CN112468853B - 电视资源推荐方法、装置、计算机设备及存储介质 - Google Patents

电视资源推荐方法、装置、计算机设备及存储介质 Download PDF

Info

Publication number
CN112468853B
CN112468853B CN202011353506.2A CN202011353506A CN112468853B CN 112468853 B CN112468853 B CN 112468853B CN 202011353506 A CN202011353506 A CN 202011353506A CN 112468853 B CN112468853 B CN 112468853B
Authority
CN
China
Prior art keywords
resource
behavior data
user
television terminal
portrait
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.)
Active
Application number
CN202011353506.2A
Other languages
English (en)
Other versions
CN112468853A (zh
Inventor
李鸣
肖云
曾泽基
高明青
张凯霖
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.)
Future Tv Co ltd
Original Assignee
Future Tv Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Future Tv Co ltd filed Critical Future Tv Co ltd
Priority to CN202011353506.2A priority Critical patent/CN112468853B/zh
Publication of CN112468853A publication Critical patent/CN112468853A/zh
Application granted granted Critical
Publication of CN112468853B publication Critical patent/CN112468853B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • H04N21/43—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
    • H04N21/442—Monitoring of processes or resources, e.g. detecting the failure of a recording device, monitoring the downstream bandwidth, the number of times a movie has been viewed, the storage space available from the internal hard disk
    • H04N21/44213—Monitoring of end-user related data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
    • G06F16/73—Querying
    • G06F16/735—Filtering based on additional data, e.g. user or group profiles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
    • G06F16/78—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
    • G06F16/78—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/7867—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using information manually generated, e.g. tags, keywords, comments, title and artist information, manually generated time, location and usage information, user ratings
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
    • H04N21/25—Management operations performed by the server for facilitating the content distribution or administrating data related to end-users or client devices, e.g. end-user or client device authentication, learning user preferences for recommending movies
    • H04N21/251—Learning process for intelligent management, e.g. learning user preferences for recommending movies
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
    • H04N21/25—Management operations performed by the server for facilitating the content distribution or administrating data related to end-users or client devices, e.g. end-user or client device authentication, learning user preferences for recommending movies
    • H04N21/258—Client or end-user data management, e.g. managing client capabilities, user preferences or demographics, processing of multiple end-users preferences to derive collaborative data
    • H04N21/25866—Management of end-user data
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/45—Management operations performed by the client for facilitating the reception of or the interaction with the content or administrating data related to the end-user or to the client device itself, e.g. learning user preferences for recommending movies, resolving scheduling conflicts
    • H04N21/466—Learning process for intelligent management, e.g. learning user preferences for recommending movies
    • H04N21/4668—Learning process for intelligent management, e.g. learning user preferences for recommending movies for recommending content, e.g. movies

Landscapes

  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Signal Processing (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Library & Information Science (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Graphics (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Social Psychology (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Computational Linguistics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Two-Way Televisions, Distribution Of Moving Picture Or The Like (AREA)

Abstract

本申请提供一种电视资源推荐方法、装置、计算机设备及存储介质，涉及数字电视技术领域。该方法包括：接收电视终端发送的操作请求，操作请求包括：电视终端的标识信息和操作电视终端的用户行为数据；获取用户行为数据对应的资源画像特征；根据标识信息，获取电视终端的家庭画像特征；根据家庭画像特征、用户行为数据的特征和资源画像特征，从电视终端对应的候选推荐资源中确定目标推荐资源；向电视终端推送目标推荐资源。本申请可实现用户在线资源推荐，提高推荐资源与用户兴趣的匹配度。

Description

电视资源推荐方法、装置、计算机设备及存储介质
技术领域
本发明涉及数字电视技术领域，具体而言，涉及一种电视资源推荐方法、装置、计算机设备及存储介质。
背景技术
为提高用户体验效果，数字电视网络为用户提供的交互信息推荐系统，可针对用户行为数据进行采集，并与视频产品数据进行关联度挖掘计算，以为用户筛选合适的内容，并将筛选内容推送至用户可视听媒介中，免去用户在海量数据中自行盲目搜索的负担。
但是，在数据电视领域，推荐业务的应用还处于初级阶段，主要采用深度学习算法，实现用户离线数据采集并计算，基于用户离线数据在用户下次登录时为用户进行内容推荐。
现有技术存在的缺陷在于不能做到实时数据采集，并基于用户的在线行为向用户进行实时内容推荐。
发明内容
本发明的目的在于，针对上述现有技术中的不足，提供一种电视资源推荐方法、装置、计算机设备及存储介质，以便基于用户的在线行为向用户实时推荐相关电视资源。
为实现上述目的，本申请实施例采用的技术方案如下：
第一方面，本申请实施例提供了一种电视资源推荐方法，包括：
接收电视终端发送的操作请求，所述操作请求包括：所述电视终端的标识信息和操作所述电视终端的用户行为数据；
获取所述用户行为数据对应的资源画像特征；
根据所述标识信息，获取所述电视终端的家庭画像特征；
根据所述家庭画像特征、所述用户行为数据的特征和所述资源画像特征，从所述电视终端对应的候选推荐资源中确定目标推荐资源；
向所述电视终端推送所述目标推荐资源。
可选的，所述根据所述家庭画像特征、所述用户行为数据的特征和所述资源画像特征，从所述电视终端对应的候选推荐资源中确定目标推荐资源，包括：
根据所述家庭画像特征、所述用户行为数据的特征和所述资源画像特征，得到所述电视终端的在线用户特征；
根据所述在线用户特征，从所述候选推荐资源中确定与所述在线用户特征相似度最高的资源为所述目标推荐资源。
可选的，所述根据所述家庭画像特征、所述用户行为数据的特征和所述资源画像特征，从所述电视终端对应的候选推荐资源中确定目标推荐资源之前，所述方法还包括：
根据所述标识信息，获取所述电视终端对应的资源推荐模型；
根据历史家庭画像特征、历史用户行为数据的特征和历史资源画像特征，采用所述资源推荐模型，得到候选推荐资源；其中，所述资源推荐模型为：预先采用样本家庭画像特征、样本行为数据以及所述样本行为数据对应的样本画像特征进行训练得到的模型。
可选的，所述操作请求还包括：业务功能；所述根据所述标识信息，获取所述电视终端对应的资源推荐模型，包括：
若所述业务功能为第一业务功能，则根据所述标识信息，获取所述电视终端对应的资源推荐模型。
可选的，所述根据所述家庭画像特征、所述用户行为数据的特征和所述资源画像特征，从所述电视终端对应的候选推荐资源中确定目标推荐资源之前，所述方法还包括：
若所述业务功能为第二业务功能，则根据所述第二业务功能对应的推荐条件，从预设的资源数据库中获取满足所述推荐条件的资源为所述候选推荐资源。
可选的，所述操作请求还包括：用户选择的角色信息；所述家庭画像特征包括：所述标识信息对应的至少一个角色的画像特征；所述根据所述家庭画像特征、所述用户行为数据的特征和所述资源画像特征，从所述电视终端对应的候选推荐资源中确定目标推荐资源，包括：
根据所述角色信息，从所述至少一个角色的画像特征中，确定所述角色信息对应的画像特征为角色画像特征；
根据所述角色画像特征、所述用户行为数据的特征和所述资源画像特征，从所述电视终端对应的候选推荐资源中确定所述目标推荐资源。
可选的，所述根据所述角色信息，从所述至少一个角色的画像特征中，确定所述角色信息对应的画像特征为角色画像特征之前，所述方法还包括：
对所述电视终端的历史行为数据，以及所述历史行为数据对应的资源画像特征进行聚类，得到所述至少一个角色的画像特征。
第二方面，本申请实施例还提供一种电视资源推荐装置，所述装置包括：
请求接收模块，用于接收电视终端发送的操作请求，所述操作请求包括：所述电视终端的标识信息和操作所述电视终端的用户行为数据；
第一获取模块，用于获取所述用户行为数据对应的资源画像特征；
第二获取模块，用于获取所述电视终端的家庭画像特征；
选择推荐模块，用于根据所述家庭画像特征、所述用户行为数据的特征和所述资源画像特征，从所述电视终端对应的候选推荐资源中确定目标推荐资源；
推送模块，用于向所述电视终端推送所述目标推荐资源。
可选的，所述选择推荐模块，包括：
特征整合单元，用于根据所述家庭画像特征、所述用户行为数据的特征和所述资源画像特征，得到所述电视终端的在线用户特征；
第一选择推荐单元，用于根据所述在线用户特征，从所述候选推荐资源中确定与所述在线用户特征相似度最高的资源为所述目标推荐资源。
可选的，在所述选择推荐模块之前，所述装置还包括：
模型获取模块，用于根据所述标识信息，获取所述电视终端对应的资源推荐模型；
第一候选资源获取模块，用于根据历史家庭画像特征、历史用户行为数据的特征和历史资源画像特征，采用所述资源推荐模型，得到候选推荐资源；其中，所述资源推荐模型为：预先采用样本家庭画像特征、样本行为数据以及所述样本行为数据对应的样本画像特征进行训练得到的模型。
可选的，所述操作请求还包括：业务功能；所述模型获取模块用于若所述业务功能为第一业务功能，则根据所述标识信息，获取所述电视终端对应的资源推荐模型。
可选的，在所述选择推荐模块之前，所述装置还包括：
第二候选资源获取模块，用于若所述业务功能为第二业务功能，则根据所述第二业务功能对应的推荐条件，从预设的资源数据库中获取满足所述推荐条件的资源为所述候选推荐资源。
可选的，所述操作请求还包括：用户选择的角色信息；所述家庭画像特征包括：所述标识信息对应的至少一个角色的画像特征；所述选择推荐模块包括：
角色特征获取单元，用于根据所述角色信息，从所述至少一个角色的画像特征中，确定所述角色信息对应的画像特征为角色画像特征；
第二选择推荐单元，用于根据所述角色画像特征、所述用户行为数据的特征和所述资源画像特征，从所述电视终端对应的候选推荐资源中确定所述目标推荐资源。
可选的，在所述角色特征获取单元之前，所述装置还包括：
聚类模块，用于对所述电视终端的历史行为数据，以及所述历史行为数据对应的资源画像特征进行聚类，得到所述至少一个角色的画像特征。
第三方面，本申请实施例还提供一种计算机设备，包括：存储器和处理器，所述存储器存储有所述处理器可执行的计算机程序，所述处理器执行所述计算机程序时实现上述任一项所述的方法。
第四方面，本申请实施例还提供一种存储介质，所述存储介质上存储有计算机程序，所述计算机程序被读取并执行时，实现上述任一项所述的方法。
本申请的有益效果是：
本申请提供的电视资源推荐方法、装置、计算机设备及存储介质，通过接收电视终端发送的操作请求，获取操作请求中的操作电视终端的用户行为数据对应的资源画像特征，以及，根据操作请求中电视终端的标识信息获取电视终端的家庭画像特征，基于家庭画像特征、资源画像特征和用户行为数据，从电视终端对应的候选推荐视频中确定目标推荐资源，并向电视终端推送该目标推荐资源。通过本申请提供的方法，可根据用户的在线操作请求，从服务器中确定用户的家庭画像特征和资源画像特征，以根据家庭画像特征、资源画像特征和用户行为数据，从候选推荐资源中为用户选择目标推荐资源，使得所推荐的资源更符合用户在线操作请求，以实现对用户行为数据的实时采集，并基于实时的用户行为数据进行实时内容推荐，从数据采集到用户兴趣捕捉再到电视终端推送资源可做到分钟级甚至更快级别，可根据用户行为数据智能识别用户兴趣，提高推荐资源与用户兴趣的匹配度，使推荐效果更佳。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本申请实施例提供的第一种电视资源推荐方法的流程示意图；
图2为本申请实施例提供的第二种电视资源推荐方法的流程示意图；
图3为本申请实施例提供的第三种电视资源推荐方法的流程示意图；
图4为本申请实施例提供的一种资源推荐模型训练方法的流程示意图；
图5为本申请实施例提供的第四种电视资源推荐方法的流程示意图；
图6为本申请实施例提供的一种电视资源推荐装置的结构示意图；
图7为本申请实施例提供的计算机设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
本申请实施例提供的一种电视资源推荐方法，其执行主体可以为具有电视资源推荐功能的服务器，电视终端可以为电视盒子，或，集成有电视盒子的电视机，电视终端与服务器之间基于web服务框架进行通讯，电视终端将用户的操作请求发送给服务器，服务器根据用户的操作请求，执行本申请实施例提供的电视资源推荐方法，向电视终端推送电视资源。本申请向用户推荐的电视资源主要至视频资源。
需要指出的是，服务器与多个电视终端通讯连接，每个电视终端具有唯一的标识信息。
以下结合附图通过多个实施例对本申请实施例提供的自动驾驶车辆的界面显示控制方法进行说明。图1为本申请实施例提供的第一种电视资源推荐方法的流程示意图；如图1所示，该方法包括：
S100：接收电视终端发送的操作请求。
具体的，操作请求包括：电视终端的标识信息和操作电视终端的用户行为数据。电视终端的标识信息为识别电视终端的唯一标识信息，例如可包括电视终端出厂时配置的编码ID；操作电视终端的用户行为数据包括显性行为数据和隐性行为数据，示例的，显性行为数据为可以直观显示用户兴趣的行为数据，示例的，显性行为数据可包括：收藏行为、取消收藏行为、手动搜索行为、语音搜索行为和筛选行为；隐性行为数据为隐含用户兴趣的行为数据，示例的，隐性行为数据可包括：观看行为数据、点击行为数据、视频播放距今时间数据、用户观看时间段以及用户不同观看时间段的权重。
根据用户输入的操作行为，将电视终端的标识信息和操作电视终端的用户行为数据发送至服务器。用户输入操作行为的输入形式可以为手动输入，或语音输入。
S200：获取用户行为数据对应的资源画像特征。
具体的，服务器的在线存储文件中存有预先建立的每个电视终端的用户行为数据特征索引和资源画像特征索引。
在一种可能的示例中，用户行为数据特征索引的建立方法为：
用户行为数据为用户在电视终端上点击、播放、收藏电视资源的行为数据，用过内嵌软件工具开发包(Software Development Kit，SDK)将历史用户行为数据存储在用户行为数据库中，根据历史用户行为数据预先建立每个电视终端的用户行为数据分析表，即event表，该event表中包括用户行为数据，对用户行为数据建立用户行为数据特征索引。
示例的，用户行为数据可包括：用户收藏内容信息、用户取消收藏内容信息、用户搜索内容信息、用户筛选内容信息、用户观看内容信息、用户点击内容信息、视频播放距今时间信息、用户观看时间段信息、用户观看时间权重信息等。对event表中的用户行为数据进行清洗，删除异常用户行为数据或不具有训练意义的数据。
在另一种可能的示例中，资源画像特征索引文件的建立方法为：
对资源数据库中的资源预先建立资源数据分析表，即item_info表，该item_info表中包括每个资源的至少一个资源信息，根据资源信息建立资源画像特征索引。示例的，资源信息可包括：资源ID、一级分类标签、二级分类标签、资源标题、资源来源、资源导演、资源演员、资源点击量、资源播放量、资源评分等。对资源数据分析表中的资源进行数据清洗，删除存在异常资源信息的资源，或，对资源缺失的资源信息进行补充。
根据用户行为数据，从用户行为数据特征索引中调用对应的用户行为数据的特征，并根据该用户行为数据从资源信息特征索引中调用资源画像特征。
S300：根据标识信息，获取电视终端的家庭画像特征。
具体的，服务器中还预设存有每个电视终端的家庭画像特征，家庭画像特征是通过对电视终端的历史用户行为数据，以及电视终端的历史用户行为数据对应的资源画像特征进行聚类分析得到的特征。根据电视终端的标识信息，从服务器中获取与该标识对应的家庭画像特征。
在一种可能的示例中，资源画像特征的聚类分析方法为：
对该历史用户行为数据的特征进行解析，解析出历史用户行为数据的时间段特征，对资源画像特征进行解析，解析出资源的属性特征、资源标签特征；示例的，时间段特征可包括：早晨时间特征、中午时间特征、晚上时间特征等；属性特征可包括：儿童属性特征、年轻人属性特征、老年人属性特征等；资源标签特征可包括：动画标签特征、家庭伦理标签特征、娱乐标签特征、体育标签特征等；对多个特征进行聚类得到家庭画像特征。
S400：根据家庭画像特征、用户行为数据的特征和资源画像特征，从电视终端对应的候选推荐资源中确定目标推荐资源。
具体的，候选推荐资源是从预设的资源数据库中获取的符合电视终端的用户历史兴趣的资源，采用预设的编码方式对用户行为数据的特征进行编码，得到用户行为数据的特征向量，该预设的编码方式可以为word2vec编码；采用预设的编码形式对资源画像特征进行编码，得到资源画像特征向量，示例的，该预设的编码形式可以为热独编码(one-hot)；采用预设的编码形式对家庭画像特征进行编码，得到家庭画像特征向量，示例的，该预设的编码形式可以为热独编码(one-hot)。对家庭画像特征向量、用户行为数据的特征向量和资源画像特征向量进行预处理，得到预处理后的整合向量，整合向量可以指示用户操作请求的兴趣，根据该预处理结果从候选推荐视频中选择符合预处理结果的目标推荐资源。
S500：向电视终端推送目标推荐资源。
具体的，服务器中资源数据库中调用目标推荐资源，并向电视终端推送，电视终端基于目标推荐资源在显示屏上进行展示，以供用户选择。
本申请提供的电视资源推荐方法，通过接收电视终端发送的操作请求，获取操作请求中的操作电视终端的用户行为数据对应的资源画像特征，以及，根据操作请求中电视终端的标识信息获取电视终端的家庭画像特征，基于家庭画像特征、资源画像特征和用户行为数据，从电视终端对应的候选推荐视频中确定目标推荐资源，并向电视终端推送该目标推荐资源。通过本申请提供的方法，可根据用户的在线操作请求，从服务器中确定用户的家庭画像特征和资源画像特征，以根据家庭画像特征、资源画像特征和用户行为数据，从候选推荐资源中为用户选择目标推荐资源，使得所推荐的资源更符合用户在线操作请求，以实现对用户行为数据的实时采集，并基于实时的用户行为数据进行实时内容推荐，从数据采集到用户兴趣捕捉再到电视终端推送资源可做到分钟级甚至更快级别，可根据用户行为数据智能识别用户兴趣，提高推荐资源与用户兴趣的匹配度，使推荐效果更佳。
在上述实施例的基础上，本申请实施例还提供一种电视资源推荐方法，图2为本申请实施例提供的第二种电视资源推荐方法的流程示意图，如图2所示，上述S400包括：
S401：根据家庭画像特征、用户行为数据的特征和资源画像特征，得到电视终端的在线用户特征。
具体的，采用上述S400中预设的编码方式，对家庭画像特征、用户行为数据的特征和资源画像特征分别进行编码，得到家庭画像特征向量、用户行为数据的特征向量和资源画像特征向量，采用预设的向量整合模型，对家庭画像特征向量、用户行为数据的特征向量和资源画像特征向量进行向量整合，得到在线用户特征向量，预设的向量整合模型为经过预先训练得到的向量整合模型，向量整合模型采用多层全连接层，对家庭画像特征向量、用户行为数据的特征向量和资源画像特征向量进行整合。
S402：根据在线用户特征，从候选推荐资源中确定与在线用户特征相似度最高的资源为目标推荐资源。
具体的，采用预设的相似度算法，计算在线用户特征向量与候选推荐资源中的资源特征向量的相似度，选择相似度最高的预设数量的资源为目标推荐资源，示例的，预设数量可以为30个或50个。示例的，预设的相似度算法可以为faiss算法。
本申请实施例提供的电视资源推荐方法，对家庭画像特征、用户行为数据的特征和资源画像特征进行整合，得到电视终端的在线用户特征，在线用户特征可表征在线用户的操作请求的兴趣，基于该在线用户特征，从候选推荐资源中确定与在线用户特征相似度最高的资源作为目标推荐资源，推送至电视终端。通过本申请实施例的方案，将家庭画像特征、用户行为数据的特征和资源画像特征整合为在线用户特征，可准确表示出在线用户的操作请求的兴趣，基于该在线用户特征，可从候选推荐资源中选择更符合在线用户兴趣的资源进行推荐，提高推荐资源与用户兴趣的匹配度，使推荐效果更佳。
在上述任一实施例的基础上，本申请实施例还提供一种电视资源推荐方法，图3为本申请实施例提供的第三种电视资源推荐方法的流程示意图，如图3所示，在上述S400之前，该方法还包括：
S600：根据标识信息，获取电视终端对应的资源推荐模型。
具体的，服务器中包括多个电视终端的模型服务群，服务器根据电视终端的标识信息，从模型服务群中获取该电视终端的资源推荐模型。
具体的，资源推荐模型为：预先采用样本家庭画像特征、样本行为数据以及所述样本行为数据对应的样本资源画像特征进行训练得到的模型。
示例的，图4为本申请实施例提供的一种资源推荐模型训练方法的流程示意图，如图4所示，该资源推荐模型的训练方法为：
S601：获取样本家庭画像特征、样本用户行为数据的特征以及样本用户行为数据对应的样本资源画像特征。
具体的，对历史用户行为数据进行数据切分，将多个历史用户行为数据切分为训练数据集、验证数据集和测试数据集，对应的，将历史用户行为数据对应的资源画像特征也切分为对应的资源训练数据集、资源验证数据集和资源测试数据集，资源训练数据集、资源验证数据集和资源测试数据集中存储的资源画像特征以tfrecord格式和csv格式进行存储，tfrecord格式格式的资源画像特征用户在模型训练时使用，以提高模型训练效率，csv格式的资源画像特征用于在进行目标推荐资源时使用，便于打开对应的资源。
根据样本用户行为数据，从用户行为数据特征索引中调用对应的样本用户行为数据的特征，并根据样本用户行为数据从资源信息特征索引中调用对应的样本资源画像特征，通过对样本用户行为数据，以及样本用户行为数据对应的样本资源画像特征进行聚类分析，得到样本家庭画像特征。
示例的，样本用户行为数据可以为预设时间段内的观看行为数据，且观看行为数据对应资源的一级分类标签数量在预设范围内，预设时间段可以为30天，一级分类标签数量的预设范围为大于或等于2个，且小于或等于5个，观看行为数据对应资源的一级分类标签数量小于2个，不具有训练意义，观看行为数据对应资源的一级分类标签数量大于5个，训练结果可能偏向该一级分类标签，使训练结果不准确。
S602：将样本家庭画像特征、样本用户行为数据的特征、样本用户行为数据对应的样本资源画像特征输入预设的资源推荐模型，对预设的资源推荐模型进行训练。
具体的，将样本用户行为数据按时间顺序排列，采用上述S401的方案，对样本家庭画像特征、第一个样本用户行为数据的特征、第一个样本资源画像特征进行特征编码，得到样本家庭画像特征向量、第一个样本用户行为数据的特征向量、第一个样本资源画像特征向量，将样本家庭画像特征向量、第一个样本用户行为数据的特征向量、第一个样本资源画像特征向量输入预设的多层全连接层，得到第一个样本在线用户特征向量，将第一个样本在线用户特征向量和第二个样本用户行为数据对应的样本资源画像特征向量输入至softmax层，判断第一个样本在线用户特征符合第二个样本用户行为数据对应的样本资源画像特征向量的概率，并计算损失函数，基于该损失函数，采用预设的优化算法，对多层全连接层的参数进行更新。示例的，预设的优化算法可以为SGD(Stochastic GradientDescent，随机最速下降)。
采用上述S401的方案，对样本家庭画像特征、第一个样本用户行为数据的特征、第一个样本资源画像特征、第二个样本用户行为数据的特征、第二个样本资源画像特征进行特征编码，得到样本家庭画像特征向量、第一个样本用户行为数据的特征向量、第一个样本资源画像特征向量、第二个样本用户行为数据的特征向量、第二个样本资源画像特征向量，将所有特征向量输入多层全连接层，得到第二个样本在线用户特征向量，将第二个样本在线用户特征向量和第三个样本用户行为数据对应的样本资源画像特征向量输入至softmax层，判断第二个样本在线用户特征向量符合第三个样本用户行为数据对应的样本资源画像特征向量的概率，并计算损失函数，基于该损失函数，优化多层全连接层。
依次类推，当损失函数值小于预设损失函数值时，表示多层全连接层输出的样本在线用户特征向量可以预测下一个样本用户行为数据对应的样本资源画像特征向量，资源推荐模型完成训练。
在资源推荐模型训练完成后，在预设时间范围内，根据预设时间范围内的用户行为数据，对资源推荐模型进行更新，确保资源推荐模型可根据用户最新的行为数据为用户准确推荐电视资源。示例的，预设时间范围可以为10天。
验证阶段：
根据验证数据集中的验证用户行为数据，得到验证用户行为数据的特征、验证资源画像特征和验证家庭画像特征，对验证家庭画像特征、第一个验证用户行为数据的特征、第一个验证资源画像特征输入至资源推荐模型，得到第一个验证在线用户特征向量，将第一个验证在线用户特征向量和第二个验证用户行为数据对应的验证资源画像特征向量输入至softmax层，判断第一个验证在线用户特征向量是否符合第二个验证用户行为数据对应的验证资源画像特征向量。
将验证家庭画像特征、第一个验证用户行为数据的特征、第一个验证用户行为数据对应的验证资源画像特征、第二个验证用户行为数据的特征、第二个验证用户行为数据对应的验证资源画像特征输入至资源推荐模型，得到第二个验证在线用户特征向量，将第二个验证在线用户特征向量和第三个验证用户行为数据对应的验证资源画像特征向量输入softmax层，判断第二个验证在线用户特征向量是否符合第三个验证用户行为数据对应的验证资源画像特征向量。
依次类推，在对验证数据集中的数据验证完成并判断资源推荐模型输出的用户特征可以稳定预测下一个用户行为数据对应的资源画像特征向量时，认为资源推荐模型符合要求。
S700：根据历史家庭画像特征、历史用户行为数据的特征和历史资源画像特征，采用资源推荐模型，得到候选推荐资源。
具体的，将预设时间范围内的历史家庭画像特征、历史用户行为数据的特征和历史资源画像特征输入至资源推荐模型，得到资源推荐向量，基于该资源推荐向量，从预设的资源数据库中选择候选推荐资源。
本申请实施例提供的电视资源推荐方法，根据电视终端的标识信息，获取电视终端对应的资源推荐模型，将历史家庭画像特征、历史用户行为数据的特征和历史资源画像特征输入至资源推荐模型，以获得候选推荐资源。通过资源推荐模型，使得可以基于用户的历史行为数据、历史家庭画像和历史资源画像从资源数据库中选择符合用户历史兴趣的候选推荐资源，基于该候选推荐资源，从中选择符合用户在线兴趣的资源作为目标推荐资源，使得推荐资源与用户兴趣的匹配度更高，使推荐效果更佳。
在一种可能的实施方式中，操作请求还包括：业务功能；上述S500包括：若业务功能为第一业务功能，则根据标识信息，获取电视终端对应的资源推荐模型。
具体的，电视终端向用户提供多种业务功能，用户可根据需求选择对应的业务功能，第一业务功能为个性化推荐业务功能，即根据用户的兴趣进行资源推荐。若服务器接收到电视终端发送的操作请求中包含的业务功能为第一业务功能，则执行上述S500-S600，调用该电视终端对应的资源推荐模型，为用户提供资源推荐。
在另一种可能的实施方式中，若业务功能为第二业务功能，则根据第二业务功能对应的推荐条件，从预设的资源数据库中获取满足推荐条件的资源为候选推荐资源。
具体的，电视终端除了向用户提供个性化推荐业务功能外，还向用户提供其他业务功能，即第二业务功能。示例的，第二业务功能可包括：分类推荐功能、热门推荐功能、最新推荐功能。电视终端所属公司自有的资源和合作方平台提供的资源通过实时增量的方式将最新资源日志存放在数据同步系统(datalink)的资源日志文件(kafka)中，电视终端所属公司自有的资源和合作方平台提供的资源通过定时全量的方式获取所有资源，第三方数据平台定时同步资源的第三方信息，如播放量、播放热度等信息，通过预处理系统(data-preprocess)对实时增量的最新资源、定时全量的所有资源和第三方信息进行关联处理，并存储在预设的资源数据库(kudu)中。
在一种可能的示例中，第二业务推荐功能为最新推荐功能，则服务器从资源日志文件中获取实时增量的最新资源日志，并根据最新资源日志从预设的资源数据库中获取最新资源作为候选推荐资源。
在另一种可能的示例中，第二业务推荐功能为热门推荐功能，则服务器从预设的资源数据库中根据第三方数据平台提供的第三方信息，获取播放量或播放热度最高的预设数量的资源作为候选推荐资源。
本申请实施例提供的电视资源推荐方法中，电视终端为用户提供了多种业务功能，若用户的操作请求为第一业务功能，则根据标识信息，获取电视终端对应的资源推荐模型，为用户进行个性化推荐；若用户的操作请求为第二业务功能，则根据第二业务功能对应的推荐条件，从预设的资源数据库中获取满足推荐条件的资源为候选推荐资源，第二业务功能可包括多种功能，如热门推荐功能、最新推荐功能等。通过本申请实施例的方案，可向用户提供多种业务功能，满足用户的不同需求。
在上述任一实施例的基础上，本申请实施例还提供一种电视资源推荐方法，图5为本申请实施例提供的第四种电视资源推荐方法的流程示意图，如图5所示，操作请求还包括：用户选择的角色信息；家庭画像特征包括：标识信息对应的至少一个角色的画像特征；上述S400包括：
S403：根据角色信息，从至少一个角色的画像特征中，确定角色信息对应的画像特征为角色画像特征。
具体的，电视终端还为用户提供自主选择角色的功能，用户可自行选择角色，服务器根据接收到的操作请求中的角色信息，从家庭画像特征中选择该角色信息的角色画像特征。
在一种可选实施方式中，角色画像特征的获取方法可以为：
对电视终端的历史行为数据对应的资源画像特征进行聚类，得到至少一个角色的画像特征。
具体的，对该历史用户行为数据的特征进行解析，解析出历史用户行为数据的时间段特征，对资源画像特征进行解析，解析出资源的属性特征、资源标签特征；示例的，时间段特征可包括：早晨时间特征、中午时间特征、晚上时间特征等；属性特征可包括：儿童属性特征、年轻人属性特征、老年人属性特征等；资源标签特征可包括：动画标签特征、家庭伦理标签特征、娱乐标签特征、体育标签特征等；按照不同的属性特征进行角色划分，得到至少一个角色，对至少一个角色的属性特征、时间段特征和资源标签特征进行聚类，得到每个角色的画像特征。
S404：根据角色画像特征、用户行为数据的特征和资源画像特征，从电视终端对应的候选推荐资源中确定目标推荐资源。
具体的，采用上述S400的编码方式，对角色画像特征、用户行为数据的特征和资源画像特征进行特征编码，得到角色画像特征向量、用户行为数据的特征向量和资源画像特征向量，对角色画像特征向量、用户行为数据的特征向量和资源画像特征向量进行预处理，得到预处理后的角色整合向量，角色整合向量可以指示角色操作请求的兴趣，根据该预处理结果从候选推荐视频中选择符合预处理结果的目标推荐资源。
本申请实施例提供的电视资源推荐方法，通过电视终端向用户提供角色选择功能，并根据用户选择的角色信息，从至少一个角色的画像特征中，确定角色信息对应的画像特征为角色画像特征；根据角色画像特征、用户行为数据的特征和资源画像特征，从电视终端对应的候选推荐资源中确定目标推荐资源。通过本申请实施例的方案，可基于用户选择的角色向角色个性化推荐资源，使得所推荐的目标推荐资源更符合角色兴趣，满足家庭角色的智能识别，提高推荐资源与角色兴趣的匹配度，使推荐效果更佳。
在上述任一实施例的基础上，本申请实施例还提供一种电视资源推荐方法，该方法包括：
从电视终端对应的候选推荐资源中选择目标推荐资源，采用预设的排序模型对目标推荐资源进行排序，向电视终端推送排序后的目标推荐资源。
具体的，将家庭画像特征、用户行为数据的特征和目标推荐资源画像特征输入至预设的排序模型，采用上述S400的编码方式，得到家庭画像特征向量、用户行为数据的特征向量和目标推荐资源画像特征向量，将家庭画像特征向量、用户行为数据的特征向量和目标推荐资源画像特征向量输入至预设的排序模型的多层全连接层，得到整合向量，将整合向量输入至softmax二分类层，判断该整合向量对应的目标推荐资源是否会被点击，并根据softmax的结果对目标推荐资源进行排序，将会被点击的目标推荐资源排在前面，不会被点击的目标推荐资源排在后面，向电视终端推送排序后的目标推荐资源。
在预设的排序模型的训练过程中，当模型损失(loss)值满足loss阈值，模型评价指标(auc)值满足auc阈值时，排序模型训练完成。
本申请实施例提供的电视资源推荐方法，通过预测用户是否会电机目标推荐视频对目标推荐资源排序，并向电视终端推送排序后的目标推荐资源，使得目标推荐视频的推荐效果更佳。
在上述任一实施例的基础上，本申请实施例还提供一种电视资源推荐方法，该方法包括：
对上述任一实施例提供的电视资源推荐方法进行测试，示例的，测试方法可以为AB测试。
具体的，对一组用户的电视终端采用上述任一实施例的电视资源推荐方法，对另一组用户的电视终端采用现有的电视资源推荐方法，收集两组用户的体验数据和用户行为数据，分析上述任一实施例的电视资源推荐方法的推荐效果，并对上述任一实施例的电视资源推荐方法进行版本更新，不断测试，以评估出最好的电视资源推荐方法的版本，将该电视资源推荐方法应用至所有的电视终端。
在上述任一实施例的基础上，在向电视终端推送目标推荐视频时，从资源数据库中获取已下线或已失效资源的禁用资源，并从目标推荐视频中过滤禁用资源。
图6为本申请实施例提供的一种电视资源推荐装置的结构示意图，如图6所示，该装置包括：
请求接收模块100，用于接收电视终端发送的操作请求，操作请求包括：电视终端的标识信息和操作电视终端的用户行为数据；
第一获取模块200，用于获取用户行为数据对应的资源画像特征；
第二获取模块300，用于获取电视终端的家庭画像特征；
选择推荐模块400，用于根据家庭画像特征、用户行为数据的特征和资源画像特征，从电视终端对应的候选推荐资源中确定目标推荐资源；
推送模块500，用于向电视终端推送目标推荐资源。
可选的，选择推荐模块400，包括：
特征整合单元，用于根据家庭画像特征、用户行为数据的特征和资源画像特征，得到电视终端的在线用户特征；
第一选择推荐单元，用于根据在线用户特征，从候选推荐资源中确定与在线用户特征相似度最高的资源为目标推荐资源。
可选的，在选择推荐模块400之前，装置还包括：
模型获取模块，用于根据标识信息，获取电视终端对应的资源推荐模型；
第一候选资源获取模块，用于根据历史家庭画像特征、历史用户行为数据的特征和历史资源画像特征，采用资源推荐模型，得到候选推荐资源；其中，资源推荐模型为：预先采用样本家庭画像特征、样本行为数据以及样本行为数据对应的样本画像特征进行训练得到的模型。
可选的，操作请求还包括：业务功能；模型获取模块用于若业务功能为第一业务功能，则根据标识信息，获取电视终端对应的资源推荐模型。
可选的，在选择推荐模块400之前，装置还包括：
第二候选资源获取模块，用于若业务功能为第二业务功能，则根据第二业务功能对应的推荐条件，从预设的资源数据库中获取满足推荐条件的资源为候选推荐资源。
可选的，操作请求还包括：用户选择的角色信息；家庭画像特征包括：标识信息对应的至少一个角色的画像特征；选择推荐模块400包括：
角色特征获取单元，用于根据角色信息，从至少一个角色的画像特征中，确定角色信息对应的画像特征为角色画像特征；
第二选择推荐单元，用于根据角色画像特征、用户行为数据的特征和资源画像特征，从电视终端对应的候选推荐资源中确定目标推荐资源。
可选的，在角色特征获取单元之前，装置还包括：
聚类模块，用于对电视终端的历史行为数据，以及历史行为数据对应的资源画像特征进行聚类，得到至少一个角色的画像特征。
上述装置用于执行前述实施例提供的方法，其实现原理和技术效果类似，在此不再赘述。
以上这些模块可以是被配置成实施以上方法的一个或多个集成电路，例如：一个或多个特定集成电路(Application Specific Integrated Circuit，简称ASIC)，或，一个或多个微处理器(digital singnal processor，简称DSP)，或，一个或者多个现场可编程门阵列(Field Programmable Gate Array，简称FPGA)等。再如，当以上某个模块通过处理元件调度程序代码的形式实现时，该处理元件可以是通用处理器，例如中央处理器(CentralProcessing Unit，简称CPU)或其它可以调用程序代码的处理器。再如，这些模块可以集成在一起，以片上系统(system-on-a-chip，简称SOC)的形式实现。
图7为本申请实施例提供的计算机设备的结构示意图，该计算机设备可以为安装并运行有电视资源推荐应用的服务器。如图7所示，该计算机设备600包括：处理器601、存储器602。
存储器602用于存储计算机程序，处理器601调用存储器602存储的计算机程序，以执行上述任一实施例的电视资源推荐方法。具体实现方式和技术效果类似，这里不再赘述。
可选地，本发明还提供一种程序产品，例如计算机可读存储介质，包括程序，该程序在被处理器执行时用于执行上述方法实施例。
在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(英文：processor)执行本发明各个实施例所述方法的部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(英文：Read-Only Memory，简称：ROM)、随机存取存储器(英文：Random Access Memory，简称：RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
上仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (9)

1.一种电视资源推荐方法，其特征在于，包括：
接收电视终端发送的操作请求，所述操作请求包括：所述电视终端的标识信息和操作所述电视终端的用户行为数据，其中，所述用户行为数据包括显性行为数据和隐性行为数据，所述显性行为数据包括：收藏行为数据、取消收藏行为数据、手动搜索行为数据、语音搜索行为数据和筛选行为数据，所述隐性行为数据包括：观看行为数据、点击行为数据、视频播放距今时间数据、用户观看时间段以及用户不同观看时间段的权重；
获取所述用户行为数据对应的资源画像特征；
根据所述标识信息，获取所述电视终端的家庭画像特征；
根据所述家庭画像特征、所述用户行为数据的特征和所述资源画像特征，从所述电视终端对应的候选推荐资源中确定目标推荐资源；
向所述电视终端推送所述目标推荐资源；
所述操作请求还包括：用户选择的角色信息；所述家庭画像特征包括：所述标识信息对应的至少一个角色的画像特征；所述根据所述家庭画像特征、所述用户行为数据的特征和所述资源画像特征，从所述电视终端对应的候选推荐资源中确定目标推荐资源，包括：
根据所述角色信息，从所述至少一个角色的画像特征中，确定所述角色信息对应的画像特征为角色画像特征；
根据所述角色画像特征、所述用户行为数据的特征和所述资源画像特征，从所述电视终端对应的候选推荐资源中确定所述目标推荐资源。
2.如权利要求1所述的方法，其特征在于，所述根据所述家庭画像特征、所述用户行为数据的特征和所述资源画像特征，从所述电视终端对应的候选推荐资源中确定目标推荐资源，包括：
根据所述家庭画像特征、所述用户行为数据的特征和所述资源画像特征，得到所述电视终端的在线用户特征；
根据所述在线用户特征，从所述候选推荐资源中确定与所述在线用户特征相似度最高的资源为所述目标推荐资源。
3.如权利要求1所述的方法，其特征在于，所述根据所述家庭画像特征、所述用户行为数据的特征和所述资源画像特征，从所述电视终端对应的候选推荐资源中确定目标推荐资源之前，所述方法还包括：
根据所述标识信息，获取所述电视终端对应的资源推荐模型；
根据历史家庭画像特征、历史用户行为数据的特征和历史资源画像特征，采用所述资源推荐模型，得到候选推荐资源；其中，所述资源推荐模型为：预先采用样本家庭画像特征、样本用户行为数据以及所述样本用户行为数据对应的样本资源画像特征进行训练得到的模型。
4.如权利要求3所述的方法，其特征在于，所述操作请求还包括：业务功能；所述根据所述标识信息，获取所述电视终端对应的资源推荐模型，包括：
若所述业务功能为第一业务功能，则根据所述标识信息，获取所述电视终端对应的资源推荐模型。
5.如权利要求4所述的方法，其特征在于，所述根据所述家庭画像特征、所述用户行为数据的特征和所述资源画像特征，从所述电视终端对应的候选推荐资源中确定目标推荐资源之前，所述方法还包括：
若所述业务功能为第二业务功能，则根据所述第二业务功能对应的推荐条件，从预设的资源数据库中获取满足所述推荐条件的资源为所述候选推荐资源。
6.如权利要求1所述的方法，其特征在于，所述根据所述角色信息，从所述至少一个角色的画像特征中，确定所述角色信息对应的画像特征为角色画像特征之前，所述方法还包括：
对所述电视终端的历史行为数据，以及所述历史行为数据对应的资源画像特征进行聚类，得到所述至少一个角色的画像特征。
7.一种电视资源推荐装置，其特征在于，所述装置包括：
请求接收模块，用于接收电视终端发送的操作请求，所述操作请求包括：所述电视终端的标识信息和操作所述电视终端的用户行为数据，其中，所述用户行为数据包括显性行为数据和隐性行为数据，所述显性行为数据包括：收藏行为数据、取消收藏行为数据、手动搜索行为数据、语音搜索行为数据和筛选行为数据，所述隐性行为数据包括：观看行为数据、点击行为数据、视频播放距今时间数据、用户观看时间段以及用户不同观看时间段的权重；
第一获取模块，用于获取所述用户行为数据对应的资源画像特征；
第二获取模块，用于获取所述电视终端的家庭画像特征；
选择推荐模块，用于根据所述家庭画像特征、所述用户行为数据的特征和所述资源画像特征，从所述电视终端对应的候选推荐资源中确定目标推荐资源；
推送模块，用于向所述电视终端推送所述目标推荐资源；
可选的，所述操作请求还包括：用户选择的角色信息；所述家庭画像特征包括：所述标识信息对应的至少一个角色的画像特征；所述选择推荐模块包括：
角色特征获取单元，用于根据所述角色信息，从所述至少一个角色的画像特征中，确定所述角色信息对应的画像特征为角色画像特征；
第二选择推荐单元，用于根据所述角色画像特征、所述用户行为数据的特征和所述资源画像特征，从所述电视终端对应的候选推荐资源中确定所述目标推荐资源。
8.一种计算机设备，其特征在于，包括：存储器和处理器，所述存储器存储有所述处理器可执行的计算机程序，所述处理器执行所述计算机程序时实现上述权利要求1-6任一项所述的方法。
9.一种存储介质，其特征在于，所述存储介质上存储有计算机程序，所述计算机程序被读取并执行时，实现上述权利要求1-6任一项所述的方法。
CN202011353506.2A 2020-11-26 2020-11-26 电视资源推荐方法、装置、计算机设备及存储介质 Active CN112468853B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011353506.2A CN112468853B (zh) 2020-11-26 2020-11-26 电视资源推荐方法、装置、计算机设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011353506.2A CN112468853B (zh) 2020-11-26 2020-11-26 电视资源推荐方法、装置、计算机设备及存储介质

Publications (2)

Publication Number Publication Date
CN112468853A CN112468853A (zh) 2021-03-09
CN112468853B true CN112468853B (zh) 2023-01-03

Family

ID=74808946

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011353506.2A Active CN112468853B (zh) 2020-11-26 2020-11-26 电视资源推荐方法、装置、计算机设备及存储介质

Country Status (1)

Country Link
CN (1) CN112468853B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113779395A (zh) * 2021-09-10 2021-12-10 粒子文化科技集团(杭州)股份有限公司 媒资推荐方法、装置、系统、电子装置和存储介质
CN113938755A (zh) * 2021-09-18 2022-01-14 海信视像科技股份有限公司 服务器、终端设备以及资源推荐方法
CN114677168A (zh) * 2022-03-11 2022-06-28 百果园技术(新加坡)有限公司 一种资源推荐方法、装置、设备及介质
CN117033801B (zh) * 2023-10-08 2023-12-22 太平金融科技服务（上海）有限公司 一种业务推荐方法、装置、设备和存储介质

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105930425A (zh) * 2016-04-18 2016-09-07 乐视控股（北京）有限公司 个性化视频推荐方法及装置
CN105898576A (zh) * 2016-06-17 2016-08-24 青岛海信传媒网络技术有限公司 基于电视应用程序的数据推荐方法及数据服务器
CN108694223B (zh) * 2018-03-26 2021-07-16 北京奇艺世纪科技有限公司 一种用户画像库的构建方法及装置
CN109145210B (zh) * 2018-08-17 2023-03-21 深圳市雅阅科技有限公司 一种信息推荐的方法、装置及存储介质
CN111327955B (zh) * 2018-12-13 2022-03-01 Tcl科技集团股份有限公司 基于用户画像的点播方法、存储介质及智能电视
CN110430471B (zh) * 2019-07-24 2021-05-07 山东海看新媒体研究院有限公司 一种基于瞬时计算的电视推荐方法和系统
CN111026912B (zh) * 2019-12-04 2023-05-16 广州市易杰数码科技有限公司 基于iptv的协同推荐方法、装置、计算机设备以及存储介质

Also Published As

Publication number Publication date
CN112468853A (zh) 2021-03-09

Similar Documents

Publication Publication Date Title
CN112468853B (zh) 电视资源推荐方法、装置、计算机设备及存储介质
CN110704674B (zh) 一种视频播放完整度预测方法及装置
CN110019943B (zh) 视频推荐方法、装置、电子设备和存储介质
CN112597395A (zh) 对象推荐方法、装置、设备及存储介质
CN111046275B (zh) 基于人工智能的用户标签确定方法及装置、存储介质
CN107507016A (zh) 一种消息推送方法和系统
CN111191133B (zh) 业务搜索处理方法、装置及设备
CN110035302B (zh) 信息推荐及模型训练方法和装置、计算设备、存储介质
CN109214374A (zh) 视频分类方法、装置、服务器及计算机可读存储介质
CN114780831A (zh) 基于Transformer的序列推荐方法及系统
CN112149352B (zh) 一种结合gbdt自动特征工程对营销活动点击的预测方法
CN111400525B (zh) 基于视觉组合关系学习的时尚服装智能搭配与推荐方法
CN117194716B (zh) 基于大数据的教育机器人课程个性化推荐系统
CN114245185A (zh) 视频推荐方法、模型训练方法、装置、电子设备及介质
CN115129975B (zh) 推荐模型训练方法、推荐方法、装置、设备及存储介质
CN114357301B (zh) 数据处理方法、设备及可读存储介质
CN115935967A (zh) 试题资源推荐方法、装置、电子设备及存储介质
CN115934996A (zh) 推荐模型的训练方法、歌曲推荐方法及相关装置
CN115878839A (zh) 一种视频推荐方法、装置、计算机设备和计算机程序产品
CN112711717A (zh) 房间产品搜索方法、装置、电子设备
CN111414538A (zh) 基于人工智能的文本推荐方法、装置及电子设备
US20230334323A1 (en) Operation prediction apparatus, model training method for same, and operation prediction method
CN116628179B (zh) 一种用户操作数据的可视化与人机交互推荐方法
CN113343142B (zh) 一种基于用户行为序列填充和筛选的新闻点击率预测方法
CN112000821B (zh) 多媒体信息推送方法、装置、服务器及存储介质

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
GR01 Patent grant
GR01 Patent grant