CN111031363B - 一种基于定量大数据的用户收视情况预测方法及*** - Google Patents
一种基于定量大数据的用户收视情况预测方法及*** Download PDFInfo
- Publication number
- CN111031363B CN111031363B CN201911319450.6A CN201911319450A CN111031363B CN 111031363 B CN111031363 B CN 111031363B CN 201911319450 A CN201911319450 A CN 201911319450A CN 111031363 B CN111031363 B CN 111031363B
- Authority
- CN
- China
- Prior art keywords
- data
- program
- audience rating
- audience
- model
- 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
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
- H04N21/258—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
- H04N21/43—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
- H04N21/442—Monitoring of processes or resources, e.g. detecting the failure of a recording device, monitoring the downstream bandwidth, the number of times a movie has been viewed, the storage space available from the internal hard disk
- H04N21/44204—Monitoring of content usage, e.g. the number of times a movie has been viewed, copied or the amount which has been watched
-
- 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
- H04N21/442—Monitoring of processes or resources, e.g. detecting the failure of a recording device, monitoring the downstream bandwidth, the number of times a movie has been viewed, the storage space available from the internal hard disk
- H04N21/44213—Monitoring of end-user related data
- H04N21/44222—Analytics of user selections, e.g. selection of programs or purchase activity
-
- 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 Networks & Wireless Communication (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Social Psychology (AREA)
- Computing Systems (AREA)
- Computer Graphics (AREA)
- Testing, Inspecting, Measuring Of Stereoscopic Televisions And Televisions (AREA)
- Two-Way Televisions, Distribution Of Moving Picture Or The Like (AREA)
Abstract
本发明公开了一种基于定量大数据的用户收视情况预测方法及***,所述方法包括:获取多个频道的历史用户行为数据和历史EPG节目单数据;基于历史EPG节目单数据得到节目播出信息的时间序列数据;根据节目播出信息的时间序列数据中所包含的时间游标,进行节目播出时段的划分;对各节目播出时段的用户行为数据进行用户行为画像分析,获取与收视率相关的多维度参数;基于各节目的播出信息以及多维度参数,对收视率影响因素进行筛选;以收视率影响因素为输入,收视率为输出,训练收视率预测模型。本发明通过引入EPG数据和第三方数据,保证了模型的预测精度。
Description
技术领域
本发明属于电视大数据分析技术领域,尤其涉及一种基于定量大数据的用户收视情况预测方法及***。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息,不必然构成在先技术。
收视率是衡量观众对电视频道的满意度的直接衡量指标,其对于电视台后期的运营起到很大的约束作用。那些在电视台投放广告的企业,往往会根据收视率的高低来支付相应的投放价格。若公司打算通过电视台来对主打商品进行宣传,则首先要考虑的便是收视率。
在当今的新媒体运营中,对电视节目收视率进行有效的预测是一个难题,有很多因素能够影响到电视节目的收视率,有研究人员通过统计学中的回归分析来预测收视率,但目前的分析方法不能很好的把握收视率的变化规律,泛化能力差。并且,尽管目前的预测模型也考虑节目播出时间段这一因素,但主要的划分依据仍然以按小时划分的方式为主,例如将全天分为5个时间段:重要时间段(即黄金时间段19:00-22:00)、次重要时间段(18:00-19:00、22:00-0:00)、普通时段(12:00-13:00、1:00-9:00)、次普通时段(9:00-12:00、13:00-18:00)和不重要时间段进行量化。此种划分方式主观性强,不能准确划分节目,因而也难以对各节目自身的影响因素进行准确量化(如节目类型、品牌效应等),导致模型的预测准确度不准确。
发明内容
为克服上述现有技术的不足,本发明提供了一种基于定量大数据的用户收视情况预测方法及***。引入EPG数据和第三方数据,保证了模型的预测精度。
为实现上述目的,本发明的一个或多个实施例提供了如下技术方案:
一种基于定量大数据的用户收视情况预测方法,包括以下步骤:
获取多个频道的历史用户行为数据和历史EPG节目单数据;
基于历史EPG节目单数据得到节目播出信息的时间序列数据;
根据节目播出信息的时间序列数据中所包含的时间游标,进行节目播出时段的划分;
对各节目播出时段的用户行为数据进行用户行为画像分析,获取与收视率相关的多维度参数;
基于各节目的播出信息以及多维度参数,对收视率影响因素进行筛选;
以收视率影响因素为输入,收视率为输出,训练收视率预测模型。
进一步地,所述方法还包括:获取第三方数据,以第三方数据为参考值,优化收视率预测模型,使得模型预测结果趋近于参考值。
进一步地,所述方法还包括:获取收视率真实值,对收视率预测模型性能进行评价。
进一步地,历史行为数据包括:用户信息、观看频道、观看起始时间、观看结束时间。
进一步地,所述影响因素包括:根据用户行为数据计算得到的各节目收视比重、受众因素;以及根据节目播出信息得到的节目类型、每周播出次数、名牌因素、季节因素。
进一步地,所述收视率预测模型采用支持向量回归机模型进行训练。
进一步地,采用逻辑回归方法优化收视率预测模型。
一个或多个实施例提供了一种基于定量大数据的用户收视情况预测***,包括:
数据获取模块,获取多个频道的历史用户行为数据和历史EPG节目单数据;基于历史EPG节目单数据得到节目播出信息的时间序列数据;
时间段提取模块,根据节目播出信息的时间序列数据中所包含的时间游标,进行节目播出时段的划分;
影响因素提取模块,对各节目播出时段的用户行为数据进行用户行为画像分析,获取与收视率相关的多维度参数;
影响因素筛选模块,基于各节目的播出信息以及多维度参数,对收视率影响因素进行筛选;
模型建立模块,以收视率影响因素为输入,收视率为输出,训练收视率预测模型。
一个或多个实施例提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现所述的基于定量大数据的用户收视情况预测方法。
一个或多个实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现所述的基于定量大数据的用户收视情况预测方法。
以上一个或多个技术方案存在以下有益效果:
本发明引入电子节目单作为辅助,精确定位各个节目所在时间段,保证了各节目样本数据的准确性,并且,预测模型除了考虑时间、收视比重等常见因素,还考虑了节目类型、名牌因素、节目受众等节目自身的影响因素,保证了模型的预测精度。
本发明在进行模型训练的基础上,引入权威的第三方数据,以第三方权威机构的数据及相关文献数据作为业务发展规律参考,对模型进行优化,有助于预测结果倾向于真实结果,使基于用户历史行为数据建立的模型无限贴近业务发展规律。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1为本发明一个或多个实施例中基于定量大数据的用户收视情况预测方法流程图。
具体实施方式
应该指出,以下详细说明都是示例性的,旨在对本发明提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本发明的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
实施例一
本实施例公开了一种基于定量大数据的用户收视情况预测方法,包括以下步骤:
步骤1:获取多个频道的历史用户行为数据和历史EPG节目单数据;
历史行为数据应至少包括:用户信息(用户ID号)、观看频道、观看起始时间、观看结束时间。
为了使模型预测精度更高,需要足够大的样本数据量支撑,本实施例中获取了一年的用户历史行为数据和历史EPG节目单数据作为样本,进行模型训练。
步骤2:获取时间序列数据,基于历史EPG节目单数据得到各节目的播出信息,所述播出信息包括播出时间段;
本实施例中所采用的节目时序数据为校正后的EPG节目单数据时序,根据观众的收视习惯和时间段的重要性程度进行量化,收视情况越好的时间段,量化数据越大,相较于传统的按小时进行划分,更为精确,有助于模型的预测精度。
步骤3:数据预处理。对各个节目播出时间段的用户行为数据进行用户画像与统计分析,获取多维度感兴趣参数;
根据历史行为数据进行分析,得到用户总数、在线人数、特定时间到达窗口人数、特定时间离开窗口的人数、单用户的用户收视行为画像、用户群体划分等。得到各个节目相应时段的收视情况,整体在线率、频道到达率、频道分时收视率指标等。
收视率指在某个时段收看某个电视节目的目标观众人数占总目标人群的比重,以百分比表示。
步骤4:基于各节目的播出信息、历史行为数据以及分析获取的多维度参数列表,筛选得到可能会对收视率造成影响的因素;
收视比重是指特定时段内收看某一频道或某一节目的人数占同一时段所有收看电视的人数的百分比,也即是特定时段内某一频道的收视率占所有频道总收视率的百分比。
受众因素,根据受众的年龄大小、文化高低、收视习惯进行量化。
至此,基于历史用户行为数据和历史EPG数据,得到了大量节目的训练数据,以每个节目为一个训练样本,包括该节目的收视率、收视比重、受众因素等。
所述播出信息还包括:播出年月、节目类型、节目名称、参与人员等。
根据播出信息,筛选影响因素并进行量化。
进一步可选地,本实施例还选择了节目类型、每周播出次数、名牌因素、季节因素作为影响因素作为量化。具体地,节目类型包括电视剧、新闻、综艺节目、生活服务、专题片、电影、体育、法律财经等。根据受欢迎程度,收视情况越好的类型,量化数值越大;每周播出次数指节目样本每周在该频道中播出的次数,播放次数越多,量化数值越大;名牌因素包括频道、节目和人的知名度,按知名度程度对名牌因素进行量化;季节因素根据是否有假期进行量化。如7-8月暑假期间收视率肯定较其他月份高,量化数值大。可通过单因素相关分析等方法进一步筛选对于收视率影响更显著的影响因素。
步骤5:以收视率影响因素为输入,收视率为输出,训练收视率预测模型;
对于趋势回归模型,需与基于时间序列的电子节目单进行结合,对于不同时间区间的用户数据,结合基于时间序列的电子节目单,调整时间游标,对不同时间段,不同时长的数据进行建模与评价。
本实施例中采用了支持向量回归机模型(SVR)和梯度下降树(GBDT)两种模型,进行收视率预测模型的训练。
支持向量回归机模型(SVR)与传统线性回归模型求解的方式相同,目的都是得到最终的最优超平面,并使其与训练样本集数据值之间的距离小于等于设定值,同时保证模型的输出曲线尽可能平稳。求解最优超平面的过程实质上为一个求解凸二次规划的问题。很多实际应用场景中的问题都属于非线性***,一般的线性回归方法要建立具有较好精度的非***模型难度是非常大的。SVR的优点在于能够很好地利用映射关系将低维空间中的非线性问题转变为高维空间中的线性问题,降低构建模型的难度,同时提高模型的精度。
步骤6:以第三方数据为参考值,优化收视率预测模型,使得模型预测结果趋近于参考值。
在本步骤中,以第三方权威机构的数据及相关文献数据作为业务发展规律参考,对模型进行优化,第三方数据包括从新闻、文献中抽取的收视率数据。通过逻辑回归算法不断减少损失,本步骤的模型训练的目标是使基于用户历史行为数据建立的模型无限贴近业务发展规律。
所述步骤5-6为基于历史数据及业务发展规律建立趋势回归模型。首先以趋势模型和时间序列预测结合的方法进行建模,然后以第三方权威机构的数据及相关文献数据作为业务发展规律参考,对模型进行优化,使基于用户历史行为数据建立的模型无限贴近业务发展规律。
步骤7:结合实时数据,评价第三方机构及文献数据,修正业务发展规律。以收视率真实值评价收视率预测模型性能。
在基于用户历史行为数据建立的回归模型无限贴近业务发展规律的基础上,对第三方权威机构及文献数据进行评价,结合实时数据,参考基于时间序列的电子节目单调整时间游标,修正业务发展规律。
采用当前实时数据(例如第1日数据),基于收视率预测模型预测将来一段时间范围内(例如第2日)的收视率,得到预测值;将第2日的真实值与模型预测值进行对比分析,评价模型性能。该真实值还可用于评价第三方数据的准确性。
步骤8:接收要进行收视率预测的节目信息,基于收视率预测模型预测收视率。
实施例二
本实施例的目的是提供一种基于定量大数据的用户收视情况预测***。所述***包括:
数据获取模块,获取多个频道的历史用户行为数据和历史EPG节目单数据;基于历史EPG节目单数据得到节目播出信息的时间序列数据;
时间段提取模块,根据节目播出信息的时间序列数据中所包含的时间游标,进行节目播出时段的划分;
影响因素提取模块,对各节目播出时段的用户行为数据进行用户行为画像分析,获取与收视率相关的多维度参数;
影响因素筛选模块,基于各节目的播出信息以及多维度参数,对收视率影响因素进行筛选;
模型建立模块,以收视率影响因素为输入,收视率为输出,训练收视率预测模型;
模型优化模块,获取第三方数据,以第三方数据为参考值,优化收视率预测模型,使得模型预测结果趋近于参考值;
模型评价模块,获取收视率真实值,对收视率预测模型性能进行评价。
实施例三
本实施例的目的是提供一种电子设备。
一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现以下步骤,包括:
获取多个频道的历史用户行为数据和历史EPG节目单数据;
基于历史EPG节目单数据得到节目播出信息的时间序列数据;
根据节目播出信息的时间序列数据中所包含的时间游标,进行节目播出时段的划分;
对各节目播出时段的用户行为数据进行用户行为画像分析,获取与收视率相关的多维度参数;
基于各节目的播出信息以及多维度参数,对收视率影响因素进行筛选;以收视率影响因素为输入,收视率为输出,训练收视率预测模型。
实施例四
本实施例的目的是提供一种计算机可读存储介质。
一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时执行以下步骤:
获取多个频道的历史用户行为数据和历史EPG节目单数据;
基于历史EPG节目单数据得到节目播出信息的时间序列数据;
根据节目播出信息的时间序列数据中所包含的时间游标,进行节目播出时段的划分;
对各节目播出时段的用户行为数据进行用户行为画像分析,获取与收视率相关的多维度参数;
基于各节目的播出信息以及多维度参数,对收视率影响因素进行筛选;
以收视率影响因素为输入,收视率为输出,训练收视率预测模型。以上实施例二、三和四的中涉及的各步骤与方法实施例一相对应,具体实施方式可参见实施例一的相关说明部分。术语“计算机可读存储介质”应该理解为包括一个或多个指令集的单个介质或多个介质;还应当被理解为包括任何介质,所述任何介质能够存储、编码或承载用于由处理器执行的指令集并使处理器执行本发明中的任一方法。
以上一个或多个实施例具有以下技术效果:
本发明引入电子节目单作为辅助,精确定位各个节目所在时间段,保证了各节目样本数据的准确性,并且,预测模型除了考虑时间、收视比重等常见因素,还考虑了节目类型、名牌因素、节目受众等节目自身的影响因素,保证了模型的预测精度。
本发明在进行模型训练的基础上,引入权威的第三方数据,以第三方权威机构的数据及相关文献数据作为业务发展规律参考,对模型进行优化,有助于预测结果倾向于真实结果,使基于用户历史行为数据建立的模型无限贴近业务发展规律。
本领域技术人员应该明白,上述本发明的各模块或各步骤可以用通用的计算机装置来实现,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。本发明不限制于任何特定的硬件和软件的结合。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (8)
1.一种基于定量大数据的用户收视情况预测方法,其特征在于,包括以下步骤:
获取多个频道的历史用户行为数据和历史EPG节目单数据;
基于历史EPG节目单数据得到节目播出信息的时间序列数据;
根据节目播出信息的时间序列数据中所包含的时间游标,进行节目播出时段的划分;
对各节目播出时段的用户行为数据进行用户行为画像分析,获取与收视率相关的多维度参数;
基于各节目的播出信息以及多维度参数,对收视率影响因素进行筛选;
以收视率影响因素为输入,收视率为输出,训练收视率预测模型;
获取第三方数据,以第三方数据为业务发展规律参考值,优化收视率预测模型,使得模型无限贴近业务发展规律,预测结果趋近于参考值;
结合实时数据,评价第三方机构及文献数据,修正业务发展规律;
获取收视率真实值,对收视率预测模型性能进行评价;
接收要进行收视率预测的节目信息,基于收视率预测模型预测收视率。
2.如权利要求1所述的一种基于定量大数据的用户收视情况预测方法,其特征在于,历史行为数据包括:用户信息、观看频道、观看起始时间、观看结束时间。
3.如权利要求1所述的一种基于定量大数据的用户收视情况预测方法,其特征在于,所述影响因素包括:根据用户行为数据计算得到的各节目收视比重、受众因素;以及根据节目播出信息得到的节目类型、每周播出次数、名牌因素、季节因素。
4.如权利要求1所述的一种基于定量大数据的用户收视情况预测方法,其特征在于,所述收视率预测模型采用支持向量回归机模型进行训练。
5.如权利要求1所述的一种基于定量大数据的用户收视情况预测方法,其特征在于,采用逻辑回归方法优化收视率预测模型。
6.一种基于定量大数据的用户收视情况预测***,其特征在于,包括:
数据获取模块,获取多个频道的历史用户行为数据和历史EPG节目单数据;基于历史EPG节目单数据得到节目播出信息的时间序列数据;
时间段提取模块,根据节目播出信息的时间序列数据中所包含的时间游标,进行节目播出时段的划分;
影响因素提取模块,对各节目播出时段的用户行为数据进行用户行为画像分析,获取与收视率相关的多维度参数;
影响因素筛选模块,基于各节目的播出信息以及多维度参数,对收视率影响因素进行筛选;
模型建立模块,以收视率影响因素为输入,收视率为输出,训练收视率预测模型;
模型优化模块,获取第三方数据,以第三方数据为参考值,优化收视率预测模型,使得模型预测结果趋近于参考值;
模型评价模块,获取收视率真实值,对收视率预测模型性能进行评价。
7.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-5任一项所述的基于定量大数据的用户收视情况预测方法。
8.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-5任一项所述的基于定量大数据的用户收视情况预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911319450.6A CN111031363B (zh) | 2019-12-19 | 2019-12-19 | 一种基于定量大数据的用户收视情况预测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911319450.6A CN111031363B (zh) | 2019-12-19 | 2019-12-19 | 一种基于定量大数据的用户收视情况预测方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111031363A CN111031363A (zh) | 2020-04-17 |
CN111031363B true CN111031363B (zh) | 2021-12-31 |
Family
ID=70209825
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911319450.6A Active CN111031363B (zh) | 2019-12-19 | 2019-12-19 | 一种基于定量大数据的用户收视情况预测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111031363B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112511901B (zh) * | 2020-12-07 | 2023-01-24 | 北京秒针人工智能科技有限公司 | 综艺剧目播放量预测方法、***、计算机设备及存储介质 |
CN113301401B (zh) * | 2021-05-31 | 2022-07-12 | 深圳市茁壮网络股份有限公司 | 一种电子节目单的生成方法及装置 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1223757B1 (en) * | 2001-01-09 | 2006-03-22 | Metabyte Networks, Inc. | System, method, and software application for targeted advertising via behavioral model clustering, and preference programming based on behavioral model clusters |
CN101944118A (zh) * | 2010-09-21 | 2011-01-12 | 深圳市佳创视讯技术股份有限公司 | 一种收视行为分析*** |
CN104902293B (zh) * | 2015-06-08 | 2017-11-17 | 福州大学 | 数字电视收视率统计管理***的实现方法 |
CN104936023A (zh) * | 2015-06-11 | 2015-09-23 | 嘉兴市广播电视集团 | 一种数字电视用户行为的大数据采集与分析方法及*** |
CN106604136B (zh) * | 2016-12-22 | 2019-07-16 | 中国传媒大学 | 电视节目收视率精确计算方法及构造*** |
WO2018131576A1 (ja) * | 2017-01-10 | 2018-07-19 | 株式会社電通 | テレビ等の放送媒体における広告枠最適化システム及び広告枠最適化方法 |
CN106998502B (zh) * | 2017-03-03 | 2020-06-12 | 上海媒智科技有限公司 | 基于霍克斯过程的节目质量评价方法 |
CN109600640A (zh) * | 2017-09-30 | 2019-04-09 | 北京国双科技有限公司 | 一种节目收视竞争力的评估方法及装置 |
-
2019
- 2019-12-19 CN CN201911319450.6A patent/CN111031363B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111031363A (zh) | 2020-04-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11989746B2 (en) | Methods and apparatus to project ratings for future broadcasts of media | |
US11785301B2 (en) | Methods and apparatus to assign viewers to media meter data | |
US11706490B2 (en) | Methods and apparatus to correct errors in audience measurements for media accessed using over-the-top devices | |
US11089361B2 (en) | Methods, apparatus and articles of manufacture to estimate local market audiences of media content | |
US20200074502A1 (en) | Advertisement space optimization system and advertisement space optimization method for broadcast media such as television | |
KR102193392B1 (ko) | 데이터베이스 사업자에 의한 기인오류 및/또는 논-커버리지에 대해 노출 데이터를 보상하기 위한 방법 및 장치 | |
US10911821B2 (en) | Utilizing combined outputs of a plurality of recurrent neural networks to generate media consumption predictions | |
CN111031363B (zh) | 一种基于定量大数据的用户收视情况预测方法及*** | |
Bargain et al. | Comparing inequality aversion across countries when labor supply responses differ | |
CN105208411B (zh) | 一种实现数字电视目标受众统计的方法及装置 | |
US11334911B1 (en) | Systems and methods for debiasing media creative efficiency | |
CN111897859B (zh) | 一种面向企业在线教育的大数据智能报表平台 | |
WO2022120065A1 (en) | Systems and methods for predicting television viewership patterns for advanced consumer segments | |
US20210241157A1 (en) | Methods, systems and apparatus to improve multi-demographic modeling efficiency | |
Panova et al. | Cognitive television viewer rating | |
US20220114472A1 (en) | Systems and methods for generating machine learning-driven telecast forecasts | |
JP2009536412A (ja) | 対象を定めた広告に適したリアルタイム視聴者推定およびコマーシャル選択を実施する方法および装置 | |
US20230110511A1 (en) | System and method for individualized exposure estimation in linear media advertising for cross platform audience management and other applications | |
Erglis et al. | Prototype Proposal for Profiling and Identification of TV Viewers using Watching Patterns. | |
Lu et al. | A New Survival Model for the Diffusion Pattern of TV Programs | |
Kanuri et al. | Optimizing a Menu of Multi Format Subscription Plans for Advertising Supported Media Platforms: A Model and Application in the Daily Newspaper Industry | |
Shi et al. | Understanding and Forecasting Consumer Sequential Multiscreen Viewing Behavior |
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 |