CN113286200A - 节目推荐方法、云端服务器、电视机、系统和存储介质 - Google Patents

节目推荐方法、云端服务器、电视机、系统和存储介质 Download PDF

Info

Publication number
CN113286200A
CN113286200A CN202010106967.3A CN202010106967A CN113286200A CN 113286200 A CN113286200 A CN 113286200A CN 202010106967 A CN202010106967 A CN 202010106967A CN 113286200 A CN113286200 A CN 113286200A
Authority
CN
China
Prior art keywords
user
program
television
recommended
cloud server
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202010106967.3A
Other languages
English (en)
Inventor
陈小平
于显双
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.)
Foshan Viomi Electrical Technology Co Ltd
Original Assignee
Foshan Viomi Electrical Technology 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 Foshan Viomi Electrical Technology Co Ltd filed Critical Foshan Viomi Electrical Technology Co Ltd
Priority to CN202010106967.3A priority Critical patent/CN113286200A/zh
Publication of CN113286200A publication Critical patent/CN113286200A/zh
Pending legal-status Critical Current

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
    • H04N21/45—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
    • 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
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/172—Classification, e.g. identification
    • 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
    • H04N21/441—Acquiring end-user identification, e.g. using personal code sent by the remote control or by inserting a card
    • H04N21/4415—Acquiring end-user identification, e.g. using personal code sent by the remote control or by inserting a card using biometric characteristics of the user, e.g. by voice recognition or fingerprint scanning
    • 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

Abstract

本申请涉及智能家电领域，特别涉及一种节目推荐方法、云端服务器、电视机、系统和存储介质，该方法包括：接收所述电视机发送的用户的特征数据，所述用户的特征数据为所述电视机识别采集的图像中用户的用户特征得到的特征数据；根据所述用户的特征数据确定所述用户对应的用户群体；根据所述用户群体确定与所述用户对应的推荐节目；将与所述用户对应的推荐节目发送至所述电视机，以使所述电视机播放所述推荐节目。通过根据用户的特征数据确定用户所属的用户群体，进而可以确定用户对应的推荐节目，可以提高节目推荐的准确度，更加符合用户的需求，提高了用户的体验度。

Description

节目推荐方法、云端服务器、电视机、系统和存储介质
技术领域
本申请涉及智能家电领域，尤其涉及一种节目推荐方法、云端服务器、电 视机、系统和存储介质。
背景技术
随着电视机技术的不断发展和完善，越来越多的人都选择智能电视机观看 节目。但大多数智能电视机都是固定的节目，需要通过遥控器选择需要观看的 节目，无法根据用户的身份或者用户的兴趣爱好进行精准地推荐电视节目。现 有的部分智能电视机虽然可以通过识别用户的身份信息并根据用户的身份信息 自动为用户匹配合适的节目，但是节目推荐的准确度较低，无法提高用户的体 验度。
发明内容
本申请提供了一种节目推荐方法、云端服务器、电视机、系统和存储介质， 可以提高节目推荐的准确度，更加符合用户的需求，提高了用户的体验度。
第一方面，本申请提供了一种节目推荐方法，应用于节目推荐系统中的云 端服务器中，所述方法包括：
接收所述电视机发送的用户的特征数据，所述用户的特征数据为所述电视 机识别采集的图像中用户的用户特征得到的特征数据；
根据所述用户的特征数据确定所述用户对应的用户群体；
根据所述用户群体确定与所述用户对应的推荐节目；
将与所述用户对应的推荐节目发送至所述电视机，以使所述电视机播放所 述推荐节目。
第二方面，本申请提供了一种节目推荐方法，应用于节目推荐系统中的云 端服务器中，所述方法包括：
接收所述电视机采集的图像，所述图像包括至少一个用户；
识别所述图像中的用户以确定所述用户的特征数据；
根据所述用户的特征数据确定所述用户对应的用户群体；
根据所述用户群体确定与所述用户对应的推荐节目；
将与所述用户对应的推荐节目发送至所述电视机，以使所述电视机播放所 述推荐节目。
第三方面，本申请提供了一种云端服务器，其特征在于，所述云端服务器 包括存储器和处理器；
所述存储器用于存储计算机程序；
所述处理器，用于执行所述计算机程序并在执行所述计算机程序时实现如 上所述的节目推荐方法。
第四方面，本申请提供了一种节目推荐方法，应用于节目推荐系统中的电 视机中，所述电视机包括拍摄装置，所述方法包括：
获取所述拍摄装置采集的图像，所述图像包括至少一个用户；
识别所述图像中的用户以确定所述用户的特征数据；
将所述用户的特征数据发送至所述云端服务器，以使所述云端服务器根据 所述用户的特征数据确定与所述用户对应的推荐节目；
获取与所述用户对应的推荐节目，并播放所述推荐节目。
第五方面，本申请还提供了一种电视机，所述电视机包括拍摄装置、存储 器和处理器；
所述拍摄装置，用于采集图像；
所述存储器，用于存储计算机程序；
所述处理器，用于执行所述计算机程序并在执行所述计算机程序时实现如 上述的节目推荐方法。
第六方面，本申请还提供了一种节目推荐系统，所述系统包括：包括电视 机和云端服务器；
所述电视机，设有通信模块；
所述云端服务器，设有通信模块与所述电视机建立通信连接；
所述电视机用于根据拍摄装置采集的图像确定用户的特征数据和播放推荐 节目，所述云端服务器用于实现上述的节目推荐方法；或
所述电视机用于获取拍摄装置采集的图像和播放推荐节目，所述云端服务 器用于实现上述的节目推荐方法；或
所述云端服务器根据所述用户的特征数据确定与所述用户对应的推荐节 目，所述电视机用于实现上述的节目推荐方法。
第七方面，本申请还提供了一种计算机可读存储介质，所述计算机可读存 储介质存储有计算机程序，所述计算机程序被处理器执行时使所述处理器实现 如上述的节目推荐方法。
本申请公开了一种节目推荐方法、云端服务器、电视机、系统和存储介质， 通过接收电视机发送的用户的特征数据，可以根据用户的特征数据确定用户对 应的用户群体；通过根据用户群体确定与用户对应的推荐节目，得到的节目更 加符合用户的兴趣爱好，更加人性化和智能化；将与用户对应的推荐节目发送 至电视机，以使电视机播放推荐节目，可以提高节目推荐的准确度，更加符合 用户的需求，提高了用户的体验度。
附图说明
为了更清楚地说明本申请实施例技术方案，下面将对实施例描述中所需要 使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实 施例，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的附图。
图1是本申请的实施例提供的一种节目推荐系统的结构示意图；
图2是本申请的实施例提供的一种云端服务器的示意性框图；
图3是本申请的实施例提供的一种电视机的示意性框图；
图4是本申请的实施例提供的一种节目推荐方法的步骤示意流程图；
图5是本申请的实施例提供的采集图像的示意图；
图6是本申请的实施例提供的确定用户对应的用户群体的示意图；
图7是本申请的实施例提供的确定用户对应的推荐节目的示意图；
图8是本申请的实施例提供的将推荐节目发送至电视机的示意图；
图9是本申请的实施例提供的另一种节目推荐方法的步骤示意流程图；
图10是本申请的实施例提供的显示列表选择框的示意图；
图11是本申请的实施例提供的播放推荐节目的场景图；
图12是本申请的实施例提供的用户离开电视机的示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部 的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
附图中所示的流程图仅是示例说明，不是必须包括所有的内容和操作/步骤， 也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解、组合或部 分合并，因此实际执行的顺序有可能根据实际情况改变。
应当理解，在此本申请说明书中所使用的术语仅仅是出于描述特定实施例 的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用 的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及 “该”意在包括复数形式。
还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是 指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这 些组合。
请参阅图1，图1是本申请的实施例提供的一种节目推荐系统的结构示意图。 该节目推荐系统100包括电视机10和云端服务器20，所述电视机10和所述云 端服务器20之间可以通过有线和/或无线通信方式进行通信。
比如，所述电视机10可以将用户的特征数据通过有线和/或无线通信方式发 送至所述云端服务器20中；所述云端服务器20也可以将所述用户的推荐节目 通过有线和/或无线通信方式发送至所述电视机10。
在一些实施例中，所述电视机10和所述云端服务器20通过无线通信方式 进行通信时，可以通过在所述电视机10和所述云端服务器20中设置通信模块 进行实现，该通信模块可以为蓝牙模块、Wi-Fi模块、4G模块、5G模块、NB-IoT 模块、LoRa模块等等。
在另一些实施例中，所述电视机10和所述云端服务器20通过有线通信方 式进行通信时，可以通过在所述电视机10和所述云端服务器20之间连接网线 或数据线进行实现。
其中，所述电视机10是具有全开放式平台，搭载了操作系统，用户在欣赏 普通电视内容的同时，可自行安装和卸载各类应用软件，持续对功能进行扩充 和升级的新电视产品，能够不断给用户带来丰富的个性化体验。
示例性的，所述电视机10可以是OLED电视、LED电视，也可以是曲面电 视、全面屏电视、3D电视、智能电视或超高清UHD电视等。
在本申请的实施例中，所述电视机10和所述云端服务器20配合用于执行 本申请实施例提供的节目推荐方法，以提高节目推荐的准确度，提高用户的体 验度。
示例性的，所述电视机10识别采集的图像中用户的用户特征，得到的特征 数据；所述云端服务器20接收所述电视机10发送的用户的特征数据，根据所 述用户的特征数据确定所述用户对应的用户群体；所述云端服务器20还根据所 述用户群体确定与所述用户对应的推荐节目，将与所述用户对应的推荐节目发 送至所述电视机10，以使所述电视机10播放所述推荐节目。通过根据所述用户 的特征数据确定所述用户所属的用户群体，进而可以确定所述用户对应的推荐 节目，可以提高节目推荐的准确度，提高了用户的体验度。
请参阅图1，如图1所示，所述电视机10包括拍摄装置11。示例性的，所 述拍摄装置11可以设置于所述电视机10的边框中，也可以是独立的外接拍摄 装置。
在一些实施例中，所述拍摄装置11包括摄像头，该摄像头可以是普通拍摄 装置，当然也可以是其他拍摄装置，比如深度摄像头。可以理解的是，普通摄 像头是只用于拍摄目标的图像；深度拍摄装置除了可以拍摄目标，还可用于拍 摄深度图像。
具体地，所述电视机10的内部设有功能控制装置。功能控制装置可以包括 处理器与存储器。所述存储器用于存储图像数据和计算机程序，所述处理器用 于处理图像数据和运行计算机程序。
在一些实施例中，功能控制装置与所述拍摄装置11电连接，用于处理所述 拍摄装置11拍摄的图像。
需要说明的是，在图1中，以所述拍摄装置11为普通摄像头为例进行示例， 但并构成对所述拍摄装置11的限定。
示例性的，在所述电视机10中，所述拍摄装置11用于采集图像，并将采 集的图像传输至功能控制装置。功能控制装置中的处理器可以基于训练好的特 征识别模型，识别所述图像确定所述用户对应的特征数据，并将所述用户对应 的特征数据发送至所述云端服务器20中。
请结合图2，图2是本申请实施例提供的一种云端服务器的示意性框图。在 图2中，该云端服务器20包括处理器201和存储器202，其中，处理器201和 存储器202通过总线连接，该总线比如为I2C(Inter-integrated Circuit)总线。
其中，存储器202可以包括非易失性存储介质和内存储器。非易失性存储 介质可存储操作系统和计算机程序。该计算机程序包括程序指令，该程序指令 被执行时，可使得处理器执行任意一种节目推荐方法。
处理器201用于提供计算和控制能力，支撑整个所述云端服务器20的运行。
其中，所述处理器可以是中央处理单元(Central Processing Unit，CPU)，该 处理器还可以是其他通用处理器、数字信号处理器(Digital Signal Processor， DSP)、专用集成电路(application specific integrated circuit，ASIC)、现场可编程 门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立 门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该 处理器也可以是任何常规的处理器等。
其中，所述处理器201用于运行存储在存储器202中的计算机程序，并在 执行所述计算机程序时实现如下步骤：
接收所述电视机发送的用户的特征数据，所述用户的特征数据为所述电视 机识别采集的图像中用户的用户特征得到的特征数据；根据所述用户的特征数 据确定所述用户对应的用户群体；根据所述用户群体确定与所述用户对应的推 荐节目；将与所述用户对应的推荐节目发送至所述电视机，以使所述电视机播 放所述推荐节目。
在一些实施例中，所述处理器在实现根据所述用户的特征数据确定所述用 户对应的用户群体时，实现：
对所述用户的特征数据进行向量化处理，得到所述用户的特征向量；根据 所述用户的特征向量与预设的用户群体中的特征向量之间的相似度，确定所述 用户对应的用户群体。
在一些实施例中，所述用户的特征向量与预设的用户群体中的特征向量均 包括不同类别的特征分量；所述处理器在实现根据所述用户的特征向量与预设 的用户群体中的特征向量之间的相似度，确定所述用户对应的用户群体时，实 现：
确定所述用户的每一个类别的特征分量对应的相似度值；根据多个不同类 别的特征分量对应的相似度值之和确定所述用户对应的用户群体。
在一些实施例中，所述处理器在实现根据所述用户群体确定与所述用户对 应的推荐节目时，实现：
基于节目类型与用户群体之间预设的对应关系，根据所述用户对应的用户 群体确定所述用户对应的节目类型；获取所述节目类型对应的节目内容；根据 所述节目内容生成所述用户对应的节目推荐列表，所述节目推荐列表包括多个 推荐节目。
所述处理器201用于运行存储在存储器202中的计算机程序，并在执行所 述计算机程序时，还实现如下步骤：
接收所述电视机采集的图像，所述图像包括至少一个用户；识别所述图像 中的用户以确定所述用户的特征数据；根据所述用户的特征数据确定所述用户 对应的用户群体；根据所述用户群体确定与所述用户对应的推荐节目；将与所 述用户对应的推荐节目发送至所述电视机，以使所述电视机播放所述推荐节目。
请结合图3，图3是本申请实施例提供的一种电视机的示意性框图。在图3 中，所述电视机10包括处理器101、存储器102和摄像头103，其中，处理器 101、存储器102和摄像头103通过总线连接，该总线比如为I2C(Inter-integrated Circuit)总线。
其中，存储器102可以包括非易失性存储介质和内存储器。非易失性存储 介质可存储操作系统和计算机程序。该计算机程序包括程序指令，该程序指令 被执行时，可使得处理器执行任意一种节目推荐方法。
摄像头103用于拍摄图像，并将拍摄的图像传输到处理器101和存储器102 中。
处理器101用于提供计算和控制能力，支撑整个所述电视机10的运行。
其中，所述处理器可以是中央处理单元(Central Processing Unit，CPU)，该 处理器还可以是其他通用处理器、数字信号处理器(Digital Signal Processor， DSP)、专用集成电路(application specific integrated circuit，ASIC)、现场可编程 门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立 门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该 处理器也可以是任何常规的处理器等。
其中，所述处理器101用于运行存储在存储器102中的计算机程序，并在 执行所述计算机程序时实现如下步骤：
获取所述拍摄装置采集的图像，所述图像包括至少一个用户；识别所述图 像中的用户以确定所述用户的特征数据；将所述用户的特征数据发送至所述云 端服务器，以使所述云端服务器根据所述用户的特征数据确定与所述用户对应 的推荐节目；获取与所述用户对应的推荐节目，并播放所述推荐节目。
在一些实施例中，所述处理器在实现识别所述图像中的用户以确定所述用 户的特征数据时，实现：
基于训练好的特征识别模型，识别所述图像确定所述用户对应的特征数据。
在一些实施例中，所述推荐节目包括节目推荐列表，所述处理器在实现播 放所述推荐节目，实现：
获取所述节目推荐列表中的各节目对应的播放时间以及播放时长；根据各 所述节目对应的播放时间确定当前节目和候选节目；根据所述当前节目对应的 频道进行播放节目，并根据所述当前节目对应的播放时长切换到所述候选节目 对应的频道。
在一些实施例中，所述处理器在实现根据所述当前节目对应的播放时长切 换到所述候选节目对应的频道时，实现：
根据所述节目推荐列表中的候选节目对应的播放时间显示节目选择框；若 获取到所述用户对所述候选节目选择框的确认操作，则从所述当前节目对应的 频道切换所述候选节目对应的频道。
在一些实施例中，所述处理器在实现播放所述推荐节目时，还实现：
若所述节目推荐列表中存在播放时间相同的节目，则显示节目选择框，以 提醒所述用户进行播放节目的选择；根据所述用户的选择操作确定播放的节目。
在一些实施例中，所述处理器在实现播放所述推荐节目时，还实现：
若所述节目推荐列表中存在播放时间相同的节目，获取所述播放时间相同 的节目对应的收视率，根据所述收视率确定播放的节目。
在一些实施例中，所述处理器在实现播放所述推荐节目之后，还包括：
获取所述拍摄装置采集的图像，若所述图像不存在用户，则关闭所述电视 机。
为了便于理解，以下将结合图1至图3中的云端服务器和电视机，对本申 请的实施例提供的节目推荐方法进行详细介绍。需知，上述的电视机和云端服 务器构成对本申请实施例提供的节目推荐方法应用场景的限定。
请参阅图4，图4是本申请一实施例提供的一种节目推荐方法的步骤示意流 程图。该节目推荐方法可应用于云端服务器中，通过根据用户的特征数据确定 用户所属的用户群体，进而可以确定用户对应的推荐节目，可以提高节目推荐 的准确度，更加符合用户的需求，提高了用户的体验度。
如图4所示，该节目推荐方法包括步骤S301至步骤S304。
步骤S301、接收所述电视机发送的用户的特征数据，所述用户的特征数据 为所述电视机识别采集的图像中用户的用户特征得到的特征数据。
需要说明的是，可以在所述电视机中安装拍摄装置；其中所述拍摄装置可 以是摄像头，也可以是相机等可以用于拍摄图像的电子设备。
具体地，所述电视机可以通过拍摄装置采集拍摄范围内的图像，对采集的 图像进行特征识别，得到图像中用户的特征数据；然后将所述用户的特征数据 发送至所述云端服务器。其中，所述拍摄范围是指所述拍摄装置的视场角能拍 摄到的最大范围。
在一些实施例中，所述拍摄装置可以每隔一段时间拍摄一张图像，也可以 连续拍摄视频，得到的视频包括多张图像。比如，可以每隔30S拍摄一张图像， 当然也可以是其它时间，在此不作限制。
示例性的，如图5所示，图5是所述拍摄装置采集的图像的示意图。所述 拍摄装置采集的图像可以包括一个用户，也可以包括多个用户。
在一些实施例中，所述电视机中存储有预先训练好的特征识别模型，所述 电视机可以根据所述训练好的特征识别模型获取所述图像中用户的用户特征， 得到所述用户对应的特征数据。其中，所述特征数据可以包括图像中用户的人 数、性别、年龄、身份信息、面部表情等特征。
在一些实施例中，所述拍摄装置中还设有补光灯。在所述拍摄装置进行采 集图像时，还可以开启所述补光灯，控制所述补光灯对所述摄像头进行补光； 然后获取补光后的图像。其中，所述补光灯可以是内置于摄像头的白光灯或红 光灯，也可以是独立的白光灯或红光灯。
示例性的，在所述摄像头周围环境的光线较弱时，开启所述补光灯，以增 强所述摄像头拍摄图像的图像效果。
通过补光灯的补光作用，可以使得拍摄得到的图像的色彩还原度高，图像 逼真，信噪比高，同时支持背光补偿功能。
在一些实施例中，所述电视机通过基于训练好的特征识别模型，识别所述 图像确定所述用户对应的特征数据。其中，所述特征数据可以包括图像中用户 的人数、性别、年龄、身份信息、面部表情等特征。
示例性的，所述特征识别模型可以包括人体识别模型、人脸识别模型和表 情识别模型；其中，所述人体识别模型用于识别所述图像中是否存在用户以及 用户的个数；所述人脸识别模型用于识别所述图像中用户的性别、年龄以及身 份信息，所述身份信息可以是所述电视机中保存的用户的姓名或昵称；所述表 情识别模型用于识别所述图像中用户的面部表情，所述表情识别模型可以通过 眼部肌肉、颜面肌肉和口部肌肉的变化来表现各种情绪状态，例如感兴趣、高 兴、惊奇、害怕、生气等表情。
在一些实施例中，可以对初始的特征识别模型通过预设的样本图像进行训 练至收敛，得到训练好的特征识别模型，并将训练好的特征识别模型存储在所 述电视机中。其中，所述样本图像包括不同用户的图像。在训练时，所述样本 图像经过初始的特征识别模型，得到所述样本图像中用户对应的预测特征以及 所述预测特征对应的预测概率。经过训练得到的特征识别模型可以更准确地预 测出样本图像中用户的特征数据。
示例性的，所述特征识别模型可以使用但不限于单目标多框检测器(Single ShotMultibox Detector，SSD)网络、卷积神经网络(Convolutional Neural Network， CNN)、受限玻尔兹曼机(Restricted Boltzmann Machine，RBM)或循环神经网 络(RecurrentNeural Network，RNN)等网络。
需要说明的是，由于所述特征识别模型包括多个识别模型，如人体识别模 型、人脸识别模型和表情识别模型，因此可以根据实际需求选择一种或多种网 络进行识别所述图像中用户的用户特征，得到所述用户对应的特征数据。
在本申请实施例中，所述特征识别模型可以是卷积神经网络。示例性的， 将所述图像输入训练好的特征识别模型，对所述图像进行若干次卷积和池化处 理；再将处理的结果经全连接处理和归一化处理，识别得到所述图像中用户对 应的预测特征以及所述预测特征对应的预测概率。
通过基于训练好的特征识别模型获取用户的特征数据，可以准确地确定用 户的特征；通过根据用户的特征数据确定用户对应的用户群体，进而可以根据 用户对应的用户群体确定用户对应的推荐节目，可以提高后续推荐节目的准确 度。
通过在电视机中根据特征识别模型识别图像中用户对应的用户特征，可以 更快地得到用户对应的特征数据，提高识别效率。
步骤S302、根据所述用户的特征数据确定所述用户对应的用户群体。
请参阅图6，图6是根据用户的特征数据确定用户对应的用户群体的示意图。
具体地，对所述用户的特征数据进行向量化处理，得到所述用户的特征向 量，然后根据所述用户的特征向量与预设的用户群体中的特征向量之间的相似 度，确定所述用户对应的用户群体。
在一些实施例中，对所述用户的特征数据进行向量化处理，可以通过用不 同的向量表示所述用户的特征数据，得到所述特征数据对应的特征向量。例如， 用向量A表示所述特征数据中用户的性别，例如向量A1表示性别为男，A2向量表 示性别为女。用户向量B表示所述特征数据中用户的年龄，例如B1表示用户的年 龄为5-10岁，B2表示用户的年龄为11-15岁，B3表示用户的年龄为16-20岁。 用户向量C表示所述特征数据中用户的面部表情，例如C1表示感兴趣，C2表示 高兴，C3表示生气。
示例性的，所述用户的特征向量可以用特征向量表进行表示，如表1所示。
表1为特征向量表
特征数据 特征向量
性别 A<sub>1</sub>、A<sub>2</sub>
年龄 B<sub>1</sub>、B<sub>2</sub>、B<sub>3</sub>
面部表情 C<sub>1</sub>、C<sub>2</sub>、C<sub>3</sub>
具体地，所述用户的特征向量与预设的用户群体中的特征向量均包括不同 类别的特征分量。
示例性的，所述用户的特征向量包括不同类别的特征分量，例如所述特征 向量包括性别分量、年龄分量、面部表情分量，比如性别分量A、年龄分量B、 面部表情分量C。
示例性的，所述预设的用户群体中的特征向量包括预设类别的特征分量， 例如所述特征向量包括性别分量、年龄分量、面部表情分量，比如性别分量A0、 年龄分量B0、面部表情分量C0。其中，性别分量A0可以是A1或A2；年龄分量B0可 以是B1、B2、B3中的其中之一；面部表情分量C0可以是C1、C2、C3中的其中之一。
需要说明的是，所述预设的用户群体中特征向量可以包括至少一种类别的 特征分量，例如用户群体1包括性别分量，用户群体2包括性别分量和年龄分 量，用户群体3包括性别分量、年龄分量、面部表情分量。
在一些实施例中，确定所述用户的每一个类别的特征分量对应的相似度值； 然后根据多个不同类别的特征分量对应的相似度值之和确定所述用户对应的用 户群体。
示例性的，确定所述用户的每一个类别的特征分量对应的相似度值，可以 通过计算所述用户的每一个类别的特征分量与预设的用户群体中的同一类别的 特征分量之间的相似度，得到所述用户的每一类别的特征分量对应的相似度值。
示例性的，可以根据余弦相似算法计算所述用户的每一个类别的特征分量 与预设的用户群体中的同一类别的特征分量之间的夹角余弦值，并根据计算结 果得到所述用户的每一类别的特征分量对应的相似度值。
需要说明的是，余弦相似度算法用向量空间中两个向量的夹角余弦值作为 衡量两个向量间相似程度的大小。两个向量之间的夹角余弦值的值域为[0，1]。
示例性的，若两个向量的夹角余弦值越接近1，表明两个向量的夹角越接近 0°，则说明两个向量越相似；若两个向量的夹角余弦值越接近0，表明两个向 量的夹角越接近90°，则说明两个向量的相似性越弱。
在一些实施例中，若所述用户的不同类别的特征分量分别为性别分量A1、 年龄分量B3、面部表情分量C1；相对于用户群体1，若用户群体1包括性别分量 A0，计算所述用户的性别分量A1与所述用户群体中的性别分量A0之间的夹角余 弦值。若所述性别分量为A1，则计算得到的夹角余弦值为1，即所述用户的性别 分量A1对应的相似度值为1；若所述性别分量为A2，则计算得到的夹角余弦值为 0，即所述用户的性别分量A1对应的相似度值为0。因此，相对于用户群体1， 所述用户的多个不同类别的特征分量对应的相似度值之和最大为1。
在另一些实施例中，若所述用户的不同类别的特征分量分别为性别分量A1、 年龄分量B3、面部表情分量C1；相对于用户群体2，若用户群体1包括性别分量 A0和年龄分量B0；经过计算得到所述用户的多个不同类别的特征分量对应的相 似度值之和最大为2。
示例性的，相对于用户群体1，所述用户的特征分量对应的相似度值之和为 a；相对于用户群体2，所述用户的特征分量对应的相似度值之和为b；若相似 度值b大于相似度值a，则确定所述用户对应的用户群体为用户群体2。
可以理解的是，通过根据多个不同类别的特征分量对应的相似度值之和确 定所述用户对应的用户群体，可以更加准确地确定用户所属的用户群体。
步骤S303、根据所述用户群体确定与所述用户对应的推荐节目。
请参阅图7，图7是确定所述用户对应的推荐节目的示意图。
具体地，基于节目类型与用户群体之间预设的对应关系，根据所述用户对 应的用户群体确定所述用户对应的节目类型；然后获取所述节目类型对应的节 目内容，根据所述节目内容生成所述用户对应的节目推荐列表，所述节目推荐 列表包括多个推荐节目。
其中，所述节目类型可以包括但不限于时事、财经、科技、学习、工作、 休闲、娱乐、体育、游戏等等。
可以理解的是，同一用户群体中的用户具有相同的兴趣爱好，喜欢观看同 一类型的节目，因此可以根据所述用户对应的用户群体确定所述用户的对应的 节目类型。
示例性的，节目类型与用户群体之间预设的对应关系，可以用表2进行表 示。
表2为节目类型表
用户群体 节目类型
用户群体1 时事
用户群体2 科技
用户群体3 娱乐
其中，所述节目类型表可以包括但不限于时事、科技、娱乐等节目类型。
示例性的，在所述节目类型表中，节目类型“时事”对应于用户群体1；节 目类型的“科技”对应于用户群体2；节目类型的“娱乐”对应于用户群体3。
在一些实施例中，若所述用户对应的用户群体为用户群体2，且节目类型的 “科技”对应于用户群体2，则可以确定所述用户对应的节目类型为“科技”。
具体地，在确定所述用户对应的节目类型之后，可以根据所述节目类型获 取节目内容，并根据所述节目内容并生成节目推荐列表。
其中，所述节目推荐列表包括至少一个推荐节目。
示例性的，节目类型“时事”对应的节目内容可以包括节目a、节目b；节 目类型的“科技”对应的节目内容可以包括节目c、节目d、节目e；节目类型 的“娱乐”对应的节目内容可以包括节目f、节目g、节目h。
在一些实施例中，若所述用户对应的节目类型为“科技”，则可以根据该节 目类型为“科技”对应的节目内容生成节目推荐列表。
示例性的，所述节目推荐列表如表3所示。
表3为节目推荐列表
推荐节目
节目c
节目d
节目e
通过根据节目类型与用户群体之间预设的对应关系，可以确定用户对应的 节目类型，得到的节目类型为用户感兴趣或喜爱的类型；通过获取节目类型对 应的节目内容，并根据节目内容生成用户对应的节目推荐列表，可以较为准确 地得到用户的推荐节目。
步骤S304、将与所述用户对应的推荐节目发送至所述电视机，以使所述电 视机播放所述推荐节目。
具体地，在确定所述用户对应的节目推荐列表之后，将与所述用户对应的 节目推荐列表发送至所述电视机，以使所述电视机播放所述推荐节目。
请参阅图8，图8是将与所述用户对应的推荐节目发送至所述电视机的示意 图。
示例性的，所述电视机可以获取所述节目推荐列表中的各推荐节目对应的 播放时间以及播放频道，根据各所述推荐节目对应的播放时间选择播放频道， 在选定的频道中播放推荐节目。
通过将与用户对应的节目推荐列表发送至电视机，电视机可以播放节目推 荐列表中的推荐节目，播放的推荐节目更加符合用户的兴趣或爱好，提高了用 户的体验度。
上述实施例提供的节目推荐方法，通过对用户的特征数据进行向量化处理， 可以得到用户的特征向量，进而根据用户的特征向量与预设的用户群体中的特 征向量之间的相似度，实现根据用户的特征数据确定用户对应的用户群体；通 过基于节目类型与用户群体之间预设的对应关系，根据用户对应的用户群体确 定用户对应的节目类型，可以提高了推荐节目的准确度；通过获取节目类型对 应的节目内容，并根据节目内容生成用户对应的节目推荐列表，可以为用户推 荐合适的节目，提高了用户的体验度。
需要说明的是，所述电视机获取拍摄装置采集的图像之后，可以识别图像 中用户的用户特征，得到用户对应的特征数据并将特征数据发送至所述云端服 务器；所述电视机还可以将采集的图像不经识别处理，直接发送至所述云端服 务器，由所述云端服务器识别图像中用户的用户特征，得到用户对应的特征数 据。
通过在云端服务器中根据特征识别模型识别图像中用户对应的用户特征， 可以准确地得到用户对应的特征数据，提高识别的准确度。
在一些实施例中，所述云端服务器可以实现：接收所述电视机采集的图像， 所述图像包括至少一个用户；识别所述图像中的用户以确定所述用户的特征数 据；根据所述用户的特征数据确定所述用户对应的用户群体；根据所述用户群 体确定与所述用户对应的推荐节目；将与所述用户对应的推荐节目发送至所述 电视机，以使所述电视机播放所述推荐节目。
其中，所述云端服务器中存储有预先训练好的特征识别模型，所述云端服 务器可以根据所述训练好的特征识别模型获取所述图像中用户的用户特征，得 到所述用户对应的特征数据。其中，所述特征数据可以包括图像中用户的人数、 性别、年龄、身份信息、面部表情等特征。
其中，根据所述用户的特征数据确定所述用户对应的用户群体，可以包括： 对所述用户的特征数据进行向量化处理，得到所述用户的特征向量；然后根据 所述用户的特征向量与预设的用户群体中的特征向量之间的相似度，确定所述 用户对应的用户群体。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详 述的部分，可以参见上文针对节目推荐方法的详细描述，此处不再赘述。
请参阅图9，图9是本申请一实施例提供的一种节目推荐方法的步骤示意流 程图。该节目推荐方法可应用于电视机中，通过根据用户的特征数据确定用户 所属的用户群体，进而可以确定用户对应的推荐节目，可以提高节目推荐的准 确度，提高了用户的体验度。
如图9所示，该节目推荐方法包括步骤S401至步骤S404。
步骤S401、获取所述拍摄装置采集的图像，所述图像包括至少一个用户。
具体地，可以通过所述拍摄装置获取拍摄范围内的图像，所述拍摄装置可 以是安装在所述电视机的拍摄装置或者是外接的拍摄装置。其中，所述拍摄装 置可以是摄像头，也可以是相机等可以用于采集图像的电子设备。
可以理解的是，所述拍摄范围是指所述拍摄装置的视场角能拍摄到的最大 范围。
示例性的，所述拍摄装置可以实时或定时采集图像。所述图像可以包括一 个用户，也可以包括多个用户。
步骤S402、识别所述图像中的用户以确定所述用户的特征数据。
具体地，识别所述图像中的用户对应的用户特征，得到所述用户的特征数 据。
示例性的，所述特征数据可以包括图像中用户的人数、性别、年龄、身份 信息、面部表情等特征。
在一些实施例中，可以基于训练好的特征识别模型，识别所述图像确定所 述用户对应的特征数据。
示例性的，所述特征识别模型可以包括人体识别模型、人脸识别模型和表 情识别模型。其中，所述人体识别模型用于识别所述图像中是否存在用户以及 用户的个数；所述人脸识别模型用于识别所述图像中用户的性别、年龄以及身 份信息，所述身份信息可以是所述电视机中保存的用户的姓名或代号；所述表 情识别模型用于识别所述图像中用户的面部表情，所述表情识别模型可以通过 眼部肌肉、颜面肌肉和口部肌肉的变化来表现各种情绪状态，例如感兴趣、高 兴、惊奇、害怕、生气等表情。
在一些实施例中，可以对初始的特征识别模型通过预设的样本图像进行训 练至收敛，得到训练好的特征识别模型，并将训练好的特征识别模型存储在所 述电视机中。其中，所述样本图像包括不同用户的图像。在训练时，所述样本 图像经过初始的特征识别模型的识别，得到所述样本图像中用户对应的预测特 征以及所述预测特征对应的预测概率。经过训练得到的特征识别模型可以更准 确地预测出样本图像中用户的特征数据。
其中，所述预测特征可以包括预测人数、预测性别、预测年龄、预测身份 以及预测表情；所述预测概率可以包括预测人数对应的概率、预测性别对应的 概率、预测年龄对应的概率、预测身份对应的概率以及预测表情对应的概率。
示例性的，所述特征识别模型可以使用但不限于单目标多框检测器(Single ShotMultibox Detector，SSD)网络、卷积神经网络(Convolutional Neural Network， CNN)、受限玻尔兹曼机(Restricted Boltzmann Machine，RBM)或循环神经网 络(RecurrentNeural Network，RNN)等网络。
通过基于训练好的特征识别模型获取用户的特征数据，可以准确地确定用 户的特征数据，可以提高后续根据用户的特征数据进行推荐节目的准确度。
步骤S403、将所述用户的特征数据发送至所述云端服务器，以使所述云端 服务器根据所述用户的特征数据确定与所述用户对应的推荐节目。
具体地，所述云端服务器可以根据所述用户的特征数据，确定所述用户对 应的用户群体；然后根据所述用户群体确定与所述用户对应的推荐节目，并将 所述用户对应的推荐节目发送至所述电视机。
在一些实施例中，所述云端服务器确定所述用户对应的用户群体，可以通 过对所述用户的特征数据进行向量化处理，得到所述用户的特征向量；然后根 据所述用户的特征向量与预设的用户群体中的特征向量之间的相似度，确定所 述用户对应的用户群体。
具体地，所述云端服务器根据所述用户的特征向量与预设的用户群体中的 特征向量之间的相似度，确定所述用户对应的用户群体的具体方式：确定所述 用户的每一个类别的特征分量对应的相似度值；然后根据多个不同类别的特征 分量对应的相似度值之和确定所述用户对应的用户群体。
通过根据多个不同类别的特征分量对应的相似度值之和确定所述用户对应 的用户群体，可以更加准确地确定所述用户所属的用户群体。
具体地，所述云端服务器根据所述用户群体确定与所述用户对应的推荐节 目的具体方式：基于节目类型与用户群体之间预设的对应关系，根据所述用户 对应的用户群体确定所述用户对应的节目类型；获取所述节目类型对应的节目 内容；根据所述节目内容生成所述用户对应的推荐节目。
通过根据节目类型与用户群体之间预设的对应关系，可以确定用户对应的 节目类型，得到的节目类型为用户感兴趣或喜爱的节目类型；通过获取节目类 型对应的节目内容，并根据节目内容生成用户对应的推荐节目，可以较为准确 地得到用户的推荐节目。
步骤S404、获取与所述用户对应的推荐节目，并播放所述推荐节目。
示例性的，所述推荐节目包括节目推荐列表，其中所述节目推荐列表可以 包括多个推荐节目。
在一些实施例中，在所述云端服务器确定所述用户对应的节目推荐列表之 后，所述云端服务器可以主动或根据所述电视机的请求将所述用户对应的节目 推荐列表发送至所述电视机。
具体地，所述电视机可以接收所述云端服务器主动发送与所述用户对应的 节目推荐列表或获取所述云端服务器根据所述电视机的请求而发送的节目推荐 列表。
具体地，若所述拍摄装置采集的图像包括多个用户，所述多个用户可以为 同一用户群体，也可以为不同的用户群体。若所述多个用户对应于不同的用户 群体，例如用户小明属于用户群体1，用户张三属于用户群体2，则所述多个用 户对应有不同的节目推荐列表。
在一些实施例中，若存在多个用户群体对应的节目推荐列表，则显示列表 选择框，以提醒所述用户进行节目推荐列表的选择；然后根据所述用户的选择 操作确定播放的节目推荐列表。
示例性的，可以在所述电视机的显示屏中显示所述列表选择框。
其中，所述选择操作可以是通过遥控器选择或直接在显示屏中进行触控， 以确定选择哪一个节目推荐列表。
示例性的，如图10所示，图10是显示所述列表选择框的示意图。若所述 列表选择框包括节目推荐列表1和节目推荐列表2。所述用户可以通过遥控器选 择节目推荐列表1或节目推荐列表2，也可以在显示屏中选择节目推荐列表1或 节目推荐列表2。
在一些实施例中，播放所述推荐节目的方式具体为：获取所述节目推荐列 表中的各节目对应的播放时间以及播放时长；根据各所述节目对应的播放时间 确定当前节目和候选节目；根据当前节目对应的频道进行播放节目，并根据所 述当前节目对应的播放时长切换到所述候选节目对应的频道。
请参阅图11，图11是播放所述推荐节目的场景图。
具体地，获取所述节目推荐列表中的各节目对应的播放时间以及播放时长。
其中，所述节目推荐列表包括当前节目和候选节目。可以理解的是，所述 当前节目是指当前正在播放或播放时间最早的节目；所述候选节目是指播放时 间排在所述当前节目之后的节目。
示例性的，可以根据所述电视机中的节目预告获取所述节目推荐列表中的 各节目对应的播放时间以及播放时长；还可以获取所述节目推荐列表中各节目 对应的频道。所述节目推荐列表中的各节目对应的播放时间、播放时长以及频 道，如表4所示。
表4为节目推荐列表
节目名称 播放时间 播放时长(分钟) 频道
A节目 19:00 120 CCTV-1综合
B节目 20:30 60 CCTV-2财经
C节目 20:30 70 CCTV-5体育
具体地，根据各所述节目对应的播放时间确定所述当前节目对应的频道。
示例性的，可以将播放时间最早的节目确定为当前节目。例如A节目对应 的播放时间最早，则将A节目作为当前节目并确定A节目对应的频道为CCTV-1 综合。
具体地，根据当前节目对应的频道进行播放节目，并根据所述当前节目对 应的播放时长切换到所述候选节目对应的频道。
示例性的，若所述当前节目对应的频道为CCTV-1综合，则在频道CCTV-1 综合进行播放节目。例如，在19:00时开始播放A节目。
需要说明的是，当所述当前节目为A节目时，所述候选节目为B节目和C 节目。
可以理解的是，由于所述当前节目对应的播放时长为120分钟，因此在所 述当前节目播放完毕之后，需要切换到候选节目对应的频道进行播放节目。例 如，在A节目播放完毕之后，切换到B节目或C节目对应的频道进行播放节目。
具体地，在播放当前节目期间，若时间到达所述候选节目的播放时间时， 可以切换到所述候选节目对应的频道。
在一些实施例中，可以根据所述节目推荐列表中的候选节目对应的播放时 间显示节目选择框，若获取到所述用户对所述候选节目选择框的确认操作，则 从所述当前节目对应的频道切换所述候选节目对应的频道。
其中，所述确认操作可以是所述用户通过遥控器进行选择或直接在所述电 视机的显示屏中进行触控选择。
可以理解的是，在A节目还没播放完毕，且即将到达B节目或C节目对应 的播放时间时，可以在所述电视机的显示屏中显示节目选择框，以供所述用户 决定是否切换到B节目或C节目对应的频道。
通过获取节目推荐列表中的各节目对应的播放时间以及播放时长，可以确 定当前节目对应的频道并进行播放节目，也可以根据当前节目对应的播放时长 切换到候选节目对应的频道，为用户播放合适的节目，提高了用户的体验度。
在一些实例中，若所述节目推荐列表中存在播放时间相同的节目，则显示 节目选择框，以提醒所述用户进行播放节目的选择；然后根据所述用户的选择 操作确定播放的节目。
其中，所述节目选择框包括所述播放时间相同的节目。例如，若播放时间 相同的节目包括B节目和C节目，则在所述节目选择框中显示B节目和C节目 两个选项。所述用户可以在所述节目选择框中进行选择操作。譬如所述用户选 择B节目，则切换到B节目对应的频道中进行播放B节目。
在存在播放时间相同的节目时，通过让用户自行选择要播放的节目，更加 人性化和智能化。
在另一些实施例中，若所述节目推荐列表中存在播放时间相同的节目，获 取所述播放时间相同的节目对应的收视率，根据所述收视率确定播放的节目。
其中，所述收视率是指某一时段内收看某电视节目的人数(或家户数)占电视 观众总人数(或家户数)的百分比。
可以理解的是，收视率可以在一定程度上反映节目的受欢迎程度。示例性 的，根据收视率确定要播放的节目时，可以播放收视率较大的节目，实现将热 门的节目推荐给所述用户。
示例性的，若播放时间相同的节目包括B节目和C节目，则获取B节目和C节目各自对应的收视率；例如B节目对应的收视率为b，C节目对应的收视率 为c。若收视率b大于收视率c，则确定播放的节目为B节目，并切换到B节目 对应的频道中进行播放B节目。
在一些实施例中，在播放所述用户对应的节目推荐列表中的节目之后，获 取所述拍摄装置采集的图像，若所述图像不存在用户，则关闭所述电视机。如 图12所示，图12是用户离开所述电视机的示意图。
需要说明的是，若所述拍摄装置采集的图像不存在用户，说明用户已经离 开所述电视机或暂时不想观看节目。这时可以关闭所述电视机，避免浪费资源。
上述实施例提供的节目推荐方法，通过获取拍摄装置采集的图像，可以得 到包括至少一个用户的图像；通过基于训练好的特征识别模型，可以识别出图 像中用户的特征数据；通过获取节目推荐列表中的各节目对应的播放时间以及 播放时长，可以确定当前节目对应的频道并进行播放节目，也可以根据当前节 目对应的播放时长切换到候选节目对应的频道，为用户播放合适的节目，提高 了用户的体验度；若节目推荐列表中存在播放时间相同的节目，则显示节目选 择框，以提醒用户进行播放节目的选择，然后根据用户的选择操作确定播放的 节目，满足用户的个性化需求。
本申请的实施例中还提供一种计算机可读存储介质，所述计算机可读存储 介质存储有计算机程序，所述计算机程序中包括程序指令，所述处理器执行所 述程序指令，实现本申请实施例提供的任一项节目推荐方法。
其中，所述计算机可读存储介质可以是前述实施例所述的电视机或云端服 务器的内部存储单元，例如所述电视机或所述云端服务器的硬盘或内存。所述 计算机可读存储介质也可以是所述电视机或所述云端服务器的外部存储设备， 例如所述电视机或所述云端服务器上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字卡(SecureDigital，SD)，闪存卡(Flash Card)等。
以上所述，仅为本申请的具体实施方式，但本申请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申请揭露的技术范围内，可轻易想到 各种等效的修改或替换，这些修改或替换都应涵盖在本申请的保护范围之内。 因此，本申请的保护范围应以权利要求的保护范围为准。

Claims (16)

1.一种节目推荐方法，应用于节目推荐系统中的云端服务器中，所述节目推荐系统包括互联的电视机和云端服务器，其特征在于，所述方法包括：
接收所述电视机发送的用户的特征数据，所述用户的特征数据为所述电视机识别采集的图像中用户的用户特征得到的特征数据；
根据所述用户的特征数据确定所述用户对应的用户群体；
根据所述用户群体确定与所述用户对应的推荐节目；
将与所述用户对应的推荐节目发送至所述电视机，以使所述电视机播放所述推荐节目。
2.根据权利要求1所述的节目推荐方法，其特征在于，所述根据所述用户的特征数据确定所述用户对应的用户群体，包括：
对所述用户的特征数据进行向量化处理，得到所述用户的特征向量；
根据所述用户的特征向量与预设的用户群体中的特征向量之间的相似度，确定所述用户对应的用户群体。
3.根据权利要求2所述的节目推荐方法，其特征在于，所述用户的特征向量与预设的用户群体中的特征向量均包括不同类别的特征分量；
所述根据所述用户的特征向量与预设的用户群体中的特征向量之间的相似度，确定所述用户对应的用户群体，包括：
确定所述用户的每一个类别的特征分量对应的相似度值；
根据多个不同类别的特征分量对应的相似度值之和确定所述用户对应的用户群体。
4.根据权利要求1所述的节目推荐方法，其特征在于，所述根据所述用户群体确定与所述用户对应的推荐节目，包括：
基于节目类型与用户群体之间预设的对应关系，根据所述用户对应的用户群体确定所述用户对应的节目类型；
获取所述节目类型对应的节目内容；
根据所述节目内容生成所述用户对应的节目推荐列表，所述节目推荐列表包括多个推荐节目。
5.一种节目推荐方法，应用于节目推荐系统中的云端服务器中，所述内容推荐系统包括互联的电视机和云端服务器，其特征在于，所述方法包括：
接收所述电视机采集的图像，所述图像包括至少一个用户；
识别所述图像中的用户以确定所述用户的特征数据；
根据所述用户的特征数据确定所述用户对应的用户群体；
根据所述用户群体确定与所述用户对应的推荐节目；
将与所述用户对应的推荐节目发送至所述电视机，以使所述电视机播放所述推荐节目。
6.一种节目推荐方法，应用于节目推荐系统中的电视机中，所述节目推荐系统包括互联的电视机和云端服务器，其特征在于，所述电视机包括拍摄装置，所述方法包括：
获取所述拍摄装置采集的图像，所述图像包括至少一个用户；
识别所述图像中的用户以确定所述用户的特征数据；
将所述用户的特征数据发送至所述云端服务器，以使所述云端服务器根据所述用户的特征数据确定与所述用户对应的推荐节目；
获取与所述用户对应的推荐节目，并播放所述推荐节目。
7.根据权利要求6所述的节目推荐方法，其特征在于，所述识别所述图像中的用户以确定所述用户的特征数据，包括：
基于训练好的特征识别模型，识别所述图像确定所述用户对应的特征数据。
8.根据权利要求6所述的节目推荐方法，其特征在于，所述推荐节目包括节目推荐列表，所述播放所述推荐节目，包括：
获取所述节目推荐列表中的各节目对应的播放时间以及播放时长；
根据各所述节目对应的播放时间确定当前节目和候选节目；
根据所述当前节目对应的频道进行播放节目，并根据所述当前节目对应的播放时长切换到所述候选节目对应的频道。
9.根据权利要求8所述的节目推荐方法，其特征在于，所述根据所述当前节目对应的播放时长切换到所述候选节目对应的频道，包括：
根据所述节目推荐列表中的候选节目对应的播放时间显示节目选择框；
若获取到所述用户对所述候选节目选择框的确认操作，则从所述当前节目对应的频道切换所述候选节目对应的频道。
10.根据权利要求8所述的节目推荐方法，其特征在于，所述播放所述推荐节目，还包括：
若所述节目推荐列表中存在播放时间相同的节目，则显示节目选择框，以提醒所述用户进行播放节目的选择；
根据所述用户的选择操作确定播放的节目。
11.根据权利要求8所述的节目推荐方法，其特征在于，所述播放所述推荐节目，还包括：
若所述节目推荐列表中存在播放时间相同的节目，获取所述播放时间相同的节目对应的收视率；
根据所述收视率确定播放的节目。
12.根据权利要求6至11任一所述的节目推荐方法，其特征在于，所述播放所述推荐节目之后，还包括：
获取所述拍摄装置采集的图像，若所述图像不存在用户，则关闭所述电视机。
13.一种云端服务器，其特征在于，所述云端服务器包括存储器和处理器；
所述存储器用于存储计算机程序；
所述处理器，用于执行所述计算机程序并在执行所述计算机程序时实现：
如权利要求1至4中任一项所述的节目推荐方法，或
如权利要求5中所述的节目推荐方法。
14.一种电视机，其特征在于，所述电视机包括拍摄装置、存储器和处理器；
所述拍摄装置用于采集图像；
所述存储器用于存储计算机程序；
所述处理器，用于执行所述计算机程序并在执行所述计算机程序时实现：
如权利要求6至12中任一项所述的节目推荐方法。
15.一种节目推荐系统，其特征在于，包括电视机和云端服务器；
所述电视机，设有通信模块；
所述云端服务器，设有通信模块与所述电视机建立通信连接；其中，
所述电视机用于根据拍摄装置采集的图像获取用户的特征数据和播放推荐节目，所述云端服务器用于实现如权利要求1至4中任一项所述的节目推荐方法；或
所述电视机用于获取拍摄装置采集的图像和播放推荐节目，所述云端服务器用于实现如权利要求5中所述的节目推荐方法；或
所述云端服务器根据所述用户的特征数据确定与所述用户对应的推荐节目，所述电视机用于实现如权利要求6至12中任一项所述的节目推荐方法。
16.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时使所述处理器实现：
如权利要求1至4中任一项所述的节目推荐方法，或
如权利要求5中所述的节目推荐方法，或
如权利要求6至12中任一项所述的节目推荐方法。
CN202010106967.3A 2020-02-20 2020-02-20 节目推荐方法、云端服务器、电视机、系统和存储介质 Pending CN113286200A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010106967.3A CN113286200A (zh) 2020-02-20 2020-02-20 节目推荐方法、云端服务器、电视机、系统和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010106967.3A CN113286200A (zh) 2020-02-20 2020-02-20 节目推荐方法、云端服务器、电视机、系统和存储介质

Publications (1)

Publication Number Publication Date
CN113286200A true CN113286200A (zh) 2021-08-20

Family

ID=77275423

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010106967.3A Pending CN113286200A (zh) 2020-02-20 2020-02-20 节目推荐方法、云端服务器、电视机、系统和存储介质

Country Status (1)

Country Link
CN (1) CN113286200A (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102184235A (zh) * 2011-05-13 2011-09-14 广州星海传媒有限公司 一种基于机顶盒的数字电视节目推荐方法及系统
CN102685418A (zh) * 2012-04-17 2012-09-19 Tcl集团股份有限公司 一种电视节目自动切换的方法、装置及电视机
CN104244097A (zh) * 2013-06-18 2014-12-24 鸿富锦精密工业（深圳）有限公司 节目播放装置及节目切换方法
CN104822074A (zh) * 2015-04-14 2015-08-05 天脉聚源(北京)传媒科技有限公司 一种电视节目的推荐方法及装置
CN105163184A (zh) * 2015-08-31 2015-12-16 三星电子（中国）研发中心 电视终端的节目播放方法及装置
CN107818110A (zh) * 2016-09-13 2018-03-20 青岛海尔多媒体有限公司 一种信息推荐方法、装置
CN108090162A (zh) * 2017-12-13 2018-05-29 北京百度网讯科技有限公司 基于人工智能的信息推送方法和装置
CN108829764A (zh) * 2018-05-28 2018-11-16 腾讯科技（深圳）有限公司 推荐信息获取方法、装置、系统、服务器及存储介质
US20190332872A1 (en) * 2018-04-28 2019-10-31 Beijing Kuangshi Technology Co., Ltd. Information push method, information push device and information push system
CN110472087A (zh) * 2019-08-07 2019-11-19 腾讯科技（深圳）有限公司 一种表情图像推荐方法、装置、设备及介质

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102184235A (zh) * 2011-05-13 2011-09-14 广州星海传媒有限公司 一种基于机顶盒的数字电视节目推荐方法及系统
CN102685418A (zh) * 2012-04-17 2012-09-19 Tcl集团股份有限公司 一种电视节目自动切换的方法、装置及电视机
CN104244097A (zh) * 2013-06-18 2014-12-24 鸿富锦精密工业（深圳）有限公司 节目播放装置及节目切换方法
CN104822074A (zh) * 2015-04-14 2015-08-05 天脉聚源(北京)传媒科技有限公司 一种电视节目的推荐方法及装置
CN105163184A (zh) * 2015-08-31 2015-12-16 三星电子（中国）研发中心 电视终端的节目播放方法及装置
CN107818110A (zh) * 2016-09-13 2018-03-20 青岛海尔多媒体有限公司 一种信息推荐方法、装置
CN108090162A (zh) * 2017-12-13 2018-05-29 北京百度网讯科技有限公司 基于人工智能的信息推送方法和装置
US20190332872A1 (en) * 2018-04-28 2019-10-31 Beijing Kuangshi Technology Co., Ltd. Information push method, information push device and information push system
CN108829764A (zh) * 2018-05-28 2018-11-16 腾讯科技（深圳）有限公司 推荐信息获取方法、装置、系统、服务器及存储介质
CN110472087A (zh) * 2019-08-07 2019-11-19 腾讯科技（深圳）有限公司 一种表情图像推荐方法、装置、设备及介质

Similar Documents

Publication Publication Date Title
US11482000B2 (en) Image processing apparatus and control method thereof
CN110519636B (zh) 语音信息播放方法、装置、计算机设备及存储介质
US9179191B2 (en) Information processing apparatus, information processing method, and program
CN109121007A (zh) 基于多人脸识别的影视内容推荐方法、智能电视及系统
CN109472764B (zh) 图像合成和图像合成模型训练的方法、装置、设备和介质
CN109992237B (zh) 智能语音设备控制方法、装置、计算机设备和存储介质
CN112199016B (zh) 图像处理方法、装置、电子设备及计算机可读存储介质
US20220038621A1 (en) Device for automatically capturing photo or video about specific moment, and operation method thereof
CN107895161B (zh) 基于视频数据的实时姿态识别方法及装置、计算设备
CN104994426A (zh) 节目视频识别方法及系统
US20180199101A1 (en) Display apparatus and method for providing service thereof
US10642881B2 (en) System architecture for universal emotive autography
CN114097248A (zh) 一种视频流处理方法、装置、设备及介质
KR20170102570A (ko) 소셜 네트워킹 툴들과의 텔레비전 기반 상호작용의 용이화
CN111836073B (zh) 视频清晰度的确定方法、装置、设备及存储介质
US11039155B2 (en) Image compression method and image decompression method
CN112235635B (zh) 动画显示方法、装置、电子设备及存储介质
WO2022041182A1 (zh) 音乐推荐方法和装置
KR20220030879A (ko) 시공간 모델을 이용한 비디오 배경 추정
WO2022032652A1 (en) Method and system of image processing for action classification
CN112866577A (zh) 图像的处理方法、装置、计算机可读介质及电子设备
CN113286200A (zh) 节目推荐方法、云端服务器、电视机、系统和存储介质
KR20210051349A (ko) 전자장치 및 그 제어방법
CN113497947B (zh) 一种视频推荐信息的输出方法、装置及系统
CN115442658A (zh) 直播方法、装置、存储介质、电子设备及产品

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: 20210820

RJ01 Rejection of invention patent application after publication