CN101874255A - 一种估计一个用户组对一个内容的总体兴趣度的方法和设备 - Google Patents
一种估计一个用户组对一个内容的总体兴趣度的方法和设备 Download PDFInfo
- Publication number
- CN101874255A CN101874255A CN200680018627A CN200680018627A CN101874255A CN 101874255 A CN101874255 A CN 101874255A CN 200680018627 A CN200680018627 A CN 200680018627A CN 200680018627 A CN200680018627 A CN 200680018627A CN 101874255 A CN101874255 A CN 101874255A
- Authority
- CN
- China
- Prior art keywords
- value
- user
- degree
- relative importance
- group
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000004590 computer program Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 description 15
- 230000008569 process Effects 0.000 description 14
- 238000010586 diagram Methods 0.000 description 7
- 230000036962 time dependent Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 230000011218 segmentation Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000003203 everyday effect Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000010365 information processing Effects 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 240000004859 Gamochaeta purpurea Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003556 assay Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000002354 daily effect Effects 0.000 description 1
- 238000013481 data capture Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 238000007620 mathematical function Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000014860 sensory perception of taste Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
Landscapes
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Engineering & Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Primary Health Care (AREA)
- Game Theory and Decision Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Two-Way Televisions, Distribution Of Moving Picture Or The Like (AREA)
Abstract
本发明涉及一种估计一个用户组对一个内容的总体兴趣度的方法,该用户组包含至少两个成员,该方法包括步骤:获取涉及该内容可用时段和所含特征的信息;获取该用户组内每个成员的优先度在不同时段上的取值和对该所含特征的喜好程度;根据该用户组内每个成员的优先度在该可用时段上的取值和对该所含特征的喜好程度确定该总体兴趣度。本发明可通过使用户组内每个成员的优先度随时段变化的方式来适应用户组内每个成员对于内容选择的影响力是动态变化的诸多情形,因而能更准确地向一个用户组推荐内容。
Description
技术领域
本发明涉及信息处理技术,特别涉及一种估计一个用户组对一个内容的总体兴趣度的方法和设备。
背景技术
随着社会的发展和技术的进步,人类获取的知识正以几何级数的速率增长。面对浩如烟海的信息,迫切需要提供能够对信息自动进行初步处理的方法和设备,从而使人们从日常琐事中解脱出来,更有效地从事创造性的劳动和更好地享受生活。
内容推荐是信息处理中一个相当热门的技术,其基本原理为根据预先设定的判定条件对内容进行分析从而得到特定用户/用户群对内容的感兴趣程度(以下又称为兴趣度),然后藉此决定是否向该用户/用户群推荐该内容。该项技术在电视节目推荐中具有广阔的应用前景,因此许多研究工作都以此作为背景。
内容推荐的对象可以是单个用户,也可以是由至少两个用户或成员组成的用户组,例如一个用户组可以由家庭成员组成,或者由住在一间寝室内的同学组成。与单个用户相比,一个用户组由于涉及到用户组成员之间的相互影响问题,因此兴趣度分析评价的过程比较复杂。
在2001年3月28日提交的题为“产生多用户推荐结果的方法和设备(Method And Apparatus For Generating Recommendations For APlurality Of Users)”的美国专利申请09/819,440中,公开了一种确定向用户组推荐结果的方法,该专利申请的发明人为LalithaAgnihotri和Srinivas Gutta,受让人为Philips Electronics NorthAmerica Corp.。在上述申请文件公开的实施方案中,推荐结果以推荐得分或组合推荐得分来表示,这种推荐得分或组合推荐得分根据用户组内每个用户对于信息或内容所包含的特征的喜好程度计算得到。在此以***的方式,加入美国专利申请09/819,440披露的内容。
在美国专利申请09/819,440的一个具体实施方案中,推荐得分确定方法为:首先获取电子节目指南(EPG),也即以电子形式存在电视节目预告信息。然后,获取用户组内成员的档案300,该档案即包含了每个用户对于每个特征的喜好程度的信息。接着,如果必要,将每个用户对于每个特征的喜好程度转换为同一数值尺度。随后的处理步骤是根据前述用户档案确定一个节目向每个用户值得推荐的程度或推荐得分。当获取了用户组内所有用户的推荐得分后,将所有用户的推荐得分组合在一起以形成该用户组的总的推荐得分,组合方式例如包括对所有用户的推荐得分取加权平均值或算术平均值。最后,输出计算得到的用户组的推荐得分。
为了更好地确定一个用户组总体上对内容的感兴趣程度即总体兴趣度,还可以将更多的因素纳入考虑范围。
发明内容
本发明的一个目的是准确地确定一个用户组对内容的总体兴趣度,从而向用户组更有针对性地推荐内容。
本发明的一个方面是提供一种估计一个用户组对一个内容的总体兴趣度的方法,其中该用户组包含至少两个成员,且该方法包括步骤:获取涉及该内容可用时段和该内容中所含特征的信息;获取每个成员的优先度在不同时段上的取值和该成员对该所含特征的喜好程度;根据每个成员的优先度在该可用时段上的取值和该成员对该所含特征的喜好程度确定该总体兴趣度。
在一个实施例中,所述每个成员的优先度值设置为:其中一个所述成员的优先度在至少两个时段内取值不同,该两个时段是来自由一天划分成的多个时段。或者,所述每个成员的优先度取值设置为:对于至少两个不同日期的同一时段,一个所述成员的优先度取值不同。
在另外一个实施例中,确定步骤包括以下步骤:根据每个成员的优先度在不同时段上的取值和对所含特征的喜好程度确定该用户组对该所含特征的兴趣度在不同时段上的取值;根据所述可用时段确定该用户组的兴趣度取值;以及组合该用户组的兴趣度取值以获得所述总体兴趣度。
本发明的另一个方面是提供一种向一个用户组推荐内容的方法,其中该用户组包括至少两个成员,该方法包括步骤:获取涉及该内容可用时段和该内容中所含特征的信息;获取每个成员的优先度在不同时段上的取值和该成员对该所含特征的喜好程度;根据每个成员的优先度在该可用时段上的取值和该成员对该所含特征的喜好程度确定该总体兴趣度;根据该总体兴趣度向该用户组进行推荐。
本发明的又一方面是提供一种估计一个用户组对一个内容的总体兴趣度的设备,其中该用户组包括至少两个成员,该设备包括:获取装置,用于获取涉及该内容可用时段和该内容中所含特征的信息;接收装置,用于接收每个成员的优先度在不同时段上的取值和该成员对该所含特征的喜好程度;确定装置,用于根据每个成员的优先度在该可用时段上的取值和该成员对该所含特征的喜好程度确定该总体兴趣度。
在一个实施例中,所述每个成员的优先度取值设置为:一个所述成员的优先度在至少两个时段内取值不同,该两个时段是来自由一天划分成的多个时段。或者,所述每个成员的优先度取值设置为:对于至少两个不同日期的同一时段,一个所述成员的优先度取值不同。在另外一个实施例中,所述确定装置包括:生成装置,用于根据每个成员的优先度在不同时段上的取值和对所含特征的喜好程度确定该用户组对该所含特征的兴趣度在不同时段上的取值;查找装置,用于根据所述可用时段确定该用户组的兴趣度取值;计算装置,用于组合该用户组的兴趣度取值以获得所述总体兴趣度。
本发明的又一个方面是提供一种向一个用户组推荐内容的设备,其中该用户组包括至少两个成员,包括:获取装置,用于获取涉及该内容可用时段和该内容中所含特征的信息;接收装置,用于接收每个成员的优先度在不同时段上的取值和该成员对该所含特征的喜好程度;确定装置,用于根据每个成员的优先度在该可用时段上的取值和该成员对该所含特征的喜好程度确定该总体兴趣度;推荐装置,用于根据该总体兴趣度向该用户组进行推荐。
本发明的再一个方面是提供一种用于估计一个用户组对一个内容的总体兴趣度的计算机程序产品,其中该用户组包括至少两个成员,该计算机程序包括:获取涉及该内容可用时段和该内容中所含特征的信息的代码;获取每个成员的优先度在不同时段上的取值和该成员对该所含特征的喜好程度的代码;根据每个成员的优先度在该可用时段上的取值和该成员对该所含特征的喜好程度确定该总体兴趣度的代码。
本发明还涉及一种包含这种计算机程序产品的存储载体。
在本发明中,可通过使用户组内每个成员的优先度随时间变化的方式来适应用户组内每个成员对于内容选择的影响力是动态变化的诸多情形,因而能更准确地向一个用户组推荐内容。
在一个实施方案中,可将成员的优先度设置为随时段分段变化,这种实现方式具有简单、灵活的优点,适合于电视节目的兴趣度估计和推荐。而且在此基础上可以预先计算出各个时段上用户组对每个特征的兴趣度并供后面计算总体兴趣度时使用,这可降低计算开销,从而简化硬件结构。
通过参照结合附图所进行的如下描述和权利要求,本发明的其他目的和优点将是显而易见的,并对本发明也会有更为全面的理解。
附图说明
图1为流程图,其示出了按照本发明的估计一个用户组对一个内容的总体兴趣度的方法的一个较佳实施例。
图2的流程图示出了一个基于模糊逻辑处理方式计算用户组对一个特征的兴趣度的示例。
图3a、3b和3c示出了图2所示模糊逻辑处理方式中使用的隶属函数,它们分别对应于喜好程度、优先度和用户组成员对特征属性感兴趣的程度。
图4为流程图,其示出了按照本发明的估计一个用户组对一个内容的总体兴趣度的方法的另一个较佳实施例。
图5为流程图,其示出了按照本发明的向一个用户组推荐内容的方法的一个较佳实施例。
图6为方框图,其示出了按照本发明的估计一个用户组对一个内容的总体兴趣度的设备的一个实施例。
图7a为方框图,其示出了按照本发明的向一个用户组推荐内容的的设备的一个实施例。
图7b为方框图,其示出了按照本发明的向一个用户组推荐内容的的设备的另一个实施例。
在所有的附图中,相同的参照数字表示相似或相同的特征和功能。
具体实施方式
以下结合附图对本发明的较佳实施方式作详细描述。
图1的流程图示出了按照本发明的估计一个用户组对一个内容的总体兴趣度的方法的一个较佳实施例。例如,该内容是电视节目。
如图1所示,在步骤S110中,获取用户数据,包括用户组内各成员对每个特征的喜好程度和各成员在选择电视节目时的优先度。这些用户数据以及其他与成员相关的数据可存储在一个用户档案中以供调用,比较好的是,用户档案为具有一定格式的数据文件,其修改方式例如可以是由节目提供商定期更新,或由用户组成员根据需要自行修改。下面的表1和2分别示出了这两类用户数据的数据结构。
表1
A | B | C | D | E | F | G | H | I | J | K | |
孩童1 | 1.0 | 0 | 0.6 | 0 | 0.4 | 0.8 | 0 | 0 | -0.6 | 0 | 0.9 |
孩童2 | 0.9 | 0 | 0 | 0.6 | 0 | -0.4 | 0.1 | 0.5 | 0 | 0.8 | 0 |
母亲 | 0.6 | 0 | 0 | 0 | 0.6 | 0.7 | -0.5 | 0.2 | 0.9 | 0 | 0 |
父亲 | 0.7 | 0 | 0 | 0 | 0 | 0.3 | 0.8 | 0.9 | 0 | -0.8 | 0.9 |
表2
时段 | 孩童1 | 孩童2 | 母亲 | 父亲 |
18:30-19:30 | 1 | 1 | 0.1 | 0.6 |
19:30-20:30 | 1 | 1 | 0.4 | 0.4 |
20:30-21:30 | 0.4 | 0.5 | 0.7 | 0.3 |
21:30- | 0.2 | 0.2 | 0.4 | 0.8 |
用户数据的获取方式可以多种多样,例如:如果利用机顶盒实现总体兴趣度计算的功能,则机顶盒可以通过诸如有线电视网络或局域网从节目提供商的远程服务器下载获得,而远程服务器上提供的用户数据可以是以大量家庭为样本取得的统计数据;或者由家庭成员通过输入设备自行设定用户数据并将它们存储在诸如机顶盒之类的计算总体兴趣度的设备内;甚至还可以通过安装在电视机附近的监测设备(例如摄像头和遥控器等)自动采集家庭成员观看电视的情况并将这些信息送至机顶盒或经网络传输至远程服务器以通过统计分析形成用户数据。
表1包括用户组内每个成员对每个特征的喜好程度数据,该用户组由父亲、母亲、孩子1和孩子2组成,收看的电视节目包含A~K共计11个特征,其中A表示该节目为英语节目或以英语为主的节目,B、C和D分别为与计算机、数学和化学有关的节目,E代表该节目为具有浪漫情调的电影,F和G分别表示该节目为卡通片和连续剧,H代表新闻节目,I代表插播的广告,J表示该节目具有喜剧色彩,K代表体育节目。表中的数值表示某一成员对某一特征的喜好程度,即,在本实施例中也采用数值来描述或标度用户组内每个成员对于内容所包含的特征的喜好程度。例如孩子1非常喜欢收看卡通片,因此其对于卡通片的喜好程度赋值为0.8,而由于其对连续剧和新闻不感兴趣,因此相应的数值为0,此外,孩子1还非常讨厌商业广告,因此其对该特征的喜好程度取值为-0.6。对于其他家庭成员,也可以根据各自的喜好作相应的赋值。
表2包括用户组内每个成员的优先度数据。通过下面对兴趣度计算方式的描述将会看到,这里的优先度可反映一个成员对于用户组总体兴趣度的影响程度,较高的优先度意味着该成员对总体兴趣度较强的影响力,反之亦然。
如表2所示,在该示例中,收看电视节目的时间被划分为四个时段,每个成员在不同时段内的优先度并非一成不变,例如在每天的18:30~19:30时段,由于此时时间尚早,家长一般是允许他们观看电视的,因此孩子1和孩子2的优先度皆取值为1,而随着深夜的到来,孩子们坐在电视机前的可能性越来越小,导致优先度逐渐减小,因此在某种程度上,这种随时间变化的优先度可反映收看电视节目的主体对象的变化。又如,母亲在每天的18:30~19:30时段的优先度低于其他成员(取值为0.1)而在20:30~21:30时段的优先度最高(取值为0.7),这是因为前一时段中母亲正忙于家务,根本无暇观看电视,因此其优先度可设定得很低,而后一时段为母亲的闲暇时间,为了满足其收看电视的迫切愿望,可以将优先度设定得很高从而保证其在节目选择上有更大的话语权。
在本示例中,优先度在一天中不同的时段内取值不同,这种方式比较适合于电视节目的兴趣度估计和推荐,此外,为了反映节假日因素对家庭成员收视***日与节假日取不同的值。但是值得指出的是,优先度也可以采用其他随时间变化的方式,例如优先度可以年、月或日为单位而取值不同以反映节假日和季节等因素,或者还可以将优先度表示为一个随时间变化的数学函数形式。
综上所述,通过合理地设置喜好程度和不同时间上的优先度取值所构成的组合,可以在确定总体兴趣度时将接收内容的对象随时间变化的因素也考虑进去,从而有助于获得全面、准确的推荐结果。
再次参见图1,在完成获取用户数据的步骤S110后进入步骤S120,并计算用户组对每个特征在每个时段内的兴趣度(在本发明中又称为特征兴趣度)。后面将详细论述计算该特征兴趣度的具体方式。
接着进入步骤S130,创建一个用户组档案以存储上述步骤S120计算得到的该用户组对每个特征在每个时段内的兴趣度,表3示出了该档案的一个示例性结构形式。在表3中,对于特征A~K,其在四个时段内具有各自相应的计算值,代表了用户组对其中一个特征在每个时段上的兴趣度。由于仅出于表示档案结构的目的,因此未在全部空格内都标注具体的数值,而只是给出了特征A、E和G在20:30-21:30时段内的计算值。
表3
时段 | A | B | C | D | E | F | G | H | I | J | K |
18:30-19:30 |
时段 | A | B | C | D | E | F | G | H | I | J | K |
19:30-20:30 | |||||||||||
20:30-21:30 | 0.37 | 0.145 | -0.015 | ||||||||
21:30- |
至此,完成了用户组档案的创建。值得指出的是,用户组对一个节目的总体兴趣度取决于该用户组对节目所含每个特征的兴趣度,因此在后面的总体兴趣度计算步骤中,只需从用户组档案中调取与节目所含特征相应的兴趣度数据即可而无需重复上述步骤S110~S130。
该用户组档案可在一段时间内保持不变(例如:一个星期),则在此其间,每次进行节目推荐时可直接调用该用户组档案,从而无需重复上述步骤S110~S130。为方便调取,例如可将用户组档案写入数据文件中以供后面的总体兴趣度计算步骤使用,当总体兴趣度的计算是在机顶盒内实现时,用户组档案的调用方式例如可以是从经网络从远程服务器下载或者从机顶盒自带的存储器中提取。需要指出的是,当用户数据定期或不定期地进行更新后,为了反映用户数据的变化,应该利用步骤S110~S130重新计算用户组档案。
参见图1,随后进入步骤S140,获取涉及一个电视节目所含的特征和播出时间的数据,这些数据可按照一定的数据结构存放在节目提供商的数据库内或者包含在发送给用户组的EPG内,以供实现总体兴趣度获取功能的装置使用。当提供这些数据的装置在物理上独立于获取总体兴趣度的装置时,比较好的是将它们仅一次性地输入获取总体兴趣度的装置内。假设当前需要计算总体兴趣度的电视节目为一个描述缠绵的爱情故事的英语原版电视连续剧,则其包含的特征为A、E和G,此外进一步假设该节目的播出时间为20:40~21:20,因此应该属于20:30~21:30这一时段。
接着进入步骤S150,从步骤S130创建的用户组档案中查找上述电视连续剧所含每个特征的兴趣度,在这里,由于其播出时间正好落在20:30~21:30时段内,因此可在图3所示表格中直接查找到相应的兴趣度数据。假设该电视节目所含特征A、E和G的兴趣度数据分别为0.37、0.145和-0.015。极有可能发生的情况是,一个节目的播出时间是跨时段的,例如播出时间20:25~21:15就分别落在表2所示的19:30~20:30和20:30~21:30两个时段内,对此可采用下列处理方式。
第一种方式是根据节目开始播出的时间确定该节目所属的时段,在上面假设的情况下,该节目即被视为属于19:30~20:30时段。第二种方式与第一种情况相反,它根据节目结束播出的时间确定所属时段,此时该节目被视为属于20:30~21:30时段。还有一种方式是根据节目在两个不同时段内的播出时间长度,分段计算每个特征的兴趣度,即,以播出时间长度为权重,计算该特征的兴趣度的加权平均值并将此作为用户组对该特征最终的兴趣度取值。
接着进入步骤S160中,将步骤S150获得的用户组对每个特征在相应播放时段内的的兴趣度组合为对该节目的总体兴趣度。例如可以将按照下式计算得到的用户组对该电视节目所含特征的兴趣度的算术平均值或加权平均值作为总体兴趣度P:
这里,Sj i为用户组对特征j在第i个时段内的兴趣度,WSj为第j个特征的权重,m为该电视节目特征的数量。就步骤S140所举的例子而言,当取算术平均值时,总体兴趣度即等于特征A、E和G这三个兴趣度的算术平均值,即(0.37+0.145-0.015)/3≈0.043。
又如,当特征数量较多时,例如10个,也可以采用经常在各种竞赛中使用的评分方法,不考虑兴趣度取值最大和最小的特征,然后再求平均值。总之,可以采用各种组合方式,只要能够反映每个特征对总体兴趣度的贡献分量即可。
随后,进入步骤S170,确定是否还有其他需要计算总体兴趣度的电视节目。如果有,则返回步骤S140,否则,则结束整个过程。
以下对步骤S120的特征兴趣度计算方式作详细的论述。显而易见的是,用户组对一个特征的兴趣度取决于每个成员的优先度在不同时段上的取值和该成员对该所含特征的喜好程度,因此有多种计算方式或组合喜好程度与优先度的方式来获得这样的兴趣度数据,以下仅给出两个示例。
第一个示例基于加权平均的概念,具体而言,这里将每个成员在每个时段内的优先度作归一化处理,从而将优先度换算为该成员在每个时段内的权重值,表4示出了用户组内各成员经过归一化处理后的在不同时段内的权重值,由表4可见,该用户组由父亲、母亲和孩童三个成员组成,在每个时段,各成员的权重之和始终等于1。表5示出了该用户组内各成员对特征A、B和C的喜好程度,该表中的各项具有与表2相同的含义,此处不再赘述。
表4
时段 | 孩童1 | 母亲 | 父亲 |
18:30-19:30 | 0.8 | 0 | 0.2 |
19:30-20:30 | 0.4 | 0.3 | 0.3 |
20:30-22:30 | 0.3 | 0.6 | 0.1 |
22:30-24:00 | 0 | 0.7 | 0.3 |
24:00- | 0 | 0 | 0 |
表5
A | B | C | |
孩童 | 1 | 0.3 | 0.2 |
A | B | C | |
母亲 | 0.5 | 0.6 | 1 |
父亲 | 0.3 | 0.9 | 0.7 |
假设一个电视节目中包含了特征A,并且播放时间为18:30~19:30,则可以按照下式计算该用户组对特征的兴趣度:
这里,Sj i为用户组在第i个时段内对特征j的兴趣度,Dk j为第k个用户对特征j的喜好程度,Wk i为第k个用户在第i个时段内的权重,n为该用户组内成员的数量,而Dk j与Wk i的乘积代表了在第i个时段内第k个用户对特征j的兴趣度。
就本示例而言,通过查询表4和5可得,用户组父亲、母亲和孩童在时段18:30~19:30内的权重分别为0.2、0和0.8,对特征A的喜好程度分别为0.3、0.5和1,因此各自对特征A的兴趣度分别为0.06、0和0.8,由此得到用户组的兴趣度值为0.86。
以下再给出一个基于模糊逻辑处理实现上述步骤S120功能的示例。
图2示出了基于模糊逻辑处理模式计算用户组对一个特征的兴趣度的一个示例的流程图,这里仍然以表1和2所示的情形为例。
为了计算用户组在某个时段(例如18:30~19:30)内对一个特征(例如A)的兴趣度,如图3所示,在步骤S210,输入一个成员(例如父亲)对特征A的喜好程度以及他在相应时段的优先度,根据表2和3可得,它们分别取值为0.7和0.6。
接着进入步骤S220,利用选定的隶属函数将步骤S210中输入的喜好程度和优先度这两个明确值(crisp value)映射为对模糊值的隶属度。隶属函数的形式取决于具体的应用场合,例如对于这里的示例,可采用图3a和3b所示的隶属函数,其中,图3a为喜好程度的隶属函数,横坐标e1代表喜好程度,纵坐标代表隶属度μ,利用该隶属函数可将喜好程度映射为对“不喜欢”、“无所谓”和“喜欢”这三个模糊值(fuzzyvalue)的隶属度,图3b为优先度的隶属函数,横坐标e2代表优先度,纵坐标代表隶属度μ,利用该隶属函数可将优先度映射为对“从属”、“一般”和“重要”这三个模糊值的隶属度。
随后进入步骤S230,利用预先确定的模糊逻辑规则进行推理,从而得到模糊输出,这是一组对不同模糊值的隶属度,反映了该成员(这里为父亲)对特征属性A感兴趣的程度。图3c示出了该模糊输出的隶属函数,横坐标α代表对特征属性感兴趣的程度,纵坐标代表隶属度μ,由图可见,该成员对特征属性A感兴趣的程度被表示为对“非常不喜欢”、“不喜欢”、“无所谓”、“喜欢”和“非常喜欢”这几个模糊值的隶属度。至于具体的推理规则,主要取决于应用场合的特点,例如在本示例中,可以采用如下的规则:
I、如果e1是“不喜欢”,并且e2是“从属”,则α是“无所谓”;
II、如果e1是“不喜欢”,并且e2是“一般”,则α是“不喜欢”;
III、如果e1是“不喜欢”,并且e2是“重要”,那么α是“非常不喜欢”;
IV、如果e1是“无所谓”,并且e2是“从属”,那么α是“无所谓”;
V、如果e1是“无所谓”,并且e2是“一般”,那么α是“无所谓”;
VI、如果e1是“无所谓”,并且e2是“重要”,那么α是“无所谓”;
VII、如果e1是“喜欢”,并且e2是“从属”,那么α是“无所谓”;
VIII、如果e1是“喜欢”,并且e2是“一般”,那么α是“喜欢”;
IX、如果e1是“喜欢”,并且e2是“重要”,那么α是“非常喜欢”。
接着进入步骤S240,将步骤S230获得的该成员对特征属性A感兴趣的程度转换为一个明确值Si,也就是所谓的去模糊化处理,这里i为成员的编号。常用的去模糊化处理方式包括“引力中心法(Center-of-Gravity)”、“最大值中心法(Center-of-Maximum)”和“最大值平均法(Mean-of-Maximum)”,当采用引力中心法作去模糊化处理时,可以利用下式进行计算:
这里μ[1]为满足第1条推理规则的输出区域的高度,y1为满足第1条推理规则的输出区域的引力中心的水平坐标,m为满足规则的数目。
随后进入步骤S250,判断是否计算出所有成员的Si,如果条件不满足,则返回步骤S210,否则进入步骤S260。
在步骤S260中,将用户组内所有成员(例如本示例中为父亲、母亲和孩童)的Si相加,从而得到该用户组对一个特征在某个时段内的兴趣度,或者也可将用户组内所有成员的Si的平均值作为该用户组对一个特征在某个时段内的兴趣度。
图4的流程图示出了按照本发明的估计一个用户组对一个内容的总体兴趣度的方法的另外一个示例。
如图4所示,在步骤S410中,也可以通过各种方式获取用户数据,其结构可以如表1和2或表4和5所示,但是也可以是其他形式。
随后进入步骤S420,获取涉及一个电视节目的特征和播放时间的数据,假设从节目源数据库中提取到的节目信息是该电视节目包含特征B和C并且于20:30~21:00播出。
接着进入步骤S430,根据获取的播放时间确定相应的优先度,例如对于优先度随时间分段变化的情形,可以通过查表获得。
随后进入步骤S440,根据步骤S410中获取的用户组内所有成员的喜好程度和步骤S430中确定的优先度,计算用户组对每个特征在该播放时段内的兴趣度。有关用户组对一个特征的兴趣度的计算方式已在前面作过详细的论述,此处不再赘述。
接着进入步骤S450,将步骤S440获得的用户组对播放时段内的每个特征的兴趣度组合为对该节目的总体兴趣度,具体的计算方式可参见上面的相关描述。
随后进入步骤S460,判断是否还有需要获取总体兴趣度的其它节目,如果有,则返回步骤S420,否则,则结束整个过程。
当一个电视节目的播放时间跨越表2或表4内的多个时段时,也完全可以采用上述方式来处理。例如,假设采用上述第一或第二种方式,则在步骤S430中查找节目开始或结束播出时间所属的时段,相应地,在步骤S440中计算用户组对每个特征在节目开始或结束时间所属时段内的兴趣度。假设采用第三种方式,则在步骤S430中,查找节目播放时间所属的所有时段,然后,在步骤S440中以在步骤S430中确定的每个时间段中的播出时间长度为权重,计算在不同时间段对该特征的兴趣度的加权平均值并将此作为用户组对该特征的兴趣度取值。
值得指出的是,作为另外一种可行的途径,在上述步骤S440中,也可以计算用户组内每个成员对节目的兴趣度而不是用户组对每个特征的兴趣度。相应地,在步骤S450中,将用户组内每个成员对节目的兴趣度组合为对该节目的总体兴趣度。通过比较上面分别借助图1与图4描述的两个示例可见,它们的主要差别在于,前者首先创建出一个用户组档案(步骤S120和S130),该用户组档案实际上定义了一个用户组对每个特征的兴趣度随时段变化的方式,然后对于每个具体的节目,只需调用用户组档案即可确定该用户组对节目所含特征在播放时段内的兴趣度(步骤S150),而后者则无创建用户组档案的步骤,而是对于每个具体的节目,都首先分别确定用户组成员在该节目播放时段内的优先度(步骤S430),然后计算出该用户组对节目所含特征在播放时段内的兴趣度取值(步骤S450)。
利用上述获取总体兴趣度方法,可以更为全面、准确地向一个用户组推荐内容。以下以电视节目为例,借助图5描述一种向用户组推荐内容的方法的较佳实施例。
如图5所示,在步骤S510中,利用上述借助图1和图4所述的获取总体兴趣度的方法获取一个用户组对一个或多个电视节目的总体兴趣度。
随后进入步骤S520中,根据步骤S530得到的总体兴趣度结果确定向该用户组推荐的电视节目。确定的方式例如可以是,将每个节目的总体兴趣度与一个预先设定的阈值进行比较,如果大于该阈值,则列入向用户组提供的推荐列表,否则对下一节目的总体兴趣度作比较处理。还可以是,首先对节目总体兴趣度进行排序,然后将总体兴趣度排名前n个的节目列入推荐列表,这里的n为预先设定的正整数。
最后,在步骤S530中,将获得的推荐列表提供给用户组。当内容推荐在节目提供商侧完成时,推荐列表可以由节目提供商随EPG一起经网络提供给用户组设备,例如机顶盒或PC机,而当内容推荐在用户组侧完成时,可以由用户组设备通过对节目提供商提供的节目信息(例如节目所含特征和播出时间等)进行处理获得。
以下论述用于实施上述总体兴趣度获取方法和内容推荐方法的装置或设备。
图6为方框图,其示出了实现上述获取总体兴趣度方法的设备的一个实施例。该设备600包括一个获取单元610、一个接收单元620和一个确定单元630。
获取单元610用于获取用户数据,这些用户数据包括一个用户组内每个成员的优先度随时间变化的方式和他对每个特征的喜好程度,其形式例如如表1和2或表4和5所示。
针对不同的用户数据获取方式,获取单元610具有不同的实现形式。例如,如果用户数据是通过测量获得的,则获取单元或装置包括安装在现场的自动监测设备;而当用户数据由用户自行设置时,诸如键盘、鼠标、遥控器、语音输入装置之类的设备可用作用户数据获取单元;如果总体兴趣度数据的计算是在用户组设备(例如电视机、机顶盒或PC机)上完成的并且用户数据由远端计算机经网络提供,则用户组设备内实现通信功能的模块可以视为数据获取单元。
接收单元620用于接收与节目内容有关的信息(包括节目所含特征和播放时间)。当然,在一个具体实施方式中,接收单元620可以在硬件上与获取单元610合二为一。
确定单元630用于获取该用户组对一个内容的总体兴趣度,其包括一个用户组档案生成单元631、一个查找单元632和一个计算单元633。
设备600还包含第一存储单元640、第二存储单元650和第三存储单元660,其中第一存储单元640与获取单元610和用户组档案生成单元631相连,用于存储用户数据;第二存储单元650与用户组档案生成单元631相连,用于存储用户组档案数据以供查找单元632使用。需要指出的是,当用户数据定期或不定期地进行更新后,用户组档案生成单元631应重新计算用户组档案并以重新计算的结果更新第二存储单元650;第三存储单元660与计算单元633相连,用于存储计算单元633的存储结果。
第一、第二和第三存储单元640、650和660皆可以是易失型存储器或非易失型存储器,并且可以由一个存储器实现,此时它们实际上是该存储器的不同存储区域。
生成单元631从第一存储单元640调用用户数据,从而根据用户组内每个成员的优先度在每个时段内的取值和该成员对每个特征的喜好程度确定该用户组在每个时段内对每个特征的兴趣度,这些兴趣度数据作为用户档案数据按照一定的格式被存储在第二存储单元650。有关兴趣度数据的具体计算方式参见前面的详细描述。
查找单元632与接收单元620相连,它根据接收单元620提供的涉及节目所含特征和播放时间的信息在第二存储单元650中查找相应的兴趣度数据,从而获取在与节目播放时间对应的时段内该用户组对节目所含每个特征的兴趣度。对于一个电视节目的播放时间跨越多个时段的情况,查找单元632将根据不同的处理方式进行查找操作。
计算单元633与查找单元632相连,用于求取查找到的该用户组对一个电视节目所含特征的兴趣度的算术平均值或加权平均值,该算术平均值或加权平均值作为该用户组对节目的总体兴趣度存储在第三存储单元660内。
图7a为方框图,其示出了按照本发明的向一个用户组推荐内容的设备700a的一个实施例。该设备700a包括一个上面描述的获取总体兴趣度的设备600和一个推荐单元710a。
推荐单元710a包括一个阈值比较单元711和一个推荐列表存储单元712。
阈值比较单元711与设备600内的第三存储单元660相连,它将所存储的总体兴趣度逐个与一个预先设定的阈值进行比较,如果大于阈值,则将相应节目的标示符输出至推荐列表存储单元712。该推荐列表可以进一步显示给用户。
图7b为方框图,其示出了按照本发明的向一个用户组推荐内容的设备700b的另一实施例。其与图7a所示设备的不同之处在于,推荐单元710b中用排序单元713代替阈值比较单元711。
排序单元713与设备600内的第三存储单元660相连,它将所存储的总体兴趣度进行排序,并将总体兴趣度最大的前一个或多个节目的标示符输出至推荐列表存储单元712。
应当理解,上述所有这些单元以及其所包含的各个部分的一些或全部还可以利用软件来实现。
本发明也可以通过适当编程的计算机来实现,该计算机配备的程序包含的代码可以提供给一个处理器,形成一种机器,使得在该处理器上执行的代码实现下列功能:获取该用户组内每个成员的优先度在不同时间上的取值和他对特征的喜好程度;获取关于该内容的信息,该信息包括该内容的提供时间和所含特征;根据该用户组内每个成员的优先度在该内容的提供时间上的取值和对该内容所含特征的喜好程度确定该总体兴趣度。这种计算机程序产品可以存储在一个存储载体中。
在本发明中,所谓的特征,是指内容所包含的那些影响用户感兴趣程度的特征,因此对于不同的用户组和内容,可能具有独特的特征组合。以电视节目为例,可以用播放频道、名称、节目中出演角色的演员和节目类别(例如戏剧、喜剧、言情剧、动作片或运动赛事等)等这些影响观众收看意愿的属性来表征。值得指出的是,如何为用户组和内容定制特定的特征组合并非本发明需要解决的问题,也与本发明所取得的技术效果不存在直接的因果关系,因此该方面的知识不应构成对本发明保护范围的限定。
虽然上面的描述皆以电视节目为例,但是应将本发明中所称的内容作广义理解,实际上它包括任何可被人类器官所感受的信息,例如视觉、听觉、触觉和味觉等信息,其物理形式包括但不局限于光、电和声等各种形式的信号。这里给出另外一个内容的例子-向用户组投寄的旅游促销广告,它可以用游玩地点、价格和优惠条件等影响收件人感兴趣程度的属性作为内容特征,而且用户组内各成员的优先度可能随着日期发生变化,例如在六.一儿童节来临时,家庭中的孩子对于游玩地点的选择具有比平日里更大的决定权。类似地,在母亲节时,母亲的优先度高而其它成员的优先度低。
应当理解,本领域的技术人员根据以上的描述还可以作出许多替代、修改与变化。当这样的替代、修改和变化落入附后的权利要求的精神和范围之内时,应该被包括在本发明中。
Claims (15)
1.一种估计一个用户组对一个内容的总体兴趣度的方法,该用户组包括至少两个成员,该方法包括步骤:
a.获取涉及该内容可用时段和该内容中所含特征的信息;
b.获取每个成员的优先度在不同时段上的取值和该成员对该所含特征的喜好程度;以及
c.根据每个成员的优先度在该可用时段上的取值和该成员对该所含特征的喜好程度确定该总体兴趣度。
2.如权利要求1所述的方法,其中,所述内容为电视节目。
3.如权利要求1所述的方法,其中,每个成员的优先度取值设置为:至少一个所述成员的优先度在至少两个时段内取值不同,该两个时段是来自由一天划分成的多个时段。
4.如权利要求1所述的方法,其中,每个成员的优先度取值设置为:对于至少两个不同日期的同一时段,至少一个所述成员的所述优先度取值不同。
5.如权利要求1所述的方法,其中,所述步骤c包括以下步骤:
c1.根据每个成员的优先度在不同时段上的取值和对所含特征的喜好程度确定该用户组对该所含特征的兴趣度在不同时段上的取值;
c2.根据所述可用时段确定该用户组的兴趣度取值;以及
c3.组合该用户组的兴趣度取值以获得所述总体兴趣度。
6.如权利要求5所述的方法,其中,所述用户组对所含特征的兴趣度在一个时段上的取值等于每个成员对该所含特征的喜好程度与每个成员的优先度在该时段上的取值的乘积之和。
7.如权利要求5所述的方法,步骤c1包括:根据每个成员的优先度在不同时段上的取值和对所含特征的喜好程度,按照模糊逻辑方式确定该用户组的兴趣度取值。
8.一种向一个用户组推荐内容的方法,其中该用户组包括至少两个成员,该方法包括步骤:
a.获取涉及该内容可用时段和该内容中所含特征的信息;
b.获取每个成员的优先度在不同时段上的取值和该成员对该所含特征的喜好程度;
c.根据每个成员的优先度在该可用时段上的取值和该成员对该所含特征的喜好程度确定该总体兴趣度;以及
d.根据该总体兴趣度向该用户组进行推荐。
9.一种估计一个用户组对一个内容的总体兴趣度的设备,其中该用户组包括至少两个成员,该设备包括:
获取装置,用于获取涉及该内容可用时段和该内容中所含特征的信息;
接收装置,用于接收每个成员的优先度在不同时段上的取值和该成员对该所含特征的喜好程度;以及
确定装置,用于根据每个成员的优先度在该可用时段上的取值和该成员对该所含特征的喜好程度确定该总体兴趣度。
10.如权利要求9所述的设备,其中,每个成员的优先度取值设置为:至少一个所述成员的优先度在至少两个时段内取值不同,该两个时段是来自由一天划分的多个时段。
11.如权利要求9所述的设备,其中,每个成员的优先度取值设置为:对于至少两个不同日期的同一时段,至少一个所述成员的优先度取值不同。
12.如权利要求9所述的设备,其中,所述确定装置包括:
生成装置,用于根据每个成员的优先度在不同时段上的取值和对所含特征的喜好程度确定该用户组对该所含特征的兴趣度在不同时段上的取值;
查找装置,用于根据所述可用时段确定该用户组的兴趣度取值;以及
计算装置,用于组合该用户组的兴趣度取值以获得所述总体兴趣度。
13.一种向一个用户组推荐内容的设备,其中该用户组包括至少两个成员,包括:
获取装置,用于获取涉及该内容可用时段和该内容中所含特征的信息;
接收装置,用于接收每个成员的优先度在不同时段上的取值和该成员对该所含特征的喜好程度;
确定装置,用于根据每个成员的优先度在该可用时段上的取值和该成员对该所含特征的喜好程度确定该总体兴趣度;以及
推荐装置,用于根据该总体兴趣度向该用户组进行推荐。
14.一种用于估计一个用户组对一个内容的总体兴趣度的计算机程序产品,其中该用户组包括至少两个成员,该计算机程序包括:
获取涉及该内容可用时段和该内容中所含特征的信息的代码;
获取每个成员的优先度在不同时段上的取值和该成员对该所含特征的喜好程度的代码;以及
根据每个成员的优先度在该可用时段上的取值和该成员对该所含特征的喜好程度确定该总体兴趣度的代码。
15.一种包含如权利要求14所述计算机程序产品的存储载体。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN200680018627A CN101874255A (zh) | 2005-05-27 | 2006-05-18 | 一种估计一个用户组对一个内容的总体兴趣度的方法和设备 |
Applications Claiming Priority (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN200510073942 | 2005-05-27 | ||
CN200510073942.3 | 2005-05-27 | ||
CN200680018627A CN101874255A (zh) | 2005-05-27 | 2006-05-18 | 一种估计一个用户组对一个内容的总体兴趣度的方法和设备 |
PCT/IB2006/051570 WO2006126147A2 (en) | 2005-05-27 | 2006-05-18 | Method and apparatus for estimating total interest of a group of users directing to a content |
Publications (1)
Publication Number | Publication Date |
---|---|
CN101874255A true CN101874255A (zh) | 2010-10-27 |
Family
ID=36791701
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN200680018627A Pending CN101874255A (zh) | 2005-05-27 | 2006-05-18 | 一种估计一个用户组对一个内容的总体兴趣度的方法和设备 |
Country Status (5)
Country | Link |
---|---|
EP (1) | EP1891588A1 (zh) |
JP (1) | JP2008542870A (zh) |
KR (1) | KR20080021069A (zh) |
CN (1) | CN101874255A (zh) |
WO (1) | WO2006126147A2 (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102957969A (zh) * | 2012-05-18 | 2013-03-06 | 华东师范大学 | 为iptv终端用户推荐节目的装置及方法 |
CN103297853A (zh) * | 2013-06-07 | 2013-09-11 | 华东师范大学 | 一种基于多用户上下文识别的iptv节目推荐方法 |
CN104035934A (zh) * | 2013-03-06 | 2014-09-10 | 腾讯科技(深圳)有限公司 | 一种多媒体信息推荐的方法及装置 |
CN104636950A (zh) * | 2013-11-07 | 2015-05-20 | 财团法人资讯工业策进会 | 群体对象商品推荐***及方法 |
CN104636816A (zh) * | 2013-11-07 | 2015-05-20 | 财团法人资讯工业策进会 | 建立一用电模型的装置及方法 |
CN104735535A (zh) * | 2015-03-24 | 2015-06-24 | 天脉聚源(北京)传媒科技有限公司 | 一种节目评分方法及装置 |
CN105163139A (zh) * | 2014-05-28 | 2015-12-16 | 青岛海尔电子有限公司 | 信息推送方法、信息推送服务器和智能电视 |
CN107491501A (zh) * | 2017-07-28 | 2017-12-19 | 无锡天脉聚源传媒科技有限公司 | 一种分组推送的方法及装置 |
CN111125507A (zh) * | 2018-11-01 | 2020-05-08 | 北京邮电大学 | 一种群组活动推荐方法、装置、服务器及计算机存储介质 |
US10699181B2 (en) | 2016-12-30 | 2020-06-30 | Google Llc | Virtual assistant generation of group recommendations |
CN112949322A (zh) * | 2021-04-27 | 2021-06-11 | 李蕊男 | 线上文本评论驱动的电商意见挖掘推荐*** |
CN113506124A (zh) * | 2021-06-21 | 2021-10-15 | 安徽西柚酷媒信息科技有限公司 | 一种智慧商圈中媒体广告投放效果的评价方法 |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4433326B2 (ja) * | 2007-12-04 | 2010-03-17 | ソニー株式会社 | 情報処理装置および方法、並びにプログラム |
KR101404010B1 (ko) | 2008-03-06 | 2014-06-12 | 주성엔지니어링(주) | 기판 가장자리 식각장치 및 이를 이용한 기판 가장자리식각방법 |
JP5337748B2 (ja) * | 2010-03-09 | 2013-11-06 | 日本電信電話株式会社 | 情報処理装置および情報処理プログラム |
JP5116811B2 (ja) * | 2010-07-02 | 2013-01-09 | 日本電信電話株式会社 | 番組推薦装置及び方法及びプログラム |
JP5508987B2 (ja) * | 2010-08-13 | 2014-06-04 | 日本電信電話株式会社 | 提供情報選択装置、方法及びプログラム |
JP2012222569A (ja) * | 2011-04-07 | 2012-11-12 | Nippon Telegr & Teleph Corp <Ntt> | 番組推薦装置及び方法及びプログラム |
KR102232798B1 (ko) * | 2014-03-18 | 2021-03-26 | 에스케이플래닛 주식회사 | 관심영역 추정 서비스 장치, 사용자 장치 및 방법, 컴퓨터 프로그램이 기록된 기록매체 |
-
2006
- 2006-05-18 WO PCT/IB2006/051570 patent/WO2006126147A2/en not_active Application Discontinuation
- 2006-05-18 EP EP06744970A patent/EP1891588A1/en not_active Withdrawn
- 2006-05-18 KR KR1020077030490A patent/KR20080021069A/ko not_active Application Discontinuation
- 2006-05-18 JP JP2008512984A patent/JP2008542870A/ja not_active Withdrawn
- 2006-05-18 CN CN200680018627A patent/CN101874255A/zh active Pending
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102957969A (zh) * | 2012-05-18 | 2013-03-06 | 华东师范大学 | 为iptv终端用户推荐节目的装置及方法 |
CN104035934A (zh) * | 2013-03-06 | 2014-09-10 | 腾讯科技(深圳)有限公司 | 一种多媒体信息推荐的方法及装置 |
WO2014134944A1 (en) * | 2013-03-06 | 2014-09-12 | Tencent Technology (Shenzhen) Company Limited | System and method for recommending multimedia information |
CN104035934B (zh) * | 2013-03-06 | 2019-01-15 | 腾讯科技(深圳)有限公司 | 一种多媒体信息推荐的方法及装置 |
CN103297853B (zh) * | 2013-06-07 | 2016-04-06 | 华东师范大学 | 一种基于多用户上下文识别的iptv节目推荐方法 |
CN103297853A (zh) * | 2013-06-07 | 2013-09-11 | 华东师范大学 | 一种基于多用户上下文识别的iptv节目推荐方法 |
CN104636950A (zh) * | 2013-11-07 | 2015-05-20 | 财团法人资讯工业策进会 | 群体对象商品推荐***及方法 |
CN104636816A (zh) * | 2013-11-07 | 2015-05-20 | 财团法人资讯工业策进会 | 建立一用电模型的装置及方法 |
CN105163139B (zh) * | 2014-05-28 | 2018-06-01 | 青岛海尔电子有限公司 | 信息推送方法、信息推送服务器和智能电视 |
CN105163139A (zh) * | 2014-05-28 | 2015-12-16 | 青岛海尔电子有限公司 | 信息推送方法、信息推送服务器和智能电视 |
CN104735535A (zh) * | 2015-03-24 | 2015-06-24 | 天脉聚源(北京)传媒科技有限公司 | 一种节目评分方法及装置 |
US10699181B2 (en) | 2016-12-30 | 2020-06-30 | Google Llc | Virtual assistant generation of group recommendations |
TWI720255B (zh) * | 2016-12-30 | 2021-03-01 | 美商谷歌有限責任公司 | 用於產生群組推薦之方法與運算裝置,及非暫時性電腦可讀儲存媒體 |
US11562198B2 (en) | 2016-12-30 | 2023-01-24 | Google Llc | Virtual assistant generation of group recommendations |
CN107491501A (zh) * | 2017-07-28 | 2017-12-19 | 无锡天脉聚源传媒科技有限公司 | 一种分组推送的方法及装置 |
CN111125507A (zh) * | 2018-11-01 | 2020-05-08 | 北京邮电大学 | 一种群组活动推荐方法、装置、服务器及计算机存储介质 |
CN111125507B (zh) * | 2018-11-01 | 2023-07-21 | 北京邮电大学 | 一种群组活动推荐方法、装置、服务器及计算机存储介质 |
CN112949322A (zh) * | 2021-04-27 | 2021-06-11 | 李蕊男 | 线上文本评论驱动的电商意见挖掘推荐*** |
CN113506124A (zh) * | 2021-06-21 | 2021-10-15 | 安徽西柚酷媒信息科技有限公司 | 一种智慧商圈中媒体广告投放效果的评价方法 |
CN113506124B (zh) * | 2021-06-21 | 2022-03-25 | 安徽西柚酷媒信息科技有限公司 | 一种智慧商圈中媒体广告投放效果的评价方法 |
Also Published As
Publication number | Publication date |
---|---|
JP2008542870A (ja) | 2008-11-27 |
WO2006126147A2 (en) | 2006-11-30 |
KR20080021069A (ko) | 2008-03-06 |
EP1891588A1 (en) | 2008-02-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101874255A (zh) | 一种估计一个用户组对一个内容的总体兴趣度的方法和设备 | |
US4996642A (en) | System and method for recommending items | |
CN1647073B (zh) | 信息搜索***、信息处理设备和方法、及信息搜索设备和方法 | |
US20200193288A1 (en) | System and Method for Content Discovery | |
US7853600B2 (en) | System and method for providing access to video programs and other data using customer profiles | |
CN100551031C (zh) | 在项目推荐器中把多个项划分成相似项的组的方法及装置 | |
CN105681835B (zh) | 一种信息推送的方法以及服务器 | |
JP4358219B2 (ja) | 番組情報提供装置、番組情報提供方法及びそのプログラム | |
US20070240181A1 (en) | Subscriber Characterization System with Filters | |
CN110222233B (zh) | 视频推荐方法、装置、服务器及存储介质 | |
JP2007272451A (ja) | 推薦番組情報提供装置、推薦番組情報提供方法及びプログラム | |
JP2006524009A (ja) | 視聴者分析結果の生成 | |
CN110474944B (zh) | 网络信息的处理方法、装置及存储介质 | |
CN103649981A (zh) | 用于输送目标内容的方法和装置 | |
US10165315B2 (en) | Systems and methods for predicting audience measurements of a television program | |
CN110248203B (zh) | 一种互动业务的处理方法、装置、设备和存储介质 | |
JP2005056361A (ja) | 情報処理装置および方法、プログラム、並びに記録媒体 | |
CN105516810A (zh) | 一种基于lda模型的电视用户家庭成员分析方法 | |
CN110225361A (zh) | 直播间推荐方法、存储介质、电子设备及*** | |
CN106791964B (zh) | 广播电视节目推荐***及方法 | |
CN109729377A (zh) | 一种主播信息的推送方法、装置、计算机设备和存储介质 | |
JP2001134706A (ja) | ユーザ行動予測方法及び行動モード選択装置 | |
JP2004519902A (ja) | テレビジョン視聴者プロファイルイニシャライザ及び関連する方法 | |
CN109640128B (zh) | 一种电视用户观看行为特征提取方法及*** | |
CN106156270A (zh) | 多媒体数据推送方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Open date: 20101027 |