CN114071237A - 一种基于用户画像的智能电视个性化专题推荐方法 - Google Patents
一种基于用户画像的智能电视个性化专题推荐方法 Download PDFInfo
- Publication number
- CN114071237A CN114071237A CN202111394588.XA CN202111394588A CN114071237A CN 114071237 A CN114071237 A CN 114071237A CN 202111394588 A CN202111394588 A CN 202111394588A CN 114071237 A CN114071237 A CN 114071237A
- Authority
- CN
- China
- Prior art keywords
- user
- recommendation
- film watching
- labels
- topics
- 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
- 230000006399 behavior Effects 0.000 claims description 24
- 238000012163 sequencing technique Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000000737 periodic effect Effects 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 230000001502 supplementing effect Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 description 8
- 238000001816 cooling Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 101150104012 TOP2 gene Proteins 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000000699 topical effect Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
- H04N21/45—Management operations performed by the client for facilitating the reception of or the interaction with the content or administrating data related to the end-user or to the client device itself, e.g. learning user preferences for recommending movies, resolving scheduling conflicts
- H04N21/466—Learning process for intelligent management, e.g. learning user preferences for recommending movies
- H04N21/4668—Learning process for intelligent management, e.g. learning user preferences for recommending movies for recommending content, e.g. movies
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
- H04N21/45—Management operations performed by the client for facilitating the reception of or the interaction with the content or administrating data related to the end-user or to the client device itself, e.g. learning user preferences for recommending movies, resolving scheduling conflicts
- H04N21/4508—Management of client data or end-user data
- H04N21/4532—Management of client data or end-user data involving end-user characteristics, e.g. viewer profile, preferences
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
- H04N21/45—Management operations performed by the client for facilitating the reception of or the interaction with the content or administrating data related to the end-user or to the client device itself, e.g. learning user preferences for recommending movies, resolving scheduling conflicts
- H04N21/466—Learning process for intelligent management, e.g. learning user preferences for recommending movies
- H04N21/4667—Processing of monitored end-user data, e.g. trend analysis based on the log file of viewer selections
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
- H04N21/47—End-user applications
- H04N21/482—End-user interface for program selection
- H04N21/4826—End-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)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Human Computer Interaction (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及电视节目个性化推荐，其公开了一种基于用户画像的智能电视个性化专题推荐方法，实现根据用户偏好的个性化推荐，提高用户体验，并减轻运营负担。该方法包括以下步骤：S1、获取用户历史观影行为日志以及对应的媒资库数据；S2、根据用户历史观影行为日志和媒资库数据计算获得多周期维度用户画像标签；S3、对多周期维度用户画像标签进行合并排序；S4、基于合并排序后的用户画像标签进行专题召回；S5、基于召回的专题向目标用户进行个性化专题推荐。本发明适用于智能电视节目推荐。
Description
技术领域
本发明涉及电视节目个性化推荐，具体涉及一种基于用户画像的智能电视个性化专题推 荐方法。
背景技术
随着网络技术的发展，智能电视的普及，专题推荐也广泛应用于电视产品中，越来越多 的用户习惯在电视首页查找喜爱的电视节目。目前智能电视中，电视上配置的专题通过运营 人员进行配置部署到终端，这需要投入大量的人力且用户观看中，推荐的不一定是用户喜欢 的内容，用户体验差且应用运营人员费时费力。
发明内容
本发明所要解决的技术问题是：提出一种基于用户画像的智能电视个性化专题推荐方法， 实现根据用户偏好的个性化推荐，提高用户体验，并减轻运营负担。
本发明解决上述技术问题采用的技术方案是：
一种基于用户画像的智能电视个性化专题推荐方法，包括以下步骤：
S1、获取用户历史观影行为日志以及对应的媒资库数据；
S2、根据用户历史观影行为日志和媒资库数据计算获得多周期维度用户画像标签；
S3、对多周期维度用户画像标签进行合并排序；
S4、基于合并排序后的用户画像标签进行专题召回；
S5、基于召回的专题向目标用户进行个性化专题推荐。
作为进一步优化，步骤S2具体包括：
S21、从用户历史观影行为日志中获取不同周期行为内用户行为数据，得到用户观影时长 和次数，根据用户观影时长获得用户喜爱的观影类型；
S22、获取观影的影片中主要演员、主要导演进行分析，通过观影时长得到用户偏好的演 员和导演信息；
S23、根据观影次数以及标签在媒资库的次数，采用tf-idf(词频-逆向文件频率)算法 计算获得用户在题材、年代、地区维度的偏好标签。
作为进一步优化，步骤S21中，所述不同周期包括最近一天、最近7天、最近30天三个 不同维度的周期。
作为进一步优化，步骤S21中，在统计最近7天和最近30天的用户观影时长和次数时， 采用时间衰减函数观影时长和次数进行衰减。
作为进一步优化，步骤S3具体包括：
S31、对于不同周期维度的画像标签按权重进行相加，并计算标签出现的次数；
S32、对画像标签按出现的次数和权重综合排序，优先考虑出现的次数。
作为进一步优化，步骤S31中，将演员、导演标签归为演员类数据；将题材、年代、地区归为题材类数据，分别进行不同周期权重的相加以及次数的标签统计计算。
作为进一步优化，步骤S32中，将演员类和题材类数据进行合并，统一排序，排序时先 按次数排序，再按权重排序。
作为进一步优化，步骤S4包括：
S41、对用户的画像标签与专题库中的专题的标签进行匹配，获得用户喜爱的专题列表；
S42、对用户喜爱的专题列表根据标签次数和权重进行排序，获得推荐列表。
作为进一步优化，步骤S5中，所述基于召回的专题向目标用户进行个性化专题推荐，具 体包括：
若目标用户为无观影记录的新用户，则通过统计其它所有用户的推荐列表中的专题被喜 爱的用户数并进行排序，取排序靠前一定数量的专题作为默认推荐专题，推荐给该目标用户；
若目标用户为有观影记录的老用户，则将步骤S41中获取的推荐列表推荐给该目标用户， 若推荐列表中的专题数量不满足推荐个数需求，则利用默认推荐专题补足推荐列表后推荐给 该目标用户。
本发明的有益效果是：
本发明通过分析不同周期观影用户画像，并对不同周期维度标签合并排序得到用户画像 标签偏好，进而根据用户画像标签进行个性化专题召回，能够提升用户电视体验，同时减轻 运营负担。
附图说明
图1为本发明中的基于用户画像的智能电视个性化专题推荐方法架构图；
图2中(a)为基于题材标签多周期维度标签合并排序示意图；(b)为基于演员的多维度 标签合并排序示意图；(c)为综合整体排序示意图；
图3为专题召回的过程示意图。
具体实施方式
本发明旨在提出一种基于用户画像的智能电视个性化专题推荐方法，实现根据用户偏好 的个性化推荐，提高用户体验，并减轻运营负担。该方法包括：获取用户历史观影行为日志 以及对应的媒资库数据；根据用户历史观影行为日志和媒资库数据计算获得多周期维度用户 画像标签；对多周期维度用户画像标签进行合并排序；基于合并排序后的用户画像标签进行 专题召回；基于召回的专题向目标用户进行个性化专题推荐。
本发明的具体实施如图1所示，本发明从用户历史观影行为日志中获取三个周期行为内 用户行为数据，包括最近一天、最近7天、最近30天；通过对不同周期维度的观影数据分析 得到用户观影时长和次数，根据用户观影时长获得用户喜爱的观影类型；并且，根据获取观 影的影片中主要演员、主要导演进行分析，通过观影时长得到用户偏好的演员和导演信息； 此外，根据观影次数以及标签在媒资库的次数，计算获得用户在题材、年代、地区维度的偏 好标签；接着，根据用户画像标签进行专题召回，通过对召回的专题进行排序推荐给用户， 而对于无观影记录的新用户，则可以通过计算其它所有用户的画像标签，通过统计排序获得 当然热门标签对应的专题作为默认专题，再推送给新用户。
实施例：
本实施例中的基于用户画像的智能电视个性化专题推荐方法包括以下步骤：
S1、获取用户历史观影行为日志以及对应的媒资库数据；
S2、根据用户历史观影行为日志和媒资库数据计算获得多周期维度用户画像标签：
S21、从用户历史观影行为日志中获取不同周期行为内用户行为数据，得到用户观影时长 和次数，根据用户观影时长获得用户喜爱的观影类型；
对于观影周期选择，考虑到推荐的全面性和准确性，本实施例结合近期以及长期的数据 进行推荐，因此采用了最近1天、最近7天和最近30天三个不同周期维度的观影数据。
在统计用户观影行为时，由于随着时间的推移，用户观影偏好会发生一定的转移，因此， 在计算用户偏好过程中采用时间衰减函数对用户观影行为进行衰减：
套用牛顿冷却定律：F(t)＝初始温度×exp(-冷却系数×间隔的时间)
基于上述，本实施例中对于不同周期维度的数据统计分析获取用户偏好的方式如下：
最近1天用户观影画像：直接统计最近一天的用户数据进行用户观影偏好分析；
最近7天用户观影画像：统计周期为最近7天的用户行为数据，同时套用牛顿冷却定律 对观影时长和次数进行衰减：设初始温度为1，6天后为0.5，则冷却系数为0.1155；
最近30天用户观影画像：统计周期为最近30天的用户行为数据，同时套用牛顿冷却定 律对观影时长和次数进行衰减：设初始温度为1，30天后为0.2，则冷却系数为0.054。
根据统计出来的用户观影时长可以获得用户喜爱的观影类型，如电影、电视剧、综艺、 少儿等。
S22、获取观影的影片中主要演员、主要导演进行分析，通过观影时长得到用户偏好的演 员和导演信息；
具体操作上，可以获取影片中的演员前2位作为该影片的主要演员，第一位导演作为主 要导演进行分析，通过观影时长得到演员和导演的观影时长在top5的演员和top2的导演， 作为该用户喜爱的演员和导演。观看该演员或导演的影片时长越长说明用户对该演员或者导 演越满意。
S23、根据观影次数以及标签在媒资库的次数，采用tf-idf算法计算获得用户在题材、 年代、地区维度的偏好标签。
S3、对多周期维度用户画像标签进行合并排序：
本步骤中，对于演员、导演属于根据时长进行的标签计算归为演员类；题材、年代、地 区根据tf-idf次数进行的标签计算归为题材类，需要分别进行权重的相加以及次数的统计。
当演员类和题材类标签合并统一排序的时候，因为演员的个数少，权重一般会高一些。 如果单纯按权重排序，新看标签的节目可能会排在后面，因此先按次数排序然后再按权重排 序；出现次数越多说明观影时间越近，越能体现用户最近的偏好。权重则反应了用户对某标 签对应节目的喜爱程度。
如图2(a)所示对相同类型下不同统计周期的题材标签权重进行相加weight，并计算标签 出现的次数counts；图2(b)为演员的标签权重相加，次数统计；图2(c)为将演员类和题 材类数据进行合并，统一排序。对于mac2来说虽然标签“c”的权重比“g”低，但是出现的 次数counts高，则排在前面。
S4、基于合并排序后的用户画像标签进行专题召回：
本步骤中，首先对用户的画像标签与专题库中的专题的标签进行匹配，获得用户喜爱的专 题列表；然后对用户喜爱的专题列表根据标签次数和权重进行排序，获得推荐列表。
具体操作上，现有专题库信息通常包含专题id，专题类型，专题标签，专题名称。我们 将多标签专题的数据进行拆分，拆分为多行。如图3中的专题id1，标签为“电视剧，喜剧，古装”，将其拆分为“电视剧，喜剧”，“电视剧，古装”；然后，将用户标签与专题信息根据 标签进行匹配，得到召回专题，最后根据标签次数和权重排序，如专题id1的标签次数count为2，排第一位。
S5、基于召回的专题向目标用户进行个性化专题推荐：
对于目标用户来说，分为有观影记录的老用户和无观影记录的新用户。若目标用户为无 观影记录的新用户，则通过统计其它所有用户的推荐列表中的专题被喜爱的用户数并进行排 序，取排序靠前一定数量的专题作为默认推荐专题，推荐给该目标用户；
若目标用户为有观影记录的老用户，则将步骤S4中获取的推荐列表推荐给该目标用户， 若推荐列表中的专题数量不满足推荐个数需求，则利用默认推荐专题补足推荐列表后推荐给 该目标用户。
Claims (9)
1.一种基于用户画像的智能电视个性化专题推荐方法，其特征在于，包括以下步骤：
S1、获取用户历史观影行为日志以及对应的媒资库数据；
S2、根据用户历史观影行为日志和媒资库数据计算获得多周期维度用户画像标签；
S3、对多周期维度用户画像标签进行合并排序；
S4、基于合并排序后的用户画像标签进行专题召回；
S5、基于召回的专题向目标用户进行个性化专题推荐。
2.如权利要求1所述的一种基于用户画像的智能电视个性化专题推荐方法，其特征在于，
步骤S2具体包括：
S21、从用户历史观影行为日志中获取不同周期行为内用户行为数据，得到用户观影时长和次数，根据用户观影时长获得用户喜爱的观影类型；
S22、获取观影的影片中主要演员、主要导演进行分析，通过观影时长得到用户偏好的演员和导演信息；
S23、根据观影次数以及标签在媒资库的次数，采用tf-idf算法计算获得用户在题材、年代、地区维度的偏好标签。
3.如权利要求2所述的一种基于用户画像的智能电视个性化专题推荐方法，其特征在于，
步骤S21中，所述不同周期包括最近一天、最近7天、最近30天三个不同维度的周期。
4.如权利要求3所述的一种基于用户画像的智能电视个性化专题推荐方法，其特征在于，
步骤S21中，在统计最近7天和最近30天的用户观影时长和次数时，采用时间衰减函数观影时长和次数进行衰减。
5.如权利要求1所述的一种基于用户画像的智能电视个性化专题推荐方法，其特征在于，
步骤S3具体包括：
S31、对于不同周期维度的画像标签按权重进行相加，并计算标签出现的次数；
S32、对画像标签按出现的次数和权重综合排序，优先考虑出现的次数。
6.如权利要求5所述的一种基于用户画像的智能电视个性化专题推荐方法，其特征在于，
步骤S31中，将演员、导演标签归为演员类数据；将题材、年代、地区归为题材类数据，分别进行不同周期权重的相加以及次数的标签统计计算。
7.如权利要求5所述的一种基于用户画像的智能电视个性化专题推荐方法，其特征在于，
步骤S32中，将演员类和题材类数据进行合并，统一排序，排序时先按次数排序，再按权重排序。
8.如权利要求1所述的一种基于用户画像的智能电视个性化专题推荐方法，其特征在于，
步骤S4包括：
S41、对用户的画像标签与专题库中的专题的标签进行匹配，获得用户喜爱的专题列表；
S42、对用户喜爱的专题列表根据标签次数和权重进行排序，获得推荐列表。
9.如权利要求8所述的一种基于用户画像的智能电视个性化专题推荐方法，其特征在于，
步骤S5中，所述基于召回的专题向目标用户进行个性化专题推荐，具体包括：
若目标用户为无观影记录的新用户，则通过统计其它所有用户的推荐列表中的专题被喜爱的用户数并进行排序，取排序靠前一定数量的专题作为默认推荐专题，推荐给该目标用户；
若目标用户为有观影记录的老用户，则将步骤S41中获取的推荐列表推荐给该目标用户，若推荐列表中的专题数量不满足推荐个数需求，则利用默认推荐专题补足推荐列表后推荐给该目标用户。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111394588.XA CN114071237A (zh) | 2021-11-23 | 2021-11-23 | 一种基于用户画像的智能电视个性化专题推荐方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111394588.XA CN114071237A (zh) | 2021-11-23 | 2021-11-23 | 一种基于用户画像的智能电视个性化专题推荐方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114071237A true CN114071237A (zh) | 2022-02-18 |
Family
ID=80279489
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111394588.XA Pending CN114071237A (zh) | 2021-11-23 | 2021-11-23 | 一种基于用户画像的智能电视个性化专题推荐方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114071237A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115914722A (zh) * | 2022-11-29 | 2023-04-04 | 四川虹魔方网络科技有限公司 | 智能电视历史记录精细化运营系统 |
| CN116017070A (zh) * | 2022-12-01 | 2023-04-25 | 四川长虹电器股份有限公司 | 基于运营策略提升电视主页点击率的方法 |
| CN117014687A (zh) * | 2023-09-28 | 2023-11-07 | 北京小糖科技有限责任公司 | 基于用户播放画像的视频定位播放方法、装置 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104602042A (zh) * | 2014-12-31 | 2015-05-06 | 合一网络技术(北京)有限公司 | 基于用户行为的标签设置方法 |
| CN110008375A (zh) * | 2019-03-22 | 2019-07-12 | 广州新视展投资咨询有限公司 | 推荐视频召回方法和装置 |
| CN111324733A (zh) * | 2020-02-07 | 2020-06-23 | 北京创鑫旅程网络技术有限公司 | 内容推荐方法、装置、设备及存储介质 |
| CN111444428A (zh) * | 2020-03-27 | 2020-07-24 | 腾讯科技（深圳）有限公司 | 基于人工智能的信息推荐方法、装置、电子设备及存储介质 |
| US20210035183A1 (en) * | 2019-07-31 | 2021-02-04 | Synchronoss Technologies, Inc. | Method and system for a recommendation engine utilizing progressive labeling and user content enrichment |
| CN112749330A (zh) * | 2020-06-05 | 2021-05-04 | 腾讯科技（深圳）有限公司 | 信息推送方法、装置、计算机设备和存储介质 |
| CN113420181A (zh) * | 2021-06-23 | 2021-09-21 | 未鲲(上海)科技服务有限公司 | 视频推荐方法、装置、计算机设备和存储介质 |
-
2021
- 2021-11-23 CN CN202111394588.XA patent/CN114071237A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104602042A (zh) * | 2014-12-31 | 2015-05-06 | 合一网络技术(北京)有限公司 | 基于用户行为的标签设置方法 |
| CN110008375A (zh) * | 2019-03-22 | 2019-07-12 | 广州新视展投资咨询有限公司 | 推荐视频召回方法和装置 |
| US20210035183A1 (en) * | 2019-07-31 | 2021-02-04 | Synchronoss Technologies, Inc. | Method and system for a recommendation engine utilizing progressive labeling and user content enrichment |
| CN111324733A (zh) * | 2020-02-07 | 2020-06-23 | 北京创鑫旅程网络技术有限公司 | 内容推荐方法、装置、设备及存储介质 |
| CN111444428A (zh) * | 2020-03-27 | 2020-07-24 | 腾讯科技（深圳）有限公司 | 基于人工智能的信息推荐方法、装置、电子设备及存储介质 |
| CN112749330A (zh) * | 2020-06-05 | 2021-05-04 | 腾讯科技（深圳）有限公司 | 信息推送方法、装置、计算机设备和存储介质 |
| CN113420181A (zh) * | 2021-06-23 | 2021-09-21 | 未鲲(上海)科技服务有限公司 | 视频推荐方法、装置、计算机设备和存储介质 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115914722A (zh) * | 2022-11-29 | 2023-04-04 | 四川虹魔方网络科技有限公司 | 智能电视历史记录精细化运营系统 |
| CN116017070A (zh) * | 2022-12-01 | 2023-04-25 | 四川长虹电器股份有限公司 | 基于运营策略提升电视主页点击率的方法 |
| CN116017070B (zh) * | 2022-12-01 | 2024-04-12 | 四川长虹电器股份有限公司 | 基于运营策略提升电视主页点击率的方法 |
| CN117014687A (zh) * | 2023-09-28 | 2023-11-07 | 北京小糖科技有限责任公司 | 基于用户播放画像的视频定位播放方法、装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11917243B1 (en) | Optimizing inventory based on predicted viewership | |
| CN109189951B (zh) | 一种多媒体资源推荐方法、设备及存储介质 | |
| US10299011B2 (en) | Method and system for user interaction with objects in a video linked to internet-accessible information about the objects | |
| CN114071237A (zh) | 一种基于用户画像的智能电视个性化专题推荐方法 | |
| US9584874B1 (en) | Portal for collection and distribution of web-based audiovisual content blocks and creation of audience statistics | |
| CN101047826B (zh) | 电子设备及其信息浏览方法 | |
| CN108875022B (zh) | 一种视频推荐方法及装置 | |
| KR101030874B1 (ko) | 인터랙티브 텔레비전용 개인 채널을 효과적으로 구현하기 위한 시스템 및 방법 | |
| US20240289810A1 (en) | Remotely Configuring Content | |
| CN103686403A (zh) | 一种电视机桌面的显示方法和装置 | |
| US10116982B2 (en) | Systems and methods for automated extraction of closed captions in real time or near real-time and tagging of streaming data for advertisements | |
| CN102763426A (zh) | 推荐器系统中辅助媒体的自适应放置 | |
| CN105163142B (zh) | 一种用户偏好确定方法、视频推荐方法和系统 | |
| WO2012173670A1 (en) | Systems and methods for providing media recommendations | |
| CN103955487B (zh) | 信息提示方法及装置 | |
| US9288249B1 (en) | Content interaction technology | |
| US11991405B2 (en) | Systems and methods for automated extraction of closed captions in real time or near real-time and tagging of streaming data for advertisements | |
| CN112235614B (zh) | 电视节目排行榜数据的个性化推荐方法及系统 | |
| CN112333547A (zh) | 电视端短视频用户喜爱偏好推荐方法、装置和智能电视 | |
| CN110598047A (zh) | 一种影视信息推荐方法、装置、电子设备及存储介质 | |
| US9602852B1 (en) | Metering of internet protocol video streams | |
| US9756390B1 (en) | Cold start user profile generator | |
| CN108134948B (zh) | 电视节目推荐方法、装置、系统及可读存储介质 | |
| TR201602430A2 (tr) | Uzaktan Kaydetme İşleviyle Alternatif Program İçeriklerini Otomatik Olarak Tarayan Görüntüleme Cihazı | |
| US20110093886A1 (en) | Subscriber-based advertising |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220218 |