CN105069099A - 一种信息推荐方法及系统 - Google Patents

Abstract

本发明提供一种信息推荐方法及系统，其可以对用户在当前推荐页面中的操作进行监测，得到用户已点击查看的各个推荐信息以及各个推荐信息的用户行为信息，并基于各个推荐信息的用户行为信息，分别得到各个推荐信息的偏好程度，进一步基于各个推荐信息的偏好程度以及各个推荐信息的位置信息，得到用户未点击查看的推荐信息的降权系数，以各个推荐信息的偏好程度以及各个用户未点击查看的推荐信息的降权系数，调整每个推荐信息在下一次推荐页面中的位置信息，这样用户已点击查看的各个推荐信息会被调整至用户未点击查看的各个推荐信息之前显示，用户在点击查看推荐页面时更能及时直观的搜索到自身喜欢的推荐信息，从而提高推荐的准确度。

Description

一种信息推荐方法及系统

技术领域

本发明涉及个性化信息推荐技术领域，更具体地说，涉及一种信息推荐方法及系统。

背景技术

在信息过载和互联网用户数量剧增的今天，推荐系统作为连接用户和内容的桥梁，在新闻、购物和视频等内容网站上有着非常重要的作用。在这当中个性化的推荐系统尤为重要，个性化推荐系统可以将每个用户作为一个独立的个体区别对待，为每个用户推荐其感兴趣的物品，真正的做到“千人千面”的推荐效果。

目前已有的个性化推荐系统都可以较好的对用户的主动行为做出反馈，例如用户点击了一个视频或者评价了一个新闻，个性化推荐系统可以通过用户的主动行为得到用户喜欢的多媒体信息的类型，并且在以后推荐中进行相应改进，如增加与用户喜欢的多媒体信息的类型相类似的推荐信息。

但是个性化推荐系统在推荐界面上往往会推荐几十个甚至上百个的推荐信息，用户通常只会点击或者点赞其中的一个或者多个推荐信息，未被用户点击查看的推荐信息占众多推荐信息中的绝大多数，然而目前的个性化推荐系统并不能对这些未被用户点击查看的推荐信息进行任何处理，这样在以后推荐中这些未被用户点击查看的推荐信息会影响整个推荐信息的显示。

发明内容

有鉴于此，本发明的目的是提供一种信息推荐方法及系统，用于提高推荐的准确度和页面多样化。为了实现上述目的，本发明提供如下技术方案：

本发明提供一种信息推荐方法，所述方法包括：

对用户在当前推荐页面中的操作进行监测，得到用户已点击查看的各个推荐信息以及各个推荐信息的用户行为信息，其中所述用户行为信息表明用户对一个推荐信息的点击查看情况；

基于各个推荐信息的用户行为信息，分别得到各个推荐信息的偏好程度，其中所述偏好程度表明用户对相对应的推荐信息的关注程度；

基于所述各个推荐信息的偏好程度以及各个推荐信息的位置信息，得到用户未点击查看的推荐信息的降权系数；

以所述各个推荐信息的偏好程度以及各个所述用户未点击查看的推荐信息的降权系数为基准，调整每个所述推荐信息在下一次推荐页面中的位置信息，以将所述用户已点击查看的各个推荐信息调整至各个所述用户未点击查看的推荐信息之前显示。

优选的，所述基于各个推荐信息的用户行为信息，分别得到各个推荐信息的偏好程度，包括：

对每个推荐信息的用户行为信息分别执行如下计算过程以得到各个推荐信息的偏好程度，其中计算过程为：获得用户行为信息中各项参数的得分，并将各项参数的得分与各自权重进行归并计算，得到所述用户行为信息对应的所述推荐信息的偏好程度。

优选的，所述位置信息包括行位置信息和列位置信息；所述基于各个推荐信息的偏好程度以及各个推荐信息的位置信息，得到用户未点击查看的推荐信息的降权系数，包括：

当用户未点击查看的推荐信息的行位置信息大于用户已点击查看的各个推荐信息的行位置信息或者所述用户未点击查看的推荐信息的列位置信息大于用户已点击查看的各个推荐信息的列位置信息时，所述用户未点击查看的推荐信息的降权系数为1。

优选的，所述基于各个推荐信息的偏好程度以及各个推荐信息的位置信息，得到用户未点击查看的推荐信息的降权系数，包括：

当所述用户未点击查看的推荐信息的行位置信息小于等于用户已点击查看的各个推荐信息的行位置信息，且所述用户未点击查看的推荐信息的列位置信息小于等于用户已点击查看的各个推荐信息的列位置信息时，基于用户未点击查看的推荐信息的位置信息与用户点击查看的推荐信息的位置信息，得到用户未点击查看的推荐信息的反馈系数，其中所述反馈系数用于指示所述用户未点击查看的推荐信息与用户已点击查看的各个推荐信息在所述下一次推荐页面中的位置关系；

基于用户未点击查看的推荐信息的反馈系数与各个推荐信息的偏好程度，得到用户未点击查看的推荐信息的降权系数。

优选的，所述基于用户未点击查看的推荐信息的位置信息与用户点击查看的推荐信息的位置信息，得到用户未点击查看的推荐信息的反馈系数，包括：

依据公式：weight＝row_decay^(m-i)*column_decay^(n-j)得到用户未点击查看的推荐信息的反馈系数weight，其中row_decay为行衰减，column_decay为列衰减，m为用户已点击查看的推荐信息的行，i为用户未点击查看的推荐信息的行，n为用户已点击查看的推荐信息的列，j为用户未点击查看的推荐信息的列；

所述基于用户未点击查看的推荐信息的反馈系数与各个推荐信息的偏好程度，得到用户未点击查看的推荐信息的降权系数，包括：

依据公式：score(X,Y)＝Pref(Y)*weight得到用户未点击查看的推荐信息相对于任意一个用户已点击查看的推荐信息的降权得分score(X，Y)，并依据公式score(X)＝∑_Y∈Iscore(X，Y)得到用户未点击查看的推荐信息的降权系数，其中X为用户未点击查看的推荐信息，Y为用户已点击查看的推荐信息，且I为用户已点击查看的各个推荐信息的集合。

本发明还提供一种信息推荐系统，所述系统包括：

监测模块，用于对用户在当前推荐页面中的操作进行监测，得到用户已点击查看的各个推荐信息以及各个推荐信息的用户行为信息，其中所述用户行为信息表明用户对一个推荐信息的点击查看情况；

分析模块，用于基于各个推荐信息的用户行为信息，分别得到各个推荐信息的偏好程度，其中所述偏好程度表明用户对相对应的推荐信息的关注程度；

计算模块，用于基于所述各个推荐信息的偏好程度以及各个推荐信息的位置信息，得到用户未点击查看的推荐信息的降权系数；

调整模块，用于以所述各个推荐信息的偏好程度以及各个所述用户未点击查看的推荐信息的降权系数为基准，调整每个所述推荐信息在下一次推荐页面中的位置信息，以将所述用户已点击查看的各个推荐信息调整至各个所述用户未点击查看的推荐信息之前显示。

优选的，所述分析模块用于包括：对每个推荐信息的用户行为信息分别执行如下计算过程以得到各个推荐信息的偏好程度，其中计算过程为：获得用户行为信息中各项参数的得分，并将各项参数的得分与各自权重进行归并计算，得到所述用户行为信息对应的所述推荐信息的偏好程度。

优选的，所述位置信息包括行位置信息和列位置信息；所述计算模块包括：

第一计算单元，用于当用户未点击查看的推荐信息的行位置信息大于用户已点击查看的各个推荐信息的行位置信息或者所述用户未点击查看的推荐信息的列位置信息大于用户已点击查看的各个推荐信息的列位置信息时，所述用户未点击查看的推荐信息的降权系数为1；

第二计算单元，用于当所述用户未点击查看的推荐信息的行位置信息小于等于用户已点击查看的各个推荐信息的行位置信息，且所述用户未点击查看的推荐信息的列位置信息小于等于用户已点击查看的各个推荐信息的列位置信息时，基于用户未点击查看的推荐信息的位置信息与用户点击查看的推荐信息的位置信息，得到用户未点击查看的推荐信息的反馈系数，其中所述反馈系数用于指示所述用户未点击查看的推荐信息与用户已点击查看的各个推荐信息在所述下一次推荐页面中的位置关系；

第三计算单元，用于基于用户未点击查看的推荐信息的反馈系数与各个推荐信息的偏好程度，得到用户未点击查看的推荐信息的降权系数。

优选的，所述第二计算单元用于：依据公式：weight＝row_decay^(m-i)*column_decay^(n-j)得到用户未点击查看的推荐信息的反馈系数weight，其中row_decay为行衰减，column_decay为列衰减，m为用户已点击查看的推荐信息的行，i为用户未点击查看的推荐信息的行，n为用户已点击查看的推荐信息的列，j为用户未点击查看的推荐信息的列；

所述第三计算单元用于：依据公式：score(X,Y)＝Pref(Y)*weight得到用户未点击查看的推荐信息相对于任意一个用户已点击查看的推荐信息的降权得分score(X，Y)，并依据公式score(X)＝∑_Y∈Iscore(X，Y)得到用户未点击查看的推荐信息的降权系数，其中X为用户未点击查看的推荐信息，Y为用户已点击查看的推荐信息，且I为用户已点击查看的各个推荐信息的集合。

与现有技术相比，本发明的优点如下：

本发明提供的上述技术方案中，可以对用户在当前推荐页面中的操作进行监测，得到用户已点击查看的各个推荐信息以及各个推荐信息的用户行为信息，并基于各个推荐信息的用户行为信息，分别得到各个推荐信息的偏好程度，进一步基于各个推荐信息的偏好程度以及各个推荐信息的位置信息，得到用户未点击查看的推荐信息的降权系数，以各个推荐信息的偏好程度以及各个用户未点击查看的推荐信息的降权系数，调整每个推荐信息在下一次推荐页面中的位置信息，这样用户已点击查看的各个推荐信息会被调整至用户未点击查看的各个推荐信息之前显示，用户在点击查看推荐页面时更能及时直观的搜索到自身喜欢的推荐信息，从而提高推荐的准确度。

并且对于不同的用户来说，用户在当前推荐页面中的操作不同使得得到用户已点击查看的各个推荐信息以及各个推荐信息的用户行为信息也会不同，这样后续调整后的下一次推荐页面中每个推荐信息的位置信息也不同，使得不同用户来说推荐页面可能也会不同，从而提高推荐页面的多样化。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1为本发明实施例提供的信息推荐方法的流程图；

图2为本发明实施例提供的推荐页面的示意图；

图3为本发明实施例提供的信息推荐系统的结构示意图；

图4为本发明实施例提供的信息推荐系统中计算模块的结构示意图。

具体实施方式

为了使本领域技术人员更好地理解本发明实施例，下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。

请参阅图1，其示出了本发明实施例提供的信息推荐方法的一种流程图，可以基于用户对当前推荐页面中的操作，来调整推荐信息在下一次推荐页面中的位置信息，以提高推荐的准确度和页面多样化，具体可以包括以下步骤：

101：对用户在当前推荐页面中的操作进行监测，得到用户已点击查看的各个推荐信息以及各个推荐信息的用户行为信息，其中用户行为信息表明用户对一个推荐信息的点击查看情况。

可以理解的是：用户在对当前推荐页面中推荐信息进行点击查看时，可以对各个推荐信息进行点击操作，这样用户在推荐页面中的点击操作会被监测到，从而基于点击操作位置可以查找到与点击操作位置对应的推荐信息，这个与点击操作位置对应的推荐信息即是用户已点击查看的推荐信息。

并且在查找到与点击操作位置对应的推荐信息后，还可以进一步追踪用户对推荐信息的点击查看情况，得到推荐信息的用户行为信息，其中用户行为信息至少包括浏览时长、评论数量、评论字数、分享次数、是否点赞以及是否下载。评论数量用于指示同一个用户所评论的推荐信息的数量；评论字数用于指示同一个用户对每个推荐信息进行评论时给出的字数。

在本发明实施例中，每个用户具有一个唯一的身份标识符，这样则可以区分不同用户。例如推荐页面为一个网站提供的网页时，对于注册到网站的用户来说，每个注册到网站的用户都会为其分配一个UID(UserIdentification，会员编号)，当作为会员的用户在浏览网页时可以以注册到网站时的会员账号和密码登陆到网站，此时则可以将UID作为身份标识符。

然而除会员之外，还有未注册到网站且又对网站提供的网页进行浏览的普通用户，对于这种类型的用户，在其浏览网页时会为其自动生成一个GUID(GloballyUniqueIdentifier，全局唯一标识符)，因此可以将为分配的GUID作为身份标识符。

102：基于各个推荐信息的用户行为信息，分别得到各个推荐信息的偏好程度，其中偏好程度表明用户对相对应的推荐信息的关注程度。例如对于推荐信息A来说，通过推荐信息A的用户行为信息，可以得到推荐信息A的偏好程度，以表明用户对推荐信息A的关注程度。所谓关注程度通常表示推荐页面在显示推荐信息A之后，推荐信息A被用户点击查看的几率，当推荐信息的关注程度越大时，推荐信息被用户点击查看的几率越大；当推荐信息的关注程度越小时，推荐信息被用户点击查看的几率越小。

在本发明实施例中，基于推荐信息的用户行为信息，得到推荐信息的偏好程度的一种方式如下：

获得用户行为信息中各项参数的得分，并将各项参数的得分与各自权重进行归并计算，得到推荐信息的偏好程度。例如用户行为信息包括A、B和C三项参数，且A、B和C这三项参数对应的权重分别是X、Y和Z，那么在获得这三项参数的得分A1、B1和C1，对这三项参数的得分与各自权重进行如下的归并计算：A1*X+B1*Y+C1*Z，归并计算的结果则是推荐信息的偏好程度。

在实际应用中用户行为信息至少包括览时长、评论数量、评论字数、分享次数、是否点赞以及是否下载这些参数，计算这些参数得分的方式如表1所示，当然在实际应用中可以根据用户行为信息包括的具体参数进行适当调整，在本发明实施例中表1是一个实例性说明。

表1用户行为信息中各项参数计算方法表

对于不同类型的参数，根据其对用户喜好类型的贡献程度可能性进行权重分配。对于某些能明显反应用户喜好类型，如评分类型，权重设置较高。上述各项参数的权重设置可以如表2所示。

表2权重表

参数	权重
		点击/浏览	0.3
评分/点赞	0.6
		分享	0.4
下载	0.4
		评论	0.3

举例来说，推荐信息B和C为用户已点击查看的推荐信息，且对这两个推荐信息用户分别浏览了12分钟和14分钟，并且将推荐信息B分享给了4个好友，对推荐信息C进行了评分1分的操作。根据表1则得到的得分如下：{(B,点击/浏览,0.6),(B,分享,0.8),(C,点击/浏览,0.7),(C,评分/点赞,0.2)}。

将上述得分与权重进行归并计算，得到推荐信息B的偏好程度是0.6*0.3+0.8*0.4＝0.5，而推荐信息C的偏好程度是0.7*0.3+0.2*0.6＝0.33，即Pref＝{(B,0.5),(C,0.33)}，其中Pref表示偏好程度，(B,0.5)则表示推荐信息B的偏好程度是0.5。

103：基于各个推荐信息的偏好程度以及各个推荐信息的位置信息，得到用户未点击查看的推荐信息的降权系数，其中降权系数用于指示用户未点击查看的推荐信息在下一次推荐页面中降低其出现的可能性。

在本发明实施例中，各个推荐信息的偏好程度表明用户对推荐信息的关注程度，在用户点击查看这些推荐信息的同时，通过用户点击查看数据和查看推荐页面的习惯，用户也会点击查看那些位于用户已点击查看的推荐信息之上的推荐信息，但是对于位于用户已点击查看的推荐信息之上的推荐信息，用户并未对其进行点击查看，由此说明当前推荐页面的推荐信息有可能不符合用户的实际喜爱情况，因此需要根据用户未点击查看的各个推荐信息的位置信息对其进行相应的降权处理，以降低其出现在下一次推荐页面中的可能性。

其中推荐信息的位置信息包括行位置信息和列位置信息，用于指示推荐信息在推荐页面中的位置。当用户未点击查看的推荐信息与用户已点击查看的推荐信息之间的位置关系不同时，用户未点击查看的推荐信息的降权系数的计算方式也不同。具体计算如下所示：

当用户未点击查看的推荐信息的行位置信息大于用户已点击查看的各个推荐信息的行位置信息或者用户未点击查看的推荐信息的列位置信息大于用户已点击查看的各个推荐信息的列位置信息时，用户未点击查看的推荐信息的降权系数为1。

可以理解的是：当用户未点击查看的推荐信息的行位置信息大于用户已点击查看的各个推荐信息的行位置信息或者用户未点击查看的推荐信息的列位置信息大于用户已点击查看的各个推荐信息的列位置信息时，表明用户未点击查看的推荐信息位于用户已点击查看的各个推荐信息之后，此时无法判断用户是否喜爱该推荐信息，因此可以将其降权系数设置为1，表明这个用户未点击查看的推荐信息与用户已点击查看的各个推荐信息之间的位置关系不变。

当用户未点击查看的推荐信息的行位置信息小于等于用户已点击查看的各个推荐信息的行位置信息，且用户未点击查看的推荐信息的列位置信息小于等于用户已点击查看的各个推荐信息的列位置信息时，首先基于用户未点击查看的推荐信息的位置信息与用户点击查看的推荐信息的位置信息，得到用户未点击查看的推荐信息的反馈系数；然后基于用户未点击查看的推荐信息的反馈系数与各个推荐信息的偏好程度，得到用户未点击查看的推荐信息的降权系数。其中反馈系数用于指示用户未点击查看的推荐信息与用户已点击查看的各个推荐信息在下一次推荐页面中的位置关系。

在本发明实施例中，可以依据公式：weight＝row_decay^(m-i)*column_decay^(n-j)得到用户未点击查看的推荐信息的反馈系数weight，其中row_decay为行衰减，column_decay为列衰减，m为用户已点击查看的推荐信息的行，i为用户未点击查看的推荐信息的行，n为用户已点击查看的推荐信息的列，j为用户未点击查看的推荐信息的列；

相应的基于用户未点击查看的推荐信息的反馈系数与各个推荐信息的偏好程度，得到用户未点击查看的推荐信息的降权系数，包括：

依据公式：score(X,Y)＝Pref(Y)*weight得到用户未点击查看的推荐信息相对于任意一个用户已点击查看的推荐信息的降权得分score(X，Y)，并依据公式score(X)＝∑_Y∈Iscore(X,Y)得到用户未点击查看的推荐信息的降权系数，其中X为用户未点击查看的推荐信息，Y为用户已点击查看的推荐信息，且I为用户已点击查看的各个推荐信息的集合。

下面举例进行说明：用户已点击查看的推荐信息Y在推荐页面中的位置信息是：行为m，列为n，定义的行衰减为row_decay，列衰减为column_decay来计算用户未点击查看的推荐信息X的降权系数，推荐信息X的行列分别是：i,j

如果i>m或者j>n，推荐信息X的降权系数为1。

如果i<＝m并且j<＝n，那么推荐信息X的反馈系数weight为:weight＝row_decay^(m-i)*column_decay^(n-j)。进一步推荐信息X的针对物品Y的降权得分为：score(X,Y)＝Pref(Y)*weight。然后再计算推荐信息X针对所有用户已点击查看的推荐信息的降权系数，即将所有发生了显式行为的物品集合I收集计算过后，加和得到最后物品X的总降权得分为：score(X)＝∑_Y∈Iscore(X,Y)，I为用户已点击查看的各个推荐信息的集合。

结合图2所示的推荐页面的示意图来说，假设第3行第3列的推荐信息Y为用户已点击查看的推荐信息，那么对于位于其后的各个推荐信息来说，如第4行和第4列的推荐信息来说无法判断其是否是用户喜好的推荐信息，因此将其降权系数设置为1。

此外从推荐页面布局上看，逻辑上用户已经看到第3行第3列之前的各个推荐信息，但是却并没有发生任何的行为，因此需要对这些推荐信息进行降权处理。假设行衰减和列衰减都设定为0.9，位于第3行第3列之前的各个推荐信息的反馈系数则可以根据位置进行计算。比如第2行第3列的物品就是0.9¹*0.9⁰＝0.9；而第1行第1列的物品就是0.9²*0.9²＝0.656。

在计算出各个推荐信息的反馈系数后，则可以根据上述计算公式score(X,Y)＝Pref(Y)*weight和score(X)＝∑_Y∈Iscore(X,Y)可以得到各个推荐信息的降权系数。

可以理解的是：推荐信息Y的偏好程度越高，位于推荐信息Y之前的其他用户未点击查看的各个推荐信息的降权系数越大，其降权幅度就越小。这是因为如果推荐信息Y本身的用户偏好非常大，说明用户对位于推荐信息Y之前的其他用户未点击查看的各个推荐信息有一定兴趣，因此降低位于推荐信息Y之前的其他用户未点击查看的各个推荐信息的降权幅度，有利于用户在下一次推荐页面中可以尽快的搜索到这些位于推荐信息Y的各个推荐信息。

104：以用户已点击查看的各个推荐信息的偏好程度以及各个用户未点击查看的推荐信息的降权系数为基准，调整每个推荐信息在下一次推荐页面中的位置信息，以将用户已点击查看的各个推荐信息调整至各个用户未点击查看的推荐信息之前显示。这样用户已点击查看的各个推荐信息在下一次推荐页面中可以显示在较为靠前的位置，用户可以尽快搜索到这些推荐信息，从而提高推荐的准确度。

从上述技术方案可以看出，本发明实施例提供的信息推荐方法可以对用户在当前推荐页面中的操作进行监测，得到用户已点击查看的各个推荐信息以及各个推荐信息的用户行为信息，并基于各个推荐信息的用户行为信息，分别得到各个推荐信息的偏好程度，进一步基于各个推荐信息的偏好程度以及各个推荐信息的位置信息，得到用户未点击查看的推荐信息的降权系数，以各个推荐信息的偏好程度以及各个用户未点击查看的推荐信息的降权系数，调整每个推荐信息在下一次推荐页面中的位置信息，这样用户已点击查看的各个推荐信息会被调整至用户未点击查看的各个推荐信息之前显示，用户在点击查看推荐页面时更能及时直观的搜索到自身喜欢的推荐信息，从而提高推荐的准确度。

并且对于不同的用户来说，用户在当前推荐页面中的操作不同使得得到用户已点击查看的各个推荐信息以及各个推荐信息的用户行为信息，这样后续调整后的下一次推荐页面中每个推荐信息的位置信息也不同，使得不同用户来说推荐页面可能也会不同，从而提高推荐页面的多样化。

与上述方法实施例相对应，本发明实施例还提供一种信息推荐系统，其结构示意图如图3所示，可以包括：监测模块11、分析模块12、计算模块13和调整模块14。

监测模块11，用于对用户在当前推荐页面中的操作进行监测，得到用户已点击查看的各个推荐信息以及各个推荐信息的用户行为信息，其中用户行为信息表明用户对一个推荐信息的点击查看情况。

可以理解的是：用户在对当前推荐页面中推荐信息进行点击查看时，可以对各个推荐信息进行点击操作，这样用户在推荐页面中的点击操作会被监测到，从而基于点击操作位置可以查找到与点击操作位置对应的推荐信息，这个与点击操作位置对应的推荐信息即是用户已点击查看的推荐信息。

并且在查找到与点击操作位置对应的推荐信息后，还可以进一步追踪用户对推荐信息的点击查看情况，得到推荐信息的用户行为信息，其中用户行为信息至少包括浏览时长、评论数量、评论字数、分享次数、是否点赞以及是否下载。评论数量用于指示同一个用户所评论的推荐信息的数量；评论字数用于指示同一个用户对每个推荐信息进行评论时给出的字数。

分析模块12，用于基于各个推荐信息的用户行为信息，分别得到各个推荐信息的偏好程度，其中偏好程度表明用户对相对应的推荐信息的关注程度。

例如对于推荐信息A来说，通过推荐信息A的用户行为信息，可以得到推荐信息A的偏好程度，以表明用户对推荐信息A的关注程度。所谓关注程度通常表示推荐页面在显示推荐信息A之后，推荐信息A被用户点击查看的几率，当推荐信息的关注程度越大时，推荐信息被用户点击查看的几率越大；当推荐信息的关注程度越小时，推荐信息被用户点击查看的几率越小。

在本发明实施例中，基于推荐信息的用户行为信息，得到推荐信息的偏好程度的一种方式如下：

获得用户行为信息中各项参数的得分，并将各项参数的得分与各自权重进行归并计算，得到推荐信息的偏好程度。例如用户行为信息包括A、B和C三项参数，且A、B和C这三项参数对应的权重分别是X、Y和Z，那么在获得这三项参数的得分A1、B1和C1，对这三项参数的得分与各自权重进行如下的归并计算：A1*X+B1*Y+C1*Z，归并计算的结果则是推荐信息的偏好程度。

在实际应用中用户行为信息至少包括览时长、评论数量、评论字数、分享次数、是否点赞以及是否下载这些参数，计算这些参数得分的方式如上述表1和表2所示。

计算模块13，用于基于各个推荐信息的偏好程度以及各个推荐信息的位置信息，得到用户未点击查看的推荐信息的降权系数，其中降权系数用于指示用户未点击查看的推荐信息在下一次推荐页面中降低其出现的可能性。

在本发明实施例中，各个推荐信息的偏好程度表明用户对推荐信息的关注程度，在用户点击查看这些推荐信息的同时，通过用户点击查看数据和查看推荐页面的习惯，用户也会点击查看那些位于用户已点击查看的推荐信息之上的推荐信息，但是对于位于用户已点击查看的推荐信息之上的推荐信息，用户并未对其进行点击查看，由此说明当前推荐页面的推荐信息有可能不符合用户的实际喜爱情况，因此需要根据用户未点击查看的各个推荐信息的位置信息对其进行相应的降权处理，以降低其出现在下一次推荐页面中的可能性。

其中推荐信息的位置信息包括行位置信息和列位置信息，用于指示推荐信息在推荐页面中的位置。相应的本发明实施例中计算模块13的结构示意图如图4所示，可以包括：第一计算单元131、第二计算单元132和第三计算单元133。

第一计算单元131，用于当用户未点击查看的推荐信息的行位置信息大于用户已点击查看的各个推荐信息的行位置信息或者用户未点击查看的推荐信息的列位置信息大于用户已点击查看的各个推荐信息的列位置信息时，用户未点击查看的推荐信息的降权系数为1。

可以理解的是：当用户未点击查看的推荐信息的行位置信息大于用户已点击查看的各个推荐信息的行位置信息或者用户未点击查看的推荐信息的列位置信息大于用户已点击查看的各个推荐信息的列位置信息时，表明用户未点击查看的推荐信息位于用户已点击查看的各个推荐信息之后，此时无法判断用户是否喜爱该推荐信息，因此可以将其降权系数设置为1，表明这个用户未点击查看的推荐信息与用户已点击查看的各个推荐信息之间的位置关系不变。

第二计算单元132，用于当用户未点击查看的推荐信息的行位置信息小于等于用户已点击查看的各个推荐信息的行位置信息，且用户未点击查看的推荐信息的列位置信息小于等于用户已点击查看的各个推荐信息的列位置信息时，基于用户未点击查看的推荐信息的位置信息与用户点击查看的推荐信息的位置信息，得到用户未点击查看的推荐信息的反馈系数，其中反馈系数用于指示用户未点击查看的推荐信息与用户已点击查看的各个推荐信息在下一次推荐页面中的位置关系。

第三计算单元133，用于基于用户未点击查看的推荐信息的反馈系数与各个推荐信息的偏好程度，得到用户未点击查看的推荐信息的降权系数。

具体的，第二计算单元用于：依据公式：weight＝row_decay^(m-i)*column_decay^(n-j)得到用户未点击查看的推荐信息的反馈系数weight，其中row_decay为行衰减，column_decay为列衰减，m为用户已点击查看的推荐信息的行，i为用户未点击查看的推荐信息的行，n为用户已点击查看的推荐信息的列，j为用户未点击查看的推荐信息的列。

第三计算单元用于：依据公式：score(X,Y)＝Pref(Y)*weight得到用户未点击查看的推荐信息相对于任意一个用户已点击查看的推荐信息的降权得分score(X,Y)，并依据公式score(X)＝∑_Y∈Iscore(X,Y)得到用户未点击查看的推荐信息的降权系数，其中X为用户未点击查看的推荐信息，Y为用户已点击查看的推荐信息，且I为用户已点击查看的各个推荐信息的集合。

调整模块14，用于以各个推荐信息的偏好程度以及各个用户未点击查看的推荐信息的降权系数为基准，调整每个推荐信息在下一次推荐页面中的位置信息，以将用户已点击查看的各个推荐信息调整至各个用户未点击查看的推荐信息之前显示。这样用户已点击查看的各个推荐信息在下一次推荐页面中可以显示在较为靠前的位置，用户可以尽快搜索到这些推荐信息，从而提高推荐的准确度。

从上述技术方案可以看出，本发明实施例提供的信息推荐系统可以对用户在当前推荐页面中的操作进行监测，得到用户已点击查看的各个推荐信息以及各个推荐信息的用户行为信息，并基于各个推荐信息的用户行为信息，分别得到各个推荐信息的偏好程度，进一步基于各个推荐信息的偏好程度以及各个推荐信息的位置信息，得到用户未点击查看的推荐信息的降权系数，以各个推荐信息的偏好程度以及各个用户未点击查看的推荐信息的降权系数，调整每个推荐信息在下一次推荐页面中的位置信息，这样用户已点击查看的各个推荐信息会被调整至用户未点击查看的各个推荐信息之前显示，用户在点击查看推荐页面时更能及时直观的搜索到自身喜欢的推荐信息，从而提高推荐的准确度。

并且对于不同的用户来说，用户在当前推荐页面中的操作不同使得得到用户已点击查看的各个推荐信息以及各个推荐信息的用户行为信息，这样后续调整后的下一次推荐页面中每个推荐信息的位置信息也不同，使得不同用户来说推荐页面可能也会不同，从而提高推荐页面的多样化。

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。

对所公开的实施例的上述说明，使本领域技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (9)

1.一种信息推荐方法，其特征在于，所述方法包括：

对用户在当前推荐页面中的操作进行监测，得到用户已点击查看的各个推荐信息以及各个推荐信息的用户行为信息，其中所述用户行为信息表明用户对一个推荐信息的点击查看情况；

基于各个推荐信息的用户行为信息，分别得到各个推荐信息的偏好程度，其中所述偏好程度表明用户对相对应的推荐信息的关注程度；

基于所述各个推荐信息的偏好程度以及各个推荐信息的位置信息，得到用户未点击查看的推荐信息的降权系数；

以所述各个推荐信息的偏好程度以及各个所述用户未点击查看的推荐信息的降权系数为基准，调整每个所述推荐信息在下一次推荐页面中的位置信息，以将所述用户已点击查看的各个推荐信息调整至各个所述用户未点击查看的推荐信息之前显示。

2.根据权利要求1所述的方法，其特征在于，所述基于各个推荐信息的用户行为信息，分别得到各个推荐信息的偏好程度，包括：

对每个推荐信息的用户行为信息分别执行如下计算过程以得到各个推荐信息的偏好程度，其中计算过程为：获得用户行为信息中各项参数的得分，并将各项参数的得分与各自权重进行归并计算，得到所述用户行为信息对应的所述推荐信息的偏好程度。

3.根据权利要求1所述的方法，其特征在于，所述位置信息包括行位置信息和列位置信息；所述基于各个推荐信息的偏好程度以及各个推荐信息的位置信息，得到用户未点击查看的推荐信息的降权系数，包括：

当用户未点击查看的推荐信息的行位置信息大于用户已点击查看的各个推荐信息的行位置信息或者所述用户未点击查看的推荐信息的列位置信息大于用户已点击查看的各个推荐信息的列位置信息时，所述用户未点击查看的推荐信息的降权系数为1。

4.根据权利要求3所述的方法，其特征在于，所述基于各个推荐信息的偏好程度以及各个推荐信息的位置信息，得到用户未点击查看的推荐信息的降权系数，包括：

当所述用户未点击查看的推荐信息的行位置信息小于等于用户已点击查看的各个推荐信息的行位置信息，且所述用户未点击查看的推荐信息的列位置信息小于等于用户已点击查看的各个推荐信息的列位置信息时，基于用户未点击查看的推荐信息的位置信息与用户点击查看的推荐信息的位置信息，得到用户未点击查看的推荐信息的反馈系数，其中所述反馈系数用于指示所述用户未点击查看的推荐信息与用户已点击查看的各个推荐信息在所述下一次推荐页面中的位置关系；

基于用户未点击查看的推荐信息的反馈系数与各个推荐信息的偏好程度，得到用户未点击查看的推荐信息的降权系数。

5.根据权利要求4所述的方法，其特征在于，所述基于用户未点击查看的推荐信息的位置信息与用户点击查看的推荐信息的位置信息，得到用户未点击查看的推荐信息的反馈系数，包括：

依据公式：weight＝row_decay^(m-i)*column_decay^(n-j)得到用户未点击查看的推荐信息的反馈系数weight，其中row_decay为行衰减，column_decay为列衰减，m为用户已点击查看的推荐信息的行，i为用户未点击查看的推荐信息的行，n为用户已点击查看的推荐信息的列，j为用户未点击查看的推荐信息的列；

所述基于用户未点击查看的推荐信息的反馈系数与各个推荐信息的偏好程度，得到用户未点击查看的推荐信息的降权系数，包括：

依据公式：score(X,Y)＝Pref(Y)*weight得到用户未点击查看的推荐信息相对于任意一个用户已点击查看的推荐信息的降权得分score(X,Y)，并依据公式score(X)＝∑_Y∈Iscore(X,Y)得到用户未点击查看的推荐信息的降权系数，其中X为用户未点击查看的推荐信息，Y为用户已点击查看的推荐信息，且I为用户已点击查看的各个推荐信息的集合。

6.一种信息推荐系统，其特征在于，所述系统包括：

监测模块，用于对用户在当前推荐页面中的操作进行监测，得到用户已点击查看的各个推荐信息以及各个推荐信息的用户行为信息，其中所述用户行为信息表明用户对一个推荐信息的点击查看情况；

分析模块，用于基于各个推荐信息的用户行为信息，分别得到各个推荐信息的偏好程度，其中所述偏好程度表明用户对相对应的推荐信息的关注程度；

计算模块，用于基于所述各个推荐信息的偏好程度以及各个推荐信息的位置信息，得到用户未点击查看的推荐信息的降权系数；

调整模块，用于以所述各个推荐信息的偏好程度以及各个所述用户未点击查看的推荐信息的降权系数为基准，调整每个所述推荐信息在下一次推荐页面中的位置信息，以将所述用户已点击查看的各个推荐信息调整至各个所述用户未点击查看的推荐信息之前显示。

7.根据权利要求6所述的系统，其特征在于，所述分析模块用于包括：对每个推荐信息的用户行为信息分别执行如下计算过程以得到各个推荐信息的偏好程度，其中计算过程为：获得用户行为信息中各项参数的得分，并将各项参数的得分与各自权重进行归并计算，得到所述用户行为信息对应的所述推荐信息的偏好程度。

8.根据权利要求6所述的系统，其特征在于，所述位置信息包括行位置信息和列位置信息；所述计算模块包括：

第一计算单元，用于当用户未点击查看的推荐信息的行位置信息大于用户已点击查看的各个推荐信息的行位置信息或者所述用户未点击查看的推荐信息的列位置信息大于用户已点击查看的各个推荐信息的列位置信息时，所述用户未点击查看的推荐信息的降权系数为1；

第二计算单元，用于当所述用户未点击查看的推荐信息的行位置信息小于等于用户已点击查看的各个推荐信息的行位置信息，且所述用户未点击查看的推荐信息的列位置信息小于等于用户已点击查看的各个推荐信息的列位置信息时，基于用户未点击查看的推荐信息的位置信息与用户点击查看的推荐信息的位置信息，得到用户未点击查看的推荐信息的反馈系数，其中所述反馈系数用于指示所述用户未点击查看的推荐信息与用户已点击查看的各个推荐信息在所述下一次推荐页面中的位置关系；

第三计算单元，用于基于用户未点击查看的推荐信息的反馈系数与各个推荐信息的偏好程度，得到用户未点击查看的推荐信息的降权系数。

9.根据权利要求8所述的系统，其特征在于，所述第二计算单元用于：依据公式：weight＝row_decay^(m-i)*column_decay^(n-j)得到用户未点击查看的推荐信息的反馈系数weight，其中row_decay为行衰减，column_decay为列衰减，m为用户已点击查看的推荐信息的行，i为用户未点击查看的推荐信息的行，n为用户已点击查看的推荐信息的列，j为用户未点击查看的推荐信息的列；

所述第三计算单元用于：依据公式：score(X,Y)＝Pref(Y)*weight得到用户未点击查看的推荐信息相对于任意一个用户已点击查看的推荐信息的降权得分score(X,Y)，并依据公式score(X)＝∑_Y∈Iscore(X,Y)得到用户未点击查看的推荐信息的降权系数，其中X为用户未点击查看的推荐信息，Y为用户已点击查看的推荐信息，且I为用户已点击查看的各个推荐信息的集合。