CN106534902A - 一种行为分析方法及系统 - Google Patents
一种行为分析方法及系统 Download PDFInfo
- Publication number
- CN106534902A CN106534902A CN201611151146.1A CN201611151146A CN106534902A CN 106534902 A CN106534902 A CN 106534902A CN 201611151146 A CN201611151146 A CN 201611151146A CN 106534902 A CN106534902 A CN 106534902A
- Authority
- CN
- China
- Prior art keywords
- user
- model
- information
- submodule
- behavior
- 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.)
- Pending
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
- H04N21/251—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]
- H04N21/20—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
- H04N21/4508—Management of client data or end-user data
- H04N21/4532—Management of client data or end-user data involving end-user characteristics, e.g. viewer profile, 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
- H04N21/4667—Processing of monitored end-user data, e.g. trend analysis based on the log file of viewer selections
-
- 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
- H04N21/4668—Learning process for intelligent management, e.g. learning user preferences for recommending movies for recommending content, e.g. movies
Abstract
本发明提供一种行为分析方法及系统,应用于能够与多个用户端通信的行为分析装置。所述方法包括:在预设时间周期内采集用户观看广播电视的行为信息,生成用户历史行为信息数据,所述用户历史行为信息数据包括观看内容和观看时间周期;获取用户当前行为信息及当前时间段,根据所述用户当前行为信息、所述当前时间段以及所述历史行为信息数据从兴趣点和时间段两方面建立相应的个人用户模型;根据所述个人用户模型进行内容关联推荐以及广告投放。本发明提供一种支持海量数据处理的系统,提供一种精确到个人的用户行为分析方式,更加贴合用户的真实需求。
Description
技术领域
本发明涉及广播电视技术领域,具体而言,涉及一种广播电视用户行为分析及系统。
背景技术
随着广电行业的发展,用户的数量越来越多,需求多种多样,习惯喜好也各有不同。现有技术中,基于广播电视的用户行为分析系统只具有对用户上线、下线、近线等情况进行分析的基本功能。并且节目内容难以满足所有家庭成员的需求。系统对用户行为分析较浅显,导致推荐广告为随机投放,运营商不能根据实际情况及时调整,无法满足用户需求,亦无法为运营商创造有效利润。因此从海量用户行为数据中挖掘隐含的用户家庭成员、用户收视心理、收视习惯、收视冲动等高质量商业信息来为用户进行个性化节目推荐、精准广告投递以大幅提高运营商直播、点播业务的收视率和用户黏度等问题是广播电视技术领域重要研究课题。
发明内容
有鉴于此,本发明实施例的目的在于提供一种行为分析方法及系统,以解决上述问题。
本发明较佳实施例提供一种行为分析方法,应用于能够与多个用户端通信的行为分析装置,所述方法包括:
在预设时间周期内采集用户观看广播电视的行为信息,生成用户历史行为信息数据,所述用户历史行为信息数据包括观看内容和观看时间周期;
获取用户当前行为信息及当前时间段,根据所述用户当前行为信息、所述当前时间段以及所述历史行为信息数据从兴趣点和时间段两方面建立相应的个人用户模型;
根据所述个人用户模型进行内容关联推荐以及广告投放。
本发明另一较佳实施例提供一种行为分析系统,应用于能够与多个用户端通信的行为分析装置,所述系统包括信息采集模块、模型建立模块以及推送模块;
所述信息采集模块,用于在预设时间周期内采集用户观看广播电视的行为信息,生成用户历史行为信息数据,所述用户历史行为信息数据包括观看内容和观看时间周期;
所述模型建立模块,用于获取用户当前行为信息及当前时间段,根据所述用户当前行为信息、所述当前时间段以及所述历史行为信息数据从兴趣点和时间段两方面建立相应的个人用户模型;
所述推送模块,用于根据所述个人用户模型进行内容关联推荐以及广告投放。
相比于现有技术,本发明具有如下有益效果:
本发明提供一种行为分析方法及系统,提供了一种更加贴合用户真实需求的行为分析方法,从而实现了对用户收视行为信息的精确分析,进而实现了为用户进行个性化节目推进、精准广告投放,并大幅提高了运营商直播、点播业务的收视率和用户黏度。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本发明较佳实施例提供的行为分析方法的应用场景示意图。
图2为本发明较佳实施例提供的一种行为分析装置的示意性结构框图。
图3为本发明较佳实施例提供的一种行为分析方法的流程图。
图4为图3中步骤S100的子步骤的流程图。
图5为本发明较佳实施例提供的行为信息数据处理方法的流程图。
图6为本发明较佳实施例提供的数据流的处理方法的流程图。
图7为图3中步骤S200的子步骤的流程图。
图8为图3中步骤S300的子步骤的流程图。
图9为本发明较佳实施例提供的另一种行为分析方法的流程图。
图10为本发明较佳实施例提供的一种行为分析系统的示意性结构框图。
图11为本发明较佳实施例提供的信息采集模块的示意性结构框图。
图12为本发明较佳实施例提供的模型建立模块的示意性结构框图。
图13为本发明较佳实施例提供的推送模块的示意性结构框图。
图标:100-行为分析装置;110-行为分析系统;111-信息采集模块;1111-信息划分子模块;1112-信息处理子模块;1113-信息生成子模块;112-模型建立模块;1121-家庭用户模型建立子模块;1122-个人用户模型建立子模块;113-推送模块;1131-预测子模块;1132-推荐子模块;1133-判断子模块;1134-投放子模块;114-反馈信息接收模块;115-修正模块;120-处理器;130-存储器;200-用户端。
具体实施方式
下面将结合本发明实施例中附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明的实施例,本领域技术人员在没有做出创造性劳动的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。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
请参阅图1,为本发明较佳实施例提供的行为分析方法的应用场景示意图。如图1所示,该场景中,用户端200通过有线网络或无线网络与行为分析装置100建立通信连接,以进行音视频的媒体流传输。
本实施例中,所述用户端200可以为数字机顶盒,所述行为分析装置100可以是能够对信息进行处理及存储,并且下发信息的服务器。所应说明的是,在本实施例中,该服务器可以是一台服务器,或者是由若干台服务器所组成的服务器集群,或者是一个云计算服务中心。
请参阅图2,为本发明较佳实施例提供的一种行为分析装置100的示意性结构框图。如图2所示,所述行为分析装置100包括行为分析系统110、处理器120及存储器130。
所述处理器120和所述存储器130之间直接或间接地电性连接,以实现数据的传输或交互。例如,两者通过通讯总线或信号线实现电性连接。所述行为分析系统110包括至少一个可以软件或固件(firmware)的形式存储于所述存储器130中的软件功能模块。所述处理器120用于执行存储器130中存储的可执行模块,例如所述行为分析系统110包括的软件功能模块或计算机程序。
其中,存储器130可以是,但不限于,随机读取存储器(Random Access memory,RAM),只读存储器(Read Only Memory,ROM),可编程只读存储器(Programmable Read-OnlyMemory,PROM),可擦除只读存储器(Erasable Programmable Read-Only Memory,EPROM),电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory,EEPROM)等。其中,存储器130用于存储程序,所述处理器120在接收到执行指令后,执行所述程序,下述本发明实施例任一实施方式所揭示的流程定义的方法可以应用于处理器120中,或者由处理器120实现。
处理器120可能是一种集成电路芯片,具有信号的处理能力。上述处理器120可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等。还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件,可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。
可以理解,图2所示的结构仅为示意,所述行为分析装置100还可以包括比图2中所示更多或者更少的组件,或者具有与图2所示不同的配置。图2中所示的各组件可以采用硬件、软件或其组合实现。
请参阅图3,为本发明较佳实施例提供的一种行为分析方法的流程图,应用于图2所示的行为分析装置100中。所应说明的是,本发明提供的方法不以图3及以下所示的具体顺序为限制。下面将对3所示的具体步骤进行详细描述。
步骤S100:在预设时间周期内采集用户观看广播电视的行为信息,生成用户历史行为信息数据。
对用户的观看行为信息进行分析,首先需要获得用户观看广播电视的行为信息数据。可选地,在本实施例中,可以预先设定一时间周期,例如可以为24小时或48小时,具体的数值在本实施例中不作限制。所述行为分析系统110可以包括一采集系统,所述采集系统能够采集在该预设时间周期内用户端200相对应的用户观看广播电视的行为信息,以生成该用户端200的用户历史行为信息数据。所述用户历史行为信息数据可以包括用户的观看内容以及所述预设时间周期。
具体地,请参阅图4,步骤S100可以包括步骤S110、步骤S120以及步骤S130三个子步骤。
步骤S110:在预设时间周期内采集用户观看广播电视的行为信息,判断所述行为信息所属类型,将属于同一类型的行为信息保存至同一表项中,得到多个表项。
可选地,所述采集系统所采集到的用户观看广播电视的行为信息包括多种类型的行为信息数据,可以将所述行为信息数据划分为多种不同类型。可选地,对所述行为信息数据进行划分时主要按照预先设置的一级指标、二级指标及三级指标来进行。所述一级指标主要包括运营状况、节目热度以及用户操作行为3大类。其中,所述一级指标可以划分为7类的二级指标,所述二级指标可以包括准确率、召回率、覆盖率以及多样性等等。所述二级指标又可以包括40多类的三级指标,所述三级指标可以包括实时排行、直播频道排行、排行榜类型以及回看内容与上次对比等等指标。
对用户的所述行为信息数据按照上述的所述一级指标、所述二级指标以及所述三级指标进行划分后,将属于同一级别且同一类型的所述信息数据保存至存储装置的同一个表项中,以便于后续能方便、灵活地对所述信息数据进行调用及处理。
步骤S120:对每个所述表项中的所述行为信息进行在线统计、实时排行及在线拆条处理。
可选地,在本实施例中,在对所述行为信息数据进行处理时,采用的是Hadoop平台。Hadoop是一个能够对大量数据进行分布式处理的软件框架,可以以一种可靠、高效、可伸缩的方式进行数据处理。并且,Hadoop平台相比现有技术中采用的Oracle平台而言,成本更低廉且对硬件设备的要求更低。可选地,所述行为分析系统110包括一数据导入系统,所述数据导入数据能够实现对数据的接入、清洗以及存储等。所述数据导入系统与所述采集系统对接,实时获取用户的行为信息,对所述行为信息进行预处理,例如容错处理、终端下线行为添补、点播节目结束行为添补等等。如图5所示,为所述数据导入系统与所述采集系统的第三方行为数据接口对接后,用户行为数据的处理流程。
可选地,对所述行为信息数据的处理具有周期性以及实时性。本实施例中,对于所述行为信息数据的统计排行等业务流程中,对所述行为信息数据的处理具有批次限制,即采集到的同一个用户的所有数据,都必须进行同一批次的在线处理。其中,本实施例中,在对所述行为信息数据进行实时处理时,采用Storm流式处理框架来实现。
Storm是一个开源的实时计算系统,在Storm中,一个实时应用的计算任务被打包作为Topology发布,计算任务Topology由不同的Spouts和Bolts通过Stream连接起来的流程过程如图6所示。其中,Spout是Storm中的消息源,用于为Topology生产消息。Bolt是Storm中的消息处理者,用于为Topology进行消息的处理。
如图6所示,数据接收Bolt在实时获取用户的所述行为信息数据之后转为Spout,进而将接收到的所述行为信息数据按照批次分发给数据容错Bolt。数据容错Bolt接收到所述行为信息数据之后可以将所述行为信息数据的格式与预存的标准格式进行匹配,并且将所述行为信息数据的发送时间以及数据格式有明显错误的数据进行滤除。在进行容错处理之后,数据容错Bolt转为Spout,将经过容错处理之后的所述行为信息数据按照主题和批次分别分发至在线用户统计Bolt、实时排行处理Bolt以及在线拆条处理Bolt。
其中,可选地,在线用户统计Bolt在接收到所述行为信息数据之后,可以对当前的在线用户数进行实时统计。
实时排行处理Bolt在接收到所述行为信息数据之后,可以对用户的操作行为进行补齐处理,并存储用户的状态信息。并且实时排行处理Bolt将用户的当前状态发送至实时排行统计Bolt,进行用户状态排行统计。
可选地,在线拆条处理Bolt在接收到所述行为信息数据之后,可以对用户的行为数据、EPG(Electronic Program Guide,电子节目指南)等进行处理,生成批次拆条信息。在此之后,在线拆条处理Bolt转为Spout,将批次拆条数据分发至在线拆条归并入库Bolt。其中,在线拆条归并入库Bolt可以对拆条数据进行归并,最终将拆条数据存储至存储装置中。
步骤S130:根据处理后的所述行为信息生成用户历史行为信息数据。
步骤S200:获取用户当前行为信息及当前时间段,根据所述用户当前行为信息、所述当前时间段以及所述历史行为信息数据从兴趣点和时间段两方面建立相应的个人用户模型。
在对基于广播电视的用户行为进行分析时,将客户进行细化十分有必要。很多企业都已考虑对自己的客户进行分类分析,但往往这些分类主要集中以客户的背景资料为基础,包括按照收入、年龄以及地区等的分类,只能静态和粗略地反映出客户的一些背景状况和分布,无法让运营商真正掌握客户的实际消费行为以及偏好。因此,本实施例中,实现精确到家庭用户中每个成员的模型建立,行为分析精确到个人,更加有效地抓住用户的收视心理。
具体地,请参阅图7,步骤S200可以包括步骤S210以及步骤S220步骤两个子步骤。
步骤S210:根据所述用户历史行为信息数据建立相应的家庭用户模型。
可选地,在本实施例中,对经过一系列处理后的用户的行为信息数据进行分析,统计出在预设的时间周期内以家庭为单位的用户的兴趣点以及观看时间周期等,建立以该家庭为单位的家庭用户模型。其中,在建立家庭用户模型时,所涉及到的兴趣点比较多,统计的时间周期也比较长。
步骤S220:获取用户当前行为信息及当前时间段,根据所述用户当前行为信息、所述当前时间段以及所述家庭用户模型从兴趣点和时间段两方面建立所述家庭用户模型中的相应的个人用户模型。
可选地,本实施例中,对用户进行模型建立的最终目的在于精确到家庭用户中的每个成员。在建立以家庭为单位的家庭用户模型之后,以该家庭用户模型为基础,获取当前时间段内,过去几分钟用户的收视行为,根据用户的兴趣偏好、品味等建立有针对性的个人用户模型。其中,每个所述家庭用户模型包括多个所述个人用户模型。这样的模型建立方法,一方面可以以家庭为单位,建立起针对家庭的家庭用户模型,另一方面,对家庭成员进行有效分区,建立起针对家庭中每个成员的个人用户模型。这样逐步细化,以精确到每个个体。
步骤S300:根据所述个人用户模型进行内容关联推荐以及广告投放。
具体地,请参阅图8,步骤S300可以包括步骤S310、步骤S320、步骤S330以及步骤S340四个子步骤。
步骤S310:利用预测算法对所述个人用户模型对应的用户的收视行为进行预测,获得所述个人用户模型对应的用户期望收看的节目的收视预测报告。
可选地,在本实施例中,系统采集到用户的收视行为,例如用户收看的内容的节目名称、调台时间点以及节目慢放控制等,当然也可以包括其他的收视行为在内,本实施例不一一赘述。系统能够根据预测算法对采集到的用户的收视行为进行预测。其中,预测算法包括回归算法、聚类算法、神经网络算法以及深度学习算法,当然也可以包括其他的预测算法在内,本实施例不一一赘述。获得针对个人用户模型的收视预测结果后,可以根据该预测结果生成针对该类个人用户模型对应的用户期望收看的节目的收视预测报告。系统能够利用用户的实时收视行为,在线分析用户当前的关注点,准确、有效地判断出用户的收视冲动。
步骤S320:根据所述收视预测报告对所述个人用户模型进行内容关联推荐。
可选地,在获得针对个人用户模型的收视预测报告之后,系统可以根据该收视预测报告,查找出与该收视预测报告相匹配的收视内容,并且将所述收视内容实时推荐给该在线用户,以保证所推荐的节目内容能够精确到个人,提高用户的观看体验。
可选地,所述行为分析系统110可以包括一媒资系统,所述媒资系统提供一节目管理界面,通过所述节目管理界面能够实现内容的标引,并且能够对标签进行编辑,包括标签的添加、删除、修改等等。所述节目管理界面提供标签标注功能,能够为每一个节目关联一个或多个标签,能够对节目标签进行增加、删除操作,以便于针对用户的内容关联推荐。
步骤S330:对所述个人用户模型对应的个人用户历史行为信息数据进行统计分析,判断所述个人用户模型对应的用户的消费层次。
本实施例中,系统能够对个人用户模型对应的个人用户的历史行为信息数据,主要包括用户所观看的内容,进行统计分析。根据该个人用户模型的收视行为来对其消费层次进行判断,以获得与该个人用户模型相匹配的消费层次。
步骤S340:根据所述个人用户模型对应的用户的消费层次确定与该个人用户模型相匹配的广告类型,并进行广告投放。
系统能够根据用户的消费层次来查找出与该消费层次相对应的广告内容,此外,也能够根据用户的兴趣点查找到与用户兴趣点对应的广告内容,并将针对该用户的广告内容进行实时投放,以满足用户需求。
可选地,请参阅图9,在步骤S300之后,所述行为分析方法还可以包括步骤S400以及步骤S500。
步骤S400:接收所述广告投放的反馈信息。
本实施例中,在用户端200的用户接收到系统所投放的广告信息后,可能会对该广告信息不感兴趣,因此直接将该广告信息的窗口关闭。或者,可能会对该广告信息比较感兴趣,因而点击该广告信息进行短时间的查看。又或者,可能会对该广告信息特别感兴趣,因而点击该广告信息进行长时间的查看,并查看与该广告信息相关联的其他广告信息。该用户的上述动作所对应的信息均会反馈至系统,系统接收到该反馈信息后,根据该反馈信息进行后续信息处理。
步骤S500:根据所述反馈信息对所述个人用户模型进行修正。
系统在接收到用户端200反馈的用户对于投放的广告的响应之后,能够根据反馈信息对建立的个人用户模型进行修正,以更加贴近用户的真实需求,提高用户体验。
请参阅图10,为本发明较佳实施例提供的一种行为分析系统110的示意性结构框图。如图10所示,所述行为分析系统110包括信息采集模块111、模型建立模块112、推送模块113、反馈信息接收模块114以及修正模块115。
所述信息采集模块111,用于在预设时间周期内采集用户观看广播电视的行为信息,生成用户历史行为信息数据。关于所述信息采集模块111的描述具体可参考对图3中所示的步骤S100的详细描述,也即,步骤S100可以由所述信息采集模块111执行。
可选地,请参阅图11,所述信息采集模块111包括信息划分子模块1111、信息处理子模块1112以及信息生成子模块1113。
所述信息划分子模块1111,用于在预设时间周期内采集用户观看广播电视的行为信息,判断所述行为信息所属类型,将属于同一类型的行为信息保存至同一表项中,得到多个表项。关于所述信息划分子模块1111的描述具体可参考对图4中所示的步骤S110的详细描述,也即,步骤S110可以由所述信息划分子模块1111执行。
所述信息处理子模块1112,用于对每个所述表项中的所述行为信息进行在线统计、实时排行及在线拆条处理。关于所述信息处理子模块1112的描述具体可参考对图4中所示的步骤S120的详细描述,也即,步骤S120可以由所述信息处理子模块1112执行。
所述信息生成子模块1113,用于将根据处理后的所述行为信息生成用户历史行为信息数据。关于所述信息生成子模块1113的描述具体可参考对图4中所示的步骤S130的详细描述,也即,步骤S130可以由所述信息生成子模块1113执行。
所述模型建立模块112,用于获取用户当前行为信息及当前时间段,根据所述用户当前行为信息、所述当前时间段以及所述历史行为信息数据从兴趣点和时间段两方面建立相应的个人用户模型。关于所述模型建立模块112的描述具体可参考对图3中所示的步骤S200的详细描述,也即,步骤S200可以由所述模型建立模块112执行。
可选地,请参阅图12,所述模型建立模块112包括家庭用户模型建立子模块1121以及个人用户模型建立子模块1122。
所述家庭用户模型建立子模块1121,用于根据所述用户历史行为信息数据建立相应的家庭用户模型。关于所述家庭用户模型建立子模块1121的描述具体可参考对图7中所示的步骤S210的详细描述,也即,步骤S210可以由所述家庭用户模型建立子模块1121执行。
所述个人用户模型建立子模块1122,用于获取用户当前行为信息及当前时间段,根据所述用户当前行为信息、所述当前时间段以及所述家庭用户模型从兴趣点和时间段两方面建立所述家庭用户模型中的相应的个人用户模型。关于所述个人用户模型建立子模块1122的描述具体可参考对图7中所示的步骤S220的详细描述,也即,步骤S220可以由所述个人用户模型建立子模块1122执行。
所述推送模块113,用于根据所述个人用户模型进行内容关联推荐以及广告投放。关于所述推送模块113的描述具体可参考对图3中所示的步骤S300的详细描述,也即,步骤S300可以由所述推送模块113执行。
可选地,请参阅图13,所述推送模块113包括预测子模块1131、推荐子模块1132、判断子模块1133以及投放子模块1134。
所述预测子模块1131,用于利用预测算法对所述个人用户模型对应的用户的收视行为进行预测,获得所述个人用户模型对应的用户期望收看的节目的收视预测报告。关于所述预测子模块1131的描述具体可参考对图8中所示的步骤S310的详细描述,也即,步骤S310可以由所述预测子模块1131执行。
所述推荐子模块1132,用于根据所述收视预测报告对所述个人用户模型进行内容关联推荐。关于所述推荐子模块1132的描述具体可参考对图8中所示的步骤S320的详细描述,也即,步骤S320可以由所述推荐子模块1132执行。
所述判断子模块1133,用于对所述个人用户模型对应的个人用户历史行为信息数据进行统计分析,判断所述个人用户模型对应的用户的消费层次。关于所述判断子模块1133的描述具体可参考对图8中所示的步骤S330的详细描述,也即,步骤S330可以由所述判断子模块1133执行。
所述投放子模块1134,用于根据所述个人用户模型对应的用户的消费层次确定与该个人用户模型相匹配的广告类型,并进行广告投放。关于所述投放子模块1134的描述具体可参考对图8中所示的步骤S340的详细描述,也即,步骤S340可以由所述投放子模块1134执行。
所述反馈信息接收模块114,用于接收所述广告投放的反馈信息。关于所述反馈信息接收模块114的描述具体可参考对图9中所示的步骤S400的详细描述,也即,步骤S400可以由所述反馈信息接收模块114执行。
所述修正模块115,用于根据所述反馈信息对所述个人用户模型进行修正。关于所述修正模块115的描述具体可参考对图9中所示的步骤S500的详细描述,也即,步骤S500可以由所述修正模块115执行。
综上所述,本发明实施例提供一种行为分析方法及系统,系统通过在预设时间周期内采集用户观看广播电视的行为信息,生成用户历史行为信息数据。获取用户当前行为信息及当前时间段,根据所述用户当前行为信息、所述当前时间段以及所述历史行为信息数据从兴趣点和时间段两方面建立相应的个人用户模型。根据所述个人用户模型进行内容关联推荐以及广告投放。本发明提供了一种更加贴合用户真实需求的行为分析方法,从而实现了对用户收视行为信息的精确分析,进而实现了为用户进行个性化节目推进、精准广告投放,并大幅提高了运营商直播、点播业务的收视率和用户黏度。
在本申请所提供的实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本发明的实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
Claims (10)
1.一种行为分析方法,应用于能够与多个用户端通信的行为分析装置,其特征在于,所述方法包括:
在预设时间周期内采集用户观看广播电视的行为信息,生成用户历史行为信息数据,所述用户历史行为信息数据包括观看内容和观看时间周期;
获取用户当前行为信息及当前时间段,根据所述用户当前行为信息、所述当前时间段以及所述历史行为信息数据从兴趣点和时间段两方面建立相应的个人用户模型;
根据所述个人用户模型进行内容关联推荐以及广告投放。
2.根据权利要求1所述的行为分析方法,其特征在于,所述在预设时间周期内采集用户观看广播电视的行为信息,生成用户历史行为信息数据的步骤,包括:
在预设时间周期内采集用户观看广播电视的行为信息,判断所述行为信息所属类型,将属于同一类型的行为信息保存至同一表项中,得到多个表项;
对每个所述表项中的所述行为信息进行在线统计、实时排行及在线拆条处理;
根据处理后的所述行为信息生成用户历史行为信息数据。
3.根据权利要求1所述的行为分析方法,其特征在于,所述获取用户当前行为信息及当前时间段,根据所述用户当前行为信息、所述当前时间段以及所述历史行为信息数据从兴趣点和时间段两方面建立相应的个人用户模型的步骤,包括:
根据所述用户历史行为信息数据建立相应的家庭用户模型;
获取用户当前行为信息及当前时间段,根据所述用户当前行为信息、所述当前时间段以及所述家庭用户模型从兴趣点和时间段两方面建立所述家庭用户模型中的相应的个人用户模型,每个所述家庭用户模型包括多个所述个人用户模型。
4.根据权利要求1所述的行为分析方法,其特征在于,根据所述个人用户模型进行内容关联推荐以及广告投放的步骤,包括:
利用预测算法对所述个人用户模型对应的用户的收视行为进行预测,获得所述个人用户模型对应的用户期望收看的节目的收视预测报告;
根据所述收视预测报告对所述个人用户模型进行内容关联推荐;
对所述个人用户模型对应的个人用户历史行为信息数据进行统计分析,判断所述个人用户模型对应的用户的消费层次;
根据所述个人用户模型对应的用户的消费层次确定与该个人用户模型相匹配的广告类型,并进行广告投放。
5.根据权利要求1所述的行为分析方法,其特征在于,在执行根据所述个人用户模型进行内容关联推荐以及广告投放的步骤之后,所述方法还包括:
接收所述广告投放的反馈信息;
根据所述反馈信息对所述个人用户模型进行修正。
6.一种行为分析系统,应用于能够与多个用户端通信的行为分析装置,其特征在于,所述系统包括信息采集模块、模型建立模块以及推送模块;
所述信息采集模块,用于在预设时间周期内采集用户观看广播电视的行为信息,生成用户历史行为信息数据,所述用户历史行为信息数据包括观看内容和观看时间周期;
所述模型建立模块,用于获取用户当前行为信息及当前时间段,根据所述用户当前行为信息、所述当前时间段以及所述历史行为信息数据从兴趣点和时间段两方面建立相应的个人用户模型;
所述推送模块,用于根据所述个人用户模型进行内容关联推荐以及广告投放。
7.根据权利要求6所述的行为分析系统,其特征在于,所述信息采集模块包括信息划分子模块、信息处理子模块以及信息生成子模块;
所述信息划分子模块,用于在预设时间周期内采集用户观看广播电视的行为信息,判断所述行为信息所属类型,将属于同一类型的行为信息保存至同一表项中,得到多个表项;
所述信息处理子模块,用于对每个所述表项中的所述行为信息进行在线统计、实时排行及在线拆条处理;
所述信息生成子模块,用于将根据处理后的所述行为信息生成用户历史行为信息数据。
8.根据权利要求6所述的行为分析系统,其特征在于,模型建立模块包括家庭用户模型建立子模块以及个人用户模型建立子模块;
所述家庭用户模型建立子模块,用于根据所述用户历史行为信息数据建立相应的家庭用户模型;
所述个人用户模型建立子模块,用于获取用户当前行为信息及当前时间段,根据所述用户当前行为信息、所述当前时间段以及所述家庭用户模型从兴趣点和时间段两方面建立所述家庭用户模型中的相应的个人用户模型,每个所述家庭用户模型包括多个所述个人用户模型。
9.根据权利要求6所述的行为分析系统,其特征在于,所述推送模块包括预测子模块、推荐子模块、判断子模块以及投放子模块;
所述预测子模块,用于利用预测算法对所述个人用户模型对应的用户的收视行为进行预测,获得所述个人用户模型对应的用户期望收看的节目的收视预测报告;
所述推荐子模块,用于根据所述收视预测报告对所述个人用户模型进行内容关联推荐;
所述判断子模块,用于对所述个人用户模型对应的个人用户历史行为信息数据进行统计分析,判断所述个人用户模型对应的用户的消费层次;
所述投放子模块,用于根据所述个人用户模型对应的用户的消费层次确定与该个人用户模型相匹配的广告类型,并进行广告投放。
10.根据权利要求6所述的行为分析系统,其特征在于,所述系统还包括反馈信息接收模块以及修正模块;
所述反馈信息接收模块,用于接收所述广告投放的反馈信息;
所述修正模块,用于根据所述反馈信息对所述个人用户模型进行修正。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611151146.1A CN106534902A (zh) | 2016-12-14 | 2016-12-14 | 一种行为分析方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611151146.1A CN106534902A (zh) | 2016-12-14 | 2016-12-14 | 一种行为分析方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106534902A true CN106534902A (zh) | 2017-03-22 |
Family
ID=58339388
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611151146.1A Pending CN106534902A (zh) | 2016-12-14 | 2016-12-14 | 一种行为分析方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106534902A (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107071578A (zh) * | 2017-05-24 | 2017-08-18 | 中国科学技术大学 | Iptv节目推荐方法 |
CN107341172A (zh) * | 2017-05-12 | 2017-11-10 | 广州优视网络科技有限公司 | 视频收益计算建模装置与方法及视频推荐装置与方法 |
CN107977865A (zh) * | 2017-12-07 | 2018-05-01 | 畅捷通信息技术股份有限公司 | 广告推送方法、装置、计算机设备和可读存储介质 |
CN108198019A (zh) * | 2017-12-27 | 2018-06-22 | 网易无尾熊(杭州)科技有限公司 | 物品推荐方法及装置、存储介质、电子设备 |
CN108230094A (zh) * | 2017-12-22 | 2018-06-29 | 金瓜子科技发展(北京)有限公司 | 车辆推荐方法及装置 |
CN108549685A (zh) * | 2018-04-08 | 2018-09-18 | 武志学 | 行为分析方法、装置、系统及可读存储介质 |
CN110267108A (zh) * | 2019-06-13 | 2019-09-20 | 北京连屏科技有限公司 | 一种面向交互式网络电视用户的信息推送方法 |
CN110536157A (zh) * | 2018-05-23 | 2019-12-03 | 深圳Tcl数字技术有限公司 | 一种自动分配电视节目的方法、存储介质及电视终端 |
CN110555736A (zh) * | 2019-09-05 | 2019-12-10 | 广东聚宝屋传媒有限公司 | 基于发布的需求信息进行广告投放的控制方法及装置 |
CN110969486A (zh) * | 2019-11-29 | 2020-04-07 | 中国银行股份有限公司 | 广告投放方法、用户端、服务器、系统及存储介质 |
CN111294621A (zh) * | 2020-03-10 | 2020-06-16 | 安徽今日互联科技有限公司 | 一种在视频中植入广告的方法 |
CN112203143A (zh) * | 2020-10-12 | 2021-01-08 | 广州欢网科技有限责任公司 | 基于大数据统计智能电视每时段在线量的方法及装置 |
CN114268838A (zh) * | 2021-12-15 | 2022-04-01 | 深圳市酷开网络科技股份有限公司 | 基于ott用户画像中家庭成员画像处理方法及装置 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101047831A (zh) * | 2006-03-30 | 2007-10-03 | 株式会社东芝 | 推荐节目信息提供方法和装置 |
CN103533393A (zh) * | 2013-09-17 | 2014-01-22 | 上海交通大学 | 基于家庭收视纪录的家庭分析及节目推荐方法 |
CN104469430A (zh) * | 2014-12-24 | 2015-03-25 | 武汉泰迪智慧科技有限公司 | 基于上下文和群组组合的视频推荐方法及系统 |
CN104520842A (zh) * | 2012-09-13 | 2015-04-15 | 英特尔公司 | 用于提高用户体验的方法和设备 |
CN104834657A (zh) * | 2014-08-27 | 2015-08-12 | 腾讯科技(北京)有限公司 | 用户行为分析方法及服务器 |
CN105574216A (zh) * | 2016-03-07 | 2016-05-11 | 达而观信息科技(上海)有限公司 | 基于概率模型和用户行为分析的个性化推荐方法、系统 |
CN105959745A (zh) * | 2016-05-25 | 2016-09-21 | 北京铭嘉实咨询有限公司 | 广告投放方法和系统 |
CN106202534A (zh) * | 2016-07-25 | 2016-12-07 | 十九楼网络股份有限公司 | 一种基于社区用户行为的内容推荐方法及系统 |
-
2016
- 2016-12-14 CN CN201611151146.1A patent/CN106534902A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101047831A (zh) * | 2006-03-30 | 2007-10-03 | 株式会社东芝 | 推荐节目信息提供方法和装置 |
CN104520842A (zh) * | 2012-09-13 | 2015-04-15 | 英特尔公司 | 用于提高用户体验的方法和设备 |
CN103533393A (zh) * | 2013-09-17 | 2014-01-22 | 上海交通大学 | 基于家庭收视纪录的家庭分析及节目推荐方法 |
CN104834657A (zh) * | 2014-08-27 | 2015-08-12 | 腾讯科技(北京)有限公司 | 用户行为分析方法及服务器 |
CN104469430A (zh) * | 2014-12-24 | 2015-03-25 | 武汉泰迪智慧科技有限公司 | 基于上下文和群组组合的视频推荐方法及系统 |
CN105574216A (zh) * | 2016-03-07 | 2016-05-11 | 达而观信息科技(上海)有限公司 | 基于概率模型和用户行为分析的个性化推荐方法、系统 |
CN105959745A (zh) * | 2016-05-25 | 2016-09-21 | 北京铭嘉实咨询有限公司 | 广告投放方法和系统 |
CN106202534A (zh) * | 2016-07-25 | 2016-12-07 | 十九楼网络股份有限公司 | 一种基于社区用户行为的内容推荐方法及系统 |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107341172B (zh) * | 2017-05-12 | 2020-06-19 | 阿里巴巴(中国)有限公司 | 视频收益计算建模装置与方法及视频推荐装置与方法 |
CN107341172A (zh) * | 2017-05-12 | 2017-11-10 | 广州优视网络科技有限公司 | 视频收益计算建模装置与方法及视频推荐装置与方法 |
WO2018205642A1 (zh) * | 2017-05-12 | 2018-11-15 | 广州优视网络科技有限公司 | 视频收益计算建模装置、方法和视频推荐装置、方法和服务器及存储介质 |
CN107071578B (zh) * | 2017-05-24 | 2019-11-22 | 中国科学技术大学 | Iptv节目推荐方法 |
CN107071578A (zh) * | 2017-05-24 | 2017-08-18 | 中国科学技术大学 | Iptv节目推荐方法 |
CN107977865A (zh) * | 2017-12-07 | 2018-05-01 | 畅捷通信息技术股份有限公司 | 广告推送方法、装置、计算机设备和可读存储介质 |
CN108230094A (zh) * | 2017-12-22 | 2018-06-29 | 金瓜子科技发展(北京)有限公司 | 车辆推荐方法及装置 |
CN108230094B (zh) * | 2017-12-22 | 2021-11-16 | 金瓜子科技发展(北京)有限公司 | 车辆推荐方法及装置 |
CN108198019A (zh) * | 2017-12-27 | 2018-06-22 | 网易无尾熊(杭州)科技有限公司 | 物品推荐方法及装置、存储介质、电子设备 |
CN108549685A (zh) * | 2018-04-08 | 2018-09-18 | 武志学 | 行为分析方法、装置、系统及可读存储介质 |
CN110536157A (zh) * | 2018-05-23 | 2019-12-03 | 深圳Tcl数字技术有限公司 | 一种自动分配电视节目的方法、存储介质及电视终端 |
CN110267108B (zh) * | 2019-06-13 | 2021-06-11 | 贵州广电新媒体产业发展有限公司 | 一种面向交互式网络电视用户的信息推送方法 |
CN110267108A (zh) * | 2019-06-13 | 2019-09-20 | 北京连屏科技有限公司 | 一种面向交互式网络电视用户的信息推送方法 |
CN110555736A (zh) * | 2019-09-05 | 2019-12-10 | 广东聚宝屋传媒有限公司 | 基于发布的需求信息进行广告投放的控制方法及装置 |
CN110555736B (zh) * | 2019-09-05 | 2022-06-03 | 广东聚宝屋传媒有限公司 | 基于发布的需求信息进行广告投放的控制方法及装置 |
CN110969486A (zh) * | 2019-11-29 | 2020-04-07 | 中国银行股份有限公司 | 广告投放方法、用户端、服务器、系统及存储介质 |
CN110969486B (zh) * | 2019-11-29 | 2024-02-27 | 中国银行股份有限公司 | 广告投放方法、用户端、服务器、系统及存储介质 |
CN111294621A (zh) * | 2020-03-10 | 2020-06-16 | 安徽今日互联科技有限公司 | 一种在视频中植入广告的方法 |
CN112203143A (zh) * | 2020-10-12 | 2021-01-08 | 广州欢网科技有限责任公司 | 基于大数据统计智能电视每时段在线量的方法及装置 |
CN114268838A (zh) * | 2021-12-15 | 2022-04-01 | 深圳市酷开网络科技股份有限公司 | 基于ott用户画像中家庭成员画像处理方法及装置 |
CN114268838B (zh) * | 2021-12-15 | 2023-12-26 | 深圳市酷开网络科技股份有限公司 | 基于ott用户画像中家庭成员画像处理方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106534902A (zh) | 一种行为分析方法及系统 | |
CN108090208A (zh) | 融合数据处理方法及装置 | |
CN110503206A (zh) | 一种预测模型更新方法、装置、设备及可读介质 | |
CN105898209A (zh) | 视频平台监控分析系统 | |
CN104035926B (zh) | 一种互联网信息的投放和系统 | |
CN104123284B (zh) | 一种推荐的方法及服务器 | |
CN106294830A (zh) | 多媒体资源的推荐方法及装置 | |
CN107103489A (zh) | 一种用于在广播网络中为有用资源确定目标的方法和设备 | |
CN101669131A (zh) | 交叉渠道优化系统和方法 | |
CN103649981A (zh) | 用于输送目标内容的方法和装置 | |
WO2006126147A2 (en) | Method and apparatus for estimating total interest of a group of users directing to a content | |
CN109544076B (zh) | 用于生成信息的方法和装置 | |
CN109543132A (zh) | 内容推荐方法、装置、电子设备及存储介质 | |
CN106851349A (zh) | 基于海量跨屏收视行为数据的直播推荐方法 | |
CN111492391A (zh) | 用于生成个性化推荐的客户端、服务器和客户端-服务器系统 | |
CN104657457B (zh) | 一种用户评价视频的数据处理方法、视频推荐方法及装置 | |
CN110109901A (zh) | 筛选目标对象的方法和装置 | |
CN112241327A (zh) | 分享信息处理方法、装置、存储介质与电子设备 | |
CN102436506A (zh) | 一种网络服务器端海量数据的处理方法及装置 | |
CN110910201A (zh) | 信息推荐的控制方法、装置、计算机设备及存储介质 | |
CN113362109B (zh) | 媒介资源的推荐方法、装置、电子设备、存储介质 | |
CN110858377A (zh) | 信息处理方法、页面显示方法、系统及设备 | |
CN113763035A (zh) | 广告投放的效果预测方法、装置、计算机设备和存储介质 | |
CN108351903A (zh) | 使用反馈环路的多通道系统的优化 | |
CN110909237A (zh) | 推荐内容的方法、装置、设备和计算机可读介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170322 |
|
RJ01 | Rejection of invention patent application after publication |