1.一种直播间弹幕的发布方法,其特征在于,包括:
获取目标弹幕;
自动生成与所述目标弹幕对应的跟随弹幕;
发布所述跟随弹幕。
2.根据权利要求1所述的方法,其特征在于,所述自动生成与所述目标弹幕对应的跟随弹幕,包括:
根据预设的弹幕生成模型生成与所述目标弹幕对应的跟随弹幕。
3.根据权利要求2所述的方法,其特征在于,所述目标弹幕包括:直播间中第一预设时间段内的第一历史弹幕数据,所述根据预设的弹幕生成模型生成与所述目标弹幕对应的跟随弹幕,包括:
将所述第一历史弹幕数据输入所述弹幕生成模型,自动生成所述第一历史弹幕数据对应的所述第一跟随弹幕。
4.根据权利要求2所述的方法,其特征在于,所述目标弹幕包括:从预设的话题弹幕列表中提取的话题弹幕,所述根据预设的弹幕生成模型生成与所述目标弹幕对应的跟随弹幕,包括:
将所述话题弹幕输入所述弹幕生成模型,自动生成与所述话题弹幕对应的第二跟随弹幕;
所述发布所述跟随弹幕,包括:
发布所述话题弹幕,以及与所述话题弹幕对应的第二跟随弹幕。
5.根据权利要求2或3所述的方法,其特征在于,所述弹幕生成模型通过如下方式生成:
获取第二预设时间段内的第二历史弹幕数据;
根据所述第二历史弹幕数据,确定弹幕训练样本;
根据所述弹幕训练样本,生成所述弹幕生成模型。
6.根据权利要求5所述的方法,其特征在于,所述根据所述第二历史弹幕数据,确定弹幕训练样本,包括:
获取所述第二历史弹幕数据中的第一弹幕;
确定所述第二历史弹幕数据中与所述第一弹幕的关系满足预设条件的第二弹幕;
将所述第一弹幕和所述第二弹幕作为所述弹幕训练样本。
7.根据权利要求6所述的方法,其特征在于,所述确定所述第二历史弹幕数据中与所述第一弹幕的关系满足预设条件的第二弹幕,包括:
获取所述第一弹幕的发布时刻;
从所述第二历史弹幕数据中,提取在所述发布时刻之后的预设时间段内的弹幕,作为所述第二弹幕。
8.根据权利要求6所述的方法,其特征在于,所述确定所述第二历史弹幕数据中与所述第一弹幕的关系满足预设条件的第二弹幕,包括:
从所述第二历史弹幕数据中,提取与所述第一弹幕之间的字符匹配度大于预设阈值的弹幕,作为所述第二弹幕。
9.根据权利要求6所述的方法,其特征在于,所述获取所述第二历史弹幕数据中的第一弹幕,包括:
过滤所述第二历史弹幕数据中的资源标识,和/或,表情符号,得到所述第一弹幕。
10.根据权利要求6所述的方法,其特征在于,所述根据所述弹幕训练样本,生成所述弹幕生成模型,包括:
将所述第一弹幕与所述第二弹幕输入预设的初始弹幕生成模型,生成与所述第一弹幕和所述第二弹幕对应的第一预测值;
将所述第一预测值与预设的第一参考值进行比对,并根据比对结果对所述初始弹幕生成模型进行反向训练。
11.根据权利要求4所述的方法,其特征在于,所述话题弹幕列表通过如下方式生成:
获取第三历史弹幕数据;
将所述第三历史弹幕数据输入预设的话题弹幕模型,生成所述话题弹幕列表。
12.根据权利要求11所述的方法,其特征在于,所述话题弹幕模型通过如下方式生成:
根据所述第三历史弹幕数据,确定话题训练样本;
将所述话题训练样本输入所述话题弹幕模型,生成与所述话题训练样本对应的第二预测值;
将所述第二预测值与预设的第二参考值进行比对,并根据比对结果对所述话题弹幕模型进行反向训练。
13.根据权利要求12所述的方法,其特征在于,所述话题训练样本包括正样本与负样本,所述根据所述第三历史弹幕数据,确定话题训练样本,包括:
将所述第三历史弹幕数据中包含预设字段的弹幕标记为所述正样本;
将所述第三历史弹幕数据中不包含所述预设字段的弹幕标记为所述负样本。
14.根据权利要求3所述的方法,其特征在于,所述第一预设时间段包括直播间开播至当前时刻的时间段,以及直播间当前时刻之前的预设时间段中的至少一种。
15.根据权利要求5所述的方法,其特征在于,所述第二预设时间段包括直播间的历史直播时间段,以及直播间当前时刻之前的预设时间段中的至少一种。
16.一种弹幕生成模型的训练方法,其特征在于,包括:
获取第二预设时间段内的第二历史弹幕数据;
根据所述第二历史弹幕数据,确定弹幕训练样本;
根据所述弹幕训练样本,生成所述弹幕生成模型。
17.根据权利要求16所述的方法,其特征在于,所述根据所述第二历史弹幕数据,确定弹幕训练样本,包括:
获取所述第二历史弹幕数据中的第一弹幕;
确定所述第二历史弹幕数据中与所述第一弹幕的关系满足预设条件的第二弹幕;
将所述第一弹幕和所述第二弹幕作为所述弹幕训练样本。
18.根据权利要求17所述的方法,其特征在于,所述确定所述第二历史弹幕数据中与所述第一弹幕的关系满足预设条件的第二弹幕,包括:
获取所述第一弹幕的发布时刻;
从所述第二历史弹幕数据中,提取在所述发布时刻之后的预设时间段内的弹幕,作为所述第二弹幕。
19.根据权利要求18所述的方法,其特征在于,所述确定所述第二历史弹幕数据中与所述第一弹幕的关系满足预设条件的第二弹幕,包括:
从所述第二历史弹幕数据中,提取与所述第一弹幕之间的字符匹配度大于预设阈值的弹幕,作为所述第二弹幕。
20.根据权利要求17所述的方法,其特征在于,所述获取所述第二历史弹幕数据中的第一弹幕,包括:
过滤所述第二历史弹幕数据中的资源标识,和/或,表情符号,得到所述第一弹幕。
21.根据权利要求17至20任一所述的方法,其特征在于,所述根据所述弹幕训练样本,生成所述弹幕生成模型,包括:
将所述第一弹幕与所述第二弹幕输入预设的初始弹幕生成模型,生成与所述第一弹幕与所述第二弹幕对应的第一预测值;
将所述第一预测值与预设的第一参考值进行比对,并根据比对结果对所述初始弹幕生成模型进行反向训练。
22.根据权利要求21所述的方法,其特征在于,所述将所述第一弹幕与所述第二弹幕输入预设的初始弹幕生成模型,生成与所述第一弹幕与所述第二弹幕对应的第一预测值,包括:
将所述第一弹幕与所述第二弹幕输入预设的初始弹幕生成模型进行迭代,并计算每次迭代后的初始弹幕生成模型的多个损失函数;
所述将所述第一预测值与预设的第一参考值进行比对,并根据比对结果对所述初始弹幕生成模型进行反向训练,包括:
当迭代后的初始弹幕生成模型的多个损失函数均最小化时,停止迭代,生成目标弹幕生成模型。
23.根据权利要求22所述的方法,其特征在于,所述弹幕生成模型包括第一输入层以及第二输入层,与所述第一输入层连接的预设数目的第一线性层,与所述第二输入层连接的预设数目的第二线性层,分别与所述第一线性层以及所述第二线性层连接的语义编解码层,与所述语义编解码层连接的连接层,与所述连接层连接的第三线性层,与所述第三线性层连接的softmax层,以及与所述softmax层连接的多个输出节点;所述softmax层用于将所述第三线性层的输出结果进行转换,并将转换后的输出结果分别输出至多个所述输出节点。
24.根据权利要求23所述的方法,其特征在于,所述将所述第一序列向量与所述第二序列向量输入预设的初始弹幕生成模型进行迭代,并计算每次迭代后的初始弹幕生成模型的多个损失函数,包括:
将所述第一弹幕输入所述第一输入层生成第一序列向量,以及将所述第二弹幕输入所述第二输入层生成第二序列向量;
通过所述预设数目的第一线性层每一神经元的激活函数,对所述第一序列向量逐层进行映射,并将最后一层线性层生成的第一输出向量传输至所述语义编解码层;
通过所述预设数目的第二线性层每一神经元的激活函数,对所述第二序列向量逐层进行映射,并将最后一层线性层的第二输出向量传输至所述语义编解码层;
将所述第一输出向量与所述第二输出向量输入所述语义编解码层,生成目标输出向量;
通过所述连接层对所述目标输出向量进行矩阵转换,生成目标序列向量;
通过预设数目的第三线性层每一神经元的激活函数,对所述目标序列向量逐层进行映射,并将最后一层线性层的输出结果传输至所述softmax层;
通过所述softmax层采用所述输出结果,和与所述输出结果对应的多个损失函数,进行误差计算,生成多个梯度值。
25.根据权利要求24所述的方法,其特征在于,所述语义编解码层包括次级编码层、第一次级解码层、注意力分配层以及第二次级解码层,所述将所述第一输入向量与所述第二输出向量输入所述语义编码层,生成目标输入向量,包括:
将所述第一输出向量输入所述次级编码层进行编码,生成编码向量;
将所述编码向量与所述第二输出向量输入所述第一次级解码层进行解码,生成解码向量;
将所述编码向量与所述解码向量输入所述注意力分配层进行注意力分配,生成注意力分配值;
将所述注意力分配值输入所述第二次级解码层进行解码,生成与所述第一输出向量以及所述第二输出向量对应的目标输出向量。
26.根据权利要求24所述的方法,其特征在于,所述当迭代后的弹幕生成模型的多个损失函数均最小化时,停止迭代,生成目标弹幕生成模型,包括:
通过所述输出节点判断所述多个梯度值是否满足预设阈值条件;
若否,则根据所述多个梯度值更新所述每一神经元的激活函数的参数,继续迭代所述弹幕生成模型;
若是,则生成所述目标弹幕生成模型。
27.一种话题弹幕模型的训练方法,其特征在于,包括:
获取第三历史弹幕数据;
根据所述第三历史弹幕数据,确定话题训练样本;
将所述话题训练样本输入所述话题弹幕模型,生成与所述话题训练样本对应的第二预测值;
将所述第二预测值与预设的第二参考值进行比对,并根据比对结果对所述话题弹幕模型进行反向训练。
28.根据权利要求27所述的方法,其特征在于,所述话题训练样本包括正样本与负样本,所述根据所述第三历史弹幕数据,确定话题训练样本,包括:
将所述第三历史弹幕数据中包含预设字段的弹幕标记为所述正样本;
将所述第三历史弹幕数据中不包含所述预设字段的弹幕标记为所述负样本。
29.根据权利要求27所述的方法,其特征在于,所述第三历史弹幕数据包括不同类别直播间的历史弹幕数据,或相同类别直播间的历史弹幕数据。
30.根据权利要求28所述的方法,其特征在于,所述将所述话题训练样本输入所述话题弹幕模型,生成与所述话题训练样本对应的第二预测值,包括:
将所述正样本与所述负样本输入预设的初始话题弹幕模型,并计算每次迭代后的初始话题弹幕模型的多个损失函数;
所述将所述第二预测值与预设的第二参考值进行比对,并根据比对结果对所述话题弹幕模型进行反向训练,包括:
当迭代之后的初始话题弹幕模型的多个损失函数均最小化时,停止迭代,生成所述目标话题弹幕模型。
31.根据权利要求30所述的方法,其特征在于,所述初始话题弹幕模型包括输入层,与所述输入层连接的预设数目的第一线性层,与所述第一线性层连接的序列编码层,与所述序列编码层连接的注意力分配层,与所述注意力分配层连接的连接层,与所述连接层连接的第二线性层,与所述第二线性层连接的输出层,以及与所述输出层连接的多个输出节点;其中,所述输出层用于将所述第二线性层的输出结果进行映射,并将映射后的输出结果分别输入至所述多个输出节点。
32.根据权利要求31所述的方法,其特征在于,所述将所述正样本与所述负样本输入预设的初始话题弹幕模型,并计算每次迭代后的初始话题弹幕模型的多个损失函数,包括:
将所述正样本与所述负样本输入所述输入层,生成话题训练向量;
通过所述预设数目的第一线性层每一神经元的激活函数,对所述话题训练向量进行逐层映射,并最后一层线性层生成的第一输出向量传输至所述序列编码层;
通过所述序列编码层对所述第一输出向量进行编码,并将所述序列编码层生成的第二输出向量传输至所述注意力分配层;
通过所述注意力分配层对所述第二输出向量进行矩阵变换,并将所述注意力分配层生成的第三输出向量传输至所述连接层;
通过所述连接层对所述第三输出向量进行维度连接,并将所述连接层生成的目标输出向量传输至所述第二线性层;
通过所述第二线性层每一神经元的激活函数,将所述目标输出向量进行映射,并将所述第二线性层的输出结果传输至所述输出层;
通过所述输出层采用所述输出结果,和与所述输出结果对应的多个损失函数,进行误差计算,生成多个梯度值。
33.根据权利要求32所述的方法,其特征在于,所述当迭代之后的初始话题弹幕模型的多个损失函数均最小化时,停止迭代,生成所述目标话题弹幕模型,包括:
通过所述输出节点判断所述多个梯度值是否满足预设阈值条件;
若否,则根据所述多个梯度值更新所述每一神经元的激活函数的参数,继续迭代所述初始话题弹幕模型;
若是,则生成所述目标话题弹幕模型。
34.一种直播间弹幕的发布装置,其特征在于,包括:
目标弹幕获取模块,用于获取目标弹幕;
跟随弹幕生成模块,用于自动生成与所述目标弹幕对应的跟随弹幕;
弹幕发布模块,用于发布所述跟随弹幕。
35.一种弹幕生成模型的训练装置,其特征在于,包括:
第一数据获取模块,用于获取第二预设时间段内的第二历史弹幕数据;
第一样本确定模块,用于根据所述第二历史弹幕数据,确定弹幕训练样本;
第一模型训练模块,用于根据所述弹幕训练样本,生成所述弹幕生成模型。
36.一种话题弹幕模型的训练装置,其特征在于,包括:
第二数据获取模块,用于获取第三历史弹幕数据;
第二样本确定模块,用于根据所述第三历史弹幕数据,确定话题训练样本;
预测值生成模块,用于将所述话题训练样本输入所述话题弹幕模型,生成与所述话题训练样本对应的第二预测值;
第二模型训练模块,用于将所述第二预测值与预设的第二参考值进行比对,并根据比对结果对所述话题弹幕模型进行反向训练。
37.一种装置,其特征在于,包括:
一个或多个处理器;和
其上存储有指令的一个或多个机器可读介质,当由所述一个或多个处理器执行时,使得所述装置执行如权利要求1-15或16-26或27-33所述的一个或多个的方法。
38.一个或多个机器可读介质,其上存储有指令,当由一个或多个处理器执行时,使得所述处理器执行如权利要求1-15或16-26或27-33所述的一个或多个的方法。