CN110753247A - 一种信息推送策略生成***及方法 - Google Patents
一种信息推送策略生成***及方法 Download PDFInfo
- Publication number
- CN110753247A CN110753247A CN201910994371.9A CN201910994371A CN110753247A CN 110753247 A CN110753247 A CN 110753247A CN 201910994371 A CN201910994371 A CN 201910994371A CN 110753247 A CN110753247 A CN 110753247A
- Authority
- CN
- China
- Prior art keywords
- user
- behavior data
- content
- preference
- module
- 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.)
- Granted
Links
Images
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
- H04N21/251—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]
- H04N21/20—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
- H04N21/252—Processing of multiple end-users' preferences to derive collaborative data
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Computing Systems (AREA)
- Computer Graphics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Two-Way Televisions, Distribution Of Moving Picture Or The Like (AREA)
Abstract
本发明属于信息推送技术领域,具体提供一种信息推送策略生成***及方法,该***包括:存储模块,用于存储用户的行为数据;调用模块,用于调用存储模块内近x天的用户的行为数据;处理模块,用于根据调用模块调用的用户的行为数据,计算各内容标签对用户的影响值,找到用户的偏好标签;分组模块,用于根据用户的偏好标签,对用户进行偏好分组;匹配模块,用于按照推送内容的关键词与用户分组的标签进行匹配;推送模块,用于将推送内容推送给匹配出的用户分组;其中,存储模块还用于按照偏好分组对用户进行存储。使用本申请,能够更加准确的对用户进行内容推送。
Description
技术领域
本发明属于信息推送技术领域,尤其涉及一种信息推送策略生成***及方法。
背景技术
随着互联技术的发展,人们生活的各个方面都发生了很大的变化。物联网、互联网+、O2O等模式的兴起,更是彻底改变了人们的生活习惯。
IPTV,正是在这样的背景下出现的科技产物。IPTV是一种集互联网、多媒体、通讯等技术于一体,向家庭用户提供包括数字电视在内的多种交互式服务的崭新技术。
由于IPTV功能的灵活性及多样性,其用户的粘度很高。了解用户的使用习惯,并定向推送相应内容,正变得越来越重要。
了解到用户的使用习惯后,不仅可以针对用户的使用习惯进行内容业务的调整,进一步增加用户粘性,还可以为运营商的广告投放推送提供决策支持,使投放广告的效果更好,便于进行广告招商,增加利润。
目前,IPTV在进行内容投放时,大都采用的非定向投放的投放方式,即,在固定的栏目或固定的时段中***投放的内容。即使部分***在进行内容投放时考虑了用户的个人属性,也只是提取用户常看的节目类型后,将该节目类型相关的内容进行定向投放。
虽然由于IPTV的用户数量很大,这样的投放方式,也能取得一定的投放效果。但这样的投放方式未充分考虑用户当前的兴趣点,容易出现用户接收到投放的内容时,对该内容的兴趣已经很小甚至已经没有兴趣的情况。
发明内容
本发明针对现有技术在进行内容投放时,未充分考虑用户当前兴趣点的问题,提供了一种信息推送策略生成***及方法。
本发明提供的基础方案为:
一种信息推送策略生成***,包括:
存储模块,用于存储用户的行为数据;
调用模块,用于调用存储模块内近x天的用户的行为数据;
处理模块,用于根据调用模块调用的用户的行为数据,计算各内容标签对用户的影响值,找到用户的偏好标签;
分组模块,用于根据用户的偏好标签,对用户进行偏好分组;
匹配模块,用于按照推送内容的关键词与用户分组的标签进行匹配;
推送模块,用于将推送内容推送给匹配出的用户分组;
其中,存储模块还用于按照偏好分组对用户进行存储。
名词解释:内容标签,即IPTV的栏目类型的标签,如文体、综艺、都市、法制等;
偏好标签,即用户偏好的内容标签。
基础方案工作原理及有益效果:
存储模块存储用户的行为数据后,调用模块调用近X天的用户的行为数据,x的具体数值,本领域技术人员可依据具体的时间线标准具体设置;之后,处理模块根据调用的用户的行为数据,计算各内容标签对用户的影响值,找到用户的偏好标签;分组模块按照偏好标签对用户进行分组;需要进行内容推送时,匹配模块按照推送内容的关键词与用户分组的标签进行匹配,找到该推送内容的受众群体,最后,推送模块将推送内容推送给匹配出的用户分组。
本申请对用户分组时,不仅考虑了用户的兴趣,还综合考虑了各兴趣对用户的影响程度(影响值),这样得到的用户分组,能够更加合理的反映用户的当前的兴趣偏好,和现有技术相比,能够更加准确的对用户进行内容推送。
进一步,处理模块包括筛选子模块、分类子模块、基数子模块、加权子模块、累加子模块、排序子模块和打标子模块;
筛选子模块用于筛选出用户的有效行为数据,将用户停留时间大于预设时长t1的播放行为筛选出来;
分类子模块用于将筛选出的用户的行为数据按照预设的内容标签进行分类;
基数子模块用于将分类后的行为数据进行基数值判定,将大于t1小于t2的行为数据的基数值判定为y1,将大于t2小于t3的行为数据的基数值判定为y2,将大于t3的行为数据的基数值判定为y3,其中,t3>t2>t1,y3>y2>y1;
加权子模块用于根据筛选后的行为数据距离当前的时间,用预设的权重计算公式,计算该行为数据的权重,并将基数值判定后的用户的行为数据进行加权;
累加子模块用于对各内容标签中加权后的用户的行为数据进行累加,得到各内容标签影响值;
排序子模块用于用排序算法对各内容标签的影响值进行排序;
打标子模块用于将排序子模块中排行前P的内容标签作为用户的偏好标签,对用户进行打标;当排序的内容标签数量不足P时,将所有的内容标签均作为偏好标签。
有益效果:
筛选子模块将用户的行为数据中大于t1的有效的行为数据筛选出来,分类子模块将筛选出来的用户的行为数据按照内容标签进行分类,这样,便于对各内容标签中的行为数据进行集中处理。
之后,基数子模块将分类后的行为数据进行基础值判定,t1、t2、t3、y1、y2以及y3的具体数值,本领域技术人员可依据具体情况具体设置。连续观看的时间越长,说明用户对该栏目类型的兴趣度越强烈,通过基数子模块,能够大致的得到各行为数据背后代表的用户对该内容标签的关注度。虽然有可能因为工作、生活上的事情不得不停止观看该节目,但这些毕竟是极少数发生的情况,并且发生在各内容标签的几率是一样的,不会对数据整体的准确性产生影响。
再然后,加权子模块按照预设的权重计算公式,计算该行为数据的权重,并将基数值判定后的用户的行为数据进行加权。大多数人在不同的时间段上,兴趣的侧重点会存在差异。如一个偏好体育与历史的用户,这周关注的重点是体育(如,他关注的某个联赛进入了白热化阶段),下周关注的重点则可能转移到了历史上(如,他喜爱的某位学者开展了系列讲座)。
因此,需要对兴趣标签进行加权处理,距离现在越远的兴趣标签,其对用户的影响越小,越应当对其弱化,因此,需要对其进行加权计算,且权重值的数值会随着时间推移而变小。通过加权子模块,能够将时间离现在较远的兴趣标签进行弱化。能够更加精确的推送用户感兴趣的内容。
排序子模块用排序算法对各内容标签的影响值进行排序后,打标子模块用于将排序子模块中排行前P的内容标签作为用户的偏好标签,对用户进行打标,这样,将用户偏好优先级最高的P个栏目类型筛选了出来。P的具体数值,本领域技术人员可依据具体情况具体设定。
通过上述子模块,处理模块能够依据用户的行为数据,精确的找到当前对用户影响程度最大的内容标签作为用户的偏好标签。
有益效果:
该权重值计算公式由自定义的遗忘模拟函数与艾宾浩斯遗忘曲线进行拟合模拟而得,其中,n为大于0小于1的遗忘系数,a表示短期记忆遗忘率,B表示长期遗忘率。通过***模拟,当n=0.25、a=0.42且b=0.0003时,该时间衰减函数与艾宾浩斯遗忘曲线的拟合程度最高。
进一步,排序子模块采用的排序算法为冒泡排序算法、***排序算法、桶排序算法、基数排序算法或者归并排序算法。
有益效果:
这几类排序算法与希尔排序算法、选择排序算法、堆排序算法以及快速排序相比,稳定性更强,能够持续稳定的进行排序工作,可防止出现混乱的排序结果。
进一步,还包括更新模块,用于对存储模块内的偏好分组的用户成员进行更新;还用于根据用户的偏好标签,对用户的EPG页面进行更新。
有益效果:
用户的偏好会随着时间的推移而发生变化,通过更新模块,可以根据用户偏好的变化,及时对偏好分组进行更新;同时,结合用户的偏好的变化,更新模块还及时对用户的EPG页面进行调整,使用户能够方便快捷的找到自己喜爱的栏目类型,可以增强用户的使用体验。
进一步,还包括修改模块,用于对内容标签进行修改。
有益效果:
由于IPTV的节目类型会随着运营的效果不断的进行调整,经过较长的时间,如1年后,节目类型的框架可能已经发生了很大的改变,通过修改模块,管理人员可及时对内容标签进行修改,使内容标签能够与当前的节目类型框架始终保持一致。
基于上述***,本申请还提供一种信息推送策略生成方法,包括:
存储步骤,存储用户的行为数据;
调用步骤,调用存储模块内近x天的用户的行为数据;
处理步骤,根据调用步骤调用的用户的行为数据,计算各内容标签对用户的影响值,找到用户的偏好标签;
分组步骤,根据用户的偏好标签,对用户进行偏好分组;
存储步骤,按照偏好分组对用户进行存储;
匹配步骤,按照推送内容的关键词与用户分组的标签进行匹配;
推送步骤,将推送内容推送给匹配出的用户分组。
有益效果:
用户分组时,不仅考虑了用户的兴趣,还综合考虑了各兴趣对用户的影响程度(影响值),这样得到的用户分组,能够更加合理的反映用户的当前的兴趣偏好,和现有技术相比,能够更加准确的对用户进行内容推送。
进一步,处理步骤包括筛选子步骤、分类子步骤、基数子步骤、加权子步骤、累加子步骤、排序子步骤和打标子步骤;
筛选子步骤,筛选出用户的有效行为数据,将用户停留时间大于预设时长t1的播放行为筛选出来;
分类子步骤,将筛选出的用户的行为数据按照预设的内容标签进行分类;
基数子步骤,将分类后的行为数据进行基数值判定,将大于t1小于t2的行为数据的基数值判定为y1,将大于t2小于t3的行为数据的基数值判定为y2,将大于t3的行为数据的基数值判定为y3,其中,t3>t2>t1,y3>y2>y1;
加权子步骤,根据筛选后的行为数据距离当前的时间,用预设的权重计算公式,计算该行为数据的权重,并将基数值判定后的用户的行为数据进行加权;
累加子步骤,对各内容标签中加权后的用户的行为数据进行累加,得到各内容标签影响值;
排序子步骤,用排序算法对各内容标签的影响值进行排序;
打标子步骤,将排序子步骤中排行前P的内容标签作为用户的偏好标签,对用户进行打标;当排序的内容标签数量不足P时,将所有的内容标签均作为偏好标签。
有益效果:
通过上述子步骤,处理步骤能够依据用户的行为数据,精确的找到当前对用户影响程度最大的内容标签作为用户的偏好标签。
有益效果:
与艾宾浩斯遗忘曲线的拟合程度非常高,能够较好的表示该兴趣标签对用户的影响程度。
进一步,排序子步骤中,采用的排序算法为冒泡排序算法、***排序算法、桶排序算法、基数排序算法或者归并排序算法。
有益效果:
这几类排序算法与希尔排序算法、选择排序算法、堆排序算法以及快速排序相比,稳定性更强,能够持续稳定的进行排序工作,可防止出现混乱的排序结果。
附图说明
图1为本发明一种信息推送策略生成***实施例一的逻辑框图;
图2为图1中处理模块的逻辑框图;
图3为本发明一种信息推送策略生成方法实施例一的流程图;
图4为图3中处理步骤的流程图。
具体实施方式
下面通过具体实施方式进一步详细说明:
如图1所示:
一种信息推送策略生成***,包括服务器和管理端。管理端通过现有技术,如WIFI模块,与服务器进行通信。
服务器
本实施例中,服务器为华为云服务器,在其他实施例中服务器也可以选用腾讯云服务器或者分布式服务器。
服务器包括存储模块、调用模块、处理模块、分组模块、更新模块、匹配模块及推送模块。
存储模块,用于存储用户的行为数据;还用于按照偏好分组对用户进行存储。
调用模块,用于调用存储模块内近x天的用户的行为数据;本实施中,x的数值为30。若时间线太短,则不能够客观的反映用户的行为;若时间线太长,用户的喜好已经可能发生了很大的变化,靠前的行为数据,参考意义很小;近30天的行为数据,在具有较高的参考性的基础上,能够较好的反映用户的近期行为。
处理模块,用于根据调用模块调用的用户的行为数据,计算各内容标签对用户的影响值,找到用户的偏好标签。
处理模块每m天进行一次偏好标签的更新,本实施例中,m的数值为3。用户的偏好标签不会每天都变动,同时,每天更新一次偏好标签,对***的负荷也很大;但若一周才进行一次偏好标签的更新,在用户的偏好进行转移时,不能及时对用户的偏好进行跟踪;3天进行一次偏好标签的更新,既不会对***造成太大的负荷,同时,还可以根据用户的兴趣走向,及时对用户的偏好标签进行更新。
具体的,如图2所示,处理模块包括筛选子模块、分类子模块、基数子模块、加权子模块、累加子模块、排序子模块和打标子模块。
筛选子模块用于筛选出用户的有效行为数据,将用户停留时间大于预设时长t1的播放行为筛选出来;
分类子模块,用于将筛选出的用户的行为数据按照预设的内容标签进行分类。内容标签,即用户观看的内容的栏目类型,如文体、综艺、都市、法制等等。内容标签的名称及数量,本领域技术人员可依据IPTV具体的栏目架构具体设置。
基数子模块,用于将分类后的行为数据进行基数值判定,将大于t1小于t2的行为数据的基数值判定为y1,将大于t2小于t3的行为数据的基数值判定为y2,将大于t3的行为数据的基数值判定为y3,其中,t3>t2>t1,y3>y2>y1。t1、t2、t3、y1、y2以及y3的具体数值,本领域技术人员可依据具体情况具体设置。本实施例中,t1为5分钟,t2为20分钟,t3为45分钟,y1为1、y2为1.5,y3为2。
连续观看的时间越长,说明用户对该栏目类型的兴趣度越强烈。虽然有可能因为工作、生活上的事情不得不停止观看该节目,但这些毕竟是极少数发生的情况,并且发生在各类内容标签的几率是一样的,不会对数据整体的准确性产生影响。
加权子模块,用于根据筛选后的行为数据距离当前的时间,用预设的权重计算公式,计算该行为数据的权重,并将基数值判定后的用户的行为数据进行加权;
累加子模块,用于对各内容标签中加权后的用户的行为数据进行累加,得到各内容标签影响值;
排序子模块,用于用排序算法对各内容标签的影响值进行排序。本实施例中,使用排序算法为冒泡排序算法,和其他的排序算法相比,冒泡排序算法涉及的程序简单,空间复杂度较低,且运算结果非常稳定,能够持续稳定的进行排序工作。在其他实施例中,也可以采用***排序算法、桶排序算法、基数排序算法或者归并排序算法,这几类算法的稳定性也较为出色。
打标子模块,用于将排序子模块中排行前P的内容标签作为用户的偏好标签,对用户进行打标;当排序的内容标签数量不足P时,将所有的内容标签均作为偏好标签。P的具体数值,本领域技术人员同样可依据对用户偏好精准度的严格程度具体设定,本实施例中,P的数值为3。通常一个用户的偏好不会太过广泛,3个类型的内容标签,已足够囊括绝大多数用户的观看偏好。
该权重值计算公式由自定义的遗忘模拟函数与艾宾浩斯遗忘曲线进行拟合模拟而得,其中,n为大于0小于1的遗忘系数,a表示短期记忆遗忘率,B表示长期遗忘率。通过***模拟,当n=0.25、a=0.42且b=0.0003时,该时间衰减函数与艾宾浩斯遗忘曲线的拟合程度最高。
即,与艾宾浩斯遗忘曲线的拟合程度非常高,能够较好的表示该兴趣标签对用户的影响程度。
大多数人在不同的时间段,兴趣的侧重点会发生变化。如一个偏好体育与历史的用户,这周关注的重点是体育(如,他关注的某个联赛进入了白热化阶段),下周关注的重点则可能转移到了历史上(如,他喜爱的某位学者开展了系列讲座)。因此,需要对兴趣标签进行加权处理,距离现在越远的兴趣标签,其对用户的影响越小,越应当对其弱化,因此,需要对其进行加权计算,且权重值的数值会随着时间推移而变小。
将自定义的时间衰减函数作为权重值对兴趣标签进行加权后,再对各内容标签进行排序,得到的内容标签排行榜,能够更加真实的反映各内容标签对用户的影响程度排行,管理人员能够推送与用户当前兴趣点更加吻合的内容给用户。
分组模块用于根据用户的偏好标签,对用户进行偏好分组。
更新模块用于对存储模块内的偏好分组进行更新;更新模块还用于根据用户的偏好标签,对用户的EPG页面进行更新。
用户的偏好会随着时间的推移而发生变化,通过更新模块,可以根据用户偏好的变化,及时对偏好分组进行更新;同时,结合用户的偏好的变化,更新模块还及时对用户的EPG页面进行调整,使用户能够方便快捷的找到自己喜爱的栏目类型,可以增强用户的使用体验。
匹配模块,用于按照推送内容的关键词与用户分组的标签进行匹配。
推送模块,用于将推送内容推送给匹配出的用户分组。
管理端
本实施例中,管理端为PC。
管理端包括查看模块、分组调用模块和修改模块。
查看模块用于查看服务器的存储模块中的分组数据。通过查看模块,管理人员可以了解到各分组的用户数量。
分组调用模块用于调用存储模块中的分组数据。通过分组调用模块,可以进行推送内容的精准投放。如和某个体育用品的客户合作进行广告投放时,就可以调用偏好标签为文体类的用户进行广告投放。
修改模块用于对内容标签进行修改。由于IPTV的节目类型会随着运营的效果不断的进行调整,经过较长的时间,如1年后,节目类型的框架可能已经发生了很大的改变,通过修改模块,管理人员可及时对内容标签进行修改,使内容标签能够与当前的节目类型框架始终保持一致。
基于上述***,如图3所示,本申请还提供一种信息推送策略生成方法,包括:
存储步骤,存储用户的行为数据;
调用步骤,调用存储模块内近x天的用户的行为数据;本实施例中x的数值为30。
处理步骤,根据调用步骤调用的用户的行为数据,计算各内容标签对用户的影响值,找到用户的偏好标签;
分组步骤,根据用户的偏好标签,对用户进行偏好分组;
存储步骤,按照偏好分组对用户进行存储;
匹配步骤,按照推送内容的关键词与用户分组的标签进行匹配;
推送步骤,将推送内容推送给匹配出的用户分组;
更新步骤,对偏好分组的用户成员进行更新,和/或根据用户的偏好标签,对用户的EPG页面进行更新。
查看步骤,查看存储模块中的分组数据。
分组调用步骤,调用存储模块中的分组数据。
修改步骤,对内容标签进行修改。
其中,如图4所示,处理步骤包括筛选子步骤、分类子步骤、基数子步骤、加权子步骤、累加子步骤、排序子步骤和打标子步骤;
筛选子步骤,筛选出用户的有效行为数据,将用户停留时间大于预设时长t1的播放行为筛选出来;
分类子步骤,将筛选出的用户的行为数据按照预设的内容标签进行分类;
基数子步骤,将分类后的行为数据进行基数值判定,将大于t1小于t2的行为数据的基数值判定为y1,将大于t2小于t3的行为数据的基数值判定为y2,将大于t3的行为数据的基数值判定为y3,其中,t3>t2>t1,y3>y2>y1;本实施例中,t1为5分钟,t2为20分钟,t3为45分钟,y1为1、y2为1.5,y3为2。
加权子步骤,根据筛选后的行为数据距离当前的时间,用预设的权重计算公式,计算该行为数据的权重,并将基数值判定后的用户的行为数据进行加权;本实施例中,预设的权重计算公式为自定义时间遗忘函数其中,t为距离当前的时间;
累加子步骤,对各内容标签中加权后的用户的行为数据进行累加,得到各内容标签影响值;
排序子步骤,用排序算法对各内容标签的影响值进行排序;本实施例中,采用的排序算法为冒泡排序算法,在其他实施例中,也可以采用***排序算法、桶排序算法、基数排序算法或者归并排序算法,这几类算法的稳定性都较为出色。
打标子步骤,将排序子步骤中排行前P的内容标签作为用户的偏好标签,对用户进行打标;当排序的内容标签数量不足P时,将所有的内容标签均作为偏好标签。
实施例二
与实施例一不同的是,本实施例中的***还包括用户端,用户端包括用户信息存储模块和用户分析模块;
用户信息存储模块用于存储用户的信息表,本实施例中,用户的信息表包括各用户的年龄、性别、手机ID和偏好标签,用户信息表中的偏好标签与服务器中的偏好标签同步更新。
本实施例中,存储模块按照用户的手机ID存储用户的行为数据,处理模块分析各用户手机ID的偏好标签。
用户分析模块用于根据手机ID的流量使用情况,对目前观看节目的用户进行分析;具体的,当检测到某用户的手机ID接入WIFI,但该用户手机ID在K秒内的流量使用情况小于L,则判断该用户正观看节目;用户分析模块还用于提取正观看节目用户的信息并发送给服务器,服务器根据观看节目的用户的偏好标签进行节目的推送。K与L的具体数值,本领域技术人员可依据用户筛选的严格程度具体设置。
一个家庭内通常都有多位成员,家庭成员之间由于性别、年龄和爱好的不同,偏好的节目类型也会有所不同。本实施例中,每个用户都带有自己的偏好标签,用户分析模块了解到观看节目的具体用户后,将该用户的偏好标签发送给服务器,服务器根据该用户的偏好标签,推送对应的节目。
这样,当用户打开电视进行观看时,可第一时间找到自己感兴趣的节目。
当观看节目的用户只有一位且发生改变时,***会及时发现并进行相应的节目推送。使新观看的用户能够在尽量短的时间内找到自己感兴趣的节目。
当原始观看节目的用户仍在观看,但加入了新的观看用户时,***会推送新的节目,各用户可经过协商,统一意见后,选择对应的节目进行观看。通过这样的方式,给了各用户更多的观看选择,同时,也给各用户之间加深了相互了解的机会,当前社会的生活节奏很快,一家人在一起的时间也越来越少,通过节目的推送,家庭成员之间可以了解其他人近期的关注点,进而加深彼此的了解,便于找到共同话题。
以上所述的仅是本发明的实施例,方案中公知的具体结构及特性等常识在此未作过多描述,所属领域普通技术人员知晓申请日或者优先权日之前发明所属技术领域所有的普通技术知识,能够获知该领域中所有的现有技术,并且具有应用该日期之前常规实验手段的能力,所属领域普通技术人员可以在本申请给出的启示下,结合自身能力完善并实施本方案,一些典型的公知结构或者公知方法不应当成为所属领域普通技术人员实施本申请的障碍。应当指出,对于本领域的技术人员来说,在不脱离本发明结构的前提下,还可以作出若干变形和改进,这些也应该视为本发明的保护范围,这些都不会影响本发明实施的效果和专利的实用性。本申请要求的保护范围应当以其权利要求的内容为准,说明书中的具体实施方式等记载可以用于解释权利要求的内容。
Claims (10)
1.一种信息推送策略生成***,其特征在于,包括:
存储模块,用于存储用户的行为数据;
调用模块,用于调用存储模块内近x天的用户的行为数据;
处理模块,用于根据调用模块调用的用户的行为数据,计算各内容标签对用户的影响值,找到用户的偏好标签;
分组模块,用于根据用户的偏好标签,对用户进行偏好分组;
匹配模块,用于按照推送内容的关键词与用户分组的标签进行匹配;
推送模块,用于将推送内容推送给匹配出的用户分组;
其中,存储模块还用于按照偏好分组对用户进行存储。
2.根据权利要求1所述的信息推送策略生成***,其特征在于:处理模块包括筛选子模块、分类子模块、基数子模块、加权子模块、累加子模块、排序子模块和打标子模块;
筛选子模块用于筛选出用户的有效行为数据,将用户停留时间大于预设时长t1的播放行为筛选出来;
分类子模块用于将筛选出的用户的行为数据按照预设的内容标签进行分类;
基数子模块用于将分类后的行为数据进行基数值判定,将大于t1小于t2的行为数据的基数值判定为y1,将大于t2小于t3的行为数据的基数值判定为y2,将大于t3的行为数据的基数值判定为y3,其中,t3>t2>t1,y3>y2>y1;
加权子模块用于根据筛选后的行为数据距离当前的时间,用预设的权重计算公式,计算该行为数据的权重,并将基数值判定后的用户的行为数据进行加权;
累加子模块用于对各内容标签中加权后的用户的行为数据进行累加,得到各内容标签影响值;
排序子模块用于用排序算法对各内容标签的影响值进行排序;
打标子模块用于将排序子模块中排行前P的内容标签作为用户的偏好标签,对用户进行打标;当排序的内容标签数量不足P时,将所有的内容标签均作为偏好标签。
4.根据权利要求2所述的信息推送策略生成***,其特征在于:排序子模块采用的排序算法为冒泡排序算法、***排序算法、桶排序算法、基数排序算法或者归并排序算法。
5.根据权利要求1所述的信息推送策略生成***,其特征在于:还包括更新模块,用于对存储模块内的偏好分组的用户成员进行更新;还用于根据用户的偏好标签,对用户的EPG页面进行更新。
6.根据权利要求1所述的信息推送策略生成***,其特征在于:还包括修改模块,用于对内容标签进行修改。
7.一种信息推送策略生成方法,其特征在于,包括:
存储步骤,存储用户的行为数据;
调用步骤,调用存储模块内近x天的用户的行为数据;
处理步骤,根据调用步骤调用的用户的行为数据,计算各内容标签对用户的影响值,找到用户的偏好标签;
分组步骤,根据用户的偏好标签,对用户进行偏好分组;
存储步骤,按照偏好分组对用户进行存储;
匹配步骤,按照推送内容的关键词与用户分组的标签进行匹配;
推送步骤,将推送内容推送给匹配出的用户分组。
8.根据权利要求7所述的信息推送策略生成方法,其特征在于:处理步骤包括筛选子步骤、分类子步骤、基数子步骤、加权子步骤、累加子步骤、排序子步骤和打标子步骤;
筛选子步骤,筛选出用户的有效行为数据,将用户停留时间大于预设时长t1的播放行为筛选出来;
分类子步骤,将筛选出的用户的行为数据按照预设的内容标签进行分类;
基数子步骤,将分类后的行为数据进行基数值判定,将大于t1小于t2的行为数据的基数值判定为y1,将大于t2小于t3的行为数据的基数值判定为y2,将大于t3的行为数据的基数值判定为y3,其中,t3>t2>t1,y3>y2>y1;
加权子步骤,根据筛选后的行为数据距离当前的时间,用预设的权重计算公式,计算该行为数据的权重,并将基数值判定后的用户的行为数据进行加权;
累加子步骤,对各内容标签中加权后的用户的行为数据进行累加,得到各内容标签影响值;
排序子步骤,用排序算法对各内容标签的影响值进行排序;
打标子步骤,将排序子步骤中排行前P的内容标签作为用户的偏好标签,对用户进行打标;当排序的内容标签数量不足P时,将所有的内容标签均作为偏好标签。
10.根据权利要求8所述的信息推送策略生成方法,其特征在于:排序子步骤中,采用的排序算法为冒泡排序算法、***排序算法、桶排序算法、基数排序算法或者归并排序算法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910994371.9A CN110753247B (zh) | 2019-10-18 | 2019-10-18 | 一种信息推送策略生成***及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910994371.9A CN110753247B (zh) | 2019-10-18 | 2019-10-18 | 一种信息推送策略生成***及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110753247A true CN110753247A (zh) | 2020-02-04 |
CN110753247B CN110753247B (zh) | 2021-11-09 |
Family
ID=69278893
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910994371.9A Active CN110753247B (zh) | 2019-10-18 | 2019-10-18 | 一种信息推送策略生成***及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110753247B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111324733A (zh) * | 2020-02-07 | 2020-06-23 | 北京创鑫旅程网络技术有限公司 | 内容推荐方法、装置、设备及存储介质 |
CN111683154A (zh) * | 2020-06-17 | 2020-09-18 | 腾讯科技(深圳)有限公司 | 一种内容推送的方法、装置、介质及电子设备 |
CN112364261A (zh) * | 2020-11-30 | 2021-02-12 | 重庆空间视创科技有限公司 | 基于多模态智能社交信息推送***及方法 |
WO2021163856A1 (zh) * | 2020-02-17 | 2021-08-26 | 深圳市欢太科技有限公司 | 内容推送方法、装置、服务器及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106028071A (zh) * | 2016-05-17 | 2016-10-12 | Tcl集团股份有限公司 | 一种视频推荐方法及*** |
CN106980662A (zh) * | 2017-03-21 | 2017-07-25 | 上海星红桉数据科技有限公司 | 基于海量跨屏收视行为数据的用户标签分类方法 |
CN107222566A (zh) * | 2017-07-06 | 2017-09-29 | 广州优视网络科技有限公司 | 信息推送方法、装置及服务器 |
-
2019
- 2019-10-18 CN CN201910994371.9A patent/CN110753247B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106028071A (zh) * | 2016-05-17 | 2016-10-12 | Tcl集团股份有限公司 | 一种视频推荐方法及*** |
CN106980662A (zh) * | 2017-03-21 | 2017-07-25 | 上海星红桉数据科技有限公司 | 基于海量跨屏收视行为数据的用户标签分类方法 |
CN107222566A (zh) * | 2017-07-06 | 2017-09-29 | 广州优视网络科技有限公司 | 信息推送方法、装置及服务器 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111324733A (zh) * | 2020-02-07 | 2020-06-23 | 北京创鑫旅程网络技术有限公司 | 内容推荐方法、装置、设备及存储介质 |
WO2021163856A1 (zh) * | 2020-02-17 | 2021-08-26 | 深圳市欢太科技有限公司 | 内容推送方法、装置、服务器及存储介质 |
CN111683154A (zh) * | 2020-06-17 | 2020-09-18 | 腾讯科技(深圳)有限公司 | 一种内容推送的方法、装置、介质及电子设备 |
CN111683154B (zh) * | 2020-06-17 | 2023-11-14 | 腾讯科技(深圳)有限公司 | 一种内容推送的方法、装置、介质及电子设备 |
CN112364261A (zh) * | 2020-11-30 | 2021-02-12 | 重庆空间视创科技有限公司 | 基于多模态智能社交信息推送***及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110753247B (zh) | 2021-11-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110753247B (zh) | 一种信息推送策略生成***及方法 | |
US11409792B2 (en) | System and method for streaming individualized media content | |
US8930294B2 (en) | Predicting user activity based on usage data received from client devices | |
CN110795624B (zh) | 分析个性化框架 | |
CN108028962B (zh) | 处理视频使用情况信息以投放广告 | |
US8732017B2 (en) | Methods, systems, and media for applying scores and ratings to web pages, web sites, and content for safe and effective online advertising | |
KR101060487B1 (ko) | 태그 클라우드를 이용한 콘텐츠 추천 장치 및 방법 | |
CN111680254B (zh) | 一种内容推荐方法及装置 | |
US20110196927A1 (en) | Social Networking Application Using Posts to Determine Compatibility | |
US20100228591A1 (en) | Real time ad selection for requested content | |
US9864951B1 (en) | Randomized latent feature learning | |
CN106131703A (zh) | 一种视频推荐的方法和终端 | |
CN110474944B (zh) | 网络信息的处理方法、装置及存储介质 | |
US11935094B2 (en) | Managing metadata enrichment of digital asset portfolios | |
CN111090810A (zh) | 一种应用消息的推送方法、装置及电子设备 | |
CN113742567A (zh) | 一种多媒体资源的推荐方法、装置、电子设备及存储介质 | |
CN114339417A (zh) | 一种视频推荐的方法、终端设备和可读存储介质 | |
US11727221B2 (en) | Dynamic correlated topic model | |
CN110753248B (zh) | 一种用于iptv用户端数据收集***及方法 | |
CN109756759B (zh) | 一种弹幕信息推荐方法和装置 | |
US20240005360A1 (en) | Multimedia enrichment and rendering with computing devices | |
CN117651165B (zh) | 基于客户数据的视频推荐方法及装置 | |
CN114173200B (zh) | 基于广电专网的视频管理推送方法及装置 | |
CN117972224A (zh) | 信息确定方法、装置、计算机设备和存储介质 | |
CN116137677A (zh) | 智能电视的主题推荐方法、计算机设备及可读存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CP03 | Change of name, title or address |
Address after: 401121 room 701, room 1, floor 7, building 11, No. 106, west section of Jinkai Avenue, Yubei District, Chongqing Patentee after: Space Shichuang (Chongqing) Technology Co.,Ltd. Address before: 401121 17-4, building 2, No. 70, middle section of Huangshan Avenue, Yubei District, Chongqing Patentee before: Chongqing Space Visual Creation Technology Co.,Ltd. |
|
CP03 | Change of name, title or address |