CN103593389A - 可缩放的内容推荐*** - Google Patents

Abstract

本发明公开了一种可缩放的内容推荐***，所述***采用的方法包括接收一个来自用户的关于所看内容的用户输入，并确定一个含有多个已选的候选推荐的推荐池是否已经相应于所述输入而改变。所述方法还包括，当所述推荐池已经被改变，将在所述改变了的推荐池中所述数个已选的候选推荐映射进一个具有数个层次的分层的数据结构中，使得所述数个层次的每一层在所述已选的候选推荐中充当一个缩放操作的平台。进一步地，所述方法包括将数个层次中所映射的候选推荐显示给用户。通过所述***和方法，使得基于分层内容发现的推荐成为可能，并根据用户偏好以及内容间的联系来组织内容，以获得带有内容重映射算法的金字塔性的分层结构。

Description

可缩放的内容推荐***

技术领域

本发明涉及用户界面技术领域，尤其涉及一种为用户制作可缩放推荐的技术。

背景技术

内容推荐近来已经很普及了，常常可在在线视频点播（VOD）服务以及智能电视里看到。在一个典型的应用场景里，一个相关的（或最流行的）内容列成一行供选择，且所推荐的内容列在几页中，每页有多行，供用户查看并选择。这些内容的主题排列顺序通常是遵循一个推荐强度的线性顺序。就是说，第二页比第一页的（推荐）强度要低，底行又要比首行的（推荐）强度低。

这种安排符合用户使用带有可点击按钮的以实现交互的传统遥控器时的自然意识。然而，这并不适合用户分层内容发现交互的自然意识。而且要实现这样的分层内容发现需要来自交互设备和内容数据管理软件的额外支持。

本发明所公开的方法和***可用来解决上述的一个或多个问题以及其他问题。

发明内容

本公开的一个方面包括一种内容推荐模块的方法。所述方法包括接收来自客户的关于正在观看的内容的用户输入，判断含有数个已选的候选推荐的推荐池是否已经伴随所述用户输入而改变。所述方法还包括，当所述推荐池已经被改变，在所述改变了的推荐池中将所述数个已选的候选推荐映射进一个具有数个层次的分层的数据结构中，使所述数个层次的每一层在所述数个已选的候选推荐中充当一个缩放操作的平台。进一步地，所述方法包括将数个层次中所映射的所述数个已选的候选推荐显示给用户。

本公开的另外一个方面包括一个内容推荐模块。所述内容推荐模块包括一个数据库，一个用户交互处理器，一个内容重映射单元，和一个递交引擎。所述数据库，用于存储包含数个已选的候选推荐的推荐池。所述用户交互处理器，用于接收来自用户的关于正在观看的内容的用户输入并判断所述推荐池是否已经伴随所述用户输入而改变。进一步地，所述内容重映射单元，用于当所述推荐池已经被改变时，在所述改变了的推荐池中将所述数个已选的候选推荐映射进一个具有数个层次的分层的数据结构中，使所述数个层次的每一层在所述已选的候选推荐中充当一个缩放操作的平台。而所述递交引擎，用于递交数个层次中所映射的所述数个已选的候选推荐并显示给用户。

本公开的其他方面，本领域技术人员可根据本发明的说明书，权利要求书和附图来理解。

附图说明

图1说明了一个结合本发明的某些实施例的示范性的环境；

图2 说明了一个与所披露的实施例相符合的示范性的计算机***；

图3说明了一个与所披露的实施例相符合的示范性的可缩放的推荐处理模块；

图4说明了一个与所披露的实施例相符合的示范性的按键切换模式；

图5说明了一个与所披露的实施例相符合的示范性的金字塔型分层数据结构；

图6A说明了一个与所披露的实施例相符合的示范性的喜欢-熟悉的二维空间；

图6B说明了一个与所披露的实施例相符合的示范性的年龄-行为的二维空间。

图7说明了一个与所披露的实施例相符合的示范性的映射过程；以及

图8说明了一个与所披露的实施例相符合的某些数目的内容映射到喜欢-熟悉的二维空间里。

具体实施方式

引用附图中所说明的示范性实施例作为具体的参考。尽可能地，使用相同的编号来表示附图中相同或相似的部分。

图1 说明了一个结合本发明的某些实施例的一个示范性的内容交付***100。如图1所示，所述内容交付***100包括电视102，遥控器104，和用户108。可选地，所述内容交付***100可包括网络设备106。

电视102 可包括各种合适类型的电视，比如等离子电视，液晶电视，投影电视，非智能电视，或智能电视。所述电视102也可包括其他的计算机***，诸如个人电脑（PC），平板电脑或移动电脑，智能手机或服务器，等等。

所述遥控器104可包括任何合适类型的遥控器，可连接并控制所述电视102，诸如定制的电视遥控器，通用遥控器，平板电脑，智能手机，或其他任何能够执行遥控功能的计算机设备。所述遥控器104也可包括其他类型的设备，诸如基于运动传感器的遥控器，或深度相机增强的遥控器，以及简单的输入/输出设备，如键盘，鼠标，和声控输入设备等。

所述电视102可显示内容供所述用户观看。所述电视102可从任何合适来源获得所述内容，比如来自于本地存储设备，来自于服务提供商的有线或无线的网络设备，或来自于网络。进一步地，所述内容可包括任何合适的内容，诸如娱乐、新闻、游戏、视频、音频、二维内容和三维内容，等等。

进一步地，可选的所述网络设备106可包括任何合适类型的计算电子设备或消费电子设备，用于在所述遥控器104和所述电视102之间辅助通讯，储存数据，以及数据处理。例如，当所述内容交付***100使用一个在线服务或广播服务，来自服务提供商的网络设备可提供所述内容给所述电视102。所述电视102，所述遥控器104，和所述网络设备106可通过一个或多个通讯网络而彼此联系。

所述电视102，所述遥控器104，和/或所述网络设备106，可在任何合适的计算电路平台上实施。图2显示了一个示范性的可实施所述电视102、所述遥控器104和/或所述网络设备106的计算机***200的框图。

如图2所示，所述计算***200可包括处理器202，存储介质204，显示器206，通讯模块208，数据库210，和***设备212。某些设备可被省略，而其他设备可被加入。

所述处理器202可包括任何合适的一个或多个处理器。进一步地，所述处理器202可包括用于多线程或并行处理的多核。所述存储介质204可包括内存模块和大容量存储器。所述内存模块包括只读存储器ROM，随机存取存储器RAM，闪存模块。所述大容量存储器包括光盘CD-ROM及硬盘等。所述存储介质204可在所述处理器202运行计算机程序的时候，储存用来实施各种进程的计算机程序。

进一步地，所述***设备212可包括各种传感器和其他输入输出I/O设备，比如小键盘、键盘和鼠标，而所述通讯模块208可包括某些网络接口设备，用于通过通讯网络建立连接。所述数据库210可包括一个或多个数据库，用于存储一定的数据并用来在所存数据上执行一定的操作，比如搜索数据库。

为了访问所述内容或观看所述电视102，所述用户108可先拿起所述遥控器104，抓住所述遥控器104，然后使用所述遥控器104来控制所述电视102来显示所需内容。而且，在看电视的时候，所述用户108可使用所述遥控器104来改变所述电视102所显示的内容。

尤其是，当所述用户108使用所述遥控器104来看所述电视102，一个内容的可缩放的推荐可在所述电视102上显示，用来协助所述用户108选择所需的内容来观看。这里所述的一个可缩放推荐，指代一个图形环境，在这里用户可以改变可视区域的比例，来观看更多的或者更少的细节。所述一个可缩放推荐可缩小到一个点或一个小图标，也可以放大为一个全屏显示。

图3说明一个与所披露的实施例相符合的在所述内容交付***100里（如所述电视102、所述遥控器104、和/或所述网络设备106）的一个示范性的可缩放的推荐处理模块300。如图3所示，所述可缩放的推荐处理模块300包括用户交互处理器302，含有数个已选的候选推荐的推荐池304，内容重映射单元306，递交引擎308，和分析引擎320。其他组件也可加入。进一步地，所述分析引擎320可包括用户行为分析器322，用户偏好分析器324，和个性化的内容选择单元326。这些模块和单元可采用不同方式实施，比如通过硬件、软件、或一个软硬件的组合。例如，这些模块和单元可在所述计算机***200上实施。

所述推荐处理模块300可基于多个因素来给所述用户产生推荐，比如所述用户过去的交互历史和内容元数据的数据库。所述推荐可按一个由递交引擎308所定的特定的格式来显示。某些数目的推荐项目，即候选推荐，可由所述推荐处理模块300来确定或选择，用于推荐。就是说，所述推荐处理模块300可维持一个所述含有数个已选的候选推荐的推荐池304来给所述用户作推荐。

所述用户交互处理器302可通过输入设备（如，所述遥控器104，指示器，鼠标等）接受所述用户的输入。收到所述用户输入后，所述用户互动处理器302可执行某些输入处理，比如选择一个电影供观看或平移屏幕，等等。进一步地，所述用户交互处理器302可确定所述用户输入是否改变了任何当前推荐的设置和/或内容。例如，所述用户交互处理器302可判断所述含有数个已选的候选推荐的推荐池的内容是否已经伴随所述用户输入而改变。

若所述用户交互处理器302确定了所述含有数个已选的候选推荐的推荐池没有被改变，所述用户推荐处理器302可使所述递交引擎308递交当前推荐的显示。若所述用户交互处理器302判断所述含有数个已选的候选推荐的推荐池已经被改变，用户交互处理器302可使所述推荐池做相应改变，且更新了的内容再由递交引擎308递交。例如，所述内容重映射单元306可重映射推荐到所述已选的推荐池中。

尤其是，所述分析引擎320可用来判断所述含有数个已选的候选推荐的推荐池是否被改变，和/或更新所述候选推荐的推荐池。例如，所述分析引擎320可执行一定的数据挖掘工作，比如分析用户的行为，挖掘内容数据库（如，所述含有数个已选的候选推荐的推荐池304），并确定所述用户的偏好。在分析数据后，所述分析引擎320可作出或更新所述含有数个已选的候选推荐的推荐池里的推荐，即已选的候选推荐。

更具体地说，所述用户行为分析器322可监控所述用户的互动，探测所述用户的情绪，并评估所述用户的行为模式（即对所述遥控器的使用模式）。例如，所述用户也许会通过所述遥控器上的数字键而流畅地切换电视频道，所述用户也许限定他/她自己只使用箭头键来四处移动切换，或所述用户也许经常使用缩放功能。所述用户行为分析器322的用户分析结果可输出到其他模块或单元中，如所述个性化的内容选择单元326。

用户行为可从许多方面进行分析，来确定所述用户行为和他/她的偏好之间的关系。例如，所述用户行为分析器322可通过诸如用户交互的点击节奏，所选的供观看的内容类型等，来确定所述用户的当前情绪。

所述用户行为分析器322也可确定按键使用模式或所述用户使用所述遥控器的习惯。例如，一些用户也许很流畅的使用遥控器，而其他用户也许只研究遥控器上有限的几个键。而且，所述用户行为分析器322可通过，比如，所述用户的内容选择，来确定所述用户是单个消费者还是一个家庭。男人，女人，儿童，老人对内容选择上可具有不同的喜好。对于一个其成员具有几乎相同喜好的家庭，所述家庭可被当作单个消费者来对待。

所述用户行为分析器322也可确定所述电视的使用模式，例如，典型的观看时间，频率，内容来源，等等。不同的人可具有不同的按键使用模式，这包括遥控器的使用频率、某些按键的使用频率、和某些按键切换的频率。例如，所述用户行为分析器322可维持一个使用模式的概率表，并使用所述概率表来识别用户或用户群以及用户行为模式。图4说明了一个与所披露的实施例一致的示范性的按键切换模式400。

如图4所示，对每个加箭头的曲线，目标节点指代刚刚点击过的按键，而起源节点指代早于此而点击的按键。这些所述节点切换的概率形成一个按键切换模式，可用来进行用户行为分析。

更具体地说，如图4所示，按键节点包括一个 “菜单” 键，一个“回车” 键，一个“音量” 键，一个“频道” 键，一个 “输入” 键，一个“箭头” 键，和一个数字键，等等。其他的所述按键节点也可被包括。一个按键节点可包括一个或多个类似的键。例如，所有的数字键可被当成一个数字键，因此从数字3到5的转换可被当成是一个自循环。当然，分割所有10个数字进10个节点也是可行的。

定义Pu(Ki)为使用按键节点（或按键）Ki的概率，定义Pu(KiKj)为从所述按键节点（或按键）Ki到 Kj的转换的概率，此处i 和 j为按键的索引，u是所述用户的索引，其中Pu(Ki)等于所述按键节点（或按键）Ki的总使用频率来除以所有按键节点（或按键）的总使用频率来计算，我们也可以类似的来计算Pu(KiKj)。进一步地，一个相似度评估可被用来确定是否出现了一个新的用户或最近引入了用户的一个新情绪，所述相似度可用以下公式表示：

, (1)

此处，u1 和 u2是用作比较的两个不同的用户，而T 是一个预设的在区间 [0,1] 上的阈值。

返回到图3，因为用户偏好在不同的情绪或情感下可能会改变，所述用户行为分析器322也可确定用户或用户群的当前情绪。例如，所述用户行为分析器322可连接所有的内容到一个情绪向量的数据库中。因此，所述用户行为分析器322可从所述用户最近的观看内容历史来推导出所述用户的情绪。

另外一方面，所述用户行为分析器322也可将一个遥控器按键模型映射到不同的情绪中。因此，用户交互行为可作为所述用户情绪的一个辅助判定。类似的，情绪向量间的相似度被比较，从而使得当前所述用户情绪被映射到情绪列表里的一个分类中。

分析完成后，所述用户行为分析器322可输出分析结果给其他模块，诸如所述用户偏好分析器324和/或所述个性化的内容选择单元326，供进一步的数据处理。

所述用户偏好分析器324可监控所述用户在一定时间内的观看历史，并可根据所述用户的观看历史来识别所述用户的一个主要兴趣，比如所述用户对内容类型，男女演员，电视频道等的选择。

当分析一个电视内容，所述电视内容可被标记为一个向量<X_i> ，此处X_i 当代表一个电影/节目分类类型或演员/获奖信息时，就在 {0, 1}区间，例如戏剧，恐怖剧，或动作片。而且X_i 也可代表一个属于一个更大的整数集的电视频道。

所述用户偏好分析器324可使用K个高斯分布的一个混合（当 X_i 为一个二变量值，K=1）来表征用户偏好，此处每个高斯分布根据其所属特定类别的频率而取权重。因此，所述用户在时刻t的偏好X_t 可通过以下公式被估计：

, (2)

此处，w_i,t 是标准归一化的权重， 和

是第i个分布的均值和标准偏差。

启发式地，具有最多支持证据和最少方差的高斯分布可表明所述分布的概率。所述用户偏好分析器324可基于

值来排序K个分布并维持为一个有序的列表。因此，最可能的那个分布可保持在顶部而最不可能的瞬间状态分布可在底部。

一个内容分类的最可能的分布模型可通过以下公式获得：

, (3)

此处，阈值T是赋予一个特定类别的总权重的分量。

所述用户偏好分析器324可检查当前所评估的用户对照于现有的K个高斯分布，来探测是否一个分布的均值和当前偏好值的差距在所述分布的标准偏差的设定范围内（如，所述分布标准偏差的2.5倍）。若K个分布没有一个通过所述评估，那具有最小

值的最小可能的分布就被一个新的高斯分布所取代，而所述新的高斯分布使用当前值作为均值，并有一个预指定的高方差及低先验权重。否则，若所匹配的分布是B分布中的一个，用户偏好就被标记起来。

所述用户偏好分析器324可保持所述模型为自适应的，并可使用同一个用户的下次内容选择来持续更新所述模型参数。对于匹配的高斯分布，在时间点t的所有参数都用所述新的X_t 值来更新。另外，所述先验权重通过以下公式被更新为：

, (4)

而其均值和方差通过以下公式被更新为：

, (5)

和

, (6)

此处

是控制适应速度的学习速率，1/

定义了时间常数，所述常数确定了变化，且

是与所述当前用户相关联的概率，由学习速率

来衡量。那么

可被表示为：

. (7)

对于不匹配的分布，均值

和方差

保持不变，而先验权重通过以下公式被更新为：

. (8)

因此，原来的偏好分布可在混合中保留，直到其成为最小概率的分布，且一个新的偏好被观察到。若该静态的偏好发生变化，之前的偏好分布可被重整合进模型。

分析后，所述用户偏好分析器324可输出分析结果到其它模块，诸如所述个性化的内容选择单元326，作进一步的数据处理。

所述个性化的内容选择单元326可基于一定的算法来自动产生一个含有数个已选的候选推荐的推荐池。例如，所述个性化的内容选择单元326可使用一个杂合的方法，所述杂合的方法结合了基于内容的过滤和协作过滤。由所述个性化的内容选择单元326所设置的所述含有数个已选的候选推荐的推荐池可形成一个导航封闭箱，且用户能访问到的内容可与其最后感兴趣的内容或并不感兴趣的内容有一定的关系（如，一个6度的连接）。

尤其是，所述个性化的内容选择单元326可选择一个内容候选库，所述内容是基于当前用户的情绪、当前用户的偏好和其他用户的推荐。例如，所述个性化的内容选择单元326可基于如下的数据库来确定所选的推荐：

D：一个具有所有的主题/节目的内容数据库；

R：一个存储有与当前用户在相同/类似兴趣群组里的其他用户近期所选择过的主题/节目的数据池；

U：一个存储有当前用户近期所看过的内容的数据库。

定义<Yi>为用户偏好向量，所述<Yi>相对应于内容特征向量<Xi>，这两个向量的相似度可通过以下公式被计算为：

. (9)

所述个性化的内容选择单元326可随后使用特定的准则来选择推荐内容。例如，一个准则可包括：80%的选择是在D中而不是在U中的排名靠前项目（从方程9得到），而20%的选择是R而不是在U中的排名靠前项目。

在确定所有的选择后，所述个性化的内容选择单元326可执行一个重标准化进程以获取已选的第k个内容的标准化的相似度，通过以下公式获取：

, (10)

此处，N是池中所有选择的总数。总数N可基于特定应用以及用于给用户作推荐的数据结构来确定。

当含有数个已选的候选推荐的推荐池304生成后，即推荐内容被确定了。为了支持可缩放的推荐，所述内容重映射单元306可映射已选的内容到一个所需的数据结构中。在某些实施例中，所述内容重映射单元306可映射已选的内容到一个支持可缩放访问的金字塔型结构中。

图5说明了一个与所披露的实施例一致的示范性的金字塔型分层数据结构。

如图5所示，所述已选的内容，如所有准备用来推荐的主题，被映射到一个金字塔型的分层数据结构中。所述金字塔型数据结构可包括数个层次（即可缩放的推荐层），从层0（顶层或最高层）到层n（底层或最底层），且n是可缩放的推荐层的总层数。进一步地，金字塔型的一个上层可作为其相关的下层的摘要。

更具体地说，推荐层层0可包括一个内容区域（1X1），层1可包括4个内容区域(2X2)，层2可包括16个内容区域(4X4)，而层n 可包括2²ⁿ 个内容区域(2ⁿx2ⁿ )。每个内容区域可由分配在所述内容区域里的一个或多个主题或节目来表示。进一步地，最低推荐层（就是层n）可显示所有的而且不包括摘要的选择内容。因此，已选的推荐主题或节目的总数N可为 2²ⁿ 。一个更大的总数可伴随着一定数目的摘要而被使用，以及任何合适的总数都可被使用。

所述内容重映射单元306可在总推荐层的中间层设置一个初始推荐层，这样用户可从访问一个带有分配主题的金字塔的分层数据结构的中间层开始。在某些的实施例中，所述内容重映射单元306也可设置所述初始推荐层为第一层（也就是层0）或可设置所述初始推荐层为由所述用户来设置。

在所述初始推荐层的推荐已作出给所述用户后，所述用户可改变所述初始推荐层，即使用任何合适的输入设备进行一个缩放操作。就是说，当所述用户希望在一个特定区域看到更多的推荐，所述用户可使用一个特定的触屏手势或在一个基于运动传感器的遥控器上按压一个按钮来放大，然后，下一个更低层的具有该主题的金字塔层就被以同样的中枢中心点来递交。因此，用户在局部放大点上可看见更多的相关的主题。类似的，缩小操作触发来递交金字塔里的上层主题。当推荐层达到层0（即顶层），只有最具有代表性的推荐可被递交，而其可具有一个大范围的差异性。顶层也可通过一个单一图标来显示作为低层所推荐内容的摘要，或作为一个可缩放的推荐操作的指示。

进一步地，所述用户也可改变正在观看的内容。含有数个已选的候选推荐的推荐池可根据所述用户所做的改变而被更新。若没有做出更新，所述含有数个已选的候选推荐的推荐池就不变；否则，所述含有数个已选的候选推荐的推荐池就进行改变。

选择的内容可以不同的方式来相互连接或彼此相关，就是说，在一个M维的空间里。但是，所映射的内容可被限制于一个有限数目的维度，诸如一个二维的维度空间。因此，所述内容重映射单元306可首先降低所选内容的维度。

例如，降低到一个二维的维度，所述用户可指定（或设置）所述二维轴的含义。图6A说明了一个示范性的喜欢-熟悉的二维空间。如图6A 所示，水平轴(就是x轴)可表明熟悉度，也就是用户熟悉一定的内容，以及垂直轴（就是y轴）可表明喜欢度，就是用户是否喜欢某特定内容。因此，内容就被映射到一个喜欢-熟悉的空间中。

其他的维度也可被使用。例如，图6B说明了一个示范性的年龄-行为的二维空间。如图6B所示，x轴可表示行为类型信息，而y轴可表示内容的年龄/时间信息。因此，所述内容可被映射到一个年龄-行为空间。每个轴上的内容值可被确定，并因此一个内容在映射中可具有一个二维坐标。

回到图3，在降维操作后，所述内容重映射单元306可映射已选的候选推荐到金字塔型分层数据结构的各层中。就是说，在所述含有数个已选的候选推荐的推荐池生成过程中产生的一个总数为2²ⁿ 的候选推荐可被映射进金字塔型的分层数据结构的每一层里。因为每个推荐层的二维空间是由2^2a 个小格来表征，此处a 是层数（0、1、2， ……，n），所选的2ⁿx2ⁿ 个候选可被映射进2^2a 个方格中（当a为n时，已选的2ⁿx2ⁿ 个候选可被映射进所述2²ⁿ 个方格中）。

图7说明了一个与所披露的实施例相符合的示范性的映射过程700。

如图7所示，刚开始时，当前推荐层设为0，且当前推荐空间，就是内容区域，设为层0的单一内容区域（702）。可选地，所述含有数个已选的候选推荐的推荐池中排名最高的一个主题可被选来代表层0单个内容区域或使用一个预定的图标来代表层0的单个内容区域。进一步地，当前推荐层是否大于n（即最低层）就被确定（704）。若当前层大于n（704；是），那么过程700结束。

另一方面，若当前层不大于n（704；否），当前空间被分割为4个等尺寸的区域或子空间，且所述数个已选的候选推荐被映射进已分割的子空间或区域中（706）。一个已选的候选推荐可被作为一个节点来参考，且一个子空间或内容区域可用一个网格来表征，如上面所解释的。节点坐标也可被标准化来使得所有节点的边界盒与网格或内容空间完全重叠。

因此，总数为2²ⁿ 个的节点被映射进4个方格里面且每个方格或区域可含有相同数目的节点。若每个所述节点或区域不含有相同数目的节点，一些在边界上的所述节点可从一个网格被移动到另一个。可使用一个预定的算法来移动所述节点。例如，所述节点移动可由一个使得要移动的所述节点的总移动距离最小化的优化过程来确定。尤其是，对一个4网格设置来说，在所述子空间里的超过当前空间里总节点数¼的节点被移动。对于超出所述节点的网格或所述子空间来说，那些最接近当前空间中心点的所述节点被确定并移动具有较少所述节点的所述子空间。

在所有所述节点都被映射进4个方格后，每个所述方格具有同样数目的所述节点，对于当前空间的每个所述子空间，都有一个代表性的所述节点被确定 (708) 。 所述代表性的节点可以是一个来自相应的空间或所述子空间中的所有所述节点的推荐内容池里排名最高的那个。

进一步地，若当前层的映射完成，当前层就增加1（710）。当前空间被记录来进行递归操作。然后，左上的子空间被设为当前空间且进程从704继续进行（712）；右上子空间被设为当前空间且进程从704继续进行（714）；左下子空间被设为当前空间且进程从704继续进行（716）；所述右下子空间设为当前空间且进程从704继续进行（718）。因此，进程700结束后，所述金子塔型分层结构的每一层都使用所述含有数个已选的候选推荐的推荐池来映射。

图8说明了某些数目的内容被映射到喜欢-熟悉的二维空间或空格中。如图8所示，每个空格可包含单独一个主题（如，在一个下层）。当然，其他层在一个单格里可具有多于一个主题，并且一个代表性的主题可被确定来代表所述方格或内容空间。在递交过程中，在每一层里，代表性的节点可被当作当前推荐来显示给用户。

进一步地，在所述内容映射单元306映射或重映射所述数个已选的候选推荐到所述分层数据结构后，递交引擎308，用于递交最终选择的推荐显示给用户。

通过使用所披露的***和方法，可实施许多有益的应用。例如，一个可缩放的推荐可被显示给所述用户以供内容娱乐选择。从用户体验的角度来看，所披露的***和方法使得基于分层内容发现的推荐成为可能，并根据用户偏好以及内容间的联系来组织内容，以获得一个带有内容重映射算法的金字塔型的分层结构。

应当理解的是，所披露的可缩放的推荐模型不限于电视使用场景。所公开的***和模型也可很容易的延伸和应用到移动设备上，诸如手机和平板电脑以及个人电脑。进一步地，尽管视频内容推荐是作为说明目的而公开的，相似的概念和方法可被很容易的延伸到其他推荐方案中，例如，应用推荐，餐馆推荐，以及房屋推荐等等。其他对所披露的实施例的应用，益处，变换，修改，或等同，对本领域的技术人员来说，都是显而易见的。

Claims (24)

1.一种内容推荐模块的方法，包括：

接收来自用户的关于正在观看的内容的用户输入；

判断含有数个已选的候选推荐的推荐池是否已经伴随所述用户输入而改变；

当所述推荐池已经被改变，在所述改变了的推荐池中将所述数个已选的候选推荐映射进一个具有数个层次的分层的数据结构中，使所述数个层次的每一层在所述数个已选的候选推荐中充当一个缩放操作的平台；以及

将数个层次中所映射的所述数个已选的候选推荐显示给用户。

2.根据权利要求1所述的方法，其特征在于：

所述数个已选的候选推荐是基于至少一个用户行为模式来选择。

3.根据权利要求2所述的方法，其特征在于：

所述用户行为模式是一种遥控器按键使用模式。

4.根据权利要求3所述的方法，其特征在于：

定义Pu (Ki)为使用按键Ki的概率，定义Pu (KiKj)为从按键Ki到Kj的转换的概率，此处i 和 j为按键的索引，u是所述用户的索引，其中，Pu (Ki)等于所述按键Ki的总使用频率来除以所有按键的总使用频率。

5.根据权利要求1所述的方法，其特征在于：

所述数个已选的候选推荐是基于至少一个用户偏好来选择的，所述用户偏好是基于所述用户观看历史所确定的。

6.根据权利要求1所述的方法，其特征在于，进一步包括：

基于所述用户情绪、所述用户偏好以及其他用户的推荐来选择所述候选推荐。

7.根据权利要求6所述的方法，其特征在于，进一步包括：

通过使用一个具有所有主题的内容数据库，一个储存有与所述用户有实质类似兴趣的群组里其他用户近期选择过的主题的数据库，和一个储存有所述用户近期所观看过的内容的数据库，来选择所述推荐候选。

8.根据权利要求1所述的方法，其特征在于：

定义n 为一个最低层数，所述候选推荐的总数就确定为2²ⁿ 。

9.根据权利要求1所述的方法，其特征在于，进一步包括：

在数个层次的中间层设置一个初始推荐层，这样用户可从访问分层数据结构的中间层开始。

10.根据权利要求1所述的方法，其特征在于，进一步包括：

将所述候选推荐的维度降低至二维。

11.根据权利要求1所述的方法，其特征在于，映射所述数个已选的候选推荐进一步包括：

设置一个当前推荐层为层0和所述层0的一个当前空间；

确定所述当前推荐层是否大于预定值；

分割所述当前空间为数个大小相等的子空间；以及

映射所述数个已选的候选推荐至所述已分割的子空间，直到每个所述子空间含有相同数目的内容。

12.根据权利要求11所述的方法，其特征在于，进一步包括：

若每个所述子空间所含内容的数目不相同，将多出的内容数目从某个子空间移动到一个或多个具有较少内容数目的子空间。

13.根据权利要求11所述的方法，其特征在于，进一步包括：

当一个所述子空间映射进至少一个内容，从所述至少一个内容中确定一个可代表所述至少一个内容的代表性内容，当显示推荐给用户的时候来代表所述子空间。

14.一个内容推荐模块，包括：

数据库，用于存储包含数个已选的候选推荐的推荐池；

用户交互处理器，用于接收来自用户的关于正在观看的内容的用户输入并判断所述推荐池是否已经伴随所述用户输入而改变；

内容重映射单元，用于当所述推荐池已经被改变时，在所述改变了的推荐池中将所述数个已选的候选推荐映射进一个具有数个层次的分层的数据结构中，使所述数个层次的每一层在所述已选的候选推荐中充当一个缩放操作的平台；以及

递交引擎，用于递交数个层次中所映射的所述数个已选的候选推荐并显示给用户。

15.根据权利要求14所述的内容推荐模块，其特征在于：

所述数个已选的候选推荐是基于至少一个用户行为模式来选择。

16.根据权利要求15所述的内容推荐模块，其特征在于：

所述用户行为模式是一种遥控器按键使用模式。

17.根据权利要求16所述的内容推荐模块，其特征在于：

定义Pu (Ki)为使用按键Ki的概率，定义Pu (KiKj) 为从按键Ki到 Kj的转换的概率，此处i 和 j为按键的索引，u是所述用户的索引，其中Pu (Ki)等于所述按键Ki的总使用频率来除以所有按键的总使用频率来计算。

18.根据权利要求14所述的内容推荐模块，其特征在于：

所述数个已选的候选推荐是基于至少一个用户偏好来选择的，所述用户偏好是基于所述用户观看历史所确定的。

19.根据权利要求14所述的内容推荐模块，其特征在于，进一步包括：

基于所述用户情绪、所述用户偏好以及提供给其他用户的推荐来选择所述候选推荐。

20.根据权利要求14所述的内容推荐模块，其特征在于，进一步包括：

分析引擎，用于通过使用一个具有所有主题的内容数据库，一个储存有与用户有实质类似兴趣的群组里其他用户近期选择过的主题的数据库，和一个储存有用户近期所观看过的内容的数据库，来选择所述推荐候选。

21.根据权利要求14所述的内容推荐模块，其特征在于：

定义n为一个最低层数，所述候选推荐的总数就确定为2²ⁿ 。

22.根据权利要求14所述的内容推荐模块，其特征在于，所述内容重映射单元进一步设置为：

设置一个当前推荐层为层0和所述层0的一个当前空间；

确定所述当前推荐层是否大于一个预定值；

分割所述当前空间为数个大小相等的子空间；以及

映射所述数个已选的候选推荐至所述已分割的子空间，直到每个所述子空间包含相同数目的内容。

23.根据权利要求22所述的内容推荐模块，其特征在于，所述内容重映射单元进一步设置为：

若每个所述子空间所含内容的数目不相同，将多出的内容数目从某个子空间移动到一个或多个具有较少内容数目的子空间。

24.根据权利要求22所述的内容推荐模块，其特征在于，所述内容重映射单元进一步设置为：

当一个所述子空间映射进至少一个内容，从所述至少一个内容中确定一个可代表所述至少一个内容的代表性内容，当显示推荐给用户的时候来代表所述子空间。

Images