基于深度学习的智能电视个性化内容推荐方法与流程

本发明涉及智能电视应用，具体为基于深度学习的智能电视个性化内容推荐方法。

背景技术：

1、在当前家庭共享的智能电视推荐场景中，控制终端需实时采集并处理播放状态、底层资源、用户行为等多维异构时序数据，以生成个性化推荐任务；

2、为实现内容推荐，现有方案普遍依赖统一的长期用户画像，并执行固定的推荐计算与媒体资源预取流程；虽然此方案在单一用户且终端性能充足时具备一定处理能力，但由于未区分家庭成员身份切换与即时意图，且底层硬件时钟域不统一需进行复杂的同步处理，造成计算流程冗长、推荐结果易偏离当前会话目标；

3、同时，固化的计算机制与视频解码、网络缓冲直接抢占智能处理器及带宽资源，缺乏基于资源状态和播放风险的动态分级与降级管控，会导致播放卡顿以及响应时间超过预设阈值，降低多并发任务的稳定性；

4、因此，如何在家庭共享观看环境下，提升多源时序数据处理的实时性，并兼顾视频播放连续性与意图推荐的准确性，成为亟需解决的技术问题。

技术实现思路

1、本发明的目的在于提供基于深度学习的智能电视个性化内容推荐方法，解决以下技术问题：现有智能电视推荐技术在面对多用户共享时的意图识别以及基于终端资源的推荐降级管控方面存在明显不足，亟待提出一种能够更精准处理用户偏好与播放状态关联、动态优化推荐任务的个性化内容推荐方法。本发明的目的可以通过以下技术方案实现：

2、应用于智能电视的控制终端，控制终端包括数据采集模块、交互模块、存储模块、推荐处理模块、服务分级模块、资源编排模块和状态代理模块，包括：

3、通过所述数据采集模块按照预设采样周期采集播放状态、终端资源状态、用户行为状态、用户身份状态、内容状态、网络状态及观看环境状态；对所采集的各状态数据进行时间对齐、异常剔除、归一化和短时统计，获得播放特征、用户特征、内容特征、网络特征及观看环境特征；

4、将所述用户特征、所述内容特征、所述播放特征和所述网络特征输入特征分析模型，获得用户长期偏好特征、当前会话偏好特征及更新后的内容特征数据；根据所述播放特征确定播放风险指标，根据所述用户特征和所述用户行为状态确定即时意图强度，根据所述终端资源状态确定资源可用度，并根据所述内容状态确定内容时效性；

5、按照播放连续性保护业务、即时意图响应业务、常规个性化推荐业务和后台更新业务的优先顺序确定推荐任务的服务等级；按照所述服务等级，结合所述内容时效性执行推荐计算、候选内容排序、内容预取、缓存加载或后台更新，并对候选内容的排序结果进行过滤，生成推荐结果；根据所述播放特征、所述终端资源状态及所述网络状态，在满足预设条件时暂停、降级或恢复推荐任务。

6、优选地，所述播放状态包括播放缓冲区剩余时长、视频解码器占用率和当前视频码率，所述网络状态包括网络有效吞吐率和网络丢包率；

7、根据播放缓冲区剩余时长与低缓冲区阈值的关系确定缓冲风险值，根据视频解码器占用率与解码占用阈值的关系确定解码风险值，根据当前视频码率与网络有效吞吐率的匹配关系确定码率风险值，并根据网络丢包率与丢包阈值的关系确定丢包风险值；对各风险值进行归一化并截断至，按照预设非负权重加权确定所述播放风险指标。

8、优选地，通过所述交互模块采集语音操作、遥控器操作、页面停留、内容操作以及当前播放内容与操作目标的对应关系；

9、根据语音识别文本与内容标题、内容类别或搜索目标的相似度确定语音匹配程度，根据预设时间窗口内同一频道、同一内容类别或同一功能操作次数与遥控器操作总次数的比值确定遥控器行为集中度，根据页面停留时长与所述预设时间窗口内平均停留时长的比值确定停留偏好程度，并根据当前播放内容与操作目标的标识或类别匹配结果确定内容一致性；

10、按照预设非负权重对上述指标进行加权，确定即时意图强度；当所述即时意图强度达到即时意图阈值，且检测到识别置信度达到语音置信度阈值的语音操作、搜索操作、频道选择操作或内容确认操作时，确定存在即时观看意图。

11、优选地，所述特征分析模型包括长期偏好分析子模型和会话偏好分析子模型；将用户历史播放、搜索、收藏、点击和跳过行为输入所述长期偏好分析子模型，获得用户长期偏好特征，将当前开机或观看会话中的行为输入所述会话偏好分析子模型，获得当前会话偏好特征；

12、根据账号登录状态、声纹匹配分值、遥控器使用历史匹配度、使用时段匹配度及家庭模式确定用户身份识别可信程度，所述可信程度取值为；在所述长期偏好特征与所述当前会话偏好特征具有相同特征维度时，根据所述可信程度对所述长期偏好特征与所述当前会话偏好特征进行加权组合，获得组合用户偏好特征；在所述长期偏好特征与所述当前会话偏好特征的特征维度不一致时，通过线性映射矩阵将所述当前会话偏好特征投影至与所述长期偏好特征相同的维度后，再进行加权组合；

13、当用户身份未确认、处于访客模式，或在预设时间窗口内检测到不同声纹、不同账号或不同遥控器使用特征交替操作时，降低所述可信程度或将所述可信程度重置为预设的低可信度值。

14、优选地，所述服务等级的确定包括：

15、当所述播放风险指标达到播放保护阈值、所述播放状态中的播放缓冲区剩余时长低于保护进入阈值，或播放器状态标志表明处于首帧加载、拖动、换台或清晰度切换阶段时，确定为播放连续性保护业务；在不属于播放连续性保护业务且所述即时意图强度达到即时意图阈值时，确定为即时意图响应业务；在不属于前述两类业务、资源可用度达到推荐阈值且播放缓冲区剩余时长达到推荐缓冲区阈值时，确定为常规个性化推荐业务；

16、在预设时间窗口内交互事件数量低于交互次数阈值，或连续无语音、遥控器、搜索和内容确认操作达到预设时长时，确定为后台更新业务；多个条件同时满足时，按照播放连续性保护业务、即时意图响应业务、常规个性化推荐业务和后台更新业务的顺序确定服务等级。

17、优选地，所述终端资源状态包括智能处理器占用率、动态随机存取存储器带宽、网络吞吐率及推荐缓存可用度；

18、根据智能处理器空闲率、动态随机存取存储器带宽余量、网络吞吐余量和缓存余量分别归一化后的数值，按照预设权重确定资源可用度；在播放连续性保护业务中暂停完整推荐计算、媒体资源预取、模型参数下载和批量内容特征生成，设置视频码流传输优先级并限制推荐任务的网络带宽和动态随机存取存储器占用；

19、在即时意图响应业务中读取本地内容元数据和更新后的内容特征数据，调用简化内容排序模型，仅请求封面和元数据；在常规个性化推荐业务中按照智能处理器空闲率分批执行推荐计算；在后台更新业务中执行长期偏好更新、日志上传、模型参数下载或批量内容特征生成。

20、优选地，将所述组合用户偏好特征、更新后的内容特征数据及观看环境特征输入内容排序模型，获得候选内容初始评分；根据候选内容的发布时间或事件开始时间与当前时间之间的时间差确定时效衰减系数，其中发布时间采用指数衰减，事件开始时间采用事件开始前后分段衰减，并利用所述时效衰减系数修正所述候选内容初始评分；

21、当所述即时意图强度达到即时意图阈值且检测到语音操作、搜索操作、频道选择操作或内容确认操作时，根据候选内容与语音操作、搜索词或操作目标的相似度确定匹配分值，并按照预设权重将所述匹配分值与所述修正后的候选内容初始评分加权，获得候选内容排序评分；

22、根据版权区域、订阅权限、终端编码能力、年龄分级、儿童模式、播放缓冲区以及智能处理器、动态随机存取存储器带宽和网络剩余资源进行过滤，其中儿童模式下候选内容的年龄分级不得超过预设等级，资源预算包括智能处理器预算、动态随机存取存储器带宽预算、网络带宽预算和缓存空间预算中的至少一种。

23、优选地，所述存储模块包括结果缓冲区、元数据缓冲区和媒体资源缓冲区；从内容服务器、本地内容索引或缓存管理模块获取候选内容的元数据和媒体资源，将推荐结果、内容标识和展示优先级保存于所述结果缓冲区，将标题、分类、时长、评分、播放地址、年龄分级、内容状态和封面地址保存于所述元数据缓冲区，将封面、预告片、低码率预览片段和内容分片保存于所述媒体资源缓冲区；

24、在智能电视开机、唤醒、从待机状态恢复、当前视频剩余播放时长低于预设结束阈值，或在预设时间窗口内打开频道列表或推荐入口达到预设次数时，加载包括本地推荐结果读取、内容索引读取和简化内容排序模型执行程序的简化推荐程序，先利用所述结果缓冲区和元数据缓冲区展示推荐内容；当剩余网络带宽高于预设加载阈值时，按照展示优先级异步加载媒体资源，并限制加载码率和并发数量；当剩余网络带宽小于或等于所述预设加载阈值时，暂停低展示优先级媒体资源的加载。

25、优选地，持续采集智能处理器占用率、动态随机存取存储器带宽、系统温度、网络吞吐率、播放缓冲区及缓存占用率，并根据缓存占用率确定推荐缓存可用度；当服务等级升降级条件连续满足预设个数的采样周期时切换服务等级，其中，播放连续性保护业务采用保护进入阈值和保护退出阈值，所述保护进入阈值小于所述保护退出阈值；

26、当智能处理器占用率达到智能处理器保护阈值或可用计算时间低于计算时间阈值时切换至简化内容排序模型或规则排序方式，当网络吞吐率低于网络可用阈值或出现连续丢包时读取结果缓冲区和元数据缓冲区，当可用动态随机存取存储器低于动态随机存取存储器保护阈值时释放媒体资源缓冲区中的预览片段并根据可用动态随机存取存储器余量降低候选数量但保留预设最低候选数量，当系统温度达到温度保护阈值时减小推荐计算批次并延长后台任务轮询周期；

27、当系统温度低于预设恢复阈值且连续满足预设采样周期时恢复所述计算批次和轮询周期。

28、与现有技术相比，本发明具备以下有益效果：

29、1.本方法通过特征分析模型提取长期与当前会话偏好，结合身份识别可信程度组合特征，并确定即时意图强度；这解决了共享场景下统一画像易偏离目标的缺陷；本方法有效区分身份切换与即时意图，提高了意图推荐准确性；

30、2.本方法根据播放风险指标和资源可用度等确定服务等级，动态执行推荐任务的暂停、降级或恢复；这解决了固化机制抢占资源引发播放卡顿与响应延迟的问题；本方法实现了动态分级管控，在支撑多任务稳定运行的同时保障了播放连续性。