ES2357194T3 - Procedimiento de recomendación de medios de tres maneras y especificación de sistema. - Google Patents

Procedimiento de recomendación de medios de tres maneras y especificación de sistema. Download PDF

Info

Publication number
ES2357194T3
ES2357194T3 ES01951663T ES01951663T ES2357194T3 ES 2357194 T3 ES2357194 T3 ES 2357194T3 ES 01951663 T ES01951663 T ES 01951663T ES 01951663 T ES01951663 T ES 01951663T ES 2357194 T3 ES2357194 T3 ES 2357194T3
Authority
ES
Spain
Prior art keywords
sets
user
data
profile data
resource
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Expired - Lifetime
Application number
ES01951663T
Other languages
English (en)
Inventor
James D. Schaffer
Kwok P. Lee
Srinivas Gutta
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Koninklijke Philips NV
Original Assignee
Koninklijke Philips Electronics NV
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Koninklijke Philips Electronics NV filed Critical Koninklijke Philips Electronics NV
Application granted granted Critical
Publication of ES2357194T3 publication Critical patent/ES2357194T3/es
Anticipated expiration legal-status Critical
Expired - Lifetime legal-status Critical Current

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—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
    • H04H—BROADCAST COMMUNICATION
    • H04H60/00—Arrangements for broadcast applications with a direct linking to broadcast information or broadcast space-time; Broadcast-related systems
    • H04H60/35—Arrangements for identifying or recognising characteristics with a direct linkage to broadcast information or to broadcast space-time, e.g. for identifying broadcast stations or for identifying users
    • H04H60/46—Arrangements for identifying or recognising characteristics with a direct linkage to broadcast information or to broadcast space-time, e.g. for identifying broadcast stations or for identifying users for recognising users' 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
    • H04N21/43—Processing of content or additional data, e.g. demultiplexing additional data from a digital video stream; Elementary client operations, e.g. monitoring of home network or synchronising decoder's clock; Client middleware
    • H04N21/431—Generation of visual interfaces for content selection or interaction; Content or additional data rendering
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/43—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
    • H04N21/44224—Monitoring of user activity on external systems, e.g. Internet browsing
    • 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
    • H04N21/4668—Learning process for intelligent management, e.g. learning user preferences for recommending movies for recommending content, e.g. movies
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/47—End-user applications
    • H04N21/475—End-user interface for inputting end-user data, e.g. personal identification number [PIN], preference data
    • H04N21/4755—End-user interface for inputting end-user data, e.g. personal identification number [PIN], preference data for defining user preferences, e.g. favourite actors or genre
    • 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
    • H04N21/475—End-user interface for inputting end-user data, e.g. personal identification number [PIN], preference data
    • H04N21/4756—End-user interface for inputting end-user data, e.g. personal identification number [PIN], preference data for rating content, e.g. scoring a recommended movie
    • 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
    • H04N21/4821—End-user interface for program selection using a grid, e.g. sorted out by channel and broadcast time
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Signal Processing (AREA)
  • Multimedia (AREA)
  • Databases & Information Systems (AREA)
  • Human Computer Interaction (AREA)
  • Social Psychology (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Software Systems (AREA)
  • Computer Security & Cryptography (AREA)
  • Two-Way Televisions, Distribution Of Moving Picture Or The Like (AREA)
  • Television Systems (AREA)

Abstract

Sistema de recomendación automatizado, que comprende: un procesador (240) conectado para recibir datos de recursos que definen recursos disponibles y al menos dos conjuntos de datos (315, 325, 330) de perfil, que definen cada uno preferencias de usuario con respecto a dichos recursos; derivándose cada uno de dichos conjuntos de datos (315, 325, 330) de perfil a partir de una clase diferente de interacción de dicho usuario con una parte de dichos datos de recursos y pudiendo usarse para predecir la deseabilidad de un recurso dado basándose en dicho cada uno de dichos conjuntos; caracterizado porque dicho procesador (240) está adaptado para generar una suma ponderada de correspondientes registros a partir de cada uno de dichos conjuntos para generar un único conjunto combinado de datos de perfil.

Description

ANTECEDENTES DE LA INVENCIÓN
La presente invención se refiere a sistemas que emplean guías de programación electrónicas (EPG) para ayudar a los usuarios de medios a gestionar un gran número de opciones de contenido de medios, por ejemplo, programación 5 de televisión, salas de chat, archivos de medios de vídeo bajo demanda, audio, etc. Más específicamente, la invención se refiere a sistemas tales que proporcionan “inteligencia”, tal como una capacidad de sugerir opciones y una capacidad de emprender acciones, por ejemplo grabar un programa en nombre del usuario basándose en las preferencias del usuario.
Un elemento común entre los sistemas de guía de programación electrónica (EPG) convencionales es su capacidad 10 para mostrar listados de programas para muchos canales disponibles. Los listados pueden generarse localmente y mostrarse de manera interactiva. Los listados se disponen habitualmente en una parrilla, representando cada fila un canal de difusión o por cable particular, tal como ABC, PBS o ESPN, y representando cada columna de la parrilla una franja horaria particular, tal como desde 4:00 p.m. hasta 4:30 p.m. Pueden visualizarse múltiples filas y múltiples columnas en la pantalla simultáneamente. Los diversos programas o emisiones planificados se disponen en las filas 15 y columnas, indicando los canales y horas en los que pueden encontrarse. Es posible desplazar la parrilla verticalmente de modo que un espectador pueda hacer un barrido por diferentes canales en un intervalo de tiempo dado. También es posible desplazar la parrilla horizontalmente (a modo panorámico) para cambiar el intervalo de tiempo mostrado.
Los datos relativos a programas disponibles pueden recibirse por un sistema por cable o línea de teléfono como un 20 conjunto de registros de datos. Cada programa disponible puede tener un único registro de datos correspondiente que contenga información sobre el programa tal como su canal, sus horas de inicio y final, su título, nombres de actores protagonistas, si tiene disponibles subtitulado oculto y sonido estéreo, y tal vez una breve descripción del programa. No es difícil formatear una parrilla tal como la que se ha descrito anteriormente a partir de estos tipos de registros de datos. Los datos que abarcan un periodo (por ejemplo, dos semanas) normalmente se formatean una 25 vez en el servidor (por ejemplo, el extremo delantero del sistema por cable) y se difunden de manera repetida y continua a los hogares a los que da servicio el sistema por cable. Alternativamente, los datos pueden descargarse a través de una línea de teléfono, u otra red, ya sea bajo demanda o según una planificación predeterminada.
Un sistema de EPG puede ejecutarse en un dispositivo con una interfaz de usuario (en lo sucesivo en el presente documento “dispositivo de interfaz de usuario”), que puede ser un módulo decodificador (STB), un ordenador de 30 propósito general, un sistema incrustado, un controlador dentro de la televisión, o el servidor de una red de comunicaciones o servidor de Internet. El dispositivo de interfaz de usuario está conectado a la televisión para generar visualizaciones y recibir entradas del usuario. Cuando se desplaza hacia una nueva columna o fila, el dispositivo de interfaz de usuario puede recuperar la información apropiada de una base de datos almacenada (en el dispositivo de interfaz de usuario o en otra parte) relativa a la información de programación que debe presentarse 35 para la nueva fila o columna. Por ejemplo, cuando se desplaza hacia una nueva columna, tienen que mostrarse los programas que entran dentro de una nueva franja horaria.
Las guías de programación electrónicas (EPG) prometen hacer más manejable la tarea de elegir entre las miles de opciones de visionado de la televisión y otros medios. Una aplicación interactiva de las EPG construye una base de datos de preferencias de usuario y usa los datos de preferencias para realizar sugerencias, filtrar información de 40 programación actual o futura para simplificar el trabajo de elegir, o incluso realizar elecciones en nombre del usuario. Por ejemplo, el sistema puede grabar un programa sin una petición específica por parte del usuario o resaltar las opciones que recomienda.
Un primer tipo de dispositivo para construir la base de datos de preferencias es uno pasivo desde el punto de vista del usuario. El usuario se limita a realizar elecciones de la manera normal a partir de datos de EPG sin procesar y el 45 sistema construye gradualmente una base de datos de preferencias personal extrayendo un modelo del comportamiento del usuario a partir de las elecciones. Después usa el modelo para hacer predicciones sobre lo que el usuario preferirá ver en el futuro. Este proceso de extracción puede seguir sencillos algoritmos, tales como identificar favoritos evidentes detectando peticiones repetidas del mismo elemento, o puede ser un proceso de aprendizaje de máquina sofisticado tal como una técnica de árbol de decisión con un gran número de entradas 50 (grados de libertad). Tales modelos, en términos generales, buscan patrones en el comportamiento de interacción del usuario (es decir, la interacción con la interfaz de usuario (UI) para realizar selecciones).
Una técnica sencilla y bastante robusta para extraer información útil a partir del patrón de visionado del usuario es generar una tabla de recuentos de característica-valor. Un ejemplo de una característica es la “hora del día” y un valor correspondiente puede ser “mañana”. Cuando se realiza una elección, se incrementan los recuentos de 55 características-valores que caracterizan esa elección. Habitualmente, una elección dada tendrá muchas características-valores. También puede generarse un conjunto de elecciones negativas seleccionando un subconjunto de programas (opcionalmente, al mismo tiempo) del que se discriminó la elección. Sus respectivos recuentos de característica-valor sufrirán un decremento (o se incrementará un recuento para programas nos vistos). Estos datos se envían a un predictor bayesiano que usa los recuentos como pesos para candidatos caracterizadores 60 de recuentos de características para predecir la probabilidad de que un usuario prefiera un candidato. Este tipo de
mecanismo de formación de perfiles se describe en la solicitud de patente estadounidense n.º de serie 09/498.271, presentada el 2/4/2000 titulada BAYESIAN TV SHOW RECOMMENDER, que se incorpora por la presente en su totalidad como referencia tal como si se expusiera completamente en el presente documento. Un recomendador basado en reglas en esta misma clase de sistemas, que construye perfiles de manera pasiva a partir de observaciones del comportamiento del usuario, también se describe en la solicitud PCT, WO 99/01984, publicada el 5 1/14/99 titulada INTELLIGENT ELECTRONIC PROGRAM GUIDE.
Otro ejemplo del primer tipo es MbTV, un sistema que aprende las preferencias de visionado de televisión de los espectadores monitorizando sus patrones de visionado. MbTV opera de manera transparente y construye un perfil de los gustos de un espectador. Este perfil se usa para proporcionar servicios, por ejemplo, recomendar programas de televisión que el espectador podría estar interesado en ver. MbTV aprende los gustos de cada uno de sus 10 espectadores y usa lo aprendido para recomendar próximos programas. MbTV puede ayudar a los espectadores a planificar sus momentos de visionado de televisión avisándoles de próximos deseables, y con la adición de que un dispositivo de almacenamiento graba automáticamente estos programas cuando el espectador está ausente.
MbTV tiene un motor de determinación de preferencias y un motor de gestión de almacenamiento. Se usan para facilitar la televisión diferida en el tiempo. MbTV puede grabar automáticamente, en lugar de simplemente sugerir, 15 programación deseable. El motor de gestión de almacenamiento de MbTV intenta garantizar que el dispositivo de almacenamiento tenga los contenidos óptimos. Este proceso implica llevar un seguimiento de qué programas grabados se han visto (completamente o en parte), y cuáles se han ignorado. Los espectadores pueden “asegurar” programas grabados para verlos en el futuro para evitar su borrado. Las maneras en las que los espectadores tratan las sugerencias de programas o el contenido grabado proporciona realimentación adicional al motor de preferencias 20 de MbTV que usa esta información para refinar futuras decisiones.
MbTV reservará una parte del espacio de grabación para representar cada “interés constitutivo”. Estos “intereses” pueden traducirse en diferentes miembros de la familia o pueden representar diferentes categorías de gusto. Aunque MbTV no requiere la intervención del usuario, quienes quieran afinar sus capacidades pueden personalizarlo. Los espectadores pueden influir en la “cuota de almacenamiento” para diferentes tipos de programas. Por ejemplo, un 25 espectador podría indicar que, aunque los niños sean los que más ven la televisión en un hogar, no deberá consumirse más del 25% del espacio de grabación en programas para niños.
Un segundo tipo de dispositivo es más activo. Permite al usuario especificar lo que le gusta o no calificando características. Puede tratarse de asignación de puntuación a pares característica-valor (un peso para la característica más un valor; por ejemplo, peso = importancia de característica y valor, valor preferido o no preferido) 30 o alguna otra especificación de reglas tal como programas favoritos, combinaciones de pares característica-valor como “Me gustan los documentales, pero no los jueves que es la noche que vienen los amigos”. Por ejemplo, el usuario puede indicar, a través de una interfaz de usuario, que se prefieren películas de drama y acción y que no se prefieren determinados actores. Estos criterios pueden aplicarse entonces para predecir, de entre un conjunto de programas, lo que preferirá el usuario. 35
Como ejemplo del segundo tipo de sistema, una solicitud EP (EP 0854645A2), describe un sistema que permite a un usuario introducir preferencias genéricas tales como una categoría de programa preferida, por ejemplo, comedia, serie de drama, películas antiguas, etc. La solicitud también describe plantillas de preferencias en las que pueden seleccionarse perfiles de preferencias, por ejemplo, una para niños de 10-12 años, otra para chicas adolescentes, otra para aficionados a los aviones, etc. 40
Un tercer tipo de sistema permite a los usuarios ordenar programas de algún modo. Por ejemplo, en la actualidad, TIVO® permite a los usuarios otorgar a un programa hasta tres símbolos de pulgar hacia arriba o hasta tres símbolos de pulgar hacia abajo. Esta información es similar en cierto modo al segundo tipo de sistema, salvo porque permite un grado más fino de resolución a la ponderación otorgada a los pares característica-valor que pueden conseguirse, y similar al primer tipo, salvo porque la expresión del gusto del usuario en este contexto es más 45 explicita. (Obsérvese que esto no es una admisión de que la tecnología bayesiana comentada en la solicitud de patente estadounidense n.º de serie 09/498.271 combinada con una valoración por parte del usuario, como en el tercer tipo de sistema, se encuentre en la técnica anterior).
Una solicitud PCT (WO 97/4924 titulada System and Method for Using Television Schedule Information) es un ejemplo del tercer tipo. Describe un sistema en el que un usuario puede navegar por una guía de programación 50 electrónica mostrada a modo de parrilla habitual y seleccionar diversos programas. En cada momento, puede estar realizando cualquiera de varias tareas descritas, incluyendo, seleccionar un programa para grabar o ver, planificar un recordatorio para ver un programa y seleccionar un programa para designarlo como favorito. La designación de un programa como favorito tiene la finalidad, presumiblemente, de implementar una regla fija tal como: “Mostrar siempre la opción de ver este programa” o de implementar un recordatorio recurrente. La finalidad de designar 55 favoritos no se describe claramente en la solicitud. Sin embargo, lo que es más importante, con el propósito de crear una base de datos de preferencias, cuando el usuario selecciona un programa para designarlo como favorito, se le puede dar la opción de indicar el motivo por el cual se trata de un favorito. El motivo se indica de la misma manera que otros criterios específicos: definiendo preferencias genéricas.
El primer tipo de sistema tiene la ventaja de ser más fácil para el usuario ya que el usuario no tiene que proporcionar 60 ningún dato explícito. El usuario simplemente debe interaccionar con el sistema. Para que cualquiera de los diversos procedimientos de aprendizaje por parte de la máquina o predictivo sea eficaz, debe estar disponible un historial
sustancial de interacción para construir una base de datos de preferencias útil. Los tipos segundo y tercero tienen la ventaja de que proporcionan información de preferencias explícita. El segundo es fiable, pero no perfecto ya que a un usuario puede resultarle difícil abstraer sus propias preferencias hasta el punto de poder decidir qué criterios son buenos discriminadores y qué peso darles. El tercero no sobrecarga al usuario y probablemente proporciona la mejor calidad de información, pero puede ser pesado de generar y aún así puede que no contenga toda la 5 información que puede obtenerse con el segundo y también puede requerir información sobre muchos programas como el primero.
El documento WO 98/37696 da a conocer un sistema de distribución de datos de difusión que distribuye información de directorio e indexación para la selección de opciones de visionado en redes de difusión y multidifusión con anchos de banda de enlace ascendente / enlace descendente asimétricos. Los recursos de directorio compartido 10 están ubicados conjuntamente en servidores de directorio. La información de directorio almacenada en los clientes de directorio es un subconjunto de la información que se guarda en los servidores de directorio seleccionada basándose en el interés del abonado. El sistema construye automáticamente tanto un perfil objetivo para cada objeto objetivo (programa) que se difunde, como un “resumen de interés de perfil objetivo” para cada abonado, resumen de interés de perfil objetivo que describe el nivel de interés del abonado en diversos tipos de objetos objetivo. El 15 sistema evalúa entonces los perfiles objetivo respecto a los resúmenes de interés de perfil objetivo del abonado para generar un listado ordenado por categorías, personalizado para el abonado, de objetos objetivo que, con la mayor probabilidad, interesarán a cada abonado, de modo que el abonado pueda seleccionar de entre estos objetos objetivo potencialmente relevantes, seleccionados automáticamente por este sistema de entre la plétora de objetos objetivo disponibles en el sistema de distribución de datos. 20
El documento US 5.410.344 B1 da a conocer un procedimiento y un aparato para seleccionar programas audiovisuales para su presentación a un espectador. Los programas audiovisuales tienen atributos y un código de contenido correspondiente que incluye información relativa a los atributos. El procedimiento incluye diversas etapas. En primer lugar, se almacena un archivo de preferencias del espectador que incluye información relativa al impacto de varios atributos de los programas audiovisuales sobre el espectador. En segundo lugar, se recibe una pluralidad 25 de códigos de contenido correspondientes a una pluralidad de los programas audiovisuales. En tercer lugar, el archivo de preferencias del espectador se compara con la pluralidad de códigos de contenido correspondientes. Finalmente, al menos uno de la pluralidad de programas audiovisuales se selecciona en respuesta a la comparación para su presentación al espectador.
SUMARIO DE LA INVENCIÓN 30
Según la invención, se proporcionan un sistema según la reivindicación 1 y un procedimiento según la reivindicación 11.
Brevemente, un sistema de guía de programación electrónica (EPG) emplea un motor de preferencias y un sistema de procesamiento que combina un perfil de reglas explícitas, un perfil de historial y datos de perfil de realimentación para generar nuevas predicciones. Se supone que los programas de televisión están indexados por medio de 35 muchas características. Estas características se extraen y se cuentan para programas de TV vistos (perfil implícito), y para programas de TV valorados por el espectador (perfil de realimentación). Estos perfiles son fáciles de combinar otorgando de manera adecuada un mayor peso a la información de realimentación. Además, los perfiles explícitos pueden realizar recomendaciones de manera autónoma o pueden usarse para modificar recomendaciones derivadas de cualquiera de las otras dos fuentes. Las modificaciones pueden adoptar la forma de cambios de 40 adición o de multiplicación de las recomendaciones existentes o alguna otra forma matemática adecuada.
La invención se describirá en relación con determinadas realizaciones preferidas, con referencia a las siguientes figuras ilustrativas para que pueda entenderse de manera más completa.
Con referencia a las figuras, se resalta que los detalles mostrados son a modo de ejemplo y con fines de explicación ilustrativa de las realizaciones preferidas de la presente invención únicamente, y se presentan con vistas a 45 proporcionar lo que se cree que es la descripción más útil y fácilmente comprensible de los principios y aspectos conceptuales de la invención. A este respecto, no se ha pretendido mostrar detalles estructurales de la invención con más detalle de lo necesario para una comprensión básica de la invención, haciendo la descripción junto con los dibujos que sea evidente para los expertos en la técnica cómo pueden realizarse en la práctica las diversas formas de la invención. 50
BREVE DESCRIPCIÓN DE LOS DIBUJOS
La figura 1 muestra una televisión / un monitor que muestra una EPG, con un ordenador para generar la visualización de EPG, y una interfaz de interacción adecuada para su uso con realizaciones de la invención.
La figura 2 muestra un mando a distancia adecuado para su uso con realizaciones de UI de la invención.
La figura 3 muestra una visualización de EPG adecuada para su uso con realizaciones de UI de la invención. 55
La figura 4 muestra un diagrama de los componentes físicos a través de los cuales pueden realizarse diversas realizaciones de la invención.
La figura 5 ilustra el flujo de datos en dispositivos de generación de perfiles basados en realimentación según una realización de la invención.
La figura 6 ilustra el flujo de datos en dispositivos de generación de perfiles basados en el historial de visionado según una realización de la invención.
La figura 7 ilustra el flujo de datos en dispositivos de generación de perfiles basados en información explícita según 5 una realización de la invención.
La figura 8 ilustra la combinación de tres tipos diferentes de datos de perfil para proporcionar un proceso de recomendación combinado según una realización de la invención.
La figura 9 ilustra la combinación de tres tipos diferentes de datos de perfil para proporcionar un proceso de recomendación combinado según otra realización de la invención. 10
La figura 10 ilustra la combinación de tres tipos diferentes de datos de perfil para proporcionar un proceso de recomendación combinado según otra realización más de la invención.
DESCRIPCIÓN DETALLADA DE LAS REALIZACIONES PREFERIDAS
En referencia a las figuras 1-4, la invención se refiere al ámbito de las guías de programación electrónicas (EPG). En el contexto de las televisiones, EPG se aplica sin excesivo rigor a diversas características que pueden entregarse 15 usando una base de datos de información de programa. La información de programa puede incluir títulos y diversa información descriptiva tal como un resumen narrativo, diversas palabras clave que clasifican el contenido, etc. En una realización, un ordenador 240 envía información de programa a una televisión 230. La información de programa puede mostrarse al usuario en forma de una visualización 170 de parrilla temporal similar al formato comúnmente usado para las guías de canales de televisión por cable existentes. En la visualización 170 de parrilla temporal, se 20 muestran varios programas tal como se indica mediante barras en 120, 125, 130, 135 y 140. La longitud de cada barra (120-140) indica una respectiva duración de programa y los puntos de inicio y final de cada barra indican las horas de inicio y final, respectivamente, de cada respectivo programa. Una ventana 165 de descripción proporciona información detallada sobre un programa actualmente seleccionado. El programa actualmente seleccionado, el programa 7 en 125, está indicado mediante, por ejemplo, el resaltado de un borde 137 coloreado alrededor del 25 elemento de programa actualmente seleccionado. Pueden usarse diversos dispositivos para seleccionar programas, tales como teclas 215 de cursor en un mando 210 a distancia.
En referencia también ahora a la figura 4, el ordenador 240 puede estar equipado para recibir la señal 270 de vídeo y controlar la función de cambio de canal, y para permitir que un usuario seleccione canales a través de un sintonizador 245 vinculado al ordenador 240 en lugar de a través de un sintonizador 230 de la televisión. El usuario 30 puede seleccionar entonces el programa que va a ver resaltando una selección deseada del horario de programación mostrado usando el mando 210 a distancia para controlar el ordenador. El ordenador 240 tiene un enlace 260 de datos a través del cual puede recibir datos de horario de programación actualizados. Puede tratarse de una línea de teléfono que puede conectarse a un proveedor de servicios de Internet o alguna otra conexión de datos adecuada. El ordenador 240 tiene un dispositivo 235 de almacenamiento masivo, por ejemplo un disco duro, 35 para almacenar información de horario de programación, aplicaciones de programas y actualizaciones, y otra información. La información sobre las preferencias del usuario y otros datos pueden cargarse en el ordenador 240 a través de un medio extraíble tal como un disco o tarjeta 220 de memoria.
Obsérvese que son posibles numerosas sustituciones en el entorno de hardware de ejemplo anterior y que pueden usarse todas en relación con la invención. El almacenamiento masivo puede sustituirse por memoria volátil o 40 memoria no volátil. Los datos pueden almacenarse localmente o de manera remota. De hecho, todo el ordenador 240 podría sustituirse por un servidor que opere a distancia a través de un enlace. En lugar de usar un mando a distancia para enviar órdenes al ordenador 240 a través de un puerto 215 de infrarrojos, el controlador podría enviar órdenes a través de un canal 260 de datos que puede ser independiente de, o el mismo que, el canal físico que transporta el vídeo. El vídeo 270 u otro contenido puede transportarse por cable, RF, o cualquier otro canal físico de 45 banda amplia u obtenerse a partir de un almacenamiento masivo o medio de almacenamiento extraíble. Podría transportarse por un canal físico conmutado tal como una línea de teléfono o un canal conmutado virtualmente tal como ATM u otra red adecuada para la comunicación sincrónica de datos. El contenido puede ser asíncrono y tolerante a las pérdidas de información, de modo que pueden usarse las redes IP actuales. Además, el contenido de la línea a través de la que se recibe el contenido de programación puede ser audio, datos de conversación de chat, 50 sitios web o cualquier otra clase de contenido para el que sea posible una variedad de selecciones. Los datos de guía de programación pueden recibirse a través de canales distintos al enlace 260 de datos independiente. Por ejemplo, la información de guía de programación puede recibirse a través del mismo canal físico que el vídeo u otro contenido. Incluso podría proporcionarse a través de medios de almacenamiento de datos extraíbles tal como un disco o tarjeta 220 de memoria. El mando 210 a distancia puede sustituirse por un teclado, una interfaz de 55 comandos de voz, un ratón 3D, una palanca de mando (joystick), o cualquier otro dispositivo de entrada adecuado. Las selecciones pueden realizarse desplazando un indicador de resaltado, que identifica una selección simbólicamente (por ejemplo, mediante un nombre o un número), o realizando selecciones de manera agrupada a través de una transmisión de datos o a través de medios extraíbles. En este último caso, una o más selecciones pueden almacenarse de alguna forma y transmitirse al ordenador 240, saltándose por completo la visualización 170. 60 Por ejemplo, los datos agrupados podrían proceder de un dispositivo de almacenamiento portátil (por ejemplo un
asistente digital personal, una tarjeta de memoria o una tarjeta inteligente). Un dispositivo de este tipo puede tener muchas preferencias almacenadas para su uso en diversos entornos con vistas a personalizar el equipo informático que va a usarse.
En referencia ahora a la figura 5, en un sistema del tercer tipo en el que el usuario proporciona realimentación para clasificar una opción según si le gusta o no le gusta y opcionalmente con un grado. Por ejemplo, el sistema Tivo® 5 usa 1, 2 y 3, o una puntuación de 1 a 7 siendo 4 neutro. Se usa una interfaz 300 de usuario (UI) para crear una lista de programas y aceptar la información de realimentación. Alternativamente, la UI 300 puede ser un simple solicitud que pida al usuario que proporcione realimentación acerca de un programa o bien cuando termina el programa o bien cuando el usuario abandona el programa. Preferiblemente, el tipo de solicitud estará sujeto a un conjunto de preferencias que permitirán al usuario cancelar petición en algunas o en todas las situaciones si se desea. 10
La información generada por cada instancia de la UI 300 de realimentación son una o más opciones 440 (programas, si se trata de una base de datos de televisión) con una puntuación asociada a cada opción. Esto se usa para cargar un archivo 305 de historial de realimentación que puede contener un gran número de tales entradas. Los datos 445 de realimentación pueden aplicarse entonces a un dispositivo 350 de generación de perfiles. Alternativamente, los datos pueden almacenarse en forma reducida reduciéndolos en un dispositivo 350 de 15 generación de perfiles en primer lugar y después almacenándolos en una base 325 de datos de perfiles de realimentación. La reducción puede ser un conjunto de pares 450 de característica-valor, cada uno con una clasificación según se describe en el documento 09/498.271, presentado el 2/4/2000 titulado BAYESIAN TV SHOW RECOMMENDER. Una elección dada puede dar lugar a un número (M) de pares 450 de característica-valor con correspondientes puntuaciones. Preferiblemente, el usuario valora programas que tanto le gustan como no de modo 20 que se obtiene realimentación tanto positiva como negativa. Si sólo se adquiere realimentación positiva, por ejemplo porque sólo se proporciona realimentación para programas que se han seleccionado para ver, entonces no es posible incluir factores negativos en la base de datos. Esto puede mejorarse entonces, haciendo que el sistema genere un conjunto de elecciones negativas seleccionando un subconjunto de programas disponibles al mismo tiempo que tuvo lugar la elección. Preferiblemente, según se ha indicado, el usuario proporciona una realimentación 25 positiva y negativa equilibrada y no se requiere el muestreo automático de elecciones negativas. Sus respectivos recuentos de característica-valor sufrirán un decremento. Estos datos almacenados a lo largo de muchas elecciones pueden almacenarse en la base 325 de datos de perfiles de realimentación. El cuerpo completo de N registros 455 está entonces disponible cuando el recomendador 400 realiza recomendaciones basándose en una lista de candidatos derivada de una base 320 de datos de programas. El resultado final de este proceso es una lista 460 30 filtrada o clasificada de opciones disponibles a partir de la base 320 de datos de programas. El recomendador puede ser un filtro bayesiano o cualquier otro predictor.
En referencia a la figura 6, puede usarse un proceso muy similar al de la figura 5 para generar una base de datos de perfiles de pares característica-valor. Este predictor es del primer tipo descrito en la sección de antecedentes. En este caso, se infiere que la selección por parte de un usuario de una opción de programa indica una puntuación 35 positiva para una opción de programa. El resultado de una elección dada por un usuario es un programa 465 particular opcionalmente con una puntuación complementaria. Este resultado también puede incluir una puntuación que puede inferirse según el modo en que haya respondido el usuario. Si el usuario vio el programa hasta el final, la puntuación puede ser alta y si sólo lo vio durante un rato, la puntuación puede ser negativa. Si el programa se estuvo viendo durante un periodo que se encuentra entre los anteriores, la puntuación puede ser una magnitud 40 intermedia. Alternativamente, un programa visto puede recibir una puntuación positiva y una muestra aleatoria de programas no vistos (opcionalmente, al mismo tiempo) una puntuación negativa.
La base 310 de datos de historial de visionado almacena los programas y puntuaciones. Los registros 470 se suministran a un dispositivo 355 de generación de perfiles que genera pares característica-valor con puntuaciones 475 complementarias, que pueden almacenarse en una base 330 de datos de perfiles implícitos. Los contenidos 480 45 de la base 330 de datos de perfiles implícitos están disponibles entonces para un recomendador 420 que los combina con datos de programas 320 actuales para generar recomendaciones 485.
En las realizaciones de ejemplo de las figuras 5 y 6, se supone que el recomendador es bayesiano. También es posible usar otros tipos de técnicas predictivas, lo que requeriría la alteración de los flujos de datos intermedios. Por ejemplo, una técnica de árbol de decisión no generaría pares característica-valor sino que más bien buscaría en el 50 corpus de opciones y puntuaciones la característica que fuese el mejor discriminador haciendo que ésa fuese la raíz del árbol, y buscando después los discriminadores penúltimos para definir ramas del árbol, y así sucesivamente. Un tipo de modelo de red neural es también otro ejemplo y su conjunto de vectores de entrada serían simplemente los datos de puntuación de programa y los datos almacenados, los pesos en sus interconexiones.
En referencia a la figura 7, se forma un perfil 315 explícito haciendo que un usuario interaccione con una UI 317 para 55 indicar preferencias. Como ejemplo, el resultado puede ser la indicación explícita de pares característica-valor con puntuaciones 490 asociadas. En este caso, estos pares característica-valor también pueden ponderarse por el usuario. Por tanto, se podría pedir a un usuario que indicase cómo de importante es la característica y/o par característica-valor particular en su toma de decisiones. Las reglas resultantes pueden almacenarse en una base 315 de datos de perfiles explícitos que pueden usarse después por un recomendador 510, tal como el recomendador 60 bayesiano o cualquier otro tipo adecuado. Opcionalmente, las reglas 490 pueden aumentarse/modificarse mediante la combinación 415 con datos 425 externos usando técnicas de filtrado colaborativo. El resultado es de nuevo, como en las realizaciones anteriores, una lista de recomendaciones 515 de programa.
Los dos tipos de procesos de recomendación ilustrados en las figuras 5 y 6 pueden unirse en una etapa intermedia si sus vectores de entrada (al recomendador) son el mismo. Por ejemplo, si ambos procesos usaran filtrado bayesiano, los vectores de entrada serán pares característica-valor con puntuaciones complementarias. Éstos pueden combinarse en una suma aritmética o ponderada y aplicarse después directamente a un único recomendador. 5
En referencia ahora a la figura 8, los pares característica-valor de cada uno del perfil 325 de realimentación y el perfil 330 implícito se aplican a un proceso 370 que pondera y suma los dos conjuntos de vectores de puntuación/par característica-valor. Preferiblemente, a los datos de perfil de realimentación se les proporciona un mayor peso que a los datos de perfil implícito. Un recomendador 365 combinado puede realizar entonces recomendaciones 335. Éstas pueden usarse directamente para seleccionar programas. 10
En una realización adicional, también ilustrada en la figura 8, las recomendaciones a partir de perfiles de realimentación e implícitos combinados se combinan con recomendaciones basadas en un perfil explícito. Las recomendaciones 342 de perfil explícito se generan de la manera empleada en la realización de la figura 7 y se aplican a un proceso 375 de fusión/cancelación para producir recomendaciones 340. Las recomendaciones a partir de la combinación previamente comentada de perfiles implícitos y explícitos también se aplican al proceso 375 de 15 fusión/cancelación. El proceso 375 de fusión/cancelación combina los dos conjuntos de recomendaciones como sigue.
Cada conjunto de recomendaciones puede representarse como una lista de opciones con correspondientes niveles de confianza. Por ejemplo, un alto nivel de confianza indica que el recomendador ha generado una fuerte indicación de que la opción será la preferida por el usuario. La combinación de los dos conjuntos puede ser un promedio 20 ponderado, recibiendo las recomendaciones explícitas un mayor peso. Por tanto, un programa cuya confianza fuese del 90% en el proceso del perfil explícito y del 75% en el proceso de perfiles de realimentación e implícito combinados, puede promediarse de manera ponderada para producir un valor del 85%. Preferiblemente, el proceso 375 de fusión/cancelación cancela un promedio ponderado si los dos son muy dispares. En tal caso, puede darse preferencia al perfil explícito (es decir, se descartan las recomendaciones de perfiles de realimentación e implícito 25 combinados) o a la ponderación correspondiente a la diferencia para dar mucho más énfasis al perfil explícito a medida que aumenta la divergencia.
Todavía en referencia a la figura 8, en otra realización, la UI 300 de realimentación puede mostrar las recomendaciones de perfil explícito en su visualización. Por ejemplo, si un usuario acaba de terminar de ver un programa y se le ha pedido una valoración, la valoración del perfil explícito de ese programa puede mostrarse al lado 30 o después de que el usuario haya valorado el programa. Si hubiese una disparidad, el usuario podría pedir ver las reglas que han generado ese resultado y realizar correcciones de manera selectiva. Alternativamente, el sistema podría exponer automáticamente esas reglas que generaron el resultado cuando hubiese una disparidad umbral entre las dos valoraciones. Por tanto, puede generarse un enlace condicional a la UI 315 de perfil implícito cuando el usuario se encuentra en la UI 300 de realimentación. 35
En referencia ahora a la figura 9, en un mecanismo para combinar perfiles que es similar al de la figura 8, las entradas a los dispositivos de generación de perfiles se supone que son todas esencialmente del mismo tipo. Por ejemplo, pueden ser todas vectores de características con puntuaciones o pueden ser todas elecciones valoradas. Por ejemplo, se supone que las entradas son pares característica-valor con correspondiente valoración. Cada una puede combinarse entonces en un procesador 371 de ponderación y suma combinadas. Los datos de perfil 40 combinados pueden suministrarse entonces a un recomendador 365 combinado.
El proceso de ponderación y suma puede proporcionar diversas formas de combinar los conjuntos de vectores. Por un lado, si hay un choque frontal entre vectores de perfil explícito y vectores de perfil de realimentación o implícito, uno se impondrá sobre el otro o bien, opcionalmente, se podría pedir al usuario que intentara resolver la discrepancia. Obsérvese que la salida del proceso 371 de ponderación y suma puede realizarse periódicamente y 45 almacenarse los resultados hasta que se usen para recomendaciones.
En referencia todavía a la figura 9, es posible usar técnicas de filtrado colaborativo en diversos momentos en los procesos de las figuras 8 y 9. Datos de preferencias de usuario externos de las tres formas, explícitos, implícitos y de realimentación, pueden combinarse con datos similares sintetizados a partir de los datos de muchos usuarios usando técnicas conocidas. En el ejemplo de la figura 9 se ilustra la combinación de datos de perfil explícito con 50 datos externos, aunque esto puede hacerse con cualquier otra clase o con las tres clases de datos de preferencias de usuario.
Otra manera posible de combinar datos cuando los vectores de entrada para el recomendador explícito no tienen la misma forma que para cualquiera de los otros dos tipos es generar valoraciones de programa usando el recomendador explícito. Después las valoraciones de programa pueden alimentarse al árbol de decisión, red neural, 55 u otro predictor y combinarse en un cuerpo de vectores de entrada para un único recomendador. Alternativamente, si por ejemplo se usara un recomendador bayesiano, las recomendaciones de perfil explícito podrían reducirse apropiadamente mediante un dispositivo de generación de perfiles para dar vectores de valoración de característica-valor que pueden combinarse con los de los perfiles de realimentación e implícito. Entonces el conjunto combinado puede alimentarse a un único recomendador bayesiano. 60
En referencia a la figura 10, en otra realización, cada tipo de perfil 325, 330 y 315 se alimenta a un correspondiente recomendador 600, 610 y 620. En esta realización, se supone que los tres tipos de recomendadores tienen diferentes tipos de entradas. Tal como se comentó con respecto a la realización de la figura 8, las diferentes recomendaciones todavía pueden combinarse mediante un único proceso 630 de fusión y cancelación para realizar las recomendaciones finales. 5
A partir de la descripción anterior está claro que las técnicas idénticas de combinar datos de perfil dispares pueden aplicarse en otros contextos a parte de las EPG de televisión. Por ejemplo, podrían aplicarse las mismas técnicas para generar favoritos para navegación web o formas de medios distintos a la televisión tal como emisiones de radio. La navegación por bibliotecas es otro ejemplo. Puede concebirse una biblioteca online o una base de datos de artículos de periódico en la que pueden emplearse exactamente las mismas técnicas para limitar la amplitud de las 10 opciones. El sistema anterior puede usarse para personalizar las interfaces de usuario de sitios web que proporcionan artículos de noticias o productos de venta, por nombrar un par de ejemplos.
Resultará evidente para los expertos en la técnica que la invención no se limita a los detalles de las realizaciones ilustrativas anteriores, y que la presente invención puede materializarse en otras formas específicas. Las presentes realizaciones han de considerarse por tanto a todos los efectos como ilustrativas y no restrictivas, estando el alcance 15 de la invención indicado por las reivindicaciones adjuntas más que por la descripción anterior, y está previsto que todos los cambios que entren dentro del significado y alcance de equivalencia de las reivindicaciones queden por tanto abarcados por las mismas.

Claims (21)

  1. REIVINDICACIONES
  2. 1. Sistema de recomendación automatizado, que comprende:
    un procesador (240) conectado para recibir datos de recursos que definen recursos disponibles y al menos dos conjuntos de datos (315, 325, 330) de perfil, que definen cada uno preferencias de usuario con respecto a dichos recursos; 5
    derivándose cada uno de dichos conjuntos de datos (315, 325, 330) de perfil a partir de una clase diferente de interacción de dicho usuario con una parte de dichos datos de recursos y pudiendo usarse para predecir la deseabilidad de un recurso dado basándose en dicho cada uno de dichos conjuntos; caracterizado porque
    dicho procesador (240) está adaptado para generar una suma ponderada de correspondientes registros a partir de cada uno de dichos conjuntos para generar un único conjunto combinado de datos de perfil. 10
  3. 2. Sistema según la reivindicación 1, en el que dicho procesador (240) está adaptado además para generar predicciones a partir de dicho único conjunto combinado.
  4. 3. Sistema según la reivindicación 1 ó 2, en el que dicho procesador (240) está conectado para controlar una entrega de recursos (260, 270) correspondientes a dichos datos de recursos y en respuesta a dichas predicciones.
  5. 4. Sistema según la reivindicación 1, en el que dichos al menos dos conjuntos de datos de perfil incluyen un conjunto 15 (325) de datos de realimentación derivados a partir de valoraciones proporcionadas por dicho usuario con respecto a un recurso particular en dichos datos de recursos.
  6. 5. Sistema según la reivindicación 1, en el que dichos al menos dos conjuntos de datos de perfil incluyen un conjunto (330) de datos implícitos derivados a partir de la observación por parte de la máquina del historial de uso de recursos de un usuario, de modo que dichos datos implícitos reflejan los recursos que dicho usuario ha seleccionado 20 para usar.
  7. 6. Sistema según la reivindicación 1, en el que dichos registros incluyen, cada uno, pares (455, 480) característica-valor.
  8. 7. Sistema según la reivindicación 1, en el que dichos registros incluyen pares (455, 480) característica-valor y un valor (455, 480) de valoración. 25
  9. 8. Sistema según la reivindicación 1, en el que:
    dichos conjuntos de datos de perfil incluyen un conjunto de datos (315) de perfil explícito que indican indicaciones expresas por parte de un usuario de clases preferidas de programación más que indicaciones por parte de dicho usuario de recursos particulares preferidos;
    dichos conjuntos de datos de perfil incluyen además un conjunto (325) de datos de realimentación derivados a 30 partir de valoraciones proporcionadas por dicho usuario con respecto a un recurso particular en dichos datos de recursos; y
    dichos conjuntos de datos de perfil incluyen además un conjunto (330) de datos implícitos derivados a partir de la observación por parte de la máquina de un historial de uso de recursos de un usuario, de modo que dichos datos implícitos reflejan la selección de dicho usuario; 35
    dicho procesador está adaptado para generar al menos dos conjuntos de predicciones basándose en uno o una combinación de dichos conjuntos de datos de perfil, incluyendo cada una de dichas predicciones un nivel de confianza;
    dicho procesador está adaptado además para combinar dichas predicciones (375) mediante promediación ponderada de los conjuntos correspondientes de cada uno de dichos al menos dos conjuntos. 40
  10. 9. Un sistema según la reivindicación 8, en el que dicho procesador está adaptado además para ajustar los pesos de dicha promediación ponderada en respuesta a una diferencia entre dichos conjuntos correspondientes.
  11. 10. Sistema según la reivindicación 8, en el que dicho procesador está adaptado además para cancelar selectivamente dicha promediación ponderada en respuesta a una diferencia entre dichos conjuntos correspondientes. 45
  12. 11. Procedimiento de recomendación de recursos, que comprende las etapas de:
    generar al menos dos conjuntos de datos de perfil, derivándose cada uno de dichos conjuntos de datos (315, 325, 330) de perfil a partir de una clase diferente de interacción de dicho usuario con una parte de dichos recursos y pudiendo utilizarse para predecir la deseabilidad de un recurso dado basándose en dicho cada uno de dichos conjuntos; caracterizado por 50
    generar (370, 371) una suma ponderada de correspondientes registros a partir de cada uno de dichos conjuntos para generar un único conjunto combinado de datos de perfil.
  13. 12. Procedimiento según la reivindicación 11, que comprende además la etapa de generar (335) predicciones a partir de dicho único conjunto combinado.
  14. 13. Procedimiento según la reivindicación 11 ó 12, que comprende además la etapa de controlar una entrega de 5 recursos correspondientes a dichos datos de recursos en respuesta a dichas predicciones.
  15. 14. Procedimiento según la reivindicación 11, en el que dichos al menos dos conjuntos de datos de perfil incluyen un conjunto (325) de datos de realimentación derivados a partir de valoraciones proporcionadas por dicho usuario con respecto a un recurso particular en dichos datos de recursos.
  16. 15. Procedimiento según la reivindicación 11, en el que dichos al menos dos conjuntos de datos de perfil incluyen un 10 conjunto (330) de datos implícitos derivados a partir de la observación de la máquina del historial de uso de recursos de un usuario, de modo que dichos datos implícitos reflejan los recursos que dicho usuario ha seleccionado para usar.
  17. 16. Procedimiento según la reivindicación 11, en el que dichos registros incluyen, cada uno, pares (455, 480) característica-valor. 15
  18. 17. Procedimiento según la reivindicación 11, en el que dichos registros incluyen pares (455, 480) característica-valor y un valor (455, 480) de valoración.
  19. 18. Procedimiento según la reivindicación 11, en el que:
    dichos conjuntos de datos de perfil incluyen un conjunto de datos (315) de perfil explícito que indican indicaciones expresas por parte de un usuario de clases preferidas de programación más que indicaciones por 20 parte de dicho usuario de recursos particulares preferidos;
    dichos conjuntos de datos de perfil incluyen además un conjunto (325) de datos de realimentación derivados a partir de valoraciones proporcionadas por dicho usuario con respecto a un recurso particular en dichos datos de recursos; y
    dichos conjuntos de datos de perfil incluyen además un conjunto (330) de datos implícitos derivados a partir de 25 la observación por parte de la máquina de un historial de uso de recursos de un usuario, de modo que dichos datos implícitos reflejan la selección de dicho usuario;
    en el que dicho método comprende las etapas adicionales de generar al menos dos conjuntos de predicciones basándose en uno o una combinación de dichos conjuntos de datos de perfil, incluyendo cada una de dichas predicciones un nivel de confianza; y 30
    combinar dichas predicciones (375) mediante promediación ponderada de conjuntos correspondientes de cada uno de dichos al menos dos conjuntos.
  20. 19. Procedimiento según la reivindicación 18, que comprende la etapa adicional de ajustar los pesos de dicha promediación ponderada en respuesta a una diferencia entre dichos conjuntos correspondientes.
  21. 20. Procedimiento según la reivindicación 18, que comprende la etapa adicional de cancelar selectivamente dicha 35 promediación ponderada en respuesta a una diferencia entre dichos conjuntos correspondientes.
ES01951663T 2000-07-27 2001-07-09 Procedimiento de recomendación de medios de tres maneras y especificación de sistema. Expired - Lifetime ES2357194T3 (es)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US627139 1984-07-02
US09/627,139 US7937725B1 (en) 2000-07-27 2000-07-27 Three-way media recommendation method and system

Publications (1)

Publication Number Publication Date
ES2357194T3 true ES2357194T3 (es) 2011-04-19

Family

ID=24513345

Family Applications (1)

Application Number Title Priority Date Filing Date
ES01951663T Expired - Lifetime ES2357194T3 (es) 2000-07-27 2001-07-09 Procedimiento de recomendación de medios de tres maneras y especificación de sistema.

Country Status (8)

Country Link
US (1) US7937725B1 (es)
EP (1) EP1316214B1 (es)
JP (1) JP4991082B2 (es)
KR (1) KR100943444B1 (es)
AT (1) ATE491305T1 (es)
DE (1) DE60143612D1 (es)
ES (1) ES2357194T3 (es)
WO (1) WO2002011445A2 (es)

Families Citing this family (86)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7937725B1 (en) 2000-07-27 2011-05-03 Koninklijke Philips Electronics N.V. Three-way media recommendation method and system
US20030126606A1 (en) * 2001-12-27 2003-07-03 Koninklijke Philips Esectronics N.V. Hierarchical decision fusion of recommender scores
FR2836321B1 (fr) * 2002-02-18 2006-02-24 Cit Alcatel Recepteur selectif d'elements d'information
GB2387676A (en) * 2002-04-15 2003-10-22 Agena Ltd A method of recommending television programmes
US7640563B2 (en) 2002-04-16 2009-12-29 Microsoft Corporation Describing media content in terms of degrees
US7073193B2 (en) 2002-04-16 2006-07-04 Microsoft Corporation Media content descriptions
US7617511B2 (en) 2002-05-31 2009-11-10 Microsoft Corporation Entering programming preferences while browsing an electronic programming guide
US7836466B2 (en) 2002-06-06 2010-11-16 Microsoft Corporation Methods and systems for generating electronic program guides
US20030229896A1 (en) * 2002-06-10 2003-12-11 Koninklijke Philips Electronics N.V. Decision fusion of recommender scores through fuzzy aggregation connectives
US20030237095A1 (en) * 2002-06-25 2003-12-25 Koninklijke Philips Electronics N.V. Trend analysis of chunked view history/profiles view voting
US20040002995A1 (en) * 2002-06-28 2004-01-01 Koninklijke Philips Electronics N.V. Context and time sensitive profile builder
JP3714310B2 (ja) 2002-08-07 2005-11-09 ソニー株式会社 コンテンツの自動記録装置及び方法、記録媒体、並びにプログラム
KR101084503B1 (ko) * 2002-12-12 2011-11-18 소니 주식회사 정보 처리 장치 및 정보 처리 방법, 및 기록 매체
JP2005157535A (ja) * 2003-11-21 2005-06-16 Canon Inc コンテンツ抽出方法及びコンテンツ抽出装置並びにコンテンツ情報表示方法及び表示装置
CN1635498A (zh) * 2003-12-29 2005-07-06 皇家飞利浦电子股份有限公司 一种内容推荐方法及系统
WO2005101817A1 (ja) * 2004-04-15 2005-10-27 Mitsubishi Denki Kabushiki Kaisha 推奨番組抽出装置、推奨番組抽出方法、この方法を実行させるプログラム、及びこのプログラムを記録した記録媒体
JP5015784B2 (ja) * 2004-11-04 2012-08-29 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 Ｔｖ推奨器への主演俳優情報の組み入れ
WO2006048791A1 (en) * 2004-11-04 2006-05-11 Koninklijke Philips Electronics N.V. Method and apparatus for suggesting television programs to a user
TW200704183A (en) * 2005-01-27 2007-01-16 Matrix Tv Dynamic mosaic extended electronic programming guide for television program selection and display
JP2006339794A (ja) * 2005-05-31 2006-12-14 Sony Corp 情報処理装置、情報処理方法、およびプログラム
EP1732013A1 (en) * 2005-06-06 2006-12-13 Deutsche Thomson-Brandt Gmbh Method and device for searching a data unit in a database
US8875196B2 (en) * 2005-08-13 2014-10-28 Webtuner Corp. System for network and local content access
US8181201B2 (en) 2005-08-30 2012-05-15 Nds Limited Enhanced electronic program guides
KR100907744B1 (ko) * 2006-11-13 2009-07-14 에스케이커뮤니케이션즈 주식회사 협업 필터링 시스템 및 그 방법
US8381130B2 (en) * 2006-11-29 2013-02-19 Yahoo! Inc. Method and user interface tool for navigation through grid of scheduled items
JP2008187575A (ja) * 2007-01-31 2008-08-14 Sony Corp 情報処理装置および方法、並びにプログラム
US8099315B2 (en) * 2007-06-05 2012-01-17 At&T Intellectual Property I, L.P. Interest profiles for audio and/or video streams
DE102007056620A1 (de) * 2007-07-24 2009-01-29 Alexander Brandt Verfahren zur Situationsadaptiven Dokumentation strukturierter Daten
US8275764B2 (en) 2007-08-24 2012-09-25 Google Inc. Recommending media programs based on media program popularity
KR101157453B1 (ko) * 2007-11-06 2012-06-22 숭실대학교산학협력단 내용 기반 추천 기법을 이용한 개인화 서비스 시스템 개발 장치 및 방법
US20100057924A1 (en) * 2008-09-02 2010-03-04 Qualcomm Incorporated Access point for improved content delivery system
US9178632B2 (en) * 2008-09-02 2015-11-03 Qualcomm Incorporated Methods and apparatus for an enhanced media content rating system
US11291503B2 (en) 2008-10-21 2022-04-05 Microcube, Llc Microwave treatment devices and methods
EP2202657A1 (en) * 2008-12-23 2010-06-30 Axel Springer Digital TV Guide GmbH Adaptive implicit learning for recommender systems
EP2382780A1 (en) * 2009-01-01 2011-11-02 Orca Interactive Ltd. Adaptive blending of recommendation engines
US11076189B2 (en) * 2009-03-30 2021-07-27 Time Warner Cable Enterprises Llc Personal media channel apparatus and methods
US9215423B2 (en) * 2009-03-30 2015-12-15 Time Warner Cable Enterprises Llc Recommendation engine apparatus and methods
JP5709359B2 (ja) * 2009-04-07 2015-04-30 ソニー株式会社 通信装置、通信方法、及び通信システム
JP2011142468A (ja) * 2010-01-06 2011-07-21 Sony Corp 情報処理装置、情報処理方法およびプログラム
US20110246383A1 (en) * 2010-03-30 2011-10-06 Microsoft Corporation Summary presentation of media consumption
US20110264530A1 (en) 2010-04-23 2011-10-27 Bryan Santangelo Apparatus and methods for dynamic secondary content and data insertion and delivery
CN102279856B (zh) 2010-06-09 2013-10-02 阿里巴巴集团控股有限公司 一种网站导航实现方法及系统
CN102279851B (zh) * 2010-06-12 2017-05-03 阿里巴巴集团控股有限公司 一种智能导航方法、装置和系统
EP2397952A1 (en) * 2010-06-15 2011-12-21 Axel Springer Digital TV Guide GmbH Profile based content retrieval for recommender systems
US10210160B2 (en) 2010-09-07 2019-02-19 Opentv, Inc. Collecting data from different sources
US9699503B2 (en) * 2010-09-07 2017-07-04 Opentv, Inc. Smart playlist
JP2013540327A (ja) * 2010-10-21 2013-10-31 ホーリーブレイン ビーヴイビーエー 人間体験および購入行動の神経心理学モデリングの方法および装置
US8826313B2 (en) * 2011-03-04 2014-09-02 CSC Holdings, LLC Predictive content placement on a managed services systems
US9420320B2 (en) 2011-04-01 2016-08-16 The Nielsen Company (Us), Llc Methods, apparatus and articles of manufacture to estimate local market audiences of media content
US9141982B2 (en) 2011-04-27 2015-09-22 Right Brain Interface Nv Method and apparatus for collaborative upload of content
CA2836462A1 (en) 2011-05-17 2012-11-22 Eduard Zaslavsky System and method for scalable, high accuracy, sensor and id based audience measurement system
AU2012258732A1 (en) 2011-05-24 2013-12-12 WebTuner, Corporation System and method to increase efficiency and speed of analytics report generation in Audience Measurement Systems
KR20140043406A (ko) 2011-05-26 2014-04-09 웹튜너 코포레이션 클라이언트 이벤트 전처리가 있는 고 스케일성 청중 측정 시스템
US8433815B2 (en) 2011-09-28 2013-04-30 Right Brain Interface Nv Method and apparatus for collaborative upload of content
US8789109B2 (en) 2011-10-17 2014-07-22 Electronics And Telecommunications Research Institute System for recommending favorite channel/program based on TV watching pattern and method thereof
CN103218719B (zh) 2012-01-19 2016-12-07 阿里巴巴集团控股有限公司 一种电子商务网站导航方法及系统
US9230212B2 (en) * 2012-02-02 2016-01-05 Peel Technologies, Inc. Content based recommendation system
US9426123B2 (en) 2012-02-23 2016-08-23 Time Warner Cable Enterprises Llc Apparatus and methods for content distribution to packet-enabled devices via a network bridge
US8978079B2 (en) 2012-03-23 2015-03-10 Time Warner Cable Enterprises Llc Apparatus and methods for managing delivery of content in a network with limited bandwidth using pre-caching
CA2791935A1 (en) * 2012-03-30 2013-09-30 Disternet Technology, Inc. Transcoding system and method
US9467723B2 (en) 2012-04-04 2016-10-11 Time Warner Cable Enterprises Llc Apparatus and methods for automated highlight reel creation in a content delivery network
EP2682910A1 (en) * 2012-07-06 2014-01-08 Axel Springer Digital TV Guide GmbH Device and method for automatic filter adjustment
US20140082645A1 (en) 2012-09-14 2014-03-20 Peter Stern Apparatus and methods for providing enhanced or interactive features
US9805378B1 (en) 2012-09-28 2017-10-31 Google Inc. Use of user consumption time to rank media suggestions
US11259087B2 (en) * 2012-10-03 2022-02-22 Mimik Technology Inc. System and method for managing streaming services
US8799957B2 (en) 2012-11-08 2014-08-05 Motorola Mobility Llc Electronic program guide with display of alternative-source multimedia program options and estimated availability parameters
KR101500874B1 (ko) * 2013-11-22 2015-03-10 포항공과대학교 산학협력단 상황 인지 컨텐츠 추천 시점 결정 방법 및 장치
IN2014MU00140A (es) * 2014-01-15 2015-08-28 Whats On India Media Private Ltd
US9754306B2 (en) 2014-03-03 2017-09-05 Invent.ly LLC Recommendation engine with profile analysis
KR101507328B1 (ko) 2014-03-10 2015-03-31 단국대학교 산학협력단 협업 추천 시스템에서의 사용자 피드백 예측 장치 및 방법
KR101573601B1 (ko) 2014-03-10 2015-12-04 단국대학교 산학협력단 사용자 프로파일과 상황 정보를 이용한 선호도 기반 하이브리드 필터링 콘텐츠 추천 장치 및 방법
CA2958764C (en) * 2014-08-15 2023-08-08 Sydney Nicole EPSTEIN System and computer method for visually guiding a user to a current interest
KR102277182B1 (ko) * 2014-08-25 2021-07-14 삼성전자 주식회사 개인화 서비스 제공 방법 및 장치
US10223458B1 (en) * 2014-09-16 2019-03-05 Amazon Technologies, Inc. Automatic magazine generator for web content
US20160100221A1 (en) * 2014-10-06 2016-04-07 StreamRail Ltd. System and method for preventing abandonment of web-based video content
US10116676B2 (en) 2015-02-13 2018-10-30 Time Warner Cable Enterprises Llc Apparatus and methods for data collection, analysis and service modification based on online activity
US10178436B2 (en) * 2015-11-25 2019-01-08 International Business Machines Corporation Method to auto-select media channel programs
US10277944B2 (en) * 2016-11-30 2019-04-30 The Nielsen Company (Us), Llc Methods and apparatus to calibrate audience measurement ratings based on return path data
US20180192127A1 (en) * 2016-12-30 2018-07-05 Jamdeo Canada Ltd. System and method for digital television operation and control - conversense
US11368752B2 (en) 2017-01-03 2022-06-21 Bliss Point Media, Inc. Optimization of broadcast event effectiveness
US10257572B2 (en) * 2017-01-03 2019-04-09 Bliss Point Media, Inc. Optimization of broadcast event effectiveness
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
CN109754316B (zh) * 2018-12-29 2022-07-29 深圳Tcl新技术有限公司 产品推荐方法、产品推荐系统及存储介质
US11589094B2 (en) * 2019-07-22 2023-02-21 At&T Intellectual Property I, L.P. System and method for recommending media content based on actual viewers
KR102096419B1 (ko) 2019-09-24 2020-04-03 주식회사 옵티마이즈 위치정보와 빅데이터 분석에 기반한 여행 동행 및 상품 제공 시스템 및 방법
US11403849B2 (en) 2019-09-25 2022-08-02 Charter Communications Operating, Llc Methods and apparatus for characterization of digital content

Family Cites Families (55)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5953485A (en) 1992-02-07 1999-09-14 Abecassis; Max Method and system for maintaining audio during video control
US5446891A (en) * 1992-02-26 1995-08-29 International Business Machines Corporation System for adjusting hypertext links with weighed user goals and activities
US5223924A (en) * 1992-05-27 1993-06-29 North American Philips Corporation System and method for automatically correlating user preferences with a T.V. program information database
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
US6463585B1 (en) * 1992-12-09 2002-10-08 Discovery Communications, Inc. Targeted advertisement using television delivery systems
WO1994014284A1 (en) * 1992-12-09 1994-06-23 Discovery Communications, Inc. Reprogrammable terminal for suggesting programs offered on a television program delivery system
US5798785A (en) * 1992-12-09 1998-08-25 Discovery Communications, Inc. Terminal for suggesting programs offered on a television program delivery system
US5410344A (en) * 1993-09-22 1995-04-25 Arrowsmith Technologies, Inc. Apparatus and method of selecting video programs based on viewers' preferences
US6460036B1 (en) * 1994-11-29 2002-10-01 Pinpoint Incorporated System and method for providing customized electronic newspapers and target advertisements
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
US5617565A (en) 1994-11-29 1997-04-01 Hitachi America, Ltd. Broadcast interactive multimedia system
US5778135A (en) * 1994-12-30 1998-07-07 International Business Machines Corporation Real-time edit control for video program material
JP4001942B2 (ja) * 1995-02-06 2007-10-31 ソニー株式会社 受信装置および受信方法、並びに放送システムおよび放送方法
US6112186A (en) * 1995-06-30 2000-08-29 Microsoft Corporation Distributed system for facilitating exchange of user information and opinion using automated collaborative filtering
US5978766A (en) * 1995-12-20 1999-11-02 Starwave Corporation Machine, method and medium for assisted selection of information from a choice space
US5867799A (en) * 1996-04-04 1999-02-02 Lang; Andrew K. Information system and method for filtering a massive flow of information entities to meet user information classification needs
US5848396A (en) * 1996-04-26 1998-12-08 Freedom Of Information, Inc. Method and apparatus for determining behavioral profile of a computer user
US5790426A (en) * 1996-04-30 1998-08-04 Athenium L.L.C. Automated collaborative filtering system
WO1997048230A1 (en) 1996-06-13 1997-12-18 Starsight Telecast, Inc. Method and apparatus for searching a guide using program characteristics
DK0932398T3 (da) * 1996-06-28 2006-09-25 Ortho Mcneil Pharm Inc Anvendelse af topiramat eller derivater deraf til fremstilling af et lægemiddel til behandling af maniodepressive bipolære forstyrrelser
JPH1032797A (ja) * 1996-07-17 1998-02-03 Matsushita Electric Ind Co Ltd 放送信号伝送方法，および受信装置
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
AU6175198A (en) 1997-02-21 1998-09-09 Frederick S.M. Herz Broadcast data distribution system with asymmetric uplink/downlink bandwidths
JPH10257405A (ja) * 1997-03-11 1998-09-25 Mitsubishi Electric Corp 番組選択装置及び映像受信機
IL121230A (en) * 1997-07-03 2004-05-12 Nds Ltd Intelligent electronic program guide
US6005597A (en) * 1997-10-27 1999-12-21 Disney Enterprises, Inc. Method and apparatus for program selection
US6236978B1 (en) * 1997-11-14 2001-05-22 New York University System and method for dynamic profiling of users in one-to-one applications
JPH11261908A (ja) * 1998-03-06 1999-09-24 Toshiba Corp 番組及び又は情報の選択支援装置
US6064980A (en) * 1998-03-17 2000-05-16 Amazon.Com, Inc. System and methods for collaborative recommendations
US6530083B1 (en) * 1998-06-19 2003-03-04 Gateway, Inc System for personalized settings
US6256633B1 (en) * 1998-06-25 2001-07-03 U.S. Philips Corporation Context-based and user-profile driven information retrieval
JP2000013708A (ja) * 1998-06-26 2000-01-14 Hitachi Ltd 番組選択支援装置
US6334127B1 (en) * 1998-07-17 2001-12-25 Net Perceptions, Inc. System, method and article of manufacture for making serendipity-weighted recommendations to a user
US6317881B1 (en) 1998-11-04 2001-11-13 Intel Corporation Method and apparatus for collecting and providing viewer feedback to a broadcast
US6457010B1 (en) * 1998-12-03 2002-09-24 Expanse Networks, Inc. Client-server based subscriber characterization system
US6445306B1 (en) * 1999-03-31 2002-09-03 Koninklijke Philips Electronics N.V. Remote control program selection by genre
US6584466B1 (en) * 1999-04-07 2003-06-24 Critical Path, Inc. Internet document management system and methods
EP1200902A2 (en) * 1999-07-16 2002-05-02 Agentarts, Inc. Methods and system for generating automated alternative content recommendations
AU6310500A (en) 1999-08-20 2001-03-19 Singularis S.A. Method and apparatus for creating recommendations from users profile built interactively
WO2001047273A1 (en) 1999-12-21 2001-06-28 Tivo, Inc. Intelligent system and methods of recommending media content items based on user preferences
US6662177B1 (en) * 2000-03-29 2003-12-09 Koninklijke Philips Electronics N.V. Search user interface providing mechanism for manipulation of explicit and implicit criteria
US6425128B1 (en) * 2000-06-30 2002-07-23 Keen Personal Media, Inc. Video system with a control device for displaying a menu listing viewing preferences having a high probability of acceptance by a viewer that include weighted premium content
US7937725B1 (en) 2000-07-27 2011-05-03 Koninklijke Philips Electronics N.V. Three-way media recommendation method and system
US8843965B1 (en) 2000-09-20 2014-09-23 Kaushal Kurapati Method and apparatus for generating recommendation scores using implicit and explicit viewing preferences
FR2836321B1 (fr) 2002-02-18 2006-02-24 Cit Alcatel Recepteur selectif d'elements d'information
GB2387676A (en) 2002-04-15 2003-10-22 Agena Ltd A method of recommending television programmes
US7073193B2 (en) 2002-04-16 2006-07-04 Microsoft Corporation Media content descriptions
US20030229896A1 (en) 2002-06-10 2003-12-11 Koninklijke Philips Electronics N.V. Decision fusion of recommender scores through fuzzy aggregation connectives
US20040002995A1 (en) 2002-06-28 2004-01-01 Koninklijke Philips Electronics N.V. Context and time sensitive profile builder
JP3714310B2 (ja) 2002-08-07 2005-11-09 ソニー株式会社 コンテンツの自動記録装置及び方法、記録媒体、並びにプログラム
CN1635498A (zh) 2003-12-29 2005-07-06 皇家飞利浦电子股份有限公司 一种内容推荐方法及系统
WO2006048791A1 (en) 2004-11-04 2006-05-11 Koninklijke Philips Electronics N.V. Method and apparatus for suggesting television programs to a user
EP1732013A1 (en) 2005-06-06 2006-12-13 Deutsche Thomson-Brandt Gmbh Method and device for searching a data unit in a database

Also Published As

Publication number Publication date
EP1316214B1 (en) 2010-12-08
WO2002011445A2 (en) 2002-02-07
JP4991082B2 (ja) 2012-08-01
EP1316214A2 (en) 2003-06-04
ATE491305T1 (de) 2010-12-15
WO2002011445A3 (en) 2002-04-18
US7937725B1 (en) 2011-05-03
KR20020033202A (ko) 2002-05-04
DE60143612D1 (de) 2011-01-20
JP2004505562A (ja) 2004-02-19
KR100943444B1 (ko) 2010-02-19

Similar Documents

Publication Publication Date Title
ES2357194T3 (es) Procedimiento de recomendación de medios de tres maneras y especificación de sistema.
US11979635B2 (en) Methods and systems for recommending content restrictions
JP6694537B2 (ja) ソーシャルネットワーキングを介してメディアアセット消費活動を共有するための方法および／またはシステム
US11540015B2 (en) Systems and methods for preventing spoilers in a results display for a tournament-style competition by selectively blacking out competitor results
US7634790B2 (en) Method and apparatus for sharing viewing preferences
US7895625B1 (en) System and method for recommending programming to television viewing communities
US20030051240A1 (en) Four-way recommendation method and system including collaborative filtering
ES2682248T3 (es) Sistemas y procedimientos para recomendar perfiles compatibles en una aplicación de guía de medios interactiva
US20130275519A1 (en) Systems and methods for automatically responding to a message about unviewed content
US20130167168A1 (en) Systems and methods for providing custom movie lists
US20030131355A1 (en) Program guide system
US20030066067A1 (en) Individual recommender profile modification using profiles of others
KR20030007750A (ko) 동적 텔레비전 채널 생성
JP2014143722A (ja) ターゲット決めされたビデオ番組編成の配送のための方法および装置
JP2005505070A (ja) 他人のプロフィールを用いた、個人用推薦装置のデータベース
US10856025B2 (en) Systems and methods for managing user subscriptions to content sources
US9069764B2 (en) Systems and methods for facilitating communication between users receiving a common media asset
CN112784069B (zh) 一种iptv内容智能推荐系统以及方法
US20230164390A1 (en) Systems and methods for preventing spoilers in a results display for a tournament-style competition by selectively blacking out competitor results
US20130117786A1 (en) Social network content driven electronic program guide
US20210004395A1 (en) Methods and systems for playing back indexed conversations based on the presence of other people
US10691733B2 (en) Methods and systems for replying to queries based on indexed conversations and context