CN108965937A - 一种面向网络电视家庭用户的动态兴趣模型构建方法 - Google Patents
一种面向网络电视家庭用户的动态兴趣模型构建方法 Download PDFInfo
- Publication number
- CN108965937A CN108965937A CN201810706076.4A CN201810706076A CN108965937A CN 108965937 A CN108965937 A CN 108965937A CN 201810706076 A CN201810706076 A CN 201810706076A CN 108965937 A CN108965937 A CN 108965937A
- Authority
- CN
- China
- Prior art keywords
- user
- programme
- theme
- rating
- week
- 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
- H04N21/466—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
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Computer Graphics (AREA)
- Computing Systems (AREA)
- Two-Way Televisions, Distribution Of Moving Picture Or The Like (AREA)
Abstract
本发明公开了一种面向家庭用户的动态兴趣模型的构建方法,其包括以下步骤:(1)收集用户的电视节目收视信息;(2)对用户收视的节目的电视节目收视信息进行分析处理;(3)统计用户收视电视节目的周数;(4)将用户的收视日期转化为对应的星期后分成多个时间段,得到用户收视电视节目的时间段集以及用户观看的电视节目集;(5)对节目进行主题识别,计算电视节目落在主题的概率;(6)对每个主题的电视节目按照其在该主题的概率进行排序,得到主题的偏好节目,并将该偏好电视节目的特征作为该主题隐含的特征;(7)得到用户在一个星期的不同的星期天数的不同的时间段的收视偏好;(8)按预定的时间间隔对用户的收视偏好进行更新。
Description
技术领域
本发明涉及信息推荐技术,尤其涉及一种面向网络电视家庭用户的动态兴趣模型构建方法。
背景技术
个性化推荐系统是互联网和电子商务发展的产物,它是建立在海量数据挖掘基础上的一种高级商务智能平台,向顾客提供个性化的信息服务和决策支持。近年来已经出现了许多非常成功的大型推荐系统实例,与此同时,个性化推荐系统也逐渐成为学术界的研究热点之一。在个性化推荐系统中,用户兴趣模型是个性化推荐的核心和关键技术,一个良好的用户兴趣模型可以为个性化推荐服务提供更有利的支持。
用户的行为反馈包括:显式行为反馈以及隐式行为反馈,其中,获取用户对信息的显式行为反馈(例如,评分)的成本较高,因而,一般基于用户的隐式行为反馈,例如,点击、分享、收藏等,基于用户的隐式行为反馈次数,提取用户对信息中包含的各信息标签的偏好,得到用户对信息中包含的各信息标签的偏好程度,构建兴趣模型,利用构建的兴趣模型中的信息标签分布,结合待推荐信息包含的信息标签,为用户推荐与其兴趣相吻合的信息。
跟大部分经典的个性化推荐领域不同的是,用户在电视上对所收视的电视节目并没有直接给出评分数据,所以无法对显示评分进行用户的偏好识别。在现有的电视节目推荐系统研究中,大部分是根据用户所收视节目的观看时长和该电视节目的总时长利用隐式评分模型将收视时长转化为用户对该电视节目的评分,从而进行用户的偏好识别。
目前,由于一个家庭的电视终端大多都是由多个家庭成员包括老人、小孩、青年人以及中年人组成的,单单只由单个终端采集到的数据信息实际上是多个家庭成员兴趣的复合,所以用户的收视兴趣具有多样性和多变形。对于同个机顶盒号,其对应的用户往往是由多个家庭成员组成的一组用户,单利用隐式评分模型不能对家庭成员进行识别,往往导致兴趣模型推荐的质量不佳。
发明内容
本发明目的在于,针对现有技术的上述不足,提供一种面向网络电视家庭用户的动态兴趣模型构建方法,该方法通过收集用户在不同的星期天数的不同时间段的收视偏好,分析得出用户在不同的星期天数的不同时间段的兴趣主题,并按照一定的时间间隔进行更新,进而构建构建用户动态兴趣模型,其目的在于实现对家庭用户的组成成员进行身份识别,以及根据用户在不同的时间段对应的收视偏好的识别,从而实现在不同的星期的不同的时间段推荐用户可能感兴趣的电视节目,实现动态推荐的效果。
为实现上述目的,本发明所采用的技术方案是:一种面向家庭用户的动态兴趣模型的构建方法,包括以下步骤:
(1)根据网络电视运营商提供的用户在n个月内的收视信息,并对用户收视信息对应的电视节目的信息进行收集;
(2)根据用户收视每个电视节目的开始时间和结束时间分别计算出每个用户收视的每个电视节目的收视时长,设置收视电视节目的最小时间为5分钟,将用户收视该电视节目的时间设为t,若t<5分钟,则自动删除掉该条收视信息;
(3)将每个月按星期分为4个星期,每个星期按天分为星期一到星期日,进而得到周数4n;
(4)将用户的收视电视节目的日期转化为对应的星期即weekday,并将每一天的时间按照00:00:00到23:59:59依次按每20分钟一个时间段分成72个时间段,从而得到用户每个weekday对应的时间段集Wi,j={w1,1,w1,2,…w2,1,w2,2,…,w2,i,…,w7,1,w7,j},其中Wi,j表示星期i(i=1,2,…,7)的第j(j=1,2,…,72)个时间段,如W7,2即表示星期日的第2个时间段,通过时间段集Wi,j={w1,1,w1,2,…w2,1,w2,2,…,w2,i,…,w7,1,w7,j}得到用户在n个月内观看的电视节目集Q={q1,1,q1,2,…,q2,1,q2,2,…,q2,i,…,q7,1,q7,j},其中q1,1表示用户周一的第1个时间段里观看的电视节目集;
(5)采用隐含狄利克雷分布(LDA)模型对电视节目集进行主题识别,得到m个关于电视节目的主题Tk(k=1,2,…,m),以及每个电视节目分别落在电视节目主题Tk(k=1,2,…,m)下的概率TVP={P1,1,P1,2,…,P1,k,…,Pp,1,Pp,k,…,Pp,m},其中Pp,k表示电视节目落在主题Tk下的概率;
(6)对每个主题Tk(k=1,2,…,m)下的电视节目按照其在该主题Tk(k=1,2,…,m)下的概率TVP从大到小依次进行排序,选取该主题Tk(k=1,2,…,m)下前5个电视节目作为该主题Tk(k=1,2,…,m)下隐含的偏好电视节目,并将该偏好电视节目的特征作为该主题Tk(k=1,2,…,m)隐含的特征;
(7)根据上述步骤得到家庭用户在一个星期的不同的星期天数的不同的时间段的收视偏好;
(8)按预先设定的时间间隔对用户在Wi,j时间段收视的电视节目对应在主题Tk(k=1,2,…,m)下的概率Pp,k进行分析,将出现在同个主题Tk(k=1,2,…,m)下的概率进行相加,CountP=Pp,k+P′p,k,将概率CountP≥0.8的电视节目主题作为用户在该时间段的兴趣主题,从而实现对用户的偏好进行动态更新,实现对用户动态兴趣模型的构建。
作为本发明的进一步改进,所述收视信息包括用户号,影视名称,收视开始时间,收视结束时间以及收视日期;所述电视节目信息包括导演、演员、标签、剧情描述以及分类。
与现有技术相比具有的优点:
1、本发明面向家庭用户的动态兴趣模型的构建方法,与现有的面向家庭用户的用户偏好建模相比,本方法通过收集用户在不同的星期天数的不同时间段的收视偏好,分析得出用户在不同的星期天数的不同时间段的兴趣主题,并按照一定的时间间隔进行更新,进而构建构建用户动态兴趣模型,其目的在于实现对家庭用户的组成成员进行身份识别,以及根据用户在不同的时间段对应的收视偏好的识别,从而实现在不同的星期的不同的时间段推荐用户可能感兴趣的电视节目,实现动态推荐的效果。
为更清楚地阐述本发明的结构特征和功效,下面结合附图与具体实施例来对其进行详细说明。
附图说明
图1是本发明面向网络电视家庭用户的动态兴趣模型构建方法的方法流程图
具体实施方式
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,所描述的实施例仅仅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做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。
根据附图所示,一种面向家庭用户的动态兴趣模型的构建方法,包括以下步骤:
(1)根据网络电视运营商提供的用户在n个月内的收视信息,并对用户收视信息对应的电视节目的信息进行收集;
(2)根据用户收视每个电视节目的开始时间和结束时间分别计算出每个用户收视的每个电视节目的收视时长,设置收视电视节目的最小时间为5分钟,将用户收视该电视节目的时间设为t,若t<5分钟,则自动删除掉该条收视信息;
(3)将每个月按星期分为4个星期,每个星期按天分为星期一到星期日,进而得到周数4n;
(4)将用户的收视电视节目的日期转化为对应的星期即weekday,并将每一天的时间按照00:00:00到23:59:59依次按每20分钟一个时间段分成72个时间段,从而得到用户每个weekday对应的时间段集Wi,j={w1,1,w1,2,…w2,1,w2,2,…,w2,i,…,w7,1,w7,j},其中Wi,j表示星期i(i=1,2,…,7)的第j(j=1,2,…,72)个时间段,如W7,2即表示星期日的第2个时间段,通过时间段集Wi,j={w1,1,w1,2,…w2,1,w2,2,…,w2,i,…,w7,1,w7,j}得到用户在n个月内观看的电视节目集Q={q1,1,q1,2,…,q2,1,q2,2,…,q2,i,…,q7,1,q7,j},其中q1,1表示用户周一的第1个时间段里观看的电视节目集;
(5)采用隐含狄利克雷分布(LDA)模型对电视节目集进行主题识别,得到m个关于电视节目的主题Tk(k=1,2,…,m),以及每个电视节目分别落在电视节目主题Tk(k=1,2,…,m)下的概率TVP={P1,1,P1,2,…,P1,k,…,Pp,1,Pp,k,…,Pp,m},其中Pp,k表示电视节目落在主题Tk下的概率;
(6)对每个主题Tk(k=1,2,…,m)下的电视节目按照其在该主题Tk(k=1,2,…,m)下的概率TVP从大到小依次进行排序,选取该主题Tk(k=1,2,…,m)下前5个电视节目作为该主题Tk(k=1,2,…,m)下隐含的偏好电视节目,并将该偏好电视节目的特征作为该主题Tk(k=1,2,…,m)隐含的特征;
(7)根据上述步骤得到家庭用户在一个星期的不同的星期天数的不同的时间段的收视偏好;
(8)按预先设定的时间间隔对用户在Wi,j时间段收视的电视节目对应在主题Tk(k=1,2,…,m)下的概率Pp,k进行分析,将出现在同个主题Tk(k=1,2,…,m)下的概率进行相加,CountP=Pp,k+P′p,k,将概率CountP≥0.8的电视节目主题作为用户在该时间段的兴趣主题,从而实现对用户的偏好进行动态更新,实现对用户动态兴趣模型的构建。
本实施例中的面向网络电视家庭用户的动态兴趣模型构建方法,所述收视信息包括用户号,影视名称,收视开始时间,收视结束时间以及收视日期;所述电视节目信息包括导演、演员、标签、剧情描述以及分类。
本实施例中的面向网络电视家庭用户的动态兴趣模型构建方法的创新点在于:
本实施例中的面向家庭用户的动态兴趣模型的构建方法,与现有的面向家庭用户的用户偏好建模相比,本方法通过收集用户在不同的星期天数的不同时间段的收视偏好,分析得出用户在不同的星期天数的不同时间段的兴趣主题,并按照一定的时间间隔进行更新,进而构建用户动态兴趣模型,其目的在于实现对家庭用户的组成成员进行身份识别,以及根据用户在不同的时间段对应的收视偏好的识别,从而实现在不同的星期的不同的时间段推荐用户可能感兴趣的电视节目,实现动态推荐的效果。
以上结合附图实施例对本发明进行了详细说明,本领域中普通技术人员可根据上述说明对本发明做出种种变化例。因而,实施例中的某些细节不应构成对本发明的限定,本发明将以所附权利要求书界定的范围作为本发明的保护范围。
Claims (2)
1.一种面向家庭用户的动态兴趣模型的构建方法,其特征在于,包括以下步骤:
(1)根据网络电视运营商提供的用户在n个月内的收视信息,并对用户收视信息对应的电视节目的信息进行收集;
(2)根据用户收视每个电视节目的开始时间和结束时间分别计算出每个用户收视的每个电视节目的收视时长,设置收视电视节目的最小时间为5分钟,将用户收视该电视节目的时间设为t,若t<5分钟,则自动删除掉该条收视信息;
(3)将每个月按星期分为4个星期,每个星期按天分为星期一到星期日,进而得到周数4n;
(4)将用户收视电视节目的日期转化为对应的星期即weekday,并将每一天的时间按照00:00:00到23:59:59依次按每20分钟一个时间段分成72个时间段,从而得到用户每个weekday对应的时间段集Wi,j={w1,1,w1,2,...w2,1,w2,2,...,w2,i,...,w7,1,w7,j},通过时间段集Wi,j={w1,1,w1,2,...w2,1,w2,2,...,w2,i,...,w7,1,w7,j}得到用户在n个月内观看的电视节目集Q={q1,1,q1,2,...,q2,1,q2,2,...,q2,i,...,q7,1,q7,j};
(5)采用隐含狄利克雷分布(LDA)模型对电视节目集进行主题识别,得到m个关于电视节目的主题Tk(k=1,2,...,m),以及每个电视节目分别落在电视节目主题Tk(k=1,2,...,m)下的概率TVP={P1,1,P1,2,...,P1,k,...,Pp,1,Pp,k,...,Pp,m},其中Pp,k表示电视节目落在主题Tk下的概率;
(6)对每个主题Tk(k=1,2,...,m)下的电视节目按照其在该主题Tk(k=1,2,...,m)下的概率TVP从大到小依次进行排序,选取该主题Tk(k=1,2,...,m)下前5个电视节目作为该主题Tk(k=1,2,...,m)下隐含的偏好电视节目,并将该偏好电视节目的特征作为该主题Tk(k=1,2,...,m)隐含的特征;
(7)根据上述步骤得到家庭用户在一个星期的不同的星期天数的不同的时间段的收视偏好;
(8)按预先设定的时间间隔对用户在Wi,j时间段收视的电视节目对应在主题Tk(k=1,2,...,m)下的概率Pp,k进行分析,将出现在同个主题Tk(k=1,2,...,m)下的概率进行相加,即CountP=Pp,k+P′p,k,将概率CountP≥0.8的电视节目主题作为用户在该时间段的兴趣主题,从而实现对用户的偏好进行动态更新,实现用户动态兴趣模型的构建。
2.根据权利要求1所述的面向家庭用户的动态兴趣模型的构建方法,其特征在于,所述收视信息包括用户号,影视名称,收视开始时间,收视结束时间以及收视日期;所述电视节目信息包括导演、演员、标签、剧情描述以及分类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810706076.4A CN108965937A (zh) | 2018-06-27 | 2018-06-27 | 一种面向网络电视家庭用户的动态兴趣模型构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810706076.4A CN108965937A (zh) | 2018-06-27 | 2018-06-27 | 一种面向网络电视家庭用户的动态兴趣模型构建方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108965937A true CN108965937A (zh) | 2018-12-07 |
Family
ID=64484819
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810706076.4A Pending CN108965937A (zh) | 2018-06-27 | 2018-06-27 | 一种面向网络电视家庭用户的动态兴趣模型构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108965937A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110149556A (zh) * | 2019-05-20 | 2019-08-20 | 河北工业大学 | 一种基于tdc-lda模型的iptv用户行为模式挖掘方法 |
CN113852867A (zh) * | 2021-05-27 | 2021-12-28 | 天翼智慧家庭科技有限公司 | 一种基于核密度估计的节目推荐方法和装置 |
CN114615524A (zh) * | 2022-02-18 | 2022-06-10 | 聚好看科技股份有限公司 | 服务器、媒资推荐网络的训练方法及媒资推荐方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101527815A (zh) * | 2008-03-06 | 2009-09-09 | 株式会社东芝 | 节目推荐装置以及节目推荐方法 |
WO2012123625A1 (en) * | 2011-03-14 | 2012-09-20 | Nokia Corporation | Method and apparatus for recommending content based on content provision models associated with spatial regions |
CN102802050A (zh) * | 2012-08-24 | 2012-11-28 | 青岛海信电器股份有限公司 | 电视节目推荐方法及系统 |
CN103299651A (zh) * | 2010-12-17 | 2013-09-11 | 北京交通大学 | 节目推荐装置和节目推荐方法 |
CN106454400A (zh) * | 2016-09-20 | 2017-02-22 | 广东工业大学 | 一种面向网络电视用户的时序主题偏好预测方法 |
-
2018
- 2018-06-27 CN CN201810706076.4A patent/CN108965937A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101527815A (zh) * | 2008-03-06 | 2009-09-09 | 株式会社东芝 | 节目推荐装置以及节目推荐方法 |
CN103299651A (zh) * | 2010-12-17 | 2013-09-11 | 北京交通大学 | 节目推荐装置和节目推荐方法 |
WO2012123625A1 (en) * | 2011-03-14 | 2012-09-20 | Nokia Corporation | Method and apparatus for recommending content based on content provision models associated with spatial regions |
CN102802050A (zh) * | 2012-08-24 | 2012-11-28 | 青岛海信电器股份有限公司 | 电视节目推荐方法及系统 |
CN106454400A (zh) * | 2016-09-20 | 2017-02-22 | 广东工业大学 | 一种面向网络电视用户的时序主题偏好预测方法 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110149556A (zh) * | 2019-05-20 | 2019-08-20 | 河北工业大学 | 一种基于tdc-lda模型的iptv用户行为模式挖掘方法 |
CN113852867A (zh) * | 2021-05-27 | 2021-12-28 | 天翼智慧家庭科技有限公司 | 一种基于核密度估计的节目推荐方法和装置 |
CN113852867B (zh) * | 2021-05-27 | 2023-09-08 | 天翼数字生活科技有限公司 | 一种基于核密度估计的节目推荐方法和装置 |
CN114615524A (zh) * | 2022-02-18 | 2022-06-10 | 聚好看科技股份有限公司 | 服务器、媒资推荐网络的训练方法及媒资推荐方法 |
CN114615524B (zh) * | 2022-02-18 | 2023-10-24 | 聚好看科技股份有限公司 | 服务器、媒资推荐网络的训练方法及媒资推荐方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI765952B (zh) | 電視等的廣播媒體中之廣告時段最佳化系統及廣告時段最佳化方法 | |
CN104935968B (zh) | 网络电视推荐节目的方法与系统 | |
CN102263999B (zh) | 基于人脸识别对电视节目自动分类的方法及其系统 | |
CN101047826B (zh) | 电子设备及其信息浏览方法 | |
CN103533393B (zh) | 基于家庭收视纪录的家庭分析及节目推荐方法 | |
CN102404612A (zh) | 基于深度节目信息的epg系统及其实现方法 | |
CN105376649B (zh) | 实现精准组合推荐的机顶盒盲操作方法和系统 | |
CN108965937A (zh) | 一种面向网络电视家庭用户的动态兴趣模型构建方法 | |
CN101355686A (zh) | 收视率统计方法和系统 | |
CN101953161A (zh) | 联网的天线系统和视频传送单元 | |
JP2009088777A (ja) | 広告選択最適化処理装置及びその処理方法 | |
CN101627402A (zh) | 网络广告发送装置及方法 | |
CN102421025A (zh) | 一种基于节目内容属性的电视节目导航方法及系统 | |
CN102523493A (zh) | 电视节目心情评分的方法及系统 | |
CN105959740A (zh) | 一种基于用户行为分析的电视节目导航方法及系统 | |
CN107257500A (zh) | 用于呈现和提供定向广告的方法和装置 | |
CN104219577A (zh) | 基于智能电视的实时电视节目与网络视频混合推荐方法 | |
CN106604136A (zh) | 电视节目收视率精确计算方法及构造系统 | |
CN204859436U (zh) | 一种广播数字电视的用户体验系统 | |
CN104780449A (zh) | 一种单向机顶盒广告筛选的方法及系统 | |
CN103118291A (zh) | 一种广告信息在机顶盒上的呈现方法 | |
CN107613323A (zh) | 一种智能epg推荐引擎实现方法 | |
CN104702981B (zh) | 一种计算数字电视目标受众的方法和系统 | |
CN103562986A (zh) | 信息分发设备、信息接收设备、系统、程序和方法 | |
CN104935967B (zh) | 一种视频终端用户的兴趣识别方法及装置 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20181207 |
|
WD01 | Invention patent application deemed withdrawn after publication |