与用户属性的契合度越小;反之，某条初始推荐信息N1/N2的值越小，表明该初始推荐信息引起用户对初始推荐信息的认同度的变化越小，从而说明初始推荐信息与用户属性的契合度越大。
[0038]前M个比值中如果有些商数相同，则这些相同比值对应的推荐结果的先后顺序按照这些推荐结果原先的先后顺序不变;因为当该个第一搜索结果数除以对应的第二搜索结果数得到的比值越小，则说明该初始搜索信息与该个用户属性的契合度越大，所以N条初始推荐信息的N个比值从小到大进行排序，本质上是对M个比值对应的M个第一搜索结果数对应的M个初始推荐信息与所述用户属性的契合度从大到小进行排序，因此序列中前M个比值对应的M个第一搜索结果数对应的M个初始推荐信息是与所述用户属性的契合度最大的M个初始搜索信息，且在排序得到的序列中M个初始推荐信息也是按照与所述用户属性的契合度从大到小进行排序的，使得用户能够得到与用户属性更契合的M个推荐结果，且越契合的推荐结果就越能先看到，因为与用户属性越契合的推荐结果在序列中越靠前，避免了现有推荐系统推荐的P个推荐结果中含有大量与用户属性不契合的推荐结果的情况，因此本发明实施例中M个推荐结果的序列对用户而言更有针对性，充分考虑了用户的属性，从而避免了未针对不同用户属性进行个性化推荐的弊端，提高了推荐结果与用户属性的契合度，满足了用户的个性化推荐的需要，提高推荐的准确率，提高了用户对推荐结果的采纳率，提升了推荐系统对用户的价值。
[0039]图2为一个实施例的个性化推荐系统的结构示意图。如图2所示，所述个性化推荐系统可包括:
[0040]第一筛选模块10，用于对预先从推荐系统获取到的推荐信息进行筛选，得到初始推荐信息；
[0041]其中，所述推荐系统可以是现有的各种推荐系统，也可以是新开发的推荐系统;从推荐系统获取到的推荐信息可以是各种类型的推荐信息，譬如，商品推荐信息、服装推荐信息、图书推荐信息、视频推荐信息、图片推荐信息、论文推荐信息或好友推荐信息等。
[0042]假设从推荐系统获取到的推荐信息的数量为P，初始推荐信息的数量为N，则N小于或等于P。可计算预先从推荐系统获取到的推荐信息的数量;将所述数量与预设的数量阈值进行比较;若所述数量大于所述数量阈值，可从预先从推荐系统获取到的推荐信息中选择N条推荐信息，设为初始推荐信息。通过这种方式，可以避免P的数值较大时造成后续处理花费时间过长、处理复杂度过高的问题，有效提高了后续对推荐信息的处理效率，节约了处理时间。
[0043]搜索模块20，用于分别以各个初始推荐信息为搜索信息在搜索引擎中进行搜索，得到对应的NI条第一搜索结果，分别以各个初始推荐信息与预先获取的用户属性信息为搜索信息在搜索引擎中进行搜索，得到对应的N2条第二搜索结果；
[0044]例如，假设初始推荐信息的数量为N=3，分别以3条初始推荐信息为搜索信息在搜索引擎中进行搜索，得到的第一搜索结果的数量分别为Nl = 30、40和50。假设分别以3条初始推荐信息与预先获取的用户属性信息为搜索信息在搜索引擎中进行搜索，得到的第二搜索结果的数量分别为N2 = 10、15和35 ο可将上述NI和N2代入搜索模块30。
[0045]所述搜索引擎可以是一种大数据搜索引擎，还可以是互联网搜索引擎(譬如谷歌、百度等)，还可以是基于语料库的搜索引擎，还可以是其他类型的信息搜索引擎。搜索是调用搜索引擎自动完成的。
[0046]所述用户属性信息包括用户的年龄、性别、职业、学历、专业、特长、爱好和地理位置等信息。
[0047]获取用户属性信息的方式可以是获取搜索引擎上登录的注册账户;提取所述账户相关联的用户属性信息。获取用户属性信息的方式还可以是弹出信息输入界面;接收用户在所述信息输入界面中输入的用户属性信息。初始推荐信息与所述用户属性组合的方式是将用户属性组追加到初始推荐信息之后。
[0048]搜索模块30，用于根据各个初始推荐信息的NI与N2的比值对所述初始推荐信息进行筛选，得到推荐结果。具体讲，所述搜索模块30可以根据以下方式获取推荐结果:
[0049]计算各个初始推荐信息的NI与N2的比值N1/N2;
[0050]对所述比值进行排序，得到所述比值对应的序列；
[0051]选择所述序列中的排序靠前的M个比值，并将所述M个比值对应的初始推荐信息设为推荐结果;其中，M小于N小于或等于P，N为初始推荐信息的数量，P为预先从推荐系统获取到的推荐信息的数量。
[0052]在得到所述推荐结果之后，可将所述推荐结果输出给用户。
[0053]其中，将最终推荐结果输出给用户的方式可以是现有推荐系统所采用的方式，也可以采用其他的信息输出方式，譬如，如网页的方式、文件的方式。
[0054]其中，当所述推荐系统向多个用户推荐所述推荐结果，则可针对所述多个用户执行多次所述个性化推荐方法；当所述推荐系统多次向一个用户推荐多个推荐结果，则针对所述多次执行多次所述个性化推荐方法;所述推荐结果的序列是有序的，是按照N2的值从大到小进行排序的。N2的值反映了各个初始推荐信息与用户属性的契合度。某条初始推荐信息的N2值越大，表明用户对该推荐信息的认同度越高，反之，某条初始推荐信息的N2值越小，表明用户对该推荐信息的认同度越低。
[0055]NI与N2的比值N1/N2反映了用户属性引起用户对初始推荐信息的认同度的变化。某条初始推荐信息N1/N2的值越大，表明该初始推荐信息引起用户对初始推荐信息的认同度的变化越大，从而说明初始推荐信息与用户属性的契合度越小;反之，某条初始推荐信息N1/N2的值越小，表明该初始推荐信息引起用户对初始推荐信息的认同度的变化越小，从而说明初始推荐信息与用户属性的契合度越大。
[0056]前M个比值中如果有些商数相同，则这些相同比值对应的推荐结果的先后顺序按照这些推荐结果原先的先后顺序不变;因为当该个第一搜索结果数除以对应的第二搜索结果数得到的比值越小，则说明该初始搜索信息与该个用户属性的契合度越大，所以N条初始推荐信息的N个比值从小到大进行排序，本质上是对M个比值对应的M个第一搜索结果数对应的M个初始推荐信息与所述用户属性的契合度从大到小进行排序，因此序列中前M个比值对应的M个第一搜索结果数对应的M个初始推荐信息是与所述用户属性的契合度最大的M个初始搜索信息，且在排序得到的序列中M个初始推荐信息也是按照与所述用户属性的契合度从大到小进行排序的，使得用户能够得到与用户属性更契合的M个推荐结果，且越契合的推荐结果就越能先看到，因为与用户属性越契合的推荐结果在序列中越靠前，避免了现有推荐系统推荐的P个推荐结果中含有大量与用户属性不契合的推荐结果的情况，因此本发明实施例中M个推荐结果的序列对用户而言更有针对性，充分考虑了用户的属性，从而避免了未针对不同用户属性进行个性化推荐的弊端，提高了推荐结果与用户属性的契合度，满足了用户的个性化推荐的需要，提高推荐的准确率，提高了用户对推荐结果的采纳率，提升了推荐系统对用户的价值。
[0057]下面以一个实例对本发明的个性化推荐方法和系统进行说明。
[0058]譬如，某个购物网站向用户进行个性化推荐。
[0059]用户登录一个购物网站时，该购物网站的推荐系统向用户推荐了一些商品，获取该购物网站的推荐系统向我推荐的推荐结果；
[0060]所述推荐系统向用户推荐的推荐结果数记为P，将这P个推荐结果中的前11个推荐结果作为11个初始搜索信息:
[0061]丸美防晒霜女防水正品激白防晒精华隔离乳SPF30防紫外线全身45g;
[0062]包邮新款大网鞋男凉鞋学生休闲运动鞋男夏季网布鞋男士加大码男鞋；
[0063]中歌金立S7手机套ELIFE7壳GN9006透明硅胶保护软套外壳配件后盖潮；
[0064]iphone4s手机壳苹果5s外壳超薄塑料磨砂保护硬壳黑白红潮男女简约；
[0065]包邮男包加厚帆布双肩包男士包包休闲旅行包潮男包韩版男背包；
[0066]茵曼2015夏装新款背心女夏外穿印花无袖衫夏季背心吊带8520300114;
[0067]森谷鸟韩版潮2015春秋女帆布鞋松糕鞋高帮增高女鞋厚底布鞋子；
[0068]大sim韩国定制款夏装必备破洞纯色简约圆领宽松短袖女T恤；
[0069]中老年女款夏装T恤雪纺衫上衣大码妈妈装宽松绣花短袖老年人衣服；
[0070]小米2s手机保护壳二s后盖手机套潮小米2皮套外壳m2超薄硬翻盖包邮；