TW202335511A - 用於推薦串流資料的系統、方法及電腦可讀取媒體 - Google Patents

用於推薦串流資料的系統、方法及電腦可讀取媒體 Download PDF

Info

Publication number
TW202335511A
TW202335511A TW111143278A TW111143278A TW202335511A TW 202335511 A TW202335511 A TW 202335511A TW 111143278 A TW111143278 A TW 111143278A TW 111143278 A TW111143278 A TW 111143278A TW 202335511 A TW202335511 A TW 202335511A
Authority
TW
Taiwan
Prior art keywords
live streaming
streaming program
user
program
subset
Prior art date
Application number
TW111143278A
Other languages
English (en)
Inventor
穆罕默德 阿米爾
烏代 庫馬爾 埃杜杜拉
安莫爾 莫漢
傑尼爾 帕瓦爾
高拉夫 泰亞吉
Original Assignee
日商１７Ｌｉｖｅ股份有限公司
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 日商１７Ｌｉｖｅ股份有限公司 filed Critical 日商１７Ｌｉｖｅ股份有限公司
Publication of TW202335511A publication Critical patent/TW202335511A/zh

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/45—Management operations performed by the client for facilitating the reception of or the interaction with the content or administrating data related to the end-user or to the client device itself, e.g. learning user preferences for recommending movies, resolving scheduling conflicts
    • H04N21/466—Learning process for intelligent management, e.g. learning user preferences for recommending movies
    • H04N21/4668—Learning process for intelligent management, e.g. learning user preferences for recommending movies for recommending content, e.g. movies
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
    • H04N21/21—Server components or server architectures
    • H04N21/218—Source of audio or video content, e.g. local disk arrays
    • H04N21/2187—Live feed
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
    • H04N21/25—Management operations performed by the server for facilitating the content distribution or administrating data related to end-users or client devices, e.g. end-user or client device authentication, learning user preferences for recommending movies
    • H04N21/251—Learning process for intelligent management, e.g. learning user preferences for recommending movies
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
    • H04N21/25—Management operations performed by the server for facilitating the content distribution or administrating data related to end-users or client devices, e.g. end-user or client device authentication, learning user preferences for recommending movies
    • H04N21/258—Client or end-user data management, e.g. managing client capabilities, user preferences or demographics, processing of multiple end-users preferences to derive collaborative data
    • H04N21/25866—Management of end-user data
    • H04N21/25891—Management of end-user data being end-user 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]
    • H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
    • H04N21/25—Management operations performed by the server for facilitating the content distribution or administrating data related to end-users or client devices, e.g. end-user or client device authentication, learning user preferences for recommending movies
    • H04N21/266—Channel or content management, e.g. generation and management of keys and entitlement messages in a conditional access system, merging a VOD unicast channel into a multicast channel
    • 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
    • H04N21/43—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
    • H04N21/44226—Monitoring of user activity on external systems, e.g. Internet browsing on social networks
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/47—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
    • 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
    • H04N21/83—Generation or processing of protective or descriptive data associated with content; Content structuring
    • H04N21/84—Generation or processing of descriptive data, e.g. content descriptors

Landscapes

  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Social Psychology (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Graphics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Computing Systems (AREA)
  • Human Computer Interaction (AREA)
  • Software Systems (AREA)
  • Information Transfer Between Computers (AREA)
  • Two-Way Televisions, Distribution Of Moving Picture Or The Like (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本發明係關於用於推薦直播串流資料的系統、方法及電腦可讀取媒體。該方法包括根據使用者的一屬性與直播串流節目集合中的每一直播串流節目的一標籤以識別一直播串流節目集合、根據一第一標準從該直播串流節目集合產生一第一直播串流節目子集合、及根據一第二標準從該直播串流節目集合產生一第二直播串流節目子集合。該第一標準係不同於該第二標準。本發明可以更有效方式推薦內容並增加使用者參與度。

Description

用於推薦串流資料的系統、方法及電腦可讀取媒體
本發明係有關用於推薦串流資料，特別是指推薦直播串流資料。
網際網路上的諸如直播串流節目之即時資料已經在我們的日常生活中變得更流行。提供即時資料存取服務的平台或供應商者眾多，且競爭激烈。因此，對於內容供應商來說，高效、準確、有活力向使用者或觀眾推薦其所想要的內容是很重要，使得觀眾能盡可能長時間留在該平台上。
日本專利申請公開案第JP2019-164617A號揭露一種用於向使用者推薦直播視訊的系統。
根據本發明之一實施例的方法是一種向使用者提供正在由一或複數個電腦所執行之直播串流節目資訊的方法，並包括：根據該使用者的一屬性與一直播串流節目集合中的每一直播串流節目的一標籤以識別該直播串流節目集合；根據一第一標準從該直播串流節目集合中產生一第一直播串流節目子集合；及根據一第二標準從該直播串流節目集合中產生一第二直播串流節目子集合。該第一標準係不同於該第二標準。
根據本發明之一實施例的一系統是一種用於向使用者提供直播串流節目資訊的系統，其包括一或複數個處理器，且該一或複數個電腦處理器執行一機器可讀取指令以執行：根據該使用者的一屬性與一直播串流節目集合中的每一直播串流節目的一標籤以識別該直播串流節目集合；根據一第一標準從該直播串流節目集合中產生一第一直播串流節目子集合；及根據一第二標準從該直播串流節目集合中產生一第二直播串流節目子集合。該第一標準係不同於該第二標準。
根據本發明之一實施例的電腦可讀取媒體是一種非暫時性電腦可讀取媒體，其包括一用於向使用者提供直播串流節目資訊的程式，且該程式使一或複數個電腦執行：根據該使用者的一屬性與一直播串流節目集合中的每一直播串流節目的一標籤以識別該直播串流節目集合；根據一第一標準從該直播串流節目集合中產生一第一直播串流節目子集合；及根據一第二標準從該直播串流節目集合中產生一第二直播串流節目子集合。該第一標準係不同於該第二標準。
根據本發明之一實施例的方法是一種用於向使用者提供由一或複數個電腦所執行直播串流節目資訊的方法，並包括：根據該使用者的一屬性與一直播串流節目集合中的每一直播串流節目的一標籤以識別該直播串流節目集合；根據一時變標準規則以週期性重新排序該直播串流節目集合中的該等直播串流節目；及根據該重新排序的結果以週期性向該使用者提供該直播串流節目集合中的直播串流節目資訊。
網際網路上用於直播資料的傳統推薦方法或系統面臨著數個需要解決的挑戰。
一挑戰係如何以一客製化方式向觀看者推薦內容，換句話說，如何調適不同使用者偏好的差異。傳統的推薦演算法並未考慮這些偏好，此導致所有觀眾看到更多或更少相同的內容。
另一挑戰係如何為所有內容銷售商（Distributor）提供一平等曝光機會（或被推薦的平等機會），以可防止出現偏見情況。一偏見情況係受歡迎的銷售商由於被推薦的機會較高而更受歡迎，而新的銷售商或不太受歡迎的銷售商由於被推薦的機會較低而受到的關注較少。使用傳統演算法，某些內容或節目可能永遠不會得到應有的關注。
另一挑戰是如何防止觀眾在推薦過程中感到無聊。傳統的推薦系統產生推薦內容，且將內容呈現給使用者，並等待他們的下一步動作，諸如點擊存取或加入某一內容。若是使用者不採取任何行動，則顯示的內容就保持不變，使用者很容易感到厭煩而離開平台。有時使用者在存取直播串流節目之前與之後看到相同的推薦內容，這可能會提示使用者離開直播串流服務。
圖10顯示根據本發明之一些實施例之伺服器的示意方塊圖。一伺服器300包含一候選識別單元302、一子集合產生單元304、一推薦單元306、一屬性確定單元308、一標籤確定單元310、一標準資料庫（DB）314、一可用直播串流（LS）表 316、一使用者列表318、一推薦表320以及一模型資料庫（DB） 312。在一些實施例中，該伺服器300可為圖9中的後端伺服器30或串流服務器40的一部分或可為所述後端伺服器或所述串流服務器。
在一些實施例中，該候選識別單元302配置成從所有可用的直播串流節目中識別出該候選的直播串流節目集合。
在一些實施例中，該子集合產生單元304配置成從直播串流節目的候選集合中產生直播串流節目的子集合。
在一些實施例中，該推薦單元306配置成向使用者推薦直播串流節目（或提供關於直播串流節目的資訊）。例如，該推薦單元306可發起或觸發在使用者用於存取一直播串流節目之使用者終端上顯示有關所推薦的直播串流節目資訊的過程。
在一些實施例中，該屬性確定單元308配置成確定直播串流節目之使用者或觀眾的屬性。使用者的初始輸入或使用者在直播串流平台上的行為歷程可用於確定使用者的屬性。
在一些實施例中，該標籤確定單元310配置成確定一直播串流節目的標籤。一人工智慧（AI）或機器學習模型可用於確定一直播串流節目的標籤。
在一些實施例中，該模型資料庫312配置成儲存各種機器學習模型，其中一些模型可用於確定一直播串流節目的標籤或確定一使用者的屬性。
在一些實施例中，該標準資料庫314配置成儲存用於產生直播串流節目子集合的標準。在一些實施例中，用於產生直播串流節目子集合的標準可註冊在該標準資料庫314中。例如，每一標準可對應於該標準資料庫314中的一標準ID。
在一些實施例中，該可用直播串流表316記錄或列出特定時間所有可用的直播串流節目，以及其資訊，諸如其各自的標籤。該可用直播串流表316的一實例顯示在圖4中。
在一些實施例中，該使用者列表318記錄或列出使用者的資訊，諸如其屬性。該使用者列表318的實例顯示在圖5中。
在一些實施例中，該推薦表320記錄或儲存產生直播串流節目子集合的結果。該推薦表320的實例顯示在圖8中。
圖1顯示根據本發明的一些實施例之推薦方法的示意流程圖。圖1顯示在一些實施例中如何向一使用者U1推薦內容。
在步驟S100中，該候選識別單元302為該使用者（或觀眾）U1識別、確定、篩選或產生一直播串流節目的一候選集合。可根據該使用者U1的一屬性以及每一可用之直播串流節目的一標籤，從所有可用的直播串流節目中識別出直播串流節目的該候選集合，後面將詳細說明。
在步驟S102中，該子集合產生單元304係根據該儲存在標準資料庫314中的一標準C1，從該直播串流節目的該候選集合中產生、排序或確定一直播串流節目子集合SB1。該標準C1可包括任何形式的限制、類型或範圍。例如，在一些實施例中，該標準C1可包括對該直播串流節目的一銷售商級別的限制或範圍。該級別在直播串流平台中進行定義，以代表銷售商的參與程度。在一些實施例中，該標準C1可包括該直播串流節目之一銷售商的身份（例如，簽約銷售商、專業銷售商或其他身份）。在一些實施例中，該標準C1可為隨機選擇，即從該候選集合中隨機選擇一預定數量的該直播串流節目。複數個不同的標準可由平台的操作人員進行定義並且在該標準資料庫314中進行註冊。
在步驟S104中，該推薦單元306將該子集合SB1推薦給該使用者U1。在一些實施例中，該推薦單元306可將該子集合SB1的資訊提供給該使用者U1。例如，推薦可包括在用於存取直播串流資料的該使用者U1的一裝置上提供或顯示與該子集合SB1中之一或多個直播串流節目相對應的一或多個影像、文字、警報或任何形式的通知。在一些實施例中，推薦可包括在用於存取直播串流資料的該使用者U1的一裝置上按順序顯示與該子集合SB1中之直播串流節目對應的影像。
在步驟S106中，根據一標準C2，從該直播串流節目的該候選集合中產生、排序或確定一直播串流節目子集合SB2。該標準C2可包括任何形式的限制、類型或範圍。例如，在一些實施例中，該標準C2可包括對該直播串流節目之一銷售商級別的限制或範圍。在一些實施例中，該標準C2可包括該直播串流節目之一銷售商的身份（例如，簽約銷售商、專業銷售商或其他身份）。
該標準C2不同於該標準C1。 在一些實施例中，該標準C1與該標準C2係被確使得該子集合SB1與該子集合SB2之間沒有重疊。換言之，該子集合SB1與該子集合SB2兩者中可能都不存在該直播串流節目。例如，該標準C1可包括限制[合約狀態：是，級別＞ 50]，而該標準C2可包括限制[合約狀態：否，30≤級別≤50]。在一些實施例中，不同的標準可簡單到對直播串流節目之該候選集合的不同順序限制。在這情況下，該直播串流節目的不同子集合包括直播串流節目之該候選集合內不同位置（或以不同順序，或以不同排列方式）的直播串流節目。
在步驟S108中，將該子集合SB2推薦給該使用者U1。在一些實施例中，推薦可包括將該子集合SB2的資訊提供給該使用者U1。例如，推薦可包括在用於存取直播串流資料的該使用者U1的一裝置上提供或顯示與該子集合SB2中之一或多個直播串流節目相對應的一或多個影像、文字、警報或任何形式的通知。在一些實施例中，推薦可包括在用於存取直播串流資料的該使用者U1的一裝置上按順序顯示與該子集合SB2中之直播串流節目對應的影像。
在一些實施例中，在將該子集合SB1推薦給該使用者U1之後的一預定時間長度內，將該子集合SB2推薦給該使用者U1。在一些實施例中，在將該子集合SB1推薦給該使用者U1的一預定時間長度之後，將該子集合SB2推薦給該使用者U1。例如，該預定時間長度可為2分鐘或5分鐘。
在一些實施例中，可根據新的或不同的標準週期性、或以每個預定的時間長度、或以時變的方式從直播串流節目之該候選集合中產生新的或不同的直播串流節目子集合。可用一自動方式將直播串流節目之新子集合的資訊提供給該使用者U1，而無需來自該使用者U1的指示對直播串流節目之新子集合的請求的任何輸入。例如，該使用者U1無需輸入任何動作（諸如點擊或捲動），所推薦的直播串流節目會自動變化。在一些實施例中，一新標準不同於所有先前的標準，使得直播串流節目的新子集合與直播串流節目的所有先前子集合並沒有重疊。在一些實施例中，可使用不同的標準來形成一時變標準規則。在一些實施例中，該候選集合中的直播串流節目根據一時變標準規則被周期性重新排列、重新排序或重新配置。在一些實施例中，根據重新排序過程的結果，週期性向使用者提供該候選集合中之直播串流節目的資訊。
圖2顯示根據本發明一些實施例之推薦方法的示意流程圖。圖2顯示在一些實施例中如何向該使用者U1推薦內容。
步驟S200類似於圖1中的步驟S100。
步驟S202類似於圖1中的步驟S102。
步驟S204類似於圖1中的步驟S104。
在步驟S206中，判斷該候選集合中的所有直播串流節目是否已經推薦給該使用者U1？若是，則流程進行步驟S212，否則流程進行步驟S208。在一些實施例中，確定該候選集合中是否還有任何尚未推薦給該使用者U1的直播串流節目（或者不包括在該子集合SB1中，或者，從該子集合SB1中排除）。若是該候選集合中存在尚未推薦給該使用者U1之直播串流節目，則流程進行步驟S208，否則流程進行步驟S212。步驟S206中所描述的過程可由推薦單元參考推薦表320所執行，或者可由直播串流系統的一伺服器中的另一確定單元所執行。
在步驟S208中，根據一新標準，從直播串流節目的該候選集合中產生、排序或確定一新的直播串流節目子集合。確定該新標準，使得該新子集合包括該候選集合中尚未推薦給該使用者U1的直播串流節目。在一些實施例中，可使用人工智慧或機器學習演算法來確定該新標準。例如，人工智慧或機器學習演算法可用於分析該候選集合中尚未推薦給該使用者U1的那些直播串流節目，以當確定新標準時，找出這些直播串流節目（或「剩餘」直播串流節目）中的一或多者所分享的一或多個標籤或屬性，並包括標籤/屬性。
在步驟S210，向該使用者U1推薦該新的直播串流節目子集合，流程則返回步驟S206。
在步驟S212中，其中在候選集合中的所有直播串流節目已經推薦給該使用者U1時，產生或識別該使用者U1的一新候選直播串流節目集合。
圖3顯示根據本發明之一些實施例之識別直播串流節目的候選集合的方法的示意流程圖。圖3顯示在一些實施例中如何為該使用者U1產生候選直播串流節目集合。
在步驟S300中，針對該使用者U1計算每一可用之直播串流節目的一相似度分數。該相似度分數可根據該使用者U1的一屬性（或一標籤）與對應直播串流節目的一標籤所產生。例如，可計算該使用者U1的一屬性向量與該直播串流節目的一標籤向量的一點積，而得出該相似度分數。該相似度分數可用來表示該使用者U1對相應之該直播串流節目感興趣的可能性有多大。該相似度得分越高，該使用者U1越有可能對相應的該直播串流節目感興趣。
該使用者U1的該屬性或該標籤可藉由該使用者U1的輸入及/或該使用者U1的行為而獲得。該直播串流節目的該標籤可由該儲存在模型資料庫312中的人工智慧或機器學習模型所產生。例如，AI或機器學習模型可採用直播串流節目當作輸入，並傳送相對應的標籤，其中可進行一物件檢測方法、一運動檢測方法或一聲音檢測方法。
在步驟S302中，針對每一可用的直播串流節目確定或產生一人氣分數。可用各種方式計算該人氣分數。例如，可根據另一使用者在該直播串流節目中的一評論數、根據另一使用者觀看該直播串流節目的觀看一時間長度、根據使用者對該直播串流節目的一使用者留存率、根據另一使用者或新使用者加入該直播串流節目的一速度，或根據另一使用者在觀看該直播串流節目時的一閒置時間長度。在一些實施例中，該直播串流節目的該使用者留存率是指有多少（或百分比）看過該直播串流節目（或看過來自相同銷售商的直播串流節目）的使用者再次返回該直播串流節目。
在一些實施例中，該人氣分數可與另一使用者在該直播串流節目中所發表之一評論數成比例、與觀看該直播串流節目的另一使用者觀看的一觀看時間長度成正比、與該直播串流節目的該使用者留存率成正比、與另一使用者或新使用者加入該直播串流節目的一速度成正比、或與另一使用者在觀看該直播串流節目時的一閒置時間長度成反比。
在一些實施例中，該直播串流節目的該人氣分數不受一使用者之標籤的影響，並且簡單指示該直播串流節目的流行程度。
在步驟S304中，針對該使用者U1計算每一直播串流節目的一最終分數。根據該直播串流節目的相似度分數（相對於使用者U1）與該直播串流節目的該人氣分數而計算一最終分數。例如，該人氣分數與相似度分數的加權總和可用於傳遞該最終分數。加權可根據實際實現來確定。例如，相似度得分的加權越高，就會向使用者推薦更個性化或客製化的直播串流節目候選集合。該人氣分數的加權越高，就會向使用者推薦在主流中更流行的內容。
在步驟S306中，根據所有可用直播串流節目的該最終分數，識別或確定候選直播串流節目集合。該過程可用各種方式執行。例如，可設定最終分數的臨界值以篩選出候選集合。
在一些實施例中，使用者的屬性及/或直播串流節目的標籤可周期性或以時變式確定，這會導致使用者的時變屬性及/或直播串流節目的時變標籤。在此情況下，使用者的直播串流節目候選集合亦將隨時間變化，這意味著直播串流節目候選集合中的直播串流節目隨時間而變化。
在一些實施例中，基於使用者與使用者從直播串流節目子集合中所選擇的直播串流節目之間的至少一互動來確定使用者的時變屬性。在一些實施例中，直播串流節目的時變標籤藉由使用至少一種機器學習模型來即時確定。在一些實施例中，根據所確定之使用者的時變屬性與所確定之直播串流節目的時變標籤來更新直播串流節目的候選集合。
圖3中所描述的過程可由該候選識別單元302所執行，或者可由直播串流系統之伺服器內的一或多個計算單元執行。
圖4顯示根據本發明之一些實施例之可用直播串流節目的例示該可用直播串流表316。
在圖4所示的實例中，有100個直播串流節目，標記為LS1、LS2、LS3、...、LS100。對於每一直播串流節目，確定3個標籤TG1、TG2與TG3，以形成一串流標籤向量。對於每一直播串流節目，確定一人氣分數。標籤的數量，或者串流標籤向量的維度，可根據實際情況進行選擇。更多的標籤表示對直播串流節目的分類粒度更高，並可能導致更精確或更客製化的推薦。
圖5顯示根據本發明之一些實施例的例示使用者列表318。
在圖5所示的實例中，有2個使用者，分別標記為U1與U2。對於每一使用者，確定3個標籤（或屬性）TG1、TG2與TG3，以形成使用者標籤向量（或使用者屬性向量）。標籤的數量，或者使用者標籤向量的維度，可根據實際情況進行選擇。更多標籤表示使用者分類的粒度更高，並可能導致更精確或更客製化的推薦。在一些實施例中，使用者的標籤（或屬性）與直播串流節目的標籤來自相同標籤集區，這意味著用於對使用者進行分類的標籤與用於對直播串流節目進行分類的標籤相同。在這情況下，串流標籤向量與使用者標籤向量具有相同的維度或相同數量的元素。
圖6顯示根據本發明之一些實施例之相似度分數計算的實例。
如圖6所示，計算使用者標籤向量與串流標籤向量的點積以產生一相似度分數。例如，該直播串流節目LS1對（或相對於）該使用者U1的該相似度分數是該直播串流節目LS1的一串流標籤向量（[1, 0, 0]）與該使用者U1的一使用者標籤向量的一點積（[1, 1, 1]），其係等於1。該直播串流節目LS3與該使用者U1的該相似度分數為該直播串流節目LS3的一串流標籤向量（[1, 0.5, 1]）與該使用者U1的一使用者標籤向量的一點積（[1, 1, 1]），其係等於2.5。
圖7顯示根據本發明之一些實施例之最終分數計算的實例。
如圖7所示，計算該相似度分數與該人氣分數的加權總合以產生一最終分數。在本實施例中，對該相似度分數與該人氣分數設定相同的加權。因此，該使用者U1之該直播串流節目LS2的最終分數為2 x 1+0.7 x 1=2.7。該使用者U1的該直播串流節目LS3最終分數為2.5 x 1 + 0.1 x 1 = 2.6。該最終分數將用於確定特定該使用者的該直播串流節目候選集合。
如本實施例所示，對於該使用者U1，儘管該直播串流節目LS2的相似度分數低於該直播串流節目LS3（相似度匹配較少），但由於通常變得更受歡迎（較高的人氣分數），該直播串流節目LS2具有更高的優先順序而推薦給該使用者U1（更高的最終分數）。
圖8顯示根據本發明之一些實施例之用於儲存產生直播串流節目子集合之結果的例示推薦表320。
如圖8所示，特定使用者的直播串流節目候選集合包括直播串流節目LSS1、LSS2、…、LSS10，其可基於使用者可用之直播串流節目的一最終分數進行識別的結果。在前5分鐘（例如使用者停留在直播存取平台的前5分鐘），執行一標準C1產生成一子集合SB1，其中包括該直播串流節目LSS1、LSS4與LSS7。隨後可向使用者或使用者終端提供關於該子集合SB1（或相對應的直播串流節目）的資訊。在接下來的5分鐘內，執行一標準C2以產生一子集合SB2，其中包括該直播串流節目LSS3、LSS6與LSS8。隨後可向使用者或使用者終端提供關於該子集合SB2（或相對應的直播串流節目）的資訊。在接下來的5分鐘內，執行一標準C3以產生一子集合SB3，其中包括合直播串流節目LSS2、LSS5、LSS9與LSS10。隨後可向使用者或使用者終端提供關於該子集合SB3（或相對應的直播串流節目）的資訊。
在一些實施例中，可能發生不同直播串流節目子集合的多個推薦之間的切換（或相同直播串流節目子集合不同直播串流節目推薦之間的切換），同時使用者係在一直播串流平台的等待頁面或選擇頁面（諸如一首頁、一頂端頁面、一類型頁面或一熱門頁面）。
在一些實施例中，當使用者剛剛離開諸如聊天室的直播串流節目時，可能發生在直播串流節目之不同子集合的推薦之間的切換（或在相同直播串流節目之相同子集合中的不同直播串流節目的推薦之間的切換）。例如，在使用者進入或存取直播串流節目之前向使用者所顯示的推薦直播串流節目可能與在使用者離開或退出直播串流節目後向使用者所顯示的推薦直播串流節目不同。在一些實施例中，確定或檢測使用者是否存取過任何直播串流節目，這可例如由直播串流平台之一伺服器內的一檢測單元來執行。若是確定使用者已完成對直播串流節目的存取（例如，使用者進入與離開直播串流節目），則將向使用者提供一新的直播串流節目子集合的資訊。在這情況下，使用者將不會看到相同的推薦內容，並可能會在更新的推薦中停留更長時間。
圖12顯示根據圖8所示實施例的推薦例示頁面。頁面1200可是直播串流平台的一等待頁面、一選擇頁面、一首頁、一頂端頁面、一類型頁面或一熱門頁面。如圖12所示，在前5分鐘內，該直播串流節目LSS1、LSS與LSS7（屬於該子集合SB1）的資訊顯示在推薦區段上。5分鐘後，或者該使用者進入與退出直播串流節目後，推薦區段顯示該直播串流節目LSS3、LSS6、LSS8（屬於該子集合SB2）的資訊。
在一些實施例中，根據直播串流節目的相鄰類別而產生後續標準（用於產生成直播串流節目的子集合）。例如，一使用者可獲得與他或她過去喜歡的內容相鄰或類似之類別的直播串流節目的推薦，這可基於一喜好因子來確定。例如，被決定為有興趣觀看「烹飪」及/或「瑜伽」等類別的節目的一使用者可獲得與一相鄰類別「健身」的節目的推薦。相鄰類別可根據不同使用者或不同使用者之間的歷程行為來確定，並且可隨著時間而演變。在一些實施例中，鄰接可由一類別的使用者與另一類別的使用者之間的重疊程度來確定。例如，若是「瑜珈」類別之80%的使用者亦歸類於「健身」類別，則可確定「瑜珈」類別與「健身」類別相鄰。根據不同類別之間的重疊等級（或重疊程度），亦可定義不同的鄰接程度。在一些實施例中，可確定用於產生要向使用者推薦的直播串流節目子集合的標準，使得具有一較高鄰接程度的類別比具有一較低鄰接程度的另一類別具有更高的優先等級。
在一些實施例中，根據當前趨勢而產生後續標準（用於產生直播串流節目的子集合）。例如，根據社交媒體（諸如推特或臉書）的趨勢，可優先刷掉特定地區當前的流行或流行話題，而具有相似話題的直播串流節目在推薦給使用者時可能具有更高的優先等級。
在一些實施例中，在直播串流節目的候選集合中，由相對較新（或低程度）的串流媒體所提供的直播串流節目係在被推薦給使用者時具有更高的優先等級。這將有助於主播在直播開始時吸引使用者，以使其表演動機是高的。此亦可讓使用者從主播節目開始就與串流媒體進行良好的互動與參與。
在一些實施例中，根據使用者-使用者相似度或使用者之間的相似度而產生後續標準（用於產生直播串流節目的子集合）。使用者與使用者的相似度可根據喜好因子來計算，該因子可由使用者的歷程行為（例如過去的偏好內容）進行確定，並且可能包含AI或機器學習模型。例如，基於使用者-使用者相似度，將使用者A之喜歡的內容推薦給與使用者A之相似度高於一預定值的另一使用者B。這可能有助於為使用者發現新內容。
在一些實施例中，監控與分析識別候選直播串流節目集合的不同規則（諸如相似度分數與人氣分數的不同加權分配）與一些目標度量（諸如收入或觀看時間長度）之間的相關性以改進或最佳化相應地識別候選直播串流節目集合的過程。可實施人工智慧（AI）或機器學習模型。可改善推薦的精度或效率。
在一些實施例中，監控與分析產生直播串流節目子集合的不同標準與一些目標度量（例如收入或觀看時間長度）之間的相關性，以相應地改進或最佳化產生直播串流節目子集合的標準規則。可實施人工智慧（AI）或機器學習模型。可改善推薦的精度或效率。
圖11顯示根據本發明之一些實施例之推薦過程的示意流程圖。在步驟S802中，該候選識別單元302根據一相似度分數為一使用者終端的一使用者識別一候選直播串流節目集合。在步驟S804，該候選識別單元302（或另一計時器控制單元）將一第一計時器設定為0並啟動該第一計時器。在步驟S806，該子集合產生單元304根據儲存在該標準資料庫314中的標準係從該候選集合中產生直播串流節目的一子集合。在步驟S808，該推薦單元306將所產生的該子集合經由一網路提供給該使用者終端。在步驟S810，該推薦單元306（或另一計時器控制單元）將一第二計時器設定為0並啟動該第二計時器。在步驟S812，該推薦單元306檢查該第二計時器是否超過一預定臨界值T2。若是不超過，則在步驟S814，該候選識別單元302檢查該第一計時器是否超過預定臨界值T1。若是超過，則返回步驟S802，由該候選識別單元302識別出一新的候選集合。若是該第一計時器沒有超過該臨界值T1，則流程返回步驟S812。若是在步驟S812的該第二計時器超過該臨界值T2，則該子集合產生單元304（或另一標準管理單元）藉由參考該標準資料庫314來改變或更新標準。然後流程回到步驟S806，將產生具有更新標準之新的直播串流節目子集合。
例如，T1可設定為大於T2。T1可為10分鐘、5分鐘或任何其他合適的數值。T2可為3分鐘、2分鐘或任何其他合適的數值。
在其他實施例中，可將T1設定置為小於T2。在此情況下，可將步驟S810放置在步驟S816之後。在一些實施例中，這可確保在下一輪向使用者終端推薦產生的子集合之前改變或更新標準。在一些實施例中，這可防止向使用者終端推薦之前已經推薦過的內容。
在另一實施例中，候選者的識別可與標準的改變或更新同步。在此情況下，可僅使用一計時器。
圖9顯示根據本發明之一些實施例之通訊系統的配置示意圖。
通訊系統1可經由一內容而提供一具有互動的直播服務。在本文，術語「內容」是指可以在一電腦裝置上播放的一數位內容。換言之，該通訊系統1令使用者能夠在線上參與與另一使用者的即時互動。該通訊系統1包括複數個使用者終端10、一後端伺服器30與一串流伺服器40。該使用者終端10、該後端伺服器30與該串流伺服器40經由一網路90而連接，例如，該網路90可為網際網路。該後端伺服器30可為用於同步使用者終端及/或該串流伺服器40之間的互動的伺服器。在一些實施例中，該後端伺服器30可被稱為一應用程式（APP）供應商的伺服器。該串流伺服器40是用於處理或提供串流資料或影片資料的伺服器。在一些實施例中，該後端伺服器30與該串流伺服器40可為獨立的伺服器。在一些實施例中，該後端伺服器30與該串流伺服器40可整合為一伺服器。在一些實施例中，該使用者終端10是用於直播服務的用戶端裝置。在一些實施例中，該使用者終端10可被稱為觀看者、串流媒體、主播、播客、觀眾、聽眾等。該該使用者終端10、該後端伺服務30與該串流伺服器40中的每一者是一資訊處理裝置的實例。在一些實施例中，串流可為直播串流或影片重放。在一些實施例中，串流可為音頻串流及/或影片串流。在一些實施例中，串流可包括諸如線上購物、脫口秀、才藝表演、娛樂活動、體育賽事、音樂影片、電影、喜劇、音樂會或類似物的內容。
在一些實施例中，圖1、圖2或圖3中所描述的使用者透過其各自的使用者終端而存取直播串流節目。
在一些實施例中，圖1、圖2或圖3中所描述的過程由後端伺服器、串流伺服器或使用者終端所執行。例如，一後端伺服器或串流伺服器可配置成執行：相似度分數、人氣分數與最終分數的計算；識別該候選直播串流節目集合的過程；確定產生直播串流節目子集合之標準的過程；產生直播串流節目子集合的過程；向使用者（或使用者終端）提供直播串流節目資訊的過程；確定候選集合中的所有直播串流節目是否已推薦給一使用者的過程。
本發明揭露用於藉由相似度分數與人氣分數為使用者識別直播串流節目之候選集合的方法。因此，直播串流節目候選集合為針對使用者而客製化，可看作是使用者之直播串流節目的興趣群組。候選集合中的直播串流節目可被視為處於使用者的「興趣區」。還藉由結合人氣分數來考慮直播串流節目的效能程度或品質程度。
本發明揭露用於向使用者推薦不同的直播串流節目子集合（根據不同的標準從直播串流節目的候選集合所產生）的方法。因此，使用者的「興趣區」中的每一直播串流節目均可能有同等的機會被推薦給使用者（或一同等的可視度）。某些內容可能一般不受歡迎，但可能對特定使用者具有很高的吸引力。可增加讓使用者更加專注於平台的機會。
本發明揭露一種自動向使用者推薦候選集合中不同直播串流節目的方法。因此，使用者停留在一選擇頁面或存取一直播串流節目後不會感到無聊，這可讓使用者在平台上停留更長時間。
除了明確描述的內容之外，本發明中所描述的處理與過程可藉由軟體、硬體或其任意組合來實現。例如，在說明書中所描述的處理與過程可藉由在諸如一積體電路、一揮發性記憶體、一非揮發性記憶體、一非暫時性電腦可讀取媒體及一磁碟等的媒體中所實現與處理及過程的相對應邏輯來實現。此外，說明書中所描述的處理與過程可實現為與處理及過程的對應電腦程式，並且可由各種電腦所執行。
此外，上述實施例中所描述的系統或方法可整合到儲存在例如一固態記憶體裝置、一光碟記憶體裝置或一磁碟儲存裝置等之一電腦可讀取非暫態媒體中的程式中。或者，程式可經由網際網路從伺服器下載並由處理器所執行。
儘管以上描述本發明的技術內容與特徵，但是在本發明的技術領域中具有通常知識者仍可在不違背本發明的教示與揭露的情況下做出許多變化與改良。因此，本發明的範疇並不限於已經揭露的實施例，而是包括不違背本發明的其他變化與改良，並且是專利申請範圍所涵蓋的範疇。
1:通訊系統 10:使用者終端 30:後端伺服器 40:串流伺服器 90::網路 300:伺服器 302:候選識別單元 304:子集合產生單元 306:推薦單元 308:屬性確定單元 310:標籤確定單元 312:模型資料庫 314:標準資料庫 316:可用直播串流表 318:使用者列表 320:推薦表 1200:頁面 LS:直播串流節目 LSS:直播串流節目 S100、S102、S104、S106、S108、S200、S202、S204、S206、S208、S210、S212、S300、S302、S304、S306、S800、S802、S804、S806、S808、S810、S812、S814、S816:步驟 TG1、TG2、TG3:標籤 U1、U2:使用者
圖1顯示說明根據本發明之一些實施例的推薦方法的示意流程圖。 圖2顯示說明根據本發明之一些實施例的推薦方法的示意流程圖。 圖3顯示根據本發明之一些實施例以識別候選直播串流節目集合的方法的示意流程圖。 圖4顯示根據本發明之一些實施例之可用直播串流節目的例示可用直播串流表。 圖5顯示根據本發明之一些實施例之使用者的例示使用者列表。 圖6顯示根據本發明之一些實施例之相似度分數計算的實例。 圖7顯示根據本發明之一些實施例之最終分數計算的實例。 圖8顯示根據本發明之一些實施例之用於儲存產生多個直播串流節目子集合的結果的例示推薦表。 圖9顯示根據本發明之一些實施例的通訊系統的示意組態。 圖10顯示根據本發明之一些實施例的伺服器的示意方塊圖。 圖11顯示根據本發明之一些實施例的推薦過程的示意流程圖。 圖12顯示根據圖8所示實施例的推薦例示頁面。
S200、S202、S204、S206、S208、S210、S212:步驟

Claims (13)

  1. 一種向使用者提供直播串流節目資訊的方法，其包含： 根據該使用者的一屬性與一直播串流節目集合中每一直播串流節目的一標籤，以識別出該直播串流節目集合； 根據一第一標準從該直播串流節目集合產生一第一直播串流節目子集合；及 根據一第二標準從該直播串流節目集合產生一第二直播串流節目子集合；其中 該第一標準係不同於該第二標準。
  2. 如請求項1所述之方法，其更包含： 向該使用者提供該第一直播串流節目子集合的資訊；及 在向該使用者提供該第一直播串流節目子集合的資訊後向該使用者提供該第二直播串流節目子集合的資訊。
  3. 如請求項2所述之方法，其更包含： 以一自動方式週期性向該使用者提供一新的直播串流節目子集合的資訊，該新的直播串流節目子集合係由一新的標準從該直播串流節目集合所產生，無需來自該使用者的任何輸入來指示對一新的直播串流節目子集合的一請求。
  4. 如請求項1所述之方法，其中該第一標準與該第二標準被決定為，使得該第一直播串流節目子集合與該第二直播串流節目子集合之間不存在重疊。
  5. 如前述請求項1至4中任一項所述之方法，其中根據該使用者的一時變屬性與該直播串流節目集合中各個直播串流節目的一時變標籤而識別該直播串流節目集合，該直播串流節目集合中的直播串流節目隨時間變化。
  6. 如前述請求項5所述之方法，其更包含： 至少基於該使用者與該使用者從該第一直播串流節目子集合或該第二直播串流節目子集合中所選擇的直播串流節目之間的互動而確定該使用者的該時變屬性； 利用至少一種機器學習模型即時確定每一直播串流節目的該時變標籤；及 根據所確定的該使用者的該時變屬性與所確定之每一直播串流節目的該時變標籤，以更新該直播串流節目集合。
  7. 如前述請求項1所述之方法，其中識別該直播串流節目集合包含：計算該使用者的一屬性向量與該直播串流節目集合中的每一直播串流節目的一標籤向量的一點積。
  8. 如前述請求項7所述之方法，其中識別該直播串流節目集合更包含： 根據另一使用者在直播串流節目中所發表的一評論數、根據另一使用者觀看該直播串流節目的一觀看時間長度、根據該直播串流節目之一使用者留存率、根據新使用者加入該直播串流節目的一速度及/或根據另一使用者在觀看該直播串流節目時的一閒置時間長度，而為該直播串流節目集合中的該直播串流節目產生一人氣分數；及 計算該人氣分數與該點積的加權總和； 其中該人氣分數與另一使用者在該直播串流節目中所發表的該評論數成正比、與另一使用者觀看該直播串流節目的該觀看時間長度成正比、與該直播串流節目的該使用者留存率成正比、與新使用者加入該直播串流節目的該速度成正比，或是與另一使用者在觀看該直播串流節目期間的該閒置時間長度成反比。
  9. 如前述請求項2所述之方法，其更包含： 確定該直播串流節目集合中的一直播串流節目不包含在該第一直播串流節目子集合中；及 根據該直播串流節目的屬性而確定該第二標準，使得該直播串流節目包括在該第二直播串流節目子集合中。
  10. 如前述請求項2所述之方法，其更包含： 確定該使用者已完成存取一直播串流節目； 其中該第二直播串流節目子集合的資訊是在確定該使用者存取完該直播串流節目後提供給該使用者。
  11. 一種向使用者提供直播串流節目的資訊之方法，其包含： 根據該使用者的一屬性與一直播串流節目集合中的每一直播串流節目的一標籤，以識別出該直播串流節目集合； 根據一時變標準規則，以週期性對該直播串流節目集合中的該等直播串流節目進行一重新排序；及 根據該重新排序的結果，週期性向該使用者提供該直播串流節目集合中之該等直播串流節目的資訊。
  12. 一種向使用者提供直播串流節目的資訊之系統，其包含一或複數個處理器，其中該一或複數個處理器執行一機器可讀取指令以執行： 根據該使用者的一屬性與一直播串流節目集合中的每一直播串流節目的一標籤，以識別出該直播串流節目集合； 根據一第一標準，從該直播串流節目集合中產生一第一直播串流節目子集合；及 根據一第二標準從該直播串流節目集合中產生一第二直播串流節目子集合；其中 該第一標準係不同於該第二標準。
  13. 一種非暫時性電腦可讀取媒體，其包括一用於向使用者提供直播串流節目的資訊之一程式，其中該程式使一或複數個電腦執行： 根據該使用者的一屬性與一直播串流節目集合中的每一直播串流節目的一標籤，以識別出該直播串流節目集合； 根據一第一標準從該直播串流節目集合中產生一第一直播串流節目子集合；及 根據一第二標準從該直播串流節目集合中產生一第二直播串流節目子集合；其中 該第一標準係不同於該第二標準。
TW111143278A 2022-02-22 2022-11-11 用於推薦串流資料的系統、方法及電腦可讀取媒體 TW202335511A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2022-026204 2022-02-22
JP2022026204A JP7217902B1 (ja) 2022-02-22 2022-02-22 ストリーミングデータをレコメンドするためのシステム、方法、及びコンピュータ可読媒体

Publications (1)

Publication Number Publication Date
TW202335511A true TW202335511A (zh) 2023-09-01

Family

ID=85151301

Family Applications (1)

Application Number Title Priority Date Filing Date
TW111143278A TW202335511A (zh) 2022-02-22 2022-11-11 用於推薦串流資料的系統、方法及電腦可讀取媒體

Country Status (3)

Country Link
US (1) US20230269432A1 (zh)
JP (2) JP7217902B1 (zh)
TW (1) TW202335511A (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7376035B1 (ja) 2023-04-03 2023-11-08 １７Ｌｉｖｅ株式会社 レコメンデーションのためのシステム、方法、及びコンピュータ可読媒体

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8429702B2 (en) * 2006-09-11 2013-04-23 At&T Intellectual Property I, L.P. Methods and apparatus for selecting and pushing customized electronic media content
JP2017123138A (ja) 2016-05-23 2017-07-13 株式会社 ディー・エヌ・エー デジタルコンテンツを配信するシステム、方法、及びプログラム
US20180367861A1 (en) * 2017-06-15 2018-12-20 Sony Interactive Entertainment LLC Temporal generation of content playlists
JP7134662B2 (ja) 2018-03-20 2022-09-12 ヤフー株式会社 情報配信システム、および情報配信方法
US11483630B1 (en) * 2021-08-17 2022-10-25 Rovi Guides, Inc. Systems and methods to generate metadata for content

Also Published As

Publication number Publication date
JP2023122470A (ja) 2023-09-01
JP7217902B1 (ja) 2023-02-06
JP2023122544A (ja) 2023-09-01
US20230269432A1 (en) 2023-08-24

Similar Documents

Publication Publication Date Title
US11409792B2 (en) System and method for streaming individualized media content
CN110929052B (zh) 多媒体资源推荐方法、装置、电子设备及存储介质
US10356462B1 (en) Recommending a composite channel
US8639564B2 (en) Advertisement campaign system using socially collaborative filtering
US20090271417A1 (en) Identifying User Relationships from Situational Analysis of User Comments Made on Media Content
US9195753B1 (en) Displaying interest information
CN104462292B (zh) 社交协同过滤
CN115860833A (zh) 基于消费者在线行为的电视广告时段定位
US20100228591A1 (en) Real time ad selection for requested content
US20130185291A1 (en) Online rating and feedback system
US20230153839A1 (en) Selecting digital media assets based on transitions across categories
CN112364202A (zh) 视频推荐方法、装置及电子设备
US20230017678A1 (en) Dual-optimization of targeted digital assets under volume and position constraints
CN115066906A (zh) 用于基于用户提供的标准进行推荐的方法和系统
Sattelberger Optimising media marketing strategies in a multi-platform world: an inter-relational approach to pre-release social media communication and online searching
TW202335511A (zh) 用於推薦串流資料的系統、方法及電腦可讀取媒體
GB2556970A (en) Method and system for providing content
KR20190044592A (ko) 동적인 다차원 분석 기반의 광고 추천 장치 및 방법
KR20190044440A (ko) 다층 다차원 분석 기반의 광고 추천 장치 및 방법
CN117651165B (zh) 基于客户数据的视频推荐方法及装置
Yin et al. Neural TV program recommendation with multi-source heterogeneous data
US20230131942A1 (en) System and method for managing, discovering and sharing streaming video services
De Pessemier Improved online services by personalized recommendations and optimal quality of experience parameters
KR20230170307A (ko) 달력을 이용한 상품 정보 제공 시스템 및 방법
KR20230002437U (ko) 빅 데이터를 활용한 최적의 쇼 호스트 추천 및 ai 매칭 방법, 장치 및 시스템