CN111861139A - 商户推荐方法、装置及计算机设备 - Google Patents
商户推荐方法、装置及计算机设备 Download PDFInfo
- Publication number
- CN111861139A CN111861139A CN202010598552.2A CN202010598552A CN111861139A CN 111861139 A CN111861139 A CN 111861139A CN 202010598552 A CN202010598552 A CN 202010598552A CN 111861139 A CN111861139 A CN 111861139A
- Authority
- CN
- China
- Prior art keywords
- merchant
- recommendation
- score
- recommended
- value score
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000012216 screening Methods 0.000 claims abstract description 53
- 238000005516 engineering process Methods 0.000 claims abstract description 5
- 238000004422 calculation algorithm Methods 0.000 claims description 25
- 238000004364 calculation method Methods 0.000 claims description 18
- 238000011156 evaluation Methods 0.000 claims description 15
- 238000012552 review Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 3
- 238000007726 management method Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 4
- 230000006978 adaptation Effects 0.000 description 3
- 230000009193 crawling Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 235000019633 pungent taste Nutrition 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000012550 audit Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000013475 authorization Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000012954 risk control Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Educational Administration (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请公开了一种商户推荐方法、装置及计算机设备,涉及区块链技术,可以解决目前推荐***均仅局限服务于每个C端用户,且无法进行全面性筛选及针对性推荐,使生成的推荐结果不够精准的问题。其中方法包括:接收商户推荐请求,所述商户推荐请求中携带有商户筛选条件;根据预设指标计算各个商户的推荐价值评分;将所述推荐价值评分大于预设评分阈值,且符合所述商户筛选条件的商户确定为目标推荐商户;基于所述目标推荐商户的推荐价值评分生成商户推荐列表,输出所述商户推荐列表。本申请适用于确定出推荐价值评分较高且符合商户筛选条件的目标推荐用户,并根据目标推荐用户自动生成推荐。
Description
技术领域
本申请涉及区块链技术,尤其涉及到一种商户推荐方法、装置及计算机设备。
背景技术
随着互联网的飞速发展,逐步进入信息***时代,互联网平台提供的服务越来越多。例如,针对不同的用户,兴趣爱好不尽相同,当个人对自己的需求不是很明确时,各平台就面临如何推荐用户感兴趣的商家的问题,推荐***应运而生。
目前的推荐***应用广泛,比如电商网站、音乐、生活服务类平台,但这些推荐***均仅仅局限服务于每个C端用户,且无法进行全面性筛选及针对性推荐,使生成的推荐结果不够精准。
发明内容
有鉴于此,本申请提供了一种商户推荐方法、装置及计算机设备,主要目的在于解决目前推荐***均仅仅局限服务于每个C端用户,且无法进行全面性筛选及针对性推荐,使生成的推荐结果不够精准的问题。
根据本申请的一个方面,提供了一种商户推荐方法,该方法包括:
接收商户推荐请求,所述商户推荐请求中携带有商户筛选条件;
根据预设指标计算各个商户的推荐价值评分;
将所述推荐价值评分大于预设评分阈值,且符合所述商户筛选条件的商户确定为目标推荐商户;
基于所述目标推荐商户的推荐价值评分生成商户推荐列表,输出所述商户推荐列表。
根据本申请的另一个方面,提供了一种商户推荐装置,该装置包括:
接收模块,用于接收商户推荐请求,所述商户推荐请求中携带有商户筛选条件;
计算模块,用于根据预设指标计算各个商户的推荐价值评分;
确定模块,用于将所述推荐价值评分大于预设评分阈值,且符合所述商户筛选条件的商户确定为目标推荐商户;
输出模块,用于基于所述目标推荐商户的推荐价值评分生成商户推荐列表,输出所述商户推荐列表。
根据本申请的又一个方面,提供了一种非易失性可读存储介质,其上存储有计算机程序,所述程序被处理器执行时实现上述商户推荐确定方法。
根据本申请的再一个方面,提供了一种计算机设备,包括非易失性可读存储介质、处理器及存储在非易失性可读存储介质上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述商户推荐方法。
借由上述技术方案,本申请提供的一种商户推荐方法、装置及计算机设备,与目前生成商户推荐的方式相比,本申请可通过计算各个商户的推荐价值评分,将推荐价值评分大于预设阈值且符合商户筛选条件的商户确定为目标推荐商户,进一步将目标推荐商户确定为与商户推荐请求匹配的推荐商户,按照推荐价值评分的高低顺序输出目标推荐商户,以供用户针对性的进行选取。本申请可综合考虑商户本身属性和所处位置属性,从多个方面充分计算各商户的推荐指数,可保证商户推荐的精准度。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本地申请的不当限定。在附图中:
图1示出了本申请实施例提供的一种商户推荐方法的流程示意图;
图2示出了本申请实施例提供的另一种商户推荐方法的流程示意图;
图3示出了本申请实施例提供的一种商户推荐装置的结构示意图;
图4示出了本申请实施例提供的另一种商户推荐装置的结构示意图。
具体实施方式
下文将参考附图并结合实施例来详细说明本申请。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互结合。
针对目前推荐***均仅仅局限服务于每个C端用户,且无法进行全面性筛选及针对性推荐,使生成的推荐结果不够精准的问题,本申请实施例提供了一种商户推荐方法,如图1所示,该方法包括:
101、接收商户推荐请求,商户推荐请求中携带有商户筛选条件。
对于本实施例的执行主体可为商户推荐***,用于接收商户推荐请求,并且根据商户推荐请求中携带的商户筛选条件筛选出推荐指数较高的目标推荐用户,并将目标推荐用户反馈至请求发送端。需要注意的是,在本申请中,请求发送端不仅仅局限于各个C端用户,也可为各个企业的终端***,个人及企业均可向商户推荐***发送对应的商户推荐请求,以便查找出符合个人个性化需求或满足企业金融合作商筛选需求的目标商户。
需要强调的是,为进一步保证上述商户推荐请求的私密和安全性,在接收到商户推荐请求后,可利用区块链底层平台对商户推荐请求进行有效性验证,并执行关系维护、风险防控以及数据加密存储等操作。
其中,区块链底层平台可以包括用户管理、基础服务、智能合约以及运营监控等处理模块。其中,用户管理模块负责所有区块链参与者的身份信息管理,包括维护公私钥生成(账户管理)、密钥管理以及用户真实身份和区块链地址对应关系维护(权限管理)等,并且在授权的情况下,监管和审计某些真实身份的交易情况,提供风险控制的规则配置(风控审计);基础服务模块部署在所有区块链节点设备上,用来验证业务请求的有效性,并对有效请求完成共识后记录到存储上,对于一个新的业务请求,基础服务先对接口适配解析和鉴权处理(接口适配),然后通过共识算法将业务信息加密(共识管理),在加密之后完整一致的传输至共享账本上(网络通信),并进行记录存储;智能合约模块负责合约的注册发行以及合约触发和合约执行,开发人员可以通过某种编程语言定义合约逻辑,发布到区块链上(合约注册),根据合约条款的逻辑,调用密钥或者其它的事件触发执行,完成合约逻辑,同时还提供对合约升级注销的功能;运营监控模块主要负责产品发布过程中的部署、配置的修改、合约设置、云适配以及产品运行中的实时状态的可视化输出,例如:告警、监控网络情况、监控节点设备健康状态等。
102、根据预设指标计算各个商户的推荐价值评分。
对于本实施例,在具体的应用场景中,可利用多个预设指标维度创建商户信息,其中,预设指标可为:人流量信息、商户评价信息以及区域热门程度信息等,本申请可基于多个预设指标,综合考虑商户本身属性和所处位置属性,充分计算各商户的推荐系数,以便筛选出对应的目标推荐商户。
103、将推荐价值评分大于预设评分阈值,且符合商户筛选条件的商户确定为目标推荐商户。
其中,预设评分阈值可根据具体的应用场景以及筛选需求进行设定,在此不作限定。对于本实施例,在计算出各个商户的推荐价值评分后,可将推荐价值评分大于预设评分阈值,且符合商户筛选条件的商户确定为目标推荐商户,以供请求发送端进行选取。
104、基于目标推荐商户的推荐价值评分生成商户推荐列表,输出商户推荐列表。
对于本实施例,在具体的应用场景中,由于确定出的目标推荐商户往往具有多个,为了对目标推荐用户进行直观显示,且方便请求发送端参考推荐价值评分选取所需商户,故可将筛选出的目标推荐商户按照推荐价值评分大小生成推荐列表,进而输出目标推荐商户对应的推荐列表。
通过本实施例中的商户推荐方法,可通过计算各个商户的推荐价值评分,将推荐价值评分大于预设阈值且符合商户筛选条件的商户确定为目标推荐商户,进一步将目标推荐商户确定为与商户推荐请求匹配的推荐商户,以供用户针对性的进行选取。本申请可综合考虑商户本身属性和所处位置属性,从多个方面充分计算各商户的推荐指数,可保证商户推荐的精准度。
进一步的,作为上述实施例具体实施方式的细化和扩展,为了完整说明本实施例中的具体实施过程,提供了另一种商户推荐方法,如图2所示,该方法包括:
201、接收商户推荐请求,商户推荐请求中携带有商户筛选条件。
其中,商户筛选条件为用于筛选出目标推荐商户的关键,不同的请求发送端可对应不同的商户筛选条件,例如当请求发送端为个人终端时,此时用户可能用于筛选就餐餐厅、入住酒店、游玩景点等,此时对应的商户筛选条件可包括待筛选区域及所需筛选的目标商户类型;当请求发送端为企业终端时,此时企业可能用于筛选合作商,如银行针对金融产品寻找可以合作的商户等,此时对应的商户筛选条件可包括待筛选区域、目标商户档次及目标商户经营规模等。
202、依据轨迹时空聚类算法计算第一指标下各个商户的第一推荐价值评分。
其中,当第一指标为人流量信息时,实施例步骤202具体可以包括:按照预设网格尺寸将地图划分为各个待检测区域;利用轨迹时空聚类算法统计待检测区域中各个商户在同一预设时间段内的停留人数;将停留人数确定为各个商户的第一推荐价值评分。
对于本实施例,由于商户数量较多,为了更好地统计,可将全国范围内的地图按照预设网格尺寸划分为各个待检测区域,通过对各个待检测区域的检测识别,整合计算出所有商户的推荐价值评分。其中,预设网格尺寸可结合具体的应用场景进行预先设定,例如可设定100m*100m为一个网格单元,则可将地图划分为各个独立的100*100的待检测区域,以便分别对各个待检测区域进行商户分析。
相应的,为了利用轨迹时空聚类算法统计待检测区域中各个商户在同一预设时间段内的停留人数,具体可包括:基于预设聚类算法确定各个用户在预设时间段内的密度聚类结果;利用密度聚类结果统计预设时间段内各个商户对应商户区域内的停留人数。
其中,聚类是一种涉及数据点分组的无监督机器学习技术,给定一个数据点集,可利用聚类算法将每个数据点分类到某个特定的组中。用户的轨迹是一系列点的集合,每个点包含的信息有:时间和经纬度,表征某个用户在某一时间访问过某一地点。通过聚类算法,可以将这些地点分类到几个特定的组别中,每个组代表该用户的活动区域。对轨迹点进行聚类的主要目的是为了识别每个用户的停留区域,排除用户短暂停留的地点,也就是说密度大的区域是希望得到的结果而密度小的区域是希望排除的结果,因此密度聚类最适合用于轨迹聚类中。在本实施例中,预设聚类算法可采用DBSCAN密度聚类算法,基于密度的方法的特点是不依赖于距离,而是依赖于密度,从而克服基于距离的算法只能发现“球形”聚簇的缺点。其核心思想在于只要一个区域中点的密度大于某个阈值,就把它加到与之相近的聚类中。
相应的,在采用DBSCAN密度聚类算法确定出各个用户在预设时间段内的密度聚类结果后,可进一步利用密度聚类结果确定用户的停留区域。即将一个人的轨迹划分为两种情况,一种是密集的区域(可能有多个),一种是分散的地点,密集的区域是该用户经常访问的地点,比如商场、工作单位等,分散的点是用户短时间停留的地点,不计入停留区域统计中。停留区域的预测可以反映每个商户周围的人流量信息,若商户周围的停留用户较多,则表示这个商户更有可能被访问。本申请可定义每个商户时空聚类部分的打分为该商户100米范围之内的停留人数,故可将商户对应商户区域设定为100米范围,相应的,第一推荐价值评分的计算公式可为:
Score1(poi)=count(staypoint|dis(staypoint-poi)≤100m)。
203、基于网络爬虫数据计算第二指标下各个商户的第二推荐价值评分。
对于本实施例,在具体的应用场景中,当第二指标为商户评价信息时,实施例步骤203具体可以包括:基于网络爬虫技术获取得到各个商户的商户评价信息,商户评价信息包括商户星级分、商户匹配得分和商户评论分;利用参数寻优算法确定商户星级分、商户匹配得分和商户评论分各自对应的权重,以使商户评价信息与第二推荐价值评分的相关系数大于预设阈值;计算商户星级分、商户匹配得分和商户评论分的加权和,并将加权和确定为第二推荐价值评分。
对于本实施例,在具体的应用场景中,第二推荐价值评分的计算公式可设定为:Score2(poi)=a*(level(poi)+b*(score(poi)+c*review(poi),其中,a、b、c分别为商户星级分、商户匹配得分和商户评论分的权重,是三个待寻优的参数。本申请的参数寻优方案采用相关系数指标,给定三个参数的寻优空间,不断迭代直至商户星级分level(poi)、商户匹配得分score(poi)和商户评论分review(poi)与Score2(poi)的相关系数均大于0.6,在具体的应用场景中,即将本实施例中的预设阈值设定为0.6,最终得到a=3,b=1,c=1。对应第二推荐价值评分的计算公式为:Score2(poi)=3*(level(poi)+(score(poi)+review(poi)。level(poi)为爬取得到的0-5星的得分,score(poi)为0-10的分数,review(poi)为评论数和评价类型的综合打分,即review(poi)=f(review_count)*g(review_type),其中,f(review_count)为评论数,g(review_type)为评论类型占比,评论数可以反映一个商户的热门程度,评论数量越多的商户人流量越大。评论类型可以反映一个商户的服务质量,好评占比(goodper)越大的商户更容易吸引顾客,而差评占比(badper)较大的商户则难以吸引客户。
在具体的应用场景中,不同评论数以及不同评论类型占比所对应的分值可根据实际需求进行个性化定义,例如可设定为:
204、通过计算位置熵确定第三指标下各个商户的第三推荐价值评分。
对于本实施例,在具体的应用场景中,当第三指标为区域热门度时,实施例步骤204具体可以包括:通过第一计算公式计算各个商户的位置熵;将位置熵确定为第三推荐价值评分。
其中,第一计算公式为:
其中,Hl为商户l的位置熵,pl(u)为用户u去过商户l的概率,|{<u,t,l′>∈Cu|l′=l}|为用户u去过商户l的次数,|Uu′∈U{<u′,t′,l′>∈Cu′|l′=l}|为所有用户去过商户l的次数。
相应的,位置熵反映了某个区域的热门程度,位置熵越大表示该位置越热门,故第三推荐价值评分的计算公式可设定为:Score3(poi)=Hl。
205、将第一推荐价值评分、第二推荐价值评分和第三推荐价值评分的累加和确定为对应商户的推荐价值评分。
对于本实施例,在具体的应用场景中,当计算得到各个商户对应的第一推荐价值评分、第二推荐价值评分和第三推荐价值评分后,可进一步计算得到商户的最终推荐价值评分,即Score(poi)=Score1(poi)+Score2(poi)+Score3(poi)。
206、将推荐价值评分大于预设评分阈值,且符合商户筛选条件的商户确定为目标推荐商户。
对于本实施例,在具体的应用场景中,当商户筛选条件包括待筛选区域及所需筛选的目标商户类型时,实施例步骤206具体可以包括:筛选出推荐价值评分大于预设评分阈值的第一商户;将待筛选区域内与目标商户类型匹配的第一商户确定为目标推荐商户。
相应的,通过实施例步骤202-205,可计算得到各个商户最终的推荐价值评分,之后可基于商户筛选条件,在推荐价值评分较高的商户中进行目标推荐商户的筛选,此时可根据不同应用场景对应的不同商户筛选条件获取得到不同的推荐结果。例如当发送商户推荐请求的为个人终端设备时,商户筛选条件可包括待筛选区域及所需筛选的目标商户类型,如待筛选区域为上海虹桥站1km范围之内,目标商户类型为咖啡厅,则可在最终推荐价值评分大于预设评分阈值的第一商户中进一步进行筛选,将所有位置处于上海虹桥站1km范围之内,且商户类型为咖啡厅的第一商户确定为目标推荐商户。
作为本实施例的又一应用场景,当针对银行金融产品筛选目标商户时,由于商户的档次、用户的消费水平以及金融产品的需求者均不一样,因此先需将金融产品、商户和用户一一对应,形成不同的消费组别。具体可设定商户筛选条件为人均消费价格区间及商户经营规模,即将人均消费、经营规模与金融产品对应,选取人均消费价格区间及商户经营规模与金融产品价值属性匹配的商户作为目标推荐商户。比如大额贷款的用户消费水平较大,因此需要筛选出的目标推荐商户为档次较高的商户;小额贷款的消费水平一般,因此需要筛选出的目标推荐商户为一般档次的商户。
207、基于目标推荐商户的推荐价值评分生成商户推荐列表,输出商户推荐列表。
对于本实施例,在具体的应用场景中,在筛选目标推荐商户时,可截取全国推荐列表中排名前五的待筛选商户,每个商户标记对应的推荐指数,其中推荐指数即对应计算出的推荐价值评分,以便请求发送端可根据自身需求进行目标商户的筛选。
借由上述商户推荐方法,可从三个维度计算出各个商户的推荐价值评分,即通过轨迹时空聚类算法计算人流量信息对应的第一推荐价值评分、基于爬取得到的点评数据计算商户评价信息对应的第二推荐价值评分,以及通过计算位置熵得到区域热门程度对应的第三推荐价值评分,进一步利用三个推荐价值评分整合得到各个商户的推荐价值评分。将推荐价值评分大于预设评分阈值,且符合商户筛选条件的商户确定为目标推荐商户,并生成推荐。在本申请中,基于三个指标综合考虑商户本身属性和所处位置属性,可全面确定出各商户的推荐指数。根据商户筛选条件进一步针对性的确定出目标推荐商户,且按照推荐价值评分输出目标商户推荐列表,可在保证商户推荐精准度的同时,还能方便用户的选取,简化商户筛选操作,使筛选出的商户更能满足用户的个性化需求。
进一步的,作为图1和图2所示方法的具体实现,本申请实施例提供了一种商户推荐装置,如图3所示,该装置包括:接收模块31、计算模块32、确定模块33、输出模块34;
接收模块31,用于接收商户推荐请求,商户推荐请求中携带有商户筛选条件;
计算模块32,用于根据预设指标计算各个商户的推荐价值评分;
确定模块33,用于将推荐价值评分大于预设评分阈值,且符合商户筛选条件的商户确定为目标推荐商户;
输出模块34,用于基于目标推荐商户的推荐价值评分生成商户推荐列表,输出商户推荐列表。
在具体的应用场景中,预设指标至少包括第一指标、第二指标、第三指标,为了计算得到各个商户的推荐价值评分,如图4所示,计算模块32,具体可包括:第一计算单元321、第二计算单元322、第三计算单元323、确定单元324;
第一计算单元321,具体可用于依据轨迹时空聚类算法计算第一指标下各个商户的第一价值推荐评分推荐价值评分;
第二计算单元322,具体可用于基于网络爬虫数据计算第二指标下各个商户的第二价值推荐评分推荐价值评分;
第三计算单元323,具体可用于通过计算位置熵确定第三指标下各个商户的第三价值推荐评分推荐价值评分;
确定单元324,具体可用于将第一价值推荐评分推荐价值评分、第二价值推荐评分推荐价值评分和第三价值推荐评分推荐价值评分的累加和确定为对应商户的推荐价值评分。
相应的,当第一指标为人流量信息时,为了计算第一指标下各个商户的第一推荐价值评分,第一计算单元321,具体可用于按照预设网格尺寸将地图划分为各个待检测区域;利用轨迹时空聚类算法统计待检测区域中各个商户在同一预设时间段内的停留人数;将停留人数确定为各个商户的第一推荐价值评分。
在具体的应用场景中,为了利用轨迹时空聚类算法统计出待检测区域中各个商户在同一预设时间段内的停留人数,第一计算单元321,具体可用于基于预设聚类算法确定各个用户在预设时间段内的密度聚类结果;利用密度聚类结果统计预设时间段内各个商户对应商户区域内的停留人数。
相应的,当第二指标为商户评价信息时,为了计算出第二指标下各个商户的第二推荐价值评分,第二计算单元322,具体可用于基于网络爬虫技术获取得到各个商户的商户评价信息,商户评价信息包括商户星级分、商户匹配得分和商户评论分;利用参数寻优算法确定商户星级分、商户匹配得分和商户评论分各自对应的权重,以使商户评价信息与第二推荐价值评分的相关系数大于预设阈值;计算商户星级分、商户匹配得分和商户评论分的加权和,并将加权和确定为第二推荐价值评分。
在具体的应用场景中,当第三指标为区域热门度时,为了计算出第三指标下各个商户的第三推荐价值评分,第三计算单元323,具体可用于通过第一计算公式计算各个商户的位置熵;将位置熵确定为第三推荐价值评分;第一计算公式为:
其中,Hl为商户l的位置熵,pl(u)为用户u去过商户l的概率,|{<u,t,l′>∈Cu|l′=l}|为用户u去过商户l的次数,|Uu′∈U{<u′,t′,l′>∈Cu′|l′=l}|为所有用户去过商户l的次数。
相应的,为了在商户筛选条件对应为待筛选区域及所需筛选的目标商户类型时,确定出目标推荐商户,如图4所示,确定模块33,具体可包括:筛选单元331、确定单元332;
筛选单元331,具体可用于筛选出推荐价值评分大于预设评分阈值的第一商户;
确定单元332,具体可用于将待筛选区域内与目标商户类型匹配的第一商户确定为目标推荐商户。
需要说明的是,本实施例提供的一种商户推荐装置所涉及各功能单元的其他相应描述,可以参考图1至图2的对应描述,在此不再赘述。
基于上述如图1至图2所示方法,相应的,本实施例还提供了一种非易失性存储介质,其上存储有计算机可读指令,该可读指令被处理器执行时实现上述如图1至图2所示的商户推荐方法。
基于这样的理解,本申请的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施场景所述的方法。
基于上述如图1至图2所示的方法和图3、图4所示的虚拟装置实施例,为了实现上述目的,本实施例还提供了一种计算机设备,该计算机设备包括存储介质和处理器;非易失性存储介质,用于存储计算机程序;处理器,用于执行计算机程序以实现上述如图1至图2所示的商户推荐方法。
可选的,该计算机设备还可以包括用户接口、网络接口、摄像头、射频(RadioFrequency,RF)电路,传感器、音频电路、WI-FI模块等等。用户接口可以包括显示屏(Display)、输入单元比如键盘(Keyboard)等,可选用户接口还可以包括USB接口、读卡器接口等。网络接口可选的可以包括标准的有线接口、无线接口(如WI-FI接口)等。
本领域技术人员可以理解,本实施例提供的一种计算机设备结构并不构成对该实体设备的限定,可以包括更多或更少的部件,或者组合某些部件,或者不同的部件布置。
非易失性存储介质中还可以包括操作***、网络通信模块。操作***是管理上述计算机设备硬件和软件资源的程序,支持信息处理程序以及其它软件和/或程序的运行。网络通信模块用于实现非易失性存储介质内部各组件之间的通信,以及与信息处理实体设备中其它硬件和软件之间通信。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到本申请可以借助软件加必要的通用硬件平台的方式来实现,也可以通过硬件实现。
通过应用本申请的技术方案,与目前现有技术相比,本申请可从三个维度计算出各个商户的推荐价值评分,即通过轨迹时空聚类算法计算人流量信息对应的第一推荐价值评分、基于爬取得到的点评数据计算商户评价信息对应的第二推荐价值评分,以及通过计算位置熵得到区域热门程度对应的第三推荐价值评分,进一步利用三个推荐价值评分整合得到各个商户的推荐价值评分。将推荐价值评分大于预设评分阈值,且符合商户筛选条件的商户确定为目标推荐商户,并生成推荐。在本申请中,基于三个指标综合考虑商户本身属性和所处位置属性,可全面确定出各商户的推荐指数。根据商户筛选条件进一步针对性的确定出目标推荐商户,且按照推荐价值评分输出目标商户推荐列表,可在保证商户推荐精准度的同时,还能方便用户的选取,简化商户筛选操作,使筛选出的商户更能满足用户的个性化需求。
本领域技术人员可以理解附图只是一个优选实施场景的示意图,附图中的模块或流程并不一定是实施本申请所必须的。本领域技术人员可以理解实施场景中的装置中的模块可以按照实施场景描述进行分布于实施场景的装置中,也可以进行相应变化位于不同于本实施场景的一个或多个装置中。上述实施场景的模块可以合并为一个模块,也可以进一步拆分成多个子模块。
上述本申请序号仅仅为了描述,不代表实施场景的优劣。以上公开的仅为本申请的几个具体实施场景,但是,本申请并非局限于此,任何本领域的技术人员能思之的变化都应落入本申请的保护范围。
Claims (10)
1.一种商户推荐方法,其特征在于,包括:
接收商户推荐请求,所述商户推荐请求中携带有商户筛选条件;
根据预设指标计算各个商户的推荐价值评分;
将所述推荐价值评分大于预设评分阈值,且符合所述商户筛选条件的商户确定为目标推荐商户;
基于所述目标推荐商户的推荐价值评分生成商户推荐列表,输出所述商户推荐列表。
2.根据权利要求1所述的方法,其特征在于,所述预设指标至少包括第一指标、第二指标、第三指标,所述根据预设指标计算各个商户的推荐价值评分,包括:
依据轨迹时空聚类算法计算第一指标下各个商户的第一推荐价值评分;
基于网络爬虫数据计算第二指标下各个商户的第二推荐价值评分;
通过计算位置熵确定第三指标下各个商户的第三推荐价值评分;
将所述第一推荐价值评分、所述第二推荐价值评分和所述第三推荐价值评分的累加和确定为对应商户的推荐价值评分。
3.根据权利要求2所述的方法,其特征在于,所述第一指标为人流量信息,所述依据轨迹时空聚类算法计算第一指标下各个商户的第一推荐价值评分,包括:
按照预设网格尺寸将地图划分为各个待检测区域;
利用轨迹时空聚类算法统计所述待检测区域中各个商户在同一预设时间段内的停留人数;
将所述停留人数确定为所述各个商户的第一推荐价值评分。
4.根据权利要求3所述的方法,其特征在于,所述利用轨迹时空聚类算法统计所述待检测区域中各个商户在同一预设时间段内的停留人数,包括:
基于预设聚类算法确定各个用户在预设时间段内的密度聚类结果;
利用所述密度聚类结果统计所述预设时间段内所述各个商户对应商户区域内的停留人数。
5.根据权利要求2所述的方法,其特征在于,所述第二指标为商户评价信息,所述基于网络爬虫数据计算第二指标下各个商户的第二推荐价值评分,包括:
基于网络爬虫技术获取得到各个商户的商户评价信息,所述商户评价信息包括商户星级分、商户匹配得分和商户评论分;
利用参数寻优算法确定所述商户星级分、所述商户匹配得分和所述商户评论分各自对应的权重,以使所述商户评价信息与第二推荐价值评分的相关系数大于预设阈值;
计算所述商户星级分、所述商户匹配得分和所述商户评论分的加权和,并将所述加权和确定为所述第二推荐价值评分。
7.根据权利要求2所述的方法,其特征在于,所述商户筛选条件包括待筛选区域及所需筛选的目标商户类型,所述将所述推荐价值评分大于预设评分阈值,且符合所述商户筛选条件的商户确定为目标推荐商户,包括:
筛选出所述推荐价值评分大于预设评分阈值的第一商户;
将所述待筛选区域内与所述目标商户类型匹配的第一商户确定为目标推荐商户。
8.一种商户推荐装置,其特征在于,包括:
接收模块,用于接收商户推荐请求,所述商户推荐请求中携带有商户筛选条件;
计算模块,用于根据预设指标计算各个商户的推荐价值评分;
确定模块,用于将所述推荐价值评分大于预设评分阈值,且符合所述商户筛选条件的商户确定为目标推荐商户;
输出模块,用于基于所述目标推荐商户的推荐价值评分生成商户推荐列表,输出所述商户推荐列表。
9.一种非易失性可读存储介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现权利要求1至7中任一项所述的商户推荐方法。
10.一种计算机设备,包括非易失性可读存储介质、处理器及存储在非易失性可读存储介质上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现权利要求1至7中任一项所述的商户推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010598552.2A CN111861139A (zh) | 2020-06-28 | 2020-06-28 | 商户推荐方法、装置及计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010598552.2A CN111861139A (zh) | 2020-06-28 | 2020-06-28 | 商户推荐方法、装置及计算机设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111861139A true CN111861139A (zh) | 2020-10-30 |
Family
ID=72988566
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010598552.2A Pending CN111861139A (zh) | 2020-06-28 | 2020-06-28 | 商户推荐方法、装置及计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111861139A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113360790A (zh) * | 2021-06-08 | 2021-09-07 | 口碑(上海)信息技术有限公司 | 信息推荐方法、装置及电子设备 |
CN113477548A (zh) * | 2021-07-26 | 2021-10-08 | 北京沃东天骏信息技术有限公司 | 一种物品筛选装置和方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080243815A1 (en) * | 2007-03-30 | 2008-10-02 | Chan James D | Cluster-based assessment of user interests |
KR20120037597A (ko) * | 2010-10-12 | 2012-04-20 | 에스케이플래닛 주식회사 | 위치기반 가맹점 추천 시스템 및 방법 |
CN105677831A (zh) * | 2016-01-04 | 2016-06-15 | 拉扎斯网络科技(上海)有限公司 | 一种确定推荐商户的方法及装置 |
CN107368483A (zh) * | 2016-05-11 | 2017-11-21 | 阿里巴巴集团控股有限公司 | 信息推荐方法、装置及服务器 |
CN108985898A (zh) * | 2018-07-12 | 2018-12-11 | 广东工业大学 | 一种场所评分方法、装置和计算机可读存储介质 |
CN109471984A (zh) * | 2018-10-17 | 2019-03-15 | 浙江口碑网络技术有限公司 | 店铺推荐方法及装置 |
CN109697657A (zh) * | 2018-12-27 | 2019-04-30 | 厦门快商通信息技术有限公司 | 一种餐饮推荐方法、服务器及存储介质 |
CN110020186A (zh) * | 2018-05-08 | 2019-07-16 | 美味不用等(上海)信息科技股份有限公司 | 一种餐厅推荐方法及*** |
CN110942344A (zh) * | 2019-11-22 | 2020-03-31 | 汉海信息技术(上海)有限公司 | 美食推荐榜单的生成方法、装置、设备及存储介质 |
-
2020
- 2020-06-28 CN CN202010598552.2A patent/CN111861139A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080243815A1 (en) * | 2007-03-30 | 2008-10-02 | Chan James D | Cluster-based assessment of user interests |
KR20120037597A (ko) * | 2010-10-12 | 2012-04-20 | 에스케이플래닛 주식회사 | 위치기반 가맹점 추천 시스템 및 방법 |
CN105677831A (zh) * | 2016-01-04 | 2016-06-15 | 拉扎斯网络科技(上海)有限公司 | 一种确定推荐商户的方法及装置 |
CN107368483A (zh) * | 2016-05-11 | 2017-11-21 | 阿里巴巴集团控股有限公司 | 信息推荐方法、装置及服务器 |
CN110020186A (zh) * | 2018-05-08 | 2019-07-16 | 美味不用等(上海)信息科技股份有限公司 | 一种餐厅推荐方法及*** |
CN108985898A (zh) * | 2018-07-12 | 2018-12-11 | 广东工业大学 | 一种场所评分方法、装置和计算机可读存储介质 |
CN109471984A (zh) * | 2018-10-17 | 2019-03-15 | 浙江口碑网络技术有限公司 | 店铺推荐方法及装置 |
CN109697657A (zh) * | 2018-12-27 | 2019-04-30 | 厦门快商通信息技术有限公司 | 一种餐饮推荐方法、服务器及存储介质 |
CN110942344A (zh) * | 2019-11-22 | 2020-03-31 | 汉海信息技术(上海)有限公司 | 美食推荐榜单的生成方法、装置、设备及存储介质 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113360790A (zh) * | 2021-06-08 | 2021-09-07 | 口碑(上海)信息技术有限公司 | 信息推荐方法、装置及电子设备 |
CN113477548A (zh) * | 2021-07-26 | 2021-10-08 | 北京沃东天骏信息技术有限公司 | 一种物品筛选装置和方法 |
CN113477548B (zh) * | 2021-07-26 | 2023-09-01 | 北京沃东天骏信息技术有限公司 | 一种物品筛选装置和方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3320512B1 (en) | Mobile attribute time-series profiling analytics | |
US10455363B2 (en) | Systems and methods for using geo-blocks and geo-fences to discover lookalike mobile devices | |
Gerell | Bus stops and violence, are risky places really risky? | |
Guo et al. | The emergence of visual crowdsensing: Challenges and opportunities | |
CN105532030B (zh) | 用于分析目标实体的移动的装置、***和方法 | |
CA2561939C (en) | Method and system for forecasting events and results based on geospatial modeling | |
US8756011B2 (en) | Determining locations of interest based on user visits | |
US8792909B1 (en) | Systems and methods for statistically associating mobile devices to households | |
JP6276106B2 (ja) | 意思決定支援システムおよび意思決定支援方法 | |
US9846887B1 (en) | Discovering neighborhood clusters and uses therefor | |
US10542105B2 (en) | Geo-locating individuals based on a derived social network | |
CN106101224A (zh) | 识别用户所在地理位置的类别的方法及装置 | |
JP2020537252A (ja) | 類似のモバイル装置を予測するためのシステムと方法 | |
CN111861139A (zh) | 商户推荐方法、装置及计算机设备 | |
Hu et al. | Prioritizing disaster mapping tasks for online volunteers based on information value theory | |
Kuralarasan et al. | Location choice of snatching offenders in Chennai City | |
Zhang et al. | Measuring positive public transit accessibility using big transit data | |
Wang et al. | Influence of built environment on subway trip origin and destination: insights based on mobile positioning data | |
Clark | Co-assessment through digital technologies | |
CN112308325B (zh) | 热力图生成方法和装置 | |
KR20170054101A (ko) | 특정 공간영역 내에 위치하는 방문자들의 관계망을 분석하는 방법 및 시스템 | |
WO2021028988A1 (ja) | ユーザ位置計算装置及び方法、活動範囲推定装置及び方法、並びにコンピュータ可読媒体 | |
Ribeiro et al. | Using passive Wi-Fi for community crowd sensing during the COVID-19 pandemic | |
Voloshin et al. | Identifying venues for female commercial sex work using spatial analysis of geocoded advertisements | |
US11138615B1 (en) | Location-based place attribute prediction |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |