CN113139856B - 影视会员套餐推荐方法及设备 - Google Patents

影视会员套餐推荐方法及设备 Download PDF

Info

Publication number
CN113139856B
CN113139856B CN202110528469.2A CN202110528469A CN113139856B CN 113139856 B CN113139856 B CN 113139856B CN 202110528469 A CN202110528469 A CN 202110528469A CN 113139856 B CN113139856 B CN 113139856B
Authority
CN
China
Prior art keywords
user
data
package
video
preference
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
CN202110528469.2A
Other languages
English (en)
Other versions
CN113139856A (zh
Inventor
黄山山
王宝云
陈正昆
彭朝晖
郝振云
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.)
Qingdao Jukanyun Technology Co ltd
Shandong University
Original Assignee
Qingdao Jukanyun Technology Co ltd
Shandong University
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 Qingdao Jukanyun Technology Co ltd, Shandong University filed Critical Qingdao Jukanyun Technology Co ltd
Priority to CN202110528469.2A priority Critical patent/CN113139856B/zh
Publication of CN113139856A publication Critical patent/CN113139856A/zh
Application granted granted Critical
Publication of CN113139856B publication Critical patent/CN113139856B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0631—Item recommendations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G06Q30/0207—Discounts or incentives, e.g. coupons or rebates
    • G06Q30/0224—Discounts or incentives, e.g. coupons or rebates based on user history
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Accounting & Taxation (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • Finance (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Development Economics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Strategic Management (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请实施例提供了一种影视会员套餐推荐方法及设备，所述方法包括：根据用户的身份信息获取特征数据；将所述特征数据输入至已训练好的会员套餐预测模型，得到用户对多个会员套餐的购买概率值，其中，所述会员套餐模型用于预测用户对会员套餐的购买概率值；将购买概率值最高的N个所述会员套餐推荐给用户。本申请通过会员套餐模型可预测得到多个会员套餐的概率值，概率值越大，说明用户购买该会员套餐的可能性越大。因此，利用会员套餐预测模型能够预测出用户最可能购买的会员套餐，将概率值较大的会员套餐推荐给用户，提升付费率。

Description

影视会员套餐推荐方法及设备
技术领域
本申请涉及互联网技术领域，尤其涉及一种影视会员套餐推荐方法及设备。
背景技术
智能电视所提供的影视内容通常来自于多个合作方，用户要收看某个视频内容时则需要开通相应合作方的会员业务。不同合作方所提供的影视内容通常也各有不同，相应的，不同合作方所提供的会员套餐类型也不同，并且会员套餐内的视频定位也有差别，因此用户有多种会员套餐类型可选。
由于会员套餐类型多种多样，为便于用户开通，智能电视通常会为用户推荐会员套餐类型。目前，会员套餐类型的推荐排序通常由人工进行编排，即根据当前热播内容确定为用户进行推荐的会员套餐类型。
然而，由于用户数量众多且喜好各不相同，因此部分用户不一定喜欢当前热播视频内容，根据当前热播内容确定为用户进行推荐的会员套餐类型可能也就不能满足用户的需要。
发明内容
本申请提供了一种影视会员套餐推荐方法及设备，以解决现有技术中根据当前热播内容确定为用户进行推荐的会员套餐类型可能也就不能满足用户的需要的技术问题。
第一方面，本申请提供了一种影视会员套餐推荐方法，所述方法包括：
根据用户的身份信息获取特征数据；
将所述特征数据输入至已训练好的会员套餐预测模型，得到用户对多个会员套餐的购买概率值，其中，所述会员套餐模型用于预测用户对会员套餐的购买概率值；
将购买概率值最高的N个所述会员套餐推荐给用户。
在一些实施例中，所述会员套餐预测模型的训练过程包括：
采集并处理原始数据，得到用户画像、视频画像及套餐画像，其中，所述原始数据包括设备基础数据、用户播放数据、用户购买订单数据、媒资数据以及套餐数据；
根据所述视频画像和所述套餐画像得到套餐特征、兴趣偏好及消费倾向偏好；
将所述用户画像、套餐特征、兴趣偏好及消费倾向偏好进行拼接，得到输入层数据；
将所述输入层数据输入至多层前馈神经网络，得到输出层数据；
将所述输出层数据经由sigmoid层激活，得到会员套餐预测模型。
在一些实施例中，所述采集并处理原始数据，得到用户画像、视频画像及套餐画像，包括：
基于设备基础数据、用户播放数据和用户购买订单数据，生成用户画像；
对媒资数据中视频的二级分类和标签进行映射，得到利用标签向量信息表示的视频向量，其中，视频画像为所述视频向量的集合；
对用户已观看套餐内的视频播放频率及视频向量，和套餐内即将上映的视频向量进行拼接，得到套餐特征，其中，套餐画像包括套餐特征、套餐的金额及时长。
在一些实施例中，根据所述视频画像和所述套餐画像得到兴趣偏好及消费倾向偏好，包括：
对所述视频向量和所述套餐特征进行attention运算，得到用户对套餐的兴趣偏好；
基于用户购买订单数据进行神经网络卷积，提取用户对套餐的金额及时长的偏好信息，得到消费倾向偏好。
第二方面，本申请提供了一种影视会员套餐推荐设备，包括：
控制器，所述控制器被配置为：
根据用户的身份信息获取特征数据；
将所述特征数据输入至已训练好的会员套餐预测模型，得到用户对多个会员套餐的购买概率值，其中，所述会员套餐模型用于预测用户对会员套餐的购买概率值；
将购买概率值最高的N个所述会员套餐推荐给用户。
与现有技术相比，本申请的有益效果为：
本申请提供了一种影视会员套餐推荐方法及设备，通过对包含设备基础数据、用户播放数据、用户购买订单数据、媒资数据及套餐数据在内的原始数据进行处理，得到特征数据，利用特征数据训练会员套餐预测模型，后台运营商在为用户进行会员套餐推荐时，只需利用用户的身份信息获取相应的特征数据，将特征数据输入至训练好的会员套餐预测模型之后，即可得到多个会员套餐的概率值，概率值越大，说明用户购买该会员套餐的可能性越大。因此，本申请借助会员套餐预测模型能够预测出用户最可能购买的会员套餐，将购买概率值较大的会员套餐推荐给用户，提升付费率。
附图说明
为了更清楚地说明本申请的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1中示例性示出了根据一些实施例的显示设备与控制装置之间操作场景的示意图；
图2中示例性示出了根据一些实施例的控制装置100的硬件配置框图；
图3中示例性示出了根据一些实施例的显示设备200的硬件配置框图；
图4中示例性示出了根据一些实施例的显示设备200中软件配置示意图；
图5中示例性示出了根据一些实施例的会员套餐预测模型的训练流程示意图；
图6中示例性示出了根据一些实施例的用户播放数据处理示意图；
图7中示例性示出了根据一些实施例的数据处理流程图；
图8中示例性示出了根据一些实施例的另一数据处理流程图；
图9中示例性示出了根据一些实施例的会员套餐预测模型结构图；
图10中示例性示出了根据一些实施例的影视会员套餐推荐的流程示意图；
图11中示例性示出了根据一些实施例的会员套餐预测的流程示意图；
图12中示例性示出了根据一些实施例的数据集生成时间点划分示意图。
具体实施方式
为使本申请的目的和实施方式更加清楚，下面将结合本申请示例性实施例中的附图，对本申请示例性实施方式进行清楚、完整地描述，显然，描述的示例性实施例仅是本申请一部分实施例，而不是全部的实施例。
需要说明的是，本申请中对于术语的简要说明，仅是为了方便理解接下来描述的实施方式，而不是意图限定本申请的实施方式。除非另有说明，这些术语应当按照其普通和通常的含义理解。
本申请中说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”等是用于区别类似或同类的对象或实体，而不必然意味着限定特定的顺序或先后次序，除非另外注明。应该理解这样使用的用语在适当情况下可以互换。
术语“包括”和“具有”以及他们的任何变形，意图在于覆盖但不排他的包含，例如，包含了一系列组件的产品或设备不必限于清楚地列出的所有组件，而是可包括没有清楚地列出的或对于这些产品或设备固有的其它组件。
术语“模块”是指任何已知或后来开发的硬件、软件、固件、人工智能、模糊逻辑或硬件或/和软件代码的组合，能够执行与该元件相关的功能。
图1为根据实施例中显示设备与控制装置之间操作场景的示意图。如图1所示，用户可通过智能设备300或控制装置100操作显示设备200。
在一些实施例中，控制装置100可以是遥控器，遥控器和显示设备的通信包括红外协议通信或蓝牙协议通信，及其他短距离通信方式，通过无线或有线方式来控制显示设备200。用户可以通过遥控器上按键、语音输入、控制面板输入等输入用户指令，来控制显示设备200。
在一些实施例中，也可以使用智能设备300(如移动终端、平板电脑、计算机、笔记本电脑等)以控制显示设备200。例如，使用在智能设备上运行的应用程序控制显示设备200。
在一些实施例中，显示设备200还可以采用除了控制装置100和智能设备300之外的方式进行控制，例如，可以通过显示设备200设备内部配置的获取语音指令的模块直接接收用户的语音指令控制，也可以通过显示设备200设备外部设置的语音控制设备来接收用户的语音指令控制。
在一些实施例中，显示设备200还与服务器400进行数据通信。可允许显示设备200通过局域网(LAN)、无线局域网(WLAN)和其他网络进行通信连接。服务器400可以向显示设备200提供各种内容和互动。服务器400可以是一个集群，也可以是多个集群，可以包括一类或多类服务器。
图2示例性示出了根据示例性实施例中控制装置100的配置框图。如图2所示，控制装置100包括控制器110、通信接口130、用户输入/输出接口140、存储器、供电电源。控制装置100可接收用户的输入操作指令，且将操作指令转换为显示设备200可识别和响应的指令，起用用户与显示设备200之间交互中介作用。
图3示出了根据示例性实施例中显示设备200的硬件配置框图。
在一些实施例中，显示设备200包括调谐解调器210、通信器220、检测器230、外部装置接口240、控制器250、显示器260、音频输出接口270、存储器、供电电源、用户接口中的至少一种。
在一些实施例中控制器包括处理器，视频处理器，音频处理器，图形处理器，RAM，ROM，用于输入/输出的第一接口至第n接口。
在一些实施例中，显示器260包括用于呈现画面的显示屏组件，以及驱动图像显示的驱动组件，用于接收源自控制器输出的图像信号，进行显示视频内容、图像内容以及菜单操控界面的组件以及用户操控UI界面。
在一些实施例中，显示器260可为液晶显示器、OLED显示器、以及投影显示器，还可以为一种投影装置和投影屏幕。
在一些实施例中，通信器220是用于根据各种通信协议类型与外部设备或服务器进行通信的组件。例如：通信器可以包括Wifi模块，蓝牙模块，有线以太网模块等其他网络通信协议芯片或近场通信协议芯片，以及红外接收器中的至少一种。显示设备200可以通过通信器220与外部控制设备100或服务器400建立控制信号和数据信号的发送和接收。
在一些实施例中，用户接口，可用于接收控制装置100(如：红外遥控器等)的控制信号。
在一些实施例中，检测器230用于采集外部环境或与外部交互的信号。例如，检测器230包括光接收器，用于采集环境光线强度的传感器；或者，检测器230包括图像采集器，如摄像头，可以用于采集外部环境场景、用户的属性或用户交互手势，再或者，检测器230包括声音采集器，如麦克风等，用于接收外部声音。
在一些实施例中，外部装置接口240可以包括但不限于如下：高清多媒体接口接口(HDMI)、模拟或数据高清分量输入接口(分量)、复合视频输入接口(CVBS)、USB输入接口(USB)、RGB端口等任一个或多个接口。也可以是上述多个接口形成的复合性的输入/输出接口。
在一些实施例中，调谐解调器210通过有线或无线接收方式接收广播电视信号，以及从多个无线或有线广播电视信号中解调出音视频信号，如以及EPG数据信号。
在一些实施例中，控制器250和调谐解调器210可以位于不同的分体设备中，即调谐解调器210也可在控制器250所在的主体设备的外置设备中，如外置机顶盒等。
在一些实施例中，控制器250，通过存储在存储器上中各种软件控制程序，来控制显示设备的工作和响应用户的操作。控制器250控制显示设备200的整体操作。例如：响应于接收到用于选择在显示器260上显示UI对象的用户命令，控制器250便可以执行与由用户命令选择的对象有关的操作。
在一些实施例中，所述对象可以是可选对象中的任何一个，例如超链接、图标或其他可操作的控件。与所选择的对象有关操作有：显示连接到超链接页面、文档、图像等操作，或者执行与所述图标相对应程序的操作。
在一些实施例中控制器包括中央处理器(Central Processing Unit，CPU)，视频处理器，音频处理器，图形处理器(Graphics Processing Unit，GPU)，RAM Random AccessMemory，RAM)，ROM(Read-Only Memory,ROM)，用于输入/输出的第一接口至第n接口，通信总线(Bus)等中的至少一种。
CPU处理器，用于执行存储在存储器中操作系统和应用程序指令，以及根据接收外部输入的各种交互指令，来执行各种应用程序、数据和内容，以便最终显示和播放各种音视频内容。CPU处理器，可以包括多个处理器。如，包括一个主处理器以及一个或多个子处理器。
在一些实施例中，图形处理器，用于产生各种图形对象，如：图标、操作菜单、以及用户输入指令显示图形等。图形处理器包括运算器，通过接收用户输入各种交互指令进行运算，根据显示属性显示各种对象；还包括渲染器，对基于运算器得到的各种对象，进行渲染，上述渲染后的对象用于显示在显示器上。
在一些实施例中，视频处理器，用于将接收外部视频信号，根据输入信号的标准编解码协议，进行解压缩、解码、缩放、降噪、帧率转换、分辨率转换、图像合成等视频处理，可得到直接可显示设备200上显示或播放的信号。
在一些实施例中，视频处理器，包括解复用模块、视频解码模块、图像合成模块、帧率转换模块、显示格式化模块等。其中，解复用模块，用于对输入音视频数据流进行解复用处理。视频解码模块，用于对解复用后的视频信号进行处理，包括解码和缩放处理等。图像合成模块，如图像合成器，其用于将图形生成器根据用户输入或自身生成的GUI信号，与缩放处理后视频图像进行叠加混合处理，以生成可供显示的图像信号。帧率转换模块，用于对转换输入视频帧率。显示格式化模块，用于将接收帧率转换后视频输出信号，改变信号以符合显示格式的信号，如输出RGB数据信号。
在一些实施例中，音频处理器，用于接收外部的音频信号，根据输入信号的标准编解码协议，进行解压缩和解码，以及降噪、数模转换、和放大处理等处理，得到可以在扬声器中播放的声音信号。
在一些实施例中，用户可在显示器260上显示的图形用户界面(GUI)输入用户命令，则用户输入接口通过图形用户界面(GUI)接收用户输入命令。或者，用户可通过输入特定的声音或手势进行输入用户命令，则用户输入接口通过传感器识别出声音或手势，来接收用户输入命令。
在一些实施例中，“用户界面”，是应用程序或操作系统与用户之间进行交互和信息交换的介质接口，它实现信息的内部形式与用户可以接受形式之间的转换。用户界面常用的表现形式是图形用户界面(Graphic User Interface，GUI)，是指采用图形方式显示的与计算机操作相关的用户界面。它可以是在电子设备的显示屏中显示的一个图标、窗口、控件等界面元素，其中控件可以包括图标、按钮、菜单、选项卡、文本框、对话框、状态栏、导航栏、Widget等可视的界面元素。
在一些实施例中，显示设备的系统可以包括内核(Kernel)、命令解析器(shell)、文件系统和应用程序。内核、shell和文件系统一起组成了基本的操作系统结构，它们让用户可以管理文件、运行程序并使用系统。上电后，内核启动，激活内核空间，抽象硬件、初始化硬件参数等，运行并维护虚拟内存、调度器、信号及进程间通信(IPC)。内核启动后，再加载Shell和用户应用程序。应用程序在启动后被编译成机器码，形成一个进程。
参见图4，在一些实施例中，将系统分为四层，从上至下分别为应用程序(Applications)层(简称“应用层”)，应用程序框架(Application Framework)层(简称“框架层”)，安卓运行时(Android runtime)和系统库层(简称“系统运行库层”)，以及内核层。
在一些实施例中，应用程序层中运行有至少一个应用程序，这些应用程序可以是操作系统自带的窗口(Window)程序、系统设置程序或时钟程序等；也可以是第三方开发者所开发的应用程序。在具体实施时，应用程序层中的应用程序包不限于以上举例。
框架层为应用程序提供应用编程接口(application programming interface，API)和编程框架。应用程序框架层包括一些预先定义的函数。应用程序框架层相当于一个处理中心，这个中心决定让应用层中的应用程序做出动作。应用程序通过API接口，可在执行中访问系统中的资源和取得系统的服务。
如图4所示，本申请实施例中应用程序框架层包括管理器(Managers)，内容提供者(Content Provider)等，其中管理器包括以下模块中的至少一个：活动管理器(ActivityManager)用与和系统中正在运行的所有活动进行交互；位置管理器(Location Manager)用于给系统服务或应用提供了系统位置服务的访问；文件包管理器(Package Manager)用于检索当前安装在设备上的应用程序包相关的各种信息；通知管理器(NotificationManager)用于控制通知消息的显示和清除；窗口管理器(Window Manager)用于管理用户界面上的括图标、窗口、工具栏、壁纸和桌面部件。
在一些实施例中，活动管理器用于管理各个应用程序的生命周期以及通常的导航回退功能，比如控制应用程序的退出、打开、后退等。窗口管理器用于管理所有的窗口程序，比如获取显示屏大小，判断是否有状态栏，锁定屏幕，截取屏幕，控制显示窗口变化(例如将显示窗口缩小显示、抖动显示、扭曲变形显示等)等。
在一些实施例中，系统运行库层为上层即框架层提供支撑，当框架层被使用时，安卓操作系统会运行系统运行库层中包含的C/C++库以实现框架层要实现的功能。
在一些实施例中，内核层是硬件和软件之间的层。如图4所示，内核层至少包含以下驱动中的至少一种：音频驱动、显示驱动、蓝牙驱动、摄像头驱动、WIFI驱动、USB驱动、HDMI驱动、传感器驱动(如指纹传感器，温度传感器，压力传感器等)、以及电源驱动等。
在一些实施例中的硬件或软件架构可以基于上述实施例中的介绍，在一些实施例中可以是基于相近的其他硬件或软件架构，可以实现本申请的技术方案即可。
目前，为了给用户带来更优质的观看体验，后台运营商会根据当前热播内容为用户进行影视会员套餐推荐，用户一般会根据价格、套餐内影视内容等从多种影视会员套餐中作出选择。但是，由于当前热播内容并不一定是用户所偏好的内容，那后台运营商所推荐的影视会员套餐往往不能够吸引用户去购买，从而影响了付费率。
为了能够向用户推荐较为合适的影视会员套餐，本申请实施例提供了一种影视会员套餐推荐方法。在进行影视会员套餐推荐之前，可先训练出会员套餐预测模型。
在一些实施例中，影响用户购买某种类型套餐的主要因素有套餐价格、套餐内的视频内容属性、用户的观影历史以及购买历史。其中，购买历史可以反映出用户对套餐价格的承受能力，还可以反映出用户所偏好的媒资，用户对媒资的偏好决定了用户是否喜欢套餐内的付费内容。因此，本申请通过用户画像购买力维度、套餐内视频内容属性维度、用户视频观影维度以及用户套餐购买历史进行特征提取，利用包含不同套餐类型购买历史进行模型训练，得到会员套餐预测模型，本申请中，可利用会员套餐预测模型预测每个用户购买影视会员套餐的概率分布，并根据概率大小进行套餐排序。
在一些实施例中，定义用户集合
Figure BDA0003066226300000061
套餐集合
Figure BDA0003066226300000062
其中对于每个套餐m∈M，它内部包含
Figure BDA0003066226300000063
个视频，视频集合
Figure BDA0003066226300000064
其中对于每个视频v∈V，它含有三级文本标签分类信息{firstcatagory,secondcatagory,tags，每级分类都是列表形式，表示视频不同粒度下的分类。对于每个用户u∈U，他存在视频播放历史以及订单消费历史，分别表示为Su＝{s1,s2,s3,…}和Pu＝{p1,p2,p3,…}。
下面结合附图对会员套餐预测模型的训练过程进行说明。
图5中示例性示出了根据一些实施例的会员套餐预测模型的训练流程示意图。结合图5所示，所述会员套餐预测模型的训练过程如下：
S501：采集并处理原始数据，得到用户画像、视频画像及套餐画像。
S502：根据所述视频画像和所述套餐画像得到套餐特征、兴趣偏好及消费倾向偏好。
在一些实施例中，采集原始数据进行特征提取，该原始数据可以包括设备基础数据、用户播放数据、用户购买订单数据、媒资数据以及套餐数据。在此，设备基础数据，是指企业收集的用户画像的基础维度，从中可获取用户购买电视机型的等级(低端、终端、高端)以及用户购买电视的年份。用户播放数据，是指用户播放视频的历史记录，从显示设备收集，包括用户ID(Identity document，身份证标识号)、视频ID、播放时间戳及视频播放时长。用户购买订单数据，是指用户在显示涉笔购买了某个视频或者影视会员套餐，包括用户ID、物品ID、购买时间戳以及金额，其中，物品ID可能是视频ID或者影视会员套餐ID。媒资数据，是指全部的可播放的视频信息，主要包括视频ID、是否付费、视频一级分类(电影、电视剧等)、二级分类、标签、所属影视会员套餐ID等信息。套餐数据，是指套餐的基础信息，主要包括影视会员套餐ID及套餐价格。
在一些实施例中，在进行数据处理时，针对于采集的用户播放数据，可以基于会话方式处理，即按照时间长度和时间间隔将用户播放数据进行合并和删除。在一种实现方式中，在用户播放数据中，若两个视频的播放间隔超过三个小时即将该两个视频划到两个不同的会话中，而对于同一个会话中的视频，如果播放间隔不超过一个小时，则将其合并为一个播放记录，并将时长相加。将用户最近一端时间内的播放数据处理之后得到用户在该时间段内的播放序列，即用户播放行为。
图6中示例性示出了根据一些实施例的用户播放数据处理示意图。结合图6，对于初始的用户播放数据来说，用户在8点观看第一视频30分钟，并于8点50分时继续观看第一视频25分钟，期间，在8点31分时，用户穿插观看了14分钟的第二视频。用户在16点15分时，观看第二视频200分钟，在21点15分时，观看第三视频45分钟。对该用户播放数据进行会话处理，得到处理后的用户播放数据。由于该用户在观看的第一视频的时间分别为8点和8点50分，在三小时之内，此时可将两者合并在一起，也就是用户观看第一视频55分钟。由于用户分别在8点31分和16点15分时观看了第二视频，两者之间的时间差大于三小时，故不能够合并。
通过会话方式对用户播放数据进行处理之后，可以一方面将暂停、广告等因素导致的同一视频的播放数据进行合并，消除用户暂停或者广告插入导致的多条相同视频观看记录，从而有效筛选掉噪音数据和异常值数据，也可以使得用户播放数据兴趣显得更加集中，对于后续模型的处理起到了有效预处理的作用。
举例来说，未处理的用户播放数据为[“A电影”，“手机广告”，“A电影”，“B综艺预告”，“B综艺(短时间观看)”，点击暂停，“B综艺(短时间观看)”，“A电影”]，该观看记录比较杂乱，其中，手机广告属于冗余数据，而且某个视频观看多次，其实仅观看了一遍。通过会话方式处理之后，上述用户播放数据变为[“A电影”，“B综艺预告”，“B综艺”]，这样就会把观看记录进行整合，而且忽略掉中间冗余数据，视频播放不再杂乱，其所体现的用户兴趣更加集中。
图7中示例性示出了根据一些实施例的数据处理流程图。如图7中所示，S701-S703对原始数据的处理过程进行了说明。
S701：基于设备基础数据、用户播放数据和用户购买订单数据，生成用户画像。
在一些实施例中，通过对用户播放数据和用户购买数据进行各个维度的统计分析，生成用户画像。其中，用户画像主要包含一定时间窗口内的观看信息、订单信息以及用户的偏好信息等，如最近7天用户观看套餐内视频时长、最近30天用户活跃天数、最近60天用户消费总金额、套餐剩余天数、视频二级分类偏好等等。用户画像组成举例如下表一所示：
表一：
Figure BDA0003066226300000071
Figure BDA0003066226300000081
S702：对媒资数据中视频的二级分类和标签进行映射，得到利用标签向量信息表示的视频向量。
在一些实施例中，对于视频v的表示，首先使用中文词向量对于视频的二级分类和标签进行映射，从而使用标签向量信息来表示广视角下的视频。例如，对于“喜剧”这个标签，从中文词向量对应可以得到向量[2.78474e-01,…,4.09940e-01]，长度为200，经过PCA(principal components analysis，主成分分析)降维到32维后，得到向量[9.15390e-02,…,3.43817e-01]，长度为32，而且与其他标签的相似度变化很小，与“搞笑”相似度依旧高于“都市”。然后分别求取各级的标签平均向量，再对各级标签向量求取平均值，得到最终的视频32维向量表示v，如下公式所示，式中，
Figure BDA0003066226300000082
代表第k个标签的向量。
Figure BDA0003066226300000083
所述视频向量的集合即为视频画像。
例如，对于视频A电影来说，其二级分类为喜剧、校园、爱情和青春，标签为梦想、爱情片、学校、童年、院线、当代、喜剧片、黑色幽默、犀利、话剧、人生、感动、女神、中年危机、搞笑、成长、青春、剧情片、机智、大众电影百花奖、怀旧、幽默、婚姻、屌丝、奇幻、开心麻花系列以及内地票房榜。如果单纯使用影片是否包含某个二级分类或者标签来标签影片，那么视频的表示维度很大，也就是说视频的关键词的个数很多，并且直接使用关键词的重合度来度量影片无法考虑到关键词的同义性，导致相似度并不准确。因此，本申请使用中文词向量来表示每一个关键词，采用32维的向量表示每个关键词，比如搞笑和喜剧的32维的向量更相近，和悲剧的向量距离较远，那么每个影片使用包含的所有关键词的32维的向量的平均值来表示每个视频。另外，对视频进行降维之后，还可以降低后续模型计算量。
S703：对用户已观看套餐内的视频播放频率及视频向量，和套餐内即将上映的视频向量进行拼接，得到套餐特征。
在一些实施例中，对于套餐内部视频来说，具有不断更换内容的动态属性和基于金额、时长不变性的静态属性，故，对套餐画像的表示可分为两部分，其一为套餐特征，其二为套餐的金额及时长。
对于套餐特征，根据用户的播放历史，选择在过去一段时间内套餐内视频的播放频率以及视频向量，再根据未来一段时间内套餐内即将上映的视频向量，综合两者对套餐的动态属性进行表示，从而将套餐映射到视频域中，用于之后的Attention运算。如，对于套餐
Figure BDA0003066226300000084
Figure BDA0003066226300000085
在过去7天，套餐内每个视频的播放次数为{t1,t3,…,tl}，在未来14天，即将有{vk,vk+1,…,vk+p}视频上映，且都是属于mi，通过如下公式可以得到套餐特征RM：
Figure BDA0003066226300000086
公式中，v表示套餐内的视频，v′表示套餐内即将上映的视频。
对于套餐的金额及时长，使用套餐的静态属性信息来对套餐进行描述，提取出用户对于金额、时长等方面的偏好，便于之后用户的订单历史中提取用户的消费倾向信息，该结果用于之后的CNN(Convolutional Neural Networks，卷积神经网络)进行卷积计算。
图8中示例性示出了根据一些实施例的另一数据处理流程图。如图8中所示，S801-S802对数据的处理过程进行了说明。
S801：对所述视频向量和所述套餐特征进行attention运算，得到用户对套餐的兴趣偏好。
在一些实施例中，将用户的播放历史向量与套餐mi进行Attention运算，即计算该用户的播放历史与套餐mi相关的不同权重值ai，进行加权求和，得到用户关于套餐的兴趣偏好RI，如下公式所示：
ai＝a(vj,RM)＝Linear(1)(ffn(concat(vj,RM)))
Figure BDA0003066226300000091
式中，Linear(1)表示输出维度为1的线性函数，ffn()为前馈神经网络。其中，用户的播放历史向量是指视频ID跟视频画像中的视频向量进行对应，所得到的一系列视频向量。
S802：基于用户购买订单数据进行神经网络卷积，提取用户对套餐的金额及时长的偏好信息，得到消费倾向偏好。
在一些实施例中，将获取到的用户消费历史进行CNN卷积，使用卷积核提取出用户对于消费的兴趣向量，此处使用的为套餐画像中的静态属性，提取用户关于金额、时长等方面的偏好信息，以此求取用户的消费倾向偏好PI，如下公式所示：
PI＝cnn(P)
以上，S501和S502进行了数据集的构造。
S503：将所述用户画像、套餐特征、兴趣偏好及消费倾向偏好进行拼接，得到输入层数据。
S504：将所述输入层数据输入至多层前馈神经网络，得到输出层数据。
S505：将所述输出层数据经由sigmoid层激活，得到会员套餐预测模型。
图9中示例性示出了根据一些实施例的会员套餐预测模型结构图。如图9所示，经过对原始数据的处理，提取出特征数据，即用户画像UP、套餐特征RM、兴趣偏好RI及消费倾向偏好PI，对特征进行拼接得到输入层数据，输入层数据再经过多层前馈神经网络得到输出层数据，最终输出层数据经过sigmoid层激活，得到最终的会员套餐预测模型。
图10中示例性示出了根据一些实施例的影视会员套餐推荐的流程示意图。
S1001：根据用户的身份信息获取特征数据。
在一些实施例中，可以将会员套餐预测模型所使用的特征数据进行缓存，便于后期模型预测时直接调用。在需要进行影视会员套餐推荐时，可直接根据用户的身份信息调用特征数据。
S1002：将所述特征数据输入至已训练好的会员套餐预测模型，得到用户对多个会员套餐的购买概率值。
在一些实施例中，通过用户身份信息调取出所需的特征数据后，将特征数据输入至会员套餐预测模型，通过该模型输出用户对多个会员套餐的购买概率值，其中，所述会员套餐模型用于预测用户对会员套餐的购买概率值。
S1003：将购买概率值最高的N个所述会员套餐推荐给用户。
在一些实施例中，可按照购买概率值由大到小的顺序进行排序，生成多个会员套餐的排序列表，将该排序列表推荐给用户。排序列表中会员套餐的个数不做限定。
图11中示例性示出了根据一些实施例的会员套餐预测的流程示意图，结合图11所示，本申请包括线下的模型训练以及线上模型服务。
线下模型训练包括特征提取以及模型离线训练和评测，通过原始数据进行数据集构造。数据集生成过程中，根据未来一段时间是否购买套餐来设置标签，成功购买某个套餐类型为1，否则为0，并且可以使用时间点前一段时间的历史记录信息来构造用户画像、视频画像和套餐画像。数据集生成时间点划分可参见图12所示，预测用户购买每种影视会员套餐类型的可能性定义为多标签问题，标签个数是影视会员套餐类型个数，预测每个用户在对应影视会员套餐类型标签上为1的概率。例如，有7个影视会员套餐类型需要推荐，如果用户从未购买过任何一种影视会员套餐类型，样本标签为[0,0,0,0,0,0,0]，如果用户购买过其中第一和第三种影视会员套餐类型，样本标签为[1,0,1,0,0,0,0]。
线上模型服务通过用户的身份信息查询模型所需特征，调用TFserving服务输出预测结果，通过预测结果生成会员套餐排序列表返回给用户。
本申请通过会员套餐模型可预测得到多个会员套餐的概率值，概率值越大，说明用户购买该会员套餐的可能性越大。因此，利用会员套餐预测模型能够预测出用户最可能购买的会员套餐，将概率值较大的会员套餐推荐给用户，提升付费率。
在一些实施例中，由于在实际应用场景中付费与非付费用户的比例差距较大，在模型训练时，很容易出现预测偏差，但准确率等指标却很高的情况。因此，本申请采用AUC(Area Under Curve，ROC曲线下方的面积大小)作为模型的评测结果，AUC在面对这种样本不均衡的现象时，随机从正负样本中选取一对正负样本，其中正样本的得分大于负样本的概率，从而避免样本量偏差的问题。
在一些实施例中，考虑到线上收益情况，在预测结果准确的同时，最好可以发现更多的未来付费的用户，从而可以及时推荐相应套餐，刺激用户消费，因此，对于模型的效果更加侧重于召回率。将所述会员套餐预测模型所输出的每个概率值均利用二元交叉熵损失函数计算损失值，如下公式所示：
Figure BDA0003066226300000101
式中，s(x)为会员套餐预测模型的输出值，y是真实值。
将全部损失值进行加权损失计算，得到所述会员套餐预测模型的总损失值，计算如下公式所示：
Figure BDA0003066226300000102
式中，|m|表示套餐个数，pricei表示套餐i的价格，Li表示模型中套餐i的损失值。
与上述方法相对应的，本申请还提供了一种影视会员套餐推荐设备，包括：控制器，所述控制器被配置为：根据用户的身份信息获取特征数据，将所述特征数据输入至已训练好的会员套餐预测模型，得到用户对多个会员套餐的购买概率值，其中，所述会员套餐模型用于预测用户对会员套餐的购买概率值。将购买概率值最高的N个所述会员套餐推荐给用户。
在一些实施例中，所述控制器还被配置为执行会员套餐预测模型的训练过程，包括：采集并处理原始数据，得到用户画像、视频画像及套餐画像，其中，所述原始数据包括设备基础数据、用户播放数据、用户购买订单数据、媒资数据以及套餐数据；根据所述视频画像和所述套餐画像得到套餐特征、兴趣偏好及消费倾向偏好；将所述用户画像、套餐特征、兴趣偏好及消费倾向偏好进行拼接，得到输入层数据；将所述输入层数据输入至多层前馈神经网络，得到输出层数据；将所述输出层数据经由sigmoid层激活，得到会员套餐预测模型。
由于以上实施方式均是在其他方式之上引用结合进行说明，不同实施例之间均具有相同的部分，本说明书中各个实施例之间相同、相似的部分互相参见即可。在此不再详细阐述。
需要说明的是，在本说明书中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或暗示这些实体或操作之间存在任何这种实际的关系或顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的电路结构、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种电路结构、物品或者设备所固有的要素。在没有更多限制的情况下，有语句“包括一个……”限定的要素，并不排除在包括要素的电路结构、物品或者设备中还存在另外的相同要素。
本领域技术人员在考虑说明书及实践这里发明的公开后，将容易想到本申请的其他实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本申请的真正范围和精神由权利要求的内容指出。
以上的本申请实施方式并不构成对本申请保护范围的限定。

Claims (8)

1.一种影视会员套餐推荐方法，其特征在于，所述方法包括：
根据用户的身份信息获取特征数据，所述特征数据包括第一用户画像、第一套餐特征、第一兴趣偏好及第一消费倾向偏好；
将所述特征数据输入至已训练好的会员套餐预测模型，得到用户对多个会员套餐的购买概率值，其中，所述会员套餐预测模型用于预测用户对会员套餐的购买概率值，所述会员套餐预测模型为通过原始数据构造的数据集进行训练得到的，所述原始数据包括设备基础数据、用户播放数据、用户购买订单数据、媒资数据以及套餐数据，所述数据集由第二用户画像、第二套餐特征、第二兴趣偏好及第二消费倾向偏好构成，所述第二用户画像是基于所述设备基础数据、第一用户播放数据和所述用户购买订单数据生成的，其中，所述第一用户播放数据为将所述用户播放数据按照时间长度和时间间隔进行合并和删除后得到的数据；所述第二套餐特征由用户已观看套餐内的视频播放频率、视频向量和套餐内即将上映的视频向量拼接而成，其中，所述视频向量通过对媒资数据中视频的二级分类和标签进行映射得到，所述视频向量利用标签向量信息表示，视频画像为所述视频向量的集合；所述第二兴趣偏好是对所述视频向量和所述第二套餐特征进行attention运算得到的；所述第二消费倾向偏好是基于用户购买订单数据进行神经网络卷积，并提取用户对套餐的金额及时长的偏好信息生成的；
将购买概率值最高的N个所述会员套餐推荐给用户。
2.根据权利要求1所述的影视会员套餐推荐方法，其特征在于，所述会员套餐预测模型的训练过程包括：
采集并处理原始数据，得到第二用户画像、视频画像及套餐画像；
根据所述视频画像和所述套餐画像得到第二套餐特征、第二兴趣偏好及第二消费倾向偏好；
将所述第二用户画像、第二套餐特征、第二兴趣偏好及第二消费倾向偏好进行拼接，得到输入层数据；
将所述输入层数据输入至多层前馈神经网络，得到输出层数据；
将所述输出层数据经由sigmoid层激活，得到会员套餐预测模型。
3.根据权利要求2所述的影视会员套餐推荐方法，其特征在于，套餐画像包括第二套餐特征、套餐的金额及时长。
4.根据权利要求2所述的影视会员套餐推荐方法，其特征在于，在所述根据用户身份信息获取特征数据之前，所述方法还包括：
将特征数据进行缓存。
5.根据权利要求1所述的影视会员套餐推荐方法，其特征在于，所述会员套餐预测模型采用AUC作为模型的测评结果。
6.根据权利要求1所述的影视会员套餐推荐方法，其特征在于，所述方法还包括：
将所述会员套餐预测模型所输出的每个概率值均利用二元交叉熵损失函数计算损失值；
将全部损失值进行加权损失计算，得到所述会员套餐预测模型的总损失值。
7.一种影视会员套餐推荐设备，其特征在于，包括：
控制器，所述控制器被配置为：
根据用户的身份信息获取特征数据，所述特征数据包括第一用户画像、第一套餐特征、第一兴趣偏好及第一消费倾向偏好；
将所述特征数据输入至已训练好的会员套餐预测模型，得到用户对多个会员套餐的购买概率值，其中，所述会员套餐预测模型用于预测用户对会员套餐的购买概率值，所述会员套餐预测模型为通过原始数据构造的数据集进行训练得到的，所述原始数据包括设备基础数据、用户播放数据、用户购买订单数据、媒资数据以及套餐数据，所述数据集由第二用户画像、第二套餐特征、第二兴趣偏好及第二消费倾向偏好构成，所述第二用户画像是基于所述设备基础数据、第一用户播放数据和所述用户购买订单数据生成的，其中，所述第一用户播放数据为将所述用户播放数据按照时间长度和时间间隔进行合并和删除后得到的数据；所述第二套餐特征由用户已观看套餐内的视频播放频率、视频向量和套餐内即将上映的视频向量拼接而成，其中，所述视频向量通过对媒资数据中视频的二级分类和标签进行映射得到，所述视频向量利用标签向量信息表示，视频画像为所述视频向量的集合；所述第二兴趣偏好是对所述视频向量和所述第二套餐特征进行attention运算得到的；所述第二消费倾向偏好是基于用户购买订单数据进行神经网络卷积，并提取用户对套餐的金额及时长的偏好信息生成的；
将购买概率值最高的N个所述会员套餐推荐给用户。
8.根据权利要求7所述的影视会员套餐推荐设备，其特征在于，所述控制器还被配置为执行会员套餐预测模型的训练过程，还包括：
采集并处理原始数据，得到第二用户画像、视频画像及套餐画像，根据所述视频画像和所述套餐画像得到第二套餐特征、第二兴趣偏好及第二消费倾向偏好；
将所述第二用户画像、第二套餐特征、第二兴趣偏好及第二消费倾向偏好进行拼接，得到输入层数据；
将所述输入层数据输入至多层前馈神经网络，得到输出层数据；
将所述输出层数据经由sigmoid层激活，得到会员套餐预测模型。
CN202110528469.2A 2021-05-14 2021-05-14 影视会员套餐推荐方法及设备 Active CN113139856B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110528469.2A CN113139856B (zh) 2021-05-14 2021-05-14 影视会员套餐推荐方法及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110528469.2A CN113139856B (zh) 2021-05-14 2021-05-14 影视会员套餐推荐方法及设备

Publications (2)

Publication Number Publication Date
CN113139856A CN113139856A (zh) 2021-07-20
CN113139856B true CN113139856B (zh) 2023-04-07

Family

ID=76817070

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110528469.2A Active CN113139856B (zh) 2021-05-14 2021-05-14 影视会员套餐推荐方法及设备

Country Status (1)

Country Link
CN (1) CN113139856B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI779889B (zh) * 2021-10-20 2022-10-01 中華電信股份有限公司 一種串流動態銷售裝置、系統及方法
CN114339417B (zh) * 2021-12-30 2024-05-10 未来电视有限公司 一种视频推荐的方法、终端设备和可读存储介质
CN116934389B (zh) * 2023-06-12 2024-02-23 嘉兴华数广电网络有限公司 基于云计算与跨平台技术的数字电视有价券卡管理系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106651443A (zh) * 2016-12-19 2017-05-10 中国联合网络通信集团有限公司 用户画像信息处理方法及装置
CN112163963A (zh) * 2020-09-27 2021-01-01 中国平安财产保险股份有限公司 业务推荐方法、装置、计算机设备和存储介质
CN112364203A (zh) * 2020-11-30 2021-02-12 未来电视有限公司 电视视频推荐方法、装置、服务器和存储介质

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160132940A1 (en) * 2014-11-12 2016-05-12 Analytics Media Group, LLC Media planning system
CN105898421A (zh) * 2015-01-16 2016-08-24 何湘 一种网络影视节目智能推荐方法及系统
CN105160008B (zh) * 2015-09-21 2020-03-31 合一网络技术(北京)有限公司 一种定位推荐用户的方法及装置
CN106228382A (zh) * 2016-07-07 2016-12-14 中国联合网络通信集团有限公司 移动终端合约的推荐方法及系统
CN110019163A (zh) * 2017-12-05 2019-07-16 北京京东尚科信息技术有限公司 对象特征的预测、推荐的方法、系统、设备和存储介质
CN110955828B (zh) * 2019-11-19 2023-08-01 浙江鸿程计算机系统有限公司 一种基于深度神经网络的多因素嵌入个性化套餐推荐方法
CN111815415B (zh) * 2020-07-14 2023-10-27 北京邮电大学 一种商品推荐方法、系统及设备

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106651443A (zh) * 2016-12-19 2017-05-10 中国联合网络通信集团有限公司 用户画像信息处理方法及装置
CN112163963A (zh) * 2020-09-27 2021-01-01 中国平安财产保险股份有限公司 业务推荐方法、装置、计算机设备和存储介质
CN112364203A (zh) * 2020-11-30 2021-02-12 未来电视有限公司 电视视频推荐方法、装置、服务器和存储介质

Also Published As

Publication number Publication date
CN113139856A (zh) 2021-07-20

Similar Documents

Publication Publication Date Title
CN113139856B (zh) 影视会员套餐推荐方法及设备
CN112000820A (zh) 一种媒资推荐方法及显示设备
CN113392237A (zh) 一种分类标签展示方法、服务器及显示设备
CN112804567B (zh) 一种显示设备、服务器及视频推荐的方法
US20150194146A1 (en) Intelligent Conversion of Internet Content
CN113434757A (zh) 一种媒资套餐推荐方法及显示设备
US20210051122A1 (en) Systems and methods for pushing content
CN112182196A (zh) 应用于多轮对话的服务设备及多轮对话方法
CN112002321B (zh) 显示设备、服务器及语音交互方法
CN112601117B (zh) 显示设备和内容展示方法
CN111984763A (zh) 一种答问处理方法及智能设备
CN112165641A (zh) 一种显示设备
CN113395556A (zh) 显示设备及详情页展示的方法
CN114186137A (zh) 服务器及媒资混合推荐方法
CN113490057B (zh) 显示设备和媒资推荐方法
CN112000823A (zh) 功能入口显示方法、电子设备及计算机可读存储介质
CN111782877A (zh) 服务器、显示设备及其视频搜索排序方法
CN113593559B (zh) 一种内容显示方法、显示设备及服务器
CN113722542A (zh) 视频推荐方法及显示设备
CN114117126A (zh) 一种视频推荐方法及显示设备
CN111950288B (zh) 一种命名实体识别中的实体标注方法及智能设备
CN115695844A (zh) 一种显示设备、服务器及媒资内容推荐方法
US11308110B2 (en) Systems and methods for pushing content
US10943380B1 (en) Systems and methods for pushing content
CN112866760B (zh) 一种内容显示方法、显示设备及服务器

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