CN104021163B - 产品推荐系统及方法 - Google Patents

Abstract

一种产品推荐系统及方法，该方法包括：依次提取当前用户的一个指定用户标签；依次获取该指定用户标签的一个匹配产品；获取当前用户各个用户标签的权重比例，及上述匹配产品的各个产品标签的权重比例；从所有用户标签中依次读取一个用户标签；如果读取的用户标签在产品标签中存在，则计算该读取的用户标签的匹配度；将所有读取的用户标签的匹配度相加，获得上述匹配产品的匹配度；当计算完该指定用户标签的所有匹配产品的匹配度，提取下一个指定用户标签；当计算完所有指定用户标签，计算出所有匹配产品的最终匹配度；根据所有匹配产品的最终匹配度，选取指定数量的匹配产品推荐至用户设备。利用本发明可获取精确的产品推荐信息。

Description

产品推荐系统及方法

技术领域

本发明涉及一种协同过滤数据分析系统及方法，尤其涉及一种利用协同过滤数据分析进行产品推荐的系统及方法。

背景技术

协同过滤(Collaborative Filtering recommendation)在信息过滤和信息系统中正迅速成为一项很受欢迎的技术。与传统的基于内容过滤直接分析内容进行推荐不同，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，形成指定用户对此信息的喜好程度预测。

普通的协同过滤系统分析用户的行为数据，并计算出用户的需求偏好，从而根据用户的这些偏好进行产品推荐。现有的协同过滤系统，更多的是对用户信息的一种提纯，将用户的需求进行抽象，然后汇总这些抽象出的用户需求，再根据这些需求对用户进行相关推荐。

但是，用户的偏好不是一成不变的，随着时间的推移，用户当前的需求偏好和以前的需求偏好可能发生变化，也就是说普通的协同过滤系统没能将时间作为一个重要的参考属性来进行分析。随着用户的信息越来越多，提取和抽象出的用户需求也越来越多，进而导致可以推荐的产品信息越来越多，但符合用户真实需求的推荐产品却越来越少的问题。

发明内容

鉴于以上内容，有必要提供一种产品推荐系统及方法，其可对提取的用户数据进行时效性的分析，根据时间的推移逐步降低用户数据的权重值，以获取精确的产品推荐信息，并将获取的产品推荐给指定用户设备。

一种产品推荐方法，该方法包括如下步骤：依次提取当前用户的一个指定用户标签；依次获取该指定用户标签的一个匹配产品；获取当前用户的所有用户标签及各个用户标签的权重比例，并获取上述匹配产品的所有产品标签及各个产品标签的权重比例，其中，所述用户标签的权重比例根据第一预设衰减公式随着时间参考指标进行调整，所述产品标签的权重比例根据第二预设衰减公式随着时间参考指标进行调整；从获取的所有用户标签中依次读取一个用户标签及该用户标签的权重比例；如果该读取的用户标签在产品标签中存在，则根据该读取的用户标签的权重比例、及该读取的用户标签在上述匹配产品中对应的产品标签的权重比例，计算该读取的用户标签的匹配度；将所有读取的用户标签的匹配度相加，获得上述匹配产品的匹配度，然后获取下一个匹配产品，直到该指定用户标签的所有匹配产品获取完毕；当计算完该指定用户标签的所有匹配产品的匹配度，提取下一个指定用户标签，直到当前用户的所有指定用户标签提取完毕；当计算完所有指定用户标签的所有匹配产品的匹配度，计算出当前用户的所有匹配产品的最终匹配度；根据所有匹配产品的最终匹配度，选取指定数量的匹配产品发送至当前用户对应的用户设备。

一种产品推荐系统，该系统包括：依次提取当前用户的一个指定用户标签的模块；依次获取该指定用户标签的一个匹配产品的模块；获取当前用户的所有用户标签及各个用户标签的权重比例，并获取上述匹配产品的所有产品标签及各个产品标签的权重比例的模块，其中，所述用户标签的权重比例根据第一预设衰减公式随着时间参考指标进行调整，所述产品标签的权重比例根据第二预设衰减公式随着时间参考指标进行调整；从获取的所有用户标签中依次读取一个用户标签及该用户标签的权重比例的模块；如果该读取的用户标签在产品标签中存在，则根据该读取的用户标签的权重比例、及该读取的用户标签在上述匹配产品中对应的产品标签的权重比例，计算该读取的用户标签的匹配度的模块；将所有读取的用户标签的匹配度相加，获得上述匹配产品的匹配度，然后获取下一个匹配产品，直到该指定用户标签的所有匹配产品获取完毕的模块；当计算完该指定用户标签的所有匹配产品的匹配度，提取下一个指定用户标签，直到当前用户的所有指定用户标签提取完毕的模块；当计算完所有指定用户标签的所有匹配产品的匹配度，计算出当前用户的所有匹配产品的最终匹配度的模块；根据所有匹配产品的最终匹配度，选取指定数量的匹配产品发送至当前用户对应的用户设备的模块。

相较于现有技术，所述的产品推荐系统及方法，可以对提取的用户数据进行时效性的分析，根据时间的推移逐步降低用户数据的权重值，以获取精确的产品推荐信息，并将获取的产品推荐给指定用户设备。

附图说明

图1是本发明产品推荐系统的应用环境图。

图2是本发明产品推荐方法的主流程图。

图3是本发明产品推荐方法中计算用户标签的权重比例和产品标签的权重比例的流程图。

具体实施方式

如图1所示，是本发明产品推荐系统的应用环境图。该产品推荐系统26应用于带有显示屏幕20和输入设备22的服务器2中。所述显示屏幕20可以是液晶显示器、LED显示器、OLED显示器、等离子显示器等显示装置。所述输入设备22可以是键盘等输入装置。所述服务器2还包括通过数据线或信号线相连的存储器24和处理器28。需要说明的是，图1只是对服务器2软件结构和硬件结构的示意性说明，服务器2还包括其它必要的电子元器件和系统软件，在此不再一一赘述。

所述产品推荐系统26存储于服务器2的存储器24中，用于对提取的用户数据进行时效性的分析，根据时间的推移逐步降低用户数据的权重值，以获取精确的产品推荐信息，并将获取的产品推荐给用户设备4，具体方法流程参阅图2至图3的描述。所述用户设备4和服务器2通过有线网络或无线网络(如WI-FI网络)进行数据传递，所述用户设备4可以是智能手机、PDA(Personal Digital Assistant，掌上电脑)、个人电脑等电子装置。

在本实施例中，所述产品推荐系统26(以下也简称为“系统”)可以提供一个或多个模块，所述一个或多个模块被存储在所述服务器2的存储器24中并被配置成由一个或多个处理器(本实施例为一个处理器28)执行，以完成本发明。本发明所称的模块是完成一特定功能的计算机程序段，比程序更适合于描述软件在计算机中的执行过程。

如图2所示，是本发明产品推荐方法的主流程图。以下实施例以一个用户的产品推荐为例进行说明。

步骤S10，依次提取当前用户的一个指定用户标签。举例而言，假设当前用户A的用户标签包括Tag1、Tag2、Tag3，则先提取第一个指定用户标签Tag1。

步骤S11，依次获取该指定用户标签的一个匹配产品。在本实施例中，根据该指定用户标签查找拥有该指定用户标签的产品，作为该指定用户标签的匹配产品。一实施例中，假设拥有第一个指定用户标签Tag1的产品包括X和Y，则第一个指定用户标签Tag1的匹配产品包括产品X和产品Y。其中，产品X包括产品标签Tag1、Tag2、Tag4，产品Y包括产品标签Tag1、Tag4。

在本实施例中，预设用户访问的产品拥有产品标签，所述特定标签可以反映用户对该产品的关注点。例如，“疯狂的小鸟”这款游戏产品，可以预设该款游戏产品的产品标签为“休闲”、“益智”、“星球大战”等等，也就是说，一个产品可以包括一个或多个产品标签。所述产品标签是对产品的描述，也就是说，所述产品标签代表该款产品的类型。

当用户访问某个产品时，本系统判定用户对该产品有一定的主观倾向性，因此，代表产品的产品标签也自然会是用户的关注点，代表了用户的需求偏好。本系统会记录用户的各种类型信息，如访问数据、查询数据、下载数据、安装数据、使用数据、评论数据和评分数据等，以下统称为“用户数据”。本系统会根据用户数据的类型及发生的时间(如访问时间或查询时间等)，对各种类型的用户数据进行量化，配置不同的权重值，代表不同的重要程度。

步骤S12，获取当前用户的所有用户标签及各个用户标签在当前用户下的权重比例(以下简称为“用户标签的权重比例”)，并获取上述匹配产品的所有产品标签及各个产品标签在该匹配产品下的权重比例(以下简称为“产品标签的权重比例”)。其中，所述用户标签的权重比例根据第一预设衰减公式随着时间参考指标进行调整(如递减)，所述产品标签的权重比例根据第二预设衰减公式随着时间参考指标进行调整(如递减)。

在本实施例中，所述用户标签的权重比例根据用户标签的当前权重值计算得出，所述用户标签的当前权重值根据第一预设衰减公式随着时间参考指标进行调整(如递减)。同理，所述产品标签的权重比例根据产品标签的当前权重值计算得出，所述产品标签的当前权重值根据第二预设衰减公式随着时间参考指标进行调整(如递减)。关于用户标签的权重比例和产品标签的权重比例的计算方法参阅图3的具体描述。

步骤S13，从获取的所有用户标签中依次读取一个用户标签及该用户标签的权重比例，并查找该读取的用户标签是否在产品标签中存在。

步骤S14，判断该读取的用户标签是否在产品标签中存在。如果该读取的用户标签在产品标签中存在，则代表当前用户曾经关注过该产品(如查询过该产品或下载过该产品等)，执行步骤S15。如果该读取的用户标签在产品标签中不存在，则代表当前用户没有关注过该产品，流程返回步骤S13，从获取的所有用户标签中读取一个用户标签及该用户标签的权重比例。

步骤S15，根据该读取的用户标签的权重比例、及该读取的用户标签在上述匹配产品中对应的产品标签的权重比例，计算该读取的用户标签的匹配度。在本实施例中，该读取的用户标签的匹配度＝该读取的用户标签的权重比例乘以对应的产品标签的权重比例，所述对应的产品标签即与该读取的用户标签相同的产品标签。

如上举例，假设当前用户A的用户标签包括Tag1、Tag2、Tag3，则先提取第一个指定用户标签Tag1，第一个指定用户标签Tag1的匹配产品包括产品X和产品Y，其中，产品X包括产品标签Tag1、Tag2、Tag4，产品Y包括产品标签Tag1、Tag4。假设用户标签Tag1、Tag2、Tag3的权重比例分别为0.3、0.6、0.1，产品X的产品标签Tag1、Tag2、Tag4的权重比例分别为0.2、0.4、0.4，则第一个读取的用户标签Tag1的匹配度＝0.3*0.2，第二个读取的用户标签Tag2的匹配度＝0.6*0.4，由于第三个读取的用户标签Tag3在产品X的产品标签中不存在，故不用计算。

步骤S16，将所有读取的用户标签的匹配度相加，获得上述匹配产品的匹配度，返回步骤S11，获取下一个匹配产品，直到该指定用户标签的所有匹配产品获取完毕。继续上面的举例，将第一个读取的用户标签Tag1和第二个读取的用户标签Tag2的匹配度相加，获得匹配产品X的匹配度＝0.3*0.2+0.6*0.4＝0.3。第一个指定用户标签Tag1的第一个匹配产品X的匹配度计算完毕后，获取第二个匹配产品Y，并计算第二个匹配产品Y的匹配度，计算方法类似，在此不再赘述。

步骤S17，当计算完该指定用户标签的所有匹配产品的匹配度，返回步骤S10，提取下一个指定用户标签，直到当前用户的所有指定用户标签提取完毕。如上举例，当计算完第一个指定用户标签Tag1的匹配产品X和Y的匹配度后，则继续提取第二个指定用户标签Tag2，并计算第二个指定用户标签Tag2的所有匹配产品的匹配度，计算方法类似，在此不再赘述。

步骤S18，当计算完所有指定用户标签的所有匹配产品的匹配度，计算出当前用户的所有匹配产品的最终匹配度。具体而言，将每个匹配产品的所有匹配度相加，得到每个匹配产品的匹配度总和，作为每个匹配产品的最终匹配度。如上举例，假设在计算第二个指定用户标签Tag2的所有匹配产品的匹配度时，匹配产品X的匹配度等于0.3，后续计算中匹配产品X的匹配度等于0，则匹配产品X的最终匹配度＝0.3+0.3＝0.6。

步骤S19，根据所有匹配产品的最终匹配度，选取指定数量的匹配产品发送至用户设备4，推荐给当前用户。在本实施例中，根据所有匹配产品的最终匹配度从高到低的顺序，选取指定数量(如4个)的匹配产品发送至用户设备4，如选取最终匹配度排名前4位的匹配产品发送至用户设备4。

以上实施例是以一个用户的产品推荐为例进行说明，该方法同样适用于为多个用户进行产品推荐，计算方法类似。当计算出每个用户的所有匹配产品的最终匹配度后，分别向每个用户推荐指定数量的匹配产品。

如图3所示，是本发明产品推荐方法中计算用户标签的权重比例和产品标签的权重比例的流程图。

步骤S120，依次提取一个用户的用户数据，并提取用户数据中的产品标签。

在本实施例中，用户数据包括多种类型，如访问数据、查询数据、下载数据、安装数据、使用数据、评论数据和评分数据等，所述用户数据的类型根据数据来源进行区分。每种数据类型反映的用户需求倾向性程度是有所不同的，例如，下载数据相较于查询数据，更能代表用户更关注某个产品。本发明根据用户数据的类型及发生的时间(如访问时间或查询时间等)，对各种类型的用户数据进行量化，配置不同的权重值，代表不同的重要程度。例如，下载数据配置的权重值要高于查询数据配置的权重值。

步骤S121，将提取的产品标签作为用户标签分配给该用户。由于用户访问某个产品时，代表对该产品比较关注，因此该产品的产品标签代表用户的关注点，本发明将产品标签作为用户的关注点分配给用户作为用户标签。

步骤S122，根据用户数据的类型和第一配置原则，配置上述用户标签的初始权重值。在本实施例中，根据用户数据的类型，用户标签的初始权重值配置的大小由低到高依次为：访问数据、查询数据、下载数据、安装数据、使用数据、评论数据和评分数据。所述第一配置原则用于配置用户标签的初始权重值大小，例如，如果用户数据的类型为访问数据，则配置用户标签的初始权重值为1，如果用户数据的类型为下载数据，则配置用户标签的初始权重值为2。

步骤S123，根据第一预设衰减公式，计算上述用户标签的衰减量，并根据上述用户标签的初始权重值和该用户标签的衰减量，计算上述用户标签的当前权重值。其中，用户标签的当前权重值＝用户标签的初始权重值-用户标签的衰减量。如果用户标签的初始权重值减去用户标签的衰减量的差值小于零，则用户标签的当前权重值取值为零。在本实施例中，每隔预设间隔时间(如24小时)，计算一次用户标签的衰减量和当前权重值。所述第一预设衰减公式为：用户标签的衰减量＝((当前时间-第一初始时间)/第一衰减周期)*每周期衰减量，其中，第一初始时间为用户标签第一次记录的时间，第一衰减周期可以设为30天，每周期衰减量可以设为0.1。

也就是说，本发明通过引入时间参考指标，用户标签的当前权重值根据第一预设衰减公式随着时间参考指标进行递减，初始时间越早衰减得越多，也就是说，用户数据的发生时间越早重要性越低。用户同样的行为在不同时间点发生，对用户关注点的重要度是不一样的。比如，一年前一个用户访问了一个射击类的游戏，现在又访问了一个益智类的游戏，本发明会判定现在的访问行为更能反映该用户的关注度，所以，同样是游戏，本发明判定该用户现在更关注益智类游戏。

步骤S124，根据用户数据的类型和第二配置原则，配置上述产品标签的初始权重值。在本实施例中，根据用户数据的类型，产品标签的初始权重值配置的大小由低到高依次为：访问数据、查询数据、下载数据、安装数据、使用数据、评论数据和评分数据。所述第二配置原则用于配置产品标签的初始权重值大小，例如，如果用户数据的类型为访问产品数据(如点击某游戏产品)，则配置产品标签的初始权重值为0.1，如果用户数据的类型为下载产品数据，则配置产品标签的初始权重值为0.2。

在本实施例中，针对同一用户数据，根据第一配置原则配置的用户标签的初始权重值大于根据第二配置原则配置的产品标签的初始权重值。举例而言，假设产品X包括产品标签Tag1和Tag2，如果用户点击了产品X，则会产生一笔访问产品X的用户数据，相应地会将产品X的产品标签Tag1和Tag2作为用户标签分配给该用户，该用户会增加用户标签Tag1和Tag2，则所述第一配置原则可以设定为：用户标签Tag1和Tag2的初始权重值为1，所述第二配置原则可以设定为：产品标签Tag1和Tag2的初始权重值为0.1。

在其他实施例中，针对同一用户数据，根据第一配置原则配置的用户标签的初始权重值也可以等于根据第二配置原则配置的产品标签的初始权重值，即第一配置原则与第二配置原则相同。

步骤S125，根据第二预设衰减公式，计算上述产品标签的衰减量，并根据上述产品标签的初始权重值和该产品标签的衰减量，计算上述产品标签的当前权重值。其中，产品标签的当前权重值＝产品标签的初始权重值-产品标签的衰减量。如果产品标签的初始权重值减去产品标签的衰减量的差值小于零，则产品标签的当前权重值取值为零。在本实施例中，每隔预设间隔时间(如24小时)，计算一次产品标签的衰减量和当前权重值。所述第二预设衰减公式为：产品标签的衰减量＝((当前时间-第二初始时间)/第二衰减周期)*每周期衰减量，其中，第二初始时间为产品标签第一次记录的时间，衰减周期可以设为60天，每周期衰减量可以设为0.01。

在本实施例中，第一预设衰减公式中的第一衰减周期小于第二预设衰减公式中的第二衰减周期，第一预设衰减公式中的每周期率减量大于第二预设衰减公式中的每周期率减量。在其他实施例中，第一预设衰减公式中的第一衰减周期也可以等于第二预设衰减公式中的第二衰减周期，第一预设衰减公式中的每周期率减量也可以等于第二预设衰减公式中的每周期率减量。

步骤S126，当所有用户的用户数据计算完成时，根据所有用户标签的当前权重值，计算各个用户标签在相同用户下的权重比例，作为各个用户标签的权重比例。具体而言，先计算每个用户的所有用户标签的当前权重值之和，然后针对相同用户下的各个用户标签，将各个用户标签的当前权重值除以所有用户标签的当前权重值之和，得到各个用户标签在相同用户下的权重比例。

举例而言，假设用户A包括用户标签Tag1和Tag2，用户标签Tag1和Tag2的当前权重值分别为W1和W2，则用户标签Tag1在用户A下的权重比例＝W1/(W1+W2)，用户标签Tag2在用户A下的权重比例＝W2/(W1+W2)。

步骤S127，根据所有产品的产品标签的当前权重值，计算各个产品标签在相同产品下的权重比例，作为各个产品标签的权重比例。具体而言，先计算每个产品的所有产品标签的当前权重值之和，然后针对相同产品下的各个产品标签，将各个产品标签的当前权重值除以所有产品标签的当前权重值之和，得到各个产品标签在相同产品下的权重比例。计算方法类似于计算用户标签的权重比例，在此不再赘述。

在其他实施例中，步骤S122、S123可以在步骤S124、S125后面执行，或者步骤S122、S123与步骤S124、S125同时执行。

进一步地，步骤S126可以在步骤S127后面执行，或者步骤S126与步骤S127同时执行。

进一步地，步骤S122、S123、S126与步骤S124、S125、S127可以分开单独执行，即计算用户标签的权重比例的步骤与计算产品标签的权重比例的步骤分开单独执行。

综上所述，本发明将时间作为一个重要的参考指标来进行产品推荐，同样的需求偏好，是由现在的用户数据分析得出的，还是由一年前的用户数据分析得出的，本发明配置的权重值(代表重要程度)是完全不一样的，从而由此影响本发明对用户偏好的界定和对用户的产品推荐。

本发明不仅对用户的信息进行提取和量化分析(抽象化)，还对这些提取和量化分析出来的用户需求偏好进行时效性的考量。从而解决了现有技术中随着用户信息越来越多，提取和抽象出的用户需求偏好也越来越多，进而可以推荐的产品信息越来越多，但符合用户真实需求产品信息却越来越少的问题。因为，本发明引入了时间参考指标，虽然可以分析的用户信息越来越多，但是随着时间的推移，一些久远的用户需求偏好会变得越来越淡化，而一些现时的用户需求偏好会越来越凸显，所以，相较于现有技术，本发明对用户需求偏好的分析会更加准确，从而给用户提供更加精确的推荐产品。

进一步地，需要说明的是，本实施例中的产品推荐系统26是一种非实时系统，因为本实施例中的用户数据，如访问数据、查询数据、下载数据、安装数据、使用数据、评论数据和评分数据等，来源于历史记录数据(称之为“被动数据”，通过记录用户的操作行为获取的数据)，产品推荐系统26通过分析这些历史记录数据获得用户需求偏好，从而进行产品推荐。这种非实时系统的准确性、可靠性较高，但可能产生系统响应速度慢、消耗资源大的问题。

在其他实时例中，产品推荐系统26也可以采用实时系统。在实时系统下，用户数据来源于调查(测试)数据或通过第三方平台的登录用户获取的数据(称之为“主动数据”)。例如，可以通过一些网络小调查和小测试获取用户的一些关注点(用户数据)，并通过这些关注点实时的计算适合用户的推荐产品(方法与非实时系统类似)；或者通过第三方平台(如第三方网站)登录的用户，获取用户在第三方平台的用户信息，并根据这些用户信息实时的提取出用户的关注点，并根据这些关注点计算适合用户的推荐产品(方法与非实时系统类似)。实时系统响应时间快、资源消耗小，可以弥补非实时系统对历史记录数据的极强依赖性和系统响应速度慢等问题，但实时系统的准确性、可靠性不高。

综上所述，以上仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (11)

1.一种产品推荐方法，其特征在于，该方法包括如下步骤：

依次提取当前用户的一个指定用户标签；

依次获取该指定用户标签的一个匹配产品；

获取当前用户的所有用户标签及各个用户标签的权重比例，并获取上述匹配产品的所有产品标签及各个产品标签的权重比例，其中，所述用户标签的权重比例根据第一预设衰减公式随着时间参考指标进行调整，所述产品标签的权重比例根据第二预设衰减公式随着时间参考指标进行调整；

从获取的所有用户标签中依次读取一个用户标签及该用户标签的权重比例；

如果该读取的用户标签在产品标签中存在，则根据该读取的用户标签的权重比例、及该读取的用户标签在上述匹配产品中对应的产品标签的权重比例，计算该读取的用户标签的匹配度；

将所有读取的用户标签的匹配度相加，获得上述匹配产品的匹配度，然后获取下一个匹配产品，直到该指定用户标签的所有匹配产品获取完毕；

当计算完该指定用户标签的所有匹配产品的匹配度，提取下一个指定用户标签，直到当前用户的所有指定用户标签提取完毕；

当计算完所有指定用户标签的所有匹配产品的匹配度，计算出当前用户的所有匹配产品的最终匹配度；及

根据所有匹配产品的最终匹配度，选取指定数量的匹配产品发送至当前用户对应的用户设备；

所述第一预设衰减公式为，用户标签的衰减量＝((当前时间-第一初始时间)/第一衰减周期)*每周期衰减量，所述第二预设衰减公式为，产品标签的衰减量＝((当前时间-第二初始时间)/第二衰减周期)*每周期衰减量，其中，第一初始时间为用户标签第一次记录的时间，第二初始时间为产品标签第一次记录的时间。

2.如权利要求1所述的产品推荐方法，其特征在于，所述用户标签的权重比例根据用户标签的当前权重值计算得出，且所述用户标签的当前权重值根据第一预设衰减公式随着时间参考指标进行调整；

所述产品标签的权重比例根据产品标签的当前权重值计算得出，且所述产品标签的当前权重值根据第二预设衰减公式随着时间参考指标进行调整。

3.如权利要求2所述的产品推荐方法，其特征在于，该读取的用户标签的匹配度等于该读取的用户标签的权重比例乘以对应的产品标签的权重比例，所述对应的产品标签即与该读取的用户标签相同的产品标签。

4.如权利要求2所述的产品推荐方法，其特征在于，用户标签的权重比例和产品标签的权重比例通过以下方式计算：

依次提取一个用户的用户数据，并提取用户数据中的产品标签；

将提取的产品标签作为用户标签分配给该用户；

根据用户数据的类型和第一配置原则，配置上述用户标签的初始权重值；

根据第一预设衰减公式，计算上述用户标签的衰减量，并根据上述用户标签的初始权重值和该用户标签的衰减量，计算上述用户标签的当前权重值；

根据用户数据的类型和第二配置原则，配置上述产品标签的初始权重值；

根据第二预设衰减公式，计算上述产品标签的衰减量，并根据上述产品标签的初始权重值和该产品标签的衰减量，计算上述产品标签的当前权重值；

当所有用户的用户数据计算完成时，根据所有用户标签的当前权重值，计算各个用户标签在相同用户下的权重比例，作为各个用户标签的权重比例；及

根据所有产品的产品标签的当前权重值，计算各个产品标签在相同产品下的权重比例，作为各个产品标签的权重比例。

5.如权利要求4所述的产品推荐方法，其特征在于，所述第一配置原则用于配置用户标签的初始权重值大小，所述第二配置原则用于配置产品标签的初始权重值大小，且针对同一用户数据，根据第一配置原则配置的用户标签的初始权重值大于根据第二配置原则配置的产品标签的初始权重值。

6.如权利要求1所述的产品推荐方法，其特征在于，第一预设衰减公式中的第一衰减周期小于第二预设衰减公式中的第二衰减周期，且第一预设衰减公式中的每周期率减量大于第二预设衰减公式中的每周期率减量。

7.如权利要求4所述的产品推荐方法，其特征在于，所述用户标签的当前权重值等于用户标签的初始权重值减去用户标签的衰减量，所述产品标签的当前权重值等于产品标签的初始权重值减去产品标签的衰减量。

8.一种产品推荐系统，其特征在于，该系统包括：

依次提取当前用户的一个指定用户标签的模块；

依次获取该指定用户标签的一个匹配产品的模块；

获取当前用户的所有用户标签及各个用户标签的权重比例，并获取上述匹配产品的所有产品标签及各个产品标签的权重比例的模块，其中，所述用户标签的权重比例根据第一预设衰减公式随着时间参考指标进行调整，所述产品标签的权重比例根据第二预设衰减公式随着时间参考指标进行调整；

从获取的所有用户标签中依次读取一个用户标签及该用户标签的权重比例的模块；

如果该读取的用户标签在产品标签中存在，则根据该读取的用户标签的权重比例、及该读取的用户标签在上述匹配产品中对应的产品标签的权重比例，计算该读取的用户标签的匹配度的模块；

将所有读取的用户标签的匹配度相加，获得上述匹配产品的匹配度，然后获取下一个匹配产品，直到该指定用户标签的所有匹配产品获取完毕的模块；

当计算完该指定用户标签的所有匹配产品的匹配度，提取下一个指定用户标签，直到当前用户的所有指定用户标签提取完毕的模块；

当计算完所有指定用户标签的所有匹配产品的匹配度，计算出当前用户的所有匹配产品的最终匹配度的模块；及

根据所有匹配产品的最终匹配度，选取指定数量的匹配产品发送至当前用户对应的用户设备的模块；

所述第一预设衰减公式为，用户标签的衰减量＝((当前时间-第一初始时间)/第一衰减周期)*每周期衰减量，所述第二预设衰减公式为，产品标签的衰减量＝((当前时间-第二初始时间)/第二衰减周期)*每周期衰减量，其中，第一初始时间为用户标签第一次记录的时间，第二初始时间为产品标签第一次记录的时间。

9.如权利要求8所述的产品推荐系统，其特征在于，所述用户标签的权重比例根据用户标签的当前权重值计算得出，且所述用户标签的当前权重值根据第一预设衰减公式随着时间参考指标进行调整；

所述产品标签的权重比例根据产品标签的当前权重值计算得出，且所述产品标签的当前权重值根据第二预设衰减公式随着时间参考指标进行调整。

10.如权利要求9所述的产品推荐系统，其特征在于，该读取的用户标签的匹配度等于该读取的用户标签的权重比例乘以对应的产品标签的权重比例，所述对应的产品标签即与该读取的用户标签相同的产品标签。

11.如权利要求9所述的产品推荐系统，其特征在于，用户标签的权重比例和产品标签的权重比例通过以下方式计算：

依次提取一个用户的用户数据，并提取用户数据中的产品标签；

将提取的产品标签作为用户标签分配给该用户；

根据用户数据的类型和第一配置原则，配置上述用户标签的初始权重值；

根据第一预设衰减公式，计算上述用户标签的衰减量，并根据上述用户标签的初始权重值和该用户标签的衰减量，计算上述用户标签的当前权重值；

根据用户数据的类型和第二配置原则，配置上述产品标签的初始权重值；

根据第二预设衰减公式，计算上述产品标签的衰减量，并根据上述产品标签的初始权重值和该产品标签的衰减量，计算上述产品标签的当前权重值；

当所有用户的用户数据计算完成时，根据所有用户标签的当前权重值，计算各个用户标签在相同用户下的权重比例，作为各个用户标签的权重比例；及

根据所有产品的产品标签的当前权重值，计算各个产品标签在相同产品下的权重比例，作为各个产品标签的权重比例。