一种影视节目的预测方法、装置、设备和存储介质与流程

1.本发明涉及智能内容推荐领域，尤其涉及一种影视节目的预测方法、装置、设备和存储介质。


背景技术：

2.随着观影技术的发展，越来越多人开始购置家用显示设备，用于以家庭为单位观看影视节目。由于家庭中往往存在多种不同类型的成员，包括老人、儿童等，他们将通过同一显示设备，观看不同的影视节目。但家庭中不同成员不仅观影偏好完全不同，因此，显示设备向每个家庭成员推荐的影视节目各不相同。
3.现有技术中，以家庭为单位的显示设备往往仅依据历史观影记录，推测该显示设备的观影偏好，从而形成针对显示设备的偏好节目列表，但这无法满足多成员共同使用同一显示设备的观影推荐需求。部分显示设备会也通过区分不同的用户账号来区分不同的历史观影记录，从而针对不同的用户账号推荐不同的偏好节目列表。但由于部分家庭成员不熟悉电子产品，因此无法熟练地操作显示设备，尤其是切换用户账号的操作，这导致部分家庭成员希望通过显示设备推荐获取自己可能感兴趣的影视节目的难度显著提升。在显示设备不区分用户账号、仅能提供单一的偏好节目列表的情况下，部分家庭成员不得不手动检索自己可能感兴趣的影视节目，这加大了检索影视节目的操作时间和操作难度。


技术实现要素：

4.本发明实施例提供一种影视节目的预测方法、装置、设备和存储介质，以解决以家庭为单位的显示设备无法依据不同家庭成员的偏好显示并推荐不同的偏好节目列表的问题。
5.本发明第一方面，提供了一种影视节目的预测方法，包括：
6.采集设备本次开启后所有的操作行为，得到本次操作行为；
7.从云端获取能够预测出所述本次操作行为对应的人群类别和所述人群类别对应的偏好节目列表的目标神经网络模型；
8.将所述本次操作行为，以及所述本次操作行为对应的行为触发时间和行为持续时长，输入所述目标神经网络模型，预测出所述本次操作行为对应的人群类别和所述人群类别对应的偏好节目列表。
9.在一种可能的设计中，所述预测出所述本次操作行为对应的人群类别和所述人群类别对应的偏好节目列表之后，所述方法还包括：
10.获取预设页面中符合所述人群类别的展示页面；
11.将所述偏好节目列表显示在展示页面上。
12.在一种可能的设计中，所述将所述偏好节目列表显示在展示页面上之后，所述方法还包括：
13.向所述云端发送所述本次操作行为、所述本次操作行为对应的所述行为触发时
间、行为持续时长和本次影视节目，以使所述云端基于本次操作行为、所述本次操作行为对应的所述行为触发时间、行为持续时长和本次影视节目，更新所述目标神经网络模型。
14.在一种可能的设计中，所述向所述云端发送所述本次操作行为、所述本次操作行为对应的所述行为触发时间、行为持续时长和本次影视节目，包括：
15.逐帧获取所述本次影视节目的节目画面；
16.解析所述节目画面，得出所述节目内容数据；
17.分析所述本次操作行为、以及所述本次操作行为对应的所述行为触发时间、行为持续时长和本次影视节目，得出所述本次影视节目的观看记录和交互记录；
18.将所述节目内容数据、所述节目内容数据对应的所述观看记录和所述交互记录发送给所述云端。
19.在一种可能的设计中，所述观看记录包括所述本次影视节目、所述本次影视节目对应的影视频道、观看时长、观看时间；
20.所述交互记录包括对所述本次影视节目的点赞操作、评论操作、收藏操作，以及每个操作对应的动作时间和动作时长。
21.第二方面，提供了一种影视节目的预测方法，包括：
22.获取历史操作行为、以及所述历史操作行为对应的历史触发时间、历史持续时长和历史影视节目，得到训练数据；
23.提取所述训练数据对应的特征向量，得到训练样本；
24.将所述训练样本输入初始神经网络模型的循环神经网络中，预测出所述历史操作行为对应的初始人群类别和所述初始人群类别对应的初始偏好节目列表；
25.通过所述初始人群类别与所述历史操作行为对应的预期人群类别的差异，以及初始偏好节目列表与所述预期人群类别对应的预期偏好节目列表的差异，得出所述初始神经网络模型的损失值；
26.根据所述损失值对所述初始神经网络模型的模型参数进行迭代调整，直至满足收敛条件，得到目标神经网络模型；
27.将所述目标神经网络模型发送给终端，以使所述终端基于所述目标神经网络模型预测出所述终端接收到的操作行为对应的人群类别和所述人群类别对应的偏好节目列表。
28.第三方面，提供了一种影视节目的预测装置，包括：
29.采集模块，用于采集设备本次开启后所有的操作行为，得到本次操作行为；
30.获取模块，用于从云端获取能够预测出所述本次操作行为对应的人群类别和所述人群类别对应的偏好节目列表的目标神经网络模型；
31.预测模块，用于将所述本次操作行为，以及所述本次操作行为对应的行为触发时间和行为持续时长，输入所述目标神经网络模型，预测出所述本次操作行为对应的人群类别和所述人群类别对应的偏好节目列表。
32.第四方面，提供了一种影视节目的预测装置，包括：
33.获取模块，用于获取历史操作行为、以及所述历史操作行为对应的历史触发时间、历史持续时长和历史影视节目，得到训练数据；
34.提取模块，用于提取所述训练数据对应的特征向量，得到训练样本；
35.预测模块，用于将所述训练样本输入初始神经网络模型的循环神经网络中，预测
出所述历史操作行为对应的初始人群类别和所述初始人群类别对应的初始偏好节目列表；
36.计算模块，用于通过所述初始人群类别与所述历史操作行为对应的预期人群类别的差异，以及初始偏好节目列表与所述预期人群类别对应的预期偏好节目列表的差异，得出所述初始神经网络模型的损失值；
37.输出模块，用于根据所述损失值对所述初始神经网络模型的模型参数进行迭代调整，直至满足收敛条件，得到目标神经网络模型；
38.发送模块，用于将所述目标神经网络模型发送给终端，以使所述终端基于所述目标神经网络模型预测出所述终端接收到的操作行为对应的人群类别和所述人群类别对应的偏好节目列表。
39.第五方面，提供了一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述影视节目的预测方法的步骤。
40.第六方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述影视节目的预测方法的步骤。
41.上述影视节目的预测方法、装置、设备和存储介质中，终端采集设备本次开启后所有的操作行为，得到本次操作行为；从云端获取能够预测出本次操作行为对应的人群类别和人群类别对应的偏好节目列表的目标神经网络模型；将本次操作行为，以及本次操作行为对应的行为触发时间和行为持续时长，输入目标神经网络模型，预测出本次操作行为对应的人群类别和人群类别对应的偏好节目列表。在该预测方法中，终端能够依据本次操作人员的本次操作行为、以及本次操作行为对应的行为触发时间和行为持续时长，确认出本次操作人员的人群类别和偏好节目列表，也就是，利用基于历史操作行为和历史影视节目生成的目标神经网络模型推断出本次操作人员的人群类别和偏好节目列表，有效解决了以家庭为单位的显示设备难以依照每个不同家庭成员的观影偏好推荐不同节目的问题，使得最终显示设备能够按照不同操作人员在不同操作时段的观影操作习惯，从而准确识别出本次操作人员的人群类别，继而为本次操作人员显示其人群类别对应偏好节目列表，降低了设备的操作难度和操作时间，提升了检索出的偏好节目列表的准确性。
附图说明
42.为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
43.图1是本发明一实施例中影视节目的预测方法的一应用环境示意图；
44.图2是本发明一实施例中影视节目的预测方法的一流程图；
45.图3是本发明一实施例中影视节目的预测方法的另一流程图；
46.图4是本发明一实施例中影视节目的预测装置的一示意图；
47.图5是本发明一实施例中影视节目的预测装置的另一示意图；
48.图6是本发明一实施例中设备的一示意图；
49.图7是本发明一实施例中设备的另一示意图。
具体实施方式
50.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
51.本发明实施例提供的影视节目的预测方法，该影视节目的预测方法可应用如图1所示的应用环境中。具体地，该影视节目的预测方法应用在影视节目的预测系统中，该预测系统基于云边协同架构，包括如图1所示的云端和终端，云端与终端通过网络进行通信，用于终端实现向云端发送本次操作行为、本次操作行为对应的行为触发时间、行为持续时长和本次影视节目作为训练数据，并从云端接收目标神经网络模型。同时也用于云端实现从终端获取历史操作行为、历史操作行为对应的历史触发时间、历史持续时长和历史影视节目作为训练数据，并云端发送目标神经网络模型。其中，终端又称为用户端，是指与云端相对应,为用户提供本地服务的程序。终端可安装在但不限于各种电视机、计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备上。云端可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
52.在一实施例中，如图2所示，提供一种影视节目的预测方法，以该方法应用在图1中的终端为例进行说明，包括如下步骤：
53.s10：采集设备本次开启后所有的操作行为，得到本次操作行为。
54.在终端本次启动后采集用户的所有操作行为，作为本次操作行为，其中，操作行为指用户与终端间所有的交互动作和行为，包括但不仅限于按下按钮、发起获取列表请求等。另外，本实施例中，将本次操作行为之前的操作行为，作为历史操作行为。采集所有操作行为的方法包括但不仅限于设置监听器监听用户某一操作动作、获取用户在某一时间段内的所有操作动作等。本实施例中，优选通过android framework框架层拦截并获取用户所有的操作。
55.需要说明的是，本实施例中通过安卓系统的android framework框架层采集用户的所有操作，高效地获取了用户所有的操作行为，使得在整个预测方法的运行过程中，只需要一次性采集用户的所有操作行为，进而对操作行为进行不同的区分，无需根据对操作行为进行重复多次采集，也无需针对某一特定功能对特定的操作行为进行采集，提高了整体程序的运行效率和性能。
56.s20：从云端获取能够预测出所述本次操作行为对应的人群类别和所述人群类别对应的偏好节目列表的目标神经网络模型。
57.云端主动向终端推送能够预测出所述本次操作行为对应的人群类别和所述人群类别对应的偏好节目列表的目标神经网络模型，终端通过网络接收该目标神经网络模型之后，可以依据获取到的文件类型或标识判断接收到的文件为目标神经网络模型，也可以依据预先设置的配置文件将对应路径的文件识别为目标神经网络模型，此处不做限定。接收到目标神经网络模型后，终端将其进行应用到该预测方法中。该目标神经网络模型可通过步骤s40-s90获得。
58.具体地，在本实施例中，云端通过tensorflow(用于各种感知和语言理解任务的机器学习软件库)训练得出目标神经网络模型，进而push(推送、下发)给终端。终端下载该目
标神经网络模型，并通过tensorflow lite运行该目标神经网络模型。
59.需要说明的是，由于本实施例每次进行偏好节目列表显示时都会先从云端获取最新的目标神经网络模型，使得最终的预测出的偏好节目列表更为贴近当前终端最近的用户使用习惯，因此，有效保证了最终预测结果的准确性和高效性，减少了家庭成员的操作难度和操作时间。
60.s30：将所述本次操作行为，以及所述本次操作行为对应的行为触发时间和行为持续时长，输入所述目标神经网络模型，预测出所述本次操作行为对应的人群类别和所述人群类别对应的偏好节目列表。
61.采集本次操作行为发生时的终端设备的系统时间，作为本次操作行为对应的行为触发时间。行为持续时长包括但不仅限于本次操作行为和上一次操作行为的间隔时长、本次操作行为的触发时间到执行时间的时长等。将上述数据输入到从云端获取的目标神经网络模型中，从而预测出本次操作行为对应的人群类别，以及人群类别对应的偏好节目列表。其中，人群类别指操作终端的所有人群进行分类的结果，可以依据终端操作时间划分，也可以依据观影偏好划分，此处不作限定。偏好节目列表指依据人群类别推测出的该类别人群可能感兴趣的影视节目列表。影视节目包括但不仅限于电影、相声、综艺、电视剧等节目。偏好节目列表的内容可以由影视节目名称、上映时间、主演等信息组成。
62.例如，采集本次开机后，当前用户每次操作按键的平均操作时长为30秒、在每个页面的平均停留时间为3分钟、停留的页面集中在综艺节目的页面上，而当前终端设备的系统时间为早上七点，将上述这些操作时长、停留时间、对应的影视页面和系统时间作为输入参数，输入给目标神经网络模型，预测出当前用户的人群类别为喜欢观看综艺节目的年长者，同时依据该人群类别，向其推荐出适合年长者的综艺节目的偏好节目列表。
63.需要说明的是，终端能够依据本次操作人员的本次操作行为、以及本次操作行为对应的行为触发时间和行为持续时长，确认出本次操作人员的人群类别和偏好节目列表，也就是，利用基于历史操作行为和历史影视节目生成的目标神经网络模型推断出本次操作人员的人群类别和偏好节目列表，有效解决了以家庭为单位的显示设备难以依照每个不同家庭成员的观影偏好推荐不同节目的问题，使得最终显示设备能够按照不同操作人员在不同操作时段的观影操作习惯，从而准确识别出本次操作人员的人群类别，继而为本次操作人员显示其人群类别对应偏好节目列表，降低了设备的操作难度和操作时间，提升了检索出的偏好节目列表的准确性。
64.在一实施例中，步骤s10中，即采集设备本次开启后所有的操作行为，得到本次操作行为中，具体包括如下步骤：
65.s11：采集设备所有的用户操作行为
66.s12：获取设备开启的系统时间，作为启动时间；
67.s13：依据所述启动时间，将所述操作行为分割为两部分：在所述启动时间和所述启动时间之后发生的所有用户操作行为，为本次操作行为；在所述启动时间之前发生的所有用户操作行为，为历史操作行为。
68.在步骤s11中，通过终端系统的android framework框架层采集用户的所有操作，高效地获取了用户所有的操作行为。接着在步骤s12中，获取设备开启的系统时间，作为启动时间。最后，在步骤s13中，依据启动时间，分割采集到的用户所有操作行为。在整个过程
中，通过终端系统的框架层一次性采集用户的所有操作行为，进而对操作行为进行不同的划分，从而无需对操作行为进行重复多次采集，也无需针对某一特定功能对特定的操作行为进行采集。
69.需要说明的是，在传统方案中，采集用户操作行为往往是在基于某一特定功能时，针对特定的操作行为进行针对性的采集，而本实施例中，通过终端系统层对所有的用户操作行为进行了统一的一次性采集，有效提升了整体程序的运行效率和性能。
70.在一实施例中，步骤s30之后，即预测出所述本次操作行为对应的人群类别和所述人群类别对应的偏好节目列表之后，该预测方法还包括如下步骤：
71.s21：获取预设页面中符合所述人群类别的展示页面；
72.s22：将所述偏好节目列表显示在展示页面上。
73.在步骤s21中，预先设置预设页面，该预设页面的方式可以是获取到人群类别后通过程序生成不同的预设页面，也可以是依据配置文件设置不同的页面与人群类别的关联，此处不做限定。当预测出本次操作行为对应的人群类别后，依据人群类别在预设页面中查找出符合当前人群类别的展示页面，进而在步骤s22中将偏好节目列表显示在展示页面上。
74.例如，预测出本次操作行为对应的人群类别为年长者时，将会提供操作便捷、界面简单、字体较大的展示页面，以便年长者操作使用。
75.需要说明的是，由于不同的人群类别对电子产品的操作熟练度不同，并且对电子产品的浏览、操作习惯都不同，因此依据不同的人群类别，将偏好节目列表展示在不同的页面上，有效降低了操作设备的操作难度和操作时间。
76.在一实施例中，步骤s22之后，即将所述偏好节目列表显示在展示页面上之后，该预测方法还包括如下步骤：
77.s31：向所述云端发送所述本次操作行为、所述本次操作行为对应的所述行为触发时间、行为持续时长和本次影视节目，以使所述云端基于本次操作行为、所述本次操作行为对应的所述行为触发时间、行为持续时长和本次影视节目，更新所述目标神经网络模型。
78.向云端发送本次操作行为，以及本次操作行为对应的行为触发时间、行为持续时长和本次影视节目。其中，行为触发时间指用户触发对应本次操作行为的设备系统时间，该行为触发时间可以用时间戳表示，也可以用年月日构成的数值表示，此处不做限定。行为持续时长指用户进行某一操作行为的时间长度，该历史持续时长的单位可以是小时，也可以是分钟，此处不做限定。例如，用户在浏览某个页面，那么浏览页面这一操作行为的行为持续时长则由用户进入页面直至用户退出该页面的整个时间长度。若用户在该页面的时间长度为10分钟，则浏览页面这一操作行为的行为持续时长为10分钟。
79.将本次操作行为、行为触发时间、行为持续时长和本次影视节目发送给云端，云端将依据上述数据以及上述数据间的对应关系，推测出可能存在的不同的操作习惯、操作时间、观影内容、观影习惯，以区分出不同的人群类别，从而依据人群类别预测出对应的偏好节目列表。
80.云端获取到上述数据后，将其对应作为目标神经网络模型训练时所需要的历史操作行为、以及所述历史操作行为对应的历史触发时间、历史持续时长和历史影视节目，从而更新目标神经网络模型，在终端下一次需要获取目标神经网络模型时，向终端发送更新后的目标神经网络模型。
81.需要说明的是，由于每次在用户操作完毕之后，终端都会将用户本次的操作行为及相应的时间和影视节目传递给云端，有效地保证了云端可以及时通过终端传递过来的最新数据，及时调整目标神经网络模型，使得目标神经网络模型能够不断地通过反馈学习，更新为更加符合当前终端的网络模型。从而保证了在家庭成员发生增加或减少后，或家庭成员的观影习惯发生改变后，依然能够针对不同的家庭成员，预测出最符合个性的偏好节目列表，从而提升了检索影视节目的时间和难度，提高了预测影视节目的准确性和效率。
82.在一实施例中，步骤s31中，即向所述云端发送所述本次操作行为、所述本次操作行为对应的所述行为触发时间、行为持续时长和本次影视节目中，具体包括如下步骤：
83.s41：逐帧获取所述本次影视节目的节目画面。
84.s42：解析所述节目画面，得出所述节目内容数据。
85.s43：分析所述本次操作行为、以及所述本次操作行为对应的所述行为触发时间、行为持续时长和本次影视节目，得出所述本次影视节目的观看记录和交互记录。
86.s44：将所述节目内容数据、所述节目内容数据对应的所述观看记录和所述交互记录发送给所述云端。
87.在步骤s41-s42中，通过逐帧分解本次影视节目的节目画面，解析出影视节目的节目内容数据，该节目内容数据包括但不仅限于节目的年代、类型、演员、场景、故事情节等。
88.在步骤s43中，依据本次操作行为对应的行为处罚事件和行为持续时长，得出本次影视节目的观看记录和交互记录。其中，观看记录指所有与本次影视节目观看过程相关的记录，包括但不仅限于观看时间、跳过的情节段落等。互动记录指除了观看动作为，其他所有与本次影视节目相关的操作行为记录，包括但不仅限于给本次影视节目评论、点赞、收藏等。
89.在步骤s44中，将节目内容数据、观看记录和交互记录发送给云端。云端将依据接收到的数据，对目标神经网络模型进行更新，以将目标神经网络模型调整成最符合当前终端的使用情况的分类预测模型。
90.需要说明的是，由于终端与云端之间需要网络进行传输，如果直接将本次影视节目或节目画面进行传输，将造成网络拥堵，因此在终端对本次影视节目进行解析，获取到对应的节目内容数据，将节目内容数据传输给云端，减轻了网络压力，提高了预测方法的效率。另外，由于终端还分析了本次影视节目的观看记录和交互记录，提供了有针对性的个性化训练数据，有效保证了最终生成的预测模型，也就是目标神经网络模型的准确性，从而提高了预测方法的准确性，进而有效降低了用户操作终端的难度和时间。
91.在一实施例中，步骤s43中得出的观看记录和交互记录中，具体包括如下内容：
92.s51：所述观看记录包括所述本次影视节目、所述本次影视节目对应的影视频道、观看时长、观看时间。
93.s52：所述交互记录包括对所述本次影视节目的点赞操作、评论操作、收藏操作，以及每个操作对应的动作时间和动作时长。
94.由于以家庭为单位的终端设备除了观看特定的影片节目，用户还有可能偏好观看某一特定的影视频道，因此在步骤s51中，限定了观看记录包括的内容，其中包括所述本次影视节目、所述本次影视节目对应的影视频道、观看时长、观看时间，以保证后续操作中能够准确预测出当前操作终端的人群类别和对应的偏好节目列表。需要说明的是，由于不同
人的观影偏好和观影习惯不同，因此记录观看时长和观看时间，有效地保证了后续区分不同的人群类别的准确性。另外，由于参考了不同用户的观看时长和观看时间，因此在后续预测人群类别时可以通过观看时间对人群进行预测，使得整体的预测过程更加高效、准确。
95.由于现在的智能影视设备终端，因此在步骤s52中，在观看记录的基础上具体还限定了交互记录包括的内容，包括对所述本次影视节目的点赞操作、评论操作、收藏操作，以及每个操作对应的动作时间和动作时长。其中动作时间指对应操作的触发时间，动作时长指该操作动作的按键时长。需要说明的是，在该步骤中，之所以记录操作动作的按键时长，是由于部分不习惯操作电子产品的用户，在触发按键时，将会花费较长时间寻找或点击该按键，因此，通过该动作时长有效地保证了最终预测出的人群类别的准确性，从而有效降低了设备的操作难度和常做时间。
96.在一实施例中，在步骤s30中，即将所述本次操作行为，以及所述本次操作行为对应的行为触发时间和行为持续时长，输入所述目标神经网络模型，具体包括如下步骤：
97.s61：转换所述目标神经网络模型，得出符合所述终端的运行环境的模型文件；
98.s62：加载并运行所述模型文件；
99.s63：将所述本次操作行为、所述行为触发时间和所述行为持续时长，输入所述模型文件。
100.在步骤s61-s63中，由于本实施例优选采用了tensorflow来训练目标神经网络模型，因此在终端使用目标神经网络模型时，可以将目标神经网络模型转化为符合终端运行环境的模型文件，进而将该模型文件放置于终端的资源目录下，由终端主动加载，进而将输入本次操作行为、行为触发时间、行为持续时长作为输入参数，运行模型文件并输入该输入参数，从而预测出人群类别和偏好节目列表。
101.需要说明的是，由于本实施例中，将模型文件作为资源目录下的资源文件之一进行加载并运行，这使得终端设备能够不断地从云端获取最新的目标神经网络模型，并实现热加载更新，无需重新花费大量时间对模型进行本地化部署，有效提升了程序整体的运行效率，从而提升了该预测方法的效率。
102.在一实施例中，如图3所示，提供一种影视节目的预测方法，以该方法应用在图1中的云端为例进行说明，包括如下步骤：
103.s40：获取历史操作行为、以及所述历史操作行为对应的历史触发时间、历史持续时长和历史影视节目，得到训练数据。
104.从终端获取终端用户的历史操作行为、历史操作行为对应的历史触发时间、历史持续时长和历史影视节目，将上述数据及其对应关系作为训练数据，这些训练数据可以依据步骤s31获得。
105.其中，历史操作行为指某一特定终端采集到的所用用户的所有操作行为。历史触发时间指历史操作行为发生时的时间点，该历史触发事件的表示方式包括但不仅限于时间戳、年月日组成的数值等方式。历史持续时长指每个历史操作行为持续的时长，包括但不仅限于操作行为触发到实际执行的时长、操作行为间间隔的时长等。该历史持续时长可以用分钟为单位，也可以用小时为单位，此处不作限定。历史影视节目指与历史操作行为相关的所有影视节目，包括但不仅限于电影、电视剧、综艺节目等。
106.需要说明的是，由于依据不同历史操作行为，及其对应的历史触发事件和历史持
续时长能够有效地推测出终端设备有哪些不同类型的用户、以及每个用户的不同的操作行为和观影习惯，从而得出不同的人群类别。接着可以依据历史影视节目，以及对应的历史触发时间和历史持续时长，有效地推测出用户的观影习惯，从而得出不同人群类别对应的不同观影习惯，也就是预测出对应的偏好节目列表。
107.s50：提取所述训练数据对应的特征向量，得到训练样本。
108.通过步骤s40中的训练数据，提取该训练数据的特征向量，得到训练样本。由于训练数据中包含了不同的数据及数据间的关联，有效地保证了后续训练出的目标神经网络模型的准确性，以及预测结果的准确性和高效性。
109.s60：将所述训练样本输入初始神经网络模型的循环神经网络中，预测出所述历史操作行为对应的初始人群类别和所述初始人群类别对应的初始偏好节目列表。
110.将所述训练样本输入初始神经网络模型的循环神经网络(rnn，全称为recurrent neural network)中，从而预测出所述历史操作行为对应的初始人群类别和所述初始人群类别对应的初始偏好节目列表。其中，人群类别指对人群进行分类的类型，包括但不仅限于依照操作习惯分类、依照年龄分类、依照观影习惯分类等。而偏好节目列表指某些特定的人感兴趣的影视节目的列表，列表内容可以由影视节目名称、上映时间、主演等信息组成。
111.具体地，本实施例中，利用tensorflow建立初始神经网络模型。例如，通过keras api(用python编写的神经网络库)搭建初始神经网络模型。
112.s70：通过所述初始人群类别与所述历史操作行为对应的预期人群类别的差异，以及初始偏好节目列表与所述预期人群类别对应的预期偏好节目列表的差异，得出所述初始神经网络模型的损失值。
113.步骤s70中，先设定了神经网络模型的损失函数、优化器和评估标准，基于上述内容，计算出初始神经网络模型的损失值。其中，损失函数包括但不仅限于平方损失函数、指数损失函数等。损失值由损失函数计算得出。而优化器指神经网络模型的最终优化目标方向，例如，将预期人群类别和预期偏好节目列表作为优化目标方向。评估标准指神经网络模型是否完成训练的评估标准。评估标准可以是预期损失值，也可以是当损失值持续维持在某一特定范围内，此处不作限定。例如，通过绘制损失和准确率曲线，判断模型是否存拟合或欠拟合现象，以评估模型是否符合预期。
114.s80：根据所述损失值对所述初始神经网络模型的模型参数进行迭代调整，直至满足收敛条件，得到目标神经网络模型。
115.依据损失函数，也就是损失值对初始神经网络模型进行迭代调整，直至满足收敛条件，也就是优化器和评估标准的相关条件，从而得出最终符合预期的目标神经网络模型。
116.s90：将所述目标神经网络模型发送给终端，以使所述终端基于所述目标神经网络模型预测出所述终端接收到的操作行为对应的人群类别和所述人群类别对应的偏好节目列表。
117.将目标神经网络模型下发给终端，以便终端能够通过该目标神经网络模型预测出操作行为对应的人群类别和对应的偏好节目列表。其中，人群类别指对某一特定终端的所有操作人员进行的人员区分类型，包括但不仅限于依照年龄区分、依照使用设备的时段区分等。人群类别对应的偏好节目列表指依照某一特定的人群类别推测出其可能感兴趣的影视节目，形成节目列表。
118.需要说明的是，由于依据历史操作行为，以及所述历史操作行为对应的历史触发时间、历史持续时长和历史影视节目训练出目标神经网络模型，因此，最终生成的目标神经网络模型能够依据输入的操作行为预测出对应的人群类别和人群偏好节目列表，由于云端将最终生成的目标神经网络模型发送给终端，使得能够终端最终能够直接利用目标神经网络模型输入采集到的操作行为，就能得到预测结果，提高了终端得出偏好节目列表的效率和性能，从而减少了整体程序的响应时间和操作难度。
119.在一实施例中，步骤s40中，即获取历史操作行为、以及所述历史操作行为对应的历史触发时间、历史持续时长和历史影视节目，得到训练数据中，具体还包括如下步骤：
120.s71：筛选获取到所有上述数据，所述筛选动作包括但不仅限于数据清理、剔除异常值、填补缺失值、特征缩放。例如，对数据进行归一化或标准化操作等。
121.s72：将筛选后的数据划分为不同的数据集，所述数据集包括但不仅限于训练数据集、验证数据集和测试数据集等。其中，训练数据集的中的数据即为训练数据。
122.需要说明的是，由于对数据进行了筛选处理，保证了训练数据的质量，提高了后续生成的目标神经网络模型的准确性，从而保证了最终预测结果的准确性。
123.应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
124.在一实施例中，提供一种影视节目的预测装置，该影视节目的预测装置与上述实施例中影视节目的预测方法一一对应。如图4所示，该影视节目的预测装置包括采集模块10、获取模块20和预测模块30。各功能模块详细说明如下：
125.采集模块10，用于采集设备本次开启后所有的操作行为，得到本次操作行为；
126.获取模块20，用于从云端获取能够预测出所述本次操作行为对应的人群类别和所述人群类别对应的偏好节目列表的目标神经网络模型；
127.预测模块30，用于将所述本次操作行为，以及所述本次操作行为对应的行为触发时间和行为持续时长，输入所述目标神经网络模型，预测出所述本次操作行为对应的人群类别和所述人群类别对应的偏好节目列表。
128.在一实施例中，提供一种影视节目的预测装置，该影视节目的预测装置与上述实施例中影视节目的预测方法一一对应。如图5所示，该影视节目的预测装置包括获取模块40、提取模块50、预测模块60、计算模块70、输出模块80和发送模块90。各功能模块详细说明如下：
129.获取模块40，用于获取历史操作行为、以及所述历史操作行为对应的历史触发时间、历史持续时长和历史影视节目，得到训练数据；
130.提取模块50，用于提取所述训练数据对应的特征向量，得到训练样本；
131.预测模块60，用于将所述训练样本输入初始神经网络模型的循环神经网络中，预测出所述历史操作行为对应的初始人群类别和所述初始人群类别对应的初始偏好节目列表；
132.计算模块70，用于通过所述初始人群类别与所述历史操作行为对应的预期人群类别的差异，以及初始偏好节目列表与所述预期人群类别对应的预期偏好节目列表的差异，得出所述初始神经网络模型的损失值；
133.输出模块80，用于根据所述损失值对所述初始神经网络模型的模型参数进行迭代调整，直至满足收敛条件，得到目标神经网络模型；
134.发送模块90，用于将所述目标神经网络模型发送给终端，以使所述终端基于所述目标神经网络模型预测出所述终端接收到的操作行为对应的人群类别和所述人群类别对应的偏好节目列表。
135.关于影视节目的预测装置的具体限定可以参见上文中对于影视节目的预测方法的限定，在此不再赘述。上述影视节目的预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
136.在一个实施例中，提供了一种计算机设备，该计算机设备可以是云端设备，也就是服务器，其内部结构图可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储历史操作行为，以及及其对应的历史触发时间、历史持续时长和历史影视节目，另外还存储了目标神经网络模型。该计算机设备的网络接口用于与终端设备通过网络连接通信。该计算机程序被处理器执行时以实现一种影视节目的预测方法。
137.在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端设备，其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与云端设备通过网络连接通信。该计算机程序被处理器执行时以实现一种影视节目的预测方法。
138.在一个实施例中，提供了一种云边协同系统，也就是，影视节目的预测系统，该云边协同系统由终端设备和云端设备组成，用于实现一种影视节目的预测方法。
139.在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现以下步骤：
140.采集设备本次开启后所有的操作行为，得到本次操作行为；
141.从云端获取能够预测出所述本次操作行为对应的人群类别和所述人群类别对应的偏好节目列表的目标神经网络模型；
142.将所述本次操作行为，以及所述本次操作行为对应的行为触发时间和行为持续时长，输入所述目标神经网络模型，预测出所述本次操作行为对应的人群类别和所述人群类别对应的偏好节目列表。
143.在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现以下步骤：
144.获取历史操作行为、以及所述历史操作行为对应的历史触发时间、历史持续时长
和历史影视节目，得到训练数据；
145.提取所述训练数据对应的特征向量，得到训练样本；
146.将所述训练样本输入初始神经网络模型的循环神经网络中，预测出所述历史操作行为对应的初始人群类别和所述初始人群类别对应的初始偏好节目列表；
147.通过所述初始人群类别与所述历史操作行为对应的预期人群类别的差异，以及初始偏好节目列表与所述预期人群类别对应的预期偏好节目列表的差异，得出所述初始神经网络模型的损失值；
148.根据所述损失值对所述初始神经网络模型的模型参数进行迭代调整，直至满足收敛条件，得到目标神经网络模型；
149.将所述目标神经网络模型发送给终端，以使所述终端基于所述目标神经网络模型预测出所述终端接收到的操作行为对应的人群类别和所述人群类别对应的偏好节目列表。
150.在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
151.采集设备本次开启后所有的操作行为，得到本次操作行为；
152.从云端获取能够预测出所述本次操作行为对应的人群类别和所述人群类别对应的偏好节目列表的目标神经网络模型；
153.将所述本次操作行为，以及所述本次操作行为对应的行为触发时间和行为持续时长，输入所述目标神经网络模型，预测出所述本次操作行为对应的人群类别和所述人群类别对应的偏好节目列表。
154.在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
155.获取历史操作行为、以及所述历史操作行为对应的历史触发时间、历史持续时长和历史影视节目，得到训练数据；
156.提取所述训练数据对应的特征向量，得到训练样本；
157.将所述训练样本输入初始神经网络模型的循环神经网络中，预测出所述历史操作行为对应的初始人群类别和所述初始人群类别对应的初始偏好节目列表；
158.通过所述初始人群类别与所述历史操作行为对应的预期人群类别的差异，以及初始偏好节目列表与所述预期人群类别对应的预期偏好节目列表的差异，得出所述初始神经网络模型的损失值；
159.根据所述损失值对所述初始神经网络模型的模型参数进行迭代调整，直至满足收敛条件，得到目标神经网络模型；
160.将所述目标神经网络模型发送给终端，以使所述终端基于所述目标神经网络模型预测出所述终端接收到的操作行为对应的人群类别和所述人群类别对应的偏好节目列表。
161.本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括
随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。
162.所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。
163.以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

技术特征：
1.一种影视节目的预测方法，其特征在于，包括：采集设备本次开启后所有的操作行为，得到本次操作行为；从云端获取能够预测出所述本次操作行为对应的人群类别和所述人群类别对应的偏好节目列表的目标神经网络模型；将所述本次操作行为，以及所述本次操作行为对应的行为触发时间和行为持续时长，输入所述目标神经网络模型，预测出所述本次操作行为对应的人群类别和所述人群类别对应的偏好节目列表。2.如权利要求1所述的预测方法，其特征在于，所述预测出所述本次操作行为对应的人群类别和所述人群类别对应的偏好节目列表之后，所述方法还包括：获取预设页面中符合所述人群类别的展示页面；将所述偏好节目列表显示在展示页面上。3.如权利要求2所述的预测方法，其特征在于，所述将所述偏好节目列表显示在展示页面上之后，所述方法还包括：向所述云端发送所述本次操作行为、所述本次操作行为对应的所述行为触发时间、行为持续时长和本次影视节目，以使所述云端基于本次操作行为、所述本次操作行为对应的所述行为触发时间、行为持续时长和本次影视节目，更新所述目标神经网络模型。4.如权利要求3所述的预测方法，其特征在于，所述向所述云端发送所述本次操作行为、所述本次操作行为对应的所述行为触发时间、行为持续时长和本次影视节目，包括：逐帧获取所述本次影视节目的节目画面；解析所述节目画面，得出所述节目内容数据；分析所述本次操作行为、以及所述本次操作行为对应的所述行为触发时间、行为持续时长和本次影视节目，得出所述本次影视节目的观看记录和交互记录；将所述节目内容数据、所述节目内容数据对应的所述观看记录和所述交互记录发送给所述云端。5.如权利要求4所述的预测方法，其特征在于，所述观看记录包括所述本次影视节目、所述本次影视节目对应的影视频道、观看时长、观看时间；所述交互记录包括对所述本次影视节目的点赞操作、评论操作、收藏操作，以及每个操作对应的动作时间和动作时长。6.一种影视节目的预测方法，其特征在于，包括：获取历史操作行为、以及所述历史操作行为对应的历史触发时间、历史持续时长和历史影视节目，得到训练数据；提取所述训练数据对应的特征向量，得到训练样本；将所述训练样本输入初始神经网络模型的循环神经网络中，预测出所述历史操作行为对应的初始人群类别和所述初始人群类别对应的初始偏好节目列表；通过所述初始人群类别与所述历史操作行为对应的预期人群类别的差异，以及初始偏好节目列表与所述预期人群类别对应的预期偏好节目列表的差异，得出所述初始神经网络模型的损失值；根据所述损失值对所述初始神经网络模型的模型参数进行迭代调整，直至满足收敛条件，得到目标神经网络模型；
将所述目标神经网络模型发送给终端，以使所述终端基于所述目标神经网络模型预测出所述终端接收到的操作行为对应的人群类别和所述人群类别对应的偏好节目列表。7.一种影视节目的预测装置，其特征在于，包括：采集模块，用于采集设备本次开启后所有的操作行为，得到本次操作行为；获取模块，用于从云端获取能够预测出所述本次操作行为对应的人群类别和所述人群类别对应的偏好节目列表的目标神经网络模型；预测模块，用于将所述本次操作行为，以及所述本次操作行为对应的行为触发时间和行为持续时长，输入所述目标神经网络模型，预测出所述本次操作行为对应的人群类别和所述人群类别对应的偏好节目列表。8.一种影视节目的预测装置，其特征在于，包括：获取模块，用于获取历史操作行为、以及所述历史操作行为对应的历史触发时间、历史持续时长和历史影视节目，得到训练数据；提取模块，用于提取所述训练数据对应的特征向量，得到训练样本；预测模块，用于将所述训练样本输入初始神经网络模型的循环神经网络中，预测出所述历史操作行为对应的初始人群类别和所述初始人群类别对应的初始偏好节目列表；计算模块，用于通过所述初始人群类别与所述历史操作行为对应的预期人群类别的差异，以及初始偏好节目列表与所述预期人群类别对应的预期偏好节目列表的差异，得出所述初始神经网络模型的损失值；输出模块，用于根据所述损失值对所述初始神经网络模型的模型参数进行迭代调整，直至满足收敛条件，得到目标神经网络模型；发送模块，用于将所述目标神经网络模型发送给终端，以使所述终端基于所述目标神经网络模型预测出所述终端接收到的操作行为对应的人群类别和所述人群类别对应的偏好节目列表。9.一种设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至6任一项所述的预测方法的步骤。10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述的预测方法的步骤。

技术总结
本发明公开了一种影视节目的预测方法、装置、设备和存储介质，以解决以家庭为单位的显示设备无法依据不同家庭成员的偏好显示并推荐不同的偏好节目列表的问题。该预测方法包括：采集设备本次开启后所有的操作行为，得到本次操作行为；从云端获取能够预测出本次操作行为对应的人群类别和人群类别对应的偏好节目列表的目标神经网络模型；将本次操作行为，以及本次操作行为对应的行为触发时间和行为持续时长，输入目标神经网络模型，预测出本次操作行为对应的人群类别和人群类别对应的偏好节目列表。好节目列表。好节目列表。


技术研发人员：林放
受保护的技术使用者：深圳市酷开网络科技股份有限公司
技术研发日：2023.05.04
技术公布日：2023/10/8