CN103546789A - 一种电视节目推荐方法、系统及智能终端 - Google Patents

Abstract

本发明公开了一种电视节目推荐方法、系统及智能终端，其中，所述推荐方法包括以下步骤：首先，采集用户的动作轨迹数据；然后对获取到的动作轨迹数据进行处理，提取出动作特征；再将所述动作特征与预先存储的用户行为数据进行匹配，找出与所述动作特征匹配的用户行为数据；根据与所述用户行为数据对应的用户身份，形成相应的电视节目推荐列表。其通过对采集到的用户的动作轨迹数据进行特征提取，同时不断地学习相应的用户行为，并对该用户行为进行挖掘分析，将提取到的用户特征数据和分析的用户行与推荐算法相结合，逐渐分析和学习到用户的兴趣，最终将符合用户兴趣的内容推送给用户。从而在节省用户时间的同时为用户提供了更加个性化的电视节目。

Description

一种电视节目推荐方法、系统及智能终端

技术领域

本发明涉及智能推荐技术领域，尤其涉及一种电视节目推荐方法、系统及智能终端。

背景技术

随着电视机的飞速发展，各种各样的节目视频内容丰富着人们的生活。如今人们在智能时代面对的是异常庞大的内容数据信息，各种节目、新闻、视频带来数以万计的信息、内容和数据。面对如此庞杂的内容群，人们也渐渐无从下手，难以通过简单查找找到喜欢的内容，而得依靠复杂的搜索，甚至靠朋友推荐才能找到自己喜欢的内容。在智能时代，这种冗余繁琐的操作已经无法适应人们的生活，人们更希望智能电子产品能够更加智能，能够为用户更加精准地推荐用户所需要的节目与视频。即在电视机中，当不同的家庭用户使用电视机时，用户希望电视机能够读懂用户的兴趣爱好，及时地推荐用户所需要的节目信息。

目前传感器的技术已经越来越成熟，如加速度传感器已经被广泛用于获取物体运动状态；陀螺仪则被应用于获取物体运动方向及角速度；地磁传感器则被广泛应用于磁感应中等等。

有鉴于此，如何通过运用传感器技术帮助用户高效、快捷地获取感兴趣的电视节目成为一个亟待解决的问题。

发明内容

鉴于现有技术中的不足，本发明目的在于提供一种电视节目推荐方法、系统及智能终端。旨在解决现有技术中电视机用户推荐时不能满足用户差异化的需求的问题。

本发明的技术方案如下：

一种电视节目推荐方法，其中，所述推荐方法包括以下步骤：

A、当用户使用遥控器时，采集用户的动作轨迹数据，并将所述动作轨迹数据发送至电视机处；

B、电视机对获取到的动作轨迹数据进行处理，提取出动作特征；

C、将所述动作特征与预先存储的用户行为数据进行匹配，找出与所述动作特征匹配的用户行为数据；

D、根据与所述用户行为数据对应的用户身份，形成相应的电视节目推荐列表。

所述的电视节目推荐方法，其中，所述步骤A中采集用户的动作轨迹数据具体包括：

A1、采集用户的动作轨迹数据；

A2、根据所述动作轨迹数据得到空间矢量；

A3、基于所述空间矢量及三维坐标计算当前遥控器的运动状态；

A4、根据所述运动状态计算所述遥控器的运动信息，其中所述运动信息包括所述遥控器的角速度及方位信息。

所述的电视节目推荐方法，其中，所述步骤B中具体包括以下步骤：

B1、电视机获取到用户使用遥控器的运动轨迹数据，对所述运动规矩数据进行数据预处理；

B2、对所述预处理后的数据进行分割；

B3、对分割后的数据进行特征值的提取，并对提取的特征值进行数据建模，得到一动作特征的数据建模结果，并将所述动作特征的数据建模结果放到数据缓冲区进行管理。。

所述的电视节目推荐方法，其中，所述数据分割具体包括：

B11、对预处理后的数据进行时域与频域的变换，得到时域信号和频域信号；

B12、分别对时域信号与频域信号进行分析；

B13、从时域信号与频域信号分割出用户操作遥控器时动作波形。

所述的电视节目推荐方法，其中，在所述步骤A之前还包括：

A01、预先采集用户行为，并对用户行为进行前处理；

A02、对前处理后的用户行为进行建模处理，将其转换为相应的用户行为数据，将用户行为数据与用户身份对应起来。

一种电视节目推荐系统，其中，所述推荐系统包括：

设置在所述遥控器上的动作采集装置，用于当用户使用遥控器时，动作采集装置采集用户的动作轨迹数据，并将所述动作轨迹数据发送至电视机处；

以及设置在所述电视机上的：

动作特征提取模块，用于对获取到的动作轨迹数据进行处理，提取出动作特征，并将所述动作特征发送至下述的用户行为分析模块；

用户行为采集模块，用于采集用户行为，并将所述用户行为发送至下述的用户行为分析模块；

用户行为分析模块，用于将所述动作特征与预先存储的用户行为数据进行匹配，找出与所述动作特征匹配的用户行为数据；

推荐模块，用于根据与所述用户行为数据对应的用户身份，形成相应的电视节目推荐列表。

所述的电视节目推荐系统，其中，所述动作采集装置为传感器；所述传感器包括加速度传感器和陀螺仪传感器。

一种智能终端，其中，包括：智能终端本体；所述智能终端本体上设置有：

传感器，用于采集用户的动作轨迹数据，并将所述动作轨迹数据发送至动作特征提取模块；

动作特征提取模块，用于对获取到的动作轨迹数据进行处理，提取出动作特征，并将所述动作特征发送至下述的用户行为分析模块；

用户行为采集模块，用于采集用户行为，并将所述用户行为发送至下述的用户行为分析模块；

用户行为分析模块，用于将所述动作特征与预先存储的用户行为数据进行匹配，找出与所述动作特征匹配的用户行为数据；

推荐模块，用于根据与所述用户行为数据对应的用户身份，形成相应的电视节目推荐列表。

有益效果：

相比传统地的推荐方法，本发明通过采集用户的动作轨迹数据，并对所述动作轨迹数据进行特征提取，同时不断地学习相应的用户行为，再通过对该用户行为进行挖掘分析，将提取到的用户特征数据和分析的用户行与推荐算法相结合，逐渐分析和学习到用户的兴趣，最终将符合用户兴趣的、用户可能喜欢的内容推送给用户。从而在节省用户时间的同时为用户提供了更加个性化、符合用户兴趣的电视节目。

附图说明

图1为本发明的电视节目推荐方法的流程图。

图2为本发明的电视节目推荐方法中传感器的实施例的示意图。

图3为本发明的电视节目推荐方法的实施例中传感器数据进行数据处理的示意图。

图4为本发明的电视节目推荐方法的实施例中用户行为的示意图。

图5为本发明的电视节目推荐系统的结构框图。

具体实施方式

本发明提供一种电视节目推荐方法、系统及智能终端，为使本发明的目的、技术方案及效果更加清楚、明确，以下对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

请参阅图1，其为本发明的电视节目推荐方法的流程图。如图所示，所述基于传感器的电视节目推荐方法包括以下步骤：

S1、当用户使用遥控器时，采集用户的动作轨迹数据，并将所述动作轨迹数据发送至电视机处；

S2、电视机对获取到的动作轨迹数据进行处理，提取出动作特征；

S3、将所述动作特征与预先存储的用户行为数据进行匹配，找出与所述动作特征匹配的用户行为数据；

S4、根据与所述用户行为数据对应的用户身份，形成相应的电视节目推荐列表。

下面分别针对上述步骤进行详细描述：

所述步骤S1为当用户使用遥控器时，采集用户的动作轨迹数据，并将所述动作轨迹数据发送至电视机处。在本实施例中，采集用户的动作轨迹数据是通过传感器实现的，所述传感器可以由各种各样的传感器组成，以获取物体的物理信息和运动信息。在本实施例中，所述传感器为内置在智能遥控器上的传感器，如图2所示，包括加速度传感器、陀螺仪传感器和其他传感器（如地磁传感器等）。当用户操作智能遥控器时，用户的运动轨迹将被记录下来，同时遥控器中的加速度传感器能够从运动轨迹中获取到空间矢量，并通过三维坐标的变化情况计算出用户当前的运动状态；陀螺仪是用于测量运动角速度的微型惯性器件，能够获取当前用户使用遥控器的角速度及方位的信息。

进一步地，所述步骤S1中采集用户的动作轨迹数据具体包括：

S11、采集用户的动作轨迹数据；

S12、根据所述动作轨迹数据得到空间矢量；

S13、基于所述空间矢量及三维坐标计算当前遥控器的运动状态；

S14、根据所述运动状态计算所述遥控器的运动信息，其中所述运动信息包括所述遥控器的角速度及方位信息。

所述步骤S2为电视机对获取到的动作轨迹数据进行处理，提取出动作特征。其为本发明的关键。在本实施例中，所述步骤S2具体为：

S21、电视机获取到用户使用遥控器的运动轨迹数据，对所述运动规矩数据进行数据预处理；

B22、对所述预处理后的数据进行分割；

B23、对分割后的数据进行特征值的提取，并对提取的特征值进行数据建模，得到一动作特征的数据建模结果，并将所述动作特征的数据建模结果放到数据缓冲区进行管理。

简单来说，即电视机获取到用户使用遥控器的运动轨迹数据后，先后对所述运动轨迹数据依次进行数据预处理、数据分割、特征值的提取和数据建模，得到一动作特征的数据建模结果，最后将所述动作特征的数据建模结果放到数据缓冲区进行管理；其步骤如图3所示。

具体来说，，所述数据预处理指的是对运动轨迹数据进行去噪、加权和抽象处理；所述数据分割指的是对数据预处理后的运动轨迹数据进行采样，分割出用户操作遥控器时的动作波形；所述特征值的提取指的是对所述动作波形进行小波处理，抽取出所述动作波形的相应的动作特征；所述数据建模是指对动作特征建立数据模型，把特征值抽象成相应的模型，得到一动作特征的数据建模结果。

进一步地，所述数据预处理前，还包括对获取到的动作轨迹数据做一个去除噪音的动作，去除干扰传感器动作数据的因素；去除噪音的方法如下：首先，对动作数据的信号进行模数转换，把模拟信号转换成数字信号；然后，为了使信号处理不失真，信号的采样速度满足乃奎斯特定理，取信号频率上限的4-5倍作为采样频率；最后，通过FIR滤波器对数字信号做处理，把振荡较大的数据过滤掉，保证从传感器上来的动作数据接近真实。

更进一步地，所述数据预处理依次包括如下几步：数据清洗、数据集成和数据规约。其中，数据清洗指：传感器上经过去噪后的数据局部包含“脏”数据，此时数据清洗的任务是过滤那些不符合要求的数据。不符合要求的数据主要是有不完整的数据、错误的数据、重复的数据三大类。数据集成指：经过数据清洗后，按照传感器的加速度、陀螺仪的X、Y、Z轴呈现。此时数据集成是将这些不同传感器来源、格式、特点性质的数据在逻辑上或物理上有机地集成。数据规约指：把数据集成后的数据按照一定的规则进行规约，使规约后的数据能够按照一定集合呈现，同时也保留了原始数据的完整性。

数据预处理后，进行数据分割，目的是把动作波形分割出更具代表性的数据波形；数据分割的处理流程如下：

S21、对数据预处理后的数据进行时域与频域的变换，得到时域信号和频域信号；

S22、对时域信号与频域信号进行分析：对于用户拿起遥控器的动作来说，时域信号的变化是从静止到振荡，且随着拿起动作的变化，频域的信号是由稀疏到频繁；

S23、从时域信号与频域信号分割出用户拿起遥控器的动作波形。

数据分割后进行特征值提取，提取出相应的动作特征（所述动作特征为能表现该动作的动作特征），作为标志该用户动作特征的数据，从加速度与方向上进行分析；特征值提取包括如下步骤：

S31、主要包括在X，Y，Z三个轴上的均值、方差、能量、主频、均值，以及两个轴上的相关性。

其计算方法分别如下：

a、能量(energy，其包含3个特征)：在X，Y，Z三个加速方向上都可以计算能量。X，Y，Z的能量计算公式都一样；需要注意地是，当计算Z方向时，我们需要减去重力加速度部分（约为9.8）。

能量的计算公式如下：

其中，N表示的是数据个数，x(n)表示X，Y，Z轴上每个数据点对应的数值。

b、主频(Dominantfrequency，其包括3个特征)及其大小(magnitude，其包括3个特征)主频表示快速傅里叶变换(FastFourier transform)最大值的坐标。该最大值就是大小（需要考虑实部和虚部）。

c、均值 $\stackrel{\‾}{x}=\frac{1}{n}\underset{n-0}{\overset{N}{\mathrm{\Σ}}}x\left(n\right)$

d、方差 $\mathrm{var}\left(x\right)=\frac{1}{n}\underset{n-0}{\overset{N}{\mathrm{\Σ}}}{(x\left(n\right)-\stackrel{\‾}{x})}^2$

e、相关性系数（3个特征，分别是xy，yz和xz的相关性），以xy相关性为例，其相关性系数计算方法如下：

$\mathrm{corr}(x,y)=\frac{{\mathrm{\Σ}}_{n-1}^N(x\left(n\right)-\stackrel{\‾}{x})*(y\left(n\right)-\stackrel{\‾}{y})}{(N-1)*\mathrm{var}\left(x\right)*\mathrm{var}\left(y\right)};$

应当理解地是，xy，yz和xz的相关性计算方法都一样，参考上述公式即可。

对提取出来的特征值进行数据建模，把特征数据抽象成一个个的对象和模型，每个模型实质上是一张包含特征值与用户ID对应的表，如下表1所示：

表1

编号

含义

0	窗口内X的均值
		1	窗口内Y的均值
2	窗口内Z的均值
		3	窗口内X的方差
4	窗口内X的方差
		5	窗口内X的方差
6	窗口内X，Y的相关性
		7	窗口内Y，Z的相关性
8	窗口内Z，X的相关性
		9	窗口内X的能量
10	窗口内Y的能量
		11	窗口内Z的能量
12	窗口内X的主频(dominant frequency)
		13	窗口内Y的主频
14	窗口内Z的主频
		15	窗口内X的magnitude
16	窗口内Y的magnitude

17	窗口内Z的magnitude

数据建模后把数据模型放到数据缓冲区里。

上述步骤S1和S2为动作特征提取阶段，而步骤S3则是匹配阶段。

所述步骤S3为将所述动作特征与预先存储的用户行为数据进行匹配，找出与所述动作特征匹配的用户行为数据。

在本实施例中，在匹配之前还包括：

S01、预先采集用户行为，并对用户行为进行前处理；其中，所述前处理流程如下：首先，对于用户行为的收集过程中出现的一些异常的数据进行过滤；然后，把相同用户的行为的数据进行合并，并形成相应的数据合集；

S02、对前处理后的用户行为进行建模处理，将其转换为相应的用户行为数据，将用户行为数据与用户身份对应起来。如图4所示，所述用户行为包括：观看行为、浏览行为、评价行为、分享行为及其它行为。在行为分析过程中，我们需要对用户观看行为、浏览行为、评价行为、分享行为及其它行为分别进行分析；由于用户行为分析过程中需要用户的ID（即用户身份，也称为用户名称），而用户的ID可以由动作特征提取模块中获取得到，因此用户的ID可以由动作特征模块中的数据缓冲区来标识。其具体流程如下：

S021、接收用户的行为数据，分析出用户是属于哪种类型；如观看、浏览、评价、分享等等。

S022、在行为分析过程中，我们还需要用户的身份ID，此时需要对用户的身份进行识别，其中，所述用户身份识别过程为：用户在拿起遥控器的过程中，我们的动作特征提取模块在不断地计算着用户动作的特征值，此时系统会将该用户实时计算出来的特征值数据模型与数据缓冲区中的数据模型来比较，将相似度最高的数据模型所对应的用户ID取出来，并作为用户行为分析中的一个输入。

在本实施例中，我们用贝叶斯分类器来计算相似度，计算方法如下：贝叶斯分类器的分类原理是通过某对象的先验概率，利用贝叶斯公式计算出其后验概率，即该对象属于某一类的概率，选择具有最大后验概率的类作为该对象所属的类。理论上，概率模型分类器是一个条件概率模型。p(C|F₁，...，F_n)独立的类别变量C有若干类别，条件依赖于若干特征变量F₁，F_z，...，F_n。我们采用的这个模型贝叶斯定理用以下式子：

$p\left(C\right|F_1,...,F_n)=\frac{p\left(C\right)p(F_1,...,F_n|C)}{p(F_1,...,F_n)}.;$

其中，所述C为人群分类，例如大人，小孩，老人等，F₁，F₂，...，F_n为表1中的特征值变量；P（C）表示C发生的概率；P(C丨F1，F2，，，Fn)表示在F₁，F₂，...，F_n条件下的C发生的概率，P(F1，F2，，，Fn丨C)表示在实验样本里，特征向量为F1，F2...Fn在人群分类C上的条件概率。

因此，通过上述的公式，系统会将该用户实时计算出来的特征值数据模型与数据缓冲区中的数据模型来比较，将计算出来的p(C|F₁，...，F_n)值最大的，也就是相似度最高的数据模型所对应的用户ID取出来，从而达到用户身份识别的目的。

简单来说，用户行为分析的数据建模是对用户行为进行固化与抽象化的过程，通过建模把具体的用户行为数据转化成一个个数据结构；通过不断对数据模型的固化与维护，用户与其用户行为的对应关系将越来越精确。

当确定了用户行为和用户身份的对应关系，便进行步骤S4，其为推荐阶段。即根据与所述用户行为数据对应的用户身份，形成相应的电视节目推荐列表。

在本实施例中，所述推荐阶段包括以下步骤：

首先，将用户动作特征提取的结果及用户行为分析结果输入到推荐引擎中；

然后，推荐引擎会对用户的动作数据与用户行为进行一个匹配，固化其匹配结果；匹配过程如下：（1）在数据库里建立表，表中设置好用户ID、用户行为类型、用户动作数据等字段；（2）当推荐引擎读取到用户的动作数据及用户行为数据时，把这些数据存储到数据库中，完成匹配过程；

接着，推荐引擎调用相应的推荐器，如基于物品的推荐、基于用户的推荐、基于物品特征的推荐、专家推荐等等；

最后，根据用户的观看历史和喜好，推荐与用户观看历史和喜好相似的物品，从而达到个性化推荐的目的。

本发明还提供了一种电视节目推荐系统，如图5所示，所述推荐系统包括：

设置在所述遥控器上的动作采集装置100（在本实施例中，所述动作采集装置为传感器），用于当用户使用遥控器时，传感器采集用户的动作轨迹数据，并将所述动作轨迹数据发送至电视机处；

以及设置在所述电视机上的：

动作特征提取模块200，用于对获取到的动作轨迹数据进行处理，提取出动作特征，并将所述动作特征发送至下述的用户行为分析模块；

用户行为采集模块300，用于采集用户行为，并将所述用户行为发送至下述的用户行为分析模块；

用户行为分析模块400，用于将所述动作特征与预先存储的用户行为数据进行匹配，找出与所述动作特征匹配的用户行为数据；

推荐模块500，用于根据与所述用户行为数据对应的用户身份，形成相应的电视节目推荐列表。。

进一步地，本发明的基于传感器的电视节目推荐系统包括但不限于电视机系统，任何以传感器作为感知源，通过传感器获取到相应的传感器数据并进行特征提取，同时把用户的动作特征作为推荐算法的一个维度的设计或者产品都属于该发明的内容。由于本实施例的节目推荐系统实现过程与上述实施例中节目推荐方法的实现过程一致，此处不再赘述。

另外，本发明还提供了一种智能终端，其包括：智能终端本体；所述智能终端本体上设置有：传感器、动作特征提取模块、用户行为采集模块、用户行为分析模块和推荐模块，上述各个部分的功能都已经在上述方法和系统中进行了详细介绍，这里就不再冗述了。

进一步地，所述智能终端可以为：电视机、手机、平板电脑或电子书等等。

综上所述，本发明的电视节目推荐方法、系统及智能终端，其中，所述推荐方法包括以下步骤：首先，当用户使用遥控器时，采集用户的动作轨迹数据，并将所述动作轨迹数据发送至电视机处；然后，电视机对获取到的动作轨迹数据进行处理，提取出动作特征；再将所述动作特征与预先存储的用户行为数据进行匹配，找出与所述动作特征匹配的用户行为数据；最后，根据与所述用户行为数据对应的用户身份，形成相应的电视节目推荐列表。其通过对采集到的用户的动作轨迹数据进行特征提取，同时不断地学习相应的用户行为，并对该用户行为进行挖掘分析，将提取到的用户特征数据和分析的用户行与推荐算法相结合，逐渐分析和学习到用户的兴趣，最终将符合用户兴趣的、用户可能喜欢的内容推送给用户。从而在节省用户时间的同时为用户提供了更加个性化、符合用户兴趣的电视节目。

应当理解的是，本发明的应用不限于上述的举例，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，所有这些改进和变换都应属于本发明所附权利要求的保护范围。

Claims (10)

1.一种电视节目推荐方法，其特征在于，所述推荐方法包括以下步骤：

A、当用户使用遥控器时，采集用户的动作轨迹数据，并将所述动作轨迹数据发送至电视机处；

B、电视机对获取到的动作轨迹数据进行处理，提取出动作特征；

C、将所述动作特征与预先存储的用户行为数据进行匹配，找出与所述动作特征匹配的用户行为数据；

D、根据与所述用户行为数据对应的用户身份，形成相应的电视节目推荐列表。

2.根据权利要求1所述的电视节目推荐方法，其特征在于，所述步骤A中采集用户的动作轨迹数据具体包括：

A1、采集用户的动作轨迹数据；

A2、根据所述动作轨迹数据得到空间矢量；

A3、基于所述空间矢量及三维坐标计算当前遥控器的运动状态；

A4、根据所述运动状态计算所述遥控器的运动信息，其中所述运动信息包括所述遥控器的角速度及方位信息。

3.根据权利要求1所述的电视节目推荐方法，其特征在于，所述步骤B中具体包括以下步骤：

B1、电视机获取到用户使用遥控器的运动轨迹数据，对所述运动规矩数据进行数据预处理；

B2、对所述预处理后的数据进行分割；

B3、对分割后的数据进行特征值的提取，并对提取的特征值进行数据建模，得到一动作特征的数据建模结果，并将所述动作特征的数据建模结果放到数据缓冲区进行管理。

4.根据权利要求1所述的电视节目推荐方法，其特征在于，所述步骤A中采集用户的动作轨迹数据是通过传感器来实现的；所述传感器包括加速度传感器和陀螺仪传感器。

5.根据权利要求3所述的电视节目推荐方法，其特征在于，所述数据预处理进一步依次包括：数据清洗、数据集成和数据规约。

6.根据权利要求5所述的电视节目推荐方法，其特征在于，所述数据分割具体包括：

B11、对预处理后的数据进行时域与频域的变换，得到时域信号和频域信号；

B12、分别对时域信号与频域信号进行分析；

B13、从时域信号与频域信号分割出用户操作遥控器时动作波形。

7.根据权利要求5所述的电视节目推荐方法，其特征在于，在所述步骤A之前还包括：

A01、预先采集用户行为，并对用户行为进行前处理；

A02、对前处理后的用户行为进行建模处理，将其转换为相应的用户行为数据，将用户行为数据与用户身份对应起来。

8.一种电视节目推荐系统，其特征在于，所述推荐系统包括：

设置在所述遥控器上的动作采集装置，用于当用户使用遥控器时，动作采集装置采集用户的动作轨迹数据，并将所述动作轨迹数据发送至电视机处；

以及设置在所述电视机上的：

动作特征提取模块，用于对获取到的动作轨迹数据进行处理，提取出动作特征，并将所述动作特征发送至下述的用户行为分析模块；

用户行为采集模块，用于采集用户行为，并将所述用户行为发送至下述的用户行为分析模块；

用户行为分析模块，用于将所述动作特征与预先存储的用户行为数据进行匹配，找出与所述动作特征匹配的用户行为数据；

推荐模块，用于根据与所述用户行为数据对应的用户身份，形成相应的电视节目推荐列表。

9.根据权利要求8所述的电视节目推荐系统，其特征在于，所述动作采集装置为传感器；所述传感器包括加速度传感器和陀螺仪传感器。

10.一种智能终端，其特征在于，包括：智能终端本体；所述智能终端本体上设置有：

传感器，用于采集用户的动作轨迹数据，并将所述动作轨迹数据发送至动作特征提取模块；

动作特征提取模块，用于对获取到的动作轨迹数据进行处理，提取出动作特征，并将所述动作特征发送至下述的用户行为分析模块；

用户行为采集模块，用于采集用户行为，并将所述用户行为发送至下述的用户行为分析模块；

用户行为分析模块，用于将所述动作特征与预先存储的用户行为数据进行匹配，找出与所述动作特征匹配的用户行为数据；

推荐模块，用于根据与所述用户行为数据对应的用户身份，形成相应的电视节目推荐列表。

Images