CN113518263A - 交互式网络电视的视频推荐方法、装置、电视及存储介质 - Google Patents

交互式网络电视的视频推荐方法、装置、电视及存储介质 Download PDF

Info

Publication number
CN113518263A
CN113518263A CN202110835689.XA CN202110835689A CN113518263A CN 113518263 A CN113518263 A CN 113518263A CN 202110835689 A CN202110835689 A CN 202110835689A CN 113518263 A CN113518263 A CN 113518263A
Authority
CN
China
Prior art keywords
negative feedback
user
video
strategy
determining
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.)
Granted
Application number
CN202110835689.XA
Other languages
English (en)
Other versions
CN113518263B (zh
Inventor
秦林
王�锋
李云峰
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.)
Nanjing Xuanjia Network Technology Co ltd
Original Assignee
Nanjing Xuanjia Network 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 Nanjing Xuanjia Network Technology Co ltd filed Critical Nanjing Xuanjia Network Technology Co ltd
Priority to CN202110835689.XA priority Critical patent/CN113518263B/zh
Publication of CN113518263A publication Critical patent/CN113518263A/zh
Application granted granted Critical
Publication of CN113518263B publication Critical patent/CN113518263B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04NPICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/45Management 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
    • H04N21/466Learning process for intelligent management, e.g. learning user preferences for recommending movies
    • H04N21/4668Learning process for intelligent management, e.g. learning user preferences for recommending movies for recommending content, e.g. movies
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04NPICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/45Management 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
    • H04N21/466Learning process for intelligent management, e.g. learning user preferences for recommending movies
    • H04N21/4667Processing of monitored end-user data, e.g. trend analysis based on the log file of viewer selections
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04NPICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/47End-user applications
    • H04N21/482End-user interface for program selection
    • H04N21/4826End-user interface for program selection using recommendation lists, e.g. of programs or channels sorted out according to their score

Landscapes

  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Software Systems (AREA)
  • Human Computer Interaction (AREA)
  • Two-Way Televisions, Distribution Of Moving Picture Or The Like (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明实施例公开了一种交互式网络电视的视频推荐方法、装置、电视及存储介质,该方法包括:当监测到用户处于负反馈周期,确定当前的负反馈周期对应的当前负反馈策略;根据当前负反馈策略确定视频推荐条件和待播放视频;当满足视频推荐条件时,将待播放视频作为视频推荐结果向用户展示,解决了交互式网络电视在进行视频推荐时,仅根据用户喜好推荐视频的问题。时刻监测用户是否处于负反馈周期,当监测到用户处于负反馈周期时,根据所处的负反馈周期确定对应的当前负反馈策略,进而根据负反馈策略为用户推荐待播放视频。可以在用户行为异常或者消极的情况下通过负反馈的方式为用户推荐相反类型的视频,积极引导用户,实现为用户合理化推荐视频。

Description

交互式网络电视的视频推荐方法、装置、电视及存储介质
技术领域
本发明实施例涉及网络电视技术领域,尤其涉及交互式网络电视的视频推荐方法、装置、电视及存储介质。
背景技术
随着短视频智能推荐算法在各大平台普及,当用户的行为偏好被大数据获取,平台会根据该用户的个人偏好持续为其推荐符合其喜好的内容。
伴随网络技术的发达和网络信息的剧增,人们能够在海量的信息中随意选择自己关注的话题,完全可以根据自己的喜好定制报纸和杂志,每个人都拥有为自己量身定制一份个人日报的可能。这种“个人日报”式的信息选择行为会导致信息茧房的形成。信息茧房的形成,首先会加剧网络群体的极化。信息茧房一旦生成,群体内成员与外部世界的交流就会大幅减少,群体成员拥有相近似的观点和看法,群体内同质的特征越发显著。
如果用户在观看网络电视时由于自身情绪原因接触了负面事件,而现有的大数据推荐算法根据用户的选择行为不断为用户推荐同类的视频,导致用户长期接触负面情绪或事件,进而引导用户做出不理智行为;或者使用户长期接触同一类事件形成固有观点,无法接触更多合理化事件。因此,如何根据用户的行为进行用户行为纠正,合理化引导用户,为用户推荐合适的视频变得尤为重要。
发明内容
本发明提供一种交互式网络电视的视频推荐方法、装置、电视及存储介质,以实现交互式网络电视播放过程中为用户推荐合理视频。
第一方面,本发明实施例提供了一种交互式网络电视的视频推荐方法,所述方法包括:
当监测到用户处于负反馈周期,确定当前的负反馈周期对应的当前负反馈策略;
根据所述当前负反馈策略确定视频推荐条件和待播放视频;
当满足视频推荐条件时,将所述待播放视频作为视频推荐结果向用户展示。
第二方面,本发明实施例还提供了一种交互式网络电视的视频推荐装置,该装置包括:
策略确定模块,用于当监测到用户处于负反馈周期,确定当前的负反馈周期对应的当前负反馈策略;
视频确定模块,用于根据所述当前负反馈策略确定视频推荐条件和待播放视频;
展示模块,用于当满足视频推荐条件时,将所述待播放视频作为视频推荐结果向用户展示。
第三方面,本发明实施例还提供了一种交互式网络电视,该电视包括:
显示装置,用于播放视频;
一个或多个处理器;
存储器,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如本发明实施例中任一所述的一种交互式网络电视的视频推荐方法。
第四方面,本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本发明实施例中任一所述的一种交互式网络电视的视频推荐方法。
本发明实施例提供了一种交互式网络电视的视频推荐方法、装置、电视及存储介质,通过当监测到用户处于负反馈周期,确定当前的负反馈周期对应的当前负反馈策略;根据所述当前负反馈策略确定视频推荐条件和待播放视频;当满足视频推荐条件时,将所述待播放视频作为视频推荐结果向用户展示,解决了交互式网络电视在向用户进行视频推荐时,仅根据用户的喜好推荐视频的问题,时刻监测用户是否处于负反馈周期。当监测到用户处于负反馈周期时,根据所处的负反馈周期确定对应的当前负反馈策略,进而根据负反馈策略为用户推荐待播放视频。可以在用户行为异常或者消极的情况下通过负反馈的方式为用户推荐相反类型的视频,积极引导用户,实现为用户合理化推荐视频。
附图说明
图1是本发明实施例一中的一种交互式网络电视的视频推荐方法的流程图;
图2是本发明实施例二中的一种交互式网络电视的视频推荐方法的流程图;
图3是本发明实施例二中的一种基于负反馈的视频推荐的实现示例图;
图4是本发明实施例三中的一种交互式网络电视的视频推荐装置的结构示意图;
图5是本发明实施例四中的一种交互式网络电视的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请实施例方式作进一步地详细描述。应当明确,所描述的实施例仅仅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它实施例,都属于本申请保护的范围。
下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
在本申请的描述中,需要理解的是,术语“第一”、“第二”、“第三”等仅用于区别类似的对象,而不必用于描述特定的顺序或先后次序,也不能理解为指示或暗示相对重要性。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本申请中的具体含义。此外,在本申请的描述中,除非另有说明,“多个”是指两个或两个以上。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
实施例一
图1给出了本申请实施例一提供的一种交互式网络电视的视频推荐方法的流程图,该方法适用于在观看网络电视时为用户推荐视频的情况。
如图1所示,本实施例一提供的一种交互式网络电视的视频推荐方法,具体包括如下步骤:
S110、当监测到用户处于负反馈周期,确定当前的负反馈周期对应的当前负反馈策略。
在本实施例中,用户是指观看交互式网络电视的用户。交互式网络电视在连接网络时需要注册用户,通常家庭网络电视在执行入网操作时,需要用户预先申请网络,用户在申请网络时需要身份验证,即通过身份证申请网络。因此,在进行视频推荐之前可以已知用户的性别、年龄等信息。
在本实施例中,负反馈周期具体可以理解为进行负反馈的一段时间,即负反馈行为是需要持续一段时间的。当前负反馈策略具体可以理解为当前的负反馈周期在执行负反馈推荐时采用的推荐规则或策略。
具体的,当用户在观看网络电视时,对用户进行标识。例如,若用户触发了负反馈机制,则标识用户进入负反馈周期,以周期持续一周为例,用户在2021.1.1日触发负反馈机制,则在2021.1.8日之前,用户均处于负反馈周期,可以通过特定标识,对用户是否处于负反馈周期进行标识。在处于负反馈周期时,只要用户打开网络电视,即可监测到用户处于负反馈周期,进而启动负反馈推荐。在对用户进行负反馈推荐时,如果一个负反馈周期内用户的行为未得到完全纠正,可以再次形成负反馈周期,继续进行纠正,第二个负反馈周期需要根据上一个负反馈周期的纠正情况进行策略调整。同时,在纠正不同行为,或者相同行为的不同严重程度时可以采用不同的策略,即每个负反馈周期对应不同的当前负反馈策略。当监测到用户处于负反馈周期时,确定用户当前所处的负反馈周期所对应的当前负反馈策略。
S120、根据当前负反馈策略确定视频推荐条件和待播放视频。
在本实施例中,视频推荐条件具体可以理解为向用户推荐视频的条件,可以是时间、频率等条件。由于用户已经形成了观看习惯,若突然大批量的为用户推荐相反类型的视频,可能会引起用户反感,用户不容易接受此种方式。因此,确定合适的视频推荐条件合理的为用户推荐视频。视频推荐条件可以是固定某一段时间内向用户推荐一次,也可以是用户每观看10个视频后,为用户推荐一次。视频推荐条件是指推荐视频的时机,可以是一个确定的时间点,也可以不是确定的时间点。待播放视频具体可以理解为等待被播放的视频。
具体的,根据当前负反馈策略进行负反馈分析,例如,当前负反馈策略中包含推荐频率和推荐类型,根据推荐频率确定何种情况下为用户进行视频推荐的视频推荐条件。根据推荐类型确定为用户推荐何种类型的视频,由于每个类型的视频数量可以为多个,因此,可以从多个同类型的视频中选择任意一个视频作为待播放视频。待播放视频可以是每次确定一个,也可以确定待播放视频列表,进一步地,播放视频可以以单个视频呈现,也可以以待播放视频列表呈现,也可以是热门推荐位上的智能推荐。
S130、当满足视频推荐条件时,将待播放视频作为视频推荐结果向用户展示。
在满足视频推荐条件时,直接向用户展示待播放视频。示例性的,举例说明推荐过程:
1、以视频推荐时间为每隔0.5小时推荐一次为例,可以预先选择多个待播放视频形成待播放列表。每隔0.5小时为用户推荐一次待播放视频,每次达到视频推荐时间时,从待播放视频列表中选择一个待播放视频,可以按照先后顺序,从前到后选择。或者,每次达到视频推荐时间时,选择待播放视频。如果选择完待播放视频后,此时用户没有正在观看的视频,确定此时满足视频推荐条件,将待播放视频作为视频推荐结果向用户展示,若此时用户正在观看视频,当此视频结束后确定满足视频推荐条件,将待播放视频作为视频推荐结果向用户展示。同时,每隔0.5小时可以按照用户观看时长进行统计,即用户每观看0.5小时的视频后向用户推荐视频,若达到此视频推荐时间时,用户正在观看视频,等待此视频结束后再展示待播放视频。例如,播放结束后的返回窗口会弹出“猜你喜欢”“为你推荐”等推荐位。
以下举两例说明:
交互式电视中,如果用户处于负反馈周期,当用户在播放一部连续剧时,如果长时间没有检测到用户操作(一直处于自动播放下一集),当达到推荐时间且当集播放完成后,停止自动播放弹出返回提示页,如用户仍无操作,确定满足视频推荐条件,播放待播放视频。
如果用户播放的是一部单集视频,例如电影,当完成播放后,则将负反馈策略推荐的待播放视频包含在返回页的推荐内容中,向用户展示。
交互式电视场景下的负反馈机制相对于手机端场景的最大优势是,所有内容都是版权方有计划地提供,在片单内审时,可以对每集视频进行精细化标签分类,保证负反馈机制触发时,尽可能为用户推荐符合条件的内容。
2、以视频推荐时间为每隔10个视频推荐一次为例,同样可以预先选择多个待播放视频形成待播放列表。检查到用户每播放10个视频,确定满足视频推荐条件,为用户推荐一次待播放视频,从待播放视频列表中选择一个待播放视频,可以按照先后顺序,从前到后选择。或者,每次满足视频推荐条件时,选择待播放视频,然后作为视频推荐结果向用户展示。
上述仅示例性的说明向用户推荐视频的时机,以及推荐方式,并非对本申请的限制,只要确定视频推荐条件和待播放视频均为本申请的保护范围。同时需要知道的是,确定视频推荐条件和待播放视频均为通过当前负反馈策略确定,但是确定的时间可以一致,也可以不一致。例如,首先确定视频推荐条件,在达到视频推荐条件时确定待播放视频。
本发明实施例提供了一种交互式网络电视的视频推荐方法,通过当监测到用户处于负反馈周期,确定当前的负反馈周期对应的当前负反馈策略;根据所述当前负反馈策略确定视频推荐条件和待播放视频;当满足视频推荐条件时,将所述待播放视频作为视频推荐结果向用户展示,解决了交互式网络电视在向用户进行视频推荐时,仅根据用户的喜好推荐视频的问题,时刻监测用户是否处于负反馈周期。当监测到用户处于负反馈周期时,根据所处的负反馈周期确定对应的当前负反馈策略,进而根据负反馈策略为用户推荐待播放视频。可以在用户行为异常或者消极的情况下通过负反馈的方式为用户推荐相反类型的视频,积极引导用户,实现为用户合理化推荐视频。
实施例二
图2为本发明实施例二提供的一种交互式网络电视的视频推荐方法的流程图。本实施例的技术方案在上述技术方案的基础上进一步细化,具体主要包括如下步骤:
S210、获取用户的浏览记录。
在本实施例中,浏览记录具体可以理解为用户在观看视频时所形成的记录。用户在观看视频时,根据用户的观看记录形成浏览记录,浏览记录可以包括观看的时间、观看的时长、观看的具体视频,以及此视频所属的分类标签(即视频类型)等。
通过本地存储空间或者云端数据库对用户观看视频所形成的浏览记录进行保存。通常由于用户在观看视频时,统计用户的历史浏览记录,会形成大量的浏览记录,并且,由于用户可能会在一天内花费几个小时的时间观看视频,同样会存在大量的浏览记录。可以每隔一段时间判断一次用户是否需要进行负反馈,也可以用户观看完每个视频后均计算一次。第二种方式计算量会非常庞大,在实际应用中对计算机设备的处理能力要求较高,因此选择每隔一段时间计算的方式更加方便。本申请实施例以每天统计一次用户的浏览记录为例,说明视频推荐方法的实施过程。
S220、根据浏览记录生成当前用户画像。
在本实施例中,当前用户画像具体可以理解为当前用于描述用户个人形象的数据信息,例如,用户性别、年龄段、爱好等等。对用户的浏览记录进行分析,确定用户观看不同分类标签的视频时长、次数以及时间等,确定每个分类标签所对应的用户情绪标签,针对每个不同的分类标签的所观看的视频进行综合评估。通过分析浏览记录中的各视频的标签、播放时间等信息,综合生成当前用户画像。
S230、如果当前用户画像存在满足负反馈触发条件的目标情绪标签,确定用户进入负反馈周期,并根据目标情绪标签和当前用户画像确定负反馈周期的负反馈策略。
在本实施例中,负反馈触发条件可以理解为用来判断用户是否进入负反馈周期的约束条件。目标情绪标签具体可以理解为满足负反馈触发条件的用户情绪的分类标签,用户具有不同的用户情绪标签,例如,乐观、抑郁等,用户情绪标签反映用户在不同维度的情绪。
判断用户情绪标签是否符合正向要求,若否,确定浏览记录满足负反馈触发条件,触发负反馈机制,确定用户进入负反馈周期。同时可以确定满足负反馈触发条件的目标情绪标签,通过对目标情绪标签和当前用户画像进行分析,确定此负反馈周期的负反馈策略。例如,通过目标情绪标签可以分析用户在观看此类视频时从正常值到异常值所经历的时间,通过当前用户画像可以分析用户可能感兴趣的视频类型,进而形成合理的负反馈策略,为用户合理推荐视频。
需要知道的是,在视频正式上架之前,需要预先对交互式电视的平台内容按不同维度进行精细化分类,如情绪、题材、年龄段等。所以在进行视频推荐时可以得到各个视频的分类标签,以及对用户情绪标签进行精确分析。即在所述获取用户的浏览记录之前,还包括:获取至少一种预设维度类型;按照各预设维度类型对视频进行分类,形成各视频的分类标签。
作为本实施例的一个可选实施例,本可选实施例进一步优化包括了确定当前用户画像存在满足负反馈触发条件的目标情绪标签的步骤包括:
A1、根据浏览记录分析用户所浏览视频的分类标签,并确定各分类标签对应的用户情绪标签。
分类标签可以是爱党爱国类、婆媳关系类、夫妻关系类、亲子关系类、情绪焦虑类、抑郁类、社会纪实类、搞笑类等等。每个视频可以有多个标签,标签也可以进一步细化,例如,夫妻关系类可以细化为夫妻关系破裂、夫妻关系恩爱等等。
通常视频在上传平台时,会根据内容标记具体的分类标签。在已知视频时,可以获得该视频对应的分类标签。根据用户的浏览记录分析用户历史浏览过的视频所对应的分类标签。预先建立各分类标签和用户情绪标签的对应关系,由于一种情绪会受多种类型的事件的影响,所以一个用户情绪标签对应多个分类标签,同时一个分类标签也会对应多个用户情绪标签,即分类标签和用户情绪标签之间为多对多的关系。
A2、计算各用户情绪标签对应的分数值。
对于每一种用户情绪标签具有与其关联的一个或多个分类标签,根据每个分类标签下所播放的视频时长、次数、时间等计算用户情绪标签对应的分数值,可以采用模型进行计算,将数据输入到模型中模型自动计算对应的分数值。例如,用户经常观看情绪标签为抑郁类的视频,通过统计此类标签对应视频的播放时长、次数,同时参考用户画像中的其它关联行为,如是否会在凌晨等睡眠时间进行观看,通过综合分析,计算每个用户情绪标签对应的分数值。
A3、确定大于相应预设分数阈值的分数值所对应的用户情绪标签为目标情绪标签。
在本实施例中,预设分数阈值具体可以理解为判断分类标签的分数值是否满足目标情绪标签要求的临界值。
具体的,不同的用户情绪标签对应不同的预设分数阈值,分别比较每个用户情绪标签的分数值是否大于相应的预设分数阈值,将分数值大于预设分数阈值的用户情绪标签确定为目标情绪标签。
需要知道的是,本申请设置分数越高越不正常,本领域技术人员也可以选择设置分数越低越不正常。相应的,确定小于相应预设分数阈值的分数值所对应的用户情绪标签为目标情绪标签。即,确定满足预设分数条件的分数值所对应的用户情绪标签为目标情绪标签。
作为本实施例的一个可选实施例,本可选实施例进一步将根据所述目标分类标签和当前用户画像确定负反馈周期的负反馈策略优化为:
B1、根据浏览记录中的用户浏览时间确定目标情绪标签的偏离速度。
在本实施例中,用户浏览时间具体可以理解为用户每次浏览视频的日期;偏离速度具体可以理解为用户观看目标情绪标签对应的视频时,从正常观看到异常观看所花费的时间。
以计算周期为一天举例,每天在一天结束后或者固定时间(如,凌晨00:00)统计用户浏览的各个视频,计算各用户情绪标签的分数值,每天计算一次分数值。当目标情绪标签的分数值异常时,说明用户此时观看与目标情绪标签关联视频的行为需要进行修正。若目标情绪标签的分数值的正常值为40,预设分数阈值为70,从浏览记录中查询目标情绪标签的分数值为40时的用户浏览时间,例如为2021.4.6日,目标情绪标签的分数值为70时的用户浏览时间为2021.5.16日。用户从正常观看到异常仅用了40天,用户的偏离速度可以仅用天来表示,即40,对于此种表示方式,速度越小说明变化的越快;也可以用分数除以天数来表示,即3/4,对于此种表示方式,速度越大说明变化的越快。其原理均为增长了相同分数所采用的时间。
B2、根据偏离速度和当前用户画像确定负反馈策略属性,负反馈策略属性至少包括负反馈周期时长、推荐频率、推荐题材和情绪类别。
在本实施例中,负反馈策略属性具体可以理解为采用负反馈策略进行视频推荐时负反馈策略中所包含的用于推荐的参考依据。负反馈周期时长可以理解为此次进行负反馈的负反馈周期的持续时间;推荐频率即向用户推荐待播放视频的频率;推荐题材可以理解为推荐视频的视频题材,例如,战争片、纪录片、家庭伦理剧等。情绪类别可以是高兴、难过、焦虑、紧张、抑郁等可以表达用户内心情绪的情绪分类。
需要知道的是,用户的偏离速度可以反映用户是逐渐形成此种行为,还是快速形成此种行为的,例如,对于目标情绪标签,分数值从正常到预设分数阈值所用的时间为1年,那么用户可能是由正常的正反馈推荐算法自然形成的此种行为;若偏离速度过快(例如,仅花费了1个月),那么用户可能经历了某种变故,从而形成突发性情绪异常。
根据偏离速度可以确定用户是自然形成的此行为还是异常形成的此行为,在正常形成此行为时,可以设置负反馈周期时长较长、推荐频率较低、推荐题材和情绪类别所涵盖的范围交广,逐渐修正用户的行为,例如,在较长的时间内心情从高兴或轻松变为压抑、消极,推荐题材可以集中在轻松类视频、温馨生活类视频。在异常形成此行为时,可以设置负反馈周期时长较短、推荐频率较高、推荐题材和情绪类别所涵盖的范围较窄(即针对性较强),快速修正用户的行为,例如,在较短的时间内心情从高兴或轻松变为压抑、消极,推荐题材可以集中在搞笑类视频、积极向上类视频。同时在负反馈周期时长内,可以设置每天的推荐频率不一致,逐渐增长的方式,在用户无感情况下修正用户的行为。负反馈周期时长也可以设置为固定的,即每次开始修正时,第一个负反馈周期的负反馈周期时长均为设置好的时长,对于不同种类用户情绪标签,其在修正时可以采用相同的规则生成负反馈策略属性,也可以预先设置不同用户情绪标签的重要程度,结合重要程度生成负反馈策略属性。例如,越重要的用户情绪标签,其负反馈周期时长越短,以便快速修正,或者快速结束当前的负反馈周期,分析修正效果,及时调整负反馈策略进入下一个负反馈周期。同时,由于当前用户画像可以反映用户的个人喜好,例如,用户为70后、80后、90后时,其喜好是不一样的,因此,可以根据当前用户画像针对性的为用户提供推荐视频。
B3、基于负反馈策略属性形成负反馈策略。
根据负反馈策略属性形成此负反馈周期的负反馈策略,以便进行负反馈推荐。
S240、当监测到用户处于负反馈周期,确定当前的负反馈周期对应的当前负反馈策略。
S250、根据当前负反馈策略中的推荐频率确定视频推荐条件。
例如,推荐频率为30分钟一次,当用户在观看视频时,从开始时间开始计时,以开始时间为9:32为例,第一次的视频推荐时间为10:02,若用户中途不存在退出的操作,即在10:02时进入视频推荐时间。若用户中途退出,将视频推荐时间按照退出的时间向后延迟。同时在确定视频推荐条件时考虑用户是否正在观看视频,在达到视频推荐时间后,若用户没有正在观看的视频,确定满足视频推荐条件。
若推荐频率为每10个视频推荐一次,当用户在观看视频时,第一次的视频推荐时间为检测到用户在从开始视频播放后播放完第10个视频,或者播放完待播放视频后继续播放了10个视频,此时进入视频播放时间,同样考虑用户是否正在观看视频确定视频推荐条件。
对于交互式电视,如果用户处于负反馈周期,也可以在首页或不需用户选择即会默认播放的视频窗口中直接播放由负反馈策略确定的待播放视频。
S260、根据当前负反馈策略包含的推荐题材和情绪类别从备选视频库中筛选出待播放视频。
在本实施例中,备选视频库具体可以理解为存储大量视频的数据库,备选数据库中的视频同样具有一个或者多个分类标签,用于区分视频的类型。
具体的,根据当前负反馈策略中的推荐题材和情绪类别对备选视频库中的视频的分类标签进行筛选,选择出匹配的待播放视频。
S270、当满足视频推荐条件时,将所述待播放视频作为视频推荐结果向用户展示。
作为本实施例的一个可选实施例,本可选实施例进一步优化包括了如下步骤:
C1、当用户退出当前的负反馈周期后,计算当前的负反馈周期的负反馈周期时长和实际周期时长的时间差值。
在本实施例中,实际周期时长具体可以理解为当前的负反馈周期在对用户进行纠正时持续的时长。
具体的,负反馈周期时长是在进行负反馈前规划的时长,有可能此周期还未结束,但是用户的行为已经被修正好,此时就会退出负反馈周期,因此需要统计实际周期时长。当用户退出当前的负反馈周期后,确定此负反馈周期的实际周期时长,根据负反馈周期时长和实际周期时长,计算时间差值。
其中,用户退出当前的负反馈周期包括以下至少一种情况:
当监测到用户所浏览视频的目标情绪标签对应的分数值小于或等于对应的预设分数阈值;
当前的负反馈周期的持续时长达到对应的负反馈周期时长。
可以知道的是,当监测到用户的目标情绪标签对应的分数值小于或等于对应的预设分数阈值时,此时用户的行为已经完成了修正,可以退出当前的负反馈周期。或者,当前的负反馈周期的持续时长达到对应的负反馈周期时长,此时无论用户的行为是否已经被修正好,均需退出当前的负反馈周期。若没有达到修正预期,可以根据此周期的修正情况调整修正策略开始下一个负反馈周期继续进行修正。
C2、根据当前负反馈策略关联的目标情绪标签的修正后分数值,以及所对应的标准分数值和修正前分数值计算修复程度。
在本实施例中,修正后分数值是指根据当前负反馈策略进行修正后,目标情绪标签所对应的分数值,修正前分数值是指在当前负反馈策略进行修正之前的分数,通常在开始第一个负反馈周期时,修正前分数值等于预设分数阈值。标准分数值具体可以理解为正常的分数值,即低于标准分数值的分数值均为正常。修复程度具体可以理解为当前负反馈策略对用户行为的修正程度,例如,从70分修正到50分。通过比较修正后分数值和修正前分数值可以确定修正的分数,通过比较修正后分数值和标准分数值可以确定还需要修正多少分数,综合考虑两种分数差值确定修复程度。
C3、根据时间差值和修复程度调整负反馈策略。
根据时间差值确定是否需要开启下一负反馈周期,当时间差值为0时,可能未完成修复,因此,需要形成下一负反馈周期继续进行修正。根据修复程度调整下一负反馈周期的负反馈策略属性。由于修复程度可以表明此时用户的状态,因此,可以根据修复程度制定下一负反馈周期的负反馈策略属性。例如,用户从70分修正为50分,在此周期内修正了20分,还差10分到达标准值,可以看出来,当前负反馈策略效率是较高的,在下一个负反馈周期内,负反馈周期时长可以适当的缩短。当时间差值不为0时,已经提前完成修复,因此,不需要形成下一负反馈周期继续进行修正,但是此时的调整效率较高,可以参考当前修正策略进行策略优化,形成新的调整策略,例如,下次进行调整时,可以缩短负反馈周期时长。
作为本实施例的一个可选实施例,本可选实施例进一步将根据所述时间差值和修复程度调整负反馈策略优化为:
C31、当时间差值为零时,根据修复程度形成下一负反馈周期所对应的负反馈周期时长和推荐频率。
可以理解的是,通常情况下,一个负反馈周期并不能将用户的行为修正好,因此,需要连续几个负反馈周期进行修正。
具体的,当时间差值为零时,此时对用户行为的修正可能已经完成,也可能还未完成,因此,根据修复程度判断修复是否已经完成,若已经完成,即修正后分数值等于标准分数值,无需形成下一负反馈周期(或下一负反馈周期的负反馈策略属性为0)。若修复未完成,根据修复程度调整负反馈周期时长和推荐频率,例如修复程度较低(即修正后分数值距离标准分数值较近),将下一负反馈周期所对应的负反馈周期时长调长,推荐频率调高。
C32、当时间差值不为零时,根据时间差值调整当前负反馈策略,形成下次推荐所使用的新的负反馈策略。
当时间差值不为零时,此时对用户行为的修正已经提前完成。时间差值的绝对值即为提前完成的时间,当前负反馈策略的修正效果较好,负反馈周期时长设置的时长超过了需要,因此,可以根据时间差值适当缩短负反馈周期时长,可以按照一定比例缩短,形成新的负反馈策略。在其他用户需要对目标分类标签下所观看视频进行修正时,或者此用户再次出现需要对目标分类标签下所观看视频进行修正时,根据新的负反馈策略进行修正,为用户推荐视频。
计算目标情绪标签的修正后分数值,确定用户画像的修复程度,计算修正后分数值的方式包括:统计维度诸如播放时间(判断是否有熬夜行为),情绪偏好(情绪积极,正常,消极等),关注题材(例如题材是否单一、题材对应年龄群体是否重合,题材受众性别是否重合等等,可以通过这些维度分析用户与家人一起生活还是独居)。根据上述统计维度进行用户观看视频的统计,进而计算用户的目标情绪标签的修正后分数值。当修正后分数值回归正常范围,即可判定负反馈修正完成。
示例性的,图3提供了一种基于负反馈的视频推荐的实现示例图,如图所示:
S1、用户打开交互式网络电视后开始视频推荐。
S2、判断用户是否处于负反馈周期中,若否,执行S3;若是,执行S4。
S3、根据用户偏好推荐视频,并执行S5。
S4、确定当前负反馈策略,根据当前负反馈策略推荐内容。
S5、用户播放视频。
S6、统计播放视频的内容特征。
S7、刷新浏览记录。
S8、检测用户是否退出,若是,执行S9;否则,执行S10。
S9、结束视频推荐。
S10、判定是否需要触发负反馈机制,若是,执行S11;否则,执行S14。
S11、分析浏览记录。
S12、生成基于负反馈策略属性所形成的负反馈策略,负反馈策略属性至少包括负反馈周期时长、推荐频率、推荐题材和情绪类别。
S13、将该用户加入负反馈效果跟踪列表,并返回执行S4。
负反馈效果跟踪列表中的保存进入负反馈周期的用户,根据用户在负反馈周期内的修复程度、时间差值判断用户是否需要进入下一负反馈周期,并在用户需要下一负反馈周期时,调整下一负反馈周期的负反馈周期时长和推荐频率;以及调整当前负反馈策略,形成下次推荐所使用的新的负反馈策略。即根据用户的修复效果调整优化策略。
S14、判断用户是否处于负反馈周期,若是,执行S15;否则,执行S16。
S15、统计用户偏好修正情况(如时间差值和修复程度),供后期调优使用,并返回执行S4。
S16、用户偏好正常,无需触发负反馈机制,返回执行S3。
本发明实施例提供了一种交互式网络电视的视频推荐方法,通过当监测到用户处于负反馈周期,确定当前的负反馈周期对应的当前负反馈策略;根据所述当前负反馈策略确定视频推荐条件和待播放视频;在满足视频推荐条件时,将所述待播放视频作为视频推荐结果向用户展示,解决了交互式网络电视在向用户进行视频推荐时,仅根据用户的喜好推荐视频的问题,时刻监测用户是否处于负反馈周期。根据用户的浏览记录生成当前用户画像,通过判断当前用户画像是否存在满足负反馈触发条件的目标情绪标签,并在满足负反馈触发条件时确定对应的负反馈策略。进而在监测到用户处于负反馈周期时,可以根据负反馈策略为用户推荐待播放视频。可以在用户行为异常或者消极的情况下通过负反馈的方式为用户推荐相反类型的视频,积极引导用户,实现为用户合理化推荐视频。并且通过推荐频率确定视频推荐时间,避免突然进行推荐,以及推荐过于频为用户带来的不良体验,将推荐过程逐步推进,使用户在无感中完成行为修正。
实施例三
图4为本发明实施例三提供的一种交互式网络电视的视频推荐装置的结构示意图,该装置包括:策略确定模块31、视频确定模块32和展示模块33。
其中,策略确定模块31,用于当监测到用户处于负反馈周期,确定当前的负反馈周期对应的当前负反馈策略;
视频确定模块32,用于根据所述当前负反馈策略确定视频推荐条件和待播放视频;
展示模块33,用于当满足视频推荐条件时,将所述待播放视频作为视频推荐结果向用户展示。
本发明实施例提供了一种交互式网络电视的视频推荐装置,通过当监测到用户处于负反馈周期,确定当前的负反馈周期对应的当前负反馈策略;根据所述当前负反馈策略确定视频推荐条件和待播放视频;当满足视频推荐条件时,将所述待播放视频作为视频推荐结果向用户展示,解决了交互式网络电视在向用户进行视频推荐时,仅根据用户的喜好推荐视频的问题,时刻监测用户是否处于负反馈周期。当监测到用户处于负反馈周期时,根据所处的负反馈周期确定对应的当前负反馈策略,进而根据负反馈策略为用户推荐待播放视频。可以在用户行为异常或者消极的情况下通过负反馈的方式为用户推荐相反类型的视频,积极引导用户,实现为用户合理化推荐视频。
进一步地,该装置还包括:
获取模块,用于获取用户的浏览记录;
画像生成模块,用于根据所述浏览记录生成当前用户画像;
触发模块,用于如果所述当前用户画像存在满足负反馈触发条件的目标情绪标签,确定所述用户进入负反馈周期,并根据所述目标情绪标签和当前用户画像确定负反馈周期的负反馈策略。
进一步地,该装置还包括:触发条件判断模块,用于确定当前用户画像存在满足负反馈触发条件的目标情绪标签。
触发条件判断模块包括:
记录分析单元,用于根据所述浏览记录分析用户所浏览视频的分类标签,并确定各所述分类标签对应的用户情绪标签;
分数确定单元,用于计算各所述用户情绪标签对应的分数值;
标签确定单元,用于确定大于相应预设分数阈值的分数值所对应的用户情绪标签为目标分类标签。
进一步地,触发模块,包括:
速度确定单元,用于根据所述浏览记录中的用户浏览时间确定所述目标情绪标签的偏离速度;
属性确定单元,用于根据所述偏离速度和当前用户画像确定负反馈策略属性,所述负反馈策略属性至少包括负反馈周期时长、推荐频率、推荐题材和情绪类别;
策略形成单元,用于基于所述负反馈策略属性形成负反馈策略。
进一步地,视频确定模块32,包括:
时间确定单元,用于根据所述当前负反馈策略中的推荐频率确定视频推荐条件;
视频确定单元,用于根据所述当前负反馈策略包含的推荐题材和情绪类别从备选视频库中筛选出待播放视频。
进一步地,该装置还包括:
差值确定模块,用于当用户退出当前的负反馈周期后,计算当前的负反馈周期的负反馈周期时长和实际周期时长的时间差值;
修复程度确定模块,用于根据所述当前负反馈策略关联的目标情绪标签的修正后分数值,以及所对应的标准分数值和修正前分数值计算修复程度;
策略调整模块,用于根据所述时间差值和修复程度调整负反馈策略。
进一步地,用户退出当前的负反馈周期包括以下至少一种情况:
当监测到用户的目标情绪标签对应的分数值小于或等于对应的预设分数阈值;
当前的负反馈周期的持续时长达到对应的负反馈周期时长。
进一步地,策略调整模块,包括:
第一调整单元,用于当时间差值为零时,根据所述修复程度形成下一负反馈周期所对应的负反馈周期时长和推荐频率;
第二调整单元,用于当时间差值不为零时,根据所述时间差值调整当前负反馈策略,形成下次推荐所使用的新的负反馈策略。
本发明实施例所提供的交互式网络电视的视频推荐装置可执行本发明任意实施例所提供的交互式网络电视的视频推荐方法,具备执行方法相应的功能模块和有益效果。
实施例四
图5为本发明实施例四提供的一种交互式网络电视的结构示意图,如图5所示,该交互式网络电视包括处理器40、存储器41、输入装置42、输出装置43和显示装置44;交互式网络电视中处理器40的数量可以是一个或多个,图5中以一个处理器40为例;交互式网络电视中的处理器40、存储器41、输入装置42、输出装置43和显示装置44可以通过总线或其他方式连接,图5中以通过总线连接为例。
显示装置44,用于播放视频;视频可以是指待播放视频,也可以用户观看的其他视频。存储器41作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序以及模块,如本发明实施例中的交互式网络电视的视频推荐方法对应的程序指令/模块(例如,交互式网络电视的视频推荐装置中的策略确定模块31、视频确定模块32和展示模块33)。处理器40通过运行存储在存储器41中的软件程序、指令以及模块,从而执行交互式网络电视的各种功能应用以及数据处理,即实现上述的交互式网络电视的视频推荐方法。
存储器41可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序;存储数据区可存储根据终端的使用所创建的数据等。此外,存储器41可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中,存储器41可进一步包括相对于处理器40远程设置的存储器,这些远程存储器可以通过网络连接至交互式网络电视。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置42可用于接收输入的数字或字符信息,以及产生与交互式网络电视的用户设置以及功能控制有关的键信号输入。输出装置43可包括显示屏等显示设备。
实施例五
本发明实施例五还提供一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行一种交互式网络电视的视频推荐方法,该方法包括:
当监测到用户处于负反馈周期,确定当前的负反馈周期对应的当前负反馈策略;
根据所述当前负反馈策略确定视频推荐条件和待播放视频;
当满足视频推荐条件时,将所述待播放视频作为视频推荐结果向用户展示。
当然,本发明实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上所述的方法操作,还可以执行本发明任意实施例所提供的交互式网络电视的视频推荐方法中的相关操作。
通过以上关于实施方式的描述,所属领域的技术人员可以清楚地了解到,本发明可借助软件及必需的通用硬件来实现,当然也可以通过硬件实现,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
值得注意的是,上述交互式网络电视的视频推荐装置的实施例中,所包括的各个单元和模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。

Claims (11)

1.一种交互式网络电视的视频推荐方法,其特征在于,包括:
当监测到用户处于负反馈周期,确定当前的负反馈周期对应的当前负反馈策略;
根据所述当前负反馈策略确定视频推荐条件和待播放视频;
当满足视频推荐条件时,将所述待播放视频作为视频推荐结果向用户展示。
2.根据权利要求1所述的方法,其特征在于,在所述当监测到用户处于负反馈周期之前,还包括:
获取用户的浏览记录;
根据所述浏览记录生成当前用户画像;
如果所述当前用户画像存在满足负反馈触发条件的目标情绪标签,确定所述用户进入负反馈周期,并根据所述目标情绪标签和当前用户画像确定负反馈周期的负反馈策略。
3.根据权利要求2所述的方法,其特征在于,确定当前用户画像存在满足负反馈触发条件的目标情绪标签的步骤包括:
根据所述浏览记录分析用户所浏览视频的分类标签,并确定各所述分类标签对应的用户情绪标签;
计算各所述用户情绪标签对应的分数值;
确定大于相应预设分数阈值的分数值所对应的用户情绪标签为目标情绪标签。
4.根据权利要求2所述的方法,其特征在于,所述根据所述目标情绪标签和当前用户画像确定负反馈周期的负反馈策略,包括:
根据所述浏览记录中的用户浏览时间确定所述目标情绪标签的偏离速度;
根据所述偏离速度和当前用户画像确定负反馈策略属性,所述负反馈策略属性至少包括负反馈周期时长、推荐频率、推荐题材和情绪类别;
基于所述负反馈策略属性形成负反馈策略。
5.根据权利要求1所述的方法,其特征在于,所述根据所述当前负反馈策略确定视频推荐条件和待播放视频,包括:
根据所述当前负反馈策略中的推荐频率确定视频推荐条件;
根据所述当前负反馈策略包含的推荐题材和情绪类别从备选视频库中筛选出待播放视频。
6.根据权利要求1所述的方法,其特征在于,还包括:
当用户退出当前的负反馈周期后,计算当前的负反馈周期的负反馈周期时长和实际周期时长的时间差值;
根据所述当前负反馈策略关联的目标情绪标签的修正后分数值,以及所对应的标准分数值和修正前分数值计算修复程度;
根据所述时间差值和修复程度调整负反馈策略。
7.根据权利要求6所述的方法,其特征在于,用户退出当前的负反馈周期包括以下至少一种情况:
当监测到用户的目标情绪标签对应的分数值小于或等于对应的预设分数阈值;
当前的负反馈周期的持续时长达到对应的负反馈周期时长。
8.根据权利要求6所述的方法,其特征在于,所述根据所述时间差值和修复程度调整负反馈策略,包括:
当时间差值为零时,根据所述修复程度形成下一负反馈周期所对应的负反馈周期时长和推荐频率;
当时间差值不为零时,根据所述时间差值调整当前负反馈策略,形成下次推荐所使用的新的负反馈策略。
9.一种交互式网络电视的视频推荐装置,其特征在于,包括:
策略确定模块,用于当监测到用户处于负反馈周期,确定当前的负反馈周期对应的当前负反馈策略;
视频确定模块,用于根据所述当前负反馈策略确定视频推荐条件和待播放视频;
展示模块,用于当满足视频推荐条件时,将所述待播放视频作为视频推荐结果向用户展示。
10.一种交互式网络电视,其特征在于,所述电视包括:
显示装置,用于播放视频;
一个或多个处理器;
存储器,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-8中任一所述的交互式网络电视的视频推荐方法。
11.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-8中任一所述的交互式网络电视的视频推荐方法。
CN202110835689.XA 2021-07-23 2021-07-23 交互式网络电视的视频推荐方法、装置、电视及存储介质 Active CN113518263B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110835689.XA CN113518263B (zh) 2021-07-23 2021-07-23 交互式网络电视的视频推荐方法、装置、电视及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110835689.XA CN113518263B (zh) 2021-07-23 2021-07-23 交互式网络电视的视频推荐方法、装置、电视及存储介质

Publications (2)

Publication Number Publication Date
CN113518263A true CN113518263A (zh) 2021-10-19
CN113518263B CN113518263B (zh) 2023-02-10

Family

ID=78068537

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110835689.XA Active CN113518263B (zh) 2021-07-23 2021-07-23 交互式网络电视的视频推荐方法、装置、电视及存储介质

Country Status (1)

Country Link
CN (1) CN113518263B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104933134A (zh) * 2015-06-12 2015-09-23 海信集团有限公司 一种用户特征的分析方法及装置
CN108804609A (zh) * 2018-05-30 2018-11-13 平安科技(深圳)有限公司 歌曲推荐方法和装置
CN109145221A (zh) * 2018-09-10 2019-01-04 北京点网聚科技有限公司 内容推荐方法及装置、电子设备、可读存储介质
CN110096613A (zh) * 2019-04-12 2019-08-06 北京奇艺世纪科技有限公司 一种视频推荐方法、装置、电子设备及存储介质
US10410125B1 (en) * 2014-12-05 2019-09-10 Amazon Technologies, Inc. Artificial intelligence based identification of negative user sentiment in event data
CN111026971A (zh) * 2019-12-25 2020-04-17 腾讯科技(深圳)有限公司 内容的推送方法及装置、计算机存储介质
CN111241822A (zh) * 2020-01-03 2020-06-05 北京搜狗科技发展有限公司 输入场景下情绪发现与疏导方法及装置
CN111737517A (zh) * 2019-03-25 2020-10-02 北京奇虎科技有限公司 一种基于短视频的即时推荐方法及系统
CN112380363A (zh) * 2020-11-02 2021-02-19 中国第一汽车股份有限公司 多媒体内容推荐方法、装置、车辆及存储介质
US20210065218A1 (en) * 2019-01-14 2021-03-04 Boe Technology Group Co., Ltd. Information recommendation method and device, and storage medium

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10410125B1 (en) * 2014-12-05 2019-09-10 Amazon Technologies, Inc. Artificial intelligence based identification of negative user sentiment in event data
CN104933134A (zh) * 2015-06-12 2015-09-23 海信集团有限公司 一种用户特征的分析方法及装置
CN108804609A (zh) * 2018-05-30 2018-11-13 平安科技(深圳)有限公司 歌曲推荐方法和装置
CN109145221A (zh) * 2018-09-10 2019-01-04 北京点网聚科技有限公司 内容推荐方法及装置、电子设备、可读存储介质
US20210065218A1 (en) * 2019-01-14 2021-03-04 Boe Technology Group Co., Ltd. Information recommendation method and device, and storage medium
CN111737517A (zh) * 2019-03-25 2020-10-02 北京奇虎科技有限公司 一种基于短视频的即时推荐方法及系统
CN110096613A (zh) * 2019-04-12 2019-08-06 北京奇艺世纪科技有限公司 一种视频推荐方法、装置、电子设备及存储介质
CN111026971A (zh) * 2019-12-25 2020-04-17 腾讯科技(深圳)有限公司 内容的推送方法及装置、计算机存储介质
CN111241822A (zh) * 2020-01-03 2020-06-05 北京搜狗科技发展有限公司 输入场景下情绪发现与疏导方法及装置
CN112380363A (zh) * 2020-11-02 2021-02-19 中国第一汽车股份有限公司 多媒体内容推荐方法、装置、车辆及存储介质

Also Published As

Publication number Publication date
CN113518263B (zh) 2023-02-10

Similar Documents

Publication Publication Date Title
US10575037B2 (en) Video recommending method, server, and storage media
Trouleau et al. Just one more: Modeling binge watching behavior
CN107832437B (zh) 音/视频推送方法、装置、设备及存储介质
CN104935970B (zh) 进行电视内容推荐的方法及电视客户端
US6611842B1 (en) Method and apparatus for generating profile data
WO2020048084A1 (zh) 资源推荐方法、装置、计算机设备及计算机可读存储介质
US9659256B2 (en) Network service recommendation method and apparatus
CN109241451B (zh) 一种内容组合推荐方法、装置及可读存储介质
CN110941738B (zh) 推荐方法、装置、电子设备及计算机可读存储介质
CN110543598A (zh) 信息推荐方法、装置及终端
CN112507163B (zh) 时长预测模型训练方法、推荐方法、装置、设备及介质
CN112364202A (zh) 视频推荐方法、装置及电子设备
CN107454442B (zh) 一种推荐视频的方法和装置
CN112287167A (zh) 视频推荐召回方法及装置
US11126655B2 (en) Metadata of partial content
CN111405363A (zh) 一种家庭网络中识别机顶盒的当前用户的方法及设备
CN106815284A (zh) 新闻视频的推荐方法及推荐装置
CN111314790A (zh) 一种视频播放记录的排序方法、装置和电子设备
CN109213933B (zh) 内容项推荐方法、装置、设备及存储介质
CN106534984A (zh) 电视节目推送方法及装置
CN113518263B (zh) 交互式网络电视的视频推荐方法、装置、电视及存储介质
US20230269432A1 (en) System, method and computer-readable medium for recommending streaming data
CN112015972A (zh) 一种信息推荐方法、装置、电子设备以及存储介质
CN110381339B (zh) 图片传输方法及装置
US11209958B2 (en) Behavior-influenced content access/navigation menus

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