CN116489446B - 网络电视界面处理方法、装置和智能电视终端 - Google Patents
网络电视界面处理方法、装置和智能电视终端 Download PDFInfo
- Publication number
- CN116489446B CN116489446B CN202310739637.1A CN202310739637A CN116489446B CN 116489446 B CN116489446 B CN 116489446B CN 202310739637 A CN202310739637 A CN 202310739637A CN 116489446 B CN116489446 B CN 116489446B
- Authority
- CN
- China
- Prior art keywords
- interface
- feature data
- intelligent television
- television terminal
- trusted device
- 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.)
- Active
Links
- 238000003672 processing method Methods 0.000 title abstract description 10
- 238000000034 method Methods 0.000 claims abstract description 27
- 238000012549 training Methods 0.000 claims abstract description 22
- 230000004927 fusion Effects 0.000 claims description 30
- 238000004590 computer program Methods 0.000 claims description 20
- 238000001514 detection method Methods 0.000 claims description 19
- 238000004891 communication Methods 0.000 claims description 17
- 238000012216 screening Methods 0.000 claims description 13
- 230000033001 locomotion Effects 0.000 claims description 8
- 238000012544 monitoring process Methods 0.000 claims description 4
- 230000004672 jump response Effects 0.000 abstract description 4
- 230000000875 corresponding effect Effects 0.000 description 14
- 230000003993 interaction Effects 0.000 description 13
- 238000012545 processing Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 10
- 230000002452 interceptive effect Effects 0.000 description 9
- 230000036316 preload Effects 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 210000001503 joint Anatomy 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
- H04N21/43—Processing of content or additional data, e.g. demultiplexing additional data from a digital video stream; Elementary client operations, e.g. monitoring of home network or synchronising decoder's clock; Client middleware
- H04N21/431—Generation of visual interfaces for content selection or interaction; Content or additional data rendering
-
- 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
- H04N21/4516—Management of client data or end-user data involving client characteristics, e.g. Set-Top-Box type, software version or amount of memory available
-
- 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
- H04N21/458—Scheduling content for creating a personalised stream, e.g. by combining a locally stored advertisement with an incoming stream; Updating operations, e.g. for OS modules ; time-related management operations
- H04N21/4586—Content update operation triggered locally, e.g. by comparing the version of software modules in a DVB carousel to the version stored locally
-
- 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
- H04N21/4662—Learning process for intelligent management, e.g. learning user preferences for recommending movies characterized by learning algorithms
-
- 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
- H04N21/478—Supplemental services, e.g. displaying phone caller identification, shopping application
- H04N21/4782—Web browsing, e.g. WebTV
-
- 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
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Databases & Information Systems (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及一种网络电视界面处理方法、装置和智能电视终端。该方法包括：收集位于同一局域网内各可信设备存储的对象特征数据；将智能电视终端中存储的对象特征数据与可信设备中的对象特征数据匹配并融合，得到多条对象总特征数据；基于多条对象总特征数据训练智能电视终端中的界面跳转预测模型，上传得到模型学习梯度，以指示服务器基于各个智能电视终端上传的模型学习梯度更新界面跳转预测模型的模型参数；基于服务器返回的模型参数更新智能电视终端中的界面跳转预测模型；在智能电视终端中运行网络电视的界面时，通过更新后的界面跳转预测模型预测并预先加载后续将要浏览的网络电视界面。采用本方法能够提高网络电视界面的跳转响应速度。
Description
技术领域
本申请涉及网络电视技术领域，特别是涉及一种网络电视界面处理方法、装置和智能电视终端。
背景技术
随着科学技术的飞速发展，各种智能设备出现在人们的生活中。其中，智能电视终端对丰富人们的生活起到非常重要的作用。
智能电视终端可以显示网络电视界面供用户观看，而且，用户还可以与智能电视终端所呈现的网络电视界面进行交互操作。在对网络电视界面进行交互操作时，对界面跳转速度有较高的需求。因此，亟需提出一种能够满足网络电视界面的交互需求的方案。
发明内容
基于此，有必要针对上述技术问题，提供一种能够满足网络电视界面的交互需求的网络电视界面处理方法、装置、智能电视终端、计算机可读存储介质和计算机程序产品。
第一方面，本申请提供了一种网络电视界面处理方法，由智能电视终端执行，该方法包括：
从与所述智能电视终端位于同一局域网内的设备中确定可信设备；
收集各所述可信设备各自存储的对象特征数据；
将所述智能电视终端中存储的对象特征数据与所述可信设备中存储的对象特征数据匹配，并将匹配到同一对象的对象特征数据融合，得到多条对象总特征数据；
基于所述多条对象总特征数据训练所述智能电视终端中的界面跳转预测模型，得到模型学习梯度，并将所述模型学习梯度上传至服务器，以指示所述服务器基于各个智能电视终端上传的模型学习梯度更新所述界面跳转预测模型的模型参数；智能电视终端中的所述界面跳转预测模型是从服务器中下载安装的；
基于所述服务器返回的模型参数更新所述智能电视终端中的所述界面跳转预测模型；
在所述智能电视终端中运行网络电视的界面时，通过更新后的界面跳转预测模型预测并预先加载后续将要浏览的网络电视界面。
在其中一个实施例中，所述从与所述智能电视终端位于同一局域网内的设备中确定可信设备，包括：
监测所述局域网内的流量数据；
对所述局域网内各个设备的进行安全性检测，得到各个设备的安全性检测结果；
针对所述局域网内的每个设备，提取所述设备对应的协议报文中的目标摘要字段，以分析所述设备的通信特征信息；
根据所述流量数据、各个设备的安全性检测结果或各个设备的通信特征信息中的至少一种，从所述局域网内的设备中识别可信设备。
在其中一个实施例中，所述将所述智能电视终端中存储的对象特征数据与所述可信设备中存储的对象特征数据匹配，包括：
识别每个可信设备的类型；
针对每个可信设备，确定与所述可信设备的类型匹配的目标数据维度，从所述可信设备存储的对象特征数据中筛选目标数据维度下的对象特征数据；
将所述智能电视终端中存储的对象特征数据与针对各个可信设备筛选出的对象特征数据进行匹配。
在其中一个实施例中，所述将匹配到同一对象的对象特征数据融合，得到多条对象总特征数据，包括：
根据每个可信设备的类型，确定每个可信设备和所述智能电视终端各自的融合权重；
按照每个可信设备和所述智能电视终端各自的融合权重，将匹配到同一对象的所述智能电视终端的对象特征数据、以及针对各可信设备筛选出的对象特征数据进行加权融合，得到多条对象总特征数据。
在其中一个实施例中，所述从所述可信设备存储的对象特征数据中筛选目标数据维度下的对象特征数据，包括：
在所述可信设备为手机终端的情况下，从所述手机终端存储的对象特征数据中筛选第一数据维度下的不同应用程序的使用时长数据；
在所述可信设备为智能穿戴设备的情况下，从所述智能穿戴设备存储的对象特征数据中筛选第二数据维度下的位置信息和运动信息。
在其中一个实施例中，每条对象总特征数据具有对应标记的待跳转的网络电视界面；所述基于所述多条对象总特征数据训练所述智能电视终端中的界面跳转预测模型，得到模型学习梯度，包括：
分别将每条对象总特征数据输入至所述智能电视终端中的界面跳转预测模型，得到预测的待跳转的网络电视界面；
将预测的网络电视界面与对应标记的网络电视界面进行比较，得到损失值；
根据所述损失值计算所述界面跳转预测模型的模型学习梯度。
在其中一个实施例中，所述在所述智能电视终端中运行网络电视的界面时，通过更新后的界面跳转预测模型预测并预先加载后续将要浏览的网络电视界面，包括：
在所述智能电视终端中运行网络电视的界面时，获取所述网络电视中当前显示的当前界面数据和当前接收到的当前操作数据；
将所述当前界面数据和所述前操作数据输入至更新后的界面跳转预测模型，得到所述更新后的界面跳转预测模型输出预测的后续将要浏览的网络电视界面，预先加载所预测的网络电视界面。
第二方面，本申请还提供了一种网络电视界面处理装置，该装置包括：
收集模块，用于从与所述智能电视终端位于同一局域网内的设备中确定可信设备；收集各所述可信设备各自存储的对象特征数据；
融合模块，用于将所述智能电视终端中存储的对象特征数据与所述可信设备中存储的对象特征数据匹配，并将匹配到同一对象的对象特征数据融合，得到多条对象总特征数据；
训练模块，用于基于所述多条对象总特征数据训练所述智能电视终端中的界面跳转预测模型，得到模型学习梯度，并将所述模型学习梯度上传至服务器，以指示所述服务器基于各个智能电视终端上传的模型学习梯度更新所述界面跳转预测模型的模型参数；智能电视终端中的所述界面跳转预测模型是从服务器中下载安装的；
更新模块，用于基于所述服务器返回的模型参数更新所述智能电视终端中的所述界面跳转预测模型；
预加载模块，用于在所述智能电视终端中运行网络电视的界面时，通过更新后的界面跳转预测模型预测并预先加载后续将要浏览的网络电视界面。
第三方面，本申请还提供了一种智能电视终端。所述智能电视终端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本申请各实施例中所述的步骤。
第四方面，本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现本申请各实施例中所述的步骤。
第五方面，本申请还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现本申请各实施例中所述的步骤。
上述网络电视界面处理方法、装置、智能电视终端、存储介质和计算机程序产品，收集同一局域网内各可信设备存储的对象特征数据，来与智能电视终端中的对象特征数据进行匹配融合，基于融合后得到的多条对象总特征数据训练智能电视终端中的界面跳转预测模型，能够充分挖掘并利用有价值的数据来训练界面跳转预测模型，并通过上传训练得到的模型学习梯度至服务器，并接收服务器返回的模型参数来更新本地模型，从丰富数据来源以及安全性角度提高了训练的模型的准确性，进而使用更新后的界面跳转预测模型预测并预先加载后续将要浏览的网络电视界面，能够准确预测并预加载后续的网络电视界面，避免了交互才响应造成跳转不及时的问题，提高了网络电视界面的跳转响应速度，满足了交互需求。
附图说明
图1为一个实施例中网络电视界面处理方法的流程示意图；
图2为一个实施例中的多端特征数据融合示意图；
图3为一个实施例中的模型更新示意图；
图4为一个实施例中网络电视界面的显示方法的原理示意图；
图5为一个实施例中网络电视界面处理装置的结构框图；
图6为一个实施例中智能电视终端的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
在一个实施例中，如图1所示，提供了一种网络电视界面处理方法，以该方法应用于智能电视终端为例进行说明，该方法可以由智能电视终端自身实现，也可以通过智能电视终端和服务器之间的交互来实现，具体包括以下步骤：
步骤102，从与智能电视终端位于同一局域网内的设备中确定可信设备。
需要说明的是，接入同一局域网的设备除了智能电视终端以外，还有手机、平板、智能穿戴设备等其他设备。局域网内的每个设备都可以被对象使用，所以，每个设备中都会存储一些对象特征数据，但是同一局域网中并不一定每个设备都是可信的，因为可能存在被恶意攻击或被感染的设备。所以，可信设备是指同一局域网中能够被信任的设备。可以理解，可信设备中存储的数据被篡改的可能性相对较小，所以数据更加值得信任，更有利于后续的分析处理。因此，智能电视终端可以先从同一局域网内的多个设备中判断识别出可信设备。
在一些实施例中，智能电视终端可以通过局域网内的流量监测结果、安全性检测结果或局域网中设备的通信特征信息中的至少一种来从同一局域网内的设备中识别出可信设备。
步骤104，收集各可信设备各自存储的对象特征数据。
其中，对象特征数据是能够体现对象的特征的数据。对象是使用设备的对象。每个可信设备中存储的对象特征数据，则是使用该可信设备的对象的特征数据。
具体地，智能电视终端可以与同一局域网中的各个可信设备分别进行通信，以收集各可信设备各自存储的对象特征数据。
在一些实施例中，对象特征数据包括对象的操作数据。对象的操作数据可以包括对象针对网站或应用程序的基础交互操作数据、互动反馈操作数据或深度交互操作数据中的至少一种。
其中，基础交互操作数据是指对象在使用网站或者应用程序时，需要进行的基础交互操作，即通过基础交互操作才能实现对网站或者应用程序的使用。比如，浏览、点击等操作。互动反馈操作数据是指对网站或应用程序中呈现的内容进行互动反馈，而并非简单的浏览。比如，分享、评论、点赞等都属于互动反馈操作。深度交互操作数据是指对网站或应用程序中比较重视的内容进行了深度交互，一定程度上能够体现这部分内容的重要性。比如，购买、收藏等都属于深度交互操作。
步骤106，将智能电视终端中存储的对象特征数据与可信设备中存储的对象特征数据匹配，并将匹配到同一对象的对象特征数据融合，得到多条对象总特征数据。
可以理解，每个可信设备很有可能不会只被一个对象登录使用，同一局域网中的设备也很有可能不会只被同一对象登录使用，所以，在收集到各个可信设备各自存储的对象特征数据之后，智能电视终端可以将自己存储的对象特征数据，与从可信设备中收集的对象特征数据进行匹配，使得将同一对象的对象特征数据匹配到一起。即，不同设备中存储的同一对象的对象特征数据是相互匹配的。智能电视终端可以将匹配到同一对象的对象特征数据融合，得到多条对象总特征数据。
在一些实施例中，智能电视终端可以基于语音识别或人脸识别的匹配算法，或者基于用户ID、手机号、邮箱等唯一标识的匹配算法，将同一对象在不同设备上产生的对象特征数据进行关联匹配。
一条对象总特征数据对应一个对象，比如，智能电视终端和其他2个可信设备中存储的对象特征数据所属对象包括对象A和对象B，那么，经过对象特征数据匹配以及融合后，对象A则对应一条对象总特征数据，对象B也对应一条对象总特征数据。也就是说，将一个对象所使用过的多个设备中的对象特征数据进行融合，得到该对象对应的一条对象总特征数据。
在一些实施例中，智能电视终端可以对不同设备的对象特征数据进行转换，即将它们转换为相同或兼容的格式和维度，以便于后续的融合操作。然后，智能电视终端可以对转换后的对象特征数据进行查重、去重。进而，可以使用基于拼接、相加、相乘、注意力机制等方法的融合算法，将查重去重后的不同设备的用户特征数据整合为一个完整的用户特征向量。该完整的用户特征向量即为对象总特征数据。
步骤108，基于多条对象总特征数据训练智能电视终端中的界面跳转预测模型，得到模型学习梯度，并将模型学习梯度上传至服务器，以指示服务器基于各个智能电视终端上传的模型学习梯度更新界面跳转预测模型的模型参数。
其中，界面跳转预测模型用于在观看网络电视时，预测后续将要跳转到的网络电视界面，相当于实现界面跳转逻辑的预测。
智能电视终端中安装有从服务器中下载的界面跳转预测模型。安装在智能电视终端本地的界面跳转预测模型还需要训练，而并非已经训练完毕的最终模型。所以智能电视终端可以将于多条对象总特征数据作为训练数据，输入至于界面跳转预测模型中，以训练智能电视终端本地的界面跳转预测模型，得到模型学习梯度。智能电视终端可以将学习到的模型学习梯度上传至服务器。
可以理解，由于服务器处于后台，是对接多个智能电视终端的，各个智能电视终端都可以将自身训练得到的模型学习梯度上传至服务器。这样一来，服务器则可以基于各个智能电视终端上传的模型学习梯度更新界面跳转预测模型的模型参数，进而，服务器则可以将对界面跳转预测模型更新的模型参数返回给智能电视终端。需要说明的是，通过将模型学习梯度上传至服务器，并接收更新后的模型参数来更新本地模型，大大提高了安全性。
在一些实施例中，智能电视终端可以将学习到的模型学习梯度通过差分隐私的方法进行加密，将加密后的模型学习梯度上传至服务器，以使服务器在不了解任何用户信息的情况下，聚合各个智能电视终端上传的模型学习梯度。
在一些实施例中，每条对象总特征数据具有对应标记的待跳转的网络电视界面；基于多条对象总特征数据训练智能电视终端中的界面跳转预测模型，得到模型学习梯度，包括：分别将每条对象总特征数据输入至智能电视终端中的界面跳转预测模型，得到预测的待跳转的网络电视界面；将预测的网络电视界面与对应标记的网络电视界面进行比较，得到损失值；根据损失值计算界面跳转预测模型的模型学习梯度。
需要说明的是，由于要预测后续待跳转的网络电视界面，所以，训练数据不仅仅包括每条对象总特征数据，还包括样本当前界面数据，从而依据对象总特征数据来预测在样本当前界面的基础上，后续将要跳转至哪个网络电视界面。
为便于理解，现结合图2进行举例说明。图2为一个实施例中的多端特征数据融合示意图。参见图2，智能电视终端会与同一局域网中手机A、平板电脑A等各个可信设备通信，以收集各个可信设备中存储的对象特征数据。然后，智能电视终端可以将自身存储的对象A与对象B的对象特征数据与各个可信设备中存储的对象特征数据进行匹配，从而确定出各个可信设备中与该智能电视终端自身存储的对象A的对象特征数据相匹配的对象特征数据，即，该对象A在手机、智能手表、平板电脑等可信设备上的对象特征数据。以及，确定出各个可信设备中与该智能电视终端自身存储的对象B的对象特征数据相匹配的对象特征数据，即，该对象B在手机、智能手表、平板电脑等可信设备上的对象特征数据。进而，可以将对象A在在手机、智能手表、平板电脑等可信设备上的对象特征数据与其在智能电视终端中存储的对象特征数据进行融合，得到对象A对应的对象总特征数据，同理也可以得到对象B对应的对象总特征数据。每条对象总特征数据具有对应标记的待跳转的网络电视界面，即图2中的标签。
步骤110，基于服务器返回的模型参数更新智能电视终端中的界面跳转预测模型。
具体地，智能电视终端可以使用服务器返回的模型参数来更新本地中的界面跳转预测模型。
需要说明的是，智能电视终端可以不断地执行步骤102至110，即，并不是收集一次对象特征数据来训练本地界面跳转预测模型就可以了，而是可以不断地通过执行步骤102至110，以迭代地更新智能电视终端本地的界面跳转预测模型，从而不断地提高界面跳转预测模型的预测准确性。
步骤112，在智能电视终端中运行网络电视的界面时，通过更新后的界面跳转预测模型预测并预先加载后续将要浏览的网络电视界面。
具体地，智能电视终端会被对象用来观看网络电视，那么，智能电视终端会运行网络电视的界面。在该对象观看网络电视的某个界面时（即智能电视终端运行显示网络电视的某个界面时），智能电视终端本地中当前的界面跳转预测模型（即当前最新的、更新后的界面跳转预测模型）则可以预测该对象后续可能会要浏览的网络电视界面（即后续将要浏览的网络电视界面），并对预测的可能会要浏览的网络电视界面进行预先加载。
为便于理解，现结合图3进行举例说明。图3为一个实施例中的模型更新示意图。参见图3，基线模型即为服务器中存储的、供智能电视终端下载使用的界面跳转预测模型。端侧模型即为下载到智能电视终端本地的界面跳转预测模型。用户A使用的智能电视终端将界面跳转预测模型下载至本地后，该界面跳转预测模型即为用户A使用的智能电视终端的端侧模型。智能电视终端将从可信设备中收集的对象特征数据匹配、融合，并使用融合后的对象总特征数据来训练该端侧模型，每条对象总特征数据具有对应的标签——即标记的待跳转的网络电视界面。智能电视终端可以分别将每条对象总特征数据输入至智能电视终端中的界面跳转预测模型，得到预测的待跳转的网络电视界面——即图3中示意的预测输出。进而，可以将预测的网络电视界面与对应标签进行比较，得到损失值；根据损失值计算界面跳转预测模型的模型学习梯度——即图3中示意的梯度。智能电视终端可以使用差分隐私算法进行加密，将加密梯度上传至服务器。服务器还可以获取其他对象使用的智能电视终端按照同样的方法，生成并上报的加密梯度。进而，服务器可以使用这些加密梯度通过梯度下降来更新模型参数，并将更新后的参数下发回智能电视终端。可以理解，在对象A观看网络电视的某个界面时，智能电视终端本地中当前的端侧模型则可以预测该对象后续可能会要浏览的网络电视界面（即后续将要浏览的网络电视界面），并对预测的可能会要浏览的网络电视界面进行预先加载——即图3中示意的界面加载。
上述网络电视界面处理方法，收集同一局域网内各可信设备存储的对象特征数据，来与智能电视终端中的对象特征数据进行匹配融合，基于融合后得到的多条对象总特征数据训练智能电视终端中的界面跳转预测模型，能够充分挖掘并利用有价值的数据来训练界面跳转预测模型，并通过上传训练得到的模型学习梯度至服务器，并接收服务器返回的模型参数来更新本地模型，从丰富数据来源以及安全性角度提高了训练的模型的准确性，进而使用更新后的界面跳转预测模型预测并预先加载后续将要浏览的网络电视界面，能够准确预测并预加载后续的网络电视界面，避免了交互才响应造成跳转不及时的问题，提高了网络电视界面的跳转响应速度，满足了交互需求。
在一些实施例中，从与智能电视终端位于同一局域网内的设备中确定可信设备，包括：监测局域网内的流量数据；对局域网内各个设备的进行安全性检测，得到各个设备的安全性检测结果；针对局域网内的每个设备，提取设备对应的协议报文中的目标摘要字段，以分析设备的通信特征信息；根据流量数据、各个设备的安全性检测结果或各个设备的通信特征信息中的至少一种，从局域网内的设备中识别可信设备。
具体地，智能电视终端可以对所处局域网内的流量和报文进行监测，得到该局域网内的流量数据。智能电视终端也可以对局域网内各个设备的进行安全性检测，得到各个设备的安全性检测结果。智能电视终端还可以对局域网内的各个设备进行通信特征分析，得到各个设备的通信特征信息。进而，智能电视终端可以根据流量数据、各个设备的安全性检测结果或各个设备的通信特征信息中的至少一种，从局域网内的设备中识别可信设备。
在一些实施例中，智能电视终端可以对局域网内的各个设备进行硬件安全、操作系统安全、软件安全、接入认证、数据安全、协议安全或隐私安全等中的至少一种安全检测，得到各个设备的安全性检测结果。可以理解，设备的安全性检测结果可以包括设备的安全性能或风险等级中的至少一种。
在一些实施例中，针对局域网内的每个设备，智能电视终端可以提取设备对应的协议报文中的目标摘要字段，以基于目标摘要字段识别出设备的类型和系统等信息，得到设备的通信特征信息。可以理解，设备的类型及系统很大程度上能够体现设备的通信特征。
上述实施例中，通过筛选识别可信设备来进行后续处理，进一步提高了安全性以及后续模型训练的准确性，进而也提高了后续预测的准确性。
在一些实施例中，将智能电视终端中存储的对象特征数据与可信设备中存储的对象特征数据匹配，包括：识别每个可信设备的类型；针对每个可信设备，确定与可信设备的类型匹配的目标数据维度，从可信设备存储的对象特征数据中筛选目标数据维度下的对象特征数据；将智能电视终端中存储的对象特征数据与针对各个可信设备筛选出的对象特征数据进行匹配。
可以理解，与智能电视终端所处同一局域网内的可信设备可能会有多种类型，每种类型的可信设备具有各自的特性，所以其所存储的不同维度的对象特征数据中会存在与该可信设备的特性更相关的对象特征数据，这些更相关的对象特征数据所能够反映出的对象的特征也更为准确。所以，本实施例可以针对不同类型的可信设备，筛选与之相匹配的目标数据维度，然后，从该可信设备存储的对象特征数据中筛选与目标数据维度下的对象特征数据。进而，智能电视终端可以将智能电视终端中存储的对象特征数据与针对各个可信设备筛选出的对象特征数据进行匹配。
在一些实施例中，智能电视终端可以依据各个可信设备的类型，解析得到各个可信设备的功能特征信息，进而确定与该功能特征信息相匹配的目标数据维度。
在一些实施例中，若可信设备是手机终端或平板电脑，则目标数据维度可以包括第一数据维度，即应用使用时长，即，关注手机终端或平板电脑中运行的应用程序的使用时长。具体地，在可信设备为手机终端的情况下，从手机终端存储的对象特征数据中筛选第一数据维度下的不同应用程序的使用时长数据。
进一步地，若可信设备是手机终端或平板电脑，则目标数据维度可以包括目标应用的使用时长。目标应用是该可信设备的强相关应用，或者说是与该可信设备的主要用途相关的应用。比如，平板电脑的目标数据维度则可以包括视频应用的使用时长，手机终端的目标数据维度则可以包括即时通信应用的使用时长。
在一些实施例中，若可信设备是智能穿戴设备，则目标数据维度可以包括对象移动情况，即关注对象的移动情况，比如，关注对象的位置以及运动信息。具体地，在可信设备为智能穿戴设备的情况下，从智能穿戴设备存储的对象特征数据中筛选第二数据维度下的位置信息和运动信息。
上述实施例中，通过考虑各个可信设备的类型来进行数据筛选，大大提高了数据准确性，以及后续模型训练的有效性，进而在有效预测的情况下，也能够提高界面跳转响应速度。
在一些实施例中，将匹配到同一对象的对象特征数据融合，得到多条对象总特征数据，包括：根据每个可信设备的类型，确定每个可信设备和智能电视终端各自的融合权重；按照每个可信设备和智能电视终端各自的融合权重，将匹配到同一对象的智能电视终端的对象特征数据、以及针对各可信设备筛选出的对象特征数据进行加权融合，得到多条对象总特征数据。
可以理解，每种类型的可信设备其所提供的对象特征数据，对体现对象的界面浏览特征所起到的作用有大有小。比如，智能穿戴设备与平板电脑相比较，会更少的涉及界面浏览场景，更多是提供的对象运动信息或位置信息等数据，所以，比平板电脑所提供的视频平台浏览相关的数据而言，对体现对象的界面浏览特征所起到的作用要小一些。
智能电视终端可以根据每个可信设备的类型，赋予每个可信设备和智能电视终端各自的融合权重。其中，融合权重能够体现各个可信设备对提供对象的界面浏览相关特征所起到的作用大小，即，与对提供对象的界面浏览相关特征的作用大小呈正相关。智能电视终端可以按照每个可信设备和智能电视终端各自的融合权重，将匹配到同一对象的智能电视终端的对象特征数据、以及针对各可信设备筛选出的对象特征数据进行加权融合，得到多条对象总特征数据。可以理解，针对可信设备筛选出的对象特征数据是从该可信设备存储的对象特征数据中筛选出的与该可信设备的类型相匹配的对象特征数据。进而，可以将同一对象在智能电视终端产生的对象特征数据以及其在各可信设备中产生且按照设备的类型筛选出的对象特征数据进行加权融合，得到每个对象对应的一条对象总特征数据。可以理解，由于智能电视终端以及各个可信设备中可能会被多个对象使用过，因而具备多个对象的对象特征数据，所以，会得到多个对象的对象总特征数据，即，多条对象总特征数据。
上述实施例中，按照每个可信设备和智能电视终端各自的融合权重，将匹配到同一对象的智能电视终端的对象特征数据、以及针对各可信设备筛选出的对象特征数据进行加权融合，能够使得到的多条对象总特征数据更为准确。
在一些实施例中，在智能电视终端中运行网络电视的界面时，通过更新后的界面跳转预测模型预测并预先加载后续将要浏览的网络电视界面，包括：在智能电视终端中运行网络电视的界面时，获取网络电视中当前显示的当前界面数据和当前接收到的当前操作数据；将当前界面数据和前操作数据输入至更新后的界面跳转预测模型，得到更新后的界面跳转预测模型输出预测的后续将要浏览的网络电视界面，预先加载所预测的网络电视界面。
具体地，智能电视终端在对本地的界面跳转预测模型进行更新后，就可以使用该更新后的界面跳转预测模型来进行界面预测和预加载。在智能电视终端中运行网络电视的界面时，智能电视终端可以获取网络电视中当前显示的当前界面数据和当前接收到的当前操作数据。智能电视终端可以将当前界面数据和前操作数据输入至更新后的界面跳转预测模型，得到更新后的界面跳转预测模型输出预测的后续将要浏览的网络电视界面。进而，智能电视终端可以预先加载所预测的网络电视界面。
在一些实施例中，当前界面数据包括页面名称、页面元素或页面状态等中的至少一种。当前操作数据包括点击区域、点击效果或操作变化等中的至少一种。
在一些实施例中，智能电视终端还可以获取历史界面数据和历史操作数据，将当前界面数据、前操作数据、历史界面数据和历史操作数据输入至更新后的界面跳转预测模型，得到预测的后续将要浏览的网络电视界面。
在一些实施例中，历史界面数据包括对象之前访问过哪些页面、停留了多久、有没有返回等。历史操作数据包括对象之前做过哪些操作、操作的顺序、操作的频率等。
上述实施例中，基于训练的界面跳转预测模型能够准确地预测并预加载后续待跳转的网络电视界面，一方面能够提高网络电视的交互响应速度，另一方面，也能避免错误、无效的预加载造成的资源浪费问题。
图4为一个实施例中网络电视界面的显示方法的原理示意图。参见图4，对象A和对象B各自使用的智能电视终端分别从服务器下载基线模型，作为本端的端侧模型。进而，按照本申请的上述方法，来生成加密梯度上传至服务器。服务器则可以根据对象A和对象B分别使用的这两个智能电视终端上报的加密梯度来更新模型参数，并将模型参数下发至对象A和对象B分别使用的这两个智能电视终端，以使这两个智能电视终端各自更新自己的端侧模型。后续，则可以使用自己的端侧模型来预测并预加载后续可能要跳转的网络电视界面。
应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的网络电视界面处理方法的网络电视界面处理装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个网络电视界面处理装置实施例中的具体限定可以参见上文中对于网络电视界面处理方法的限定，在此不再赘述。
在一个实施例中，如图5所示，提供了一种网络电视界面处理装置，包括：收集模块502、融合模块504、训练模块506、更新模块508和预加载模块510，其中：
收集模块502，用于从与智能电视终端位于同一局域网内的设备中确定可信设备；收集各可信设备各自存储的对象特征数据。
融合模块504，用于将智能电视终端中存储的对象特征数据与可信设备中存储的对象特征数据匹配，并将匹配到同一对象的对象特征数据融合，得到多条对象总特征数据。
训练模块506，用于基于多条对象总特征数据训练智能电视终端中的界面跳转预测模型，得到模型学习梯度，并将模型学习梯度上传至服务器，以指示服务器基于各个智能电视终端上传的模型学习梯度更新界面跳转预测模型的模型参数；智能电视终端中的界面跳转预测模型是从服务器中下载安装的。
更新模块508，用于基于服务器返回的模型参数更新智能电视终端中的界面跳转预测模型。
预加载模块510，用于在智能电视终端中运行网络电视的界面时，通过更新后的界面跳转预测模型预测并预先加载后续将要浏览的网络电视界面。
在一些实施例中，收集模块502还用于监测局域网内的流量数据；对局域网内各个设备的进行安全性检测，得到各个设备的安全性检测结果；针对局域网内的每个设备，提取设备对应的协议报文中的目标摘要字段，以分析设备的通信特征信息；根据流量数据、各个设备的安全性检测结果或各个设备的通信特征信息中的至少一种，从局域网内的设备中识别可信设备。
在一些实施例中，融合模块504还用于识别每个可信设备的类型；针对每个可信设备，确定与可信设备的类型匹配的目标数据维度，从可信设备存储的对象特征数据中筛选目标数据维度下的对象特征数据；将智能电视终端中存储的对象特征数据与针对各个可信设备筛选出的对象特征数据进行匹配。
在一些实施例中，融合模块504还用于根据每个可信设备的类型，确定每个可信设备和智能电视终端各自的融合权重；按照每个可信设备和智能电视终端各自的融合权重，将匹配到同一对象的智能电视终端的对象特征数据、以及针对各可信设备筛选出的对象特征数据进行加权融合，得到多条对象总特征数据。
在一些实施例中，收集模块502还用于在可信设备为手机终端的情况下，从手机终端存储的对象特征数据中筛选第一数据维度下的不同应用程序的使用时长数据；在可信设备为智能穿戴设备的情况下，从智能穿戴设备存储的对象特征数据中筛选第二数据维度下的位置信息和运动信息。
在一些实施例中，每条对象总特征数据具有对应标记的待跳转的网络电视界面；训练模块506还用于分别将每条对象总特征数据输入至智能电视终端中的界面跳转预测模型，得到预测的待跳转的网络电视界面；将预测的网络电视界面与对应标记的网络电视界面进行比较，得到损失值；根据损失值计算界面跳转预测模型的模型学习梯度。
在一些实施例中，预加载模块510还用于在智能电视终端中运行网络电视的界面时，获取网络电视中当前显示的当前界面数据和当前接收到的当前操作数据；将当前界面数据和前操作数据输入至更新后的界面跳转预测模型，得到更新后的界面跳转预测模型输出预测的后续将要浏览的网络电视界面，预先加载所预测的网络电视界面。
上述网络电视界面处理装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于智能电视终端中的处理器中，也可以以软件形式存储于智能电视终端中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种智能电视终端，其内部结构图可以如图6所示。该智能电视终端包括处理器、存储器、输入/输出接口(Input/Output，简称I/O）和通信接口。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口通过输入/输出接口连接到系统总线。其中，该智能电视终端的处理器用于提供计算和控制能力。该智能电视终端的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该智能电视终端的数据库用于存储样本文本集。该智能电视终端的输入/输出接口用于处理器与外部设备之间交换信息。该智能电视终端的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种网络电视界面处理方法。
本领域技术人员可以理解，图6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智能电视终端的限定，具体的智能电视终端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，提供了一种智能电视终端，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述实施例中的各个步骤。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述实施例中的各个步骤。
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述实施例中的各个步骤。
需要说明的是，本申请所涉及的用户信息（包括但不限于用户设备信息、用户个人信息等）和数据（包括但不限于用于分析的数据、存储的数据、展示的数据等），均为经用户授权或者经过各方充分授权的信息和数据，且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
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，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，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、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器（Read-OnlyMemory，ROM）、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器（ReRAM）、磁变存储器（Magnetoresistive Random Access Memory，MRAM）、铁电存储器（Ferroelectric Random Access Memory，FRAM）、相变存储器（Phase Change Memory，PCM）、石墨烯存储器等。易失性存储器可包括随机存取存储器（Random Access Memory，RAM）或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器（Static Random AccessMemory，SRAM）或动态随机存取存储器（Dynamic RandomAccess Memory，DRAM）等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
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，本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种网络电视界面的显示方法，其特征在于，由智能电视终端执行，所述方法包括：
从与所述智能电视终端位于同一局域网内的设备中确定可信设备；
收集各所述可信设备各自存储的对象特征数据；
将所述智能电视终端中存储的对象特征数据与所述可信设备中存储的对象特征数据匹配，并将匹配到同一对象的对象特征数据融合，得到多条对象总特征数据；
基于所述多条对象总特征数据训练所述智能电视终端中的界面跳转预测模型，得到模型学习梯度，并将所述模型学习梯度上传至服务器，以指示所述服务器基于各个智能电视终端上传的模型学习梯度更新所述界面跳转预测模型的模型参数；智能电视终端中的所述界面跳转预测模型是从服务器中下载安装的；
基于所述服务器返回的模型参数更新所述智能电视终端中的所述界面跳转预测模型；
在所述智能电视终端中运行网络电视的界面时，通过更新后的界面跳转预测模型预测并预先加载后续将要浏览的网络电视界面。
2.根据权利要求1所述的方法，其特征在于，所述从与所述智能电视终端位于同一局域网内的设备中确定可信设备，包括：
监测所述局域网内的流量数据；
对所述局域网内各个设备的进行安全性检测，得到各个设备的安全性检测结果；
针对所述局域网内的每个设备，提取所述设备对应的协议报文中的目标摘要字段，以分析所述设备的通信特征信息；
根据所述流量数据、各个设备的安全性检测结果或各个设备的通信特征信息中的至少一种，从所述局域网内的设备中识别可信设备。
3.根据权利要求1所述的方法，其特征在于，所述将所述智能电视终端中存储的对象特征数据与所述可信设备中存储的对象特征数据匹配，包括：
识别每个可信设备的类型；
针对每个可信设备，确定与所述可信设备的类型匹配的目标数据维度，从所述可信设备存储的对象特征数据中筛选目标数据维度下的对象特征数据；
将所述智能电视终端中存储的对象特征数据与针对各个可信设备筛选出的对象特征数据进行匹配。
4.根据权利要求3所述的方法，其特征在于，所述将匹配到同一对象的对象特征数据融合，得到多条对象总特征数据，包括：
根据每个可信设备的类型，确定每个可信设备和所述智能电视终端各自的融合权重；
按照每个可信设备和所述智能电视终端各自的融合权重，将匹配到同一对象的所述智能电视终端的对象特征数据、以及针对各可信设备筛选出的对象特征数据进行加权融合，得到多条对象总特征数据。
5.根据权利要求3所述的方法，其特征在于，所述从所述可信设备存储的对象特征数据中筛选目标数据维度下的对象特征数据，包括：
在所述可信设备为手机终端的情况下，从所述手机终端存储的对象特征数据中筛选第一数据维度下的不同应用程序的使用时长数据；
在所述可信设备为智能穿戴设备的情况下，从所述智能穿戴设备存储的对象特征数据中筛选第二数据维度下的位置信息和运动信息。
6.根据权利要求1所述的方法，其特征在于，每条对象总特征数据具有对应标记的待跳转的网络电视界面；所述基于所述多条对象总特征数据训练所述智能电视终端中的界面跳转预测模型，得到模型学习梯度，包括：
分别将每条对象总特征数据输入至所述智能电视终端中的界面跳转预测模型，得到预测的待跳转的网络电视界面；
将预测的网络电视界面与对应标记的网络电视界面进行比较，得到损失值；
根据所述损失值计算所述界面跳转预测模型的模型学习梯度。
7.根据权利要求1至6中任一项所述的方法，其特征在于，所述在所述智能电视终端中运行网络电视的界面时，通过更新后的界面跳转预测模型预测并预先加载后续将要浏览的网络电视界面，包括：
在所述智能电视终端中运行网络电视的界面时，获取所述网络电视中当前显示的当前界面数据和当前接收到的当前操作数据；
将所述当前界面数据和所述前操作数据输入至更新后的界面跳转预测模型，得到所述更新后的界面跳转预测模型输出预测的后续将要浏览的网络电视界面，预先加载所预测的网络电视界面。
8.一种网络电视界面的显示装置，其特征在于，所述装置包括：
收集模块，用于从与智能电视终端位于同一局域网内的设备中确定可信设备；收集各所述可信设备各自存储的对象特征数据；
融合模块，用于将所述智能电视终端中存储的对象特征数据与所述可信设备中存储的对象特征数据匹配，并将匹配到同一对象的对象特征数据融合，得到多条对象总特征数据；
训练模块，用于基于所述多条对象总特征数据训练所述智能电视终端中的界面跳转预测模型，得到模型学习梯度，并将所述模型学习梯度上传至服务器，以指示所述服务器基于各个智能电视终端上传的模型学习梯度更新所述界面跳转预测模型的模型参数；智能电视终端中的所述界面跳转预测模型是从服务器中下载安装的；
更新模块，用于基于所述服务器返回的模型参数更新所述智能电视终端中的所述界面跳转预测模型；
预加载模块，用于在所述智能电视终端中运行网络电视的界面时，通过更新后的界面跳转预测模型预测并预先加载后续将要浏览的网络电视界面。
9.一种智能电视终端，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310739637.1A CN116489446B (zh) | 2023-06-21 | 2023-06-21 | 网络电视界面处理方法、装置和智能电视终端 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310739637.1A CN116489446B (zh) | 2023-06-21 | 2023-06-21 | 网络电视界面处理方法、装置和智能电视终端 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116489446A CN116489446A (zh) | 2023-07-25 |
| CN116489446B true CN116489446B (zh) | 2023-09-01 |
Family
ID=87227189
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310739637.1A Active CN116489446B (zh) | 2023-06-21 | 2023-06-21 | 网络电视界面处理方法、装置和智能电视终端 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116489446B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2016145089A1 (en) * | 2015-03-09 | 2016-09-15 | Skytree, Inc. | System and method for using machine learning to generate a model from audited data |
| CN111292168A (zh) * | 2020-02-06 | 2020-06-16 | 腾讯科技（深圳）有限公司 | 数据处理方法、装置及设备 |
| CN112114907A (zh) * | 2020-10-16 | 2020-12-22 | 詹启新 | 基于电子商务云计算的应用加载方法及人工智能计算中心 |
| CN114519435A (zh) * | 2022-02-14 | 2022-05-20 | 维沃移动通信有限公司 | 模型参数更新方法、模型参数更新装置和电子设备 |
| CN115454557A (zh) * | 2022-09-29 | 2022-12-09 | 中国农业银行股份有限公司 | 应用程序页面动态展示系统 |
-
2023
- 2023-06-21 CN CN202310739637.1A patent/CN116489446B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2016145089A1 (en) * | 2015-03-09 | 2016-09-15 | Skytree, Inc. | System and method for using machine learning to generate a model from audited data |
| CN111292168A (zh) * | 2020-02-06 | 2020-06-16 | 腾讯科技（深圳）有限公司 | 数据处理方法、装置及设备 |
| CN112114907A (zh) * | 2020-10-16 | 2020-12-22 | 詹启新 | 基于电子商务云计算的应用加载方法及人工智能计算中心 |
| CN114519435A (zh) * | 2022-02-14 | 2022-05-20 | 维沃移动通信有限公司 | 模型参数更新方法、模型参数更新装置和电子设备 |
| CN115454557A (zh) * | 2022-09-29 | 2022-12-09 | 中国农业银行股份有限公司 | 应用程序页面动态展示系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116489446A (zh) | 2023-07-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Sharma et al. | Cloud and IoT-based emerging services systems | |
| CN111901192B (zh) | 一种页面访问数据的统计方法及装置 | |
| CN110688598B (zh) | 业务参数采集方法、装置、计算机设备和存储介质 | |
| US11366871B2 (en) | System and method for collection of a website in a past state and retroactive analysis thereof | |
| CN111090756B (zh) | 基于人工智能的多目标推荐模型的训练方法及装置 | |
| CN112241506B (zh) | 用户行为的回溯方法、装置、设备及系统 | |
| CN112017059B (zh) | 一种分级优化的风险控制方法、装置和电子设备 | |
| CN110413867B (zh) | 用于内容推荐的方法及系统 | |
| CN109614318A (zh) | 自动化测试方法、装置、电子设备及计算机可读介质 | |
| CN105743730A (zh) | 为移动终端的网页服务提供实时监控的方法及其系统 | |
| CN112491602A (zh) | 行为数据的监控方法、装置、计算机设备及介质 | |
| CN111177623A (zh) | 信息处理方法及装置 | |
| CN116644250B (zh) | 页面检测方法、装置、计算机设备和存储介质 | |
| CN112948681A (zh) | 一种融合多维度特征的时间序列数据推荐方法 | |
| CN116489446B (zh) | 网络电视界面处理方法、装置和智能电视终端 | |
| US9507851B1 (en) | Methods and systems for providing recommendation information | |
| CN111127057B (zh) | 一种多维用户画像恢复方法 | |
| CN116708178A (zh) | 网络设备变更历史的回溯方法、装置、设备、介质及产品 | |
| US10198415B2 (en) | Webform monitoring | |
| CN114896543A (zh) | 舆情分析方法、装置及存储介质 | |
| CN113869982A (zh) | 产品推荐系统 | |
| CN113034211A (zh) | 一种预测用户行为的方法、装置及电子设备 | |
| CN103853764A (zh) | 终端信息同步方法及装置 | |
| CN114944962B (zh) | 一种数据安全防护方法及系统 | |
| CN111598159B (zh) | 机器学习模型的训练方法、装置、设备及存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |