CN109391829A - 视频打点位置分析系统、分析方法及储存媒体 - Google Patents

视频打点位置分析系统、分析方法及储存媒体 Download PDF

Info

Publication number
CN109391829A
CN109391829A CN201710675073.4A CN201710675073A CN109391829A CN 109391829 A CN109391829 A CN 109391829A CN 201710675073 A CN201710675073 A CN 201710675073A CN 109391829 A CN109391829 A CN 109391829A
Authority
CN
China
Prior art keywords
list
narration
video
ready
symbol
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
CN201710675073.4A
Other languages
English (en)
Inventor
刘雲夫
谢少航
林倩玉
黄俊傑
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.)
Creative Sunny (cayman) Holdings Ltd
Original Assignee
Creative Sunny (cayman) Holdings 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 Creative Sunny (cayman) Holdings Ltd filed Critical Creative Sunny (cayman) Holdings Ltd
Priority to CN201710675073.4A priority Critical patent/CN109391829A/zh
Priority to US15/942,926 priority patent/US20190050890A1/en
Publication of CN109391829A publication Critical patent/CN109391829A/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]
    • H04N21/20—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
    • H04N21/262—Content or additional data distribution scheduling, e.g. sending additional data at off-peak times, updating software modules, calculating the carousel transmission frequency, delaying a video stream transmission, generating play-lists
    • H04N21/26208—Content or additional data distribution scheduling, e.g. sending additional data at off-peak times, updating software modules, calculating the carousel transmission frequency, delaying a video stream transmission, generating play-lists the scheduling operation being performed under constraints
    • H04N21/26241—Content or additional data distribution scheduling, e.g. sending additional data at off-peak times, updating software modules, calculating the carousel transmission frequency, delaying a video stream transmission, generating play-lists the scheduling operation being performed under constraints involving the time of distribution, e.g. the best time of the day for inserting an advertisement or airing a children program
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241—Advertisements
    • G06Q30/0242—Determining effectiveness of advertisements
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0202—Market predictions or forecasting for commercial activities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241—Advertisements
    • G06Q30/0251—Targeted advertisements
    • G06Q30/0255—Targeted advertisements based on user history
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241—Advertisements
    • G06Q30/0251—Targeted advertisements
    • G06Q30/0269—Targeted advertisements based on user profile or attribute
    • G06Q30/0271—Personalized advertisement
    • 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
    • H04N21/23—Processing of content or additional data; Elementary server operations; Server middleware
    • H04N21/234—Processing of video elementary streams, e.g. splicing of video streams or manipulating encoded video stream scene graphs
    • H04N21/23418—Processing of video elementary streams, e.g. splicing of video streams or manipulating encoded video stream scene graphs involving operations for analysing video streams, e.g. detecting features or characteristics
    • 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
    • H04N21/266—Channel or content management, e.g. generation and management of keys and entitlement messages in a conditional access system, merging a VOD unicast channel into a multicast channel
    • H04N21/2668—Creating a channel for a dedicated end-user group, e.g. insertion of targeted commercials based on end-user profiles
    • 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
    • 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]
    • H04N21/80—Generation or processing of content or additional data by content creator independently of the distribution process; Content per se
    • H04N21/81—Monomedia components thereof
    • H04N21/812—Monomedia components thereof involving advertisement data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/30—Semantic analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Finance (AREA)
  • Databases & Information Systems (AREA)
  • Marketing (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Economics (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Two-Way Televisions, Distribution Of Moving Picture Or The Like (AREA)

Abstract

一种视频打点位置分析系统、分析方法及储存媒体，其中分析方法包括下列步骤：将视频的内容转换为多个时序及对应的多个原叙述符；提供广告类别模型，其中广告类别模型记录多个叙述符与多个广告类别间的关系；依据广告类别模型及多个原叙述符进行分析以产生对应的多个广告类别推荐列表，其中各个广告类别推荐列表分别记录各个广告类别与所述各个时序对应的视频内容的相关性；计算各个广告类别的预测受众反应值；提供打点模型；及，依据打点模型、多个广告类别推荐列表及多笔预测受众反应值分析一或多个所述时序为视频的打点位置。

Description

视频打点位置分析系统、分析方法及储存媒体
技术领域
本发明涉及一种视频的分析系统、分析方法及储存媒体，尤其涉及一种视频打点位置分析系统、分析方法及储存媒体。
背景技术
一直以来，广告都是吸引消费者进行消费或从事特定活动的最佳方式。有鉴于因特网的发达，现今在网络上的广告市场亦出现了很大的竞争。具体地，除了网页上的平面广告外，广告商也会针对网络视频来投放广告。
为了令广告以及广告于视频中的投入位置具有相关性以提高使用者对于广告的接受度，广告商在投放广告前，一般会以人力解读视频内容，以于视频中找出适合投放特定广告的位置(俗称为打点位置)。
惟，现有以人力进行打点的方式并没有客观的判断标准，经验值不同的人员在相同视频中所找到的打点位置可能会不同。并且，人员在进行打点时常常会依据个人喜好来寻找打点位置，而不是分析了一般受众的喜好后，再依据一般受众的喜好来寻找打点位置(即，所述打点位置与投入的广告内容的相关性低，或是打点位置与广告内容的相关性高，但一般受众对于所述广告内容/打点位置的喜好度低)。
承上所述，若广告主将广告投入上述打点位置，将存在着使消费者对广告对应产品的好感度下降的风险，进而浪费了广告预算。
再者，上述以人力进行打点的成本相当高昂，若需要进行打点动作的视频数量众多，将需要花费相当可观的人力成本，这也将会大幅降低广告效益。
发明内容
本发明的主要目的，在于提供一种视频打点位置分析系统、分析方法及储存媒体，可依据视频的内容、多种广告类别(ADvertisement Category,ADC)以及各个广告类别的预测受众反应(Audience Response,AR)值(例如：点击率、转换率、保留率等)于视频中自动寻找打点位置，同时推荐与打点位置最相关的广告类别，藉此在确保视频画面与广告内容具有高度相关性的前提下，令投放的广告效益最大化。
为了达成上述目的，本发明提供一种视频打点位置分析方法，包括下列步骤：
a)提供一视频；
b)将该视频的内容转换为多个叙述符列表，其中各该叙述符列表分别记录一时序及多个原叙述符，该多个原叙述符用以描述该视频在该时序中出现的多个特征；
c)提供一广告类别模型，其中该广告类别模型记录多个广告类别与多个叙述符间的关系；
d)依据该广告类别模型与该多个叙述符列表进行分析以产生多个广告类别推荐列表，其中该多个广告类别推荐列表的数量相同于该多个叙述符列表的数量，并且各该广告类别推荐列表分别记录该多个广告类别与各该时序所对应的视频内容的一类别相关性；
e)分别计算各该广告类别的一预测受众反应值；及
f)依据该多个广告类别推荐列表、多笔该预测受众反应值及一打点模型分析一或多个该时序为该视频的一打点位置。
如上所述，其中更包括下列步骤：
g1)步骤b后，提供由多个端点叙述符及多个具有方向性的边组成的一叙述符语义模型，其中各该端点叙述符分别对应一个默认的特征，该多个边定义该多个端点叙述符之间的关联性强度，并且该多个端点叙述符包括该多个原叙述符与该多个广告类别；
g2)取得该多个叙述符列表的其中之一，并依据该叙述符语义模型及所取得的该叙述符列表计算产生一推测叙述符列表，其中该推测叙述符列表记录该多个端点叙述符，以及各该端点叙述符与所取得的该叙述符列表的该时序所对应的视频内容的一叙述符相关性；
其中，步骤d是依据该多个广告类别及该推测叙述符列表进行分析，以产生一个该广告类别推荐列表。
如上所述，其中更包括下列步骤：
g3)判断该多个叙述符列表是否全部转换为该推测叙述符列表；及
g4)于该多个叙述符列表尚未全部转换完成前，取得下一个该叙述符列表并再次执行步骤g2；
其中，步骤d是依据该多个广告类别及多个该推测叙述符列表进行分析，以产生该多个广告类别推荐列表。
如上所述，其中步骤d包括下列步骤：
d1)选择该多个推测叙述符列表的其中之一并与该广告类别模型中的该多个广告类别进行匹配，以分别计算该多个广告类别与该所选择的推测叙述符列表所对应的视频内容的该类别相关性；
d2)判断该多个推测叙述符列表是否全部匹配完成；及
d3)于该多个推测叙述符列表尚未全部匹配完成前，选择下一个该推测叙述符列表并再次执行步骤d1。
如上所述，其中步骤d1包括下列步骤：
d11)选择该多个推测叙述符列表的其中之一，并且取得该多个广告类别的其中之一；
d12)依据一预设权重以及该所选择的推测叙述符列表中的多个该叙述符相关性，分别计算该广告类别与该所选择的推测叙述符列表中的各该端点叙述符的一次属相关性；
d13)依据多个该次属相关性加权计算该广告类别与该所选择的推测叙述符列表的该类别相关性；及
d14)于该多个广告类别的该类别相关性全部计算完成前，取得下一个该广告类别并再次执行步骤d12与步骤d13。
如上所述，其中步骤e包括下列步骤：
e1)取得一大众行为模型；
e2)依据该大众行为模型及该多个广告类别推荐列表计算产生多个受众反应预测列表，其中该多个受众反应预测列表的数量相同于该多个广告类别推荐列表的数量，并且各该受众反应预测列表分别记录各该广告类别推荐列表中的该多个广告类别的该预测受众反应值；
其中，步骤f是依据该多个广告类别推荐列表、该打点模型及该多个受众反应预测列表分析一或多个该时序为该视频的该打点位置。
如上所述，其中该大众行为模型记录一般用户对于各该广告类别的点击率、视觉停留时间、好感度、转换率(ConVersion Rate,CVR)的至少其中之一的分析统计数据。
如上所述，其中更包括一步骤e0)取得一个人受众行为模型，其中该个人受众行为模型记录一特定用户对于各该广告类别的点击率、视觉停留时间、好感度、转换率的至少其中之一的分析统计数据；
其中，步骤e2是依据该大众行为模型、该个人受众行为模型及该多个广告类别推荐列表共同计算并产生该多个受众反应预测列表。
如上所述，其中步骤f是依据该多个广告类别推荐列表、该打点模型、该多个受众反应预测列表及一打点位置限制条件分析一或多个该时序为该视频的该打点位置。
如上所述，其中更包括下列步骤：
h)依据该打点位置于该视频上进行一打点动作；及
i)列出对应于该打点位置的该多个广告类别、各该广告类别与该打点位置的该类别相关性，以及各该广告类别的该预测受众反应值。
为了达到上述目的，本发明还提供一种视频打点位置分析系统，包括：
一视频转换模块，选取一视频并将该视频的内容转换为多个叙述符列表，其中各该叙述符列表分别记录一时序及多个原叙述符，该多个原叙述符用以描述该视频在该时序中出现的多个特征；
一广告类别分析模块，取得记录了多个广告类别的一广告类别模型，并依据该广告类别模型与该多个叙述符列表进行分析以产生多个广告类别推荐列表，其中该多个广告类别推荐列表的数量相同于该多个叙述符列表的数量，并且各该广告类别推荐列表分别记录该多个广告类别与各该时序所对应的视频内容的一类别相关性；
一受众反应预测模块，分别计算各该广告类别的一预测受众反应值；及
一打点模块，依据该多个广告类别推荐列表、多笔该预测受众反应值及一打点模型分析一或多个该时序为该视频的一打点位置。
如上所述，其中更包括：
一叙述符关系学习模块，藉由多个数据集训练并产生一叙述符语义模型，其中该叙述符语义模型由多个端点叙述符及多个具有方向性的边组成，各该端点叙述符分别对应至一个预设的特征，该多个边定义该多个端点叙述符之间的关联性强度，并且该多个端点叙述符包括该多个原叙述符与该多个广告类别；
一广告类别学习模块，训练并产生该广告类别模型，其中该广告类别模型记录有包含该多个广告类别在内的多个叙述符，该广告类别学习模块藉由汇入该多个数据集令该广告类别模型学习各个叙述符的个体或组合相对于各该广告类别的连结强度；及
一叙述符推测模块，依据该多个叙述符列表及该叙述符语义模型计算产生多个推测叙述符列表，其中各该推测叙述符列表分别记录该多个端点叙述符以及各该叙述符列表的该时序；
其中，该广告类别分析模块是依据该多个广告类别及该多个推测叙述符列表进行分析，以产生该多个广告类别推荐列表。
如上所述，其中该广告类别分析模块用以执行下列动作以产生该多个广告类别推荐列表：
动作1：选择该多个推测叙述符列表的其中之一并与该广告类别模型中的该多个广告类别进行匹配，以分别计算该多个广告类别与该所选择的推测叙述符列表所对应的视频内容的该类别相关性；
动作2：判断该多个推测叙述符列表是否全部匹配完成；及
动作3：于该多个推测叙述符列表尚未全部匹配完成前，选择下一个该推测叙述符列表并再次执行步骤该动作1。
如上所述，其中该广告类别分析模块执行的该动作1还包括下列动作：
动作1-1：选择该多个推测叙述符列表的其中之一，并且取得该多个广告类别的其中之一；
动作1-2：依据一预设权重以及该所选择的推测叙述符列表中的多个叙述符相关性，分别计算该广告类别与该所选择的推测叙述符列表中的各该端点叙述符的一次属相关性；
动作1-3：依据多个该次属相关性加权计算该广告类别与该所选择的推测叙述符列表的该类别相关性；及
动作1-4：于该多个广告类别的该类别相关性全部计算完成前，取得下一个该广告类别并再次执行该动作1-2与该动作1-3。
如上所述，其中该受众反应预测模块用以取得一大众行为模型，并且依据该大众行为模型及该多个广告类别推荐列表计算产生多个受众反应预测列表，其中该多个受众反应预测列表的数量相同于该多个广告类别推荐列表的数量，并且各该受众反应预测列表分别记录各该广告类别推荐列表中的该多个广告类别的该预测受众反应值；其中，该打点模块是依据该多个广告类别推荐列表、该打点模型及该多个受众反应预测列表分析一或多个该时序为该视频的该打点位置。
如上所述，其中该大众行为模型记录一般用户对于各该广告类别的点击率、视觉停留时间、好感度、转换率的至少其中之一的分析统计数据。
如上所述，其中该受众反应预测模块还取得一个人受众行为模型，并且依据该大众行为模型、该个人受众行为模型及该多个广告类别推荐列表共同计算并产生该多个受众反应预测列表，其中该个人受众行为模型记录一特定用户对于各该广告类别的点击率、视觉停留时间、好感度、转换率的至少其中之一的分析统计数据。
如上所述，其中该打点模块是依据该多个广告类别推荐列表、该打点模型、该多个受众反应预测列表及一打点位置限制条件分析一或多个该时序为该视频的该打点位置。
如上所述，其中该打点模块依据该打点位置于该视频上进行一打点动作，并且列出对应于该打点位置的该多个广告类别、各该广告类别与该打点位置的该类别相关性，以及各该广告类别的该预测受众反应值。
为了达到上述目的，本发明进一步提供一种储存媒体，用于储存一程序，其中该程序在被一处理单元执行时，可进行如上所述的操作。
相较于现有技术，本发明可自动地对一视频进行分析，以于视频中找出多个打点位置并同时推荐与打点位置高度相关的广告类别，并且令各个打点位置具有最佳的预测受众反应值。藉此，可以自动化方式令投入视频的广告的成本效益最大化，同时提供业界一种视频的打点位置的分析标准。
附图说明
图1为本发明的第一实施例的分析系统示意图；
图2A为本发明的第一实施例的叙述符列表示意图；
图2B为本发明的第一实施例的ADC模型示意图；
图3为本发明的第一实施例的打点位置分析流程图；
图4A为本发明的第二实施例的打点位置第一分析流程图；
图4B为本发明的第二实施例的打点位置第二分析流程图；
图5为本发明的第一实施例的叙述符语义模型示意图；
图6为本发明的第一实施例的推测叙述符列表产生示意图；
图7为本发明的第一实施例的ADC推荐列表产生示意图；
图8为本发明的第一实施例的AR预测列表产生示意图；
图9为本发明的第一实施例的打点位置示意图；
图10为本发明的第二实施例的分析系统示意图；
图11为本发明的第一实施例的视频播放流程图；
图12为本发明的第一实施例的打点位置竞价流程图；
图13为本发明的第三实施例的分析系统示意图。
具体实施方式
兹就本发明之一较佳实施例，配合图式，详细说明如后。
本发明公开了一种视频打点位置分析系统(下面简称为分析系统)，所述分析系统可对汇入的视频进行分析，以找出视频上广告效益相对较高的一或多个打点位置，并且推荐与各个打点位置对应的视频内容(例如视频画面)的相关性相对较高的一或多个广告类别。
通过本发明，广告主在投放广告时，可于系统推荐的广告类别中选择广告素材，并将广告素材投放到视频的所述打点位置中。如此一来，可以在确保视频画面与广告内容具有高度相关性的前提下，令投放的广告效益最大化(例如得到最高的点击率(Click-Through Rate,CTR)、转换率(ConVersion Rate,CVR)或保留率，或是提高观众对于广告对应产品的好感度等)。
下述本发明中的打点位置，包含时间点及时间段，但不加以限定。具体地，时间点为视频中的一个特定时间点(例如01:35)，用以插入线性广告(例如会令视频暂时停止播放的中插广告)。时间段为视频中的一段时间(例如01:30～01:40)，用以插入非线性广告(例如会与视频同时播放的跑马灯广告或角标)。
参阅图1，为本发明的第一实施例的分析系统示意图。为使所属技术领域的技术人员可清楚地理解本发明，以下将以叙述符(Descriptor，或可称为标签(tag))作为呈现具体特征的形式进行解说，但具体特征的形式不以此为限。
于图1的实施例中，本发明的分析系统1至少包含数据收集模块11、叙述符关系学习模块12、广告类别(ADvertisement Category,ADC)学习模块13、打点模块14、视频转换模块15、叙述符推测模块16、ADC分析模块17及受众反应(Audience Response,AR)预测模块18。
于一实施例中，本发明的分析系统1可为服务器(例如本地端服务器或云端服务器)，而前述模块11-18可为服务器中的各个实体单元，用以实现不同的功能。于另一实施例中，本发明的分析系统1可为单处理器或电子设备，而分析系统1可执行特定程序来实现本发明所需的各个功能，并且前述模块11-18为分别对应至所述程序的各个功能的功能模块。
所述数据收集模块11可连接网络，通过网络收集任何公开的数据以获得多个数据集(dataset)3。具体地，所述数据集3可例如为百科全书、教科书等通用数据，或是如维基百科(Wikipedia)、网络新闻或是网络评论(例如Youtube上的影音评论或是Facebook上的文章评论等)等会随着时间变动的数据。并且，所述数据集3可为文字数据、图片信息、影像信息、音效数据等类型，不加以限定。
所述信息收集模块11可实时(real-time)或定期使用爬虫(crawler)于网络上收集并更新所述数据集3，并将数据集3汇入叙述符关系学习模块12，以令叙述符关系学习模块12对所获得的数据集3进行分析，藉此训练叙述符语义模型120(容后详述)。
所述视频转换模块15用以接收或选取要分析的一视频2，并将视频2的内容转换为具有时序信息的多个叙述符列表。
请同时参阅图2A，为本发明的第一实施例的叙述符列表示意图。如图2A所示，所述视频转换模块15对所述视频2进行切割以产生多组画面，并且为每一组画面分别产生一个叙述符列表4。本实施例中，各个叙述符列表4分别记录一时序41及对应的多个原叙述符(raw descriptor)42，其中各个叙述符列表4的时序41分别对应至所述画面的时间(包括时间点或时间区段)，多个原叙述符42则分别描述所述视频2在所述时序41(即，时间41对应的画面)出现的多个特征。
于一实施例中，所述视频转换模块15主要可从视频2中辨识出人脸(Face)、影像(Image)、文字(Text)、声音(Audio)、动作(Motion)、对象(Object)及场景(Scene)等类别的具体特征，并依据所述具体特征来产生所述原叙述符42。换句话说，若视频转换模块15于一组画面中识别出一千个特征，则会产生对应的一千个原叙述符42。
具体地，所述视频转换模块15可依据默认的时间粒度对视频2进行切割。本实施例中，所述时间粒度即为所述的时序41。
于第一实施例中，视频转换模块15可依据默认的时间长度(例如三秒、十秒等)对视频2进行切割，以产生多组画面。藉此，多组画面会具有相同的时间长度。于第二实施例中，视频转换模块15可侦测视频2中的场景切换，并依据场景切换来对视频2进行切割，以产生多组画面(即，一组画面对应至一个场景)。上述侦测场景切换的技术为本领域公知技术的范畴，于此不再赘述。于第三实施例中，视频转换模块15可以帧(frame)为单位对视频2进行切割，以产生多组画面(即，每组画面的长度即为一帧)。藉此，多组画面会具有相同的时间长度。
请同时参阅图1与图2B，图2B为本发明的第一实施例的ADC模型示意图。于一实施例中，分析系统1可藉由所述ADC学习模块13预先训练并建立ADC模型130，或是于分析系统1要对所述视频2进行分析时动态建立ADC模型130，不加以限定。
所述ADC模型130主要记录了多个ADC 1300与多个叙述符1301间的关联。如图2B所示，所述ADC模型130可记录多个叙述符1301(例如数万个)，各个叙述符1301分别定义不同的特征，并且其中包括了多个ADC1300所对应的特征。图2B中仅以4个叙述符1301为例，但不以此为限。
所述ADC学习模块13可经由数据的汇入(例如所述数据集3)来对ADC模型130进行训练，以令ADC模型130学习各个叙述符1301的个体或多个叙述符1301的组合相对于每一个ADC1300的连结强度(例如图2B中的a1-a4及b1-b4)。
承上所述，在ADC模型130训练完成后，分析系统1可将一个未知的广告素材汇入ADC模型130中，以藉由所述广告素材的内容(即，广告素材中包含的叙述符)来分析出所述广告素材适合被归类于哪一个或哪些ADC1300。
于另一实施例中，分析系统1可进一步连接一或多个广告数据库(图未标示)，所述广告数据库储存有各种已知ADC(例如四百个ADC、一千个ADC等)的广告素材。所述ADC学习模块13可分析多个广告素材的内容与多个ADC 1300的关系，来建立所述ADC模型130。另一方面，不同广告主对于ADC定义可有所不同，因此，ADC学习模块13可针对不同广告主的广告数据库训练个别的ADC模型130。另外，所述多个ADC 1300可进一步区分为母类别(例如：“旅游”类别)与子类别(例如“中国”类别与“美国”类别等)，但不加以限定。
所述ADC分析模块17取得所述ADC模型130，并且依据ADC模型130与所述多个叙述符列表4进行分析，藉以产生多个ADC推荐列表。于一实施例中，多个ADC推荐列表的数量相同于所述多个叙述符列表4的数量，也就是说，ADC分析模块17为视频转换模块15所切割的每一组画面皆产生一个对应的ADC推荐列表。
本实施例中，各个ADC推荐列表分别记录各个ADC 1300与各个时序41所对应的视频内容(即，各组画面)的类别相关性。举例来说，若第一ADC与第一画面的类别相关性高，表示第一ADC与第一画面的内容高度关联，因此若第一画面被分析系统1判断为一个具有经济效益的打点位置，则分析系统1可进一步推荐广告主将第一ADC的广告素材投放至第一画面中。
所述AR预测模块18用以分别计算各个ADC 1300的预测AR值，即，预测各个ADC1300的广告素材投入所述各个画面后，于视频2播放时被一般受众或特定受众观看、喜爱、点击或转换成功的可能性指数。本发明中，分析系统1可将所述预测AR值做为打点位置的判断基准之一。
所述打点模块14预先训练一个打点模型140。具体地，所述打点模块14可实时(real-time)或定期使用爬虫(crawler)于网络上收集已完成打点动作的视频(包含自动打点及人力打点，例如Youtube、腾讯、百度等)，或是收集既有的广告视频统计数据数据库(例如记录了网络上的视频中的广告的点击率数据)。再者，分析系统1的管理者亦可直接向各大数据管理平台(Data Management Platform,DMP)业者购买所述点击率数据，并且汇入并训练打点模块14。
承上所述，打点模块14可依据上述数据分析不同的视频的内容(相当于本案的叙述符)、视频的打点位置、ADC、广告内容及广告AR值(例如点击率)的关系，并藉此训练所述打点模型140。总而言之，所述打点模型140被训练完成后，至少可记录视频内容、ADC与打点位置之间的关联性。
本发明中，所述打点模块14可依据所述多个ADC推荐列表、所述多笔预测AR值以及所述打点模型140进行分析，以将所述一或多个时序41(即，视频2的一或多组画面)做为视频2的一或多个打点位置。
续请同时参阅图1及图3，图3为本发明的第一实施例的打点位置分析流程图。本发明进一步公开了一种视频打点位置分析方法(下面简称为分析方法)，所述分析方法运用于图1所示的分析系统1，以令分析系统1实现对视频2进行打点动作。
如图3所示，要对视频2进行打点动作，首先输入视频2至分析系统1(步骤S01)，视频转换模块15将所述视频2转换为前述记录有时序41及对应的多个原叙述符42的多个叙述符列表4(步骤S02)。
接着，分析系统1提供或产生前述ADC模型130(步骤S03)，并且由ADC分析模块17通过ADC模型130对多个叙述符列表4进行分析，以产生所述多个ADC推荐列表(步骤S04)。
接着，分析系统1通过AR预测模块18分别计算各个ADC 1300的预测AR值(步骤S05)。
于一实施例中，分析系统1可于所述ADC模型130建立完成后，即通过AR预测模块18计算ADC模型130中的各个ADC 1300的预测AR值，并且依据爬虫(crawler)于网络上收集到的数据定期重新计算所述预测AR值。于另一实施例中，分析系统1可于对所述视频2进行打点位置的分析时，再实时通过AR预测模块18计算各个ADC 1300的所述预测AR值。
最后，分析系统1可通过打点模块14依据所述多个ADC推荐列表、多笔预测AR值及所述打点模型140进行分析，以将视频2的所述一或多个时序41(即，视频2的一或多组画面)做为视频2的一或多个打点位置(步骤S06)。
藉此，管理人员可通过本发明的分析系统1及分析方法得知一个视频2上的哪些位置是具有较高广告效益的打点位置，并可同时得知该些打点位置适合投放哪些广告类别的广告。
续请参阅图4A与图4B，分别为本发明的第二实施例的打点位置第一分析流程图与打点位置第二分析流程图。图4A与图4B用以更详细地说明图3所示的分析方法的各步骤。
首先，分析系统1提供或选择多个视频2的其中之一(步骤S10)，接着，由视频转换模块15将所选择的视频2转换为所述多个叙述符列表4(步骤S12)。接着，分析系统1进一步提供预先训练完成的叙述符语义模型120(步骤S14)。
具体地，所述叙述符关系学习模块12藉由所述数据收集模块11所收集的多个数据集3预先训练并产生叙述符语义模型120。
于一实施例中，叙述符关系学习模块12是藉由深度学习/人工智能分析上述数据集3，藉此获得上述文字、图片、影像等特征与多个预设的叙述符之间的关系。进一步，叙述符关系学习模块12提取上述叙述符的核心语义(core meaning)，并以Hidden MarkovModel系统的算法脱机计算并学习所述叙述符语义模型120。上述提取核心语义的目的在于将叙述符一致化，例如叙述符关系学习模块12可过滤掉多个/单数等数量用词(例如book与books在语义空间皆仅为book，happy与happiness在语义空间皆仅为happy)。
请同时参阅图5，为本发明的第一实施例的叙述符语义模型示意图。如图5所示，所述叙述符语义模型120主要由多个端点叙述符51及多个具有方向性的边52所组成，其中各个端点叙述符51分别对应至一个预设的特征(例如上述的book、happy等)，而多个边52分别定义各个端点叙述符51之间的关联性强度(relational strength)。
于一实施例中，所述端点叙述符51的数量可为数千个或数万个，并且可包含各种类型的特征，例如人物、物品、动作、情绪、氛围、头衔、类别等，不加以限定。多个边52分别定义所述特征之间的关联性强度(例如“川普”与“总统”之间的关联性强度、“吃”与“快乐”之间的关联性强度、“沙滩”与“旅游”之间的关联性强度等)。值得一提的是，所述多个端点叙述符51包含了前述的多个原叙述符42及多个ADC 1300(于本发明中，分析系统1将各个ADC1300分别视为一个叙述符)。
如上所述，步骤S14后，分析系统1进一步取得多个叙述符列表4的其中之一(例如第一叙述符列表)，并将第一叙述符列表与叙述符语义模型120共同汇入叙述符推测模块16，以由叙述符推测模块16计算产生对应的推测叙述符列表(步骤S16)。其中，所述推测叙述符列表记录叙述符语义模型120中的多个端点叙述符51(即为未汇入叙述符语义模型120前的原叙述符42)及推测而得的推测叙述符(未图示)。
本实施例中，分析系统1于步骤S16后判断所述多个叙述符列表4是否已全部转换为推测叙述符列表(步骤S18)，并且于多个叙述符列表4尚未全部转换完成前，取得下一个叙述符列表4(例如第二叙述符列表)，并且再次执行步骤S16。换句话说，步骤S16与步骤S18是将视频转换模块15所产生的多个叙述符列表4转换成相同数量的多个推测叙述符列表。
具体地，视频转换模块15虽可将视频2转换为包含时序41及多个原叙述符42的所述叙述符列表4，但视频转换模块15无法直接辨识出视频2中的延伸信息(例如，无法在辨识出“川普”后，得出“总统”这个叙述符，或是无法在辨识出一人拿枪指着另一人时，得出“危险”或“紧张”这个叙述符)。本发明通过所述叙述符语义模型120对叙述符列表4进行处理，由叙述符列表4中的多个原叙述符42来推测出额外的推测叙述符，以及各个叙述符(包含原叙述符42及推测叙述符)与对应时序41(即，对应的画面)的关联性。
请同时参阅图6，为本发明的第一实施例的推测叙述符列表产生示意图。如图6所示，分析系统1将叙述符语义模型120及多个叙述符列表4汇入叙述符推测模块16，以由叙述符推测模块16计算产生多个对应的推测叙述符列表6，并且各个推测叙述符列表6分别记录有多个叙述符(包含多个原叙述符42及多个推测叙述符)，以及各个叙述符与对应的时序41的关联性。
即为，所述多个推测叙述符列表6的数量相同于所述多个叙述符列表4的数量。若视频转换模块15将视频2切割为十组画面则产生十个叙述符列表4，而叙述符推测模块16会将十个叙述符列表4转换为十个推测叙述符列表6。并且，各个推测叙述符列表6中的叙述符数量相同于叙述符语义模型120中的端点叙述符51的数量(图6中以m个为例)。
举例来说，若叙述符语义模型120中包含了三万个端点叙述符51，而第一叙述符列表中包含了七千个原叙述符42，则叙述符推测模块16会在计算后为第一叙述符列表产生两万三千个推测叙述符，并且分别计算所述七千个原叙述符42及两万三千个推测叙述符与第一叙述符列表的时序所对应的画面的相关性数值(confidence)。于图6的实施例中，所述相关性数值以0.0000至1.0000为例，但不加以限定。
值得一提的是，推测叙述符列表6中的叙述符数量大于叙述符列表4中的原叙述符42的数量，因此推测叙述符列表6中的部分推测叙述符将可能与叙述符列表4的时序41所对应的画面完全无关。于此情况下，该叙述符的相关性数值可能为0.0000。
回到图4A。步骤S18后，分析系统1选择所产生的多个推测叙述符列表6的其中之一，并将所选择的推测叙述符列表6与所述ADC模型130共同汇入ADC分析模块17，以由ADC分析模块17计算产生对应的ADC推荐列表(步骤S20)。
具体地，于步骤S20中，ADC分析模块17主要是对所选择的推测叙述符列表6与ADC模型130中的多个ADC 1300进行匹配，以分别计算各个ADC1300与所选择的推测叙述符列表6所对应的视频画面的类别相关性。
于前述图3的实施例的步骤S04中，ADC分析模块17是将ADC模型130中的多个ADC1300分别与一个叙述符列表4(例如第一叙述符列表)中的多个原叙述符42进行匹配，以判断各个ADC 1300与第一叙述符列表所对应的视频画面的相关性。
于图4A的实施例的步骤S20中，ADC分析模块17是将ADC模型130中的多个ADC 1300分别与一个推测叙述符列表6(例如第一推测叙述符列表)中的多个叙述符(包含多个原叙述符及多个推测叙述符)进行匹配，以判断各个ADC1300与第一推测叙述符列表所对应的视频画面的相关性。本实施例中，由于推测叙述符列表6比叙述符列表4包含了更多的叙述符，因此步骤S20计算所得的类别相关性会比图3的步骤S04所计算出的类别相关性更为精确。
步骤S20后，ADC分析模块17判断所述多个推测叙述符列表6是否全部与所述ADC1300匹配完成(步骤S22)，并且于多个推测叙述符列表尚未全部匹配完成前，选择下一个推测叙述符列表6(例如第二推测叙述符模型)，并且再次执行步骤S20。换句话说，步骤S20与步骤S22是产生与多个推测叙述符列表6相同数量的多个ADC推荐列表7。
请同时参阅图7，为本发明的第一实施例的ADC推荐列表产生示意图。如图7所示，分析系统1将ADC模型130与多个推测叙述符列表6汇入ADC分析模块17后，会由ADC分析模块17计算产生多个ADC推荐列表7，并且各个ADC推荐列表7分别记录有ADC模型130中的多个ADC 1300，以及各个ADC 1300与各个推测叙述符列表6所对应的视频内容的类别相关性。
值得一提的是，所述多个ADC推荐列表7的数量相同于所述多个推测叙述符列表6的数量，并且各个ADC推荐列表7中记录的多个ADC 1300完全相同于ADC模型130中记录的多个ADC 1300(图7中以n个ADC为例)。
举例来说，若推测叙述符列表6的数量有十个(即，对应至视频2的十组画面)，ADC模型130记录了四百个ADC 1300，则ADC分析模块17经过计算后会产生十个ADC推荐列表7(对应至所述十组画面)，其中各个ADC推荐列表7分别记录了所述四百个ADC 1300，以及各个ADC 1300与推测叙述符列表6所对应的视频画面的相关性数值(confidence)。
具体地，于一实施例中，所述ADC分析模块17在前述步骤S20中，主要是执行下列动作，以产生一个所述ADC推荐列表7：
首先，ADC分析模块17选择多个推测叙述符列表6的其中之一(例如选择第一推测叙述符列表)，并且取得多个ADC 1300的其中之一(例如取得第一ADC)。
接着，ADC分析模块17依据预设的权重以及第一推测叙述符列表中的多个叙述符相关性，分别计算第一ADC与第一推测叙述符列表中的各个叙述符的次属相关性(若第一推测叙述符列表具有三万个叙述符，则ADC分析模块17会为第一ADC产生三万个次属相关性)。
接着，ADC分析模块17再依据多个次属相关性进行加权计算，以得出第一ADC相对于第一推测叙述符列表的类别相关性。换句话说，所述类别相关性为所述多个次属相关性的加权总合(weighting sum)。
并且，ADC分析模块17会于ADC模型130中的所有ADC 1300的类别相关性全部计算完成之前，取得下一个ADC(例如第二ADC)并重复执行上述动作。于ADC模型130中的所有ADC1300相对于第一推测叙述符列表的类别相关性皆计算完成后，ADC分析模块17再依据所有ADC 1300以及类别相关性产生对应第一推测叙述符列表的ADC推荐列表7。
接着，通过前述步骤S22的执行，ADC推荐列表7可接续计算并产生对应至其他推测叙述符列表6的ADC推荐列表7。
回到图4A。于步骤S22后，分析系统1已为所切割的各组画面分别产生了对应的一个ADC推荐列表7，并且各个ADC推荐列表7分别记录了各个ADC 1300与各组画面的类别相关性。因此，于一实施例中，分析系统1可选择性地记录所述多组画面及对应的多个ADC推荐列表7，或是于一显示接口(图未标示)上显示所述多组画面及对应的多个ADC推荐列表7(步骤S24)。
于一实施例中，分析系统1可依据所述类别相关性对各个ADC推荐列表7中的各个ADC 1300进行排序，并仅保留类别相关性最高的K个ADC 1300(即，保留top k)，或是仅保留类别相关性高于门槛值的一或多个ADC 1300。藉此，可预先过滤与视频2的各组画面较不相关的ADC，进而降低分析系统1后续的工作负载。
接着如图4B所示，于计算所述预测AR值时，分析系统1先取得大众行为模型(步骤S26)，并且将大众行为模型及所述多个ADC推荐列表7分别汇入AR预测模块18(步骤S28)，以由AR预测模块18计算产生多个AR预测列表(步骤S30)。
于一实施例中，所述大众行为模型记录了一般受众对于各个ADC 1300的点击率、视觉停留时间、好感度、转换率(ConVersion Rate,CVR)等信息的分析统计数据。具体地，所述AR预测模块18可实时或定期使用爬虫于网络上收集各个视频的广告相关信息，或是收集既有的广告视频统计数据数据库(例如记录了网络上的视频中的广告的点击率数据)。再者，分析系统1的管理者亦可直接向各大DMP业者购买所述AR数据，并且汇入AR预测模块18。
请同时参阅图8，为本发明的第一实施例的AR预测列表产生示意图。如图8所示，分析系统1将大众行为模型8与多个ADC推荐列表7汇入AR预测模块18后，AR预测模块18可计算产生出多个AR预测列表9，并且各个AR预测列表9分别记录有所述多个ADC 1300，以及各个ADC 1300于对应的视频画面上的预测AR值。
值得一提的是，所述多个AR预测列表9的数量相同于所述多个ADC推荐列表7的数量，并且各个AR预测列表9中记录的多个ADC 1300完全相同于各个ADC推荐列表7中记录的多个ADC 1300(图8中以n个ADC为例)。换句话说，若视频转换模块15将视频2切割为十组画面，则AR预测模块18会产生十个AR预测列表9，其中各个AR预测列表9分别对应至一组画面。并且，若所述ADC模型130记录了四百个ADC 1300，则各个AR预测列表9中皆会分别记录四百个ADC 1300，以及这四百个ADC 1300于对应的该组视频画面中的预测AR值。
值得一提的是，如图8所示，分析系统1还可进一步将个人受众行为模型80汇入AR预测模块18中，藉以，AR预测模块18可同时依据所述大众行为模型8、所述多个ADC推荐列表7及所述个人受众行为模型80计算并产生所述多个AR预测列表9。
本实施例中，所述个人受众行为模型80可记录一个特定受众对于所述各个ADC1300的点击率、视觉停留时间、好感度、转换率等信息的分析统计数据。所述个人受众行为模型80还可为特定受众的浏览器历史记录或购物记录等生活信息，从而判定特定受众的兴趣、喜好、消费习惯等。通过个人受众行为模型80的使用，本发明的分析系统1与分析方法所找出的打点位置以及对应打点位置的ADC会更贴近特定受众的喜好，而可精准地提供个人化的广告服务。
举例来说，根据个人受众行为模型80可知用户A为篮球明星B的球迷，因此AR预测模块18在计算各个广告类别的预测AR值时，与篮球/篮球明星B相关的ADC(例如篮球、球鞋、运动服、比赛、票券等)的预测AR值会较高。
同时，根据个人受众行为模型80可知用户A在10天前曾经购买篮球明星B代言的球鞋，因此AR预测模块18在计算各个ADC的预测AR值时，会进一步将与篮球明星B及球鞋相关的ADC的预测AR值调低。如此一来，本发明的AR预测模块18可在预测各个ADC的预测AR值时，有效反应个别受众的个人信息，而使得预测结果更为准确，藉此达到个人化的广告提供目的。
回到图4B。步骤S30之后，分析系统1已取得了各个ADC 1300相对于各组视频画面的预测AR值(即，所述多个AR预测列表9)。接着，分析系统1取得打点模块14预先训练完成的打点模型140(步骤S32)，并且将所述多个ADC推荐列表7、所述打点模型140及所述多个AR预测列表9汇入所述打点模块14(步骤S34)，以藉由打点模块14来分析视频2的所述多个时序41(即，各个时序41对应的视频画面)，以将一或多个时序41做为视频2的打点位置(步骤S36)。
于一实施例中，分析系统1可仅对分析出的打点位置进行记录，并将所述记录提供给视频主、广告主或第三人，以由视频主、广告主或第三人依据所述记录来对所述视频2进行实际打点动作。
于另一实施例中，分析系统1可于步骤S36后，直接依据分析得出的打点位置对视频2进行打点动作，并且列出对应打点位置的多个ADC 1300、各个ADC 1300与打点位置的类别相关性、以及各个ADC 1300的预测AR值(步骤S38)。藉此，广告主在查询所述视频2时，可迅速得知自身的广告是否适合投放在所述视频2的各个打点位置上。再者，视频主在查询所述视频2时，可迅速得知应将各个打点位置贩卖给哪些ADC的广告主。
如前文中所述，所述打点模型140已被事先训练完成后并且记录了视频内容、ADC与打点位置之间的关联性。因此，本发明的分析系统1同时参考多个ADC推荐列表7、多个AR预测列表9以及打点模型140来分析视频2上的打点位置，可令所找出的打点位置最具有广告效益(例如最受一般受众的喜爱、最符合特定受众的需求、或是未来所得的点击率最高等)。
请同时参阅图9，为本发明的第一实施例的打点位置示意图。于图9的实施例中，分析系统1通过打点模块14在于视频2上找到两个时序(对应至两组视频画面)，并将两个时序分别标注为第一打点位置211与第二打点位置212。
具体地，藉由对应至第一打点位置211的第一ADC推荐列表及第一AR预测列表，分析系统1可得知第一打点位置211的相关信息2110。而藉由对应至第二打点位置212的第二ADC推荐列表及第二AR预测列表，分析系统1可得知第二打点位置212的相关信息2120。
如图9所示，所述相关信息2110、2120可包括所述的多个ADC(例如ADC1、ADC2……等)、各个ADC与打点位置的相关性(例如a1、a2……等)、以及各个ADC于打点位置上的预测AR值(例如b1、b2……等)。
于第一实施例中，分析系统1可依据各个ADC的笔划线来排序相关信息2110、2120中的各笔数据的顺序。于第二实施例中，分析系统1可依据各个ADC与打点位置的相关性高低来排序相关信息2110、2120中的各笔数据的顺序。于第三实施例中，分析系统1可依据各个ADC于打点位置上的预测AR值高低来排序相关信息2110、2120中的各笔数据的顺序。
值得一提的是，于一实施例中，打点模块14是同时依据所述多个ADC推荐列表7、所述打点模型140、所述多个AR预测列表9及一或多个打点位置限制条件20来共同分析所述一或多个时序为视频2的打点位置。
具体地，所述打点位置限制条件20为视频主或广告主所提出的广告需求，例如第一打点位置211与第二打点位置212间的间隔不得小于10分钟、一个视频2中的打点位置不得超过三个等等。
当分析系统1于视频2中找出多个打点位置211、212后，可同时依据所述打点位置限制条件20、各个ADC与打点位置的类别相关性、以及各个ADC于打点位置上的预测AR值等数据进行综合判断，以进行多个打点位置的过滤与筛选，使得最终保留下来的打点位置符合所需的打点位置限制条件20，并同时具有最佳的广告成效(例如有最高的点击率或转换率)。
于一实施例中，分析系统1可利用贪婪算法(Greedy Algorithm)来进行打点位置的推测。具体地，贪婪算法会先找到预测AR值最高的第一打点位置，并且再由第一打点位置向前及向后推测第二打点位置与第三打点位置，并且令第一打点位置、第二打点位置与第三打点位置皆符合所述打点位置限制条件20。惟，上述仅为本发明的其中一种实施例，但并不以此为限。
续请参阅图10，为本发明的第二实施例的分析系统示意图。图10公开了另一分析系统1’，所述分析系统1’与图1所示的分析系统1的差异在于，所述分析系统1’进一步包括受众监测模块191、广告预览模块192及广告竞价模块193。
本实施例中，受众监测模块191主要用以监测已在打点位置插入了广告的视频，藉此取得视频的受众的实际反应(例如受众是否有点击广告、广告点击的时间等)。并且，分析系统1的所述打点模块14可依据受众的实际反应进一步训练所述打点模型140并更新个人受众行为模型80。
广告预览模块192依据与各个打点位置相关的ADC搜寻相应的广告数据库，以取得推荐的一或多个广告素材，并将取得的广告素材预嵌入视频的打点位置，以供用户进行广告预览。
广告竞价模块193用以取得上述的一或多个广告素材的相关数据(例如广告内容、广告画面组成、广告设定价格、广告时间等)，并对所述广告素材进行竞价，以决定要在视频的打点位置插入哪个广告素材。
请同时参阅图11，为本发明的第一实施例的视频播放流程图。本实施例中，分析系统1可在视频已插入了广告后，持续监测视频是否被播放(步骤S50)。于视频被播放时，通过受众监测模块191监测视频的受众对于在各个打点位置上播放的广告的感兴趣程度(步骤S52)，例如，监测受众是否点击了广告。
并且，于取得了上述受众的感兴趣程度后，分析系统1的打点模块14进一步通过所取得的数据对打点模型140做进一步的训练(步骤S54)。藉此，令打点模型140的描述内容更符合视频受众的实际情况，并令本发明分析所得的打点位置更为精确。
请同时参阅图12，为本发明的第一实施例的打点位置竞价流程图。本实施例中，分析系统1可在视频的打点位置分析并标注完成后，通过广告预览模块192取得推荐的一或多个广告素材(步骤S60)，并将取得的广告素材预嵌入视频的打点位置并进行播放，以供使用者进行广告预览(步骤S62)。
接着，分析系统1还可通过广告竞价模块193进一步取得上述的一或多个广告素材的竞价数据，并对所述广告素材进行竞价(步骤S64)，以决定要在视频的打点位置插入哪个广告素材。藉此，广告主可以预先浏览广告素材在各个打点位置上播放时的样貌(即，本发明可提供可视化的广告投放)，以决定要如何设定广告金额，以对视频上的打点位置进行竞价。
续请参阅图13，为本发明的第三实施例的分析系统示意图。本实施例公开了另一分析系统100，所述分析系统100可例如为本地端计算机、电子设备、行动设备或云端服务器等，不加以限定。
如图13所示，分析系统100至少包含处理单元1001、输入单元1002及储存媒体1003，其中处理单元1001电性连接输入单元1002及储存媒体1003，并且储存媒体1003为非瞬时储存媒体。
本实施例中，输入单元1002用以接收视频2的输入，以对视频2进行处理(如，对视频2进行切割以产生多组画面与多个叙述符列表4)。并且，输入单元1002还用以接收数据集3的输入，以训练所述叙述符语义模型120、ADC模型130与打点模型140。本实施例中，前述实施例中的叙述符列表4、叙述符语义模型120、ADC模型130、打点模型140等可储存于储存媒体1003。
本实施例中，所述储存媒体1003储存有程序1004，所述程序1004记录有处理单元1001可以执行的计算机程序码。当所述程序1004被处理单元1001执行后，本发明的分析系统100可以至少执行以下操作，以实现前述本发明的分析方法：
提供一视频2；
将该视频2的内容转换为多个叙述符列表4，其中各该叙述符列表4分别记录一时序41及对应的多个原叙述符42，该多个原叙述符4用以描述该视频2在该时序41中出现的多个特征；
提供一ADC模型130，其中该ADC模型130记录多个ADC 1300与多个叙述符间的关系；
依据该ADC模型130与该多个叙述符列表4进行分析以产生多个ADC推荐列表7，其中该多个ADC推荐列表7的数量相同于该多个叙述符列表4的数量，并且各该ADC推荐列表7分别记录该多个ADC 1300，以及该多个ADC1300与各该时序41所对应的视频内容的一类别相关性；
分别计算各该ADC 1300的一预测AR值；及
依据该多个ADC推荐列表7、多笔该预测AR值及一打点模型140分析一或多个该时序41为该视频2的一打点位置。
通过上述的分析系统1、1’、100以及分析方法，本发明可依据视频的内容、多种ADC以及各个ADC的预测AR值于视频中自动寻找打点位置，同时推荐与打点位置最相关的ADC，藉此在确保视频画面与广告内容具有高度相关性的前提下，令投放的广告效益最大化。
以上所述仅为本发明之较佳具体实例，非因此即局限本发明之专利范围，故举凡运用本发明内容所为之等效变化，均同理皆包含于本发明之范围内，合予陈明。

Claims (20)

1.一种视频打点位置分析方法，其特征在于，包括：
a)提供一视频；
b)将该视频的内容转换为多个叙述符列表，其中各该叙述符列表分别记录一时序及多个原叙述符，该多个原叙述符用以描述该视频在该时序中出现的多个特征；
c)提供一广告类别模型，其中该广告类别模型记录多个广告类别与多个叙述符间的关系；
d)依据该广告类别模型与该多个叙述符列表进行分析以产生多个广告类别推荐列表，其中该多个广告类别推荐列表的数量相同于该多个叙述符列表的数量，并且各该广告类别推荐列表分别记录该多个广告类别与各该时序所对应的视频内容的一类别相关性；
e)分别计算各该广告类别的一预测受众反应值；及
f)依据该多个广告类别推荐列表、多笔该预测受众反应值及一打点模型分析一或多个该时序为该视频的一打点位置。
2.根据权利要求1所述的视频打点位置分析方法，其特征在于，更包括下列步骤：
g1)步骤b后，提供由多个端点叙述符及多个具有方向性的边组成的一叙述符语义模型，其中各该端点叙述符分别对应一个预设的特征，该多个边定义该多个端点叙述符之间的关联性强度，并且该多个端点叙述符包括该多个原叙述符与该多个广告类别；
g2)取得该多个叙述符列表的其中之一，并依据该叙述符语义模型及所取得的该叙述符列表计算产生一推测叙述符列表，其中该推测叙述符列表记录该多个端点叙述符，以及各该端点叙述符与所取得的该叙述符列表的该时序所对应的视频内容的一叙述符相关性；
其中，步骤d是依据该多个广告类别及该推测叙述符列表进行分析，以产生一个该广告类别推荐列表。
3.根据权利要求2所述的视频打点位置分析方法，其特征在于，更包括下列步骤：
g3)判断该多个叙述符列表是否全部转换为该推测叙述符列表；及
g4)于该多个叙述符列表尚未全部转换完成前，取得下一个该叙述符列表并再次执行步骤g2；
其中，步骤d是依据该多个广告类别及多个该推测叙述符列表进行分析，以产生该多个广告类别推荐列表。
4.根据权利要求3所述的视频打点位置分析方法，其特征在于，步骤d包括下列步骤：
d1)选择该多个推测叙述符列表的其中之一并与该广告类别模型中的该多个广告类别进行匹配，以分别计算该多个广告类别与该所选择的推测叙述符列表所对应的视频内容的该类别相关性；
d2)判断该多个推测叙述符列表是否全部匹配完成；及
d3)于该多个推测叙述符列表尚未全部匹配完成前，选择下一个该推测叙述符列表并再次执行步骤d1。
5.根据权利要求4所述的视频打点位置分析方法，其特征在于，步骤d1包括下列步骤：
d11)选择该多个推测叙述符列表的其中之一，并且取得该多个广告类别的其中之一；
d12)依据一预设权重以及该所选择的推测叙述符列表中的多个该叙述符相关性，分别计算该广告类别与该所选择的推测叙述符列表中的各该端点叙述符的一次属相关性；
d13)依据多个该次属相关性加权计算该广告类别与该所选择的推测叙述符列表的该类别相关性；及
d14)于该多个广告类别的该类别相关性全部计算完成前，取得下一个该广告类别并再次执行步骤d12与步骤d13。
6.根据权利要求4所述的视频打点位置分析方法，其特征在于，步骤e包括下列步骤：
e1)取得一大众行为模型；
e2)依据该大众行为模型及该多个广告类别推荐列表计算产生多个受众反应预测列表，其中该多个受众反应预测列表的数量相同于该多个广告类别推荐列表的数量，并且各该受众反应预测列表分别记录各该广告类别推荐列表中的该多个广告类别的该预测受众反应值；
其中，步骤f是依据该多个广告类别推荐列表、该打点模型及该多个受众反应预测列表分析一或多个该时序为该视频的该打点位置。
7.根据权利要求6所述的视频打点位置分析方法，其特征在于，该大众行为模型记录一般用户对于各该广告类别的点击率、视觉停留时间、好感度、转换率的至少其中之一的分析统计数据。
8.根据权利要求6所述的视频打点位置分析方法，其特征在于，更包括一步骤e0)取得一个人受众行为模型，其中该个人受众行为模型记录一特定用户对于各该广告类别的点击率、视觉停留时间、好感度、转换率的至少其中之一的分析统计数据；
其中，步骤e2是依据该大众行为模型、该个人受众行为模型及该多个广告类别推荐列表共同计算并产生该多个受众反应预测列表。
9.根据权利要求6所述的视频打点位置分析方法，其特征在于，步骤f是依据该多个广告类别推荐列表、该打点模型、该多个受众反应预测列表及一打点位置限制条件分析一或多个该时序为该视频的该打点位置。
10.根据权利要求1所述的视频打点位置分析方法，其特征在于，更包括下列步骤：
h)依据该打点位置于该视频上进行一打点动作；及
i)列出对应于该打点位置的该多个广告类别、各该广告类别与该打点位置的该类别相关性，以及各该广告类别的该预测受众反应值。
11.一种视频打点位置分析系统，其特征在于，包括：
一视频转换模块，选取一视频并将该视频的内容转换为多个叙述符列表，其中各该叙述符列表分别记录一时序及多个原叙述符，该多个原叙述符用以描述该视频在该时序中出现的多个特征；
一广告类别分析模块，取得记录了多个广告类别的一广告类别模型，并依据该广告类别模型与该多个叙述符列表进行分析以产生多个广告类别推荐列表，其中该多个广告类别推荐列表的数量相同于该多个叙述符列表的数量，并且各该广告类别推荐列表分别记录该多个广告类别与各该时序所对应的视频内容的一类别相关性；
一受众反应预测模块，分别计算各该广告类别的一预测受众反应值；及
一打点模块，依据该多个广告类别推荐列表、多笔该预测受众反应值及一打点模型分析一或多个该时序为该视频的一打点位置。
12.根据权利要求11所述的视频打点位置分析系统，其特征在于，更包括：
一叙述符关系学习模块，藉由多个数据集训练并产生一叙述符语义模型，其中该叙述符语义模型由多个端点叙述符及多个具有方向性的边组成，各该端点叙述符分别对应至一个预设的特征，该多个边定义该多个端点叙述符之间的关联性强度，并且该多个端点叙述符包括该多个原叙述符与该多个广告类别；
一广告类别学习模块，训练并产生该广告类别模型，其中该广告类别模型记录有包含该多个广告类别在内的多个叙述符，该广告类别学习模块藉由汇入该多个数据集令该广告类别模型学习各个叙述符的个体或组合相对于各该广告类别的连结强度；及
一叙述符推测模块，依据该多个叙述符列表及该叙述符语义模型计算产生多个推测叙述符列表，其中各该推测叙述符列表分别记录该多个端点叙述符以及各该叙述符列表的该时序；
其中，该广告类别分析模块是依据该多个广告类别及该多个推测叙述符列表进行分析，以产生该多个广告类别推荐列表。
13.根据权利要求12所述的视频打点位置分析系统，其特征在于，该广告类别分析模块用以执行下列动作以产生该多个广告类别推荐列表：
动作1：选择该多个推测叙述符列表的其中之一并与该广告类别模型中的该多个广告类别进行匹配，以分别计算该多个广告类别与该所选择的推测叙述符列表所对应的视频内容的该类别相关性；
动作2：判断该多个推测叙述符列表是否全部匹配完成；及
动作3：于该多个推测叙述符列表尚未全部匹配完成前，选择下一个该推测叙述符列表并再次执行步骤该动作1。
14.根据权利要求13所述的视频打点位置分析系统，其特征在于，该广告类别分析模块执行的该动作1还包括下列动作：
动作1-1：选择该多个推测叙述符列表的其中之一，并且取得该多个广告类别的其中之一；
动作1-2：依据一预设权重以及该所选择的推测叙述符列表中的多个叙述符相关性，分别计算该广告类别与该所选择的推测叙述符列表中的各该端点叙述符的一次属相关性；
动作1-3：依据多个该次属相关性加权计算该广告类别与该所选择的推测叙述符列表的该类别相关性；及
动作1-4：于该多个广告类别的该类别相关性全部计算完成前，取得下一个该广告类别并再次执行该动作1-2与该动作1-3。
15.根据权利要求13所述的视频打点位置分析系统，其特征在于，该受众反应预测模块用以取得一大众行为模型，并且依据该大众行为模型及该多个广告类别推荐列表计算产生多个受众反应预测列表，其中该多个受众反应预测列表的数量相同于该多个广告类别推荐列表的数量，并且各该受众反应预测列表分别记录各该广告类别推荐列表中的该多个广告类别的该预测受众反应值；其中，该打点模块是依据该多个广告类别推荐列表、该打点模型及该多个受众反应预测列表分析一或多个该时序为该视频的该打点位置。
16.根据权利要求15所述的视频打点位置分析系统，其特征在于，该大众行为模型记录一般用户对于各该广告类别的点击率、视觉停留时间、好感度、转换率的至少其中之一的分析统计数据。
17.根据权利要求15所述的视频打点位置分析系统，其特征在于，该受众反应预测模块还取得一个人受众行为模型，并且依据该大众行为模型、该个人受众行为模型及该多个广告类别推荐列表共同计算并产生该多个受众反应预测列表，其中该个人受众行为模型记录一特定用户对于各该广告类别的点击率、视觉停留时间、好感度、转换率的至少其中之一的分析统计数据。
18.根据权利要求13所述的视频打点位置分析系统，其特征在于，该打点模块是依据该多个广告类别推荐列表、该打点模型、该多个受众反应预测列表及一打点位置限制条件分析一或多个该时序为该视频的该打点位置。
19.根据权利要求11所述的视频打点位置分析系统，其特征在于，该打点模块依据该打点位置于该视频上进行一打点动作，并且列出对应于该打点位置的该多个广告类别、各该广告类别与该打点位置的该类别相关性，以及各该广告类别的该预测受众反应值。
20.一种储存媒体，用于储存一程序，其特征在于，该程序在被一处理单元执行时，可进行如权利要求1至10中任何一项所述的操作。
CN201710675073.4A 2017-08-09 2017-08-09 视频打点位置分析系统、分析方法及储存媒体 Pending CN109391829A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201710675073.4A CN109391829A (zh) 2017-08-09 2017-08-09 视频打点位置分析系统、分析方法及储存媒体
US15/942,926 US20190050890A1 (en) 2017-08-09 2018-04-02 Video dotting placement analysis system, analysis method and storage medium

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710675073.4A CN109391829A (zh) 2017-08-09 2017-08-09 视频打点位置分析系统、分析方法及储存媒体

Publications (1)

Publication Number Publication Date
CN109391829A true CN109391829A (zh) 2019-02-26

Family

ID=65274179

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710675073.4A Pending CN109391829A (zh) 2017-08-09 2017-08-09 视频打点位置分析系统、分析方法及储存媒体

Country Status (2)

Country Link
US (1) US20190050890A1 (zh)
CN (1) CN109391829A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111553754A (zh) * 2020-07-10 2020-08-18 支付宝(杭州)信息技术有限公司 行为预测系统的更新方法及装置
CN115037969A (zh) * 2022-08-12 2022-09-09 道有道科技集团股份公司 基于数据识别的短视频广告投放智能分析系统与方法

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110515904B (zh) * 2019-08-13 2022-04-29 北京达佳互联信息技术有限公司 媒体文件的质量预测模型训练方法、质量预测方法及装置
CN111031378B (zh) * 2019-12-20 2022-04-05 山东浪潮超高清视频产业有限公司 一种视频打点和记录epg信息的方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090256972A1 (en) * 2008-04-11 2009-10-15 Arun Ramaswamy Methods and apparatus to generate and use content-aware watermarks
CN102137291A (zh) * 2010-09-25 2011-07-27 华为技术有限公司 一种广告选择方法及一种互联网协议电视iptv平台
CN102567467A (zh) * 2011-12-02 2012-07-11 华中科技大学 基于视频标签获取视频热点信息的方法
CN104469437A (zh) * 2014-12-23 2015-03-25 小米科技有限责任公司 广告推送方法及装置
US9043860B2 (en) * 2009-02-23 2015-05-26 Samsung Electronics Co., Ltd. Method and apparatus for extracting advertisement keywords in association with situations of video scenes
CN104992347A (zh) * 2015-06-17 2015-10-21 北京奇艺世纪科技有限公司 一种视频匹配广告的方法及装置
CN106547908A (zh) * 2016-11-25 2017-03-29 三星电子（中国）研发中心 一种信息推送方法和系统

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150127340A1 (en) * 2013-11-07 2015-05-07 Alexander Epshteyn Capture
US10572925B1 (en) * 2014-08-15 2020-02-25 Groupon, Inc. Universal relevance service framework

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090256972A1 (en) * 2008-04-11 2009-10-15 Arun Ramaswamy Methods and apparatus to generate and use content-aware watermarks
US9043860B2 (en) * 2009-02-23 2015-05-26 Samsung Electronics Co., Ltd. Method and apparatus for extracting advertisement keywords in association with situations of video scenes
CN102137291A (zh) * 2010-09-25 2011-07-27 华为技术有限公司 一种广告选择方法及一种互联网协议电视iptv平台
CN102567467A (zh) * 2011-12-02 2012-07-11 华中科技大学 基于视频标签获取视频热点信息的方法
CN104469437A (zh) * 2014-12-23 2015-03-25 小米科技有限责任公司 广告推送方法及装置
CN104992347A (zh) * 2015-06-17 2015-10-21 北京奇艺世纪科技有限公司 一种视频匹配广告的方法及装置
CN106547908A (zh) * 2016-11-25 2017-03-29 三星电子（中国）研发中心 一种信息推送方法和系统

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111553754A (zh) * 2020-07-10 2020-08-18 支付宝(杭州)信息技术有限公司 行为预测系统的更新方法及装置
CN111553754B (zh) * 2020-07-10 2020-12-01 支付宝(杭州)信息技术有限公司 行为预测系统的更新方法及装置
CN115037969A (zh) * 2022-08-12 2022-09-09 道有道科技集团股份公司 基于数据识别的短视频广告投放智能分析系统与方法
CN115037969B (zh) * 2022-08-12 2022-11-18 道有道科技集团股份公司 基于数据识别的短视频广告投放智能分析系统与方法

Also Published As

Publication number Publication date
US20190050890A1 (en) 2019-02-14

Similar Documents

Publication Publication Date Title
US9875441B2 (en) Question recommending method, apparatus and system
CN110737783B (zh) 一种推荐多媒体内容的方法、装置及计算设备
CN103793537B (zh) 一种基于多维时间序列分析的个性化音乐推荐系统及其实现方法
US20160147876A1 (en) Systems and methods for customized music selection and distribution
US20160155067A1 (en) Mapping Documents to Associated Outcome based on Sequential Evolution of Their Contents
CN109391829A (zh) 视频打点位置分析系统、分析方法及储存媒体
CN107368965A (zh) 一种剧本数据处理方法、装置及应用其的计算机设备
CN103365936A (zh) 视频推荐系统及其方法
CN109582875A (zh) 一种在线医疗教育资源的个性化推荐方法及系统
Sahu et al. Movie popularity and target audience prediction using the content-based recommender system
CN110364146A (zh) 语音识别方法、装置、语音识别设备及存储介质
Abousaleh et al. Multimodal deep learning framework for image popularity prediction on social media
CN111597446B (zh) 基于人工智能的内容推送方法、装置、服务器和存储介质
US20210366022A1 (en) Matching users with visual items
CN111241394A (zh) 数据处理方法、装置、计算机可读存储介质及电子设备
CN114707074A (zh) 一种内容推荐方法、设备和系统
Mazloom et al. Category specific post popularity prediction
CN112468853A (zh) 电视资源推荐方法、装置、计算机设备及存储介质
JP5667959B2 (ja) 影響度分析方法、影響度分析装置及びそのプログラム
CN116956183A (zh) 多媒体资源推荐方法、模型训练方法、装置及存储介质
CN112565902A (zh) 一种视频推荐方法、装置及电子设备
CN110418171B (zh) 媒体资源的推送方法和装置、存储介质及电子装置
CN113852864A (zh) 一种面向iptv终端应用的用户定制化服务推荐方法及系统
CN113657766A (zh) 一种基于游客多元数据的旅游景区欢乐指数的计量方法
Wietreck Towards a new generation of movie recommender systems: A mood based approach

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: 20190226

WD01 Invention patent application deemed withdrawn after publication