CN113505291A - 基于用户行为数据的内容智能推荐系统 - Google Patents
基于用户行为数据的内容智能推荐系统 Download PDFInfo
- Publication number
- CN113505291A CN113505291A CN202110581851.XA CN202110581851A CN113505291A CN 113505291 A CN113505291 A CN 113505291A CN 202110581851 A CN202110581851 A CN 202110581851A CN 113505291 A CN113505291 A CN 113505291A
- Authority
- CN
- China
- Prior art keywords
- data
- recommendation
- media asset
- user
- candidate
- 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.)
- Withdrawn
Links
- 238000012545 processing Methods 0.000 claims abstract description 37
- 238000013500 data storage Methods 0.000 claims abstract description 16
- 238000012552 review Methods 0.000 claims abstract description 7
- 238000012163 sequencing technique Methods 0.000 claims abstract description 6
- 230000006399 behavior Effects 0.000 claims description 26
- 238000012549 training Methods 0.000 claims description 12
- 238000004140 cleaning Methods 0.000 claims description 10
- 230000010354 integration Effects 0.000 claims description 10
- 238000003066 decision tree Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000013499 data model Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000000034 method Methods 0.000 abstract description 5
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000001914 filtration Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000001960 triggered 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
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2457—Query processing with adaptation to user needs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/25—Integrating or interfacing systems involving database management systems
- G06F16/254—Extract, transform and load [ETL] procedures, e.g. ETL data flows in data warehouses
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Computational Linguistics (AREA)
- Two-Way Televisions, Distribution Of Moving Picture Or The Like (AREA)
Abstract
本发明公开了一种基于用户行为数据的内容智能推荐系统，包括：数据存储模块，用于进行数据存储；离线处理模块，用于获取第一数据信息和第二数据信息，并根据所述第一数据信息和第二数据信息计算推荐候选媒资集合，所述第一数据信息包括媒资数据、EPG数据和媒资的元数据中的一种或多种，所述第二数据信息包括直播收视数据、点播收视数据、回看数据和时移数据的一种或多种；在线服务模块，用于生成推荐请求，并根据推荐请求获取相应的推荐候选媒资集合，并对所述推荐候选媒资集合中的媒资进行排序生成推荐结果，并将推荐结果呈现到电视端。本发明有助于用户快速找到感兴趣的节目，减少用户找节目所花费的时间。
Description
技术领域
本发明属于智能电视技术领域，特别是涉及一种基于用户行为数据的内容智能推荐系统。
背景技术
人们在观看电视节目时需要手动选择想观看的节目，随着电视节目内容越来越丰富，用户要从海量的节目中找到自己感兴趣的节目需要花大量时间，如何减少用户为选择节目花费的时间是一个值得研究的方向。
发明内容
本发明的目的在于克服现有技术的不足，提供一种基于用户行为数据的内容智能推荐系统。
本发明的目的是通过以下技术方案来实现的：基于用户行为数据的内容智能推荐系统，包括：
数据存储模块，用于进行数据存储；
离线处理模块，用于获取第一数据信息和第二数据信息，并根据所述第一数据信息和第二数据信息计算推荐候选媒资集合，所述第一数据信息包括媒资数据、EPG数据和媒资的元数据中的一种或多种，所述第二数据信息包括直播收视数据、点播收视数据、回看数据和时移数据的一种或多种；
在线服务模块，用于生成推荐请求，并根据推荐请求获取相应的推荐候选媒资集合，并对所述推荐候选媒资集合中的媒资进行排序生成推荐结果，并将推荐结果呈现到电视端。
优选的，所述离线处理模块包括：
媒资集成子模块，用于获取第一数据信息，并将所述第一数据信息存储到数据存储模块，所述第一数据信息包括媒资数据、EPG数据、海报数据和媒资的元数据中的一种或多种；
媒资处理子模块，用于对所述第一数据信息进行处理，对第一数据信息进行处理包括对第一数据信息进行清洗、加工、匹配和融合；
行为数据集成子模块，用于获取第二数据信息，并将第二数据信息存储到数据存储模块，所述第二数据信息包括直播收视数据、点播收视数据、回看数据和时移数据中的一种或多种；
行为数据处理子模块，用于对第二数据信息进行处理，并生成用户观看记录；以及用于提取用户特征和媒资特征；
推荐计算子模块，用于根据处理过的用户行为记录、媒资数据、用户特征和媒资特征计算推荐候选媒资集合，并将得到的推荐候选媒资集合存储到数据存储模块。
优选的，对第一数据信息进行清洗、加工、匹配和融合，包括：
对第一数据信息进行数据清洗，将缺失字段多余第一预设值的数据以及播放时间小于第二预设值的数据剔除；
将数据进行统一格式化和标准化，将数据转为系统定义的标准媒资和EPG数据模型；
通过对比的方式完成媒资数据和EPG数据的匹配以及融合；
将媒资数据和EPG数据与标准媒资进行关联。
优选的，计算推荐候选媒资集合包括：
根据处理过的用户行为记录、媒资数据、用户特征和媒资特征，按照预设的推荐算法计算出用户之间的相似度和媒资之间的相似度；
计算出每个用户的推荐候选媒资集合和每部媒资的推荐候选媒资集合。
优选的，所述离线处理模块还包括：
模型训练子模块，用于将一种或多种用户特征和媒资特征作为输入，以提升点击率为学习目标，从用户观看记录中提取数据作为训练样本和测试样本，对排序的决策树模型进行训练，训练完成后将模型部署到在线服务模块。
优选的，所述在线服务模块包括：
推荐客户端，用于获取第三数据信息，并根据第三数据信息生成推荐请求，并将推荐请求发送给推荐服务子模块；以及在接收到推荐结果后将推荐结果呈现到电视端，所述第三数据信息包括用户的身份ID、直播频道ID和地理信息中的一种或多种；
推荐服务子模块，用于在接收到推荐请求后调用EPG检索服务子模块获取用户正在收看的媒资数据，再调用召回服务子模块获取媒资候选集合，再将媒资候选集合发送给排序服务子模块进行排序得到推荐结果，最后将推荐结果返回给推荐客户端；
EPG检索服务子模块，用于根据用户正在收看的频道和当前时间查询出EPG信息，再根据EPG信息进行匹配到媒资数据；
召回服务子模块，用于根据用户信息和媒资数据查询每个用户的推荐候选媒资集合和每部媒资的推荐候选媒资集合，并将每个用户的推荐候选媒资集合和每部媒资的推荐候选媒资集合融合为一个媒资候选集合；
排序服务子模块，用于接收用户的身份ID和媒资候选集合，根据用户特征、媒资特征和决策树模型，针对该用户对所有候选媒资的点击率进行预估，再将媒资候选集合根据点击率大小进行倒序排列得到推荐结果；
优选的，所述在线服务模块还包括：
结果优化服务子模块，用于接收用户的身份ID和已排序的媒资候选集合，根据用户观看记录对推荐结果进行去重处理。
本发明的有益效果是：本发明通过在用户使用直播业务的过程中获取用户正在观看的频道信息，查询出EPG信息以及针对该EPG的推荐候选媒资集合，再根据用户行为特征进一步筛选出用户兴趣最大的媒资，从而实现了媒资的个性化推荐，有助于用户快速找到感兴趣的节目，减少用户找节目所花费的时间。
附图说明
图1为基于用户行为数据的内容智能推荐系统的一种组成示意框图。
具体实施方式
下面将结合实施例，对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有付出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
参阅图1，本发明提供一种基于用户行为数据的内容智能推荐系统：
基于用户行为数据的内容智能推荐系统，包括数据存储模块、离线处理模块和在线服务模块。
在一些实施例中，所述数据存储模块包括基于MongoDB的文档数据库存储子模块和基于Redis的缓存子模块。在线服务模块先从缓存子模块中读取推荐候选媒资集合，若读取失败，再从文档数据库存储子模块中读取推荐候选媒资集合，采用先从缓存子模块中读取推荐候选媒资集合的方式可以加快系统访问速度。
所述离线处理模块用于获取第一数据信息和第二数据信息，并根据所述第一数据信息和第二数据信息计算推荐候选媒资集合，所述第一数据信息包括媒资数据、EPG数据和媒资的元数据中的一种或多种，所述第二数据信息包括直播收视数据、点播收视数据、回看数据和时移数据的一种或多种。
在一些实施例中，所述离线处理模块包括媒资集成子模块、媒资处理子模块、行为数据集成子模块、行为数据处理子模块和推荐计算子模块。
所述媒资集成子模块用于获取第一数据信息，并将所述第一数据信息存储到数据存储模块，所述第一数据信息包括媒资数据、EPG数据、海报数据和媒资的元数据中的一种或多种。一般的，所述媒资数据、EPG数据和还包数据从各个内容供应商和广电EPG系统拉取，媒资数据的元数据可以从用户我司的媒资中心库获取。
所述媒资处理子模块用于对所述第一数据信息进行处理，对第一数据信息进行处理包括对第一数据信息进行清洗、加工、匹配和融合。一般的，对第一数据信息进行清洗、加工、匹配和融合，包括：对第一数据信息进行数据清洗，将缺失字段多余第一预设值的数据以及播放时间小于第二预设值的数据剔除，即将缺失字段较多、播放时间过短的数据剔除；将数据进行统一格式化和标准化，将数据转为系统定义的标准媒资和EPG数据模型；通过对比的方式完成媒资数据和EPG数据的匹配以及融合，对比的方式有标题、题材、和关键字对比等；将媒资数据和EPG数据与标准媒资进行关联。
所述行为数据集成子模块用于获取第二数据信息（即用户行为数据），并将第二数据信息存储到数据存储模块，所述第二数据信息包括直播收视数据、点播收视数据、回看数据和时移数据中的一种或多种。
所述行为数据处理子模块用于对第二数据信息进行处理，如对第二数据信息进行清洗，剔除观看时长过短的行为记录，并生成用户观看记录；以及用于提取用户特征和媒资特征，例如，计算媒资的收视热度和时长等特征指标，以及计算用户的收视习惯和兴趣爱好等特征数据。
所述推荐计算子模块用于根据处理过的用户行为记录、媒资数据、用户特征和媒资特征计算推荐候选媒资集合，并将得到的推荐候选媒资集合存储到数据存储模块。
一般的，计算推荐候选媒资集合包括：根据处理过的用户行为记录、媒资数据、用户特征和媒资特征，按照预设的推荐算法计算出用户之间的相似度和媒资之间的相似度；计算出每个用户的推荐候选媒资集合和每部媒资的推荐候选媒资集合，例如，计算出每个用户的推荐候选媒资Top 100和每部媒资的推荐候选媒资Top 100。
推荐算法可以采用协同过滤算法，协同过滤算法具有推荐新信息的能力，可以发现用户潜在的但自己尚未察觉的兴趣偏好，能够较好的进行电影、电视剧、电视栏目等包含较多抽象信息的，难以进行内容分析的产品推荐。一般的，在不同类型用户面对不同的媒资内容时，往往相似用户对同一媒资内容的兴趣点较为一致，如果一些用户对某些对象的兴趣相似，则说明此类用户的潜在偏好亦有概率相同。所述协同过滤算法用于计算用户间的兴趣爱好相似度时：找到与目标用户的兴趣爱好相似度大于第一阈值的所有邻居，然后根据所述邻居已经产生的行为结果来预测目标用户的候选对象，并对候选对象进行评分，选择若干评分最高的候选对象作为推荐结果。所述协同过滤算法用于计算媒资内容之间的相似度时：找到与目标用户观看过的媒资内容相似度大于第二阈值的所有媒资内容，选择若干相似度最高的媒资内容作为候选对象，并生成推荐结果。
在一些实施例中，所述离线处理模块还包括模型训练子模块，所述模型训练子模块用于将一种或多种用户特征和媒资特征作为输入，以提升点击率为学习目标，从用户观看记录中提取数据作为训练样本和测试样本，对排序的决策树模型进行训练，训练完成后将模型部署到在线服务模块。
所述在线服务模块用于生成推荐请求，并根据推荐请求获取相应的推荐候选媒资集合，并对所述推荐候选媒资集合中的媒资进行排序生成推荐结果，并将推荐结果呈现到电视端。
在一些实施例中，所述在线服务模块包括推荐客户端、推荐服务子模块、EPG检索服务子模块、召回服务子模块和排序服务子模块。
所述推荐客户端支持与电视直播应用进行通信，用于获取第三数据信息，并根据第三数据信息生成推荐请求，并将推荐请求发送给推荐服务子模块；以及在接收到推荐结果后将推荐结果呈现到电视端，所述第三数据信息包括用户的身份ID、直播频道ID和地理信息中的一种或多种。
用户观看直播的过程中，可以通过两种方式触发推荐服务：1）用户切换频道时，系统根据用户切换的频率、切换后停留时间等指标判断是否需要向用户进行推荐，如果满足条件则自动展示推荐列表；2）用户按下遥控器的热键或指南键，系统向用户展示推荐列表；3）如果用户使用了语音遥控器，可以发出语音指令，呼出推荐列表。当推荐服务被触发时，推荐客户端获取第三数据信息。
所述推荐服务子模块用于在接收到推荐请求后调用EPG检索服务子模块获取用户正在收看的媒资数据，再调用召回服务子模块获取媒资候选集合，再将媒资候选集合发送给排序服务子模块进行排序得到推荐结果，最后将推荐结果返回给推荐客户端。
所述EPG检索服务子模块用于根据用户正在收看的频道和当前时间查询出EPG信息，再根据EPG信息进行匹配到媒资数据。
所述召回服务子模块用于根据用户信息和媒资数据查询每个用户的推荐候选媒资集合和每部媒资的推荐候选媒资集合，并将每个用户的推荐候选媒资集合和每部媒资的推荐候选媒资集合融合为一个媒资候选集合。
所述排序服务子模块用于接收用户的身份ID和媒资候选集合，根据用户特征、媒资特征和决策树模型，针对该用户对所有候选媒资的点击率进行预估，再将媒资候选集合根据点击率大小进行倒序排列得到推荐结果。
在一些实施例中，所述在线服务模块还包括结果优化服务子模块，所述结果优化服务子模块用于接收用户的身份ID和已排序的媒资候选集合，根据用户观看记录对推荐结果进行去重处理。此外，结果优化子模块还用于平衡不同推荐算法的召回数量，对推荐结果的数量进行分析，如果数量过大则删除靠后的记录，如果数量过小则利用热播、新节目等内容进行填充。
以上所述仅是本发明的优选实施方式，应当理解本发明并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文所述构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。
Claims (7)
1.基于用户行为数据的内容智能推荐系统，其特征在于，包括：
数据存储模块，用于进行数据存储；
离线处理模块，用于获取第一数据信息和第二数据信息，并根据所述第一数据信息和第二数据信息计算推荐候选媒资集合，所述第一数据信息包括媒资数据、EPG数据和媒资的元数据中的一种或多种，所述第二数据信息包括直播收视数据、点播收视数据、回看数据和时移数据的一种或多种；
在线服务模块，用于生成推荐请求，并根据推荐请求获取相应的推荐候选媒资集合，并对所述推荐候选媒资集合中的媒资进行排序生成推荐结果，并将推荐结果呈现到电视端。
2.根据权利要求1所述的基于用户行为数据的内容智能推荐系统，其特征在于，所述离线处理模块包括：
媒资集成子模块，用于获取第一数据信息，并将所述第一数据信息存储到数据存储模块，所述第一数据信息包括媒资数据、EPG数据、海报数据和媒资的元数据中的一种或多种；
媒资处理子模块，用于对所述第一数据信息进行处理，对第一数据信息进行处理包括对第一数据信息进行清洗、加工、匹配和融合；
行为数据集成子模块，用于获取第二数据信息，并将第二数据信息存储到数据存储模块，所述第二数据信息包括直播收视数据、点播收视数据、回看数据和时移数据中的一种或多种；
行为数据处理子模块，用于对第二数据信息进行处理，并生成用户观看记录；以及用于提取用户特征和媒资特征；
推荐计算子模块，用于根据处理过的用户行为记录、媒资数据、用户特征和媒资特征计算推荐候选媒资集合，并将得到的推荐候选媒资集合存储到数据存储模块。
3.根据权利要求2所述的基于用户行为数据的内容智能推荐系统，其特征在于，对第一数据信息进行清洗、加工、匹配和融合，包括：
对第一数据信息进行数据清洗，将缺失字段多余第一预设值的数据以及播放时间小于第二预设值的数据剔除；
将数据进行统一格式化和标准化，将数据转为系统定义的标准媒资和EPG数据模型；
通过对比的方式完成媒资数据和EPG数据的匹配以及融合；
将媒资数据和EPG数据与标准媒资进行关联。
4.根据权利要求2所述的基于用户行为数据的内容智能推荐系统，其特征在于，计算推荐候选媒资集合包括：
根据处理过的用户行为记录、媒资数据、用户特征和媒资特征，按照预设的推荐算法计算出用户之间的相似度和媒资之间的相似度；
计算出每个用户的推荐候选媒资集合和每部媒资的推荐候选媒资集合。
5.根据权利要求2所述的基于用户行为数据的内容智能推荐系统，其特征在于，所述离线处理模块还包括：
模型训练子模块，用于将一种或多种用户特征和媒资特征作为输入，以提升点击率为学习目标，从用户观看记录中提取数据作为训练样本和测试样本，对排序的决策树模型进行训练，训练完成后将模型部署到在线服务模块。
6.根据权利要求1所述的基于用户行为数据的内容智能推荐系统，其特征在于，所述在线服务模块包括：
推荐客户端，用于获取第三数据信息，并根据第三数据信息生成推荐请求，并将推荐请求发送给推荐服务子模块；以及在接收到推荐结果后将推荐结果呈现到电视端，所述第三数据信息包括用户的身份ID、直播频道ID和地理信息中的一种或多种；
推荐服务子模块，用于在接收到推荐请求后调用EPG检索服务子模块获取用户正在收看的媒资数据，再调用召回服务子模块获取媒资候选集合，再将媒资候选集合发送给排序服务子模块进行排序得到推荐结果，最后将推荐结果返回给推荐客户端；
EPG检索服务子模块，用于根据用户正在收看的频道和当前时间查询出EPG信息，再根据EPG信息进行匹配到媒资数据；
召回服务子模块，用于根据用户信息和媒资数据查询每个用户的推荐候选媒资集合和每部媒资的推荐候选媒资集合，并将每个用户的推荐候选媒资集合和每部媒资的推荐候选媒资集合融合为一个媒资候选集合；
排序服务子模块，用于接收用户的身份ID和媒资候选集合，根据用户特征、媒资特征和决策树模型，针对该用户对所有候选媒资的点击率进行预估，再将媒资候选集合根据点击率大小进行倒序排列得到推荐结果。
7.根据权利要求6所述的基于用户行为数据的内容智能推荐系统，其特征在于，所述在线服务模块还包括：
结果优化服务子模块，用于接收用户的身份ID和已排序的媒资候选集合，根据用户观看记录对推荐结果进行去重处理。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110581851.XA CN113505291A (zh) | 2021-05-27 | 2021-05-27 | 基于用户行为数据的内容智能推荐系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110581851.XA CN113505291A (zh) | 2021-05-27 | 2021-05-27 | 基于用户行为数据的内容智能推荐系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113505291A true CN113505291A (zh) | 2021-10-15 |
Family
ID=78008888
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110581851.XA Withdrawn CN113505291A (zh) | 2021-05-27 | 2021-05-27 | 基于用户行为数据的内容智能推荐系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113505291A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114065044A (zh) * | 2021-11-23 | 2022-02-18 | 聚好看科技股份有限公司 | 一种内容推荐优化方法及服务器 |
| 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 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101540874A (zh) * | 2009-04-23 | 2009-09-23 | 中山大学 | 一种基于协同过滤的互动电视节目推荐方法 |
| CN103546773A (zh) * | 2013-08-15 | 2014-01-29 | Tcl集团股份有限公司 | 电视节目的推荐方法及其系统 |
| CN107613323A (zh) * | 2016-07-12 | 2018-01-19 | 上海视畅信息科技有限公司 | 一种智能epg推荐引擎实现方法 |
| CN112468852A (zh) * | 2020-11-24 | 2021-03-09 | 深圳市易平方网络科技有限公司 | 媒资推荐方法、装置、系统及计算机可读存储介质 |
-
2021
- 2021-05-27 CN CN202110581851.XA patent/CN113505291A/zh not_active Withdrawn
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101540874A (zh) * | 2009-04-23 | 2009-09-23 | 中山大学 | 一种基于协同过滤的互动电视节目推荐方法 |
| CN103546773A (zh) * | 2013-08-15 | 2014-01-29 | Tcl集团股份有限公司 | 电视节目的推荐方法及其系统 |
| CN107613323A (zh) * | 2016-07-12 | 2018-01-19 | 上海视畅信息科技有限公司 | 一种智能epg推荐引擎实现方法 |
| CN112468852A (zh) * | 2020-11-24 | 2021-03-09 | 深圳市易平方网络科技有限公司 | 媒资推荐方法、装置、系统及计算机可读存储介质 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114065044A (zh) * | 2021-11-23 | 2022-02-18 | 聚好看科技股份有限公司 | 一种内容推荐优化方法及服务器 |
| 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 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US9646007B2 (en) | Distributed and tiered architecture for content search and content monitoring | |
| RU2577189C2 (ru) | Основанное на профиле извлечение содержимого для систем средств выдачи рекомендаций | |
| KR100965457B1 (ko) | 퍼스널 프로파일에 기초한 콘텐츠의 증가 | |
| US20220107978A1 (en) | Method for recommending video content | |
| US20160014482A1 (en) | Systems and Methods for Generating Video Summary Sequences From One or More Video Segments | |
| US20150082331A1 (en) | Methods for identifying video segments and displaying contextually targeted content on a connected television | |
| US20100008643A1 (en) | Methods and Systems for Interacting with Viewers of Video Content | |
| US20150037009A1 (en) | Enhanced video systems and methods | |
| CN105653572A (zh) | 一种资源的处理方法及装置 | |
| KR20160104661A (ko) | 온-디맨드 미디어 컨텐츠에 대응하는 보충적인 정보를 제시하기 위한 방법들, 시스템들 및 매체들 | |
| JP2005509949A (ja) | 個人情報を検索、更新および提示する方法およびシステム | |
| US11812107B2 (en) | Content recommendation system and method | |
| US20120042041A1 (en) | Information processing apparatus, information processing system, information processing method, and program | |
| KR20030031974A (ko) | 이용자들의 개인 특성들을 이용하는 권고안들의 필터링 | |
| CN112507163B (zh) | 时长预测模型训练方法、推荐方法、装置、设备及介质 | |
| JP2010520713A (ja) | ビデオフレーム特徴に基づくビデオ推薦のためのシステム及び方法 | |
| CN113505291A (zh) | 基于用户行为数据的内容智能推荐系统 | |
| CN111274449A (zh) | 视频播放方法、装置、电子设备和存储介质 | |
| CN114513687A (zh) | 服务器及媒资推荐方法 | |
| JP5335500B2 (ja) | コンテンツ検索装置及びコンピュータプログラム | |
| JP6069246B2 (ja) | 情報処理装置、情報処理装置の制御方法、及びプログラム | |
| JP5800391B2 (ja) | 放送プログラム選別方法、装置およびシステム | |
| KR101286427B1 (ko) | 방송 콘텐츠 추천 장치 및 방법 | |
| Sumiyoshi et al. | CurioView: TV recommendations related to content being viewed | |
| CN114417890B (zh) | 一种评论内容回复方法、装置、电子设备及存储介质 |
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 | ||
| WW01 | Invention patent application withdrawn after publication | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20211015 |