ES2261527T3 - Sistema, procedimiento y aplicacion de software para publicidad dirigida mediante una agrupacion de modelos de comportamiento, y preferencias de programacion basadas en grupos de modelos de comportamiento. - Google Patents

Sistema, procedimiento y aplicacion de software para publicidad dirigida mediante una agrupacion de modelos de comportamiento, y preferencias de programacion basadas en grupos de modelos de comportamiento.

Info

Publication number
ES2261527T3
ES2261527T3 ES02000454T ES02000454T ES2261527T3 ES 2261527 T3 ES2261527 T3 ES 2261527T3 ES 02000454 T ES02000454 T ES 02000454T ES 02000454 T ES02000454 T ES 02000454T ES 2261527 T3 ES2261527 T3 ES 2261527T3
Authority
ES
Spain
Prior art keywords
program
behavior
user
transition
preference
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.)
Expired - Lifetime
Application number
ES02000454T
Other languages
English (en)
Inventor
Isaac Bentolila
Yiming Zhou
Labeeb Ismail
Richard Humpleman
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Metabyte Networks Inc
Original Assignee
Metabyte Networks Inc
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Metabyte Networks Inc filed Critical Metabyte Networks Inc
Application granted granted Critical
Publication of ES2261527T3 publication Critical patent/ES2261527T3/es
Anticipated expiration legal-status Critical
Expired - Lifetime legal-status Critical Current

Links

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
    • H04N21/266—Channel or content management, e.g. generation and management of keys and entitlement messages in a conditional access system, merging a VOD unicast channel into a multicast channel
    • H04N21/2668—Creating a channel for a dedicated end-user group, e.g. insertion of targeted commercials based on end-user profiles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241—Advertisements
    • G06Q30/0251—Targeted advertisements
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241—Advertisements
    • G06Q30/0251—Targeted advertisements
    • G06Q30/0254—Targeted advertisements based on statistics
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241—Advertisements
    • G06Q30/0251—Targeted advertisements
    • G06Q30/0255—Targeted advertisements based on user history
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241—Advertisements
    • G06Q30/0251—Targeted advertisements
    • G06Q30/0269—Targeted advertisements based on user profile or attribute
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241—Advertisements
    • G06Q30/0251—Targeted advertisements
    • G06Q30/0269—Targeted advertisements based on user profile or attribute
    • G06Q30/0271—Personalized advertisement
    • 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]
    • H04N21/40—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
    • H04N21/442—Monitoring of processes or resources, e.g. detecting the failure of a recording device, monitoring the downstream bandwidth, the number of times a movie has been viewed, the storage space available from the internal hard disk
    • H04N21/44213—Monitoring of end-user related data
    • H04N21/44222—Analytics of user selections, e.g. selection of programs or purchase activity
    • 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
    • H04N21/454—Content or additional data filtering, e.g. blocking advertisements
    • 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
    • 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
    • H04N21/4663—Learning process for intelligent management, e.g. learning user preferences for recommending movies characterized by learning algorithms involving probabilistic networks, e.g. Bayesian networks
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/45—Management operations performed by the client for facilitating the reception of or the interaction with the content or administrating data related to the end-user or to the client device itself, e.g. learning user preferences for recommending movies, resolving scheduling conflicts
    • H04N21/466—Learning process for intelligent management, e.g. learning user preferences for recommending movies
    • H04N21/4667—Processing of monitored end-user data, e.g. trend analysis based on the log file of viewer selections
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/47—End-user applications
    • H04N21/482—End-user interface for program selection
    • H04N21/4826—End-user interface for program selection using recommendation lists, e.g. of programs or channels sorted out according to their score
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N7/00—Television systems
    • H04N7/16—Analogue secrecy systems; Analogue subscription systems
    • H04N7/162—Authorising the user terminal, e.g. by paying; Registering the use of a subscription channel, e.g. billing
    • H04N7/163—Authorising the user terminal, e.g. by paying; Registering the use of a subscription channel, e.g. billing by receiver means only
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N7/00—Television systems
    • H04N7/16—Analogue secrecy systems; Analogue subscription systems
    • H04N7/173—Analogue secrecy systems; Analogue subscription systems with two-way working, e.g. subscriber sending a programme selection signal
    • H04N7/17309—Transmission or handling of upstream communications

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Databases & Information Systems (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Accounting & Taxation (AREA)
  • Strategic Management (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Physics & Mathematics (AREA)
  • Game Theory and Decision Science (AREA)
  • Theoretical Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Social Psychology (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Human Computer Interaction (AREA)
  • Software Systems (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Computer Security & Cryptography (AREA)
  • Computing Systems (AREA)
  • Two-Way Televisions, Distribution Of Moving Picture Or The Like (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Information Transfer Between Computers (AREA)
  • Testing, Inspecting, Measuring Of Stereoscopic Televisions And Televisions (AREA)

Abstract

Sistema de entrega de contenidos de programas de televisión de tipo interactivo, que comprende un lado de control a distancia y un lado del cliente local, que comprende un sistema para la entrega de programas dirigidos, que comprende: un sistema central de tratamiento de datos en el lado de control a distancia acoplado para recibir datos de actividades de visionado de usuarios de televisión en combinación con la métrica demográfica general de una multiplicidad de usuarios de televisión, estando seleccionados dichos datos de actividades de visionado de entre un grupo constituido por una hora de inicio de visionado de programas, selección de canales de programas, duración de visionado de programas, secuencia de visionado de programas y fecha de visionado de programas; una guía electrónica de programación que incluye metadatos que describen el contenido de los programas, estando proporcionada la guía al sistema central de tratamiento de datos; un motor de software de agrupación de comportamiento acoplado al sistema central de tratamiento de datos, procesando el motor de software de agrupación los datos de actividades de visionado para poder desarrollar una matriz de transiciones de actividades de los espectadores, presentando cada elemento de la matriz una ponderación de probabilidad asociada, prediciendo la matriz de transición el grupo demográfico de un usuario según una actividad de transición de un usuario particular; y un agente de software de entrega y determinación de contenidos de programas acoplado para determinar y proporcionar contenidos de programas a un usuario particular según el grupo demográfico previsto del usuario.

Description

Sistema, procedimiento y aplicación de software para publicidad dirigida mediante una agrupación de modelos de comportamiento, y preferencias de programación basadas en grupos de modelos de comportamiento.
Antecedentes de la invención Campo de la invención
La presente invención se refiere al campo de la programación de televisión interactiva. Más particularmente, la invención se refiere a un procedimiento y sistema para la creación de modelos y predicción de datos del perfil de usuario de TV, a un procedimiento y sistema para la determinación de la preferencia de programas de anuncios y/o programas, a un procedimiento y sistema para la publicidad dirigida para televisión normal y televisión interactiva sobre la base de la determinación de preferencias, creación de modelos y predicción de datos de perfiles y a un procedimiento y sistema con el que una secuencia completa de programas se puede presentar al espectador sobre las base de la determinación de preferencias y programación almacenada en memoria. Esta última se referirá como una creación automática de secuencias de programas (Canal Virtual) y el canal virtual se presentará como un canal separado en la guía electrónica de programación (EPG).
Descripción de la técnica anterior
Los sistemas y procedimientos para la publicidad dirigida en la televisión interactiva se conocen por ejemplo a través del documento WO 00/04 708 que describe un sistema de televisión que identifica los programas a sugerir sobre la base de una actividad de visionado por el usuario. Los sistemas y procedimientos de la técnica anterior suelen dirigir la publicidad a través de un mecanismo impulsado por programas, con muestreo estadístico. La publicidad para televisión se valora de conformidad con la clasificación de un determinado programa y franja horaria. Los anuncios deben colocarse de modo que alcancen a la audiencia objetivo prevista. Cuanto más audiencia tenga un determinado programa y cuanto más claramente concentrada esté dicha audiencia con respecto a la información demográfica, tanto más alto será el precio para colocar el anuncio. Hasta ahora, el sistema de clasificación de TV más popular, actualmente en uso en los Estados Unidos, es el de Nielsen Media Research. Las calificaciones de Nielsen y el sistema para compartir se basan en una muestra nacional de 5.000 miembros y aproximadamente 50 muestras del mercado local. La información recogida a través de la muestra nacional está basada en una medición de qué programa es contemplado en un determinado momento en un hogar con televisión dado y por qué miembros de la unidad familiar. Esta última información se determina a través del denominado People Meters que está instalado en los hogares muestra y a través del cual los espectadores indican cuándo están contemplando el programa de TV en un determinado momento accionando un botón que se les asigna al nivel individual. La muestra nacional utiliza una información demográfica sin procesar para definir las clasificaciones de preferencias para la determinación del programa. Los resultados se publican a través de clasificaciones que se definen en relación con el universo estadístico (p.e., todas los hogares con televisión, hombres de 20 a 40 años, etc.) y por porcentajes. Este último representa un porcentaje de los miembros del universo que ven un programa dado en el momento de su difusión.
Un sistema ligeramente más exacto, referido como el Portable People Meter, está actualmente probándose en un mercado de televisión local limitado por Arbitron. El Portable People Meter es un transceptor electrónico del tamaño de un buscapersonas que registra un uso de televisión por una persona mediante códigos inaudibles que están superpuestos sobre programas de televisión. Al final del día, el transceptor se coloca en una estación base, desde la cual se envía la información registrada a una instalación de proceso de datos central.
En el contexto de la creación de modelos y predicción de datos de perfiles de usuarios de TV, los procedimientos y sistemas de la técnica anterior no utilizan la frecuencia de llegada y salida del programa y los tiempos de pulsación del mando como indicadores de preferencias. Las clasificaciones de preferencias, en el contexto de predicciones de la programación, son de este modo bastante rudimentarias. Puesto que los sistemas de la técnica anterior no modelan las transiciones, el comportamiento de programas secuenciales y la utilización de programas temporales en una arquitectura predictiva general, son incapaces de predecir la preferencia de un usuario sobre la base de las relaciones temporales y de contenidos sofisticadas.
Al no evaluar cuándo existe una evidencia apropiada para inferir una preferencia, los procedimientos conocidos tienden a predecir incorrectamente las preferencias de los usuarios o pueden esperar demasiado tiempo antes de lograr una más alta confianza. Los procedimientos de clasificación conocidos requieren que todas las dimensiones características de una muestra estén en correlación con la observación y a continuación, asumen una parametrización de distribución gaussiana para describir los grupos. Sin embargo, esto es inexacto puesto que los datos no suelen estar sujetos a una distribución normal.
En el contexto de la determinación de preferencias de programas de publicidad o programas, los procedimientos de la técnica anterior no tienen ninguna entrada de usuario automática y de este modo, no disponen de ningún procedimiento de aprendizaje cuya métrica realice una mejor predicción de las preferencias de un determinado usuario. Además, si las clasificaciones de preferencias están disponibles para un grupo demográfico dado, solamente son estacionariamente ponderadas y no se efectúa ningún ajuste de ponderación dinámico.
En el contexto de la publicidad dirigida para la televisión y para televisión interactiva, los procedimientos de la técnica anterior utilizan principalmente la información demográfica, sin ninguna información de comportamiento contextual como parte del perfil objetivo del usuario. Esto reduce la eficacia objetiva en los grupos de usuarios no demográficamente clasificables y la exactitud de la inferencia demográfica.
Sumario de la invención
Por consiguiente, un objetivo de la invención es dar a conocer un sistema y procedimiento para la agrupación de modelos de comportamiento en la programación de preferencias y publicidad dirigida y uso de TV, que supere los inconvenientes antes citados de los dispositivos y procedimientos hasta ahora conocidos de este tipo general.
Considerando lo expuesto anteriormente y otros objetivos se da a conocer, según la invención, un sistema de calificación de televisión para la entrega de programas dirigidos, que comprende:
un motor de agrupación que recibe entradas de datos de espectadores de televisión, procesando dicha entrada de datos y generando grupos de categoría publicitaria objetivo de perfiles de usuario;
un sistema en el lado del cliente adaptado para clasificar un usuario de televisión en al menos un grupo de categoría publicitaria;
un sistema contextual de creación de perfiles de comportamiento, relacionado con el sistema en el lado del cliente y que determina un comportamiento de visionado del usuario de televisión con preferencias relacionadas con el uso y el contenido; y
una base de datos de modelos de comportamiento relacionada con el sistema de creación de perfiles y que almacena información con el comportamiento de visionado del usuario de televisión.
Según otra característica de la invención, el motor de agrupamiento es un agente software que reside en un sistema de ordenador central en un centro de control de la programación de distribución de televisión y está programado para crear perfiles de comportamiento en plantillas que corresponden a categorías publicitarias dirigidas de telespectadores.
Según otra característica de la invención, el motor de agrupamiento está capacitado sustancialmente de forma exclusiva sobre los datos de visionado etiquetados procedentes de un grupo objetivo dado para aprender un perfil más general de dicho grupo objetivo.
Según otra característica de la invención, el motor de agrupamiento está programado para generalizar los perfiles de los telespectadores en cada grupo en una agregación representativa para una respectiva categoría publicitaria y para formar perfiles de categorías publicitarias agregando todas las dimensiones más fuertemente en común con el grupo dado y más singulares a través de grupos objetivo.
Según otra característica de la invención, se da a conocer un gestor de anuncios conectado para consultar la base de datos de modelos de comportamiento. El gestor de anuncios está programado para definir los parámetros de los perfiles de comportamiento de la base de datos de modelos de comportamiento y para descargar los perfiles de comportamiento parametrizados a un agente de miembros de categoría publicitaria residente en el sistema en el lado del cliente. Preferentemente, el agente de miembro de categoría publicitaria está configurado para reconstruir los modelos objetivos parametrizados descargados y aplicar un motor de agrupamiento a la historia del usuario de la televisión para determinar una muy probable categoría publicitaria a la que pertenezca el usuario y almacenar los resultados como probabilidades de categorías objetivo en una base de datos de categorías de usuarios. Además, se da a conocer agentes objetivo y agentes de presentación dispuestos en el sistema del lado del cliente para combinar las probabilidades de categorías objetivo y la información de preferencias pertinente para capturar, almacenar y visualizar, de forma selectiva, anuncios descargados en conformidad con la optimización.
Según lo expuesto anteriormente y otros objetivos, se da a conocer, además, según la invención, un motor de preferencias para uso en un sistema de visualización interactivo con un lado de control que distribuye el contenido de programas y un lado del cliente que recibe el contenido del programa y muestra, de forma selectiva, el contenido del programa según la selección de un usuario. El motor de preferencia determina el contenido del programa preferido el usuario y comprende:
un dispositivo de monitorización del usuario conectado en el lado del cliente para registrar los comportamientos de transiciones contextuales que crean el perfil de uno o más usuarios y para construir continuamente una base de conocimiento de preferencias y comportamientos de transiciones contextuales que perfilan a uno o más usuarios; y
un dispositivo para proporcionar a uno o más usuarios el contenido de los programas según la información demográfica del usuario y con el perfil de comportamiento de transición contextual.
El dispositivo de monitorización del usuario del motor de preferencias crea un modelo de la interacción de comportamiento del usuario con el contenido del programa publicitario y con el contenido del programa de diversión.
De conformidad, de nuevo, con una característica añadida de la invención, el motor de preferencias está conectado para recibir desde el centro de control de la programación metadatos que describen el contenido publicitario y metadatos que describen el contenido de programas de entretenimiento y dispuestos para establecer preferencias de contenidos, combinando información de metadatos con el perfil de comportamiento de transición contextual y para construir una base de conocimiento relacional con asociaciones entre el comportamiento del usuario, la demografía y las preferencias de contenido de programas. El motor de preferencias está programado para crear configuraciones de comportamientos de uso con un modelo de comportamiento y para extraer información de uso clave desde el modelo de comportamiento hacia una base de datos de comportamientos en el que cada entrada en la base de datos de comportamientos tiene un valor de confianza asociado que refleja una estimación de una calidad estructural y de muestro de los datos utilizados para calcular la entrada de la base de datos.
Según lo expuesto anteriormente y otros objetivos se da a conocer también, según la invención, un sistema para la entrega de programa dirigido en un sistema de entrega de contenido de programas que presenta un lado de centro de control de la programación y un lado del cliente. El sistema dirigido comprende:
un sistema central de datos en el lado de control que recibe datos de visionado seleccionados desde el grupo constituido por datos de reloj, hora de inicio de reloj, duración de reloj y canal de reloj, información demográfica que describe un usuario de programa y una guía electrónica de programación con metadatos que describen un contenido de programa;
un adquiridor de base de conocimiento de grupos demográficos que recibe datos de comportamiento del usuario y proporciona a la salida una base de conocimiento en forma de una matriz de transición con conjuntos ponderados, la matriz de transición que predice un grupo demográfico del usuario; y
un módulo generador de contenidos de programas que proporciona al cliente flujos laterales de contenido de programas, incluyendo anuncios basados en el grupo demográfico previsto del usuario.
Según una característica añadida de la invención, se proporciona un vínculo de retroalimentación en tiempo real para entregar al sistema central de datos información en tiempo real respecto a un comportamiento de visionado de un usuario con datos de corrientes con pulsación de la tecla correspondiente.
De nuevo, según una característica adicional de la invención el adquiridor de base de conocimiento de grupos demográficos está basado en un modelo de Markov oculto.
Según otra característica de la invención, el adquiridor de base de conocimiento de grupos demográficos y el módulo generador de contenido de programas son módulos de software adaptados cada uno para almacenarse en un medio legible por la máquina en la forma de una pluralidad de instrucciones ejecutables por procesador.
En una forma de realización preferida, el adquiridor de base de conocimiento de grupos demográficos genera información de grupos demográficos del usuario en términos de modelos de transición de máquinas de estados estadísticos. Las máquinas de estados se definen en la matriz de transición y esta matriz contiene información de transiciones de programas iniciadas por el espectador.
Preferentemente, se proporcionan al menos dos matrices de transiciones simultáneas que comprenden una matriz de canales y una matriz de géneros. Otras matrices son también posibles, tales como una matriz de títulos, una matriz de actores, etc.
Según otra característica de la invención, el adquirir de base de conocimiento de grupos demográficos está configurado para definir los parámetros de comportamiento del usuario con un doble proceso de Markov oculto pseudo-aleatorio y para definir una máquina de estados estadísticos de nivel bajo que crea modelos de un grupo de comportamiento una máquina de estados estadísticos de alto nivel con grupos de comportamiento activos y una interacción entre dichos grupos de comportamiento activos.
Según otra característica de la invención, el adquiridor de base de conocimiento de grupos demográficos está configurado para definir un proceso aleatorio doble con una pluralidad de dimensiones y para determinar sucesos de transiciones de máquinas de estados estadísticos en paralelo en al menos dos de tres categorías de estados, incluyendo canal, género y título del contenido del programa.
El perfil global representa información de grupos demográficos del espectador en términos de los modelos de transición de máquinas de estados estadísticos. La invención da a conocer la predicción y creación de modelos de datos de perfiles de usuarios de TV: la métrica de comportamiento resultante tiende a caracterizar, de forma única, a las personas y sus preferencias, los procesos de transición modelan las secuencias de usuarios y las preferencias de transiciones temporales. La invención da a conocer un procedimiento para determinar la confianza en cantidad y calidad de datos; para un algoritmo para determinar una distancia entre distribuciones no gaussianas, altamente dimensionales y un procedimiento para determinar la separación adecuada entre grupos para clasificación de miembros de grupos.
\newpage
La interfaz de consulta, según la invención proporciona información de preferencias de comportamiento a otros módulos del sistema.
La determinación de preferencias del programa de anuncios o del programa nuevo utiliza:
\bullet
Métrica difusa ponderada de preferencias de voto sobre contexto de uso crea modelos dedo, tiempos de acceso de contenidos y secuenciaciones de parámetros de contenido.
\bullet
Arquitectura de aprendizaje ponderado de votos de métrica de preferencias no lineal, de frecuencia reforzada.
\bullet
Un algoritmo de agregación de votos que determina los principales n parámetros de contenidos (es decir, canales, géneros, actores, títulos, etc.) ajustando para la calidad voto a voto y las tendencias de preferencias relativas.
En un grupo conceptual adicional, la publicidad dirigida para TV y TV interactiva facilita:
\bullet
Un procedimiento de formación para la agregación de usuarios en la categoría objetivo.
\bullet
Una técnica de "podar" para crear la plantilla de categorías objetivo de usuarios más representativa y descargarla de forma eficiente en el sistema de clientes de TV.
\bullet
Un plan de determinación de miembros de categorías objetivo de usuarios eficiente.
\bullet
Creación de secuencias de programas de canales virtuales automáticos utilizando la programación preferida almacenada y presentada como un canal en la EPG.
Por último, se dan a conocer algoritmos para colocar automáticamente programas almacenados y anuncios en una EPG de canal virtual (junto a las entradas de las guías EPG normales) según el contexto preferido del usuario (es decir, tiempo, secuencia, etc.).
De este modo, la invención da a conocer un sistema muy exacto de predicción y creación de modelos de datos de perfiles de usuarios de TV. Los procedimientos de la técnica anterior no utilizan los tiempos y frecuencias de llegada y salida de programas como indicadores de preferencias y por ello, presentan clasificaciones de preferencias menos exactas. En este caso categorías tales como condiciones vinculadas, no vinculadas y de surfing (navegación entre programas) se modelan por separado para adaptar mejor los significados de comportamiento diferentes de una persona para cada caso. Los sistemas de la técnica anterior no crean modelos de transición, secuencial y temporal en una arquitectura predictiva general. De este modo, son incapaces de predecir un contenido sofisticado basado en las preferencias de un usuario y su relación temporal. Al no evaluar cuándo existe una evidencia apropiada para inferir una preferencia, los procedimientos conocidos tienden a predecir incorrectamente las preferencias de los usuarios o pueden esperar demasiado tiempo antes de construir una mayor confianza.
Los procedimientos de clasificación conocidos requieren que todas las dimensiones características de una muestra estén en correlación con la observación y a continuación, asumen una parametrización de distribución gaussiana para describir los grupos colectivos. Sin embargo, esto es inexacto puesto que los datos por lo general no están normalmente distribuidos. Los presentes procedimientos son capaces de determinar las distancias de separación de grupos de distribuciones multimodales (no en forma de campana) y ahorra espacio de memoria no preservando cada punto de muestra en un espacio de características. Además, los procedimientos de la técnica anterior no toman decisiones sobre clasificaciones de grupos óptimas cuando las distribuciones de muestras son multimodales. El sistema y procedimiento de la presente invención hacen clasificaciones de grupos más adecuadas puesto que trabajan con cualquier forma de distribución arbitraria.
Sobre la base de la creación de modelos de comportamiento de multifacetas y superiores, la invención permite la determinación de preferencias de un programa de anuncios o programa exacto. Incluyendo la rica información de contextos temporales y secuenciales, el presente sistema predice las preferencias dependientes del contexto de un usuario. La invención utiliza métodos de aprendizaje automático, es decir, entrada de usuario explícita para predecir mejor la preferencia de un determinado usuario. El presente sistema ajusta, de forma dinámica, los parámetros de predicción de preferencias para utilizar una más alta ponderación para las características más predictivas en la clasificación de un parámetro de contenidos.
El presente sistema influye en las clasificaciones de preferencias con tendencias de clasificación muestra a muestra que los sistemas de la técnica anterior simplemente agregaban. Aumentando (disminuyendo) una clasificación con muestras de mejor (más baja) calidad, se consigue una métrica de preferencias relativa más exacta. Por lo tanto, al crear mejores modelos de comportamiento de preferencias, la invención permite unos objetivos de programas de TV y publicidad bastante superiores.
Dentro del contexto de la publicidad dirigida a la TV y a la TV interactiva, los procedimientos de la técnica anterior utilizan principalmente información demográfica, falta de información de comportamiento contextual como parte del perfil objetivo de anuncios del usuario. En consecuencia, se reduce el rendimiento objetivo en grupos de usuarios clasificables de forma no demográfica y una exactitud inferente demográfica.
El presente sistema reduce el tamaño del perfil utilizando una métrica de significación estadística menos conservadora, con lo que se reduce el tamaño de la plantilla objetivo, al mismo tiempo que se preserva el rendimiento de clasificación, no cargando información de perfiles estadísticamente erróneo. Infiriendo un miembro de categoría objetivo de un usuario de TV como distancias desclasificadas de confianza a partir de plantillas locales simples, el presente procedimiento consigue probabilidades de miembros proporcionales muy exactas porque, a diferencia de la técnica anterior, los perfiles de plantillas no están erróneamente parametrizados en términos estadísticos.
Además de clasificar con exactitud las preferencias de los espectadores para la publicidad dirigida, la invención permite, además, la creación automática de secuencias de programas recomendadas. En este caso, nos referimos a una creación de secuencias de programas de canales virtuales utilizando la programación preferida almacenada. Las secuencias de programas recomendadas se pueden presentar como un canal separado en la guía electrónica de programación (EPG). El canal virtual es superior a los sistemas de la técnica anterior por cuanto que el usuario experimenta la EPG del canal virtual con la misma sensación que cualquier otro canal, con la salvedad de que los programas y los tiempos de presentación se colocan en la forma que más le gustaría al usuario. El canal virtual proporciona un más alto nivel de programación preferencial que el simple listado de contenidos que está disponible en la memoria local. El nuevo sistema proporciona al usuario de TV la sensación de un canal "bajo demanda".
En términos de modelos de negocios y sistemas, la presente invención está dirigida a un sistema de publicidad dirigida (Ad) que da a conocer:
\bullet
Un mecanismo de agrupación innovador para crear y determinar perfiles de usuarios de televisión más representativos (TV se refiere a una televisión digital o televisión analógica y combinación de receptores de tipo Set Top Box, con almacenamiento de programas) que se adaptan mejor a los grupos de categorías de publicidad de usuarios individuales objetivos.
\bullet
Un sistema del lado del cliente para clasificar un usuario de TV en una o más categorías de grupos de publicidad.
\bullet
Un sistema de creación de perfiles de comportamiento contextuales que determina las preferencias relacionadas con los contenidos y uso de TV por parte de un usuario.
\bullet
Una base de datos de modelos de comportamiento que se consulta por otros módulos del sistema para conocer las preferencias de los usuarios, anuncios dirigidos a comportamientos, construcción de una guía electrónica de programación (EPG) de canales virtuales preferenciales, almacenamiento de programas preferenciales y recomendaciones automáticas de programación.
El nuevo sistema de determinación de objetivos de anuncios infiere una categoría publicitaria de usuario de TV sin exigir al espectador introducir explícitamente la información. Una categoría publicitaria se refiere, en la presente memoria, a un conjunto de características descriptivas que agrupa a un subconjunto de usuarios en categorías que pueden estar en correlación con un interés objetivo de los publicistas. Tradicionalmente, estas categorías se han basado en características demográficas; sin embargo, la presente invención expande la creación de modelos de usuarios, y la determinación de objetivos, para incorporar también métricas del comportamiento. De este modo, es posible un sistema de determinación de objetivos de anuncios más sólido y refinado. Al margen de la técnica anterior, el presente sistema de determinación de objetivos no está impulsado por datos de programas, sino los datos de comportamiento. La premisa fundamental de esta invención es que las personas de una categoría similar presentarán algunos comportamientos de los que se pueden crear modelos y que se pueden agrupar con un grado significativo de consistencia. El aspecto subyacente primario de la invención es desarrollar un modelo exacto del proceso dinámico, de modo que un motor de agrupamiento, con un conjunto práctico de dimensiones características, que pueden separar de modo eficaz, o clasificar, a la gran mayoría de los espectadores. Además, para objetivar automáticamente los elementos de categoría publicitaria, la meta es aplicar el motor de creación de modelos de comportamiento y la base de datos para determinar la preferencia contextual de un usuario de TV para programación y anuncios.
La presente invención crea modelos de la visión de los programas de TV como un doble proceso de Markov oculto, pseudo-aleatorio, en el que existe una máquina de estados estadísticos de bajo nivel oculta (SSM), que crea modelos de un grupo de comportamiento y un nivel superior observable SSM, que infiere los grupos de comportamiento activos y la interacción entre ellos. El sistema se forma con datos de aprendizaje etiquetados (por ejemplo, los datos de las preferencias de selección de programas de TV en tiempo real, etiquetados con la identidad demográfica de los espectadores) de una muestra de población que ve la TV estadísticamente significativa. El modelo de clasificación es una combinación híbrida de un proceso aleatorio parametrizado, la heurística y varias métricas del comportamiento de una sola dimensión. Una multiplicidad de medidas de la calidad de los datos determina la significación estadística de, y la confianza en, la formación y los datos de las pruebas.
La presente invención comprende una medida de confianza de tamaño de muestra innovadora. Esta métrica hace una estimación del sesgo en el proceso aleatorio que impulsa el SSM mediante el cálculo del ratio de la cobertura de transición de estados prevista, suponiendo que las transiciones de estados fueron elegidas de forma aleatoria uniforme al número real de las diferentes transiciones de estados observadas. El ratio representa el enfoque de transición de estados comparado con la aleatoriedad e indica el grado en que existen suficientes muestras para inferir un proceso aleatorio no uniforme, concretamente la personalidad de un telespectador, según determina significativamente la estructura de SSM.
El modelo de proceso aleatorio doble presenta varias dimensiones para capturar una amplia gama de típicos, aunque a veces únicos, comportamientos de uso del aparato de TV. En la forma de realización preferida, la acción de cada usuario, o las no acciones seleccionadas, crea eventos de transición paralelos 55 m en cada una de las tres categorías de estados: Canal, Género y Título. Estas categorías de estados se subdividen, además, en estados de igualdad/desigualdad, y características de corta_visión/no corta_visión. Dentro de cada máquina de estados categórica descrita existe dimensiones cronológicas que crean modelos den transiciones de estados sensible al tiempo. Las dimensiones de la forma de realización preferida crea modelos de la cronología del caso de transición utilizando una nueva estrategia que comprende día_de_semana, hora_del_día, hora_tiempo_después_del_encendido_de TV y tiempo_desde_último_cambio. El proceso de selección de programas por el usuario de TV, cuando se observa a través de este modelo sensible a la transición y al tiempo, detecta configuraciones de uso complejas que tienden a ser únicas para los individuos, y más ampliamente a clases de individuos interesantes. Secuencias de comportamiento mayores que una sola transición, como "surfing" de (navegación entre) canales y una multiplicidad de distribuciones heurísticas, tales como tiempos de visionado de la sesión, y parámetros psicométricos, tales como curiosidad de género, se utilizan fuera de la máquina SSM como dimensiones en un espacio de clasificación pseudo-euclidiano.
Un método de agrupamiento, nuevo en su género, combina los modelos de transición de SSM (utilizando técnicas de parametrización de matrices de transición) y distribuciones de parámetros no gaussiana (mediante definición de medidas de distancia de distribuciones de histogramas únicas) para determinar la separabilidad del usuario a través de una arquitectura de votos de dimensiones. Cada dimensión vota dos grupos como separados si la distancia de separación media entre la mayoría de los puntos es mayor que su varianza de separación. La superación de un cierto número de umbrales de votos de separación dimensional determina si los grupos están separados. El porcentaje de las dimensiones que son votadas como no separables entre dos grupos aproxima su magnitud de solapamiento.
Según una característica añadida de la invención, el agente de software del motor de búsqueda de grupos (CE) reside en un singular sistema informático centralmente situado en el extremo de centro de control de distribución de TV (denominado Gestor de Anuncios-Admanager) y crea perfiles de comportamiento en plantillas, que corresponden a las categorías de anuncios dirigidas de los telespectadores de TV. Para conocer el perfil más general de un grupo objetivo particular, el CE está capacitado solamente para datos de visionado etiquetados desde ese grupo. El CE generaliza los perfiles de los espectadores, en cada grupo, en una agregación representativa para las respectivas categorías de determinación de objetivos de los anuncios. Los perfiles de categoría de anuncios evolucionan al agregar todas las dimensiones más fuertemente en común con el grupo y las más singulares a través de grupos objetivos.
Según otra característica de la invención, los perfiles de comportamiento de la categoría de grupo de anuncios prototipo son innovadoramente parametrizados por la parte organizadora de distribución (metadatos) de la información de programas de anuncios y de los propios anuncios, que es parte del gestor de anuncios (denominado servidor de anuncios) para comprimir los modelos de determinación de objetivos para la descarga, eficiente en banda ancha, a los agentes miembros de categorías publicitarias (MemberAgent) residente en el campo de los aparatos de TV.
Según otra característica adicional de la invención, los MemberAgents del campo de aparatos de TV reconstruyen los modelos de determinación de objetivos parametrizados descargados y utilizan un CE similar aplicado al historial del usuario de TV, creado por el agente de creación de perfiles de TV (ProfAgent), para determinar las categorías de anuncios más probables a las que pertenece el usuario e introducir los resultados en una base de datos de categorías de usuarios. Los agentes denominados Agentes de Determinación de Objetivos y Almacenamiento y de Presentación (PresAgent) en el campo de TV combinan estas probabilidades de categorías de determinación de objetivos y otra información relevante (información preferente) para, de manera selectiva, capturar, almacenar y visualizar los anuncios óptimos descargados, comprendiendo vídeos y pancartas virtuales, para el usuario.
Los ProfAgents en el lado del cliente o TV de campo construyen, de forma continua, una base de conocimientos de preferencias y comportamientos de transición contextual que perfilan a los usuarios de TV en su residencia. El
ProfAgent crea modelos de la interacción de comportamientos con anuncios y programas regulares o de entretenimiento de la misma forma con, sin embargo, nombres de categorías de estados posiblemente diferentes. Las preferencias para programas de ocio podrían incluir afinidades con cualquier campo de metadatos o entradas en una guía electrónica de programación (EPG), tales como títulos, géneros, canales y actores. Se produce un caso de transición entre las correspondientes entradas de la EPG de programas (por ejemplo, creación de transiciones entre programas con diferentes canales y géneros), crea, como consecuencia, una transición de géneros y de canales. Los anuncios tienen su versión de información de la EPG que es similar a la de los programas regulares. El sistema aprende las preferencias de transición de anuncios de un usuario de la misma forma que lo hace para los programas regulares, con la salvedad de que el género del anuncio es su Código de Industria Estándar (SIC) de su producto, el título del anuncio es el Código de Producto Universal (UPC) del producto o el denominado código SKU (Unidad de Mantenimiento de Stocks) y el sistema considera al protagonista del anuncio como el patrocinador corporativo. De este modo, las estructuras y los algoritmos de datos idénticos crea modelos del programa de usuario y de los comportamientos de transición de anuncios.
Esta información se facilita por el extremo del centro de control en los metadatos de anuncios de la misma forma que los metadatos de Información de Contenidos de un programa y las guías EPG preceden a la difusión televisiva. De este modo, el ProfAgent aprende la preferencia de la empresa patrocinadora y el producto para los anuncios, de la misma forma que se aprenden las preferencias de género y actor, según se describe aquí con detalle. Esto permite la determinación de objetivos de los anuncios a no solamente al prestigio de la marca corporativa demográfica inferida por un usuario, sino también a su producto concreto o intereses de categoría de productos en general. Por ejemplo, a través del SIC, el ProfAgent puede conocer si a un usuario le gustan los servicios financieros o los anuncios de automóviles. De forma similar, una campaña de marca de Pepsi Cola podría dirigirse a usuarios a los que le gusta el SIC de la soda, o más concretamente, los Anuncios de Coca Cola. En otro aspecto, utilizando el UPC, la sociedad Gillette podría dirigirse a usuarios a los que específicamente les gustan los anuncios de la afeitadora eléctrica, modelo Remington 3000. En todavía otro aspecto del sistema de determinación de objetivos, una agencia de publicidad podría dirigirse a usuarios a los que, por ejemplo, les gustan los anuncios de Apple Computer Company pero a los que, por el contrario, no les gustan los anuncios de ordenadores. Este usuario puede entretenerse con sus anuncios, pero no tener ningún interés por su producto. Esta podría ser una oportunidad para la Agencia de Publicidad de centrarse en un anuncio de información comercial al usuario, para servir de puente entre el conocimiento de la marca por el usuario y la compra del producto.
En el transcurso del tiempo, una amplia base relacional de conocimientos conoce asociaciones muy valiosas entre el comportamiento de uso de TV por el usuario, la demografía, los programas y las preferencias de los anuncios. Esta base de conocimientos no solamente aumenta la determinación de objetivos del anuncio dentro del campo de la TV, sino que también tiene una potencial generación de ingresos al comercializar la información personal agregada a terceros.
En un ejemplo de la presente invención, un ProfAgent de TV crea modelos de las configuraciones de comportamientos de uso de TV con un modelo de comportamiento (BM) similar al motor de búsqueda de grupos utilizado en el extremo de centro de control de TV, y extrae información de uso clave desde el BM a una base de datos de comportamientos. Cada entrada de la base de datos de comportamientos presenta un valor de confianza generado por una multiplicidad de nuevas técnicas presentadas aquí con detalle. La confianza de la entrada de la base de datos, registrada por el ProfAgent, refleja una estimación de la calidad estructural y de muestreo de los datos utilizados para calcular la entrada en la base de datos.
La TV recibe los metadatos de determinación de objetivos de los anuncios con términos de consulta restrictivos para visualizar el anuncio asociado solamente con las entradas de la base de datos del usuario seleccionado que coinciden con las limitaciones de las consultas. Cada término de consulta de metadatos de anuncios presenta un término de umbral de confianza mínimo que especifica el nivel de confianza más bajo a la hora de satisfacer el término, o términos, de la consulta, aceptables para visualizar el anuncio dirigido.
Por ejemplo, una limitación de determinación de objetivos de un anuncio, tal como por ejemplo: Varón@ 80% Y edad : 25-35@50% tiene el efecto de mostrar solamente el anuncio a usuarios para los que el TASAgent predeterminó que presentaban al menos un 80% de confianza de que era un varón y al menos un 50% de confianza en que dicho varón tenía entre 25 y 35 años de edad.
En otro aspecto de especificación del nivel de confianza existe un nivel de expresión del umbral de confianza como sigue: "(género: Varón Y edad 25-35)@80%". Esta modalidad de determinación de objetivos selecciona la visualización del anuncio solamente a usuarios en los que el sistema tiene al menos un 80% de seguridad de que son varones y con edad entre 25 y 35 años. Estos procedimientos proporcionan flexibilidad permitiendo que los anuncios especifiquen los términos de selección de determinación de objetivos más importantes o especificar una gama de personas que están lo suficientemente próximas al perfil de determinación de objetivos preferido para que se les muestre el anuncio. El agente de determinación de objetivos y almacenamiento (TASAgent) solamente selecciona perfiles desde la base de datos cuya clasificación de confianza agregada por dimensión satisfaga los límites de la consulta establecidos por los metadatos de determinación de objetivos de los anuncios.
En otro aspecto del sistema de establecimiento de umbrales de confianza, el filtro de selección de consulta se establece como una expresión de Lógica Difusa y no Booleana. La expresión de consulta de determinación de objetivos es similar a los términos de confianza con porcentaje probabilístico con dos notables excepciones: los literales de miembros difusos sustituyen a los términos de porcentajes y una tabla difusa de literales sincroniza al cliente y al servidor.
A modo de ejemplo, la modalidad de expresión de la consulta aparece como sigue:
"género:Varon@VERY_SURE AND Edad:25-35@FAIRLY_SURE"
Esta consulta seleccionaría usuarios cuyo TASAgent fuera muy seguro de que es un varón, y bastante seguro de que su edad está entre los 25 y los 35 años. La tabla difusa literal (FLT) enumera la gama admisible de miembros difusos que cada categoría publicitaria puede mostrar. Un ejemplo de tabla difusa literal (FLT) es:
Varón: [UNSURE,FAIRLY_SURE,VERY_SURE]
Edad: [UNSURE, FAIRLY_SURE,VERY_SURE,CERTAIN]
La ventaja del último método de expresión radica en que la Agencia de Publicidad principiante solamente especifica el grado de confianza requerido en términos intuitivos, no matemáticos, y deja la gama exacta de porcentajes de confianza hasta que el TASAgent decida y la optimiza continuamente. Además, el método difuso gestiona el significado no determinístico de los términos de confianza en porcentaje en la base de datos. El TASAgent aprende los rangos de clasificación de confianza en porcentaje, históricamente asociados con cada nivel de rendimiento difuso.
Otras características que se consideran como características de la invención se establecen en las reivindicaciones adjuntas.
Aunque la invención se ilustra y describe aquí como materializada en un sistema y método para grupos de modelos de comportamiento en el uso de TV de este modo como la publicidad dirigida y la programación de preferencia, no obstante no está destinada a limitarse a los detalles ilustrados, puesto que se pueden efectuar, en esta forma de realización, modificaciones y cambios estructurales diversos, sin apartarse del espíritu de la invención y dentro del ámbito y alcance de equivalentes de las reivindicaciones.
La interpretación de la invención, sin embargo, junto con otros objetivos y sus ventajas se comprenderán mejor a partir de la siguiente descripción de una forma de realización concreta, cuando se lea en relación con los dibujos adjuntos.
Breve descripción de los dibujos
la Figura 1 es un diagrama de bloques que ilustra los más importantes módulos de la parte del operador del sistema para establecer objetivos de programas o de anuncios según la invención;
la Figura 2 es un diagrama de bloques de un motor de agrupaciones de comportamiento, que forma parte del sistema según la invención;
la Figura 3 es una visión general, en forma de diagrama, de un modelo de Markov oculto con doble proceso aleatorio;
la Figura 4 es un diagrama que ilustra una máquina de estados estadísticos con espacios tri-estado que se representa en funciones de densidad de probabilidad;
la Figura 5 es un diagrama de una matriz de transición de canal ejemplo que representa una máquina de estados;
la Figura 6 es un diagrama de bloques de un servidor de determinación de objetivos que representa un sistema de aprendizaje de prototipo de comportamiento respecto a las categorías publicitarias;
la Figura 7 es un diagrama de bloques que se expande con la técnica de poda estadística intra-perfil en la sección de agregador de grupos del servidor de determinación de objetivos ilustrado en la Figura 6;
la Figura 8 es un diagrama de bloques de un sistema de clasificación de categorías publicitarias en el lado del cliente;
la Figura 9 es un diagrama de bloques de un sistema de determinación de objetivos que ilustra el lado del servidor y el lado del cliente;
la Figura 10 es una ilustración en diagrama de bloques de una arquitectura de motor de búsqueda para determinación de las preferencias;
la Figura 11 ilustra los gráficos que registran diversos ratios de visionado de programas sin "surf" (con 1.657 entradas de usuarios);
la Figura 12 ilustra cuatro gráficos que registran las estadísticas de comportamiento de variación por saltos de 1.657 usuarios.
la Figura 13 es un modelo de secuencias de estados;
la Figura 14 representa cuatro gráficos con distribuciones estadísticas de comportamientos de usuarios típicos, con registros semanales de 1.657 usuarios; y
la Figura 15 representa cuatro gráficos que ilustran diversas distribuciones de parámetros adicionales para los 1.657 usuarios a modo de ejemplo.
Descripción detallada de las formas de realización preferidas
Haciendo referencia a continuación a las figuras del dibujo en detalle y en primer lugar, en particular, a la Figura 1, se ilustra una visión general, en forma de diagrama, de un sistema según la invención. La parte esencial de la invención es la aplicación de una cadena de Markov oculta y estadísticas de comportamientos de usuarios para crear modelos y predecir el grupo demográfico de un telespectador y/o el comportamiento más popular de un grupo demográfico de individuos. El objetivo principal es predecir el grupo demográfico de un espectador dado y/o qué programas le gustaría ver, de este modo como mejorar la exactitud de predicción y creación de modelos cuantos más datos de visionado estén disponibles en tiempo real.
El sistema da a conocer dos formas para predecir el grupo demográfico de un telespectador, a saber, a través de una base de conocimientos de grupos demográficos dinámicos (DDC) y sobre la base de las similitudes entre lo que el espectador contempla y los canales virtuales previstos por el PDM para los grupos demográficos.
Como se indicó anteriormente, los objetivos primarios de la invención se refieren a la determinación de objetivos de contenidos de la publicidad y de contenidos de programas para un espectador o grupo de espectadores que cumplen algunos requisitos demográficos, si se dan dichos requisitos.
El sistema representado en la Figura 1 está separado en un extremo de centro de control y un cliente. La programación, el contenido de publicidad y el secuenciación de los contenidos de TV se determina en el extremo del centro de control. La información de flujo de programas se transmite al lado del cliente en un flujo de multiprogramas. Según se indica por la línea de trazos, retornando desde el receptor al extremo del centro de control, una retroalimentación de selección de programas proporciona información, en tiempo real, referente al comportamiento de visionado del cliente. Aunque la conexión de retroalimentación suele estar disponible en sistemas de cables digitales y otros sistemas de conexión directa, la invención se puede realizar también sin la retroalimentación directa. Los detalles de la retroalimentación en tiempo real y las realizaciones de retroalimentaciones muestreadas surgirán a partir de la siguiente descripción.
Los datos suministrados por los recursos externos comprenden información referente a la información de control de visionado de todos los grupos demográficos, en los que el anunciante o los proveedores de contenidos puedan estar interesados. Dichas variables comprenden (a) fecha de la visión, (b) tiempo de inicio de la visión, (c) duración de la visión, (d) canal que se ve y (e) la información demográfica del espectador, tal como, por ejemplo, edad, sexo y datos similares. Los datos de entrada comprenden, además, la información de la guía electrónica de programación (EPG) entrante.
Los datos históricos desempeñan un papel de un conocimiento previo de los grupos demográficos. Estos datos definen la información del comportamiento del espectador. El conocimiento del sistema se limita a los grupos demográficos al comienzo.
El núcleo básico de la invención -referente a la adquisición de datos para el modelo de comportamiento necesario- es el adquiridor de la base de conocimientos de grupos demográficos en base de modelo de Markov oculto. La entrada del módulo la forman los datos del comportamiento y, si se dispone, la retroalimentación de las preferencias de selección de programas ("preferencias de selección de programas"). La salida del módulo es la base de conocimientos en forma de una matriz de transición con conjuntos de ponderación, que se explicará en el texto dado a continuación.
La invención da a conocer, además, mejoras en la creación de modelos y predicción sobre la base de la información de retroalimentación, que comprende datos del comportamiento en tiempo real en la forma de las preferencias de selección de programas (p.e., secuencias de pulsaciones del mando a distancia o de encendidos del aparato de TV).
Volviendo ahora a los diversos detalles del nuevo sistema, la Figura 2 ilustra una arquitectura de motor de búsqueda de grupos de comportamiento pseudo-euclidiano (BCE), según una forma de realización de la presente invención. Un modelo de Markov pseudo-oculto 1 (pHMM) captura transiciones de estados de comportamiento. Un sub-bloque 2 de métrica de comportamiento heurística (HBM) detecta, de forma algorítmica, y representa estadísticamente una multiplicidad de características predictivas de usuarios de TV. El flujo de control del aparato de TV 3 para el usuario de TV, por ejemplo, las preferencias de selección de programas de mandos a distancia, se alimenta en el pHMM y el HBM. Estos bloques se parametrizan en un espacio de clasificación altamente dimensional 5 que proporciona un grupo espacial de los datos de formación a los subsiguientes módulos 6.
La Figura 3 es un diagrama de bloques que se centra en el bloque pHMM de la Figura 2. Varias máquinas de estados estadísticos trabajan en tándem para crear modelos de las preferencias de selección de programas del usuario. La forma de realización preferida presenta múltiples procesos del comportamiento ocultos y de bajo nivel de este modo como un proceso de transición de usuario del más alto nivel. Los procesos aleatorios ocultos comprenden espacios de estados de títulos de canal, género y preferidos que operan en paralelo. El proceso aleatorio del más alto nivel, o máquina de estados estadísticos (SSM), crea modelos de la probabilidad de que algunas activaciones de procesos del comportamiento, y otros factores de comportamientos heurísticos, infieran a un usuario particular. Cada espacio de estado presenta un sub-espacio de transición sensible temporalmente, que mantiene un registro de seguimiento de los diversos comportamientos de los usuarios que dependen del tiempo.
La arquitectura del Motor de Búsqueda de Grupos de Comportamiento (BCE) pseudo-euclidiana de la Figura 2 representa una forma de realización de la presente invención. Comprende un pseudo Modelo de Markov Oculto (pHMM) para capturar la transición de estados en el comportamiento. En general, el "pseudo" calificador indica que este sistema parte desde una definición tradicional, pero mantiene similitudes sustanciales como las enumeradas después de una breve descripción del HMM.
Un HMM es un proceso aleatorio doble que presenta un proceso aleatorio subyacente, es decir no observable y, por lo tanto, oculto. Además, algunos aspectos de este proceso oculto son observables a través de otro proceso aleatorio o un conjunto de procesos aleatorios. El proceso aleatorio observado produce una secuencia de símbolos, en el presente caso, probablemente categorías de usuarios, que se pueden medir con determinadas propiedades estadísticas. El modelo procura describir tanto las variaciones a corto plazo, en el proceso aleatorio, como las características de estados estacionarios. Objeto de especial preocupación son las transiciones desde un intervalo a otro. En general, se supone en la presente que leyes estadísticas rigen las variaciones temporales observadas en el proceso de visionado de TV.
El objetivo del BCE es crear modelos y agrupar el uso de TV y la selección de contenidos, las configuraciones de datos de series temporales generadas por un mando a distancia de TV o botones pulsados del aparato de TV, aquí mencionados como las preferencias de selección de programas ("preferencias de selección de programas"). Existen dos formas de datos de las preferencias de selección de programas; se realizan en tiempo real y son objeto de muestreos estadísticos.
\bullet
Datos en tiempo real son los que el sistema de TV real registra desde los mandos a distancia de TV del usuario. Estos datos se muestrean a alta velocidad y pueden ser pulsaciones de cualquier botón de control de TV y se pueden acumular temporalmente en un fichero para uso posterior.
\bullet
Los datos muestreados estadísticamente son grabados por un tercero, como por ejemplo, Nielsen o Arbitron, y suelen presentar información detallada de usuario, resolución en tiempo limitado y solamente registra los cambios de canales de un subgrupo estadísticamente representativo de la población que ve la TV.
Dos aspectos primarios del sistema de determinación de objetivos de anuncios dependen directamente de los datos de las preferencias de selección de programas. En primer lugar, el agente de creación de perfiles (ProfAgent) en TV crea modelos de los usuarios de TV a través de datos de las preferencias de selección de programas en tiempo real y de información de contenidos de programas o de la Guía Electrónica de Programación (EPG). En segundo lugar, el BCE utiliza datos de las preferencias de selección de programas muestreados estadísticamente y los correspondientes datos de la guía EPG pasada para incorporar grupos de comportamiento de categorías publicitarias. Todos los datos de usuarios de TV, muestreados estadísticamente en el presente documento, utilizan una investigación de mercado con registro digital realizada por BARB TV Research corp. (Londres, Inglaterra) de 1657 usuarios de TV por satélite británicos durante un período de seis meses en 1998.
Una pluralidad de medidas heurísticas realiza una estimación de las preferencias de los usuarios por los programas de TV, categorías de programación y algunos comportamientos de los usuarios. Con estas medidas de las preferencias, un motor de determinación de preferencias (PDE) utiliza un sistema de aprendizaje reforzado, basado en votaciones, para asignar clasificaciones de preferencias a todas las entradas de la guía EPG.
El motor de búsqueda de determinación de preferencias (PDE), cuya arquitectura se ilustra en la Figura 10, da a conocer predictores de preferencias para todos los grupos demográficos, es decir, para un grupo en lugar de para una persona individual. La diferencia entre una persona y un grupo es que el motor de búsqueda de determinación de preferencias ha de captar los programas que gustarán a una mayoría de las personas en un grupo demográfico durante un tiempo particular. Detalles adicionales de la realización del PDE se pueden encontrar en la solicitud de patente en trámite asignada en común nº P02408US, que se incorpora aquí como referencia.
La probabilidad del grupo se puede determinar como sigue:
P^{t}_{C_{t}} = \frac{1}{N} \sum\limits^{N}_{j} P^{t}_{C_{i,j}}
en la que P^{t}_{C_{i,j}} es la probabilidad de que a una persona j de un grupo demográfico i le guste el programa en el canal C en el momento t; N es el número de personas del grupo demográfico i, que presentan la más alta probabilidad de ver el canal C a la hora t.
A continuación, el canal captado es el que presenta una más alta P^{t}_{C_{t}}.
La arquitectura del motor de búsqueda de determinación de preferencias, ilustrada en la Figura 10, comprende una pluralidad de filtros de detección de preferencias 10 (PSF), una base de datos de modelos de comportamiento 11 (BMdbase), una capa de generación de votos, peso de votos a la salida y un mecanismo de enseñanza reforzado. Cada sensor de preferencias filtra las configuraciones de comportamientos del usuario en un valor analógico proporcional al grado en que se produce el comportamiento dirigido. Los PSF y pHMM reciben los datos de las preferencias de selección de programas desde un sensor 12, y mantiene dinámicamente la BMdbase 11. La presente forma de realización de BM comprende el nuevo PSF, tal como se define como sigue:
1.
Time_watched/Time_available para programas sin búsqueda en red y sin variaciones por saltos
2.
Time_missed_/Time_available, para todos los programas sin navegación.
3.
Time_left/Time_available, para todos los programas sin navegación
4.
Time_watched/Time_available, para programas con variaciones por saltos
5.
Time_between_hops, para programas con variaciones por saltos
6.
Número de variaciones por saltos por programa
7.
La visita independiente del tiempo sesga todas las entradas de la EPG
8.
La visita de Tiempo en Programa (TIP) sesga todas las entradas de la Guía Electrónica de Programación (EPG).
9.
La visita de Tiempo en Sesión (TIS) sesga todas las entradas de la EPG
10.
La visita de Hora del Día (TOD) sesga todas las entradas de la EPG
11.
La visita del Día de la Semana (DOW) sesga todas las entradas de la EPG.
Aunque los términos se explican por sí mismos, a continuación facilitamos su definición:
En el elemento 1, el término time_watched (Tw) es el tiempo de visionado total, posiblemente no contiguo, para un programa particular. Time_available (T_{a}) es la duración del programa. La relación Time_watched/Time_available (T_{w}/T_{a}) indica la cantidad del programa que el usuario ha visto y refleja estadísticamente su interés en el contexto.
En el elemento 2, el término Time_missed (T_{m}) es la cantidad de tiempo que un usuario llega tarde a un programa (negativo si es al principio). La proporción Time_missed/Time_available (T_{w}/T_{a}) refleja la impaciencia de los usuarios, y la posible planificación, para ver el comienzo del programa, y de ello una mayor preferencia de programa que si el usuario, con frecuencia, empieza a verlo con retraso. En caso negativo, es un indicador especialmente fuerte de que el usuario gasta mucho más esfuerzo en la planificación, y de ahí que tenga una mayor preferencia, para ver el comienzo del programa.
En el elemento 3, el término Time_left (T_{i}) es el tiempo del final del programa menos el tiempo que el usuario abandona el programa (negativo si ha permanecido después del final). Time_left/Time available (T_{i}/T_{a}) es un ratio para calibrar el interés del usuario en no perderse el final del programa, de ahí una mayor preferencia por el programa que si el usuario, a veces, lo abandona al comienzo.
Tomadas en su conjunto, estas medidas determinan en conjunto, estas medidas determinan la cantidad y la calidad del posible tiempo gastado en ver un programa. Como se ilustra en la Figura 10, mucha gente tiende a agruparse en cada una de estas métricas. El resultado es una excelente correlación con la preferencia del programa. Conclusión y medidas exactamente similares como T_{w}/T_{a}, T_{m}/T_{a} y T_{i}/T_{a} se aplican, tanto para anuncios como para programas.
Las métricas de preferencia relacionadas con las variaciones por saltos del programa, puntos 4 a 6, calculan la preferencia del programa en relación con el comportamiento de las variaciones por saltos. Un "hop" de programa es la acción de abandonar y retornar al mismo programa. Un programa surf es la acción de dirigirse a, y salir de, un programa dentro de un cierto corto período de tiempo, por ejemplo, 5 minutos. Cuando un usuario retorna a un programa, se trata de un fuerte indicador de que existe algo en el programa, que merece la pena volver a, o aproximado. La Figura 11a ilustra gráficamente el T_{w}/T_{a} para programas con variaciones por saltos. Ha de entenderse que los programas con variaciones por saltos son más frecuentes que los que no los presentan. Una indicación de salto es una indicación de mayor preferencia.
En el punto 5, el término Time_between_hops designa el tiempo (en minutos) seguía adelante desde el programa original antes de retornar. Como se ilustra, la mayor parte de los usuarios habían tenido variaciones por saltos inferiores al 2% del programa. Más allá del intuitivo atractivo de esta métrica, estos datos combinados con el sesgo de preferencia anterior para programas con variaciones por saltos, demuestran la tendencia de que cuanto más corto es el tiempo adelante, más prefiere el usuario el programa original.
Con un atractivo intuitivo y observacional similar, el número de variaciones por saltos por programa del punto 6 es un poder inversamente proporcional para la preferencia del usuario. Es decir, cuanto con mayor frecuencia un usuario salta atrás y adelante en un programa, menos probable es que le guste el programa. La Figura 11c indica que la mayoría de la gente salta solamente una o dos veces en un programa con cualquier variación por saltos. Es importante advertir, que mayores frecuencias de saltos son cada vez más raras, y por tanto no son preferentes ya que la mayoría de los programas saltados presentan una proporción Tw/Ta relativamente elevada.
Aun más, otras métricas de preferencias de programas de nueva clase, se basan en un método único para determinar la preferencia del comportamiento del usuario, puntos 7 a 11. Preferencia del usuario, tal como se utiliza aquí, es el enfoque prejudicial de comportamientos para seleccionar un subconjunto significativamente limitado de posibles elecciones. Con este concepto como la motivación, la preferencia adopta la forma teórica de una proporción de la dispersión de selección aleatoria uniformemente esperada frente a la dispersión de comportamiento observada. La preferencia de comportamiento del usuario es una herramienta psicométrica que mide la preferencia psicológica de un usuario para elegir un comportamiento objetivo sobre otras opciones en el campo del comportamiento. Un tratamiento matemático de la métrica de preferencia, sigue posteriormente un resumen de su aplicación en las preferencias de programa de usuario.
La métrica de preferencia de comportamiento puede determinar si una selección en cuestión presenta evidencia suficiente para inferir que la selección del usuario es una acción preferida. Más específicamente, indica la probabilidad de un proceso de selección aleatoria no uniformemente. Por ejemplo, si la selección de un determinado canal se produce con la misma probabilidad aleatoria, entonces no existe evidencia de la preferencia de selección del usuario, y el canal se asume como no preferido. En la situación contraria de la selección, que se hace varias veces más probablemente quede forma aleatoria, entonces se considera que el canal es el preferido.
De forma similar, el voto de preferencia del punto 7 retorna la preferencia global a visitar cualquier entrada de la guía EPG particular. Los puntos 8 a 11 son consultas de preferencia restringida temporalmente.
El punto 9 devuelve un voto sobre la preferencia a efectuar cierta selección en un momento especificado después del comienzo de una sesión de ver la TV. Una sesión es el período de uso de la TV que empieza cuando la TV se enciende y termina cuando se apaga el aparato. Por preferencia para visita es la frecuencia de visita de contenido o categoría, de forma aleatoria.
Similarmente, el punto 10 restringe la consulta de preferencia a la hora del día, y el punto 11 es el día de la semana de voto de consulta de preferencia de selección. Las métricas de sesgo de preferencia prescritas son superiores a la técnica anterior ya que esta última calcula las frecuencias absolutas de algo que sucede y la probabilidad relativa de la aparición de frecuencia de un evento observado particular. En cualquier período corto de tiempo, un proceso que es uniformemente aleatorio puede parecer que prefiere algunas posibilidades sobre otras y produce una situación engañosa para un sistema de determinación de preferencia basada en la frecuencia para inferir la preferencia de un usuario. Sin embargo, en tales circunstancias, el actual esquema de detección de preferencia podría indicar que existen muestras insuficientes o que no están concentradas suficientemente para inferir la preferencia del usuario. Esto tiene el efecto de disminuir la confianza en la calidad deficiente, en métricas basadas en la frecuencia de visita, y disminuye su contribución a la evaluación de preferencia de programa final, aumentando la precisión rechazando datos de muestras estadísticamente erróneos.
En adición a la preferencia relacionada con la entrada de la guía EPG, se consideran preferencias relacionadas con el comportamiento, tales como las descritas aquí. Las preferencias de comportamiento proporcionan un mecanismo para realizar predicciones de preferencia de programa en el contexto de configuraciones de acción pasadas del usuario. Con frecuencia, es el caso de que la disposición del espectador o circunstancias contextuales que comprenden esperas en colas temporales, pueden influir en las preferencias de forma tal que presenta un programa que gusta en un contexto, y no preferido en otro. En la medida en que el BCE crea modelos del contexto de comportamiento de interés, es posible una preferencia de programación más precisa.
La base de datos de modelos de comportamiento BMdbase 11 de la Figura 10, es atendida por un motor de búsqueda de modelos de comportamiento estandarizado. La consulta objetivo correspondiente de los datos del modelo de comportamiento (BM) se describirán a continuación:
Todos los comportamientos modelizados y las relaciones temporales en el BCE, tal como se describen en la presente invención, actúan como BMdbase para módulos de sistema para buscar las configuraciones de uso en tiempo real del espectador en una sesión de TV, y no efectuar simplemente el cálculo utilizando la preferencia media de usuarios de un programa. La BMdbase es un servidor de búsqueda de preferencia de comportamiento para cualquier módulo de sistema que requiera determinadas configuraciones de comportamiento para tomar una decisión más óptima. Los módulos que consultan la BMdbase comprenden el agente de determinación de preferencias (PDE) 13, el TASAgent y el PresAgent. El motor de búsqueda de búsqueda de modelo de comportamiento (BMQengine) sirve todas las consultas de búsqueda a la BMdbase.
Cualquier variable de estado de entorno (tal como volumen de TV), o entrada de la guía EPG, (por ejemplo, canales), o sus derivados, es potencialmente un hiperplano en la dimensión 1, por debajo, del modelo de comportamiento. El modelo de transición de comportamiento preferido presenta cinco dimensiones (Dim), como se indica a continuación:
\bullet
Dim 1-[likedTittle, likedChannels, unlikedChannels, surfChannels likedGenres, unlikedGenres]
\bullet
Dim 2-[de código de Estado, es decir, canal, o género, o número de ID de título]
\bullet
Dim 3-[a código de Estado, es decir, canal, o género, o número de ID de Título]
\bullet
Dim 4-[no Temporal, DOW, TOD, TIS, TIP]
\bullet
Dim 5-[caja de intervalo difusa temporal]
La Dim 1 selecciona el tipo de variable de estado.
La Dim 2 establece una limitación para el "desde" estado de interés con la ID de referencia.
La Dim 3 establece la ID de estado "a" de la consulta. Las ID de referencia podrían ser letras para buscar canal, tales como "ABC", nombres de géneros tales como "películas", o códigos confusos de título.
La Dim 4, el tipo de relación temporal; y
La Dim 5, el intervalo de tiempo correspondiente, por ejemplo, selecciones válidas para DOW (Día de la Semana) son: Lun., Mar., Mier., Jue., Vier., Sab., y Dom.
Existen aproximadamente de 14 a 16 categorías difusas de socios que proporcionan un modelo borroso digno de confianza. El número de elementos dentro de las categorías puede establecerse para variar en torno a siete para categorías de miembros no importantes (relación time_left/time_watched), hasta en torno a 17 para las categorías más importantes (por ejemplo, time watched).
Además de las limitaciones en la búsqueda BM, existen especificaciones funcionales (specs.). La función "specs." comprende, pero sin limitación a ello, lo siguiente:
Función Query-[mostLikely, leastLikely, Top_n, Bot_n, time_sun]
La función de búsqueda más (menos) probable devuelve los estados de probabilidad más elevada (más baja) y valores de preferencia que satisfacen el resto de las limitaciones de consulta. "Top_n" (Bot_n) devuelve el número "n" de los estados de probabilidad más elevada (más baja) y valores de preferencia que satisfacen el resto de las limitaciones de consulta. La función "time_sum" agrega todos los términos de preferencia (en promedio, o recuento, etc) en cada TimeType'sTimeValue especificados. De este modo, el formato de búsqueda de transición general es:
"[QueryFunction] [State Type] [fromStateID] [toStateID] [TimeType][TimeValue]".
A modo de ejemplo, la siguiente consulta busca los 5 géneros que más gustan el Domingo:
"QueryFunction = Top_n=5, StateType=LikedGenres, fromStateID=null, toStateID=null, TimeType=DOW, TimeValue=Sunday"
Un resultado de consulta típica, en el que 100 es la preferencia máxima, es:
[action = 60, news = 40, comedy =30, null, null]
si solamente tres géneros gustaron en los Domingos.
Un uso típico de "time_sum" es buscar el tiempo más probable de actividad de un StateType. Por ejemplo, los 3 momentos del día en los que más probablemente un usuario contempla la TV. La búsqueda es:
"QueryFunction = time_sum, StateType = LikedChannels, fromStateID = null, toStateID = null, TimeType = TOD, Time-Value = null".
En este caso, la función "time_sum" agregará todas las predisposiciones de transición por intervalo TOD (Hora del Día), y devolverá una lista de resultados. Si la persona es más activa por las mañanas, tardes y noches, entonces una respuesta de búsqueda típica sería: (;) ("atribuye una nueva fila", y "," una nueva columna):
[(late_night, very_often); (wee_hours, never); (early_morning; never); (morning, mostly); (late_morning; rarely); (after_noon; rarely); (late_after_noon; sometimes); (evening; almost_always); night, tipically). [(madrugada, muy frecuentemente); (primeras horas de madrugada, nunca); (primera hora de la mañana; nunca);(por la mañana, la mayoría); últimas horas de la mañana; raramente);(después de mediodía; raramente); (últimas horas después de mediodía; algunas veces); (por la tarde, la mayor parte siempre); (noche, normalmente)].
Un módulo con una tabla de funciones para la condición no difusa busca la matriz devuelta para las tres probabilidades principales, a saber:
[(mañana, siempre); (última hora de la noche, muy frecuentemente); (atardecer; en gran parte, siempre)].
Una multitud de intercomunicación de consulta estandarizada, son realmente prácticas para intercomunicar con BMQengine. Unidad formadora de lotes ejemplo, una interface de SQL podría especificar atributos dimensionales como cláusulas "SELECT...FROM...WHERE"; por ejemplo, si la más probable o popular HORA para ver PELÍCULAS DE ACCIÓN es por la tarde, la búsqueda SQL es:
(SELECT wiew_start_time FROM preferencias,
EN DONDE genre_main = "movie" (película)
Y genre_sub = "action"
Y view_day_of_week = (SELECT view_day_of_week FROM preferencias
DONDE genre-main = "película" Y genre_sub = "action"
GROUP BY view_day_of_week
HAVING MAX (BIASview_day_of_week));)
GROUP BY view_start_time
HAVING MAX (BIAS_VIEW_START-TIME));
) = 9PM.
Un Intérprete SQL básico convierte los parámetros SQL en limitaciones de atributo dimensionales BMQengine. Para este ejemplo,
QueryFunction = mostLikely, StateType_LikedGenre, from StateID=null, to StateID=movie:action, TimeType =TOD, TimeValue: evening.
Aunque se contemplan una amplia variedad de comportamientos crea modelos dedos y arquitecturas de búsqueda, siguen existiendo muchas otras. Lo que sigue es una enumeración general de algunas categorías de preferencias de comportamiento. Aquí, las salidas dependen del contexto de visionado en tiempo real:
1.
Preferencias de transición sensibles al tiempo para todas las entradas de EPG
2.
Secuenciación de Estado
3.
Preferencia de reversión de transición
4.
Tiempo visto por sesión, y para todas las entradas de EPG
5.
Configuraciones de control de comportamiento TV
6.
Tw/Ta, T_{m}/T_{a} y T_{i}/T_{a} para todas las entradas de EPG
7.
Entrada de EPG y enfoque de diversidad de comportamiento (control de búsqueda de anchura, profundidad)
8.
Estado de comienzo más probable, o terminación.
En el punto 1 BM produce sensibilidad al tiempo y probabilidades de transición independientes de tiempo para cualquier entrada de EPG. Cada clase de entrada de EPG es además segmentada en una pluralidad de categorías de comportamiento, comprendiendo surf/no surf (navegación/no navegación), saltos y estados aproximados/no aproximados, como anteriormente se han definido. Cada acción de usuario origina estadísticas de transición en cada uno de estos campos, según el algoritmo SSM.
Un ejemplo es una búsqueda en BMQengine de la probabilidad de que un activador particular (o cualquier entrada de campo de EPG) es vista después de ver las noticias (o cualquier otra entrada de campo de EPG), sin limitaciones de tiempo. Una consulta de preferencia sensible al tiempo típica, podría tener un aspecto similar a:
``cuál es la probabilidad ver los deportes en Lunes (o cualquier día)
Y
por la tarde (o cualquier hora)
Y
después de ver la TV durante una hora (o cualquier tiempo de ver la TV),
Y
en el descanso del programa actual (o cualquier cantidad de tiempo de visionado del programa).
De manera importante, la consulta podrá ser relajada con términos menos conjuntivos, apretados con más limitaciones. Utilizando este mecanismo, el módulo de sistema puede pasar información contextual en tiempo real al BMQengine, y descubrir que aunque al usuario le gustan los deportes en general, no le gusta verlo los Lunes por la tarde dentro de contemplar la TV una hora, a medio camino de otro programa. Este caso, altamente específico, es una demostración del elevado detalle de aprendizaje y preferencia contextual posible en el presente sistema. El módulo de sistema envía la gama completa de niveles de abstracción de consulta, es decir, desde muy general (por ejemplo, localizar géneros aproximados), a una guía EPG plenamente conjuntiva, temporal, y búsqueda de probabilidad de secuenciación. . El módulo de sistema localiza el nivel más probable de abstracción de consulta, y las tasas de programación por su distancia desde sus parámetros de consulta.
Por ejemplo, si un programa de deportes debe ser clasificado, la primera, y la consulta más abstracta, debería ser "están los deportes aproximados", entonces las consultas subsiguientes añadirán cada vez más términos limitadores dependientes del contexto en tiempo real, "como están los deportes aproximados en las tardes de los Lunes después de ver las noticias", y un una consulta incluso más específica, debería añadir "en el canal 2" a la última consulta, y de este modo sucesivamente. Si la última, y más específica, consulta era la más probable, entonces un programa deportivo los Lunes por la tarde, después de ver las noticias del canal 2, podría clasificarse más alto que el mismo programa deportivo si no se cumplen estas limitaciones de comportamiento. En el caso de una consulta PDE, cuanto más cerca (o lejos) esté el programa de la limitación de comportamiento más probable, mayor (menor) será la contribución de voto a la clasificación PDE.
En otro aspecto del punto 1, el BMQengine soporta los parámetros de la más probable transición dado un contexto crea modelos dedo (es decir, entradas de EPG, temporizaciones, comportamientos). El BMQengine responde con todas las probabilidades que coinciden con los términos de la consulta, suponiendo que las dimensiones de modelo no restringidas son una especie de "comodín estadístico". De este modo, el BMQengine aplica, de forma recursiva, las dimensiones restringidas a través de todas las dimensiones de comportamiento no restringidas. A efectos de demostración, asumimos los modelos BM día de la semana (DOW) y hora del día (TOD) para títulos, canales y géneros aproximados. Una consulta típica y su respuesta, aparece como sigue:
Consulta: ¿Cuál es la transición más probable de género desde género = climatología, DOW = Lunes, y TOD = tarde?
Respuesta ejemplo: "género = comedia, preferencia = media".
Si algún término no se ha especificado, entonces el BMQengine busca en todas las entradas de la dimensión no restringida para que coincida la consulta. Por ejemplo, si se omitió DOW en la última consulta, entonces cada tarde se buscará la más probable transición de género, partiendo de "climatología". Una posible respuesta de la consulta es "[género = drama, DOW = Martes, preferencia = elevada]", si la transición de género más probable es de género = climatología a drama en se realiza el Martes. Si el plazo de control de la última consulta "más probable" se cambió a "todo", entonces cada género de destino durante cualquier tarde con una transición de climatología debería ser devuelto.
El mismo mecanismo se encarga de localizar la cantidad típica de tiempo que un usuario pretende saltar delante de un programa aproximado. Este comportamiento podría surgir de omitir los anuncios, o compartir tiempo con un contenido competitivo de manera consistente. Un ejemplo de una consulta para localizar los 2 momentos de variaciones por saltos más probables para el programa llamado "Seinfeld", aparece como sigue:
Consulta: [Query Function = top, n = 2, StateType = Title, fromStateID = null, to StateID = "Seinfeld", TimeType = TIP, TimeValue = NULO]. Si la persona normalmente sólo se salta los anuncios de 2 minutos, y 15 minutos tras el inicio de la serie Seinfeld en 30 y 50%, respectivamente de toda la transición al "show", entonces la respuesta podría ser: [(QUICKLY_SURFING,30); VERY_SHORT, 50)].
Utilizar la información de contexto permite a la PDE asignar mejores clasificaciones de preferencia de programa, y permite al PresAgent solicitar programas en un canal virtual en un programa preferido por el usuario.
Una consulta de secuenciación de estado, punto 2, aborda la probabilidad de que entradas de EPG seleccionadas sean parte de una secuencia de estado preferida, y devolver las probabilidades y estados observados. Una secuencia de estado se define como cualquier conjunto contiguo de transiciones de estado superiores a una. Cada matriz de transición de estado modelado, presenta una tabla de secuencia de estado acompañante. En lugar de almacenar la penetración porosa real de secuencias de estado observadas, la tabla de secuencia de estado registra los estados visitados y sus frecuencias. Dado que el comportamiento humano raramente se repite con precisión exacta, es más importante parametrizar las secuencias de transición para hacer coincidir las tendencias de comportamiento. De este modo, existen dos tablas ordenadas. Una tabla bidimensional, presenta sus filas como la única combinación de estados visitados en una secuencia, y las columnas son las ID de los estados visitados. Las filas de clasifican por longitud de vector de columna, y las columnas se clasifican alfanuméricamente. Esta clasificación acelera la búsqueda de la tabla para una configuración de consulta dada. Una tabla correspondiente, efectivamente una tercera dimensión, acumula el número de veces en que un estado fue visitado en la secuencia. Cada vez que se visita la misma combinación en una secuencia de transición, las frecuencias de visitas por estado se añaden a este recuento. Una, efectiva, cuarta dimensión acumula las longitudes de secuencia de las secuencias de coincidencia de estados visitados. Una quinta, y última, dimensión de creación de modelos de secuencia, cuenta el número de veces en que se produce una particular combinación de secuencia de estado en filas. Esta dimensión se utiliza para calcular la longitud de secuencia media, y el número medio de veces en que un estado en una secuencia fue vuelto a ser visitado. Una secuencia de visita de estado puede producirse cuando los estados visitados en una nueva secuencia coinciden exactamente la entrada de filas de estados visitados. Cuando se produce la coincidencia, las frecuencias de visita de estado y la longitud de la secuencia, se añaden a sus respectivos acumuladores dimensionales. De lo contrario, se crea apropiadamente una nueva entrada de fila.
La Figura 13 ilustra un ejemplo típico. El ejemplo es para estados de canal, pero el algoritmo se aplica a cualquier creación de modelos de secuencia de estado. La Figura 13A, ilustra una base de datos vacía originalmente después de procesar dos secuencias de estado de muestra. Las dos secuencias tienen al menos un estado diferente visitado, resultando en dos nuevas entradas de fila. En la Figura 13B se procesan dos ejemplos de secuencia adicionales. La secuencia 3, aunque no es la misma que la secuencia 1, se agrega a la misma entrada de fila como secuencia 1, ya que fueron visitados exactamente los mismos estados. La secuencia cuatro difiere en un estado, de este modo se crea una nueva entrada en la base de datos. Clasificando columnas y filas continuamente, o periódicamente, hace que sean más eficientes las búsquedas de consulta.
El formato de consulta probable de secuencia típica (Sequ), aparece como sigue:
[QueryFunction] [StateType] [sequStateIDs][LengthValue]
El término "QueryFunction" tiene los mismos parámetros que en el caso de consulta de transición. El atributo adicional "StateType" identifica el tipo de secuencia de estado a seleccionar, por ejemplo,: ChannelSequ, GenreSequ, TitleSequ,SurfGenreSequ, SurfChannelSequ, o cualquier entrada de la EPG, tal como ActorSequ, etc. Los términos de restricción de consulta "FromStateIDs" y "toStateIDs" son similares al caso de consulta de la transición anterior, excepto que constituyen una lista de, o bien estados ya visitados, o que aún deben ser visitados, respectivamente. El término de consulta "LengthValue" restringe la longitud de secuencia media de búsqueda. A continuación se indican algunos ejemplos de consulta BMQengine relacionados con una secuencia típica.
Ejemplo 1
Localizar los 5 mejores canales probablemente, que completan una secuencia de visionado sin navegación, dados los canales previamente visitados 30 y 40, las restricciones de la consulta son:
QueryFunction=top_n=5,StateType=ChannelSequ,sequStateIDs=[30,40],LengthValue= null.
Si los canales 43, 58 y 60 fueron los más probables para completar la secuencia, y sus probabilidades son 80, 10, 20 y por ciento, respectivamente, el resultado de la consulta podría ser:
[(43,80), (58,10), (60,20), null, null].
Ejemplo 2
Localizar los 5 mejores canales probablemente, que completan una secuencia de visionado con navegación, de tres canales de longitud dados los canales previamente visitados 30 y 40, las restricciones de la consulta son:
QueryFunction=top_n=5,StateType=SurfChannelSequ,sequStateIDs=[30,40],LengthValue = 3.
Si solamente el canal 43 fue el más probable para completar la secuencia de navegación (surfing) y su probabilidad es 80, el resultado de la consulta podría ser:
[(43,80), null, null, null, null].
Ejemplo 3
Fuera de todas las secuencias de al menos 4 programas, localizar la probabilidad de ver los tres siguientes programas, en orden secuencia, Friends, Frasier y Seinfeld (suponiendo que eran cronológicamente concurrentes o consecutivos).
QueryFunction = mostLikely, StateType = TitleSequ, fronStateIDs = ["Friends", "Seinfeld", "Frasier"], LegthValue = 4.
Un resultado de consulta típico, si estas restricciones de consulta fueron observadas en un 20% de todas las secuencias con LengthValue al menos igual a 4, sería [20].
En cada uno de estos ejemplos, las probabilidades de canal o secuencia se calculan, contando simplemente el número de veces que fue visitado un estado que satisfacía la consulta fuera del número total de registros restringidos de forma similar. Un modelo más completo de secuencias de comportamiento comprende adicionalmente información de transición simple para inferir estadísticamente la permuta más probable. El método de creación de modelos de secuencia establecido emplea la información modelo de "estados visitados", anterior, para inferir combinaciones observadas, y la información de transición de estado BM para calcular las permutas más probables, es decir, el orden de secuencias. La ventaja de este método de creación de modelos de secuencia, es filtrar significativamente los datos de secuenciación de comportamiento de ruido, y ahorrar memoria, al tiempo que preserva la información característica de secuenciación de estado. Es bien conocido que el requisito de memoria de almacenamiento de todas las posibles permutas de secuencia numérica crece con el factorial de longitud de secuencia. En el entorno de TV a veces esto resulta prohibitivo, y un ruinoso uso de recursos limitados. Una probabilidad estimada pesimista de que se produzca una orden de secuencia particular es aproximadamente igual al producto de la probabilidad de que coincidan parámetros de secuencia (es decir, longitud, estados y frecuencias de visitas de estados), y la probabilidad de que ocurra cada transición. Dado que cada transición de secuencia no es independiente de la anterior, este cálculo es claramente un límite inferior. Se contempla una variedad de heurística para comparar la relativa probabilidad de una permuta sobre otra, considerando la preferencia direccional de cada transición. En resumen, una permuta se produce más probablemente si sus direcciones de transición tienen una preferencia significativa sobre la dirección de reverso. Una heurística simple para calcular una métrica de probabilidad de solicitar, consiste en sumar la diferencia de la preferencia de transición hacia delante menos la dirección inversa, en cada paso de
secuencia.
Con esta información, un módulo del sistema puede calcular la probabilidad esperada de un estado se encuentre en una secuencia especificada. Por ejemplo, si un espectador que ve la CNN, cambia a la FOX, una búsqueda en BMQengine podrá devolver los más probables canales próximos, y existen probabilidades. Como se ilustra aquí con más detalle, esta información podría ser utilizada por el PDE para predisponer la preferencia de un programa, o una colocación secuencial de un programa por el PresAgent en un canal virtual.
La preferencia inversa de transición, punto 3, busca detectar cualquier preferencia direccional al comportamiento de transición de estado del usuario. Un ejemplo, consiste en si un espectador tiende a cambiar de CNN a PBS, pero raramente de PBS a CNN. De forma similar, por géneros, un usuario puede preferir con más frecuencia ver las noticias antes de películas dramáticas largas. Muchas de dichas preferencias pueden surgir Títulos, o cualquier entrada de la EPG. Los módulos del sistema sensibles a la secuenciación del programa pueden utilizar la preferencia inversa para predecir la programación preferidas del espectador. La PDE utiliza la preferencia direccional para influir una clasificación de preferencia de programa al contexto de transición de la historia reciente del espectador. Por ejemplo, asumir que un usuario solamente vea las noticias, y la PDE debe calcular los programas más preferidos en la EPG para sugerir la visión. En el caso en que la PDE de otro modo clasifique programas en CNN y PBS, igualmente, podría clasificar el alto programa PBS si era una preferencia significativa si existía una preferencia de transición significativa del CNN a PBS sobre el caso inverso. MemberAgent lo utiliza como un parámetro de comportamiento para identificar las clases de espectadores. La preferencia direccional de Estado ayuda el PresAgent para secuenciar mejor la guía de programa para canales virtuales.
Información como tiempo típico de visionado, punto 4, por entrada de EPG y sesión de TV, ayuda a los módulos del sistema para hacer coincidir mejor la atención del espectador para tipos específicos del contenido. Si un usuario pretende ver películas de acción en TV durante un tiempo mucho más corto que en comedias, entonces los programas en respectivas categorías son preferidos en consecuencia. En principio, la atención se aplica a todas las entradas de EPG, y más principalmente, a canal, género e intérpretes. La atención potencialmente separa a los espectadores (para el MemberAgent), y efectúa directamente su mezcla preferida de tiempos de visionado del contenido (para el PDE y PresAgent).
Controlar las configuraciones de control de TV, enumeradas en el punto 5, es una importante herramienta a la hora de identificar el comportamiento de los usuarios y con frecuencia motiva conclusiones de preferencia de programa. Un ejemplo típico consiste en crear modelos del comportamiento de los usuarios de los botones de silencio y volumen. La PDE utiliza el botón silencio como un indicador de menos programación preferida. En el contexto de comportamiento de visionado de un Anuncio, el MemberAgent utiliza el botón "mute" (silencio) para aprender tipos de Anuncios que al usuario no le gustan. Otros botones de control de TV, tales como control de volumen, ofrecen un potencial predictivo similar. Si el usuario eleva el volumen de un determinado programa, entonces es más probable que le guste ese programa. Con respecto a la identificación del usuario, es más probable que los adolescentes eleven significativamente el volumen de los vídeos musicales que los adultos de edad mediana. De forma similar, mecanismos de creación de modelos y consulta a medida que se aplica en creación de modelos temporal, excepto planes de intervalo de tiempo se sustituyen por intervalos de parámetros del control apropiados.
Los mismos T_{w}/T_{a'},T_{m}/T_{a'} y T_{l}/T_{a} en clasificaciones de preferencia de programa, se aplican de forma similar a clasificaciones de preferencia de comportamiento, como en el punto 6. A través del historial de visionado del usuario, cualquier entrada de la EPG tendrá una preferencia deducida asociada con el comportamiento de visionado de programas del usuario. Por ejemplo, si un espectador con frecuencia se retrasa en ver programas con un determinado intérprete, entonces el estado correspondiente a este actor podría tener una elevada proporción T_{m}/T_{a}. De forma similar para cualquier combinación de PSF de entrada SSM de PSF y EPG.
Como métrica adicional, el punto 7 resalta la importancia de la curiosidad, y la diversidad de parámetros de comportamiento psicométrico. La diversidad de medidas busca caracterizar la cobertura espacial del usuario en cada campo de interés. Cualquier campo de estado crea modelos dedo recibe un enfoque de clasificación calculado dividiendo las selecciones visitadas por el total de selecciones disponibles, durante un determinado período de tiempo, por ejemplo, channel_diversity = number_of_channels_visited/total_number_of_channels ([Diversidad_canal = número_de_canales_visitados/número_total_de_canales)]. Diferentes clases de estado de comportamiento, o entradas de la EPG tienen sus propias medidas de diversidad, por ejemplo, diversidad de género, etc. Diferentes personas tienden a disponer de una amplia de medidas de diversidad de campo que las caracteriza. Otras personas podrán tener menos canales que ver que los que ven los adolescentes, por ejemplo. Similar a las medidas de diversidad, las medidas de enfoque se aplican para cruzar campos dimensionales, con frecuencia híbridos. Estos híbridos son, con frecuencia derivados de comportamiento de entradas de la EPG, y no mediciones directas de distribuciones de selección de la EPG. Por ejemplo, el enfoque de Secuencia de Canal y Surfing (Navegación), mide cómo unos pocos estados reúnen todas las secuencias o navegaciones observadas. Otra clase psicométrica la forman las medidas de curiosidad. Las medidas de curiosidad calculan la tendencia psicológica de los usuarios a explorar una particular categoría de contenido. Por ejemplo, channel_curiosity es la proporción del número de canales apreciados, fuera de los c anales no en navegación (surf). Cuanto menor es esta proporción, más explora el usuario los canales que previamente no le gustaban. Una persona que no es muy curiosa, podría tender detenerse solamente en cosas que no le gustaban en el pasado, y podría tener una clasificación de baja curiosidad.
El motor de búsqueda de determinación de preferencia PDE utiliza el enfoque de diversidad y la métrica de curiosidad para determinar la mezcla apropiada de programas altamente clasificados que se sugiere ver. Tomadas en conjunto, estas medidas controlan la anchura y la profundidad de predicciones de programación presentadas al espectador. Por ejemplo, si un espectador tiene una clasificación de diversidad de género baja, el PDE podría concentrar sugerencias de programas principales dentro del menor número de categorías de género, y lo contrario si la clasificación era alta, La gente tiende a disponer de una gama predecible de ratios de diversidad y curiosidad. Tal como se utiliza por el MemberAgent, la combinación de estas medidas tiende a separar a individuos y las clases que les pertenecen. Con respecto al PDE, si, por ejemplo, su clasificación de curiosidad de canal es elevada, el PDE aporta sugerencia a canales no previamente vistos, con frecuencia. El PresAgent, que tiene una tarea similar a la del PDE, creará una guía de visionado de programas virtual que tiende a hacer coincidir la variación diaria y las novedades que el usuario prefiere.
El más probable comienzo, o terminación, estado del punto 8, es un importante parámetro para todos los módulos. El PDE utiliza las probabilidades de inicio o final de estado para predisponer las clasificaciones de programas según el historial del usuario cuando se enciende y se apaga la TV. Estos parámetros, también, ayudan a identificar usuarios para el TASAgent. El PDE acopla la información de estado final con predicciones de duración de sesión para predisponer programas hacia las preferencias de estado final a medida que el tiempo real de sesión se acerca y sobrepasa la sesión y la hora de TV, esperados. El PresAgent aplica principios similares al construir una guía de programación virtual apropiada. Por ejemplo, si en un determinado tiempo y estado de programación, un usuario, con frecuencia termina su sesión en un cierto canal, entonces cualquier programación en ese canal conseguirá una preferencia de clasificación de preferencia. En general, dichas predisposiciones de clasificación son relativamente pequeñas, y son medios para dar preferencias a programas que de otro modo estarían estrechamente clasificados, pero tienen alguna preferencia contextual, tal como secuenciación.
Deberá quedar entendido que lo que antecede son realizaciones e implementaciones ejemplares de la invención, solamente. Una amplia variedad de permutas y variaciones sobre la métrica de preferencia caen también dentro del ámbito de esta invención.
La siguiente descripción proporciona detalles referentes al tratamiento de modelos de comportamiento según la invención.
Con referencia a las Figuras 2 y 3, cada acción del usuario, o no acciones seleccionadas, originan incidencias de transición SSM en cada uno de tres espacios de estado SSM: Canal, Género y Título. Estas categorías de espacio presentan dimensiones temporalmente dependientes e independientes. La primera dimensión, de arriba abajo, es independiente en el tiempo, y observa cualquier última transición, siempre que se produzca. La segunda dimensión SSM rastrea el tiempo_en_programa, a saber, cuántas veces, desde la última transición, se produce una transición de estado. La dimensión tres crea modelos de transiciones relativas al tiempo desde el comienzo de una sesión de TV. La cuarta dimensión SSM detecta el tiempo del día de las configuraciones de comportamiento, y la quinta el día de la semana. La meta es detectar eventos secuenciales periódicos que tengan un cierto grado de preferencia relativa temporal o secuencial. Cada dimensión de espacio de estado presenta una matriz de transición que actúa con cajas de intervalos difusas
("bins" difusas) para cuantificar la calidad de miembro temporal a que pertenece la secuencia de transición de estado.
Por ejemplo, la dimensión Hora del Día para SSM de canal, género y título, consta de matrices de transición mutuamente exclusivas que introducen cada transición de estado en una de las siguientes matrices:
Late_Night, Wee_Hours, Early_Morning, Morning, Late_Morning, After_Noon, Late_After_Noon, Evening,
Night.
La Figura 4 representa un ejemplo del espacio de estado preferido y el flujo de transición legal dentro de cada máquina de estado estadístico (SSM). Dentro de cualquiera de las funciones de densidad de probabilidad existe solamente un estado a la vez. Las SSM de la forma de realización preferida son títulos, géneros y preferidos, y canales y géneros no preferidos, y canales y géneros en navegación. Cada SSM contiene estados fijos y variables. Los estados fijos describen transiciones entre SSM.
El primer estado fijo para todas las SSM es el estado OFF. El estado OFF ocurre cuando la TV está apagada.
Las SSM que crea modelos den transiciones de estado preferidas tienen como segundo estado fijo el estado NO PREFERIDO.
En sentido contrario, las SSM que crea modelos den transiciones de estado no preferidas tienen como segundo estado fijo el estado PREFERIDO. Los canales y géneros vistos menos de una cierta cantidad umbral de tiempo, por ejemplo, 5 minutos, se cuentan como transiciones en navegación ("surfing").
Las SSM, sin navegación, presentan un tercer estado fijo llamado SURFING (Navegación). El estado surfing está activo cuando el usuario ve un programa durante menos tiempo que el umbral de surfing. Las SSM con surfing de canal y género tienen solamente los estados fijos OFF y NOT_SURFING. Estados variables para espacios de estado son idealmente todos los estados posibles a visitar. Sin embargo, las restricciones prácticas de recursos, con frecuencia limitan el número de estados que pueden ser plenamente crea modelos dedos. Un método para comprimir la BM sin errores significativos consiste en tener solamente el más representativo, o preferido, de cada espacio de estado incluido y enumerado como estados variables en la SSM.
El Motor de búsqueda de Determinación de preferencia (PDE) -ver Figura 10- asigna clasificaciones de preferencia a títulos, canales y géneros. El número máximo de recursos de estados permite que sean tomados de las clasificaciones más altas en cada categoría. Los estados en modelos SSM surfing son una unión de estados preferidos y no preferidos SSM. Como con cualquier máquina estado, la SSM solamente puede estar en un estado a la vez. Por ejemplo, cuando se ve un canal preferido y la transición al no preferido, el estado "to" (hacia) podría ser el estado fijo NO PREFERIDO de SSM de Canal Preferido, y el estado "from" (desde) en el SSM de Canal No preferido es el estado fijo PREFERIDO.
Las transiciones entre estados variables definen la función de densidad de probabilidad llamada de bloque o "pdf", ya que crea modelos de la probabilidad de que ocurra cualquier transición de estado de comportamiento particular. Los estados variables se añaden y eliminan de la pdf dependiendo de su importancia estadística a lo largo del tiempo. En la práctica, la mayoría de los telespectadores podrán individualmente visitar menos de 30 de 100 canales y 50 de 100 géneros en el transcurso de seis meses. Utilizando esta observación, un diseñador de sistemas bajo restricciones de memoria de sistema limitadas puede reducir significativamente los requerimientos de recursos, y continuar todavía para capturar la amplia mayoría del comportamiento de un usuario. Hasta cierto límite, la prestación de la presente invención, es proporcional a, y por tanto escalable con, el número de estados preferidos superiores en la SSM. El límite inferior en el número de estados requeridos, tiende a proceder del mínimo rendimiento requerido en individuos que son muy similares, pero diferentes, en formas muy sutiles. El límite superior es establecido por la disminución de beneficio de rendimiento de añadir estados, frente a la penalización de restricciones de recursos del sistema. Para localizar un límite óptimo, una simulación barre los parámetros de recursos del modelo sobre una muestra de población estadísticamente representativa de comportamiento de los que ven la TV. Dichas optimizaciones de uso de memoria, son más críticas en el ProfAgent de TV. En modalidad de incorporación de modelo en tiempo real, un cierto número de estados temporales es continuamente necesario ya que el ProfAgent incorpora suficiente evidencia para determinar lo que hay que incluir en la SSM, o rechazar como no suficientemente activo. Al alcanzar un límite de memoria disponible, el agente elimina los estados menos preferidos, como se determina por un único algoritmo en
el PDE.
Cuando un usuario efectúa una transición de contenido, el caso de transición de estado se registra como se describe en cada SSM respectivo. Una transición basada en la acción, es cualquier pulsación de botón de control de TV explícito, es decir, un cambio de canal, o aumento de volumen. Una incidencia de falta de acción se produce cuando cambia el contenido sin ninguna acción explícita del usuario, por ejemplo, nuevo programa en el mismo canal. En este último caso, un evento de programa nuevo causa una auto-transición a cualquier otro estado que permaneciere invariable, es decir, un canal estable es una auto-transición de estados de canal. Otro posible caso es sin cambiar el canal, pero se repite el mismo programa preferido. En este caso, todos los SSM tendrán una auto-transición en su último estado. Muy importante: la autotransición a programas que son bastante cortos para, de otro modo, ser contados como "surfing", se cuenta como transición "no surfing". Esta elección sigue la filosofía de crear modelos, de forma heurística, del pretendido comportamiento de los usuarios.
La Figura 5 detalla una matriz SSM de espacio de estado representativa de la Figura 4 y su transición de estado. El proceso podrá ser referido como una base de conocimiento de grupo demográfico en términos de matriz de transición y conjunto de peso (TNWS).
La matriz de transición, en principio, describe el comportamiento de los espectadores en un tipo de forma temporal. La matriz de transición ilustrada en la Figura 5 es una matriz de transición de canal. La dimensión de la matriz es AxA. A es el número de canales disponibles más 2.
El número de tipos diferentes de matrices es 2, uno es para el canal -como se ilustra en la Figura 5-, y el otro es para el género.
Hay dos conjuntos de matrices para cada día de la semana por cada grupo demográfico, es decir, existen 14 matrices por grupo de canal j (j=1,2,3..N; N es el número de grupos). Un conjunto para actividades de visionado, otro para "surfing" (navegación).
La matriz de la Figura 5 ilustra las siguientes transiciones: On \rightarrow Ch.5 \rightarrow CH.2 \rightarrow Ch.6 \rightarrow Ch:100 \rightarrow Off. Un elemento en la matriz (A,B,C,D,E) es la media de toda WatchedDuration/ProgramDuration del grupo demográfico para la acción, por ejemplo, transición del canal 5 al canal 2. Los elementos de la columna "on" y de la columna "off" y los de la matriz para "surfing" (navegación) son recuentos de la acción.
Sobre la base de la matriz de transición, es posible predecir un grupo demográfico. Después de construir la matriz de transición, deberán optimizarse los conjuntos de peso de todos los grupos demográficos. La optimización se basa en la teoría de entropía máxima y aprendizaje de refuerzo.
Por el lado del cliente, la predicción se efectúa de la misma forma, a menos que exista una restricción de memoria. Si este es el caso, la evaluación de entropía se utilizará para eliminar aquellas columnas que sean menos importantes. Los elementos de pesaje expuestos antes, se optimizan y fijan para que el cliente los utilice. Sin embargo, si el cliente dispone de más potencia de cálculo de la que puede consumir, podrá optimizar dichos conjuntos de peso y conservarlos localmente.
A título de ejemplo, tomamos una matriz de transición de canal visto H_{C_{i,j}} en donde i es un canal, j un grupo, es la entropía de un canal "to", es decir una columna, en una matriz de transición de canal. Observar que cuanto menor es la entropía, tanto mayor es el valor de contenido de información de la columna. Una menor H_{C_{i,j}} significa que existe un valor de transferencia "to" valioso para este canal. Idealmente, H_{C_{i,j}} = 1, 2, 3...N, j = 1,2,... M, N el número de canales y M el número de grupos, son diferentes para grupos, lo que significa que la matriz de transición ayudará a identificar el grupo demográfico de espectadores.
La meta final es obtener una probabilidad P_{j} para un espectador, después, recoger max P_{j}/j como j el grupo predicho para el espectador.
La probabilidad P_{j} puede derivarse de dos conjuntos de matriz de transición con la matriz de transición del espectador, como sigue:
Primero, calcular H_{X_{i,j}}, donde X son canal y género, también para mirar y saltar, es decir, X, adopta 4 valores.
Calcular N_{X_{i,j}} que es la entropía de from, es decir, las filas.
A continuación, calcular la distribución de probabilidad tanto para columnas como para filas.
P_{H_{x,j}} (a_{i,j}) 
\hskip1cm
a_{i,j} = \frac{1}{H_{X_{i,j}}}
y
P_{N_{i,j}} (b_{i,j}) 
\hskip1cm
b_{i,j} = \frac{1}{N_{x_{i,j}}}
A continuación, crear una matriz de peso W_{H}_{ij}, de cada matriz de transición para todos los grupos. Los elementos W_{x,y}, y en la matriz son:
w_{x,y} - \frac{w^{1}_{x,y}}{\sum_{x,y} w^{1}_{x,y}}; 
\hskip1cm
w^{1}_{x,y} = P_{H_{j}} (a_{x,y})* P_{N_{j}} (a_{x,y})
en donde W_{x,y} es el peso de una acción de transición.
Ahora, calcular la distancia de un elemento pesado entre la base de conocimiento y la matriz de transición de los espectadores
D^{L}_{j} = \sum\limits_{x,y} \left\bracevert L^{k}_{x,y} - L^{P}_{x,y} \right\bracevert w^{L}_{x,y}
en donde L es una de las matrices de la transición. Los términos L^{k} y L^{p} son las matrices L para la base de conocimiento y espectador, respectivamente.
Finalmente, deberá utilizarse el aprendizaje de refuerzo, por ejemplo, tipo Monte Carlo, para optimizar W^{L}_{j}, para un mejor resultado. Un buen resultado es que el grupo del espectador sea predicho correctamente.
P_{j} = \sum\limits^{M}_{L} D^{L}_{j} * W^{L}_{j} 
\hskip1cm
\sum\limits_{L} W^{L}_{j} = 1
Existen dos tipos de receptor con los que el sistema puede operar, uno con canal de retroalimentación y otro sin él. El canal de retroalimentación opcional se indica en la línea de puntos de la Figura 1. Si un receptor con canal de retroalimentación da a conocer información demográfica, la tarea de la publicidad basada en grupo demográfico es bastante recta, como se describirá a continuación. Asimismo, el rendimiento de la publicidad es fácil de medir. Si el receptor no proporciona la información demográfica de los espectadores, deberá tratarse en la misma forma que un receptor sin canal de retroalimentación, aparte de la forma de recoger la prestación que puede ser obtenida directamente por el canal de retroalimentación.
Para receptores sin el canal de retroalimentación, se proporcionan dos métodos para determinar el grupo demográfico de espectadores. Quién lo use depende del principio de coincidencia más cercano de los dos, que se mide por la medida de entropía máxima en P_{j} de la visión general anterior. Deberá utilizarse el método que produce el valor de entropía más pequeño. El rendimiento de los receptores sin canal de retroalimentación deberá medirse por la investigación del mercado, poniendo después el círculo de aprendizaje en los que disponen de canales de retroalimentación.
La retroalimentación en tiempo real de la acción del espectador con información demográfica y de rendimiento, por supuesto, existe solamente cuando existe un canal de retorno para el receptor del espectador. Contiene información del flujo de información del comportamiento del espectador y la prestación de predicción demográfica. El flujo de comportamiento deberá contener, al menos los elementos listados anteriormente, a saber, "watch_date, watch_start_time, watch_duration, wtach_channel" e información demográfica. La prestación es un listado temporal para indicar si la predicción del receptor es correcta o no.
Dado que la información demográfica de los espectadores es conocida, el adquiridor de la base de conocimiento (ver casilla central de la Figura 1) puede efectuar cambios basados en la información de retroalimentación.
En resumen, por lo tanto, la Figura 5 es una matriz SSM de espacio de estado no temporal representativa, y su funcionamiento. El espacio de estado de canal ejemplar utiliza la transición de OFF a los canales 5, 2, 6 y 100, y retorna al estado OFF empezando desde una matriz vacía. El ProfAgent incrementa la entrada de matriz de transición apropiada para cada par de estado. En el presente ejemplo, las entradas de matriz siguientes (from, to) se incrementarían (5,on), (5,2), (2,6), (6,100), y (100,off). El número de veces que se visita el canal 5 es una suma de todas las entradas en la columna 5 (, la probabilidad global es dicho número dividido por los totales de la matriz). Una vez en el canal 5, la probabilidad de pasar al canal 2 es la suma de (5,3) dividida por la suma de la fila 5 (canal 5 de estados).
Un proceso similar rige la acumulación y análisis de mayores matrices de transición dimensional, tales como temporales. El mecanismo es idéntico, excepto que la entrada en el apropiado plano de intervalo de tiempo de la transición, se ve incrementada. Una importante diferencia entre la implementación de pseudo HMM, y la teórica HMM, es que las transiciones de estado en la cadena Markov no son necesariamente independientes del último estado. De este modo, la probabilidad de pasar a través de una secuencia de estado no es necesariamente igual al producto de las probabilidades de transición d estado individual. Sin embargo, se trata de un límite inferior. En la medida en que el comportamiento de selección de estado del usuario es uniformemente aleatoria, el pHMM converge hacia el HMM teórico. La falta de independencia de transición no extingue la utilidad de un modelo de máquina de estado aleatorio parcial ya que el comportamiento de selección del usuario tiende a ser gaussiano, sin embargo, requiere información estadística adicional para compensar. La creación de modelos de secuencia, como se describe anteriormente, es dicho intento.
La determinación de preferencia y la creación de modelos de perfil descritos en todo lo que antecede, podrá aplicarse en una variedad de contextos. Aquí, nos concentramos en la determinación de objetivos del contenido de publicidad sobre la base de las clasificaciones de preferencia y creación de modelos de perfil.
La figura 6 ilustra la categoría publicitaria, arquitectura de conocimiento de grupos que se aplica en el servidor de determinación de objetivos. La BCE crea m-grupos de m usuarios de un conjunto de formación de categoría de publicidad dirigida. El bloque Agregador de Grupo extrae los aspectos más representativos de los grupos conocidos y crea un perfil típico del grupo. Después de formación sobre categorías n Ad, se crean perfiles de comportamiento de n categorías publicitarias típicas. Es decir, la Figura 6 presenta una categoría publicitaria, un sistema de aprendizaje de prototipo de comportamiento, es decir, la categoría publicitaria de nivel superior, arquitectura de aprendizaje de grupos. El módulo reside en el Gestor de Anuncios del extremo de centro de control. El aprendizaje de arquitectura es un proceso continuado de definición de y optimización de grupos de categoría (grupos), y sus perfiles de comportamiento correlacionados, basados en los datos de alta calidad registrados de usuario de TV, etiquetados y muestreados. Los datos de comportamiento demográficos son o bien una entrada de un tercero, y/o unidades distribuidas en el campo. Un filtro de selección extrae la categoría publicitaria objetivo y el conjunto de formación del BCE. El BCE procesa cada registro de usuario en el conjunto de formación como si fuesen del mismo usuario, creando de este modo una BM muy agregada. La BM resultante es parametrizada y reducida a un subconjunto de solamente dimensiones altamente sesgadas que sirven como firma de comportamiento representativo para la categoría e publicidad. Este paso es referido como reducción inter-prototipo, dado que solamente elimina dimensiones malas, insuficientemente sesgadas, dentro de una BM dada. El BCE repite este procedimiento para cada grupo de formación, hasta que cada grupo de categoría publicitaria presenta un perfil de firma de comportamiento correspondiente, si es que existe. Un perfil de categoría publicitaria típico existirá si, y solamente si, existe al menos, una dimensión significativamente sesgada de forma aleatoria. Cada SSM presenta un correspondiente conjunto de nuevas parametrizaciones de comportamientos de transición de estado que tienden a separar a los usuarios.
La Figura 7 presenta la fase de reducción de formación de plantillas de categorías de publicidad. Esta fase distancia los prototipos eliminando las dimensiones, la mayor parte dimensiones comunes entre categorías. La segunda etapa, aquí denominada reducción intra-prototipo o reducción intra-creación de perfiles, de formación de prototipo de comportamiento de categoría publicitaria, elimina las dimensiones en cada BM que sea similares a todas las demás dimensiones BM correspondientes. Este paso selecciona las dimensiones más distintivas a través de perfiles de referencia de determinación de objetivos, creando con ello una longitud de descripción mínima para cada prototipo de categoría publicitaria. Si el resultado de este proceso de reducción es eliminar la totalidad, o significativamente la totalidad, de dimensiones de clasificación de un prototipo, entonces las categorías de anuncios más similares se fusionan en una única clase predictiva, disminuyendo de este modo la mejor resolución de determinación de objetivos del sistema a las categorías de anuncios fusionadas. Por ejemplo, si una insuficiente distancia dimensional separa tres grupos de varones de edad de 20, 30 y 40, entonces estas clases de anuncios se fusionan en una sola clase de varones entre 20 y 40 años de edad. El servidor de determinación de objetivos envía los prototipos de perfil de anuncios de determinación de objetivos, sus etiquetas de categorías, y un rendimiento de predicción esperada, al Servidor de Ad.
Los aspectos detallados de la reducción de formación nueva, y el proceso de fusión sigue. El BCE empieza la transición de formación construyendo la BM con datos de usuario etiquetados desde miembros de grupo de determinación de objetivos seleccionados. El BCE calcula la transición y determinadas configuraciones de comportamiento de la acción de cada usuario. Los eventos de recuento de transición soportado por la BM comprende cambios en entradas de la EPG de programación, que ocurren en varias medidas de tiempo relativas. Un registro cronológico de formación de evento mínimo aparece como:
<user ID> <date > <time> <channel> <genre> <title> <program lenght>.
Dado que el conjunto de formación es una base de datos preexistente, se produce en modalidad por lotes, en lugar de en tiempo real. En modalidad por lotes, todos los programas observados dentro de una cierta ventana de aprendizaje, se clasifican y sortean a la vez. La simulación BM detiene la ventana de aprendizaje sobre los datos de usuario, o período de aprendizaje. Con datos en tiempo real, una zona de retención temporal es necesaria, al tiempo que una evidencia suficiente de formación para incluir la transición en una máquina de estado estadística SSM. La ventanilla de aprendizaje determina el rendimiento temporal del sistema. En el lado del servidor, generalmente no existe limitación de memoria, con lo que no se necesita eliminar estados posiblemente menos preferidos para incluir nuevas observaciones. El efecto principal de la ventanilla de aprendizaje es calcular el rendimiento lado BM sobre una gama de períodos de historia den usuarios de memoria limitada. Una objetivo de la presente invención es identificar parámetros de comportamientos estacionarios y su varianza típica. Cuando la función de densidad de probabilidad por la variable aleatoria es una función de tiempo, el proceso aleatorio se dice que debe ser no estacionario. Para determinar el período de estabilidad estadística para el grupo del comportamiento del proceso aleatorio no estacionario, la ventanilla de aprendizaje se ajusta continuamente desde unos pocos días a unos pocos meses. El período estacionario aproximado es el tamaño de ventanilla de aprendizaje que guarda la mejor correlación entre pasos de ventanilla. Cada categoría publicitaria presenta potencialmente un período estacionario medio diferente. Por ejemplo, ciudadanos mayores podrán tener un comportamiento más respetable, para una más amplio intervalo de tiempo que los adolescentes. El servidor de determinación de objetivos proporciona al servidor de anuncios tiempos de aprendizaje esperados necesitados para aproximar la estabilidad de predicción, y convergencia para cada categoría publicitaria.
La Figura 8 diagrama el sistema de estimación de categoría publicitaria en tiempo real. El MemberAgent compara el comportamiento de uso del usuario de TV en tiempo real a las plantillas de categoría publicitaria y calcula una distribución de probabilidad de la categoría publicitaria del usuario.
La Figura 9 esboza el sistema de determinación de objetivos de anuncios en TV a la forma de realización preferida. El TASAgent recibe anuncios desde el extremo de centro de control de TV, e interpreta los metadatos de determinación de objetivos de anuncios. El TASAgent compara la audiencia objetiva, especificado por la expresión de consulta de determinación de objetivos de Ad, contra elementos seleccionados de los datos de predicciones de categoría publicitaria de usuarios domésticos, y produce una clasificación de determinación de objetivos que TASAgent y PresAgent utilizan para determinar qué Anuncios deben ser memorizados y visualizados, respectivamente.
Haciendo referencia ahora a la Figura 10, se ilustra la arquitectura de motor de búsqueda de determinación de preferencias, según la invención. El agente de creación de perfiles (ProfAgent) actualiza, de forma incremental, el modelo de comportamiento de BM con cada evento de cambio de contenido, inicialmente, el evento se descompone en sus estados, si hubiere, y las relaciones temporales. Estados preferidos son algunos aspectos modelados, características o uso, asociados con un programa preferido. El ProfAgent recibe clasificaciones de preferencia de programas del motor de búsqueda de determinación de preferencia (PDE). El PDE determina un programa preferido, por evaluación de la red de voto de la Figura 10. Existen tres componentes principales para el PDE, aprendizaje de preferencia de contenido y contexto en tiempo real (ProfAgent), predicción de preferencia (PredictAgent) y un BMQAgent. Una descripción. Una descripción del PredictAgent sigue a la revisión del ProAgent. La salida es una percepción lineal sopesada, votación "difusa", combinación de filtros de detección de preferencia previamente enumerados (PSF).
El Algoritmo de Aprendizaje ProfAgent
\bullet Inicialización
1.
Fijar todos los pesos N igual a 1/n
2.
Fijar \rho, \delta, y \eta a cálculos conservadores (por ejemplo, \rhon = 0,\eta_{P} = 0,1, \eta_{n} = \delta = 0,05) en donde \rho es término de momento de aprendizaje dependiente de la prueba, \eta es una tarifa de aprendizaje independiente de prueba. Los subíndices n y p corresponden a un evento negativo y positivo, respectivamente.
\vskip1.000000\baselineskip
\bullet Cálculo de Activación de Salida O
3.
O = \Sigmaw_{i}* V_{i}, para todos los i = 1 a n
en donde V_{i} es el voto de salida difusa PSF
\vskip1.000000\baselineskip
\bullet Formación ponderada
4.
Por cada evento positivo:
Wi(t+1) = wi(t) + \etapwi(t), para todos los V_{i} \geq \theta
Wi(t+1) = wi(t)-\etapwi(t), para todos los V_{i} \geq \theta
5.
Para cada evento negativo:
Wi(t+1) = wi(t)-\eta_{n}wi(t), para todos los V_{i} \geq \theta
Wi(t+1) = wi(t) + \eta_{n}wi(t), para todos los V_{i} \leq \theta
\theta es mínimo umbral de loto de grupos difusa
\vskip1.000000\baselineskip
\bullet Actualización velocidad de aprendizaje
6.
Si el evento es positivo:
\rhop(t+1) = \rhop (t) +\rhop (t)*(O(t) - O(t-1)/MAXVOTE)
\etap (t+1) = \etap(t) + \etap (t)* \rhop(t+1) + \delta
\etan (t+1) = \etan(t) - \etan(t)*\rhop (t+1)- \delta
7.
\rhon(t+1) = \rhon (t) + \rhon (t)*(O(t-1) - O(t)/MAXVOTE)
\etan (t+1) = \etan(t) + \etan (t)* \rhon(t+1) + \delta
\etap (t+1) = \etap(t) - \etap(t)* \rhon(t+1) - \delta
\delta es un término de refuerzo de frecuencia.
El ProfAgent ajusta los pesos de la capa simple n red de nodo según un esquema de aprendizaje reforzado. Los n pesos, preferentemente un usuario específico, se inicializan igualando a 1/n, es decir, todas las PSF tienen un voto igual. Cada vez que el usuario visita el mismo programa, el régimen de formación refuerza los nodos que votan el programa como preferido, y penaliza al resto. Esta filosofía confirma las predicciones de preferencia con frecuencia observacional. Para fomentar la estabilidad y convergencia, la tasa de aprendizaje \eta aplica una señal de refuerzo para ajustar los pesos.
Dos ritmos de aprendizaje rigen el proceso de formación, el ritmo de incidencia positiva (\eta_{n}) y el positivo (\eta_{p}), Se produce un evento positivo cuando el usuario selecciona el programa, y el negativo cuando un programa estaba disponible en un contexto previamente preferido, pero se eligió otro programa. En la práctica, existe una información más causal en ejemplos positivos que en los negativos. Por tanto el \eta_{p} es normalmente mucho mayor que \eta_{n}. El término de momento \rho (\rhon) aumenta (disminuye) eventos de premios cuando la salida de votación de preferencia indica un aumento (disminución) de tendencia de preferencia entre eventos positivos (negativos), y disminuye \eta_{n} (\eta_{p}) para reflejar una preferencia de aprendizaje positivo (negativo). La tasa de aprendizaje \delta refuerza la frecuencia den visita de programa. El refuerzo es positivo para cada evento positivo y en caso contrario, negativo. A lo largo del tiempo, el sistema de aprendizaje de preferencia presente aprende automáticamente el PSF que mejor predice la preferencia de programa, y desenfatiza el resto. Las tasas de aprendizaje se ajustan a aproximadamente la constante de tiempo de elevaciones de preferencia periódica del usuario. Todas las PSF producen una gama de clasificación de preferencia de "difusa" en pasos desde un valor de clasificación mínimo (por ejemplo, HATES_PROGRAM = 1) hasta el máximo (TOP_PROGRAM = MAX_VOTE = 6).
\theta es el valor del elemento miembro difusa mínimo que comprende al menos una preferencia de programa (por ejemplo, V_{i} = LIKES_PROGRAM/MAX_VOTE = 4/6 = 0,66). El refuerzo PSF se determina comparando un voto PSF a \theta. Un voto es positivo cuando V_{i} \geq \theta, y es negativo en caso contrario. El efecto es premiar a un peso de votación PSF, si el voto es positivo (negativo) durante un evento de visionado de programa, positivo (negativo), y lo penaliza en caso contrario.
La PDE calcula el programa, o cualquier tipo de estado, clasificación de preferencia, R, como sigue:
\bullet Si el programa ya es un estado en una SSM:
(1)R = \frac{(1 + \lambda (t))}{t - q} \sum\limits^{t}_{k=t-q} c_{k} O_{k}
O_{k} es la disposición ordenada cronológicamente de votos de preferencia del programa;
t es el número de clasificaciones recientes del programa, t puntos al voto corriente O.
q es el número de clasificaciones pasadas para incluir en la media de desplazamiento
c es un coeficiente de peso temporal, en donde C_{k} <= 1
\lambda(t) es una prueba independiente, pero término de sesgado dependiente de la frecuencia, en donde \lambda(t) <= 1
\bullet Si el programa no es ya un estado en una SSM
R = 0
La clasificación de preferencia R de un programa es un promedio de movimiento pesado de los votos de preferencia de programa corriente y pasada. Un diseñador de sistema especializado en la técnica fija la distribución C_{k} a la preferencia temporal deseada de clasificaciones pasadas. Típicamente, el tiempo disminuye el valor de información pasada, de ahí que las clasificaciones disminuyan en valor a lo largo del tiempo. \lambda(t) aumenta proporcionalmente la clasificación global según el número de veces que el programa ha sido clasificado. \lambda(t) es preferentemente una función de crecimiento pequeño y lento de frecuencia de visionado, por ejemplo, \lambda(t) = c*log(t)=[0,03 0,05 0,1 0,12 0,15...]. El efecto de \lambda(t) sirve para indicar mayor preferencia del programa que más veces ha sido visto, independiente de los votos PSF.
Por ejemplo, si un espectador ve siempre solamente los primeros 20 minutos del Show Tonight, la clasificación del programa sería baja, sin embargo el término de frecuencia \lambda(t) podría elevarse cada vez más, p.e. de forma logarítmica, la clasificación para reflejar la consistencia de preferencia de visionado, por ejemplo, una clasificación un 3% superior después de 3 veces, y un 12% después de 5 visionados, etc. Todos los tipos de estados relacionados con un programa heredan el voto de preferencia efectiva del programa, O.
Por ejemplo, si el programa tiene una clasificación LIKED, entonces su género, canal y actor, etc., recibe también una clasificación LIKED. El PDE calcula una clasificación de candidatos de estado, R, como se describe para el ejemplo de Título anterior, ilustrado en la Ecuación (1). Por ejemplo, si un usuario ha visto dos series de comedia "Seinfeld" con una clasificación LIKED, y a continuación, después de esta última ha visto la serie "Friends" con una clasificación INTERESTED, entonces O_{1} = LIKED = 4, y O_{2} = INTERESTED = 3, en ese caso la clasificación de preferencia de estado de la serie comedia es (con C_{1} = 0,9, C_{2} = 1, \lambda(2) = 0,03):
R = \frac{(l + \lambda (2))}{2} (c_{1}O_{1} + c_{2}O_{2}) = \frac{1\text{.}03(\text{.}9*4 + 1*3)}{2} = 3.4
En este caso, dado que ha transcurrido un largo tiempo entre los eventos de visionado de programa, el voto más antiguo se redujo en un 10%. Sin embargo, dado que el mismo género fue visto dos veces, la clasificación recibió un incremento del 3%. El mismo algoritmo de clasificación de preferencia, se aplica a cualquier tipo de estado.
\newpage
Para cada programa visto, el PDE pasa una preferencia de estado de candidato que evalúa el ProfAgent para actualizar el BM según los algoritmos prescritos. El PDE dirige el BCE para procesar todos los datos de formación del usuario, así como los de un usuario, creando de este modo un único BM que incluye información de comportamiento para todos los miembros de una clase.
La salida de votación del ProfAgent se memoriza en una base de datos de historial de votación (VOTEdbase), que el ProfAgent utiliza como se describe aquí, para determinar los estados más preferidos para conservar en la BMdbase. El PredictAgent utiliza también la VOTEdbase al responder a requerimientos del PerfAgent, Agente de Determinación de Preferencia para preferencias de parámetro de contenido de clasificación. El PerfAgent y su función está descrito en la solicitud de patente en trámite, asignada comúnmente [Patente Nº 155785-0006/Poi862, basada en aplicaciones provisionales 60/215.450 y 60/226.437]. La visión general de la solicitud dependiente se incorpora aquí por referencia.
Un gestor de registro provoca el registro de programas, iniciando periódicamente una secuencia de registro. A tal fin, el gestor de registro envía una petición al agente de preferencia PrefAgent para clasificar todos los programas en un momento determinado (X) o, alternativamente, para clasificar todos los programas dentro de un período de tiempo particular (X). En determinadas realizaciones, la frecuencia con la que se llevan a cabo los pasos podrá ser cambiable por el usuario. El agente de preferencia responde proporcionando clasificaciones, de una base de datos de preferencia, por cada programa recibido del gestor de . El gestor de registro provoca entonces el registro de programas en el tiempo X, o dentro del período X según las clasificaciones recibidas del agente de preferencia.
El agente de preferencia controla la selección de visionado de los diversos espectadores utilizando el sistema de control y crea perfiles de visionado de cada espectador que se almacenan en la base de datos de preferencia. En base a estos perfiles, el agente de preferencia clasifica adecuadamente la programación de entrada el contenido de programación como se describe en la información de la EPG para compilar listas tales como "Top 10", listas de elecciones de visionado disponibles en cualquier momento dado para cada espectador, y ordena al gestor de registre los programas mejor clasificados que se van a emitir en cualquier momento dado (comprendiendo cualquier programa seleccionado por los espectadores para registro) y guardarlo en el motor de búsqueda de memoria de programa almacenados. El agente de preferencia contiene además un software que le permite crear un perfil demográfico para cada espectador, en base al perfil de visionado del espectador y determinados algoritmos o reglas asociativas. Estos algoritmos podrán ser ajustados en el tiempo, como el modelo empleado por el administrador del sistema, es aumentado y su precisión mejora. A tal fin, el canal de información de actualización del sistema, incluido en la señal de emisión podrá incluir actualizaciones de software periódicas, comprendiendo nuevos parámetros de la base de datos de preferencia que podrán necesitar ser incluidos en la petición de los proveedores de publicidad. De este modo, en una forma de realización, el sistema de control podrá ser actualizado a distancia para satisfacer cualesquiera muevas demandas que puedan surgir a medida que los proveedores de contenidos de publicidad se familiarizan con el sistema y el proceso de adaptación personalizada de anuncios estrechamente centrados y dirigidos. El perfil demográfico creado para cada espectador se almacena en una base de datos demográficos, que reside en el sistema de control, y asegura de este modo la privacidad de los espectadores.
El agente de preferencia también clasifica el contenido de programación que circula a través de múltiples canales de publicidad contenidos dentro de la señal de emisión y, sobre la base de los perfiles demográficos de los espectadores y los metadatos contenidos en cada anuncio para describir la audiencia objetiva de ese anuncio particular, almacena y/o provoca la visualización de anuncios particulares. El sistema de control podrá utilizar cualquiera de una variedad de métodos para manipular el contenido de publicidad, como se describe a continuación.
El PredictAgent combina la información de votación de preferencia con las preferencias de BM contextuales para elaborar una clasificación que el TASAgent, y otros módulos del sistema, utilizan para tomar decisiones relacionadas con las preferencias.
El PredictAgent agrega votos históricos para elaborar una clasificación global para el estado crea modelos dedo. PredictAgent presenta la misma arquitectura de aprendizaje que ProfAgent. Sin embargo, al contrario que ProfAgent, que enseña la métrica de contribución característica a característica, PredictAgent enseña los parámetros estadísticos, característica a característica. En lugar de entradas PSF, existen tres entradas estadísticas de historial de votación: recuento de muestra, máximo de muestras, y mínimo de muestras, y sus respectivos pesos de votación respectivos, como sigue:
\bullet CntPctCoef, peso del número del número de veces que fue visitado el estado
\bullet MaxPctCoef, peso del máximo voto siempre observado
\bullet MinPctCoef, peso del mínimo voto siempre observado.
Lo que sigue es el pseudo código del cálculo de clasificación de preferencia, en el caso de estado de título:
validStates = find(cntLTitleVote);
TeffMinVote = avgLTitleVote-sdvLTitleVote;
maxTcnt = max(cntLTitleVote(validStates));
maxTmax = max(maxLTitleVote(validStates));
TcntAdj = log(cntLTitleVote(validStates))/log(maxTcnt)-
log(mean(cntLTitleVote(validStates)))/log(maxTcnt);
TmaxAdj = log(maxLTitleVote(validStates))/log(maxTmax)-
log(mean(maxLTitleVote(validStates)))/log(maxTmax);
TminAdj=(minLTitleVote(validStates)mean(minLTitleVote(validStates)))/MAxTITLeVOTE;
TeffVote=TeffMinVote+TeffMinVote.*(TcntAdj*cntPctCoef+TmaxAdj*maxPctCoef+TminAdj*minPctCoef);
Los votos se asumen como que presentan una distribución gaussiana, y se desea una clasificación conservadora. TeffMinVote es el promedio de voto reducido por la desviación estándar de todos los votos. Se trata de una técnica de "poda" estadística de la clasificación de grupos. MaxTcnt, y maxTmax son máximos normalizantes de todos los recuentos de visita del estado, y el voto máximo más alto. Los factores de ajuste enseñados predisponen TeffMinVote según los ajustes enseñados TcntAdj, TmaxAdj y TminAdj. Estos parámetros de ajuste de voto varían de cero a uno, y crecen de forma logarítmica con estímulos y además, están normalizados por su valor promedio respectivo. Dicha política de votación favorece clasificaciones observadas consistentemente elevadas sobre clasificaciones de preferencia inestables que puedan tener un elevado promedio. El ajuste de recuento de estado aporta una preferencia positiva (negativa) para los estados más (menos) frecuentemente vistos. De este modo, un caso de voto de preferencia elevada para una película de acción, podría puntuar menos que un voto promedio diario para una serie de comedia. Los términos de la ecuación ayudan a superar el caso en que la clasificación de preferencia es, por alguna razón, imprecisamente baja, pero el usuario el comportamiento repetido del usuario garantiza un voto mayor. El término TmaxAdj ayuda a realizar la clasificación de preferencia importante en relación con la gama de preferencias del usuario. Es decir, si un usuario nunca ha demostrado una clasificación muy alta, posiblemente debido a un deficiente rendimiento del sistema, clasificaciones que se aproximan al máximo personal del usuario, deberá predisponerse para indicar una puntuación relativamente alta para este usuario. Esto es especialmente útil cuando se comparan clasificaciones entre usuarios en un caso de ID de multi-usuario, por ejemplo. La expresión de sesgo de nivel de activación de voto TminAdj, favorece los votos de estado que se desvían significativamente por encima de la media de voto mínimo en todos los estados relacionados. Se trata de una estrategia de sesgado del llamado voto "blando", que utiliza las respuestas más bajas de los usuarios como punto de referencia para inferir mayor confianza en clasificaciones relativas
superiores.
El PDE utiliza las clasificaciones de preferencia ajustadas globales del PredictAgent para determinar los estados a sustituir con estados más preferidos, cuando se alcanza un recuento de estado máximo debido a limitaciones de memoria, si las hubiere. De ahí que, la BM sea continuamente actualizada para contener los estados más relevantes (potencialmente todos los estados visitados si la memoria lo permite).
El siguiente paso de la categoría publicitaria, proceso de construcción de prototipo es parametrizar la BM en un espacio pseudo Euclidiano. Dado que las estructuras de datos de creación de modelos en la BM no son distribuciones gaussianas de una dimensión, es difícil determinar la distancia entre dos BM, y un procedimiento impreciso cuando se utilizan técnicas anteriores. Las técnicas anteriores asumen que los datos muestreados presentan una distribución en forma de curva de campana, y crea modelos den los datos como gaussianos, definidos por un medio, \mu, y una variación \sigma. Sin embargo, como se ilustra en las Figuras 11, 13 y 14, las muestras en varias categorías modelizadas no son objeto de una distribución normal, sino exponencial, beta, uniforme, delta o multimodales. De manera importante, las matrices de transición no se prestan a sí mismas a métricas de distancia estándar, requeridas para determinar los miembros del grupo. Métodos de clasificación conocidos definen un espacio de característica euclidiana, que consta de sectores contiguos de grupos centrados en los medios \mu, con límites de grupos que se extienden en \sigma desde \mu.. La distancia de Mahaloanobis es tradicionalmente utilizada para determinar los miembros del grupo. La distancia Mahaloanobis es, simplemente, la distancia Euclidiana dividida por cada \sigma dimensional del grupo; o
(\mu_{1} - \mu_{2})^{\tau} \sum^{-1} (\mu_{1} - \mu_{2}),
en donde \Sigma es la matriz de covarianza mutua.
Este método es muy impreciso, y poco práctico en sistemas de TV. Es impreciso por dos razones primarias: supone falsamente datos de muestras gaussianas, y la inversión de matriz de covarianza introduce un punto flotante significativo redondeado de errores que frecuentemente hacen singular la matriz. En un espacio dimensional elevado, por ejemplo, más de 100, que calcula e invierte la inversión de la matriz de covarianza puede ser prohibitiva en tiempo de CPU y de memoria. En una matriz de ilustra típicamente dispersa, deben manipularse numerosos términos de correlación cruzada innecesarios. Los métodos estándar son similarmente no aplicables para determinar la distancia entre SSM correspondientes. De este modo existe la necesidad de una nueva estrategia para representar grupos y distancias multimodales entre ellos.
La BM se parametriza en tres clases generales de tipos de datos de dimensión: histograma, escalar, discreta. Para representar SSM en un espacio de clasificación, general, independiente, las configuraciones de comportamiento son identificadas y extraídas como parámetros de clasificación dimensional. Cada parámetro de matriz es una dimensión en un espacio de clasificación pseudo-Euclidiano.
Algunas categorías de parámetros típicos SSM, son:
1. Histograma de sesgo de transición
2. Histograma de sesgo de autotransición
3. Histograma de sesgo de encendido (apagado) de tipo estado
4. Histograma de sesgo invertido de transición
5. Proporción de transición simple
6. Confianza de muestra de matriz SSM
7. Sesgo a n estados superiores
8. n estados superiores
Los puntos 1 a 4 son distribuciones de sesgo observado de las correspondientes configuraciones de comportamiento. El punto 1 representa la cantidad de preferencia para transiciones que ocurren de forma aleatoria. Otra categoría importante de comportamiento, punto 2, es con cuanta probabilidad tras transiciones retornan al estado original, es decir, pasan de una comedia a otra comedia. El punto 3 captura los estados de comienzo o finalización de sesión esperados del usuario, para todos los tipos de estados. El punto 4 representa una distribución de niveles de preferencia para realizar una transición predispuesta en una dirección sobre otra. Algunos parámetros escalares comprenden la proporción de una a todas las transiciones, el punto 5, predispone la matriz no aleatoria, punto 6, y la preferencia a los estados superiores SSM.
El modelo de secuencia de estado, para todos los tipos de estado, presenta parametrizaciones generales que comprenden: Histograma de Longitud de secuencia. Proporción de estados de secuencia única para todos los estados visitados. Fracción de estados preferidos de todos los estados de secuencia visitados. Enfoque de estado de secuencia. Longitud máxima de secuencia. Proporción de transiciones de secuencias a todas las transiciones únicas.
Las dimensiones de clasificación relacionadas con el comportamiento de variaciones por saltos son, preferentemente, parametrizadas como sigue: histograma T_{w}/T_{a}, histograma \Deltat/T_{a}, histograma de tiempos de fracción de programa entre saltos \Deltat, del número de saltos por programa.
Finalmente, el sistema utiliza una variedad de dimensiones de características relacionadas con el programa. Estas dimensiones comprenden T_{w}/trans, tiempo visto por histograma de transición. T_{w}/prog, tiempo visto por histograma de programa.anuncios T_{w}/T_{a}, histograma de tiempo de publicidad visto por tiempo disponible. T_{w}/sesión, histograma de tiempo visto por sesión de TV. Hora del día de comienzo de programa visto, histogramas. T_{m}/T_{a}, T_{w}/T_{a}; T_{i}/T_{a}. Y número de estados visitados únicos visitados por período de tiempo.
Un listado detallado de dimensiones parametrizadas utilizadas en el BCE no se necesita proporcionar dentro del marco de trabajo de esta especificación. A los especialistas en la técnica pertinente se les permitirá establecer las necesarias dimensiones de parámetros, comprendiendo variaciones, parametrizaciones y extrapolaciones.
El nuevo algoritmo de cálculo de preferencia determina la evidencia cualitativa de un proceso de selección no uniformemente aleatoria, y por tanto, la probabilidad de importante información de comportamiento. La esperada matriz uniformemente aleatoria de cobertura se calcula utilizando la distribución binomial. Cada acción de usuario es vista como un evento de caída de paso para llenar una "tolva" dada. El número de pruebas en los experimentos binomios, o transiciones de estado, es el número de transiciones en la matriz. La probabilidad de un evento con éxito, o llenar una tolva de matriz particular, es la probabilidad uniformemente aleatoria de que cualquier tolva sea seleccionada. La probabilidad binómica para que una "cesta" dada sea llenada después de un cierto número de pruebas, traslada al número de cajas de intervalo ("bins") de la matriz que se espera sean llenadas por un proceso aleatorio. De este modo, la proporción cuantas cajas podrían ser llenadas por un proceso uniformemente aleatorio, al número real de cajas llenadas, indica un proceso sesgado o no uniformemente aleatorio, al otro lado de selecciones de transición de estado. La medida de preferencia es un indicador cuantitativo de un tamaño de muestra estadísticamente significativo. Si no hay suficientes muestras en la matriz para inferir un proceso de transición SSM, la medida de preferencia es inferior o igual a uno. Los métodos de la técnica anterior, generalmente requieren n^{2} muestras en una matriz n por n para determinar si la matriz de covarianza se espera que sea estadísticamente importante. Este requisito es prohibitivo a medida que n se hace mayor. Por ejemplo, para una matriz 30 x 30, los métodos tradicionales requieren 30 x 30, o sea, 900, muestras, lo que es difícil de obtener en un corto período de uso de TV por el usuario. La razón por la que la técnica anterior presenta esta restricción, es que requiere suficiente información para inferir confianza en todos los términos de correlación cruzada en la matriz de covarianza, ya que no hay una forma "a priori" para predecir que son importantes, incluso si la amplia mayoría de estos términos son cero. El presente método de detección de sesgo de matriz, determina continuamente la importancia estadística, y con frecuencia convergen en la magnitud de n muestras.
A continuación, se proporciona una descripción informática detallada de la técnica de desviación de estimaciones, tal y como se aplica a la matriz de transición liked_channels.
Las definiciones de función de pseudo-código comprenden lo siguiente:
sum(x)-suma las columnas de la matriz X, si X es una disposición de suma de elementos a un resultado escalar.
length(X)-devuelve la longitud de dimensión de matriz mayor de X
find(X)-devuelve todos los elementos no cero de X.
X(1:5,1:5)-devuelve una sub-matriz X' es decir, filas 1 a 5, y columnas 1 a 5 de X
Y=binocdf (X,N,P) devuelve la función de distribución acumulativa binomial con parámetros N y P a los valores de X.
union(A,B)- cuando A y B son vectores devuelve los valores combinados de A y B, pero sin repeticiones.
sqrt(X)- la raíz cuadrada de los elementos de X
sort(X)-clasifica los elementos de X en orden ascendente
Las siguientes normas pertenecen a los cálculos de una matriz uniforme aleatoria:
1.
probabilidad uniforme de transición a determinado estado de un cierto estado:
Ptrans_rand= 1/(NUM_LIKEDCHAN_STATES-1);
2.
Probabilidad uniforme de elegir cualquier transición posible (no cuenta el estado OFF de la TV):
state_Prob = 1/sum(sum(LikedChanTransMtx(1:NUM_LIKEDCHAN_STATES, 2:NUM_LIKEDCHAN_STATES)));
3.
probabilidad uniforme de iniciar o terminar una sesión de usuario en un determinado estado:
PonOffRand = 1/(NUM_LIKEDCHAN_STATES-1);
4.
vector de sesgo para empezar en un cierto estado (stateOFFbias similar):
stateONbias = (LikedChanTransMtx(START_VIEWING,1/(NUM_LIKEDCHAN_STATES)ON_SE-SSION)PonOffRand.
5.
Preferencia sobre surfing aleatoria para empezar:
ViewrLchOnSurfBias(viewer_idx)=stateONbias(SURFING);
6.
Preferencia sobre surfing aleatoria para empezar en estado No preferido
ViewrChanOnUnlikeBias(viewer_idx)=stateONbias(UNLIKED);
El cálculo de sesgo de concentración de muestra e matriz sigue estas normas:
1.
sesgo como múltiplo de uniformidad aleatoria para transiciones de estado no-comienzo-fin.
bias_mtx=(LikedChanTransMtx(2:NUM_LIKEDCHAN_states,2:NUM_LIKEDCHAN_STATES)Num_trans)/Ptrans_rand;
2.
número de transiciones únicas entre estados no-inicio-fin visitados por el usuario;
numFilledBins = length(find(bias_mtx(:)));
3.
número de transiciones únicas entre estados no-inicio-final estados posibles:
numBins2Fill = lenght(bias_mtx)
\circun{1}2
;
4.
fracción de posibles cajas realmente llenas:
mtxFillRatio=numFilledBins/numBins2Fill;
5.
número binomial dado de expectativa de selección de muestras y proporción de éxito uniformemente aleatorio:
ExpCoverage = 1-binocdF(minHitsPbin-1, Num_trans, 1/NumBins2Fill);
6.
Proporción de éxito de llenado de caja real observada:
ActCovergae=numFilledBins/numBins2Fill
7.
ViewrLchMtxConf(viewer_idx) = ExpCoverage/actCoverage.
El ratio de confianza de matriz (MtxConf) indica la probabilidad de un sesgo de proceso no aleatorio. De este modo, tiende a dar la confianza de que un conjunto de muestras es suficientemente grande para inferir que tiene un origen no uniforme-aleatorio. Aumentar los aciertos mínimos, o éxitos, por caja de intervalo (minHitsPbin) para aumentar la confianza en un tamaño de conjunto de muestras mínimo adecuado (normalmente minHitsPbin = 1 es práctico). El corte dimensional inter-prototipo o local, sigue el paso parametrizado del proceso de formación BM de prototipos de categoría publicitaria, Se eliminan dimensiones de alta varianza, similarmente, bajo sesgo. Las características de clasificación más representativas son las que presentan una dispersión de distribución de muestras estrecha. Las características con datos más uniformemente dispersados plantean una distribución aleatoria, y no son útiles a la discriminación de grupos. Un corte típico de la técnica de poda estadística es una desviación estándar para características escalares modeladas gaussianas (\sigma_{cut}) y un sesgo (\beta_{cut}) menor o igual a una dispersión de muestreo prevista uniformemente aleatoria. El diseñador del sistema alcanza un criterio de corte cada vez más estricto disminuyendo (\sigma_{cut}) y aumentando (\beta_{cut}). Una política de corte demasiado estricta, y una información de separación de grupos valiosa se pierde, y podría resultar en un prototipo vacío por eliminación de todas las dimensiones. Un umbral demasiado relajado resulta en una pérdida de prestación de clasificación comprendiendo muchas características no predictivas. El producto de la fase de "poda" inter-prototipo es un prototipo de plantilla de categoría publicitaria preliminar. Los algoritmos precedentes se aplican a cada conjunto de formación, creando un perfil de referencia localmente recortado, posiblemente vacío, para cada uno.
Después de una "poda" estadística local, global, o intra-prototipo, el recorte dimensional elimina además información superflua. En esta etapa de "poda", cada prototipo de categoría publicitaria, se compara con todos los demás, y las dimensiones que no separan ninguno de los grupos se eliminan. Medir las distancias de grupo que implican dimensiones no escalares, no gaussianas, sin embargo, requiere un nuevo método. Métodos conocidos definen un punto de muestra en un espacio dimensional elevado, coherente. Sin embargo, la BM no correlaciona, ni preserva, valores característicos para cada observación. En su lugar, todas las dimensiones de datos de muestra registran los valores característicos observados en sus histogramas de creación de modelos de distribución respectiva, como si ocurriesen independientes del tiempo, y cualquier otra dimensión. De este modo, no es posible definir grupos como puntos de muestra de la BM en un espacio n-dimensional Euclidiano. De forma importante, este enfoque de grupos de clasificación tradicional, requiere exponencialmente más memoria para almacenar cada punto de muestra en un espacio característico, y su historial de transición. En su lugar, el espacio de característica presenta es una construcción n-dimensional pseudo-euclidiano que sustituye las distancias absolutas con relativas correlaciones entre grupos. Dado que los puntos de muestra en cada histograma de dimensiones, presentan una correlación no cruzada-dimensional, ningún grupo presenta una representación vecina espacial. En espacios de características de gran dimensión, un grupo vecino es principalmente útil si las muestras son Gaussianas distribuidas, ya que se utilizan medios de grupo ajustados en varianza para calcular distancias. Sin embargo, en distribuciones multimodales, es decir, no en forma de campana, como es el presente caso, esta representación tiene una pequeña ventaja como distancia Euclidiana ya no se aplica en el sentido tradicional. Discretas características variables, tales como nombres de programa, suponen una complicación adicional en el espacio Euclidiano, ya que no son analogías numéricas de las dimensiones características, sino representaciones de teoría. Para superar la limitación de la técnica anterior, una nueva métrica de distancia determina existe suficiente distancia de clasificación entre dos grupos multi-modales en espacio característico. La arquitectura de clasificación presente sustituye la distancia de Mahaloanobis, o distancia euclidiana ajustada de varianza, de la técnica anterior, con una arquitectura de votación dimensional que calcula el solapamiento de contigüidad de grupos como un porcentaje de dimensiones que votan que existe solapamiento. De este modo, por sí sola, no es un punto de partida importante de la técnica actual, sin embargo, la métrica de determinar el solapamiento entre grupos no escalares y no gaussianos, sí es nueva. De nuevo, existen tres tipos principales de datos, cada uno tratado de manera diferente, es decir escalar, histograma, y discreto, como se define aquí. Las dimensiones características escalares modeladas como gaussianas, y se manipulan en el método de discriminación vecina estándar \mu, \sigmacut. Las distancias de clasificación entre dimensiones características de histograma, sin embargo, se calculan como correlaciones de
distribución.
La distribución de pseudo-correlación se define como uno menos la proporción de la distancia entre ciertas cajas de intervalo de histograma, con la distancia del peor de los casos. Esto simula el comportamiento de correlación deseable de:
1. los valores de salida están entre 0 y 1
2. la salida lineal aumenta (disminuye) las formas y amplitudes de distribución más (menos) similares.
El siguiente pseudo-código de procedimiento comentado (en codificación MatLab) determina si dos histogramas en una característica de dimensión pertenecen a la misma clase (los valores de "poda" estadística discrecionales se establecen sin valores ejemplares):
1.
Para conseguir la distancia del peor de los casos, tratar cada caja de intervalo de histograma como un vector de característica euclidiana ortogonal y calcular la distancia del caso peor entre ellos mediante colocación de todas las muestras de cada una en diferentes cajas de intervalos ("bins").
worst_diff(:) = 0;
worst_diff(1) = hist1_all_samples;
worst_diff(NUM_HIST_BINS)=hist2_all-samples;
worst_distance= sqrt(worst_diff*worst_diff)
2.
Calcular la distancia Euclidiana efectiva entre los dos histogramas
hist2hist_diff = hist1-hist2;
histDiff_sqr=hist2hist_diff.*hist2hist_diff;
user_dist=sqrt(sum(histDiff_sqr))Worst_distance;
3.
Determinar las funciones de densidad de probabilidad (pdf) para cada histograma
hist1_pdf=hist1/hist1_all_samples;
hist2_pdf=hist2/hist2_all_samples
4.
Localizar las cajas de intervalo ("bins") con la mayor densidad de distribución, y clasificar por densidad.
[hist1_mass hist1_mass_bins] = sort(hist1_pdf);
[hist2_mass hist2_mass_bins]=sort(hist2_pdf)
5.
Para hist1 y hist2, las cajas de intervalos ("bins") más densas con desviaciones estándar de los puntos de muestra:
bin1_1sdv = NUM_HIST_BINS - min_(find_(cumsum_(fliplr_(hist1_mass))_>._68))_+1;
bin2_1sdv = NUM_HIST_BINS - min_(find_(cumsum_(fliplr_(hist2_mass))_>._68))_+1;
bins_1sdv = union([hist1_mass_bins (bin1_1sdv:_NUM_HIST_BINS)], [hist2_mass_bins(bin2_1sdv:NUM_HIST_BINS)]);
6.
Crear modelos de la varianza entre histogramas como variación de las distancias "bin" a "bin". Determinar el promedio de distancia bin a bin entre bin 1 sigma en hist1 e hist2, éste es la distancia estimada de variación entre muestras correspondientes cuanto más consistentes de la distancia entre bins, más cierta es la separación entre histogramas
(mean_diff = mean (hist2hist_diff(bins_1sdv));
deviation=hist2hist_diff(bins_1sdv)-mean_diff;
variance_dist=sqrt(mean(deviation*deviation'))/worst_distance;
7.
Definir la correlación de histograma como la proporción de la distancia Euclidiana, a la distancia del caso peor. Definir correlación de clasificación de histograma como la proporción de una desviación estándar Euclidiana, a la distancia del caso peor.
user1sdvDist=sqrt(sum(histDiff_sqr(bins_1sdv)))/worst_distance;
8.
Calcular los grupos de dimensión como separado si la distancia clúster reducido sigma es positiva, para todos los tipos dimensiones.
ClassCutoffDims(idx) = user1sdvDist-variance_dist;% foridx =1 a NUM_DIMS
El procedimiento de reducción de dimensión global elimina una dimensión si ClassCutoffDims, para una dimensión de clasificación particular, es negativa para prácticamente todos los prototipos de anuncio, puesto que dicha característica tiene poco o ningún valor predictivo para el sistema. El resultado del procedimiento de "poda estadística" de prototipos globales y locales es una descripción mínima de valores de características importantes que identifican y separan cada categoría publicitaria.
El BCE proporciona al servidor objetivo (TargServer-Fig. 6) el conjunto optimizado de prototipos de categorías publicitarias para descargar al MemberAgent en TV. La etapa final en el sistema objetivo de anuncios es clasificar un usuario de TV en sus categorías publicitarias más probables. A continuación, el MemberAgent aplica la misma distancia de agrupación exacta para el BM idéntico como en el lado del servidor, con la adición de las etapas de clasificación siguientes:
1. Para todos los tipos de dimensiones, calcular el miembro de agrupación por separado como si la distancia de la agrupación reducida sigma es positiva y a continuación, calcular la fracción de dimensiones de separación
ClassCutoffDims (idx) = user1sdvDist-variance_dist;% para idx = 1 a NUM_DIMS goodDimVec = find (ClassCutoffDims > 0);% encontrar todas las dimensiones separadas NUM_GOOD_DIMS = length (goodDimVec);
GoodDims(goodDimVec) = 1% set good Dimensions, goodDims init to 0 AdGroupClassifRatio = NUM_GOOD_DIMS/NUM_DIMS;
2. Determinar la aptitud o la falta de aptitud del miembro de categoría publicitaria para información del módulo del sistema CLASS_VOTE_CUT = 4,% fracción de dimensiones que se deben separar apropiadamente para contar la agrupación como clasificada
% determinar grupos como separadas si la fracción del voto de clasificación es CLASS_VOTE_CUT
si AdGroupClassifRatio > CLASS_VOTE_CUT
AdGroupClusterVote = 1;
Otro
AdGroupClusterVote = 0;
Fin
Cada grupo de categorías publicitarias tiene una relación AdGroupClassifRatio, que es la fracción de dimensiones totales que fueron apropiadamente separadas. Es una medida proporcional de cómo son de similares los grupos de comportamiento. Es decir, cuanto más (dis-)similar es el comportamiento de un usuario para el prototipo de categoría publicitaria, tanto más (menos) dimensiones serán solapadas y por lo tanto, cuanto más alta (más baja) fuere la relación AdGroupClassifRatio. De este modo, cada prototipo de categoría publicitaria presenta una AdGroupClassifRatio o un valor TargetingValues, que caracteriza el grado en que un usuario pertenece a ese grupo de publicidad dirigida. El TargServer proporciona está información para cada categoría publicitaria como una distribución de probabilidades relativas de ser miembro. TargServer determina, además, un valor de miembro de categoría publicitaria de "apto-no apto" para módulos del sistema que requieren una predicción binaria. AdGroupClusterVote es un valor de miembro binario igual a 1 si hubiera suficientes dimensiones que separaran el usuario desde el prototipo de categoría publicitaria bajo consideración y sería cero, de no ser de este modo.
MemberAgent periódicamente, o bajo demanda, calcula las probabilidades de miembro de categorías publicitarias de un usuario para su empleo en los módulos del sistema. El TASAgent utiliza la información de miembro de categoría publicitaria para almacenar el contenido que mejor se adapta al interés de un usuario, o los objetivos de marketing de un cliente de publicidad. Según una forma de realización, el TASAgent almacena y borra la programación para hacer estadísticamente máximo el TargetingValues del contenido archivado.
Como ejemplo básico, considérese el caso en que TargServer proporciona tres plantillas-hombre, mujer y adolescente-a MemberAgent y calcula los valores TargetingValues de miembro del usuario de TV como 0,2, 0,8 y 0,4. A continuación, TASAgent almacenaría solamente anuncios con metadatos que adaptan estas categorías y en proporción a los TargetingValues. Si los valores TargetingValues fueron normalizados para sumar 1, entonces podrían leerse como probabilidades de hombre=0,14, mujer=0,29 y adolescente=0,57. Por lo tanto, el TASAgent almacenaría y borraría anuncios para adaptar la misma distribución fraccionaria en almacenamiento local y habiendo almacenado anuncios siendo un 14% para hombre, 29% para mujer y 57% para adolescentes. El DispAgent efectúa una distribución similar de presentaciones de anuncios para adaptar las distribuciones de miembros de categorías publicitarias. Una amplia gama de estrategias de optimización objetivo alternativas y más sofisticadas que encajan en, o se extrapolan desde, esta filosofía son posibles.
Se entenderá que inferir una categoría publicitaria a partir del comportamiento en el uso de TV es un problema muy similar a identificar a múltiples personas en una unidad familiar. La principal diferencia es que los prototipos de usuarios son inferidos, desde el punto de vista probabilístico, con datos de preferencias de selección de programas de TV no etiquetados en tiempo real. La misma metodología y arquitectura se aplica a ambos problemas; sin embargo, el problema de identificación multiusuario requiere principalmente técnicas adicionales para asignar, de forma efectiva, las observaciones de uso de TV al perfil de usuario correcto.
Además, o como una alternativa a la descripción anterior del sistema para un enfoque estrecho de los objetivos de la publicidad, el sistema según la invención es, además, adecuado para construir modelos de programación preferidos. En este caso, el agente de presentación PresAgent, interacciona con el modelo de comportamiento BM para construir guías de programación locales. PresAgent deriva las preferencias de presentaciones de usuarios a través de consultas al BMQagent. Para motivar su necesidad, un sumario de niveles de sistemas abreviado precede a los detalles de interacción de BMQengine con el PresAgent. En resumen, el objetivo del PresAgent es construir una guía de programación para un canal virtual cuya programación procede de programas localmente almacenados por el TASAgent. La programación puede ser de publicidad o de entretenimiento, audio, vídeo, gráficos o cualquier o cualquier contenido de multimedia. El TASAgent solamente almacena los programas más preferidos disponibles y constantemente añade y suprime programas para llenar continuamente la memoria local mientras hace máxima la clasificación global de preferencias de programas de los usuarios. Esta guía virtual de programación o canal virtual puede presentar una sensación similar a un canal de TV normal. Debería parecer muy natural colocarlo simplemente como otra línea en una guía de programas de TV en directo. Sin embargo, el canal virtual presenta la ventaja de estar personalizado según las preferencias del usuario y aparece como un canal "bajo demanda" con tiempos de presentación y contenidos que se adaptan, en gran medida, a las expectativas personales del espectador. Para conseguir este objetivo, el PresAgent analiza los metadatos de presentaciones de programación almacenados y las preferencias del usuario para determinar la colocación óptima de programa temporal en la EPG del canal virtual (VEPG).
Los metadatos objetivos de programas, especialmente para anuncios, incluyen información de presentación. Los metadatos de presentación de anuncios, desde el centro de control de la programación, dirige al PresAgent para seguir estas reglas con exactitud o para utilizar la información de preferencia local para secuenciar de forma más inteligente los contenidos de los anuncios.
Para la programación almacenada sin generación de ingresos, el usuario tiene una opción similar para dirigir la disposición de programas del canal virtual. Varios modos de construcción de la VEPG son posibles, variando desde triviales a muy dependientes del contexto.
Una implantación trivial simplemente visualiza los contenidos de memorias locales en el orden en que fueron registrados y coloca el contenido de programación de pago exactamente según se especifica en sus metadatos de presentación. Esto presenta la ventaja de simplicidad, pero supone una carga de trabajo para el usuario para buscar a través de numerosos programas indeseables y tiende a forzar saltos en la guía para cada programa visto. Esta es una etapa por encima de las grabaciones en VCR analógicas por cuanto que tiene un acceso aleatorio y un listado de contenidos.
Un procedimiento más sofisticado utiliza la información de preferencias de programas no temporal para agrupar programas de clasificaciones similares. En la medida en que las clasificaciones de preferencias son exactas, este procedimiento presenta la ventaja de hacer más fácil para el usuario saltar programas menos atractivos y ver continuamente programas preferidos con mucho menos esfuerzo pagado. Sin embargo, persiste todavía la sensación global de un listado de contenidos de medios de almacenamiento clasificados.
Un avance importante sobre la técnica de clasificación de preferencias de contenidos utiliza preferencias temporales y secuenciales para crear una VEPG ordenado según la historia de preferencias y contextos de visionado en tiempo real del usuario. Para realizarlo, cuando el usuario enciende el aparato de TV, o periódicamente antes de que lo encienda, el PresAgent consulta el motor de búsqueda BMQengine con cada contexto de presentación de programa almacenado y construye, de forma dinámica, una VEPG que se adapta mejor a las preferencias de comportamiento del usuario en ese momento y circunstancia.
Las siguientes etapas algorítmicas generales construyen una VEPG para un caso típico:
1.
Encontrar todos los tiempos de visionado indeseables y dejarles vacíos.
2.
Colocar el programa más probable preferido en el encendido del aparato de TV en una franja horaria actual.
3.
Encontrar todas las combinaciones de transiciones de programas locales y en consecuencia, los programas de secuencias y preferencias temporales.
A modo de ejemplo ilustrativo, supóngase que los siguientes 9 programas, que se supone preferidos, están localmente almacenados como sigue:
Título Género Hora de programación Canal Duración (min.)
Market Wrap Serie/finanzas 1 tarde día semana CNBC 120
Star Trek Serie/Ciencia ficción 1 madrugada día semana UPN 60
Friends Serie/Comedia 8 tarde día semana NBC 30
The Tonight Show Serie/Entrevistas 11:30 noche día semana NBC 60
The Terminator Cine/ciencia-ficción 9 noche miércoles HBO 150
Seinfeld Serie/comedia 7 tarde día semana FOX 30
Saturday Night Live Serie/comedia 11:30 noche día semana NBC 90
NOVA Serie/Documentales 9 noche martes PBS 60
NFL football Deportes 6 tarde lunes ABC 210
Aunque esté apagado el aparato de TV, o al encenderlo, el PresAgent determina el contexto de la sesión actual. El contexto actual comprende información tal como día de la semana, hora del día, tiempo desde la última sesión y último título/género/canal.
Los primeros elementos de datos que han de determinarse son los intervalos de tiempo nunca vistos. Esto suprimirá los intervalos de tiempo de la VEPG que históricamente no se suelen observar. La consulta sería similar a:
"QueryFunction = time_sum, StateType = LikedChannels, fromStateID = null, toStateID = null, TimeType = TOD, TimeValue = null".
Aquí utilizamos LikedChannels como indicador de actividad TOD. Cualquier otra categoría de estado "deseada" hubiera servido igualmente.
Una respuesta típica a la consulta de TASAgent podría ser:
[(LATE_NIGHT, VERY_OFTEN); (WEE_HOURS, NEVER);
(EARLY_MORNING; NEVER); (MORNING, MOSTLY); (LATE_MORNING; RARELY); (AFTER_NOON; RARELY); (LATE_AFTER_NOON; SOMETIMES); (EVENING; ALMOST_ALWAYS); (NIGHT, TYPICALLY)]
El TASAgent busca la matriz de resultados para los intervalos de TOD menos probables, en particular
[(WEE_HOURS, NEVER),); (EARLY_MORNING; NEVER), (LATE_MORNING; RARELY); (AFTER_NOON; RARELY)].
Los correspondientes intervalos de tiempo se dejarían en blanco en la VEPG. Sin embargo, si el periodo de visionado de TV actual está en un intervalo en blanco, los intervalos de tiempo de las guías VEPG actuales se hacen disponibles para al menos la duración de la sesión de TV típica del usuario. Es decir, al encender el aparato de TV, existe siempre una programación indicada en el índice de tipos de guías VEPG actuales y al menos en tanto que el usuario vea normalmente la programación de TV durante ese periodo.
Los intervalos de tiempo disponibles son buscados para la colocación de programa preferencial.
El PresAgent prosigue la búsqueda de la programación que el usuario prefiere al iniciar una sesión de TV. Cada programa es buscado en cuanto a preferencia inicial de canal/género/título/actor/etc. Cada estado de comportamiento crea modelos dedo (es decir, canal, género, título, etc.) preferido es consultado y los resultados obtenidos se acumulan en una matriz StarUpRatings. Una consulta típica para buscar las preferencias de géneros iniciales es:
Query([QueryFunction = top_n=5, StateType = género, fromStateID = off, toStateID =null, TimeType = TOD, TimeValue = noche]).
El mismo estilo de consulta se repite para cada tipo de estado y los resultados se comparan con respecto a los programas disponibles.
Además, PresAgent considera las preferencias contextuales con respecto al último programa visto buscando a través de cada combinación de transiciones de StateType y temporales. Supóngase que la nueva sesión tiene los parámetros de DOW = lunes, TOD = noche (10 pm), last_title = "Wheel of Fortune" @ lunes noche 7 pm, last_genre = game_show, y last_channel = NBC.
Una consulta típica incluye una búsqueda de las probables transiciones que se producen en un determinado intervalo de tiempo desde que fue visto el último título, género y canal, tres horas (10 pm-7 pm) para este ejemplo. Una búsqueda de las tres principales transiciones de título preferidas, tres horas después de ver el programa "Wheel of Fortune" es:
Consulta: ([QueryFunction = top_n=3, StateType = título, fromStateID = "Wheel of Fortune", toStateID = null, TimeType = TIP, TimeValue = 3 horas]).
Una búsqueda similar se repite para género y canal.
PresAgent compara los resultados para todas las clasificaciones StartUpRatings y las preferencias basadas en el último programa, con respecto a los restantes programas para la mejor adaptación. Si, para este ejemplo, un género inicial probable era "serie/comedia" y el canal inicial más probable es "NBC", entonces un programa de adaptación con la más alta clasificación de preferencias, por ejemplo Seinfeld, se colocaría como el programa en la franja horaria actual si ninguna otra transición es más preferida tres horas después de ver "Wheel of Fortune", game_shows o NBC.
El sistema mantiene una tabla de horas de sesión para cada intervalo de tiempo, cada día de la semana. Si una sesión típica para este usuario, en este momento, es 1,5 horas, entonces éste es el bloque horario que se tiene que rellenar. El PresAgent prueba cada programa almacenado respecto al sesgo transicional para seguir a Seinfeld. De nuevo, todos los tipos de estados preferidos se buscan para la transición más probable desde el estado asociado con Seinfeld. Una primera consulta típica de la búsqueda de la preferencia de transición global podría ser:
([QueryFunction = mostLikely, StateType = título, fromStateID = "Seinfeld", toStateID =null, TimeType = TOD, TimeValue = noche].
PresAgent encuentra la adaptación cerrada y la coloca después de Seinfeld. Por ejemplo, el usuario puede tener una más fuerte preferencia para ver una serie documental científica después de una comedia corta con independencia de la hora y NOVA sería la más adecuada. Después de que dos programas estén vinculados, PresAgent consulta también respecto a cualquier tipo de preferencias de secuencias de estados; es decir, título, género, canal, etc. Para la secuencia mostrada a título de ejemplo, una consulta inicial es:
"QueryFunction = mostLikely, StateType = TitleSequ, fromStateID = ["Seinfeld", "NOVA"], LengthValue = null"
o
"QueryFunction = mostLikely, StateType = GenreSequ, fromStateID = ["series: comedia", "serie: ciencias"], LengthValue = null"
PresAgent incorpora el resultado específico y más probable a la secuencia anterior. Este proceso continúa para cada programa al final de la secuencia creciente, hasta que se rellena el bloque horario de sesión típica. PresAgent procede a rellenar todos los bloques horarios de las guías VEPG disponibles. Cada bloque de tiempo se inicia con una semilla de secuencia para su crecimiento.
El PresAgent prueba cada programa restante durante todas las franjas horarias disponibles y coloca consecuentemente adaptaciones temporales muy probables (no temporal, DOW, TOD, TIP). Por ejemplo, una consulta típica para comprobar la preferencia de colocación de programa de "Fútbol" podría iniciarse en una franja horaria de tarde de domingo disponible:
Consulta: [QueryFunction = mostLikely, StateType = likedGenre, fromStateID = "deportes", toStateID =null, TimeType = DOW, TimeValue = domingo].
Y
Consulta: [QueryFunction = mostLikely, StateType = likedGenre, fromStateID = "deportes", toStateID =null, TimeType = TOD, TimeValue = tarde].
Si la visión de deportes en la tarde del domingo era más probable que cualquier otro programa restante y la colocación horaria alternada, entonces el fútbol iniciaría ese bloque horario y el procedimiento de construcción de secuencias aquí descrito rellenaría el resto del bloque de la sesión.
El primer pase del algoritmo de colocación de la VEPG solamente compromete a programas muy preferidos en cada contexto. Si cualquier programa permanece para la entrada de la VEPG, las posteriores iteraciones colocan los programas más probables. Si no hay suficiente evidente histórica para inferior, el PresAgent realiza colocaciones arbitrarias como un último recurso.
Y lo que es más importante, cada vez que un espectador enciende el aparato de TV, o se detecta un nuevo usuario, PresAgent genera una VEPG potencialmente diferente personalizado para la preferencia de los espectadores y el contexto de dicha sesión. Varios otros perfeccionamientos, optimizaciones y extensiones sobre el mecanismo de construcción básico de la VEPG son posibles y consideradas. Algunas, aquí descritas, técnicas de resolución contextual adicionales se expanden sobre el algoritmo antes citado. El motor de búsqueda BMQengine facilita al PresAgent muchas otras consultas de sesgos contextuales y de comportamiento. Algunas de estas consultan comprenden:
1.
Último programa visto
2.
Psicométrica del comportamiento
3.
Espacio de atención
4.
Sesgo final
Estas medidas afectan a la preferencia de colocación de programas secuencial como sigue.
El elemento 1 es un mecanismo para recalcular futuras entradas de la VEPG basadas en el último programa visto por el usuario. De forma similar a la determinación de las preferencias de programas iniciales, aquí descrita, el PresAgent consulta todas las preferencias de transacciones de StateType y temporales a partir de los programas elegidos por el usuario. La VEPG se reconstruye, en la forma anteriormente prescrita, con el programa de adaptación de resultados de consultas más probables como la nueva "semilla".
PresAgent utiliza la psicométrica, elemento 2, tal como diversidad, curiosidad, concentración y espacio de atención para ajustar el secuenciamiento de programas más próximo a los deseos del espectador. Por ejemplo, si el usuario presenta una muy alta (baja) diversidad de género o medida de concentración, en ese caso, el PresAgent evita (prefiere), de forma proporcionada, secuencias que repiten el mismo género. Análogamente, una alta (baja) medida de la curiosidad impulsa al PresAgent a preferir (evitar) proporcionalmente candidatos de secuencias relacionadas, pero menos frecuentadas. Una alta (baja) métrica de curiosidad puede surgir de un usuario que presente una baja (alta) atención y suele tener fallos (éxitos) para encontrar la programación deseada. Otra posibilidad es que el usuario tenga un grupo básico pequeño de tipos de programas preferido, pero frecuentemente busque más allá de este grupo para nuevos programas de interés. La medida de la curiosidad, de este modo, busca la alta tendencia de un usuario a buscar fuera de los tipos de programas preferidos pasados, con poca información de la razón para ello.
El espacio de atención, elemento 3, detecta la cantidad y calidad de tiempo que un usuario tiende a dedicar a varios aspectos de los programas. Un histograma presenta un modelo de la distribución de la atención para cada parámetro crea modelos dedo. Los parámetros seguidos incluyen cualquier entrada de categoría de la EPG, tal como tipo de género, un título, un canal o estadísticas de visionado de TV con la inclusión de las horas de sesión. Todos los parámetros del espacio de atención son sensibles al contexto al estar soportados por el módulo BM. PresAgent utiliza el espacio de atención para determinar la duración del programa más preferido por el espectador en un contexto dado. Por ejemplo, a un usuario le podría gustar, en general, una película dramática larga, pero no la prefiere por las mañanas antes de ir a trabajar ni después de un programa concurso y lo prefiere más en las noches de los fines de semana. Este filtro de presentación evita numerosos conflictos obvios de preferencias y duraciones de programas utilizando el tiempo pasado viendo un contexto dado como un sesgo para preferir futuros programas de duración similar.
Una vez que una sesión de TV, o una secuencia de programa de la VEPG, se concentra en el espacio de atención de visionado de TV típica dentro de dicho contexto, el PresAgent presenta una preferencia para colocar programas que se adapten mejor a la historia de sesgo final de un usuario.
El sesgo final, elemento 4, es la tendencia en el pasado a finalizar una sesión de TV después de ver una determinada categoría de BM. Un ejemplo del ProfAgent que enseña un nuevo sesgo de finalización a partir de selecciones de reproducciones de programas, es si un usuario suele interrumpir su visión de TV al anochecer después de reproducir un programa de debate de últimas horas de la noche, tal como "The Tonight Show" durante la semana en lugar de a últimas horas de la noche. El ProfAgent aprende igualmente del uso de programas en directo y grabados. La capacidad para aprender configuraciones de reproducción preferidos permite al PresAgent colocar, de forma adaptativa, la programación en el contexto de la VEPG más preferida. Una consulta típica de TOP ending bias BMQagent para cualquier tipo de estado, por ejemplo, para programas de debates, aparece como:
Consulta: [QueryFunction = mostLikely, StateType = likedGenre, fromStateID = null, toStateID = Series/Talk, TimeType = TOD, TimeValue = late_evening].
El PresAgent, que tiene una tarea similar que el PDE, crea una guía de visionado de programa virtual que tiende a adaptar la variación y novedad diaria que prefiere un usuario.
PresAgent coloca anuncios de la guía VEPG de una manera muy similar a la programación gratuita, salvo que las decisiones de colocación comprenden metadatos de presentación e información objetivo de usuarios que se puede conseguir con máquinas. Los anuncios difieren de los programas en otra forma significativa, por cuanto que su colocación de la VEPG inicial sólo es una inicialización por defecto, sujeta modificación dependiendo de las elecciones de programación del usuario, derechos de la empresa publicitaria según se comunica a través de los metadatos controladores. Aunque se considera como una forma de realización alternativa, es similarmente posible reconstruir continuamente la VEPG de programación sobre la base del comportamiento de visionado en curso del usuario; sin embargo, la ventaja primaria se aplica a la programación publicitaria. Los anuncios no son necesariamente visibles en la VEPG, si no que están programados como pausas comerciales inter-programas e intra-programa. Las pausas son generadas en el centro de control de la programación (intra-programa) o al nivel interno (inter-programas).
El PresAgent tiene conocimiento, por anticipado, mediante metadatos de programas, o algunos otros medios, de la temporización exacta para las pausas publicitarias intra-programa. En la presente forma de realización, el PresAgent rellena previamente todas las pausas publicitarias con anuncios pregrabados seleccionados de forma óptima. En la práctica, existe una ventaja importante para este procedimiento. Con frecuencia, debido a los recursos de sistemas limitados en el campo de TV, no hay suficiente tiempo para, en tiempo real, calcular los mejores anuncios a programar en una pausa publicitaria que sólo puede tener una duración de pocos minutos. Esta situación suele producirse al principio de un programa o cuando alguien llega inmediatamente antes de una pausa publicitaria programada. En ese caso, el secuenciamiento de anuncios por defecto del PresAgent es una mejor estimación de la colocación óptima. Cuando existe suficiente tiempo para los cálculos, el PresAgent puede consultar el motor de búsqueda BMQengine para conocer las preferencias de secuenciamiento de anuncios del usuario.
El procedimiento para secuenciar los anuncios es el mismo que para programar con las definiciones específicas de los anuncios siguientes:
1.
El título es el UPC del producto o el nombre del patrocinador de los anuncios.
2.
Género es el SIC principal de la empresa patrocinadora
3.
El semáforo Ad_null sustituye a null tal como un comodín de consulta para buscar solamente anuncios.
Varias consultas, a modo de ejemplo, se proporcionan a continuación, las cuales demuestran una amplia gama de capacidades de colocación contextual del secuenciamiento de los anuncios.
Ejemplo A
Encontrar los tres productos principales (UPC) que más gustan por la noche durante Seinfeld:
Consulta: [QueryFunction = top_n = 3, StateType = título, fromStateID = Ad_null, toStateID = "Seinfeld", TimeType = TOD, TimeValue = noche].
Ejemplo B
Encontrar los cinco programas principales que más gustan el domingo después de un espacio comercial de Pepsi:
Consulta: [QueryFunction = top_n = 5, StateType = título, fromStateID = Pepsi_UPC, toStateID = null, TimeType = DOW, TimeValue = domingo].
Ejemplo C
Encontrar el género que más gusta en cualquier momento antes de un espacio comercial de recambios del automóvil:
Consulta: [QueryFunction = mostLikely, StateType = LikedGenre, fromStateID = null, toStateID = AutoParts_SIC, TimeType = nonTemporal, TimeValue = null].
Ejemplo D
Entre los anuncios preferidos por el usuario, encontrar las 3 principales categorías de productos de anuncios durante un programa de deportes los domingos:
Consulta: [QueryFunction = top_n = 3, StateType = LikedGenre, fromStateID = deportes, toStateID = Ad_null, TimeType = DOW, TimeValue = domingo].
\newpage
De este modo, habiendo descrito el fondo general sobre el cual se puede establecer un canal virtual y/o una guía electrónica de programa virtual VEPG, pasamos a describir una forma de realización específica de una guía VEPG ejemplo. El PresAgent construye una VEPG por defecto inmediatamente antes de que el usuario encienda el aparato de TV, o en el mismo encendido, que mejor se adapta a las preferencias temporales, de secuenciamiento y de programas del usuario antes de recibir una nueva entrada del usuario de elecciones reales. El PresAgent tiene la opción la capacidad cuando el tiempo lo permite, para reconstruir la VEPG por defecto, en tiempo real, sobre la base de los configuraciones de selección de contenidos del usuario. La combinación de una colocación de contenidos por defecto "mejor conjetura educada" y el recálculo sensible al contexto en tiempo real proporciona una estimación de las preferencias del usuario robusta y óptima.
Una VEPG típica generada por el PresAgent a partir del conjunto de programas almacenados, a modo de ejemplo, aparece como:
Domingo Lunes Martes Miércoles Jueves Viernes Sábado
Últimas Market NFL Market Market Market
horas de Wrap Football Wrap Wrap Wrap
la tarde
Anochecer Saturday Star Trek Friends NOVA Star Trek Friends The
Night Live Terminator
Noche Seinfeld Seinfeld Seinfeld Seinfeld Seinfeld
The tonight The tonight The tonight The tonight The tonight
Show Show Show Show Show
Esta colocación de programas podría surgir a partir del siguiente ámbito de preferencias contextuales del usuario, detectadas por el sistema. El programa "The Terminator" requiere un largo espacio de atención y aunque las noches de los días de la semana se califican igualmente que la noche del sábado, el deseo de ver película se produce, en gran medida, en la última franja horaria. Supóngase que el usuario presenta una fuerte preferencia general para ver CNBC y programas financieros durante las últimas horas de la tarde de los días de la semana, después de llegar a su domicilio desde el trabajo. Además, el PresAgent podría detectar que después de que el TASAgent registrara "Market Wrap" varias veces, el usuario lo vio durante este periodo de tiempo y lo coloca en consecuencia. Sin embargo, si el PresAgent detecta una más fuerte tendencia a ver el programa "NFL football" los lunes por la noche sobre, por ejemplo, las últimas horas de la tarde de los martes, sin que se vea ninguna programación financiera, en ese caso el juego del fútbol ocupa la última franja horaria más preferida. El usuario podría mostrar similarmente una preferencia por el programa "Saturday Night Live" pero, en cambio, en las noches del domingo. Un modelo repetible podría típicamente iniciarse con una sesión nocturna de un día de la semana con "Seinfeld" y una fuerte tendencia a ver y finalizar la sesión con "The Tonight Show" en lo sucesivo.
Si el PresAgent detecta una baja (alta) diversidad de estados a través de un contexto temporal, tal como una franja horaria diaria, prefiere disminuir (aumentar) la variedad de los programas en ese periodo de tiempo. En el ejemplo presente, el usuario tiene una baja medida de la diversidad en los bloques horarios de última hora de la tarde y noche, pero una medida mucho más alta durante el periodo de tiempo del atardecer. En ausencia de un sesgo secuencial o temporal, el PresAgent puede utilizar la información de diversidad o curiosidad para distribuir la programación preferida de forma más adecuada. En este caso, el PresAgent tiene conocimiento de que la franja horaria del atardecer es popular y el usuario presenta una preferencia similar para la ciencia-ficción, comedias y películas. Sin embargo, si las medidas de la diversidad del usuario son más altas en este periodo, entonces el PresAgent evitará ocupar la franja diaria con solamente el tipo de programa diario más preferido, por ejemplo "Star Trek" y en cambio, distribuir las franjas disponibles con una variedad de programación corta deseada. Si el programa "NOVA" presenta una clasificación de "poco preferido" en el pasado, una alta valoración de curiosidad en las franjas horarias del atardecer motivarían al PresAgent a insertar el programa "NOVA" en la rejilla de programación global prevista. Es importante saber que el usuario encontraría una VEPG que refleje su "franja horaria de mayor audiencia" como la noche (9-12 horas de la noche) en lugar de la franja de 8 a 10 horas de la tarde tradicionales y el modelo de visionado que adaptaba sus comportamientos muy repetibles, con las excepciones periódicas que surjan, y rellena sus periodos más exploratorios, si los hubiere, con la gama de programas que podrían agradarle.
En el transcurso del tiempo, el sistema detecta modelos de preferencia muy repetibles de este modo como excepciones importantes. La selección y el aprendizaje a partir de los modelos de uso de programas almacenados enseña continuamente el sistema cuándo, y en qué secuencia, son preferidas las categorías de programas. Una descripción en paralelo se aplica a la colocación óptima de anuncios.

Claims (16)

1. Sistema de entrega de contenidos de programas de televisión de tipo interactivo, que comprende un lado de control a distancia y un lado del cliente local, que comprende un sistema para la entrega de programas dirigidos, que comprende:
un sistema central de tratamiento de datos en el lado de control a distancia acoplado para recibir datos de actividades de visionado de usuarios de televisión en combinación con la métrica demográfica general de una multiplicidad de usuarios de televisión, estando seleccionados dichos datos de actividades de visionado de entre un grupo constituido por una hora de inicio de visionado de programas, selección de canales de programas, duración de visionado de programas, secuencia de visionado de programas y fecha de visionado de programas;
una guía electrónica de programación que incluye metadatos que describen el contenido de los programas, estando proporcionada la guía al sistema central de tratamiento de datos;
un motor de software de agrupación de comportamiento acoplado al sistema central de tratamiento de datos, procesando el motor de software de agrupación los datos de actividades de visionado para poder desarrollar una matriz de transiciones de actividades de los espectadores, presentando cada elemento de la matriz una ponderación de probabilidad asociada, prediciendo la matriz de transición el grupo demográfico de un usuario según una actividad de transición de un usuario particular; y
un agente de software de entrega y determinación de contenidos de programas acoplado para determinar y proporcionar contenidos de programas a un usuario particular según el grupo demográfico previsto del usuario.
2. Sistema de entrega de contenidos de programas según la reivindicación 1, que comprende además un vínculo de retroalimentación en tiempo real para entregar a dicho sistema central de tratamiento de datos información en tiempo real respecto al comportamiento de visionado de un usuario con datos de las preferencias de selección de programas.
3. Sistema de entrega de contenidos de programas según la reivindicación 1, en el que dicho motor de software de agrupación de comportamiento está basado en un modelo de Markov oculto.
4. Sistema de entrega de contenidos de programas según la reivindicación 1, en el que dicho motor de software de agrupación de comportamiento y dicho agente de determinación y entrega de contenidos de programas son módulos de software adaptados cada uno para almacenarse en un medio legible por una máquina en la forma de una pluralidad de instrucciones ejecutables por procesador.
5. Sistema de entrega de contenidos de programas según la reivindicación 1, en el que dicho motor de software de agrupación de comportamiento genera información de grupos demográficos del usuario en términos de los modelos de transición de máquinas de estados estadísticos.
6. Sistema de entrega de contenidos de programas según la reivindicación 5, en el que el modelo de transición de máquinas de estados se define como una matriz de transición, conteniendo dicha matriz de transición información de transiciones de programas iniciadas por el espectador.
7. Sistema de entrega de contenidos de programas según la reivindicación 1, en el que la matriz de transición es una de al menos dos matrices de transición competidoras comprendiendo una matriz de canales y una matriz de géneros.
8. Sistema de entrega de contenidos de programas según la reivindicación 1, en el que la matriz de transición es una matriz bidimensional con transiciones desde canales de televisión a canales de televisión expresados en forma temporal.
9. Sistema de entrega de contenidos de programas según la reivindicación 1, en el que dicho motor de software de agrupación de comportamiento está configurado para definir los parámetros del comportamiento del usuario con un proceso de Markov oculto pseudoaleatorio doble y para definir una máquina de estados estadísticos de bajo nivel que pueda crear un modelo de un grupo de comportamiento y una máquina de estados estadísticos de nivel superior con grupos de comportamiento activos y una interacción entre los grupos de comportamiento activos.
10. Sistema de entrega de contenidos de programas según la reivindicación 1, en el que dicho motor de software de agrupación de comportamiento está configurado para definir un proceso aleatorio doble con una pluralidad de dimensiones y para determinar eventos de transiciones de máquinas de estados estadísticos en paralelo en al menos dos de tres categorías de estados comprendiendo un canal, un género y un título del contenido del programa.
11. Procedimiento para determinar los hábitos de visionado interactivos de un telespectador, que comprende:
registrar el comportamiento de actividad de visionado de un espectador en términos de variables de elementos de datos seleccionadas a partir del grupo constituido por la fecha de visionado del programa, hora inicial de visionado del programa, duración de visionado del programa y canal de visionado del programa;
introducir información demográfica histórica especifica para el espectador,
introducir una guía electrónica de programación que comprenda metadatos que describen el contenido de los programas;
procesar el comportamiento de la actividad de visionado del espectador en combinación con la guía electrónica de programación en términos de un modelo de transición de máquina de estados estadísticos para poder desarrollar el contenido de programas para un usuario y las preferencias relacionadas con el uso;
definir una base de datos de modelos de comportamiento y almacenar en ella la información asociada al comportamiento de visionado del usuario de televisión, estando la base de datos de modelos de comportamiento adaptativamente actualizada de conformidad con el contenido del programa del usuario y las preferencias relacionadas con el uso según se refleja por los comportamientos de transición de visionado de registro histórico y actual; y
en el que la etapa de definir la base de datos de modelos de comportamiento comprende calcular una matriz de transición parametrizada que define los hábitos de visionado del espectador, conteniendo dicha matriz información de transiciones de programas iniciadas por el propio espectador.
12. Procedimiento según la reivindicación 11, que comprende definir al menos dos matrices de transición concurrentes que comprenden una matriz de canales y una matriz de géneros.
13. Procedimiento según la reivindicación 11, que comprende definir la matriz de transición como una matriz bidimensional con transiciones desde canales de televisión a canales de televisión en forma temporal.
14. Procedimiento según la reivindicación 11, que comprende proporcionar información de retroalimentación con el comportamiento de visionado del espectador registrando las preferencias de selección de programas.
15. Procedimiento según la reivindicación 11, que comprende parametrizar el comportamiento de visionado del espectador con un proceso de Markov oculto pseudoaleatorio doble y definir una máquina de estados estadísticos de nivel bajo que sea capaz de crear un modelo de un grupo de comportamiento y una máquina de estados estadísticos de nivel superior con grupos de comportamiento activos y una interacción entre los grupos de comportamiento activos.
16. Procedimiento según la reivindicación 15, que comprende definir el proceso aleatorio doble con una pluralidad de dimensiones y determinar eventos de transición de máquinas de estados estadísticos en paralelo en al menos dos de tres categorías de estados que comprende un canal, un género y un título.
ES02000454T 2001-01-09 2002-01-08 Sistema, procedimiento y aplicacion de software para publicidad dirigida mediante una agrupacion de modelos de comportamiento, y preferencias de programacion basadas en grupos de modelos de comportamiento. Expired - Lifetime ES2261527T3 (es)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US26074501P 2001-01-09 2001-01-09
US260745P 2001-01-09

Publications (1)

Publication Number Publication Date
ES2261527T3 true ES2261527T3 (es) 2006-11-16

Family

ID=22990434

Family Applications (1)

Application Number Title Priority Date Filing Date
ES02000454T Expired - Lifetime ES2261527T3 (es) 2001-01-09 2002-01-08 Sistema, procedimiento y aplicacion de software para publicidad dirigida mediante una agrupacion de modelos de comportamiento, y preferencias de programacion basadas en grupos de modelos de comportamiento.

Country Status (6)

Country Link
US (4) US8495680B2 (es)
EP (1) EP1223757B1 (es)
JP (3) JP2003018584A (es)
AT (1) ATE321422T1 (es)
DE (1) DE60209947T2 (es)
ES (1) ES2261527T3 (es)

Families Citing this family (726)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8352400B2 (en) 1991-12-23 2013-01-08 Hoffberg Steven M Adaptive pattern recognition based controller apparatus and method and human-factored interface therefore
US8574074B2 (en) 2005-09-30 2013-11-05 Sony Computer Entertainment America Llc Advertising impression determination
US7895076B2 (en) 1995-06-30 2011-02-22 Sony Computer Entertainment Inc. Advertisement insertion, profiling, impression, and feedback
US20020120925A1 (en) * 2000-03-28 2002-08-29 Logan James D. Audio and video program recording, editing and playback systems using metadata
US6614987B1 (en) * 1998-06-12 2003-09-02 Metabyte, Inc. Television program recording with user preference determination
US8352984B2 (en) * 1998-06-12 2013-01-08 Thomson Licensing System and method for generating and managing user preference information for scheduled and stored television programs
US7260823B2 (en) 2001-01-11 2007-08-21 Prime Research Alliance E., Inc. Profiling and identification of television viewers
US7966078B2 (en) 1999-02-01 2011-06-21 Steven Hoffberg Network media appliance system and method
US7010801B1 (en) 1999-06-11 2006-03-07 Scientific-Atlanta, Inc. Video on demand system with parameter-controlled bandwidth deallocation
US6817028B1 (en) 1999-06-11 2004-11-09 Scientific-Atlanta, Inc. Reduced screen control system for interactive program guide
US7992163B1 (en) 1999-06-11 2011-08-02 Jerding Dean F Video-on-demand navigational system
US8020186B1 (en) 1999-10-13 2011-09-13 Starz Entertainment, Llc Methods and systems for distributing on-demand programming
US7984463B2 (en) 2002-03-29 2011-07-19 Starz Entertainment, Llc Instant video on demand playback
US7779439B2 (en) 2001-04-23 2010-08-17 Starz Entertainment, Llc Program guide environment
US7200857B1 (en) 2000-06-09 2007-04-03 Scientific-Atlanta, Inc. Synchronized video-on-demand supplemental commentary
US8516525B1 (en) 2000-06-09 2013-08-20 Dean F. Jerding Integrated searching system for interactive media guide
US7975277B1 (en) 2000-04-03 2011-07-05 Jerding Dean F System for providing alternative services
US20020007485A1 (en) * 2000-04-03 2002-01-17 Rodriguez Arturo A. Television service enhancements
US7934232B1 (en) 2000-05-04 2011-04-26 Jerding Dean F Navigation paradigm for access to television services
US8069259B2 (en) 2000-06-09 2011-11-29 Rodriguez Arturo A Managing removal of media titles from a list
US7962370B2 (en) 2000-06-29 2011-06-14 Rodriguez Arturo A Methods in a media service system for transaction processing
US8087051B2 (en) * 2000-06-30 2011-12-27 Thomson Licensing Database management system and method for electronic program guide and television channel lineup organization
US8302127B2 (en) * 2000-09-25 2012-10-30 Thomson Licensing System and method for personalized TV
US7340759B1 (en) 2000-11-10 2008-03-04 Scientific-Atlanta, Inc. Systems and methods for adaptive pricing in a digital broadband delivery system
JP3644502B2 (ja) * 2001-02-06 2005-04-27 ソニー株式会社 コンテンツ受信装置およびコンテンツ呈示制御方法
US8751310B2 (en) 2005-09-30 2014-06-10 Sony Computer Entertainment America Llc Monitoring advertisement impressions
US20020178440A1 (en) * 2001-03-28 2002-11-28 Philips Electronics North America Corp. Method and apparatus for automatically selecting an alternate item based on user behavior
US8566873B2 (en) 2001-04-23 2013-10-22 Starz Entertainment, Llc Program guide enhancements
US8707357B1 (en) 2001-04-23 2014-04-22 Starz Entertainment, Llc Thematic VOD navigation
US6973621B2 (en) * 2001-04-27 2005-12-06 Starz Entertainment Group Llc Customization in a content distribution system
US7428526B2 (en) * 2001-05-29 2008-09-23 Claritas, Inc. Household level segmentation method and system
US8818871B2 (en) * 2001-06-21 2014-08-26 Thomson Licensing Method and system for electronic purchases using an intelligent data carrier medium, electronic coupon system, and interactive TV infrastructure
US7483867B2 (en) * 2001-06-26 2009-01-27 Intuition Intelligence, Inc. Processing device with intuitive learning capability
US8006262B2 (en) 2001-06-29 2011-08-23 Rodriguez Arturo A Graphic user interfaces for purchasable and recordable media (PRM) downloads
US7526788B2 (en) 2001-06-29 2009-04-28 Scientific-Atlanta, Inc. Graphic user interface alternate download options for unavailable PRM content
US7512964B2 (en) 2001-06-29 2009-03-31 Cisco Technology System and method for archiving multiple downloaded recordable media content
US7496945B2 (en) 2001-06-29 2009-02-24 Cisco Technology, Inc. Interactive program guide for bidirectional services
US7263202B2 (en) * 2001-07-05 2007-08-28 Digimarc Corporation Watermarking to control video recording
FI115419B (fi) * 2001-08-20 2005-04-29 Helsingin Kauppakorkeakoulu Informaatiopalveluiden käyttäjäkohtainen personointi
US7035863B2 (en) * 2001-11-13 2006-04-25 Koninklijke Philips Electronics N.V. Method, system and program product for populating a user profile based on existing user profiles
US8561095B2 (en) * 2001-11-13 2013-10-15 Koninklijke Philips N.V. Affective television monitoring and control in response to physiological data
US6925610B2 (en) * 2001-12-07 2005-08-02 Sedna Patent Services, Llc Recommendation-based electronic program guide with multiple modes of operation
US7334251B2 (en) 2002-02-11 2008-02-19 Scientific-Atlanta, Inc. Management of television advertising
US7181159B2 (en) * 2002-03-07 2007-02-20 Breen Julian H Method and apparatus for monitoring audio listening
US7631331B2 (en) * 2002-03-29 2009-12-08 Starz Entertainment, Llc Cross-channel interstitial program promotion
CN1647073B (zh) * 2002-03-29 2010-05-26 索尼株式会社 信息搜索系统、信息处理设备和方法、及信息搜索设备和方法
US7818764B2 (en) * 2002-06-20 2010-10-19 At&T Intellectual Property I, L.P. System and method for monitoring blocked content
US7360160B2 (en) * 2002-06-20 2008-04-15 At&T Intellectual Property, Inc. System and method for providing substitute content in place of blocked content
US7698720B2 (en) * 2002-06-20 2010-04-13 At&T Intellectual Property I, L. P. Content blocking
US7818763B2 (en) * 2002-06-25 2010-10-19 Starz Entertainment, Llc Video advertising
US7130866B2 (en) * 2002-07-30 2006-10-31 Koninklijke Philips Electronics N.V. Controlling the growth of a feature frequency profile by deleting selected frequency counts of features of events
KR100594963B1 (ko) * 2002-09-18 2006-07-03 한국전자통신연구원 사용자 선호 시청 시간대에 선호 프로그램의 제공을 위한개인 채널 서비스 제공 방법 및 그 장치
US7305432B2 (en) 2002-10-23 2007-12-04 Aol Llc Privacy preferences roaming and enforcement
US20040083484A1 (en) * 2002-10-28 2004-04-29 Sony Corporation Commercial replacement on personal digital recordings
JP2004173242A (ja) * 2002-11-01 2004-06-17 Canon Inc 信号処理装置、知覚化装置、印刷装置、及び放送方法
US20040098744A1 (en) * 2002-11-18 2004-05-20 Koninklijke Philips Electronics N.V. Creation of a stereotypical profile via image based clustering
KR20040069749A (ko) * 2003-01-30 2004-08-06 삼성전자주식회사 전자 프로그램 매거진
WO2004073309A1 (ja) * 2003-02-14 2004-08-26 Sharp Kabushiki Kaisha ストリーム出力装置及び情報提供装置
US9247300B2 (en) * 2003-04-03 2016-01-26 Cox Communications, Inc. Content notification and delivery
CN1788280A (zh) * 2003-05-12 2006-06-14 皇家飞利浦电子股份有限公司 用于执行基于简档的协同过滤的装置和方法
WO2004104881A1 (ja) * 2003-05-26 2004-12-02 Matsushita Electric Industrial Co., Ltd. 操作履歴利用システム
WO2004107748A1 (ja) * 2003-05-27 2004-12-09 Matsushita Electric Industrial Co., Ltd. 番組情報表示装置
US7966333B1 (en) 2003-06-17 2011-06-21 AudienceScience Inc. User segment population techniques
US8112458B1 (en) 2003-06-17 2012-02-07 AudienceScience Inc. User segmentation user interface
US7562154B2 (en) * 2003-06-30 2009-07-14 International Business Machines Corporation System and method for filtering stale messages resulting from membership changes in a distributed computing environment
US9247288B2 (en) 2003-08-12 2016-01-26 Time Warner Cable Enterprises Llc Technique for effectively delivering targeted advertisements through a communications network having limited bandwidth
US20050053361A1 (en) * 2003-08-16 2005-03-10 Samsung Electronics Co., Ltd. Information storage medium having data structure for being reproduced adaptively according to player profile information, apparatus for reproducing AV data in interactive mode
WO2005017769A1 (en) * 2003-08-19 2005-02-24 Rapid Intelligence Pty Ltd Content system
US20050049765A1 (en) * 2003-08-27 2005-03-03 Sacagawea21 Inc. Method and apparatus for advertising assessment using location and temporal information
AU2003263032A1 (en) * 2003-08-29 2005-04-14 Kevin K. Deng Methods and apparatus to measure media consumption
AU2003272483A1 (en) 2003-09-12 2005-04-27 Nielsen Media Research, Inc. Digital video signature apparatus and methods for use with video program identification systems
US7786987B2 (en) * 2003-09-25 2010-08-31 The Nielsen Company (Us), Llc Methods and apparatus to detect an operating state of a display based on visible light
US9027043B2 (en) * 2003-09-25 2015-05-05 The Nielsen Company (Us), Llc Methods and apparatus to detect an operating state of a display
WO2005046235A1 (en) * 2003-11-10 2005-05-19 Koninklijke Philips Electronics, N.V. Two-step commercial recommendation
EP1531458B1 (en) * 2003-11-12 2008-04-16 Sony Deutschland GmbH Apparatus and method for automatic extraction of important events in audio signals
US20050120366A1 (en) * 2003-11-28 2005-06-02 Canon Kabushiki Kaisha Determining viewer watching behaviour from recorded event data
WO2005054982A2 (en) * 2003-11-28 2005-06-16 Manyworlds, Inc. Adaptive recombinant systems
US7860811B2 (en) * 2004-11-04 2010-12-28 Manyworlds, Inc. Adaptive recommendation explanations
US7526459B2 (en) * 2003-11-28 2009-04-28 Manyworlds, Inc. Adaptive social and process network systems
US8566263B2 (en) 2003-11-28 2013-10-22 World Assets Consulting Ag, Llc Adaptive computer-based personalities
US7526464B2 (en) * 2003-11-28 2009-04-28 Manyworlds, Inc. Adaptive fuzzy network system and method
US7526458B2 (en) 2003-11-28 2009-04-28 Manyworlds, Inc. Adaptive recommendations systems
US7606772B2 (en) 2003-11-28 2009-10-20 Manyworlds, Inc. Adaptive social computing methods
US7539652B2 (en) * 2003-11-28 2009-05-26 Manyworlds, Inc. Adaptive self-modifying and recombinant systems
US8600920B2 (en) 2003-11-28 2013-12-03 World Assets Consulting Ag, Llc Affinity propagation in adaptive network-based systems
USRE45770E1 (en) 2003-11-28 2015-10-20 World Assets Consulting Ag, Llc Adaptive recommendation explanations
US20090018918A1 (en) * 2004-11-04 2009-01-15 Manyworlds Inc. Influence-based Social Network Advertising
US7707101B2 (en) * 2003-12-04 2010-04-27 Morgan Stanley Loan option model
CN1910911A (zh) * 2004-01-20 2007-02-07 皇家飞利浦电子股份有限公司 用于向推荐器/简档系统输入偏好信息的系统和方法
US8161388B2 (en) 2004-01-21 2012-04-17 Rodriguez Arturo A Interactive discovery of display device characteristics
US7853665B1 (en) * 2004-02-18 2010-12-14 Microsoft Corporation Content targeting with audiences
US20050216946A1 (en) * 2004-03-24 2005-09-29 Johnson Dan S Audio/video component networking system and method
US9087126B2 (en) 2004-04-07 2015-07-21 Visible World, Inc. System and method for enhanced video selection using an on-screen remote
US9396212B2 (en) * 2004-04-07 2016-07-19 Visible World, Inc. System and method for enhanced video selection
US9959383B1 (en) 2004-04-30 2018-05-01 Time Warner, Inc. Apparatus, method and system for brokering and provision of intelligent advertisement
EP1594069A1 (en) * 2004-05-04 2005-11-09 Thomson Licensing S.A. Method and apparatus for reproducing a user-preferred document out of a plurality of documents
US20070203589A1 (en) * 2005-04-08 2007-08-30 Manyworlds, Inc. Adaptive Recombinant Process Methods
WO2005116852A2 (en) 2004-05-20 2005-12-08 Manyworlds, Inc. Adaptive recombinant processes
US8843978B2 (en) 2004-06-29 2014-09-23 Time Warner Cable Enterprises Llc Method and apparatus for network bandwidth allocation
US7756879B2 (en) 2004-07-23 2010-07-13 Jeffrey Parsons System and method for estimating user ratings from user behavior and providing recommendations
US20110030013A1 (en) * 2004-07-30 2011-02-03 Diaz Perez Milton Converting, navigating and displaying video content uploaded from the internet to a digital TV video-on-demand platform
US11259059B2 (en) 2004-07-30 2022-02-22 Broadband Itv, Inc. System for addressing on-demand TV program content on TV services platform of a digital TV services provider
US9344765B2 (en) * 2004-07-30 2016-05-17 Broadband Itv, Inc. Dynamic adjustment of electronic program guide displays based on viewer preferences for minimizing navigation in VOD program selection
US7590997B2 (en) 2004-07-30 2009-09-15 Broadband Itv, Inc. System and method for managing, converting and displaying video content on a video-on-demand platform, including ads used for drill-down navigation and consumer-generated classified ads
US7631336B2 (en) 2004-07-30 2009-12-08 Broadband Itv, Inc. Method for converting, navigating and displaying video content uploaded from the internet to a digital TV video-on-demand platform
US9584868B2 (en) 2004-07-30 2017-02-28 Broadband Itv, Inc. Dynamic adjustment of electronic program guide displays based on viewer preferences for minimizing navigation in VOD program selection
EP1624689A1 (en) * 2004-08-02 2006-02-08 Alcatel Multimedia distribution system with user behavior analyzer
EP1790152A4 (en) * 2004-08-09 2008-10-08 Nielsen Media Res Inc METHODS AND APPARATUS FOR CONTROLLING AUDIOVISUAL CONTENT FROM VARIOUS SOURCES
US8763157B2 (en) 2004-08-23 2014-06-24 Sony Computer Entertainment America Llc Statutory license restricted digital media playback on portable devices
US20060062059A1 (en) * 2004-09-20 2006-03-23 Smith Alfonso M Method and apparatus for meta-data storage and retrieval
WO2006036150A1 (en) 2004-09-28 2006-04-06 Nielsen Media Research, Inc Data classification methods and apparatus for use with data fusion
US7644423B2 (en) * 2004-09-30 2010-01-05 Microsoft Corporation System and method for generating media consumption statistics
US11283885B2 (en) 2004-10-19 2022-03-22 Verizon Patent And Licensing Inc. System and method for location based matching and promotion
JP4922175B2 (ja) * 2004-10-19 2012-04-25 ヤフー！ インコーポレイテッド 位置に基づくソーシャルネットワーキングシステム及び方法
US7797338B2 (en) * 2004-12-09 2010-09-14 Aol Inc. System and method for facilitating personalization of applications based on anticipation of users' interests
US9083798B2 (en) * 2004-12-22 2015-07-14 Nuance Communications, Inc. Enabling voice selection of user preferences
US7698270B2 (en) * 2004-12-29 2010-04-13 Baynote, Inc. Method and apparatus for identifying, extracting, capturing, and leveraging expertise and knowledge
US8880677B2 (en) * 2005-01-03 2014-11-04 Qualcomm Connected Experiences, Inc. System and method for delivering content to users on a network
US8281037B2 (en) * 2005-01-03 2012-10-02 Orb Networks, Inc. System and method for delivering content to users on a network
KR100692522B1 (ko) * 2005-01-10 2007-03-09 삼성전자주식회사 가상 채널 생성 장치 및 생성된 가상 채널의 운영방법
US20060293954A1 (en) * 2005-01-12 2006-12-28 Anderson Bruce J Voting and headend insertion model for targeting content in a broadcast network
US20060173696A1 (en) * 2005-01-31 2006-08-03 Drew Julie W Method and apparatus for product management
US7567565B2 (en) 2005-02-01 2009-07-28 Time Warner Cable Inc. Method and apparatus for network bandwidth conservation
EP1688944A1 (en) * 2005-02-02 2006-08-09 Thomson Licensing Distinguishing between live content and recorded content
WO2006087672A2 (en) 2005-02-15 2006-08-24 Koninklijke Philips Electronics, N.V. Automatic personal play list generation based on external factors such as weather, financial market, media sales or calendar data
US20060184394A1 (en) * 2005-02-15 2006-08-17 Maughan Rex W Method to display up-to-date medical information graphs
JP4568144B2 (ja) * 2005-03-02 2010-10-27 日本放送協会 情報提示装置及び情報提示プログラム
US7676467B1 (en) 2005-04-14 2010-03-09 AudienceScience Inc. User segment population techniques
US7809752B1 (en) 2005-04-14 2010-10-05 AudienceScience Inc. Representing user behavior information
CN1855094A (zh) * 2005-04-28 2006-11-01 国际商业机器公司 对用户电子文件进行处理的方法和装置
US7685197B2 (en) * 2005-05-05 2010-03-23 Yahoo! Inc. System and methods for indentifying the potential advertising value of terms found on web pages
US20060253327A1 (en) * 2005-05-06 2006-11-09 Morris James T Optimized advertising fulfillment
US20060260624A1 (en) * 2005-05-17 2006-11-23 Battelle Memorial Institute Method, program, and system for automatic profiling of entities
US20060287865A1 (en) * 2005-06-16 2006-12-21 Cross Charles W Jr Establishing a multimodal application voice
US20060287858A1 (en) * 2005-06-16 2006-12-21 Cross Charles W Jr Modifying a grammar of a hierarchical multimodal menu with keywords sold to customers
US8090584B2 (en) 2005-06-16 2012-01-03 Nuance Communications, Inc. Modifying a grammar of a hierarchical multimodal menu in dependence upon speech command frequency
US7917365B2 (en) 2005-06-16 2011-03-29 Nuance Communications, Inc. Synchronizing visual and speech events in a multimodal application
US7630977B2 (en) * 2005-06-29 2009-12-08 Xerox Corporation Categorization including dependencies between different category systems
WO2007004143A1 (en) * 2005-06-30 2007-01-11 Koninklijke Philips Electronics N.V. Electronic device and method of creating a sequence of content items
US8122034B2 (en) * 2005-06-30 2012-02-21 Veveo, Inc. Method and system for incremental search with reduced text entry where the relevance of results is a dynamically computed function of user input search string character count
KR101171180B1 (ko) * 2005-07-15 2012-08-20 삼성전자주식회사 액정 표시 장치
JP2007041722A (ja) * 2005-08-01 2007-02-15 Sony Corp 情報処理装置，コンテンツ再生装置，情報処理方法，イベントログ記録方法，およびコンピュータプログラム
US9286388B2 (en) 2005-08-04 2016-03-15 Time Warner Cable Enterprises Llc Method and apparatus for context-specific content delivery
MX2008002317A (es) 2005-08-16 2008-03-24 Nielsen Media Res Inc Metodos y aparatos de deteccion de encendido/apagado del dispositivo de visualizacion.
JP2007060398A (ja) * 2005-08-25 2007-03-08 Toshiba Corp 番組情報提供装置、番組情報提供方法及びそのプログラム
WO2007026357A2 (en) 2005-08-30 2007-03-08 Nds Limited Enhanced electronic program guides
US8189472B2 (en) 2005-09-07 2012-05-29 Mcdonald James F Optimizing bandwidth utilization to a subscriber premises
US8073700B2 (en) 2005-09-12 2011-12-06 Nuance Communications, Inc. Retrieval and presentation of network service results for mobile device using a multimodal browser
US20070074245A1 (en) * 2005-09-26 2007-03-29 Microsoft Corporation Virtual channels
US8626584B2 (en) 2005-09-30 2014-01-07 Sony Computer Entertainment America Llc Population of an advertisement reference list
US20070083611A1 (en) * 2005-10-07 2007-04-12 Microsoft Corporation Contextual multimedia advertisement presentation
US10657538B2 (en) 2005-10-25 2020-05-19 Sony Interactive Entertainment LLC Resolution of advertising rules
US8676900B2 (en) 2005-10-25 2014-03-18 Sony Computer Entertainment America Llc Asynchronous advertising placement based on metadata
US11004089B2 (en) 2005-10-25 2021-05-11 Sony Interactive Entertainment LLC Associating media content files with advertisements
US20070118425A1 (en) 2005-10-25 2007-05-24 Podbridge, Inc. User device agent for asynchronous advertising in time and space shifted media network
US20070117557A1 (en) * 2005-11-21 2007-05-24 Conopco Inc, D/B/A Unilever Parametric user profiling
CN101317442A (zh) * 2005-11-30 2008-12-03 皇家飞利浦电子股份有限公司 产生对至少一个内容项目的推荐的方法和设备
US8887199B2 (en) * 2005-12-19 2014-11-11 Koninklijke Philips N.V. System, apparatus, and method for templates offering default settings for typical virtual channels
US7818775B2 (en) 2005-12-21 2010-10-19 At&T Intellectual Property I, L.P. System and method for recording and time-shifting programming in a television distribution system with limited content retention
US8789128B2 (en) * 2005-12-21 2014-07-22 At&T Intellectual Property I, L.P. System and method for recording and time-shifting programming in a television distribution system using policies
US20090006210A1 (en) * 2006-01-05 2009-01-01 Hyundai Gangbyeon Hometown 106-801 Advertisement Providing System and an Advertisement Providing Method
US20080059395A1 (en) 2006-01-10 2008-03-06 Manyworlds, Inc. Adaptive Online Experimentation
JP4828233B2 (ja) * 2006-01-12 2011-11-30 シャープ株式会社 番組処理装置、番組処理方法、番組処理プログラムおよびコンピュータ読取り可能な記録媒体
WO2007084766A2 (en) * 2006-01-20 2007-07-26 Wms Gaming Inc. Wagering game with symbol strings dictating winning outcomes
US20070180469A1 (en) * 2006-01-27 2007-08-02 William Derek Finley Method of demographically profiling a user of a computer system
US8037505B2 (en) * 2006-01-30 2011-10-11 At&T Intellectual Property I, Lp System and method for providing popular TV shows on demand
US7764701B1 (en) 2006-02-22 2010-07-27 Qurio Holdings, Inc. Methods, systems, and products for classifying peer systems
US7779004B1 (en) 2006-02-22 2010-08-17 Qurio Holdings, Inc. Methods, systems, and products for characterizing target systems
US8170065B2 (en) 2006-02-27 2012-05-01 Time Warner Cable Inc. Methods and apparatus for selecting digital access technology for programming and data delivery
US8458753B2 (en) 2006-02-27 2013-06-04 Time Warner Cable Enterprises Llc Methods and apparatus for device capabilities discovery and utilization within a content-based network
US8843467B2 (en) * 2007-05-15 2014-09-23 Samsung Electronics Co., Ltd. Method and system for providing relevant information to a user of a device in a local network
US8065698B2 (en) * 2006-03-08 2011-11-22 At&T Intellectual Property I, L.P. Methods, systems, and computer program products for obtaining consumer information over a communications network
US7962328B2 (en) * 2006-03-13 2011-06-14 Lexikos Corporation Method and apparatus for generating a compact data structure to identify the meaning of a symbol
US8423408B1 (en) 2006-04-17 2013-04-16 Sprint Communications Company L.P. Dynamic advertising content distribution and placement systems and methods
US8190742B2 (en) 2006-04-25 2012-05-29 Hewlett-Packard Development Company, L.P. Distributed differential store with non-distributed objects and compression-enhancing data-object routing
US8682654B2 (en) * 2006-04-25 2014-03-25 Cyberlink Corp. Systems and methods for classifying sports video
EP2016766A4 (en) * 2006-05-02 2012-03-28 Invidi Tech Corp METHOD AND DEVICE FOR IMPLEMENTING A REAL-TIME AUDIENCE ESTIMATE AND ADVERTISING POT SELECT FOR TARGETED ADVERTISING
US20090133058A1 (en) * 2007-11-21 2009-05-21 Michael Kouritzin Method and apparatus to perform real-time audience estimation and commercial selection suitable for targeted advertising
WO2007131069A2 (en) * 2006-05-02 2007-11-15 Inividi Technologies Corporation Fuzzy logic based viewer identification
US20130254787A1 (en) 2006-05-02 2013-09-26 Invidi Technologies Corporation Method and apparatus to perform real-time audience estimation and commercial selection suitable for targeted advertising
JP5313882B2 (ja) 2006-05-05 2013-10-09 ソニー コンピュータ エンタテインメント アメリカ リミテッド ライアビリテイ カンパニー 主要コンテンツと補助コンテンツを表示する装置
US7848314B2 (en) * 2006-05-10 2010-12-07 Nuance Communications, Inc. VOIP barge-in support for half-duplex DSR client on a full-duplex network
US8607262B2 (en) * 2006-05-10 2013-12-10 Sharp Laboratories Of America Method and apparatus for communicating popularity ratings to users
US9208785B2 (en) * 2006-05-10 2015-12-08 Nuance Communications, Inc. Synchronizing distributed speech recognition
US20070274297A1 (en) * 2006-05-10 2007-11-29 Cross Charles W Jr Streaming audio from a full-duplex network through a half-duplex device
US20070266031A1 (en) * 2006-05-15 2007-11-15 Adams J Trent Identifying content
CN101536512A (zh) * 2006-05-18 2009-09-16 尼尔森（美国）有限公司 合作者安装测量仪的方法和设备
US9386327B2 (en) 2006-05-24 2016-07-05 Time Warner Cable Enterprises Llc Secondary content insertion apparatus and methods
US8280982B2 (en) 2006-05-24 2012-10-02 Time Warner Cable Inc. Personal content server apparatus and methods
US8024762B2 (en) 2006-06-13 2011-09-20 Time Warner Cable Inc. Methods and apparatus for providing virtual content over a network
US7676371B2 (en) * 2006-06-13 2010-03-09 Nuance Communications, Inc. Oral modification of an ASR lexicon of an ASR engine
US8332218B2 (en) * 2006-06-13 2012-12-11 Nuance Communications, Inc. Context-based grammars for automated speech recognition
US8775572B2 (en) * 2006-06-23 2014-07-08 Microsoft Corporation Public network distribution of software updates
US10410237B1 (en) 2006-06-26 2019-09-10 Sprint Communications Company L.P. Inventory management integrating subscriber and targeting data
US8561103B2 (en) 2006-06-30 2013-10-15 At&T Intellectual Property Ii, L.P. Method and apparatus for providing a personalized television channel
AU2007272434B2 (en) * 2006-07-12 2014-05-22 Arbitron Inc. Methods and systems for compliance confirmation and incentives
US8442858B1 (en) 2006-07-21 2013-05-14 Sprint Communications Company L.P. Subscriber data insertion into advertisement requests
US9247208B2 (en) * 2006-07-25 2016-01-26 At&T Intellectual Property I, Lp Adaptive video-server reconfiguration for self-optimizing multi-tier IPTV networks
US11062342B2 (en) 2006-07-27 2021-07-13 Blackhawk Network, Inc. System and method for targeted marketing and consumer resource management
US8752086B2 (en) * 2006-08-09 2014-06-10 Carson Victor Conant Methods and apparatus for sending content to a media player
US7739231B2 (en) 2006-08-28 2010-06-15 Manyworlds, Inc. Mutual commit people matching process
US8145493B2 (en) * 2006-09-11 2012-03-27 Nuance Communications, Inc. Establishing a preferred mode of interaction between a user and a multimodal application
US8374874B2 (en) 2006-09-11 2013-02-12 Nuance Communications, Inc. Establishing a multimodal personality for a multimodal application in dependence upon attributes of user interaction
US8086463B2 (en) 2006-09-12 2011-12-27 Nuance Communications, Inc. Dynamically generating a vocal help prompt in a multimodal application
US7957976B2 (en) * 2006-09-12 2011-06-07 Nuance Communications, Inc. Establishing a multimodal advertising personality for a sponsor of a multimodal application
US8073697B2 (en) * 2006-09-12 2011-12-06 International Business Machines Corporation Establishing a multimodal personality for a multimodal application
US7801971B1 (en) 2006-09-26 2010-09-21 Qurio Holdings, Inc. Systems and methods for discovering, creating, using, and managing social network circuits
US8751418B1 (en) 2011-10-17 2014-06-10 Quantcast Corporation Using proxy behaviors for audience selection
WO2008049955A1 (en) * 2006-10-27 2008-05-02 Cvon Innovations Ltd Method and device for managing subscriber connection
US20080103868A1 (en) * 2006-10-31 2008-05-01 Santos Cipriano A Methods for planning workforce resources
US8539349B1 (en) 2006-10-31 2013-09-17 Hewlett-Packard Development Company, L.P. Methods and systems for splitting a chinese character sequence into word segments
US20100274661A1 (en) * 2006-11-01 2010-10-28 Cvon Innovations Ltd Optimization of advertising campaigns on mobile networks
US10664851B1 (en) 2006-11-08 2020-05-26 Sprint Communications Company, L.P. Behavioral analysis engine for profiling wireless subscribers
US10068261B1 (en) 2006-11-09 2018-09-04 Sprint Communications Company L.P. In-flight campaign optimization
JP4358219B2 (ja) * 2006-11-21 2009-11-04 株式会社東芝 番組情報提供装置、番組情報提供方法及びそのプログラム
US7827033B2 (en) 2006-12-06 2010-11-02 Nuance Communications, Inc. Enabling grammars in web page frames
US7886334B1 (en) 2006-12-11 2011-02-08 Qurio Holdings, Inc. System and method for social network trust assessment
US9195996B1 (en) 2006-12-27 2015-11-24 Qurio Holdings, Inc. System and method for classification of communication sessions in a social network
US8135800B1 (en) 2006-12-27 2012-03-13 Qurio Holdings, Inc. System and method for user classification based on social network aware content analysis
US8326673B1 (en) 2006-12-28 2012-12-04 Sprint Communications Company L.P. Carrier data based product inventory management and marketing
US8131611B2 (en) * 2006-12-28 2012-03-06 International Business Machines Corporation Statistics based method for neutralizing financial impact of click fraud
GB2440990B (en) 2007-01-09 2008-08-06 Cvon Innovations Ltd Message scheduling system
TW200832319A (en) * 2007-01-26 2008-08-01 Tpo Displays Corp Display device and luminance control method
US8069047B2 (en) * 2007-02-12 2011-11-29 Nuance Communications, Inc. Dynamically defining a VoiceXML grammar in an X+V page of a multimodal application
JP2008205861A (ja) * 2007-02-20 2008-09-04 Matsushita Electric Ind Co Ltd 視聴質判定装置、視聴質判定方法、視聴質判定プログラム、および記録媒体
US7801728B2 (en) 2007-02-26 2010-09-21 Nuance Communications, Inc. Document session replay for multimodal applications
US8150698B2 (en) 2007-02-26 2012-04-03 Nuance Communications, Inc. Invoking tapered prompts in a multimodal application
US8713542B2 (en) * 2007-02-27 2014-04-29 Nuance Communications, Inc. Pausing a VoiceXML dialog of a multimodal application
US20080208586A1 (en) * 2007-02-27 2008-08-28 Soonthorn Ativanichayaphong Enabling Natural Language Understanding In An X+V Page Of A Multimodal Application
US7809575B2 (en) * 2007-02-27 2010-10-05 Nuance Communications, Inc. Enabling global grammars for a particular multimodal application
US9208783B2 (en) * 2007-02-27 2015-12-08 Nuance Communications, Inc. Altering behavior of a multimodal application based on location
US7840409B2 (en) * 2007-02-27 2010-11-23 Nuance Communications, Inc. Ordering recognition results produced by an automatic speech recognition engine for a multimodal application
US20080208589A1 (en) * 2007-02-27 2008-08-28 Cross Charles W Presenting Supplemental Content For Digital Media Using A Multimodal Application
US7822608B2 (en) * 2007-02-27 2010-10-26 Nuance Communications, Inc. Disambiguating a speech recognition grammar in a multimodal application
US8938392B2 (en) * 2007-02-27 2015-01-20 Nuance Communications, Inc. Configuring a speech engine for a multimodal application based on location
US10169781B1 (en) * 2007-03-07 2019-01-01 The Nielsen Company (Us), Llc Method and system for generating information about portable device advertising
US8843376B2 (en) 2007-03-13 2014-09-23 Nuance Communications, Inc. Speech-enabled web content searching using a multimodal browser
US7945851B2 (en) * 2007-03-14 2011-05-17 Nuance Communications, Inc. Enabling dynamic voiceXML in an X+V page of a multimodal application
US20080229362A1 (en) * 2007-03-14 2008-09-18 At&T Knowledge Ventures, L.P. Method and system for presenting interactive television interfaces
US8515757B2 (en) 2007-03-20 2013-08-20 Nuance Communications, Inc. Indexing digitized speech with words represented in the digitized speech
US20080235746A1 (en) 2007-03-20 2008-09-25 Michael James Peters Methods and apparatus for content delivery and replacement in a network
US8670987B2 (en) 2007-03-20 2014-03-11 Nuance Communications, Inc. Automatic speech recognition with dynamic grammar rules
US8909532B2 (en) * 2007-03-23 2014-12-09 Nuance Communications, Inc. Supporting multi-lingual user interaction with a multimodal application
US20080235029A1 (en) * 2007-03-23 2008-09-25 Cross Charles W Speech-Enabled Predictive Text Selection For A Multimodal Application
US8756103B1 (en) 2007-03-28 2014-06-17 Qurio Holdings, Inc. System and method of implementing alternative redemption options for a consumer-centric advertising system
US8788620B2 (en) * 2007-04-04 2014-07-22 International Business Machines Corporation Web service support for a multimodal client processing a multimodal application
US8862475B2 (en) * 2007-04-12 2014-10-14 Nuance Communications, Inc. Speech-enabled content navigation and control of a distributed multimodal browser
US8725513B2 (en) * 2007-04-12 2014-05-13 Nuance Communications, Inc. Providing expressive user interaction with a multimodal application
EP1990762A1 (en) * 2007-05-07 2008-11-12 Alcatel Lucent A system and associated method for selecting advertisements
US7743047B2 (en) * 2007-05-08 2010-06-22 Microsoft Corporation Accounting for behavioral variability in web search
US8838478B2 (en) * 2007-05-11 2014-09-16 Sony Corporation Targeted advertising in mobile devices
US8301623B2 (en) * 2007-05-22 2012-10-30 Amazon Technologies, Inc. Probabilistic recommendation system
US8935718B2 (en) 2007-05-22 2015-01-13 Apple Inc. Advertising management method and system
US7860870B2 (en) * 2007-05-31 2010-12-28 Yahoo! Inc. Detection of abnormal user click activity in a search results page
US20080300965A1 (en) * 2007-05-31 2008-12-04 Peter Campbell Doe Methods and apparatus to model set-top box data
US20080300894A1 (en) * 2007-06-01 2008-12-04 John George H Television Audience Targeting Online
US8219447B1 (en) 2007-06-06 2012-07-10 Amazon Technologies, Inc. Real-time adaptive probabilistic selection of messages
US8560387B2 (en) * 2007-06-07 2013-10-15 Qurio Holdings, Inc. Systems and methods of providing collaborative consumer-controlled advertising environments
US7747558B2 (en) * 2007-06-07 2010-06-29 Motorola, Inc. Method and apparatus to bind media with metadata using standard metadata headers
US9654833B2 (en) 2007-06-26 2017-05-16 Broadband Itv, Inc. Dynamic adjustment of electronic program guide displays based on viewer preferences for minimizing navigation in VOD program selection
US11570521B2 (en) 2007-06-26 2023-01-31 Broadband Itv, Inc. Dynamic adjustment of electronic program guide displays based on viewer preferences for minimizing navigation in VOD program selection
US8117066B1 (en) * 2007-07-09 2012-02-14 Marin Software Incorporated Continuous value-per-click estimation for low-volume terms
US20090019471A1 (en) * 2007-07-13 2009-01-15 Alcatel Lucent Personalized commercial cache
US9396254B1 (en) 2007-07-20 2016-07-19 Hewlett-Packard Development Company, L.P. Generation of representative document components
US8224739B2 (en) * 2007-07-30 2012-07-17 Hewlett-Packard Development Company, L.P. Allocating goods to bidders in combinatorial auctions
US8627403B1 (en) 2007-07-31 2014-01-07 Hewlett-Packard Development Company, L.P. Policy applicability determination
US9203445B2 (en) * 2007-08-31 2015-12-01 Iheartmedia Management Services, Inc. Mitigating media station interruptions
US8949877B2 (en) 2007-08-31 2015-02-03 At&T Intellectual Property I, L.P. Method and system for determining subscriber demand for multimedia content
GB2452789A (en) 2007-09-05 2009-03-18 Cvon Innovations Ltd Selecting information content for transmission by identifying a keyword in a previous message
US8561116B2 (en) 2007-09-26 2013-10-15 Charles A. Hasek Methods and apparatus for content caching in a video network
US9071859B2 (en) 2007-09-26 2015-06-30 Time Warner Cable Enterprises Llc Methods and apparatus for user-based targeted content delivery
US8416247B2 (en) 2007-10-09 2013-04-09 Sony Computer Entertaiment America Inc. Increasing the number of advertising impressions in an interactive environment
US8099757B2 (en) 2007-10-15 2012-01-17 Time Warner Cable Inc. Methods and apparatus for revenue-optimized delivery of content in a network
GB2453810A (en) 2007-10-15 2009-04-22 Cvon Innovations Ltd System, Method and Computer Program for Modifying Communications by Insertion of a Targeted Media Content or Advertisement
US20090106797A1 (en) * 2007-10-22 2009-04-23 Electronic Data Systems Corporation Apparatus, and associated method, for providing personalized channel content
GB2466579B (en) * 2007-10-25 2012-12-26 Hewlett Packard Development Co Data processing apparatus and method of deduplicating data
US8140637B2 (en) * 2007-10-25 2012-03-20 Hewlett-Packard Development Company, L.P. Communicating chunks between devices
US8150851B2 (en) * 2007-10-25 2012-04-03 Hewlett-Packard Development Company, L.P. Data processing apparatus and method of processing data
US8332404B2 (en) * 2007-10-25 2012-12-11 Hewlett-Packard Development Company, L.P. Data processing apparatus and method of processing data
US8099573B2 (en) * 2007-10-25 2012-01-17 Hewlett-Packard Development Company, L.P. Data processing apparatus and method of processing data
DE112007003678B4 (de) * 2007-10-25 2016-02-25 Hewlett-Packard Development Company, L.P. Datenverarbeitungsvorrichtung und Verfahren zur Datenverarbeitung
US8838541B2 (en) * 2007-10-25 2014-09-16 Hewlett-Packard Development Company, L.P. Data processing apparatus and method of processing data
CN101431524A (zh) * 2007-11-07 2009-05-13 阿里巴巴集团控股有限公司 一种定向网络广告投放的实现方法及装置
US20090150198A1 (en) * 2007-12-10 2009-06-11 Yaroslav Volovich Estimating tv ad impressions
WO2009092004A2 (en) * 2008-01-18 2009-07-23 Radius Innovations Method and apparatus for delivering targeted content
US8365225B2 (en) * 2008-01-18 2013-01-29 At&T Intellectual Property I, L.P. Personalized media channel
US8769558B2 (en) 2008-02-12 2014-07-01 Sony Computer Entertainment America Llc Discovery and analytics for episodic downloaded media
US9503691B2 (en) 2008-02-19 2016-11-22 Time Warner Cable Enterprises Llc Methods and apparatus for enhanced advertising and promotional delivery in a network
US8813143B2 (en) 2008-02-26 2014-08-19 Time Warner Enterprises LLC Methods and apparatus for business-based network resource allocation
US8171507B2 (en) 2008-02-29 2012-05-01 Sony Corporation Using network server to establish TV setting
US7895102B1 (en) * 2008-02-29 2011-02-22 United Services Automobile Association (Usaa) Systems and methods for financial plan benchmarking
US8103680B2 (en) * 2008-03-20 2012-01-24 Missouri Historical Society Systems and methods for historical information management
US8112301B2 (en) * 2008-04-14 2012-02-07 Tra, Inc. Using consumer purchase behavior for television targeting
FR2930357A1 (fr) * 2008-04-17 2009-10-23 Alcatel Lucent Sas Procede de vote electronique,decodeur pour la mise en oeuvre de ce procede et reseau comprenant un serveur de vote pour la mise en oeuvre du procede.
US20090271228A1 (en) * 2008-04-23 2009-10-29 Microsoft Corporation Construction of predictive user profiles for advertising
US8229081B2 (en) * 2008-04-24 2012-07-24 International Business Machines Corporation Dynamically publishing directory information for a plurality of interactive voice response systems
US9349367B2 (en) * 2008-04-24 2016-05-24 Nuance Communications, Inc. Records disambiguation in a multimodal application operating on a multimodal device
US8214242B2 (en) * 2008-04-24 2012-07-03 International Business Machines Corporation Signaling correspondence between a meeting agenda and a meeting discussion
US8082148B2 (en) 2008-04-24 2011-12-20 Nuance Communications, Inc. Testing a grammar used in speech recognition for reliability in a plurality of operating environments having different background noise
US8121837B2 (en) 2008-04-24 2012-02-21 Nuance Communications, Inc. Adjusting a speech engine for a mobile computing device based on background noise
WO2009131585A1 (en) * 2008-04-25 2009-10-29 Hewlett-Packard Development Company, L.P. Data processing apparatus and method of processing data
US8150729B2 (en) * 2008-05-05 2012-04-03 International Business Machines Corporation Method, system and program product for displaying advertising content on a music player
US8019642B2 (en) * 2008-05-06 2011-09-13 Richrelevance, Inc. System and process for receiving boosting recommendations for use in providing personalized advertisements to retail customers
US8364528B2 (en) 2008-05-06 2013-01-29 Richrelevance, Inc. System and process for improving product recommendations for use in providing personalized advertisements to retail customers
US8108329B2 (en) * 2008-05-06 2012-01-31 Richrelevance, Inc. System and process for boosting recommendations for use in providing personalized advertisements to retail customers
US8583524B2 (en) * 2008-05-06 2013-11-12 Richrelevance, Inc. System and process for improving recommendations for use in providing personalized advertisements to retail customers
US8887194B2 (en) * 2008-06-19 2014-11-11 Verizon Patent And Licensing Inc. Method and system for providing interactive advertisement customization
US9113040B2 (en) * 2008-06-30 2015-08-18 Verizon Patent And Licensing Inc. System for up-selling content during periods of likely viewer disinterest
US8990848B2 (en) 2008-07-22 2015-03-24 At&T Intellectual Property I, L.P. System and method for temporally adaptive media playback
US7996422B2 (en) 2008-07-22 2011-08-09 At&T Intellectual Property L.L.P. System and method for adaptive media playback based on destination
US8639636B2 (en) * 2008-08-15 2014-01-28 At&T Intellectual Property I, L.P. System and method for user behavior modeling
US9225941B2 (en) * 2008-08-22 2015-12-29 Dish Network, L.L.C. Systems and methods for high-bandwidth delivery of customer-specific information
US8429216B2 (en) * 2008-09-23 2013-04-23 Hewlett-Packard Development Company, L.P. Generating a hash value from a vector representing a data object
EP2169953A1 (en) * 2008-09-24 2010-03-31 Alcatel Lucent Improved device for IP TV channel selection
US8180712B2 (en) 2008-09-30 2012-05-15 The Nielsen Company (Us), Llc Methods and apparatus for determining whether a media presentation device is in an on state or an off state
US8103675B2 (en) 2008-10-20 2012-01-24 Hewlett-Packard Development Company, L.P. Predicting user-item ratings
US8126891B2 (en) * 2008-10-21 2012-02-28 Microsoft Corporation Future data event prediction using a generative model
US8473327B2 (en) * 2008-10-21 2013-06-25 International Business Machines Corporation Target marketing method and system
US9576027B2 (en) * 2008-10-27 2017-02-21 Hewlett Packard Enterprise Development Lp Generating a query plan for estimating a number of unique attributes in a database
US8117343B2 (en) * 2008-10-28 2012-02-14 Hewlett-Packard Development Company, L.P. Landmark chunking of landmarkless regions
US9374617B2 (en) * 2008-10-30 2016-06-21 Taboola.Com Ltd System and method for the presentation of alternative content to viewers video content
US8793717B2 (en) 2008-10-31 2014-07-29 The Nielsen Company (Us), Llc Probabilistic methods and apparatus to determine the state of a media device
US9100614B2 (en) * 2008-10-31 2015-08-04 Echostar Technologies L.L.C. Graphical interface navigation based on image element proximity
US20100114654A1 (en) * 2008-10-31 2010-05-06 Hewlett-Packard Development Company, L.P. Learning user purchase intent from user-centric data
US8239287B1 (en) 2008-10-31 2012-08-07 Amazon Technologies, Inc. System for detecting probabilistic associations between items
US8364699B2 (en) 2008-11-14 2013-01-29 Morgan Stanley Commodities framework
US10334324B2 (en) 2008-11-26 2019-06-25 Free Stream Media Corp. Relevant advertisement generation based on a user operating a client device communicatively coupled with a networked media device
US9026668B2 (en) 2012-05-26 2015-05-05 Free Stream Media Corp. Real-time and retargeted advertising on multiple screens of a user watching television
US9961388B2 (en) 2008-11-26 2018-05-01 David Harrison Exposure of public internet protocol addresses in an advertising exchange server to improve relevancy of advertisements
US10631068B2 (en) 2008-11-26 2020-04-21 Free Stream Media Corp. Content exposure attribution based on renderings of related content across multiple devices
US9154942B2 (en) 2008-11-26 2015-10-06 Free Stream Media Corp. Zero configuration communication between a browser and a networked media device
US10880340B2 (en) 2008-11-26 2020-12-29 Free Stream Media Corp. Relevancy improvement through targeting of information based on data gathered from a networked device associated with a security sandbox of a client device
US9519772B2 (en) 2008-11-26 2016-12-13 Free Stream Media Corp. Relevancy improvement through targeting of information based on data gathered from a networked device associated with a security sandbox of a client device
US9386356B2 (en) 2008-11-26 2016-07-05 Free Stream Media Corp. Targeting with television audience data across multiple screens
US10567823B2 (en) 2008-11-26 2020-02-18 Free Stream Media Corp. Relevant advertisement generation based on a user operating a client device communicatively coupled with a networked media device
US10419541B2 (en) 2008-11-26 2019-09-17 Free Stream Media Corp. Remotely control devices over a network without authentication or registration
US9986279B2 (en) 2008-11-26 2018-05-29 Free Stream Media Corp. Discovery, access control, and communication with networked services
US10977693B2 (en) 2008-11-26 2021-04-13 Free Stream Media Corp. Association of content identifier of audio-visual data with additional data through capture infrastructure
US8180891B1 (en) 2008-11-26 2012-05-15 Free Stream Media Corp. Discovery, access control, and communication with networked services from within a security sandbox
US8566855B2 (en) * 2008-12-02 2013-10-22 Sony Corporation Audiovisual user interface based on learned user preferences
US8756619B2 (en) * 2008-12-08 2014-06-17 Verizon Patent And Licensing Inc. Cluster analysis of viewer tendencies
US8180715B2 (en) * 2008-12-11 2012-05-15 Hewlett-Packard Development Company, L.P. Systems and methods for collaborative filtering using collaborative inductive transfer
US20100153370A1 (en) * 2008-12-15 2010-06-17 Microsoft Corporation System of ranking search results based on query specific position bias
US20100161424A1 (en) * 2008-12-22 2010-06-24 Nortel Networks Limited Targeted advertising system and method
US20100169908A1 (en) * 2008-12-30 2010-07-01 Nielsen Christen V Methods and apparatus to enforce a power off state of an audience measurement device during shipping
US8375404B2 (en) * 2008-12-30 2013-02-12 The Nielsen Company (Us), Llc Methods and apparatus to enforce a power off state of an audience measurement device during shipping
US8156517B2 (en) 2008-12-30 2012-04-10 The Nielsen Company (U.S.), Llc Methods and apparatus to enforce a power off state of an audience measurement device during shipping
US8150723B2 (en) * 2009-01-09 2012-04-03 Yahoo! Inc. Large-scale behavioral targeting for advertising over a network
US8099453B2 (en) * 2009-01-22 2012-01-17 Hewlett-Packard Development Company, L.P. System and method for data clustering
US20100185503A1 (en) * 2009-01-22 2010-07-22 Julie Ward Drew Product Warranties Having a Residual Value
US20100191734A1 (en) * 2009-01-23 2010-07-29 Rajaram Shyam Sundar System and method for classifying documents
US20100191557A1 (en) * 2009-01-26 2010-07-29 Julie Ward Drew Usage-Limited Product Warranties
US9053159B2 (en) * 2009-02-09 2015-06-09 The Boeing Company Non-conformance analysis using an associative memory learning agent
US8375182B2 (en) * 2009-02-10 2013-02-12 Hewlett-Packard Development Company, L.P. System and method for segmenting a data stream
CN101814068A (zh) * 2009-02-24 2010-08-25 日电（中国）有限公司 时序控制的基于评分预测的项目推荐方法和系统
US8275623B2 (en) 2009-03-06 2012-09-25 At&T Intellectual Property I, L.P. Method and apparatus for analyzing discussion regarding media programs
WO2010104690A1 (en) * 2009-03-13 2010-09-16 Simulmedia, Inc. Method and apparatus for television program promotion
US8370198B2 (en) * 2009-03-14 2013-02-05 Microsoft Corporation Registering media for configurable advertising
US8001273B2 (en) * 2009-03-16 2011-08-16 Hewlett-Packard Development Company, L.P. Parallel processing of input data to locate landmarks for chunks
US7979491B2 (en) * 2009-03-27 2011-07-12 Hewlett-Packard Development Company, L.P. Producing chunks from input data using a plurality of processing elements
US8458168B2 (en) 2009-03-27 2013-06-04 Microsoft Corporation Anticipating interests of an online user
US8290880B2 (en) * 2009-04-22 2012-10-16 Hewlett-Packard Development Company, L.P. System and method for estimating a parameter that represents data describing a physical system
US9633117B2 (en) * 2009-04-27 2017-04-25 Hewlett Packard Enterprise Development Lp System and method for making a recommendation based on user data
WO2010125586A2 (en) * 2009-04-28 2010-11-04 Valuable Innovations Private Limited A system to select a single channel out of a multitude, along with a dynamically updated download schedule creator for download of "on-demand" as well as "pushed" content from a central site to subsc selection of such content and the availability of the content for playback
US20120117632A1 (en) * 2009-04-29 2012-05-10 Eloy Technology, Llc Method and system for authenticating a data stream
US20100281077A1 (en) * 2009-04-30 2010-11-04 Mark David Lillibridge Batching requests for accessing differential data stores
US9141621B2 (en) * 2009-04-30 2015-09-22 Hewlett-Packard Development Company, L.P. Copying a differential data store into temporary storage media in response to a request
US8224693B2 (en) * 2009-05-14 2012-07-17 Hewlett-Packard Development Company, L.P. Advertisement selection based on key words
US8380513B2 (en) * 2009-05-19 2013-02-19 International Business Machines Corporation Improving speech capabilities of a multimodal application
WO2010141691A1 (en) * 2009-06-03 2010-12-09 Visible World, Inc. Targeting television advertisements based on automatic optimization of demographic information
US9866609B2 (en) 2009-06-08 2018-01-09 Time Warner Cable Enterprises Llc Methods and apparatus for premises content distribution
US8401899B1 (en) * 2009-06-15 2013-03-19 Adchemy, Inc. Grouping user features based on performance measures
US8359238B1 (en) 2009-06-15 2013-01-22 Adchemy, Inc. Grouping user features based on performance measures
US8290780B2 (en) 2009-06-24 2012-10-16 International Business Machines Corporation Dynamically extending the speech prompts of a multimodal application
US8448057B1 (en) 2009-07-07 2013-05-21 Quantcast Corporation Audience segment selection
US8898689B2 (en) 2009-07-08 2014-11-25 Telefonaktiebolaget L M Ericsson (Publ) Method and arrangements for analysing multimedia content
US8510117B2 (en) * 2009-07-09 2013-08-13 Nuance Communications, Inc. Speech enabled media sharing in a multimodal application
US9178634B2 (en) 2009-07-15 2015-11-03 Time Warner Cable Enterprises Llc Methods and apparatus for evaluating an audience in a content-based network
US8813124B2 (en) 2009-07-15 2014-08-19 Time Warner Cable Enterprises Llc Methods and apparatus for targeted secondary content insertion
US8682945B2 (en) * 2009-07-24 2014-03-25 Ensequence, Inc. Method and system for authoring multiple application versions based on audience qualifiers
US8307020B2 (en) 2009-07-24 2012-11-06 Ensequence, Inc. Method for distributing a certified application employing a pre-certified master application template
US20110023022A1 (en) * 2009-07-24 2011-01-27 Ensequence, Inc. Method for application authoring employing an application template stored in a database
US8667460B2 (en) * 2009-07-24 2014-03-04 Ensequence, Inc. Method for application authoring employing a child application template derived from a master application template
US8671124B2 (en) * 2009-07-24 2014-03-11 Ensequence, Inc. Method for application authoring employing a pre-certified master application template
US20110022603A1 (en) * 2009-07-24 2011-01-27 Ensequence, Inc. Method and system for authoring and distributing multiple application versions based on audience qualifiers
US9841282B2 (en) 2009-07-27 2017-12-12 Visa U.S.A. Inc. Successive offer communications with an offer recipient
US8725660B2 (en) * 2009-07-30 2014-05-13 Hewlett-Packard Development Company, L.P. Applying non-linear transformation of feature values for training a classifier
US20110029454A1 (en) * 2009-07-31 2011-02-03 Rajan Lukose Linear programming using l1 minimization to determine securities in a portfolio
US20110029505A1 (en) * 2009-07-31 2011-02-03 Scholz Martin B Method and system for characterizing web content
US20110029515A1 (en) * 2009-07-31 2011-02-03 Scholz Martin B Method and system for providing website content
US8416714B2 (en) * 2009-08-05 2013-04-09 International Business Machines Corporation Multimodal teleconferencing
US20110035375A1 (en) * 2009-08-06 2011-02-10 Ron Bekkerman Building user profiles for website personalization
US8463784B1 (en) 2009-08-07 2013-06-11 Hewlett-Packard Development Company, L.P. Improving data clustering stability
US9213767B2 (en) 2009-08-10 2015-12-15 Hewlett-Packard Development Company, L.P. Method and system for characterizing web content
US8763090B2 (en) 2009-08-11 2014-06-24 Sony Computer Entertainment America Llc Management of ancillary content delivery and presentation
US9098171B2 (en) 2009-08-11 2015-08-04 Someones Group Intellectual Property Holdings Pty Navigating a network of options
US20110040875A1 (en) * 2009-08-14 2011-02-17 Martin Scholz System And Method For Inter-domain Information Transfer
US10528972B2 (en) * 2009-08-27 2020-01-07 Micro Focus Llc Predicting email responses
US20120192214A1 (en) * 2009-12-22 2012-07-26 Resonate Networks Method and apparatus for delivering targeted content to television viewers
US20110119278A1 (en) * 2009-08-28 2011-05-19 Resonate Networks, Inc. Method and apparatus for delivering targeted content to website visitors to promote products and brands
US10475047B2 (en) * 2009-08-28 2019-11-12 Resonate Networks, Inc. Method and apparatus for delivering targeted content to website visitors
US8352396B2 (en) * 2009-09-08 2013-01-08 Hewlett-Packard Development Company, L.P. Systems and methods for improving web site user experience
GB2473261A (en) * 2009-09-08 2011-03-09 Nds Ltd Media content viewing estimation with attribution of content viewing time in absence of user interaction
US8875167B2 (en) * 2009-09-21 2014-10-28 Mobitv, Inc. Implicit mechanism for determining user response to media
US20110072462A1 (en) * 2009-09-23 2011-03-24 At&T Intellectual Property I, L.P. System and Method to Modify an Electronic Program Guide
US8266179B2 (en) * 2009-09-30 2012-09-11 Hewlett-Packard Development Company, L.P. Method and system for processing text
US9342835B2 (en) 2009-10-09 2016-05-17 Visa U.S.A Systems and methods to deliver targeted advertisements to audience
US20110093324A1 (en) 2009-10-19 2011-04-21 Visa U.S.A. Inc. Systems and Methods to Provide Intelligent Analytics to Cardholders and Merchants
US20110093312A1 (en) * 2009-10-19 2011-04-21 Julie Ward Drew Modeling wholesale price schedules to reduce double marginalization
US8185535B2 (en) * 2009-10-30 2012-05-22 Hewlett-Packard Development Company, L.P. Methods and systems for determining unknowns in collaborative filtering
US20110112824A1 (en) * 2009-11-06 2011-05-12 Craig Peter Sayers Determining at least one category path for identifying input text
US8954893B2 (en) * 2009-11-06 2015-02-10 Hewlett-Packard Development Company, L.P. Visually representing a hierarchy of category nodes
US20110110604A1 (en) * 2009-11-10 2011-05-12 Prakash Reddy Cropping scanned pages to remove artifacts
US8355997B2 (en) * 2009-11-13 2013-01-15 Hewlett-Packard Development Company, L.P. Method and system for developing a classification tool
US9576251B2 (en) 2009-11-13 2017-02-21 Hewlett Packard Enterprise Development Lp Method and system for processing web activity data
US8311957B2 (en) * 2009-11-13 2012-11-13 Hewlett-Packard Development Company, L.P. Method and system for developing a classification tool
US20110116514A1 (en) * 2009-11-13 2011-05-19 Kirshenbaum Evan R Communication system with nestable delimited streams
US20110126122A1 (en) * 2009-11-20 2011-05-26 George Forman Systems and methods for generating profiles for use in customizing a website
US20110125565A1 (en) 2009-11-24 2011-05-26 Visa U.S.A. Inc. Systems and Methods for Multi-Channel Offer Redemption
US8572039B2 (en) 2009-11-30 2013-10-29 Hewlett-Packard Development Company, L.P. Focused backup scanning
US8447734B2 (en) * 2009-11-30 2013-05-21 Hewlett-Packard Development Company, L.P. HDAG backup system with variable retention
US9256692B2 (en) * 2009-12-03 2016-02-09 Hewlett Packard Enterprise Development Lp Clickstreams and website classification
US8914289B2 (en) * 2009-12-16 2014-12-16 Symbol Technologies, Inc. Analyzing and processing a verbal expression containing multiple goals
EP2517163A4 (en) * 2009-12-23 2014-01-01 One Person Health Inc METHOD, SYSTEM AND MANUFACTURED ARTICLE FOR GENERATING AD GROUPS FOR ONLINE ADVERTISING
US11403568B2 (en) * 2010-01-06 2022-08-02 Integral Ad Science, Inc. Methods, systems, and media for providing direct and hybrid data acquisition approaches
US8698762B2 (en) 2010-01-06 2014-04-15 Apple Inc. Device, method, and graphical user interface for navigating and displaying content in context
US8606617B2 (en) * 2010-01-14 2013-12-10 Clear Channel Management Services, Inc. Method for computing reach of an arbitrary radio advertising schedule
US8374982B2 (en) * 2010-01-14 2013-02-12 Hewlett-Packard Development Company, L.P. System and method for constructing forecast models
US8676859B2 (en) 2010-01-21 2014-03-18 Hewlett-Packard Development Company, L.P. Method and system for analyzing data stored in a database
US20110181616A1 (en) * 2010-01-26 2011-07-28 Craig Peter Sayers Graphical effects for an electronic print media viewer
US8463041B2 (en) 2010-01-26 2013-06-11 Hewlett-Packard Development Company, L.P. Word-based document image compression
US9262306B2 (en) 2010-01-27 2016-02-16 Hewlett Packard Enterprise Development Lp Software application testing
US8660994B2 (en) * 2010-01-28 2014-02-25 Hewlett-Packard Development Company, L.P. Selective data deduplication
US8478709B2 (en) 2010-03-08 2013-07-02 Hewlett-Packard Development Company, L.P. Evaluation of client status for likelihood of churn
US20110225157A1 (en) * 2010-03-12 2011-09-15 Rajaram Shyam Sundar Method and system for providing website content
US20110231215A1 (en) * 2010-03-16 2011-09-22 Santos Cipriano A Optimization of a resource matching model by mapping a model to a bipartite graph
US20110238485A1 (en) * 2010-03-26 2011-09-29 Nokia Corporation Method and apparatus for utilizing confidence levels to serve advertisements
US10467655B1 (en) 2010-04-15 2019-11-05 Quantcast Corporation Protected audience selection
US8701138B2 (en) 2010-04-23 2014-04-15 Time Warner Cable Enterprises Llc Zone control methods and apparatus
US8478710B2 (en) * 2010-04-30 2013-07-02 Xerox Corporation On-line autoregressive prediction in time series with delayed disclosure and monitor systems using same
US8898217B2 (en) 2010-05-06 2014-11-25 Apple Inc. Content delivery based on user terminal events
US8370330B2 (en) 2010-05-28 2013-02-05 Apple Inc. Predicting content and context performance based on performance history of users
US8504419B2 (en) * 2010-05-28 2013-08-06 Apple Inc. Network-based targeted content delivery based on queue adjustment factors calculated using the weighted combination of overall rank, context, and covariance scores for an invitational content item
US9355414B2 (en) 2010-05-30 2016-05-31 Hewlett Packard Enterprise Development Lp Collaborative filtering model having improved predictive performance
US8839278B2 (en) * 2010-06-09 2014-09-16 At&T Intellectual Property I, L.P. Modeling user activity information associated with a network system
US20120005018A1 (en) * 2010-07-02 2012-01-05 Vijay Krishna Narayanan Large-Scale User Modeling Experiments Using Real-Time Traffic
WO2012011027A1 (en) * 2010-07-20 2012-01-26 Koninklijke Philips Electronics N.V. A method and apparatus for creating recommendations for a user
US20120036531A1 (en) * 2010-08-05 2012-02-09 Morrow Gregory J Method and apparatus for generating automatic media programming through viewer passive profile
US8789092B2 (en) 2010-08-12 2014-07-22 Lucid Commerce, Inc. Targeting television ads using keywords
US9767475B2 (en) * 2010-08-20 2017-09-19 Blue Kai, Inc. Real time audience forecasting
US8634662B2 (en) 2010-08-25 2014-01-21 Apple Inc. Detecting recurring events in consumer image collections
US8909694B2 (en) 2010-08-27 2014-12-09 Sony Corporation Transmission apparatus and method, reception apparatus and method, and transmission and reception system
US8768770B2 (en) 2010-08-30 2014-07-01 Lucid Commerce, Inc. System and method for attributing multi-channel conversion events and subsequent activity to multi-channel media sources
US9179188B2 (en) 2010-08-30 2015-11-03 Sony Corporation Transmission apparatus and method, reception apparatus and method, and transmission and reception system
US8892636B2 (en) * 2010-08-30 2014-11-18 Sony Corporation Transmission apparatus and method, reception apparatus and method, and transmission and reception system
US8510309B2 (en) 2010-08-31 2013-08-13 Apple Inc. Selection and delivery of invitational content based on prediction of user interest
US8640032B2 (en) 2010-08-31 2014-01-28 Apple Inc. Selection and delivery of invitational content based on prediction of user intent
GB2484268A (en) 2010-09-16 2012-04-11 Uniloc Usa Inc Psychographic profiling of users of computing devices
US8438590B2 (en) 2010-09-22 2013-05-07 General Instrument Corporation System and method for measuring audience reaction to media content
US9226042B1 (en) * 2010-10-29 2015-12-29 Amazon Technologies, Inc. Selecting advertising for presentation with digital content
US8924993B1 (en) * 2010-11-11 2014-12-30 Google Inc. Video content analysis for automatic demographics recognition of users and videos
US8640021B2 (en) * 2010-11-12 2014-01-28 Microsoft Corporation Audience-based presentation and customization of content
US8996518B2 (en) * 2010-12-20 2015-03-31 Sas Institute Inc. Systems and methods for generating a cross-product matrix in a single pass through data using single pass levelization
US9204200B2 (en) 2010-12-23 2015-12-01 Rovi Technologies Corporation Electronic programming guide (EPG) affinity clusters
US20120166285A1 (en) * 2010-12-28 2012-06-28 Scott Shapiro Defining and Verifying the Accuracy of Explicit Target Clusters in a Social Networking System
US20120203733A1 (en) * 2011-02-09 2012-08-09 Zhang Amy H Method and system for personal cloud engine
US20120215613A1 (en) * 2011-02-22 2012-08-23 Rajiv Madhok System and method for managing offers for prepaid telephony accounts
US10853828B2 (en) * 2011-02-28 2020-12-01 Flytxt B.V Methods and systems for providing multivariate time series clustering for customer segmentation
US8838522B1 (en) * 2011-03-10 2014-09-16 Amazon Technologies, Inc. Identifying user segment assignments
WO2012125456A1 (en) * 2011-03-11 2012-09-20 Compass Labs, Inc. Customer insight systems and methods
JP2012204894A (ja) * 2011-03-24 2012-10-22 Toshiba Corp 情報推薦装置
US8600926B2 (en) 2011-03-29 2013-12-03 Manyworlds, Inc. Integrated interest and expertise-based discovery system and method
US8843433B2 (en) 2011-03-29 2014-09-23 Manyworlds, Inc. Integrated search and adaptive discovery system and method
US8645312B2 (en) 2011-03-29 2014-02-04 Manyworlds, Inc. Expertise discovery methods and systems
WO2012156569A1 (en) * 2011-05-13 2012-11-22 Reflect Career Partners Oy Dynamic framework for psychometric testing
US8760395B2 (en) 2011-05-31 2014-06-24 Microsoft Corporation Gesture recognition techniques
JP2013005002A (ja) * 2011-06-13 2013-01-07 Eastman Kodak Co 撮像装置
US9077458B2 (en) * 2011-06-17 2015-07-07 Microsoft Technology Licensing, Llc Selection of advertisements via viewer feedback
US10127522B2 (en) * 2011-07-14 2018-11-13 Excalibur Ip, Llc Automatic profiling of social media users
US20130024287A1 (en) * 2011-07-19 2013-01-24 Ford Global Technologies, Llc Methods and Apparatus for Managing a Content Stream
US20130024879A1 (en) * 2011-07-21 2013-01-24 Sean Michael Bruich Measuring Television Advertisement Exposure Rate and Effectiveness
US8849095B2 (en) * 2011-07-26 2014-09-30 Ooyala, Inc. Goal-based video delivery system
US8914496B1 (en) * 2011-09-12 2014-12-16 Amazon Technologies, Inc. Tracking user behavior relative to a network page
US10248957B2 (en) * 2011-11-02 2019-04-02 Ignite Marketing Analytics, Inc. Agent awareness modeling for agent-based modeling systems
US9462004B1 (en) * 2011-11-04 2016-10-04 Google Inc. Automatic group assignment of users in a social network
US20130124631A1 (en) * 2011-11-04 2013-05-16 Fidelus Technologies, Llc. Apparatus, system, and method for digital communications driven by behavior profiles of participants
US20130124298A1 (en) * 2011-11-15 2013-05-16 Huajing Li Generating clusters of similar users for advertisement targeting
US8635637B2 (en) 2011-12-02 2014-01-21 Microsoft Corporation User interface presenting an animated avatar performing a media reaction
US20130145385A1 (en) * 2011-12-02 2013-06-06 Microsoft Corporation Context-based ratings and recommendations for media
US9100685B2 (en) 2011-12-09 2015-08-04 Microsoft Technology Licensing, Llc Determining audience state or interest using passive sensor data
CN104137557A (zh) 2011-12-19 2014-11-05 尼尔森（美国）有限公司 用于对媒体呈现装置进行归属的方法和设备
US9027045B2 (en) * 2011-12-22 2015-05-05 Adobe Systems Incorporated Consumption likelihood of linear content streams
US20130173323A1 (en) * 2012-01-03 2013-07-04 International Business Machines Corporation Feedback based model validation and service delivery optimization using multiple models
US10055718B2 (en) 2012-01-12 2018-08-21 Slice Technologies, Inc. Purchase confirmation data extraction with missing data replacement
US8776105B2 (en) 2012-02-07 2014-07-08 Tuner Broadcasting System, Inc. Method and system for automatic content recognition protocols
US8341101B1 (en) 2012-02-08 2012-12-25 Adam Treiser Determining relationships between data items and individuals, and dynamically calculating a metric score based on groups of characteristics
US8478702B1 (en) 2012-02-08 2013-07-02 Adam Treiser Tools and methods for determining semantic relationship indexes
US11100523B2 (en) 2012-02-08 2021-08-24 Gatsby Technologies, LLC Determining relationship values
US8943004B2 (en) * 2012-02-08 2015-01-27 Adam Treiser Tools and methods for determining relationship values
US9692535B2 (en) 2012-02-20 2017-06-27 The Nielsen Company (Us), Llc Methods and apparatus for automatic TV on/off detection
SG11201405084SA (en) * 2012-02-21 2014-10-30 Ooyala Inc Automatically recommending content
US9877054B2 (en) * 2012-02-22 2018-01-23 Imagine Communications Corp. Dynamic scheduling for advanced advertising in linear television
WO2014172327A1 (en) 2013-04-15 2014-10-23 Flextronics Ap, Llc Synchronization between vehicle and user device calendar
US9378601B2 (en) 2012-03-14 2016-06-28 Autoconnect Holdings Llc Providing home automation information via communication with a vehicle
WO2014172369A2 (en) 2013-04-15 2014-10-23 Flextronics Ap, Llc Intelligent vehicle for assisting vehicle occupants and incorporating vehicle crate for blade processors
US9536361B2 (en) 2012-03-14 2017-01-03 Autoconnect Holdings Llc Universal vehicle notification system
US9412273B2 (en) 2012-03-14 2016-08-09 Autoconnect Holdings Llc Radar sensing and emergency response vehicle detection
WO2014172380A1 (en) 2013-04-15 2014-10-23 Flextronics Ap, Llc Altered map routes based on user profile information
US9384609B2 (en) 2012-03-14 2016-07-05 Autoconnect Holdings Llc Vehicle to vehicle safety and traffic communications
EP2642426A1 (en) * 2012-03-19 2013-09-25 British Telecommunications Public Limited Company Method and apparatus for controlling a system
US20130263181A1 (en) * 2012-03-30 2013-10-03 Set Media, Inc. Systems and methods for defining video advertising channels
US8898687B2 (en) 2012-04-04 2014-11-25 Microsoft Corporation Controlling a media program based on a media reaction
US9078040B2 (en) 2012-04-12 2015-07-07 Time Warner Cable Enterprises Llc Apparatus and methods for enabling media options in a content delivery network
CN103377242B (zh) * 2012-04-25 2016-06-22 Tcl集团股份有限公司 用户行为分析方法、分析预测方法及电视节目推送系统
CA2775700C (en) 2012-05-04 2013-07-23 Microsoft Corporation Determining a future portion of a currently presented media program
US20130311408A1 (en) * 2012-05-15 2013-11-21 Comcast Cable Communications, Llc Determining and Predicting Popularity of Content
US10387911B1 (en) 2012-06-01 2019-08-20 Integral Ad Science, Inc. Systems, methods, and media for detecting suspicious activity
US20150371241A1 (en) * 2012-06-21 2015-12-24 Thomson Licensing User identification through subspace clustering
US9141504B2 (en) 2012-06-28 2015-09-22 Apple Inc. Presenting status data received from multiple devices
US8990143B2 (en) 2012-06-29 2015-03-24 Intel Corporation Application-provided context for potential action prediction
US20140006166A1 (en) * 2012-06-29 2014-01-02 Mobio Technologies, Inc. System and method for determining offers based on predictions of user interest
US20140006599A1 (en) * 2012-06-29 2014-01-02 Dirk Hohndel Probabilities of potential actions based on system observations
US9483308B2 (en) 2012-06-29 2016-11-01 Intel Corporation Performance of predicted actions
US9854280B2 (en) 2012-07-10 2017-12-26 Time Warner Cable Enterprises Llc Apparatus and methods for selective enforcement of secondary content viewing
US8964127B2 (en) * 2012-07-27 2015-02-24 TCL Research America Inc. User-sensing remote control system and method
US10255254B1 (en) 2012-07-30 2019-04-09 Google Llc Document object model data extraction using HTML tag identifier
US10740797B2 (en) * 2012-07-30 2020-08-11 Oath Inc. Systems and methods for implementing a mobile application based online advertising system
WO2014033348A1 (en) * 2012-08-27 2014-03-06 Reflect Career Partners Oy Adjustable psychometric system
US8862155B2 (en) 2012-08-30 2014-10-14 Time Warner Cable Enterprises Llc Apparatus and methods for enabling location-based services within a premises
GB2505535B (en) * 2012-09-03 2015-06-10 Nds Ltd Method and apparatus for selection of advertisements to fill a commercial break of an unknown duration
US9992729B2 (en) 2012-10-22 2018-06-05 The Nielsen Company (Us), Llc Systems and methods for wirelessly modifying detection characteristics of portable devices
US20140122588A1 (en) * 2012-10-31 2014-05-01 Alain Nimri Automatic Notification of Audience Boredom during Meetings and Conferences
US8832752B2 (en) 2012-12-03 2014-09-09 International Business Machines Corporation Automatic transmission content selection
US9265458B2 (en) 2012-12-04 2016-02-23 Sync-Think, Inc. Application of smooth pursuit cognitive testing paradigms to clinical drug development
US9131283B2 (en) 2012-12-14 2015-09-08 Time Warner Cable Enterprises Llc Apparatus and methods for multimedia coordination
US9288509B2 (en) 2012-12-28 2016-03-15 Turner Broadcasting System, Inc. Method and system for providing synchronized advertisements and services
US10235683B2 (en) 2014-07-18 2019-03-19 PlaceIQ, Inc. Analyzing mobile-device location histories to characterize consumer behavior
US20140195303A1 (en) * 2013-01-07 2014-07-10 Y13 Ltd Method of automated group identification based on social and behavioral information
US9020945B1 (en) * 2013-01-25 2015-04-28 Humana Inc. User categorization system and method
US9380976B2 (en) 2013-03-11 2016-07-05 Sync-Think, Inc. Optical neuroinformatics
US20140282786A1 (en) 2013-03-12 2014-09-18 Time Warner Cable Enterprises Llc Methods and apparatus for providing and uploading content to personalized network storage
WO2014165286A1 (en) * 2013-03-12 2014-10-09 Iowa State University Research Foundation, Inc. Systems and methods for recognizing, classifying, recalling and analyzing information utilizing ssm sequence models
US9930424B2 (en) * 2013-03-14 2018-03-27 Yume, Inc. Proxy channels for viewing audiences
US10291942B2 (en) * 2013-03-14 2019-05-14 NBCUniversal Medial, LLC Interactive broadcast system and method
US11397957B1 (en) 2013-03-15 2022-07-26 Blue Yonder Group, Inc. Framework for implementing segmented dimensions
US20140278911A1 (en) * 2013-03-15 2014-09-18 Telemetry Limited Method and apparatus for determining digital media audibility
US9402101B2 (en) * 2013-03-15 2016-07-26 Panasonic Intellectual Property Corporation Of America Content presentation method, content presentation device, and program
US11102545B2 (en) 2013-03-27 2021-08-24 Optimized Markets, Inc. Digital media campaign management in digital media delivery systems
US9699502B1 (en) * 2015-01-16 2017-07-04 Optimized Markets, Inc. Automated allocation of media campaign assets to time and program in digital media delivery systems
US20140310103A1 (en) * 2013-04-15 2014-10-16 Flextronics Ap, Llc Creating targeted advertising profiles based on user behavior
US9317415B2 (en) * 2013-06-03 2016-04-19 Google Inc. Application analytics reporting
US10405173B1 (en) 2013-06-05 2019-09-03 Sprint Communications Company L.P. Method and systems of collecting and segmenting device sensor data while in transit via a network
US20140379421A1 (en) 2013-06-25 2014-12-25 The Nielsen Company (Us), Llc Methods and apparatus to characterize households with media meter data
US9684656B2 (en) * 2013-07-31 2017-06-20 Google Inc. Creating personalized and continuous playlists for a content sharing platform based on user history
US9319379B1 (en) 2013-08-01 2016-04-19 Sprint Communications Company L.P. Methods and systems of generating a unique mobile device identifier
EP3039552A4 (en) * 2013-08-30 2017-02-08 Google, Inc. Content selection with precision controls
KR20160051837A (ko) * 2013-09-04 2016-05-11 브이아이디 스케일, 인크. 시청 환경에서의 시각적 정보의 적응적 전달을 위한 시청 상태 추정
US9590938B1 (en) 2013-09-11 2017-03-07 Sprint Communications Company L.P. System and method for identifying a mobile device with near real time visualization to action
US9374335B2 (en) 2013-09-11 2016-06-21 Sprint Communications Company L.P. System and method for distributing messages to particular mobile devices
CN110071049B (zh) * 2013-09-13 2023-12-08 Ev 集团 E·索尔纳有限责任公司 用于施加接合层的方法
US9060195B2 (en) 2013-10-01 2015-06-16 Mastercard International Incorporated Television advertising message targeting according to subscriber purchasing behavior
CN103533414A (zh) * 2013-10-08 2014-01-22 深圳Tcl新技术有限公司 自动进入节目预览的方法和系统
US20150113399A1 (en) * 2013-10-22 2015-04-23 Google Inc. Landing Page for Presenting Media Items
US9922347B1 (en) 2013-11-27 2018-03-20 Sprint Communications Company L.P. Ad management using ads cached on a mobile electronic device
JP5984144B2 (ja) * 2013-11-28 2016-09-06 インターナショナル・ビジネス・マシーンズ・コーポレーションＩｎｔｅｒｎａｔｉｏｎａｌ Ｂｕｓｉｎｅｓｓ Ｍａｃｈｉｎｅｓ Ｃｏｒｐｏｒａｔｉｏｎ 情報処理装置、情報処理方法、及び、プログラム
US9734515B1 (en) 2014-01-09 2017-08-15 Sprint Communications Company L.P. Ad management using ads cached on a mobile electronic device
US10055757B1 (en) 2014-01-21 2018-08-21 Sprint Communications Company L.P. IP address hashing in advertisement gateway
US10013707B1 (en) 2014-01-21 2018-07-03 Sprint Communications Company L.P. Address modification for advertisement mediation
US9984395B1 (en) 2014-01-21 2018-05-29 Sprint Communications Company L.P. Advertisement mediation of supply-demand communications
US9836771B1 (en) 2014-01-21 2017-12-05 Sprint Communications Company L.P. Client mediation and integration to advertisement gateway
US9916370B1 (en) 2014-01-23 2018-03-13 Element Data, Inc. Systems for crowd typing by hierarchy of influence
US9277265B2 (en) 2014-02-11 2016-03-01 The Nielsen Company (Us), Llc Methods and apparatus to calculate video-on-demand and dynamically inserted advertisement viewing probability
US9900640B2 (en) 2014-03-06 2018-02-20 Cox Communications, Inc. Content consumption and interactivity at a device
EP4219071A3 (en) 2014-03-13 2023-08-09 The Nielsen Company (US), LLC Methods and apparatus to compensate impression data for misattribution and/or non-coverage by a database proprietor
JP6103540B2 (ja) * 2014-03-14 2017-03-29 インターナショナル・ビジネス・マシーンズ・コーポレーションＩｎｔｅｒｎａｔｉｏｎａｌ Ｂｕｓｉｎｅｓｓ Ｍａｃｈｉｎｅｓ Ｃｏｒｐｏｒａｔｉｏｎ 生成装置、生成方法、情報処理方法、及び、プログラム
US11042898B2 (en) * 2014-03-18 2021-06-22 Staples, Inc. Clickstream purchase prediction using Hidden Markov Models
JP5984147B2 (ja) * 2014-03-27 2016-09-06 インターナショナル・ビジネス・マシーンズ・コーポレーションＩｎｔｅｒｎａｔｉｏｎａｌ Ｂｕｓｉｎｅｓｓ Ｍａｃｈｉｎｅｓ Ｃｏｒｐｏｒａｔｉｏｎ 情報処理装置、情報処理方法、及び、プログラム
US10127273B2 (en) 2014-04-15 2018-11-13 Splunk Inc. Distributed processing of network data using remote capture agents
US11281643B2 (en) 2014-04-15 2022-03-22 Splunk Inc. Generating event streams including aggregated values from monitored network data
US9923767B2 (en) 2014-04-15 2018-03-20 Splunk Inc. Dynamic configuration of remote capture agents for network data capture
US11086897B2 (en) 2014-04-15 2021-08-10 Splunk Inc. Linking event streams across applications of a data intake and query system
US10523521B2 (en) 2014-04-15 2019-12-31 Splunk Inc. Managing ephemeral event streams generated from captured network data
US10700950B2 (en) 2014-04-15 2020-06-30 Splunk Inc. Adjusting network data storage based on event stream statistics
US10360196B2 (en) 2014-04-15 2019-07-23 Splunk Inc. Grouping and managing event streams generated from captured network data
US10366101B2 (en) 2014-04-15 2019-07-30 Splunk Inc. Bidirectional linking of ephemeral event streams to creators of the ephemeral event streams
US9838512B2 (en) 2014-10-30 2017-12-05 Splunk Inc. Protocol-based capture of network data using remote capture agents
US10462004B2 (en) * 2014-04-15 2019-10-29 Splunk Inc. Visualizations of statistics associated with captured network data
US9762443B2 (en) 2014-04-15 2017-09-12 Splunk Inc. Transformation of network data at remote capture agents
US10693742B2 (en) 2014-04-15 2020-06-23 Splunk Inc. Inline visualizations of metrics related to captured network data
US9973794B2 (en) 2014-04-22 2018-05-15 clypd, inc. Demand target detection
US9836765B2 (en) 2014-05-19 2017-12-05 Kibo Software, Inc. System and method for context-aware recommendation through user activity change detection
JP6023129B2 (ja) * 2014-08-08 2016-11-09 ヤフー株式会社 抽出装置、抽出方法及び抽出プログラム
US9584836B2 (en) 2014-09-03 2017-02-28 International Business Machines Corporation Mobility enhanced advertising on internet protocol television
US10412436B2 (en) 2014-09-12 2019-09-10 At&T Mobility Ii Llc Determining viewership for personalized delivery of television content
US9508090B1 (en) 2014-09-24 2016-11-29 Sprint Communications Company L.P. End user participation in mobile advertisement
US10028025B2 (en) 2014-09-29 2018-07-17 Time Warner Cable Enterprises Llc Apparatus and methods for enabling presence-based and use-based services
US9818133B1 (en) 2014-10-20 2017-11-14 Sprint Communications Company L.P. Method for consumer profile consolidation using mobile network identification
US10225591B2 (en) 2014-10-21 2019-03-05 Comcast Cable Communications, Llc Systems and methods for creating and managing user profiles
US9596253B2 (en) 2014-10-30 2017-03-14 Splunk Inc. Capture triggers for capturing network data
US9307290B1 (en) 2014-11-21 2016-04-05 Microsoft Technology Licensing, Llc Increased user efficiency and interaction performance through user-targeted electronic program guide content descriptions
JP2016103216A (ja) * 2014-11-28 2016-06-02 株式会社東芝 システム、方法およびプログラム
US10509824B1 (en) * 2014-12-01 2019-12-17 The Nielsen Company (Us), Llc Automatic content recognition search optimization
US10334085B2 (en) 2015-01-29 2019-06-25 Splunk Inc. Facilitating custom content extraction from network packets
US10219039B2 (en) 2015-03-09 2019-02-26 The Nielsen Company (Us), Llc Methods and apparatus to assign viewers to media meter data
CN104636504A (zh) * 2015-03-10 2015-05-20 飞狐信息技术（天津）有限公司 一种识别用户性别的方法及系统
US9924224B2 (en) 2015-04-03 2018-03-20 The Nielsen Company (Us), Llc Methods and apparatus to determine a state of a media presentation device
US9691085B2 (en) 2015-04-30 2017-06-27 Visa International Service Association Systems and methods of natural language processing and statistical analysis to identify matching categories
EP3091453A1 (en) * 2015-05-06 2016-11-09 Vestel Elektronik Sanayi ve Ticaret A.S. Designing a longevity test for a smart tv
KR101644956B1 (ko) * 2015-05-12 2016-08-03 (주)티랩컨버젼스연구소 시청 의지 판단에 대응하는 시청 패턴 분석 기반의 프로그램 시청 제안 방법
US9916075B2 (en) 2015-06-05 2018-03-13 Apple Inc. Formatting content for a reduced-size user interface
US9253550B1 (en) * 2015-06-10 2016-02-02 Monica C. Smith Database driven computer systems and computer-implemented methods for processing real-time attribution of web originated activities to airings and tracking thereof
US9743141B2 (en) 2015-06-12 2017-08-22 The Nielsen Company (Us), Llc Methods and apparatus to determine viewing condition probabilities
US11093956B2 (en) 2015-06-29 2021-08-17 The Nielsen Company (Us), Llc Methods and apparatus to determine the probability of presence
US10740774B2 (en) 2015-07-15 2020-08-11 The Nielsen Company (Us), Llc Reducing processing requirements to correct for bias in ratings data having interdependencies among demographic statistics
EP3125564A1 (en) 2015-07-27 2017-02-01 Palantir Technologies, Inc. Computer-based optimized insertion of non-program media items in media programs
US9848224B2 (en) 2015-08-27 2017-12-19 The Nielsen Company(Us), Llc Methods and apparatus to estimate demographics of a household
US10096130B2 (en) 2015-09-22 2018-10-09 Facebook, Inc. Systems and methods for content streaming
US9858706B2 (en) * 2015-09-22 2018-01-02 Facebook, Inc. Systems and methods for content streaming
US9986272B1 (en) 2015-10-08 2018-05-29 The Nielsen Company (Us), Llc Methods and apparatus to determine a duration of media presentation based on tuning session duration
US9704277B2 (en) * 2015-10-15 2017-07-11 International Business Machines Corporation Vectorized graph processing
TWI615025B (zh) * 2015-11-04 2018-02-11 財團法人資訊工業策進會 收視戶樣態辨識裝置、收視戶樣態辨識系統、收視戶樣態辨識方法與非暫態電腦可讀取記錄媒體
US10692126B2 (en) 2015-11-17 2020-06-23 Nio Usa, Inc. Network-based system for selling and servicing cars
CN106940703B (zh) * 2016-01-04 2020-09-11 腾讯科技（北京）有限公司 推送信息粗选排序方法及装置
KR102102453B1 (ko) * 2016-01-08 2020-04-20 주식회사 아이플래테아 시청률 산출 서버, 시청률 산출 방법, 및 시청률 산출 리모트 장치
US11019385B2 (en) * 2016-01-20 2021-05-25 Samsung Electronics Co., Ltd. Content selection for networked media devices
US10432689B2 (en) * 2016-02-15 2019-10-01 Netflix, Inc. Feature generation for online/offline machine learning
US11062336B2 (en) 2016-03-07 2021-07-13 Qbeats Inc. Self-learning valuation
CN107229518B (zh) * 2016-03-26 2020-06-30 阿里巴巴集团控股有限公司 一种分布式集群训练方法和装置
US10212464B2 (en) 2016-04-15 2019-02-19 Hulu, LLC Generation, ranking, and delivery of actions for entities in a video delivery system
US10586023B2 (en) 2016-04-21 2020-03-10 Time Warner Cable Enterprises Llc Methods and apparatus for secondary content management and fraud prevention
US10687115B2 (en) 2016-06-01 2020-06-16 Time Warner Cable Enterprises Llc Cloud-based digital content recorder apparatus and methods
US20170357644A1 (en) 2016-06-12 2017-12-14 Apple Inc. Notable moments in a collection of digital assets
AU2017100670C4 (en) 2016-06-12 2019-11-21 Apple Inc. User interfaces for retrieving contextually relevant media content
DK201670609A1 (en) 2016-06-12 2018-01-02 Apple Inc User interfaces for retrieving contextually relevant media content
US10210459B2 (en) 2016-06-29 2019-02-19 The Nielsen Company (Us), Llc Methods and apparatus to determine a conditional probability based on audience member probability distributions for media audience measurement
US20180012197A1 (en) 2016-07-07 2018-01-11 NextEv USA, Inc. Battery exchange licensing program based on state of charge of battery pack
US9928734B2 (en) 2016-08-02 2018-03-27 Nio Usa, Inc. Vehicle-to-pedestrian communication systems
US10534828B2 (en) 2016-08-12 2020-01-14 Kiddy Up LLC System and method for collection and storage of community information
US20180047037A1 (en) * 2016-08-12 2018-02-15 Viacom International Inc. Device, System, and Method for Temporal Matching Survey Respondents
KR102536202B1 (ko) 2016-08-26 2023-05-25 삼성전자주식회사 서버 장치, 그 제어 방법 및 컴퓨터 판독가능 기록 매체
US10810463B2 (en) * 2016-09-09 2020-10-20 Equifax Inc. Updating attribute data structures to indicate joint relationships among attributes and predictive outputs for training automated modeling systems
CN110895439A (zh) 2016-09-23 2020-03-20 苹果公司 头像创建和编辑
US11212593B2 (en) 2016-09-27 2021-12-28 Time Warner Cable Enterprises Llc Apparatus and methods for automated secondary content management in a digital network
US9961378B1 (en) 2016-10-25 2018-05-01 Rovi Guides, Inc. Systems and methods for causing a user to view secondary content that relates to a media asset from which a user has switched away
US9963106B1 (en) 2016-11-07 2018-05-08 Nio Usa, Inc. Method and system for authentication in autonomous vehicles
US10911794B2 (en) 2016-11-09 2021-02-02 Charter Communications Operating, Llc Apparatus and methods for selective secondary content insertion in a digital network
EP3607452A1 (en) * 2016-11-09 2020-02-12 Sios Technology Corporation Apparatus and method of behavior forecasting in a computer infrastructure
US10694357B2 (en) 2016-11-11 2020-06-23 Nio Usa, Inc. Using vehicle sensor data to monitor pedestrian health
US10410064B2 (en) 2016-11-11 2019-09-10 Nio Usa, Inc. System for tracking and identifying vehicles and pedestrians
US10708547B2 (en) 2016-11-11 2020-07-07 Nio Usa, Inc. Using vehicle sensor data to monitor environmental and geologic conditions
US10405040B2 (en) 2016-11-18 2019-09-03 The Nielson Company (Us), Llc Clustering television programs based on viewing behavior
US10515390B2 (en) 2016-11-21 2019-12-24 Nio Usa, Inc. Method and system for data optimization
US10846779B2 (en) 2016-11-23 2020-11-24 Sony Interactive Entertainment LLC Custom product categorization of digital media content
US10249104B2 (en) 2016-12-06 2019-04-02 Nio Usa, Inc. Lease observation and event recording
US10860987B2 (en) 2016-12-19 2020-12-08 Sony Interactive Entertainment LLC Personalized calendar for digital media content-related events
US10791355B2 (en) 2016-12-20 2020-09-29 The Nielsen Company (Us), Llc Methods and apparatus to determine probabilistic media viewing metrics
US10701438B2 (en) 2016-12-31 2020-06-30 Turner Broadcasting System, Inc. Automatic content recognition and verification in a broadcast chain
US10074223B2 (en) 2017-01-13 2018-09-11 Nio Usa, Inc. Secured vehicle for user use only
US9984572B1 (en) 2017-01-16 2018-05-29 Nio Usa, Inc. Method and system for sharing parking space availability among autonomous vehicles
US10031521B1 (en) 2017-01-16 2018-07-24 Nio Usa, Inc. Method and system for using weather information in operation of autonomous vehicles
US10471829B2 (en) 2017-01-16 2019-11-12 Nio Usa, Inc. Self-destruct zone and autonomous vehicle navigation
US10464530B2 (en) 2017-01-17 2019-11-05 Nio Usa, Inc. Voice biometric pre-purchase enrollment for autonomous vehicles
US10286915B2 (en) 2017-01-17 2019-05-14 Nio Usa, Inc. Machine learning for personalized driving
US10402888B2 (en) 2017-01-19 2019-09-03 Samsung Electronics Co., Ltd. System and method for virtual reality content rating using biometric data
US10979778B2 (en) 2017-02-01 2021-04-13 Rovi Guides, Inc. Systems and methods for selecting type of secondary content to present to a specific subset of viewers of a media asset
US10897469B2 (en) 2017-02-02 2021-01-19 Nio Usa, Inc. System and method for firewalls between vehicle networks
US20180225705A1 (en) * 2017-02-07 2018-08-09 Videology, Inc. Method and system for optimized content item allocation
US11343587B2 (en) * 2017-02-23 2022-05-24 Disney Enterprises, Inc. Techniques for estimating person-level viewing behavior
US10356458B2 (en) 2017-03-06 2019-07-16 The Directv Group, Inc. Controlling content presentation and display of program information in an electronic program guide
US10447635B2 (en) 2017-05-17 2019-10-15 Slice Technologies, Inc. Filtering electronic messages
US10467551B2 (en) 2017-06-12 2019-11-05 Ford Motor Company Portable privacy management
US10589057B2 (en) * 2017-06-16 2020-03-17 Comcast Cable Communications, Llc Enhancing user sleep cycle
US10769193B2 (en) 2017-06-20 2020-09-08 International Business Machines Corporation Predictive model clustering
US10234302B2 (en) 2017-06-27 2019-03-19 Nio Usa, Inc. Adaptive route and motion planning based on learned external and internal vehicle environment
CN110020094B (zh) * 2017-07-14 2023-06-13 阿里巴巴集团控股有限公司 一种搜索结果的展示方法和相关装置
US10710633B2 (en) 2017-07-14 2020-07-14 Nio Usa, Inc. Control of complex parking maneuvers and autonomous fuel replenishment of driverless vehicles
US10369974B2 (en) 2017-07-14 2019-08-06 Nio Usa, Inc. Control and coordination of driverless fuel replenishment for autonomous vehicles
US10837790B2 (en) 2017-08-01 2020-11-17 Nio Usa, Inc. Productive and accident-free driving modes for a vehicle
WO2019052869A1 (en) * 2017-09-14 2019-03-21 Amadeus S.A.S. METHOD AND SYSTEM FOR AUTOMATIC LEARNING TO PREDICT USER INTERACTIONS ONLINE
US10943184B2 (en) 2017-09-14 2021-03-09 Amadeus S.A.S. Machine learning methods and systems for predicting online user interactions
FR3071085B1 (fr) * 2017-09-14 2022-02-04 Amadeus Sas Un procede et un systeme d'apprentissage automatique pour predire les interactions d'un utilisateur en ligne
US11120480B2 (en) 2017-09-14 2021-09-14 Amadeus S.A.S. Systems and methods for real-time online traveler segmentation using machine learning
US10719521B2 (en) * 2017-09-18 2020-07-21 Google Llc Evaluating models that rely on aggregate historical data
US10635109B2 (en) 2017-10-17 2020-04-28 Nio Usa, Inc. Vehicle path-planner monitor and controller
US10606274B2 (en) 2017-10-30 2020-03-31 Nio Usa, Inc. Visual place recognition based self-localization for autonomous vehicles
US10935978B2 (en) 2017-10-30 2021-03-02 Nio Usa, Inc. Vehicle self-localization using particle filters and visual odometry
US10717412B2 (en) 2017-11-13 2020-07-21 Nio Usa, Inc. System and method for controlling a vehicle using secondary access methods
US11743536B2 (en) 2017-11-16 2023-08-29 Tuomas W. Sandholm Digital media campaign management in digital media delivery systems
US10743070B2 (en) 2017-12-01 2020-08-11 At&T Intellectual Property I, L.P. Fast channel change for a set top box based on channel viewing behaviors
US11157832B2 (en) * 2017-12-19 2021-10-26 International Business Machines Corporation Machine learning system for predicting optimal interruptions based on biometric data collected using wearable devices
CN108197951A (zh) * 2017-12-28 2018-06-22 广州美诚汇信息科技有限公司 一种化妆品许可责任履约监控平台及方法
US20190205926A1 (en) * 2017-12-29 2019-07-04 Oath Inc. Method and system for detecting fraudulent user-content provider pairs
US10931991B2 (en) 2018-01-04 2021-02-23 Sony Interactive Entertainment LLC Methods and systems for selectively skipping through media content
US11568236B2 (en) 2018-01-25 2023-01-31 The Research Foundation For The State University Of New York Framework and methods of diverse exploration for fast and safe policy improvement
US11803883B2 (en) 2018-01-29 2023-10-31 Nielsen Consumer Llc Quality assurance for labeled training data
US10939142B2 (en) 2018-02-27 2021-03-02 Charter Communications Operating, Llc Apparatus and methods for content storage, distribution and security within a content distribution network
US10831797B2 (en) * 2018-03-23 2020-11-10 International Business Machines Corporation Query recognition resiliency determination in virtual agent systems
US11086935B2 (en) 2018-05-07 2021-08-10 Apple Inc. Smart updates from historical database changes
DK180171B1 (en) 2018-05-07 2020-07-14 Apple Inc USER INTERFACES FOR SHARING CONTEXTUALLY RELEVANT MEDIA CONTENT
US11243996B2 (en) 2018-05-07 2022-02-08 Apple Inc. Digital asset search user interface
US11166076B2 (en) * 2018-05-15 2021-11-02 Broadbandtv, Corp. Intelligent viewer sentiment predictor for digital media content streams
US11537428B2 (en) 2018-05-17 2022-12-27 Spotify Ab Asynchronous execution of creative generator and trafficking workflows and components therefor
US11403663B2 (en) * 2018-05-17 2022-08-02 Spotify Ab Ad preference embedding model and lookalike generation engine
US10369966B1 (en) 2018-05-23 2019-08-06 Nio Usa, Inc. Controlling access to a vehicle using wireless access devices
US11451875B2 (en) * 2018-06-04 2022-09-20 Samsung Electronics Co., Ltd. Machine learning-based approach to demographic attribute inference using time-sensitive features
US20190379920A1 (en) * 2018-06-07 2019-12-12 Tp Vision Holding B.V. Method and system for creating a customized video associated with an advertisement
US10803135B2 (en) 2018-09-11 2020-10-13 Apple Inc. Techniques for disambiguating clustered occurrence identifiers
US10846343B2 (en) 2018-09-11 2020-11-24 Apple Inc. Techniques for disambiguating clustered location identifiers
US11538051B2 (en) * 2018-10-23 2022-12-27 Adobe Inc. Machine learning-based generation of target segments
US10902075B2 (en) 2018-11-20 2021-01-26 International Business Machines Corporation Targeted content for simultaneous multi-users for a shared device
US11710037B2 (en) 2019-01-28 2023-07-25 Walmart Apollo, Llc Systems and methods for altering user interfaces using predicted user activity
US11146843B2 (en) * 2019-06-17 2021-10-12 Accenture Global Solutions Limited Enabling return path data on a non-hybrid set top box for a television
US11360953B2 (en) 2019-07-26 2022-06-14 Hitachi Vantara Llc Techniques for database entries de-duplication
JP7440990B2 (ja) * 2019-07-31 2024-02-29 日本テレビ放送網株式会社 コンテンツ表示方法、及び放送システム
US11089366B2 (en) * 2019-12-12 2021-08-10 The Nielsen Company (Us), Llc Methods, systems, articles of manufacture and apparatus to remap household identification
CN111031363B (zh) * 2019-12-19 2021-12-31 北京汉晟时代科技有限公司 一种基于定量大数据的用户收视情况预测方法及系统
JP7145901B2 (ja) * 2020-02-13 2022-10-03 ヤフー株式会社 情報処理装置、情報処理方法および情報処理プログラム
JP7144468B2 (ja) * 2020-02-17 2022-09-29 ヤフー株式会社 情報処理装置、情報処理方法および情報処理プログラム
US11055458B1 (en) * 2020-06-11 2021-07-06 Xilinx, Inc. Functional coverage of designs using transition bins and cross coverage
US11574145B2 (en) * 2020-06-30 2023-02-07 Google Llc Cross-modal weak supervision for media classification
US20220295154A1 (en) * 2021-03-09 2022-09-15 Comcast Cable Communications, Llc Hybrid Content Scheduler
JP6975355B1 (ja) * 2021-03-31 2021-12-01 株式会社博報堂Ｄｙホールディングス 情報処理システム、情報処理方法、及び、コンピュータプログラム
CN113378002B (zh) 2021-08-11 2022-01-21 北京达佳互联信息技术有限公司 信息投放方法、装置、电子设备及存储介质
US11947551B2 (en) * 2022-05-27 2024-04-02 Maplebear Inc. Automated sampling of query results for training of a query engine
US20230401582A1 (en) * 2022-06-14 2023-12-14 NortonLifeLock Inc. Identifying accurate locations of in-person payment card transactions to detect location-based payment card anomalies
CN114936885B (zh) * 2022-07-21 2022-11-04 成都薯片科技有限公司 广告信息匹配推送方法、装置、系统、设备及存储介质

Family Cites Families (80)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5446919A (en) * 1990-02-20 1995-08-29 Wilkins; Jeff K. Communication system and method with demographically or psychographically defined audiences
US7242988B1 (en) * 1991-12-23 2007-07-10 Linda Irene Hoffberg Adaptive pattern recognition based controller apparatus and method and human-factored interface therefore
US5434678A (en) * 1993-01-11 1995-07-18 Abecassis; Max Seamless transmission of non-sequential video segments
US5469206A (en) 1992-05-27 1995-11-21 Philips Electronics North America Corporation System and method for automatically correlating user preferences with electronic shopping information
US5565909A (en) * 1992-08-31 1996-10-15 Television Computer, Inc. Method of identifying set-top receivers
DE69324760T2 (de) * 1992-10-19 1999-11-11 Koninkl Philips Electronics Nv Gerät zur Speicherung eines Datensignals in einem Speicher und zur Wiedergabe des Datensignals aus diesem Speicher
US5371551A (en) 1992-10-29 1994-12-06 Logan; James Time delayed digital video system using concurrent recording and playback
US5798785A (en) * 1992-12-09 1998-08-25 Discovery Communications, Inc. Terminal for suggesting programs offered on a television program delivery system
US5600364A (en) 1992-12-09 1997-02-04 Discovery Communications, Inc. Network controller for cable television delivery systems
US6463585B1 (en) * 1992-12-09 2002-10-08 Discovery Communications, Inc. Targeted advertisement using television delivery systems
US5990927A (en) 1992-12-09 1999-11-23 Discovery Communications, Inc. Advanced set top terminal for cable television delivery systems
WO1995001057A1 (en) 1993-06-22 1995-01-05 Apple Computer, Inc. Methods and apparatus for managing viewing of and interaction with audio-visual program and service offerings
US5355161A (en) * 1993-07-28 1994-10-11 Concord Media Systems Identification system for broadcast program segments
US5636346A (en) * 1994-05-09 1997-06-03 The Electronic Address, Inc. Method and system for selectively targeting advertisements and programming
US5701383A (en) * 1994-05-20 1997-12-23 Gemstar Development Corporation Video time-shifting apparatus
JPH0832922A (ja) 1994-07-14 1996-02-02 Hitachi Ltd 磁気記録再生装置
JP3644455B2 (ja) 1994-09-29 2005-04-27 ソニー株式会社 番組情報放送方式、番組情報表示方法および受信装置
US5717923A (en) * 1994-11-03 1998-02-10 Intel Corporation Method and apparatus for dynamically customizing electronic information to individual end users
US5724521A (en) * 1994-11-03 1998-03-03 Intel Corporation Method and apparatus for providing electronic advertisements to end users in a consumer best-fit pricing manner
US5758257A (en) * 1994-11-29 1998-05-26 Herz; Frederick System and method for scheduling broadcast of and access to video programs and other data using customer profiles
US5774170A (en) * 1994-12-13 1998-06-30 Hite; Kenneth C. System and method for delivering targeted advertisements to consumers
US5880768A (en) 1995-04-06 1999-03-09 Prevue Networks, Inc. Interactive program guide systems and processes
CA2218688C (en) * 1995-04-21 2007-02-20 Imedia Corporation An in-home digital video unit with combined archival storage and high-access storage
DE19514616A1 (de) * 1995-04-25 1996-10-31 Sel Alcatel Ag Kommunikationssystem mit hierarchischer Serverstruktur
FR2736783B1 (fr) * 1995-07-13 1997-08-14 Thomson Multimedia Sa Procede et appareil d'enregistrement et de lecture avec un support d'enregistrement de grande capacite
US6002393A (en) * 1995-08-22 1999-12-14 Hite; Kenneth C. System and method for delivering targeted advertisements to consumers using direct commands
US5758259A (en) * 1995-08-31 1998-05-26 Microsoft Corporation Automated selective programming guide
KR0170298B1 (ko) 1995-10-10 1999-04-15 김광호 디지탈 비디오 테이프의 기록 방법
US5867226A (en) * 1995-11-17 1999-02-02 Thomson Consumer Electronics, Inc. Scheduler employing a predictive agent for use in a television receiver
US5635989A (en) * 1996-02-13 1997-06-03 Hughes Electronics Method and apparatus for sorting and searching a television program guide
US5704017A (en) * 1996-02-16 1997-12-30 Microsoft Corporation Collaborative filtering utilizing a belief network
US5848396A (en) * 1996-04-26 1998-12-08 Freedom Of Information, Inc. Method and apparatus for determining behavioral profile of a computer user
US5754651A (en) * 1996-05-31 1998-05-19 Thomson Consumer Electronics, Inc. Processing and storage of digital data and program specific information
WO1997048230A1 (en) 1996-06-13 1997-12-18 Starsight Telecast, Inc. Method and apparatus for searching a guide using program characteristics
PT932398E (pt) 1996-06-28 2006-09-29 Ortho Mcneil Pharm Inc Utilizacao do topiramento ou dos seus derivados para a producao de um medicamento para o tratamento de disturbios bipolares maniaco- depressivos
US5953073A (en) * 1996-07-29 1999-09-14 International Business Machines Corp. Method for relating indexing information associated with at least two indexing schemes to facilitate the play-back of user-specified digital video data and a video client incorporating the same
EP0823815A3 (en) 1996-08-08 2000-12-13 Matsushita Electric Industrial Co., Ltd. Information receiving apparatus
CN1114912C (zh) 1996-09-16 2003-07-16 皇家菲利浦电子有限公司 通过信息载体实现同步记录和再现的记录和再生系统
JPH10126750A (ja) 1996-10-23 1998-05-15 Matsushita Electric Ind Co Ltd 番組情報放送システム、放送装置、及び受信端末装置
US5801747A (en) * 1996-11-15 1998-09-01 Hyundai Electronics America Method and apparatus for creating a television viewer profile
US6177931B1 (en) * 1996-12-19 2001-01-23 Index Systems, Inc. Systems and methods for displaying and recording control interface with television programs, video, advertising information and program scheduling information
DE69715040T2 (de) * 1996-12-20 2003-05-08 Princeton Video Image Inc Aufsatzgerät für gezielte elektronische einblendung von zeichen in videosignale
US6163316A (en) * 1997-01-03 2000-12-19 Texas Instruments Incorporated Electronic programming system and method
US6983478B1 (en) * 2000-02-01 2006-01-03 Bellsouth Intellectual Property Corporation Method and system for tracking network use
KR100242645B1 (ko) 1997-03-27 2000-02-01 윤종용 다수프로그램의져스트레코드예약녹화방법및장치
US20030040962A1 (en) 1997-06-12 2003-02-27 Lewis William H. System and data management and on-demand rental and purchase of digital data products
US20030088872A1 (en) * 1997-07-03 2003-05-08 Nds Limited Advanced television system
IL121230A (en) * 1997-07-03 2004-05-12 Nds Ltd Intelligent electronic program guide
US6029045A (en) 1997-12-09 2000-02-22 Cogent Technology, Inc. System and method for inserting local content into programming content
US6160570A (en) * 1998-04-20 2000-12-12 U.S. Philips Corporation Digital television system which selects images for display in a video sequence
US6698020B1 (en) * 1998-06-15 2004-02-24 Webtv Networks, Inc. Techniques for intelligent video ad insertion
TW416224B (en) 1998-07-07 2000-12-21 United Video Properties Inc Interactive television program guide system with local advertisements
EP1099340A1 (en) * 1998-07-17 2001-05-16 United Video Properties, Inc. Television system with aided user program searching
US6233389B1 (en) 1998-07-30 2001-05-15 Tivo, Inc. Multimedia time warping system
US20020054752A1 (en) * 1998-08-07 2002-05-09 Anthony Wood Video data recorder with personal channels
US6324338B1 (en) 1998-08-07 2001-11-27 Replaytv, Inc. Video data recorder with integrated channel guides
US20020057893A1 (en) * 1998-08-11 2002-05-16 Anthony Wood Digital recording and playback
US6898762B2 (en) 1998-08-21 2005-05-24 United Video Properties, Inc. Client-server electronic program guide
BR9916143A (pt) * 1998-11-30 2001-11-06 Index Systems Inc Agente inteligente baseado em hábitos, inferência estatìstica e perfil psicodemográfico
US6560578B2 (en) * 1999-03-12 2003-05-06 Expanse Networks, Inc. Advertisement selection system supporting discretionary target market characteristics
US6704930B1 (en) 1999-04-20 2004-03-09 Expanse Networks, Inc. Advertisement insertion techniques for digital video streams
EP1208418A4 (en) 1998-12-03 2004-09-15 Samsung Electronics Co Ltd SYSTEM FOR DETERMINING A SUBSCRIBER PROFILE AND ADVERTISING MONITORING
US6457010B1 (en) * 1998-12-03 2002-09-24 Expanse Networks, Inc. Client-server based subscriber characterization system
JP4824168B2 (ja) 1998-12-23 2011-11-30 コーニンクレッカ フィリップス エレクトロニクス エヌ ヴィ プログラム受信装置
US7051351B2 (en) * 1999-03-08 2006-05-23 Microsoft Corporation System and method of inserting advertisements into an information retrieval system display
US20020118954A1 (en) * 2001-12-07 2002-08-29 Barton James M. Data storage management and scheduling system
GB9908364D0 (en) * 1999-04-14 1999-06-09 Pace Micro Tech Plc Improvements relating to electronic programme guide displays
JP3389186B2 (ja) * 1999-04-27 2003-03-24 松下電器産業株式会社 半導体メモリカード及び読み出し装置
EP1177674A4 (en) * 1999-05-10 2004-12-08 Samsung Electronics Co Ltd DIGITAL FLOW ADVERTISING SUB-GROUPS
US6580683B1 (en) * 1999-06-23 2003-06-17 Dataplay, Inc. Optical recording medium having a master data area and a writeable data area
CA2377941A1 (en) * 1999-06-28 2001-01-04 United Video Properties, Inc. Interactive television program guide system and method with niche hubs
US7035528B1 (en) 1999-10-05 2006-04-25 Digital Networks North America, Inc. Providing audience flow in a personal television device
WO2001047257A1 (en) 1999-12-21 2001-06-28 Tivo, Inc. Intelligent system and methods of recommending media content items based on user preferences
US6981040B1 (en) * 1999-12-28 2005-12-27 Utopy, Inc. Automatic, personalized online information and product services
US7051352B1 (en) * 2000-02-04 2006-05-23 Koninklijke Philips Electronics N.V. Adaptive TV program recommender
US6681396B1 (en) * 2000-02-11 2004-01-20 International Business Machines Corporation Automated detection/resumption of interrupted television programs
US8495679B2 (en) 2000-06-30 2013-07-23 Thomson Licensing Method and apparatus for delivery of television programs and targeted de-coupled advertising
US6918131B1 (en) * 2000-07-10 2005-07-12 Nokia Corporation Systems and methods for characterizing television preferences over a wireless network
US7010808B1 (en) * 2000-08-25 2006-03-07 Microsoft Corporation Binding digital content to a portable storage device or the like in a digital rights management (DRM) system
US6950623B2 (en) 2000-09-19 2005-09-27 Loudeye Corporation Methods and systems for dynamically serving in-stream advertisements

Also Published As

Publication number Publication date
ATE321422T1 (de) 2006-04-15
EP1223757A3 (en) 2003-10-29
US8850465B2 (en) 2014-09-30
JP2008236794A (ja) 2008-10-02
DE60209947T2 (de) 2007-02-22
EP1223757B1 (en) 2006-03-22
US8495680B2 (en) 2013-07-23
US20030101451A1 (en) 2003-05-29
JP2013078150A (ja) 2013-04-25
JP2003018584A (ja) 2003-01-17
JP5421469B2 (ja) 2014-02-19
DE60209947D1 (de) 2006-05-11
US20120011530A1 (en) 2012-01-12
US8046797B2 (en) 2011-10-25
US20150143414A1 (en) 2015-05-21
US9277264B2 (en) 2016-03-01
JP5283110B2 (ja) 2013-09-04
EP1223757A2 (en) 2002-07-17
US20030101449A1 (en) 2003-05-29

Similar Documents

Publication Publication Date Title
ES2261527T3 (es) Sistema, procedimiento y aplicacion de software para publicidad dirigida mediante una agrupacion de modelos de comportamiento, y preferencias de programacion basadas en grupos de modelos de comportamiento.
US11288702B1 (en) Exploration in a real time messaging platform
US11409717B1 (en) Overspend control in a messaging platform
US9892431B1 (en) Temporal features in a messaging platform
US9183497B2 (en) Performance-efficient system for predicting user activities based on time-related features
US9402101B2 (en) Content presentation method, content presentation device, and program
US7644427B1 (en) Time-centric training, interference and user interface for personalized media program guides
Martins et al. The demand for football in Portugal: New insights on outcome uncertainty
US20100217730A1 (en) Temporally-controlled item recommendation method and system based on rating prediction
US10769677B1 (en) Temporal features in a messaging platform
US20150363802A1 (en) Survey amplification using respondent characteristics
Kerkhof Advertising and content differentiation: Evidence from YouTube
WO2018042179A1 (en) Method and system for providing content
Bogina et al. Incorporating time-interval sequences in linear TV for next-item prediction
Clark et al. Who’s Watching TV?
Migliorini et al. Sequence recommendations for groups: A dynamic approach to balance preferences
Bykau et al. Coping with the persistent cold-start problem
Aggarwal Inferring the causal impact of Super Bowl marketing campaigns using a Bayesian structural time series model
Noam et al. Demand and Market Research for Media and Information Products
Kapoor Models of dynamic user preferences and their applications to recommendation and retention
Deer et al. Online Word of Mouth and the Performance of New Products
Castaldo Attention dynamics on YouTube: conceptual models, temporal analysisof engagement metrics, fake views
Lu Essays On Dynamic Updating Of Consumer Preferences