CN103246980A - 信息输出方法及服务器 - Google Patents

Abstract

本申请涉及一种信息输出方法及服务器，该方法包括：接收第一商品标识信息，在商品信息关联数据库中查询与所述第一商品标识信息关联的第二商品标识信息，将第二商品标识信息所标识的商品数据信息输出至接收终端；或者接收用户标识信息，在商品信息关联数据库中查询与所述用户标识信息关联的第一商品数据信息，将第一商品数据信息输出至接收终端。本申请实现了与具有第一商品标识信息的商品在同一个行业的商品的推荐，也实现了跨行业的商品的推荐，提高了商品信息推荐的准备性，减少了用户的搜索时间，减轻了相关服务器的访问负担。

Description

信息输出方法及服务器

技术领域

本申请涉及服务器信息输出领域，尤其涉及一种信息输出方法及服务器。

背景技术

随着互联网的快速发展，电子商务在商业领域中所处的地位也越来越重要，电子商务迅速发展的同时，也造成了信息的过载，这使得用户经常难以找到自己满意的商品。为了解决这个问题，电子商务信息推荐系统应运而生。作为电子商务的一种重要工具，推荐系统帮助消费者在海量的商品信息中得到有价值的推荐商品信息，并相应地在提高了销售业绩，因此在电子商务中具有良好的应用前景。所谓推荐，就是从复杂的系统或商品中，为用户选择出适合用户的、并且用户喜欢的信息或商品。

现有的商品推荐方法主要基于协同过滤算法实现，其中心思想是：计算商品之间的相似度或者用户之间的相似度，如果其他邻居用户与他有着相近的喜好，那么邻居用户喜欢的商品，该用户也有可能喜欢；如果用户喜欢某件商品，那么与该商品相近的商品，该用户也可能喜欢。

现有技术下，基于协同过滤算法计算用户之间的相似度来推荐商品的具体方法是：寻找与目标用户兴趣爱好相似的邻居用户，然后通过邻居用户的兴趣信息来计算目标用户对某个商品信息的预测评分，基于内存的系统过滤算法使用整个用户-项目数据库进行预测，根据预测分值，为用户推荐相应的商品。其中，邻居用户是通过判断与目标用户的喜好相似程度而识别出的用户群体。但是，现有的基于协同过滤商品推荐方法存在三个问题：1)该方法需要构建用户评分数据集，目前很多购物网站的评分数据质量存在问题，需要通过数据预处理的方式得到用户评分数据集；2)很多购物网站的商品按照类目处理商品，不同类目之间商品的协同过滤会影响推荐的正确性；3)用户被限制在只能得到与以往熟悉的内容相类似的商品，不利于挖掘用户潜在的兴趣。

现有技术下，基于协同过滤算法计算商品之间的相似度来推荐商品的具体方法是：计算商品之间的相似度，推荐相似度最大的商品给用户。但是现有的基于协同过滤算法计算商品之间的相似度来推荐商品的方法存在以下两个缺点：1)该方法需要标准化的商品，目前很多购物网站上的商品是非标准化的，因此对商品推荐的效果影响很大；2)目前很多购物网站的商品是按照类目处理的，不同类目之间商品的协同过滤会影响推荐的正确性，这增加了用户的搜索时间和相关服务器的访问负担。

发明内容

本申请的目的是，提供一种信息输出方法及服务器，以实现了服务器将信息输出，向目标用户展示推荐商品的信息，提高了商品推荐的准确性，减少用户的搜索时间，以及减轻相关服务器的访问负担。

为实现上述目的，本申请提供了一种信息输出方法，所述方法包括：

接收第一商品标识信息；

在商品信息关联数据库中查询与所述第一商品标识信息关联的第二商品标识信息；其中，所述商品信息关联数据库是通过合并多个行业商品信息关联数据库建立，所述行业商品信息关联数据库是通过使用关联规则计算算法对行业商品交易数据信息对应的商品标识信息进行计算而建立；

获取所述查询到的所述第二商品标识信息所标识的商品数据信息，并将所述商品数据信息输出至接收终端。

本申请还提供了一种信息输出方法，所述方法包括：

接收用户标识信息；

在商品信息关联数据库中查询与所述用户标识信息关联的第一商品数据信息，所述商品信息关联数据库是通过使用协同过滤算法对评分信息数据库进行计算而建立；

输出所述第一商品数据信息至接收终端。

相应地，本申请还提供了一种服务器，所述服务器包括：

接收单元，用于接收第一商品标识信息；

查询单元，用于在商品信息关联数据库中查询与所述第一商品标识信息关联的第二商品标识信息，所述商品信息关联数据库是通过合并多个行业商品信息关联数据库建立，所述行业商品信息关联数据库是通过使用关联规则计算算法对行业商品交易数据信息对应的商品标识信息进行计算而建立；

输出单元，用于获取所述查询到的所述第二商品标识信息所标识的商品数据信息，并将所述商品数据信息输出至接收终端。

相应地，本申请还提供了一种服务器，所述服务器包括：

接收单元，用于接收用户标识信息；

查询单元，用于在商品信息关联数据库中查询与所述用户标识信息关联的第一商品数据信息，所述商品信息关联数据库是通过使用协同过滤算法对评分信息数据库进行计算而建立；

输出单元，用于输出所述第一商品数据信息至接收终端。

因此，本申请实现了服务器自动向目标用户展示推荐商品信息，在用户浏览某个具有第一商品标识信息的商品时，服务器将商品信息关联数据库中的与所述商品标识信息关联的第二商品标识信息对应的商品数据信息输出给接收终端，并展示给用户，实现了与具有第一商品标识信息的商品在同一个行业的商品的推荐；或者在用户登录服务器时，服务器将商品信息关联数据库中的与所述用户的用户标识信息关联的商品数据信息输出给接收终端，展示给用户，实现了跨行业的商品的推荐，这提高了商品推荐的准确性，减少用户的搜索时间，减轻相关服务器的访问负担。

附图说明

图1为本申请实施例提供的一种信息输出方法流程图；

图2为本申请实施例提供的另一种信息输出方法流程图；

图3为本申请实施例提供的一种服务器的示意图；

图4为本申请实施例提供的另一种服务器的示意图。

具体实施方式

下面通过附图和实施例，对本申请实施例的技术方案做进一步的详细描述。

本申请实施例提供的信息输出方法及服务器，通过对当前的商品交易数据信息进行预处理，将所述商品交易数据信息按照行业类目进行划分，然后根据每个行业的商品交易数据信息对应的商品标识信息，使用分布式关联规则计算算法，例如Apriori算法，实现每个行业的商品信息关联数据库，再合并所述每个行业的商品信息关联数据库，形成全网的商品信息关联数据库，在用户浏览某个商品时，服务器在所述全网的商品信息关联数据库中查询与当前浏览的商品强关联的商品，并在页面上显示出来，从而实现商品推荐，因为所推荐的商品与当前浏览的商品属于一个行业，因此提高了商品推荐的准确性，减少了用户的搜索时间，减轻了相关服务器的访问负担。

另外，本申请提供的信息输出方法及服务器，通过构建用户评分信息数据库，并根据所述用户评分信息数据库，使用分布式协同过滤算法，例如SlopeOne算法，实现商品信息关联数据库，在用户登录购物网站时，服务器根据用户的标识信息，在所述商品信息关联数据库中查询与用户关联的商品，并在页面上显示出来，从而实现商品推荐，由于所推荐的商品为服务器根据预测评分预测当前用户很有可能购买的商品，因此提高了商品推荐的准确性。

本申请实施例提供的信息输出方法和服务器在实际应用时，作为一种新的推荐方法可应用于各个购物网站中，在用户浏览某种商品的商品信息时，向其推荐强关联的商品信息；或者在用户登录某个购物网站时，根据该用户的标识信息及以往的商品评分信息，向其推荐其可能会购买的商品，即符合用户喜好的商品。

如图1所示，其为本申请实施例提供的一种信息输出方法流程图。该实施例主体是服务器，其中详细描述了如何向用户推荐商品，及推荐哪些商品给用户，即将服务器中的相关信息输出至用户终端，并展示给用户。本申请实施例信息输出方法具体包括以下步骤：

步骤101，接收第一商品标识信息；

在实际应用中，为了使商品标准化，定义了标准商品单元(StandardProduct Unit，SPU)的概念，即每一种商品都有一个商品标识信息SPU ID。在服务器上，对应于每一个商品标识信息，都记录有相应的商品数据信息，即该商品属于哪个行业、售出了多少件、购买该商品的用户的标识信息等。

在用户通过用户终端，例如计算机或移动终端等，浏览某网站的某件商品时，服务器会接收到该用户正在浏览的商品的标识信息。

步骤102，在商品信息关联数据库中查询与所述第一商品标识信息关联的第二商品标识信息；其中，所述商品信息关联数据库通过合并多个行业商品信息关联数据库建立，所述行业商品信息关联数据库是通过使用关联规则算法对行业商品交易数据信息对应的商品标识信息进行计算而建立；

服务器接收到用户正在浏览的商品的标识信息后，会在之前已经创建的商品信息关联数据库中查询与正在浏览的商品的标识信息关联度比较大的商品标识信息。关联度是指在购买正在浏览的商品的前提下，购买另一种商品的概率，概率越大，两种商品的关联度越大。

本申请实施例中，商品信息关联数据库是指该网站服务器上所有商品的商品信息关联数据库，商品信息关联数据库由网站服务器上注册的各种商品所属行业的商品信息关联数据库合并建立。

步骤103，获取所述第二商品标识信息所标识的商品数据信息，并输出至接收终端，即用户终端例如计算机等，以供接收终端进行显示。

服务器查询出与用户正在浏览的商品的商品标识信息关联度比较大的商品的商品标识信息后，将从服务器数据库中查询到的该商品标识信息所对应的商品数据信息输出，然后通过用户终端会在前台网页上显示出该商品标识信息所标识的商品的相关数据信息，例如商品名称、商品价格等。

如图1所示，在步骤102之前，还包括：步骤104，建立所述商品信息关联数据库。

建立所述商品信息关联数据库具体为：将商品交易数据信息根据行业类目划分为多个行业商品交易数据信息，所述商品交易数据信息包括所述商品标识信息；使用关联规则计算算法Apriori算法对所述商品标识信息进行计算，得到所述多个行业商品信息关联数据库；合并所述多个行业商品信息关联数据库，得到所述商品信息关联数据库。显然，该商品信息关联数据库进行更新，例如可随商品交易数据信息的变化而不断更新。

具体地，可包括以下步骤：

首先，服务器在商品交易数据库中收集商品交易信息，所述商品交易信息包括商品的商品标识信息、购买商品的用户的用户标识信息；

其次，将所搜集的商品交易信息按照行业进行划分，可以将所述商品交易的息划分为多个行业，得到行业商品交易信息数据库。划分的行业可包括以下行业中的多种：服装行业、鞋包配饰行业、数码行业、家电行业、美容护发行业、母婴用品行业、家居建材行业、美食特产行业、日用百货行业等等。

再次，根据建立的行业商品交易信息数据库，建立行业商品信息关联数据库。具体地，可在Hive平台上建立所述行业商品信息关联数据库。其中，Hive平台是一个数据仓库工具，可以将结构化的数据文件映射为一张数据库表。

最后，合并多个行业商品信息关联数据库得到商品信息关联数据库。

下面以母婴行业为例，描述根据行业商品交易信息数据库中的行业商品交易数据信息，实现行业商品信息关联数据库的方法流程。

准备母婴行业的商品交易信息数据库中的数据信息，如表1所示。

表1

下面使用关联规则计算算法例如Apriori算法进行计算，得到行业商品信息关联数据库，详细过程描述如下。

首先介绍关联规则算法和Apriori算法。

关联规则就是支持度和置信度分别满足用户给定阈值的规则。关联规则算法典型算法有Apriori算法。

Apriori算法将发现关联规则的过程包括以下步骤：

第一步、通过迭代，检索出事务数据库中的所有频繁项集，即支持度不低于用户设定的阈值的项集；

第二步、利用频繁项集构造出满足用户最小置信度的规则；

第三步、按置信度大小排序，将置信度大于某个值的数据建立为一个数据库。

首先，计算每两个商品标识信息对应的商品的共同购买次数，如表2所示。在实际应用中，主要计算用户正在浏览的商品与被推荐商品的关联度，因此这里计算每两个商品标识信息对应的商品的共同购买次数。即是Apriori算法中的第一步获取支持度不低于用户设定的阈值的项集。

表2

其次，Apriori算法中的第二步利用频繁项集构造出满足用户最小信任度的规则。计算每两个商品标识信息之间的置信度，通过计算购买商品标识信息1(SPU1)标识的商品的前提下，购买商品标识信息2(SPU2)标识的商品的概率可以得到SPU2与SPU1的置信度，即置信度为：P(购买SPU2标识的商品的次数/购买SPU1标识的商品的次数)。

在如表2所示的SPU1所标识的商品和SPU2所标识的商品的共同购买次数数据库中，如果购买SPU1所标识的商品的次数为264，在购买SPU1所标识的商品的同时也购买SPU2所标识的商品的次数为57，则SPU1和SPU2的置信度为57/264＝0.216。

最后，Apriori算法中的第三步根据置信度的大小对与SPU1关联的n个商品标识信息进行排序，可以计算出与SPU1的置信度最大的前m个商品标识信息，这m个商品标识信息组成SPU1的行业商品信息关联数据库。

至此，使用关联规则计算算法Apriori算法完成了行业商品信息关联数据库的建立。

合并多个行业商品信息关联数据库，即可得到商品信息关联数据库。

当用户浏览SPU1的商品时，服务器便可以在行业商品信息关联数据库中查询出与SPU1关联度最大的m个商品标识信息对应的商品的商品数据信息，然后在页面上显示出来。

本申请实施例中，用户也可以使用其他的推荐算法，如协同过滤、内容匹配算法等，来实现行业商品信息关联数据库。所应理解的是，以上所述仅为本申请的具体实施方式而已，并不用于限定本申请的保护范围，凡在本申请的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

本申请上述步骤实现了在用户浏览某个具有第一商品标识信息的商品时，服务器将商品信息关联数据库中的与所述商品标识信息关联的第二商品标识信息对应的商品数据信息输出给接收终端，并展示给用户，实现了与具有第一商品标识信息的商品在同一个行业的商品的推荐。由于所推荐的商品与当前浏览的商品属于一个行业，因此提高了商品推荐的准确性，减少了用户的搜索时间，减轻了相关服务器的访问负担。

如图2所示，其为本申请实施例提供的另一种信息输出方法流程图。该实施例主体是服务器，其中详细描述了如何向用户推荐商品，及推荐哪些商品给用户。本申请实施例信息输出方法具体包括以下步骤：

步骤201，接收用户标识信息；

用户在通过例如计算机这样的用户终端登录购物网站时，服务器将接收到该用户的用户标识信息。

步骤202，在商品信息关联数据库中查询与所述用户标识信息关联的第一商品数据信息，所述商品信息关联数据库通过使用协同过滤算法对评分信息数据库进行计算而建立；

服务器接收到用户标识信息后，会在之前已经创建的商品信息关联数据库中查询与所述用户标识信息关联的商品数据信息。关联的商品数据信息是指该用户可能喜好的商品的数据信息。

本申请实施例中，商品信息关联数据库是通过使用协同过滤算法SlopeOne算法对评分信息数据库进行计算而建立的。

步骤203，输出所述第一商品数据信息至接收终端，以供所述接收终端进行显示。

服务器查询出与所述用户关联的商品数据信息后输出至用户终端，通过用户终端会在前台网页上显示出该商品数据信息，例如商品名称、商品价格等。

如图2所示，在步骤202之前，还包括：步骤204，建立所述商品信息关联数据库。

建立所述商品信息关联数据库具体为：对与所述用户标识信息关联的第二商品数据信息进行评分，得到所述评分信息数据库；使用所述协同过滤算法对所述评分信息数据库中的第一评分信息进行计算，得到与所述用户标识信息关联的第一商品数据信息对应的第二评分信息；根据所述第二评分信息的大小，将所述第二评分信息对应的第一商品数据信息组织为所述商品信息关联数据库。

具体地，首先，对用户行为信息进行预处理，得到用户评分信息。在购物网站上，用户的浏览、收藏、购买、搜索和评价等行为都会记录在数据库中，用以服务器对用户行为进行分析，由于用户行为信息比较脏，因此本申请将对用户行为信息进行预处理得到用户评分信息，用户评分信息被存储在用户评分信息数据库中。这里，用户行为信息比较脏是指很多用户行为信息已经被修改，但是还没有被写入数据库中。其次，使用协同过滤算法对所述用户评分信息数据库中的用户评分信息进行计算，得到与所述用户关联的商品的评分信息。再次，根据与所述用户关联的商品的评分信息的评分大小，将评分比较大的评分信息对应的商品数据信息组织为商品信息关联数据库。

下面以用户1为例，详细描述建立用户1的商品信息关联数据库的方法流程。

在此，首先介绍协同过滤算法及其SlopeOne算法。协同过滤算法是协同过滤分析用户兴趣，在用户群中找到指定用户的相似(兴趣)用户，综合这些相似用户对某一信息的评价，形成系统对该指定用户对此信息的喜好程度预测。

协同过滤算法的典型SlopeOne算法其基本的想法是已知一组训练点，计算差值的平均值，对于新的数据点获得它的预测值，根据预测值进行排序，选择Top N预测值对应的数据。

首先，准备用户的行为数据信息，并对所述用户行为数据信息进行预处理，得到用户评分信息。对用户的各种行为进行评分，例如，对收藏行为给予4分，对购买行为给予2分，对浏览一次的行为给予1分，等等。这样，即可将用户行为数据信息预处理为用户评分信息，将用户评分信息建立为评分信息数据库。如表3所示，其为用户评分信息。

表3

	商品1	商品2	商品3	商品4
					用户1	1	2
用户2	1	2	2	1
					用户3	2	1	2	1

下面使用协同过滤SlopeOne算法对评分信息数据库中的评分信息进行计算，得到商品信息关联数据库，详细过程描述如下。

其次，对所述评分信息数据库中的第一评分信息进行计算，得到与所述用户标识信息关联的第一商品数据信息对应的第二评分信息。

参见表3，根据用户1、用户2和用户3的用户评分信息，计算出每个用户的喜好数据，即计算出每两个商品之间的差值，即在商品同时出现在某个用户的用户评分信息下时，计算两个商品的评分差值，如表3中，用户1的评分信息下，商品1和商品2的差值为1-2＝-1。计算出两个商品之间的差值后，再计算每两个商品之间的差值均值，下面以表3中的用户评分信息为例，描述如何计算每两个商品之间的差值均值：

商品2和1之间的差值均值：((2-1)+(2-1)+(1-2))/3＝0.33

商品3和1之间的差值均值：((2-1)+(2-2))/2＝0.5

商品4和1之间的差值均值：((1-1)+(1-2))/2＝-0.5

商品3和2之间的差值均值：((2-2)+(2-1))/2＝0.5

商品4和2之间的差值均值：((1-2)+(1-1))/2＝-0.5

商品4和3之间的差值均值：((1-2)+(1-2))/2＝-1

参见表3可知，用户1并没有对商品3和商品4进行过任何行为处理，所以对于商品3和商品4，用户1并没有评分信息，而其邻居用户2和邻居用户3则对商品3和商品4有评分信息，由此可以预测用户1对商品3和商品4的评分。下面继续以表3中的用户评分信息和上面计算出的差值均值为例，描述如何计算用户1对商品3和商品4的评分：

用户1对商品3的预测评分为：((1+0.5)+(2+0.5))/2＝2。其中“1+0.5”中的1为用户1对商品1的评分，0.5为商品3与商品1之间的差值均值；“2+0.5”中的2为用户1对商品2的评分，0.5为商品3与商品2之间的差值均值。

用户1对商品4的预测评分为：((1+(-0.5))+(2+(-0.5)))/2＝1。其中“1+(-0.5)”中的1为用户1对商品1的评分，-0.5为商品4与商品1之间的差值均值；“2+(-0.5)”中的2为用户1对商品2的评分，-0.5为商品4与商品2之间的差值均值。

再次，根据与所述用户关联的商品的评分信息的评分大小，将评分比较大的评分信息对应的商品数据信息建立为商品信息关联数据库。

继续以上面的举例进行描述：根据用户1对商品3和对商品4的预测评分，在商品3和商品4两个商品中，服务器将预测评分比较大的商品3对应的商品数据信息放在用户1的商品信息关联数据库中。

至此，使用协同过滤SlopeOne算法完成了商品信息关联数据库的建立。

在用户1登录购物网站时，服务器根据用户1的标识信息，将商品信息关联数据库中的商品3的商品数据信息展示在前台页面上，实现商品推荐。

本申请实施例中，用户可以结合直方图、分箱等方法构建用户评分信息数据库，也可以使用类似的其他方法；在构建商品信息关联数据库时，也可以使用其他的基于协同过滤的算法来实现评分信息的预测。所应理解的是，以上所述仅为本申请的具体实施方式而已，并不用于限定本申请的保护范围，凡在本申请的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

本申请上述步骤实现了在在用户登录服务器时，服务器将商品信息关联数据库中的与所述用户的用户标识信息关联的商品数据信息输出给接收终端，展示给用户，实现了跨行业的商品的推荐，由于所推荐的商品为服务器根据预测评分预测当前用户很有可能购买的商品，因此提高了商品推荐的准确性，减少了用户的搜索时间，减轻了相关服务器的访问负担。

相应地，本申请提供一种服务器。如图3所示，其为本申请实施例提供的一种服务器的示意图。该服务器包括：

接收单元301，用于接收第一商品标识信息；

查询单元302，用于在商品信息关联数据库中查询与所述第一商品标识信息关联的第二商品标识信息，所述商品信息关联数据库是通过合并多个行业商品信息关联数据库建立，所述行业商品信息关联数据库是通过使用关联规则计算算法对行业商品交易数据信息对应的商品标识信息进行计算而建立；

输出单元303，用于获取所述查询到的所述第二商品标识信息所标识的商品数据信息，并将所述商品数据信息输出至接收终端，以供所述接收终端进行显示。

所述服务器还可包括：数据库建立单元304，用于建立所述商品信息关联数据库。

数据库建立单元304具体用于：将商品交易数据信息根据行业类目划分为多个行业商品交易数据信息，所述行业商品交易数据信息包括所述商品标识信息；使用所述关联规则计算算法对所述商品标识信息进行计算，得到所述行业商品信息关联数据库；合并所述多个行业商品信息关联数据库，建立所述商品信息关联数据库。

因此，本申请提供的上述服务器自动向目标用户展示推荐商品信息，在用户浏览某个具有第一商品标识信息的商品时，服务器将商品信息关联数据库中的与所述商品标识信息关联的第二商品标识信息对应的商品数据信息输出给接收终端，并展示给用户，实现了与具有第一商品标识信息的商品在同一个行业的商品的推荐。由于所推荐的商品与当前浏览的商品属于一个行业，因此提高了商品推荐的准确性。

相应地，本申请还提供一种服务器。如图4所示，其为本申请实施例提供的另一种服务器的示意图。该服务器包括：

接收单元401，用于接收用户标识信息；

查询单元402，用于在商品信息关联数据库中查询与所述用户标识信息关联的第一商品数据信息，所述商品信息关联数据库是通过使用协同过滤算法对评分信息数据库进行计算而建立；

输出单元403，用于输出所述第一商品数据信息至接收终端，以供所述接收终端进行显示。

所述服务器还可包括：数据库建立单元404，用于建立所述商品信息关联数据库。

数据库建立单元404具体用于：对与所述用户标识信息关联的第二商品数据信息进行评分，得到所述评分信息数据库；使用所述协同过滤算法对所述评分信息数据库中的第一评分信息进行计算，得到与所述用户标识信息关联的第一商品数据信息对应的第二评分信息；根据所述第二评分信息的大小，将所述第二评分信息对应的第一商品数据信息建立为所述商品信息关联数据库。

因此，本申请提供的上述服务器实现了在用户登录服务器时，服务器将商品信息关联数据库中的与所述用户的用户标识信息关联的商品数据信息输出给接收终端，展示给用户，实现了跨行业的商品的推荐。由于所推荐的商品为服务器根据预测评分预测当前用户很有可能购买的商品，因此提高了商品推荐的准确性，减少了用户的搜索时间，减轻了相关服务器的访问负担。

专业人员应该还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

结合本文中所公开的实施例描述的方法或算法的步骤可以用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。

以上所述的具体实施方式，对本申请的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本申请的具体实施方式而已，并不用于限定本申请的保护范围，凡在本申请的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (12)

1.一种信息输出方法，其特征在于，所述方法包括：

接收第一商品标识信息；

在商品信息关联数据库中查询与所述第一商品标识信息关联的第二商品标识信息；其中，所述商品信息关联数据库是通过合并多个行业商品信息关联数据库建立，所述行业商品信息关联数据库是通过使用关联规则计算算法对行业商品交易数据信息对应的商品标识信息进行计算而建立；

获取所述查询到的所述第二商品标识信息所标识的商品数据信息，并将所述商品数据信息输出至接收终端。

2.如权利要求1所述的信息输出方法，其特征在于，所述在商品信息关联数据库中查询与所述第一商品标识信息关联的第二商品标识信息之前还包括：建立所述商品信息关联数据库。

3.如权利要求2所述的信息输出方法，其特征在于，所述商品信息关联数据库是通过合并多个行业商品信息关联数据库建立具体包括：

将商品交易数据信息根据行业类目划分为多个行业商品交易数据信息，所述行业商品交易数据信息包括所述商品标识信息；

使用所述关联规则计算算法对所述商品标识信息进行计算，得到所述行业商品信息关联数据库；

合并所述多个行业商品信息关联数据库，建立所述商品信息关联数据库。

4.一种信息输出方法，其特征在于，所述方法包括：

接收用户标识信息；

在商品信息关联数据库中查询与所述用户标识信息关联的第一商品数据信息，所述商品信息关联数据库是通过使用协同过滤算法对评分信息数据库进行计算而建立；

输出所述第一商品数据信息至接收终端。

5.如权利要求4所述的信息输出方法，其特征在于，所述在商品信息关联数据库中查询与所述用户标识信息关联的商品数据信息之前还包括：建立所述商品信息关联数据库。

6.如权利要求5所述的信息输出方法，其特征在于，所述商品信息关联数据库是通过使用协同过滤算法对评分信息数据库进行计算而建立具体包括：

对与所述用户标识信息关联的第二商品数据信息进行评分，得到所述评分信息数据库；

使用所述协同过滤算法对所述评分信息数据库中的第一评分信息进行计算，得到与所述用户标识信息关联的第一商品数据信息对应的第二评分信息；

根据所述第二评分信息的大小，将所述第二评分信息对应的第一商品数据信息建立为所述商品信息关联数据库。

7.一种服务器，其特征在于，所述服务器包括：

接收单元，用于接收第一商品标识信息；

查询单元，用于在商品信息关联数据库中查询与所述第一商品标识信息关联的第二商品标识信息，所述商品信息关联数据库是通过合并多个行业商品信息关联数据库建立，所述行业商品信息关联数据库是通过使用关联规则计算算法对行业商品交易数据信息对应的商品标识信息进行计算而建立；

输出单元，用于获取所述查询到的所述第二商品标识信息所标识的商品数据信息，并将所述商品数据信息输出至接收终端。

8.如权利要求7所述的服务器，其特征在于，所述服务器还包括：数据库建立单元，用于建立所述商品信息关联数据库。

9.如权利要求8所述的服务器，其特征在于，所述所数据库建立单元具体用于：

将商品交易数据信息根据行业类目划分为多个行业商品交易数据信息，所述行业商品交易数据信息包括所述商品标识信息；

使用所述关联规则计算算法对所述商品标识信息进行计算，得到所述行业商品信息关联数据库；

合并所述多个行业商品信息关联数据库，建立所述商品信息关联数据库。

10.一种服务器，其特征在于，所述服务器包括：

接收单元，用于接收用户标识信息；

查询单元，用于在商品信息关联数据库中查询与所述用户标识信息关联的第一商品数据信息，所述商品信息关联数据库是通过使用协同过滤算法对评分信息数据库进行计算而建立；

输出单元，用于输出所述第一商品数据信息至接收终端。

11.如权利要求10所述的服务器，其特征在于，所述服务器还包括：数据库建立单元，用于建立所述商品信息关联数据库。

12.如权利要求11所述的服务器，其特征在于，所述数据库建立单元具体用于：

对与所述用户标识信息关联的第二商品数据信息进行评分，得到所述评分信息数据库；

使用所述协同过滤算法对所述评分信息数据库中的第一评分信息进行计算，得到与所述用户标识信息关联的第一商品数据信息对应的第二评分信息；

根据所述第二评分信息的大小，将所述第二评分信息对应的第一商品数据信息建立为所述商品信息关联数据库。

Images