一种个性化推荐方法、系统及电子设备与流程

1.本发明属于个性化推荐方法领域，具体公开一种个性化推荐方法、系统及电子设备。


背景技术：

2.随着移动技术和5g网络的快速发展普及，在各个行业不断产生海量数据。随着数据的沉淀与积累，数据的研究和利用价值不断显现，用户在获取数据时的对于数据推荐的准确性、完整性需求也不断提高，因此，对用户进行个性化的推荐显得尤为重要，但是现阶段的个性化推荐方案，算法系统的复杂度也越来越高，系统运算压力越来越大，系统能耗也不断加大，对于用户不同的调用数据，往往需要建立不同的复杂算法来实现个性化推荐，个性化推荐过程亦可能因为算法和参数的设计偏差导致服务器推荐的数据不够准确、完整，现阶段的个性化推荐过程缺乏低运算复杂度、高准确性、高完整性、高适用性的个性化推荐。
3.因此，现有技术还有待于进一步发展和改进。


技术实现要素：

4.针对现有技术的种种不足，为了解决上述问题，本发明提出一种低运算复杂度、高准确性、高完整性、高适用性的个性化推荐方法、系统及电子设备，本发明提供如下技术方案：
5.根据本发明的第一方面，提供了一种个性化推荐方法，所述方法包括：
6.获取用户搜索数据，所述用户搜索数据包括用户搜索过的词条和搜索各词条的次数；
7.根据用户的搜索过的词条和搜索各词条的次数构建用户个性化词条序列并将用户个性化词条序列中的词条按浏览次数多少由高到低依次排列并依照预设推荐优先级序列赋予对应预设优先级；
8.服务器将用户的个性化词条序列的每个词条依照预设优先级依次作为根节点建立各决策树模型，服务器调用与各词条相关的特征属性集合并计算每个特征属性集合中的每个特征属性的信息熵，将信息熵最大的特征属性作为各决策树模型的第一层节点并计算第一层节点的信息熵是否大于预设阈值；
9.当信息熵大于预设阈值时，服务器计算当前各特征属性集合中剩余的每个特征属性的信息增益，选择其中信息增益最大的特征属性作为各决策树模型的第二层节点，并计算第二层节点的条件熵，并判断此时的条件熵是否大于预设阈值，若条件熵仍大于预设阈值，再递归的使用各特征属性集合的剩余特征属性中信息增益最大的特征属性作为第三层节点，再递归的由信息增益进行构建各决策树模型的后续层节点并在构建完成每层节点后计算条件熵和信息增益，直到条件熵小于预设阈值，此时服务器停止建立后续层结点并根据建立好的各词条的决策树模型的各层节点的特征属性调用后台数据库的相关数据集合
并将各词条的相关数据集合整理后推荐给用户。
10.进一步地，所述预设推荐优先级序列包括：
11.所述预设推荐优先级序列中的各推荐优先级按照推荐优先级大小从高到低依次排列。
12.进一步地，所述方法还包括：
13.所述预设阈值根据词条的推荐优先级的由高到低设置为由低到高的不同等级的预设阈值。
14.进一步地，所述方法还包括：
15.当任意时刻出现信息熵或者条件熵小于预设阈值的情况，服务器停止建立后续层结点并根据建立好的各层节点的特征属性调用数据集合并按照预设推荐优先级序列整理后推荐给用户。
16.进一步地，所述根据建立好的各层节点的特征属性调用数据集合包括：
17.服务器根据各决策树模型的建立好的各层节点的所有特征属性遍历后台数据库并调用相关数据后将相关数据整理为各个性化词条的数据集合。
18.进一步地，所述将各词条的相关数据集合整理后推荐给用户包括：
19.服务器将调用的各词条的数据集合按照预设推荐优先级序列的顺序从上到下依次排列分布，并推荐给用户。
20.进一步地，所述方法还包括：
21.若按照个性化词条序列将个性化词条序列中的各词条按浏览次数从高到低依次依照预设推荐优先级序列排列并与相应等级的预设阈值对应后，仍有词条的没有相应等级的预设阈值与之对应，则该词条对应预设阈值中的最高等级阈值的值。
22.进一步地，所述方法还包括：
23.所述用户个性化词条序列包括至少一个用户搜索过的词条。
24.根据本发明的第二方面，提供了一种个性化推荐系统，所述个性化推荐系统包括：
25.获取模块，用于获取用户搜索数据，所述用户搜索数据包括用户搜索过的词条和搜索各词条的次数；
26.服务器，根据用户的搜索过的词条和搜索各词条的次数构建用户个性化词条序列并将用户个性化词条序列按浏览次数多少由高到低依次依照预设推荐优先级序列赋予对应预设优先级；
27.或将用户的个性化词条序列的每个词条依照预设优先级依次作为根节点建立各决策树模型，服务器调用与各词条相关的特征属性集合并计算每个特征属性集合中的每个特征属性的信息熵，将信息熵最大的特征属性作为各决策树模型的第一层节点并计算第一层节点的信息熵是否大于预设阈值；
28.或当信息熵大于预设阈值时，服务器计算当前各特征属性集合中剩余的每个特征属性的信息增益，选择其中信息增益最大的特征属性作为各决策树模型的第二层节点，并计算第二层节点的条件熵，并判断此时的条件熵是否大于预设阈值，若条件熵仍大于预设阈值，再递归的使用各特征属性集合的剩余特征属性中信息增益最大的特征属性作为第三层节点，再递归的由信息增益进行构建各决策树模型的后续层节点并在构建完成每层节点后计算条件熵和信息增益，直到条件熵小于预设阈值，此时服务器停止建立后续层结点并
根据建立好的各词条的决策树模型的各层节点的特征属性调用后台数据库的相关数据集合并将各词条的相关数据集合整理后推荐给用户；
29.后台数据库，用于存储各类数据供服务器调用。
30.根据本发明的第三方面，提供了一种电子设备，所述电子设备包括：
31.存储器；以及处理器，所述存储器上存储有计算机可读指令，所述计算机可读指令被所述处理器执行时实现根据权利要求1至8中任意一项所述的个性化推荐方法。
32.本发明的有益效果是：
33.1、本发明可以实现通过不同的预设阈值对用户不同搜索频率的个性化词条的条件熵或条件熵进行约束，当信息熵或条件熵越高，证明当前的词条的决策树模型所包含的信息的不确定性越高，需要对当前的词条的决策树模型的最后一层节点的特征属性进行进一步分裂，且当用户对某个个性化词条的搜索频率越高，则对应的预设阈值越低，当信息熵或条件熵低于预设阈值时，服务器才完成决策树模型的建立，并通过决策树模型调用后台数据库的相关数据集合，即将信息熵或条件熵限制在更低的程度，即可实现高智能化的给用户个性化推荐确定性更高、更完整、更清晰的数据，即用户可通过本服务器获取更清晰、完整、不确定性更低的数据，此设计可实现当用户搜索词条的频率不高时，提高预设阈值，降低数据剖析要求，大大提高了本发明的智能化程度并降低了系统复杂度和运算压力，很大程度上降低了系统功耗，大大拓展了本发明的应用场景。
34.2、本发明可以实现通过对信息增益的分析，实时将各个性化词条序列中的各词条的各特征属性的信息增益的大小建立各决策树模型，能够实现将信息增益最大的特征属性作为根节点，再递归的使用各特征属性集合的剩余特征属性中信息增益最大的特征属性作为第二层节点，再递归的由信息增益进行构建各决策树模型的后续层节点并在构建完成每层节点后计算条件熵，直到条件熵小于预设阈值，即将特征属性集合中的使信息增益最大(即信息不确定性减少的程度最大)的特征属性作为依次作为决策树模型的节点，实现了系统对用户所搜索词条的智能树模型的节点的特征属性的智能分裂和延伸，提高了通过所搜索词条的智能树模型的各节点的特征属性从后台数据库调用相关数据集合的准确性和完整性，大大提高了个性化推荐数据的准确性和完整性，方便用户更好更便捷的解决问题，实现了高准确性、高完整性、高适用性的个性化推荐，很大程度上拓展了本发明的应用场景。
35.3、本发明在每次建立节点后都计算当前的信息熵和条件熵；仅当任意时刻出现信息熵或者条件熵小于预设阈值的情况，服务器停止建立后续层结点并根据建立好的各层节点的特征属性调用数据集合并按照预设推荐优先级序列整理后推荐给用户，可以大大的提高信息的完整性和准确性，进一步提高本发明的可用性。
36.4、本发明仅通过算法即可实现对用于所调用数据的低复杂度、高准确性、高完整性、高可靠性、高适用性的个性化推荐，实现低系统复杂度、高完整性、高准确性的数据个性化推荐，无需复杂的系统及建模运算，在保证个性化推荐质量的情况下大大简化了系统架构，很大程度上降低了系统生产安装维护成本，大大提高了企业效益。
37.5、本发明在按照个性化词条序列将个性化词条序列中的各词条按浏览次数从高到低依次依照预设推荐优先级序列排列并与相应等级的预设阈值对应后，仍有词条的没有相应等级的预设阈值与之对应，则该词条对应预设阈值中的最高等级阈值的值，优化程序架构，进一步降低个性化推荐系统的运算压力，很大程度上节约了时间成本，实现个性化推
荐系统的低功耗高可靠性运行。
附图说明
38.图1为本发明具体实施例中个性化推荐方法流程图；
39.图2为本发明另一具体实施例中个性化推荐方法的示意图；
40.图3为本发明具体实施例中个性化推荐系统的原理框图。
具体实施方式
41.为了使本领域的人员更好地理解本发明的技术方案，下面结合本发明的附图，对本发明的技术方案进行清楚、完整的描述，基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的其它类同实施例，都应当属于本技术保护的范围。此外，以下实施例中提到的方向用词，例如“上”“下”“左”“右”等仅是参考附图的方向，因此，使用的方向用词是用来说明而非限制本发明创造。
42.下面结合附图和较佳的实施例对本发明作进一步说明。
43.请参阅图1，本发明提供一种个性化推荐方法，包括：
44.s100、获取用户搜索数据，所述用户搜索数据包括用户搜索过的词条和搜索各词条的次数。
45.这里需要说明的是，本发明的个性化推荐系统中预先设置获取模块，用于获取用户搜索数据；所述用户搜索数据包括用户搜索过的词条和搜索各词条的次数，并将用户搜索数据发送至服务器；为后续服务器进行数据剖析提供数据基础。
46.s200、根据用户的搜索过的词条和搜索各词条的次数构建用户个性化词条序列并将用户个性化词条序列中的词条按浏览次数多少由高到低依次排列并依照预设推荐优先级序列赋予对应预设优先级。
47.这里需要说明的是，所述预设推荐优先级序列中的各推荐优先级按照推荐优先级大小从高到低依次排列。所述预设推荐优先级序列包括第一预设优先级、第二预设优先级、第三预设优先级、第四预设优先级、第五预设优先级、第六预设优先级、第七预设优先级、第八预设优先级、第九预设优先级以及第十预设优先级。将用户个性化词条序列中的词条按浏览次数多少由高到低依次对应第一推荐优先级、第二推荐优先级、第三推荐优先级、第四推荐优先级、第五推荐优先级、第六推荐优先级、第七推荐优先级、第八推荐优先级、第九推荐优先级以及第十推荐优先级，若按照个性化词条序列将个性化词条序列中的各词条按浏览次数从高到低依次依照预设推荐优先级序列排列并与相应等级的预设推荐优先级对应后，仍有词条的没有相应等级的预设推荐优先级与之对应，则该词条对应预设推荐优先级中的最高推荐优先级的值，即该词条对应第十推荐优先级。此设置可以实现将个性化词条序列中的各词条按照用户的浏览次数的高低排序，为后续服务器根据各词条建立的决策树模型调用后台数据库的各相关数据集合的整理提供排序方式，使用户能够最先浏览到通过用户搜索最多的词条计算得到的后台数据库的相关数据集合，提高用户的使用体验，使用户能够更有效率、更加便捷、更加准确的获取信息，大大的提高了本发明的智能化程度和可用性。
48.s300、服务器将用户的个性化词条序列的每个词条依照预设优先级依次作为根节
点建立各决策树模型，服务器调用与各词条相关的特征属性集合并计算每个特征属性集合中的每个特征属性的信息熵，将信息熵最大的特征属性作为各决策树模型的第一层节点并计算第一层节点的信息熵是否大于预设阈值。
49.这里需要说明的是，以词条为“西瓜”为例，其特征属性可以为“色泽”、“根蒂”、“敲声”、“纹理”、“脐部”和“触感”等。所述预设阈值包括第一预设阈值、第二预设阈值、第三预设阈值、第四预设阈值、第五预设阈值、第六预设阈值、第七预设阈值、第八预设阈值、第九预设阈值和第十预设阈值，所述第一预设阈值、第二预设阈值、第三预设阈值、第四预设阈值、第五预设阈值、第六预设阈值、第七预设阈值、第八预设阈值、第九预设阈值和第十预设阈值是按从小到大的顺序依次设置，即第一预设阈值最小，第十预设阈值最大，所述第一推荐优先级的词条建立其决策树模型时对应设置第一预设阈值，所述第二推荐优先级的词条建立其决策树模型时对应设置第二预设阈值，所述第三推荐优先级的词条建立其决策树模型时对应设置第三预设阈值，所述第四推荐优先级的词条建立其决策树模型时对应设置第四预设阈值，所述第五推荐优先级的词条建立其决策树模型时对应设置第五预设阈值，所述第六推荐优先级的词条建立其决策树模型时对应设置第六预设阈值，所述第七推荐优先级的词条建立其决策树模型时对应设置第七预设阈值，所述第八推荐优先级的词条建立其决策树模型时对应设置第八预设阈值，所述第九推荐优先级的词条建立其决策树模型时对应设置第九预设阈值，所述第十推荐优先级的词条建立其决策树模型时对应设置第十预设阈值，若按照个性化词条序列将个性化词条序列中的各词条按浏览次数从高到低依次依照预设推荐优先级序列排列并与相应等级的预设阈值对应后，仍有词条的没有相应等级的预设阈值与之对应，则该词条对应预设阈值中的最高等级阈值的值，即该词条以及后续优先级的词条建立其决策树模型时都对应设置第十预设阈值。此设置优化程序架构，进一步降低个性化推荐系统的运算压力，很大程度上节约了时间成本，实现个性化推荐系统的低功耗高可靠性运行。此设置可以实现通过不同的预设阈值对用户不同搜索频率的个性化词条的条件熵或信息熵进行约束，当信息熵或条件熵越高，证明当前的词条的决策树模型所包含的信息的不确定性越高，需要对当前的词条的决策树模型的最后一层节点的特征属性进行进一步分裂，且当用户对某个个性化词条的搜索频率越高，则对应的预设阈值越低，当信息熵或条件熵低于预设阈值时，服务器才完成决策树模型的建立，并通过决策树模型调用后台数据库的相关数据集合，即将信息熵或条件熵限制在更低的程度，使用户能够获得确定性更高、更完整、更清晰的数据，即用户可通过本服务器获取更清晰、完整、不确定性更低的数据，此设计可实现当用户搜索词条的频率不高时，提高预设阈值，降低数据剖析要求，大大提高了本发明的智能化程度并降低了系统复杂度和运算压力，很大程度上降低了系统功耗，大大拓展了本发明的应用场景。
50.s400、当信息熵大于预设阈值时，服务器计算当前各特征属性集合中剩余的每个特征属性的信息增益，选择其中信息增益最大的特征属性作为各决策树模型的第二层节点，并计算第二层节点的条件熵，并判断此时的条件熵是否大于预设阈值，若条件熵仍大于预设阈值，再递归的使用各特征属性集合的剩余特征属性中信息增益最大的特征属性作为第三层节点，再递归的由信息增益进行构建各决策树模型的后续层节点并在构建完成每层节点后计算条件熵和信息增益，直到条件熵小于预设阈值，此时服务器停止建立后续层结点并根据建立好的各词条的决策树模型的各层节点的特征属性调用后台数据库的相关数
据集合并将各词条的相关数据集合整理后推荐给用户。
51.这里需要说明的是，当信息熵或条件熵越高，证明当前的节点特征属性的不确定性越高，当信息熵或条件熵大于预设阈值，证明当前的节点决策树模型所包含的信息量过多，信息不够清晰，需要对节点的特征数据进一步的分裂剖析，以使决策树模型所包含的信息足够准确、清晰和完整，本发明通过对信息增益的分析，实时将各个性化词条序列中的各词条的各特征属性的信息增益的大小建立各决策树模型，能够实现将信息增益最大的特征属性作为根节点，再递归的使用各特征属性集合的剩余特征属性中信息增益最大的特征属性作为第二层节点，再递归的由信息增益进行构建各决策树模型的后续层节点并在构建完成每层节点后计算条件熵，直到条件熵小于预设阈值，即将特征属性集合中的使信息增益最大(即信息不确定性减少的程度最大)的特征属性作为依次作为决策树模型的节点，实现了系统对用户所搜索词条的决策树模型的节点的特征属性的智能分裂和延伸，提高了通过所搜索词条的智能树模型的各节点的特征属性从后台数据库调用相关数据集合的准确性和完整性，大大提高了个性化推荐数据的准确性和完整性，方便用户更好更便捷的解决问题，实现了高准确性、高完整性、高适用性的个性化推荐，很大程度上拓展了本发明的应用场景。仅通过算法即可实现对用于所调用数据的低复杂度、高准确性、高完整性、高可靠性、高适用性的个性化推荐，实现低系统复杂度、高完整性、高准确性的数据个性化推荐，无需复杂的系统及建模运算，在保证个性化推荐质量的情况下大大简化了系统架构，很大程度上降低了系统生产安装维护成本，大大提高了企业效益。
52.请参阅图2，本发明提出了一种具体实施例，提供了一种个性化推荐方法，所述方法包括：
53.p0：开始。
54.p1：获取用户搜索数据。
55.这里需要说明的是，本发明的个性化推荐系统中预先设置获取模块，用于获取用户搜索数据；所述用户搜索数据包括用户搜索过的词条和搜索各词条的次数，并将用户搜索数据发送至服务器；为后续服务器进行数据剖析提供数据基础。
56.p2、根据用户的搜索过的词条和搜索各词条的次数构建用户个性化词条序列。
57.p3、将用户个性化词条序列中的词条按浏览次数多少由高到低依次排列并依照预设推荐优先级序列赋予对应预设优先级。
58.这里需要说明的是，所述预设推荐优先级序列中的各推荐优先级按照推荐优先级大小从高到低依次排列。所述预设推荐优先级序列包括第一预设优先级、第二预设优先级、第三预设优先级、第四预设优先级、第五预设优先级、第六预设优先级、第七预设优先级、第八预设优先级、第九预设优先级以及第十预设优先级。将用户个性化词条序列中的词条按浏览次数多少由高到低依次对应第一推荐优先级、第二推荐优先级、第三推荐优先级、第四推荐优先级、第五推荐优先级、第六推荐优先级、第七推荐优先级、第八推荐优先级、第九推荐优先级以及第十推荐优先级，若按照个性化词条序列将个性化词条序列中的各词条按浏览次数从高到低依次依照预设推荐优先级序列排列并与相应等级的预设推荐优先级对应后，仍有词条的没有相应等级的预设推荐优先级与之对应，则该词条对应预设推荐优先级中的最高推荐优先级的值，即该词条对应第十推荐优先级。此设置可以实现将个性化词条序列中的各词条按照用户的浏览次数的高低排序，为后续服务器根据各词条建立的决策树
模型调用后台数据库的各相关数据集合的整理提供排序方式，使用户能够最先浏览到通过用户搜索最多的词条计算得到的后台数据库的相关数据集合，提高用户的使用体验，使用户能够更有效率、更加便捷的获取信息，大大的提高了本发明的智能化程度和可用性。
59.p4、服务器将用户的个性化词条序列的每个词条依照预设优先级依次作为根节点建立各决策树模型，服务器调用与各词条相关的特征属性集合并计算每个特征属性集合中的每个特征属性的信息熵，将信息熵最大的特征属性作为各决策树模型的第一层节点并计算第一层节点的信息熵是否大于预设阈值。
60.这里需要说明的是，以词条为“西瓜”为例，其特征属性可以为“色泽”、“根蒂”、“敲声”、“纹理”、“脐部”和“触感”等。所述预设阈值包括第一预设阈值、第二预设阈值、第三预设阈值、第四预设阈值、第五预设阈值、第六预设阈值、第七预设阈值、第八预设阈值、第九预设阈值和第十预设阈值，所述第一预设阈值、第二预设阈值、第三预设阈值、第四预设阈值、第五预设阈值、第六预设阈值、第七预设阈值、第八预设阈值、第九预设阈值和第十预设阈值是按从小到大的顺序依次设置，即第一预设阈值最小，第十预设阈值最大，所述第一推荐优先级的词条建立其决策树模型时对应设置第一预设阈值，所述第二推荐优先级的词条建立其决策树模型时对应设置第二预设阈值，所述第三推荐优先级的词条建立其决策树模型时对应设置第三预设阈值，所述第四推荐优先级的词条建立其决策树模型时对应设置第四预设阈值，所述第五推荐优先级的词条建立其决策树模型时对应设置第五预设阈值，所述第六推荐优先级的词条建立其决策树模型时对应设置第六预设阈值，所述第七推荐优先级的词条建立其决策树模型时对应设置第七预设阈值，所述第八推荐优先级的词条建立其决策树模型时对应设置第八预设阈值，所述第九推荐优先级的词条建立其决策树模型时对应设置第九预设阈值，所述第十推荐优先级的词条建立其决策树模型时对应设置第十预设阈值，若按照个性化词条序列将个性化词条序列中的各词条按浏览次数从高到低依次依照预设推荐优先级序列排列并与相应等级的预设阈值对应后，仍有词条的没有相应等级的预设阈值与之对应，则该词条对应预设阈值中的最高等级阈值的值，即该词条以及后续优先级的词条建立其决策树模型时都对应设置第十预设阈值。此设置优化程序架构，进一步降低个性化推荐系统的运算压力，很大程度上节约了时间成本，实现个性化推荐系统的低功耗高可靠性运行。此设置可以实现通过不同的预设阈值对用户不同搜索频率的个性化词条的条件熵或信息熵进行约束，当信息熵或条件熵越高，证明当前的节点特征属性的不确定性越高，当用户对某个个性化词条的搜索频率越高，则对应的预设阈值越低，当信息熵或条件熵低于预设阈值时，服务器才完成决策树模型的建立，并通过决策树模型调用后台数据库的相关数据集合，即将信息熵或条件熵限制在更低的程度，使用户能够获得确定性更高、更完整、更清晰的数据，即用户可通过本服务器获取更清晰、完整、不确定性更低的数据，此设计可实现当用户搜索词条的频率不高时，提高预设阈值，降低数据剖析要求，大大提高了本发明的智能化程度并降低了系统复杂度和运算压力，很大程度上降低了系统功耗，大大拓展了本发明的应用场景。
61.p5、比较某词条的决策树模型的第一层节点的信息熵是否大于预设阈值？若是，执行步骤p6；若否，执行步骤p8。
62.这里需要说明的是，当信息熵或条件熵越高，证明当前的节点特征属性的不确定性越高，当信息熵或条件熵大于预设阈值，证明当前的节点决策树模型所包含的信息量过
多，信息不够清晰，需要对节点的特征数据进一步的分裂剖析，以使决策树模型所包含的信息足够准确、清晰和完整。
63.p6、服务器计算该词条的特征属性集合中剩余的每个特征属性的信息增益，选择其中信息增益最大的特征属性作为该决策树模型的下一层节点，并计算下一层节点的条件熵。
64.这里需要说明的是，本发明通过对信息增益的分析，实时将各个性化词条序列中的各词条的各特征属性的信息增益的大小建立各决策树模型，能够实现将信息增益最大的特征属性作为根节点，再递归的使用各特征属性集合的剩余特征属性中信息增益最大的特征属性作为第二层节点，再递归的由信息增益进行构建各决策树模型的后续层节点并在构建完成每层节点后计算条件熵，直到条件熵小于预设阈值，即将特征属性集合中的使信息增益最大(即信息不确定性减少的程度最大)的特征属性作为依次作为决策树模型的节点，实现了系统对用户所搜索词条的决策树模型的节点的特征属性的智能分裂和延伸，提高了通过所搜索词条的智能树模型的各节点的特征属性从后台数据库调用相关数据集合的准确性和完整性，大大提高了个性化推荐数据的准确性和完整性，方便用户更好更便捷的解决问题，实现了高准确性、高完整性、高适用性的个性化推荐，很大程度上拓展了本发明的应用场景。仅通过算法即可实现对用于所调用数据的低复杂度、高准确性、高完整性、高可靠性、高适用性的个性化推荐，实现低系统复杂度、高完整性、高准确性的数据个性化推荐，无需复杂的系统及建模运算，在保证个性化推荐质量的情况下大大简化了系统架构，很大程度上降低了系统生产安装维护成本，大大提高了企业效益。
65.p7、比较下一层节点的条件熵是否大于预设阈值？若是，返回步骤p6，若否，执行步骤p8。
66.p8、结束。
67.请参阅图3，本发明提供了另一实施例，本实施例提供了一种个性化推荐系统，所述个性化推荐系统包括：
68.包括获取模块1、服务器2以及后台数据库3；
69.获取模块1，用于获取用户搜索数据并将用户搜索数据发送至服务器2，所述用户搜索数据包括用户搜索过的词条和搜索各词条的次数；
70.服务器2，根据用户的搜索过的词条和搜索各词条的次数构建用户个性化词条序列并将用户个性化词条序列按浏览次数多少由高到低依次依照预设推荐优先级序列赋予对应预设优先级；
71.或将用户的个性化词条序列的每个词条依照预设优先级依次作为根节点建立各决策树模型，服务器2调用与各词条相关的特征属性集合并计算每个特征属性集合中的每个特征属性的信息熵，将信息熵最大的特征属性作为各决策树模型的第一层节点并计算第一层节点的信息熵是否大于预设阈值；
72.或当信息熵大于预设阈值时，服务器2计算当前各特征属性集合中剩余的每个特征属性的信息增益，选择其中信息增益最大的特征属性作为各决策树模型的第二层节点，并计算第二层节点的条件熵，并判断此时的条件熵是否大于预设阈值，若条件熵仍大于预设阈值，再递归的使用各特征属性集合的剩余特征属性中信息增益最大的特征属性作为第三层节点，再递归的由信息增益进行构建各决策树模型的后续层节点并在构建完成每层节
点后计算条件熵和信息增益，直到条件熵小于预设阈值，此时服务器2停止建立后续层结点并根据建立好的各词条的决策树模型的各层节点的特征属性调用后台数据库3的相关数据集合并将各词条的相关数据集合整理后推荐给用户；
73.后台数据库3，用于存储各类数据供服务器2调用。
74.在优选实施例中，本技术还提供了一种电子设备，所述电子设备包括：
75.存储器；以及处理器，所述存储器上存储有计算机可读指令，所述计算机可读指令被所述处理器执行时实现所述的个性化推荐方法。该计算机设备可以广义地为服务器、终端，或任何其他具有必要的计算和/或处理能力的电子设备。在一个实施例中，该计算机设备可包括通过系统总线连接的处理器、存储器、网络接口、通信接口等。该计算机设备的处理器可用于提供必要的计算、处理和/或控制能力。该计算机设备的存储器可包括非易失性存储介质和内存储器。该非易失性存储介质中或上可存储有操作系统、计算机程序等。该内存储器可为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口和通信接口可用于与外部的设备通过网络连接和通信。该计算机程序被处理器执行时执行本发明的方法的步骤。
76.本发明可以实现为一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序在由处理器执行时导致本发明实施例的方法的步骤被执行。在一个实施例中，所述计算机程序被分布在网络耦合的多个计算机设备或处理器上，以使得所述计算机程序由一个或多个计算机设备或处理器以分布式方式存储、访问和执行。单个方法步骤/操作，或者两个或更多个方法步骤/操作，可以由单个计算机设备或处理器或由两个或更多个计算机设备或处理器执行。一个或多个方法步骤/操作可以由一个或多个计算机设备或处理器执行，并且一个或多个其他方法步骤/操作可以由一个或多个其他计算机设备或处理器执行。一个或多个计算机设备或处理器可以执行单个方法步骤/操作，或执行两个或更多个方法步骤/操作。
77.本领域普通技术人员可以理解，本发明的方法步骤可以通过计算机程序来指示相关的硬件如计算机设备或处理器完成，所述的计算机程序可存储于非暂时性计算机可读存储介质中，该计算机程序被执行时导致本发明的步骤被执行。根据情况，本文中对存储器、存储、数据库或其它介质的任何引用可包括非易失性和/或易失性存储器。非易失性存储器的示例包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)、闪存、磁带、软盘、磁光数据存储装置、光学数据存储装置、硬盘、固态盘等。易失性存储器的示例包括随机存取存储器(ram)、外部高速缓冲存储器等。
78.以上描述的各技术特征可以任意地组合。尽管未对这些技术特征的所有可能组合进行描述，但这些技术特征的任何组合都应当被认为由本说明书涵盖，只要这样的组合不存在矛盾。
79.此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。