CN114222170A - 电视节目推荐方法、装置、计算机设备及存储介质 - Google Patents
电视节目推荐方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN114222170A CN114222170A CN202111478817.6A CN202111478817A CN114222170A CN 114222170 A CN114222170 A CN 114222170A CN 202111478817 A CN202111478817 A CN 202111478817A CN 114222170 A CN114222170 A CN 114222170A
- Authority
- CN
- China
- Prior art keywords
- user
- preset
- program
- television program
- television
- 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 45
- 239000013598 vector Substances 0.000 claims description 80
- 230000009471 action Effects 0.000 claims description 56
- 238000012360 testing method Methods 0.000 claims description 46
- 238000012549 training Methods 0.000 claims description 41
- 230000001133 acceleration Effects 0.000 claims description 34
- 238000004590 computer program Methods 0.000 claims description 15
- 238000007781 pre-processing Methods 0.000 claims description 14
- 238000004140 cleaning Methods 0.000 claims description 5
- 238000002790 cross-validation Methods 0.000 claims description 5
- 230000000875 corresponding effect Effects 0.000 description 16
- 238000010586 diagram Methods 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000001276 controlling effect Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012706 support-vector machine Methods 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]
- H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
- H04N21/25—Management operations performed by the server for facilitating the content distribution or administrating data related to end-users or client devices, e.g. end-user or client device authentication, learning user preferences for recommending movies
- H04N21/258—Client or end-user data management, e.g. managing client capabilities, user preferences or demographics, processing of multiple end-users preferences to derive collaborative data
- H04N21/25866—Management of end-user data
- H04N21/25891—Management of end-user data being end-user preferences
-
- 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
-
- 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
- G06F16/9538—Presentation of query results
-
- 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]
- H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
- H04N21/25—Management operations performed by the server for facilitating the content distribution or administrating data related to end-users or client devices, e.g. end-user or client device authentication, learning user preferences for recommending movies
- H04N21/251—Learning process for intelligent management, e.g. learning user preferences for recommending movies
-
- 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]
- H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
- H04N21/25—Management operations performed by the server for facilitating the content distribution or administrating data related to end-users or client devices, e.g. end-user or client device authentication, learning user preferences for recommending movies
- H04N21/251—Learning process for intelligent management, e.g. learning user preferences for recommending movies
- H04N21/252—Processing of multiple end-users' preferences to derive collaborative data
-
- 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]
- H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
- H04N21/25—Management operations performed by the server for facilitating the content distribution or administrating data related to end-users or client devices, e.g. end-user or client device authentication, learning user preferences for recommending movies
- H04N21/258—Client or end-user data management, e.g. managing client capabilities, user preferences or demographics, processing of multiple end-users preferences to derive collaborative data
- H04N21/25866—Management of end-user data
- H04N21/25875—Management of end-user data involving end-user authentication
-
- 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
-
- 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
- H04N21/4828—End-user interface for program selection for searching program descriptors
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Signal Processing (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Human Computer Interaction (AREA)
- Computing Systems (AREA)
- Computer Graphics (AREA)
- Software Systems (AREA)
- Computer Security & Cryptography (AREA)
- Two-Way Televisions, Distribution Of Moving Picture Or The Like (AREA)
Abstract
本申请实施例提供了一种电视节目推荐方法、装置、计算机设备及存储介质,该方法先获取用户操作遥控器的动作数据,并对动作数据进行预处理,生成动作向量,然后,将动作向量输入至已训练用户识别模型中进行识别,得到用户的身份标识,接着,从预设电视节目数据库中查找与身份标识匹配的节目类型,最后,将节目类型展示在电视屏幕上,实现了电视节目的智能推荐和播放,且无需识别用户的生理特征,保障了用户隐私安全,提升了用户体验。
Description
技术领域
本申请涉及智能电视技术领域,具体涉及一种电视节目推荐方法、装置、计算机设备及存储介质。
背景技术
目前智能电视需要通过识别用户身份,给不同的用户推荐个性化服务,满足用户的特定需求。现有技术中,通常是采集用户的人体的生理特征,如人脸,指纹,虹膜等进行身份识别,并针对不同用户的习惯、喜好等为其推荐个性化服务,然而,进行身份识别的生理特征往往包含用户的个人隐私,从而存在个人隐私被故意盗取或无意泄露的风险,具有一定的安全隐患。
发明内容
本申请实施例提供一种电视节目推荐方法、装置、计算机设备及存储介质,以解决传统的利用用户生理特征进行身份识别进而推荐电视节目,存在的隐私泄露的问题。
一方面,本申请提供一种电视节目推荐方法,包括:
获取用户操作遥控器的动作数据,并对所述动作数据进行预处理,生成动作向量;
将所述动作向量输入至已训练用户识别模型中进行识别,得到所述用户的身份标识;
从预设电视节目数据库中查找与所述身份标识匹配的节目类型;
将所述节目类型展示在电视屏幕上。
一方面,本申请提供一种电视节目推荐装置,包括:
获取模块,用于获取用户操作遥控器的动作数据,并对所述动作数据进行预处理,生成动作向量;
识别模块,用于将所述动作向量输入至已训练用户识别模型中进行识别,得到所述用户的身份标识;
查找模块,用于从预设电视节目数据库中查找与所述身份标识匹配的节目类型;
展示模块,用于将所述节目类型展示在电视屏幕上。
一方面,本申请提供一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述电视节目推荐方法中的步骤。
一方面,本申请提供一种计算机可读介质,存储有计算机程序,所述计算机程序被处理器执行时,实现上述电视节目推荐方法中的步骤。
本申请实施例提供了一种电视节目推荐方法,该方法先获取用户操作遥控器的动作数据,并对动作数据进行预处理,生成动作向量,然后,将动作向量输入至已训练用户识别模型中进行识别,得到用户的身份标识,接着,从预设电视节目数据库中查找与身份标识匹配的节目类型,最后,将节目类型展示在电视屏幕上,实现了电视节目的智能推荐和播放,且无需识别用户的生理特征,保障了用户隐私安全,提升了用户体验。
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,下面将对实施例或现有技术描述中所需要使用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。
其中:
图1为一个实施例中电视节目推荐方法的流程图;
图2为另一个实施例中电视节目推荐方法的流程图;
图3为又一个实施例中电视节目推荐方法的流程图;
图4为再一个实施例中电视节目推荐方法的流程图;
图5为还一个实施例中电视节目推荐方法的流程图;
图6为一个实施例中电视节目推荐装置的结构框图;
图7为一个实施例中计算机设备的结构框图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中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,本领域普通技术人员在没有作出创造性劳动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。
如图1所示,在一个实施例中,提供了一种电视节目推荐方法,该电视节目推荐方法既可以应用于终端,也可以应用于服务器,本实施例以应用于服务器举例说明。该电视节目推荐方法具体包括以下步骤:
步骤102,获取用户操作遥控器的动作数据,并对动作数据进行预处理,生成动作向量。
其中,动作数据是指用户操作遥控器时的动作行为的数据,例如,按压遥控器按钮的力度,拿取遥控器的速度、角度等,由于不同用户操作遥控器的习惯不同,对应的动作数据也不同,因此,本实施例中通过获取用户操作遥控器的动作数据,实现对不同用户的身份识别,避免了对用户生理特征的采集,有利于提高用户隐私安全性。预处理是指对动作数据进行数据处理以使处理后的数据满足要求,其中的预处理包括但不限于是数据清洗、数据转换等。动作向量是一种格式为向量的动作数据,通过将动作数据转换为动作向量,以便后续基于动作向量进行高效计算,提高对动作数据的处理效率。
步骤104,将动作向量输入至已训练用户识别模型中进行识别,得到用户的身份标识。
其中,已训练用户识别模型是预先训练的用于根据动作向量进行分类的模型,具体地,该已训练用户识别模型可以是对KNN模型、SVM模型、LighjtGBM模型的一种或者多种组合的模型进行预训练得到。本实施例的已训练用户识别模型用于将不同的动作向量划分到不同的身份标识,例如,儿童、爸爸、妈妈、爷爷等不同的用户类别。具体地,可以利用至少一个机器学习模型进行分类的分类器。其中的机器学习模型可以是如下的一个或者多个:神经网络(例如,卷积神经网络、BP神经网络等)、逻辑回归模型、支持向量机、决策树、随机森林、感知器以及其它机器学习模型。作为这样的机器学习模型的训练的部分,训练输入是各种动作向量,通过训练,建立动作向量与身份标识的对应的关系用户识别模型。使得该用户识别模型具备判断输入的动作向量对应的是哪一种身份标识的能力。
步骤106,从预设电视节目数据库中查找与身份标识匹配的节目类型。
其中,预设电视节目数据库是指预先配置的用于存储不同身份标识感兴趣的电视节目的节目类型的数据表格。具体地,可以通过手机不同身份标识的用户收看的历史节目单,根据节目单中的节目的收看频率,确定各个身份标识的用户感兴趣的电视节目及节目类型,该感兴趣的节目类型即为于身份标识匹配的节目类型。可以理解地,通过对不同身份标识的用户收看的节目单进行分析,从而保证节目类型与身份标识匹配,提高电视节目推荐的准确性,为用户提供个性化服务。更具体地,根据身份标识,直接在预设电视节目数据库中查找对应的节目类型,使得节目类型获取方便简捷。
步骤108,将节目类型展示在电视屏幕上。
具体地,查找到节目类型后,用户可以直接从节目类型中选取对应的电视节目及逆行播放,也可以设置,用户在预设时间内没有操作遥控器,则随机播放该节目类型下的电视节目,实现了电视节目的智能推荐和播放,且无需识别用户的生理特征,保障了用户隐私安全,提升了用户体验。
上述电视节目推荐方法,先获取用户操作遥控器的动作数据,并对动作数据进行预处理,生成动作向量,然后,将动作向量输入至已训练用户识别模型中进行识别,得到用户的身份标识,接着,从预设电视节目数据库中查找与身份标识匹配的节目类型,最后,将节目类型展示在电视屏幕上,实现了电视节目的智能推荐和播放,且无需识别用户的生理特征,保障了用户隐私安全,提升了用户体验。
在一个实施例中,动作数据包括加速度、角速度和角度;获取用户操作遥控器的动作数据的步骤,包括:在检测到用户操作遥控器的信号时,控制惯性传感器采集预设时段内的至少两组加速度、角速度和角度,确定为动作数据。
具体地,在遥控器中嵌入惯性传感器(IMU),在检测到用户操作遥控器的信号时,控制IMU采集预设时段(如,2s)内用户操作遥控器动作数据,例如三维空间(x,y,z)的加速度、角速度、角度,作为动作数据,金边后续基于该动作数据进行进一步分析。设置IMU只采集预设时段内户操作遥控器动作数据,也即遥控器静置时IMU不采集动作数据,对于采样频率为100HZ的IMU采样频率为100HZ,在2s内可以采集200个动作数据。可以理解地,本实施例中,通过惯性传感器采集动作数据,方便快速,且通过加速度、角速度、角度,保障了动作数据的精准性和丰富性,以便后续基于该动作数据提高身份识别效率。
如图2所示,在一个实施例中,对动作数据进行预处理的步骤,包括:
步骤102A,分别对加速度和角速度进行清洗处理;
步骤102B,将角度以及清洗后的加速度和角速度转换为预设数量维度的向量数据,作为动作向量。
在这个实施例中,由于动作数据中,大小比较接近的加速度和角速度数据比较多,因此,需要多比较接近的加速度和角速度进行清洗,也即剔除比较接近的角速度和加速度,只保留其中的少量加速度和角速度,以减少冗余数据的干扰,然后,将角度以及清洗后的加速度和角速度转换为预设数量维度的向量数据,例如,预设数量维度可以是1800。可以利用python中flatten()函数将角度以及清洗后的加速度和角速度转换为预设数量维度的向量数据,也即动作向量。可以理解地,本实施例中通过对动作数据进行预处理,使得动作数据转换为动作向量,由于动作向量更加便于数据的计算分析,从而提高了后续对动作向量的处理效率。
如图3所示,在一个实施例中,还包括:
步骤110,获取训练样本集,训练样本集包括多组样本动作向量及对应的用户样本标识;
步骤112,将样本动作向量作为预设的KNN模型的输入,将用户样本标识作为期望的输出,对预设的KNN模型进行训练,得到已训练用户识别模型。
其中,KNN(K邻近节点算法)模型是指具体地,获取已确定为身份标识的样本,例如,爸爸、爷爷、儿童等身份标识的多组样本动作向量,将样本动作向量作为预设的KNN模型的输入,将用户样本标识作为期望的输出,对预设的KNN模型进行训练,可生成与样本动作向量对应的用户样本标识,从而根据与样本动作向量对应的期望的输出,训练预设的KNN模型,得到已训练用户识别模型。
如图4所示,在一个实施例中,在得到已训练用户识别模型的步骤之前,还包括:
步骤114,获取测试样本集,测试样本集包括多组测试动作向量和对应的用户测试标识;
步骤116,将测试动作向量输入预设的KNN模型,获取输出的用户训练标识;
步骤118,获取用户训练标识与用户测试标识之间的误差,在误差小于预设误差的情况下,确定预设的KNN模型训练完毕,得到已训练用户识别模型。
具体地,获取测试样本集,测试样本集包括多组测试动作向量和对应的用户测试标识,并利用预设的KNN模型对测试样本集进行预测,获取测试样本集已知的分类结果即测试身份标识,将预测得到的预测结果与已知的分类结果比较,得到预设的KNN模型的分类预测正确率,获取用户训练标识与用户测试标识之间的误差,在误差小于预设误差的情况下,确定预设的KNN模型训练完毕。
在一个实施例中,预设的KNN模型,其中k值采用交叉验证法选取,距离量度采用欧式距离。
在这个实施例中,预设的KNN模型中的k值采用交叉验证法选取,距离量度采用欧式距离。在一个具体实施方式中,使用预设的KNN模型对动作向量进行分类。将动作向量分为训练集和测试集,训练集每个用户有10组动作向量,测试集对应每个用户有1组动作向量,通过对照训练集将测试集正确分类。先设置初始化距离为最大值,然后计算测试集和每个训练集的距离dist,得到前k个最邻近数据中的最大距离maxdist,在dist小于maxdist时,则将训练集数据作为k-最近邻数据。重复上述步骤,直到测试集和所有训练集的距离都计算完成。最后,统计k-最近邻数据中每个用户的身份标识出现的次数,将次数最多的身份标识作为测试集的身份标识。预设的KNN模型的距离量度采用欧式距离,欧氏距离的公式如下:
其中,xk,yk分别标识第k组训练集中的动作向量、第k组测试集中的动作向量,d(x,y)表示为第k组训练集与第k组测试集的欧式距离。
如图5所示,在一个实施例中,在将节目类型展示在电视屏幕上的步骤之后,还包括:
步骤120,检测预设时间内是否有退出指令;
步骤122,若检测到退出指令,则停止展示节目类型;
步骤124,若未检测到退出指令,则播放节目类型中的热度最高的电视节目。
在这个实施例中,当节目类型展示在电视屏幕上后,检测预设时间内是否有退出指令,其中的预设时间可以是10S,如果在10S内,用户操作遥控器中的退出按钮,表明用户对展示的节目类型不感兴趣,则停止展示节目类型,提醒用户选取电视节目;用户没有操作遥控器中的退出按钮,表明用户对展示的节目类型感兴趣,则播放节目类型中的热度最高的电视节目,实现了智能化推荐电视节目,减少了电视机的复杂操作,提升了用户体验。
如图6所示,在一个实施例中,提出了一种电视节目推荐装置,包括:
获取模块602,用于获取用户操作遥控器的动作数据,并对所述动作数据进行预处理,生成动作向量;
识别模块604,用于将所述动作向量输入至已训练用户识别模型中进行识别,得到所述用户的身份标识;
查找模块606,用于从预设电视节目数据库中查找与所述身份标识匹配的节目类型;
展示模块608,用于将所述节目类型展示在电视屏幕上。
在一个实施例中,所述动作数据包括加速度、角速度和角度;获取模块包括:
采集单元,用于在检测到用户操作遥控器的信号时,控制惯性传感器采集预设时段内的至少两组所述加速度、角速度和角度,确定为所述动作数据。
在一个实施例中,获取模块包括:
计算单元,用于计算所述加速度与所述角速度的差值;
剔除单元,用于将差值满足预设差值阈值对应的所述加速度和所述角速度进行删除;
转换单元,用于将所述角度以及所述动作数据中未删除的所述加速度和所述角速度转换为预设数量维度的向量数据,作为所述动作向量。
在一个实施例中,该电视节目推荐装置还包括:
第一获取模块,用于获取训练样本集,所述训练样本集包括多组样本动作向量及对应的用户样本标识;
训练模块,用于将所述样本动作向量作为预设的KNN模型的输入,将所述用户样本标识作为期望的输出,对所述预设的KNN模型进行训练,得到所述已训练用户识别模型。
在一个实施例中,该电视节目推荐装置还包括:
第二获取模块,用于获取测试样本集,所述测试样本集包括多组测试动作向量和对应的用户测试标识;
第三获取模块,用于将所述测试动作向量输入所述预设的KNN模型,获取输出的用户训练标识;
第一确定模块,用于获取所述用户训练标识与所述用户测试标识之间的误差,在误差小于预设误差的情况下,确定所述预设的KNN模型训练完毕,得到所述已训练用户识别模型。
在一个实施例中,该电视节目推荐装置还包括:
检测模块,用于检测预设时间内是否有退出指令;
第一推荐模块,用于若检测到退出指令,则停止展示所述节目类型;
第二推荐模块,用于若未检测到退出指令,则播放所述节目类型中的热度最高的电视节目。
图7示出了一个实施例中计算机设备的内部结构图。该计算机设备具体可以是服务器,所述服务器包括但不限于高性能计算机和高性能计算机集群。如图7所示,该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中,存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作系统,还可存储有计算机程序,该计算机程序被处理器执行时,可使得处理器实现电视节目推荐方法。该内存储器中也可储存有计算机程序,该计算机程序被处理器执行时,可使得处理器执行电视节目推荐方法。本领域技术人员可以理解,图7中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,本申请提供的电视节目推荐方法可以实现为一种计算机程序的形式,计算机程序可在如图7所示的计算机设备上运行。计算机设备的存储器中可存储组成电视节目推荐装置的各个程序模板。比如,获取模块602,识别模块604,查找模块606,展示模块608。
一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如下步骤:获取用户操作遥控器的动作数据,并对所述动作数据进行预处理,生成动作向量;将所述动作向量输入至已训练用户识别模型中进行识别,得到所述用户的身份标识;从预设电视节目数据库中查找与所述身份标识匹配的节目类型;将所述节目类型展示在电视屏幕上。
在一个实施例中,所述动作数据包括加速度、角速度和角度;所述获取用户操作遥控器的动作数据的步骤,包括:在检测到用户操作遥控器的信号时,控制惯性传感器采集预设时段内的至少两组所述加速度、角速度和角度,确定为所述动作数据。
在一个实施例中,所述对所述动作数据进行预处理的步骤,包括:分别对所述加速度和所述角速度进行清洗处理;将所述角度以及清洗后的加速度和角速度转换为预设数量维度的向量数据,作为所述动作向量。
在一个实施例中,还包括:获取训练样本集,所述训练样本集包括多组样本动作向量及对应的用户样本标识;将所述样本动作向量作为预设的KNN模型的输入,将所述用户样本标识作为期望的输出,对所述预设的KNN模型进行训练,得到所述已训练用户识别模型。
在一个实施例中,在所述得到所述已训练用户识别模型的步骤之前,还包括:获取测试样本集,所述测试样本集包括多组测试动作向量和对应的用户测试标识;将所述测试动作向量输入所述预设的KNN模型,获取输出的用户训练标识;获取所述用户训练标识与所述用户测试标识之间的误差,在误差小于预设误差的情况下,确定所述预设的KNN模型训练完毕,得到所述已训练用户识别模型。
在一个实施例中,所述预设的KNN模型,其中k值采用交叉验证法选取,距离量度采用欧式距离。
在一个实施例中,在所述将所述节目类型展示在电视屏幕上的步骤之后,还包括:检测预设时间内是否有退出指令;若检测到退出指令,则停止展示所述节目类型;若未检测到退出指令,则播放所述节目类型中的热度最高的电视节目。
一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如下步骤:获取用户操作遥控器的动作数据,并对所述动作数据进行预处理,生成动作向量;将所述动作向量输入至已训练用户识别模型中进行识别,得到所述用户的身份标识;从预设电视节目数据库中查找与所述身份标识匹配的节目类型;将所述节目类型展示在电视屏幕上。
在一个实施例中,所述动作数据包括加速度、角速度和角度;所述获取用户操作遥控器的动作数据的步骤,包括:在检测到用户操作遥控器的信号时,控制惯性传感器采集预设时段内的至少两组所述加速度、角速度和角度,确定为所述动作数据。
在一个实施例中,所述对所述动作数据进行预处理的步骤,包括:分别对所述加速度和所述角速度进行清洗处理;将所述角度以及清洗后的加速度和角速度转换为预设数量维度的向量数据,作为所述动作向量。
在一个实施例中,还包括:获取训练样本集,所述训练样本集包括多组样本动作向量及对应的用户样本标识;将所述样本动作向量作为预设的KNN模型的输入,将所述用户样本标识作为期望的输出,对所述预设的KNN模型进行训练,得到所述已训练用户识别模型。
在一个实施例中,在所述得到所述已训练用户识别模型的步骤之前,还包括:获取测试样本集,所述测试样本集包括多组测试动作向量和对应的用户测试标识;将所述测试动作向量输入所述预设的KNN模型,获取输出的用户训练标识;获取所述用户训练标识与所述用户测试标识之间的误差,在误差小于预设误差的情况下,确定所述预设的KNN模型训练完毕,得到所述已训练用户识别模型。
在一个实施例中,所述预设的KNN模型,其中k值采用交叉验证法选取,距离量度采用欧式距离。
在一个实施例中,在所述将所述节目类型展示在电视屏幕上的步骤之后,还包括:检测预设时间内是否有退出指令;若检测到退出指令,则停止展示所述节目类型;若未检测到退出指令,则播放所述节目类型中的热度最高的电视节目。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一非易失性计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种电视节目推荐方法,其特征在于,包括:
获取用户操作遥控器的动作数据,并对所述动作数据进行预处理,生成动作向量;
将所述动作向量输入至已训练用户识别模型中进行识别,得到所述用户的身份标识;
从预设电视节目数据库中查找与所述身份标识匹配的节目类型;
将所述节目类型展示在电视屏幕上。
2.如权利要求1所述的电视节目推荐方法,其特征在于,所述动作数据包括加速度、角速度和角度;所述获取用户操作遥控器的动作数据的步骤,包括:
在检测到用户操作遥控器的信号时,控制惯性传感器采集预设时段内的至少两组所述加速度、角速度和角度,确定为所述动作数据。
3.如权利要求2所述的电视节目推荐方法,其特征在于,所述对所述动作数据进行预处理的步骤,包括:
分别对所述加速度和所述角速度进行清洗处理;
将所述角度以及清洗后的加速度和角速度转换为预设数量维度的向量数据,作为所述动作向量。
4.如权利要求1所述的电视节目推荐方法,其特征在于,还包括:
获取训练样本集,所述训练样本集包括多组样本动作向量及对应的用户样本标识;
将所述样本动作向量作为预设的KNN模型的输入,将所述用户样本标识作为期望的输出,对所述预设的KNN模型进行训练,得到所述已训练用户识别模型。
5.如权利要求4所述的电视节目推荐方法,其特征在于,在所述得到所述已训练用户识别模型的步骤之前,还包括:
获取测试样本集,所述测试样本集包括多组测试动作向量和对应的用户测试标识;
将所述测试动作向量输入所述预设的KNN模型,获取输出的用户训练标识;
获取所述用户训练标识与所述用户测试标识之间的误差,在误差小于预设误差的情况下,确定所述预设的KNN模型训练完毕,得到所述已训练用户识别模型。
6.如权利要求4或5所述的电视节目推荐方法,其特征在于,所述预设的KNN模型,其中k值采用交叉验证法选取,距离量度采用欧式距离。
7.如权利要求1所述的电视节目推荐方法,其特征在于,在所述将所述节目类型展示在电视屏幕上的步骤之后,还包括:
检测预设时间内是否有退出指令;
若检测到退出指令,则停止展示所述节目类型;
若未检测到退出指令,则播放所述节目类型中的热度最高的电视节目。
8.一种电视节目推荐装置,其特征在于,包括:
获取模块,用于获取用户操作遥控器的动作数据,并对所述动作数据进行预处理,生成动作向量;
识别模块,用于将所述动作向量输入至已训练用户识别模型中进行识别,得到所述用户的身份标识;
查找模块,用于从预设电视节目数据库中查找与所述身份标识匹配的节目类型;
展示模块,用于将所述节目类型展示在电视屏幕上。
9.一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述电视节目推荐方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述电视节目推荐方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111478817.6A CN114222170A (zh) | 2021-12-06 | 2021-12-06 | 电视节目推荐方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111478817.6A CN114222170A (zh) | 2021-12-06 | 2021-12-06 | 电视节目推荐方法、装置、计算机设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114222170A true CN114222170A (zh) | 2022-03-22 |
Family
ID=80699802
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111478817.6A Pending CN114222170A (zh) | 2021-12-06 | 2021-12-06 | 电视节目推荐方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114222170A (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102970606A (zh) * | 2012-12-04 | 2013-03-13 | 深圳Tcl新技术有限公司 | 基于身份识别的电视节目推荐方法和装置 |
CN103246448A (zh) * | 2013-04-03 | 2013-08-14 | 深圳Tcl新技术有限公司 | 获取用户的身份进行交互的交互方法及遥控装置 |
WO2017185612A1 (zh) * | 2016-04-28 | 2017-11-02 | 乐视控股(北京)有限公司 | 一种智能终端、遥控器、推荐方法及系统 |
CN108650532A (zh) * | 2018-03-22 | 2018-10-12 | 中国传媒大学 | 有线电视点播节目推荐方法及系统 |
CN110222730A (zh) * | 2019-05-16 | 2019-09-10 | 华南理工大学 | 基于惯性传感器的用户身份识别方法及识别模型构建方法 |
CN111753008A (zh) * | 2020-06-30 | 2020-10-09 | 珠海迈越信息技术有限公司 | 一种基于大数据分析的机顶盒收视方法及系统 |
CN112257559A (zh) * | 2020-10-20 | 2021-01-22 | 江南大学 | 一种基于生物个体步态信息的身份识别方法 |
CN112839260A (zh) * | 2020-12-25 | 2021-05-25 | 广州长嘉电子有限公司 | 基于安卓系统的智能数字电视节目推荐方法、装置及电视 |
CN113453065A (zh) * | 2021-07-01 | 2021-09-28 | 深圳市中科网威科技有限公司 | 一种基于深度学习的视频分段方法、系统、终端及介质 |
US20210365673A1 (en) * | 2020-05-19 | 2021-11-25 | Board Of Regents, The University Of Texas System | Method and apparatus for discreet person identification on pocket-size offline mobile platform with augmented reality feedback with real-time training capability for usage by universal users |
-
2021
- 2021-12-06 CN CN202111478817.6A patent/CN114222170A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102970606A (zh) * | 2012-12-04 | 2013-03-13 | 深圳Tcl新技术有限公司 | 基于身份识别的电视节目推荐方法和装置 |
CN103246448A (zh) * | 2013-04-03 | 2013-08-14 | 深圳Tcl新技术有限公司 | 获取用户的身份进行交互的交互方法及遥控装置 |
WO2017185612A1 (zh) * | 2016-04-28 | 2017-11-02 | 乐视控股(北京)有限公司 | 一种智能终端、遥控器、推荐方法及系统 |
CN108650532A (zh) * | 2018-03-22 | 2018-10-12 | 中国传媒大学 | 有线电视点播节目推荐方法及系统 |
CN110222730A (zh) * | 2019-05-16 | 2019-09-10 | 华南理工大学 | 基于惯性传感器的用户身份识别方法及识别模型构建方法 |
US20210365673A1 (en) * | 2020-05-19 | 2021-11-25 | Board Of Regents, The University Of Texas System | Method and apparatus for discreet person identification on pocket-size offline mobile platform with augmented reality feedback with real-time training capability for usage by universal users |
CN111753008A (zh) * | 2020-06-30 | 2020-10-09 | 珠海迈越信息技术有限公司 | 一种基于大数据分析的机顶盒收视方法及系统 |
CN112257559A (zh) * | 2020-10-20 | 2021-01-22 | 江南大学 | 一种基于生物个体步态信息的身份识别方法 |
CN112839260A (zh) * | 2020-12-25 | 2021-05-25 | 广州长嘉电子有限公司 | 基于安卓系统的智能数字电视节目推荐方法、装置及电视 |
CN113453065A (zh) * | 2021-07-01 | 2021-09-28 | 深圳市中科网威科技有限公司 | 一种基于深度学习的视频分段方法、系统、终端及介质 |
Non-Patent Citations (1)
Title |
---|
一骑走烟尘: "KNN算法原理", Retrieved from the Internet <URL:https://blog.csdn.net/zgcr654321/article/details/85219121> * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108377240B (zh) | 异常接口检测方法、装置、计算机设备和存储介质 | |
Jordao et al. | Novel approaches to human activity recognition based on accelerometer data | |
CN111680551B (zh) | 监控牲畜数量的方法、装置、计算机设备及存储介质 | |
KR20190105536A (ko) | 선호도 기반 서비스 제공 시스템, 장치 및 방법 | |
CN110019896A (zh) | 一种图像检索方法、装置及电子设备 | |
CN110418204B (zh) | 基于微表情的视频推荐方法、装置、设备和存储介质 | |
CN111310019A (zh) | 信息推荐方法、信息处理方法、系统及设备 | |
JP6532190B2 (ja) | 画像検索装置、画像検索方法 | |
US10257569B2 (en) | Display apparatus and method for providing service thereof | |
JP2019057815A (ja) | 監視システム | |
CN110741377A (zh) | 人脸图像处理方法、装置、存储介质及电子设备 | |
CN108986137B (zh) | 人体跟踪方法、装置及设备 | |
CN112001932A (zh) | 人脸识别方法、装置、计算机设备和存储介质 | |
US20190347472A1 (en) | Method and system for image identification | |
CN118094118B (zh) | 数据集质量评估方法、系统、电子设备及存储介质 | |
CN112749655A (zh) | 视线追踪方法、装置、计算机设备和存储介质 | |
KR20180082950A (ko) | 디스플레이 장치 및 그의 서비스 제공 방법 | |
CN109842805B (zh) | 视频看点的生成方法、装置、计算机设备及存储介质 | |
CN110866146B (zh) | 视频推荐方法、装置、计算机设备和存储介质 | |
CN110933504B (zh) | 视频推荐方法、装置、服务器和存储介质 | |
US10198613B2 (en) | Latent fingerprint pattern estimation | |
CN117671553A (zh) | 一种目标识别方法、系统及相关装置 | |
CN114222170A (zh) | 电视节目推荐方法、装置、计算机设备及存储介质 | |
CN110298684B (zh) | 车型匹配方法、装置、计算机设备及存储介质 | |
CN111507289A (zh) | 视频匹配方法、计算机设备和存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220322 |