一种网络信息的推荐方法及系统

1.一种网络信息的推荐方法，其特征在于，包括以下步骤：
S1：收集用户的不同属性信息并存储到结构化的用户数据表的用户信息属性字段；并根据待推荐信息的不同属性信息建立与所述用户信息属性字段对应的具有自定义标识的待推荐信息数据表；
S2：根据用户信息属性字段的内容获取用户期望图谱，基于所述用户期望图谱，通过匹配推荐算法与所述待推荐信息进行关联匹配，从匹配成功的待推荐信息中选取设定阈值数目的待推荐信息；
S3：根据选定的待推荐信息生成推荐信息结果集；
其中，所述步骤S2进一步包括，
基于用户信息属性字段获取用户期望图谱，与对应属性字段的待推荐信息进行一次信息匹配过滤；
从匹配成功的推荐信息中，基于用户信息属性字段再次获取用户期望图谱，与对应属性字段的待推荐信息进行二次匹配，根据本次匹配成功的属性字段设定的权重，统计待推荐信息与用户的匹配度并进行排序，从中选取设定阈值数目的待推荐信息进行推荐。
2.根据权利要求1所述的网络信息的推荐方法，其特征在于，所述步骤S2进一步包括，基于细分的用户子集获取用户期望图谱，与所述待推荐信息进行关联匹配，选取与所述细分的用户子集中用户匹配的待推荐信息进行推荐。
3.根据权利要求1所述的网络信息的推荐方法，其特征在于，所述步骤S2进一步包括，基于特定用户信息属性字段的各功能细项获取用户期望图谱，从待推荐信 息中选定与用户期望图谱最接近的初始待推荐信息；
将特定用户信息属性字段的各功能细项与初始选定的待推荐信息对应属性字段的各功能细项进行对比，确定存在差异的功能细项，根据效用函数计算初始选定的待推荐信息及相近的待推荐信息的差异值，根据得到的差异值确定最佳推荐信息。
4.根据权利要求3所述的网络信息的推荐方法，其特征在于，所述效用函数通过特定属性字段差异值与超出所述特定属性字段各功能细项阈值部分的权重差异求和得到，其中，特定属性字段差异值通过待推荐信息特定属性字段值与初始选定的待推荐信息特定属性字段值求差得到，超出所述特定属性字段各功能细项阈值部分的权重差异通过超出所述特定属性字段各功能细项阈值部分的差异值与各功能细项的权重值相乘得到。
5.一种网络信息的推荐系统，所述系统包括用户注册与信息采集单元和推荐单元，所述用户注册与信息采集单元用于收集用户的不同属性信息并存储信息到结构化的用户数据表的用户信息属性字段；所述推荐单元用于收集待推荐信息的不同属性信息并存储到与用户信息属性字段对应的具有自定义标识的待推荐信息数据表，并基于根据用户信息属性字段值获取的用户期望图谱，通过匹配推荐算法与所述待推荐信息进行关联匹配，从匹配成功的待推荐信息中选取设定阈值数目的待推荐信息进行推荐；
其中，所述推荐单元具体用于：
基于用户信息属性字段获取用户期望图谱，与对应属性字段的待推荐信息进行一次信息匹配过滤；
从匹配成功的推荐信息中，基于用户信息属性字段再次获取用户期望图谱， 与对应属性字段的待推荐信息进行二次匹配，根据本次匹配成功的属性字段设定的权重，统计待推荐信息与用户的匹配度并进行排序，从中选取设定阈值数目的待推荐信息进行推荐。
6.根据权利要求5所述的网络信息的推荐系统，其特征在于，所述用户注册与采集单元包括用户身份信息填写模块、用户偏好信息填写模块、用户消费特性信息填写模块、用户兴趣偏好信息填写模块和用户注册模块，其中，所述用户身份信息填写模块用于收集用户的个人信息，所述用户偏好信息填写模块用于收集用户的偏好风格、消费信息，所述用户消费特性信息填写模块用于收集用户的每月资费、功能细项消费信息，用户兴趣偏好信息填写模块用于收集用户的兴趣爱好信息，所述用户注册模块用于完成用户账号注册。
7.根据权利要求5所述的网络信息的推荐系统，其特征在于，所述推荐单元包括用户信息解析模块、待推荐信息标识模块、匹配推荐算法模块和信息推荐展示模块，其中，所述用户信息解析模块用于解析用户数据表中存储的用户信息数据；所述待推荐信息标识模块用于根据待推荐信息的不同属性信息标记与用户信息属性字段对应的自定义标识并存储数据到待推荐信息数据表；所述匹配推荐算法模块用于基于用户期望图谱通过匹配推荐算法与对应的待推荐信息进行关联匹配，从匹配成功的待推荐信息中选取设定阈值数目的待推荐信息生成推荐信息结果集；所述信息推荐展示模块用于显示推荐信息结果集。
8.根据权利要求7所述的网络信息的推荐系统，其特征在于，所述匹配推荐算法模块包括测算单元、匹配单元和分析单元，其中，所述测算单元用于确定用户信息特定属性字段各功能细项的预估值；所述匹配单元用于根据测算单元确定的预估值，从待推荐信息数据表中选定与所述预估值最接近的初始待推 荐信息；所述分析单元用于将用户数据表特定属性字段的各功能细项与初始选定的待推荐信息对应属性字段的各功能细项进行对比，确定存在差异的功能细项，根据效用函数计算初始选定的待推荐信息及相近的待推荐信息存在的差异值，根据得到的差异值确定最佳推荐信息。
9.根据权利要求8所述的网络信息的推荐系统，其特征在于，所述效用函数通过特定属性字段差异值与超出所述特定属性字段各功能细项阈值部分的权重差异求和得到，其中，特定属性字段差异值通过待推荐信息特定属性字段值与初始选定的待推荐信息特定属性字段值求差得到，超出所述特定属性字段各功能细项阈值部分的权重差异通过超出所述特定属性字段各功能细项阈值部分的差异值与各功能细项的权重值相乘得到。

一种网络信息的推荐方法及系统\n技术领域\n[0001] 本发明涉及网络技术领域，特别涉及一种网络信息的推荐方法及系统。\n背景技术\n[0002] 随着互联网技术的迅速发展，通过网络来选择自己需要的商品已成为一种常见的购物方式。信息化手段使人们能够便捷地获取海量的商品信息，但如何在这些海量的商品中快速、准确的找到最适合自己需要的一款却成了难题。现有技术中，网络运营商通过提供多条件筛选来帮助用户快速定位需要的商品，由于网络信息极度膨胀，即使通过多条件筛选，用户仍然能够找到大量的商品，难以做出购买决策。此外，用户通过不断变化筛选条件反复向服务器提交筛选请求，服务器根据新的筛选条件计算并反馈新的筛选结果，对服务器自身的性能消耗非常大，当大量用户同时并不断发送提交请求时，会造成在线等待时间过长，情况严重时，可能会造成网络拥塞甚至服务器崩溃，影响用户体验。因此，亟需一种网络信息的推荐方法及系统，帮助用户快速、准确选择最适合自己的一款商品，提高服务器的性能。\n发明内容\n[0003] 为了克服现有技术的缺陷和不足，本发明提供一种网络信息的推荐方法及系统，基于用户期望图谱采用智能推荐算法，帮助用户面对海量信息时，能够快速、准确为用户推荐最适合其需求的信息。所述技术方案如下：\n[0004] 一种网络信息的推荐方法，包括以下步骤：\n[0005] S1：收集用户的不同属性信息并存储到结构化的用户数据表的用户信息属性字段；并根据待推荐信息的不同属性信息建立与所述用户信息属性字段对应的具有自定义标识的待推荐信息数据表；\n[0006] S2：根据用户信息属性字段的内容获取用户期望图谱，基于所述用户期望图谱，通过匹配推荐算法与所述待推荐信息进行关联匹配，从匹配成功的待推荐信息中选取设定阈值数目的待推荐信息；\n[0007] S3：根据选定的待推荐信息生成推荐信息结果集。\n[0008] 所述步骤S2进一步包括，\n[0009] 基于用户信息属性字段获取用户期望图谱，与对应属性字段的待推荐信息进行一次信息匹配过滤；\n[0010] 从匹配成功的推荐信息中，基于用户信息属性字段再次获取用户期望图谱，与对应属性字段的待推荐信息进行二次匹配，根据本次匹配成功的属性字段设定的权重，统计待推荐信息与用户的匹配度并进行排序，从中选取设定阈值数目的待推荐信息进行推荐。\n[0011] 进一步地，第一次获取用户期望图谱通过选择至少一个用户信息属性字段的内容获取，再次获取用户期望图谱通过从匹配成功的推荐信息中，选择至少一个未进行匹配的用户信息属性字段获取。\n[0012] 所述步骤S2进一步包括，\n[0013] 基于细分的用户子集获取用户期望图谱，与所述待推荐信息进行关联匹配，选取与所述细分的用户子集中用户匹配的待推荐信息进行推荐。\n[0014] 进一步地，所述细分的用户子集通过选择至少一个用户信息属性字段的内容相同的用户确定。\n[0015] 所述步骤S2进一步包括，\n[0016] 基于特定用户信息属性字段的各功能细项获取用户期望图谱，从待推荐信息中选定与用户期望图谱最接近的初始待推荐信息；\n[0017] 将特定用户信息属性字段的各功能细项与初始选定的待推荐信息对应属性字段的各功能细项进行对比，确定存在差异的功能细项，根据效用函数计算初始选定的待推荐信息及相近的待推荐信息的差异值，根据得到的差异值确定最佳推荐信息。\n[0018] 进一步地，所述用户期望图谱通过参考特定用户信息属性字段以往的字段值及对各功能细项值进行预估获取。\n[0019] 进一步地，所述效用函数通过特定属性字段差异值与超出所述特定属性字段各功能细项阈值部分的权重差异求和得到，其中，特定属性字段差异值通过待推荐信息特定属性字段值与初始选定的待推荐信息特定属性字段值求差得到，超出所述特定属性字段各功能细项阈值部分的权重差异通过超出所述特定属性字段各功能细项阈值部分的差异值与各功能细项的权重值相乘得到。\n[0020] 本发明还公开一种网络信息的推荐系统，所述系统包括用户注册与信息采集单元和推荐单元，所述用户注册与信息采集单元用于收集用户的不同属性信息并存储信息到结构化的用户数据表的用户信息属性字段；所述推荐单元用于收集待推荐信息的不同属性信息并存储到与用户信息属性字段对应的具有自定义标识的待推荐信息数据表，并基于根据用户信息属性字段值获取的用户期望图谱，通过匹配推荐算法与所述待推荐信息进行关联匹配，从匹配成功的待推荐信息中选取设定阈值数目的待推荐信息进行推荐。\n[0021] 所述用户注册与采集单元包括用户身份信息填写模块、用户偏好信息填写模块、用户消费特性信息填写模块、用户兴趣偏好信息填写模块和用户注册模块，其中，所述用户身份信息填写模块用于收集用户的个人信息，所述用户偏好信息填写模块用于收集用户的偏好风格、消费信息，所述用户消费特性信息填写模块用于收集用户的每月资费、功能细项消费信息，用户兴趣偏好信息填写模块用于收集用户的兴趣爱好信息，所述用户注册模块用于完成用户账号注册。\n[0022] 所述推荐单元包括用户信息解析模块、待推荐信息标识模块、匹配推荐算法模块和信息推荐展示模块，其中，所述用户信息解析模块用于解析用户数据表中存储的用户信息数据；所述待推荐信息标识模块用于根据待推荐信息的不同属性信息标记与用户信息属性字段对应的自定义标识并存储数据到待推荐信息数据表；所述匹配推荐算法模块用于基于用户期望图谱通过匹配推荐算法与对应的待推荐信息进行关联匹配，从匹配成功的待推荐信息中选取设定阈值数目的待推荐信息生成推荐信息结果集；所述信息推荐展示模块用于显示推荐信息结果集。\n[0023] 所述匹配推荐算法模块包括测算单元、匹配单元和分析单元，其中，所述测算单元用于确定用户信息特定属性字段各功能细项的预估值；所述匹配单元用于根据测算单元确定的预估值，从待推荐信息数据表中选定与所述预估值最接近的初始待推荐信息；所述分析单元用于将用户数据表特定属性字段的各功能细项与初始选定的待推荐信息对应属性字段的各功能细项进行对比，确定存在差异的功能细项，根据效用函数计算初始选定的待推荐信息及相近的待推荐信息存在的差异值，根据得到的差异值确定最佳推荐信息。\n[0024] 所述效用函数通过特定属性字段差异值与超出所述特定属性字段各功能细项阈值部分的权重差异求和得到，其中，特定属性字段差异值通过待推荐信息特定属性字段值与初始选定的待推荐信息特定属性字段值求差得到，超出所述特定属性字段各功能细项阈值部分的权重差异通过超出所述特定属性字段各功能细项阈值部分的差异值与各功能细项的权重值相乘得到。\n[0025] 采用本发明的技术方案，通过与用户交互获得用户信息，基于用户信息获得用户期望图谱，并基于用户期望图谱采用智能推荐算法与用户需求的信息进行关联匹配，帮助用户面对海量信息，能够快速、准确做出最适合用户的选购决策，提升了用户体验。同时，本发明不需要反复向服务器提交筛选请求即可快速得到最优的推荐结果，提高了服务器的性能。\n附图说明\n[0026] 图1是本发明第一实施例的网络信息的推荐方法的流程图；\n[0027] 图2是本发明第二实施例的网络信息的推荐方法的流程图；\n[0028] 图3是本发明第三实施例的网络信息的推荐方法的流程图；\n[0029] 图4是本发明第四实施例的网络信息的推荐方法的流程图；\n[0030] 图5是本发明第一实施例的网络信息推荐系统的结构示意图；\n[0031] 图6是本发明第一实施例的用户注册与信息采集单元的结构示意图；\n[0032] 图7是本发明第一实施例的推荐单元的结构示意图；\n[0033] 图8是本发明第一具体实施例的网络信息推荐系统推荐手机的方法流程图；\n[0034] 图9是本发明第二具体实施例的网络信息推荐系统推荐套餐的方法流程图。\n具体实施方式\n[0035] 本发明的技术方案适用于以向公众提供信息发布平台为主要功能的网站，如电子商务、同城信息等大型综合信息发布平台网站等。\n[0036] 下面结合附图并通过具体实施方式来进一步说明本发明的技术方案。\n[0037] 图1是本发明第一实施例的网络信息的推荐方法的流程图。如图1所示，该方法包括：\n[0038] 步骤S101，收集用户的不同属性信息建立结构化的用户数据表，并根据待推荐信息的不同属性信息建立待推荐信息数据表；\n[0039] 通过与用户交互收集用户的不同属性信息（身份、偏好、兴趣等），如身份信息包括年龄段、性别、来源城市等信息；偏好信息包括消费心理、购机偏好等；对收集的用户信息结构化并存储进数据库与用户信息对应的属性字段中；收集待推荐信息的不同属性信息，包括手机的名称、品牌、型号、类型、外观设计，以及各类功能参数的信息数据，并将这些信息数据结构化建立与用户信息属性字段对应的自定义标识的待推荐信息，存储所述信息到数据库中。所述自定义标识可通过算法或人工进行添加。\n[0040] 步骤S102，根据用户信息属性字段的内容获取用户期望图谱，基于所述用户期望图谱，通过匹配推荐算法与所述待推荐信息进行关联匹配，从匹配成功的待推荐信息中选取设定阈值数目的待推荐信息；\n[0041] 通过对用户不同属性信息进行筛选确定符合用户兴趣期望的范围，得到用户期望图谱。\n[0042] 步骤S103，根据选定的待推荐信息生成推荐信息结果集。\n[0043] 图2是本发明第二实施例的网络信息的推荐方法的流程图。如图2所示，该方法包括：\n[0044] S201：收集用户的不同属性信息建立结构化的用户数据表，并根据待推荐信息的不同属性信息建立待推荐信息数据表；\n[0045] S202：基于用户信息属性字段获取用户期望图谱，通过匹配推荐算法进行一次信息匹配过滤；\n[0046] 通过选择至少一个用户信息属性字段的内容获取用户期望图谱，基于所述用户期望图谱，与对应属性字段的待推荐信息进行一次信息匹配过滤。\n[0047] S203：通过匹配推荐算法进行二次过滤及匹配信息的排序；\n[0048] 从匹配成功的推荐信息中，再选择至少一个未进行匹配的用户信息属性字段再次获取用户期望图谱，与对应属性字段的待推荐信息进行二次匹配，根据本次匹配成功的属性字段设定的权重，统计待推荐信息与用户的匹配度并进行排序，从中选取设定阈值数目的待推荐信息进行推荐。\n[0049] S204：根据选定的待推荐信息生成推荐信息结果集。\n[0050] 图3是本发明第三实施例的网络信息的推荐方法的流程图。如图3所示，该方法包括：\n[0051] S301：收集用户的不同属性信息建立结构化的用户数据表，并根据待推荐信息的不同属性信息建立待推荐信息数据表；\n[0052] S302：基于细分的用户子集获取用户期望图谱，与所述待推荐信息进行关联匹配，选取与所述细分的用户子集中用户匹配的待推荐信息进行推荐；\n[0053] 选择至少一个用户信息属性字段的内容相同的用户作为一个细分的用户子集，获取基于所述细分用户子集的用户期望图谱。\n[0054] S303：根据选定的待推荐信息生成推荐信息结果集。\n[0055] 图4是本发明第四实施例的网络信息的推荐方法的流程图。如图4所示，该方法包括：\n[0056] S401：收集用户的不同属性信息建立结构化的用户数据表，并根据待推荐信息的不同属性信息建立待推荐信息数据表；\n[0057] S402：基于特定用户信息属性字段的各功能细项获取用户期望图谱，从待推荐信息中选定与用户期望图谱最接近的初始待推荐信息；\n[0058] 所述用户期望图谱通过参考特定用户信息属性字段以往的字段值及对各功能细项值进行预估获取。\n[0059] S403：将用户数据表特定属性字段的各功能细项与初始选定的待推荐信息对应属性字段的各功能细项进行对比，确定存在差异的功能细项；\n[0060] S404：根据效用函数计算初始选定的待推荐信息及相近的待推荐信息的差异值，根据得到的差异值确定最佳推荐信息。\n[0061] 所述效用函数为：\n[0062] Fx(u)= 特定属性字段差异值+超出各功能细项阈值部分的权重差异\n[0063] 其中，特定属性字段差异值通过待推荐信息特定属性字段值与初始选定的待推荐信息特定属性字段值求差得到，超出所述特定属性字段各功能细项阈值部分的权重差异通过超出所述特定属性字段各功能细项阈值部分的差异值与各功能细项的权重值相乘得到。\n[0064] 相应的，图5是本发明第一实施例的网络信息推荐系统的结构示意图。如图5所示，所述系统包括用户注册与信息采集单元501和推荐单元502，所述用户注册与信息采集单元501用于收集用户的不同属性信息并存储信息到结构化的用户数据表503；所述推荐单元502用于收集待推荐信息的不同属性信息并存储到与用户信息属性字段对应的具有自定义标识的待推荐信息数据表504，并根据所述用户数据表与待推荐信息数据表的对应属性字段，通过匹配推荐算法进行关联匹配，选择匹配成功的待推荐信息进行推荐。\n[0065] 图6是本发明第一实施例的用户注册与信息采集单元的结构示意图。如图6所示，所述用户注册与采集单元501包括用户身份信息填写模块601、用户偏好信息填写模块602、用户消费特性信息填写模块603、用户兴趣偏好信息填写模块604和用户注册模块\n605，其中，所述用户身份信息填写模块601用于收集用户的性别、年龄、来源城市，所述用户偏好信息填写模块602用于收集用户的偏好风格、消费信息，所述用户消费特性信息填写模块603用于收集用户的每月资费、功能细项消费信息，用户兴趣偏好信息填写模块604用于收集用户的兴趣还好信息，所述用户注册模块505用于完成用户账号注册。\n[0066] 图7是本发明第一实施例的推荐单元的结构示意图。如图7所示，所述推荐单元\n502包括用户信息解析模块701、待推荐信息标识模块702、匹配推荐算法模块703和信息推荐展示模块704，其中，所述用户信息解析模块701用于解析用户数据表中存储的用户信息数据；所述待推荐信息标识模块702用于根据待推荐信息的不同属性信息建立与用户信息属性字段对应的自定义标识并存储数据到待推荐信息数据库；所述匹配推荐算法模块703用于将所述用户数据表与待推荐信息数据表的对应属性字段进行关联匹配，选择匹配成功的待推荐信息进行推荐，生成推荐信息结果集；所述信息推荐展示模块704用于显示推荐信息结果集。\n[0067] 所述匹配推荐算法模块703包括测算单元、匹配单元和分析单元，其中，所述测算单元用于确定用户信息特定属性字段预估值；所述匹配单元用于根据测算单元的预估值，从待推荐信息数据表中选择与所述预估值最接近的待推荐信息；所述分析单元用于将用户数据表特定属性字段的各细项与所选待推荐信息对应属性字段的各细项进行对比，确定存在差异且差异权重大的细项，根据效用函数计算所选待推荐信息及相近的其他待推荐信息存在的差异值，根据得到的差异值确定最佳推荐信息。\n[0068] 所述效用函数为：\n[0069] Fx(u)= 特定属性字段差异值+超出各功能细项阈值部分的权重差异\n[0070] 其中，特定属性字段差异值通过待推荐信息特定属性字段值与初始选定的待推荐信息特定属性字段值求差得到，超出所述特定属性字段各功能细项阈值部分的权重差异通过超出所述特定属性字段各功能细项阈值部分的差异值与各功能细项的权重值相乘得到。\n[0071] 下面以通过网络推荐手机及套餐为例，进一步说明本发明具体实施方式提供的网络信息的推荐方法和系统。\n[0072] 图8是本发明第一具体实施例的网络信息推荐系统推荐手机的方法流程图。如图\n8所示，具体实施步骤如下：\n[0073] 步骤S801，通过与用户交互收集用户的不同属性信息（身份、购机偏好、兴趣信息），包括用户年龄段：18岁以下，19-25，26-40，41-55，56以上；用户性别：男，女；用户购买手机的心理价位：1000以下，1000-2000，2000-3000，3000-4000，4000-5000，5000以上；用户挑选手机最看重的要素：简单实用、廉价实惠、品牌品质、功能强大、时尚个性、外观精美；\n用户选择的运营商，用户的兴趣爱好......,通过这些要素可识别用户消费心理类型。另外，通过用户对几组模特的着装图片进行选择，这些图片分别代表“传统，现代，前卫”三种风格，从而可以识别用户的风格偏好。\n[0074] 步骤S802，对收集的用户信息结构化并存储进数据库。\n[0075] 根据用户的不同属性信息建立结构化的用户信息数据表，如表1所示：\n[0076] \n 用户ID 性别 年龄段 心理价位 消费心理 偏好风格 兴趣爱好 运营商 ......\n u0001 男 26-40 2000-3000 时尚个性 现代 网球 电信\n u0002 女 19-25 1000-2000 外观精美 前卫 K歌 移动\n u0003 男 41-55 3000-4000 品牌品质 传统 旅游 联通\n[0077] 表1\n[0078] 对收集的用户信息结构化并存储进数据库，比如将五个年龄段对应“1、2、3、4、5”五个值，如果用户年龄段属于“26-40”，则在“年龄段”列中对应写入“3”。\n[0079] 步骤S803，采集手机描述信息，包括手机的名称、品牌、型号、类型、外观设计，以及各类功能参数的信息数据，并将这些信息数据结构化后存储到数据库表中。\n[0080] 步骤S804，通过算法及人工对手机信息增加描述标签。人工标识的标签包括手机适合的用户的性别、年龄段、消费心理、偏好风格等，这些与用户信息相应的字段对应。算法增加的标签，根据手机参数适合的条件进行标识，比如手机的网络制式支持的运营商，对应标识“移动、电信、联通”运营商。如果手机摄像头像素较高，高于某个值，就可标识“高清摄像”，如手机待机时间长于某个值可标识为“超长待机”等。\n[0081] 对手机的描述信息，如表2所示：\n[0082] \n[0083] 表2\n[0084] 步骤S805，匹配推荐算法进行信息的匹配过滤。首先根据用户信息与手机信息中以下字段的严格匹配，筛选出一部分适合用户的手机型号：\n[0085] 用户信息中“运营商”与手机信息中“网络制式适合运营商”匹配；\n[0086] 用户信息中“心理价位”与手机信息中“价格区间”匹配；\n[0087] 用户信息中“性别”与手机信息中“适合性别”匹配；\n[0088] 比如对上面示例表1“用户信息表”中用户“u0001”,在表2“手机信息表”中“运营商”、“心理价位”、“性别”三个字段与其相匹配的手机类型包括：a,b,d三款；而c由于“心理价位”一项不匹配而被过滤掉。\n[0089] 步骤S806，匹配推荐算法进行信息的排序与二次过滤。根据以下字段再对S805步骤筛选出来的手机进行匹配，每项匹配上的按权重分加分，最终统计每款手机与用户匹配的综合得分，过滤得分为0的手机，并按得分排序，最多取得分排在前20位的手机型号进行推荐。\n[0090] 各匹配字段的权重如下设置：\n[0091] “适合年龄段”，权重3分；\n[0092] “适合消费心理”，权重4分；\n[0093] “适合偏好风格”，权重3分；\n[0094] 比如对上面示例表1“用户信息表”中用户“u0001”,在表2“手机信息表”中按S805步骤筛选出a,b,d三款手机后，进一步匹配“适合年龄段”、“适合消费心理”、“适合偏好风格”三个字段。\n[0095] a款手机得分：3+4+3=10\n[0096] b款手机得分：0+0+3=3\n[0097] d款手机得分：3+0+3=6\n[0098] 最终匹配上三款手机，按匹配度排序a,d,b。\n[0099] 步骤S807，获得推荐手机结果集并保存到数据库。通过S805,S806的匹配算法，得出与用户“u0001”匹配的手机“a,d,b”，将以上匹配推荐数据从算法服务器输出到网站应用数据库服务器中，推荐的手机多款以字符串的形式保存，建立数据存储表，如表3所示：\n[0100] \n 用户ID 推荐的手机ID\n u0001 a,d，b\n[0101] 表3\n[0102] 匹配推荐算法除了S805、S806流程描述的方法，还可以基于相同期望图谱分类的用户群体感兴趣的手机类型进行推荐，比如将以下字段属性值相同的用户作为同一个细分用户群体：\n[0103] 性别：男\n[0104] 年龄段：19-25\n[0105] 消费心理：时尚个性\n[0106] 偏好风格：现代\n[0107] 兴趣爱好：打羽毛球、玩游戏\n[0108] 比如用户U1,U2,U3,U4都符合以上用户属性，则可将用户U2,U3,U4最近收藏或购买的手机推荐给用户U1。\n[0109] 实际应用中，可组合两类推荐算法的结果进行推荐。\n[0110] 步骤S808，在网站端展示推荐结果。网站应用服务器从数据库服务器中读取为当前用户推荐的手机ID字符串，解析出各款手机的ID，并关联手机信息库，取到手机的图片、名称、品牌、型号、功能参数等各类信息在网站前端进行图形化展示。\n[0111] 图9是本发明第二具体实施例的网络信息推荐系统推荐套餐的方法流程图。如图\n9所示，具体实施步骤如下：\n[0112] 步骤S901，通过与用户交互收集用户消费特性数据，包括：\n[0113] 用户当前每月资费预估；\n[0114] 用户使用较多的功能细项，如3G上网，WIFI上网，短信，彩信，本地电话，国内长途，国际长途等。\n[0115] 步骤S902，对各功能细项消费数据进行预估测算。\n[0116] 预估以上功能细项的使用流量及时间；短信、彩信可预估平均每天发送的条数；\n本地电话、国内长途、国际长途可预估平均每天通话的时长；WIFI上网预估平均每天连接的时长；而对于3G上网流量的预估，可通过以下公式来计算：\n[0117] 平均每天看网页/微博的时长＊2+IM即时聊天的时长＊1+查看股票时长＊0.5+收发电子邮件数量＊0.2+在线看视频时长＊120+在线听音乐时长＊1（单位：M）[0118] 设用户每月的各功能细项消费特性数据，如表4所示：\n[0119] \n[0120] 表4\n[0121] 待推荐的手机套餐信息，如表5所示，\n[0122] \n[0123] 表5\n[0124] 步骤S903，匹配推荐适合用户消费特性的套餐。套餐匹配推荐的算法步骤如下：\n[0125] 1）根据用户每月资费预估值选择最接近的一档套餐作为预先选定的套餐，如表4中用户“u0001”每月资费预估90元，选择表5所示的套餐信息表中最接近的一档套餐“C”，它的套餐月费为89元。用户“u0002”每月资费预估70元，选择下面套餐信息表中最接近的一档套餐“B”，它的套餐月费为69元。\n[0126] 2）其次，将用户消费特性的各功能细项与套餐内容进行对照比较，找到差异较大且单价费用较高的项目，测算差异项目对使用费用的影响，并根据影响来调节套餐的档次选择，通常可选择与初次选定的套餐档次高一档或低一档的套餐。\n[0127] 3)我们定义一个套餐选择的效用函数：\n[0128] Fx(u)= 套餐月费差异值+超出限额部分费用差异值\n[0129] = 调整后套餐月费-初始选定套餐月费+单项消费与调整后套餐限额差异值＊单项消费单价\n[0130] 选择效用函数Fx(u)取值最小的套餐方案，作为最优的套餐选择。\n[0131] 比如用户“u0001”初始选择C套餐后，与套餐限额的各项消费中，差异较大的项目是“彩信条数”及“短信条数”；设超出套餐限额部分短信每条0.1元，彩信每条0.5元，则这两项差异导致的套餐外消费：\n[0132] （60-30）＊0.1+（15-6）＊0.5=7.5\n[0133] 由于这两项单价较低，差异项目导致的费用较少，如果选择高一档套餐D，套餐月费129元，则要增加40元，显然是不合算的，因此初始的选择C档89元套餐是适合用户选择的。\n[0134] 如果用效用函数来帮助抉择，则选择套餐C的效应函数：Fc(u0001)=0+7.5；而选择套餐D的效应函数为：Fd(u0001)=40，因此，选择效应函数取值更小的套餐C方案是最优的套餐选择。\n[0135] 再比如用户“u0002”初始选择B套餐后，与套餐限额的各项消费中，差异较大的项目是“上网流量”及“通话时长”，其中“上网流量”项是超出套餐限额的，而“通话时长”项则相比套餐限额有较大不足。\n[0136] 设超出套餐限额部分“上网流量”每M为0.3元，则超出套餐限额的部分产生的套餐外费用为：\n[0137] （380-200）＊0.3=54元\n[0138] 而对于“通话时长”不足，如果考虑选择下一档A49元的套餐，设超出套餐限额部分通话费用每分钟0.2元，则超出套餐限额的费用为：\n[0139] （120-100）＊0.2=4元\n[0140] 用户“u0002”分别选择A、B、C三档套餐的效应函数值如下：\n[0141] Fa(u0002)=(49-69)+4+54=38\n[0142] Fb(u0002)=0+54=54\n[0143] Fc(u0002)=(89-69)+0=20\n[0144] 显然，选择套餐C方案效用函数值最小，是最优的抉择方案。而即便是选择套餐A方案也比初始选择的B方案要更优。\n[0145] 步骤S904，对与推荐套餐类似的套餐进行对比分析。流程S903测算选择套餐时，对同一运营商不同档次的套餐进行了对比分析。运用同样的方法也可对不同运营商，相近套餐月费的套餐进行对比分析，进一步得出更优的选择结果。\n[0146] 步骤S905，展示套餐推荐及分析的结果。将最终选择的套餐方案及相近月费的套餐方案在网页前端进行对比展示，比如以柱状图的方式对比展示各种选择方案的总费用及单项费用。\n[0147] 采用本发明的技术方案，通过与用户交互获得用户信息，基于用户信息获得用户期望图谱，并基于用户期望图谱采用智能推荐算法与用户需求的信息进行关联匹配，帮助用户面对海量信息，能够快速、准确做出最适合用户的选购决策，提升了用户体验。同时，本发明不需要反复向服务器提交筛选请求即可快速得到最优的推荐结果，提高了服务器的性能。\n[0148] 以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉该技术的人在本发明所揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。