9篇关于智能电视的计算机毕业论文

今天分享的是关于智能电视的9篇计算机毕业论文范文, 如果你的论文涉及到智能电视等主题,本文能够帮助到你

智能电视视频推荐系统的设计与实现

这是一篇关于智能电视,视频推荐,spark,协同过滤的论文, 主要内容为近年来随着互联网技术与应用的快速发展,尤其是社会化网络的快速发展,每时每刻都在产生大量的信息,使用户面临信息过载的问题。用户面对互联网上海量的信息很难找到他们自身感兴趣的或者对其有用的信息。随着网络视频产生的多样化,视频网站也面临着信息过载的问题,内容提供商也很难向用户准确的推送优质的内容。推荐系统是解决信息过载问题的有效方法之一,它通过对用户的历史行为和用户的社交信息等进行分析,建立用户兴趣模型,进而预测用户未来的喜好,向用户推荐他可能感兴趣或着有用的内容。传统的视频推荐系统多在专业的电影网站和视频网站中应用,它能帮助用户从互联网中的海量视频库中很容易的找到令他们感兴趣的电影或者视频。随着智能电视的到来和迅速发展,用户在欣赏普通电视节目的同时,可以通过智能电视上的视频软件获取网络中的海量视频。但是在智能电视上对用户推荐网络视频节目的同时,也需要向他们推荐直播电视节目。因此如何打通传统的广播电视网络和互联网媒体数据的关联分析的通道,最终实现传统广播电视网和互联网多媒体数据的个性化推荐成为一个新的研究方向。本文采用由UC Berkeley AMP lab所开源的通用分布式并行计算框架Spark,结合目前非常流行的非关系型数据库(NoSql)MongoDB和分布式存储系统HDFS设计并实现了智能电视视频推荐系统。系统通过对智能电视收集的大量用户的不同观看行为数据进行处理,并对观看行为特征进行分析,建立用户兴趣模型从而向用户推送他们可能感兴趣的视频。推荐系统中最核心的部分就是推荐算法,它在很大程度上决定了推荐系统的优劣。根据智能电视的性质,本文提出了基于时间段的协同过滤推荐算法。根据不同时间段观看电视的人群的不同,将一天划分为几个时间段,并且结合基于Kmeans文本聚类算法和基于物品的推荐算法实现了一种适合智能电视的视频推荐算法。本文详细的描述了智能电视视频推荐系统的总体框架设计,然后详细描述了算法的设计和实现流程。最后对系统的性能和准确度进行了测试。测试结果表明该推荐系统能够正常工作,适应于智能电视终端。

智能电视潜在付费用户预测系统的设计与实现

这是一篇关于智能电视,潜在付费用户,特征衍生,深度模型,Java Web的论文, 主要内容为随着智能电视的普及,用户付费成为电视生产企业或视频内容企业最重要的利润来源之一。挖掘潜在付费用户,促使用户付费购买增值服务越来越成为企业亟待解决的问题。企业人员需要了解用户付费情况、用户日常行为习惯等,同时适时地对潜在付费用户进行促销以促使更多用户付费,需开发一套智能电视潜在付费用户预测系统为此项业务做系统支撑。智能电视潜在付费用户预测系统中的一个关键是建立准确的潜在付费用户预测模型,本文首先基于国内最大的电视厂家之一的海信公司日志数据的特点,提出了对日志信息扩展、特征衍生以及特征提取的解决方案。结合深度模型在高阶抽象特征学习上的优势以及线性模型在低阶特征学习上的优势,应用SWD模型进行训练预测。为了验证模型的性能,和传统分类模型进行了比较,实验结果表明,SWD模型在智能电视潜在付费用户预测中的F1测度上优于传统的分类模型,F1值能够达到0.8401。在对系统的开发背景、国内外研究现状进一步分析之后,通过需求分析确定各个模块的功能和业务,应用B/S架构、前后端分离模式、Spring MVC等Java Web开发技术完成智能电视潜在付费用户预测系统的后台管理部分。同时应用Spark大数据技术进行数据的统计分析工作,为系统提供数据准备。后台管理系统分为用户今日消费、用户历史消费、用户行为分析、潜在用户预测、用户活动促销五大功能模块,其中潜在用户预测模块包含了用户预测分析和用户预测详情子功能模块,用户活动促销模块包含了促销活动和活动设置子功能模块。系统通过实时数据、统计分析数据、模型预测数据,为企业提供了一个快速、直观了解用户付费相关各方面情况的一个窗口,有助于指导企业做出正确的商业决策;并且企业可以方便地进行潜在用户付费促销活动,提高会员购买转化率,从而提高企业利润。

智能电视摘要生成及语音播报的设计与实现

这是一篇关于智能电视,深度学习,摘要生成,语音播报,迁移学习的论文, 主要内容为近年来,传统彩电行业都向着智能化发展,而随着人工智能发展的不断提升,通过人工智能技术提升电视智能化水平成了智能电视发展的一种重要方向。正是在如此的环境下,将智能电视显示的文本内容进行摘要生成并语音播报这样的功能被提出。本文主要叙述了智能电视文本内容的摘要生成及语音播报功能的设计与开发。首先对作为核心功能的摘要生成与语音合成进行技术研究与分析,确定了以深度学习为基础的功能实现方向,然后对现有基于深度学习的摘要生成与语音合成技术进行对比与分析,通过比较各种算法技术之间的优劣点,提出了一种新的基于迁移学习的双向摘要生成模型和实现了基于Tacotron2的语音合成模型,在给出综合算法方案后,对每个功能进行了详细的仿真对比实验,在实验中,通过对已有成熟算法模型的复现和对本文提出的算法模型进行仿真实验与实验分析,确定了本文提出算法方案的优越性,确定了以基于迁移学习的双向摘要生成模型和Tacotron2语音合成模型,作为实现系统核心功能的技术支持;然后对系统开发进行了详细的需求分析和建模,通过对系统的需求分析,将系统确定为后台管理、摘要生成、语音合成和模型压缩四个模型,并给出用例图确定每个模块的功能,然后根据完整的数据流图,对针对管理员和普通用户的业务使用,根据不同流程进行了细致描述;通过模块的详细分析,给出了各模块的详细设计方案,并予以实现;最后针对每个模块的需求分析和详细设计,对各个模块进行了详细的功能测试和性能测试,确保了系统各个功能模块的有效性和性能保障,对系统进行了完整性运行测试,确保了系统的流畅运行。本文提出的系统创新点在于:从功能性上,提出一个完整的对智能电视文本内容进行摘要生成,并且语音播报给用户的解决方案,通过技术性融合,实现了用户使用智能电视的便捷性,大大提升了用户使用体验;从技术上,以深度学习技术为出发点,提出了一种针对本课题非常有效的双向语言模型作为特征提取器,性能与BERT语言模型相匹配,同时针对现有摘要生成的Seq2Seq架构进行改进,设计并实现了一种双向摘要生成解码器,通过双向语言模型对摘要生成任务进行微调,大大提升了任务性能,最后利用基于权重剪枝的模型压缩技术对本文涉及到的深度学习模型进行处理,加速模型推理,降低了硬件需求,便于项目未来落地的需要。作为在实习公司的预研性项目,该功能成功开发,并通过了公司的验收,印证了智能电视智能化水平的提升是未来的大趋势,而多领域技术的融合对智能化的提升将是巨大的,人工智能技术在其中起到的作用,也是不可估量。

智能电视语音搜索控制系统的设计与实现

这是一篇关于智能电视,语音识别,命名实体识别,循环神经网络,B/S架构的论文, 主要内容为得益于现阶段人工智能领域的迅猛发展和技术创新,语音识别和自然语言处理等技术正广泛应用于各类电子产品。智能电视作为其中重要应用之一,相比传统电视仅能通过遥控器按键进行控制,由于搭载了智能语音搜索功能使得其极大地提升了产品的用户体验。智能电视让用户使用麦克风进行语音输入,然后经过语音识别和语义分析等技术处理,最终返回用户所需要的搜索结果。为了实现此功能,需要搭建一个语音搜索平台来达到实际应用的效果,进而满足用户的语音搜索需求。该系统的整体实现采用前端JSP页面+Java后台+算法模型的方式,主要使用Java和Python语言进行开发,从软件功能的需求分析,系统设计,系统实现等方面对该语音交互系统进行细致描述。主要的工作内容包括:详细分析针对智能电视的发展和语音交互技术的不断发展完善以及用户对电视功能的功能需求,及智能电视的语音交互系统所实现的功能如何满足语音交互需求。系统采用B/S架构,包括前端页面调用,Java后台服务端调用算法模型进行语音识别(ASR)和命名实体识别(NER),给网页端提供接口并自我展示。进行详细的系统实现方案设计:前端页面负责实现语音输入,识别文本和校正文本展示;Java后台实现提供前端页面调用的API,接受前端页面输入的语音和修正文本,将每次的语音文件和对应文本标签保存至数据库,并且提供页面查看功能,便于后期更新维护使用;使用循环神经网络来对进行ASR和NER的模型训练,ASR实现对输入语音的识别得到对应中文文本,NER实现对中文文本的语义分析,精确定位到搜索内容。系统严格遵守各步骤的要求规格进行开发。在实际应用中系统稳定运行,能达到实际场景下的使用效果,实现语音识别和语义分析等功能,满足用户使用智能电视时的语音搜索控制的需求。

智能电视潜在付费用户预测系统的设计与实现

结合时空数据特征的推荐算法研究

这是一篇关于旅游推荐,时空特征,序列推荐,智能电视的论文, 主要内容为许多推荐应用场景会产生包含空间地理位置坐标的数据,或着带有时间戳、附着时序性的数据,这些数据又与其服务形式息息相关,对于地理位置场景,比如旅游网站,其产品为旅行地点(以及服务),旅行地具有固有的空间属性,即地图经纬度,居民出游常常优先考虑出行距离,并作为首要检索条件在网站搜寻目标,如:去外省还是近郊,国内还是国外?而游客出行历史也会构成带有不同位置属性的轨迹日志,成为独特的数据源。对于时序场景,比如在电商网站上的购物活动,会产生大量的以时间戳为序的浏览和消费日志,当消费者进人网站会话期时,推荐系统开始运作,需要短时间内预测用户接下来想看的商品,而用户兴趣往往体现在浏览活动序列中。在这两个领域的历史数据中,时序和距离不是物品本身属性,而是因为用户与物品的交互活动动态形成的。传统推荐领域对用户和物品的挖掘集中在标签、文本等形式的附加信息上,未充分将这两个特征融合进算法并加以有效利用,但在诸如此类与实体经济相关领域,时间戳和空间位置信息与产品服务形式和质量密切相关,因此,在此些场景下,结合时空数据特征(地理位置特征或时间戳特征)为服务方设计更契合产品的推荐算法至关重要。我们在研究过程中,恰好遇到携程旅游网站和海信智能电视两个独具特色的场景,原始数据分别具有地理位置属性和时间戳属性,针对各自特点,我们分别提出了新的推荐算法。对于旅游推荐,仅仅依靠互联网搜索通常很难满足游客需要的旅游规划,旅游网站或手机应用的后端推荐系统则是解决问题的有效方式。一个好的旅游推荐模型可以更全面地考虑用户的筛选条件,我们的调查表明,当用户选择一个旅游景点时,目的地与用户惯居地的距离常常是一个首先考虑的问题,并且旅行距离通常间接地反映时间和经济成本的影响。在本文旅游推荐工作中,我们首先对真实的携程网站用户旅行数据进行分析,给出合理假设,即每个用户旅游时有一个最偏好的距离区段,然后在贝叶斯模型和概率矩阵分解模型的基础上,提出结合出行距离特征的旅游推荐模型,简记为G-PMF(Probabilistic Matrix Factorization with Geographical Distance Feature)。模型创新点在于:(1)将用户对距离区段的偏好映射为权重,并作为自变量补充到概率矩阵分解的推荐模型中。(2)利用数据离散化技术,将景点与用户常居地之间的距离划分成区段,作为额外信息引入到学习过程。(3)在携程网旅行数据集上进行的实验,结果表明,通过引入出行距离特征,G-PMF的效果与传统模型相比有显著提高。电视机作为客厅的一块屏在电器领域占有重要的市场,而智能电视,使观众可以在单一平台上既可以观看电视直播又可以点播网络内容,目前变得越来流行。研究序列预测是让推荐引擎在用户完成视频观看时提供他接下来将会看的视频列表。我们在科研进程中,获取到海信真实用户日志并对其分析挖掘以解决序列预测问题。类似工作在其他领域序列推荐场景中已逐渐流行,在电商领域的会话推荐(Session based Recommendation)问题上,循环神经网络RNN已经用于捕获序列模式且获得了较的推荐效果。但是,将这种方法原封不动地迁移到智能电视方案中可行性不高,因为智能电视数据集具有不同的特点,例如帐户共享、由时间跨度引起的稀疏性、用户观看行为的不连续性等等。而且从算法本身而言,RNN主要作用是捕获序列统计特征,对用户兴趣的个性化挖掘能力有限。因此,我们结合传统协同过滤开发了一种混合方法来做这种推荐任务,称之为智能电视上的混合序列预测模型(Hybrid Sequence Prediction Model for Smart TV,HSPM)。它包含两个模块,第一个利用并行门控循环神经单元(Parallel Gate Recurrent Unit)结合海报和点击数据对序列进行建模;第二个模块称为时间上下文序列K近邻算法(Time Context Sequence K Nearest Neighbor,TCSKNN),我们考虑到用户在当前时间范围内的选择通常会受到电视推广页面的影响,所以将传统的KNN扩展为对时间敏感的方法,来模拟在线实时推荐情况。我们将两个模块预测结果以加权方式将混合。通过在海信智能电视点播数据集和第三方视频数据集上进行的实验,我们证明了模型与最新的基线模型相比,HR(命中率)和MRR(均值倒数排名)指标上可实现一定的提高。综上所述,我们分别针对具有空间距离特征的旅游目的地推荐场景和具有时时间戳及时序特征的智能电视场景进行了数据挖掘、问题建模、实验分析等工作,分别结合传统协同过滤技术或深度学习模型,提出了针对各自场景特点的推荐算法,并在大规模真实的行业数据集上验证了我们方法的有效性,所做工作对旅游推荐和智能电视领域有较大帮助。

端云协同计算的智能电视视频实时推荐系统的设计与实现

这是一篇关于嵌入式AI,智能电视,个性化视频推荐,Apache Flink的论文, 主要内容为传统电视行业在计算机技术的发展下已完成智能化升级,智能电视使得用户可以方便快捷地享受视频服务;与此同时互联网规模的不断扩大使得数据量与日俱增。如何从繁多的视频资源中快速且准确地发掘出用户感兴趣的视频,是当前智能电视的视频服务提供方所面临的一大问题。作为解决“信息过载”问题的一种手段,推荐系统通过分析用户的行为,在物料库中做筛选,可以帮助用户发现自己的潜在兴趣。准确、及时的视频推荐系统可提升用户满意度,增强用户使用粘性,并最终提高智能电视厂商的市场效益。目前基于离线批处理平台的推荐系统,虽然可以通过分布式计算在全量数据下得到较为准确的推荐结果,但推荐算法模型更新的时间太长、实时性差导致难以及时把握用户兴趣转换;另外基于深度学习的推荐算法相较于传统的机器学习推荐算法虽然表现更好,但运行模型服务时所需的计算资源也更多,云计算架构下的推荐系统越来越难以承受众多用户频繁的推荐请求。为解决以上问题,本文设计并实现了智能电视场景下的视频实时个性化推荐系统,以混合流水线的形式,将推荐流程分为召回、粗排和精排三个阶段,在云端流计算集群实现推荐的召回(Matching)和粗排(Pre-ranking)阶段,并创新性地将精排(Ranking)阶段在智能电视设备端实现。本文所设计的系统依据功能实现主要分为推荐模块、存储模块、数据收集模块和展示模块:(1)针对推荐模块,本系统在云端搭建了基于Flink流处理的分布式大数据计算平台,并通过此平台实现了召回阶段和粗排阶段。其中,召回阶段基于ALS算法求解矩阵分解实现;粗排阶段采用FTRL在线学习的方式实时更新逻辑回归模型,并使用批流结合的训练方式改善系统的冷启动问题,以此加快模型上线时间。在精排阶段,基于嵌入式AI技术,融合行为历史序列与用户属性,设计并实现基于用户行为序列的深度神经网络模型SBDNN(Sequential-Based Deep Neural Network)。并将其部署在智能电视端侧,通过模型本地推断的方式做实时推荐,减轻云端计算压力。此外,设计端上精排模型的局部更新策略,减轻云端下发模型更新包时的网络资源消耗。(2)针对存储模块,使用基于文档的关系数据库MongoDB和基于内存的键值数据库Redis分别提供持久化存储和缓存。其中MongoDB持久化存储用于训练的全量数据,Redis缓存召回阶段和粗排阶段的推荐结果。(3)数据收集模块方面,通过Flume日志采集工具和Kafka消息缓冲队列获取用户行为,用于云端的推荐业务响应和推荐算法训练。(4)展示模块方面,系统在云端搭建了用于流计算集群状态监控和推荐算法评估指标统计展示的Web服务,并在智能电视设备端实现了用于精排阶段业务展示的可视化程序。本文对传统的智能电视视频推荐系统做了架构上的优化与升级,划分功能模块并搭建了完整的推荐平台。通过实验验证,所设计实现的智能电视视频实时推荐系统在保证预测准确度的情况下,具有较强的实时性,系统整体有较高的应用价值。

智能电视内容融合系统的设计与实现

这是一篇关于智能电视,内容融合,EPG信息,SSM框架的论文, 主要内容为随着三网融合的快速发展,智能电视成为“智能与视频”融合与变革的代表产品。智能电视的核心是视频内容,当前大部分电视视频内容提供商提供了节目集成、系统开发及增值业务等服务,而对视频本身相关度较高的周围信息考虑不多,另外视频之间的关联度也较低。智能电视内容融合系统提供视频内容与周围信息的整合、基于相似度的视频之间的关联功能,将互联网内容融入进智能电视内容当中,同时兼顾智能电视与用户的互动体验,提供以内容融合为中心,以智能推荐为基本点的电视内容服务。智能电视内容融合系统与EPG(Electronic Program Guide,电子节目指南)系统、第三方数据提供商及CMS(Content Management System,内容管理系统)组成了一套完整的智能电视服务体系。本文所设计实现的智能电视内容融合系统基于Linux操作系统、Jetty服务器、MySQL数据库和Java编程语言开发,服务端选取SSM(Spring、Spring MVC、MyBatis)作为开发框架。笔者遵循软件工程思想,在需求分析阶段,参与完成了智能电视内容融合系统需求整理和分析;在概要设计阶段,参与系统功能模块设计、总体结构设计和数据库设计;在系统详细设计与实现阶段,笔者完成了 EPG信息整合模块、互联网内容整合模块和编辑辅助模块的设计与开发。(1)在EPG信息整合模块中,包括节目分类管理、关联推荐管理和热播推荐管理,将丰富的视频内容以更人性化的结构展现给智能电视客户端用户。(2)互联网内容整合模块包括百度百科查询、新浪娱乐查询,将互联网内容融合进智能电视内容中,丰富了视频周边信息的维度。(3)编辑智能辅助模块包括投票管理、评论管理和标签管理,投票管理和评论管理用于增强用户互动体验,标签管理维护系统基础数据与第三方数据服务提供商数据的一致性。该系统通过了功能测试和性能测试,目前处于试运行阶段,投向市场后,将致力于为公司相关产品提供更丰富的应用服务,提高公司在该领域的核心竞争力。