1.一种基于浏览序列的相似物品推荐方法，其特征在于，包括以下步骤：S1.获取用户购买物品的基础信息；

S2.通过所述基础信息获取用户购买物品的时间浏览序列；

S3.基于所述时间浏览序列构建用户间动态影响力模型；

S4.基于所述时间浏览序列对用户平均延迟时间系数进行计算，根据所述计算的结果更新所述用户间动态影响力模型；

S5.基于更新后的所述用户间动态影响力模型构建物质扩散网络，通过所述物质扩散网络完成相似物品的个性化推荐；

所述S3中的用户间动态影响力模型包括不考虑时间因素的影响力模型和考虑时间因素的影响力模型；所述用户间动态影响力模型通过影响力函数对用户之间的动态影响力进行衡量；

所述不考虑时间因素的影响力模型的影响力函数infj2i具体为：式中，Aj表示用户Uj购买的物品数量，Aj2i表示用户Ui跟随用户Uj购买的物品数量；

所述考虑时间因素的用户j对用户i针对物品θ的影响力模型的带参影响力函数infj2i′具体为：式中，α为可调超参数，α∈[0，1]，针对不同数据集由人工提前设定；tp为预测时刻；tjθ为用户Uj购买物品θ的时刻；

基于所述考虑时间因素的影响力模型的影响力函数infj2i′得到无参影响力函数Infj2i公式表示为：式中，利用1/τj，i代替所述可调参数d，其值根据数据自动计算得到；

所述S4中的用户平均延迟时间系数τj，i具体为：

式中，Aj2i表示用户Ui跟随用户Uj购买的物品数量；Ij2i表示用户Ui跟随用户Uj购买的物品集合；tiθ和tjθ分别表示用户Ui和用户Uj购买物品θ的时刻；

所述物质扩散网络采用将物质扩散算法与所述用户间动态影响力模型相结合的运算方法，完成相似人物的个性化推荐；所述物质扩散算法用于获取物品能量值；

通过所述物质扩散算法获取所述物品能量值的具体过程为：先对用户所购买过的所有物品进行能量初始化；再将每个物品的能量平均分给所有购买的用户，每个用户的能量值为从所有购买的物品得到的能量值的总和；最后将每个用户的能量平均分给所述用户所有购买过的物品，物品能量值则是从所有用户收到的能量值的总和；

其中，所述能量初始化fj(Ui)具体为：

fj(Ui)＝aij，j＝1，2，…，n

式中，Ui表示用户；aij表示用户Ui是否购买过物品j，是等于1，否则等于0；

最终物品的能量f′j(Ui)具体为：

式中，k(U1)表示用户Ul已购买的物品数目；k(Is)表示物品Is被选购的次数；n表示物品的总数；m表示用户的总数；l表示某一个特定的用户；s表示某一个特定的物品；als表示用户Ul是否购买过物品s，是等于1，否则等于0；alj表示用户Ul是否购买过物品j，是等于1，否则等于0；

将每个用户的能量平均分给所述用户所有购买过的物品，物品能量值则是从所有用户收到的能量值的总和的过程包括：用户Uj会从第一次扩散中得到w大小的能量，由于它购买的物品数量为x，则在第二次扩散时，用户Uj会把w份能量平分给它的邻居，每份能量为w/x；

基于所述无参影响力函数Infj2i对每份能量进行连边权重赋值以及最终物品的能量f′j(Ui)，得到最终的能量向量F′j(Ui)，所述最终的能量向量表示为：

2.根据权利要求1所述的基于浏览序列的相似物品推荐方法，其特征在于，所述S5中获得的个性化推荐结果具体方法为：将所述用户间影响力模型的输出结果作为物质扩散网络的连边权重，对最终所述物品的能量进行排序，并根据所述排序结果进行相似物品的个性化推荐。