本發(fā)明涉及數(shù)據(jù)處理，尤其涉及一種基于群體智能的私域直播間熱點(diǎn)預(yù)測(cè)與自適應(yīng)路由方法。

背景技術(shù)：

1、隨著互聯(lián)網(wǎng)技術(shù)的快速發(fā)展和普及，直播帶貨成為了一種新興的電子商務(wù)模式，私域直播間的興起，為商家提供了更精準(zhǔn)的用戶觸達(dá)和更高效的轉(zhuǎn)化路徑，然而，如何準(zhǔn)確預(yù)測(cè)私域直播間熱點(diǎn)話題、高效地進(jìn)行內(nèi)容分發(fā)和流量管理，成為了私域直播運(yùn)營(yíng)面臨的重大挑戰(zhàn)；

2、現(xiàn)有的熱點(diǎn)預(yù)測(cè)方法主要依賴于簡(jiǎn)單的統(tǒng)計(jì)分析或基于規(guī)則的專家系統(tǒng)，難以捕捉用戶行為的動(dòng)態(tài)變化和復(fù)雜關(guān)系，導(dǎo)致預(yù)測(cè)準(zhǔn)確率較低。同時(shí)，傳統(tǒng)的內(nèi)容分發(fā)方式通常采用靜態(tài)路由或簡(jiǎn)單的負(fù)載均衡策略，無法適應(yīng)私域直播間流量的波動(dòng)和用戶興趣的多樣性，容易造成網(wǎng)絡(luò)擁塞和用戶體驗(yàn)下降。此外，現(xiàn)有的私域直播管理系統(tǒng)缺乏對(duì)用戶群體行為的深入分析和理解，難以實(shí)現(xiàn)精細(xì)化的流量控制和個(gè)性化的內(nèi)容推薦。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明實(shí)施例提供一種基于群體智能的私域直播間熱點(diǎn)預(yù)測(cè)與自適應(yīng)路由方法，至少能解決現(xiàn)有技術(shù)中存在的部分問題。

2、本發(fā)明實(shí)施例的第一方面，提供一種基于群體智能的私域直播間熱點(diǎn)預(yù)測(cè)與自適應(yīng)路由方法，包括：

3、根據(jù)預(yù)先設(shè)置的滑動(dòng)時(shí)間窗口對(duì)私域直播間進(jìn)行數(shù)據(jù)采集，得到用戶行為數(shù)據(jù)并通過時(shí)序卷積網(wǎng)絡(luò)進(jìn)行特征提取，得到到時(shí)序特征并添加至門控循環(huán)單元，結(jié)合更新門和重置門進(jìn)行信息流動(dòng)，計(jì)算得到長(zhǎng)期依賴特征，基于不同位置的相關(guān)性，通過特征融合網(wǎng)絡(luò)進(jìn)行特征融合并結(jié)合前饋神經(jīng)網(wǎng)絡(luò)將融合后的特征升維至高維語義空間，得到時(shí)序特征矩陣，基于所述時(shí)序特征矩陣構(gòu)建動(dòng)態(tài)圖神經(jīng)網(wǎng)絡(luò)并通過動(dòng)態(tài)邊權(quán)重更新機(jī)制計(jì)算用戶節(jié)點(diǎn)間的多維相似度，基于所述多維相似度和預(yù)先設(shè)置的相似度閾值對(duì)用戶節(jié)點(diǎn)進(jìn)行動(dòng)態(tài)連接，得到動(dòng)態(tài)興趣社群；

4、將所述動(dòng)態(tài)興趣社群添加至預(yù)先設(shè)置的多層圖注意力網(wǎng)絡(luò)中，通過空間注意力層和通道注意力層提取群體交互模式特征并添加至改進(jìn)的雙向門控循環(huán)單元，得到長(zhǎng)短期時(shí)序依賴關(guān)系并生成時(shí)序關(guān)聯(lián)特征，將所述時(shí)序關(guān)聯(lián)特征添加至深度殘差網(wǎng)絡(luò)并通過殘差學(xué)習(xí)和特征重標(biāo)定提取高階語義特征，基于所述高階語義特征構(gòu)建多任務(wù)學(xué)習(xí)框架，通過所述多任務(wù)學(xué)習(xí)框架進(jìn)行多任務(wù)預(yù)測(cè)，得到熱點(diǎn)預(yù)測(cè)結(jié)果并根據(jù)所述熱點(diǎn)預(yù)測(cè)結(jié)果構(gòu)建多層級(jí)網(wǎng)絡(luò)拓?fù)淠Ｐ?，根?jù)網(wǎng)絡(luò)傳輸約束條件設(shè)置邊權(quán)值，結(jié)合改進(jìn)的啟發(fā)式搜索算法進(jìn)行路徑探索，得到多條最優(yōu)傳輸路徑；

5、為每條最優(yōu)傳輸路徑分配權(quán)重并構(gòu)建候選路徑集合，通過加權(quán)輪詢算法對(duì)所述候選路徑集合中的每個(gè)路徑進(jìn)行流量分配，結(jié)合基于深度學(xué)習(xí)的分布式負(fù)載均衡控制器更新每條路徑的權(quán)重并檢測(cè)網(wǎng)絡(luò)通暢程度，若存在局部擁塞，則發(fā)送擁塞指示信號(hào)，建立內(nèi)容分級(jí)表并將預(yù)先確定的高熱度內(nèi)容部署至所述用戶節(jié)點(diǎn)的鄰居節(jié)點(diǎn)中，根據(jù)預(yù)先設(shè)置的基于在線學(xué)習(xí)算法的內(nèi)容分發(fā)控制器收集內(nèi)容訪問數(shù)據(jù)并更新所述內(nèi)容分級(jí)表，獲取實(shí)時(shí)網(wǎng)絡(luò)狀態(tài)并通過擁塞控制算法動(dòng)態(tài)調(diào)整數(shù)據(jù)傳輸速率，結(jié)合令牌桶算法進(jìn)行網(wǎng)絡(luò)限速，基于調(diào)整后的網(wǎng)絡(luò)狀態(tài)更新所述最優(yōu)傳輸路徑，得到直播推送路徑。

6、在一種可選的實(shí)施方式中，

7、根據(jù)預(yù)先設(shè)置的滑動(dòng)時(shí)間窗口對(duì)私域直播間進(jìn)行數(shù)據(jù)采集，得到用戶行為數(shù)據(jù)并通過時(shí)序卷積網(wǎng)絡(luò)進(jìn)行特征提取，得到到時(shí)序特征并添加至門控循環(huán)單元，結(jié)合更新門和重置門進(jìn)行信息流動(dòng)，計(jì)算得到長(zhǎng)期依賴特征，基于不同位置的相關(guān)性，通過特征融合網(wǎng)絡(luò)進(jìn)行特征融合并結(jié)合前饋神經(jīng)網(wǎng)絡(luò)將融合后的特征升維至高維語義空間，得到時(shí)序特征矩陣，基于所述時(shí)序特征矩陣構(gòu)建動(dòng)態(tài)圖神經(jīng)網(wǎng)絡(luò)并通過動(dòng)態(tài)邊權(quán)重更新機(jī)制計(jì)算用戶節(jié)點(diǎn)間的多維相似度，基于所述多維相似度和預(yù)先設(shè)置的相似度閾值對(duì)用戶節(jié)點(diǎn)進(jìn)行動(dòng)態(tài)連接，得到動(dòng)態(tài)興趣社群包括：

8、根據(jù)預(yù)先設(shè)置的滑動(dòng)時(shí)間窗口，對(duì)私域直播間進(jìn)行用戶行為數(shù)據(jù)采集，所述用戶行為數(shù)據(jù)包含用戶觀看時(shí)長(zhǎng)、互動(dòng)次數(shù)、點(diǎn)贊次數(shù)、評(píng)論內(nèi)容；

9、將所述用戶行為數(shù)據(jù)輸入至?xí)r序卷積網(wǎng)絡(luò)中進(jìn)行特征提取，所述時(shí)序卷積網(wǎng)絡(luò)通過多個(gè)一維卷積層和池化層提取用戶行為數(shù)據(jù)中的時(shí)序特征，得到反映用戶行為隨時(shí)間變化的時(shí)序特征；

10、將所述時(shí)序特征輸入至門控循環(huán)單元中，所述門控循環(huán)單元通過更新門和重置門控制信息流動(dòng)，所述更新門控制前一時(shí)刻隱藏狀態(tài)信息的保留程度，所述重置門控制前一時(shí)刻隱藏狀態(tài)信息的忽略程度，得到反映用戶長(zhǎng)期興趣傾向的長(zhǎng)期依賴特征，將所述長(zhǎng)期依賴特征輸入至特征融合網(wǎng)絡(luò)中，所述特征融合網(wǎng)絡(luò)采用注意力機(jī)制，根據(jù)不同時(shí)刻特征之間的相關(guān)性自適應(yīng)分配權(quán)重，得到融合后的特征；

11、將所述融合后的特征通過前饋神經(jīng)網(wǎng)絡(luò)進(jìn)行升維處理，所述前饋神經(jīng)網(wǎng)絡(luò)包含多個(gè)全連接層和非線性激活函數(shù)，將特征映射到高維語義空間中，得到時(shí)序特征矩陣；

12、基于所述時(shí)序特征矩陣構(gòu)建動(dòng)態(tài)圖神經(jīng)網(wǎng)絡(luò)，將每個(gè)用戶設(shè)置為圖中的節(jié)點(diǎn)，計(jì)算用戶節(jié)點(diǎn)間的多維相似度，所述多維相似度包含余弦相似度和皮爾遜相關(guān)系數(shù)，根據(jù)預(yù)先設(shè)置的相似度閾值，在多維相似度高于所述相似度閾值的用戶節(jié)點(diǎn)之間建立動(dòng)態(tài)邊，根據(jù)用戶節(jié)點(diǎn)間的多維相似度確定所述動(dòng)態(tài)邊的權(quán)重；

13、基于所述用戶行為數(shù)據(jù)的變化，持續(xù)更新用戶節(jié)點(diǎn)間的多維相似度，當(dāng)更新后的多維相似度低于所述相似度閾值時(shí)刪除對(duì)應(yīng)的動(dòng)態(tài)邊，當(dāng)更新后的多維相似度高于所述相似度閾值時(shí)建立新的動(dòng)態(tài)邊，通過所述動(dòng)態(tài)邊連接形成的子圖構(gòu)建動(dòng)態(tài)興趣社群。

14、在一種可選的實(shí)施方式中，

15、根據(jù)用戶節(jié)點(diǎn)間的多維相似度確定所述動(dòng)態(tài)邊的權(quán)重如下公式所示：

16、；

17、其中， ew表示動(dòng)態(tài)邊的權(quán)重值， w k( t)表示第 k個(gè)相似度指標(biāo)在時(shí)刻 t的自適應(yīng)權(quán)重，similarity k為第 k個(gè)相似度指標(biāo)的值， p k表示第 k個(gè)相似度指標(biāo)的冪次項(xiàng)，用于控制不同指標(biāo)的非線性組合關(guān)系， t k表示第 k個(gè)相似度指標(biāo)的時(shí)間衰減因子， λ表示時(shí)間衰減系數(shù)， i ij表示用戶 i和用戶 j之間的互動(dòng)行為權(quán)重， tt j表示用戶 j的行為時(shí)間戳， α表示多視角相似度的權(quán)重系數(shù)，sv m表示第 m個(gè)視角下用戶 i和用戶 j的相似度。

18、在一種可選的實(shí)施方式中，

19、將所述動(dòng)態(tài)興趣社群添加至預(yù)先設(shè)置的多層圖注意力網(wǎng)絡(luò)中，通過空間注意力層和通道注意力層提取群體交互模式特征并添加至改進(jìn)的雙向門控循環(huán)單元，得到長(zhǎng)短期時(shí)序依賴關(guān)系并生成時(shí)序關(guān)聯(lián)特征，將所述時(shí)序關(guān)聯(lián)特征添加至深度殘差網(wǎng)絡(luò)并通過殘差學(xué)習(xí)和特征重標(biāo)定提取高階語義特征，基于所述高階語義特征構(gòu)建多任務(wù)學(xué)習(xí)框架，通過所述多任務(wù)學(xué)習(xí)框架進(jìn)行多任務(wù)預(yù)測(cè)，得到熱點(diǎn)預(yù)測(cè)結(jié)果并根據(jù)所述熱點(diǎn)預(yù)測(cè)結(jié)果構(gòu)建多層級(jí)網(wǎng)絡(luò)拓?fù)淠Ｐ停鶕?jù)網(wǎng)絡(luò)傳輸約束條件設(shè)置邊權(quán)值，結(jié)合改進(jìn)的啟發(fā)式搜索算法進(jìn)行路徑探索，得到多條最優(yōu)傳輸路徑包括：

20、將所述動(dòng)態(tài)興趣社群輸入至空間注意力層和通道注意力層組成的多層圖注意力網(wǎng)絡(luò)中，所述空間注意力層對(duì)節(jié)點(diǎn)特征進(jìn)行加權(quán)聚合，通過計(jì)算節(jié)點(diǎn)間注意力權(quán)重并對(duì)節(jié)點(diǎn)特征進(jìn)行加權(quán)求和得到聚合節(jié)點(diǎn)表示，所述通道注意力層通過全局平均池化獲取通道級(jí)特征描述符，經(jīng)過兩個(gè)全連接層和sigmoid激活函數(shù)生成通道重要性權(quán)重，將所述通道重要性權(quán)重與原始特征圖進(jìn)行逐元素相乘得到重標(biāo)定特征圖，提取群體交互模式特征；

21、將所述群體交互模式特征輸入至包含遺忘門、輸入門、時(shí)間記憶門、單元狀態(tài)和輸出門的改進(jìn)雙向門控循環(huán)單元中，通過所述遺忘門控制所述群體交互模式特征中歷史狀態(tài)信息遺忘程度，通過所述輸入門控制當(dāng)前信息保留程度，通過所述時(shí)間記憶門捕獲時(shí)間步間依賴關(guān)系，組合所述時(shí)間步間依賴關(guān)系得到所述長(zhǎng)短期時(shí)序依賴關(guān)系并通過所述輸出門控制輸出信息流動(dòng)，得到前向隱藏狀態(tài)和后向隱藏狀態(tài)，將所述前向隱藏狀態(tài)和所述后向隱藏狀態(tài)拼接得到時(shí)序關(guān)聯(lián)特征；

22、將所述時(shí)序關(guān)聯(lián)特征輸入至包含多個(gè)殘差塊的深度殘差網(wǎng)絡(luò)中，每個(gè)所述殘差塊包含兩個(gè)卷積層和一個(gè)恒等映射連接，通過所述恒等映射連接傳遞原始特征，通過所述卷積層學(xué)習(xí)殘差映射關(guān)系，在所述殘差塊之間引入特征重標(biāo)定機(jī)制，對(duì)特征進(jìn)行自適應(yīng)尺度和偏移調(diào)整，得到高階語義特征；

23、將所述高階語義特征輸入至包含共享特征提取器和多個(gè)任務(wù)預(yù)測(cè)器的多任務(wù)學(xué)習(xí)框架中，所述共享特征提取器提取通用特征表示，所述多個(gè)任務(wù)預(yù)測(cè)器基于所述通用特征表示進(jìn)行社群演化趨勢(shì)預(yù)測(cè)、社群影響力預(yù)測(cè)、社群話題熱度預(yù)測(cè)，得到熱點(diǎn)預(yù)測(cè)結(jié)果；

24、根據(jù)所述熱點(diǎn)預(yù)測(cè)結(jié)果構(gòu)建多層級(jí)網(wǎng)絡(luò)拓?fù)淠Ｐ?，在所述多層?jí)網(wǎng)絡(luò)拓?fù)淠Ｐ椭性O(shè)置不同層級(jí)節(jié)點(diǎn)表示不同社群粒度，設(shè)置層級(jí)間連接表示社群間關(guān)聯(lián)關(guān)系，根據(jù)帶寬限制和時(shí)延要求對(duì)所述多層級(jí)網(wǎng)絡(luò)拓?fù)淠Ｐ椭械倪呥M(jìn)行權(quán)值賦值，得到加權(quán)網(wǎng)絡(luò)拓?fù)淠Ｐ停?/p>

25、將所述加權(quán)網(wǎng)絡(luò)拓?fù)淠Ｐ洼斎胫涟嗄繕?biāo)優(yōu)化機(jī)制和自適應(yīng)策略調(diào)整機(jī)制的改進(jìn)啟發(fā)式搜索算法中，通過所述多目標(biāo)優(yōu)化機(jī)制平衡路徑帶寬、傳輸時(shí)延、節(jié)點(diǎn)負(fù)載，通過所述自適應(yīng)策略調(diào)整機(jī)制根據(jù)搜索反饋信息調(diào)整搜索策略，得到多條滿足網(wǎng)絡(luò)傳輸約束條件的最優(yōu)傳輸路徑。

26、在一種可選的實(shí)施方式中，

27、所述多個(gè)任務(wù)預(yù)測(cè)器基于所述通用特征表示進(jìn)行社群演化趨勢(shì)預(yù)測(cè)、社群影響力預(yù)測(cè)、社群話題熱度預(yù)測(cè)，得到熱點(diǎn)預(yù)測(cè)結(jié)果包括：

28、將所述共享特征提取器輸出的通用特征表示分別輸入至預(yù)先設(shè)置的社群演化趨勢(shì)預(yù)測(cè)器中，通過所述社群演化趨勢(shì)預(yù)測(cè)器中時(shí)序特征分支中的門控時(shí)間卷積網(wǎng)絡(luò)提取長(zhǎng)程時(shí)序依賴特征，通過所述社群演化趨勢(shì)預(yù)測(cè)器中結(jié)構(gòu)特征分支中的圖同構(gòu)網(wǎng)絡(luò)提取社群拓?fù)浣Y(jié)構(gòu)特征，將所述長(zhǎng)程時(shí)序依賴特征和所述社群拓?fù)浣Y(jié)構(gòu)特征輸入自適應(yīng)特征融合模塊，計(jì)算特征通道間相關(guān)性權(quán)重和特征空間位置重要性權(quán)重，將所述相關(guān)性權(quán)重與所述重要性權(quán)重相乘得到融合權(quán)重，將所述融合權(quán)重與原始特征進(jìn)行加權(quán)組合得到融合特征，將所述融合特征輸入多層感知機(jī)進(jìn)行社群演化趨勢(shì)預(yù)測(cè)，得到社群演化趨勢(shì)預(yù)測(cè)結(jié)果；

29、基于預(yù)先設(shè)置的社群影響力預(yù)測(cè)器構(gòu)建異構(gòu)圖結(jié)構(gòu)，將社群成員作為節(jié)點(diǎn)，將不同類型的成員交互關(guān)系作為邊，將所述通用特征表示作為初始節(jié)點(diǎn)特征，通過多頭注意力層計(jì)算不同類型邊上的注意力權(quán)重，對(duì)鄰居節(jié)點(diǎn)特征進(jìn)行加權(quán)聚合得到成員級(jí)表示，將所述成員級(jí)表示輸入差分圖池化層生成群組級(jí)表示，通過圖擴(kuò)散卷積網(wǎng)絡(luò)對(duì)所述群組級(jí)表示進(jìn)行特征傳播，將傳播后的特征輸入遞歸神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)社群影響力演化序列，得到社群影響力預(yù)測(cè)結(jié)果；

30、基于預(yù)先設(shè)置的社群話題熱度預(yù)測(cè)器，從所述通用特征中提取話題文本，對(duì)所述話題文本進(jìn)行預(yù)處理，結(jié)合時(shí)間窗口構(gòu)建歷史話題序列并提取情感詞，建立話題-情感詞映射表，將所述話題文本通過預(yù)訓(xùn)練語言模型編碼得到語義特征，將所述情感詞根據(jù)所述話題-情感詞映射表映射為情感向量，將所述情感向量輸入深度情感分析網(wǎng)絡(luò)提取情感特征，將歷史話題序列輸入因果卷積網(wǎng)絡(luò)提取時(shí)序特征，計(jì)算所述語義特征、所述情感特征和所述時(shí)序特征之間的跨模態(tài)注意力得分，根據(jù)所述注意力得分進(jìn)行加權(quán)融合，將融合后的特征輸入條件變分自編碼器得到潛在變量，對(duì)所述潛在變量進(jìn)行重參數(shù)化采樣，將采樣結(jié)果輸入解碼器生成多樣化的話題熱度預(yù)測(cè)分布；

31、計(jì)算每個(gè)預(yù)測(cè)任務(wù)間的相關(guān)性矩陣和任務(wù)難度向量，基于所述相關(guān)性矩陣和所述難度向量對(duì)各預(yù)測(cè)任務(wù)進(jìn)行重要性評(píng)分，根據(jù)所述重要性評(píng)分為不同預(yù)測(cè)任務(wù)分配權(quán)重和學(xué)習(xí)率，計(jì)算各任務(wù)梯度方向之間的夾角，當(dāng)夾角小于預(yù)設(shè)閾值時(shí)執(zhí)行梯度正交化操作；

32、構(gòu)建任務(wù)適應(yīng)性評(píng)價(jià)函數(shù)，以任務(wù)損失和預(yù)測(cè)準(zhǔn)確率作為獎(jiǎng)勵(lì)信號(hào)，采用策略梯度算法優(yōu)化任務(wù)調(diào)度策略，更新任務(wù)權(quán)重分配方案，對(duì)預(yù)測(cè)器輸出結(jié)果進(jìn)行指數(shù)加權(quán)平均得到集成預(yù)測(cè)結(jié)果，采用貝葉斯模型平均計(jì)算預(yù)測(cè)結(jié)果的不確定性區(qū)間，得到熱點(diǎn)預(yù)測(cè)結(jié)果。

33、在一種可選的實(shí)施方式中，

34、為每條最優(yōu)傳輸路徑分配權(quán)重并構(gòu)建候選路徑集合，通過加權(quán)輪詢算法對(duì)所述候選路徑集合中的每個(gè)路徑進(jìn)行流量分配，結(jié)合基于深度學(xué)習(xí)的分布式負(fù)載均衡控制器更新每條路徑的權(quán)重并檢測(cè)網(wǎng)絡(luò)通暢程度，若存在局部擁塞，則發(fā)送擁塞指示信號(hào)，建立內(nèi)容分級(jí)表并將預(yù)先確定的高熱度內(nèi)容部署至所述用戶節(jié)點(diǎn)的鄰居節(jié)點(diǎn)中，根據(jù)預(yù)先設(shè)置的基于在線學(xué)習(xí)算法的內(nèi)容分發(fā)控制器收集內(nèi)容訪問數(shù)據(jù)并更新所述內(nèi)容分級(jí)表，獲取實(shí)時(shí)網(wǎng)絡(luò)狀態(tài)并通過擁塞控制算法動(dòng)態(tài)調(diào)整數(shù)據(jù)傳輸速率，結(jié)合令牌桶算法進(jìn)行網(wǎng)絡(luò)限速，基于調(diào)整后的網(wǎng)絡(luò)狀態(tài)更新所述最優(yōu)傳輸路徑，得到直播推送路徑包括：

35、接收預(yù)先獲取的多條最優(yōu)傳輸路徑，采集所述最優(yōu)傳輸路徑的性能指標(biāo)數(shù)據(jù)，所述性能指標(biāo)數(shù)據(jù)包括帶寬、時(shí)延和丟包率，構(gòu)建判斷矩陣，計(jì)算所述判斷矩陣的最大特征值和路徑特征向量，將所述路徑特征向量歸一化得到路徑權(quán)重系數(shù)，基于所述最優(yōu)傳輸路徑以及對(duì)應(yīng)的路徑權(quán)重系數(shù)構(gòu)建候選路徑集合；

36、將所述候選路徑集合輸入加權(quán)輪詢調(diào)度器，初始化累計(jì)權(quán)重變量為零，初始化上次選擇路徑變量為空，遍歷所述候選路徑集合中的每條路徑，將所述累計(jì)權(quán)重變量與當(dāng)前遍歷路徑對(duì)應(yīng)的所述路徑權(quán)重系數(shù)相加，當(dāng)所述累計(jì)權(quán)重變量大于預(yù)設(shè)權(quán)重閾值時(shí)，選擇當(dāng)前遍歷路徑作為數(shù)據(jù)轉(zhuǎn)發(fā)路徑，將所述累計(jì)權(quán)重變量減去所述預(yù)設(shè)權(quán)重閾值，并將當(dāng)前遍歷路徑記錄為上次選擇路徑變量；

37、在網(wǎng)絡(luò)中部署多個(gè)負(fù)載均衡控制器節(jié)點(diǎn)，將所述候選路徑集合中的路徑狀態(tài)特征輸入所述負(fù)載均衡控制器節(jié)點(diǎn)，所述路徑狀態(tài)特征包括帶寬利用率、時(shí)延抖動(dòng)和丟包率，通過卷積神經(jīng)網(wǎng)絡(luò)模型輸出路徑權(quán)重調(diào)整值，所述卷積神經(jīng)網(wǎng)絡(luò)模型包括特征提取層和全連接層，所述特征提取層采用多個(gè)卷積核提取路徑狀態(tài)特征的時(shí)空相關(guān)性，所述全連接層將提取的特征映射為權(quán)重調(diào)整值，采用聯(lián)邦學(xué)習(xí)方式在多個(gè)控制器節(jié)點(diǎn)間協(xié)同訓(xùn)練所述卷積神經(jīng)網(wǎng)絡(luò)模型；

38、構(gòu)建內(nèi)容分級(jí)表，基于內(nèi)容的歷史訪問熱度和時(shí)效性對(duì)內(nèi)容進(jìn)行優(yōu)先級(jí)劃分，所述內(nèi)容分級(jí)表包括內(nèi)容標(biāo)識(shí)、訪問頻率、最近訪問時(shí)間和優(yōu)先級(jí)等級(jí)，監(jiān)測(cè)路徑帶寬利用率和時(shí)延抖動(dòng)，當(dāng)所述帶寬利用率超過第一預(yù)設(shè)閾值或所述時(shí)延抖動(dòng)超過第二預(yù)設(shè)閾值時(shí)生成擁塞指示信號(hào)，接收到所述擁塞指示信號(hào)時(shí)，將所述內(nèi)容分級(jí)表中優(yōu)先級(jí)最高的預(yù)設(shè)數(shù)量?jī)?nèi)容部署至擁塞路徑上用戶節(jié)點(diǎn)的鄰居節(jié)點(diǎn)；

39、采集每個(gè)節(jié)點(diǎn)的內(nèi)容請(qǐng)求信息，所述內(nèi)容請(qǐng)求信息包括請(qǐng)求時(shí)間、請(qǐng)求內(nèi)容標(biāo)識(shí)和請(qǐng)求狀態(tài)，將所述內(nèi)容請(qǐng)求信息輸入多臂賭博機(jī)算法，對(duì)內(nèi)容訪問數(shù)據(jù)進(jìn)行在線學(xué)習(xí)，計(jì)算各內(nèi)容的訪問概率和置信區(qū)間，根據(jù)所述訪問概率和所述置信區(qū)間估計(jì)實(shí)時(shí)內(nèi)容熱度，基于所述實(shí)時(shí)內(nèi)容熱度對(duì)所述內(nèi)容分級(jí)表中內(nèi)容的優(yōu)先級(jí)進(jìn)行動(dòng)態(tài)調(diào)整；

40、對(duì)所述候選路徑集合中各路徑進(jìn)行狀態(tài)評(píng)估，計(jì)算路徑延遲變化率，當(dāng)所述路徑延遲變化率超過第三預(yù)設(shè)閾值時(shí)，按照預(yù)設(shè)比例降低對(duì)應(yīng)路徑的傳輸速率，在源節(jié)點(diǎn)維護(hù)令牌桶進(jìn)行流量限制，根據(jù)所述傳輸速率確定令牌桶大小和令牌生成速率，當(dāng)所述令牌桶中的令牌數(shù)量不足時(shí)將待發(fā)送數(shù)據(jù)緩存至本地緩沖區(qū)；

41、將所述路徑狀態(tài)特征和所述傳輸速率輸入路徑評(píng)估模型，所述路徑評(píng)估模型通過加權(quán)求和的方式計(jì)算路徑綜合得分，基于所述路徑綜合得分更新所述候選路徑集合中路徑的權(quán)重系數(shù)，將更新后的權(quán)重系數(shù)寫入所述候選路徑集合并重新計(jì)算所述最優(yōu)傳輸路徑，得到所述直播推送路徑。

42、在一種可選的實(shí)施方式中，

43、在源節(jié)點(diǎn)維護(hù)令牌桶進(jìn)行流量限制，根據(jù)所述傳輸速率確定令牌桶大小和令牌生成速率，當(dāng)所述令牌桶中的令牌數(shù)量不足時(shí)將待發(fā)送數(shù)據(jù)緩存至本地緩沖區(qū)包括：

44、根據(jù)預(yù)設(shè)的最大傳輸速率確定令牌桶大小，所述令牌桶大小為所述最大傳輸速率對(duì)應(yīng)的單位時(shí)間內(nèi)能傳輸?shù)淖畲笞止?jié)數(shù)，將令牌生成速率設(shè)定為所述最大傳輸速率，初始化令牌桶中的令牌數(shù)量為所述令牌桶大小，記錄令牌更新時(shí)間戳為當(dāng)前時(shí)間；

45、在數(shù)據(jù)發(fā)送時(shí)，獲取當(dāng)前時(shí)間戳，根據(jù)所述當(dāng)前時(shí)間戳和所述令牌更新時(shí)間戳計(jì)算時(shí)間間隔內(nèi)新生成的令牌數(shù)量，所述新生成的令牌數(shù)量為所述令牌生成速率與所述時(shí)間間隔的乘積，將所述新生成的令牌數(shù)量加入所述令牌桶中的令牌數(shù)量，所述令牌桶中的令牌數(shù)量不超過所述令牌桶大小，更新所述令牌更新時(shí)間戳為所述當(dāng)前時(shí)間戳；

46、獲取待發(fā)送數(shù)據(jù)的數(shù)據(jù)大小，判斷所述令牌桶中的令牌數(shù)量是否大于或等于所述數(shù)據(jù)大小，當(dāng)所述令牌桶中的令牌數(shù)量大于或等于所述數(shù)據(jù)大小時(shí)，從所述令牌桶中減去與所述數(shù)據(jù)大小相等的令牌數(shù)量并發(fā)送所述待發(fā)送數(shù)據(jù)，當(dāng)所述令牌桶中的令牌數(shù)量小于所述數(shù)據(jù)大小時(shí)，將所述待發(fā)送數(shù)據(jù)存入本地緩沖區(qū)；

47、按照預(yù)設(shè)時(shí)間間隔檢查所述本地緩沖區(qū)中是否存在緩存數(shù)據(jù)，當(dāng)所述本地緩沖區(qū)中存在所述緩存數(shù)據(jù)時(shí)，獲取所述緩存數(shù)據(jù)的數(shù)據(jù)大小，判斷所述令牌桶中的令牌數(shù)量是否大于或等于所述緩存數(shù)據(jù)的數(shù)據(jù)大小，當(dāng)所述令牌桶中的令牌數(shù)量大于或等于所述緩存數(shù)據(jù)的數(shù)據(jù)大小時(shí)，從所述令牌桶中減去與所述緩存數(shù)據(jù)的數(shù)據(jù)大小相等的令牌數(shù)量并發(fā)送所述緩存數(shù)據(jù)；

48、監(jiān)測(cè)所述本地緩沖區(qū)的緩沖區(qū)大小，當(dāng)所述緩沖區(qū)大小達(dá)到預(yù)設(shè)緩沖區(qū)閾值時(shí)，獲取所述本地緩沖區(qū)中所述緩存數(shù)據(jù)的優(yōu)先級(jí)和等待時(shí)間，基于所述優(yōu)先級(jí)和所述等待時(shí)間對(duì)所述緩存數(shù)據(jù)進(jìn)行排序，移除預(yù)設(shè)數(shù)量的排序最后的所述緩存數(shù)據(jù)。

49、本發(fā)明實(shí)施例的第二方面，提供一種基于群體智能的私域直播間熱點(diǎn)預(yù)測(cè)與自適應(yīng)路由系統(tǒng)，包括：

50、第一單元，用于根據(jù)預(yù)先設(shè)置的滑動(dòng)時(shí)間窗口對(duì)私域直播間進(jìn)行數(shù)據(jù)采集，得到用戶行為數(shù)據(jù)并通過時(shí)序卷積網(wǎng)絡(luò)進(jìn)行特征提取，得到到時(shí)序特征并添加至門控循環(huán)單元，結(jié)合更新門和重置門進(jìn)行信息流動(dòng)，計(jì)算得到長(zhǎng)期依賴特征，基于不同位置的相關(guān)性，通過特征融合網(wǎng)絡(luò)進(jìn)行特征融合并結(jié)合前饋神經(jīng)網(wǎng)絡(luò)將融合后的特征升維至高維語義空間，得到時(shí)序特征矩陣，基于所述時(shí)序特征矩陣構(gòu)建動(dòng)態(tài)圖神經(jīng)網(wǎng)絡(luò)并通過動(dòng)態(tài)邊權(quán)重更新機(jī)制計(jì)算用戶節(jié)點(diǎn)間的多維相似度，基于所述多維相似度和預(yù)先設(shè)置的相似度閾值對(duì)用戶節(jié)點(diǎn)進(jìn)行動(dòng)態(tài)連接，得到動(dòng)態(tài)興趣社群；

51、第二單元，用于將所述動(dòng)態(tài)興趣社群添加至預(yù)先設(shè)置的多層圖注意力網(wǎng)絡(luò)中，通過空間注意力層和通道注意力層提取群體交互模式特征并添加至改進(jìn)的雙向門控循環(huán)單元，得到長(zhǎng)短期時(shí)序依賴關(guān)系并生成時(shí)序關(guān)聯(lián)特征，將所述時(shí)序關(guān)聯(lián)特征添加至深度殘差網(wǎng)絡(luò)并通過殘差學(xué)習(xí)和特征重標(biāo)定提取高階語義特征，基于所述高階語義特征構(gòu)建多任務(wù)學(xué)習(xí)框架，通過所述多任務(wù)學(xué)習(xí)框架進(jìn)行多任務(wù)預(yù)測(cè)，得到熱點(diǎn)預(yù)測(cè)結(jié)果并根據(jù)所述熱點(diǎn)預(yù)測(cè)結(jié)果構(gòu)建多層級(jí)網(wǎng)絡(luò)拓?fù)淠Ｐ停鶕?jù)網(wǎng)絡(luò)傳輸約束條件設(shè)置邊權(quán)值，結(jié)合改進(jìn)的啟發(fā)式搜索算法進(jìn)行路徑探索，得到多條最優(yōu)傳輸路徑；

52、第三單元，用于為每條最優(yōu)傳輸路徑分配權(quán)重并構(gòu)建候選路徑集合，通過加權(quán)輪詢算法對(duì)所述候選路徑集合中的每個(gè)路徑進(jìn)行流量分配，結(jié)合基于深度學(xué)習(xí)的分布式負(fù)載均衡控制器更新每條路徑的權(quán)重并檢測(cè)網(wǎng)絡(luò)通暢程度，若存在局部擁塞，則發(fā)送擁塞指示信號(hào)，建立內(nèi)容分級(jí)表并將預(yù)先確定的高熱度內(nèi)容部署至所述用戶節(jié)點(diǎn)的鄰居節(jié)點(diǎn)中，根據(jù)預(yù)先設(shè)置的基于在線學(xué)習(xí)算法的內(nèi)容分發(fā)控制器收集內(nèi)容訪問數(shù)據(jù)并更新所述內(nèi)容分級(jí)表，獲取實(shí)時(shí)網(wǎng)絡(luò)狀態(tài)并通過擁塞控制算法動(dòng)態(tài)調(diào)整數(shù)據(jù)傳輸速率，結(jié)合令牌桶算法進(jìn)行網(wǎng)絡(luò)限速，基于調(diào)整后的網(wǎng)絡(luò)狀態(tài)更新所述最優(yōu)傳輸路徑，得到直播推送路徑。

53、本發(fā)明實(shí)施例的第三方面，

54、提供一種電子設(shè)備，包括：

55、處理器；

56、用于存儲(chǔ)處理器可執(zhí)行指令的存儲(chǔ)器；

57、其中，所述處理器被配置為調(diào)用所述存儲(chǔ)器存儲(chǔ)的指令，以執(zhí)行前述所述的方法。

58、本發(fā)明實(shí)施例的第四方面，

59、提供一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其上存儲(chǔ)有計(jì)算機(jī)程序指令，所述計(jì)算機(jī)程序指令被處理器執(zhí)行時(shí)實(shí)現(xiàn)前述所述的方法。

60、本發(fā)明中，通過結(jié)合時(shí)序卷積網(wǎng)絡(luò)、門控循環(huán)單元、動(dòng)態(tài)圖神經(jīng)網(wǎng)絡(luò)、多層圖注意力網(wǎng)絡(luò)和改進(jìn)的雙向門控循環(huán)單元等多種深度學(xué)習(xí)模型，能夠更有效地捕捉用戶行為數(shù)據(jù)中的時(shí)序特征、長(zhǎng)期依賴關(guān)系、群體交互模式以及高階語義特征，從而實(shí)現(xiàn)對(duì)私域直播間熱點(diǎn)的精準(zhǔn)預(yù)測(cè)，能夠顯著提高熱點(diǎn)預(yù)測(cè)的準(zhǔn)確率，基于熱點(diǎn)預(yù)測(cè)結(jié)果構(gòu)建多層級(jí)網(wǎng)絡(luò)拓?fù)淠Ｐ?，并結(jié)合改進(jìn)的啟發(fā)式搜索算法、加權(quán)輪詢算法和基于深度學(xué)習(xí)的分布式負(fù)載均衡控制器進(jìn)行路徑探索和流量分配，實(shí)現(xiàn)了自適應(yīng)路由和負(fù)載均衡，能夠有效避免網(wǎng)絡(luò)擁塞，提高數(shù)據(jù)傳輸效率，保障直播推送的穩(wěn)定性和流暢性，擁塞控制機(jī)制和內(nèi)容分級(jí)策略能夠?qū)崟r(shí)監(jiān)測(cè)網(wǎng)絡(luò)狀態(tài)，并通過擁塞控制算法動(dòng)態(tài)調(diào)整數(shù)據(jù)傳輸速率，結(jié)合令牌桶算法進(jìn)行網(wǎng)絡(luò)限速，有效降低了網(wǎng)絡(luò)負(fù)載，提高了用戶訪問內(nèi)容的速度和效率，綜上，本實(shí)施例實(shí)現(xiàn)了私域直播間數(shù)據(jù)傳輸?shù)母咝院头€(wěn)定性，提升了用戶體驗(yàn)。