CN117119258B - 一种基于用户特征的影视推送方法及系统 - Google Patents
一种基于用户特征的影视推送方法及系统 Download PDFInfo
- Publication number
- CN117119258B CN117119258B CN202311371965.7A CN202311371965A CN117119258B CN 117119258 B CN117119258 B CN 117119258B CN 202311371965 A CN202311371965 A CN 202311371965A CN 117119258 B CN117119258 B CN 117119258B
- Authority
- CN
- China
- Prior art keywords
- film
- user
- television
- data
- works
- 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
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000004458 analytical method Methods 0.000 claims abstract description 33
- 238000013135 deep learning Methods 0.000 claims abstract description 15
- 210000001747 pupil Anatomy 0.000 claims description 49
- 230000008859 change Effects 0.000 claims description 46
- 239000013598 vector Substances 0.000 claims description 42
- 238000003066 decision tree Methods 0.000 claims description 40
- 238000005259 measurement Methods 0.000 claims description 38
- 238000004422 calculation algorithm Methods 0.000 claims description 29
- 238000012549 training Methods 0.000 claims description 23
- 239000011159 matrix material Substances 0.000 claims description 19
- 238000011176 pooling Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 15
- 238000007637 random forest analysis Methods 0.000 claims description 15
- 238000013527 convolutional neural network Methods 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 11
- 238000000354 decomposition reaction Methods 0.000 claims description 10
- 238000003062 neural network model Methods 0.000 claims description 8
- 238000013138 pruning Methods 0.000 claims description 8
- 238000012797 qualification Methods 0.000 claims description 7
- 230000002068 genetic effect Effects 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000006399 behavior Effects 0.000 description 11
- 230000007613 environmental effect Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 5
- 230000002093 peripheral effect Effects 0.000 description 4
- 230000008451 emotion Effects 0.000 description 3
- 230000001105 regulatory effect Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 241001122767 Theaceae Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000009323 psychological health Effects 0.000 description 1
- 238000006467 substitution reaction Methods 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
- H04N21/45—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
-
- 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
- H04N21/4662—Learning process for intelligent management, e.g. learning user preferences for recommending movies characterized by learning algorithms
- H04N21/4666—Learning process for intelligent management, e.g. learning user preferences for recommending movies characterized by learning algorithms using neural networks, e.g. processing the feedback provided by the user
-
- 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
-
- 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
Abstract
本发明公开了一种基于用户特征的影视推送方法及系统，包括以下步骤：收集用户基本信息，基于所述用户基本信息获取用户历史浏览网页的历史浏览数据和历史观影数据，并对收集的数据进行数据特征提取，得到用户观影特征数据，对用户观影特征数据进行深度学习分析，实现影视作品的分组操作，并基于推送条件，向用户推送不同组别的影视作品。本发明能够基于用户的基本信息和兴趣爱好等个人特征数据，向用户推送最符合用户观看意愿的影视作品。
Description
技术领域
本发明涉及影视推送领域，特别是一种基于用户特征的影视推送方法及系统。
背景技术
当前网络上的视频质量参差不齐，一些不适宜青少年观看的影视作品充斥在网络之中，影响网络的环境，荼毒青少年的身心健康，对青少年健康成长造成威胁。且在网络上的影视作品数量众多，新用户在登录视频网页后，各色各样的影视视频目不暇接，使用户难以挑选合适的影视作品观看品鉴。每个用户的个人兴趣爱好、基本信息等不同，所以用户对不同种类影视作品的喜好程度也不同，需要根据不同用户的特征，向用户推送不同的影视作品。所以需要获取一种基于用户特征的影视推送方法及系统。
发明内容
本发明克服了现有技术的不足，提供了一种基于用户特征的影视推送方法及系统。
为达到上述目的，本发明采用的技术方案为：
本发明第一方面提供了一种基于用户特征的影视推送方法，包括以下步骤：
收集用户基本信息，基于用户基本信息获取用户的历史浏览影视网页，并获取历史浏览影视网页中的历史浏览数据和历史观影数据；
对收集的历史浏览数据和历史观影数据进行数据特征提取，得到用户观影特征数据；
获取影视作品特征数据，使用卷积神经网络模型对所述用户观影特征数据和影视作品特征数据进行深度学习分析，并对影视作品进行分组；
对不同组别的用户合适影视作品进行影视内容分析，基于分析结果获取用户禁忌影视作品，并向用户推送影视作品。
进一步的，本发明的一个较佳实施例中，所述收集用户基本信息，基于用户基本信息获取用户的历史浏览影视网页，并获取历史浏览影视网页中的历史浏览数据和历史观影数据，具体为：
在影视网页登录注册端，获取用户基本信息，所述用户基本信息包括用户姓名、联系方式、性别、所在位置及用户等级；
将所述用户基本信息上传至影视网页云端，影视网页云端与大数据网络连接，大数据网络读取影视网页云端内的用户基本信息，得到用户的所有浏览网页；
基于浏览网页的性质，设定浏览网页关键词，在大数据网络中根据浏览网页关键词，获取用户的历史浏览影视网页；
获取历史浏览影视网页的网页信息，并对网页信息进行分析，若历史浏览影视网页中无登录信息，则将对应的历史浏览影视网页定义为无登录网页，若历史浏览影视网页中存在用户登录信息，则将对应的历史浏览影视网页定义为登录网页；
获取无登录网页的历史观影数据，并获取登录网页的历史浏览数据和历史观影数据。
进一步的，本发明的一个较佳实施例中，所述对收集的历史浏览数据和历史观影数据进行数据特征提取，得到用户观影特征数据，具体为：
将收集的历史观影数据及历史浏览数据分别转化为特征向量，并分别构建训练集和测试集；
所述训练集中包含样本数据，获取样本数据的样本特征值，引入决策树模型，基于所述样本特征值，在决策树模型中确定数据切分点，所述数据切分点在决策树模型中对训练集进行多层次划分，当划分次数达到预设值，将最近的数据切分点定义为叶子节点；
通过奇异值分解算法和余弦度量算法对所有的叶子节点进行优化，得到优化叶子节点；
基于叶子节点，构建决策树模型，对决策树模型进行剪枝处理，后，结合多个决策树模型，生成随机森林模型；
基于所述随机森林模型，获取用户观影特征数据，所述用户观影特征数据包括用户浏览时间、浏览频率、观影时间及观影频率。
进一步的，本发明的一个较佳实施例中，所述基于叶子节点，构建决策树模型，对决策树模型进行剪枝处理，后，结合多个决策树模型，生成随机森林模型，具体为：
将每个叶子节点中的样本数据转换为样本矩阵，使用奇异分解算法对每个样本矩阵进行分解，生成左奇异矩阵；
对左奇异矩阵中的所有向量进行出现频率排序，将出现频率最高的向量定义为初始向量，在所述左奇异矩阵中引入余弦度量算法，计算初始向量与其他特征向量的余弦度量值，并预设余弦度量阈值；
若余弦度量值大于余弦度量阈值，则将对应的特征向量定义为离群向量，获取离群向量对应的叶子节点，定义为离群节点；
使用遗传算法对离群节点进行迭代分裂，当迭代次数达到预设值，且不存在余弦度量值大于余弦度量阈值的特征向量，则结束迭代分裂，输出所有叶子节点，将输出的叶子节点定义为优化叶子节点。
进一步的，本发明的一个较佳实施例中，所述获取影视作品特征数据，使用卷积神经网络模型对所述用户观影特征数据和影视作品特征数据进行深度学习分析，并对影视作品进行分组，具体为：
基于影视网页的影视内容库，获取所有影视的影视作品特征数据，所述影视作品特征数据为影视作品时长、影视作品制作人员表及影视作品类型；
将所述用户观影特征数据导入卷积神经网络模型的卷积层中进行卷积处理，得到卷积值，所述卷积值经过池化层的最大池化处理后，生成池化值，在卷积神经网络模型中使用交叉熵函数对所述池化值进行反向训练，得到符合用户观影习惯的所有影视作品；
将符合用户观影习惯的所有影视作品定义为用户合适影视作品，获取用户合适影视作品的影视标签，并基于影视标签，对用户合适影视作品进行初步分组处理；
计算初步分组后同一组的用户合适影视作品的影视作品特征数据的欧氏距离，预设欧氏距离区间，将影视作品特征数据的欧氏距离在同一欧氏距离区间内的用户合适影视作品归为一组，得到不同组别的用户合适影视作品。
进一步的，本发明的一个较佳实施例中，所述对不同组别的用户合适影视作品进行影视内容分析，基于分析结果获取用户禁忌影视作品，并向用户推送影视作品，具体为：
分析所述用户基本信息，获取用户的年龄，分析不同组别的用户合适影视作品，获取年龄不满18周岁禁止观看的用户合适影视作品，若用户年龄不满18周岁，则将年龄不满18周岁禁止观看的用户合适影视作品定义为用户禁忌影视作品；
将剩下的用户合适影视作品定义为可推送影视作品，获取可推送影视作品的评分值，并预设影视作品合格分，将评分值低于合格分的可推送影视作品剔除，得到初步可推送影视作品；
基于初步可推送影视作品的评分值，按照评分值由高到低顺序，构建基于评分值的影视作品推送顺序排序表，且不同组别的初步可推送影视作品均有基于评分值的影视作品推送顺序排序表；
分析同一组别中初步可推送影视作品的影视作品名称，对同一系列的初步可推送影视作品，按照影视作品上映先后顺序，获取同一系列影视作品观影顺序；
结合所述基于评分值的影视作品推送顺序排序表和同一系列影视作品观影顺序，生成影视作品推送顺序；
基于所述历史观影数据，对一类可推送影视作品中用户已观影的影视作品剔除，得到最终可推送影视作品；
获取用户基本信息中的用户等级，判断用户是否为影视网页会员用户，若用户为影视网页非会员用户，则对所述最终可推送影视作品进行分析，将会员用户专属的可推送影视作品剔除，得到非影视会员可推送影视作品；
影视网页根据所述影视作品推送顺序，且基于不同的组别，向影视网页非会员用户推送非影视会员可推送影视作品，并向影视网页会员用户推送最终可推送影视作品。
本发明第二方面还提供了一种基于用户特征的影视推送系统，所述一种基于用户特征的影视推送系统包括存储器与处理器，所述存储器中储存有一种基于用户特征的影视推送方法，所述一种基于用户特征的影视推送方法被所述处理器执行时，实现如下步骤：
收集用户基本信息，基于用户基本信息获取用户的历史浏览影视网页，并获取历史浏览影视网页中的历史浏览数据和历史观影数据；
对收集的历史浏览数据和历史观影数据进行数据特征提取，得到用户观影特征数据；
获取影视作品特征数据，使用卷积神经网络模型对所述用户观影特征数据和影视作品特征数据进行深度学习分析，并对影视作品进行分组；
对不同组别的用户合适影视作品进行影视内容分析，基于分析结果获取用户禁忌影视作品，并向用户推送影视作品。
本发明解决的背景技术中存在的技术缺陷，本发明具备以下有益效果：收集用户基本信息，基于所述用户基本信息获取用户历史浏览网页的历史浏览数据和历史观影数据，并对收集的数据进行数据特征提取，得到用户观影特征数据，对用户观影特征数据进行深度学习分析，实现影视作品的分组操作，并基于推送条件，向用户推送不同组别的影视作品。本发明能够基于用户的基本信息和兴趣爱好等个人特征数据，向用户推送最符合用户观看意愿的影视作品。
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实施例的附图。
图1示出了一种基于用户特征的影视推送方法的流程图；
图2示出了对影视作品进行分组并推送的流程图；
图3示出了一种基于用户特征的影视推送系统的视图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
图1示出了一种基于用户特征的影视推送方法的流程图，包括以下步骤：
S102：收集用户基本信息，基于用户基本信息获取用户的历史浏览影视网页，并获取历史浏览影视网页中的历史浏览数据和历史观影数据；
S104：对收集的历史浏览数据和历史观影数据进行数据特征提取，得到用户观影特征数据；
S106：获取影视作品特征数据，使用卷积神经网络模型对所述用户观影特征数据和影视作品特征数据进行深度学习分析，并对影视作品进行分组；
S108：对不同组别的用户合适影视作品进行影视内容分析，基于分析结果获取用户禁忌影视作品，并向用户推送影视作品。
进一步的，本发明的一个较佳实施例中，所述收集用户基本信息，基于用户基本信息获取用户的历史浏览影视网页，并获取历史浏览影视网页中的历史浏览数据和历史观影数据，具体为：
在影视网页登录注册端，获取用户基本信息，所述用户基本信息包括用户姓名、联系方式、性别、所在位置及用户等级；
将所述用户基本信息上传至影视网页云端，影视网页云端与大数据网络连接，大数据网络读取影视网页云端内的用户基本信息，得到用户的所有浏览网页；
基于浏览网页的性质，设定浏览网页关键词，在大数据网络中根据浏览网页关键词，获取用户的历史浏览影视网页；
获取历史浏览影视网页的网页信息，并对网页信息进行分析，若历史浏览影视网页中无登录信息，则将对应的历史浏览影视网页定义为无登录网页，若历史浏览影视网页中存在用户登录信息，则将对应的历史浏览影视网页定义为登录网页；
获取无登录网页的历史观影数据，并获取登录网页的历史浏览数据和历史观影数据。
需要说明的是，影视网页登陆注册端主要作用是收集用户基本信息，用户在实名制浏览网页过程中，会留下浏览记录，且根据用户浏览的所有网页中未必都是关于影视方面的网页，所以需要设定浏览网页关键词，筛选与影视相关的网页，即历史浏览影视网页。历史浏览影视网页分为官方网站和个人网站，所述官方网站需要登录才能观看影视作品，个人网站无需登录，即可直接观看影视作品，所以需要获取历史浏览影视网页的用户登录信息，判断用户在历史浏览影视网页中是否登录。用户在历史浏览影视网页中存在直接搜索观看影视作品和在推荐影视作品栏中浏览并选择影视作品观看两种行为，且在个人网站中用户只存在直接搜索观看影视作品的行为，所以获取无登录网页的历史观影数据，以及登陆网页的历史浏览数据和历史观影数据。所述历史观影数据为用户在网页中看的影视作品的各种数据，包括时长、演员等；所述历史浏览数据为用户曾浏览的影视作品的各种数据。本发明能够基于用户基本信息，通过大数据获取用户的历史浏览影视网页，并获得用户的历史浏览数据和历史观影数据。
进一步的，本发明的一个较佳实施例中，所述对收集的历史浏览数据和历史观影数据进行数据特征提取，得到用户观影特征数据，具体为：
将收集的历史观影数据及历史浏览数据分别转化为特征向量，并分别构建训练集和测试集；
所述训练集中包含样本数据，获取样本数据的样本特征值，引入决策树模型，基于所述样本特征值，在决策树模型中确定数据切分点，所述数据切分点在决策树模型中对训练集进行多层次划分，当划分次数达到预设值，将最近的数据切分点定义为叶子节点；
通过奇异值分解算法和余弦度量算法对所有的叶子节点进行优化，得到优化叶子节点；
基于叶子节点，构建决策树模型，对决策树模型进行剪枝处理，后，结合多个决策树模型，生成随机森林模型；
基于所述随机森林模型，获取用户观影特征数据，所述用户观影特征数据包括用户浏览时间、浏览频率、观影时间及观影频率。
需要说明的是，历史浏览数据和历史观影数据中存在用户观影特征数据，需要将用户观影特征数据提取出来，使用随机森林算法可以将历史浏览数据和历史观影数据中的各种特征数据进行分类提取，所述样本特征值能作为确定数值切分点位置的条件，对样本数据进行多次划分后，当样本数据的划分次数达到预设值，停止划分，输出最新的数据切分点，定义为叶子节点。叶子节点中的样本数据可能存在异常子节点，通过奇异值分解算法和余弦度量算法可以对叶子节点进行优化。生成决策树模型后，获取多个决策树模型，组成随机森林模型，能更精确的获取数据。本发明能够通过随机森林算法，获取用户观影特征数据。
进一步的，本发明的一个较佳实施例中，所述基于叶子节点，构建决策树模型，对决策树模型进行剪枝处理，后，结合多个决策树模型，生成随机森林模型，具体为：
将每个叶子节点中的样本数据转换为样本矩阵，使用奇异分解算法对每个样本矩阵进行分解，生成左奇异矩阵；
对左奇异矩阵中的所有向量进行出现频率排序，将出现频率最高的向量定义为初始向量，在所述左奇异矩阵中引入余弦度量算法，计算初始向量与其他特征向量的余弦度量值，并预设余弦度量阈值；
若余弦度量值大于余弦度量阈值，则将对应的特征向量定义为离群向量，获取离群向量对应的叶子节点，定义为离群节点；
使用遗传算法对离群节点进行迭代分裂，当迭代次数达到预设值，且不存在余弦度量值大于余弦度量阈值的特征向量，则结束迭代分裂，输出所有叶子节点，将输出的叶子节点定义为优化叶子节点。
需要说明的是，在决策树算法中，会出现局部最优解的情况，奇异值分解算法能将样本矩阵分解为左奇异矩阵，所述左奇异矩阵为按列组成的特征向量，可以降低样本数据的计算复杂度。引入余弦度量算法用于计算样本数据的重合程度，当余弦度量值大于余弦度量阈值时，证明叶子节点中的样本数据存在离群的子节点。根据遗传算法对离群节点进行迭代分裂能对离群节点进行优化，直至不存在余弦度量值大于余弦度量阈值的特征向量，结束迭代分裂，输出优化叶子节点。本发明能够进一步优化决策树算法，提高特征数据提取的精确性。
图2示出了对影视作品进行分组并推送的流程图，包括以下步骤：
S202：对影视特征数据和用户特征数据进行深度学习分析，基于深度学习分析结果对影视作品进行分组；
S204：将用户基本信息和不同组别的用户合适影视作品进行结合分析，得到用户禁忌影视作品；
S206：获取剩下的用户合适影视作品的推送条件，根据所述推送条件向用户推送影视作品。
进一步的，本发明的一个较佳实施例中，所述对影视特征数据和用户特征数据进行深度学习分析，基于深度学习分析结果对影视作品进行分组，具体为：
基于影视网页的影视内容库，获取所有影视的影视作品特征数据，所述影视作品特征数据为影视作品时长、影视作品制作人员表及影视作品类型；
将所述用户观影特征数据导入卷积神经网络模型的卷积层中进行卷积处理，得到卷积值，所述卷积值经过池化层的最大池化处理后，生成池化值，在卷积神经网络模型中使用交叉熵函数对所述池化值进行反向训练，得到符合用户观影习惯的所有影视作品；
将符合用户观影习惯的所有影视作品定义为用户合适影视作品，获取用户合适影视作品的影视标签，并基于影视标签，对用户合适影视作品进行初步分组处理；
计算初步分组后同一组的用户合适影视作品的影视作品特征数据的欧氏距离，预设欧氏距离区间，将影视作品特征数据的欧氏距离在同一欧氏距离区间内的用户合适影视作品归为一组，得到不同组别的用户合适影视作品。
需要说明的是，影视网页中的影视内容库包含多种影视作品，需要获取所有影视作品特征数据。卷积神经网络能够对用户观影特征数据进行分析，预测用户的观影习惯，用户观影习惯包括用户观影时间、偏好、观影时长等，得到用户合适影视作品。每一步用户合适影视作品均存在影视标签，所述影视标签为影视作品的出品时间、类型、分级等。根据影视标签对影视作品进行初步分级。由于同一影视标签的影视作品之间的制作人员、时长等数据可能相同，计算影视作品的影视作品特征数据的欧氏距离能更直接的得到影视作品之间的相似性，并对同一欧氏距离区间的影视作品定义为同一组别的影视作品，实现对影视作品更精确的分类。本发明能够通过影视标签和影视作品特征数据，对影视作品进行分类处理。
进一步的，本发明的一个较佳实施例中，所述将用户基本信息和不同组别的用户合适影视作品进行结合分析，得到用户禁忌影视作品，具体为：
分析所述用户基本信息，获取用户的年龄，分析不同组别的用户合适影视作品，获取年龄不满18周岁禁止观看的用户合适影视作品，若用户年龄不满18周岁，则将年龄不满18周岁禁止观看的用户合适影视作品定义为用户禁忌影视作品。
需要说明的是，用户的基本信息中包含了用户的年龄，在影视网页中存在18岁以下不适宜观看的影视作品，影视网页对用户基本信息进行分析，若年龄不符合要求，则将对应的影视作品定义为用户禁忌影视作品，禁止向此类用户推送。
进一步的，本发明的一个较佳实施例中，所述获取剩下的用户合适影视作品的推送条件，根据所述推送条件向用户推送影视作品，具体为：
将剩下的用户合适影视作品定义为可推送影视作品，获取可推送影视作品的评分值，并预设影视作品合格分，将评分值低于合格分的可推送影视作品剔除，得到初步可推送影视作品；
基于初步可推送影视作品的评分值，按照评分值由高到低顺序，构建基于评分值的影视作品推送顺序排序表，且不同组别的初步可推送影视作品均有基于评分值的影视作品推送顺序排序表；
分析同一组别中初步可推送影视作品的影视作品名称，对同一系列的初步可推送影视作品，按照影视作品上映先后顺序，获取同一系列影视作品观影顺序；
结合所述基于评分值的影视作品推送顺序排序表和同一系列影视作品观影顺序，生成影视作品推送顺序；
基于所述历史观影数据，对一类可推送影视作品中用户已观影的影视作品剔除，得到最终可推送影视作品；
获取用户基本信息中的用户等级，判断用户是否为影视网页会员用户，若用户为影视网页非会员用户，则对所述最终可推送影视作品进行分析，将会员用户专属的可推送影视作品剔除，得到非影视会员可推送影视作品；
影视网页根据所述影视作品推送顺序，且基于不同的组别，向影视网页非会员用户推送非影视会员可推送影视作品，并向影视网页会员用户推送最终可推送影视作品。
需要说明的是，将不是禁忌作品的用户合适影视作品定义为可推送影视作品，由于可推送影视作品数量庞大，所以需要对可推送影视作品设置推送条件。每一部影视作品均有评分值，评分值在合格分以下的影视作品的作品质量较差，不建议推送，需要剔除，得到初步可推送影视作品。基于影视作品评分值由高到低顺序，构建基于评分值的影视作品推送顺序排序表。在影视作品中可能存在同制作班底、名称等均相同，存在多部连续的影视作品，对这种系列的影视作品在推送过程中应当优先推送上映时间较早的影视作品。在推送过程中，基于历史观影数据，不向用户推送用户已观看的影视作品。最后获取用户在影视网页中的等级情况，部分影视作品需要充值会员才能观看，对会员用户和非会员用户分开推送。在推送过程中，不同组别的影视作品均按照上述推送条件进行影视作品的推送。本发明能够通过获取剩下的用户合适影视作品的推送条件，根据所述推送条件向用户推送影视作品。
此外，所述一种基于用户特征的影视推送方法，还包括以下步骤：
影视网页与所在设备的摄像头连接，在用户观看被推送的影视作品期间，摄像头获取用户观看期间的视频图像；
对所述视频图像进行图像预处理和图像特征提取，得到用户瞳孔实时变化信息，构建动态识别模型，获取用户当前观看的影视作品的实时亮度强度以及亮度变化频率，将所述用户瞳孔实时变化信息、影视作品的实时亮度强度以及亮度变化频率导入动态识别模型中进行训练，得到用户瞳孔变化预测信息；
基于历史数据，获取其他用户在观看同一影视作品时的瞳孔实时变化信息，并导入至动态识别模型中进行训练，得到用户瞳孔变化标准预测信息；
获取用户瞳孔变化预测信息和用户瞳孔变化标准预测信息的偏差率，若偏差率大于预设偏差率，则通过物联网影视网页与所在设备的亮度调节系统连接；
将所述用户瞳孔变化预测信息导入至亮度调节系统，基于大数据获取不同亮度下瞳孔的状态数据，并将不同亮度下瞳孔的状态数据导入至亮度调节系统中，亮度调节系统对不同亮度下瞳孔的状态数据和用户瞳孔变化预测信息进行分析处理，自动调节设备的亮度。
需要说明的是，在用户观看影视作品过程时，由于影视作品可能会存在光线较强或者光线较弱的视频画面，用户在观看期间眼睛可能会感到疲劳，当用户的眼睛感到疲劳，用户的瞳孔相应的会发生变化。为保证用户的用眼健康，对获取用户的瞳孔实时变化信息，导入动态识别模型中进行训练，可以获得用户瞳孔变化预测信息，所述瞳孔变化预测信息反映了用户持续观看该影视作品瞳孔的未来变化情况。同时获取用户瞳孔变化标准预测信息，并获取二者的偏差率，若偏差率大于预设值，证明用户眼睛在观看该影视作品时容易感到疲劳，所以使用亮度调节系统，并基于不同亮度下的瞳孔状态数据，对设备的亮度进行实时自动调节。本发明能够通过对用户的瞳孔变化情况，实现对设备的亮度自动调节。
此外，所述一种基于用户特征的影视推送方法，还包括以下步骤：
基于用户观看期间的视频图像，获取用户的行为状态信息，并将所述行为状态信息导入卷积神经网络模型中进行动态分析，得到行为状态预测结果；
获取用户的周边环境参数，基于灰色关联法，将所述行为状态预测结果与周边环境参数结合，得到关联值；
若关联值大于预设值，则设备基于物联网与用户所在地的环境参数调控设备连接，所述环境参数调控设备基于行为状态预测结果，对周边环境参数进行实时调控；
对周边环境进行实时调控后，基于大数据获取用户的标准行为状态信息，若用户的行为状态信息与标准行为状态信息的偏差值过大，则在影视作品播放期间先后生成一号弹窗和二号弹窗；
所述一号弹窗用于获取用户的观看意愿，若用户选择继续观看，则一号弹窗关闭，继续播放影视作品；
若用户选择暂停观看，则弹出第二弹窗，在所述第二弹窗中，获取用户对同类型影视作品的观看意愿，若用户选择继续观看同类型影视作品，则根据影视作品推送顺序，向用户推送同类型其他影视作品；
若用户选择观看其他类型影视作品，则根据影视作品推送顺序，向用户推送其他类型其他影视作品。
需要说明的是，用户在观看一段时间后可能会产生疲劳情绪，身体状态会随着疲劳情绪变化而发生相应的变化，例如用户产生伸懒腰、打哈欠、打瞌睡等。产生疲劳情绪可能为环境影响，例如环境温度不适宜，环境叫吵杂等，根据灰色关联法获取周边环境参数和行为状态预测结果的关联值，若关联值大于预设值，则需要对周边环境参数进行实时调控。若调控后用户的行为状态信息依旧异常，则先暂停影视作品播放，并生成一号弹窗和二号弹窗，获取用户的个人意愿，选择继续播放当前影视作品，或者更换影视作品播放等行为。本发明能够通过用户的行为状态信息，对周边环境参数进行调控，并向用户推送其他影视作品。
如图3所示，本发明第二方面还提供了一种基于用户特征的影视推送系统，所述一种基于用户特征的影视推送系统包括存储器31与处理器32，所述存储器31中储存有一种基于用户特征的影视推送方法，所述一种基于用户特征的影视推送方法被所述处理器32执行时，实现如下步骤：
收集用户基本信息，基于用户基本信息获取用户的历史浏览影视网页，并获取历史浏览影视网页中的历史浏览数据和历史观影数据；
对收集的历史浏览数据和历史观影数据进行数据特征提取，得到用户观影特征数据；
获取影视作品特征数据，使用卷积神经网络模型对所述用户观影特征数据和影视作品特征数据进行深度学习分析，并对影视作品进行分组；
对不同组别的用户合适影视作品进行影视内容分析，基于分析结果获取用户禁忌影视作品，并向用户推送影视作品。
以上，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (4)
1.一种基于用户特征的影视推送方法，其特征在于，包括以下步骤：
收集用户基本信息，基于用户基本信息获取用户的历史浏览影视网页，并获取历史浏览影视网页中的历史浏览数据和历史观影数据；
对收集的历史浏览数据和历史观影数据进行数据特征提取，得到用户观影特征数据；
获取影视作品特征数据，使用卷积神经网络模型对所述用户观影特征数据和影视作品特征数据进行深度学习分析，并对影视作品进行分组；
对不同组别的用户合适影视作品进行影视内容分析，基于分析结果获取用户禁忌影视作品，并向用户推送影视作品；
其中，对收集的历史浏览数据和历史观影数据进行数据特征提取，得到用户观影特征数据，具体为：
将收集的历史观影数据及历史浏览数据分别转化为特征向量，并分别构建训练集和测试集；
所述训练集中包含样本数据，获取样本数据的样本特征值，引入决策树模型，基于所述样本特征值，在决策树模型中确定数据切分点，所述数据切分点在决策树模型中对训练集进行多层次划分，当划分次数达到预设值，将最近的数据切分点定义为叶子节点；
通过奇异值分解算法和余弦度量算法对所有的叶子节点进行优化，得到优化叶子节点；
基于叶子节点，构建决策树模型，对决策树模型进行剪枝处理后，结合多个决策树模型，生成随机森林模型；
基于所述随机森林模型，获取用户观影特征数据，所述用户观影特征数据包括用户浏览时间、浏览频率、观影时间及观影频率；
其中，所述基于叶子节点，构建决策树模型，对决策树模型进行剪枝处理后，结合多个决策树模型，生成随机森林模型，具体为：
将每个叶子节点中的样本数据转换为样本矩阵，使用奇异分解算法对每个样本矩阵进行分解，生成左奇异矩阵；
对左奇异矩阵中的所有向量进行出现频率排序，将出现频率最高的向量定义为初始向量，在所述左奇异矩阵中引入余弦度量算法，计算初始向量与其他特征向量的余弦度量值，并预设余弦度量阈值；
若余弦度量值大于余弦度量阈值，则将对应的特征向量定义为离群向量，获取离群向量对应的叶子节点，定义为离群节点；
使用遗传算法对离群节点进行迭代分裂，当迭代次数达到预设值，且不存在余弦度量值大于余弦度量阈值的特征向量，则结束迭代分裂，输出所有叶子节点，将输出的叶子节点定义为优化叶子节点；
其中，所述获取影视作品特征数据，使用卷积神经网络模型对所述用户观影特征数据和影视作品特征数据进行深度学习分析，并对影视作品进行分组，具体为：
基于影视网页的影视内容库，获取所有影视的影视作品特征数据，所述影视作品特征数据为影视作品时长、影视作品制作人员表及影视作品类型；
将所述用户观影特征数据导入卷积神经网络模型的卷积层中进行卷积处理，得到卷积值，所述卷积值经过池化层的最大池化处理后，生成池化值，在卷积神经网络模型中使用交叉熵函数对所述池化值进行反向训练，得到符合用户观影习惯的所有影视作品；
将符合用户观影习惯的所有影视作品定义为用户合适影视作品，获取用户合适影视作品的影视标签，并基于影视标签，对用户合适影视作品进行初步分组处理；
计算初步分组后同一组的用户合适影视作品的影视作品特征数据的欧氏距离，预设欧氏距离区间，将影视作品特征数据的欧氏距离在同一欧氏距离区间内的用户合适影视作品归为一组，得到不同组别的用户合适影视作品；
其中，所述一种基于用户特征的影视推送方法，还包括以下步骤：
影视网页与所在设备的摄像头连接，在用户观看被推送的影视作品期间，摄像头获取用户观看期间的视频图像；
对所述视频图像进行图像预处理和图像特征提取，得到用户瞳孔实时变化信息，构建动态识别模型，获取用户当前观看的影视作品的实时亮度强度以及亮度变化频率，将所述用户瞳孔实时变化信息、影视作品的实时亮度强度以及亮度变化频率导入动态识别模型中进行训练，得到用户瞳孔变化预测信息；
基于历史数据，获取其他用户在观看同一影视作品时的瞳孔实时变化信息，并导入至动态识别模型中进行训练，得到用户瞳孔变化标准预测信息；
获取用户瞳孔变化预测信息和用户瞳孔变化标准预测信息的偏差率，若偏差率大于预设偏差率，则通过物联网影视网页与所在设备的亮度调节系统连接；
将所述用户瞳孔变化预测信息导入至亮度调节系统，基于大数据获取不同亮度下瞳孔的状态数据，并将不同亮度下瞳孔的状态数据导入至亮度调节系统中，亮度调节系统对不同亮度下瞳孔的状态数据和用户瞳孔变化预测信息进行分析处理，自动调节设备的亮度。
2.根据权利要求1中所述的一种基于用户特征的影视推送方法，其特征在于，所述收集用户基本信息，基于用户基本信息获取用户的历史浏览影视网页，并获取历史浏览影视网页中的历史浏览数据和历史观影数据，具体为：
在影视网页登录注册端，获取用户基本信息，所述用户基本信息包括用户姓名、联系方式、性别、所在位置及用户等级；
将所述用户基本信息上传至影视网页云端，影视网页云端与大数据网络连接，大数据网络读取影视网页云端内的用户基本信息，得到用户的所有浏览网页；
基于浏览网页的性质，设定浏览网页关键词，在大数据网络中根据浏览网页关键词，获取用户的历史浏览影视网页；
获取历史浏览影视网页的网页信息，并对网页信息进行分析，若历史浏览影视网页中无登录信息，则将对应的历史浏览影视网页定义为无登录网页，若历史浏览影视网页中存在用户登录信息，则将对应的历史浏览影视网页定义为登录网页；
获取无登录网页的历史观影数据，并获取登录网页的历史浏览数据和历史观影数据。
3.根据权利要求1中所述的一种基于用户特征的影视推送方法，其特征在于，所述对不同组别的用户合适影视作品进行影视内容分析，基于分析结果获取用户禁忌影视作品，并向用户推送影视作品，具体为：
分析所述用户基本信息，获取用户的年龄，分析不同组别的用户合适影视作品，获取年龄不满18周岁禁止观看的用户合适影视作品，若用户年龄不满18周岁，则将年龄不满18周岁禁止观看的用户合适影视作品定义为用户禁忌影视作品；
将剩下的用户合适影视作品定义为可推送影视作品，获取可推送影视作品的评分值，并预设影视作品合格分，将评分值低于合格分的可推送影视作品剔除，得到初步可推送影视作品；
基于初步可推送影视作品的评分值，按照评分值由高到低顺序，构建基于评分值的影视作品推送顺序排序表，且不同组别的初步可推送影视作品均有基于评分值的影视作品推送顺序排序表；
分析同一组别中初步可推送影视作品的影视作品名称，对同一系列的初步可推送影视作品，按照影视作品上映先后顺序，获取同一系列影视作品观影顺序；
结合所述基于评分值的影视作品推送顺序排序表和同一系列影视作品观影顺序，生成影视作品推送顺序；
基于所述历史观影数据，对初步可推送影视作品中用户已观影的影视作品剔除，得到最终可推送影视作品；
获取用户基本信息中的用户等级，判断用户是否为影视网页会员用户，若用户为影视网页非会员用户，则对所述最终可推送影视作品进行分析，将会员用户专属的可推送影视作品剔除，得到非影视会员可推送影视作品；
影视网页根据所述影视作品推送顺序，且基于不同的组别，向影视网页非会员用户推送非影视会员可推送影视作品，并向影视网页会员用户推送最终可推送影视作品。
4.一种基于用户特征的影视推送系统，其特征在于，所述一种基于用户特征的影视推送系统包括存储器与处理器，所述存储器中储存有一种基于用户特征的影视推送方法，所述一种基于用户特征的影视推送方法被所述处理器执行时，实现如下步骤：
收集用户基本信息，基于用户基本信息获取用户的历史浏览影视网页，并获取历史浏览影视网页中的历史浏览数据和历史观影数据；
对收集的历史浏览数据和历史观影数据进行数据特征提取，得到用户观影特征数据；
获取影视作品特征数据，使用卷积神经网络模型对所述用户观影特征数据和影视作品特征数据进行深度学习分析，并对影视作品进行分组；
对不同组别的用户合适影视作品进行影视内容分析，基于分析结果获取用户禁忌影视作品，并向用户推送影视作品；
其中，对收集的历史浏览数据和历史观影数据进行数据特征提取，得到用户观影特征数据，具体为：
将收集的历史观影数据及历史浏览数据分别转化为特征向量，并分别构建训练集和测试集；
所述训练集中包含样本数据，获取样本数据的样本特征值，引入决策树模型，基于所述样本特征值，在决策树模型中确定数据切分点，所述数据切分点在决策树模型中对训练集进行多层次划分，当划分次数达到预设值，将最近的数据切分点定义为叶子节点；
通过奇异值分解算法和余弦度量算法对所有的叶子节点进行优化，得到优化叶子节点；
基于叶子节点，构建决策树模型，对决策树模型进行剪枝处理后，结合多个决策树模型，生成随机森林模型；
基于所述随机森林模型，获取用户观影特征数据，所述用户观影特征数据包括用户浏览时间、浏览频率、观影时间及观影频率；
其中，所述基于叶子节点，构建决策树模型，对决策树模型进行剪枝处理后，结合多个决策树模型，生成随机森林模型，具体为：
将每个叶子节点中的样本数据转换为样本矩阵，使用奇异分解算法对每个样本矩阵进行分解，生成左奇异矩阵；
对左奇异矩阵中的所有向量进行出现频率排序，将出现频率最高的向量定义为初始向量，在所述左奇异矩阵中引入余弦度量算法，计算初始向量与其他特征向量的余弦度量值，并预设余弦度量阈值；
若余弦度量值大于余弦度量阈值，则将对应的特征向量定义为离群向量，获取离群向量对应的叶子节点，定义为离群节点；
使用遗传算法对离群节点进行迭代分裂，当迭代次数达到预设值，且不存在余弦度量值大于余弦度量阈值的特征向量，则结束迭代分裂，输出所有叶子节点，将输出的叶子节点定义为优化叶子节点；
其中，所述获取影视作品特征数据，使用卷积神经网络模型对所述用户观影特征数据和影视作品特征数据进行深度学习分析，并对影视作品进行分组，具体为：
基于影视网页的影视内容库，获取所有影视的影视作品特征数据，所述影视作品特征数据为影视作品时长、影视作品制作人员表及影视作品类型；
将所述用户观影特征数据导入卷积神经网络模型的卷积层中进行卷积处理，得到卷积值，所述卷积值经过池化层的最大池化处理后，生成池化值，在卷积神经网络模型中使用交叉熵函数对所述池化值进行反向训练，得到符合用户观影习惯的所有影视作品；
将符合用户观影习惯的所有影视作品定义为用户合适影视作品，获取用户合适影视作品的影视标签，并基于影视标签，对用户合适影视作品进行初步分组处理；
计算初步分组后同一组的用户合适影视作品的影视作品特征数据的欧氏距离，预设欧氏距离区间，将影视作品特征数据的欧氏距离在同一欧氏距离区间内的用户合适影视作品归为一组，得到不同组别的用户合适影视作品；
其中，所述一种基于用户特征的影视推送方法，还包括以下步骤：
影视网页与所在设备的摄像头连接，在用户观看被推送的影视作品期间，摄像头获取用户观看期间的视频图像；
对所述视频图像进行图像预处理和图像特征提取，得到用户瞳孔实时变化信息，构建动态识别模型，获取用户当前观看的影视作品的实时亮度强度以及亮度变化频率，将所述用户瞳孔实时变化信息、影视作品的实时亮度强度以及亮度变化频率导入动态识别模型中进行训练，得到用户瞳孔变化预测信息；
基于历史数据，获取其他用户在观看同一影视作品时的瞳孔实时变化信息，并导入至动态识别模型中进行训练，得到用户瞳孔变化标准预测信息；
获取用户瞳孔变化预测信息和用户瞳孔变化标准预测信息的偏差率，若偏差率大于预设偏差率，则通过物联网影视网页与所在设备的亮度调节系统连接；
将所述用户瞳孔变化预测信息导入至亮度调节系统，基于大数据获取不同亮度下瞳孔的状态数据，并将不同亮度下瞳孔的状态数据导入至亮度调节系统中，亮度调节系统对不同亮度下瞳孔的状态数据和用户瞳孔变化预测信息进行分析处理，自动调节设备的亮度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311371965.7A CN117119258B (zh) | 2023-10-23 | 2023-10-23 | 一种基于用户特征的影视推送方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311371965.7A CN117119258B (zh) | 2023-10-23 | 2023-10-23 | 一种基于用户特征的影视推送方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117119258A CN117119258A (zh) | 2023-11-24 |
| CN117119258B true CN117119258B (zh) | 2024-02-02 |
Family
ID=88800514
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311371965.7A Active CN117119258B (zh) | 2023-10-23 | 2023-10-23 | 一种基于用户特征的影视推送方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117119258B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107948699A (zh) * | 2017-12-25 | 2018-04-20 | 广东长虹电子有限公司 | 一种基于指纹识别的电视内容分级推送方法 |
| CN108260008A (zh) * | 2018-02-11 | 2018-07-06 | 北京未来媒体科技股份有限公司 | 一种视频推荐方法、装置及电子设备 |
| CN109698858A (zh) * | 2018-11-01 | 2019-04-30 | 百度在线网络技术（北京）有限公司 | 用于智能设备的资源推送方法、设备和存储介质 |
| CN110278447A (zh) * | 2019-06-26 | 2019-09-24 | 北京字节跳动网络技术有限公司 | 基于连续特征的视频推送方法、装置及电子设备 |
| CN111813992A (zh) * | 2020-07-14 | 2020-10-23 | 四川长虹电器股份有限公司 | 一种影视推荐候选集的排序系统及方法 |
| CN115829673A (zh) * | 2022-11-02 | 2023-03-21 | 深圳市分米智行信息技术有限公司 | 基于大数据的电子商城用户偏好分析方法及系统 |
| CN116521908A (zh) * | 2023-06-28 | 2023-08-01 | 图林科技(深圳)有限公司 | 一种基于人工智能的多媒体内容个性化推荐方法 |
-
2023
- 2023-10-23 CN CN202311371965.7A patent/CN117119258B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107948699A (zh) * | 2017-12-25 | 2018-04-20 | 广东长虹电子有限公司 | 一种基于指纹识别的电视内容分级推送方法 |
| CN108260008A (zh) * | 2018-02-11 | 2018-07-06 | 北京未来媒体科技股份有限公司 | 一种视频推荐方法、装置及电子设备 |
| CN109698858A (zh) * | 2018-11-01 | 2019-04-30 | 百度在线网络技术（北京）有限公司 | 用于智能设备的资源推送方法、设备和存储介质 |
| CN110278447A (zh) * | 2019-06-26 | 2019-09-24 | 北京字节跳动网络技术有限公司 | 基于连续特征的视频推送方法、装置及电子设备 |
| CN111813992A (zh) * | 2020-07-14 | 2020-10-23 | 四川长虹电器股份有限公司 | 一种影视推荐候选集的排序系统及方法 |
| CN115829673A (zh) * | 2022-11-02 | 2023-03-21 | 深圳市分米智行信息技术有限公司 | 基于大数据的电子商城用户偏好分析方法及系统 |
| CN116521908A (zh) * | 2023-06-28 | 2023-08-01 | 图林科技(深圳)有限公司 | 一种基于人工智能的多媒体内容个性化推荐方法 |
Non-Patent Citations (1)
| Title |
|---|
| 机器学习中的特征选择方法研究及展望;崔鸿雁;徐帅;张利锋;Roy E.Welsch;Berthold K.P.Horn;;北京邮电大学学报(第01期) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117119258A (zh) | 2023-11-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108829822B (zh) | 媒体内容的推荐方法和装置、存储介质、电子装置 | |
| CN107423442B (zh) | 基于用户画像行为分析的应用推荐方法及系统，储存介质及计算机设备 | |
| CN110704674B (zh) | 一种视频播放完整度预测方法及装置 | |
| CN104462573B (zh) | 一种视频搜索结果展示方法及装置 | |
| CN107404656B (zh) | 直播视频推荐方法、装置及服务器 | |
| CN109255053B (zh) | 资源搜索方法、装置、终端、服务器、计算机可读存储介质 | |
| US9864803B2 (en) | Method and system for multimodal clue based personalized app function recommendation | |
| CN107341268B (zh) | 一种热搜榜排序方法及系统 | |
| CN108810642B (zh) | 一种弹幕显示方法、装置及电子设备 | |
| CN114780831A (zh) | 基于Transformer的序列推荐方法及系统 | |
| US20230004608A1 (en) | Method for content recommendation and device | |
| CN112464100A (zh) | 信息推荐模型训练方法、信息推荐方法、装置及设备 | |
| US8688716B1 (en) | Recommending pairwise video comparisons to improve ranking | |
| Pretorious et al. | A comparative study of classifiers for thumbnail selection | |
| CN113051468B (zh) | 一种基于知识图谱和强化学习的电影推荐方法及系统 | |
| CN117119258B (zh) | 一种基于用户特征的影视推送方法及系统 | |
| CN113220974A (zh) | 点击率预测模型训练、搜索召回方法、装置、设备及介质 | |
| CN112685596B (zh) | 视频推荐方法及装置、终端、存储介质 | |
| CN113591550B (zh) | 一种个人喜好自动检测模型构建方法、装置、设备及介质 | |
| Amali et al. | Semantic video recommendation system based on video viewers impression from emotion detection | |
| CN114443956A (zh) | 内容推荐方法以及相关设备 | |
| CN114595370A (zh) | 模型训练、排序方法、装置、电子设备及存储介质 | |
| CN112417956A (zh) | 信息推荐方法及装置、电子设备及计算机可读存储介质 | |
| Nilla et al. | Film Recommendation System Using Content-Based Filtering and the Convolutional Neural Network (CNN) Classification Methods | |
| Amroun et al. | Study of the viewers' TV-watching behaviors before, during and after watching a TV program using iot network |
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 |