一种交互式电梯广告智能推荐方法及系统与流程

1.本发明涉及电梯广告技术领域，尤其涉及一种交互式电梯广告智能推荐方法及系统。


背景技术：

2.随着国内电梯保有量的增多，电梯内产生的数据信息价值也越来越受到人们的重视。电梯广告作为一种新型的广告媒体能够直接触达社区用户，利用电梯内产生的海量信息更好的为用户服务，有必要设计出满足应用场景的电梯广告智能推荐系统。
3.现有电梯广告智能推荐研究更多的是推荐系统的单向分析，基于乘客属性检测等，实现广告智能投放，但缺少了对乘客与广告的交互行为数据进行关联分析，没有做到最大化广告投放效益。


技术实现要素：

4.本发明提供了一种交互式电梯广告智能推荐方法及系统，以解决现有技术中缺少了对乘客与广告的交互行为数据进行关联分析，没有做到最大化广告投放效益的问题。
5.本技术在有触摸式广告显示屏的前提下，联合乘客属性(系统主动性分析)以及交互信息(乘客滑动显示屏、点击广告等交互行为，乘客主动性反馈信息)，在现有研究的基础之上进一步探索，设计出具有一定鲁棒性且准确率较高的交互式电梯广告智能推荐方法及系统，有利于用户获得更优质的广告服务，实现最大化的广告投放效益。
6.本发明采用的技术方案是：提供一种交互式电梯广告智能推荐方法，包括如下步骤：
7.在电梯内通过监控摄像头对乘客信息进行采集，以及通过触摸广告屏对乘客交互情景信息进行采集；
8.基于乘客属性识别算法对乘客信息进行分析；
9.将交互情景信息存储至数据库模块中，并根据交互情景信息构造广告信息集以及交互情景数据库；
10.在交互情景数据库的基础之上，基于情景感知的fp-growth推荐算法向乘客智能推荐广告；
11.获得整个电梯集群中目标乘客感兴趣的关联广告，并对结果进行局部校正；
12.寻找目标乘客，并对目标乘客推荐广告。
13.作为交互式电梯广告智能推荐方法的一种优选方式，所述根据交互情景信息构造广告信息集以及交互情景数据库的方法包括：
14.构造广告信息集：s＝{s1,s2,...,sm}，其中si＝{k1,k2,ki,....km}，1≤i≤m，si为目标乘客t1时间段内关注的广告ki的序列，t1时间段的开始时间为乘客点击广告界面，结束时间为乘客离开电梯；
15.构造交互情景数据库：d＝{d1,d2,...,dn}，其中di＝{[x,y]:s1,s2,...}，1≤i≤n，di
表示具体的交互情景数据，即目标乘客与广告信息集构成的事物数据库，其中[x,y]表示目标乘客属性，x为性别属性，y为年龄属性。
[0016]
作为交互式电梯广告智能推荐方法的一种优选方式，在构造广告信息集的过程中增加时间阈值t2、t3；t2时间段内摄像头连续丢失乘客信息表示乘客离开电梯，广告屏自动退出交互界面，直到接收到下一次点击则重新开始构造广告信息集；乘客点击广告ki至切换界面的时长若大于t3，则将ki加入si，否则不加入。
[0017]
作为交互式电梯广告智能推荐方法的一种优选方式，所述在交互情景数据库的基础之上，基于情景感知的fp-growth推荐算法向乘客智能推荐广告的方法包括：
[0018]
建立项头表，即广告信息集s中每个ki出现个数，定义最小支持度为t
ms
，t
ms
∈(0，1)；扫描广告信息集s，得到所有频繁1项集(k1,k2,ki,....)的计数(c
k2
，c
ki
.....)；然后删除支持度低于阈值t
ms
的项，将频繁1项集放入项头表，并按照支持度降序排列；
[0019]
构造fp-tree，扫描广告信息集，将读到的原始数据剔除非频繁1项集，并按照支持度降序排列；读入排序后的数据集，按照排序后的顺序，插入fp-tree中，排序靠前的节点是根节点，而靠后的是子节点；如果有共用的根节点，则对应计数加1；如果有新节点出现，则项头表对应的节点会通过节点链表链接上新节点；直到所有的数据都插入到fp-tree；
[0020]
挖掘fp-tree，从项头表的底部项依次向上找到项头表项对应的条件模式基；从条件模式基递归挖掘得到项头表项的频繁项集；定义频繁项集的项数n
fp
，只返回满足项数要求的频繁项集；
[0021]
定义全局加权参数，对最大频繁项集的具体条项出现次数进行批归一化，作为每个具体条项对应的全局加权参数。
[0022]
作为交互式电梯广告智能推荐方法的一种优选方式，所述对结果进行局部校正的方法包括：
[0023]
基于k-means算法对具体点位的交互数据情景信息进行聚类，簇的大小等于乘客属性类别，对每一簇中广告出现次数进行批归一化；
[0024]
对聚类结果中的同类商品进行加权，重新排序；定义广告关注度阈值t
p
，保留分值高于t
p
的广告项，生成新的广告目录。
[0025]
作为交互式电梯广告智能推荐方法的一种优选方式，所述寻找目标乘客的方法包括：
[0026]
乘客进入电梯后，基于深度学习算法检测出乘客位置，基于opencv人眼检测模型(haarcascade_eye.xml)检测人眼位置，根据人眼状态库进行模板匹配，对乘客进行人眼关注位置检测，其中人眼状态库包括向正前方、左、右、上、下关注5种类型，由于摄像头位于广告屏上方，当乘客面向广告屏时，认为人眼状态为正前方，建立目标乘客模型：
[0027]
f(x)＝αr1(x)+βr2(x)
[0028]
其中，x为具体乘客，r1(x)为乘客检测框面积，r2(x)为乘客面向正前方置信度，α、β分别为对应因素的权重因子，f(x)为最后得分，据此排序，确认乘客优先级，优先级较高的为主要目标乘客，基于该乘客属性推荐广告目录。
[0029]
作为交互式电梯广告智能推荐方法的一种优选方式，所述对目标乘客推荐广告的方法包括：
[0030]
基于情景感知的fp-growth推荐算法，生成目标乘客广告目录；
[0031]
目标乘客x的广告目录播放结束，摄像头依然检测到目标乘客x，若没有其他目标乘客，广告目录中的内容轮次播放，若存在其他目标乘客x+i，则播放x+i对应的广告目录；
[0032]
目标乘客x的广告目录没有播放完，目标乘客x出梯，若没有其他目标乘客，广告屏恢复默认播放，若存在其他目标乘客x+i，则根据优先级依次播放x+i对应的广告目录。
[0033]
本发明还提供一种交互式电梯广告智能推荐系统，包括：
[0034]
数据中控中心，负责整个电梯集群的数据信息的计算、存储以及传输；
[0035]
信息采集模块，用于对电梯内的乘客属性信息以及交互信息进行采集；
[0036]
乘客属性分析模块，基于深度学习算法获得乘客属性信息；
[0037]
数据库模块，将乘客与触摸广告屏进行交互的情景信息以数据的形式存放；
[0038]
全局推荐模块，基于情景感知的fp-growth推荐算法分析数据库信息，以整个电梯集群的数据为基础，对乘客进行广告的智能推荐；
[0039]
局部矫正模块，是在全局推荐的基础之上，基于k-means进一步分析具体点位信息做出综合判断。
[0040]
本发明的有益效果是：本发明在有触摸式广告显示屏的前提下，联合乘客属性以及交互信息，在现有研究的基础之上进一步探索，设计出具有一定鲁棒性且准确率较高的交互式电梯广告智能推荐方法及系统，有利于用户获得更优质的广告服务，实现最大化的广告投放效益。
附图说明
[0041]
图1为本发明公开的交互式电梯广告智能推荐方法的流程示意图。
[0042]
图2为本发明公开的交互式电梯广告智能推荐系统的结构框图。
具体实施方式
[0043]
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步详细描述，但本发明的实施方式不限于此。
[0044]
实施例1：
[0045]
参见图1，本实施例公开一种交互式电梯广告智能推荐方法，包括如下步骤：
[0046]
s1：在电梯内通过监控摄像头对乘客信息进行采集，以及通过触摸广告屏对乘客交互情景信息进行采集。
[0047]
其中电梯环境为：电梯触摸广告屏安装在电梯内且与电梯门同侧的左或右边，避开按键一侧，面对出梯乘客；监控摄像头位于轿厢顶部，并在广告屏的正上方，既能监控整个电梯区域，也有利于准确分析广告屏前方乘客。
[0048]
触摸广告屏为：有主播放窗口和广告目录窗口，在主播放窗口中可以日常滚动播放广告，在广告目录窗口中可以滑动滚动条、点击任意感兴趣广告，如果当前播放广告为广告目录中的最后一个，广告屏会进行轮播。
[0049]
信息采集分为两个部分，一部分是通过监控摄像头对乘客信息进行采集，一部分是触摸广告屏对乘客交互情景信息进行采集。乘客信息反馈至s2，交互情景信息反馈至s3。
[0050]
s2：基于乘客属性识别算法对乘客信息进行分析。
[0051]
基于乘客属性识别算法对乘客信息进行分析，本实施例仅将乘客的性别信息、年
龄信息反馈并分析。除此之外，还可考虑增加乘客的身高、服饰、是否佩戴饰品等属性信息。
[0052]
乘客属性识别在视频监控领域备受关注，为了提高乘客属性识别的准确率，采用深度学习的方法。本实施例基于属性定位模型(attribute localization module,alm)，识别乘客的性别、年龄。该模型不需要额外的区加域标注(以stn(spatial transformer networks)实现)，可以在多尺度的深度监督下进行端到端的训练，在peta、rap和pa-100k三个行人属性数据集上显著地优于现有的大多数方法，其中在rap数据集中的female(性别：男性，女性)准确率达到96％，ageless16准确率达到88％，均优于rap数据集的baseline model。rap数据集共有41585个行人样本，包含72个属性，从室内监控的26个摄像头采集，分辨率范围从36
×
92到344
×
554，与电梯场景具有一定相似性。
[0053]
s3：将交互情景信息存储至数据库模块中，并根据交互情景信息构造广告信息集以及交互情景数据库。
[0054]
乘客与广告屏进行交互，通过目录窗口选择感兴趣广告，点击跳转以获得广告详细信息。此时推荐系统便将乘客属性以及交互情景信息存储在数据库模块。交互情景信息指的是一段时间内目标乘客关注的广告序列。具体过程如下。
[0055]
构造广告信息集：s＝{s1,s2,...,sm}，其中si＝{k1,k2,ki,....km}，1≤i≤m，si为目标乘客t1时间段内关注的广告ki的序列，t1时间段的开始时间为乘客点击广告界面，结束时间为乘客离开电梯；增加时间阈值t2、t3；t2时间段内摄像头连续丢失乘客信息表示乘客离开电梯，广告屏自动退出交互界面，直到接收到下一次点击则重新开始构造广告信息集；乘客点击广告ki至切换界面的时长若大于t3，则将ki加入si，否则不加入。
[0056]
构造交互情景数据库：d＝{d1,d2,...,dn}，其中di＝{[x,y]:s1,s2,...}，1≤i≤n，di表示具体的交互情景数据，即目标乘客与广告信息集构成的事物数据库，其中[x,y]表示目标乘客属性，x为性别属性，y为年龄属性。此外，也可增加身高、服饰、是否佩戴饰品等其他属性。
[0057]
s4：在交互情景数据库的基础之上，基于情景感知的fp-growth推荐算法向乘客智能推荐广告。
[0058]
其中，fp-growth是挖掘数据关联规则的算法，将数据库有效地压缩成小存储空间的数据结构，克服了经典算法aprior中多次扫描数据库的缺陷，只需对事物库进行二次扫描，将发现长频繁模式的问题转化递归模式增长的策略，避免产生大量候选集，大大降低了算法的时间复杂度。
[0059]
具体过程如下：
[0060]
建立项头表，即广告信息集s中每个ki出现个数，定义最小支持度为t
ms
，t
ms
∈(0，1)；扫描广告信息集s，得到所有频繁1项集(k1,k2,ki,....)的计数(c
k2
，c
ki
.....)；然后删除支持度低于阈值t
ms
的项，将频繁1项集放入项头表，并按照支持度降序排列；
[0061]
构造fp-tree，扫描广告信息集，将读到的原始数据剔除非频繁1项集，并按照支持度降序排列；读入排序后的数据集，按照排序后的顺序，插入fp-tree中，排序靠前的节点是根节点，而靠后的是子节点；如果有共用的根节点，则对应计数加1；如果有新节点出现，则项头表对应的节点会通过节点链表链接上新节点；直到所有的数据都插入到fp-tree；
[0062]
挖掘fp-tree，从项头表的底部项依次向上找到项头表项对应的条件模式基；从条件模式基递归挖掘得到项头表项的频繁项集；定义频繁项集的项数n
fp
，只返回满足项数要
求的频繁项集；
[0063]
定义全局加权参数，对最大频繁项集的具体条项出现次数进行批归一化，作为每个具体条项对应的全局加权参数。
[0064]
s5：获得整个电梯集群中目标乘客感兴趣的关联广告，并对结果进行局部校正。
[0065]
从s4的全局推荐中获得整个电梯集群中目标乘客感兴趣的关联广告，但是每个具体点位在推荐时还应该考虑自身的相对独立性。基于k-means算法对具体点位的交互数据情景信息进行聚类，簇的大小等于乘客属性类别，对每一簇中广告出现次数进行批归一化。结合s4的全局推荐，对聚类结果中的同类商品进行加权，重新排序。定义广告关注度阈值t
p
，保留分值高于t
p
的广告项，生成新的广告目录。
[0066]
s6：寻找目标乘客，并对目标乘客推荐广告。
[0067]
其中，寻找目标乘客的方法包括：乘客进入电梯后，基于深度学习算法检测出乘客位置，基于opencv人眼检测模型(haarcascade_eye.xml)检测人眼位置，根据人眼状态库进行模板匹配，对乘客进行人眼关注位置检测，其中人眼状态库包括向正前方、左、右、上、下关注5种类型，由于摄像头位于广告屏上方，当乘客面向广告屏时，认为人眼状态为正前方，建立目标乘客模型：
[0068]
f(x)＝αr1(x)+βr2(x)
[0069]
其中，x为具体乘客，r1(x)为乘客检测框面积，r2(x)为乘客面向正前方置信度，α、β分别为对应因素的权重因子，f(x)为最后得分，据此排序，确认乘客优先级，优先级较高的为主要目标乘客，基于该乘客属性推荐广告目录。
[0070]
对目标乘客推荐广告的方法包括：
[0071]
基于情景感知的fp-growth推荐算法，生成目标乘客广告目录。目标乘客x的广告目录播放结束，摄像头依然检测到目标乘客x，若没有其他目标乘客，广告目录中的内容轮次播放，若存在其他目标乘客x+i，则播放x+i对应的广告目录。目标乘客x的广告目录没有播放完，目标乘客x出梯，若没有其他目标乘客，广告屏恢复默认播放，若存在其他目标乘客x+i，则根据优先级依次播放x+i对应的广告目录。
[0072]
实施例2
[0073]
参见图2，本实施例公开一种交互式电梯广告智能推荐系统，包括：
[0074]
数据中控中心，负责整个电梯集群的数据信息的计算、存储以及传输；
[0075]
信息采集模块，用于对电梯内的乘客属性信息以及交互信息进行采集；
[0076]
乘客属性分析模块，基于深度学习算法获得乘客属性信息；
[0077]
数据库模块，将乘客与触摸广告屏进行交互的情景信息以数据的形式存放；
[0078]
全局推荐模块，基于情景感知的fp-growth推荐算法分析数据库信息，以整个电梯集群的数据为基础，对乘客进行广告的智能推荐；
[0079]
局部矫正模块，是在全局推荐的基础之上，基于k-means进一步分析具体点位信息做出综合判断，使得广告推荐更加的精准、高效。
[0080]
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。