基于多源信号的影音设备智能化管理方法及系统与流程

本发明涉及个性化推荐，具体为基于多源信号的影音设备智能化管理方法及系统。

背景技术：

1、随着技术进步，传统的模拟视频逐渐被数字视频取代。数字化使得视频的存储、传输和处理更为高效；云技术的发展使得视频数据的存储和处理不再依赖本地硬件，用户可以方便地在云平台上管理和分享视频内容；随着算法和ai技术的成熟，视频管理系统逐渐引入机器学习算法，实现个性化推荐、视频分类和内容分析，提升用户体验；随着技术的进一步发展，未来影音设备的视频管理将更加智能化，能够提供更精准的推荐和更加个性化的用户体验。虽然随着影音设备中视频推荐愈发趋向于个性化，一方面虽然极大的贴合用户的喜好，提高了用户的使用体验；但是另一方面，由于个性化的视频内容推荐，极大地压榨了用户观看视频种类的多样性，使用户只能看到想看到的内容，无法提供用户未了解的内容；构成了另类的“信息茧房”，使用户观看的视频失去了新颖性和多样性。

技术实现思路

1、本发明的目的在于提供基于多源信号的影音设备智能化管理方法及系统，以解决现有技术中提出的问题。

2、为实现上述目的，本发明提供如下技术方案：

3、基于多源信号的影音设备智能化管理方法，所述方法包括以下步骤：

4、s100、收集历史中影音设备播放的所有视频，利用深度学习模型对收集的历史中所有视频进行分类生成视频数据库，利用支持向量机对分类后的视频进行训练构建视频分类器；

5、进一步的，利用支持向量机对分类后的视频进行训练构建视频分类器的具体步骤为：

6、s101、收集历史中影音设备播放的所有视频，利用卷积神经网络提取收集的每个视频每一帧的特征，公式为：

7、；

8、公式中，表示提取的每个视频每一帧的特征，cnn表示卷积神经网络算法，表示每个视频中每一帧图像；

9、利用循环神经网络算法对提取的每一帧特征结合时间顺序进行时序建模，提取历史中每个视频内每一帧的时间顺序，公式为：；公式中，表示构建的时序模型，lstm表示循环神经网络，表示每一帧的特征，表示每一帧对应的时间顺序；

10、结合每一帧的特征提取和时序模型构建深度学习模型，生成的深度学习模型为，深度学习模型中out表示输出结果，softmax表示激活函数，dense表示全连接层；利用构建的深度学习模型对收集的所有视频进行分类，得到分类结果为，表示分类得到的第1、2、3、...、n种视频类型，n为正整数；利用分类后的视频类别生成视频数据库；

11、s102、在对历史中的视频进行分类后，将分类后的视频数据库作为训练集输入到支持向量机中，训练得到视频分类器；影音设备利用无线网络在云端提前视频，利用视频分类器对提取的视频进行分类后，传输到视频数据库对应的视频类别中。

12、通过深度学习模型对历史中影音设备内播放的所有数据进行分类，生成视频数据库，并利用视频数据库对支持向量机进行训练构建视频分类器，在影音设备在网络中提取视频后利用分类器进行实时分类；对视频进行分类后，用户在观看视频时可以根据不同分类快速查找感兴趣的视频。

13、s200、收集历史中影音设备用户对所有视频的观看数据，对用户历史中所有视频的观看数据进行分析，将视频数据库中的所有视频种类进行二次划分，分别构建爱好组、屏蔽组和待定组；并对爱好组内视频种类用户的观看时间进行标记，生成用户习惯列表；

14、进一步的，生成用户习惯列表的具体步骤为：

15、s201、收集历史中影音设备用户对所有视频的观看数据，提取观看数据中每种类型视频的观看次数为，表示历史中用户观看第1、2、3、...、n种视频的观看次数；将观看次数从小到大进行排序后，计算相邻种类视频观看次数的差值，经过计算得到所有观看次数差值为，表示计算得到第1、2、3、...n-1个相邻观看次数的差值，对n-1个观看次数差值进行判断，选择观看次数差值最大的两个差值生成节点，将排序中前一个最大差值作为屏蔽组和待定组的节点1，将排序中后一个最大差值作为屏蔽组和爱好组的节点2；将在排序中节点1之前的所有视频类型作为屏蔽组；将排序中节点1和节点2之间的视频类型作为待定组；将排序中节点2之后的视频类型作为爱好组；

16、s201、提取生成的爱好组内视频类型在历史中用户的观看时间，利用观看时间对爱好组内的每种视频类型进行标记为，表示标记后爱好组内第1、2、3、...、m种视频类型；利用标记的视频类型和时间生成用户习惯列表。

17、利用用户历史中对所有种类视频的观看数据可以分析得到用户对每种视频的喜爱程度，将所有视频二次分为爱好组、待定组和屏蔽组，屏蔽组表示用户不喜欢的视频种类，影音设备将这类视频进行屏蔽不进行播放；并对用户观看爱好组内的视频时间进行记录，生成用户习惯列表；在用户使用影音设备时根据用户习惯列表提供个性化、人性化的视频推荐，大大提高了用户观看视频的舒适度。

18、s300、根据用户习惯列表记录历史中用户在每个习惯时间内观看非用户习惯列表记载种类视频的事件，将事件判断为用户情绪异常，统计所有记录的时间差计算得到视频更新周期；

19、进一步的，统计所有记录的时间差计算得到视频更新周期的具体步骤为：

20、s301、根据用户习惯列表记录历史中用户在每个习惯时间内观看非用户习惯列表记载种类视频的事件，将事件判断为用户情绪异常，提取每次事件发生的时间为，表示提取的第1、2、3、...、j次事件的时间，j为正整数；计算相邻两次事件发生的时间差，设计算得到所有时间为，表示计算的第1、2、3、...、j-1个相邻时间差；

21、s302、利用计算的相邻时间差和对应时间段绘制曲线图，将曲线图中纵坐标相邻时间差作为视频更新周期，构建出动态变化的不同时间段视频更新周期。

22、s400、收集历史中用户在使用影音设备观看视频时对视频的切换频率，对收集的历史中用户视频切换频率进行分析，计算得到用户情绪正常阈值；

23、进一步的，计算得到用户情绪正常阈值的具体步骤为：

24、s401、收集历史中用户在使用影音设备观看视频时对视频的切换频率为，表示收集的历史中用户第1、2、3、...、g次使用影音设备观看视频时对视频的切换频率，g为正整数；利用收集的所有切换频率绘制曲线图，生成切换频率曲线；

25、s402、对生成的切换频率曲线进行求导运算，生成导数曲线，在导数曲线中查找最大峰值，将查找的导数曲线中的最大峰值映射到切换频率曲线中，在切换频率曲线中提取映射点对应的切换频率qy，将qy作为用户情绪正常阈值。

26、对历史中用户观看视频时对视频的切换频率进行分析，利用用户对视频的切换频率反映出用户的情绪状态，当切换频率过多时证明用户对已播放的视频不满意，迫切查找喜欢的视频；利用切换频率可以计算得到用户的情绪正常阈值；

27、s500、当用户使用影音设备观看视频时，实时采集用户使用影音设备的时间，在用户习惯列表内通过实时时间对标记时间进行排查，自动播放用户爱好组内的视频；

28、进一步的，自动播放用户爱好组内的视频的具体步骤为：

29、s501、当用户使用影音设备观看视频时，实时采集用户使用影音设备的时间为ts，在用户习惯列表内通过实时时间对标记时间进行遍历排查，当ts∈time时，提取time对应的视频种类自动播放。

30、s600、在自动播放用户爱好组内的视频前，计算实时时间和上一次用户情绪异常的时间差值，判断时间差值是否到达视频更新周期，当判断到达时自动播放待定组内视频；当未到达时利用用户情绪正常阈值对用户情绪进行判断后，重新播放视频。

31、利用用户习惯列表对用户观看时间进行判断后，提供用户喜欢的视频种类；利用个性化的视频播放模式，更加贴切用户观看视频习惯，方便用户查找喜欢的视频。吸引用户长时间使用平台，增加观看时长，从而增强用户忠诚度。减少用户在选择内容时的决策负担，让观看体验更顺畅。

32、进一步的，判断时间差值是否到达视频更新周期的具体步骤为：

33、s601、在自动播放用户爱好组内的视频前，提取记录的上一次用户情绪异常时的时间为tj，计算实时时间和上一次用户情绪异常的时间差值为tc，将实时时间代入到视频更新周期曲线中，计算得到实时时间对应的视频更新周期为st，对计算的时间差值在视频更新周期中进行判断，当时，判断需要更新视频种类，将待定组内的视频进行播放；

34、通过对用户观看视频的实时时间进行判断，当到达视频更新周期时，向用户播放待定组内的新视频，增加用户的观看视频的多样性和新颖性；避免用户一直观看同种类视频产生视频疲劳和厌烦，增加了用户的观看体验；

35、s602、当时，判断实时时间没有到达视频更新周期，继续自动播放爱好组内的视频；之后对用户实时情绪进行判断，提取用户在使用影音设备观看自动播放的爱好组内视频的实时切换次数和观看时间，计算得到实时切换次数，公式为：，公式中，qs表示计算的用户对视频的实时切换频率，k表示实时切换次数，gt表示用户实时对爱好组内视频的观看时间；

36、当时，判断用户实时情绪异常，停止自动播放爱好组内的视频，更新播放待定组内的视频；当时，判断用户实时情绪正常，继续播放爱好组内的视频。

37、通过对用户情绪进行实时判断，当用户情绪异常时停止播放爱好组视频，改变为播放待定组内的新视频，为用户提供新颖的视频种类，避免用户因情绪异加剧，帮助用户更好地沉浸在观看体验中，提升观看的愉悦感，提升个性化推荐的深度与精准度，创造更加贴心的用户体验。

38、基于多源信号的影音设备智能化管理系统，影音设备智能化管理系统包括数据收集模块、视频分类模块、用户习惯分析模块、视频更新模块和用户情绪分析模块；

39、所述数据收集模块用于对用户在历史中使用影音设备观看视频时的切换频率、观看数据；收集历史中影音设备播放的所有视频；

40、所述视频分类模块用于对收集的历史中影音设备播放的所有视频进行分析，构建深度学习模型对所有视频进行分类，构建视频数据库，将视频数据库作为训练集，输入到支持向量机中训练得到视频分类器，对影音设备从网络中提取所有视频进行实时分类；

41、所述用户习惯分析模块用于对用户历史中所有视频的观看数据进行分析，将视频数据库中的视频进行二次分类为爱好组、待定组和屏蔽组；并对爱好组内视频用户观看时间进行标记生成用户习惯列表；

42、所述视频更新模块用于对用户使用影音设备观看视频的实时时间进行判断，利用视频更新周期在用户观看视频时播放待定组内的视频，完成视频更新；并通过对用户情绪进行判断更新视频；

43、所述用户情绪分析模块用于对用户在历史中使用影音设备观看视频时对视频的切换频率进行分析，绘制曲线图，求取曲线导数，查找导数曲线最大峰值并在切换频率曲线中映射，利用映射点生成用户情绪正常阈值，利用情绪正常阈值对用户的实时情绪进行判断。

44、视频分类模块包括视频数据库单元和分类器构建单元；

45、所述视频数据库单元用于对收集的历史中影音设备播放的所有视频进行分析，构建深度学习模型对所有视频进行分类，构建视频数据库；

46、所述分类器构建单元用于将视频数据库作为训练集，输入到支持向量机中训练得到视频分类器，对影音设备从网络中提取所有视频进行实时分类。

47、视频更新模块包括周期更新单元和情绪异常更新单元；

48、所述周期更新单元用于通过计算的视频更新周期对用户实时使用影音设备的时间进行判断，播放待定组内的视频进行更新；

49、所述情绪异常更新单元用于利用用户情绪正常阈值对用户实时情绪进行判断，当用户情绪异常时播放待定组内的视频，完成视频更新。

50、与现有技术相比，本发明的有益效果是：

51、1、本发明利用视频数据库对支持向量机进行训练构建视频分类器，在影音设备在网络中提取视频后利用分类器进行实时分类；对视频进行分类后，用户在观看视频时可以根据不同分类快速查找感兴趣的视频。

52、2、本发明提供用户喜欢的视频种类；利用个性化的视频播放模式，更加贴切用户观看视频习惯，方便用户查找喜欢的视频。吸引用户长时间使用平台，增加观看时长，从而增强用户忠诚度。减少用户在选择内容时的决策负担，让观看体验更顺畅。

53、3、本发明通过对用户观看视频的实时时间进行判断，当到达视频更新周期时，向用户播放待定组内的新视频，增加用户的观看视频的多样性和新颖性；避免用户一直观看同种类视频产生视频疲劳和厌烦，增加了用户的观看体验。

54、4、本发明通过对用户情绪进行实时判断，当用户情绪异常时停止播放爱好组视频，改变为播放待定组内的新视频，为用户提供新颖的视频种类，避免用户因情绪异加剧，帮助用户更好地沉浸在观看体验中，提升观看的愉悦感，提升个性化推荐的深度与精准度。