数字电视用户行为预测方法及装置

    公开(公告)号:CN107920260A

    公开(公告)日:2018-04-17

    申请号:CN201610883971.4

    申请日:2016-10-10

    Abstract: 本发明实施例提供一种数字电视用户行为预测方法及装置。该方法包括:获取用户收视的上下文信息,所述上下文信息包括:基本类型、节目属性、收视时段;根据所述上下文信息,确定用户关机模型;根据所述用户关机模型,对无法采集到电视机关机数据的用户的关机行为进行预测。本发明实施例通过获取用户收视的上下文信息,根据上下文信息,确定用户关机模型,根据用户关机模型,对无法采集到电视机关机数据的用户的关机行为进行预测,预测用户关闭电视机的时刻,根据用户关闭电视机的时刻,确定出机顶盒回传的用户收视行为数据中的无效数据,提高了广电有线运营商进行收视率调查和用户收视行为分析的准确性。

    电视信号监测方法和装置
    62.
    发明公开

    公开(公告)号:CN107888901A

    公开(公告)日:2018-04-06

    申请号:CN201610868583.9

    申请日:2016-09-29

    CPC classification number: H04N17/00 H04N7/10 H04N21/6168 H04N21/6473

    Abstract: 本发明提供一种电视信号监测方法和装置,该方法包括:获取待测射频信号,并将待测射频信号转换为数字频域信号;从数字频域信号中抽取与至少一个目标频段相匹配的至少一个目标电视信号;对至少一个目标电视信号进行解调,获取至少一个目标电视信号的监测参数;将至少一个目标电视信号的监测参数发送给监测管理设备。本发明提供的电视信号监测方法和装置,能够获取目标电视信号的监测参数,从而使得维护人员通过目标电视信号的监测参数,可以对电视网络的故障进行准确的预判以及快速处理,保障了电视网络传输的电视信号的质量,从而提高了用户观看电视的体验。

    基于AdaRank的深度特征和传统特征的集成方法

    公开(公告)号:CN107292259A

    公开(公告)日:2017-10-24

    申请号:CN201710450306.0

    申请日:2017-06-15

    Abstract: 本发明涉及一种基于AdaRank的深度特征和传统特征的集成方法,其主要技术特点是:将图像数据进行分割,针对不同部分分别构造并训练深度卷及神经网络,用以获得深度特征;从行人再识别数据中提取传统特征,包括LOMO特征、ELF6特征、Hog3D特征;选取如下三种度量学习方法:KISSME、kLFDA和LMNN;将所有特征与三种度量学习方法进行组合张成笛卡尔乘积,得到一系列弱排序器;利用AdaRank算法,对弱排序器进行集成学习,最终得到强排序器。本发明设计合理,结合了深度学习、多特征、度量学习、集成学习,通过构造“弱排序器”并进行集成学习,使得系统的整体性能远远高于单一特征和单一度量算法,使得系统整体匹配率大大提升,获得了很好的性能。

Patent Agency Ranking