一种具有自动推荐功能的幼儿教育用知识学习卡板的制作方法

1.本发明涉及幼儿教育技术领域，具体为一种具有自动推荐功能的幼儿教育用知识学习卡板。


背景技术：

2.目前我国的人口基数和城镇化的水平正在逐年增长，随着人们的消费水平的不断提高，家庭结构中幼儿的占比增加，幼儿教育资源的需求也在增加，这也就意味着我国幼儿教育行业的发展正在市场上逐步扩深。将优质便捷的幼儿教育资源供给行业，是推动学前教育发展的一大助力。
3.现今市场上存在一些以纸片或其它材质的方式用于幼儿学习知识的卡板，这种卡板由于一些材质缺陷，在使用过程中会对于幼儿的安全问题产生一些影响，而且各种五花八门、顺序颠倒繁乱的知识也会使幼儿在学习的过程中觉得枯燥乏味，从而丧失学习兴趣。
4.因此，我们亟待一种具有自动推荐功能的幼儿教育用知识学习卡板来让幼儿更主动地获得学前教育，以兴趣作引导，拓宽幼儿的知识面。


技术实现要素：

5.本发明的目的在于提供一种具有自动推荐功能的幼儿教育用知识学习卡板，以解决上述背景技术中提出的问题。
6.为了解决上述技术问题，本发明提供如下技术方案：
7.一种具有自动推荐功能的幼儿教育用知识学习卡板，该卡板包括显示面板和自动推荐功能模块，所述显示面板为具备护眼功能的电子阅读器，用户通过显示面板浏览知识学习图片，所述自动推荐功能模块用于向用户自动推荐与其偏好内容相似的学习图片；
8.所述自动推荐功能模块包括典型模型、计时模块、标签存储模块、历史偏好数据集、统计模块、第一协同过滤模块、近邻模型、第二协同过滤模块、数据库生成模块、图片集和错序显示模块；
9.所述典型模型用于应对新用户刚开始使用卡板时会遇到的冷启动问题，用户在还没产出任何行为数据时，系统无法对该用户的喜好进行统计分析并实施自动推荐，典型模型代表大多数用户的喜好，具有典型性，所述计时模块用于计算用户在使用卡板进行知识学习时在每张图片上停留的时间和次数，记录下用户长时间和多次停留浏览的图片标签，将此类图片视作用户偏爱的类型，所述标签存储模块归纳存储用户喜爱的图片标签，所述历史偏好数据集将标签存储模块中存储的标签转化为与各个标签对应的图片，所述第一协同过滤模块结合近邻模型中与该用户偏好类似的数据，将近邻用户浏览过、而该用户还没有浏览过的图片进行总结，基于用户进行协同过滤推荐，所述第二协同过滤模块利用基于模型的协同过滤方法训练出一个推荐模型，然后根据实时的用户喜好信息进行预测和推荐，所述数据库生成模块中的数据由第一协同过滤模块和第二协同过滤模块自动推荐出的数据组合而成，所述图片集包括冷标签图片集和新标签图片集，所述冷标签图片集由历史
偏爱数据集和典型模型进行筛除处理得到，将冷标签图片集所对应的图片和新标签图片集中的数据一齐加入自动推荐而得的数据库中，所述错序显示模块从该数据库中随机采样，将采样结果呈现到电子屏上，再循环自动推荐过程，使用计时模块计算用户进行知识学习时在每张图片上停留的时间和次数，记录下用户长时间和多次停留浏览的图片标签，将此类图片视作用户偏爱的类型，存入标签存储模块；
10.所述具有自动推荐功能的幼儿教育用知识学习卡板以一种便捷安全的方式展示在电子阅读器上供给用户使用，利用自动推荐功能向用户推荐更符合偏好的图片类型，所述典型模型作为新用户浏览样本，避免了推荐系统的冷启动问题，所述计时模块作为系统选取偏好数据采集的依据，合理且较精确，所述第一协同过滤模块和第二协同过滤模块分别采用基于用户和模型的协同过滤推荐方法，将这两种推荐结果共同输入数据库中，更全面地兼顾用户的口味和喜好，且能针对用户实时发生变化的喜好进行预测和推荐，所述错序显示模块将用户偏好的卡板、冷标签卡板、新加入数据库的新标签图片集一起随机展示，利用幼儿偏爱的卡板引导幼儿学习的兴趣，将冷知识和新知识也加入其中，有利于幼儿知识面的拓宽；
11.作为优选方案，所述错序显示模块包括推荐数据a、冷标签数据b、新入库数据c、数据打乱单元、数据采集单元、统计分析单元、比例调整单元和显示面板，所述推荐数据a、冷标签数据b和新入库数据c一起作为输入部分传到数据打乱单元内，所述数据打乱单元对三类数据进行打乱处理，形成一个全新的数据集；
12.所述数据采集单元调查用户对冷标签图片集和新图片集的接受情况，将受用户喜爱的冷标签图片集和新图片集统计出来，所述统计分析单元统计新添偏爱数据占总新添图片数目的比例，分析用户对新领域知识的接受度，所述比例调整单元按用户接受度调整推荐数据a、冷标签数据b和新入库数据c抽取到数据集中的比例；
13.所述错序展示模块并不单一地向用户展示按喜好推荐生成的内容，而是穿插入冷标签和新入库数据，有助于在激发幼儿学习兴趣的同时，令其学习到更多的知识内容；
14.所述数据打乱单元将推荐数据a、冷标签数据b和新入库数据c按比例值抽取组成一个全新的数据集，然后采取随机采样的方式从该数据集中调取数据，将采样得到的图片输出到显示面板，然后逐个展示给用户；
15.所述数据打乱单元将三种数据按合理的比例抽取存入数据集中进行展出，避免出现大量无趣知识降低幼儿学习兴趣的现象，有助于提高幼儿的学习热情；
16.作为优选方案，所述计时模块包括图片、检测单元、计时点位单元、处理单元、统计单元和结果单元；
17.所述图片中包括该图片的便签信息和每个图片具有的唯一序号，通过这个序号，所述检测单元检测每张具有唯一序号的图片出现在屏幕上的时间和翻页结束的时间，所述计时点位单元记录下用户浏览每张图片的开始点位和结束点位，所述处理单元对这些数据进行归纳整理，每张图片对应不同序号的点位，所述统计单元计算用户在浏览每张图片时所花费的时间，并统计出开始点位和结束点位都不止一个的图片，所述结果单元将长时间浏览和多次浏览的图片对应的标签展示出来；
18.所述计时模块为每张卡板打上代表种类的标签以及用于唯一识别该卡板的序号，有助于提高检测工作的准确度，所述计时点位单元将用户在每张卡板上浏览停留的时间长
短和次数多少都作为推测用户偏好的判断标准，具有一定的合理度，也提高了该模块数据生成的可信度；
19.作为优选方案，所述开始点位和结束点位由计时点位单元记录，所述开始点位记为s
i
，所述结束点位记为o
i
，用户在浏览各个图片时产生的开始点位按时间顺序记为s
i
＝{s1，s2，s3，s4，s5……
}(i＝1，2，3，4，5
……
)，结束点位按时间顺序记为o
i
＝{o1，o2，o3，o4，o5……
}(i＝1，2，3，4，5
……
)，相邻且时间具有先后关系的开始点位s
i
和结束点位o
i
需相减，得到用户单次在这张图片上浏览时花费的时间，如果同一序号的图片具有不止一个开始点位和结束点位，则代表该用户在这张图片上浏览的次数不止一次，计算时不仅要记录下浏览次数，还要将每个时间段包含进去统计总时间t，公式如下：
20.t＝(o1‑
s1)+(o2‑
s2)+(o3‑
s3)+
……
；
21.计算用户在每张图片上停留的平均时间t
α
，公式如下：
[0022][0023]
将浏览总时间高于平均时间的图片对应标签存储下来录入历史偏好数据集，浏览总时间低于平均时间的图片对应的标签则记为冷标签；
[0024]
所述开始点位和结束点位被限定了位置和时间前后的关系，利于准确地计算出用户在每张卡板上浏览的时间，有效减少因为点位错误而造成的误差；
[0025]
作为优选方案，所述第一协同过滤模块使用基于用户的协同过滤推荐算法，所述协同过滤是一种利用群体行为做决策，再从可行的决策中寻找与需求相合的方案，根据所有使用该学习卡板的用户对图片标签类别的偏好，以喜欢类似物品的用户拥有相同的偏好为前提，发现与该用户偏好相似的近邻用户，假设图片标签类别有d、e、f、g和h，分别代表动物、食物、家具、文具和植物，多个不同的标签构成标签集合，假设用户a、b和c是使用该知识学习卡板的三个用户，建立标签—用户的倒排表，构建用户相似度矩阵，采用余弦相似度两两计算这三个用户之间喜好的相似程度，余弦值分别为w
aa
、w
ac
和w
bc
；
[0026][0027][0028][0029]
n
(a)
为用户a偏好的标签集合，n
(b)
为用户b偏好的标签集合，n
(c)
为用户c偏好的标签集合，余弦值越接近于1，说明两个用户之间爱好的相似度越大，余弦值越小，两个用户之间爱好的相似度越小，在相似度较大的两个用户间将其中一个用户浏览过、而另一个用户还没有浏览过的图片数据筛选出来，向对方进行推荐；
[0030]
所述第一协同过滤模块采用基于用户的协同过滤推荐算法，以用户的历史偏好数据为基础计算用户与用户之间的相似度，相似度越大，则越能作为可推荐的参照数据，同一平台的数据更容易被统计得到，自动推荐的方法快速方便，便于实现；
[0031]
所述第二协同过滤模块利用基于模型的协同过滤推荐方法，所述基于模型的协同
过滤推荐方法包括标签设置模块、标签提取模块、标签组合模块、训练分类器模块和自动推荐模块；
[0032]
所述基于模型的协同过滤推荐方法是基于样本来归纳出用户的喜好信息，需提前训练出一个推荐模型作为参考样本，然后根据用户实时变化的偏好信息进行推测，得出推荐给该用户的图片数据；
[0033]
所述标签设置模块用于设置代表不同类别的标签，并将这些标签存入数据库，所述标签设置模块具有对标签数据增删查改的功能，所述标签提取模块用于提取各个不同的标签内容，所述标签组合模块用于将数据库里的每张图片数据打上标签，所述训练分类器模块用于训练带有标签的图片数据，利用半监督算法得到一个分类器，使用该分类器对未打上标签的图片数据进行分类，依据分类结果将可信度较高的未标签图片数据及其预测标记加入到训练集中，然后通过训练学习不断更新分类器；
[0034]
所述第二协同过滤模块采用基于模型的协同过滤推荐方法，基于样本归纳信息，具有较强的代表性，推荐模型被建立完成后，面对用户的通用性很强，实现相对简单，自动推荐的效果也比较准确；
[0035]
所述训练分类器模块包括判断数据集单元、训练单元和未标签数据分类单元，所述判断数据集单元用于判断、分类和扩容数据集，所述训练单元使用自训练算法来训练分类器，所述自训练算法首先将初始的有标签数据集作为初始的训练集，根据初始训练集训练得到一个初始分类器,然后利用所述初始训练器对无标签数据集中的样本进行标记分类，分类后不删除未标签数据，每次迭代后都对未标签数据集进行重复标记分类，来保证在后续循坏中，错误标记的样本得到修正，成为更准确的训练集，将训练集加入到有标签数据集中，根据新的训练集训练新的分类器，重复以上步骤直到满足停止条件，得到最终的分类器，所述未标签分类单元用于对未标签的图片数据进行分类，不断扩充训练集规模，形成一个循环往复的过程；
[0036]
所述自训练算法使用的训练分类器是参照大量数据而得，利用算法充分学习到独立变量和目标变量之间的关系，采用自训练的方式有利于减少逐个标记数据的过程中花费的成本和时间，反复标记分类未标签数据集提高标签正确率，所述自动推荐模块根据用户浏览内容的实时变化而进行调整，在不断扩充训练集后逐步达成完善，具有实时性，推荐得出的数据也更接近于用户喜好；
[0037]
所述筛除模块是将数据库中该用户的偏好图片数据与典型模型里大众喜好的图片数据进行并集处理得到集合m，将存储所有类型标签的图片集作为总数据库，所述总数据库为集合n,属于集合n但不属于集合m的数据构成集合m与集合n的差集s，库为集合n,属于集合n但不属于集合m的数据构成集合m与集合n的差集s，该差集s为所述筛除模块中最终得出的冷标签图片数据；
[0038]
所述筛除模块将用户不喜爱的标签从总数据库中剔除出来，将冷标签对应的数据归在一个单独的数据库中，便于集中备用。
[0039]
与现有技术相比，本发明所达到的有益效果是：
[0040]
一种具有自动推荐功能的幼儿教育用知识学习卡板，该卡板由具备护眼功能的电子阅读器设备承载，以一种便捷安全的方式向用户展示呈现知识内容，向用户推荐更符合偏好的卡板类型。
[0041]
以绝大多数用户喜爱的卡板类型作为典型模型向新用户提供浏览样本，避免了推
荐系统的冷启动问题，使用错序显示模块将用户偏好的卡板、冷标签卡板、新加入数据库的新标签图片集一起按照合理的比例抽取存入数据集中进行展出，避免出现大量无趣知识降低幼儿学习兴趣的现象，有助于在激发幼儿学习兴趣的同时，令其学习到更多的知识内容，拓宽幼儿的知识面。
[0042]
使用计时模块为每张卡板打上代表种类的标签以及用于唯一识别该卡板的序号，有助于提高检测工作的准确度，将用户在每张卡板上浏览停留的时间长短和次数多少都作为推测用户偏好的判断标准，具有一定的合理度，也提高了该模块数据生成的可信度，限定开始点位和结束点位的位置和时间前后关系，利于准确地计算出用户在每张卡板上浏览的时间，有效减少因为点位错误而造成的误差。
[0043]
所述第一协同过滤模块和第二协同过滤模块分别采用基于用户和模型的协同过滤推荐方法，将这两种推荐结果共同输入数据库中，更全面地兼顾用户的口味和喜好，且能针对用户实时发生变化的喜好进行预测和推荐，利用自训练算法参照大量数据得出一个训练分类器，利用算法充分学习到独立变量和目标变量之间的关系，减少逐个标记数据的过程中花费的成本和时间，根据用户浏览内容的实时变化而进行调整自动推荐内容，在不断扩充训练集后逐步达成完善，具有实时性。
附图说明
[0044]
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
[0045]
图1是本发明一种具有自动推荐功能的幼儿教育用知识学习卡板的结构示意图；
[0046]
图2是本发明一种具有自动推荐功能的幼儿教育用知识学习卡板的错序显示模块示意图；
[0047]
图3是本发明一种具有自动推荐功能的幼儿教育用知识学习卡板的计时模块示意图；
[0048]
图4是本发明一种具有自动推荐功能的幼儿教育用知识学习卡板的基于模型的协同过滤推荐过程示意图；
[0049]
图5是本发明一种具有自动推荐功能的幼儿教育用知识学习卡板的训练分类器模块示意图。
具体实施方式
[0050]
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。
[0051]
请参阅图1
‑
5，本发明提供技术方案：
[0052]
如图1所示，一种具有自动推荐功能的幼儿教育用知识学习卡板，该卡板包括显示面板和自动推荐功能模块，所述显示面板为具备护眼功能的电子阅读器，用户通过显示面板浏览知识学习图片，所述自动推荐功能模块用于向用户自动推荐与其偏好内容相似的学习图片；
[0053]
所述自动推荐功能模块包括典型模型、计时模块、标签存储模块、历史偏好数据集、统计模块、第一协同过滤模块、近邻模型、第二协同过滤模块、数据库生成模块、图片集和错序显示模块；
[0054]
所述典型模型用于应对新用户刚开始使用卡板时会遇到的冷启动问题，用户在还没产出任何行为数据时，系统无法对该用户的喜好进行统计分析并实施自动推荐，典型模型代表大多数用户的喜好，具有典型性，所述计时模块用于计算用户在使用卡板进行知识学习时在每张图片上停留的时间和次数，记录下用户长时间和多次停留浏览的图片标签，将此类图片视作用户偏爱的类型，所述标签存储模块归纳存储用户喜爱的图片标签，所述历史偏好数据集将标签存储模块中存储的标签转化为与各个标签对应的图片，所述第一协同过滤模块结合近邻模型中与该用户偏好类似的数据，将近邻用户浏览过、而该用户还没有浏览过的图片进行总结，基于用户进行协同过滤推荐，所述第二协同过滤模块利用基于模型的协同过滤方法训练出一个推荐模型，然后根据实时的用户喜好信息进行预测和推荐，所述数据库生成模块中的数据由第一协同过滤模块和第二协同过滤模块自动推荐出的数据组合而成，所述图片集包括冷标签图片集和新标签图片集，所述冷标签图片集由历史偏爱数据集和典型模型进行筛除处理得到，将冷标签图片集所对应的图片和新标签图片集中的数据一齐加入自动推荐而得的数据库中，所述错序显示模块从该数据库中随机采样，将采样结果呈现到电子屏上，再循环自动推荐过程，使用计时模块计算用户进行知识学习时在每张图片上停留的时间和次数，记录下用户长时间和多次停留浏览的图片标签，将此类图片视作用户偏爱的类型，存入标签存储模块；
[0055]
所述第一协同过滤模块使用基于用户的协同过滤推荐算法，所述协同过滤是一种利用群体行为做决策，再从可行的决策中寻找与需求相合的方案，根据所有使用该学习卡板的用户对图片标签类别的偏好，以喜欢类似物品的用户拥有相同的偏好为前提，发现与该用户偏好相似的近邻用户，假设图片标签类别有d、e、f、g和h，分别代表动物、食物、家具、文具和植物，多个不同的标签构成标签集合，假设用户a、b和c是使用该知识学习卡板的三个用户，建立标签—用户的倒排表，构建用户相似度矩阵，采用余弦相似度两两计算这三个用户之间喜好的相似程度，余弦值分别为w
ab
、w
ac
和w
bc
；
[0056][0057][0058][0059]
n
(a)
为用户a偏好的标签集合，n
(b)
为用户b偏好的标签集合，n
(c)
为用户c偏好的标签集合，余弦值越接近于1，说明两个用户之间爱好的相似度越大，余弦值越小，两个用户之间爱好的相似度越小，在相似度较大的两个用户间将其中一个用户浏览过、而另一个用户还没有浏览过的图片数据筛选出来，向对方进行推荐；
[0060]
所述筛除模块是将数据库中该用户的偏好图片数据与典型模型里大众喜好的图片数据进行并集处理得到集合m，将存储所有类型标签的图片集作为总数据库，所述总数据
库为集合n,属于集合n但不属于集合m的数据构成集合m与集合n的差集s，库为集合n,属于集合n但不属于集合m的数据构成集合m与集合n的差集s，该差集s为所述筛除模块中最终得出的冷标签图片数据；
[0061]
如图2所示，所述错序显示模块包括推荐数据a、冷标签数据b、新入库数据c、数据打乱单元、数据采集单元、统计分析单元、比例调整单元和显示面板，所述推荐数据a、冷标签数据b和新入库数据c一起作为输入部分传到数据打乱单元内，所述数据打乱单元对三类数据进行打乱处理，形成一个全新的数据集；
[0062]
所述数据采集单元调查用户对冷标签图片集和新图片集的接受情况，将受用户喜爱的冷标签图片集和新图片集统计出来，所述统计分析单元统计新添偏爱数据占总新添图片数目的比例，分析用户对新领域知识的接受度，所述比例调整单元按用户接受度调整推荐数据a、冷标签数据b和新入库数据c抽取到数据集中的比例；
[0063]
所述数据打乱单元将推荐数据a、冷标签数据b和新入库数据c按比例值抽取组成一个全新的数据集，然后采取随机采样的方式从该数据集中调取数据，将采样得到的图片输出到显示面板，然后逐个展示给用户；
[0064]
如图3所示，所述计时模块包括图片、检测单元、计时点位单元、处理单元、统计单元和结果单元；
[0065]
所述图片中包括该图片的便签信息和每个图片具有的唯一序号，通过这个序号，所述检测单元检测每张具有唯一序号的图片出现在屏幕上的时间和翻页结束的时间，所述计时点位单元记录下用户浏览每张图片的开始点位和结束点位，所述处理单元对这些数据进行归纳整理，每张图片对应不同序号的点位，所述统计单元计算用户在浏览每张图片时所花费的时间，并统计出开始点位和结束点位都不止一个的图片，所述结果单元将长时间浏览和多次浏览的图片对应的标签展示出来；
[0066]
所述开始点位和结束点位由计时点位单元记录，所述开始点位记为s
i
，所述结束点位记为o
i
，用户在浏览各个图片时产生的开始点位按时间顺序记为s
i
＝{s1，s2，s3，s4，s5……
}(i＝1，2，3，4，5
……
)，结束点位按时间顺序记为o
i
＝{o1，o2，o3，o4，o5……
}(i＝1，2，3，4，5
……
)，相邻且时间具有先后关系的开始点位s
i
和结束点位o
i
需相减，得到用户单次在这张图片上浏览时花费的时间，如果同一序号的图片具有不止一个开始点位和结束点位，则代表该用户在这张图片上浏览的次数不止一次，计算时不仅要记录下浏览次数，还要将每个时间段包含进去统计总时间t，公式如下：
[0067]
t＝(o1‑
s1)+(o2‑
s2)+(o3‑
s3)+
……
；
[0068]
计算用户在每张图片上停留的平均时间t
α
，公式如下：
[0069]
将浏览总时间高于平均时间的图片对应标签存储下来录入历史偏好数据集，浏览总时间低于平均时间的图片对应的标签则记为冷标签；
[0070]
如图4所示，所述第二协同过滤模块利用基于模型的协同过滤推荐方法，所述基于模型的协同过滤推荐方法包括标签设置模块、标签提取模块、标签组合模块、训练分类器模块和自动推荐模块；
[0071]
所述基于模型的协同过滤推荐方法是基于样本来归纳出用户的喜好信息，需提前训练出一个推荐模型作为参考样本，然后根据用户实时变化的偏好信息进行推测，得出推
荐给该用户的图片数据；
[0072]
所述标签设置模块用于设置代表不同类别的标签，并将这些标签存入数据库，所述标签设置模块具有对标签数据增删查改的功能，所述标签提取模块用于提取各个不同的标签内容，所述标签组合模块用于将数据库里的每张图片数据打上标签，所述训练分类器模块用于训练带有标签的图片数据，利用半监督算法得到一个分类器，使用该分类器对未打上标签的图片数据进行分类，依据分类结果将可信度较高的未标签图片数据及其预测标记加入到训练集中，然后通过训练学习不断更新分类器；
[0073]
如图5所示，所述训练分类器模块包括判断数据集单元、训练单元和未标签数据分类单元，所述判断数据集单元用于判断、分类和扩容数据集，所述训练单元使用自训练算法来训练分类器，所述自训练算法首先将初始的有标签数据集作为初始的训练集，根据初始训练集训练得到一个初始分类器,然后利用所述初始训练器对无标签数据集中的样本进行标记分类，分类后不删除未标签数据，每次迭代后都对未标签数据集进行重复标记分类，来保证在后续循坏中，错误标记的样本得到修正，成为更准确的训练集，将训练集加入到有标签数据集中，根据新的训练集训练新的分类器，重复以上步骤直到满足停止条件，得到最终的分类器，所述未标签分类单元用于对未标签的图片数据进行分类，不断扩充训练集规模，形成一个循环往复的过程。
[0074]
实施例一：
[0075]
当图片标签类别有d、e、f、g和h，分别代表动物、食物、家具、文具和植物，多个不同的标签构成标签集合，用户a、b和c是使用该知识学习卡板的三个用户，三个用户的偏好标签集合分别为n
(a)
＝{d，f，g}，n
(b)
＝{e，f，g，h}，n
(c)
＝{d，g，h}，建立标签—用户的倒排表，构建用户相似度矩阵，采用余弦相似度两两计算这三个用户之间喜好的相似程度，余弦值分别为w
ab
、w
ac
和w
bc
；
[0076][0077][0078][0079]
因为余弦值越接近于1，两个用户之间爱好的相似度越大，余弦值越小，两个用户之间爱好的相似度越小，将用户之间的爱好相似度用数值表示出来，更直观地找到与目标用户爱好相似的用户。
[0080]
实施例二：
[0081]
当用户在卡板e上浏览了8.19秒后，翻页到下一张卡板f，0.23秒之后又回到卡板e,在第二次浏览6.12秒后继续往后翻，经过卡板f，停顿5.78秒,到达卡板g，停顿3.29秒，再到达卡板h，停顿7.91秒后翻到卡板i，停顿4.27秒后翻到卡板j，停顿0.03秒后回到卡板i，在第二次浏览了2.3秒后翻到卡板j，停顿0.48秒后第二次回到卡板i进行了3.84秒的浏览，然后回到卡板j浏览1秒钟到达卡板k,顺序浏览中一共产出了产生25个计时点位，以s
i
作为开始点位，以o
i
作为结束点位，则根据时间线，顺序产生的计时点位为s
e1
、o
e1
、s
f1
、s
e2
、o
f1
、
o
e2
、s
f2
、s
g1
、o
f2
、o
g1
、s
h1
、o
h1
、s
i1
、o
i1
、s
j1
、o
j1
、s
i2
、o
i2
、s
j2
、s
i3
、o
j2
、s
j3
、o
i3
、o
j3
、s
k
；
[0082]
其中，o
e1
＝s
f1
，s
e2
＝o
f1
，o
e2
＝s
f2
，s
g1
＝o
f2
，o
g1
＝s
h1
、o
h1
＝s
i1
、o
i1
＝s
j1
、o
j1
＝s
i2
，o
i2
＝s
j2
，s
i3
＝o
j2
，s
j3
＝o
i3
，o
j3
＝s
k
；
[0083]
i
cout
＝j
cout
＝3＞e
cout
＝f
cout
＝2＞g
cout
＝h
cout
＝1；
[0084]
t
e
＝(o
e1
‑
s
e1
)+(o
e2
‑
s
e2
)＝8.19+6.12＝14.31s；
[0085]
t
f
＝(o
f1
‑
s
f1
)+(o
f2
‑
s
f2
)＝0.23+5.78＝6.01s；
[0086]
t
g
＝o
g1
‑
s
g1
＝3.29s；
[0087]
t
h
＝o
h1
‑
s
h1
＝7.91s；
[0088]
t
i
＝(o
i1
‑
s
i1
)+(o
i2
‑
s
i2
)+(o
i3
‑
s
i3
)＝4.27+2.3+3.84＝10.41s；
[0089]
t
j
＝(o
j1
‑
s
j1
)+(o
j2
‑
s
j2
)+(o
j3
‑
s
j3
)＝0.03+0.48+1＝1.51s；
[0090][0091]
t
e
＞t
i
＞t
h
＞t
α
＞t
f
＞t
g
＞t
j
；
[0092]
由此可分析，卡板j虽被用户多次停留浏览，但时间较少，仅是经停，而用户在卡板h上虽只停留一次，但浏览时间较长，则得出该用户对e、f、g、h、i、j这六张卡板的喜爱度排行为e＞i＞h＞f＞g＞j，再与卡板平均浏览时间作比较，经计时模块统计处理，将卡板e、i、h所属的标签类型输入标签存储模块，作为用户偏爱历史数据等待处理。
[0093]
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。