KR20050057578A - 상업 광고 추천기 - Google Patents

상업 광고 추천기 Download PDF

Info

Publication number
KR20050057578A
KR20050057578A KR1020057005164A KR20057005164A KR20050057578A KR 20050057578 A KR20050057578 A KR 20050057578A KR 1020057005164 A KR1020057005164 A KR 1020057005164A KR 20057005164 A KR20057005164 A KR 20057005164A KR 20050057578 A KR20050057578 A KR 20050057578A
Authority
KR
South Korea
Prior art keywords
commercial
advertisements
user
commercial advertisements
advertisement
Prior art date
Application number
KR1020057005164A
Other languages
English (en)
Inventor
스리니바스 굿타
라리타 아그니호트리
Original Assignee
코닌클리케 필립스 일렉트로닉스 엔.브이.
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 코닌클리케 필립스 일렉트로닉스 엔.브이. filed Critical 코닌클리케 필립스 일렉트로닉스 엔.브이.
Publication of KR20050057578A publication Critical patent/KR20050057578A/ko

Links

Classifications

    • 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
    • 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
    • H04N21/4665—Learning process for intelligent management, e.g. learning user preferences for recommending movies characterized by learning algorithms involving classification methods, e.g. Decision trees
    • 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
    • H04N21/41—Structure of client; Structure of client peripherals
    • H04N21/422—Input-only peripherals, i.e. input devices connected to specially adapted client devices, e.g. global positioning system [GPS]
    • H04N21/4223—Cameras
    • 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
    • H04N21/466—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]
    • H04N21/80—Generation or processing of content or additional data by content creator independently of the distribution process; Content per se
    • H04N21/81—Monomedia components thereof
    • H04N21/812—Monomedia components thereof involving advertisement data
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N7/00—Television systems
    • H04N7/16—Analogue secrecy systems; Analogue subscription systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Social Psychology (AREA)
  • Business, Economics & Management (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Strategic Management (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Television Systems (AREA)
  • Two-Way Televisions, Distribution Of Moving Picture Or The Like (AREA)

Abstract

상업 광고들을 추천하기 위한 시스템 및 방법이 개시된다. 상업 광고들이 비디오 신호들로부터 식별되고 추출된다. 식별된 상업 광고들에 대한 사본 정보가 학습되고 추출된다. 그 후, 각각의 상업 광고들은 그들의 사본 정보에 따라 다른 카테고리들로 분류된다. 상업 광고들에 대한 사용자 선호도가 결정된다. 그 후, 사용자에게 추천하기 위한 상업 광고들을 선택하기 위해, 사용자 선호도들을 갖는 상업 광고들은 결정 나무를 수립하거나 트레이닝하는데 사용된다. 그 후, 선택된 상업 광고들은 개인 채널을 사용하여 추천된다.

Description

상업 광고 추천기{Commercial recommender}
본 발명은 사용자들의 선호도들(preferences) 및 상업 광고 컨텐트(commercial content)에 기초하여 상업 광고들을 시청자들에게 추천하는 것에 관한 것이다.
텔레비전 상업 광고들은 텔레비전 시청자들에게 최신 제품들, 프로그램들 등을 알리기 위한 효율적인 방식을 제공한다. 이 때문에, 시청자에게 추천하기 위한 많은 다른 시스템들이 개발되어 왔다. 예를 들면, 미국 특허 번호 제 6,177,931 호는, 시청자 프로파일이 전자 프로그램 안내(Electronic Program Guide; "EPG")를 주문을 받아서 만드는데 사용될 수 있도록 시청자 프로파일을 생성하는 것을 설명한다. 시청자 프로파일은 사용자가 시스템과 상호 작용하는 방법에 관한 통계를 수집함으로써 학습된다. 그 후, 수립된 프로파일은 EPG 상의 적절한 위치에 광고들을 배치하는데 사용된다. 그러나, 이러한 특허는 프로파일을 수립하기 위해 상업 광고들의 컨텐트를 사용할 수 없다. WO 00/49801 은 가능한 관심있는 상업 광고들을 사용자에게 추천하기 위해 인구학적 및 지리학적 정보(demographic and geographic information)를 사용한다.
이러한 특허들은 상업 광고들을 추천하는 것을 개시하지만, 그것들은 사용자에 관한 정보 또는 사용자가 텔레비전과 상호 작용하는 방법을 수집함으로써 상업 광고들을 추천한다. 그렇게 하는 것의 근본적인 단점은, 그러한 시스템들이 사용자가 관심을 갖는 상업 광고들을 정확히 제안하지 못한다는 것이다. 따라서, 상업 광고의 컨텐트에 보다 정확히 기초하여 시청자들이 관심을 갖는 상업 광고들을 자동적으로 추천할 수 있는 시스템에 대한 필요성이 있다.
도 1는 본 발명의 한 특징에서 상업 광고들을 추천하기 위한 방법을 예시하는 흐름도.
도 2는 비디오 신호들에서 상업 광고들을 식별하거나 검출하기 위한 방법을 예시한 흐름도.
도 3는 식별된 비디오 컨텐트로부터 서술적 정보를 추출하기 위한 방법을 예시한 흐름도.
도 4는 상업 광고들을 추천을 위해 선택하기 위한 방법을 예시한 흐름도.
도 5는 추천된 상업 광고들을 사용자들에게 나타내기 위한 동적 채널 생성을 예시한 흐름도.
도 6는 한 특징에서 본 발명의 구성 요소들을 예시한 시스템도.
컨텐트에 기초하여 사용자에게 상업 광고들을 추천하기 위한 상업 광고 추천기가 제공된다. 하나의 특징에서, 상업 광고들을 추천하기 위한 방법은 비디오 신호들로부터 상업 광고 세그먼트들을 식별하는 단계를 포함한다. 그 후, 이들 상업 광고 세그먼트들로부터 서술적 정보(descriptive information)가 추출된다. 예를 들면, 사용자의 시청 이력(viewing history)으로부터의 서술적 정보 및 사용자의 선호도에 기초하여, 사용자에게 추천하기 위해, 관심을 갖는 상업 광고들이, 예를 들면, 결정 나무(decision tree)를 사용하여 선택된다. 그 후 추천된 상업 광고들은, 예를 들면, 동적 채널 생성을 사용하여 사용자에게 표시될 수 있다.
다른 특징에서, 상업 광고들을 추천하기 위한 시스템은 상업 광고들을 검출하기 위해 상업 광고 검출기 모듈을 제어하는 프로세서 및 검출된 상업 광고들로부터 서술적 정보를 추출하기 위한 모듈을 포함한다. 검출된 상업 광고들에서 추출된 정보는, 어떠한 상업 광고들이 사용자에게 추천되어야 할지를 결정하는 추천기 모듈로 입력된다. 그 후, 추천에 대하여 선택된 상업 광고들은 동적 채널 생성 모듈을 통해 사용자에게 표시된다.
도 1는 본 발명의 한 특징에서 상업 광고들을 추천하기 위한 방법을 예시한 흐름도이다. 단계(102)에서, 상업 광고들은 비디오 신호로부터 검출된다. 일반적으로, 방송된 비디오 신호들 내의 상업 광고들은 다른 프로그램 세그먼트들로부터 식별될 수 있으며 추출될 수 있다. 예를 들면, 1999년 10월 13일에 제출되고, 본 출원의 인스턴트 양도인에게 양도된 미국 특허 출원 번호 제 09/417,288 호, "상업 광고들 및 다른 비디오 컨텐트의 자동 서명-기본 스포팅, 학습 및 추출(Automatic signature-base spotting, learning and extracting of commercials and other video content)"(네베카 디미트로바(Nevenka Dimitrova) 및 그 외, 대리인 참조 번호 제 PHA 23-803 호), 상기 출원은 온전히 여기에 참조로써 통합되며, 비디오 신호 내의 비디오 컨텐트의 상업 광고들 또는 다른 특정 타입들의 스포팅, 학습 및 추출을 위한 개선된 기술들을 설명한다.
단계(104)에서, 검출된 상업 광고들로부터, 서술적 정보가 추출된다. 인스턴트 양도인에게 양도된 미국, 특허 출원 번호 제 09/945,871 호, "프로그램의 상업 광고 부분들을 식별하고 학습하기 위해 사본 데이터를 사용하는 방법(A method of using transcript data to identify and learn commercial portions of a program)"(2001년 9월 4일에 제출된 대리인 참조 번호 제 US010338 호, 라리타 아그니호트리(Lalitha Agnihotri) 및 그 외)은 비디오 신호들의 상업 광고 부분으로부터 서술적 정보를 추출하는 예를 개시한다. 상기 출원은 참조로써 여기에 온전히 통합된다.
상기 출원에 설명된 바와 같이, 상업 광고들은, 예를 들면, 자동차, 가사 용품 등의 다른 카테고리들로 그룹화될 수 있다. 상업 광고들의 서술적 컨텐트에 기초하여, 그 후 사용자 선호 상업 광고들은 단계(106)에서 추천될 수 있다. 예를 들면, 인스턴트 출원의 양도인에게 양도된 미국, 특허 출원 번호 제 09/466,406 호, "결정 나무들을 사용하여 텔레비전 프로그래밍을 추천하기 위한 방법 및 장치(Method and apparatus for recommending television programming using decision trees)"(1999년 12월 17일 제출된 대리인 참조 번호 제 PHA-23-902 호, 스리니바스 굿타(Srinivass Gutta))는 비디오 신호들의 상업 광고 부분으로부터 서술적 정보를 추출하는 예를 개시한다. 그에 설명된 동일한 방법은 상업 광고들을 추천하는데 적용될 수 있다. 상기 출원은 참조로써 여기에 온전히 통합된다.
추천된 상업 광고들은, 관심을 갖는 상업 광고들이 단계(108)에서 사용자에게 디스플레이될 수 있도록 개인 채널을 생성함으로써 디스플레이될 수 있다. 예를 들면, 인스턴트 출원의 양도인에게 양도된 미국, 특허 출원 번호 제 09/821,059 호, "동적 채널 생성(Dynamic television channel creation)", (2001년 3월 29일 제출된 대리인 참조 번호 제 US010074 호, 스리니바스 굿타 및 그 외)은 추천된 프로그램들을 디스플레이하기 위한 채널의 제공을 개시한다. 상기 출원은 참조로써 여기에 온전히 통합된다. 추천된 상업 광고들은 상기 출원에 설명된 유사한 방식으로 사용자에게 표시되거나 디스플레이될 수 있다.
상업 광고들은 텔레비전 수신기, VCR 또는 다른 비디오 저장 디바이스 또는 임의의 다른 타입의 비디오 소스와 같은 하나 이상의 비디오 소스들을 통해 수신된 비디오 신호들로부터 검출될 수 있다. 소스(들)는, 예를 들면, 인터넷, 광역 네트워크(wide area network), 도시권 네트워크(metropolitan area network), 근거리 네트워크(local area network), 지상 방송 시스템(terrestrial broadcast system), 케이블 네트워크, 위성 네트워크, 무선 네트워크 또는 전화 네트워크, 및 이러한 및 다른 타입의 네트워크들의 부분들 또는 조합들과 같은 전역 컴퓨터 통신 네트워크를 통해 서버 또는 서버들로부터 비디오를 수신하기 위한 하나 이상의 네트워크 접속들을 또한 포함할 수 있다. 상업 광고들은 텔레비전, 셋탑 박스, 데스크탑, 랩탑 또는 팜탑 컴퓨터, 개인 디지털 어시스턴트(Personal Digital Assistant; PDA), 비디오 카세트 기록기(VCR)와 같은 비디오 저장 디바이스, 디지털 비디오 기록기(DVR), TiVO 디바이스 등, 및 이들 및 다른 디바이스들의 부분들 또는 조합들과 같은 디바이스들을 통해 수신될 수 있다.
도 2는 본 발명에 따라 방송 비디오 신호로부터 상업 광고들을 스포팅, 학습 및 추출하기 위한 프로세스의 예를 예시한다. 이러한 예에서, 입력 비디오는 적어도 하나의 프로그램 및 다중 상업 광고들을 포함하는 방송 비디오 신호를 포함한다고 가정된다.
단계들(202 내지 210)은, 비디오 신호가 입력되는 동안 반복된다. 단계(202)에서, 방송 비디오 신호 내의 비정상적인 활동 세그먼트들이 검출된다. 이것은, 예를 들면, 방송 비디오 신호 내의 높은 차단 레이트 영역(cut rate area)을 검출하거나, 높은 텍스트 활동의 영역을 검출하는 것을 수반할 수 있다. 다른 예들은, 색 히스토그램들(color histograms)을 축적하고, 오디오 레벨의 상승을 검출하거나, 음악으로부터 연설로, 한 리듬으로부터 다른 리듬으로 등 오디오에서의 빠른 변화들을 검출함으로써 시각 분야에서의 빠른 변화를 검출하는 단계를 포함한다.
단계(204)에서, 비정상적인 활동을 포함함으로써 단계(202)에서 식별된 세그먼트들은, 그들이 상업 광고와 관련될 수 있는지를 결정하기 위해 더 처리된다. 그 후 그렇게 결정된 세그먼트들이 마킹된다. 이러한 결정을 내리는데 사용될 수 있는 특색들의 예들은,
(a) 상업 광고들과 관련된 알려진 회사명들, 제품 또는 서비스명들, 800 번 또는 다른 전화 번호들, URL(Uniform Resource Locator)들 등이 저장된 텍스트 파일 내의 엔트리들에 대응하는 디스플레이된 텍스트.
(b) 연설. 이러한 경우에서, 알려진 회사명들, 제품 또는 서비스명들, 800 번 또는 다른 전화 번호들, URL들 등을 검출하기 위해, 연설은 추출될 수 있으며, 텍스트로 변환될 수 있고, 그 결과 상기 기술된 저장된 텍스트 파일에 대하여 텍스트가 분석된다.
(c) 높은 차단 레이트로 조합된 폐쇄 캡션 정보(closed caption information)의 부재.
(d) 다중 블랭크 라인들(multiple blank lines)을 포함하는 폐쇄 캡션 정보.
(e) 영화, 쇼 또는 다른 프로그램을 위한 신용들 종료의 완료.
(f) 평균 키프레임 거리(average keyframe distance) 또는 평균 컷 프레임 거리 트렌드(average cut frame distance trend), 예를 들면, 증가 또는 감소하는 트렌드.
(g) 로고들, 예를 들면, 방송사를 식별하는 이중 인화된(superimposed) 비디오 로고들의 부재.
(h) 이중 인화된 텍스트에 대한 다른 폰트 타입들, 사이즈들 및 색들.
(i) 색 팔레트 또는 다른 색 특징에서의 빠른 변화들.
을 포함한다.
그 후 서명들(signatures)은 마킹된 세그먼트들 내의 키프레임들로부터 추출되고, 서명들의 특히 "유망한(probable)" 리스트에 배치된다. 여기에 사용된 "키프레임"이라는 용어는 일반적으로 비디오 신호의 주어진 샷(shot) 또는 다른 부분(예를 들면, 특정 샷 내의 제 1프레임)과 관련된 하나 이상의 프레임들을 언급한다. 서명들의 예상되는 리스트들의 예들은 리스트들(L1, Li, Ln 등)로서 언급된다. 먼저 단계(202)를 통과하는 동안, 예상되는 리스트들 중 주어진 하나는 일반적으로 다중 상업 광고들 뿐아니라 프로그램의 부분들에 대한 서명들을 포함할 것이다.
주어진 서명은, 예를 들면, 시각 프레임 서명 또는 오디오 서명, 또는 다른 적절한 식별 특색(identifying features)에 기초할 수 있다. 시각 프레임 서명은, 예를 들면, DC 및 AC 계수들(DC+AC)에 기초한 추출 방법, DC 및 모션 계수들(DC+M)에 기초한 추출 방법, 또는 다른 적절한 추출 방법, 예를 들면, 웨이브렛(wavelet)들 및 다른 변환들에 기초한 방법들을 사용하여 추출될 수 있다.
상기 언급된 DC+AC 방법은 당 분야에 잘 알려져 있으며, 예를 들면, DC 계수 및 다섯 개의 AC 계수들을 포함하는 시작 프레임을 생성하는데 사용될 수 있다.
다른 예로서, 상기 언급된 DC+M 방법은 (키프레임1, 서명1, 키프레임2, 서명2, 등) 형태의 서명들의 집합을 생성하는데 사용될 수 있다. 이러한 DC+M 추출 방법은, 예를 들면, 발명자 엔. 디미트로바(N. Dimitrova) 및 엠. 아브델-모타레브(M. Abdel-Mottaleb)의 1999년 2월 9일에 개시된 미국, 특허 번호 제 5,870,754 호, "DC 및 모션 서명들을 사용하여 MPEG 압축된 시퀀스들의 비디오 검색(Video retrievall of MPEG compressed sequences using DC and motion signatures)", 및 엔. 디미트로바와 엠. 아브델-모타레브의 "예 비디오 클립에 의한 컨텐트 기반 비디오 검색(Content-Based Video Retrieval By Example Video Clip)", 1997년, 캘리포니아, 샌 호세, 이미지 및 비디오 데이터베이스들에 대한 저장 및 검색의 진행 V, SPIE 3022권, 59-57 쪽에 보다 상세히 설명된다.
다른 시각 프레임 서명 추출 기술들은, 예를 들면, N. Dimitrova, J. Martino, L. Agnihotri and H. Elenbaas, "Color Super-histograms for Video Representation," IEEE International Conference on Image Processing, Kobe, Japan 1999에 설명된 바와 같이, 색 히스토그램들에 적어도 일부분 기초할 수 있다.
오디오 서명(Ai)은 피치(pitch)(예를 들면, 최대, 최소, 중간, 평균, 피크들의 수 등), 평균 진폭, 평균 에너지, 대역폭, 및 멜-주파수 셉스트럼 계수(mel-frequency cepstrum coefficient; MFCC) 피크들과 같은 정보를 포함할 수 있다.
그러한 서명은, 예를 들면, 상업 광고으로부터 처음 5초 동안 추출된 단일 오브젝트(A1)의 형태일 수 있다. 다른 예로서, 오디오 서명은, 예를 들면, 각각의 식별된 컷(cut)을 따르는 지정된 주기 동안에 추출된 오디오 서명들의 집합{A1, A2,...An}일 수 있다.
본 발명은 또한 수많은 다른 형태의 서명들을 이용할 수 있다. 예를 들면, 다른 형태의 서명은 상업 광고된 제품 또는 서비스를 설명하는 폐쇄 캡션 텍스트의 형태일 수 있다. 다른 예로서, 서명은, 800 번, 회사명, 제품 또는 서비스명, URL 등과 같은 프레임과 관련된 식별된 텍스트의 서브이미지로부터의 정보를 더한 프레임 번호의 형태일 수 있다. 또 다른 예로서, 서명은, 적절한 바운딩 박스(bounding box)에 의해 식별된 바와 같이, 프레임 번호 및 위치 및 이미지 내의 얼굴 또는 다른 오브젝트의 크기일 수 있다. 이들 및 다른 형태의 서명들의 다양한 조합들이 또한 사용될 수 있다.
단계(206)에서, 새로운 잠재적 상업 광고 세그먼트가 검출될 때마다, 상기 세그먼트의 서명은 예상되는 리스트들 상의 다른 서명들과 비교된다. 새로운 서명이 유망한 리스트들 중 하나 상의 임의의 서명과 일치하지 않는다면, 그때 새로운 서명은 유망한 리스트에 부가된다. 새로운 서명이 하나의 유망한 리스트 상의 하나 이상의 서명들과 일치한다면, 그때 하나 이상의 일치한 서명들은 서명들의 특정 "후보(candidate)" 리스트에 배치된다. 서명들의 후보 리스트들의 예들은 리스트들(C1, Cj, Cm 등)로서 지정된다.
새로운 서명이 약 30 초 이상 또는 약 10 분 미만의 시간에서 세그먼트에 대한 임의의 서명과 유사하지 않지만, 약 10-13 분 이전의 시간에서 세그먼트에 대하여 유사하다면, 새로운 서명은 상업 광고의 부분일 수 있는 가능성이 증가된다는 것을 주의해야 한다. 즉, 유사한 서명들 간의 이러한 시간적 관계는, 주어진 유망한 리스트가 지정된 대략의 시간 동안(예를 들면, 10 분) 이격된 상업 광고 세그먼트들을 포함할 수 있다는 사실을 반영한다. 다른 형태의 프로그램들, 방송 시간 슬롯들, 나라들 등에 대한 일시적 간격 관계는 실험적으로 결정될 수 있다.
다른 형태들의 일시적인 또는 문맥상의 정보는 비교 프로세스에서 고려될 수 있다. 예를 들면, 특정 서명이 전 날에 그러했던 것과 같이 대략 하루 중 동일한 시간 슬롯에 나타난다면, 특정 서명은 상업 광고와 보다 쉽게 관련될 수 있다. 또한, 리스트들은 비교 프로세스를 용이하게 하기 위해 다른 날, 시간 또는 채널 슬롯들에 대하여 다른 그룹들로 분할될 수 있다. 예를 들면, 어린이들을 위한 쇼들은 일반적으로 이른 아침 시간 슬롯들 동안에 운영되며, 월요일 밤 풋볼과 같은 저녁 프로그램보다 매우 다른 상업 광고들을 가질 것이다. 전자 프로그래밍 안내(Electronic Programming Guide; EPG)는 이러한 및 다른 정보를 제공하는데 사용될 수 있다. 예를 들면, 서명은 특정 쇼 명칭 및 등급(rating)과 관련될 수 있으며, 그 결과로 배열(쇼 명칭, 등급, 채널, 키프레임1, 서명, 키프레임5, 서명 등과 같은)을 가져온다. EPG로부터의 프로그램 카테고리 정보는 또한 리스트들에서 상업 광고들의 식별을 돕는데 사용될 수 있다.
단계(208)에서, 새로운 잠재적 상업 광고 세그먼트가 검출될 때마다, 상기 세그먼트의 서명은 또한 상기 언급된 후보 리스트들 상의 서명들과 비교된다. 새로운 서명이 후보 리스트들 중 하나 상의 서명과 일치한다면, 새로운 서명은 특정 "발견된 상업 광고(found commercial)" 리스트로 이동되고, 또한 이러한 리스트는 여기서 영구 리스트로 언급된다. 발견된 상업 광고 리스트들의 예들은 리스트들(P1 및 Pk)이다.
단계(210)에서, 주어진 발견된 상업 광고 리스트 상의 적어도 하나의 서명이 존재한다면, 임의의 새로운 잠재적 상업 광고 세그먼트의 서명은 상기 리스트 상의 서명(들)과 먼저 비교된다. 일치한다면, 대응하는 서명과 관련된 상업 광고 주파수 카운터는 하나씩 증가된다. 발견된 상업 광고 리스트 상의 서명과 일치하지 않는다면, 그때 새로운 서명은 하나 이상의 후보 리스트들 상의 서명들과 비교된다. 후보 리스트들 중 주어진 하나의 리스트 상에서 새로운 서명에 대하여 일치한다면, 새로운 서명은 단계(208)에 따라 상업 광고가 발견된 리스트 상에 배치된다. 후보 리스트 상의 임의의 서명과 일치하지 않는다면, 새로운 서명은 유망한 리스트들 중 하나의 리스트 상에 배치된다.
발견된 상업 광고 리스트 상의 서명들에 대한 상기 언급된 카운터는 얼마나 자주 증가되는지를 결정하도록 감시될 수 있으며, 그 결과들은 다른 상업 광고 식별 정보를 제공하는데 사용된다. 예를 들면, 카운터가 상대적으로 짧은 주기, 약 1-5분 정도 내에서 증가된다면, 그것은 아마도 상업 광고이 아니다. 다른 예로서, 카운터가 매우 긴 시간, 예를 들면, 한 주 이상 정도 동안 증가되지 않는다면, 그때 카운터는 감소될 수 있어서, 상업 광고들은 사실상 시스템에 의해 "잊혀진다". 이러한 타입의 일시적인 관계 방식은 또한 상기 언급된 예상되는 리스트들 상의 서명들에 대하여 구현될 수 있다. 이롭게도, 본 발명은 특정 비디오 컨텐트의 식별 및 추출을 허용한다. 이러한 방법에 따라, 컨텐트 및 상업 광고들의 타입들이 식별될 수 있다. 본 방법의 상세들은 동시계속 출원이며 위에 개시된, 미국, 특허 출원 번호 제 09/417,288호에 설명된다.
도 3는, 도 2를 참조하여 전술된 바와 같이, 식별된 비디오 컨텐트로부터 서술적 정보를 추출하기 위한 방법을 예시하는 흐름도이다. 전형적으로, 광고자들은 상대적으로 짧은 주기 내에 그들의 메시지를 전달하기를 원한다. 이것은 상업 광고 방송 동안에 자주 반복되는 제품명, 회사명 및 다른 식별 특색들로 이끈다. 따라서, 한 특징에서, 예를 들면, 도 2를 참조하여 설명된 바와 같이 식별된 방송 프로그램의 상업 광고 부분들은, 예를 들면, 각각의 상업 광고 부분과 관련된 폐쇄 캡셔닝과 같은 사본 정보(transcript information)를 분석함으로써 학습될 수 있다.
따라서, 단계(302)에서, 상업 광고 부분과 관련된 사본 정보는 특정 단어들 및 특징들에 대하여 분석된다. 예를 들면, 사본 정보는, 단계(304)에서 자주 발생하는 단어들을 검출함으로써 상업 광고들의 개개의 타입들을 식별하는데 사용될 수 있다. 실질적인 방송 상업 광고들의 분석에 기초하여, 발명자는, 비정지 단어가 미리 결정된 주기(15 초) 내에 적어도 세 번 발생한다면, 이것은 상업 광고의 발생을 나타내는 것으로 결정한다. 비정지 단어들은 "an", "the", "of" 이외의 단어들이다. 발명자들은, 비정지 단어가 프로그램의 비상업 광고 부분에 임의의 15 초 간격 동안 세 번 이상 발생하는 것은 쉽지 않다는 것을 발견하였다.
다음의 텍스트는 두 개의 상업 광고들을 포함하는 다비드 레터맨의 "Late-Night Show"로부터 추출된 폐쇄-캡셔닝 텍스트이다.
1367275 I'll tell you what, ladies and
1368707 gentlemen, when we come back
1369638 we'll be playing here.
1373975 (Cheers and applause)
1374847 (band playing) of using a dandruff shampoo
1426340 Note how isolated it makes people feel.
1430736 Note its unpleasant smell, the absence of rich lather.
1433842 Note its name. Nizoral a-d.
1437276 The world's #1 prescribed ingredient for dandruff...
1440019 In non-prescription strength.
1442523 People can stay dandruff free by doing this with nizoral a-d
1444426 only twice a week.
1447560 Only twice a week. What a pity.
1449023 Nizoral a-d;
1451597 I see skies of blue
1507456 and clouds of white
1509419 the bright, blessed day
1512724 the dogs say good night
1515728 and i think to myself...
1518432 Discover estee lauder pleasures
1520105 and lauder pleasures for men.
1521937 Pleasures to go. For her.
1524842 For him.
1526674 Each set free with a purchase
1527806 of estee lauder pleasures
1528947 of lauder pleasures for men.
1530450 ...Oh, yeah.
1532052
1534155
1566922 (Band playing)
1586770 >>dave: It's flue shot Friday.
1587572 You know, I'd like to take a
1588473 minute here to mention the...
폐쇄-캡셔닝 텍스트는 본 발명의 효과를 증명하며, 여기서 단어들 "Nizoral", "A-D", "dandruff", 및 "shampoo"은 타임 스탬프들(1374847 및 1449023) 간의 제 1상업 광고(15 초) 세그먼트 동안 적어도 세 번 나타난다. 또한, 단어들 "lauder", 및 "pleasures" 은 타임 스탬프들(1451597 및 1528947) 간의 제 2상업 광고 내에 세 번 이상 나타난다. 이것은, 광고자들이 그들의 메시지를 짧은 주기 내에 전달하기 원하므로, 짧은 주기 내에 요구된 메시지 및 정보를 전달하기 위해 제품명, 회사 및 제품의 다른 식별 특색들을 자주 반복해야 한다는 사실에 기초한다. 미리 결정된 주기 내의 사본 정보 내의 이들 비정지 단어들의 발생을 검출함으로써, 개개의 상업 광고들이 학습되고 서로서로 구별될 수 있다.
개개의 상업 광고들의 타입들, 예를 들면, 샴푸 또는 향수는, 예를 들면, 적절한 문자열 매칭 "Shift-Or-Algorithm"과 같은 적절한 매칭 기술을 사용함으로써 학습되고 카테고리들로 그룹화된다. 이러한 알고리즘은 당업자에게 잘 알려져 있다. "Shift-Or-Algorithm"은, 사본 텍스트가 획득되고 생성되는 다중 소스들로 인해 텍스트로 도입될 수 있는 위조 문자들(spurious characters)(단어들, 구문들, 문장들)을 설명한다.
개개의 상업 광고들의 타입들이 식별되면, 단계(306)에서, 상업 광고와 각각의 상업 광고에 대응하는 사본 정보는, 예를 들면, 상업 광고 타입들에 의해 인덱싱된 데이터베이스에 저장될 수 있다. 정보를 저장하는 것은 데이터베이스에서 특정 상업 광고를 탐색하기 위한 탐색 메카니즘을 제공하며, 예를 들면, 사용자의 요구들과 일치하는 상업 광고들을 제공하도록, 특정 광고들이 탐색되고 검색될 수 있다. 예를 들면, 데이터베이스는, 특정 타입의 상업 광고(자동) 또는 특정 제품에 대한 상업 광고(혼다 어코드)에 관한 상업 광고들을 검색하도록 탐색될 수 있다. 데이터베이스는 상업 광고의 타입 및 추가적 식별 특색들뿐 아니라 상업 광고 그 자체를 포함할 것이다. 또한, 이러한 방법의 상세들은 위에 개시되고 동시출원인, 미국, 특허 출원 번호 제 09/945,871 호에 완전히 설명된다.
도 4는 추천에 대한 상업 광고들을 선택하기 위한 방법을 예시한 흐름도이다. 이러한 방법은 결정 나무들을 사용하여 상업 광고 프로그래밍을 추천한다. 한 특징에 따라, 귀납적 원리(inductive principle)들이, 사용자의 과거 시청 이력에 기초하여, 특정 시청자에게 중요한 것일 수 있는 추천된 상업 광고들의 집합을 식별하는데 이용된다.
단계(402)에서, 사용자의 시청 이력이 감시되며, 사용자가 사실상 본 상업 광고들(긍정적인 예들) 및 보지 않은 상업 광고들(부정적인 예들)이 분석된다. 예를 들면, 도 1 및 도 2를 참조하여 전술된 방법들에 따라 식별되는 바와 같이, 상업 광고들이 방송될 때, 사용자가 그 채널에 머무른다면, 상업 광고들이 시청된다고 결정된다. 사용자가 채널을 바꾸거나 텔레비전의 소리를 죽인다면, 상업 광고들은 시청되지 않는다고 결정된다. 선택적으로, 상업 광고들이 시청되는지를 결정하기 위해 사용자의 응시, 방 내의 존재를 검출하는 카메라가 있을 수 있다. 개개의 사용자 선호도들이 감시될 수 있으며, 상업 광고들이 검출되고 식별되는 동일한 시간 동안에, 수립될 수 있다.
도 2 및 도 3를 참조하여 설명된 바와 같이, 예를 들면, 상업 광고들이 식별되고 타입들에 의해 저장되는 동일한 시간에, 특정 상업 광고들에 대한 사용자의 선호도들이 결정될 수 있다. 예를 들면, 상업 광고가 방송되는 한편, 식별되고 저장되는 동안에, 사용자 프로파일이 사용자의 거동(behavior)에 따라 수립될 수 있다. 선택적으로 또는 부가적으로, 기존 사용자의 이전 시청 이력, 예를 들면, 이전에 수립된 시청 이력은 사용자의 선호도들을 결정하는데 사용될 수 있다.
각각의 긍정적 및 부정적 상업 광고들 예(즉, 시청된 상업 광고 및 시청되지 않은 상업 광고)에 대하여, 단계(404)에서, 지속 기간, 광고의 타입, 주어진 상업 광고의 장르, 시간, 방송국 호 기호(station call sign)(예를 들면, CNBC, CNN 등), 및 특정 단어들(비듬, 샴푸, 니조랄-디 등)과 같은 다수의 상업 광고 속성들은 사용자의 프로파일에서 분류된다. 단계(406)에서, 그 후 다양한 속성들은 각각의 속성의 엔트로피(entropy)의 순위에 기초하여 계층적 결정 나무에 위치된다. 결정 나무 내의 각각의 노드 및 서브-노드는 사용자 프로파일로부터 주어진 속성에 대응한다. 결정 나무 내의 각 나뭇잎 노드는, 대응하는 나뭇잎 노드에 배치된 상업 광고에 대한 긍정적 또는 부정적 추천 중 어느 하나에 대응한다. 결정 나무는 부정적 예들보다는 긍정적 예들을 가능한 많이 포함하려 한다.
예를 들면, 트레이닝 데이터(training data) 내의 주어진 상업 광고가 30 초 이상의 지속 기간을 갖고 가정용 제품들을 광고한다면, 상업 광고는 긍정적 예로서의 나뭇잎 노드 아래로 분류된다. 따라서, 테스트 데이터 내의 상업 광고가 이러한 지속 기간 및 타입 속성들에 대한 기준을 만족하는 값들을 갖는다면, 상업 광고는 추천된다.
단계(406)에서, "하향식 분할 및 통치(top-down divide and conquer)" 접근법을 구현하는 결정 나무 프로세스를 사용하여, 결정 나무가 수립되거나 트레이닝된다. 본 발명의 결정 나무 기술들은, 예를 들면, 1990년 캘리포니아, 팰러앨토, 모르간 코프만이 출판한 "기계 학습을 위한 프로그램들(Programs for Machine Learning)" C4.5에서 논의된 로스 퀸란(Ross Quinlan)이 수립한 이론에 기초한다. 쉽게 계산되는 결정 나무는 실시간으로 사용될 수 있으며, 다수의 종류들로 확장될 수 있다. 다음의 단락들은 결정 나무 원리를 보다 상세히 설명한다.
결정 나무들은 1950년대 후반 헌트(Hunt) 및 그 외에 의해 개발되고 수립된 개념 학습 이론에 기초한다. 예를 들면, 뉴욕(1996), 아카데미 출판사, 헌트 및 그 외, "귀납적 실험들"을 보자. Breiman et al., Classification and Regression Trees, Belmont, CA(Wadsworth, 1984); Quinlan J. R., Learning Efficient Classification Procedures and their Application to Chess End Games, Michalski R. S., Carbonell J. G and Mitchell T. M.(Eds), in Machine Learning: An Artificial Approach, Vol. 1, Morgan Kaufmann Publisher Inc., Palo Alto, California(1983); Quinlan J. R., Probabilistic Decision Trees, Kodratoff Y. and Michalski R. S.(Eds), in Machine Learning: An Artificial Approach, Vol. 3, Morgan Kaufmann Publishers Inc., Palo Alto, California,(1990); and Quinlan J. R., C4.5: Programs for Machine Learning, Morgan Kaufmann Publishers, Sam Mateo, CA(1993)은 브레이만 및 그 외에 의해 확장되었으며 대중적으로 되었다.
결정 나무를 구축하기 위한 기본 방법은 다음과 같다. T를 시청자에 의해 선호되는 상업 광고들 및 선호되지 않는 상업 광고들과 같은 트레이닝 경우들의 집합으로 놓고, 종류들을 {C1, C2,..., CK}로 표기한다. 다음의 세 가지 가능성들이 존재한다.
1. T는 단일 종류(Cj)에 모두 속하는 하나 이상의 경우들을 포함하며,
T에 대한 결정 나무는 종류(Cj)를 식별하는 나뭇잎이다.
2. T는 어떠한 경우들도 포함하지 않으며,
결정 나무는 나뭇잎이지만, 나뭇잎에 관련된 종류는 T 이외의 정보로부터 결정되어야 한다. 예를 들면, 나뭇잎은 분야에 관한 배경 지식의 도움으로 선택될 수 있다.
3. T는 종류들이 혼합된 것에 속하는 경우들을 포함한다.
이러한 경우에서, 접근법은 T를 향하는 것으로 보이는 경우들의 부분 집합들, 경우들의 단일 종류 콜렉션으로 정련하는 것이다. 속성에 기초하여 테스트가 선택되고, 테스트는 하나 이상의 서로 배타적인 결과들{O1, O2,...,On}을 갖는다. T는 부분 집합들(T1, T2,..,Tn)로 분할되며, Ti는 선택된 결과의 결과(Oi)를 갖는 T에서 모든 경우들을 포함한다. T에 대한 결정 나무는 테스트를 식별하는 결정 노드, 및 각각의 가능한 결과에 대한 하나의 가지로 구성된다. 동일한 나무-수립 접근법은 트레이닝 경우들의 각 부분 집합에 귀납적으로 적용되어, i 번째 가지는 트레이닝 경우들의 부분 집합(Ti)으로부터 구성된 결정 나무가 된다.
결정 나무 수립 프로세스는 적절한 테스트의 선택에 달려 있다. 단일 종류 부분 집합들 모두 또는 대부분이 단일 트레이닝 경우를 포함할지라도, 비단순 방식(nontrivial way)으로 T를 분할하는 임의의 테스트는, 적어도 두 개의 부분 집합들{Ti}이 공집합이 아니도록 사실상 단일 종류 부분 집합들로 분할될 것이다. 그러나, 본 발명의 목적은 임의의 분할로부터 나무를 세우는 것이 아니며, 데이터 집합의 구조를 나타내고 보이지 않는 경우들에 대하여 예측력을 갖는 나무를 세우는 것이다. 테스트는 게인 기준(gain criterion), 정보 이론에 기초하여 정상적으로 선택되며, 이하에 설명된다.
트레이닝 경우들의 집합(T)을 부분 집합들(T1, T2,..,Tn)로 분할하는 n 개의 가능한 출력들을 갖는 가상 테스트를 고려하여, 이러한 테스트가 Ti의 후속 분할들을 검사하지 않고 평가되는 것이라면, 이용 가능한 정보만이 T 및 그의 부분 집합들 내의 종류들의 분류이다. S를 경우들의 임의의 집합으로 놓고, freq(Ci, S)를 종류(Ci)에 속하는 S 내의 경우들의 수로 표기하고, ┃S┃는 집합(S)에서 경우들의 수로 놓자. 테스트를 선택하기 위한 기준을 실증하는 정보 이론은 다음과 같다. 메시지에 의해 전달된 정보는 그의 확률에 달려 있고, 상기 확률에 밑수 2인 마이너스 로그로서 비트들로 측정될 수 있다. 예로서, 8 개의 동일하게 가능한 메시지들이 존재한다면, 메시지들 중 하나에 의해 전달된 정보는 -log2(1/8) 또는 3 비트들이다. 일부 종류(Cj)에 속하는 경우들의 집합(S)으로부터 임의대로 하나를 선택할 때, 메시지는,
의 확률을 가질 것이며, 메시지에 의해 전달된 정보는,
이다.
종류 멤버쉽에 속하는 그러한 메시지로부터 예상되는 정보를 찾기 위해, 종류들에 대한 합은 S에서 그들의 빈도들에 비례하여 취해지며, 다음과 같다.
트레이닝 경우들의 집합에 적용할 때, info(T)는 T에서 경우의 종류를 식별하는데 필요로 되는 평균 정보의 양을 측정한다. 이러한 양은 종종 집합(S)의 엔트로피로서 알려진다. T가 테스트(X)의 출력들에 따라 분할되는 경우, 그때 예측된 정보는 부분 집합들에 대한 가중된 합(weighted sum)으로서 알 수 있으며, 다음과 같이 주어진다.
다음의 양,
은 테스트(X)에 따라 T를 분할함으로써 얻은 정보를 측정하며, 종종 게인 기준으로서 불린다. 그 후, 이러한 기준은, 테스트(X)와 종류 간의 상호 정보로서 흔히 불리는 정보 게인을 최대화하도록 테스트를 선택한다.
게인 기준은 양호한 결과들을 주지만, 잠재적으로 심각한 결점, 즉, 많은 출력들을 갖는 테스트들에 의하여 강한 바이어스를 가질 수 있다. 예로서, 속성들 중 하나가 환자 식별을 포함하는 가상 의료 진단 태스크를 고려해보자. 모든 그러한 식별은 고유한 것으로 의도되기 때문에, 이러한 속성의 값들에 대하여 트레이닝 경우의 집합을 분할하는 것은 매우 다수의 부분 집합을 유도할 것이며, 각각의 부분 집합들은 단지 하나의 경우를 포함한다. 이러한 하나의 경우 부분 집합들 모두는 단일 종류의 경우를 포함하기 때문에, infoX(T)는 0 일 것이다. 따라서, 트레이닝 경우들의 집합을 분할하는데 이러한 속성을 사용하여 얻은 정보 게인은 최대이다. 그러나, 예측의 관점에서, 그러한 분할은 매우 무익하다.
게인 기준에서 고유 바이어스는 정상화에 의해 정류되며, 많은 출력들을 갖는 테스트에 기인한 명백한 게인이 조절된다. 경우가 테스트의 출력에 속하는 종류가 아니지만 테스트의 출력에 속하는 종류를 나타내는 경우에 속하는 메시지의 정보 컨텐트를 고려하면, info(S)의 정의와 유사한 테스트의 출력은 split info(X)는,
이다.
이것은 T를 n 개의 부분 집합들로 분할함으로써 생성된 잠재적 정보를 나타내며, 정보 게인은 동일한 분할로부터 기인한 분류에 관한 정보를 측정한다. 그때, 표현식은,
gain ratio(X) = gain(X)/ split info(X)
스플릿(split)에 의해 생성된 정보의 비를 표현한다. 스플릿 정보가 작을 때, 이러한 비는 안정적이지 않다. 이것을 피하기 위해, 게인 비 기준은, 정보 게인이 적어도 시험된 모든 테스트들에 대한 평균 게인만큼 커야 한다는 제약을 조건으로 하여 비를 최대화하도록 테스트를 선택한다.
결정 나무의 구조에 대하여 전술한 것은, 임의의 경우에 대한 테스트의 출력이 결정될 수 있다는 가정에 기초한다. 그러나, 실제로, 데이터는 속성 값들을 종종 분실한다. 이것은, 속성 값이 특정 경우에 관련되지 않고, 데이터가 수집될 때 기록되지 않거나, 데이터를 입력하는 것을 책임지는 서브젝트에 의해 판독될 수 없기 때문이다. 그러한 불완전성은 실세계 데이터의 전형이다. 이용 가능한 데이터의 상당한 비율이 해체되어야 하고 일부 테스트 경우들이 분류할 수 없는 것으로 선언되거나, 분실된 속성 값들을 처리하기 위해 알고리즘들이 수정되어야 하는 두 가지 선택들이 존재한다. 대부분의 상황들에서, 전자는 패턴들을 찾는 능력을 약화시키기 때문에 수용할 수 없다. 그 후, 분실된 속성 값들을 처리하기 위한 기준의 수정이 다음과 같이 실현될 수 있다.
일부 속성(A)에 기초하여 T를 트레이닝 집합 및 X 테스트로 놓고, A의 값이 T 내의 경우들의 분수(fraction)에만 알려져 있다고 가정한다. A의 값들이 알려진 경우들만이 고려되는 것을 제외하고, info(T) 및 infoX(T)는 이전과 같이 계산된다. 게인의 정의는,
gain(X)= 알려진 확률A ×(info(T) - infoX(T))
+ 알려지지 않은 확률A ×0 = F ×(info(T) - infoX(T)) 으로 수정될 수 있다.
게인의 이러한 정의는 관련 속성의 알려진 값들을 갖는 경우에서 볼 수 있는 단지 명백한 게인이며, 트레이닝 집합 내의 그러한 경우들의 분수에 의해 승산된다. 유사하게, split info(X)의 정의는 또한 알려지지 않은 값들을 갖는 경우들을 추가적인 그룹으로 간주함으로써 변경될 수 있다. 테스트가 n 개의 출력들을 갖는다면, 그의 스플릿 정보는, 테스트가 경우들을 n+1 개의 부분 집합들로 분할했던 것처럼 계산된다. 게인이 변경된 정의들과 spilt info 분할을 사용하여, 트레이닝 집합은 다음의 방식으로 획득된다. 알려진 출력(Oi)을 갖는 T로부터의 경우는 부분 집합(Ti)으로 할당될 때, 부분 집합(Ti)에 속할 경우의 확률은 1이고, 모든 다른 부부분 집합에서의 확률은 0 이다. 그러나, 출력이 알려지지 않는다면, 더욱 약한 기생 진술만이 이루어질 수 있다. 경우가 알려진 출력을 갖는다면, 이러한 가중(weight)은 1이고, 경우가 알려지지 않은 출력을 갖는다면, 가중은 이러한 점에서 출력(Oi)의 확률이다. 그 후, 각각의 부분 집합(Ti)은, ┃Ti┃가 집합 내의 경우들의 분수 가중들의 합으로서 재해석될 수 있도록 가능한 분수 경우들의 모임이다. T 내의 트레이닝 경우들이 시작하기 위해 비단위 가중(non-unit weight)들을 가질 수 있다는 것은 가능한데, T는 초기 분할된 하나의 부분 집합일 수 있기 때문이다. 일반적으로, 출력이 알려지지 않은 가중(w)을 갖는 T로부터의 경우는 가중을 갖는 각각의 부분 집합(Ti),
w ×출력(Oi)의 확률
으로 할당된다.
후자의 확률은 출력(Oi)을 갖기 위해 알려진 T 내의 경우들의 가중들의 합으로서 추정되며, 이러한 테스트에서 알려진 출력들을 갖는 T 내의 경우들의 가중들의 합으로 나누어진다.
종류들이 '시청된 상업 광고들' 및 '시청되지 않은 상업 광고들'로 고려된다면, 그때 결정 나무의 포맷은 노드들 및 나뭇잎들을 갖는 것이며, 전술된 바와 같이, 노드들은 수행될 테스트에 대응하고, 나뭇잎들은 두 개의 종류들에 대응한다. 알려지지 않은 경우(쇼)를 테스트하는 것은, 알려지지 않은 경우가 어느 종류에 속하는지를 결정하기 위해 결정 나무를 분석하는데 참여한다. 그러나, 특정 결정 노드에서, 관련 속성 값이 알려지지 않은 상황이 닥친다면, 그때 시스템은 모든 가능한 출력들을 조사하고 결과적인 분류들을 조합한다. 나무의 뿌리 또는 하위 나무로부터 나뭇잎들로 다중 경로들이 존재하기 때문에, 그때 분류는 단일 종류라기 보다는 종류 분배이다. 시청되지 않은 경우에 대한 종류 분배가 획득될 때, 최고 확률을 갖는 종류는 예측된 종류로서 할당된다.
데이터 베이스 내의 각각의 상업 광고 및 사용자의 선호도들을 적용하는 것에서, 결정 나무는 상업 광고를 나뭇잎 노드들 중 하나로 분류하도록 고찰된다. 할당된 나뭇잎 노드에 기초하여, 주어진 프로그램은 긍정적 또는 부정적 추천 중 어느 하나이다. 그 후, 예를 들면, 방송으로부터 식별된 상업 광고들의 임의의 집합은 단계(408)에서 추천하기 위해 결정 나무에 적용될 수 있다. 예를 들면, 시청자가 다음의 속성들,
시간: 9:00 PM;
방송국: CNBC;
지속 기간: 30 초;
타입: 빠른 이동;
장르: 가정용 제품들;
특정 단어들: 비듬, 샴푸,
을 갖는 상업 광고를 선호한다고 결정되면, 결정 나무에서 상기 속성 노드들을 따르는 나뭇잎 노드는 긍정적 속성을 가질 것이며, 또한, 예를 들면, 89%의 랭킹을 포함할 수 있다. 상업 광고를 시청자에게 추천할지를 결정하기 위해 상업 광고를 적용할 때, 결정 나무는 다음과 같이 사용될 수 있거나, 다음과 같은 규칙들의 집합으로 분석될 수 있다.
IF(time>= 8:30 PM) AND(duration>15seconds) AND(genre=household)
THEN
POS[89%].
이러한 규칙에 따라, 서술적 정보를 갖는 모든 상업 광고들 및 상기 기준과 일치하는 사용자 선호도 정보는 89% 의 확률로 긍정적인 예로서 분류될 수 있다. 그것들은 긍정적인 것으로 분류되기 때문에, 추천된다. 따라서, 상업 광고인 테스트 데이터가 다음과 같은 속성들,
시간: 11:00 PM;
방송국: ABC;
지속 기간: 60 초;
타입: 느린 이동;
장르: 가정용 제품;
특정 단어들: 전자 제품, TV,
을 갖는다면, 이러한 상업 광고는 추천될 것인데, 속성 값들이 상기 규칙을 만족시키기 때문이다.
이러한 방법의 다른 상세들은 상기 개시된 동시출원 및 동시소유된 미국, 특허 출원 번호 제 09/466,406 호에 설명된다.
그 후, 특정 사용자를 위한 추천을 위해 결정된 상업 광고들은 사용자에게 제공될 수 있다. 도 5는 추천된 상업 광고들을 사용자들에게 제공하기 위한 동적 채널 생성을 예시한 흐름도이다. 단계(502)에서, 사용자는 상업 광고들을 시청하기 위한 개인 채널을 선택하는 것이 가능하다. 예를 들면, 원격 제어기 상의 스타(*) 버튼은 스크린 상에서 개인 채널 모드를 불러내는데 사용될 수 있다. 예를 들면, 결정 나무가 사용자에 대하여 생성되고 저장된다면, 스타(*) 버튼을 누르는 것은 상업 광고 서비스로부터 상업 광고들의 전송을 개시할 수 있다. 그것들은 결정 나무에 적용되고 추천을 위해 결정된 상업 광고들은 재생을 위해 저장될 수 있다.
단계(504)에서, 사용자에게 추천하기 위해 선택된 상업 광고들의 리스트는 디스플레이, 예를 들면, 텔레비전 스크린 상에 디스플레이된다. 그 후, 시청자는 시청을 위해 의도된 특정 상업 광고를 선택한다. 단계(506)에서 VCR 상의 기록기는 스크린 상으로 시청하기 위해 상업 광고를 가져오도록 자동적으로 프로그래밍될 것이다. 이러한 방법의 다른 상세들은 상기 개시된 동시출원 및 동시소유된 미국, 특허 출원 번호 제 09/821,059 호에 설명된다.
도 6는 한 특징에서 본 발명의 구성 요소들을 예시한 시스템 도면이다. 상업 광고들을 추천하기 위한 시스템은, 상업 광고들을 검출하기 위한 검출기 모듈(604)을 제어하는 프로세서(602) ,및 도 2 및 도 3에 설명된 바와 같이, 검출된 상업 광고들로부터 서술적 정보를 추출하는 모듈(606)을 포함한다. 검출된 상업 광고들 내에서 추출된 정보는, 전술된 바와 같이 수립된 결정 나무에 기초하여 도 4를 참조하여 설명된 바와 같이, 어느 상업 광고들이 사용자에게 추천되어야 하는지를 결정하는 추천기 모듈(608)로의 입력이다. 그 후, 추천을 위해 선택된 상업 광고들은 도 5에 설명된 바와 같이 동적 채널 생성 모듈(610)을 통해 사용자에게 제공된다.
여기에 설명된 방법에 따라, 상업 광고들 및 그들의 타입들 및 속성들이 식별되고 시청자들의 선호도들이 결정된다. 식별된 상업 광고들 및 사용자의 선호도들을 사용하여, 결정 나무가 수립되거나 트레이닝된다. 그 후, 결정 나무는, 이러한 상업 광고들 중 어느 것이 시청자에게 추천되어야 하는지를 결정하도록 하나 이상의 상업 광고들로 적용된다. 그 후, 추천을 위해 선택된 상업 광고들은 동적 개인 채널을 사용하여 시청자에게 제공된다. 추천을 위해 결정 나무에 적용된 상업 광고들은 실시간으로 방송될 수 있으며, 즉 상업 광고들이 방송된다. 또한 추천을 위해 결정 나무에 적용된 상업 광고들은 이미 저장되거나 테이프에 녹화될 수 있으며, 그 후, 상업 광고들은 시청자에게 다시 재생된다. 유사하게도, 결정 나무를 수립하는데 사용되는 상업 광고들은 이미 식별되거나 녹화될 수 있거나, 또한, 이러한 상업 광고들은, 그들이 방송으로부터 식별됨에 따라 결정 나무를 수립하는데 사용될 수 있다. 선택적으로, 결정 나무를 수립하는 것은, 사용자들의 선호도가 계속해서 감시되고 업데이트됨에 따라, 사용자의 선호도가 수정될 수 있는 진행 프로세스일 수 있다.
본 발명은 몇몇 실시예들을 참조하여 설명되지만, 본 발명이 도시되고 설명된 특정 형태들로 제한되지 않는다는 것을 당업자들은 이해할 것이다. 예를 들면, 알려진 다른 방법들이 상업 광고들을 추출하고 식별하는데 사용될 수 있다. 또한, 알려진 다른 방법들이 그렇게 식별된 상업 광고들을 추천하는데 사용될 수 있다. 따라서, 첨부된 청구 범위에 의해 정의된 바와 같이, 본 발명의 정신 및 범위를 벗어나지 않고, 형태 상의 다양한 변경들 및 세부 사항들의 변경들이 이루어질 수 있다.

Claims (13)

  1. 상업 광고들을 시청자들에게 추천하기 위한 방법으로서,
    하나 이상의 상업 광고 세그먼트들을 비디오 신호들로부터 검출하는 단계(102),
    서술적 정보(descriptive information)를 상기 하나 이상의 상업 광고 세그먼트들로부터 추출하는 단계(104), 및
    상기 서술적 정보에 기초하여 하나 이상의 상업 광고들을 추천을 위해 선택하는 단계(106)를 포함하는, 상업 광고 추천 방법.
  2. 제 1항에 있어서,
    상기 선택된 상업 광고들을 디스플레이하기 위한 개인 채널을 제공하는 단계(108)를 더 포함하는, 상업 광고 추천 방법.
  3. 제 1항에 있어서, 상기 검출 단계는,
    비디오 신호들을 수신하는 단계,
    상기 비디오 신호들에서 하나 이상의 식별 특색들(identifying features)을 추출하는 단계, 및
    상기 추출된 특색들에 기초하여 비디오 컨텐트를 식별하는 단계를 포함하는, 상업 광고 추천 방법.
  4. 제 1항에 있어서, 상기 추출 단계는,
    상기 상업 광고 세그먼트와 관련된 사본 정보(transcript information)를 분석하는 단계, 및
    상기 상업 광고 세그먼트의 타입을 식별하는 단계를 포함하는, 상업 광고 추천 방법.
  5. 제 4항에 있어서, 상기 추출 단계는,
    상기 식별된 타입 및 상기 상업 광고 세그먼트를 저장하는 단계를 더 포함하는, 상업 광고 추천 방법.
  6. 제 1항에 있어서,
    상기 하나 이상의 상업 광고들에 대한 사용자의 선호도를 감시하는 단계를 더 포함하는, 상업 광고 추천 방법.
  7. 제 1항에 있어서, 상기 선택 단계는,
    사용자의 시청 선호도를 감시하는 단계,
    하나 이상의 상업 광고 속성들을 분류하는 단계,
    상기 사용자의 시청 선호도들에 따라 상기 상업 광고 속성들을 갖는 결정 나무(decision tree)를 수립하는 단계, 및
    상기 결정 나무를 하나 이상의 상업 광고들에 적용하는 단계를 포함하는, 상업 광고 추천 방법.
  8. 제 7항에 있어서, 상기 적용 단계는,
    방송되는 하나 이상의 상업 광고들에 상기 결정 나무를 적용하는 단계를 포함하는, 상업 광고 추천 방법.
  9. 제 7항에 있어서, 저장된 하나 이상의 상업 광고들에 상기 결정 나무를 적용하는 단계를 포함하는, 상업 광고 추천 방법.
  10. 제 2항에 있어서, 상기 제공 단계는,
    사용자가 개인 채널을 선택하도록 허용하는 단계,
    추천된 상업 광고들의 리스트를 상기 개인 채널 상에 디스플레이하는 단계,
    상기 사용자가 상기 리스트로부터 상업 광고를 선택하도록 허용하는 단계,
    상기 사용자가 상기 선택된 상업 광고를 시청하도록 허용하는 단계를 포함하는, 상업 광고 추천 방법.
  11. 상업 광고들을 추천하기 위한 시스템으로서,
    하나 이상의 상업 광고들을 검출하기 위한 상업 광고 검출기 모듈을 제어하기 위한 프로세서(602),
    하나 이상의 상업 광고들을 비디오 신호들로부터 검출하기 위한 모듈(604),
    서술적 정보를 상기 검출된 상업 광고들로부터 추출하기 위한 모듈(606),
    상기 서술적 정보에 기초하여 사용자에게 추천하기 위한 상업 광고들을 선택하기 위한 추천기 모듈(608), 및
    선택된 상업 광고들을 나타내기 위한 동적 채널을 생성하기 위한 동적 개인 채널 모듈(610)을 포함하는, 상업 광고 추천 시스템.
  12. 기계에 의해 판독 가능한 프로그램 저장 디바이스로서,
    하나 이상의 상업 광고 세그먼트들을 비디오 신호들로부터 검출하는 단계,
    서술적 정보를 상기 상업 광고 세그먼트들로부터 추출하는 단계, 및
    추천을 위해 상기 서술적 정보에 기초하여 하나 이상의 상업 광고들을 선택하는 단계를 포함하는 상업 광고 추천 방법 단계를 수행하기 위해 상기 기계에 의해 실행 가능한 명령들의 프로그램을 유형적으로 실현하는, 프로그램 저장 디바이스.
  13. 제 12항에 있어서,
    상기 선택된 상업 광고들을 디스플레이하기 위해 개인 채널을 제공하는 단계를 더 포함하는, 프로그램 저장 디바이스.
KR1020057005164A 2002-09-26 2003-09-18 상업 광고 추천기 KR20050057578A (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US10/255,842 2002-09-26
US10/255,842 US20040073919A1 (en) 2002-09-26 2002-09-26 Commercial recommender

Publications (1)

Publication Number Publication Date
KR20050057578A true KR20050057578A (ko) 2005-06-16

Family

ID=32041755

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020057005164A KR20050057578A (ko) 2002-09-26 2003-09-18 상업 광고 추천기

Country Status (7)

Country Link
US (1) US20040073919A1 (ko)
EP (1) EP1547384A1 (ko)
JP (1) JP2006500859A (ko)
KR (1) KR20050057578A (ko)
CN (1) CN1685726A (ko)
AU (1) AU2003263474A1 (ko)
WO (1) WO2004030360A1 (ko)

Families Citing this family (77)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB0225339D0 (en) * 2002-10-31 2002-12-11 Trevor Burke Technology Ltd Method and apparatus for programme generation and classification
US20050039177A1 (en) * 1997-07-12 2005-02-17 Trevor Burke Technology Limited Method and apparatus for programme generation and presentation
JP2006524473A (ja) * 2003-04-03 2006-10-26 セドナ・パテント・サービシズ・エルエルシー コンテンツ通知および配信
US8103540B2 (en) * 2003-06-05 2012-01-24 Hayley Logistics Llc System and method for influencing recommender system
US7890363B2 (en) * 2003-06-05 2011-02-15 Hayley Logistics Llc System and method of identifying trendsetters
US7685117B2 (en) * 2003-06-05 2010-03-23 Hayley Logistics Llc Method for implementing search engine
US7885849B2 (en) 2003-06-05 2011-02-08 Hayley Logistics Llc System and method for predicting demand for items
US8140388B2 (en) * 2003-06-05 2012-03-20 Hayley Logistics Llc Method for implementing online advertising
US7689432B2 (en) * 2003-06-06 2010-03-30 Hayley Logistics Llc System and method for influencing recommender system & advertising based on programmed policies
US8595071B2 (en) * 2003-06-30 2013-11-26 Google Inc. Using enhanced ad features to increase competition in online advertising
US20050038699A1 (en) * 2003-08-12 2005-02-17 Lillibridge Mark David System and method for targeted advertising via commitment
KR20060118473A (ko) * 2003-11-10 2006-11-23 코닌클리케 필립스 일렉트로닉스 엔.브이. 추가적 정보 제공 방법
US7882436B2 (en) * 2004-03-10 2011-02-01 Trevor Burke Technology Limited Distribution of video data
WO2005114983A2 (en) * 2004-04-17 2005-12-01 Trevor Burke Technology Limited Method and apparatus for programme generation and presentation
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
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
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
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
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
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
EP1842372B1 (en) 2005-01-14 2019-03-06 S.I.Sv.El. Societa' Italiana Per Lo Sviluppo Dell'elettronica S.P.A. A method and a system for constructing virtual video channel
US8359611B2 (en) 2005-03-08 2013-01-22 International Business Machines Corporation Searchable television commercials
JP5076892B2 (ja) * 2005-06-27 2012-11-21 パナソニック株式会社 同一シーン検出装置およびプログラムを格納した記憶媒体
US20090150199A1 (en) * 2005-07-01 2009-06-11 Searete Llc, A Limited Liability Corporation Of The State Of Delaware Visual substitution options in media works
JP4846346B2 (ja) * 2005-11-10 2011-12-28 日本放送協会 コンテンツ・広告管理サーバ、広告主端末、クライアント端末、コンテンツ・広告管理プログラム、広告登録プログラム、及びコンテンツ取得プログラム
JP5543107B2 (ja) * 2005-11-30 2014-07-09 コーニンクレッカ フィリップス エヌ ヴェ 少なくとも１つのコンテンツ項目の推奨を生成する方法及び装置
US8868465B2 (en) * 2006-01-13 2014-10-21 Yahoo! Inc. Method and system for publishing media content
US20070239672A1 (en) * 2006-03-29 2007-10-11 Microsoft Corporation Client Category Configuration
WO2007114796A1 (en) * 2006-04-05 2007-10-11 Agency For Science, Technology And Research Apparatus and method for analysing a video broadcast
US8903843B2 (en) 2006-06-21 2014-12-02 Napo Enterprises, Llc Historical media recommendation service
US9003056B2 (en) 2006-07-11 2015-04-07 Napo Enterprises, Llc Maintaining a minimum level of real time media recommendations in the absence of online friends
US8059646B2 (en) 2006-07-11 2011-11-15 Napo Enterprises, Llc System and method for identifying music content in a P2P real time recommendation network
US8327266B2 (en) 2006-07-11 2012-12-04 Napo Enterprises, Llc Graphical user interface system for allowing management of a media item playlist based on a preference scoring system
US7970922B2 (en) 2006-07-11 2011-06-28 Napo Enterprises, Llc P2P real time media recommendations
US8090606B2 (en) 2006-08-08 2012-01-03 Napo Enterprises, Llc Embedded media recommendations
US8620699B2 (en) 2006-08-08 2013-12-31 Napo Enterprises, Llc Heavy influencer media recommendations
US20080059999A1 (en) * 2006-08-29 2008-03-06 John Winans Multi-function display controller
US20080055467A1 (en) * 2006-09-03 2008-03-06 Wei-Hung Huang Method for detecting a program deviation period during a television broadcast
US9053492B1 (en) 2006-10-19 2015-06-09 Google Inc. Calculating flight plans for reservation-based ad serving
US20080120646A1 (en) * 2006-11-20 2008-05-22 Stern Benjamin J Automatically associating relevant advertising with video content
US9224427B2 (en) * 2007-04-02 2015-12-29 Napo Enterprises LLC Rating media item recommendations using recommendation paths and/or media item usage
US8112720B2 (en) 2007-04-05 2012-02-07 Napo Enterprises, Llc System and method for automatically and graphically associating programmatically-generated media item recommendations related to a user's socially recommended media items
US8285776B2 (en) * 2007-06-01 2012-10-09 Napo Enterprises, Llc System and method for processing a received media item recommendation message comprising recommender presence information
US9037632B2 (en) * 2007-06-01 2015-05-19 Napo Enterprises, Llc System and method of generating a media item recommendation message with recommender presence information
US9164993B2 (en) * 2007-06-01 2015-10-20 Napo Enterprises, Llc System and method for propagating a media item recommendation message comprising recommender presence information
US20090049045A1 (en) * 2007-06-01 2009-02-19 Concert Technology Corporation Method and system for sorting media items in a playlist on a media device
US8839141B2 (en) * 2007-06-01 2014-09-16 Napo Enterprises, Llc Method and system for visually indicating a replay status of media items on a media device
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
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
US20090006368A1 (en) * 2007-06-29 2009-01-01 Microsoft Corporation Automatic Video Recommendation
US20090019471A1 (en) * 2007-07-13 2009-01-15 Alcatel Lucent Personalized commercial cache
US20090048992A1 (en) * 2007-08-13 2009-02-19 Concert Technology Corporation System and method for reducing the repetitive reception of a media item recommendation
US7865522B2 (en) * 2007-11-07 2011-01-04 Napo Enterprises, Llc System and method for hyping media recommendations in a media recommendation system
US9060034B2 (en) 2007-11-09 2015-06-16 Napo Enterprises, Llc System and method of filtering recommenders in a media item recommendation system
US20090125948A1 (en) * 2007-11-12 2009-05-14 Cisco Technology, Inc. Communication Processing Based on Television Use
WO2009073634A1 (en) * 2007-11-30 2009-06-11 Emsense Corporation Correlating media instance information with physiological responses from participating subjects
US9224150B2 (en) * 2007-12-18 2015-12-29 Napo Enterprises, Llc Identifying highly valued recommendations of users in a media recommendation network
US8396951B2 (en) * 2007-12-20 2013-03-12 Napo Enterprises, Llc Method and system for populating a content repository for an internet radio service based on a recommendation network
US9734507B2 (en) * 2007-12-20 2017-08-15 Napo Enterprise, Llc Method and system for simulating recommendations in a social network for an offline user
US8316015B2 (en) 2007-12-21 2012-11-20 Lemi Technology, Llc Tunersphere
US8060525B2 (en) * 2007-12-21 2011-11-15 Napo Enterprises, Llc Method and system for generating media recommendations in a distributed environment based on tagging play history information with location information
US8117193B2 (en) 2007-12-21 2012-02-14 Lemi Technology, Llc Tunersphere
US20090171749A1 (en) * 2007-12-27 2009-07-02 Frederic Laruelle Method for Dynamic Advertisement Placement Based on Consumer and Response Capability Statistics
US8725740B2 (en) * 2008-03-24 2014-05-13 Napo Enterprises, Llc Active playlist having dynamic media item groups
US20090259621A1 (en) * 2008-04-11 2009-10-15 Concert Technology Corporation Providing expected desirability information prior to sending a recommendation
US8484311B2 (en) 2008-04-17 2013-07-09 Eloy Technology, Llc Pruning an aggregate media collection
US20100070537A1 (en) * 2008-09-17 2010-03-18 Eloy Technology, Llc System and method for managing a personalized universal catalog of media items
US8484227B2 (en) 2008-10-15 2013-07-09 Eloy Technology, Llc Caching and synching process for a media sharing system
US8880599B2 (en) * 2008-10-15 2014-11-04 Eloy Technology, Llc Collection digest for a media sharing system
US8200602B2 (en) 2009-02-02 2012-06-12 Napo Enterprises, Llc System and method for creating thematic listening experiences in a networked peer media recommendation environment
CN101901610B (zh) * 2009-05-25 2012-08-29 鸿富锦精密工业（深圳）有限公司 互动式影像调整系统及方法
WO2013191931A1 (en) * 2012-06-21 2013-12-27 Thomson Licensing Method and apparatus for inferring user demographics
CN103714474A (zh) * 2012-10-08 2014-04-09 阿里巴巴集团控股有限公司 推广信息投放方法及信息服务器
CN104317835B (zh) * 2014-10-10 2018-01-16 中国科学院深圳先进技术研究院 视频终端的新用户推荐方法
US20170188103A1 (en) * 2015-12-29 2017-06-29 Le Holdings (Beijing) Co., Ltd. Method and device for video recommendation based on face recognition
US10015548B1 (en) 2016-12-29 2018-07-03 Arris Enterprises Llc Recommendation of segmented content
US11477520B2 (en) * 2021-02-11 2022-10-18 Roku, Inc. Content-modification system with volume-level detection feature

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5155591A (en) * 1989-10-23 1992-10-13 General Instrument Corporation Method and apparatus for providing demographically targeted television commercials
US5600364A (en) * 1992-12-09 1997-02-04 Discovery Communications, Inc. Network controller for cable television delivery systems
US5410344A (en) * 1993-09-22 1995-04-25 Arrowsmith Technologies, Inc. Apparatus and method of selecting video programs based on viewers' preferences
US5515098A (en) * 1994-09-08 1996-05-07 Carles; John B. System and method for selectively distributing commercial messages over a communications network
US5534911A (en) * 1994-11-02 1996-07-09 Levitan; Gutman Virtual personal channel in a television system
US6002443A (en) * 1996-11-01 1999-12-14 Iggulden; Jerry Method and apparatus for automatically identifying and selectively altering segments of a television broadcast signal in real-time
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
US6100941A (en) * 1998-07-28 2000-08-08 U.S. Philips Corporation Apparatus and method for locating a commercial disposed within a video data stream
US20020083445A1 (en) * 2000-08-31 2002-06-27 Flickinger Gregory C. Delivering targeted advertisements to the set-top-box
CN1240218C (zh) * 1999-11-01 2006-02-01 皇家菲利浦电子有限公司 用于替换不希望的广告中断或其它视频序列的视频内容的方法和装置
US6727914B1 (en) * 1999-12-17 2004-04-27 Koninklijke Philips Electronics N.V. Method and apparatus for recommending television programming using decision trees
US20020078444A1 (en) * 2000-12-15 2002-06-20 William Krewin System and method for the scaleable delivery of targeted commercials
US6959143B2 (en) * 2000-12-26 2005-10-25 Eloda Inc. Advertising extracting system

Also Published As

Publication number Publication date
JP2006500859A (ja) 2006-01-05
WO2004030360A1 (en) 2004-04-08
CN1685726A (zh) 2005-10-19
US20040073919A1 (en) 2004-04-15
AU2003263474A1 (en) 2004-04-19
EP1547384A1 (en) 2005-06-29

Similar Documents

Publication Publication Date Title
KR20050057578A (ko) 상업 광고 추천기
US7089575B2 (en) Method of using transcript information to identify and learn commercial portions of a program
EP2417767B1 (en) Apparatus and method for providing information related to broadcasting programs
CA2924065C (en) Content based video content segmentation
KR100965457B1 (ko) 퍼스널 프로파일에 기초한 콘텐츠의 증가
EP2541963B1 (en) Method for identifying video segments and displaying contextually targeted content on a connected television
US8086491B1 (en) Method and system for targeted content distribution using tagged data streams
US6651253B2 (en) Interactive system and method for generating metadata for programming events
US7818764B2 (en) System and method for monitoring blocked content
US7444660B2 (en) System and method for generating metadata for video programming events
US20020083468A1 (en) System and method for generating metadata for segments of a video program
US20040168121A1 (en) System and method for providing substitute content in place of blocked content
US20050033849A1 (en) Content blocking
US20020100046A1 (en) System and method for determining the desirability of video programming events
JP2003511934A (ja) コマーシャル及び他のビデオコンテンツの標識に基づく自動的突き止め、習得及び抽出
KR20100116412A (ko) 동영상 장면 기반 광고정보 제공장치 및 방법
Hyder et al. TV Ad Detection Using the Base64 Encoding Technique
Siddiqui et al. TV Ad Detection Using the Base64 Encoding Technique.
EP3044728A1 (en) Content based video content segmentation

Legal Events

Date Code Title Description
WITN Application deemed withdrawn, e.g. because no request for examination was filed or no examination fee was paid