商场地址推荐方法、装置、设备及计算机可读存储介质与流程

1.本发明涉及计算机技术领域，尤其涉及一种商场地址推荐方法、装置、设备及计算机可读存储介质。


背景技术：

2.随着经济社会的日益发展及城市规划的规模扩大，不同商户在开设门店进行选址时，对有效选址区域的确定尤为重要。现有的选址体系中，需要根据已有的门店信息，对某个特定的区域进行划分，预见性的发现哪些区域可能会有巨大的商机潜力，对已经开有同类品牌的店铺进行摸排，采用地推的方式，人为的处理某个片区的开店情况。以珠宝行业为例，目前主流的珠宝行业商场选址多数利用主观评价的评选方法，即从咨询公司购买相关门店信息，再通过派人实地考察进行打分。显然，该种实现方式需要大量的人力，并且主要依赖评选人的主观臆断，有着极大的盲目性，容易使得选址结果出现偏差并且选址效率也相对较低，浪费了大量的人力成本以及时间成本。
3.因此，如何实现更为精确和快速有效地门店地址推荐是本领域技术人员亟待解决的技术问题。


技术实现要素：

4.本发明实施例提供一种商场地址推荐方法、装置、设备及计算机可读存储介质，其能有效提高商场地址推荐的精确度和效率。
5.第一方面，本发明实施例提供了一种商场地址推荐方法，包括：通过调用预设配置的api工具爬取若干个待选商场地址的基础数据；采集指定类型门店在设定时间段内在若干个所述待选商场地址的销售数据；以所述待选商场地址的基础数据作为预设建立的地址预测模型的自变量，以指定类型门店在对应待选商场地址的销售数据作为所述地址预测模型的结果变量，对所述地址预测模型进行训练，获得若干个所述待选商场地址的销售额预测结果；对若干个所述待选商场地址按照对应销售额预测结果进行降序排序，并显示包括位于排序前k位的待选商场地址的推荐界面。
6.作为上述方案的改进，所述基本数据包括：经济发展特征数据、行业竞争特征数据、商场自身发展特征数据、用户画像特征数据；所述api工具包括：用于访问各城市统计局网站的第一api、用于访问电子地图的第二api、用于访问商场网页的第三api以及用于访问第三方社交平台的第四api；则，所述通过调用预设配置的api工具爬取若干个待选商场地址的基础数据，包括：通过所述第一api从所述待选商场地址所在的城市统计局网站中爬取所述待选商场地址所在城市的城市等级、常住人口信息、人均地区生产总值信息、第三产业增加值信息、人均可支配收入信息以及消费品零售额信息，作为所述经济发展特征数据；
通过所述第二api从电子地图中爬取在所述待选商场地址内与指定类型门店属于同行业的第一店铺数量以及以所述待选商场地址为中心的设定范围内与指定类型门店属于同行业的第二店铺数量，作为所述行业竞争特征数据；通过所述第三api从所述待选商场地址对应的商场网页中爬取商场规模信息、商场开业年龄信息，作为所述商场自身发展特征数据；通过所述第四api从第三方社交平台中爬取以所述待选商场地址为中心的设定范围内的人群信息；根据所述人群信息，计算所述用户画像特征数据。
7.作为上述方案的改进，所述根据所述人群信息，计算所述用户画像特征数据，包括：统计所述人群信息中某个目标群体具有某一特征的第一人数占比；统计在所述人群信息中所有群体中具有相同特征的第二人数占比；计算所述第一人数占比与所述第二人数占比的比值，得到所述用户画像特征数据。
8.作为上述方案的改进，所述地址预测模型采用topk算法和回归决策树模型构建。
9.作为上述方案的改进，以所述待选商场地址的基础数据作为预设建立的地址预测模型的自变量，以指定类型门店在对应待选商场地址的销售数据作为所述地址预测模型的结果变量，对所述地址预测模型进行训练，获得若干个所述待选商场地址的销售额预测结果，包括：初始化所述回归决策树模型中的各样本权重；将所述待选商场地址的基础数据作为自变量，以指定类型门店在对应待选商场地址的销售数据作为结果变量，导入初始化后的回归决策树模型进行训练，并获得各个所述待选商场地址的销售额预测结果；对各个所述待选商场地址的销售额预测结果进行降序排序，并对各个所述待选商场地址的销售数据进行降序排序；判断位于排序前k位的销售数据对应的待选商场地址的销售额预测结果是否位于其所在排序的前k位内；若否，增加所述回归决策树模型中对应所述待选商场地址的基础数据的样本权重；若是，维持所述回归决策树模型中对应所述待选商场地址的基础数据的样本权重不变；采用所述待选商场地址的基础数据和以指定类型门店在对应待选商场地址的销售数据，重新对更新样本权重后的回归决策树模型进行训练，直至所述回归决策树模型的样本权重不变或者达到预设的循环训练次数；对所述回归决策树模型在各次训练后输出的所述待选商场地址的销售额预测结果进行加权平均处理，得到所述待选商场地址的最终销售额预测结果。
10.作为上述方案的改进，所述回归决策树模型的损失函数为：；（1）
其中，xi表示第i个待选商场地址的基础数据，yi第i个待选商场地址的销售数据，r1（j，s）、r2（j，s）分别表示两个决策树特征划分区域，c1表示决策树特征划分区域r1（j，s）内的固定值、c2表示决策树特征划分区域r2（j，s）内的固定值，表示第i个待选商场地址的基础数据在第1次训练过程中的所述回归决策树模型对应的样本权重。
11.作为上述方案的改进，所述增加所述回归决策树模型中对应所述待选商场地址的基础数据的样本权重，包括：根据公式（2）更新所述回归决策树模型中对应所述待选商场地址的基础数据的样本权重；；（2）其中，表示第i个待选商场地址的基础数据在第m次训练过程中的所述回归决策树模型对应的样本权重，表示第i个待选商场地址的销售额预测结果。
12.第二方面，本发明实施例提供了一种商场地址推荐装置，包括：数据爬取模块，用于通过调用预设配置的api工具爬取若干个待选商场地址的基础数据；数据采集模块，用于采集指定类型门店在设定时间段内在若干个所述待选商场地址的销售数据；模型训练模块，用于以所述待选商场地址的基础数据作为预设建立的地址预测模型的自变量，以指定类型门店在对应待选商场地址的销售数据作为所述地址预测模型的结果变量，对所述地址预测模型进行训练，获得若干个所述待选商场地址的销售额预测结果；地址推荐模块，用于对若干个所述待选商场地址按照对应销售额预测结果进行降序排序，并显示包括位于排序前k位的待选商场地址的推荐界面。
13.第三方面，本发明实施例提供了一种商场地址推荐设备，包括：处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面中任意一项所述的商场地址推荐方法。
14.第四方面，本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如第一方面中任意一项所述的商场地址推荐方法。
15.相对于现有技术，本发明实施例的有益效果在于：通过调用预设配置的api工具爬取若干个待选商场地址的基础数据，并采集指定类型门店在设定时间段内在若干个所述待选商场地址的销售数据；然后基于所述待选商场地址的基础数据作为预设建立的地址预测模型、指定类型门店在对应待选商场地址的销售数据对预先构建的地址预测模型进行训练，获得若干个所述待选商场地址的销售额预测结果；对若干个所述待选商场地址按照对应销售额预测结果进行降序排序，并显示包括位于排序前k位的待选商场地址的推荐界面；本发明实施例综合考虑了商场选址相关的多维度影响特征，采用模型训练的方式深度挖掘和学习商场选址和多维度影响特征之间的关系，从而有效提高商场地址推荐的精确度和效率，降低商场选址的人力成本以及时间成本。
附图说明
16.为了更清楚地说明本发明的技术方案，下面将对实施方式中所占据要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
17.图1是本发明实施例提供的一种商场地址推荐方法的流程图；图2是本发明实施例提供的模型训练流程图；图3是本发明实施例提供的商场地址推荐流程简图；图4是本发明实施例提供的一种商场地址推荐装置的示意图；图5是本发明实施例提供的一种商场地址推荐设备的示意图。
具体实施方式
18.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作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。
19.实施例一请参阅图1，其是本发明实施例提供的一种商场地址推荐方法的流程图，所述方法包括：s1：通过调用预设配置的api工具爬取若干个待选商场地址的基础数据；其中，所述基本数据包括：经济发展特征数据、行业竞争特征数据、商场自身发展特征数据、用户画像特征数据；进一步，所述api工具包括：用于访问各城市统计局网站的第一api、用于访问电子地图的第二api、用于访问商场网页的第三api以及用于访问第三方社交平台的第四api；则，s1：通过调用预设配置的api工具爬取若干个待选商场地址的基础数据，包括：通过所述第一api从所述待选商场地址所在的城市统计局网站中爬取所述待选商场地址所在城市的城市等级、常住人口信息、人均地区生产总值信息、第三产业增加值信息、人均可支配收入信息以及消费品零售额信息，作为所述经济发展特征数据；通过所述第二api从电子地图中爬取在所述待选商场地址内与指定类型门店属于同行业的第一店铺数量以及以所述待选商场地址为中心的设定范围内与指定类型门店属于同行业的第二店铺数量，作为所述行业竞争特征数据；通过所述第三api从所述待选商场地址对应的商场网页中爬取商场规模信息、商场开业年龄信息，作为所述商场自身发展特征数据；通过所述第四api从第三方社交平台中爬取以所述待选商场地址为中心的设定范围内的人群信息；根据所述人群信息，计算所述用户画像特征数据。
20.进一步，所述根据所述人群信息，计算所述用户画像特征数据，包括：统计所述人群信息中某个目标群体具有某一特征的第一人数占比；统计在所述人群信息中所有群体中具有相同特征的第二人数占比；计算所述第一人数占比与所述第二人数占比的比值，得到所述用户画像特征数
据。
21.以珠宝行业为例，利用大数据技术获取各珠宝行业待选商场地址的相关信息，例如从所述待选商场地址所在的城市统计局网站中爬取所述待选商场地址所在城市的城市等级、常住人口信息（包括城市常住人口和城镇常住人口）、人均地区生产总值信息、第三产业增加值信息、人均可支配收入信息（包括常住居民人居可支配收入和城镇常住居民人均可支配收入、农村常住居民人均可支配收入）以及消费品零售额信息（包括乡村消费品零售额和城镇消费品零售额）等，作为所述经济发展特征数据；所述第二api可以是百度api。利用百度api获取待选商场地址内的十二个同类品牌店的铺数量作为直接竞争特征；同时利用百度api获取待选商场地址附近500米十二类同类品牌的店铺数量、四类购物商场数量等作为非直接竞争特征；直接竞争特征和非直接竞争特征构成所述行业竞争特征数据。
22.通过相关商场网页爬虫获得各待选商场地址的商场规模大小，开业年龄等自身发展特征。
23.所述第四api可以是腾讯api。利用腾讯api获得各待选商场地址范围附近500米人群信息，并计算用户画像特征数据，例如利用如下tgi指数公式，算出待选商场地址所地如消费年龄，手机app使用情况，消费能力，居房价格等用户画像特征。
24.；以上述为例，上述tgi指数公示表示了年龄20—30的目标群体在某一特征（如前往指定商城）人群信息中的比例与所有群体中具有相同特征之间的比例的比值。通过调整tgi指数公式中分母的总体和分子的不同目标客户群体的数值，可以计算出tgi值，表征对于同一特征不同的用户画像，例如手机app使用情况、居房价格、消费能力，并聚合成用户画像特征数据。
25.需要说明的是，当所述第一人数占比与所述第二人数占比的比值为零时，删除该用户画像特征数据。例如删除所述用户画像特征数据总tgi=0的特征。
26.为了提高数据处理的效率，在本发明实施例中可以对上述爬取到的经济发展特征数据、行业竞争特征数据、商场自身发展特征数据、用户画像特征数据进行正态标准化转换。为了提高数据的有效性，还可以对上述标准化后的经济发展特征数据、行业竞争特征数据、商场自身发展特征数据、用户画像特征数据进行数据验证和清洗处理。
27.s2：采集指定类型门店在设定时间段内在若干个所述待选商场地址的销售数据；同样以珠宝行业为，可以采集珠宝店在设定时间段内在若干个所述待选商场地址的销售数据作为所述地址预测模型的结果变量。
28.s3：以所述待选商场地址的基础数据作为预设建立的地址预测模型的自变量，以指定类型门店在对应待选商场地址的销售数据作为所述地址预测模型的结果变量，对所述地址预测模型进行训练，获得若干个所述待选商场地址的销售额预测结果；其中，所述地址预测模型采用topk算法和回归决策树模型构建，是一种topk回归决策树模型。
29.s4：对若干个所述待选商场地址按照对应销售额预测结果进行降序排序，并显示包括位于排序前k位的待选商场地址的推荐界面。
30.本发明实施例综合考虑了商场选址相关的多维度影响特征，采用模型训练的方式深度挖掘和学习商场选址和多维度影响特征之间的关系，从而有效提高商场地址推荐的精确度和效率，降低商场选址的人力成本以及时间成本。
31.在一种可选的实施例分钟，以所述待选商场地址的基础数据作为预设建立的地址预测模型的自变量，以指定类型门店在对应待选商场地址的销售数据作为所述地址预测模型的结果变量，对所述地址预测模型进行训练，获得若干个所述待选商场地址的销售额预测结果，包括：初始化所述回归决策树模型中的各样本权重；其中，初始化的样本权重=1/n；n为样本数量（即待选商场地址的基础数据的数量），为初始时第i个样本（即第i个待选商场地址的基础数据）的权重。
32.将所述待选商场地址的基础数据作为自变量，以指定类型门店在对应待选商场地址的销售数据作为结果变量，导入初始化后的回归决策树模型进行训练，并获得各个所述待选商场地址的销售额预测结果；其中，所述回归决策树模型的损失函数为：；（1）其中，xi表示第i个待选商场地址的基础数据，yi第i个待选商场地址的销售数据，r1（j，s）、r2（j，s）分别表示两个决策树特征划分区域，c1表示决策树特征划分区域r1（j，s）内的固定值、c2表示决策树特征划分区域r2（j，s）内的固定值，表示第i个待选商场地址的基础数据在第1次训练过程中的所述回归决策树模型对应的样本权重。
33.对各个所述待选商场地址的销售额预测结果进行降序排序，并对各个所述待选商场地址的销售数据进行降序排序；判断位于排序前k位的销售数据对应的待选商场地址的销售额预测结果是否位于其所在排序的前k位内；若否，增加所述回归决策树模型中对应所述待选商场地址的基础数据的样本权重；原本属于top k且预测的的排序不在top k，根据公式（2）更新所述回归决策树模型中对应所述待选商场地址的基础数据的样本权重；；（2）其中，表示第i个待选商场地址的基础数据在第m次训练过程中的所述回归决策树模型对应的样本权重，表示第i个待选商场地址的销售额预测结果。
34.若是，维持所述回归决策树模型中对应所述待选商场地址的基础数据的样本权重不变；即当原本属于top k，但预测的的排序也在top k，样本权重不变，即有：；（3）采用所述待选商场地址的基础数据和以指定类型门店在对应待选商场地址的销
售数据，重新对更新样本权重后的回归决策树模型进行训练，直至所述回归决策树模型的样本权重不变或者达到预设的循环训练次数；对所述回归决策树模型在各次训练后输出的所述待选商场地址的销售额预测结果进行加权平均处理，得到所述待选商场地址的最终销售额预测结果。
35.在本发明实施例中，根据每次训练结果的根据回归误差（即位于排序前k位的销售数据对应的待选商场地址的销售额预测结果是否位于其所在排序的前k位内）更新新的样本权重，将其再次导入带样本权重的回归决策树模型再次训练，循环更新样本权重，直到样本权重不再变化或达到循环训练次数m。此时，将m次训练的模型输出结果进行加权求平均，得到待选商场地址的最终的销售额预测结果，如公式（4）所示。
36.；（4）其中，ym(x)为最终的销售额预测结果，ym(x)为第m次训练时模型输出的销售额预测结果。上述公式（4）表示了通过多次top-k算法迭代后，最后对每一次迭代的值进行加权平均。
37.在本发明实施例中，模型训练可以参见图2，通过上述模式训练过程，可以有效提高模型的泛化能力和准确率，从而进一步提高商场选址的准确性。
38.相对于现有技术，本发明实施例的有益效果在于：采用大数据技术采集商场选址相关的多维度影响特征，利用topk回归决策树模型对待选商场选址的销售额进行预测，可以实现快速对众多待选商场地址进行初步筛选，商场地址推荐流程可以参见图3所示，通过topk回归决策树模型可以深度挖掘和学习商场选址和多维度影响特征之间的关系，从而有效提高商场地址推荐的精确度和效率，降低商场选址的人力成本以及时间成本，高效率且低成本地对行业选址提供有力的指导。
39.实施例二参见图4，本发明实施例提供了一种商场地址推荐装置，包括：数据爬取模块1，用于通过调用预设配置的api工具爬取若干个待选商场地址的基础数据；数据采集模块2，用于采集指定类型门店在设定时间段内在若干个所述待选商场地址的销售数据；模型训练模块3，用于以所述待选商场地址的基础数据作为预设建立的地址预测模型的自变量，以指定类型门店在对应待选商场地址的销售数据作为所述地址预测模型的结果变量，对所述地址预测模型进行训练，获得若干个所述待选商场地址的销售额预测结果；地址推荐模块4，用于对若干个所述待选商场地址按照对应销售额预测结果进行降序排序，并显示包括位于排序前k位的待选商场地址的推荐界面。
40.在一种可选的实施例中，所述基本数据包括：经济发展特征数据、行业竞争特征数据、商场自身发展特征数据、用户画像特征数据；所述api工具包括：用于访问各城市统计局网站的第一api、用于访问电子地图的第二api、用于访问商场网页的第三api以及用于访问第三方社交平台的第四api；则，所述数据爬取模块1，包括：
第一数据爬取单元，用于通过所述第一api从所述待选商场地址所在的城市统计局网站中爬取所述待选商场地址所在城市的城市等级、常住人口信息、人均地区生产总值信息、第三产业增加值信息、人均可支配收入信息以及消费品零售额信息，作为所述经济发展特征数据；第二数据爬取单元，用于通过所述第二api从电子地图中爬取在所述待选商场地址内与指定类型门店属于同行业的第一店铺数量以及以所述待选商场地址为中心的设定范围内与指定类型门店属于同行业的第二店铺数量，作为所述行业竞争特征数据；第三数据爬取单元，用于通过所述第三api从所述待选商场地址对应的商场网页中爬取商场规模信息、商场开业年龄信息，作为所述商场自身发展特征数据；第四数据爬取单元，用于通过所述第四api从第三方社交平台中爬取以所述待选商场地址为中心的设定范围内的人群信息；用户画像计算单元，用于根据所述人群信息，计算所述用户画像特征数据。
41.在一种可选的实施例中，所述用户画像计算单元包括：第一计算单元，用于统计所述人群信息中某个目标群体某一特征的第一人数占比；第二计算单元，用于统计所述人群信息中所有群体中具有相同特征的第二人数占比；第三计算单元，用于计算所述第一人数占比与所述第二人数占比的比值，得到所述用户画像特征数据。
42.在一种可选的实施例中，所述地址预测模型采用topk算法和回归决策树模型构建。
43.在一种可选的实施例中，模型训练模块3包括：初始化单元，用于初始化所述回归决策树模型中的各样本权重；训练单元，用于将所述待选商场地址的基础数据作为自变量，以指定类型门店在对应待选商场地址的销售数据作为结果变量，导入初始化后的回归决策树模型进行训练，并获得各个所述待选商场地址的销售额预测结果；排序单元，用于对各个所述待选商场地址的销售额预测结果进行降序排序，并对各个所述待选商场地址的销售数据进行降序排序；判断单元，用于判断位于排序前k位的销售数据对应的待选商场地址的销售额预测结果是否位于其所在排序的前k位内；样本权重调整单元，用于判断出位于排序前k位的销售数据对应的待选商场地址的销售额预测结果不位于其所在排序的前k位内时，增加所述回归决策树模型中对应所述待选商场地址的基础数据的样本权重；具体地，根据公式（2）更新所述回归决策树模型中对应所述待选商场地址的基础数据的样本权重；；（2）其中，表示第i个待选商场地址的基础数据在第m次训练过程中的所述回归决策树模型对应的样本权重，表示第i个待选商场地址的销售额预测结果。
44.样本权重维持单元，用于判断出位于排序前k位的销售数据对应的待选商场地址的销售额预测结果位于其所在排序的前k位内时，维持所述回归决策树模型中对应所述待选商场地址的基础数据的样本权重不变；所述训练单元，还用于采用所述待选商场地址的基础数据和以指定类型门店在对应待选商场地址的销售数据，重新对更新样本权重后的回归决策树模型进行训练，直至所述回归决策树模型的样本权重不变或者达到预设的循环训练次数；加权平均单元，用于对所述回归决策树模型在各次训练后输出的所述待选商场地址的销售额预测结果进行加权平均处理，得到所述待选商场地址的最终销售额预测结果。
45.在一种可选的实施例中，所述回归决策树模型的损失函数为：；（1）其中，xi表示第i个待选商场地址的基础数据，yi第i个待选商场地址的销售数据，r1（j，s）、r2（j，s）分别表示两个决策树特征划分区域，c1表示决策树特征划分区域r1（j，s）内的固定值、c2表示决策树特征划分区域r2（j，s）内的固定值，表示第i个待选商场地址的基础数据在第1次训练过程中的所述回归决策树模型对应的样本权重。
46.需要说明的是，本发明实施例的技术原理和技术效果与实施一相同，这里不再赘述。
47.实施例三参见图5，其是本发明一实施例提供的一种商场地址推荐设备的示意图，该实施例的商场地址推荐设备包括：处理器100，存储器200，用于储存一个或多个计算机程序；例如任务调度程序。当所述一个或多个计算机程序被所述处理器100执行，使得所述处理器100实现如实施例一中任意一项所述的商场地址推荐方法，例如图1所示的步骤s1-s4，且能达到相同的技术效果，为避免重复，这里不再赘述。或者，所述处理器执行所述计算机程序时实现上述各装置实施例中各模块/单元的功能。
48.示例性的，所述计算机程序可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器中，并由所述处理器执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述商场地址推荐设备中的执行过程。例如，所述计算机程序可以被分割成数据爬取模块、数据采集模块、模型训练模块、地址推荐模块，各模块具体功能如下：数据爬取模块，用于通过调用预设配置的api工具爬取若干个待选商场地址的基础数据；数据采集模块，用于采集指定类型门店在设定时间段内在若干个所述待选商场地址的销售数据；模型训练模块，用于以所述待选商场地址的基础数据作为预设建立的地址预测模型的自变量，以指定类型门店在对应待选商场地址的销售数据作为所述地址预测模型的结果变量，对所述地址预测模型进行训练，获得若干个所述待选商场地址的销售额预测结果；地址推荐模块，用于对若干个所述待选商场地址按照对应销售额预测结果进行降序排序，并显示包括位于排序前k位的待选商场地址的推荐界面。
49.所述商场地址推荐设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述商场地址推荐设备可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，所述示意图仅仅是商场地址推荐设备的示例，并不构成对商场地址推荐设备的限
定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述商场地址推荐设备还可以包括输入输出设备、网络接入设备、总线等。
50.所述处理器可以是中央处理单元(central processing unit，cpu)，还可以是其他通用处理器、数字信号处理器 (digital signal processor，dsp)、专用集成电路 (application specific integrated circuit，asic)、现成可编程门阵列 (field-programmable gate array，fpga) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述商场地址推荐设备的控制中心，利用各种接口和线路连接整个商场地址推荐设备的各个部分。
51.所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述商场地址推荐设备的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序（比如声音播放功能、图像播放功能等）等；存储数据区可存储根据手机的使用所创建的数据（比如音频数据、电话本等）等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡（smart media card, smc），安全数字（secure digital, sd）卡，闪存卡（flash card）、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
52.其中，所述商场地址推荐设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器（rom，read-only memory）、随机存取存储器（ram，random access memory）、电载波信号、电信信号以及软件分发介质等。
53.实施例四本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如实施例一中任一所述的商场地址推荐方法，且能达到相同的技术效果，为避免重复，这里不再赘述。
54.需说明的是，以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外，本发明提供的装置实施例附图中，模块之间的连接关系表示它们之间具有通信连接，具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
55.以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出多台改进和润饰，这些改进和润饰也视为本发明的保护范围。