CN112333545B - 一种电视内容推荐方法、***、存储介质和智能电视 - Google Patents

一种电视内容推荐方法、***、存储介质和智能电视 Download PDF

Info

Publication number
CN112333545B
CN112333545B CN201910698763.0A CN201910698763A CN112333545B CN 112333545 B CN112333545 B CN 112333545B CN 201910698763 A CN201910698763 A CN 201910698763A CN 112333545 B CN112333545 B CN 112333545B
Authority
CN
China
Prior art keywords
user
user type
information
television
probability
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
CN201910698763.0A
Other languages
English (en)
Other versions
CN112333545A (zh
Inventor
王鑫
赵向军
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.)
TCL Technology Group Co Ltd
Original Assignee
TCL Technology Group 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 TCL Technology Group Co Ltd filed Critical TCL Technology Group Co Ltd
Priority to CN201910698763.0A priority Critical patent/CN112333545B/zh
Publication of CN112333545A publication Critical patent/CN112333545A/zh
Application granted granted Critical
Publication of CN112333545B publication Critical patent/CN112333545B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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]
    • H04N21/40—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
    • H04N21/4662—Learning process for intelligent management, e.g. learning user preferences for recommending movies characterized by learning algorithms
    • H04N21/4666—Learning process for intelligent management, e.g. learning user preferences for recommending movies characterized by learning algorithms using neural networks, e.g. processing the feedback provided by the user
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
    • G06F16/73—Querying
    • G06F16/735—Filtering based on additional data, e.g. user or group profiles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/161—Detection; Localisation; Normalisation
    • G06V40/166—Detection; Localisation; Normalisation using acquisition arrangements
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/168—Feature extraction; Face representation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/172—Classification, e.g. identification
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/02—Feature extraction for speech recognition; Selection of recognition unit
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/06—Creation of reference templates; Training of speech recognition systems, e.g. adaptation to the characteristics of the speaker's voice
    • G10L15/063—Training
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/08—Speech classification or search
    • 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
    • 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
    • H04N21/44218—Detecting physical presence or behaviour of the user, e.g. using sensors to detect if the user is leaving the room or changes his face expression during a TV program
    • 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
    • H04N21/443—OS processes, e.g. booting an STB, implementing a Java virtual machine in an STB or power management in an STB
    • H04N21/4436—Power management, e.g. shutting down unused components of the receiver
    • 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)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • Human Computer Interaction (AREA)
  • Signal Processing (AREA)
  • General Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Computational Linguistics (AREA)
  • Acoustics & Sound (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Artificial Intelligence (AREA)
  • Social Psychology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Two-Way Televisions, Distribution Of Moving Picture Or The Like (AREA)

Abstract

本发明提供了一种电视内容推荐方法、***、存储介质和智能电视，包括：获取用户信息；将所述用户信息输入已训练的深度学习模型，确定用户的用户类型；根据所述用户类型进入对应的电视模式，以基于所述用户类型对应的电视模式，推荐与所述用户类型对应的电视内容。本发明可帮助用户智能筛选适宜的电视内容，也可有效避免儿童观看不健康的电视节目。

Description

一种电视内容推荐方法、***、存储介质和智能电视
技术领域
本发明涉及智能电视技术领域，尤其涉及一种电视内容推荐方法、***、存储介质和智能电视。
背景技术
近年来，收看电视节目作为最为传统的家庭娱乐方式仍然影响着大多数人的生活。随着互联网技术和播放***的发展，电视节目越来越多元化，越来越精彩。然而，并不是所有的电视节目都适合儿童观看，不健康的电视节目还会对儿童身心健康带来危害，很多家长不得已通过强制换台、关机或批评教育等手段逼迫孩子远离电视屏幕。然而，儿童的自制力差，可能趁家长不在的时候偷偷看电视，并且，现有的电视没有特定针对儿童设置专属的电视节目，家长换台也不知道哪些节目是适合儿童观看的。
发明内容
本发明实施例提供了一种电视内容推荐方法、***、存储介质和智能电视，以解决现有技术中，电视没有针对特定用户设置专属的电视内容的问题。
本申请的第一方面提供了一种电视内容推荐方法，包括：
获取用户信息；
将所述用户信息输入已训练的深度学习模型，确定用户的用户类型；
根据所述用户类型进入对应的电视模式，以基于所述用户类型对应的电视模式，推荐与所述用户类型对应的电视内容。
本申请的第二方面提供了一种电视内容推荐***，包括：
用户信息获取单元，用于获取用户信息；
用户类型确定单元，用于将所述用户信息输入已训练的深度学习模型，确定用户的用户类型；
模式切换与内容推荐单元，用于根据所述用户类型进入对应的电视模式，以基于所述用户类型对应的电视模式，推荐与所述用户类型对应的电视内容。
本申请的第三方面提供了一种智能电视，上述智能电视包括存储器、处理器以及存储在上述存储器中并可在上述处理器上运行的计算机程序，上述处理器执行上述计算机程序时实现如上述第一方面的方法的步骤。
本申请的第四方面提供了一种计算机可读存储介质，上述计算机可读存储介质存储有计算机程序，上述计算机程序被处理器执行时实现如上述第一方面的方法的步骤。
本申请的第五方面提供了一种计算机程序产品，上述计算机程序产品包括计算机程序，上述计算机程序被一个或多个处理器执行时实现如上述第一方面的方法的步骤。
本发明实施例中，通过获取用户信息，将所述用户信息输入已训练的深度学习模型，确定用户的用户类型，然后根据所述用户类型进入对应的电视模式，以基于所述用户类型对应的电视模式，推荐与所述用户类型对应的电视内容，本方案可帮助用户智能筛选适宜的电视内容，也可有效避免儿童观看不健康的电视节目，保护儿童身心健康，增强用户体验。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的电视内容推荐方法的实现流程图；
图2是本发明实施例提供的电视内容推荐方法S102的具体实现流程图；
图3是本发明实施例提供的电视内容推荐方法语音识别网络模型的示意图；
图4是本发明实施例提供的电视内容推荐方法人脸识别网络模型的示意图；
图5是本发明实施例提供的基于所述用户类型对应的电视模式，推荐与所述用户类型对应的电视内容的具体实现流程图；
图6是本发明实施例提供的电视内容推荐***的结构框图；
图7是本发明实施例提供的智能电视的示意图。
具体实施方式
为使得本发明的发明目的、特征、优点能够更加的明显和易懂，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
图1示出了本发明实施例提供的电视内容推荐方法的实现流程，该方法流程包括步骤S101至S103。各步骤的具体实现原理如下：
S101：获取用户信息。
具体地，所述用户信息包括语音特征信息和人脸特征信息。在本申请实施例中，电视内容推荐方法运行于智能电视上，智能电视上安装有麦克风和摄像头，通过麦克风采集用户的语音特征信息，通过摄像头采集用户的人脸特征信息。
可选地，在上述步骤S101之前，获取用户输入的电视唤醒指令，基于所述电视唤醒指令获取所述用户的用户信息。在本申请实施例中，用户通过按压遥控器或者智能电视按键输入电视唤醒指令。所述电视唤醒指令用于唤醒处于休眠状态的智能电视，在所述智能电视被唤醒之后，麦克风实时采集用户的语音特征信息，摄像头实时采集用户的人脸特征信息。
S102：将所述用户信息输入已训练的深度学习模型，确定所述用户的用户类型。
在本申请实施例中，将所述用户信息输入至已训练的深度学习模型中，输出所述用户的用户类型概率，根据所述用户类型概率确定所述用户的用户类型。具体地，所述用户的用户类型包括儿童和非儿童，通过所述用户信息与所述已训练的深度学习模型，确定观看电视的用户是否为儿童。
作为本发明的一个实施例，如图2所示，所述深度学习模型包括语音识别网络模型与人脸识别网络模型，上述S102具体包括：
A1：将所述语音特征信息输入已训练的语音识别网络模型，确定所述用户的第一用户类型概率。所述第一用户类型概率为根据语音识别网络模型确定用户类型的概率。
A2：将所述人脸特征信息输入已训练的人脸识别网络模型，确定所述用户的第二用户类型概率。所述第二用户类型概率为根据人脸识别网络模型确定用户类型的概率。
A3：根据所述第一用户类型概率和/或所述第二用户类型概率，确定所述用户的用户类型。
可选地，若所述第一用户类型概率达到第一预设用户类型概率阈值，则确定所述第一用户类型概率对应的用户类型为儿童，若所述第一用户类型概率未达到所述第一预设用户类型概率阈值，则确定所述第一用户类型概率对应的用户类型为非儿童。例如，所述第一预设用户类型概率阈值为0.5，若所述第一用户类型概率P1≥0.5，则所述第一用户类型概率对应的用户类型为儿童，若所述第一用户类型概率P1＜0.5，则所述第一用户类型概率对应的用户类型为非儿童。
可选地，若所述第二用户类型概率达到第二预设用户类型概率阈值，则确定所述第二用户类型概率对应的用户类型为儿童，若所述第二用户类型概率未达到所述第二预设用户类型概率阈值，则确定所述第二用户类型概率对应的用户为非儿童。例如，所述第二预设用户类型概率阈值为0.5，若所述第二用户类型概率P2≥0.5，则所述第二用户类型概率对应的用户类型为儿童，若所述第二用户类型概率P2＜0.5，则所述第二用户类型概率对应的用户类型为非儿童。
可选地，分别预设所述第一用户类型概率与所述第二用户类型概率的权重，根据所述第一用户类型概率及其权重与所述第二用户类型概率及其权重，融合所述第一用户类型概率与所述第二用户类型概率，得到融合分类概率，根据所述融合分类概率确定所述用户的用户类型。所述第一用户类型概率P1权重为ε，所述第二用户类型概率P2权重为η，所述融合分类概率F＝ε*P1+η*P2，例如，ε＝0.5，η＝0.5。当F≥0.5时，确定所述用户为儿童；当F＜0.5时，确定所述用户为非儿童。在本申请实施例中，结合用户的语音特征信息与人脸特征信息确定用户类型，可提高用户类型确定的准确性。
进一步地，所述语音识别网络模型如图3所示，在本申请实施例中，所述语音识别网络模型的训练，具体包括：
B1：构建语音识别网络模型，所述语音识别网络模型包括编码层、前馈型序列记忆网络层以及全连接层。
B2：获取样本语音信息，所述样本语音信息具有用户类型标签；所述类型标签为儿童或者非儿童；
B3：在所述编码层中，将所述样本语音信息进行编码，得到样本语音向量，并将所述样本语音向量传递至所述前馈型序列记忆网络层。具体地，将输入的样本语音信息编码为向量表示，在本申请实施例中，采用的编码算法是word2vec(word to vector)算法。
B4：在所述前馈型序列记忆网络层中，对所述样本语音向量进行特征提取，得到样本语音特征向量，并将所述样本语音特征向量传递至所述全连接层。具体地，所述前馈型序列记忆网络层是一个具有10层的FSMN-layer。该部分的输入是已经过word2vec算法编码得到的样本语音向量，输出是样本语音特征向量。所述FSMN-layer中的结构为由双向GRU从编码层数据得到第l层的第一输出结果ht l，随后经过单层的全连接得到该l层的第二输出结果Pt l，将Pt l保存在Memory block(记忆块)中，随后，使用双向GRU从Memory block中得到第l+1层的输出结果ht l+1，其中，ht l、Pt l以及ht l+1为记录中间结果的参数。
B5：在所述全连接层中，根据所述样本语音特征向量，对所述样本语音信息进行用户类型概率计算，得到所述样本语音信息的第一用户类型概率。在本申请实施例中，所述全连接层为带有softmax激活函数的全连接神经网络层，通过该全连接神经网络层将经过处理后的样本语音信息分类。在模型的使用阶段，要返回softmax的所述样本语音信息的第一用户类型概率P1。
B6：根据预设参数调整算法对所述语音识别网络模型的模型参数进行优化调整，直至所述样本语音信息的第一用户类型概率对应的用户类型与所述样本语音信息的用户类型标签一致。具体地，使用反向传播算法对所述语音识别网络模型的模型参数进行优化调整。
具体地，在本申请实施例中，在训练阶段，所述语音识别网络模型的输入为样本语音信息，输出的标签为非儿童或儿童。对用户的样本语音信息进行特征提取以及识别主要采用Deep-FSMN(Deep Forward Skip Memory Network)+FCNN(Fully Connected NeuralNetwork)深度学习模型结构完成，该模型相较于其他的语音识别模型来说，能够保证网络高层梯度可以很好的传递给低层，从而使得训练很深的网络不会面临梯度消失的问题。
进一步地，所述人脸识别网络模型如图4所示，在本申请实施例中，所述人脸识别网络模型的训练，具体包括：
C1：构建人脸识别网络模型，所述人脸识别网络模型包括卷积层、池化层以及全连接层。
C2：获取样本人脸信息，所述样本人脸信息具有用户类型标签；所述用户类型标签为儿童或者非儿童。
C3：在所述卷积层中，根据所述样本人脸信息进行人脸特征提取，得到所述样本人脸信息的样本人脸特征。在本申请实施例中，使用MTCNN算法来提取人脸特征。具体地，检测人脸关键点，所述人脸关键点包括左右眼，鼻尖，左右嘴角。根据检测到的人脸关键点，获取所述样本人脸信息的样本人脸特征。
C4：在所述全连接层中，根据所述样本人脸特征，对所述样本人脸信息进行用户类型概率计算，得到所述样本人脸信息的第二用户类型概率。在本申请实施例中，所述全连接层为带有softmax激活函数的全连接神经网络层，通过该全连接神经网络层将经过处理后的样本人脸信息分类。在模型的使用阶段，要返回softmax的所述样本人脸信息的第二用户类型概率P2。
C5：根据预设参数调整算法对所述人脸识别网络模型的模型参数进行优化调整，直至所述样本人脸信息的第二用户类型概率对应的用户类型与所述样本人脸信息的类型标签一致。具体地，使用反向传播算法对所述人脸识别网络模型的模型参数进行优化调整。
具体地，在本申请实施例中使用MTCNN算法提取人脸数据特征，MTCNN算法包括三个阶段：第一阶段中，采用全卷积神经网络，即P-Net，获得候选窗体和所述候选窗体的边界回归向量，同时，所述候选窗体根据边界回归向量进行校准，然后，利用非极大抑制(NMS)去除大量重复候选窗体；第二阶段中，采用更复杂的卷积神经网络，即R-Net。R-Net将经过P-Net的候选窗体在R-Net网络中训练，然后利用全连接层的方式进行训练，排除掉大量不符合要求的候选窗体，然后利用边界回归向量的回归值微调候选窗体，再利用NMS去除重叠窗体；第三阶段中，使用更加复杂的卷积神经网络，即O-Net。O-Net获得候选窗体和该候选窗体的边界回归向量，利用边界回归向量的回归值微调候选窗体，再利用NMS去除重叠窗体。在去除重叠候选窗口的同时，同时显示五个人脸关键点定位。最后，将这五个人脸关键点特征以及其它人脸特征输入到全连接层中，得到人脸信息分类的第二用户类型概率。
在本申请实施例中，在训练阶段，所述人脸识别网络模型的输入为样本人脸信息，输出的标签为非儿童或者儿童。对用户的人脸特征的提取以及识别采用MTCNN(Multi-taskCascaded Convolutional Networks)+FCNN(Fully Connected Neural Network)深度学习模型结构完成，MTCNN于先前人脸检测的算法相比，具有更高的精度，人脸特征提取效率更高。
S103：根据所述用户类型进入对应的电视模式，以基于所述用户类型对应的电视模式，推荐与所述用户类型对应的电视内容。
在本申请实施例中，根据所述用户类型进入与所述用户类型对应的电视模式。所述电视模式包括儿童电视模式和普通电视模式，所述用户类型包括儿童和非儿童，具体地，若所述用户为儿童，进入儿童电视模式；若所述用户为非儿童，进入普通电视模式。
在本申请实施例中，在所述儿童电视模式下，电视内容已经过筛选，保留适宜儿童观看的电视节目。用户所述儿童电视模式预设有连续观看时长阈值与休息时长。当所述用户为儿童时，进入儿童电视模式，当所述用户连续观看的时间达到所述连续观看时长阈值时，提醒所述用户暂时关闭电视。进一步地，在提醒所述用户暂时关闭电视之后，检测所述用户的电视关闭指令，若在预设时间内未检测到所述用户的电视关闭指令，则退出播放当前的电视内容，自动切换至休眠状态，从而避免儿童沉迷电视，影响身心发展。
在本申请实施例中，若用户为儿童，则在儿童电视模式下，推荐儿童被允许观看的电视内容；若所述用户为非儿童，则在普通电视模式下，推荐电视内容。
作为本发明的一个实施例，图5示出了本发明实施例提供的电视内容推荐方法中基于所述用户类型对应的电视模式，推荐与所述用户类型对应的电视内容的具体实现流程，详述如下：
D1：获取所述用户选择的兴趣标签。
D2：从播放缓存库中，获取所述用户的历史行为信息。
D3：基于所述用户选择的兴趣标签与所述历史行为信息，生成所述用户的兴趣特征向量。
D4：根据所述兴趣特征向量与预设的特征资源对照表，从候选电视内容集合中选择与所述兴趣特征向量对应的电视内容，生成电视内容推荐表。
D5：基于所述电视内容推荐表向所述用户进行电视内容推荐。
在本申请实施例中，首先对用户进行行为画像，预设若干个兴趣标签，由用户从中挑选出指定数量的兴趣标签，示例性地，兴趣标签的设定如下：英语，数学，动画，漫画，儿歌，自然，体育，电影，娱乐，访谈，科教，农业，戏曲，军事，选秀，少儿，法制，经济，纪录片，人文历史，自然地理。然后从播放缓存库中获取用户的历史行为信息，所述播放缓存库中存储有用户的历史行为信息。对用户的历史行为信息进行分析，根据用户选择的兴趣标签与所述历史行为信息，生成该用户的兴趣特征向量。所述预设的特征资源对照表包括兴趣特征与资源内容的映射关系。具体地，包括兴趣特征ID与资源内容ID的映射关系。根据所述兴趣特征向量与预设的特征资源对照表，从候选电视内容集合中选择与所述兴趣特征向量对应的电视内容，生成电视内容推荐表。进一步地，所述电视内容推荐表可由不同的推荐引擎推荐生成。若有多个推荐引擎，则各个推荐引擎根据所述兴趣特征向量与各推荐引擎对应的电视内容，分别预设各个引擎的特征资源对照表。
可选地，上述步骤D5的具体实现流程如下：
D51：将所述电视内容推荐表中的电视内容，按预设排序规则进行排序。
D52：根据排序后的电视内容推荐表向所述用户进行电视内容推荐。
在本申请实施例中，对所述电视内容推荐表中的电视内容进行排序，例如，所述用户的历史行为信息包括历史评分，按所述历史评分从高到低对所述电视内容推荐表中的电视内容排序。所述历史评分可以是所述用户对电视内容的评分，还可以是所有观看过该电视内容的用户对所述电视内容的平均评分。或者，根据所述用户选择的兴趣标签，对所述电视内容推荐表中的电视内容排序，根据排序后的电视内容推荐表向所述用户进行电视内容推荐，以提高推荐的效率和用户的满意度，增强用户体验。
可选地，在本申请实施例中，在将所述电视内容推荐表中的电视内容，按预设排序规则进行排序之前，还包括对所述电视内容推荐表中的电视内容进行过滤。具体地，根据所述用户选择的兴趣标签，对所述电视内容推荐表中的电视内容进行过滤，根据过滤结果更新所述电视内容推荐表，对更新后的电视内容推荐表中的电视内容进行排序。
本发明实施例中，通过获取用户信息，将所述用户信息输入已训练的深度学习模型，确定用户的用户类型，然后根据所述用户类型进入对应的电视模式，以基于所述用户类型对应的电视模式，推荐与所述用户类型对应的电视内容，本方案可帮助用户智能筛选适宜的电视内容，也可有效避免儿童观看不健康的电视节目，保护儿童身心健康，增强用户体验。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
对应于上文实施例所述的电视内容推荐方法，图6示出了本申请实施例提供的电视内容推荐***的结构框图，为了便于说明，仅示出了与本申请实施例相关的部分。
参照图6，该电视内容推荐***包括：用户信息获取单元61，用户类型确定单元62，模式切换与内容推荐单元63，其中：
用户信息获取单元61，用于获取用户信息；
用户类型确定单元62，用于将所述用户信息输入已训练的深度学习模型，确定用户的用户类型；
模式切换与内容推荐单元63，用于根据所述用户类型进入对应的电视模式，以基于所述用户类型对应的电视模式，推荐与所述用户类型对应的电视内容。
可选地，所述用户信息包括语音特征信息和人脸特征信息，所述深度学习模型包括语音识别网络模型与人脸识别网络模型，所述用户类型确定单元62包括：
第一概率确定模块，用于将所述语音特征信息输入已训练的语音识别网络模型，确定所述用户的第一用户类型概率；
第二概率确定模块，用于将所述人脸特征信息输入已训练的人脸识别网络模型，确定所述用户的第二用户类型概率；
用户类型确定模块，用于根据所述第一用户类型概率和/或所述第二用户类型概率，确定所述用户的用户类型。
可选地，所述电视内容推荐***还包括：
第一模型构建单元，用于构建语音识别网络模型，所述语音识别网络模型包括编码层、前馈型序列记忆网络层以及全连接层；
语音信息获取单元，用于获取样本语音信息，所述样本语音信息具有用户类型标签；所述用户类型标签为儿童或者非儿童；
信息编码单元，用于在所述编码层中，将所述样本语音信息进行编码，得到样本语音向量，并将所述样本语音向量传递至所述前馈型序列记忆网络层；
语音特征提取单元，用于在所述前馈型序列记忆网络层中，对所述样本语音向量进行特征提取，得到样本语音特征向量，并将所述样本语音特征向量传递至所述全连接层；
第一分类单元，用于在所述全连接层中，根据所述样本语音特征向量，对所述样本语音信息进行用户类型概率计算，得到所述样本语音信息的第一用户类型概率；
第一参数优化单元，用于根据预设参数调整算法对所述语音识别网络模型的模型参数进行优化调整，直至所述样本语音信息的第一用户类型概率对应的用户类型与所述样本语音信息的用户类型标签一致。
可选地，所述电视内容推荐***还包括：
第二模型构建单元，用于构建人脸识别网络模型，所述人脸识别网络模型包括卷积层、池化层以及全连接层；
人脸信息获取单元，用于获取样本人脸信息，所述样本人脸信息具有用户类型标签；所述类型标签为儿童或者非儿童；
人脸特征提取单元，用于在所述卷积层中，根据所述样本人脸信息进行人脸特征提取，得到所述样本人脸信息的样本人脸特征；
第二分类单元，用于在所述全连接层中，根据所述样本人脸特征，对所述样本人脸信息进行用户类型概率计算，得到所述样本人脸信息的第二用户类型概率；
第二参数优化单元，用于根据预设参数调整算法对所述人脸识别网络模型的模型参数进行优化调整，直至所述样本人脸信息的第二用户类型概率对应的用户类型与所述样本人脸信息的类型标签一致。
可选地，所述模式切换与内容推荐单元63包括：
兴趣标签获取模块，用于获取所述用户选择的兴趣标签；
历史信息获取模块，用于获取所述用户的历史行为信息；
特征向量生成模块，用于基于所述用户选择的兴趣标签与所述历史行为信息，生成所述用户的兴趣特征向量；
内容推荐表生成模块，用于根据所述兴趣特征向量与预设的特征资源对照表，从候选电视内容集合中选择与所述兴趣特征向量对应的电视内容，生成电视内容推荐表；
电视内容推荐模块，用于基于所述电视内容推荐表向所述用户进行电视内容推荐。
可选地，所述电视内容推荐模块包括：
内容排序子模块，用于将所述电视内容推荐表中的电视内容，按预设排序规则进行排序；
内容推荐子模块，用于根据排序后的电视内容推荐表向所述用户进行电视内容推荐。
可选地，所述电视模式包括儿童电视模式和普通电视模式，所述用户类型包括儿童和非儿童，所述模式切换与内容推荐单元63包括：
第一模式切换模块，用于若所述用户为儿童，进入儿童电视模式；
第二模式切换模块，用于若所述用户为非儿童，进入普通电视模式。
本发明实施例中，通过获取用户信息，将所述用户信息输入已训练的深度学习模型，确定用户的用户类型，然后根据所述用户类型进入对应的电视模式，再基于所述用户类型对应的电视模式，推荐与所述用户类型对应的电视内容，本方案可帮助用户智能筛选适宜的电视内容，也可有效避免儿童观看不健康的电视节目，保护儿童身心健康，增强用户体验。
图7是本发明一实施例提供的智能电视的示意图。如图7所示，该实施例的智能电视7包括：处理器70、存储器71以及存储在所述存储器71中并可在所述处理器70上运行的计算机程序72，例如电视内容推荐程序。所述处理器70执行所述计算机程序72时实现上述各个电视内容推荐方法实施例中的步骤，例如图1所示的步骤101至103。或者，所述处理器70执行所述计算机程序72时实现上述各***实施例中各模块/单元的功能，例如图6所示单元61至63的功能。
示例性的，所述计算机程序72可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器71中，并由所述处理器70执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序72在所述智能电视7中的执行过程。例如，所述计算机程序72可以被分割成用户信息获取单元、用户类型确定单元、电视模式切换单元、电视内容推荐单元，各单元具体功能如下：
用户信息获取单元，用于获取用户信息；
用户类型确定单元，用于将所述用户信息输入已训练的深度学习模型，确定用户的用户类型；
电视模式切换单元，用于根据所述用户类型进入对应的电视模式；
电视内容推荐单元，用于基于所述用户类型对应的电视模式，推荐与所述用户类型对应的电视内容。
所述智能电视7可包括，但不仅限于，处理器70、存储器71。本领域技术人员可以理解，图7仅仅是智能电视7的示例，并不构成对智能电视7的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述智能电视还可以包括输入输出设备、网络接入设备、总线等。
应当理解，在本申请实施例中，所称处理器702可以是中央处理单元(CentralProcessing Unit，CPU)，该处理器还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器701可以包括只读存储器和随机存取存储器，并向处理器702提供指令和数据。存储器701的一部分或全部还可以包括非易失性随机存取存储器。例如，存储器701还可以存储设备类型的信息。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置(或***)的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述***中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的***实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括是电载波信号和电信信号。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (9)

1.一种电视内容推荐方法，其特征在于，包括：
获取用户信息，所述用户信息包括语音特征信息和人脸特征信息；
将所述用户信息输入已训练的深度学习模型，确定用户的用户类型；所述深度学习模型包括语音识别网络模型与人脸识别网络模型，所述将所述用户信息输入已训练的深度学习模型，确定用户的用户类型，包括：将所述语音特征信息输入已训练的语音识别网络模型，确定所述用户的第一用户类型概率；将所述人脸特征信息输入已训练的人脸识别网络模型，确定所述用户的第二用户类型概率；根据所述第一用户类型概率和所述第二用户类型概率，确定所述用户的用户类型，具体地，分别预设所述第一用户类型概率与所述第二用户类型概率的权重，根据所述第一用户类型概率及其权重与所述第二用户类型概率及其权重，融合所述第一用户类型概率与所述第二用户类型概率，得到融合分类概率，根据所述融合分类概率确定所述用户的用户类型；
根据所述用户类型进入对应的电视模式，以基于所述用户类型对应的电视模式，推荐与所述用户类型对应的电视内容。
2.根据权利要求1所述的电视内容推荐方法，其特征在于，所述电视内容推荐方法还包括对所述语音识别网络模型的训练，具体包括：
构建语音识别网络模型，所述语音识别网络模型包括编码层、前馈型序列记忆网络层以及全连接层；
获取样本语音信息，所述样本语音信息具有用户类型标签；
在所述编码层中，将所述样本语音信息进行编码，得到样本语音向量，并将所述样本语音向量传递至所述前馈型序列记忆网络层；
在所述前馈型序列记忆网络层中，对所述样本语音向量进行特征提取，得到样本语音特征向量，并将所述样本语音特征向量传递至所述全连接层；
在所述全连接层中，根据所述样本语音特征向量，对所述样本语音信息进用户类型概率计算，得到所述样本语音信息的第一用户类型概率；
根据预设参数调整算法对所述语音识别网络模型的模型参数进行调整，直至所述样本语音信息的第一用户类型概率对应的用户类型与所述样本语音信息的用户类型标签一致。
3.根据权利要求1所述的电视内容推荐方法，其特征在于，所述电视内容推荐方法还包括对所述人脸识别网络模型的训练，具体包括：
构建人脸识别网络模型，所述人脸识别网络模型包括卷积层、池化层以及全连接层；
获取样本人脸信息，所述样本人脸信息具有用户类型标签；
在所述卷积层中，根据所述样本人脸信息进行人脸特征提取，得到所述样本人脸信息的样本人脸特征；
在所述全连接层中，根据所述样本人脸特征，对所述样本人脸信息进行用户类型概率计算，得到所述样本人脸信息的第二用户类型概率；
根据预设参数调整算法对所述人脸识别网络模型的模型参数进行优化调整，直至所述样本人脸信息的第二用户类型概率对应的用户类型与所述样本人脸信息的类型标签一致。
4.根据权利要求1所述的电视内容推荐方法，其特征在于，所述基于所述用户类型对应的电视模式，推荐与所述用户类型对应的电视内容，包括：
获取所述用户选择的兴趣标签；
获取所述用户的历史行为信息；
基于所述用户选择的兴趣标签与所述历史行为信息，生成所述用户的兴趣特征向量；
根据所述兴趣特征向量与预设的特征资源对照表，从候选电视内容集合中选择与所述兴趣特征向量对应的电视内容，生成电视内容推荐表；
基于所述电视内容推荐表向所述用户进行电视内容推荐。
5.根据权利要求4所述的电视内容推荐方法，其特征在于，所述基于所述电视内容推荐表向所述用户进行电视内容推荐，包括：
将所述电视内容推荐表中的电视内容，按预设排序规则进行排序；
根据排序后的电视内容推荐表向所述用户进行电视内容推荐。
6.根据权利要求1至5任一项所述的电视内容推荐方法，其特征在于，所述电视模式包括儿童电视模式和普通电视模式，所述用户类型包括儿童和非儿童，所述根据所述用户类型进入对应的电视模式，包括：
若所述用户为儿童，进入儿童电视模式；
若所述用户为非儿童，进入普通电视模式。
7.一种电视内容推荐***，其特征在于，所述电视内容推荐***包括：
用户信息获取单元，用于获取用户信息，所述用户信息包括语音特征信息和人脸特征信息；
用户类型确定单元，用于将所述用户信息输入已训练的深度学习模型，确定用户的用户类型；所述深度学习模型包括语音识别网络模型与人脸识别网络模型，所述用户类型确定单元包括：第一概率确定模块，用于将所述语音特征信息输入已训练的语音识别网络模型，确定所述用户的第一用户类型概率；第二概率确定模块，用于将所述人脸特征信息输入已训练的人脸识别网络模型，确定所述用户的第二用户类型概率；用户类型确定模块，用于根据所述第一用户类型概率和所述第二用户类型概率，确定所述用户的用户类型；所述用户类型确定模块具体用于：分别预设所述第一用户类型概率与所述第二用户类型概率的权重，根据所述第一用户类型概率及其权重与所述第二用户类型概率及其权重，融合所述第一用户类型概率与所述第二用户类型概率，得到融合分类概率，根据所述融合分类概率确定所述用户的用户类型；
模式切换与内容推荐单元，用于根据所述用户类型进入对应的电视模式，以基于所述用户类型对应的电视模式，推荐与所述用户类型对应的电视内容。
8.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6中任一项所述电视内容推荐方法的步骤。
9.一种智能电视，包括存储器、处理器以及存储在所述存储器中并可在所述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计算机程序时实现如权利要求1至6中任一项所述电视内容推荐方法的步骤。
CN201910698763.0A 2019-07-31 2019-07-31 一种电视内容推荐方法、***、存储介质和智能电视 Active CN112333545B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910698763.0A CN112333545B (zh) 2019-07-31 2019-07-31 一种电视内容推荐方法、***、存储介质和智能电视

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910698763.0A CN112333545B (zh) 2019-07-31 2019-07-31 一种电视内容推荐方法、***、存储介质和智能电视

Publications (2)

Publication Number Publication Date
CN112333545A CN112333545A (zh) 2021-02-05
CN112333545B true CN112333545B (zh) 2022-03-22

Family

ID=74319460

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910698763.0A Active CN112333545B (zh) 2019-07-31 2019-07-31 一种电视内容推荐方法、***、存储介质和智能电视

Country Status (1)

Country Link
CN (1) CN112333545B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113378045B (zh) * 2021-06-08 2024-02-09 深圳Tcl新技术有限公司 数字内容分发方法、装置及存储介质
CN117177014B (zh) * 2023-11-03 2024-01-30 帕科视讯科技(杭州)股份有限公司 基于iptv的儿童防沉迷预警方法、存储介质及服务器

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI540894B (zh) * 2014-06-13 2016-07-01 國立臺灣大學 顯示系統及其節目選擇方法
CN105426723A (zh) * 2015-11-20 2016-03-23 北京得意音通技术有限责任公司 基于声纹识别、人脸识别以及同步活体检测的身份认证方法及***
CN105681920B (zh) * 2015-12-30 2017-03-15 深圳市鹰硕音频科技有限公司 一种具有语音识别功能的网络教学方法及***
CN106529402B (zh) * 2016-09-27 2019-05-28 中国科学院自动化研究所 基于多任务学习的卷积神经网络的人脸属性分析方法
US10743063B2 (en) * 2017-11-20 2020-08-11 Qualcomm Incorporated Intelligent routing of notifications related to media programming
CN108447490B (zh) * 2018-02-12 2020-08-18 阿里巴巴集团控股有限公司 基于记忆性瓶颈特征的声纹识别的方法及装置
CN108509619B (zh) * 2018-04-04 2021-05-04 科大讯飞股份有限公司 一种语音交互方法及设备
CN109121007B (zh) * 2018-09-18 2020-11-03 深圳市酷开网络科技有限公司 基于多人脸识别的影视内容推荐方法、智能电视及***
CN109547854A (zh) * 2019-01-23 2019-03-29 深圳市酷开网络科技有限公司 一种基于声纹识别的电视推送方法、智能电视及存储介质

Also Published As

Publication number Publication date
CN112333545A (zh) 2021-02-05

Similar Documents

Publication Publication Date Title
CN111400591B (zh) 资讯信息推荐方法、装置、电子设备及存储介质
CN110674410B (zh) 用户画像构建、内容推荐方法、装置及设备
WO2021042826A1 (zh) 一种视频播放完整度预测方法及装置
CN108897871B (zh) 文档推荐方法、装置、设备及计算机可读介质
CN108920648B (zh) 一种基于音乐-图像语义关系的跨模态匹配方法
CN111368075A (zh) 文章质量预测方法、装置、电子设备及存储介质
CN111652357A (zh) 一种利用基于图的特定目标网络解决视频问答问题的方法及其***
CN112138403B (zh) 交互行为的识别方法和装置、存储介质及电子设备
CN112333545B (zh) 一种电视内容推荐方法、***、存储介质和智能电视
CN111523324B (zh) 命名实体识别模型的训练方法及装置
US20230353828A1 (en) Model-based data processing method and apparatus
CN113033450A (zh) 多模态连续情感识别方法、服务推理方法及***
CN111144344B (zh) 人物年龄的确定方法、装置、设备及存储介质
CN113283238B (zh) 文本数据处理的方法和装置、电子设备和存储介质
CN106469170A (zh) 文本数据的处理方法和装置
CN112699310A (zh) 基于深度神经网络的冷启动跨域混合推荐的方法及***
CN116186309B (zh) 基于融合用户意图的交互兴趣图的图卷积网络推荐方法
CN114707633B (zh) 特征提取方法、装置、电子设备和存储介质
CN115795156A (zh) 物料召回和神经网络训练方法、装置、设备及存储介质
CN115438246A (zh) 内容评测方法、装置、存储介质以及电子设备
CN114626480A (zh) 多源异构数据特征提取装置、方法、存储介质及电子设备
CN116361508A (zh) 一种视频推荐方法及相关设备
CN111310460B (zh) 语句的调整方法及装置
CN113610080A (zh) 基于跨模态感知的敏感图像识别方法、装置、设备及介质
Balfaqih A Hybrid Movies Recommendation System Based on Demographics and Facial Expression Analysis using Machine Learning.

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
CB02 Change of applicant information

Address after: 516006 TCL science and technology building, No. 17, Huifeng Third Road, Zhongkai high tech Zone, Huizhou City, Guangdong Province

Applicant after: TCL Technology Group Co.,Ltd.

Address before: 516006 Guangdong province Huizhou Zhongkai hi tech Development Zone No. nineteen District

Applicant before: TCL Corp.

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant