TWI502530B - A Dynamic Estimation Method of IPTV Personalization - Google Patents

Description

IPTV個人質化收視之動態估計方法

本發明係有關一種收視率家計方法，尤指一種節省建置時間及人力成本，並可解決抽樣誤差、樣本缺乏代表性、缺少收視率在節目或其他層面的質化計算問題的IPTV個人質化收視之動態估計方法。

對目前電視數位媒體而言，電視生態可主要分為節目製作商、頻道與電視系統提供業者，與廣告業者三方面，其中廣告業者重視以收視率調查作為計算廣告帶來的投放效益，收視率亦為節目製作商的節目內容評價機制，對於頻道與數位電視系統提供業者來說，收視率為節目及廣告的規畫排播效益計算，然而在實施計算個人收視率時，需先建置樣本家戶中家庭成員的收視記錄收集機制(例如日記法、電訪法、個人收視記錄儀調查法等)，並以取得抽樣樣本家戶之個人層級的收視記錄資料，才可進行收視記錄當下時段的個人收視率的推估，其調查方法須耗費的建置時間及人力成本過於龐大，再者，現今台灣地區以尼爾森建立的分層隨機抽樣調查機制為主要個人收視率計算技術，但具有抽樣誤差、樣本缺乏代表性、缺少收視率在節目或其他層面的質化計算等問題。

另外，例如美國第US 20120254911 A1號專利「Methods,apparatus and articles of manufacture to estimate local market audiences of media content」，是計算樣本家戶的個人收視人數與個人屬性之間的比例作為第一 層權重，再加上抽樣家戶的地區分布與母體家戶的地區分布之間的比例作為第二層權重，最後將抽樣家戶的個人收視人數加乘第一層權重與第二層權重，得到回推母體家戶的個人收視人數估計，求出分鐘之個人收視率，但由於其僅考慮比例權重作為回推母體的衡量值，因此會有樣本抽樣誤差，且計算出之個人收視率其個人質化解釋變數皆為單一影響因素，未考量解釋變數間的交互作用，無法得到個人質化解釋變數組合的個人收視率。

本發明之主要目的係在於提供一種無需建置抽樣樣本家戶的個人收視記錄收集機制的IPTV個人質化收視之動態估計方法

本發明之次要目的在於提供一種可估計出任何時段的個人收視率的推估用以降低收視調查的成本的IPTV個人質化收視之動態估計方法

本發明之又一目的係在於提供一種可直接將廣告或產品相關的操作資訊納入計算的IPTV個人質化收視之動態估計方法。

為達上述目的，本發明的IPTV個人質化收視之動態估計方法，其主要係由數位媒體平台收集全體家戶之收視記錄，再透過資料蒐集取得家戶之個人層級的收視記錄資料，蒐集完成後依據家戶之收視記錄資料，找出相同的家戶並將之視為家戶層級的收視記錄資料，合併後成為每位家戶成員之訓練集，然後利用資料探勘的分群演算技術進行個人特徵概念萃取，得到個人收視族群群標W_j ，並將個人收視族群群標視為一個群標衍生變數後，標記回所收集的個人收視調查資料之訓練集中，再以此訓練集作為訓練資料，利用資料探勘的分類演算技術建立個人收視族群分類 器、收視人數機率模型及收視時間機率模型，最後應用個人收視族群分類器、收視人數機率模型及收視時間機率模型，預測出全體家戶之各個人特徵的收視人數及收視時間的期望值估計，產出家戶之個人質化收視率。

100‧‧‧取得家戶之收視記錄資料

200‧‧‧收集個人收視調查資料

300‧‧‧萃取個人特徵概念

400‧‧‧標記個人收視族群群標

500‧‧‧建立個人收視族群分類器

600‧‧‧建立收視人數機率模型

700‧‧‧建立收視時間機率模型

800‧‧‧計算個人質化收視率

810‧‧‧預測家戶映射之個人特徵

821‧‧‧估計先驗機率分配統計量

822‧‧‧估計收視人數

830‧‧‧估計收視長度

840‧‧‧計算收視率

第1圖 為本發明IPTV個人質化收視之動態估計方法流程圖；第2圖 為本發明建立個人質化收視率之流程圖。

請參閱第1圖，本發明IPTV個人質化收視之動態估計方法，其主要包括步驟100取得家戶之收視記錄資料、步驟200收集個人收視調查資料、步驟300萃取個人特徵概念、步驟400標記個人收視族群群標、步驟500建立個人收視族群分類器、步驟600建立收視人數機率模型、步驟700建立收視時間機率模型及步驟800計算個人質化收視率，進行步驟100取得家戶之收視記錄資料至步驟400標記個人收視族群群標後，接著同時進行步驟500建立個人收視族群分類器至步驟700建立收視時間機率模型，最後進行步驟800計算個人質化收視率產生個人收視率。

步驟100取得家戶之收視記錄資料，從一數位媒體平台(如IPTV、多媒體隨選視訊、串流媒體、MOD或其他電視機上盒)收集全體家戶之收視記錄，包含母體的家戶結構屬性(如地區、家庭消費表現等)、家戶收視屬性(如收視數位媒體種類、收視時段等)、節目資訊(如節目頻道、排播節目種類等)、家戶收視長度。

步驟200收集個人收視調查資料，透過資料蒐集(定期執行的客戶抽樣調查中收集、由申裝數位媒體平台時所填寫之資料中收集或其 他取得個人收視記錄之資料中收集)取得抽樣樣本家戶之個人層級的收視記錄資料，包含個人屬性(如年齡、性別等)、個人收視屬性、個人收視長度、及個人特徵(如學生類、3C愛好者類)，前述之個人特徵為加入廣告或產品相關的操作資訊後的個人化特徵，透過資料蒐集進行抽樣樣本家戶的收視調查時一併取得，完成後並從步驟100取得家戶之收視記錄資料，找出相同的家戶樣本並將之視為家戶層級的收視記錄資料，合併後成為全體家戶樣本中每位家戶成員之訓練集。

步驟300萃取個人特徵概念，取得步驟200收集個人收視調查 資料之訓練集，投入訓練集之家戶結構屬性、個人屬性及個人特徵作為輸入參數，利用資料探勘的分群演算技術進行個人特徵概念萃取，分群後得到j個群聚S、每個群聚各自含有k種個人特徵，群聚S_j 代表個人特徵概念，基於個人特徵概念得到個人收視族群群標W_j 。

步驟400標記個人收視族群群標，於步驟300萃取個人特徵概 念之訓練集新增一群標衍生變數，其值為步驟300萃取個人特徵概念得到的個人收視族群群標W_j 。完成步驟400標記個人收視族群群標後，將同時進行步驟500建立個人收視族群分類器、步驟600建立收視人數機率模型、步驟700建立收視時間機率模型。

步驟500建立個人收視族群分類器，取得步驟400標記個人收 視族群群標之訓練集作為訓練資料，從訓練集中取出家戶層級的家戶結構屬性作為輸入參數、群標衍生變數作為輸出分類，利用資料探勘的分類演算技術進行分類器訓練後產生個人收視族群分類器。

步驟600建立收視人數機率模型，取得步驟400標記個人收視族群群標之訓練集，按照訓練集之群標衍生變數的數值進行資料分組，從各組別資料中，分別取其家戶層級之家戶結構屬性、家戶收視屬性、節目資訊作為自變數估計參數的向量，個人特徵之收視人數作為依變數的觀測值，建立各組別中個人特徵之收視人數的迴歸機率模型，藉由線性迴歸機率模型的推論，利用訓練集計算出個人特徵之收視人數的期望值估計式，如下表示式1。

模型：Y _k =Xβ _k +ε _k 其中ε _k ~Normal (0,)for each W_j

Y_k ：個人特徵k之收視人數(依變數)

X：家戶層級之估計參數的向量(自變數)

β_k ：個人特徵k之收視人數的迴歸係數

ε_k ：個人特徵k之收視人數的隨機誤差

σ_k ：個人特徵k之收視人數的隨機誤差項的變異數

for each W_j ：對每組個人收視族群群標均建立模型

：個人特徵k之收視人數的期望值估計

b_k ：估計個人特徵k之收視人數的迴歸係數之向量計算式

β _p ：第p個自變數之迴歸係數估計值

x _pn ：第n筆訓練集資料中第p個自變數之值

y _{k (n )} ：第n筆訓練集資料中個人特徵k之收視人數之值

步驟700建立收視時間機率模型，取得步驟400標記個人收視族群群標之訓練集，按照訓練集之群標衍生變數的數值進行資料分組，從 各組別資料中，將訓練集中的家戶收視長度依收視率計算最小長度單位(例如：分鐘收視率以分鐘為最小長度單位)轉換為次數表示，並計算出各組於一時間區間T內，各家戶層級之家戶結構屬性、家戶收視屬性、節目資訊之交叉組合下的平均家戶收視長度，作為強度λ；另外以個人層級之個人屬性、個人收視屬性建立出個人特徵之收視人數的概率，並視其為獨立隨機的序列{Y_i }，並由序列{Y_i }對應各個人特徵之收視長度占比，在該時間區間T內發生次數N(t)的隨機過程；建立各組別中個人特徵之收視時間機率模型，該模型為一相對時間區間t、由隨機過程Y_i =Y₁ +Y₂ +…+Y_N(t) 構成強度為λ之複合卜瓦松(Poisson)機率模型，藉由複合卜瓦松機率模型的推論，計算出個人特徵之收視長度的期望值估計式，如下表示式2。

模型：其中

X (t)：個人特徵之總收視長度

λ：於時間區間T內的平均家戶收視長度

Y_i ：個人層級之個人屬性、個人收視屬性建立出個人特徵之收視人數的序列

N(t)：序列{Y_i }對應各個人特徵之收視長度占比

：訓練集資料於時間區間T內的平均家戶收視長度之值

EY_n ：訓練集資料於序列{Y_i }對應各個人特徵之收視長度占比的期望值

請參閱第2圖，當步驟500建立個人收視族群分類器、步驟600建立收視人數機率模型、步驟700建立收視時間機率模型完成後，進行步驟800計算個人質化收視率，其主要包括步驟810預測家戶映射之個人特徵、步驟821估計先驗機率分配統計量、步驟822估計收視人數、步驟830估計收視 長度及步驟840計算收視率。

步驟810預測家戶映射之個人特徵，透過步驟100取得家戶之 收視記錄資料，得到母體的家戶結構屬性作為輸入變數，代入從步驟500建立個人收視族群分類器取得的個人收視族群分類器Classifier(γ)，執行分類器後預測出母體中各家戶之群標衍生變數，其值為個人收視族群群標W_j ' 。完成步驟810預測家戶映射之個人特徵後，將同時進行步驟821估計先驗機率分配統計量，及步驟830估計收視長度。

步驟821估計先驗機率分配統計量，從步驟810預測家戶映射 之個人特徵取得的收視族群群標W_j ' ，並從步驟600建立收視人數機率模型，利用該群標W_j ' 以外的群標W' _j-1 各自之收視人數的迴歸機率模型，結合步驟100取得家戶之收視記錄資料，取其母體的家戶層級之家戶結構屬性、家戶收視屬性、節目資訊，作為迴歸機率模型的自變數估計參數，並計算該群標W_j ' 其個人特徵之收視人數的之先驗機率分配統計量，其值為運用扣除群標W_j ' 以外的群標W' _j-1 之迴歸機率模型所計算之超參數，包含平均向量u及共變異數矩陣Q，如下表示式3：

p：自變數個數

u_q ：第q個自變數估計參數其迴歸係數β_q 之平均

b_qm ：表示第m個群標之迴歸模型中第q個迴歸係數β_q 的估計值

步驟830估計收視長度，從步驟810預測家戶映射之個人特徵取得的收視族群群標W_j ' ，並從步驟700建立收視時間機率模型，取得該群標 W_j ' 之收視時間機率模型，得到個人特徵之收視長度的期望值估計式，之後從步驟100取得家戶之收視記錄資料得到母體的家戶收視長度，其值為相對於強度λ的時間區間T之比重t' ，並代入個人特徵之收視長度的期望值估計式中，計算出母體家戶之個人特徵之收視長度之估計，如下表示式4。

步驟822估計收視人數，從步驟821估計先驗機率分配統計量取得群標W_j ' 的個人特徵之收視人數的迴歸機率模型、自變數X' 、先驗機率之平均向量u及共變異矩陣Q，將自變數X' 、先驗機率之平均向量u及共變異矩陣Q代入迴歸機率模型的個人特徵之收視人數的期望值中，使該迴歸機率模型轉置為具有先驗分配的貝式迴歸機率模型，最後計算出母體家戶之個人特徵之收視人數之估計，其值為該個人特徵之收視人數的期望值為後驗機率的期望值，如下表示式5。

待同時完成步驟822估計收視人數及步驟830估計收視長度後，將進行步驟840計算收視率，從上述前二步驟取得該家戶之個人特徵之收視長度的期望值估計，和個人特徵之收視人數後驗機率的期望值估計，對應個人特徵k，計算出個人特徵之總收視長度，其值為個人特徵之收視長度與收視人數的機率相乘之聯合期望值；另外，再利用收視率計算目標時段T_period ，與各家戶計算出所有個人特徵之收視人數後驗機率的期望值估計的總和乘積，作為收視率計算目標時段總長度，最後將各家戶計算結 果進行加總，求出在一收視率計算目標時段T_period 中、第k種個人特徵之總收視長度及總收視人數，推估出第k種個人特徵之質化收視率，如下表示式6。

Y_Ratings(k) ：第k種個人特徵之總收視長度

Y_Ratings(All) ：收視率計算目標時段總長度

：第k種個人特徵之收視人數的期望值

：第k種個人特徵之收視長度的期望值

n：母體總家戶數

其中∵x ⊥y Y _{Ratings (k )} =E (xy )=ʃʃxy ×f (x ,y )dxdy =[ʃxf (x )dx ][ʃyf (y )dy ]

x：個人特徵之收視人數變數

y：個人特徵之收視長度變數

f(x)：個人特徵之收視人數之機率模型分配

以下特舉一實施例對本發明IPTV個人質化收視之動態估計方法進行說明，當一數位媒體內容提供商為了能夠精準地找出家戶成員的個人收視模式，以利進行廣告投放的規劃，希望利用家戶數位媒體設備中的家戶收視記錄，估計出在不同時段下特定頻道的個人特徵之收視率，藉由個人特徵之收視率將廣告精準地投放至相對應的頻道與時段，則可運用本發明IPTV個人質化收視之動態估計方法的技術，透過數位媒體網路平台取得母體家戶收視記錄，以資料探勘技術估計出個人特徵之收視人數及收視長度，達到產生個人特徵之收視率之效果。

假設本實施例的母體家戶為四戶、皆收視節目頻道001、節目種類為新聞之收視行為，一數位媒體內容提供商欲找出3C族與文青族的個人收視率在各收視時段的估計值，並以該個人收視率收視較高的時段作 為投放3C產品及書籍類產品的廣告排播規劃，首先進行步驟100取得家戶之收視記錄資料，透過IPTV數位機上盒設備經由網路平台，收集母體每戶的家戶結構屬性，如「家戶訂閱頻道量」等；家戶收視屬性，如「收視時段」、「收視起始時間」、「收視結束時間」等；節目資訊，包含「節目頻道」、「節目種類」等，以及「家戶收視長度」，並持續地儲存下來成為家戶之收視記錄資料(如表一)中。

步驟200收集個人收視調查資料，針對廣告投放的目標客群，從母體家戶中抽樣取得樣本戶，再利用個人收視調查方法，透過個人收視記錄儀收集樣本戶中每位家庭成員的收視記錄，包含個人屬性，如「年齡」、「性別」等；個人收視屬性，如「收視起始時間」、「收視結束時間」等；個人特徵，其特徵類別如「3C族」、「文青族」等，以及個人收視長度，並透過家戶ID，結合該家戶成員所在的家戶之收視記錄資料中的家戶之收視記錄資料，合併彙整後成為每位家戶成員之訓練集(如表二)。

接著進行步驟300萃取個人特徵概念，從步驟200收集個人收視調查資料擷取的訓練集後，以訓練集中的家戶成員ID為角度，將訓練集中家戶之收視記錄資料的「家戶結構屬性」、以及家庭成員的收視記錄的「個人屬性」、「個人特徵」視為該家戶成員ID的特徵向量(如表三)，熟悉資料 探勘技藝者，之後可對該特徵向量以分群演算技術(如非監督式類神經分群演算法、模糊分群演算法…等)進行概念萃取，得到的分群結果為j個群聚S，且如在各群聚S中以個人特徵的角度來看，可視為各群聚S_j 各自含有k種個人特徵，最後並將群聚S_j 轉至為個人收視族群群標W_j 的值(如表四)。

步驟400標記個人收視族群群標，將步驟300萃取個人特徵概念之個人收視族群群標W_j 視為一個群標衍生變數，並標記回步驟300收集個人收視調查資料之訓練集中，使得該訓練集新增一項群標衍生變數。之後將同時進行步驟500建立個人收視族群分類器、步驟600建立收視人數機率模 型、步驟700建立收視時間機率模型。

進行步驟500建立個人收視族群分類器，從步驟400標記個人收視族群群標之訓練集取得家戶之收視記錄資料中「家戶結構屬性」作為輸入參數、訓練集中的群標衍生變數作為輸出分類，利用資料探勘的分類演算技術(如決策樹演算法、C5.0演算法)進行分類器訓練後會產生輸入參數的分類規則(如表五)，並且形成一決定輸出分類的分類器，即為本發明方法之個人收視族群分類器。

步驟600建立收視人數機率模型，從步驟400標記個人收視族群群標之訓練集，利用訓練集資料，以資料探勘的迴歸演算技術建立收視人數機率模型，依序先按照訓練集之衍群標衍生變數的數值對訓練集資料進行分組，以訓練集中的家戶ID為角度，本例將各組資料中的家戶訂閱頻道量、節目種類視為該家戶的特徵向量(如表六)，該特徵向量並且作為模型之自變數，彙整出各個人特徵之收視人數作為應變數，之後各自建立個人特徵之收視人數的迴歸機率模型，計算出個人特徵之收視人數的期望值(如表七)。

步驟700建立收視時間機率模型，從步驟400標記個人收視族 群群標之訓練集，利用訓練集資料(如表八)，以資料探勘的卜瓦松機率模型演算技術建立收視長度機率模型，依序先按照訓練集之群標衍生變數的數值對訓練集資料進行分組，分別從群聚S1和群聚S2中，假設本例以分鐘為最小長度單位，將訓練集中的家戶收視長度除以分鐘轉換為次數表示，並假設一時間區間T為一小時，計算出各家戶層級之節目頻道、節目種類、收視時段交叉組合下的平均家戶收視長度，作為強度λ(如表九)；另外本例以個人層級之性別建立個人特徵之收視人數的概率，並且計算出該概率形成的序列{Y_i }其個人收視長度占家戶收視長度的占比(如表十)，最後計算出各群聚中每種個人特徵之收視長度的期望值(如表十一)。

待前三步驟完成後，將進行步驟800計算個人質化收視率，請參考圖二，首先進行步驟810預測家戶映射之個人特徵，透過步驟100取得家戶之收視記錄資料，得到母體的家戶之收視記錄資料，取出母體的家戶結構屬性作為輸入變數，代入從步驟500建立個人收視族群分類器取得的個人收視族群分類器Classifier(γ)，，執行分類器後預測出母體中每戶 家戶歸屬的群標衍生變數，其值為個人收視族群群標W_j ' (如表十二)。

完成後同時進行步驟821估計先驗機率分配統計量，及步驟830估計收視長度。步驟821估計先驗機率分配統計量，從步驟810預測家戶映射之個人特徵取得的收視族群群標W_j ' ，並從步驟600建立收視人數機率模型，利用該群標W_j ' 以外的群標W' _j-1 各自之收視人數的迴歸機率模型，結合步驟100取得家戶之收視記錄資料，本例取其母體的家戶訂閱頻道量、節目種類，作為迴歸機率模型的自變數估計參數(如表十三)，代入扣除群標W_j ' 以外的群標W' _j-1 之迴歸機率模型，計算出平均向量u及共變異數矩陣Q，作為該群標W_j ' 其個人特徵之收視人數的之先驗機率分配統計量(如表十四)。

步驟830估計收視長度，從步驟810預測家戶映射之個人特徵 取得的收視族群群標W_j ' ，並從步驟700建立收視時間機率模型，取得該群標W_j ' 之收視時間機率模型，得到個人特徵之收視長度的期望值，之後從步驟100取得家戶之收視記錄資料得到母體的家戶收視長度，其值為相對於強度λ的收視率計算最小長度單位之比重，本例之收視時間機率模型以一小時作為強度λ的最小長度單位，因此將母體的家戶收視長度除以一小時計算出母體的比重t' (如表十五)，並且參照該群標W_j ' 之收視時間機率模型，將比重t' 代入個人特徵之收視長度的期望值中，計算出母體家戶之個人特徵之收視長度之估計(如表十六)。

完成步驟821估計先驗機率分配統計量後，接著進入步驟822 估計收視人數，從步驟821估計先驗機率分配統計量取得群標W_j ' 的個人特徵之收視人數的迴歸機率模型、自變數X' 、先驗機率之平均向量u及共變異矩陣Q，代入自變數於該群標W_j ' 的模型後，使該迴歸機率模型轉置為具有先驗分配的貝式迴歸機率模型，並結合先驗機率之平均向量u及共變異矩陣Q(如表十七)，計算其機率模型之後驗機率的期望值，得到該家戶之個人特徵之收視人數之估計(如表十八)。

待同時完成步驟822估計收視人數及步驟830估計收視長度後，將進行步驟840計算收視率，從上述前二步驟取得該家戶之個人特徵之收視長度的期望值估計，和個人特徵之收視人數後驗機率的期望值估計，首先計算出第k種個人特徵之總收視長度，其值為個人特徵之收視長度與個人特徵之收視人數的機率相乘之聯合期望值；另外計算出收視率計算目標時段總長度，本例中收視率計算目標時段其值為「收視時段」，因此T_period 為3小時(早上5：00~8：00/夜晚22：00~01：00)，之後再計算出收視率計算目標時段與該母體所屬的個人特徵之收視人數期望值總和的乘積而得之，最後將將母體所有家戶計算出的結果做彙總(如表十九)，並將第k種個人特徵之總收視長度除以家戶總收視長度，最後推估出一目標時段中第k種個人特徵之質化收視率，得到3C族於夜晚的收視率高於文青族的收視率，早上則為相反的結果(如表二十)。

100‧‧‧取得家戶之收視記錄資料

200‧‧‧收集個人收視調查資料

300‧‧‧萃取個人特徵概念

400‧‧‧標記個人收視族群群標

500‧‧‧建立個人收視族群分類器

600‧‧‧建立收視人數機率模型

700‧‧‧建立收視時間機率模型

800‧‧‧計算個人質化收視率

Claims (9)

1. 一種IPTV個人質化收視之動態估計方法，其步驟流程包括：步驟1、取得家戶收視記錄資料，由數位媒體平台收集全體家戶之收視記錄；步驟2、收集個人收視調查資料，透過資料蒐集取得家戶之個人層級的收視記錄資料，並於蒐集完成後依據家戶之收視記錄資料，找出相同的家戶並將之視為家戶層級的收視記錄資料，合併後成為每位家戶成員之訓練集；步驟3、萃取個人特徵概念，將訓練集之家戶結構屬性、個人屬性及個人特徵作為輸人參數，利用資料探勘的分群演算技術進行個人特徵概念萃取，分群後得到j個群聚S、每個群聚各自含有k種個人特徵，群聚S_j 代表個人特徵概念，基於個人特徵概念得到個人收視族群群標W_j ；步驟4、標記個人收視族群群標，將萃取個人特徵概念之個人收視族群群標視為一個群標衍生變數，並標記回所收集的個人收視調查資料之訓練集中，使得該訓練集新增一項群標衍生變數，其值為個人收視族群群標W_j ；步驟5、建立個人收視族群分類器，取得標記個人收視族群群標之訓練集作為訓練資料，從訓練集中取出家戶層級的家戶結構屬性作為輸入參數，群標衍生變數作為輸出分類，利用資料探勘的分類演算技術進行分類器訓練後產生個人收視族群分類器； 步驟6、建立收視人數機率模型，取得標記個人收視族群群標之訓練集，按照訓練集之群標衍生變數的數值進行資料分組後，建立各組別中個人特徵之收視人數的迴歸機率模型，並藉由線性迴歸機率模型的推論，利用訓練集計算出個人特徵之收視人數的期望值；步驟7、建立收視時間機率模型，取得標記個人收視族群群標之訓練集，按照訓練集之群標衍生變數的數值進行資料分組，從各組別資料中，將訓練集中的家戶收視長度依收視率計算最小長度單位轉換為次數表示，並計算出各組於一時間區間T內，各家戶層級之家戶結構屬性、家戶收視屬性、節目資訊之交叉組合下的平均家戶收視長度，作為強度λ，然後再以個人層級之個人屬性、個人收視屬性建立出個人特徵之收視人數的概率，並視其為獨立隨機的序列{Y_i }，並由序列{Y_i }對應各個人特徵之收視長度占比，在該時間區間T內發生次數N(t)的隨機過程，建立各組別中個人特徵之收視時間機率模型；步驟8、建立個人質化收視率，預測家戶映射之個人特徵並估計先驗機率分配統計量、收視人數及收視長度，然後計算收視率，其步驟流程包括：步驟8-1、預測家戶映射之個人特徵，透過家戶之收視記錄資料，得到母體的家戶結構屬性作為輸入變數，然後代入執行個人收視族群分類器後預測出各家戶之群標衍生變數，其值為個人收視族群群標W_j ' ； 步驟8-2、估計先驗機率分配統計量，利用該收視族群群標W_j ' 以外的群標W' _j-1 各自之收視人數的迴歸機率模型，結合家戶之收視記錄資料，取其家戶層級之家戶結構屬性、家戶收視屬性、節目資訊，作為迴歸機率模型的自變數估計參數，並計算該收視族群群標W_j ' 其個人特徵之收視人數的之先驗機率分配統計量，其值為運用扣除收視族群群標W_j ' 以外的群標W' _j-1 之迴歸機率模型所計算之超參數，包含平均向量u及共變異數矩陣Q；步驟8-3、估計收視長度，從收視族群群標W_j ' 及收視時間機率模型，取得該收視族群群標W_j ' 之收視時間機率模型，得到個人特徵之收視長度的期望值估計式後，由家戶之收視記錄資料得到家戶收視長度，其值為相對於強度λ的時間區間T之比重t' ，並代入個人特徵之收視長度的期望值估計式中，計算出母體家戶之個人特徵之收視長度之估計；步驟8-4、估計收視人數，從估計先驗機率分配統計量取得收視族群群標W_j ' 的個人特徵之收視人數的迴歸機率模型、自變數X' 、先驗機率之平均向量u及共變異矩陣Q，將自變數X' 、先驗機率之平均向量u及共變異矩陣Q代入迴歸機率模型的個人特徵之收視人數的期望值中，使該迴歸機率模型轉置為具有先驗分配的貝式迴歸機率模型，最後計算出母體家戶之個人特徵之收視人數之 估計，其值為該個人特徵之收視人數的期望值為後驗機率的期望值；步驟8-5、計算收視率，利用家戶之個人特徵之收視長度的期望值估計，和個人特徵之收視人數後驗機率的期望值估計，對應個人特徵k，計算出個人特徵之總收視長度，其值為個人特徵之收視長度與收視人數的機率相乘之聯合期望值，然後再利用收視率計算目標時段T_period ，與各家戶計算出所有個人特徵之收視人數後驗機率的期望值估計的總和乘積，作為收視率計算目標時段總長度，最後將各家戶計算結果進行加總，求出在一收視率計算目標時段T_period 中、第k種個人特徵之總收視長度及總收視人數，推估出第k種個人特徵之質化收視率。
2. 如請求項1所述之IPTV個人質化收視之動態估計方法，其中該數位媒體平台包括多媒體隨選視訊、串流媒體、MOD或其他電視機上盒。
3. 如請求項1所述之IPTV個人質化收視之動態估計方法，其中該全體家戶之收視記錄包括家戶結構屬性、家戶收視屬性、節目資訊及家戶收視長度。
4. 如請求項1所述之IPTV個人質化收視之動態估計方法，其中該資料蒐集包括由定期執行的客戶抽樣調查中收集、由申裝數位媒體平台時所填寫之資料中收集或其他取得個人收視記錄之資料中收集。
5. 如請求項1所述之IPTV個人質化收視之動態估計方法，其中該個人層級 的收視記錄資料包括個人屬性、個人收視屬性、個人收視長度及個人特徵。
6. 如請求項5所述之IPTV個人質化收視之動態估計方法，其中該個人特徵為加人廣告或產品相關的操作資訊後的個人化特徵。
7. 如請求項1所述之IPTV個人質化收視之動態估計方法，其中該收視率計算最小長度單位係指當計算每分鐘收視率時，係以分鐘為最小長度單位，計算每小時收視率時，則是以小時為最小長度單位。
8. 如請求項1所述之IPTV個人質化收視之動態估計方法，其中該建立收視人數的迴歸機率模型係從各組別資料中，分別取其家戶層級之家戶結構屬性、家戶收視屬性、節目資訊作為自變數估計參數的向量，個人特徵之收視人數作為依變數的觀測值後，建立個人特徵之收視人數的迴歸機率模型。
9. 如請求項1所述之IPTV個人質化收視之動態估計方法，其中該收視時間機率模型為一相對時間區間、由隨機過程構成強度為λ之複合卜瓦松機率模型。