CN1672350B - 用于控制事件的特征的频率分布的增长的方法和系统 - Google Patents

用于控制事件的特征的频率分布的增长的方法和系统 Download PDF

Info

Publication number
CN1672350B
CN1672350B CN038183757A CN03818375A CN1672350B CN 1672350 B CN1672350 B CN 1672350B CN 038183757 A CN038183757 A CN 038183757A CN 03818375 A CN03818375 A CN 03818375A CN 1672350 B CN1672350 B CN 1672350B
Authority
CN
China
Prior art keywords
feature
event
events
appointment
processing
Prior art date
Legal status (The legal status 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 status listed.)
Expired - Fee Related
Application number
CN038183757A
Other languages
English (en)
Other versions
CN1672350A (zh
Inventor
D·J·沙弗
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Sisvel SpA
Koninklijke Philips NV
Original Assignee
Koninklijke Philips Electronics NV
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 Koninklijke Philips Electronics NV filed Critical Koninklijke Philips Electronics NV
Publication of CN1672350A publication Critical patent/CN1672350A/zh
Application granted granted Critical
Publication of CN1672350B publication Critical patent/CN1672350B/zh
Anticipated expiration legal-status Critical
Expired - Fee Related legal-status Critical Current

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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04H—BROADCAST COMMUNICATION
    • H04H60/00—Arrangements for broadcast applications with a direct linking to broadcast information or broadcast space-time; Broadcast-related systems
    • H04H60/35—Arrangements for identifying or recognising characteristics with a direct linkage to broadcast information or to broadcast space-time, e.g. for identifying broadcast stations or for identifying users
    • H04H60/46—Arrangements for identifying or recognising characteristics with a direct linkage to broadcast information or to broadcast space-time, e.g. for identifying broadcast stations or for identifying users for recognising users' 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]
    • H04N21/40—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
    • H04N21/4662—Learning process for intelligent management, e.g. learning user preferences for recommending movies characterized by learning algorithms
    • H04N21/4663—Learning process for intelligent management, e.g. learning user preferences for recommending movies characterized by learning algorithms involving probabilistic networks, e.g. Bayesian 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
    • H04N21/45—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
    • H04N21/4662—Learning process for intelligent management, e.g. learning user preferences for recommending movies characterized by learning algorithms
    • H04N21/4665—Learning process for intelligent management, e.g. learning user preferences for recommending movies characterized by learning algorithms involving classification methods, e.g. Decision trees
    • 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
    • H04N21/4667—Processing of monitored end-user data, e.g. trend analysis based on the log file of viewer selections
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04H—BROADCAST COMMUNICATION
    • H04H60/00—Arrangements for broadcast applications with a direct linking to broadcast information or broadcast space-time; Broadcast-related systems
    • H04H60/29—Arrangements for monitoring broadcast services or broadcast-related services
    • H04H60/31—Arrangements for monitoring the use made of the broadcast services
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y10—TECHNICAL SUBJECTS COVERED BY FORMER USPC
    • Y10S—TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y10S707/00—Data processing: database and file management or data structures
    • Y10S707/99941—Database schema or data structure
    • Y10S707/99944—Object-oriented database structure
    • Y10S707/99945—Object-oriented database structure processing
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y10—TECHNICAL SUBJECTS COVERED BY FORMER USPC
    • Y10S—TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y10S707/00—Data processing: database and file management or data structures
    • Y10S707/99941—Database schema or data structure
    • Y10S707/99948—Application of database or data structure, e.g. distributed, multimedia, or image
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y10—TECHNICAL SUBJECTS COVERED BY FORMER USPC
    • Y10S—TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y10S707/00—Data processing: database and file management or data structures
    • Y10S707/99951—File or database maintenance
    • Y10S707/99952—Coherency, e.g. same view to multiple users
    • Y10S707/99953—Recoverability

Abstract

一种用于控制多个事件的按时间排序的序列的特征的频率分布的增长的方法和系统，其中的每个事件都具有所说的每个事件特有的多个特征。按照处理的顺序依次处理多个事件。所说的处理包括对于每个处理的事件选择由所说事件包括的至少一个特征。所说的处理更新这样选择的每个特征的频率计数。频率计数的大小定期地减到原来值的一个减小的倍数。在满足有利于删除其大小低于阈值的频率计数的条件时，选择要删除的频率计数。然后，删除所选择的频率计数。本发明经济地利用了存储与特征的频率分布有关的数据的存储器，并且使用了对于最近的信息比对于老信息更为敏感的特征偏爱分布。

Description

用于控制事件的特征的频率分布的增长的方法和系统
技术领域
本发明一般涉及用于控制特征的频率分布的增长的方法和系统，更加具体地说，本发明涉及用于控制多个事件的按时间排序的序列的特征的频率分布的增长的方法和系统，使得每一事件具有每一事件特有的多个特征。 
背景技术
可以使用电视用户的电视收看历史来开发一个电视用户的电视节目偏爱分布，可以在计算机设备的帮助之下利用这个电视节目偏爱分布来预测电视观众可能会喜欢收看哪一些电视节目。然而，由于电视观众收看的电视节目很多，这种电视节目偏爱分布的大小可能会无限制地增大。如果偏爱分布的数据存储要求超过了在计算机设备中可以利用的存储空间的容量，这种增大就可能成为一个问题。因此，需要一种方法和系统，避免出现偏爱分布的数据存储要求超过在计算机设备中可以利用的存储空间的容量。 
发明内容
本发明提供了一种用于控制多个事件的按时间排序的序列的特征的频率分布的增长的方法，其中的每个事件都具有对于每个事件特有的多个特征，所说的方法包括如下步骤： 
按照处理的顺序依次处理多个事件，所说的处理包括对于每个处理的事件选择由所说事件包括的至少一个特征并且更新这样选择的每个特征的频率计数； 
在满足用于确定要删除哪些频率计数的条件的情况下，选择随后要删除的频率计数；和 
删除所说选择的频率计数。 
本发明还提供了一种用于控制多个事件的按时间排序的序列的特征的频率分布的增长的系统，其中的每个事件都具有对于每个事件特有的多个特征，所说的系统包括一种算法，所说的算法适合于： 
按照处理的顺序依次处理多个事件，所说的处理包括对于每个处理的事件选择由所说事件包括的至少一个特征并且更新这样选择的每个 特征的频率计数； 
在满足用于确定要删除哪些频率计数的条件的情况下，选择随后要删除的频率计数；和 
删除所说选择的频率计数。 
本发明还提供一种概率分类器方法，包括如下步骤：根据概率分类器模型确定一个指定的事件属于多个第一事件的第一分类的几率是否大于属于多个第二事件的第二分类的几率，所说的概率分类器模型使用了多个第一事件的第一按时间排序的序列的重正化的第一特征的频率分布以及多个第二事件的第二按时间排序的序列的重正化的第二特征的频率分布，其中的每个第一事件都具有对于每个第一事件特有的多个特征，其中的每个第二事件都具有对于每个第二事件特有的多个特征，其中的第一分类具有与多个第一事件有关的第一特征，其中的第二分类具有与多个第二事件有关的第二特征，并且第一和第二特征是相互排斥的。 
本发明最好提供一种方法和系统，用于避免出现电视(TV)观众偏爱分布的数据存储要求超过在计算机设备中可以利用的存储空间的容量，所说的计算机设备可利用所说的偏爱分布来预测电视观众可能会喜欢收看哪些电视节目。本发明还有的一个附加的优点：可以使用对新信息比对老信息更灵敏的电视观众偏爱分布。 
附图说明
图1是说明在电视观众的收看历史中已经停止重复出现的电视(TV)表现特征的频率计数随时间衰减的曲线图； 
图2是说明按照本发明的实施例的电视观众偏爱分布的大小的增长的曲线图； 
图3是说明按照本发明的实施例的电视表现特征的频率计数的重正化的效果的曲线图； 
图4是说明按照本发明的实施例的重正化的频率计数的计算的列表； 
图5是说明按照本发明的实施例的用于控制多个事件的按时间排序的序列的特征的频率分布的增长的算法的流程图； 
图6是说明按照本发明的实施例的用于控制多个事件的按时间排序的序列的特征的频率分布的增长的计算机系统； 
图7是按照本发明的实施例的概率分类器方法的流程图。 
具体实施方式
当一个电视观众连续地收看电视播出时，可以开发一个电视用户的电视观众分布。“电视观众”定义为收看电视节目的一个个人或者整个家庭。电视观众的分布包括表征电视观众收看电视播出的特征的出现频率的频率计数。在诸如尤其是电子节目指南(EPG)之类的来源中可以寻找到电视播出的特征。这样一些特征可以包括：种类、持续时间、语言、等级、演员、导演、闭路字幕、始发日期、性内容、暴力内容、等。 
在转让给本发明的受让人并在这里全文参照引用的、题目为“自适应电视节目推荐设备”的美国专利申请序列号09/498,271(“S/N09/498,271”)中，公开了一种系统，用于使用条件概率计算方法再结合上述的电视观众分布为电视观众推荐电视节目。在S/N 09/498,271中的概率计算方法是概率分类器理论的形式，如贝叶斯概率分类器理论(例如参见S/N 09/498,271中的第4页第7行至第14页的第1行；它的附图5a、5b、5c及其相关描述)。这个系统在推荐电视节目的过程中，考虑电视观众收看的电视节目的电视观众分布，并且与电视观众不收看的电视节目的分布相结合。S/N 09/498,271描述的系统还公开如下的内容：通过使用从电视观众不收看的整组电视节目中的随机取样，可以获得用于产生电视观众不收看的电视节目的分布的那些电视节目(例如参见S/N 09/498,271中的第6页第21行至第7页的第19行；第13页第8行至第14页的第12行)。在S/N 09/498,271中讨论的电视节目实施方案包括使用贝叶斯分类器模型的一个特殊的情况(例如参见S/N 09/498,271中的第9页第8行至第14页的第1行)，从而可以针对收看电视节目的电视观众和不收看电视节目的电视观众的分布的频率计数、来比较收看电视节目的分类与不收看电视节目的分类，预测相关的电视观众的偏爱。本发明更加一般地预言特征分布在有效分类比较方面的应用，下面讨论这样一些比较的例子。 
如果将fi定义为电视特征i的频率计数，则当特征i在电视观众历史中开始出现的时候，将fi初始化为fi＝1，并且在由电视观众收看的电视节目中，对于每个随后出现的特征i，fi的增量是1。以此方式，在由电视观众收看的电视节目中出现的每个特征的频率以及这样一些特征的数目将要随时间增长。当在具有有限数据存储能力的数据处理设备中(例如在微型数据记录设备如个人数字助理(FDA)中)开发和使用这些特征的频率分布时，数据处理设备的存储器可能充满，因此不能进一步开发特征的频率分布。此外，可以开发“冲击效应(momentumeffect)”。冲击效应是附加到电视观众分布的新节目的对于推荐意见的冲击稳定减小。例如，如果在一个分布中有100个节目，电视观众收看一个新的电视节目，则它的冲击效应粗略地看只有1/100。但是如果在该分布中有1000个节目，一个新的节目则具有小得多的冲击。随着在该分布中的节目增加，新信息的边缘效应下降。 
本发明定期地重正化积累的特征的频率分布，因此可以减小特征计数。随着频率的减小，本发明丢弃它们的频率计数已经降低到低于阈值的数值的那些特征。以此方式，丢弃陈旧的特征并且减小特征的频率分布的大小，从而可以稳定表征特征的频率分布所必需的数据的数量。 
重正化的基本形式恰好是一个分类的所有的特征计数相对于标称的分母(例如100)的均匀地减小。重正化稳定地扣除了老的信息相对于新的信息的冲击。因此，不要求频率计数是整数(并且因此可以迅速进行整数运算)，频率计数可以是实数，因为重正化通常产生实数。然而，整数在实施实数运算过程中可以用作近似值。 
两个参数，即N1和N2，定义了本发明的重正化策略。让N1是重正化基础值，例如说100。让N2是重正化触发值，例如说120。要注意的是，N2＞N1≥1。如果N代表由电视观众收看的电视节目数的计数，则当N＞N2时触发重正化。重正化使每个频率计数减小到原来值的一个减小的倍数(reduction factor)N1/N，即使每个频率计数减小到原来值的N1/N，然后将N复位到N1。这样减小的倍数计算为N1/(N2+1)或更小，因为重正化到有潜在可能发生的第一个机会是出现在超过N2的第一个N值，即在N＝N2+1。如果在每个事件后计算并使用减小倍数，则减小的倍数就是N1/(N2+1)。然而，如果事件是成批处理的，每一批中具有多个事件，则减小的倍数小于N1/(N2+1)。例如，一批可以包括在一天中发生的所有事件。重正化控制冲击效应，因为N总在被限制在N1和N2+NE之间，其中的NE是正在进行处理的这批事件的数目。要说明的是，如果批的大小为1，则NE＝1和N被限制在N1和N2+1之间。 
控制分布的增长意味着丢弃某些特征。在一般情况下，期望丢弃的特征尽可能地少的特征。一种思路是，丢弃其频率计数变得极低的特征，但是期望避免删除稀少的然而却是重要的特征。删除特征的理由是为了避免分布超过允许的存储能力。这样，就必须规定要删除什么和删除的时间。基本的思想是，识别出有最低使用价值的特征和尽可能少地删除，以便维持分布的大小在可接受的界限之内。建议删除的特征的特征性质应该有足够小的频率计数。这样，本发明就规定了一个第三个参数N3(它也是一个实数)，并且删除其频率计数小于N3的 所有特征。 
重正化过程通常是累积所有的信息并且丢弃老信息以便有利用较近期的信息的过程。任何特征的频率计数将随时间指数衰减，如果任何新的项目(即，新的电视节目)没有这个性质的话。让fi(k)是在时间k为第i个特征的频率计数，这里k是重正化的指数。让k＝0是特征i首次出现的时间。然后，fi(k)＝fi(0)Rk，这里，R是重正化系数(renormalization factor))(N1/N)。图1表示的是，按照本发明的实施例的对于fi(0)＝1、N1＝100、N2＝124、和N3＝0.8的fi的指数衰减曲线。与图1相关的减小的倍数是0.8(即，N1/(N2+1)或者100/125)。 
为了说明重正化的计算，假定fi(k)已经下降到0.5，两个新节目加到具有这个特征的分布上。结果，fi(k+1)可能跳到2.5，然后将fi(k+1)重正化为2.0(2.5×0.8)。现在考虑对于N1和N2的另一种选择。例如，考虑N1＝1和N2＝2，这种情况当每个新的节目加到分布中并且fi(k)极其迅速地减小(每个新的节目变化一半)时可能触发重正化。例如，假定一个电视观众在一个时间观看他喜欢的喜剧节目，接下去是3个足球比赛。这时，喜剧节目的特征已经下降到原来的1/16，这种衰减过快。虽说似乎N1是可以有几乎任何值，(因为直到分布包括至少N2+1个节目，重正化才能进行)，但是，正是N1/N2+1的减小的倍数确定老信息的衰减速率。如果减小的倍数太小，许多重要的特征的影响会迅速下降，并且会很快丢弃。如果减小的倍数太高，太多的噪声特征将要继续影响推荐意见，分布的增长太大，系统对新信息的响应减小。有助于进行这种折衰处理的想法是：(N2-N1)差值应该足够地大，以致于存在电视观众通常喜爱的各种各样的节目的合理采样。因此，重要的节目类型将有它们自已的统一衰减的特征，重要的节目类型可能需要十分规则地予以更新。N2和N1之间的差值越大，采样是代表性的样品的可能性越大，然而，实现重正化以使系统对于喜爱变化的响应越小的次数越小。这样，N2和N1之间的大的差值将最好地服务于具有宽的和稳定的爱好的电视观众，N2和N1之间的小的差值将最好地服务于具有窄的和经常变化的爱好的电视观众。本发明还预测自动地调节N2。 
N3确定所说的特征在什么时候从分布上永久丢弃。在此再给出一 种折衰方案。为了限制分布的增长，基本上是噪声的那些特征需要丢弃，因为这样一些“噪声”特征极少出现，并且不传递有关电视观众偏爱的任何真实的信息。不幸的是，存在一些极少出现的某些特征，但它们却携带重要的信息。例如，歌剧不经常播出，但对于歌剧迷来说却具有巨大的兴趣。在考虑到设定N3的情况下，对于来自Nielsen多媒体研究公司的电视收看数据的主体的一项最近的考查表明，平均来说美国观众每周收看大约20个电视节目。本发明的发明人可以利用的一项有关观众历史数据的类似研究得到的这个数值范围为每周6-13个节目。设定N2＝120和N1＝100，这就意味着，平均来说美国人每周约有一次重正化，对于本发明的发明人可以利用的数据每2-3周约有一次重正化。如果利用重正化系数0.8264，则频率计数1.0在13次重正化后将要衰减到0.084，在14次重正化后将要衰减到0.069。因此，平均来说美国电视观众可能期望：如果在大约13周这段时间间隔没有再次看见一些特征，在大约13周以后将丢弃这些特征一次。对于不太活跃的电视观众，这样一些特征仍旧在它们的分布中保存较长的时间。从一个每年体育赛季到下一个体育赛季保持特征，13周并不够长，所以可能期望N3的值较低。然而，如果N3太小，则丢弃的特征极少。N3的值不大于约0.10可能适用于某些应用(如N3＝0.07)。 
图2是说明按照本发明的实施例的基于一个电视观众的电视观看历史的电视观众偏爱分布的大小(按字节)的增长的曲线图。图2基于N1＝100、N2＝120、N3＝0.07。图2的数据是分批提供的：第一批包括100个收看电视节目和100个不收看电视节目。所有的随后的批次都包括21个电视节目，因此，每一批触发一次重正化。在图2中，电视观众分布一直增长到第14次重正化。这时，开始丢弃一些特征，使其大小稳定。 
电视观众分布的大小的上限取决于每个电视观众偏爱的电视节目的范围。兴趣较窄的电视观众一直只对有限数目的特征进行更新，其它的特征将衰减和排除。兴趣极广的电视观众需要适应具有相同水平的推荐偏爱的更多的特征。 
图3是说明按照本发明的实施例的重正化对电视节目特征的频率计数的影响的曲线图，其中的实验与上述结合图2描述的实验相同。在图3中的上边的两个曲线表示对于表征规则的喜爱的节目的特征所 出现的情况。规则的节目是有大量的机会观看的节目。上部的这两个曲线的两个特征是两个这样的节目的题目。所有的特征都要经受衰减，但这种类型的特征是按规则更新的。在图3中的下边的3个特征表明衰减对于比较稀少的特征的影响(冲击)。特征“关键字cobby”对于这个电视观众来说没有任何实际意义。“关键字cobby”在由100个收看电视节目组成的第一批中，只出现两个节目，在此之后没有再次出现。特征“关键字cobby”经受指数衰减，直到它在第19批中被排除。 
就图3而论，电视节目是一个歌剧迷，歌剧不是一个非常“规则的”电视节目类型。我们看到，在100个节目的第一批中出现的“类别歌剧”只有一个节目，在第一批之后的任何一批中都没有再次出现。因此，在第15批中将这一特征清除，这很遗憾。在第9批中，看到一个节目，它的题目是“都市歌剧...”。正是因为特征“标题  都市”使它的频率计数小于N3(即，0.07)，并且因此将其从电视观众分布中清除掉，所以在第21批中才能看到具有“标题  都市”特征的另一个节目。这样，就可以给“标题  都市”特征一个扩充的机会以便保留在电视观众分布中。人们可能会有理由地问：“当观看到都市歌剧时，“类别  歌剧”为什么不更新？”。按照EPG元数据的设想，这个答案就是：不是所有的歌剧(或者任何其它的节目)都必须按照统一的方式标记。都市歌剧节目可以指定为音乐类别而不是歌剧类别。不幸的是，推荐者必须在这种环境当中操作。 
图4是一个列表，表示按照本发明的实施例的重正化的频率计数的计算。图4表示由一个电视观众收看的22个电视节目，其处理的顺序是1、2、...22，它们具有的4个特征即是：体育、新闻、现场直播(即，现场资料的播放)、和录音(即，录音资料的播放)。对于这个例子，N1＝6、N2＝9、和N3＝0.80，这就意味着，重正化系数为0.60(即，N1/(N2+1)＝6/10)。这是一个假想的例子，用于说明如何实现重正化计算，不是为了说明如何以最佳的方式使用本发明；即，N1、N2、N3不是按照设计的考虑选择的，而是为了表明计算是如何进行的。在实际的应用中，在电视观众分布中有可能出现的特征要比4个特征多得多。在“存在特征”的情况下，出现“1”表示对于相关的节目存在一个特征。例如，节目#1具有特征“体育”和“直播”，节目#5具有特征“新闻”和“直播”，节目#9具有特征“体育”和“录音”。 
在“特征的频率计数”的情况下，在22个节目的每一个之后都要更新特征的计数。对于每个新出现的特征，每次更新都使特征的频率计数加1。由于在N＞N2时要使特征重正化，并且因为N2＝9，所以第一次重正化发生在N＝10，并且使每个频率计数都要乘以重正化系数0.6，并且使N复位到6(即，执行N＝N1)。例如，在N＝10，在前的体育特征的计数5要增加1，得到6，6再乘以重正化系数0.60，从而可以得到在处理节目#10后的体育特征的计数3.6。类似地，重正化还发生在节目#15和节目#20之后。由于N3＝0.80，所以在处理节目#10之后才引入“录音”特征，因为“录音”特征已经获得了频率计数0.6，这个值是小于N3的。类似地，在处理节目#20之后才引入“新闻”特征，因为“新闻”特征已经获得了频率计数0.79，这个值是小于N3的。 
以上着重讨论了与电视观众收看的电视节目有关的特征的频率计数。如以上所述，并且如在S/N09/498271中详细描述的，可以使用贝叶斯分类器模型、并针对在收看的和不收看的电视观众分布、来比较收看电视节目的分类与不收看电视节目的分类，从而可以预测相关的电视观众的偏爱情况。对于这样的电视节目应用，本发明假定：在S/N09/498271中公开的任何分类器模型或理论都可以利用这里公开的按照本发明的重正化频率分布来进行分类比较，例如预测电视观众对于电视节目的偏爱。此外，本发明预测这里公开的重正化的特征的分布在有益的分类比较中的应用，下面讨论3个例子以便说明本发明的应用的普遍性。 
在第一个例子中，分类器模型(例如贝叶斯分类器模型)可以应用到任何一种类型的娱乐事件，尤其是，例如电影院的电影、剧场实况转播、体育事件、音乐事件、等。按照本发明，如以上所述，可以实现特征计数的重正化，使其可以应用到特定类型的娱乐事件(即，电视节目、电影院的电影、剧场的实况转播、体育事件、直播的音乐节目、记录的音乐事件、书或其它出版物的购买、书或其它出版物从图书馆的借阅、因特网页面的访问、等)。在S/N09/498271中公开的任何分类器模型或理论都可以利用这里公开的重正化频率分布来进行分类比较，例如预测特定类型的娱乐事件的电视观众的偏爱。这种分类器模型可以按照与在S/N09/498271中公开的对于电视节目的相同方式比较观看到的(特定类型的)娱乐事件的分类与没有看到的娱乐 事件的分类。按照与在S/N09/498271中描述的用于选择没有收看的电视节目的相同方式，通过随机采样建立没有观看的娱乐事件的分类。 
在第二个例子中，可以将分类器模型(例如贝叶斯分类器模型)应用到在指定的地理区域内最近购买的住宅里，其中使用了描述住宅特征的任何可利用的特征数据库，例如最近购买的住宅的特征的“多重列表”数据库。这样的特征尤其是可以包括：住宅的风格(例如，殖民地、大牧场、等)供暖类型(如气暖、油暖、等)、是否存在中央空调、等。如以上在这里所述的，按照本发明，可以对于最近购买的住宅实施特征计数的重正化，在S/N09/498271中公开的任何分类器模型或理论都可以利用这里公开的重正化频率分布来进行分类比较，例如预测住宅购买者的偏爱。作为一个例子，这样一种分类器模型可以比较在3个月内销售的住宅分类与准备销售但不在3个月内销售的住宅分类。可以按照与在S/N09/498271中用于选择不收看电视节目的相同方式，通过随机采样来建立准备销售但不在3个月内销售的住宅分类。在最近购买的住宅的特征的中能进行许多其它类型的分类的比较。与S/N09/498271中对于电视节目公开的一样，本发明的范围包括任何有意义的分类比较，其中利用了本发明的重正化的特征计数。 
在第三个例子中，可以将分类器模型(如贝叶斯分类器模型)应用到在指定的管辖区域内(具体来说例如在马萨诸塞州内，第二联邦范围内等)最近起诉的罪行上，其中使用了罪行的任何可利用的特征。这样一些特征具体来说例如可以包括罪行的类别(如重罪、轻罪、等)犯罪的具体时间(如白天、晚上、夜里)、受害人被杀还是受重伤、犯罪人是否是少年(如不满18岁)、等等。如以上这里所述的，按照本发明，可以针对在分析中使用的罪行来实施特征计数的重正化。作为一个例子，这样的分类器模型可以比较男人犯的所谓罪行类型与女人犯的所谓罪行类型(这里使用词“所谓的”是因为还没有在司法上定罪)。作为另一个例子，这样的分类器模型还可以比较其起诉已经通过陪审审理终止的罪行类别与其起诉已经通过认罪求情(pleabargaining)终止的罪行类别。在上述的两个例子中，用于比较的一个或者两个类别可以随意地建立或者通过随机采样建立，建立的方式与S/N09/498271中用于选择不收看的电视节目的方式一样。在最近诉讼的罪行中，可以进行许多其它类型的分类比较。本发明的范围包 括任何有意义的分类比较，与S/N09/498271中对于电视节目公开的情况一样，可以利用本发明的重正化的特征计数。 
下面概括地描述特征计数的重正化，而不限于具体的应用。如以上所述，特征计数的重正化及其与概率分类器模型结合的应用，可以应用到其中可进行有意义的分类比较的实际上任何的主题区域。现在，电视节目的概念由事件代替，或者更加具体地，由按时间排序的事件序列代替。在上述的例子中，所说的事件可以包括电视节目、娱乐事件、最近购买的住宅、最近起诉的罪行、等。序列中的每一个事件都具有每个事件所特有的特征(例如指定的电视节目特有的特征、指定的娱乐事件特有的特征、指定的最近购买的住宅特有的特征、指定的最近起诉的罪行特有的特征)。如果一组特征表征指定的事件但不一定表征任何其它的事件，则认为这组特征是指定的事件特有的。 
图5是一个流程图，表示按照本发明的实施例的用于控制多个事件的按时间排序的序列的特征的频率分布的增长的一种算法。在按时间排序的序列中每多个事件的多个特征可以包括在一个特征列表内，例如可以包括在文件、列表、数据库等等之内；例如包括在电视节目的EPG内或者包括在销售的或者最近购买的住宅的多个列表数据库内。 
在图5中，步骤10是一个初始化步骤，包括设定N＝0(N是一个事件计数器)、和建立N1、N2、N3的值，其中的参数N、N1、N2、N3相对于事件的定义与这些参数如以上所述相对于电视节目的定义相同。因此，N2＞N1≥1。这些事件是按照与多个事件的按时间排序的序列的顺序相同的顺序依次进行处理的。按另一种方式，多个事件的处理顺序可偏离多个事件的按时间排序的序列的顺序。 
步骤11按照处理顺序启动下一个事件的处理。 
步骤12针对正在处理的事件选择由正在处理的事件包括的至少一个特征。针对正在处理的事件选择由正在处理的事件包括的至少一个特征不可能导致选择正在处理的事件特有的所有特征。按照另一种方式，针对正在处理的事件选择至少一个特征可能导致选择正在处理的事件特有的所有特征。 
步骤13更新在步骤12中选择的每个特征的频率计数。对于首次出现的每个特征，频率计数都设定为1，而对于已经存在的和再次出现的每个特征，频率计数都要更新(即，加1)。已经存在的但没有再次 出现的计数保持不变，一直到随后进行的重正化。使用“1”作为初始计数值或者作为计数增量，这是任意的行为，可以使用任何数值作为初始计数值或者作为计数增量。 
步骤14是一个判定框，用于确定是否减小当前的频率计数，这等效于确定是否需要重正化频率计数。无论何时N＞N2，重正化都应发生(并且因此频率计数都应减小)，在这里，让我们回顾一下，N是已经处理过的事件数目的计数。这样，如果N＞N2，则执行步骤15-17，然后执行步骤18；而如果N≤N2，则绕过步骤15-17，接下去执行步骤18。 
步骤15将频率计数减少到原来值的一个减小的倍数，还将N复位到N1(即，N＝N1)。减小的倍数可以是N1/N(等于N1/(N2+1)或者更小些，如以上所述)。更加一般地说，减小的倍数可以取另外的形式，尤其是例如是(N1/N)的一个小于1的函数。例如，减小的倍数可以取(N1/N) p的形式，其中的p是一个正的实数。要说明的是，如果p＝1，则减小的倍数就是N1/N。 
步骤16选择在满足一个条件时要删除的频率计数。删除一个频率计数在这里意味着删除与要删除它的频率计数的特征有关的所有信息。这样，删除一个特征将减小用来存储关于特征的信息的存储空间的负担。这个条件尤其是可以包括：如果指定的频率计数落在一个阈值(N3)之下，则决定删除指定的频率计数。N3可以是与特征有关的。按照另一种方式，N3可以是与特征无关的(即，是一个常数)；例如，N3可以有一个不超过约为0.10或0.07的特征无关值。 
如果在步骤16选择了要删除的至少一个频率计数，则在步骤17删除在步骤16中选择的要删除的那些频率计数。 
步骤18是一个判定框，确定是否要处理附加的事件。如果不需要，则算法终止。如果需要，则过程控制返回到步骤11，处理下一个事件，重复步骤11-18。 
图6表示的是按照本发明的实施例的一个计算机系统90，用于控制多个事件的按时间排序的序列的特征的频率分布的增长。计算机系统90包括：处理器91、耦合到处理器91的输入设备92、耦合到处理器91的输出设备93、每个都和处理器91耦合的存储设备94、95。输入设备92尤其是可以是键盘、鼠标、等。输出设备93尤其是可以是打印机、绘图仪、计算机屏幕、磁带、可拆卸的硬盘、软盘、等。存 储设备94、95包括可写入的存储器，尤其是包括硬盘、动态随机存取存储器(DRAM)、只读存储器(ROM)、等。存储设备95包括计算机代码97。计算机代码97包括一种算法，用于控制多个事件的按时间排序的序列的特征的频率分布的增长(即，在图5中描述的以及在这里描述的算法)。处理器91执行计算机代码97。存储设备94包括输入数据96。输入数据96包括计算机代码97所需的输入。输出设备93显示来自计算机代码97的输出。可以使用存储设备94、95(或者是在图6中没有示出的一个或多个附加存储设备)中的任何一个或者可以使用这两者作为计算机可用介质，在其中嵌入计算机可读程序代码，所说的计算机可读程序代码包括计算机代码97。 
虽然图6所示的计算机系统90是用硬件和软件特殊配置的，但可以利用本领域的普通技术人员公知的硬件和软件的任何配置结合图6的特殊的计算机系统90实现以上阐明的目的。例如，存储设备94和95可以是单个存储设备的一些部分，而不是分开的存储设备。 
图6的计算机系统90可以以任何规模或者任何形式存在，例如：主框架计算机系统、工程工作站、个人计算机系统、微型数字记录设备(如个人数字助理(PDA))、机顶盒、包括个人硬盘记录器的数据处理系统、在电视机内的计算机、等。如果计算机系统90代表微型数字记录设备，则在图6中的某些设备(例如打印机)显然不存在了。 
下面将按照本发明的特征计数的重正化更加一般地方式应用到概率分类器方法，如应用到贝叶斯分类程序方法。图7是按照本发明的实施例的概率分类器方法的流程图。 
在图7中，步骤31定义具有与多个第一事件有关的第一特征的第一事件的第一分类。步骤32定义具有与多个第二事件有关的第二特征的第二事件的第二分类，其中第一和第二特征是相互排斥的。步骤33根据概率分类器模型确定一个指定的事件属于第一分类的可能性是否大于属于第二分类的可能性，所说的概率分类器模型使用了多个第一事件的第一按时间排序的序列的重正化的第一特征的频率分布和多个第二事件的第二按时间排序的序列的重正化的第二特征的频率分布。每个第一事件具有每个第一事件特有的特征，每个第二事件具有每个的第二事件特有的特征。 
通过以上所述的重正化技术，可以产生重正化的多个第一特征的 频率分布和重正化的多个第二特征的频率分布。 
为了说明本发明的概率分类器方法，考虑以下的这个例子：确定一个指定的电视节目被一个电视观众收看的可能性大还是不被这个电视观众收看的可能性大。第一分类是被电视观众收看的电视节目的分类，第二分类是不被这个电视观众收看的电视节目的分类。多个第一事件是收看电视节目，属于第一分类，多个第二事件是不收看电视节目，属于第二分类。与多个第一事件有关的第一特征包括已由这个电视观众收看的电视节目。与多个第二事件有关的第二特征包括未由这个电视观众收看的电视节目。确定指定的事件属于第一分类和第二分类中哪一个的可能性更大些，以确定指定的电视节目被收看的可能性和不被收看的可能性中哪一个可能性更大一些。在上述的例子中，电视节目可以推广到娱乐事件。要说明的是，由这个电视观众收看的电视节目和不由这个电视观众收看的电视节目分别相对于第一分类和第二分类来说，是相互排斥的特征。 
更加一般地，考虑如下的一个例子：确定参与者参与一个指定事件的可能性和参与者不参与这个指定事件的可能性哪一个可能性更大些。事件的例子是在一个指定的地理区域最近购买的住宅或者在指定的管辖区域内起诉的最近的罪行。“参与者”定义为一个或多个人。第一分类是参与者参与的多个事件的分类。第二分类是参与者不参与的多个事件的分类。多个第一事件是属于第一分类的参与的多个事件，多个第二事件是属于第二分类的不参与的多个事件。与多个第一事件有关的第一特征包括参与者已经参与的多个第一事件(如已由买主购买的销售住宅)。与多个第二事件有关的第二特征包括参与者没有参与的多个第二事件(如未由买主购买的销售住宅)。对于住宅买/卖的例子，确定指定的事件属于第一分类的可能性和属于第二分类的可能性中哪一个可能性更大些包括确定一个指定的住宅购买的可能性和不购买的可能性中哪一个可能性更大些。要说明的是，由买主购者的住宅和不由买主购买的住宅，分别对于第一分类(购买的销售住宅)和对于第二分类(不购买的销售住宅)来说，是相互排斥特征。 
参数N1、N2、N3每一个都可以是分类无关的或者分类无关的。作为第一个例子，N1对于第一分类和第二分类可以具有相同的值或者不同的值。作为第二个例子，N2对于第一分类和第二分类可以具有相同 的值或者不同的值。作为第三个例子，N3对于第一分类和第二分类可以具有相同的值或者不同的值。 
以上所述的计算机系统90可用于实施图7的概率分类器方法，其中的计算机代码97可以包括一种算法，用于执行图7的概率分类器方法。 
在这里为了进行说明已经描述了本发明的实施例，对于本领域的普通技术人员来说，许多改进和变化都是显而易见的。因此期望，所附的权利要求书包括落在本发明的真正构思和范围内所有的这种改进和变化。 

Claims (42)

1.一种用于在计算设备中控制多个事件的按时间排序的序列的特征的频率分布的增长的方法，其中每个事件都具有对于每个事件特有的多个特征并且特征的频率分布包括每个特征的频率计数，所说的方法包括如下步骤：
按照处理的顺序依次处理多个事件，所说的处理包括：对于每个处理的事件选择由所说事件包括的至少一个特征，如果所述至少一个特征第一次出现，将所述至少一个特征的频率计数设置为初始计数值，否则递增所述至少一个特征的频率计数一个计数增量；
周期性地重正化积累的特征的特征频率分布，以便减小特征的频率计数；
在满足用于确定要删除哪些频率计数的条件的情况下，选择随后要删除的频率计数，其中如果指定的频率计数落在阈值(N3)之下，则满足用于确定删除指定的频率计数的条件；和
删除所说选择的频率计数以便避免特征的频率分布大小的无限制增长。
2.权利要求1的方法，其中N1和N2定义为正整数，以使N2＞N1≥1，N定义为已经处理过的事件的数目的计数，其中，如果N＞N2，则进一步还要包括：使每个频率计数按照一个减小因子减小并将N重置为N＝N1。
3.权利要求2的方法，其中：所述减小因子是(N1/N)p，p是正实数。
4.权利要求3的方法，其中：p＝1。
5.权利要求1的方法，其中：N3是特征相关的。
6.权利要求1的方法，其中：N3是特征无关的。
7.权利要求1的方法，其中：处理顺序是这样的：按照多个事件的按时间排序的序列的顺序处理多个事件。
8.权利要求1的方法，其中：对于处理的指定的事件选择至少一个特征不会导致选择指定事件特有的所有的特征。
9.权利要求1的方法，其中：对于处理的指定的事件选择至少一个特征导致选择指定事件特有的所有的特征。
10.权利要求1的方法，其中：对于每个处理的事件的特征的列表列举了每个处理的事件特有的特征。
11.权利要求1的方法，其中：依次处理多个事件包括依次分批处理多个事件，其中每一批包括多个事件。
12.权利要求1的方法，其中：多个事件包括由指定的人或指定的家庭实际收看的多个娱乐事件。
13.权利要求12的方法，其中：多个事件包括电视节目。
14.权利要求12的方法，其中：多个事件包括电影院电影。
15.权利要求12的方法，其中：多个事件包括体育事件。
16.权利要求1的方法，其中：多个事件包括在指定地理区域销售的住宅。
17.权利要求1的方法，其中：多个事件包括在指定的管辖区域内起诉的罪行。
18.权利要求1的方法，其中：多个事件包括指定的人或指定的家庭未曾收看的多个娱乐事件。
19.权利要求18的方法，其中：随机选择未曾收看的所说的多个娱乐事件。
20.一种用于在计算设备中控制多个事件的按时间排序的序列的特征的频率分布的增长的系统，其中每个事件都具有每个事件特有的多个特征并且特征的频率分布包括每个特征的频率计数，所说的系统包括：
用于按照处理的顺序依次处理多个事件的装置，其中用于处理的装置包括用于对于每个处理的事件选择由所说事件包括的至少一个特征的装置以及用于如果所述至少一个特征第一次出现，将所述至少一个特征的频率计数设置为初始计数值，否则递增所述至少一个特征的频率计数一个计数增量的装置；
用于周期性地重正化积累的特征的特征频率分布以便减小特征的频率计数的装置；
用于在满足用于确定要删除哪些频率计数的条件的情况下，选择随后要删除的频率计数的装置，其中如果指定的频率计数落在阈值(N3)之下，则满足用于确定删除指定的频率计数的条件；和
用于删除所说选择的频率计数以便避免特征的频率分布大小的无限制增长的装置。
21.权利要求20的系统，其中N1和N2定义为正整数，以使N2＞N1≥1，N定义为已经处理过的事件的数目的计数，其中，所述系统还包括用于如果N＞N2，则使每个频率计数按照一个减小因子减小并将N重置为N＝N1的装置。
22.权利要求21的系统，其中：所述减小因子是(N1/N)p，p是正实数。
23.权利要求22的系统，其中：p＝1。
24.权利要求20的系统，其中：N3是特征相关的。
25.权利要求20的系统，其中：N3是特征无关的。
26.权利要求20的系统，其中：处理顺序是这样的：按照多个事件的按时间排序的序列的顺序处理多个事件。
27.权利要求20的系统，其中：所说的用于选择至少一个特征的装置对于处理的指定的事件选择指定事件特有的所有的特征。
28.权利要求20的系统，其中：所说的用于选择至少一个特征的装置对于处理的指定的事件选择少于指定事件特有的所有的特征。
29.权利要求20的系统，其中：对于每个处理的事件的特征的列表列举了每个处理的事件特有的特征。
30.权利要求20的系统，其中：依次处理多个事件包括依次分批处理事件，其中每一批包括多个事件。
31.权利要求20的系统，其中：事件包括由指定的人或指定的家庭实际收看的娱乐事件。
32.权利要求31的系统，其中：多个事件包括电视节目。
33.权利要求31的系统，其中：多个事件包括电影院电影。
34.权利要求31的系统，其中：多个事件包括体育事件。
35.权利要求20的系统，其中：多个事件包括在指定地理区域销售的住宅。
36.权利要求20的系统，其中：多个事件包括在指定的管辖区域内起诉的罪行。
37.权利要求20的系统，其中：多个事件包括未由指定的人或指定的家庭收看的多个娱乐事件。
38.权利要求37的系统，其中：随机选择未曾收看的所说的多个娱乐事件。
39.权利要求20的系统，其中，所述计算设备包括机顶盒。
40.权利要求20的系统，其中，所述计算设备包括个人硬盘记录器。
41.权利要求20的系统，其中，所述计算设备包括微型数字记录设备。
42.权利要求41的系统，其中：微型数字记录设备包括个人数字助理(PDA)。
CN038183757A 2002-07-30 2003-07-17 用于控制事件的特征的频率分布的增长的方法和系统 Expired - Fee Related CN1672350B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US10/208,604 2002-07-30
US10/208,604 US7130866B2 (en) 2002-07-30 2002-07-30 Controlling the growth of a feature frequency profile by deleting selected frequency counts of features of events
PCT/IB2003/003263 WO2004013996A1 (en) 2002-07-30 2003-07-17 Controlling the growth of a features frequency profile

Publications (2)

Publication Number Publication Date
CN1672350A CN1672350A (zh) 2005-09-21
CN1672350B true CN1672350B (zh) 2013-04-24

Family

ID=31186857

Family Applications (1)

Application Number Title Priority Date Filing Date
CN038183757A Expired - Fee Related CN1672350B (zh) 2002-07-30 2003-07-17 用于控制事件的特征的频率分布的增长的方法和系统

Country Status (7)

Country Link
US (1) US7130866B2 (zh)
EP (1) EP1527535A1 (zh)
JP (1) JP2005535030A (zh)
KR (1) KR101025197B1 (zh)
CN (1) CN1672350B (zh)
AU (1) AU2003247099A1 (zh)
WO (1) WO2004013996A1 (zh)

Families Citing this family (37)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6766525B1 (en) * 2000-02-08 2004-07-20 Koninklijke Philips Electronics N.V. Method and apparatus for evaluating television program recommenders
US8028314B1 (en) 2000-05-26 2011-09-27 Sharp Laboratories Of America, Inc. Audiovisual information management system
US8020183B2 (en) 2000-09-14 2011-09-13 Sharp Laboratories Of America, Inc. Audiovisual management system
US6520032B2 (en) * 2001-03-27 2003-02-18 Trw Vehicle Safety Systems Inc. Seat belt tension sensing apparatus
US7904814B2 (en) 2001-04-19 2011-03-08 Sharp Laboratories Of America, Inc. System for presenting audio-video content
US7474698B2 (en) 2001-10-19 2009-01-06 Sharp Laboratories Of America, Inc. Identification of replay segments
CA2374298A1 (en) * 2002-03-01 2003-09-01 Ibm Canada Limited-Ibm Canada Limitee Computation of frequent data values
US8214741B2 (en) 2002-03-19 2012-07-03 Sharp Laboratories Of America, Inc. Synchronization of video and data
US7657907B2 (en) * 2002-09-30 2010-02-02 Sharp Laboratories Of America, Inc. Automatic user profiling
US8356317B2 (en) * 2004-03-04 2013-01-15 Sharp Laboratories Of America, Inc. Presence based technology
US8949899B2 (en) 2005-03-04 2015-02-03 Sharp Laboratories Of America, Inc. Collaborative recommendation system
US8165853B2 (en) * 2004-04-16 2012-04-24 Knowledgebase Marketing, Inc. Dimension reduction in predictive model development
US7644423B2 (en) * 2004-09-30 2010-01-05 Microsoft Corporation System and method for generating media consumption statistics
US7779011B2 (en) * 2005-08-26 2010-08-17 Veveo, Inc. Method and system for dynamically processing ambiguous, reduced text search queries and highlighting results thereof
US7788266B2 (en) 2005-08-26 2010-08-31 Veveo, Inc. Method and system for processing ambiguous, multi-term search queries
US7734632B2 (en) * 2005-10-28 2010-06-08 Disney Enterprises, Inc. System and method for targeted ad delivery
US7693884B2 (en) * 2006-01-02 2010-04-06 International Business Machines Corporation Managing storage systems based on policy-specific proability
US8689253B2 (en) 2006-03-03 2014-04-01 Sharp Laboratories Of America, Inc. Method and system for configuring media-playing sets
US7792815B2 (en) * 2006-03-06 2010-09-07 Veveo, Inc. Methods and systems for selecting and presenting content based on context sensitive user preferences
WO2007124436A2 (en) 2006-04-20 2007-11-01 Veveo, Inc. User interface methods and systems for selecting and presenting content based on relationships between the user and other members of an organization
WO2008063987A2 (en) * 2006-11-13 2008-05-29 Veveo, Inc. Method of and system for selecting and presenting content based on user identification
US8352319B2 (en) * 2009-03-10 2013-01-08 Google Inc. Generating user profiles
US9166714B2 (en) 2009-09-11 2015-10-20 Veveo, Inc. Method of and system for presenting enriched video viewing analytics
US20110191330A1 (en) * 2010-02-04 2011-08-04 Veveo, Inc. Method of and System for Enhanced Content Discovery Based on Network and Device Access Behavior
SG177018A1 (en) * 2010-06-09 2012-01-30 Smart Communications Inc System and method for the provision of content to a subscriber
US9786159B2 (en) * 2010-07-23 2017-10-10 Tivo Solutions Inc. Multi-function remote control device
US9355110B1 (en) 2011-07-14 2016-05-31 Google Inc. Dynamic presentation of data items based on prioritized associations
US9138401B2 (en) 2011-12-19 2015-09-22 Mary Kay Inc. Combination of plant extracts to improve skin tone
US8849804B1 (en) 2012-08-10 2014-09-30 Google Inc. Distributing interest categories within a hierarchical classification
US9106721B2 (en) 2012-10-02 2015-08-11 Nextbit Systems Application state synchronization across multiple devices
US10057726B2 (en) * 2012-10-02 2018-08-21 Razer (Asia-Pacific) Pte. Ltd. Managing user data on an electronic device
WO2015041675A1 (en) * 2013-09-20 2015-03-26 Western Michigan University Research Foundation Behavioral intelligence framework, content management system, and tool for constructing same
US10105593B2 (en) 2014-04-08 2018-10-23 Razer (Asia-Pacific) Pte. Ltd. File prefetching for gaming applications accessed by electronic devices
US10496678B1 (en) * 2016-05-12 2019-12-03 Federal Home Loan Mortgage Corporation (Freddie Mac) Systems and methods for generating and implementing knowledge graphs for knowledge representation and analysis
US10579626B2 (en) * 2016-09-21 2020-03-03 All Therooms System and method for bayesian matching of web search results
CN109309543B (zh) * 2017-07-27 2021-11-30 厦门歌乐电子企业有限公司 一种接收装置和方法
DE202019005695U1 (de) 2018-09-18 2021-07-01 Mary Kay, Inc. Pflanzenextrakte zum Reduzieren des Erscheinungsbildes von hyperpigmentierter Haut oder zum Aufhellen der Haut

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5801747A (en) * 1996-11-15 1998-09-01 Hyundai Electronics America Method and apparatus for creating a television viewer profile
WO1999046719A1 (en) * 1998-03-11 1999-09-16 Cannon Holdings, L.L.C. Method and apparatus for analyzing data and advertising optimization
WO2001052173A1 (en) * 2000-01-13 2001-07-19 Erinmedia, Inc. Privacy compliant multiple dataset correlation system
WO2002037851A2 (en) * 2000-10-30 2002-05-10 Koninklijke Philips Electronics N.V. Method and apparatus for generating television program recommendations based on prior queries

Family Cites Families (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5488725A (en) 1991-10-08 1996-01-30 West Publishing Company System of document representation retrieval by successive iterated probability sampling
US5633948A (en) 1992-11-30 1997-05-27 Kegelmeyer, Jr.; W. Philip Method and apparatus for detecting a desired behavior in digital image data
US7260823B2 (en) * 2001-01-11 2007-08-21 Prime Research Alliance E., Inc. Profiling and identification of television viewers
KR100358402B1 (ko) * 1998-12-17 2005-11-14 삼성전자 주식회사 선호채널자동설정방법및장치
US7051352B1 (en) 2000-02-04 2006-05-23 Koninklijke Philips Electronics N.V. Adaptive TV program recommender
US6892191B1 (en) 2000-02-07 2005-05-10 Koninklijke Philips Electronics N.V. Multi-feature combination generation and classification effectiveness evaluation using genetic algorithms
US6766525B1 (en) * 2000-02-08 2004-07-20 Koninklijke Philips Electronics N.V. Method and apparatus for evaluating television program recommenders
KR100617662B1 (ko) * 2000-03-14 2006-08-28 엘지전자 주식회사 멀티미디어 데이터의 사용자 히스토리 정보 구성 및 관리 방법 그리고 이를 기반으로 하는 사용자 프로파일 정보 구성 방법
WO2001069432A2 (en) 2000-03-16 2001-09-20 Microsoft Corporation Priorities generation and management
US20010030667A1 (en) * 2000-04-10 2001-10-18 Kelts Brett R. Interactive display interface for information objects
US6931657B1 (en) * 2000-04-21 2005-08-16 Microsoft Corporation Methods and arrangements for providing a novel television and multimedia viewing paradigm
US8352331B2 (en) 2000-05-03 2013-01-08 Yahoo! Inc. Relationship discovery engine
US6575347B2 (en) * 2000-06-17 2003-06-10 Textron Inc. Rivet feed slider
US8495679B2 (en) * 2000-06-30 2013-07-23 Thomson Licensing Method and apparatus for delivery of television programs and targeted de-coupled advertising
US6658438B1 (en) * 2000-08-14 2003-12-02 Matrix Semiconductor, Inc. Method for deleting stored digital data from write-once memory device
AU2001288502A1 (en) * 2000-08-28 2002-03-13 Isdi.Net, Llc Value your home
KR20020018321A (ko) * 2000-09-01 2002-03-08 김종우 인터넷 맞춤형 정보 제공방법 및 시스템
DE60209947T2 (de) * 2001-01-09 2007-02-22 Metabyte Networks, Inc., Fremont System, Verfahren und Software für die Bereitstellung einer gezielten Werbung durch Benutzerprofildatenstruktur basierend auf Benutzerpräferenzen
MXPA03010125A (es) * 2001-05-03 2004-03-10 Forensic Technology Wai Inc Sistema y metodo para el manejo, analisis y aplicacion de datos para organizaciones con base en el conocimiento.
US20030145326A1 (en) * 2002-01-31 2003-07-31 Koninklijke Philips Electronics N.V. Subscription to TV channels/shows based on recommendation generated by a TV recommender

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5801747A (en) * 1996-11-15 1998-09-01 Hyundai Electronics America Method and apparatus for creating a television viewer profile
WO1999046719A1 (en) * 1998-03-11 1999-09-16 Cannon Holdings, L.L.C. Method and apparatus for analyzing data and advertising optimization
WO2001052173A1 (en) * 2000-01-13 2001-07-19 Erinmedia, Inc. Privacy compliant multiple dataset correlation system
WO2002037851A2 (en) * 2000-10-30 2002-05-10 Koninklijke Philips Electronics N.V. Method and apparatus for generating television program recommendations based on prior queries

Also Published As

Publication number Publication date
CN1672350A (zh) 2005-09-21
JP2005535030A (ja) 2005-11-17
EP1527535A1 (en) 2005-05-04
WO2004013996A1 (en) 2004-02-12
US20040024777A1 (en) 2004-02-05
KR20050028920A (ko) 2005-03-23
US7130866B2 (en) 2006-10-31
AU2003247099A1 (en) 2004-02-23
KR101025197B1 (ko) 2011-03-31

Similar Documents

Publication Publication Date Title
CN1672350B (zh) 用于控制事件的特征的频率分布的增长的方法和系统
US9179186B2 (en) Method and apparatus for image processing, program, and recording medium
CN104995620B (zh) 用于推荐媒体节目和在节目开始之前通知用户的系统和方法
US8363636B2 (en) Distributing personalized content
US8027943B2 (en) Systems and methods for observing responses to invitations by users in a web-based social network
US7657907B2 (en) Automatic user profiling
US20070288965A1 (en) Recommended program information providing method and apparatus
CN102217301A (zh) 在第一多媒体内容项目的列表中分配第二多媒体内容项目的方法
KR20040089099A (ko) 정보 배포 시스템 및 그 방법 및 그 방법을 실현한 프로그램 및 그 프로그램에 관계된 정보매체
JP2007511154A (ja) 番組推薦システム
JP2001285765A (ja) 放送番組蓄積方式
JP2009505298A (ja) ユーザに関心を引くアイテムを推奨するシステムおよび方法
CN106326391A (zh) 多媒体资源推荐方法及装置
CN101874255A (zh) 一种估计一个用户组对一个内容的总体兴趣度的方法和设备
CN110312167B (zh) 一种计算影视内容评分的方法、智能终端及存储介质
Altman et al. Measuring audience retention in YouTube
CN112287167A (zh) 视频推荐召回方法及装置
CN111062527A (zh) 一种视频集流量预测方法及装置
CN110149556B (zh) 一种基于tdc-lda模型的iptv用户行为模式挖掘方法
US11209958B2 (en) Behavior-influenced content access/navigation menus
CN113852867A (zh) 一种基于核密度估计的节目推荐方法和装置
KR20050085541A (ko) 라디오 또는 ｔｖ 프로그램용 플레이 시퀀스를 생성하는시스템 및 방법
CN106934034B (zh) 分析影视作品发行特征的方法和服务器
Sajib et al. Video recommendation system for YouTube considering users feedback
CN117241072A (zh) 基于大数据的全平台视频数据分析系统、方法及存储介质

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant
CP01 Change in the name or title of a patent holder

Address after: Holland Ian Deho Finn

Patentee after: KONINKLIJKE PHILIPS N.V.

Address before: Holland Ian Deho Finn

Patentee before: Koninklijke Philips Electronics N.V.

CP01 Change in the name or title of a patent holder
TR01 Transfer of patent right

Effective date of registration: 20180117

Address after: Italy Knowles

Patentee after: S.I.SV.EL SOCIETA' ITALIANA PER LO SVILUPPO DELL'ELETTRONICA S.P.A.

Address before: Holland Ian Deho Finn

Patentee before: KONINKLIJKE PHILIPS N.V.

TR01 Transfer of patent right
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20130424

Termination date: 20200717

CF01 Termination of patent right due to non-payment of annual fee