本發(fā)明涉及用戶自適應(yīng)系統(tǒng)。尤其涉及一種通過更少的遙控器點擊次數(shù)來選擇所喜愛的電視內(nèi)容的系統(tǒng)和方法。

背景技術(shù)：
改善電視用戶體驗是消費(fèi)型電子產(chǎn)品生產(chǎn)和多媒體應(yīng)用發(fā)展的核心問題。隨著多種形式的智能電視的出現(xiàn)，現(xiàn)有的電視系統(tǒng)正在經(jīng)歷從硬件、固件、軟件結(jié)構(gòu)、應(yīng)用程序，到用戶體驗，這些從內(nèi)到外的重大的更新。許多新的試驗?zāi)康氖窃鰪?qiáng)用戶與電視間的交互體驗，例如，通過提供一個鍵盤，該鍵盤是遙控器的一部分；另一個方案是一個帶有運(yùn)動傳感器的遙控器，電視用戶可用它來指出電視屏幕上的圖標(biāo),甚至拖放它們。人們開始討論后者（被動的）和前者（主動的）應(yīng)用模型哪個更好地適合用戶體驗。另一方面，云計算時代即將到來，很多基于網(wǎng)頁的云服務(wù)，例如，地圖和視頻共享服務(wù)，已經(jīng)被引入電視世界來進(jìn)一步增強(qiáng)系統(tǒng)性能和智能度。近來的統(tǒng)計報告表明，在美國，人們平均每天看4個小時電視，但是，86%的電視觀眾坐在電視機(jī)前時并不知道看些什么。如果每臺電視機(jī)具有足夠的智能來辨認(rèn)觀眾（或觀眾群），理解觀眾的偏愛，并給觀眾推薦恰當(dāng)?shù)膬?nèi)容，這樣能帶給電視觀眾一種良好的用戶體驗。很多公司和研究機(jī)構(gòu)在過去的十年里在這個方面做出諸多努力，因此，電子節(jié)目指南（EPG）和電視推薦系統(tǒng)是本領(lǐng)域的流行趨勢.這種趨勢從TV3P、AVATAR和queveo.tv這些產(chǎn)品計劃和如SemanticWeb和PDPRDTV這些概念中，可見端倪。以下將引用示范性的著作，以作參考：L.Ardissono，F(xiàn).Portis和P.Torasso，“ArchitectureofasystemforthegenerationofpersonalizedElectronicsProgramGuide”，2001年；Z.Yu，X.Zhou，“TV3P:AnAdaptiveAssistantforPersonalizedTV”，IEEETrans.ConsumerElectronics，Vol.50，No.1，2004年2月，393-399頁；Y.B.Fernandez，J.J.P.Arias，M.L.Nores，A.G.Solla和M.R.Cabrer，“AVATAR:AnImprovedSolutionforPersonalizedTVbasedonSemanticInference”，IEEETrans.ConsumerElectronics，Vol.52，No.1，2006年2月，223-231頁；A.B.B.Martinez，J.J.P.Arias，A.F.Vilas，J.G.Duque和M.L.Nores，“What’sonTVTonight?AnEfficientandEffectivePersonalizedRecommenderSystemofTVPrograms”，IEEETrans.ConsumerElectronics，Vol.55，No.1，2009年2月，286-294頁；C.Shin和W.Woo，“SociallyAwareTVProgramRecommenderforMultipleViewers”，IEEETrans.ConsumerElectronics，Vol.55，No.2，2009年5月，927-932頁；以及S.Lee，D.Lee，S.Lee，“PersonalizedDTVProgramRecommendationSystemunderaCloudComputingEnvironment”，IEEETrans.ConsumerElectronics，Vol.56，No.2，2010年5月，1034-1042頁。盡管已經(jīng)提出很多電視推薦系統(tǒng)用于改善用戶體驗，但是一些簡單的用戶偏愛調(diào)查的結(jié)論，卻破壞了這些努力。由于缺少對終端裝置的控制,或缺少從終端到內(nèi)容/服務(wù)提供商的返回頻道的控制，這些努力也受到了限制。一些系統(tǒng)在觀看體驗期間給用戶提供傳達(dá)明確反饋的功能，對用戶來說，如果這功能嵌入到內(nèi)容中，這會使用戶感到懊惱或煩擾。另一種提供反饋的方式是提供一種特殊按鈕，例如，在遙控器上設(shè)置喜歡/不喜歡按鈕，用來收集用戶反饋。還有另一種方式是隱性的用戶反饋收集方式，包括從觀眾的節(jié)目選擇歷史中導(dǎo)出他們的愛好，利用觀看時間作為判斷用戶偏愛的指標(biāo)，等等。以下示范性作品中有闡述上述反饋收集方法和系統(tǒng)，現(xiàn)引用來參考：M.Bjelica，“TowardsTVRecommenderSystem:ExperimentalwithUserModeling”，IEEETrans.ConsumerElectronics，Vol.56，No.3，2010年8月，1763-1769頁；W.P.Lee和J.H.Wang，“AUser-CenteredRemoteControlSystemforPersonalizedMultimediaChannelSelection”，IEEETrans.ConsumerElectronics，Vol.50，No.4，2004年11月，1009-1015頁；T.Isobe，M.Fujiwara，H.Kaneta，T.Morita和N.Uratani，“DevelopmentofaTVReceptionNavigationSystemPersonalizedwithViewingHabits”，IEEETrans.ConsumerElectronics，Vol.51，No.2，2005年5月，665-674頁；以及J.Parsons，P.Ralph，andK.Gallagher，“Usingviewingtimetoinferuserpreferenceinrecommendersystems”，inProc.AAAIWorkshoponSemanticWebPersonalization(SWP-04)，52-64頁，2004年。為了給觀眾提供更喜愛的內(nèi)容以供選擇，申請人提出一種通過最少化使用遙控器的次數(shù)來選擇想要內(nèi)容的系統(tǒng)和方法。

技術(shù)實現(xiàn)要素：
在一個實施例中，是一種最少化用戶與輸入裝置交互次數(shù)的系統(tǒng)。所述系統(tǒng)包括與用戶終端裝置通信連接的管理服務(wù)器，所述用戶終端裝置包括至少一個顯示器,一個輸入裝置和一個轉(zhuǎn)發(fā)器,所述顯示器設(shè)置為顯示內(nèi)容,所述輸入裝置設(shè)置為改變顯示器上所顯示的內(nèi)容,所述轉(zhuǎn)發(fā)器設(shè)置為傳送所述輸入裝置和所述顯示器所顯示內(nèi)容之間的交互數(shù)據(jù)。所述管理服務(wù)器進(jìn)一步與至少一個處理器、至少一個存儲裝置和至少一個計算機(jī)可讀存儲媒介通信連接,所述計算機(jī)可讀存儲媒介用于存儲執(zhí)行數(shù)據(jù)處理的軟件，所述至少一個存儲裝置設(shè)置為存儲所述顯示器上所顯示的內(nèi)容數(shù)據(jù),用戶與所述輸入裝置的交互數(shù)據(jù)和可用于觀看的內(nèi)容數(shù)據(jù)。所述至少一個處理器設(shè)置為利用軟件處理數(shù)據(jù)，以備好用于顯示的內(nèi)容數(shù)據(jù)配置，而且所述配置至少來自用戶與輸入裝置的交互，并且該配置設(shè)計成通過最少化用戶與輸入裝置的額外交互來選擇準(zhǔn)備好的內(nèi)容數(shù)據(jù)。可以理解的是，在上述的總說明和接下來的詳細(xì)說明都僅僅是示范性和解釋性的，并不能如權(quán)利要求那樣限制本發(fā)明。附圖說明所引入的說明書附圖組成了說明書的一部分，所述附圖說明了本發(fā)明的幾個實施例，并和說明書一起用來解釋本發(fā)明的原理。圖1是簡化的系統(tǒng)，所述簡化的系統(tǒng)包括終端、內(nèi)容提供器和客戶以及內(nèi)容管理服務(wù)器。圖2是圖1系統(tǒng)的結(jié)構(gòu)、存儲的數(shù)據(jù)類型、數(shù)據(jù)和內(nèi)容的流程圖的例子。圖3是用于通過圖1中的系統(tǒng)的數(shù)據(jù)和內(nèi)容的路徑和操作的流程框圖的例子。圖4是遙控器式的輸入裝置的簡化例子。圖5是按鍵切換模式的例子。圖6是m*n內(nèi)容顯示的例子，該內(nèi)容的可能導(dǎo)航路徑是從起始點1到圖標(biāo)2和3。具體實施方式引用附圖中所說明的例子和示范性的實施例作為具體的參考。盡可能地，使用相同的編號來表示附圖中相同或相似的部分。在本發(fā)明中，通過利用用戶交互頻率作為指標(biāo)來改進(jìn)電視觀看體驗，將屏幕（或其他終端裝置）上所顯示的內(nèi)容直接與系統(tǒng)設(shè)計的用戶遙控器使用模式相關(guān)聯(lián)。這種方法將電視用戶體驗問題轉(zhuǎn)化為最少化用戶交互和/或點擊遙控器按鍵頻率的優(yōu)化問題?；诎存I切換的概率表和探測到的用戶情緒模式的新方法,用于間接地確定內(nèi)容布局，并且所述方法可以擴(kuò)展應(yīng)用在各種遙控裝置上。此外，新的混合式最佳布局內(nèi)容推薦算法用于從大型數(shù)據(jù)庫中選擇內(nèi)容項目,并將用戶偏愛的布局內(nèi)容呈現(xiàn)在屏幕上。一種端到端的模式改進(jìn)了電視用戶體驗,所述端到端的模式通過推薦合適的內(nèi)容給用戶，以減少用戶與電視之間的交互頻率。這樣，用戶體驗問題簡化為優(yōu)化問題。簡而言之，給出用戶的交互歷史記錄后，一種內(nèi)容推薦模式把用戶點擊遙控器的頻率降到最低。設(shè)想用戶點擊遙控器的頻率直接與用戶對正在觀看的內(nèi)容的滿意度相關(guān)聯(lián)，以及更少的交互表示用戶對正在觀看的內(nèi)容滿意。另外，通過他/她的點擊頻率、內(nèi)容選擇，以及過往統(tǒng)計的行為一致性，實時檢測用戶的情緒，并且該情緒被認(rèn)為是個性化處理的一個因素。正如以下的進(jìn)一步說明，最少點擊的電視系統(tǒng)和方法包括系統(tǒng)結(jié)構(gòu)和主要部分、用戶行為分析算法、分析用戶偏愛的混合方法和布局個性化算法。所述系統(tǒng)將屏幕（或其他終端裝置）上顯示的內(nèi)容直接與系統(tǒng)設(shè)計的用戶遙控器使用模式相關(guān)聯(lián)，并利用用戶交互頻率作為指標(biāo)來改進(jìn)用戶觀看體驗。另外，所述系統(tǒng)首次將電視用戶體驗問題轉(zhuǎn)化為最少化用戶交互和/或點擊遙控器按鍵頻率的優(yōu)化問題。它包括基于按鍵切換的概率表和用戶情緒偵測的新途徑，以間接確定內(nèi)容布局。該方法可以自然地應(yīng)用到現(xiàn)有的和將來的各種類型的遙控裝置。新的混合式最佳布局內(nèi)容推薦算法用于從大型數(shù)據(jù)庫選擇內(nèi)容項目并以用戶偏愛的布局呈現(xiàn)在屏幕上,同時將因選擇偏愛內(nèi)容而在輸入裝置上的點擊數(shù)降到最小。1.0系統(tǒng)結(jié)構(gòu)如圖1所示，所述系統(tǒng)由云11和終端1-5組成，其中所述終端有多種多樣，例如，計算機(jī)1、電視2、手機(jī)3、筆記本4、平板電腦5等等。通常，所述系統(tǒng)的終端為任一具有屏幕或顯示視頻內(nèi)容的投影能力的裝置。所述終端可傳送視覺或視聽媒體或其他多媒體。媒體可包括書籍、游戲、電影、圖片、壁紙、電視節(jié)目、內(nèi)容目錄、內(nèi)容信息、圖標(biāo)和其他圖形用戶界面（GUI）可選和可視的項目。所述終端包括用于執(zhí)行所述的方法和系統(tǒng)的軟件、硬件，和/或固件。例如，電視2可預(yù)先配置諸如高速緩沖存儲器、RAM、ROM、發(fā)射器、接收器、處理器等必要的軟件和硬件，來跟蹤諸如用戶通過遙控器進(jìn)行的交互、選擇播放的內(nèi)容、節(jié)目播放時長以及諸如快進(jìn)、回放和暫停等操作的事件。其他裝置,例如手機(jī)3或者筆記本4,配置有諸如高速緩沖存儲器、RAM、ROM、發(fā)射器、接收器、處理器等功能部件,用來下載應(yīng)用程序（app）,從而允許所述裝置參與到所述的系統(tǒng)中。由于互聯(lián)網(wǎng)和能夠使用Wi-Fi的電視的廣泛應(yīng)用，可設(shè)想到電視2可通過可下載的應(yīng)用程序參與到所述系統(tǒng)中。所述終端與至少一個輸入裝置相連，所述輸入裝置包括鍵盤、遙控器、小鍵盤、觸摸屏、觸控板、鼠標(biāo)或軌跡球。組成所述輸入裝置的元件包括物理的按鈕或虛擬的按鍵、其他將交互信息轉(zhuǎn)化為數(shù)字?jǐn)?shù)據(jù)的觸覺傳感器和裝置。典型地,所述終端包括高速緩沖存儲器，內(nèi)存，處理器，路由器，軟件，計算機(jī)可讀存儲介質(zhì)（CRM），轉(zhuǎn)發(fā)器或發(fā)射器,接收器，電池或其他電源，無線網(wǎng)絡(luò),光網(wǎng)絡(luò),局域網(wǎng)(LAN)或其他互聯(lián)網(wǎng)或傳輸連接網(wǎng),以及其他現(xiàn)有技術(shù)中公知的固件、硬件或軟件部分，用來提供顯示用戶想要內(nèi)容和操作功能。為簡單說明起見，大部分例子將集中于用戶與電視2以及與所述電視2相連的遙控器400間的交互,但不應(yīng)認(rèn)為限制了所述系統(tǒng)的整體結(jié)構(gòu)。在云11中，一套組件互相通信和工作。所述組件可以設(shè)置在單個服務(wù)器內(nèi)，也可以設(shè)置在不同的服務(wù)器或云中,通過標(biāo)準(zhǔn)web服務(wù)協(xié)議跨越諸如電纜、電線、路由器、無線裝置、塔樓、賓館等這樣的連接網(wǎng)絡(luò)進(jìn)行通信。為了簡化，硬件、軟件和固件布局并未在附圖中標(biāo)示。然而，應(yīng)該理解的是，這些與諸如計算機(jī)可讀存儲介質(zhì)（CRMs）、軟件程序、處理器、存儲器（RAM和或ROM）、服務(wù)器、路由器、連接器件（電纜、耦合器、路由器、無線收發(fā)器等）等各種的組件一起，是組成所述系統(tǒng)的一部分。為了簡化起見，在圖1所示的例子中，表示了包括一個服務(wù)器10的云11，所述服務(wù)器10通過通信方法訪問內(nèi)容數(shù)據(jù)庫18-22。內(nèi)容數(shù)據(jù)庫可通過此服務(wù)維護(hù)，或者所述內(nèi)容數(shù)據(jù)庫18-22可由諸如租賃服務(wù)或內(nèi)容出售商這樣的第三方內(nèi)容供應(yīng)商提供。圖1的例子進(jìn)一步說明了客戶端管理器12，其與多種類型的終端1-5通信，追蹤用戶與遙控器或其他輸入裝置的交互，并將用戶輸入收集到至少一個數(shù)據(jù)庫16。圖1-3進(jìn)一步說明了系統(tǒng)結(jié)構(gòu)以及系統(tǒng)信息和內(nèi)容的流程。內(nèi)容管理器17與多個云,或如圖示的內(nèi)容數(shù)據(jù)庫18-22一起工作。所述內(nèi)容管理器17提供對多種類型內(nèi)容的訪問，包括電影、電視節(jié)目、在線視頻、音樂、在線游戲等等。所述內(nèi)容管理器17還搜尋有合適主題的內(nèi)容給用戶。另外，所述內(nèi)容管理器17將存取的元數(shù)據(jù)存儲到快捷訪問數(shù)據(jù)庫172，這樣如果其他用戶再次檢索到觀看過的內(nèi)容，將會加速內(nèi)容的訪問。那些“觀看最多”或“受歡迎的”的內(nèi)容將能被很快地訪問到。所述內(nèi)容管理器17可在同一數(shù)據(jù)庫中保存按諸如男演員、女演員、風(fēng)格、標(biāo)題、觀看時間等屬性區(qū)分的數(shù)據(jù)內(nèi)容，或者內(nèi)容管理器17可為一屬性數(shù)據(jù)設(shè)立單獨(dú)的數(shù)據(jù)庫。所述屬性數(shù)據(jù)可采用可視的圖標(biāo)來表示該屬性和/或內(nèi)容。用戶行為分析器13密切監(jiān)控用戶與終端1-5的交互，檢測用戶情緒，并評估遙控器400上的用戶行為模式。例如，用戶可通過數(shù)字鍵409很快捷地瀏覽電視頻道，或用戶只是固定地通過箭頭鍵407來回切換。用戶交互存儲為終端交互數(shù)據(jù)133，用戶情緒存儲為用戶情緒數(shù)據(jù)131，行為模式存儲為行為模式數(shù)據(jù)132.該模塊的輸出將被用于內(nèi)容布局個性化器15。用戶偏愛分析器14監(jiān)控用戶的長期觀看歷史，并根據(jù)用戶對于內(nèi)容風(fēng)格、男演員/女演員、電視頻道等的選擇來鑒別用戶的主要興趣。所述用戶偏愛分析器14利用下述的基于內(nèi)容過濾和多重過濾相結(jié)合的混合法，導(dǎo)出推薦池142。通常該池形成導(dǎo)航閉合框141，所述導(dǎo)航閉合框141包括用戶可能訪問的一組鏈接,所述鏈接與用戶最近表現(xiàn)出興趣或似乎不感興趣的內(nèi)容相鏈接。作為鏈接的一個例子，用戶偏愛分析器14可通過有限的鏈接將兩部電影相關(guān)聯(lián)。例如，用戶選擇一部電影。用戶偏愛分析器14可選擇，或用戶可指示一個具體較喜歡的演員，來引出該演員的其他電影供選擇，這樣就可以依次引出同樣類型的風(fēng)格的電影供選擇。之前的用戶和/或用戶偏愛分析器14所選擇的演員和電影能作為較受歡迎的電影提供給用戶選擇。內(nèi)容布局個性化器15包括內(nèi)容布局引擎151和內(nèi)容推薦引擎152。所述內(nèi)容布局引擎151根據(jù)由協(xié)同過濾獲得的用戶偏愛和各點在布局中的相對重要性確定每頁的布局。所述內(nèi)容推薦引擎152的目的是從所述推薦池142中選擇一些內(nèi)容圖標(biāo)，將它們填充到布局設(shè)計中，并利用特定策略確定頁面轉(zhuǎn)換時的內(nèi)容選擇。在布局處理期間，分析用戶輸入以得到按鍵使用模式，與統(tǒng)計到的用戶之前偏愛觀看的內(nèi)容范圍模式相結(jié)合。結(jié)合的結(jié)果被用于實現(xiàn)用戶和電視間交互的最優(yōu)化，這樣保持了用戶固有的遙控器使用習(xí)慣。用戶行為分析器13依靠通過/經(jīng)由客戶端管理器12收集的用戶歷史統(tǒng)計資料121。用戶偏愛分析器14不僅依靠用戶歷史統(tǒng)計資料121，還依靠內(nèi)容管理器12的支持來訪問內(nèi)容數(shù)據(jù)庫171中的元數(shù)據(jù)設(shè)置。為了提供元數(shù)據(jù)集，內(nèi)容數(shù)據(jù)庫171可包括各種各樣的數(shù)據(jù)類型，諸如客戶端檔案、內(nèi)容源檔案、用戶行為歷史、用戶偏愛模式、個性化內(nèi)容布局模型、緩存內(nèi)容元數(shù)據(jù)或互相參照模型這樣的數(shù)據(jù)庫。內(nèi)容布局個性化器15依靠從用戶行為分析器13和用戶偏愛分析器14獲得的模型來提供最后的推薦內(nèi)容，用戶界面最終通過往返于客戶端管理器12的信息而呈現(xiàn)在顯示器上。在所述的系統(tǒng)中，用戶行為分析器13和用戶偏愛分析器14的模塊中有離線演練的程序提供給客戶。客戶端可提供用于在線程序的精確參數(shù)，其根據(jù)內(nèi)容布局個性化器15和內(nèi)容管理器17的協(xié)作實時地確定推薦內(nèi)容。也就是說，客戶端可進(jìn)一步提供諸如男演員，女演員，風(fēng)格，標(biāo)題，觀看時間，偏愛游戲，分類數(shù)據(jù)，諸如網(wǎng)格大小或形狀或風(fēng)格、顯示大小、偏好的交互按鈕等的布局?jǐn)?shù)據(jù)這樣的偏愛數(shù)據(jù)。圖3說明了數(shù)據(jù)收集、操作和內(nèi)容推薦的簡化流程。例如，用戶觀看終端顯示的推薦內(nèi)容301。用戶利用遙控器400進(jìn)行內(nèi)容選擇303。節(jié)目信息和按鍵使用信息304一起被送到客戶端管理器12,所述按鍵使用信息304用于向系統(tǒng)提供選擇內(nèi)容時在遙控器400上所用的按鍵的信息。用戶可同時地或分別地向用戶輸入的偏愛信息302添加喜歡的內(nèi)容。添加的信息可涉及用戶情緒、喜愛的男演員/女演員、喜愛的節(jié)目、喜愛的游戲、涉及到每日的某時或每周的某日的內(nèi)容偏愛、最不喜愛的信息、屏蔽的節(jié)目、父母控制（V-芯片設(shè)置）等等。客戶端管理器12可將信息存儲為數(shù)據(jù)并發(fā)送信息數(shù)據(jù)到用戶行為分析器13和用戶偏愛分析器14。用戶行為分析器13可監(jiān)控、檢測、評估用戶信息305并將模塊結(jié)果提供給內(nèi)容布局個性化器15。用戶偏愛分析器14可從內(nèi)容管理器17接收內(nèi)容信息,并建立內(nèi)容推薦池306,其用于建立鏈接內(nèi)容導(dǎo)航框307。內(nèi)容推薦池306可隨鏈接內(nèi)容導(dǎo)航框307一起直接提供給內(nèi)容布局個性化器15。內(nèi)容個性化器15提供確定的布局308、布局的重要點309、內(nèi)容圖標(biāo)位置310、帶頁面滾動的布局切換311和按鍵使用模式312。這些組合成最終推薦內(nèi)容313，被客戶端管理器12發(fā)送到終端播放。因此,用戶能從終端顯示的推薦內(nèi)容301選擇內(nèi)容,并且所選擇的內(nèi)容可用于進(jìn)一步作為下一步推薦的內(nèi)容。2.0用戶行為分析現(xiàn)有技術(shù)中有很多用戶行為建模以及其對推薦系統(tǒng)的影響和應(yīng)用的例子。例如，作為參考著作引用于此：Yu等，“UnderstandingUserBehaviorinLarge-ScaleVideo-on-DemandSystems,”于Proc.EuroSys’06，2006年4月，Leuven，比利時；Jung等，“AstatisticalModelforUserPreference,”IEEETrans.KnowledgeandDataEngineering，Vol.17，No.6，2005年6月，834-843頁；以及Brusilovsky等，TheAdaptiveWeb:MethodsandStrategiesofWebPersonalization，Springer-Verlag，2007年。即時的系統(tǒng)和方法從多種角度分析用戶行為，以獲取用戶行為和他/她的偏愛之間的內(nèi)部聯(lián)系。以下是有利于構(gòu)建用戶行為模式的啟示：·用戶的當(dāng)前情緒,其可通過用戶交互的點擊速度，選擇觀看的內(nèi)容風(fēng)格，與輸入裝置的交互頻率等來確定；·按鍵使用模式或用戶在利用遙控器時的習(xí)慣。也就是說，用戶使用諸如遙控器這樣的終端輸入時有多種方式，其可包括按鈕選擇的順序,以及熟練用戶用非常流暢的方式使用遙控器和有些客戶僅僅使用遙控器上極為有限的按鍵；·多個用戶可作為單個消費(fèi)者或一個家庭。這可通過內(nèi)容選擇來確定，因為通常男人、女人、小孩和老人在內(nèi)容選擇上有不同的品味。通常地，男人、女人、小孩和老人在內(nèi)容選擇上具有不同品位，這可通過內(nèi)容選擇確定。當(dāng)家庭成員具有基本相同的品位時，將該客戶群視為單個消費(fèi)者是無妨的;以及·電視的使用模式，例如，通常觀看時長，電視觀看頻率，內(nèi)容源等。從分析獲得的使用模型不僅用于內(nèi)容推薦過程，還將用于考慮內(nèi)容布局。2.1按鍵使用模式不同的人具有不同按鍵使用模式，包括遙控器使用頻率、某按鍵使用頻率和某按鍵切換頻率。在本研究中，這些類型都設(shè)有概率表，用于鑒別用戶或用戶群，并確定最適合用戶行為模式的內(nèi)容布局。圖4示說明了電視遙控器400的例子。遙控器400的第一部分可包括一組混合按鍵401，可包括多個電源按鈕或多個音頻-視頻（AV）按鈕。菜單、導(dǎo)視或信息按鈕402用于選擇相應(yīng)的電視內(nèi)容。遙控器上的另一部分可包括箭頭鍵407,其可用在使用菜單、導(dǎo)視或信息觀看按鍵時向上、下、左或右翻動。返回鍵403可允許用戶返回觀看，確定鍵406允許用戶選擇確認(rèn)觀看的內(nèi)容。其他按鍵可包括頻道加/減按鈕405和音量加/減按鈕404。另一部分包括節(jié)目操作按鍵408,其可用于播放、暫停、停止、快進(jìn)、后退或記錄內(nèi)容。另一部分包括多個數(shù)字按鍵409,其用于通過數(shù)字或字母來選擇觀看的內(nèi)容。在更復(fù)雜的遙控器或用戶終端輸入系統(tǒng)中可采用其他按鍵或部件，諸如標(biāo)準(zhǔn)鍵盤、窗口按鈕等。如圖5所示，說明了按鍵切換模型，其中對于每一條箭頭曲線，目的節(jié)點代表剛剛按過的按鍵，起始節(jié)點代表在目的節(jié)點前按過的按鍵。這些節(jié)點切換概率形成按鍵切換模型，對于分析用戶行為非常有用。有多種方式執(zhí)行這個概念，如圖5所示，所有數(shù)字按鍵409被認(rèn)為是同一按鍵，這樣從數(shù)字“3”到“5”的變化將表現(xiàn)為一個自循環(huán)，但如果另一實行方式傾向?qū)⑺?0個數(shù)字分為10個節(jié)點，就無須采用本方式。同樣，全部箭頭鍵407也可作為單數(shù)或復(fù)數(shù)個節(jié)點。將遙控器400的每一部分或單獨(dú)按鍵401-409標(biāo)記為Kn.Pu（Ki）表示使用節(jié)點（或按鍵）Ki的概率，Pu（KiKj）表示從節(jié)點Ki到Kj切換的概率，其中i和j表示節(jié)點，u表示用戶。Pu（Ki）可以由節(jié)點Ki的總使用頻率除以所有節(jié)點的總使用頻率算出。同理,Pu（KiKj）可被算出。以下相似度計算（下述方程1）用于確定是否剛出現(xiàn)一個新用戶或引入用戶的新情緒。相似度=,(1)其中u1和u2代表兩個做比較的不同用戶，T是由系統(tǒng)在[0,1]間由系統(tǒng)決定的閾值。2.2用戶情緒探測找到探測用戶或用戶群當(dāng)前情緒的方法是重要的,因為在不同的情緒或情感期間用戶的喜好可能發(fā)生變化。在以往的研究中，人們能從音樂、視頻或其它他/她正在使用的媒體中探測和識別用戶情緒。很多生命信號，諸如面部表情、皮膚溫度、呼吸等等，已經(jīng)被用于識別某人是否正處于諸如開心、悲傷、驚訝、生氣、恐懼、厭惡等情緒中。使用這種探測方法的參考性著作,如下：L.Lu，D.Liu，H.Zhang，“AutomaticMoodDetectionandTrackingofMusicAudioSignals”，IEEETrans.Audio,Speech,andLanguageProcessing，Vol.14，No.1，2006年1月，5-18頁；S.Kim，P.G.Georgiou，S.Lee和S.Narayanan，“Real-timeEmotionDetectionSystemusingSpeech:Multi-modalFusionofDifferentTimescaleFeatures”，于Proc.IEEEMMSP2007；S.Zhang，Q.Tian，Q.Huang，W.Gao和S.Li,“UtilizingAffectiveAnalysisforEfficientMovieBrowsing”,于Proc.IEEEICIP2009。在本發(fā)明中，內(nèi)容被鏈接到情感矢量數(shù)據(jù)庫，這樣通過用戶最近的觀看的內(nèi)容，可導(dǎo)出用戶情緒。另外，建立遙控器按鍵按壓模型表示各種情感，這樣通過用戶交互行為，可探測到用戶情緒用做參考。通過使用一個類似方程式（1）的方程式，比較情感矢量間的相似度，如此當(dāng)前用戶情緒將與情緒列表的類別相匹配。3.0用戶偏愛分析用戶偏愛分析著眼于根據(jù)用戶的長期觀看電視歷史，將他/她個性化，這樣,內(nèi)容分類方法可在此適用。優(yōu)選地，電視內(nèi)容可用矢量<Xi>表示，其中在表示電影/節(jié)目種類類型或演員/獎項信息時Xi屬于{0,1}范圍里，例如，諸如戲劇、恐怖或動作電影這樣的風(fēng)格種類，并且Xi還可表示電視頻道，其屬于一個更大的整數(shù)集。作者C.Stauffer和W.E.L.Grimson，在“LearningPatternsofActivityUsingReal-TimeTracking”，IEEETransactionsonPatternAnalysisandMachineIntelligence，August2000中提出簡化版的混合高斯模型來解決對運(yùn)動目標(biāo)實時的追蹤，在這用來研究用戶偏愛。在本發(fā)明中，用戶偏愛通過K高斯分布（若Xi是二進(jìn)制值，K=1）混合來建模和呈現(xiàn)，其中每一高斯分布根據(jù)其屬于的具體種類的頻率被加權(quán)。這樣用戶在時間t時,偏好Xt的概率為：，(2)其中wi,t是規(guī)格化權(quán)重，和是第i個分布的平均數(shù)和標(biāo)準(zhǔn)偏差。確定在混合形態(tài)中的最大分布，并被用來確定當(dāng)前用戶是否有具體偏愛。啟發(fā)性地，具有最多支持證據(jù)和最小方差的高斯分布是最感興趣的。這樣，K分布基于的值被分類并且一個有序列表被保存，于是，在頂端保持最有可能的分布,并將最不可能的瞬態(tài)分布留在底端。通過,(3)獲得內(nèi)容種類最有可能的分布模型，其中閾值T給予具體種類的總權(quán)重的分?jǐn)?shù)。當(dāng)前計算的用戶對照存在的K高斯分布加以校核來檢測分布的平均值是否在該分布標(biāo)準(zhǔn)偏差的2.5倍以內(nèi)。如果任何K分布均未滿足計算，具有最小值的最不可能的分布被一個以當(dāng)前值作為其平均值、預(yù)分配的高方差以及低在先權(quán)重的新高斯分布所取代。否則,如果匹配的分布式是B分布之一，則標(biāo)明用戶偏愛。為保持模型的適應(yīng)性，利用來自相同用戶的后續(xù)內(nèi)容選擇持續(xù)更新模型參數(shù)。對于匹配的高斯分布而言，通過新的值Xt，所有參數(shù)在時刻t更新。另外，在先權(quán)重通過,(4)被更新，平均值和方差通過,(5)和,(6)被更新，其中a是控制適應(yīng)速度的學(xué)習(xí)速率，1/a定義決定變化的時間常數(shù)，r是與當(dāng)前用戶有關(guān)的概率，通過學(xué)習(xí)速率a換算。于是，r可表示為。(7)對于未匹配的分布，平均值mt和方差st保持不變，同時在先權(quán)重通過。(8)而更新。該更新方法的優(yōu)點在于初始的偏愛分布保存在混合中，直到它變?yōu)樽畈豢赡艿姆植疾⑶艺页鲆粋€新的偏愛。于是如果一個靜態(tài)偏愛發(fā)生改變，先前偏愛分布將迅速地再并入模型中。4.0內(nèi)容布局個性化內(nèi)容布局個性化工作由推薦內(nèi)容以及內(nèi)容布局組成。推薦引擎基于當(dāng)前用戶情緒、用戶偏愛和其他人的推薦來選擇一個內(nèi)容池。在本發(fā)明中，布局引擎根據(jù)用戶偏愛以及內(nèi)容推薦池確定用戶界面（UI）的布局和/或顯示內(nèi)容組成。其目的在于最少化用戶交互頻率。4.1推薦引擎通常，推薦系統(tǒng)具有非常類似的理論依據(jù)，如引用于此的參考作品所示，S.Perugini，M.A.Goncalves，E.A.Fox，“RecommenderSystemsResearch:AConnection-CentricSurvey”，JournalofIntelligentInformationSystems，23:2，107-143，2004年;G.Adomavicius，andA.Tuzhilin，“TowardtheNextGenerationofRecommenderSystems:ASurveyoftheState-of-the-ArtandPossibleExtensions”，IEEETrans.KnowledgeandDataEngineering，Vol.17，No.6，2005年6月，734-749頁；和T.L.Wickramarathne，K.Premaratne，M.Kubat和D.T.Jayaweera，“CoFiDS:ABelief-TheoreticApproachforAutomatedCollaborativeFiltering”，IEEETrans.KnowledgeandDataEngineering，Vol.23，No.2，2011年2月，175-189頁。無論用于書籍、音樂或視頻內(nèi)容，這些類似的依據(jù)都存在。在本發(fā)明中，推薦引擎依靠下述數(shù)據(jù)庫：·D：存儲所有可用的標(biāo)題/節(jié)目信息的內(nèi)容數(shù)據(jù)庫；·R：存儲一些標(biāo)題/節(jié)目信息的內(nèi)容數(shù)據(jù)庫,這些標(biāo)題/節(jié)目是當(dāng)前用戶所選的,與之前用戶有相同/相似興趣集的標(biāo)題/節(jié)目信息；以及·U：存儲當(dāng)前用戶最近時期觀看過的內(nèi)容的數(shù)據(jù)庫。讓我們用<Yi>表示用戶偏愛矢量，<Xi>表示相應(yīng)的內(nèi)容特征矢量。這兩個矢量間的相似度可通過。(9)計算出。對Sim(X,Y)的計算允許將內(nèi)容D存儲到一個內(nèi)容列表中,所述內(nèi)容列表中有與用戶偏愛矢量<Yi>最相似到最不相似的內(nèi)容。如下所述，列表可利用R和U的結(jié)果調(diào)整。舉例而言，盡管其他百分比也可用于列表調(diào)整,但是下述標(biāo)準(zhǔn)是在內(nèi)容選擇期間使用：·80%的選擇在D中而不在U中是最受關(guān)注的項目（通過方程9獲得）；以及·20%的選擇在R中而不在Ｕ中是最受關(guān)注的項目。所有選擇就緒后，使用一個重規(guī)格化進(jìn)程來解決第k個內(nèi)容的規(guī)格化問題Pr：，(10)其中N是池中的選擇總數(shù)。4.2布局引擎布局引擎處理下列項目的優(yōu)化：·對當(dāng)前用戶來說的最佳布局方式選擇；·在布局中，如何安排內(nèi)容圖標(biāo)和UI組件；以及·在布局中，導(dǎo)航系統(tǒng)如何設(shè)計以達(dá)到最少化用戶交互頻率的目的。當(dāng)然,為系統(tǒng)尋找一個全局優(yōu)化解決方案是最理想的，但在本發(fā)明中，第一項是從其他項中分離出來的。針對很多不同用戶進(jìn)行了許多主觀測試,目的是給每個具有相似用戶行為的用戶群找出最佳布局方式。然后，該布局方式列表用于將當(dāng)前用戶與調(diào)查過的用戶群之間進(jìn)行匹配，根據(jù)相似度驗算公式來推薦一個最后的布局方式。所述布局方式在使用的過程中,將隨著收集更多的用戶行為統(tǒng)計而緩慢變化。一旦確定了布局方式，下一個要闡明的問題是導(dǎo)航從哪里開始以及將什么內(nèi)容推薦給用戶。舉例來說，假定所選擇的是當(dāng)前IPTV最受歡迎的布局方式,即基于網(wǎng)格的布局方式（例如，如圖4所示，m*n網(wǎng)格，m=4，n=3）。然后，找出導(dǎo)航的起始點在哪（圖6中是節(jié)點1）、選擇哪種m*n內(nèi)容以及在哪里放置內(nèi)容（參見圖6中的節(jié)點2和3）。圖6說明了從起始點到用戶試圖選擇的圖標(biāo)的可能導(dǎo)航路徑。如圖6所示，說明了從起始點到可能的圖標(biāo)位置的導(dǎo)航路徑。例如，從起始點1到位置2，典型地，需要向右移2格再向上移1格。因此，點擊量（或從位置1到位置2的長度）L=3，并且，這樣3個連續(xù)點擊的概率P1可以通過圖5所示的按鍵切換概率計算出來。另外，選擇某一內(nèi)容標(biāo)題（或圖標(biāo)）的概率P2已在4.1部分計算出。由于目的在于最少化用戶交互，應(yīng)將最可能選擇的圖標(biāo)放置在最接近導(dǎo)航起始點的位置。并且，使用一成本函數(shù)將某一標(biāo)題放入一位置，例如通過L*P1*P2放入位置2。利用成本函數(shù)的定義，最小化將所有標(biāo)題放置到網(wǎng)格中的總成本。4.2.1優(yōu)化問題公式假設(shè)從推薦引擎獲得了m*n個選擇的內(nèi)容，用Pr（i）表示用戶選擇的第i個內(nèi)容的規(guī)格化概率。要求布局引擎將所有m*n內(nèi)容圖標(biāo)填充到m*n網(wǎng)格中。這些網(wǎng)格被標(biāo)以1，2，……，m*n，其中Loc（i）代表第i個內(nèi)容的位置。s代表導(dǎo)航起始點的位置（s=1，2，……或m*n）。Pt（j，k）是從位置j到k的按鍵切換概率，其可通過所有點擊的概率相乘輕易計算出來，L（j，k）是從位置j到k導(dǎo)航需要的最小點擊量。設(shè)想的平均點擊量E[C]可通過(11)計算出來。由此，問題被歸結(jié)為以下形式：找到s和所有m*n內(nèi)容的Loc（i），來最小化E[C]。重要的是實現(xiàn)組件間的相互作用來最小化E[C]，其通過兩個獨(dú)立項（s，j）*Pt（s，j）和Pr（i）相乘再相加的形式，其中第一項涉及網(wǎng)格中的兩個位置，第二項涉及內(nèi)容標(biāo)題。這樣對于s的任何選擇方案，L（s，j）*Pt（s，j）的列表以遞增順序排列，Pr（i）的列表以遞減順序排列。然后，使Loc（i）=j，L（s，j）*Pt（s，j）*Pr（i）的和確保為最小化值。由此可見，對于s，所有位置上交互后，優(yōu)化問題得到解決，具有E[C]最小值的位置被用做解決方案。為了加速過程，將原問題分為兩個,這是個次優(yōu)選方案：找到最小化的s；以及在s確定后，找到所有m*n內(nèi)容的Loc（i），以最小化E[C]。問題（1）通過盡可能快地查找一個預(yù)分配表得到解決，因為它基本上是在大小有限的列表中搜索最小值，問題（2）的解決方案已在上文指出。5.0結(jié)論在本發(fā)明中，提出了云電視節(jié)目推薦系統(tǒng)，其將終端顯示器,遙控器,云中的智能計算相連接。優(yōu)化遙控器使用模型,布局設(shè)計以及推送內(nèi)容模型,以獲得更好的用戶體驗。在本發(fā)明的基礎(chǔ)上,可開發(fā)出很多有趣的應(yīng)用，例如，每個用戶可在云中擁有一個個性化的電視臺，這樣,他們可以通過這個個性化的電視臺獲得獨(dú)一無二的觀看體驗,這是通過用戶的具體品位和遙控器上的行為模式優(yōu)化而得到的。在前述的說明書中，通過結(jié)合附圖已經(jīng)描述過各種較佳實施例。但是，顯然地，在不脫離本發(fā)明權(quán)利要求所保護(hù)的范圍情況下，還可以做出替換、修改等多種變形，并增加實施方式。因此，說明書和附圖是描述性的,并不能因此認(rèn)為是對本發(fā)明專利保護(hù)范圍的限制。例如，m*n網(wǎng)格可圍繞成多種多樣的形狀，網(wǎng)格可覆蓋多個觀看屏幕，用戶可滾動屏幕使網(wǎng)格處于不同屏幕，系統(tǒng)或用戶可選擇多種類型的網(wǎng)格或使網(wǎng)格或圖標(biāo)風(fēng)格化，等等。通過本發(fā)明在此公開的說明書及實施例，本發(fā)明其他實施方式對于本領(lǐng)域技術(shù)人員是顯而易見的。這意味著說明書和實施例僅僅是示范性的，本發(fā)明的真正范圍和精神體現(xiàn)在權(quán)利要求書中。