CN111316662A - 图像显示设备及其操作方法 - Google Patents
图像显示设备及其操作方法 Download PDFInfo
- Publication number
- CN111316662A CN111316662A CN201880071783.9A CN201880071783A CN111316662A CN 111316662 A CN111316662 A CN 111316662A CN 201880071783 A CN201880071783 A CN 201880071783A CN 111316662 A CN111316662 A CN 111316662A
- Authority
- CN
- China
- Prior art keywords
- user
- advertisement
- display area
- data
- image display
- 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
- 238000000034 method Methods 0.000 title claims description 57
- 238000013528 artificial neural network Methods 0.000 claims abstract description 56
- 238000012549 training Methods 0.000 claims description 115
- 230000004044 response Effects 0.000 claims description 22
- 238000006243 chemical reaction Methods 0.000 claims description 17
- 230000006870 function Effects 0.000 abstract description 15
- 238000013473 artificial intelligence Methods 0.000 abstract description 13
- 238000010801 machine learning Methods 0.000 abstract description 5
- 238000013135 deep learning Methods 0.000 abstract description 4
- 210000004556 brain Anatomy 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 29
- 238000012545 processing Methods 0.000 description 13
- 238000011156 evaluation Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 7
- 230000003287 optical effect Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 239000012141 concentrate Substances 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000003321 amplification Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003199 nucleic acid amplification method Methods 0.000 description 2
- 238000003825 pressing Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007654 immersion Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000011017 operating method Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000008685 targeting Effects 0.000 description 1
- 239000010409 thin film Substances 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 238000012384 transportation and delivery Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
- H04N21/45—Management operations performed by the client for facilitating the reception of or the interaction with the content or administrating data related to the end-user or to the client device itself, e.g. learning user preferences for recommending movies, resolving scheduling conflicts
- H04N21/466—Learning process for intelligent management, e.g. learning user preferences for recommending movies
- H04N21/4662—Learning process for intelligent management, e.g. learning user preferences for recommending movies characterized by learning algorithms
- H04N21/4666—Learning process for intelligent management, e.g. learning user preferences for recommending movies characterized by learning algorithms using neural networks, e.g. processing the feedback provided by the user
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
- H04N21/43—Processing of content or additional data, e.g. demultiplexing additional data from a digital video stream; Elementary client operations, e.g. monitoring of home network or synchronising decoder's clock; Client middleware
- H04N21/431—Generation of visual interfaces for content selection or interaction; Content or additional data rendering
- H04N21/4312—Generation of visual interfaces for content selection or interaction; Content or additional data rendering involving specific graphical features, e.g. screen layout, special fonts or colors, blinking icons, highlights or animations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
-
- 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
- G06Q30/0264—Targeted advertisements based upon schedule
-
- 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]
- H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
- H04N21/43—Processing of content or additional data, e.g. demultiplexing additional data from a digital video stream; Elementary client operations, e.g. monitoring of home network or synchronising decoder's clock; Client middleware
- H04N21/431—Generation of visual interfaces for content selection or interaction; Content or additional data rendering
- H04N21/4312—Generation of visual interfaces for content selection or interaction; Content or additional data rendering involving specific graphical features, e.g. screen layout, special fonts or colors, blinking icons, highlights or animations
- H04N21/4316—Generation of visual interfaces for content selection or interaction; Content or additional data rendering involving specific graphical features, e.g. screen layout, special fonts or colors, blinking icons, highlights or animations for displaying supplemental content in a region of the screen, e.g. an advertisement in a separate window
-
- 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
-
- 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
- H04N21/47—End-user applications
- H04N21/475—End-user interface for inputting end-user data, e.g. personal identification number [PIN], preference data
- H04N21/4755—End-user interface for inputting end-user data, e.g. personal identification number [PIN], preference data for defining user preferences, e.g. favourite actors or genre
-
- 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
-
- 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
Abstract
本公开涉及一种人工智能AI系统及其应用,该系统通过利用诸如深度学习的机器学习算法来模拟诸如识别和判断人脑的功能。根据实施例的图像显示设备包括:显示器;用于存储一个或多个指令的存储器;以及处理器,用于执行存储在存储器中的一个或多个指令,其中,处理器可以:通过执行一个或多个指令,基于使用一个或多个神经网络的第一学习模型,从用户的日志数据中确定是否是用于输出广告内容的建议时间;如果确定为用于输出广告内容的推荐时间,则基于使用一个或多个神经网络的第二学习模型,从用户的日志数据中确定广告显示区域的推荐属性;基于所确定的推荐属性,调整广告显示区域的属性;以及控制显示器在调整了属性的广告显示区域中输出广告内容。
Description
技术领域
本文描述的各种实施例涉及图像显示设备及其操作方法,并且更具体地,涉及图像显示设备输出(显示)广告内容的方法。
背景技术
对于现有技术中的广告内容,广播者预定的广告被批量输出。但是,随着互联网的发展,已经引入了一种系统,该系统考虑到用户的情况为各个用户输出不同形式的广告,而不是输出由广播公司预定的广告。在考虑用户情况而输出广告的情况下,因为确定用户的情况很重要,因此需要一种用于通过更准确地针对用户来输出广告的方法。
特别是随着人工智能(AI)技术的发展,已经研究了通过基于AI技术收集和分析关于用户情况的各种情境而向目标用户输出广告的方法。
AI系统是实现人类水平智能的计算机系统,与现有的基于规则的智能系统不同,AI系统允许机器通过自身去学习、确定并变得更智能。由于随着AI系统使用程度的增加,AI系统可以具有更高的识别率并且更准确地理解用户的好恶,因此现有的基于规则的智能系统已逐渐被基于深度学习的AI系统所取代。
AI技术包括机器学习(深度学习)和利用机器学习的基础技术。
机器学习是用于通过自身对输入数据的特征进行分类/学习的算法技术,而基础技术是用于通过使用例如深度学习的机器学习算法来模拟人脑的功能(例如识别和确定)的技术,并且可以包括例如语言理解、视觉理解、推理/预测、知识表达和运动控制的技术领域。
应用AI技术的各种领域如下。语言理解是用于识别和应用/处理人类语言/字符的技术,并且可以包括自然语言处理、机器翻译、对话系统、问答以及语音识别/合成。视觉理解是用于如人类视觉般识别和处理对象的技术,并且可以包括对象识别、对象跟踪、图像搜索、人类识别、场景理解、空间理解和图像改进。推理/预测是用于通过确定信息来进行逻辑推理和预测的技术,并且可以包括基于知识/概率的推理、优化预测、基于偏好的计划和推荐。知识表达是用于将人类经验信息自动处理为知识数据的技术,并且可以包括知识构建(数据生成/分类)和知识管理(数据利用)。运动控制是用于控制车辆的自动驾驶和机器人的运动的技术,并且可以包括运动控制(导航、碰撞和驾驶)和操作控制(行为控制)。
发明内容
技术问题
本文所述的各种实施例旨在通过考虑用户观看广告内容的偏好来调整广告显示区域的属性并在属性调整后的广告显示区域中输出广告内容来更有效地提供广告内容。
本文描述的各种实施例是考虑到用户的情况来确定用于输出广告内容的合适时间以及而被用户优选的广告显示区域的属性,并基于确定的结果在广告显示区域中输出广告内容。
问题的解决方案
根据实施例,一种图像显示设备包括:显示器;存储器,存储一个或多个指令;以及处理器,执行存储在存储器中的一个或多个指令,其中,处理器执行一个或多个指令以:基于使用一个或多个神经网络的第一训练模型,从用户的日志数据中确定是否是用于输出广告内容的推荐时间;当确定是用于输出广告内容的推荐时间时,基于使用一个或多个神经网络的第二训练模型,从用户的日志数据中确定广告显示区域的推荐属性;以及基于所述确定的推荐属性来调整所述广告显示区域的属性,并控制所述显示器在所述属性调整后的广告显示区域中输出所述广告内容。
附图说明
图1是示出了根据实施例的图像显示设备输出广告内容的示例的图。
图2是示出了根据实施例的图像显示设备的配置的框图。
图3是示出了根据另一实施例的图像显示设备的配置的框图。
图4a和图4b是示出了根据实施例的学习从用户的日志数据中确定是否是用于输出广告内容的推荐时间的方法以及确定广告显示区域的推荐属性的方法的神经网络的示例的图。
图5是示出了根据实施例的更新训练模型的过程的流程图。
图6a和图6b是示出了根据实施例的图像显示设备通过确定是否是用于输出广告内容的推荐时间来输出广告内容的示例的图。
图7a和图7b是示出了根据实施例的图像显示设备停止输出广告内容的示例的图。
图8a和图8b是示出了根据实施例的图像显示设备不同地设置广告显示区域的属性的示例的图。
图9是示出了根据实施例的图像显示设备的操作方法的流程图。
图10是示出了根据实施例的处理器的配置的框图。
图11是示出了根据实施例的数据学习器的配置的框图。
图12是示出了根据实施例的数据识别器的配置的框图。
图13是示出了根据实施例的服务器的配置的框图。
图14是示出了根据实施例的图像显示设备和服务器通过彼此交互工作来学习和识别数据的示例的图。
具体实施方式
根据实施例,一种图像显示设备包括:显示器;存储器,存储一个或多个指令;以及处理器,执行存储在存储器中的一个或多个指令,其中,处理器执行一个或多个指令:基于使用一个或多个神经网络的第一训练模型,从用户的日志数据中确定是否是用于输出广告内容的推荐时间;当确定是用于输出广告内容的推荐时间时,基于使用一个或多个神经网络的第二训练模型,从用户的日志数据中确定广告显示区域的推荐属性;以及基于所述确定的推荐属性调整所述广告显示区域的属性,并控制所述显示器在所述属性调整后的广告显示区域中输出所述广告内容。
根据实施例,广告显示区域的属性包括广告显示区域的位置、大小、或形式以及在广告显示区域中输出的广告内容的形式中的至少一个。
根据实施例,用户的日志数据可以包括观看历史信息、关于广告显示区域的用户的反应信息以及应用使用信息中的至少一个。
根据实施例,观看历史信息可以包括由用户观看的频道、节目名称、观看时间、指示频道切换事件发生的信息以及指示与电子节目指南(EPG)有关的事件发生的信息中的至少一个,关于广告显示区域的用户的反应信息可以包括是否已经观看了在广告显示区域中输出的广告内容、在广告内容中观看部分的比例、以及指示是否接收到用于选择广告显示区域的外部输入的信息中的至少一个,以及应用使用信息可以包括使用的应用的名称、应用使用时间、使用的应用的类别以及应用使用频率中的至少一个。
根据实施例,响应于生成频道切换事件、EPG搜索事件和应用执行事件之一的用户输入,处理器可以执行一个或多个指令以确定是否是用于输出广告内容的推荐时间。
根据实施例,响应于用户的日志数据到一个或多个神经网络的输入,通过学习用户的日志数据和用于输出广告内容的推荐时间之间的相关性可以来确定第一训练模型,并且响应于用户的日志数据到一个或多个神经网络的输入通过学习用户的日志数据和广告显示区域的推荐属性之间的相关性可以来确定第二训练模型。
根据实施例,当确定不是用于输出广告内容的推荐时间时,处理器可以执行一个或多个指令以停止输出广告内容。
根据实施例,当确定不是用于输出广告内容的推荐时间时,处理器可以执行一个或多个指令以停用广告显示区域。
根据实施例,根据用户对通过显示器输出的广播内容的专注度来,用于输出广告内容的推荐时间被不同地确定。
根据实施例,处理器可以执行一个或多个指令:响应于生成关于图像显示设备的事件的用户输入,生成与该生成的事件相对应的日志数据;以及当生成的日志数据被输入到一个或多个神经网络时,更新第一训练模型和第二训练模型中的至少一个。
根据实施例,一种图像显示方法包括:基于使用一个或多个神经网络的第一训练模型,从用户的日志数据中确定是否是用于输出广告内容的推荐时间;当确定是用于输出广告内容的推荐时间时,基于使用一个或多个神经网络的第二训练模型,从用户的日志数据中确定广告显示区域的推荐属性;以及基于所确定的推荐属性来调整所述广告显示区域的属性,并在属性调整后的广告显示区域中输出所述广告内容。
公开方式
在下文中,将参考附图详细地描述本公开的实施例,使得本领域普通技术人员可以容易地实施实施例。然而,本公开可以以许多不同形式来体现,并且不应被为解释为限于本文所阐述的实施例。另外,为了清楚地描述本公开,附图中将省去与本公开的描述无关的部分,并且贯穿本说明书,相似的附图标记将表示相似的元件。
本文使用的术语是考虑到关于本公开的功能当前在本领域中广泛使用的那些通用术语,但是术语可以根据本领域普通技术人员的意图、先例或本领域的新技术而表示各种其他术语。因此,本文使用的术语不应仅由术语的名称来解释,而应基于贯穿本公开的术语和内容的含义来解释。
此外,本文使用的术语仅用于描述具体实施例,并不意在限制本公开。如本文中使用的,单数形式“一”、“一个”和“所述”意图还包括复数形式,除非上下文明确地给出相反的指示。此外,贯穿本说明书,当一元件被称为“连接”到另一元件时,它可以直接连接该另一个元件,或者可以在中间有一个或多个中间元件的情况下“电连接”到该另一个元件。而且,除非另有说明,否则当某物被称为“包括”一个组件时,还可以包括另一组件。
如本文中特别在权利要求书中所使用的,“所述”等可以指单数和复数。此外,当没有明确指定在根据本公开的方法中描述的操作的顺序的描述时,可以以适当的顺序执行所描述的操作。本公开的范围不限于所描述的操作顺序。
在本说明书中的各个地方出现的短语“在一些实施例中”或“在实施例中”可能不一定全指代同一实施例。
可以根据功能块组件和各种处理操作来表示本公开的一些实施例。这些功能块中的一些或全部可以通过执行具体功能的任何数量的硬件和/或软件组件来实现。例如,本公开的功能块可以由一个或多个微处理器来实现,或可以由用于特定功能的电路组件来实现。此外,例如,本公开的功能块可以以各种编程或脚本语言来实现。功能块可以通过在一个或多个处理器中执行的算法来实现。此外,本公开可以采用用于电子环境配置、信号处理和/或数据处理的相关技术。诸如“机构”、“元件”、“单元”和“配置”之类的术语可以广义地使用,并且不限于机械和物理配置。
此外,附图中示出的元件之间的连接构件或连接线仅表示功能连接和/或物理或逻辑连接的示例。在实际的装置中,元件之间的连接可以通过各种替代或附加的功能连接、物理连接或逻辑连接来表示。
在下文中,将参考附图详细地描述本公开。
图1是示出了根据实施例的图像显示设备输出(显示)广告内容的示例的图。
参考图1,图像显示设备100可以是但不限于电视(TV),并且可以被实现为包括显示器的电子设备。例如,图像显示设备100可以被实现为各种电子设备,例如便携式电话、平板个人计算(PC)、数码相机、摄像机、笔记本计算机(膝上型计算机)、台式机、电子书终端、数字广播终端、个人数字助手(PDA)、便携式多媒体播放器(PMP)、导航设备、MP3播放器和可穿戴设备。此外,图像显示设备100可以是固定类型或移动类型,并且可以是能够接收数字广播的数字广播接收器。
图像显示设备100不仅可以被实现为平面显示设备,而且可以被实现为具有曲率的屏幕的曲面显示设备或具有可调节曲率的柔性显示设备。图像显示设备100的输出分辨率可以包括例如高清(HD)、全HD、超HD或比超HD清晰的分辨率。
图像显示设备100可以由控制设备101控制,并且控制设备101可以被实现为用于控制图像显示设备100的各种类型的设备,例如遥控器或移动电话。替代地,当图像显示设备100的显示器被实现为触摸屏时,控制设备101可以被用户的手指、输入笔等代替。
此外,控制设备101可以通过使用包括红外或蓝牙的近场通信来控制图像显示设备100。控制设备101可以通过使用所提供的按键(包括按钮)、触摸板、能够接收用户语音的麦克风(未示出)以及能够识别控制设备100的运动的传感器(未示出)中的至少一个,来控制图像显示设备100的功能。
控制设备101可以包括用于打开或关闭图像显示设备100的电力的打开/关闭按钮。此外,控制设备101可以根据用户输入来改变图像显示设备100的频道、调节音量、选择地面广播/有线广播/卫星广播或设置环境。
此外,控制设备101可以是指点设备。例如,当接收到具体按键输入时,控制设备101可以作为指点设备进行操作。
如本文所使用的,术语“用户”可以指通过使用控制设备101来控制图像显示设备100的功能或操作的人,并且可以包括观察者、管理者或安装者。
根据实施例,图像显示设备100可以在包括显示器的部分区域在内的广告显示区域103中显示广告内容。
根据实施例,广告显示区域103可以是在图像显示设备100的显示器上输出广告内容的区域,并且可以被称为广告清单。例如,如图1所示,广告显示区域103可以包括位于显示器底部处的部分区域。此外,广告显示区域103的位置、大小和形式可以根据实施例而变化。例如,广告显示区域103可以包括位于显示器的顶部、底部、左侧和右侧中的至少一处的部分区域,并且广告显示区域103的形式可以包括但不限于固定在显示器上具体位置的形式、弹出窗口移动的形式或设置透明度的形式。此外,根据实施例,图像显示设备100可以在广告显示区域103中输出不同形式的广告内容。例如,在广告显示区域103中输出的广告内容可以包括视频形式、静止图像形式、动画形式和文本形式中的至少一种,并且可以根据实施例而变化。
针对广告显示区域103的属性,包括广告显示区域103的位置、大小或形式以及在广告显示区域103中输出的广告内容的形式,广告显示区域103的优选属性可以根据用户而变化。例如,经常观看视频内容的用户可能会偏好视频形式的广告内容,并且可以根据用户的年龄优选文本形式的广告内容。因此,根据实施例,图像显示设备100可以通过考虑用户观看广告内容的偏好来调整广告显示区域的属性并且在属性调整后的广告显示区域中输出广告内容来更有效地提供广告内容。
此外,当在用户正专注于观看通过图像显示设备100输出的广播内容的同时在广告显示区域103中输出广告内容时,可能会干扰用户对广播内容的沉浸感,并且用户可能对输出的广告内容有负面的感知。另一方面,当在用户不专注于当前输出的广播内容的同时在广告显示区域103中输出广告内容时,用户可能对输出的广告内容更感兴趣。例如,用户可以处于通过使用在图像显示设备100的显示器上显示的频道列表102来搜索另一频道的状态。在这种情况下,用户可能处于不专注于当前输出的广播内容的状态,并且可能对广告显示区域103中输出的广告内容更感兴趣。
因此,为了在不干扰用户观看广播内容的情况下提高广告效果,考虑用户的情况,可需要以下一种方法:确定用于输出广告内容的适当时间和由用户优选的广告显示区域的属性,并基于确定结果在广告显示区域中输出广告内容。
图2是示出了根据实施例的图像显示设备的配置的框图。
图2所示的图像显示设备100a可以是图1所示的图像显示设备100的实施例。参考图2,根据实施例的图像显示设备100a可以包括存储器210、处理器220和显示器230。然而,图像显示设备100a可以由比示出的组件多的组件来实现,并且不限于以上示例。
下面将依次描述上述组件。
根据实施例,存储器210可以存储用于处理和控制处理器220的操作的一个或多个程序,并且可以存储输入到图像显示设备100a的或从图像显示设备100a输出的数据。
存储器210可以包括以下类型的存储介质中的至少一种:闪存类型、硬盘类型、微型多媒体卡类型、卡类型存储器(例如,SD或XD存储器)、随机存取存储器(RAM)、静态随机存取存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘和光盘。
根据实施例,存储器210可以包括包括一个或多个指令的模块,该指令用于基于使用一个或多个神经网络的第一训练模型从用户的日志数据中来确定是否是用于输出广告内容的推荐时间;当确定是用于输出广告内容的推荐时间时,基于使用一个或多个神经网络的第二训练模型,从用户的日志数据中确定广告显示区域的推荐属性;以及基于确定的推荐属性调整广告显示区域的属性,并在属性调整后的广告显示区域中输出广告内容。
根据实施例,存储器210可以存储使用图像显示设备100a的用户的日志数据。
用户的日志数据可以包括用户的观看历史信息、关于广告显示区域的用户的反应信息以及应用使用信息中的至少一个,但是不限于此。用户的观看历史信息可以包括,例如用户通过图像显示设备100观看的频道、节目名称、观看时间、指示是否发生频道切换事件的信息以及指示是否输入了电子节目指南(EPG)的信息中的至少一个。关于广告显示区域103的用户的反应信息可以包括但不限于以下信息中的至少一个:指示用户是否从开始到结束观看了在广告显示区域103中输出的广告内容的信息、指示用户是否已停用输出广告内容的广告显示区域103的信息、用户观看时间在广告内容的总播放时间中所占的比例以及指示用户是否已选择广告内容以检查广告内容的详细信息的信息。
此外,应用使用信息可以包括但不限于可以通过图像显示设备100a执行的多个应用中使用的应用的名称、应用使用时间以及应用使用频率中的至少一个。包括观看历史信息、关于广告显示区域的用户的反应信息和应用使用信息中的至少一个在内的用户的日志数据可以被存储,并且存储的用户的日志数据可以被使用来确定用于输出广告内容的推荐时间和广告显示区域的推荐属性。
处理器220可以控制图像显示设备100a的整体操作。例如,通过执行存储在存储器210中的一个或多个指令,处理器220可以控制显示器230并执行图1至图14中描述的图像显示设备100a的功能。
根据实施例,处理器220可以基于使用一个或多个神经网络的第一训练模型,从用户的日志数据中确定是否是用于输出广告内容的推荐时间。
用于输出广告内容的推荐时间可以是用户可能对输出的广告内容感兴趣的时间。例如,当在用户专注于观看当前输出的广播内容的同时输出广告内容时,可能阻止用户观看广播内容。然而,当在用户不专注于当前输出的广播内容的同时输出广告内容时,用户可能对输出的广告内容更感兴趣。因此,用于输出广告内容的推荐时间可以是但不限于用户不相对专注于当前输出的广播内容的时间、用户可能对广告内容感兴趣的时间以及可以预期有相对较高的广告效果的时间。
神经网络可以包括一组算法,该一组算法用于基于人工智能学习从输入到神经网络的用户的日志数据中确定是否是用于输出广告内容的时间的方法。例如,神经网络可以基于使用特定用户的日志数据作为输入值的监督学习来学习从用户的日志数据中确定是否是用于输出广告内容的推荐时间的方法。此外,通过学习从用户的日志数据中来确定是否是用于输出广告内容的推荐时间所必须的数据类型,而无需自身的具体监督,基于用于寻找用于确定是否是用于输出广告内容的推荐时间的模式的无监督学习,神经网络可以学习从用户的日志数据中确定是否是用于输出广告内容的时间的方法。此外,例如,通过使用强化学习,该方法使用关于根据学习确定是否是用于输出广告内容的推荐时间的结果是否正确的反馈,神经网络可以学习从用户的日志数据中确定是否是用于输出广告内容的推荐时间的方法。
例如,当发生了用于改变频道的频道切换事件时,可以基于用户的日志数据来不同地确定是否是用于输出广告内容的推荐时间。例如,当当前输出的广播内容是足球比赛时,经常观看足球比赛的用户可以比经常观看戏剧的用户对足球比赛的专注度更高。因此,即使当经常观看足球比赛的用户在观看足球比赛的同时生成频道切换事件时,处理器220也可以确定不是用于输出广告内容的推荐时间。然而,当经常观看戏剧的用户在观看足球比赛的同时生成频道切换事件时,处理器220可以确定用户没有专注于观看足球比赛,并且确定是用于输出广告内容的推荐时间。
基于第一训练模型确定是否是用于输出广告内容的推荐时间的结果可以是例如“是”或“否”的形式,或者可以是将其推荐程度划分为多个等级并将特定值映射到每个等级的形式。例如,推荐程度可以以百分比的形式表示,并且更高的推荐程度可以被映射为更大的值。
根据实施例,当确定是用于输出广告内容的推荐时间时,处理器220可以基于使用一个或多个神经网络的第二训练模型,从用户的日志数据中确定广告显示区域的推荐属性。
如上所述,广告显示区域的属性可以包括广告显示区域的位置、大小或形式以及在广告显示区域中输出的广告内容的形式中的至少一个。
根据实施例,处理器220可以从用户的日志数据中确定用户偏好的广告显示区域的属性。
响应于用户的日志数据到一个或多个神经网络的输入,通过学习用户的日志数据和广告显示区域的推荐属性之间的相关性来确定第二训练模型。例如,第二训练模型可以基于输入的用户的日志数据来确定用户已反应的广告显示区域的属性。例如,当以弹出窗口的形式在广告显示区域中输出广告内容时,用户选择广告内容以检查其详细信息的次数可以大于或等于阈值,并且当在固定在显示器230底部的广告显示区域中输出广告内容时,用户选择广告内容的次数可以是0。在这种情况下,可以确定用户相对偏好弹出窗口形式的广告显示区域,并且处理器220可以将弹出窗口形式确定为广告显示区域的推荐属性。
根据实施例,处理器220可以基于所确定的推荐属性来调整广告显示区域的属性,并且控制显示器230以在属性调整后的广告显示区域中输出广告内容。如上所述,当将弹出窗口形式确定为广告显示区域的推荐属性时,处理器220可以将广告显示区域调整为弹出窗口形式,并控制显示器230在调整后的广告显示区域中输出广告内容。
根据实施例,显示器230可以在属性调整后的广告显示区域中输出广告内容。
当显示器230被实现为触摸屏时,显示器230除输出设备之外还可以作为输入设备。例如,显示器230可以包括液晶显示器(LCD)、薄膜晶体管-液晶显示器(TFT-LCD)、有机发光二极管(OLED)显示器、柔性显示器、三维(3D)显示器和电泳显示器中的至少一个。此外,根据实施例,图像显示设备100a可以包括两个或更多个显示器230。
图3是示出了根据另一实施例的图像显示设备的配置的框图。
参考图3,图像显示设备100除了存储器210、处理器220和显示器230之外,还可以包括调谐器140、通信器150、传感器160、输入/输出单元170、视频处理器180、音频处理器115、音频输出单元125和用户输入单元190。
关于存储器210、处理器220和显示器230,与图2中相同的描述在图3中被省略。
调谐器140可以通过放大、混合和/或谐振来处理通过有线或无线接收的广播信号,并且可以在多个波分量中仅调谐和选择要由图像显示设备100a接收的频道的频率。广播信号可以包括音频、视频和附加信息(例如,电子节目指南(EPG))。
通过调谐器140接收的广播信号可以通过解码(例如,音频解码、视频解码或附加信息解码)被划分为音频、视频和/或附加信息。音频、视频和/或附加信息可以在处理器220的控制下存储在存储器210中。
图像显示设备100a的调谐器140可以是单个或多个。调谐器140可以相对于图像显示设备100a实现为一体式,或者可以实现为连接到输入/输出单元170的调谐器(未示出)或包括电连接到图像显示设备100a的调谐器的单独的设备(例如,机顶盒)(未示出)。
在处理器220的控制下,通信器150可以将图像显示设备100b连接到外部设备(例如,音频设备)。处理器220可以向通过通信器150连接的外部设备发送内容/从外部设备接收内容,从外部设备下载应用或者执行网络浏览。
与图像显示设备100的性能和结构相对应,通信器150可以包括无线局域网(LAN)151、蓝牙152和有线以太网153中的任何一个。此外,通信器150可以包括无线LAN 151、蓝牙152和有线以太网153的任何组合。在处理器220的控制下,通信器150可以接收控制设备101的控制信号。控制信号可以被实现为蓝牙类型、射频(RF)信号类型或者WiFi类型。
除了蓝牙之外,通信器150还可以包括其他短距离通信(例如,近场通信(NFC)(未示出)和蓝牙低功耗(BLE)(未示出))。
根据实施例,通信器150可以络从外部服务器接收使用一个或多个神经网的第一训练模型和第二训练模型。此外,通信器150可以在每个预设时段从外部服务器接收新的虚拟图像,以便更新存储在数据库中的虚拟图像。
传感器160可以感测用户的语音、用户的图像或用户的交互,并且可以包括麦克风161、相机162和光接收器163。
麦克风161可以接收用户的话语语音。麦克风161可以将接收到的语音转换为电信号,并将电信号输出到处理器220。
相机162可以在相机识别范围内接收与包括手势在内的用户运动相对应的图像(例如,连续帧)。
光接收器163可以接收从控制设备101接收的光信号(包括控制信号)。光接收器163可以从控制设备101接收与用户输入(例如,触摸、按压、触摸手势、语音或运动)相对应的光信号。在处理器220的控制下,可以从所接收的光信号中提取控制信号。
根据实施例,光接收器163可以从控制设备101接收光信号,对应于用于改变显示器230上显示的频道列表上的频道的用户输入、用于执行应用的用户输入、用于搜索EPG的用户输入、或用于选择在广告显示区域中输出的广告内容以便检查其详细信息的用户输入。
在控制器220的控制下,输入/输出单元170可以例如从图像显示设备100b的外部接收视频(例如,运动图像)、音频(例如,语音或音乐)和附加信息(例如,EPG)。输入/输出单元170可以包括HDMI(高清多媒体接口)端口171、组件插孔172、PC端口173和USB(通用串行总线)端口174中的任何一个。输入/输出单元170可以包括HDMI端口171、组件插孔172、PC端口173和USB端口174的任何组合。
根据实施例,存储器210可以存储用于处理和控制处理器220的操作的一个或多个程序,并且可以存储输入到图像显示设备100b或从图像显示设备100b输出的数据。
存储器210中存储的程序根据其功能可以包括多个模块,并且可以包括例如学习模块211。
根据实施例,学习模块211可以包括第一训练模型,该第一训练模型通过响应于用户的日志数据到一个或多个神经网络的输入而学习用户的日志数据和用于输出广告内容的推荐时间之间的相关性来确定。可以从外部服务器接收第一训练模型,并且可以将接收到的第一训练模型存储在学习模块211中。
此外,学习模块211可以包括第二训练模型,该第二训练模型通过响应于用户的日志数据到一个或多个神经网络的输入而学习用户的日志数据和广告显示区域的推荐属性之间的相关性来确定。类似于第一训练模型,可以从外部服务器接收第二训练模型,并且可以将接收到的第二训练模型存储在学习模块211中。
处理器220可以控制图像显示设备100b的总体操作以及图像显示设备100b的内部组件之间的信号流,并执行数据处理功能。当存在用户输入或预设的存储条件得到满足,则处理器220可以执行储存器210中存储的各种应用和操作系统(OS)。
根据实施例,通过执行存储在存储器210中的一个或多个指令,处理器220可以基于使用一个或多个神经网络的第一训练模型从用户的日志数据中来确定是否是用于输出广告内容的推荐时间;当确定是用于输出广告内容的推荐时间时,基于使用一个或多个神经网络的第二训练模型,从用户的日志数据中确定广告显示区域的推荐属性;以及基于确定的推荐属性来调整广告显示区域的属性,并在属性调整后的广告显示区域中输出广告内容。
视频处理器180可以处理要由显示器230显示的图像数据,并且可以对图像数据执行各种图像处理操作,比如解码、渲染、缩放、噪声滤波、帧速率转换和分辨率转换。
显示器230可以在处理器220的控制下,显示包括在通过调谐器140接收的广播信号中的视频。此外,显示器230可以显示通过输入/输出单元170或通信器150输入的内容(例如,运动图像或广播内容)。显示器230可以在处理器220控制下输出存储器210中存储的图像。
音频处理器115可以执行处理音频数据。音频处理器115可以对音频数据执行各种处理,例如解码、放大和噪声过滤。
在处理器220的控制下,音频输出单元125可以输出包括在通过调谐器140接收的广播信号中的音频、通过通信器150或输入/输出单元170输入的音频或存储在存储器210中的音频。音频输出单元125可以包括扬声器126、耳机输出端口127和S/PDIF(索尼/飞利浦数字接口)输出端口128的至少一个。
用户输入单元190可以是用户通过其输入用于控制图像显示设备100b的数据的单元。例如,用户输入单元190可以包括键盘、圆顶开关、触摸板、滚轮和/或滚轮开关,但不限于此。
此外,用户输入单元190可以是上述控制设备101的组件或图像显示设备100b的组件。
根据实施例,用户输入单元190可以接收用于选择在广告显示区域中输出的广告内容的输入。此外,用户输入单元190可以接收用于基于显示在显示器230上的EPG或频道列表来改变频道的输入。例如,当用户输入单元190包括键盘或圆顶开关时,可以通过用于点击或按下与具体频道相对应的数字键的输入或者用于点击或按下频道列表上的方向键的输入来改变频道;然而,本公开不限于此。
同时,图2和图3所示的图像显示设备100a和100b的框图是实施例的框图。框图的每个组件可以根据实际实现的图像显示设备100a和100b的规范而集成、添加或省略。也即,在必要时,两个或更多个组件可以组合成一个组件,或者一个组件可以被分为两个或更多个组件。此外,在每个块中执行的功能是为了描述实施例,并且其具体操作或设备并不旨在限制本公开的范围。
图4a和图4b是示出了根据实施例的学习从用户的日志数据中确定是否是用于输出广告内容的推荐时间的方法以及确定广告显示区域的推荐属性的方法的神经网络的示例的图。
参考图4a,神经网络400可以学习通过使用用户的日志数据作为输入值来确定是否是用于输出广告内容的推荐时间的方法。例如,神经网络400可以从包括观看历史信息410、关于广告显示区域的用户反应信息411、应用使用信息412和关于图像显示设备100的事件发生信息413的用户的日志数据中学习确定是否是用于输出广告内容的推荐时间的方法。如上所述,观看历史信息410可以包括指示用户观看的广播频道名称、广播内容的标题和/或其观看时间的信息,并且关于广告显示区域的用户的反应信息411可以包括指示当在广告显示区域中输出广告内容时是否接收到用于选择广告内容的用户输入和/或是否接收到用于使广告显示区域停用的用户输入的信息;然而,本公开不限于此。此外,应用使用信息412可以包括指示由用户执行的应用类型、每个应用使用的使用频率、由用户新安装的应用类型和/或应用的使用时间的信息;然而,本公开不限于此。响应于包括观看历史信息410、关于广告显示区域的用户的反应信息411和应用使用信息412中的至少一个在内的用户的日志数据的输入,一个或多个神经网络可以学习确定是否是用于输出广告内容的推荐时间的方法,并且可以基于学习结果生成第一训练模型420。
根据一些实施例,可以预先执行通过使用一个或多个神经网络400学习从用户的日志数据中确定是否是用于输出广告内容的推荐时间的方法的操作。此外,当一些用户的日志数据被改变时,第一训练模型420可以被更新。例如,当用户通过图像显示设备100频繁地在阈值水平上观看新类别的广播内容(例如,宗教广播)时,改变的观看历史信息410可以用作训练数据。
此外,在每个特定时段,指示响应于用户输入在图像显示设备100中发生的事件的用户的日志数据可以被存储在图像显示设备100的存储器210中,并且所存储的用户的日志数据可以在每个特定时段输入到一个或多个神经网络400,然后用作训练数据。
可以将所有的用户的日志数据输入到一个或多个神经网络400,并且根据实施例,可以将用户的日志数据中满足特定标准的日志数据选择性地输入到一个或多个神经网络400。例如,在用户的日志数据中,可以过滤关于事件的发生计数大于或等于阈值的事件的日志数据,并且可以将过滤后的日志数据输入到一个或多个神经网络400,然后用作训练数据;然而,本公开不限于此。当添加新的训练数据时,一个或多个神经网络400可以重新学习从训练数据中确定是否是用于输出广告内容的推荐时间的方法,因此,可以更新第一训练模型420。
此外,根据实施例,通过使用一个或多个神经网络400学习从用户的日志数据中确定是否是用于输出广告内容的推荐时间的方法的操作可以在图像显示没备100中被执行或者可以在外部服务器中被执行。例如,通过使用一个或多个神经网络400学习从用户的日志数据中确定是否是用于输出广告内容的推荐时间的方法的操作可能需要相对复杂的计算。因此,外部服务器可以执行学习操作,并且图像显示设备100可以从外部服务器接收第一训练模型420,从而减少了要在图像显示设备100中执行的计算量。图像显示设备100可以预先从外部服务器接收第一训练模型420,将其存储在存储器中,并通过使用所存储的第一训练模型420从用户的日志数据中确定是否是用于输出广告内容的推荐时间。
参考图4b,神经网络400可以学习通过使用用户的日志数据作为输入值来确定广告内容的推荐属性的方法。
响应于包括观看历史信息410、关于广告显示区域的用户的反应信息411和应用使用信息412中的至少一个的用户的日志数据的输入,一个或多个神经网络可以学习确定广告内容的推荐属性的方法,并且可以基于学习结果生成第二训练模型430。
此外,根据实施例,一个或多个神经网络400可以选择性地使用学习必要的相应数据,以学习从输入的用户的日志数据中确定是否是用于输出广告内容的推荐时间的方法以及学习确定广告内容的推荐属性的方法。因此,根据实施例,可以使用不同的数据来学习确定是否是用于输出广告内容的推荐时间的方法以及学习确定广告内容的推荐属性的方法。
图5是示出了根据实施例的更新训练模型的过程的流程图。
根据实施例,通过使用一个或多个神经网络学习从用户的日志数据中确定是否是用于输出广告内容的推荐时间以及确定广告内容的推荐属性的方法的操作、和更新第一训练模型和通过学习操作生成的第二训练模型的操作可以在外部服务器中被执行。
在操作S500中,根据实施例的图像显示设备100可以接收生成特定事件的外部输入。该特定事件可以是响应于从控制设备101接收到的用户输入而在图像显示设备100中发生的事件。例如,特定事件可以包括但不限于,改变频道的事件、通过图像显示设备100执行应用的事件、显示EPG的事件、选择在广告显示区域中输出的广告内容的事件以及停用广告显示区域的事件。
在操作S501中,图像显示设备100可以响应于接收到的外部输入来生成用户的日志数据。例如,当发生执行应用的事件时,图像显示设备100可以生成包括执行的应用的名称、应用的类别和应用使用时间的用户的日志数据;然而,本公开不限于此。
在操作S502中,图像显示设备100可以确定所生成的用户的日志数据是否是确定用于输出广告内容的时间或确定广告显示区域的推荐属性所必需的数据,并且当确定用户的日志数据是必要数据时可以存储用户的日志数据(操作S503)。
在操作S504中,图像显示设备100可以确定所存储的用户的日志数据是否满足用于更新预存储的第一训练模型和第二训练模型中的至少一个的标准。例如,在存储的用户的日志数据中,可以过滤关于事件的发生计数大于或等于阈值的事件的日志数据,并且可以使用过滤后的日志数据来更新第一训练模型和第二个训练模型中的至少一个。因此,第一训练模型和第二训练模型可以从更可靠的用户的日志数据中更准确地确定是否是用于输出广告内容的时间和广告显示区域的推荐属性。
在操作S505中,当确定存储的用户的日志数据满足用于更新预存储的第一训练模型和第二训练模型中的至少一个的标准时,图像显示设备100可以将存储的用户的日志数据发送到外部服务器。
在操作S510中,根据实施例的外部服务器可以从图像显示设备100接收用户的日志数据。此外,在操作S511中,外部服务器可以通过将接收到的用户的日志数据添加到用于学习的训练数据DB中来更新训练数据数据库(DB)。
在操作S512中,外部服务器可以基于更新的训练数据DB来更新第一训练模型和第二训练模型中的至少一个。此外,在操作S514中,外部服务器可以将第一训练模型和第二训练模型中的更新的训练模型发送到图像显示设备100。
此外,根据实施例的外部服务器可以在每个预设时段执行上述更新操作,并且该时段可以根据实施例而变化。
图6a和图6b是示出了根据实施例的图像显示设备通过确定是否是用于输出广告内容的推荐时间来输出广告内容的示例的图。
根据实施例,图像显示设备100可以基于第一训练模型从用户的日志数据中来确定是否是用于输出广告内容的时间。
参考图6a,图像显示设备100可以在显示器230上显示正在广播的戏剧ABC。图像显示设备100可以从控制设备101接收请求显示可执行应用列表的用户输入,并且响应于接收到的用户输入,在显示器230上显示应用列表600。此外,图像显示设备100可以从控制设备101接收在应用列表600中搜索可执行应用的用户输入。在这种情况下,关于图像显示设备的事件可以包括显示应用列表的事件和在应用列表中搜索可执行应用的事件。
图像显示设备100可以基于第一训练模型从用户的日志数据中确定用户当前是否专注于观看戏剧ABC。例如,在第一用户频繁观看戏剧ABC的情况下,即使当发生搜索与戏剧ABC无关的应用的事件时,图像显示设备100也可以确定第一用户正在专注于戏剧ABC上。然而,当在输出戏剧ABC的同时频繁观看高尔夫频道的第二用户产生了搜索应用的事件时,图像显示设备100可以确定第二用户没有专注于观看戏剧ABC。此外,即使在频繁观看戏剧ABC的第一用户的情况下,当在预定时间或更长时间内连续发生搜索应用的事件时,图像显示设备100也可以确定第一用户不专注于观看戏剧ABC。每个用户的日志数据(例如,第一用户的日志数据或第二用户的日志数据)可以包括关于每个用户频繁观看的频道、频繁观看的节目、观看时间、是否发生了搜索应用的事件和/或是否发生了搜索应用的事件发生的次数。因此,基于每个用户的日志数据,即使当发生相同事件时,图像显示设备100也可以不同地确定用于输出广告内容的推荐时间。
参考图6a,基于第一训练模型,当确定用户专注于观看戏剧ABC时,图像显示设备100可以确定不是用于输出广告内容的推荐时间。此外,图像显示设备100可以不激活广告显示区域,该广告显示区域是其中输出广告内容的区域。因此,图像显示设备100可以允许用户更多地专注于观看戏剧ABC。
与此不同,参考图6b,图像显示设备100可以响应于请求EPG 610的用户输入而在显示器230上显示EPG610。当在EPG610中搜索频道的事件连续发生时,图像显示设备100可以确定用户不专注于观看当前输出的广播内容。当确定用户不专注于观看正在输出的广播内容时,图像显示设备100可以确定是用于输出广告内容的推荐时间。
根据实施例,图像显示设备100可以基于第二训练模型从用户的日志数据中获取指示广告显示区域的推荐属性的信息。如上所述,广告显示区域的优选大小、位置和形式以及在广告显示区域中输出的广告内容的形式可以根据用户而变化。例如,第一用户可以偏好位于显示器230上右上方的广告显示区域,并且第二用户可以偏好弹出窗口形式的广告显示区域。此外,作为另一示例,第三用户可以偏好动画形式的广告内容,并且第四用户可以偏好文本形式的广告内容。
根据实施例,图像显示设备100可以基于通过学习用户的日志数据和广告显示区域的推荐属性之间的相关性而确定的第二训练模型,来确定用户偏好广告显示区域的哪个属性。例如,如图6b所示,用户可能偏好位于显示器230上右上方的广告显示区域620。例如,当在位于显示器230上右上方的广告显示区域620中显示广告内容时,当选择广告内容用于检查详细信息或观看广告内容到最后的频率高于在具有不同属性的广告显示区域中显示广告内容的情况下的频率时,可以确定用户偏好位于显示器230上右上方的广告显示区域620。
作为另一示例,当用户观看动画形式的广告内容到最后的可能性高于在输出不同形式的广告内容的情况下的可能性时,可以确定用户偏好动画形式的广告内容。在这种情况下,图像显示设备100可以输出动画形式的广告内容,从而允许用户对广告内容更感兴趣。
图7a和图7b是示出了根据实施例的图像显示设备停止输出广告内容的示例的图。
根据实施例,当在广告显示区域中正在输出广告内容时,当确定不是用于输出广告内容的推荐时间时,图像显示设备100可以停止输出广告内容。
例如,参考图7a,图像显示没备100可以在显示器230上转播足球比赛。在这种情况下,图像显示设备100可以响应于请求应用列表700的用户输入而在显示器230的部分区域中显示指示可执行应用的应用列表700。当从控制设备101接收到在应用列表700中搜索应用的用户输入时,图像显示设备100可以基于第一训练模型确定是否是用于输出广告内容的推荐时间。
当确定是用于输出广告内容的推荐时间时,图像显示设备100可以基于第二训练模型来确定广告显示区域的推荐属性。例如,如图7a所示,基于第二训练模型,图像显示设备100可以确定用户偏好位于显示器230的右侧并且设置了透明度的广告显示区域710。在这种情况下,广告显示区域710的推荐属性可以是指示位于显示器230的右侧并且设置了透明度的广告显示区域的信息。图像显示设备100可以基于确定的推荐属性调整广告显示区域的属性,并且在属性调整后的广告显示区域中输出广告内容。
然而,当正在输出广告内容时,图像显示设备100可以响应于特定用户输入而停用应用列表700或者可以不再在显示器230上显示应用列表700。在这种情况下,图像显示设备100可以基于第一训练模型确定是否不再是用于输出广告内容的推荐时间。
例如,如图7a所示,紧接在足球比赛开始后,用户可能不会专注于观看足球比赛,并且可能接收到搜索应用的用户输入。因此,图像显示设备100可以确定是用于输出广告内容的推荐时间,并且在广告显示区域中输出广告内容。
然而,如图7b所示,随着足球比赛的进行,用户可能专注于观看足球比赛,并且可能接收到请求停用应用列表700或不再输出应用列表700的用户输入。在这种情况下,图像显示设备100可以基于第一训练模型确定是否不再是用于输出广告内容的推荐时间。图像显示设备100可以确定用户专注于足球比赛并且停止输出广告内容,从而允许用户更多地专注于观看足球比赛。
图8a和图8b是示出了根据实施例的图像显示设备不同地确定广告显示区域的属性的示例的图。
如上所述,用户可以偏好具有不同属性的广告显示区域。因此,图像显示设备100可以确定指示用户偏好的属性的推荐属性,基于推荐属性调整广告显示区域的属性,并且在属性调整后的广告显示区域中输出广告内容。
参考图8a,图像显示设备100可以基于广告显示区域的推荐属性在显示器230上显示弹出窗口的形式的广告显示区域820。此外,图像显示设备100可以调整广告显示区域820的透明度,使得用户可以将在广告显示区域820中显示的广告内容和当前正在输出的广播内容(例如,足球比赛转播)800一起观看。
此外,参考图8b,图像显示设备100可以基于广告显示区域821的推荐属性来显示位于显示器230底部的广告显示区域821。例如,当广告显示区域821位于显示器230的底部时,用户观看广告内容到最后或选择广告内容以检查详细信息的频率可能相对较高。关于用户是否已经观看广告内容到最后或已经选择广告内容来检查详细信息的信息可以存储在用户的日志数据中。
图9是示出了根据实施例的图像显示设备的操作方法的流程图。
在操作S900中,图像显示设备100可以基于使用一个或多个神经网络的第一训练模型从用户的日志数据中确定是否是用于输出广告内容的推荐时间。
用户的日志数据可以包括用户的观看历史信息、关于广告显示区域的用户的反应信息以及应用使用信息中的至少一个,但是不限于此。用户的观看历史信息可以包括,例如用户通过图像显示设备100观看的频道、节目名称、观看时间、指示是否发生频道切换事件的信息以及指示是否输入了电子节目指南(EPG)的信息中的至少一个。关于广告显示区域的用户的反应信息可以包括但不限于以下信息中的至少一个:指示用户是否从开始到结束观看了在广告显示区域中输出的广告内容的信息、指示用户是否已停用输出广告内容的广告显示区域的信息、用户观看时间在广告内容的总播放时间中所占的比例以及指示用户是否已选择广告内容以检查广告内容的详细信息的信息。
根据实施例,当用于改变频道的频道切换事件已经发生时,图像显示没备100可以基于用户的日志数据不同地确定是否是用于输出广告内容的推荐时间。例如,当当前输出的广播内容是足球比赛时,经常观看足球比赛的用户可能比经常观看戏剧的用户对足球比赛的专注度更高。因此,即使当经常观看足球比赛的用户在观看足球比赛的同时生成频道切换事件时,处理器220也可以确定不是用于输出广告内容的推荐时间。然而,当频繁观看戏剧的用户在观看足球比赛时生成频道切换事件时,图像显示设备100可以确定用户没有专注于观看足球比赛,并且确定这是用于输出广告内容的推荐时间。
基于第一训练模型确定是否是用于输出广告内容的推荐时间的结果可以是例如“是”或“否”的形式,或者可以是将其推荐程度划分为多个等级并将特定值映射到每个等级的形式。例如,推荐程度可以以百分比的形式表示,并且更高的推荐程度可以被映射为更大的值。
在操作S910中,当确定是用于输出广告内容的推荐时间时,图像显示设备100可以基于使用一个或多个神经网络的第二训练模型从用户的日志数据中确定广告显示区域的推荐属性。
如上所述,广告显示区域的属性可以包括广告显示区域的位置、大小或形式以及在广告显示区域中输出的广告内容的形式中的至少一个。图像显示设备100可以从用户的日志数据中确定用户偏好的广告显示区域的属性。
在操作S920中,图像显示设备100可以基于确定的推荐属性来调整广告显示区域的属性,并且在操作S930中,图像显示设备100可以在属性调整后的广告显示区域中输出广告内容。如上所述,当将弹出窗口形式确定为广告显示区域的推荐属性时,图像显示设备100可以将广告显示区域调整为弹出窗口形式,并在调整后的广告显示区域中输出广告内容。
根据实施例,当在广告显示区域中正在输出广告内容时,当确定不是用于输出广告内容的推荐时间时,图像显示设备100可以停用广告显示区域并停止输出广告内容。
图10是示出了根据实施例的处理器的配置的框图。
参考图10,根据实施例的处理器220可以包括数据学习器1110和数据识别器1120。
数据学习器1110可以学习用于从用户的日志数据中确定是否是用于输出广告内容的推荐时间以及确定广告显示区域的推荐时间的标准。数据学习器1110可以学习关于使用用户的日志数据的哪些信息来从用户的日志数据中确定是否是用于输出广告内容的推荐时间的标准,并且确定广告显示区域的推荐时间。此外,数据学习器1110可以学习关于如何通过使用用户的日志数据确定是否是用于输出广告内容的推荐时间的标准、以及关于如何确定广告显示区域的推荐时间的标准。通过获取要用于学习的数据并将所获取的数据应用于下面所述的数据识别模型,数据学习器1110可以学习用于确定是否是用于输出广告内容的推荐时间并确定广告显示区域的推荐时间的标准。
数据识别器1120可以从用户的日志数据中确定是否是用于输出广告内容的推荐时间,确定广告显示区域的推荐属性,并且输出确定结果。通过使用训练后的数据识别模型,数据识别器1120可以从用户的日志数据中确定是否是用于输出广告内容的推荐时间,并确定广告显示区域的推荐属性。数据识别器1120可以根据通过学习预设的标准来获取用户的日志数据,并且可以通过使用获取的用户的日志数据作为输入值来使用数据识别模型。此外,通过使用数据识别模型,数据识别器1120可以从用户的日志数据中确定是否是用于输出广告内容的推荐时间,并确定广告显示区域的推荐属性。此外,由通过使用获取的用户的日志数据作为输入值的数据识别模型输出的结果值可以被用于更新数据识别模型。
数据学习器1110和数据识别器1120中的至少一个可以以至少一个硬件芯片的形式制造,并且可以安装在电子设备上。例如,数据学习器1110和数据识别器1120中的至少一个可以以用于人工智能(AI)的专用硬件芯片的形式来制造,或者可以被制造为通用处理器(例如,CPU或应用处理器)或图形处理器(例如,GPU)的一部分并被安装在上述各种电子设备上。
在这种情况下,数据学习器1110和数据识别器1120可以被安装在一个电子设备上或者在各个单独的电子设备上。例如,数据学习器1110和数据识别器1120中的一个可以包括在图像显示设备110中,并且另一个可以包括在服务器中。此外,通过有线或无线通信,数据学习器1110和数据识别器1120可以将由数据学习器1110构建的模型信息提供给数据识别器1120,并且可以将输入到数据识别器1120的数据作为附加训练数据来提供给数据学习器1110。
同时,数据学习器1110和数据识别器1120中的至少一个可以被实现为软件模块。当数据学习器1110或数据识别器1120中的至少一个被实现为软件模块(或包括指令的程序模块)时,软件模块可以存储在非暂时性计算机可读记录介质中。此外,在这种情况下,至少一个软件模块可以由操作系统(OS)或特定应用提供。替代地,至少一个软件模块中的一些可以由OS提供,其他的可以由特定应用提供。
图11是根据实施例的数据学习器的框图。
参考图11,根据实施例的数据学习器1110可以包括数据获取器1111、预处理器1112、训练数据选择器1113、模型训练器1114和模型评估器1115。
数据获取器1111可以获取训练必要的数据以从用户的日志数据中确定是否是用于输出广告内容的推荐时间,并确定广告显示区域的推荐属性。数据获取器1111可以从外部服务器例如社交网络服务器、云服务器或内容提供服务器获取数据。
数据获取器1111可以获取训练必要的用户的日志数据用于确定是否是用于输出广告内容的推荐时间以及确定广告显示区域的推荐属性。例如,数据获取器1111可以响应于通过控制设备101接收到的用户输入,当在图像显示设备100中发生特定事件时,获取用户的日志数据。
预处理器1112可以对获取的数据进行预处理,使得该数据可以用于训练以从用户的日志数据中确定是否是用于输出广告内容的推荐时间,并且确定广告显示区域的推荐属性。预处理器1112可以将获取的数据处理成预设格式,使得下面描述的模型训练器114可以使用获取的数据进行训练,以从用户的日志数据中确定是否是用于输出广告内容的推荐时间,并确定广告显示区域的推荐属性。例如,预处理器1112可以分析获取的用户的日志数据以检测每个日志数据的属性信息;然而,本公开不限于此。
训练数据选择器1113可以在预处理数据中选择训练必要的数据。可以将所选择的数据提供给模型训练器1114。训练数据选择器1113可以根据预设标准从预处理数据中选择训练必要的数据,以用于从用户的日志数据中确定是否是用于输出广告内容的推荐时间,并确定广告显示区域的推荐属性。此外,训练数据选择器1113可以根据通过下面描述的模型训练器1114的学习预设的标准来选择数据。
模型训练器1114可以学习关于将使用哪些训练数据来从用户的日志数据中确定是否是用于输出广告内容的推荐时间的准则,并确定广告显示区域的推荐属性。例如,模型训练器1114可以学习构成用户的日志数据的信息的类型、数量或级别来从用户的日志数据中确定是否是用于输出广告内容的推荐时间,并确定广告显示区域的推荐属性。
此外,模型训练器1114可以使用训练数据来训练数据识别模型,该数据识别模型用于从用户的日志数据中确定是否是用于输出广告内容的推荐时间以及确定广告显示区域的推荐属性。在这种情况下,数据识别模型可以是预先构建的模型。例如,数据识别模型可以是通过接收基本训练数据所预先构建的模型。
可以考虑识别模型的应用领域、学习目的或设备的计算机性能来构建数据识别模型。数据识别模型可以是例如基于神经网络的模型。例如,诸如深度神经网络(DNN)、递归神经网络(RNN)或双向递归深度神经网络(BRDNN)的模型可以用作数据识别模型,但不限于此;然而,本公开不限于此。
根据各种实施例,当存在多个预先构建的数据识别模型时,模型训练器1114可以将在输入训练数据和基本训练数据之间具有很高关系的数据识别模型来确定为要训练的数据识别模型。在这种情况下,可以针对数据的每种类型对基本训练数据进行预分类,并且可以针对数据的每种类型对数据识别模型进行预构建。例如,可以通过各种标准例如生成训练数据的区域、生成训练数据的时间、训练数据的大小、训练数据的类型、训练数据的生成器以及训练数据中对象的类型对基本训练数据进行预分类。
此外,模型学习器1114可以通过使用例如包括误差反向传播或梯度下降的训练算法来训练数据识别模型。
此外,模型训练器1114可以例如通过使用训练数据作为输入值的监督学习来训练数据识别模型。此外,模型训练器1114可以训练数据识别模型,例如,无监督学习用于通过学习确定用户状态必要的数据类型来寻找用于确定用户状态的标准,而无需其自身的具体监督。此外,模型训练器1114可以例如通过使用关于根据学习确定用户状态的结果是否正确的反馈强化学习来训练数据识别模型。
此外,当训练数据识别模型时,模型训练器1114可以存储训练后的数据识别模型。在这种情况下,模型训练器1114可以将训练后的数据识别模型存储在包括数据识别器1120的设备的存储器中。替代地,模型训练器1114可以将训练后的数据识别模型存储在包括下述数据识别器1120的设备的存储器中。替代地,模型训练器1114可以将训练后的数据识别模型存储在通过有线或无线网络连接到电子设备的服务器的存储器中。
在这种情况下,存储了训练后的数据识别模型的存储器还可以存储例如与设备的至少一个其他组件有关的指令或数据。此外,存储器可以存储软件和/或程序。程序可以包括例如内核、中间件、应用编程接口(API)和/或应用程序(或“应用”)。
模型评估器1115可以将评估数据输入到数据识别模型中,并且当从评估数据输出的识别结果不满足特定标准时可能导致模型训练器1114进行学习。在这种情况下,评估数据可以是用于评估数据识别模型的预设数据。
例如,当训练后的数据识别模型的识别结果中有关评估数据的识别结果不正确的评估数据的数量或比例超过预设阈值时,模型评估器1115可以评估不满足特定标准。例如,当特定标准被定义为2%的比率时,当训练后的数据识别模型相对于在总共1000个评估数据中超过20个评估数据输出不正确的识别结果,模型评估器1115可以评估训练后的数据识别模型不合适。
同时,当存在多个训练后的数据识别模型时,模型评估器1115可以评估每个训练后的数据识别模型是否满足特定标准,并将满足特定标准的模型确定为最终数据识别模型。在这种情况下,当存在满足特定标准的多个模型时,模型评估器1115可以将以评估分数的降序预设的任何一个模型或特定数量的模型确定为最终数据识别模型。
同时,数据学习器1110中的数据获取器1111、预处理器1112、训练数据选择器1113、模型训练器1114和模型评估器1115中的至少一个可以以至少一个硬件芯片的形式来制造并被安装在电子设备上。例如,数据获取器1111、预处理器1112、训练数据选择器1113、模型训练器1114和模型评估器1115中的至少一个可以以用于人工智能(AI)的专用硬件芯片的形式来制造,或者可以被制造为通用处理器(例如,CPU或应用处理器)或图形处理器(例如,GPU)的一部分并被安装到上述各种电子设备上。
此外,数据获取器1111、预处理器1112、训练数据选择器1113、模型训练器1114和模型评估器1115可以被安装在一个电子设备上或者可以分别被安装在单独的电子设备上。例如,数据获取器1111、预处理器1112、训练数据选择器1113、模型训练器1114和模型评估器1115中的一些可以被包括在电子设备中,而其他的可以被包括在服务器中。
此外,数据获取器1111、预处理器1112、训练数据选择器1113、模型训练器1114和模型评估器1115中的至少一个可以被实现为软件模块。当数据获取器1111、预处理器1112、训练数据选择器1113、模型训练器1114和模型评估器1115中的至少一个被实现为软件模块(或者包括指令的程序模块)时,该软件模块可以被存储在非暂时性计算机可读记录介质中。此外,在这种情况下,至少一个软件模块可以由操作系统(OS)或特定应用提供。替代地,至少一个软件模块中的一些可以由OS提供,其他的可以由特定应用提供。
图12是示出了根据实施例的数据识别器的配置的框图。
参考图12,根据一些实施例的数据识别器1120可以包括数据获取器1121、预处理器1122、识别数据选择器1123、识别结果提供器1124和模型更新器1125。
数据获取器1121可以获取从用户的日志数据中确定是否是用于输出广告内容的推荐时间,并确定广告显示区域的推荐属性的必要数据,并且预处理器1122可以对获取的数据进行预处理,使得获取的数据可以用于从用户的日志数据中确定是否是用于输出广告内容的推荐时间并确定广告显示区域的推荐属性。预处理器1122可以将获取的数据处理成预设格式,使得下面描述的识别结果提供器1124可以使用获取的数据从用户的日志数据中确定是否是用于输出广告内容的推荐时间并确定广告显示区域的推荐属性。
识别数据选择器1123可以从预处理数据中选择从用户的日志数据中确定是否是用于输出广告内容的推荐时间,并确定广告显示区域的推荐属性的必要数据。可以将所选择的数据提供给识别结果提供器1124。识别数据选择器1123可以根据预设标准选择一些或全部预处理数据,以用于从用户的日志数据中确定是否是用于输出广告内容的推荐时间并确定广告显示区域的推荐属性。
此外,通过将所选择的数据应用于数据识别模型,识别结果提供器1124可以从用户的日志数据中确定是否是用于输出广告内容的推荐时间,并确定广告显示区域的推荐属性。识别结果提供器1124可以根据识别数据的目的来提供识别结果。识别结果提供器1124可以通过使用由识别数据选择器1123选择的数据作为输入值,将所选择的数据应用于数据识别模型。此外,识别结果可以由数据识别模型确定。
识别结果提供器1124可以提供指示从用户的日志数据确定的广告显示区域的推荐属性的识别信息和指示从用户的日志数据确定是否是用于输出广告内容的推荐时间的信息。
模型更新器1125可以允许基于由识别结果提供器1124提供的识别结果的评估来更新数据识别模型。例如,模型更新器1125可以通过向模型训练器1114提供由识别结果提供器1124提供的识别结果,来允许模型训练器1114更新数据识别模型。
同时,数据识别器1120中的数据获取器1121、预处理器1122、识别数据选择器1123、识别结果提供器1124和模型更新器1125中的至少一个可以以至少一个硬件芯片的形式制造并被安装在电子设备上。例如,数据获取器1121、预处理器1122、识别数据选择器1123、识别结果提供器1124和模型更新器1125中的至少一个可以以用于人工智能(AI)的专用硬件芯片的形式来制造,或者可以被制造为通用处理器(例如,CPU或应用处理器)或图形处理器(例如,GPU)的一部分并被安装到上述各种电子设备上。
另外,数据获取器1121、预处理器1122、识别数据选择器1123、识别结果提供器1124和模型更新器1125可以被安装在一个电子设备上或者可以分别被安装在单独的电子设备上。例如,数据获取器1121、预处理器1122、识别数据选择器1123、识别结果提供器1124和模型更新器1125中的一些可以被包括在图像显示设备100中,而其他的可以被包括在服务器中。
此外,数据获取器1121、预处理器1122、识别数据选择器1123、识别结果提供器1124和模型更新器1125中的至少一个可以被实现为软件模块。当数据获取器1121、预处理器1122、识别数据选择器1123、识别结果提供器1124和模型更新器1125中的至少一个被实现为软件模块(或者包括指令的程序模块)时,该软件模块可以被存储在非暂时性计算机可读记录介质中。此外,在这种情况下,至少一个软件模块可以由操作系统(OS)或特定应用提供。替代地,至少一个软件模块中的一些可以由OS提供,其他的可以由特定应用提供。
图13是示出了根据实施例的服务器的配置的框图。
参考图13,根据实施例的第一服务器2000可以包括DB 2100、通信器2200和处理器2300。
DB 2100可以存储指示响应于用户输入在图像显示设备100中发生的事件的日志数据。
通信器2200可以包括用于允许与图像显示设备100通信的一个或多个组件。
通常,处理器2300可以控制服务器2000的整体操作。例如,处理器2300可以通过执行存储在服务器2000的DB 2100中的程序来控制DB 2100和通信器2200的整体操作。通过执行存储在DB 2100中的程序,处理二器2300可以执行图1至图12所示的图像显示设备100的一些功能。
处理器2300可以执行从用户的日志数据确定是否是用于输出广告内容的推荐时间,并确定广告显示区域的推荐属性的功能,该功能是图像显示设备100在图1至图12中执行的功能。
图14是示出了根据实施例的图像显示设备和服务器通过彼此交互工作来学习和识别数据的示例的图。
参考图14,服务器2000可以学习用于从用户的日志数据中确定是否是用于输出广告内容的推荐时间并确定广告显示区域的推荐属性的标准。通过获取要用于训练的数据并将所获取的数据应用于数据识别模型,服务器2000可以学习用于从用户的日志数据中确定是否是用于输出广告内容的推荐时间并确定广告显示区域的推荐属性的标准。
在这种情况下,服务器2000的数据获取器2101、预处理器2102、训练数据选择器2103、模型训练器2104和模型评估器2105可以执行图11所示的数据学习器1110的功能。服务器2000的模型训练器2104可以学习关于将使用哪些数据来从用户的日志数据中确定是否是用于输出广告内容的推荐时间并确定广告显示区域的推荐属性的标准。此外,服务器2000的模型训练器2104可以学习关于如何从用户的日志数据中确定是否是用于输出广告内容的推荐时间并如何通过使用数据确定广告显示区域的推荐属性的标准。通过获取用于训练的数据并将获取的数据应用于数据识别模型,模型训练器2104可以学习用于从用户的日志数据中确定是否是用于输出广告内容的推荐时间并确定广告显示区域的推荐属性的标准。
此外,通过将由识别数据选择器1123选择的数据应用于由服务器2000生成的数据识别模型,图像显示设备100的识别结果提供器1124可以从用户的日志数据中确定是否是用于输出广告内容的推荐时间,并确定广告显示区域的推荐属性。例如,识别结果提供器1124可以将由识别数据选择器1123选择的数据发送到服务器2000,以请求服务器2000将由识别数据选择器1123选择的数据应用于数据识别模型以从用户的日志数据中确定是否是用于输出广告内容的推荐时间,并确定广告显示区域的推荐属性。
替代地,图像显示设备100的识别结果提供器1124可以从服务器2000接收由服务器2000生成的识别模型,并且使用所接收的识别模型来从用户的日志数据中确定是否是用于输出广告内容的推荐时间,并确定广告显示区域的推荐属性。此外,通过将由识别数据选择器1123选择的数据应用于从服务器2000接收的数据识别模型,图像显示设备100的识别结果提供器1124可以从用户的日志数据中确定是否是用于输出广告内容的推荐时间,并确定广告显示区域的推荐属性。
此外,图像显示设备100和服务器2000可以有效地分发并执行用于数据识别和数据识别模型的训练的操作,从而可以有效地执行数据处理以根据用户的意图提供服务,并且可以有效地保护用户的隐私。
一些实施例也可以以计算机可读记录介质的形式来实现,该计算机可读记录介质包括可由计算机执行的指令,例如由计算机执行的程序模块。计算机可读记录介质可以是计算机可访问的任何可用介质,并且可以包括所有易失性或非易失性介质以及可移除或不可移除介质。此外,计算机可读记录介质可以包括所有计算机存储介质和通信介质。计算机存储介质可以包括通过由任何方法或技术实现以存储信息(例如,计算机可读指令、数据结构、程序模块或其他数据)的所有易失性或非易失性介质以及可移除或不可移除介质。例如,通信介质可以包括任何信息传输介质,并且可以包括其他传输机制或调制数据信号的其他数据,例如载波、计算机可读指令、数据结构或程序模块。
此外,在本文中,“单元”可以包括如处理器或电路的硬件组件、和/或由如处理器的硬件组件执行的软件组件。
前述内容是本公开的实施例的说明,并且本领域普通技术人员将容易理解,可以在不实质上脱离本公开的精神或特征的情况下在其中进行各种修改。因此,应当理解,上述实施例应当仅以描述性的意义来考虑,而不是为了限制的目的。例如,被描述为组合的元件也可以以分布式的方式实现,并且被描述为被分布式的元件也可以以组合的方式实现。
因此,本公开的范围不是由实施例的详细描述限定,而是由所附权利要求限定,并且从所附权利要求及其等同概念的含义和范围得到的所有改变或修改都应解释为包括在本公开的范围内。
Claims (15)
1.一种图像显示设备,包括:
显示器;
存储器,存储一个或多个指令;以及
处理器,执行存储在所述存储器中的所述一个或多个指令,
其中,所述处理器执行所述一个或多个指令以:
基于使用一个或多个神经网络的第一训练模型,从用户的日志数据中确定是否是用于输出广告内容的推荐时间;
当确定是用于输出所述广告内容的所述推荐时间时,基于使用所述一个或多个神经网络的第二训练模型,从所述用户的日志数据中确定广告显示区域的推荐属性;以及
基于确定的推荐属性来调整所述广告显示区域的属性,并控制所述显示器在属性调整后的广告显示区域中输出所述广告内容。
2.根据权利要求1所述的图像显示设备,其中,所述广告显示区域的属性包括所述广告显示区域的位置、大小、或形式以及在所述广告显示区域中输出的所述广告内容的形式中的至少一个。
3.根据权利要求1所述的图像显示设备,其中,所述用户的日志数据包括观看历史信息、关于所述广告显示区域的所述用户的反应信息以及应用使用信息中的至少一个。
4.根据权利要求3所述的图像显示设备,其中,所述观看历史信息包括所述用户观看的频道、节目名称、观看时间、指示发生频道切换事件的信息以及指示发生与电子节目指南EPG有关的事件的信息中的至少一个,
关于所述广告显示区域的所述用户的反应信息包括是否已经观看了在所述广告显示区域中输出的所述广告内容、在所述广告内容中观看部分的比例、以及指示是否接收到用于选择所述广告显示区域的外部输入的信息中的至少一个,以及
所述应用使用信息包括所使用的应用的名称、应用使用时间、所使用的应用的类别以及应用使用频率中的至少一个。
5.根据权利要求1所述的图像显示设备,其中,响应于生成频道切换事件、电子节目指南EPG搜索事件和应用执行事件中的一个的用户输入,所述处理器执行所述一个或多个指令以确定是否是用于输出所述广告内容的推荐时间。
6.根据权利要求1所述的图像显示设备,其中,响应于所述用户的日志数据输入到所述一个或多个神经网络,通过学习所述用户的日志数据与用于输出所述广告内容的推荐时间之间的相关性来确定所述第一训练模型,以及
响应于所述用户的日志数据输入到所述一个或多个神经网络,通过学习所述用户的日志数据与所述广告显示区域的推荐属性之间的相关性来确定所述第二训练模型。
7.根据权利要求1所述的图像显示设备,其中,当确定不是用于输出所述广告内容的推荐时间时,所述处理器执行所述一个或多个指令以停止输出所述广告内容。
8.根据权利要求7所述的图像显示设备,其中,当确定不是用于输出所述广告内容的推荐时间时,所述处理器执行所述一个或多个指令以停用所述广告显示区域。
9.根据权利要求1所述的图像显示设备,其中,根据用户对正通过所述显示器输出的广播内容的专注度,不同地确定用于输出所述广告内容的推荐时间。
10.根据权利要求1所述的图像显示设备,其中,所述处理器执行所述一个或多个指令以:
响应于生成关于所述图像显示设备的事件的用户输入,生成与所生成的事件相对应的日志数据;以及
当所生成的日志数据被输入到所述一个或多个神经网络时,更新所述第一训练模型和所述第二训练模型中的至少一个。
11.一种图像显示方法,包括:
基于使用一个或多个神经网络的第一训练模型,从用户的日志数据中确定是否是用于输出广告内容的推荐时间;
当确定是用于输出所述广告内容的推荐时间时,基于使用所述一个或多个神经网络的第二训练模型,从所述用户的日志数据中确定广告显示区域的推荐属性;以及
基于所确定的推荐属性来调整所述广告显示区域的属性,并在属性调整后的广告显示区域中输出所述广告内容。
12.根据权利要求11所述的图像显示方法,其中,所述广告显示区域的属性包括所述广告显示区域的位置、大小或形式以及在所述广告显示区域中输出的所述广告内容的形式中的至少一个。
13.根据权利要求11所述的图像显示方法,其中,所述用户的日志数据包括观看历史信息、关于所述广告显示区域的所述用户的反应信息、以及应用使用信息中的至少一个。
14.根据权利要求13所述的图像显示方法,其中,所述观看历史信息包括所述用户观看的频道、节目名称、观看时间、指示发生频道切换事件的信息以及指示发生与电子节目指南EPG有关的事件的信息中的至少一个,
关于所述广告显示区域的所述用户的反应信息包括在所述广告显示区域中输出的所述广告内容是否已被观看、在所述广告内容中观看部分的比例、以及指示用于选择所述广告显示区域的外部输入的信息是否已被接收到中的至少一个,以及
所述应用使用信息包括所使用的应用的名称、应用使用时间、所使用的应用的类别以及应用使用频率中的至少一个。
15.一种非暂时性计算机可读记录介质,其上记录有用于实现根据权利要求11所述的图像显示方法的程序。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR10-2017-0146693 | 2017-11-06 | ||
KR1020170146693A KR20190051255A (ko) | 2017-11-06 | 2017-11-06 | 영상 표시 장치 및 그 동작 방법 |
PCT/KR2018/013099 WO2019088692A1 (ko) | 2017-11-06 | 2018-10-31 | 영상 표시 장치 및 그 동작 방법 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111316662A true CN111316662A (zh) | 2020-06-19 |
Family
ID=66332422
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201880071783.9A Pending CN111316662A (zh) | 2017-11-06 | 2018-10-31 | 图像显示设备及其操作方法 |
Country Status (5)
Country | Link |
---|---|
US (2) | US11356744B2 (zh) |
EP (1) | EP3687185A4 (zh) |
KR (1) | KR20190051255A (zh) |
CN (1) | CN111316662A (zh) |
WO (1) | WO2019088692A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111918105A (zh) * | 2020-08-14 | 2020-11-10 | 北京视达科技有限公司 | 一种电视节目点播内容推荐方法 |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11227122B1 (en) * | 2019-12-31 | 2022-01-18 | Facebook, Inc. | Methods, mediums, and systems for representing a model in a memory of device |
US20230291952A1 (en) * | 2020-07-03 | 2023-09-14 | Telefonaktiebolaget Lm Ericsson (Publ) | Media content insertion in a virtual enviroment |
US20220222716A1 (en) * | 2021-01-13 | 2022-07-14 | Samsung Electronics Co., Ltd. | Electronic apparatus and control method thereof |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1409919A (zh) * | 1999-12-10 | 2003-04-09 | 联合视频制品公司 | 在交互式电视系统上和先进的机顶应用一起使用的功能 |
US20100223638A1 (en) * | 2009-02-27 | 2010-09-02 | Hubbard Robert B | System and method for optimizing the scheduling of multimedia content |
KR101003045B1 (ko) * | 2009-06-29 | 2010-12-22 | 주식회사 모임 | 인공지능에 기반한 개인별 맞춤형 광고 제공 장치 및 방법,그 기록 매체 |
CN102087713A (zh) * | 2009-12-04 | 2011-06-08 | 索尼公司 | 信息处理设备、信息处理方法和程序 |
US20110264519A1 (en) * | 2010-04-26 | 2011-10-27 | Webjuice, LLC | Social behavioral targeting of advertisements in a social networking environment |
KR20120136591A (ko) * | 2011-06-09 | 2012-12-20 | 주식회사 와이더플래닛 | 양방향 맞춤형 광고 제공 시스템 및 그 방법 |
JP5344617B2 (ja) * | 2009-11-30 | 2013-11-20 | 豊 塚本 | 宣伝システム |
US20140310108A1 (en) * | 2011-10-28 | 2014-10-16 | Jeong Yul Ryu | Method for Providing Advertisement Posting Service To Display Advertisement on User-Set Advertisement Display Area |
US20150113566A1 (en) * | 2013-10-21 | 2015-04-23 | Mastercard International Incorporated | Method and apparatus for interaction via television system |
US9088823B1 (en) * | 2011-04-29 | 2015-07-21 | Amazon Technologies, Inc. | Customized insertions into digital items |
KR101646217B1 (ko) * | 2015-05-13 | 2016-08-12 | (주)티랩컨버젼스연구소 | 사용자 시청 패턴 분석 기반의 맞춤형 광고 적시 제공 방법 |
KR20170033071A (ko) * | 2015-09-16 | 2017-03-24 | 김덕우 | 방송 광고 제공 시스템 및 방법 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8321889B2 (en) * | 2006-03-08 | 2012-11-27 | Kamfu Wong | Method and system for personalized and localized TV ad delivery |
BR112012003318A2 (pt) | 2009-08-14 | 2019-09-24 | Dataxu Inc | sistema de aprendizagem para o uso de modelos competitivos de avaliação para a criação de oferta de anúncio em tempo real. |
KR101507494B1 (ko) | 2009-12-15 | 2015-03-30 | 안태영 | 디지털 티브이의 뮤트시간을 이용한 콘텐츠 제공 시스템 및 그 방법 |
KR101274740B1 (ko) | 2012-08-30 | 2013-06-17 | 박혜영 | 사용자 설정 광고 노출 영역에 광고를 표시하여 주는 광고물 게재 서비스 제공 방법 |
KR20140046902A (ko) | 2012-10-11 | 2014-04-21 | 엘지전자 주식회사 | 영상표시장치 및 그 동 작방법 |
US9015737B2 (en) * | 2013-04-18 | 2015-04-21 | Microsoft Technology Licensing, Llc | Linked advertisements |
US9288249B1 (en) * | 2013-08-02 | 2016-03-15 | Purplecomm Inc. | Content interaction technology |
US20160331279A1 (en) | 2014-05-13 | 2016-11-17 | Nexinity Inc | Methods for determining psychological characteristics and gender using motion-based analysis, and related methods for targeting advertising and improving relevance of user reviews |
FR3062672B1 (fr) * | 2017-02-03 | 2019-07-05 | IFP Energies Nouvelles | Procede d'exploitation d'un gisement d'hydrocarbures par injection d'un gaz sous forme de mousse |
-
2017
- 2017-11-06 KR KR1020170146693A patent/KR20190051255A/ko active IP Right Grant
-
2018
- 2018-10-31 EP EP18873656.5A patent/EP3687185A4/en not_active Ceased
- 2018-10-31 US US16/761,897 patent/US11356744B2/en active Active
- 2018-10-31 CN CN201880071783.9A patent/CN111316662A/zh active Pending
- 2018-10-31 WO PCT/KR2018/013099 patent/WO2019088692A1/ko unknown
-
2022
- 2022-06-01 US US17/830,074 patent/US11895375B2/en active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1409919A (zh) * | 1999-12-10 | 2003-04-09 | 联合视频制品公司 | 在交互式电视系统上和先进的机顶应用一起使用的功能 |
US20100223638A1 (en) * | 2009-02-27 | 2010-09-02 | Hubbard Robert B | System and method for optimizing the scheduling of multimedia content |
KR101003045B1 (ko) * | 2009-06-29 | 2010-12-22 | 주식회사 모임 | 인공지능에 기반한 개인별 맞춤형 광고 제공 장치 및 방법,그 기록 매체 |
JP5344617B2 (ja) * | 2009-11-30 | 2013-11-20 | 豊 塚本 | 宣伝システム |
CN102087713A (zh) * | 2009-12-04 | 2011-06-08 | 索尼公司 | 信息处理设备、信息处理方法和程序 |
US20110264519A1 (en) * | 2010-04-26 | 2011-10-27 | Webjuice, LLC | Social behavioral targeting of advertisements in a social networking environment |
US9088823B1 (en) * | 2011-04-29 | 2015-07-21 | Amazon Technologies, Inc. | Customized insertions into digital items |
KR20120136591A (ko) * | 2011-06-09 | 2012-12-20 | 주식회사 와이더플래닛 | 양방향 맞춤형 광고 제공 시스템 및 그 방법 |
US20140310108A1 (en) * | 2011-10-28 | 2014-10-16 | Jeong Yul Ryu | Method for Providing Advertisement Posting Service To Display Advertisement on User-Set Advertisement Display Area |
US20150113566A1 (en) * | 2013-10-21 | 2015-04-23 | Mastercard International Incorporated | Method and apparatus for interaction via television system |
KR101646217B1 (ko) * | 2015-05-13 | 2016-08-12 | (주)티랩컨버젼스연구소 | 사용자 시청 패턴 분석 기반의 맞춤형 광고 적시 제공 방법 |
KR20170033071A (ko) * | 2015-09-16 | 2017-03-24 | 김덕우 | 방송 광고 제공 시스템 및 방법 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111918105A (zh) * | 2020-08-14 | 2020-11-10 | 北京视达科技有限公司 | 一种电视节目点播内容推荐方法 |
Also Published As
Publication number | Publication date |
---|---|
EP3687185A1 (en) | 2020-07-29 |
US11356744B2 (en) | 2022-06-07 |
KR20190051255A (ko) | 2019-05-15 |
US20220303639A1 (en) | 2022-09-22 |
EP3687185A4 (en) | 2020-07-29 |
US20210235167A1 (en) | 2021-07-29 |
WO2019088692A1 (ko) | 2019-05-09 |
US11895375B2 (en) | 2024-02-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10970605B2 (en) | Electronic apparatus and method of operating the same | |
US20200118010A1 (en) | System and method for providing content based on knowledge graph | |
EP3690644B1 (en) | Electronic device and operation method therefor | |
US20220147870A1 (en) | Method for providing recommended content list and electronic device according thereto | |
US11895375B2 (en) | Display device and operation method thereof | |
KR102606287B1 (ko) | 애플리케이션의 번역 정보를 제공하는 디바이스 및 방법 | |
KR20180055708A (ko) | 이미지를 처리하는 전자 장치 및 방법 | |
CN111567056B (zh) | 视频播放装置及其控制方法 | |
US20220083153A1 (en) | System and method of determining input characters based on swipe input | |
KR102037419B1 (ko) | 영상 표시 장치 및 그 동작 방법 | |
US11934953B2 (en) | Image detection apparatus and operation method thereof | |
KR20190117837A (ko) | 사용자 입력에 대한 답변 메시지를 제공하는 디바이스 및 방법 | |
EP3489860B1 (en) | Image display apparatus and method of operating the same | |
KR102535152B1 (ko) | 디스플레이 장치 및 디스플레이 장치의 제어 방법 | |
US20210201146A1 (en) | Computing device and operation method thereof | |
EP3816917A1 (en) | Electronic device for updating artificial intelligence model, server, and operation method therefor | |
KR20200084413A (ko) | 컴퓨팅 장치 및 그 동작 방법 | |
CN111095208B (zh) | 用于提供对设备使用询问的响应的设备和方法 | |
KR20180075227A (ko) | 전자 장치 및 전자 장치의 검색 서비스 제공 방법 | |
US11188158B2 (en) | System and method of determining input characters based on swipe input | |
US11240568B2 (en) | Apparatus and method for replacing and outputting advertisement | |
US20190251355A1 (en) | Method and electronic device for generating text comment about content | |
US20200327451A1 (en) | Electronic apparatus and server for refining artificial intelligence model, and method of refining artificial intelligence model | |
US11961512B2 (en) | System and method for providing voice assistance service |
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: 20200619 |
|
RJ01 | Rejection of invention patent application after publication |