TWI775385B - 網路電視機上盒首頁推薦之系統、方法及電腦可讀媒介 - Google Patents

Abstract

本發明揭露一種網路電視機上盒首頁推薦之系統、方法及電腦可讀媒介，係由網路電視機上盒透過無線通訊搜尋至少一用戶裝置而取得裝置名稱、裝置訊號強度與用戶觀看紀錄。繼之，由雲端平台將裝置訊號強度轉換成用戶裝置至網路電視機上盒之距離，以將用戶裝置至網路電視機上盒之距離進行群集分析而取得觀看之用戶裝置列表，再依據觀看之用戶裝置列表與用戶觀看紀錄進行預測以取得預測結果、客製化之推薦首頁與推薦資訊。然後，當對網路電視機上盒進行開機時，雲端平台回傳預測結果予網路電視機上盒以提供客製化之推薦首頁與推薦資訊，俾由顯示裝置顯示客製化之推薦首頁、推薦資訊及/或其提示視窗。

Description

網路電視機上盒首頁推薦之系統、方法及電腦可讀媒介

本發明係關於一種網路電視(如網際網路協定電視IPTV；Internet Protocol Television)機上盒首頁之推薦技術，特別是指一種網路電視機上盒(如IPTV機上盒)首頁推薦之系統、方法及電腦可讀媒介。

一般市面上之網路電視(如網際網路協定電視IPTV)機上盒之開機首頁(開機可泛指冷開機或熱開機)均是進入一個固定首頁，而無法提供一個客製化(包括個人化或家庭)之推薦首頁。例如：Netflix影視服務需綁定一個個人帳號，進入Netflix影視服務時，會提供一個選擇登入用戶之選單，且在選單上選擇登入用戶後，Netflix影視服務便能提供一個特定頁面。

換言之，在現有技術中，網路電視機上盒(如IPTV機上盒)之開機首頁通常為固定頁面，若要提供客製化(包括個人化或家庭)之開機首頁，通常需綁定用戶帳號及選定用戶，故會降低開機首頁之操作便捷度。

另外，網路電視機上盒(如IPTV機上盒)提供之電視節目與 隨選影片推薦，通常僅針對單一網路電視機上盒(如IPTV機上盒)之操作行為與觀看紀錄進行推薦，無法有效辨別操作用戶可能為個人或群體用戶(如家庭用戶)，亦無法依據不同時間點之用戶觀看紀錄給予用戶不同的推薦，導致網路電視機上盒(如IPTV機上盒)無法做到較佳的調適性。

因此，如何提供一種創新之網路電視機上盒(如IPTV機上盒)首頁推薦技術，以解決上述之問題或提供相關之功能，已成為本領域技術人員之一大研究課題。

本發明提供一種創新之網路電視機上盒(如IPTV機上盒)首頁推薦之系統、方法及電腦可讀媒介，係透過無線通訊技術偵測網路電視機上盒(如IPTV機上盒)周邊之一或多個用戶裝置，或者提供用戶個人化或客製化之推薦首頁與推薦資訊(如推薦廣告/影片)，又或者提供一套無須綁定用戶帳號之機制，抑或者達到網路電視機上盒(如IPTV機上盒)於開機時即可提供用戶偏好設定之智慧化終端服務。

本發明之網路電視機上盒(如IPTV機上盒)首頁推薦之系統，包括：一網路電視機上盒(如IPTV機上盒)，係透過無線通訊搜尋周邊之一或多個用戶裝置，以由網路電視機上盒取得一或多個用戶裝置之裝置名稱、裝置訊號強度與用戶觀看紀錄；以及一雲端平台，係接收網路電視機上盒所取得之一或多個用戶裝置之裝置名稱、裝置訊號強度與用戶觀看紀錄，以由雲端平台將一或多個用戶裝置之裝置訊號強度轉換成一或多個用戶裝置至網路電視機上盒之距離，再由雲端平台將一或多個用戶裝置至網路電 視機上盒之距離進行群集分析以取得群集分析之估算結果，進而由雲端平台依據群集分析之估算結果取得觀看之用戶裝置列表，其中，雲端平台依據觀看之用戶裝置列表與用戶觀看紀錄進行預測以取得預測結果，再由雲端平台依據預測結果取得網路電視機上盒之客製化之推薦首頁與推薦資訊(如推薦廣告/影片)，且其中，當對網路電視機上盒進行開機時，網路電視機上盒將一或多個用戶裝置之裝置名稱傳送至雲端平台，以由雲端平台回傳預測結果予網路電視機上盒，再由網路電視機上盒依據預測結果提供客製化之推薦首頁與推薦資訊(如推薦廣告/影片)。

本發明之網路電視機上盒(如IPTV機上盒)首頁推薦之方法，包括：由一網路電視機上盒(如IPTV機上盒)透過無線通訊搜尋周邊之一或多個用戶裝置，以由網路電視機上盒取得一或多個用戶裝置之裝置名稱、裝置訊號強度與用戶觀看紀錄；由一雲端平台接收網路電視機上盒所取得之一或多個用戶裝置之裝置名稱、裝置訊號強度與用戶觀看紀錄，以由雲端平台將一或多個用戶裝置之裝置訊號強度轉換成一或多個用戶裝置至網路電視機上盒之距離，再由雲端平台將一或多個用戶裝置至網路電視機上盒之距離進行群集分析以取得群集分析之估算結果，進而由雲端平台依據群集分析之估算結果取得觀看之用戶裝置列表，其中，雲端平台依據觀看之用戶裝置列表與用戶觀看紀錄進行預測以取得預測結果，再由雲端平台依據預測結果取得網路電視機上盒之客製化之推薦首頁與推薦資訊(如推薦廣告/影片)；以及當對網路電視機上盒進行開機時，網路電視機上盒將一或多個用戶裝置之裝置名稱傳送至雲端平台，以由雲端平台回傳預測結果予網路電視機上盒，再由網路電視機上盒依據預測結果提供客製化之推薦首頁與推薦資訊(如推薦廣告/影片)。

本發明之電腦可讀媒介應用於計算裝置或電腦中，係儲存有 指令，以執行上述之網路電視機上盒(如IPTV機上盒)首頁推薦之方法。

為讓本發明之上述特徵與優點能更明顯易懂，下文特舉實施例，並配合所附圖式作詳細說明。在以下描述內容中將部分闡述本發明之額外特徵及優點，且此等特徵及優點將部分自所述描述內容可得而知，或可藉由對本發明之實踐習得。應理解，前文一般描述與以下詳細描述兩者均為例示性及解釋性的，且不欲約束本發明所欲主張之範圍。

1:網路電視機上盒(IPTV機上盒)首頁推薦之系統

10:用戶裝置

20:IPTV機上盒

21:無線通訊訊號接收模組

22:用戶觀看紀錄蒐集模組

23:用戶畫面控制模組

30:雲端平台

31:用戶識別模組

32:用戶推薦模組

40:顯示裝置

41:螢幕

42:提示視窗

A:裝置訊號強度

A1:裝置名稱

B:用戶觀看紀錄

C1:推薦首頁

C2:推薦廣告/影片

D1:觀看之用戶裝置列表

D2:機器學習演算法

D3:裝置訊號強度與距離之轉換公式

E:深度學習演算法

S1至S9:步驟

圖1為本發明之網路電視機上盒(如IPTV機上盒)首頁推薦之系統的架構示意圖；

圖2A至圖2D為本發明之用戶裝置為單一用戶之收斂過程的示意圖；

圖3A至圖3D為本發明之用戶裝置為群體用戶之收斂過程的示意圖；

圖4為本發明之網路電視機上盒(如IPTV機上盒)與顯示裝置之呈現方式的示意圖；以及

圖5為本發明之網路電視機上盒(如IPTV機上盒)首頁推薦之方法的流程示意圖。

以下藉由特定的具體實施形態說明本發明之實施方式，熟悉此技術之人士可由本說明書所揭示之內容了解本發明之其它優點與功效，亦可因而藉由其它不同的具體等同實施形態加以施行或運用。

圖1為本發明之網路電視(如網際網路協定電視IPTV)機上盒首頁推薦之系統1的架構示意圖。如圖所示，網路電視機上盒(如IPTV機上盒)首頁推薦之系統1可包括互相通訊之至少一(如多個)用戶裝置10、一網路電視機上盒(如IPTV機上盒20)、一雲端平台30與一顯示裝置40，網路電視機上盒(如IPTV機上盒20)可通訊或連結用戶裝置10、雲端平台30與顯示裝置40，且本發明所述之多個代表二個以上(如二、三或四個以上)。

例如，用戶裝置10可為行動裝置(如智慧手機)、穿戴裝置(如智慧手錶/智慧手環)、電腦(如平板電腦/筆記型電腦/桌上型電腦)等，雲端平台30可為雲端伺服器或雲端主機等，顯示裝置40可為電視、電腦、顯示器或顯示面板等。

網路電視機上盒(如IPTV機上盒20)可具有一無線通訊訊號接收模組21、一用戶觀看紀錄蒐集模組22與一用戶畫面控制模組23，且雲端平台30可具有一用戶識別模組31與一用戶推薦模組32。

例如，無線通訊訊號接收模組21可為無線通訊訊號接收器(晶片/電路)、無線通訊訊號接收軟體(程式)等，用戶觀看紀錄蒐集模組22可為用戶觀看紀錄蒐集器(晶片/電路)、用戶觀看紀錄蒐集軟體(程式)等，用戶畫面控制模組23可為用戶畫面控制器(晶片/電路)、用戶畫面控制軟體(程式)等。用戶識別模組31可為用戶識別器(晶片/電路)、用戶識別軟體(程式)等，用戶推薦模組32可為用戶推薦器(晶片/電路)、用戶推薦軟體(程式)等。

網路電視機上盒(如IPTV機上盒20)之無線通訊訊號接收 模組21可透過無線通訊技術(如無線保真WiFi及/或藍牙)取得周邊之一或多個用戶裝置10之裝置名稱A1與裝置訊號強度A，以由雲端平台30之用戶識別模組31利用機器學習演算法D2更準確地偵測出網路電視機上盒(如IPTV機上盒20)周邊之一或多個用戶裝置10是否為觀看之用戶裝置10，其中，裝置訊號強度A可例如為接收信號強度指標(Received Signal Strength Indicator；RSSI)。同時，用戶識別模組31可依據觀看之用戶裝置10之資訊取得觀看之用戶裝置列表D1與用戶觀看紀錄B，以由用戶推薦模組32將觀看之用戶裝置列表D1與用戶觀看紀錄B作為特徵值送入深度學習演算法E(如序列預測演算法)中進行訓練、估算或預測。

雲端平台30之用戶推薦模組32可依據深度學習演算法E(如序列預測演算法)之預測結果，提供推薦首頁C1(如開機首頁)與推薦資訊(如推薦廣告/影片C2)予用戶，其中，推薦廣告/影片C2代表推薦之廣告與影片其中至少一者。當用戶下一次對網路電視機上盒(如IPTV機上盒20)進行開機時，網路電視機上盒(如IPTV機上盒20)便能主動進入客製化(包括個人化或家庭)之推薦首頁C1(如開機首頁)，且提供推薦資訊(如推薦廣告/影片C2)之相關聯之提示視窗42(如選項或確認鍵)於顯示裝置40之螢幕41上(見圖4)，俾供用戶點選顯示裝置40之提示視窗42以前往觀看推薦資訊(如推薦廣告/影片C2)。

具體而言，網路電視機上盒(如IPTV機上盒20)之無線通訊訊號接收模組21可接收周邊之一或多個用戶裝置10之無線通訊訊號，且透過通訊方式(如無線通訊)連結雲端平台30之用戶識別模組31。用戶識別模組31可蒐集周邊之一或多個用戶裝置10之裝置名稱A1與裝置訊號 強度A(如接收信號強度指標RSSI)，以由用戶識別模組31依據一或多個用戶裝置10之裝置名稱A1與裝置訊號強度A(如接收信號強度指標RSSI)進行用戶裝置10之識別及取得觀看之用戶裝置列表D1。

網路電視機上盒(如IPTV機上盒20)之用戶觀看紀錄蒐集模組22可透過通訊方式(如無線通訊)連結雲端平台30之用戶推薦模組32，亦能蒐集關聯於一或多個用戶裝置10之用戶觀看紀錄B，例如用戶觀看紀錄B可包括「觀看之電視節目或隨選影片」、「觀看之電視節目或隨選影片之類型」、「觀看之電視節目或隨選影片之觀賞時間」、「進入頁面」及/或「進入各頁面之時間點」等。雲端平台30之用戶推薦模組32可依據網路電視機上盒(如IPTV機上盒20)之用戶觀看紀錄蒐集模組22所蒐集之用戶觀看紀錄B與雲端平台30之用戶識別模組31所取得之觀看之用戶裝置列表D1估算出客製化之推薦首頁C1(如開機首頁)與推薦資訊(如推薦廣告/影片C2)。

網路電視機上盒(如IPTV機上盒20)之用戶畫面控制模組23可取得雲端平台30之用戶推薦模組32所估算之客製化之推薦首頁C1(如開機首頁)與推薦資訊(如推薦廣告/影片C2)，以透過用戶畫面控制模組23將客製化之推薦首頁C1與推薦資訊(如推薦廣告/影片C2)呈現於網路電視機上盒(如IPTV機上盒20)所連接(如有線連接或無線連接)之顯示裝置40之螢幕41上。

申言之，網路電視機上盒(如IPTV機上盒20)可透過無線通訊訊號接收模組21之無線通訊技術(如無線保真WiFi及/或藍牙)偵測一或多個用戶裝置10，並結合用戶觀看紀錄B進行學習與預測，以提供或控制 用戶之推薦首頁C1(如開機首頁)與推薦資訊(如推薦廣告/影片C2)，俾達到網路電視機上盒(如IPTV機上盒20)於開機時即可提供用戶偏好設定之智慧化終端服務。

當網路電視機上盒(如IPTV機上盒20)開機時，網路電視機上盒(如IPTV機上盒20)之無線通訊訊號接收模組21可搜尋周邊之一或多個用戶裝置10之無線通訊訊號(如無線保真WiFi及/或藍牙)，以利用無線通訊訊號取得一或多個用戶裝置10之裝置名稱A1與裝置訊號強度A(如接收信號強度指標RSSI)，再由無線通訊訊號接收模組21將所有搜尋到之裝置名稱A1與相對應之裝置訊號強度A(如接收信號強度指標RSSI)傳送至雲端平台30。

雲端平台30之用戶識別模組31可辨識用戶裝置10之裝置名稱A1是否為觀看網路電視機上盒(如IPTV機上盒20)之用戶裝置10之裝置名稱A1，以由用戶識別模組31將裝置訊號強度A(如接收信號強度指標RSSI)透過一轉換公式(如裝置訊號強度與距離之轉換公式D3)進行轉換而取得一或多個用戶裝置10至網路電視機上盒(如IPTV機上盒20)之距離(如對應距離)。又，雲端平台30之用戶識別模組31可透過機器學習演算法D2(如群集演算法)對一或多個用戶裝置10之距離(如對應距離)進行估算，以將一或多個用戶裝置10之距離分群至觀看用戶距離之群集或非觀看用戶距離之群集(共兩個群集)，且將機器學習演算法D2(如群集演算法)所估算之距離之結果作為用戶裝置10之識別結果，進而依據用戶裝置10之識別結果取得觀看之用戶裝置列表D1。

雲端平台30之用戶識別模組31透過機器學習演算法D2(如 群集演算法)所取得之觀看之用戶裝置列表D1可能產生兩種結果，第一種結果為用戶識別模組31分析出觀看機上盒網路電視(如IPTV機上盒20)之用戶裝置10為單一用戶，第二種結果為用戶識別模組31分析出觀看網路電視機上盒(如IPTV機上盒20)之用戶裝置10為群體用戶(如家庭用戶)。

舉例而言，在雲端平台30之用戶識別模組31分析出觀看網路電視機上盒(如IPTV機上盒20)之用戶裝置10為單一用戶之第一種結果中，網路電視機上盒(如IPTV機上盒20)之無線通訊訊號接收模組21取得之資料格式為[用戶裝置之裝置名稱，裝置訊號強度]，例如多個(如5個)用戶裝置10之資料格式為{[智慧手環1,-30]，[智慧手環2,-80]，[智慧手機1,-70]，[智慧手機2,-95]，[電腦1,-88]}，以將用戶裝置10之裝置名稱A1與裝置訊號強度A送入用戶識別模組31，再由用戶識別模組31執行例如下列公式(1)所示之裝置訊號強度與距離之轉換公式D3，但不以此為限。

d=10^{(|RSSI|-A)/(10×n)} (1)

在公式(1)中，d代表用戶裝置10至網路電視機上盒(如IPTV機上盒20)之距離(如對應距離)，RSSI代表接收信號強度指標，A代表網路電視機上盒(如IPTV機上盒20或發射端)與用戶裝置10(如接收端)相隔1公尺(m)內之裝置訊號強度，n代表環境衰弱因子。

雲端平台30之用戶識別模組31可將一或多個用戶裝置10之裝置訊號強度A與相關聯之環境衰弱因子n之值賦予經驗值，且將含有用戶裝置10之距離(如對應距離)之轉換後資料格式呈現為[用戶裝置之裝置名稱，裝置訊號強度，距離]，例如多個(如5個)用戶裝置10之轉換後資料格式為{[智慧手環1,-30,0.45m]，[智慧手環2,-80,4m]，[智慧手機1,- 70,3.55m]，[智慧手機2,-95,5m]，[電腦1,-88,4.5m]}等，以將多個(如5個)用戶裝置10之裝置名稱A1、裝置訊號強度A與距離送入機器學習演算法D2(如群集演算法)中進行群集分析，且機器學習演算法D2(如群集演算法)可採用例如下列公式(2)所示群集分析(如K-means群集分析)之公式，但不以此為限。

在公式(2)中，i代表正整數，k代表分群數，以本發明為例，k=2(即兩個群集)；x_j代表周邊之用戶裝置10，以上述為例，j=5(即5個用戶裝置)；S_i代表i群集之用戶裝置10之總集合，μ_i代表i群集之群心，∥x-y∥代表歐基李德距離(Euclidean distance)。

圖2A至圖2D為本發明圖1所示之用戶裝置10為單一用戶之收斂過程的示意圖。如圖2A至圖2D所示，用戶裝置10之收斂過程為圖2A→圖2B→圖2C→圖2D，圓圈○代表為裝置名稱A1之用戶裝置10所對應之距離(如對應距離)，圓圈●與圓圈⊙分別代表用戶裝置10之兩個群集之群心，例如：圓圈●為第一群集之群心(此實施例之第一群集只有1個用戶)，且圓圈⊙為第二群集之群心(此實施例之第二群集有4個用戶)。

雲端平台30之用戶識別模組31在執行機器學習演算法D2(如群集演算法)之群集分析(如K-means群集分析)後，可取得觀看用戶(觀看用戶距離)為圖2D之左下角之圓圈①所示，而非觀看用戶(非觀看用戶距離)為圖2D之右上角之圓圈②所示，且觀看用戶(見圓圈①)為只有一個用戶裝置10之單一用戶。

又，在雲端平台30之用戶識別模組31分析出觀看網路電視 機上盒(如IPTV機上盒20)之用戶裝置10為群體用戶(如家庭用戶)之第二種結果中，網路電視機上盒(如IPTV機上盒20)之無線通訊訊號接收模組21取得之資料格式為[用戶裝置之裝置名稱，裝置訊號強度]，例如多個(如6個)用戶裝置10之資料格式為{[智慧手環1,-30]，[智慧手環2,-20]，[智慧手機1,-70]，[智慧手機2,-95]，[智慧手環3,-88]，[智慧手機3,-15]}，且將多個(如6個)用戶裝置10之裝置名稱A1與裝置訊號強度A送入用戶識別模組31，再由用戶識別模組31執行如上方公式(1)所示之裝置訊號強度與距離之轉換公式D3。

雲端平台30之用戶識別模組31可將一或多個用戶裝置10之裝置訊號強度A與相關聯之環境衰弱因子n之值賦予經驗值，且將含有用戶裝置10之距離(如對應距離)之轉換後資料格式呈現為[用戶裝置之裝置名稱，裝置訊號強度，距離]，例如多個(如6個)用戶裝置10之轉換後資料格式為{[智慧手環1,-30,0.45m]，[智慧手環2,-20,0.4m]，[智慧手機1,-70,3.55m]，[智慧手機2,-95,5m]，[智慧手環3,-88,4.5m]，[智慧手機3,0.3m]}，以由用戶識別模組31將多個(如6個)用戶裝置10之裝置名稱A1、裝置訊號強度A與距離送入機器學習演算法D2(如群集演算法)中進行群集分析，且機器學習演算法D2(如群集演算法)可採用如上方公式(2)所示群集分析(如K-means群集分析)之公式。

圖3A至圖3D為本發明圖1所示之用戶裝置10為群體用戶之收斂過程的示意圖。如圖3A至圖3D所示，用戶裝置10之收斂過程為圖3A→圖3B→圖3C→圖3D，圓圈○代表為裝置名稱A1之用戶裝置10所對應之距離(如對應距離)，圓圈●與圓圈⊙分別代表兩個群集之群心， 例如：圓圈●為第一群集之群心(此實施例之第一群集有3個用戶)，且圓圈⊙為第二群集之群心(此實施例之第二群集有3個用戶)。

用戶識別模組31在執行機器學習演算法D2(如群集演算法)之群集分析(如K-means群集分析)後，可取得觀看用戶(觀看用戶距離)為圖3D之左下角之圓圈①所示，而非觀看用戶(非觀看用戶距離)為圖3D之右上角之圓圈②所示，且觀看用戶(見圓圈①)為包括多個用戶裝置10之群體用戶(如家庭用戶)。

又，如圖1與圖2A至圖2D所示，當上述關於一或多個用戶裝置10之觀看用戶之識別結果為單一用戶時，雲端平台30之用戶推薦模組32可執行個人化之推薦首頁C1(如開機首頁)與推薦資訊(如推薦廣告/影片C2)之功能(程序)。亦即，網路電視機上盒(如IPTV機上盒20)可將用戶觀看紀錄蒐集模組22所蒐集之用戶觀看紀錄B傳送至雲端平台30，以由雲端平台30之用戶推薦模組32將用戶識別模組31所取得之觀看之用戶裝置列表D1與用戶觀看紀錄蒐集模組22所蒐集之用戶觀看紀錄B送入深度學習演算法E中進行訓練、估算或預測，其中，深度學習演算法E可採用序列預測演算法之架構對觀看之用戶裝置列表D1與用戶觀看紀錄B進行訓練、估算或預測。

舉例而言，用戶推薦模組32可透過深度學習演算法E(如序列預測演算法)執行觀看之用戶裝置列表D1與用戶觀看紀錄B之訓練過程。首先，用戶觀看紀錄蒐集模組22可將用戶觀看紀錄B建立成樹狀結構與可查找之序列表加以訓練，再藉由序列表計算序列之每一個元素之出現機率，當序列之每一個元素之分數越高，代表序列之每一個元素之出現 機率越大，例如下列公式(3)所示分數之計算公式，但不以此為限。

在公式(3)中，NS代表有相似序列之個數，NC代表序列表中共有多少個該元素，舊分數代表此序列先前已計算過之分數。

用戶推薦模組32之深度學習演算法E(如序列預測演算法)之估算過程中，依據用戶識別所取得之用戶U_usr可為前述觀看之用戶裝置列表D1、進入頁面與進入各頁面之時間點

，其中，usr

{1,2,...,n}，頁面page

{1,2,...,N}，時間點t

{0,1,...,23}，n或N代表正整數。而且，用戶推薦模組32之深度學習演算法E(如序列預測演算法)可將觀看之用戶裝置列表D1定義為用戶U、進入頁面定義為page與進入各頁面之時間點定義為t，並將作為用戶推薦模組32之資料預測時之特徵值定義為

，以依據此特徵值得到用戶U於時間點t取得網路電視機上盒(如IPTV機上盒20)之開機首頁之預測機率

。

然後，用戶推薦模組32之深度學習演算法E(如序列預測演算法)可將時間點

之時間點t賦予權重W^t，且本周期(如本周)之權重W^t可高於前一周期(如前周)之權重W^t，以此類推，例如下列公式(4)所示，但不以此為限。

在公式(4)中，

代表開機首頁之控制分數，

代表開機首頁之預測機率，W^t代表權重，S_Norm_U代表裝置訊號強度經正規化處理後之值，時間點t

{0,1,...,23}，U代表用戶，x代表索引(index)，min 代表取最小值，max代表取最大值。

用戶推薦模組32之深度學習演算法E(如序列預測演算法)可取得max{

}之索引x且定義為頁面max_x，以供用戶推薦模組32之資料預測功能預測出用戶U於時間點t之開機時之推薦首頁C1，其中，max{

}代表取出開機首頁之控制分數之最大值，亦即代表屬於用戶U於時間點t之開機首頁之推薦頁面為max_x，用戶U代表屬於usr之觀看用戶集合，索引x

{1,2,...,N}，usr

{1,2,...,n}，N或n代表正整數。

用戶推薦模組32之深度學習演算法E(如序列預測演算法)可以頁面max_x為根節點，將觀看之用戶裝置列表D1定義為用戶U、頁面max_x所屬之觀看節目/影片類型定義為cate與觀看節目/影片之觀賞時間定義為時間點t，作為用戶推薦模組32之資料預測時之特徵值定義為

，以由深度學習演算法E(如序列預測演算法)依據此特徵值提供用戶U於時間點t取得網路電視機上盒(如IPTV機上盒20)之推薦廣告之預測機率

，其中cate

{1,2,...,N}。然後，用戶推薦模組32之深度學習演算法E(如序列預測演算法)可將時間點t賦予權重W^t，且本周期(如本周)之權重W^t可高於前一周期(如前周)之權重W^t，以此類推，例如下列公式(5)所示，但不以此為限。

在公式(5)中，

代表推薦廣告之控制分數，

代表推薦廣告之預測機率，W^t代表權重，S_Norm_U代表裝置訊號強度經正規化處理後之值，時間點t

{0,1,...,23}，U代表用戶，y代表索引(index)， min代表取最小值，max代表取最大值。

用戶推薦模組32之深度學習演算法E(如序列預測演算法)可取得max{

}之索引(index)y且定義為max_y，以供用戶推薦模組32之資料預測功能預測出用戶U於時間t之推薦廣告或推薦廣告類型，其中，max{

}代表取出推薦廣告之控制分數之最大值，亦即代表屬於用戶U於時間點t之推薦廣告類行為max_y，用戶U代表屬於usr之觀看用戶集合，索引y

{1,2,...,N}，usr

{1,2,...,n}，N或n代表正整數。

深度學習演算法E(如序列預測演算法)可將所有片源資訊與用戶觀看過之節目/影片進行權重估算

，片源越新代表權重越高，用戶觀看過之節目/影片代表權重越低，並將時間點t賦予權重W ^t ，且本周期(如本周)之權重W ^t 可高於前一周期(如前周)之權重W ^t ，以此類推，藉此提供用戶於時間點t之時段之推薦影片，例如下列公式(6)所示，但不以此為限。

在公式(6)中，

代表推薦影片之控制分數，

代表推薦影片之預測機率，

代表片源權重估算，W^t代表時間權重，S_Norm_U代表裝置訊號強度經正規化處理後之值，時間點t

{0,1,...,23}，U代表用戶，z代表索引(index)，min代表取最小值，max代表取最大值。

用戶推薦模組32之深度學習演算法E(如序列預測演算法)可取得max{

}之索引(index)z且定義為max_z，以供用戶推薦模組32之資料預測功能預測出適合用戶U於時間點t之推薦影片或推薦影片類型，其中，max{

}代表取出推薦影片之控制分數之最 大值，用戶U代表屬於usr之觀看用戶集合，索引z

{1,2,...,N}，usr

{1,2,...,n}，N或n代表正整數。

上述用戶推薦模組32之深度學習演算法E(如序列預測演算法)之估算結果可作為推薦首頁C1與推薦資訊(如推薦廣告/影片C2)之結果，最後由雲端平台30將用戶推薦模組32所取得之推薦首頁C1與推薦資訊(如推薦廣告/影片C2)之結果(估算結果)傳送至網路電視機上盒(如IPTV機上盒20)，以由網路電視機上盒(如IPTV機上盒20)透過用戶畫面控制模組23將推薦首頁C1與推薦資訊(如推薦廣告/影片C2)呈現於網路電視機上盒(如IPTV機上盒20)所連接(如有線連接或無線連接)之顯示裝置40之螢幕41上。

另一方面，如圖1與圖3A至圖3D所示，當上述關於一或多個用戶裝置10之觀看用戶之識別結果為群體用戶(如家庭用戶)時，雲端平台30之用戶推薦模組32可執行群體用戶(如家庭用戶)之推薦首頁C1與推薦資訊(如推薦廣告/影片C2)之功能(程序)。

簡言之，相同或類似於上述關於一或多個用戶裝置10之觀看用戶之識別結果為單一用戶之說明，當關於一或多個用戶裝置10之觀看用戶之識別結果為群體用戶(如家庭用戶)時，網路電視機上盒(如IPTV機上盒20)可將用戶觀看紀錄蒐集模組22所蒐集之用戶觀看紀錄B傳送至雲端平台30，以由雲端平台30之用戶推薦模組32將用戶識別模組31所取得之觀看之用戶裝置列表D1與用戶觀看紀錄蒐集模組22所蒐集之用戶觀看紀錄B送入深度學習演算法E中進行訓練、估算或預測，再將深度學習演算法E之估算結果作為推薦首頁C1與推薦資訊(如推薦廣告/影片C2)之 結果，其中，深度學習演算法E可採用序列預測演算法之架構對觀看之用戶裝置列表D1與用戶觀看紀錄B進行訓練、估算或預測。此處之計算方式皆相同於上述公式(3)至公式(6)之計算方式，故不再重覆敘述。

最後，雲端平台30可將用戶推薦模組32所取得之推薦首頁C1與推薦資訊(如推薦廣告/影片C2)之結果(估算結果)加總後取一平均值再傳送至網路電視機上盒(如IPTV機上盒20)，以由網路電視機上盒(如IPTV機上盒20)透過用戶畫面控制模組23將推薦首頁C1與推薦資訊(如推薦廣告/影片C2)呈現於網路電視機上盒(如IPTV機上盒20)所連接(如有線連接或無線連接)之顯示裝置40之螢幕41上。

圖4為本發明之網路電視機上盒(如IPTV機上盒)與顯示裝置之呈現方式的示意圖，並參閱圖1予以說明。

在圖4之程序[1]中，網路電視機上盒(如IPTV機上盒20)之開機階段可執行例如「檢查網路線路運作」、「檢查網路IP配置」、「檢查網路連線狀況」、「檢查系統更新檔」、「讀取裝置動態設定」、「檢查首頁頁面設定」等多個程序，且將多個程序顯示於網路電視機上盒(如IPTV機上盒20)所連接之顯示裝置40之螢幕41上。

在圖4之程序[2]中，網路電視機上盒(如IPTV機上盒20)可開啟無線通訊技術之無線保真WiFi及/或藍牙，以開始搜尋網路電視機上盒(如IPTV機上盒20)周邊之一或多個用戶裝置10。

在圖4之程序[3]中，網路電視機上盒(如IPTV機上盒20)可將搜尋到之一或多個用戶裝置10之裝置名稱A1與裝置訊號強度A(如接收信號強度指標RSSI)等資訊傳送至雲端平台30以取得預測結果。

在圖4之程序[4]中，雲端平台30可透過事前離線訓練之結果，將推薦首頁C1與推薦資訊(如推薦廣告/影片C2)回傳至網路電視機上盒(如IPTV機上盒20)。網路電視機上盒(如IPTV機上盒20)可於開機完成後，自動導入客製化(包括個人化或家庭)之推薦首頁C1(如開機首頁)，且提供推薦資訊(如推薦廣告/影片C2)之提示視窗(如選項或確認鍵)於顯示裝置40之螢幕41上，俾供用戶點選顯示裝置40之提示視窗42以前往觀看推薦資訊(如推薦廣告/影片C2)。

圖5為本發明之網路電視機上盒(如IPTV機上盒)首頁推薦之方法的流程示意圖，並參閱圖1及圖4予以說明。同時，此網路電視機上盒(如IPTV機上盒)首頁推薦之方法之主要內容如下列圖5之步驟S1至步驟S9所記載，其餘內容相同於上述圖1至圖4之說明，於此不再重覆敘述。

在步驟S1中，網路電視機上盒(如IPTV機上盒20)於開機時，開啟無線通訊技術以透過無線通訊搜尋周邊之一或多個用戶裝置10，且由網路電視機上盒(如IPTV機上盒20)取得一或多個用戶裝置10之裝置名稱A1與裝置訊號強度A。亦即，當用戶開啟網路電視機上盒(如IPTV機上盒20時)，網路電視機上盒(如IPTV機上盒20)可自動開啟無線通訊技術(如無線保真WiFi及/或藍牙)以搜尋周邊之一或多個用戶裝置10，且取得周邊之一或多個用戶裝置10之裝置名稱A1與裝置訊號強度A。

在步驟S2中，網路電視機上盒(如IPTV機上盒)20定時將搜尋到之一或多個用戶裝置10之裝置名稱A1、裝置訊號強度A與用戶觀看紀錄B傳送至雲端平台30。亦即，網路電視機上盒(如IPTV機上盒20) 於搜尋周邊之用戶裝置10時，也可同步於網路電視機上盒(如IPTV機上盒20)之背景蒐集用戶觀看紀錄B，以將搜尋到之裝置名稱A1、裝置訊號強度A與用戶觀看紀錄B傳送至雲端平台30。在一實施例中，用戶觀看紀錄B可包括「觀看之電視節目或隨選影片」、「觀看之電視節目或隨選影片之類型」、「觀看之電視節目或隨選影片之觀賞時間」、「進入頁面」及/或「進入各頁面之時間點」等。

在步驟S3中，雲端平台30將一或多個用戶裝置10之裝置訊號強度A透過一轉換公式(如裝置訊號強度與距離之轉換公式D3)進行轉換，以取得一或多個用戶裝置10至網路電視機上盒(如IPTV機上盒20)之距離(如對應距離)。亦即，雲端平台30之功用為負責進行分析運算與回報運算結果至網路電視機上盒(如IPTV機上盒20)，故雲端平台30可將所取得之裝置訊號強度A(如接收信號強度指標RSSI)透過一轉換公式(如裝置訊號強度與距離之轉換公式D3)進行轉換以取得周邊之一或多個用戶裝置10至網路電視機上盒(如IPTV機上盒20)之距離(如對應距離)。

在步驟S4中，雲端平台30利用一機器學習演算法D2將一或多個用戶裝置10至網路電視機上盒(如IPTV機上盒20)之距離進行群集分析以取得群集分析之估算結果。亦即，為了更精準估算出觀看網路電視機上盒(如IPTV機上盒20)之用戶與過濾用戶裝置10之裝置訊號強度A之較極端數值，雲端平台30之用戶識別模組31可採用機器學習演算法D2(如群集演算法)取得兩個群集，例如兩個群集中之第一群集為觀看用戶距離之群集，且第二群集為非觀看用戶距離之群集。

在步驟S5中，雲端平台30依據群集分析之估算結果取得 觀看之用戶裝置列表D1。亦即，雲端平台30之用戶識別模組31可利用上述機器學習演算法D2(如群集演算法)取得觀看用戶距離，以依據觀看用戶距離建立對應的觀看之用戶裝置列表D1。

在步驟S6中，雲端平台30將觀看之用戶裝置列表D1與用戶觀看紀錄B作為特徵值，以透過深度學習演算法進行訓練與預測且取得預測結果。亦即，雲端平台30之用戶推薦模組32可將觀看之用戶裝置列表D1與用戶觀看紀錄B作為特徵值送入深度學習演算法E(如序列預測演算法)中進行訓練、估算或預測，且進一步取得觀看之用戶裝置列表D1與用戶觀看紀錄B之預測結果。

在步驟S7中，雲端平台30依據預測結果取得推薦首頁C1與推薦資訊(如推薦廣告/影片C2)。亦即，雲端平台30之用戶推薦模組32可依據前述步驟S1至步驟S6之估算結果或預測結果，取得網路電視機上盒(如IPTV機上盒20)於開機時之客製化之推薦首頁C1與推薦資訊(如推薦廣告/影片C2)。

在步驟S8中，用戶於下一次對網路電視機上盒(如IPTV機上盒20)進行開機時，網路電視機上盒(如IPTV機上盒20)將一或多個用戶裝置10之裝置名稱A1與(或)裝置訊號強度A傳送至雲端平台30，以由雲端平台30回傳預測結果予網路電視機上盒(如IPTV機上盒20)。亦即，當用戶於下一次對網路電視機上盒(如IPTV機上盒20)進行開機時，網路電視機上盒(如IPTV機上盒20)可將搜尋到之裝置名稱A1與(或)裝置訊號強度A傳送至雲端平台30，以由雲端平台30透過一連串之分析(見步驟S3至步驟S7)將估算結果或預測結果回傳至網路電視機上盒(如IPTV機上盒 20)。

在步驟S9中，網路電視機上盒(如IPTV機上盒20)依據預測結果提供用戶於開機時之推薦首頁C1與顯示推薦資訊(如推薦廣告/影片C2)，俾供用戶點選提示視窗42以前往觀看。亦即，網路電視機上盒(如IPTV機上盒20)可於開機完成時，將網路電視機上盒(如IPTV機上盒20)之開機首頁導到推薦首頁C1，且將推薦資訊(如推薦廣告/影片C2)之相關聯之提示視窗42顯示於網路電視機上盒(如IPTV機上盒20)所連接(如有線連接或無線連接)之顯示裝置40之螢幕41上，俾供用戶以點選方式選取螢幕41上之提示視窗42而前往觀看推薦資訊(如推薦廣告/影片C2)。

另外，本發明還提供一種用於網路電視機上盒(如IPTV機上盒)首頁推薦之方法之電腦可讀媒介，係應用於具有處理器及/或記憶體的計算裝置或電腦中，且此電腦可讀媒介儲存有指令，並可利用計算裝置或電腦透過處理器及/或記憶體執行電腦可讀媒介，以於執行電腦可讀媒介時執行上述內容。例如，處理器可為微處理器、中央處理單元(CPU)、圖形處理器(GPU)等，記憶體可為隨機存取記憶體(RAM)、記憶卡、硬碟(如雲端/網路硬碟)等，但不以此為限。

綜上，本發明之網路電視機上盒(如IPTV機上盒)首頁推薦之系統、方法及電腦可讀媒介至少具有下列特色、優點或技術功效。

一、本發明能透過無線通訊技術(如無線保真WiFi及/或藍牙)偵測網路電視機上盒(如IPTV機上盒)周邊之一或多個用戶裝置，亦能提供用戶個人化或客製化之推薦首頁與推薦資訊(如推薦廣告/影片)。

二、本發明能提供一套無須綁定用戶帳號之機制，且能解決 現有技術多為綁定用戶之資料之實體帳號才可進行個人化推薦之問題。

三、本發明除能提供個人化推薦外，亦能進階提供群體用戶(如家庭用戶)之識別與推薦，還能克服現有技術無法提供群體用戶(如家庭用戶)推薦之缺點。

四、本發明之雲端平台之用戶識別模組能利用機器學習演算法(如群集演算法或K-means群集分析)更準確地偵測出網路電視機上盒(如IPTV機上盒)周邊之一或多個用戶裝置是否為觀看之用戶裝置。

五、本發明之雲端平台(用戶推薦模組)能提供深度學習演算法(如序列預測演算法)，以對觀看之用戶裝置列表與用戶觀看紀錄進行訓練、估算或預測，有利於用戶推薦模組提供推薦首頁與推薦資訊(如推薦廣告/影片)。

六、本發明之雲端平台能提供或控制用戶之推薦首頁(如開機首頁)與推薦資訊(如推薦廣告/影片)，以達到網路電視機上盒(如IPTV機上盒)於開機時即可提供用戶偏好設定之智慧化終端服務。

七、本發明提供開機即自動切換至推薦首頁與推薦資訊(如推薦廣告/影片)之智慧化處理，能解決現有技術通常於特定頁面才提供推薦影片，且用戶需自行切換至指定頁面才可查看之問題。

八、本發明能依據不同時間點之用戶觀看紀錄給予用戶不同的推薦，使得網路電視機上盒(如IPTV機上盒)能做到較佳的調適性。

上述實施形態僅例示性說明本發明之原理、特點及其功效，並非用以限制本發明之可實施範疇，任何熟習此項技藝之人士均能在不違背本發明之精神及範疇下，對上述實施形態進行修飾與改變。任何使用本 發明所揭示內容而完成之等效改變及修飾，均仍應為申請專利範圍所涵蓋。因此，本發明之權利保護範圍應如申請專利範圍所列。

1:網路電視機上盒(IPTV機上盒)首頁推薦之系統

10:用戶裝置

20:IPTV機上盒

21:無線通訊訊號接收模組

22:用戶觀看紀錄蒐集模組

23:用戶畫面控制模組

30:雲端平台

31:用戶識別模組

32:用戶推薦模組

40:顯示裝置

A:裝置訊號強度

A1:裝置名稱

B:用戶觀看紀錄

C1:推薦首頁

C2:推薦廣告/影片

D1:觀看之用戶裝置列表

D2:機器學習演算法

D3:裝置訊號強度與距離之轉換公式

E:深度學習演算法

Claims (18)

1. 一種網路電視機上盒首頁推薦之系統，包括：一網路電視機上盒，係透過無線通訊搜尋周邊之一或多個用戶裝置，以由該網路電視機上盒取得該一或多個用戶裝置之裝置名稱、裝置訊號強度與用戶觀看紀錄；以及一具有深度學習演算法之雲端平台，係接收該網路電視機上盒所取得之該一或多個用戶裝置之裝置名稱、裝置訊號強度與用戶觀看紀錄，以由具有該深度學習演算法之該雲端平台將該一或多個用戶裝置之裝置訊號強度轉換成該一或多個用戶裝置至該網路電視機上盒之距離，再由具有該深度學習演算法之該雲端平台將該一或多個用戶裝置至該網路電視機上盒之距離進行群集分析以取得該群集分析之估算結果，進而由具有該深度學習演算法之該雲端平台依據將該一或多個用戶裝置至該網路電視機上盒之距離進行該群集分析之估算結果取得觀看之用戶裝置列表，其中，具有該深度學習演算法之該雲端平台依據將該一或多個用戶裝置至該網路電視機上盒之距離進行該群集分析之估算結果所取得之該觀看之用戶裝置列表與該用戶觀看紀錄進行預測以取得預測結果，再由具有該深度學習演算法之該雲端平台依據該預測結果取得該網路電視機上盒之客製化之推薦首頁與推薦資訊，且其中，當對該網路電視機上盒進行開機時，該網路電視機上盒將該一或多個用戶裝置之裝置名稱傳送至具有該深度學習演算法之該雲端平台，以由具有該深度學習演算法之該雲端平台依據該一或多個用戶裝置之裝置名稱回傳該預測結果予該網路電視機上盒，再由該網路電視機上盒依據該預測結果提供客製化之該推薦首頁與該推薦資訊。
2. 如請求項1所述之系統，其中，該網路電視機上盒係具有一無線通訊訊號接收模組，用以搜尋該網路電視機上盒周邊之該一或多個用戶裝置之無線通訊訊號，以利用該無線通訊訊號取得該一或多個用戶裝置之裝置名稱與裝置訊號強度，再由該無線通訊訊號接收模組將所有搜尋到之該裝置名稱與相對應之該裝置訊號強度傳送至該雲端平台。
3. 如請求項1所述之系統，其中，該網路電視機上盒係具有一用戶觀看紀錄蒐集模組，用以蒐集關聯於該一或多個用戶裝置之用戶觀看紀錄，以由該雲端平台依據該用戶觀看紀錄蒐集模組所蒐集之該用戶觀看紀錄與該雲端平台所取得之該觀看之用戶裝置列表估算出客製化之該推薦首頁與該推薦資訊。
4. 如請求項1所述之系統，其中，該雲端平台係包括一具有機器學習演算法之用戶識別模組，以由該用戶識別模組利用該機器學習演算法偵測出該網路電視機上盒周邊之該一或多個用戶裝置是否為觀看之用戶裝置，再由該用戶識別模組依據該觀看之用戶裝置之資訊取得該觀看之用戶裝置列表與該用戶觀看紀錄。
5. 如請求項1所述之系統，其中，該雲端平台係包括一具有轉換公式與機器學習演算法之用戶識別模組，以由該用戶識別模組將該裝置訊號強度透過該轉換公式進行轉換而取得該一或多個用戶裝置至該網路電視機上盒之距離，再由該用戶識別模組透過該機器學習演算法對該一或多個用戶裝置之距離進行估算，進而將該一或多個用戶裝置之距離分群至觀看用戶距離之群集或非觀看用戶距離之群集。
6. 如請求項1所述之系統，其中，該雲端平台係包括一具有轉換公式與機器學習演算法之用戶識別模組，以由該用戶識別模組將該一或多個用戶裝置之裝置訊號強度與相關聯之環境衰弱因子之值賦予經驗值， 再將該一或多個用戶裝置之裝置名稱、裝置訊號強度與距離送入該機器學習演算法中進行該群集分析。
7. 如請求項1所述之系統，其中，該雲端平台係包括一具有該深度學習演算法之用戶推薦模組，以由該用戶推薦模組將該觀看之用戶裝置列表與該用戶觀看紀錄作為特徵值送入該深度學習演算法中進行預測以取得該預測結果，再由該用戶推薦模組依據該深度學習演算法之預測結果提供該推薦首頁與該推薦資訊。
8. 如請求項1所述之系統，其中，該雲端平台係包括一具有該深度學習演算法之用戶推薦模組，當關於該一或多個用戶裝置之觀看用戶之識別結果為單一用戶時，該雲端平台之用戶推薦模組執行個人化之該推薦首頁與該推薦資訊之功能，以由該網路電視機上盒將該用戶觀看紀錄傳送至該雲端平台，再由該用戶推薦模組將該觀看之用戶裝置列表與該用戶觀看紀錄送入該深度學習演算法中進行訓練、估算或預測，其中，該深度學習演算法採用序列預測演算法之架構。
9. 如請求項1所述之系統，其中，該雲端平台係包括一具有該深度學習演算法之用戶推薦模組，當關於該一或多個用戶裝置之觀看用戶之識別結果為群體用戶時，該雲端平台之用戶推薦模組執行該群體用戶之該推薦首頁與該推薦資訊之功能，以由該網路電視機上盒將該用戶觀看紀錄傳送至該雲端平台，再由該用戶推薦模組之將該觀看之用戶裝置列表與該用戶觀看紀錄送入該深度學習演算法中進行估算或預測，其中，該深度學習演算法採用序列預測演算法之架構。
10. 一種網路電視機上盒首頁推薦之方法，包括： 由一網路電視機上盒透過無線通訊搜尋周邊之一或多個用戶裝置，以由該網路電視機上盒取得該一或多個用戶裝置之裝置名稱、裝置訊號強度與用戶觀看紀錄；由一具有深度學習演算法之雲端平台接收該網路電視機上盒所取得之該一或多個用戶裝置之裝置名稱、裝置訊號強度與用戶觀看紀錄，以由具有該深度學習演算法之該雲端平台將該一或多個用戶裝置之裝置訊號強度轉換成該一或多個用戶裝置至該網路電視機上盒之距離，再由具有該深度學習演算法之該雲端平台將該一或多個用戶裝置至該網路電視機上盒之距離進行群集分析以取得該群集分析之估算結果，進而由具有該深度學習演算法之該雲端平台依據將該一或多個用戶裝置至該網路電視機上盒之距離進行該群集分析之估算結果取得觀看之用戶裝置列表，其中，具有該深度學習演算法之該雲端平台依據將該一或多個用戶裝置至該網路電視機上盒之距離進行該群集分析之估算結果所取得之該觀看之用戶裝置列表與該用戶觀看紀錄進行預測以取得預測結果，再由具有該深度學習演算法之該雲端平台依據該預測結果取得該網路電視機上盒之客製化之推薦首頁與推薦資訊；以及當對該網路電視機上盒進行開機時，該網路電視機上盒將該一或多個用戶裝置之裝置名稱傳送至具有該深度學習演算法之該雲端平台，以由具有該深度學習演算法之該雲端平台依據該一或多個用戶裝置之裝置名稱回傳該預測結果予該網路電視機上盒，再由該網路電視機上盒依據該預測結果提供客製化之該推薦首頁與該推薦資訊。
11. 如請求項10所述之方法，更包括由該網路電視機上盒之一無線通訊訊號接收模組搜尋該網路電視機上盒周邊之該一或多個用戶裝置之無線通訊訊號，以利用該無線通訊訊號取得該一或多個用戶裝置之裝 置名稱與裝置訊號強度，再由該無線通訊訊號接收模組將所有搜尋到之該裝置名稱與相對應之該裝置訊號強度傳送至該雲端平台。
12. 如請求項10所述之方法，更包括由該網路電視機上盒之一用戶觀看紀錄蒐集模組蒐集關聯於該一或多個用戶裝置之用戶觀看紀錄，以由該雲端平台依據該用戶觀看紀錄蒐集模組所蒐集之該用戶觀看紀錄與該雲端平台所取得之該觀看之用戶裝置列表估算出客製化之該推薦首頁與該推薦資訊。
13. 如請求項10所述之方法，更包括由該雲端平台之一用戶識別模組將該裝置訊號強度透過一轉換公式進行轉換以取得該一或多個用戶裝置至該網路電視機上盒之距離，再由該用戶識別模組透過一機器學習演算法對該一或多個用戶裝置之距離進行估算，進而將該一或多個用戶裝置之距離分群至觀看用戶距離之群集或非觀看用戶距離之群集。
14. 如請求項10所述之方法，更包括由該雲端平台之一用戶識別模組將該一或多個用戶裝置之裝置訊號強度與相關聯之環境衰弱因子之值賦予經驗值，再將該一或多個用戶裝置之裝置名稱、裝置訊號強度與距離送入一機器學習演算法中進行該群集分析。
15. 如請求項10所述之方法，更包括由該雲端平台之一用戶推薦模組將該觀看之用戶裝置列表與該用戶觀看紀錄作為特徵值送入該深度學習演算法中進行預測以取得該預測結果，再由該用戶推薦模組依據該深度學習演算法之預測結果提供該推薦首頁與該推薦資訊。
16. 如請求項10所述之方法，更包括當關於該一或多個用戶裝置之觀看用戶之識別結果為單一用戶時，該雲端平台之一用戶推薦模組執行個人化之該推薦首頁與該推薦資訊之功能，以由該網路電視機上盒將該用戶觀看紀錄傳送至該雲端平台，再由該用戶推薦模組將該觀看之用戶 裝置列表與該用戶觀看紀錄送入該深度學習演算法中進行訓練、估算或預測，其中，該深度學習演算法採用序列預測演算法之架構。
17. 如請求項10所述之方法，更包括當關於該一或多個用戶裝置之觀看用戶之識別結果為群體用戶時，該雲端平台之一用戶推薦模組執行該群體用戶之該推薦首頁與該推薦資訊之功能，以由該網路電視機上盒將該用戶觀看紀錄傳送至該雲端平台，再由該用戶推薦模組之將該觀看之用戶裝置列表與該用戶觀看紀錄送入該深度學習演算法中進行估算或預測，其中，該深度學習演算法採用序列預測演算法之架構。
18. 一種電腦可讀媒介，係應用於計算裝置或電腦中，且該電腦可讀媒介儲存有指令，以執行如請求項10至17之任一者所述之網路電視機上盒首頁推薦之方法。

Images