【技术实现步骤摘要】
智能电视中潜在付费用户预测方法及系统
本专利技术涉及智能电视
，特别是涉及智能电视中潜在付费用户预测方法及系统。
技术介绍
随着互联网+和人工智能技术在家电中的应用,包括电视、冰箱和空调等日常家电的设计、制造和服务正在向智能型和网络化服务的方向发展。有预测显示,到2020年,智能电视市场占有率将达到90％以上，全球人工智能系统将为家电企业带来超过470亿美元的收入，展现出强大的市场潜力。这里智能电视可定义为既能接广播电视的宽带节目内容，又能点播电视厂家所提供的收费和免费影视套餐，以及网络视频提供商所给出的视频节目。由于人们生活水平的提高，根据中国最大电视厂家海信电视的用户统计分析，愿意观看付费节目的用户越来越多。随之带来了一个具有挑战性的课题，即如何预测一个用户会从目前非付费用户变成付费用户。显然，上述问题的解决将帮助企业进行用户行为分析、商业广告和优惠信息的精准投放、帮助电视厂家和视频网站等企业带来更多的利益。也同时帮助电视用户购买增值服务和得到更好的用户体验等。目前国内外对于潜在付费用户预测问题的研究少之又少，目前的推荐系统对于吸引用户称为付费会员的方案...
【技术保护点】
1.智能电视中潜在付费用户预测方法，其特征是，包括：数据集构建：构建正相关数据集和负相关数据集；数据特征提取：从正相关数据集中提取正相关特征；从负相关数据集中提取负相关特征；数据特征衍生：对正相关特征进行衍生，生成正相关新特征；将正相关特征和正相关新特征进行特征融合，得到融合后的正相关特征；对负相关特征进行衍生，生成负相关新特征；将负相关特征和负相关新特征进行特征融合，得到融合后的负相关特征；模型训练步骤：利用融合后的正相关新特征和融合后的负相关新特征对预先搭建的Embeded Wide&Deep模型进行训练，得到训练好的Embeded Wide&Deep模型；潜在付费用户...
【技术特征摘要】
1.智能电视中潜在付费用户预测方法，其特征是，包括：数据集构建：构建正相关数据集和负相关数据集；数据特征提取：从正相关数据集中提取正相关特征；从负相关数据集中提取负相关特征；数据特征衍生：对正相关特征进行衍生，生成正相关新特征；将正相关特征和正相关新特征进行特征融合，得到融合后的正相关特征；对负相关特征进行衍生，生成负相关新特征；将负相关特征和负相关新特征进行特征融合，得到融合后的负相关特征；模型训练步骤：利用融合后的正相关新特征和融合后的负相关新特征对预先搭建的EmbededWide&Deep模型进行训练，得到训练好的EmbededWide&Deep模型；潜在付费用户预测：提取待预测用户的用户自身行为特征、用户所观看节目的特征和被观看节目的特征；对提取的待预测用户的用户自身行为特征、用户所观看节目的被动特征和被观看节目的主动特征进行特征衍生，形成待预测用户的新特征；将待预测用户的新特征输入到训练好的EmbededWide&Deep模型中，输出待预测用户是潜在付费用户还是非潜在付费用户。2.如权利要求1所述的智能电视中潜在付费用户预测方法，其特征是，所述正相关数据集，包括：付费用户历史观看的付费节目、付费用户历史观看的非付费节目、付费用户历史付费记录、付费用户历史观看付费节目的介绍信息和付费用户历史观看非付费节目的介绍信息；所述付费用户历史付费记录，包括：付费用户历史观看的付费节目和对应的付费时间；所述负相关数据集，包括：未付费用户历史观看的节目和未付费用户历史观看节目的介绍信息。3.如权利要求1所述的智能电视中潜在付费用户预测方法，其特征是，所述正相关特征，包括：节目观看时间段、历史付费记录频次、已付费节目的消费金额、节目的类型、节目的演员、节目的导演、节目的国家、节目的语言、节目的上映时间、节目的评分和节目对应的套餐ID；所述负相关特征，包括：节目观看时间段、节目的类型、节目的演员、节目的导演、节目的国家、节目的语言、节目的上映时间、节目的评分和节目对应的套餐ID。4.如权利要求1所述的智能电视中潜在付费用户预测方法，其特征是，所述正相关新特征，包括：连续正相关特征和连续-离散正相关特征；衍生连续正相关特征：从正相关特征中衍生出设定时间段内用户观看已付费节目的天数、用户平均每天观看的节目数和用户平均每天观看已付费节目的时长特征；衍生连续-离散正相关特征：从正相关特征中衍生出一周每天观看某种类型已付费节目的数量和一天每小时观看某中类型已付费节目的时长特征。5.如权利要求1所述的智能电视中潜在付费用户预测方法，其特征是，所述负相关新特征，包括：连续负相关特征和连续-离散负相关特征；衍生连续负相关特征：从负相关特征中衍生出设定时间段内用户观看未付费节目的天数、用户平均每天观看的未付费节目数和用户平均每天观看未付费节目的时长特征；衍生连续-离散负相关特征：从负相关特...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。