智能電視展示播放內(nèi)容的方法、裝置及系統(tǒng)的制作方法
【專利摘要】本發(fā)明提供一種智能電視展示播放內(nèi)容的方法、裝置及系統(tǒng)，涉及電視業(yè)務技術領域，解決了現(xiàn)有技術中電視端沒有智能推薦影片功能導致的用戶搜索影片操作量大、影響用戶的觀影體驗的技術問題。其中，方法包括：接收到電視端傳送的用戶觀看的觀影數(shù)據(jù)；根據(jù)所述觀影數(shù)據(jù)預測與所述觀影數(shù)據(jù)相關度高的推薦影片；將預測到的所述推薦影片反饋到所述電視端推薦給所述用戶。
【專利說明】
智能電視展示播放內(nèi)容的方法、裝置及系統(tǒng)
技術領域
[0001 ]本發(fā)明涉及電視業(yè)務技術領域，尤其涉及一種智能電視展示播放內(nèi)容的方法、裝 置及系統(tǒng)。
【背景技術】
[0002] 智能電視是順應電視機"高清化"、"網(wǎng)絡化"、"智能化"的趨勢而出現(xiàn)的一種智能 多媒體終端，具備從因特網(wǎng)、視頻設備、計算機等多種渠道獲得節(jié)目內(nèi)容，通過簡單易用的 整合式操作界面將消費者最需要的內(nèi)容在大屏幕上清晰地展現(xiàn)的功能。與傳統(tǒng)電視的應用 平臺相比，智能電視可實現(xiàn)網(wǎng)絡搜索、網(wǎng)絡電視、視頻點播(V0D)、數(shù)字音樂、網(wǎng)絡新聞、網(wǎng)絡 視頻電話等各種應用服務。目前智能電視有很多節(jié)目內(nèi)容可供用戶觀看，又由于其互聯(lián)網(wǎng) 的特性，節(jié)目內(nèi)容可以在全網(wǎng)進行搜索觀看，因此對節(jié)目內(nèi)容的快速精準定位顯得尤其重 要。
[0003] 現(xiàn)有智能電視的影片推薦很少，目前的推薦功能是廠商自主進行的強制推薦，這 跟用戶為中心的理念背馳。用戶所希望看到的是，自己想要看到的影片在最顯眼的位置，從 而可以迅速的觀看，不必再為尋找片源煩惱。
[0004] 現(xiàn)有技術中用戶若想看某類型的電影只能明確知道目的影片的名稱，通過搜索進 行觀看，通常有兩種方式：（1)從類型中進入，然后層層深入尋找。（2)通過搜索功能找到。 [0005]但是，很多情況下，用戶并非清楚的知道影片名稱，很有可能僅是對某類或某種影 片感興趣，想要觀看。若通過搜索的方式查找影片將會帶來很多的操作量。因此現(xiàn)有技術中 的這種通過搜索獲得想觀看的影片的方式會給用戶帶來較多繁瑣的操作，并且消耗用戶的 時間，影響用戶的觀影體驗。

【發(fā)明內(nèi)容】

[0006] 本發(fā)明實施例提供一種智能電視展示播放內(nèi)容的方法、裝置及系統(tǒng)，以解決現(xiàn)有 技術中電視端沒有智能推薦影片功能導致的用戶搜索影片操作量大、影響用戶的觀影體驗 的技術問題。
[0007] 本發(fā)明實施例一方面提供一種智能電視展示播放內(nèi)容的方法，該方法在服務器適 用，主要包括：
[0008] 接收到電視端傳送的用戶觀看的觀影數(shù)據(jù)；
[0009] 根據(jù)所述觀影數(shù)據(jù)預測與所述觀影數(shù)據(jù)相關度高的推薦影片；
[0010] 將預測到的所述推薦影片反饋到所述電視端推薦給所述用戶。
[0011] 本發(fā)明實施例另一方面提供一種智能電視展示播放內(nèi)容的方法，該方法在電視端 適用，主要包括：
[0012] 根據(jù)用戶每次觀看的影片獲取所述用戶的觀影數(shù)據(jù)；
[0013] 將所述觀影數(shù)據(jù)傳送到服務器。
[0014] 本發(fā)明實施例另一方面提供一種智能電視展示播放內(nèi)容的裝置，該裝置適合部署 在服務器上，包括：
[0015] 接收模塊，用于接收到電視端傳送的用戶觀看的觀影數(shù)據(jù)；
[0016] 預測模塊，用于根據(jù)所述觀影數(shù)據(jù)預測與所述觀影數(shù)據(jù)相關度高的推薦影片；
[0017] 推薦模塊，用于將預測到的所述推薦影片反饋到所述電視端推薦給所述用戶。
[0018] 本發(fā)明實施例另一方面提供一種智能電視展示播放內(nèi)容的裝置，該裝置適合部署 在電視端上，包括：
[0019] 數(shù)據(jù)獲取模塊，用于根據(jù)用戶每次觀看的影片獲取所述用戶的觀影數(shù)據(jù)；
[0020] 傳送模塊，用于將所述觀影數(shù)據(jù)傳送到服務器。
[0021] 本發(fā)明實施例另一方面還提供一種智能電視展示播放內(nèi)容的系統(tǒng)，包括服務器和 電視端;該服務器包括上述適合部署在服務器上的智能電視展示播放內(nèi)容的裝置，所述電 視端包括上述適合不是在電視端的智能電視展示播放內(nèi)容的裝置。
[0022] 本發(fā)明提供的上述智能電視展示播放內(nèi)容的方法、裝置及系統(tǒng)，可根據(jù)用戶的觀 影數(shù)據(jù)預測用戶喜歡看的影片的類型，并將同樣類型的影片通過在電視端上的屏幕顯示進 而推薦給用戶，解決了現(xiàn)有技術中用戶搜索影片操作不方便、以及運營商強制推薦非用戶 想觀看的影片的技術問題，進而實現(xiàn)了提高電影查找和推薦的精確度、方便用戶觀影，增強 用戶觀影體驗的技術效果。
【附圖說明】
[0023] 為了更清楚地說明本發(fā)明實施例中的技術方案，下面將對實施例描述中所需要使 用的附圖作一簡單地介紹，顯而易見地，下面描述中的附圖是本發(fā)明的一些實施例，對于本 領域普通技術人員來講，在不付出創(chuàng)造性勞動性的前提下，還可以根據(jù)這些附圖獲得其他 的附圖。
[0024] 圖1為本發(fā)明實施例提供的一種智能電視展示播放內(nèi)容的方法的電視端上的流程 圖；
[0025] 圖2為本發(fā)明實施例提供的一種智能電視展示播放內(nèi)容的方法的服務器上的流程 圖；
[0026] 圖3為本發(fā)明實施例提供的一種智能電視展示播放內(nèi)容的方法中前向傳播算法的 示意圖；
[0027] 圖4為本發(fā)明實施例提供的一種智能電視展示播放內(nèi)容的方法中誤差反向傳播算 法的示意圖；
[0028] 圖5為本發(fā)明實施例提供的一種智能電視展示播放內(nèi)容的方法中BP預測網(wǎng)絡示意 圖；
[0029] 圖6為本發(fā)明實施例提供的一種智能電視展示播放內(nèi)容的方法的流程示意圖；
[0030] 圖7為本發(fā)明實施例提供的電視端上的一種智能電視展示播放內(nèi)容的裝置的結構 示意圖；
[0031] 圖8為本發(fā)明實施例提供的服務器上的一種智能電視展示播放內(nèi)容的裝置的結構 示意圖；
[0032] 圖9為本發(fā)明實施例提供的一種智能電視展示播放內(nèi)容的系統(tǒng)的結構示意圖。
【具體實施方式】
[0033] 為使本發(fā)明實施例的目的、技術方案和優(yōu)點更加清楚，下面將結合本發(fā)明實施例 中的附圖，對本發(fā)明實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例是 本發(fā)明一部分實施例，而不是全部的實施例。基于本發(fā)明中的實施例，本領域普通技術人員 在沒有作出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本發(fā)明保護的范圍。
[0034] 如圖1所示，本實施例提供一種智能電視展示播放內(nèi)容的方法，該方法適合部署在 電視端，主要包括：
[0035] 101，根據(jù)用戶每次觀看的影片獲取所述用戶的觀影數(shù)據(jù)；
[0036] 上述觀影數(shù)據(jù)包括每個影片名稱和類別標簽。
[0037] 電視端上通常會記錄用戶每次點擊哪部影片進行觀看，根據(jù)該記錄可以得到將用 戶觀看過的的影片的觀影數(shù)據(jù)，包括影片名稱和類別標簽。
[0038] 102,將所述觀影數(shù)據(jù)傳送到服務器。
[0039] 可以是電視端定期主動將用戶的觀影數(shù)據(jù)發(fā)送到服務器，也可以是服務器下來查 詢用戶的觀影數(shù)據(jù)。
[0040] 將上述用戶的觀影數(shù)據(jù)發(fā)送到服務器上，是為了便于服務器根據(jù)用戶的觀影數(shù)據(jù) 預測該用戶喜歡觀看的影片類型，并將相應的影片類型作為推薦影片反饋到電視端上。因 此，上述方案還包括:接收到所述服務器反饋的與所述用戶觀看的影片相關度高的推薦影 片;將所述推薦影片展示給所述用戶。
[0041] 本實施例提供的上述方法中，電視端只需將用戶的觀影數(shù)據(jù)發(fā)送到服務器端，便 于服務器端進行推薦影片的預測，并且由于該預測過程是在服務器上進行，因此降低了電 視端的負擔，同時又能滿足用戶的觀影需求
[0042] 對應于上述電視端上的適用方法，如圖2所示，本實施例還提供了一種適合部署在 服務器上的一種智能電視展示播放內(nèi)容的方法，主要包括：
[0043] 201，接收到電視端傳送的用戶觀看的觀影數(shù)據(jù)；
[0044] 202,根據(jù)所述觀影數(shù)據(jù)預測與所述觀影數(shù)據(jù)相關度高的推薦影片；
[0045] 與觀影數(shù)據(jù)中的影片類型相關度高的影片通常就是用戶所喜歡的影片，因此這種 影片適合作為推薦影片推薦給用戶。本發(fā)明中的預測推薦影片的準確度除了取決于觀影數(shù) 據(jù)的用戶每次觀看的影片的名稱和類別標簽外，還取決于推薦算法，通過將用戶每次觀看 的影片名稱和類別標簽作為輸入樣本輸入到推薦算法中進行多次的反復訓練，該推薦算法 的預測度便會越來越準確，并將多次訓練后的訓練結果作為最后預測的與所述觀影數(shù)據(jù)相 關度高的推薦影片推薦給用戶。
[0046] 下面具體介紹一下本實施例中提供的推薦算法。
[0047]神經(jīng)網(wǎng)絡算法是機器學習算法中廣泛使用的一類算法，BP算法（Back Propagat ion )，也被稱為反向傳播算法。通過計算反向傳輸?shù)恼`差，精確計算程度，所以被 成為反向傳播算法。這兩種算法都可以用作本實施例中的推薦算法。整體來講，算法描述， 分為兩個階段:分別是訓練階段和預測階段。
[0048] 1.訓練階段
[0049]輸入樣本以及樣本所對應的目標，通過前向計算，得到一個初步目標值，與精確的 目標值進行對比，接下來反向傳播誤差，減少輸出值與預設的目標值的差別，直到誤差減少 到我們預設的預測標準值。
[0050] (1)數(shù)據(jù)準備:輸入樣本是影片名稱和每個影片名稱被標記多個標簽，如10個，這 10個標簽作為其特征進行訓練。輸入結果，也就是目標就是影片的類別標簽(種類），比如某 類影片也被標記10個標簽，作為識別其的特征。
[0051] (2)網(wǎng)絡構造:一般情況下，分類越精細需要的網(wǎng)絡結構也就會越復雜。這里使用 中間層為1層的網(wǎng)絡
[0052] (a)前向傳輸
[0053]樣本輸入至輸入層，然后經(jīng)過與權重矩陣的操作與對應的權重相乘，數(shù)學表達式 如下(一）：
[0054]
[0055] 其中，Aj為第j層的輸出，分別是是示意性的代表X和W矩陣中的元素，W代表權 重矩陣，X代表輸入樣本(數(shù)據(jù))矩陣;計算方法如上:權重矩陣與輸入樣本矩陣相乘。Xi，Wji 均是對應矩陣的元素。
[0056]特別地，本實施例中考慮到權值矩陣W是直接影響到上述公式一的有效性，因此對 于這個W的初始值是通過特別的字典訓練算法K-SVD得到的。K-SVD，是一種數(shù)學算法?？梢?對一個矩陣進行分解，得到其中我們最關心的部分，即特征。
[0057] 因此可以看出，神經(jīng)元的輸出依賴于信號的輸入和權值(權重），激活函數(shù)選擇非 線性的sigmoid便于計算。激活函數(shù)的輸出如下式(二）：
[0058]
[0059] Oj是第j層經(jīng)過激活函數(shù)之后的輸出。
[0060] 激活函數(shù)使用Sigmoid，對于較大的輸入值(樣本與權值相乘之后的結構）都趨向 于1;在輸入為0時，激活輸出為0.5;在輸入值的負值趨于很小時，激活輸出為0。特別地，在 本實施例中，激活函數(shù)的曲線在使用前經(jīng)過了平滑處理，這樣即可以進行梯度運算，也提高 了運算的準確性。
[0061 ]訓練過程的目的就是對于給定的輸入得到理想的輸出。因為初始權值的選擇一定 不是最優(yōu)的，所以在目標與實際輸出之間會有殘差，下式(三）。
[0062]
[0063] Ej是實際輸出與真實值之間的差，我們一般使用這個誤差作為目標進行優(yōu)化， 為第j層的目標輸出，也即樣本所對應的真實輸出值。如圖3所示。
[0064]對誤差求平方之后，所有誤差均為正值，將所有樣本的誤差值累加得到如下數(shù)學 模型（四）：
[0065]
[0066] (b)誤差反向傳播
[0067] 在前向傳播中得到了誤差是如何依賴于輸入樣本，輸出，以及權重值的關系。在找 到此關系之后，任務變?yōu)槿绾胃鶕?jù)誤差對權值進行更新，得到最優(yōu)化的權值，得到網(wǎng)絡。在 計算更新權值時我們使用隨機梯度下降法，下式(五）：
[0068]
[0069] 其中Δ w(k+l)和Δ w(k)分別代表的是第k+Ι次和第k次迭代后權重值的更新，α與η 是兩個常量參數(shù)，一個用來平衡更新，一個用來在梯度下降法時更新梯度的大小。α通常選 擇〇到1之間的
I誤差函數(shù)對權重值的梯度。
[0070] 在誤差回傳過程中，我們需要找到輸出相對于權重值的偏導I
既然是反向傳 播，因此需要先求得誤差相對于輸出的偏導數(shù)，參照下式(六）：
[0071]
[0072] 然后，反向鏈路上，輸出依賴于激活函數(shù)的輸出值，激活函數(shù)是在權重基礎之上得 至_式(七）：
[0073]
[0074] 根據(jù)以上六、七兩式，利用求導的鏈式法則，可以推導得到輸出相對于權重值的導 數(shù)，如下式：
[0075]
[0076] 綜上，可以得到權重的更新，式(八）：
[0077] Δ Wji = 2n(0j-tj)0j (I-Oj) Xj (A)
[0078] 根據(jù)以上的算法推導過程，核心是利用隨機梯度下降法進行的，反向傳播的過程 是BP網(wǎng)絡的關鍵之處，從輸出層到輸入層逐層使用梯度下降，求得當前的最優(yōu)值，直到網(wǎng)絡 的權值全部更新，即輸入權值矩陣及輸出權值矩陣均得到更新，完成一次迭代，算法迭代直 到收斂。如圖4所示。
[0079] 2、預測階段
[0080] 當網(wǎng)絡被訓練好之后，我們就可以應用到實際使用中。輸入的樣本就是用戶點擊 的影片名稱和類型標簽，輸出的訓練結果就是預測的用戶所喜好的影片的類型標簽。如圖5 所示的BP預測網(wǎng)絡示意圖，Xi是輸入樣本，Yi是中間節(jié)點，Zi是最后的輸出。其中Xi相當于 用戶點擊的影片名稱，輸出預測的用戶所感興趣的影片類型。
[0081] 203,將預測到的所述推薦影片反饋到所述電視端推薦給所述用戶。
[0082] 用戶的點擊影片記錄會被記錄，并上傳到服務器，進行預測得到用戶喜好類型，那 么系統(tǒng)在進行推薦時，則偏好會被記錄，從服務器會將用戶偏好的類型進行推薦。在用戶的 電視機中體現(xiàn)出來的就是，在搜索頁面，其同類型的影片會被推薦出來。
[0083] 可選的實施方式中，上述202實現(xiàn)方法如下：
[0084] 根據(jù)推薦算法對所述觀影數(shù)據(jù)進行訓練；
[0085] 根據(jù)訓練結果獲得相關度高的推薦影片的類別標簽；
[0086] 將獲得的所述類別標簽與影片庫中預設的類別標簽進行匹配；
[0087] 將匹配度符合預設推薦標準值的影片作為與所述影片數(shù)據(jù)相關度高的推薦影片。 [0088]詳細的上述202的具體實現(xiàn)過程可參照圖6所示的實施例。
[0089] 如圖6所示，根據(jù)上述圖1和2的方法，本實施例具體提供一種智能電視展示播放內(nèi) 容，包括：
[0090] 301，電視端根據(jù)用戶每次觀看的影片獲取所述用戶的觀影數(shù)據(jù)，并將所述觀影數(shù) 據(jù)傳送到服務器。
[0091] 302,服務器接收到電視端傳送的用戶觀看的觀影數(shù)據(jù)；
[0092] 目前用戶都有賬號，可根據(jù)賬號，獲取用戶的觀影數(shù)據(jù)，比如定期會在用戶網(wǎng)絡閑 時，將點擊影片的觀影數(shù)據(jù)，傳送到網(wǎng)絡，通過網(wǎng)絡送回服務器，服務器會將數(shù)據(jù)進行收集， 并且將其類型標簽取出，了下標簽即預先對影片標好的tag。以便作為分類依據(jù)，比如《捉妖 記》，事前將其標上三個標簽"古裝"，"奇幻"，"喜劇"，那么這三個將作為其樣本特征，用來 進行預測。
[0093] 303,服務器根據(jù)推薦算法對所述觀影數(shù)據(jù)進行訓練；
[0094] 具體而言，針對每次用戶觀看的影片名稱和該影片的類別標簽，將所述影片名稱 和所述影片的類別標簽作為一個輸入樣本輸入到所述推薦算法中得到一個輸出結果；其 中，將得到一個輸出結果的過程作為一個訓練過程；
[0095] 在通過多次訓練過程后得到的輸出結果符合預設的預測標準值時，將所述對應的 輸出結果作為訓練結果，其中，所述訓練結果包括類別標簽。
[0096] 例如:使用推薦算法，對得到的觀影數(shù)據(jù)進行學習和訓練，輸入影片的名稱及類型 標簽，將影片名字及類型對應起來作為一一對應的訓練數(shù)據(jù)。將以上得到觀影數(shù)據(jù)作為樣 本輸入輸入到推薦算法中，輸入一個樣本會有一個輸出，每次輸入并得到輸出的過程就是 一個訓練，輸出結果/訓練結果包括:影片類型及得分。每次樣本輸入都會有一個輸出，多次 樣本輸入就會有多個輸出，多次的訓練可以提高推薦算法的準確性。
[0097] 準確性的提高是因為每次輸出是一次計算得到的數(shù)值，將這個數(shù)值與預設的目標 值做差，得到一個誤差，通過上述的誤差反向傳播過程優(yōu)化這個誤差，使之減小到預先設定 的一個較小的預測標準閥值。此時就認為得到了精確網(wǎng)絡，即輸入的樣本影片和其所屬了 下分類的一種預測關系。由于訓練過程是在服務器中進行，所以不會對用戶電視機有使用 壓力。
[0098] 304,提取訓練結果中包括的類型標簽，將該類型標簽作為預測的與用戶觀看的影 片相關度高的影片的類型標簽。
[0099] 305,將獲得的所述類別標簽與影片庫中預設的類別標簽進行匹配;并將匹配度符 合預設推薦標準值的影片作為與所述影片數(shù)據(jù)相關度高的推薦影片。
[0100] 將根據(jù)用戶的觀影數(shù)據(jù)學習得到的類型標簽與目標影片庫的分類進行匹配，由于 獲得的類型標簽可能有多個，而并不一定每個都匹配上，因此根據(jù)匹配的結果情況進行打 分，將得分超過預設推薦標準值的影片作為與相關度高的影片，并將相關程度最高的前η部 影片作為推薦影片。
[0101] 需要說明的是:在上述訓練之前，本實施例的方案中，需要先將目標影片庫的影片 進行分類。即事先在服務器端對目標影片庫中的影片標注類型標簽，并按照類型標簽分類 得到一個較為初始的分類網(wǎng)絡。
[0102] 306,服務器將預測到的所述推薦影片反饋到所述電視端推薦給所述用戶。
[0103] 307,電視端接收到所述服務器反饋的與所述用戶觀看的影片相關度高的推薦影 片;并將所述推薦影片展示給所述用戶。
[0104] 本實施例提供的方法中，通過對推薦算法進行訓練可提高預測的準確性，輸入的 樣本數(shù)據(jù)量越多，訓練得到的算法越準確，預測的類別越詳細推薦準確程度越高。
[0105] 為了便于上述圖1和圖6實施例中電視端側的方法實現(xiàn)，本實施例提供一種智能電 視展示播放內(nèi)容的裝置，如圖7所示，該裝置包括：
[0106] 數(shù)據(jù)獲取模塊41，用于根據(jù)用戶每次觀看的影片獲取所述用戶的觀影數(shù)據(jù)；
[0107] 傳送模塊42，用于將所述觀影數(shù)據(jù)傳送到服務器。
[0108] 可選地，該裝置還包括：
[0109] 接收模塊，用于接收到所述服務器反饋的與所述用戶觀看的影片相關度高的推薦 影片；
[0110] 展示模塊，用于將所述推薦影片展示給所述用戶。
[0111] 本實施例圖7提供的裝置適合安裝在電視端或就是一臺電視或機頂盒。
[0112] 相應地，為了便于上述圖2和圖6實施例中服務器上的方法實現(xiàn)，本實施例提供一 種智能電視展示播放內(nèi)容的裝置，如圖8所示，包括：
[0113] 接收模塊51，用于接收到電視端傳送的用戶觀看的觀影數(shù)據(jù)；
[0114] 預測模塊52，用于根據(jù)所述觀影數(shù)據(jù)預測與所述觀影數(shù)據(jù)相關度高的推薦影片；
[0115] 推薦模塊53,用于將預測到的所述推薦影片反饋到所述電視端推薦給所述用戶。
[0116] 其中，所述預測模塊52包括：
[0117]訓練單元，用于根據(jù)推薦算法對所述觀影數(shù)據(jù)進行訓練；
[0118]結果獲取單元，用于根據(jù)訓練結果獲得相關度高的推薦影片的類別標簽；
[0119] 匹配單元，用于將獲得的所述類別標簽與影片庫中預設的類別標簽進行匹配，并 將匹配度符合預設推薦標準值的影片作為與所述影片數(shù)據(jù)相關度高的推薦影片。
[0120] 其中，所述影片數(shù)據(jù)包括每次用戶觀看的影片名稱和該影片的類別標簽；
[0121]相應地，所述訓練單元，具體用于針對每次用戶觀看的影片名稱和該影片的類別 標簽，將所述影片名稱和所述影片的類別標簽作為一個輸入樣本輸入到所述推薦算法中得 到一個輸出結果;其中，將得到一個輸出結果的過程作為一個訓練過程;在通過多次訓練過 程后得到的輸出結果符合預設的預測標準值時，將所述對應的輸出結果作為訓練結果，其 中，所述訓練結果包括類別標簽。
[0122] 本實施例圖8所提供的該裝置適合安裝在服務器上或就是一臺服務器，
[0123] 本發(fā)明實施例提供的圖7和8中的裝置，可執(zhí)行上述方法實施例，其具體實現(xiàn)原理 和技術效果，可參見上述方法實施例，本實施例此處不再贅述。
[0124] 如圖9所示，本實施繼續(xù)提供一種智能電視展示播放內(nèi)容的系統(tǒng)，包括服務器60和 電視端70;該服務器60包括上述圖8所示的實施例中的裝置，該所述電視端7包括上述圖7中 所示的實施例中的裝置，具體結構和作用在此不贅述。
[0125] 本領域普通技術人員可以理解:實現(xiàn)上述方法實施例的全部或部分步驟可以通過 程序指令相關的硬件來完成，前述的程序可以存儲于一計算機可讀取存儲介質(zhì)中，該程序 在執(zhí)行時，執(zhí)行包括上述方法實施例的步驟；而前述的存儲介質(zhì)包括：只讀存儲記憶體 (Read-Only Memory，R0M)、隨機存儲記憶體（Random Access Memory，RAM)、磁碟或者光盤 等各種可以存儲程序代碼的介質(zhì)。
[0126] 最后應說明的是：以上各實施例僅用以說明本發(fā)明的技術方案，而非對其限制;盡 管參照前述各實施例對本發(fā)明進行了詳細的說明，本領域的普通技術人員應當理解:其依 然可以對前述各實施例所記載的技術方案進行修改，或者對其中部分或者全部技術特征進 行等同替換；而這些修改或者替換，并不使相應技術方案的本質(zhì)脫離本發(fā)明各實施例技術 方案的范圍。
【主權項】
1. 一種智能電視展示播放內(nèi)容的方法，其特征在于，包括： 接收到電視端傳送的用戶觀看的觀影數(shù)據(jù)； 根據(jù)所述觀影數(shù)據(jù)預測與所述觀影數(shù)據(jù)相關度高的推薦影片； 將預測到的所述推薦影片反饋到所述電視端推薦給所述用戶。2. 根據(jù)權利要求1所述的方法，其特征在于，所述根據(jù)所述觀影數(shù)據(jù)預測與所述觀影數(shù) 據(jù)相關度高的推薦影片，包括： 根據(jù)推薦算法對所述觀影數(shù)據(jù)進行訓練； 根據(jù)訓練結果獲得相關度高的推薦影片的類別標簽； 將獲得的所述類別標簽與影片庫中預設的類別標簽進行匹配； 將匹配度符合預設推薦標準值的影片作為與所述影片數(shù)據(jù)相關度高的推薦影片。3. 根據(jù)權利要求2所述的方法，其特征在于，所述影片數(shù)據(jù)包括每次用戶觀看的影片名 稱和該影片的類別標簽;所述根據(jù)推薦算法對所述影片數(shù)據(jù)進行訓練包括： 針對每次用戶觀看的影片名稱和該影片的類別標簽，將所述影片名稱和所述影片的類 別標簽作為一個輸入樣本輸入到所述推薦算法中得到一個輸出結果;其中，將得到一個輸 出結果的過程作為一個訓練過程； 在通過多次訓練過程后得到的輸出結果符合預設的預測標準值時，將所述對應的輸出 結果作為訓練結果，其中，所述訓練結果包括類別標簽。4. 一種智能電視展示播放內(nèi)容的方法，其特征在于，包括： 根據(jù)用戶每次觀看的影片獲取所述用戶的觀影數(shù)據(jù)； 將所述觀影數(shù)據(jù)傳送到服務器。5. 根據(jù)權利要求4所述的方法，其特征在于，該方法還包括： 接收到所述服務器反饋的與所述用戶觀看的影片相關度高的推薦影片； 將所述推薦影片展示給所述用戶。6. -種智能電視展示播放內(nèi)容的裝置，其特征在于，包括： 接收模塊，用于接收到電視端傳送的用戶觀看的觀影數(shù)據(jù)； 預測模塊，用于根據(jù)所述觀影數(shù)據(jù)預測與所述觀影數(shù)據(jù)相關度高的推薦影片； 推薦模塊，用于將預測到的所述推薦影片反饋到所述電視端推薦給所述用戶。7. 根據(jù)權利要求6所述的裝置，其特征在于，所述預測模塊包括： 訓練單元，用于根據(jù)推薦算法對所述觀影數(shù)據(jù)進行訓練； 結果獲取單元，用于根據(jù)訓練結果獲得相關度高的推薦影片的類別標簽； 匹配單元，用于將獲得的所述類別標簽與影片庫中預設的類別標簽進行匹配，并將匹 配度符合預設推薦標準值的影片作為與所述影片數(shù)據(jù)相關度高的推薦影片。8. 根據(jù)權利要求7所述的裝置，其特征在于，所述影片數(shù)據(jù)包括每次用戶觀看的影片名 稱和該影片的類別標簽； 所述訓練單元，具體用于針對每次用戶觀看的影片名稱和該影片的類別標簽，將所述 影片名稱和所述影片的類別標簽作為一個輸入樣本輸入到所述推薦算法中得到一個輸出 結果;其中，將得到一個輸出結果的過程作為一個訓練過程;在通過多次訓練過程后得到的 輸出結果符合預設的預測標準值時，將所述對應的輸出結果作為訓練結果，其中，所述訓練 結果包括類別標簽。9. 一種智能電視展示播放內(nèi)容的裝置，其特征在于，包括： 數(shù)據(jù)獲取模塊，用于根據(jù)用戶每次觀看的影片獲取所述用戶的觀影數(shù)據(jù)； 傳送模塊，用于將所述觀影數(shù)據(jù)傳送到服務器。10. 根據(jù)權利要求9所述的裝置，其特征在于，該裝置還包括： 接收模塊，用于接收到所述服務器反饋的與所述用戶觀看的影片相關度高的推薦影 片； 展示模塊，用于將所述推薦影片展示給所述用戶。11. 一種智能電視展示播放內(nèi)容的系統(tǒng)，其特征在于，包括服務器和電視端;所述服務 器如權利要求6-8中任意一項所述的裝置，所述電視端包括如權利要求9或10中任意一項所 述的裝置。
【文檔編號】H04N21/258GK105915957SQ201510953575
【公開日】2016年8月31日
【申請日】2015年12月15日
【發(fā)明人】崔建勇
【申請人】樂視致新電子科技（天津）有限公司