CN114302242A - 一种媒资推荐方法、显示设备及服务器 - Google Patents
一种媒资推荐方法、显示设备及服务器 Download PDFInfo
- Publication number
- CN114302242A CN114302242A CN202210089220.0A CN202210089220A CN114302242A CN 114302242 A CN114302242 A CN 114302242A CN 202210089220 A CN202210089220 A CN 202210089220A CN 114302242 A CN114302242 A CN 114302242A
- Authority
- CN
- China
- Prior art keywords
- user
- group
- list
- target
- exposure
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000004364 calculation method Methods 0.000 claims description 13
- 239000013598 vector Substances 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 3
- 230000006399 behavior Effects 0.000 abstract description 86
- 230000000694 effects Effects 0.000 abstract description 8
- 239000010410 layer Substances 0.000 description 24
- 238000012549 training Methods 0.000 description 19
- 238000004891 communication Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 230000003993 interaction Effects 0.000 description 5
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 239000002131 composite material Substances 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000011664 signaling Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000012792 core layer Substances 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000003278 mimic effect Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013107 unsupervised machine learning method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本实施例提供一种媒资推荐方法、显示设备及服务器,服务器接收显示设备发送的目标用户的用户行为日志,将用户行为日志输入推荐模型,输出推荐媒资列表。利用用户行为日志将目标用户聚类为两个目标群体。计算两个目标群体的热度差值,将热度差值最大的群体确定为去曝光偏差群体,利用去曝光偏差群体的用户行为日志构建对抗模型。将目标用户的用户行为日志、推荐媒资列表以及冷门媒资数据输入构建好的对抗模型,输出对抗媒资列表。最后根据推荐媒资列表和对抗媒资列表输出去曝光偏差媒资列表。这样,利用模型对抗,在媒资推荐方面可以降低热门媒资和被动曝光媒资造成的非用户兴趣行为的影响,达到去曝光偏差的效果,从而提升用户观看体验。
Description
技术领域
本申请涉及人工智能技术领域,尤其涉及一种媒资推荐方法、显示设备及服务器。
背景技术
随着互联网技术的不断发展,用户观看视频不再局限于电视,还可以通过互联网搜索感兴趣的视频观看。除此之外,互联网还可以自动向用户推荐视频,方便用户选择。
目前的互联网向用户推荐视频,可以是基于用户点击,向用户推荐用户感兴趣的视频。或者,将热度话题较高的视频,向用户进行推荐。
然而,基于用户点击推荐视频的方式,有可能不能真正反应用户兴趣。例如,开机首页被动曝光的栏目会被用户过量点击,而被点击的视频可能并不是用户真正的兴趣所在。部分用户对热度话题较高的视频可能并不感兴趣。通过现有的方式向用户推荐视频,将会造成用户的观看体验较差。
发明内容
本申请提供了一种媒资推荐方法、显示设备及服务器,用于解决基于用户点击推荐视频的方式,有可能不能真正反应用户兴趣,部分用户对热度话题较高的视频可能并不感兴趣。通过现有的方式向用户推荐视频,将会造成用户的观看体验较差的问题。
第一方面,本实施例提供一种服务器,所述服务器被配置为:
从显示设备获取目标用户的用户行为日志,以及将所述目标用户的所述用户行为日志输入推荐模型,输出推荐媒资列表,其中,所述用户行为日志表征所述目标用户的真实行为特征;
利用所述用户行为日志将所述目标用户聚类为两个目标群体;
分别计算两个所述目标群体的热度差值,以及将热度差值最大的所述目标群体确定为去曝光偏差群体,将热度差值最小的所述目标群体确定为非去曝光偏差群体,其中,所述去曝光偏差群体为对热门媒资不感兴趣的用户群体;
利用所述去曝光偏差群体的所述用户行为日志构建对抗模型,以及将所述目标用户的所述用户行为日志、所述推荐媒资列表的数据以及冷门媒资数据,输入所述对抗模型,输出对抗媒资列表,其中,所述冷门媒资数据表征所述目标用户的虚拟行为特征;
根据所述推荐媒资列表的数据和所述对抗媒资列表的数据,输出去曝光偏差媒资列表。
第二方面,本实施例提供一种显示设备,包括:
显示器,用于显示用户界面;
控制器,用于执行:
在用户属于去曝光偏差群体时,从服务器接收去曝光偏差媒资列表,以及在所述显示器上显示所述去曝光偏差媒资列表;
其中,所述去曝光偏差媒资列表是根据推荐媒资列表的数据和对抗媒资列表的数据输出的列表,所述推荐媒资列表是将目标用户的用户行为日志输入推荐模型之后输出的列表,所述用户行为日志表征所述目标用户的真实行为特征,所述对抗媒资列表是将所述目标用户的所述用户行为日志、所述推荐媒资列表的数据以及冷门媒资数据输入所述对抗模型之后输出的列表,所述冷门媒资数据表征用户虚拟行为特征,所述去曝光偏差群体是计算两个目标群体的热度差值之后热度差值最大的目标群体,所述去曝光偏差群体为对热门媒资不感兴趣的用户群体,两个所述目标群体是利用所述用户行为日志聚类得到的群体;
在用户属于非去曝光偏差群体时,从所述服务器接收所述推荐媒资列表,以及在所述显示器上显示所述推荐媒资列表。
第三方面,本实施例提供一种媒资推荐方法,所述方法应用于服务器,所述方法包括:
从显示设备获取目标用户的用户行为日志,以及将所述目标用户的所述用户行为日志输入推荐模型,输出推荐媒资列表,其中,所述用户行为日志表征所述目标用户的真实行为特征;
利用所述用户行为日志将所述目标用户聚类为两个目标群体;
分别计算两个所述目标群体的热度差值,以及将热度差值最大的所述目标群体确定为去曝光偏差群体,将热度差值最小的所述目标群体确定为非去曝光偏差群体,其中,所述去曝光偏差群体为对热门媒资不感兴趣的用户群体;
利用所述去曝光偏差群体的所述用户行为日志构建对抗模型,以及将所述目标用户的所述用户行为日志、所述推荐媒资列表的数据以及冷门媒资数据,输入所述对抗模型,输出对抗媒资列表,其中,所述冷门媒资数据表征所述目标用户的虚拟行为特征;
根据所述推荐媒资列表的数据和所述对抗媒资列表的数据,输出去曝光偏差媒资列表。
第四方面,本实施例提供一种媒资推荐方法,所述方法应用于显示设备的控制器,所述显示设备还包括显示器,所述方法包括:
在用户属于去曝光偏差群体时,从服务器接收去曝光偏差媒资列表,以及在所述显示器上显示所述去曝光偏差媒资列表;
其中,所述去曝光偏差媒资列表是根据推荐媒资列表的数据和对抗媒资列表的数据输出的列表,所述推荐媒资列表是将目标用户的用户行为日志输入推荐模型之后输出的列表,所述用户行为日志表征所述目标用户的真实行为特征,所述对抗媒资列表是将所述目标用户的所述用户行为日志、所述推荐媒资列表的数据以及冷门媒资数据输入所述对抗模型之后输出的列表,所述冷门媒资数据表征用户虚拟行为特征,所述去曝光偏差群体是计算两个目标群体的热度差值之后热度差值最大的目标群体,所述去曝光偏差群体为对热门媒资不感兴趣的用户群体,两个所述目标群体是利用所述用户行为日志聚类得到的群体;
在用户属于非去曝光偏差群体时,从所述服务器接收所述推荐媒资列表,以及在所述显示器上显示所述推荐媒资列表。
本实施例提供一种媒资推荐方法、显示设备及服务器,首先显示设备向服务器发送目标用户的用户行为日志,服务器将目标用户的用户行为日志输入推荐模型,输出推荐媒资列表。用户行为日志表征目标用户的真实行为特征。服务器利用用户行为日志将目标用户聚类为两个目标群体。之后分别计算两个目标群体的热度差值,将热度差值最大的群体确定为去曝光偏差群体,去曝光偏差群体为对热门媒资不感兴趣的用户群体。利用去曝光偏差群体的用户行为日志构建对抗模型。将目标用户的用户行为日志、推荐媒资列表以及冷门媒资数据输入构建好的对抗模型,输出对抗媒资列表。冷门媒资数据表征目标用户虚拟行为特征。最后根据推荐媒资列表和对抗媒资列表输出去曝光偏差媒资列表。这样,利用模型对抗,在媒资推荐方面可以降低热门媒资和被动曝光媒资造成的非用户兴趣行为的影响,达到去曝光偏差的效果,从而提升用户观看体验。
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。
图1示出了根据一些实施例的显示设备的使用场景;
图2示出了根据一些实施例的控制装置100的硬件配置框图;
图3示出了根据一些实施例的显示设备200的硬件配置框图;
图4示出了根据一些实施例的显示设备200中软件配置图;
图5示出了根据一些实施例的显示设备200中用户界面示意图;
图6示出了根据一些实施例的示意图媒资推荐系统示意图;
图7示出了根据一些实施例的对抗模型和推荐模型共同训练的框架示意图;
图8示出了根据一些实施例的媒资推荐方法的信令图。
具体实施方式
为使本申请的目的和实施方式更加清楚,下面将结合本申请示例性实施例中的附图,对本申请示例性实施方式进行清楚、完整地描述,显然,描述的示例性实施例仅是本申请一部分实施例,而不是全部的实施例。
需要说明的是,本申请中对于术语的简要说明,仅是为了方便理解接下来描述的实施方式,而不是意图限定本申请的实施方式。除非另有说明,这些术语应当按照其普通和通常的含义理解。
本申请中说明书和权利要求书及上述附图中的术语″第一″、″第二″、″第三″等是用于区别类似或同类的对象或实体,而不必然意味着限定特定的顺序或先后次序,除非另外注明。应该理解这样使用的用语在适当情况下可以互换。
术语″包括″和″具有″以及他们的任何变形,意图在于覆盖但不排他的包含,例如,包含了一系列组件的产品或设备不必限于清楚地列出的所有组件,而是可包括没有清楚地列出的或对于这些产品或设备固有的其它组件。
本申请实施方式提供的显示设备可以具有多种实施形式,例如,可以是电视、智能电视、激光投影设备、显示器(monitor)、电子白板(electronic bulletin board)、电子桌面(electronic table)等。图1和图2为本申请的显示设备的一种具体实施方式。
图1为根据实施例中显示设备与控制装置之间操作场景的示意图。如图1所示,用户可通过智能设备300或控制装置100操作显示设备200。
在一些实施例中,控制装置100可以是遥控器,遥控器和显示设备的通信包括红外协议通信或蓝牙协议通信,及其他短距离通信方式,通过无线或有线方式来控制显示设备200。用户可以通过遥控器上按键、语音输入、控制面板输入等输入用户指令,来控制显示设备200。
在一些实施例中,也可以使用智能设备300(如移动终端、平板电脑、计算机、笔记本电脑等)以控制显示设备200。例如,使用在智能设备上运行的应用程序控制显示设备200。
在一些实施例中,显示设备可以不使用上述的智能设备或控制设备接收指令,而是通过触摸或者手势等接收用户的控制。
在一些实施例中,显示设备200还可以采用除了控制装置100和智能设备300之外的方式进行控制,例如,可以通过显示设备200设备内部配置的获取语音指令的模块直接接收用户的语音指令控制,也可以通过显示设备200设备外部设置的语音控制设备来接收用户的语音指令控制。
在一些实施例中,显示设备200还与服务器400进行数据通信。可允许显示设备200通过局域网(LAN)、无线局域网(WLAN)和其他网络进行通信连接。服务器400可以向显示设备200提供各种内容和互动。服务器400可以是一个集群,也可以是多个集群,可以包括一类或多类服务器。
图2示例性示出了根据示例性实施例中控制装置100的配置框图。如图2所示,控制装置100包括控制器110、通信接口130、用户输入/输出接口140、存储器、供电电源。控制装置100可接收用户的输入操作指令,且将操作指令转换为显示设备200可识别和响应的指令,起用用户与显示设备200之间交互中介作用。
如图3,显示设备200包括调谐解调器210、通信器220、检测器230、外部装置接口240、控制器250、显示器260、音频输出接口270、存储器、供电电源、用户接口中的至少一种。
在一些实施例中控制器包括处理器,视频处理器,音频处理器,图形处理器,RAM,ROM,用于输入/输出的第一接口至第n接口。
显示器260包括用于呈现画面的显示屏组件,以及驱动图像显示的驱动组件,用于接收源自控制器输出的图像信号,进行显示视频内容、图像内容以及菜单操控界面的组件以及用户操控UI界面。
显示器260可为液晶显示器、OLED显示器、以及投影显示器,还可以为一种投影装置和投影屏幕。
通信器220是用于根据各种通信协议类型与外部设备或服务器进行通信的组件。例如:通信器可以包括Wifi模块,蓝牙模块,有线以太网模块等其他网络通信协议芯片或近场通信协议芯片,以及红外接收器中的至少一种。显示设备200可以通过通信器220与外部控制设备100或服务器400建立控制信号和数据信号的发送和接收。
用户接口,可用于接收控制装置100(如:红外遥控器等)的控制信号。
检测器230用于采集外部环境或与外部交互的信号。例如,检测器230包括光接收器,用于采集环境光线强度的传感器;或者,检测器230包括图像采集器,如摄像头,可以用于采集外部环境场景、用户的属性或用户交互手势,再或者,检测器230包括声音采集器,如麦克风等,用于接收外部声音。
外部装置接口240可以包括但不限于如下:高清多媒体接口接口(HDMI)、模拟或数据高清分量输入接口(分量)、复合视频输入接口(CVBS)、USB输入接口(USB)、RGB端口等任一个或多个接口。也可以是上述多个接口形成的复合性的输入/输出接口。
调谐解调器210通过有线或无线接收方式接收广播电视信号,以及从多个无线或有线广播电视信号中解调出音视频信号,如以及EPG数据信号。
在一些实施例中,控制器250和调谐解调器210可以位于不同的分体设备中,即调谐解调器210也可在控制器250所在的主体设备的外置设备中,如外置机顶盒等。
控制器250,通过存储在存储器上中各种软件控制程序,来控制显示设备的工作和响应用户的操作。控制器250控制显示设备200的整体操作。例如:响应于接收到用于选择在显示器260上显示UI对象的用户命令,控制器250便可以执行与由用户命令选择的对象有关的操作。
在一些实施例中控制器包括中央处理器(Central Processing Unit,CPU),视频处理器,音频处理器,图形处理器(Graphics Processing Unit,GPU),RAM Random AccessMemory,RAM),ROM(Read-Only Memory,ROM),用于输入/输出的第一接口至第n接口,通信总线(Bus)等中的至少一种。
用户可在显示器260上显示的图形用户界面(GUI)输入用户命令,则用户输入接口通过图形用户界面(GUI)接收用户输入命令。或者,用户可通过输入特定的声音或手势进行输入用户命令,则用户输入接口通过传感器识别出声音或手势,来接收用户输入命令。
″用户界面″,是应用程序或操作系统与用户之间进行交互和信息交换的介质接口,它实现信息的内部形式与用户可以接受形式之间的转换。用户界面常用的表现形式是图形用户界面(Graphic User Interface,GUI),是指采用图形方式显示的与计算机操作相关的用户界面。它可以是在电子设备的显示屏中显示的一个图标、窗口、控件等界面元素,其中控件可以包括图标、按钮、菜单、选项卡、文本框、对话框、状态栏、导航栏、Widget等可视的界面元素。
参见图4,在一些实施例中,将系统分为四层,从上至下分别为应用程序(Applications)层(简称″应用层″),应用程序框架(Application Framework)层(简称″框架层″),安卓运行时(Android runtime)和系统库层(简称″系统运行库层″),以及内核层。
在一些实施例中,应用程序层中运行有至少一个应用程序,这些应用程序可以是操作系统自带的窗口(Window)程序、系统设置程序或时钟程序等;也可以是第三方开发者所开发的应用程序。在具体实施时,应用程序层中的应用程序包不限于以上举例。
框架层为应用程序提供应用编程接口(application programming interface,API)和编程框架。应用程序框架层包括一些预先定义的函数。应用程序框架层相当于一个处理中心,这个中心决定让应用层中的应用程序做出动作。应用程序通过API接口,可在执行中访问系统中的资源和取得系统的服务。
如图4所示,本申请实施例中应用程序框架层包括管理器(Managers),内容提供者(Content Provider)等,其中管理器包括以下模块中的至少一个:活动管理器(ActivityManager)用与和系统中正在运行的所有活动进行交互;位置管理器(Location Manager)用于给系统服务或应用提供了系统位置服务的访问;文件包管理器(Package Manager)用于检索当前安装在设备上的应用程序包相关的各种信息;通知管理器(NotificationManager)用于控制通知消息的显示和清除;窗口管理器(Window Manager)用于管理用户界面上的括图标、窗口、工具栏、壁纸和桌面部件。
在一些实施例中,活动管理器用于管理各个应用程序的生命周期以及通常的导航回退功能,比如控制应用程序的退出、打开、后退等。窗口管理器用于管理所有的窗口程序,比如获取显示屏大小,判断是否有状态栏,锁定屏幕,截取屏幕,控制显示窗口变化(例如将显示窗口缩小显示、抖动显示、扭曲变形显示等)等。
在一些实施例中,系统运行库层为上层即框架层提供支撑,当框架层被使用时,安卓操作系统会运行系统运行库层中包含的C/C++库以实现框架层要实现的功能。
在一些实施例中,内核层是硬件和软件之间的层。如图4所示,内核层至少包含以下驱动中的至少一种:音频驱动、显示驱动、蓝牙驱动、摄像头驱动、WIFI驱动、USB驱动、HDMI驱动、传感器驱动(如指纹传感器,温度传感器,压力传感器等)、以及电源驱动等。
在一些实施例中,显示设备启动后可以直接进入预置的视频点播程序的界面,视频点播程序的界面可以如图5中所示,至少包括导航栏510和位于导航栏510下方的内容显示区,内容显示区中显示的内容会随导航栏中被选中控件的变化而变化。应用程序层中的程序可以被集成在视频点播程序中通过导航栏的一个控件进行展示,也可以在导航栏中的应用控件被选中后进行进一步显示。
在一些实施例中,显示设备启动后可以直接进入上次选择的信号源的显示界面,或者信号源选择界面,其中信号源可以是预置的视频点播程序,还可以是HDMI接口,直播电视接口等中的至少一种,用户选择不同的信号源后,显示器可以显示从不同信号源获得的内容。中的应用程序可以。
随着互联网技术的不断发展,用户观看视频不再局限于电视,还可以通过互联网搜索感兴趣的视频观看。除此之外,互联网还可以自动向用户推荐视频,方便用户选择。
目前的互联网向用户推荐视频,可以是基于用户点击,向用户推荐用户感兴趣的视频。或者,将热度话题较高的视频,向用户进行推荐。
然而,基于用户点击推荐视频的方式,有可能不能真正反应用户兴趣。例如,开机首页被动曝光的栏目会被用户过量点击,而被点击的视频可能并不是用户真正的兴趣所在。部分用户对热度话题较高的视频可能并不感兴趣。通过现有的方式向用户推荐视频,将会造成用户的观看体验较差。
为了解决上述问题,如图6所示,本申请提供一种媒资推荐系统,该媒体推荐系统包括显示设备200和服务器400,服务器400从多台显示设备200获取数据,具体的获取用户行为日志,显示设备200从服务器接收数据,具体的接收媒资推荐列表,并且在显示器上显示接收的媒资推荐列表。
一些实施例中,下面对基于图6所示媒资推荐系统进行媒资推荐的过程进行阐述:
确定目标用户对应的用户行为日志,以及根据用户行为日志确定目标用户的用户特征向量。本发明实施例中的目标用户是指要向其进行媒资推荐的用户。目标用户对应的用户特征向量是指目标用户对应的用户特征属性的向量形式的表示。
具体地,目标用户的用户特征属性可以表征与目标用户本身相关的各项参数,其可以来源于目标用户在媒资提供平台的注册信息,或者可以来源于基于目标用户在媒资提供平台的各项行为所挖掘出的用户画像数据。举例而言,用户特征属性具体可以是目标用户的年龄、性别、职业、收入、偏好、地域、手机型号、注册时间、平均访问时长、是否会员等。其中,目标用户的注册信息可以随着目标用户对注册信息的修改实时更新,目标用户的用户画像数据也可以对着目标用户在媒资提供平台上行为的增加而实时更新。用户行为日志表征目标用户的真实行为特征,则用户特征属性也表征用户的真实行为特征。
将所述目标用户对应的用户特征向量输入至待推荐视频对应的推荐模型中,得到推荐模型输出的关于待推荐媒资的兴趣偏好分的预测结果,根据对待推荐媒资的兴趣偏好分的预测结果,按照从高到低排序,最终得到推荐媒资列表。例如,按照分数从高到低推荐100个媒资,形成推荐媒资列表。在推荐媒资列表中,可以按照分数从高到低的顺序设置所有的媒资,也可以随机设置所有的媒资的顺序。
具体地,本发明实施例中的待推荐媒资,可以是视频、音乐等不同类型的媒资,相应地目标用户也可以是音乐平台、视频平台等不同类型的媒资提供平台的用户,本发明实施例不作具体地限定。也就是说,本发明实施例记载的媒资推荐方法,适用于本领域技术人员可以做出的合理推断中任何类型的媒资推荐。
本发明实施例中针对于具体地待推荐媒资,使用推荐模型来进行对应的媒资推荐。该推荐模型的输入可以上步骤中确定的目标用户的用户行为日志对应的用户特征向量,推荐模型可以是一个具有推荐功能的多层神经网络模型,根据所输入的用户特征向量,输出的数据包含了关于待推荐媒资的醒悟偏好分的预测结果。具体地,关于待推荐媒资的兴趣偏好分的预测结果,可以理解为模型根据计算结果给用户对待推荐媒资中每一个媒资都打出了相应的分值。
用户在显示设备上观看媒资形成用户行为日志,之后显示设备自动将用户行为日志上传至服务器。显示设备上传用户行为日志的操作可以是周期性的,例如每隔30天上传用户行为日志。本申请实施例中的用户行为日志可以是提取的用户近30天的播放媒资的记录。由于用户行为日志是提取的用户播放媒资的记录,因此用户行为日志表征的是用户真实行为特征。本申请实施例中的媒资可以是视频、图片、音乐等资源,对于媒资的资源类型本申请实施例不作限制。
服务器接收到用户行为日志后,根据这些用户行为日志将所有用户聚类为两个群体。聚类是数据挖掘与统计分析领域的一种无监督的机器学习方法,用来将物理或抽象对象的集合组成为由类似的对象组成的多个类别。
机器学习包括两个阶段,首先需要一批由人工进行了准确分类的材料作为机器学习的训练集,机器从这些训练集中挖掘出一些聚类的规则,这个过程被称为训练。训练完成之后,机器便可使用挖掘出的规则对从来没有见过的材料进行聚类,这个过程被称为使用。
聚类既然是机器学习的一种,自然也遵循上述两个阶段。本申请涉及的聚类为用户聚类。服务器在获取用户的行为日志信息之后,根据这些信息创建用户画像,之后对用户画像进行特征工程,得到当前用户特征。
示例性的,用户画像可以包括用户使用的显示设备机型、系统的版本号、用户所在地区等静态信息,还可以包括基于时间的统计信息:用户在最近30天、14天、7天、3天等时间窗口内观看节目的时间、观看节目的数量、活跃的天数等。用户画像还可以包括当前用户对于观看内容的偏好属性,例如当前用户观看最多的频道、用户观看媒资的标签分类等。将这些用户画像中初始特征进行特征工程,即得到当前用户特征。只有利用得到的当前用户特征,将所有的用户聚类为两个群体。
本申请实施例中,提取用户近30天的播放记录后,在用户播放的媒资中统计,热门媒资占总观影媒资数、观影时长占比等为依据,利用用户特征向量,采用KNN(k-NearestNeighbor,K近邻)算法将用户聚类为三个群体。
KNN算法的核心思想是如果一个样本在特征空间中的K个最相邻的样本中的大多数属于某一个类别,则该样本也属于这个类别,并具有这个类别上样本的特性。该方法在确定分类决策上只依据最邻近的一个或者几个样本的类别来决定待分样本所属的类别。KNN算法在类别决策时,只与极少量的相邻样本有关。由于KNN算法主要靠周围有限的邻近的样本,而不是靠判别类域的方法来确定所属类别的,因此对于类域的交叉或重叠较多的待分样本集来说,KNN算法较其他方法更为适合。利用KNN算法对样本(用户)进行聚类的过程为现有技术,本申请不作具体的阐述。
本申请实施例具体将所有用户聚类为三个用户群体:对默认推荐媒资和热门媒资感兴趣的用户群体(可以定义占比30%),对默认推荐媒资和热门媒资不敏感的用户群体(可以定义占比40%),以及对默认推荐媒资和热门媒资不感兴趣的用户群体(可以定义占比30%)。对默认推荐媒资和热门媒资感兴趣的用户群体可以理解为,属于该群体的用户近30天的播放记录中,热门媒资数占总观影媒资数、时长占比在所有用户中排在前30%。对默认推荐媒资和热门媒资不敏感的用户群体可以理解为,属于该群体的用户近30天的播放记录中,热门媒资数占总观影媒资数、时长占比在所有用户中排在前30%~70%。对默认推荐媒资和热门媒资不感兴趣的用户群体可以理解为,属于该群体的用户近30天的播放记录中,热门媒资数占总观影媒资数、时长占比在所有用户中排在后30%。
由于对默认推荐媒资和热门媒资感兴趣的用户群体,对默认推荐媒资和热门媒资不敏感的用户群体,均不需要进行去曝光处理,因此以下将对默认推荐媒资和热门媒资感兴趣的用户群体,对默认推荐媒资和热门媒资不敏感的用户群体,统一简称为非去曝光偏差群体。而对默认推荐媒资和热门媒资不感兴趣的用户群体,需要进行去曝光处理,因此下文将对默认推荐媒资和热门媒资不感兴趣的用户群体,简称为去曝光偏差群体。
需要说明的是,本申请实施例中的默认推荐媒资为系统自定义的媒资,而热门媒资是经过大量的数据统计得到的,例如,在资源库中被搜索和点击的次数排名在前1000的为热门媒资。相反的,在资源库中被搜索和点击的次数排名在1000之后的为冷门媒资。本申请实施例中的冷门媒资还可以包括非首页的媒资。
将所有用户进行聚类后,得到去曝光偏差群体和非去曝光偏差群体,但是经过聚类方法之后,得到的只是两个群体,两个群体分别属于哪个类别还需要进一步判断。
本申请计算三个群体的热度差值(分别计算对默认推荐媒资和热门媒资感兴趣的用户群体、对默认推荐媒资和热门媒资不感兴趣的用户群体以及对默认推荐媒资和热门媒资不敏感的用户群体的热度差值),将热度差值最大的群体确定为去曝光偏差群体,其他两个群体则确定为非去曝光偏差群体。
在一些实施例中,计算群体的热度差值的具体过程为:
首先计算用户群体的平均热度(GAP),平均热度的计算公式为:
其中,θ(i)为媒资i在整个群体group中播放的频率,luser为群体中某个用户观看媒资列表的媒资个数,Ngroup为群体中用户人数。
示例性的,计算对默认推荐媒资和热门媒资不感兴趣的用户群体的平均热度具体为,将媒资媒资i在对默认推荐媒资和热门媒资不感兴趣的用户群体中出现的频率,除以属于该群体的某个用户的观看的媒资列表中的媒资个数之后进行求和,之后再对所有用户进行上述过程得到的数值进行求和。最后将得到的和除以该群体中用户的个数,即得到该群体的平均热度。
根据所述平均热度计算群体的所述热度差值,所述热度差值的计算公式为:
其中,GAP(group)rs为根据系统推荐的媒资列表的平均热度计算结果,GAP(group)p为根据用户真实观影行为的媒资列表的平均热度计算结果。
最后得到的热度差值能够体现不同群体对媒资的不同兴趣程度。根据上述公式可以得出去曝光偏差群体具有最大的ΔGAP(group),可以直观的说明去曝光偏差群体对默认推荐媒资和热门媒资不感兴趣,也说明终端曝光和热门媒资推荐的不公平性。因此,对于去曝光偏差群体推荐媒资时,需要进行去曝光偏差处理。
如图7所示的对抗模型和推荐模型共同训练的框架示意图,去曝光偏差处理的具体过程为:
首先将所有目标用户的用户行为日志输入训练好的推荐模型,输出推荐媒资列表。之后将所有目标用户的用户行为日志,上述得到的推荐媒资列表的数据以及冷门媒资数据输入训练好的对抗模型,输出对抗媒资列表。其中冷门媒资数据与热门媒资数据是相对的,冷门媒资数据表征的是用户虚拟行为特征,并不表征用户的真实行为特征。最后根据推荐媒资列表的数据和对抗媒资列表的数据,输出去曝光偏差媒资列表。即根据去曝光偏差群体的数据构建对抗模型,并与推荐模型进行对抗学习。两个模型参数共同训练,最终综合得到修正后的对去曝光偏差群体的推荐媒资结果。
关于待推荐媒资的兴趣偏好分的预测结果,可以理解为模型根据计算结果给用户对待推荐媒资中的每一个都打出了相应的分值。最后按照得到的分值从高到低对待推荐的媒资进行排序,将得分靠前的待推荐的媒资置入列表,形成推荐媒资列表。
对抗模型即生成对抗网络,其是由一个生成网络与一个判别网络组成。生成网络从潜在空间中随机采样作为输入,其输出结果需要尽量模仿训练集中的真实样本。判别网络的输入则为真实样本或生成网络的输出,其目的是将生成网络的输出从真实样本中尽可能分辨出来。而生成网络则要尽可能地欺骗判别网络。两个网络相互对抗、不断调整参数,最终目的是使判别网络无法判断生成网络的输出结果是否真实。
本申请实施例中的对抗模型的训练目的是,尽可能的将生成的推荐媒资列表中的媒资和冷门媒资区分开。推荐模型的训练目的是尽可能训练得到与用户真实行为更加相似的结果,从而达到″欺骗″对抗模型的目的。其中对抗模型的损失函数可以抽象为最小最大值优化问题,公式如下:
其中,表示对抗模型,表示推荐模型,X表示推荐模型的输入,即用户行为日志,S表示对抗模型的输入即用户行为日志、推荐模型的数据以及冷门媒资,Y表示推荐模型的输出。最大化表示优化对抗模型的参数最小化表示优化推荐模型的参数θ。损失是通过计算S与X的交叉熵得到的,计算公式如下:
其中,f(X)表示判断真实数据是否真实的概率,所以f(X)越接近1越好。EX,S表示取期望。可以采用批梯度下降法和反向传播方法训练推荐模型和对抗模型,优化参数θ和参数直至损失函数收敛。应用训练好的推荐模型或者对抗模型进行媒资推荐,最终得到的是对媒资的兴趣偏好分值的预测结果。由于模型的输入数据维度可能比较高导致分值相差得较大,因此为了最后的排序,本发明实施例可以对待推荐媒资的分值进行归一化处理之后,得到分值相差较小的分数,再进行排序以及媒资推荐的操作。
需要说明的是为了能够准确评估该模型的性能,可以通过计算精确率、召回率、AUC(area under the curve,ROC((receiver operating characteristic curve,接受者操作特性曲线))曲线下的面积)等指标,并通过线上AB-Test(用于推荐系统的在线测试)的CTR(Click Through Rate,点击转化率)进行效果分析。
需要说明的是,本发明实施例中的模型训练是对全部数据进行多次完整的训练。由于全部数据可能包含的数据条目非常多,例如上百万的用户以及媒资相关数据,因此,本发明实施例中的模型训练的训练方式,是指在训练时需要把全部数据按用户进行分批训练,以提高训练效率,并且在每一批数据训练结束后调整模型参数。例如,全部数据中包含一百万用户的相关数据,训练时将所有数据分批为100批,每一批包含1万左右的用户数据。每一次训练都采用1万左右的用户数据训练模型。
在一些实施例中,为了进一步减少首页推荐媒资和热门媒资对用户(属于去曝光偏差群体的用户)点击行为的影响,在得到对推荐媒资的预测分值排序之后,可以将首页推荐媒资和热门媒资从排序列表中删除,只向用户推荐用户未曾点击过的媒资。
在一些实施例中,根据推荐媒资列表的数据和对抗媒资列表的数据,输出去曝光偏差媒资列表具体方式可以是将两个列表简单相加,也可以是随机采样。
在一些实施例中,服务器在根据上述方法输出去曝光偏差媒资列表之后,如果用户属于去曝光偏差群体,则向相应的显示设备反馈去曝光偏差媒资列表。对默认推荐媒资和热门媒资不感兴趣的用户可以查看到去曝光偏差媒资列表,从而提升用户的使用体验。如果用户属于非去曝光偏差群体,即属于对默认推荐媒资和热门媒资感兴趣的群体或者属于对默认媒资和热门媒资不敏感的群体,则向相应的显示设备反馈推荐媒资列表。
本申请实施例提供一种媒资推荐方法,如图8所示的媒资推荐方法的信令图,所述方法包括以下步骤:
步骤一、显示设备记录用户行为日志,并向服务器上传用户行为日志。
用户的行为日志包括两种情况:被动曝光媒资(系统推荐媒资)和热门媒资在显示设备开机之后呈现给用户,对被动曝光媒资和热门媒资感兴趣或者不敏感的用户,会直接观看被动曝光媒资和热门媒资。显示设备记录下该种用户浏览、点击行为形成第一种用户行为日志。
被动曝光媒资和热门媒资在显示设备开机之后呈现给用户,对被动曝光媒资和热门媒资不感兴趣的用户,会搜索或点击观看非系统推荐媒资和冷门媒资。显示设备记录下该种用户浏览、点击行为形成第二用户用户行为日志。
步骤二、根据用户行为日志将用户聚类为至少两个群体。
如果按照通常的媒资推荐方法,将第一种用户行为日志和第二种行为日志同时输入推荐模型,输出推荐媒资列表。这样输出的推荐媒资列表对于对被动曝光媒资和热门媒资不感兴趣的用户来说,会存在曝光偏差,即不能真实反映该类用户的兴趣。
因此,本申请的媒资推荐方法中,服务器在获取所有用户的用户行为日志后,根据用户行为日志将所有用户聚类为至少两个群体。可以是聚类为去曝光偏差群体和非去曝光偏差群体,其中非去曝光偏差群体又包括,对被动曝光媒资和热门媒资感兴趣的群体,以及对被动曝光媒资和热门媒资的群体。
步骤三、服务器根据用户行为日志计算三个群体的热度差值。计算方法在上文已经阐述,方法实施例不再赘述。将热度差值最大的群体确定为去曝光偏差群体。其他两个群体可以统称为非去曝光偏差群体。
步骤四、服务器将两个群体的用户行为日志输入训练好的推荐模型,输出推荐媒资列表。
步骤五、服务器利用去曝光偏差群体的用户行为日志构建对抗模型,将两个群体的用户行为日志、推荐媒资列表的数据以及冷门媒资数据(包括非系统推荐和冷门媒资)输入对抗模型,输出对抗媒资列表。
步骤六、服务器根据推荐媒资列表的数据和对抗媒资列表的数据,输出去曝光偏差媒资列表。
步骤七、如果显示设备对应的用户属于去曝光偏差群体,则服务器向显示设备反馈去曝光偏差媒资列表。如果显示设备对应的用户属于非去曝光偏差群体,则服务器向显示设备反馈推荐媒资列表。用户再次开机时,显示设备则可以根据对应用户属于的相应分类,向用户呈现不同的媒资列表。
本申请实施例的媒资推荐方法,在通过模型输出媒资列表过程中,增加对抗模型,与推荐模型博弈,共同训练处去曝光偏差媒资列表。得到的结果不受首页被动曝光视频和热门视频对用户点击行为的影响。能够更加精确的体现用户兴趣,从而达到提升用户观看体验的效果。
本申请各个实施例之间相同或相似的内容可相互参照,相关实施例不再赘述。
最后应说明的是:以上各实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述各实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的范围。
为了方便解释,已经结合具体的实施方式进行了上述说明。但是,上述示例性的讨论不是意图穷尽或者将实施方式限定到上述公开的具体形式。根据上述的教导,可以得到多种修改和变形。上述实施方式的选择和描述是为了更好的解释原理以及实际的应用,从而使得本领域技术人员更好的使用所述实施方式以及适于具体使用考虑的各种不同的变形的实施方式。
Claims (10)
1.一种服务器,其特征在于,所述服务器被配置为:
从显示设备获取目标用户的用户行为日志,以及将所述目标用户的所述用户行为日志输入推荐模型,输出推荐媒资列表,其中,所述用户行为日志表征所述目标用户的真实行为特征;
利用所述用户行为日志将所述目标用户聚类为两个目标群体;
分别计算两个所述目标群体的热度差值,以及将热度差值最大的所述目标群体确定为去曝光偏差群体,将热度差值最小的所述目标群体确定为非去曝光偏差群体,其中,所述去曝光偏差群体为对热门媒资不感兴趣的用户群体;
利用所述去曝光偏差群体的所述用户行为日志构建对抗模型,以及将所述目标用户的所述用户行为日志、所述推荐媒资列表的数据以及冷门媒资数据,输入所述对抗模型,输出对抗媒资列表,其中,所述冷门媒资数据表征所述目标用户的虚拟行为特征;
根据所述推荐媒资列表的数据和所述对抗媒资列表的数据,输出去曝光偏差媒资列表。
2.根据权利要求1所述的服务器,其特征在于,所述服务器还被配置为:
在用户属于去曝光偏差群体时,向所述显示设备反馈所述去曝光偏差媒资列表;
在用户属于非去曝光偏差群体时,向所述显示设备反馈所述推荐媒资列表。
3.根据权利要求1所述的服务器,其特征在于,利用所述用户行为日志将用户聚类为两个目标群体,具体为:
根据所述用户行为日志生成用户特征向量;
根据所述用户特征向量利用KNN算法将用户聚类为两个目标群体。
5.根据权利要求1所述的服务器,其特征在于,根据所述推荐媒资列表的数据和所述对抗媒资列表的数据,输出去曝光偏差媒资列表,具体为:对所述推荐媒资列表中的数据和所述对抗媒资列表中的数据进行随机采样之后,输出所述去曝光偏差媒资列表。
6.一种显示设备,其特征在于,包括:
显示器,用于显示用户界面;
控制器,用于执行:
在用户属于去曝光偏差群体时,从服务器接收去曝光偏差媒资列表,以及在所述显示器上显示所述去曝光偏差媒资列表;
其中,所述去曝光偏差媒资列表是根据推荐媒资列表的数据和对抗媒资列表的数据输出的列表,所述推荐媒资列表是将目标用户的用户行为日志输入推荐模型之后输出的列表,所述用户行为日志表征所述目标用户的真实行为特征,所述对抗媒资列表是将所述目标用户的所述用户行为日志、所述推荐媒资列表的数据以及冷门媒资数据输入所述对抗模型之后输出的列表,所述冷门媒资数据表征用户虚拟行为特征,所述去曝光偏差群体是计算两个目标群体的热度差值之后热度差值最大的目标群体,所述去曝光偏差群体为对热门媒资不感兴趣的用户群体,两个所述目标群体是利用所述用户行为日志聚类得到的群体;
在用户属于非去曝光偏差群体时,从所述服务器接收所述推荐媒资列表,以及在所述显示器上显示所述推荐媒资列表。
7.根据权利要求6所述的显示设备,其特征在于,利用所述用户行为日志将用户聚类为两个目标群体,具体为:
根据所述用户行为日志生成用户特征向量;
根据所述用户特征向量利用KNN算法将用户聚类为两个目标群体。
9.一种媒资推荐方法,其特征在于,所述方法应用于服务器,所述方法包括:
从显示设备获取目标用户的用户行为日志,以及将所述目标用户的所述用户行为日志输入推荐模型,输出推荐媒资列表,其中,所述用户行为日志表征所述目标用户的真实行为特征;
利用所述用户行为日志将所述目标用户聚类为两个目标群体;
分别计算两个所述目标群体的热度差值,以及将热度差值最大的所述目标群体确定为去曝光偏差群体,将热度差值最小的所述目标群体确定为非去曝光偏差群体,其中,所述去曝光偏差群体为对热门媒资不感兴趣的用户群体;
利用所述去曝光偏差群体的所述用户行为日志构建对抗模型,以及将所述目标用户的所述用户行为日志、所述推荐媒资列表的数据以及冷门媒资数据,输入所述对抗模型,输出对抗媒资列表,其中,所述冷门媒资数据表征所述目标用户的虚拟行为特征;
根据所述推荐媒资列表的数据和所述对抗媒资列表的数据,输出去曝光偏差媒资列表。
10.一种媒资推荐方法,其特征在于,所述方法应用于显示设备的控制器,所述显示设备还包括显示器,所述方法包括:
在用户属于去曝光偏差群体时,从服务器接收去曝光偏差媒资列表,以及在所述显示器上显示所述去曝光偏差媒资列表;
其中,所述去曝光偏差媒资列表是根据推荐媒资列表的数据和对抗媒资列表的数据输出的列表,所述推荐媒资列表是将目标用户的用户行为日志输入推荐模型之后输出的列表,所述用户行为日志表征所述目标用户的真实行为特征,所述对抗媒资列表是将所述目标用户的所述用户行为日志、所述推荐媒资列表的数据以及冷门媒资数据输入所述对抗模型之后输出的列表,所述冷门媒资数据表征用户虚拟行为特征,所述去曝光偏差群体是计算两个目标群体的热度差值之后热度差值最大的目标群体,所述去曝光偏差群体为对热门媒资不感兴趣的用户群体,两个所述目标群体是利用所述用户行为日志聚类得到的群体;
在用户属于非去曝光偏差群体时,从所述服务器接收所述推荐媒资列表,以及在所述显示器上显示所述推荐媒资列表。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210089220.0A CN114302242B (zh) | 2022-01-25 | 2022-01-25 | 一种媒资推荐方法、显示设备及服务器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210089220.0A CN114302242B (zh) | 2022-01-25 | 2022-01-25 | 一种媒资推荐方法、显示设备及服务器 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114302242A true CN114302242A (zh) | 2022-04-08 |
CN114302242B CN114302242B (zh) | 2023-10-31 |
Family
ID=80977185
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210089220.0A Active CN114302242B (zh) | 2022-01-25 | 2022-01-25 | 一种媒资推荐方法、显示设备及服务器 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114302242B (zh) |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150012822A1 (en) * | 2012-01-08 | 2015-01-08 | Thomson Licensing | Method and apparatus for providing media asset recommendations |
KR20150093425A (ko) * | 2014-02-07 | 2015-08-18 | 삼성전자주식회사 | 콘텐츠 추천 방법 및 장치 |
US20150347416A1 (en) * | 2014-05-28 | 2015-12-03 | Xiaomi Inc. | Method and apparatus for recommending multimedia resource |
CN105843953A (zh) * | 2016-04-12 | 2016-08-10 | 乐视控股(北京)有限公司 | 多媒体推荐方法及装置 |
CN109559208A (zh) * | 2019-01-04 | 2019-04-02 | 平安科技(深圳)有限公司 | 一种信息推荐方法、服务器及计算机可读介质 |
CN110418200A (zh) * | 2018-04-27 | 2019-11-05 | Tcl集团股份有限公司 | 一种视频推荐方法、装置及终端设备 |
CN110475155A (zh) * | 2019-08-19 | 2019-11-19 | 北京字节跳动网络技术有限公司 | 直播视频热度状态识别方法、装置、设备及可读介质 |
US20190356937A1 (en) * | 2018-05-21 | 2019-11-21 | Hulu, LLC | Reinforcement Learning Network For Recommendation System In Video Delivery System |
CN110929052A (zh) * | 2019-12-03 | 2020-03-27 | 北京奇艺世纪科技有限公司 | 多媒体资源推荐方法、装置、电子设备及存储介质 |
CN112804566A (zh) * | 2019-11-14 | 2021-05-14 | 中兴通讯股份有限公司 | 节目推荐方法、设备及计算机可读存储介质 |
CN113377472A (zh) * | 2020-10-19 | 2021-09-10 | 聚好看科技股份有限公司 | 一种账号登录方法及三维显示设备、服务器 |
CN113590849A (zh) * | 2021-01-27 | 2021-11-02 | 腾讯科技(深圳)有限公司 | 多媒体资源分类模型训练方法和多媒体资源推荐方法 |
CN113626709A (zh) * | 2021-08-11 | 2021-11-09 | 聚好看科技股份有限公司 | 一种基于热度的内容推荐方法及服务器 |
CN113688310A (zh) * | 2021-07-23 | 2021-11-23 | 北京中科闻歌科技股份有限公司 | 一种内容推荐方法、装置、设备及存储介质 |
WO2022007520A1 (zh) * | 2020-07-09 | 2022-01-13 | 百果园技术(新加坡)有限公司 | 推荐项目确定方法、装置、设备及存储介质 |
WO2022012271A1 (zh) * | 2020-07-16 | 2022-01-20 | 聚好看科技股份有限公司 | 显示设备和服务器 |
-
2022
- 2022-01-25 CN CN202210089220.0A patent/CN114302242B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150012822A1 (en) * | 2012-01-08 | 2015-01-08 | Thomson Licensing | Method and apparatus for providing media asset recommendations |
KR20150093425A (ko) * | 2014-02-07 | 2015-08-18 | 삼성전자주식회사 | 콘텐츠 추천 방법 및 장치 |
US20150347416A1 (en) * | 2014-05-28 | 2015-12-03 | Xiaomi Inc. | Method and apparatus for recommending multimedia resource |
CN105843953A (zh) * | 2016-04-12 | 2016-08-10 | 乐视控股(北京)有限公司 | 多媒体推荐方法及装置 |
CN110418200A (zh) * | 2018-04-27 | 2019-11-05 | Tcl集团股份有限公司 | 一种视频推荐方法、装置及终端设备 |
US20190356937A1 (en) * | 2018-05-21 | 2019-11-21 | Hulu, LLC | Reinforcement Learning Network For Recommendation System In Video Delivery System |
CN109559208A (zh) * | 2019-01-04 | 2019-04-02 | 平安科技(深圳)有限公司 | 一种信息推荐方法、服务器及计算机可读介质 |
CN110475155A (zh) * | 2019-08-19 | 2019-11-19 | 北京字节跳动网络技术有限公司 | 直播视频热度状态识别方法、装置、设备及可读介质 |
CN112804566A (zh) * | 2019-11-14 | 2021-05-14 | 中兴通讯股份有限公司 | 节目推荐方法、设备及计算机可读存储介质 |
CN110929052A (zh) * | 2019-12-03 | 2020-03-27 | 北京奇艺世纪科技有限公司 | 多媒体资源推荐方法、装置、电子设备及存储介质 |
WO2022007520A1 (zh) * | 2020-07-09 | 2022-01-13 | 百果园技术(新加坡)有限公司 | 推荐项目确定方法、装置、设备及存储介质 |
WO2022012271A1 (zh) * | 2020-07-16 | 2022-01-20 | 聚好看科技股份有限公司 | 显示设备和服务器 |
CN113377472A (zh) * | 2020-10-19 | 2021-09-10 | 聚好看科技股份有限公司 | 一种账号登录方法及三维显示设备、服务器 |
CN113590849A (zh) * | 2021-01-27 | 2021-11-02 | 腾讯科技(深圳)有限公司 | 多媒体资源分类模型训练方法和多媒体资源推荐方法 |
CN113688310A (zh) * | 2021-07-23 | 2021-11-23 | 北京中科闻歌科技股份有限公司 | 一种内容推荐方法、装置、设备及存储介质 |
CN113626709A (zh) * | 2021-08-11 | 2021-11-09 | 聚好看科技股份有限公司 | 一种基于热度的内容推荐方法及服务器 |
Non-Patent Citations (2)
Title |
---|
潘宁宁;: "融媒体资源多维可视化搜索推荐系统的设计与实现", 广播与电视技术, no. 11 * |
黄山山: "协同过滤推荐算法的关键性问题研究", 《CNKI优秀硕士学位论文全文库》 * |
Also Published As
Publication number | Publication date |
---|---|
CN114302242B (zh) | 2023-10-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10671267B2 (en) | Systems and methods for presentation of content items relating to a topic | |
US20180077250A1 (en) | Method and System for Processing Data Used By Creative Users to Create Media Content | |
CN113392237A (zh) | 一种分类标签展示方法、服务器及显示设备 | |
CN112000820A (zh) | 一种媒资推荐方法及显示设备 | |
US20170155939A1 (en) | Method and System for Processing Data Used By Creative Users to Create Media Content | |
EP3469495A1 (en) | Methods, systems, and media for presenting a user interface customized for a predicted user activity | |
US11895375B2 (en) | Display device and operation method thereof | |
US20130304732A1 (en) | Information processing apparatus, information processing method, and program | |
CN113139856B (zh) | 影视会员套餐推荐方法及设备 | |
EP3414680A1 (en) | Text digest generation for searching multiple video streams | |
CN112804567B (zh) | 一种显示设备、服务器及视频推荐的方法 | |
WO2022012271A1 (zh) | 显示设备和服务器 | |
CN112002321B (zh) | 显示设备、服务器及语音交互方法 | |
CN112182196A (zh) | 应用于多轮对话的服务设备及多轮对话方法 | |
CN111309428A (zh) | 信息显示方法、信息显示装置、电子设备及存储介质 | |
CN114302242B (zh) | 一种媒资推荐方法、显示设备及服务器 | |
WO2022083554A1 (zh) | 用户界面的布局、交互方法及三维显示设备 | |
CN113722542A (zh) | 视频推荐方法及显示设备 | |
CN115695844A (zh) | 一种显示设备、服务器及媒资内容推荐方法 | |
CN113490057A (zh) | 显示设备和媒资推荐方法 | |
CN110659419B (zh) | 确定目标用户的方法及相关装置 | |
CN111950288A (zh) | 一种命名实体识别中的实体标注方法及智能设备 | |
CN110851727A (zh) | 搜索结果的排序方法及服务器 | |
CN114501151B (zh) | 一种显示设备及媒资推荐方法 | |
CN112866760B (zh) | 一种内容显示方法、显示设备及服务器 |
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 |