CN106851349A - 基于海量跨屏收视行为数据的直播推荐方法 - Google Patents

基于海量跨屏收视行为数据的直播推荐方法 Download PDF

Info

Publication number
CN106851349A
CN106851349A CN201710168816.9A CN201710168816A CN106851349A CN 106851349 A CN106851349 A CN 106851349A CN 201710168816 A CN201710168816 A CN 201710168816A CN 106851349 A CN106851349 A CN 106851349A
Authority
CN
China
Prior art keywords
data
user
module
magnanimity
recommendation
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
Application number
CN201710168816.9A
Other languages
English (en)
Inventor
李馥岑
糜万军
孙鑫
刘亚峰
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.)
Shanghai StarV Data Technology Co Ltd
Original Assignee
Shanghai StarV Data Technology 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 Shanghai StarV Data Technology Co Ltd filed Critical Shanghai StarV Data Technology Co Ltd
Priority to CN201710168816.9A priority Critical patent/CN106851349A/zh
Publication of CN106851349A publication Critical patent/CN106851349A/zh
Pending legal-status Critical Current

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
    • H04N21/251—Learning process for intelligent management, e.g. learning user preferences for recommending movies
    • 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
    • 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
    • H04N21/4668—Learning process for intelligent management, e.g. learning user preferences for recommending movies for recommending content, e.g. movies

Landscapes

  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Computer Graphics (AREA)
  • Computing Systems (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种基于海量跨屏收视行为数据的直播推荐方法。该方法主要解决的是面对越来越灵活的双向新媒体业务，面对百万级，甚至千万级用户的海量行为数据，将采集到的用户行为数据进行HDFS分布式存储，经过ETL模块对数据进行提取、转换和加载之后，由符合传媒行业特点的优化组合推荐算法模块、策略处理模块，将海量的用户行为数据进行高效的数据预处理，形成线下推荐结果和线上推荐结果，并最终形成一系列的内容‑特征推荐结果数据，再通过不同的WEB应用程序调用相关的内容‑特征推荐数据集，以实现对用户“千人千面”的偏好洞察，为运营商提供个性化、自动化的直播推荐。

Description

基于海量跨屏收视行为数据的直播推荐方法
技术领域：
本发明涉及网络信息处理技术，特别涉及一种基于海量跨屏收视行为数据的直播推荐方法。
背景技术：
随着广电网络公司后平移时代的到来，数字电视业务发展日益成熟，付费频道、时移回看、VOD点播、其他增值业务(股票、电视商城、游戏等)等多种双向互动新业务在不断的充实广电网络运营商的业务服务内容，广电网络运营商的发展重点逐渐从数字平台搭建、双向网络改造转向了更加多元化的业务经营和盈利模式。
与此同时，内容信息量也出现爆发式增长，面对纷繁芜杂的各类节目信息，如何让用户从大量的节目信息中便捷的获取想要的直播节目内容，成为了运营商丞待解决的问题。
另一方面，现有的直播推荐技术，主要是通过建设媒资库，将需要推荐的节目信息导入到媒资库，由后台编辑人员依据营销事件或时间点等进行人工推荐，将节目信息推荐到机顶盒终端的推荐位上，供用户使用。
这种方式，由于采用千篇一律的推荐方式，每个用户看到的推荐内容都是一样的，并不能满足用户的个性化潜在需求，往往造成用户对推荐的内容不感兴趣，不信任，造成业务使用率无法提高，并且维护媒资库需要大量的人力支撑，造成广电网络运营商运营成本增加。
发明内容：
有鉴于此，本发明提供了一种基于海量跨屏收视行为数据的直播推荐方法。该方法主要解决的是面对越来越灵活的双向新媒体业务，面对百万级，甚至千万级用户的海量行为数据，将采集到的用户行为数据进行HDFS分布式存储，经过ETL模块对数据进行提取、转换和加载之后，由符合传媒行业特点的优化组合推荐算法模块、策略处理模块，将海量的用户行为数据进行高效的数据预处理，形成线下推荐结果和线上推荐结果，并最终形成一系列的内容-特征推荐结果数据，再通过不同的WEB应用程序调用相关的内容-特征推荐数据集，以实现对用户“千人千面”的偏好洞察，为运营商提供个性化、自动化的直播推荐。
本发明的具体技术方案如下：
基于海量跨屏收视行为数据的直播推荐方法，包括以下步骤：
(1)设置终端数据采集模块、HDFS分布式存储模块、ETL模块、推荐模块、WEB应用模块；
(2)终端数据采集模块用于采集用户在多媒体信息播放终端的收视行为数据，并将所采集的数据转发给HDFS分布式存储模块负责存储；
(3)HDFS分布式存储模块除了负责存储用户收视行为数据，还负责存储其他第三方***异构数据；
(4)ETL模块负责从HDFS分布式存储模块对所存储的用户收视行为数据进行提取、转换和加载，并为推荐模块提供基础元素数据；
(5)推荐模块包括策略处理模块、算法处理模块、线下推荐结果、线上推荐结果、内容-特征推荐结果数据；
(6)WEB应用模块为终端内嵌的web应用程序，用于推荐请求和推荐内容的展示。
上述方案中，所述多媒体信息播放终端包括DVB STB(数字电视机顶盒)、OTT(互联网机顶盒)、智能电视、手机、平板电脑。
上述方案中，所述其他第三方***异构数据为PV、UV这些页面浏览数据。
上述方案中，所述推荐模块中的策略处理模块用于为算法处理模块提供基础数据，由用户标签、内容标签、用户画像三部分组成；内容标签定义了用户所收看节目的节目类型、所属地区、节目状态、情感类型等属性；用户标签定义了用户的个人属性、社会属性、消费行为属性、爱好偏向属性、收视行为属性等；用户画像通过内容标签和用户标签的数据整合，标记了用户的标签模型视图，由此勾勒用户的整体轮廓和兴趣偏好。
上述方案中，所述推荐模块中的算法处理模块所采用的推荐算法主要使用协同过滤(item_base，user_base)、用户相似度计算、节目相似度计算、聚类算法、关联规则、统计等，在自然语言处理上，使用分词、索引、关键词和舆情相关的算法、基于时间序列的预测，GBDT+LR的排序算法框架等，实现基于用户画像的个性化推荐。
上述方案中，所述推荐模块中的线下推荐结果是将用户特征属性、内容特征属性和业务规则相结合，融合推荐算法形成的线下推荐结果集。
上述方案中，所述推荐模块中的线上推荐结果是基于用户实时的收视行为数据和页面浏览行为数据，结合用户应用场景、条件规则，形成的实时线上推荐结果集。
上述方案中，所述推荐模块中的内容-特征推荐结果数据是融合线下推荐结果和线上推荐结果，经过预处理、去重、过滤、排名等步骤后形成的最终推荐结果集。
通过上述本发明所述方法可使广电网络运营商利用现有的双向网络通道获取到的海量用户行为数据，快速有效的得到真实的、准确的用户收视偏好、用户画像，实时地为运营商提供运营决策依据，有效的提高用户业务使用率。同时在资源利用率上，较现有的海量数据分析技术可节省大量的硬件设备资源及人员成本。
附图说明：
以下结合附图和具体实施方式来进一步说明本发明。
图1为本发明所述基于海量用户行为数据的直播推荐方法的步骤框图。
具体实施方式：
为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体图示，进一步阐述本发明。
如图1所示，本发明所述的基于海量跨屏收视行为数据的直播推荐方法，首先是设置终端数据采集模块、HDFS分布式存储模块、ETL模块、推荐模块、WEB应用模块；其次，终端数据采集模块用于采集用户在多媒体信息播放终端(包括DVB STB(数字电视机顶盒)、OTT(互联网机顶盒)、智能电视、手机、平板电脑等)的收视行为数据，并将所采集的数据转发给HDFS分布式存储模块负责存储；HDFS分布式存储模块除了负责存储用户收视行为数据，还负责存储其他第三方***异构数据(PV、UV这些页面浏览数据)；ETL模块负责从HDFS分布式存储模块对所存储的用户收视行为数据进行提取、转换和加载，并为推荐模块提供基础元素数据；推荐模块包括策略处理模块、算法处理模块、线下推荐结果、线上推荐结果、内容-特征推荐结果数据；WEB应用模块为终端内嵌的web应用程序，用于推荐请求和推荐内容的展示。
需要指出的是推荐模块中的策略处理模块用于为算法处理模块提供基础数据，由用户标签、内容标签、用户画像三部分组成；内容标签定义了用户所收看节目的节目类型、所属地区、节目状态、情感类型等属性；用户标签定义了用户的个人属性、社会属性、消费行为属性、爱好偏向属性、收视行为属性等；用户画像通过内容标签和用户标签的数据整合，标记了用户的标签模型视图，由此勾勒用户的整体轮廓和兴趣偏好。
推荐模块中的算法处理模块所采用的推荐算法主要使用协同过滤(item_base，user_base)、用户相似度计算、节目相似度计算、聚类算法、关联规则、统计等，在自然语言处理上，使用分词、索引、关键词和舆情相关的算法、基于时间序列的预测，GBDT+LR的排序算法框架等，实现基于用户画像的个性化推荐。
推荐模块中的线下推荐结果是将用户特征属性、内容特征属性和业务规则相结合，融合推荐算法形成的线下推荐结果集。
推荐模块中的线上推荐结果是基于用户实时的收视行为数据和页面浏览行为数据，结合用户应用场景、条件规则，形成的实时线上推荐结果集。
推荐模块中的内容-特征推荐结果数据是融合线下推荐结果和线上推荐结果，经过预处理、去重、过滤、排名等步骤后形成的最终推荐结果集。
由于上述方法中采用了优化组合的算法包及数据模型进行海量的数据预处理操作，每次的用户的推荐请求，只需要从经过数据预处理的内容-特征推荐结果数据中提取相关数据参与实时运算，不需要从完整的原始海量行为数据中进行查询和运算，分析运算效率由现有技术所需的几个小时，十几个小时的漫长等待时间，提升为秒级，甚至毫秒级的实时响应，大大提高了推荐运算效率，同时整个推荐运算过程完全采用机器自学习算法，只需要普通的PC服务器资源即可完成，大大节省了人力资源投入和硬件服务器资源的投入。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。

Claims (8)

1.基于海量跨屏收视行为数据的直播推荐方法，其特征在于，包括以下步骤：
(1)设置终端数据采集模块、HDFS分布式存储模块、ETL模块、推荐模块、WEB应用模块；
(2)终端数据采集模块用于采集用户在多媒体信息播放终端的收视行为数据，并将所采集的数据转发给HDFS分布式存储模块负责存储；
(3)HDFS分布式存储模块除了负责存储用户收视行为数据，还负责存储其他第三方***异构数据；
(4)ETL模块负责从HDFS分布式存储模块对所存储的用户收视行为数据进行提取、转换和加载，并为推荐模块提供基础元素数据；
(5)推荐模块包括策略处理模块、算法处理模块、线下推荐结果、线上推荐结果、内容-特征推荐结果数据；
(6)WEB应用模块为终端内嵌的web应用程序，用于推荐请求和推荐内容的展示。
2.根据权利要求1的基于海量跨屏收视行为数据的直播推荐方法，其特征在于，所述多媒体信息播放终端包括DVB STB、OTT、智能电视、手机、平板电脑。
3.根据权利要求1的基于海量跨屏收视行为数据的直播推荐方法，其特征在于，所述其他第三方***异构数据为PV、UV这些页面浏览数据。
4.根据权利要求1的基于海量跨屏收视行为数据的直播推荐方法，其特征在于，所述推荐模块中的策略处理模块用于为算法处理模块提供基础数据，由用户标签、内容标签、用户画像三部分组成；内容标签定义了用户所收看节目的节目类型、所属地区、节目状态、情感类型这些属性；用户标签定义了用户的个人属性、社会属性、消费行为属性、爱好偏向属性、收视行为属性；用户画像通过内容标签和用户标签的数据整合，标记了用户的标签模型视图，由此勾勒用户的整体轮廓和兴趣偏好。
5.根据权利要求1的基于海量跨屏收视行为数据的直播推荐方法，其特征在于，所述推荐模块中的算法处理模块所采用的推荐算法主要使用协同过滤、用户相似度计算、节目相似度计算、聚类算法、关联规则、统计，在自然语言处理上，使用分词、索引、关键词和舆情相关的算法、基于时间序列的预测，GBDT+LR的排序算法框架，实现基于用户画像的个性化推荐。
6.根据权利要求1的基于海量跨屏收视行为数据的直播推荐方法，其特征在于，所述推荐模块中的线下推荐结果是将用户特征属性、内容特征属性和业务规则相结合，融合推荐算法形成的线下推荐结果集。
7.根据权利要求1的基于海量跨屏收视行为数据的直播推荐方法，其特征在于，所述推荐模块中的线上推荐结果是基于用户实时的收视行为数据和页面浏览行为数据，结合用户应用场景、条件规则，形成的实时线上推荐结果集。
8.根据权利要求1的基于海量跨屏收视行为数据的直播推荐方法，其特征在于，所述推荐模块中的内容-特征推荐结果数据是融合线下推荐结果和线上推荐结果，经过预处理、去重、过滤、排名这些步骤后形成的最终推荐结果集。
CN201710168816.9A 2017-03-21 2017-03-21 基于海量跨屏收视行为数据的直播推荐方法 Pending CN106851349A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710168816.9A CN106851349A (zh) 2017-03-21 2017-03-21 基于海量跨屏收视行为数据的直播推荐方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710168816.9A CN106851349A (zh) 2017-03-21 2017-03-21 基于海量跨屏收视行为数据的直播推荐方法

Publications (1)

Publication Number Publication Date
CN106851349A true CN106851349A (zh) 2017-06-13

Family

ID=59130279

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710168816.9A Pending CN106851349A (zh) 2017-03-21 2017-03-21 基于海量跨屏收视行为数据的直播推荐方法

Country Status (1)

Country Link
CN (1) CN106851349A (zh)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108093304A (zh) * 2017-12-29 2018-05-29 东莞市纽格力信息技术有限公司 一种基于用户习惯的智能推荐方法和***
CN108304888A (zh) * 2018-02-28 2018-07-20 广州虎牙信息科技有限公司 直播平台用户分类方法及计算机存储介质、终端
CN108470023A (zh) * 2018-01-18 2018-08-31 阿里巴巴集团控股有限公司 业务功能的推荐方法及装置
CN109429103A (zh) * 2017-08-25 2019-03-05 Tcl集团股份有限公司 推荐信息的方法、装置及计算机可读存储介质、终端设备
CN109951724A (zh) * 2017-12-20 2019-06-28 阿里巴巴集团控股有限公司 直播推荐方法、主播推荐模型训练方法及相关设备
CN110147505A (zh) * 2017-08-24 2019-08-20 北京国双科技有限公司 一种页面展示方法、服务器及存储介质
CN110312149A (zh) * 2018-03-20 2019-10-08 国家新闻出版广电总局广播电视规划院 一种用于收视数据处理的方法、装置及***以及数据处理设备
CN110446057A (zh) * 2019-08-30 2019-11-12 北京字节跳动网络技术有限公司 直播辅助数据的提供方法、装置、设备及可读介质
CN110475155A (zh) * 2019-08-19 2019-11-19 北京字节跳动网络技术有限公司 直播视频热度状态识别方法、装置、设备及可读介质
CN112686697A (zh) * 2020-12-29 2021-04-20 百果园技术(新加坡)有限公司 一种基于多维度的用户行为数据处理方法及装置
CN113609332A (zh) * 2021-08-11 2021-11-05 上海众源网络有限公司 一种视频直播资源推荐方法、***和装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103544212A (zh) * 2013-09-09 2014-01-29 Tcl集团股份有限公司 一种内容推荐方法及***
CN103886047A (zh) * 2014-03-12 2014-06-25 浙江大学 面向流式数据的分布式在线推荐方法
CN104079996A (zh) * 2014-06-30 2014-10-01 北京酷云互动科技有限公司 电视节目推送方法和设备
CN105302831A (zh) * 2014-07-18 2016-02-03 上海星红桉数据科技有限公司 基于海量用户行为数据的高速计算分析方法
CN106126641A (zh) * 2016-06-24 2016-11-16 中国科学技术大学 一种基于Spark的实时推荐***及方法
CN106339502A (zh) * 2016-09-18 2017-01-18 电子科技大学 一种基于用户行为数据分片聚类的建模推荐方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103544212A (zh) * 2013-09-09 2014-01-29 Tcl集团股份有限公司 一种内容推荐方法及***
CN103886047A (zh) * 2014-03-12 2014-06-25 浙江大学 面向流式数据的分布式在线推荐方法
CN104079996A (zh) * 2014-06-30 2014-10-01 北京酷云互动科技有限公司 电视节目推送方法和设备
CN105302831A (zh) * 2014-07-18 2016-02-03 上海星红桉数据科技有限公司 基于海量用户行为数据的高速计算分析方法
CN106126641A (zh) * 2016-06-24 2016-11-16 中国科学技术大学 一种基于Spark的实时推荐***及方法
CN106339502A (zh) * 2016-09-18 2017-01-18 电子科技大学 一种基于用户行为数据分片聚类的建模推荐方法

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110147505A (zh) * 2017-08-24 2019-08-20 北京国双科技有限公司 一种页面展示方法、服务器及存储介质
CN109429103A (zh) * 2017-08-25 2019-03-05 Tcl集团股份有限公司 推荐信息的方法、装置及计算机可读存储介质、终端设备
CN109951724A (zh) * 2017-12-20 2019-06-28 阿里巴巴集团控股有限公司 直播推荐方法、主播推荐模型训练方法及相关设备
CN108093304A (zh) * 2017-12-29 2018-05-29 东莞市纽格力信息技术有限公司 一种基于用户习惯的智能推荐方法和***
CN108470023A (zh) * 2018-01-18 2018-08-31 阿里巴巴集团控股有限公司 业务功能的推荐方法及装置
CN108304888A (zh) * 2018-02-28 2018-07-20 广州虎牙信息科技有限公司 直播平台用户分类方法及计算机存储介质、终端
CN110312149A (zh) * 2018-03-20 2019-10-08 国家新闻出版广电总局广播电视规划院 一种用于收视数据处理的方法、装置及***以及数据处理设备
CN110312149B (zh) * 2018-03-20 2021-08-17 国家广播电视总局广播电视规划院 一种用于收视数据处理的方法、装置及***以及数据处理设备
CN110475155A (zh) * 2019-08-19 2019-11-19 北京字节跳动网络技术有限公司 直播视频热度状态识别方法、装置、设备及可读介质
CN110475155B (zh) * 2019-08-19 2022-02-18 北京字节跳动网络技术有限公司 直播视频热度状态识别方法、装置、设备及可读介质
CN110446057A (zh) * 2019-08-30 2019-11-12 北京字节跳动网络技术有限公司 直播辅助数据的提供方法、装置、设备及可读介质
CN112686697A (zh) * 2020-12-29 2021-04-20 百果园技术(新加坡)有限公司 一种基于多维度的用户行为数据处理方法及装置
CN113609332A (zh) * 2021-08-11 2021-11-05 上海众源网络有限公司 一种视频直播资源推荐方法、***和装置
CN113609332B (zh) * 2021-08-11 2024-03-08 上海众源网络有限公司 一种视频直播资源推荐方法、***和装置

Similar Documents

Publication Publication Date Title
CN106851349A (zh) 基于海量跨屏收视行为数据的直播推荐方法
CN110225373B (zh) 一种视频审核方法、装置及电子设备
CN112104899B (zh) 直播中的信息推荐方法、装置、电子设备及存储介质
CN107852252B (zh) 通过自动内容辨识指纹匹配来检测频道改变
CN103051930B (zh) 基于流量分析及用户行为分析的移动视频推荐方法及***
CN103620639B (zh) 多轮播件的选择性数字服务信息源
CN1187982C (zh) 充实视频的屏幕文字触发字
CN105989074B (zh) 一种通过移动设备信息进行推荐冷启动的方法和装置
CN102591942B (zh) 一种应用自动推荐的方法及装置
CN103338403B (zh) 广播电视***及该***中的个性节目推荐方法
CN103747343B (zh) 资源分时段推荐的方法和装置
Yang et al. Mining Chinese social media UGC: a big-data framework for analyzing Douban movie reviews
CN108021929A (zh) 基于大数据的移动端电商用户画像建立与分析方法及***
CN106980662A (zh) 基于海量跨屏收视行为数据的用户标签分类方法
CN107980129A (zh) 用于重叠的媒体目录的全球推荐***
CN104809632A (zh) 一种基于模板的动态广告的生成方法和装置
CN105072454A (zh) 针对在线内容的媒体指南的特定化、集中式、自动化创建
CN106326391A (zh) 多媒体资源推荐方法及装置
CN108446964B (zh) 一种基于移动流量dpi数据的用户推荐方法
CN105045859A (zh) 一种智能设备的用户特征分析方法及装置
CN108038237A (zh) 一种信息推荐方法与***
CN102360386A (zh) 电子商务网站智能导购***和方法
CN103310362A (zh) 基于gps定位的广电智能营销辅助方法及***
CN104936023A (zh) 一种数字电视用户行为的大数据采集与分析方法及***
CN105323601A (zh) 基于多屏用户行为数据的人员属性标识方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20170613