本发明涉及流量监控，具体为一种用于短视频流量异常监控方法及其监控系统。
背景技术：
1、随着智能手机的普及和移动互联网的快速发展，短视频已经成为人们日常生活中不可或缺的一部分，众多短视频平台吸引了众多用户上传和观看视频，由于短视频格式简短、内容丰富以及传播迅速的特点，它们在娱乐、教育、营销等多个领域都有广泛应用；
2、短视频内容众多，当视频内容存在问题时，进而会造成实际流量表现无法达到预期状态，而发布者则难以及时知悉视频内容中造成流量异常的因素，因而难以及时进行干涉行为的实施，并且发布者在发布前，无法有效利用先前异常经验对风险进行提前规避。
技术实现思路
1、(一)解决的技术问题
2、针对现有技术所存在的上述缺点，本发明提供了一种用于短视频流量异常监控方法及其监控系统，能够有效地解决现有技术的问题。
3、(二)技术方案
4、为实现以上目的，本发明通过以下技术方案予以实现，
5、本发明公开了一种用于短视频流量异常监控方法，包括以下步骤：
6、步骤1：获取若干视频数据作为样本，提取对应观看量作为固态类，提取转发量、点赞量、关注量和评论量作为动态类，设定各类指标的预定影响占比，整合静态类和动态类数据，构建表征出短视频流量的流量集合，并执行数据采集过程；
7、步骤2：对用户关闭视频的行为进行实时监控，记录用户关闭视频时关联的流量集中的动态类数据；
8、步骤3：对短视频的评论信息进行采集，使用自然语言处理技术提取表示交互异常的特征；
9、步骤4：使用流量集和交互异常集作为训练数据以构建异常识别模型，通过机器学习算法分析流量集的预计与实际流量的偏差，以及交互异常集的异常因子是否超出阈值；
10、步骤5：介入目标短视频的播放状态，运行异常识别模型以获取偏差参数和异常因子数，在预定时段内监控短视频流量状态，向管理者报告各时段异常状态数据，对交互异常数据进行标记，并递交提醒信息给用户端与发布平台管理端；
11、步骤6：将历史的异常状态数据和交互异常数据作为训练样本；
12、步骤7：以步骤6所收集的训练样本构建检索模型，对待发布的短视频使用该检索模型进行流量状态预测；
13、步骤8：根据预测结果，为视频创作者或运营者提供修改建议。
14、更进一步地，所述步骤1中各类指标的预定影响占比的设定过程为：分析历史数据，获取各类指标随着时间的变化趋势参数，分析各类指标在视频流量在影响指数。
15、更进一步地，所述步骤2中对用户关闭视频的行为进行实时监控的过程为：在视频播放平台上嵌入追踪代码，当用户实施开始观看、暂停观看和关闭视频操作时，则生成事件并记录，将事件数据发送到后台服务。
16、更进一步地，所述步骤3自然语言处理技术提取表示交互异常的特征的过程中，根据数据集中正常的交互特征建立基准，对所数据的采集数据进行预处理后，进行情感分析，识别偏离该基准的评论特征，获取正向、中立和负面情感倾向，对负面情感倾向的特征数据进行标。
17、更进一步地，所述步骤3中交互异常的特征属性包括：
18、高频发布自动化脚本或水军评论；
19、刷单、攻击或过度营销评论；
20、重复的、无意义的、过度使用关键词或含有广告链接的评论；
21、评论内容与视频内容完全无关的评论。
22、更进一步地，所述步骤7中该检索模型对待发布短视频进行识别，提取发布时间、内容类型和视频长度信息并归类，接收待发布短视频与同类异常状态数据和交互异常数据的关联特征，预测并输出观看量、转发量、点赞量、关注量和评论量的估计值。
23、更进一步地，所述步骤8中的修改建议通过检索模型所反馈估计值进行分析，输出视频内容、发布时间和视频内容的修改建议。
24、一种用于短视频流量异常监控系统，包括：
25、构建模块，用于定义包含短视频的观看量的静态类数据集和包含转发量、点赞量、关注量和评论量的动态类数据集；
26、聚合模块，用于根据预设规则，将静态类和动态类数据根据其在流量影响力的不同占比融合为流量数据集；
27、监控模块，用于实时监测用户对视频的互动行为，并捕捉与此相关的动态类数据；
28、评论分析，用于从用户评论中提取数据，并分析评论内容以识别交互异常特征，组建交互异常数据集；
29、异常识别模块，用于构建异常识别模型，该模型使用所构建流量数据集和交互异常数据集，分析对比预期流量标准与实际流量的差异，并识别预定时间段内流量数据集和交互异常数据集的异常指标；
30、标记模块，用于生成关于短视频的异常状态报告，并通知内容管理者，并提供需要处理的异常数据标记；
31、检索模块，用于使用历史异常状态数据和交互异常数据来训练检索模型，对待发布视频进行检索，分析潜在的用户异常行为和趋势。
32、更进一步地，所述检索模块通过无线网络交互连接有修正模块，所述修正模块用于获取检索模型对待发布或新上传的短视频进行流量状态预测的预测结果，并根据预测结果为视频运营者提供合理的修改建议或预警。
33、更进一步地，所述构建模块与聚合模块通过无线网络交互连接，所述聚合模块与监控模块通过无线网络交互连接，所述评论分析与异常识别模块通过无线网络交互连接，所述异常识别模块与标记模块通过无线网络交互连接，所述标记模块与检索模块通过无线网络交互连接。
34、(三)有益效果
35、采用本发明提供的技术方案，与已知的现有技术相比，具有如下有益效果，
36、1、通过实时监控用户关闭视频的行为和动态类数据，此方法能够及时发现并上报异常状态数据，这种实时数据处理机制使得视频发布者能够迅速了解到可能导致流量异常的具体因素，克服了无法实时了解流量状态的问题，增强了及时干预的能力。
37、2、通过监控静态数据，结合动态数据进行分析，这种多维度的数据整合有助于更精确地识别出异常流量的原因，从而提供更全面的视角，综合静态类和动态类数据的分析，提供了更全面的异常分析，使得发布者可以更准确地识别和理解流量异常的原因。
38、3、通过利用历史的异常状态数据和交互异常数据作为训练样本，构建的检索模型能够预测待发布视频的流量状态，这使得发布者在发布前就可以利用先前的异常经验进行风险评估和规避。
39、4、通过应用机器学习算法来自动化地识别流量异常，减少了人工干预的需要，提高了处理效率和准确性，构建了基于历史数据的预测模型，使发布者在视频发布前能够有效利用先前的异常经验，进行风险评估和规避，提前做出调整。
1.一种用于短视频流量异常监控方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种用于短视频流量异常监控方法，其特征在于，所述步骤1中各类指标的预定影响占比的设定过程为：分析历史数据，获取各类指标随着时间的变化趋势参数，分析各类指标在视频流量在影响指数。
3.根据权利要求1所述的一种用于短视频流量异常监控方法，其特征在于，所述步骤2中对用户关闭视频的行为进行实时监控的过程为：在视频播放平台上嵌入追踪代码，当用户实施开始观看、暂停观看和关闭视频操作时，则生成事件并记录，将事件数据发送到后台服务器。
4.根据权利要求1所述的一种用于短视频流量异常监控方法，其特征在于，所述步骤3自然语言处理技术提取表示交互异常的特征的过程中，根据数据集中正常的交互特征建立基准，对所数据的采集数据进行预处理后，进行情感分析，识别偏离该基准的评论特征，获取正向、中立和负面情感倾向，对负面情感倾向的特征数据进行标记。
5.根据权利要求1所述的一种用于短视频流量异常监控方法，其特征在于，所述步骤3中交互异常的特征属性包括：
6.根据权利要求1所述的一种用于短视频流量异常监控方法，其特征在于，所述步骤7中该检索模型对待发布短视频进行识别，提取发布时间、内容类型和视频长度信息并归类，接收待发布短视频与同类异常状态数据和交互异常数据的关联特征，预测并输出观看量、转发量、点赞量、关注量和评论量的估计值。
7.根据权利要求1所述的一种用于短视频流量异常监控方法，其特征在于，所述步骤8中的修改建议通过检索模型所反馈估计值进行分析，输出视频内容、发布时间和视频内容的修改建议。
8.一种用于短视频流量异常监控系统，所述系统是对权利要求1-7中任一项的一种用于短视频流量异常监控方法的搭载系统，其特征在于，包括：
9.根据权利要求8所述的一种用于短视频流量异常监控系统，其特征在于，所述检索模块(7)通过无线网络交互连接有修正模块(8)，所述修正模块(8)用于获取检索模型对待发布或新上传的短视频进行流量状态预测的预测结果，并根据预测结果为视频运营者提供合理的修改建议或预警。
10.根据权利要求8所述的一种用于短视频流量异常监控系统，其特征在于，所述构建模块(1)与聚合模块(2)通过无线网络交互连接，所述聚合模块(2)与监控模块(3)通过无线网络交互连接，所述评论分析(4)与异常识别模块(5)通过无线网络交互连接，所述异常识别模块(5)与标记模块(6)通过无线网络交互连接，所述标记模块(6)与检索模块(7)通过无线网络交互连接。
