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
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.
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).
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.
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.
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.
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.
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.
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].
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].
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.
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.
("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.
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.
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})
\hskip1cma_{i,j} = \frac{1}{H_{X_{i,j}}}
y
P_{N_{i,j}}
(b_{i,j})
\hskip1cmb_{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}};
\hskip1cmw^{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).
\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.
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.
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.
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].
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].
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].
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.
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)
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)
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 |
-
2002
- 2002-01-08 AT AT02000454T patent/ATE321422T1/de not_active IP Right Cessation
- 2002-01-08 EP EP02000454A patent/EP1223757B1/en not_active Expired - Lifetime
- 2002-01-08 DE DE60209947T patent/DE60209947T2/de not_active Expired - Lifetime
- 2002-01-08 ES ES02000454T patent/ES2261527T3/es not_active Expired - Lifetime
- 2002-01-09 JP JP2002002179A patent/JP2003018584A/ja active Pending
- 2002-01-09 US US10/043,698 patent/US8495680B2/en not_active Expired - Fee Related
- 2002-01-09 US US10/043,714 patent/US8046797B2/en not_active Expired - Fee Related
-
2008
- 2008-06-13 JP JP2008155335A patent/JP5283110B2/ja not_active Expired - Fee Related
-
2011
- 2011-09-21 US US13/238,195 patent/US8850465B2/en not_active Expired - Fee Related
-
2013
- 2013-01-17 JP JP2013006155A patent/JP5421469B2/ja not_active Expired - Fee Related
-
2014
- 2014-08-26 US US14/469,446 patent/US9277264B2/en not_active Expired - Fee Related
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 |