CN105915957A - 智能电视展示播放内容的方法、装置及系统 - Google Patents

Abstract

本发明提供一种智能电视展示播放内容的方法、装置及系统，涉及电视业务技术领域，解决了现有技术中电视端没有智能推荐影片功能导致的用户搜索影片操作量大、影响用户的观影体验的技术问题。其中，方法包括：接收到电视端传送的用户观看的观影数据；根据所述观影数据预测与所述观影数据相关度高的推荐影片；将预测到的所述推荐影片反馈到所述电视端推荐给所述用户。

Description

智能电视展示播放内容的方法、装置及系统

技术领域

本发明涉及电视业务技术领域，尤其涉及一种智能电视展示播放内容的方法、装置及系统。

背景技术

智能电视是顺应电视机“高清化”、“网络化”、“智能化”的趋势而出现的一种智能多媒体终端，具备从因特网、视频设备、计算机等多种渠道获得节目内容，通过简单易用的整合式操作界面将消费者最需要的内容在大屏幕上清晰地展现的功能。与传统电视的应用平台相比，智能电视可实现网络搜索、网络电视、视频点播(VOD)、数字音乐、网络新闻、网络视频电话等各种应用服务。目前智能电视有很多节目内容可供用户观看，又由于其互联网的特性，节目内容可以在全网进行搜索观看，因此对节目内容的快速精准定位显得尤其重要。

现有智能电视的影片推荐很少，目前的推荐功能是厂商自主进行的强制推荐，这跟用户为中心的理念背驰。用户所希望看到的是，自己想要看到的影片在最显眼的位置，从而可以迅速的观看，不必再为寻找片源烦恼。

现有技术中用户若想看某类型的电影只能明确知道目的影片的名称，通过搜索进行观看，通常有两种方式：(1)从类型中进入，然后层层深入寻找。(2)通过搜索功能找到。

但是，很多情况下，用户并非清楚的知道影片名称，很有可能仅是对某类或某种影片感兴趣，想要观看。若通过搜索的方式查找影片将会带来很多的操作量。因此现有技术中的这种通过搜索获得想观看的影片的方式会给用户带来较多繁琐的操作，并且消耗用户的时间，影响用户的观影体验。

发明内容

本发明实施例提供一种智能电视展示播放内容的方法、装置及系统，以解决现有技术中电视端没有智能推荐影片功能导致的用户搜索影片操作量大、影响用户的观影体验的技术问题。

本发明实施例一方面提供一种智能电视展示播放内容的方法，该方法在服务器适用，主要包括：

接收到电视端传送的用户观看的观影数据；

根据所述观影数据预测与所述观影数据相关度高的推荐影片；

将预测到的所述推荐影片反馈到所述电视端推荐给所述用户。

本发明实施例另一方面提供一种智能电视展示播放内容的方法，该方法在电视端适用，主要包括：

根据用户每次观看的影片获取所述用户的观影数据；

将所述观影数据传送到服务器。

本发明实施例另一方面提供一种智能电视展示播放内容的装置，该装置适合部署在服务器上，包括：

接收模块，用于接收到电视端传送的用户观看的观影数据；

预测模块，用于根据所述观影数据预测与所述观影数据相关度高的推荐影片；

推荐模块，用于将预测到的所述推荐影片反馈到所述电视端推荐给所述用户。

本发明实施例另一方面提供一种智能电视展示播放内容的装置，该装置适合部署在电视端上，包括：

数据获取模块，用于根据用户每次观看的影片获取所述用户的观影数据；

传送模块，用于将所述观影数据传送到服务器。

本发明实施例另一方面还提供一种智能电视展示播放内容的系统，包括服务器和电视端；该服务器包括上述适合部署在服务器上的智能电视展示播放内容的装置，所述电视端包括上述适合不是在电视端的智能电视展示播放内容的装置。

本发明提供的上述智能电视展示播放内容的方法、装置及系统，可根据用户的观影数据预测用户喜欢看的影片的类型，并将同样类型的影片通过在电视端上的屏幕显示进而推荐给用户，解决了现有技术中用户搜索影片操作不方便、以及运营商强制推荐非用户想观看的影片的技术问题，进而实现了提高电影查找和推荐的精确度、方便用户观影，增强用户观影体验的技术效果。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的一种智能电视展示播放内容的方法的电视端上的流程图；

图2为本发明实施例提供的一种智能电视展示播放内容的方法的服务器上的流程图；

图3为本发明实施例提供的一种智能电视展示播放内容的方法中前向传播算法的示意图；

图4为本发明实施例提供的一种智能电视展示播放内容的方法中误差反向传播算法的示意图；

图5为本发明实施例提供的一种智能电视展示播放内容的方法中BP预测网络示意图；

图6为本发明实施例提供的一种智能电视展示播放内容的方法的流程示意图；

图7为本发明实施例提供的电视端上的一种智能电视展示播放内容的装置的结构示意图；

图8为本发明实施例提供的服务器上的一种智能电视展示播放内容的装置的结构示意图；

图9为本发明实施例提供的一种智能电视展示播放内容的系统的结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1所示，本实施例提供一种智能电视展示播放内容的方法，该方法适合部署在电视端，主要包括：

101，根据用户每次观看的影片获取所述用户的观影数据；

上述观影数据包括每个影片名称和类别标签。

电视端上通常会记录用户每次点击哪部影片进行观看，根据该记录可以得到将用户观看过的的影片的观影数据，包括影片名称和类别标签。

102，将所述观影数据传送到服务器。

可以是电视端定期主动将用户的观影数据发送到服务器，也可以是服务器下来查询用户的观影数据。

将上述用户的观影数据发送到服务器上，是为了便于服务器根据用户的观影数据预测该用户喜欢观看的影片类型，并将相应的影片类型作为推荐影片反馈到电视端上。因此，上述方案还包括：接收到所述服务器反馈的与所述用户观看的影片相关度高的推荐影片；将所述推荐影片展示给所述用户。

本实施例提供的上述方法中，电视端只需将用户的观影数据发送到服务器端，便于服务器端进行推荐影片的预测，并且由于该预测过程是在服务器上进行，因此降低了电视端的负担，同时又能满足用户的观影需求

对应于上述电视端上的适用方法，如图2所示，本实施例还提供了一种适合部署在服务器上的一种智能电视展示播放内容的方法，主要包括：

201，接收到电视端传送的用户观看的观影数据；

202，根据所述观影数据预测与所述观影数据相关度高的推荐影片；

与观影数据中的影片类型相关度高的影片通常就是用户所喜欢的影片，因此这种影片适合作为推荐影片推荐给用户。本发明中的预测推荐影片的准确度除了取决于观影数据的用户每次观看的影片的名称和类别标签外，还取决于推荐算法，通过将用户每次观看的影片名称和类别标签作为输入样本输入到推荐算法中进行多次的反复训练，该推荐算法的预测度便会越来越准确，并将多次训练后的训练结果作为最后预测的与所述观影数据相关度高的推荐影片推荐给用户。

下面具体介绍一下本实施例中提供的推荐算法。

神经网络算法是机器学习算法中广泛使用的一类算法，BP算法(BackPropagation)，也被称为反向传播算法。通过计算反向传输的误差，精确计算程度，所以被成为反向传播算法。这两种算法都可以用作本实施例中的推荐算法。整体来讲，算法描述，分为两个阶段：分别是训练阶段和预测阶段。

1.训练阶段

输入样本以及样本所对应的目标，通过前向计算，得到一个初步目标值，与精确的目标值进行对比，接下来反向传播误差，减少输出值与预设的目标值的差别，直到误差减少到我们预设的预测标准值。

(1)数据准备：输入样本是影片名称和每个影片名称被标记多个标签，如10个，这10个标签作为其特征进行训练。输入结果，也就是目标就是影片的类别标签(种类)，比如某类影片也被标记10个标签，作为识别其的特征。

(2)网络构造：一般情况下，分类越精细需要的网络结构也就会越复杂。这里使用中间层为1层的网络

(a)前向传输

样本输入至输入层，然后经过与权重矩阵的操作与对应的权重相乘，数学表达式如下(一)：

$A_j(\stackrel{\‾}{x},\stackrel{\‾}{w})=WX=\underset{i=1}{\overset{m}{\Σ}}{x}_i{w}_{ji}$ (一)

其中，Aj为第j层的输出，分别是是示意性的代表X和W矩阵中的元素，W代表权重矩阵，X代表输入样本(数据)矩阵；计算方法如上：权重矩阵与输入样本矩阵相乘。Xi，Wji均是对应矩阵的元素。

特别地，本实施例中考虑到权值矩阵W是直接影响到上述公式一的有效性，因此对于这个W的初始值是通过特别的字典训练算法K-SVD得到的。K-SVD，是一种数学算法。可以对一个矩阵进行分解，得到其中我们最关心的部分，即特征。

因此可以看出，神经元的输出依赖于信号的输入和权值(权重)，激活函数选择非线性的sigmoid便于计算。激活函数的输出如下式(二)：

$O_j(\stackrel{\‾}{x},\stackrel{\‾}{w})=\frac{1}{1+e^{A_j(\stackrel{\‾}{x},\stackrel{\‾}{w})}}$ (二)

Oj是第j层经过激活函数之后的输出。

激活函数使用sigmoid，对于较大的输入值(样本与权值相乘之后的结构)都趋向于1；在输入为0时，激活输出为0.5；在输入值的负值趋于很小时，激活输出为0。特别地，在本实施例中，激活函数的曲线在使用前经过了平滑处理，这样即可以进行梯度运算，也提高了运算的准确性。

训练过程的目的就是对于给定的输入得到理想的输出。因为初始权值的选择一定不是最优的，所以在目标与实际输出之间会有残差，下式(三)。

$E_j(\stackrel{\‾}{x},\stackrel{\‾}{w},t_j)={|O_j(\stackrel{\‾}{x},\stackrel{\‾}{w})-t_j|}^2$ (三)

Ej是实际输出与真实值之间的差，我们一般使用这个误差作为目标进行优化，t_j为第j层的目标输出，也即样本所对应的真实输出值。如图3所示。

对误差求平方之后，所有误差均为正值，将所有样本的误差值累加得到如下数学模型(四)：

$E(\stackrel{\‾}{x},\stackrel{\‾}{w},\stackrel{\‾}{t})=\underset{j}{\Σ}{|O_j(\stackrel{\‾}{x},\stackrel{\‾}{w})-t_j|}^2$ (四)

(b)误差反向传播

在前向传播中得到了误差是如何依赖于输入样本，输出，以及权重值的关系。在找到此关系之后，任务变为如何根据误差对权值进行更新，得到最优化的权值，得到网络。在计算更新权值时我们使用随机梯度下降法，下式(五)：

$\mathrm{\Δ}w(k+1)=\mathrm{\α}\mathrm{\Δ}w\left(k\right)+\mathrm{\η}(1+\mathrm{\α})\frac{\∂E}{\∂w}$ (五)

其中Δw(k+1)和Δw(k)分别代表的是第k+1次和第k次迭代后权重值的更新，α与η是两个常量参数，一个用来平衡更新，一个用来在梯度下降法时更新梯度的大小。α通常选择0到1之间的数，是误差函数对权重值的梯度。

在误差回传过程中，我们需要找到输出相对于权重值的偏导数既然是反向传播，因此需要先求得误差相对于输出的偏导数，参照下式(六)：

$\frac{\∂E}{\∂O_j}=2(O_j-t_j)$ (六)

然后，反向链路上，输出依赖于激活函数的输出值，激活函数是在权重基础之上得到的式(七)：

$\frac{{\mathrm{\ΔO}}_j}{{\mathrm{\Δw}}_{ji}}=\frac{\∂O_j}{{\mathrm{\ΔA}}_j}\frac{{\mathrm{\ΔA}}_j}{{\mathrm{\Δw}}_{ji}}=O_j(1-O_j)x_j$ (七)

根据以上六、七两式，利用求导的链式法则，可以推导得到输出相对于权重值的导数，如下式：

$\frac{\∂E}{{\mathrm{\Δw}}_{ji}}=\frac{\∂E}{{\mathrm{\ΔO}}_j}\frac{{\mathrm{\ΔO}}_j}{{\mathrm{\Δw}}_{ji}}=2(O_j-t_j)O_j(1-O_j)x_j$

综上，可以得到权重的更新，式(八)：

Δw_ji＝2η(O_j-t_j)O_j(1-O_j)x_j (八)

根据以上的算法推导过程，核心是利用随机梯度下降法进行的，反向传播的过程是BP网络的关键之处，从输出层到输入层逐层使用梯度下降，求得当前的最优值，直到网络的权值全部更新，即输入权值矩阵及输出权值矩阵均得到更新，完成一次迭代，算法迭代直到收敛。如图4所示。

2、预测阶段

当网络被训练好之后，我们就可以应用到实际使用中。输入的样本就是用户点击的影片名称和类型标签，输出的训练结果就是预测的用户所喜好的影片的类型标签。如图5所示的BP预测网络示意图，Xi是输入样本，Yi是中间节点，Zi是最后的输出。其中Xi相当于用户点击的影片名称，输出预测的用户所感兴趣的影片类型。

203，将预测到的所述推荐影片反馈到所述电视端推荐给所述用户。

用户的点击影片记录会被记录，并上传到服务器，进行预测得到用户喜好类型，那么系统在进行推荐时，则偏好会被记录，从服务器会将用户偏好的类型进行推荐。在用户的电视机中体现出来的就是，在搜索页面，其同类型的影片会被推荐出来。

可选的实施方式中，上述202实现方法如下：

根据推荐算法对所述观影数据进行训练；

根据训练结果获得相关度高的推荐影片的类别标签；

将获得的所述类别标签与影片库中预设的类别标签进行匹配；

将匹配度符合预设推荐标准值的影片作为与所述影片数据相关度高的推荐影片。

详细的上述202的具体实现过程可参照图6所示的实施例。

如图6所示，根据上述图1和2的方法，本实施例具体提供一种智能电视展示播放内容，包括：

301，电视端根据用户每次观看的影片获取所述用户的观影数据，并将所述观影数据传送到服务器。

302，服务器接收到电视端传送的用户观看的观影数据；

目前用户都有账号，可根据账号，获取用户的观影数据，比如定期会在用户网络闲时，将点击影片的观影数据，传送到网络，通过网络送回服务器，服务器会将数据进行收集，并且将其类型标签取出，了下标签即预先对影片标好的tag。以便作为分类依据，比如《捉妖记》，事前将其标上三个标签“古装”，“奇幻”，“喜剧”，那么这三个将作为其样本特征，用来进行预测。

303，服务器根据推荐算法对所述观影数据进行训练；

具体而言，针对每次用户观看的影片名称和该影片的类别标签，将所述影片名称和所述影片的类别标签作为一个输入样本输入到所述推荐算法中得到一个输出结果；其中，将得到一个输出结果的过程作为一个训练过程；

在通过多次训练过程后得到的输出结果符合预设的预测标准值时，将所述对应的输出结果作为训练结果，其中，所述训练结果包括类别标签。

例如：使用推荐算法，对得到的观影数据进行学习和训练，输入影片的名称及类型标签，将影片名字及类型对应起来作为一一对应的训练数据。将以上得到观影数据作为样本输入输入到推荐算法中，输入一个样本会有一个输出，每次输入并得到输出的过程就是一个训练，输出结果/训练结果包括：影片类型及得分。每次样本输入都会有一个输出，多次样本输入就会有多个输出，多次的训练可以提高推荐算法的准确性。

准确性的提高是因为每次输出是一次计算得到的数值，将这个数值与预设的目标值做差，得到一个误差，通过上述的误差反向传播过程优化这个误差，使之减小到预先设定的一个较小的预测标准阀值。此时就认为得到了精确网络，即输入的样本影片和其所属了下分类的一种预测关系。由于训练过程是在服务器中进行，所以不会对用户电视机有使用压力。

304，提取训练结果中包括的类型标签，将该类型标签作为预测的与用户观看的影片相关度高的影片的类型标签。

305，将获得的所述类别标签与影片库中预设的类别标签进行匹配；并将匹配度符合预设推荐标准值的影片作为与所述影片数据相关度高的推荐影片。

将根据用户的观影数据学习得到的类型标签与目标影片库的分类进行匹配，由于获得的类型标签可能有多个，而并不一定每个都匹配上，因此根据匹配的结果情况进行打分，将得分超过预设推荐标准值的影片作为与相关度高的影片，并将相关程度最高的前n部影片作为推荐影片。

需要说明的是：在上述训练之前，本实施例的方案中，需要先将目标影片库的影片进行分类。即事先在服务器端对目标影片库中的影片标注类型标签，并按照类型标签分类得到一个较为初始的分类网络。

306，服务器将预测到的所述推荐影片反馈到所述电视端推荐给所述用户。

307，电视端接收到所述服务器反馈的与所述用户观看的影片相关度高的推荐影片；并将所述推荐影片展示给所述用户。

本实施例提供的方法中，通过对推荐算法进行训练可提高预测的准确性，输入的样本数据量越多，训练得到的算法越准确，预测的类别越详细推荐准确程度越高。

为了便于上述图1和图6实施例中电视端侧的方法实现，本实施例提供一种智能电视展示播放内容的装置，如图7所示，该装置包括：

数据获取模块41，用于根据用户每次观看的影片获取所述用户的观影数据；

传送模块42，用于将所述观影数据传送到服务器。

可选地，该装置还包括：

接收模块，用于接收到所述服务器反馈的与所述用户观看的影片相关度高的推荐影片；

展示模块，用于将所述推荐影片展示给所述用户。

本实施例图7提供的装置适合安装在电视端或就是一台电视或机顶盒。

相应地，为了便于上述图2和图6实施例中服务器上的方法实现，本实施例提供一种智能电视展示播放内容的装置，如图8所示，包括：

接收模块51，用于接收到电视端传送的用户观看的观影数据；

预测模块52，用于根据所述观影数据预测与所述观影数据相关度高的推荐影片；

推荐模块53，用于将预测到的所述推荐影片反馈到所述电视端推荐给所述用户。

其中，所述预测模块52包括：

训练单元，用于根据推荐算法对所述观影数据进行训练；

结果获取单元，用于根据训练结果获得相关度高的推荐影片的类别标签；

匹配单元，用于将获得的所述类别标签与影片库中预设的类别标签进行匹配，并将匹配度符合预设推荐标准值的影片作为与所述影片数据相关度高的推荐影片。

其中，所述影片数据包括每次用户观看的影片名称和该影片的类别标签；

相应地，所述训练单元，具体用于针对每次用户观看的影片名称和该影片的类别标签，将所述影片名称和所述影片的类别标签作为一个输入样本输入到所述推荐算法中得到一个输出结果；其中，将得到一个输出结果的过程作为一个训练过程；在通过多次训练过程后得到的输出结果符合预设的预测标准值时，将所述对应的输出结果作为训练结果，其中，所述训练结果包括类别标签。

本实施例图8所提供的该装置适合安装在服务器上或就是一台服务器，

本发明实施例提供的图7和8中的装置，可执行上述方法实施例，其具体实现原理和技术效果，可参见上述方法实施例，本实施例此处不再赘述。

如图9所示，本实施继续提供一种智能电视展示播放内容的系统，包括服务器60和电视端70；该服务器60包括上述图8所示的实施例中的装置，该所述电视端7包括上述图7中所示的实施例中的装置，具体结构和作用在此不赘述。

本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：只读存储记忆体(Read-Only Memory，ROM)、随机存储记忆体(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (11)

1.一种智能电视展示播放内容的方法，其特征在于，包括：

接收到电视端传送的用户观看的观影数据；

根据所述观影数据预测与所述观影数据相关度高的推荐影片；

将预测到的所述推荐影片反馈到所述电视端推荐给所述用户。

2.根据权利要求1所述的方法，其特征在于，所述根据所述观影数据预测与所述观影数据相关度高的推荐影片，包括：

根据推荐算法对所述观影数据进行训练；

根据训练结果获得相关度高的推荐影片的类别标签；

将获得的所述类别标签与影片库中预设的类别标签进行匹配；

将匹配度符合预设推荐标准值的影片作为与所述影片数据相关度高的推荐影片。

3.根据权利要求2所述的方法，其特征在于，所述影片数据包括每次用户观看的影片名称和该影片的类别标签；所述根据推荐算法对所述影片数据进行训练包括：

针对每次用户观看的影片名称和该影片的类别标签，将所述影片名称和所述影片的类别标签作为一个输入样本输入到所述推荐算法中得到一个输出结果；其中，将得到一个输出结果的过程作为一个训练过程；

在通过多次训练过程后得到的输出结果符合预设的预测标准值时，将所述对应的输出结果作为训练结果，其中，所述训练结果包括类别标签。

4.一种智能电视展示播放内容的方法，其特征在于，包括：

根据用户每次观看的影片获取所述用户的观影数据；

将所述观影数据传送到服务器。

5.根据权利要求4所述的方法，其特征在于，该方法还包括：

接收到所述服务器反馈的与所述用户观看的影片相关度高的推荐影片；

将所述推荐影片展示给所述用户。

6.一种智能电视展示播放内容的装置，其特征在于，包括：

接收模块，用于接收到电视端传送的用户观看的观影数据；

预测模块，用于根据所述观影数据预测与所述观影数据相关度高的推荐影片；

推荐模块，用于将预测到的所述推荐影片反馈到所述电视端推荐给所述用户。

7.根据权利要求6所述的装置，其特征在于，所述预测模块包括：

训练单元，用于根据推荐算法对所述观影数据进行训练；

结果获取单元，用于根据训练结果获得相关度高的推荐影片的类别标签；

匹配单元，用于将获得的所述类别标签与影片库中预设的类别标签进行匹配，并将匹配度符合预设推荐标准值的影片作为与所述影片数据相关度高的推荐影片。

8.根据权利要求7所述的装置，其特征在于，所述影片数据包括每次用户观看的影片名称和该影片的类别标签；

所述训练单元，具体用于针对每次用户观看的影片名称和该影片的类别标签，将所述影片名称和所述影片的类别标签作为一个输入样本输入到所述推荐算法中得到一个输出结果；其中，将得到一个输出结果的过程作为一个训练过程；在通过多次训练过程后得到的输出结果符合预设的预测标准值时，将所述对应的输出结果作为训练结果，其中，所述训练结果包括类别标签。

9.一种智能电视展示播放内容的装置，其特征在于，包括：

数据获取模块，用于根据用户每次观看的影片获取所述用户的观影数据；

传送模块，用于将所述观影数据传送到服务器。

10.根据权利要求9所述的装置，其特征在于，该装置还包括：

接收模块，用于接收到所述服务器反馈的与所述用户观看的影片相关度高的推荐影片；

展示模块，用于将所述推荐影片展示给所述用户。

11.一种智能电视展示播放内容的系统，其特征在于，包括服务器和电视端；所述服务器如权利要求6-8中任意一项所述的装置，所述电视端包括如权利要求9或10中任意一项所述的装置。