CN109525868A - 视频的焦点分布的分析系统、分析方法及存储媒体 - Google Patents

视频的焦点分布的分析系统、分析方法及存储媒体 Download PDF

Info

Publication number
CN109525868A
CN109525868A CN201710854142.8A CN201710854142A CN109525868A CN 109525868 A CN109525868 A CN 109525868A CN 201710854142 A CN201710854142 A CN 201710854142A CN 109525868 A CN109525868 A CN 109525868A
Authority
CN
China
Prior art keywords
information
audient
video
reaction
time
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
CN201710854142.8A
Other languages
English (en)
Inventor
周玮慈
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 CN201710854142.8A priority Critical patent/CN109525868A/zh
Publication of CN109525868A publication Critical patent/CN109525868A/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
    • 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
    • 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]
    • H04N21/80—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
    • 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
    • H04N21/83—Generation or processing of protective or descriptive data associated with content; Content structuring
    • H04N21/84—Generation or processing of descriptive data, e.g. content descriptors

Landscapes

  • Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Databases & Information Systems (AREA)
  • Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Computer Graphics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开一种视频的焦点分布的分析系统、分析方法及存储媒体，其中分析方法包括下列步骤：将视频的内容转换为多个记录有时间信息、多个叙述符及对应的空间信息的叙述符列表；取得与视频相关且具有时间信息的多笔受众反应信息；对多笔受众反应信息进行时间显著性计算，以由多个时间区段中判断视频的时间焦点；分别依据各个叙述符与对应相同时间区段的多笔受众反应信息的内容文字进行空间显著者计算，以由多个叙述符对应的空间位置中判断视频的空间焦点；及，根据时间焦点及空间焦点决定广告于视频中的播放时间点及播放位置。

Description

视频的焦点分布的分析系统、分析方法及存储媒体
技术领域
本发明涉及一种视频的分析系统、分析方法及存储媒体，尤其涉及一种视频的焦点分布的分析系统、分析方法及存储媒体。
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。有鉴于网际网络的发达，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。
为了提高广告效益，本领域的从业人员持续研究要如何决定广告于视频中的播放时间点，才能令广告得到达到最大的效果。
目前的线上视频网站通常会具备令受众(Audience)可以直接对视频进行评论的功能，借此得到受众对于视频最直接的反应。目前最常见的评论，包括评分、留言、弹幕(Barrage comment)等，而要使用哪一种评论功能，则视视频网站的需求而定。
为了提高广告效益，部分视频提供者会统计受众的评论数量，判断视频的哪一个时间点拥有最多的评论(例如统计各个弹幕于视频上出现的时间点)。借此，再将广告插入拥有最多评论的时间点进行播放。
然而，上述技术并未分析视频在所述时间点所播放的视频画面、未分析为何所述视频画面会拥有最多评论(也就是没有分析所述视频画面中的何种物件为受众的聚焦点)，亦未分析该些为数众多的评论是否皆为有效评论。因此，上述技术无法确实地在受众注意力最高的时候推荐、播放与所述聚焦点相关的广告，而无法提高受众体验。
发明内容
本发明的主要目的，在于提供一种视频的焦点分布的分析系统、分析方法及存储媒体，可通过受众的观点分析视频的时间焦点与空间焦点，以决定广告于视频中最佳的播放时间及播放位置。
为了达成上述目的，本发明的分析方法包括下列步骤：
a)输入一视频；
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显示时间信息、多个叙述符及对应的空间信息，该显示时间信息对应该视频的多个时间区段之一，该多个叙述符描述该视频于该时间区段中出现的多个特征，该空间信息对应该多个特征于该视频中出现的一空间位置；
c)取得与该视频相关且具有中插时间信息的多笔受众反应信息，其中各该中插时间信息分别对应该视频的该多个时间区段之一；
d)对该多笔受众反应信息进行一时间显著性计算，以由该多个时间区段中判断该视频的一时间焦点；
e)分别依据各该叙述符列表中的该些叙述符与对应相同时间区段的该多笔受众反应信息的内容文字进行一空间显著性计算，以由该些空间位置中判断该视频的一空间焦点；及
f)依据该时间焦点及该空间焦点决定一广告于该视频中的一播放时间点及播放位置。
为了达成上述目的，本发明的分析系统包括：
一叙述符提取模块，将输入的一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显示时间信息、多个叙述符及对应的空间信息，该显示时间信息对应该视频的多个时间区段之一，该多个叙述符描述该视频于该时间区段中出现的多个特征，该空间信息对应该多个特征于该视频中出现的一空间位置；
一受众反应信息提取模块，取得与该视频相关且具有中插时间信息的多笔受众反应信息，其中各该中插时间信息分别对应该视频的该多个时间区段之一；
一受众反应信息分析模块，对该多笔受众反应信息进行一时间显著性计算；
一汇集模块，分别依据各该叙述符列表中的该些叙述符与对应相同时间区段的该多笔受众反应信息的内容文字进行一空间显著性计算；及
一显著性产生模块，依据该时间显著性计算及该空间显著性计算的结果由该多个时间区段中判断该视频的一时间焦点并由该些空间位置中判断该视频的一空间焦点，并且依据该时间焦点及该空间焦点决定一广告于该视频中的一播放时间点及播放位置。
为了达成上述目的，本发明的非暂态存储媒体存储一程式，其中该程式在被一处理单元执行时，可进行本发明的分析方法的各项操作。
本发明对照于相关技术可达成的技术功效在于，可以有效找出视频中最受受众关注的一或多个时间焦点与空间焦点。当视频需要插入广告时，系统可以推荐与空间焦点中的物件最为相关的广告类别，并将所选择的广告插入视频的时间焦点中进行播放。借此，可有效确保所选择与播放的广告在视频中得到最大的广告效益。
以下结合附图和具体实施例对本发明进行详细描述，但不作为对本发明的限定。
附图说明
图1为本发明的第一具体实施例的分析系统示意图；
图2为包含受众反应信息的视频画面的示意图；
图3为本发明的第一具体实施例的分析流程图；
图4为本发明的第一具体实施例的广告推荐流程图；
图5为本发明的第一具体实施例的广告推荐示意图；
图6为本发明的第一具体实施例的时间焦点分析流程图；
图7为本发明的第一具体实施例的信息认同值分布模型示意图；
图8为本发明的第一具体实施例的空间焦点分析流程图；
图9为本发明的第二实施例的分析系统示意图。
具体实施方式
下面结合附图和具体实施例对本发明技术方案进行详细的描述，以更进一步了解本发明的目的、方案及功效，但并非作为本发明所附权利要求保护范围的限制。
本发明揭露了一种视频的焦点分布的分析系统(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，以借由受众的观点找出视频的时间焦点及空间焦点(即，视频在哪一个时间区段中出现的哪一个特征最受到受众的关注)。借此，分析系统可进一步依据所得的时间焦点及空间焦点来推荐具有相关性的广告类别或广告素材，进而提高广告效益。
本发明所述的时间焦点可包括时间点(例如[00:35])及时间区段(例如[00:35～00:45])，但不加以限定。为便于说明，下面将统一以时间区段做为举例说明。
为使所属技术领域中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，但不以此为限。
参阅图1，为本发明的第一具体实施例的分析系统示意图。
于图1的实施例中，所述分析系统1主要包括数据收集模块11、叙述符提取模块12、受众反应信息提取模块13、叙述符分析模块14、受众反应信息分析模块15、汇集模块16、显著性产生模块17、广告类别(Advertisement Category,ADC)推荐模块18及广告(Advertisement,AD)预览模块19。
于一实施例中，本发明的分析系统1可为伺服器(例如本地端伺服器或云端伺服器)，而前述模块11-19可为伺服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可为单一处理器或电子设备，并且分析系统1的处理单元(如图9所示的处理单元1001)可执行存储媒体中的特定程序来实现本发明所需的各个功能，并且前述模块11-19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、Facebook上的文章评论、腾讯上的影片的弹幕信息等)等会随着时间变动的数据。并且，所述数据集3可为文字信息、图片信息、影像信息、音效信息等类型，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汇入分析系统1中的各个功能模块(例如受众反应信息分析模块15及汇集模块16)，以令所功能模块对所取得的数据集3进行分析，借此训练本发明的分析系统1所需的各种模型(例如图1所示的情感值模型151与文本相似度模型161)。
所述叙述符提取模块12用以接收所输入的一个视频2，并将视频2的内容转换为多个叙述符列表，其中各个叙述符列表分别记录有显示时间信息、多个叙述符及对应的空间信息，显示时间信息对应所述视频2的多个时间区段之一，多个叙述符用以描述所述视频2于所述时间区段中出现的多个特征，而空间信息则对应所述多个特征于所述视频2中出现的空间位置。
举例来说，若一个长度5分钟的特定视频被分析系统1平均分割为60个长度皆5秒钟的视频画面，则所述叙述符提取模块12会为每一个视频画面分别产生一个对应的叙述符列表(即，为所述特定视频产生60个叙述符列表)。
如上所述，其中第一叙述符列表记录的显示时间信息为[00:01～00:05]、多个叙述符描述所述特定视频于[00:01～00:05]中出现的所有特征、空间信息对应该些特征于此视频画面上出现的位置；第二叙述符列表记录的显示时间信息为[00:06～00:10]、多个叙述符描述所述特定视频于[00:06～00:10]中出现的所有特征、空间信息对应该些特征于此视频画面上出现的位置，以此类推。
于一实施例中，所述叙述符提取模块12可从视频2中辨识出人脸(Face)、影像(Image)、文字(Text)、声音(Audio)、动作(Motion)、物件(Object)及场景(Scene)等类别的具体特征，并依据所述具体特征及空间位置来产生所述叙述符。若叙述符提取模块12于一个视频画面中识别出一百个特征，则会产生对应的一百个叙述符、各个特征在视频画面中出现的位置并产生所述空间信息(即，一百笔空间信息)。
于第一实施例中，叙述符提取模块12可依据预设的时间长度对视频2进行切割，以产生多组视频画面。于第二实施例中，叙述符提取模块12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视频画面(即，一组视频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，叙述符提取模块12可以帧为单位对视频2进行切割(frame-by-frame)，以产生多组视频画面(即，每组视频画面的长度即为一帧)。
请同时参阅图2，为包含受众反应信息的视频画面的示意图。图2显示一个视频2的其中一个视频画面21，所述视频画面21被汇入叙述符提取模块12后，叙述符提取模块12可从中提取出多个具体特征4，并且分别为该多个具体特征4产生对应的叙述符。具体地，于图2的实施例中，叙述符提取模块12可由视频画面21中辨识并提取出「男主角」、「女主角」、「拥抱」、「汽车」、「行李箱」、「地砖」、「草地」、「大楼」等具体特征4，并且产生对应的多个叙述符。并且，叙述符提取模块12再借由所述视频画面21相对于视频2的时间区段，以及各个具体特征4于视频画面21中出现的空间位置，共同建立所述视频画面21的一个叙述符列表。
回到图1。所述受众反应信息提取模块13可于视频2被汇入分析系统1后，取得与视频2相关且具有中插时间信息的多笔受众反应信息(例如图2所示的受众反应信息5)，其中，各笔受众反应信息5的中插时间信息分别对应至所述视频2的多个时间区段之一。
于图2所示的实施例中，所述受众反应信息5为弹幕评论信息(barrage comment)，所述中插时间信息为所述受众反应信息5出现于视频画面21上的时间(也就是对应至视频画面21所属的时间区段)。所述弹幕评论信息为本技术领域的通常知识，于此不再赘述。于其他实施例中，所述受众反应信息5亦可为其他型式的评论信息，例如带有时间讯息的文字留言或语音留言，不加以限定。
于本实施例中，所述分析系统1还可具备上述叙述符分析模块14。
具体地，分析系统1可将叙述符提取模块12所提取的多个叙述符汇入叙述符分析模块14，叙述符分析模块14可对汇入的多个叙述符进行分析，以取得与各个叙述符具有相同属性而属于相同群组的一或多个推测叙述符。分析系统1借由叙述符分析模块14来取得叙述符提取模块12无法准确辨识的抽象信息并产生对应的推测叙述符，借此增加分析系统1可供后续分析使用的叙述符数量，进而提高分析准确率。
举例来说，于图2的实施例中，叙述符提取模块12可经由图像辨识由视频画面21中准确地提取出「男主角」、「女主角」、「拥抱」、「汽车」、「行李箱」、「地砖」、「草地」、「大楼」等叙述符。当叙述符提取模块12将所述多个叙述符汇入叙述符分析模块14后，叙述符分析模块14可对多个叙述符做进一步分析，进而推测并获得如「甜蜜」、「白色」、「干净」、「绿色」、「高耸」等对应至视频画面21的抽象信息的推测叙述符。
具体地，所述叙述符分析模块14提供预先训练完成的神经网络模型(图未标示)，所述神经网络模型记录有众多词语(node)及各个词语之间的相似性强度(directededge)。叙述符分析模块14将多个叙述符汇入神经网络模型后，可进行多个不同叙述符(分别对应至不同的词语)之间的相似性强度的分析，并将相似性高于门槛值的一或多个叙述符视为具有相同属性而属于相同群组的叙述符与推测叙述符。
本发明的分析系统1于进行时间焦点与空间焦点的分析时，可单纯通过各个叙述符列表中的多个叙述符进行分析，亦可同时结合多个叙述符及多个推测叙述符进行分析以提高分析准确率，不加以限定。为使说明更容易理解，下面将仅以借由各个叙述符列表中的多个叙述符进行分析为例，进行说明，但本领域的技术人员能够理解本发明的申请专利范围应涵盖借由多个叙述符结合多个推测叙述符共同进行分析的实施态样。
回到图1，所述受众反应信息分析模块15用以对受众反应信息提取模块13所提取的多笔受众反应信息5进行分析，以执行一时间显著性计算。
具体地，各个受众反应信息5的内容分别包含信息出现于视频画面21中的时间(即，所述中插时间信息)，受众反应信息分析模块15可依据各个受众反应信息5的内容执行所述时间显著性计算，以确认视频2的哪些时间区段属于较多受众关注的显著时间(容后详述)。
所述汇集模块16主要用以取得叙述符提取模块12所产生的多个叙述符列表以及受众反应信息提取模块13所提取的多笔受众反应信息，并且依据各个叙述符列表中的多个叙述符以及对应至相同时间区段的多笔受众反应信息的内容文字执行一空间显著性计算。
具体地，汇集模块16可借由时间区段将多个叙述符与多笔受众反应信息进行关联，并且依据各个叙述符以及与各个叙述符对应至相同时间区段的多笔受众反应信息的内容文字分别执行所述空间显著性计算，以判断多笔受众反应信息的内容文字分别与视频2中的哪些具体特征有关，即，判断视频2中的哪些具体特征为显著特征(容后详述)。
所述显著性产生模块17由受众反应信息分析模块15接收所述时间显著性计算的计算结果，并由汇集模块16接收所述空间显著性计算的计算结果。接着，显著性产生模块17依据所述计算结果由视频2的多个时间区段中得出视频2的时间焦点(即，视频2中最受到受众关注的时间区段)，并由所述多个叙述符所对应的多个空间位置中判断视频2的空间焦点(即，视频画面中最受到受众关注的具体特征)。借此，显著性产生模块17可依据时间焦点及空间焦点决定一个广告于视频2中的播放时间点及播放位置。
请同时参阅图3，为本发明的第一具体实施例的分析流程图。本发明另揭露了一种视频的焦点分布的分析方法(下面简称为分析方法)，所述分析方法主要应用于如图1所示的分析系统1。
具体地，要应用本发明的分析方法，首先输入一个视频2至分析系统1(步骤S10)，接着由叙述符提取模块12将输入的视频2的内容转换为记录有显示时间信息、多个叙述符及对应的空间信息的多个叙述符列表(步骤S12)。所述叙述符列表的内容与上述在图1的实施例中所示者相同或相近，于此不再赘述。
分析系统1同时借由受众反应信息提取模块13提取与输入的视频2相关且具有中插时间信息的多笔受众反应信息5(步骤S14)，所述中插时间信息分别记录各笔受众反应信息5出现于视频2中的时段区段。
于一实施例中，各笔受众反应信息5进一步包含用户名称及发表时间信息。所述用户名称记录发出受众反应信息5的用户的名称(如真实姓名或于线上视频网络中的帐号名称)，所述发表时间信息记录用户发出受众反应信息5的本地时间。本实施例中，分析方法可进一步依据多笔受众反应信息5的用户名称及发表时间信息执行高频过滤处理，以由多笔受众反应信息5中滤除无用受众反应信息。
具体地，分析系统1可借由机器人(图未标示)扫描视频2的多笔受众反应信息5，并且依据所述用户名称及发表时间信息找出由相同用户依照固定频率所发出的高频率受众反应信息。进一步，分析系统1将上述高频率受众反应信息视为由用户或程序机器人恶意发出的无用信息，并加以滤除。
分析方法可通过过滤后的受众反应信息5执行所述时间显著性计算及空间显著性计算，以提高时间焦点及空间焦点的分析准确率，但不加以限定。为使说明更容易理解，下面将以依据未经过滤的多笔受众反应信息5进行分析为例，进行说明，但本领域的技术人员能够理解本发明的申请专利范围应涵盖借由过滤后的多笔受众反应信息5进行分析的实施态样。
并且，如前文中所述，分析系统1取得了视频2的多个叙述符列表后，可借由所述叙述符分析模块14的推测取得与各个叙述符具有相同属性而属于相同群组的一或多个推测叙述符，以借由增加可被分析的叙述符数量而提高分析准确率。
回到图3，分析系统1取得了视频2的多笔受众反应信息5后，可由受众反应信息分析模块15对多笔受众反应信息5进行时间显著性计算，并由显著性产生模块17依据计算结果从视频2的多个时间区段中判断出视频2的时间焦点(步骤S16)。
并且，分析系统1由汇集模块16来分别依据各个叙述符以及与各个叙述符对应至相同时间区段的多笔受众反应信息5的内容文字进行空间显著性计算，并由显著性产生模块17依据计算结果从多个叙述符所对应的多个空间位置中判断视频2的空间焦点(步骤S18)。
值得一提的是，于本发明中，步骤S16与步骤S18并不具有执行上的顺序关系，分析系统1可先分析视频2的显著时间并产生时间焦点，亦可先分析视频2的显著特征并产生空间焦点，不加以限定。
步骤S16与步骤S18后，分析系统1进一步通过显著性产生模块17依据所述时间焦点及空间焦点决定一个广告于视频2中的播放时间点及播放位置(步骤S20)。本发明中，所述播放时间点即为视频2的时间焦点(例如对应至时间区段[02:31～02:35]的一个视频画面21)，所述播放位置即为所述视频画面21中的空间焦点的周围(以不覆盖所述显著特征为前提)，而所述广告的广告类别或内容则与所述空间焦点中呈现的显著特征具有相关性。
本实施例中，所述时间焦点指的是视频2中最受到受众关注的时间区段，而空间焦点指的是视频2中最受到受众关注的空间位置(即，最受到关注的具体特征)。于其他实施例中，分析系统1亦可分析并取得视频2中具有高显著性的多个时间焦点及多个空间焦点，并且据以决定多个广告的播放时间点及播放位置。如此一来，可大幅增加一个视频2中的广告机会。
如上所述，通过本发明的分析系统1及分析方法，可有效确保所选择与播放的广告在视频中能得到受众最大程度的关注，借此达到最大的广告效益。
于本实施例中，分析系统1可以在确认了视频2的所述时间焦点及空间焦点后，将时间焦点及空间焦点的信息提供给广告商或是提供给视频提供者，以利广告商进行广告的投放，或是利于视频提供者寻找广告赞助商。于另一实施例中，分析系统1亦可利用所述时间焦点及空间焦点直接为视频2寻找最适合的广告类别或广告素材。
续请参阅图1及图4，其中图4为本发明的第一具体实施例的广告推荐流程图。本实施例中，分析系统1通过ADC推荐模块18将所述空间焦点所对应的叙述符(即，空间焦点中的显著特征)与一个广告数据库(图未标示)进行比对(步骤S30)，借此取得并推荐与所述叙述符具有高度相关性的ADC(步骤S32)。
接着，分析系统1于上述ADC中选择一个特定广告素材(步骤S34)，并且通过AD预览模块19依据所述时间焦点及空间焦点于视频2中播放所述特定广告素材(步骤S36)。借此，用户观看所述视频2时，会在视频2播放到所述时间焦点时，得到与所述空间焦点中的显著特征具有相关性的广告素材。于一实施例中，所述广告素材可例如为静态图片广告、动态影像广告或语音广告等，不加以限定。
请同时参阅图5，为本发明的第一具体实施例的广告推荐示意图。于图5的实施例中，视频画面21的时间区段即为所述时间焦点。于视频画面21中，部分受众反应信息5的内容文字提及视频画面21中的情侣(Couple,CP)，部分受众反应信息5的内容文字提及视频画面21中的行李箱。分析系统1可于分析了多笔受众反应信息5后，将所述情侣与所述行李箱视为视频画面21中的显著特征，并将显著特征的空间位置做为视频画面21的空间焦点6(其中，所述情侣所在的空间位置的显著性高于所述行李箱所在的空间位置)。
于一实施例中，所述AD预览模块19可将所述特定广告素材显示于视频画面21中的任何位置。于另一实施例中，所述AD预览模块19可以创可贴广告或互动贴片等形式(但不以此为限)将特定广告素材显示于所述空间焦点6旁，以提高特定广告素材的受关注程度，或依客户要求将特定广告素材显示于所述空间焦点6上，但不以此为限。
于图5的实施例中，分析系统1是于取得视频画面21中显著性最高的空间焦点6后，于空间焦点6旁生成紧邻空间焦点6的广告播放栏位7，并于广告播放栏位7中播放所述特定广告素材。
值得一提的，分析系统1是于分析后取得视频画面21中的显著特征，并且依据显著特征的空间位置(x,y)及尺寸(高度及宽度)产生一个辨识边框，再以辨识边框的范围做为所述空间焦点6。于图5的实施例中，分析系统1是令所生成的广告播放栏位7紧邻所述辨识边框，以令播放的广告素材距离显著特征最近，并且不会覆盖显著特征及/或字幕。惟，上述仅为本发明的一个具体实施范例，但不以此为限。
续请参阅图6，为本发明的第一具体实施例的时间焦点分析流程图。图6用以对图3所示流程图的步骤S16做更进一步的解释，以详细说明本发明的分析系统1如何执行时间显著性计算以判断视频2的时间焦点。
如图6所示，分析系统1首先通过受众反应信息分析模块15分别计算各个受众反应信息5的信息认同值(步骤S160)，接着依据各笔受众反应信息5的中插时间信息对多笔受众反应信息5进行分类(即，依据视频2的多个时间区段进行分类)，并加总各个时间区段中的多笔受众反应信息5的信息认同值，以分别得出各个时间区段的总认同值(步骤S162)。
最后，分析系统1通过显著性产生模块17将总认同值较高的一或多个时间区段视为视频2的显著时间，并且以总认同值最高的显著时间做为视频2的所述时间焦点(步骤S164)。
本实施例，所述受众反应信息5进一步包括信息点赞信息及信息顶踩信息。具体地，所述信息点赞信息记录一笔受众反应信息5被其他受众喜爱的程度，所述信息顶踩信息记录一笔受众反应信息5被其他受众支持的程度。若一笔受众反应信息具有较高的信息点赞信息及/或信息顶踩信息，代表此受众反应信息具有较高的显著性(例如较受其他受众的喜爱或是真实性较高)。
于上述步骤S160中，受众反应信息分析模块15主要是依据各笔受众反应信息5的中插时间信息、信息点赞信息及信息顶踩信息来计算各笔受众反应信息5的信息认同值。并且，受众反应信息分析模块15还可依据上述计算结果建立以时间为基础的信息认同值分布模型。
请同时参阅图7，为本发明的第一具体实施例的信息认同值分布模型示意图。如图7所示，显著性产生模块17可接收受众反应信息分析模块15产生的信息认同值分布模型，并且经过不同时间t的移动平均分析后，获取时间轴上具有高信息认同值的位置，以做为所述显著时间。并且，显著性产生模块17可于一或多个显著时间中取得信息认同值的总合最高的显著时间，以做为视频2的时间焦点8。或者，显著性产生模块17可取得信息认同值的总合相对较高的多个显著时间，以做为视频2的多个时间焦点8。若视频2具有N个时间焦点8，表示视频2中有N个视频画面21受到受众的关注而可被插入广告素材。
续请同时参阅图1及图8，其中图8为本发明的第一具体实施例的空间焦点分析流程图。图8用以对图3所示流程图的步骤S18做更进一步的解释，以详细说明本发明的分析系统1如何执行空间显著性计算以判断视频2的空间焦点。
如图1所示，受众反应信息分析模块15提供预先训练完成的情感值模型151。具体地，所述情感值模型151是由受众反应信息分析模块15依据多个数据集3所训练而成，训练完成的情感值模型151记录了各种词语的相对意义。
举例来说，若受众反应信息5包括“感觉”、“我”、“希望”等内容文字，受众反应信息分析模块15可在比对情感值模型151后判断该些内容文字属于与情感相关的词语，而可用来生成受众反应信息5的情感值。若受众反应信息5包括演员名称、昵称、角色名称的内容文字，受众反应信息分析模块15可在比对情感值模型151后判断该些内容文字属于与视频内容直接相关的重要词语。若受众反应信息5包括用以描述想法或感觉的内容文字(例如“我注意到”、“我觉得”、“看起来”等词语)，受众反应信息分析模块15可在比对情感值模型151后判断该些内容文字属于受众直接的想法、观察、感觉或需求，因此出现在该些词语后面的其他文字属于重要词语而应给予较高的权重。
本实施例中，受众反应信息分析模块15可从受众反应信息提取模块13取得视频2的多笔受众反应信息5，并且将多笔受众反应信息5与所述情感值模块151进行比对，以对多笔受众反应信息5进行语意分析及情感分析，并得出各笔受众反应信息的情感值(步骤S180)。
如图1所示，汇集模块16提供预先训练完成的文本相似度模型161。具体地，所述文本相似度模型161是由汇集模块16依据多个数据集3所训练而成，训练完成的文本相似度模型161记录了各种词语的相似性。
当汇集模块16执行图3所述的空间显著性计算时，主要是将各个叙述符列表中的多个叙述符以及对应至相同时间区段的多笔受众反应信息5同时与文本相似度模型161进行比对，以分析与各个叙述符具有相同属性的一或多个受众反应信息5，并且由该些受众反应信息5构成各个叙述符的信息集合(步骤S182)。
举例来说，第一叙述符列表对应至时间区段[00:11～00:15]并且具有两个叙述符(第一叙述符与第二叙述符)，并且所述时间区段[00:11～00:15]具有n笔受众反应信息5。于本实施例中，汇集模块16会将所述两个叙述符与对应至相同时间区段的n笔受众反应信息5共同与文本相似度模型161进行比对，以判断所述两个叙述符与n笔受众反应信息5的内容相似性。若其中有五笔受众反应信息5与第一叙述符具有相同属性，则由该五笔受众反应信息5构成第一叙述符的信息集合；若其中有十笔受众反应信息5与第二叙述符具有相同属性，则由该十笔受众反应信息5构成第二叙述符的信息集合；若其中有二十笔受众反应信息5与第一叙述符及第二叙述符皆无关，则该二十笔受众反应信息5不会在计算中被参考。
具体地，所述信息集合可以下列公式表示：
SetVn＝{di|st(vn，di)≥r，i＝1...m}，其中，SetVn为第n个叙述符的信息集合，vn为第n个叙述符，di为第i笔受众反应信息，st为vn与di的相似性，m为与第n个叙述符对应至相同时间区段的受众反应信息的数量，r为阈值。
回到图8，步骤S182后，汇集模块16取得了各个叙述符的信息集合，接着再加总各个信息集合中的该些受众反应信息5的情感值，以计算各个信息集合的显著性数值(即，各个叙述符的显著性数值)(步骤S184)。步骤S184后，显著性产生模块17即可将显著性数值最高的叙述符所对应的空间位置做为视频2的空间焦点6(步骤S186)。再者，显著性产生模块17亦可取出显著性数值相对较高的多个叙述符，并将该多个叙述符所对应的多个空间位置做为视频2的多个空间焦点6，不加以限定。
本实施例中，所述情感值主要可包含用以描述受众反应信息5的内容文字为正面或负面的情感正负值，以及用以描述受众反应信息5的内容文字的兴奋程度的情感激发值。所述情感正负值及情感激发值可为固定范围中的数值，例如1至9、-5至+5等，并且可为整数或小数(浮点数)，不加以限定。
本实施例中，情感正负值越大代表受众反应信息5的内容文字越正面(即，受众反应信息5所对应的叙述符越显著)、情感正负值越小代表受众反应信息5的内容文字越负面(即，受众反应信息5所对应的叙述符越不显著)、情感激发值越大代表受众反应信息5的内容文字越兴奋(即，受众反应信息5所对应的叙述符越显著)、情感激发值越小代表受众反应信息5的内容文字越平静(即，受众反应信息5所对应的叙述符越不显著)。据此，汇集模块16可有效利用所述情感正负值及情感激发值来计算各个叙述符所对应的空间位置的显著性。
举例来说，若一笔受众反应信息5的内容文字为「不要让我失望」，则受众反应信息分析模块15可经过语意分析及情感分析后，认定文字“不要”的情感正负值为2.41、情感激发值为5.99；认定文字“让”的情感正负值为5.09、情感激发值为4.60；认定文字“我”的情感正负值为6.13、情感激发值为5.89；认定文字“失望”的情感正负值为1.86、情感激发值为2.89。
上述情感正负值/情感激发值计算完成后，汇集模块16即可依据相似度比对建立各个叙述符的信息集合，并且再加总各个信息集合中的受众反应信息5的情感正负值与情感激发值，以得到各个信息集合的显著性数值。借此，显著性产生模块17可以有效判断视频2的一或多个空间焦点6。
如前文所述，本发明的分析系统1可依据显著性最高的具体特征于视频画面中的位置(x,y)及尺寸(高度及宽度)产生一个辨识边框，再以辨识边框做为所述空间焦点6。于此情况下，空间焦点6中的每一个像素点皆具有相同的显著性数值。
于一实施例中，所述汇集模块16还可进一步对空间焦点6的显著性数值进行高斯平滑滤波(Gaussian Smoothing filter)处理。借此，令所述空间焦点6的显著性由中央像素朝向四周像素平滑扩散。由于所述具体特征一般是出现在空间焦点6的中心，因此经过上述高斯平滑滤波处理，分析系统1在生成如图5所示的广告播放栏位7时可有效避开空间焦点6中的具体特征(即，可避免广告播放栏位7覆盖空间焦点6的中心)，进而避免所播放的广告素材挡住受众的聚焦点。
续请参阅图9，为本发明的第二实施例的分析系统示意图。本实施例揭露了另一分析系统100，所述分析系统100可例如为本地端电脑、电子设备、行动设备或云端伺服器等，不加以限定。
如图9所示，分析系统100至少包含处理单元1001、输入单元1002及存储媒体1003，其中处理单元1001电性连接输入单元1002及存储媒体1003，并且存储媒体1003为非暂态存储媒体。
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视频画面与多个叙述符列表)。并且，输入单元1002还用以接收数据集3的输入，以训练所述神经网络模型、情感值模型151及文本相似度模型161，并且所述神经网络模型、情感值模型151与文本相似度模型161可存储于存储媒体1003。
本实施例中，所述存储媒体1003存储有程序1004，所述程序1004记录有处理单元1001可以执行的电脑程序码。当所述程序1004被处理单元1001执行后，分析系统100可实现如前述图3、图4、图6、图8的流程图所示的各项操作，借此实现本发明的分析方法。
通过本发明的分析系统及分析方法，可以有效地于视频中找出受众最感兴趣的一或多个聚焦点(包含时间焦点及空间焦点)。当视频需要插入广告时，系统可以推荐与视频中的显著特征最为相关的广告类别，并且将广告插入视频中的显著时间进行播放。借此，可有效确保所选择与播放的广告在视频中得到最大的广告效益。
当然，本发明还可有其它多种实施例，在不背离本发明精神及其实质的情况下，熟悉本领域的技术人员当可根据本发明作出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。

Claims (11)

1.一种视频的焦点分布的分析方法，其特征在于，包括：
a)输入一视频；
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显示时间信息、多个叙述符及对应的空间信息，该显示时间信息对应该视频的多个时间区段之一，该多个叙述符描述该视频于该时间区段中出现的多个特征，该空间信息对应该多个特征于该视频中出现的一空间位置；
c)取得与该视频相关且具有中插时间信息的多笔受众反应信息，其中各该中插时间信息分别对应该视频的该多个时间区段之一；
d)对该多笔受众反应信息进行一时间显著性计算，以由该多个时间区段中判断该视频的一时间焦点；
e)分别依据各该叙述符列表中的该些叙述符与对应相同时间区段的该多笔受众反应信息的内容文字进行一空间显著性计算，以由该些空间位置中判断该视频的一空间焦点；及
f)依据该时间焦点及该空间焦点决定一广告于该视频中的一播放时间点及播放位置。
2.根据权利要求1所述的视频的焦点分布的分析方法，其特征在于，各该受众反应信息进一步包括用户名称及发表时间信息，步骤c)后更包括一步骤：
c1)依据该多笔受众反应信息的该用户名称及该发表时间信息执行一高频过滤处理，以由该多笔受众反应信息中滤除无用受众反应信息；
其中，步骤d)与步骤e)是借由过滤后的该多笔受众反应信息执行该时间显著性计算及该空间显著性计算。
3.根据权利要求1所述的视频的焦点分布的分析方法，其特征在于，更包括下列步骤：
g)将该空间焦点所对应的一个该叙述符与一广告数据库进行比对；
h)依据比对结果推荐与该叙述符相关的一广告类别；
i)于该广告类别中选择一个特定广告素材；及
j)依据该时间焦点及该空间焦点于该视频中播放该特定广告素材；
其中，该特定广告素材显示于该空间焦点旁。
4.根据权利要求1所述的视频的焦点分布的分析方法，其特征在于，步骤d)包括下列步骤：
d1)分别计算各该受众反应信息的一信息认同值；
d2)加总各该时间区段中的该多笔受众反应信息的该信息认同值，以分别得出各该时间区段的一总认同值；及
d3)将该总认同值较高的一或多个该时间区段视为一显著时间，并以该总认同值最高的该显著时间做为该时间焦点；
其中，各该受众反应信息进一步包括信息点赞信息及信息顶踩信息，步骤d1)是依据各该受众反应信息的该中插时间信息、该信息点赞信息及该信息顶踩信息计算各该受众反应信息的该信息认同值。
5.根据权利要求1所述的视频的焦点分布的分析方法，其特征在于，步骤b)后更包括一步骤：
b1)将该些叙述符分别汇入一叙述符分析模块，以取得与各该叙述符具有相同属性而属于相同群组的一或多个推测叙述符；
其中，步骤e)是依据各该叙述符列表内的该些叙述符及该些推测叙述符来进行该空间显著性计算。
6.根据权利要求1所述的视频的焦点分布的分析方法，其特征在于，步骤e)包括下列步骤：
e1)分别将该多笔受众反应信息与一情感值模型进行比对，以进行语意分析及情感分析并得出各该受众反应信息的一情感值；
e2)将对应相同时间区段的该叙述符列表与该多笔受众反应信息分别与一文本相似度模型进行比对，以分析与各该叙述符具有相同属性的一或多个该受众反应信息并构成各该叙述符的一信息集合；
e3)依据该情感值分别计算各该信息集合的一显著性数值；及
e4)将该显著性数值最高的该叙述符所对应的该空间位置做为该空间焦点；
其中，该情感值包括用以描述该受众反应信息的内容文字为正面或负面的一情感正负值，以及用以描述该受众反应信息的内容文字的兴奋程度的一情感激发值。
7.根据权利要求6所述的视频的焦点分布的分析方法，其特征在于，步骤e3)后更包括一步骤：
e4)对该显著性数值进行一高斯平滑滤波处理，以令该空间焦点的显著性由中央像素朝向四周像素平滑扩散。
8.一种视频的焦点分布的分析系统，其特征在于，包括：
一叙述符提取模块，将输入的一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显示时间信息、多个叙述符及对应的空间信息，该显示时间信息对应该视频的多个时间区段之一，该多个叙述符描述该视频于该时间区段中出现的多个特征，该空间信息对应该多个特征于该视频中出现的一空间位置；
一受众反应信息提取模块，取得与该视频相关且具有中插时间信息的多笔受众反应信息，其中各该中插时间信息分别对应该视频的该多个时间区段之一；
一受众反应信息分析模块，对该多笔受众反应信息进行一时间显著性计算；
一汇集模块，分别依据各该叙述符列表中的该些叙述符与对应相同时间区段的该多笔受众反应信息的内容文字进行一空间显著性计算；及
一显著性产生模块，依据该时间显著性计算及该空间显著性计算的结果由该多个时间区段中判断该视频的一时间焦点并由该些空间位置中判断该视频的一空间焦点，并且依据该时间焦点及该空间焦点决定一广告于该视频中的一播放时间点及播放位置。
9.根据权利要求8所述的视频的焦点分布的分析系统，其特征在于，更包括：
一广告类别推荐模块，将该空间焦点所对应的一个该叙述符与一广告数据库进行比对，并且依据比对结果推荐与该叙述符相关的一广告类别；
一广告预览模块，于该广告类别中选择一个特定广告素材，并依据该时间焦点及该空间焦点于该视频中播放该特定广告素材，其中该特定广告素材显示于该空间焦点旁；及
一叙述符分析模块，对汇入的该些叙述符进行分析，以取得与各该叙述符具有相同属性而属于相同群组的一或多个推测叙述符；其中，该汇集模块是依据各该叙述符列表内的该些叙述符及该些推测叙述符来进行该空间显著性计算；
其中，各该受众反应信息进一步包括用户名称及发表时间信息，该受众反应信息分析模块依据该多笔受众反应信息的该用户名称及该发表时间信息执行一高频过滤处理，以由该多笔受众反应信息中滤除无用受众反应信息，并且该受众反应信息分析模块及该汇集模块是借由过滤后的该多笔受众反应信息执行该时间显著性计算及该空间显著性计算；
该时间显著性计算是由该受众反应信息分析模块计算各该受众反应信息的一信息认同值，加总各该时间区段中的该多笔受众反应信息的该信息认同值以得出各该时间区段的一总认同值，将该总认同值较高的一或多个该时间区段视为一显著时间，并以该总认同值最高的该显著时间做为该时间焦点；
各该受众反应信息进一步包括信息点赞信息及信息顶踩信息，该受众反应信息分析模块依据各该受众反应信息的该中插时间信息、该信息点赞信息及该信息顶踩信息计算各该受众反应信息的该信息认同值。
10.根据权利要求9所述的视频的焦点分布的分析系统，其特征在于：
该受众反应信息提供一情感值模型，分别将该多笔受众反应信息与该情感值模型进行比对，以进行语意分析及情感分析并得出各该受众反应信息的一情感值；
该情感值包括用以描述该受众反应信息的内容文字为正面或负面的一情感正负值，以及用以描述该受众反应信息的内容文字的兴奋程度的一情感激发值；
该汇集模块提供一文本相似度模型，该空间显著性计算是由该汇集模块将对应相同时间区段的该叙述符列表与该多笔受众反应信息分别与该文本相似度模型进行比对，以分析与各该叙述符具有相同属性的一或多个该受众反应信息并构成各该叙述符的一信息集合，再依据该情感值分别计算各该信息集合的一显著性数值，并且该显著性产生模块将该显著性数值最高的该叙述符所对应的该空间位置做为该空间焦点；
该汇集模块对该显著性数值进行一高斯平滑滤波处理，以令该空间焦点的显著性由中央像素朝向四周像素平滑扩散。
11.一种非暂态存储媒体，用于存储一程式，其特征在于，该程式在被一处理单元执行时，可进行如权利要求1至7中任一项所述的操作。
CN201710854142.8A 2017-09-20 2017-09-20 视频的焦点分布的分析系统、分析方法及存储媒体 Pending CN109525868A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710854142.8A CN109525868A (zh) 2017-09-20 2017-09-20 视频的焦点分布的分析系统、分析方法及存储媒体

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710854142.8A CN109525868A (zh) 2017-09-20 2017-09-20 视频的焦点分布的分析系统、分析方法及存储媒体

Publications (1)

Publication Number Publication Date
CN109525868A true CN109525868A (zh) 2019-03-26

Family

ID=65767950

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710854142.8A Pending CN109525868A (zh) 2017-09-20 2017-09-20 视频的焦点分布的分析系统、分析方法及存储媒体

Country Status (1)

Country Link
CN (1) CN109525868A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113365138A (zh) * 2021-06-28 2021-09-07 北京百度网讯科技有限公司 内容展示方法、装置、电子设备、存储介质以及程序产品
CN117376611A (zh) * 2023-12-04 2024-01-09 龙视传媒有限公司 一种贴片广告插入方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010103718A (ja) * 2008-10-23 2010-05-06 Fujitsu Ltd 広告挿入ｖｏｄ配信方法及びｖｏｄサーバ
US20110179356A1 (en) * 2010-01-20 2011-07-21 Verizon Patent And Licensing, Inc. Methods and Systems for Dynamically Inserting an Advertisement into a Playback of a Recorded Media Content Instance
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
US9357175B2 (en) * 2005-11-01 2016-05-31 Arris Enterprises, Inc. Generating ad insertion metadata at program file load time
CN106303621A (zh) * 2015-06-01 2017-01-04 北京中投视讯文化传媒股份有限公司 一种视频广告的插入方法和装置
CN106851396A (zh) * 2016-09-29 2017-06-13 创意引晴(开曼)控股有限公司 以电脑视觉基础实现的自动广告中插及播放方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9357175B2 (en) * 2005-11-01 2016-05-31 Arris Enterprises, Inc. Generating ad insertion metadata at program file load time
JP2010103718A (ja) * 2008-10-23 2010-05-06 Fujitsu Ltd 広告挿入ｖｏｄ配信方法及びｖｏｄサーバ
US20110179356A1 (en) * 2010-01-20 2011-07-21 Verizon Patent And Licensing, Inc. Methods and Systems for Dynamically Inserting an Advertisement into a Playback of a Recorded Media Content Instance
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
CN106303621A (zh) * 2015-06-01 2017-01-04 北京中投视讯文化传媒股份有限公司 一种视频广告的插入方法和装置
CN106851396A (zh) * 2016-09-29 2017-06-13 创意引晴(开曼)控股有限公司 以电脑视觉基础实现的自动广告中插及播放方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113365138A (zh) * 2021-06-28 2021-09-07 北京百度网讯科技有限公司 内容展示方法、装置、电子设备、存储介质以及程序产品
CN113365138B (zh) * 2021-06-28 2023-02-07 北京百度网讯科技有限公司 内容展示方法、装置、电子设备、存储介质
CN117376611A (zh) * 2023-12-04 2024-01-09 龙视传媒有限公司 一种贴片广告插入方法及系统
CN117376611B (zh) * 2023-12-04 2024-03-26 龙视传媒有限公司 一种贴片广告插入方法及系统

Similar Documents

Publication Publication Date Title
Zhang et al. Object-level video advertising: an optimization framework
Schwenzow et al. Understanding videos at scale: How to extract insights for business research
KR101816113B1 (ko) 컴퓨터 실행 방법, 시스템 및 컴퓨터 판독 가능 매체
CN104486649B (zh) 视频内容评级方法及装置
CN109117777A (zh) 生成信息的方法和装置
CN109657100A (zh) 视频集锦生成方法及装置、电子设备及存储介质
CN110390048A (zh) 基于大数据分析的信息推送方法、装置、设备及存储介质
CN110378732A (zh) 信息显示方法、信息关联方法、装置、设备及存储介质
CN106537390B (zh) 标识教育视频的呈现样式
Ul Haq et al. Personalized Movie Summarization Using Deep CNN‐Assisted Facial Expression Recognition
Sreeja et al. Towards genre-specific frameworks for video summarisation: A survey
CN107247919A (zh) 一种视频情感内容的获取方法及系统
CN109118288A (zh) 基于大数据分析的目标用户获取方法及装置
Moreira et al. Multimodal data fusion for sensitive scene localization
CN106921749A (zh) 用于推送信息的方法和装置
CN113761253A (zh) 视频标签确定方法、装置、设备及存储介质
CN108123972A (zh) 多媒体文件的分配方法及装置
EP3340073A1 (en) Systems and methods for processing of user content interaction
Chu et al. Event detection and highlight detection of broadcasted game videos
Zhao Analysis of TikTok’s success based on its algorithm mechanism
CN109525868A (zh) 视频的焦点分布的分析系统、分析方法及存储媒体
CN111581435B (zh) 一种视频封面图像生成方法、装置、电子设备及存储介质
WO2016125166A1 (en) Systems and methods for analyzing video and making recommendations
Tapu et al. DEEP-AD: a multimodal temporal video segmentation framework for online video advertising
Song et al. Finding epic moments in live content through deep learning on collective decisions

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: 20190326

WD01 Invention patent application deemed withdrawn after publication