的各个方面：
48.首先，本技术利用直播业务与数据定义模板之间的对应关系，通过数据定义模板中的数据项及操作项实现对不同直播业务所需调用的数据的标准化表示，其中数据项包括各个主播用户相对应的属性数据项，而所述操作项包括一个或多个属性标签，由此，操作项可以发挥预定义操作的作用，后续根据数据定义模板获得该直播业务相对应的相关数据项，根据所述属性数据项与所述属性标签的关联关系，确定出包含了多个主播用户的数据项子集的数据集，也即与所述属性标签存在某种预定义操作上的对应关系的主播用户相对应的数据项子集，故所述的数据项子集起到对主播用户进行关联描述的作用，在终端设备需要加载所述的直播业务相应的页面并向服务器发起请求时，便可将所述的数据集推送给相应的终端设备，使相应的终端设备根据所述数据集中的主播用户的数据项子集展示各个主播用户的关键信息。
49.其次，本技术中，数据定义模板一方面实现对多个数据源的数据项的集中定义，另一方面预先与直播业务对应关联，因而实现了对数据源与直播业务的对应关系的映射梳理，对于直播平台而言，开发人员得以通过维护数据定义模板而保持有序调用多个数据源的数据项，由此服务于相应的直播业务而加工处理数据，直播业务及其所需的数据项之间始终保持有序管理，无需另行获取数据项，不仅可以有效避免各个数据源重复获取不同直播业务所需的相同数据项的情况，最小化熵增定律的影响，而且更方便开发人员对各个直播业务所需调用的数据项之间的数据逻辑进行维护。
50.此外，本技术由于梳理了直播业务与其所需调用的数据之间的关系，优化数据存储、访问等各个环节的资源占用，可以节省服务机群的存储和运行载荷，从而节省平台系统开销，节约平台部署成本。
附图说明
51.本技术上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
52.图1为本技术的直播业务数据处理方法的典型实施例的流程示意图；
53.图2和图3均为示例性的图形用户界面，分别示出“猜您喜欢”、“热门”相对应的直播业务的界面效果；
54.图4为本技术的实施例中根据数据定义模板获取直播业务相对应的数据集的过程的流程示意图；
55.图5为本技术的实施例中，示例性的智能分类模型的训练过程的流程示意图；
56.图6为本技术的实施例中，确定各个属性标签的热度数据的过程的流程示意图；
57.图7为本技术的直播业务数据处理装置的原理框图；
58.图8为本技术所采用的一种计算机设备的结构示意图；
具体实施方式
59.下面详细描述本技术的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本技术，而不能解释为对本技术的限制。
60.本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本技术的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。
61.本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)，具有与本技术所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语，应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样被特定定义，否则不会用理想化或过于正式的含义来解释。
62.本技术领域技术人员可以理解，这里所使用的“客户端”、“终端”、“终端设备”既包括无线信号接收器的设备，其仅具备无发射能力的无线信号接收器的设备，又包括接收和发射硬件的设备，其具有能够在双向通信链路上，进行双向通信的接收和发射硬件的设备。这种设备可以包括：蜂窝或其他诸如个人计算机、平板电脑之类的通信设备，其具有单线路显示器或多线路显示器或没有多线路显示器的蜂窝或其他通信设备；pcs(personal communications service，个人通信系统)，其可以组合语音、数据处理、传真和/或数据通信能力；pda(personal digital assistant，个人数字助理)，其可以包括射频接收器、寻呼机、互联网/内联网访问、网络浏览器、记事本、日历和/或gps(global positioning system，全球定位系统)接收器；常规膝上型和/或掌上型计算机或其他设备，其具有和/或包括射频接收器的常规膝上型和/或掌上型计算机或其他设备。这里所使用的“客户端”、“终端”、“终端设备”可以是便携式、可运输、安装在交通工具(航空、海运和/或陆地)中的，或者适合于和/或配置为在本地运行，和/或以分布形式，运行在地球和/或空间的任何其他位置运行。这里所使用的“客户端”、“终端”、“终端设备”还可以是通信终端、上网终端、音乐/视频播放终端，例如可以是pda、mid(mobile internet device，移动互联网设备)和/或具有音乐/视频播放功能的移动电话，也可以是智能电视、机顶盒等设备。
63.本技术所称的“服务器”、“客户端”、“服务节点”等名称所指向的硬件，本质上是具备个人计算机等效能力的电子设备，为具有中央处理器(包括运算器和控制器)、存储器、输入设备以及输出设备等冯诺依曼原理所揭示的必要构件的硬件装置，计算机程序存储于其存储器中，中央处理器将存储在外存中的程序调入内存中运行，执行程序中的指令，与输入输出设备交互，借此完成特定的功能。
64.需要指出的是，本技术所称的“服务器”这一概念，同理也可扩展到适用于服务器机群的情况。依据本领域技术人员所理解的网络部署原理，所述各服务器应是逻辑上的划分，在物理空间上，这些服务器既可以是互相独立但可通过接口调用的，也可以是集成到一台物理计算机或一套计算机机群的。本领域技术人员应当理解这一变通，而不应以此约束本技术的网络部署方式的实施方式。
65.本技术的一个或数个技术特征，除非明文指定，既可部署于服务器实施而由客户端远程调用获取服务器提供的在线服务接口来实施访问，也可直接部署并运行于客户端来实施访问。
66.本技术中所引用或可能引用到的神经网络模型，除非明文指定，既可部署于远程服务器且在客户端实施远程调用，也可部署于设备能力胜任的客户端直接调用，某些实施例中，当其运行于客户端时，其相应的智能可通过迁移学习来获得，以便降低对客户端硬件运行资源的要求，避免过度占用客户端硬件运行资源。
67.本技术所涉及的各种数据，除非明文指定，既可远程存储于服务器，也可存储于本地终端设备，只要其适于被本技术的技术方案所调用即可。
68.本领域技术人员对此应当知晓：本技术的各种方法，虽然基于相同的概念而进行描述而使其彼此间呈现共通性，但是，除非特别说明，否则这些方法都是可以独立执行的。同理，对于本技术所揭示的各个实施例而言，均基于同一发明构思而提出，因此，对于相同表述的概念，以及尽管概念表述不同但仅是为了方便而适当变换的概念，应被等同理解。
69.本技术即将揭示的各个实施例，除非明文指出彼此之间的相互排斥关系，否则，各个实施例所涉的相关技术特征可以交叉结合而灵活构造出新的实施例，只要这种结合不背离本技术的创造精神且可满足现有技术中的需求或解决现有技术中的某方面的不足即可。对此变通，本领域技术人员应当知晓。
70.本技术的一种直播业务数据处理方法，可被编程为计算机程序产品，部署于计算机设备中运行而实现，藉此可以通过访问该计算机程序产品运行后开放的接口，通过图形用户界面与该计算机程序产品的进程进行人机交互而执行该方法。
71.请参阅图1，本技术的直播业务数据处理方法在其典型实施例中，包括如下步骤：
72.步骤s1100、获取直播业务相对应的数据定义模板，所述数据定义模板包含所述直播业务所需调用的分布于多个数据源的数据项和用于对该些数据项执行预定义操作的操作项，所述数据项包含主播用户的属性数据项，所述操作项包括一个或多个属性标签：
73.网络直播平台中，统一调度平台内外多种数据源内数据项的采集、存储、调用，并通过开发团队所实现的直播业务相应的页面代码对相应的数据项进行展现。
74.所述数据源包括各式各样的适于数据库引擎提供的数据库，例如hbase、mysql、mongodb，对于大型网络直播平台而言，所述的数据库通常是支持分布式存储的数据库。每个数据库中可以包含多个预先定义的数据表，每个数据表用于存储多个数据项，跨数据库、跨数据表之间可以通过数据项对应关系实现数据的连接，例如通过设备或用户的uid，或者关联于相同属性标签来对应。因而，网络平台中，一个主播用户相关的个人信息，可能分布于多个数据源的多个数据表的多个数据项中，可以是一个相对复杂的树状或网状关系。所述个人信息相对的部分数据项为属性数据项，用于存储相对应的主播用户相对应的属性数据，例如，存储该主播用户的年龄、性别、直播主题描述信息、个人爱好关键词等等。
75.所述直播业务通常与网络直播平台的用户可以访问的一个页面相对应，例如，用户在终端设备通过网络直播平台的网站或应用程序，访问如图2所示的“猜您喜欢”页面时，便调用一个对应的直播业务，此时，这一直播业务用于根据用户个人喜好推荐多个主播用户的视频封面，以便用户快速进入其中某个主播用户的直播间。而在用户访问如图3所示的“热门”页面时，也同理，对应访问一个向用户推送当前较为受欢迎的主播用户的视频封面，方便用户进入其中之一的直播间。
76.网络直播平台往往提供多个网站以及多个应用程序为平台用户开放各种服务，并且，一个网站或者一个应用程序中，往往对应提供多个直播业务，所有这些直播业务，其底层数据均由平台所维护或可触及访问的数据源来提供，因而，建立起直播业务与数据源之间的桥梁，实现对直播业务与复杂分布的数据项之间的关系的维护，有助于提升开发效率及数据维护效果。因此可以通过一个数据维护平台来为各个直播业务的开发提供定制服务，通过该定制服务，开发团队可以自行创建和编辑某个直播业务所需采用的数据项，形成相应的数据定义模板，后续实现相应的直播业务时，调用这一数据定义模板，便可获得期望的数据集。
77.所述的数据定义模板，本技术中，不仅包含对所述直播业务所需采用的数据项的指定，而且包含用于指示对该些数据项实施指定的预定义操作的操作项，所述的数据项可以是分布于多个不同数据源的，所述操作项可以通过各种预协议的方式指定其所包含的信息。本技术示例的一种方式中，所述的操作项，可以通过包含一个或多个属性标签而被本技术解析为对各个主播用户相关联的所述数据项预测其相应的属性标签，然后利用操作项的属性标签与预测的属性标签之间的映射关系，匹配出其中的部分主播用户的数据项子集用于构造数据集。根据这一示例可知，所述的预定义操作，已事先协议好，可被解析为一种对数据项的匹配操作。
78.如前所述，每个主播用户相关联的数据项中，其中一部分为属性数据项，该部分数据项尤其适于参与操作项所定义的操作，而其余部分可为其他类型的数据项，可服务于直播业务后台实现所需，包括参与所述操作项所定义的操作，不受本技术所限制。
79.网络直播平台需要为各个直播业务预备数据集时，便根据预定的触发机制，获取各个直播业务相对应的数据定义模板，然后对该数据定义模板进行预协议的解析，从而确定其中的数据项和操作项，以备后用。
80.步骤s1200、根据数据定义模板中的操作项，对多个数据源中相应的所述数据项执
行所述操作项相对应的预定义操作，确定出与所述操作项中的属性标签相对应的数据集，所述数据集包括多个主播用户相对应的数据项子集：
81.如前所述，操作项可通过包含一个或多个属性标签表示一个被解析为对所述数据定义模板中的数据项执行匹配的预定义操作，因而，根据所述直播业务相对应的数据定义模板中的操作项，也即其中的一个或多个属性标签，分析匹配各个主播用户的数据项是否关联于所述的一个或多个属性标签，当存在这种关联关系时，便将该主播用户相对应的数据项构成的数据项子集筛选出来，最后将各个筛选出来的数据项子集构成为数据集。
82.操作项与主播用户的数据项中关联于所述属性标签的匹配关系，可以通过分析主播用户的数据项中是否包含操作项所指定的相同属性标签来确认两者相匹配，也可以借助预训练至收敛状态的神经网络模型对各个主播用户的数据项做分类映射以预测出属性标签，再分析所预测出的属性标签与操作项中的属性标签是否相对应来确认。实现这种匹配操作的方式较为灵活，本领域技术人员可根据本技术所揭示的原理及示例，灵活选用其他手段替代之，均不影响本技术的创造精神的体现。
83.确定出所述的数据集后，该数据集便包含多个主播用户相对应的数据项子集，所述的数据项子集中，包括一个或多个属性数据项，所述的属性数据项一般是适于被直接展示于直播业务相对应的页面的数据项。
84.为方便采用统一的代码对所述的数据集进行解析和调用，所述的数据集可以按照预先设定的统一格式进行格式化。
85.步骤s1300、响应终端设备对直播业务的数据调用指令，向该终端设备推送该直播业务相应的数据集：
86.通过前述的步骤完成对各个直播业务的数据集的准备后，所述的数据集便处于可调用的状态，后续可以循环执行步骤s1100、s1200以便实现对所述的数据集的动态更新。
87.当海量的平台用户在其各自的终端设备登录网络直播平台的网站或应用程序而需要加载或预加载直播业务相对应的页面时，便可向服务器发起直播业务加载请求，响应于该请求，服务器便根据该直播业务与所述数据集的对应关系，调用相应的数据集，将其推送至触发该请求的终端设备处，由此得以在该终端设备的图形用户界面中展示所述数据集内的各个数据项子集所描述的主播用户信息，包含该主播用户的个人信息等，于是，如图2和图3所示的页面，便得以展现多个主播用户相对应的视频封面。
88.在所述数据集以统一格式封装的情况下，只要终端设备中的页面相对应的后台代码根据统一格式对所述的数据集进行解析，便可获得相同的主播用户数据项子集，而与用于加载该页面的应用程序类别、网站类别无关，因此，对于网络直播平台所开发的多个网络、多个应用程序而言，只要遵守相同格式协议，便可根据各自的业务逻辑利用所述统一格式的数据集，做出个性化的数据展现，由此使得终端设备相对应的直播业务页面的代码实现过程中，无需直接面对底层数据，无需直接操作底层数据源，便可实现高效的数据访问和调用操作。
89.根据本典型实施例，不难理解，相对于现有技术，本技术具有多方面的技术优势，包括但不限于如下所揭示的各个方面：
90.首先，本技术利用直播业务与数据定义模板之间的对应关系，通过数据定义模板中的数据项及操作项实现对不同直播业务所需调用的数据的标准化表示，其中数据项包括
各个主播用户相对应的属性数据项，而所述操作项包括一个或多个属性标签，由此，操作项可以发挥预定义操作的作用，后续根据数据定义模板获得该直播业务相对应的相关数据项，根据所述属性数据项与所述属性标签的关联关系，确定出包含了多个主播用户的数据项子集的数据集，也即与所述属性标签存在某种预定义操作上的对应关系的主播用户相对应的数据项子集，故所述的数据项子集起到对主播用户进行关联描述的作用，在终端设备需要加载所述的直播业务相应的页面并向服务器发起请求时，便可将所述的数据集推送给相应的终端设备，使相应的终端设备根据所述数据集中的主播用户的数据项子集展示各个主播用户的关键信息。
91.其次，本技术中，数据定义模板一方面实现对多个数据源的数据项的集中定义，另一方面预先与直播业务对应关联，因而实现了对数据源与直播业务的对应关系的映射梳理，对于直播平台而言，开发人员得以通过维护数据定义模板而保持有序调用多个数据源的数据项，由此服务于相应的直播业务而加工处理数据，直播业务及其所需的数据项之间始终保持有序管理，无需另行获取数据项，不仅可以有效避免各个数据源重复获取不同直播业务所需的相同数据项的情况，最小化熵增定律的影响，而且更方便开发人员对各个直播业务所需调用的数据项之间的数据逻辑进行维护。
92.此外，本技术由于梳理了直播业务与其所需调用的数据之间的关系，优化数据存储、访问等各个环节的资源占用，可以节省服务机群的存储和运行载荷，从而节省平台系统开销，节约平台部署成本。
93.请参阅图4，深化的部分实施例中，所述步骤s1200、根据数据定义模板中的操作项，对多个数据源中相应的所述数据项执行所述操作项相对应的预定义操作，确定出与所述操作项中的属性标签相对应的数据集，包括如下步骤：
94.步骤s1210、解析所述数据定义模板，确定出其中的各个数据源中的数据项及操作项：
95.对于根据直播业务调用获取的数据定义模板，可以根据预协议对其进行相应的解析，从而确定出其中的操作项及分布在各个数据源中的各个数据项，对于服务器来说，从数据定义模板中解析出的各个数据项，其所对应的数据源中数据表、数据字段等，均是预先定义而明确的。
96.步骤s1220、应用分布式锁调用获取所述各个数据源中的所述数据项，根据所述数据项关联于相同主播用户而确定出各个主播用户的数据项子集：
97.为了实现对具体数据项的调用，确定出直播业务所需的数据项后，便可从各个数据源中调用出相应的数据项，也即获得相应的数据。如前所述，由于数据项所存储的数据通常关联主播用户而存储，因而，可以主播用户为聚类单位为每个主播用户构造一个数据项子集，这一子集由该主播用户相对应的数据项中的数据构成。在实施对数据源中的数据项的调用时，考虑到数据访问冲突的风险，可以对所访问的数据项应用分布式锁进行原子操作，从而确保数据调用过程中不会引起数据紊乱。
98.步骤s1230、采用预先训练至收敛状态的智能分类模型，根据各个数据项子集，确定其相应的各个主播用户的属性标签：
99.本实施例借助一个预先训练至收敛状态的智能分类模型对各个主播用户的数据项子集做分类映射，从而预测出各个主播用户相对应的属性标签。所述的智能分类模型的
训练过程将在本技术的后续实施例中揭示，此处暂且不表。
100.所述的智能分类模型，经训练至收敛状态后，便习得从主播用户的数据项子集中准确提取出深层语义特征的表示学习能力，在此基础上对深层语义特征做分类映射，便可获得该主播用户所归属的各个属性标签。例如，场景性示例中，所述的属性标签可以是“热门主播”、“舞蹈主播”、“体育主播”、“知识主播”等。所述的智能分类模型所预测出的属性标签，可以被确认出一个或多个，例如允许一个主播用户同时既是“热门主播”，又是“知识主播”，视为属性标签的是否为多层级体系而灵活实施即可。
101.所述智能分类模型的输入，根据其被预训练时所采用的作为模型训练样本的数据项而定，一种实施例中，由于所述属性数据项具有对主播用户的个人信息进行描述的对应性，可以仅采用主播用户相对应的属性数据项来构造其输入。当然，本领域技术人员也可采用主播用户的其他数据项来参与构造所述智能分类模型的输入。
102.步骤s1240、筛选出属性标签与所述操作项中的属性标签相匹配的主播用户数据项子集：
103.对于一个主播用户，当操作项的属性标签与智能分类模型预测出的属性标签是一对一的关系且完全相同时，可视为实现操作项所预定义的匹配关系，可将该主播用户的数据项子集筛选出来用于构造数据集。
104.对于一个主播用户，当操作项中存在多个属性标签而智能分类模型只预测出单个属性标签时，且所预测的属性标签为操作项中的多个属性标签其中之一时，可视为实现操作项所预定义的匹配关系，可将该主播用户的数据项子集筛选出来用于构造数据集。
105.对于一个主播用户，当操作项中存在单个属性标签而智能分类模型预测出多个属性标签时，若所述多个属性标签其中之一与操作项中的单个属性标签相同，即可视为实现操作项所定义的匹配关系，可将该主播用户的数据项子集筛选出来用于构造数据集。
106.对于一个主播用户，当操作项中包含多个属性标签，且智能分类模型也预测出多个属性标签时，可利用集合关系确认两者是否实现匹配，具体示例如考察操作项中的多个属性标签是否构成预测出的多个属性标签的子集，如是，即可视为两者实现操作项所预定义的匹配关系，可将该主播用户的数据项子集筛选出来用于构造数据集。
107.可见，对于主播用户的数据项子集是否实现了操作项所预定义的匹配关系所规定的匹配，其实施方式是灵活多样的，本领域技术人员根据此处的多种示例，可以灵活实施，并不影响本技术的创造精神的体现。
108.步骤s1250、对各个主播用户的数据项子集进行格式化，构造为标准化格式的数据集：
109.当经过前述步骤处理，匹配出满足直播业务所需的各个主播用户的数据项子集后，便可将这些数据项子集构造为标准化格式的数据集。为了实现标准化格式的统一，可根据预设的格式协议，对各个主播用户相对应的数据项子集进行统一格式的封装，以便后续可根据所述的格式协议进行统一的解析，然后再将封装好的数据项子集构造所述的数据集。
110.本实施例中，揭示了数据定义模板通过其操作项中封装属性标签而实现预定义操作，从而指示对从数据源调用的数据项子集进行智能分类映射预测出相应的属性标签，再根据操作项预定义操作所指示的匹配操作，根据预测出的属性标签与操作项的属性标签之
间是否匹配而优选出直播业务所需的主播用户的数据项子集构造为统一格式的数据集，据此，丰富了数据定义模板的功能，使数据定义模板不仅可以实现对多源的数据项的梳理，而且可以体现出更为复杂的业务逻辑，指示服务器对各个主播用户的数据项子集进行智能分析和匹配，从而获得精准对应直播业务的数据需求的数据集，免除开发人员重复开发复杂业务逻辑的繁冗，却又提供了更为丰富的技术支持，大大提升了软件工程开发效率。
111.请参阅图5，扩展的部分实施例中，所述智能分类模型被预先迭代训练至收敛状态，其训练过程包括如下步骤：
112.步骤s2100、从训练数据集中调用单个训练样本，所述训练样本包括一个主播用户的多个属性数据项相对应的属性数据：
113.在对本技术的智能分类模型进行训练之前，预备一个训练数据集，所述训练数据集包括大量的训练样本，训练样本的数量以适于将模型训练至收敛状态为限。
114.所述的训练样本，由采集自各个主播用户的多个属性数据项的属性数据构成，具体数据项可由本领域技术人员根据模型所需实现的预测能力灵活确定。每个训练样本预先对应一个属性标签，以便用于监督模型的输出。
115.步骤s2200、将所述训练样本中的属性数据进行向量化，获得样本向量：
116.对于每个即将输入智能分类模型以实施对模型的训练的训练样本，通过查询词表将其各个相关属性数据进行向量化，从而获得嵌入向量，作为样本向量。
117.步骤s2300、将所述样本向量输入智能分类模型中进行语义提取和分类映射，获得分类预测出的属性标签：
118.所述的样本向量被输入智能分类模型中进行处理。智能分类模型内置一个文本特征提取模型，用于对样本向量提取深层语义特征信息，实现对训练样本的表示学习。所述的文本特征提取模型可采用诸如bert、textcnn、lstm等神经网络模型来实施。通过文本特征提取模型对样本向量提取深层语义特征信息后，获得相应的综合向量，该综合向量被进一步输入模型中的全连接层进行全连接，从而映射到预设的分类空间，由分类器进行分类而预测出相应的属性标签。所述分类空间包含多个预先给出的属性标签相对应的分类，当针对一个综合向量预测出各个分类的分类概率时，其中分类概率最大的分类所对应的属性标签，即为模型为所述的训练样本预测出的属性标签。
119.步骤s2400、根据所述训练样本相对应的属性标签计算智能分类模型预测出的属性标签的损失值：
120.对于模型预测出的属性标签，可调用所述训练样本相对应的属性标签计算其模型损失值，由于模型采用了分类器来实现，因此，在计算损失值时，可采用交叉熵函数作为损失函数计算所述的损失值。
121.步骤s2500、根据所述损失值对智能分类模型实施梯度更新，或继续迭代训练直至模型达至收敛状态：
122.确定所述的损失值后，可将该损失值与一个用于识别模型是否达致收敛状态的预设阈值进行比较，当该损失值达致该预设阈值时，视为模型被训练至收敛状态，从而可以终止模型的训练，将模型投入用于预测主播用户的数据项子集相对应的属性标签。当该损失值未达到所述预设阈值时，此时模型并未收敛，于是，根据该损失值对模型实施梯度更新，通过反向传播修正模型的权重，使模型进一步逼近收敛，然后，从所述的训练数据集中调用
下一训练样本，循环本实施例的各个步骤继续对模型实施迭代训练，直至模型被训练至收敛状态即可。
123.本实施例中，提供本技术的智能分类模型的训练过程，根据该训练过程可知，原来分布于多个数据源的数据项通过数据定义模型进行集中调用后，被用于训练智能分类模型，使智能分类模型获得根据主播用户的数据项子集确定主播用户相对应的属性标签的能力，从而可以服务于各个数据项子集的属性标签的预测，形成一个对数据定义模板所指定的数据项的数据清洗机制，因而，通过数据定义模板可以实现对数据项子集的优选，从而提升了直播业务相对应的数据集的获取效率，并且由于智能分类模型的人工智能因素的存在，可以提升为直播业务匹配主播用户的数据项子集的精准度。
124.扩展的部分实施例中，所述步骤s1240、筛选出属性标签与所述操作项中的属性标签相匹配的主播用户数据项子集的步骤之后，包括如下步骤：
125.步骤s1245、获取各个主播用户相对应确定的各个属性标签的热度数据，所述热度数据根据所述主播用户的直播间的用户行为数据统计确定：
126.针对本技术中所采用的属性标签体系中的各个属性标签，可以预先形成表征各个属性标签的被访问热度的热度数据，通过该热度数据反映相应的属性标签的受欢迎程度。每个属性标签的热度数据可以根据携带该属性标签的主播用户被访问的次数进行统计确定，确定主播用户被用户访问的次数则可通过访问该主播用户的用户行为数据来统计确定，本技术后续的实施例对此将进一步示例，此处暂按。
127.在存在各个属性标签的热度数据的基础上，为各个主播用户关联其属性标签相对应的热度数据，以用于排序。
128.步骤s1246、根据所述热度数据对各个主播用户的数据项子集进行排序，以使后续生成的数据集保持相应的排序：
129.继而，根据所述热度数据，对各个主播用户的数据项子集进行自高到低的排序，使热度越高排序越靠前，从而根据这些数据项子集构造出的数据集中，实际上完成了对各个相应的主播用户的热度排序。
130.本实施例进一步完善了对直播业务所需的数据集中各个主播用户的排序关系的处理，使得直播业务获得所述的数据集进行解析展示后，在终端设备的图形用户界面中，可以有序展示各个主播用户，使主播用户的排列顺序与直播业务所指定的属性标签之间建立起关联性，从而突出直播业务的功能专注性。
131.请参阅图6，扩展的部分实施例中，所述步骤s1245、获取各个主播用户相对应确定的各个属性标签的热度数据的步骤之前，包括如下步骤：
132.步骤s1241、获取关联于每一主播用户的用户行为数据，所述用户行为数据对应该主播用户的直播间被用户关注、被用户送礼、被用户进入相对应的访问事件所产生的描述数据：
133.每个主播用户的直播间，当其被网络直播平台用户访问时，将产生相应的用户行为数据，例如，当平台用户进入直播间时，或向主播用户送礼时，或分享直播间时，便会触发相应的访问事件，而在后台产生相应的用户行为记录并上传到服务器。因此，可以对这些用户行为数据进行数据挖掘以便获得更高语义的信息即所述的热度数据服务于本技术的数据定义模板相对应的数据集的优化。
134.步骤s1242、对所述用户行为数据进行统计，获得各个主播用户相对应的用户热度，所述用户热度为多种所述的访问事件的数量的加权统计结果：
135.获得所述的用户行为数据后，可以根据这些用户行为数据所对应的访问事件的数量，逐一针对各个主播用户进行统计，以统计出各个主播用户相对应的用户热度。推荐的实施方式中，采用预设的加权公式对不同访问事件的数量进行统计，例如，对于主播用户被用户关注、被用户送礼、被用户进入这三个不同访问事件的统计数量，分别关联不同权重，将权重与统计数量对应相乘后相加，即可获得加权统计结果，作为一个主播用户的热度。加权统计公式示例如下：
136.si＝α
×
like+β
×
present+γ
×
enter
137.其中，si表示单个主播用户的用户热度，like、present、enter分别表示不同访问事件，α、β、γ分别表示不同访问事件各自对应的权重，其取值可由本领域技术人员按需确定。
138.步骤s1243、对应预设的属性标签体系中的各个属性标签，将携带所述属性标签的主播用户的用户热度进行累加，获得该属性标签相对应的累加热度：
139.由于每个主播用户均可被映射出一个或多个属于预设的属性标签体系中的属性标签，因而，每个主播用户的用户热度，便视为其所携带的各个属性标签对应该主播用户所获得的用户热度，据此，对于所述属性标签体系中的各个属性标签而言，可以将其对应各个主播用户的用户热度进行统计，来获得各个属性标签相对应的累加热度。也即，属性标签体系中的每个属性标签，其对应的累加热度sumj，为其在每个主播用户处获得的用户热度的加和结果。
140.步骤s1244、根据所述属性标签体系中的各个属性标签的累加热度进行归一化，获得各个属性标签相对应的热度数据：
141.经过前述步骤已经确定了属性标签体系中各个属性标签相对应的累加热度sumj，据此，可根据以下公式进行归一化，为各个属性标签的累加热度提供统一度量，从而确定出各个属性标签相对应的热度数据hotj：
[0142][0143]
也即，对于一个属性标签而言，其热度数据为其对应的累加热度除以属性标签体系中所有属性标签的累加热度的总和之积。由此，各个属性标签的热度数据便可在同一度量基准上进行比较排序。
[0144]
本实施例为实现对根据数据定义模板确定的数据集的优化，预先根据主播用户相对应的用户行为数据为属性标签体系中的各个属性标签确定了热度数据，所述热度数据的确定，参考了携带属性标签的主播用户的受欢迎程度，因而，为直播业务所优化的数据集中，其根据属性标签对各个优选出的主播用户进行排序，排序结果更能代表主播用户的流量效应，从而可以提升直播业务所需的数据的匹配精准程度。
[0145]
扩展的部分实施例中，所述步骤s1100、获取直播业务相对应的数据定义模板的步骤之后，包括如下步骤：
[0146]
步骤s1101、根据定时任务触发而将直播业务相对应的数据定义模板中指定数据项从其相应的数据源中调度到二级缓存中以供调用：
[0147]
服务器可以预置定时任务，例如采用sping的定时器schedule技术定时触发更新任务，响应于定时触发任务，将所述直播业务相对应的数据定义模板中指定的各个数据项，从其相应的多个数据源中调度到二级缓存中，以便在二级缓存中对这些数据项进行更为高效的操作，例如执行所述步骤s1200的匹配操作等。推荐的实施例中，二级缓存可以采用redis技术实现，通过键值对存储各个主播用户的数据项，例如以主播用户的uid为键域，以其各个数据项为值域进行存储。
[0148]
步骤s1102、将根据二级缓存中的数据源的数据项执行操作所获得的数据集存储于一级缓存中：
[0149]
为了进一步提升数据调度效率，缩短数据访问响应时长，对于根据步骤s1200获得的数据集，可以将其存储于相对于二级缓存更为高效的一级缓存中，后续对数据集的调用、更新，均可在一级缓存中操作。推荐的变通实施例中，可以采用guava cache的技术为支撑实现一级缓存以实现高效存取的效果。
[0150]
本实施例中，考虑到分布存储的数据项占用内存空间较多而数据逻辑更为底层，因而，将其置于二级缓存中进行操作，同时考虑到根据数据项所构造出的数据集相对高频调用，因而将其置于一级缓存中进行操作，综合兼顾了整个业务逻辑在不同阶段的实现效率的均衡，能够提升系统运行效率及其鲁棒性，保证各个终端设备高效访问各个直播业务相对应的数据集，而又能确保数据集的及时更新，且实现与各种不同数据源中的数据项相对应的底层操作的互相解耦。
[0151]
扩展的部分实施例中，所述步骤s1100、获取直播业务相对应的数据定义模板的步骤之前，包括如下步骤：
[0152]
步骤s1000、运行数据源适配服务，向外部数据源开放接口，以实现外部数据源接入而参与为直播业务提供所述的数据集的数据：
[0153]
为了扩展网络直播平台对数据源的兼容性，可以在服务器中运行一个数据源适配服务，通过该服务支持不同的外部数据源访问协议，例如pb、http、yyp等，向外部数据源开放相应的互访接口，从而使该数据源实现对不同数据库引擎的互访的支持，使得各个不同的数据源可以预先调用这些互访接口接入实现本技术的技术方案的系统中，以便为本技术的数据定义模板获取其数据项提供便利。
[0154]
本实施例进一步提升了数据定义模板的数据获取能力，使直播业务可以通过其数据定义模板进一步实现对外部数据的调用，从而丰富直播业务的信息内容以及通过外部数据提升数据匹配的精准度，也使实现本技术的技术方案的系统的兼容能力大大增强。
[0155]
请参阅图7，适应本技术的目的之一而提供的一种直播业务数据处理装置，包括模板调用模块1100、数据加工模块1200，以及数据推送模块1300，其中：所述模板调用模块1100，用于获取直播业务相对应的数据定义模板，所述数据定义模板包含所述直播业务所需调用的分布于多个数据源的数据项和用于对该些数据项执行预定义操作的操作项，所述数据项包含主播用户的属性数据项，所述操作项包括一个或多个属性标签；所述数据加工模块1200，用于根据数据定义模板中的操作项，对多个数据源中相应的所述数据项执行所述操作项相对应的预定义操作，确定出与所述操作项中的属性标签相对应的数据集，所述数据集包括多个主播用户相对应的数据项子集；所述数据推送模块1300，用于响应终端设备对直播业务的数据调用指令，向该终端设备推送该直播业务相应的数据集。
[0156]
深化的部分实施例中，所述数据加工模块1200，包括：模板解析单元，用于解析所述数据定义模板，确定出其中的各个数据源中的数据项及操作项；子集加工单元，用于应用分布式锁调用获取所述各个数据源中的所述数据项，根据所述数据项关联于相同主播用户而确定出各个主播用户的数据项子集；标签确定单元，用于采用预先训练至收敛状态的智能分类模型，根据各个数据项子集，确定其相应的各个主播用户的属性标签；主播筛选单元，用于筛选出属性标签与所述操作项中的属性标签相匹配的主播用户数据项子集；格式统一单元，用于对各个主播用户的数据项子集进行格式化，构造为标准化格式的数据集。
[0157]
扩展的部分实施例中，所述智能分类模型被置于训练模块中预先迭代训练至收敛状态，所述训练模块包括：样本调用单元，用于从训练数据集中调用单个训练样本，所述训练样本包括一个主播用户的多个属性数据项相对应的属性数据；向量编码单元，用于将所述训练样本中的属性数据进行向量化，获得样本向量；分类映射单元，用于将所述样本向量输入智能分类模型中进行语义提取和分类映射，获得分类预测出的属性标签；损失计算单元，用于根据所述训练样本相对应的属性标签计算智能分类模型预测出的属性标签的损失值；迭代决策单元，用于根据所述损失值对智能分类模型实施梯度更新，或继续迭代训练直至模型达至收敛状态。
[0158]
扩展的部分实施例中，所述数据加工模块1200包括后于所述主播筛选单元运行的如下单元：热度调用单元，用于获取各个主播用户相对应确定的各个属性标签的热度数据，所述热度数据根据所述主播用户的直播间的用户行为数据统计确定；排序处理单元，用于根据所述热度数据对各个主播用户的数据项子集进行排序，以使后续生成的数据集保持相应的排序。
[0159]
扩展的部分实施例中，所述数据加工模块1200包括先于所述热度调用单元运行的如下单元：数据描述单元，用于获取关联于每一主播用户的用户行为数据，所述用户行为数据对应该主播用户的直播间被用户关注、被用户送礼、被用户进入相对应的访问事件所产生的描述数据；数据统计单元，用于对所述用户行为数据进行统计，获得各个主播用户相对应的用户热度，所述用户热度为多种所述的访问事件的数量的加权统计结果；热度累加单元，用于对应预设的属性标签体系中的各个属性标签，将携带所述属性标签的主播用户的用户热度进行累加，获得该属性标签相对应的累加热度；热度确定单元，用于根据所述属性标签体系中的各个属性标签的累加热度进行归一化，获得各个属性标签相对应的热度数据。
[0160]
扩展的部分实施例中，本技术的直播业务数据处理装置，还包括后于所述模板调用模块1100运行的如下模块：二级缓存模块，用于根据定时任务触发而将直播业务相对应的数据定义模板中指定数据项从其相应的数据源中调度到二级缓存中以供调用；一级缓存模块，用于将根据二级缓存中的数据源的数据项执行操作所获得的数据集存储于一级缓存中。
[0161]
扩展的部分实施例中，本技术的直播业务数据处理装置，还包括先于所述模板调用模块1100运行的数据适配模块，用于运行数据源适配服务，向外部数据源开放接口，以实现外部数据源接入而参与为直播业务提供所述的数据集的数据。
[0162]
为解决上述技术问题，本技术实施例还提供计算机设备。如图8所示，计算机设备的内部结构示意图。该计算机设备包括通过系统总线连接的处理器、计算机可读存储介质、
存储器和网络接口。其中，该计算机设备的计算机可读存储介质存储有操作系统、数据库和计算机可读指令，数据库中可存储有控件信息序列，该计算机可读指令被处理器执行时，可使得处理器实现一种直播业务数据处理方法。该计算机设备的处理器用于提供计算和控制能力，支撑整个计算机设备的运行。该计算机设备的存储器中可存储有计算机可读指令，该计算机可读指令被处理器执行时，可使得处理器执行本技术的直播业务数据处理方法。该计算机设备的网络接口用于与终端连接通信。本领域技术人员可以理解，图8中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
[0163]
本实施方式中处理器用于执行图7中的各个模块及其子模块的具体功能，存储器存储有执行上述模块或子模块所需的程序代码和各类数据。网络接口用于向用户终端或服务器之间的数据传输。本实施方式中的存储器存储有本技术的直播业务数据处理装置中执行所有模块/子模块所需的程序代码及数据，服务器能够调用服务器的程序代码及数据执行所有子模块的功能。
[0164]
本技术还提供一种存储有计算机可读指令的存储介质，计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行本技术任一实施例的直播业务数据处理方法的步骤。
[0165]
本技术还提供一种计算机程序产品，包括计算机程序/指令，该计算机程序/指令被一个或多个处理器执行时实现本技术任一实施例所述方法的步骤。
[0166]
本领域普通技术人员可以理解实现本技术上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，该计算机程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，前述的存储介质可为磁碟、光盘、只读存储记忆体(read-only memory，rom)等计算机可读存储介质，或随机存储记忆体(random access memory，ram)等。
[0167]
综上所述，本技术通过数据定义模板实现了多直播业务调用多数据源的数据项的标准化操作，避免数据熵增，提升了系统效率，节省了系统开销。
[0168]
本技术领域技术人员可以理解，本技术中已经讨论过的各种操作、方法、流程中的步骤、措施、方案可以被交替、更改、组合或删除。进一步地，具有本技术中已经讨论过的各种操作、方法、流程中的其他步骤、措施、方案也可以被交替、更改、重排、分解、组合或删除。进一步地，现有技术中的具有与本技术中公开的各种操作、方法、流程中的步骤、措施、方案也可以被交替、更改、重排、分解、组合或删除。
[0169]
以上所述仅是本技术的部分实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本技术原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本技术的保护范围。