DE202020006119U1 - Neuronale Netzwerkverarbeitung von Rückpfaddaten zur Schätzung der Demografie von Haushaltsmitgliedern und Besuchern - Google Patents

Neuronale Netzwerkverarbeitung von Rückpfaddaten zur Schätzung der Demografie von Haushaltsmitgliedern und Besuchern Download PDF

Info

Publication number
DE202020006119U1
DE202020006119U1 DE202020006119.0U DE202020006119U DE202020006119U1 DE 202020006119 U1 DE202020006119 U1 DE 202020006119U1 DE 202020006119 U DE202020006119 U DE 202020006119U DE 202020006119 U1 DE202020006119 U1 DE 202020006119U1
Authority
DE
Germany
Prior art keywords
demographic
households
visitor
return path
visitors
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
DE202020006119.0U
Other languages
English (en)
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nielsen Co US LLC
Original Assignee
Nielsen Co US LLC
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Priority claimed from US16/706,398 external-priority patent/US20200226465A1/en
Application filed by Nielsen Co US LLC filed Critical Nielsen Co US LLC
Publication of DE202020006119U1 publication Critical patent/DE202020006119U1/de
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
    • H04N21/25—Management operations performed by the server for facilitating the content distribution or administrating data related to end-users or client devices, e.g. end-user or client device authentication, learning user preferences for recommending movies
    • H04N21/258—Client or end-user data management, e.g. managing client capabilities, user preferences or demographics, processing of multiple end-users preferences to derive collaborative data
    • H04N21/25866—Management of end-user data
    • H04N21/25883—Management of end-user data being end-user demographical data, e.g. age, family status or address
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/09—Supervised learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0204—Market segmentation
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
    • H04N21/25—Management operations performed by the server for facilitating the content distribution or administrating data related to end-users or client devices, e.g. end-user or client device authentication, learning user preferences for recommending movies
    • H04N21/251—Learning process for intelligent management, e.g. learning user preferences for recommending movies
    • H04N21/252—Processing of multiple end-users' preferences to derive collaborative data
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
    • H04N21/25—Management operations performed by the server for facilitating the content distribution or administrating data related to end-users or client devices, e.g. end-user or client device authentication, learning user preferences for recommending movies
    • H04N21/258—Client or end-user data management, e.g. managing client capabilities, user preferences or demographics, processing of multiple end-users preferences to derive collaborative data
    • H04N21/25866—Management of end-user data
    • H04N21/25891—Management of end-user data being end-user preferences
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/43—Processing of content or additional data, e.g. demultiplexing additional data from a digital video stream; Elementary client operations, e.g. monitoring of home network or synchronising decoder's clock; Client middleware
    • H04N21/442—Monitoring of processes or resources, e.g. detecting the failure of a recording device, monitoring the downstream bandwidth, the number of times a movie has been viewed, the storage space available from the internal hard disk
    • H04N21/44213—Monitoring of end-user related data
    • H04N21/44218—Detecting physical presence or behaviour of the user, e.g. using sensors to detect if the user is leaving the room or changes his face expression during a TV programme
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/43—Processing of content or additional data, e.g. demultiplexing additional data from a digital video stream; Elementary client operations, e.g. monitoring of home network or synchronising decoder's clock; Client middleware
    • H04N21/442—Monitoring of processes or resources, e.g. detecting the failure of a recording device, monitoring the downstream bandwidth, the number of times a movie has been viewed, the storage space available from the internal hard disk
    • H04N21/44213—Monitoring of end-user related data
    • H04N21/44222—Analytics of user selections, e.g. selection of programmes or purchase activity
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/60—Network structure or processes for video distribution between server and client or between remote clients; Control signalling between clients, server and network components; Transmission of management data between server and client, e.g. sending from server to client commands for recording incoming content stream; Communication details between server and client 
    • H04N21/65—Transmission of management data between client and server
    • H04N21/658—Transmission by the client directed to the server
    • H04N21/6582—Data stored in the client, e.g. viewing habits, hardware capabilities, credit card number

Landscapes

  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Signal Processing (AREA)
  • Multimedia (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Accounting & Taxation (AREA)
  • Data Mining & Analysis (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Computing Systems (AREA)
  • Social Psychology (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Computer Graphics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

Demografieschätzsystem, umfassend:
einen Merkmalsgenerator zum Erzeugen von Merkmalen aus Rückpfaddaten (RPD), die von Set-Top-Boxen gemeldet werden, die mit Rückpfaddatenhaushalten verknüpft sind;
ein neuronales Netzwerk, um die aus den Rückpfaddaten erzeugten Merkmale zu verarbeiten und Demografieklassifikationswahrscheinlichkeiten für die Rückpfaddatenhaushalte vorherzusagen, wobei das neuronale Netzwerk basierend auf Forumdaten trainiert werden soll, die von Messvorrichtungen gemeldet werden, die Medienvorrichtungen überwachen, die mit den Teilnehmerhaushalten verknüpft sind;
eine Demografiezuweisungsengine zum Zuweisen einer oder mehrerer Demografiekategorien zu entsprechenden der Rückpfaddatenhaushalte basierend auf den vorhergesagten Demografieklassifikationswahrscheinlichkeiten; und
eine Besucherzuweisungsengine zum Zuweisen virtueller Besucher zu mindestens einer Teilmenge der entsprechenden der Rückpfaddatenhaushalte basierend auf der einen oder den mehreren Demografiekategorien, die den entsprechenden der Rückpfaddatenhaushalte zugewiesen sind.

Description

  • VERWANDTE ANMELDUNG(EN)
  • Nach den Bestimmungen des Gebrauchsmustergesetzes sind nur Vorrichtungen (Vorrichtungen, Systeme), wie sie in den beigefügten Schutzansprüchen definiert sind, schutzfähig und Gegenstand des Gebrauchsmusters, nicht aber Verfahren. Soweit in der nachfolgenden Beschreibung gegebenenfalls auf Verfahren Bezug genommen wird, dienen diese Bezugnahmen nur der beispielhaften Erläuterung der in den beigefügten Schutzansprüchen geschützten Vorrichtung(en). Dieses Gebrauchsmuster geht aus einer Teilfortsetzung der US-Patentanmeldung Nr. 16/230,620 mit dem Titel „NEURAL NETWORK PROCESSING OF RETURN PATH DATA TO ESTIMATE HOUSEHOLD DEMOGRAPHICS“, eingereicht am 21. Dezember 2018, hervor, welche die Priorität der provisorischen US-Patentanmeldung Nr. 62/743,925 mit dem Titel „NEURAL NETWORK PROCESSING OF SET-TOP BOX RETURN PATH DATA TO ESTIMATE HOUSEHOLD DEMOGRAPHICS“, eingereicht am 10. Oktober 2018, beansprucht. Dieses Gebrauchsmuster beansprucht auch die Priorität der provisorischen US-Patentanmeldung mit der Seriennummer 62/841,641 und dem Titel „NEURAL NETWORK PROCESSING OF RETURN PATH DATA TO ESTIMATE HOUSEHOLD MEMBER AND VISITOR DEMOGRAPHICS“, eingereicht am 01. Mai 2019. Die Priorität der US-Patentanmeldung mit der Seriennummer 16/230,620 , der provisorischen US-Patentanmeldung mit der Seriennummer 62/743,925 und der provisorischen US-Patentanmeldung mit der Seriennummer 62/841,641 wird beansprucht. Die US-Patentanmeldung mit der Seriennummer 16/230,620 , die provisorische US-Patentanmeldung mit der Seriennummer 62/743,925 und die provisorische US-Patentanmeldung mit der Seriennummer 62/841,641 werden durch Bezugnahme in die vorliegende Anmeldung aufgenommen.
  • GEBIET DER OFFENBARUNG
  • Diese Offenbarung betrifft allgemein neuronale Netzwerke und insbesondere neuronale Netzwerkverarbeitung von Rückpfaddaten zur Schätzung der Demografie von Haushaltsmitgliedern und Besuchern.
  • HINTERGRUND
  • Einrichtungen zur Messung von Publikum (Audience Measurement Entities, AMEs), wie beispielsweise The Nielsen Company (US), LLC, können aus einer relativ kleinen Stichprobe von Forumhaushalten Bewertungsmetriken und/oder andere Publikumsmessdaten bezüglich einer Fernsehzuschauergesamtzahl extrapolieren. Die Forumhaushalte können gut untersucht und typischerweise derart ausgewählt werden, dass sie für eine Zielgruppe als Ganzes repräsentativ sind. Des Weiteren kann eine AME, wie beispielsweise The Nielsen Company (US), LLC, zur Ergänzung der Forumdaten Vereinbarungen mit Pay-TV-Anbietern treffen, um die hierin und in der Branche als Rückpfaddaten bezeichneten Fernsehkanalauswahlinformationen von Set-Top-Boxen und/oder anderen Vorrichtungen/anderer Software zu erhalten.
  • KURZE BESCHREIBUNG DER ZEICHNUNGEN
    • 1 ist ein Blockdiagramm eines beispielhaften Verarbeitungsablaufs zum Schätzen von Demografieklassifikationswahrscheinlichkeiten aus Set-Top-Box-Rückpfaddaten unter Verwendung eines neuronalen Netzwerks gemäß den Lehren dieser Offenbarung.
    • 2 ist ein Blockdiagramm eines beispielhaften Verarbeitungsablaufs zur Verwendung der Demografieklassifikationswahrscheinlichkeiten, die durch den beispielhaften Verarbeitungsablauf von 1 geschätzt wurden, um gemäß den Lehren dieser Offenbarung Haushalten Demografien zuzuweisen.
    • 3 ist ein Blockdiagramm eines beispielhaften neuronalnetzwerkbasierten Demografieschätzsystems, das derart strukturiert ist, dass es die Verarbeitungsabläufe der 1 und 2 implementiert, um gemäß den Lehren dieser Offenbarung Haushaltsdemografie anhand von Set-Top-Box-Rückpfaddaten zu schätzen.
    • 4A-B veranschaulichen beispielhafte Merkmale, die durch den beispielhaften Merkmalsgenerator erzeugt werden, der in dem beispielhaften neuronalnetzwerkbasierten Demografieschätzsystem von 3 enthalten ist.
    • 5 ist ein Blockdiagramm einer beispielhaften Implementierung des beispielhaften neuronalen Netzwerks zur Demografievorhersage, das in dem beispielhaften neuronalnetzwerkbasierten Demografieschätzsystem von 3 enthalten ist.
    • 6A-C veranschaulichen eine beispielhafte Operation des neuronalen Netzwerks zur Demografievorhersage von 3, um gemäß den Lehren dieser Offenbarung Demografieklassifikationswahrscheinlichkeiten von Set-Top-Box-Rückpfaddaten zu schätzen.
    • 7 veranschaulicht einen beispielhaften Pseudocode zum Implementieren der beispielhaften Haushaltsdemografiezuweisungsengine, die in dem beispielhaften neuronalnetzwerkbasierten Demografieschätzsystem von 3 enthalten ist.
    • 8A-E veranschaulichen eine beispielhafte Operation der Haushaltdemografiezuweisungsengine von 3, um gemäß den Lehren dieser Offenbarung Demografien Haushalten zuzuweisen.
    • 9A-C veranschaulichen beispielhafte simulierte Ausheiloperationen, die von der Haushaltsdemografiezuweisungsengine von 3 ausgeführt werden können.
    • 10 ist ein Blockdiagramm eines zweiten beispielhaften neuronalnetzwerkbasierten Demografieschätzsystems, das strukturiert ist, um gemäß den Lehren dieser Offenbarung Haushaltsdemografien für primäre Haushaltsmitglieder und Langzeitbesucher aus den Set-Top-Box-Rückpfaddaten zu schätzen.
    • 11 ist ein Blockdiagramm einer beispielhaften Besucherzuweisungsengine, die in dem beispielhaften neuronalnetzwerkbasierten Demografieschätzsystem von 10 enthalten ist, um gemäß den Lehren dieser Offenbarung virtuelle Besucher zu Rückpfaddatenhaushalten zuzuweisen.
    • 12 ist ein Flussdiagramm, das für beispielhafte computerlesbare Anweisungen steht, die ausgeführt werden können, um das neuronalnetzwerkbasierte Demografieschätzsystem von 3 zu implementieren.
    • 13 ist ein Flussdiagramm, das für beispielhafte computerlesbare Anweisungen steht, die ausgeführt werden können, um das zweite neuronalnetzwerkbasierte Demografieschätzsystem von 10 zu implementieren.
    • 14-15 sind Flussdiagramme, die für beispielhafte computerlesbare Anweisungen stehen, die ausgeführt werden können, um die beispielhafte Demografiezieleanpassungsvorrichtung zu implementieren, die in dem neuronalnetzwerkbasierten Demografieschätzsystem von 10 enthalten ist.
    • 16-18 sind Flussdiagramme, die für beispielhafte computerlesbare Anweisungen stehen, die ausgeführt werden können, um die Besucherzuweisungsengine von 10 zu implementieren.
    • 19 ist ein Flussdiagramm, das für beispielhafte computerlesbare Anweisungen steht, die ausgeführt werden können, um die Besuchervektorzuweisungsvorrichtung von 11 unter der Beschränkung zu implementieren, dass ein Besucher einem bestimmten Haushalt zuzuweisen ist.
    • 20 ist ein Blockdiagramm einer beispielhaften Prozessorplattform, die strukturiert ist, die beispielhaften maschinenlesbaren Anweisungen von 12 auszuführen, um das beispielhafte neuronalnetzwerkbasierte Demografieschätzsystem von 3 zu implementieren.
    • 21 ist ein Blockdiagramm einer beispielhaften Prozessorplattform, die strukturiert ist, die beispielhaften maschinenlesbaren Anweisungen der 13, 14, 15, 16, 17, 18 und/oder 19 auszuführen, um das beispielhafte neuronalnetzwerkbasierte Demografieschätzsystem von 10 zu implementieren.
    • Die Figuren sind nicht maßstäblich. Im Allgemeinen werden in der bzw. den Zeichnungen und der zugehörigen Beschreibung die gleichen Bezugszeichen verwendet, um auf die gleichen oder ähnliche Teile, Elemente usw. zu verweisen.
  • AUSFÜHRLICHE BESCHREIBUNG
  • Deskriptoren wie „erste“, „zweite“, „dritte“ usw. werden hierin verwendet, um mehrere Elemente oder Komponenten zu identifizieren, auf die separat Bezug genommen werden kann. Sofern nicht anders angegeben oder basierend auf ihrem Verwendungskontext verständlich, sollen solche Deskriptoren keine Bedeutung hinsichtlich Priorität oder zeitlicher Reihenfolge zuschreiben, sondern lediglich als Bezeichnungen dienen, um auf mehrere Elemente oder Komponenten getrennt voneinander zu verweisen und das Verständnis der offenbarten Beispiele zu erleichtern. In einigen Beispielen kann der Deskriptor „erste“ verwendet werden, um sich auf ein Element in der ausführlichen Beschreibung zu beziehen, während das gleiche Element in einem Anspruch mit einem anderen Deskriptor wie „zweite“ oder „dritte“ bezeichnet sein kann. In solchen Fällen versteht es sich, dass solche Deskriptoren lediglich zur einfachen Bezugnahme auf mehrere Elemente oder Komponenten verwendet werden.
  • Beispielhafte Verfahren, Vorrichtungen, Systeme und Herstellungsprodukte (z. B. physische Speichermedien) zum Implementieren der neuronalen Netzwerk-Verarbeitung von Rückpfaddaten zur Schätzung von Haushaltsdemografien werden hierin offenbart. Beispiele für solche hierin offenbarten Demografieschätzsysteme umfassen einen Merkmalsgenerator, um Merkmale aus Rückpfaddaten zu erzeugen, die von Set-Top-Boxen gemeldet werden, die mit Rückpfaddatenhaushalten verknüpft sind. Beispielhafte Demografieschätzsysteme, die hierin offenbart werden, umfassen auch ein neuronales Netzwerk, um die aus den Rückpfaddaten erzeugten Merkmale zu verarbeiten, um Demografieklassifikationswahrscheinlichkeiten für die Rückpfaddatenhaushalte vorherzusagen. Beispielhafte Demografieschätzsysteme, die hierin offenbart werden, umfassen ferner eine Demografiezuweisungsengine, um basierend auf den vorhergesagten Demografieklassifikationswahrscheinlichkeiten eine oder mehrere Demografiekategorien zu entsprechenden der Rückpfaddatenhaushalte zuzuweisen.
  • Diese und andere beispielhafte Verfahren, Vorrichtungen, Systeme und Herstellungsprodukte (z. B. physische Speichermedien) zum Implementieren der neuronalen Netzwerkverarbeitung von Rückpfaddaten zur Schätzung von Haushaltsdemografien werden nachstehend näher beschrieben.
  • Wie vorstehend erwähnt, extrapolieren AMEs Bewertungsmetriken und/oder andere Publikumsmessdaten für ein gesamtes Fernsehzuschauerpublikum aus einer relativ kleinen Stichprobe von Teilnehmerhaushalten, die hierin auch als Forumhaushalte bezeichnet werden. Die Forumhaushalte können gut untersucht und typischerweise derart ausgewählt werden, dass sie für eine Zielgruppe als Ganzes repräsentativ sind. Die genaue Darstellung der geografischen Verteilung und Demografiediversität, die in der Gesamtpublikumspopulation mit einer kleinen Stichprobe von Forumhaushalten existiert, bleibt jedoch eine Herausforderung. Das Einbeziehen zusätzlicher Informationsströme über die Medienexposition gegenüber der Gesamtpublikumspopulation kann Lücken oder Verzerrungen füllen, die jeder statistischen Stichprobe eigen sind.
  • Eine AME, wie beispielsweise The Nielsen Company (US), LLC, kann zur Ergänzung der Forumdaten Vereinbarungen mit Pay-TV-Anbietern treffen, um die hierin und in der Branche als Rückpfaddaten (RPD) bezeichneten Fernsehkanalauswahlinformationen von Set-Top-Boxen und/oder anderen Vorrichtungen/anderer Software zu erhalten. Set-Top-Box-Daten (STB-Daten) umfassen alle von der Set-Top-Box gesammelten Daten. STB-Daten können zum Beispiel Kanalauswahlereignisse und/oder Befehle umfassen, die von der STB empfangen werden (z. B. Einschalten, Ausschalten, Kanalwechsel, Änderung der Eingabequelle, Beginn der Präsentation von Medien, Pausieren der Präsentation von Medien, Aufzeichnen einer Präsentation von Medien, Lauter/Leiser usw.). STB-Daten können zusätzlich oder alternativ Befehle umfassen, die von der STB an einen Inhaltsanbieter gesendet werden (z. B. Wechsel von Eingabequellen, Aufzeichnen einer Medienpräsentation, Löschen einer aufgezeichneten Medienpräsentation, die Zeit/das Datum, zu der eine Medienpräsentation gestartet wurde, die Zeit, zu der eine Medienpräsentation abgeschlossen wurde, usw.), Heartbeat-Signale oder dergleichen. Die Set-Top-Box-Daten können zusätzlich oder alternativ eine Haushaltskennung (z. B. eine Haushalts-ID) und/oder eine STB-Kennung (z. B. eine STB-ID) umfassen.
  • Rückpfaddaten umfassen beliebige Daten, die bei einem Mediendienstanbieter (z. B. ein Kabelfernsehdienstanbieter, ein Satellitenfernsehdienstanbieter, ein Streaming-Mediendienstanbieter, ein Inhaltsanbieter usw.) über einen Rückpfad von einer Medienverbraucherseite empfangen werden können. Als solches umfassen Rückpfaddaten mindestens einen Teil der Set-Top-Box-Daten. Rückpfaddaten können zusätzlich oder alternativ Daten von jeder anderen Verbrauchervorrichtung mit Netzwerkzugangsfähigkeiten (z. B. über ein Mobilfunknetzwerk, das Internet, andere öffentliche oder private Netzwerke usw.) umfassen. Zum Beispiel können Rückpfaddaten beliebige oder alle linearen Echtzeitdaten von einer STB, Fernsehprogrammbenutzerdaten von einem Fernsehprogrammsender, Klick-Stream-Daten, Schlüssel-Stream-Daten (z. B. jegliches Klicken auf der Fernbedienung - Lautstärke, Stummschaltung usw.), interaktive Aktivität (wie Video-on-Demand) und alle anderen Daten (z. B. Daten von Middleware) umfassen. RPD-Daten können zusätzlich oder alternativ aus dem Netzwerk (z. B. über Switched Digital Software) und/oder von beliebigen cloudbasierten Daten (wie einem Remote-Server-DVR) aus der Cloud stammen.
  • RPD können Informationen über die Medienexposition bereitstellen, die mit einem größeren Segment der Publikumspopulation verbunden ist. Der Grund ist, dass die RPD typischerweise einen reichen Strom von Fernsehbetrachtungsinformationen für eine viel größere Anzahl von Haushalten bereitstellen, als sie in den Forumhaushalten einer AME enthalten sind. Im Gegensatz zu den gut untersuchten AME-Forumhaushalten sind die Demografiedetails von Pay-TV-Abonnenten typischerweise jedoch unbekannt. Diese fehlenden Demografiedetails in den RPD können in technischen Problemen resultieren, welche die effektive Nutzung der RPD zur Ergänzung der Forumdaten der AME verhindern oder zumindest einschränken, da die Überwachung der Verhaltensprofile verschiedener Publikumsdemografien die Kenntnis der Demografiezusammensetzung der Abonnentenhaushalte erfordert, welche die RPD bereitstellen.
  • Die hierin offenbarte neuronale Netzwerk-Verarbeitung von Set-Top-Box-RPD zur Schätzung von Haushaltsdemografie bietet eine technische Lösung für das technische Problem des Kombinierens von RPD mit Forumdaten zur Publikumsmessung. Wie nachstehend näher beschrieben, verwenden beispielhafte neuronalnetzwerkbasierte Demografieschätzsysteme, die gemäß den Lehren dieser Offenbarung implementiert werden, von überwachten AME-Forumhaushalten gesammelte Forumdaten als Trainingssatz zum Trainieren eines neuronalen Netzwerks (z. B. eines rekurrenten neuronalen Netzwerks), um aus RPD-Einstelldaten, die historisches Fernseheinstellverhalten beschreiben, Wahrscheinlichkeiten unterschiedlicher Haushaltsdemografieeigenschaften, die mit entsprechenden der RPD-Haushalte verknüpft sind, welche die RPD-Daten berichten, vorhersagen zu können. Das offenbarte beispielhafte neuronalnetzwerkbasierte Demografieschätzsystem sagt dann die Verwendung der vorhergesagten Wahrscheinlichkeiten verschiedener Haushaltsdemografieeigenschaften vorher, um Demografiezusammensetzungen zuzuweisen. Auf diese Weise weisen beispielhafte neuronalnetzwerkbasierte Demografieschätzsysteme den Abonnentenhaushalten, welche die RPD bereitstellen, Demografiezusammensetzungen zu, wodurch es ermöglicht wird, dass die RPD mit den Forumdaten kombiniert werden oder anderweitig die Forumdaten verbessern, die ein Publikumsmesssystem der AME ansteuern. Solche beispielhaften neuronalnetzwerkbasierten Demografieschätzsysteme werden auch als Implementierung eines beispielhaften Haushaltsdemografiezuweisungsmodells (HDAM) bezeichnet, um Demografiezusammensetzungen Haushalten zuzuweisen.
  • In einigen offenbarten Beispielen sagt das durch das neuronalnetzwerkbasierte Demografieschätzsystem implementierte HDAM Haushaltsebenendemografiezuweisungen basierend auf Fernsehbetrachtungsdaten vorher, sagt aber die Haushaltsebenendemografieeigenschaften für primäre Haushaltsmitglieder und nicht für Langzeitbesucher vorher. Wie hierin verwendet ist ein Langzeitbesucher eine Person, die den Haushalt mehr als einmal und/oder für einen längeren Zeitraum, wie beispielsweise mindestens einmal alle zwei Wochen, besucht oder mindestens einen Monat in einem Kalenderjahr in dem Haushalt verweilt. Ein Langzeitbesucher hat an anderer Stelle eine primäre Wohnung, ist kein Haushaltsmitglied und sieht und/oder hört typischerweise Fernsehen in dem Haushalt während mindestens eines Teils seiner Besuche oder seines längeren Aufenthalts. Es können jedoch andere Kriterien zur Klassifizierung von Personen als Langzeitbesucher verwendet werden, indem Faktoren, wie beispielsweise Verbesserung der Haushaltskonformität, in Betracht gezogen werden. Einige der hierin offenbarten Beispiele modifizieren das HDAM-Modell, um demografische Langzeitbesucher vorherzusagen, während sie mit den Langzeitbesucherverteilungen übereinstimmen, die aus Forumdaten gewonnen wurden, die wiederum durch die AME mittels Überwachung ihrer Teilnehmer erhalten wurden, wie beispielsweise die von The Nielsen Company (US), LLC, generierten Nielsen People Monitoring-Forumdaten (NPM-Forumdaten).
  • In einigen hierin offenbarten Beispielen verwendet die Modifikation des HDAM-Modells zur Vorhersage von Demografien von Langzeitbesuchern von den Forumdaten der AME verfügbare Langzeitbesucherdaten. Anhand dieser Forumdaten können die Prozentsätze aller Personen in jedem Alter-Geschlecht-Behälter bestimmt werden, die Langzeitbesucher sind. Anhand der Schätzungen für die Gesamtanzahl von Personen in jedem Alter-Geschlecht-Behälter können diese geschätzten Gesamtanzahlen modifiziert werden, um Besucher basierend auf den Forumbesucherprozentsätzen einzuschließen. Durch Modifikation der auf das HDAM-Modell angewandten Populationsziele kann das HDAM-Modell zur Vorhersage von Haushaltszusammensetzungen, die sowohl Langzeitbesucher als auch primäre Haushaltsmitglieder enthalten, modifiziert werden.
  • Hierin offenbarte Beispiele unterscheiden die Langzeitbesucher von den primären Haushaltsmitgliedern. In einigen Beispielen sind die erwartete Gesamtzahl der Langzeitbesucher und die erwarteten Alter-Geschlecht-Verteilungen aus den Forumdaten der AME bekannt. Die Ausgabe des HDAM-Modells kann als ein Vektor angesehen werden, der die Gesamtzahl der Langzeitbesucher und primären Haushaltsmitglieder in jeder der verschiedenen Demografiekategorien (z. B. Alter-Geschlecht-Behälter) enthält. Wenn man den Prozentsatz der Langzeitbesucher in jeder Demografiekategorie (z. B. jeder Alter-Geschlecht-Gruppe) kennt, kann eine Population der Langzeitbesucher den Haushalten zugewiesen werden, um die erwartete Verteilung über Demografiekategorien zu erfüllen. In den hierin offenbarten Beispielen wird ein Satz von Besuchervektoren erzeugt, welche die forumbezogenen Konsistenzanforderungen erfüllen. Nach dem Erzeugen der Besuchervektoren werden Haushalte ermittelt, in die diese Besuchervektoren platziert werden können. Beispielsweise wird der Satz möglicher (Kandidaten) Haushalte (aus den HDAM-Vorhersagen) bestimmt, denen jeder Besuchervektor zugewiesen werden könnte. Unter Verwendung der Wahrscheinlichkeiten, dass entsprechende der einzelnen Haushalte einen Langzeitbesucher aufweisen, werden die Besuchervektoren in die Haushalte platziert, wobei die Haushalte priorisiert werden, in denen die Wahrscheinlichkeit höher ist, dass sie Langzeitbesucher aufweisen. Hierin offenbarte Beispiele erzeugen Langzeitbesucherzuweisungen zu den vorhergesagten Haushalten, welche die forumbezogenen Konsistenzanforderungen automatisch erfüllen, ohne die HDAM-Vorhersagen für primäre Haushaltsmitglieder zu stören/beeinträchtigen. Hierdurch können primäre Haushaltsmitgliedszuweisungen und Langzeitbesucherzuweisungen durch die hierin offenbarten Beispiele erreicht werden.
  • Unter Bezugnahme auf die Figuren ist ein Blockdiagramm eines beispielhaften Verarbeitungsablaufs 100 zum Schätzen von Demografieklassifikationswahrscheinlichkeiten aus Set-Top-Box-RPD unter Verwendung eines neuronalen Netzwerks gemäß den Lehren dieser Offenbarung in 1 veranschaulicht. Der beispielhafte Verarbeitungsablauf 100 umfasst eine beispielhafte Datensammlungsphase 105, eine beispielhafte Merkmalserzeugungsphase 110 und eine beispielhafte neuronale Netzwerk-Demografiewahrscheinlichkeitsvorhersagephase 115. Der beispielhafte Verarbeitungsablauf 100 ist ferner in einen beispielhaften neuronalen Netzwerk-Trainingszweig 120 und einen beispielhaften neuronalen Netzwerk-Anwendungszweig 125 unterteilt.
  • In der Datensammlungsphase 105 des neuronalen Netzwerk-Trainingszweigs 120 werden beispielhafte Teilnehmereinstelldaten 130 von Messvorrichtungen gesammelt, welche die Medienexposition in von einer AME angeworbenen Forumhaushalten überwachen. Die Teilnehmereinstelldaten 130 können beliebige Daten umfassen, die von den Messvorrichtungen gesammelt werden können, wie beispielsweise ohne Einschränkung Daten, die Medien identifizieren, die von Medienvorrichtungen in den Forumhaushalten präsentiert werden, Demografiedaten, die Eigenschaften der Teilnehmer in den Forumhaushalten identifizieren usw. In der Merkmalserzeugungsphase 110 des neuronalen Netzwerk-Trainingszweigs 120 werden beispielhafte Merkmale 135 aus den gesammelten Teilnehmereinstelldaten 130 erzeugt und derart angeordnet, dass sie Merkmalsvektoren bilden, wie es nachstehend ausführlicher beschrieben wird. In der neuronalen Netzwerk-Demografiewahrscheinlichkeitsvorhersagephase 115 des neuronalen Netzwerk-Trainingszweigs 120 wird ein neuronales Netzwerk 140 trainiert, um aus den Merkmalen 135, die aus den gesammelten Teilnehmereinstelldaten 130 erzeugt werden, Wahrscheinlichkeiten unterschiedlicher Haushaltsdemografieeigenschaften vorherzusagen, die mit den verschiedenen Forumhaushalten verknüpft sind, wie es nachfolgend ausführlicher beschrieben wird.
  • In der Datensammlungsphase 105 des neuronalen Netzwerk-Anwendungszweigs 125 werden beispielhafte RPD-Einstelldaten 145 aus Set-Top-Boxen von einem oder mehreren Pay-TV-Anbietern (z. B. Kabelfernsehdienstanbieter, Satellitenfernsehdienstanbieter, Streaming-Media-Dienstanbieter, Inhaltsanbieter usw.) gesammelt. Eine Set-Top-Box kann sich auch auf einen beliebigen Decodierer, Empfänger, integrierten Empfänger-Decodierer (IRD), eine Medienvorrichtung usw. beziehen, von dem bzw. der die RPD-Einstelldaten 145 gesammelt werden können. In der Merkmalserzeugungsphase 110 des neuronalen Netzwerk-Anwendungszweigs 125 werden beispielhafte Merkmale 150 aus den gesammelten RPD-Einstelldaten 145 erzeugt und derart angeordnet, dass sie Merkmalsvektoren bilden, wie es nachstehend ausführlicher beschrieben wird. In der neuronalen Netzwerk-Demografiewahrscheinlichkeitsvorhersagephase 115 des neuronalen Netzwerk-Anwendungszweigs 125 wird das trainierte neuronale Netzwerk 155 auf die aus den gesammelten RPD-Einstelldaten 145 erzeugten Merkmale 150 angewendet, um beispielhafte Schätzwahrscheinlichkeiten 160 verschiedener Haushaltsdemografieeigenschaften vorherzusagen, die mit den verschiedenen RPD-Abonnentenhaushalten verknüpft sind, welche die RPD-Einstelldaten 145 gemeldet haben, wie es nachstehend ausführlicher beschrieben wird.
  • Ein Blockdiagramm eines beispielhaften Verarbeitungsablaufs 200 zur Verwendung der geschätzten Demografieklassifikationswahrscheinlichkeiten 160, die durch den beispielhaften Verarbeitungsablauf 100 von 1 vorhergesagt werden, um gemäß den Lehren dieser Offenbarung Haushalten Demografien zuzuweisen, ist in 2 veranschaulicht. Wie nachstehend näher beschrieben, verwendet der Verarbeitungsablauf 200 eine beispielhafte gemischt-ganzzahlige Programmierungslösung 205, die ein eingeschränktes Optimierungsproblem basierend auf den geschätzten Demografieklassifikationswahrscheinlichkeiten 160, die durch den beispielhaften Verarbeitungsablauf 100 vorhergesagt werden, löst, um den die RPD-Einstelldaten 145 bereitstellenden Abonnentenhaushalten beispielhafte geschätzte Demografiezusammensetzungen 210 zuzuweisen.
  • Ein Blockdiagramm eines beispielhaften neuronalnetzwerkbasierten Demografieschätzsystems 300, das strukturiert ist, die Verarbeitungsströme 100 und 200 der 1 und 2 zu implementieren, um gemäß den Lehren dieser Offenbarung Haushaltsdemografien für primäre Haushaltsmitglieder von den Set-Top-Box-RPD zu schätzen, ist in 3 veranschaulicht. Das beispielhafte neuronalnetzwerkbasierte Demografieschätzsystem 300 umfasst eine beispielhafte Netzwerkschnittstelle 305, einen beispielhaften Forumeinstelldatensammler 310, eine beispielhafte Teilnehmerdatenbank 315, einen beispielhaften RPD-Datensammler 320, eine beispielhafte RPD-Datenbank 325, einen beispielhaften Merkmalgenerator 330, ein beispielhaftes neuronales Netzwerk zur Demografievorhersage 335, eine beispielhafte Haushaltsdemografiezuweisungsengine 340, eine beispielhafte Beschränkungsdatenbank 345 und einen beispielhaften Bewertungsrechner 350.
  • In dem veranschaulichten Beispiel sammelt der Forumeinstelldatensammler 310 über die Netzwerkschnittstelle 305 in Kommunikation mit einem oder mehreren beispielhaften Netzwerken 355 die Teilnehmereinstelldaten 130 von beispielhaften Messvorrichtungen 360A-B, welche die Medienexposition überwachen, die mit den beispielhaften Medienvorrichtungen 365A-B (z. B. Fernsehgeräte, Radiogeräte, Computer, Tablets, Smartphones usw.) in von einer AME angeworbenen Forumhaushalten in Zusammenhang stehen. Der Forumeinstelldatensammler 310 speichert die gesammelten Teilnehmereinstelldaten 130 in der Teilnehmerdatenbank 315. In dem veranschaulichten Beispiel sammelt der RPD-Datensammler 320 über die Netzwerkschnittstelle 305 in Kommunikation mit dem einen oder den mehreren Netzwerken 355 die RPD-Einstelldaten 145 von einem oder mehreren beispielhaften Dienstanbietern 370, welche die RPD-Einstelldaten 145 von beispielhaften individuellen STBs 375 in den Abonnentenhaushalten sammeln. Zusätzlich oder alternativ sammelt der RPD-Datensammler 320 in einigen Beispielen die RPD-Einstelldaten 145 von eiem oder mehreren der individuellen STBs 375 in den Abonnentenhaushalten direkt über die Netzwerkschnittstelle 305 in Kommunikation mit dem einen oder den mehreren Netzwerken 355. Der RPD-Datensammler 320 speichert die gesammelten RPD-Einstelldaten 145 in der RPD-Datenbank 325.
  • Der Merkmalsgenerator 330 des veranschaulichten Beispiels erzeugt die Merkmale und Merkmalsvektoren, die von dem beispielhaften neuronalen Netzwerk zur Demografievorhersage 335 verwendet werden. In einigen Beispielen bestehen RPD-Einstelldaten aus sequenziellen Protokollen, wann die entsprechenden Set-Top-Boxen auf verschiedene Sender eingestellt waren. Personen (z. B. Publikumsmitglieder) wechseln im Laufe einer zusammenhängenden Fernsehbetrachtungssitzung zwischen mehreren Netzwerken und dieses Aktivitätsmuster kann über die Einstellaufzeichnung hinaus isoliert zusätzliche Informationen über den Haushalt liefern. Um dieses Verhalten zu erfassen, kompiliert der Merkmalsgenerator 330 die STB-Datensätze der Fernsehkanalauswahl in „Betrachtungsblöcke“, die das Betrachtungsverhalten eines oder mehrerer unbekannter Betrachter in eine feste Anzahl von Merkmalen zusammenfassen, die jede zusammenhängende Betrachtungssitzung zusammenfassen. In einigen Beispielen werden die Betrachtungsblockzeitspannen auf eine Stunde oder eine andere Dauer begrenzt, um Situationen zu berücksichtigen, in denen mehrere Betrachter die Kontrolle eines Fernsehers übernehmen können, ohne notwendigerweise den Fernseher zwischen Sitzungen abzuschalten. In dem veranschaulichten Beispiel enthält jeder Betrachtungsblock F Merkmale, die Informationen über die Startzeit des Betrachtungsblocks, die Kanalklickrate, die Dauer der Betrachtungssitzungen und eine Auflistung der während der Sitzung besuchten Fernsehsender aufzeichnen.
  • Die 4A-B veranschaulichen eine beispielhafte Operation des Merkmalsgenerators 330, um beispielhafte RPD-Einstelldatensätze 405 von den RPD-Einstelldaten 145 in entsprechende beispielhafte Betrachtungsblöcke 410 und 415 zu kombinieren. In dem veranschaulichten Beispiel von 4A zeichnen entsprechende der Datensätze 405 von den STBs 375 gemeldete Einstellereignisse auf. Ein gegebener Datensatz 405 spezifiziert eine STB-Kennung (STB-ID) 420, welche die STB entsprechend dem Ereignisprotokoll identifiziert, Start- und Endzeiten 425 und 430, die dem durch das Ereignisprotokoll dargestellten Einstellereignis entsprechen, eine Quellenkennung (SID) 435, welche die Medienquelle (z. B. Kanalnummer, Stationskennung usw.) identifiziert, die mit dem Einstellereignis in Zusammenhang steht, und eine Sendezeit 440, die identifiziert, wann das mit dem Einstellereignis verbundene Medium ursprünglich ausgestrahlt wurde (um z. B. zwischen Live- und zeitversetzten Einstellereignissen zu unterscheiden). In dem veranschaulichten Beispiel von 4B aggregiert der Betrachtungsblock 410 die in den Datensätzen 405 für einen bestimmten Haushalt aufgezeichneten Einstellereignisse, die in dem Stundenintervall beginnend um 8:23 Uhr am 5. November 2016 auftreten. In dem veranschaulichten Beispiel von 4B aggregiert der Betrachtungsblock 415 die in den Datensätzen 405 für einen bestimmten Haushalt aufgezeichneten Einstellereignisse, die in dem Stundenintervall beginnend um 18:04 Uhr am 6. November 2016 auftreten.
  • Der Merkmalsgenerator 330 des veranschaulichten Beispiels gruppiert Betrachtungsblöcke nach Haushalt und eine Gruppe von N Betrachtungsblöcken wird zu einer zweidimensionalen (NxF) Matrix zusammengefügt, die einen Datensatz der Betrachtungsblöcke enthält, die von einem Haushalt über einen bestimmten Beobachtungszeitraum erzeugt werden. In einigen Beispielen aggregiert der Merkmalsgenerator 330 relevante Haushaltsebenenmerkmale einschließlich der Anzahl der Fernsehtuner und der Fernsehnutzungsdauer mit den Betrachtungsblockdaten zu einem H-dimensionalen (1xH) zusätzlichen Merkmalsvektor für jeden Haushalt.
  • In einigen Beispielen ist jeder Betrachtungsblock ein (1x173)-Merkmalsvektor, der eine entsprechende Fernsehbetrachtungssitzung beschreibt. Die entsprechende (NxF) Matrix weist daher für diese Beispiele eine F-Dimension von 173 auf. Tabelle 1 veranschaulicht den Inhalt eines beispielhaften Betrachtungsblocks, der als (1x173)-Merkmalsvektor dargestellt ist. Tabelle 1
    Index Kurzbeschreibung Gültiger Bereich
    0 Wochentag 0-6
    1 Jahrestag 0-364
    2 Tagesviertelstunde 0-95
    3 Kanaländerungsrate 0-Inf
    4-173 Minuten, die jedes Netzwerk betrachtet wurde 0-60
  • Die ersten drei Merkmale in Tabelle 1 sind selbsterklärend. Das Merkmal „Kanalwechselrate“ in Tabelle 1 ist das Verhältnis der Anzahl der Kanalwechsel während des Betrachtungsblocks zur Dauer des Betrachtungsblocks in Minuten. Das Merkmal „Minuten, die jedes Netzwerk betrachtet wurde“ gibt die Gesamtanzahl der Minuten an, die jeder Fernsehsender angesehen wurde. Im Beispiel von Tabelle 1 sind die Betrachtungsblöcke auf 60 Minuten Dauer begrenzt, sodass daher die Summierung dieser Merkmale über alle Netzwerke <= 60,0 Minuten sein muss. In einigen solchen Beispielen kann dabei eine Betrachtungssitzung mit einem oder mehreren Betrachtungsblöcken verbunden sein. Im Beispiel von Tabelle 1 wird jeder Station zufällig ein Indexwert zwischen 4 und 173 zugewiesen.
  • In einigen Beispielen werden Betrachtungsblöcke (von Forumhaushalten), die weniger als 5 Minuten Fernsehbetrachtungsverhalten enthalten, nicht verwendet, um das neuronale Netzwerk zur Demografievorhersage 335 zu trainieren. Die Betrachtungsblöcke für jeden Haushalt (z. B. Forumhaushalte für neuronales Netzwerk-Training und RPD-Haushalte für neuronale Netzwerk-Anwendung) werden dann in eine zweidimensionale Matrix mit z .B. 400 Reihen (z. B. N = 400) gestapelt. In einigen Beispielen werden Haushalte, die weniger als 400 einzigartige Betrachtungsblöcke erzeugt haben, durch den Merkmalsgenerator 330 mit Nullen aufgefüllt, bis sie 400 Reihen aufweisen, während diejenigen mit mehr als 400 durch den Merkmalsgenerator 330 auf die ersten 400 Reihen abgeschnitten werden. Die zweidimensionalen Arrays von jedem Haushalt werden dann durch den Merkmalsgenerator 330 gestapelt, um eine dreidimensionale Matrix zu bilden, die in das neuronale Netzwerk zur Demografievorhersage 335 eingespeist werden kann.
  • In einigen Beispielen erweitert der Merkmalsgenerator 330 Betrachtungsdaten mit drei Haushaltsebenenmerkmalen H, die in das neuronale Netzwerk zur Demografievorhersage 335 zusammengeführt sind, nach einer rekurrenten Schicht, wie es nachstehend beschrieben wird. Tabelle 2 veranschaulicht einen beispielhaften Satz der drei Haushaltsebenenmerkmale H entsprechend (i) einer Gesamteinstellmenge, die für den gegebenen Haushalt über die verschiedenen Zeitspannen, die von den Betrachtungsblöcken abgedeckt werden, gemeldet wird (z. B. einen Zeitraum von 24 Stunden) (entsprechend Index 0 in der Tabelle), (ii) einer Anzahl von Betrachtungsblöcken, die für den gegebenen Haushalt über die verschiedenen Zeitspannen gemeldet werden (entsprechend Index 1 in der Tabelle) und (iii) einer Gesamtzahl von Tunern, die in dem ersten der Rückpfaddatenhaushalte enthalten sind (entsprechend Index 2 in der Tabelle). Tabelle 2
    Index Kurzbeschreibung Gültiger Bereich
    0 Gesamtfernsehverbrauch (Minuten) 1-Inf
    1 Anzahl der aufgezeichneten Betrachtungsblöcke 1-Inf
    2 Anzahl der Fernsehtuner im Haushalt 1-Inf
  • In dem veranschaulichten Beispiel ist das neuronale Netzwerk zur Demografievorhersage 335 strukturiert, um 20 Variablen (z. B. einen 1x20-Vektor) vorherzusagen, die Wahrscheinlichkeiten verschiedener Haushaltsebenendemografien darstellen, die in einem Haushalt vorhanden sind (obwohl andere Anzahlen von Variablen, die andere Demografien darstellen, zusätzlich oder alternativ in anderen beispielhaften Implementierungen des neuronalen Netzwerks zur Demografievorhersage 335 vorhergesagt werden könnten). In dem veranschaulichten Beispiel geben vierzehn Haushaltsdemografiezielvariablen, die durch das neuronale Netzwerk zur Demografievorhersage 335 vorhergesagt werden, die entsprechenden Wahrscheinlichkeiten (z. B. Wahrscheinlichkeiten) von 14 verschiedenen Alter-Geschlecht-Kombinationen an, die im Haushalt vorhanden sind, von denen Beispiele in Tabelle 3 dargestellt sind. Tabelle 3
    Index Alter/Geschlecht
    0 0-12
    1 13-17
    2 18-24 Männlich
    3 25-34 Männlich
    4 35-44 Männlich
    5 45-54 Männlich
    6 55-64 Männlich
    7 65+ Männlich
    8 18-24 Weiblich
    9 25-34 Weiblich
    10 35-44 Weiblich
    11 45-54 Weiblich
    12 55-64 Weiblich
    13 65+ Weiblich
  • Zusätzlich zu den Präsenzvariablen der Tabelle 3 sagt das neuronale Netzwerk zur Demografievorhersage 335 in einigen Beispielen sechs weitere Zielvariablen vorher, die das demografische Profil des Haushaltsvorstands (Head Of Household, HOH) beschreiben, von dem Beispiele in Tabelle 4 dargestellt sind. Tabelle 4
    Index HOH-Eigenschaften
    14 HOH-Alter
    15 HOH-Geschlecht
    16 Hispanische Herkunft
    17 Europäischer Amerikaner
    18 Afroamerikaner
    19 Asiatischer Amerikaner
  • Eine beispielhafte Implementierung des neuronalen Netzwerks zur Demografievorhersage 335 von 3 ist in 5 veranschaulicht. In einigen Beispielen sind die zweidimensionalen (NxF) Merkmalsvektoren (z. B. 400 x 173 Merkmalsvektoren), die für entsprechende der zu verarbeitenden Haushalte (z. B. Forum- und/oder RPD-Haushalte) erzeugt werden, typischerweise spärlich (z. B. werden viele Broadcast-Netzwerke, die in den Merkmalsvektoren repräsentiert sind, während eines bestimmten Betrachtungsblocks niemals besucht). Um diese Eingabe in eine kleinere Teilmenge von Merkmalen zu verdichten, umfasst das neuronale Netzwerk zur Demografievorhersage 335 eine beispielhafte Time Distributed Dense Layer (TDDL) 505, die einen einzelnen Satz von Gewichtungen erlernt, die jeden Betrachtungsblock auf eine verdichtete Darstellung der Eingabe abbilden (NxF', wobei F' << F). Diese komprimierten Daten werden dann in eine beispielhafte rekurrente neuronale Long Short Term Memory (LSTM)-Netzwerkschicht 510 eingespeist. Die LSTM 510 untersucht jede Reihe der Betrachtungsblockmatrix in Reihenfolge und verwendet diese Informationen, um einen einzelnen internen Zustandsvektor selektiv zu aktualisieren, der Informationen von jeder Betrachtungssitzung/jedem Betrachtungsblock codiert. Die Ausgabe der LSTM 510 ist ein eindimensionaler (1xF') Merkmalsvektor, der die für jeden Haushalt beobachtete Beweishistorie zusammenfasst. Das beispielhafte neuronale Netzwerk zur Demografievorhersage 335 von 5 umfasst eine beispielhafte Zusammenführungsschicht 515, um zusätzliche (1xH) Haushaltsebenenmerkmale mit der eindimensionalen Darstellung der Betrachtungsdatenausgabe von der LSTM 510 zusammenzuführen (zu verknüpfen). Die zusätzlichen (1xH) Haushaltsebenenmerkmale umfassen Angaben über die Gesamtanzahl der Vorrichtungen im Haushalt, die über das Beobachtungsfenster betrachteten Gesamtminuten und die Gesamtanzahl der Betrachtungsblöcke, die für den entsprechenden Haushalt über das Beobachtungsfenster aufgezeichnet wurden, wie es vorstehend beschrieben wurde.
  • In dem beispielhaften neuronalen Netzwerk zur Demografievorhersage 335 von 5 wird die erweiterte Merkmalsvektorausgabe von der Zusammenführungsschicht 515 zu einer oder mehreren zusätzlichen beispielhaften versteckten Schichten 520 weitergeleitet, bevor sie von einer beispielhaften Ausgabeschicht 525 als ein (1 x C)-Wahrscheinlichkeitsvektor ausgegeben wird, der die entsprechenden vorhergesagten Wahrscheinlichkeiten der C möglichen Demografiekategorien darstellt, die in dem Haushalt vorhanden sind. Die C durch das neuronale Netzwerk zur Demografievorhersage 335 modellierten Demografieklassen müssen sich nicht gegenseitig ausschließen (z. B. können Haushalte mehrere Personen unterschiedlichen Alters/Geschlechts enthalten), sodass der ausgegebene Vektor die relative Wahrscheinlichkeit codiert, mit der jede modellierte Haushaltsebenendemografie in dem unbekannten Haushalt vorhanden ist.
  • Tabelle 5 listet beispielhafte Dimensionen der Daten in jeder Stufe des beispielhaften neuronalen Netzwerks zur Demografievorhersage 335 von 5 auf. In Tabelle 5 ist N die Gesamtzahl der Betrachtungsblöcke pro Haushalt, F die Anzahl der Merkmale in jedem Betrachtungsblock, F' die Anzahl der Dichtemerkmale, die durch die TDDL 505 erzeugt werden, und H die Anzahl der zusätzlichen haushaltsspezifischen Merkmale. Tabelle 5
    Dimension Anzahl der Knoten
    H 3
    N 400
    F 173
    F' 30
    C 20
  • In einigen Beispielen vermischt der Merkmalsgenerator 330 die Reihenfolge der Blöcke, die während jeder Trainingsperiode in das neuronale Netzwerk zur Demografievorhersage 335 eingespeist werden, um zu verhindern, dass das neuronale Netzwerk zur Demografievorhersage 335 zu sehr angepasst wird, und um es in die Lage zu versetzen, besser zu verallgemeinern.
  • Die 6A-C veranschaulichen eine beispielhafte Operation des neuronalen Netzwerks zur Demografievorhersage 335, um die aus den RPD-Einstelldaten 145 erzeugten Demografiezielvariablen 605, 610, 615 und 620 als Merkmalsvektoren 625, 630 und 635 vorherzusagen, die auf das neuronale Netzwerk zur Demografievorhersage 335 angewendet werden, nachdem das neuronale Netzwerk zur Demografievorhersage 335 mit aus den Forumdaten 130 erzeugten Merkmalsvektoren trainiert wurde. In dem veranschaulichten Beispiel wird das neuronale Netzwerk zur Demografievorhersage 335 trainiert durch (i) Erzeugen von Betrachtungsblöcken aus den für den Teilnehmerhaushalt gemeldeten Teilnehmerdaten 130, (ii) Erzeugen der Merkmale für entsprechende der Teilnehmerhaushalte aus den Betrachtungsblöcken, die für die entsprechenden Teilnehmerhaushalte erstellt wurden, wie es vorstehend beschrieben wurde, und (iii) Anwenden der Merkmale für die entsprechenden der Teilnehmerhaushalte auf das neuronale Netzwerk 335 gemäß einer Trainingsprozedur, die die internen Parameter des neuronalen Netzwerks anpasst, um einen Fehler zwischen den vorhergesagten Demografieklassifikationswahrscheinlichkeiten 160, die von dem neuronalen Netzwerk 335 ausgegeben werden, und den tatsächlichen Demografien, die für die Teilnehmerhaushalte bekannt sind, zu reduzieren. Wie im Beispiel der 6A-C veranschaulicht, wird die Ausgabe des Netzwerks 335 konvergieren, um Demografieklassifikationswahrscheinlichkeiten 160 in Übereinstimmung mit den tatsächlichen Demografien, die für die Teilnehmerhaushalte bekannt sind, vorherzusagen, während mehr Betrachtungsblöcke zum Trainieren des neuronalen Netzwerks 335 angewendet werden.
  • Unter Bezugnahme auf 3 verwendet die beispielhafte Haushaltsdemografiezuweisungsengine 340 des beispielhaften neuronalnetzwerkbasierten Demografieschätzsystems 300 die geschätzten Demografieklassifikationswahrscheinlichkeiten (vorstehend auch als die vorhergesagten Demografiezielvariablen bezeichnet) die Ausgabe von dem neuronalen Netzwerk zur Demografievorhersage 335, um gemäß den Lehren dieser Offenbarung RPD-Haushalten Demografien zuzuweisen. 7 veranschaulicht den beispielhaften Pseudocode 700 zum Implementieren der Haushaltsdemografiezuweisungsengine 340. Der beispielhafte Pseudocode 700 entspricht auch einem Beispiel der gemischt-ganzzahligen Programmierlösung 205 von 2. In dem veranschaulichten Beispiel von 7 weist der Pseudocode 700 zum Implementieren der Haushaltsdemografiezuweisungsengine 340 Haushalten Demografien zu, indem eine Zielfunktion gelöst wird, um eine Matrix x0 zu bestimmen, die eine Boolesche Matrix ist, welche die Demografiekategorien repräsentiert, die verschiedenen RPD-Haushalten zugewiesen sind, wobei eine Kostenmatrix CO gegeben ist, welche die Kosten für die Zuweisung verschiedener Demografiekategorien zu den RPD-Haushalten darstellt, die einem Satz von Beschränkungen unterliegen, die Werte aufweisen, die in der beispielhaften Beschränkungsdatenbank 345 gespeichert sind. Im Beispiel von 7 ist die Matrix x0 eine Matrix mit einer Anzahl von Reihen gleich der Anzahl von RPD-Haushalten und einer Anzahl von Spalten gleich der Anzahl von verschiedenen möglichen Demografiekategorien, die einem Haushalt zugewiesen werden können. Des Weiteren enthalten in dem veranschaulichten Beispiel für eine gegebene Reihe von x0, die einen gegebenen RPD-Haushalt darstellt, die Elemente der Reihe binäre (boolesche) Variablen, welche die verschiedenen möglichen Demografiekategorien darstellen, wobei der gegebenen binären Variable, die eine gegebene mögliche Demografiekategorie darstellt, durch den Pseudocode 700 einen Wert von 1 zugewiesen wird, wenn diese Demografiekategorie diesem RPD-Haushalt zugewiesen ist, oder durch den Pseudocode 700 ein Wert von 0 zugewiesen wird, wenn diese Demografiekategorie nicht diesem RPD-Haushalt zugewiesen ist. Im Beispiel von 7 ist die Matrix CO auch eine Matrix mit einer Anzahl von Reihen gleich der Anzahl von RPD-Haushalten und einer Anzahl von Spalten gleich der Anzahl von verschiedenen möglichen Demografiekategorien, die einem Haushalt zugewiesen werden können. Des Weiteren enthalten die Elemente der Reihe in dem veranschaulichten Beispiel für eine bestimmte Reihe von CO, die einen bestimmten RPD-Haushalt repräsentiert, Kostenvariablen, welche die entsprechenden Kosten für die Zuweisung der verschiedenen möglichen Demografiekategorien zu dem bestimmten RPD-Haushalt repräsentieren. In einigen Beispielen werden die Kostenvariablen in der CO durch die Haushaltsdemografiezuweisungsengine 340 basierend auf den geschätzten Demografieklassifikationswahrscheinlichkeiten (vorstehend auch als die vorhergesagten Demografiezielvariablen bezeichnet) bestimmt, die von dem neuronalen Netzwerk zur Demografievorhersage 335 ausgegeben werden. Die Kostenvariable für die Zuweisung einer gegebenen möglichen Demografiekategorie zu dem gegebenen RPD-Haushalt kann beispielsweise durch die Haushaltsdemografiezuweisungsengine 340 als die inverse Funktion (oder eine andere Funktion) der Demografieklassifikationswahrscheinlichkeit für diese Demografiekategorie und den RPD-Haushalt, wie durch das neuronale Netzwerk zur Demografievorhersage 335 bestimmt, bestimmt werden.
  • Wie in dem Beispiel von 7 veranschaulicht, verwendet der Pseudocode 700 eine gemischt-ganzzahlige Programmierung oder eine ähnliche Technik, um die Demografiezuweisungsmatri x0 durch Lösen der Zielfunktion zu bestimmen: ∑ i , j C 0 ( i , j ) ⋅ x 0 ( i , j )
    Figure DE202020006119U1_0001
    vorbehaltlich eines Satzes von Beschränkungen. Die beispielhaften Beschränkungen von 7 basieren auf einer Matrix x1, die eine Boolesche Matrix ist, welche die verschiedenen möglichen Haushaltsgrößen, die den verschiedenen RPD-Haushalten zugewiesen werden können, und eine Größenmatrix S1 repräsentiert, welche die Werte der verschiedenen möglichen Haushaltsgrößen darstellt.
  • Die 8A-E veranschaulichen eine beispielhafte Operation der Haushaltsdemografiezuweisungsengine 340, die durch den Pseudocode 700 von 7 implementiert ist, um Demografiekategorien RPD-Haushalten zuzuweisen, indem der vorstehende Ausdruck unter Berücksichtigung der beispielhaften Beschränkungen von 7 gelöst wird. 8A veranschaulicht eine beispielhafte CO-Kostenmatrix 805 mit 5 Reihen, die 5 RPD-Haushalte repräsentieren, für die Demografiekategorien zugewiesen werden sollen, und 4 Spalten, die 4 mögliche Demografiekategorien repräsentieren, die entsprechenden RPD-Haushalten zugewiesen werden könnten. Die Kostenwerte für die verschiedenen möglichen Demografiekategorien sind in 8A durch Dollar-Zeichen ($) dargestellt, wobei mehr Dollar-Zeichen höhere Kosten repräsentieren. In dem veranschaulichten Beispiel sind die in der CO-Kostenmatrix 805 enthaltenen Kosten umgekehrt proportional zu den entsprechenden geschätzten Demografieklassifikationswahrscheinlichkeiten (vorstehend auch als die vorhergesagten Demografiezielgrößen bezeichnet), die von der Ausgabeschicht 525 des neuronalen Netzwerks zur Demografievorhersage 335 für die gegebenen Kombinationen von Haushalts- und Demografiekategorien ausgegeben werden.
  • Unter Bezugnahme auf die 7 und 8A-E umfassen die beispielhaften Beschränkungen von 7 eine erste Beschränkung 705, die angibt, dass die Gesamtsummen der verschiedenen Demografiekategorien, die allen RPD-Haushalten zugewiesen sind, den bekannten Universumsschätzungen (UEs) für die entsprechenden verschiedenen Demografiekategorien (z. B. innerhalb eines Toleranzniveaus, das durch die Variable „slack“ repräsentiert wird) entsprechen müssen. Ein Beispiel der ersten Beschränkung 705 ist in 8B veranschaulicht, in der die Summen der entsprechenden Demografiekategorien, die über die 5 Haushalte zugewiesen werden, den entsprechenden beispielhaften UEs 810 für die verschiedenen Demografiekategorien (die z. B. von den Dienstanbietern bezogen werden können) entsprechen müssen, welche die RPD bereitstellen und die in der Beschränkungsdatenbank 345 gespeichert sind. Zum Beispiel spezifiziert in 8B die erste Beschränkung 705, dass die Anzahl der Haushalte, denen die Demografiekategorie von „Mann“ zugewiesen werden soll, der UE von 2 für diese Demografiekategorie entsprechen muss, die Anzahl der Haushalte, denen die Demografiekategorie „Frau“ zugewiesen werden soll, der UE von 4 für diese Demografiekategorie entsprechen muss, die Anzahl der Haushalte, denen die Demografiekategorie „Mädchen“ zugewiesen werden soll, der UE von 3 für diese Demografiekategorie entsprechen muss und die Anzahl der Haushalte, denen die Demografiekategorie von „Mann“ zugewiesen werden soll, der UE von 2 für diese Demografiekategorie entsprechen muss.
  • Die beispielhaften Beschränkungen von 7 umfassen eine zweite Beschränkung 710, die spezifiziert, dass es mindestens eine Demografiekategorie für Erwachsene geben muss, die jedem RPD-Haushalt zugewiesen ist. Ein Beispiel für die zweite Beschränkung 710 ist in 8B veranschaulicht, in der jeder RPD-Haushalt darauf beschränkt ist, dass er die Demografiekategorie „Mann“ und/oder die Demografiekategorie „Frau“ umfasst (was durch das Bezugszeichen 815 dargestellt ist).
  • Die beispielhaften Beschränkungen von 7 umfassen eine dritte Beschränkung 715, die angibt, dass die Gesamtzahl der verschiedenen möglichen Haushaltsgrößen, die allen RPD-Haushalten zugewiesen sind, den bekannten Universumsschätzungen (UEs) für die verschiedenen möglichen Haushaltsgrößen entsprechen muss (z. B. innerhalb eines Toleranzniveaus, das durch die Variable „slack“ repräsentiert wird). Ein Beispiel der dritten Beschränkung 715 ist in 8D dargestellt, in der die Anzahlen der entsprechenden möglichen Haushaltsgrößen, die über die 5 Haushalte zugewiesen werden, den entsprechenden beispielhaften UEs 820 für die verschiedenen möglichen Haushaltsgrößen entsprechen müssen (die z. B. von dem bzw. den Dienstanbietern erhalten werden können, welche die RPD bereitstellen und die in der Beschränkungsdatenbank 345 gespeichert werden). In 8D spezifiziert beispielsweise die dritte Beschränkung 715, dass die Anzahl der Haushalte, die zwei Personen enthalten, der UE von 3 für diese Haushaltsgröße entsprechen muss, die Anzahl der Haushalte, die drei Personen enthalten, der UE von 1 für diese Haushaltsgröße entsprechen muss und die Anzahl der Haushalte, die vier Personen enthalten, der UE von 1 für diese Haushaltsgröße entsprechen muss.
  • Die beispielhaften Beschränkungen von 7 umfassen eine vierte Beschränkung 720, die spezifiziert, dass jedem RPD-Haus nur eine der möglichen Haushaltsgrößen zugewiesen werden soll, und eine fünfte Beschränkung 725, die spezifiziert, dass die Anzahl der verschiedenen Demografiekategorien, die einem gegebenen RPD-Haushalt zugewiesen werden, der diesem Haushalt zugewiesenen Haushaltsgröße entsprechen muss. 8E veranschaulicht die resultierenden beispielhaften durch die Haushaltsdemografiezuweisungsengine 340 bestimmten Demografiekategoriezuweisungen 825 implementiert mit dem Pseudocode 700 von 7 und den gegebenen beispielhaften Beschränkungen 705 bis 725, wie es in den 8A-D veranschaulicht ist. In dem Beispiel von 8E löst die mit dem Pseudocode 700 implementierte Haushaltsdemografiezuweisungsengine 340 den vorstehend (und in 7) bereitgestellten Ausdruck vorbehaltlich der vorstehend erwähnten Beschränkungen, um Folgendes zuzuweisen: (I) die Demografiekategorien „Frau“ und „Junge“ zu dem ersten RPD-Haushalt, (2) die Demografiekategorien „Frau“ und „Junge“ zu dem zweiten RPD-Haushalt, (3) die Demografiekategorien „Mann“ und „Mädchen“ zu dem dritten RPD-Haushalt, (4) die Demografiekategorien „Frau“, „Mädchen“ und „Junge“ zu dem vierten RPD-Haushalt und (5) die Demografiekategorien „Mann“, „Frau“, „Mädchen“ und „Junge“ zu dem fünften RPD-Haushalt. Wie in den Beispielen der 8A-E ersichtlich, erfüllen die Demografiekategoriezuweisungen 825 die spezifizierten Beschränkungen.
  • In einigen Beispielen implementiert die Haushaltsdemografiezuweisungsengine 340 simuliertes Ausheilen, um die für die RPD-Haushalte vorgenommenen Demografiekategoriezuweisungen weiter anzupassen. Eine beispielhafte Operation der Haushaltsdemografiezuweisungsengine 340 zur Durchführung eines simulierten Ausheilens ist in den 9A-C veranschaulicht. Unter Bezugnahme auf 9A hat die Haushaltsdemografiezuweisungsengine 340 in dem veranschaulichten Beispiel eine anfängliche Haushaltsdemografiezuweisung durchgeführt, in der Demografiekategoriezuweisungen, die sowohl „Junge“ als auch „Mädchen“ enthalten, in Bezug auf UE-Beschränkungen für diese Kombination von Demografiekategorien durch fünf Haushalte überrepräsentiert sind, und Demografiekategoriezuweisungen, die sowohl „Mann“ als auch „Mädchen“ enthalten, in Bezug auf UE-Beschränkungen für diese Kombination von Demografiekategorien durch fünf Haushalte unterrepräsentiert sind. Wie in den 9B-C gezeigt, kann die Haushaltsdemografiezuweisungsengine 340 ein simuliertes Ausheilen durchführen, um fünf Haushalte zu identifizieren, welche die überrepräsentierte Demografiekategoriezuweisung von „Junge“ und „Mädchen“ (siehe 9B) enthalten, und die Demografiekategoriezuweisungen von „Mädchen“ von jenen Haushalten zu fünf Haushalten verschieben, die keine Demografiekategoriezuweisung von sowohl „Junge“ als auch „Mädchen“ aufweisen (siehe 9C). Das Ergebnis sind revidierte Demografiekategoriezuweisungen, welche die in 9A veranschaulichte Über- und Unterrepräsentation korrigieren.
  • In einigen Beispielen zerlegt die Haushaltsdemografiezuweisungsengine 340 das in 7 veranschaulichte Demografiezuweisungsproblem in mehrere kleinere Batches, um die Verarbeitungs- und Speicheranforderungen zu reduzieren. Wenn ein Markt beispielsweise 100.000 RPD-Haushalte enthält, für die Demografiekategorien zuzuweisen sind, kann die Haushaltsdemografiezuweisungsengine 340 das Zuweisungsproblem in 100 Gruppen von 1.000 Haushalten oder 1.000 Gruppen von 100 Haushalten usw. zerlegen. In solchen Beispielen wird der Pseudocode 700 von 7 derart angepasst, dass die Beschränkungen, die mit Universumsschätzungen (UEs) in Verbindung stehen, durch das Verhältnis der Anzahl von RPD-Haushalten, die in den Batch-Gruppen enthalten sind, zu der Gesamtanzahl von RPD-Haushalten verkleinert werden, und der Pseudocode 700 wird angewendet, um eine Demografiekategoriezuweisung für jede Batch-Gruppe durchzuführen. Da eine solche einfache Skalierung jedoch möglicherweise nicht zu lösbaren Beschränkungen für alle Batch-Gruppen führt, werden die Toleranzniveaus (z. B. dargestellt durch „slack“ in 7) eingebunden, um die Wahrscheinlichkeit zu erhöhen, dass jede Batch-Gruppe eine lösbare Demografiezuweisung aufweist.
  • Unter erneuter Bezugnahme auf 3 umfasst das neuronalnetzwerkbasierte Demografieschätzsystem 300 den Bewertungsrechner 350, um Bewertungsdaten und/oder andere Publikumsmetriken zu bestimmen, indem die von der Haushaltsdemografiezuweisungsengine 340 für die RPD-Haushalte bestimmten Haushaltsdemografiezuweisungen verwendet werden, um die Forumeinstelldaten von der Teilnehmerdatenbank 315, die bereits zugeordnete Demografiedaten aufweist, mit den RPD-Einstelldaten von der RPD-Datenbank 325 zu erweitern/zu kombinieren.
  • Beispiele, die vorstehend in Verbindung mit den 3, 4A-B, 5, 6A-C, 7, 8A-E und 9A-C offenbart sind, implementieren eine neuronale Netzwerk-Verarbeitung von Set-Top-Box-Rückpfaddaten, um eine oder mehrere Demografiekategorien RPD-Haushalten zuzuweisen. Mit anderen Worten weisen solche offenbarten Beispiele demografische Präsenz Haushalten zu, um bekannte oder geschätzte UEs für entsprechende Demografiekategorien (z. B. von Forumdaten und/oder anderen Publikumsmesstechniken) zu erfüllen. Einige vorstehend offenbarte Beispiele kombinieren auch die den RPD-Haushalten zugewiesenen Demografiepräsenzkategorien mit bekannten oder geschätzten UEs von Anzahlen einzelner Haushaltsmitglieder, die mit den RPD-Haushalten verknüpft sind (z. B. von Forumdaten und/oder anderen Publikumsmesstechniken), um entsprechenden der RPD-Haushalte einzelne Haushaltsmitglieder (z. B. virtuelle Haushaltsmitglieder) zuzuweisen und die UE-Ziele zu erfüllen.
  • Weitere hierin offenbarte Beispiele weisen Langzeitbesucher (z. B. virtuelle Langzeitbesucher) sowie Haushaltsmitglieder (die auch als primäre Haushaltsmitglieder bezeichnet werden, wie z. B. virtuelle Mitglieder, für die der Haushalt ihr Wohnsitz ist) den RPD-Haushalten zu, um die den Haushalten zugewiesenen Demografiepräsenzkategorien und bekannte oder geschätzte UEs der Anzahlen von mit den RPD-Haushalten verknüpften Langzeitbesucher (z. B. von Forumdaten und/oder anderen Publikumsmesstechniken) zu erfüllen. Auf einer höheren Ebene modifizieren einige solcher offenbarten Besucherzuweisungstechniken die Ziele (z. B. UEs), die von den beispielhaften vorstehend offenbarten Demografiekategoriezuweisungstechniken verwendet werden, um Besucher in die Zählungen für die Anzahlen der Personen in den verschiedenen, verwendeten Demografieklassifikationen zu integrieren. Durch Modifizieren der Eingabeziele können die vorstehend offenbarten beispielhaften Demografiekategoriezuweisungstechniken (auch als Haushaltsdemografiezuweisungsmodell-Techniken (HDAM-Techniken) bezeichnet) Gesamthaushaltszusammensetzungen vorhersagen, die sowohl Haushaltsmitglieder als auch Langzeitbesucher umfassen (aber an dieser Stelle nicht voneinander unterscheiden). Offenbarte beispielhafte Besucherzuweisungstechniken umfassen auch das Erzeugen von Besuchervektoren, die mit bereitgestellten Besucherverteilungszielen (z. B. von Forumdaten und/oder anderen Publikumsmesstechniken) übereinstimmen, und dann das Zuweisen der Besuchervektoren zu RPD-Haushalten, die vorhergesagte Gesamthaushaltszusammensetzungen aufweisen, die in der Lage sind, die Größen und Demografiezusammensetzungen der entsprechenden Besuchervektoren zu unterstützen.
  • Ein Blockdiagramm eines beispielhaften neuronalnetzwerkbasierten Demografieschätzsystems, das so strukturiert ist, die Verarbeitungsabläufe der 1 und 2 zu implementieren, um gemäß den Lehren dieser Offenbarung Haushaltsdemografien für primäre Haushaltsmitglieder und Langzeitbesucher aus Set-Top-Box-Rückpfaddaten zu schätzen, ist in 10 veranschaulicht. Das beispielhafte neuronalnetzwerkbasierte Demografieschätzsystem 1000 umfasst die beispielhafte Netzwerkschnittstelle 305, den beispielhaften Forumeinstelldatensammler 310, die beispielhafte Teilnehmerdatenbank 315, den beispielhaften RPD-Datensammler 320, die beispielhafte RPD-Datenbank 325, den beispielhaften Merkmalsgenerator 330, das beispielhafte neuronale Netzwerk zur Demografievorhersage335, die beispielhafte Haushaltsdemografiezuweisungsengine 340, die beispielhafte Beschränkungsdatenbank 345 und den beispielhaften Bewertungsrechner 350 von dem beispielhaften neuronalnetzwerkbasierten Demografieschätzsystem 300, die vorstehend im Zusammenhang mit 3 näher beschrieben sind. Das beispielhafte neuronalnetzwerkbasierte Demografieschätzsystem 1000 umfasst auch eine beispielhafte Demografiezieleanpassungsvorrichtung 1050 und eine beispielhafte Besucherzuweisungsengine 1055.
  • In dem veranschaulichten Beispiel von 10 passt die Demografiezieleanpassungsvorrichtung 1050 die UE-Demografieziele an, um Langzeitbesucherdaten zu berücksichtigen. Wie vorstehend in Verbindung mit dem neuronalnetzwerkbasierten Demografieschätzsystem 300 offenbart, verwendet die HDAM-Technik des neuronalnetzwerkbasierten Demografieschätzsystems 300 UEs der entsprechenden verschiedenen Demografiekategorien, die auch als Demografiepräsenz-UEs bezeichnet werden, welche die Gesamtzahl der RPD-Haushalte spezifizieren, die entsprechenden der verschiedenen Demografiekategorien zuzuweisen sind. In einigen Beispielen werden die Demografiepräsenz-UEs basierend auf (i) einer Gesamtziel-UE für die Anzahl von RPD-Haushaltsmitgliedern (z. B. bestimmt oder geschätzt von Forumdaten, Anbieterdaten und/oder anderen Publikumsmesstechniken) und (ii) Demografieverteilungsdaten (z. B. von Forumdaten wie den Nielsen People Monitoring-Daten (NPM-Daten)), die zur Bestimmung von UEs für Gesamtzahlen von RPD-Haushaltsmitgliedern in jeder Demografiekategorie verwendet werden, bestimmt. Die UEs für die Gesamtanzahlen der RPD-Haushaltsmitglieder in jeder Demografiekategorie werden dann mit Demografiepräsenz-UEs verwendet, die aus den Forumdaten (z. B. NPM-Daten) erhalten werden, um die Demografiepräsenz-UEs für die HDAM-Technik zu bestimmen. Solche unmodifizierten UE-Ziele berücksichtigen jedoch nicht die Anwesenheit von Langzeitbesuchern. Aber auch Forumdaten (z. B. NPM-Daten) können Informationen über die Demografie (z. B. Alter und Geschlechter) dieser gekennzeichneten Langzeitbesucher liefern. Diese Informationen werden von der beispielhaften Demografiezieleanpassungsvorrichtung 1050 verwendet, um einen Skalenvektor zu berechnen, der als Skalenfaktoren bezeichnete Elemente umfasst, der auf die UEs für die Anzahl von RPD-Haushaltsmitgliedern in den verschiedenen Demografiekategorien anzuwenden ist. Jeder Skalenfaktor entspricht einer entsprechenden Demografiekategorie (z. B. Alter-Geschlecht-Behälter). Unter Verwendung des Index i zur Bezeichnung der i-ten Demografiekategorie werden die Skalenfaktoren für den Skalenvektor basierend auf dem Anteil der Gesamtpersonen in der Demografiekategorie (z. B. Alter-Geschlecht-Behälter) i bestimmt, die Langzeitbesucher sind, was in der nachstehenden Gleichung 1 zu sehen ist. f i = N v , i / ( N p , i + N v , i )
    Figure DE202020006119U1_0002
  • In der vorstehenden Gleichung 1 ist Nv,i die Anzahl der Besucher in der Demografiekategorie (z. B. Alter-Geschlecht-Behälter) i (z. B. erhalten aus Forum/NPM-Daten) und Np,i ist die Anzahl der primären Haushaltsmitglieder in der Demografiekategorie (z. B. Alter-Geschlecht-Behälter) i (z. B. erhalten aus Forum/NPM-Daten). Der Skalenfaktor für die Demografiekategorie i erweist sich als: S i = 1 − f i = N p , i / ( N p , i + N v , i )
    Figure DE202020006119U1_0003
  • Der Skalenfaktor Si in der vorstehenden Gleichung 2 wird von der beispielhaften Demografiezielanpassungsvorrichtung 1050 verwendet, um die UE für die Gesamtzahl von RPD-Haushaltsmitgliedern in der Demografiekategorie i anzupassen (z. B. zu teilen), die als die Demografiepräsenz-UE für die Demografiekategorie i für die HDAM-Technik verwendet wird, wie es vorstehend in Verbindung mit dem neuronalnetzwerkbasierten Demografieschätzsystem 300 beschrieben ist. Auf diese Weise passt die beispielhafte Demografiezielanpassungsvorrichtung 1050 die von der HDAM-Technik verwendeten Präsenz-UEs an, um die Präsenz von Langzeitbesuchern zu berücksichtigen.
  • In einigen Beispielen kann die Demografiezieleanpassungsvorrichtung1050 die Demografieziele unter Verwendung von Zielraten anstelle der vorstehend beschriebenen Skalenfaktoren anpassen. In einigen derartigen Beispielen wird davon ausgegangen, dass die HDAM-Technik, die in der Technik des neuronalnetzwerkbasierten Demografieschätzsystems 300 offenbart wird, weiter modifiziert wurde, um den RPD-Haushalten individuelle Haushaltsmitglieder basierend auf den Demografiekategorien (z. B. Demografiepräsenz) zuzuweisen, denen RPD-Haushalte zugewiesen wurden, wie es vorstehend offenbart wurde. Die Demografiezieleanpassungsvorrichtung 1050 bestimmt die Zielraten des Auftretens unterschiedlicher Anzahlen von Personen in den verschiedenen Demografiekategorien (wie z. B. von Forumdaten und/oder anderen Publikumsmesstechniken bestimmt). Die vorstehend offenbarte beispielhafte HDAM-Technik kann weiter modifiziert werden, um die Demografiekategorien (z. B. Demografiepräsenz), die RPD-Haushalten zugewiesen sind, anhand der von der beispielhaften Demografiezieleanpassungsvorrichtung 1050 gefundenen Zielraten zu skalieren, um den RPD-Haushalten gemäß diesen Zielen individuelle Mitglieder zuzuweisen. Wenn die Zielraten des Auftretens einer ersten Demografiekategorie 80 % betragen, sodass sich eine Person in einem Haushalt in dieser Kategorie befindet, 15 % betragen, sodass sich zwei Personen in einem Haushalt in dieser Kategorie befinden, und 5 % betragen, sodass sich drei Personen in einem Haushalt in dieser Kategorie befinden, dann kann eine modifizierte HDAM-Technik RPD-Haushalte auswählen, denen die erste Demografiekategorie zugewiesen wurde, sodass 80 % dieser Haushalte einer Person in dieser Kategorie zugewiesen werden, 15 % dieser Haushalte zwei Personen in dieser Kategorie zugewiesen werden und 5 % dieser Haushalte drei Personen in dieser Kategorie zugewiesen werden.
  • Die Besucherzuweisungsengine 1055 des veranschaulichten Beispiels von 10 dient dazu, die Besucher von den primären Haushaltsmitgliedern in den Gesamthaushaltszusammensetzungen, die den RPD-Haushalten zugewiesen sind, basierend auf den aktualisierten UE-Zielen zu unterscheiden. In einigen Beispielen werden die Zielaggregatebenenbesucherpopulation und demografischen (z. B. Alter-Geschlecht) Verteilungen aus Forumdaten in der Teilnehmerdatenbank 315 erhalten. Die beispielhafte Besucherzuweisungsengine 1055 empfängt die Ausgabe der Haushaltsdemografiezuweisungsengine 340 mit den aktualisierten UE-Zielen von der beispielhaften Demografiezielanpassungseinrichtung 1050 für einen gegebenen RPD-Haushalt, wobei diese Ausgabe als Vektor angesehen werden kann, der die Gesamtzahlen von Besuchern und primären Haushaltsmitgliedern enthält, die dem RPD-Haushalt für jede mögliche Demografiekategorie zugewiesen sind. Die beispielhafte Besucherzuweisungsengine 1055 konstruiert eine Zielpopulation von Besuchern, welche die Zieldemografien für die Zuweisung zu den RPD-Haushalten aufweisen. Die beispielhafte Besucherzuweisungsengine 1055 wird nachstehend in Verbindung mit 11 näher beschrieben.
  • 11 ist ein Blockdiagramm der beispielhaften Besucherzuweisungsengine 1050 von dem beispielhaften neuronalnetzwerkbasierten Demografieschätzsystem von 10. Die beispielhafte Besucherzuweisungsengine 1050 umfasst einen beispielhaften Besucherdemografieverteilungsrechner 1105, einen beispielhaften Besucherhaushaltsverteilungsrechner 1110, einen beispielhaften Besuchervektorgenerator 1120 und eine beispielhafte Besuchervektorzuweisungsvorrichtung 1125.
  • In dem veranschaulichten Beispiel von 11 erzeugt der Besuchervektorgenerator 1120 einen Satz von Besuchervektoren, die den Satz von Besucherdemografiezielen erfüllen. In hierin offenbarten Beispielen erzeugt der beispielhafte Besuchervektorgenerator 1120 iterativ Besuchervektoren, die für die Besucherdemografiezusammensetzungen repräsentativ sind, die den RPD-Haushalten zugewiesen werden sollen. Der beispielhafte Besuchervektorgenerator 1120 erzeugt die Besuchervektoren basierend auf Eingaben, die Prozentsätze von Langzeitbesuchern in jeder Demografiekategorie und die Prozentsätze von Haushalten mit entsprechend unterschiedlichen möglichen Anzahlen von Besuchern umfassen. In dem veranschaulichten Beispiel von 11 bestimmt der Besucherdemografieverteilungsrechner 1105 die entsprechenden Prozentsätze der Langzeitbesucher in einer von der einen oder den mehreren Demografiekategorien basierend auf den Forumdaten von der Teilnehmerdatenbank 315. Der Besucherhaushaltsverteilungsrechner 1110 des veranschaulichten Beispiels von 11 bestimmt entsprechende Prozentsätze der RPD-Haushalte mit entsprechenden Anzahlen von Langzeitbesuchern basierend auf den Forumdaten von der Teilnehmerdatenbank 315.
  • Die Besuchervektorzuweisungsvorrichtung 1125 des veranschaulichten Beispiels von 11 weist RPD-Haushalten die Besuchervektoren basierend auf entsprechenden Wahrscheinlichkeiten zu, dass entsprechende der RPD-Haushalte mindestens einen Besucher enthalten. Die beispielhafte Besuchervektorzuweisungsvorrichtung 1125 weist die von dem Besuchervektorgenerator 1120 erzeugten Besuchervektoren iterativ gültigen RPD-Haushalten zu. Die beispielhafte Besuchervektorzuweisungsvorrichtung 1125 weist die Besuchervektoren basierend auf den Haushaltsdemografiezuweisungen, die von der beispielhaften Haushaltsdemografiezuweisungsengine 340 gemacht werden, unter Verwendung der aktualisierten Demografieziele von der beispielhaften Demografiezieleanpassungsvorrichtung 1050 zu. Die beispielhafte Besuchervektorzuweisungsvorrichtung 1125 ist auch vorgesehen, um die Wahrscheinlichkeiten zu berechnen, dass die RPD-Haushalte mindestens einen Besucher aufweisen. Die beispielhafte Besuchervektorzuweisungsvorrichtung 1125 bestimmt, welche RPD-Haushalte gültige Haushalte für einen beispielhaften Besuchervektor sind, und erstellt einen Satz möglicher RPD-Haushalte. In dem veranschaulichten Beispiel wählt die Besuchervektorzuweisungsvorrichtung 1125 den RPD-Haushalt aus, der die höchste Wahrscheinlichkeit aufweist, dass der entsprechende RPD-Haushalt mindestens einen Besucher aus dem Satz möglicher RPD-Haushalte aufweist, und die Besuchervektorzuweisungsvorrichtung 1125 ordnet den Besuchervektor dem ausgewählten RPD-Haushalt zu. In dem veranschaulichten Beispiel entfernt die Besuchervektorzuweisungsvorrichtung 1125 den ausgewählten RPD-Haushalt aus dem Satz der verfügbaren RPD-Haushalte, sobald ein Besuchervektor dem ausgewählten RPD-Haushalt zugewiesen wurde, sodass er für weitere Besuchervektorzuweisungen nicht mehr berücksichtigt wird. In dem veranschaulichten Beispiel sind die RPD-Haushalte darauf beschränkt, nur eine Besuchervektorzuweisung aufzuweisen. In einigen Beispielen kann es dem RPD-Haushalt jedoch ermöglicht sein, mehrere Besuchervektorzuweisungen aufzuweisen. In einigen Beispielen kann die Besuchervektorzuweisungsvorrichtung 1125 den ausgewählten RPD-Haushalt nicht aus dem Satz verfügbarer RPD-Haushalte entfernen, um zu ermöglichen, dass dem RPD-Haushalt mehrere Besuchervektoren zugewiesen werden. Die beispielhafte Besuchervektorzuweisungsvorrichtung 1125 weist RPD-Haushalten iterativ Besuchervektoren zu, bis keine Besuchervektoren mehr übrig sind. In einigen Beispielen, wenn nicht alle Besuchervektoren RPD-Haushalten zugewiesen werden können (z. B. weil an einem Punkt keine verbleibenden RPD-Haushalte für einen gegebenen Besuchervektor gültig sind), sammelt der beispielhafte Besuchervektorgenerator 1120 die verbleibenden nicht zugewiesenen Besuchervektoren, erzeugt einen neuen Besucherpool aus den verbleibenden Besuchern, die in den nicht zugewiesenen Besuchervektoren repräsentiert sind, um neue Besuchervektoren für die beispielhafte Besuchervektorzuweisungsvorrichtung 1125 zu erzeugen.
  • Die Ausgabe der beispielhaften Besuchervektorzuweisungsvorrichtung 1125 umfasst Demografiezuweisungen für primäre Haushaltsmitglieder und Langzeitbesucher für die verschiedenen RPD-Haushalte. Diese Ausgabe wird von der beispielhaften Besucherzuweisungsengine 1055 an den beispielhaften Bewertungsrechner 350 bereitgestellt, wobei der Bewertungsrechner 350 Berechnungen basierend auf der Ausgabe durchführt, die sowohl primäre Haushaltsmitglieder als auch Langzeitbesucher umfasst.
  • In einigen Beispielen kann die Besuchervektorzuweisungsvorrichtung 1125 unter einer Beschränkung vereinfacht werden, dass nur ein Besucher einem bestimmten RPD-Haushalt zuzuweisen ist. Eine solche Vereinfachung setzt ferner voraus, dass die Anzahl der Besucher kleiner oder gleich der Anzahl von RPD-Haushalten ist. In einem solchen Beispiel wählt die beispielhafte Besuchervektorzuweisungsvorrichtung eine der Demografiekategorien (z. B. einen der Alter-Geschlecht-Behälter), die bei der Zuweisung der Besuchervektoren zu verwenden sind. Die beispielhafte Besuchervektorzuweisungsvorrichtung 1125 identifiziert den Satz von RPD-Haushalten, die Kandidaten für einen Besucher in der ausgewählten Demografiekategorie sind (z. B. ausgewählter Alter-Geschlecht-Behälter) und ordnet diesen Satz von RPD-Haushalten basierend auf der Wahrscheinlichkeit ein, dass er einen Besucher in dieser Demografiekategorie (z. B. Alter-Geschlecht-Behälter) aufweist. Die beispielhafte Besuchervektorzuweisungsvorrichtung 1125 wählt den RPD-Haushalt mit der höchsten Besucherwahrscheinlichkeit aus und kennzeichnet eine der Personen, die diesen RPD-Haushalten in dieser Demografiekategorie (z. B. Alter-Geschlecht-Behälter) zugewiesen sind, als einen Langzeitbesucher. In einem solchen Beispiel iteriert die beispielhafte Besuchervektorzuweisungsvorrichtung, bis alle Besucher in der ausgewählten Demografiekategorie (z. B. Alter-Geschlecht-Behälter) in RPD-Haushalten und über die verschiedenen Demografiekategorien platziert wurden, bis die Zielanzahl von Besuchern den RPD-Haushalten zugewiesen wurde.
  • Während eine beispielhafte Art der Implementierung des neuronalnetzwerkbasierten Demografieschätzsystems 300 in 3 veranschaulicht ist, können ein oder mehrere der in 3 veranschaulichten Elemente, Prozesse und/oder Vorrichtungen kombiniert, aufgeteilt, neu angeordnet, ausgelassen, eliminiert und/oder auf andere Weise implementiert werden. Ferner kann die beispielhafte Netzwerkschnittstelle 305, der beispielhafte Forumeinstelldatensammler 310, die Teilnehmerdatenbank 315, der beispielhafte RPD-Datensammler 320, die beispielhafte RPD-Datenbank 325, der beispielhafte Merkmalsgenerator 330, das beispielhafte neuronale Netzwerk zur Demografievorhersage 335, die beispielhafte Haushaltsdemografiezuweisungsengine 340, die beispielhafte Beschränkungsdatenbank 345, der beispielhafte Bewertungsrechner 350 und/oder, allgemeiner, das beispielhafte neuronalnetzwerkbasierte Demografieschätzsystem 300 von 3 durch Hardware, Software, Firmware und/oder jede Kombination von Hardware, Software und/oder Firmware implementiert werden. Daher könnte beispielsweise jedes von der beispielhaften Netzwerkschnittstelle 305, dem beispielhaften Forumeinstelldatensammler 310, der Teilnehmerdatenbank 315, dem beispielhaften RPD-Datensammler 320, der beispielhaften RPD-Datenbank 325, dem beispielhafte Merkmalsgenerator 330, dem beispielhaften neuronalen Netzwerk zur Demografievorhersage 335, der beispielhaften Haushaltsdemografiezuweisungsengine 340, der beispielhaften Beschränkungsdatenbank 345, dem beispielhaften Bewertungsrechner 350 und/oder, allgemeiner, das beispielhafte neuronalnetzwerkbasierte Demografieschätzsystem 300 durch ein oder mehrere analoge oder digitale Schaltung(en), Logikschaltungen, programmierbare Prozessor(en), programmierbare Steuerung(en), Grafikverarbeitungseinheit(en) (GPU(s)), Digitalsignalprozessor(en) (DSP(s)), anwendungsspezifische integrierte Schaltung(en) (ASIC(s)), programmierbare Logikvorrichtung(en) (PLD(s)), feldprogrammierbare Gate-Arrays (FPGAs) und/oder feldprogrammierbare Logikeinrichtung(en) (FPLD(s)) implementiert werden. Beim Lesen eines der Vorrichtungs- oder Systemansprüche dieses Patents, um eine reine Software- und/oder Firmwareimplementierung abzudecken, wird mindestens eines von dem beispielhaften neuronalnetzwerkbasierten Demografieschätzsystem 300, der beispielhaften Netzwerkschnittstelle 305, dem beispielhaften Forumeinstelldatensammler 310, der Teilnehmerdatenbank 315, dem beispielhaften RPD-Datensammler 320, der beispielhaften RPD-Datenbank 325, dem beispielhaften Merkmalsgenerator 330, dem beispielhaften neuronalen Netzwerk zur Demografievorhersage 335, der beispielhaften Haushaltsdemografiezuweisungsengine 340, der beispielhaften Beschränkungsdatenbank 345 und/oder dem beispielhaften Bewertungsrechner 350 hiermit ausdrücklich derart definiert, eine nicht flüchtige computerlesbare Speichervorrichtung oder eine Speicherplatte, wie beispielsweise einen Speicher, eine Digital Versatile Disk (DVD), eine Compact Disc (CD), eine Blu-ray-Disk usw. einschließlich der Software und/oder Firmware, zu umfassen. Ferner kann das beispielhafte neuronalnetzwerkbasierte Demografieschätzsystem 300 zusätzlich zu oder anstelle der in 3 veranschaulichten Elemente, Prozesse und/oder Vorrichtungen ein oder mehrere Elemente, Prozesse und/oder Vorrichtungen umfassen und/oder mehr als eines von einem oder allen veranschaulichten Elementen, Prozessen und Vorrichtungen umfassen. Wie hierin verwendet, umfasst der Begriff „in Kommunikation“ einschließlich Variationen davon eine direkte Kommunikation und/oder eine indirekte Kommunikation über eine oder mehrere Zwischenkomponenten, und erfordert keine direkte physische (z. B. drahtgebundene) Kommunikation und/oder eine konstante Kommunikation, sondern umfasst vielmehr zusätzlich eine selektive Kommunikation in periodischen Intervallen, geplanten Intervallen, aperiodischen Intervallen und/oder einmalige Ereignisse.
  • Während eine beispielhafte Art der Implementierung des neuronalnetzwerkbasierten Demografieschätzsystems 1000 in den 10 und 11 veranschaulicht ist, können ein oder mehrere der Elemente, Prozesse und/oder Vorrichtungen, die in den 10 und 11 veranschaulicht sind, kombiniert, aufgeteilt, neu angeordnet, ausgelassen, eliminiert und/oder auf andere Weise implementiert werden. Ferner kann die beispielhafte Netzwerkschnittstelle 305, der beispielhafte Forumeinstelldatensammler 310, die Teilnehmerdatenbank 315, der beispielhafte RPD-Datensammler 320, die beispielhafte RPD-Datenbank 325, der beispielhafte Merkmalsgenerator 330, das beispielhafte neuronale Netzwerk zur Demografievorhersage 335, die beispielhafte Haushaltsdemografiezuweisungsengine 340, die beispielhafte Beschränkungsdatenbank 345, die beispielhafte Demografiezieleanpassungsvorrichtung 1050, die beispielhafte Besucherzuweisungsengine 1055, der beispielhafte Bewertungsrechner 350 und/oder, allgemeiner, das beispielhafte neuronalnetzwerkbasierte Demografieschätzsystem 1000 von 10 durch Hardware, Software, Firmware und/oder jede Kombination von Hardware, Software und/oder Firmware implementiert werden. Daher könnte beispielsweise jedes von der beispielhaften Netzwerkschnittstelle 305, dem beispielhaften Forumeinstelldatensammler 310, der Teilnehmerdatenbank 315, dem beispielhaften RPD-Datensammler 320, der beispielhaften RPD-Datenbank 325, dem beispielhafte Merkmalsgenerator 330, dem beispielhaften neuronalen Netzwerk zur Demografievorhersage 335, der beispielhaften Haushaltsdemografiezuweisungsengine 340, der beispielhaften Beschränkungsdatenbank 345, der beispielhaften Demografiezieleanpassungsvorrichtung 1050, der beispielhaften Besucherzuweisungsengine 1055, dem beispielhaften Bewertungsrechner 350 und/oder, allgemeiner, das beispielhafte neuronalnetzwerkbasierte Demografieschätzsystem 1000 durch ein oder mehrere analoge oder digitale Schaltung(en), Logikschaltungen, programmierbare Prozessor(en), programmierbare Steuerung(en), Grafikverarbeitungseinheit(en) (GPU(s)), Digitalsignalprozessor(en) (DSP(s)), anwendungsspezifische integrierte Schaltung(en) (ASIC(s)), programmierbare Logikvorrichtung(en) (PLD(s)), feldprogrammierbare Gate-Arrays (FPGAs) und/oder feldprogrammierbare Logikeinrichtung(en) (FPLD(s)) implementiert werden. Beim Lesen eines der Vorrichtungs- oder Systemansprüche dieses Patents, um eine reine Software- und/oder Firmwareimplementierung abzudecken, wird mindestens eines von dem beispielhaften neuronalnetzwerkbasierten Demografieschätzsystem 1000, der beispielhaften Netzwerkschnittstelle 305, dem beispielhaften Forumeinstelldatensammler 310, der Teilnehmerdatenbank 315, dem beispielhaften RPD-Datensammler 320, der beispielhaften RPD-Datenbank 325, dem beispielhaften Merkmalsgenerator 330, dem beispielhaften neuronalen Netzwerk zur Demografievorhersage 335, der beispielhaften Haushaltsdemografiezuweisungsengine 340, der beispielhaften Beschränkungsdatenbank 345, der beispielhaften Demografiezieleanpassungsvorrichtung 1050, der beispielhaften Besucherzuweisungsengine 1055 und/oder dem beispielhaften Bewertungsrechner 350 hiermit ausdrücklich derart definiert, eine nicht flüchtige computerlesbare Speichervorrichtung oder eine Speicherplatte, wie beispielsweise einen Speicher, eine Digital Versatile Disk (DVD), eine Compact Disc (CD), eine Blu-ray-Disk usw. einschließlich der Software und/oder Firmware, zu umfassen. Ferner kann das beispielhafte neuronalnetzwerkbasierte Demografieschätzsystem 1000 zusätzlich zu oder anstelle der in den 10 und 11 veranschaulichten Elemente, Prozesse und/oder Vorrichtungen ein oder mehrere Elemente, Prozesse und/oder Vorrichtungen umfassen und/oder mehr als eines von einem oder allen veranschaulichten Elementen, Prozessen und Vorrichtungen umfassen. Wie hierin verwendet, umfasst der Begriff „in Kommunikation“ einschließlich Variationen davon eine direkte Kommunikation und/oder eine indirekte Kommunikation über eine oder mehrere Zwischenkomponenten, und erfordert keine direkte physische (z. B. drahtgebundene) Kommunikation und/oder eine konstante Kommunikation, sondern umfasst vielmehr zusätzlich eine selektive Kommunikation in periodischen Intervallen, geplanten Intervallen, aperiodischen Intervallen und/oder einmalige Ereignisse.
  • In hierin offenbarten Beispielen implementiert der beispielhafte Funktionsgenerator 330 Mittel zum Erzeugen von Merkmalen aus Rückpfaddaten. Das beispielhafte neuronale Netzwerk 335 implementiert Mittel zum Verarbeiten der aus den Rückpfaddaten erzeugten Merkmale, um Demografieklassifikationswahrscheinlichkeiten für Rückpfaddatenhaushalte vorherzusagen. Die beispielhafte Demografiezuweisungsengine 340 implementiert Mittel zum Zuweisen einer oder mehrerer Demografiekategorien zu entsprechenden der Rückpfaddatenhaushalte. Die beispielhafte Besucherzuweisungsengine 1055 implementiert Mittel zum Zuweisen virtueller Besucher zu mindestens einer Teilmenge der entsprechenden der Rückpfaddatenhaushalte. Die beispielhafte Demografiezieleanpassungsvorrichtung 1050 implementiert Mittel zum Aktualisieren von Demografiezielen, um die Anwesenheit von Besuchern zu berücksichtigen. Der beispielhafte Besuchervektorgenerator 1120 implementiert Mittel zum Erzeugen eines Besuchervektors, der eine erste Anzahl von Besuchern enthält. Die beispielhafte Besuchervektorzuweisungsvorrichtung 1125 implementiert Mittel zum Zuweisen des Besuchervektors zu einem ersten der Rückpfaddatenhaushalte. Der beispielhafte Besucherdemografieverteilungsrechner 1105 implementiert Mittel zum Bestimmen entsprechender Prozentsätze von Besuchern in einer von der einen oder den mehreren Demografiekategorien. Der beispielhafte Besucherhaushaltsverteilungsrechner 1110 implementiert Mittel zum Bestimmen entsprechender Prozentsätze der Rückpfaddatenhaushalte mit entsprechenden Besucherzahlen.
  • Ein Flussdiagramm, das beispielhafte Hardwarelogik, maschinenlesbare Anweisungen, hardwareimplementierte Zustandsmaschinen und/oder jede Kombination davon zum Implementieren des beispielhaften neuronalnetzwerkbasierten Demografieschätzsystems 300 darstellt, ist in 12 gezeigt. In diesem Beispiel können die maschinenlesbaren Anweisungen ein oder mehrere ausführbare Programme oder Teil(e) davon zur Ausführung durch einen Computerprozessor sein, wie beispielsweise der Prozessor 2012, der in der beispielhaften Prozessorplattform 2000 gezeigt ist, die nachstehend in Verbindung mit 20 beschrieben wird. Das eine oder die mehreren Programme oder der bzw. die Teile davon können in einer Software verkörpert sein, die auf einem nicht flüchtigen computerlesbaren Speichermedium, wie beispielsweise einer CD-ROM, einer Diskette, einer Festplatte, einer DVD, einer Blu-ray-Disk™ oder einem Speicher, der mit dem Prozessor 2012 verbunden ist, gespeichert ist, aber das gesamte Programm oder die Programme und/oder Teile davon könnten alternativ durch eine andere Vorrichtung als den Prozessor 2012 ausgeführt werden und/oder in Firmware oder dedizierter Hardware verkörpert sein. Ferner können viele andere Verfahren zum Implementieren des beispielhaften neuronalnetzwerkbasierten Demografieschätzsystems 300 alternativ verwendet werden, obwohl das bzw. die Beispielprogramme unter Bezugnahme auf das in 12 veranschaulichte Flussdiagramm beschrieben werden. Unter Bezugnahme auf das in 12 veranschaulichte Flussdiagramm kann beispielsweise die Reihenfolge der Ausführung der Blöcke geändert werden und/oder einige der beschriebenen Blöcke geändert, eliminiert, kombiniert und/oder in mehrere Blöcke unterteilt werden. Zusätzlich oder alternativ können beliebige oder alle Blöcke durch eine oder mehrere Hardwareschaltungen implementiert werden (z. B. diskrete und/oder integrierte analoge und/oder digitale Schaltungen, ein FPGA, ein ASIC, einen Komparator, einen Operationsverstärker (op-amp), eine Logikschaltung usw.), die derart strukturiert sind, dass sie die entsprechende Operation ohne Ausführung von Software oder Firmware ausführen.
  • Flussdiagramme, die eine beispielhafte Hardwarelogik, maschinenlesbare Anweisungen, hardwareimplementierte Zustandsmaschinen und/oder eine beliebige Kombination davon zum Implementieren des beispielhaften neuronalnetzwerkbasierten Demografieschätzsystems 1000 darstellen, sind in den 13, 14, 15, 16, 17, 18 und 19 gezeigt. In diesem Beispiel können die maschinenlesbaren Anweisungen ein oder mehrere ausführbare Programme oder Teil(e) davon zur Ausführung durch einen Computerprozessor sein, wie beispielsweise der Prozessor 2012, der in der beispielhaften Prozessorplattform 2100 gezeigt ist, die nachstehend in Verbindung mit 21 beschrieben wird. Das eine oder die mehreren Programme oder der bzw. die Teile davon können in einer Software verkörpert sein, die auf einem nicht flüchtigen computerlesbaren Speichermedium, wie beispielsweise einer CD-ROM, einer Diskette, einer Festplatte, einer DVD, einer Blu-ray-Disk™ oder einem Speicher, der mit dem Prozessor 2100 verbunden ist, gespeichert ist, aber das gesamte Programm oder die Programme und/oder Teile davon könnten alternativ durch eine andere Vorrichtung als den Prozessor 2100 ausgeführt werden und/oder in Firmware oder dedizierter Hardware verkörpert sein. Ferner können viele andere Verfahren zum Implementieren des beispielhaften neuronalnetzwerkbasierten Demografieschätzsystems 1000 alternativ verwendet werden, obwohl das bzw. die Beispielprogramme unter Bezugnahme auf die in den 13, 14, 15, 16, 17, 18 und 19 veranschaulichten Flussdiagramme beschrieben werden. Unter Bezugnahme auf die in den 13, 14, 15, 16, 17, 18 und 19 veranschaulichten Flussdiagramme kann beispielsweise die Reihenfolge der Ausführung der Blöcke geändert werden und/oder einige der beschriebenen Blöcke geändert, eliminiert, kombiniert und/oder in mehrere Blöcke unterteilt werden. Zusätzlich oder alternativ können beliebige oder alle Blöcke durch eine oder mehrere Hardwareschaltungen implementiert werden (z. B. diskrete und/oder integrierte analoge und/oder digitale Schaltungen, ein FPGA, ein ASIC, einen Komparator, einen Operationsverstärker (op-amp), eine Logikschaltung usw.), die derart strukturiert sind, dass sie die entsprechende Operation ohne Ausführung von Software oder Firmware ausführen.
  • Die hierin beschriebenen maschinenlesbaren Anweisungen können in einem oder mehreren komprimierten Formaten, einem verschlüsselten Format, einem fragmentierten Format, einem verpackten Format usw. gespeichert werden. Maschinenlesbare Anweisungen, wie sie hierin beschrieben werden, können als Daten (z. B. Teile von Anweisungen, Code, Codedarstellungen usw.) gespeichert werden, die zum Erstellen, Herstellen und/oder Erzeugen von maschinenausführbaren Anweisungen verwendet werden können. Die maschinenlesbaren Anweisungen können beispielsweise fragmentiert und auf einem oder mehreren Speichervorrichtungen und/oder Computervorrichtungen (z. B. Servern) gespeichert werden. Die maschinenlesbaren Anweisungen können eines oder mehrere von Installation, Modifikation, Anpassung, Aktualisierung, Kombination, Ergänzung, Konfiguration, Entschlüsselung, Dekomprimierung, Entpacken, Verteilung, Neuzuweisung usw. erfordern, um sie direkt lesbar und/oder durch eine Computervorrichtung und/oder eine andere Maschine ausführbar zu machen. Die maschinenlesbaren Anweisungen können zum Beispiel in mehreren Teilen gespeichert werden, die einzeln komprimiert, verschlüsselt und auf separaten Computervorrichtungen gespeichert werden, wobei die Teile, wenn sie entschlüsselt, dekomprimiert und kombiniert werden, einen Satz ausführbarer Anweisungen bilden, die ein Programm wie das hierin beschriebene implementieren. In einem anderen Beispiel können die maschinenlesbaren Anweisungen in einem Zustand gespeichert werden, in dem sie von einem Computer gelesen werden können, wobei sie jedoch eine Hinzufügung einer Bibliothek (z. B. eine dynamische Verbindungsbibliothek), eines Softwareentwicklungskits (SDK), einer Anwendungsprogrammierungsschnittstelle (API) usw. erfordern, um die Anweisungen auf einer bestimmten Computervorrichtung oder einer anderen Vorrichtung auszuführen. In einem anderen Beispiel müssen die maschinenlesbaren Anweisungen vielleicht konfiguriert werden (z. B. Einstellungen gespeichert, Dateneingabe, Netzwerkadressen aufgezeichnet usw.), bevor die maschinenlesbaren Anweisungen und/oder das bzw. die entsprechenden Programme ganz oder teilweise ausgeführt werden können. Daher sollen die offenbarten maschinenlesbaren Anweisungen und/oder das bzw. die entsprechenden Programme solche maschinenlesbaren Anweisungen und/oder Programm(e) unabhängig vom entsprechenden Format oder Zustand der maschinenlesbaren Anweisungen und/oder Programm(e) umfassen, wenn sie gespeichert sind oder anderweitig sich in Ruhe oder in Transit befinden.
  • Wie vorstehend erwähnt, können die beispielhaften Prozesse der 12, 13, 14, 15, 16, 17, 18 und/oder 19 unter Verwendung von ausführbaren Anweisungen implementiert werden (z. B. computer- und/oder maschinenlesbare Anweisungen), die auf einem nicht flüchtigen Computer und/oder einem maschinenlesbaren Medium, wie beispielsweise einem Festplattenlaufwerk, einem Flash-Speicher, einem Festwertspeicher, einer Compact-Disc, einer Digital Versatile Disk, einem Cache, einem Speicher mit wahlfreiem Zugriff und/oder einer anderen Speichervorrichtung oder einer Speicherplatte, gespeichert sind, in dem Informationen für eine beliebige Dauer gespeichert werden (z. B. für längere Zeiträume, permanent, für kurze Zeiträume, zum vorübergehenden Puffern und/oder zum Zwischenspeichern der Informationen). Wie hierin verwendet, ist der Begriff nicht flüchtiges computerlesbares Medium ausdrücklich so definiert, dass er jegliche Art von computerlesbarer Speichervorrichtung und/oder Speicherplatte umfasst, und um sich ausbreitende Signale auszuschließen und Übertragungsmedien auszuschließen. Sofern nicht anders angegeben, werden die Begriffe „computerlesbar“ und „maschinenlesbar“ hierin als gleichwertig betrachtet.
  • „Umfassen“ und „aufweisen“ (und alle Formen und Zeiten davon) werden hierin als offene Begriffe verwendet. Wenn daher in einem Anspruch eine Form von „umfassen“ oder „aufweisen“ (z. B. umfasst, aufweist, umfassend, aufweisend usw.) als Oberbegriff oder innerhalb einer Anspruchsformulierung jeglicher Art verwendet wird, ist davon auszugehen, dass zusätzliche Elemente, Begriffe usw. vorhanden sein können, ohne dass sie außerhalb des Geltungsbereichs des entsprechenden Anspruchs oder der entsprechenden Formulierung liegen. Wenn der Begriff „mindestens“ als Übergangsbegriff in beispielsweise einem Oberbegriff eines Anspruchs verwendet wird, ist er in gleicher Weise offen wie die Begriffe „umfassen“ und „aufweisen“ offen sind. Der Begriff „und/oder“, wenn er beispielsweise in einer Form wie A, B und/oder C verwendet wird, bezieht sich auf jede Kombination oder Teilmenge von A, B, C, wie beispielsweise (1) A allein, (2) B allein, (3) C allein, (4) A mit B, (5) A mit C, (6) B mit C, und (7) A mit B und mit C. Wie hierin im Zusammenhang mit der Beschreibung von Strukturen, Komponenten, Elementen, Objekten und/oder Dingen verwendet, soll sich der Ausdruck „mindestens eines von A und B“ auf Implementierungen beziehen, die (1) mindestens ein A, (2) mindestens ein B und (3) mindestens ein A und mindestens ein B umfassen. In ähnlicher Weise soll sich der Ausdruck „mindestens eines von A oder B“ wie hierin im Zusammenhang mit der Beschreibung von Strukturen, Komponenten, Elementen, Objekten und/oder Dingen verwendet, auf Implementierungen beziehen, die eines von (1) mindestens ein A, (2) mindestens ein B und (3) mindestens ein A und mindestens ein B umfassen. Wie hierin im Zusammenhang mit der Beschreibung der Durchführung oder Ausführung von Prozessen, Anweisungen, Aktionen, Aktivitäten und/oder Schritten verwendet, soll sich der Begriff „mindestens eines von A und B“ auf Implementierungen beziehen, die eines von (1) mindestens ein A, (2) mindestens ein B und (3) mindestens ein A und mindestens ein B umfassen. In ähnlicher Weise wie hierin im Zusammenhang mit der Beschreibung der Performance oder Ausführung von Prozessen, Anweisungen, Aktionen, Aktivitäten und/oder Schritten verwendet, soll sich der Begriff „mindestens eines von A oder B“ auf Implementierungen beziehen, die eines von (1) mindestens ein A, (2) mindestens ein B und (3) mindestens ein A und mindestens ein B umfassen.
  • Ein Beispielprogramm 1200, das ausgeführt werden kann, um das beispielhafte neuronalnetzwerkbasierte Demografieschätzsystem 300 von 3 zu implementieren, ist durch das in 12 gezeigte Flussdiagramm dargestellt. Unter Bezugnahme auf die vorhergehenden Figuren und die zugehörigen schriftlichen Beschreibungen beginnt das Beispielprogramm 1000 von 12 bei Block 1205, bei dem der beispielhafte Forumeinstelldatensammler 310 des neuronalnetzwerkbasierten Demografieschätzsystems 300 die Teilnehmereinstelldaten sammelt, wie es vorstehend beschrieben wurde. Bei Block 1210 erzeugt der beispielhafte Merkmalsgenerator 330 des neuronalnetzwerkbasierten Demografieschätzsystems 300 Merkmalsvektoren (wie z. B. die in Tabelle 1 vorstehend beschriebenen Vektoren) für die Teilnehmerhaushalte basierend auf den gesammelten Teilnehmerdaten, wie es vorstehend beschrieben wurde. Bei Block 1215 wendet der Merkmalsgenerator 330 die bei Block 1210 erzeugten Teilnehmermerkmalsvektoren auf das beispielhafte neuronale Netzwerk zur Demografievorhersage 335 der neuronalnetzwerkbasierten Demografieschätzung 300 an, um das neuronale Netzwerk zur Demografievorhersage 335 zu trainieren und Demografieklassifikationswahrscheinlichkeiten für die entsprechenden Teilnehmerhaushalte vorherzusagen, wie es vorstehend beschrieben wurde.
  • Bei Block 1220 sammelt der beispielhafte RPD-Datensammler 320 des neuronalnetzwerkbasierten Demografieschätzsystems 300 RPD-Einstelldaten, wie es vorstehend beschrieben wurde. Bei Block 1225 erzeugt der beispielhafte Merkmalsgenerator 330 Merkmalsvektoren (wie z. B. die in Tabelle 1 vorstehend beschriebenen Vektoren) für die RPD-Haushalte basierend auf den gesammelten RPD-Einstelldaten, wie es vorstehend beschrieben wurde. Bei Block 1230 wendet der Merkmalsgenerator 330 die bei Block 1225 erzeugten RPD-Merkmalsvektoren auf das trainierte neuronale Netzwerk zur Demografievorhersage 335 des neuronalnetzwerkbasierten Demografieschätzsystems 300 an, um Demografieklassifikationswahrscheinlichkeiten für die entsprechenden RPD-Haushalte vorherzusagen, wie es vorstehend beschrieben wurde. Bei Block 1235 erhält die beispielhafte Demografiezuweisungsengine 340 des neuronalnetzwerkbasierten Demografieschätzsystems 300 die Demografiezuweisungsbeschränkungen von der beispielhaften Beschränkungsdatenbank 345, wie es vorstehend beschrieben wurde. Bei Block 1240 verwendet die beispielhafte Demografiezuweisungsengine 340 des neuronalnetzwerkbasierten Demografieschätzsystems 300 die bei Block 1230 bestimmten Demografieklassifikationswahrscheinlichkeiten, um Demografiekategorien entsprechenden der RPD-Haushalte zuzuweisen, wie es vorstehend beschrieben wurde. Bei Block 1245 erweitert/kombiniert der beispielhafte Bewertungsrechner 350 des neuronalnetzwerkbasierten Demografieschätzsystems 300 die bei Block 1205 gesammelten Forumeinstelldaten, die bereits zugeordnete Demografiedaten aufweisen, mit den bei Block 1220 gesammelten RPD-Abstimmdaten basierend auf den Demografiekategorien, die den entsprechenden der RPD-Haushalte bei Block 1245 zugewiesen wurden, wie es vorstehend beschrieben wurde.
  • Ein Beispielprogramm 1300 das ausgeführt werden kann, um das beispielhafte neuronalnetzwerkbasierte Demografieschätzsystem 1000 von 10 zu implementieren, ist durch das in 13 gezeigte Flussdiagramm dargestellt. Unter Bezugnahme auf die vorhergehenden Figuren und die zugehörigen schriftlichen Beschreibungen beginnt das Beispielprogramm 1300 von 13 bei Block 1305, bei dem der beispielhafte Forumeinstelldatensammler 310 des neuronalnetzwerkbasierten Demografieschätzsystems 1000 die Teilnehmereinstelldaten sammelt, wie es vorstehend beschrieben wurde. Bei Block 1310 erzeugt der beispielhafte Merkmalsgenerator 330 des neuronalnetzwerkbasierten Demografieschätzsystems 1000 Merkmalsvektoren (wie z. B. die in Tabelle 1 vorstehend beschriebenen Vektoren) für den Teilnehmerhaushalt basierend auf den gesammelten Teilnehmerdaten, wie es vorstehend beschrieben wurde. Bei Block 1315 wendet der Merkmalsgenerator 330 die bei Block 1310 erzeugten Teilnehmermerkmalsvektoren auf das beispielhafte neuronale Netzwerk zur Demografievorhersage 335 der neuronalnetzwerkbasierten Demografieschätzung 1000 an, um das neuronale Netzwerk zur Demografievorhersage 335 zu trainieren und Demografieklassifikationswahrscheinlichkeiten für die entsprechenden Teilnehmerhaushalte vorherzusagen, wie es vorstehend beschrieben wurde.
  • Bei Block 1320 sammelt der beispielhafte RPD-Datensammler 320 des neuronalnetzwerkbasierten Demografieschätzsystems 1000 RPD-Einstelldaten, wie es vorstehend beschrieben wurde. Bei Block 1325 erzeugt der beispielhafte Merkmalsgenerator 330 Merkmalsvektoren (wie z. B. die in Tabelle 1 vorstehend beschriebenen Vektoren) für die RPD-Haushalte basierend auf den gesammelten RPD-Einstelldaten, wie es vorstehend beschrieben wurde. Bei Block 1330 wendet der Merkmalsgenerator 330 die bei Block 1325 erzeugten RPD-Merkmalsvektoren auf das trainierte neuronale Netzwerk zur Demografievorhersage 335 des neuronalnetzwerkbasierten Demografieschätzsystems 1000 an, um Demografieklassifikationswahrscheinlichkeiten für die entsprechenden RPD-Haushalte vorherzusagen, wie es vorstehend beschrieben wurde. Bei Block 1335 aktualisiert die Demografiezieleanpassungsvorrichtung 1050 die Demografieziele für die Haushaltsdemografiezuweisungsengine 340. Wie nachstehend näher beschrieben, stellen die beispielhaften Flussdiagramme der 14 und 15 beispielhafte Anweisungen dar, die implementiert werden können, um die Demografieziele zu aktualisieren und Langzeitbesucher zu berücksichtigen.
  • Bei Block 1340 erhält die beispielhafte Demografiezuweisungsengine 340 die Demografiezuweisungsbeschränkungen von der beispielhaften Beschränkungsdatenbank 345, wie es vorstehend in Verbindung mit den 7 und 8A-E beschrieben wurde. Bei Block 1345 verwendet die beispielhafte Demografiezuweisungsengine 340 des neuronalnetzwerkbasierten Demografieschätzsystems 1000 die bei Block 1330 bestimmten Demografieklassifikationswahrscheinlichkeiten, die bei Block 1345 erhaltenen Demografiezuweisungsbeschränkungen und die bei Block 1335 aktualisierten Demografieziele, um Demografiekategorien entsprechenden der RPD-Haushalte zuzuweisen, wie es vorstehend beschrieben wurde.
  • Bei Block 1350 weist die beispielhafte Besucherzuweisungsengine 1055 die Besucher Haushalten zu. Die beispielhafte Besucherzuweisungsengine 1055 verwendet die Demografiekategoriezuweisungen der entsprechenden RPD-Haushalte, die durch die beispielhafte Haushaltsdemografiezuweisungsengine 340 bei Block 1345 bestimmt wurden, um die Besucher den entsprechenden RPD-Haushalten zuzuweisen. Wie nachstehend näher beschrieben, stellt das beispielhafte Flussdiagramm von 16 beispielhafte Anweisungen dar, die implementiert werden können, um die Besucher Haushalten zuzuweisen.
  • Bei Block 1355 erweitert/kombiniert der beispielhafte Bewertungsrechner 350 des neuronalnetzwerkbasierten Demografieschätzsystems 1000 die bei Block 1305 gesammelten Forumeinstelldaten, die bereits zugeordnete Demografiedaten aufweisen, mit den bei Block 1320 gesammelten RPD-Einstelldaten basierend auf den Demografiekategorien, die den entsprechenden der RPD-Haushalte bei Block 1345 zugewiesen wurden, und den Besuchern, die den entsprechenden der RPD-Haushalte bei Block 1350 zugewiesen wurden, wie es vorstehend beschrieben wurde.
  • Ein erstes Beispielprogramm 1340a kann ausgeführt werden, um die beispielhafte Demografiezieleanpassungsvorrichtung 1040 von 10 zu implementieren, und/oder die Verarbeitung bei Block 1340 von 13 ist durch das in 14 gezeigte Flussdiagramm dargestellt. Unter Bezugnahme auf die vorangehenden Figuren und die zugehörigen schriftlichen Beschreibungen beginnt das Beispielprogramm 1340a von 14 die Ausführung bei Block 1405, in dem die Demografiezieleanpassungsvorrichtung 1050 die Demografieziele von dem neuronalen Netzwerk zur Demografievorhersage 335 sammelt. Das beispielhafte neuronale Netzwerk zur Demografievorhersage 335 stellt vorhergesagte Demografiezielvariablen für primäre Haushaltsmitglieder bereit. Bei Block 1410 berechnet die beispielhafte Demografiezieleanpassungsvorrichtung 1050 die Skalenfaktoren für die Demografiekategorien wie vorstehend in Verbindung mit 10 beschrieben. Bei Block 1415 passt die beispielhafte Demografiezieleanpassungsvorrichtung 1050 die Demografieziele durch die entsprechenden bei Block 1410 gefundenen Skalenfaktoren an. Die beispielhafte Demografiezieleanpassungsvorrichtung 1050 passt die Demografieziele an, um die Anwesenheit von Langzeitbesuchern zu berücksichtigen, wenn sie von der beispielhaften Haushaltsdemografiezuweisungsengine 340 verwendet werden. Das Beispielprogramm 1340a von 14 endet dann und kehrt zu dem Beispielprogramm 1300 von 13 zurück.
  • Ein zweites beispielhaftes alternatives Programm 1340b, das ausgeführt werden kann, um die beispielhafte Demografiezieleanpassungsvorrichtung 1040 von 10 und/oder die Verarbeitung bei Block 1340 von 13 zu implementieren, ist durch das in 15 dargestellte Flussdiagramm dargestellt. Das Beispielprogramm 1340b von 15 geht davon aus, dass die vorstehend beschriebene HDAM-Technik zum Zuweisen einzelner Haushaltsmitglieder zu den RPD-Haushalten basierend auf den den RPD-Haushalten zugewiesenen Demografiekategorien weiter modifiziert wird, wie es vorstehend im Zusammenhang mit 10 beschrieben wird. Unter Bezugnahme auf die vorhergehenden Figuren und die zugehörigen schriftlichen Beschreibungen beginnt das Beispielprogramm 1340b von 15 die Ausführung bei Block 1505, bei dem die Demografiezieleanpassungsvorrichtung 1050 die Zielraten des Auftretens von Besuchern aus den Forumdaten in der Teilnehmerdatenbank 315 bestimmt. Die beispielhafte Demografiezieleanpassungsvorrichtung 1050 bestimmt die Zielraten des Auftretens unterschiedlicher Anzahlen von Besuchern in den verschiedenen Demografiekategorien (wie z. B. von Forumdaten und/oder anderen Publikumsmesstechniken bestimmt). Die Zielraten des Auftretens einer ersten Demografiekategorie können beispielsweise 80 % betragen, dass sich eine Person in einem Haushalt dieser Kategorie befindet, 15 %, dass sich 2 Personen in einem Haushalt in dieser gleichen Kategorie befinden, und 5 %, dass sich 3 Personen in einem Haushalt in dieser gleichen Kategorie befinden.
  • Bei Block 1510 weist die beispielhafte Demografiezuweisungsengine 340 den Haushalten Personen gemäß den bei Block 1505 gefundenen Zielraten zu. Unter Bezugnahme auf das gleiche vorstehende Beispiel für Block 1505 wählt die beispielhafte Haushaltdemografiezuweisungsengine 340 RPD-Haushalte aus, denen die erste Demografiekategorie zugewiesen wurde, sodass 80 % dieser Haushalte einer Person in dieser Kategorie zugewiesen sind, 15 % dieser Haushalte zwei Personen in dieser Kategorie zugewiesen sind und 5 % dieser Haushalte drei Personen in dieser Kategorie zugewiesen sind. In dem Beispielprogramm 1340b von 15 endet das Programm 1340b und kehrt zu dem Beispielprogramm 1300 bei Block 1350 von 13 zurück.
  • Ein Beispielprogramm 1350 kann ausgeführt werden, um die beispielhafte Besucherzuweisungsengine 1055 von 10 zu implementieren, und/oder die Verarbeitung bei Block 1350 von 13 wird durch das in 16 gezeigte Flussdiagramm dargestellt. Unter Bezugnahme auf die vorhergehenden Figuren und die zugehörigen schriftlichen Beschreibungen beginnt das Beispielprogramm 1350 von 16 die Ausführung bei Block 1605, bei dem die Besucherzuweisungsengine 1050 Teilnehmereinstelldaten für die gekennzeichneten Langzeitbesucher aus der Teilnehmerdatenbank 315 sammelt. Bei Block 1610 empfängt der beispielhafte Besuchervektorgenerator 1120 die zugewiesenen Demografien für die Haushalte, die durch die Haushaltsdemografiezuweisungsengine 1055 bestimmt wurden, wie es vorstehend in Verbindung mit 3 beschrieben wird.
  • Bei Block 1615 bestimmt der beispielhafte Besucherdemografieverteilungsrechner 1105 die Prozentsätze von Langzeitbesuchern in einer der Demografiekategorien. Der beispielhafte Besucherdemografieverteilungsrechner 1105 verwendet die Teilnehmerdaten aus der Teilnehmerdatenbank 315, um zu bestimmen, welcher Prozentsatz von Personen in jeder der Demografiekategorien (z. B. Alter-Geschlecht-Behälter) Langzeitbesucher sind. Bei Block 1620 bestimmt der beispielhafte Besucherhaushaltverteilungsrechner 1110 die Prozentsätze von Haushalten mit entsprechenden Anzahlen von Langzeitbesuchern. Der beispielhafte Besucherhaushaltverteilungsrechner 1110 verwendet die Teilnehmerdaten aus der Teilnehmerdatenbank 315, um den Prozentsatz an Haushalten zu bestimmen, die jeweils 1, 2, 3, 4 usw. Besucher aufweisen. Zum Beispiel bestimmt der beispielhafte Besucherhaushaltverteilungsrechner 1110, welcher Prozentsatz von Haushalten einen Besucher aufweist und dann welcher Prozentsatz von Haushalten zwei Besucher aufweist usw.
  • Bei Block 1625 erzeugt der beispielhafte Besuchervektorgenerator 1120 Besuchervektoren. Der beispielhafte Besuchervektorgenerator 1120 verwendet die durch den beispielhaften Besucherdemografieverteilungsrechner 1105 und den beispielhaften Besucherhaushaltsverteilungsrechner 1110 bestimmten Prozentsätze, um die Besuchervektoren zu erzeugen. Wie nachstehend näher beschrieben, stellt das beispielhafte Flussdiagramm von 17 beispielhafte Anweisungen dar, die implementiert werden können, um die Besuchervektoren zu erzeugen.
  • Bei Block 1635 weist die beispielhafte Besuchervektorzuweisungsvorrichtung 1125 den Haushalten Besuchervektoren zu. Die beispielhafte Besuchervektorzuweisungsvorrichtung 1125 verwendet die Teilnehmerdaten aus der Teilnehmerdatenbank 315, wenn sie die von dem Besuchervektorgenerator bei Block 1625 erzeugten Besuchervektoren den RPD-Haushalten zuweist. Wie nachstehend näher beschrieben, stellen die beispielhaften Flussdiagramme der 18 und 19 beispielhafte Anweisungen dar, die implementiert werden können, um die Besuchervektoren den Haushalten zuzuweisen. Nach Ausführung von Block 1635 endet das Beispielprogramm 1350 von 16 und kehrt zu dem Beispielprogramm 1300 von 13 zurück.
  • Ein Beispielprogramm 1625 kann ausgeführt werden, um den beispielhaften Besuchervektorgenerator 1120 von 11 zu implementieren, und/oder die Verarbeitung bei Block 1625 von 16 ist durch das in 17 gezeigte Flussdiagramm dargestellt. Unter Bezugnahme auf die vorhergehenden Figuren und zugehörigen schriftlichen Beschreibungen beginnt das Beispielprogramm 1625 von 17 die Ausführung bei Block 1705, bei dem der beispielhafte Besuchervektorgenerator 1120 die gesamten zugewiesenen Demografien für jeden Haushalt mit dem Besucherprozentsatz für jede Demografiekategorie multipliziert. Der beispielhafte Besuchervektorgenerator 1120 multipliziert die Gesamtanzahl von Personen in jeder den RPD-Haushalten zugewiesenen Demografiekategorie, die durch die beispielhafte Haushaltsdemografiezuweisungsengine 340 bestimmt wird, mit dem Prozentsatz der Langzeitbesucher in jeder Demografiekategorie, die durch den beispielhaften Besucherdemografieverteilungsrechner 1105 bestimmt wird. Der beispielhafte Besuchervektorgenerator 1120 bestimmt, wie viele Besucher in jeder Demografiekategorie enthalten sein sollen, indem er die vorstehend genannte Multiplikation durchführt.
  • Bei Block 1710 erstellt der beispielhafte Besuchervektorgenerator 1120 einen Besucherpool. Der beispielhafte Besuchervektorgenerator 1120 erstellt einen Besucherpool mit der Gesamtzahl der erwarteten Besucher in jeder Demografiekategorie (z. B. jedem Alter-Geschlecht-Behälter). Bei Block 1715 erzeugt der beispielhafte Besuchervektorgenerator 1120 einen Besuchervektor einer ausgewählten Größe. In hierin offenbarten Beispielen wird die ausgewählte Größe basierend auf einem Zufallszahlengenerator bestimmt, wobei die Wahrscheinlichkeit, dass eine bestimmte Größe ausgewählt wird, dem Eingabeprozentsatz von Haushalten entspricht, welche die gegebene Anzahl (z. B. 1, 2, 3, 4 usw.) von Besuchern aufweisen, wie sie durch den beispielhaften Besucherhaushaltverteilungsrechner 1110 bestimmt ist. Es können jedoch auch andere Auswahlverfahren zusätzlich oder alternativ verwendet werden.
  • Bei Block 1720 wählt der beispielhafte Besuchervektorgenerator 1120 basierend auf der ausgewählten Größe des Besuchervektors eine Anzahl von Besuchern aus dem Besucherpool aus und platziert die ausgewählten Besucher in den erzeugten Besuchervektor. Der beispielhafte Besuchervektorgenerator 1120 wählt eine Anzahl von Besuchern aus dem Besucherpool entsprechend der ausgewählten Größe des Besuchervektors aus, die bei Block 1715 bestimmt wurde. Der beispielhafte Besuchervektorgenerator 1120 platziert dann die ausgewählten Besucher in den bei Block 1715 erzeugten Besuchervektor. Bei Block 1725 bestimmt der beispielhafte Besuchervektorgenerator 1120, ob irgendwelche Besucher im Besucherpool verblieben sind. Wenn der beispielhafte Besuchervektorgenerator 1120 bestimmt, dass Besucher im Besucherpool verblieben sind, kehrt das Beispielprogramm 1625 von 17 zu Block 1715 zurück, wo ein weiterer Besuchervektor einer ausgewählten Größe erzeugt wird. Wenn der beispielhafte Besuchervektorgenerator 1120 bestimmt, dass keine Besucher im Besucherpool verblieben sind, endet das Beispielprogramm 1625 von 17 und kehrt zu Beispielprogramm 1350 von 16 zurück.
  • Ein erstes Beispielprogramm 1635a kann ausgeführt werden, um die beispielhafte Besuchervektorzuweisungsvorrichtung 1125 von 11 zu implementieren, und/oder die Verarbeitung bei Block 1635 von 16 ist durch das in 18 gezeigte Flussdiagramm dargestellt. Unter Bezugnahme auf die vorhergehenden Figuren und die zugehörigen schriftlichen Beschreibungen beginnt das Beispielprogramm 1635a von 18 die Ausführung bei Block 1805, bei dem die beispielhafte Besuchervektorzuweisungsvorrichtung 1125 auf die erzeugten Besuchervektoren von dem Besuchervektorgenerator 1120 zugreift und auf die individuellen Mitgliedszuweisungen zu den RPD-Haushalten (die primäre Haushaltsmitglieder und Besucher umfassen, diese aber nicht unterscheiden), die von der Haushaltsdemografiezuweisungsengine 340 bestimmt werden, von dem Besuchervektorgenerator 1120. Die beispielhafte Besuchervektorzuweisungsvorrichtung 1125 empfängt die RPD-Haushaltszuweisungen, die primäre Haushaltsmitglieder und Langzeitbesucher aufgrund der aktualisierten Demografieziele, die von der Demografiezieleanpassungsvorrichtung 1050 bereitgestellt werden, umfassen.
  • Bei Block 1810 bestimmt die beispielhafte Besuchervektorzuweisungsvorrichtung 1125 die Wahrscheinlichkeiten, dass jeder Haushalt mindestens einen Besucher umfasst, der dem Satz von Haushalten entspricht. In einigen Beispielen können die Wahrscheinlichkeiten für alle RPD-Haushalte gleich sein, sodass jeder Haushalt mit gleicher Wahrscheinlichkeit einen Besucher umfasst. In einigen Beispielen kann das vorstehend offenbarte neuronale Netzwerk zur Demografievorhersage 335 angepasst werden, um basierend auf den Teilnehmereinstelldaten von der Teilnehmerdatenbank 315 eine Wahrscheinlichkeit auszugeben, dass ein bestimmter RPD-Haushalt einen Besucher aufweist.
  • Bei Block 1815 wählt die beispielhafte Besuchervektorzuweisungsvorrichtung 1125 einen Besuchervektor aus den von dem beispielhaften Besuchervektorgenerator 1120 erzeugten Besuchervektoren aus. Bei Block 1820 erzeugt die beispielhafte Besuchervektorzuweisungsvorrichtung 1125 eine Liste gültiger Haushalte zur Platzierung des ausgewählten Besuchervektors. Ein RPD-Haushalt ist gültig, wenn dem RPD-Haushalt (durch die beispielhafte Demografiezuweisungsengine 340 mit den modifizierten Demografiezielen von der Demografiezieleanpassungsvorrichtung1050) in jeder Demografiekategorie dieselbe Anzahl oder mehr Personen, als in dem ausgewählten Besuchervektor enthalten sind, zugewiesen wird. Die Besuchervektorzuweisungsvorrichtung 1125 stellt auch sicher, dass mindestens eine Person in der dem RPD-Haushalt zugewiesenen Erwachsenendemografiekategorie vorhanden ist, die kein Langzeitbesucher ist.
  • Bei Block 1825 wählt die beispielhafte Besuchervektorzuweisungsvorrichtung 1125 einen Haushalt aus der Liste gültiger Haushalte aus, die bei Block 1815 bestimmt wurden, der die höchste Wahrscheinlichkeit aufweist, dass ein Besucher bei Block 1810 bestimmt wurde. Bei Block 1830 weist die beispielhafte Besuchervektorzuweisungsvorrichtung 1125 den Besuchervektor dem ausgewählten RPD-Haushalt zu. Bei Block 1835 entfernt die beispielhafte Besuchervektorzuweisungsvorrichtung 1125 den ausgewählten Haushalt aus dem verbleibenden Satz verfügbarer Haushalte für Besucherzuweisungen.
  • Bei Block 1840 bestimmt die beispielhafte Besuchervektorzuweisungsvorrichtung 1125, ob Besuchervektoren übrig sind. Wenn die beispielhafte Besuchervektorzuweisungsvorrichtung 1125 bestimmt, dass Besuchervektoren übrig sind, kehrt das Beispielprogramm 1635a von 18 zu Block 1815 zurück, wo die beispielhafte Besuchervektorzuweisungsvorrichtung 1125 einen Besuchervektor auswählt. Wenn die beispielhafte Besuchervektorzuweisungsvorrichtung 1125 bestimmt, dass keine Besuchervektoren übrig sind, endet das Beispielprogramm 1635a von 18 und kehrt zu Programm 1350 von 16 zurück.
  • Es kann ein zweites alternatives Programm 1635b ausgeführt werden, um die beispielhafte Besuchervektorzuweisungsvorrichtung 1125 von 11 unter der Beschränkung zu implementieren, dass nur ein Besucher einem gegebenen Haushalt zuzuweisen ist, was durch das in 19 gezeigte Flussdiagramm dargestellt ist. Unter Bezugnahme auf die vorhergehenden Figuren und die zugehörigen schriftlichen Beschreibungen beginnt das Beispielprogramm 1635b von 19 die Ausführung bei Block 1900, bei dem die beispielhafte Besuchervektorzuweisungsvorrichtung 1125 die erzeugten Besuchervektoren von dem Besuchervektorgenerator 1120 und die individuellen Mitgliedszuweisungen zu den RPD-Haushalten (die primäre Haushaltsmitglieder und Besucher umfassen, diese aber nicht unterscheiden), die von der Haushaltsdemografiezuweisungsengine 340 bestimmt werden, von dem Besuchervektorgenerator 1120 empfängt. Die beispielhafte Besuchervektorzuweisungsvorrichtung 1125 empfängt die RPD-Haushaltszuweisungen, die primäre Haushaltsmitglieder und Langzeitbesucher aufgrund der aktualisierten Demografieziele, die von der Demografiezieleanpassungsvorrichtung 1050 bereitgestellt werden, umfassen.
  • Bei Block 1905 bestimmt die beispielhafte Besuchervektorzuweisungsvorrichtung 1125 die Wahrscheinlichkeiten, dass jeder Haushalt mindestens einen Besucher umfasst, der dem Satz von Haushalten entspricht. In einigen Beispielen können die Wahrscheinlichkeiten für alle RPD-Haushalte gleich sein, sodass jeder Haushalt mit gleicher Wahrscheinlichkeit einen Besucher umfasst. In einigen Beispielen kann das vorstehend offenbarte neuronale Netzwerk zur Demografievorhersage 335 angepasst werden, um basierend auf den Teilnehmereinstelldaten von der Teilnehmerdatenbank 315 eine Wahrscheinlichkeit auszugeben, dass ein bestimmter RPD-Haushalt einen Besucher aufweist.
  • Bei Block 1910 wählt die beispielhafte Besuchervektorzuweisungsvorrichtung 1125 eine Demografiekategorie aus. Bei Block 1915 identifiziert die beispielhafte Besuchervektorzuweisungsvorrichtung 1125 einen Satz von RPD-Haushalten, die einen Besucher in der ausgewählten Demografiekategorie aufweisen können. Bei Block 1920 ordnet die beispielhafte Besuchervektorzuweisungsvorrichtung 1125 den Satz der RPD-Haushalte basierend auf der Wahrscheinlichkeit, dass sie einen Besucher in der ausgewählten Demografiekategorie aufweist, die bei Block 1905 bestimmt wurde. Bei Block 1925 wählt die beispielhafte Besuchervektorzuweisungsvorrichtung 1125 den Haushalt aus dem geordneten Satz von Haushalten aus. In den hierin offenbarten Beispielen wählt die beispielhafte Besuchervektorzuweisungsvorrichtung 1125 den RPD-Haushalt aus dem geordneten Satz aus, der die höchste Wahrscheinlichkeit aufweist, dass er mindestens einen Besucher aufweist. Bei Block 1930 weist die beispielhafte Besuchervektorzuweisungsvorrichtung 1125 den Besucher der ausgewählten Demografiekategorie dem ausgewählten RPD-Haushalt zu. Bei Block 1935 entfernt die beispielhafte Besuchervektorzuweisungsvorrichtung 1125 den ausgewählten Haushalt aus dem geordneten Satz.
  • Bei Block 1940 bestimmt die beispielhafte Besuchervektorzuweisungsvorrichtung 1125, ob in der Demografiekategorie Besucher übrig sind. Wenn die beispielhafte Besuchervektorzuweisungsvorrichtung 1125 bestimmt, dass in der Demografiekategorie Besucher übrig sind, kehrt das Beispielprogramm 1635b von 19 zu Block 1915 zurück, wo die beispielhafte Besuchervektorzuweisungsvorrichtung 1125 einen Satz von Haushalten identifiziert, die einen Besucher in der ausgewählten Demografiekategorie aufweisen können. Wenn die beispielhafte Besuchervektorzuweisungsvorrichtung 1125 bestimmt, dass keine Besucher in der Demografiekategorie übrig sind, fährt das Beispielprogramm 1635 von 19 mit Block 1945 fort.
  • Bei Block 1945 bestimmt die beispielhafte Besuchervektorzuweisungsvorrichtung 1125, ob Demografiekategorien übrig sind. Wenn die beispielhafte Besuchervektorzuweisungsvorrichtung 1125 bestimmt, dass Demografiekategorien übrig sind, kehrt das Beispielprogramm 1635 von 19 zu Block 1910 zurück, wo die beispielhafte Besuchervektorzuweisungsvorrichtung 1125 eine Demografiekategorie auswählt. Wenn die beispielhafte Besuchervektorzuweisungsvorrichtung 1125 bestimmt, dass keine Demografiekategorien übrig sind, endet das Beispielprogramm 1635 von 19 und kehrt zu Beispielprogramm 1350 von 16 zurück.
  • 20 ist ein Blockdiagramm einer beispielhaften Prozessorplattform 2000, die strukturiert ist, die Anweisungen von 12 auszuführen, um das beispielhafte neuronalnetzwerkbasierte Demografieschätzsystem 300 von 3 zu implementieren. Die Prozessorplattform 2000 kann zum Beispiel ein Server, ein Personalcomputer, eine Workstation, eine selbstlernende Maschine (z. B. ein neuronales Netzwerk), eine Mobilvorrichtung (z. B. ein Mobiltelefon, ein Smartphone, ein Tablet wie ein iPad™), ein persönlicher digitaler Assistent (PDA), eine Interneteinrichtung oder jede andere Art von Computervorrichtung sein.
  • Die Prozessorplattform 2000 des veranschaulichten Beispiels umfasst einen Prozessor 2012. Der Prozessor 2012 des veranschaulichten Beispiels ist Hardware. Der Prozessor 2012 kann beispielsweise durch einen oder mehrere integrierte Schaltungen, Logikschaltungen, Mikroprozessoren, GPUs, DSPs oder Controller von einer beliebigen gewünschten Familie oder einem Hersteller implementiert werden. Der Hardwareprozessor 2012 kann eine halbleiterbasierte (z. B. siliziumbasierte) Vorrichtung sein. In diesem Beispiel implementiert der Prozessor 2012 den beispielhaften Forumeinstelldatensammler 310, den beispielhaften RPD-Datensammler 320, den beispielhaften Merkmalsgenerator 330, die beispielhafte Demografiezuweisungsengine 340 und den beispielhaften Bewertungsrechner 350.
  • Der Prozessor 2012 des veranschaulichten Beispiels umfasst einen lokalen Speicher 2013 (z. B. einen Cache). Der Prozessor 2012 des veranschaulichten Beispiels steht über eine Verbindung 2018 mit einem Hauptspeicher in Kommunikation, der einen flüchtigen Speicher 2014 und einen nicht flüchtigen Speicher 2016 umfasst. Die Verbindung 2018 kann durch einen Bus, eine oder mehrere Punkt-zu-Punkt-Verbindungen usw. oder eine Kombination davon implementiert sein. Der flüchtige Speicher 2014 kann durch einen synchronen dynamischen Direktzugriffsspeicher (SDRAM), einen dynamischen Direktzugriffsspeicher (DRAM), einen dynamischen RAMBUS®-Direktzugriffsspeicher (RDRAM®) und/oder eine beliebige andere Art von Direktzugriffsspeichervorrichtung implementiert sein. Der nicht flüchtige Speicher 2016 kann durch einen Flash-Speicher und/oder eine beliebige andere Art von Speichervorrichtung implementiert sein. Der Zugriff auf den Hauptspeicher 2014, 2016 wird von einem Speicher-Controller gesteuert.
  • Die Prozessorplattform 2000 des veranschaulichten Beispiels umfasst zudem eine Schnittstellenschaltung 2020. Die Schnittstellenschaltung 2020 kann durch jede Art von Schnittstellenstandard, wie beispielsweise eine Ethernet-Schnittstelle, einen universellen seriellen Bus (USB), eine Bluetooth®-Schnittstelle, eine Nahfeldkommunikationsschnittstelle (NFC) und/oder eine PCI-Express-Schnittstelle, implementiert sein. In diesem Beispiel implementiert die Schnittstellenschaltung 2020 die Netzwerkschnittstelle 305.
  • In dem veranschaulichten Beispiel sind eine oder mehrere Eingabevorrichtungen 2022 mit der Schnittstellenschaltung 2020 verbunden. Die Eingabevorrichtung bzw. Eingabevorrichtungen 2022 erlauben einem Benutzer, Daten und/oder Befehle in den Prozessor 2012 einzugeben. Die Eingabevorrichtung(en) können beispielsweise durch einen Audiosensor, ein Mikrofon, eine Kamera (Foto oder Video), eine Tastatur, eine Taste, eine Maus, einen Touchscreen, ein Trackpad, einen Trackball, ein Trackbar (wie einen Isopunkt), ein Spracherkennungssystem und/oder eine beliebige andere Mensch-Maschine-Schnittstelle implementiert werden. Auch können viele Systeme, wie die Prozessorplattform 2000, dem Benutzer ermöglichen, das Computersystem zu steuern und unter Verwendung von physischen Gesten, wie beispielsweise ohne Einschränkung Hand- oder Körperbewegungen, Gesichtsausdrücken und Gesichtserkennung, Daten an den Computer bereitzustellen.
  • Eine oder mehrere Ausgabevorrichtungen 2024 sind ebenfalls mit der Schnittstellenschaltung 2020 des veranschaulichten Beispiels verbunden. Die Ausgabevorrichtungen 2024 können beispielsweise durch Anzeigevorrichtungen (z. B. eine Leuchtdiode (LED), eine organische Leuchtdiode (OLED), eine Flüssigkristallanzeige (LCD), eine Kathodenstrahlröhrenanzeige (CRT), eine In-Place-Switching-Anzeige (IPS-Anzeige), einen Touchscreen usw.), eine taktile Ausgabevorrichtung, einen Drucker und/oder Lautsprecher implementiert sein. Die Schnittstellenschaltung 2020 des veranschaulichten Beispiels umfasst daher typischerweise eine Grafiktreiberkarte, einen Grafiktreiberchip und/oder einen Grafiktreiberprozessor.
  • Die Schnittstellenschaltung 2020 des veranschaulichten Beispiels umfasst zudem eine Kommunikationsvorrichtung, wie beispielsweise einen Sender, einen Empfänger, einen Transceiver, ein Modem, ein lokales Gateway, einen drahtlosen Zugangspunkt und/oder eine Netzwerkschnittstelle, um den Austausch von Daten mit externen Maschinen (z. B. Computervorrichtungen jeglicher Art) über ein Netzwerk 2026 zu erleichtern. Die Kommunikation kann beispielsweise über einen Ethernet-Anschluss, einen Digital Subscriber Line-Anschluss (DSL-Anschluss), einen Telefonleitungsanschluss, ein Koaxialkabelsystem, ein Satellitensystem, ein Richtfunksystem, ein Mobiltelefonsystem usw. erfolgen.
  • Die Prozessorplattform 2000 des veranschaulichten Beispiels umfasst auch eine oder mehrere Massenspeichervorrichtungen 2028 zum Speichern von Software und/oder Daten. Beispiele für derartige Massenspeichervorrichtungen 2028 umfassen Diskettenlaufwerke, Festplatten, Compact-Disk-Laufwerke, Blu-ray-Disk-Laufwerke, redundante Anordnung unabhängiger Festplatten (RAID) und Digital Versatile Disk-Laufwerke (DVD-Laufwerke). In einigen Beispielen können die Massenspeichervorrichtung(en) 2028 die Teilnehmerdatenbank 315, die RPD-Datenbank 325 und/oder die Beschränkungsdatenbank 345 implementieren. Zusätzlich oder alternativ kann in einigen Beispielen der flüchtige Speicher 2014 die Teilnehmerdatenbank 315, die RPD-Datenbank 325 und/oder die Beschränkungsdatenbank 345 implementieren.
  • Die maschinenausführbaren Anweisungen 2032, die den Anweisungen von 12 entsprechen, können in der Massenspeichervorrichtung 2028, in dem flüchtigen Speicher 2014, in dem nicht flüchtigen Speicher 2016, in dem lokalen Speicher 2013 und/oder auf einem entfernbaren nicht flüchtigen computerlesbaren Speichermedium, wie beispielsweise einer CD oder DVD 2036, gespeichert sein.
  • 21 ist ein Blockdiagramm einer beispielhaften Prozessorplattform 2000, die strukturiert ist, die Anweisungen der 13, 14, 15, 16, 17, 18 und 19 auszuführen, um das beispielhafte neuronalnetzwerkbasierte Demografieschätzsystem 1000 von 10 zu implementieren. Die Prozessorplattform 2100 kann zum Beispiel ein Server, ein Personalcomputer, eine Workstation, eine selbstlernende Maschine (z. B. ein neuronales Netzwerk), eine Mobilvorrichtung (z. B. ein Mobiltelefon, ein Smartphone, ein Tablet wie ein iPad™), ein persönlicher digitaler Assistent (PDA), eine Interneteinrichtung oder jede andere Art von Computervorrichtung sein.
  • Die Prozessorplattform 2100 des veranschaulichten Beispiels umfasst einen Prozessor 2112. Der Prozessor 2112 des veranschaulichten Beispiels ist Hardware. Der Prozessor 2112 kann beispielsweise durch einen oder mehrere integrierte Schaltungen, Logikschaltungen, Mikroprozessoren, GPUs, DSPs oder Controller von einer beliebigen gewünschten Familie oder einem Hersteller implementiert werden. Der Hardwareprozessor 2112 kann eine halbleiterbasierte (z. B. siliziumbasierte) Vorrichtung sein. In diesem Beispiel implementiert der Prozessor 2112 den beispielhaften Forumeinstelldatensammler 310, den beispielhaften RPD-Datensammler 320, den beispielhaften Merkmalsgenerator 330, die beispielhafte Haushaltsdemografiezuweisungsengine 340, die beispielhafte Demografiezieleanpassungsvorrichtung 1050, die beispielhafte Besucherzuweisungsengine 1055 und den beispielhaften Bewertungsrechner 350.
  • Der Prozessor 2112 des veranschaulichten Beispiels umfasst einen lokalen Speicher 2113 (z. B. einen Cache). Der Prozessor 2113 des veranschaulichten Beispiels steht über eine Verbindung 2118 mit einem Hauptspeicher in Kommunikation, der einen flüchtigen Speicher 2113 und einen nicht flüchtigen Speicher 2116 umfasst. Die Verbindung 2118 kann durch einen Bus, eine oder mehrere Punkt-zu-Punkt-Verbindungen usw. oder eine Kombination davon implementiert sein. Der flüchtige Speicher 2114 kann durch einen synchronen dynamischen Direktzugriffsspeicher (SDRAM), einen dynamischen Direktzugriffsspeicher (DRAM), einen dynamischen RAMBUS®-Direktzugriffsspeicher (RDRAM®) und/oder eine beliebige andere Art von Direktzugriffsspeichervorrichtung implementiert sein. Der nicht flüchtige Speicher 2116 kann durch einen Flash-Speicher und/oder eine beliebige andere Art von Speichervorrichtung implementiert werden. Der Zugriff auf den Hauptspeicher 2114, 2116 wird von einem Speicher-Controller gesteuert.
  • Die Prozessorplattform 2100 des veranschaulichten Beispiels umfasst zudem eine Schnittstellenschaltung 2120. Die Schnittstellenschaltung 2120 kann durch jede Art von Schnittstellenstandard, wie beispielsweise eine Ethernet-Schnittstelle, einen universellen seriellen Bus (USB), eine Bluetooth®-Schnittstelle, eine Nahfeldkommunikationsschnittstelle (NFC) und/oder eine PCI-Express-Schnittstelle, implementiert werden. In diesem Beispiel implementiert die Schnittstellenschaltung 2020 die Netzwerkschnittstelle 305.
  • In dem veranschaulichten Beispiel sind eine oder mehrere Eingabevorrichtungen 2120 mit der Schnittstellenschaltung 2120 verbunden. Die Eingabevorrichtung bzw. Eingabevorrichtungen 2122 erlauben einem Benutzer, Daten und/oder Befehle in den Prozessor 2112 einzugeben. Die Eingabevorrichtung(en) können beispielsweise durch einen Audiosensor, ein Mikrofon, eine Kamera (Foto oder Video), eine Tastatur, eine Taste, eine Maus, einen Touchscreen, ein Trackpad, einen Trackball, ein Trackbar (wie einen Isopunkt), ein Spracherkennungssystem und/oder eine beliebige andere Mensch-Maschine-Schnittstelle implementiert werden. Auch können viele Systeme, wie die Prozessorplattform 2100, dem Benutzer ermöglichen, das Computersystem zu steuern und unter Verwendung von physischen Gesten, wie beispielsweise ohne Einschränkung Hand- oder Körperbewegungen, Gesichtsausdrücken und Gesichtserkennung, Daten an den Computer bereitzustellen.
  • Eine oder mehrere Ausgabevorrichtungen 2124 sind ebenfalls mit der Schnittstellenschaltung 2120 des veranschaulichten Beispiels verbunden. Die Ausgabevorrichtungen 2124 können beispielsweise durch Anzeigevorrichtungen (z. B. eine Leuchtdiode (LED), eine organische Leuchtdiode (OLED), eine Flüssigkristallanzeige (LCD), eine Kathodenstrahlröhrenanzeige (CRT), eine In-place-Schaltanzeige (IPS), einen Touchscreen usw.), eine taktile Ausgabevorrichtung, einen Drucker und/oder Lautsprecher implementiert werden. Die Schnittstellenschaltung 2120 des veranschaulichten Beispiels umfasst daher typischerweise eine Grafiktreiberkarte, einen Grafiktreiberchip und/oder einen Grafiktreiberprozessor.
  • Die Schnittstellenschaltung 2120 des veranschaulichten Beispiels umfasst zudem eine Kommunikationsvorrichtung, wie beispielsweise einen Sender, einen Empfänger, einen Transceiver, ein Modem, ein lokales Gateway, einen drahtlosen Zugangspunkt und/oder eine Netzwerkschnittstelle, um den Austausch von Daten mit externen Maschinen (z. B. Computervorrichtungen jeglicher Art) über ein Netzwerk 2126 zu erleichtern. Die Kommunikation kann beispielsweise über einen Ethernet-Anschluss, einen Digital Subscriber Line-Anschluss (DSL-Anschluss), einen Telefonleitungsanschluss, ein Koaxialkabelsystem, ein Satellitensystem, ein Richtfunksystem, ein Mobiltelefonsystem usw. erfolgen.
  • Die Prozessorplattform 2100 des veranschaulichten Beispiels umfasst auch eine oder mehrere Massenspeichervorrichtungen 2128 zum Speichern von Software und/oder Daten. Beispiele für derartige Massenspeichervorrichtungen 2128 umfassen Diskettenlaufwerke, Festplatten, Compact-Disk-Laufwerke, Blu-ray-Disk-Laufwerke, redundante Anordnung unabhängiger Festplatten (RAID) und Digital Versatile Disk-Laufwerke (DVD-Laufwerke). In einigen Beispielen können die Massenspeichervorrichtung(en) 2028 die Teilnehmerdatenbank 315, die RPD-Datenbank 325 und/oder die Beschränkungsdatenbank 345 implementieren. Zusätzlich oder alternativ kann in einigen Beispielen der flüchtige Speicher 2014 die Teilnehmerdatenbank 315, die RPD-Datenbank 325 und/oder die Beschränkungsdatenbank 345 implementieren.
  • Die maschinenausführbaren Anweisungen 2132, die den Anweisungen der 13, 14, 15, 16, 17, 18 und 19 entsprechen, können in der Massenspeichervorrichtung 2128, in dem flüchtigen Speicher 2114, in dem nicht flüchtigen Speicher 2116, in dem lokalen Speicher 2113 und/oder auf einem entfernbaren nicht flüchtigen computerlesbaren Speichermedium, wie beispielsweise einer CD oder DVD 2136, gespeichert werden.
  • Aus dem Vorstehenden wird ersichtlich, dass beispielhafte Verfahren, Vorrichtungen und Herstellungsprodukte offenbart wurden, die eine neuronale Netzwerkverarbeitung von Set-Top-Box-Rückpfaddaten implementieren, um Haushaltsdemografie zu schätzen. Ein vorstehend offenbartes beispielhaftes neuronalnetzwerkbasiertes Demografieschätzsystem 1000 verwendet ein neuronales Netzwerk mit einer TDDL gefolgt von einer rekurrenten LSTM-Netzwerkschicht, um Demografieklassifizierungen eines Haushalts (z. B. Forumhaushalt für Training und RPD-Haushalte nach Training) aus Betrachtungsdaten (z. B. Teilnehmereinstelldaten für Training und RPD-Einstelldaten nach Training) vorherzusagen. Das beispielhafte neuronalnetzwerkbasierte Demografieschätzsystem 1000 gruppiert die Betrachtungsdaten für einen Haushalt in Betrachtungsblöcke, die entsprechende Betrachtungssitzungen beschreiben, wobei ein Betrachtungsblock den Wochentag, den Jahrestag, die Viertelstunde des Tages, die Kanalwechselrate und die Minuten jedes möglichen Netzwerks angibt. In einigen Beispielen sind die Betrachtungsblöcke auf 60 Minuten begrenzt. In einigen Beispielen werden Betrachtungsblöcke für einen gegebenen Haushalt kombiniert und durch die TDDL verarbeitet, um einen verdichteten Merkmalssatz für die Betrachtungssitzungen des Haushalts zu erzeugen. Der verdichtete Merkmalssatz wird dann von dem LSTM verarbeitet, um einen verdichteten zusammenfassenden Merkmalsvektor zu erzeugen, der die Betrachtungshistorie für den Haushalt zusammenfasst. Der verdichtete zusammenfassende Merkmalsvektor wird mit zusätzlichen Haushaltsmerkmalen, wie beispielsweise dem Gesamtfernsehverbrauch, der Anzahl der aufgezeichneten Betrachtungsblöcke und der Anzahl der Fernsehtuner im Haushalt, zusammengeführt, um einen zusammengeführten zusammenfassenden Merkmalsvektor für den Haushalt zu erzeugen. Der zusammengeführte Merkmalsvektor wird dann auf eine oder mehrere zusätzliche versteckte Schichten angewendet, die einen Klassifikationsvektor ausgeben, der die Wahrscheinlichkeit angibt, dass der Haushalt in die verschiedenen möglichen Demografieklassen gehört. Gemischt-ganzzahlige Programmierung wird dann verwendet, um basierend auf den Demografieklassifikationswahrscheinlichkeiten, die von dem neuronalen Netzwerk ausgegeben werden, eine Zielfunktion zu lösen und sie einem Satz von Beschränkungen zu unterziehen, um eine oder mehrere Demografiekategorien entsprechenden der RPD-Haushalte zuzuweisen, welche die RPD-Einstelldaten bereitstellen.
  • Die offenbarten Verfahren, Vorrichtungen und Herstellungsprodukte verbessern die Effizienz der Verwendung einer Computervorrichtung, indem sie ermöglichen, dass RPD-Einstelldaten mit Teilnehmereinstelldaten in einem Publikumsmessverarbeitungssystem kombiniert werden. Das Kombinieren von RPD-Einstelldaten mit verfügbaren Forumdaten kann die Datenmenge, die für das Publikumsmessverarbeitungssystem zugänglich ist, stark erhöhen, um Publikumsmetriken (z. B. Bewertungen) vorherzusagen. Eine solche erhöhte Datenmenge kann die statistische Vollständigkeit der Eingabedaten verbessern und dadurch die damit verbundene statistische Verzerrung der von dem Publikumsmessverarbeitungssystem erzeugten Ergebnisse verringern. Die offenbarten Verfahren, Vorrichtungen und Herstellungsprodukte richten sich demnach an eine oder mehrere Verbesserungen in der Funktionsweise eines Computers.
  • Auch wenn bestimmte beispielhafte Verfahren, Vorrichtungen und Herstellungsprodukte hierin offenbart wurden, ist der Umfang des Geltungsbereichs dieses Patentes nicht auf diese beschränkt. Im Gegensatz deckt dieses Gebrauchsmuster alle Verfahren, Vorrichtungen und Herstellungsprodukte ab, die weitestgehend in den Umfang der Ansprüche dieses Patentes fallen.
  • ZITATE ENTHALTEN IN DER BESCHREIBUNG
  • Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.
  • Zitierte Patentliteratur
    • US 16/230,620 [0001]
    • US 62/743,925 [0001]
    • US 62/841,641 [0001]
    • US 16/230,620 [0001]
    • US 62/743,925 [0001]

Claims (21)

  1. Demografieschätzsystem, umfassend: einen Merkmalsgenerator zum Erzeugen von Merkmalen aus Rückpfaddaten (RPD), die von Set-Top-Boxen gemeldet werden, die mit Rückpfaddatenhaushalten verknüpft sind; ein neuronales Netzwerk, um die aus den Rückpfaddaten erzeugten Merkmale zu verarbeiten und Demografieklassifikationswahrscheinlichkeiten für die Rückpfaddatenhaushalte vorherzusagen, wobei das neuronale Netzwerk basierend auf Forumdaten trainiert werden soll, die von Messvorrichtungen gemeldet werden, die Medienvorrichtungen überwachen, die mit den Teilnehmerhaushalten verknüpft sind; eine Demografiezuweisungsengine zum Zuweisen einer oder mehrerer Demografiekategorien zu entsprechenden der Rückpfaddatenhaushalte basierend auf den vorhergesagten Demografieklassifikationswahrscheinlichkeiten; und eine Besucherzuweisungsengine zum Zuweisen virtueller Besucher zu mindestens einer Teilmenge der entsprechenden der Rückpfaddatenhaushalte basierend auf der einen oder den mehreren Demografiekategorien, die den entsprechenden der Rückpfaddatenhaushalte zugewiesen sind.
  2. Demografieschätzsystem nach Anspruch 1, ferner umfassend eine Demografiezieleanpassungsvorrichtung zum Aktualisieren von Demografiezielen, um die Anwesenheit von Besuchern zu berücksichtigen.
  3. Demografieschätzsystem nach Anspruch 2, wobei die Demografiezieleanpassungsvorrichtung Skalenfaktoren auf entsprechende von Demografiezielen anwendet, um Demografieziele zu aktualisieren und die Anwesenheit von Besuchern zu berücksichtigen.
  4. Demografieschätzsystem nach Anspruch 1, wobei die Besucherzuweisungsengine umfasst: einen Besuchervektorgenerator zum Erzeugen eines Besuchervektors, der eine erste Anzahl von Besuchern enthält; und eine Besuchervektorzuweisungsvorrichtung zum Zuweisen des Besuchervektors zu einem ersten der Rückpfaddatenhaushalte basierend auf entsprechenden Wahrscheinlichkeiten, dass entsprechende der Rückpfaddatenhaushalte mindestens einen Besucher umfassen, wobei die Wahrscheinlichkeiten auf den Forumdaten basieren.
  5. Demografieschätzsystem nach Anspruch 4, wobei die erste Anzahl von Besuchern basierend auf einer Wahrscheinlichkeit ausgewählt ist, dass ein Prozentsatz der Rückpfaddatenhaushalte die erste Anzahl von Besuchern aufweist, wobei die Wahrscheinlichkeit, dass der Prozentsatz der Rückpfaddatenhaushalte die erste Anzahl von Besuchern aufweist, auf Forumdaten basiert.
  6. Demografieschätzsystem nach Anspruch 1, wobei die Besucherzuweisungsengine einen Besucherdemografieverteilungsrechner umfasst, um basierend auf den Forumdaten entsprechende Prozentsätze von Besuchern in einer von der einen oder den mehreren Demografiekategorien zu bestimmen.
  7. Demografieschätzsystem nach Anspruch 1, wobei die Besucherzuweisungsengine einen Besucherhaushaltsverteilungsrechner umfasst, um entsprechende Prozentsätze der Rückpfaddatenhaushalte mit entsprechenden Anzahlen von Besuchern zu bestimmen.
  8. Mindestens ein nicht flüchtiges computerlesbares Medium, das Anweisungen umfasst, die bei Ausführung den mindestens einen Prozessor zu mindestens Folgendem veranlassen: Erzeugen von Funktionen aus Rückpfaddaten (RPD), die von Set-Top-Boxen gemeldet werden, die mit Rückpfaddatenhaushalten verknüpft sind, Verarbeiten der aus den Rückpfaddaten erzeugten Merkmale, um Demografieklassifikationswahrscheinlichkeiten für die Rückpfaddatenhaushalte vorherzusagen, wobei der zu trainierende Prozess auf Forumdaten basiert, die von Messvorrichtungen gemeldet werden, die Medienvorrichtungen überwachen, die mit Teilnehmerhaushalten verknüpft sind; Zuweisen von einer oder mehreren Demografiekategorien zu entsprechenden der Rückpfaddatenhaushalte basierend auf den vorhergesagten Demografieklassifikationswahrscheinlichkeiten; und Zuweisen von virtuellen Besuchern zu mindestens einer Teilmenge der entsprechenden der Rückpfaddatenhaushalte basierend auf der einen oder den mehreren Demografiekategorien, die den entsprechenden der Rückpfaddatenhaushalte zugewiesen sind.
  9. Mindestens ein nicht flüchtiges computerlesbares Medium nach Anspruch 8, wobei die Anweisungen bei Ausführung mindestens einen Prozessor veranlassen, Demografieziele zu aktualisieren, um die Anwesenheit von Besuchern zu berücksichtigen.
  10. Mindestens ein nicht flüchtiges computerlesbares Medium nach Anspruch 9, wobei die Anweisungen bei Ausführung den mindestens einen Prozessor veranlassen, Skalenfaktoren auf entsprechende Demografieziele anzuwenden, um Demografieziele zu aktualisieren und die Anwesenheit von Besuchern zu berücksichtigen.
  11. Mindestens ein nicht flüchtiges computerlesbares Medium nach Anspruch 8, wobei die Anweisungen bei Ausführung mindestens einen Prozessor zu Folgendem veranlassen: Erzeugen eines Besuchervektors, der eine erste Anzahl von Besuchern enthält; und Zuweisen des Besuchervektors zu einem ersten der Rückpfaddatenhaushalte basierend auf entsprechenden Wahrscheinlichkeiten, dass entsprechende der Rückpfaddatenhaushalte mindestens einen Besucher umfassen, wobei die Wahrscheinlichkeiten auf den Forumdaten basieren.
  12. Mindestens ein nicht flüchtiges computerlesbares Medium nach Anspruch 11, wobei die erste Anzahl von Besuchern basierend auf einer Wahrscheinlichkeit ausgewählt ist, dass ein Prozentsatz der Rückpfaddatenhaushalte die erste Anzahl von Besuchern aufweist, wobei die Wahrscheinlichkeit, dass der Prozentsatz der Rückpfaddatenhaushalte die erste Anzahl von Besuchern aufweist, auf Forumdaten basiert.
  13. Mindestens ein nicht flüchtiges computerlesbares Medium nach Anspruch 8, wobei die Anweisung bei Ausführung mindestens einen Prozessor veranlasst, basierend auf den Forumdaten entsprechende Prozentsätze von Besuchern in einer von der einen oder den mehreren Demografiekategorien zu bestimmen.
  14. Mindestens ein nicht flüchtiges computerlesbares Medium nach Anspruch 8, wobei die Anweisung bei Ausführung mindestens einen Prozessor veranlasst, entsprechende Prozentsätze der Rückpfaddatenhaushalte mit entsprechenden Anzahlen von Besuchern zu bestimmen.
  15. System zum Schätzen von Demografien von Haushalten mit Besuchern, wobei das System umfasst: Mittel zum Erzeugen von Merkmalen aus Rückpfaddaten (RPD), die von Set-Top-Boxen gemeldet werden, die mit Rückpfaddatenhaushalten verknüpft sind; ein Mittel zum Verarbeiten der aus den Rückpfaddaten erzeugten Merkmale, um Demografieklassifikationswahrscheinlichkeiten für die Rückpfaddatenhaushalte vorherzusagen, wobei das Mittel zum Verarbeiten basierend auf Forumdaten trainiert werden soll, die von Messvorrichtungen gemeldet werden, die Medienvorrichtungen überwachen, die mit Teilnehmerhaushalten verknüpft sind; erste Mittel zum Zuweisen von einer oder mehreren Demografiekategorien zu entsprechenden der Rückpfaddatenhaushalte basierend auf den vorhergesagten Demografieklassifikationswahrscheinlichkeiten; und zweite Mittel zum Zuweisen von virtuellen Besuchern zu mindestens einer Teilmenge der entsprechenden der Rückpfaddatenhaushalte basierend auf der einen oder den mehreren Demografiekategorien, die den entsprechenden der Rückpfaddatenhaushalte zugewiesen sind.
  16. System nach Anspruch 15, ferner umfassend ein Mittel zum Aktualisieren von Demografiezielen, um die Anwesenheit von Besuchern zu berücksichtigen.
  17. System nach Anspruch 16, wobei das Mittel zum Aktualisieren von Demografiezielen, um die Anwesenheit von Besuchern zu berücksichtigen, das Anwenden von Skalenfaktoren auf entsprechende der Demografieziele umfasst.
  18. System nach Anspruch 15, wobei die zweiten Mittel zum Zuweisen virtueller Besucher umfassen: Mittel zum Erzeugen eines Besuchervektors, der eine erste Anzahl von Besuchern enthält; und Mittel zum Zuweisen des Besuchervektors zu einem ersten der Rückpfaddatenhaushalte basierend auf entsprechenden Wahrscheinlichkeiten, dass entsprechende der Rückpfaddatenhaushalte mindestens einen Besucher umfassen, wobei die Wahrscheinlichkeiten auf den Forumdaten basieren.
  19. System nach Anspruch 18, wobei die erste Anzahl von Besuchern basierend auf einer Wahrscheinlichkeit ausgewählt wird, dass ein Prozentsatz der Rückpfaddatenhaushalte die erste Anzahl von Besuchern aufweist, wobei die Wahrscheinlichkeit, dass der Prozentsatz der Rückpfaddatenhaushalte die erste Anzahl von Besuchern aufweist, auf Forumdaten basiert.
  20. System nach Anspruch 15, wobei die zweiten Mittel zum Zuweisen virtueller Besucher Mittel zum Bestimmen, basierend auf den Forumdaten, entsprechender Prozentsätze von Besuchern in einer von der einen oder den mehreren Demografiekategorien umfasst.
  21. System nach Anspruch 15, wobei die zweiten Mittel zum Zuweisen virtueller Besucher Mittel zum Bestimmen entsprechender Prozentsätze der Rückpfaddatenhaushalte mit entsprechenden Anzahlen von Besuchern umfassen.
DE202020006119.0U 2019-05-01 2020-04-30 Neuronale Netzwerkverarbeitung von Rückpfaddaten zur Schätzung der Demografie von Haushaltsmitgliedern und Besuchern Active DE202020006119U1 (de)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
US201962841641P 2019-05-01 2019-05-01
US62/841,641 2019-05-01
US16/706,398 US20200226465A1 (en) 2018-10-10 2019-12-06 Neural network processing of return path data to estimate household member and visitor demographics
US16/706,398 2019-12-06

Publications (1)

Publication Number Publication Date
DE202020006119U1 true DE202020006119U1 (de) 2025-05-22

Family

ID=73029468

Family Applications (1)

Application Number Title Priority Date Filing Date
DE202020006119.0U Active DE202020006119U1 (de) 2019-05-01 2020-04-30 Neuronale Netzwerkverarbeitung von Rückpfaddaten zur Schätzung der Demografie von Haushaltsmitgliedern und Besuchern

Country Status (4)

Country Link
EP (1) EP3963894A4 (de)
CN (1) CN113785595B (de)
DE (1) DE202020006119U1 (de)
WO (1) WO2020223505A1 (de)

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2008150575A2 (en) * 2007-05-31 2008-12-11 The Nielsen Company Methods and apparatus to model set-top box data
EP2350948A1 (de) * 2008-10-28 2011-08-03 Norwell SA Publikum-messsystem
WO2013078640A1 (en) * 2011-11-30 2013-06-06 Google Inc. Estimating user demographics
US9111231B2 (en) * 2012-09-28 2015-08-18 Google Inc. Associating a web session with a household member
US20160165277A1 (en) * 2013-03-15 2016-06-09 Google Inc. Media metrics estimation from large population data
US9697533B2 (en) * 2013-04-17 2017-07-04 The Nielsen Company (Us), Llc Methods and apparatus to monitor media presentations
CN105450678B (zh) * 2014-07-09 2018-12-21 阿里巴巴集团控股有限公司 一种信息确认方法及装置
US10045082B2 (en) * 2015-07-02 2018-08-07 The Nielsen Company (Us), Llc Methods and apparatus to correct errors in audience measurements for media accessed using over-the-top devices
US9848224B2 (en) * 2015-08-27 2017-12-19 The Nielsen Company(Us), Llc Methods and apparatus to estimate demographics of a household
JP7127131B2 (ja) * 2017-12-27 2022-08-29 ロヴィ ガイズ， インコーポレイテッド 音声データおよびメディア消費データに基づいてユーザを識別するためのシステムおよび方法

Also Published As

Publication number Publication date
WO2020223505A1 (en) 2020-11-05
CN113785595B (zh) 2024-07-23
EP3963894A4 (de) 2023-01-25
CN113785595A (zh) 2021-12-10
WO2020223505A9 (en) 2022-04-21
EP3963894A1 (de) 2022-03-09

Similar Documents

Publication Publication Date Title
Desmond et al. Women are on, but not in, the news: Gender roles in local television news
Dex et al. Freelance workers and contract uncertainty: the effects of contractual changes in the television industry
García Avilés et al. Journalists at digital television newsrooms in Britain and Spain: workflow and multi‐skilling in a competitive environment
KR102782723B1 (ko) 가구 인구통계를 추정하기 위한 리턴 패스 데이터의 신경망 처리
DE202014011625U1 (de) Vorrichtung und System zur Kompensation von Impressionsdaten für Fehlzuordnung und/oder Nichtabdeckung durch einen Datenbankeigentümer
US20200074502A1 (en) Advertisement space optimization system and advertisement space optimization method for broadcast media such as television
US20200226465A1 (en) Neural network processing of return path data to estimate household member and visitor demographics
DE112020000091T5 (de) Systeme und Verfahren zur Wahrung der Privatsphäre durch Bestimmung der Schnittstellen von Sätzen von Benutzererkennungen
DE202012100189U1 (de) Detektion von kreativen Werken auf Ausstrahlungsmedien
EP3676720A1 (de) System und verfahren zur inhaltserkennung
DE202014011539U1 (de) System zum verteilten Verarbeiten in einer Nachrichtenübermittlungsplattform
DE202013100036U1 (de) Bildverarbeitungsvorrichtung und Bildverarbeitungssystem
DE202017104849U1 (de) Systeme und Medien zum Darstellen einer Benutzerschnittstelle, die für eine vorhergesagte Benutzeraktivität kundenspezifisch ist
Byrne Testing models of differentiated products markets: Consolidation in the cable tv industry
DE202017100386U1 (de) Latenzreduzierung bei der feedbackbasierten Ermittlung einer Systemperformance
DE202020006021U1 (de) Systeme und Vorrichtungen zur Schätzung von Zensusebenen-Publikum, -Impressionen und -Verweildauern über demografische Gruppen hinweg
EP2701115A1 (de) Verfahren und System zur Live-Video-Beratung
DE112018000141B4 (de) Intelligente Einfügung von sekundärem Inhalt in Live-Streaming
DE212017000296U1 (de) Vorhersagen von Unterbrechungsdauern in Inhaltsströmen
US12177503B2 (en) Predictive measurement of end-user consumption of scheduled multimedia transmissions
DE202020006119U1 (de) Neuronale Netzwerkverarbeitung von Rückpfaddaten zur Schätzung der Demografie von Haushaltsmitgliedern und Besuchern
DE102022121029A1 (de) Verfahren und einrichtungen zum durchführen von lese- und schreibvorgängen von modifizierten bereichen, um die speicherbandbreitennutzung zu reduzieren
DE102022129924A1 (de) Inhaltsfidelitätsanpassung basierend auf benutzerinteraktion
DE102017008914A1 (de) Kombinierte Interaktionsüberwachung für Medieninhaltgruppen auf soziale Medien-Diensten
DE102025105500A1 (de) Dynamische schichtpartitionierung für inkrementelles training von neuronalen strahlungsfeldern

Legal Events

Date Code Title Description
R150 Utility model maintained after payment of first maintenance fee after three years
R207 Utility model specification