CN113434779B - 可智能推荐的互动阅读方法、装置、计算设备和存储介质 - Google Patents
可智能推荐的互动阅读方法、装置、计算设备和存储介质 Download PDFInfo
- Publication number
- CN113434779B CN113434779B CN202110832059.7A CN202110832059A CN113434779B CN 113434779 B CN113434779 B CN 113434779B CN 202110832059 A CN202110832059 A CN 202110832059A CN 113434779 B CN113434779 B CN 113434779B
- Authority
- CN
- China
- Prior art keywords
- scenario
- user
- branch
- preference
- role
- 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
Links
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
- G06F16/906—Clustering; Classification
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种可智能推荐的互动阅读方法、装置、计算设备和存储介质。根据本发明提供的技术方案,获取待处理的剧情数据,确定所述剧情数据中每个分支剧情的用户喜好分数和目标用户对每个分支剧情的角色偏好分数;根据所述用户喜好分数和所述角色偏好分数,从所述剧情数据中筛选出待推荐的分支剧情;利用所述待推荐的分支剧情生成所述目标用户的推荐剧情。通过本发明可以通过用户的相关阅读数据,为用户智能推荐出符合用户喜好的剧情,来进行互动阅读,极大提升了用户体验。
Description
技术领域
本发明涉及多媒体信息领域,具体涉及一种可智能推荐的互动阅读方法、装置、计算设备和计算机存储介质。
背景技术
随着多媒体技术的发展,用户接收各种多媒体信息的方式越来越多。而人们对于各类多媒体信息也逐渐不满足于仅仅是接收信息,而是发展出互动式的多媒体信息获取方法,类别上也包含了文字、图片、音频、视频、游戏等多种形式。
而现有技术中,用户的互动阅读方式局限于用户只有通过主动选择才能进行剧情推动,完全基于用户本身的操作。此过程可能十分复杂且会耗费大量时间。同时,当前这种基于用户本身操作的互动阅读方式,也无法针对剧情进行快进、后退或跳转操作,限制了互动阅读的灵活性,极大地影响了用户体验。
发明内容
鉴于上述问题,提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的可智能推荐的互动阅读方法和相应的可智能推荐的互动阅读装置,计算设备以及计算机存储介质。
根据本发明的一个方面,提供了一种可智能推荐的互动阅读方法,所述方法包括:
获取待处理的剧情数据,确定所述剧情数据中每个分支剧情的用户喜好分数和目标用户对所述每个分支剧情的角色偏好分数;
根据所述用户喜好分数和所述角色偏好分数,从所述剧情数据中筛选出待推荐的分支剧情;
利用所述待推荐的分支剧情生成所述目标用户的推荐剧情。
上述方案中,所述获取待处理的剧情数据,确定所述剧情数据中每个分支剧情的用户喜好分数和目标用户对所述每个分支剧情的角色偏好分数进一步包括:
根据所述剧情数据中每个分支剧情的内容,确定所述每个分支剧情的理论阅读时长;
根据所述每个分支剧情的理论阅读时长以及各个用户在所述每个分支剧情的停留时长,确定所述每个分支剧情的用户喜好分数;
根据目标用户对所述剧情数据中各个剧情角色的偏好数据,确定所述目标用户对所述每个分支剧情的角色偏好分数。
上述方案中,所述根据所述剧情数据中每个分支剧情的内容,确定所述每个分支剧情的理论阅读时长进一步包括:
按照剧情内容类型对所述每个分支剧情的内容进行划分,得到多个剧情单元;其中,所述多个剧情单元包括:对话剧情单元、场景剧情单元以及动画剧情单元;
根据每个剧情单元的单元数据,计算所述每个剧情单元的阅读时长;
针对所述每个分支剧情,计算该分支剧情中所有剧情单元的阅读时长的总和作为该分支剧情的理论阅读时长。
上述方案中,所述根据所述每个分支剧情的理论阅读时长以及各个用户在所述每个分支剧情的停留时长,确定所述每个分支剧情的用户喜好分数进一步包括:
利用终端的瞳孔注视识别功能,采集各个用户在每个分支剧情的停留时长;
根据所述各个用户在每个分支剧情的停留时长,计算平均阅读时长;
针对所述各个用户中的任一用户,利用该用户在每个分支剧情的停留时长以及所述平均阅读时长计算该用户的阅读相对速率,并依据所述阅读相对速率以及所述每个分支剧情的理论阅读时长,计算该用户在每个分支剧情的修正阅读时长;将该用户在每个分支剧情的修正阅读时长与该分支剧情的理论阅读时长进行比对,根据比对结果确定该用户对每个分支剧情的停留分数;
针对所述每个分支剧情,计算各个用户对每个分支剧情的停留分数的总和作为该分支剧情的用户喜好分数。
上述方案中,所述根据目标用户对所述剧情数据中各个剧情角色的偏好数据,确定所述目标用户对所述每个分支剧情的角色偏好分数进一步包括:
获取所述目标用户的阅读记录及阅读行为数据,根据所述阅读记录及所述阅读行为数据,分析所述目标用户的用户标签;
根据所述目标用户的用户标签,从全部用户中查找所述目标用户的相似阅读人群;
针对每个剧情角色,获取所述目标用户对该剧情角色的偏好数据,计算所述相似阅读人群对该剧情角色的平均偏好数据,并依据所述偏好数据以及所述平均偏好数据确定所述目标用户对该剧情角色的修正偏好数据;
针对每个分支剧情,根据该分支剧情中各个剧情角色的出现次数以及所述目标用户对各个剧情角色的修正偏好数据,计算所述目标用户对该分支剧情的角色偏好分数。
上述方案中,在所述根据所述用户喜好分数和所述角色偏好分数,从所述剧情数据中筛选出待推荐的分支剧情之前,所述方法还包括:
根据各个用户对各个分支剧情的选择数据、所述用户喜好分数以及所述角色偏好分数,确定用户喜好权重以及角色偏好权重;
所述根据所述用户喜好分数和所述角色偏好分数,从所述剧情数据中筛选出待推荐的分支剧情具体为:根据所述用户喜好分数、所述角色偏好分数、所述用户喜好权重以及所述角色偏好权重,从所述剧情数据中筛选出待推荐的分支剧情。
上述方案中,所述根据所述用户喜好分数、所述角色偏好分数、所述用户喜好权重以及所述角色偏好权重,从所述剧情数据中筛选出待推荐的分支剧情,并利用所述待推荐的分支剧情生成所述目标用户的推荐剧情进一步包括:
根据所述用户喜好分数、所述角色偏好分数、所述用户喜好权重以及所述角色偏好权重,计算各个分支剧情的推荐分数;
按照所述推荐分数从高到低的顺序对各个分支剧情进行排序,从排序后的各个分支剧情中选取排列靠前的预设数量的分支剧情作为待推荐的分支剧情;
对所述待推荐的分支剧情进行组合,生成所述目标用户的推荐剧情。
根据本发明的另一方面,提供了一种可智能推荐的互动阅读,包括:确定模块以及剧情生成模块;其中,
所述确定模块,用于获取待处理的剧情数据,确定所述剧情数据中每个分支剧情的用户喜好分数和目标用户对所述每个分支剧情的角色偏好分数;
所述剧情生成模块,用于根据所述用户喜好分数和所述角色偏好分数,从所述剧情数据中筛选出待推荐的分支剧情,并利用所述待推荐的分支剧情生成所述目标用户的推荐剧情。
根据本发明的又一方面,提供了一种计算设备,包括:处理器、存储器、通信接口和通信总线,所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信;
所述存储器用于存放至少一可执行指令,所述可执行指令使所述处理器执行如上述的可智能推荐的互动阅读方法对应的操作。
根据本发明的再一方面,提供了一种计算机存储介质,存储介质中存储有至少一可执行指令,可执行指令使处理器执行如上述的可智能推荐的互动阅读方法对应的操作。
根据本发明提供的技术方案,获取待处理的剧情数据,根据目标用户或各个用户的相关数据,分别计算出所述用户喜好分数、所述角色偏好分数、所述用户喜好权重以及所述角色偏好权重;再根据所述用户喜好分数、所述角色偏好分数、所述用户喜好权重以及所述角色偏好权重,从所述剧情数据中筛选出待推荐的分支剧情,并利用所述待推荐的分支剧情生成所述目标用户的推荐剧情。由此解决了现有技术只能全部依赖用户主动选择分支剧情才能够进行阅读,无法通过智能推荐方式获得用户喜爱的分支剧情,并进行播放的问题;本发明提供的技术方案极大地提高了互动阅读方式的用户体验。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1示出了根据本发明一个实施例的可智能推荐的互动阅读方法的流程示意图;
图2示出了根据本发明另一个实施例的可智能推荐的互动阅读方法的流程示意图;
图3示出了根据本发明一个实施例的可智能推荐的互动阅读装置的结构框图;
图4示出了根据本发明实施例的一种计算设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
图1示出了根据本发明一个实施例的可智能推荐的互动阅读方法的流程示意图,如图1所示,该方法包括如下步骤:
步骤S101,获取待处理的剧情数据,确定所述剧情数据中每个分支剧情的用户喜好分数和目标用户对所述每个分支剧情的角色偏好分数;
步骤S102,根据所述用户喜好分数和所述角色偏好分数,从所述剧情数据中筛选出待推荐的分支剧情;
步骤S103,利用所述待推荐的分支剧情生成所述目标用户的推荐剧情。
根据本实施例提供的可智能推荐的互动阅读方法,依据一系列相关的剧情数据,逐步分析筛选出目标用户所喜爱的分支剧情,并将获得到的用户喜爱的分支剧情通过智能推荐的方式提供给目标用户,增加了互动阅读方式的灵活性。
图2示出了根据本发明另一个实施例的可智能推荐的互动阅读方法的流程示意图,如图2所示,该方法包括如下步骤:
步骤S201,获取待处理的剧情数据,根据所述剧情数据中每个分支剧情的内容,确定所述每个分支剧情的理论阅读时长。
具体的,所述根据所述剧情数据中每个分支剧情的内容,确定所述每个分支剧情的理论阅读时长进一步包括:
按照剧情内容类型对所述每个分支剧情的内容进行划分,得到多个剧情单元;其中,所述多个剧情单元包括:对话剧情单元、场景剧情单元以及动画剧情单元;
根据每个剧情单元的单元数据,计算所述每个剧情单元的阅读时长。
优选的,针对对话剧情单元的阅读时长的计算:每个所述对话剧情单元的阅读时长l1至ln可以通过配音时长、内容字数以及间隔时间来具体确定:
l1=max(tx,c*Td)
l2=max(tx,c*Td)
……
ln=max(tx,c*Td)
其中,tx为配音时长,c为内容字数,Td为间隔时间;
将每个所述对话剧情单元的阅读时长进行加和,计算出对话剧情单元的总时长l,总时长l即为对话剧情单元的阅读时长:
针对场景剧情单元的阅读时长的计算:从分支剧情中获取场景动画数据,计算每个场景动画数据的动画时间s1,s2,…,sn;将每个场景动画数据的动画时间进行加和,计算出场景剧情单元的总时长s,总时长s即为场景剧情单元的阅读时长:
针对动画剧情单元的阅读时长的计算:从分支剧情中获取特效动画数据,计算每个特效动画数据的动画时间a1,a2,…,an;将每个特效动画数据的动画时间进行加和,计算出动画剧情单元的总时长a,总时长a即为动画剧情单元的阅读时长:
具体的,针对所述每个分支剧情,计算该分支剧情中所有剧情单元的阅读时长的总和作为该分支剧情的理论阅读时长。
优选的,将所述对话剧情单元的总时长l、场景剧情单元的总时长s和动画剧情单元的总时长a相加,得出该分支剧情的理论阅读时长t:
t=l+s+a 公式4
步骤S202,根据所述每个分支剧情的理论阅读时长以及各个用户在所述每个分支剧情的停留时长,确定所述每个分支剧情的用户喜好分数。
可分析各个用户在每个分支剧情的停留时长,依据所述每个分支剧情的理论阅读时长以及各个用户在所述每个分支剧情的停留时长,计算所述每个分支剧情的用户喜好分数,具体的,可进一步包括:
利用终端的瞳孔注视识别功能,采集各个用户在每个分支剧情的停留时长;
其中,利用终端的瞳孔注视识别功能,采集各个用户在每个分支剧情的停留时长之前,需要获取用户对终端的瞳孔注视识别功能的授权。
优选的,利用终端的瞳孔注视识别功能,识别用户是否正在注视屏幕,当识别到用户正在注视屏幕时,采集用户注视屏幕的时长,将该时长计入用户在该分支剧情的停留时长;当用户将本阅读应用转入后台运行或识别到用户并未注视屏幕时,停止计算用户在该分支剧情的停留时长,即该段时间不计入用户在该分支剧情的停留时长中;最终,将计入的时长进行加和,计算得出用户在该分支剧情的停留时长。
具体的,根据所述各个用户在每个分支剧情的停留时长,计算平均阅读时长;
上述方案中,所述平均阅读时长是指利用所述各个用户在每个分支剧情的停留时长计算出的平均时长;
具体的,针对所述各个用户中的任一用户,利用该用户在每个分支剧情的停留时长以及所述平均阅读时长计算该用户的阅读相对速率,并依据所述阅读相对速率以及所述每个分支剧情的理论阅读时长,计算该用户在每个分支剧情的修正阅读时长;将该用户在每个分支剧情的修正阅读时长与该分支剧情的理论阅读时长进行比对,根据比对结果确定该用户对每个分支剧情的停留分数。
优选的,通过阅读中心用户的阅读数据,采集用户在每个分支剧情的停留时长,将该阅读时长和所述平均阅读时长之比确定为该用户的阅读相对速率;再将所述每个分支剧情的理论阅读时长与该用户的阅读相对速率相乘,计算出该用户在每个分支剧情的修正阅读时长;最后,将该用户在每个分支剧情的修正阅读时长与该分支剧情的理论阅读时长进行比对,若该用户在某一分支剧情的修正阅读时长大于该分支剧情的理论阅读时长,可以认为用户偏好该分支剧情,则该用户对该分支剧情的停留分数为+1;若该用户在该分支剧情的修正阅读时长小于该分支剧情的理论阅读时长与预设系数(例如0.5)的乘积,可以认为用户是以跳过剧情的方式进行阅读该分支剧情的,则该用户对该分支剧情的停留分数为-1。
具体的,针对所述每个分支剧情,计算各个用户对每个分支剧情的停留分数的总和作为该分支剧情的用户喜好分数。
步骤S203,根据目标用户对所述剧情数据中各个剧情角色的偏好数据,确定所述目标用户对所述每个分支剧情的角色偏好分数。
具体的,获取所述目标用户的阅读记录及阅读行为数据,根据所述阅读记录及所述阅读行为数据,分析所述目标用户的用户标签。
优选的,阅读中心的图书标签系统可以按照不同维度将图书划分为不同类型。
例如:按篇幅长短维度:短篇、中篇、长篇等;
按作品类型维度:武侠、推理、悬疑、历史、军事、言情等;
按艺术表现维度:文艺、幽默、漫画等;
按写作风格维度:网游、黑道、架空等。
优选的,获取所述目标用户的阅读记录及阅读行为数据,根据所述阅读记录及所述阅读行为数据,利用大数据分类算法,对用户的阅读行为权重进行机器训练,得出用户阅读行为分析模型,并根据该模型和所述阅读记录及所述阅读行为数据对用户进行标签归类,确定出全部用户的用户标签和目标用户的用户标签;
例如,
其中,Y为用户标签,x为用户的阅读行为权重、a为用户的阅读行为输入,k为选择的维度;
最终,确定用户所具有的标签可包括:长篇、武侠、文艺等。
具体的,根据所述目标用户的用户标签,从全部用户中查找所述目标用户的相似阅读人群。
优选的,利用杰卡德距离算法,根据目标用户查找相似用户,最终确定相似阅读人群;
例如,
其中,A代表用户A所具有的用户标签,B代表用户B所具有的用户标签;
通过预设的相似度系数x(0<x<1),确定出用户A的相似用户,进一步确定出用户A的相似阅读人群。
具体的,针对每个剧情角色,获取所述目标用户对该剧情角色的偏好数据,计算所述相似阅读人群对该剧情角色的平均偏好数据,并依据所述偏好数据以及所述平均偏好数据确定所述目标用户对该剧情角色的修正偏好数据。
优选的,可以将用户对剧情角色的打榜数作为对该剧情角色的偏好数据;将用户的相似阅读人群的平均打榜数作为相似阅读人群对该剧情角色的平均偏好数据;将用户对剧情角色的打榜数与相似阅读人群的平均打榜数进行加和,将计算出的目标用户对该剧情角色的修正打榜数作为修正偏好数据。
具体的,针对每个分支剧情,根据该分支剧情中各个剧情角色的出现次数以及所述目标用户对各个剧情角色的修正偏好数据,计算所述目标用户对该分支剧情的角色偏好分数。
优选的,每个分支剧情中的所述角色偏好分数可以为该分支剧情中目标用户对各个剧情角色的打榜数和对应角色出现次数的乘积之和;
例如,在一分支剧情中,目标用户对角色M打榜20次,对角色N打榜15次,且该分支剧情中,角色M出现过2次,角色N出现过1次;则角色M分数为20×2,角色N分数为15×1,所述角色偏好分数为20×2+15×1=55。
步骤S204,根据各个用户对各个分支剧情的选择数据、所述用户喜好分数以及所述角色偏好分数,确定用户喜好权重以及角色偏好权重。
可分析各个用户对各个分支剧情的选择数据、所述用户喜好分数以及所述角色偏好分数,计算用户喜好权重以及角色偏好权重,具体的,可进一步包括:
根据各个用户对各个分支剧情的选择数据,确定每个分支剧情的用户选择数量;
根据各个分支剧情的用户选择数量、所述用户喜好分数以及所述角色偏好分数,计算用户喜好权重以及角色偏好权重。
优选的,通过大数据获取各个用户对各个分支剧情的选择数据,确定每个分支剧情的用户选择数量;
例如:用户共选择了两个分支剧情,即分支剧情A和分支剧情B,分支剧情A的用户选择数量为c1,;分支剧情B的用户选择数量为c2,;分支剧情A的用户喜好分数为tA1,角色偏好分数为tA2;分支剧情B的用户喜好分数为tB1,角色偏好分数为tB2;
设用户喜好权重为x,角色偏好权重为1-x;其中,分支剧情A的用户喜好权重为x1,分支剧情B的用户喜好权重为x2。
则
根据公式5即可推导出分支剧情A的用户喜好权重x1;
根据公式6即可推导出分支剧情B的用户喜好权重x2;
最后,计算x1和x2的均值作为所述用户喜好权重x。
即,计算用户选择的各个分支剧情的用户喜好权重的均值,将该均值作为所述用户喜好权重x,进一步确定出角色偏好权重1-x。
步骤S205,根据所述用户喜好分数、所述角色偏好分数、所述用户喜好权重以及所述角色偏好权重,从所述剧情数据中筛选出待推荐的分支剧情,并利用所述待推荐的分支剧情生成所述目标用户的推荐剧情。
具体的,所述根据所述用户喜好分数、所述角色偏好分数、所述用户喜好权重以及所述角色偏好权重,从所述剧情数据中筛选出待推荐的分支剧情,并利用所述待推荐的分支剧情生成所述目标用户的推荐剧情进一步包括:
根据所述用户喜好分数、所述角色偏好分数、所述用户喜好权重以及所述角色偏好权重,计算各个分支剧情的推荐分数;
优选的,将所述用户喜好分数和所述用户喜好权重的乘积与所述角色偏好分数和所述角色偏好权重的乘积之和确定为所述推荐分数。
具体的,按照所述推荐分数从高到低的顺序对各个分支剧情进行排序,从排序后的各个分支剧情中选取排列靠前的预设数量的分支剧情作为待推荐的分支剧情;
对所述待推荐的分支剧情进行组合,生成所述目标用户的推荐剧情。
优选的,在利用所述待推荐的分支剧情生成所述目标用户的推荐剧情后,所述方法还包括:
将所述目标用户的推荐剧情提供给所述目标用户的用户端进行播放;
根据所述目标用户对所述推荐剧情的进度调整操作,调整所述推荐剧情在所述用户端中的播放进度。
优选的,根据所述目标用户对所述推荐剧情的进度调整操作,调整所述推荐剧情在所述用户端中的播放进度的方式,可以包括:
用户通过手指在播放页面左滑或右滑,进行快退或快进;用户手指的滑动距离d与比例系数b的乘积为跳转时间;其中,滑动距离d单位为px,向左滑动为负数,对应快退操作;向右滑动为正数,对应快进操作;比例系数b可以由用户预先设置;将当前播放时间与跳转时间相加,得出跳转到的时间;根据该跳转到的时间,获取对应的剧情,并由程序执行剧情跳转;
或者,用户调出进度条,进行点击定位,确定进度百分比;剧情总时间和进度百分比的乘积即为跳转到的时间;根据该跳转到的时间,获取对应的剧情,并由程序执行剧情跳转。
对于剧情跳转方式,本申请不做具体限定。
根据本实施例提供的可智能推荐的互动阅读方法,获取待处理的剧情数据,根据目标用户或各个用户的相关数据,分别计算出所述用户喜好分数、所述角色偏好分数、所述用户喜好权重以及所述角色偏好权重;再根据所述用户喜好分数、所述角色偏好分数、所述用户喜好权重以及所述角色偏好权重,从所述剧情数据中筛选出待推荐的分支剧情,并利用所述待推荐的分支剧情生成所述目标用户的推荐剧情。利用本发明提供的技术方案,能够基于剧情数据以及通过大数据获取的用户阅读行为、分支剧情的用户选择数量等数据计算得出用户喜好分数、所述角色偏好分数、所述用户喜好权重以及所述角色偏好权重,并进一步确定出推荐分数后对智能推荐剧情。该方案有效改善了现有技术中互动阅读只能通过用户主动选择这一种方式进行剧情选择及推进的问题,实现剧情智能推荐以及各种方式的跳转播放,极大的提升了用户体验。
图3示出了根据本发明一个实施例的可智能推荐的互动阅读装置的结构框图,如图3所示,该装置包括:确定模块310以及剧情生成模块320;
确定模块310,用于获取待处理的剧情数据,确定所述剧情数据中每个分支剧情的用户喜好分数和目标用户对所述每个分支剧情的角色偏好分数。其中,所述确定模块310进一步包括:阅读时长确定模块311、用户喜好分数确定模块312、角色偏好分数确定模块313、权重确定模块314
所述阅读时长确定模块311,用于获取待处理的剧情数据,根据所述剧情数据中每个分支剧情的内容,确定所述每个分支剧情的理论阅读时长。
具体的,所述阅读时长确定模块311进一步用于:按照剧情内容类型对所述每个分支剧情的内容进行划分,得到多个剧情单元;其中,所述多个剧情单元包括:对话剧情单元、场景剧情单元以及动画剧情单元;根据每个剧情单元的单元数据,计算所述每个剧情单元的阅读时长;针对所述每个分支剧情,计算该分支剧情中所有剧情单元的阅读时长的总和作为该分支剧情的理论阅读时长。
所述用户喜好分数确定模块312,用于根据所述每个分支剧情的理论阅读时长以及各个用户在所述每个分支剧情的停留时长,确定所述每个分支剧情的用户喜好分数。
所述用户喜好分数确定模块312进一步用于:利用终端的瞳孔注视识别功能,采集各个用户在每个分支剧情的停留时长;根据所述各个用户在每个分支剧情的停留时长,计算平均阅读时长;针对所述各个用户中的任一用户,利用该用户在每个分支剧情的停留时长以及所述平均阅读时长计算该用户的阅读相对速率,并依据所述阅读相对速率以及所述每个分支剧情的理论阅读时长,计算该用户在每个分支剧情的修正阅读时长;将该用户在每个分支剧情的修正阅读时长与该分支剧情的理论阅读时长进行比对,根据比对结果确定该用户对每个分支剧情的停留分数;针对所述每个分支剧情,计算各个用户对每个分支剧情的停留分数的总和作为该分支剧情的用户喜好分数。
所述角色偏好分数确定模块313,用于根据目标用户对所述剧情数据中各个剧情角色的偏好数据,确定所述目标用户对所述每个分支剧情的角色偏好分数。
所述角色偏好分数确定模块313进一步用于:获取所述目标用户的阅读记录及阅读行为数据,根据所述阅读记录及所述阅读行为数据,分析所述目标用户的用户标签;根据所述目标用户的用户标签,从全部用户中查找所述目标用户的相似阅读人群;针对每个剧情角色,获取所述目标用户对该剧情角色的偏好数据,计算所述相似阅读人群对该剧情角色的平均偏好数据,并依据所述偏好数据以及所述平均偏好数据确定所述目标用户对该剧情角色的修正偏好数据;针对每个分支剧情,根据该分支剧情中各个剧情角色的出现次数以及所述目标用户对各个剧情角色的修正偏好数据,计算所述目标用户对该分支剧情的角色偏好分数。
所述权重确定模块314,用于根据各个用户对各个分支剧情的选择数据、所述用户喜好分数以及所述角色偏好分数,确定用户喜好权重以及角色偏好权重。
所述权重确定模块314进一步用于:根据各个用户对各个分支剧情的选择数据,确定每个分支剧情的用户选择数量;根据各个分支剧情的用户选择数量、所述用户喜好分数以及所述角色偏好分数,计算用户喜好权重以及角色偏好权重。
所述剧情生成模块320,用于根据所述用户喜好分数和所述角色偏好分数,从所述剧情数据中筛选出待推荐的分支剧情,并利用所述待推荐的分支剧情生成所述目标用户的推荐剧情。
所述剧情生成模块320进一步用于:根据所述用户喜好分数、所述角色偏好分数、所述用户喜好权重以及所述角色偏好权重,从所述剧情数据中筛选出待推荐的分支剧情,并利用所述待推荐的分支剧情生成所述目标用户的推荐剧情。
所述剧情生成模块320进一步用于:根据所述用户喜好分数、所述角色偏好分数、所述用户喜好权重以及所述角色偏好权重,计算各个分支剧情的推荐分数;按照所述推荐分数从高到低的顺序对各个分支剧情进行排序,从排序后的各个分支剧情中选取排列靠前的预设数量的分支剧情作为待推荐的分支剧情;对所述待推荐的分支剧情进行组合,生成所述目标用户的推荐剧情。
优选的,所述装置还包括:播放控制模块330,用于将所述目标用户的推荐剧情提供给所述目标用户的用户端进行播放;根据所述目标用户对所述推荐剧情的进度调整操作,调整所述推荐剧情在所述用户端中的播放进度。
根据本实施例提供的可智能推荐的互动阅读装置,获取待处理的剧情数据,根据目标用户或各个用户的相关数据,分别计算出所述用户喜好分数、所述角色偏好分数、所述用户喜好权重以及所述角色偏好权重;再根据所述用户喜好分数、所述角色偏好分数、所述用户喜好权重以及所述角色偏好权重,从所述剧情数据中筛选出待推荐的分支剧情,并利用所述待推荐的分支剧情生成所述目标用户的推荐剧情。利用本发明提供的技术方案,能够基于剧情数据以及通过大数据获取的用户阅读行为、分支剧情的用户选择数量等数据计算得出用户喜好分数、所述角色偏好分数、所述用户喜好权重以及所述角色偏好权重,并进一步确定出推荐分数后对智能推荐剧情。该方案有效改善了现有技术中互动阅读只能通过用户主动选择这一种方式进行剧情选择及推进的问题,实现剧情智能推荐以及各种方式的跳转播放,极大的提升了用户体验。
本发明还提供了一种非易失性计算机存储介质,计算机存储介质存储有至少一可执行指令,可执行指令可执行上述任意方法实施例中的可智能推荐的互动阅读方法。
图4示出了根据本发明实施例的一种计算设备的结构示意图,本发明具体实施例并不对计算设备的具体实现做限定。
如图4所示,该计算设备可以包括:处理器(processor)402、通信接口(Communications Interface)404、存储器(memory)406、以及通信总线408。
其中:
处理器402、通信接口404、以及存储器406通过通信总线408完成相互间的通信。
通信接口404,用于与其它设备比如客户端或其它服务器等的网元通信。
处理器402,用于执行程序410,具体可以执行上述可智能推荐的互动阅读方法实施例中的相关步骤。
具体地,程序410可以包括程序代码,该程序代码包括计算机操作指令。
处理器402可能是中央处理器CPU,或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit),或者是被配置成实施本发明实施例的一个或多个集成电路。计算设备包括的一个或多个处理器,可以是同一类型的处理器,如一个或多个CPU;也可以是不同类型的处理器,如一个或多个CPU以及一个或多个ASIC。
存储器406,用于存放程序410。存储器406可能包含高速RAM存储器,也可能还包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。
程序410具体可以用于使得处理器402执行上述任意方法实施例中的可智能推荐的互动阅读。程序410中各步骤的具体实现可以参见上述可智能推荐的互动阅读方法实施例中的相应步骤和单元中对应的描述,在此不赘述。所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的设备和模块的具体工作过程,可以参考前述方法实施例中的对应过程描述,在此不再赘述。
在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述,构造这类系统所要求的结构是显而易见的。此外,本发明也不针对任何特定编程语言。应当明白,可以利用各种编程语言实现在此描述的本发明的内容,并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
类似地,应当理解,为了精简本公开并帮助理解各个发明方面中的一个或多个,在上面对本发明的示例性实施例的描述中,本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而,并不应将该公开的方法解释成反映如下意图:即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说,如权利要求书所反映的那样,发明方面在于少于前面公开的单个实施例的所有特征。因此,遵循具体实施方式的权利要求书由此明确地并入该具体实施方式,其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员可以理解,可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件,以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外,可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外,本领域的技术人员能够理解,尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如,在权利要求书中,所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本发明的各个部件实施例可以以硬件实现,或者以在一个或者多个处理器上运行的软件模块实现,或者以它们的组合实现。本领域的技术人员应当理解,可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如,计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上,或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到,或者在载体信号上提供,或者以任何其他形式提供。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制,并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
Claims (10)
1.一种可智能推荐的互动阅读方法,包括:
获取待处理的剧情数据,确定所述剧情数据中每个分支剧情的用户喜好分数;
根据目标用户对所述剧情数据中各个剧情角色的偏好数据,确定目标用户对所述每个分支剧情的角色偏好分数;其中,针对每个剧情角色,依据目标用户对该剧情角色的偏好数据以及目标用户的相似阅读人群对该剧情角色的平均偏好数据确定目标用户对该剧情角色的修正偏好数据;针对每个分支剧情,根据该分支剧情中各个剧情角色的出现次数以及目标用户对各个剧情角色的修正偏好数据,计算目标用户对该分支剧情的角色偏好分数;
根据所述用户喜好分数和所述角色偏好分数,从所述剧情数据中筛选出待推荐的分支剧情;
利用所述待推荐的分支剧情生成所述目标用户的推荐剧情。
2.根据权利要求1所述的方法,其中,所述获取待处理的剧情数据确定所述剧情数据中每个分支剧情的用户喜好分数进一步包括:
根据所述剧情数据中每个分支剧情的内容,确定所述每个分支剧情的理论阅读时长;
根据所述每个分支剧情的理论阅读时长以及各个用户在所述每个分支剧情的停留时长,确定所述每个分支剧情的用户喜好分数。
3.根据权利要求2所述的方法,其中,所述根据所述剧情数据中每个分支剧情的内容,确定所述每个分支剧情的理论阅读时长进一步包括:
按照剧情内容类型对所述每个分支剧情的内容进行划分,得到多个剧情单元;其中,所述多个剧情单元包括:对话剧情单元、场景剧情单元以及动画剧情单元;
根据每个剧情单元的单元数据,计算所述每个剧情单元的阅读时长;
针对所述每个分支剧情,计算该分支剧情中所有剧情单元的阅读时长的总和作为该分支剧情的理论阅读时长。
4.根据权利要求2所述的方法,其中,所述根据所述每个分支剧情的理论阅读时长以及各个用户在所述每个分支剧情的停留时长,确定所述每个分支剧情的用户喜好分数进一步包括:
利用终端的瞳孔注视识别功能,采集各个用户在每个分支剧情的停留时长;
根据所述各个用户在每个分支剧情的停留时长,计算平均阅读时长;
针对所述各个用户中的任一用户,利用该用户在每个分支剧情的停留时长以及所述平均阅读时长计算该用户的阅读相对速率,并依据所述阅读相对速率以及所述每个分支剧情的理论阅读时长,计算该用户在每个分支剧情的修正阅读时长;将该用户在每个分支剧情的修正阅读时长与该分支剧情的理论阅读时长进行比对,根据比对结果确定该用户对每个分支剧情的停留分数;
针对所述每个分支剧情,计算各个用户对每个分支剧情的停留分数的总和作为该分支剧情的用户喜好分数。
5.根据权利要求1所述的方法,其中,所述方法还包括:
获取所述目标用户的阅读记录及阅读行为数据,根据所述阅读记录及所述阅读行为数据,分析所述目标用户的用户标签;
根据所述目标用户的用户标签,从全部用户中查找所述目标用户的相似阅读人群。
6.根据权利要求1所述的方法,其中,在所述根据所述用户喜好分数和所述角色偏好分数,从所述剧情数据中筛选出待推荐的分支剧情之前,所述方法还包括:
根据各个用户对各个分支剧情的选择数据、所述用户喜好分数以及所述角色偏好分数,确定用户喜好权重以及角色偏好权重;
所述根据所述用户喜好分数和所述角色偏好分数,从所述剧情数据中筛选出待推荐的分支剧情具体为:根据所述用户喜好分数、所述角色偏好分数、所述用户喜好权重以及所述角色偏好权重,从所述剧情数据中筛选出待推荐的分支剧情。
7.根据权利要求6所述的方法,其中,所述根据所述用户喜好分数、所述角色偏好分数、所述用户喜好权重以及所述角色偏好权重,从所述剧情数据中筛选出待推荐的分支剧情进一步包括:
根据所述用户喜好分数、所述角色偏好分数、所述用户喜好权重以及所述角色偏好权重,计算各个分支剧情的推荐分数;
按照所述推荐分数从高到低的顺序对各个分支剧情进行排序,从排序后的各个分支剧情中选取排列靠前的预设数量的分支剧情作为待推荐的分支剧情;
所述利用所述待推荐的分支剧情生成所述目标用户的推荐剧情具体为:对所述待推荐的分支剧情进行组合,生成所述目标用户的推荐剧情。
8.一种可智能推荐的互动阅读装置,包括:确定模块以及剧情生成模块;其中,
所述确定模块,用于获取待处理的剧情数据,确定所述剧情数据中每个分支剧情的用户喜好分数;根据目标用户对所述剧情数据中各个剧情角色的偏好数据,确定目标用户对所述每个分支剧情的角色偏好分数;其中,针对每个剧情角色,依据目标用户对该剧情角色的偏好数据以及目标用户的相似阅读人群对该剧情角色的平均偏好数据确定目标用户对该剧情角色的修正偏好数据;针对每个分支剧情,根据该分支剧情中各个剧情角色的出现次数以及目标用户对各个剧情角色的修正偏好数据,计算目标用户对该分支剧情的角色偏好分数;
所述剧情生成模块,用于根据所述用户喜好分数和所述角色偏好分数,从所述剧情数据中筛选出待推荐的分支剧情,并利用所述待推荐的分支剧情生成所述目标用户的推荐剧情。
9.一种计算设备,包括:处理器、存储器、通信接口和通信总线,所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信;
所述存储器用于存放至少一可执行指令,所述可执行指令使所述处理器执行如权利要求1-7中任一项所述的可智能推荐的互动阅读方法对应的操作。
10.一种计算机存储介质,所述存储介质中存储有至少一可执行指令,所述可执行指令使处理器执行如权利要求1-7中任一项所述的可智能推荐的互动阅读方法对应的操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110832059.7A CN113434779B (zh) | 2021-07-22 | 2021-07-22 | 可智能推荐的互动阅读方法、装置、计算设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110832059.7A CN113434779B (zh) | 2021-07-22 | 2021-07-22 | 可智能推荐的互动阅读方法、装置、计算设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113434779A CN113434779A (zh) | 2021-09-24 |
CN113434779B true CN113434779B (zh) | 2023-01-03 |
Family
ID=77761419
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110832059.7A Active CN113434779B (zh) | 2021-07-22 | 2021-07-22 | 可智能推荐的互动阅读方法、装置、计算设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113434779B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8572097B1 (en) * | 2013-03-15 | 2013-10-29 | FEM, Inc. | Media content discovery and character organization techniques |
CN106815216A (zh) * | 2015-11-30 | 2017-06-09 | 北京云莱坞文化传媒有限公司 | 一种故事筛选及精准展现的方法和装置 |
CN106815217A (zh) * | 2015-11-30 | 2017-06-09 | 北京云莱坞文化传媒有限公司 | 故事推荐方法和故事推荐装置 |
CN110196948A (zh) * | 2019-06-10 | 2019-09-03 | 北京金山安全软件有限公司 | 内容推荐方法、装置、计算机设备及存储介质 |
CN111209470A (zh) * | 2018-11-21 | 2020-05-29 | 国家新闻出版广电总局广播科学研究院 | 个性化内容推荐方法、装置及存储介质 |
CN111476482A (zh) * | 2020-04-03 | 2020-07-31 | 北京弘远博学科技有限公司 | 基于人物画像的个性化推荐方法 |
CN111586089A (zh) * | 2020-03-20 | 2020-08-25 | 上海大犀角信息科技有限公司 | 基于向量评分的客户端、服务端内容推荐系统和方法 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7836466B2 (en) * | 2002-06-06 | 2010-11-16 | Microsoft Corporation | Methods and systems for generating electronic program guides |
CN103440335B (zh) * | 2013-09-06 | 2016-11-09 | 北京奇虎科技有限公司 | 视频推荐方法及装置 |
CN108833458B (zh) * | 2018-04-02 | 2021-08-06 | 腾讯科技(深圳)有限公司 | 一种应用推荐方法、装置、介质及设备 |
CN111277898A (zh) * | 2018-12-05 | 2020-06-12 | 中国移动通信集团广西有限公司 | 一种内容推送方法及装置 |
CN110798747A (zh) * | 2019-09-27 | 2020-02-14 | 咪咕视讯科技有限公司 | 一种视频播放方法、电子设备及存储介质 |
CN111708901B (zh) * | 2020-06-19 | 2023-10-13 | 腾讯科技(深圳)有限公司 | 多媒体资源推荐方法、装置、电子设备及存储介质 |
CN112084404B (zh) * | 2020-09-01 | 2024-03-01 | 北京百度网讯科技有限公司 | 内容推荐方法、装置、设备和介质 |
CN112333480B (zh) * | 2020-09-03 | 2023-05-23 | 深圳Tcl新技术有限公司 | 节目的推荐方法、显示终端及计算机可读存储介质 |
CN113065062A (zh) * | 2021-03-09 | 2021-07-02 | 北京工业大学 | 一种基于用户阅读时间行为的新闻推荐方法及系统 |
-
2021
- 2021-07-22 CN CN202110832059.7A patent/CN113434779B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8572097B1 (en) * | 2013-03-15 | 2013-10-29 | FEM, Inc. | Media content discovery and character organization techniques |
CN106815216A (zh) * | 2015-11-30 | 2017-06-09 | 北京云莱坞文化传媒有限公司 | 一种故事筛选及精准展现的方法和装置 |
CN106815217A (zh) * | 2015-11-30 | 2017-06-09 | 北京云莱坞文化传媒有限公司 | 故事推荐方法和故事推荐装置 |
CN111209470A (zh) * | 2018-11-21 | 2020-05-29 | 国家新闻出版广电总局广播科学研究院 | 个性化内容推荐方法、装置及存储介质 |
CN110196948A (zh) * | 2019-06-10 | 2019-09-03 | 北京金山安全软件有限公司 | 内容推荐方法、装置、计算机设备及存储介质 |
CN111586089A (zh) * | 2020-03-20 | 2020-08-25 | 上海大犀角信息科技有限公司 | 基于向量评分的客户端、服务端内容推荐系统和方法 |
CN111476482A (zh) * | 2020-04-03 | 2020-07-31 | 北京弘远博学科技有限公司 | 基于人物画像的个性化推荐方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113434779A (zh) | 2021-09-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Temporal segment networks for action recognition in videos | |
Gao et al. | Hierarchical LSTMs with adaptive attention for visual captioning | |
EP3473016B1 (en) | Method and system for automatically producing video highlights | |
CN107423274B (zh) | 基于人工智能的比赛解说内容生成方法、装置及存储介质 | |
CN110232403B (zh) | 一种标签预测方法、装置、电子设备及介质 | |
CN109508406B (zh) | 一种信息处理方法、装置及计算机可读存储介质 | |
CN108307239B (zh) | 一种视频内容推荐方法和装置 | |
CN112149602B (zh) | 动作计数方法、装置、电子设备及存储介质 | |
JP2018525675A (ja) | 過去のブロードキャストテキストを用いてライブテキストブロードキャストコンテンツを生成する方法およびデバイス | |
Li et al. | End-to-end feature integration for correlation filter tracking with channel attention | |
CN112183588A (zh) | 视频处理方法及装置、电子设备及存储介质 | |
CN111597446A (zh) | 基于人工智能的内容推送方法、装置、服务器和存储介质 | |
CN113434779B (zh) | 可智能推荐的互动阅读方法、装置、计算设备和存储介质 | |
CN113362139A (zh) | 基于双塔结构模型的数据处理方法和装置 | |
CN116628235A (zh) | 数据推荐方法、装置、设备及介质 | |
CN113468431B (zh) | 基于用户行为的内容推荐方法及装置 | |
CN115809374A (zh) | 纠正推荐系统主流偏差的方法、系统、设备及存储介质 | |
CN115829159A (zh) | 社交媒体粉丝新增预测方法、装置、设备及存储介质 | |
US20210374419A1 (en) | Semi-Supervised Action-Actor Detection from Tracking Data in Sport | |
CN109033050A (zh) | 文章生成方法、设备及存储介质 | |
CN115269919A (zh) | 一种短视频质量的确定方法、装置、电子设备及存储介质 | |
CN113971595A (zh) | 一种商品推荐方法、系统及设备 | |
CN111491198A (zh) | 一种小视频搜索方法和装置 | |
CN113672746B (zh) | 多媒体资源推荐方法、装置、电子设备及存储介质 | |
CN109800399B (zh) | 模型生成方法、封面生成方法、装置及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |