CN104871547A - 用于有效地编译用于媒体点播平台的媒体内容项目的方法和系统 - Google Patents

Abstract

为了媒体点播平台的运营商与其内容提供商的协商，提供了一种用于有效地编译用于媒体点播平台的媒体内容项目的方法和系统。所述方法利用用于选择要在下一个服务期中提供的媒体内容项目的适当的集的推荐系统和用于估计单独用户将在随后的服务期租借多少视频的租借数量预测器的组合。而且，所述方法和系统可以被执行以估计来自在随后的服务期上的租借的利润或亏损以及估计客户满意度。

Description

用于有效地编译用于媒体点播平台的媒体内容项目的方法和系统

技术领域

本发明涉及一种用于有效地编译用于媒体点播平台的媒体内容项目以被媒体点播平台的用户租借的方法和系统，并且考虑下面的设置。媒体点播运营商(例如，有线电视或电信运营商)向一组最终用户提供媒体点播内容项目，其中，该最终用户可以例如经由网站、电话或适当的TV频道在他们要的任何时间请求租借来自给定的一组当前提供的媒体内容项目的媒体内容项目。

背景技术

媒体内容项目可以：是物理对象，如要通过邮件向最终用户发送的DVD；或者，是数字特性的，如要从媒体点播服务器经由数据网络向最终用户流传送的音频视频文件。用户可以或者对于他们租借的每一个媒体内容项目支付(每次租借支付)，或者他们可以认购以从一组当前提供的媒体内容项目租借他们所要的那么多的媒体内容项目(无限制的统一价格)。在替代的支付模型中，最终用户可以支付诸如每月的基本费用和所租借的每一个媒体内容项目的额外费用(认购率)。在这个替代支付模型中，每月的费用可能覆盖最终用户可以租借的预定数量或值的媒体内容项目，而未被收取附加费用(有限的统一价格)。

通常，该组当前提供的媒体内容项目——简称为“项目集”——被固定给定的时间段，该时间段被在下面被称为“服务期”。该服务期可以例如是一个星期或一个月。运营商也可以将其服务作为因特网服务提供，而不限于给定的有线、电信或物流网络。

为了有效地迎合媒体点播平台的用户，运营商必须重复地确定它对于随后的时间段要向用户提供哪些媒体内容项目。运营商必须从一个或多个内容提供商租借该所确定的媒体内容项目。内容提供商(p)通常向运营商提供媒体内容项目的不同的项目集(S(p))，其被称为S1(p)、S2(p)、...、Sn(p)。越野赛起从每一个内容提供商选择零或更多的项目集以对于随后的时间段提供到其最终用户。为了能够提供媒体内容项目，运营商与一个或多个内容提供商协商。

在内容提供商和运营商之间可以有不同的金融安排。例如，运营商可以支付固定价格以使得可获得给定的项目集，其中，该价格可以取决于在项目集中的媒体内容项目的数量、它们的普及度、它们的质量和它们的生产年份。而且，运营商在服务的订户(即，最终用户)的数量可能影响这个固定价格。替代地，可以有每一个租借模型的支付，其中，运营商必须每次最终用户在租借媒体内容项目时向内容提供商支付某个数量的货币。该数量可以对于一个项目集的所有媒体内容项目相同，但是也可以取决于媒体内容项目(例如，如果它是近期发布的特征电影，则该数量可以更高)。另一种可能是金融安排由固定价格的费用和对于每次最终用户租借媒体内容项目时的补充费用构成。

同样，在运营商和最终用户之间的金融安排可能涉及固定认购费，而与最终用户在随后的时间段中将租借的媒体内容项目的数量无关，或者它可以是每次租借付钱的支付，其中，该支付可能取决于相应的媒体内容项目。其中支付的数量取决于媒体内容项目的后一种情况被称为差别每次租借的付钱模型。替代地，最终用户支付预定时间段的认购费用，并且另外他必须对于他或她租借的每一个媒体内容项目支付额外的费用。

在选择要选择哪个项目集中，运营商必须考虑下面的问题。为了满足媒体点播平台的最终用户，目标是以覆盖每一个最终用户的各种利息的各种和以每一个最终用户找到他或她要租借的足够数量的媒体内容项目的数量来提供媒体内容项目的宽的项目集。如果最终用户未充分地明白所提供的视频的数量和它们的质量，则最终用户可能租借更少的视频，并且将考虑结束他们的认购，导致减少了收入。在每次租借支付的最终用户认购模型中，可获得的媒体内容项目应当产生利息，使得产生足够的收入以支付给内容提供商，并且产生合理的利润。在固定认购费用模型中，最终用户应当满意于所提供的项目集，使得他们将更新他们的认购，并且使得其他最终用户可能加入。

另一方面，为了避免有亏损，运营商应当将所提供的媒体内容项目的项目集的宽度与这些媒体内容项目将产生的估计的利润平衡。因此，运营商应当避免仅提供高度普及的媒体内容项目以满足一组最终用户，以便控制用于向最终用户提供项目集体的花费。事实上，在向媒体点播平台的最终用户提供的某个数量的高度普及的媒体内容，每一个另外提供的高度普及的媒体内容项目将产生比其附加成本更少的附加收入。因此，媒体点播平台的运营商的目的是提供一种用于编译用于支持媒体点播平台的运营商最大化他的利润的媒体点播平台的媒体内容项目的方法。

而且，已经在各种应用领域中使用推荐系统来推荐项目(消费者产品、TV节目、歌曲等)或服务，以缓解面临项目的过大集合以从其选择的最终用户的选择问题。这样的推荐系统的目的是产生用于假定单独的最终用户喜欢的项目的个性化推荐。为了达到这样目标，推荐系统需要被提供关于相应的最终用户的信息。该信息可以包括关于最终用户的一般信息，诸如年龄、性别、嗜好和一般兴趣以及关于他的或她的消费者行为的信息和关于特定项目和服务的给出的意见。可以通过下述方式来隐含地执行收集该信息：跟踪和记录最终用户的消费者习惯，并且产生单独的最终用户的购买或租借历史。而且，必须激励最终用户来明确地提供用于近期消费的项目和服务的评级，使得该系统可以更好地了解单独最终用户的偏好。从这个信息，推荐引擎可以得出单独最终用户可能喜欢的项目和服务。而且，推荐系统可以使用关于用户的统计和个人信息以将他们与其他用户的数据作比较，并且推荐这些用户喜欢或偏好的项目。

发明内容

本发明的目的是提供一种用于有效地控制可以通过诸如计算机等的机器自动执行的媒体点播平台的媒体内容项目的方法。本发明的一个方面是使用由推荐系统提供的、关于估计每一个单独的最终用户喜欢被考虑要被加到媒体内容项目的项目集以被租借给一组单独最终用户的每一个单独的考虑的媒体内容项目多少的信息来确定媒体点播运营商应当在随后的服务期中提供哪个项目集。除此之外，本发明提供了由推荐系统产生的所述信息与租借数量预测器的组合，所述租借数量预测器对于单独的最终用户预测他们将在随后的服务期中租借可能的媒体项目集的媒体内容项目。因此，本发明的所述方法帮助媒体点播平台的运营商编译要被提供到最终用户以用于租借或销售的媒体内容项目的平衡的项目集，其中，所述项目集被选择来用于最大化利润以及满足所述最终用户。

通过根据独立权利要求1的自动方法和根据独立权利要求15的系统来实现本发明的上述目的。在本发明的范围内，“自动”表示所述象形图大可以执行所述方法，而完全或部分地不需要运营商交互。在下面，应当明白，关于媒体内容项目的所有组织步骤涉及媒体内容项目的元数据而不是媒体内容项目本身。

根据本发明，通过了一种用于自动和有效地编译媒体点播平台的媒体内容项目的自动方法。所述方法包括步骤：提供媒体点播平台，所述媒体点播平台用于向媒体点播平台的一个或多个用户提供用于租借的媒体内容项目，并且，提供包括至少一个考虑的媒体内容项目的考虑的媒体内容项目的考虑的媒体组。所述考虑的媒体内容项目被考虑被提供到在所述媒体点播平台上的用户以用于被所述用户租借。本发明的方法的目的是从所述考虑的媒体组确定和选择适当的媒体内容项目，并且自动向所述媒体点播平台提供所述选择的媒体内容项目以由所述用户租借。

要解决的问题在下述方面是一个技术问题：从媒体内容项目的宽集合，必须作出子选择。为此，限定成本函数，其考虑单独用户的偏好。该技术方面在于：获得存储空间的更有效的利用。例如，取代主要提供大片和一般热门视频，优化所述存储空间以提供更平衡的一组视频以用于租借。

在一个步骤中，一种推荐系统通过确定所述修改的媒体组的每一个媒体内容项目的用户特定的喜欢评级来产生评级的媒体内容项目的评级组。相对于基于所述媒体点播平台的所述用户和/或另一个代表性用户的租借历史的评估和/或估计来产生所述确定的喜欢评级。在所述评估中，例如，可以通过具有大体的喜欢评级并且与类似的考虑媒体内容项目匹配的、诸如类型、演员、发布日期或内容等的特征来将用户租借的所述媒体内容项目分类。所述匹配的考虑的媒体内容项目被自动地分配相同的喜欢评级。另一种可能是用户手动地提供媒体内容项目的他的个人喜欢评级。一般，根据本发明的推荐系统被配置为根据已知推荐系统的操作原理来工作。

在连续的步骤中，租借数量预测器自动地估计所述媒体点播平台的相应的用户将在限定的时间段内从评级的媒体内容项目的所述评级组将租借的媒体内容项目的用户特定数量。由此，所述租借数量预测器考虑关于所述媒体点播平台的所述用户和/或其他代表性用户的所述租借历史和所述评级的媒体内容项目的相应的喜欢评级的信息。

优选的是，所述推荐系统从评级的媒体内容项目的所述评级组去除具有对于预设值的用户特定喜欢评级的所述考虑的媒体内容项目。通过这个手段，仅被特定最终用户喜欢的媒体内容项目被考虑加到仅相对于这个特定最终用户的所述媒体点播平台。当然，可以对于喜欢所述特定的考虑媒体内容项目的所述媒体点播平台的其他最终用户考虑相应的媒体内容项目。

优选的是，所述推荐系统从所述一组考虑的媒体内容项目识别和去除用户已经租借的所述考虑的媒体内容项目。不可能最终用户在较短的时间段内租借同一媒体内容项目两次。因此，这样的考虑媒体内容项目不应当被考虑被加到相对于所述相应的最终用户的媒体项目集。当然，可以对于还没有租借所述考虑的媒体内容项目的所述媒体点播平台的其他最终用户考虑所述相应的媒体内容项目。

有益的是，所述考虑的关于所述用户的所述租借历史的信息包括关于类型、诸如演员、艺术家、作家、音乐家或导演的在特定媒体内容项目的传送中涉及的人、媒体发布日期和/或所述媒体内容项目的租借价格。因此，可以分析单独的最终用户偏好哪种媒体内容项目和所述单独的最终用户是否对于特定价格类别的媒体内容项目具有癖好。

优选的是，推荐单元根据所述考虑的媒体内容项目的所述相应的用户特定喜欢评级来产生所述考虑的媒体内容项目的用户特定排序。通过这些手段，通过是锁钥后特定喜欢评级来分类所述考虑的媒体内容项目，以容易识别所述单独的最终用户比其他媒体内容项目更多(或更少)地喜欢的媒体内容项目。

优选的是，所述推荐系统从所述一组考虑的媒体内容项目去除具有最差的用户特定喜欢评级的考虑媒体内容项目。

优选的是，所述租借数量预测器基于用户将从所述一组考虑媒体内容项目租借的媒体内容项目的用户特定数量和所述考虑的媒体内容项目的所述用户特定喜欢评级来确定用户可能从所述一组考虑的媒体内容项目租借的所述特定媒体内容项目。如果所述最终用户可能租借的媒体内容项目的数量是“n”，则具有最佳喜欢评级的所述1至n个媒体内容项目最可能被相应的最终用户租借。

一种替代预测模型也是可能的，其中，在用于所述最终用户的水可能租借的视频的列表的构成中，考虑在媒体内容项目之间的类似度。如果两个媒体内容项目很类似，则不太可能所述最终用户在短时间段内租借两个项目。为了确定最终用户在单个租借时间段中租借类似项目的概率，也可以考虑来自最终用户租借历史的信息。

根据本发明，优选的是，通过金融评估器单元来确定用于租借来自相应的内容提供商的、所述确定的特定媒体内容项目的成本。

进一步优选的是，通过所述数据处理单元来确定用于向用户租借所述确定的特定媒体内容项目的营业额。

优选的是，所述数据处理单元计算在所述确定的成本和确定的营业额之间的差别，并且确定预期的利润或亏损。基于这个信息，根据本发明的所述方法可以确定一组考虑的媒体内容项目是否预期产生利润或亏损。通过将不同组的考虑媒体内容项目的预期利润或亏损作比较，所述方法可以包括例如自动地拾取产生最大利润的一组考虑的媒体内容项目。

优选的是，对于多个不同的用户执行所述方法。诸如喜欢评级、用户可能租借的媒体内容项目的数量和用户可能租借的特定媒体内容项目的数量的所述确定的信息可以用于产生在所考虑的所有最终用户上的平均值。因此，向所述运营商提供关于一组最终用户相对于媒体内容项目的给定的项目集的估计的消费者行为的信息。

优选的是，所述多个用户可能租借的所述确定的特定媒体内容项目被所述推荐系统自动地加到所述媒体点播平台。

有益的是，将所述预期的利润或亏损与预设的利润值或亏损值作比较。因此，所述媒体点播平台的运营商可以看到预期的项目集是否满足给定的要求或需要被调整以便达到设定的目标。而且，可以通过执行根据本发明的方法的系统自动地执行这样的调整。

优选的是，在预期利润大于或等于预设利润值或引起亏损值小于或等于预设亏损值的情况下，所述多个用户可能租借的所述确定的特定媒体内容项目被所述推荐系统加到所述媒体点播平台。

优选的是，所述媒体内容项目是数字媒体内容项目，诸如数字视频、数字照片、数字音乐、特别是游戏的计算机程序和/或数字文本。根据本发明，所述媒体点播平台涉及例如通过来自服务器的流传送来向最终用户租借所有种类的数字媒体项目。所述数字媒体项目可以包括视频、游戏、音乐或书籍。替代地，可以通过邮件来向最终用户传递所述媒体项目。另外，本发明的焦点也涉及其中最终用户购买项目而不是经由运营商租借项目的情况。

而且，提供了一种系统，用于执行根据本发明的用于有效地编译用于媒体点播平台的媒体内容项目的方法。所述系统包括：推荐单元，其被配置为确定对于媒体内容项目的用户特定喜欢评级；租借数量预测器，其被配置为确定用户从媒体内容项目的评级的组预期租借的媒体内容项目的数量；以及，金融评估器单元，其被配置为产生合并的一组量化的媒体内容项目，并且确定用于提供特定媒体内容项目的预期利润或亏损。所述子系统的每一个可以包括数据处理单元。另外，所述系统可以包括数据库，用于存储和管理用户相关数据和/或媒体内容相关数据。所述数据库可以例如包括已经被第三方产生的媒体内容项目的元数据。

在本发明的一个实施例中，视频点播平台的运营商确定可能被加到所述视频点播平台的视频集。向租借收入预测器传送关于所述视频集的信息，诸如标题、演员、发布时间、提名和/或授予的奖项。而且，也向所述租借收入预测器提供关于所述视频点播平台的一组最终用户的实际和/或可能最终用户的信息，诸如年龄、性别和/或兴趣。关于所述最终用户的信息可以被存储在最终用户数据库中，并且被从所述最终用户数据库直接地提供到所述租借收入预测器。

向推荐系统提供了关于所述视频集和所述视频集的视频的单独最终用户的用户喜欢评级的信息。而且，可以向所述推荐系统提供关于所述单独最终用户的租借历史的信息。可以通过所述单独的最终用户明确地或通过分析所述最终用户的所述租借历史来隐含地提供所述喜欢评级。从这个信息，所述推荐系统对于所述视频集的每一个视频产生喜欢评级，并且因此对于每一个单独的最终用户产生视频集的视频的排序。换句话说，所述推荐系统对于所述订户(最终用户)的每一个确定使用对应的喜欢评级量化的、来自从他或她最喜欢的给定视频集的视频的列表。这个喜欢评级可以例如是在0和1之间的值，其中，数字“1”表示估计用户非常喜欢的给定视频，并且“0”表示用户非常不喜欢所述视频。这样的推荐系统可以是基于内容的，或者，它可以基于协作过滤，或者，两者的组合。

向租借数量预测器提供关于每一个视频的喜欢评级、视频集的视频的排序和单独最终用户的租借历史的信息。而且，向所述租借数量预测器提供关于在所述最终用户的所述租借历史中考虑的视频的喜欢评级的信息。所述租借数量预测器对于所述最终用户的每一个确定他或她将在随后的服务期中租借的视频的数量的估计。这个估计可以仅基于租借历史，即，基于关于用户已经在过去的服务期期间租借了多少视频的信息，或者对于新的用户基于租借的平均数量(基于来自过去的服务期的信息的、在整个用户上平均或在所有新的用户上评级)，而不考虑在即将到来的服务期提供哪个视频集。

替代地，所述租借数量预测器可以使用来自用于单独的最终用户的给定的视频集的视频的排序，如所述推荐系统指定来估计租借的数量的，或如果需要则单独最终用户预期租借的精确的视频集的估计。

除了使用它来预测租借的数量之外，租借历史也可以用于看最终用户已经在过去的服务期中租借了哪些视频。已经近期被租借的视频不可能再一次在不久的将来被租借。

给定用户可能在即将到来的服务期租借哪些视频的估计可以现在被简单地确定如下。从所述推荐系统检索包括用于单独的最终用户的视频的排序的列表，并且，从这个列表去除近期被租借的视频。然后，假定用于即将到来的服务期的租借的估计数量是k，则仅通过来自结果产生的适配列表的前k个元素来给出给定用户将在即将到来的服务期中租借的视频集的估计。

在一个更高级的实施例中，可以通过由所述推荐系统指定的估计的喜欢评级来影响租借的视频的预测数量。在这个实施例中，所述推荐系统确定第一列表，所述第一列表包括单独最终用户已经在过去的确定的服务期内租借的视频的排序和喜欢评级的第一列表。也可以在第一列表中考虑还没有租借的在同一服务期中提供的视频的喜欢评级。

而且，提供了来自要在随后的服务期中向最终用户提供的预期的视频集的视频的估计的排序和喜欢评级的第二列表。将所述第一和第二列表的不同的排序的喜欢评级彼此作比较。在所述第二列表的视频的喜欢评级高于或等于已经被所述最终用户在过去租借的第一列表的视频的情况下，如果该喜欢评级与该最终用户还没有在过去租借的视频的喜欢评级相同或小于它，那该最终用户有可能以较高的概率来租借视频。该信息被统计地评估以产生预期的一组视频的、用户将租借的视频的数量的估计。

如果系统使用差别每次观看付钱支付模型，则另外，可以分析用户的租借历史以看用户是否占主导地仅雇佣更昂贵的、近来发布的视频或用户是否占主导地租用不太昂贵的视频。这可以用于具有用户预期在即将到来的服务期中花费在视频租借上的钱的数量的更精确的预测。除了最终用户可能即将从在随后的服务期内提供的视频集租借的视频的数量之外，租借数量预测器也可以估计最终用户可能即将租借哪些视频。该估计基于下述论点：最终用户将根据相对于喜欢附加的排序来租借视频。最终用户可能租借具有最高喜欢评级的视频。如果所以估计的、最终用户即将租借的视频的数量是“k”，则该最终用户可能租借他的个人排序的前k个视频。

本发明的一个重要特征是租借收入预测器，其估计给定的媒体集当在随后的服务期期间被提供到一组最终用户时将产生的收入。所述租借收入预测器利用所述推荐系统和所述租借数量预测器。因此，所述推荐系统和租借数量预测器可以被看作所述租借收入预测器的子系统。考虑到所述推荐系统对于最终用户和视频集的每一个组合给出视频的排序，并且考虑到所述租借数量预测器对于最终用户和视频集的每一个组合给出给定用户有可能在随后的服务期中租借的电影的数量的估计，则容易计算该给定用户在随后的服务期将花费在租借上的预期的钱的数量。可能考虑这个用户的租借历史。

现在，可以仅通过下述方式来获得整体租借收入：在所有的用户上将每一个用户在即将到来的时间段花费在租借上的预期的钱的数量求和。显然，替代地，也可以使用更高级的概率模型来预测该总的租借收入。所述租借收入预测器的一个更高级的实施例也包括考虑单独视频的普及度。例如，近期已经作为故事片发布并且吸引了在电影院中的许多观众并且/或者已经在审查中得到好评的视频有可能吸引来自最终用户的更多的兴趣。包括这些普及度的一种可能的方式与由所述推荐系统给出的估计的喜欢度作比较另外增大了这些普及项目的喜欢评级。

应当注意，确定新的视频的普及度不与确定用户特定的喜欢评级相同，并且，特定视频多常被租借不与估计用户将租借的媒体内容项目的用户特定数量相同。

另外，如果用于这些普及项目的结果产生的喜欢度对于给定的最终用户足够大，则所述最终用户可能在即将到来的服务期中具有多少租借的估计对应地增大适当的部分。可以以试验方式来确定该部分的精确值。因此，可以不利地影响例如接收到由媒体批评界的负面评级的视频的喜欢评级。

所述租借收入预测器可以被用作简单的工具，其中，运营商可以重复地指定视频集和订户集作为输入，以对于这些指定的输入获得作为输出的来自的视频租借的预期收入。替代地，所述租借收入预测器可以是大系统的一部分，其中，所述大系统自动地尝试通过也考虑运营商必须对于给定的视频集支付的租借成本而优化净收入。在那种情况下，可以产生视频集的不同组合，并且对于这些组合的每一个，可以计算估计的净收入。该大系统可以简单地返回预期产生最大净租借收入的前n个组合。可以穷尽地考虑所有的组合，但是这会是不切实际的。

替代地，可以应用局部搜索手段以通过下述方式重复地尝试找出更好的解决方案：尝试每当对于当前的组合增加或省略视频集时改善了整体的结果时那样进行。因此，在结尾，运营商可以考虑到可能其他方面而选择这些组合之一，该其他方面例如是关于运营商是否要投资在增长其订户基础的战略考虑。

最后，上面的系统也可以用于估计订户的满意度。从估计被给定的最终用户租借的视频的估计的喜欢评级，可以得出如何满足最终用户的估计。另外，如果用户的租借的估计数量与在过去的服务期期间的租借的(评级)数量作比较增大或减少，则这可以被解释为这个用户的满意度分别增加或减少的指示。

本发明的一个优选实施例涉及一种用于有效地编译数据集的系统和/或方法，所述数据集特别是多个媒体内容项目和/或数据的集或组，所述数据特别是关于所述媒体内容项目的信息。所述媒体内容项目例如是数字的和/或非数字的项目，例如，DVD、CD、书籍、电影文件、音乐文件和/或电子书籍文件等。所述数据被存储在诸如服务器或计算机的数据库中。所述数据是用于提供媒体内容项目以例如经由网站、电话或适当的TV频道租借给用户的媒体点播平台的一部分。而且，所述数据包括关于每一个用户的租借历史和/或用于媒体内容项目的单独用户评级的数据。所述用户的租借历史包含关于特定媒体内容项目的另外的信息数据，诸如标题、类别、演员、租借价格或发布日期等。所述信息作为元数据被存储是用户数据库中，所述是是所述数据库的优选部分。所述系统和方法被配置为提供考虑数据的另外的集或组，其中，所述另外的数据集包括至少一个媒体内容项目，并且所述考虑的媒体内容项目被考虑被所述媒体点播平台提供、即呈现到特定的用户。为了提供、特别是产生另外的数据集，在数据库中存储的媒体内容项目的元数据被提供，即被传送到推荐系统，其中，所述推荐系统获取元数据或关于作为元数据被存储在用户数据库中的用户的喜欢、不喜欢和/或消费者行为的信息，其中，项目的高的喜欢评级表示用户比具有较低喜欢评级的媒体内容项目更喜欢特定媒体内容项目。结果，并且基于媒体内容项目的元数据的获取，所述推荐系统通过确定每一个考虑的媒体内容项目的用户特定喜欢评级来产生另外的数据集，特别是评级的媒体内容项目的评级组，其中，关于基于特定用户和/或媒体点播平台的另一个代表性用户的租借历史的评估和/或估计产生确定的喜欢评级。而且，所述系统和方法被配置为，通过租借数量预测器考虑到关于媒体点播平台的特定用户和/或其他代表性用户的租借历史和评级的媒体内容项目的相应的喜欢评级的信息来估计或预测所述媒体点播平台将在限定的时间段内从评级的媒体内容项目的评级组租借的用户特定数量的媒体内容项目。此后，向媒体点播平台的运营商呈现估计的、平均的预测用户特定数量，以调整在媒体点播平台中的多个媒体内容项目的存储。上述系统和方法提供了一种改善的系统，用于提供数字(例如，内存存储器)和/或非数字存储器(例如，架子)空间的更有效的利用，因为运营商——使用上述的系统和方法——能够估计对于未来的限定时间段需要多少存储空间。例如，取代简单地主要提供大片和一般热门视频，优化所述存储空间以提供更平衡的视频集以用于租借。

附图说明

在下面，将参考附图在示例中描述本发明。在附图中：

图1描述了用于有效地编译媒体点播平台的媒体内容项目的选择器系统。

具体实施方式

参见图1，提供了媒体点播平台10a，其包括向用户40提供的多个媒体内容项目12。媒体内容项目12可以包括数字和/或非数字媒体内容项目。用户40可以根据如上所述的租借模型来租借所提供的媒体内容项目12，该租借模型例如是每次观看支付或使用有限或无限制数量的、用于租借的媒体内容项目12的每月认购。用户40的租借历史和用于媒体内容项目12的单独用户评级被存储在用户数据库42中。用户40的租借历史可以包括关于特定媒体内容项目12的信息，诸如标题、类型、演员、租借价格或发布日期登。而且，由用户40租借的每一个媒体内容项目12的数量和个人用户特定数据可以被存储在用户数据库42中。

内容提供商30向媒体点播平台10a的运营商提供考虑的媒体内容项目12的媒体组10b。替代地，可以建立多个内容提供商30。考虑的媒体内容项目12被进一步提供到选择器系统14，以用于有效地编译用于媒体点播平台10a的媒体内容项目12。选择器系统14包括推荐系统16、租借数量预测器18和金融评估器单元20。这些组件的每一个包括未示出的数据处理器单元。

向推荐系统16提供考虑的媒体内容项目12的元数据。推荐系统16从用户数据库42获取关于用户40的喜欢、不喜欢和消费者行为的信息。另外，可以考虑多个其他来源来用于确定用户40的喜欢和不喜欢，例如，销售数字或营销研究等。随后，推荐系统16评估所收集的信息以用于确定每一个考虑的媒体内容项目12的喜欢评级。在这一点，下面的高的喜欢评级表示用户40比具有较低喜欢评级的媒体内容项目12更喜欢特定媒体内容项目12。该范围可以例如从非常喜欢项目到非常不喜欢项目。结果，分别对于每一个单独的用户40产生用户评级的媒体内容项目12的评级组10c。替代地，在这一点上可以仅考虑指定组的用户40。

例如，在必须使用媒体点播平台10a来愉悦某个目标组的可能的新用户的需要的情况下，运营商也可以操纵喜欢评级。另外，推荐系统16可以通过喜欢评级的值来将评级组10c的评级的媒体内容项目12分类。已经被用户40租借的评级的媒体内容项目12的喜欢评级可以被推荐系统16自动减小，因为不大可能用户40再一次租借同一媒体内容项目12。也可以建立在最后租借和当前时间之间的时间跨度，其中，相应的时间跨度越长，则喜欢评级的减小越少。对于喜欢评级的减小替代地，推荐系统16可以从评级组10c去除相应的评级的媒体内容项目12。而且，推荐系统16也可以从评级组10c去除具有小于指定阈值的喜欢评级的评级的媒体内容项目12，例如用户40不喜欢的项目。租借数量预测器18将来自用户数据库42的信息与评级组10c的评级的媒体内容项目12作比较，以确定用户40可能在诸如一星期或一月的指定时间段内从评级的媒体内容项目12的评级组10c租借的媒体内容项目的数量。由此，特别地考虑用户40的租借历史。如果用户40已经在过去的指定时间段内租借了特定数量的媒体内容项目12，则有可能当新提供的媒体内容项目12的喜欢评级与已经租借的媒体内容项目12的喜欢评级大体相同时，同一用户40将在未来的相同长度的时间段中租借大体相同数量的媒体内容项目12。

如果新提供的媒体内容项目12的喜欢评级大于已经租借的媒体内容项目12的喜欢评级，则引起的租借数量也可以更高。相应地，如果新提供的媒体内容项目12的喜欢评级小于已经租借的媒体内容项目的喜欢评级，则引起的租借数量可以更小。因为这个考虑，可以考虑用户40已经租借的最不喜欢的媒体内容项目12的喜欢评级和/或喜欢评级的平均值。结果，租借数量预测器18分别对于每一个单独的用户40提供量化的媒体内容项目12的量化组10d。替代地，为了产生量化的媒体内容项目的量化组10优先级，租借数量预测器18可以仅建立指定组的代表性用户40。

在连续的步骤中，金融评估器单元20和没有所建立的用户40的所有量化组10d合并为合并的媒体内容项目12的合并组10e。金融评估器单元20将对于合并组10e的每一个合并的媒体内容项目12而言的、从内容提供商30的租借的成本与来自向用户40租借合并的媒体内容项目12的预期收入作比较。金融评估器单元20从合并组10e自动去除产生比收入更高成本的胳臂的媒体内容项目12。因此，金融评估器单元20产生选择的媒体内容项目12的选择组10e，并且向媒体点播平台10a提供选择组10e。可以通过下述方式来如此进行：或者，简单地向媒体点播平台10a加上所选择的媒体内容项目12，或者将所提供的媒体点播平台10a的媒体点播项目12替换为所选择的媒体内容项目12。

替代地，可以向运营商提供所选择的组的所选择的媒体内容项目，以用于人为检查。运营商可以然后评估不同组的选择。

下面，描述根据本发明的金融评估器单元的实现的细节。

将用于视频集的给定选择的收入建模

在这个示例中，媒体内容项目是视频。然而，取代视频，可以同样地处理其他种类的媒体内容项目。我们考虑编号为1、2、…N的N个内容提供商，每一个提供视频点播(VoD)提供商可以对于某个时间段选择性地租借的视频集。对于给定的选择S_{11}、S_{12},...、S_{1,n(1)}、S_{21}、S_{22},...、S_{2,n(2)}、S_{N,1}、S_{N,2},...、S_{N,n(N)}，我们接下来表达具有由U表示的订户基础的VoD提供商引起产生的收入。设O表示总的视频订单，即，

$O=\underset{i=1}{\overset{N}{\∪}}\underset{j=1}{\overset{n\left(i\right)}{\∪}}{S}_{\left\{\mathrm{ij}\right\}}$

对于每一个用户u∈U和视频v∈O，推荐器将提供喜欢度l(u,v)∈[0,1]，用于指示用户u喜欢视频v达到什么程度。基于该提供，用户u将在即将到来的时间段中租借视频v的概率P(O,u,v)可以被估计如下。假定用户在可以取决于订单O(的大小)的时间段中租借n(u,O)个视频。可以使用u的租借历史来容易地估计这一点。然后，例如，从在具有最高喜欢程度的O中的视频的大小M的子集选择大小n(u,O)的任意采样。替代地，假定用户在特定类型g的时间段中租借n(u,O,g)个视频。可以使用用户的租借历史来容易地估计这一点。然后，例如，从在具有最高喜欢程度和具有类型g的O中的视频的大小M的子集选择大小n(u,O,g)的任意采样。更一般而言，如果用户其特征在于多个个人信道(Pronk、V.、J.Korst、M.Barbieri&A.Proidl[2009].Personal television channels:simply zapping through your PVR content、Proceedings of the 1st International Workshop on Recommendation-basedIndustrial Applications、in conjunction with the 3rd ACM Conference onRecommender Systems、RecSys 2009、New York City、NY)，则可以取代特定类型而使用用于每一个频道的限定过滤器，以将视频的选择细分。而且，每一个频道将配备独立的推荐器，该推荐器提供对应的喜欢程度。如果将在两个或更多频道的环境中选择视频，则仅保留具有最高的喜欢程度的哪个，并且对于其他频道选择替代品。除了构造视频集的所述方式的每一个之外，可以通过将在例如近期租借的视频的‘黑名单’上出现的所选择的视频替换为对应的替代品来改善该构造。

以如上所述的示例的任何一种，选择视频的大小n(u,O)的集(作为选择的组)。这些所选择的视频获得高的概率P(O,u,v)，例如，概率1，并且，在O中的任何其他视频获得低概率P(O,u,v)，例如，概率0。

如果u必须对于租借v支付的价格是p(u,v)，并且通过s(u)来给出每一个租借周期对于这个用户的认购费用，则可以通过下式来估计VoD提供商在租借周期给出的O中从u获得的总的收入：

$s\left(u\right)+\underset{v\∈0}{\mathrm{\Σ}}P(O,u,v)\·p(u,v)$

通过相加来自在他的客户群U和所有集中的所有用户u的贡献，包括周期认购费用s(u)的、用于即将到来的时间段的VoD提供商的总的收入可以被表达为：

$\underset{u\∈U}{\mathrm{\Σ}}(s\left(u\right)+\underset{v\∈O}{\mathrm{\Σ}}(P(O,u,v)\·p(u,v)))$

为了促进分集，旨在保留客户群，可以在上面的表达式中包含去正规化因子。具体地说，可以将上面的表达式乘以

R(|O|)

其中，R是从自然数到实数间隔的单调非减函数，并且|O|表示O的基数。该函数作为对于收入的惩罚，并且可以通过基于视频订单的总的大小而言的客户群的大小的历史分析而被获知。作为一个简单的示例，函数R仅获得值0和1，表示总的订单应当具有某个最小的大小。

相反，与租借和存储来自内容提供商i的集S_{i1},S_{i2},...,S_{i,n(i)}相关联的成本可以被量化为：

C_i({S_{i,1},S_{i,2},...,S_{i,n(i)}})

将在所有内容提供商上的成本求和因此构成了总成本。

通过求和，通过下式给出用于下一个周期的VoD提供商的收入

$\underset{u\∈U}{\mathrm{\Σ}}(s\left(u\right)+\underset{v\∈O}{\mathrm{\Σ}}(P(O,u,v)\·p(u,v)))\·R\left(\right|O\left|\right)-\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{C}_i\left(\right\{S_{\{i,1\}},S_{\{i,2\}},...,S_{\{i,n\left(i\right)\}}\left\}\right)$

不言而喻，独立于视频集的成本不必被包含到该等式内。

用于改善总收入的计算的一种可能是包含价格相关的选择算法。然后，假定通过p来表示总的价格设置，选择视频的n(p,u,O)个，并且，所选择的选择处理的每一个变得略微更复杂，因为例如，可以因此考虑每一个周期要花费的最大数量。

在自动优化过程中，计算来自视频集的不同选择的预期收入，以便确定承诺最高收入的视频集，以改变视频集，可以自动地将相对于视频集的选择的局部搜索执行如下。现在，在局部搜索中的手段是下面的手段。对于每一个选择S_{11}、S_{12},...、S_{1,n(1)}、S_{21}、S_{22},...、S_{2,n(2)}、S_{N,1}、S_{N,2},...、S_{N,n(N)}，限定邻居。该邻居限定例如因为已经增加或去除了单个集导致与这个选择很类似但是不同的选择。使用这个或另一个适当限定的邻居功能，可以在任意选择的初始选择中开始局部搜索，并且对于该选择计算收入。该初始选择被称为当前选择。因此，预选当前选择的所有或一些邻居，并且，计算它们的收入。如果在这些选择中存在导致比由当前选择产生者更大的收入的选择，则将这些选择之一指定为当前选择，并且已经获得改善。重复重复地产生改善的该处理，直到已经达到了局部最小值，并且不再以该方式进行任何改善。

可以通过使用替代初始选择和在结尾选择最佳的局部最小值来重复该迭代改善处理。

也可能通过使用不同价格设置的选择以最大化利润来重复局部搜索。可以考虑到竞争而预先设置要利用的价格设置。

如上所述的具体局部搜索仅作为示例。对于本领域内的技术人员，显然存在在文献中良好地描述的关于本地搜索的多种变化，诸如禁忌搜索、随机局部搜索、一般局部搜索、模拟退火等等，并且、对于手边的优化问题，可以考虑许多变化。

为了保证VoD提供商总是进行可用于租借的最流行的视频的选择，可以例如通过从视频集去除它们来从上面的考虑排除这些。如上所述的优化解决方案因此集中在被更显著地考虑在喜欢程度上的个体差别的视频。

Claims (15)

1.一种用于有效地编译用于媒体点播平台(10a)的媒体内容项目(12)的方法，包括步骤：

-提供媒体点播平台(10a)，用于提供媒体内容项目(12)以租借给所述媒体点播平台(10a)的用户(40)，

-提供包括至少一个考虑的媒体内容项目(12)的考虑媒体内容项目(12)的考虑的媒体组(10b)，其中，所述考虑的媒体内容项目(12)被考虑来被提供到在所述媒体点播平台(10a)上的特定用户(40)，

-推荐系统(16)通过确定用于每一个考虑的媒体内容项目(12)的用户特定喜欢评级，产生评级的媒体内容项目(12)的评级组(10c)，其中，关于基于所述媒体点播平台(10a)的特定用户和/或另一个代表性用户(40)的租借历史的评估和/或估计来产生确定的喜欢评级，

-租借数量预测器(18)考虑到关于所述媒体点播平台(10a)的所述特定用户(40)和/或其他代表性用户(40)的所述租借历史和所述评级的媒体内容项目(12)的相应的喜欢评级的信息，估计所述媒体点播平台(10a)的所述特定用户(40)将在限定的时间段内从所述评级的媒体内容项目(12)的所述评级组(10c)租借的媒体内容项目(12)的用户特定数量。

2.根据权利要求1所述的方法，其特征在于另一个步骤：

-所述推荐系统(16)从所述一组媒体内容项目去除具有小于预设值的用户特定喜欢评级的所述媒体内容项目(12)。

3.根据权利要求1或2所述的方法，其特征在于另一个步骤：

-所述推荐系统(16)识别和去除所述特定用户(40)已经从考虑的媒体内容项目(12)的所述考虑的媒体组(10b)租借的所述考虑的媒体内容项目(12)。

4.根据在前的权利要求的任何一项所述的方法，其特征在于：

所述考虑的关于所述特定用户(40)的所述租借历史的信息包括关于类型、在建立所述媒体内容项目中涉及的人、媒体发布日期和/或所述媒体内容项目(12)的租借价格的信息。

5.根据在前的权利要求的任何一项所述的方法，其特征在于另一个步骤：

-所述推荐系统(16)根据所述评级的媒体内容项目(12)的相应的用户特定喜欢评级，产生所述评级的媒体内容项目(12)的用户特定排序。

6.根据权利要求5所述的方法，其特征在于另一个步骤：

-所述推荐系统(16)从所述一组评级的媒体内容项目(10c)去除具有最差的用户特定喜欢评级的所述评级的内容项目(12)。

7.根据在前的权利要求的任何一项所述的方法，其特征在于另一个步骤：

-基于所述评级组(10c)的所述用户(40)将租借的媒体内容项目(12)的所述确定的用户特定数量和所述评级的媒体内容项目(12)的所述特定的用户特定喜欢评级，所述租借数量预测器(18)通过确定所述特定用户(40)将从所述评级的媒体内容项目(12)的所述评级组(10c)预期租借的特定评级的媒体内容项目(12)，产生量化的媒体内容项目(12)的量化组(10d)。

8.根据权利要求7所述的方法，其特征在于另一个步骤：

-金融评估器单元(20)确定用于从相应的内容提供商(30)租借所述量化组(10d)的每一个量化的媒体内容项目(12)的成本。

9.根据权利要求8所述的方法，其特征在于另一个步骤：

-所述金融评估器单元(20)确定用于向所述特定用户(40)租借所述确定的特定媒体内容项目(12)的营业额。

10.根据权利要求9所述的方法，其特征在于另一个步骤：

-所述金融评估器单元(20)计算在所述确定的成本和确定的营业额之间的差，并且确定预期利润或亏损。

11.根据在前的权利要求的任何一项所述的方法，其特征在于

对于多个不同的用户(40)执行所述方法，其中，每一个考虑的用户(40)的所述量化组(10d)的所述媒体内容项目(12)被所述金融评估器单元(20)合并为媒体内容项目(12)的合并组(10e)。

12.根据权利要求10所述的方法，其特征在于

对于多个不同的用户(40)执行所述方法，其中，每一个考虑的用户(40)的所述量化组(10d)的所述媒体内容项目(12)被所述金融评估器单元(20)合并为媒体内容项目(12)的合并组(10e)，并且所述金融评估器单元(20)将所述预期的利润或预期的亏损与预设利润值或亏损值作比较。

13.根据权利要求12所述的方法，其特征在于步骤：

-在所述预期利润大于或等于是预设利润值或所述预期亏损小于或等于所述预设亏损值的情况下，所述推荐系统向所述媒体点播平台添加多个用户(40)可能租借的合并的特定媒体内容项目(12)。

14.根据在前的权利要求的任何一项所述的方法，其特征在于

所述媒体内容项目是数字媒体内容项目，诸如数字视频、数字照片、数字音乐、计算机程序和/或数字文本。

15.一种用于自动地执行根据在前的权利要求的任何一项所述的用于有效地编译用于媒体点播平台(10a)的媒体内容项目(12)的所述方法的系统，包括：

-推荐单元(16)，其被配置为确定用于媒体内容项目(12)的用户特定喜欢评级；

-租借数量预测器(18)，其被配置为确定用户(40)预期从媒体内容项目(12)的所述评级组(10c)租借的媒体内容项目(12)的数量；以及

-金融评估器单元(20)，其被配置为产生量化的媒体内容项目(12)的合并组(10e)，并且确定用于提供特定媒体内容项目(12)的预期利润或亏损。