专利名称：推荐节目信息提供方法和装置的制作方法
技术领域：
本发明涉及推荐节目信息提供方法和装置，用于提供关于从多个将要广播的节目中选出的推荐节目的推荐节目信息。
背景技术：
随着近年来如CATV、CS广播和数字地面广播等数字广播的多信道技术的发展，产生了数量过多的视频内容。在这种情况下，即使是在电视上选择要观看的节目也会使用户感到麻烦。因此，从数量巨大的节目中选择与用户偏好相匹配的节目，并将它们推荐给用户的服务已经受到广泛关注。例如，已经提供了以下与节目推荐相关的技术。
(1)基于过去观看过的节目的属性的节目搜索(参见JP-A07-135621(特开)和JP-A 10-032797(特开)) 该技术通过包含表征节目的各种属性的向量来表示这些节目，并在产生的向量空间中排列所有这些节目。该技术随后基于观看者过去观看的节目的属性，通过在向量空间中计算欧氏距离(Euclidean distance)来搜索相似的节目，并将它们推荐给观看者。该技术只有在积累了足够数量的观看者的观看历史的情况下才运行良好。
(2)使用分类模型对将要观看的节目进行推荐(参见JP-A2000-333085(特开)和JP-A 2001-160955(特开))该技术设计成学习一个模型，该模型通过使用指示观看者过去是否观看过每个节目的信息作为教导信号，将节目划分成两大类观看者过去观看过的节目和观看者过去没有观看过的节目。该技术随后基于该模型预测观看者是否想要观看未来将要广播的节目，并将预测会被观看的节目推荐给观看者。虽然该技术能够阐明观看者过去观看过的节目/过去没有观看过的节目的大致倾向，但是其仍然难以把握少见的观看倾向。
(3)基于协同过滤的预留/记录功能(参见JP-A 2000-114903(他开))
该技术基于给定观看者A过去的观看历史，从许多其它的观看者中选择具有相似观看倾向的观看者B，并把观看者B看过的节目推荐给观看者A。该技术只有在存在许多观看者、并且他们中的一些具有相似偏好的情况下才能运行良好。而且，该技术在处理没有积累任何观看历史的新节目时也存在困难。
如上所述，设计来推荐广播节目的传统系统不足以使得节目推荐匹配于观看者的表演者偏好和习惯。
发明内容
一种推荐节目信息提供装置，包括第一存储器，用于存储用户的历史信息，所述历史信息包括与节目广播相对应的观看结果，每个观看结果指示所述用户是否观看过对应的节目广播；第二存储器，用于存储偏好模型，所述偏好模型描述了所述用户的观看结果和导致所述观看结果的多个原因之间的因果关系；第三存储器，用于存储节目指南信息，所述节目指南信息包括与多个将要广播的节目相关的信息；计算单元，配置来基于所述偏好模型和所述节目指南信息，计算所述将要广播的节目中的每一个的推荐程度；选择单元，配置来基于所述将要广播的节目中的每一个的推荐程度和所述历史信息中的观看结果，从所述将要广播的节目中选择推荐节目，所述观看结果对应于过去一段预定时期内的、和所述将要广播的节目中的每一个具有特定关系的广播节目；以及产生单元，配置来产生包括与所述推荐节目有关的信息的推荐节目信息。
图1是示出根据一个实施例的推荐节目信息提供装置的示意性配置的方框图；图2是示出了观看者偏好模型的一个例子的视图；图3是示出了在根据该实施例的推荐节目信息提供装置中用于产生偏好模型的过程的例子的流程图；图4是示出了将图2中示出的偏好模型中的贝叶斯网络(Bayesiannetwork)的结构以计算机可读的形式写入的一个例子的视图；图5是示出了电视节目信息的一个例子的视图；图6是示出了给定观看者对于图5中示出的电视节目信息的观看历史信息的例子的视图；图7是示出了根据图2中示出的偏好模型计算并输出的条件概率表的值的例子的视图；图8是示出了在根据该实施例的推荐节目信息提供装置中用于产生推荐节目信息的过程的例子的流程图；图9是示出了推荐节目信息的一个例子的视图。
具体实施例方式
本发明的实施例将参考附图在下文中描述。
注意，以下描述将通过举例来说明，其中将要播映的内容(电视节目)作为对象进行处理，选择与观看者偏好相匹配的内容并推荐给观看者。然而，本实施例并不限于此，它可以应用到一般意义上的广播内容中(如卫星广播节目、有线广播节目和因特网广播节目)。
图1示出了根据本实施例的推荐节目信息(RPI)提供装置的结构的一个例子。
如图1所示，根据本实施例的RPI提供装置2包括节目管理单元20、观看历史管理单元30、电子节目指南(EPG)数据管理单元40、偏好模型产生单元50和推荐节目信息(RPI)产生单元60。
节目管理单元20管理节目的信息。更具体的，节目管理单元20从广播通信终端1获取电子节目信息(电子节目指南)(在下文中称为EPG数据)或者(特定)观看者的观看历史信息，并把推荐节目信息(RPI)提供给广播通信终端1。节目管理单元20还和RPI提供装置2中的各个单元交换必要的信息。
注意，RPI提供装置2既可以和广播通信终端1合并在一起，也可以是一个独立于广播通信终端1的装置。在后一情况下，节目管理单元20包含用户接口，用于和广播通信终端1进行通信。
广播通信终端1从例如外部广播通信设备接收EPG数据，并通过例如监控观看者的电视操作来获取观看者的观看历史信息。
广播通信终端1显示从RPI提供装置2提供的推荐节目信息。
参考图1，RPI提供装置2也能配置成从广播通信终端1之外的装置中接收EPG数据和/或观看历史信息，并将推荐节目信息提供给广播通信终端1之外的装置。
注意，本实施例示例性地将电视节目作为广播内容，因此用于以下描述的EPG数据、观看者的观看历史信息以及推荐节目信息都与电视节目相关。然而本发明并不限于该实施例所例示的内容，其还可以应用到具有多种格式和定义的信息中。此外，这样的信息能够以多种形式进行输入，如键盘输入、远程控制输入、通过网络的在线输入和从作为信息传送介质的磁带中读取。
EPG数据管理单元40从节目管理单元20中接收和管理EPG数据，并周期性地更新该数据。输入到EPG数据管理单元40的EPG数据记录在电子节目指南数据数据库(EPG数据DB)41中。
观看历史管理单元30从节目管理单元20中接收和管理观看者的观看历史信息，并周期性地更新该信息。输入到观看历史管理单元30的观看历史信息记录在观看历史信息DB 31中。
偏好模型产生单元50基于EPG数据和观看历史信息产生偏好模型，该偏好模型用来描述观看者的节目观看偏好。如图1所示，偏好模型产生单元50包括偏好模型学习单元51、偏好模型管理单元52和偏好模型数据库(偏好模型DB)53。
偏好模型学习单元51从EPG数据管理单元40和观看历史管理单元30中，接收过去一段预定时期内的EPG数据和与它们相对应的观看者的一些观看历史信息，并基于这些观看历史信息产生偏好模型。注意，偏好模型学习单元51还有以下功能接收与未来将要广播的节目有关的EPG数据和观看历史信息，并且周期性地、或在输入预定数量数据时更新偏好模型。
偏好模型管理单元52管理结构定义数据和条件概率值，它们将作为偏好模型在后文中详细描述。
偏好模型DB 53用来记录偏好模型学习单元51所产生的偏好模型。
RPI产生单元60基于由偏好模型产生单元50所产生的偏好模型以及EPG数据来选择匹配于观看者的偏好的节目作为将要推荐的节目，其中该EPG数据与作为推荐候选的节目有关。RPI产生单元60随后产生推荐节目信息，该推荐节目信息包含与所选择的推荐节目相关的信息。RPI产生单元60包括观看概率计算单元61、习惯反映单元62、推荐节目信息(RPI)管理单元63和节目推荐信息数据库(DB)64。
观看概率计算单元61从EPG数据管理单元40中接收EPG数据，从偏好模型管理单元52中接收偏好模型的条件概率值，并计算将要广播的电视节目的观看概率，从而产生推荐节目列表，在该推荐节目列表中，按照观看概率的降序对包括至少一些可以用于将节目指定为推荐候选的信息以及对应所述节目的观看概率的数据进行排列。在这种情况下，观看概率用作推荐程度。
例如当与将要广播的给定节目具有特定关系的已经广播的节目存在于过去的一段预定时期内时，习惯反映单元62修正该将要广播的节目的观看概率，或者把该将要广播的节目从候选列表中移除，下文将有详细描述。
RPI管理单元63基于推荐节目列表的内容选择要推荐的节目，并产生推荐节目信息，该推荐节目信息包括了将推荐节目展现给观看者所必须的关于推荐节目的信息。
节目推荐信息DB 64存储推荐节目列表和推荐节目信息。
根据本实施例的推荐节目信息提供装置的操作将在下文详述。
首先将描述用于在根据本实施例的推荐节目信息提供装置的偏好模型产生单元50中产生偏好模型的过程。
偏好模型产生单元50基于过去一段预定时期内的EPG数据和观看历史信息，产生描述观看者的节目观看偏好的偏好模型。
图2示出了本实施例中作为对象的偏好模型的一个例子。
图2中示出的偏好模型是用贝叶斯网络表示的一个模型。贝叶斯网络是一个概率网络，它是一个基于图形结构的概率模型，该图形结构通过表示节点的概率变量并在具有依赖性关系，如因果关系或相关性的变量之间建立链接来获得。由贝叶斯网络表示的偏好模型是由非循环有向图表示的模型，在非循环有向图中，链接指向因果关系的方向，且追踪链接的路径不是循环的。图2中示出的偏好模型是将“节目类型”、“表演者偏好”、“节目内容偏好”和“观看”描述成概率变量的偏好模型，也是一种概率变量“节目类型”、概率变量“表演者偏好”和概率变量“节目内容偏好”影响概率变量“观看”的因果关系。
注意，图2中示出的概率模型仅是一个举例，本实施例并不限于此。
图3示出了根据本实施例的用于产生偏好模型的过程的一个例子。
偏好模型产生单元50中的偏好模型学习单元51装载用于定义偏好模型的结构的结构定义数据(步骤S1)。
图4示出了这个结构定义数据的实例。图4中的数据以计算机可读的形式描述了在图2中例示的偏好模型中贝叶斯网络的结构。
图4中的结构定义数据定义了4个要素，如“节目类型”，“表演者偏好”，“节目内容偏好”和“观看”作为概率变量。同时也定义了各个概率变量所取的值。例如，数据指示有10种值作为概率变量“节目类型”，即“新闻(News)”、“体育(Sports)”、“戏剧(Drama)”、“音乐(Music)”、“多样性(Variety)”、“电影(Movie)”、“动画(Anime)”、“记录片(Documentary)”、“趣味(Hobby)”、“信息(Info)”。同样的，该数据指示概率变量“表演者偏好”取两种值，即“喜欢”和“其它”，概率变量“观看”取两种值，即“观看(TRUE)”和“不观看(FALSE)”。此外，为了定义因果关系，数据将“父节点(Parent)”描述成原因概率变量，“子节点(Child)”描述为结果概率变量。
偏好模型学习单元51从EPG数据管理单元40中装载过去一段预定时期内的EPG数据(步骤S2)。
图5示出了EPG数据(电视节目信息)的一个例子。图5中例示的EPG数据包括了每个节目的如日期、广播站、开始时间、结束时间和名称等属性。注意，在必要时，诸如来宾信息等其它属性页被增加到该数据中。图5中示出的数据表明2005年1月18日，名称为“AAA新闻”的电视节目从4:30到8:15在N电视台广播，名称为“BBB电视”的电视节目从11:25到11:30在F电视台广播，名称为“CCC节目”的电视节目从12:00到13:00在F电视台广播。该数据也表明，Yamori、Masami Hisano、Masahiro Nakata和Tomomitu Yamamoto作为来宾出现在名称为“CCC节目”的电视节目上。
偏好模型学习单元51从观看历史管理单元30中装载过去一段预定时期内的观看历史信息(步骤S3)。
图6示出了给定观看者针对图5例示的EPG数据的观看历史信息。参考图6，符号“TRUE”或“FALSE”用来表明对于图5中示出的EPG数据的观看历史信息。更具体的，属性“TRUE”表明该节目被观看或记录过，而属性“FALSE”则表明该节目没有被观看或记录过。在图6中示出的具体例子中，“BBB电视”和“AAA新闻”是属性“观看”被设置成“TRUE”的节目。因此，在图6示出的情况下，观看者观看了这两个节目而没有记录它们。在这种情况下，观看历史信息是用来表明观看者实际是否观看了该节目的信息。
注意，步骤S1至S3的执行顺序是可以任意更改的。或者完全可以并行地执行这些步骤。
偏好模型学习单元51计算贝叶斯网络中的每个概率变量的条件概率值(步骤S4)。偏好模型DB 53随后将这些值与结构定义数据一起存储为偏好模型(步骤S5)。步骤S4中条件概率值的计算方法可以是从图6中所示的过去一段预定时期内的观看历史信息中，计算和条件相符合的节目的频率作为条件概率值，或者通过使系统设计者设置一个任意值来获得这个值。
图7示出了本实施例计算并输出的条件概率表的值的一个实例。在这种情况下，条件概率表中的值是通过使用图6中所示的观看者的观看历史来计算的。然而，完全可以使系统设计者或用户提前设置任意值。
参考图7，定义了概率变量“节目类型”取各种值的情况下的概率值。例如，第一行的描述
(节目类型＝News)->0.179326表明节目类型为“新闻”的节目的概率值是“0.179326”。这个值可以通过例如计算包括在图6所示的观看者的观看历史内的、概率变量“节目类型”的值为“新闻”的所有节目的节目频率来获得。同样的，下面定义了各种节目类型，如“体育”和“戏剧”的概率值。
对于图7中的概率变量“表演者偏好”，与表演者相关的偏好程度被定义成一个二元概率变量。例如在图7中，描述(表演者偏好＝喜欢)->0.1表明概率变量“表演者偏好”的值是“喜欢”的节目(即，出现了喜欢的表演者的节目)的出现概率是“0.1”。根据确定该值的过程，例如首先通过把图6中示出的观看者的观看历史中所包含的观看过的节目中的表演者认为是观看者喜欢的表演者，来产生观看者喜欢的表演者的列表。然后参考该产生的列表把每个节目中的每个表演者的偏好信息(“喜欢”或“其它”)分配到列表中。进一步地，所有节目中的每条偏好信息所分配到的每个节目的频率被叠加起来。
对于图7中的“节目内容偏好”，关于节目内容的偏好程度由一个二元概率变量定义。例如，在图7中，描述(节目内容偏好＝喜欢)->0.1表明概率变量“节目内容偏好”的值是“喜欢”的节目(即，具有喜欢的内容的节目)的出现概率是“0.1”。根据确定该值的过程，例如首先通过从包括在图6所示的观看者的观看历史中的观看过的节目的节目内容中提取关键字，将所提取的关键字认为是观看者喜欢的节目的关键字，来产生观看者喜欢的关键字的列表。然后参考该产生的列表把每个节目内容的偏好信息(“喜欢”或“其它”)分配到列表中。进一步地，所有节目内容中的每条偏好信息所分配到的每个节目的频率被叠加起来。
根据图2中所示的偏好模型，概率变量“节目类型”、概率变量“表演者偏好”和概率变量“节目内容偏好”影响了概率变量“观看”的概率值。因此，概率变量“观看”的概率值在概率变量“节目类型”、概率变量“表演者偏好”和概率变量“节目内容偏好”的各个值的各种变化下定义。例如，图7中倒数第5行(节目类型＝Variety & 表演者偏好＝喜欢 & 节目内容偏好＝其它)->(观看＝TRUE)->0.801654，(观看＝FALSE)->0.198346表明对于概率变量“节目类型”的值是“多样性”、概率变量“表演者偏好”的值是“喜欢”、概率变量“节目内容偏好”的值是“其它”的节目，观看者想要观看的概率值是“0.801654”，观看者不想观看的概率值是“0.198346”。例如，这些值能够根据图6中所示的观看者的观看历史中的出现频率，通过计算有无概率变量“观看”的节目的频率，在观看历史中包含的，概率变量“节目类型”的值是“多样性”、概率变量“表演者偏好”的值是“喜欢”，以及概率变量“节目内容偏好”的值是“其它”的节目的频率而获得。
根据本实施例的推荐节目信息提供装置的RPI产生单元60中用于产生推荐节目信息的过程将在下文中描述。
RPI产生单元60基于偏好模型和与未来将要被广播的作为推荐候选的节目相关的EPG数据来产生推荐节目信息，该偏好模型由偏好模型产生单元50基于过去一段预定时期内的EPG数据和观看历史信息而产生。
图8示出了本实施例中用于产生推荐节目信息的过程。
首先，RPI产生单元60中的观看概率计算单元61装载与将要广播的节目相关的EPG数据(例如，如图5所示的EPG数据)，这些数据由EPG数据管理单元40管理，且是下面处理的对象(步骤S11)。
观看概率计算单元61基于EPG数据和来自偏好模型管理单元52的偏好模型的条件概率值，计算观看者对于未来将要广播的每个电视节目的概率值(观看概率)(步骤S12)。
这些观看概率值通过基于偏好模型的概率推论来获得。例如，如果显然未来将要广播的电视节目的节目类型是“多样性”，那么观看概率计算单元61通过使用图7中所示的诸如条件概率值的概率分布，根据以下式子计算给定观看者对于该节目的观看概率P(观看＝TRUE|节目类型＝多样性)
P(观看＝TRUE|节目类型＝多样性)＝P(观看＝TRUE)·P(节目类型＝多样性|观看＝TRUE)/P(节目类型＝多样性)。
注意，如果由图4所示的结构定义数据所定义的偏好模型具有复杂的结构，由于计算量非常大，优选通过近似计算技术来执行该计算。已经提出了多种近似计算技术闭环置信度传播方法(loopy beliefpropagation)(例如K.P.Murphy，Y.Weiss，M.I.Jordan，″Loopy beliefpropagation for approximate inference″，一种经验研究，In Proc.of Conf.Uncertainty inArtificial Intelligence(UAI-99)，(1999))，和多种取样技术(例如M.Henrion，″Propagation of uncertainty by probabilistic logicsampling in Bayes’networks″，J.F.Lemmer & L.N.Kanal(Eds.)，Uncertainty in Artificial Intelligence 2，pp.149-163，(1988)，和R.Fung，C.K.Chang，″Weighting and integrating evidence for stochasticsimulation in Bayesian networks″，In Proc.of Conf.Uncertainty inArtificial Intelligence(UAI-89)，(1989))。这些技术中的任何一种都完全可以被采用。
观看概率计算单元61产生推荐候选节目列表，该推荐候选节目列表中数据按照观看概率的降序排列(步骤S13)，这些数据至少包括一些能够指定各个节目的信息以及针对该节目所获取的观看概率。节目推荐信息DB 64存储这个列表。注意，推荐候选节目列表可以配置以使得观看概率被添加到EPG数据里各个节目的数据中，且这些数据按照观看概率的降序重新排列。
在这种情况下，基于由习惯反映单元62所获取的结果从推荐候选节目列表中的电视节目中选择将要被推荐的节目，并将所选择的推荐界面添加到所述推荐节目列表中(按照降序)。
习惯反映单元62按照观看概率的降序一个接一个地提取推荐候选节目列表中的电视节目，所述节目在推荐候选节目列表中以上述方式降序排列，并且所述推荐候选节目列表存储在界面推荐信息DB中，并将所提取的节目设置为下面的处理中的对象(步骤S14)。
首先，确定对象电视节目(在下文中称为对象节目)是否是重放(重播的节目)(步骤S15)。
如果对象节目是重放，则获取指示观看者是否观看过已经广播过的、且可以被指定成和该对象节目具有相同内容的电视节目的信息(步骤S19)。作为指定对象节目和已经广播过的电视节目具有同样内容的方法，已经提出了各种方法，例如检测与EPG数据中的节目名称相匹配的节目的方法，和找到指示给定节目是重放的描述的方法。
如果获得的信息表明观看者没有观看过这样的节目(步骤S20)，则对象节目被选择作为将要推荐的节目，且该电视节目的信息被添加到推荐节目列表中(步骤S21)。
如果该信息表明观看者已经观看过这样的节目(步骤S20)，则处理返回至步骤S14，以从推荐候选节目列表中挑选一个具有下一最高的观看概率的节目。
如果对象节目不是重放(重播的节目)，则确定该节目是一个系列广播节目还是一系列广播节目中的一个(步骤S16)。注意，一个系列广播节目或者一系列广播节目中的一个都可以根据各个广播内容之间的关系而具有任何形式。例如，每个广播可以具有独立的内容，或者各个广播的内容可以具有连贯性。
如果对象节目不是一个系列广播节目或者一系列广播节目中的一个，则该对象节目被选择作为将要推荐的节目，且这个电视节目的信息被添加到推荐节目列表中(步骤S21)。
如果对象节目是一个系列广播节目或者一系列广播节目中的一个，则获取信息，该信息指示观看者是否已经观看过该系列节目中该对象节目之前的节目(例如如果对象节目是系列节目的第3回，这个节目是与之前刚刚播放过的同一系列的节目中的第2回相对应的已经广播的节目)(步骤S17)。作为确定所选择的节目是否是一个系列广播节目或者一系列节目中的一个的方法，能够提供各种方法，例如，一种检测匹配EPG数据中的节目名称的方法，以及从一段信息中找到指示一个系列广播节目或者一系列节目的描述的方法。
如果确定观看者已经在过去一段预定时期内观看过该系列节目中对象节目之前的节目(步骤S18)，则该对象节目被选择作为将要推荐的节目，并且将该电视节目的信息添加到推荐节目列表中(步骤S21)。
如果观看者没有观看过这样的节目(步骤S18)，则处理返回至步骤S14，以从推荐候选节目列表中挑选具有下一最高观看概率的节目。
在通过上述方式产生推荐节目列表的过程中，每次推荐节目列表的大小改变时，将该列表的大小与关于推荐节目列表大小的阈值(例如节目数量的上限)相比较(步骤S22)。如果大小没有超出阈值，则处理返回至步骤S14。如果大小超出了阈值，则过程中止(如果在推荐节目列表的大小超出阈值之前，对于EPG数据中的所有的电视节目都作为对象执行了上述处理，则过程中止)。
上述方法使用关于推荐节目列表大小的阈值(即，通过对观看概率值排序得到的顺序的下限(选择观看概率值的等级高于该下限的节目的方法))作为中止推荐节目列表的产生的条件。然而，也可以使用另一种方法，例如，使用观看概率值的下限的方法(选择观看概率等于或高于该下限的节目的方法)。
RPI管理单元63基于按照上述方式产生的推荐节目列表产生包括与推荐节目相关的信息的推荐节目信息，所述推荐节目信息是将推荐节目展现给观看者所必须的，并把产生的信息传送给节目管理单元20。节目管理单元20把该推荐节目信息发送给广播通信终端1。注意，广播通信终端1将收到的推荐节目信息呈现给用户。
图9示出了本实施例中产生的推荐节目信息的一个例子。参考图9，名称为“名称A”的节目具有观看者想要观看的最高概率，即，“0.92”，并被呈现为推荐节目。
根据图8的过程，首先确定对象电视节目是否是重放(重播的节目)，然后确定该对象节目是否是一个系列广播节目或者一系列节目中的一个。然而，完全可以先确定对象节目是否是一个系列节目或者一系列节目中的一个，再确定该对象节目是否是重播的节目。或者，也完全可以同时确定对象电视节目是否是重播的节目、是否是一个系列节目或者一系列节目中的一个，或者除此之外的节目。
根据上述描述，观看概率计算单元61产生推荐候选节目列表，并且习惯反映单元62将从该推荐候选节目列表中选择的推荐节目添加到推荐节目列表中(按照降序)。代替该操作，观看概率计算单元61可以产生推荐候选节目列表，习惯反映单元62可以从推荐节目列表中删除未从该推荐候选节目列表中选择的节目。
如上所述，上述实施例允许节目推荐与每个观看者的个人偏好和习惯更加匹配。
注意，习惯反映单元62可以以多种形式执行处理。
例如，根据上述描述，当对象节目是一个系列广播节目或者一系列节目中的一个时，如果观看者过去一段预定时期内没有观看过该系列节目中对象节目之前的节目，则该对象节目不被选中。然而，是否选择该对象节目也可以根据过去一段预定时期内对于属于该系列的所有节目的观看状态来确定。例如，这个过程可以使用多种方法，如基于评价值来执行确定的方法，该评价值是用过去一段预定时期内广播的属于该系列节目的所有节目的观看节目的数量除以节目的总数量作为结果而获得的，以及通过把更高的权值赋予与当前节目更接近的节目以获得评价值来执行确定的方法。
另外，例如如果和将要广播的给定节目具有特定关系的已经广播的节目存在于过去一段预定时期内，则完全可以根据观看者是否已经看过该已经广播的节目来修正该将要广播的节目的观看概率。
例如，当对象节目是一个系列广播节目或者一系列节目中的一个时，如果观看者在过去一段预定时期内没有看过该系列节目中的该对象节目之前的节目，则完全可以进一步减少该对象节目的观看概率值，该观看概率值以“0”作为下限(例如，从该概率值中减去一个预定值，将该概率值除以一个预定值，或者将该概率值设置为“0”)。
另外，例如，当对象节目是一个系列广播节目或者一系列节目中的一个时，如果观看者在过去一段预定时期内已经观看过该系列节目中的该对象节目之前的节目，则完全可以进一步增加该对象节目的观看概率值(以“1”作为上限)(例如，将预定值增加到该概率值中，将该概率值乘以一个预定值，或者将该概率值设置为“1”)。
例如，当对象节目是一个系列广播节目或者一系列节目中的一个时，完全可以根据对于属于过去一段预定时期内广播的、该系列节目的所有节目的观看状态适当地调整该对象节目的观看概率值。这个过程可以使用多种方法，如根据评价值增加/减少对象节目的观看概率值的方法，该评价值是通过将属于过去一段预定时期内广播的、该系列节目的所有节目中观看过的节目的数量除以节目的总数量而获得的，以及一种通过把更高的权值赋予与当前节目更接近的节目以获得评价值来执行该确定的方法。
例如，当对象节目是重播的节目时，如果观看者已经在过去一段预定时期内观看过能够被指定为具有相同内容的节目，则完全可以进一步减少该对象节目的观看概率值，该观看概率值以“0”作为下限(例如，从该概率值中减去一个预定值，将该概率值除以一个预定值，或者将该概率值设置为“0”)。
另外，例如当对象节目是重播的节目时，如果观看者在过去一段预定时期内没有观看过任何能够被指定为具有相同内容的节目，且该对象节目的观看概率值等于或大于预定的参考值，则完全可以进一步增加该对象节目的观看概率值(以“1”作为上限)(例如，将预定值添加到该概率值中，将该概率值乘以一个预定值，或者将该概率值设置为“1”)。
此外，针对习惯，与系列广播节目、一系列节目以及重播的节目具有不同形式的节目能够作为对象节目来处理。假定已经广播的广播节目是用于为将要广播的节目做广告的特定节目，或者将要广播的节目是介绍已经广播的节目的制作情景的特定节目。在这种情况下，完全可以按照与一个系列广播节目或者一系列节目中的一个的情况相同的处理方式来处理该节目。另外，如果已经广播的节目和将要广播的节目在预定的属性上，如类型、内容或者表演者，很相似，(即使它们是不同的节目)，该节目也可以按照与一个系列广播节目/一系列节目中的一个或者重播的节目的情况相同的方式来处理。
注意，也可能通过将上述各个功能描述成软件，并使具有适当机制的计算机处理该软件来实现上述各个功能。
另外，本实施例能够作为程序来执行，使得计算机执行预定的程序，或者使计算机按照预定方式工作，并使计算机实现预定的功能。另外，本实施例能够作为记录了该程序的计算机可读记录介质来执行。
根据上述实施例，实现了向用户提供与用户的表演者偏好和习惯相匹配的推荐节目。
权利要求
1.一种推荐节目信息提供装置，包括第一存储器，用于存储用户的历史信息，所述历史信息包括与过去广播过的广播节目相对应的观看结果，每个观看结果指示所述用户是否观看过所述广播节目中的对应一个；第二存储器，用于存储偏好模型，所述偏好模型描述了所述用户的观看结果和导致所述观看结果的多个原因之间的因果关系；第三存储器，用于存储节目指南信息，所述节目指南信息包括与多个将要广播的节目相关的信息；计算单元，配置来基于所述偏好模型和所述节目指南信息，计算所述将要广播的节目中的每一个的推荐程度；选择单元，配置来基于所述将要广播的节目中的每一个的推荐程度和所述历史信息中的观看结果，从所述将要广播的节目中选择推荐节目，所述观看结果对应于过去一段预定时期内的、和所述将要广播的节目中的每一个具有特定关系的广播节目中的一个；以及产生单元，配置来产生包括与所述推荐节目有关的信息的推荐节目信息。
2.根据权利要求1所述的装置，其中所述选择单元基于所述将要广播的节目中的每一个的推荐程度以及对应于所述广播节目中的一个的所述观看结果，选择所述推荐节目，其中所述广播节目中的一个是与所述将要广播的节目中的所述每一个相同的节目。
3.根据权利要求1所述的装置，其中所述选择单元选择包括在所述将要广播的节目中的、一系列节目中的一个作为所述推荐节目，所述一系列节目中的所述一个的推荐程度或者基于所述一系列节目中的所述一个的推荐程度的等级满足预定的条件和与所述广播节目中的所述一个相对应的所述观看结果，所述观看结果指示所述用户观看所述节目，其中所述广播节目中的所述一个在所述一系列节目中的所述一个之前。
4.根据权利要求1所述的装置，其中所述选择单元选择包括在所述将要广播的节目中的重放作为所述推荐节目，所述重放的推荐程度或者基于所述重放的推荐程度的等级满足预定的条件和与所述广播节目中的所述一个相对应的观看结果，所述观看结果指示所述用户不观看所述节目，其中所述广播节目中的所述一个是与所述重放相同的节目。
5.根据权利要求1所述的装置，其中当与所述广播节目中的所述一个相对应的观看结果指示所述用户不观看所述节目时，所述计算单元将包含在所述将要广播的节目中的、一系列节目中的一个的推荐程度修正到一个较低值，其中所述广播节目中的所述一个在所述一系列节目中的所述一个之前。
6.根据权利要求1所述的装置，其中当与所述广播节目中的所述一个相对应的观看结果指示所述用户观看所述节目时，所述计算单元将包含在所述将要广播的节目中的、一系列节目中的一个的推荐程度修正到一个较高值，其中所述广播节目中的所述一个在所述一系列节目中的所述一个之前。
7.根据权利要求1所述的装置，其中当与所述广播节目中的所述一个相对应的观看结果指示所述用户观看所述节目时，所述计算单元将包含在所述将要广播的节目中的、所述重放的推荐程度修正到一个较低值，其中所述广播节目中的所述一个是与所述重放相同的节目。
8.根据权利要求1所述的装置，其中当所述重放的推荐程度不少于预定参考值，且和所述广播节目中的所述一个相对应的观看结果指示所述用户不观看所述节目时，所述计算单元将包含在所述将要广播的节目中的所述重放的推荐程度修正为一个较高值，其中所述广播节目中的所述一个是与所述重放相同的节目。
9.根据权利要求1所述的装置，其中所述选择单元从所述将要广播的节目的一组节目中选择所述推荐节目，该组中的每个节目的推荐程度不低于预定的下限。
10.根据权利要求1所述的装置，其中所述选择单元从所述将要广播的节目的一组节目中选择所述推荐节目，该组中的每个节目的推荐程度的等级不低于预定的下限等级。
11.根据权利要求1所述的装置，其中将要广播的每个节目的推荐程度是用于指示所述用户观看所述将要播放的每个节目的概率的观看概率值。
12.根据权利要求1所述的装置，其中所述原因基于所述广播节目的属性，以及所述节目指南信息包括所述将要广播的节目的属性信息。
13.根据权利要求1所述的装置，其中所述原因包括每个广播节目的类型、与所述每个广播节目中的表演者相关的偏好和与所述每个广播节目的内容相关的偏好。
14.根据权利要求1所述的装置，还包括偏好模型产生单元，其被配置来基于节目指南信息和所述历史信息产生所述偏好模型，所述节目指南信息包括过去的一个预定时期内所述广播节目的属性信息。
15.根据权利要求1所述的装置，还包括发送单元，其被配置来将所述推荐节目信息发送到所述用户的终端装置。
16.一种推荐节目信息提供方法，包括在第一存储器中存储用户的历史信息，所述历史信息包括与过去广播过的广播节目相对应的观看结果，每个观看结果指示所述用户是否观看过所述广播节目中的对应一个；在第二存储器中存储偏好模型，所述偏好模型描述了所述用户的观看结果和导致所述观看结果的多个原因之间的因果关系；在第三存储器中存储节目指南信息，所述节目指南信息包括与多个将要广播的节目相关的信息；基于所述偏好模型和所述节目指南信息，计算所述将要广播的节目中的每一个的推荐程度；基于所述将要广播的节目中的每一个的推荐程度和所述历史信息中的观看结果，从所述将要广播的节目中选择推荐节目，所述观看结果对应于过去一段预定时期内的、和所述将要广播的节目中的每一个具有特定关系的广播节目中的一个；以及产生包括与所述推荐节目有关的信息的推荐节目信息。
全文摘要
一种装置，在第一存储器中存储用户的历史信息，历史信息包括与过去广播过的广播节目相对应的观看结果，每个观看结果指示用户是否观看过与广播节目中的一个；在第二存储器中存储偏好模型，该偏好模型描述了用户的观看结果和导致该观看结果的原因之间的因果关系；在第三存储器中存储节目指南信息，该节目指南信息包括与将要广播的节目相关的信息；基于偏好模型和节目指南信息，计算将要广播的节目中每一个的推荐程度；基于每个将要广播的节目的推荐程度和历史信息中的观看结果，从将要广播的节目中选择推荐节目，所述观看结果对应于过去一段预定时期内的、和所述将要广播的节目中的每一个具有特定关系的广播节目中的一个；以及产生包括与推荐节目有关的信息的推荐节目信息。
文档编号G06F17/30GK101047831SQ20071008438
公开日2007年10月3日 申请日期2007年2月28日 优先权日2006年3月30日
发明者村上知子, 折原良平 申请人:株式会社东芝