CN113434757A - 一种媒资套餐推荐方法及显示设备 - Google Patents
一种媒资套餐推荐方法及显示设备 Download PDFInfo
- Publication number
- CN113434757A CN113434757A CN202110697936.4A CN202110697936A CN113434757A CN 113434757 A CN113434757 A CN 113434757A CN 202110697936 A CN202110697936 A CN 202110697936A CN 113434757 A CN113434757 A CN 113434757A
- Authority
- CN
- China
- Prior art keywords
- package
- target
- historical
- data
- user
- 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 abstract description 33
- 239000013598 vector Substances 0.000 claims abstract description 152
- 238000012549 training Methods 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 14
- 238000011176 pooling Methods 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims 3
- 238000006243 chemical reaction Methods 0.000 abstract description 17
- 239000010410 layer Substances 0.000 description 25
- 238000004891 communication Methods 0.000 description 17
- 230000006399 behavior Effects 0.000 description 11
- 230000007774 longterm Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 9
- 238000007781 pre-processing Methods 0.000 description 9
- 238000003860 storage Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 7
- 238000013507 mapping Methods 0.000 description 6
- 230000015572 biosynthetic process Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 5
- 230000003993 interaction Effects 0.000 description 5
- 238000003786 synthesis reaction Methods 0.000 description 5
- 239000000203 mixture Substances 0.000 description 4
- 238000000513 principal component analysis Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000005236 sound signal Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 239000003795 chemical substances by application Substances 0.000 description 2
- 239000002131 composite material Substances 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000003321 amplification Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 239000012792 core layer Substances 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000006837 decompression Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000011049 filling Methods 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000011068 loading method Methods 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9536—Search customisation based on social or collaborative filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/44—Arrangements for executing specific programs
- G06F9/451—Execution arrangements for user interfaces
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/01—Social networking
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Human Computer Interaction (AREA)
- Computing Systems (AREA)
- Two-Way Televisions, Distribution Of Moving Picture Or The Like (AREA)
Abstract
本发明公开一种媒资套餐推荐方法及显示设备,在接收到对目标应用内目标媒资的起播操作后,根据当前会话内的播放记录数据、用户基本数据、观看历史数据、媒资数据和套餐订单数据,计算参考向量信息;调用预先训练好的预测模型,将参考向量信息输入至预测模型中进行预测,得到预测模型输出的指示信息,所述指示信息包括目标应用的各项媒资套餐的推荐指数,所述推荐指数用于表征媒资套餐被推荐后用户付费的概率;在所述目标应用内显示目标套餐的推荐信息,所述目标套餐包括目标应用内所述推荐指数大于预设值的媒资套餐。本申请能够提高媒资套餐推荐的准确性和可靠性,使推荐信息更符合当前用户的兴趣和意向,提升潜在会员用户向会员用户的转化率。
Description
技术领域
本发明涉及显示设备领域,尤其涉及一种媒资套餐推荐方法及显示设备。
背景技术
显示设备中安装有视频应用,用户可以在视频应用中注册并登录账号,观看视频应用中的媒资,对于视频应用中的某些媒资,比如新上架或是新近热播的媒资,往往需要付费或是开通会员权限才能观看完整版。视频应用中通常设置多种媒资套餐,例如按照用户可享受权限等级分为“普通会员套餐”和“星级会员套餐”等,按照套餐有效期限分为“包月套餐”、“季度套餐”和“年度套餐”等,按照套餐内媒资类型可分为“电影专区”、“体育专区”和“综艺专区”等。用户开通某项媒资套餐后,即可在期限结束前观看套餐内任意媒资。
为促进具有消费意向的潜在会员用户开通套餐,提高视频平台内会员用户的转化率和收益,视频应用可根据账号的历史观看记录,分析用户可能感兴趣的媒资类型和题材,向可能的潜在会员用户推送相应的套餐推荐信息。然而对于大屏显示设备,比如智能电视,家庭中的任意成员均可共享同一账户去观看视频应用内的媒资,因此视频应用内混杂有不同家庭成员的历史观看记录,无法得到可靠的套餐推荐信息。例如,家庭成员中哥哥喜欢观看电竞游戏类媒资,妹妹喜欢观看综艺和偶像剧,妈妈喜欢观看电影和家庭剧,爸爸喜欢观看体育赛事,如果在哥哥观看电竞游戏类媒资时,应用推送妹妹喜欢的“综艺专区”套餐,而哥哥对综艺题材并不感兴趣,非但无法引起哥哥的付费倾向,导致套餐推荐无效,还可能引起哥哥的反感,影响用户观看体验。
发明内容
为解决上述背景技术中存在的问题,本发明提供一种媒资套餐推荐方法及显示设备,通过分析应用内的观看历史、媒资数据、历史套餐订单以及用户基本数据,进行建模并预测,使推送的套餐推荐信息更有效、更符合当前用户的付费意向。
第一方面实施例提供的显示设备,包括:
显示器,用于显示目标套餐的推荐信息;
控制器,用于执行:
在接收到对目标应用内目标媒资的起播操作后,根据当前会话内的播放记录数据、用户基本数据、观看历史数据、媒资数据和套餐订单数据,计算参考向量信息;
调用预先训练好的预测模型,将所述参考向量信息输入至预测模型中进行预测,得到所述预测模型输出的指示信息,所述指示信息包括目标应用的各项媒资套餐的推荐指数,所述推荐指数用于表征媒资套餐被推荐后用户付费的概率;
控制显示器在所述目标应用内显示目标套餐的推荐信息,所述目标套餐包括所述目标应用内所述推荐指数大于预设值的媒资套餐。
第二方面实施例提供的媒资套餐推荐方法,包括:
在接收到对目标应用内目标媒资的起播操作后,根据当前会话内的播放记录数据、用户基本数据、观看历史数据、媒资数据和套餐订单数据,计算参考向量信息;
调用预先训练好的预测模型,将所述参考向量信息输入至预测模型中进行预测,得到所述预测模型输出的指示信息,所述指示信息包括目标应用的各项媒资套餐的推荐指数,所述推荐指数用于表征媒资套餐被推荐后用户付费的概率;
在所述目标应用内显示目标套餐的推荐信息,所述目标套餐包括所述目标应用内所述推荐指数大于预设值的媒资套餐。
在本申请提供的技术方案中,用户启动视频应用后,会根据个人感兴趣的媒资类型和观看意向,去起播目标媒资,并建立当前会话,在当前会话内用户可能观看至少一个媒资,因此当前会话可以记录下当前用户产生的播放记录数据,用以识别当前用户及其感兴趣的媒体类型,从而为套餐推荐提供针对性地参考依据。用户基本数据可包括显示设备的所在地信息和设备信息等,比如国家、城市、地区、设备型号等,对于经济发达地区或使用较为高端的显示设备的用户,他们可能更倾向于付费开通套餐,以观看套餐内的媒资以及享受相关套餐服务(比如免广告等),因此本申请将用户基本数据作为套餐推荐的参考数据之一;观看历史数据是用户在当前会话之前的历史观看记录,即记录了用户在什么时间观看过哪个媒资,通过分析历史观看数据,可以划分出不同家庭成员感兴趣的媒资类型,从而便于用户识别;媒资数据是视频应用内每个媒资的相关信息,比如视频ID、评分、标题、时长、视频类别(电视剧、电影、综艺等)、视频标签(古装、言情、悬疑等)、入库时间等,这些媒资分布在指定的套餐内,也对于评分较高、新上架、新进热播或热门题材等类型的媒资,用户可能更感兴趣,也会更愿意为套餐付费,因此媒资数据也是重要的参考依据之一;套餐订单数据是用户所有已下单的历史套餐订单记录,即记录了用户在什么时间支付过哪个套餐订单、套餐生成时间、套餐有限期限和支付金额等信息,通过分析套餐订单数据,并可结合在生成订单记录之前用户观看过的媒资,即可获知诱发该用户产生套餐付费意向的媒资类型,从而为后续推荐套餐提供参考。
预先建立预测模型,预测模型比如是神经网络、深度学习等类型,通过长期预测实践中,逐渐训练并完善预测模型中的相关参数设置。当前会话聂的播放记录数据、用户基本数据、观看历史数据、视频应用内的媒资数据和套餐订单数据,都是为预测提供参考依据的数据类别,通过这些数据可以得到参考向量信息,参考向量信息是预测模型的输入变量,通过预测模型进行预测后,由模型输出指示信息,指示信息中至少包括当前的目标应用所具有的媒资套餐的推荐指数,推荐指数用于表征媒资套餐被推荐后用户付费的概率,推荐指数越高,则越建议推荐该媒资套餐,因此可以通过一个预设值进行媒资套餐的筛选,例如推荐指数1大于预设值,则推荐指数1对应的媒资套餐被设定为目标套餐,将所有目标套餐汇总后,即可在目标应用内对目标套餐的推荐信息进行提示。用户参看到推荐信息后,即可根据个人意向空选或至少选择一项目标套餐去进行下单和支付。本申请能够提高媒资套餐推荐的准确性和可靠性,使推荐信息更符合当前用户的兴趣和意向,提升潜在会员用户向会员用户的转化率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要访问的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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示出了根据一些实施例的显示设备的使用场景;
图2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示出了根据一些实施例的显示设备200中软件配置图;
图5示出了根据一些实施例的显示设备200中应用程序的图标控件界面显示图;
图6中示例性示出了媒资套餐推荐方法的原理图;
图7中示例性示出了观看历史数据的预处理及生成历史会话向量的原理示例图;
图8中示例性示出了一种媒资套餐推荐方法的逻辑架构图;
图9中示例性示出了生成第三特征向量的原理示例图;
图10中示例性示出了媒资套餐推荐方法的流程图。
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的使用场景的示意图。如图1所示,显示设备200还与服务器400进行数据通信,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中的至少一种,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、控制面板输入等至少一种输入用户指令,来控制显示设备200。
在一些实施例中,智能设备300可以包括移动终端、平板电脑、计算机、笔记本电脑,AR/VR设备等中的任意一种。
在一些实施例中,也可以使用智能设备300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,也可以使用智能设备300和显示设备进行数据的通信。
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装置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。
在一些实施例中,一个步骤执行主体执行的软件步骤可以随需求迁移到与之进行数据通信的另一步骤执行主体上进行执行。示例性的,服务器执行的软件步骤可以随需求迁移到与之数据通信的显示设备上执行,反之亦然。
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。
在一些实施例中,通信接口130用于和外部通信,包含WIFI芯片,蓝牙模块,NFC或可替代模块中的至少一种。
在一些实施例中,用户输入/输出接口140包含麦克风,触摸板,传感器,按键或可替代模块中的至少一种。
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中央处理器,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界面等。
在一些实施例中,显示器260可为液晶显示器、OLED显示器、以及投影显示器中的至少一种,还可以为一种投影装置和投影屏幕。
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,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与控制装置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,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,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中的至少一种。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中的至少一种,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、显示格式化模块等中的至少一种。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、和放大处理等处理中的至少一种,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等可视的界面元素中的至少一种。
在一些实施例中,用户接口280,为可用于接收控制输入的接口(如:显示设备本体上的实体按键,或其他等)。
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。
框架层为应用程序层的应用程序提供应用编程接口(application programminginterface,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,显示设备启动后可以直接进入预置的视频点播程序的界面,视频点播程序的界面可以如图5中所示,至少包括导航栏510和位于导航栏510下方的内容显示区,内容显示区中显示的内容会随导航栏中被选中控件的变化而变化。应用程序层中的程序可以被集成在视频点播程序中通过导航栏的一个控件进行展示,也可以在导航栏中的应用控件被选中后进行进一步显示。
在一些实施例中,显示设备启动后可以直接进入上次选择的信号源的显示界面,或者信号源选择界面,其中信号源可以是预置的视频点播程序,还可以是HDMI接口,直播电视接口等中的至少一种,用户选择不同的信号源后,显示器可以显示从不同信号源获得的内容。
以上实施例介绍了显示设备的硬件/软件架构以及功能实现等内容,在实际应用场景中,显示设备一般可安装至少一个视频应用,用户在视频应用中可以注册并登录账号,并观看视频应用中的媒资,视频应用则会记录下历史观看记录。视频应用一般中的某些媒资,例如新上架、新进热播、高评分、热门题材或是全网独播的媒资,往往需要付费或是开通会员/套餐权限才能观看完整版,而未付费或是非会员的用户则仅能试看一定时长的片段,这就在一定程度上促进会员用户的转化,也是视频平台创造受益的方式之一。
在一些实施例中,视频平台会向用户提供多种媒资套餐,各媒资套餐在付费金额、套餐有效期限以及为用户提供的服务项目等方面可能不尽相同。作为一种示例,例如按照用户可享受权益等级可提供“普通会员套餐”和“星钻会员套餐”,开通普通会员套餐的账号仅支持在移动终端上登录并使用,而开通星钻会员套餐的账号可支持同时在移动终端和大屏显示设备(例如电视)上登录并使用;按照套餐有效期限可提供包月套餐”、“季度套餐”和“年度套餐”等,例如用户A感兴趣的综艺需要更新四个月才完结,所以用户选择开通了“年度套餐”,以便在套餐有效期内能够观看完该综艺的全集;此外,套餐还可以按照媒资类型进行划分,比如视频平台还可针对特定群体提供如“电影专区”、“体育专区”、“电竞专区”、“动漫专区”和“全品类专区”等套餐,其中“全品类专区”可涵盖电影、电视剧、综艺等,媒资套餐的设置不限于本实施例所述。
在一些实施例中,用户可以通过视频应用中指定的控件或入口进入套餐页面,套餐页面向用户展示当前视频应用提供的各项媒资套餐,用户选择有意向的媒资套餐后,点击立即开通控件,然后支付套餐资费,支付成功后套餐即刻生效,套餐页面更新已开通套餐的到期时间,同时视频应用内一并存储本次套餐的订单记录。在套餐有效期限内,用户可以观看套餐内的任意媒资,并享受套餐提供的权益,比如免广告特权、赠送观影券等。目前部分视频平台主要依赖于用户在观看视频过程中自发产生开通套餐的意向。
在一些实施例中,为提高会员用户的转化率,提升平台受益,部分视频平台会根据用户的历史观看记录,粗略分析用户感兴趣的媒资类型或视频题材,例如历史观看记录中超过80%为电竞游戏类视频,则可以主动向该用户推荐“电竞专区”的套餐。然而这种方式更适用于小屏终端,这是由于小屏终端(如智能手机等)一般都是拥有者独立使用,即小屏终端中视频应用的账号与实际用户基本上是一对一,因此历史观看记录表征使用者观影兴趣的可行性更强。然而大屏显示设备,如电视等,大多安装于家居场景中的共同区域,家庭成员中的任一用户都可以观看视频,也就是说,在大屏显示设备中的视频应用中登录账号后,该账号基本是可共享的,例如爸爸在视频应用1中观看完球赛后,妈妈无需切换账号,也可以继续使用同一账号观看视频应用1中的家庭剧,即大屏显示终端中视频应用的账号与实际用户可能是一对多的关系。由于家庭成员中每个独立个体所感兴趣的媒体类型不尽相同,例如,家庭中共有4名成员,其中哥哥喜欢观看电竞游戏类媒资,妹妹喜欢观看综艺和偶像剧,妈妈喜欢观看电影和家庭剧,爸爸喜欢观看体育赛事,这必然导致同一个账号下产生的历史观看记录混杂涉及了不同用户的感兴趣媒资,则单纯依靠观看历史数据而估测的推荐套餐的准确性和可靠性无法保证,例如爸爸正在观看体育赛事时,视频应用却向爸爸推荐了“电竞专区”套餐,这显然无法与爸爸的兴趣产生共鸣,爸爸不会产生套餐付费意向,此次推荐不仅未促进会员转化,还可能影响爸爸的观看体验,对视频平台产生不好的印象。
针对实际应用场景中套餐推荐的现状和缺陷,本申请提供一种利用多类别数据建模并预测各项媒资套餐推荐的可行性,使推荐信息符合当前用户兴趣和意向,保证套餐推荐的准确性和可靠性,提升会员用户的转化率和平台受益。
在一些实施例中,参照图6,本申请媒资套餐推荐方案的机制在于,利用当前会话、以及历史观看数据、媒资数据、套餐订单数据和用户基本数据等大数据作为基础参考数据,提取有用的特征信息,计算参考向量信息,调用预先创建并训练好的预测模型,将参考向量信息输入至预测模型进行预测,预测模型最终输出指示信息,指示信息用于指示各项媒资套餐的推荐指数,所述推荐指数用于表征媒资套餐被推荐后用户付费的概率,通过推荐指数即可衡量媒资套餐推荐的可行性,因此可根据预测出的指示信息实行套餐推荐,例如优先推荐高指数对应的媒资套餐,可选地,将推荐指数大于预设值的媒资套餐筛选为目标套餐,并控制目标应用推送目标套餐的推荐信息。
在一些实施例中,在计算参考向量信息之前,可以对观看历史数据、媒资数据、套餐订单数据和用户基本数据等进行数据预处理,以消除脏数据和无效数据,保证后续预测的准确性。
在一些实施例中,用户基本数据可包括显示设备的所在地信息和设备信息等。所在地信息包括显示设备当前所属的国家、城市和地区,所在地信息可以通过网络定位等形式获取,可以理解的是一个地区的经济水平往往影响着用户的消费观,比如经济发达地区的用户可能更倾向于为自己感兴趣的媒资付费,即视频应用主动向该地区用户推荐套餐时,用户接受推荐并成功开通套餐的概率更高。设备信息可包括设备型号、设备属性、系统版本信息等数据,通过设备信息即可了解用户当前所使用的显示设备,比如使用较为高端设备的用户可能更倾向于为自己感兴趣的媒资付费,因此用户基本数据可以作为套餐推荐的一项参考指标。可选地,在对用户基本数据进行预处理时,可根据用户设备ID消除重复和冗余数据,还可一并补充信息空缺值,本实施例对此不作限定。
在一些实施例中,每个视频应用都具有对应的数据库,数据库中包括当前已入库的全部媒资的媒资数据,媒资数据可包括视频ID、视频标题、视频评分、视频时长、视频类别、视频标签、演职人员列表、剧情简介、入库时间和播放量等信息。其中,视频ID用于识别视频,每个媒资视频的ID具有全库唯一性,即每个视频ID的各不相同;视频评分一般是用户观看媒资后给出的打分,可用于评估媒资的价值和可看性,媒资评分越高,越有利于促进用户付费观之;视频类别可包括电影、电视剧、综艺、动漫、电竞等类别,是衡量用户观看兴趣的指标之一;视频标签可包括古装、言情、悬疑、法制等表征视频主题和风格的关键词,是衡量用户观看兴趣的指标之二;入库时间是媒资存入数据库的时间,也即为媒资上架供用户观看的时间,通过入库时间可以确定媒资的新旧性,入库时间越晚则说明媒资是新进上架的,新媒资往往会吸引用户的观看意向,有利于促进套餐开通任务的达成;播放量用于衡量一个媒资的播放热度,播放量越高则视频热度越高,也就越容易吸引容易观之。在实际平台运营时,可将高播放量、高评分、新上架或指定类别/标签的视频填加相应套餐中,用户开通套餐后则具备观看这些视频的权限。可选地,在对媒资数据进行预处理时,需要消除重复数据,针对尚无评分的视频,例如利用全库视频评分的平均值进行评分填充;对于空的本文型信息(比如视频标题和剧情简介等),可以填充空字符串,媒资数据的预处理方式不限定。
在一些实施例中,视频应用记录有套餐订单数据,套餐订单数据中包括所有已支付完成的历史订单记录,历史订单记录可分为单点视频支付记录和套餐支付记录两种类型,单点视频支付记录是单独支付一个需付费观看的视频,单点视频不包含在任何套餐内,比如付费电影,用户支付指定金额后,仅具备观看该电影的权限,其他付费视频仍需缴费才能观看;套餐支付记录是开通套餐并支付成功后生成的订单记录,用户具备观看套餐内任意视频的权限。对于每个历史订单记录,具体包括单点视频/套餐的ID、创建时间、支付状态、套餐开始时间、套餐结束时间和支付金额等信息。其中,此处ID用于识别用户是针对哪个单点视频或套餐进行下单;在用户支付成功时创建了一个新订单,则创建时间即为订单生成时间,套餐开始时间一般等于创建时间,根据套餐开始时间和套餐有效期限,即可确定套餐结束时间(即到期时间)。可选地,在对套餐订单数据进行预处理时,需要消除重复数据,还需要过滤掉异常数据,例如过滤掉支付时间与套餐开始时间前后关系不匹配的历史订单记录,过滤掉套餐开始时间与套餐结束时间异常的数据,过滤掉支付金额异常以及订单信息缺失的数据,过滤掉支付失败、待支付和被用户取消的订单记录,等等,套餐订单数据的预处理方式不限定。
在一些实施例中,观看历史数据包括用户真实观看过的视频记录,即历史观看记录,历史观看记录一般包括视频的起播时间、视频ID、观看时长和播放进度等信息,起播时间即用户在哪个时间点启动观看了视频,视频ID用于识别历史观看记录对应的视频,观看时长即从视频起播到用户退出视频所持续的时长;播放进度即记录了退出视频播放时,视频已播放至哪个节点,例如视频S的时长为40min,当视频S播放一半时,即播放至第20min时,用户关闭视频,则视频S的历史播放记录中记录播放进度为第20min,用户再次点击视频S的历史观看记录或是再次观看视频S时,直接跳转至第20min的位置节点处,并继续播放后一半的视频片段。
在一些实施例中,显示设备登录账号后,例如存在首页推荐视频自动播放或是用户误触发播放的情况,而该视频不是用户基于真实观看意向触发播放的,因此这类视频的历史观看记录对于推荐套餐的预测不具有参考价值,这类视频普遍存在的共性起播后很快就被用户关闭,因此观看时长一般很短。此外,用户频繁切换视频,以及电视待机后未关闭机顶盒等情况,可能出现视频仍保持播放但实际无用户观看的现象,导致观看时长过长。因此可以根据观看时长和限定的阈值范围来过滤掉对推荐套餐预测无价值的历史观看记录,可选地,参照图7,可预设第一阈值和第二阈值,第一阈值大于第二阈值,对观看历史数据进行预处理,若观看时长处于[第二阈值,第一阈值]的阈值范围内,认为历史观看记录有价值,可以保留;若观看时长大于第一阈值,可能属于视频持续播放但实际无用户观看的情况,则过滤掉这类历史观看记录;若观看时长小于第二阈值,可能属于用户误触发视频播放后快速退出,或者首页推荐视频自动播放后用户快速退出,或者用户浏览一部分片段后对视频不感兴趣后退出等情况,也属于不具有参考价值的历史观看记录,因此这类历史观看记录也需要一并过滤掉。其中第一阈值和第二阈值不作限定,可以根据实际应用进行设置,比如第二阈值为2分钟,第一阈值为3小时。本申请将观看时长大于第一阈值或小于第二阈值的历史观看记录命名为第一目标记录,在进行预处理过滤时,需要过滤掉第一目标记录。
在一些实施例中,由于用户每次执行视频暂停和切换等操作,都将产生一条观看记录,因此可能存在多个历史观看记录对应于同一个视频ID的情况,因此可以将对应相同视频ID的多个历史观看记录进行整合预处理。可选地,参照图7,可以仅保留这多个历史观看记录中起播时间最早的初始历史观看记录,由于同一个视频播放-退出-再播放时,一般是从前一次观看记录所记录的播放进度处继续播放,因此可将这多个历史观看记录的观看时长进行累加,得到统计时长,然后将初始历史观看记录的观看时长变更为所述统计时长,即相当于将原来对同一视频的分次分时观看转换为对该视频一次累加时长的观看。通过阈值范围约束观看时长的过滤模式,以及合并同一视频的多个历史观看记录,可以消除脏数据,降低无价值数据对模型预测的干扰,提升套餐推荐预测的准确性和可靠性,并能降低设备存储压力。
在一些实施例中,使用视频应用账号的用户观看视频时间会比较集中,一般不会出现比较大的间断,两个相邻的历史观看记录的间隔时间若超过一定时长,则变换用户的可能性比较大,另外不同用户观看的视频类型/标签也会存在区别。因此可以利用会话(Session)对观看历史数据进行划分,预先设置一预设间隔,比如预设间隔为1小时,将起播时间的间隔在所述预设间隔内的若干观看历史记录统归为同一会话内,超过预设间隔的分处不同的会话。
参照图7的示例,包括6个历史观看记录,历史观看记录1的视频ID为V1,观看时长为30min,起播时间为10:00;历史观看记录2的视频ID为V2,观看时长为15s,起播时间为10:30;历史观看记录3的视频ID为V5,观看时长为20min,起播时间为10:50;历史观看记录4的视频ID为V3,观看时长为20min,起播时间为17:00;历史观看记录5的视频ID为V4,观看时长为40min,起播时间为17:20;历史观看记录6的视频ID为V3,观看时长为10min,起播时间为18:00。其中,设预设间隔为1h,历史观看记录1~历史观看记录3的起播时间的最大间隔未超过预设间隔,因此历史观看记录1~历史观看记录3统归于历史会话1内,历史观看记录3和历史观看记录4起播时间的间隔远超预设间隔,因此以历史观看记录4为节点划分出历史会话2,而历史观看记录4~历史观看记录6起播时间的最大间隔未超过预设间隔,因此历史观看记录4~历史观看记录6统归于历史会话2内,这样即确定了历史会话1和历史会话2。
对于历史会话1,历史观看记录1~历史观看记录3分别对应于不同的视频ID,并且历史观看记录1和史观看记录3的观看时长都位于[第二阈值,第一阈值]的阈值范围内,因此历史观看记录1和史观看记录3保留,历史观看记录2的观看时长为15秒,小于第二阈值,因此将历史观看记录2滤掉,使得历史会话1内仅剩余历史观看记录1和史观看记录3,按照起播时间的先后顺序,对历史会话1内的历史观看记录进行排序,则历史观看记录1排在历史观看记录3的前位。
对于历史会话2,历史观看记录4~历史观看记录6的观看时长都位于[第二阈值,第一阈值]的阈值范围内,但是历史观看记录4和历史观看记录6对应于同一个视频ID(V3),而历史观看记录4的起播时间为17:00,早于历史观看记录6的起播时间18:00,因此历史观看记录4即为V3视频的初始历史观看记录,保留历史观看记录4,并删除历史观看记录6,V3视频对应的统计时间为历史观看记录4的观看时长20min与历史观看记录6的观看时长10min之和,即统计时长为30min,因此将历史观看记录4的观看时长变更为30min,即V3视频在17:00起播,在17:30结束播放,由于历史观看记录5的起播时间为17:20,而历史观看记录4更新后实在17:30播放结束,因此需要将历史观看记录5的起播时间适当后移,后移距离既要保证历史观看记录5的起播时间在V3视频播放结束时间之后,还要保证在预设间隔内,避免历史观看记录5脱离历史会话2,图7中将历史观看记录5的起播时间变更为17:30,若预设间隔为1h,则历史观看记录5的起播时间不能晚于18:00。将观看历史数据划分为若干历史会话后,分别对各个历史会话内的历史观看记录进行过滤和清洗,然后将按照起播时间的先后顺序,对各历史会话内剩余的历史观看记录进行排序,即可得到预处理后的历史会话。历史会话用于后续计算历史会话向量,用户启动播放视频应用中的目标媒资后,显示设备会创建当前会话,当前会话内具有当前用户的播放记录数据,通过当前会话内的播放记录数据,结合各个历史会话,即可匹配当前用户的兴趣,从而推荐符合用户兴趣的套餐。
在一些实施例中,用户基本数据可以直接在本机中获取,观看历史数据、媒资数据和套餐订单数据等大数据则需要向各个视频应用的服务器请求获取,即应用服务器为观看历史数据、媒资数据和套餐订单数据等大数据的数据源。
在一些实施例中,图8示例性示出一种媒资套餐推荐方法的逻辑架构图,参照图8,逻辑架构主要分为三个层次,第一层次是计算和构建参考向量信息,构建参考向量信息包括第一特征向量、第二特征向量和第三特征向量;第二层次是调用预测模型,将参考向量信息输入至预测模型中进行预测;第三层次是根据预测模型输出的指示信息,对套餐进行推荐。
首先针对第一层次,说明参考变量信息的构建和计算方案。
在一些实施例中,参考变量信息中的第一特征变量ub是根据用户基本数据生成的,在用户基本数据预处理完成后,将用户基本数据构建为向量形式。可选地,对于用户基本数据中的数值型信息进行标准化处理,避免数据量纲差异较大时对预测模型产生影响偏差,提升预测模型的收敛速度和精度;对于用户基本数据中的类别型信息,比如设备类型、地区名等信息,可以进行独热编码。针对用户基本数据中不同类型的信息可以采用相适用的编码或映射等处理方式,进行向量化转换,然后将用户基本数据中处理后的信息进行合并,得到所述第一特征变量ub。用户基本数据至少可包括显示设备的所在地信息和设备信息等,第一特征变量ub中隐含有与用户经济或消费水平等有关的参考因素,因此将第一特征作为参考向量信息中的一个元素,可以提高推荐套餐预测的准确性。
在一些实施例中,根据当前会话内的播放记录数据、当前会话之前预设时长内各视频应用包括的第一观看历史数据、第一观看历史数据中包括的历史观看记录对应的媒资数据,进行媒资兴趣的相似度匹配,得到的相似度最高的第二特征向量up。
在一些实施例中,用户在起播目标应用内的目标媒资时,视频应用会建立当前会话,当前用户在预设间隔的时间内观看的视频记录都会添加到当前会话内,即为所述当前会话内的播放记录数据。为实现推荐套餐的预测,需要将观看历史数据作为参考,可选地,截取当前会话之前预设时长内各视频应用的第一观看历史数据,例如预设时长为1年,则获取当前会话之前一年内各个视频应用所产生的全部历史观看记录,参照前述实施例的说明,根据预设间隔,对第一观看历史数据进行会话划分,从而划分为N个历史会话,N为历史会话的划分总数,N大于或等于1,以及,对N个历史会话分别进行预处理清洗,得到预处理后的N个历史会话。其中,所述预设时长可以根据实际应用进行设置,但预设时长不宜太大,否则一方面会增加计算量,降低预测效率,另一方面过于久远的观看历史记录可能参考价值不高,因为用户观看媒资的兴趣可能已逐渐发生改变;并且,预设时长也不宜太小,否则数据覆盖面过小,会相对降低预测的准确性。
N个历史会话一般体现为各家庭成员的长期兴趣,用户的长期兴趣一般趋于稳定,例如男性普遍长期关注新闻类媒资;而当前会话则主要体现用户当前的兴趣,即短期兴趣。短期兴趣可能会有所变化,但长期兴趣仍然占据主导地位,用户短期兴趣会受长期兴趣影响,因此当前会话与历史会员存在密切关联,基于此,本申请利用当前会话与历史会话实现当前用户的兴趣匹配。
在一些实施例中,为便于模型预测,需要将当前会话和N个历史会话进行向量化处理,即根据当前会话内的播放记录数据,生成当前会话向量,以及,根据预处理后的N个历史会话,分别生成对应的N个历史会话向量。
在一些实施例中,将当前会话内具有的各播放记录的视频ID分别映射为视频向量,然后将当前会话内全部映射得到的视频向量进行和池化(Sum-pooling)处理,即可得到当前会话向量Sc。
在一些实施例中,将每个历史会话Sessioni内包括的历史观看记录的视频ID分别映射为视频向量,然后将历史会话Sessioni内全部映射得到的视频向量进行和池化(Sum-pooling)处理,即可得到历史会话向量Si,i表示历史会话记录的序号,1≤i≤N,N为历史会话的总数。
在一些实施例中,不同的家庭成员具有不同的媒资类型喜好,例如儿童对动漫、少儿教育类的媒资感兴趣,爸爸对体育、军事和新闻类媒资感兴趣等,因此需要准确识别用户,根据各用户的兴趣喜好有针对性地推荐套餐,除了参考观看历史数据并划分会话外,视频的观看时间会对识别用户身份起到有利作用。例如对于孩子,其观看视频的时间主要集中于傍晚放学后或节假日;对于老年人,其观看视频的时间大多集中于白天;对于中年人,由于白天需要工作,一般在下班后较晚的时段、周末或是节假日。可选地,将观看时间进行划分,例如划分为早晨、中午、下午、傍晚、深夜、凌晨六个时段,并对齐进行标签编码(LabelEncoder),分别用0-5表示不同时段,作为用户观看历史中的一项属性特征。因此,在生成会话向量(包括当前会话向量Sc和历史会话向量Si),可以根据会话(包括当前会话和历史会话Sessioni)所处时段,例如会话时段位于17:00~18:00,则属于傍晚时段,得到时段向量,然后将会话内的各个视频向量与时段向量进行和池化处理,进一步得到更精确的会话向量。
参照图7,对于历史会话1中,历史观看记录映射后得到两个视频向量,分别为视频向量V1和视频向量V5,以及查询会话所处时段后得到的时段向量T1,视频向量V1、视频向量V5和时段向量T1进行和池化,得到历史会话1对应的历史会话向量S1;对于对于历史会话2中,历史观看记录映射后得到两个视频向量,分别为视频向量V3和视频向量V4,以及查询会话所处时段后得到的时段向量T2,视频向量V3、视频向量V4和时段向量T2进行和池化,得到历史会话2对应的历史会话向量S2。
前述是仅根据媒资数据中的视频ID生成视频向量。在其他示例性的实现方式中,由于视频评分、入库时间、播放量等信息对用户套餐付费也有着重要影响,因此可以利用媒资数据中更多关键信息生成视频向量,以进一步提升视频向量乃至会话向量和第二特征向量的精确性。可选地,对于媒资数据中的数值型信息,例如视频评分、视频时长等,可以对数值型信息进行标准化处理,以避免数据量纲差异较大时对预测模型产生影响偏差,提升预测模型的收敛速度和精度,从而得到视频的数值型向量vn;对于媒资数据中的类别型信息,比如视频类别、视频标签、演职员列表等,可使用独热编码(One-hot Encoder)进行处理,得到视频的类别型向量vc;对于媒资数据中的文本型信息,例如视频标题和剧情简介等,先通过数据预处理整合所有文本信息,去除本文信息中的所有标点符号和特殊字符,并截取预设量的文本字符,例如截取126个文本字符,然后调用预先训练号的BERT模型,将本文字符输入至BERT模型中进行向量转化,得到视频的文本型向量vt;然后将数值型向量vn、类别型向量vc和文本型向量vt进行拼接后,利用主成分分析(Principle Component Analysis,PCA)法进行降维处理,以提高模型的训练速度,可选地,比如可降维到46维作为视频向量v,即v=PCA([vc,vn,vt])。数据向量化的处理方法不限定于本申请实施例所述。
通过前述方式获取到当前会话向量Sc,以及N个历史会话向量S1,…,SN。在一些实施例中,可以对N个历史会话向量依次进行聚类和池化处理,得到类簇矩阵。可选地,将N个历史会话向量使用kMeans++聚类技术进行聚类处理,其中k为家庭成员的预设数量,具体可根据一般家庭的组成情况进行设置。聚类完成后,对应于每一个家庭成员,可以得到k个类簇,这k个类簇分别表征家庭中的k个成员的长期兴趣,然后可选择如mean-pooling(均值池化)算法,分别对k个类簇内的向量进行池化处理,得到k个类簇向量cj,j表示类簇向量的序号,1≤j≤k,k为类簇向量的总数。类簇向量cj用于表征家庭各个成员长期的媒资兴趣,将k个类簇向量组合得到类簇矩阵C,即C=meanpooling(kMeans++(s1,...,sN)={c1,c2,c3,c4}。
在一些实施例中,在获取到类簇矩阵C后,根据当前会话向量Sc和类簇矩阵C进行相似度计算,选取相似度得分最高的目标类簇向量作为第二特征向量up,从而将当前会话与历史兴趣进行匹配,完成用户识别。
在一种示例性的实现方式中,以余弦相似度为例,根据当前会话向量Sc和类簇矩阵C进行相似度计算,得到相似度得分向量score,则第二特征向量up=maxvector(score),其中maxvector函数用于获取最大相似度得分对应的目标类簇向量,作为第二特征向量up。
在一些实施例中,根据各视频应用内包括的观看历史数据、套餐订单数据和各项媒资套餐的套餐信息,生成的第三特征向量uo。
在一些实施例中,套餐内最新上映、最近热播等媒资是促成用户开通套餐的重要因素,因此控制器可以汇总各视频应用内提供的套餐,得到套餐列表,并为套餐列表内的每个套餐构建并维护对应的套餐信息,又称套餐画像。对套餐内的媒资数据进行统计并汇总,得到套餐内媒资的总观看次数、平均评分、套餐内各类别媒资的数量和观看次数,最近一段时间(比如一个月)内新上架的媒资的数量和类别等,汇总得到套餐画像,套餐画像不是固定不变的,而是可根据视频应用内套餐的动态变化而同步更新,套餐画像内包括的信息不限于本实施例所述。由于套餐实际上每天都有变化,视频热度变化频率较快,还会定期有新视频入库和更新,为保证套餐信息的准确性以及获取效率,可以定期对各套餐画像进行更新,例如每3天更新一次。将套餐信息进行向量化处理,即可得到对应的套餐向量,套餐画像每更新一次,可以同步更新对应的套餐向量。
在一些实施例中,在显示设备维护各视频应用内套餐的套餐画像基础上,参照图9,将全部视频应用的历史观看记录和历史订单记录按照时间排序,历史观看记录是针对于起播时间,历史订单记录则针对于创建时间,排序完成后得到用户行为序列,用户行为序列用于在时间轴上按序记录用户观看媒资和支付套餐的行为。对于支付订单的用户,往往是在下单前观看了一个或连续多个视频,所以促使该用户产生套餐支付行为,因此在用户行为序列中,可根据每个历史订单记录的创建时间,标记其对应的下单位置节点,每检测到一个下单位置节点,获取下单位置节点处之前预设数量H个目标历史观看记录,预设数量不作限定,比如为10个,根据H个目标历史观看记录的媒资数据,可以对应得到目标视频向量vwz,其中w为目标视频向量的序号,1≤w≤H,z为历史订单记录/下单位置节点的序号,1≤z≤Q,Q为历史订单记录/用户行为序列中下单位置节点的总数。然后对H个目标视频向量进行和池化处理,从而合并成一个参考视频向量具体表示第z个历史订单记录对应的参考视频向量,即其中,H个目标历史观看记录+1个历史订单记录相当于构成了一个用户行为子序列,用户行为序列中包括Q个用户行为子序列。
在一些实施例中,由于套餐可以随时间而动态更新和变化,可以在套餐画像中保存该套餐在不同时间点处对应的套餐向量。比如,套餐画像更新前对应的套餐向量为A,第一次更新后的套餐向量为B,则第一次更新与第二次更新之间的时间段内任何时间点对应的套餐向量都为B,第二次更新后对应的套餐向量更新为C,则第二次更新与第三次更新之间任意时间点对应的套餐向量都为C,以此类推,即可得到并保存下不同时间点处对应的套餐向量。每检测到一个下单位置节点,根据下单位置节点指向的目标时间,即可查询到在该目标时间被支付和开通的套餐所对应的套餐向量,然后将该套餐向量与历史订单记录中的订单信息映射合并成初始向量oz。
作为一种示例,假设一个历史订单记录为[100201,t1,1,t1,t2,100],其中,历史订单记录中各个信息分别表示:第一个100201为历史订单记录对应的套餐ID,第二个t1表示创建时间,第三个表示支付状态,支付状态为1表示支付成功,第四个表示套餐开始时间(等于创建时间),第五个t2表示套餐结束时间,第六个100表示支付金额。通过套餐ID和创建时间t1,可以查询到在t1时间该套餐ID对应的套餐向量为[a,b,c,d],则将套餐向量与除套餐ID外的其他订单信息合并,即将套餐ID替换为对应的套餐向量,从而生成初始向量oz为([a,b,c,d],t1,1,t1,t2,100)。
在一些实施例中,将参考视频向量和初始向量oz进行拼接,即可得到第z个历史订单记录对应的订单向量即对于未支付过套餐的情形,即历史订单记录为空时,可选地,选取当前训练时间或者预测时间之前预设数量个目标历史观看记录,生成参考视频向量。最后将全部Q个历史订单记录对应的订单向量进行和池化处理,即可生成第三特征向量uo,即将第一特征变量ub、第二特征向量up和第三特征向量uo进行拼接,即可得到输入变量,即参考向量信息。
在一些实施例中,对于图8逻辑架构中的第二层次,需要调用预先创建并训练好的预测模型,所述预测模型可以采用如神经网络或深度学习等可预测模型,通过对预测模型进行长期训练,即可不断优化模型参数,比如神经元参数、网络层数等,从而提高模型的预测精度和效率。可选地,所述预测模型可采用前馈神经网络(Feedforward NeuralNetwork,FNN)模型。
在一些实施例中,预测模型会不断优化和更新,导致预测模型可能具有多个训练版本,因此可以同时调用不同训练版本的预测模型,然后将所得的参考向量信息分别输入至不同训练版本的预测模型中,并利用预设损失函数,计算不同训练版本的预测模型输出结果的损失参数,并将损失参数最小的目标训练版本的预测模型的输出结果作为指示信息。以具有3个训练版本的预测模型为例,分别设为预测模型1.0,预测模型2.0和预测模型3.0,将参考向量信息分别输入3个训练版本的预测模型中,预测模型1.0的损失参数为5,预测模型2.0的损失参数为8,预测模型3.0的损失参数为10,则输出预测模型1.0预测的指示信息。预设损失函数不作具体限定,可选地,预设损失函数采用二元交叉熵损失函数。
在一些实施例中,在预测模型输出指示信息之前,可将预测模型的输出结果进行sigmoid运算,从而将指示信息中的各个推荐指数转化为[0,1]之间的数值,推荐指数用于表征媒资套餐被推荐后用户付费的概率,即output=sigmoid(FNN(concat(up,ub,uo)))。
在一些实施例中,在预测模型输出指示信息之前,可以按照预设顺序,对全部视频应用内包括的各项媒资套餐的推荐指数进行排序。例如显示设备安装有视频应用1和视频应用2,视频应用1中提供套餐A、套餐B和套餐C,视频应用2中提供套餐D、套餐E,套餐F和套餐G,则预设顺序若设置为套餐A、套餐B、套餐C、套餐D、套餐E、套餐F和套餐G,则输出指示信息为[0.1,0.3,0.8,0.7,0.2,0.5,0.3],即可看出套餐C的推荐指数最高,达到0.8,套餐A的推荐指数最低为0.1。
在一些实施例中,可以设置一个预设值,控制器在获取到预测模型输出的指示信息之后,将指示信息中的各个推荐指数与预设值进行比较。推荐指数大于预设值的媒资套餐即成为目标套餐,则优先推送目标套餐的推荐信息;对于推荐指数小于或等于预设值的媒资套餐,则说明用户对其感兴趣的可能性较低,用户付费开通套餐的可能性较低,因此无需推荐这些可行性弱的套餐,仅推荐目标套餐。按照前述示例,假设预设值为0.6,则存在两个推荐指数大于0.6,则套餐C和套餐D为推荐可行性最高的目标套餐。
在一些实施例中,在预测模型输出指示信息之前,可以先将各个推荐指数与预设值进行比较,将大于预设值的推荐指数置为第一指示值,将小于或等于预设值的推荐指数置为第二指示值,所述第一指示值用于指示所在序位对应的媒资套餐为待推荐的目标套餐,所述第二指示值用于指示所在序位对应的媒资套餐不建议推荐。例如,第一指示值为1,第二指示值为0,则按照前述示例,假设预设值为0.6,则预测模型输出的指示信息被转变为[0,0,1,1,0,0,0],其中推荐指数为1的有两个,分别对应套餐C和套餐D,表明预测用户会开通套餐C和套餐D,因此主动推荐套餐C和套餐D,套餐A、套餐B、套餐E、套餐F和套餐G则不建议推荐。
在一些实施例中,对于图8逻辑架构中的第三层次,控制器在获取到预测模型输出的指示信息后,可以在当前视频应用的UI界面上推送目标套餐的推荐信息,所述推荐信息可以视频、图像、文本提示信息或者广告等形式进行展示,推荐信息中可以设置有立即开通控件,用户查看到推荐信息时,点击立即开通控件,界面自动跳转至套餐页面,用户可以执行套餐选择和支付等操作流程;或者,用户点击立即开通控件后,界面直接跳转至目标套餐的支付页面,用户完成支付操作,支付成功时创建新订单,套餐即刻生效,用户可以观看套餐内的任意媒资视频。
在一些实施例中,若预测出当前视频应用可推荐至少两种目标套餐,则可以分别对每个目标套餐进行单独推送;或者,也可将多个目标套餐集中于同一个推荐信息中,并支持用户在推荐信息中选择至少一个目标套餐进行支付。
在一些实施例中,指示信息可包括全部视频应用中各套餐的推荐指数,按照前述示例,视频应用1中的套餐C和视频应用2中的套餐D都可以进行推荐,若当前用户启动的目标应用为视频应用1,则在视频应用1的页面中推送套餐C的推荐信息,而不推荐套餐D;当用户关闭视频应用1,启动视频应用2时,如果两个视频应用的切换间隔时间较短,例如视频应用1被关闭后仅间隔3秒视频应用2就被启动了,则认为用户暂时未发生改变,即可在视频应用2中推送套餐D的推荐信息;若两个视频应用的切换间隔时间较长,比如视频应用1被关闭后间隔6小时视频应用2才被启动,此用户可能已不再是前次预测针对的彼用户,因此推荐套餐D可能不匹配当前用户的兴趣和意向,所以可结合新的当前会话重新预测。需要说明的是,目标套餐的推荐方式可以灵活设定,并不限于本申请实施例所述。
在一些实施例中,每次推送目标套餐的推荐信息之后,若推荐信息符合用户兴趣和意向,则用户可以响应推荐信息,完成目标套餐的支付和开通;若推荐信息存在偏差,不匹配用户的兴趣和意向,则用户也可以无视推荐信息,则不支付也不开通目标套餐。因此,在每次推送目标套餐的推荐信息后,控制器可以统计用户针对目标套餐的行为操作,所述行为操作包括付费开通目标套餐和不开通目标套餐,根据对目标套餐的行为操作的统计结果,可以对预测模型的相关参数进行优化,即通过长期预测和用户真实反馈,逐步优化和完善预测模型,从而提高预测模型的精度。
在一些实施例中,如图10所示,提供一种显示设备中执行的媒资套餐推荐方法,所述方法的执行主体具体为控制器250,包括如下程序步骤:
步骤S10,在接收到对目标应用内目标媒资的起播操作后,根据当前会话内的播放记录数据、用户基本数据、观看历史数据、媒资数据和套餐订单数据,计算参考向量信息。
步骤S20,调用预先训练好的预测模型,将所述参考向量信息输入至预测模型中进行预测,得到所述预测模型输出的指示信息。所述指示信息包括目标应用的各项媒资套餐的推荐指数,所述推荐指数用于表征媒资套餐被推荐后用户付费的概率。
步骤S30,根据所述指示信息,筛选出目标应用内推荐指数大于预设值的目标套餐,在所述目标应用内显示所述目标套餐的推荐信息。
本申请中,数据预处理、参考向量信息的计算、预测模型的训练和优化、基于模型预测的指示信息进行套餐推荐的控制、以及套餐画像、观看历史、订单历史、媒资数据等大数据的获取、存储和管理等流程环节都可由控制器250统一执行和控制,具体可参照前述说明,本实施例不再赘述。另外,本申请中涉及的算法和模型不限定,在本申请媒资套餐推荐机制的基础上,可以根据所需实现的功能和运算目的,采取适用的算法、模型并设置相关运算参数。
由以上技术方案可知,针对视频应用账号内各用户长期的历史观看记录,考虑到不同会话间用户可能发生变化,用户兴趣可能存在偏移等情况,对历史观看记录进行会话划分,以会话为单位考虑用户的兴趣。截取较长一段时间内的所有历史会话,通过聚类方法找到各历史会话之间的用户兴趣关联性。考虑到一般家庭的人员组成情况,将账号内历史观看记录划分为k个类簇,分别表示家庭中不同成员的长期兴趣,再结合用户的付费历史、用户基本数据以及当前会话,完成当前用户的识别和套餐个性化推荐。其中,在第三特征向量获取时,分析认为用户不会一时兴起购买套餐,而是由于订单历史前某个或某些观看历史引起了用户的付费欲望,另外在数据分析中发现,套餐内新入库和热播的媒资对用户购买套餐有很强的促进作用,因此在第三特征向量生成时同样结合订单历史前的观看历史,以及订单历史生成时的套餐向量(根据套餐画像计算得到),实现对参考向量信息的进一步丰富,提高媒资套餐推荐的准确性和可靠性,使推荐信息更符合当前用户的兴趣和意向,提升潜在会员用户向会员用户的转化率。
本领域的技术人员可以清楚地了解到本发明实施例中的技术可借助软件加必需的通用硬件平台的方式来实现。具体实现中,本发明还提供一种计算机存储介质,该计算机存储介质可存储有程序。当计算机存储介质位于显示设备中时,该程序执行时可包括控制器被配置执行的媒资套餐推荐方法涉及的程序步骤。其中,计算机存储介质可为磁碟、光盘、只读存储记忆体(英文:Read-Only Memory,简称ROM)或随机存储记忆体(英文:RandomAccess Memory,简称RAM)等。
最后应说明的是:以上各实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述各实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的范围。
为了方便解释,已经结合具体的实施方式进行了上述说明。但是,上述示例性的讨论不是意图穷尽或者将实施方式限定到上述公开的具体形式。根据上述的教导,可以得到多种修改和变形。上述实施方式的选择和描述是为了更好的解释原理以及实际的应用,从而使得本领域技术人员更好的使用所述实施方式以及适于具体使用考虑的各种不同的变形的实施方式。
Claims (10)
1.一种显示设备,其特征在于,包括:
显示器,用于显示目标套餐的推荐信息;
控制器,用于执行:
在接收到对目标应用内目标媒资的起播操作后,根据当前会话内的播放记录数据、用户基本数据、观看历史数据、媒资数据和套餐订单数据,计算参考向量信息;
调用预先训练好的预测模型,将所述参考向量信息输入至预测模型中进行预测,得到所述预测模型输出的指示信息,所述指示信息包括目标应用的各项媒资套餐的推荐指数,所述推荐指数用于表征媒资套餐被推荐后用户付费的概率;
控制显示器在所述目标应用内显示目标套餐的推荐信息,所述目标套餐包括所述目标应用内所述推荐指数大于预设值的媒资套餐。
2.根据权利要求1所述的显示设备,其特征在于,所述参考向量信息包括:
根据用户基本数据,生成的第一特征向量;
根据当前会话内的播放记录数据、所述当前会话之前预设时长内各视频应用包括的第一观看历史数据、所述第一观看历史数据中包括的历史观看记录对应的媒资数据,进行媒资兴趣的相似度匹配,得到的相似度最高的第二特征向量;
根据各视频应用内包括的所述观看历史数据、所述套餐订单数据和各项媒资套餐的套餐信息,生成的第三特征向量。
3.根据权利要求2所述的显示设备,其特征在于,所述控制器被配置为按照如下方式生成第二特征向量:
根据当前会话内的播放记录数据,生成当前会话向量;
根据预设间隔,将所述第一观看历史数据划分为N个历史会话,并生成对应的N个历史会话向量;其中,每个历史会话内包括若干历史观看记录;
对N个历史会话向量依次进行聚类和池化处理,得到类簇矩阵,所述类簇矩阵由k个类簇向量组合而成,k为家庭成员的预设数量,所述类簇向量用于表征每个家庭成员的媒资兴趣;
根据所述当前会话向量和所述类簇矩阵进行相似度计算,选取相似度得分最高的目标类簇向量作为所述第二特征向量。
4.根据权利要求2所述的显示设备,其特征在于,所述控制器被配置为按照如下方式生成第三特征向量:
将所述观看历史数据中的历史观看记录以及所述套餐订单数据中的历史订单记录按照时间排序,得到用户行为序列;
根据所述用户行为序列,获取每个历史订单记录之前的预设数量个目标历史观看记录,根据预设数量个目标历史观看记录对应的媒资数据,生成预设数量个目标视频向量,再对预设数量个目标视频向量进行和池化处理,得到参考视频向量;
根据每个历史订单记录对应的套餐信息生成套餐向量,并将所述套餐向量和所述历史订单记录中的订单信息合并成初始向量;
将所述初始向量和所述参考视频向量拼接成一个订单向量;
对全部历史订单记录的订单向量进行和池化处理,生成的第三特征向量。
5.根据权利要求3所述的显示设备,其特征在于,所述控制器被配置为按照如下方式生成历史会话向量:
在每个历史会话内,获取第一目标记录,并将所述第一目标记录从所述历史会话中移除;其中,所述第一目标记录为观看时长大于第一阈值或小于第二阈值的历史观看记录;
将所述历史会话内对应于同一个视频ID的多个历史观看记录的观看时长进行累加,得到统计时长,仅保留起播时间最早的初始历史观看记录,并将所述初始历史观看记录的观看时长变更为所述统计时长;
按照起播时间的先后顺序,对所述历史会话内剩余的历史观看记录进行排序,得到预处理后的历史会话;对所述预处理后的历史会话中各历史观看记录对应的视频向量进行和池化处理,得到所述历史会话向量。
6.根据权利要求2所述的显示设备,其特征在于,所述控制器被配置为按照如下方式生成第一特征向量:
对所述用户基本数据中的类别型信息进行独热编码;
对所述用户基本数据中的数值型信息进行标准化处理;
将所述用户基本数据中处理后的信息进行合并,得到所述第一特征向量;
其中,所述用户基本数据至少包括显示设备的所在地信息和设备信息。
7.根据权利要求1所述的显示设备,其特征在于,所述控制器还用于执行:
调取不同训练版本的预测模型;
将所述参考向量信息分别输入至不同训练版本的预测模型中;
利用预设损失函数,计算不同训练版本的预测模型输出结果的损失参数;
将所述损失参数最小的目标训练版本的预测模型的输出结果作为所述指示信息。
8.根据权利要求2所述的显示设备,其特征在于,在输出所述指示信息之前,所述预测模型还被配置为:
按照预设顺序,对全部视频应用内包括的各项媒资套餐的推荐指数进行排序;
将大于所述预设值的推荐指数置为第一指示值,将小于或等于预设值的推荐指数置为第二指示值;所述第一指示值用于指示所在序位对应的媒资套餐为待推荐的目标套餐,所述第二指示值用于指示所在序位对应的媒资套餐不建议推荐。
9.根据权利要求1或7所述的显示设备,其特征在于,所述控制器还用于执行:
在每次显示所述目标套餐的推荐信息后,统计用户针对所述目标套餐的行为操作;所述行为操作包括付费开通目标套餐和不开通目标套餐;
根据对所述目标套餐的行为操作的统计结果,对所述预测模型的参数进行优化。
10.一种媒资套餐推荐方法,其特征在于,包括:
在接收到对目标应用内目标媒资的起播操作后,根据当前会话内的播放记录数据、用户基本数据、观看历史数据、媒资数据和套餐订单数据,计算参考向量信息;
调用预先训练好的预测模型,将所述参考向量信息输入至预测模型中进行预测,得到所述预测模型输出的指示信息,所述指示信息包括目标应用的各项媒资套餐的推荐指数,所述推荐指数用于表征媒资套餐被推荐后用户付费的概率;
在所述目标应用内显示目标套餐的推荐信息,所述目标套餐包括所述目标应用内所述推荐指数大于预设值的媒资套餐。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110697936.4A CN113434757A (zh) | 2021-06-23 | 2021-06-23 | 一种媒资套餐推荐方法及显示设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110697936.4A CN113434757A (zh) | 2021-06-23 | 2021-06-23 | 一种媒资套餐推荐方法及显示设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113434757A true CN113434757A (zh) | 2021-09-24 |
Family
ID=77753443
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110697936.4A Pending CN113434757A (zh) | 2021-06-23 | 2021-06-23 | 一种媒资套餐推荐方法及显示设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113434757A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114186137A (zh) * | 2021-12-14 | 2022-03-15 | 聚好看科技股份有限公司 | 服务器及媒资混合推荐方法 |
CN114676283A (zh) * | 2022-03-30 | 2022-06-28 | 山东大学 | 共享账号使用场景下的视频会员套餐推荐方法及系统 |
CN116911938A (zh) * | 2023-06-08 | 2023-10-20 | 天翼爱音乐文化科技有限公司 | 一种基于向量编码的业务推荐方法、装置、设备及介质 |
CN116934389A (zh) * | 2023-06-12 | 2023-10-24 | 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 (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9055343B1 (en) * | 2013-06-07 | 2015-06-09 | Google Inc. | Recommending content based on probability that a user has interest in viewing the content again |
CN110209843A (zh) * | 2019-05-31 | 2019-09-06 | 腾讯科技(深圳)有限公司 | 多媒体资源播放方法、装置、设备及存储介质 |
CN110955828A (zh) * | 2019-11-19 | 2020-04-03 | 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 |
CN111988668A (zh) * | 2020-08-28 | 2020-11-24 | 腾讯科技(深圳)有限公司 | 一种视频推荐方法、装置、计算机设备及存储介质 |
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 |
CN112395489A (zh) * | 2019-08-15 | 2021-02-23 | 中移(苏州)软件技术有限公司 | 一种推荐方法及装置、设备和计算机存储介质 |
-
2021
- 2021-06-23 CN CN202110697936.4A patent/CN113434757A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9055343B1 (en) * | 2013-06-07 | 2015-06-09 | Google Inc. | Recommending content based on probability that a user has interest in viewing the content again |
CN110209843A (zh) * | 2019-05-31 | 2019-09-06 | 腾讯科技(深圳)有限公司 | 多媒体资源播放方法、装置、设备及存储介质 |
CN112395489A (zh) * | 2019-08-15 | 2021-02-23 | 中移(苏州)软件技术有限公司 | 一种推荐方法及装置、设备和计算机存储介质 |
CN110955828A (zh) * | 2019-11-19 | 2020-04-03 | 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 |
CN111988668A (zh) * | 2020-08-28 | 2020-11-24 | 腾讯科技(深圳)有限公司 | 一种视频推荐方法、装置、计算机设备及存储介质 |
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 |
Non-Patent Citations (2)
Title |
---|
吴泓辰等: "基于协同过滤与划分聚类的改进推荐算法", 《计算机研究与发展》, vol. 48, no. 3, 31 December 2011 (2011-12-31) * |
邝美莲: "《写作课》", vol. 1, 哈尔滨:北方文艺出版社, pages: 54 - 58 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114186137A (zh) * | 2021-12-14 | 2022-03-15 | 聚好看科技股份有限公司 | 服务器及媒资混合推荐方法 |
CN114676283A (zh) * | 2022-03-30 | 2022-06-28 | 山东大学 | 共享账号使用场景下的视频会员套餐推荐方法及系统 |
CN116911938A (zh) * | 2023-06-08 | 2023-10-20 | 天翼爱音乐文化科技有限公司 | 一种基于向量编码的业务推荐方法、装置、设备及介质 |
CN116934389A (zh) * | 2023-06-12 | 2023-10-24 | 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 |
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7419479B2 (ja) | 未消費コンテンツの可用性に関してユーザにアラートするための方法およびシステム | |
CN113434757A (zh) | 一种媒资套餐推荐方法及显示设备 | |
CN110149558B (zh) | 一种基于内容识别的视频播放实时推荐方法及系统 | |
US9009589B2 (en) | Conversion of portable program modules for constrained displays | |
CN101681369B (zh) | 媒体数据内容搜索系统 | |
US20200193288A1 (en) | System and Method for Content Discovery | |
US20150020106A1 (en) | Personalized video content from media sources | |
US20060212904A1 (en) | System and method for personalized TV | |
CN106489150A (zh) | 用于识别和保存媒体资产的一部分的系统和方法 | |
CN109964275A (zh) | 用于在检测到事件时与正常速度视频流同时提供慢动作视频流的系统和方法 | |
CN113139856B (zh) | 影视会员套餐推荐方法及设备 | |
US10225591B2 (en) | Systems and methods for creating and managing user profiles | |
CN113392237A (zh) | 一种分类标签展示方法、服务器及显示设备 | |
US9509798B1 (en) | Subscriptions to paid channels of an internet-based content platform | |
CN107735806A (zh) | 用于检测日历约会与媒体资产传送时间之间的重叠的方法和系统 | |
CN112804567B (zh) | 一种显示设备、服务器及视频推荐的方法 | |
CN106471819A (zh) | 用于提高媒体资产推荐模型中的精确性的系统和方法 | |
CN112601117B (zh) | 显示设备和内容展示方法 | |
CN114186137A (zh) | 服务器及媒资混合推荐方法 | |
US20170078750A1 (en) | Forecasting and guidance of content consumption | |
CN113490057B (zh) | 显示设备和媒资推荐方法 | |
US20230254521A1 (en) | Video distribution device, video distribution method, and recording media | |
CN114117126A (zh) | 一种视频推荐方法及显示设备 | |
CN113722542A (zh) | 视频推荐方法及显示设备 | |
KR20180100151A (ko) | 프로파일 및 경과 시간에 기초한 소비될 콘텐츠의 수정 |
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: 20210924 |
|
RJ01 | Rejection of invention patent application after publication |