CN104902293B - 数字电视收视率统计管理系统的实现方法 - Google Patents
数字电视收视率统计管理系统的实现方法 Download PDFInfo
- Publication number
- CN104902293B CN104902293B CN201510307464.1A CN201510307464A CN104902293B CN 104902293 B CN104902293 B CN 104902293B CN 201510307464 A CN201510307464 A CN 201510307464A CN 104902293 B CN104902293 B CN 104902293B
- Authority
- CN
- China
- Prior art keywords
- data
- analysis
- program
- prediction
- rating
- 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.)
- Expired - Fee Related
Links
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]
- H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
- H04N21/25—Management operations performed by the server for facilitating the content distribution or administrating data related to end-users or client devices, e.g. end-user or client device authentication, learning user preferences for recommending movies
- H04N21/258—Client or end-user data management, e.g. managing client capabilities, user preferences or demographics, processing of multiple end-users preferences to derive collaborative data
- H04N21/25866—Management of end-user data
- H04N21/25891—Management of end-user data being end-user preferences
-
- 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
- H04N21/4665—Learning process for intelligent management, e.g. learning user preferences for recommending movies characterized by learning algorithms involving classification methods, e.g. Decision trees
-
- 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
-
- 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]
- H04N21/60—Network structure or processes for video distribution between server and client or between remote clients; Control signalling between clients, server and network components; Transmission of management data between server and client, e.g. sending from server to client commands for recording incoming content stream; Communication details between server and client
- H04N21/63—Control signaling related to video distribution between client, server and network components; Network processes for video distribution between server and clients or between remote clients, e.g. transmitting basic layer and enhancement layers over different transmission paths, setting up a peer-to-peer communication via Internet between remote STB's; Communication protocols; Addressing
- H04N21/637—Control signals issued by the client directed to the server or network components
- H04N21/6377—Control signals issued by the client directed to the server or network components directed to server
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computer Graphics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Two-Way Televisions, Distribution Of Moving Picture Or The Like (AREA)
- Testing, Inspecting, Measuring Of Stereoscopic Televisions And Televisions (AREA)
Abstract
本发明涉及一种数字电视收视率统计管理系统及其实现方法,该系统包括复数个机顶盒、由一PC机和数据库组成的C/S架构以及由Web服务器与浏览器组成的B/S架构;所述机顶盒将收视数据通过网络传输至所述PC机,所述PC机对所述收视数据进行预处理并将处理后的数据存储至所述数据库中;所述数据库用以将存储的数据形成表格信息;所述Web服务器从所述数据库获取所需数据并进行DVB频道时段分析、DVB频道节目分析、VOD分析、收视率预测以及形成知识库,所述浏览器用以显示所述Web服务器的分析与预测结果。本发明结合官方的收视率统计指标并科学地对节目收视情况进行预测,统计分析覆盖面更加全面、统计更加实时准确,更符合数字时代的要求。
Description
技术领域
本发明涉及收视率统计领域,特别是一种数字电视收视率统计管理系统及其实现方法。
背景技术
收视率主要研究一个地区、同一个时间段某一个频道或者某一档电视节目的收视观众占总的收视人数的比率。收视率统计常用方法有以下三种:电话法,使用电话对被抽样电视观众进行访问,询问此刻正在收看的节目的情况并做记录;日记卡法,将日记卡放置在被抽样的用户家中,让家庭成员及时填写自己一周内收看节目的情况;仪器法,在被抽样的用户家中安装专门的测量仪系统,定期到抽样用户家中收集数据。传统的调查方法存在电话访问受限于作息时间,日记卡人为误差大、时效性差、准确性低,仪器成本高、反馈信息不丰富等不足。为了解决传统的调查中的不足,特别是收视率统计中日记卡法和仪器法存在的不足,本发明设计了基于双向机顶盒的收视率统计系统,该方式可以增大统计覆盖面,提高统计数据的准确性,节省了来自安装仪器的成本花费。此外还可以覆盖视频的在线点播、互动电视等跨平台视听行为,具有潜在发展能力。
随着“信息大爆炸”时代的来临,各类电视节目层出不穷,收视人群的口味难调,如何根据已有节目数据或者评价数据源,对于即将推广电视节目的收视率进行科学预测,如何较为准确地预测节目收视率,对于电视台、广告商、企业用户等都有很大的经济效益。本发明采用数据挖掘相关技术,利用以往的节目收视率为数据分析源,采用模糊量化法对影响电视节目收视率的因素进行评级评分,构建预测模型,科学地对节目收视进行预测。
发明内容
有鉴于此,本发明的目的是提供一种数字电视收视率统计管理系统及其实现方法,在网络架构上本系统采用了B/S架构,结合官方的收视率统计指标,对于机顶盒回传来的数据进行处理并进行相关指标分析可以避免日记卡和仪器法存在的不足问题,同时采用了数据挖掘算法中的决策树与神经网络等方法,利用以往的节目收视率为数据分析源,采用模糊量化法对影响电视节目收视率的因素进行评级评分,构建预测模型,科学地对节目收视情况进行预测。
本发明采用以下方案实现:一种数字电视收视率统计管理系统,包括复数个机顶盒、由一PC机和数据库组成的C/S架构以及由Web服务器与浏览器组成的B/S架构;所述机顶盒将收视数据通过网络传输至所述PC机,所述PC机对所述收视数据进行预处理并将处理后的数据存储至所述数据库中;所述数据库用以将存储的数据形成表格信息;所述Web服务器从所述数据库获取所需数据并进行DVB频道时段分析、DVB频道节目分析、VOD分析、收视率预测以及形成知识库,所述浏览器用以接收并显示所述Web服务器的分析与预测结果。
进一步地,所述表格信息包括相关节目表、实时收视数据表、VOD收视数据表以及预测信息表。
进一步地,所述数据库为SQL SEVER 2005数据库。
进一步地,所述包括DVB频道时段分析包括人均收视分钟数指标、收视率指标以及到达率指标;所述DVB频道节目分析包括播出比重、收视比重以及时段分布;VOD点播分析包括VOD统计分析以及VOD指标分析;所述收视率预测包括决策树预测以及BP神经网络预测;形成的所述知识库中包括人均收视分钟数指标介绍、收视率指标介绍以及到达率指标介绍。
本发明采用以下方法实现:一种数字电视收视率统计管理系统的实现方法,包括以下步骤:
步骤S1:所述机顶盒将收视数据通过网络传输至所述PC机,所述述PC机对所述收视数据进行预处理并将处理后的数据存储至所述数据库中;所述预处理具体为针对不同时间段的收视数据采用不同的时间间隔进行压缩处理,同时识别离群点、消除噪音以及纠正数据中的不合理因素;
步骤S2:所述Web服务器从所述数据库获取所需数据进行数据解析得到收视率统计指标,所述数据解析包括DVB频道时段分析、DVB频道节目分析、VOD分析;
步骤S3:根据所述步骤S2中的收视率分析数据,所述Web服务器采用决策树预测节目收视率预测方法以及BP神经网络预测节目收视率方法对节目收视率进行分析预测;
步骤S4:所述浏览器接收并显示所述步骤S3中的分析预测结果。
较佳的,对所述收视数据进行预处理能够保证数据的准确性以及提高数据访问的高效性。
进一步地,所述步骤S3中的决策树预测节目收视率预测方法包括训练部分与预测部分,所述训练部分具体为:首先根据收视率影响因素划分等级,并输入划分好的等级数据,分别计算各个影响因素的信息增益,选取信息增益最大的影响因素作为根节点,再以此节点进行分支,并以此类推直到该决策树没有分支为止,最后构建完成决策树分类模型;所述预测部分具体为:输入待预测节目的影响因素等级,根据训练好的决策树分类模型进行分类预测并将预测结果输出至浏览器。
较佳的,所述决策树预测节目收视率预测方法中采用的影响因素包括艺术水平、题材流行程度、编导人气、受众文化程度、推广力度、明星走红程度、受众经济情况、节目传播手段、受众年龄以及拟播频道总体收视率。
进一步地,所述步骤S3中的BP神经网络预测节目收视率方法包括训练部分与预测部分,所述训练部分具体为:首先对每个训练节目收视率的各个影响因素进行5分制模糊评分,并且设置网络初始的权值和阈值;在输入层进行训练数据集的输入,在中间层经过规则学习计算处理后,将结果传递到输出层,计算中间层与输入层各单元的输入、输出以及校正误差;再判断所述校正误差是否小于设置的阈值,并返回中间层到输出层以及输入层到中间层调整后所得的连接权值、同时返回中间层与输出层每个单元所定义的输出阈值;通过调整网络学习速率或学习次数,当校正误差小于学习次数时构建完成训练模型;所述预测部分具体为:输入待预测节目的各个影响因素的模糊量化评分,设置训练中的校正误差与学习次数,根据完全训练好的网络进行收视率的预测与在将预测结果输出至浏览器。
较佳的,所述BP神经网络预测节目收视率方法中的影响因素包括节目内容、节目形式、节目类型、节目传播手段、播放时段、上下节目关系、节目性质、季节与地区、名牌频道、名牌节目、名牌主持人、节目推广力度、受众文化程度以及受众职业。
相较于现有技术,本发明中采用B/S网络架构,在NET平台上进行系统的实现,功能方面包含了DVB频道时段分析、DVB频道节目分析、VOD分析、收视率预测、知识库;同时结合相应的收视率统计指标对数据进行处理后传送到Web服务器与浏览器进行分析显示,数据库端采用SQL SEV ER2005数据库进行相关节目表、实时收视数据表、VOD收视数据表、预测信息表等表的设计及实现,同时采用了数据挖掘相关算法对节目收视率进行科学地预测。本发明设计的数字电视收视率的调查系统具有优于传统的收视率统计方式的特点,使得统计分析覆盖面更加全面、统计更加实时准确,更符合数字时代的要求。
附图说明
图1 为本发明系统网络架构方案图。
图2 为本发明系统结构方框图。
图3 为本发明系统功能方框图。
图4 为本发明系统指标分析结构图。
图5 为本发明系统数据处理流程。
图6 为本发明中决策树预测节目收视率流程图。
图7为本发明中BP神经网络预测节目收视率流程图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
本实施例提供一种数字电视收视率统计管理系统,如图1所示的本发明的系统网络架构框图,本系统包括复数个机顶盒、由一PC机和数据库组成的C/S架构以及由Web服务器与浏览器组成的B/S架构;所述机顶盒将收视数据通过网络传输至所述PC机,所述PC机对所述收视数据进行预处理并将处理后的数据存储至所述数据库中;所述数据库用以将存储的数据形成表格信息;所述Web服务器从所述数据库获取所需数据并进行DVB频道时段分析、DVB频道节目分析、VOD分析、收视率预测以及形成知识库,所述浏览器用以显示所述Web服务器的分析与预测结果。
在本实施例中,所述表格信息包括相关节目表、实时收视数据表、VOD收视数据表以及预测信息表。
在本实施例中,所述数据库为SQL SEVER 2005数据库。
在本实施例中,在数据采集端,采用C/S架构进行数据采集设计,主要是因为这部分的功能变动比较小,对数据的安全性要求较高,利用数据采集器采集网络机顶盒回传的数据,通过PC机端的数据处理软件进行数据预处理后,将数据存储在本地的数据库中,便于统计分析使用。在表示层与应用层,为了更好地向用户呈现收视率的走势情况,更直观地观察走势情况,同时为了便于不同用户能够随时随地方便地使用收视数据统计分析系统。采用了当下较为常用的B/S网络架构,结合B/S架构丰富的图形显示功能进行系统的设计。
在本实施例中,如图2所示的本发明系统结构方框图,收视率统计系统功能结构由数据收集层、应用层、表示层等部分架构组成。数据收集层主要是采集收视用户每天收视的实时情况、VOD互动点播情况,然后经由双向机顶盒通过互联网将数据回传到服务器,将数据进行处理后填充到数据库中,便于后期的统计分析;应用层主要是对于数据库中的数据进行操作,为了提高数据访问的高效性,在统计分析前要对数据进行预处理,对不同时间段采用不同的时间间隔进行压缩处理,同时能够识别离群点、消除噪音,并纠正数据中的不合理因素。对挖掘出的有用数据进行处理,便于后期的收视率的预测与分析;表示层主要是对处理后的数据根据相关的指标进行前端显示分析,包括DVB频道时段分析、DVB频道节目分析、VOD点播分析、收视率预测以及形成知识库,具体的系统功能框图如图3所示。如图3所示,所述DVB频道时段分析包括人均收视分钟数指标、收视率指标以及到达率指标;所述DVB频道节目分析包括播出比重、收视比重以及时段分布;VOD点播分析包括VOD统计分析以及VOD指标分析;所述收视率预测包括决策树预测以及BP神经网络预测;形成的知识库中包括人均收视分钟数指标介绍、收视率指标介绍以及到达率指标介绍。另外,访问者在初次使用本系统时,应先进行用户注册后再登入使用。
在本实施例中,如图4所示的本发明系统指标分析结构图,根据CSM官网及其他收视率统计公司,选出了通用的十多种评价指标,按照功能需求,可划分为指标配置、指标统计、指标显示等功能,具体使用时可通过设置要统计的播出频道、地区、时间、收视率统计指标来实现,可采用折线图、柱状图以及表格的显示方案对处理后的结果进行显示。
在本实施例中,一种数字电视收视率统计管理系统的实现方法,如图5所示,包括以下步骤:
步骤S1:所述机顶盒将收视数据通过网络传输至所述PC机,所述述PC机对所述收视数据进行预处理并将处理后的数据存储至所述数据库中;所述预处理具体为针对不同时间段的收视数据采用不同的时间间隔进行压缩处理,同时识别离群点、消除噪音以及纠正数据中的不合理因素;
步骤S2:所述Web服务器从所述数据库获取所需数据进行数据解析得到收视率统计指标,所述数据解析包括DVB频道时段分析、DVB频道节目分析、VOD分析;
步骤S3:根据所述步骤S2中的收视率分析数据,所述Web服务器采用决策树预测节目收视率预测方法以及BP神经网络预测节目收视率方法对节目收视率进行分析预测;
步骤S4:所述浏览器接收并显示所述步骤S3中的分析预测结果。
较佳的,对所述收视数据进行预处理能够保证数据的准确性以及提高数据访问的高效性,由于用户换台或者短暂的停留于某节目某频道等因素,在数据预处理的时候应该将这些数据进行去除。对于短期时段内的数据能够尽量提高其数据的精度,时间间隔根据黄金时间和非黄金时间设置不同的时间间隔进行处理。对于以前的数据(比如一个礼拜以前或者一个月以前的数据)能够尽量进行压缩,减小对本地数据存储的负荷。
在本实施例中,如图6所示,所述步骤S3中的决策树预测节目收视率预测方法包括训练部分与预测部分,所述训练部分具体为:首先根据收视率影响因素划分等级,并输入划分好的等级数据,分别计算各个影响因素的信息增益,选取信息增益最大的影响因素作为根节点,再以此节点进行分支,并以此类推直到该决策树没有分支为止,最后构建完成决策树分类模型;所述预测部分具体为:输入待预测节目的影响因素等级,根据训练好的决策树分类模型进行分类预测并将预测结果输出至浏览器。
较佳的,所述决策树预测节目收视率预测方法中采用的影响因素包括艺术水平、题材流行程度、编导人气、受众文化程度、推广力度、明星走红程度、受众经济情况、节目传播手段、受众年龄以及拟播频道总体收视率。
在本实施例中,如图7所示,所述步骤S3中的BP神经网络预测节目收视率方法包括训练部分与预测部分,所述训练部分具体为:首先对每个训练节目收视率的各个影响因素进行5分制模糊评分,并且设置网络初始的权值和阈值;在输入层进行训练数据集的输入,在中间层经过规则学习计算处理后,将结果传递到输出层,计算中间层与输入层各单元的输入、输出以及校正误差;再判断所述校正误差是否小于设置的阈值,并返回中间层到输出层以及输入层到中间层调整后所得的连接权值、同时返回中间层与输出层每个单元所定义的输出阈值;通过调整网络学习速率或学习次数,当校正误差小于学习次数时构建完成训练模型;所述预测部分具体为:输入待预测节目的各个影响因素的模糊量化评分,设置训练中的校正误差与学习次数,根据完全训练好的网络进行收视率的预测与在将预测结果输出至浏览器。
较佳的,所述BP神经网络预测节目收视率方法中的影响因素包括节目内容、节目形式、节目类型、节目传播手段、播放时段、上下节目关系、节目性质、季节与地区、名牌频道、名牌节目、名牌主持人、节目推广力度、受众文化程度以及受众职业。
以上所述仅为本发明的较佳实施例,凡依本发明申请专利范围所做的均等变化与修饰,皆应属本发明的涵盖范围。
Claims (5)
1.一种数字电视收视率统计管理系统的实现方法,其特征在于,该数字电视收视率统计管理系统包括复数个机顶盒、由一台PC机和数据库组成的C/S架构以及由Web服务器与浏览器组成的B/S架构,所述数字电视收视率统计管理系统的实现方法包括以下步骤:
步骤S1:所述机顶盒将收视数据通过网络传输至所述PC机,所述PC机对所述收视数据进行预处理并将处理后的数据存储至所述数据库中;所述数据库用以将存储的数据形成表格信息;所述预处理具体为针对不同时间段的收视数据采用不同的时间间隔进行压缩处理,同时识别离群点、消除噪音以及纠正数据中的不合理因素;
步骤S2:所述Web服务器从所述数据库获取所需数据进行数据解析得到收视率统计指标,所述数据解析包括DVB频道时段分析、DVB频道节目分析、VOD分析;
步骤S3:根据所述步骤S2中的收视率分析数据,所述Web服务器采用决策树预测节目收视率预测方法以及BP神经网络预测节目收视率方法对节目收视率进行分析预测以及形成知识库;
所述决策树预测节目收视率预测方法包括训练部分与预测部分,所述训练部分具体为:首先根据收视率影响因素划分等级,并输入划分好的等级数据,分别计算各个影响因素的信息增益,选取信息增益最大的影响因素作为根节点,再以此节点进行分支,并以此类推直到该决策树没有分支为止,最后构建完成决策树分类模型;所述预测部分具体为:输入待预测节目的影响因素等级,根据训练好的决策树分类模型进行分类预测并将预测结果输出至浏览器;
步骤S4:所述浏览器接收并显示所述步骤S3中的分析预测结果。
2.根据权利要求1所述的一种数字电视收视率统计管理系统的实现方法,其特征在于:所述步骤S1中表格信息包括相关节目表、实时收视数据表、VOD收视数据表以及预测信息表。
3.根据权利要求1所述的一种数字电视收视率统计管理系统的实现方法,其特征在于:所述数据库为SQL SEVER 2005数据库。
4.根据权利要求1所述的一种数字电视收视率统计管理系统的实现方法,其特征在于:所述步骤S2中DVB频道时段分析包括人均收视分钟数指标、收视率指标以及到达率指标;所述DVB频道节目分析包括播出比重、收视比重以及时段分布;VOD点播分析包括VOD统计分析以及VOD指标分析;所述步骤S3中形成的所述知识库中包括人均收视分钟数指标介绍、收视率指标介绍以及到达率指标介绍。
5.根据权利要求1所述的一种数字电视收视率统计管理系统的实现方法,其特征在于:所述步骤S3中的BP神经网络预测节目收视率方法包括训练部分与预测部分,所述训练部分具体为:首先对每个训练节目收视率的各个影响因素进行5分制模糊评分,并且设置网络初始的权值和阈值;在输入层进行训练数据集的输入,在中间层经过规则学习计算处理后,将结果传递到输出层,计算中间层与输入层各单元的输入、输出以及校正误差;再判断所述校正误差是否小于设置的阈值,并返回中间层到输出层以及输入层到中间层调整后所得的连接权值、同时返回中间层与输出层每个单元所定义的输出阈值;通过调整网络学习速率或学习次数,当校正误差小于学习次数时构建完成训练模型;所述预测部分具体为:输入待预测节目的各个影响因素的模糊量化评分,设置训练中的校正误差与学习次数,根据完全训练好的网络进行收视率的预测与在将预测结果输出至浏览器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510307464.1A CN104902293B (zh) | 2015-06-08 | 2015-06-08 | 数字电视收视率统计管理系统的实现方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510307464.1A CN104902293B (zh) | 2015-06-08 | 2015-06-08 | 数字电视收视率统计管理系统的实现方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104902293A CN104902293A (zh) | 2015-09-09 |
CN104902293B true CN104902293B (zh) | 2017-11-17 |
Family
ID=54034644
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510307464.1A Expired - Fee Related CN104902293B (zh) | 2015-06-08 | 2015-06-08 | 数字电视收视率统计管理系统的实现方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104902293B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105260905A (zh) * | 2015-09-14 | 2016-01-20 | 陈佳 | 媒体节目影响力的评估、预估方法及装置 |
CN105635762B (zh) * | 2016-01-15 | 2018-11-27 | 深圳大学 | 一种基于深度信念网络的视频热度预测方法及其系统 |
CN106469202A (zh) * | 2016-08-31 | 2017-03-01 | 杭州探索文化传媒有限公司 | 一种影视大数据平台的数据分析方法 |
CN106534911A (zh) * | 2016-12-29 | 2017-03-22 | 北京四达时代软件技术股份有限公司 | 数据处理方法、数据处理装置及收视率统计系统 |
CN108805592A (zh) * | 2017-04-26 | 2018-11-13 | 星联互动文化传播(天津)有限公司 | 闭环综艺智库评分系统及方法 |
CN109587515B (zh) * | 2018-12-11 | 2021-10-12 | 北京奇艺世纪科技有限公司 | 一种视频播放流量预测方法及装置 |
CN111031363B (zh) * | 2019-12-19 | 2021-12-31 | 北京汉晟时代科技有限公司 | 一种基于定量大数据的用户收视情况预测方法及系统 |
CN112203112A (zh) * | 2020-10-13 | 2021-01-08 | 广州欢网科技有限责任公司 | 基于互联网电视的广告投放方法、装置和系统 |
CN116095409B (zh) * | 2023-04-07 | 2023-08-04 | 国家广播电视总局广播影视信息网络中心 | 收视数据分析方法及电子设备 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100260417B1 (ko) * | 1997-08-28 | 2000-07-01 | 윤종용 | 인터넷텔레비젼을이용한시청율조사방법및시스템 |
CN101335873A (zh) * | 2008-01-22 | 2008-12-31 | 金纯� | 一种基于数字电视的收视率调查系统及方法 |
CN102368831A (zh) * | 2011-12-01 | 2012-03-07 | 内蒙古中大传媒发展有限公司 | 一种数字电视用户收视率调查方法 |
-
2015
- 2015-06-08 CN CN201510307464.1A patent/CN104902293B/zh not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
CN104902293A (zh) | 2015-09-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104902293B (zh) | 数字电视收视率统计管理系统的实现方法 | |
JP6423132B1 (ja) | 広告枠最適化システム、広告枠最適化方法及びターゲットアクチュアル最適化装置 | |
US20230024837A1 (en) | Automated identification of video program content | |
ES2971439T3 (es) | Método, aparato, programa informático y sistema para determinar información relacionada con la audiencia de un programa de contenidos audiovisuales | |
CN106561054B (zh) | 一种用于直播网站的直播房间推荐方法及系统 | |
CN107851103A (zh) | 自动内容辨识指纹序列匹配 | |
CN103546773A (zh) | 电视节目的推荐方法及其系统 | |
CN103475910B (zh) | 一种用于智能电视端的机顶盒节目推荐方法及系统 | |
CN101627403A (zh) | 列表广告发送装置及方法 | |
CN107079183A (zh) | 电视观众测量方法和设备 | |
CN104811810A (zh) | 基于智能电视实时区域收视率和收视份额统计系统及方法 | |
CN109451303B (zh) | 一种针对VR视频中用户体验质量QoE的建模方法 | |
CN103051930A (zh) | 基于流量分析及用户行为分析的移动视频推荐方法及系统 | |
CN105306972A (zh) | 电视节目的推荐方法及服务器 | |
CN104936023A (zh) | 一种数字电视用户行为的大数据采集与分析方法及系统 | |
CN102368831A (zh) | 一种数字电视用户收视率调查方法 | |
CN104066004A (zh) | 一种对电视频道智能排序的电视机系统及方法 | |
CN104581218B (zh) | 网络电视收视流向监测方法和装置 | |
CN102769782B (zh) | 数字电视收视率回传方法 | |
CN101959063A (zh) | 媒体内容传送的网络传输效应的评估系统和方法 | |
CN101127883A (zh) | 网络电视系统及用于该系统的录播内容调度方法 | |
CN106028070A (zh) | 直播或轮播频道推荐方法、装置及视频服务器 | |
CN108540857A (zh) | 基于手机遥控器的电视收视率和用户偏好控制方法及系统 | |
CN105141983A (zh) | 一种基于观看时长的数字电视机频道的排序方法及系统 | |
Topalli et al. | Modelling user habits and providing recommendations based on the hybrid broadcast broadband television using neural networks |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20171117 Termination date: 20200608 |
|
CF01 | Termination of patent right due to non-payment of annual fee |