显示与消失、Dialog弹出、按钮的显隐等。当动效设计需求交付给研发后，往往要达到最终的效果，需要经过多轮的走查和调优，归纳起来造成这种结果的原因主要有：1）同一动画，不同的开发人员实现的效果有差别

大量模块壳工程本地如何快速编译Ali266首次商用落地，优酷码率最高节省40%优酷播放体验优化实战（五）--播放内核设计和性能调优

end复杂插件一个复杂插件可以由一个或多个插件和模块组成。#

优酷业务背景优酷是阿里巴巴文化娱乐集团的核心用户引擎，是中国领先的在线视频平台，现支持PC、电视、移动三大终端，兼具版权、自制、合制、自频道、直播等多种内容形态。优酷以“你的热爱

list进行了全面的梳理，结合各个子模块的特点，新增了能够组装个feature的配置能力，通过简单的配置文档就可以编译出我们需要的版本，大大提升了特定版本release的效率。图2.2

（1）接入层Android和iOS端分别封装了OprBarrageView和OprBarrageLayer，除了封装弹幕的相关操作之外，把展示的view容器也封装在内。这样做的好处主要有两点：a.

这里有一个疑问是浏览器本身已经具备高清晰度（4K、8K）的播放能力，为什么还要做一个基于浏览器内核的客户端？原因如下：浏览器局限性以及成本、体验1.

Learning实现了“由易到难”的学习过程。在四个公开数据集上的实验结果表明：所有的经典ERC模型在使用本文提出的训练框架之后都可以获得显著的效果提升，并且可以有效缓解“emotion

阿里QA导读：系统高可用、稳定性一直以来都是各类业务的基础底座。无论是电商系统链路、云基础设施，还是支付宝等超级APP，区块链等新兴技术，在面对大规模用户并发场景、复杂业务模型时，都需要合理的系统架构、完善的可用性解决方案来应对稳定性问题。而到了双碳时代，我们还能否不计成本地投入？我们是否有更加精准、低碳的方案来实现呢？本会场将在此基础上跟大家探讨，打造一个绿色的高可用体系。——

数据链路闭环：客户端决策信息埋点上报，云端数据分析处理，优化后的配置更新或模型下发。其中，策略框架及各种清晰度选择的算法策略实现是整个智能档的核心灵魂，策略框架提供了一个平台，目前，优酷的智能档使用

阿里QA导读：TICA2021自公布以来，我们感受到了大家对TICA2021满满的热情。小编收到很多私信，都在咨询TICA2021具体包含哪些议题。现在，我们为大家揭开神秘的面纱～疫情期间，安全为大。所以TICA2021将于2021年12月18日（周六），通过优酷以线上的形式与大家见面啦！小编个人还是很喜欢这种形式的，这样我们就可以随时随地享受我们的干货盛宴，而且，重点是，成本超低！本次大会议题经历数月的征集、审稿等工作，终于敲定了，议程海报奉上！小编还要提醒下大家哦，只要在2021.12.12之前买票，均可以享受我们的早鸟票，还可以观看回放视频，特别划算，欢迎大家滑至文末购买。 话不多说，下面就是本次大会的具体议程以及我们的出品人介绍。大会议程本次大会以“质测美好”为主题，开设一大主会场、五大分会场，全新议题，内容丰富，适用于测试工程师、研发工程师、测试经理、架构师、技术总监等多角色，并且经过出品人的仔细审核敲定，相信将会和各位一起，在质量保障领域碰撞出更多思维的火花。购票通道1、TICA2021早鸟票+TICA2020视频资料+优酷VIP半年大礼包购买通道

Render进行可视化表单搭建，对于非表单类型的，比如表达式编辑器这种，可以提供源码开发方式。编排器画布的绘制我们来看看如果代码开发初始化一个画布，我们需要如何描述：const

Schema可以被修改吗？前端特色的逻辑编排集团内目前还是服务编排和业务编排比较多一点，也有服务端的逻辑编排，前端侧的逻辑编排却不多见。如果你对逻辑编排、业务编排、服务编排不是很清楚，推荐这篇文章

从逻辑编排平台搭建好导出的逻辑。逻辑的数据产物根据outputSchema协议可视化展示在业务平台侧，对应热区模块可选择/绑定对应字段内容，逻辑真正执行时，数据驱动视图改变。前后对比

执行有两个问题：流程走向不直观，每个元件执行完后需要浪费时间去查找下一个元件是哪个无效信息太多导致json体积太大进而影响加载性能，比如坐标信息(x/y)、标签信息(label)

filter负责实时将音频数据转换为需要格式，在本次空间音频的实施中，我们需要将线上存量的单声道或者双声道音频转换为5.1声道，channelLayout为：left

整体的微前端应用研发方案如下：其中核心的渲染逻辑：通过路由匹配来进行应用的渲染，同时整个渲染过程提供事件通信机制。（如下图）其中如何让框架简单，通过以下3方面进行：1.

git仓库源码物料开发需要使用脚手架开发。开发者在开发物料功能的同时需要对物料一些规范进行编写，生成符合规范的meta.json（物料描述schema）。物料开发完成，本地运行都可以了，同时

关注我们你是否遇到过下面的场景？场景1：新接收了一个项目，想了解一下当前的用户使用习惯和反馈，却没有一个全面、权威的数据支撑来帮助你深入了解，只能从用户口中了解到一些零散的信息；

v3的历史项目，而antd组件是使用全局样式，想在这些旧项目里嵌入搭建物料，就会出现样式冲突。为了解决这一问题，我们引入了一些微前端的环境隔离方案，渲染器会将结果渲染到

布局配置——规范化的房子规格

P2P网络直播优酷播放体验优化实战（三）--低延时直播

Protocol）传输，使用非公共端口（1935），可能会被防火墙拦截；2）RTMP是Adobe的私有协议，有些设备无法直接播放，可能需要借助于第三方模块；2、HTTP-FLV（Hypertext

下载调度在整个直播过程中，由于可播放缓存的数据是非常小的，通常不超过10秒？因此如何实时的根据当前的网络状态、网络环境，作出使用CDN，又或是使用P2P的决策呢？这里，我们的最佳实践主要如下：a.

文娱妹导读《优酷播放体验优化实战》系列文章持续放送中。本文将从不同类型播放问题出发，阐述优酷技术团队在播放体验优化实战中的经验

通过视频背景音乐、字幕文本和交互演员的面部表情、行为举止、对话等多种模态信息，识别成对演员的情感关系是亲密、敌对或者中性。针对此任务，本文收集了一个大规模的多模态标注的数据集ERATO,

文娱妹导读CCBN2021融合媒体数字版权管理高峰论坛上，高质量视听内容版权保护技术创新推进联合倡议单位共同发布了《高质量视听内容版权保护技术创新联合推进倡议书》近年来，全球超高清产业发展迅速，超高清视听内容服务快速增长，后疫情时代互联网高价值视听内容服务更是呈现出逆势上扬的势头，高安全级别版权保护技术需求进一步凸显。为深入贯彻落实习总书记关于知识产权保护工作的指示精神，在2021年6月1日《中华人民共和国著作权法》生效之际，国内视听内容版权保护产业链各方为进一步加大高质量视听内容供给，创新高质量视听内容服务模式，提升高质量视听内容保护水平，切实保障消费者利益，为此联合倡议应运而生。图为高质量视听内容版权保护技术创新推进联合倡议单位代表发言该倡议书提出以下几点倡议1、视听服务机构将深入贯彻落实习近平总书记关于知识产权保护工作的指示精神，尊重、遵守《中华人民共和国著作权法》及相关法律法规的规定，积极推进高质量视听内容差异化服务创新，进一步提升高质量视听内容版权保护水平。逐步将云首播、超前点播等高质量视听内容服务切换到具备符合行业标准的硬件以上安全级别智能终端。为具备符合行业标准的硬件以上安全级别智能终端消费者提供更高的4K/HDR以上视听内容消费体验。2、高质量视听内容消费终端产业链各方将进一步提升终端版权保护技术水平，加快符合行业标准的硬件以上安全级别终端研发、生产，为消费者提供更好的视听内容体验支撑。3、视听内容版权保护技术产业化应用产学研用各方应进一步提升技术研发支撑能力体系建设，为视听服务机构、高质量视听内容消费终端芯片及设备制造商等提供更加完善的研发支撑，降低高安全等级版权保护技术在终端产品的部署难度和成本。4、呼吁广大消费者尊重版权，提升版权保护意识，使用符合版权保护要求的视听终端观看高质量视听内容。我国视听内容版权保护生态建设“十三五”期间，为支撑和保障超高清产业发展，我国已建立了视音频内容分发数字版权管理标准体系，发布了6项视音频内容分发数字版权管理技术标准；产业界研发了23款以上符合行业标准的DRM服务端组件，统一DRM客户端已实现商用部署，华为等已激活7000万以上基于统一DRM客户端的终端设备；我国视听内容版权保护生态建设基本条件已具备。高质量视听内容版权保护技术创新推进联合倡议单位单位包括（排名不分先后）：深圳市腾讯计算机系统有限公司、优酷信息技术(北京)有限公司、北京爱奇艺科技有限公司、湖南快乐阳光互动娱乐传媒有限公司、广东南方新媒体股份有限公司、华数传媒网络有限公司、百视通网络电视技术发展有限责任公司、华为技术有限公司、上海海思技术有限公司、晶晨半导体（上海）股份有限公司、珠海全志科技股份有限公司、湖南国科微电子股份有限公司、深圳康佳电子科技有限公司、深圳创维-RGB电子有限公司、四川长虹电器股份有限公司。END>>>>以下文章你可能感兴趣优酷无障碍剧场--架设文娱“盲道”优酷联合华为智能座舱，打造“声临其境”的沉浸式车内影院

文娱妹导读第三届科技无障碍发展大会于今日在北京举行，优酷APP作为无障碍化建设的优秀代表受邀在现场进行了经验分享。以下内容根据阿里移动技术负责人、阿里影业负责人

全球无障碍宣传日你使用手机观看影视作品的简单对他们来说犹如天方夜谭数字化生活给你带来的便利可能会让他们寸步难行......今天是全球无障碍宣传日走进科技荒漠，了解障碍人群的科技诉求END>>>>以下文章你可能感兴趣春招实习哪家强？阿里文娱响当当MVVM后，下一代开发模式在哪？

2021上海国际车展期间,华为发布了最新的智能座舱解决方案，以HarmonyOS车机操作系统为平台，帮助车企、Tier1和应用伙伴开发满足用户需求和体验的服务与功能；同期还举办了智能座舱生态联盟沙龙，与七十多家软硬件生态合作伙伴探讨智能座舱演进方向，并携三十多家率先上车的生态合作伙伴在车展亮相。

END>>>>以下文章你可能感兴趣技术大咖邀你参与【全球视频云创新挑战赛】1秒钟打造智能化视频内容生产利器优酷速看短视频自动化生产解决方案

post-refinement以解决STM解码器对多尺度目标分割精细度较差问题通过ASPP增加多尺度信息的捕获能力，利用HRnet对STM的初始分割结果进行refine，优化物体细节的分割效果。

写在前面讨论下一代开发模式的演化、优化方向和可能，不一定正确希望和感兴趣的读者交流。任何模式的选择一定要根据当时的开发需要来决定。比如：实验性、迭代很快的简单需求，一般会先选择MVC尝试，待明确方向后，再考虑改为MVVM。背景首先，看下iOS首推的MVC模式。M：单纯的从网络获取回来的数据模型V：视图界面C：ViewControllerViewController负责View和Model之间调度，View发生交互事件会通过target-action或者delegate方式回调给ViewController，与此同时ViewController还要承担把Model通过KVO、Notification方式传来的数据传输给View用于展示的责任。随着业务越来越复杂，视图交互越复杂，导致Controller越来越臃肿，负重前行。福报修多了的结果就是，不行了就重构，重构不了就换掉。为了解决MVC带来的问题，MVVM出现了。把View和Controller都放在了View层（相当于把Controller一部分逻辑抽离了出来），Model层依然是服务端返回的数据模型。而ViewModel充当了一个UI适配器的角色，也就是说View中每个UI元素都应该在ViewModel找到与之对应的属性。除此之外，从Controller抽离出来的与UI有关的逻辑都放在了ViewModel中，这样就减轻了Controller的负担。从以上的架构图中，我们可以很清晰的梳理出各自的分工。View层：视图展示。包含UIView以及UIViewController，View层是可以持有ViewModel的。ViewModel层：视图适配器。暴露属性与View元素显示内容或者元素状态一一对应。一般情况下ViewModel暴露的属性建议是readOnly的，还有一点，ViewModel层是可以持有Model的。Model层：数据模型与持久化抽象模型。数据模型很好理解，就是从服务器拉回来的JSON数据。而持久化抽象模型暂时放在Model层，是因为MVVM诞生之初就没有对这块进行很细致的描述。按照经验，我们通常把数据库、文件操作封装成Model，并对外提供操作接口。（有些公司把数据存取操作单拎出来一层，称之为DataAdapter层，所以在业内会有很多MVVM的变种，但其本质上都是MVVM）。Binder：MVVM的灵魂。可惜在MVVM这几个英文单词中并没有它的一席之地，它的最主要作用是在View和ViewModel之间做了双向数据绑定。如果MVVM没有Binder，那么它与MVC的差异不是很大。需要注意一点，View持有ViewModel，ViewModel不能持有View（即ViewModel不能依赖UIKit中任何东西）。有两个原因：一是为了ViewModel可测性，即单元测试方便进行；二是团队人员可分离开发。可总结为：更加干净的解耦。存在的问题MVVM公认的问题学习成本高绑定数据比较繁琐，容易引起crash犹豫要不要引入RAC问题1任何新技术，新模式都是有学习成本，MVVM也不例外，但是并不是非常高，阅读相关文章，以及技术大咖做的demo，经过一两个需求就基本掌握了。问题2在不使用RAC的情况下，一般使用KVO、类KVO来解决，需要在初始时绑定，dealloc移除绑定，还要避免主动修改viewModel值造成UI的循环响应修改。的确，相对繁琐，但已经有其他开源方案可以解决，既方便，又安全。问题3（个人意见)如果非必需，建议不要引用RAC，有两个原因，一是因为RAC学习成本需要颠覆之前的开发方式；二是RAC对性能影响非常大，一个简单的数据响应也会生成非常多信号量。问题不止这些经过长时间的使用，发现MVVM的viewModel的确可以抽离V/VC中的业务逻辑，但是不同VM由于对外接口不统一，相似的业务，如果通过VM之间的继承，可以解决当时问题，但是随着迭代，判断逻辑越来越多；如果创建各自独立VM，部分能力又会重复造轮子。例如，页面A某个功能需要，先判断登陆，再上传修改；页面B某个功能需要，先判断登陆，再查看信息。方案一viewModelB继承viewModelA，viewModelA声明一个nextActionAfterLoginCheck

导读从业务角度看，内容评估判断对于视频平台为代表的内容平台是核心能力，通过结构化评估和预测能力加持，评估能力使得平台内容质量取得了非常可观的效果；从技术角度看，预测是一个复杂问题，现实世界大部分问题都是小样本问题，即FSL或者ZSL。本内容主要总结在阿里文娱内容预测里的一些系统化的工作，尝试对以上两个问题做了一些理论思考和实践的总结。（视频回放）面临的行业趋势及挑战这个行业发生了巨大的变化：以前的内容是万人空巷、全民爆款、全中国人民都看一部片子，后来到几部片子，而现在是圈层爆款，各有所爱。在感知层面的困难是：每年会诞生不到1000部的片子，不同圈层感兴趣内容不一样，完全不了解对方发生了什么情况，用户也没有时间去了解所有的内容；在认知层面的困难是：用户洞察很复杂，在某种程度上决定了播出效果。举个例子：疫情期男女观看比例发生了大比例的变化，疫情期对情感类和励志类的偏好提升了40-50%。疫情期有效的用户洞察，可以发掘出同一个事件对不同用户群（性别/年龄等）情绪、心理和行为等层面造成的冲击。在决策层面的困难是：做一个长的内容，需要特别长时间，比如长安十二时辰整个的非群演主创人群差不多800~1000人，群演300~1500人，筹备7个月拍摄是217天。而用户的细分又比较多，所以造成的结果是周期长，成本高、不确定性强，最后决策很困难。文娱大脑基本框架及典型应用场景今天文娱大脑做了一些工作，主要是在感知层和认知层，决策层做了一些工作，从这样一个产业结构上，提升整个内容的确定性的质量。我们分成5个阶段，前面是评估，然后选角、制作，再到宣发与分发的阶段。1、选角：这是电视剧《重生》的选角要求。全中国有这么多演员，哪个是最合适的？我们建立了一个库，在语义层面上做一些理解，基于判断的结果，可以做一个更精细化的圈定，筛选完了之后会选到这个人，最后播出的效果也不错。2、成片体检逻辑上讲，用户看视频，画面、背景音等视听体验后，这些视听体验会带动情绪上的波动，我们就想能否模拟这种波动呢？就建了这样的一个基于CV和语音的一些识别的工作，然后去模拟的情绪曲线。基于情绪曲线，我们和业务方做了一些配合，把这些曲线使用上，然后从内容制作的角度（结构、角色表现力），去做些分析。我们会看到两条曲线，橙色曲线是支持观看的收视曲线，蓝色是机器预测曲线，两者的相关度还是挺高的，能到0.6。围绕这个结果，专业人员会做一些片子上修改，我们用严格的ABTest发现，基于这种方式修改专案内容，整个的好评率提升20%，然后TS涨了5%，另外，在开放平台上，片方也觉得对宣发非常有价值。3、现场解决方案如何在现场来提供这样的一些解决能力？去识别现场的用户的感受，做到及时反馈？所以我们做了这个现场解决方案。这三部分我们还是在NLP,CV的这些技术解决感知层能力的一些方法，感受到用户的一些反馈，然后及时反馈过来，感受到内容的一些要素，以此优化内容。这两年在推进认知方面的内容：内容360评估（一个内容的评估是多维的）。AI和业务专家一起做了两件事：其一，构建文娱的知识图谱，把经验通过一些规定的方式进行沉淀。我们现在有一个全行业最大最全的知识图谱，有几百万的内容，几百万的演职人员，各个方面的人才都在评级库里面，数据字段的准确度也达到了非常高的标准。围绕这部分知识，根据这些内容的不同的、分级标准，会形成概率分布图。其二，AI预测工具。把这个体系看作成一个从感知能力到认知能力的映射，我们可以做流量预测，去更精准的去预估，做流量预测。大家关心的肯定是准确率，过去的一年准确率整体提升了10%，内容质量提升20%，流量比较低的内容下降了10%，所以这个体系还是比较有价值。它是技术非常复杂的工作，为了统筹这件事，文娱在很早就形成了内容认知的框架，去指导我们怎么把认知层、决策层、感知层结合起来。我们把内容和用户的部分拆分开来：左边是内容，包括两部分：外延与内涵，外延部分，外延与IP/主创等相关的内容；内涵部分，拍出来的视频，基于经典的知识理论、戏剧理论、视听语言，构造基本的判断维度。围绕这个判断维度，识别人物情绪、场景、动作、着装等元素。右边用户部分，从结果到行为，从行为到心理到生理，怎么建立右面的体系？打通内容到用户行为数据之后，会做到左边的内容片段和右边的用户行为之间的关联，以此为基础，就可以在整个内容全生命周期各个阶段去做预测。大部分人不会去做流量预测的问题，把问题泛化一下，本质上是商品需求预测的问题。大部分的商品需求预测都是一个复杂的问题，几乎所有的商品的需求预测越在早期越有价值，越在后期价值越小。但早期的问题就在于它是一个样本量很少的问题。小样本系统思考及实践如何用少一点的样本，做复杂问题的预测？首先是圈层。行为是非常稀疏的，你看到的内容是一小部分，另外一些人看的内容也是小部分，行为特别稀疏。艺术还追求它唯一性，从某种程度上讲，它本质上是ZSL的，没出现过。如何基于没出现过、出现的一些行为很稀疏去做预测？其次是用户结构的稳定性。行为偏好的人群结构的预测，我们从一个通用性的角度来去看少量的问题是个什么样的问题。前面有了KG和其他的一些数据，前面这一部分是定义什么是个机器学习，FSL是一个典型的机器学习问题，就是一个在少量的可标注的样本上的学习问题。背后的真正的挑战是什么？对于预测问题，对机器学习的问题期望的风险评估最低的时候，是在数据分布下，然后你lost他的一个期望值，但是你这个期望值你不知道，然后所以就诞生了一个学习理论。从学习理论出发，一致性收敛，围绕一致性收敛，在数据量的情况下，出来的误差和模型在整个全样本分布上期望的误差之间的正确是多少，做有确定数量的分析。它跟n有关系，特别大的时候他的up

“新内容新交互”

看文章前，先看段视频吧！阿里妹导读随着用户的时间碎片化程度加剧，视频“由长变短”成为一种趋势，信息流场景下的短视频消费需求日益增长，优酷每年为用户提供大量优质视频资源，具备天然的“由长变短”优势，并通过算法研究在速看短视频的自动化生产方面取得突破。简介相关研究学术界中将该问题命名为

2021一共收到9034篇论文提交，其中有效审稿的只有7911篇，最终录取的数量为1692篇，接收率为21.4%。本次也被称为“史上最严AAAI”。

来保证线程安全，资源消耗少，不会new新的对象，是使用缓存池技术实现。QLExpress脚本引擎详解2.