CN115878903A - 基于大数据的信息智能推荐方法 - Google Patents

Abstract

本发明涉及大数据处理技术领域，提出了基于大数据的信息智能推荐方法，包括：获取用户所有浏览商品的类目标签和属性标签；得到每个类目标签的推荐指数影响因子；得到每个类目标签的类目标签推荐指数；获得每个类目标签的所有从属类目标签的第一推荐影响因子和所有被从属类目标签的第二推荐影响因子；根据以上得到最终类目标签推荐指数；获取组合属性标签推荐因子；获得每个属性标签的最终属性标签推荐指数；根据所有的最终类目标签推荐指数和最终属性标签推荐指数进行商品推荐。本发明使得商品推荐更加符合用户实际需求，即获得更准确的用户需求。

Description

基于大数据的信息智能推荐方法

技术领域

本发明涉及大数据处理技术领域，具体涉及基于大数据的信息智能推荐方法。

背景技术

随着互联网以及人工智能的发展，使得信息大数据时代深入人们生活，人们逐渐从信息匮乏的时代走入了信息过载的时代，为了让用户从海量信息中高效地获取自己所需的信息，推荐系统应运而生。推荐系统的主要任务就是联系用户和信息，它一方面帮助用户发现对自己有价值的信息，另一方面让海量的信息能够展现在对它感兴趣的用户面前，从而实现信息消费者和信息生产者的双赢。比如如今发展成熟的网络购物，系统根据分析用户的历史记录了解用户的喜好，从而主动为用户推荐其感兴趣的商品信息，满足用户的个性化推荐需求。

对于购物平台商品的推荐，主要在用户历史浏览记录中获取用户的需求，从而确定用户需求商品进行推荐。一般的商品推荐对历史记录中商品信息进行同概率统计，从而忽视用户需求的变化，并且以单个商品信息为统计对象，忽视了用户浏览习惯在历史记录中所反映的用户需求信息。所以本发明利用历史浏览记录商品类别和属性的分布确定类目标签和属性标签的推荐指数，从而利用类目标签和属性标签确定推荐商品，实现商品的智能推荐。

发明内容

本发明提供基于大数据的信息智能推荐方法，以解决现有的推送不够精确的问题，所采用的技术方案具体如下：

本发明一个实施例提供了基于大数据的信息智能推荐方法，该方法包括以下步骤：

获取用户的浏览记录作为原始数据；

从原始数据中得到所有浏览商品的类目标签和属性标签；

根据每个类目标签在浏览记录中的每次连续出现的个数、每个类目标签在每次连续出现时与前后最近出现的该类目标签的间隔均值、每个类目标签在每次连续出现时的时刻与当前时刻的时间间隔得到每个类目标签的推荐指数影响因子；

根据每个类目标签的推荐指数影响因子、每个类目标签每次的浏览时刻与当前时刻的时间间隔、每个类目标签每次浏览次数的时长得到每个类目标签的类目标签推荐指数；

根据每个类目标签的从属类目标签和被从属类目标签获得每个类目标签的所有从属类目标签的第一推荐影响因子和所有被从属类目标签的第二推荐影响因子；

根据每个类目标签的类目标签推荐指数、每个类目标签的所有从属类目标签的第二推荐影响因子、每个类目标签的所有被从属类目标签的第一推荐影响因子、每个从属类目标签与被从属类目标签浏览时间与当前时刻的时间间隔获得每个类目标签的最终类目标签推荐指数；

获取每个属性标签的属性标签推荐指数，根据每个属性标签同时存在与一个商品上的其余属性标签数量、每个属性标签的组合个数、每种组合的推荐值指数均值得到每个属性标签的组合属性标签推荐因子；

根据每个属性标签的组合属性标签推荐因子以及每个属性标签的属性标签推荐指数获得每个属性标签的最终属性标签推荐指数；

根据所有的最终类目标签推荐指数和最终属性标签推荐指数进行商品推荐。

优选的，所述根据每个类目标签在浏览记录中的每次连续出现的个数、每个类目标签在每次连续出现时与前后最近出现的该类目标签的间隔均值、每个类目标签在每次连续出现时的时刻与当前时刻的时间间隔得到每个类目标签的推荐指数影响因子的计算方法为：

式中，/>

表示第i个类目标签在浏览记录中第x次连续出现的个数，/>

表示第i个类目标签在浏览记录中第x次连续出现时，其与前后最近出现该类目标签的浏览间隔均值，/>

表示第i个类目标签第x次连续出现的时刻与当前时刻的时间间隔，/>

表示第i个类目标签连续出现的次数，/>

表示第i个类目标签的推荐指数影响因子。

优选的，所述根据每个类目标签的推荐指数影响因子、每个类目标签每次的浏览时刻与当前时刻的时间间隔、每个类目标签每次浏览次数的时长得到每个类目标签的类目标签推荐指数的计算方法为：

式中，/>

表示第i个类目标签第c次浏览与当前时刻的时间间隔，/>

表示第i个类目标签第c次浏览的时长，/>

表示第i个类目标签的推荐指数影响因子，/>

表示第i个类目标签的类目标签推荐指数。

优选的，所述根据每个类目标签的从属类目标签和被从属类目标签获得每个类目标签的所有从属类目标签的第一推荐影响因子和所有被从属类目标签的第二推荐影响因子的方法为：

获得每个类目标签的所有从属类目标签和所有被从属类目标签，获得每个类目标签的从属类目标签的数量，根据所有从属类目标签的数量的倒数与每个从属类目标签推荐指数的乘积得到该类目标签的每个从属类目标签的第一推荐影响因子，根据被从属类目标签的所有从属类目标签的数量的倒数与被从属类的类目标签推荐指数的乘积得到该类目标签的每个被从属类目标签的第二推荐影响因子。

优选的，所述根据每个类目标签的类目标签推荐指数、每个类目标签的所有从属类目标签的第二推荐影响因子、每个类目标签的所有被从属类目标签的第一推荐影响因子、每个从属类目标签与被从属类目标签浏览时间与当前时刻的时间间隔获得每个类目标签的最终类目标签推荐指数的方法为：

将每个类目标签的每个从属类目标签的第二推荐影响因子与每个从属类目标签浏览时间与当前时间的间隔时间相除得到每个从属类目标签的第二推荐因素，将所有的从属类目标签的第二推荐因素累加得到从属推荐因素，将每个类目标签的每个被从属类目标签的第一推荐影响因子与每个被从属类目标签浏览时间与当前时间的间隔时间相除得到每个被从属类目标签的第一推荐因素，将所有被从属类目标签的第一推荐因素累加得到被从属推荐因素，将从属推荐因素、被从属推荐因素、类目标签推荐指数求和得到类目标签的最终类目标签推荐指数。

优选的，所述根据每个属性标签同时存在与一个商品上的其余属性标签数量、每个属性标签的组合个数、每种组合的推荐值指数均值得到组合属性标签推荐因子的计算方法为：

式中，/>

表示包含属性标签/>

的所有商品中的组合长度，

表示包含属性标签/>

的所有商品中的组合长度的最大长度，/>

表示/>

组合长度时所有商品的组合个数，重复的组合只算作一个，/>

表示m个组合长度下包含属性标签/>

的第v种组合对应的属性标签推荐指数均值，/>

表示第j个属性标签的组合属性标签推荐因子。

本发明的有益效果是：本发明首先对历史浏览记录中根据商品不同类目标签的时间节点和浏览时长反应不同的用户需求，使得类目标签推荐指数更加贴近用户当前需求，同时考虑用户一般浏览习惯中对同类型商品的连续多次浏览，根据同一类目标签的多次连续出现对推荐指数的影响，从而使得类目标签的推荐指数更贴近用户的浏览习惯，即获得更加符合用户需求的类目标签推荐指数。

然后，根据同一商品具有多个属性标签的特点，在历史浏览记录中根据多个属性标签组合出现反应属性标签之间的联系，通过组合属性标签加强属性标签与商品之间的联系，使得属性标签的推荐指数更加贴近用户历史记录所反映的商品信息，从而进行更准确的商品推荐。

最后，在确定商品类别的推荐指数后，利用商品属性标签的推荐指数，使得商品推荐更加符合用户实际需求，即获得更准确的用户需求。

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为本发明的一个实施例所提供基于大数据的信息智能推荐方法的流程示意图。

具体实施方式

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，其示出了本发明一个实施例提供的基于大数据的信息智能推荐方法流程图，该方法包括以下步骤：

步骤S001、获取用户浏览记录的历史数据,并得到历史记录中浏览商品的类目标签和属性标签。

对于购物平台商品的推荐主要根据以往的浏览记录，即根据浏览记录中商品特点，进行同类型商品的推荐。一般在购物平台，用户所浏览的历史记录都会进行保存，所以在本实施例中直接在购物平台中读取用户以往的浏览记录，作为当前商品信息推荐的原始数据，并且，随着商品的浏览使得浏览记录不断的更新，即实时读取用户浏览记录作为当前商品信息推荐的原始数据，进行后续智能推荐。

根据用户的浏览记录进行商品信息推荐，一般主要推荐与浏览记录中相同类型的商品，而对于商品的类型则主要是根据商品的标签而定，所以在进行商品信息推荐时，首先需要确定商品标签信息。

对于商品的标签主要用于区分不同类型不同属性的商品，所以商品的标签主要分为用于区分商品类型的类目标签和区分商品属性的属性标签。对于商品的类目标签和属性标签主要用于用户搜索商品，一般由商家在商家商品时直接创建，本实施例中商品的类目标签表示为A_i，商品的属性标签表示为

类目标签用以区分商品类型，不同的区分方式产生不同的类目标签，所以同一商品可能存在多个类目标签，同时商品具有多个属性导致其存在多个属性标签。

步骤S002、根据历史浏览数据得到浏览记录商品对应的类别和属性计算类目标签推荐指数。

首先，对于推荐商品首先需要确定商品的类别，即根据用户历史浏览记录中商品的类目标签确定推荐商品的类目标签。由于用户在浏览商品时，对于有需求的商品一般会连续浏览多个相同类型的商品，在历史浏览记录中反应为相同类目标签连续出现，此时连续出现的类目标签反映着用户的商品需求，所以其对类目标签的推荐指数产生影响，根据浏览记录的时间顺序排序，若两个相邻的浏览记录中出现了同一个类目标签，那么该类目标签就是连续出现的，若这个类目标签的在两个相邻的浏览记录前后都没有出现，那么该类目标签连续出现1次，即连续出现两个相同类目标签后在没有出现过。

此时计算连续出现的同类类目标签对推荐指数的影响，获得第i个类目标签的推荐指数影响因子，计算如下：

式中，/>

表示第i个类目标签在浏览记录中第x次连续出现的个数，/>

越大，第i个类目标签的浏览越密集，其推荐指数越大；/>

表示第i个类目标签在浏览记录中第x次连续出现时，其与前后最近出现该类目标签的浏览间隔均值，浏览间隔即为两次浏览之间存在其他标签的浏览次数，/>

越小，表示第i个类目标签浏览越频繁，则第i个类目标签的推荐指数越大；/>

表示第i个类目标签第x次连续出现的时刻与当前时刻的时间间隔，/>

越小，表示用户最新浏览商品中类目标签越重要，第i个类目标签的推荐指数越大，/>

表示第i个类目标签连续出现的次数，

表示第i个类目标签的推荐指数影响因子，/>

越大，说明第i个类目标签的推荐指数越大。

进一步的，计算第i个类目标签的类目标签推荐指数，不同类目标签对应商品的浏览时间以及相同类目标签的数量影响类目标签推荐指数，计算公式如下：

式中，/>

表示第i个类目标签第c次浏览与当前时刻的时间间隔，/>

越小，表示第i个类目标签浏览记录越接近于用户当前需求，其推荐指数越大；/>

表示第i个类目标签第c次浏览的时长，/>

越大，表示对第i个类目标签所在的商品浏览越仔细，越接近于用户需求，/>

表示第i个类目标签的推荐指数影响因子，/>

表示当前浏览记录中第i个类目标签总共的浏览次数，/>

表示第i个类目标签的类目标签推荐指数，其反应了所有浏览记录中第i个类目标签的浏览时间比例，其值越大，第i个类目标签的类目标签推荐指数越大。

利用上述步骤，在浏览记录商品的浏览时间节点和浏览时长反映用户对不同类目标签的需求，同时考虑用户一般浏览习惯中对同类型商品的连续多次浏览，根据同一类目标签的多次连续出现对推荐指数的影响，从而使得类目标签的推荐指数更贴近用户的浏览习惯，即获得更加符合用户需求的类目标签推荐指数。

进一步的，由于类目标签之间存在并列以及从属关系，所以需要根据类目标签之间的关系，确定最终类目标签的推荐指数。

对于商品的类目标签之间的关系主要有并列关系和从属关系，比如常类目标签中“手机”和“小米”属于并列类目标签，因为手机类别不仅有小米，还有其他品牌，而小米产品不仅有手机，还有其他产品；“家具”和“桌子”属于从属标签，因为家具不仅有桌子，还有其他类型产品，而桌子一定是家具，所以类目标签“桌子”从属于类目标签“家具”。

不同关系的类目标签在进行推荐时，类目标签之间的关系影响其最终的推荐指数，对于并列的类目标签，其推荐指数互相独立，但是从属关系的类目标签，其推荐指数互相影响，已知类目标签

从属于类目标签/>

，类目标签/>

从属于类目标签/>

,计算得到第i个类目标签的从属类目标签/>

的第一推荐影响因子以及被从属类目标签/>

的第二推荐影响因子，计算方式如下：/>

式中，/>

表示类目标签/>

的推荐指数，/>

越大，/>

对/>

的影响程度越大，/>

表示与/>

共同从属于/>

的类目标签的数量，其中，/>

越小，/>

对/>

的影响程度越大，/>

表示第i个类目标签/>

的第i2个从属类目标签

的第二推荐影响因子；/>

表示类目标签/>

的推荐指数，/>

表示与/>

共同从属于/>

的类目标签的数量，/>

表示第i个类目标签/>

的第i1个被从属类目标签/>

的第一推荐影响因子。

利用以上步骤，确定从属类目标签之间推荐指数的影响关系，增加类目标签之间的关系，从而便于在整个浏览记录中利用类目标签的关系确定更加符合整个浏览记录的类目标签的推荐指数。

进一步的，根据第i个类目标签的类目标签推荐指数，以及其所有的从属类目标签的第二影响因子以及被从属类的第一影响因子得到第i个类目标签的最终类目标签推荐指数，计算公式如下：

式中，/>

表示第i个类目标签的第i1个被从属类目标签的第一推荐因子，/>

表示第i个类目标签的第i1个被从属类目标签的浏览时间与当前时刻的时间间隔，其中同一个被从属类目标签若在多个浏览记录中存在，则该被从属类目标签表示为多个，/>

越小，第i1个被从属于第i个类目标签的类目标签越接近当前用户需求，因此，/>

对于第i个类目标签的类目标签推荐指数影响较大，/>

表示第i个类目标签的被从属类目标签的总数量。/>

表示第i个类目标签的第i2个从属类目标签的第二推荐因子，/>

表示第i个类目标签的第i2个从属类目标签的浏览时间与当前时刻的时间间隔，/>

表示第i个类目标签的从属类目标签的总数量，/>

表示第i个类目标签的类目标签推荐指数，/>

表示第第i个类目标签的最终类目标签推荐指数。利用以上步骤，从类目标签本身以及类目标签的从属关系确定最终的类目标签的推荐指数，利用类目标签的从属关系，联系不同的类目标签，从而联系不同的商品之间的关系，体现用户对商品的类型需求，使得最终类目标签推荐指数更加符合用户需求，即便于更加准确的进行商品推荐。

步骤S003、根据历史浏览数据得到浏览记录商品对应的类别和属性计算属性标签推荐指数。

首先，不同商品具备不同的属性，为了得到更好的推荐效果，要进行属性推荐，需要根据历史浏览记录中商品属性标签，判断属性标签的推荐指数。

对于属性标签的推荐指数，同样根据用户历史浏览记录中商品的属性标签确定，同时不同属性标签对应商品的浏览时间以及相同属性标签的数量影响属性标签的推荐指数，此时，根据类目标签的类目标签推荐指数的计算方法，获得第j个属性标签的属性标签推荐指数

进一步的，由于对于商品的属性标签一般是成组出现，一个商品具有多个属性标签，所以在浏览记录中属性标签组合出现同样反应者属性标签的推荐指数，具体反应在每一次浏览商品对应的属性组合。对于第j个属性标签，统计该标签出现在浏览记录中的所有商品，将每个商品中不为第j个属性标签的所有属性标签进行统计，得到的属性标签数量记为M。其中同一个商品有多种组合方式，例如：一个包含属性标签/>

的商品中有4个属性标签，设4个属性标签分别为/>

，W，E，R，则{/>

，W，E}三个可以为一个组合，组合长度为2。即对于这个商品中，组合长度为2的组合在该商品中存在3个，为：{/>

，W，E}、{/>

，W，R}、{/>

，E，R}组合长度为3的组合在该商品中存在1个，为：{/>

，W,E,R}。

此时，对于一个属性标签，在多个浏览商品中的属性标签组合所反应的推荐指数表示为：

式中，/>

表示包含属性标签/>

的所有商品中第m种组合长度，/>

表示包含属性标签/>

的所有商品中的组合长度的最大长度，/>

表示/>

组合长度时所有商品的组合个数，重复的组合只算作一个，/>

表示m个组合长度下包含属性标签/>

第v种组合对应的属性标签推荐指数均值，反应当前组合整体的推荐指数，/>

越大，其对

推荐指数的影响越大，同时m越大，对应组合之间的影响越大，其对/>

推荐指数的影响越大，/>

表示第j个属性标签的组合属性标签推荐因子。

此时，对于每个属性标签最终推荐指数由其本身的推荐指数

与组合属性标签推荐因子/>

共同组成，具体表示为/>

。

利用以上步骤，根据同一商品具有多个属性标签的特点，在历史浏览记录中根据多个属性标签组合出现反应属性标签之间的联系，从而确定属性标签之间推荐系数的影响关系，获得其他组合标签所反映的推荐指数。通过组合属性标签加强属性标签与商品之间的联系，使得属性标签的推荐指数更加贴近用户历史记录所反映的商品信息，从而进行更准确的商品推荐。

步骤S004、根据属性标签的推荐指数以及类目标签的推荐指数进行智能推荐。

在商品推荐时，首先需要确定商品的类型，所以首先在所有的商品类目标签中，选择推荐指数最大的类目标签，即确定推荐类型。然后在当前类型商品对应的属性标签中，选择推荐指数最大的H个属性标签，在本实施例中H=5，在同时存在当前5个属性标签的商品中，选择包含当前5个属性且其他属性含量最少的商品进行推荐；不存在同时满足当前5个属性标签时，选择包含当前属性最多的商品进行推荐，从而完成购物平台的商品推荐。

至此，完成基于大数据的信息智能推荐方法。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，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 (6)

1.基于大数据的信息智能推荐方法，其特征在于，该方法包括以下步骤：

获取用户的浏览记录作为原始数据；

从原始数据中得到所有浏览商品的类目标签和属性标签；

根据每个类目标签在浏览记录中的每次连续出现的个数、每个类目标签在每次连续出现时与前后最近出现的该类目标签的间隔均值、每个类目标签在每次连续出现时的时刻与当前时刻的时间间隔得到每个类目标签的推荐指数影响因子；

根据每个类目标签的推荐指数影响因子、每个类目标签每次的浏览时刻与当前时刻的时间间隔、每个类目标签每次浏览次数的时长得到每个类目标签的类目标签推荐指数；

根据每个类目标签的从属类目标签和被从属类目标签获得每个类目标签的所有从属类目标签的第一推荐影响因子和所有被从属类目标签的第二推荐影响因子；

根据每个类目标签的类目标签推荐指数、每个类目标签的所有从属类目标签的第二推荐影响因子、每个类目标签的所有被从属类目标签的第一推荐影响因子、每个从属类目标签与被从属类目标签浏览时间与当前时刻的时间间隔获得每个类目标签的最终类目标签推荐指数；

获取每个属性标签的属性标签推荐指数，根据每个属性标签同时存在与一个商品上的其余属性标签数量、每个属性标签的组合个数、每种组合的推荐值指数均值得到每个属性标签的组合属性标签推荐因子；

根据每个属性标签的组合属性标签推荐因子以及每个属性标签的属性标签推荐指数获得每个属性标签的最终属性标签推荐指数；

根据所有的最终类目标签推荐指数和最终属性标签推荐指数进行商品推荐。

2.根据权利要求1所述的基于大数据的信息智能推荐方法，其特征在于，所述根据每个类目标签在浏览记录中的每次连续出现的个数、每个类目标签在每次连续出现时与前后最近出现的该类目标签的间隔均值、每个类目标签在每次连续出现时的时刻与当前时刻的时间间隔得到每个类目标签的推荐指数影响因子的计算方法为：

式中，/>

表示第i个类目标签在浏览记录中第x次连续出现的个数，/>

表示第i个类目标签在浏览记录中第x次连续出现时，其与前后最近出现该类目标签的浏览间隔均值；/>

表示第i个类目标签第x次连续出现的时刻与当前时刻的时间间隔，/>

表示第i个类目标签连续出现的次数，/>

表示第i个类目标签的推荐指数影响因子。

3.根据权利要求1所述的基于大数据的信息智能推荐方法，其特征在于，所述根据每个类目标签的推荐指数影响因子、每个类目标签每次的浏览时刻与当前时刻的时间间隔、每个类目标签每次浏览次数的时长得到每个类目标签的类目标签推荐指数的计算方法为：

式中，/>

表示第i个类目标签第c次浏览与当前时刻的时间间隔，/>

表示第i个类目标签第c次浏览的时长，/>

表示第i个类目标签的推荐指数影响因子，/>

表示第i个类目标签的类目标签推荐指数。

4.根据权利要求1所述的基于大数据的信息智能推荐方法，其特征在于，所述根据每个类目标签的从属类目标签和被从属类目标签获得每个类目标签的所有从属类目标签的第一推荐影响因子和所有被从属类目标签的第二推荐影响因子的方法为：

获得每个类目标签的所有从属类目标签和所有被从属类目标签，获得每个类目标签的从属类目标签的数量，根据所有从属类目标签的数量的倒数与每个从属类目标签推荐指数的乘积得到该类目标签的每个从属类目标签的第一推荐影响因子，根据被从属类目标签的所有从属类目标签的数量的倒数与被从属类的类目标签推荐指数的乘积得到该类目标签的每个被从属类目标签的第二推荐影响因子。

5.根据权利要求1所述的基于大数据的信息智能推荐方法，其特征在于，所述根据每个类目标签的类目标签推荐指数、每个类目标签的所有从属类目标签的第二推荐影响因子、每个类目标签的所有被从属类目标签的第一推荐影响因子、每个从属类目标签与被从属类目标签浏览时间与当前时刻的时间间隔获得每个类目标签的最终类目标签推荐指数的计算方法为：

将每个类目标签的每个从属类目标签的第二推荐影响因子与每个从属类目标签浏览时间与当前时间的间隔时间相除得到每个从属类目标签的第二推荐因素，将所有的从属类目标签的第二推荐因素累加得到从属推荐因素，将每个类目标签的每个被从属类目标签的第一推荐影响因子与每个被从属类目标签浏览时间与当前时间的间隔时间相除得到每个被从属类目标签的第一推荐因素，将所有被从属类目标签的第一推荐因素累加得到被从属推荐因素，将从属推荐因素、被从属推荐因素、类目标签推荐指数求和得到类目标签的最终类目标签推荐指数。

6.根据权利要求1所述的基于大数据的信息智能推荐方法，其特征在于，所述根据每个属性标签同时存在与一个商品上的其余属性标签数量、每个属性标签的组合个数、每种组合的推荐值指数均值得到组合属性标签推荐因子的计算方法为：

式中，

表示包含属性标签/>

的所有商品中的组合长度，/>

表示包含属性标签/>

的所有商品中的组合长度的最大长度，/>

表示/>

组合长度时所有商品的组合个数，重复的组合只算作一个，/>

表示m个组合长度下包含属性标签/>

的第v种组合对应的属性标签推荐指数均值，/>

表示第j个属性标签的组合属性标签推荐因子。/>

Images