CN104935970B - 进行电视内容推荐的方法及电视客户端 - Google Patents

进行电视内容推荐的方法及电视客户端 Download PDF

Info

Publication number
CN104935970B
CN104935970B CN201510400538.6A CN201510400538A CN104935970B CN 104935970 B CN104935970 B CN 104935970B CN 201510400538 A CN201510400538 A CN 201510400538A CN 104935970 B CN104935970 B CN 104935970B
Authority
CN
China
Prior art keywords
programme
user
program
weight
attribute
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.)
Active
Application number
CN201510400538.6A
Other languages
English (en)
Other versions
CN104935970A (zh
Inventor
吴小燕
陈洁
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Samsung Electronics China R&D Center
Samsung Electronics Co Ltd
Original Assignee
Samsung Electronics China R&D Center
Samsung Electronics Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Samsung Electronics China R&D Center, Samsung Electronics Co Ltd filed Critical Samsung Electronics China R&D Center
Priority to CN201510400538.6A priority Critical patent/CN104935970B/zh
Publication of CN104935970A publication Critical patent/CN104935970A/zh
Application granted granted Critical
Publication of CN104935970B publication Critical patent/CN104935970B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
    • H04N21/25—Management operations performed by the server for facilitating the content distribution or administrating data related to end-users or client devices, e.g. end-user or client device authentication, learning user preferences for recommending movies
    • H04N21/258—Client or end-user data management, e.g. managing client capabilities, user preferences or demographics, processing of multiple end-users preferences to derive collaborative data
    • H04N21/25866—Management of end-user data
    • H04N21/25891—Management of end-user data being end-user preferences
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
    • H04N21/25—Management operations performed by the server for facilitating the content distribution or administrating data related to end-users or client devices, e.g. end-user or client device authentication, learning user preferences for recommending movies
    • H04N21/258—Client or end-user data management, e.g. managing client capabilities, user preferences or demographics, processing of multiple end-users preferences to derive collaborative data
    • H04N21/25866—Management of end-user data
    • H04N21/25875—Management of end-user data involving end-user authentication
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/43—Processing of content or additional data, e.g. demultiplexing additional data from a digital video stream; Elementary client operations, e.g. monitoring of home network or synchronising decoder's clock; Client middleware
    • H04N21/441—Acquiring end-user identification, e.g. using personal code sent by the remote control or by inserting a card
    • H04N21/4415—Acquiring end-user identification, e.g. using personal code sent by the remote control or by inserting a card using biometric characteristics of the user, e.g. by voice recognition or fingerprint scanning
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/45—Management operations performed by the client for facilitating the reception of or the interaction with the content or administrating data related to the end-user or to the client device itself, e.g. learning user preferences for recommending movies, resolving scheduling conflicts
    • H04N21/466—Learning process for intelligent management, e.g. learning user preferences for recommending movies
    • H04N21/4667—Processing of monitored end-user data, e.g. trend analysis based on the log file of viewer selections

Landscapes

  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Computer Graphics (AREA)
  • Theoretical Computer Science (AREA)
  • Human Computer Interaction (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Security & Cryptography (AREA)
  • Two-Way Televisions, Distribution Of Moving Picture Or The Like (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了进行电视内容推荐的方法及电视客户端，其中，该方法包括：获取当前进行电视节目观看的用户的用户标识，从历史档案中获取与该用户标识对应的用户特性；从服务器获取符合该用户特性的节目信息；从历史档案读取节目属性及对应的节目属性权重；确定该节目信息所属的节目属性及相应的节目属性权重，将数值最大的节目属性权重作为该节目信息的节目属性权重；并确定当前电视节目的节目属性权重；判断该节目信息的节目属性权重是否大于当前电视节目的节目属性权重，如果是，则将节目信息推荐给用户。本发明方案能够自适应地进行电视内容的推荐，使推荐更加及时、灵活。

Description

进行电视内容推荐的方法及电视客户端
技术领域
本发明涉及电视数据处理技术，尤其涉及进行电视内容推荐的方法及电视客户端。
背景技术
随着家电技术的飞速发展，电视机已成为家家户户必备的家电设备之一。观看电视节目也成为多数人日常生活中的一种休闲方式。
且随着电视信息量的增加，用户可观看的节目类型及数量越来越多。而观看者各自有不同的需求，现有电视播放技术中，观看者可设置自己所需的节目，并设置固定的推送时间；当到达推送时间时，电视客户端将展示关于所设置节目的推荐内容，以供用户进行观看选择。
采用现有进行电视内容推荐的方案，电视客户端接收关于电视节目的设置信息后，将在预先设置的固定时间向用户推荐相关的节目信息；但由于电视节目变动性大，没有固定的规律，在很多情形下，所需推荐的电视节目并不在预先设置的固定时间播放，导致推荐失败。综上，现有电视内容的推荐方式需手动设置推荐时间、操作不便、灵活性差，且推荐不及时。
发明内容
本发明提供了一种进行电视内容推荐的方法，该方法能够自适应地进行电视内容的推荐，使推荐更加及时、灵活。
本发明提供了一种进行电视内容推荐的电视客户端，该电视客户端能够自适应地进行电视内容的推荐，使推荐更加及时、灵活。
一种进行电视内容推荐的方法，该方法包括设置与用户标识对应的控制条件，该控制条件包含节目属性，根据电视节目的历史记录确定各节目属性在所有节目属性中的权重，表示为节目属性权重，将节目属性及对应的节目属性权重记录到历史档案中；该方法包括：
获取当前进行电视节目观看的用户的用户标识，从历史档案中获取与该用户标识对应的用户特性；
从服务器获取符合该用户特性的节目信息；
从历史档案读取节目属性及对应的节目属性权重；确定该节目信息所属的节目属性及相应的节目属性权重，将数值最大的节目属性权重作为该节目信息的节目属性权重；并确定当前电视节目所属的节目属性及相应的节目属性权重，将数值最大的节目属性权重作为当前电视节目的节目属性权重；
判断该节目信息的节目属性权重是否大于当前电视节目的节目属性权重，如果是，则将节目信息推荐给用户。
一种进行电视内容推荐的电视客户端，该电视客户端包括推荐时机生成模块、用户身份识别模块和推荐模块；
所述推荐时机生成模块，设置与用户标识对应的控制条件，该控制条件包含节目属性，根据电视节目的历史记录确定各节目属性在所有节目属性中的权重，表示为节目属性权重，将节目属性及对应的节目属性权重记录到历史档案中；
所述用户身份识别模块，获取当前进行电视节目观看的用户的用户标识，将用户标识发送给所述推荐模块；
所述推荐模块，从历史档案中获取与该用户标识对应的用户特性；从服务器获取符合该用户特性的节目信息；从历史档案读取节目属性及对应的节目属性权重；确定该节目信息所属的节目属性及相应的节目属性权重，将数值最大的节目属性权重作为该节目信息的节目属性权重；并确定当前电视节目所属的节目属性及相应的节目属性权重，将数值最大的节目属性权重作为当前电视节目的节目属性权重；判断该节目信息的节目属性权重是否大于当前电视节目的节目属性权重，如果是，则将节目信息推荐给用户。
从上述方案可以看出，本发明中，设置与用户标识对应的控制条件，该控制条件包含节目属性，根据电视节目的历史记录确定各节目属性在所有节目属性中的权重，表示为节目属性权重，将节目属性及对应的节目属性权重记录到历史档案中；当用户进行电视节目的观看时，获取当前进行电视节目观看的用户的用户标识，从历史档案中获取与该用户标识对应的用户特性；从服务器获取符合该用户特性的节目信息；从历史档案读取节目属性及对应的节目属性权重；确定该节目信息所属的节目属性及相应的节目属性权重，将数值最大的节目属性权重作为该节目信息的节目属性权重；并确定当前电视节目所属的节目属性及相应的节目属性权重，将数值最大的节目属性权重作为当前电视节目的节目属性权重；判断该节目信息的节目属性权重是否大于当前电视节目的节目属性权重，如果是，则将节目信息推荐给用户。采用本发明方案，预先设置控制条件后，根据电视节目的历史记录确定各节目属性在所有节目属性中的权重；而后，在用户观看电视节目的过程中，将自动获取符合用户特性的节目信息，并结合节目属性权重判断是否进行节目信息的推荐。这样，无需手动设置时间，实现了自适应地进行电视内容的推荐，且推荐更加及时、灵活。
附图说明
图1为本发明进行电视内容推荐的方法示意性流程图；
图2为本发明生成历史记录的方法流程图实例；
图3为本发明进行电视内容推荐的方法流程图实例；
图4为本发明进行电视内容推荐的电视客户端结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明进一步详细说明。
参见图1，为本发明进行电视内容推荐的方法示意性流程图，本发明预先设置控制条件，控制条件包含节目属性，控制条件可根据各自需求自行设置，而后电视客户端根据电视节目的历史记录确定各节目属性在所有节目属性中的权重，表示为节目属性权重，将节目属性及对应的节目属性权重记录到历史档案中。
控制条件可以包含至少一个大类以及各大类下的至少一个小类，也可以只包含至少一个小类。大类例如为电视频道，其对应的小类包括芒果频道、CCTV3频道等；再如，大类为节目类型，其对应的小类为新闻、体育等。
图1的流程包括以下步骤：
步骤101，获取当前进行电视节目观看的用户的用户标识。
该用户标识，可以是用户观看节目时根据电视提示选择的，也可以是电视客户端自动识别出的。
电视客户端自动识别出的情形包括图像采集的识别方式，具体地：对当前正在观看电视节目的用户进行图像采集，对采集的图像进行人脸识别，提取出当前用户人脸图像，作为用户标识；历史档案中记录了对应各用户标识的用户特性，根据识别出的用户标识便可从历史档案中获取与该用户标识对应的用户特性。
所述历史档案中包含用户观看电视节目的历史记录，对于以人脸图像作为用户标识的情况，该历史记录的生成包括：
对当前正在观看电视节目的用户进行图像采集，对采集的图像进行人脸识别，提取出当前用户人脸图像，作为用户标识；
判断用户档案的人脸组中是否包含与当前用户人脸图像匹配的图像，如果是，则确定出匹配的人脸图像；否则，将当前用户人脸图像作为新用户成员添加到人脸组中；
获取当前观看的电视节目的节目描述信息，在历史档案中对应当前用户人脸图像记录获取到的节目描述信息。
根据电视节目来源的不同，获取节目描述信息时，有不同的实现方式。对于视频点播等电视节目，在用户点击视频时，便可直接从内容提供商服务器获取与相关的节目描述信息。对于某些电视节目，可先获取频道信息，而后再根据频道信息获取与当前节目相关的节目描述信息；具体包括：
获取当前观看的电视节目的频道信息；
根据频道信息获取含有当前观看时间的节目播放列表，从节目播放列表中提取当前观看的电视节目的节目描述信息。
对于某些情形，可直接获取电视节目的频道信息；对于无法直接获取电视节目的频道信息的情形，本发明提供了台标识别的方式，具体包括：
采集当前观看的电视节目的视频图片；
根据预先搜集的各个台标形态的特征，从视频图片中匹配出当前频道的台标标识；
由匹配出的台标标识确定出对应的频道信息。
步骤102，从历史档案中获取与该用户标识对应的用户特性。
用户特性，体现了用户观看电视节目的趋向，可以由用户手动选择后设置，也可以由电视客户端基于电视节目的历史记录进行自动设置。下面对自动设置进行详细说明。
设定循环周期，该循环周期以时间粒度进行划分成多个时间段；所述历史档案中还包含各时间段的权值，以及各时间段对应的用户特征；所述循环周期例如为1个月，时间粒度例如为2小时；
各时间段的权值的计算方法包括：获取指定时间段内用户观看节目的时间M，以及循环周期内用户观看电视节目的总时间N，将M与N的比值作为相应时间段的权值；
各时间段对应的用户特性采用如下方法确定：对指定时间段内的节目描述信息进行分类；确定各分类下各节目描述信息在其所属分类中所占的观看比重，从最大观看比重开始，提取设定个数的节目描述信息，作为该指定时间段对应的用户特性。简单举例说明，分类包括频道和人员，将历史记录中的节目描述信息划分到频道和人员两类，划分后，频道包括湖南卫视、浙江卫视等，人员包括李易峰、任重、笑笑等。
对于不同的分类，相应分类下各节目描述信息在其所属分类中所占的观看比重，可采用不同的确定方式。举例说明：
当分类为频道时，确定频道分类下各节目描述信息在频道分类中所占的观看比重包括：统计频道分类中包含的频道总数W，统计指定频道的观看次数R，将R与W的比值作为指定频道的观看比重；
当分类为人员时，确定人员分类下各节目描述信息在人员分类中所占的观看比重Wp，采用下述公式计算得到：
其中，ai为加权系数，wi为第p个人员在第i部影片的权重，N为循环周期内相应用户观看的节目总数。
相应地，本步骤所述从历史档案中获取与该用户标识对应的用户特性具体为：确定当前时间对应的时间段L，在历史档案中查找到与该用户标识对应的用户特性，从查找到的用户特性中获取与时间段L对应的用户特性。
步骤103，从服务器获取符合该用户特性的节目信息。
服务器获知电视客户端发来的用户特性后，便可提取符合该用户特性的节目信息，反馈给电视客户端。对于用户特性有至少两个的情形，可提取同时满足至少一个用户特性的节目信息。
返回的节目信息可能只包含一个，也可能包含至少两个。对于包含至少两个的情形，选取特性匹配度最高的节目信息，具体地：统计出每个节目信息符合的用户特性的总数，确定出总数最大的节目信息，用于执行后续步骤。
步骤104，从历史档案读取节目属性及对应的节目属性权重；确定该节目信息所属的节目属性及相应的节目属性权重，将数值最大的节目属性权重作为该节目信息的节目属性权重；并确定当前电视节目所属的节目属性及相应的节目属性权重，将数值最大的节目属性权重作为当前电视节目的节目属性权重。
历史档案中保存了节目属性及对应的节目属性权重，节目属性权重根据电视节目的历史记录确定，具体地：
从电视节目的历史记录中提取与指定用户标识对应的节目描述信息，将提取的各节目描述信息分别划分给各自所属的节目属性；然后根据各节目属性对应的节目描述信息确定出各节目属性的权重，其确定方法有多种，可采用现有的统计算法进行确定，这里还提供了一种简单的确定方法，包括：
将各节目属性对应的节目描述信息进行统计，得到各节目属性对应的统计值；
由各节目属性对应的统计值占所有节目属性统计值的比例，计算得到相应节目属性的权重。
预先设置的控制条件可以包含至少一个大类以及各大类下的至少一个小类，也可以只包含至少一个小类。大类例如为电视频道，其对应的小类包括芒果频道、CCTV3频道等；再如，大类为节目类型，其对应的小类为新闻、体育等。
对于预先设置的节目属性只包含小类的情况，由节目信息确定出其所属的节目属性后，便可直接得到相应的节目属性权重。对于预先设置的节目属性包含大类和小类的情况，可由节目信息确定出其所属的大类，直接选取数值最大的节目属性权重作为该节目信息的节目属性权重；也可以，先由节目信息确定出其所属的大类，选取节目属性权重最大的大类，再由节目信息确定其在该大类下所属的小类，在小类中选取数值最大的节目属性权重，作为该节目信息的最终节目属性权重，用于本步骤中进行判断比较。当前电视节目的节目属性权重的确定，与该节目信息的确定类似。
步骤105，判断该节目信息的节目属性权重是否大于当前电视节目的节目属性权重，如果是，则将节目信息推荐给用户。
判断出该节目信息的节目属性权重大于当前电视节目的节目属性权重时，将节目信息推荐给用户，具体地，可将节目信息以小窗口方式展示在界面上；如果不大于，可在节目结束前N分钟或转台时进行推荐。所述N根据需要设置，例如为5分钟。
进行一步，所述将节目信息推荐给用户之后，还可将节目信息作为推荐内容保存到历史档案中；保存的推荐内容可用于对保存的节目属性权重进行更新调整，具体地：
设定用户在循环周期T内针对一个电视节目的点击率阈值T1以及用户特性匹配度阈值T2；具体地，可将T2设定为循环周期内的平均值，也就是，将所有推荐内容的用户特性匹配度进行求平均；
读取历史档案中的推荐内容，统计用户在循环周期T内关于该推荐内容的点击率；并确定该推荐内容符合的用户特征，计算符合的用户特征占所有用户特性的比例，作为用户特性匹配度；
判断统计的点击率是否大于阈值T1，如果是，则增强推荐内容所属的节目属性的节目属性权重；
判断计算得到的用户特性匹配度是否大于阈值T2，如果是，则降低推荐内容所属的节目属性权重。
推荐内容的用户特性匹配度的计算为：统计出该推荐内容符合的用户特性的总数，作为其用户特性匹配度。
进一步地，所述增加节目属性权重ρ采用下述公式计算得到：
ρ＝βρ+(1-β)ρ，其中，ρ为节目属性权重，β为变更系数；
所述降低节目属性权重采用下述公式计算得到：
ρ＝ρ-(1-β)ρ，其中β为变更系数。
采用本发明方案，预先设置控制条件后，根据电视节目的历史记录确定各节目属性在所有节目属性中的权重；而后，在用户观看电视节目的过程中，将自动获取符合用户特性的节目信息，并结合节目属性权重判断是否进行节目信息的推荐。这样，无需手动设置时间，实现了自适应地进行电视内容的推荐，且推荐更加及时、灵活。
下面通过图2-4，对本发明方案进行实例说明。
参见图2，为本发明生成历史记录的方法流程图实例，其包括以下步骤：
步骤201，对当前正在观看电视节目的用户进行图像采集，对采集的图像进行人脸识别，提取出当前用户人脸图像，作为用户标识。
很多电视上自带有图像采集器，或者通过外接连接图像采集器，如摄像头；开机后，图像采集器对当前正在观看电视节目的用户进行图像采集。
步骤202，判断用户档案的人脸组中是否包含与当前用户人脸图像匹配的图像，如果是，则确定出匹配的人脸图像；否则，将当前用户人脸图像作为新用户成员添加到人脸组中。
步骤203，判断当前观看的电视节目是电视台节目还是视频节目，如果是电视台节目，则执行步骤204，如果是视频节目则执行步骤206。
本实例中，当前观看的电视台节目无法直接获取频道信息，需进行台标识别。
步骤204，采集当前观看的电视节目的视频图片，根据预先搜集的各个台标形态的特征，从视频图片中匹配出当前频道的台标标识；由匹配出的台标标识确定出对应的频道信息。
步骤205，根据频道信息从内容服务器获取含有当前观看时间的节目播放列表，从节目播放列表中提取当前观看的电视节目的节目描述信息。
步骤206，从内容提供商服务器获取与当前电视节目相关的节目描述信息。
步骤207，在历史档案中对应当前用户人脸图像记录获取到的节目描述信息。
上述流程中，先进行用户身份识别：其一，用户身份信息包含用户职业，性别及喜好等，该信息可通过用户主动注册，但注册信息是可选项，用户可跳过；其二，通过电视上设置的图像采集器采集人脸图像，采用人脸识别技术获取用户身份识别。其中人脸识别技术通过获取电视观看群体的图像，生成识别模型，具体实施步骤如下：
搜集人脸图像：开机搜集人脸图像，归一化灰度化到32*32大小。
构建用户识别分类器：当缓存中的人员图像数目<1时，缓存中还没有保存用户图像，将图像作为新用户图像加入人员图像缓存；否则将采集的图像与缓存中的图像进行相似性比较，当相似性小于阈值T时(小于T，表明两者相似)，认为是同一个用户，并可将当前采集的图像增加该用户组图像数据；否则增添新用户。缓存的每个用户的图像至少有5张，用于构建分类器；当接收到新的人员图像时，分类器分别提取每个用户的所有图像进行匹配。该分类器可根据需要进行选取实现，例如为adaboost级联分类器。
而后，用户历史记录生成：智能电视除常规电视节目外，还有视频点播、新闻模块、网络视频等。对此，本实施例根据节目来源分为常规电视节目和内容提供商节目。
a.常规电视节目信息获取：现有电视节目来源主要为DTV、ATV及机顶盒三大类。用户观看电视具有随机性，而各个电视台都有自己的固定台标和每天的电视节目播放列表，因此内容服务器通过网络爬取或者购买形式获取各个电视台的播放列表，并通过IMDB(http://www.imdb.com/)等网站补充各个电视节目的元数据信息，具体包含但不限于节目类型，节目主要演员，导演，编剧等信息。此外，除DTV可获取频道信息外，其余两种来源都不能自动获取，对于这两种形式，本发明通过建立台标识别模型，在电视客户端自动识别频道信息，具体实施措施如下：
建立台标识别模型：搜集各个电视台的台标图像，台标形状具有固定特征，因此采用ORB(Oriented Brief)等特征点提取台标形态特征，采用bag-of-words算法建立词包，通过支持向量机(SVM，Support Vector Machine)建立台标识别分类器。
台标识别：电视客户端采集用户观看视频图片，采用台标识别模型从视频图片中匹配出台标，确定出台标名称，即频道信息。
获取节目列表：客户端发送台标名称给内容服务器，内容服务器根据台标名称返回对应电视频道的节目列表及相应节目的元数据信息；返回的内容根据需要设置，例如包括电视频道、节目名称及节目的元数据信息(类型，演员，导演，编剧等)等。
将用户观看起始时间，时长，频道名称，节目类型及其他元数据信息加入用户观看历史记录。
b.内容提供商节目获取：根据内容不同，获取信息不同。当用户点击视频时，记录下视频的名称，类型，演员列表及编剧，导演等信息；当点击新闻信息时，获取新闻发行商，新闻板块分类如政治，体育等，新闻关键词；当点击应用软件时，获取软件名称，软件类型，版本号等信息。
参见图3，为本发明进行电视内容推荐的方法流程图实例，预先设置与用户标识对应的控制条件，该控制条件包含节目属性，电视客户端根据电视节目的历史记录确定各节目属性在所有节目属性中的权重，表示为节目属性权重，将节目属性及对应的节目属性权重记录到历史档案中。图3的流程包括以下步骤：
步骤301，获取当前进行电视节目观看的用户的用户标识，从历史档案中获取与该用户标识对应的用户特性，以及与用户标识对应的节目属性以及相应的节目属性权重。
步骤302，从服务器获取符合该用户特性的节目信息。
步骤303，判断当前条件是否满足普适性时机，如果是，则按照普适性时机的时间限制，将节目信息推荐给用户；否则执行步骤304。
普适性时机为默认的普遍使用的推荐时机，例如为观看节目结束时推荐，或开机时推荐，等等；如果当前条件满足推荐的时刻，则将进行推荐。
步骤304，确定该节目信息所属的节目属性及相应的节目属性权重，将数值最大的节目属性权重作为该节目信息的节目属性权重；并确定当前电视节目所属的节目属性及相应的节目属性权重，将数值最大的节目属性权重作为当前电视节目的节目属性权重。
步骤305，判断该节目信息的节目属性权重是否大于当前电视节目的节目属性权重，如果是，则将节目信息推荐给用户；否则，在节目结束前5分钟或者转台时将节目信息推荐给用户。
步骤306，将节目信息作为推荐内容保存在历史档案中。
保存的推荐内容包括节目名称、类型、推荐时间以及观看时间等信息。
本实例中，用户特性根据用户历史记录生成，其中用户特性具有时间效应，即用户历史特性随着时间流逝对当前特性的影响度会有所衰减，且用户观看电视一般具有时间离散度，因此对于特定用户，在用户观看时间段内有效推荐信息成为关键。对此根据用户历史记录，设定循环更新时间周期T，本发明设定为一个月，每天时间粒度划分为(T1,T2,…Tn)，构建特定时间段内的特性信息，包括：
统计各个时间段的权值：定位用户常用观看时间，更新公式如式(1)，其种Td∈(Td1，Td2….Tdn)，L为每个时间粒度的长度，一般设置为2个小时，T为循环时间周期，比如一个月，t为用户每次观看的时间长度。
通过式(1)计算了循环时间周期T内每一个时间粒度内用户观看时间占总时间的比例。
各个时间段内用户特性：本实例包含但不仅限于以下特征：偏好时间，偏好频道，偏好节目类别，偏好节目名称，偏好人员列表(演员，导演，编剧)及其他关键词(新闻类型，新闻发行商)等。其中偏好频道，偏好节目类型，偏好节目权重设定该时间段内占所有观看数据总数的比例。具体地，如用户特性为频道，在时间段Ti，用户观看了10个频道，其中芒果电视占了5个，则芒果电视的比重为5/10；用户特性为人员，则利用用户历史档案中每一个关联关系的权重加权和代表用户对某一特征的喜好度，其表达式如公式(2)所示，其中Wp为第p个特征的喜好度，ai代表加权系数，可简单设置用户评分，wi代表第p个特征在第i部影片的权重，计算规则为公式(3)，N为用户观看节目总数，当所有特征对用户的喜好度计算出来后，抽取排名最高的n个代表用户特性人员列表。
其中loc，len为演员(编剧，导演)位置和列表长度，d为衰减因子。以演员为例，一部影片包含多个演员，演员在电影元数据排序中一般按照重要性排序，对此式(3)体现了每一个演员在一部影片中的重要性，比如影片x含有(A,B,C,D),四个演员，A演员的位置在4，即loc＝4，这里的loc是倒排，演员列表长度len＝4，d为衰减因子，其意义在于，随着演员等列表的拉伸，他的重要性就逐渐减弱，比如d＝10。
一般而言，电视客户端用户显示评分某一个节目的可能性不大，因此当用户无显式评分时，可根据用户观看节目时间与节目总时间或者用户当前时间段总观看时间的比例，计算评分，具体如式(4)所示，其中wi为用户观看节目i的时间，Ti选择规则为，如果节目总时长<节目在时间段内的总观看时间，则Ti＝总观看时间，否则Ti＝节目时长，5将评分归一化到[0，5]区间。
在不打乱用户正常体验的情况下，通过分析用户观看记录，为用户提供个性化推送服务规则，该推送时机规则根据用户的不同偏好而个性化定制，在合适的时间为用户推荐内容，提高推荐内容被点击的可能性，改善用户体验。
本实例中，推荐时机分为两大类，1)普适性规则，依赖于条件选择技术，此规则具有普适性。2)个性化自适应推荐时机规则，该推荐时机主要依赖于用户历史数据导出节目属性权重以构建自适应推荐时机，限制条件可依赖应用动态制定，本实例列举但不仅限于以下几类限制条件：时间效应，用户偏好频道，偏好节目类型，偏好关键词，动作效应等。
1)普适性规则：此类规则一般根据多年经验，如领域专家标定，已有先验知识或者样本调查建立起来的规则，主要基于条件推理技术。比如根据先验知识大多数人们早上对天气，道路交通普遍比较关注等。以下列举出几类，但不仅限于这几类:
Rule1：早上开机提醒当前时间，外面温度，阴晴，道路交通和当前重大新闻。
Rule 2:用户开机推荐用户可能喜欢的电视频道和其他电视节目，新闻等信息.
Rule3:用户观看的节目结束时，推荐用户可能喜爱节目。
Rule4：某些节目固定窗口推送相关信息。
Rule5：如果用户连续换台5次以上，显示个性化推送内容。
Rule6：国际国内突发性重大事件实时提醒。
Rule7：用户按键主动请求推荐。
2)个性化规则：该规则根据用户历史记录和应用相关衍生出来的个性化推荐时机，其中控制条件可根据用户档案生成或根据具体应用动态添加，本实例包含但不仅限于的控制条件为：节目类型，用户偏好关键词，网络热点，电视频道，时间。根据用户历史记录和控制条件，后台自动构建各个时间段内的控制条件偏好权重，即节目属性权重。
A)、构建自适应推荐时机模型属性列表：
C:控制条件(节目类型，用户偏好关键词，网络热点，电视频道)。
I:节目集合(电视客户端用户观看所有节目)。
U:用户集合(电视客户端所有用户)。
D:上下文控制信息C属性定义域，即D∪{Da|a∈C}，其中Da是属性a的定义域，如为a是节目分类，则其定义域为(综艺，新闻，体育，财经，电视剧，电影等)。
f：I×C→D该函数对每一个节目映射到特定控制属性。
π:I-U该函数表示特定用户的所有观看节目集合。
B)、计算节目属性权重：根据用户历史记录，采用模糊概率将各个节目属性权重归一化到0到1之间，表达式如(5)所示，特定节目属性权重计算公式如(7)所示，其物理含义为用户观看某一个节目可能受多个因素影响，以电影为例，可能包含喜欢的演员，喜欢的类型或者仅是时间符合用户观看时间点，因此通过统计该用户所有的观看记录计算节目属性的概率。式(6)中，w(u，i，ti)为第i个节目在时间ti时所占的权重，因用户的喜好受到很多因素影响，如时下流行趋势和节目播放内容。对此，引入时间衰减因子其中λ≥0为控制因子，平衡当前时间tc与节目i的观影时间ti的时间影响，r为用户u对物品i的评分情况，T为控制周期。当λ＝0时，均等考虑所有时间窗口的信息，当λ＞0时，历史信息随着时间推移衰减。此外一个大类别的概率为其定义域概率和，计算公式如式(8)所示。
ρ:U×(C×D)→[0，1] (5)
其中，j为具体节目，u为特定用户，π(j)为判断节目j是否被用户u观看过，a为大类，v为具体小类。
C)、对节目属性权重排序，更新到历史档案。
下面对本实例中进行节目推荐以及进行推荐时机规则更新分别进行说明。具体由推荐组件和推荐规则更新算法组成，其中推荐组件检测用户特性，根据触发条件选择合适的推荐时机显示推荐内容，推荐规则更新算法则利用用户点击数据，动态更新推荐时机规则。
1)推荐组件：根据触发条件，自适应的选择推荐时机显示推荐相应内容，其中对于特定用户u，触发条件I，自适应选择推荐时机实施步骤为：
a)匹配用户信息，获取用户特性及推荐时机规则。
b)根据偏好匹配值，其值计算公式为(9)，检测各个电视台直播或网络中匹配用户特性节目。其中式(9)中，pi为所有第i个偏好类别在所有偏好类别中的重要程度，根据具体实施用例可设定若干值，测试多次取最好比例，如对于视频播放时间，节目类型，节目演员列表和节目名称比例分表为3/7，2/7，1/7,1/7，wi为各用户特性的权重值。
c)识别触发条件，若触发条件满足普适性触发规则，按照普适性规则推荐内容，否则执行步骤d。
d)识别观看节目对应的类型，名称，频道及观看时间。
e)比较当前节目的节目属性权重与检测到的用户可能喜欢的偏好信息的节目属性权重，当检测到的信息的属性权重大于现有内容，即实时推荐，否则执行步骤f。
根据推荐规则在合适的时间以小窗口的形式显示在客户端，并记录显示开始时间，当显示时间超过5分钟用户不曾点击窗口内容，推荐窗口自动消失。
f)如果观看到离节目结束还有5分钟或者用户换台推荐，如果用户关机则在下次匹配到该用户时实时推荐。
以上推荐内容主要信息，含用户特性匹配度，节目属性权重匹配度，被点击次数及对应观看/阅读时间均保存到对应用户的推荐历史信息中，以备推荐时机规则更新。此外，推荐内容显示窗口，根据具体实施环境，在不违背推荐原则下可更换，本实例列举其中一种形式，即推荐窗口以小窗口列表形式显示，同时记录推荐窗口显示的起始时间，在显示时间长度超过5分钟，用户没有任何点击或阅读时，推荐窗口自动消失。
2)推荐规则更新算法：该模块算法根据用户点击数据，动态地更新控制节目属性权重和添加普适性规则，具体实施步骤为：
a)节目属性权重更新：自适应推荐时机取决于节目属性权重，对此合理的节目属性权重是推荐时机有效的重要因素，对此，通过用户实际情况的反馈进一步了解播放特点，从而对推荐限制条件权重进行微调，进而优化推送时机，具体规则为：设定用户点击率阈值T1,用户特性匹配度阈值T2,权重系数β＝0.8，其中T1，T2可根据经验条件设定，本实例中设定T2为循环周期推荐的平均值。
1)读取特定用户的历史推荐列表；
2)在对应推送规则下，在循环周期T内的推荐内容，如果用户点击率大于阈值T1,则推送规则有效，增强对应属性权重权值，更新公式为式(10)，否则执行步骤3；
3)抽取用户特性匹配度大于阈值T2的推荐内容，以降低控制属性权重，更新公式为式(11)。其含义在于推荐内容点击量过少的原因在于，其一推送内容不符合用户特性，其二推送时机选择不当，根据保留信息，比对推荐值，如果推荐值大于阈值，且被点击的概率依然过低，则降低推送规则属性权重。
其中，j为具体节目，u为特定用户，π(j)为判断节目j是否被用户u观看过，a大类，v为具体小类，该公式与式(7)是一致的。
b)动态添加普适性规则：统计在若干个循环周期下，如设定为3个循环周期，各个自适应统计推荐时机规则下的综合用户点击率，当某一个控制权重下，用户点击率超过60％，即证明该规则对该用户具有普遍适用性，增添此规则为普适性规则，其表达式如式(12)所示，其中CR(a,v)为第a个控制属性在N个循环周期中的点击率，N为循环周期总数，ni为第i个周期根据规则(a,v)推荐的推荐内容数目，CNi(a，v)为该规则下推荐内容被用户点击观看的数目。
与现有技术相比，本实例的优点如下：提出了一种电视平台上自适应推荐时机选择的电视推荐***。后台自动构建用户观看历史记录。无需用户服务器或用户手动输入，后台自动根据用户历史记录构建用户特性。根据用户历史记录和控制条件，后台自适应的生成推荐时机。根据推荐时机，优选在合适的时间将符合用户需求的内容推荐给用户，使用户在无干扰下，第一时间获取到用户关注信息。
以下实例展现了部分推荐形式，但不仅仅限于以下形式。
实例1，在特定时间T内，特定用户u的节目属性权重由大到小排序(节目类型，频道，网络信息)且节目类型中体育类比例最大，如果用户此时正在观看某一类型电视剧，由于体育类权重>电视剧权重，一旦获取到用户关注到的体育类节目更新或现有其他频道播放该类型节目，即将推荐信息显示到推荐窗口，无需等到用户调台或到相应页面搜索或查看更新列表，且现实生活中，对于竞技类节目，用户更关注实时观看。
实例2，经过周期统计用户有观看新闻的习惯，且有比较固定的新闻内容，新闻一般具有时效性，如果不及时观看，新闻内容很容易被新的信息覆盖，用户错过了第一关注时间，在通常情况下，用户需要到对应板块搜索页面，点击搜索才能发现，然而根据推荐时机规则，该类节目的时间效应权重和节目类型权重最大，此时将推荐内容或提醒信息显示在推荐窗口。
实例3，检测到符合用户偏好的内容，但节目属性权重比当前观看内容小，在节目尚未结束时，开始换台，换台时推荐组件推荐相应内容。
参见图4，为本发明进行电视内容推荐的电视客户端结构示意图，该电视客户端包括推荐时机生成模块、用户身份识别模块和推荐模块；
所述推荐时机生成模块，设置与用户标识对应的控制条件，该控制条件包含节目属性，根据电视节目的历史记录确定各节目属性在所有节目属性中的权重，表示为节目属性权重，将节目属性及对应的节目属性权重记录到历史档案中；
所述用户身份识别模块，获取当前进行电视节目观看的用户的用户标识，将用户标识发送给所述推荐模块；
所述推荐模块，从历史档案中获取与该用户标识对应的用户特性；从服务器获取符合该用户特性的节目信息；从历史档案读取节目属性及对应的节目属性权重；确定该节目信息所属的节目属性及相应的节目属性权重，将数值最大的节目属性权重作为该节目信息的节目属性权重；并确定当前电视节目所属的节目属性及相应的节目属性权重，将数值最大的节目属性权重作为当前电视节目的节目属性权重；判断该节目信息的节目属性权重是否大于当前电视节目的节目属性权重，如果是，则将节目信息推荐给用户。
较佳地，该电视客户端还包括用户历史档案管理模块，用于保存历史档案；
所述历史档案中包含用户观看电视节目的历史记录，所述历史档案管理模块包含历史记录生成子模块，对当前正在观看电视节目的用户进行图像采集，对采集的图像进行人脸识别，提取出当前用户人脸图像，作为用户标识；判断用户档案的人脸组中是否包含与当前用户人脸图像匹配的图像，如果是，则确定出匹配的人脸图像；否则，将当前用户人脸图像作为新用户成员添加到人脸组中；获取当前观看的电视节目的节目描述信息，在历史档案中对应当前用户人脸图像记录获取到的节目描述信息。
较佳地，所述历史记录生成子模块，获取当前观看的电视节目的频道信息，根据频道信息获取含有当前观看时间的节目播放列表，从节目播放列表中提取当前观看的电视节目的节目描述信息。
较佳地，所述历史记录生成子模块，在获取当前观看的电视节目的频道信息时，具体包括：采集当前观看的电视节目的视频图片；根据预先搜集的各个台标形态的特征，从视频图片中匹配出当前频道的台标标识；由匹配出的台标标识确定出对应的频道信息。
较佳地，该电视客户端还包括用户特性生成模块，设定循环周期，该循环周期以时间粒度进行划分成多个时间段；各时间段对应的用户特性采用如下方法确定：对指定时间段内的节目描述信息进行分类；确定各分类下各节目描述信息在其所属分类中所占的观看比重，从最大观看比重开始，提取设定个数的节目描述信息，作为该指定时间段对应的用户特性；在历史档案中记录各时间段对应的用户特征。
较佳地，所述推荐时机生成模块包括属性权重计算子模块，从电视节目的历史记录中提取与指定用户标识对应的节目描述信息，将提取的各节目描述信息分别划分给各自所属的节目属性，将各节目属性对应的节目描述信息进行统计，得到各节目属性对应的统计值；由各节目属性对应的统计值占所有节目属性统计值的比例，计算得到相应节目属性的权重。
较佳地，所述推荐模块将节目信息推荐给用户之后，还将节目信息作为推荐内容保存到历史档案中；
所述推荐时机生成模块包括推荐更新子模块，设定用户在循环周期T内针对一个电视节目的点击率阈值T1以及用户特性匹配度阈值T2，读取历史档案中的推荐内容，统计用户在循环周期T内关于该推荐内容的点击率；并确定该推荐内容符合的用户特征，计算符合的用户特征占所有用户特性的比例，作为用户特性匹配度；判断统计的点击率是否大于阈值T1，如果是，则增强推荐内容所属的节目属性的节目属性权重；判断计算得到的用户特性匹配度是否大于阈值T2，如果是，则降低推荐内容所属的节目属性权重。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。

Claims (14)

1.一种进行电视内容推荐的方法，其特征在于，设置与用户标识对应的控制条件，该控制条件包含节目属性，根据电视节目的历史记录确定各节目属性在所有节目属性中的权重，表示为节目属性权重，将节目属性及对应的节目属性权重记录到历史档案中；该方法包括：
获取当前进行电视节目观看的用户的用户标识，从历史档案中获取与该用户标识对应的用户特性；
设定循环周期，该循环周期以时间粒度进行划分成多个时间段；所述历史档案中还包含各时间段对应的用户特征；各时间段对应的用户特性采用如下方法确定：对指定时间段内的节目描述信息进行分类；确定各分类下各节目描述信息在其所属分类中所占的观看比重，从最大观看比重开始，提取设定个数的节目描述信息，作为该指定时间段对应的用户特性；
从服务器获取符合该用户特性的节目信息；
从历史档案读取节目属性及对应的节目属性权重；确定该节目信息所属的节目属性及相应的节目属性权重，将数值最大的节目属性权重作为该节目信息的节目属性权重；并确定当前电视节目所属的节目属性及相应的节目属性权重，将数值最大的节目属性权重作为当前电视节目的节目属性权重；
判断该节目信息的节目属性权重是否大于当前电视节目的节目属性权重，如果是，则将节目信息推荐给用户。
2.如权利要求1所述的方法，其特征在于，所述历史档案中包含用户观看电视节目的历史记录，该历史记录的生成包括：
对当前正在观看电视节目的用户进行图像采集，对采集的图像进行人脸识别，提取出当前用户人脸图像，作为用户标识；
判断用户档案的人脸组中是否包含与当前用户人脸图像匹配的图像，如果是，则确定出匹配的人脸图像；否则，将当前用户人脸图像作为新用户成员添加到人脸组中；
获取当前观看的电视节目的节目描述信息，在历史档案中对应当前用户人脸图像记录获取到的节目描述信息。
3.如权利要求2所述的方法，其特征在于，所述获取当前观看的电视节目的节目描述信息包括：
获取当前观看的电视节目的频道信息；
根据频道信息获取含有当前观看时间的节目播放列表，从节目播放列表中提取当前观看的电视节目的节目描述信息。
4.如权利要求3所述的方法，其特征在于，所述获取当前观看的电视节目的频道信息包括：
采集当前观看的电视节目的视频图片；
根据预先搜集的各个台标形态的特征，从视频图片中匹配出当前频道的台标标识；
由匹配出的台标标识确定出对应的频道信息。
5.如权利要求1所述的方法，其特征在于，
当分类为频道时，确定频道分类下各节目描述信息在频道分类中所占的观看比重包括：统计频道分类中包含的频道总数W，统计指定频道的观看次数R，将R与W的比值作为指定频道的观看比重。
6.如权利要求1至4中任一项所述的方法，其特征在于，所述根据电视节目的历史记录确定各节目属性在所有节目属性中的权重包括：
从电视节目的历史记录中提取与指定用户标识对应的节目描述信息，将提取的各节目描述信息分别划分给各自所属的节目属性，将各节目属性对应的节目描述信息进行统计，得到各节目属性对应的统计值；
由各节目属性对应的统计值占所有节目属性统计值的比例，计算得到相应节目属性的权重。
7.如权利要求1至4中任一项所述的方法，其特征在于，所述将节目信息推荐给用户之后，还将节目信息作为推荐内容保存到历史档案中；该方法还包括：
设定用户在循环周期T内针对一个电视节目的点击率阈值T1以及用户特性匹配度阈值T2；
读取历史档案中的推荐内容，统计用户在循环周期T内关于该推荐内容的点击率；并确定该推荐内容符合的用户特征，计算符合的用户特征占所有用户特性的比例，作为用户特性匹配度；
判断统计的点击率是否大于阈值T1，如果是，则增强推荐内容所属的节目属性的节目属性权重；
判断计算得到的用户特性匹配度是否大于阈值T2，如果是，则降低推荐内容所属的节目属性权重。
8.如权利要求7所述的方法，其特征在于，所述增加节目属性权重采用下述公式计算得到：
ρ(u，(a，v))＝βρ(u，(a，v))+(1-β)ρ(u，(a，d))；
所述降低节目属性权重采用下述公式计算得到：
ρ(u，(a，v))＝βρ(u，(a，v))-(1-β)ρ(u，(a，d))；
其中，j为具体节目，u为特定用户，π(j)为判断节目j是否被用户u观看过，a为大类，v为具体小类，w(u，i，ti)为第i个节目在时间ti时所占的权重，β为变更系数，d为衰减因子。
9.一种进行电视内容推荐的电视客户端，其特征在于，该电视客户端包括推荐时机生成模块、用户身份识别模块、用户特性生成模块和推荐模块；
所述推荐时机生成模块，设置与用户标识对应的控制条件，该控制条件包含节目属性，根据电视节目的历史记录确定各节目属性在所有节目属性中的权重，表示为节目属性权重，将节目属性及对应的节目属性权重记录到历史档案中；
所述用户身份识别模块，获取当前进行电视节目观看的用户的用户标识，将用户标识发送给所述推荐模块；
用户特性生成模块，设定循环周期，该循环周期以时间粒度进行划分成多个时间段；各时间段对应的用户特性采用如下方法确定：对指定时间段内的节目描述信息进行分类；确定各分类下各节目描述信息在其所属分类中所占的观看比重，从最大观看比重开始，提取设定个数的节目描述信息，作为该指定时间段对应的用户特性；在历史档案中记录各时间段对应的用户特征；
所述推荐模块，从历史档案中获取与该用户标识对应的用户特性；从服务器获取符合该用户特性的节目信息；从历史档案读取节目属性及对应的节目属性权重；确定该节目信息所属的节目属性及相应的节目属性权重，将数值最大的节目属性权重作为该节目信息的节目属性权重；并确定当前电视节目所属的节目属性及相应的节目属性权重，将数值最大的节目属性权重作为当前电视节目的节目属性权重；判断该节目信息的节目属性权重是否大于当前电视节目的节目属性权重，如果是，则将节目信息推荐给用户。
10.如权利要求9所述的电视客户端，其特征在于，该电视客户端还包括用户历史档案管理模块，用于保存历史档案；
所述历史档案中包含用户观看电视节目的历史记录，所述历史档案管理模块包含历史记录生成子模块，对当前正在观看电视节目的用户进行图像采集，对采集的图像进行人脸识别，提取出当前用户人脸图像，作为用户标识；判断用户档案的人脸组中是否包含与当前用户人脸图像匹配的图像，如果是，则确定出匹配的人脸图像；否则，将当前用户人脸图像作为新用户成员添加到人脸组中；获取当前观看的电视节目的节目描述信息，在历史档案中对应当前用户人脸图像记录获取到的节目描述信息。
11.如权利要求10所述的电视客户端，其特征在于，所述历史记录生成子模块，获取当前观看的电视节目的频道信息，根据频道信息获取含有当前观看时间的节目播放列表，从节目播放列表中提取当前观看的电视节目的节目描述信息。
12.如权利要求11所述的电视客户端，其特征在于，所述历史记录生成子模块，在获取当前观看的电视节目的频道信息时，具体包括：采集当前观看的电视节目的视频图片；根据预先搜集的各个台标形态的特征，从视频图片中匹配出当前频道的台标标识；由匹配出的台标标识确定出对应的频道信息。
13.如权利要求9至12中任一项所述的电视客户端，其特征在于，所述推荐时机生成模块包括属性权重计算子模块，从电视节目的历史记录中提取与指定用户标识对应的节目描述信息，将提取的各节目描述信息分别划分给各自所属的节目属性，将各节目属性对应的节目描述信息进行统计，得到各节目属性对应的统计值；由各节目属性对应的统计值占所有节目属性统计值的比例，计算得到相应节目属性的权重。
14.如权利要求9至12中任一项所述的电视客户端，其特征在于，所述推荐模块将节目信息推荐给用户之后，还将节目信息作为推荐内容保存到历史档案中；
所述推荐时机生成模块包括推荐更新子模块，设定用户在循环周期T内针对一个电视节目的点击率阈值T1以及用户特性匹配度阈值T2，读取历史档案中的推荐内容，统计用户在循环周期T内关于该推荐内容的点击率；并确定该推荐内容符合的用户特征，计算符合的用户特征占所有用户特性的比例，作为用户特性匹配度；判断统计的点击率是否大于阈值T1，如果是，则增强推荐内容所属的节目属性的节目属性权重；判断计算得到的用户特性匹配度是否大于阈值T2，如果是，则降低推荐内容所属的节目属性权重。
CN201510400538.6A 2015-07-09 2015-07-09 进行电视内容推荐的方法及电视客户端 Active CN104935970B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510400538.6A CN104935970B (zh) 2015-07-09 2015-07-09 进行电视内容推荐的方法及电视客户端

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510400538.6A CN104935970B (zh) 2015-07-09 2015-07-09 进行电视内容推荐的方法及电视客户端

Publications (2)

Publication Number Publication Date
CN104935970A CN104935970A (zh) 2015-09-23
CN104935970B true CN104935970B (zh) 2018-02-27

Family

ID=54122881

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510400538.6A Active CN104935970B (zh) 2015-07-09 2015-07-09 进行电视内容推荐的方法及电视客户端

Country Status (1)

Country Link
CN (1) CN104935970B (zh)

Families Citing this family (31)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105245958B (zh) * 2015-11-11 2020-03-24 Tcl集团股份有限公司 一种直播电视节目推荐方法和装置
CN105224699B (zh) * 2015-11-17 2020-01-03 Tcl集团股份有限公司 一种新闻推荐方法及装置
CN105491404A (zh) * 2015-11-24 2016-04-13 天脉聚源（北京）科技有限公司 一种互动电视***节目推荐的方法及装置
CN105338408B (zh) * 2015-12-02 2018-11-13 南京理工大学 基于时间因子的视频推荐方法
CN105681910A (zh) * 2015-12-29 2016-06-15 海信集团有限公司 一种基于多用户的视频推荐方法及装置
CN105681901A (zh) * 2016-01-19 2016-06-15 天脉聚源(北京)传媒科技有限公司 一种推荐节目的方法及装置
CN105828097A (zh) * 2016-04-29 2016-08-03 乐视控股（北京）有限公司 开机内容推荐方法及装置
CN106101376B (zh) * 2016-05-26 2021-01-05 努比亚技术有限公司 一种消息推送装置、方法及移动终端
CN105898576A (zh) * 2016-06-17 2016-08-24 青岛海信传媒网络技术有限公司 基于电视应用程序的数据推荐方法及数据服务器
CN106210127B (zh) * 2016-08-15 2019-07-16 腾讯科技（深圳）有限公司 一种信息处理方法、服务器及客户端
CN106446266A (zh) * 2016-10-18 2017-02-22 微鲸科技有限公司 推荐用户喜爱内容的方法以及内容推荐***
CN106454517A (zh) * 2016-10-25 2017-02-22 北京小米移动软件有限公司 电视节目推送方法、装置及终端设备
CN106559689B (zh) * 2016-11-28 2020-02-18 盐城晓瑞数字媒体有限公司 节目播放装置、移动终端及方法
CN108271075A (zh) * 2016-12-31 2018-07-10 深圳市优朋普乐传媒发展有限公司 节目的自动编排方法、***和终端
CN106937172A (zh) * 2017-03-23 2017-07-07 百度在线网络技术（北京）有限公司 基于人工智能的视频播放时的互动方法及装置
CN106973327A (zh) * 2017-04-28 2017-07-21 张青 能够智能推送内容的智能电视机及其控制***和控制方法
CN107562881A (zh) * 2017-09-04 2018-01-09 网易无尾熊（杭州）科技有限公司 推荐***的干预方法、介质、***及计算设备
CN109561350B (zh) * 2017-09-27 2021-06-29 北京国双科技有限公司 用户兴趣度的评价方法和***
CN108737902B (zh) * 2018-05-22 2021-03-02 北京奇艺世纪科技有限公司 一种关联视频的更新方法、装置以及电子设备
CN109325179B (zh) * 2018-09-17 2020-12-04 青岛海信网络科技股份有限公司 一种内容推广的方法及装置
CN109168081B (zh) * 2018-11-09 2021-04-02 四川长虹电器股份有限公司 一种电视台推荐方法
CN109819324A (zh) * 2018-12-29 2019-05-28 北京奇艺世纪科技有限公司 一种信息推荐方法和装置及计算机可读存储介质
CN110109719A (zh) * 2019-03-26 2019-08-09 努比亚技术有限公司 一种推荐内容显示控制方法、终端及计算机可读存储介质
CN111711828B (zh) * 2020-05-18 2022-04-05 北京字节跳动网络技术有限公司 一种信息处理方法、装置和电子设备
CN113836347A (zh) * 2020-06-23 2021-12-24 北京达佳互联信息技术有限公司 推荐方法、装置及电子设备
CN112291624B (zh) * 2020-09-23 2023-10-17 咪咕视讯科技有限公司 视频处理方法、装置、电子设备及存储介质
CN112839260A (zh) * 2020-12-25 2021-05-25 广州长嘉电子有限公司 基于安卓***的智能数字电视节目推荐方法、装置及电视
CN112822526B (zh) * 2020-12-30 2023-07-07 咪咕文化科技有限公司 视频推荐方法、服务器和可读存储介质
CN113269609A (zh) * 2021-05-25 2021-08-17 中国联合网络通信集团有限公司 用户相似度的计算方法、计算***、设备及存储介质
CN113724016A (zh) * 2021-09-09 2021-11-30 北京有竹居网络技术有限公司 获取多媒体资源关注度的方法、装置、介质及设备
CN114302182B (zh) * 2021-12-28 2023-10-20 未来电视有限公司 电视节目的推送方法、装置、设备及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101431694A (zh) * 2008-11-26 2009-05-13 深圳市天威视讯股份有限公司 一种基于贝叶斯算法的数字电视节目推荐方法和***
CN103501449A (zh) * 2013-10-08 2014-01-08 十分（北京）信息科技有限公司 与电视节目关联的视频源推荐方法及推荐装置
CN103546778A (zh) * 2013-07-17 2014-01-29 Tcl集团股份有限公司 一种电视节目推荐方法、***及其实现方法
CN104066005A (zh) * 2014-07-06 2014-09-24 中山大学深圳研究院 一种基于访问记录的智能电视节目推送方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005192062A (ja) * 2003-12-26 2005-07-14 Matsushita Electric Ind Co Ltd 番組推薦機能を搭載した映像受信装置及び番組推薦方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101431694A (zh) * 2008-11-26 2009-05-13 深圳市天威视讯股份有限公司 一种基于贝叶斯算法的数字电视节目推荐方法和***
CN103546778A (zh) * 2013-07-17 2014-01-29 Tcl集团股份有限公司 一种电视节目推荐方法、***及其实现方法
CN103501449A (zh) * 2013-10-08 2014-01-08 十分（北京）信息科技有限公司 与电视节目关联的视频源推荐方法及推荐装置
CN104066005A (zh) * 2014-07-06 2014-09-24 中山大学深圳研究院 一种基于访问记录的智能电视节目推送方法

Also Published As

Publication number Publication date
CN104935970A (zh) 2015-09-23

Similar Documents

Publication Publication Date Title
CN104935970B (zh) 进行电视内容推荐的方法及电视客户端
CN103546778A (zh) 一种电视节目推荐方法、***及其实现方法
Trouleau et al. Just one more: Modeling binge watching behavior
CN103686237B (zh) 推荐视频资源的方法及***
CA2619773C (en) System and method for recommending items of interest to a user
US10873785B2 (en) Content recommendation system and method-based implicit ratings
Yu et al. TV3P: an adaptive assistant for personalized TV
JP5421469B2 (ja) 対象を定めたテレビ番組配信のためのシステム、プリファレンスエンジン、機械可読媒体およびテレビ視聴習慣を判断する方法
US9465863B2 (en) Content-providing method and system
CN110430471A (zh) 一种基于瞬时计算的电视推荐方法和***
US20070106656A1 (en) Apparatus and method for performing profile based collaborative filtering
WO2001015449A1 (en) Method and apparatus for creating recommendations from users profile built interactively
JP2004515979A (ja) ユーザプロファイルの選択的な更新のための方法及び装置
EP1547384A1 (en) Commercial recommender
CN102523511A (zh) 一种网络节目聚合及节目推荐***和方法
CN108920577A (zh) 电视智能推荐方法
JP2008542870A (ja) コンテンツに対するユーザの群の全体の関心を推定するため方法及び装置
CN107169116B (zh) 默认搜索词的生成方法及装置
KR101151176B1 (ko) 메뉴 선호 정보를 이용한 콘텐츠 추천 방법
US11126655B2 (en) Metadata of partial content
Fong et al. Using genetic algorithm for hybrid modes of collaborative filtering in online recommenders
Mukherjee et al. A context-aware recommendation system considering both user preferences and learned behavior
CN109195014A (zh) 具有用户识别和节目推送功能的机顶盒***及其应用方法
Khandagale et al. Using Filters in Time-based Movie Recommender Systems
Baklanov et al. Linear TV Recommender through Big Data

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant