CN105912546A - 一种推荐信息的处理方法及装置 - Google Patents

Abstract

本发明实施例提供一种推荐信息的处理方法及装置，其中，所述方法包括：当推荐信息出现时，在预设时间段内监测用户施加于所述推荐信息上的关闭指令；当在所述预设时间段内在所述推荐信息上出现所述关闭指令时，确定所述推荐信息所属的频道；结合所述用户的历史信息，确定所述频道中候选的信息类型；从所述候选的信息类型中筛选出过滤类型，并停止向所述用户推荐属于所述过滤类型的信息。本发明实施例提供的一种推荐信息的处理方法及装置，能够在不增加用户负担的情况下，为用户提供感兴趣的推荐信息，并且为用户屏蔽不感兴趣的推荐信息。

Description

一种推荐信息的处理方法及装置

技术领域

本发明实施例涉及信息处理技术领域，尤其涉及一种推荐信息的处理方法及装置。

背景技术

随着通信网络技术的不断发展，人们越来越习惯于利用互联网获取各种各样的信息。然而，随着信息的增长，人们想从众多的信息中获取自己需要的信息也越来越困难。在这种情况下，搜索引擎应运而生。搜索引擎能够根据用户输入的一个或者多个关键词，从海量的信息中筛选出与用户提供的关键词相关的信息，以供用户浏览。

由上可见，搜索引擎属于用户主动式的信息查询方式，即需要用户作为主导，为搜索引擎提供一定量的关键词，搜索引擎才能正常运作。

然而有些时候，用户心目中并没有十分强烈的主动查询的意愿，只是想被动地接收一些可供查看的信息。这样，推荐信息便应运而生。推荐信息出现的形式可以多种多样，例如可以通过推送的方式发送到用户的移动终端上，也可以通过弹窗的方式显示于用户的计算机桌面上。

推荐信息中往往包含了丰富的信息，这些信息一般会被归类存放，例如推荐信息可以设置多个频道，包括生活、科技、金融、房产等等。在每个频道中则可以罗列多个信息的标题。这些信息可以根据该信息的热度进行排序。这样，通过推送或者弹窗的方式向用户进行信息推荐时，便可以让用户从推荐的信息中选择自己感兴趣的信息进行浏览。

然而，随着推荐信息给用户带来便利的同时，其提供的大量信息也会给用户带来困扰。例如，用户A比较喜欢看金融方面的信息，当每次在接收到金融方面的推荐信息时，还会接收到涉及科技、人文等不感兴趣的信息，这样，用户A每次接收到推荐信息时，都需要将科技、人文等推荐信息关闭，这无疑增加了用户操作的复杂性，破坏了用户的良好体验。

针对上述问题，当前的解决方法主要有两种：一种是让用户对推荐信息进行筛选，去除那些自身不感兴趣的推荐信息。例如可以在移动终端的系统中针对每款应用，设置是否接收其推送的信息。但是这种方法仍然比较繁琐，当涉及的应用数量很庞大时，会浪费用户较多的时间去逐个进行设置；另一种则是对弹窗进行屏蔽，即不接收网页发来的所有推荐信息。然而这种方法的弊端显而易见，通过屏蔽的方法能够使用户远离垃圾信息的干扰，但同时也将用户感兴趣的信息拒之于门外，无法给用户提供较好的服务。

由此可见，现有技术中对于推荐信息的处理方法均无法很好地解决存在的问题。

发明内容

本发明实施例提供一种推荐信息的处理方法及装置，能够在不增加用户负担的情况下，为用户提供感兴趣的推荐信息，并且为用户屏蔽不感兴趣的推荐信息。

本发明实施例提供一种推荐信息的处理方法，包括：当推荐信息出现时，在预设时间段内监测用户施加于所述推荐信息上的关闭指令；当在所述预设时间段内在所述推荐信息上出现所述关闭指令时，确定所述推荐信息所属的频道；结合所述用户的历史信息，确定所述频道中候选的信息类型；从所述候选的信息类型中筛选出过滤类型，并停止向所述用户推荐属于所述过滤类型的信息。

本发明实施例提供一种推荐信息的处理装置，包括：关闭指令监测单元，用于当推荐信息出现时，在预设时间段内监测用户施加于所述推荐信息上的关闭指令；频道确定单元，用于当在所述预设时间段内在所述推荐信息上出现所述关闭指令时，确定所述推荐信息所属的频道；候选信息类型确定单元，用于结合所述用户的历史信息，确定所述频道中候选的信息类型；过滤类型筛选单元，用于从所述候选的信息类型中筛选出过滤类型，并停止向所述用户推荐属于所述过滤类型的信息。

和现有技术相比，本发明实施例提供的推荐信息的处理方法及装置，在推荐信息出现时，分析用户对该推荐信息的处理行为。当用户在预设时间段内关闭该推荐信息，则表明用户对该推荐信息不感兴趣。这样，本发明实施例便可以确定该推荐信息所属的频道，并结合用户的历史信息，对该频道内的信息类型进行分析，确定出用户不感兴趣的信息类型，从而可以不向用户发送其不感兴趣的信息，仅向其提供感兴趣的信息。进一步地，本发明实施例可以利用机器学习的方法，在该推荐信息所属的频道内建立推荐信息训练集，从而确定出用户感兴趣和不感兴趣的分类准则，基于该分类准则便可以对推荐信息进行筛选，从而自动地向用户提供其感兴趣的消息。由此可见，本发明实施例提供的推荐信息的处理方法及装置，无需用户进行繁琐的操作，便可以自动对推荐信息进行过滤。

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逐一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的一种推荐信息的处理方法流程图；

图2为申请实施例提供的一种推荐信息的处理装置的功能模块图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，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作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。

在用户接收到推荐信息时，往往会快速浏览推荐信息的标题。如果推荐信息的标题是自己感兴趣的，那么便会进一步地进行浏览，在浏览结束后，便会关闭该推荐信息。由上可见，当用户接收到自己感兴趣的推荐信息时，往往会花费较多的时间进行浏览，在一段时间过后用户才会关闭该推荐信息。然而，当用户接收到自己不感兴趣的推荐信息时，往往只看一眼标题就会立即将该推荐信息关闭。也就是说，当用户接收到自己不感兴趣的推荐信息时，会在较短的时间段内就关闭该推荐信息。基于此，本发明实施例可以针对用户对推荐信息下达关闭指令的时机进行监测，从而根据监测的时机来判断该推荐信息是否是用户感兴趣的信息。

图1为本发明实施例提供的一种推荐信息的处理方法流程图。虽然下文描述流程包括以特定顺序出现的多个操作，但是应该清楚了解，这些过程可以包括更多或更少的操作，这些操作可以顺序执行或并行执行(例如使用并行处理器或多线程环境)。如图1所示，本发明具体实施例的方法可以包括：

S1：当推荐信息出现时，在预设时间段内监测用户施加于所述推荐信息上的关闭指令。

如上所述，用户接收到自己不感兴趣的推荐信息时，会在较短的时间段内就关闭该推荐信息；而在接收到自己感兴趣的推荐信息时，会浏览一段时间后再关闭该推荐信息。因此，在本发明实施例中，当推荐信息出现时，可以在预设时间段内监测用户施加于所述推荐信息上的关闭指令。

具体地，本发明实施例可以根据不同的推荐信息确定与推荐信息对应的不同的预设时间段。在本发明实施例中，可以根据推荐信息中包含的信息字数来确定其对应的预设时间段。对于信息字数较少的推荐信息，即使用户对其感兴趣，用户进行浏览花费的时间也会比较短；而对于信息字数较多的推荐信息，用户进行浏览花费的时间自然会比较长。在本发明实施例中，可以预先建立信息字数与时间段之间的关联关系。

例如，可以根据正常用户的阅读速度，结合推荐信息包含的字数来对预设时间段进行确定。例如，正常用户的阅读速度为X字/秒，推荐信息包含的字数为Y，那么该推荐信息对应的预设时间段的时长即可以为Y/X。也就是说，与信息字数为Y的推荐信息相关联的时间段就可以为Y/X。

在建立了信息字数与时间段之间的关联关系，便可以在推荐信息出现时，统计所述推荐信息中的信息字数。从而可以根据预先建立的信息字数与时间段之间的关联关系，查询与所述推荐信息中的信息字数相关联的时间段。这样便可以将查询的所述时间段确定为该推荐信息对应的预设时间段。该预设时间段的时间起点可以为用户接收到该推荐信息的时间点a，而该预设时间段的终点即可以为a+Y/X。在实际应用过程中，所述预设时间段的时长可以比计算出来的值小一些，例如可以为计算出来的值的50％。这样，便可以从用户接收到推荐信息的时刻开始监测，当在预设时间段内监测到用户施加于所述推荐信息上的关闭指令时，便可以认为用户对该推荐信息不感兴趣。相反地，如果在预设时间段内没有监测到用户施加于所述推荐信息上的关闭指令，则可以认为用户对该推荐信息感兴趣。

S2：当在所述预设时间段内在所述推荐信息上出现所述关闭指令时，确定所述推荐信息所属的频道。

当在所述预设时间段内在所述推荐信息上出现所述关闭指令时，说明用户对接收到的所述推荐信息不感兴趣，对所述推荐信息进行了关闭操作。在这种情况下，该用户可能对于所述推荐信息这一类型的信息均不感兴趣，也可能是对这一类型的信息中的部分类型不感兴趣。

例如，一种情况是系统向该用户推荐了属于“生活”频道的一则信息，该信息涉及的是家庭装修，然而该用户对家庭装修不感兴趣，就选择了关闭该推荐信息。但是对于“生活”频道中的其他类型的信息，例如烹饪，该用户是比较感兴趣的。因此，该用户在对光域家庭装修的推荐信息进行关闭操作时，表明其并非是对“生活”频道中所有类型的信息均不感兴趣，而是对其中的部分类型的信息不感兴趣。另一种情况是该用户确实对“生活”频道中所有类型的推荐信息均不感兴趣，其主要对“财经”频道中的推荐信息感兴趣，因此该用户在接收到“生活”频道中的推荐信息后便会直接进行关闭操作。

不管该用户进行关闭操作是针对上述两种情况中的哪一个，在本发明实施例中均可以确定所述推荐信息所属的频道。在确定了该推荐信息所属的频道后，可以根据实际情况进行后续分析。

S3：结合所述用户的历史信息，确定所述频道中候选的信息类型。

在确定了所述推荐信息所属的频道后，可以结合所述用户的历史信息，对该频道中的信息类型进行逐个分析，从而可以得到在该频道中不被该用户关注的候选的信息类型。例如，当确定所述推荐信息所属的频道为“军事”时，可以对“军事”频道中的各种信息类型进行分析，这些信息类型例如可以为“枪械”，“军情历史”，“国际形势”等等，在对这些信息类型进行逐个分析，从而可以获知该用户感兴趣和不感兴趣的信息类型，例如该用户对于“军情历史”很感兴趣，但对于“枪械”却不感兴趣。

具体地，本发明实施例可以通过机器学习的方法来识别该频道中用户感兴趣的信息类型以及用户不感兴趣的信息类型。首先，本发明实施例可以根据所述用户的历史信息，建立所述频道中的推荐信息训练集。所述用户的历史信息可以为用户的历史浏览信息以及对应的浏览时间。所述推荐信息训练集中即包括了各种各样的推荐信息，这些推荐信息均是以往推荐给该用户的，该用户在这些推荐信息上分别花费了一定量的浏览时间。如果感兴趣，则浏览的时间便会较多；相反则会较少。

在建立了推荐信息训练集后，在本发明实施例中可以通过支持向量机的方法对该信息训练集进行学习。支持向量机是Cortes和Vapnik于1995年首先提出的，它在解决小样本、非线性及高维模式识别中表现出许多特有的优势，并能够推广应用到函数拟合等其他机器学习问题中。整体来说，支持向量机可以解决复杂事务的分类及分类标准的问题。

具体地，在本发明实施例中可以提取所述推荐信息训练集中各个推荐信息对应的特征值向量。该特征值向量可以表示该推荐信息的特征，用户感兴趣的推荐信息以及用户不感兴趣的推荐信息对应的特征值向量之间往往存在较大的差异，这种差异可以体现为信息类型的不同以及浏览时间的不同。通过支持向量机的学习方式，可以根据提取的所述特征值向量，确定所述推荐信息训练集对应的分类准则。该分类准则可以根据推荐信息的特征值向量之间的差异性，将推荐信息进行区分。

在本发明一优选实施例中，可以提取所述推荐信息训练集中各个推荐信息对应的关键词。该关键词例如可以为该推荐信息所属频道中的信息类型，例如上述的“枪械”，“军情历史”，“国际形势”等等。在确定了关键词后，可以确定所述推荐信息训练集中各个推荐信息对应的浏览时间，该浏览时间可以从所述用户的历史信息中进行提取。然后，可以为提取的所述关键词以及确定的所述浏览时间分配影响因子，并根据预设顺序将分配的所述影响因子构成与所述推荐信息训练集中各个推荐信息对应的特征向量值。所述的影响因子可以根据推荐信息的类型在历史信息中所占的比重以及浏览时间的长短来进行确认。例如，“枪械”这一类型的信息在用户的历史信息中所占的比重为0.1，浏览的平均时间为10秒，那么该类型的推荐信息对应的特征值向量既可以为(0.1，10)。通过这样的方法便可以得到不同类型的信息所对应的特征值向量。

在得到不同类型的信息对应的特征值向量后，可以所有的特征值向量均输入支持向量机进行学习，支持向量机可以得到区分这些特征值向量的分类准则。

最终，通过该分类准则，可以将用户的历史信息划分为用户感兴趣的和用户不感兴趣的两大类，在本发明实施例中可以获取用户不感兴趣的信息类型，并可以将用户不感兴趣的信息类型确定为候选的信息类型。

S4：从所述候选的信息类型中筛选出过滤类型，并停止向所述用户推荐属于所述过滤类型的信息。

在确定出所述候选的信息类型时，便可以将这些候选的信息类型提供给用户进行选择。用户可以根据实际需求，选择保留其中的部分信息类型，那么没有被用户选择的信息类型即可以为所述的过滤类型。这些属于过滤类型的信息便可以被系统过滤，不会再次发送给该用户。由于经过进一步地筛选，所述候选的信息类型的数量往往不会太多，从而不会给用户带来负担。

另外，本发明实施例还可以根据用户的历史信息，对所述候选的信息类型再次进行分析，从而确定出所述候选的信息类型中的过滤类型。具体地，可以根据所述用户的历史信息，为所述候选的信息类型中的各个信息类型分配权重值。所述权重值同样可以为用户在该信息类型上花费的平均时间。在为各个候选的信息类型分配权重值后，便可以将权重值低于预设阈值的信息类型确定为过滤类型。例如，所述预设阈值可以为预先设置的平均浏览时间，该时间例如可以为15秒，那么当权重值低于15秒时，便可以将对应的信息类型确定为过滤类型，不再向用户提供属于过滤类型的推荐信息。

由上可见，本发明实施例提供的推荐信息的处理方法，在推荐信息出现时，分析用户对该推荐信息的处理行为。当用户在预设时间段内关闭该推荐信息，则表明用户对该推荐信息不感兴趣。这样，本发明实施例便可以确定该推荐信息所属的频道，并结合用户的历史信息，对该频道内的信息类型进行分析，确定出用户不感兴趣的信息类型，从而可以不向用户发送其不感兴趣的信息，仅向其提供感兴趣的信息。进一步地，本发明实施例可以利用机器学习的方法，在该推荐信息所属的频道内建立推荐信息训练集，从而确定出用户感兴趣和不感兴趣的分类准则，基于该分类准则便可以对推荐信息进行筛选，从而自动地向用户提供其感兴趣的消息。

由此可见，本发明实施例提供的推荐信息的处理方法及装置，无需用户进行繁琐的操作，便可以自动对推荐信息进行过滤。

本发明实施例还提供一种推荐信息的处理装置。图2为本发明实施例提供的一种推荐信息的处理装置的功能模块图。如图2所示，所述装置可以包括：

关闭指令监测单元100，用于当推荐信息出现时，在预设时间段内监测用户施加于所述推荐信息上的关闭指令；

频道确定单元200，用于当在所述预设时间段内在所述推荐信息上出现所述关闭指令时，确定所述推荐信息所属的频道；

候选信息类型确定单元300，用于结合所述用户的历史信息，确定所述频道中候选的信息类型；

过滤类型筛选单元400，用于从所述候选的信息类型中筛选出过滤类型，并停止向所述用户推荐属于所述过滤类型的信息。

在本发明一优选实施例中，所述关闭指令监测单元100具体包括：

预设时间段确定模块，用于当推荐信息出现时，确定与所述推荐信息相对应的预设时间段；

监测模块，用于在确定的所述预设时间段内监测用户施加于所述推荐信息上的关闭指令。

其中，所述预设时间段确定模块具体包括：

信息字数统计模块，用于当推荐信息出现时，统计所述推荐信息中的信息字数；

时间段查询模块，用于根据预先建立的信息字数与时间段之间的关联关系，查询与所述推荐信息中的信息字数相关联的时间段，并将查询的所述时间段确定为预设时间段。

在本发明另一优选实施例中，所述候选信息类型确定单元300具体包括：

训练集建立模块，用于根据所述用户的历史信息，建立所述频道中的推荐信息训练集；

特征值向量提取模块，用于提取所述推荐信息训练集中各个推荐信息对应的特征值向量；

分类准则确定模块，用于根据提取的所述特征值向量，确定所述推荐信息训练集对应的分类准则；

确定模块，用于根据确定的所述分类准则，从所述频道中确定候选的信息类型。

其中，所述特征值向量提取模块具体包括：

关键词提取模块，用于提取所述推荐信息训练集中各个推荐信息对应的关键词；

浏览时间确定模块，用于确定所述推荐信息训练集中各个推荐信息对应的浏览时间；

影响因子分配模块，用于为提取的所述关键词以及确定的所述浏览时间分配影响因子；

特征值向量构成模块，用于根据预设顺序将分配的所述影响因子构成与所述推荐信息训练集中各个推荐信息对应的特征向量值。

在本发明另一优选实施例中，所述过滤类型筛选单元400具体包括：

权重值分配模块，用于根据所述用户的历史信息，为所述候选的信息类型中的各个信息类型分配权重值；

权重值确定模块，用于将权重值低于预设阈值的信息类型确定为过滤类型。

需要说明的是，上述实施例中的各个功能模块的具体实现方式与步骤S1至S4中类似，这里便不再赘述。

由上可见，本发明的实施例提供的推荐信息的处理装置，在推荐信息出现时，分析用户对该推荐信息的处理行为。当用户在预设时间段内关闭该推荐信息，则表明了用户对该推荐信息不感兴趣。这样，本发明实施例便可以确定该推荐信息所属的频道，并且结合用户的历史信息，对该频道内的信息类型进行分析，确定出用户不感兴趣的信息类型，从而可以不向用户发送其不感兴趣的信息，仅向其提供感兴趣的信息。进一步地，本发明实施例可以利用机器学习的方法，在该推荐信息所属的频道内建立推荐信息训练集，从而确定出用户感兴趣和不感兴趣的分类准则，基于该分类准则便可以对推荐信息进行筛选，从而自动地向用户提供其感兴趣的消息。

由此可见，本发明实施例提供的推荐信息的处理方法及装置，无需用户进行繁琐的操作，便可以自动对推荐信息进行过滤。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，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。

本发明可用于众多通用或专用的计算机系统环境或配置中。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、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。

最后应说明的是：上面对本发明的各种实施方式的描述以描述的目的提供给本领域技术人员。其不旨在是穷举的、或者不旨在将本发明限制于单个公开的实施方式。如上所述，本发明的各种替代和变化对于上述技术所属领域技术人员而言将是显而易见的。因此，虽然已经具体讨论了一些另选的实施方式，但是其它实施方式将是显而易见的，或者本领域技术人员相对容易得出。本发明旨在包括在此已经讨论过的本发明的所有替代、修改、和变化，以及落在上述申请的精神和范围内的其它实施方式。

Claims (10)

1.一种推荐信息的处理方法，其特征在于，包括：

当推荐信息出现时，在预设时间段内监测用户施加于所述推荐信息上的关闭指令；

当在所述预设时间段内在所述推荐信息上出现所述关闭指令时，确定所述推荐信息所属的频道；

结合所述用户的历史信息，确定所述频道中候选的信息类型；

从所述候选的信息类型中筛选出过滤类型，并停止向所述用户推荐属于所述过滤类型的信息。

2.根据权利要求1所述的推荐信息的处理方法，其特征在于，所述当推荐信息出现时，在预设时间段内监测用户施加于所述推荐信息上的关闭指令具体包括：

当推荐信息出现时，确定与所述推荐信息相对应的预设时间段；

在确定的所述预设时间段内监测用户施加于所述推荐信息上的关闭指令。

3.根据权利要求2所述的推荐信息的处理方法，其特征在于，所述当推荐信息出现时，确定与所述推荐信息相对应的预设时间段具体包括：

当推荐信息出现时，统计所述推荐信息中的信息字数；

根据预先建立的信息字数与时间段之间的关联关系，查询与所述推荐信息中的信息字数相关联的时间段，并将查询的所述时间段确定为预设时间段。

4.根据权利要求1所述的推荐信息的处理方法，其特征在于，所述结合所述用户的历史信息，确定所述频道中候选的信息类型具体包括：

根据所述用户的历史信息，建立所述频道中的推荐信息训练集；

提取所述推荐信息训练集中各个推荐信息对应的特征值向量；

根据提取的所述特征值向量，确定所述推荐信息训练集对应的分类准则；

根据确定的所述分类准则，从所述频道中确定候选的信息类型。

5.根据权利要求4所述的推荐信息的处理方法，其特征在于，提取所述推荐信息训练集中各个推荐信息对应的特征值向量具体包括：

提取所述推荐信息训练集中各个推荐信息对应的关键词；

确定所述推荐信息训练集中各个推荐信息对应的浏览时间；

为提取的所述关键词以及确定的所述浏览时间分配影响因子；

根据预设顺序将分配的所述影响因子构成与所述推荐信息训练集中各个推荐信息对应的特征向量值。

6.根据权利要求1所述的推荐信息的处理方法，其特征在于，从所述候选的信息类型中筛选出过滤类型具体包括：

根据所述用户的历史信息，为所述候选的信息类型中的各个信息类型分配权重值；

将权重值低于预设阈值的信息类型确定为过滤类型。

7.一种推荐信息的处理装置，其特征在于，包括：

关闭指令监测单元，用于当推荐信息出现时，在预设时间段内监测用户施加于所述推荐信息上的关闭指令；

频道确定单元，用于当在所述预设时间段内在所述推荐信息上出现所述关闭指令时，确定所述推荐信息所属的频道；

候选信息类型确定单元，用于结合所述用户的历史信息，确定所述频道中候选的信息类型；

过滤类型筛选单元，用于从所述候选的信息类型中筛选出过滤类型，并停止向所述用户推荐属于所述过滤类型的信息。

8.根据权利要求7所述的推荐信息的处理装置，其特征在于，所述关闭指令监测单元具体包括：

预设时间段确定模块，用于当推荐信息出现时，确定与所述推荐信息相对应的预设时间段；

监测模块，用于在确定的所述预设时间段内监测用户施加于所述推荐信息上的关闭指令。

9.根据权利要求8所述的推荐信息的处理装置，其特征在于，所述预设时间段确定模块具体包括：

信息字数统计模块，用于当推荐信息出现时，统计所述推荐信息中的信息字数；

时间段查询模块，用于根据预先建立的信息字数与时间段之间的关联关系，查询与所述推荐信息中的信息字数相关联的时间段，并将查询的所述时间段确定为预设时间段。

10.根据权利要求7所述的推荐信息的处理装置，其特征在于，所述候选信息类型确定单元具体包括：

训练集建立模块，用于根据所述用户的历史信息，建立所述频道中的推荐信息训练集；

特征值向量提取模块，用于提取所述推荐信息训练集中各个推荐信息对应的特征值向量；

分类准则确定模块，用于根据提取的所述特征值向量，确定所述推荐信息训练集对应的分类准则；

确定模块，用于根据确定的所述分类准则，从所述频道中确定候选的信息类型。