CN116934389B - 基于云计算与跨平台技术的数字电视有价券卡管理*** - Google Patents
基于云计算与跨平台技术的数字电视有价券卡管理*** Download PDFInfo
- Publication number
- CN116934389B CN116934389B CN202310690297.8A CN202310690297A CN116934389B CN 116934389 B CN116934389 B CN 116934389B CN 202310690297 A CN202310690297 A CN 202310690297A CN 116934389 B CN116934389 B CN 116934389B
- Authority
- CN
- China
- Prior art keywords
- viewing
- characteristic coefficient
- habit
- function
- user
- 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
- 238000005516 engineering process Methods 0.000 title claims abstract description 18
- 238000012886 linear function Methods 0.000 claims abstract description 34
- 230000004913 activation Effects 0.000 claims description 25
- 230000004927 fusion Effects 0.000 claims description 19
- 238000010606 normalization Methods 0.000 claims description 9
- 238000000034 method Methods 0.000 claims description 8
- 230000003213 activating effect Effects 0.000 abstract description 8
- 230000001419 dependent effect Effects 0.000 description 8
- 230000007423 decrease Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 230000000803 paradoxical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0207—Discounts or incentives, e.g. coupons or rebates
- G06Q30/0222—During e-commerce, i.e. online transactions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0207—Discounts or incentives, e.g. coupons or rebates
- G06Q30/0224—Discounts or incentives, e.g. coupons or rebates based on user history
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Physics & Mathematics (AREA)
- Development Economics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及数据推送管理技术领域,具体涉及一种基于云计算与跨平台技术的数字电视有价券卡管理***。该***包括:获取模块,用于获取多平台同一用户的观影记录数据和消费记录数据;处理模块,用于根据观影节目类型、观影频次和观影总时长获得观影特征系数,根据热播影片的观影时间点和影片上映时间点确定追剧特征系数,根据观影特征系数、追剧特征系数确定用户的观影习惯特征系数;管理模块,用于根据线性函数和激活函数对观影习惯特征系数进行拟合,得到观影习惯拟合函数,根据观影习惯拟合函数和消费金额对用户进行的券卡推送管理。本发明能够提升有价券卡推送管理的可靠性,增强有价券卡推送管理适应性。
Description
技术领域
本发明涉及数据推送管理技术领域,具体涉及一种基于云计算与跨平台技术的数字电视有价券卡管理***。
背景技术
数字电视有价券卡是一种预付费的卡片,可以用于购买数字电视服务。当前大部分的数字电视中很多节目需要付费才能观看,为了能够带来更多的观影用户,服务商通常会给用户发放优惠券、包月卡、年卡等有价券卡服务,刺激用户进行消费,并且需要根据用户的喜好来推送优质内容,提高用户的消费欲望。有价券卡可以提高商家的销售额,同时也提升了客户的消费体验。
相关技术中,通过对用户设置标签的方式,根据标签对用户进行有价券卡的推送管理,这种方式下,由于用户的标签在不同平台上可能具有冲突,从而导致最终的推送管理会产生自相矛盾的推送逻辑,进而使得有价卡劵的信息推送无法有效贴合用户的观影习惯和消费行为习惯,有价券卡推送管理的可靠性较差,有价券卡推送管理适应性不足。
发明内容
为了解决有价券卡推送管理的可靠性较差,有价券卡推送管理适应性不足的技术问题,本发明提供一种基于云计算与跨平台技术的数字电视有价券卡管理***,所采用的技术方案具体如下:
本发明提出了一种基于云计算与跨平台技术的数字电视有价券卡管理***,***包括:
获取模块,用于获取数字电视平台和其他影视平台对同一用户的观影记录数据和消费记录数据,其中,所述观影记录数据包括观影节目类型、观影总时长、观影频次和观影时间点,所述消费记录数据包括在不同平台上的消费金额;
处理模块,用于根据所述观影节目类型、观影频次和观影总时长获得观影特征系数,根据热播影片的所述观影时间点和影片上映时间点确定追剧特征系数,根据所述观影特征系数、所述追剧特征系数确定所述用户的观影习惯特征系数;
管理模块,用于根据线性函数和激活函数对所述观影习惯特征系数进行拟合,得到观影习惯拟合函数,根据所述观影习惯拟合函数和所述消费金额确定所述用户的券卡推送指标,根据所述券卡推送指标对所述用户进行的券卡推送管理。
进一步地,所述根据所述观影节目类型、观影频次和观影总时长获得观影特征系数,包括:
计算所述观影节目类型数量和预设类型总数量的比值获得类型影响因子;
计算所述观影总时长和观影频次的比值作为单次平均时长,对所述单次平均时长进行归一化处理得到时长影响因子;
根据所述类型影响因子和所述时长影响因子获得观影特征系数,其中,所述类型影响因子与所述观影特征系数呈正相关关系,所述时长影响因子与所述观影特征系数呈正相关关系,所述观影特征系数的取值为归一化的数值。
进一步地,所述根据热播影片的所述观影时间点和影片上映时间点确定追剧特征系数,包括:
计算同一热播影片的影片上映时间点和观影时间点的时间间隔获得所述用户对所述热播影片的追剧时间差;
将当前时刻下用户对所有热播影片的追剧时间差均值的反比例归一化值作为追剧特征系数。
进一步地,所述根据所述观影特征系数、所述追剧特征系数确定所述用户的观影习惯特征系数,包括:
将所述观影特征系数和所述追剧特征系数的和值归一化值作为观影习惯特征系数。
进一步地,所述激活函数为sigmoid函数,所述根据线性函数和激活函数对所述观影习惯特征系数进行拟合,得到观影习惯拟合函数,包括:
将所述观影习惯特征系数作为线性函数中自变量的斜率,得到观影线性函数;
将所述观影习惯特征系数与sigmoid函数相乘,得到观影激活函数;
计算所述观影线性函数和所述观影激活函数的差异作为融合差异;
将所述融合差异作为权值,分别对所述观影线性函数和所述观影激活函数进行加权平均的融合处理,得到观影习惯拟合函数。
进一步地,所述计算所述观影线性函数和所述观影激活函数的差异作为融合差异,包括:
计算所述观影线性函数和所述观影激活函数作差的定积分,得到融合差异。
进一步地,所述根据所述观影习惯拟合函数和所述消费金额确定所述用户的券卡推送指标,包括:
计算所有用户消费金额的平均值作为消费均值;将所述消费金额和所述消费均值的比值归一化值作为消费习惯特征系数;
将所述消费习惯特征系数作为自变量代入至所述观影习惯拟合函数中,得到券卡推送指标。
进一步地,所述根据所述券卡推送指标对所述用户进行的券卡推送管理,包括:
预设至少两种券卡组合,根据所述券卡推送指标的大小推送所述券卡组合。
进一步地,所述券卡组合包括重度观影券卡组合和轻度观影券卡组合,所述根据所述券卡推送指标的大小推送所述券卡组合,包括:
在所述券卡推送指标大于预设指标阈值时,选择所述重度观影券卡组合;
在所述券卡推送指标小于等于预设指标阈值时,选择所述轻度观影券卡组合。
本发明具有如下有益效果:
本发明应用于数据推送管理技术领域,通过跨平台技术获取获得同一用户在不同平台上的观影记录和消费记录,得到观影记录数据和消费记录数据,从而根据观影记录数据中的观影节目类型、观影频次和观影总时长,确定观影特征系数,从而能够对用户的观影行为进行有效分析,通过观影时间点和影片上映时间点获得追剧特征系数,从而对用户的追剧行为进行有效分析,进而能够结合观影行为和追剧行为,对用户的观影习惯进行客观分析,得到观影习惯特征系数,观影习惯特征系数能够有效表征用户的观影习惯和观影喜好,使得根据习惯特征系数进行有价券卡推送管理时能够涵盖多种人群,适应面广,且结果更加精准;通过线性函数和激活函数相结合的方式对观影习惯特征系数进行拟合,能够避免仅使用单一函数容易导致映射关系产生巨大的误差,使用多函数加权融合的方式,能够有效提升函数的容错率,弥补单一函数的拟合失误,且能够满足观影习惯特征的客观趋势,由此,本发明根据观影习惯拟合函数和消费金额,确定券卡推送指标,券卡推送指标即相应有价券卡组合的推送指标,通过观影习惯拟合函数和消费金额,进行自适应的券卡推送指标获取,获得最佳的推送管理结果,使得券卡推送指标能够准确且客观地根据用户的观影习惯和消费习惯对有价券卡进行推送管理,使得有价卡劵的信息推送更贴合用户的观影习惯和消费行为,提升有价券卡推送管理的可靠性,增强有价券卡推送管理适应性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,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的介绍,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的前提下,还可以根据这些附图获得其它附图。
图1为本发明一个实施例所提供的一种基于云计算与跨平台技术的数字电视有价券卡管理***结构图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种基于云计算与跨平台技术的数字电视有价券卡管理***,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种基于云计算与跨平台技术的数字电视有价券卡管理***的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种基于云计算与跨平台技术的数字电视有价券卡管理***结构图,该***包括:获取模块101,处理模块102和管理模块103。
获取模块101,用于获取数字电视平台和其他影视平台对同一用户的观影记录数据和消费记录数据,其中,观影记录数据包括观影节目类型、观影总时长、观影频次和观影时间点,消费记录数据包括在不同平台上的消费金额。
可以理解的是,因为根据用户的观影喜好和消费行为等数据来推送数字电视的有价劵卡,其主要是分析用户喜欢观看的节目类型和是否有付费观影的习惯。
本发明实施例中,可以基于网络记录获取数字电视平台和多个其他影视平台对同一用户的观影记录数据和消费记录数据,需要说明的是,本发明实施例中对用户的观影记录和消费记录等数据的搜集和获取均是经过用户同意,其获取过程遵守相关法律法规,且不违背公序良俗。
本发明实施例中,观影记录数据是用于表征用户观影情况的记录数据,观影记录数据包括观影节目类型、观影总时长、观影频次和观影时间点,其中,观影节目类型为用户所观看影片的类型标签,举例而言,观影节目类型可以具体例如为“古风”、“悬疑”、“推理”、“偶像”等多种标签,可以由数字电视平台或者影视平台预先对不同的影视剧配置对应的标签,而后,根据用户所观看的影视剧添加用户的观影节目类型。
其中,观影总时长为用户观看影片的总时长,观影频次为用户观看影片的点击次数,观影时间点为用户观看影视剧的时间点。也即是说,观影节目类型、观影总时长、观影频次和观影时间点均用于表征用户在观影过程中的习惯特征,则本发明可以通过获取相关的观影记录数据对用户的观影习惯进行分析。
当然,在本发明的另一些实施例中,观影记录数据还可以包括多种其他任意可能的记录数据,如观看影视剧的单次时长、观看影视剧的集中时间段等,对此不做限制。
其中,消费记录数据包括在不同平台上的消费金额,也即是说消费记录数据为用户的消费习惯对应的数据。
本发明在获取多平台对同一用户的观影记录数据和消费记录数据之后,可以根据观影记录数据和消费记录数据对该用户的观影习惯、消费习惯等进行分析,而后,基于观影习惯和消费习惯进行数字电视有价券卡的自适应推送,具体参见后续实施例。
处理模块102,用于根据观影节目类型、观影频次和观影总时长获得观影特征系数,根据热播影片的观影时间点和影片上映时间点确定追剧特征系数,根据观影特征系数、追剧特征系数确定用户的观影习惯特征系数。
进一步地,本发明的一些实施例中,根据观影节目类型、观影频次和观影总时长获得观影特征系数,包括:计算观影节目类型数量和预设类型总数量的比值获得类型影响因子;计算观影总时长和观影频次的比值作为单次平均时长,对单次平均时长进行归一化处理得到时长影响因子;根据类型影响因子和时长影响因子获得观影特征系数,其中,类型影响因子与观影特征系数呈正相关关系,时长影响因子与观影特征系数呈正相关关系,观影特征系数的取值为归一化的数值。
其中,正相关关系表示因变量会随着自变量的增大而增大,因变量会随着自变量的减小而减小,具体关系可以为相乘关系、相加关系、指数函数的幂等,由实际应用进行确定;负相关关系表示因变量会随着自变量的增大而减小,因变量会随着自变量的减小而增大,可以为相减关系、相除关系等,由实际应用进行确定。
其中,预设类型总数量,为预设的观影节目类型的数量,可以根据实际各平台中影视剧标签确定预设类型总数量,也即将所有平台中不同类的影视标签的总数量作为预设类型总数量,本发明实施例中,预设类型总数量可以具体例如为100个,对此不做限制。
本发明实施例中,观影特征系数的计算公式可以具体例如为:
本发明实施例中,Ka表示第a个用户的观影特征系数,a表示用户的索引,na表示第a个用户的观影节目类型数量,nall表示预设类型总数量,ta表示第a个用户的观影总时长,fa表示第a个用户的观影频次,表示第a个用户的类型影响因子,/>表示第a个用户的单次平均时长,/>表示第a个用户的时长影响因子,G()表示归一化处理,在本发明的一个实施例中,归一化处理可以具体例如为最大最小值归一化处理,并且,后续步骤中的归一化均可以采用最大最小值归一化处理,在本发明的其他实施例中可以根据数值具体范围选择其他归一化方法,对此不再赘述。
可以理解的是,在用户观看影片时,才会产生对应的观影记录数据,而用户观看影片则必要点击影片,对应的观影频次为1,也即是说,观影频次最小值为1,不可能出现为0的情况。
本发明实施例中,类型影响因子能够表征用户在观看影视剧的全面性,也即是说,用户观看影视剧的类型越多,对应的类型影响因子越大,进一步可以理解的是,在类型影响因子越大时,对应的用户越可能为重度的观影爱好者,观影特征系数越大。而时长影响因子则表征了用户的平均观影时长,将观影总时长和观影频次的比值作为单次平均时长,在单次平均时长越大时,更能够表征用户是影视剧的真实受众,而单次平均时长越小时,可能用户仅点击进去,或者观看开始几分钟,就停止观看,也即是说用户对影视剧的观看依赖不高,则对应的能够表征用户为轻度的观影爱好者,观影特征系数越小,由此,类型影响因子与观影特征系数呈正相关关系,时长影响因子与观影特征系数呈正相关关系。
进一步地,在本发明的一些实施例中,为了更为准确全面地确定用户的观影习惯,本发明还对用户的追剧特征进行分析,根据热播影片的观影时间点和影片上映时间点确定追剧特征系数,包括:计算同一热播影片的影片上映时间点和观影时间点的时间间隔获得用户对热播影片的追剧时间差;将当前时刻下用户对所有热播影片的追剧时间差均值的反比例归一化值作为追剧特征系数。
可以理解的是,追剧多数为影视剧上映之初即开始观看,对影视剧进行追更的一种行为,而平台会限制至少一集热播影片用于收费先导播出,由此,在热播影片刚出来的时候即立刻观看的用户,其对应的更愿意付费进行观看,则本发明可以统计所有平台在不同时间段的热播影片的上映时间作为影片上映时间点,根据用户对该热播影片的观看时间和该热播影片的影片上映时间点的时间间隔作为该用户对该热播影片的追剧时间差。由此,统计用户观看的所有热播影片,并根据对所有热播影片追剧时间差的均值进行反比例归一化值,得到追剧特征系数。
本发明实施例中,追剧特征系数可以表征对应用户的追剧程度,追剧特征系数越大,用户的追剧程度越大,也即是说,对应的用户越具有为追剧进行消费的意愿。
进一步地,在本发明的一些实施例中,根据观影特征系数、追剧特征系数确定用户的观影习惯特征系数,包括:将观影特征系数和追剧特征系数的和值归一化值作为观影习惯特征系数。
由于观影特征系数表征用户的观影深度,观影特征系数越大,用户观影时间更长,观影类型更广,而追剧特征系数表征用户的对热播影片的更新关注度,追剧特征系数越大,表征当前用户更意愿追剧付费,由此,本发明实施例计算观影特征系数和追剧特征系数的和值归一化值作为观影习惯特征系数,观影习惯特征系数能够进一步结合观影特征系数和追剧特征系数,表征用户的观影习惯。
管理模块103,用于根据线性函数和激活函数对观影习惯特征系数进行拟合,得到观影习惯拟合函数,根据观影习惯拟合函数和消费金额确定用户的券卡推送指标,根据券卡推送指标对用户进行的券卡推送管理。
本发明实施例在确定观影习惯特征系数之后,可以使用混合推送算法对用户的观影习惯模型进行构建,可以理解的是,线性关系能够直观的反映输入与输出之间的对应关系,但是其弊端在于容错率较小,当数据偏离主方向的程度较大时,会使得数据易出现拟合关系错误的问题;而非线性关系正好能够弥补线性关系中的不足,同时能够满足所需要的数据变化趋势,因此本发明采用两种推送算法,一种是线性推送算法,另一种是非线性推送算法,也即通过线性函数和非线性函数共同表征用户的观影习惯。本发明实施例中的非线性函数可以具体例如为sigmoid激活函数,sigmoid激活函数是一种“S”形的曲线,能够恰当地表征用户的消费意愿,sigmoid激活函数为本领域所熟知的技术,在此不再赘述。
进一步地,本发明的一些实施例中,根据线性函数和激活函数对观影***均的融合处理,得到观影习惯拟合函数。
其中,线性函数和sigmoid函数对应的公式可以具体例如为:
式中,y表示因变量,x表示自变量,k表示自变量的权值,也即观影习惯特征系数,e表示自然常数。
其中,通过观影习惯特征系数对线性函数和sigmoid函数进行自适应的调整,以使得观影习惯特征系数在产生变化的同时,对应的观影线性函数和观影激活函数均具有对应的变化,举例而言,在观影习惯特征系数增大时,对应的观影线性函数斜率变大,观影激活函数曲线在同质变量的情况下,因变量也会变大,也即表征用户的付费意愿更强烈。
进一步地,本发明实施例计算观影线性函数和观影激活函数的差异作为融合差异,包括:计算观影线性函数和观影激活函数作差的定积分,得到融合差异,对应的计算公式可以具体例如为:
式中,τ表示融合差异,y表示因变量,x表示自变量,k表示自变量的权值,也即观影习惯特征系数,e表示自然常数。
本发明实施例中,定积分表示的物理意义是两条函数曲线在积分区间内曲边梯形的面积。因为在对上述变化关系进行融合时,曲边梯形的面积越大,说明观影线性函数和观影激活函数之间的差异是越大,那么观影线性函数和观影激活函数分别根据用户的观影习惯特征系数来表征用户的消费意愿时,差异就越大,因此在对数据进行融合时,融合权重需要越大,才能表示线性变化模型与非线性变化模型之间的变化关系,进而拟合获得的曲线才能够准确的描述用户的是否有购买数字电视有价劵卡的意愿,这样在进行有价劵卡推送时,才能更加的准确。
本发明实施例中,将融合差异作为权值,分别对观影线性函数和观影激活函数进行加权平均的融合处理,得到观影习惯拟合函数,对应的观影习惯拟合函数可以具体例如为:
式中各种公式符号的含义均与融合差异公式中的公式符号的含义相同,对此不做赘述。
本发明实施例中,通过对观影线性函数和观影激活函数,使得观影习惯拟合函数具有更优的分析效果。
进一步地,本发明的一些实施例中,根据观影***均值作为消费均值;将消费金额和消费均值的比值归一化值作为消费习惯特征系数;将消费习惯特征系数作为自变量代入至观影习惯拟合函数中,得到券卡推送指标。
本发明可以根据每个用户在多个不同的平台的消费金额,确定用户的消费***均值,可以表征所有用户的消费情况,进而计算消费金额和消费均值的比值作为消费习惯特征系数,也即是说,消费金额越大,对应的消费习惯特征系数越大。
本发明实施例中,可以将消费习惯特征系数作为自变量代入至观影习惯拟合函数中,得到券卡推送指标,也即是说,将消费习惯特征系数作为自变量代入至观影习惯拟合函数,计算输出的因变量记为券卡推送指标,券卡推送指标表征对应券卡推送的指标数据,可以理解的是,在券卡推送指标越大时,表征该用户越可能为一个重度的观影爱好者,该用户购买影视服务的意愿越大,而在券卡推送指标越小时,表征该用户越可能为一个轻度的观影爱好者,该用户购买影视服务的意愿较小,因此,根据券卡推送指标对用户进行的券卡推送管理。
进一步地,本发明实施例中,预设至少两种券卡组合,根据券卡推送指标的大小推送券卡组合。
其中,券卡组合,为对应券卡类型的组合,可以理解的是,平台为了满足用户的多元化的观影需求,会设置不同的付费模式,同样,也会设置多种不同的券卡,如单影片优惠券卡,该券卡可以用于优惠购买单一影片或指定影片的观看权,又例如月卡、周卡、年卡、不同程度的折扣券卡等,对此不做限制。
则本发明实施例可以根据重度观影情况和轻度观影情况设置对应两种券卡组合,也即重度观影券卡组合和轻度观影券卡组合,当然,在本发明的另一些实施例中,还可以根据实际情况配制多种券卡组合,对此不做限制。
进一步地,在本发明的一些实施例中,在券卡推送指标大于预设指标阈值时,选择重度观影券卡组合;在券卡推送指标小于等于预设指标阈值时,选择轻度观影券卡组合。
其中,预设指标阈值,为券卡推送指标的门限值,本发明实施例中,预设指标阈值可以具体例如为0.8,也即是说,在券卡推送指标大于0.8时,表征用户的观影时间和观影范围越大,且观影消费意愿越大,此时可以选择推送年卡、折扣卡等重度观影券卡组合,而在券卡推送指标小于等于0.8时,可以表征用户的观影意愿较低,仅对自己喜欢的类型或影片进行观看,此时,可以选择如周卡、单影片优惠券卡等轻度观影券卡组合,由此,本发明实施例中,基于券卡推送指标对用户进行自适应的数字电视有价券卡的推送管理。
本发明应用于数据推送管理技术领域,通过跨平台技术获取获得同一用户在不同平台上的观影记录和消费记录,得到观影记录数据和消费记录数据,从而根据观影记录数据中的观影节目类型、观影频次和观影总时长,确定观影特征系数,从而能够对用户的观影行为进行有效分析,通过观影时间点和影片上映时间点获得追剧特征系数,从而对用户的追剧行为进行有效分析,进而能够结合观影行为和追剧行为,对用户的观影习惯进行客观分析,得到观影习惯特征系数,观影习惯特征系数能够有效表征用户的观影习惯和观影喜好,使得根据习惯特征系数进行有价券卡推送管理时能够涵盖多种人群,适应面广,且结果更加精准;通过线性函数和激活函数相结合的方式对观影习惯特征系数进行拟合,能够避免仅使用单一函数容易导致映射关系产生巨大的误差,使用多函数加权融合的方式,能够有效提升函数的容错率,弥补单一函数的拟合失误,且能够满足观影习惯特征的客观趋势,由此,本发明根据观影习惯拟合函数和消费金额,确定券卡推送指标,券卡推送指标即相应有价券卡组合的推送指标,通过观影习惯拟合函数和消费金额,进行自适应的券卡推送指标获取,获得最佳的推送管理结果,使得券卡推送指标能够准确且客观地根据用户的观影习惯和消费习惯对有价券卡进行推送管理,使得有价卡劵的信息推送更贴合用户的观影习惯和消费行为,提升有价券卡推送管理的可靠性,增强有价券卡推送管理适应性。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
Claims (5)
1.一种基于云计算与跨平台技术的数字电视有价券卡管理***,其特征在于,所述***包括:
获取模块,用于获取数字电视平台和其他影视平台对同一用户的观影记录数据和消费记录数据,其中,所述观影记录数据包括观影节目类型、观影总时长、观影频次和观影时间点,所述消费记录数据包括在不同平台上的消费金额;
处理模块,用于根据所述观影节目类型、观影频次和观影总时长获得观影特征系数,根据热播影片的所述观影时间点和影片上映时间点确定追剧特征系数,根据所述观影特征系数、所述追剧特征系数确定所述用户的观影习惯特征系数;
管理模块,用于根据线性函数和激活函数对所述观影习惯特征系数进行拟合,得到观影习惯拟合函数,根据所述观影习惯拟合函数和所述消费金额确定所述用户的券卡推送指标,根据所述券卡推送指标对所述用户进行的券卡推送管理;
所述根据所述观影节目类型、观影频次和观影总时长获得观影特征系数,包括:
计算所述观影节目类型数量和预设类型总数量的比值获得类型影响因子;
计算所述观影总时长和观影频次的比值作为单次平均时长,对所述单次平均时长进行归一化处理得到时长影响因子;
根据所述类型影响因子和所述时长影响因子获得观影特征系数,其中,所述类型影响因子与所述观影特征系数呈正相关关系,所述时长影响因子与所述观影特征系数呈正相关关系,所述观影特征系数的取值为归一化的数值;
所述根据热播影片的所述观影时间点和影片上映时间点确定追剧特征系数,包括:
计算同一热播影片的影片上映时间点和观影时间点的时间间隔获得所述用户对所述热播影片的追剧时间差;
将当前时刻下用户对所有热播影片的追剧时间差均值的反比例归一化值作为追剧特征系数;
所述根据所述观影特征系数、所述追剧特征系数确定所述用户的观影习惯特征系数,包括:
将所述观影特征系数和所述追剧特征系数的和值归一化值作为观影习惯特征系数;
所述激活函数为sigmoid函数,所述根据线性函数和激活函数对所述观影习惯特征系数进行拟合,得到观影习惯拟合函数,包括:
将所述观影习惯特征系数作为线性函数中自变量的斜率,得到观影线性函数;
将所述观影习惯特征系数与sigmoid函数相乘,得到观影激活函数;
计算所述观影线性函数和所述观影激活函数的差异作为融合差异;
将所述融合差异作为权值,分别对所述观影线性函数和所述观影激活函数进行加权平均的融合处理,得到观影习惯拟合函数。
2.如权利要求1所述的一种基于云计算与跨平台技术的数字电视有价券卡管理***,其特征在于,所述计算所述观影线性函数和所述观影激活函数的差异作为融合差异,包括:
计算所述观影线性函数和所述观影激活函数作差的定积分,得到融合差异。
3.如权利要求1所述的一种基于云计算与跨平台技术的数字电视有价券卡管理***,其特征在于,所述根据所述观影习惯拟合函数和所述消费金额确定所述用户的券卡推送指标,包括:
计算所有用户消费金额的平均值作为消费均值;将所述消费金额和所述消费均值的比值归一化值作为消费习惯特征系数;
将所述消费习惯特征系数作为自变量代入至所述观影习惯拟合函数中,得到券卡推送指标。
4.如权利要求1所述的一种基于云计算与跨平台技术的数字电视有价券卡管理***,其特征在于,所述根据所述券卡推送指标对所述用户进行的券卡推送管理,包括:
预设至少两种券卡组合,根据所述券卡推送指标的大小推送所述券卡组合。
5.如权利要求4所述的一种基于云计算与跨平台技术的数字电视有价券卡管理***,其特征在于,所述券卡组合包括重度观影券卡组合和轻度观影券卡组合,所述根据所述券卡推送指标的大小推送所述券卡组合,包括:
在所述券卡推送指标大于预设指标阈值时,选择所述重度观影券卡组合;
在所述券卡推送指标小于等于预设指标阈值时,选择所述轻度观影券卡组合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310690297.8A CN116934389B (zh) | 2023-06-12 | 2023-06-12 | 基于云计算与跨平台技术的数字电视有价券卡管理*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310690297.8A CN116934389B (zh) | 2023-06-12 | 2023-06-12 | 基于云计算与跨平台技术的数字电视有价券卡管理*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116934389A CN116934389A (zh) | 2023-10-24 |
CN116934389B true CN116934389B (zh) | 2024-02-23 |
Family
ID=88393253
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310690297.8A Active CN116934389B (zh) | 2023-06-12 | 2023-06-12 | 基于云计算与跨平台技术的数字电视有价券卡管理*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116934389B (zh) |
Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105812844A (zh) * | 2014-12-29 | 2016-07-27 | 深圳市Tcl高新技术开发有限公司 | 一种电视的用户广告推送方法及*** |
CN107862556A (zh) * | 2017-12-04 | 2018-03-30 | 北京奇艺世纪科技有限公司 | 一种vip广告的投放方法和*** |
CN108460125A (zh) * | 2018-02-26 | 2018-08-28 | 影核(北京)网络科技有限公司 | 一种针对影院用户进行场景化标签化分类的方法 |
CN108965938A (zh) * | 2018-08-03 | 2018-12-07 | 山东大学 | 智能电视中潜在付费用户预测方法及*** |
CN109640128A (zh) * | 2018-12-04 | 2019-04-16 | 南昌航空大学 | 一种电视用户观看行为特征提取方法及*** |
CN110019940A (zh) * | 2017-08-03 | 2019-07-16 | Tcl集团股份有限公司 | 一种影视推送方法及装置 |
CN110784769A (zh) * | 2019-11-22 | 2020-02-11 | 四川长虹电器股份有限公司 | 一种基于小程序社交的电视机付费内容传播方法 |
CN113095883A (zh) * | 2021-04-21 | 2021-07-09 | 山东大学 | 基于深度交叉注意力网络的视频付费用户预测方法及*** |
CN113095884A (zh) * | 2021-04-21 | 2021-07-09 | 山东大学 | 一种基于用户反馈的电视会员用户推荐方法及*** |
CN113139856A (zh) * | 2021-05-14 | 2021-07-20 | 青岛聚看云科技有限公司 | 影视会员套餐推荐方法及设备 |
CN113269594A (zh) * | 2021-06-08 | 2021-08-17 | 绍兴市壹点通传媒有限公司 | 一种基于大数据的影院广告管理方法及其*** |
CN113434757A (zh) * | 2021-06-23 | 2021-09-24 | 青岛聚看云科技有限公司 | 一种媒资套餐推荐方法及显示设备 |
CN114169906A (zh) * | 2020-09-11 | 2022-03-11 | 腾讯科技(深圳)有限公司 | 电子券推送方法、装置 |
CN114445128A (zh) * | 2021-12-31 | 2022-05-06 | 中国电信股份有限公司 | 卡券管理方法、装置、电子设备和计算机可读介质 |
CN114513700A (zh) * | 2020-11-16 | 2022-05-17 | ***通信集团有限公司 | 一种推荐视频的方法、装置、设备及存储介质 |
CN114707021A (zh) * | 2022-04-02 | 2022-07-05 | 山东大学 | 一种智能电视平台用户购买单点付费视频预测方法及*** |
CN116012059A (zh) * | 2023-03-24 | 2023-04-25 | 平安银行股份有限公司 | 领券平台的创建、维护及工作方法、计算机设备及存储介质 |
-
2023
- 2023-06-12 CN CN202310690297.8A patent/CN116934389B/zh active Active
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105812844A (zh) * | 2014-12-29 | 2016-07-27 | 深圳市Tcl高新技术开发有限公司 | 一种电视的用户广告推送方法及*** |
CN110019940A (zh) * | 2017-08-03 | 2019-07-16 | Tcl集团股份有限公司 | 一种影视推送方法及装置 |
CN107862556A (zh) * | 2017-12-04 | 2018-03-30 | 北京奇艺世纪科技有限公司 | 一种vip广告的投放方法和*** |
CN108460125A (zh) * | 2018-02-26 | 2018-08-28 | 影核(北京)网络科技有限公司 | 一种针对影院用户进行场景化标签化分类的方法 |
CN108965938A (zh) * | 2018-08-03 | 2018-12-07 | 山东大学 | 智能电视中潜在付费用户预测方法及*** |
CN109640128A (zh) * | 2018-12-04 | 2019-04-16 | 南昌航空大学 | 一种电视用户观看行为特征提取方法及*** |
CN110784769A (zh) * | 2019-11-22 | 2020-02-11 | 四川长虹电器股份有限公司 | 一种基于小程序社交的电视机付费内容传播方法 |
CN114169906A (zh) * | 2020-09-11 | 2022-03-11 | 腾讯科技(深圳)有限公司 | 电子券推送方法、装置 |
CN114513700A (zh) * | 2020-11-16 | 2022-05-17 | ***通信集团有限公司 | 一种推荐视频的方法、装置、设备及存储介质 |
CN113095884A (zh) * | 2021-04-21 | 2021-07-09 | 山东大学 | 一种基于用户反馈的电视会员用户推荐方法及*** |
CN113095883A (zh) * | 2021-04-21 | 2021-07-09 | 山东大学 | 基于深度交叉注意力网络的视频付费用户预测方法及*** |
CN113139856A (zh) * | 2021-05-14 | 2021-07-20 | 青岛聚看云科技有限公司 | 影视会员套餐推荐方法及设备 |
CN113269594A (zh) * | 2021-06-08 | 2021-08-17 | 绍兴市壹点通传媒有限公司 | 一种基于大数据的影院广告管理方法及其*** |
CN113434757A (zh) * | 2021-06-23 | 2021-09-24 | 青岛聚看云科技有限公司 | 一种媒资套餐推荐方法及显示设备 |
CN114445128A (zh) * | 2021-12-31 | 2022-05-06 | 中国电信股份有限公司 | 卡券管理方法、装置、电子设备和计算机可读介质 |
CN114707021A (zh) * | 2022-04-02 | 2022-07-05 | 山东大学 | 一种智能电视平台用户购买单点付费视频预测方法及*** |
CN116012059A (zh) * | 2023-03-24 | 2023-04-25 | 平安银行股份有限公司 | 领券平台的创建、维护及工作方法、计算机设备及存储介质 |
Non-Patent Citations (3)
Title |
---|
IPTV视频个性化推荐方案;于洪涌;邱晨旭;闻剑峰;;电信科学(第12期);全文 * |
付费电视运营商的网络视频之踵――数字电视商业模式竞争分析(系列之三);金罗军;邓文雯;潘晶晶;;中国数字电视(第06期);全文 * |
基于动态表示与意愿演化的视频平台会员预测方法研究;郝振云;《中国优秀硕士学位论文全文数据库 经济与管理科学辑》(第02期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116934389A (zh) | 2023-10-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7096464B2 (ja) | オーディオ・ビジュアルコンテンツプログラムの視聴者に関する情報を決定する方法、装置、コンピュータプログラム及びシステム | |
US20100088719A1 (en) | Generating reach and frequency data for television advertisements | |
JP5579595B2 (ja) | 予想データの測定データとの照合 | |
US20090144168A1 (en) | Methods and systems for searching across disparate databases | |
US20120204204A1 (en) | Method and Appartus to Perform Real-Time Audience Estimation and Commercial Selection Suitable for Targeted Advertising | |
US20140081703A1 (en) | System and methods for calibrating user and consumer data | |
US11979623B2 (en) | Systems and methods for predicting television viewership patterns for advanced consumer segments | |
US8559749B2 (en) | Audiovisual content delivery system | |
WO2015143283A1 (en) | Audience-based television advertising transaction engine | |
US20090150198A1 (en) | Estimating tv ad impressions | |
CN108021700A (zh) | 一种用户标签生成方法、装置及服务器 | |
US20130282518A1 (en) | Method, system and controller for providing goods and/or services to consumers | |
KR102111491B1 (ko) | 1인 미디어 영상 채널의 간접광고 가치평가 시스템 및 방법 | |
Lee et al. | Prediction of online video advertising inventory based on TV programs: a deep learning approach | |
US11653064B2 (en) | Methods and systems for determining disliked content | |
CN116934389B (zh) | 基于云计算与跨平台技术的数字电视有价券卡管理*** | |
Shi et al. | How much does ad sequence matter? Economic implications of consumer zapping and the zapping-induced externality in the television advertising market | |
Bulkan et al. | Modelling quality of experience for online video advertisement insertion | |
CA2651165C (en) | Method and apparatus to perform real-time audience estimation and commercial selection suitable for targeted advertising | |
Medina et al. | The impact of DTT in the willingness to pay for TV in Spain | |
Kumb et al. | Local Movie Supply in the German Motion Picture Industry | |
Greene | Efficient occlusion culling for Z-buffer systems | |
US20240187668A1 (en) | Affinity profile system and method | |
CN116521974A (zh) | 媒体内容推荐方法、装置、电子设备及可读存储介质 | |
WO2024115924A1 (en) | Affinity profile system and method |
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 |