СПОСОБ И СИСТЕМА ДЛЯ ЭФФЕКТИВНОГО КОМПИЛИРОВАНИЯ ЭЛЕМЕНТОВ МЕДИА-КОНТЕНТА ДЛЯ ПЛАТФОРМЫ МЕДИА ПО ЗАПРОСУ

УРОВЕНЬ ТЕХНИКИ

Изобретение относится к способу и системе для эффективного компилирования элементов медиа-контента для платформы медиа по запросу для аренды пользователями платформы медиа по запросу и учитывает следующее окружение. Оператор медиа по запросу (например, оператор кабельного телевидения или связи) предлагает элементы медиа-контента по запросу группе конечных пользователей, где конечные пользователи могут запрашивать в аренду элементы медиа-контента из заданного набора предлагаемых в настоящее время элементов медиа-контента в любое удобное время, например, через веб-сайт, по телефону или подходящему телевизионному каналу.

Элементы медиа-контента могут быть физическими объектами, как DVD, направляемые конечным пользователям по почте, или цифрового характера, как аудио-видео файлы, транслируемые из серверов медиа по запросу к конечным пользователям через сеть передачи данных. Пользователи могут либо платить за единицу элемента медиа-контента, который они арендовали (арендная плата), либо они могут иметь подписку на аренду стольких элементов медиа-контента, сколько им желательно, из множества предлагаемых в настоящее время элементов медиа-контента (безлимитный тариф). В альтернативных моделях оплаты конечный пользователь может платить ежемесячную плату, например ежемесячный платеж, и дополнительную плату за арендованный элемент медиа-контента (стоимость подписки). В этой альтернативной модели оплаты ежемесячный платеж может охватывать предопределенное количество или стоимость элементов медиа-контента, которые конечный пользователь может арендовать без взимания дополнительной платы (ограниченный безлимитный тариф).

Обычно, набор в настоящее время предлагаемых элементов медиа-контента, называемый "набором элементов" для краткости, фиксируется на определенный период времени, в дальнейшем называемый "периодом обслуживания". Периодом обслуживания может быть, например, неделя или месяц. Оператор также может предлагать свои услуги в качестве интернет-сервиса, не ограничиваясь данным кабелем, телекоммуникационной или логистической сетью.

Чтобы эффективного удовлетворить пользователей платформы медиа по запросу, оператор должен повторно определять, какие элементы медиа-контента он хочет предложить пользователям на следующий период обслуживания. Определенные элементы медиа-контента оператор должен арендовать у одного или более контент-провайдеров. Контент-провайдер (р) обычно предлагает различные наборы элементов (S(p)) элементов медиа-контента для оператора, называемые S1(p), S2(p), …, Sn(р). Оператор выбирает от каждого контент-провайдера ноль или более наборов элементов, чтобы предлагать конечным пользователям на следующий период. Чтобы иметь возможность предлагать элементы медиа-контента, оператор ведет переговоры с одним или более контент-провайдерами.

Могут существовать различные финансовые соглашения между контент-провайдером и оператором. Например, оператор может платить фиксированную цену за предоставление доступности данного набора элементов, где цена может зависеть от количества элементов медиа-контента в наборе элементов, их популярности, их качества и их года выпуска. Кроме того, число абонентов (то есть, конечных пользователей), которых оператор обслуживает, может влиять на эту фиксированную цену. В качестве альтернативы, может иметься модель оплаты за аренду, где оператор должен платить определенную сумму денег контент-провайдеру каждый раз, когда элемент медиа-контента берется в аренду конечным пользователем. Эта сумма может быть одинаковой для всех элементов медиа-контента в наборе элементов, но может также зависеть от элемента медиа-контента (например, она может быть выше, если это недавно выпущенный художественный фильм). Еще одна возможность заключается в том, что финансовое соглашение состоит из оплаты фиксированной цены и дополнительной платы за каждый раз, когда элемент медиа-контента арендуется конечным пользователем.

Аналогичным образом, финансовое соглашение между оператором и конечным пользователем может касаться фиксированной абонентской платы, независимо от количества элементов медиа-контента, которые конечный пользователь будет арендовать в следующий период, или это может быть оплата типа оплаты за аренду, где оплата может зависеть от соответствующего элемента медиа-контента. Последний случай, где сумма оплаты зависит от элемента медиа-контента, называется моделью дифференциальной платы за аренду. В качестве альтернативы, конечный пользователь платит абонентскую плату за предопределенный период времени, и дополнительно он должен платить дополнительную плату за каждый элемент медиа-контента, который он или она арендует.

При выборе того, какой набор элементов выбрать, оператор должен принимать во внимание следующие вопросы. Чтобы удовлетворить конечных пользователей платформы медиа по запросу, цель состоит в том, чтобы предложить широкий набор элементов медиа-контента, в многообразии, чтобы охватить различные интересы каждого конечного пользователя, и в количестве для каждого конечного пользователя, чтобы найти достаточное количество элементов медиа-контента, которые он или она хочет арендовать. Если число представленных видео и их качество не достаточно оценены конечными пользователями, конечные пользователи, скорее всего, станут арендовать меньше видео и рассматривать возможность прекращения подписки, что приведет к снижению дохода. В модели подписки конечного пользователя с оплатой за аренду, доступные элементы медиа-контента должны вызвать интерес, так что генерируется достаточный доход для оплаты услуг контент-провайдеров и создается разумная прибыль. В модели фиксированной абонентской платы конечные пользователи должны быть удовлетворены предложенным набором элементов, так что они будут продлевать свою подписку, и так что другие конечные пользователи, вероятно, будут присоединяться.

С другой стороны, чтобы избежать убытков, оператор должен сбалансировать широту набора элементов предлагаемых элементов медиа-контента с оцениваемой прибылью, которую создадут эти элементы медиа-контента. Поэтому оператор должен избегать того, что только весьма популярные элементы медиа-контента предлагаются, чтобы удовлетворить группу конечных пользователей, для того чтобы контролировать затраты на предоставление набора элементов конечному пользователю. Это факт, что при определенном количестве весьма популярного медиа-контента, предоставляемого конечным пользователям платформы медиа по запросу, каждый дополнительно предоставляемый весьма популярный элемент медиа-контента будет генерировать меньше дополнительного дохода, чем связанные с ним дополнительные расходы. Поэтому задача оператора платформы медиа по запросу состоит в том, чтобы тщательно сбалансировать набор элементов. Соответственно, задачей настоящего изобретения является обеспечение способа для компилирования элементов медиа-контента для платформы медиа по запросу, которая поддерживает оператора платформы медиа по запросу, максимизируя его прибыль.

Кроме того, рекомендательные системы были использованы в различных областях применения, чтобы рекомендовать элементы (потребительские товары, телевизионные программы, песни и т.д.) или услуги, чтобы облегчить проблему выбора для конечных пользователей, которые сталкиваются с чрезмерно большой коллекцией элементов при выборе из них. Задачей таких рекомендательных систем является генерировать персонализированные рекомендации по элементам, которые как предполагается, понравятся отдельным конечным пользователям. Для достижения этой цели, в рекомендательные системы должна вводиться информация о соответствующих конечных пользователях. Эта информация может включать в себя общую информацию о конечном пользователе, например, возраст, пол, увлечения и общие интересы, а также информацию о его или ее потребительском поведении и учитывать мнение об определенных элементах и услугах. Сбор этой информации может быть сделан косвенно, путем отслеживания и записи потребительских привычек конечных пользователей и генерации истории покупок или аренды отдельного конечного пользователя. Кроме того, конечным пользователям должно быть предложено, обеспечить рейтинги специально для потребленных в последнее время товаров и услуг, так что система может лучше изучать предпочтения отдельных конечных пользователей. Из этой информации рекомендательное устройство может получать элементы и услуги, которые могут понравиться отдельным конечным пользователям. Кроме того, рекомендательные системы могут использовать статистику и персональную информацию о пользователе для сравнения их с данными других пользователей и рекомендованными элементами, которые нравятся этим пользователями или которые они предпочитают.

Задачей изобретения является обеспечение способа для эффективного компилирования элементов медиа-контента для платформы медиа по запросу, который может выполняться автоматически с помощью машины, такой как компьютер или тому подобное. Один аспект настоящего изобретения состоит в том, чтобы использовать информацию, предоставленную рекомендательными системами, о том, насколько каждому отдельному конечному пользователю, по оценкам, нравится каждый отдельный элемент предложенного медиа-контента, который, как полагается, должен быть добавлен к набору элементов медиа-контента, арендуемого группой отдельных конечных пользователей, чтобы определить, какой набор элементов должен быть предложен в следующем периоде обслуживания оператором медиа по запросу. Помимо этого, настоящее изобретение обеспечивает сочетание информации, сгенерированной рекомендательной системой, с предсказателем числа аренд, который предсказывает для отдельных конечных пользователей число раз, когда они будут арендовать элемент медиа-контента потенциального набора медиа элементов в следующем периоде обслуживания. Следовательно, способ согласно настоящему изобретению помогает оператору платформы медиа по запросу скомпилировать сбалансированный набор элементов медиа-контента, которые будут предложены конечным пользователям в аренду или на продажу, причем набор элементов выбирается для максимизации прибыли, а также удовлетворения конечных пользователей.

Вышеуказанная задача настоящего изобретения достигается автоматическим способом в соответствии с независимым пунктом 1 формулы изобретения и системой в соответствии с независимым пунктом 15 формулы изобретения. В пределах объема изобретения "автоматический" означает, что способ может выполняться системой полностью или частично без необходимости взаимодействия с оператором. Далее должно быть понятно, что все организационные этапы касательно элементов медиа-контента относятся к метаданным элемента медиа-контента, а не самому элементу медиа-контента.

Согласно настоящему изобретению, обеспечен автоматический способ для автоматического и эффективного компилирования элементов медиа-контента для платформы медиа по запросу. Способ содержит этапы обеспечения платформы медиа по запросу для предложения элементов медиа-контента в аренду пользователю или множеству пользователей платформы медиа по запросу и обеспечения рассматриваемой группы медиа из рассматриваемых элементов медиа-контента, включающих в себя, по меньшей мере, один рассматриваемый элемент медиа-контента. Рассматриваемые элементы медиа-контента рассматриваются для предложения пользователям на платформе медиа по запросу для взятия в аренду пользователями. Задачей предлагаемого способа является автоматическое определение и выбор подходящих элементов медиа-контента из рассматриваемой группы медиа и автоматическое обеспечение выбранных элементов медиа-контента платформе медиа по запросу для предоставления в аренду пользователям.

Решаемая проблема является технической проблемой, состоящей в том, что из большого количества элементов медиа-контента должен быть осуществлен подвыбор. С этой целью определена функция стоимости, которая принимает во внимание предпочтения отдельных пользователей. Технический аспект заключается в получении более эффективного использования пространства хранения. Например, вместо предоставления в основном блокбастеров и преимущественно популярных видео, пространство хранения оптимизировано для обеспечения более сбалансированного набора видео в аренду.

На одном этапе рекомендательная система автоматически генерирует оцененную группу оцененных элементов медиа-контента путем определения специфического для пользователя рейтинга симпатий для каждого элемента медиа-контента рассматриваемой медиа-группы. Определенный рейтинг симпатий генерируется относительно аттестации и/или оценки, основанной на истории аренды данного пользователя и/или другого характерного пользователя платформы медиа по запросу. При оценке, например, элементы медиа-контента, которые пользователь арендовал, могут быть классифицированы по признакам, таким как жанр, актеры, дата выпуска, содержание и т.п., снабжены приближенными рейтингами симпатий и сопоставлены с аналогичными рассматриваемыми элементами медиа-контента. Сопоставленным о рассматриваемым элементам медиа-контента автоматически назначается тот же самый рейтинг симпатий. Другая возможность состоит в том, что пользователь предоставляет свой персональный рейтинг симпатий для элементов медиа-контента вручную. В принципе, рекомендательная система согласно изобретению сконфигурирована, чтобы работать в соответствии с принципами работы известных рекомендательных систем.

На последующем этапе, предсказатель числа аренд автоматически оценивает специфическое для пользователя число элементов медиа-контента, которое соответствующий пользователь платформы медиа по запросу арендовал бы из номинальной группы номинальных элементов медиа-контента в течение заданного периода времени. Таким образом, предсказатель числа аренд учитывает информацию об истории аренды данного пользователя и/или других характерных пользователей платформы медиа по запросу и соответствующий рейтинг симпатий номинальных элементов медиа-контента.

Предпочтительно, что рассматриваемые элементы медиа-контента, которые имеет специфический для пользователя рейтинг симпатий ниже заданного значения, удаляются из оцененной группы оцененных элементов медиа-контента рекомендательной системы. Посредством этого только элементы медиа-контента, которые нравятся конкретному конечному пользователю, учитываются для добавления в платформу медиа по запросу по отношению только к этому конкретному конечному пользователю. Конечно, соответствующие элементы медиа-контента могут рассматриваться для других конечных пользователей платформы медиа по запросу, которым нравится конкретный рассматриваемый элемент медиа-контента.

Предпочтительно, рассмотренные элементы медиа-контента, которые пользователь уже арендовал, идентифицируются и удаляются из группы рассматриваемых элементов медиа-контента рекомендательной системой. Маловероятно, что конечный пользователь арендует тот же самый элемент медиа-контента дважды в пределах относительно короткого периода времени. Поэтому, такие рассматриваемые элементы медиа-контента не должны рассматриваться для добавления к набору медиа элементов относительно соответствующего конечного пользователя. Конечно, соответствующие элементы медиа-контента могут быть рассмотрены для других конечных пользователей платформы медиа по запросу, которые еще не арендовали рассматриваемый элемент медиа-контента.

Преимущественно, учитываемая информация об истории аренды пользователя содержит информацию о жанре, лицах, участвующих в создании конкретного элемента медиа-контента, таких как актеры, художники, авторы, музыканты или директора, дате выпуска медиа и/или стоимости аренды элемента медиа-контента. Таким образом, может быть проанализировано, какой элемент медиа-контента предпочитает отдельный конечный пользователь, и имеет ли отдельный конечный пользователь предпочтение к элементам медиа-контента определенного ценового класса.

Предпочтительно, что специфическое для пользователя ранжирование рассматриваемых элементов медиа-контента генерируется рекомендательным устройством согласно соответствующему специфическому для пользователя рейтингу симпатий рассматриваемых элементов медиа-контента. С помощью этих средств рассматриваемые элементы медиа-контента сортируются специфическими для пользователя рейтингами симпатий для удобной идентификации элементов медиа-контента, которые нравятся отдельному конечному пользователю больше (или меньше), чем другие элементы медиа-контента.

Предпочтительно, чтобы рассматриваемые элементы медиа-контента с худшим специфическим для пользователя рейтингом симпатий удалялись из группы рассматриваемых элементов медиа-контента рекомендательной системой.

Предпочтительно, конкретные элементы медиа-контента, которые пользователь будет, как предполагается, арендовать из группы рассматриваемых элементов медиа-контента, определяется предсказателем числа аренд на основе специфического для пользователя количества элементов медиа-контента, которые пользователь будет арендовать, из группы рассматриваемых элементов медиа-контента и специфического для пользователя рейтинга симпатий элементов медиа-контента. Если количество элементов медиа-контента, которое, вероятно, будет арендовать конечный пользователь, равно "n", то элементы от 1 до n медиа-контента с лучшим рейтингом симпатий, скорее всего, будут арендованы соответствующим конечным пользователем.

Альтернативная модель прогнозирования также возможна, где в составе списка наиболее вероятно арендуемых видео для конечного пользователя принимается во внимание сходство между элементами медиа-контента. Если два элемента медиа-контента очень похожи, менее вероятно, что конечный пользователь будет арендовать оба элемента в течение короткого периода времени. Чтобы определить вероятность того, что конечный пользователь будет арендовать аналогичные элементы на один период аренды, можно также принять во внимание информацию из истории аренды конечных пользователей.

Согласно изобретению, стоимость аренды определенных конкретных элементов медиа-контента от соответствующего контент-провайдера предпочтительно определяется блоком финансовой оценки.

Кроме того, предпочтительно, что оборот для аренды определенных конкретных элементов медиа-контента для пользователя определяется блоком обработки данных.

Предпочтительно, что разница между определенными затратами и определенным оборотом рассчитывается и ожидаемая прибыль или убыток определяется блоком обработки данных. На основе этой информации, способ согласно изобретению может установить, сгенерирует ли набор рассматриваемых элементов медиа-контента, как ожидается, прибыль или убыток. Сравнивая ожидаемую прибыль или убытки различных наборов рассматриваемых элементов медиа-контента, способ может содержать, например, автоматический выбор набора рассматриваемых элементов медиа-контента, который генерирует наибольшую прибыль.

Предпочтительно, что способ выполняется для множества различных пользователей. Определенная информация, например, рейтинг симпатий, количество элементов медиа-контента, которые пользователи, вероятно, арендуют, и количество конкретных элементов медиа-контента, которые пользователи, вероятно, арендуют, может использоваться для создания средних значений по всем рассматриваемым конечным пользователям. Таким образом, оператору предоставляется информация о предполагаемом потребительском поведении группы конечного пользователя относительно данного набора элементов из элементов медиа-контента.

Предпочтительно, определенные конкретные элементы медиа-контента, которые множество пользователей, вероятно, будут арендовать, добавляются к платформе медиа по запросу автоматически рекомендательной системой.

Преимущественно, ожидаемая прибыль или убыток сравнивается с заданной величиной прибыли или величиной убытка. Таким образом, оператор платформы медиа по запросу может понять, выполняет ли данные требования предполагаемый набор элементов или должен быть скорректирован для того, чтобы достичь поставленной цели. Кроме того, такое регулирование может быть выполнено с помощью системы, автоматически выполняющей способ в соответствии с изобретением. Предпочтительно, что определенные конкретные элементы медиа-контента, которые, вероятно, будет арендовать множество пользователей, добавляются к платформе медиа по запросу рекомендательной системой в случае, если ожидаемая прибыль выше или равна заданной величине прибыли, или ожидаемый убыток ниже или равен заданной величине убытка.

Предпочтительно, что элементы медиа-контента являются цифровыми элементами медиа контента, такими как цифровое видео, цифровые фото, цифровая музыка, компьютерные программы, особенно игры и/или цифровые тексты. В соответствии с изобретением, платформа медиа по запросу направлена на аренду всех видов цифровых элементов медиа для конечных пользователей, например, путем потоковой передачи с сервера. Цифровые элементы медиа могут содержать видео, игры, музыку или книги. В качестве альтернативы, медиа элементы могут быть доставлены конечным пользователям по электронной почте. Кроме того, настоящее изобретение также фокусируется на ситуациях, когда конечные пользователи покупают элементы, а не арендуют элементы через оператора.

Кроме того, обеспечена система для автоматического выполнения способа эффективного компилирования элементов медиа-контента для платформы медиа по запросу согласно изобретению. Система содержит рекомендательный блок, который сконфигурирован для определения специфического для пользователя рейтинга симпатий для элементов медиа-контента, предсказатель числа аренд, сконфигурированный для определения количества элементов медиа контента, которое пользователь, как ожидается, арендует, из оцененной группы элементов медиа-контента, и блок финансовой оценки, который сконфигурирован для генерации объединенной группы дискретных элементов медиа-контента и для определения ожидаемой прибыли или убытка за предоставление конкретных элементов медиа-контента. Каждая из подсистем может содержать блок обработки данных. Кроме того, система может содержать базы данных для хранения и управления данными, связанными с пользователем, и/или данными, связанными с медиа-контентом. База данных может, например, содержать метаданные элементов медиа-контента, которые были сгенерированы третьей стороной.

В одном варианте осуществления изобретения оператор платформы видео по запросу определяет набор видео, чтобы потенциально добавляться к платформе видео по запросу. Информация о наборе видео, такая как, например, названия, жанры, актеры, время публикации, номинации и/или присужденные награды, передается предсказателю дохода от аренды. Кроме того, информация о фактических и/или потенциальных конечных пользователях группы конечных пользователей платформы видео по запросу, такая как, например, возраст, пол и/или интересы, также предоставляется предсказателю дохода от аренды. Информация о конечных пользователях может быть сохранена в базе данных конечных пользователей и предоставляется предсказателю дохода от аренды непосредственно из базы данных конечных пользователей.

Рекомендательная система обеспечивается информацией о наборе видео и пользовательскими рейтингами симпатий отдельных конечных пользователей для видео из набора видео. Кроме того, рекомендательная система может обеспечиваться информацией об истории аренды отдельных конечных пользователей. Рейтинги симпатий могут быть предоставлены отдельными конечными пользователями явно или неявно путем анализа истории аренды конечных пользователей. Из этой информации рекомендательная система генерирует рейтинги симпатий для каждого видео из набора видео и, следовательно, ранжирование видео из набора видео для каждого отдельного конечного пользователя. Другими словами, рекомендательная система определяет для каждого из абонентов (конечных пользователей) список видео из данного набора видео, которые ему или ей понравятся больше всего, возможно, определенный количественно с соответствующим рейтингом симпатий. Этот рейтинг симпатий может, например, быть значением между нулем и единицей, в котором число "один" означает, что пользователь оценил данное видео как очень понравившееся, а "ноль" означает, что пользователю совсем не нравится видео. Такая рекомендательная система может быть основана на контенте, или она может быть основана на совместной фильтрации или комбинации того и другого.

Информация о рейтингах симпатий для каждого видео, ранжирования видео из набора видео и истории аренды отдельных конечных пользователей предоставляется предсказателю числа аренд. Кроме того предсказатель числа аренд обеспечивается информацией о рейтингах симпатий видео, которое рассматривается в истории аренды конечных пользователей. Предсказатель числа аренд определяет для каждого из конечных пользователей оценку количества видео, которые он или она будут арендовать на следующий период обслуживания. Эта оценка может быть просто основана на истории аренды, т.е. на информации о том, как много видео пользователь арендовал за последние периоды обслуживания, или для новых пользователей на среднем числе аренд (в среднем по всем пользователям или в среднем по всем новым пользователям, основываясь на информации из прошлых периодов обслуживания), не принимая во внимание, какой набор видео предлагается на ближайший период обслуживания.

В качестве альтернативы, предсказатель числа аренд может использовать ранжирования видео из данного набора видео для отдельного конечного пользователя, как указано рекомендательной системой, чтобы оценить число аренд или, если требуется, оценить точный набор видео, который отдельный конечный пользователь, как ожидается, будет арендовать.

В дополнение к использованию для предсказания числа аренд, история аренды также может быть использована, чтобы понять, какие видео конечный пользователь уже арендовал в прошлых периодах обслуживания. Видео, которые были недавно арендованы, вероятно, не будут арендованы снова в ближайшем будущем.

Оценка того, какое видео данный пользователь, вероятно, будет арендовать в предстоящем периоде обслуживания, теперь может быть просто определена следующим образом. Список, содержащий ранжирования видео для индивидуального конечного пользователя, извлекается из рекомендательной системы, и видео, которые были недавно арендованы, удаляются из этого списка. Затем, полагая, что предполагаемое число аренд за предстоящий период обслуживания равно k, оценка набора видео, которые данный пользователь будет арендовать в предстоящий период обслуживания, просто определяется первыми k элементами из полученного адаптированного списка.

В более продвинутом варианте осуществления на прогнозируемое количество арендуемых видео может влиять оценочный рейтинг симпатий, указываемый рекомендательной системой. В этом варианте осуществления рекомендательная система определяет первый список, содержащий ранжирования и рейтинги симпатий видео, которые отдельный конечный пользователь арендовал в течение определенного периода обслуживания в прошлом. Рейтинги симпатий видео, предоставленных в тот же самый период обслуживания, которые не были арендованы, также могут рассматриваться в первом списке.

Кроме того, обеспечивается второй список оценочного ранжирования и рейтингов симпатий видео из предполагаемого набора видео для предложения конечным пользователям в следующем периоде обслуживания. Рейтинги симпатий различного ранжирования первого и второго списка сравниваются друг с другом. В случае, если рейтинги симпатий видео из второго списка выше или равны видео из первого списка, которые были арендованы конечным пользователем в прошлом, видео, вероятно, будет арендовано конечным пользователем с более высокой вероятностью тогда, если рейтинг симпатий является тем же самым, или ниже, чем рейтинг симпатий видео, которое конечный пользователь не арендовал в прошлом. Эта информация оценивается статистически для генерации оценки количества видео, которые пользователь будет арендовать из предполагаемого набора видео.

Если система использует дифференциальную платежную модель оплаты за просмотр, то дополнительно история аренды пользователя может быть проанализирована, чтобы понять, арендует ли пользователь преимущественно только более дорогие, недавно выпущенные видео, или пользователь арендует преимущественно менее дорогие видео. Это может использоваться, чтобы иметь более точный прогноз количества денег, которые пользователь, как ожидается, будет тратить на аренду видео в предстоящем периоде обслуживания. Кроме количества видео, которое конечный пользователь, вероятно, будет арендовать из набора видео, предложенного в следующем периоде обслуживания, предсказатель числа аренд также может оценить, какие видео конечный пользователь, вероятно, арендует. Эта оценка базируется на тезисе, что конечный пользователь будет арендовать видео согласно ранжированию относительно рейтинга симпатий. Конечный пользователь, вероятно, будет арендовать видео с наивысшим рейтингом симпатий. Если число оцененных видео, которые конечный пользователь собирался арендовать, было равно "k", конечный пользователь, скорее всего, арендует первые k видео из своего индивидуального ранжирования.

Важным признаком настоящего изобретения является предсказатель дохода от аренды, который оценивает доход, который будет создавать данный набор медиа, будучи предложенным группе конечных пользователей в течение следующего периода обслуживания. Предсказатель дохода от аренды использует рекомендательную систему и предсказатель числа аренд. Поэтому рекомендательная система и предсказатель числа аренд могут рассматриваться как подсистемы предсказателя дохода от аренды. При условии, что рекомендательная система дает для каждой комбинации конечного пользователя и набора видео ранжирование видео, и при условии, что предсказатель числа аренд дает для каждой комбинации конечного пользователя и набора видео оценку количества фильмов, которые данный пользователь, скорее всего, арендует в следующем периоде обслуживания, легко рассчитать ожидаемую сумму денег, которую данный пользователь потратит на аренду в следующем периоде обслуживания. Возможно, история аренды этого пользователя принимается во внимание.

Теперь, полный доход от аренды может быть просто получен суммированием по всем пользователям ожидаемой суммы денег, которую каждый пользователь потратит на аренду в предстоящем периоде. Очевидно, что в качестве альтернативы, более продвинутые вероятностные модели также могут быть использованы для прогнозирования общего дохода от аренды. Более продвинутый вариант осуществления предсказателя дохода от аренды также включает принятие во внимание популярности отдельных видео. Например, видео, которые были недавно выпущены, как художественные фильмы и привлекли много зрителей в кинотеатрах и/или были хорошо приняты в просмотрах, вероятно, вызовут больше интереса у конечных пользователей. Возможный способ включать эти индикаторы популярности состоит в том, чтобы дополнительно повышать рейтинг симпатий этих популярных элементов, по сравнению с оцененной степенью симпатии, данной рекомендательной системой.

Следует отметить, что определение популярности нового видео не то же самое, что определение специфического для пользователя рейтинга симпатий, и то, как часто определенное видео будет арендовано, не то же самое, что оценка специфического для пользователя количества элементов медиа-контента, которые пользователь будет арендовать.

Кроме того, если полученная в результате степень симпатии для этих популярных элементов достаточно велика для данного конечного пользователя, то оценка того, сколько аренд конечный пользователь, вероятно, будет иметь в предстоящий период обслуживания, соответственно увеличивается на соответствующую долю. Точное значение этой доли может быть определено экспериментально. Соответственно, на рейтинги симпатий видео, которые, например, получили негативные отзывы медиа критиков, может быть оказано негативное влияние. Это также может оказать негативное влияние на количество видео, которое, по оценкам, конечный пользователь будет арендовать, и должно учитываться соответственно.

Предсказатель дохода от аренды может быть использован в качестве простого инструмента, где оператор повторно может задавать набор видео и набор абонентов в качестве входных данных, чтобы получить в качестве выходных данных ожидаемый доход от аренды видео для этих заданных входов. Кроме того, предсказатель дохода от аренды может быть частью большой системы, где большая система автоматически пытается оптимизировать чистую прибыль также с учетом расходов на аренду, которые оператор должен заплатить за данный набор видео. В этом случае, различные комбинации наборов видео могут быть сгенерированы, и для каждой из этих комбинаций может быть вычислена оцениваемая чистая прибыль. Эта большая система может просто возвращать высшие n комбинаций, которые, как ожидается, сгенерируют наибольшую чистую прибыль от аренды. Все комбинации могли бы рассматриваться исчерпывающим образом, но это может быть непрактично.

В качестве альтернативы, подход локального поиска может быть применен, чтобы повторно пытаться найти лучшее решение, пытаясь добавлять или пропускать набор видео для текущей комбинации, всякий раз, когда это улучшает общий результат. Тогда, в конце концов, оператор может выбрать одну из этих комбинаций, принимая во внимание, возможно, другие аспекты, такие как стратегические соображения, относительно того, захочет ли оператор инвестировать в расширение его абонентской базы.

Наконец, вышеописанная система может также быть использована для оценки удовлетворенности абонентов. Из оцененного рейтинга симпатий видео, которые, по оценкам, будут арендованы данным конечным пользователем, может быть получена оценка того, насколько удовлетворен конечный пользователь. Кроме того, если оцененное количество аренд для пользователя увеличивается или уменьшается по сравнению со (средним) числом аренд в течение прошлых периодов обслуживания, то это может интерпретироваться как признак того, что удовлетворение этого пользователя увеличилось или уменьшилось, соответственно.

Предпочтительный вариант осуществления изобретения относится к системе и/или способу эффективного компилирования набора данных, в частности, набора или группы нескольких элементов медиа-контента и/или данных, в частности, информации об элементах медиа-контента. Элементы медиа-контента представляют собой, например, цифровые и/или не цифровые элементы, например, DVD, CD, книги, файлы кинофильмов, музыкальные файлы и/или файлы электронных книг и так далее. Данные хранятся в базе данных, например, сервере или компьютере. Данные являются частью платформы медиа по запросу для предоставления элементов медиа-контента в аренду пользователю, например, через веб-сайт, по телефону или подходящему TV каналу. Кроме того, данные содержат информационные данные об истории аренды каждого пользователя и/или рейтинги отдельных пользователей для элементов медиа-контента. История аренды пользователя содержит дополнительные информационные данные о конкретных элементах медиа-контента, таких как, например, название, жанр, актеры, стоимость аренды, дата выпуска или подобное. Информация хранится в виде метаданных в базе данных пользователя, которая является предпочтительной частью базы данных. Система и способ сконфигурированы, чтобы обеспечивать дополнительный набор или группу рассматриваемых данных, причем дополнительный набор данных содержит, по меньшей мере, один элемент медиа-контента, и рассматриваемые элементы медиа-контента рассматриваются для того, чтобы быть предложенными, а именно, представленными для конкретного пользователя с помощью платформы медиа по запросу. Для обеспечения, в частности, генерации дополнительного набора данных, метаданные элементов медиа-контента, хранящиеся в базе данных, предоставляются, что означает передаются к рекомендательной системе, причем рекомендательная система получает метаданные или информацию о симпатиях, антипатиях и/или потребительском поведении пользователя, сохраненные в виде метаданных в базе данных пользователя, при этом высокий рейтинг симпатий элемента означает, что пользователю нравится конкретный элемент медиа-контента больше, чем элемент медиа-контента с низким рейтингом симпатий. В результате и на основе получения метаданных из элементов медиа-контента рекомендательная система генерирует дополнительный набор данных, в частности оцененные группы оцененных элементов медиа-контента путем определения специфического для пользователя рейтинга симпатий для каждого рассматриваемого элемента медиа-контента, причем определенный рейтинг симпатий сгенерирован относительно аттестации и/или оценки на основе истории аренды конкретного пользователя и/или другого характерного пользователя платформы медиа по запросу. Кроме того, система и способ сконфигурированы для оценки или прогнозирования специфического для пользователя количества элементов медиа контента, которое конкретный пользователь платформы медиа по запросу будет арендовать из оцененной группы оцененных элементов медиа-контента в течение определенного периода времени, предсказателем числа аренд, учитывая информацию об истории аренды конкретного пользователя и/или других характерных пользователей платформы медиа по запросу и соответствующего рейтинга симпатий оцененных элементов медиа-контента. После этого оцененное, что означает предсказанное, специфическое для пользователя количество предоставляется оператору платформы медиа по запросу, чтобы регулировать хранение многочисленных элементов медиа-контента на платформе медиа по запросу. Вышеупомянутая система и способ обеспечивают улучшенную систему для обеспечения более эффективного использования цифрового (например, памяти) и/или не цифрового (например, полки) пространства для хранения, потому что оператор с использованием вышеуказанной системы и способа способен оценить, как много пространства для хранения необходимо для определенного периода времени в будущем. Например, вместо простого предложения в основном блокбастеров и преимущественно популярных видео, пространство хранения оптимизируется для обеспечения более сбалансированного набора видео в аренду.

В дальнейшем изобретение будет описано в качестве примера со ссылкой на чертеж. На чертежах:

Фиг. 1 описывает систему выбора для эффективного компилирования элементов медиа-контента для платформы медиа по запросу.

Ссылаясь на фиг. 1, обеспечена платформа 10а медиа по запросу, содержащая множество предлагаемых элементов 12 медиа-контента для пользователя 40. Элементы 12 медиа-контента могут содержать цифровые и/или не цифровые элементы медиа-контента. Пользователь 40 может арендовать предлагаемые элементы 12 медиа-контента в соответствии с моделью аренды, как описано выше, например, платить за просмотр или ежемесячную подписку с ограниченным или неограниченным количеством элементов 12 медиа-контента сдаваемых в аренду. История аренды пользователя 40 и индивидуальные пользовательские рейтинги для элементов 12 медиа-контента хранятся в пользовательской базе данных 42. История аренды пользователя 40 может содержать информацию о конкретных элементах 12 медиа-контента, таких как название, жанр, актеры, цена аренды, дата выпуска или тому подобное. Кроме того, количество каждого элемента 12 медиа-контента, арендованного пользователем 40, и персональные данные пользователя могут быть сохранены в пользовательской базе данных 42 .

Контент-провайдер 30 предлагает группу 10b рассматриваемых элементов 12 медиа-контента оператору платформы 10а медиа по запросу. В качестве альтернативы, может рассматриваться множество контент-провайдеров 30. Рассматриваемые элементы 12 медиа-контента дополнительно предоставляются селекторной системе 14 для эффективного компилирования элементов 12 медиа-контента для платформы 10а медиа по запросу. Селекторная система 14 содержит рекомендательную систему 16, предсказатель 18 числа аренд и блок 20 финансовой оценки. Каждый из этих компонентов содержит не показанный блок обработки данных.

Метаданные рассматриваемых элементов 12 медиа-контента предоставляются рекомендательной системой 16. Рекомендательная система 16 получает информацию о симпатиях, антипатиях и потребительском поведении пользователя 40 из пользовательской базы данных 42. Кроме того, множество других источников могут быть рассмотрены для определения симпатий и антипатий пользователя 40, например, показатели продаж, маркетинговые исследования или тому подобные. Затем рекомендательная система 16 оценивает полученную информацию для определения рейтинга симпатий для каждого рассматриваемого элемента 12 медиа-контента. В этом отношении высокий рейтинг симпатий элемента означает, что пользователю 40 нравится конкретный элемент 12 медиа-контента больше, чем элемент 12 медиа-контента с более низким рейтингом симпатий. Спектр оценок может быть, например, в диапазоне от того, что элемент очень нравится, до того, что элемент совсем не нравится. В результате оцененная группа 10с оцененных пользователем элементов 12 медиа-контента генерируется для каждого индивидуального пользователя 40 в отдельности. В качестве альтернативы, только заданная группа пользователя 40 может рассматриваться в этом отношении.

Рейтингом симпатий может также манипулировать оператор, например, в случае, если потребности определенной целевой группы потенциально нового пользователя должны быть удовлетворены платформой 10а медиа по запросу. Кроме того, рекомендательная система 16 может сортировать оцененные элементы 12 медиа-контента оцененной группы 10с значением рейтингов симпатий. Рейтинг симпатий оцененных элементов 12 медиа-контента, которые уже были арендованы пользователем 40, может быть автоматически снижен рекомендательной системой 16, поскольку маловероятно, что пользователь 40 будет снова арендовать тот же самый элемент 12 медиа-контента. Промежуток времени между последней арендой и настоящим временем может также быть рассмотрен, причем снижение рейтинга симпатий будет меньше, чем длиннее соответствующий промежуток времени. В качестве альтернативы снижению рейтинга симпатий, соответствующий оцененный элемент 12 медиа-контента может быть удален из оцененной группы 10c рекомендательной системой 16. Кроме того, оцененные элементы 12 медиа-контента, которые имеют рейтинг симпатий ниже заданного порога, например, элементы, которые пользователю 40 не нравятся, могут быть также удалены из оцененной группы 10c рекомендательной системой 16. Предсказатель 18 числа аренд сравнивает информацию из пользовательской базы данных 42 с оцененными элементами 12 медиа-контента из оцененной группы 10с для определения количества элементов медиа-контента, которые пользователь 40, вероятно, арендует из оцененной группы 10с оцененных элементов 12 медиа-контента в течение определенного периода времени, например, недели или месяца. Таким образом, особенно рассматривается история аренды пользователя 40. В случае, если пользователь 40 арендовал определенное количество элементов 12 медиа-контента в течение определенного периода времени в прошлом, вполне вероятно, что тот же пользователь 40 будет арендовать примерно такое же количество элементов 12 медиа-контента 12 на тот же период в будущем, когда рейтинг симпатий вновь предоставленных элементов 12 медиа-контента примерно такой же, как рейтинг симпатий уже арендованных элементов 12 медиа-контента.

В случае если рейтинги симпатий вновь предоставленных элементов 12 медиа-контента выше, чем рейтинги симпатий уже арендованных элементов 12 медиа-контента, ожидаемый объем аренды может быть также выше. Соответственно, если рейтинги симпатий вновь предоставленных элементов 12 медиа-контента ниже, чем рейтинги симпатий уже арендованных элементов медиа-контента, ожидаемый объем аренды может быть меньше. Для этого соображения может быть рассмотрено среднее значение рейтингов симпатий и/или рейтинги симпатий наименее понравившихся элементов 12 медиа-контента, которые арендовал пользователь 40. В результате, предсказатель 18 числа аренд предоставляет количественно определенную группу 10d количественно определенных элементов 12 медиа-контента отдельно для каждого индивидуального пользователя 40. В качестве альтернативы, для создания количественно определенной группы 10d количественно определенных элементов медиа-контента предсказатель 18 числа аренд может рассмотреть только заданную группу характерных пользователей 40.

На последующем этапе блок 20 финансовой оценки объединяет все количественно определенные группы 10d для каждого рассматриваемого пользователя 40 в объединенную группу 10e объединенных элементов 12 медиа-контента. Блок 20 финансовой оценки сравнивает затраты на аренду от контент-провайдера 30 для каждого объединенного элемента 12 медиа-контента объединенной группы 10e с ожидаемым доходом от аренды объединенного элемента 12 медиа-контента пользователям 40. Объединенные элементы 12 медиа-контента, которые производят более высокие затраты, чем доход, автоматически удаляются из объединенной группы 10e блоком 20 финансовой оценки. Таким образом, блок 20 финансовой оценки генерирует выбранную группу 10e выбранных элементов 12 медиа-контента и предоставляет выбранную группу 10e платформе 10а медиа по запросу. Это может быть сделано либо путем простого добавления выбранных элементов 12 медиа-контента в платформу 10а медиа по запросу, либо путем замены предлагаемых элементов 12 медиа по запросу платформы 10а медиа по запросу выбранными элементами 12 медиа-контента.

Кроме того выбранная группа выбранных элементов медиа-контента может быть предложена оператору для человеческого контроля. Различные группы выборок могут тогда быть оценены оператором.

В дальнейшем описаны детали реализации блока финансовой оценки в соответствии с изобретением.

Моделирование дохода для данного выбора наборов видео

В этом примере, элементы медиа контента представляют собой видео. Однако вместо видео другой вид элементов медиа-контента может быть рассмотрен подобным образом. Рассмотрим N контент-провайдеров, пронумерованных 1, 2… N, каждый из которых предлагает наборы видео, которые провайдер видео по запросу (VoD) может выборочно арендовать на период времени. Для данного выбора S_{11}, S_{12},…, S_{1,n(1)}, S_{21}, S_{22},…, S_{2,n(2)}, S_{N,1}, S_{N,2},…, S_{N,n(N)}, затем выразим доход, который провайдер VoD, имеющий абонентскую базу, обозначенную U, ожидает сгенерировать. Пусть O обозначает полное предложение видео, т.е.

Для каждого пользователя u E U и видео v E O, рекомендатель обеспечит степень симпатии l(u, v) E[0, 1], указывающую на то, в какой степени пользователю u нравится видео v. Основываясь на предложении, вероятность P(0, u, v), что пользователь u арендует видео v в предстоящем периоде, может быть оценена следующим образом. Предположим, что пользователь арендует количество n(u, O) видео на период, что может зависеть от (размера) предложения O. Это может быть легко оценено, используя историю аренды пользователя u. Затем, например, случайная выборка размера n(u, O) выбирается из поднабора размера M из видео в O с самой высокой степенью симпатии. В качестве альтернативы, предположим, что пользователь арендует количество n(u, O, g) видео на период определенного жанра g. Это может быть легко оценено, используя историю аренды пользователя. Тогда, например, случайная выборка размера n(u, О, g) выбирается из поднабора размера М видео в 0 с самой высокой степенью симпатии и имеющих жанр g. В целом, если пользователь характеризуется множеством персональных каналов (Pronk, V., J. Korst, M. Barbieri & A. Proidl [2009]. Personal television channels: simply zapping through your PVR content, Proceedings of the 1st International Workshop on Recommendation-based Industrial Applications, in conjunction with the 3rd ACM Conference on Recommender Systems, RecSys 2009, New York City, NY), то фильтр определения для каждого канала может использоваться вместо конкретных жанров, чтобы подразделять выбор видео. Кроме того, каждый канал должен быть оснащен отдельным рекомендателем, который обеспечивает соответствующую степень симпатии. В случае если видео должно выбираться в контексте двух или более каналов, тогда только один с самой высокой степенью симпатии сохраняется, и альтернативы выбираются для других каналов. В дополнение к каждому из указанных способов построения набора видео, эта конструкция может быть уточнена путем замены выбранных видео, которые возникают в «черном списке», например, из недавно арендованного видео, соответствующими альтернативами.

В любом из примеров, описанных выше, выбирается набор (то есть выбранная группа) размера n(u, O) видео. Эти выбранные видео получают высокую вероятность P(O, u, v), например, вероятность 1, и любые другие видео в O - низкую вероятность P(O, u, v), например, вероятность 0.

Если цена, которую u должен заплатить за аренду v, является p(u, v), и абонентская плата этого пользователя за срок аренды определяется посредством s(u), то совокупный доход, который провайдер VoD получает от u за срок аренды, при условии 0, может быть оценен посредством

Суммируя вклады от всех пользователей u в их клиентскую базу U и всех наборы, совокупный доход для провайдера VoD в течение предстоящего периода, включая периодическую абонентскую плату s(u), может быть выражен как

Для поощрения разнообразия, с целью сохранить клиентскую базу, фактор дерегуляризации может быть включен в приведенное выше выражение. В частности, это выражение может быть умножено на

где R - монотонно неуменьшающаяся функция от натуральных чисел до реального интервала [0,1], и |O| обозначает количество элементов O. Эта функция работает в качестве штрафа на доход, и может быть изучена при историческом анализе размера клиентской базы в зависимости от общего размера предложения видео. В качестве простого примера, функция R только достигает значения 0 и 1, что означает, что общее предложение должно иметь некоторый минимальный размер.

С другой стороны, расходы, связанные с арендой и хранением наборов S_{i1}, S_{i2},…, S_{i,n(i)} от контент-провайдера i могут быть определены количественно как

C_i({S_{i,1},S_{i,2},…,S_{i,n(i)}}).

Суммирование расходов по всем контент-провайдерам затем образует полные расходы.

Подводя итог, выручка провайдера VoD на следующий период задается посредством

Само собой разумеется, что расходы, которые не зависят от наборов видео, не должны быть включены в уравнение.

Возможность уточнить расчет общей выручки состоит в том, чтобы ввести зависимый от цены алгоритм выбора. Тогда, предполагая, что общее ценообразование обозначено p, выбирается количество n(p, u, O) видео, и каждый из описанных процессов выбора становится немного более сложным, поскольку, например, максимальная сумма, затрачиваемая за период, может тогда быть принята во внимание.

В автоматической процедуре оптимизации вычисляется ожидаемый доход от различных вариантов выбора наборов видео, чтобы определить набор видео, который обещает наивысший доход, чтобы изменять выбор наборов видео, локальный поиск по вариантам выбора наборов видео может автоматически выполняться следующим образом. Теперь, подход локального поиска заключается в следующем. Для каждого выбора S_{11}, S_{12},…, S_{1,n(1)}, S_{21}, S_{22},…, S_{2n(2)}, S_{N,1}, S_{N,2},…, S_{N,n(N)}, определяется окрестность. Эта окрестность определяет варианты выбора, которые очень похожи, но отличаются от этого выбора, например, потому что один набор был добавлен или удален. Используя то или другое, соответственно определяя функцию окрестности, локальный поиск может начаться в произвольно выбранном начальном выборе, и доходы вычисляются для этого выбора. Этот первоначальный выбор является текущим выбором. Затем все или некоторые соседи текущего выбора предварительно выбираются и их доходы вычисляются. Если среди этих вариантов выбора имеются варианты выбора, которые приводят к большему доходу, чем произведенный текущим выбором, один из этих вариантов выбора определяется, как текущий выбор, и достигается улучшение. Этот процесс генерации улучшений итерационно повторяется, пока локальный минимум не будет достигнут, и никакое улучшение больше не сможет быть сделано таким образом.

Этот итерационный процесс улучшения может быть повторен при помощи альтернативных начальных вариантов выбора и в итоге выбран лучший локальный минимум.

Также возможно повторить локальный поиск с помощью выбора различных ценообразований для максимизации прибыли. Ценообразования для исследования могут быть установлены заранее с учетом конкуренции.

Конкретный локальный поиск, описанный выше, служит только для примера. Для специалистов в данной области техники будет очевидно, что существуют многочисленные вариации локального поиска, хорошо описанные в литературе, например, запрещенный поиск, стохастический локальный поиск, генетический локальный поиск, имитация отжига и т.д., и что для проблемы оптимизации могут быть рассмотрены многочисленные вариации.

Чтобы гарантировать, что провайдер VoD всегда будет иметь выбор самого популярного видео, доступного для аренды, они могли бы быть исключены из рассмотрения, приведенного выше, например, путем удаления их из наборов видео. Решение оптимизации, описанное выше, будет тогда концентрироваться на видео, для которых индивидуальные различия в степенях симпатии рассматриваются более заметно.