一種基于人工智能的直播數(shù)據(jù)快速分析方法 技術(shù)領(lǐng)域 [0001] 本申請(qǐng)涉及智能化數(shù)據(jù)分析領(lǐng)域，且更為具體地，涉及一種基于人工智能的直播數(shù)據(jù)快速分析方法。 背景技術(shù) [0002] 隨著直播越來(lái)越發(fā)達(dá)，直播復(fù)盤(pán)也成為直播運(yùn)營(yíng)十分重要的一環(huán)。在直播復(fù)盤(pán)時(shí)，通常會(huì)利用直播趨勢(shì)圖表，以幫助直播管理者快速了解直播業(yè)務(wù)數(shù)據(jù)的變化趨勢(shì)和規(guī)律。 [0003] 在直播趨勢(shì)圖表中，可能會(huì)出現(xiàn)異常數(shù)據(jù)點(diǎn)，例如在線(xiàn)人數(shù)在短時(shí)間內(nèi)激增或驟降等情況，這些異常點(diǎn)對(duì)于直播運(yùn)營(yíng)分析過(guò)程中具有至關(guān)重要的作用，是直播管理者進(jìn)行進(jìn)一步分析和改善的關(guān)鍵時(shí)間節(jié)點(diǎn)。然而，目前的直播復(fù)盤(pán)過(guò)程中，異常數(shù)據(jù)點(diǎn)往往需要人工進(jìn)行分辨檢測(cè)，不僅耗時(shí)耗力，而且容易出現(xiàn)錯(cuò)誤。并且，在找到異常點(diǎn)后，還需要進(jìn)一步根據(jù)時(shí)間節(jié)點(diǎn)來(lái)查找相關(guān)的直播內(nèi)容，較為繁瑣，不適用于現(xiàn)今的直播復(fù)盤(pán)需求。 [0004] 因此，期望一種優(yōu)化的基于人工智能的直播數(shù)據(jù)快速分析方案。 發(fā)明內(nèi)容 [0005] 為了解決上述技術(shù)問(wèn)題，提出了本申請(qǐng)。本申請(qǐng)的實(shí)施例提供了一種基于人工智能的直播數(shù)據(jù)快速分析方法。其首先將直播業(yè)務(wù)數(shù)據(jù)中的多個(gè)預(yù)定時(shí)間點(diǎn)的在線(xiàn)人數(shù)值按照時(shí)間維度排列為在線(xiàn)人數(shù)時(shí)序輸入向量，接著，基于每?jī)蓚€(gè)所述預(yù)定時(shí)間點(diǎn)之間的時(shí)間間隔和所述在線(xiàn)人數(shù)時(shí)序輸入向量，生成在線(xiàn)人數(shù)變化率時(shí)序輸入向量，然后，將所述在線(xiàn)人數(shù)時(shí)序輸入向量和所述在線(xiàn)人數(shù)變化率時(shí)序輸入向量進(jìn)行級(jí)聯(lián)后通過(guò)多尺度鄰域特征提取模塊以得到分類(lèi)特征向量，最后，將所述分類(lèi)特征向量通過(guò)分類(lèi)器以得到用于表示當(dāng)前直播業(yè)務(wù)數(shù)據(jù)是否存在異常的分類(lèi)結(jié)果。這樣，可以實(shí)現(xiàn)對(duì)直播數(shù)據(jù)的快速分析。 [0006] 根據(jù)本申請(qǐng)的一個(gè)方面，提供了一種基于人工智能的直播數(shù)據(jù)快速分析方法，其包括： [0007] 獲取當(dāng)前直播業(yè)務(wù)數(shù)據(jù)，其中，所述直播業(yè)務(wù)數(shù)據(jù)包括預(yù)定時(shí)間段內(nèi)多個(gè)預(yù)定時(shí)間點(diǎn)的在線(xiàn)人數(shù)值； [0008] 將所述直播業(yè)務(wù)數(shù)據(jù)中的多個(gè)預(yù)定時(shí)間點(diǎn)的在線(xiàn)人數(shù)值按照時(shí)間維度排列為在線(xiàn)人數(shù)時(shí)序輸入向量； [0009] 基于每?jī)蓚€(gè)所述預(yù)定時(shí)間點(diǎn)之間的時(shí)間間隔和所述在線(xiàn)人數(shù)時(shí)序輸入向量，生成在線(xiàn)人數(shù)變化率時(shí)序輸入向量； [0010] 將所述在線(xiàn)人數(shù)時(shí)序輸入向量和所述在線(xiàn)人數(shù)變化率時(shí)序輸入向量進(jìn)行級(jí)聯(lián)以得到直播業(yè)務(wù)數(shù)據(jù)輸入向量； [0011] 將所述直播業(yè)務(wù)數(shù)據(jù)輸入向量通過(guò)包含第一卷積層和第二卷積層的多尺度鄰域特征提取模塊以得到分類(lèi)特征向量； [0012] 以及將所述分類(lèi)特征向量通過(guò)分類(lèi)器以得到分類(lèi)結(jié)果，所述分類(lèi)結(jié)果用于表示當(dāng)前直播業(yè)務(wù)數(shù)據(jù)是否存在異常。 [0013] 在上述的基于人工智能的直播數(shù)據(jù)快速分析方法中，將所述在線(xiàn)人數(shù)時(shí)序輸入向量和所述在線(xiàn)人數(shù)變化率時(shí)序輸入向量進(jìn)行級(jí)聯(lián)以得到直播業(yè)務(wù)數(shù)據(jù)輸入向量，包括： [0014] 以如下級(jí)聯(lián)公式將所述在線(xiàn)人數(shù)時(shí)序輸入向量和所述在線(xiàn)人數(shù)變化率時(shí)序輸入向量進(jìn)行級(jí)聯(lián)以得到所述直播業(yè)務(wù)數(shù)據(jù)輸入向量； [0015] 其中，所述級(jí)聯(lián)公式為： [0016] ； [0017] 其中， 分別表示所述在線(xiàn)人數(shù)時(shí)序輸入向量和所述在線(xiàn)人數(shù)變化率時(shí)序輸 入向量， 表示級(jí)聯(lián)函數(shù)，表示所述直播業(yè)務(wù)數(shù)據(jù)輸入向量。 [0018] 在上述的基于人工智能的直播數(shù)據(jù)快速分析方法中，將所述直播業(yè)務(wù)數(shù)據(jù)輸入向量通過(guò)包含第一卷積層和第二卷積層的多尺度鄰域特征提取模塊以得到分類(lèi)特征向量，包括： [0019] 將所述直播業(yè)務(wù)數(shù)據(jù)輸入向量通過(guò)所述多尺度鄰域特征提取模塊的所述第一卷積層以得到第一尺度數(shù)據(jù)特征向量； [0020] 將所述直播業(yè)務(wù)數(shù)據(jù)輸入向量通過(guò)所述多尺度鄰域特征提取模塊的所述第二卷積層以得到第二尺度數(shù)據(jù)特征向量； [0021] 以及將所述第一尺度數(shù)據(jù)特征向量和所述第二尺度數(shù)據(jù)特征向量進(jìn)行級(jí)聯(lián)以得到所述分類(lèi)特征向量。 [0022] 在上述的基于人工智能的直播數(shù)據(jù)快速分析方法中，所述多尺度鄰域特征提取模塊包括并行的所述第一卷積層和所述第二卷積層，以及，與所述第一卷積層和所述第二卷積層連接的多尺度特征融合層，其中，所述第一卷積層和所述第二卷積層使用具有不同尺度的一維卷積核。 [0023] 在上述的基于人工智能的直播數(shù)據(jù)快速分析方法中，將所述分類(lèi)特征向量通過(guò)分類(lèi)器以得到分類(lèi)結(jié)果，所述分類(lèi)結(jié)果用于表示當(dāng)前直播業(yè)務(wù)數(shù)據(jù)是否存在異常，包括： [0024] 使用所述分類(lèi)器的多個(gè)全連接層對(duì)所述分類(lèi)特征向量進(jìn)行全連接編碼以得到編碼分類(lèi)特征向量； [0025] 以及將所述編碼分類(lèi)特征向量通過(guò)所述分類(lèi)器的Softmax分類(lèi)函數(shù)以得到所述分類(lèi)結(jié)果。 [0026] 在上述的基于人工智能的直播數(shù)據(jù)快速分析方法中，還包括用于對(duì)所述包含第一卷積層和第二卷積層的多尺度鄰域特征提取模塊和所述分類(lèi)器進(jìn)行訓(xùn)練的訓(xùn)練步驟。 [0027] 在上述的基于人工智能的直播數(shù)據(jù)快速分析方法中，所述訓(xùn)練步驟，包括：

1.一種基于人工智能的直播數(shù)據(jù)快速分析方法，其特征在于，包括： 獲取當(dāng)前直播業(yè)務(wù)數(shù)據(jù)，其中，所述直播業(yè)務(wù)數(shù)據(jù)包括預(yù)定時(shí)間段內(nèi)多個(gè)預(yù)定時(shí)間點(diǎn)的在線(xiàn)人數(shù)值； 將所述直播業(yè)務(wù)數(shù)據(jù)中的多個(gè)預(yù)定時(shí)間點(diǎn)的在線(xiàn)人數(shù)值按照時(shí)間維度排列為在線(xiàn)人數(shù)時(shí)序輸入向量； 基于每?jī)蓚€(gè)所述預(yù)定時(shí)間點(diǎn)之間的時(shí)間間隔和所述在線(xiàn)人數(shù)時(shí)序輸入向量，生成在線(xiàn)人數(shù)變化率時(shí)序輸入向量； 將所述在線(xiàn)人數(shù)時(shí)序輸入向量和所述在線(xiàn)人數(shù)變化率時(shí)序輸入向量進(jìn)行級(jí)聯(lián)以得到直播業(yè)務(wù)數(shù)據(jù)輸入向量； 將所述直播業(yè)務(wù)數(shù)據(jù)輸入向量通過(guò)包含第一卷積層和第二卷積層的多尺度鄰域特征提取模塊以得到分類(lèi)特征向量； 以及將所述分類(lèi)特征向量通過(guò)分類(lèi)器以得到分類(lèi)結(jié)果，所述分類(lèi)結(jié)果用于表示當(dāng)前直播業(yè)務(wù)數(shù)據(jù)是否存在異常； 所述方法還包括用于對(duì)所述包含第一卷積層和第二卷積層的多尺度鄰域特征提取模塊和所述分類(lèi)器進(jìn)行訓(xùn)練的訓(xùn)練步驟； 所述訓(xùn)練步驟，包括： 獲取訓(xùn)練數(shù)據(jù)，所述訓(xùn)練數(shù)據(jù)包括當(dāng)前訓(xùn)練直播業(yè)務(wù)數(shù)據(jù)，以及，所述當(dāng)前直播業(yè)務(wù)數(shù)據(jù)是否存在異常的真實(shí)值，其中，所述訓(xùn)練直播業(yè)務(wù)數(shù)據(jù)包括預(yù)定時(shí)間段內(nèi)多個(gè)預(yù)定時(shí)間點(diǎn)的訓(xùn)練在線(xiàn)人數(shù)值； 將所述訓(xùn)練直播業(yè)務(wù)數(shù)據(jù)中的多個(gè)預(yù)定時(shí)間點(diǎn)的訓(xùn)練在線(xiàn)人數(shù)值按照時(shí)間維度排列為訓(xùn)練在線(xiàn)人數(shù)時(shí)序輸入向量； 基于每?jī)蓚€(gè)所述預(yù)定時(shí)間點(diǎn)之間的訓(xùn)練時(shí)間間隔和所述訓(xùn)練在線(xiàn)人數(shù)時(shí)序輸入向量，生成訓(xùn)練在線(xiàn)人數(shù)變化率時(shí)序輸入向量； 將所述訓(xùn)練在線(xiàn)人數(shù)時(shí)序輸入向量和所述訓(xùn)練在線(xiàn)人數(shù)變化率時(shí)序輸入向量進(jìn)行級(jí)聯(lián)以得到訓(xùn)練直播業(yè)務(wù)數(shù)據(jù)輸入向量； 將所述訓(xùn)練直播業(yè)務(wù)數(shù)據(jù)輸入向量通過(guò)所述包含第一卷積層和第二卷積層的多尺度鄰域特征提取模塊以得到訓(xùn)練分類(lèi)特征向量； 將所述訓(xùn)練分類(lèi)特征向量通過(guò)所述分類(lèi)器以得到分類(lèi)損失函數(shù)值； 以及基于所述分類(lèi)損失函數(shù)值并通過(guò)梯度下降的方向傳播來(lái)對(duì)所述包含第一卷積層和第二卷積層的多尺度鄰域特征提取模塊和所述分類(lèi)器進(jìn)行訓(xùn)練，其中，在所述訓(xùn)練的每一輪迭代中，對(duì)所述分類(lèi)器的權(quán)重矩陣進(jìn)行權(quán)重本征支持的半空間結(jié)構(gòu)化約束迭代。 2.根據(jù)權(quán)利要求1所述的基于人工智能的直播數(shù)據(jù)快速分析方法，其特征在于，將所述在線(xiàn)人數(shù)時(shí)序輸入向量和所述在線(xiàn)人數(shù)變化率時(shí)序輸入向量進(jìn)行級(jí)聯(lián)以得到直播業(yè)務(wù)數(shù)據(jù)輸入向量，包括： 以如下級(jí)聯(lián)公式將所述在線(xiàn)人數(shù)時(shí)序輸入向量和所述在線(xiàn)人數(shù)變化率時(shí)序輸入向量進(jìn)行級(jí)聯(lián)以得到所述直播業(yè)務(wù)數(shù)據(jù)輸入向量； 其中，所述級(jí)聯(lián)公式為： ；