【技术实现步骤摘要】
本专利技术涉及数字电视，尤其涉及一种非智能机顶盒双治理操作方法及系统。
技术介绍
1、近年来，随着数字电视技术的不断发展和普及，机顶盒已成为家庭娱乐和信息获取的重要载体。机顶盒主要分为智能机顶盒和非智能机顶盒两大类，与智能机顶盒相比，非智能机顶盒功能相对单一，主要用于接收和解码数字电视信号，价格也相对较低，在部分农村和偏远地区仍有较大的存量市场。
2、非智能机顶盒在给用户带来便利的同时，也存在一些亟待解决的问题，如由于硬件配置和软件功能的限制，无法灵活拓展新的应用和服务，用户可选择的内容来源较为单一，收看体验有待提升，同时通过非法篡改固件、私自安装第三方软件等手段，使得原本封闭的系统变得开放，使用户容易受到不良信息的影响和误导。
3、因此，亟需一种方案解决现有技术中存在的问题。
技术实现思路
1、本专利技术实施例提供一种非智能机顶盒双治理操作方法及系统，至少能解决现有技术中存在的部分问题。
2、本专利技术实施例的第一方面，提供一种非智能机顶盒双治理操作方法，包括：
3、基于端云协同架构构建非法机顶盒识别模型，获取通信数据包并提取多维度特征，结合注意力机制进行特征筛选得到关键多维特征，对所述关键多维特征进行融合得到交互语义特征，通过卷积神经网络进行联合建模和深度交叉学习，得到综合特征图谱，通过小样本学习技术构建非法行为分类器并识别非法行为，对于非法机顶盒，基于强化学习算法生成最优惩罚动作序列并通过智能合约程序自动触发，通过图神经网络对用
4、通过大数据分析平台获取非智能机顶盒的收视行为数据，基于用户画像技术，结合因子分解机和注意力机制提取隐性特征因子并构建得到用户画像，基于所述用户画像，结合机器学习算法预测每个用户的收视偏好和互动能力得到当前用户对应的升级决策参数，基于所述升级决策参数，通过远程升级服务器发送差异化升级指令，对于升级后的机顶盒，结合所述用户画像下发数字内容和增值应用；
5、在所述大数据分析平台中整合收视相关的全部数据并构建全域知识图谱，通过知识表示学习技术将所述全域知识图谱中的实体和关系嵌入至低维语义空间，生成语义关联网络并通过协同过滤算法分别计算不同用户节点之间、不同内容节点之间和不同广告节点之间的相似度，生成多元语义匹配结果并确定个性化内容推荐列表，根据所述个性化内容推荐列表进行内容投放，投放完毕后记录单位时间内的效果数据并对所述效果数据进行在线多臂老虎机算法处理，生成内容治理报告，将所述内容治理报告和所述最优溯源打击方案整合得到双治理报告。
6、在一种可选的实施方式中，
7、基于端云协同架构构建非法机顶盒识别模型，获取通信数据包并提取多维度特征，结合注意力机制进行特征筛选得到关键多维特征，对所述关键多维特征进行融合得到交互语义特征，通过卷积神经网络进行联合建模和深度交叉学习，得到综合特征图谱，通过小样本学习技术构建非法行为分类器并识别非法行为包括：
8、基于预先设置的端云协同架构构建非法机顶盒识别模型，获取通信数据包作为所述非法机顶盒识别模型的输入数据，提取所述通信数据包中的链路层属性、网络层属性、传输层属性、应用层属性和负载内容，组合得到多维异构数据，对于所述多维异构数据，通过统计分析方法提取通信模式对应的频率特征、周期特征和对象特征，组合得到通信模式统计特征，对于所述负载内容，通过自然语言处理和序列挖掘技术提取得到上下文特征，结合频繁模式挖掘技术提取异常行为对应的组合特征，将提取得到的特征上传至云端，对于所有特征维度进行成对相似度计算，生成全局特征相关图；
9、通过注意力机制对所述全局特征相关图中的节点和边进行权重学习，得到每个节点的显著性权重和每个边的重要性权重，对所述全局特征相关图进行剪枝并提取剪枝后的节点特征，得到所述关键多维特征，对所述关键多维特征，通过基于图嵌入的拓扑关联算法映射至低维向量空间，计算不同关键多维特征在所述低维向量空间中的距离并确定低维空间相似度，结合所述关键多维特征对应的行为事件，确定时序特征并通过因果推断方法计算不同关键多维特征之间的时序因果依赖，通过多核学习方法学习所述低维空间相似度和所述时序因果依赖的核表示，通过多视图联合降维策略映射至公共语义概念空间，生成所述交互语义特征；
10、基于所述交互语义特征和所述关键多维特征，通过卷积神经网络进行联合建模，生成初始综合特征图谱，以所述交互语义特征和所述关键多维特征作为卷积神经网络的输入，以所述初始综合特征图谱的图谱嵌入为卷积核，通过卷积操作确定激活值，通过端到端反向传播更新所述图谱嵌入，得到所述综合特征图谱，基于所述综合特征图谱中每个节点对应的节点嵌入向量，构建训练集并设置小样本分类器作为非法行为分类器，随机初始化所述非法行为分类器的超参数并将所述训练集添加至非法行为分类器进行训练，重复调整所述非法行为分类器的超参数，直至所述非法行为分类器收敛，使用训练完成的非法行为分类器识别非智能机顶盒的非法行为，若存在非法行为，则将当前非智能机顶盒标记为非法机顶盒。
11、在一种可选的实施方式中，
12、对于非法机顶盒，基于强化学习算法生成最优惩罚动作序列并通过智能合约程序自动触发，通过图神经网络对用户行为历史和社交关系进行图嵌入表示学习，确定非法行为传播路径和影响链条，识别关键传播节点并基于因果干预算法模拟切断传播路径效果，生成最优溯源打击方案包括：
13、对于所述非法机顶盒，通过强化学习算法将惩罚过程建模为马尔可夫决策过程，设置状态空间并确定状态参数，所述状态参数包括传播网络的动态结构，每个节点的属性和全局属性，设置动作空间并确定每个动作对应的惩罚力度和资源消耗，在每个时间步，选择被惩罚的节点和惩罚动作作为组合动作，定义状态转移函数和回报函数，基于深度强化学习算法设置动作值函数并选择具有最大函数值的动作，通过深度神经网络进行值函数拟合，求解得到当前时间步对应的最优惩罚动作，重复求解，得到所述最优惩罚动作序列，将所述最优惩罚动作序列写入智能合约，通过合约程序控制惩罚执行；
14、基于所述最优惩罚动作序列确定当前违规用户，根据所述综合特征图谱初始化用户集合并初始化当前违规用户的社交网络，获取当前违规用户的行为历史，基于图神经网络对当前违规用户进行表示学习，通过图卷积层对当前违规用户的节点信息和所述社交网络中当前违规用户的邻居节点对应的节点信息进行聚合，通过注意力机制对所述行为历史进行聚合，对于每个行为，计算对应的注意力权重并进行节点聚合，得到用户嵌入表示；
15、基于所述用户嵌入表示，随机选择用户对并计算当前用户对的用户相似性，根据所述用户相似性计算对应的非法行为传播概率，生成传播概率矩阵并进行剪枝，得到有向加权传播网络，基于所述有向加权传播网络，通过深度优先搜索算法，从所述当前违规用户对应的节点本文档来自技高网...
【技术保护点】
1.非智能机顶盒双治理操作方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，基于端云协同架构构建非法机顶盒识别模型，获取通信数据包并提取多维度特征，结合注意力机制进行特征筛选得到关键多维特征，对所述关键多维特征进行融合得到交互语义特征，通过卷积神经网络进行联合建模和深度交叉学习，得到综合特征图谱，通过小样本学习技术构建非法行为分类器并识别非法行为包括：
3.根据权利要求1所述的方法，其特征在于，对于非法机顶盒，基于强化学习算法生成最优惩罚动作序列并通过智能合约程序自动触发，通过图神经网络对用户行为历史和社交关系进行图嵌入表示学习，确定非法行为传播路径和影响链条，识别关键传播节点并基于因果干预算法模拟切断传播路径效果，生成最优溯源打击方案包括：
4.根据权利要求3所述的方法，其特征在于，所述回报函数如下公式所示：
5.根据权利要求1所述的方法，其特征在于，通过大数据分析平台获取非智能机顶盒的收视行为数据，基于用户画像技术，结合因子分解机和注意力机制提取隐性特征因子并构建得到用户画像，基于所述用户画像，结合机器学习算法
6.根据权利要求5所述的方法，其特征在于，通过内容过滤算法进行匹配如下公式所示：
7.根据权利要求1所述的方法，其特征在于，在所述大数据分析平台中整合收视相关的全部数据并构建全域知识图谱，通过知识表示学习技术将所述全域知识图谱中的实体和关系嵌入至低维语义空间，生成语义关联网络并通过协同过滤算法分别计算不同用户节点之间、不同内容节点之间和不同广告节点之间的相似度，生成多元语义匹配结果并确定个性化内容推荐列表，根据所述个性化内容推荐列表进行内容投放，投放完毕后记录单位时间内的效果数据并对所述效果数据进行在线多臂老虎机算法处理，生成内容治理报告，将所述内容治理报告和所述最优溯源打击方案整合得到双治理报告包括：
8.非智能机顶盒双治理操作系统，用于实现前述权利要求1-7中任一项所述的方法，其特征在于，包括：
9.一种电子设备，其特征在于，包括：
10.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至7中任意一项所述的方法。
...【技术特征摘要】
1.非智能机顶盒双治理操作方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，基于端云协同架构构建非法机顶盒识别模型，获取通信数据包并提取多维度特征，结合注意力机制进行特征筛选得到关键多维特征，对所述关键多维特征进行融合得到交互语义特征，通过卷积神经网络进行联合建模和深度交叉学习，得到综合特征图谱，通过小样本学习技术构建非法行为分类器并识别非法行为包括：
3.根据权利要求1所述的方法，其特征在于，对于非法机顶盒，基于强化学习算法生成最优惩罚动作序列并通过智能合约程序自动触发，通过图神经网络对用户行为历史和社交关系进行图嵌入表示学习，确定非法行为传播路径和影响链条，识别关键传播节点并基于因果干预算法模拟切断传播路径效果，生成最优溯源打击方案包括：
4.根据权利要求3所述的方法，其特征在于，所述回报函数如下公式所示：
5.根据权利要求1所述的方法，其特征在于，通过大数据分析平台获取非智能机顶盒的收视行为数据，基于用户画像技术，结合因子分解机和注意力机制提取隐性特征因子并构建得到用户画像，基于所述用户画像，结合机器学习算法预测每个用户的收视偏好和互动能力得到当前用户对应的升级决策参数，基于所述...
【专利技术属性】
技术研发人员：吕亮，冯吉锋，吴锦鸿，谢磊，孙添恩，
申请(专利权)人：宁波江北华数广电网络有限公司，
类型：发明
国别省市：
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。