一种用于在广播网络中为有用资源确定目标的方法和设备与流程

本申请是申请日为2007年5月2日、申请号为200780025237.3、发明名称为“基于模糊逻辑的观看者识别”的发明专利申请的分案申请。

相关申请的交叉引用

本申请根据u.s.c.119要求在2006年5月2日提交的美国临时申请第60/746,245号和2006年5月2日提交的美国临时申请第60/746,244号的优先权，所述美国临时申请第60/746,245号的标题为“一种用于发现电视观众的各个观看者(以及他们的属性和行为)并且使用这个信息来对于积极观看的观看者实时地精确选择和插入候选广告的方法和系统”，所述美国临时申请第60/746,244号的标题是“用于执行适合于针对目标的广告的实时估计和商业选择的方法和设备”。这两个申请的内容被包含在此就好像全文给出一样。

本发明一般地涉及在通信网络中诸如广告或者其他内容的有用资源(asset)的目标传递。具体上，本发明涉及识别当前的网络用户，并且将有用资源匹配到所述用户。

背景技术：

通常与相关联的信息内容或者有用资源相结合地提供广播网络内容或者节目。这些有用资源包括广告、相关联的节目、公共服务声明、广告标签、预告片、天气或者紧急通知和多种其他内容，包括已付费和未付费的内容。在这一点上，希望向广播网络的用户传送关于服务和/或产品的信息(例如广告)的有用资源提供商(例如广告商)经常对于向广播网络的节目中插入他们的信息的权利付费。例如，广告商可以向网络运营商提供广告内容，以便广告内容可以在一个或多个节目间隙(break)期间与广播网络节目交织。这样的已付费有用资源的传递往往补贴或足以支付由广播网络提供的节目的花费。这可以减少或者消除由广播网络节目的用户承担的花费。

为了在他们的投资上实现较好的回报，有用资源提供商经常试图将所选择的、被认为有可能感兴趣于有用资源提供商的商品或者服务的观众作为他们的有用资源的目标。在有线电视网络上的广告商的情况是说明性的。例如，广告商或者有线电视网络可以根据例如地理位置、性别、年龄、收入等将特定的人群作为其广告的目标。因此，一旦广告商已经了制作了以期望的观看者群体(例如目标群体)为目标的广告，则当目标群体预期在网络节目的观众中时，广告商可以试图获得在网络节目内的插入时间。

最近，已经提出将个体家庭作为有用资源的目标。这将允许有用资源提供商更好地针对感兴趣的观众段(audiencesegment)，或者对于不同的观众段定制消息。但是，将家庭作为目标是有问题的。再一次，有线电视网络的情况是说明性的。通常有可能根据姓名或者地址信息来获得家庭的观众类别信息。例如，可以从第三方数据库获得基于信用卡交易或者其他金融交易的信息。但是，基于所识别的家庭的信息不总是保证有用资源的适当目标针对。在家庭户的情况下，例如，当前网络用户可能是母亲、父亲、孩子、临时照顾幼儿者等。另外，当在网络内执行广告与家庭的匹配时，需要一些机制来将适当的家庭作为所选择的广告的目标。这在广播网络内是困难的。因此，在广播网络中的无针对目标的有用资源传递或者传统的基于分级的有用资源目标针对有改进的同时，基于家庭的目标针对仍然伴有重大的障碍和/或目标针对的不确定性。

技术实现要素：

已经认识到可以通过识别当前网络用户，例如确定一个或多个推定的当前网络用户的人口统计或者其他分类参数来增强有用资源目标针对的有效性。这将理想地允许有用资源目标针对系统在单个家庭的不同可能用户之间进行区别，并且识别未知用户，以便可以执行适当的有用资源目标针对。

本发明在包括有线电视网络的通信网络中的有用资源提供的环境中允许这样的功能。而且，根据监控例如由远程控制的点击流指示的普通网络使用行为，从网络用户的角度看，可以透明地执行这样的功能。而且，本发明允许使用有限的处理资源来基本上实时地实现这样的功能。因此，例如，可以由在传统的数字机顶盒上运行的应用来执行所述用户识别功能。本发明也提供了一种用于与用户识别处理相关联地向网络发送信号的机制，以例如增强要插入到网络内容流中的有用资源的选择，或者报告用于评估实际达到的观众的规模和构成的信息。

根据本发明的一方面，提供用于在广播网络中为有用资源确定目标的方法，包括步骤：在没有网络用户的概况的永久存储的情况下，根据用户输入来产生所述网络用户的模型；并且使用所述网络用户的模型来将该用户作为有用资源的目标。

根据本发明的另一方面，提供用于在广播网络中为有用资源确定目标的方法，包括步骤：至少部分地根据到用户设备装置的用户输入，在该用户设备装置确定关于该用户设备装置的用户的用户信息；并且根据所述用户信息来用信号通知所述广播网络。

根据本发明的另一方面，提供用于在广播网络中为有用资源确定目标的设备，包括：处理器，其与用户设备装置相关联，操作用于至少部分地根据到所述用户设备装置的用户输入来确定关于所述用户设备装置的用户的信息；以及接口，其可操作地与所述处理器相关联，用于根据所述用户信息来用信号通知所述广播网络。

根据本发明的一个方面，提供了一种方法和设备(“实用工具”)，其使用诸如模糊逻辑的机器学习来将有用资源与当前用户匹配。具体上，所述实用工具包括：识别具有由一个或多个目标针对参数限定的目标观众的有用资源，并且使用所述机器学习工具来将所识别的有用资源与所述用户设备装置的当前用户匹配。所述目标针对参数可以定义电视广告的目标观众的特定人口统计值。所述机器学习系统最好包括：根据从在学习模式内收集的用户输入汇集的证据(evidence)来识别至少一个用户的分类参数。可以例如根据相关的节目信息或者根据与节目无关的特性(例如音量设置或者点击处理的迅速性)来分析这些输入。

可以使用模糊逻辑来将有用资源与当前用户匹配。用于将有用资源与当前用户匹配的模糊逻辑可以包括模糊集和模糊规则的任何一个或者两者。例如，所述的匹配可以包括：使用模糊逻辑来识别在观众内的多个离散(discrete)的用户(例如家庭的成员的数量)，并且/或者确定一个或多个用户的一个或多个分类参数。这可以基于用户输入，诸如遥控器的点击流。因此，用户输入可以被监控，并且与关联于所述一个或多个分类参数的值相关联。这些值可以然后被看作模糊集中的点。在一种实现方式内，匹配功能包括：监控多个用户输入以汇集在模糊集中的点。这种匹配可以包括与多个分类参数(例如年龄、性别、收入等)相关的多个维数，并且所汇集的点可以用于定义多维特征地形(terrain)的一个或多个特征。所述特征地形可以被处理以去除噪声，并且例如通过将聚集成群特征来减少在地形中的梯度(gradient)集。所处理的特征地形的剩余特征可以然后用于识别观众中的每个用户，并且确定每个用户的一个或多个分类参数。可以使用类似的处理来识别作为时间的函数(周期性)的观看模式。例如，可以对于不同的时段(例如不同的日时间)产生不同的地形。

作为补充或者替代，可以使用模糊逻辑来产生网络节目事件的目标观众的特征。例如，可以通过包括多个人口统计参数值的人口统计简档来定义有用资源的目标观众。这些值可以与一系列模糊数量或者模糊集相关联。可以使用模糊逻辑的另外的实现方式来将模糊数量与假定用户的分类参数相关联。例如，可以使用一致类似性函数来将观众特征或者目标针对参数与分类参数匹配。可以使用类似的处理来将周期性模式与所识别的用户匹配。或者，当如上所述对于不同的时间产生不同的地形时，在所述地形内反映这样的周期性；即，时间变为地形集的一个维。可以根据用户分类参数与广告目标针对参数的相关程度与适当的观看者将在广告传递时正在观看的概率的组合来确定匹配。作为结果产生的匹配可以用于对将被插入到网络的内容流中有用资源“投票”，以选择要传递的广告并且/或者报告接收到有用资源的用户对于有用资源目标针对参数的“适合度”。所述实用工具也可被操作用于确定用户设备装置是否“接通”，并且确定在用户设备装置或在其它位置是否存在任何用户。用户输入或者点击流数据可以在用户设备装置或者另一个位置被处理，例如，原始或者预处理的点击流数据可以被发送到头端器(headend)进行处理以确定分类参数信息。例如，当消息传送带宽足够并且用户设备装置资源有限时，可以如此进行。

在一种实现方式内，机器学习系统可以是实质上无人管理的系统。即，所述系统可以累积证据，由此了解诸如观看的观众的用户集的构成，而不要求训练处理，在所述训练处理中，所述系统被提供关于使用(例如观看)模式的知识或者(例如观看)模式的示例。以这种方式，所述系统可以容易地适应于改变，例如由于例如相对于家庭的增加或者离开而导致的在观看的观众或者观看的观众人口统计上的改变、由于便老而导致的人口统计的改变、收入等的改变、影响电视观众的电视机(例如在孩子的房间内)的增加等。而且，所述系统可以基本上自主地运行，由此基本上避免了对于任何被管理的建立或者再训练过程的需要。

根据本发明的另一个方面，可以在用户设备装置执行用于识别用户的功能。已经认识到，可以根据在用户设备装置的用户输入的分析来有效地识别当前用户。根据本发明的相关联的实用工具包括：在用户设备装置接收用户输入，并且使用机器学习系统分析所述输入以将观众分类参数与用户相关联。例如，所述输入可以涉及反映节目选择的遥控装置的点击流，音量控制输入等。所述机器学习系统最好能够以基本上无人管理的方式来学习。可以使用模糊逻辑以单个的基础来分析这些输入，以获得关于用户的分类参数的证据。可以然后使用模糊逻辑来汇集和分析这种证据，以确定用户的分类参数。

根据本发明的另一个方面，可以在不需要永久存储用户概况的情况下，识别通信网络的当前用户。这在多个方面是有益的。首先，因为不需要永久简档，因此减少了任何隐私上的担心。另外，因为不需要永久简档来进行识别，因此所述系统不仅有效地识别已知用户，而且有效地识别未知用户。而且，所述系统适应于根据同时的用户输入来迅速地覆盖分类参数，以便减少由于用户改变导致的错误。相关联的实用工具包括：不需要用户的简档的永久存储地根据用户输入来产生网络用户的模型，并且使用所述网络用户的模型将该用户作为有用资源的目标。在这一点上，可以使用机器学习(例如包含模糊逻辑)来分析近期的用户输入，以确定当前用户的分类参数。

根据本发明的另一个方面，一种用户设备装置操作用于以信号向广播网络通知所述装置的用户。一种相关联的实用工具包括：至少部分地根据向所述装置的用户输入，在所述用户设备装置确定关于所述装置的用户的用户信息，并且，根据用户信息来向所述广播网络发送信号。例如，用户信息可以包括用户的分类参数。被发送到所述广播网络的信号可以反映匹配处理的结果，由此将用户分类信息与有用资源的目标针对信息相比较。在这一点上，通过所述网络被发送的信息不必包括关于用户的任何分类信息。可以使用这样的信号发送的信息来例如对于将被插入网络内容流中的有用资源进行投票，或者报告关于在用户设备装置实际传递的有用资源的信息以例如用于测量观众的规模和/或构成。

附图说明

图1图解了向观看同一节目频道的不同用户传递有用资源。

图2图解了在多个节目网络上的观众汇集。

图3图解了在观众汇集的环境下的虚拟频道。

图4图解了在客户驻地设备(cpe)实现的针对目标的有用资源的插入。

图5图解了在独立的有用资源信道上从头端器发送的有用资源选项。

图6图解了在cpe、网络平台和业务和计费(t&b)系统之间的消息传送序列。

图7a图解了包括由多个用户使用的电视机和数字机顶盒(dstb)的cpe的示例。

图7b图解了用户分类器。

图8是图解用于实现时隙和目标印象(targetedimpression)购买的处理的流程图。

图9图解了根据本发明的分类器处理的概要。

图10是图解根据本发明的用于处理点击流数据的处理的状态转变图。

图11-21图解了根据本发明的分类器的学习模式操作。

图22-26图解了根据本发明的分类器的工作模式操作。

图27是图解根据本发明的分类器的基本功能部件的方框图。

具体实施方式

本发明涉及用于传递针对目标的有用资源的各种结构和功能、网络用户的分类、将有用资源目标针对(targeting)参数与观众分类参数和在通信网络内使用的网络监控匹配。本发明对于其中向网络用户广播内容的网络具有具体应用。在这一点上，可以在多种网络中广播内容，所述多种网络包括例如有线电视和卫星电视网络、卫星无线电网络、用于多播内容的ip网络和用于播客(podcast)或者电话广播/多播的网络。虽然也可以通过将从下面的说明明白的无线电波来广播内容，本发明的某些方面使用例如在传统的基于无线电波的电视机或者收音机方面不容易获得的双向通信信道(即这样的通信将涉及补充的通信系统)。在各种环境中，所述内容可以被实时地消费或者被存储以用于随后的消费。因此，虽然下面在有线电视网络的环境内提供了具体示例以用于说明，但是可以明白，本发明不限于这样的环境，而是适用于多种网络和传输模式。

针对目标的有用资源可以包括期望以网络用户为目标的任何类型的有用资源。注意这样的针对目标的有用资源有时被称为“可寻址的”有用资源(虽然如可以从下面的说明所明白的，可以不以点到点的意义的寻址来完成目标针对)。例如，这些针对目标的有用资源可以包括广告、内部营销(例如关于网络促销、调度或者即将到来的事件的信息)、公共服务声明、天气或者紧急信息或者节目。针对目标的有用资源可以是独立的，或者与诸如无目标针对的网络节目的其他有用资源一起被包括在内容流内。在后一种情况下，针对目标的有用资源可以在无目标针对的节目中散置(例如在节目间隙期间被提供)，或者可以另外与节目组合为在视频节目的情况下被叠放在屏幕部分上。在下面的说明中，在电视节目的间隙期间提供针对目标的有用资源的环境中提供具体示例。虽然这是本发明的重要的商业实现方式，但是可以明白，本发明具有更广的应用。因此，下面在“节目”和诸如广告的“有用资源”之间的区分不应当被理解为限定可以针对目标的内容的类型或者可以提供这样的内容的环境。

如上所述，本发明涉及识别观众的成员、确定那些用户的分类信息、确定在所涉及的时间哪个或者哪些用户可能在观看和将有用资源与所识别的观众匹配。匹配相关的功能在针对目标的有用资源的传递系统内的多种环境内有用。因此，下面首先提供针对目标的有用资源的传递系统的概要。其后，详细说明匹配相关的功能和相关联的结构。

i.示例针对目标的有用资源的传递系统

a.针对目标的有用资源的传递环境

虽然本发明的匹配相关的主题可以用于多种针对目标的有用资源的传递系统，但是下面说明一种特别有益的针对目标的有用资源的传递系统。在下面所述的实施例内，本发明的系统允许传递诸如广告的针对目标的有用资源，以便处理传统广播网络的特定缺陷或者不足。一般，这样的目标针对包括：向期望的个体组或者具有期望的特性的个体提供有用资源。可以根据下述信息来定义这些特性或者观众分类参数：个人信息、人口统计信息、心理图案(psychographic)信息、地理信息或者可以在识别目标观众中与有用资源提供商相关联的任何其他信息。优选的是，认识到节目对于确定有用资源的目标是非常不完善的机制，这样的目标针对是独立于节目的。例如，即使用户分析指示特定的节目具有由60％的妇女构成的观众，并且妇女包括对于特定有用资源的目标观众，以无线电波传送那个节目也将导致40％的不匹配。即，可能达到的用户的40％可能对于有用资源提供商没有兴趣，并且定价可能仅仅基于总的观众的60％。而且，理想上，针对目标的有用资源的传递将允许具有包括很细的粒度的粒度范围的目标针对。例如，可以期望例如根据地理分组、家庭特征或者甚至个体的用户特征来以组为目标。本发明适应于节目不相关的目标针对、具有高度的粒度的目标针对和基于多种不同的观众分类的目标针对。

图1和2图解了根据本发明的、支持针对目标的有用资源的传递的两种不同的环境。具体上，图1图解了向观看同一节目频道的不同用户提供不同的有用资源，所述有用资源在这种情况下为广告，这可以被称为插播(spot)优化。如图所示，三个不同的用户500-502被描述为观看同一节目，在这种情况下所述节目被表示为“本周电影”。在给定的间隙504，用户500-502每一个接收到不同的有用资源包。具体上，用户500接收数字音乐播放器广告和电影广告片，用户501接收豪华汽车广告和健康保险广告，用户502接收小型货车广告和百货商店广告。或者，单个有用资源提供商(例如摩托车公司)可以购买插播，然后为所述插播提供不同的有用资源选项(例如运动汽车、小型货车、敞蓬小型载货卡车等)。类似地，独立的广告商可以集体购买一个插播，然后提供他们各自的产品的广告(例如当所述广告商的目标观众互补时)。可以明白，这些不同的有用资源包可以以不同的观众人口统计为目标。以这种方式，有用资源被较好地定制到给定节目的特定观看者，所述特定观看者可能落入不同的人口统计组。因此，插播优化指的是在给定的插播内(由一个或多个有用资源提供商)提供不同的有用资源。

图2图解了本发明的不同环境，其可以被称为观众汇集。在这种情况下，观看与不同的频道相关联的不同节目的三个不同用户600-602可以接收相同的有用资源或者有用资源包。在这种情况下，用户600-602的每一个与关联于他们各自的频道的间隙相关联地接收包括数字音乐播放器广告和电影广告片的包。虽然用户600-602被示出为接收相同的有用资源包以用于说明的目的，但是由于在分类参数上的差别，有可能不同的用户接收有用资源的不同组合。以这种方式，在多个频道上的用户(每个频道的一些或者所有的用户)可以被汇集(相对于给定的有用资源和时间窗口)，以定义虚拟频道，所述虚拟频道具有匹配目标观众分类的较大的用户数量。其中，这样的观众汇集允许汇集在多个低共享频道上的用户以限定较大的有用资源提供机会的可能性(也许和与高共享网络之一相关联类似)。根据本发明，这可以使用已经在用户的驻地(即现有的cpe)的设备来实现。在图3内图示了这样的虚拟频道，虽然这个图示不基于实际数量。因此，观众汇集指的是在不同的插播传递相同的有用资源，以限定汇集的观众。这些不同的插播可以发生在对应于在不同频道上的重叠(冲突)节目的时间窗口。以这种方式，有可能这些插播即使在窗口内的不同时间也不会被相同的用户接收。

可以使用根据本发明的多种架构来实现包括插播优化和观众汇集的这样的目标针对。因此，例如如图4内所示，可以在cpe实现针对目标的有用资源的插入。这可以涉及转发和存储功能。如图4内所示，cpe800从头端器(headend)808接收节目流802和有用资源传递流804。可以经由诸如同轴电缆的公共信号链路或者经由分离的通信链路来提供这些流802和804。例如，有用资源传递流804可以经由可用带宽的指定段(例如专用频率范围)或者经由有机会用于有用资源提供的节目频道(例如当其停播时)被发送到cpe800。可以在连续或者间歇的基础上提供有用资源传递流804，并且可以与节目流802同时地提供有用资源传递流804。在所图解的示例内，节目流802被诸如dstb的节目解码单元处理，并且在电视机814上显示节目。或者，节目流802可以被存储在节目存储器815内以用于cpe插入。

在所图解的实现方式内，有用资源与用于识别例如目标观众的任何观众分类参数的元数据一起被存储在cpe800的指定存储空间806内。可以明白，在这个方面可能需要在cpe800的实质存储。例如，可以与特定的数字视频记录器(dvr)单元相关联地获得这样的存储。选择器810被实现为在cpe800上的处理器运行逻辑。选择器810与如上所述的头端器选择器类似地作用，以识别间隙816和插入适当的有用资源。在这种情况下，可以根据家庭的分类参数，或者更优选地根据在家庭内的用户选择有用资源。这样的信息可以被存储在cpe800，或者可以根据观看习惯的分析来确定这样的信息，观看习惯诸如来自遥控器的点击流，如下更详细所述。可以在这样的cpe插入环境内实现本发明的某些方面。

在图5内，使用不同的架构。具体上，在图5内，与在支持针对目标的有用资源选项的给定频道上的给定间隙同步地从头端器910发送有用资源选项。cpe900包括频道选择器902，其用于在间隙的开始切换到与期望有用资源相关联的有用资源频道，并且在所述间隙的结尾返回到节目频道。频道选择器902可以在间隙期间在频道之间(在有用资源频道之间或者在有用资源频道和节目频道之间)跳转(hop)，以选择最适合的有用资源。在这一点上，在cpe900上驻留的逻辑控制这样的跳转，以避免切换到有用资源已经在进行中的频道。如下所述，当已知在每个有用资源频道上的有用资源的时间表时，可以容易地实现这个逻辑。优选的是，从电视机904的用户的角度看，所有这些是觉察不到地实现的。可以至少部分与有用资源频道906或者专用于提供不同的选项的其他带宽段(与节目频道908相分离)相关联地提供所述不同的选项。另外，可以向当前的节目频道908内插入某些有用资源选项。下面详细说明相关联的功能。图5的架构具有在cpe900不要求实质的存储资源的优点，以便可以使用已经在现场的设备在大规模的基础上立即实现所述架构。

作为另一个替代方式，可以在头端器做出要示出哪个有用资源的确定。例如，有用资源可以根据如下所述的投票而被选择，并且在头端器被插入到节目频道内，而没有在其他有用资源频道上的选项。这将实现目标针对的程度，但是没有如上所述的插播优化机会。而且，可以在其他的有用资源频道上提供选项，但是可以由头端器确定在那些频道之间的选择。例如，在头端器上存储的关于家庭或者用户的信息(例如所拥有的汽车的品牌、订阅的杂志等)可以用于将有用资源与家庭或者用户匹配。可以被称为“营销标签”的那个信息可以被头端器使用来控制由cpe选择哪个有用资源。例如，可以指令cpe与“偏好acme”的客户相关联。当有用资源被散布偏好acme的元数据时，可以使得cpe选择那个有用资源，由此不考虑任何其他的观众分类考虑(或者以任何其他的观众分类考虑作为重要因素)。但是，可以明白，这样的操作可以包括与敏感信息相关的特定考虑，或者可以在其他方面折中基于观众分类的目标针对。

因此存在重大机会来更好地以有用资源提供商愿意付费以达到的用户为目标，并且更好地达到难于达到的用户。但是，在实现这些目的上仍然有多个问题，包括：如何在网络带宽限制内提供有用资源选项，而不要求在用户的驻地实质存储要求和新的设备；如何在处理隐私问题的同时获得足够的信息以用于有效的目标针对；如何处理从有用资源选项的可获得性和伴随的偶然传递产生的多种商业相关的问题，诸如有用资源传递的定价；以及，如何在现有的网络结构和系统的环境内有效地操作(例如通过节点过滤器，使用现有的业务和计费系统等)。

从上述内容可以明白，本发明的各个方面适用于包括广播网络的多种网络的环境内。在下面的讨论内，在有线电视网络的环境中讨论针对目标的有用资源系统的具体实现方式。虽然所述系统增强了模拟和数字用户的观看，但是使用现有的dstb方便地实现了特定功能。可以明白，虽然这些表示特别有益并且具有商业价值的实现方式，但是本发明不限于这些具体实现方式或者网络环境。

b.系统架构

在一种实现方式内，本发明的系统涉及与在节目频道上的其他有用资源在时间上对准地或者同步地发送有用资源选项，其中，经由分离的带宽段(例如至少暂时专用于针对目标的有用资源传递的频道)来至少部分地提供所述有用资源选项。虽然通常可以与节目中的间隙对准地发送这样的选项，但是可以期望提供与持续的节目相反的选项(例如，以便在其他用户获得不间断的节目的同时，仅仅在指定地理区域内的用户获得天气声明、紧急声明、选择结果或者其他本地信息)。在这种实现方式内通过dstb来在用户的驻地实现在可以获得的选项之间的选择。以这种方式，使得可以获得有用资源选项以用于更好的目标针对，而不要求在用户的驻地的实质存储资源或者设备更新(对于转发和存储架构可能需要这些)。实际上，可以配置现有的dstb以通过下载和/或预装适当的逻辑而执行用于实现如下所述的系统的逻辑。

因为在这种实现方式内同步地发送有用资源选项，因此期望有效地识别可以获得的带宽和使用那个带宽。下面在本讨论中说明用于改善的带宽识别的各种功能，例如相对于节点过滤器识别有机会可以获得的带宽。可以获得的带宽的有效使用包括优化可以获得的带宽段的占空度或者有用资源密度(即在带宽段可用于发送有用资源选项的时间内有多少时间是实际使用该带宽段发送选项的)和所发送的选项的值。其中，通过针对节目频道的定期间隙、在有用资源频道上的针对目标的有用资源的传递的改善的调度来处理前一个因素。

通过下述方式来部分地处理后一种因素：根据当前的网络条件用最期望的有用资源来填充可以获得的带宽插播。可以以包括根据传统的收视率的多种方式来确定这些最期望的有用资源。在如下所述的具体实现方式内，经由在此被称为投票的处理来确定最期望的有用资源。图6图解了在诸如dstb的cpe1002和用于有用资源插入的网络平台之间在这一点上的消息传送序列1000，所述网络平台诸如头端器1004和业务和计费(t&b)系统1006，所述业务和计费(t&b)系统1006用于所说明的示例内，用于获得针对目标的有用资源的传递订单或者合同，并且对于有用资源传递进行计费。可以明白，可以在运行于多个平台之上的多个系统之间划分所述t&b系统1006的功能，并且所述t&b系统1006可以被网络运营商操作，或者可以分开被操作。

所说明的序列通过从t&b系统1006向头端器1004上加载合同信息1008而开始。与系统1006相关联的接口允许有用资源提供商根据传统的时隙购买(用于给定的网络上的给定节目或者给定时间)或者根据特定的观众分类信息(例如期望的人口统计、心理图案、地理和/或观众规模)来执行用于传播有用资源的合同。在后一种情况下，有用资源提供商或者网络可以识别与目标观众相关联的观众分类信息。系统1006使用这个信息来编辑合同信息1008，其识别要与关于何时和向谁传递有用资源的传递参数一起提供的有用资源。

所说明的头端器1004使用所述合同信息与用于单独的网络的间隙的时间表在逐个频道和逐个间隙的基础上编辑有用资源选项列表1010。即，列表1010列出了在给定的节目频道上对于给定的间隙可用于投票目的的有用资源选项的总体以及相关联的元数据，所述元数据用于例如根据观众分类信息来识别有用资源的目标观众。所发送的列表1010可以涵盖所有被支持的节目频道，并且可以被发送到所有的参与用户，或者所述列表可以例如基于输入而限于所支持的频道之一或者子集，所述输入用于指示当前频道或者由特定用户或者用户组最可能或者频繁地使用的频道。在列出选项的间隙之前从头端器1004向cpe1002发送所述列表1010。

根据列表1010，cpe1002向头端器1004提交回投票1012，具体上，cpe1002首先识别当前一个或多个用户的分类参数，并且也许是正在被观看的当前频道，识别可用于(当前频道或者多个频道的)到来的间隙的有用资源以及那些有用资源的目标观众，并且确定那些有用资源选项的一个或多个对于当前分类的“适合(fit)”。在一种实现方式内，所述有用资源的每个例如基于有用资源的观众分类参数与一个或多个当前用户的推定观众分类参数的比较而具有对于该一个或多个用户的适合分数。这可以涉及：单独用户分类参数与对应的目标观众参数匹配得多好并且/或者有多少目标观众参数与用户的分类参数匹配。根据这些适合分数，cpe1002发出投票1012，其指示最适当的一个或多个有用资源。可以使用任何适合的信息来提供这个指示。例如，所有可以获得的有用资源选项的所有分数(对于当前信道或者多个信道)可以包括在投票1012内。或者，投票1012可以使用或者不使用用于指示匹配程度的分数信息并且可以进一步包括频道信息来识别由cpe1002选择和取消选择的一个或多个选项的子集。在一种实现方式内，头端器1004指令多个cpe(1002)返回给定插播的前n个有用资源选项的适合分数，其中，可以根据诸如网络通信水平和观众规模等任何相关因素来动态地配置n。优选的是，这个投票紧邻在所涉及的间隙之前发生，以便投票更精确地反映网络用户的当前状态。在一种实现方式内，仅仅对于被设置了cpe的节目频道提交投票，并且定期地，例如每15分钟提交投票。

头端器1004编译来自cpe1002的投票1012，以确定用于所支持的节目频道的给定间隙的一组所选择的有用资源选项1014。如可以从下面的说明明白的，可以从所有相关和参与的cpe1002(其可以表示包括模拟或者非参与的用户的大量观众)或者其统计采样获得这样的投票1012。另外，头端器1004确定可用于发送支持给定节目频道的给定间隙的选项的带宽量，例如专用有用资源选项频道的数量。

根据所有这个信息，头端器1004集合一队有用资源，例如具有最高投票值或者最高加权投票值的有用资源选项，其中，这样的加权考虑每个用户的值或者在分类适合之外的其他信息。这样的队可以包括在当前节目频道以及有用资源频道内插入的有用资源选项，虽然可能涉及不同的插入处理和部件来用于节目频道和有用资源频道插入。可以明白，可以独立于或者很大程度上独立于投票来集合一些有用资源，诸如某些公共服务插播或者某一提供商已经对于有保证的传递支付了费用的情形。而且，在其中单个有用资源提供商购买了插播并且然后提供用于那个插播的多个有用资源选项的插播优化环境内，可能不需要投票(虽然可能仍然使用投票来选择选项)。

在一种实现方式内，所述队被集合为用于每个专用有用资源频道的多组有用资源选项，其中，每组的时间长度与间隙的长度匹配，从而不需要在间隙内的频道跳转。或者，cpe1002可以在有用资源频道之间导航，以在间隙内访问期望的有用资源(假设在相关有用资源频道上的有用资源开始被同步)。但是，可以明白，所述队矩阵(其中，列包括用于给定插播的选项，并且行对应于频道)不必是矩形的。换句话说，可以使用一些频道来提供仅仅用于间隙的一部分的有用资源选项，即可以在间隙的开始用于一个或多个插播，但是是在整个间隙都可用，或者仅仅在间隙的一个或多个插播已经被播送后可以使用。在所说明的实现方式内，所选择的有用资源和相关联的有用资源频道的列表1014然后与用于识别目标观众的元数据一起被发送。可以明白，如果cpe1002已经保留了有用资源选项列表1010，则可能不必在这个步骤包括元数据。最好紧邻在发送有用资源1016(其包括用于至少部分地支持所涉及的间隙的每个专用联系选项频道的多组有用资源选项)之前发送这个列表1014。

cpe1002接收所选择的有用资源选项的列表1014和相关联的元数据，并且选择要向一个或多个用户提供可以获得的选项中的哪个。例如，这可以包括：将当前观众分类参数值(其可以不与用于投票的那些相同或者可以不相同)与关联于每个有用资源选项的元数据相比较。所选择的有用资源选项用于选择性地将cpe1002切换到对应的专用有用资源选项频道，以在所涉及的间隙的开始显示所选择的有用资源1016。所述有用资源选项组之一，例如由接收最高投票值的有用资源构成的资产选项组可以被插入节目频道内，从而对于许多用户不需要切换。假定投票的cpe至少在一定程度上表示所有用户的总体，则由此即使对于模拟或者非参与用户也实现较大程度的目标针对。在这一点上，投票者作为用于非投票用户的代理。cpe1002在间隙结束时返回到节目频道。优选的是，从一个或多个用户的角度看，这些全部是透明的，即优选的是，不需要用户输入。所述系统可以被设计使得任何用户输入不考虑目标针对系统。例如，如果用户在间隙期间改变了频道，则实现所述改变，就好像所述目标针对系统未起作用(例如，用于前进到下一个频道的命令将cpe设置到紧邻在当前的节目频道之前的频道，而不考虑当前可以被用于那个频道的任何选项，并且与当前作为电视输出的来源的专用有用资源频道无关)。

在这种系统架构内，像在转发和存储架构或者其中在有用资源选项之间的选择在cpe被实现的任何其他选项内那样，在没有报告的情况下，将存在多少用户或者家庭接收到任何特定的有用资源选项的一定的不确定性。这从商业角度来看是可以容忍的。在没有报告时，可以基于投票数据、传统收视率分析以及其它工具来估计观众规模。实际上，在传统的有用资源传递范例内，有用资源提供商接受尼尔森收视率估计和人口统计信息与市场分析，以估量在投资上的回报。但是，这种不确定性在任何有用资源传递环境内都不是最优的，并且可能在多个节目网络上的观众汇集的环境内特别有问题，所述多个节目网络可能包括难于通过传统的手段测量的节目网络。

本发明的系统最好实现报告系统，通过该报告系统，单独的cpe1002向头端器1004报告回在cpe1002传递了一个或多个什么有用资源，并且作为选用，报告向谁提供了所述有用资源(在观众分类上)。另外，所述报告可以指示在哪里(在什么节目频道上)传递有用资源和消费了多少有用资源(如果有的话)。这样的报告1018可以由所有参与的cpe1002或者由其统计采样提供。可以在逐个间隙的基础上定期地(例如每15分钟)产生这些报告1018，或者可以在发送到头端器1004之前汇集这些报告1018。报告可以紧接在传递所涉及的有用资源之后发送，或者可以被累积以例如在其中更可获得消息传送带宽的日时间来发送。而且，可以在cpe1002之间协调这样的报告，以便分摊(spread)由于报告而导致的消息传送负荷。

在任何情况下，可以使用报告1018来向t&b系统1006提供计费信息1020，用于估价各种有用资源选项的传递。例如，t&b系统1006可以使用计费信息1020来确定每个选项观众接收到多大和观众与目标观众匹配得有多好。例如，如上所述，可以根据观众分类与目标观众的比较来对于特定的有用资源选项产生适合分数。这个分数可以在任何标准上，例如1-100。可以根据这个原始分数或者根据诸如“极好”、“良好”等这个分数的特征来确定适合程度。再一次，这可以依赖于用户的单独的观众分类参数与对应的目标观众参数匹配得多好和/或用户的观众分类参数匹配多少目标观众参数。这个信息可以继而至少以汇集的形式被提供到有用资源提供商。以这种方式，网络运营商可以根据目标针对消息的有保证的传递来计费，或者根据适合程度以及观众规模来缩放计费率(或者增加传递)。报告(和/或投票)1018也可以提供在网络上的用户分布的迅速和详细的测量，其可以用于精确地估量收视率、份额、观众的人口统计等。而且，这个信息可以用于提供例如未来的观众估计信息1022，以根据观众分类参数来估计总的目标整体。

因此可以明白，本发明允许诸如mso的网络运营商在传统的有用资源提供(时隙)购买范例下或者在新的商业印象范例下或者两者之下销售有用资源传递。例如，特定的mso可以选择在旧的时隙购买范例下销售用于主要网络(或者在黄金时间期间的这些网络)的有用资源传递空间，同时使用商业印象范例来汇集在多个低市场份额网络上的用户。另一个mso可以选择保留基本时隙购买范例，同时接纳希望用以不同的人口统计做为目标的多个选项来填充给定的时隙的有用资源提供商。另一个mso可以选择在所有网络的黄金时段器件保留基本时隙购买范例，同时使用目标印象范例以在一天中的其它时间汇集用户。这样的mso可以使用目标印象范例仅仅用于这个受限的目的。

图8是图解相关联的处理1200的流程图。有用资源提供商(或者其代理)可以通过访问(1202)如下将要描述的签定合同平台来启动所图解的处理1200。或者，有用资源提供商可以与系统运营商的销售部门或者其他人员或者访问这样的平台的其他方一起工作。作为另一个替代，可以使用自动化的购买系统经由系统到系统的接口而与这样的平台连接。这个平台可以提供图形用户接口，通过该图形用户接口，有用资源提供商可以设计传播策略，并且签定用于传播有用资源的对应合同。有用资源提供商可以然后使用所述接口来选择(1204)执行时隙购买策略或者目标印象购买策略。在时隙购买策略的情况下，有用资源提供商可以然后使用用户接口来指定(1206)网络和时隙或者，用于识别用于传递有用资源的期望的播送时间和频率的其他节目参数。因此，例如，有用资源提供商可以选择与被确信具有适当观众的特别识别的节目相关联地播送有用资源。另外，有用资源提供商可以指定有用资源在节目期间的第一间隙期间或者多个间隙期间出现。有用资源提供商可以进一步指定例如在间隙内在第一插播、在间隙内的最后插播期间播送有用资源，或者否则指定具体的有用资源传递时隙。

一旦已经这样指定了用于有用资源的时隙，则mso使得有用资源被嵌入(1208)到指定的节目频道有用资源流。然后可以获得有用资源以由节目频道的所有用户消费。mso然后通常根据相关联的收视率信息来对有用资源提供商计费(210)。例如，可以根据所涉及的节目先前的收视率信息来预先建立计费率，或者，可以使用用于节目的特定播送的最佳可获得收视率信息来对于有用资源提供商计费。因此可以明白，传统的时隙购买范例限于对于特定时隙向特定网络上的所有用户进行传递，并且不允许将给定网络的特定用户作为目标或者在单个购买内将分布在多个网络上分布的用户作为目标。

在目标印象购买的情况下，有用资源提供商可以使用如下更详细描述的用户接口来指定(1212)观众分类和其他传播参数。在观众分类参数的情况下，有用资源提供商可以指定目标观众的性别、年龄范围、收入范围、地理位置、生活方式兴趣或者其他信息。所述其他传播参数可以涉及传递时间、频率、观众规模或对限定目标观众有用的任何其他信息。也可以指定参数的组合。例如，有用资源提供商可以指定在特定人口统计组内100,000的观众规模，并且进一步指定不向已经接收到有用资源预定次数的任何用户提供所述有用资源。

根据这个信息，本发明的针对目标的有用资源系统用于将适当的用户作为目标。例如，这可以涉及仅仅将主要网络的所选择的用户作为目标。作为补充或者替代，这可以涉及汇集(1214)在多个网络上的用户，以满足观众规格。例如，来自多个节目频道的所选择的用户可以在指定的时段内接收有用资源，以便提供期望规模的观众，其中，所述观众由匹配期望的观众分类的用户构成。用户接口最好根据观众分类和传播参数来估计目标总体，以便有用资源提供商接收可能的观众规模的指示。

所述汇集系统也可以用于进行日时间(timeofday)的购买。例如，有用资源提供商可以指定用于目标观众的观众分类参数，并且进一步指定用于播送所述有用资源的时间和频道。被调谐到那个频道的cpe可以然后根据在此所述的投票处理来选择有用资源。而且，有用资源提供商可以指定观众分类参数和运行时间或者时间范围，但是不指定节目频道。以这种方式，允许用于指定传播策略的较大灵活性。网络运营商也可能例如因为商业原因而禁止这些策略选项的一些。

根据这个输入信息，本发明的针对目标的有用资源系统进行操作用于在一个或多个间隙的一个或多个时隙期间提供有用资源作为选项。在插播优化的情况下，可以与用于识别目标观众的信息一起传播多个有用资源选项，以便可以在单独的cpe传递最适当的有用资源。在观众汇集的情况下，可以与在多个节目频道上的多个间隙相关联地提供有用资源作为选项。所述系统然后接收和处理(1218)关于由cpe进行的有用资源的实际传递和用于指示实际观众有多适合目标观众的分类参数的信息的报告。可以随后根据有保证的传递和基于实际报告信息的适合程度来对于有用资源提供商计费(1220)。因此将希望定义新的有用资源传递范例，通过该范例，有用资源以特定用户为目标，而不是与特定节目相关联。这使得对于给定节目能更好地确定独立用户作为目标和使得能改进到达在低份额网络上的目标用户。

从上面，可以明白，在消息传送序列内的各个步骤涉及：根据分类参数将有用资源与用户匹配，允许基于这样的匹配或者依赖于在网络上的通信观众分类信息的适合程度确定。优选的是，以尊重用户隐私关注和相关的管理制度的方式来实现这样的消息传送。

在所图解的系统内，这是通过实现没有用户概况或者其他敏感信息的永久存储的系统来解决的，所述其他敏感信息包括例如个人可识别信息(pii)。具体上，可以期望保护作为敏感信息的、扩展至所建立的pii的定义之外的主题。作为在这一点上的一个示例，可以期望保护mac地址，即使这样的地址当前在美国不被认为包括在pii的定义内。一般，可能需要隐私关注或者识别网络使用信息的任何信息可以被当作敏感信息。更具体而言，所述系统在经由用于识别有用资源而没有任何敏感信息的投票而发送有用资源选项之前获悉当前网络情况。报告也可以限于识别已经被传递的有用资源(所述有用资源与目标观众参数相关联)或者一个或多个用户的观众分类参数与目标观众定义的适合的特性。即使期望将报告与特定用户相关联，以例如说明如下所述的广告跳过，这样的相关联可以基于不包括pii的识别代码或者地址。在任何情况下，看起来敏感的识别代码或者任何其他信息可以立即被剥离并且丢弃或者散列(hash)，并且观众分类信息可以仅仅以匿名和汇集的形式被使用以解决任何隐私关注。对于散列，诸如mac或者ip地址(其可以被包括在指定的首标字段内)的敏感信息可以通过散列信息函数被运行，并且重新被附加到首标，以例如使得如可能希望的、能够匿名识别来自同一源的消息。而且，用户可以被通知针对目标的有用资源系统，并且被允许决定参加或者决定退出以便参与的用户肯定地同意参加。

上述的许多讨论已经将观众分类参数引用为与个体相关(与家庭相反)。图7a图解了cpe的理论示例，所述cpe包括与多个用户1103-1106相关联的电视机1100和dstb1102。箭头1107表示随着时间的用户输入流，诸如来自遥控器的点击流。第一用户1105(在这种情况下为孩子)在诸如早晨的第一时段期间使用电视机1100。第二和第三用户1103和1104(指定为“父亲”和“母亲”)在时段1109和1110期间使用电视机，所述时段1109和1110可以是例如在下午或者晚上。在这个示例内，临时照顾幼儿者1106在夜晚时段使用电视机。

这说明了与针对目标的有用资源的传递相关联的多个问题。首先，因为存在多个用户1103-1106，因此基于家庭人口统计的目标针对将具有有限的效用。例如，可以假定孩子1105和父亲1103在许多情况下不被相同的有用资源提供商作为目标。而且，在一些情况下，多个用户可以在由时段1109-1110的重叠指示的相同时间观看同一电视。另外，在诸如由临时照顾幼儿者1106图解的情况的一些情况下，意外的用户(从针对目标的有用资源系统的角度看)可以使用电视机1100。

这些所述的困难与优选地由本发明的针对目标的有用资源系统解决的多个目的相关联。首先，所述系统最好应该用于在单个集的多个用户之间区分，并且在如上所述的系统的环境内，相应地投票和向网络报告。其次，所述系统应当最好随着时间对于变化的情况进行反应，所述变化的情况诸如从由父亲1103使用向由父亲和母亲1103和1104共同使用到仅仅由母亲1104使用的转换。所述系统也应当最好具有特征化诸如临时照顾幼儿者1106的意外用户的某种能力。在这种情况下，所述系统可以不具有除了点击流1107之外的的任何其他信息而进行。所述系统也可以识别其中显然没有用户的时段，虽然电视机1100可能仍然接通。优选的是，所述系统也在没有任何用户概况或者敏感信息的永久存储的情况下运行，以便第三方没有有意义的机会来盗用这样的信息或者经由针对目标的有用资源系统来发现用户1103-1106中的任何一个的专用网络使用模式。或者，可以通过从用户获得同意来解决隐私关注。以这种方式，包括pii的敏感信息可以通过网络被发送，并且永久地被存储以用于目标针对。这可以允许例如在头端器编辑详细的用户概况。然后可以根据用户概况来选择有用资源，并且在特定的实现方式内，有用资源寻址到特定的cpe。

在特定的实现方式内，本发明监控在时间窗口上的点击流，并且应用数学模型以将由点击流限定的模式与预定的观众分类参数相匹配，所述预定的观众分类参数可能涉及人口统计或者心理图案类别。可以理解，点击流将指示由用户选择的节目、音量和可能至少在统计意义上与分类参数有一定的相关的其他信息。另外，诸如频道改变频率以及用户逗留在特定有用资源上的时间长度可能与确定观众分类参数的值相关。所述系统也可以识别其中显然没有用户存在的情况。

在第一实现方式内，如下详细所述，与cpe1101相关联的逻辑使用概率建模、模糊逻辑和/或机器学习来根据点击流1107逐渐地估计一个或多个当前用户的观众分类参数值。基于可能例如影响与特定输入相关联的概率的、有关家庭的所存储信息(最好没有敏感信息)，这个处理可以选用地是补充的。以这种方式，每个用户输入事件(其涉及状态的改变和/或持续时间信息的一个或多个项目)可以用于根据相关联的概率值来更新观众分类参数的当前估计。所述模糊逻辑可以涉及模糊数据集和概率算法，所述概率算法提供基于改变的和限制的预测值的输入的估计。

在第二实现方式内，所述点击流被建模为不完整的或者有噪声的信号，可以处理该信号以获得观众分类参数信息。具体上，随着时间的一系列点击或者相关联的信息可以被看作基于时间的信号。这个输入信号呈现为反映可以与观众分类参数相关联的期望签字或者模式。但是，所述信号呈现为不完整的或者有噪声的——在信号处理中的常见问题。因此，使用滤波技术来从输入流估计“真实”信号，并且相关联的算法将那个信号与期望的观众分类信息相关联。例如，在这一点上可以使用非线性自适应滤波器。

在这些所述示例的任何一个中，适用某些优选的特征。首先，向所述系统的输入主要是点击流和所存储的汇集数据或者统计数据，基本上没有任何敏感信息。这解决了如上所述的隐私关注，并且也提供了用于评估诸如意外用户的新环境的实质灵活性。另外，所述系统最好是易忘的，以便近期的输入比较老的输入更重要。所述示例的任何一个适应于这个目的。可以明白，这样的易忘允许系统适合于例如从第一用户到多个用户到第二用户的改变。另外，这样的易忘限制在任何一个时间在所述系统内可以获得的观看信息的数量，由此进一步解决隐私关注，并且这样的易忘限制，在其中可以想象到发现这样的信息的时段。例如，可以删除信息，并且例如当拔出dstb时，可以周期性地将设置复位到默认值。

在图7b内示出了用于实现这样的用户分类系统的系统的方框图。在包括用户输入模块1122和分类模块1124的cpe1120内实现所图解的系统。用户输入模块例如从遥控器或者电视机控制按钮接收用户输入，其可以指示频道选择和音量设置等。这些输入与节目信息1132(其允许频道选择与节目和/或相关联的观众概况的相关联)一起被用于多个功能。在这一点上，存在检测器1126确定用户是否有可能对于被传递的有用资源的全部或者一部分存在。例如，没有任何用户输入的较长的时段可以指示没有用户存在并且正在关注，或者零音量设置可以指示没有有效地传递有用资源。分类器1128产生了用于如上所述的家庭的一个或多个用户的观众分类参数。用户标识符用于估计所分类的用户中的哪个用户当前存在。这些模块1126、1128和1130一起提供可以用于投票(或者选择不投票)的观众分类信息，并且/或者产生报告(或者选择不产生报告)。

如上所述，可以用于目标针对的观众分类之一是位置。具体上，有用资源提供商可以希望仅仅以在限定的地理区域(例如接近商业出口)内的用户为目标，或者可以希望将不同的有用资源针对不同的地理区域(例如，基于位置将不同的汽车广告针对具有不同假定收入水平的用户)。在特定的实现方式内，本发明确定特定cpe的位置，并且使用该位置信息将有用资源针对特定cpe。可以明白，cpe的位置的指示包含可以被认为敏感的信息。本发明也以解决这些隐私关注的方式来建立、提取和/或接收位置信息。也可以通过一般化或者否则从通过网络发送的位置信息过滤出敏感信息来实现这一点。可以通过在cpe或者在头端器提供过滤或者分类元件来完成这一点。例如，在报告处理中可能有用(即用于确定在指定的位置区域内的成功传递的数量)的信息可以向上游发送，并且包括很少或者不包括敏感信息。另外，这样的位置信息可以被一般化，从而不是可识别个人的。例如，在给定的块上或者在另一个地理区域(诸如与邮政编码加2地区相关联)内的所有用户可以与同一位置标识符相关联(例如所述区域的质心)。

在一种实现方式内，与cpe相关联的逻辑向上游的头端器发送标识符，其中，对于计费地址的列表交叉引用所述标识符。然后，例如使用gis信息将匹配所述标识符的所述计费地址翻译为一组坐标(例如笛卡儿地理坐标)，并且那些坐标或者相关联的地理区域标识符被发回cpe以作为其位置信息的一部分存储。或者，可以广播列表。在这种情况下，包括多个或者全部网络用户的位置信息的列表被广播，并且每个cpe选择其自身的信息。有用资源提供商也可以将目标位置信息与有用资源相关联。例如，与下述的合同界面相关联，有用资源提供商可以定义目标有用资源传递区域。优选的是，这可以经由图形界面(例如显示地图)来进行，并且所定义的区域可以将所涉及的目标地区(不限于节点地区或者其他网络布局)匹配到细的粒度级。而且，这样的区域可以具有复杂的形状，其包括不连续的部分。优选的是，然后可以在允许有用资源元数据的方便发送和与用户位置的比较的意义上表示所述区域，例如在网格元素或者地区单元的意义上表示所述区域。

在另一种实现方式内，单独的地理地域与唯一的标识符相关联，并且可以根据现有地域的集合来定义新的地域。这可以被扩展到在其最细级上识别单独的cpe的粒度。包括多个cpe的较高级可以用于投票和报告以解决隐私关注。

在接收到有用资源选项列表或者有用资源传递请求(adr)时，cpe语法分析adr，并且确定cpe的位置是否被包括在由在adr内引用的有用资源作为目标的位置中。例如，这可以涉及在多边形内的点或者在区域算法中的其他点、半径分析或者与诸如四叉树数据结构的单元或所定义的网格的网络的比较。cpe可以随后根据包括该特定cpe的位置是否被作为有用资源的目标的标准来对于要接收的有用资源进行投票。

在显示有用资源选项后，cpe也可以在报告处理内使用其位置信息来增强向上游发送的传递数据。cpe用来使用其位置信息的处理从所述位置信息去除了基本上所有的敏感信息。例如，cpe可以报告针对特定位置组的有用资源被传递到在组内的位置之一。在这个示例内的cpe将不报告有用资源实际上被传递到的位置。

类似地，经常期望将标签与有用资源选择相关联。这样的标签是叠加在或者附到这样的有用资源的附加信息。例如，标签可以当在较广的基础上分发的有用资源完结时提供关于本地商店或者其他商业位置的信息。传统上，这样的标签在头端器插入之前已经被附加到广告，并且已经限于粗略的目标针对。根据本发明，标签可以以特定区域、位置或者地区内的用户(例如邻居)为目标。也可以根据诸如年龄、性别、收入水平等其他观众分类参数来为标签确定目标。例如，在百货商店广告的端部的标签可以向特定的人群广告有关所关心的特定产品的特别事物。具体上，标签可以被包括在有用资源队内，并且有条件地根据在cpe内包括的逻辑而被插入。因此，所述标签是独立单元，其可以像其他有用资源那样被确定目标，但是具有条件逻辑以便他们与对应的有用资源相关联。

本发明可以使用涉及特定cpe的位置的信息来将标签针对特定的cpe。例如，cpe可以包含与如上所述的笛卡儿坐标形式的其位置相关的信息。如果有用资源指示标签可以随着其或者取代其而被传递，则cpe确定是否存在与任何可能的标签相关联的、在特定cpe内包含的位置信息满足的位置标准。例如，标签可以包括用于定义特定邻居的位置标准。如果cpe位于那个邻居中，假定满足了用于传递标签所需要的其他标准，则cpe1101可以选择提供所述标签。其他标准可以包括在给定间隙内可获得的时间、其他人口统计信息和与国家或者非本地有用资源相关的信息。

如上简述，也可以根据营销标签来实现目标针对。具体上，头端器可以从各种来源获取关于用户或者家庭的信息或者营销标签。这些营销标签可以指示用户购买了昂贵的汽车，是18-24岁大的男性或者指示有用资源提供商可能感兴趣的其他信息。在一些情况下，这个信息可以类似于观众分类参数，虽然其可选地可以是静态的(当电视用户改变时不变化)并且基于硬数据(与根据观看模式等猜测的相反)。在其他情况下，营销标签可以更具体，或者与观众分类不同。在任何情况下，头端器可以向cpe通知关于按照营销标签用户/家庭是什么种类。有用资源提供商可以然后根据营销标签来为有用资源确定目标，并且所述有用资源将由确定目标匹配处的cpe传递。这可以用于观众汇集和插播优化环境内。

因此，本发明的针对目标的有用资源系统允许根据任何相关观众分类来在广播网络内为有用资源确定目标，不论所述相关观众分类是根据诸如点击流的用户输入、根据营销标签或者被推送(push)到客户驻地设备的其他信息、根据人口统计或者在头端器存储或者处理的其他信息或者根据上述和其他信息的组合而确定的。在这一点上，因此有可能在广播网络的环境中使用目标针对概念，其先前已经限定于诸如直接邮件的其他环境。例如，这样的目标针对可以使用金融信息、先前的购买信息和定期订阅信息等。而且，在其他环境内产生的分类系统可以得到支持以用于增强根据本发明而实现的目标针对的值。

因此已经提供了所述系统的概况，其中包括所述系统的主要部件的介绍讨论，其提供了用于理解匹配相关功能和相关联的结构的操作的系统环境。在本说明书的剩余部分描述了这种匹配相关的主题。

ii.有用资源匹配

a.概述

从上面的讨论，可以明白确定用户的分类参数和将用户的分类参数与有用资源的目标针对参数相匹配在一些环境中是有益的。首先，这种匹配相关的功能在投票处理中是有益的。即，在如上所述的系统中的目标针对系统的功能之一是接收广告列表(用于识别对于到来的节目时间可获得的一组广告)，确定用于各种广告的目标针对参数，并且根据目标针对参数与当前用户的分类参数匹配得有多好来对于一个或多个广告投票。因此，识别一个或多个当前用户的分类参数并且将那些参数与所述目标针对参数匹配在投票环境内是重要的。

匹配相关的功能在广告选择环境中也是重要的。具体上，在已经处理了来自各种参与的机顶盒的投票后，对于商业间隙集合广告队。给定的dstb根据哪些广告对于一个或多个用户适合，选择通过所述队的路径(对应于在商业间隙由机顶盒传递的一组广告)。因此，识别当前的用户分类参数并且将那些参数与目标针对参数相匹配在广告选择环境内是重要的。

匹配相关的功能也可以用于报告环境内。在这一点上，一些或所有dstb向网络提供关于实际传递的广告的报告。这使得所述目标针对系统和业务和计费系统能够对于一个广告测量观众，以便可以适当地对于广告商计费。优选的是，由这些报告提供的信息不仅指示观众的规模，而且指示观众与所述广告的目标观众有多适合。因此，如上所述的系统可以提供适合程度信息，其用于识别接收到所述广告的一个或多个用户的分类参数与目标针对参数匹配得有多好。所述匹配的相关功能在这个环境中也有用。

在本发明的一种实现方式内，由在dstb驻留的分类器来执行这种匹配相关的功能。下面更详细地说明这个分类器。一般，所述分类器分析点击流或者一系列遥控器输入，以确定一个或多个当前用户的可能分类参数。所述分类器也执行匹配功能，以根据假定的一个或多个用户的推断的分类参数来确定多个候选广告(例如来自广告列表)的每个对于一个或多个当前用户的适合性。所述分类器可以然后提供匹配相关的信息来用于如上所述的投票、广告选择和报告环境。在下面的说明内，主要相对于投票环境而讨论这种匹配相关的信息。但是，可以明白，对应的信息可以用于广告选择和报告。另外，虽然可以结合在各种网络内为各种类型的有用资源确定目标来使用本发明，但是以在有线电视网络内为广告确定目标的环境给出下面的说明。因此，为了方便和清楚而使用术语“广告商”和“观看者”。而且，为了方便，虽然分类器可以识别多个用户，但是下面的说明有时指的是单个用户或者观看者。

分类器一般在两种模式中运行：学习模式和工作模式。但是，可以明白，这些模式不是完全独立的。例如，分类器在正常运行期间继续学习和适应。在图9内一般地图解了这些模式。在学习模式内，所图解的分类器1300监控给定的dstb1304的观众中的观看者1302的行为，以推断用于观看者1302的分类参数。在这一点上，给定的dstb1304的观众可以包括父亲、母亲和孩子，其中的一个或多个可能在观看时间期间存在。分类参数可以包括如上所述的分类参数的任何一个，诸如性别、年龄、收入、节目偏好等。

如图9内所示，在学习模式内，分类器接收包括来自用户的点击数据1310、来自网络的节目数据1312(诸如节目指南数据)和由尼尔森系统产生的尼尔森数据1314的输入。这个信息被处理以学习观看者的特定行为，包括观看者节目选择行为。在这一点上，尼尔森数据1314反映了特定节目的人口统计构成。节目数据1312可以包括关于类型、收视率、预定时间、频道的信息和关于节目的其他信息。点击数据1310反映由用户选择的频道、驻留时间(用户保持在给定的频道多长时间)和可以与尼尔森数据1314和节目数据1312相关联的其他信息，以获得关于观看者的分类参数的证据(evidence)。另外，点击数据1310可以反映频道跳转的频率、点击处理的速度、音量控制选择和其他信息，从所述其他信息可以独立于与节目相关信息的任何相关而推断观看者分类参数的证据。如下将更详细所述，在学习模式内，分类器1300开始产生围绕分类参数值(例如与传统的数据分组相关联)的段的数据群集(cluster)，由此学习识别观看者1310，并且与观看者1302的可能性别、年龄、收入和其他分类参数相关联地分类所述观看者1302。

在图10内图解了状态转换功能。通过事件、消息和交易来触发状态改变。重要的状态转换之一是点击事件1400的流。每个点击事件1400表示状态转换(例如从一个节目向另一个的改变、在音量设置上的改变等)。如图所示，不存在点击事件1400或者点击事件的低频率可以指示不存在观看者或者任何观看仅仅是消极的1404。如果转换计数1406超过阈值(例如在频率上)并且dstb接通或者是积极的1402，则可以操作分类器以匹配节目数据1408，并且学习或者存储1410所述节目。可以在此处删除1412节目，以便不超过最大堆栈深度或者实现如上所述的期望易忘程度。

再一次参见图9，当学习模式进行时，相对于至少两组特征信息产生观看者识别。首先，对于dstb观众的每个发现的观看者1302产生分类参数集。其次，对于每个被发现的观看者1302，产生一个规则集，其定义了那个观看者1302随着时间的观看行为。这在下面被称为观看者的观看习惯的周期性。因此，每个发现的观看者1302的分类集可以识别观看者的年龄、性别、教育程度、收入和其他分类参数。这个信息与观看者的观看习惯的周期性耦合，以便允许分类器在特定的时间范围期间将广告与目标观众匹配。即，可以通过观看行为的基本上实时的分析和通过观看者1302的历史观看模式来通知由分类器进行的关于谁在给定时间观看的判定。或者，这个产生用于发现的用户的分类参数集的处理可以考虑多个时间帧(frame)，例如一天的不同时间。根据日时间(timeofday)产生用于发现的观看者的这些分类参数集作为日时间的函数(例如在每小时、每半小时或者其他时间相关的基础上)已经发现有效，因为在许多家庭中的电视观众大大依赖于日时间。

可以明白，所述学习模式和工作模式不必是截然区分的。例如，分类器可以估计当前观看者1302的分类参数，即使还没有对于那个观看者1302产生历史周期性数据。类似地，即使当已经在学习模式内产生了这样的信息时，当前观看的观众也可以在工作模式期间继续被定义和重新定义。因此，分类器不要求永久存储观看者概况信息以便起作用。例如，当dstb断开时，可以删除任何这样存储的信息。在这种情况下，当将电源恢复到机顶盒时，分类器可以容易地产生用于一个或多个观看者的分类参数。而且，分类器可以被设计来包含易忘程度。即，分类器可以可选地从其发展的观众成员模型去加权(de-weight)或者删除旧的信息。以这种方式，分类器可以适应于观众构成的改变，并且识别先前未知的观众成员。

当已经收集了足够的观看者行为信息(其可能仅仅需要少量的用户输入)时，所图解的分类器从学习模式向工作模式移动。在所述工作模式内，分类器1306执行多个相关功能。首先，其可以接收用于即将到来的商业间隙的广告列表1308，将用于那个列表1308上的广告的目标针对参数与当前观看者1302的分类参数相匹配，并且对于适当的广告投票。分类器1306也选择在给定的广告队(adflotilla)内可以获得的广告，以传递到当前用户1302。而且，分类器1306可以报告关于在一个或多个商业间隙期间传递的广告的适合程度信息。再一次，在所述工作模式内，分类器1306继续通过随机增强的处理来学习，但是分类器1306被认为具有足够的信息来有意义地估计当前观看者1302或者观众的分类参数。

如上所述，在所述工作模式内，分类器1306通过有效地将来自广告列表1308的广告分级来控制投票处理。在这一点上，所图解的工作模式分类器1306从广告储存库1318接收关于可以获得的广告1316的信息。这些广告1316与例如观众段和观看者概况分类规则1320形式的目标针对参数相关联。例如，广告商可以经由广告界面将目标针对参数直接地输入到t&b系统内。通常，可以相对于传统的观众段分类定义这些目标针对参数。但是，如上所述，本发明的目标针对系统可以适应不同或者更细的目标针对参数。工作模式分类器1306也接收广告列表1308或者候选广告的观看列表，如上所述。具体上，头端器目标针对系统部件1320处理关于可以获得的广告和它们的目标针对参数的输入，以产生要分发到参与的dstb的广告列表1308。

类似性和接近性分析器1322使用与独立的广告相关联的目标针对参数和当前用户的分类参数来执行匹配功能。即，分析器1322将广告与当前被认为坐在电视机1324之前的可能观看者1302的至少一个相匹配。如下更详细所述，这是通过将例如广告的目标年龄范围(其可以被表达为略微模糊化的区域)与用于表示观看者的年龄的集合(其也可以是模糊集)相比较来进行的。这两个集合重叠越多，则兼容性或者匹配越大。在与多个目标针对/分类参数相关的多维上执行这样的匹配。这种类似性分析被应用在广告列表1308的每个候选广告上，并且对于每个广告确定类似程度。当这个处理完成时，可以例如按照类似性的降序来排列在每个时段内的广告，并且可以选择排在前面的广告的一个或多个来用于投票。

消极投票代理1326操作用于根据匹配信息来选择广告。这个处理在一般使用带数据流的输出的背景内进行。具体上，所图解的投票代理1326选择用于每个候选广告的记录或者adr，并且对于每一个确定在广告时是否有任何观看者可能存在。另外，投票代理1326确定是否任何这样的观看者具有可接受地匹配广告的目标针对参数的分类参数。在投票环境内，对于每个匹配，对于广告进行投票。这个投票被返回到头端器部件1320，其中，其与其他的投票组合。这些汇集的投票用于产生下一代的广告列表1308。

因此已经提供了分类器系统的概述。在下面的部分内更详细地说明学习模式、工作模式和匹配功能。

b.学习模式操作

如上所述，学习模式分类器产生用于可能的观看者的分类参数信息以及用于那些观看者的周期性信息，在图11内更详细地图解了这个处理。在学习模式期间，分类器1500构造观众的统计模型。具体上，期望开发允许特征可分性(用于可靠地在观众的被识别的观看者之间进行区分的能力)的模型。因此期望具有每个观看者的分类参数的良好定义以及在每次分类器需要知道谁正在观看电视时从观众的被识别的观看者中识别当前观看者1502的能力。在图11内，相对于分类参数的两个示例，即目标性别或者目标年龄，来说明这个处理。

如上所述，学习模式分类器1500接收输入，所述输入包括来自尼尔森、bbm或者另一种收视率系统(或者基于目标广告系统的先前报告的信息)的节目观看频率(或者人口统计)数据1504、节目数据1506和点击数据1508。根据这个数据，分类器1500可以确定在特定时间正在观看哪个节目(如果有的话)和关于观看者的可能分类参数其指示什么。另外，点击数据1508因为是事件流而可以指示在任何时间观看者1502的关注级别，并且可以提供对具体节目内的关注级别的量度。点击数据1508也允许分类器1500确定何时关闭dstb集和何时接通它。

学习模式分类器1500通过一组聚集成群(clustering)和划分技术来融合到来的数据，所述技术被设计来揭开在数据中的基础模式。在这一点上的目标是发现可能的观看者的数量，建立用于每个观看者的分类参数集，并且确定每个观看者随着时间的观看习惯(或者产生可能观看者的分类参数集作为时间的函数)。这个信息允许分类器1500确定在特定广告的传递时间可能存在什么种类的观众。在所图解的示例内，这个学习处理涉及两个分类器模块的开发即年龄和性别分类器模块1510和观看行为或者周期性分类器模块1512的开发。周期性分类器1512随着时间累积和加强所述年龄和性别分类模块的结果。年龄间隔类别1510的序列在独立的轴上存储，所述独立的轴用于表示收集证据的日时间和星期中的日。这个时间轴用于确定在年龄和性别分类器模块1510内检测的每个个人意欲观看电视的日时间。

年龄和性别分类器模块1510随着时间收集关于可能的观看者的证据。一旦收集的足够的证据，则预期所述证据将以指示多个独立的观众成员的方式成为群集。这同时是相当简单和复杂的处理。其简单是因为用于将观看习惯与推定的年龄和性别特征相匹配的核心算法是公知的并且相当容易实现。例如，不难将节目选择与观看者落入特定的人口统计类别的概率相关联。另一方面，略微复杂的是，分析在参数之间的相互作用，并且处理与到来的信号的强或者弱相关联的细微现象。在后一点上，影响学习处理的两个参数是驻留时间和尼尔森人口规模。所述驻留时间涉及观看者保持在给定的节目的时间长度，并且用于产生所涉及的级别的指示。因此，驻留时间像在训练机制内使用的点击流事件的过滤器那样起作用。例如，可以对于驻留时间设置一个或多个阈值，以削弱或者排除数据。在这一点上，如果观看者观看节目少于1分钟或者也许少于10秒，则可以确定分类器不从观看者观看了那个节目的学习而受益。可以在这一点上在理论上或者根据经验来产生阈值和相关联的削弱或者排除因素，以便增强识别精度。

也与驻留时间相关联的是被称为观众预期量度的因素。这是在任何时间预期电视(当dstb被接通时)将具有主动的观众的程度。即，如果实际上没有人在观看则不必期望使得分类器学习调谐到什么节目。可以以多种方式来确定观众预期量度。这个因素的一个简单量度是自最后的频道改变或者其他点击事件起已经过去的连续播出的数量。即，当在点击事件之间的时间长度增加时，有人在主动观看的置信度降低。这个观众预期量度可以用于排除或者削弱作为产生观看者识别模型中的因素的数据。

尼尔森营销研究数据作为定标和学习率参数也是有用的。如上所述，这个尼尔森数据与特定节目相关联地提供性别和年龄统计。如将在下面更详细所述，具有足够的驻留时间的点击事件用于相对于诸如模糊年龄间隔的每个分类参数段累积证据。在这一点上，每个证据有效地递增所开发的模型，以便分类参数值随着时间被综合(integrated)。给定的模糊参数集递增多少是一个证据相对于每个这样的模糊集拥有的隶属度的函数。

因此，在特定的年龄组内的隶属度被作为那个年龄的证据。但是，当节目和时间与尼尔森数据匹配时，性别分布可以包括观看者人口频率的较宽频谱。落入每个年龄组类别内的观众的驻留百分比也是那个年龄组的证据。因此，一个集合递增的数量通过相对于那个集合的隶属度而被定标。因此，例如，如果一个年龄类别的较少的观看者在观看节目，则这仅仅在少量的证据中反映观看者是在这个年龄组。

所图解的学习模式分类器1500也包含周期性分类器模块1512。当分类器1500产生允许确定在dstb的观众中的观看者的数量并且允许在观看者之间区分的证据时，有可能相对于用于这些观看者的每个的时间来产生观看模型。这个信息可以然后用于直接地预测谁可能在广告传递时正在观看。存在多种用于建立周期性模型的方式，其可以在学习模式运行和/或工作模式运行期间被执行。例如，这个模型可以涉及将观看者映射到他们的模式。或者，可以发现一种模式，然后将其与已知的观看者匹配。在所说明的实现方式内，使用后一种观看者－模式手段。如可以从下面的说明明白的，这种手段执行得较好，因为定义周期性的属性是模糊数量。所述匹配因此可以使用用于将观看者与广告的目标针对参数相匹配的同一种类似性函数。

上面的讨论描述了相对于特定的(例如模糊)集根据综合或者汇集证据来识别观看者。通过参考图12，可以更全面地理解这个处理。在为了说明的目的而限于发现年龄和性别的情况下，这涉及2xm模糊模式发现矩阵。两行是性别段与向量。m列是在广告目标针对中使用的传统的广告间隔。这些年龄间隔与模糊间隔量度重叠。在所说明的示例内，围绕特定的年龄间隔(12-17，25-35，35-49)来对分类器建模，因为这些年龄间隔是产业标准分段。但是，可以明白，特定的年龄组不是分类器所需要的特征。

通过梯形的模糊集分类(bracket)来表示所述模糊间隔，所述梯形的模糊集分类图解了在相邻的年龄间隔之间的特定重叠数量。这个重叠可以改善在不同的年龄范围之间的区分。在矩阵上所示的条反映基于一系列点击事件的证据的累积。如可以在图12的矩阵内看出的，随着时间，这个证据趋向于以指示与不同的分类参数相关联的离散的、可识别的观看者的方式而成为群集。

在图13内进一步图解了这一点。在图13的示例内，以三维图描述了累积证据以识别观众的离散的观看者的这个处理。因此，学习处理的结果是在学习矩阵或者多维(在这种情况下为二维)特征地形内的梯度或者丘陵或者山脉的集合。在这种情况下，具有较高梯度上升的较高丘陵或者“山脉”提供了最好的证据：它们在学习矩阵内的地点是观看者的地点。从在由分类参数段(例如年龄组)定义的每个单元内的计数来构造所述丘陵。计数越大，则所述丘陵越高，因此，更肯定特征对应于观众的一个观看者。从上面看，梯度和它们的上升形成拓扑图，如图14内所示。轮廓线的密度和高度反映了显示离散的和可识别的观看者的群集。因此，图14的图反映从学习处理识别的三个可能的观看者。注意，允许在围绕的年龄组之间的一定程度的重叠的模糊地形映射提供了观看者的实际分类参数值的更精确的估计。即，在相邻的模糊集内的证据的内插使得能够估计不限于所述集定义的实际参数值。这个内插不必是线性的，并且可以例如作为重心内插而被执行。其考虑了在每个模糊集内的梯度高度以及在所述集内的高度的定标的隶属度。

用于向地形应用证据的处理可以因此产生模糊化的地形。即，不是根据所确定的分类参数值而简单地向地形的单元应用“计数”，而是可以有效地增加计数来作为地形特征(例如丘陵)，其中心位于单元上(或者在单元边界之上或者附近)，但是包括溢出到相邻的单元的剩余值。所述剩余值可以在多维上溢出到相邻的单元上。在一种实现方式内，通过近似计算来限定这个效果。以模糊化的方式来向地形应用证据的结果是可能增强的用户定义以及用于在多个用户之间区分的增强的能力。

通过参见涉及三个分类参数维数的示例：即性别、年龄和日时间来说明近似算法和地形播种(seeding)噪声减少过滤。所述特征地形可以被看作被由多个子立方体或者颗粒构成的立方体限定。例如，地形立方体可以由7680个颗粒构成，所述7680个颗粒是2x80x48个颗粒，其对应于两个性别、80个年龄和48个半小时时间类别。所述颗粒的每个可以被填充(populate)参考值或者噪声值。例如，可以从在所有可以获得的节目频道上测量的每个年龄、性别和时间上的预期观看者的统计分析来得出所述噪声值，对于所述可以获得的节目频道，尼尔森、bbm或者另一种收视率系统具有观察者(或者基于针对目标的广告系统的先前报告的信息)。所述噪声可以根据适当的函数(例如通过经验或者理论得出的)从这些观看者的分布被得出，并且可以像或者可以不像平均值或者加权平均值那么简单。在任何情况下，是这个噪声偏差消除了证据中的对应随机性，仅仅当所述证据重复地与其行为匹配地形的(年龄、性别、时间)坐标的实际观看者相关联时，留下证据的轨迹或者残余。

可以明白，所述颗粒定义和利用参考值或者噪声的颗粒的填充不限于参考值的来源的粒度，诸如标准的尼尔森类别。而是，所述参考值可以被内插或者估计以匹配地形立方体的所定义的颗粒大小。因此，例如，可以相对于16个年龄性别组提供尼尔森源数据，而如上所述的地形立方体可以包括2x80个对应的颗粒(或者颗粒的列，其中，列轴对应于时间维)。关于这一点，可以使用各种数学技术。例如，年龄分布可以与曲线或者函数相适配，可以随后对于每个年龄值求解所述曲线或者函数。对应的值然后被应用来向地形播种。

证据是正在观看电视节目(其在特定时间播放)的特定年龄和性别的观看者的统计频率。尼尔森频率和节目时间的组合对于每个时段产生16个证据(存在具有其观看频率的8个男性和8个女性组)。找出这16个证据的哪个对应于实际观看者是在分类器底层的统计学习模型的工作。进行这个确定的基础是用于向地形加上证据的方法。其包括：首先如下应用所述的噪声过滤器：

(1)d＝f(a,g,t)–r(a,g,t)

其中，(f)是被观察的证据，(r)表示那个年龄、性别和时间的噪声。这个值(d)将是正的或者负的。结果以逐个颗粒为基础被加到地形(t)：

(2)t(a,g,t)＝t(a,g,t)+d

如果从到来的统计随机地得到证据，则正负残留(d)的数量将大致相等，并且在那个点的地形值(t)的总和也是0。但是，如果证据与实际观看者相关联，则我们将预期到在频率统计上的小的但是持久的偏差在那个真实的观看者周围累积。随着时间，这表示残留(d)将更经常地是正的，而不是负的，并且在地形立方体的轮廓线将开始生长。当增加更多的证据时，轮廓线生长为在地形上的小丘陵。这个小的丘陵是实际观看者(实际上，因为时间轴，观看者看起来像是连接的丘陵的山脊，略微像蜿蜒的山脉的范围)。

但是因为这是统计学习模型，并且因为增强是偶发性的(由于不一致的观看者行为)，因此模糊化或者扩展证据以例如以少量的概率证据来围绕每个出现的轮廓是有用的，所述少量的概率证据将帮助我们定义在时间维上的实际观看者的行为。为了如此进行，我们获得证据(d)，并且使用其来填充邻接的颗粒。在来自目标地形颗粒的一系列同心圆中如此进行。因此，对于第一组相邻的颗粒(在年龄、性别和时间的所有方向上)，我们增加x1＝d*.10，对于下一组，x2＝x1*.05，对于下一组，x3＝x2*.025，等等，直到乘数降低到小于某个阈值。可以明白，这些乘数仅仅是示例，可以使用根据经验或者通过理论得出的其他值。作为示例，如果d＝100，则近似值将看起来类似于此，

可以看出，在每个外层的值基于前一个层的一部分(不是原始值)。当然，在实际地形内，原始值很小，因此在每个外面的单元内的值非常非常快地变得非常非常小。但是，随着时间，它们提供了用于支持有效轮廓地点的生长的足够的附加证据。

使地形膨胀(fillout)的近似算法也提供了用于发现谁正在观看与dstb相关联的电视的迅速和有效的方法。与观看者相关联的轮廓或者丘陵的山脊蜿蜒通过三维地形立方体。通过增加在建立地形(在前一个部分内的x1，x2，x3等)期间储备(laydown)的微量部分证据，这些丘陵在地形上被平滑(可说是使得“更丰满”)。为了找到观看者，在特定时间在性别/年龄轴上的丘陵可以被求和与平均。观看者是具有最大平均高度的丘陵。作为选用，近似算法可以用于综合这些丘陵。例如，当确定与给定的颗粒相关联的高度值时，可以增加相邻颗粒的高度的一部分和颗粒的下一个外层的小部分。这略微类似于在此所述的山脉成群算法，并且可以被用作其替代。

如上所述，可以作为日时间的函数而产生这些地形。例如，数据可以被堆积在以每小时、每半小时或者其他(例如匹配早间、日间、晚间新闻、黄金时间、深夜等的不规则间隔)为基础从不同的日时间收集数据的“箱子(bin)”内。再一次，向这些箱子应用证据的处理可以被模糊化，以便证据在时间和其他维上在一定程度上溢出到相邻的箱子内。证据可以在多天在这些箱子内被综合。作为结果产生的地形可以被概念化为对应于独立的时间范围的多个地形或者具有时间维的单个地形。这个功能可以被实现为对于如下所述的独立周期性分析的替代。

先前的示例已经反映了容易解译的较为干净的数据集，以便识别离散的观看者和它们相关联的分类参数。事实上，真实世界数据可能更难以解释。在这一点上，图15图解了在这一点上的更困难的数据集。具体上，图15的特征地形不容易产生关于观众中的观看者的数量或者他们的特定分类参数的解译。任何数量的因素可以产生这样的复杂性。例如，可以在不同的观众成员之间传递遥控器，点击流可能被其他观众成员影响，大的持续时间的点击事件可以反映分心而不是感兴趣，观看者可以具有不干净地反映他们的分类参数等的节目兴趣的范围。

为了解析诸如在图15内图解的数据的复杂数据，分类器实现梯度地形的噪声去除和重新标准化的处理。目标是找到证据的实际中心，以便可以精确地识别观看者的数量和他们的分类参数。可以被实现以用于去除或者削弱噪声的一种类型的处理包括：考虑相对于全部观众而采用的参考值，例如在那个时间的所有事件的平均值。例如，地形可以被播种参考值，或者可以在证明对应于单独事件的数据有资格或拒绝数据中考虑参考值。在一种实现方式内，以逐个事件为基础，将数据与参考值相比较，以证明要堆积到箱子内的数据有资格用于扩展地形。这具有拒绝看起来可能表示噪声的数据的效果。实际上，当证据应用到地形时，从证据减去参考值，因此妨碍了下述处理：构造地形特征以使得地形特征仅仅作为有可能反映实际用户的证据的持久或者相干累积的结果而出现，并且避免了伪峰值。选择参考值来作为平均值、加权平均值或者与观察环境相关的一些其他值(但是实质上没有有可能偏离用户识别和定义问题的信息)具有下述效果：定标过滤效果，以正确地处理噪声，而不禁止有意义的地形构造。另外，可以相对于存在检测器证明数据有资格。如上所述，通过参考dstb的通/断状态，并且/或者通过在一个时段上不存在输入或者输入较少，可以指示存在。可以排除当存在检测器指示没有用户被认为“存在”时获取的数据。

噪声去除可以还包括：消除伪中心和偶发性的证据计数，而不在可能的程度上干扰实际中心。在这一点上，图16图解了相对于图15的数据的观看者地点的可能标识。图17图解了图15的数据的一种替代的并且也可能有效的解译。分类器实现一种算法，所述算法被设计来确定竞争的可能有效的解译中的哪个最可能是正确的。这种算法一般涉及梯度解构。所述解构处理是迭代处理，其通过下述方式来找到梯度中心：首先去除低电平的干扰噪声(因此显示候选的丘陵)，然后测量围绕地点区域的丘陵的分布的紧凑程度。在这一点上，可以实现山脉成群算法，以迭代地识别峰值，去除峰值，并且修改地形。影响是识别群集中心，并且将群集中心之间的丘陵平滑，以便群集中心变得越来越清楚。特征地形在此被处理后的剩余地点是推定观看者的地点。

通过参考窗口图18-21，可以进一步明白这种山脉成群和噪声减少功能。图18示出了特征地形的学习矩阵，其具有在表面上散布的一组梯度。在所述算法的第一次迭代内，如图19所示，梯度c1被识别为最大山脉。测量从c1的重心到在表面上的每个梯度(例如c2、c3等)的中心的距离。在每个梯度上的山脉解构的程度与在c1和其他群集的每个之间的平方距离成反比。这种反平方(inversesquare)机制将几乎所有的山脉解构本地化到c1的邻居。因此，图20示出了作为这个第一次迭代的结果的、接近c1的特征的较大解构。这使得在c1的出现地点的总体周长收缩。所述收缩也涉及小梯度的吸收，因此，c1的高度增加，并且相邻的多丘陵被减少。同时，c3的高度几乎不变，并且其卫星梯度级还没有开始被吸收。然后对于c3重复所述处理。在多次迭代后，最后的地点开始出现和稳定。图21示出了在大多数较小的梯度已经被吸收后的地形。作为结果产生的被处理的地形或者特征空间在每个推定的观看者地点具有被良好地定义的梯度。山脉成群处理因此实质上去除许多模糊性。

对于周期性分析执行类似处理。具体上，周期性学习矩阵以类似于观看者分类参数矩阵的构造和更新和其向特征地形的转换的方式被建立和更新。在这种情况下，周期性地形产生一组梯度，用于通过它们的高度和宽度来定义观看者在那个时间点正在观看电视的预期。可以然后使用一种匹配算法来将周期性模式匹配到被识别的观看者之一。

c.工作模式运行

当分类器已经被充分地训练后，其从学习模式操作移动到工作模式操作。如上所述，这些模式不完全地截然区分。例如，分类器在仍然处于学习模式中时可以执行分类参数的估计，并且分类器在工作模式期间继续学习。但是，如上所述，学习模式是收集证据并且测量在学习矩阵内观看者地点的可识别程度的渐进处理。因此，在分类器可以使用默认值而迅速地运行时，工作模式操作反映观众的多个观看者已经以高的置信度被识别并且被分类的判定。

在图22内图解了工作模式分类器的基本操作。在工作模式内，分类器2600访问如上所述所产生的特征地形，并且访问类似性函数，其用于将目标针对参数与由观看者标识指示的分类参数相匹配。具体上，尼尔森数据2602和节目数据2604在工作模式内继续被馈送到分类器2600，以支持实质上在后台运行的其连续的学习处理。分类器2600然后从广告列表2608接收adr。adr初始被过滤以获得高级的适用性，然后如果仍然可以获得ads来用于匹配分析，则adr选择每个观看者和每个观看者的每个分类参数以进行比较。因此，图22描述了访问观看者的分类的处理。在这种情况下，矩阵2606是限于性别和年龄分类参数的二维矩阵。实际上，可以支持任何数量的分类参数。

用户的所检索的分类参数值和广告的目标针对参数因此被提供到类似性和接近性分析器2612，在此比较它们。这个功能返回每个属性的类似程度。总的兼容性或者相对兼容性分级(rcr)被给出为：

其中，

si是第i个属性的类似性量度

wi是第i个属性的加权因子。如果不使用加权(优先级或者分级)，则默认w＝1表示加权不影响分级。

通过这个处理，可以发现一个广告与观众的一个或多个观看者兼容。例如，可以相对于rcr阈值确定这样的兼容性。因此，当发现一个广告与一个或多个观看者兼容时，调用周期性分析器2616，以查看观看者是否有可能在目标广告插入时间存在。如果观看者不可能正在观看，则这个时间约束的程度用于调整rcr。因此，将rcr重新计算为：

其中，

l()是来自周期性分析的可能性估计函数。这个函数返回在间隔[0，1]内的估计的模糊度(其实际上是在目标周期和每个观看者的有效周期之间的类似程度)

p^t是目标周期

因此，如果在用户的分类参数和广告的目标针对参数之间有高的匹配度，并且有很高的可能用户将在广告传递时间观看，则rcr将具有较高值。即使观看者的分类参数是给定的广告的很好的匹配，在其中观看者不在观看的情形，这个公式还具有低兼容性的期望质量。

投票代理2614紧密地连接到工作模式分类器2600的操作。具体上，投票的有效性高度依赖于正确地识别观看者的分类参数和观看习惯的能力。因此，投票代理2614实质上以与观看列表分级相同的方式来工作。具体上，adr被发送到投票代理2614，投票代理2614提取广告目标针对参数，并且调用分类器2600，其返回用于这个广告的rcr。以这种方式，不仅对广告投票，而且根据匹配处理传递广告。

d.匹配功能

通过参考图23-26，可以理解如上所述的用于执行各种匹配功能的类似性函数。因此，如上所述，当在分类器接收到adr以分级时，在adr内嵌入目标针对参数和任何广告限制。adr也可以指示广告的“重要性”。例如，这样的重要性可以基于广告价格(例如cpm值)或者另一个因素(例如网络运营商可以至少对于指定的地理区域(诸如在哪里可以获得竞争网络或哪里变得可以获得竞争网络)指定内部营销的高度重要性)。分类器也访问观众内的各个观看者的分类参数，如上所述。在匹配处理中的第一步骤是向每个分类参数和目标针对参数的应用类似性函数，诸如模糊类似性函数。所述类似性函数然后确定目标针对参数与分类参数类似或者兼容的程度。对于每个分类/目标针对参数的值的汇集的类似性的加权平均值是基本匹配分数。

具体上，所图解的分类器将目标针对参数模糊化，并且找到在这个模糊化区域内的用户的对应分类参数的隶属度。因此，如图23内所示，广告的目标针对参数可以指定24-42岁的目标年龄范围。如图23内所示，这个目标针对参数被重新定义为模糊集。不像严格集那样，模糊集在分类参数(在这种情况下为年龄)的整个域上具有小但是真实的隶属值。隶属函数表示匹配处理不能自动识别和分级接近目标范围但是也许不在目标范围内的分类参数值。作为示例，图24示出了具有推断的26岁年龄的推定观看者。在这种情况下，观看者正好位于目标年龄范围内。隶属度因此是1.0，指示与目标年龄的完全兼容性。事实上，在目标年龄范围内的任何年龄将返回1.0的匹配隶属关系。但是，匹配处理也可以处理所检索的分类参数与目标针对参数范围不匹配的情况。图25图解了观看者被估计为20岁并且因此在严格的目标范围边界之外的情况。如果分类器具有布尔选择规则，则将不选择这个观看者。但是，模糊目标空间的特性意味着观看者2被分配了大于0的类似性或者兼容性值，在这种情况下为0.53。分类器现在具有包括观看者2的选项，知道所述观看者与目标范围适度地兼容。

图26示出了略微不同的情况——观看者具有在所要求的年龄间隔之外的推断年龄。如通过隶属函数所示，当观看者年龄偏离被识别的目标年龄间隔时，隶属函数迅速地减弱。在这种情况下，观看者3具有仅仅0.18的兼容性，用于指示其通常是具有24-42年龄要求的广告的不良候选者。但是，注意，所述模糊兼容性机制表示，如果存在任何观看者，则分类器可以找到和分级观看者。

总之，匹配算法可以包括下面的步骤。首先，从与一个或多个所识别的观看者的匹配接收adr。对于每个参数应用类似性函数，并且如上所述汇集结果，以便确定匹配程度。一旦分类器已经发现了匹配广告基本目标针对参数的一个或多个观看者，则分类器确定这些观看者的任何一个是否当前正在观看电视。为了如此进行，调用周期性分析函数来将星期的日子和星期的日时间地形表面与所需要的时间进行匹配。这个处理返回用于反映在每个观看者的观看时间行为和广告的时间帧之间的预期匹配程度的值。在此处的匹配程度用于定标基本兼容性分数，以产生时间兼容性分数。一旦分类器已经因此识别了一组兼容观看者并且确定这些观看者的哪个当前正在观看电视(即时间兼容性值大于某个阈值)，则分类器根据任何频率限制并且考虑广告的重要性来确定是否接受这个广告(对广告投票或者选择广告以用于传递)。即，可存在与广告相关联的其他限制，所述其他限制是关于广告可以被传递到个体观看者的频率或者广告可以被传递到观看者的总的次数。频率分析器返回用于定标时间兼容性分级的值和范围0到1。这产生了频率兼容分级。在广告重要性的情况下，由于广告重要性上的差别(例如其中，第一广告具有更高的重要性)，可以选择(和投票)第一广告，而不是第二广告，其中，所述广告具有类似的“匹配”程度，或者甚至其中，第二广告具有更好的匹配。

广告也可以具有多个约束。例如，广告可以具有目标年龄限制、类型限制、网络限制、节目特性限制或者收视率限制等。布置(placement)约束分析器满足上述的兼容性要求，并由此搜索任何所需要的布置约束。布置分析返回1或者0的入口(gateway)值，其中，1表示没有有效的布置限制，0表示违反了布置限制。这产生了最后的兼容性指数分数。

可以明白，匹配处理不必基于连续的、或者甚至精细地分等级的取值范围。例如，匹配处理的结果可以是二进制“匹配”或者“不匹配”确定。在这一点上，可以使用一个阈值或者具有相关联的判定逻辑的一组阈值来定义广告相对于当前观众的匹配或者缺少其匹配。

如图10内所示，分类器可以因此被看作包含多个功能部件，其中包括状态(stay)转换和链接管理器、特征获取子系统、山脉成群子系统、周期性分析子系统以及广告匹配和分级子系统。所述状态转换和链接管理器操作用于监控点击流，并且确定dstb是否被接通，并且跟踪状态改变。所述特征获取子系统操作用于建立如上所述的初始特征地形。山脉成群子系统用于处理所述特征地形，以去除噪声，并且如上所述更好地限定观看者地点。所述周期性分析子系统识别观看模式，并且将那些模式与从所处理的特征地形空间识别的观看者相匹配。最后，广告匹配和分级子系统将观看者分类参数与广告目标针对参数相比较，并且也分析与传递时间相关联的观看者的观看习惯，以便将广告与观看者匹配，并且产生用于投票、广告选择和报告的分级系统。

本发明的上述说明已经被提供来用于图解和说明。而且，所述说明不意欲将本发明限于在此公开的形式。因此，变化和修改与上述的教程相称，并且相关技术的技术和知识在本发明的范围内。例如，虽然上面结合各种处理描述了模糊集和模糊规则，但是可以在没有模糊数据集或者规则的情况下实现本发明的多个方面。如上所述的实施例还意欲说明实践本发明的已知最佳方式，并且使得本领域内的其他技术人员能够在这样的或者其他实施例内使用本发明，并且在具有由本发明的一个或多个特定应用或者一个或多个用户要求的各种修改的情况下使用本发明。意欲所附的权利要求被解释为包括由现有技术允许的程度上的替代实施例。