商户推荐方法、装置、设备、介质及产品与流程

1.本技术属于计算机数据处理技术领域，尤其涉及一种商户推荐方法、装置、设备、介质及产品。


背景技术：

2.随着互联网技术的发展应用，用户可获取的信息量呈现大幅增长，而为了促进用户转化，平台可以在一定范围的用户和商户中，预测每名用户的个性化偏好商户，通过前端页面差异化展示，为不同用户推荐不同商户，提升用户使用体验。
3.相关技术中，在为用户推荐商户时，主要依据用户与商户之间的距离，以及热门商户清单，该方案虽然能一定程度上实现商户推荐的功能，但推荐方式较为粗糙，对用户的个性化偏好挖掘不足，商户推荐的精准度不高。


技术实现要素：

4.本技术实施例提供一种商户推荐方法、装置、设备、介质及产品，能够改善商户推荐的精准度不高的问题。
5.第一方面，本技术实施例提供一种商户推荐方法，该方法包括：
6.获取m个用户和n个商户对应的目标数据，目标数据包括m个用户与n个商户之间的第一交易数据，以及m个用户和n个商户的第一属性数据，第一属性数据包括用户的人口信息属性和消费偏好属性，以及商户的商户基础属性和客群人口信息属性；
7.基于第一交易数据和第一属性数据，计算每个用户与每个商户之间的客群匹配度和偏好匹配度；
8.基于第一交易数据，以及每个用户与每个商户之间的客群匹配度和偏好匹配度，确定交互特征；
9.向预设商户推荐模型输入交互特征，输出推荐结果。
10.第二方面，本技术实施例提供一种商户推荐装置，该装置包括：
11.获取模块，用于获取m个用户和n个商户对应的目标数据，目标数据包括m个用户与n个商户之间的第一交易数据，以及m个用户和n个商户的第一属性数据，第一属性数据包括用户的人口信息属性和消费偏好属性，以及商户的商户基础属性和客群人口信息属性；
12.计算模块，用于基于第一交易数据和第一属性数据，计算每个用户与每个商户之间的客群匹配度和偏好匹配度；
13.确定模块，用于基于第一交易数据，以及每个用户与每个商户之间的客群匹配度和偏好匹配度，确定交互特征；
14.推荐模块，用于向预设商户推荐模型输入交互特征，输出推荐结果。
15.第三方面，本技术实施例提供一种电子设备，包括：处理器以及存储有计算机程序指令的存储器；处理器执行计算机程序指令时实现第一方面所示的商户推荐方法的步骤。
16.第四方面，本技术实施例提供一种计算机可读存储介质，计算机可读存储介质上
存储程序或指令，程序或指令被处理器执行时实现如第一方面所示的商户推荐方法的步骤。
17.第五方面，本技术实施例提供一种计算机程序产品，计算机程序产品被存储在非易失的存储介质中，计算机程序产品被至少一个处理器执行时实现如第一方面所示的商户推荐方法的步骤。
18.第六方面，本技术实施例提供一种芯片，该芯片包括处理器和通信接口，通信接口和处理器耦合，处理器用于运行程序或指令，实现如第一方面的商户推荐方法的步骤。
19.本技术实施例提供一种商户推荐方法、装置、设备、介质及产品，在为m个用户进行商户推荐的场景下，可以获取m个用户与所有待推荐商户，即与n个商户之间的第一交易数据和第一属性数据。在此基础上，基于第一交易数据和第一属性数据，计算每个用户与每个商户之间的客群匹配度和偏好匹配度，并基于第一交易数据，以及每个用户与每个商户之间的客群匹配度和偏好匹配度，确定交互特征。由于第一交易数据能够反映用户与商户之间的历史交易行为，客群匹配度能够反映用户与商户客群之间的匹配程度，偏好匹配度能够反映每个用户对每个商户的感兴趣程度，因此基于第一交易数据、客群匹配度和偏好匹配度确定的交互特征能够准确体现用户对n个商户的偏好程度，利用该交互特征为m个用户进行商户推荐，有效提升商户推荐的精准度。
附图说明
20.为了更清楚地说明本技术实施例的技术方案，下面将对本技术实施例中所需要使用的附图作简单的介绍，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。
21.图1为本技术第一方面提供的商户推荐方法的一实施例的流程图；
22.图2为本技术第一方面提供的商户推荐方法的另一实施例的流程图；
23.图3为本技术第一方面提供的商户推荐方法的再一实施例的流程图；
24.图4为本技术第一方面提供的商户推荐方法的再一实施例的流程图；
25.图5为本技术第二方面提供的商户推荐装置的一实施例的结构示意图；
26.图6为本技术第三方面提供的电子设备的一实施例的结构示意图。
具体实施方式
27.下面将详细描述本技术的各个方面的特征和示例性实施例，为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及具体实施例，对本技术进行进一步详细描述。应理解，此处所描述的具体实施例仅意在解释本技术，而不是限定本技术。对于本领域技术人员来说，本技术可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本技术的示例来提供对本技术更好的理解。
28.随着互联网技术的发展应用，用户可获取的信息量呈现大幅增长，而为了促进用户转化，平台可以在一定范围的用户和商户中，预测每名用户的个性化偏好商户，通过前端页面差异化展示，为不同用户推荐不同商户，提升用户使用体验。相关技术中，在为用户推荐商户时，主要依据用户与商户之间的距离，以及热门商户清单，该方案虽然能一定程度上实现商户推荐的功能，但推荐方式较为粗糙，对用户的个性化偏好挖掘不足，商户推荐的精
准度不高。
29.基于上述出现的问题，本技术实施例提供一种商户推荐方法、装置、设备、介质及产品，能够在为m个用户进行商户推荐的场景下，获取第一属性数据和能够反映用户与商户之间的历史交易行为的第一交易数据，并基于第一交易数据和第一属性数据计算出能够反映用户与商户客群之间的匹配程度的客群匹配度、能够反映每个用户对每个商户感兴趣程度的偏好匹配度。在此基础上，基于第一交易数据、客群匹配度和偏好匹配度确定的交互特征能够准确体现用户对n个商户的偏好程度，利用该交互特征为m个用户进行商户推荐，有效提升商户推荐的精准度。
30.本技术实施例中的商户推荐方法可以应用于商户推荐场景，下面结合附图，通过具体的实施例对本技术实施例提供的商户推荐方法进行详细地说明。
31.本技术第一方面提供一种商户推荐方法，可应用于电子设备，即该商户推荐方法可由电子设备执行。需要说明的是，上述执行主体并不构成对本技术的限定。
32.图1为本技术第一方面提供的商户推荐方法的一实施例的流程图。如图1所示，该商户推荐方法可以包括步骤110-步骤140。
33.步骤110，获取m个用户和n个商户对应的目标数据，其中，目标数据包括m个用户与n个商户之间的第一交易数据，以及m个用户和n个商户的第一属性数据。
34.其中，第一属性数据包括用户的人口信息属性和消费偏好属性，以及商户的商户基础属性和客群人口信息属性。
35.步骤120，基于第一交易数据和第一属性数据，计算每个用户与每个商户之间的客群匹配度和偏好匹配度。
36.步骤130，基于第一交易数据，以及每个用户与每个商户之间的客群匹配度和偏好匹配度，确定交互特征。
37.步骤140，向预设商户推荐模型输入交互特征，输出推荐结果。
38.本技术实施例提供的商户推荐方法，在为m个用户进行商户推荐的场景下，可以获取m个用户与所有待推荐商户，即与n个商户之间的第一交易数据和第一属性数据。在此基础上，基于第一交易数据和第一属性数据，计算每个用户与每个商户之间的客群匹配度和偏好匹配度，并基于第一交易数据，以及每个用户与每个商户之间的客群匹配度和偏好匹配度，确定交互特征。由于第一交易数据能够反映用户与商户之间的历史交易行为，客群匹配度能够反映用户与商户客群之间的匹配程度，偏好匹配度能够反映每个用户对每个商户的感兴趣程度，因此基于第一交易数据、客群匹配度和偏好匹配度确定的交互特征能够准确体现用户对n个商户的偏好程度，利用该交互特征为m个用户进行商户推荐，有效提升商户推荐的精准度。
39.下面结合实施例，对上述步骤的具体实现方式进详细说明，具体如下所示。
40.涉及步骤110，获取m个用户和n个商户对应的目标数据，其中，目标数据包括m个用户与n个商户之间的第一交易数据，以及m个用户和n个商户的第一属性数据。
41.其中，m个用户可以为推荐对象，n个商户可以为用于向m个用户推送的待推荐商户；第一交易数据为m个用户与n个商户之间的历史交易行为数据，该历史交易行为数据可以包括交易时间、交易金额、交易笔数等。
42.在一个示例中，m个用户可以为区域1中的所有用户，n个商户可以为区域1中商户
类别为餐饮的商户。
43.在另一个示例中，m个用户可以为区域1中的所有用户，n个商户可以为区域2中的所有商户，区域1可以包括区域2。
44.在一个实施例中，在第一属性数据中，用户的人口信息属性可以包括性别、年龄、收入、消费能力中的至少一项；用户的消费偏好属性可以包括消费商户类别、消费集中时间、消费金额偏好中的至少一项；商户的客群人口信息属性可以包括主要客群性别、主要客群年龄、主要客群收入、主要客群消费能力中的至少一项；商户的商户基础属性可以包括商户类别、营业时间、笔均金额中的至少一项。
45.需要说明的是，用户的人口信息属性可以与商户的客群人口信息属性的属性内容相对应，用户的消费偏好属性可以与商户的商户基础属性的属性内容相对应。
46.涉及步骤120，基于第一交易数据和第一属性数据，计算每个用户与每个商户之间的客群匹配度和偏好匹配度。
47.在本技术的一些实施例中，为了计算每个用户与每个商户之间的客群匹配度，步骤120可以具体包括下述步骤：基于m个用户的人口信息属性，将m个用户划分为多个客群；基于第一交易数据，计算每个商户与每个客群之间的总交易笔数；基于每个用户的所属客群，以及每个商户与每个客群之间的总交易笔数，计算每个用户与每个商户之间的客群匹配度。
48.具体地，电子设备可以基于m个用户的人口信息属性对m个用户进行不同维度的客群划分；基于每个用户的所属客群，以及每个商户与每个客群之间的总交易笔数，计算每个用户与每个商户之间的客群匹配度，得到m*n个客群匹配度。
49.例如，在性别维度将m个用户划分为男、女2个客群，在年龄维度将m个用户划分为不同年龄段的多个客群，在消费能力维度将m个用户划分为不同消费等级的多个客群，在收入维度将m个用户划分为不同收入等级的多个客群。
50.在一个实施例中，步骤120可以具体包括：基于公式(1)计算每个用户与每个商户之间的客群匹配度。
[0051][0052]
其中，c
score
为客群匹配度，k为维度个数，l
i＝a
为商户在维度i取值为a时的总交易笔数，n为商户的整体交易笔数。
[0053]
在一个示例中，用户的人口信息属性包括年龄和性别两个维度，k为2，用户a的年龄为20，其被划分至18-25岁的年轻客群，则l
i＝a
为商户与18-25岁的年轻客群之间的总交易笔数。
[0054]
在本技术实施例中，在将m个用户划分至多个客群之后，通过计算每个商户与每个客群之间的总交易笔数，能够反映出该商户与不同客群之间的匹配度。基于此，基于每个用户的所属客群，以及每个商户与每个客群之间的总交易笔数，能够准确确定出每个用户与每个商户之间的客群匹配度，有效利用了商户的客群人口信息属性数据，结合用户人口信息属性与商户客群人口信息属性之间的关联性进行客群匹配度计算，提升计算准确性，通过在交互特征中添加客群匹配度，提升交互特征的完备性。
[0055]
在本技术的一些实施例中，为了计算每个用户与每个商户之间的偏好匹配度，步
骤120可以具体包括下述步骤：根据m个用户的消费偏好属性和n个商户的商户基础属性，计算每个用户与每个商户之间的偏好匹配度。
[0056]
具体地，电子设备可以通过确定每个用户的消费偏好属性与每个商户的商户基础属性的相似度，即为每个用户与每个商户之间的偏好匹配度。
[0057]
在一个实施例中，步骤120可以具体包括：计算用户的消费商户类别与商户的商户类别的第一相似度、用户的消费集中时间与商户的营业时间的第二相似度、用户的消费金额偏好与商户的笔均金额的第三相似度；基于第一相似度、第二相似度、第三相似度及其对应权重，计算用户的消费偏好属性与商户的商户基础属性的相似度。
[0058]
例如，用户的消费商户类别包含商户的商户类别，则第一相似度a1可以为1，否则为0；用户的消费集中时间在商户的营业时间范围之内，则第二相似度a2可以为1，否则为0；用户的消费金额偏好与商户的笔均金额的金额差值越小，第三相似度a3越高，a1*p1 a2*p2 a3*p3即为用户的消费偏好属性与商户的商户基础属性的相似度，p1、p2、p3为对应权重。
[0059]
在另一个实施例中，可以基于m个用户的消费偏好属性、n个商户的商户基础属性及其相关性系数，计算每个用户与每个商户之间的偏好匹配度。
[0060]
在本技术实施例中，引入了更多与商户相关的基础属性信息，提高商户推荐特征丰富度，基于用户的消费偏好属性和商户的商户基础属性，可以简单有效地计算出每个用户与每个商户之间的偏好匹配度，基于该偏好匹配度构建交互特征，能够使该交互特征反映用户的个性化偏好，进一步提升商户特惠总能准确性。在利用该交互特征为用户进行商户推荐时，能够提升为用户推送到感兴趣商户的概率，实现商户精准推送。
[0061]
涉及步骤130，基于第一交易数据，以及每个用户与每个商户之间的客群匹配度和偏好匹配度，确定交互特征。
[0062]
在一个实施例中，可将每个用户与每个商户之间的第一交易数据、客群匹配度和偏好匹配度，作为该用户与该商户对应的交互特征。
[0063]
在本技术的一些实施例中，若依据热门商户清单进行商户推荐，推荐结果会较多的集中于交易数量较高的头部商户，对其他底部商户的推荐不足，商户推荐的精准度不高，为了改善对底部商户的推荐不足的问题，图2为本技术第一方面提供的商户推荐方法的另一实施例的流程图，步骤130可以包括图2所示的步骤210-步骤240。
[0064]
步骤210，基于第一交易数据，确定每个用户对n个商户中每个商户的调节参数。
[0065]
步骤220，基于第一属性数据，对m个用户和n个商户分别进行聚类，得到聚类结果。
[0066]
具体地，电子设备可以基于m个用户的人口信息属性和消费偏好属性对m个用户进行聚类，得到属性相似的用户聚类簇；基于n个商户的商户基础属性和客群人口信息属性对n个商户进行聚类，得到属性相似的商户聚类簇。
[0067]
示例性地，m个用户包括用户a、用户b和用户c，n个商户包括商户甲、商户乙和商户丙，商户甲、乙的商户类别均为餐饮，商户丙的商户类别为便利店，用户a与用户b的年龄相近、性别相同且消费偏好属性相似，因此可将用户a、b划分至同一用户聚类簇，将商户甲、乙划分至同一商户聚类簇。
[0068]
步骤230，根据调节参数和聚类结果对第一交易数据进行调整，得到第二交易数据。
[0069]
在本技术的一些实施例中，对于未产生过交易行为的用户与商户，为了对两者之
间的缺失消费数据进行修补，聚类结果可以包括用户聚类簇和商户聚类簇，图3为本技术第一方面提供的商户推荐方法的再一实施例的流程图，步骤230可以包括图3所示的步骤310-步骤340。
[0070]
步骤310，在m个用户中第一用户与n个商户中第一商户的交易笔数为零的情况下，确定与第一用户属于同一用户聚类簇的至少一个第二用户，和/或，与第一商户属于同一商户聚类簇的至少一个第二商户。
[0071]
其中，第一用户与第一商户之间不存在历史交易行为，第一用户与第二用户属于同一用户聚类簇，第一商户与第二商户属于同一商户聚类簇。
[0072]
步骤320，确定第一交易数据中的第三交易数据，为第一用户与第一商户之间的目标交易信息，第三交易数据包括至少一个第二用户与第一商户的交易数据，和/或，至少一个第二商户与第一用户的交易数据。
[0073]
具体地，第三交易数据可以为至少一个第二用户与第一商户的第一平均交易次数，或者，至少一个第二商户与第一用户的第二平均交易次数，或者，第一平均交易次数和第二平均交易次数的平均值。
[0074]
参照上述示例，用户a、b划分至同一用户聚类簇，商户甲、乙划分至同一商户聚类簇。若用户b与商户乙之间交易笔数为零，则可以确定用户a与商户乙之间的交易数据，和/或，用户b与商户甲之间的交易数据为第三交易数据，并将该第三交易数据作为用户b与商户乙之间的目标交易信息。
[0075]
步骤330，在第一交易数据中添加目标交易信息，得到第四交易数据。
[0076]
步骤340，根据调节参数对第四交易数据进行调整，得到第二交易数据。
[0077]
在本技术实施例中，基于第一交易数据，可以确定每个用户对n个商户中每个商户的调节参数，基于第一属性数据，能够对m个用户和n个商户进行聚类，将属性相似的用户或商户聚类到一起，得到聚类结果，并根据调节参数和聚类结果对第一交易数据进行调整，得到第二交易数据。如此，相较于相关技术中直接依据待推荐商户的销量高低进行商户推荐，本技术在为m个用户推荐商户时，依据的是m个用户与待推荐商户之间的第二交易数据，且该第二交易数据是基于能够反映m个用户与n个商户的真实历史交易情况的调节参数修正过的，因此该第二交易数据能够更加真实准确地反映n个商户中m个用户感兴趣的商户，利用该第二交易数据为m个用户进行商户推荐，能够提升商户推荐的精准度。同时，即使某个商户与用户之间不存在历史交易行为，也能够依据聚类结果将该商户与用户之间的消费情况补齐，提升特征覆盖度，实现通过个体行为和整体行为的结合，对数据进行调节的作用，改善因底部商户与其他用户交易次数较少或者无历史交易行为，导致该底部商户无法被推荐的现象，提升底部商户的推荐力度。
[0078]
在本技术的一些实施例中，每个用户可以对应n个调节参数，步骤340根据调节参数对第四交易数据进行调整，得到第二交易数据，可以具体包括下述步骤：基于第四交易数据构建第一交互矩阵，第一交互矩阵包括m*n个元素，每个元素用于表征用户与商户之间的交易笔数；将m个用户对应的m*n个调节参数，分别与m*n个元素相乘，得到第二交互矩阵；基于第二交互矩阵，确定第二交易数据，第二交易数据包括调整后的m个用户与n个商户之间的交易笔数。
[0079]
具体地，在第一交易数据中添加目标交易信息后，可以得到第四交易数据，该第四
交易数据中包括每个用户与每个商户的交易数据；第一交互矩阵可以为m行n列的矩阵，对于矩阵中的每个元素p，将其与对应的调节参数相乘，得到第二交互矩阵。
[0080]
步骤240，基于m个用户与n个商户之间的第一交易数据、第二交易数据、客群匹配度和偏好匹配度，构建交互特征。
[0081]
具体地，可将每个用户与每个商户之间的第一交易数据、第二交易数据、客群匹配度和偏好匹配度，作为每个用户与每个商户对应的交互特征。
[0082]
涉及步骤140，向预设商户推荐模型输入交互特征，输出推荐结果。
[0083]
在一个实施例中，第一属性数据还可以包括地域属性，该方法还可以包括：基于每个用户对应的地域属性、人口信息属性和消费偏好属性，构建每个用户的用户特征；基于每个商户对应的地域属性、客群人口信息属性和商户基础属性，构建每个商户的商户特征；步骤140向预设商户推荐模型输入交互特征，输出推荐结果，可以具体包括：向预设商户推荐模型输入交互特征、用户特征和商户特征，输出推荐结果。
[0084]
在本技术实施例中，可以引入更多与用户和商户相关的属性信息构建用户特征和商户特征，在为用户进行商户推荐时，将构建的用户特征、商户特征和交互特征三大部分整合形成完整地商户推荐特征体系，提高商户推荐特征的丰富度，并从用户偏好一致性及客群匹配度角度，进行特征构建，进一步提升商户推荐特征的准确性，使推荐结果的准确性更高。
[0085]
在本技术的一些实施例中，为了确定每个用户对n个商户中每个商户的调节参数，商户基础属性可以包括商户类别，图4为本技术第一方面提供的商户推荐方法的再一实施例的流程图，步骤210可以包括图4所示的步骤410-步骤450。
[0086]
步骤410，基于第一交易数据和每个商户的商户类别，确定每个商户类别对应的第一回购周期，以及每个商户对应的n个第二回购周期。
[0087]
其中，第一回购周期用于表征每个类别商户与m个用户的每两次交易之间的平均间隔时长，第二回购周期用于表征每个商户与m个用户的每两次交易之间的平均间隔时长。
[0088]
示例性地，m个用户包括用户a、用户b和用户c，n个商户包括商户甲、商户乙和商户丙，商户甲、乙的商户类别为餐饮，商户丙的商户类别为便利店。电子设备可以基于用户a、b、c与商户甲、乙的交易时间，确定用户a、b、c与餐饮类别商户的每两次交易之间的平均间隔时长，得到餐饮类对应的第一回购周期；电子设备可以基于用户a、b、c与商户丙的交易时间，确定用户a、b、c与便利店类别商户的每两次交易之间的平均间隔时长，得到便利店类对应的第一回购周期；电子设备可以基于用户a、b、c分别与商户甲、乙、丙进行交易时的交易时间，确定用户a、b、c与商户甲的每两次交易之间的平均间隔时长，得到商户甲对应的第二回购周期，确定用户a、b、c与商户乙的每两次交易之间的平均间隔时长，得到商户乙对应的第二回购周期，确定用户a、b、c与商户丙的每两次交易之间的平均间隔时长，得到商户丙对应的第二回购周期。
[0089]
步骤420，基于第一交易数据，计算m个用户在最近一个第一回购周期内与每个类别商户的累计交易笔数，得到每个商户类别对应的第一交易笔数。
[0090]
参见上述示例，m个用户包括用户a、用户b和用户c，n个商户包括商户甲、商户乙和商户丙，商户甲、乙的商户类别为餐饮，商户丙的商户类别为便利店。若餐饮类商户对应的第一回购周期为20天，则餐饮类商户对应的第一交易笔数为用户a、b、c在20天与商户甲、乙
的累计交易笔数。
[0091]
步骤430，根据每个用户在最近n个第二回购周期内与n个商户的累计交易笔数，以及n个商户的商户类别，计算每个用户与同一类别商户的第二交易笔数。
[0092]
继续参见上述示例，若商户甲对应的第二回购周期为30天，商户乙对应的第二回购周期为10天，商户丙对应的第二回购周期为2天，则对于用户a，可以将用户a在最近30天内与商户甲的累计交易笔数3，与用户a在最近10天内与商户乙的累计交易笔数2进行相加，得到用户a与餐饮类商户的第二交易笔数5。用户a在最近2天内与商户丙的累计交易笔数3，即为用户a与便利店类商户的第二交易笔数。
[0093]
步骤440，基于第一交易数据，获取每个用户与每个商户最近一次交易的第一交易时间，以及每个用户与每个类别商户最近一次交易的第二交易时间。
[0094]
步骤450，基于第一交易笔数、第二交易笔数、第一交易时间和第二交易时间，计算每个用户对每个商户的调节参数，得到m个用户对应的m*n个调节参数。
[0095]
在本技术实施例中，在确定第一回购周期和第二回购周期之后，通过计算m个用户在最近一个第一回购周期内与每个类别商户的累计交易笔数，以及每个用户在最近n个第二回购周期内与n个商户的累计交易笔数，考虑到了时间因素和同类消费场景信息，并根据时间周期和同类消费场景得到用于调整消费强度的调整参数，提升第二交易数据的数据特征准确性。
[0096]
在一个实施例中，步骤450可以包括：基于公式(2)计算每个用户对每个商户的调节参数δzj。
[0097][0098]
其中，z为用户，j为商户，i为商户j的商户类别，t
now
为当前时间，t
zj
为用户z与商户j最近一次交易的第一交易时间，为商户j对应的第二回购周期，为商户类别i对应的第一回购周期，t
zi
为用户z与商户类别为i的商户最近一次交易的第二交易时间，ni为商户类别i对应的第一交易笔数，c
zi
为用户z和商户j对应的第二交易笔数，ω1和ω2为预设调节因子，ω1与ω2的取值可以相同，也可以不同，具体可以根据实际需求设置为大于零的数值，本技术在此不做具体限定。
[0099]
示例性地，ω1和ω2可以均设置为0.1，商户甲属于餐饮类别，用户a与商户甲的最近一次交易的第一交易时间距离当前时间的时长t
now-t
zj
为80，用户a与餐饮类别商户的最近一次交易的第二交易时间距离当前时间的时长t
now-t
zj
为10，商户甲的第二回购周期为30，餐饮类别商户的第一回购周期为20，餐饮类别商户对应的第一交易笔数ni为500，用户a和商户甲对应的第二交易笔数c
zi
为5，则用户a与商户甲的调整参数可以为(80 0.1)/30*(10 0.1)/20*(500-5)/500＝1.33。
[0100]
基于同样的发明构思，本技术第二方面提供一种商户推荐装置。图5为本技术第二方面提供的商户推荐装置的一实施例的结构示意图。
[0101]
如图5所示，商户推荐装置500具体可以包括：获取模块510、计算模块520、确定模块530和推荐模块540。
[0102]
其中，获取模块510，用于获取m个用户和n个商户对应的目标数据，目标数据包括m
个用户与n个商户之间的第一交易数据，以及m个用户和n个商户的第一属性数据，第一属性数据包括用户的人口信息属性和消费偏好属性，以及商户的商户基础属性和客群人口信息属性；
[0103]
计算模块520，用于基于第一交易数据和第一属性数据，计算每个用户与每个商户之间的客群匹配度和偏好匹配度；
[0104]
确定模块530，用于基于第一交易数据，以及每个用户与每个商户之间的客群匹配度和偏好匹配度，确定交互特征；
[0105]
推荐模块540，用于向预设商户推荐模型输入交互特征，输出推荐结果。
[0106]
本技术实施例提供的商户推荐装置，在为m个用户进行商户推荐的场景下，可以获取m个用户与所有待推荐商户，即与n个商户之间的第一交易数据和第一属性数据。在此基础上，基于第一交易数据和第一属性数据，计算每个用户与每个商户之间的客群匹配度和偏好匹配度，并基于第一交易数据，以及每个用户与每个商户之间的客群匹配度和偏好匹配度，确定交互特征。由于第一交易数据能够反映用户与商户之间的历史交易行为，客群匹配度能够反映用户与商户客群之间的匹配程度，偏好匹配度能够反映每个用户对每个商户的感兴趣程度，因此基于第一交易数据、客群匹配度和偏好匹配度确定的交互特征能够准确体现用户对n个商户的偏好程度，利用该交互特征为m个用户进行商户推荐，有效提升商户推荐的精准度。
[0107]
在本技术的一些实施例中，确定模块包括：确定子模块，用于基于第一交易数据，确定每个用户对n个商户中每个商户的调节参数；聚类子模块，用于基于第一属性数据，对m个用户和n个商户分别进行聚类，得到聚类结果；调整子模块，用于根据调节参数和聚类结果对第一交易数据进行调整，得到第二交易数据；构建子模块，用于基于m个用户与n个商户之间的第一交易数据、第二交易数据、客群匹配度和偏好匹配度，构建交互特征。
[0108]
在本技术的一些实施例中，商户基础属性包括商户类别，基于第一交易数据，确定子模块包括：确定单元，用于基于第一交易数据和每个商户的商户类别，确定每个商户类别对应的第一回购周期，以及每个商户对应的n个第二回购周期，其中，第一回购周期用于表征每个类别商户与m个用户的每两次交易之间的平均间隔时长，第二回购周期用于表征每个商户与m个用户的每两次交易之间的平均间隔时长；计算单元，用于基于第一交易数据，计算m个用户在最近一个第一回购周期内与每个类别商户的累计交易笔数，得到每个商户类别对应的第一交易笔数；计算单元，还用于根据每个用户在最近n个第二回购周期内与n个商户的累计交易笔数，以及n个商户的商户类别，计算每个用户与同一类别商户的第二交易笔数；获取单元，用于基于第一交易数据，获取每个用户与每个商户最近一次交易的第一交易时间，以及每个用户与每个类别商户最近一次交易的第二交易时间；计算单元，用于基于第一交易笔数、第二交易笔数、第一交易时间和第二交易时间，计算每个用户对每个商户的调节参数，得到m个用户对应的m*n个调节参数。
[0109]
在本技术的一些实施例中，聚类结果包括用户聚类簇和商户聚类簇，调整子模块包括：确定单元，用于在m个用户中第一用户与n个商户中第一商户的交易笔数为零的情况下，确定与第一用户属于同一用户聚类簇的至少一个第二用户，和/或，与第一商户属于同一商户聚类簇的至少一个第二商户；确定单元，还用于确定第一交易数据中的第三交易数据，为第一用户与第一商户之间的目标交易信息，第三交易数据包括至少一个第二用户与
第一商户的交易数据，和/或，至少一个第二商户与第一用户的交易数据；添加单元，用于在第一交易数据中添加目标交易信息，得到第四交易数据；调整单元，用于根据调节参数对第四交易数据进行调整，得到第二交易数据。
[0110]
在本技术的一些实施例中，调整单元具体用于：基于第四交易数据构建第一交互矩阵，第一交互矩阵包括m*n个元素，元素用于表征用户与商户之间的交易笔数；将m个用户对应的m*n个调节参数，分别与m*n个元素相乘，得到第二交互矩阵；基于第二交互矩阵，确定第二交易数据，第二交易数据包括调整后的m个用户与n个商户之间的交易笔数。
[0111]
在本技术的一些实施例中，计算模块包括：划分子模块，用于基于m个用户的人口信息属性，将m个用户划分为多个客群；计算子模块，用于基于第一交易数据，计算每个商户与每个客群之间的总交易笔数；计算子模块，还用于基于每个用户的所属客群，以及每个商户与每个客群之间的总交易笔数，计算每个用户与每个商户之间的客群匹配度。
[0112]
在本技术的一些实施例中，计算子模块具体用于：根据m个用户的消费偏好属性和n个商户的商户基础属性，计算每个用户与每个商户之间的偏好匹配度。
[0113]
在本技术的一些实施例中，第一属性数据还包括地域属性，该装置还包括：构建模块，用于基于每个用户对应的地域属性、人口信息属性和消费偏好属性，构建每个用户的用户特征；构建模块，用于基于每个商户对应的地域属性、客群人口信息属性和商户基础属性，构建每个商户的商户特征；推荐模块具体用于：向预设商户推荐模型输入交互特征、用户特征和商户特征，输出推荐结果。
[0114]
本技术第三方面还提供了一种电子设备。图6为本技术第三方面提供的电子设备的一实施例的结构示意图。如图6所示，电子设备600包括存储器601、处理器602及存储在存储器601上并可在处理器602上运行的计算机程序。
[0115]
在一个示例中，上述处理器602可以包括中央处理器(cpu)，或者特定集成电路(application specific integrated circuit，asic)，或者可以被配置成实施本技术实施例的一个或多个集成电路。
[0116]
存储器601可包括只读存储器(read-only memory，rom)，随机存取存储器(random access memory，ram)，磁盘存储介质设备，光存储介质设备，闪存设备，电气、光学或其他物理/有形的存储器存储设备。因此，通常，存储器包括一个或多个编码有包括计算机可执行指令的软件的有形(非暂态)计算机可读存储介质(例如，存储器设备)，并且当该软件被执行(例如，由一个或多个处理器)时，其可操作来执行参考根据本技术第一方面的实施例中商户推荐方法所描述的操作。
[0117]
处理器602通过读取存储器601中存储的可执行程序代码来运行与可执行程序代码对应的计算机程序，以用于实现上述第一方面的实施例中的商户推荐方法。
[0118]
在一些示例中，电子设备600还可包括通信接口603和总线604。其中，如图6所示，存储器601、处理器602、通信接口603通过总线604连接并完成相互间的通信。
[0119]
通信接口603，主要用于实现本技术实施例中各模块、装置、单元和/或设备之间的通信。也可通过通信接口603接入输入设备和/或输出设备。
[0120]
总线604包括硬件、软件或两者，将电子设备600的部件彼此耦接在一起。举例来说而非限制，总线604可包括加速图形端口(accelerated graphics port，agp)或其他图形总线、增强工业标准架构(enhanced industry standard architecture，eisa)总线、前端总
线(front side bus，fsb)、超传输(hyper transport，ht)互连、工业标准架构(industry standard architecture，isa)总线、无限带宽互连、低引脚数(low pin count，lpc)总线、存储器总线、微信道架构(micro channel architecture，mca)总线、外围组件互连(peripheral component interconnect，pci)总线、pci-express(pci-e)总线、串行高级技术附件(serial advanced technology attachment，sata)总线、视频电子标准协会局部(video electronics standards association local bus，vlb)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下，总线604可包括一个或多个总线。尽管本技术实施例描述和示出了特定的总线，但本技术考虑任何合适的总线或互连。
[0121]
本技术第四方面提供一种计算机可读存储介质，该计算机可读存储介质上存储有程序或指令，该程序或指令被处理器执行时可实现上述第一方面所示的商户推荐方法，且能达到相同的技术效果，为避免重复，这里不再赘述。其中，上述计算机可读存储介质可包括非暂态计算机可读存储介质，如只读存储器(read-only memory，简称rom)、随机存取存储器(random access memory，简称ram)、磁碟或者光盘等，在此并不限定。
[0122]
本技术第五方面提供一种计算机程序产品，该计算机程序产品被存储在非易失的存储介质中，计算机程序产品被至少一个处理器执行时实现如第一方面所示的商户推荐方法的步骤，商户推荐方法的具体内容可参见上述实施例中的相关说明，在此不再赘述。
[0123]
本技术第六方面提供一种芯片，芯片包括处理器和通信接口，通信接口和处理器耦合，处理器用于运行程序或指令，实现如第一方面所示的商户推荐方法的实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
[0124]
应理解，本技术实施例提到的芯片还可以称为系统级芯片、系统芯片、芯片系统或片上系统芯片等。
[0125]
需要明确的是，本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同或相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。对于装置实施例、用户终端实施例、设备实施例、系统实施例和计算机可读存储介质实施例而言，相关之处可以参见方法实施例的说明部分。本技术并不局限于上文所描述并在图中示出的特定步骤和结构。本领域的技术人员可以在领会本技术的精神之后，作出各种改变、修改和添加，或者改变步骤之间的顺序。并且，为了简明起见，这里省略对已知方法技术的详细描述。
[0126]
上面参考根据本技术的实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本技术的各方面。应当理解，流程图和/或框图中的每个方框以及流程图和/或框图中各方框的组合可以由计算机程序指令实现。这些计算机程序指令可被提供给通用计算机、专用计算机、或其它可编程数据处理装置的处理器，以产生一种机器，使得经由计算机或其它可编程数据处理装置的处理器执行的这些指令使能对流程图和/或框图的一个或多个方框中指定的功能/动作的实现。这种处理器可以是但不限于是通用处理器、专用处理器、特殊应用处理器或者现场可编程逻辑电路。还可理解，框图和/或流程图中的每个方框以及框图和/或流程图中的方框的组合，也可以由执行指定的功能或动作的专用硬件来实现，或可由专用硬件和计算机指令的组合来实现。
[0127]
本领域技术人员应能理解，上述实施例均是示例性而非限制性的。在不同实施例中出现的不同技术特征可以进行组合，以取得有益效果。本领域技术人员在研究附图、说明
书及权利要求书的基础上，应能理解并实现所揭示的实施例的其他变化的实施例。在权利要求书中，术语“包括”并不排除其他装置或步骤；数量词“一个”不排除多个；术语“第一”、“第二”用于标示名称而非用于表示任何特定的顺序。权利要求中的任何附图标记均不应被理解为对保护范围的限制。权利要求中出现的多个部分的功能可以由一个单独的硬件或软件模块来实现。某些技术特征出现在不同的从属权利要求中并不意味着不能将这些技术特征进行组合以取得有益效果。