CN107864405B - 一种收视行为类型的预测方法、装置及计算机可读介质 - Google Patents

一种收视行为类型的预测方法、装置及计算机可读介质 Download PDF

Info

Publication number
CN107864405B
CN107864405B CN201711122730.9A CN201711122730A CN107864405B CN 107864405 B CN107864405 B CN 107864405B CN 201711122730 A CN201711122730 A CN 201711122730A CN 107864405 B CN107864405 B CN 107864405B
Authority
CN
China
Prior art keywords
viewing behavior
viewing
user
behavior
type
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
CN201711122730.9A
Other languages
English (en)
Other versions
CN107864405A (zh
Inventor
万倩
赵明
牛妍华
欧阳峰
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.)
Academy of Broadcasting Science of SAPPRFT
Original Assignee
Academy of Broadcasting Science of SAPPRFT
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 Academy of Broadcasting Science of SAPPRFT filed Critical Academy of Broadcasting Science of SAPPRFT
Priority to CN201711122730.9A priority Critical patent/CN107864405B/zh
Publication of CN107864405A publication Critical patent/CN107864405A/zh
Application granted granted Critical
Publication of CN107864405B publication Critical patent/CN107864405B/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]
    • H04N21/40—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]
    • H04N21/20—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
    • H04N21/43—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
    • 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]
    • H04N21/40—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

Landscapes

  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Social Psychology (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Computing Systems (AREA)
  • Computer Graphics (AREA)
  • Two-Way Televisions, Distribution Of Moving Picture Or The Like (AREA)

Abstract

本发明公开了一种收视行为类型的预测方法、装置及计算机可读介质，涉及计算机技术领域。该方法包括：获取用户的收视行为数据，生成对应的收视行为时间序列；通过所述收视行为时间序列训练深度学习模型；获取用户当前的收视行为数据；根据所述深度学习模型与用户当前的所述收视行为数据预测下一刻的收视行为类型。通过获取用户的收视行为数据生成的行为时间序列训练深度学习模型，根据用户当前的收视行为数据与深度学习模型预测下一刻的收视行为类型，通过预测的收视行为类型为用户提供更贴心的收视内容和更流畅的收视体验，以提升用户的忠诚度，降低广电用户的流失率。

Description

一种收视行为类型的预测方法、装置及计算机可读介质
技术领域
本发明涉及计算机技术领域，尤其涉及一种收视行为类型的预测方法、装置及计算机可读介质。
背景技术
大数据技术的进步，推动了广电运营商运营管理的多维化、精细化和高效化发展，使得全样本的收视率调查、用户画像、用户流失分析、精准营销和智能决策成为了可能。
然而，传统的收视行为预测、用户流失和精准营销分析方法，如：决策树、逻辑回归、SVM、协同过滤以及关联规则等数据挖掘方法在价值信息极其稀疏的情况下，其性能提升已遇到瓶颈，无法精准的预测用户下一时刻的收视行为类型。
发明内容
本发明提供一种收视行为类型的预测方法、装置及计算机可读介质，用以解决现有技术中无法精准的预测用户下一时刻的收视行为类型的问题。
依据本发明的第一个方面，提供了一种收视行为类型的预测方法，所述方法包括：
获取用户的收视行为数据，生成对应的收视行为时间序列；
通过所述收视行为时间序列训练深度学习模型；
获取用户当前的收视行为数据；
根据所述深度学习模型与用户当前的所述收视行为数据预测下一刻的收视行为类型。
可选的，获取用户的收视行为数据，生成对应的收视行为时间序列，具体包括：
获取用户的收视行为数据，所述收视行为数据包括收视行为类型及所述收视行为类型对应的收视时刻；
根据所述收视时刻的先后顺序对所述收视行为类型进行排序，生成收视行为时间序列。
可选的，通过所述收视行为时间序列训练深度学习模型，具体包括：
按照预设长度对所述收视行为时间序列进行切割，得到行为序列集合，所述行为序列集合中包含多个等长的行为序列；
将集合中的每一所述行为序列的最后一个收视行为类型作为标签，得到模型的训练样本集；
通过所述训练样本集训练深度学习模型。
可选的，所述预设长度为七个行为类型长度。
可选的，所述收视行为类型包括开机、关机、直播、点播、时移、或回看中的至少一种。
依据本发明的第二个方面，提供了一种收视行为类型的预测装置，所述装置包括：
第一收视行为数据获取模块，用于获取用户的收视行为数据；
时间序列生成模块，用于根据获取的用户的收视行为数据，生成对应的收视行为时间序列；
训练模块，用于通过所述收视行为时间序列训练深度学习模型；
第二收视行为数据获取模块，用于获取用户当前的收视行为数据；
行为预测模块，用于根据所述深度学习模型与用户当前的所述收视行为数据预测下一刻的收视行为类型。
可选的，所述时间序列生成模块包括类型排序单元；
所述类型排序单元，用于获取用户的收视行为数据，所述收视行为数据包括收视行为类型及所述收视行为类型对应的收视时刻；以及
根据所述收视时刻的先后顺序对所述收视行为类型进行排序，生成收视行为时间序列。
可选的，所述训练模块包括：
切割单元，用于按照预设长度对所述收视行为时间序列进行切割，得到行为序列集合，所述行为序列集合中包含多个等长的行为序列；
样本集获取单元，用于将集合中的每一所述行为序列的最后一个收视行为类型作为标签，得到模型的训练样本集；
训练单元，用于通过所述训练样本集训练深度学习模型。
可选的，所述深度学习模型为LSTM深度学习模型。
依据本发明的第三个方面，提供一种计算机可读介质，所述计算机可读介质存储有收视行为类型的预测程序，当所述收视行为类型的预测程序被至少一个处理器执行时，导致所述至少一个处理器执行本发明所提供的方法步骤。
根据本发明的一种收视行为类型的预测方法、装置及计算机可读介质，通过获取用户的收视行为数据，生成对应的收视行为时间序列；通过所述收视行为时间序列训练深度学习模型；获取用户当前的收视行为数据；根据所述深度学习模型与用户当前的所述收视行为数据预测下一刻的收视行为类型。以解决现有技术中无法精准的预测用户下一时刻的收视行为类型的技术问题。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1为本发明第一实施例提供的一种收视行为类型的预测方法的流程图；
图2为本发明第二实施例提供的一种收视行为类型的预测方法的流程图；
图3为本发明第三实施例提供的一种收视行为类型的预测方法的流程图；
图4为本发明第四实施例提供的一种收视行为类型的预测装置的功能模块示意图；
图5为本发明第五实施例提供的一种收视行为类型的预测装置的功能模块示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
请参阅图1，为本发明第一实施例提供的一种收视行为类型的预测方法的流程图。
步骤S110，获取用户的收视行为数据，生成对应的收视行为时间序列。
具体实施时，获取用户的收视行为数据，该收视行为数据为广电运营商实时捕捉到的用户收视行为数据，其收视行为数据包括用户的收视行为对应的收视行为类型及该收视行为类型对应的收视时间。当然，用户可以通过电视或带有视频播放功能的计算机设备收听不同类型的广电内容，该计算机设备包括但不限于移动电话、手机、智能手机、平板电脑、个人电脑、个人数字助理、媒体播放器和其他电子设备。可以清楚的是，当用户通过电视收听不同类型的广电内容时，广电运营商可通过双向机顶盒实时地捕捉用户的收视行为数据；当用户通过带有视频软件的计算机设备收听不同类型的广电内容时，通过视频软件捕捉用户的收视行为数据。将接收到的用户收视行为数据对应的收视行为类型按照该收视行为类型对应的收视时间进行排序，得到收视行为时间序列。
可选的，该收视行为数据可以为用户同一账号对应的不同电视和/或不同视频播放功能的计算机设备上获取的收视行为数据，该收视行为数据对应的收视行为类型包括：用户使用电视机和/或带有视频播放功能的计算机设备收听广电内容时，对电视和/或带有视频播放功能的计算机设备进行的输入操作，如开机；选择或切换的收视类型，如，直播。
步骤S120，通过所述收视行为时间序列训练深度学习模型。
具体实施时，可选的，每一用户对应一个账号。每一用户对应有一个收视行为时间序列，将每一收视行为时间序列为对应的用户训练一个深度学习模型。可选的，该深度学习模型为LSTM深度学习模型。
步骤S130，获取用户当前的收视行为数据。
具体实施时，获取用户当前的收视行为数据，可选的，该收视行为数据对应的收视行为类型包括：用户使用电视机和/或带有视频播放功能的计算机设备收听广电内容时，对电视和/或带有视频播放功能的计算机设备进行的输入操作，如开机；选择或切换的收视类型，如，直播。可以清楚地是，该收视行为类型可以为用户的一个输入操作对应的类型，如开机，或收看的收视类型，如点播、直播、时移等任一一个类型。可选的，收视行为类型包括开机、关机、直播、点播、时移、或回看中的至少一种。
步骤S140，根据所述深度学习模型与用户当前的所述收视行为数据预测下一刻的收视行为类型。
具体实施时，获取到当前收视行为数据对应的收视行为类型，如，开机。获取在该收视行为类型之前的一个或多个行为类型，通过将该收视行为数据对应的收视行为类型及该收视行为类型之前的一个或多个行为类型加载到深度学习模型中，即可预测到下一刻的收视行为类型，以解决现有技术中无法精准的预测用户下一时刻的收视行为类型的问题。
请参阅图2，为本发明第二实施例提供的一种收视行为类型的预测方法的流程图。本实施例在实施例一的基础上，步骤S110具体包括步骤S111与步骤S112。
步骤S111，获取用户的收视行为数据，所述收视行为数据包括收视行为类型及所述收视行为类型对应的收视时刻。
具体实施时，收视行为数据包括收视行为类型及该收视行为类型对应的收视时刻，根据收视时刻对收视行为类型进行排序，以便于生成收视行为时间序列。可选的，通过记录收视行为时刻，当单一的收视行为类型对应的时间长，可将该收视行为类型切割成两个或多个等长的收视行为类型，以便于将该切割后的收视行为时间序列加载到深度学习模型并对其训练，使得训练后的深度学习模型预测效果更加精准。
步骤S112，根据所述收视时刻的先后顺序对所述收视行为类型进行排序，生成收视行为时间序列。
具体实施时，按照收视时刻的先后顺序对收视行为类型进行排序，可以清楚的是，获取的用户的收视行为数据可以为用户同一账号在不同电视和/或带有视频播放功能的计算机设备上的收视行为数据，通过获取收视行为时刻，可将用户同一账号对应的不同电视和/或带有视频播放功能的计算机设备上的收视行为数据进行排序，以便于获取更多的训练数据，对模型进行修正。
请参阅图3，为本发明第三实施例提供的一种收视行为类型的预测方法的流程图。本实施例在实施例一或实施例二的基础上，步骤S120具体包括步骤S121、步骤S122和步骤S123。
步骤S121，按照预设长度对所述收视行为时间序列进行切割，得到行为序列集合，所述行为序列集合中包含多个等长的行为序列。
具体实施时，将获取到的收视行为数据对应的收视行为类型进行切割，以得到多个等长的行为序列，如，收视行为数据包括：收视行为时刻1对应的收视行为类型为直播，收视行为时刻2对应的收视行为类型为点播，收视行为时刻3对应的收视行为类型为直播，收视行为时刻4对应的收视行为类型为时移，收视行为时刻5对应的收视行为类型为回看，收视行为时刻6对应的收视行为类型为关机。按收视行为时刻对收视行为类型进行排序，得到收视行为时间序列：直播-点播-直播-时移-回看-关机。可选的，预设长度为4个行为类型长度，则等长的行为序列为：直播-点播-直播-时移、点播-直播-时移-回看、直播-时移-回看-关机。
步骤S122，将集合中的每一所述行为序列的最后一个收视行为类型作为标签，得到模型的训练样本集。
具体实施时，可选的，预设长度为4个行为类型长度，则等长的行为序列为：直播-点播-直播-时移、点播-直播-时移-回看、直播-时移-回看-关机。可选的，将每一行为序列对应的最后一个收视行为类型作为标签，得到训练样本集。
步骤S123，通过所述训练样本集训练深度学习模型。
具体实施时，通过得到的训练样本集对深度学习模型进行训练，可选的，该深度学习模型为LSTM深度学习模型。当预设长度为4个行为类型长度时，则每一行为序列前三个收视行为类型为训练样本特征数据，第四个收视行为作为标签为训练样本标签数据。将训练样本特征数据和练样本标签数据加载到LSTM深度学习模型进行训练。以得到LSTM深度学习模型，以便于对用户下一刻的收视行为类型进行预测。
本发明实施例了通过下列核心Python代码实现。
import numpy
from keras.models import Sequential
from keras.layers import Dense
from keras.layers import LSTM
from keras.utils import np_utils//加载依赖包
dataX＝[]//缓存训练样本特征数据
dataY＝[]//缓存训练样本标签数据
dataX,dataY＝load_data()//加载训练数据
model＝Sequential()//初始化序列化模型
model.add(LSTM(32,input_shape＝(dataX.shape[1],dataX.shape[2])))//添加LSTM单元
model.add(Dense(6,activation＝'softmax'))//添加隐藏层作为多分类输出model.compile(loss＝'categorical_crossentropy',optimizer＝'adam',metrics＝['accuracy'])//编译模型
model.fit(dataX,dataY,nb_epoch＝500,batch_size＝2,verbose＝2)//训练模型
model.save_weights("lstm.model")//保存模型
model.load_weights("lstm.model")//加载模型
model.predict(dataX)//行为预测
在真实数据训练样本集上的测试效果，评价指标Accuracy：
预设长度 2 3 4 5 6 7
Accuracy 0.5306 0.6042 0.7234 0.6739 0.9333 0.9545
从实验结果可以看出，随着记忆的预设长度增加，LSTM模型预测的准确性不断提高，精度可以提升至95％以上；但相应的模型训练时长会加长。
可选的，本实施例的预设长度为七个行为类型长度。当然，实际应用中，可以选择一个折中的序列长度以权衡模型准确性和训练时长之间的杠杆关系。
请参阅图4，为本发明第四实施例提供的一种收视行为类型的预测装置200的功能模块示意图。收视行为类型的预测装置200包括第一收视行为数据获取模块210、时间序列生成模块220、训练模块230、第二收视行为数据获取模块240、以及行为预测模块250。该装置用来实现本发明实施例所提供的收视行为类型的预测方法，该方法用于解决现有技术中无法精准的预测用户下一时刻的收视行为类型的技术问题。
第一收视行为数据获取模块210，用于获取用户的收视行为数据。
具体实施时，具体实施时，获取用户的收视行为数据，该收视行为数据为广电运营商实时捕捉到的用户收视行为数据，其收视行为数据包括用户的收视行为对应的收视行为类型及该收视行为类型对应的收视时间。当然，用户可以通过电视或带有视频播放功能的计算机设备收听不同类型的广电内容，该计算机设备包括但不限于移动电话、手机、智能手机、平板电脑、个人电脑、个人数字助理、媒体播放器和其他电子设备。可以清楚的是，当用户通过电视收听不同类型的广电内容时，广电运营商可通过双向机顶盒实时地捕捉用户的收视行为数据；当用户通过带有视频软件的计算机设备收听不同类型的广电内容时，通过视频软件捕捉用户的收视行为数据。
可选的，该收视行为数据可以为用户同一账号对应的不同电视和/或不同视频播放功能的计算机设备上获取的收视行为数据，该收视行为数据对应的收视行为类型包括：用户使用电视机和/或带有视频播放功能的计算机设备收听广电内容时，对电视和/或带有视频播放功能的计算机设备进行的输入操作，如开机；选择或切换的收视类型，如，直播。
时间序列生成模块220，用于根据获取用户的收视行为数据，生成对应的收视行为时间序列。
具体实施时，将接收到的用户收视行为数据对应的收视行为类型按照该收视行为类型对应的收视时间进行排序，得到收视行为时间序列。
训练模块230，用于通过收视行为时间序列训练深度学习模型。
具体实施时，可选的，每一用户对应一个账号。每一用户对应有一个收视行为时间序列，将每一收视行为时间序列为对应的用户训练一个深度学习模型。可选的，该深度学习模型为LSTM深度学习模型。
第二收视行为数据获取模块240，用于获取用户当前的收视行为数据。
具体实施时，获取用户当前的收视行为数据，可选的，该收视行为数据对应的收视行为类型包括：用户使用电视机和/或带有视频播放功能的计算机设备收听广电内容时，对电视和/或带有视频播放功能的计算机设备进行的输入操作，如开机；选择或切换的收视类型，如，直播。可以清楚地是，该收视行为类型可以为用户的一个输入操作对应的类型，如开机，或收看的收视类型，如点播、直播、时移等任一一个类型。可选的，收视行为类型包括开机、关机、直播、点播、时移、或回看中的至少一种。
行为预测模块250，用于根据深度学习模型与用户当前的收视行为数据预测下一刻的收视行为类型。
具体实施时，获取到当前收视行为数据对应的收视行为类型，如，开机。获取在该收视行为类型之前的一个或多个行为类型，通过将该收视行为数据对应的收视行为类型及该收视行为类型之前的一个或多个行为类型加载到深度学习模型中，即可预测到下一刻的收视行为类型，以解决现有技术中无法精准的预测用户下一时刻的收视行为类型的问题。
请参阅图5，为本发明第五实施例提供的一种收视行为类型的预测装置200的功能模块示意图。本实施例在第四实施例的基础上，时间序列生成模块220包括类型排序单元221。
类型排序单元221，用于根据获取的用户的收视行为数据，收视行为数据包括收视行为类型及收视行为类型对应的收视时刻；以及根据收视时刻的先后顺序对收视行为类型进行排序，生成收视行为时间序列。
具体实施时，收视行为数据包括收视行为类型及该收视行为类型对应的收视时刻，根据收视时刻对收视行为类型进行排序，以便于生成收视行为时间序列。可选的，通过记录收视行为时刻，当单一的收视行为类型对应的时间长，可将该收视行为类型切割成两个或多个等长的收视行为类型，以便于将该切割后的收视行为时间序列加载到深度学习模型并对其训练，使得训练后的深度学习模型预测效果更加精准。
具体的，按照收视时刻的先后顺序对收视行为类型进行排序，可以清楚的是，获取的用户的收视行为数据可以为用户同一账号在不同电视和/或带有视频播放功能的计算机设备上的收视行为数据，通过获取收视行为时刻，可将用户同一账号对应的不同电视和/或带有视频播放功能的计算机设备上的收视行为数据进行排序，以便于获取更多的训练数据，对模型进行修正。
可选的，训练模块230包括：
切割单元231，用于按照预设长度对收视行为时间序列进行切割，得到行为序列集合，行为序列集合中包含多个等长的行为序列。
具体实施时，将获取到的收视行为数据对应的收视行为类型进行切割，以得到多个等长的行为序列，如，收视行为数据包括：收视行为时刻1对应的收视行为类型为直播，收视行为时刻2对应的收视行为类型为点播，收视行为时刻3对应的收视行为类型为直播，收视行为时刻4对应的收视行为类型为时移，收视行为时刻5对应的收视行为类型为回看，收视行为时刻6对应的收视行为类型为关机。按收视行为时刻对收视行为类型进行排序，得到收视行为时间序列：直播-点播-直播-时移-回看-关机。可选的，预设长度为4个行为类型长度，则等长的行为序列为：直播-点播-直播-时移、点播-直播-时移-回看、直播-时移-回看-关机。
样本集获取单元232，用于将集合中的每一行为序列的最后一个收视行为类型作为标签，得到模型的训练样本集。
具体实施时，可选的，预设长度为4个行为类型长度，则等长的行为序列为：直播-点播-直播-时移、点播-直播-时移-回看、直播-时移-回看-关机。可选的，将每一行为序列对应的最后一个收视行为类型作为标签，得到训练样本集。
训练单元233，用于通过训练样本集训练深度学习模型。
具体实施时，通过得到的训练样本集对深度学习模型进行训练，可选的，该深度学习模型为LSTM深度学习模型。当预设长度为4个行为类型长度时，则每一行为序列前三个收视行为类型为训练样本特征数据，第四个收视行为作为标签为训练样本标签数据。将训练样本特征数据和练样本标签数据加载到LSTM深度学习模型进行训练。以得到LSTM深度学习模型，以便于对用户下一刻的收视行为类型进行预测。
可选的，深度学习模型为LSTM深度学习模型。
本发明实施例还提供了一种计算机可读介质，计算机可读介质存储有收视行为类型的预测程序，当收视行为类型的预测程序被至少一个处理器执行时，导致至少一个处理器执行如下步骤：
步骤S110，获取用户的收视行为数据，生成对应的收视行为时间序列；
步骤S120，通过所述收视行为时间序列训练深度学习模型；
步骤S130，获取用户当前的收视行为数据；
步骤S140，根据所述深度学习模型与用户当前的所述收视行为数据预测下一刻的收视行为类型。
可选的，执行的步骤还包括步骤S111、步骤S112、步骤S102、以及步骤S121、步骤S122和步骤S123。
由于在第一实施例至第三实施例中已经对收视行为类型的预测方法的实施过程进行了详细说明，本实施例在此不再重复赘述。
本实施例所述计算机可读存储介质包括但不限于为：ROM、RAM、磁盘或光盘等。
综上所述，本发明公开了一种收视行为类型的预测方法、装置及计算机可读介质，涉及计算机技术领域。通过获取用户的收视行为数据，生成对应的收视行为时间序列；通过所述收视行为时间序列训练深度学习模型；获取用户当前的收视行为数据；根据所述深度学习模型与用户当前的所述收视行为数据预测下一刻的收视行为类型。通过获取用户的收视行为数据生成的行为时间序列训练深度学习模型，根据用户当前的收视行为数据与深度学习模型预测下一刻的收视行为类型，通过预测的收视行为类型为用户提供更贴心的收视内容和更流畅的收视体验，以提升用户的忠诚度，降低广电用户的流失率。
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多个实施例的装置、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。
另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
总之，以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。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。

Claims (8)

1.一种收视行为类型的预测方法，其特征在于，所述方法包括：
获取用户的收视行为数据，生成对应的收视行为时间序列；
通过所述收视行为时间序列训练深度学习模型；
获取用户当前的收视行为数据；
根据所述深度学习模型与用户当前的所述收视行为数据预测下一刻的收视行为类型；
通过所述收视行为时间序列训练深度学习模型，具体包括：
按照预设长度对所述收视行为时间序列进行切割，得到行为序列集合，所述行为序列集合中包含多个等长的行为序列；
将集合中的每一所述行为序列的最后一个收视行为类型作为标签，得到模型的训练样本集；
通过所述训练样本集训练深度学习模型。
2.根据权利要求1所述的方法，其特征在于，获取用户的收视行为数据，生成对应的收视行为时间序列，具体包括：
获取用户的收视行为数据，所述收视行为数据包括收视行为类型及所述收视行为类型对应的收视时刻；
根据所述收视时刻的先后顺序对所述收视行为类型进行排序，生成收视行为时间序列。
3.根据权利要求1所述的方法，其特征在于，所述预设长度为七个行为类型长度。
4.根据权利要求2所述的方法，其特征在于，所述收视行为类型包括开机、关机、直播、点播、时移、或回看中的至少一种。
5.一种收视行为类型的预测装置，其特征在于，所述装置包括：
第一收视行为数据获取模块，用于获取用户的收视行为数据；
时间序列生成模块，用于根据获取的用户的收视行为数据，生成对应的收视行为时间序列；
训练模块，用于通过所述收视行为时间序列训练深度学习模型；
第二收视行为数据获取模块，用于获取用户当前的收视行为数据；
行为预测模块，用于根据所述深度学习模型与用户当前的所述收视行为数据预测下一刻的收视行为类型；
所述训练模块包括：
切割单元，用于按照预设长度对所述收视行为时间序列进行切割，得到行为序列集合，
所述行为序列集合中包含多个等长的行为序列；
样本集获取单元，用于将集合中的每一所述行为序列的最后一个收视行为类型作为标签，得到模型的训练样本集；
训练单元，用于通过所述训练样本集训练深度学习模型。
6.根据权利要求5所述的装置，其特征在于，所述时间序列生成模块包括类型排序单元；
所述类型排序单元，用于获取获取的用户的收视行为数据，所述收视行为数据包括收视行为类型及所述收视行为类型对应的收视时刻；以及
根据所述收视时刻的先后顺序对所述收视行为类型进行排序，生成收视行为时间序列。
7.根据权利要求5所述的装置，其特征在于，所述深度学习模型为LSTM深度学习模型。
8.一种计算机可读介质，其特征在于，所述计算机可读介质存储有收视行为类型的预测程序，当所述收视行为类型的预测程序被至少一个处理器执行时，导致所述至少一个处理器执行如权利要求1至4任意一项所述的方法步骤。
CN201711122730.9A 2017-11-14 2017-11-14 一种收视行为类型的预测方法、装置及计算机可读介质 Active CN107864405B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711122730.9A CN107864405B (zh) 2017-11-14 2017-11-14 一种收视行为类型的预测方法、装置及计算机可读介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711122730.9A CN107864405B (zh) 2017-11-14 2017-11-14 一种收视行为类型的预测方法、装置及计算机可读介质

Publications (2)

Publication Number Publication Date
CN107864405A CN107864405A (zh) 2018-03-30
CN107864405B true CN107864405B (zh) 2020-12-01

Family

ID=61701667

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711122730.9A Active CN107864405B (zh) 2017-11-14 2017-11-14 一种收视行为类型的预测方法、装置及计算机可读介质

Country Status (1)

Country Link
CN (1) CN107864405B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108597609A (zh) * 2018-05-04 2018-09-28 华东师范大学 一种基于lstm网络的医养结合健康监测方法
CN109325637A (zh) * 2018-11-06 2019-02-12 北京奇艺世纪科技有限公司 会员流失预测方法、装置、存储介质及电子设备
CN109543899B (zh) * 2018-11-20 2020-02-11 燕山大学 基于深度学习的二维轮廓排样定序方法
CN109992473B (zh) * 2019-02-27 2022-07-15 平安科技（深圳）有限公司 应用系统的监控方法、装置、设备及存储介质
CN110248246B (zh) * 2019-05-14 2022-12-30 平安科技（深圳）有限公司 数据分析方法、装置、计算机设备及计算机可读存储介质
CN114650445B (zh) * 2020-12-17 2023-08-01 深圳Tcl新技术有限公司 一种tlv数据包的过滤方法、存储介质及终端设备

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103377242A (zh) * 2012-04-25 2013-10-30 Tcl集团股份有限公司 用户行为分析方法、分析预测方法及电视节目推送系统
CN104936023A (zh) * 2015-06-11 2015-09-23 嘉兴市广播电视集团 一种数字电视用户行为的大数据采集与分析方法及系统
CN104980800A (zh) * 2014-04-04 2015-10-14 北京秒针信息咨询有限公司 一种监测电视开关机状态的方法和系统
CN106254949A (zh) * 2016-09-28 2016-12-21 深圳Tcl新技术有限公司 电视机节能待机快速开机的方法及装置
CN106570597A (zh) * 2016-11-14 2017-04-19 广州大学 一种sdn架构下基于深度学习的内容流行度预测方法
CN107222787A (zh) * 2017-06-02 2017-09-29 中国科学技术大学 视频资源流行度预测方法
CN107241623A (zh) * 2017-05-26 2017-10-10 中国传媒大学 广播电视用户收视行为预测方法及系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103377242A (zh) * 2012-04-25 2013-10-30 Tcl集团股份有限公司 用户行为分析方法、分析预测方法及电视节目推送系统
CN104980800A (zh) * 2014-04-04 2015-10-14 北京秒针信息咨询有限公司 一种监测电视开关机状态的方法和系统
CN104936023A (zh) * 2015-06-11 2015-09-23 嘉兴市广播电视集团 一种数字电视用户行为的大数据采集与分析方法及系统
CN106254949A (zh) * 2016-09-28 2016-12-21 深圳Tcl新技术有限公司 电视机节能待机快速开机的方法及装置
CN106570597A (zh) * 2016-11-14 2017-04-19 广州大学 一种sdn架构下基于深度学习的内容流行度预测方法
CN107241623A (zh) * 2017-05-26 2017-10-10 中国传媒大学 广播电视用户收视行为预测方法及系统
CN107222787A (zh) * 2017-06-02 2017-09-29 中国科学技术大学 视频资源流行度预测方法

Also Published As

Publication number Publication date
CN107864405A (zh) 2018-03-30

Similar Documents

Publication Publication Date Title
CN107864405B (zh) 一种收视行为类型的预测方法、装置及计算机可读介质
CN110874440B (zh) 一种信息推送及其模型训练的方法、装置及电子设备
CN106326391B (zh) 多媒体资源推荐方法及装置
CN110598157B (zh) 目标信息识别方法、装置、设备及存储介质
CN110751224A (zh) 视频分类模型的训练方法、视频分类方法、装置及设备
CN105930402A (zh) 基于卷积神经网络的视频检索方法及系统
CN105005582A (zh) 多媒体信息的推荐方法及装置
CN103440243B (zh) 一种教学资源推荐方法及其装置
CN110781960B (zh) 视频分类模型的训练方法、分类方法、装置及设备
CN111783712A (zh) 一种视频处理方法、装置、设备及介质
CN104243590A (zh) 资源对象推荐方法和装置
CN107592572B (zh) 视频推荐方法、装置及其设备
US20230004608A1 (en) Method for content recommendation and device
CN105991722B (zh) 一种下载器推荐方法、应用服务器、终端及系统
CN111435369A (zh) 音乐推荐方法、装置、终端及存储介质
CN111241381A (zh) 信息推荐方法、装置、电子设备及计算机可读存储介质
CN106131617A (zh) 一种投放广告的方法及装置
CN104252480A (zh) 一种音频信息检索的方法和装置
CN104580109A (zh) 生成点选验证码的方法及装置
CN108345620B (zh) 品牌信息处理方法、装置、存储介质及电子设备
CN117273173A (zh) 基于大语言模型的实体推荐方法、装置、设备及存储介质
CN116955630A (zh) 文本分类方法、装置、模型、设备和计算机可读存储介质
CN104834728B (zh) 一种订阅视频的推送方法及装置
CN109993286B (zh) 稀疏神经网络的计算方法及相关产品
CN102833594A (zh) 一种网络协议电视iptv节目搜索方法、装置及系统

Legal Events

Date Code Title Description
PB01 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