专利名称：一种特征信息的个性化推荐方法及装置的制作方法
技术领域：
本申请涉及信息处理技术领域，特别是涉及一种特征信息的个性化推荐方法和一种特征信息的个性化推荐装置。
背景技术：
互联网是人们获取信息的一个重要途径，传统互联网的主要特点在于用户寻找自己感兴趣的事物时，需要通过浏览器进行大量的搜索，同时需要人工地过滤掉大量不相关的结果，操作繁琐，且耗费时间和精力。以电子商务为例，传统电子商务的主要特点在于用户登陆各个电子商务平台，寻找自己感兴趣的商品，然后进行购买。但是随着电子商务规模的不断扩大，商家通过购物网站提供了大量的商品，使用户无法快速了解所有的商品，也无法直接检查商品的质量，用户 需要花费大量的时间与精力才能找到自己需要的商品。这种浏览大量无关的信息和产品过程，无疑会使淹没在海量信息中的消费者因为没有发现在自己需要或者感兴趣的商品而不断流失，不仅仅使用户购物的时间成本大幅增加，同时使电子商务平台的商品购买的转化率非常低。现有技术中，提出了根据用户购买或者浏览行为，运用某一种推荐算法进行特征信息(如商品信息)的个性化推荐方法，例如，首先根据图书类别、内容对图书进行聚类，建立图书聚类体系，比如A与B为一类图书。然后根据用户的浏览行为和购买记录，分析用户感兴趣图书，比如用户目前浏览商品为A或者历史购买过A，即可将同类的B图书推荐给A。这些现有技术由于采用的推荐算法单一，从而使用户行为信息利用率低，导致推荐商品单一，例如针对平台上数百万中商品，仅仅能推荐出与用户浏览产品相近商品，无法满足用户多样化需求。因此，目前需要本领域技术人员迫切解决的一个技术问题就是提出一种特征信息的个性化推荐机制，以满足用户多样的个性化需求，减少用户的网上购物时间成本，提高电子商务商品购买的转化率。
发明内容
本申请所要解决的技术问题是提供一种特征信息的个性化推荐方法，用以满足用户的个性化需求，并提高推荐效率和覆盖率。本申请还提供了一种特征信息的个性化推荐装置，用以保证上述方法在实际中的应用及实现。为了解决上述问题，本申请实施例公开了一种特征信息的个性化推荐方法，包括接收客户端提交的特征信息获取请求，所述请求中包括用户标识；根据所述用户标识获取用户行为倾向信息；采用所述用户行为倾向信息按预置规则提取当前关联的特征信息；
提取满足预设要求的当前关联的特征信息返回给客户端。优选地，所述特征信息包括团购商品信息，电子商务平台的商品信息，和/或，应用APP信息。优选地，所述根据用户标识获取用户行为倾向信息的步骤包括获取所述用户在在先的预设时间段内，针对特征信息的操作信息，所述特征信息具有对应的URL,所述操作信息包括点击操作信息；按照时间戳的大小分别设置各特征信息的权重大小；按预置的特征信息的URL与分类标签的对应关系，确定所述用户在先操作的特征信息的分类标签；记录所述用户标识，对应特征信息的分类标签及权重为用户行为倾向信息。 优选地，所述采用用户行为倾向信息按预置规则提取当前关联的特征信息的步骤包括获取当前的特征信息及对应的分类标签；将所述当前特征信息的分类标签，与所述用户标识对应的特征信息分类标签进行匹配；提取匹配的特征信息为当前关联的特征信息。优选地，所述的方法，还包括生成第一特征信息数据集，所述第一特征信息数据集中包括特征信息的主分类标签及对应的子分类标签；所述采用用户行为倾向信息按预置规则提取当前关联的特征信息的步骤包括将所述用户标识对应的特征信息分类标签与所述第一特征信息数据集中的主分类标签进行匹配；提取所述主分类标签及对应子分类标签关联的特征信息为当前关联的特征信息。优选地，所述生成第一特征信息数据集的步骤包括将各用户对应的特征信息分类标签按其权重降序排序；提取排序在前的N个特征信息特征信息分类标签，所述N为正整数；将所述特征信息分类标签分别两两组合，计算各两两组合的特征信息分类标签的频繁2项集，所述频繁2项集包括两两组合的特征信息的分类标签以及对应的出现次数；将各用户对应的特征信息分类标签进行归类，计算各特征信息分类标签的频繁I项集，所述频繁项集包括各特征信息的分类标签以及对应的出现次数；根据所述频繁2项集和频繁I项集，计算各特征信息分类标签的支持度和置信度，其中，所述支持度是指某两个特征信息分类标签同时出现的概率；所述置信度是指在出现某一特征信息分类标签的情况下，出现另一特征信息分类标签的概率；按照预置的支持度阈值和置信度阈值对所述特征信息分类标签进行过滤；按照所述置信度对所述特征信息分类标签进行排序；将排序在首的特征信息的分类标签作为主分类标签，将其后的特征信息的分类标签作为子分类标签，保存生成第一特征信息数据集。优选地，所述的方法，还包括将各用户对应的特征信息分类标签按其权重降序排序；
提取排序在前的M个特征信息分类标签，其中，所述M为正整数；将各用户标识对应的M个特征信息分类标签进行组合；提取具有所述特征信息分类标签组合的候选用户标识；汇总所述候选用户标识对应的特征信息分类标签，保存生成第二特征信息数据集;所述采用用户行为倾向信息按预置规则提取当前关联的特征信息的步骤包括将当前用户标识在第二特征信息数据集中，提取对应的特征信息分类标签为当前关联的特征信息。优选地，所述满足预设要求的当前关联的特征信息为满足预设数量的当前关联的特征信息；或为，特征信息权重大于某预设阈值的当前关联的特征信息；或为，按特征信息 权重降序排序在前的K个当前关联的特征信息，其中，所述K为正整数。本申请实施例还公开了一种特征信息的个性化推荐装置，包括请求模块，用于接收客户端提交的特征信息获取请求，所述请求中包括用户标识；用户兴趣识别模块，用于根据所述用户标识获取用户行为倾向信息；特征信息匹配模块，用于采用所述用户行为倾向信息按预置规则提取当前关联的特征信息；目标信息提取模块，用于提取满足预设要求的当前关联的特征信息返回给客户端。优选地，所述特征信息包括团购商品信息，电子商务平台的商品信息，和/或，应用APP信息。优选地，所述用户兴趣识别模块包括用户在先操作信息获取子模块，用于获取所述用户在在先的预设时间段内，针对特征信息的操作信息，所述特征信息具有对应的URL，所述操作信息包括点击操作信息；权重设置子模块，用于按照所述时间的远近分别设置各特征信息的权重；特征信息分类确定子模块，用于按预置的特征信息的URL与分类标签的对应关系，确定所述用户在先操作的特征信息的分类标签；记录子模块，用于记录所述用户标识，对应特征信息的分类标签及权重为用户行为倾向信息。优选地，所述特征信息匹配模块包括当前信息获取子模块，用于获取当前的特征信息及对应的分类标签；第一匹配子模块，用于将所述当前特征信息的分类标签，与所述用户标识对应的特征信息分类标签进行匹配；第一提取子模块，用于提取匹配的特征信息为当前关联的特征信息。优选地，所述的装置，还包括第一数据集生成模块，用于生成第一特征信息数据集，所述第一特征信息数据集中包括特征信息的主分类标签及对应的子分类标签；所述特征信息匹配模块包括第二匹配子模块，用于将所述用户标识对应的特征信息分类标签与所述第一特征信息数据集中的主分类标签进行匹配；第二提取子模块，用于提取所述主分类标签及对应子分类标签关联的特征信息为当前关联的特征信息。优选地，所述第一数据集生成模块包括排序子模块，用于将各用户对应的特征信息分类标签按其权重降序排序；分类提取子模块，用于提取排序在前的N个特征信息特征信息分类标签，所述N为正整数；频繁2项集计算子模块，用于将所述特征信息分类标签分别两两组合，计算各两 两组合的特征信息分类标签的频繁2项集，所述频繁2项集包括两两组合的特征信息的分类标签以及对应的出现次数； 频繁I项集计算子模块，用于将各用户对应的特征信息分类标签进行归类，计算各特征信息分类标签的频繁I项集，所述频繁项集包括各特征信息的分类标签以及对应的出现次数；支持度和置信度计算子模块，用于根据所述频繁2项集和频繁I项集，计算各特征信息分类标签的支持度和置信度，其中，所述支持度是指某两个特征信息分类标签同时出现的概率；所述置信度是指在出现某一特征信息分类标签的情况下，出现另一特征信息分类标签的概率；过滤子模块，用于按照预置的支持度阈值和置信度阈值对所述特征信息分类标签进行过滤；置信度排序子模块，用于按照所述置信度对所述特征信息分类标签进行排序；保存子模块，用于将排序在首的特征信息的分类标签作为主分类标签，将其后的特征信息的分类标签作为子分类标签，保存生成第一特征信息数据集。优选地，所述的装置，还包括排序模块，用于将各用户对应的特征信息分类标签按其权重降序排序；分类提取模块，用于提取排序在前的M个特征信息分类标签，其中，所述M为正整数；组合模块，用于将各用户标识对应的M个特征信息分类标签进行组合；候选用户提取模块，用于提取具有所述特征信息分类标签组合的候选用户标识；汇总模块，用于汇总所述候选用户标识对应的特征信息分类标签，保存生成第二特征信息数据集；所述特征信息匹配模块包括第三提取子模块，用于将当前用户标识在第二特征信息数据集中，提取对应的特征信息分类标签为当前关联的特征信息。优选地，所述满足预设要求的当前关联的特征信息为满足预设数量的当前关联的特征信息；或为，特征信息权重大于某预设阈值的当前关联的特征信息；或为，按特征信息权重降序排序在前的K个当前关联的特征信息，其中，所述K为正整数。与现有技术相比，本申请具有以下优点I)将电子商务网站的浏览者转变为购买者电子商务系统的访问者在浏览过程中经常并没有购买欲望，个性化推荐系统能够向用户推荐他们感兴趣的商品，从而促成购买过程。2)提高电子商务网站的交叉销售能力个性化推荐系统在用户购买过程中向用户提供其他有价值的商品推荐，用户能够从系统提供的推荐列表中购买自己确实需要但在购买过程中没有想到的商品，从而有效提高电子商务系统的交叉销售。3)提高客户对电子商务网站的忠诚度与传统的商务模式相比，电子商务系统使得用户拥有越来越多的选择，用户更换商家极其方便，只需要点击一两次鼠标就可以在不同的电子商务系统之间跳转。个性化推荐系统分析用户的购买习惯，根据用户需求向用户提供有价值的商品推荐。如果推荐系统的推荐质量很高，那么用户会对该推荐系统产生依赖。因此，个性化推荐系统不仅能够为用户提供个性化的推荐服务，而且能与用户建立长期稳定的关系，从而有效保留客户，提闻客户的忠诚度，防止客户流失。
图I是本申请的一种特征信息的个性化推荐方法实施例的步骤流程图；图2是本申请的一种特征信息的个性化推荐装置实施例的结构框图。
具体实施例方式为使本申请的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式
对本申请作进一步详细的说明。参考图1，示出了本申请的一种特征信息的个性化推荐方法实施例的步骤流程图，具体可以包括如下步骤步骤101，接收用户提交的特征信息获取请求，所述请求中包括用户标识；步骤102，根据所述用户标识获取该用户的行为倾向信息；步骤103，采用所述用户的行为倾向信息按预置规则提取当前关联的特征信息；步骤104，提取满足预设要求的当前关联的特征信息返回给用户。个性化推荐是根据用户的兴趣特点和行为，向用户推荐用户感兴趣的信息和商品。以电子商务为例，随着电子商务规模的不断扩大，商品个数和种类快速增长，用户需要花费大量的时间才能找到自己想买的商品。这种浏览大量无关的信息和产品过程无疑会使淹没在信息过载问题中的消费者不断流失。为了解决这些问题，个性化推荐机制应运而生。个性化推荐是建立在海量数据挖掘基础上，可以帮助网站为其用户提供完全个性化的决策支持和信息服务，使用户能根据自己的兴趣爱好获得感兴趣或者满意的信息。本申请实施例涉及客户端与服务器交互的过程，在实际中，用户通过安装在设备(PC，手机等)中的客户端，向服务器提交特征信息获取请求，服务器接收所述特征信息获取请求，并根据请求中的用户标识获取该用户的行为倾向信息，然后采用所述用户的行为倾向信息按预置规则提取当前关联的特征信息，再提取满足预设要求的当前关联的特征信息后返回给客户端，用户从客户端即可获知所述满足预设要求的当前关联的特征信息。作为本申请实施例的具体示例，所述特征信息可以为团购商品信息，即本申请实施例可以提供一种团购平台的团购商品信息个性化推荐的方法；所述特征信息还可以为电子商务平台或交易平台的商品信息，即本申请实施例可以提供一种电子商务平台或交易平台的商品信息个性化推荐的方法；所述特征信息也可以为应用信息，即本申请实施例可以提供一种应用的个性化推荐方法。本申请实施例中所指的应用(Application)是指用户在网络上所使用的各种服务，如应用程序、网页、视频、小说、音乐、游戏、新闻、购物和邮箱等。应用数据集包含多个应用，来源于各个开放平台。在本申请的一种优选实施例中，所述步骤102可以包括如下子步骤子步骤S11、获取所述用户在在先的预设时间段内，针对特征信息的操作信息，所述特征信息具有对应的URL,所述操作信息包括点击操作信息；子步骤S12、按照所述时间戳的大小分别设置各特征信息的权重大小；在具体实现中，时间戳的大小可以表征时间的远近，即时间戳较大，表示离当前时间比较近，时间戳较小，表示离当前时间比较远。子步骤S13、按预置的特征信息的URL与分类标签的对应关系，确定所述用户在先操作的特征信息的分类标签； 子步骤S14、记录所述用户标识，对应特征信息的分类标签及权重为该用户的行为倾向信息。以特征信息为团购商品信息为例，假设读取某用户最近30天点击的团购商品信息的原始日志内容如下I. 80. 229. 242—
" GET/clk. gif f = http %3A% 2F% 2Ftuan. 360. cn% 2Frd. php% 3Fgurl% 3Dhttp% 253A% 252F% 252Fxa. nuomi.com% 252Fdeal% 252F20120117124546341. html% 253Futm_source% 253D360 % 2526utm_medium % 253Dneiye-pic % 2526utm_campaign %253Ddaohang% 2526cid% 253D000302% 26site% 3Dnuo_mi% 26sign% 3D5f32bbcac90134dc08eadd594clec4b6&cld = A&ct = xi_an&s = nuo_mi&ui = 189144973. 29521434872916069115922. 536444175950 2. 6696&C = &cn = l&o = 1&&v =I. l&t = 1328191203984&U = http://tuan. 360. cn/index.html&cr = http %3A % 2F % 2Ftuan. 360. cn % 2Fxi_an % 2Fc_l. html % 3F % 26pageno %3D2HTTP/1. I" 20043" http://tuan.360.cn/xi_an/c_l.html &pageno = 2 " " Mozilla/4. 0 (compatible ；MSIE 7. 0 ；ffindows NT 6. I ；Trident/4. 0 ；SLCC2 ；. NET CLR2. 0. 50727 ；. NET CLR3. 5. 30729 ；. NET CLR 3. 0. 30729 ；Media Center PC6. 0 ；. NET4. OC Jablet PC 2. 0 ；360SE)"预置的特征信息的URL与分类标签的对应关系如下http://26ju.com/team.php id = 619网上购物运动户外运动装备登山鞋http://26ju.com/team.php id = 621网上购物运动户外运动装备登山鞋http://26ju. com/team, php id = 622 网上购物羽绒服棉服http://26ju.com/team.php id = 625网上购物运动户外运动装备登山鞋解析上述原始日志的内容提取特征信息的URL，在所述预置的特征信息的URL与分类标签的对应关系中进行映射，可以获得用户及其对应的分类标签为100014244. 27477386632359579457470. 8715899197171.1284 http://26ju.com/team, php id = 619 I100015805.34222151880745854218985. 3531362193024. 3210 http://26ju.com/team, php id = 625 I100015805.34222151880745854218985. 3531362193024. 3210 http://26ju.com/team, php id = 622 I需要说明的是，上例中的“I”为初始权重，在实际中，可以对该权重可以按时间递减的原则(因为取的原始数据是最近30天的用户点击数据，所以取离现在点击最远权重最小，距现在最近的点击权重最大)进行修正后累加，具体而言，所述权重修正公式可以为
权利要求
1.一种特征信息的个性化推荐方法，其特征在于，包括 接收客户端提交的特征信息获取请求，所述请求中包括用户标识； 根据所述用户标识获取用户行为倾向信息； 采用所述用户行为倾向信息按预置规则提取当前关联的特征信息； 提取满足预设要求的当前关联的特征信息返回给客户端。
2.如权利要求I所述的方法，其特征在于，所述特征信息包括团购商品信息，电子商务平台的商品彳目息，和/或，应用APP /[目息。
3.如权利要求I所述的方法，其特征在于，所述根据用户标识获取用户行为倾向信息的步骤包括 获取所述用户在在先的预设时间段内，针对特征信息的操作信息，所述特征信息具有对应的URL,所述操作信息包括点击操作信息； 按照时间戳的大小分别设置各特征信息的权重大小； 按预置的特征信息的URL与分类标签的对应关系，确定所述用户在先操作的特征信息的分类标签； 记录所述用户标识，对应特征信息的分类标签及权重为用户行为倾向信息。
4.如权利要求3所述的方法，其特征在于，所述采用用户行为倾向信息按预置规则提取当前关联的特征信息的步骤包括 获取当前的特征信息及对应的分类标签； 将所述当前特征信息的分类标签，与所述用户标识对应的特征信息分类标签进行匹配； 提取匹配的特征信息为当前关联的特征信息。
5.如权利要求3或4所述的方法，其特征在于，还包括 生成第一特征信息数据集，所述第一特征信息数据集中包括特征信息的主分类标签及对应的子分类标签； 所述采用用户行为倾向信息按预置规则提取当前关联的特征信息的步骤包括 将所述用户标识对应的特征信息分类标签与所述第一特征信息数据集中的主分类标签进行匹配； 提取所述主分类标签及对应子分类标签关联的特征信息为当前关联的特征信息。
6.如权利要求5所述的方法，其特征在于，所述生成第一特征信息数据集的步骤包括 将各用户对应的特征信息分类标签按其权重降序排序； 提取排序在前的N个特征信息特征信息分类标签，所述N为正整数； 将所述特征信息分类标签分别两两组合，计算各两两组合的特征信息分类标签的频繁2项集，所述频繁2项集包括两两组合的特征信息的分类标签以及对应的出现次数； 将各用户对应的特征信息分类标签进行归类，计算各特征信息分类标签的频繁I项集，所述频繁项集包括各特征信息的分类标签以及对应的出现次数； 根据所述频繁2项集和频繁I项集，计算各特征信息分类标签的支持度和置信度，其中，所述支持度是指某两个特征信息分类标签同时出现的概率；所述置信度是指在出现某一特征信息分类标签的情况下，出现另一特征信息分类标签的概率； 按照预置的支持度阈值和置信度阈值对所述特征信息分类标签进行过滤；按照所述置信度对所述特征信息分类标签进行排序； 将排序在首的特征信息的分类标签作为主分类标签，将其后的特征信息的分类标签作为子分类标签，保存生成第一特征信息数据集。
7.如权利要求3或4或6所述的方法，其特征在于，还包括 将各用户对应的特征信息分类标签按其权重降序排序； 提取排序在前的M个特征信息分类标签，其中，所述M为正整数； 将各用户标识对应的M个特征信息分类标签进行组合； 提取具有所述特征信息分类标签组合的候选用户标识； 汇总所述候选用户标识对应的特征信息分类标签，保存生成第二特征信息数据集； 所述采用用户行为倾向信息按预置规则提取当前关联的特征信息的步骤包括 将当前用户标识在第二特征信息数据集中，提取对应的特征信息分类标签为当前关联的特征信息。
8.如权利要求7所述的方法，其特征在于，所述满足预设要求的当前关联的特征信息为满足预设数量的当前关联的特征信息；或为，特征信息权重大于某预设阈值的当前关联的特征信息；或为，按特征信息权重降序排序在前的K个当前关联的特征信息，其中，所述K为正整数。
9.一种特征信息的个性化推荐装置，其特征在于，包括 请求模块，用于接收客户端提交的特征信息获取请求，所述请求中包括用户标识； 用户兴趣识别模块，用于根据所述用户标识获取用户行为倾向信息； 特征信息匹配模块，用于采用所述用户行为倾向信息按预置规则提取当前关联的特征信息； 目标信息提取模块，用于提取满足预设要求的当前关联的特征信息返回给客户端。
10.如权利要求9所述的装置，其特征在于，所述特征信息包括团购商品信息，电子商务平台的商品息，和/或，应用APP信息。
11.如权利要求9所述的装置，其特征在于，所述用户兴趣识别模块包括 用户在先操作信息获取子模块，用于获取所述用户在在先的预设时间段内，针对特征信息的操作信息，所述特征信息具有对应的URL,所述操作信息包括点击操作信息； 权重设置子模块，用于按照所述时间的远近分别设置各特征信息的权重； 特征信息分类确定子模块，用于按预置的特征信息的URL与分类标签的对应关系，确定所述用户在先操作的特征信息的分类标签； 记录子模块，用于记录所述用户标识，对应特征信息的分类标签及权重为用户行为倾向信息。
12.如权利要求11所述的装置，其特征在于，所述特征信息匹配模块包括 当前信息获取子模块，用于获取当前的特征信息及对应的分类标签； 第一匹配子模块，用于将所述当前特征信息的分类标签，与所述用户标识对应的特征信息分类标签进行匹配； 第一提取子模块，用于提取匹配的特征信息为当前关联的特征信息。
13.如权利要求11或12所述的装置，其特征在于，还包括 第一数据集生成模块，用于生成第一特征信息数据集，所述第一特征信息数据集中包括特征信息的主分类标签及对应的子分类标签； 所述特征信息匹配模块包括 第二匹配子模块，用于将所述用户标识对应的特征信息分类标签与所述第一特征信息数据集中的主分类标签进行匹配； 第二提取子模块，用于提取所述主分类标签及对应子分类标签关联的特征信息为当前关联的特征信息。
14.如权利要求13所述的装置，其特征在于，所述第一数据集生成模块包括 排序子模块，用于将各用户对应的特征信息分类标签按其权重降序排序； 分类提取子模块，用于提取排序在前的N个特征信息特征信息分类标签，所述N为正整 数； 频繁2项集计算子模块，用于将所述特征信息分类标签分别两两组合，计算各两两组合的特征信息分类标签的频繁2项集，所述频繁2项集包括两两组合的特征信息的分类标签以及对应的出现次数； 频繁I项集计算子模块，用于将各用户对应的特征信息分类标签进行归类，计算各特征信息分类标签的频繁I项集，所述频繁项集包括各特征信息的分类标签以及对应的出现次数； 支持度和置信度计算子模块，用于根据所述频繁2项集和频繁I项集，计算各特征信息分类标签的支持度和置信度，其中，所述支持度是指某两个特征信息分类标签同时出现的概率；所述置信度是指在出现某一特征信息分类标签的情况下，出现另一特征信息分类标签的概率； 过滤子模块，用于按照预置的支持度阈值和置信度阈值对所述特征信息分类标签进行过滤； 置信度排序子模块，用于按照所述置信度对所述特征信息分类标签进行排序； 保存子模块，用于将排序在首的特征信息的分类标签作为主分类标签，将其后的特征信息的分类标签作为子分类标签，保存生成第一特征信息数据集。
15.如权利要求11或12或14所述的装置，其特征在于，还包括 排序模块，用于将各用户对应的特征信息分类标签按其权重降序排序； 分类提取模块，用于提取排序在前的M个特征信息分类标签，其中，所述M为正整数； 组合模块，用于将各用户标识对应的M个特征信息分类标签进行组合； 候选用户提取模块，用于提取具有所述特征信息分类标签组合的候选用户标识； 汇总模块，用于汇总所述候选用户标识对应的特征信息分类标签，保存生成第二特征信息数据集； 所述特征信息匹配模块包括 第三提取子模块，用于将当前用户标识在第二特征信息数据集中，提取对应的特征信息分类标签为当前关联的特征信息。
16.如权利要求15所述的装置，其特征在于，所述满足预设要求的当前关联的特征信息为满足预设数量的当前关联的特征信息；或为，特征信息权重大于某预设阈值的当前关联的特征信息；或为，按特征信息权重降序排序在前的K个当前关联的特征信息，其中，所述K为正整数。
全文摘要
本申请提供了一种特征信息的个性化推荐方法和装置，其中，所述方法包括接收客户端提交的特征信息获取请求，所述请求中包括用户标识；根据所述用户标识获取用户行为倾向信息；采用所述用户行为倾向信息按预置规则提取当前关联的特征信息；提取满足预设要求的当前关联的特征信息返回给客户端。本申请可以满足用户多样的个性化需求，减少用户的网上购物时间成本，提高电子商务商品购买的转化率。
文档编号G06F17/30GK102760163SQ201210193550
公开日2012年10月31日 申请日期2012年6月12日 优先权日2012年6月12日
发明者常富洋, 李少伟, 秦吉胜 申请人:奇智软件(北京)有限公司