一种商户的分类方法及其装置和商户的推荐方法及其装置制造方法及图纸

本发明专利技术实施例涉及数据处理技术领域，公开了一种商户的分类方法及其装置和商户的推荐方法及其装置。本发明专利技术中一种商户的分类方法，包括：获取历史订单数据，根据订单数据的用户信息对订单数据进行聚类；根据聚类后的订单数据中各商户的相关度确定分类特征；根据分类特征对待分类的商户进行分类。本发明专利技术中还提供一种商户的分类装置、商户的推荐方法、推荐装置、电子设备和非易失性存储介质，可以提供更为智能的分类和推荐方式，使用户更容易获得所要的商户。

【技术实现步骤摘要】
一种商户的分类方法及其装置和商户的推荐方法及其装置
本专利技术涉及数据处理领域，特别涉及一种商户的分类方法及其装置和商户的推荐方法及其装置。
技术介绍
互联网企业均基于平台发展壮大，平台模式成为互联网时代的标志性模式。平台中商户云集，虽然集结了更多的商户和商品，但也使得用户眼花缭乱，搜寻所要的商户和商品时更为困难。现有平台中一般采用分类的方式为用户提供选择界面，但简单的分类已无法满足用户多样的要求。现有另一种分类方法，虽然采用了分层聚类(如K-means等聚类算法)，但特征从商户特征进行提取，并就提取的特征和需要聚类的种类输入特定的聚类模型，进而分层聚类。聚成几类没有明确的目标，导致聚类效果不理想，同时只用一个维度表达商户特征，信息量不够丰富。
技术实现思路
本专利技术实施方式的目的在于提供一种商户的分类方法及其装置和商户的推荐方法及其装置，可以提供更为智能的分类和推荐方式，使用户更容易获得所要的商户。为解决上述技术问题，本专利技术的实施方式提供了一种商户的分类方法，包括：获取历史订单数据，根据所述订单数据的用户信息对所述订单数据进行聚类；根据聚类后的所述订单数据中各商户的相关度确定分类特征；根据所述分类特征对待分类的商户进行分类。本专利技术的实施方式还提供了一种商户的推荐方法，包括：获取用户的历史订单数据；根据所述历史订单数据和商户分类信息确定待推荐的商户分类；将所确定的商户分类的下属商户推荐给所述用户；其中，所述商户分类信息来自上述的商户的分类方法。本专利技术的实施方式还提供了一种商户的分类装置，包括：获取模块，用于获取历史订单数据；聚类模块，用于根据所述订单数据的用户信息对所述订单数据进行聚类；确定模块，用于根据聚类后的所述订单数据中各商户的相关度确定分类特征；分类模块，用于根据所述分类特征对待分类的商户进行分类。本专利技术的实施方式还提供了一种商户的推荐装置，包括：获取模块，用于获取用户的历史订单数据；分类确定模块，用于根据所述历史订单数据和商户分类信息确定待推荐的商户分类；推荐模块，用于将所确定的商户分类的下属商户推荐给所述用户；其中，所述商户分类信息来自上述的商户的分类装置。本专利技术的实施方式还提供了一种电子设备，包括存储器和处理器，存储器存储计算机程序，处理器运行程序时执行：获取历史订单数据，根据所述订单数据的用户信息对所述订单数据进行聚类；根据聚类后的所述订单数据中各商户的相关度确定分类特征；根据所述分类特征对待分类的商户进行分类。本专利技术的实施方式还提供了一种电子设备，包括存储器和处理器，存储器存储计算机程序，处理器运行程序时执行：获取用户的历史订单数据；根据所述历史订单数据和商户分类信息确定待推荐的商户分类；将所确定的商户分类的下属商户推荐给所述用户；其中，所述商户分类信息来自上述的商户的分类方法。本专利技术的实施方式还提供了一种非易失性存储介质，用于存储计算机可读程序，所述计算机可读程序用于供计算机执行如上述的商户的分类方法。本专利技术的实施方式还提供了一种非易失性存储介质，用于存储计算机可读程序，所述计算机可读程序用于供计算机执行如上述的商户的推荐方法。本专利技术实施方式相对于现有技术而言，主要区别及其效果在于：从用户的下单数据入手，确定商户的相关性，结合考虑了用户下单本身隐含的偏好一致性，所以相对于现有从餐厅角度出发的分类方式来说，从用户下单角度为商户分类，更为准确，对数据分析也更具参考性。之后根据用户的历史下单情况和商户分类，确定出为用户推荐的商户分类，之后根据该分类对用户进行商户的推荐。由于商户分类采用了基于用户下单数据的分类，涵盖用户的偏好一致性，所以之后的推荐将更有针对性，更符合用户的需求。作为进一步改进，所述根据聚类后的所述订单数据中各商户的相关度确定分类特征，具体为：根据聚类后的所述订单数据中各商户的相关度确定训练样本；利用所述训练样本训练得到神经网络模型，所述神经网络模型的输入为至少两个商户，输出为所述至少两个商户的相似度；根据神经网络模型的中间层确定出所述分类特征。利用模型筛选出影响商户分类结果的分类特征，特征确定准确有效。作为进一步改进，所述神经网络模型为单层神经网络模型。利用单层神经网络模型，使得特征确定简单快速。作为进一步改进，所述中间层预设有宽度，所述宽度越大，确定出的所述分类特征的特征数量越多。利用宽度的调整可以便捷地调整特征数量，利于技术人员根据需要调整获得的特征数量。作为进一步改进，所述单层神经网络的中间层利用以下方式获得：最小化相关度最高的商户的距离，最大化相关度最低的商户的距离，得到所述中间层。明确中间层的获得方法。作为进一步改进，所述相关度最高的商户为由同一用户下单的商户，所述相关度最低的商户为由不同用户下单的商户。明确相关度的确定方法。作为进一步改进，所述根据所述订单数据的用户信息对所述订单数据进行聚类，包括：分别汇总所述同一类用户下单的订单数据；对汇总的订单数据进行分类。明确一种聚类方式。作为进一步改进，所述对汇总的订单数据进行分类，具体包括：将分类结果中所属同一类的订单数据记录为文档文件。建立文档文件便于后续的数据分析和调用。附图说明图1是根据本专利技术第一实施方式中的商户的分类方法的流程图；图2是根据本专利技术第二实施方式中的商户的分类方法中确定分类特征的流程图；图3是根据本专利技术第二实施方式中的商户的分类方法中聚类的示意图；图4是根据本专利技术第二实施方式中的商户的分类方法中模型训练的示意图；图5是根据本专利技术第三实施方式中的商户的推荐方法的流程图；图6是根据本专利技术第四实施方式中的商户的分类装置示意图；图7是根据本专利技术第五实施方式中的商户的推荐装置示意图；图8是根据本专利技术第六实施方式提供的电子设备结构示意图。图9是根据本专利技术第七实施方式提供的电子设备结构示意图。具体实施方式为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合附图对本专利技术的各实施方式进行详细的阐述。然而，本领域的普通技术人员可以理解，在本专利技术各实施方式中，为了使读者更好地理解本申请而提出了许多技术细节。但是，即使没有这些技术细节和基于以下各实施方式的种种变化和修改，也可以实现本申请所要求保护的技术方案。以下各个实施例的划分是为了描述方便，不应对本专利技术的具体实现方式构成任何限定，各个实施例在不矛盾的前提下可以相互结合相互引用。本专利技术的第一实施方式涉及一种商户的分类方法，其中的商户可以是餐厅、服饰店或美容店等，本实施方式主要以餐厅为主进行具体说明。其流程图如图1所示，该方法包括：步骤101，获取历史订单数据。具体的说，历史订单数据可以来自一个用户、一类用户或者是平台中某时段的所有历史订单数据。更具体的说，订单数据中可以包括用户信息、商户信息、下单时间、下单金额等信息。步骤102，对订单数据进行聚类。具体的说，本步骤中根据订单数据的用户信息对订单数据进行聚类，其中，聚类时确认两家商户是否相似，可以根据是否存在同一用户下单确定，也可以根据需要根据是否存在同一类用户下单确定。也就是说，本步骤中可以分别汇总同一类用户(或同一用户)下单的订单数据；对汇总的订单数据进行分类。进一步说，由于一个用户可能在不同的商户中下单，而同一用户的个人喜好基本不变，所以同一用户下单的商户隐藏了被相似喜好的用户下单的可能性，根据是否存在同本文档来自技高网...

【技术保护点】
1.一种商户的分类方法，其特征在于，包括：获取历史订单数据，根据所述订单数据的用户信息对所述订单数据进行聚类；根据聚类后的所述订单数据中各商户的相关度确定分类特征；根据所述分类特征对待分类的商户进行分类。

【技术特征摘要】
1.一种商户的分类方法，其特征在于，包括：获取历史订单数据，根据所述订单数据的用户信息对所述订单数据进行聚类；根据聚类后的所述订单数据中各商户的相关度确定分类特征；根据所述分类特征对待分类的商户进行分类。2.根据权利要求1所述的商户的分类方法，其特征在于，所述根据聚类后的所述订单数据中各商户的相关度确定分类特征，具体为：根据聚类后的所述订单数据中各商户的相关度确定训练样本；利用所述训练样本训练得到神经网络模型，所述神经网络模型的输入为至少两个商户，输出为所述至少两个商户的相似度；根据所述神经网络模型的中间层确定出所述分类特征。3.根据权利要求2中所述的商户的分类方法，其特征在于，所述神经网络模型为单层神经网络模型。4.一种商户的推荐方法，其特征在于，包括：获取用户的历史订单数据；根据所述历史订单数据和商户分类信息确定待推荐的商户分类；将所确定的商户分类的下属商户推荐给所述用户；其中，所述商户分类信息来自所述权利要求1至3中任一项所述的商户的分类方法。5.一种商户的分类装置，其特征在于，包括：获取模块，用于获取历史订单数据；聚类模块，用于根据所述订单数据的用户信息对所述订单数据进行聚类；确定模块，用于根据聚类后的所述订单数据中各商户的相关度确定分类特征；分类模块，用于根据所述分类特征...

【专利技术属性】
技术研发人员：徐辉，
申请(专利权)人：拉扎斯网络科技上海有限公司，
类型：发明
国别省市：上海,31