Система рекомендателя с применением совместимого профиля

Система рекомендателя с применением совместимого профиля

Иллюстрации

Показать все

Реферат

ОБЛАСТЬ ТЕХНИКИ, К КОТОРОЙ ОТНОСИТСЯ ИЗОБРЕТЕНИЕ

Настоящее изобретение относится к устройству, способу и компьютерному программному продукту для управления системой рекомендателя для по меньшей мере одного элемента контента.

УРОВЕНЬ ТЕХНИКИ

Накопители на жестких дисках и технологии сжатия цифровых видеосигналов создали возможность телевидения (ТВ, TV) прямой трансляции с временным сдвигом и записи большого количества ТВ-показов в высоком качестве, не вынуждая беспокоиться о наличии магнитных лент или других съемных запоминающих носителей. Одновременно, оцифровка аудиовизуальных сигналов приумножила количество источников контента для обычного пользователя. Огромное количество видеоклипов ежедневно публикуются в сети Интернет через различные службы, и все крупные производители контента уже делают все свои библиотеки контента доступными в интерактивном режиме. Как следствие, тысячи потенциально разрастающихся программ делаются доступными каждый день и могут локально записываться и сохраняться для более позднего доступа. Отсюда, оцифровка аудиовизуальных материалов вместе с широкой доступностью высокоскоростной передачи данных привели к неизменно возрастающему количеству контента, который любой потребитель имеет в распоряжении для потребления в любой момент времени. Большие хранилища аудиовизуальных цифровых объектов или элементов контента имеются в распоряжении в сети Интернет и являются соперничающими с цифровыми каналами ТВ прямой трансляции и библиотеками видео по запросу (VoD), предлагаемыми поставщиками ТВ-услуг. Вообще, термин «элемент контента» здесь используется в известном смысле, в котором он представляет элемент информации в пределах участка контента.

Однако, ввиду этого огромного количества предлагаемых элементов контента, индивидуальный отбор контента становится важным вопросом. Информация, которая не подходит к профилю пользователя, должна отфильтровываться, и должен выбираться правильный элемент контента, который соответствует нуждам и предпочтениям пользователя (например, профилю пользователя).

Системы рекомендателя принимают меры в ответ на эти проблемы, оценивая степень привлекательности определенного элемента контента для определенного профиля пользователя и автоматически ранжируя элемент контента. Это может делаться посредством сравнения характеристик (например, признаков, метаданных, и т.д.) элемента контента с профилем пользователя или с подобными профилями других пользователей. Таким образом, системы рекомендателя могут рассматриваться в качестве инструментов для отфильтровывания нежелательного контента и доведения интересного контента до внимания пользователя.

Использование технологии рекомендателя неуклонно выводится на рынок. В числе различных примеров, веб-сайты предлагают рекомендатель для поддержки пользователей при отыскании элементов контента (например, кинофильмов), которые им нравятся, и электронные устройства (например, персональные устройства видеозаписи) используют рекомендатель для автоматической фильтрации элементов контента. Системы рекомендателя все больше и больше применяются для индивидуализации или персонализации услуг и продуктов посредством изучения профиля пользователя, при этом технологии машинного обучения могут использоваться, чтобы делать заключение о показателях популярности новых элементов контента.

Широко применяемыми технологиями рекомендателя являются совместное фильтрование и простая байесова классификация. В силу этого, из громадного количества элементов контента могут извлекаться только те элементы, которые соответствуют профилю пользователя или группы пользователей (то есть профилю пользователя). Рекомендатели типично предлагаются в качестве автономных служб или блоков, либо в качестве дополнения (например, подключаемых модулей) в существующие службы или блоки. Они все больше и больше появляются в бытовых устройствах, таких как ТВ-приемники или устройства видеозаписи, либо службах, используемых такими устройствами. Рекомендатели типично требуют обратной связи от пользователя для изучения предпочтений пользователя. Неявное обучение освобождает пользователя от необходимости оценивать показатель популярности элементов явным образом и может получаться посредством наблюдения за действиями пользователя, такими как покупки, загрузки, выборы элементов для воспроизведения или удаления, и т.д. Выявленные действия пользователя могут интерпретироваться рекомендателем и переводиться в показатель популярности. Например, рекомендатель может интерпретировать действие покупки в качестве положительного показателя популярности или, в случае видеоэлементов, суммарная продолжительность просмотра более/менее чем 50% может иметь следствием положительный/отрицательный показатель популярности. Типично, профиль пользователя строится посредством сбора или получения информации от пользователей от том, в чем они нуждаются, и конкретизируется посредством использования предпочтения пользователя касательно выбранных элементов контента.

Так как время потребителя для выбора и пользования имеющимися в распоряжении цифровыми объектами контента не увеличивается, важность надлежащего указания на наиболее интересный и подходящий аудиовизуальный контент приобретает значение. Типично, интернет-сайты, поставщики услуг и производители устройств предлагают изолированные решения для предоставления надлежащего указания посредством своего конкретного предложения, например, когда просматривается конкретное видео, пользователю рекомендуются другие видео, которые ему/ей понравилось бы смотреть, после того, как было завершено воспроизведение элемента. Однако, не будет предположений между областями в отношении того, что он/она желали бы смотреть по другим каналам, например, таким как ТВ прямой трансляции.

Существующие подходы для предоставления возможности осуществлять поиск по изолированным решениям сегодня основаны на двух элементах:

1. Слиянии профилей пользователя (здесь, например, два сайта соглашаются совместно использовать информацию, собранную о пользователе для того, чтобы улучшать возможности нацеливания на обоих сайтах, используя дополнительно добытые догадки);

2. Рекомендации между областями (здесь, один профиль пользователя переводится в другую область, например профиль, выведенный из истории покупок интернет-магазина, переводится в профиль, который может использоваться рекомендателем, эксплуатируемым в качестве части службы VoD).

Профили пользователя, собранные в отдельных областях или бункерных хранилищах, показывают слабые эксплуатационные качества рекомендаций между бункерными хранилищами. Сайт EPG (электронного расписания программ), который обладает признаком превосходных рекомендаций для планирования программ ТВ прямой трансляции, поэтому будет неспособным показывать такие же эксплуатационные качества рекомендаций для цифровых объектов библиотеки VoD. Это вновь приводит к разделению, поскольку владельцы сайта EPG не будут выкладывать рекомендации VoD, так как плохие рекомендации, хотя и только для цифровых объектов VoD, дают в результате общее снижение восприятия качества сайта.

СУЩНОСТЬ ИЗОБРЕТЕНИЯ

Цель настоящего изобретения состоит в том, чтобы предложить усовершенствованную систему рекомендателя с улучшенными междоменными эксплуатационными качествами рекомендаций.

Эта цель достигается способом, как заявлен в пункте 1 формулы изобретения, или пункте 6 формулы изобретения, устройством, как заявлено в пункте 8 формулы изобретения или пункте 9 формулы изобретения, и компьютерным программным продуктом, как заявлен в пункте 10 формулы изобретения.

Метаданные будут означать любую информацию, добавленную к или ассоциативно связанную с конкретным элементом контента, который должен быть подвергнут оценке показателя популярности, то есть «данные о данных», любой разновидности на любых носителях. Элемент метаданных может описывать отдельный элемент метаданных или набор данных, в том числе многочисленные элементы контента и/или иерархические уровни, например схему базы данных. Дополнительно, метаданные могут быть используемыми в определении данными, которые дают информацию о или документирование другого элемента контента или группы элементов контента. Например, метаданные могут документировать данные об элементах или атрибутах данных (наименовании, размере, типе данных, жанре, настроении, распределении ролей, и т.д.) элемента контента или группы элементов контента, и данные о записях или структурах данных (длине, полях, столбцах, и т.д.) элемента контента или группы элементов контента, и данные о данных (где они расположены, как они ассоциативно связаны, собственность, и т.д. элемента контента или группы элементов контента. Метаданные также могут включать в себя описательную информацию о контексте, качестве и состоянии или характеристиках элемента контента или группы элементов контента.

Соответственно, предложенная информация и/или обогащение метаданных могут гарантировать, что полученный профиль пользователя применим для рекомендаций независимо от области цифровых объектов. Метаданные контента особенным образом подготавливаются для всех областей разных источников контента, обеспечивая корректности и совместимость между разными областями. Более того, опыт пользователя, выведенный из средства неявной и/или явной обратной связи, может сохраняться совместимым по всем областям. Более точно, доступность совместимых метаданных контента гарантирует, что один идентичный профиль постоянно применим ко всем областям для выдачи рекомендаций наивысшего качества. Совместимость качества рекомендаций и опыта пользователя в возможностях сопряжения и взаимодействия между разными областями предоставляет возможность прямой применимости машины рекомендателя для различных областей.

Согласно первому аспекту, формат принятых метаданных, например, может быть форматом расширяемого языка разметки. В этом случае, преобразование расширяемого языка таблиц стилей может использоваться для обработки преобразования. Более точно, специальный документ преобразования расширяемого языка таблиц стилей, который описывает, каким образом автоматически преобразовывать метаданные принятого формата в метаданные предопределенного общего формата, могли бы создаваться для каждой области или формата. Конечно, могли бы использоваться другие форматы (документа) для сохранения передачи или пересылки связанных с контентом метаданных. Обработка преобразования и необязательные документы преобразований в таком случае должны выбираться на основании используемого формата (документа) метаданных.

Согласно второму аспекту, который может комбинироваться с первым аспектом, могло бы проверяться, является ли принятый формат принятых метаданных известным форматом. Затем, принятые метаданные могли бы отбрасываться и соответствующая информация могла бы отправляться в источник принятого формата, если принятый формат является неизвестным форматом. В силу этого, соответствующему источнику контента могло бы внушаться, что следует использовать другой формат для его метаданных.

Согласно третьему аспекту, который мог бы комбинироваться с любым из первого и второго аспектов, новый элемент контента может приниматься, и он может проверяться на основании принятых метаданных, имеющих отношение к принятому элементу контента, принадлежит ли новый элемент контента к специальному объему группы рекомендаций машины рекомендателя. Затем, если принятый новый элемент контента не принадлежит ни к какому специальному объему, принятый новый элемент контента может использоваться для установления нового объема или добавления принятого нового контента к существующему объему.

Согласно четвертому аспекту, который мог бы комбинироваться с любым из с первого по пятый аспекты, обогащение метаданных может содержать поиск по меньшей мере одного классифицирующего терма в текстовой информации (например, информации о названии, или тому подобном) извлеченных метаданных и выведение нового параметра классификации посредством обобщения по меньшей мере одного классифицирующего терма.

Отмечено, что вышеприведенное управление или устройство рекомендателя могут быть реализованы в качестве дискретной аппаратной схемы с дискретными аппаратными компонентами, в качестве интегральной микросхемы, в качестве компоновки модулей микросхем или в качестве устройства обработки сигналов или компьютерного устройства, или микросхемы, управляемых программной процедурой или программой, хранимой в памяти.

КРАТКОЕ ОПИСАНИЕ ЧЕРТЕЖЕЙ

Изобретение далее будет описано в качестве примера на основании вариантов осуществления со ссылкой на прилагаемые чертежи, на которых:

фиг.1 показывает принципиальную структурную схему системы рекомендателя согласно варианту осуществления настоящего изобретения;

фиг.2 показывает принципиальную схему блока или функции обработки преобразования согласно варианту осуществления настоящего изобретения;

фиг.3 показывает блок-схему последовательности операций способа обработки для достижения общего формата распространяемых метаданных согласно варианту осуществления настоящего изобретения;

фиг.4 показывает блок-схему последовательности операций способа обработки для назначения элемента контента на объем рекомендаций согласно варианту осуществления настоящего изобретения; и

фиг.5 показывает блок-схему последовательности операций способа обработки для обогащения принятых метаданных согласно варианту осуществления настоящего изобретения.

ОПИСАНИЕ ВАРИАНТОВ ОСУЩЕСТВЛЕНИЯ

Варианты осуществления настоящего изобретения далее будут описаны на основании примерной системы рекомендатателя, которая формирует показатели популярности на элементах контента, таких как книги, ТВ-программы, кинофильмы и т.д.

Фиг.1 показывает принципиальную структурную схему устройства или системы рекомендателя, которая содержит базу 103 метаданных, приспособленную для приема связанных с контентом метаданных из множества разных источников с 101-1 по 101-n (с S1 по Sn) разных областей, таких как служба EPG (электронного расписания программ) для ТВ прямой трансляции, которая поставляет метаданные о ТВ-программах, источник каталогов видео по запросу (VoD), ведущие источники сети Интернет (например, видеоподкасты) и т.д., через функцию 102 устройства или сервера обработки совместимости (CPA) для порождения совместимости и достоверности в промежуточном местоположении, где связанные с контентом метаданные разных источников с 101-1 по 101-n контента принимаются и преобразуются для достижения или порождения совместимости и достоверности по всем разным областям. База 103 метаданных может быть присоединена к по меньшей мере одному фильтру 105 (F) предварительного отбора, который ассоциативно связан с персонализированным каналом контента и который соответствующим образом фильтрует элементы контента. Отмечено, что могло бы быть предусмотрено любое количество персонализированных каналов контента. Выход фильтра 105 предварительного отбора присоединен к соответственной машине 107 рекомендателя (RE). Таким образом, каждый персонализированный канал контента может иметь собственную машину 107 рекомендателя, ассоциативно связанную с ним. Каждая машина 107 рекомендателя, а отсюда персонализированный канал контента имеет профиль 109 (P), ассоциативно связанный с ними. Выход машины 107 рекомендателя присоединен к планировщику 111 (SCH). Планировщик 111 присоединен к запоминающему устройству 113 (например, набору приводов на жестких дисках) и к селектору 115 (SEL).

В варианте осуществления, устройство 102 обработки совместимости может быть приспособлено для активного извлечения метаданных из разных источников с 101-1 по 101-n контента. Это, например, могло бы достигаться сохранением адресной или контактной информации (например, адресов сервера) по меньшей мере некоторых из источников с 101-1 по 101-n контента в устройстве 102 обработки совместимости или получением адресной или контактной информации из удаленного источника или базы данных, и использованием этой адресной или контактной информации для осуществления доступа к соответственному из источников с 101-1 по 101-n контента.

В дополнение к связанным с контентом метаданным, источники с 101-1 по 101-n контента, например, поставляют по меньшей мере аудио/видеоинформацию широковещательным или действующим по требованию образом наряду с тем, что это включает в себя опосредованное предоставление посредством адресов сети Интернет (например, URI (универсальных идентификаторов ресурсов)). Связанные с контентом метаданные, например, могли бы быть информацией EPG внутри кадрового интервала гашения видеосигнала, или метаданными MPEG-7 в сегментах конкретного элемента контента (например, на границах сцены кинофильма), или загрузкой RSS, описывающей разные эпизоды видеоблога или видеоподкаста. RSS (в большинстве случаев раскрываемое как «передача оперативных сводок новостей по сети Интернет») является семейством форматов веб-загрузки, используемых для опубликования часто обновляемых работ - таких как отдельные записи блогов, заголовки новостей, аудио и видео - в стандартизованном формате. Документ RSS (который называется «загрузкой» «веб-загрузкой» или «каналом») включает в себя полный или обобщенный текст плюс метаданные, такие как даты опубликования и авторство. Разные источники с 101-1 по 101-n контента могут быть присоединены к селектору 115, содержащему по меньшей мере один набор средств изоляции контента (например, тюнер или тому подобное), который предоставляет возможность изолировать один или более элементов контента для записи на запоминающем устройстве 113. Выход селектора 115 присоединен к запоминающему устройству 113.

Метаданные цифровых объектов, которые являются частью имеющихся в распоряжении служб источников с 101-1 по 101-n контента, собираются, обогащаются и выравниваются в устройстве 102 обработки совместимости, чтобы сформировать обогащенную и совместимую базу 103 метаданных, которая также может быть расположена удаленно от машины 107 рекомендателя. Получающийся в результате набор совместимых метаданных затем делается доступным решениям внешнего интерфейса, например, веб-сайту или устройствам с выводом экранного отображения для телевизионного приемника, которые включают в себя или используют систему рекомендателя. Система рекомендателя затем может бесшовно применяться по всем известным ресурсам или областям, например, рекомендатель, который был обучен в контексте EPG, может немедленно выдавать превосходные рекомендации для цифровых объектов VoD.

Совместимый интерфейс 106 пользователя (CUI) 106, который также может принимать связанную с выбором информацию из селектора 1115, сообщает всю существенную информацию о взаимодействиях с пользователем в классификатор 104 (CL), который извлекает метаданные, которые относятся к таким взаимодействиям, из базы 103 метаданных. Классификатор 104 (CL) переводит неявным образом наблюдаемые пользовательские действия и явный пользовательский ввод в две настройки: 1) профиль 109, который используется рекомендателем 107 (RE) для вычисления по меньшей мере одной оценки для элемента контента; и 2) настройку фильтра 105 (F), которая выполняет предварительный отбор потенциально интересных элементов контента, имеющихся в распоряжении в базе 103 метаданных.

Далее будет описана работа устройства по фиг.1. Метаданные текущего элемента контента, который должен воспроизводиться по персонализированному каналу контента, набираются из соответственного источника контента (например, Интернет-службы) или получаются через другое средство, например, посредством передачи в кадровом интервале гашения аналогового сигнала ТВ-вещания или посредством транспортных потоков цифрового видеовещания (DVB), или комбинации любого из вышеприведенных, и преобразуются в промежуточном местоположении, которое может находится на входе системы или устройства рекомендателя или в удаленном местоположении. Элемент контента может быть ТВ-программой, потоком данных, содержащим в себе видео и/или аудиоданные, или частью программы и т.д.

Метаданные могут содержать множество атрибутов и значений атрибутов, ассоциативно связанных с элементом контента, таким как название, актеры, режиссер и жанр. Каждый профиль 109 основан на метаданных вместе с данными, указывающими «симпатию» или «антипатию» пользователя. Показатель популярности «симпатии» или «антипатии» может быть основан на элементах обратной связи или контента, которые проходят ассоциативно связанный фильтр 105 предварительного отбора. Эта обратная связь, например, может выдаваться через совместимый интерфейс 106 пользователя в качестве явного показателя популярности пользователями, которые используют конкретный персонализированный канал контента. Показатели популярности могут производиться несколькими способами. Например, пользователь может с использованием удаленного устройства управления указывать для выбранного на данный момент элемента контента или данного атрибута текущего элемента контента этот показатель популярности («симпатию» или «антипатию») посредством нажатия надлежащих кнопок в интерфейсе пользователя (например, удаленном устройстве управления), пока тянется текущий элемент контента. В качестве альтернативы, может наблюдаться поведение пользователя. Например, если пользователь смотрит текущий элемент контента в течение более чем предопределенного временного интервала (например, 20 минут), это могло бы автоматически указывать «симпатию». На более современном экране интерфейса настройки явный уровень «симпатии» по дискретной или непрерывной шкале может выдаваться для по меньшей мере одного из атрибутов и значений атрибутов, ассоциативно связанных с элементом контента, вместо просто двоичной классификации «симпатии» или «антипатии». Например, уровень симпатии для атрибута актер кино со значением «Клинт Иствуд» может быть установлен в пять звезд.

Когда информационные данные элемента контента проходят фильтр 105, эти информационные данные пересылаются в машину 107 рекомендателя. Машина 107 рекомендателя рассчитывает уровень «симпатии» или показатель популярности на основании ассоциативно связанного профиля 109 для этого следующего элемента контента. Информационные данные, ассоциативно связанные со следующим элементом контента затем пересылаются, наряду с вычисленным показателем популярности, в планировщик 111, который, по существу, рассчитывает план записи, который будет использоваться для планирования записи элементов контента, предложенных машиной 107 рекомендателя, на запоминающее устройство 113. В частности, планировщик 111, главным образом может рассматривать элементы контента высокого уровня симпатии или показателя популярности наряду с прежним рассмотрением достаточного количества нового контента для каждого персонализированного канала контента. Для этой цели план записи, рассчитанный планировщиком 111, используется для инструктирования планировщика 115, чтобы выбирал элементы контента, имеющиеся в распоряжении из связанного одного из источников с 101-1 по 101-n контента, чтобы записывать их на запоминающем устройстве 113.

Профили использования или пользователя могут выводиться с использованием трех основных способов: явного профилирования, неявного профилирования и профилирования с обратной связью. Способы явного профилирования получают профили использования контента незаметно, из статистических данных использования пользователя, например, наборов просмотренных и не просмотренных ТВ-показов. Способы явного профилирования получают профили использования контента из отвеченных пользователем вопросов, так как таковые включают в себя явные вопросы о предпочтениях пользователя, например, сильное предпочтение в отношении актера «Клинт Иствуд». Способы профилирования с обратной связью получают профили пользователя из элементов контента, для которых пользователь предоставил показатели популярности уровня симпатии или антипатии.

Первым примером совместимого интерфейса 106 пользователя может быть персональное расписание программ для планирования программ прямой трансляции, например, на дисплейном экране. Вслед за вещательными каналами прямой трансляции, персональные просмотры могут создаваться при имеющемся в распоряжении планировании программ ТВ прямой трансляции посредством простого выбора одной из таких программ ТВ прямой трансляции в качестве затравочной программы, а затем назначения этому новому варианту выбора просмотра специфичной метки. Кроме того, все программы, которые появляются в просмотре экрана, могут подвергаться оценке показателя популярности для уточнения персонализированного просмотра, отличающегося своими настройками фильтра и профилем. Отмечено, что расписание программ может быть приспособлено для бесшовного перечисления планирования программ из служб ТВ прямой трансляции и VoD.

Вторым примером совместимого интерфейса 106 пользователя может быть персональное расписание программ для элементов контента по запросу, например, на дисплейном экране. В этом примере, применение профилей, которые были созданы в пределах объема персональных вариантов выбора просмотра EPG, дает мгновенный обзор элементов контента VoD, которые соответствуют предпочтениям зрителя для каждого интересующего объема. Пользователь типично может возвращаться к такому экрану, так как он является эффективным и крайне удобным способом осуществлять навигацию по гигантской библиотеке контента. Одновременно, часть площади экрана может использоваться для продвижения элементов контента, которым необходимо распродаваться со скидкой (например, последнего шанса), или которые предусматривают резерв торговой наценки, когда продаются (например, только что поступивших). Отмечено, что парадигма использования идентична приведенному выше персональному расписанию программ для ТВ прямой трансляции. К тому же, здесь пользователь может выбирать любой элемент контента, представленный на экране, и использовать его в качестве затравочного события для создания нового варианта персонального просмотра, который будет доступен впоследствии в VoD, но также просмотра EPG.

Третий пример совместимого интерфейса 106 пользователя может быть персональным расписание программ для записанных элементов контента, элементов контента прямой трансляции и по запросу. В случае предоставления возможностей персональной видеозаписи, может быть реализован агрегированный просмотр контента. Он может показывать записанные элементы контента, планирование программ ТВ прямой трансляции, нацеленные предложения, снабженные торговой маркой каналы и цифровые объекты из библиотек VoD, все сгруппированные по вариантам просмотра, которые разработал пользователь.

В качестве вывода, вариант осуществления предоставляет возможность для поэтапного разворачивания современных служб и пакетов контента, не компрометируя доверие или удобство и простоту использования, который доводит до максимума потребление и оптимизирует эксплуатационные качества нацеливания от основанного на контексте обучения.

Фиг.2 показывает принципиальную структурную схему примера реализации устройства 102 обработки совместимости. Процессор 1023 преобразования приспособлен для преобразования разных форматов 1021 (DF1) и 1022 (DF2), используемых разными источниками с 101-1 по 101-n контента в общий формат 1026 (DF A) документа, используемый машиной 107 рекомендателя. Обработка преобразования может быть основана на специальных документах 1024, 1025 преобразования формата, которые могли бы храниться в устройстве 102 обработки совместимости. Компоненты или блоки, показанные на фиг.2, могут быть реализованы в качестве аппаратных схем или компонентов, либо, в качестве альтернативы, в качестве программных процедур, хранимых в памяти компьютерного или процессорного устройства.

В качестве специфичного, но не ограничивающего примера, метаданные разных областей могут преобразовываться в общий формат 1026 посредством использования XSLT (преобразования расширяемого языка таблиц стилей). Этот примерный способ может применяться, если метаданные для разных областей предусмотрены в качестве документов XML, и совместимый формат метаданных также выражен на XML. Для каждой области создается специальный документ 1024, 1025 XSLT, который описывает, каким образом автоматически преобразовывать метаданные, например, из области 1 и 2, как в вышеприведенном примере, в требуемый целевой формат, здесь названный A.

В случае, в котором используются форматы не XML, специальный блок программного обеспечения преобразования (по своей сути реализующий комбинацию изображенного выше процессора XSLT и документа преобразования форматов x->A XSLT) мог бы быть построен для выполнения преобразования.

Фиг.3 показывает блок-схему последовательности операций способа обработки процессора 1023 преобразования для достижения общего формата распространяемых метаданных согласно варианту осуществления.

Последовательность операций приводится в действие, когда новые метаданные принимаются на или поставляются в устройство 102 обработки совместимости. На этапе S100, сначала проверяется, является ли формат документа принятых метаданных известным форматом. Например, связанный документ или блок программного обеспечения преобразования предусмотрен в процессоре 1023 преобразования. Что касается документа с известным форматом документа, специальная последовательность операций преобразования применяется на этапе S101, и документ преобразованных метаданных распространяется на этапе S102. Для документов с неизвестным форматом документа (например, который претерпевает неудачу в надлежащем преобразовании или которому не хватает существенной информации) процедура ответвляется на этап S103, и все такие документы (например, метаданные с описаниями аудиовизуальных элементов контента, которые не содержат в себе минимально требуемой информации) отбрасываются. Как результат, будет невозможно находить или рекомендовать такие элементы контента.

Если неудачный документ отброшен на этапе S103, информация о неизвестном, недостающем или ошибочном формате отправляется в соответственный источник документа (то есть один из источников с 101-1 по 101-n), и владелец или источник описания (например, студия, которая выпустила и опубликовала кинофильм) информируется о недостающей информации и побуждаться предоставлять такую информацию, для того чтобы сделать этот элемент контента обнаруживаемым в системе.

Может быть упомянуто, что в альтернативном варианте осуществления оператор процессора 1023 преобразования, а не источник контента будет информироваться о документах с неизвестным форматом документа или еще неспецифицированных значениях внутри известного формата, предоставляя оператору возможность непосредственно создавать новые документы преобразования формата для исправления ошибки преобразования.

Фиг.4 показывает блок-схему последовательности операций способа обработки для назначения элемента контента на объем рекомендаций согласно варианту осуществления.

Процедура по фиг.4 может быть реализована в машине 107 рекомендателя для достижения совместимого опыта пользователя (например, обратной связи, входных данных рекомендателя, элементов рекомендации направления, выходных данных рекомендателя) по всем разным областям.

Представление рекомендаций всегда выполняется группами. Каждая группа соответствует специальному объему планирования программ (например, привязанному к конкретному типу и жанру программ, например, тип программы = кинофильм, а жанр = боевые действия), дополнительно указываемому ссылкой как объем рекомендаций. Программы, которые принадлежат к такому объему рекомендаций, могут без труда идентифицироваться (например, в фильтре 105) посредством запросов SQL (языка структурированных запросов) или других технологий фильтрации и наборов данных. Независимо от области, для которой отображаются рекомендованные элементы контента, процедура по фиг.4 может применяться к принятым элементам контента.

Если новый элемент контента принимается или обрабатывается, сначала, на этапе S200 проверяется, находится ли элемент контента в пределах объема рекомендаций. Если так, оценка вычисляется для элемента контента на этапе S201, указывая предполагаемый уровень симпатии такого элемента контента. По выбору, элемент контента может использоваться в качестве затравки для нового объема рекомендаций (с вариантом перемещения всех подобных элементов контента с ним из текущего в новый объем рекомендаций), или элемент контента может добавляться в другой объем рекомендаций (с вариантом перемещения всех подобных элементов контента с ним из текущего в новый объем планирования программ). С другой стороны, если на этапе S200 определено, что элемент контента не находится в пределах выданного объема рекомендаций (например, был обнаружен в качестве части поиска, или расписания программ), процедура ответвляется на этап S202, и элемент контента по выбору используется в качестве затравки для нового объема рекомендаций или добавляется в существующий объем рекомендаций, если возможно.

Отмечено, что объемы рекомендаций совместно используются между областями, то есть, если новый объем рекомендаций создан в области ТВ, например, посредством затравливания такого нового объема кинофильмом, такой объем рекомендаций теперь также будет немедленно существовать, например, в области VoD, тот час же рекомендуя подобные или связанные кинофильмы.

В последующем, описаны технические мероприятия для сбора, обогащения и выравнивания метаданных элементов контента для достижения совместимого набора метаданных.

Фиг.5 показывает блок-схему последовательности операций способа обработки для обогащения принятых метаданных согласно варианту осуществления, который может быть реализован в устройстве 102 обработки совместимости или классификаторе 104.

Сбор метаданных для цифровых объектов может быть разнообразным, например, метаданные могут извлекаться из информации службы цифрового видеовещания (DVB-SI) вещательного сигнала ТВ прямой трансляции или могут поставляться вместе с предоставляемыми цифровыми объектами VoD, например, в качестве файла CableLabs ADI 1.1, или могут извлекаться из файла, который содержит в себе аудиовизуальный цифровой объект, например, метаданные воплощены в качестве ярлыка ID3 или могут поставляться издателем независимо, например, в формате TVanytime.

Выравнивание таких данных, приходящих из разных источников (то есть к тому же не обязательно в разном формате), выполняется посредством обеспечения надлежащего отображения между пространствами значений (такое описание отображения может быть неотъемлемой частью этапов, описанных на фиг.3). Примерами такого пространства значений могли бы быть тип программы, где формат источника мог бы классифицировать элементы контента в качестве по меньшей мер одного из показа или выпуска, или новостей, или кинофильма, или прочих, и совместимый целевой формат мог бы использовать значения спорт или зрелище, или выпуск, или новости, или кинофильм - в этом примере, пересекающиеся типы (выпуск/новости/кинофильм) непосредственно отображаются друг в друга наряду с тем, что показ отображается в зрелище, и элементы контента, помеченные в качестве прочих, пересылаются для дополнительной автоматической или ручной обработки.

Когда новые метаданные принимаются или обрабатываются, для каждого значения классификации в формате источника, сначала, на этапе S300 проверяется, существует ли соответствующий класс в целевом пространстве классификации. Если так, пересекающиеся классы отображаются на этапе S30, и метаданные расширяются на этапе S302, как описано ниже. Если никакого пересечения не определено на этапе S300, процедура ответвляется на этап S303, и обработка онтологии применяется для обогащения типа классификации.

Обогащение метаданных таким образом вы