CN108093304A - 一种基于用户习惯的智能推荐方法和系统 - Google Patents

一种基于用户习惯的智能推荐方法和系统 Download PDF

Info

Publication number
CN108093304A
CN108093304A CN201711499500.4A CN201711499500A CN108093304A CN 108093304 A CN108093304 A CN 108093304A CN 201711499500 A CN201711499500 A CN 201711499500A CN 108093304 A CN108093304 A CN 108093304A
Authority
CN
China
Prior art keywords
data
module
user
program
intelligent
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
Application number
CN201711499500.4A
Other languages
English (en)
Inventor
董雪峰
刘永航
高晖
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.)
Dongguan New Gree Information Technology Co Ltd
Original Assignee
Dongguan New Gree Information Technology Co Ltd
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 Dongguan New Gree Information Technology Co Ltd filed Critical Dongguan New Gree Information Technology Co Ltd
Priority to CN201711499500.4A priority Critical patent/CN108093304A/zh
Publication of CN108093304A publication Critical patent/CN108093304A/zh
Pending legal-status Critical Current

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]
    • H04N21/40—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
    • 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
    • H04N21/47—End-user applications
    • H04N21/482—End-user interface for program selection
    • H04N21/4826—End-user interface for program selection using recommendation lists, e.g. of programs or channels sorted out according to their score

Landscapes

  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Software Systems (AREA)
  • Human Computer Interaction (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种基于用户习惯的智能推荐系统和方法。本发明一种基于用户习惯的智能推荐系统包括智能终端部分和服务器部分；所述智能终端部分包括智能中枢、用户数据采集模块、用户数据预处理模块和节目自动编排模块；所述服务器部分包括服务器中枢、训练算法模块、数据综合处理模块、内容储存分发模块以及数据矫正模块。本发明一种基于用户习惯的智能推荐方法包括以下步骤：采集用户信息和节目信息；分类并处理数据；训练用户数据；根据数据分析结果推送节目。本发明采用深度学习技术，将视频精细化分类，根据客户日常收看内容，智能化排序节目并且自动推荐合适内容给客户，极大提高了收看体验。

Description

一种基于用户习惯的智能推荐方法和系统
技术领域
本发明涉及电数字数据处理领域，尤其涉及基于大数据的信息智能推荐方法和系统。
背景技术
网络电视作为极有发展潜力的新兴产业，其产业链已经初步形成。通过增长STB，把现有电视转化为综合型信息终端，将不仅满足不擅长应用电脑的用户对个性化定制节目、互动娱乐以及高速互联网接入的业务需求，而且解决了家庭中共用盘算机的冲突和不便利等问题。
随着网络电视的逐渐普及，人们看电视的模式也在逐渐变化，与传统电视相比，主要有以下几点的需求的变化：
1.差异化需求。过去的传统广播电视以广播的形式传送，大家看到的内容是一样的。而网络电视的发展可以让每个人获得符合自身的深刻体验，因此人们越来越看重内容已经收看方式等各方面的差异化需求，同时，点播代替直播逐渐成为主流的收看方式；
2.智能化需求。随着技术的发展，机顶盒的中央处理器和内存也不断升级，在硬件上已经逐渐可以进行更多的智能化需求，同时软件上人工智能在最近十年取得了长足发展，深度学习模式的引入使智能化提高一个大的台阶。在所有家电都在像智能化靠拢的情况下，大家也逐渐要求在看电视这个行为上服务商能够提供更多智能化体验；
3.精准化需求。现在是一个信息爆炸时代，人们接触到的信息与数据都在极速膨胀，因此人们越来越看重数据筛选能力，在看电视上人们早已不满足于粗犷的观看模式，人们希望能看到更多的自己关心的内容，而不希望看到过多不想收看内容。
近几年来，深度学习在人工智能和视频识别中的应用越来越广泛，深度学习采用多级人工神经网络结构，通过端到端的训练，从数据直接学习到表达，已经产生了较好的效果。尤其最近几年随着海量数据和算法改进，深度学习得到爆发式发展，在图像处理、语音识别、语义理解和广告推荐等问题上取得了突破性的提高。
现有技术中，视频播放系统特别是直播系统在内容管理上相对比较简单，往往是固定顺序的管理，即使有固定喜爱节目功能或者一些简单排序的功能，依旧显得不够人性化，并且操作比较繁琐。在点播系统中，现在已经有一些点播系统有相对比较智能化的推送服务，但依然不尽如人意，大多采用的只是将比较流行热门的内容推荐给客户收看，而缺乏真正的智能化管理。
发明内容
为了解决上述技术问题，本发明的目的是提供一种基于用户习惯的智能推荐方法和系统，采用深度学习技术，解决视频播放系统内容管理简单、点播系统推送服务不够智能化的问题。
本发明所采用的技术方案是：
一种基于用户习惯的智能推荐系统，所述系统包括智能终端部分和服务器部分；所述智能终端部分包括智能中枢、用户数据采集模块、用户数据预处理模块和节目自动编排模块；所述用户数据采集模块的输出端与用户数据预处理模块的输入端连接；所述智能中枢的输出端与节目自动编排模块的输入端连接；所述智能中枢的输入端与用户数据预处理模块连接；所述用户数据采集模块用于从智能终端采集用户信息和节目信息；所述节目自动编排模块用于根据内容储存分发模块输出的指令进行节目自动编排；所述用户数据预处理模块用于数据预先处理并分类；
所述服务器部分包括服务器中枢、训练算法模块、数据综合处理模块、内容储存分发模块以及数据矫正模块；所述服务中枢与智能中枢相互连接，用于数据的相互传输和通信；所述服务器中枢的输出端与训练算法模块的输入端连接；所述训练算法模块的输出端与数据综合处理模块的输入端连接；所述服务器中枢的还与内容储存分发模块互相连接；所述服务器中枢的还与数据矫正模块互相连接；所述训练算法模块用于预处理数据的训练；所述数据综合处理模块用于将训练后的数据进行数据综合处理；所述内容储存分发模块用于下发节目重新排序指令到节目自动编排模块；所述数据矫正模块用于结合预处理数据和综合处理数据进行数据二次修正。
优选的，所述用户数据采集模块还包括文字采集模块和视频采集模块；所述文字采集模块通过节目表单和/或大数据搜索实现基本信息采集；所述视频采集模块通过目标识别算法完成基本信息采集。
优选的，所述用户数据预处理模块可结合MCS技术进行数据预处理；
优选的，所述节目自动编排模块按照服务器下发指令将用户节目排序。
优选的，所述用户数据采集模块的采集内容包括用户的地域信息、节目语言类型、字幕类型、节目发布地区、节目发布时间、节目类型划分、节目参与人员名单、节目制作单位，节目口碑信息。
优选的，所述训练算法模块通过目标识别算法对用户数据进行训练；所述数据综合处理模块用于将训练后的数据进行数据综合处理。
一种基于用户习惯的智能推荐方法，其特征在于，所述方法包括以下步骤：
数据采集步骤：从智能终端采集用户信息和节目信息；
数据处理步骤：采集的基本信息在数据处理模块中进行分类并处理；
数据训练步骤：用户数据进入训练算法模块进行训练；
节目推荐步骤：根据数据分析结果对节目分发模块发布指令并推送节目。
优选的，所述数据采集步骤还包括文字采集步骤和视频分析采集步骤；
所述文字采集步骤：通过节目表单和/或大数据搜索实现基本信息采集；
所述视频分析采集步骤：通过目标识别算法完成基本信息采集。
优选的，所述数据处理步骤还包括数据预处理、数据综合处理和数据二次修正；所述数据预处理步骤：采用大数据搜索和/或目标识别算法结合MCS－51单片机，在数据预处理模块中进行数据预处理；所述数据综合处理步骤：将通过训练算法模块训练的数据进行数据综合处理；所述数据二次修正步骤：在数据矫正模块中，结合预处理数据和综合处理数据进行数据二次修正。
优选的，所述数据训练步骤包括基于内容的数据训练和基于用户协同过滤的数据训练；所述基于内容的数据训练，即根据用户的观看分类参数加权，取内容最为接近的节目数据；所述基于用户协同过滤的数据训练，即在各用户之间建立相应的联系，取权重相似的用户数据；
所述数据训练步骤还包括，所述智能终端将每一次排序后的结果以及用户的收看行为作为输入反馈给服务器，所述训练算法模块根据智能终端输入反馈给服务器的反馈结果，调整重新训练来提升下一次的输出准确度。
优选的，所述节目推荐步骤包括，所述节目自动编排模块按照服务器下发指令将用户节目排序；所述节目自动编排模块按照内容储存分发模块下发的指令对存储在终端本地的节目进行重新排序；所述节目自动编排模块给智能终端推送节目序单。
进一步地，基于内容推荐，根据用户的观看习惯，取内容最为接近推荐给用户；基于用户协同过滤推荐，在各用户之间建立相应的联系，权重相似的用户直接进行交叉推荐，即如果发现A用户的B用户观看的内容相似度比较相关，则直接将A和B喜欢观看的内容进行相互推荐。
优选的，所述用户数据可以是类型不明确的，所述处理后的数据可以是不固定类型和非排列模式的，所述用户数据可进行多次训练。
本发明的有益效果是：
本发明提供了一种基于用户习惯的智能推荐方法和系统，采用深度学习技术，将视频更加精细化分类，并且根据客户的日常收看内容，智能化排序节目并且自动推荐合适内容给客户观看，极大提高了收看体验。
附图说明
下面结合附图对本发明的具体实施方式作进一步说明：
图1是本发明的智能推荐系统架构图。
图2是本发明的系统工作流程图。
图3是本发明的智能推荐深度算法流程图。
具体实施方式
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
本实施例中，将说明一种基于用户习惯的智能推荐系统，参考图1，图1是本发明的智能推荐系统架构图，智能推荐系统包括智能终端部分1和服务器部分2；所述智能终端部分1包括智能中枢11、用户数据采集模块12、用户数据预处理模块13和节目自动编排模块14；所述服务器部分2包括服务器中枢21、训练算法模块22、数据综合处理模块23、数据矫正模块24以及内容储存分发模块25。
进一步地，所述用户数据采集模块12的输出端与用户数据预处理模块13的输入端连接；所述智能中枢11的输出端与节目自动编排模块14的输入端连接；所述智能中枢11的输入端与用户数据预处理模块13连接；所述用户数据采集模块12用于从智能终端采集用户信息和节目信息；所述节目自动编排模块14用于根据内容储存分发模块25输出的指令进行节目自动编排；所述用户数据预处理模块13用于数据预先处理并分类。
进一步地，所述服务中枢21与智能中枢11相互连接，用于数据的相互传输和通信；所述服务器中枢21的输出端与训练算法模块22的输入端连接；所述训练算法模块22的输出端与数据综合处理模块23的输入端连接；所述服务器中枢21的还与内容储存分发模块25互相连接；所述服务器中枢21的还与数据矫正模块24互相连接；所述服务器中枢21的还与数据综合处理模块23互相连接；所述训练算法模块22用于预处理数据的训练；所述数据综合处理模块23用于将训练后的数据进行数据综合处理；所述内容储存分发模块25用于下发节目重新排序指令到节目自动编排模块14；所述数据矫正模块24用于结合预处理数据和综合处理数据进行数据二次修正。
本实施例中，将说明基于用户习惯的智能推荐系统的工作流程及数据流向，参考图2，从智能中枢11来的数据进入训练算法模块前，经过了数据的采集(通过用户数据采集模块12实现)以及分析处理(通过用户数据预处理模块13实现)，智能中枢11中的用户数据分配给训练算法模块22后进入到数据综合处理模块23生成综合处理数据，综合处理数据反馈给服务器中枢24，服务器中枢21根据其数据结果在内容储存分发模块25进行处理，从而推送合适内容的节目给节目自动编排模块14。另外，在数据矫正模块24中，结合智能中枢11的预处理数据和数据综合处理模块23的综合处理数据进行数据二次修正。
本实施例中，参考图3，图3是在训练算法模块22上执行的智能推荐深度算法流程图，其采用的是当前流行的目标识别算法(FasterR－CNN)作为主体算法，智能推荐深度算法具体工作过程如下：
S1：输入测试图像；
S2：将整张图片输入CNN，进行特征提取；
S3：用RPN生成建议窗口(proposals)，每张图片生成300个建议窗口；
S4：把建议窗口映射到CNN的最后一层卷积featuremap上；
S5：通过RoIpooling层使每个RoI生成固定尺寸的featuremap；
S6：利用SoftmaxLoss(探测分类概率)和SmoothL1Loss(探测边框回归)对分类概率和边框回归(Boundingboxregression)联合训练.
下面以一具体的实施例进一步说明本发明：
以用户在CCTV－5观看西班牙足球甲级联赛皇家马德里对巴塞罗那的比赛为例，用户在智能终端1上要求按照登录，用户数据采集模块12会首先获取用户的地域信息。
在用户观看过程中，每个停留两分钟以上的节目，用户数据采集模块12会自动采集相关数据。本实施例中，用户数据采集模块12可以采集的用户数据有：频道(CCTV－5)，语言(中文)，字幕(无)，分类(体育类，足球类，西班牙甲级联赛)，参与者(皇家马德里，巴塞罗那，双方队员)等。其中关键词“皇家马德里”和“巴塞罗那”则可以节目表单或者用目标识别的方式获取，上场的队员信息可以采用大数据搜索和目标识别的综合模式获取。
这样用户数据采集模块12将得到用户数据信息传送给用户数据预处理模块13，预处理后的用户数据通过智能中枢11反馈给服务器中枢21。
服务器中枢21会基于两方面给用户推荐节目，一个是基于内容，根据用户的观看习惯，内容最为接近的节目其相关观看权重增加，内容储存分发模块25下发节目重新排序指令到节目自动编排模块14，用户观看节目列表按照最新的观看权重排序；另一个是基于用户的协同过滤，在各用户之间建立联系，权重相似的用户直接进行交叉推荐，即如果发现A用户的B用户观看的内容相似度比较相关，则直接将A和B喜欢观看的内容进行相互推荐，其观看节目列表参照彼此的观看权重排序。
作为技术方案的进一步改进，用户数据可进行多次训练。用户在继续观看途中，用户数据采集模块12继续通过采用大数据搜索和/或目标识别方式获取新的用户数据：如球赛时间(2017－05－06，23：00)，数据预处理后，进入服务器中枢21，与综合处理后的数据在数据矫正模块24中进行数据二次修正，修正后的数据反馈给服务器中枢21，服务器中枢21根据此数据信息给用户智能终端下发新的节目列表排序指令。
以上是对本发明的较佳实施进行了具体说明，但本发明创造并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。

Claims (10)

1.一种基于用户习惯的智能推荐系统，其特征在于，所述系统包括智能终端部分和服务器部分；
所述智能终端部分包括智能中枢、用户数据采集模块、用户数据预处理模块和节目自动编排模块；所述用户数据采集模块的输出端与用户数据预处理模块的输入端连接；所述智能中枢的输出端与节目自动编排模块的输入端连接；所述智能中枢的输入端与用户数据预处理模块连接；所述用户数据采集模块用于从智能终端采集用户信息和节目信息；所述节目自动编排模块用于根据内容储存分发模块输出的指令进行节目自动编排；所述用户数据预处理模块用于数据预先处理并分类；
所述服务器部分包括服务器中枢、训练算法模块、数据综合处理模块、内容储存分发模块以及数据矫正模块；所述服务中枢与智能中枢相互连接，用于数据的相互传输和通信；所述服务器中枢的输出端与训练算法模块的输入端连接；所述训练算法模块的输出端与数据综合处理模块的输入端连接；所述服务器中枢的输出端还与内容储存分发模块互相连接；所述服务器中枢的输出端还与数据矫正模块互相连接；所述训练算法模块用于预处理数据的训练；所述数据综合处理模块用于将训练后的数据进行数据综合处理；所述内容储存分发模块用于下发节目重新排序指令到节目自动编排模块；所述数据矫正模块用于结合预处理数据和综合处理数据进行数据二次修正。
2.根据权利要求1所述的基于用户习惯的智能推荐系统，其特征在于，所述用户数据采集模块还包括文字采集模块和视频采集模块；
所述文字采集模块通过节目表单和/或大数据搜索实现基本信息采集；
所述视频采集模块通过目标识别算法完成基本信息采集；
所述用户数据预处理模块采用大数据搜索和/或目标识别算法进行数据预处理；
所述节目自动编排模块按照服务器下发指令将用户节目排序。
3.根据权利要求2所述的基于用户习惯的智能推荐系统，其特征在于，所述用户数据采集模块的采集内容包括用户的地域信息、节目语言类型、字幕类型、节目发布地区、节目发布时间、节目类型划分、节目参与人员名单、节目制作单位，节目口碑信息。
4.根据权利要求1所述的基于用户习惯的智能推荐系统，其特征在于，
所述训练算法模块通过目标识别算法对用户数据进行训练。
5.根据权利要求1所述的基于用户习惯的智能推荐方法，其特征在于，所述方法包括以下步骤：
数据采集步骤：从智能终端采集用户信息和节目信息；
数据处理步骤：采集的基本信息在数据处理模块中进行分类并处理；
数据训练步骤：用户数据进入训练算法模块进行训练；
节目推荐步骤：根据数据分析结果对节目分发模块发布指令并推送节目。
6.根据权利要求5所述的基于用户习惯的智能推荐方法，其特征在于，所述数据采集步骤还包括文字采集步骤和视频分析采集步骤；
所述文字采集步骤：通过节目表单和/或大数据搜索实现基本信息采集；
所述视频分析采集步骤：通过目标识别算法完成基本信息采集。
7.根据权利要求5所述的基于用户习惯的智能推荐方法，其特征在于，所述数据处理步骤还包括数据预处理、数据综合处理和数据二次修正；
所述数据预处理步骤：采用大数据搜索和/或目标识别算法在数据预处理模块中进行数据预处理；
所述数据综合处理步骤：将通过训练算法模块训练的数据进行数据综合处理；
所述数据二次修正步骤：在数据矫正模块中，结合预处理数据和综合处理数据进行数据二次修正。
8.根据权利要求5所述的基于用户习惯的智能推荐方法，其特征在于，所述数据训练步骤包括基于内容的数据训练和基于用户协同过滤的数据训练；所述基于内容的数据训练，即根据用户的观看分类参数加权，取内容最为接近的节目数据；所述基于用户协同过滤的数据训练，即在各用户之间建立相应的联系，取权重相似的用户数据；
所述数据训练步骤还包括，所述智能终端将每一次排序后的结果以及用户的收看行为作为输入反馈给服务器，所述训练算法模块根据智能终端输入反馈给服务器的反馈结果，调整重新训练来提升下一次的输出准确度。
9.根据权利要求5所述的基于用户习惯的智能推荐方法，其特征在于，所述节目推荐步骤还包括，所述节目自动编排模块按照服务器下发指令将用户节目排序；所述节目自动编排模块按照内容储存分发模块下发的指令对存储在终端本地的节目进行重新排序；所述节目自动编排模块给智能终端推送节目序单。
10.根据权利要求5所述的基于用户习惯的智能推荐方法，其特征在于，所述用户数据可进行多次训练。
CN201711499500.4A 2017-12-29 2017-12-29 一种基于用户习惯的智能推荐方法和系统 Pending CN108093304A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711499500.4A CN108093304A (zh) 2017-12-29 2017-12-29 一种基于用户习惯的智能推荐方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711499500.4A CN108093304A (zh) 2017-12-29 2017-12-29 一种基于用户习惯的智能推荐方法和系统

Publications (1)

Publication Number Publication Date
CN108093304A true CN108093304A (zh) 2018-05-29

Family

ID=62181471

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711499500.4A Pending CN108093304A (zh) 2017-12-29 2017-12-29 一种基于用户习惯的智能推荐方法和系统

Country Status (1)

Country Link
CN (1) CN108093304A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109299724A (zh) * 2018-07-17 2019-02-01 广东工业大学 基于深度学习的智能家居用户操控习惯挖掘与推荐方法
CN111882318A (zh) * 2020-07-06 2020-11-03 中国银联股份有限公司 一种基于神经网络的智能卡片推荐方法及装置
CN115065854A (zh) * 2022-06-06 2022-09-16 Vidaa国际控股(荷兰)公司 一种显示设备及电子节目单的显示方法

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1643920A (zh) * 2002-03-19 2005-07-20 皇家飞利浦电子股份有限公司 使用多个推荐得分的推荐系统
CN102630052A (zh) * 2012-04-16 2012-08-08 上海交通大学 面向实时流的电视节目推荐系统
CN103139616A (zh) * 2013-02-27 2013-06-05 中山大学 基于多用户的数字电视节目的个性化云推荐方法及系统
CN103546773A (zh) * 2013-08-15 2014-01-29 Tcl集团股份有限公司 电视节目的推荐方法及其系统
CN104391925A (zh) * 2014-11-20 2015-03-04 四川长虹电器股份有限公司 一种基于tv用户协同预测的视频推荐方法及系统
CN104796734A (zh) * 2015-03-20 2015-07-22 四川长虹电器股份有限公司 实时交互的智能电视节目组合推荐系统及方法
CN106028071A (zh) * 2016-05-17 2016-10-12 Tcl集团股份有限公司 一种视频推荐方法及系统
JP2017096636A (ja) * 2015-11-18 2017-06-01 アイシン・エィ・ダブリュ株式会社 推奨予定経路取得システム、方法およびプログラム
CN106851349A (zh) * 2017-03-21 2017-06-13 上海星红桉数据科技有限公司 基于海量跨屏收视行为数据的直播推荐方法
CN106940801A (zh) * 2016-01-04 2017-07-11 中国科学院声学研究所 一种用于广域网络的深度强化学习推荐系统及方法
WO2017153721A1 (en) * 2016-03-08 2017-09-14 Sky Cp Limited Media content recommendation

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1643920A (zh) * 2002-03-19 2005-07-20 皇家飞利浦电子股份有限公司 使用多个推荐得分的推荐系统
CN102630052A (zh) * 2012-04-16 2012-08-08 上海交通大学 面向实时流的电视节目推荐系统
CN103139616A (zh) * 2013-02-27 2013-06-05 中山大学 基于多用户的数字电视节目的个性化云推荐方法及系统
CN103546773A (zh) * 2013-08-15 2014-01-29 Tcl集团股份有限公司 电视节目的推荐方法及其系统
CN104391925A (zh) * 2014-11-20 2015-03-04 四川长虹电器股份有限公司 一种基于tv用户协同预测的视频推荐方法及系统
CN104796734A (zh) * 2015-03-20 2015-07-22 四川长虹电器股份有限公司 实时交互的智能电视节目组合推荐系统及方法
JP2017096636A (ja) * 2015-11-18 2017-06-01 アイシン・エィ・ダブリュ株式会社 推奨予定経路取得システム、方法およびプログラム
CN106940801A (zh) * 2016-01-04 2017-07-11 中国科学院声学研究所 一种用于广域网络的深度强化学习推荐系统及方法
WO2017153721A1 (en) * 2016-03-08 2017-09-14 Sky Cp Limited Media content recommendation
CN106028071A (zh) * 2016-05-17 2016-10-12 Tcl集团股份有限公司 一种视频推荐方法及系统
CN106851349A (zh) * 2017-03-21 2017-06-13 上海星红桉数据科技有限公司 基于海量跨屏收视行为数据的直播推荐方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109299724A (zh) * 2018-07-17 2019-02-01 广东工业大学 基于深度学习的智能家居用户操控习惯挖掘与推荐方法
CN109299724B (zh) * 2018-07-17 2022-01-28 广东工业大学 基于深度学习的智能家居用户操控习惯挖掘与推荐方法
CN111882318A (zh) * 2020-07-06 2020-11-03 中国银联股份有限公司 一种基于神经网络的智能卡片推荐方法及装置
CN115065854A (zh) * 2022-06-06 2022-09-16 Vidaa国际控股(荷兰)公司 一种显示设备及电子节目单的显示方法

Similar Documents

Publication Publication Date Title
CN1187982C (zh) 充实视频的屏幕文字触发字
CN107124653B (zh) 电视用户画像的构建方法
CN110430471A (zh) 一种基于瞬时计算的电视推荐方法和系统
CN103124377B (zh) 一种带有至少一个输入装置的最少化交互系统及方法
CN106202475B (zh) 一种视频推荐列表的推送方法及装置
CN108920577A (zh) 电视智能推荐方法
US20060123448A1 (en) Programming guide content collection and recommendation system for viewing on a portable device
US20150296228A1 (en) Systems and Methods for Performing Multi-Modal Video Datastream Segmentation
CN103475910B (zh) 一种用于智能电视端的机顶盒节目推荐方法及系统
CN108932451A (zh) 音视频内容分析方法及装置
CN109121007A (zh) 基于多人脸识别的影视内容推荐方法、智能电视及系统
CN106454431B (zh) 电视节目推荐方法和系统
CN104255038A (zh) 通过经过滤的因特网信息流的显示来增强实况广播观看
CN106851349A (zh) 基于海量跨屏收视行为数据的直播推荐方法
CN109429103B (zh) 推荐信息的方法、装置及计算机可读存储介质、终端设备
CN102833610A (zh) 一种节目选择的方法、装置及数字电视终端
WO2007024736A9 (en) System and method for recommending items of interest to a user
CN101271454A (zh) 可用于iptv的多媒体内容联合搜索与关联引擎系统
WO2015169141A1 (zh) 频道的分类方法及装置
US20130166561A1 (en) Symantic framework for dynamically creating a program guide
CN108093304A (zh) 一种基于用户习惯的智能推荐方法和系统
CN109874032B (zh) 智能电视的节目专题个性化推荐系统与方法
CN104796734B (zh) 实时交互的智能电视节目组合推荐系统及方法
CN104902293A (zh) 数字电视收视率统计管理系统及其实现方法
CN106980662A (zh) 基于海量跨屏收视行为数据的用户标签分类方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20180529

RJ01 Rejection of invention patent application after publication