一种带有至少一个输入装置的最少化交互系统及方法与流程

本发明涉及用户自适应系统。尤其涉及一种通过更少的遥控器点击次数来选择所喜爱的电视内容的系统和方法。

背景技术：
改善电视用户体验是消费型电子产品生产和多媒体应用发展的核心问题。随着多种形式的智能电视的出现，现有的电视系统正在经历从硬件、固件、软件结构、应用程序，到用户体验，这些从内到外的重大的更新。许多新的试验目的是增强用户与电视间的交互体验，例如，通过提供一个键盘，该键盘是遥控器的一部分；另一个方案是一个带有运动传感器的遥控器，电视用户可用它来指出电视屏幕上的图标,甚至拖放它们。人们开始讨论后者（被动的）和前者（主动的）应用模型哪个更好地适合用户体验。另一方面，云计算时代即将到来，很多基于网页的云服务，例如，地图和视频共享服务，已经被引入电视世界来进一步增强系统性能和智能度。近来的统计报告表明，在美国，人们平均每天看4个小时电视，但是，86%的电视观众坐在电视机前时并不知道看些什么。如果每台电视机具有足够的智能来辨认观众（或观众群），理解观众的偏爱，并给观众推荐恰当的内容，这样能带给电视观众一种良好的用户体验。很多公司和研究机构在过去的十年里在这个方面做出诸多努力，因此，电子节目指南（EPG）和电视推荐系统是本领域的流行趋势.这种趋势从TV3P、AVATAR和queveo.tv这些产品计划和如SemanticWeb和PDPRDTV这些概念中，可见端倪。以下将引用示范性的著作，以作参考：L.Ardissono，F.Portis和P.Torasso，“ArchitectureofasystemforthegenerationofpersonalizedElectronicsProgramGuide”，2001年；Z.Yu，X.Zhou，“TV3P:AnAdaptiveAssistantforPersonalizedTV”，IEEETrans.ConsumerElectronics，Vol.50，No.1，2004年2月，393-399页；Y.B.Fernandez，J.J.P.Arias，M.L.Nores，A.G.Solla和M.R.Cabrer，“AVATAR:AnImprovedSolutionforPersonalizedTVbasedonSemanticInference”，IEEETrans.ConsumerElectronics，Vol.52，No.1，2006年2月，223-231页；A.B.B.Martinez，J.J.P.Arias，A.F.Vilas，J.G.Duque和M.L.Nores，“What’sonTVTonight?AnEfficientandEffectivePersonalizedRecommenderSystemofTVPrograms”，IEEETrans.ConsumerElectronics，Vol.55，No.1，2009年2月，286-294页；C.Shin和W.Woo，“SociallyAwareTVProgramRecommenderforMultipleViewers”，IEEETrans.ConsumerElectronics，Vol.55，No.2，2009年5月，927-932页；以及S.Lee，D.Lee，S.Lee，“PersonalizedDTVProgramRecommendationSystemunderaCloudComputingEnvironment”，IEEETrans.ConsumerElectronics，Vol.56，No.2，2010年5月，1034-1042页。尽管已经提出很多电视推荐系统用于改善用户体验，但是一些简单的用户偏爱调查的结论，却破坏了这些努力。由于缺少对终端装置的控制,或缺少从终端到内容/服务提供商的返回频道的控制，这些努力也受到了限制。一些系统在观看体验期间给用户提供传达明确反馈的功能，对用户来说，如果这功能嵌入到内容中，这会使用户感到懊恼或烦扰。另一种提供反馈的方式是提供一种特殊按钮，例如，在遥控器上设置喜欢/不喜欢按钮，用来收集用户反馈。还有另一种方式是隐性的用户反馈收集方式，包括从观众的节目选择历史中导出他们的爱好，利用观看时间作为判断用户偏爱的指标，等等。以下示范性作品中有阐述上述反馈收集方法和系统，现引用来参考：M.Bjelica，“TowardsTVRecommenderSystem:ExperimentalwithUserModeling”，IEEETrans.ConsumerElectronics，Vol.56，No.3，2010年8月，1763-1769页；W.P.Lee和J.H.Wang，“AUser-CenteredRemoteControlSystemforPersonalizedMultimediaChannelSelection”，IEEETrans.ConsumerElectronics，Vol.50，No.4，2004年11月，1009-1015页；T.Isobe，M.Fujiwara，H.Kaneta，T.Morita和N.Uratani，“DevelopmentofaTVReceptionNavigationSystemPersonalizedwithViewingHabits”，IEEETrans.ConsumerElectronics，Vol.51，No.2，2005年5月，665-674页；以及J.Parsons，P.Ralph，andK.Gallagher，“Usingviewingtimetoinferuserpreferenceinrecommendersystems”，inProc.AAAIWorkshoponSemanticWebPersonalization(SWP-04)，52-64页，2004年。为了给观众提供更喜爱的内容以供选择，申请人提出一种通过最少化使用遥控器的次数来选择想要内容的系统和方法。

技术实现要素：
在一个实施例中，是一种最少化用户与输入装置交互次数的系统。所述系统包括与用户终端装置通信连接的管理服务器，所述用户终端装置包括至少一个显示器,一个输入装置和一个转发器,所述显示器设置为显示内容,所述输入装置设置为改变显示器上所显示的内容,所述转发器设置为传送所述输入装置和所述显示器所显示内容之间的交互数据。所述管理服务器进一步与至少一个处理器、至少一个存储装置和至少一个计算机可读存储媒介通信连接,所述计算机可读存储媒介用于存储执行数据处理的软件，所述至少一个存储装置设置为存储所述显示器上所显示的内容数据,用户与所述输入装置的交互数据和可用于观看的内容数据。所述至少一个处理器设置为利用软件处理数据，以备好用于显示的内容数据配置，而且所述配置至少来自用户与输入装置的交互，并且该配置设计成通过最少化用户与输入装置的额外交互来选择准备好的内容数据。可以理解的是，在上述的总说明和接下来的详细说明都仅仅是示范性和解释性的，并不能如权利要求那样限制本发明。附图说明所引入的说明书附图组成了说明书的一部分，所述附图说明了本发明的几个实施例，并和说明书一起用来解释本发明的原理。图1是简化的系统，所述简化的系统包括终端、内容提供器和客户以及内容管理服务器。图2是图1系统的结构、存储的数据类型、数据和内容的流程图的例子。图3是用于通过图1中的系统的数据和内容的路径和操作的流程框图的例子。图4是遥控器式的输入装置的简化例子。图5是按键切换模式的例子。图6是m*n内容显示的例子，该内容的可能导航路径是从起始点1到图标2和3。具体实施方式引用附图中所说明的例子和示范性的实施例作为具体的参考。尽可能地，使用相同的编号来表示附图中相同或相似的部分。在本发明中，通过利用用户交互频率作为指标来改进电视观看体验，将屏幕（或其他终端装置）上所显示的内容直接与系统设计的用户遥控器使用模式相关联。这种方法将电视用户体验问题转化为最少化用户交互和/或点击遥控器按键频率的优化问题。基于按键切换的概率表和探测到的用户情绪模式的新方法,用于间接地确定内容布局，并且所述方法可以扩展应用在各种遥控装置上。此外，新的混合式最佳布局内容推荐算法用于从大型数据库中选择内容项目,并将用户偏爱的布局内容呈现在屏幕上。一种端到端的模式改进了电视用户体验,所述端到端的模式通过推荐合适的内容给用户，以减少用户与电视之间的交互频率。这样，用户体验问题简化为优化问题。简而言之，给出用户的交互历史记录后，一种内容推荐模式把用户点击遥控器的频率降到最低。设想用户点击遥控器的频率直接与用户对正在观看的内容的满意度相关联，以及更少的交互表示用户对正在观看的内容满意。另外，通过他/她的点击频率、内容选择，以及过往统计的行为一致性，实时检测用户的情绪，并且该情绪被认为是个性化处理的一个因素。正如以下的进一步说明，最少点击的电视系统和方法包括系统结构和主要部分、用户行为分析算法、分析用户偏爱的混合方法和布局个性化算法。所述系统将屏幕（或其他终端装置）上显示的内容直接与系统设计的用户遥控器使用模式相关联，并利用用户交互频率作为指标来改进用户观看体验。另外，所述系统首次将电视用户体验问题转化为最少化用户交互和/或点击遥控器按键频率的优化问题。它包括基于按键切换的概率表和用户情绪侦测的新途径，以间接确定内容布局。该方法可以自然地应用到现有的和将来的各种类型的遥控装置。新的混合式最佳布局内容推荐算法用于从大型数据库选择内容项目并以用户偏爱的布局呈现在屏幕上,同时将因选择偏爱内容而在输入装置上的点击数降到最小。1.0系统结构如图1所示，所述系统由云11和终端1-5组成，其中所述终端有多种多样，例如，计算机1、电视2、手机3、笔记本4、平板电脑5等等。通常，所述系统的终端为任一具有屏幕或显示视频内容的投影能力的装置。所述终端可传送视觉或视听媒体或其他多媒体。媒体可包括书籍、游戏、电影、图片、壁纸、电视节目、内容目录、内容信息、图标和其他图形用户界面（GUI）可选和可视的项目。所述终端包括用于执行所述的方法和系统的软件、硬件，和/或固件。例如，电视2可预先配置诸如高速缓冲存储器、RAM、ROM、发射器、接收器、处理器等必要的软件和硬件，来跟踪诸如用户通过遥控器进行的交互、选择播放的内容、节目播放时长以及诸如快进、回放和暂停等操作的事件。其他装置,例如手机3或者笔记本4,配置有诸如高速缓冲存储器、RAM、ROM、发射器、接收器、处理器等功能部件,用来下载应用程序（app）,从而允许所述装置参与到所述的系统中。由于互联网和能够使用Wi-Fi的电视的广泛应用，可设想到电视2可通过可下载的应用程序参与到所述系统中。所述终端与至少一个输入装置相连，所述输入装置包括键盘、遥控器、小键盘、触摸屏、触控板、鼠标或轨迹球。组成所述输入装置的元件包括物理的按钮或虚拟的按键、其他将交互信息转化为数字数据的触觉传感器和装置。典型地,所述终端包括高速缓冲存储器，内存，处理器，路由器，软件，计算机可读存储介质（CRM），转发器或发射器,接收器，电池或其他电源，无线网络,光网络,局域网(LAN)或其他互联网或传输连接网,以及其他现有技术中公知的固件、硬件或软件部分，用来提供显示用户想要内容和操作功能。为简单说明起见，大部分例子将集中于用户与电视2以及与所述电视2相连的遥控器400间的交互,但不应认为限制了所述系统的整体结构。在云11中，一套组件互相通信和工作。所述组件可以设置在单个服务器内，也可以设置在不同的服务器或云中,通过标准web服务协议跨越诸如电缆、电线、路由器、无线装置、塔楼、宾馆等这样的连接网络进行通信。为了简化，硬件、软件和固件布局并未在附图中标示。然而，应该理解的是，这些与诸如计算机可读存储介质（CRMs）、软件程序、处理器、存储器（RAM和或ROM）、服务器、路由器、连接器件（电缆、耦合器、路由器、无线收发器等）等各种的组件一起，是组成所述系统的一部分。为了简化起见，在图1所示的例子中，表示了包括一个服务器10的云11，所述服务器10通过通信方法访问内容数据库18-22。内容数据库可通过此服务维护，或者所述内容数据库18-22可由诸如租赁服务或内容出售商这样的第三方内容供应商提供。图1的例子进一步说明了客户端管理器12，其与多种类型的终端1-5通信，追踪用户与遥控器或其他输入装置的交互，并将用户输入收集到至少一个数据库16。图1-3进一步说明了系统结构以及系统信息和内容的流程。内容管理器17与多个云,或如图示的内容数据库18-22一起工作。所述内容管理器17提供对多种类型内容的访问，包括电影、电视节目、在线视频、音乐、在线游戏等等。所述内容管理器17还搜寻有合适主题的内容给用户。另外，所述内容管理器17将存取的元数据存储到快捷访问数据库172，这样如果其他用户再次检索到观看过的内容，将会加速内容的访问。那些“观看最多”或“受欢迎的”的内容将能被很快地访问到。所述内容管理器17可在同一数据库中保存按诸如男演员、女演员、风格、标题、观看时间等属性区分的数据内容，或者内容管理器17可为一属性数据设立单独的数据库。所述属性数据可采用可视的图标来表示该属性和/或内容。用户行为分析器13密切监控用户与终端1-5的交互，检测用户情绪，并评估遥控器400上的用户行为模式。例如，用户可通过数字键409很快捷地浏览电视频道，或用户只是固定地通过箭头键407来回切换。用户交互存储为终端交互数据133，用户情绪存储为用户情绪数据131，行为模式存储为行为模式数据132.该模块的输出将被用于内容布局个性化器15。用户偏爱分析器14监控用户的长期观看历史，并根据用户对于内容风格、男演员/女演员、电视频道等的选择来鉴别用户的主要兴趣。所述用户偏爱分析器14利用下述的基于内容过滤和多重过滤相结合的混合法，导出推荐池142。通常该池形成导航闭合框141，所述导航闭合框141包括用户可能访问的一组链接,所述链接与用户最近表现出兴趣或似乎不感兴趣的内容相链接。作为链接的一个例子，用户偏爱分析器14可通过有限的链接将两部电影相关联。例如，用户选择一部电影。用户偏爱分析器14可选择，或用户可指示一个具体较喜欢的演员，来引出该演员的其他电影供选择，这样就可以依次引出同样类型的风格的电影供选择。之前的用户和/或用户偏爱分析器14所选择的演员和电影能作为较受欢迎的电影提供给用户选择。内容布局个性化器15包括内容布局引擎151和内容推荐引擎152。所述内容布局引擎151根据由协同过滤获得的用户偏爱和各点在布局中的相对重要性确定每页的布局。所述内容推荐引擎152的目的是从所述推荐池142中选择一些内容图标，将它们填充到布局设计中，并利用特定策略确定页面转换时的内容选择。在布局处理期间，分析用户输入以得到按键使用模式，与统计到的用户之前偏爱观看的内容范围模式相结合。结合的结果被用于实现用户和电视间交互的最优化，这样保持了用户固有的遥控器使用习惯。用户行为分析器13依靠通过/经由客户端管理器12收集的用户历史统计资料121。用户偏爱分析器14不仅依靠用户历史统计资料121，还依靠内容管理器12的支持来访问内容数据库171中的元数据设置。为了提供元数据集，内容数据库171可包括各种各样的数据类型，诸如客户端档案、内容源档案、用户行为历史、用户偏爱模式、个性化内容布局模型、缓存内容元数据或互相参照模型这样的数据库。内容布局个性化器15依靠从用户行为分析器13和用户偏爱分析器14获得的模型来提供最后的推荐内容，用户界面最终通过往返于客户端管理器12的信息而呈现在显示器上。在所述的系统中，用户行为分析器13和用户偏爱分析器14的模块中有离线演练的程序提供给客户。客户端可提供用于在线程序的精确参数，其根据内容布局个性化器15和内容管理器17的协作实时地确定推荐内容。也就是说，客户端可进一步提供诸如男演员，女演员，风格，标题，观看时间，偏爱游戏，分类数据，诸如网格大小或形状或风格、显示大小、偏好的交互按钮等的布局数据这样的偏爱数据。图3说明了数据收集、操作和内容推荐的简化流程。例如，用户观看终端显示的推荐内容301。用户利用遥控器400进行内容选择303。节目信息和按键使用信息304一起被送到客户端管理器12,所述按键使用信息304用于向系统提供选择内容时在遥控器400上所用的按键的信息。用户可同时地或分别地向用户输入的偏爱信息302添加喜欢的内容。添加的信息可涉及用户情绪、喜爱的男演员/女演员、喜爱的节目、喜爱的游戏、涉及到每日的某时或每周的某日的内容偏爱、最不喜爱的信息、屏蔽的节目、父母控制（V-芯片设置）等等。客户端管理器12可将信息存储为数据并发送信息数据到用户行为分析器13和用户偏爱分析器14。用户行为分析器13可监控、检测、评估用户信息305并将模块结果提供给内容布局个性化器15。用户偏爱分析器14可从内容管理器17接收内容信息,并建立内容推荐池306,其用于建立链接内容导航框307。内容推荐池306可随链接内容导航框307一起直接提供给内容布局个性化器15。内容个性化器15提供确定的布局308、布局的重要点309、内容图标位置310、带页面滚动的布局切换311和按键使用模式312。这些组合成最终推荐内容313，被客户端管理器12发送到终端播放。因此,用户能从终端显示的推荐内容301选择内容,并且所选择的内容可用于进一步作为下一步推荐的内容。2.0用户行为分析现有技术中有很多用户行为建模以及其对推荐系统的影响和应用的例子。例如，作为参考著作引用于此：Yu等，“UnderstandingUserBehaviorinLarge-ScaleVideo-on-DemandSystems,”于Proc.EuroSys’06，2006年4月，Leuven，比利时；Jung等，“AstatisticalModelforUserPreference,”IEEETrans.KnowledgeandDataEngineering，Vol.17，No.6，2005年6月，834-843页；以及Brusilovsky等，TheAdaptiveWeb:MethodsandStrategiesofWebPersonalization，Springer-Verlag，2007年。即时的系统和方法从多种角度分析用户行为，以获取用户行为和他/她的偏爱之间的内部联系。以下是有利于构建用户行为模式的启示：·用户的当前情绪,其可通过用户交互的点击速度，选择观看的内容风格，与输入装置的交互频率等来确定；·按键使用模式或用户在利用遥控器时的习惯。也就是说，用户使用诸如遥控器这样的终端输入时有多种方式，其可包括按钮选择的顺序,以及熟练用户用非常流畅的方式使用遥控器和有些客户仅仅使用遥控器上极为有限的按键；·多个用户可作为单个消费者或一个家庭。这可通过内容选择来确定，因为通常男人、女人、小孩和老人在内容选择上有不同的品味。通常地，男人、女人、小孩和老人在内容选择上具有不同品位，这可通过内容选择确定。当家庭成员具有基本相同的品位时，将该客户群视为单个消费者是无妨的;以及·电视的使用模式，例如，通常观看时长，电视观看频率，内容源等。从分析获得的使用模型不仅用于内容推荐过程，还将用于考虑内容布局。2.1按键使用模式不同的人具有不同按键使用模式，包括遥控器使用频率、某按键使用频率和某按键切换频率。在本研究中，这些类型都设有概率表，用于鉴别用户或用户群，并确定最适合用户行为模式的内容布局。图4示说明了电视遥控器400的例子。遥控器400的第一部分可包括一组混合按键401，可包括多个电源按钮或多个音频-视频（AV）按钮。菜单、导视或信息按钮402用于选择相应的电视内容。遥控器上的另一部分可包括箭头键407,其可用在使用菜单、导视或信息观看按键时向上、下、左或右翻动。返回键403可允许用户返回观看，确定键406允许用户选择确认观看的内容。其他按键可包括频道加/减按钮405和音量加/减按钮404。另一部分包括节目操作按键408,其可用于播放、暂停、停止、快进、后退或记录内容。另一部分包括多个数字按键409,其用于通过数字或字母来选择观看的内容。在更复杂的遥控器或用户终端输入系统中可采用其他按键或部件，诸如标准键盘、窗口按钮等。如图5所示，说明了按键切换模型，其中对于每一条箭头曲线，目的节点代表刚刚按过的按键，起始节点代表在目的节点前按过的按键。这些节点切换概率形成按键切换模型，对于分析用户行为非常有用。有多种方式执行这个概念，如图5所示，所有数字按键409被认为是同一按键，这样从数字“3”到“5”的变化将表现为一个自循环，但如果另一实行方式倾向将所有10个数字分为10个节点，就无须采用本方式。同样，全部箭头键407也可作为单数或复数个节点。将遥控器400的每一部分或单独按键401-409标记为Kn.Pu（Ki）表示使用节点（或按键）Ki的概率，Pu（KiKj）表示从节点Ki到Kj切换的概率，其中i和j表示节点，u表示用户。Pu（Ki）可以由节点Ki的总使用频率除以所有节点的总使用频率算出。同理,Pu（KiKj）可被算出。以下相似度计算（下述方程1）用于确定是否刚出现一个新用户或引入用户的新情绪。相似度=,(1)其中u1和u2代表两个做比较的不同用户，T是由系统在[0,1]间由系统决定的阈值。2.2用户情绪探测找到探测用户或用户群当前情绪的方法是重要的,因为在不同的情绪或情感期间用户的喜好可能发生变化。在以往的研究中，人们能从音乐、视频或其它他/她正在使用的媒体中探测和识别用户情绪。很多生命信号，诸如面部表情、皮肤温度、呼吸等等，已经被用于识别某人是否正处于诸如开心、悲伤、惊讶、生气、恐惧、厌恶等情绪中。使用这种探测方法的参考性著作,如下：L.Lu，D.Liu，H.Zhang，“AutomaticMoodDetectionandTrackingofMusicAudioSignals”，IEEETrans.Audio,Speech,andLanguageProcessing，Vol.14，No.1，2006年1月，5-18页；S.Kim，P.G.Georgiou，S.Lee和S.Narayanan，“Real-timeEmotionDetectionSystemusingSpeech:Multi-modalFusionofDifferentTimescaleFeatures”，于Proc.IEEEMMSP2007；S.Zhang，Q.Tian，Q.Huang，W.Gao和S.Li,“UtilizingAffectiveAnalysisforEfficientMovieBrowsing”,于Proc.IEEEICIP2009。在本发明中，内容被链接到情感矢量数据库，这样通过用户最近的观看的内容，可导出用户情绪。另外，建立遥控器按键按压模型表示各种情感，这样通过用户交互行为，可探测到用户情绪用做参考。通过使用一个类似方程式（1）的方程式，比较情感矢量间的相似度，如此当前用户情绪将与情绪列表的类别相匹配。3.0用户偏爱分析用户偏爱分析着眼于根据用户的长期观看电视历史，将他/她个性化，这样,内容分类方法可在此适用。优选地，电视内容可用矢量<Xi>表示，其中在表示电影/节目种类类型或演员/奖项信息时Xi属于{0,1}范围里，例如，诸如戏剧、恐怖或动作电影这样的风格种类，并且Xi还可表示电视频道，其属于一个更大的整数集。作者C.Stauffer和W.E.L.Grimson，在“LearningPatternsofActivityUsingReal-TimeTracking”，IEEETransactionsonPatternAnalysisandMachineIntelligence，August2000中提出简化版的混合高斯模型来解决对运动目标实时的追踪，在这用来研究用户偏爱。在本发明中，用户偏爱通过K高斯分布（若Xi是二进制值，K=1）混合来建模和呈现，其中每一高斯分布根据其属于的具体种类的频率被加权。这样用户在时间t时,偏好Xt的概率为：，(2)其中wi,t是规格化权重，和是第i个分布的平均数和标准偏差。确定在混合形态中的最大分布，并被用来确定当前用户是否有具体偏爱。启发性地，具有最多支持证据和最小方差的高斯分布是最感兴趣的。这样，K分布基于的值被分类并且一个有序列表被保存，于是，在顶端保持最有可能的分布,并将最不可能的瞬态分布留在底端。通过,(3)获得内容种类最有可能的分布模型，其中阈值T给予具体种类的总权重的分数。当前计算的用户对照存在的K高斯分布加以校核来检测分布的平均值是否在该分布标准偏差的2.5倍以内。如果任何K分布均未满足计算，具有最小值的最不可能的分布被一个以当前值作为其平均值、预分配的高方差以及低在先权重的新高斯分布所取代。否则,如果匹配的分布式是B分布之一，则标明用户偏爱。为保持模型的适应性，利用来自相同用户的后续内容选择持续更新模型参数。对于匹配的高斯分布而言，通过新的值Xt，所有参数在时刻t更新。另外，在先权重通过,(4)被更新，平均值和方差通过,(5)和,(6)被更新，其中a是控制适应速度的学习速率，1/a定义决定变化的时间常数，r是与当前用户有关的概率，通过学习速率a换算。于是，r可表示为。(7)对于未匹配的分布，平均值mt和方差st保持不变，同时在先权重通过。(8)而更新。该更新方法的优点在于初始的偏爱分布保存在混合中，直到它变为最不可能的分布并且找出一个新的偏爱。于是如果一个静态偏爱发生改变，先前偏爱分布将迅速地再并入模型中。4.0内容布局个性化内容布局个性化工作由推荐内容以及内容布局组成。推荐引擎基于当前用户情绪、用户偏爱和其他人的推荐来选择一个内容池。在本发明中，布局引擎根据用户偏爱以及内容推荐池确定用户界面（UI）的布局和/或显示内容组成。其目的在于最少化用户交互频率。4.1推荐引擎通常，推荐系统具有非常类似的理论依据，如引用于此的参考作品所示，S.Perugini，M.A.Goncalves，E.A.Fox，“RecommenderSystemsResearch:AConnection-CentricSurvey”，JournalofIntelligentInformationSystems，23:2，107-143，2004年;G.Adomavicius，andA.Tuzhilin，“TowardtheNextGenerationofRecommenderSystems:ASurveyoftheState-of-the-ArtandPossibleExtensions”，IEEETrans.KnowledgeandDataEngineering，Vol.17，No.6，2005年6月，734-749页；和T.L.Wickramarathne，K.Premaratne，M.Kubat和D.T.Jayaweera，“CoFiDS:ABelief-TheoreticApproachforAutomatedCollaborativeFiltering”，IEEETrans.KnowledgeandDataEngineering，Vol.23，No.2，2011年2月，175-189页。无论用于书籍、音乐或视频内容，这些类似的依据都存在。在本发明中，推荐引擎依靠下述数据库：·D：存储所有可用的标题/节目信息的内容数据库；·R：存储一些标题/节目信息的内容数据库,这些标题/节目是当前用户所选的,与之前用户有相同/相似兴趣集的标题/节目信息；以及·U：存储当前用户最近时期观看过的内容的数据库。让我们用<Yi>表示用户偏爱矢量，<Xi>表示相应的内容特征矢量。这两个矢量间的相似度可通过。(9)计算出。对Sim(X,Y)的计算允许将内容D存储到一个内容列表中,所述内容列表中有与用户偏爱矢量<Yi>最相似到最不相似的内容。如下所述，列表可利用R和U的结果调整。举例而言，尽管其他百分比也可用于列表调整,但是下述标准是在内容选择期间使用：·80%的选择在D中而不在U中是最受关注的项目（通过方程9获得）；以及·20%的选择在R中而不在Ｕ中是最受关注的项目。所有选择就绪后，使用一个重规格化进程来解决第k个内容的规格化问题Pr：，(10)其中N是池中的选择总数。4.2布局引擎布局引擎处理下列项目的优化：·对当前用户来说的最佳布局方式选择；·在布局中，如何安排内容图标和UI组件；以及·在布局中，导航系统如何设计以达到最少化用户交互频率的目的。当然,为系统寻找一个全局优化解决方案是最理想的，但在本发明中，第一项是从其他项中分离出来的。针对很多不同用户进行了许多主观测试,目的是给每个具有相似用户行为的用户群找出最佳布局方式。然后，该布局方式列表用于将当前用户与调查过的用户群之间进行匹配，根据相似度验算公式来推荐一个最后的布局方式。所述布局方式在使用的过程中,将随着收集更多的用户行为统计而缓慢变化。一旦确定了布局方式，下一个要阐明的问题是导航从哪里开始以及将什么内容推荐给用户。举例来说，假定所选择的是当前IPTV最受欢迎的布局方式,即基于网格的布局方式（例如，如图4所示，m*n网格，m=4，n=3）。然后，找出导航的起始点在哪（图6中是节点1）、选择哪种m*n内容以及在哪里放置内容（参见图6中的节点2和3）。图6说明了从起始点到用户试图选择的图标的可能导航路径。如图6所示，说明了从起始点到可能的图标位置的导航路径。例如，从起始点1到位置2，典型地，需要向右移2格再向上移1格。因此，点击量（或从位置1到位置2的长度）L=3，并且，这样3个连续点击的概率P1可以通过图5所示的按键切换概率计算出来。另外，选择某一内容标题（或图标）的概率P2已在4.1部分计算出。由于目的在于最少化用户交互，应将最可能选择的图标放置在最接近导航起始点的位置。并且，使用一成本函数将某一标题放入一位置，例如通过L*P1*P2放入位置2。利用成本函数的定义，最小化将所有标题放置到网格中的总成本。4.2.1优化问题公式假设从推荐引擎获得了m*n个选择的内容，用Pr（i）表示用户选择的第i个内容的规格化概率。要求布局引擎将所有m*n内容图标填充到m*n网格中。这些网格被标以1，2，……，m*n，其中Loc（i）代表第i个内容的位置。s代表导航起始点的位置（s=1，2，……或m*n）。Pt（j，k）是从位置j到k的按键切换概率，其可通过所有点击的概率相乘轻易计算出来，L（j，k）是从位置j到k导航需要的最小点击量。设想的平均点击量E[C]可通过(11)计算出来。由此，问题被归结为以下形式：找到s和所有m*n内容的Loc（i），来最小化E[C]。重要的是实现组件间的相互作用来最小化E[C]，其通过两个独立项（s，j）*Pt（s，j）和Pr（i）相乘再相加的形式，其中第一项涉及网格中的两个位置，第二项涉及内容标题。这样对于s的任何选择方案，L（s，j）*Pt（s，j）的列表以递增顺序排列，Pr（i）的列表以递减顺序排列。然后，使Loc（i）=j，L（s，j）*Pt（s，j）*Pr（i）的和确保为最小化值。由此可见，对于s，所有位置上交互后，优化问题得到解决，具有E[C]最小值的位置被用做解决方案。为了加速过程，将原问题分为两个,这是个次优选方案：找到最小化的s；以及在s确定后，找到所有m*n内容的Loc（i），以最小化E[C]。问题（1）通过尽可能快地查找一个预分配表得到解决，因为它基本上是在大小有限的列表中搜索最小值，问题（2）的解决方案已在上文指出。5.0结论在本发明中，提出了云电视节目推荐系统，其将终端显示器,遥控器,云中的智能计算相连接。优化遥控器使用模型,布局设计以及推送内容模型,以获得更好的用户体验。在本发明的基础上,可开发出很多有趣的应用，例如，每个用户可在云中拥有一个个性化的电视台，这样,他们可以通过这个个性化的电视台获得独一无二的观看体验,这是通过用户的具体品位和遥控器上的行为模式优化而得到的。在前述的说明书中，通过结合附图已经描述过各种较佳实施例。但是，显然地，在不脱离本发明权利要求所保护的范围情况下，还可以做出替换、修改等多种变形，并增加实施方式。因此，说明书和附图是描述性的,并不能因此认为是对本发明专利保护范围的限制。例如，m*n网格可围绕成多种多样的形状，网格可覆盖多个观看屏幕，用户可滚动屏幕使网格处于不同屏幕，系统或用户可选择多种类型的网格或使网格或图标风格化，等等。通过本发明在此公开的说明书及实施例，本发明其他实施方式对于本领域技术人员是显而易见的。这意味着说明书和实施例仅仅是示范性的，本发明的真正范围和精神体现在权利要求书中。