直播内容理解方法、装置、存储介质及电子设备

技术领域

本公开涉及电子信息技术领域，具体地，涉及一种直播内容理解方法、装置、存储介质及电子设备。

背景技术

网络视频直播是指用户可以通过网络收看到远端正在进行的现场音视频实况，具有强交互性的产品属性，使直播具有很强的社交功能、产品粘性高等特性。网络视频直播的内容丰富多样，落地场景不同，不同的用户也有不同的需求，这就使得网络视频直播的分发和推荐显得至关重要。

然而，相关技术中网络视频直播的内容的理解难度较大，从而导致无法为用户分发和推荐满足用户自身所需的网络视频直播，且也无法适用不同的落地场景。

发明内容

提供该发明内容部分以便以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。该发明内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。

第一方面，本公开提供一种直播内容理解方法，包括：

获取待理解直播的视频流；

对所述视频流进行等时长的切片处理，得到多个视频片段；

提取所述多个视频片段中的至少一个视频片段的特征向量；

根据所述至少一个视频片段的特征向量，采用预设策略确定所述待理解直播的内容理解结果；

其中，所述预设策略包括分类策略或聚类策略，所述分类策略用于至少利用类别标签确定所述待理解直播的内容理解结果，所述类别标签为通过人工标注的训练样本进行训练得到的标签预测模型对所述视频片段的特征向量进行预测得到的，所述聚类策略用于根据所有所述视频片段的特征向量采用聚类算法进行聚类处理确定所述待理解直播的内容理解结果。

第二方面，本公开提供一种直播内容理解装置，包括：

获取模块，用于获取待理解直播的视频流；

切片模块，用于对所述视频流进行等时长的切片处理，得到多个视频片段；

提取模块，用于提取所述多个视频片段中的至少一个视频片段的特征向量；

确定模块，用于根据所述至少一个视频片段的特征向量，采用预设策略确定所述待理解直播的内容理解结果；

其中，所述预设策略包括分类策略或聚类策略，所述分类策略用于至少利用类别标签确定所述待理解直播的内容理解结果，所述类别标签为通过人工标注的训练样本进行训练得到的标签预测模型对所述视频片段的特征向量进行预测得到的，所述聚类策略用于根据所有所述视频片段的特征向量采用聚类算法进行聚类处理确定所述待理解直播的内容理解结果。

第三方面，本公开提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理装置执行时实现第一方面所述方法的步骤。

第四方面，本公开提供一种电子设备，包括：

存储装置，其上存储有计算机程序；

处理装置，用于执行所述存储装置中的所述计算机程序，以实现第一方面所述方法的步骤。

通过上述技术方案，对待理解直播的视频流进行等时长切分得到多个的视频片段，基于至少一个视频片段的特征向量来确定待理解直播的内容理解结果，由于视频片段短，内容信息量小，不容易产生干扰，因此不容易引发不同用户的分歧，从而提高内容理解的精确度；此外，分类策略属于有监督方式，聚类策略属于无监督方式，两种策略优势不同，因此能满足不同落地场景的需要。

本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。

附图说明

结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。在附图中：

图1是根据本公开一示例性实施例示出的一种直播内容理解方法的流程图。

图2是根据本公开一示例性实施例示出的一种确定视频片段的特征向量的流程图。

图3是根据本公开一示例性实施例示出的一种直播内容理解装置的框图。

图4是根据本公开一示例性实施例示出的一种电子设备的框图。

具体实施方式

下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。

应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。

本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。

需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。

需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。

本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。

可以理解的是，在使用本公开各实施例公开的技术方案之前，均应当依据相关法律法规通过恰当的方式对本公开所涉及个人信息的类型、使用范围、使用场景等告知用户并获得用户的授权。

例如，在响应于接收到用户的主动请求时，向用户发送提示信息，以明确地提示用户，其请求执行的操作将需要获取和使用到用户的个人信息。从而，使得用户可以根据提示信息来自主地选择是否向执行本公开技术方案的操作的电子设备、应用程序、服务器或存储介质等软件或硬件提供个人信息。

作为一种可选的但非限定性的实现方式，响应于接收到用户的主动请求，向用户发送提示信息的方式例如可以是弹窗的方式，弹窗中可以以文字的方式呈现提示信息。此外，弹窗中还可以承载供用户选择“同意”或者“不同意”向电子设备提供个人信息的选择控件。

可以理解的是，上述通知和获取用户授权过程仅是示意性的，不对本公开的实现方式构成限定，其它满足相关法律法规的方式也可应用于本公开的实现方式中。

同时，可以理解的是，本技术方案所涉及的数据(包括但不限于数据本身、数据的获取或使用)应当遵循相应法律法规及相关规定的要求。

正如背景技术所言，网络视频直播的时长较长，内容理解难度非常大。例如，对于1小时的视频，有10分钟的直播内容是主播在跳舞，30分钟的直播内容是主播在唱歌，其余时间的直播内容是主播在与观看直播的用户进行语言互动，对于运营或者关注跳舞、唱歌、语言互动的不同类型的用户而言，对直播内容理解的标准是不同的，因此，不同用户定位该直播视频的类别是不同的，从而利用人工标注的视频样本进行分类模型训练得到的分类模型的预测效果会受到影响，特别是对于精细化运营、生态监控类型的落地场景而言，而预测效果会直接影响对直播间的分发和推荐。

此外，对网络视频直播而言，目前的内容理解方式无法适用不同的落地场景。

有鉴于此，本公开实施例公开了一种直播内容理解方法、装置、存储介质及电子设备，提高内容理解的精确度以及能满足不同落地场景的需要。

以下结合附图对本公开进行进一步解释说明。

图1是根据本公开一示例性实施例示出的一种直播内容理解方法的流程图，该直播内容理解方法可以应用于电子设备，该电子设备例如可以是手机、平板等，参照图1，该直播内容理解方法可以包括以下步骤。

步骤S101，获取待理解直播的视频流。

值得说明的是，对于待理解直播的视频流进行内容理解得到内容理解结果后，可以基于该内容理解结果将待理解直播分发和推荐至对该待理解直播感兴趣的用户。

在一些实施例中，可以从直播源站中拉取待理解直播的视频流。这里的直播源站可以理解为主播发布直播视频的地址。

步骤S102，对视频流进行等时长的切片处理，得到多个视频片段。

示例地，视频片段的时长可以是20秒，也可以是25秒。

在一些实施例中，切分的相邻两个视频片段的视频内容可以是连续的，例如，待理解直播的视频片段包括视频片段1和视频片段2，视频片段1可以是待理解直播的第1秒至第20秒构成的视频片段，视频片段2可以是待理解直播的第21秒至第40秒构成的视频片段，视频片段1和视频片段2的时长均为20秒。

在一些实施例中，相邻两个视频片段的视频内容可以是非连续的，且视频内容非连续的相邻两个视频片段可以具有部分重合的视频内容。例如，待理解直播的视频片段包括视频片段1和视频片段2，视频片段1可以是待理解直播的第1秒至第20秒构成的视频片段，视频片段2也可以是第16秒至第35秒构成的视频片段，视频片段1和视频片段2的时长均为20秒，视频片段1和视频片段2中重合的视频内容是待理解直播的第16秒至20秒的视频内容。

步骤S103，提取多个视频片段中的至少一个视频片段的特征向量。

在一些实施例中，视频片段的特征向量可以是单模态的特征向量，也可以是对多种单模态的特征向量进行融合处理得到的多模态特征向量。在视频片段的特征向量是多模态特征向量的情况下，图1所示的步骤S103可以通过以下方式实施：提取每个视频片段的多模态特征向量，其中，多模态特征包括音频特征向量、主播语音特征向量、字幕特征向量和画面特征向量；对每个视频片段的多模态特征向量进行融合处理，得到每个视频片段的特征向量。

其中，音频特征向量可以是视频片段的背景音频对应的音频特征向量，这里的背景音频可以是除主播语音之外的音频。音频特征向量可以利用AED(Acoustic EventsDetection，声音事件检测)进行检测，AED主要目的是检测连续的音频流之中有无出现目标声音事件，比如检测设备故障异常发出的声音和野生动物的声音等等。

其中，主播语音特征向量可以利用ASR(Automatic Speech Recognition，自动语音识别技术)进行提取，ASR是一种将人的语音转换为文本的技术，从而可以基于文本得到主播语音特征向量。

其中，字幕特征向量可以用OCR(optical character recognition，光学字符识别)技术提取待理解直播里面的字幕，从而可以基于识别到的文字得到字幕特征向量。

其中，画面特征向量也可以称为图像特征向量，画面特征向量可以是HOG(Histogram of Oriented Gradient，方向梯度直方图)特征、LBP(Local Binary Pattern，局部二值特征)特征和Haar(Haar-like，哈尔)特征等等。

参照图2，在图2中，带箭头的不同线型用于表征不同视频片段的数据流向。其中，视频片段1、视频片段2、视频片段2，…，视频片段N是按照时间顺序对待理解直播的视频流进行等时长切分得到的不同视频片段，每个视频片段的时间长度为20秒。针对每个视频片段，分别提取每个视频片段的ASR特征向量、AED特征向量、字幕特征向量和画面特征向量，再融合该视频片段提取的四个特征向量，从而得到视频片段对应的特征向量，该特征向量为基于多个单模态的特征向量进行融合处理得到的多模态特征向量。以视频片段1为例，提取视频片段1的ASR特征向量、视频片段1的AED特征向量、视频片段1的字幕特征向量和视频片段1的画面特征向量，再对视频片段1的ASR特征向量、视频片段1的AED特征向量、视频片段1的字幕特征向量和视频片段1的画面特征向量进行融合，得到视频片段1的特征向量。

通过对视频片段的多种单模态的特征向量进行融合得到的视频片段的特征向量，从多种维度得到视频片段的特征表示，从而提高用于表征视频片段的特征的信息量，进而全方面实现对视频内容的理解。

步骤S104，根据至少一个视频片段的特征向量，采用预设策略确定待理解直播的内容理解结果。

其中，预设策略包括分类策略或聚类策略，分类策略用于至少利用类别标签确定待理解直播的内容理解结果，类别标签为通过人工标注的训练样本进行训练得到的标签预测模型对视频片段的特征向量进行预测得到的，这里的内容理解结果为具体的类别，例如唱歌类别、跳舞类别、互动类别等等；聚类策略用于根据所有视频片段的特征向量采用聚类算法进行聚类处理确定待理解直播的内容理解结果，这里的内容理解结果为聚类标识，其不能用于解释具体的类别，但基于聚类标识可以确定与待理解直播相似的其他直播。

值得说明的是，分类是事先定义好类别，类别数是固定不变的，即分类的粒度固定不变，分类模型需要由人工标注的分类训练语料训练得到，可以直观地解释类别，属于有监督方式，也可以称为白盒方式。而聚类没有事先预定好类别，类别数不确定，虽不能直观地解释类别，但聚类可以有效地控制粒度，且聚类不需要人工标注和预先训练分类器，属于无监督方式，也可以称为黑盒方式。由于分类和聚类两种方式的优缺点是不同，因此，在实际使用中，分类更适合类别、分类体系已经确定、精细化运营、生态监控等落地场景；而聚类更适合不存在分类体系、类别数不确定的落地场景，例如，相似性推荐。

通过上述方式，对待理解直播的视频流进行等时长切分得到多个的视频片段，基于每个视频片段的特征向量来确定待理解直播的内容理解结果，由于视频片段短，内容信息量小，不容易产生干扰，因此不容易引发不同用户的分歧，从而提高内容理解的精确度；此外，采用不同的策略来获得待理解直播的内容理解结果，分类策略属于有监督方式，聚类策略属于无监督方式，两种策略优势不同，可以适用不同落地场景的视频内容理解。

以下分别基于分类策略和聚类策略对图1所示的步骤S104进行解释说明。

在预设策略包括分类策略时，图1所示的步骤S104可以通过以下方式实施：将每一视频片段的特征向量输入至标签预测模型进行处理，得到每一视频片段的特征向量对应的类别标签；获取待理解直播中属于同一类别标签的视频片段的总时长，以及获取其他直播与待理解直播处于相同直播时长内属于同一类别标签的所有视频片段的总时长；对获取的待理解直播和其他直播中属于同一类别标签的总时长按照从小到大的顺序进行排序，得到第一排序结果；确定所有第一排序结果中与待理解直播对应的总时长超过第一预设百分位数的目标第一排序结果，并将该目标第一排序结果中与待理解直播对应的总时长所对应的类别标签确定为待理解直播的内容理解结果。

其中，标签预测模型可以预先利用训练样本进行训练，这里的训练样本可以通过人工标注得到，这里的人工标注包括正训练样本的标注和负训练样本的标注。标签预测模型可以将视频特征的特征向量作为输入，输出预测的视频片段属于各个类别标签的概率，将概率最大的类别标签作为视频片段的特征向量对应的类别标签，且类别标签用于表征具体的类别。

其中，通过百分位数来确定待理解直播的内容理解结果是一种统计方式。百分位数是用来比较个体在群体中的相对地位量数，第一预设百分位数可以根据实际情况进行设定。

其中，在对多个直播的同一类别标签的总时长进行排列时，针对目标直播而言，目标直播排列越后，表征目标直播的类别标签可以定位为本次进行排列的类别标签。

示例地，在视频片段的类别标签包括唱歌标签、跳舞标签和互动标签这三个时，需要统计属于唱歌标签的视频片段的总时长，属于跳舞标签的视频片段的总时长，以及属于互动标签的视频片段的总时长；接着，在统计其他直播与待理解直播处于相同直播时长内分别属于唱歌标签、跳舞标签和互动标签的所有视频片段的总时长。若其他直播有50个，对待理解直播和其他直播中属于唱歌标签的总时长按照从小到大的顺序进行排序，得到第一排序结果，第一排序结果中是51个直播在相同直播时长内，分别属于唱歌标签的所有视频片段的总时长，若在该第一排序结果中，待理解直播对应的总时长超过第一预设百分位数，则可以将待理解直播的类别标签确定为唱歌标签，同时，该第一排序结果可以称为目标第一排序结果。

其中，其他直播的类型可以是实时直播，也可以是历史直播。值得说明的是，由于历史直播中属于不同标签类别的视频片段的总时长可以离线统计并缓存，因此基于历史直播可以更快速地确定出第一排序结果。

通过上述方式，由于类别标签属于有监督模式，需人工进行类别标注，其分类精准，可以适用于例如精细化运营的落地场景；此外，在直播中，主播语言互动的行为占比非常高，简单的基于待理解直播中已切分的视频片段的类别标签的数量会导致语言互动类非常多，从而降低稀缺长尾垂类的召回率。因此，通过上述基于百分位数的方式，可以保证稀缺长尾垂类的召回率。

在预设策略包括分类策略时，图1所示的步骤S104可以通过以下方式实施：将每一视频片段的特征向量输入至标签预测模型进行处理，得到每一视频片段的特征向量对应的类别标签；至少将所有类别标签输入至训练好的类别预测模型，得到待理解直播的内容理解结果。

其中，这里的标签预测模型可以参照上述实施例，本实施例在此不作赘述。

其中，类别预测模型可以通过XGB(extreme gradient boosting，极端梯度提升)算法实现。

这里，除了将类别标签输入至训练好的类别预测模型，还可以将待理解直播的视频片段的特征向量、待理解直播的标题的特征向量、待理解直播的主播的用户特征向量中的至少一种与类别标签同时输入至训练好的类别预测模型，增加类别预测模型的信息量，从而提高类别预测模型的精度。

通过上述方式，由于类别标签属于有监督模式，需人工进行类别标注，其分类精准，可以适用于例如精细化运营的落地场景；且相较于上述基于百分位数的方式而言，基于模型的方式的效率更高。

在预设策略包括聚类策略时，图1所示的步骤S104可以通过以下方式实施：采用聚类算法对所有视频片段的特征向量进行聚类，得到聚类结果，其中，聚类结果中包括至少一个表征类簇的类簇标识；获取待理解直播中属于同一类簇标识的视频片段的总时长，以及获取其他直播与待理解直播处于相同直播时长内属于同一类簇标识的所有视频片段的总时长；对获取的待理解直播和其他直播中属于同一类簇标识的总时长按照从小到大的顺序进行排序，得到第二排序结果；确定所有第二排序结果中与待理解直播对应的总时长超过第二预设百分位数的目标第二排序结果，并将该目标第二排序结果中与待理解直播对应的总时长所对应的类簇标识确定为待理解直播的内容理解结果。

其中，其他直播的类型可以参照上述实施例，本实施例在此不作限定。

其中，聚类算法可以Kmeans算法、基于密度的空间聚类算法等等。

与基于分类标签类似地，在对多个直播的同一类簇标识的总时长进行排列时，针对目标直播而言，目标直播排列越后，表征目标直播的类别标签可以定位为本次进行排列的类簇标识。

示例地，在视频片段的类簇标识包括类簇标识1、类簇标识2和类簇标识3这三个时，需要统计属于类簇标识1的视频片段的总时长，属于类簇标识2的视频片段的总时长，以及属于类簇标识3的视频片段的总时长；接着，在统计其他直播与待理解直播处于相同直播时长内分别属于类簇标识1、类簇标识2和类簇标识3的所有视频片段的总时长。若其他直播有20个，对待理解直播和其他直播中属于类簇标识3的总时长按照从小到大的顺序进行排序，得到第二排序结果，第二排序结果中是21个直播在相同直播时长内，分别属于类簇标识3的所有视频片段的总时长，若在该第二排序结果中，待理解直播对应的总时长超过第二预设百分位数，则可以将待理解直播的内容理解结果确定为类簇标识3，同时，该第二排序结果可以称为目标第二排序结果。

通过上述方式，由于聚类属于无监督模式，可以灵活控制聚类的粒度，也无需人工进行类别标注，降低了人力成本，且上述内容理解结果的确定方式也可以保证稀缺长尾垂类的召回率。

在预设策略包括聚类策略时，图1所示的步骤S104可以通过以下方式实施：对所有视频片段的特征向量进行加权平均处理，得到用于描述待理解直播所属类簇的均值向量；将均值向量与预设类簇的中心向量进行距离计算，将与均值向量距离最短的中心向量所对应的预设类簇的类簇标识确定为待理解直播的内容理解结果。

值得说明的是，预设类簇是通过离线方式进行得到的，预设类簇的中心向量用于描述该类簇，从而与均值向量距离最短的中心向量所对应的预设类簇的类簇标识确定为待理解直播的内容理解结果。

示例地，距离计算可以是计算欧式距离计算、曼哈顿距离计算、切比雪夫距离计算、马氏距离计算等等。

通过上述方式，由于聚类属于无监督模式，可以灵活控制聚类的粒度，也无需人工进行类别标注，降低了人力成本，可以适用于例如基于相似性进行推荐的落地场景；此外，相较于上述基于百分位数的方式而言，通过均值向量来确定为待理解直播的内容理解结果，可以提高降低计算量，从而提高效率。

图3是根据本公开一示例性实施例示出的一种直播内容理解装置的框图，参照图3，包括：

获取模块301，用于获取待理解直播的视频流；

切片模块302，用于对所述视频流进行等时长的切片处理，得到多个视频片段；

提取模块303，用于提取所述多个视频片段中的至少一个视频片段的特征向量；

确定模块304，用于根据所述至少一个视频片段的特征向量，采用预设策略确定所述待理解直播的内容理解结果；

其中，所述预设策略包括分类策略或聚类策略，所述分类策略用于至少利用类别标签确定所述待理解直播的内容理解结果，所述类别标签为通过人工标注的训练样本进行训练得到的标签预测模型对所述视频片段的特征向量进行预测得到的，所述聚类策略用于根据所有所述视频片段的特征向量采用聚类算法进行聚类处理确定所述待理解直播的内容理解结果。

在一些实施例中，所述预设策略包括所述分类策略，所述确定模块304包括：

第一处理子模块，用于将每一所述视频片段的特征向量输入至所述标签预测模型进行处理，得到每一所述视频片段的特征向量对应的类别标签；

第一获取子模块，用于获取所述待理解直播中属于同一类别标签的视频片段的总时长，以及获取其他直播与所述待理解直播处于相同直播时长内属于同一类别标签的所有视频片段的总时长；

第一排序子模块，用于对获取的所述待理解直播和所述其他直播中属于同一类别标签的总时长按照从小到大的顺序进行排序，得到第一排序结果；

第一确定子模块，用于确定所有第一排序结果中与所述待理解直播对应的总时长位于第一预设百分位数的目标第一排序结果，并将该目标第一排序结果中与所述待理解直播对应的总时长所对应的类别标签确定为所述待理解直播的内容理解结果。

在一些实施例中，所述预设策略包括所述分类策略，所述确定模块304包括：

第二处理子模块，用于将每一所述视频片段的特征向量输入至所述标签预测模型进行处理，得到每一所述视频片段的特征向量对应的类别标签；

第二确定子模块，用于至少将所有所述类别标签输入至训练好的类别预测模型，得到所述待理解直播的内容理解结果。

在一些实施例中，所述预设策略包括所述聚类策略，所述确定模块304包括：

第一聚类子模块，用于采用所述聚类算法对所有所述视频片段的特征向量进行聚类，得到聚类结果，其中，所述聚类结果中包括至少一个表征类簇的类簇标识；

第二获取子模块，用于获取所述待理解直播中属于同一类簇标识的视频片段的总时长，以及获取其他直播与所述待理解直播处于相同直播时长内属于同一类簇标识的所有视频片段的总时长；

第二排序子模块，用于对获取的所述待理解直播和所述其他直播中属于同一类簇标识的总时长按照从小到大的顺序进行排序，得到第二排序结果；

第三确定子模块，用于确定所有第二排序结果中与所述待理解直播对应的总时长超过第二预设百分位数的目标第二排序结果，并将该目标第二排序结果中与所述待理解直播对应的总时长所对应的类簇标识确定为所述待理解直播的内容理解结果。

在一些实施例中，所述预设策略包括所述聚类策略，所述确定模块304包括：

第三处理子模块，用于对所有所述视频片段的特征向量进行加权平均处理，得到用于描述所述待理解直播所属类簇的均值向量；

第四确定子模块，用于将所述均值向量与预设类簇的中心向量进行距离计算，将与所述均值向量距离最短的中心向量所对应的预设类簇的类簇标识确定为所述待理解直播的内容理解结果。

在一些实施例中，所述提取模块303包括：

提取子模块，用于提取每个所述视频片段的多模态特征向量，其中，所述多模态特征包括音频特征向量、主播语音特征向量、字幕特征向量和画面特征向量；

融合子模块，用于对每个所述视频片段的多模态特征向量进行融合处理，得到每个所述视频片段的特征向量。

关于装置的各模块的实施方式可以参照相关方法实施例，本实施例在此不作赘述。

下面参考图4，其示出了适于用来实现本公开实施例的电子设备400的结构示意图。本公开实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图4示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。

如图4所示，电子设备400可以包括处理装置(例如中央处理器、图形处理器等)401，其可以根据存储在只读存储器(ROM)402中的程序或者从存储装置408加载到随机访问存储器(RAM)403中的程序而执行各种适当的动作和处理。在RAM 403中，还存储有电子设备400操作所需的各种程序和数据。处理装置401、ROM 402以及RAM 403通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。

通常，以下装置可以连接至I/O接口405：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置406；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置407；包括例如磁带、硬盘等的存储装置408；以及通信装置409。通信装置409可以允许电子设备400与其他设备进行无线或有线通信以交换数据。虽然图4示出了具有各种装置的电子设备400，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在非暂态计算机可读存储介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置409从网络上被下载和安装，或者从存储装置408被安装，或者从ROM 402被安装。在该计算机程序被处理装置401执行时，执行本公开实施例的方法中限定的上述功能。

需要说明的是，本公开上述的计算机可读存储介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读存储介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。

在一些实施方式中，电子设备恩可以利用诸如HTTP(HyperText TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。

上述计算机可读存储介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。

上述计算机可读存储介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取待理解直播的视频流；对所述视频流进行等时长的切片处理，得到多个视频片段；提取所述多个视频片段中的至少一个视频片段的特征向量；根据所述至少一个视频片段的特征向量，采用预设策略确定所述待理解直播的内容理解结果；其中，所述预设策略包括分类策略或聚类策略，所述分类策略用于至少利用类别标签确定所述待理解直播的内容理解结果，所述类别标签为通过人工标注的训练样本进行训练得到的标签预测模型对所述视频片段的特征向量进行预测得到的，所述聚类策略用于根据所有所述视频片段的特征向量采用聚类算法进行聚类处理确定所述待理解直播的内容理解结果。

可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言——诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本公开实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，模块的名称在某种情况下并不构成对该模块本身的限定，例如，获取模块还可以被描述为“获取待理解直播的视频流的模块”。

本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。

在本公开的上下文中，机器可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读存储介质可以是机器可读信号介质或机器可读储存介质。机器可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

根据本公开的一个或多个实施例，示例1提供了一种直播内容理解方法，包括：

获取待理解直播的视频流；

对所述视频流进行等时长的切片处理，得到多个视频片段；

提取所述多个视频片段中的至少一个视频片段的特征向量；

根据所述至少一个视频片段的特征向量，采用预设策略确定所述待理解直播的内容理解结果；

其中，所述预设策略包括分类策略或聚类策略，所述分类策略用于至少利用类别标签确定所述待理解直播的内容理解结果，所述类别标签为通过人工标注的训练样本进行训练得到的标签预测模型对所述视频片段的特征向量进行预测得到的，所述聚类策略用于根据所有所述视频片段的特征向量采用聚类算法进行聚类处理确定所述待理解直播的内容理解结果。

根据本公开的一个或多个实施例，示例2提供了示例1的方法，所述预设策略包括所述分类策略，所述根据所述至少一个视频片段的特征向量，采用预设策略确定所述待理解直播的内容理解结果，包括：

将每一所述视频片段的特征向量输入至所述标签预测模型进行处理，得到每一所述视频片段的特征向量对应的类别标签；

获取所述待理解直播中属于同一类别标签的视频片段的总时长，以及获取其他直播与所述待理解直播处于相同直播时长内属于同一类别标签的所有视频片段的总时长；

对获取的所述待理解直播和所述其他直播中属于同一类别标签的总时长按照从小到大的顺序进行排序，得到第一排序结果；

确定所有第一排序结果中与所述待理解直播对应的总时长超过第一预设百分位数的目标第一排序结果，并将该目标第一排序结果中与所述待理解直播对应的总时长所对应的类别标签确定为所述待理解直播的内容理解结果。

根据本公开的一个或多个实施例，示例3提供了示例1的方法，所述预设策略包括所述分类策略，所述根据所述至少一个视频片段的特征向量，采用预设策略确定所述待理解直播的内容理解结果，包括：

将每一所述视频片段的特征向量输入至所述标签预测模型进行处理，得到每一所述视频片段的特征向量对应的类别标签；

至少将所有所述类别标签输入至训练好的类别预测模型，得到所述待理解直播的内容理解结果。

根据本公开的一个或多个实施例，示例4提供了示例1的方法，所述预设策略包括所述聚类策略，所述根据所述至少一个视频片段的特征向量，采用预设策略确定所述待理解直播的内容理解结果，包括：

采用所述聚类算法对所有所述视频片段的特征向量进行聚类，得到聚类结果，其中，所述聚类结果中包括至少一个表征类簇的类簇标识；

获取所述待理解直播中属于同一类簇标识的视频片段的总时长，以及获取其他直播与所述待理解直播处于相同直播时长内属于同一类簇标识的所有视频片段的总时长；

对获取的所述待理解直播和所述其他直播中属于同一类簇标识的总时长按照从小到大的顺序进行排序，得到第二排序结果；

确定所有第二排序结果中与所述待理解直播对应的总时长超过第二预设百分位数的目标第二排序结果，并将该目标第二排序结果中与所述待理解直播对应的总时长所对应的类簇标识确定为所述待理解直播的内容理解结果。

根据本公开的一个或多个实施例，示例5提供了示例1的方法，所述预设策略包括所述聚类策略，所述根据所述至少一个视频片段的特征向量，采用预设策略确定所述待理解直播的内容理解结果，包括：

对所有所述视频片段的特征向量进行加权平均处理，得到用于描述所述待理解直播所属类簇的均值向量；

将所述均值向量与预设类簇的中心向量进行距离计算，将与所述均值向量距离最短的中心向量所对应的预设类簇的类簇标识确定为所述待理解直播的内容理解结果。

根据本公开的一个或多个实施例，示例6提供了示例1的方法，所述提取所述多个视频片段中的至少一个视频片段的特征向量，包括：

提取每个所述视频片段的多模态特征向量，其中，所述多模态特征包括音频特征向量、主播语音特征向量、字幕特征向量和画面特征向量；

对每个所述视频片段的多模态特征向量进行融合处理，得到每个所述视频片段的特征向量。

根据本公开的一个或多个实施例，示例7提供了一种直播内容理解装置，包括：

包括：

获取模块，用于获取待理解直播的视频流；

切片模块，用于对所述视频流进行等时长的切片处理，得到多个视频片段；

提取模块，用于提取所述多个视频片段中的至少一个视频片段的特征向量；

确定模块，用于根据所述至少一个视频片段的特征向量，采用预设策略确定所述待理解直播的内容理解结果；

其中，所述预设策略包括分类策略或聚类策略，所述分类策略用于至少利用类别标签确定所述待理解直播的内容理解结果，所述类别标签为通过人工标注的训练样本进行训练得到的标签预测模型对所述视频片段的特征向量进行预测得到的，所述聚类策略用于根据所有所述视频片段的特征向量采用聚类算法进行聚类处理确定所述待理解直播的内容理解结果。

根据本公开的一个或多个实施例，示例8提供了示例7的方法，包括：

所述预设策略包括所述分类策略，所述确定模块包括：

第一处理子模块，用于将每一所述视频片段的特征向量输入至所述标签预测模型进行处理，得到每一所述视频片段的特征向量对应的类别标签；

第一获取子模块，用于获取所述待理解直播中属于同一类别标签的视频片段的总时长，以及获取其他直播与所述待理解直播处于相同直播时长内属于同一类别标签的所有视频片段的总时长；

第一排序子模块，用于对获取的所述待理解直播和所述其他直播中属于同一类别标签的总时长按照从小到大的顺序进行排序，得到第一排序结果；

第一确定子模块，用于确定所有第一排序结果中与所述待理解直播对应的总时长位于第一预设百分位数的目标第一排序结果，并将该目标第一排序结果中与所述待理解直播对应的总时长所对应的类别标签确定为所述待理解直播的内容理解结果。

根据本公开的一个或多个实施例，示例9提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理装置执行时实现示例1-6中任一项所述方法的步骤。

根据本公开的一个或多个实施例，示例10提供了一种电子设备，包括：

存储装置，其上存储有计算机程序；

处理装置，用于执行所述存储装置中的所述计算机程序，以实现示例1-6中任一项所述方法的步骤。

以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。

尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。