CN100352280C

CN100352280C - 用于推荐内容的方法和系统

Info

Publication number: CN100352280C
Application number: CNB2004100569998A
Authority: CN
Inventors: 申孝燮
Original assignee: Samsung Electronics Co Ltd
Current assignee: Samsung Electronics Co Ltd
Priority date: 2003-08-28
Filing date: 2004-08-26
Publication date: 2007-11-28
Anticipated expiration: 2024-08-26
Also published as: KR100493902B1; US20050076365A1; EP1511315A2; EP1511315A3; US7434244B2; CN1592404A; JP2005078627A; KR20050023583A

Abstract

提供了用于推荐内容的一种方法和系统。该方法和系统使用户能够得到与他/她所喜欢的相似的内容的推荐。用于推荐内容的方法包括：基于用户对内容的反应根据预定的模型创建用户配置文件；从一个或多个数据源获得内容特征；和基于用户配置文件和内容特征根据预定处理创建推荐内容的列表。用于推荐内容的系统包括：用户配置文件模块，基于用户对内容的反应根据预定的模型创建用户配置文件；数字电视模块，从一个或多个数据源获得内容元数据；和内容分级模块，基于从用户配置文件模块和数字电视模块接收的用户配置文件和内容元数据创建推荐内容列表。用户可获得与他/她所喜欢的相似的内容的推荐。

Description

用于推荐内容的方法和系统

本申请基于并要求于2003年8月28日在韩国知识产权局提交的第10-2003-0059919号韩国专利申请的优先权，该申请完全公开于此以资参考。

技术领域

本发明涉及一种用于推荐内容的方法和系统，更具体地讲，涉及一种用于使用用户的配置文件分级内容和向用户推荐最高等级的内容的方法和系统。

背景技术

随着数字TV的出现，对于用户享受空前多样化的多媒体内容已经成为可能。和大量的可获得的信息一起，对于用户及时地找到相关内容所在的位置已经成为日益增加的挑战。因为确定由服务提供者提供的内容的可用性对于端用户的信息的需求是否相关，所以已经出现了大量的信息系统和应用用于内容用户化(content customization)。作为那些出现的应用之一，推荐技术(recommendation technology)以集中系统，例如基于互联网的个人电子节目指南(EPG)服务，或者分布式环境，例如数字TV和机顶盒的形式被实施。

对内容推荐技术已经做出的大量的研究和努力，并且已经提出了各种各样的技术。大多数现有的系统依赖于包括用户配置(user profiling)、内容分级(content rating)活动等的几种方法。

为了基于可根据用户的可改变的兴趣和爱好随着时间而逐渐改变的用户偏爱数据创建配置文件的目的用户配置被采用。传统的用户特征方法采用由内容用户提供的明确反馈或明确偏爱项，或者暗示地观察用户对该内容行为的特征。为了设置明确的偏爱项，用户需要输入对应于各种领域的详细的用户偏爱的项值，其是耗时的工作并且需要精心的努力，降低了系统效率。相反地，隐式偏爱项的提取消除用户不得不直接限定偏爱项的麻烦。换句话说，用户没必要输入关于感兴趣的类型、最喜欢的电影男演员或女演员、他们的年龄等的信息。这种隐式配置允许连续监控而不需用户干预，从而长时间连续提供关于用户偏爱的信息。

然而，已知的系统提出由于它们分析用户行为的一些有限的方面的问题。例如，经常考虑到仅仅对播放特定的内容的选择或用户调整的信道。改进的系统仅仅使用用户的行为的暂时特征，例如播放时间作为用于发现用户的偏爱的材料。这里，播放时间可与实际观看时间不同。当观察的行为以这种方式在范围上受到限制时，用户配置文件(user profile)的质量降低。因此，为了测量用户偏爱，需要具有更复杂结构的模型，即，各种参数。

同时，执行内容分级处理以测量用户对特定内容满意的可能性。不像用户配置，这种方法向用户提供常常被称为自定义电子节目指南的高等级内容的有限列表。不像在用户配置文件模块中的系统，现有的系统通过关键字或基于关联的关联性测量来对内容的优先级分级。尽管基于关键字的方法对于文本过滤是有效的，但其被应用于视听内容可能不够有用，因为其不能附有广泛的和全文的描述。

基于关联的方法基于预定义的内容类型等级结构(例如，戏剧、新闻、体育、音乐等)的存在。当内容的类型与用户配置文件不匹配时，这种方法被用于测量内容适当性的程度。在传统的基于关联的方法中，内容之间的关联性使用深度或路径长度来测量。在前面的情况下，通过测量相对于在内容类型等级结构中共同的最高类型节点的每一深度来将两种不同类型的内容彼此比较。在后面的情况下，计数语义网络中节点之间的链接数目。基于深度的方法忽略将经历关联性的测量的节点之间的实际距离，而基于路径长度的方法不考虑节点的深度，即，它们的普遍性的程度。另外，因为存在无限的可获得的根据不同的规则构成的内容类型等级结构，所以需要能被容易地应用到不同构成等级结构的用于更灵活地测量关联性的方法。

发明内容

本发明提供一种更精细的用于测量用户的偏爱的模型，一种跨过很多种等级结构更灵活地测量内容之间的关联性的模型，和一种用于使用该模型向用户推荐内容的方法和系统。

根据本发明的一方面，提供一种用于推荐内容的方法，包括：基于用户对内容的反应根据预定的模型创建用户配置文件；从一个或多个数据源获得内容特征；和基于该用户配置文件和内容特征根据预定的处理来创建推荐内容的列表。

创建用户配置文件可包括：限定特定内容的内容领域和对每一内容领域的观察用户行为；将不同的加权应用到每一用户的行为；和根据预定的方法对相关内容计算内容分级。这里，内容分级R如下计算：

R = \frac{Σ_{i = 1}^{n} W_{i}}{T}

其中，W是每一行为的加权，n是在特定内容中观察的行为的数目，和T是运行内容项的时间的长度。

在获得内容特征中，一个或多个数据源包含先进电视系统委员会(ATSC)节目与系统信息协议(PSIP)元数据和TV随时元数据中的至少一个。

创建推荐内容列表可包括：根据预定的计算方法使用从用户配置文件和内容元数据获得的内容分级对预定等级分类结构中的每一实体计算内容分级，和创建包含具有超出预定值的分级的内容的推荐列表。这里，计算方法用于基于从用户配置文件和内容元数据获得的内容分级获得每一实体的

其中，N表示在给定的等级结构中的水平的总数，n表示在全部等级结构中的父母种类的水平，和m表示从父母种类到孩子种类的深度，并且使用通过该计算获得的关联值获得对每一实体的内容分级。

根据本发明的另一方面，提供一种用于推荐内容的系统，包括：用户配置文件模块，基于用户对内容的反应根据预定的模型创建用户配置文件；数字电视模块，从一个或多个数据源获得内容元数据；和内容分级模块，基于从用户配置文件模块和数字电视模块接收的用户配置文件和内容元数据创建推荐内容列表。

最好，用户配置文件模块包括：定义内容领域并对每一内容领域观察用户的行为的一个或多个配置器；和用户配置文件管理单元，将不同的加权应用到由一个或多个配置器观察的用户的每个行为并根据预定的方法对相关的内容计算内容分级。

用户配置文件管理单元最好通过下式计算内容分级R：

R = \frac{Σ_{i = 1}^{n} W_{i}}{T}

其中，W是每一行为的加权，n是在特定内容中观察的行为的数目，和T是在运行内容项的时间长度。

数字电视模块可包括一个或多个包含用于处理先进电视系统委员会(ATSC)PSIP元数据的节目与系统信息协议(PSIP)处理机和用于处理TV随时元数据的TV随时元数据处理机中的至少一个的数据源。

内容分级模块可包括关键字代理和分类器代理中的至少一个，关键字代理，通过计算对每一用户和内容的用户配置文件数据和内容描述元数据之间的相关系数来执行内容分级；和分类器代理，基于包括类型、语言、和信道的各个种类，来执行内容分级。最好，分类器代理使用下面的方程式基于从用户配置文件和内容元数据获得的内容分级来计算每一实体的关联值：

其中，N表示在给定等级结构中的水平的总数，n表示在全部等级结构中的父母种类的水平，和m表示从父母种类到孩子种类的深度，其中，通过使用计算获得的关联值获得对每一实体的内容分级。

附图说明

通过下面结合附图对其示例性实施例进行详细的描述，本发明的上述和其他特征和优点将会变得更加清楚，其中：

图1是显示根据本发明的实施例的内容推荐系统的配置的方框图；

图2是表示根据本发明的实施例的推荐内容的方法的流程图；

图3是表示图2中表示的用户配置文件处理的流程图；

图4是表示图2中表示的提取内容元数据的处理的流程图；

图5是表示图2中显示的内容分级处理的流程图；和

图6表示TV随时类型的等级分类作为内容分类的例子。

具体实施方式

现在，将详细描述本发明的示例性实施例。

图1是表示根据本发明的实施例的内容推荐系统的配置的方框图。参照图1，内容推荐系统主要包括用户配置文件模块100和内容分级模块200。

为了更准确地、灵活地创建用户配置文件，用户配置文件模块100可包括多个配置器(profiler)。如图1所示，用户配置文件模块100包括：隐式配置器(implicit profiler)110、显式配置器(explicit profiler)120、和固定配置器(stereotype profiler)130。首先，隐式配置器110分析用户的观看习惯以便本发明的系统能动态地适应用户兴趣的变化。显式配置器120允许用户通过数字电视(DTV)的用户界面10明确地设置用户偏爱项。固定配置器130提供为用户的利益已经输入的多套固定的偏爱的项。选择其中多套固定偏爱项的一套能免除用户在包含偏爱列表的空白表格中输入的麻烦。因此，用户能通过选择多套固定信息的一套来设置偏爱项值，在该固定信息中用于偏爱项的各个参数值已被预设而不是一次一个地手工输入所有的偏爱项。用户配置文件管理单元150将由各个配置器110、120、和130提供的大量的数据合并入用户配置文件。为每一用户创建的用户配置文件数据存储在数据库400中。

内容分级模块200通过内容分级来为用户创建推荐内容列表，并包括多个代理210和220以及内容分级管理单元250。在图1的示例性实施例中，内容分级模块200包括两个代理，即关键字代理210和分类器代理220。内容分级管理单元250执行两个主要功能。

首先，内容分级管理单元250提取并存储对于推荐功能是足够的合并的内容描述数据的子集。在这种情况下，原始数据通过DTV模块300提供。DTV模块300包括节目与系统信息协议(PSIP)处理机310、和TV随机元数据处理机320。当PSIP处理机310通过DTV调谐器来接收适应的先进电视系统委员会(ATSC)陆地DTV节目，TV随时元数据(TV-Anytime metadata)处理机320经有线或无线互联网来接收适应ATSC的内容。这里，DTV模块300可包括两个或更多的处理机。内容分级管理单元250(通过提取内容推荐信息)处理从DTV模块300接收的原始内容元数据并在数据库400中存储已处理的内容元数据。

其次，内容分级管理单元250基于用户配置文件数据和内容元数据来为用户创建推荐列表。为此，内容分级管理单元250提供一个或多个使用用户配置文件数据和元数据执行内容分级的代理，并合并从一个或多个代理接收的内容分级。为了合并内容分级，内容分级管理单元250可计算由用户配置文件数据计算的值和由内容元数据计算的值的算术或几何平均值。在前面的情况下，来自用户配置文件数据和内容元数据的值，几乎被平等地处理(包含“或”的概念)，而在后面的情况下，当用户配置文件数据和内容元数据之间存在共同的东西时，内容被指定为高等级(包含“和”的概念)。

另一方面，内容分级管理单元250可测量用户配置文件数据和内容元数据之间的相关性。在这种情况下，高等级可被指定为具有较高相关度的内容。同时，仅由用户配置文件数据确定用于从内容元数据获得的内容列表的推荐列表。然而，以上的方法应被认为仅描述性意义而非为了限制的目的。

在示例性的实施例中，用于内容分级的代理是关键字代理210和分类器代理220。关键字代理210分析例如ATSC PSIP或TV-Anytime元数据字母松散的形成或组成的内容描述。关键字代理210通过计算用于每一用户和内容的用户配置文件数据和内容描述元数据之间的相关系数来执行内容分级。分类器代理220基于包括类型、语言、和信道的各个种类来执行内容分级。最后，分类器代理220应被设计以便处理等级分类。

本发明的内容推荐系统最好被实现为当事件发生时可操作，以减少计算负担。更具体地讲，每一用户通过用户界面10操作合适的配置器。每一配置器评估用户的偏爱节目并允许用户配置文件管理单元150当重大的改变发生时操作。DTV模块300或用户配置文件管理单元150允许内容分级管理单元250当内容描述数据被更新或用户偏爱项改变时操作。内容分级管理单元250命令一个或多个合适的代理以获得内容分级值并使用从该代理接收的内容分级值以为每一用户创建推荐列表。

图2是表示根据本发明的实施例的推荐内容的处理的流程图。参照图2，在步骤S100和S200中处理同时执行用户配置和内容元数据提取以提供用于内容推荐的信息。在步骤S300中，基于在步骤S100中通过用户配置构造的用户配置文件和步骤S200中通过内容元数据提取处理获得的内容元数据由关键字代理或分类器代理执行内容分级。高分级内容被推荐给用户。现在，分别参照图3、4、和5对步骤S100、S200、和S300中的用户配置、内容元数据提取、和内容分级处理进行详细描述。

图3是表示图2中显示的用户配置文件处理的流程图，其中，通过实例来描述隐式用户配置文件处理。形成用户配置文件的处理包括基于通过观察用户的行为(步骤S110)获得的数据对由用户实施的内容执行分级(步骤S120)，和创建用户配置文件(步骤S130)。

首先，在步骤S110中，观察用户的行为。跟踪用户的行为为提取隐式的偏爱节目提供基础。表1表示结合DTV内容的用户的行为的二维模型的例子。

在步骤S120中，对观察的用户的行为执行分级(内容实施)。每一可观察的行为最好与适当的权重因数相乘。例如，用于播放操作的权重因数与播

<表1>结合DTV内容的可观察的用户的行为

	视频帧	节目段	整个节目	节目组
	视频帧	节目段	整个节目	节目组	消耗	暂停	请求信息播放暂停倒带后跳快进跳进停止	请求信息按时调谐调谐播放暂停倒带后跳快进跳进停止	请求信息
记录	捕捉静态图像复制静态图像		按时记录记录复制删除	按时记录记录删除	消耗	暂停	请求信息播放暂停倒带后跳快进跳进停止	请求信息按时调谐调谐播放暂停倒带后跳快进跳进停止	请求信息
记录	捕捉静态图像复制静态图像		按时记录记录复制删除	按时记录记录删除	批准	书签注释	添加爱好注释	添加爱好注释	添加爱好注释

放时间成比例。当例如倒带和重复播放的操作增加内容分级时，删除或跳操作减小相同。隐式的内容分级R定义为：

R = \frac{Σ_{i = 1}^{n} W_{i}}{T} - - - (1)

其中，W是对每一行为的加权，n是在特定内容中观察的行为的数目，和T是运行内容项的时间的长度。加权W的总和被时间T除，因为对每个内容比较每单位时间观察的用户的行为是合理的。

然后，用户配置文件在步骤S130中创建。关联特定用户和内容的隐式配置文件能通过上面的处理构造，而显式配置文件可由用户手工输入用于相关内容的偏爱值或特定类属(class category)例如类型的值来创建。固定配置文件可由用户选择多个预设的配置文件的一个来创建，免除用户手工输入显式配置文件信息的麻烦。

图4是表示图2中的内容元数据提取处理的流程图。在步骤S210中，接收内容元数据用于提取。内容元数据可通过各种媒体来接收。例如，TV随时内容描述元数据可经由IP网络，例如互联网来获得，或PSIP事件信息表格可通过DTV调谐器来接收。接收到的数据在步骤S220中经历分析并被处理为合适的格式。

图5是表示图2中的内容分级处理的流程图。首先，用户配置文件和分析过的元数据在步骤S310中被接收，然后经历适当的分级处理，例如基于关键字的分级(步骤S320)和基于分类的分级(步骤S330)。在步骤S340中分别在步骤S320和S330中执行的基于关键字的分级和基于分类的分级的结果被合并，以创建基于其为用户创建推荐列表的合并的内容分级。

基于关键字的分级最好基于类属，例如类型或男演员/女演员来执行。例如，当存在频繁的对于戏剧类型的关键字搜索时，戏剧类型的分级增加。类似的，当存在许多对于特定男演员或女演员的搜索时，其中出现该男演员或女演员的电影或戏剧的分级相应地增加。

对基于分类的分级，用户配置文件包含用于几个类属的偏爱项的值。分类可根据类型、信道、语言、或其他来进行。基于分类的分级被用于基于种类的内容推荐。图6表示TV随时类型的等级分类作为内容分类的实例。在图6中，记实(Non-Fiction)类型被分为体育和艺术&媒体子类型。体育子类型被分为冬季体育和被进一步分类为槌球、足球、和棒球的团体体育。

为了创建推荐列表，使用深度或路径长度测量每一种类实体之间的关联性。基于深度的关联性测量方法被用于基于距离等级结构中共同的父母实体的深度比较两个实体。

在图6中，足球和棒球的父母实体是团体体育且它们距离父母实体的深度是1，而棒球和溜冰的父母实体是体育且它们距离父母实体的深度是2。然后考虑与溜冰相比足球与棒球的关联更近。换句话说，与溜冰相比，足球更可能被推荐给表示对棒球有很高偏爱的用户。根据传统的最为具体的共同抽象(Most Specific Common Abstraction)(MSCA)方法，棒球与槌球和足球的关联是最近的。然而，确定喜欢棒球的用户也对槌球有偏爱被认为是不合理的。

使用路径长度的关联性的方法包括计数在语义网络结构中的实体之间的链接(距离)的数目。即，当两个实体在语义上相似时，它们之间链接数目减少，而当它们在语义上不同时，链接数目增加。然而，基于深度和路径的关联性测量值根据分类的程度来敏感地改变。例如，这些方法可能具有的问题在于与位于分类不是较细的部分，例如艺术&媒体相比，位于分类较细的部分，例如体育中的实体被认为与彼此的关联较不密切。即，棒球和溜冰的深度是2，而美术和音乐的深度是1。为了克服这个问题，根据分类的程度来给定不同的深度或路径长度。对于基于深度的关联性测量，等级结构中深度和分类的程度应一起考虑。本发明提出其中区别的程度用于关联性测量的关联性测量模型。关联性测量能根据以下的基本原理来执行：

1、种类分类越具体，实体之间的关联性越大。

2、两个实体之间的水平上的差别越大，其间的关联性越小。

3、未分级的内容的关联值和兄弟之间的关联值是0。

在用于基于上面的基本原理计算关联值的示例性方法中，关联值定义如下：

其中，N表示在给定等级结构中的水平的总数，n表示在全部等级结构中的父母种类的水平，和m表示从父母种类到孩子种类的深度。

当使用方程式(2)计算关联性程度时，更细分类的种类之间的关联性程度是高的，而不太细分类的种类之间的关联性程度是低的。例如，因为足球和槌球是兄弟种类，所以兄弟的关联值是0。如果用户对团体体育定义偏爱值，则足球的关联值约为0.7，因为团体体育是具有水平3(n＝3)的种类，到足球的深度为1(m＝1)，和全部结构具有水平4(N＝4)。通过将这些值代入方程式(2)，能得到约为0.7的关联值。如果在户配置文件中对团体体育的偏爱值R为5，则足球的偏爱值为3.5。类似地，体育和团体体育的关联值是0.47，而艺术&媒体和音乐的关联值是0.6。尽管在所有的情况下深度m为1，但是关联值是不同的。与在不太细分类的种类中的较高或较低水平的关联值相比，在更细分类的种类中的较高或较低水平的关联值更高。同时，体育和棒球的关联值是0.44，其比体育和团体体育的关联值低。这意味随着深度的增加关联值降低。

同样，基于路径长度的关联性测量可以与基于深度的关联性测量同样的方式来执行。换句话说，分类的程度越高，即，种类分类越具体，分隔在与彼此远离链接的实体的关联值越大，反之亦然。

关联值被用于在等级分类结构中对每一实体计算内容分级。搜集具有超出偏爱值的分级的内容以创建推荐列表。

根据本发明，提供了用于分级用户的偏爱项的复杂模型，因此，使用户能够得到与他/她所喜欢的相似的内容的推荐。另外，与传统的方法或系统相比，本发明提供更复杂的用于推荐的内容分级。另外，根据本发明，来自内容提供者的推荐基于用户的行为从推荐中被单独地分级，因此使对用户的推荐程度多样化。

尽管本发明是参照其优选实施例来来具体描述的，但本领域的普通技术人员应该理解，在不脱离由所附权利要求限定的本发明的精神和范围的情况下，可以对其进行多种形式和细节的修改。尽管本发明的内容推荐系统是用户可以在其上观看内容的DTV，但本发明不受其限制。例如，内容推荐系统可从DTV分别提供。因此，应该理解以上描述的实施例仅仅以示例性为目的，不应解释为对本发明的限制。本发明的范围通过所附权利要求而获得，而不是通过前述的描述，并且所有落于权利要求范围内的变化和等同物规定包含其中。

Claims

1、一种用于推荐内容的方法，包括：

以下述方式创建用户配置文件：通过对内容限定内容领域并对每一内容领域观察用户的行为，将不同的加权应用到每一用户行为，和根据预定的方法对相关内容计算内容分级；

从一个或多个数据源获得内容元数据；

基于从用户配置文件和内容元数据获得的内容分级来对在预定的等级分类结构中的每一实体计算内容分级；和

创建包含具有超出预定值的分级的内容的推荐列表。

2、如权利要求1所述的方法，其中，在用户配置文件中的内容分级R是：

R = \frac{Σ_{i = 1}^{n} W_{i}}{T}

其中，W是对每一行为的加权，n是在特定内容中观察的行为的数目，和T是在运行内容项的时间的长度。

3、如权利要求1所述的方法，其中，在获得内容特征中，一个或多个数据源包含先进电视系统委员会ATSC节目与系统信息协议PSIP元数据和TV随时元数据中的至少一个。

4、如权利要求1所述的方法，其中，每一实体的内容分级基于每一实体的

5、一种用于推荐内容的系统，包括：

用户配置文件模块，包括限定内容领域并对每一内容领域观察用户行为的至少一个配置器，和将不同的加权应用到由至少一个配置器观察的用户的每个行为并对相关的内容计算内容分级、从而创建用户配置文件的用户配置文件管理单元；

数字电视模块，从一个或多个数据源获得内容元数据；和

内容分级模块，基于从用户配置文件和内容元数据获得的内容分级来对在预定的等级分类结构中的每一实体计算内容分级，并且创建包含具有超出预定值的分级的内容的推荐列表。

6、如权利要求5所述的系统，其中，用户配置文件管理单元通过下式计算内容分级R：

R = \frac{Σ_{i = 1}^{n} W_{i}}{T}

其中，W是对每一行为的加权，n是在特定内容中观察的行为的数目，和T是运行内容节目的时间长度。

7、如权利要求5所述的系统，其中，数字电视模块包括至少一个包含用于处理先进电视系统委员会ATSC PSIP元数据的节目与系统信息协议PSIP处理机和用于处理TV随时元数据的TV随时元数据处理机的至少一个的数据源。

8、如权利要求5所述的系统，其中，内容分级模块基于每一实体的关联值、使用下面的方程来计算每一实体的内容分级，由此：