CN103218726A - 一种信息项推荐方法及系统 - Google Patents

Abstract

本发明提供了一种信息项推荐方法，包括：确定信息项全集中的第一信息项；获得表征所述第一信息项与第一信息项集合中每个信息项的相关度的第一因素值，其中，所述第一信息项集合属于所述信息项全集，且不包括所述第一信息项；获得表征所述第一信息项对所述第一信息项集合中的每个信息项的影响度的第二因素值；依据所述第一因素值和所述第二因素值，从所述第一信息项集合中确定第二信息项集合；显示所述第二信息项集合中的至少一个信息项。本发明实施例提供的信息项推荐方法及系统，为用户推荐相关联信息项的关联程度高，推荐的信息项更符合用户的需求，且推荐的准确率高。

Description

一种信息项推荐方法及系统

技术领域

本申请涉及网络数据处理领域，特别涉及一种信息项推荐方法及系统。

背景技术

随着网络科技的发展，人们越来越多的通过网络进行日常生活信息的获取。如应用网络访问网站，了解感兴趣的社会信息；或应用网络进行网络购物，购买日常所需的生活用品等。在网络应用中，用户经常访问的网站以及用户所需要点击的物品等统称为信息项。

用户在访问信息项时，为了让用户在访问自己感兴趣的信息项的同时，还能够看到与用户感兴趣的信息项相关联的其它信息项，网站一般会依据某种规则对与用户感兴趣的信息项相关联的其它信息项向用户进行推荐。

现有的推荐方式，一般采用置信度规则对相关信息项进行推荐，即在已知用户访问某一信息项时，同时访问另一信息项的概率，使用该概率对其它信息项进行排序推荐。这种推荐方式中，推荐的信息项往往是较为流行的信息项，这些信息项通常在各种推荐中都可以直接看到，其中的多数信息项与用户当前访问的信息项的关联度不高，对用户的推荐准确率低。

发明内容

本申请所要解决的技术问题是提供一种信息项推荐方法，用以解决现有技术中在用户访问某一信息项时为用户推荐的其它信息项与用户当前访问的信息项关联度不高、对用户的推荐准确率低的问题。

本申请还提供了一种信息项推荐系统，用以保证上述方法在实际中的实现及应用。

为了解决上述问题，本申请公开了一种信息项推荐方法，包括：

确定信息项全集中的第一信息项；

获得表征所述第一信息项与第一信息项集合中每个信息项的相关度的第一因素值，其中，所述第一信息项集合属于所述信息项全集，且不包括所述第一信息项；

获得表征所述第一信息项对所述第一信息项集合中的每个信息项的影响度的第二因素值；

依据所述第一因素值和所述第二因素值，从所述第一信息项集合中确定第二信息项集合；

显示所述第二信息项集合中的至少一个信息项。

上述的方法，优选的，所述获得第一因素值和第二因素值包括：

获得表征所述信息项全集中全部信息项总应用值的第一参数、表征所述第一信息项应用值的第二参数、表征所述第一信息项与所述第一信息项集合中每个信息项相关联应用的第三参数及表征所述第一信息项集合中各个信息项各自应用值的第四参数；

依据所述第二参数及所述第三参数获得所述第一因素值；

依据所述第一参数、第四参数及所述第一因素值获得所述第二因素值。

上述的方法，优选的，所述依据第二参数及第三参数获得所述第一因素值包括：

将所述第二参数及所述第三参数代入公式P1＝A3/A2；

其中：P1为第一因素值；

A2为第二参数；

A3为第三参数。

上述的方法，优选的，所述依据第一参数、第四参数及所述第一因素值获得所述第二因素值包括：

将所述第一参数、第四参数及所述第一因素值代入公式S1＝P1/(A4/A1)；

其中：S1为第二因素值；

P1为第一因素值；

A4为第四参数；

A1为第一参数。

上述的方法，优选的，所述依据第一因素值和第二因素值，从所述第一信息项集合中确定第二信息项集合包括：

平衡所述第一因素值及所述第二因素值，获得所述第一信息项集合中各个信息项相对于所述第一信息项的推荐值；

依据所述推荐值从所述第一信息项集合中确定第二信息项集合。

上述的方法，优选的，所述平衡第一因素值及所述第二因素值，获得所述推荐值的过程包括：

将第一因素值P1、第一参数A1及第四参数A4代入公式：

$\mathrm{score}=\frac{P1}{{\left(\frac{c+A4}{A1}\right)}^{\mathrm{\α}}}$

其中：

score为推荐值；c为应用常量，取任意非负值；

0≤α≤1。

当α取值为0时，所述score表示第一因素值；

当α取值为1，c取值为0，时，所述score表示第二因素值。

上述的方法，优选的，所述显示第二信息项集合中的至少一个信息项包括：

依据所述第二信息项集合中各个信息项相对于所述第一信息项的推荐值的大小对所述第二信息项集合中的至少一个信息项进行显示。

一种信息项推荐系统，包括：

第一确定单元，用于确定信息项全集中的第一信息项；

第一获得单元，用于获得表征所述第一信息项与第一信息项集合的每个信息项的相关度的第一因素值；其中，所述第一信息项集合属于所述信息项全集，且不包括所述第一信息项；

第二获得单元，用于获得表征所述第一信息项对所述第一信息项集合中的每个信息项的影响度的第二因素值；

第二确定单元，用于依据所述第一因素值和所述第二因素值，从所述第一信息项集合中确定第二信息项集合；

显示单元，用于显示所述第二信息项集合中的至少一个信息项。

上述的方法，优选的，所述第二确定单元包括：

平衡子单元，用于平衡所述第一因素值及所述第二因素值，获得所述第一信息项集合中各个信息项相对于所述第一信息项的推荐值。

上述的方法，优选的，所述显示单元包括：

比较子单元，用于比较所述第二信息项集合中各个信息项相对于所述第一信息项的推荐值的大小。

与现有技术相比，本申请包括以下优点：

在本申请中，首先确定用户当前访问的信息项全集中的第一信息项；所述第一信息项即用户当前访问的信息项；然后，获得表征所述第一信息项与所述第一信息项集合中每个信息项的相关度的第一因素值，其中，所述第一信息项集合属于所述信息项全集，且不包括所述第一信息项；同时，获得表征所述第一信息项对所述第一信息项集合中的每个信息项的影响度的第二因素值；依据所述第一因素值和所述第二因素值，从所述第一信息项集合中确定第二信息项集合；显示所述第二信息项集合中的至少一个信息项。

所述第二信息项集合中的信息项即与用户访问的当前信息项存在关联关系的，用户可能感兴趣的信息项；依据获得两个因素值：第一因素值和第二因素值，从所述第二信息项集合中确定与用户访问的当前信息项关联度高的信息项，并推荐给用户。

本申请实施例提供的信息项推荐方法及系统，为用户推荐相关联信息项的关联程度高，推荐的信息项更符合用户的需求，且推荐的准确率高。

当然，实施本申请的任一产品并不一定需要同时达到以上所述的所有优点。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本申请的一种信息项推荐方法实施例1的流程图；

图2是本申请的一种信息项推荐方法实施例1中的一具体流程图；

图3是本申请的一种信息项推荐方法实施例1中的一具体流程图；

图4是本申请的一种信息项推荐系统实施例1的结构框图；

图5是本申请的一种信息项推荐系统实施例2的结构框图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

本申请可用于众多通用或专用的计算装置环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器装置、包括以上任何装置或设备的分布式计算环境等等。

本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

参考图1，示出了本申请一种信息项推荐方法实施例1的流程图，可以包括以下步骤：

步骤S101：确定信息项全集中的第一信息项；

所述信息项全集是指用户所访问的网站项目，或用户访问某一购物网站时，所述购物网站中的全部商品。

确定所述信息项全集中的第一信息项是指，确定用户当前访问的网站页面，或用户购买物品时，用户当前已购买的物品；其中上述用户当前访问的网站页面或用户当前已购买的物品为用户当前访问的第一信息项。

步骤S102：获得表征所述第一信息项与第一信息项集合中每个信息项的相关度的第一因素值，其中，所述第一信息项集合属于所述信息项全集，且不包括所述第一信息项；

所述第一信息项集合可以为信息项全集中去掉第一信息项的集合，也可以是有关联度的集合。

本申请实施例中所获得的表征第一信息项与第一信息项集合中的每个信息项的相关度的第一因素值可采用置信度值；置信度的定义为：

conf(X-＞Y)＝supp(X∩Y)/supp(X)＝P(Y|X)

即如在用户访问某购物网站时，对上述公式的应用为已经买了物品A和物品B的支持度和经过挖掘的某规则中A的支持度的比例。即同时买了物品A和B的人和已经买了A的人的比例，就是对A推荐B的置信度。

本申请实施例中，在确定用户访问的第一信息项时，获得所述第一信息项与所述第一信息项集合中每个信息项的相关度的值；假设确定的用户当前访问的第一信息项为a，则所述第一因素值为对a推荐所述第一信息项集合中每个信息项的置信度值。

步骤S103：获得表征所述第一信息项对所述第一信息项集合中的每个信息项的影响度的第二因素值；

本申请实施例中获得的表征第一信息项与第一信息项集合中的每个信息项的影响度的第二因素值可采用提升度值；提升度(lift)的定义为：

lift(X-＞Y)＝lift(Y-＞X)＝conf(X-＞Y)/supp(Y)＝conf(Y-＞X)/supp(X)＝P(X∩Y)/(P(X)P(Y))

上述公式的含义为经过关联规则的分析后，针对某规则推荐比盲目推荐的比率。

将设确定的用户当前访问的第一信息项为a，则所述第二因素值为在用户已经访问a的前提下，对所述第一信息项集合中每个信息项访问几率的提升度值。

为了更加详尽的对上述获得第一因素值和第二因素值的过程进行描述；本申请实施例1提供的一种信息项推荐方法的一具体流程图如图2所示，包括：

步骤S201：获得表征所述信息项全集中全部信息项总应用值的第一参数、表征所述第一信息项应用值的第二参数、表征所述第一信息项与所述第一信息项集合中每个信息项相关联应用的第三参数及表征所述第一信息项集合中各个信息项各自应用值的第四参数；

第一参数值即信息项全集中全部信息项的总应用值，即如用户访问某一购物网站，所述第一参数值为所述购物网站中全部产品的总的购买率。

第二参数值为用户当前访问的第一信息项的应用值，即用户当前购买产品的购买率。

第三参数值为表征第一信息项与第一信息项集合中每个信息项同时出现的购买率；即对用户同时购买当前产品和购物网站中另一产品的购买率；

第四参数为所述第一信息项集合中各个信息项的各自应用值；即购物网站中除用户当前欲购买产品之外的其它产品的购买率。

步骤S202：依据所述第二参数及所述第三参数获得所述第一因素值；

本申请实施例中依据第二参数及所述第三参数获得所述第一因素值的过程如下：

将所述第二参数及所述第三参数代入公式P1＝A3/A2；

其中：P1为第一因素值；

A2为第二参数；

A3为第三参数。

其中公式P1＝A3/A2为置信度公式；

步骤S203：依据所述第一参数、第四参数及所述第一因素值获得所述第二因素值；

依据第一参数、第四参数及所述第一因素值获得所述第二因素值如下：

将所述第一参数、第四参数及所述第一因素值代入公式S1＝P1/(A4/A1)；

其中：S1为第二因素值；

P1为第一因素值；

A4为第四参数；

A1为第一参数；

其中公式S1＝P1/(A4/A1)可为提升度公式。

步骤S104：依据所述第一因素值和所述第二因素值，从所述第一信息项集合中确定第二信息项集合；

本申请实施例中提供的确定第二信息项集合的方法流程图如图3所示，包括：

步骤S301：平衡所述第一因素值及所述第二因素值，获得所述第一信息项集合中各个信息项相对于所述第一信息项的推荐值；

将第一因素值P1、第一参数A1及第四参数A4代入公式：

$\mathrm{score}=\frac{P1}{{\left(\frac{c+A4}{A1}\right)}^{\mathrm{\α}}}$

其中：

score为推荐值；c为应用常量，取任意非负值；

0≤α≤1。

当α取值为0时，所述score表示第一因素值；

当α取值为1，c取值为0，时，所述score表示第二因素值。

本申请实施例中，同时依据第一因素值与第二因素值在用户访问某一信息项时对与用户当前访问信息项相关联的其它信息项进行推荐，为了提升推荐的准确率，对第一因素值与第二因素值的获取过程进行平衡，平衡获得对用户推荐项的推荐值。

以下以一具体实例对上述推荐值的获取过程进行描述：

以用户访问某一具体网站的访问过程为例：上述推荐值公式表示用户访问信息项A时，对于另一个信息项A’的推荐分值计算。其中分子P1＝P(A’|A)是已知信息项A的情况下对于信息项A’的置信度(条件概率)，等于count(A’，A)/count(A)，即信息项A’和信息项A被同时(在同一个session内，或者被同一个用户)访问的次数除以A被访问的次数。分母的括号内计算在不考虑c时，即count(A’)/∑count(Ai)是P(A’)，即在所有信息项中信息项A’被访问的概率，即该应用的流行度。加上c的作用是为了平滑低流行度的应用，而括号外边指数上的α为调节置信度和提升度平衡的主要参数。α为0时，公式退化为置信度(即只有分子)，而α取1时，如果c为0则成为提升度的计算公式。正常情况下α取0和1之间的一个值。

通过以上的推荐值获取过程可以对第一因素值和第二因素值进行有效平衡，使获得的推荐项更加准确，更能够符合用户的需求。

步骤S302：依据所述推荐值从所述第一信息项集合中确定第二信息项集合；

获取到第一信息项中各个信息项的推荐值后，依据第一信息项集合中各个信息项推荐值的大小依据预设的规则在所述第一信息项集合中确定第二信息项集合。

所述预设的规则可为预设推荐的个数，如设定推荐的个数为10个，则选取所述第一信息项集合中推荐值由大到小的前10个推荐项组成第二信息项集合。

步骤S105：显示所述第二信息项集合中的至少一个信息项。

依据所述第二信息项集合中各个信息项相对于所述第一信息项的推荐值的大小对所述第二信息项集合中的至少一个信息项进行显示。

本申请实施例中，依据所述第二信息项中各个信息项推荐值的大小顺序对其进行显示；显示方式有多种，在第二信息项集合中信息项的数量较多时，采用部分显示的方式进行显示，将推荐值较高的推荐项优先显示；也可采用分页式的形式进行显示，由用户进行点击翻页，选择用户感兴趣的信息项。

本申请实施例提供的信息项推荐方法，有多种应用方式，当用户访问某一信息网站时，可从用户对该网站的访问记录中提取用户的历史访问数据；对用户访问的历史数据进行划分；然后应用本申请实施例提供的上述方法专门针对用户的历史访问数据进行分析，从而基于用户的历史访问数据分析出用户感兴趣的其他数据，向用户进行推荐。

本申请实施例中提供一具体实施例对信息项进行推荐的详细描述：

假设对于某一购物网站，购物网站中包含了多种商品，对于其历史购买记录中，共有1000人在所述购物网站中购买了商品；其中有100人购买了商品A，50人购买了商品B，25人购买了商品C.....，此外，同时购买过商品A与商品B的共有10人，同时购买过商品A和商品C的共有1人；当第1001位购物者在所述购物网站购买商品A时，对购买了商品A的第1001位购物者优先推荐商品B还是商品C的过程如下：

上述数字中在网站中购买过商品的1000人为表征信息项全集中全部信息项总应用值的第一参数；

首先计算对商品A推荐商品B的置信度：

A-B的置信度：10％；

I)10/100＝10％，即购买商品A的人中购买商品B的可能性；

A-B的提升度：200％；

II)50/1000＝5％，商品B的购买概率；

III)10％/5％＝200％；

对A-B的置信度及A-B的提升度进行平衡处理，将A-B中所涉及的各个数据代入公式 $\mathrm{score}=\frac{P1}{{\left(\frac{c+A4}{A1}\right)}^{\mathrm{\α}}};$

选择预设范围内的c及α值；获得商品B相对于商品A的推荐值x；

同样的计算过程对于商品C：

A-C的置信度：1％；

1/100＝1％，即购买商品A的人中购买商品C的可能性；

A-C的提升度：40％；

25/1000＝2.5％，商品C的购买概率

1％/2.5％＝40％；

对A-C的置信度及A-C的提升度进行平衡处理，将A-C中所涉及的各个数据代入公式 $\mathrm{score}=\frac{P1}{{\left(\frac{c+A4}{A1}\right)}^{\mathrm{\α}}}$

其中选择的c及α值为上述A-B中在预设范围内选定的值，获得商品C相对于商品A的推荐值y；

比较x和y的大小，将其中较大的所对应的商品优先推荐给第1001位购买者，当他访问或购买A时。

本申请实施例中综合了两种推荐标准，能够更加准确的为购买者进行商品的推荐，更好的满足购买者的需求。

而现有的一些购物网站，只采用置信度规则或提升度规则对商品进行推荐：

在只采用置信度规则进行商品推荐时，在已知购买者购买了某商品时，同时购买其它商品的概率，依据购买的概率对各个商品进行排序推荐。而这种推荐过程中，往往推荐结果中比较流行的商品占主体，如用户访问一电子网站，购买一款相机；而该电子网站中笔记本电脑的销售量是最多的。所以在推荐过程中很多情况下会在购买者购买相机的同时向购买者推荐笔记本电脑，而与相机相关的相应存储卡等商品的推荐相应的排在所述笔记本电脑的后面，不能直接反映用户的需求。

在采用提升度规则进行商品推荐时，在已知购买者购买了某商品时，对购买另一商品的提升比率。而仅考虑提升度时，忽略了推荐商品本身是否受顾客欢迎，不能体现推荐商品本身的内在价值，推荐的商品也存在不是用户所需求的情况。

本申请实施例中给出一综合置信度与提升度的规则，既能体现推荐商品与用户已购买商品的相关联程度又能体现推荐商品的自身价值。当够购买者在购买了一商品，针对该商品进行其它商品的推荐时，首先基于其它商品与该商品的关联关系，然后基于推荐商品的自身价值进行推荐；使推荐过程更加准确，更能够满足用户的需求。

对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本申请所必须的。

与上述本申请一种信息项推荐方法实施例1所提供的方法相对应，参见图4，本申请还提供了一种信息项推荐系统实施例1，在本实施例中，该系统可以包括：

第一确定单元401、第一获得单元402、第二获得单元403、第二确定单元404和显示单元405；

其中：

第一确定单元401用于确定信息项全集中的第一信息项；

第二获得单元402用户获得表征第一信息项与第一信息项集合的每个信息项的相关度的第一因素值；其中：所述第一信息项集合属于所述信息项全集，且不包括所述第一信息项；

第二获得单元403用于获得表征所述第一信息项对所述第一信息项集合中确定第二信息项集合；

第二确定单元404用于依据所述第一因素值和所述第二因素值，从所述第一信息项集合中确定第二信息项集合；

显示单元405用于显示所述第二信息项集合中的至少一个信息项。

在图4的基础上，本申请还提供了一种信息项推荐系统的实施例2，其结构示意图如图5所示：

第二确定单元404中包括平衡子单元406；

所述平衡子单元406用于平衡所述第一因素值及所述第二因素值，获得所述第一信息项集合中各个信息项相对于所述第一信息项的推荐值。

显示单元405中包括比较子单元407；

所述比较子单元407用于比较所述第二信息项集合中各个信息项相对于所述第一信息项的推荐值的大小。

需要说明的是，本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。对于装置类实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个......”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。

通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本申请可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例或者实施例的某些部分所述的方法。

以上对本申请所提供的一种检索方法、装置及系统进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。

Claims (10)

1.一种信息项推荐方法，其特征在于，包括：

确定信息项全集中的第一信息项；

获得表征所述第一信息项与第一信息项集合中每个信息项的相关度的第一因素值，其中，所述第一信息项集合属于所述信息项全集，且不包括所述第一信息项；

获得表征所述第一信息项对所述第一信息项集合中的每个信息项的影响度的第二因素值；

依据所述第一因素值和所述第二因素值，从所述第一信息项集合中确定第二信息项集合；

显示所述第二信息项集合中的至少一个信息项。

2.根据权利要求1所述的方法，其特征在于，所述获得第一因素值和第二因素值包括：

获得表征所述信息项全集中全部信息项总应用值的第一参数、表征所述第一信息项应用值的第二参数、表征所述第一信息项与所述第一信息项集合中每个信息项相关联应用的第三参数及表征所述第一信息项集合中各个信息项各自应用值的第四参数；

依据所述第二参数及所述第三参数获得所述第一因素值；

依据所述第一参数、第四参数及所述第一因素值获得所述第二因素值。

3.根据权利要求2所述的方法，其特征在于，所述依据第二参数及第三参数获得所述第一因素值包括：

将所述第二参数及所述第三参数代入公式P1＝A3/A2；

其中：P1为第一因素值；

A2为第二参数；

A3为第三参数。

4.根据权利要求3所述的方法，其特征在于，所述依据第一参数、第四参数及所述第一因素值获得所述第二因素值包括：

将所述第一参数、第四参数及所述第一因素值代入公式S1＝P1/(A4/A1)；

其中：S1为第二因素值；

P1为第一因素值；

A4为第四参数；

A1为第一参数。

5.根据权利要求1或4所述的方法，其特征在于，所述依据第一因素值和第二因素值，从所述第一信息项集合中确定第二信息项集合包括：

平衡所述第一因素值及所述第二因素值，获得所述第一信息项集合中各个信息项相对于所述第一信息项的推荐值；

依据所述推荐值从所述第一信息项集合中确定第二信息项集合。

6.根据权利要求5所述的方法，其特征在于，所述平衡第一因素值及所述第二因素值，获得所述推荐值的过程包括：

将第一因素值P1、第一参数A1及第四参数A4代入公式：

$\mathrm{score}=\frac{P1}{{\left(\frac{c+A4}{A1}\right)}^{\mathrm{\α}}}$

其中：

score为推荐值；c为应用常量，取任意非负值；

0≤α≤1

当α取值为0时，所述score表示第一因素值；

当α取值为1，c取值为0，时，所述score表示第二因素值。

7.根据权利要求6所述的方法，其特征在于，所述显示第二信息项集合中的至少一个信息项包括：

依据所述第二信息项集合中各个信息项相对于所述第一信息项的推荐值的大小对所述第二信息项集合中的至少一个信息项进行显示。

8.一种信息项推荐系统，其特征在于，包括：

第一确定单元，用于确定信息项全集中的第一信息项；

第一获得单元，用于获得表征所述第一信息项与第一信息项集合的每个信息项的相关度的第一因素值；其中，所述第一信息项集合属于所述信息项全集，且不包括所述第一信息项；

第二获得单元，用于获得表征所述第一信息项对所述第一信息项集合中的每个信息项的影响度的第二因素值；

第二确定单元，用于依据所述第一因素值和所述第二因素值，从所述第一信息项集合中确定第二信息项集合；

显示单元，用于显示所述第二信息项集合中的至少一个信息项。

9.根据权利要求8所述的方法，其特征在于，所述第二确定单元包括：

平衡子单元，用于平衡所述第一因素值及所述第二因素值，获得所述第一信息项集合中各个信息项相对于所述第一信息项的推荐值。

10.根据权利要求8所述的方法，其特征在于，所述显示单元包括：

比较子单元，用于比较所述第二信息项集合中各个信息项相对于所述第一信息项的推荐值的大小。

Images