CN105635824B - 个性化频道推荐方法和系统 - Google Patents

个性化频道推荐方法和系统 Download PDF

Info

Publication number
CN105635824B
CN105635824B CN201410614708.6A CN201410614708A CN105635824B CN 105635824 B CN105635824 B CN 105635824B CN 201410614708 A CN201410614708 A CN 201410614708A CN 105635824 B CN105635824 B CN 105635824B
Authority
CN
China
Prior art keywords
channel
user
program
channels
programs
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
Application number
CN201410614708.6A
Other languages
English (en)
Other versions
CN105635824A (zh
Inventor
汪灏泓
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
TCL Research America Inc
Original Assignee
TCL Research America Inc
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by TCL Research America Inc filed Critical TCL Research America Inc
Publication of CN105635824A publication Critical patent/CN105635824A/zh
Application granted granted Critical
Publication of CN105635824B publication Critical patent/CN105635824B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • H04N21/266—Channel or content management, e.g. generation and management of keys and entitlement messages in a conditional access system, merging a VOD unicast channel into a multicast channel
    • H04N21/2668—Creating a channel for a dedicated end-user group, e.g. insertion of targeted commercials based on end-user profiles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/20—Movements or behaviour, e.g. gesture recognition
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04H—BROADCAST COMMUNICATION
    • H04H20/00—Arrangements for broadcast or for distribution combined with broadcast
    • H04H20/40—Arrangements for broadcast specially adapted for accumulation-type receivers
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04H—BROADCAST COMMUNICATION
    • H04H60/00—Arrangements for broadcast applications with a direct linking to broadcast information or broadcast space-time; Broadcast-related systems
    • H04H60/29—Arrangements for monitoring broadcast services or broadcast-related services
    • H04H60/33—Arrangements for monitoring the users' behaviour or opinions
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04H—BROADCAST COMMUNICATION
    • H04H60/00—Arrangements for broadcast applications with a direct linking to broadcast information or broadcast space-time; Broadcast-related systems
    • H04H60/35—Arrangements for identifying or recognising characteristics with a direct linkage to broadcast information or to broadcast space-time, e.g. for identifying broadcast stations or for identifying users
    • H04H60/38—Arrangements for identifying or recognising characteristics with a direct linkage to broadcast information or to broadcast space-time, e.g. for identifying broadcast stations or for identifying users for identifying broadcast time or space
    • H04H60/41—Arrangements for identifying or recognising characteristics with a direct linkage to broadcast information or to broadcast space-time, e.g. for identifying broadcast stations or for identifying users for identifying broadcast time or space for identifying broadcast space, i.e. broadcast channels, broadcast stations or broadcast areas
    • H04H60/43—Arrangements for identifying or recognising characteristics with a direct linkage to broadcast information or to broadcast space-time, e.g. for identifying broadcast stations or for identifying users for identifying broadcast time or space for identifying broadcast space, i.e. broadcast channels, broadcast stations or broadcast areas for identifying broadcast channels
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04H—BROADCAST COMMUNICATION
    • H04H60/00—Arrangements for broadcast applications with a direct linking to broadcast information or broadcast space-time; Broadcast-related systems
    • H04H60/56—Arrangements characterised by components specially adapted for monitoring, identification or recognition covered by groups H04H60/29-H04H60/54
    • H04H60/59—Arrangements characterised by components specially adapted for monitoring, identification or recognition covered by groups H04H60/29-H04H60/54 of video
    • 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
    • H04N21/251—Learning process for intelligent management, e.g. learning user preferences for recommending movies
    • 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
    • H04N21/43—Processing of content or additional data, e.g. demultiplexing additional data from a digital video stream; Elementary client operations, e.g. monitoring of home network or synchronising decoder's clock; Client middleware
    • H04N21/433—Content storage operation, e.g. storage operation in response to a pause request, caching operations
    • H04N21/4334—Recording operations
    • 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
    • H04N21/43—Processing of content or additional data, e.g. demultiplexing additional data from a digital video stream; Elementary client operations, e.g. monitoring of home network or synchronising decoder's clock; Client middleware
    • H04N21/44—Processing of video elementary streams, e.g. splicing a video clip retrieved from local storage with an incoming video stream or rendering scenes according to encoded video stream scene graphs
    • H04N21/44008—Processing of video elementary streams, e.g. splicing a video clip retrieved from local storage with an incoming video stream or rendering scenes according to encoded video stream scene graphs involving operations for analysing video streams, e.g. detecting features or characteristics in the video stream
    • 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
    • H04N21/43—Processing of content or additional data, e.g. demultiplexing additional data from a digital video stream; Elementary client operations, e.g. monitoring of home network or synchronising decoder's clock; Client middleware
    • H04N21/442—Monitoring of processes or resources, e.g. detecting the failure of a recording device, monitoring the downstream bandwidth, the number of times a movie has been viewed, the storage space available from the internal hard disk
    • H04N21/44213—Monitoring of end-user related data
    • H04N21/44218—Detecting physical presence or behaviour of the user, e.g. using sensors to detect if the user is leaving the room or changes his face expression during a TV program
    • 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
    • H04N21/43—Processing of content or additional data, e.g. demultiplexing additional data from a digital video stream; Elementary client operations, e.g. monitoring of home network or synchronising decoder's clock; Client middleware
    • H04N21/442—Monitoring of processes or resources, e.g. detecting the failure of a recording device, monitoring the downstream bandwidth, the number of times a movie has been viewed, the storage space available from the internal hard disk
    • H04N21/44213—Monitoring of end-user related data
    • H04N21/44222—Analytics of user selections, e.g. selection of programs or purchase activity
    • 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 
    • H04N21/65—Transmission of management data between client and server
    • H04N21/654—Transmission by server directed to the client
    • H04N21/6543—Transmission by server directed to the client for forcing some client operations, e.g. recording
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N5/00—Details of television systems
    • H04N5/76—Television signal recording
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N5/00—Details of television systems
    • H04N5/76—Television signal recording
    • H04N5/91—Television signal processing therefor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction

Landscapes

  • Engineering & Computer Science (AREA)
  • Signal Processing (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Social Psychology (AREA)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Human Computer Interaction (AREA)
  • Data Mining & Analysis (AREA)
  • Psychiatry (AREA)
  • Medical Informatics (AREA)
  • Computational Linguistics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Two-Way Televisions, Distribution Of Moving Picture Or The Like (AREA)

Abstract

本发明公开了一种个性化频道推荐方法和系统。其中，该方法包括记录多个频道的视频节目；提取所述被记录的多个频道的视频节目的图像特征；将所述被提取的图像特征存储在特征数据库中，所述被提取的图像特征来自所述被记录的多个频道的视频节目；获取从视频节目中提取的图像特征数据，所述视频节目是在当前频道上正被用户装置的至少一个用户观看；检测正由用户观看的视频节目是不合意的节目，并基于图像特征数据和特征数据库确定正被观看的视频节目的频道的频道编号。该方法还包括，确定频道推荐，所述频道推荐包括至少一个用于切换不合意节目的合意频道，以及生成适应式电视指南用于用户跳过不合意的节目并切换至合意频道。

Description

个性化频道推荐方法和系统
技术领域
本发明涉及信息技术和用户界面技术领域，尤其涉及用于电子节目指南的个性化推荐方法和系统。
背景技术
现今，观看电视仍然是人类的主要娱乐活动之一。随着电视和通信技术的快速发展，当前的智能电视系统是为改善用户体验而制作的。例如，一些智能电视系统可以识别适合用户兴趣的节目。
然而，也存在电视节目的某些部分对用户来说是不合意的情况。例如，13岁以下儿童需要父母指导才能看的(PG-13)电影或限制级内容对小孩来说是不合意的，或者一些人被电视节目中间插入的商业广告弄得心烦意乱。当前的智能电视系统无法通过适应式电视指南功能帮助用户跳过不合意的节目。
所公开的方法和系统旨在解决上述的一个或多个问题以及其它问题。
发明内容
本发明的一个方面包括一种个性化频道推荐方法。该方法包括记录多个频道的视频节目；提取所述被记录的多个频道的视频节目的图像特征；将所述被提取的图像特征存储在特征数据库中，所述被提取的图像特征来自所述被记录的多个频道的视频节目；该方法还包括，获取从视频节目中提取的图像特征数据，所述视频节目是在当前频道上正被用户装置的至少一个用户观看；检测正由用户观看的视频节目是不合意的节目，并基于图像特征数据和特征数据库确定正被观看的视频节目的频道的频道编号。进一步地，该方法包括确定频道推荐，所述频道推荐包括至少一个用于切换不合意节目的合意频道，以及生成适应式电视指南，所述适应式电视指南用于用户跳过不合意的节目并切换至合意频道。
本发明的另一个方面包括一种个性化频道推荐系统。该个性化频道推荐系统包括记录模块，特征提取模块，图像分类模块和频道推荐模块。所述记录模块，用于记录多个频道的视频节目。所述特征提取模块，用于提取所述被记录的多个频道的视频节目的图像特征，将所述被提取的图像特征存储在特征数据库中，所述被提取的图像特征来自所述被记录的多个频道的视频节目。所述图像分类模块，用于获取从视频节目中提取的图像特征数据，所述视频节目是在当前频道上正被用户装置的至少一个用户观看，检测正由用户观看的视频节目是不合意的节目，并基于图像特征数据和特征数据库确定正被观看的视频节目的频道的频道编号。所述频道推荐模块，用于确定频道推荐以及生成适应式电视指南，所述频道推荐包括至少一个用于切换不合意节目的合意频道，所述适应式电视指南用于用户跳过不合意的节目并切换至合意频道。
本领域技术人员可根据本公开内容的描述，权利要求书和附图来理解本发明公开的其它方面内容。
附图说明
图1所示为结合本发明的某些实施例的示例性环境；
图2所示为与所公开的实施例一致的示例性计算系统；
图3所示为与所公开的实施例一致的示例性个性化频道推荐系统的结构示意图；
图4所示为与所公开的实施例一致的具有不同视频组件的视频流；
图5所示为与所公开的实施例一致的示例性个性化频道推荐系统过程的流程图；
图6所示为与所公开的实施例一致的示例性全局特征提取系统的示意图；
图7所示为与所公开的实施例一致的示例性全局特征提取过程的流程图；
图8所示为与所公开的实施例一致的示例性局部特征提取系统的示意图；以及
图9所示为与所公开的实施例一致的用于图像分类的示例性局部特征提取过程的流程图。
具体实施方式
通过本发明的实施例对本发明进行详细说明，这也将在附图中进行阐述。在任何可能的情况下，相同的附图标记在整个附图中用来指代相同或相似的部件。
图1所示为结合本发明的某些实施例的示例性环境100。如图1所示，环境100可包括电视机(TV)102，遥控器104，服务器106，用户108和网络110。还可以包括其它设备。
电视机102可包括任意适当类型的电视机，如等离子体电视机，液晶显示(LCD)电视机，投影电视机，非智能电视机，或智能电视机。电视机102还可以包括其它计算系统，如个人电脑(PC)，平板电脑或便携式电脑，或智能手机等。进一步，电视机102可以是能够在一个或多个频道中呈现多个节目的任意适当的内容呈现装置，可以通过遥控器104控制节目的呈现。
遥控器104可包括任意适当类型的遥控器，其可通过与电视机102的通信实现对电视机102的控制，如定制的电视机遥控器，通用遥控器，平板电脑，智能手机或能够执行远程控制功能的任何其他计算设备。遥控器104还可以包括其它类型的设备，如基于遥控控制的运动传感器，或深度相机增强式遥控器，以及简单的输入/输出装置，如键盘，鼠标，声控输入设备等。
进一步，服务器106可以包括用于将个性化视频内容提供给用户108的任意适当类型的服务器计算机或多个服务器计算机。服务器106还可促进遥控器104和电视机102之间的通信，数据存储和数据处理。电视机102，遥控器104和服务器106可以通过一种或多种通信网络110，如电缆网络，电话网络，和/或卫星网络等，彼此通信。
用户108可以采用遥控器104与电视机102交互以观看各种节目并执行其它感兴趣的活动，或者如果电视机102使用运动传感器或深度相机，则用户可以简单地使用手或身体姿势控制电视机102。用户108可以是单个用户或多个用户，如正在一起观看电视机的家庭成员。
电视机102，遥控器104和/或服务器106可以在任意适当的计算电路平台上实现。图2示出了能够实现电视机102，遥控器104和/或服务器106的示例性计算系统200的框图。
如图2所示，该计算系统200可以包括处理器202，存储介质204，显示器206，通信模块208，数据库210和外围设备212。某些设备可被省略而其他一些设备也可以包括其中。
处理器202可以包括任意适当的处理器或多个处理器。进一步地，处理器202可以包括用于多线程或并行处理的多个内核。存储介质204可以包括内存模块，如ROM，RAM，闪存模块，以及大容量存储，如CD-ROM和硬盘等。存储介质204可以存储计算机程序，用于处理器202执行计算机程序实施各种处理。
进一步地，外围设备212可以包括各种传感器和其它I/O装置，如键盘和鼠标，通信模块208可以包括用于通过通信网络建立连接的某些网络接口装置。数据库210可以包括用于存储数据的一个或多个数据库，并用于对所存储的数据执行特定操作，如数据库搜索。
在操作中，服务器106，电视机102，和/或遥控器104可以为用户108执行个性化推荐过程。针对电子节目指南，个性化推荐过程可以基于接收到的流式视频特征和用户行为特征生成适应式电视机指南以跳过不合意的视频节目。
图3所示为与所公开的实施例一致的示例性个性化频道推荐系统的结构示意图。个性化频道推荐系统是一种带适应式电视机指南功能帮助用户跳过不合意的节目(如广告和限制级内容)的增强视频娱乐体验方案。
如图3所示，个性化频道推荐系统可以包括广播系统302，端点装置304和云平台306。还可以包括其他部件或设备。
广播系统302，用于将流式视频传送至端点装置304和云平台306。例如，流式视频可以是广播视频节目，点播视频节目，游戏节目或任何其它视频节目。在某种情况下，视频节目可以包括以某些用户而不是以所有用户为目标的某些内容，如广告或具有不同等级的内容。
端点装置304，用于向至少一个用户或一组用户(如，家庭)回放流式视频。端点装置304可以是电视机，机顶盒，个人电脑，笔记本电脑，平板电脑，移动设备和其它设备。
端点装置304(如，电视机102)可以与云平台306(如，服务器106)一起工作执行某些视频操作，以实施个性化频道推荐过程，以使端点装置304的用户或多个用户能够独立于广播系统302控制流式视频中的观看内容。
例如，端点装置304和/或云平台306可以用于基于接收到的流式视频特征和用户行为特征生成适应式电视机指南以跳过不合意的视频节目。也就是说，基于所生成的适应式电视机指南或推荐，端点装置的用户能够容易地选择将在端点装置304上回放的合意的视频内容。
更具体地，端点装置304可以包括图像采样装置30402，特征提取模块30404和输出用户界面30406。还可以包括其它部件或设备。
图像采样装置30402，用于对输入视频流进行采样并将视频流分成不同的视频组件。如图4所示，视频流可以被分成多个场景，一个场景可以被分成多个镜头，一个镜头可以被分成多帧。帧可以进一步被分成多个对象，并且视频帧的特征可被提取用于进一步处理。可以在所述对象上执行对象识别，以识别一个或多个预配置对象，即，人。
也就是说，图像采样装置30402可以要求特征提取模块30404生成用于图像分类器30606的特征集。图像采样装置30402通过快照屏幕或通过从解码帧缓存器获取当前视频帧或通过其他方法对输入视频流进行采样。
特征提取模块30404可用于为图像分类提取特征。应当注意的是，同一特征提取算法需要被应用于端点装置304中的特征提取模块30404和云平台306中的特征提取模块30604二者中。
输出用户界面30406，用于与端点装置304的用户或多个用户交互。例如，输出用户界面30406可用于操作来自频道推荐器30612的展示更新(或者甚至根据该频道推荐器是否与遥控器链接而进行控制)，或者可用于显示具有被推荐给用户观看或切换的频道的替换节目指南。
具体地，遥控器104可以支持个性化频道推荐特征，并且用户可以点击按钮以跳过不合意的节目并根据来自频道推荐器30612的指令返回。然而，如果遥控器104不支持个性化推荐特征(例如，遥控器104可以伴随着机顶盒，并且个性化频道推荐安装在电视机102中而不是机顶盒中，在这种情况中电视机102更像监视器一样被使用)，随后频道推荐器30612的指令可以经由输出用户界面30406出现在电视机102的屏幕上，但用户要加速跳过不合意的节目不得不跟随指令在遥控器104上采取动作(如，用户手动地切换至具体频道)，没有快捷键来加速跳过不合意的节目。
进一步地，云平台306可包括特征数据库30602，特征提取模块30604，图像分类器30606，用户行为分析模块30608，视频项目跟踪装置30610，频道推荐器30612和记录装置30614。
记录装置30614，用于记录多个频道，即，频道1，频道2，...，频道n的视频时序。记录装置30614可以从广播系统302接收与端点装置304相同的流式视频。
特征提取模块30604，用于提取所述多个频道中的每个频道的选定的多个视频帧中的至少一些视频帧的特征。特征提取模块30604可采用与端点装置304中的特征提取模块30404相同的算法。
进一步，特征数据库30602，用于存储所述多个频道中的每个频道的被提取用于图像分类的特征。
图像分类器30606，用于基于递交的特征集和特征数据库30602的比较确定所捕获的图像的频道。特征数据集可以用于有效实施数据检索。
用户行为分析模块30608，用于分析用户或多个用户的观看行为，如根据系统推荐和观看持续时间跟踪由用户选择的频道。
视频项目跟踪装置30610，用于跟踪所识别的，用户正观看的视频项目以检测不合意的节目开始和结束的时刻，使在跳过不合意的节目之后，频道推荐器30612可以将合意的内容推荐给用户或者提醒用户返回初始频道。
进一步，频道推荐器30612可用于在跳过不合意的节目之后向用户推荐转到哪个频道。为了确保推荐的质量，频道推荐器30612可以考虑用于推荐质量的一些因素，如用户的喜好，社会趋势，切换前后的内容相关性，可能在将来不合意的节目的检测，等等。
在操作中，云平台306(如，服务器106)，电视机102，和/或遥控器104执行个性化频道推荐过程以跳过不合意的节目并转向合意的节目。图5所示为示例性频道推荐过程。
如图5所示，首先，记录多个频道的视频节目(S502)。例如，记录装置30614可以记录多个频道，频道1，频道2，...，频道n的每个频道的视频时序。视频节目可包含合意的内容和不合意的内容。用于确定什么内容是合意的或不合意的标准可以由电视机102的用户来设置，或者可以由服务器106自动地设置。例如，用户可以确定广告或商业广告(Ads)是不合意的节目或成人节目是不合意的节目。
进一步地，提取所记录的节目的视频帧图像特征(S504)。例如，特征提取模块30604可以基于某些标准和算法提取所述多个频道中的每个频道的视频帧的特征。图像特征可以是全局特征或者可以是局部特征，或者可以是全局特征和局部特征的组合。
进一步地，将所提取的视频帧图像特征存储在特征数据库中(S506)。例如，被提取的特征可被存储在特征数据库30602中，所述被提取的特征来自所述多个频道中的每个频道的用于图像分类的特征。
在用户装置(如，电视机102，智能手机等)回放视频节目时，用户装置也可提取正被用户观看的节目的视频图像特征。例如，图像采样装置30402可以对输入视频流进行采样并将视频流分成多个视频组件，并且特征提取模块30404可提取图像特征。用户装置所提取的图像特征随后可作为图像特征数据被上传至云平台306(如，服务器106)，用于分类(S508)。
进一步地，基于来自用户装置的图像特征数据和特征数据库306中存储的特征，可确定频道编号(S510)。例如，图像分类器30606可以将从用户装置获取的图像的特征集与所述多个频道中的每个频道的存储的特征进行比较，以确定正被捕获的广播以及当前视频项目信息的当前频道。
也就是说，图像分类器30606基于用户-装置-递交特征集和特征数据库30602的比较确定所捕获的图像的频道。特征数据集被用于数据检索，并且结果还被输入到用户行为分析模块30608和视频项目跟踪装置30610中。
由于特征提取模块30604可以基于图像特征的分类提取特征，因此所选择的多个视频帧的被提取的特征可包括全局特征和/或局部特征，所述全局特征描述整帧图像，所述局部特征采用在多个兴趣点计算的局部图像邻域的描述子。图像分类器30606可用于匹配特征提取模块30604的特征分类。
图像分类器30606可以包括采用描述整帧图像的全局特征的图像分类系统。大多数形状和结果描述子落入这一类别中。图6所示为与所公开的实施例一致的，用于图像分类的示例性全局特征提取系统的示意图，图7所示为所公开的实施例的一致的，用于图像分类的示例性全局特征提取过程700的流程图。
如图6所示，处理视频帧，在视频帧上执行全局特征提取，并将提取的帧特征传送至支持向量机(SVM)模型。SVM模型随后可以基于包含提取的全局特征的帧特征和特征数据库确定频道编号。
全局特征可以产生图像的紧凑表示，其中每个图像对应于高维特征空间的一个点。SVM模型可用于高吞吐量分类的机器学习，并且可以包括带相关学习算法的监督学习模型，该学习算法分析数据和识别图标，用于分类和回归分析。换句话说，给定贴标的训练数据，该算法输出对新的示例进行分类的最优超平面。
典型地，监督学习具有训练阶段。在训练阶段中，在特征提取之后，来自每个频道的所有帧特征被聚集成一个分类{C1，C2，...，Cn}，并且SVM多分类器被训练。在测试阶段(即，操作阶段)中，从用户装置(如，电视机或移动电话)上传的全局图像/照片特征直接被输入至被训练过的SVM多分类器，最终确定频道编号。
更具体地，如图7所示，全局特征提取过程可包括训练阶段和测试阶段。在训练阶段中，首先提取全局特征(S702)。在提取全局特征之后，将来自每个频道的所有帧特征聚集成成一个类别{C1，C2，...，Cn}(S704)，并且训练支持向量机(SVM)多分类器(S706)。在测试阶段中，从用户装置上传图像特征(S708)。随后，将图像特征直接输入至被训练过的SVM多分类器(S710)。最后，从SVM多分类器输出包括频道编号的结果(S712)。
进一步地，图像分类器30606可以包括采用描述图像的多个区域或多个点的局部特征的图像分类系统。图8所示为与所公开的实施例一致的，用于图像分类的示例性局部特征提取系统的示意图，图9所示为与所公开的实施例一致的，用于图像分类的示例性局部特征提取过程900的流程图。
如图8所示，分类系统采用局部特征，局部特征是在多个兴趣点被计算的局部图像邻域的描述子。通常，兴趣点被以多种尺度检测并且在对象的不同角度中被预期是可重复的。例如，可以采用某些特征类型，如尺度不变特征转换(SIFT)和加速鲁棒特征(SURF)。
从局部仿射不变区域提取的描述子可以被量化成视觉词，视觉词是由通过层次K-均值聚类算法(hierarchical k-means clustering)建立的词汇树定义的。大组代表性的描述子向量用在所述词汇树的无人监督训练中。在图像与查询相关性的词频-逆文档频率(TF-IDF)打分中使用视觉词的集合。词汇树中的每个节点与倒排文档相关联，以便有效地给大的数据库打分。
更具体地，如图9所示，在局部特征提取过程一开始，提取局部特征(S902)。分类过程采用局部特征，局部特征是在多个兴趣点计算的局部图像邻域的描述子，所述多个兴趣点被以多种尺度检测并且在对象的不同角度中被预期是可重复的。从局部仿射不变区域中提取局部特征，如尺度不变特征转换(SIFT)描述子和加速鲁棒特征(SURF)描述子。
随后，通过层次K-均值聚类算法建立词汇树(S904)。进一步，局部特征由词汇树量化成视觉词(S906)。大组代表性描述子向量用在所述树的无人监督训练中。此外，在图像与查询相关性的词频-逆文档频率(TF-IDF)打分中使用视觉词的集合(S908)。为了采用大数据库进行有效的打分，使用倒排文档，其中词汇树中的每一个节点与一个倒排文档相关联。最后，输出频道编号(S910)。
因此，根据是使用全局特征还是局部特征，图像分类器30606可以确定来自用户装置的对应于一个或多个不合意的节目的图像特征和对应于不合意的节目的频道编号。频道编号被提供至用户行为分析模块30608，视频项目跟踪装置30610和频道推荐器，用于进一步处理。进一步地，相关的视频项目编号也可被提供至视频项目跟踪装置30610，以根据频道编号确定对应的不合意的节目的开始和结束。
返回图5，确定频道编号(S510)之后，基于所确定的频道编号分析用户行为(S512)。更具体地，用户行为分析模块30608可监测用户的交互，检测用户的情绪，并评估用户的行为模式(如，采用遥控器上的图标)。
例如，用户能够经由遥控器上的数字键流畅地横切电视机频道，用户可以只使用箭头键中来回移动，或者用户可频繁地使用缩放功能。用户行为分析模块30608的分析结果可以输出至其它模块或单元，如频道推荐器30612。
行为分析装置30608还可以记录用户关注过的(如，停留超过2秒)的所有频道和在接收到来自频道推荐器的推荐之后用户的反应。
可以从多个方面分析用户行为以确定用户的行为和他/她的喜好之间的关系。例如，用户行为分析模块30608可以通过，如，用户交互的点击速度，选择观看的内容类型等，确定用户的当前情绪。
用户行为分析模块30608也可以确定用按键使用模式或用户使用遥控器的习惯。例如，一些用户可以以流畅方式使用遥控器，而其它用户可能仅使用遥控器上的个别键。此外，用户行为分析模块30608可确定用户是单个消费者还是家庭，如，用户的内容选择。男人，女人，孩子，老人在内容选择上可能有不同的爱好。对于包括具有几乎相同的爱好验的成员的家庭来说，该家庭可以被处理为单个消费者。
用户行为分析模块30608还可以确定电视机的使用模型，例如，通常的观看时间，频率，内容源等等。不同的人可能具有不同的按键使用模式，按键使用模式包括遥控器的使用频率，某些按键的使用频率，以及某些按键转移的频率。例如，用户行为分析模块30608可以保留用于使用模式的概率表并利用概率表识别用户或用户组以及用户的行为模式。
在某些实施例中，数据挖掘过程可以通过用户行为分析模块30608进行用户行为分析。在数据挖掘过程期间，行为分析装置30608可以考虑和确定某些用户行为。
例如，行为分析装置30608可以确定用户对不合意的节目(如，广告或包括广告或商业广告的一些节目)的反应和用户对频道推荐器的信任(如，用户跟随频道推荐器推荐的频道的频率或用户多常跟随频道推荐器推荐的频道)。
当检测到不合意的节目时，频道推荐器可以向用户发送带多个选项的通知，所述多个选项包括：(a)忽略频道推荐并停留在当前频道上；(b)根据频道推荐，切换至推荐的频道；或者(c)切换至未被推荐的另一个频道。
当用户忽略频道推荐并停留在当前频道上时，它可表明用户可能是喜欢不合意的内容(如，喜欢广告)。系统可以确定可能不存在保留推荐的任何点，并且可以相应地降低用于跳过不合意的节目的推荐的频率以避免惹恼用户。
当用户选择切换至推荐的频道的选项时，它可以表明用户是频道推荐的支持者。系统可以针对用户选择突出的(或提供更丰富的)频道推荐。
当用户选择切换至未被推荐的另一个频道的选项时，它可以表明用户不把频道推荐器当作好的支持。系统可以提供非突出的推荐以避免惹恼用户，并且同时，可以进一步根据用户喜好更精确地调整频道推荐。
如果用户未停留在被确定是不合意的频道的当前频道上，还可以推断出用户对不合意的节目是很反感的。
在家庭环境中，在电视机前面可能存在多个观看者，或者多个用户在不同的时间空档处使用电视机，因此，应当采用混合高斯模型(Mixture Gaussian Model)进行用户行为建模。使用向量<Xi>，其中Xi属于{0，1，2}以根据上述情况(a)，(b)和(c)表示用户对频道推荐器的反应，并且Xi表示用户正观看电视机的时间空档的数量。
一简化形式可以用于用户行为分析。用户反应被建模并由K个高斯分布混合表示(如，当Xi是二进制值时，K＝1)，其中每个高斯分布根据它属于的具体类别和频率被加权。因此用户在时间t时喜好Xt的概率可以通过下述等式(1)估算：
Figure BDA0000601099660000121
其中wi，t是归一化权重，μi和σi分别是第i个分布的均值和标准差。
在混合形式中最有影响的分布是用来确定当前用户是否具有特定爱好。在具有最多支持证据和最少方差的高斯分布中，基于w/σ的值对K个分布进行分类，并且保持排好序的列表，因此保持最可能的分布在前面，并留下最不可能的瞬态分布在后面。
用于内容类别的最可能的分布模型可以通过下述等式(2)获取：
Figure BDA0000601099660000122
其中wj是权重，阈值T是给予特定类别的总权重的分数。
针对现有的K个高斯分布检查在评估中的当前用户，以检查分布的均值和当前像素密度之间的距离是否在该分布的标准差的2.5倍范围内。如果K个分布没有一个评估成功，则具有最小的w/σ值的最少可能的分布由具有当前值作为其均值，预指定的大的方差和低的先验权的新的高斯分布代替。否则，如果匹配的分布是B个分布中的一个，则标记为用户喜好。
为了保持模型的适应性，采用来自同一用户的下一个内容选择连续地更新模型参数。用于匹配的高斯分布，采用该新的值Xt更新时间t时的所有参数。此外，先验权通过下述等式(3)更新：
wt＝(1-α)wt-1+α， (3)
其中α是学习率控制适应速度，1/α限定了确定变化的时间常数。
均值和方差分别由下述等式(4)和(5)更新：
μt＝(1-ρ)μt-1+ρXt， (4)
以及
Figure BDA0000601099660000131
其中ρ是与当前用户相关的概率并由学习率α衡量。因此，ρ可以通过下述等式(6)表示：
Figure BDA0000601099660000132
对于不匹配的分布，均值和方差保持不变，而先验权通过下述等式(7)更新：
wt＝(1-α)wt-1. (7)
通过采用这种更新方法，初始喜好分布保持在混合中，直到它变成最少可能的分布和观察到新的喜好。因此，如果这种静态喜好出现改变，则之前的喜好分布将被快速地重新结合到该模型中。
在应用用户行为模式时，该系统能够确定在某个时间空档中用户是否倾向于采用推荐，因此，可以将适应式用户界面显示给用户。例如，如果用户能忍耐不合意的节目，则降低跳过不合意的节目的推荐的频率以避免惹恼用户；如果用户喜欢频道推荐，则采用突出显示的(或更丰富的)推荐；如果用户跳过节目而不跟随频道推荐，则采用非突出，不会惹恼用户的推荐方式。
此外，视频项目跟踪装置30610可跟踪已识别的用户正观看的视频项目，以检测不合意的节目开始和结束的时刻，以便频道推荐器30612可以将合意的内容推荐给用户或者提醒用户在跳过不合意的节目之后返回初始频道。也就是说，视频项目跟踪装置30610可以为频道推荐器30612提供定时以推荐替换的频道或推荐返回初始频道。
进一步地，返回图5，频道推荐器30612可以基于来自用户行为分析模块30608和/或视频项目跟踪装置30610的输入将一个或多个频道推荐至用户装置(S514)。
例如，频道推荐器30612可以在跳过不合意的节目时向用户推荐转向哪个频道。为了确保推荐的质量，频道推荐器30612可以考虑某些因素，比如用户喜好，频道观看趋势，切换频道前后的内容相关性，可能在将来不合意的节目的检测等等来运用算法。
更具体地，频道推荐算法可以包括下述逻辑要素或逻辑条件：(a)推荐频道不具有当前不合意的节目；(b)推荐频道具有与正被观看的当前节目之间有很高相似性的节目；(c)推荐频道具有适合用户的喜好的节目；以及(d)基于其它用户变换频道的方式的协同过滤算法作为频道推荐的指南。还可以包括其它逻辑要素。
在操作中，不需要全部满足上述逻辑条件。反而，加权系统可以用于为满足上述逻辑条件中的一个或多个的推荐频道设置先验权。
进一步，可以提前研究用于所述多个频道的电子节目指南(EPG)，以使所有节目提前分类成多个类别，如节目戏剧，动作，纪录片等等。一些节目可能还具有更多的元数据，如男演员/女演员，导演等等。因此，对于具有不确定的指导信息(如，节目持续时间)的某些不合意的节目，如广告，可以经由历史数据估算和/或预测关于这些节目的信息。
进一步地，如前所述，还可以收集和分析表明用户喜好的用户的电视机观看行为，并且可以获取所有用户的频道交换趋势，可以检测多个用户(如，家庭用户)之中的共同行为模式。
为了使问题更普通，频道推荐器能够基于上述逻辑要素在任何时刻推荐用户从一个频道(或一个节目)切换至另一个频道(或另一个节目)。
假设当前在N个频道上显示的N个节目由P＝{P1，P2，...PN}表示；并且T(Pi，Pj)是由频道推荐器指引的从Pi至Pj的最佳切换；S(Pi，Pj)是节目Pi和节目Pj之间的相似性；Q(Pj)是当前不合意的节目的预测比例；U(Pj)是匹配用户的喜好或兴趣的节目的程度；以及C(Pi，Pj)是该组用户其他用户组从Pi切换至Pj的概率，则发现一频道j需满足以下等式条件
Figure BDA0000601099660000151
其中Pi是正观看的当前节目，α，β，γ是将由用户调整的在[0，1]之间的权重参数。
因此，计算等式8中的函数S和U有多种方法。节目Pi和节目Pj彼此比较相似性(如，S函数)的通常方法是对节目的内容特征向量采用下述等式9中示出的Sim运算。Sim运算由下述等式9限定：
Figure BDA0000601099660000152
其中X和Y是正被比较的向量。
同样的Sim运算还可以应用于U函数。也就是说，将节目特征向量与用户喜好向量进行比较。
Q函数评估在返回至频道i之前将节目切换至频道j期间包含的不合意的节目的比例。对于C函数，它基于群用户的共同行为的统计，因此，该概率可以被计算为在该群中从一个频道切换至另一个频道的频率(或比例)。还可以采用其它方法。
因此，基于所确定的频道编号，节目信息，和/或用户行为或喜好，频道推荐器30612可以推荐替换展示不合意的节目频道的频道。频道推荐器30612可以在不合意的节目结束时推荐返回初始频道。
推荐可以传送至用户装置，以使用户装置可以向用户呈现频道推荐(S516)。例如，用户装置可以在不合意的节目显现给用户时采用输出用户界面促使用户切换替换频道，或者在显示屏幕上或者在显示屏幕的下边缘处向用户显示用于选择是否切换至推荐频道或者是否从将被切换至的推荐频道列表中进行选择的菜单。也就是说，用户装置和频道推荐器可以为用户生成适应式电视机指南以跳过不合意的节目并切换至合意频道，以及在不合意的节目结束时返回至不合意的节目的频道。
此外或任选地，输出用户界面30406可以在装配有特定按钮的遥控器中实现，所述特定按钮诸如跳过广告按钮，返回至节目按钮等，以使用户可以直接控制频道选择和节目返回，而无需用户装置的显示屏幕上的菜单显示。还可以采用其它方法。
通过采用本发明所公开的系统和方法，可以实现多种有好处的应用。例如，可以向用户显示推荐，用于娱乐内容选择。推荐模型可以将新的技术模型一起链接到自动电视机指南过程中，其中自动内容识别过程处理当前频道检测以及当前节目识别；用户行为分析过程处理用户喜好分析；内容挖掘过程处理节目类别分析。一旦检测到不合意的节目，则系统采用来自内容和用户行为分析模块的挖掘结果实现频道推荐，以帮助用户立即远离不合意的节目。
应当理解的是，所公开的推荐模型不限于电视机使用场合。所公开的系统和方法也可以应用于具有显示器的任何装置，如智能手机，平板电脑，个人电脑，智能手表等等。根据云平台计算的信息与该装置同步以实现个性化推荐体验。也就是说，所公开的方法不仅可以用于跳过不合意的视频节目生成适应式电视机指南的系统，而且可以用作其它系统的核心功能，如其它内容推荐系统，信息搜索系统等等。
例如，在内容推荐系统中，云平台可以提取接收的内容(如，图像，网页，文件等)的特征用于分类并分析至少一个用户的用户行为。
在分析用户行为时，用户反应被建模并由K个高斯分布混合(如，当Xi是二进制值时，K＝1)表示，其中每个高斯分布根据它属于的具体类别和频率被加权。因此，用户在时刻t时喜好Xt的概率通过下述等式估算：
Figure BDA0000601099660000161
其中wi，t是归一化权重，μi和σi分别是第i个分布的均值和标准差。
在混合形式中最有影响的分布是用来确定当前用户是否具有特定爱好。在具有最多支持证据和最少方差的高斯分布中，基于w/σ的值对K个分布进行分类，并且保持排好序的列表，因此保持最可能的分布在前面，并留下最不可能的瞬态分布在后面。
进一步，云平台可以基于接收的内容的提取特征和用户行为的提取特征生成适应式内容指南以跳过不合意的内容。
此外，端点装置(如，智能手机，平板电脑等)可以基于所产生的适应式内容指南将推荐的内容显示给至少一个用户。
进一步，虽然为了说明目的，公开了个性化内容推荐，但类似的概念和方法可以应用于其它推荐系统，例如，应用程序推荐，餐馆推荐，房屋推荐等等。
利用上述说明进行的其他应用，或对本方案的改进，替换和变形，或等同于所公开的实施例的方案都属于本发明所附权利要求的保护范围。

Claims (13)

1.一种个性化频道推荐方法，包括：
记录多个频道的视频节目；
提取被记录的多个频道的视频节目的图像特征；
将被提取的图像特征存储在特征数据库中，所述被提取的图像特征来自所述被记录的多个频道的视频节目；
获取从视频节目中提取的图像特征数据，所述视频节目是在当前频道上正被用户装置的至少一个用户观看；
检测正由用户观看的视频节目是不合意的节目，并基于图像特征数据和特征数据库确定正被观看的视频节目的频道的频道编号；
确定频道推荐，所述频道推荐包括至少一个用于切换不合意节目的合意频道；以及
生成适应式电视指南，所述适应式电视指南用于用户跳过不合意的节目并切换至合意频道；
其中所述确定频道推荐和生成适应式电视机指南进一步包括：
采用数据挖掘过程对用户装置的所述至少一个用户执行用户行为分析以确定用户对不合意的节目的反应和用户对频道推荐的信任；
其中执行用户行为分析进一步包括：
当检测到不合意的节目时，向用户发送带多个选项的通知，所述多个选项包括：(a)忽略频道推荐并停留在当前频道上；(b)根据频道推荐，切换至推荐的频道；以及(c)切换至未被推荐的另一个频道；
并且当用户忽略频道推荐并停留在当前频道上时，降低用于跳过不合意的节目的频道推荐的频率。
2.根据权利要求1所述的个性化频道推荐方法，进一步包括：
当用户选择根据频道推荐切换频道的选项，准备进行频道切换时，为用户提供足以引起用户注意的突出的频道推荐；以及
当用户选择切换至未被推荐的另一个频道的选项，准备进行频道切换时，为用户提供非突出的频道推荐。
3.根据权利要求1所述的方法，其中提取被记录的多个频道的视频节目的图像特征和确定频道编号进一步包括：
提取所述被记录的多个频道的视频节目的全局特征；
将所有全局特征聚集成一个类别，所述全局特征来自所述被记录的多个频道的视频节目；
利用所述被记录的视频节目的已聚类的全局特征训练支持向量机多分类器；以及
将来自用户装置的图像特征数据输入至已被训练的支持向量机多分类器，以使已被训练的支持向量机多分类器输出频道编号。
4.根据权利要求1所述的个性化频道推荐方法，其中提取被记录的多个频道的视频节目的图像特征和确定频道编号进一步包括：
提取所述被记录的多个频道的视频节目的局部特征；
通过层次K－均值聚类算法建立词汇树；
通过词汇树将局部特征量化成视觉词；以及
在图像与查询相关性的词频－逆文档频率打分中使用视觉词的集合以确定频道编号。
5.根据权利要求1所述的个性化频道推荐方法，其中确定频道推荐进一步包括：
采用加权系统对满足多个逻辑条件中的一个或多个的推荐频道设置先验权，所述多个逻辑条件至少包括：
推荐频道不具有当前不合意的节目；
推荐频道具有与正被观看的当前节目之间的相似性达到预定值的节目；
推荐频道具有适合用户喜好的节目；以及
推荐频道符合基于其它用户变换频道的方式的协同过滤算法的指导。
6.根据权利要求5所述的个性化频道推荐方法，进一步包括：
假设当前在N个频道上显示的N个节目由P＝{P1，P2，...PN}表示，N是整数；并且T(Pi，Pj)是从Pi至Pj的最佳切换；S(Pi，Pj)是节目Pi和节目Pj之间的相似性；Q(Pj)是当前不合意的节目的预测比例；U(Pj)是匹配用户的喜好或兴趣的节目的程度；以及C(Pi，Pj)是其他用户组从Pi切换至Pj的概率，则发现一频道j满足以下等式：
Figure FDA0002286941420000021
其中α、β和γ是将由用户调整的在[0，1]之间的权重参数。
7.根据权利要求1所述的个性化频道推荐方法，其中所述生成适应式电视指南进一步包括：
提供装配有跳过节目按钮和返回节目按钮的遥控器。
8.一种个性化频道推荐系统，包括：
记录模块，用于记录多个频道的视频节目；
特征提取模块，用于提取被记录的多个频道的视频节目的图像特征，并将被提取的图像特征存储在特征数据库中，所述被提取的图像特征来自所述被记录的多个频道的视频节目；
图像分类模块，用于获取从视频节目中提取的图像特征数据，所述视频节目是在当前频道上正被用户装置的至少一个用户观看，检测正由用户观看的视频节目是不合意的节目，并基于图像特征数据和特征数据库确定正被观看的视频节目的频道的频道编号；
频道推荐模块，用于确定频道推荐以及生成适应式电视指南，所述频道推荐包括至少一个用于切换不合意节目的合意频道，所述适应式电视指南用于用户跳过不合意的节目并切换至合意频道；
用户行为分析模块，用于采用数据挖掘过程对用户装置的至少一个用户执行用户行为分析以确定用户对不合意的节目的反应和用户对频道推荐的信任；
其中用户行为分析模块进一步用于：
当检测到不合意的节目时，向用户发送带多个选项的通知，所述多个选项包括：(a)忽略频道推荐并停留在当前频道上；(b)根据频道推荐，切换至频道推荐；以及(c)切换至未被推荐的另一个频道；并且
并且当用户忽略频道推荐并停留在当前频道上时，降低用于跳过不合意的节目的频道推荐的频率。
9.根据权利要求8所述的个性化频道推荐系统，其中用户行为分析模块进一步用于：
当用户选择根据频道推荐切换频道的选项，准备进行频道切换时，为用户提供足以引起用户注意的突出的频道推荐；以及
当用户选择切换至未被推荐的另一个频道的选项，准备进行频道切换时，为用户提供非突出的频道推荐。
10.根据权利要求8所述的个性化频道推荐系统，其中特征提取模块进一步用于：
提取所述被记录的多个频道的视频节目的全局特征；
将所有全局特征聚集成一个类别，所述全局特征来自所述被记录的多个频道的视频节目；
利用所述被记录的视频节目的已聚类的全局特征训练支持向量机多分类器；以及
将来自用户装置的图像特征数据直接输入至已被训练的支持向量机多分类器，以使已被训练的支持向量机多分类器输出频道编号。
11.根据权利要求8所述的个性化频道推荐系统，其中特征提取模块进一步用于：
提取所述多个频道的被记录的视频节目的局部特征；
提取所述被记录的多个频道的视频节目的局部特征；
通过层次K－均值聚类算法建立词汇树；
通过词汇树将局部特征量化成视觉词；以及
在图像与查询相关性的词频－逆文档频率打分中使用视觉词的集合以确定频道编号。
12.根据权利要求8所述的个性化频道推荐系统，其中频道推荐模块进一步用于：
采用加权系统对满足多个逻辑条件中的一个或多个的推荐频道设置先验权，所述多个逻辑条件至少包括：
推荐频道不具有当前不合意的节目；
推荐频道具有与正被观看的当前节目之间的相似性达到预定值的节目；推荐频道具有适合用户喜好的节目；以及
推荐频道符合基于其它用户变换频道的方式的协同过滤算法的指导。
13.根据权利要求12所述的个性化频道推荐系统，其中频道推荐模块进一步用于：
假设当前在N个频道上显示的N个节目由P＝{P1，P2，...PN}表示，N是整数；并且T(Pi，Pj)是从Pi至Pj的最佳切换；S(Pi，Pj)是节目Pi和节目Pj之间的相似性；Q(Pj)是当前不合意的节目的预测比例；U(Pj)是匹配用户的喜好或兴趣的节目的程度；以及C(Pi，Pj)是其他用户组从Pi切换至Pj的概率，则发现一频道j满足以下等式
Figure FDA0002286941420000051
其中α，β，γ是将由用户调整的在[0，1]之间的权重参数。
CN201410614708.6A 2014-08-08 2014-11-04 个性化频道推荐方法和系统 Active CN105635824B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US14/454,969 US9473803B2 (en) 2014-08-08 2014-08-08 Personalized channel recommendation method and system
US14/454,969 2014-08-08

Publications (2)

Publication Number Publication Date
CN105635824A CN105635824A (zh) 2016-06-01
CN105635824B true CN105635824B (zh) 2020-03-31

Family

ID=55268434

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201410614708.6A Active CN105635824B (zh) 2014-08-08 2014-11-04 个性化频道推荐方法和系统

Country Status (2)

Country Link
US (1) US9473803B2 (zh)
CN (1) CN105635824B (zh)

Families Citing this family (40)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9386338B2 (en) * 2014-07-29 2016-07-05 Verizon Patent And Licensing Inc. Automatic channel selection and control
RU2632131C2 (ru) 2015-08-28 2017-10-02 Общество С Ограниченной Ответственностью "Яндекс" Способ и устройство для создания рекомендуемого списка содержимого
RU2629638C2 (ru) 2015-09-28 2017-08-30 Общество С Ограниченной Ответственностью "Яндекс" Способ и сервер создания рекомендуемого набора элементов для пользователя
RU2632100C2 (ru) 2015-09-28 2017-10-02 Общество С Ограниченной Ответственностью "Яндекс" Способ и сервер создания рекомендованного набора элементов
US9736383B2 (en) 2015-10-30 2017-08-15 Essential Products, Inc. Apparatus and method to maximize the display area of a mobile device
RU2632144C1 (ru) 2016-05-12 2017-10-02 Общество С Ограниченной Ответственностью "Яндекс" Компьютерный способ создания интерфейса рекомендации контента
US9866913B1 (en) * 2016-06-24 2018-01-09 TCL Research America Inc. Binary TV
RU2636702C1 (ru) 2016-07-07 2017-11-27 Общество С Ограниченной Ответственностью "Яндекс" Способ и устройство для выбора сетевого ресурса в качестве источника содержимого для системы рекомендаций
RU2632132C1 (ru) 2016-07-07 2017-10-02 Общество С Ограниченной Ответственностью "Яндекс" Способ и устройство для создания рекомендаций содержимого в системе рекомендаций
US10575055B2 (en) * 2016-07-11 2020-02-25 Sony Corporation Using automatic content recognition (ACR) to weight search results for audio video display device (AVDD)
WO2018084725A1 (en) * 2016-11-07 2018-05-11 Motorola Solutions, Inc. Guardian system in a network to improve situational awareness at an incident
USD882600S1 (en) 2017-01-13 2020-04-28 Yandex Europe Ag Display screen with graphical user interface
US10166465B2 (en) 2017-01-20 2019-01-01 Essential Products, Inc. Contextual user interface based on video game playback
US10359993B2 (en) 2017-01-20 2019-07-23 Essential Products, Inc. Contextual user interface based on environment
US10671852B1 (en) 2017-03-01 2020-06-02 Matroid, Inc. Machine learning in video classification
TWI617993B (zh) * 2017-03-03 2018-03-11 財團法人資訊工業策進會 辨識系統及辨識方法
US10972779B2 (en) 2017-03-16 2021-04-06 At&T Intellectual Property I, L.P. User defined content summary channel
KR102384209B1 (ko) * 2017-10-30 2022-04-07 삼성전자주식회사 전자 장치 및 이의 제어 방법
CN107635143B (zh) * 2017-11-06 2020-05-05 四川长虹电器股份有限公司 基于观看行为预测用户在电视上追剧的方法
CN108124196A (zh) * 2017-12-19 2018-06-05 广州视源电子科技股份有限公司 过滤电视内容的方法、装置及设备、可读存储介质
CN108227926B (zh) * 2018-01-08 2021-01-26 南京大学 一种面向多通道协同智能交互的智能通道切换系统及方法
CN110119827A (zh) * 2018-02-06 2019-08-13 北京嘀嘀无限科技发展有限公司 用车类型的预测方法及装置
CN110209963A (zh) * 2018-02-13 2019-09-06 阿里巴巴集团控股有限公司 界面显示方法、装置、设备以及存储介质
CN110392307B (zh) * 2018-04-17 2021-11-09 富泰华工业（深圳）有限公司 电视节目过滤系统及方法
TWI669960B (zh) * 2018-04-17 2019-08-21 鴻海精密工業股份有限公司 電視節目過濾方法及電視機
RU2720952C2 (ru) 2018-09-14 2020-05-15 Общество С Ограниченной Ответственностью "Яндекс" Способ и система для создания рекомендации цифрового содержимого
RU2714594C1 (ru) 2018-09-14 2020-02-18 Общество С Ограниченной Ответственностью "Яндекс" Способ и система определения параметра релевантность для элементов содержимого
RU2720899C2 (ru) 2018-09-14 2020-05-14 Общество С Ограниченной Ответственностью "Яндекс" Способ и система для определения зависящих от пользователя пропорций содержимого для рекомендации
RU2725659C2 (ru) 2018-10-08 2020-07-03 Общество С Ограниченной Ответственностью "Яндекс" Способ и система для оценивания данных о взаимодействиях пользователь-элемент
RU2731335C2 (ru) 2018-10-09 2020-09-01 Общество С Ограниченной Ответственностью "Яндекс" Способ и система для формирования рекомендаций цифрового контента
CN109327737B (zh) * 2018-11-14 2021-04-16 深圳创维－Rgb电子有限公司 电视节目推荐方法、终端、系统及存储介质
CN109618219B (zh) * 2018-12-28 2021-11-23 中国移动通信集团江苏有限公司 网络电视的快速换台方法、装置、设备和存储介质
US11146843B2 (en) * 2019-06-17 2021-10-12 Accenture Global Solutions Limited Enabling return path data on a non-hybrid set top box for a television
RU2757406C1 (ru) 2019-09-09 2021-10-15 Общество С Ограниченной Ответственностью «Яндекс» Способ и система для обеспечения уровня сервиса при рекламе элемента контента
FR3102632B1 (fr) 2019-10-23 2023-06-16 Parrot Faurecia Automotive Sas Dispositif électronique et procédé de pilotage d’une diffusion de flux numériques audio et/ou vidéo, véhicule et programme d’ordinateur associés
CN110830844B (zh) * 2019-11-20 2021-08-06 四川长虹电器股份有限公司 一种电视终端智能推送的方法
CN111144933B (zh) * 2019-12-13 2022-02-08 北京三快在线科技有限公司 商品推荐方法、装置、电子设备及存储介质
CN110996144B (zh) * 2019-12-19 2021-10-08 哈尔滨工业大学 一种电视用户收视偏好分析方法
CN111506803B (zh) * 2020-03-17 2023-10-31 阿波罗智联(北京)科技有限公司 内容推荐方法、装置、电子设备及存储介质
CN113051431B (zh) * 2021-06-02 2021-08-17 杭州当贝网络科技有限公司 融合用户倾向的视频推荐方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102184235A (zh) * 2011-05-13 2011-09-14 广州星海传媒有限公司 一种基于机顶盒的数字电视节目推荐方法及系统
CN103324729A (zh) * 2013-06-27 2013-09-25 北京小米科技有限责任公司 一种推荐多媒体资源的方法和装置

Family Cites Families (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6418424B1 (en) * 1991-12-23 2002-07-09 Steven M. Hoffberg Ergonomic man-machine interface incorporating adaptive pattern recognition based control system
US20020120925A1 (en) * 2000-03-28 2002-08-29 Logan James D. Audio and video program recording, editing and playback systems using metadata
WO2000045603A1 (fr) * 1999-01-29 2000-08-03 Sony Corporation Procede de traitement des signaux et dispositif de traitement de signaux video/vocaux
AUPQ530500A0 (en) * 2000-01-28 2000-02-17 Right Hemisphere Pty Limited Commercial attenuator
US8010988B2 (en) * 2000-09-14 2011-08-30 Cox Ingemar J Using features extracted from an audio and/or video work to obtain information about the work
US8949878B2 (en) * 2001-03-30 2015-02-03 Funai Electric Co., Ltd. System for parental control in video programs based on multimedia content information
US6961467B2 (en) * 2001-10-17 2005-11-01 Intel Corporation Identifying image content
US20030192045A1 (en) * 2002-04-04 2003-10-09 International Business Machines Corporation Apparatus and method for blocking television commercials and displaying alternative programming
US7336890B2 (en) * 2003-02-19 2008-02-26 Microsoft Corporation Automatic detection and segmentation of music videos in an audio/video stream
US20050177847A1 (en) * 2003-03-07 2005-08-11 Richard Konig Determining channel associated with video stream
US8266659B2 (en) * 2003-05-16 2012-09-11 Time Warner Cable LLC Technique for collecting data relating to activity of a user receiving entertainment programs through a communications network
CN100583988C (zh) * 2005-01-27 2010-01-20 皇家飞利浦电子股份有限公司 推荐器中的辅助用户控制
US20060195860A1 (en) * 2005-02-25 2006-08-31 Eldering Charles A Acting on known video entities detected utilizing fingerprinting
US20090041311A1 (en) * 2007-08-09 2009-02-12 Jon Hundley Facial recognition based content blocking system
US8165450B2 (en) * 2007-11-19 2012-04-24 Echostar Technologies L.L.C. Methods and apparatus for filtering content in a video stream using text data
US8359642B1 (en) * 2010-06-25 2013-01-22 Sprint Communications Company L.P. Restricting mature content
JP2012053606A (ja) * 2010-08-31 2012-03-15 Sony Corp 情報処理装置および方法、並びにプログラム
WO2011140786A1 (zh) * 2010-10-29 2011-11-17 华为技术有限公司 一种视频兴趣物体提取与关联的方法及系统
US8584198B2 (en) * 2010-11-12 2013-11-12 Google Inc. Syndication including melody recognition and opt out
US9355635B2 (en) * 2010-11-15 2016-05-31 Futurewei Technologies, Inc. Method and system for video summarization
US8983192B2 (en) * 2011-11-04 2015-03-17 Google Inc. High-confidence labeling of video volumes in a video sharing service
US20140328570A1 (en) * 2013-01-09 2014-11-06 Sri International Identifying, describing, and sharing salient events in images and videos
US8789095B2 (en) * 2012-05-15 2014-07-22 At&T Intellectual Property I, Lp Apparatus and method for providing media content
US10200722B2 (en) * 2012-12-17 2019-02-05 Skycam, Llc Method and apparatus for classifying and transmitting data from an event

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102184235A (zh) * 2011-05-13 2011-09-14 广州星海传媒有限公司 一种基于机顶盒的数字电视节目推荐方法及系统
CN103324729A (zh) * 2013-06-27 2013-09-25 北京小米科技有限责任公司 一种推荐多媒体资源的方法和装置

Also Published As

Publication number Publication date
US9473803B2 (en) 2016-10-18
CN105635824A (zh) 2016-06-01
US20160044357A1 (en) 2016-02-11

Similar Documents

Publication Publication Date Title
CN105635824B (zh) 个性化频道推荐方法和系统
US9639881B2 (en) Method and system for personalized video recommendation based on user interests modeling
US9253511B2 (en) Systems and methods for performing multi-modal video datastream segmentation
US11636335B2 (en) System and method for content discovery
US11394675B2 (en) Method and device for commenting on multimedia resource
US20160014482A1 (en) Systems and Methods for Generating Video Summary Sequences From One or More Video Segments
CN104994426B (zh) 节目视频识别方法及系统
Lee et al. A smart TV system with body-gesture control, tag-based rating and context-aware recommendation
US10939165B2 (en) Facilitating television based interaction with social networking tools
CN109783656B (zh) 音视频数据的推荐方法、系统及服务器和存储介质
US20170235828A1 (en) Text Digest Generation For Searching Multiple Video Streams
US9866913B1 (en) Binary TV
US11412308B2 (en) Method for providing recommended channel list, and display device according thereto
KR102664418B1 (ko) 디스플레이 장치 및 그의 서비스 제공 방법
CN110851727A (zh) 搜索结果的排序方法及服务器
US11615158B2 (en) System and method for un-biasing user personalizations and recommendations
CN110704680B (zh) 标签生成方法、电子设备及存储介质
CN114615524B (zh) 服务器、媒资推荐网络的训练方法及媒资推荐方法
US20230362444A1 (en) Computing device and operating method thereof
Tasič et al. Collaborative Personalized Digital Interactive TV Basics

Legal Events

Date Code Title Description
C06 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