技术领域本发明涉及通信中的业务支撑领域，尤其涉及一种信息处理方法及装置。
背景技术：
近年来，随着电子商务的快速发展与不断普及，网络购物俨然成为了主流的消费方式。由于电子商务网站具有商品数量大、品种齐全、商品价格及质量优于线下模式、操作快捷方便等诸多特点而被广大的消费者所接受和使用。巨大的销售额度及经济利润使得电商企业采用多种多样的手段吸引更多的消费者，越来越多的企业试图利用数据挖掘技术，为消费者提供更能满足其潜在兴趣的商品，进而不断提升网站的服务质量。而推荐算法为上述需求提供了系统的解决方案。目前，考虑时间的推荐方法主要包括：结合用户购买时间特征和结合购买商品序列(序列按照时间顺序进行排列)两种进行的推荐。其中，结合用户购买时间特征的推荐方法是在进行推荐的相似度计算时加入时间特征因素，使得购买时间在找寻相似商品时发挥影响。这种方法倾向于增加距离预测时刻较近的历史购买行为的影响，降低距离预测时刻时间久远的购买行为的影响。但这种方法没有考虑到商品购买的时间周期特性，可能在消费者已经买过某个商品后还给他推荐该商品，而那时消费者已经不需要那个商品了。而基于时间序列的推荐方法，其主要思想是人们购买的商品遵循购买一定的时间顺序。依据权威消费者(购买一定商品数量的用户)的历史购买商品顺序为用户做推荐。在实际使用中，先将商品聚类以减少商品序列长度，然后结合商品被评价的时间找到所有用户在这些大类上的购买序列。由于每个人对商品的使用情况是存在很大差异的，比如购买的商品有的是一个人消费掉，有的是一家人。这种方法忽略了商品消耗掉的时间差异性，会漏掉一些商品的再次推荐。
技术实现要素：
为解决现有存在的技术问题，本发明实施例提供一种信息处理方法及装置。本发明实施例提供了一种信息处理方法，包括：从用户行为数据库中提取预设统计周期内的用户行为数据；利用所述用户行为数据，确定每个对象被用户选中的时间周期；利用所述时间周期，确定每个对象当前时刻进行输出的时间周期的权重；确定输出各对象时，根据每个对象的时间周期、以及对应的权重，确定各对象当前时刻的输出概率；并根据各对象的输出概率输出各对象的相关信息。上述方案中，所述从用户行为数据库中提取预设统计周期内的用户行为数据之前，所述方法还包括：提取用户的行为属性特征；相应地，根据所述行为属性特征，从用户行为数据库中提取预设统计周期内对应的用户行为数据。上述方案中，所述提取用户的行为属性特征，为：在与所述用户交互过程中直接提取所述用户的行为属性特征；或者，对所述用户的兴趣进行分析，根据分析结果提取所述用户的行为属性特征。上述方案中，根据所述时间周期、及所述权重确定的输出概率在0至1之间，且为余弦函数；所述余弦函数的周期为所述时间周期。上述方案中，根据公式：α^=argmaxα(rij-{rij^+α2{cos[π2Tij(tpre-tlast)]+1