推荐方法及装置与流程

本申请涉及互联网
技术领域：
，尤其涉及一种推荐方法及装置。
背景技术：
：随着互联网技术的发展，个性化推荐服务在互联网行业得到越来越多的应用，例如在地图上查找附近的服务、在外卖应用中搜索附近的餐馆等。为了给用户推荐感兴趣的内容，例如服务或餐馆，除了使用地理位置之外，还可以收集和分析用户的浏览信息、历史订单和商品评价等行为数据，确定用户兴趣，进而基于用户兴趣做推荐。现有技术中常见的基于用户兴趣的推荐方法主要包括：基于内容的推荐方法和协同过滤推荐(collaborativefilteringrecommendation)方法。现有推荐方法或多或少都会存在一些缺陷，现有方法存在的缺陷最终会影响推荐结果，导致不能完成推荐或推荐不准确。技术实现要素：本申请发明人对现有基于内容的推荐方法以及协同过滤的推荐方法进行了分析。基于内容的推荐方法，其核心主要是采用自然语言处理、人工智能、概率统计和机器学习等技术进行内容过滤，努力发现用户的兴趣，向用户推荐与用户以前喜欢的商品相似的商品。协同过滤推荐方法，其核心主要是分析用户兴趣，在用户群中找到该用户的相似用户，综合这些相似用户对某一信息的评价，形成该用户对此信息的喜好程度，据此向用户进行推荐。上述推荐方法的性能已经很好，但依然存在无法完成推荐或推荐不准确的问题。对此，本申请发明人进一步进行了研究分析，上述推荐方法考虑了地理位置、用户兴趣、用户行为等因素，但却忽略了时间对用户行为的影响。例如，用户希望晚餐和午餐吃得不一样、今天和昨天吃得不一样、周末和平时吃得也不一样。由此可见，在这种场景下，若采用现有推荐方法向用户推荐以前喜欢或吃过的东西反而不合适，为了用户饮食的多样性，应该向用户推荐近期未吃过的东西。另外，随着时间的推移，有些吃过的东西，又会变得有新鲜感，因此也需要适时推荐之前消费过的类似商品。针对上述分析，本申请发明人提供一种推荐方法，其核心是：在推荐过程中，考虑时间因素的影响，基于符合推荐场景的时间影响特性，修正用户对商品的初始评价值，进而基于修正后的评价值进行推荐，达到推荐过程考虑时间因素的目的，从而提高推荐结果的准确性。基于上述，本申请实施例提供一种推荐方法，包括：根据待推荐用户，确定至少一个候选商户；获取所述至少一个候选商户各自对应的至少一个用户的修正评价值，所述修正评价值是按照推荐场景下的时间影响特性对初始评价值修正得到的；基于所述至少一个候选商户各自对应的至少一个用户的修正评价值，向所述待推荐用户推荐商户。在一可选实施方式中，所述获取所述至少一个候选商户各自对应的至少一个用户的修正评价值，包括：从预先构建的用户-商户修正评价矩阵中，获取所述至少一个候选商户各自对应的至少一个用户的修正评价值；其中，所述用户-商户修正评价矩阵包括系统中多个商户各自对应的至少一个用户的修正评价值，所述多个商户包含所述至少一个候选商户。在一可选实施方式中，预先构建用户-商户修正评价矩阵，包括：基于系统中存在的用户针对商品的网络行为信息，构建第一用户-商品评价矩阵；对所述第一用户-商品评价矩阵进行维度切换，以获得第一用户-商户初始评价矩阵，所述第一用户-商户初始评价矩阵包括所述多个商户各自对应的至少一个用户的商品评价值序列；根据所述推荐场景下的时间影响特性对所述第一用户-商户初始评价矩阵进行修正，以获得所述用户-商户修正评价矩阵。在一可选实施方式中，所述根据所述推荐场景下的时间影响特性对所述第一用户-商户初始评价矩阵进行修正，以获得所述用户-商户修正评价矩阵，包括：根据所述推荐场景下的时间影响特性以及所述第一用户-商户初始评价矩阵中各商品评价值序列对应的网络行为发生时间序列，计算所述第一用户-商户初始评价矩阵中各商品评价值序列对应的时间修正因子序列；将所述第一用户-商户初始评价矩阵中各商品评价值序列与各自对应的时间修正因子序列相乘，以获得所述用户-商户修正评价矩阵。在一可选实施方式中，所述推荐场景下的时间影响特性为：时间因素对推荐过程的正向影响随时间增长的特性。在一可选实施方式中，对所述第一用户-商户初始评价矩阵中商户sk对应的用户ua的商品评价值序列其对应的网络行为发生时间序列为所述根据所述推荐场景下的时间影响特性以及所述网络行为发生时间序列计算所述商品评价值序列对应的时间修正因子序列包括：根据公式计算所述商品评价值序列对应的时间修正因子序列中的时间修正因子；表示所述商品评价值序列中评价值对应的时间修正因子，1≤j≤n，j和n是自然数；tnow表示当前时间；tperiod表示所述推荐场景下的时间周期；表示评价值对应的网络行为发生时间。在一可选实施方式中，将所述商品评价值序列与其对应的时间修正因子序列相乘，以获得所述用户-商户修正评价矩阵中商户sk对应的用户ua的修正评价值，包括：根据公式计算所述商户sk对应的用户ua的修正评价值；v′ak表示所述商户sk对应的用户ua的修正评价值。在一可选实施方式中，所述获取所述至少一个候选商户各自对应的至少一个用户的修正评价值，包括：基于系统中存在的用户针对所述至少一个候选商户提供的商品的网络行为信息，构建第二用户-商品评价矩阵；对所述第二用户-商品评价矩阵进行维度切换，以获得第二用户-商户初始评价矩阵，所述第二用户-商户初始评价矩阵包括所述至少一个候选商户各自对应的至少一个用户的商品评价值序列；根据所述推荐场景下的时间影响特性对所述第二用户-商户初始评价矩阵进行修正，以获得用户-候选商户修正评价矩阵，所述用户-候选商户修正评价矩阵包括所述至少一个候选商户各自对应的至少一个用户的修正评价值。在一可选实施方式中，所述基于所述至少一个候选商户各自对应的至少一个用户的修正评价值，向所述待推荐用户推荐商户，包括：采用基于用户的协同过滤算法，基于所述至少一个候选商户各自对应的至少一个用户的修正评价值，向所述待推荐用户推荐商户；或者采用基于商户的协同过滤算法，基于所述至少一个候选商户各自对应的至少一个用户的修正评价值，向所述待推荐用户推荐商户。在一可选实施方式中，所述根据待推荐用户，确定至少一个候选商户，包括：根据所述待推荐用户的位置，从商户集合中，获取所述至少一个候选商户。相应地，本申请实施例还提供一种推荐装置，包括：确定单元，用于根据待推荐用户，确定至少一个候选商户；获取单元，用于获取所述至少一个候选商户各自对应的至少一个用户的修正评价值，所述修正评价值是按照推荐场景下的时间影响特性对初始评价值修正得到的；推荐单元，用于基于所述至少一个候选商户各自对应的至少一个用户的修正评价值，向所述待推荐用户推荐商户。在一可选实施方式中，所述获取单元具体用于：从预先构建的用户-商户修正评价矩阵中，获取所述至少一个候选商户各自对应的至少一个用户的修正评价值；其中，所述用户-商户修正评价矩阵包括系统中多个商户各自对应的至少一个用户的修正评价值，所述多个商户包含所述至少一个候选商户。在一可选实施方式中，所述装置还包括：构建单元，用于预先构建所述用户-商户修正评价矩阵；所述构建单元包括：构建子单元，用于基于系统中存在的用户针对商品的网络行为信息，构建第一用户-商品评价矩阵；维度切换子单元，用于对所述第一用户-商品评价矩阵进行维度切换，以获得第一用户-商户初始评价矩阵，所述第一用户-商户初始评价矩阵包括所述多个商户各自对应的至少一个用户的商品评价值序列；修正子单元，用于根据所述推荐场景下的时间影响特性对所述第一用户-商户初始评价矩阵进行修正，以获得所述用户-商户修正评价矩阵。在一可选实施方式中，所述修正子单元具体用于：根据所述推荐场景下的时间影响特性以及所述第一用户-商户初始评价矩阵中各商品评价值序列对应的网络行为发生时间序列，计算所述第一用户-商户初始评价矩阵中各商品评价值序列对应的时间修正因子序列；将所述第一用户-商户初始评价矩阵中各商品评价值序列与各自对应的时间修正因子序列相乘，以获得所述用户-商户修正评价矩阵。在一可选实施方式中，所述推荐场景下的时间影响特性为：时间因素对推荐过程的正向影响随时间增长的特性。在一可选实施方式中，对所述第一用户-商户初始评价矩阵中商户sk对应的用户ua的商品评价值序列其对应的网络行为发生时间序列为所述修正子单元在根据所述推荐场景下的时间影响特性以及所述网络行为发生时间序列计算所述商品评价值序列对应的时间修正因子序列时，具体用于：根据公式计算所述商品评价值序列对应的时间修正因子序列中的时间修正因子；表示所述商品评价值序列中评价值对应的时间修正因子，1≤j≤n，j和n是自然数；tnow表示当前时间；tperiod表示所述推荐场景下的时间周期；表示评价值对应的网络行为发生时间。在一可选实施方式中，所述修正子单元在将所述商品评价值序列与其对应的时间修正因子序列相乘，以获得所述用户-商户修正评价矩阵中商户sk对应的用户ua的修正评价值时，具体用于：根据公式计算所述商户sk对应的用户ua的修正评价值；v′ak表示所述商户sk对应的用户ua的修正评价值。在一可选实施方式中，所述获取单元具体用于：基于系统中存在的用户针对所述至少一个候选商户提供的商品的网络行为信息，构建第二用户-商品评价矩阵；对所述第二用户-商品评价矩阵进行维度切换，以获得第二用户-商户初始评价矩阵，所述第二用户-商户初始评价矩阵包括所述至少一个候选商户各自对应的至少一个用户的商品评价值序列；根据所述推荐场景下的时间影响特性对所述第二用户-商户初始评价矩阵进行修正，以获得用户-候选商户修正评价矩阵，所述用户-候选商户修正评价矩阵包括所述至少一个候选商户各自对应的至少一个用户的修正评价值。在一可选实施方式中，所述推荐单元具体用于：采用基于用户的协同过滤算法，基于所述至少一个候选商户各自对应的至少一个用户的修正评价值，向所述待推荐用户推荐商户；或者采用基于商户的协同过滤算法，基于所述至少一个候选商户各自对应的至少一个用户的修正评价值，向所述待推荐用户推荐商户。在一可选实施方式中，所述确定单元具体用于：根据所述待推荐用户的位置，从商户集合中，获取所述至少一个候选商户。本申请实施例还提供一种电子设备，包括：存储器和处理器；所述存储器用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器执行时能够实现上述实施例提供的推荐方法中的步骤。本申请实施例还提供一种存储有计算机程序的计算机可读存储介质，所述计算机程序使计算机执行上述实施例提供的推荐方法中的步骤。在本申请实施例中，在推荐过程中，考虑时间因素的影响，基于符合推荐场景的时间影响特性，修正用户对商品的初始评价值，进而基于修正后的评价值进行推荐，达到推荐过程考虑时间因素的目的，从而提高推荐结果的准确性。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，并不构成对本申请的不当限定。在附图中：图1为本申请一实施例提供的推荐方法的流程示意图；图2a为本申请另一实施例提供的推荐方法的流程示意图；图2b为本申请另一实施例提供的用户-商户修正评价矩阵的一种实现形式的示意图；图2c为本申请另一实施例提供的用户-商户修正评价矩阵的另一种实现形式的示意图；图3a为本申请又一实施例提供的预先构建用户-商户修正评价矩阵的流程示意图；图3b为本申请又一实施例提供的第一用户-商品评价矩阵的一种实现形式的示意图；图3c为本申请又一实施例提供的第一用户-商品评价矩阵的另一种实现形式的示意图；图3d为本申请又一实施例提供的第一用户-商品评价矩阵从用户-商品维度向用户-商户维度进行转换的过程示意图；图4为本申请又一实施例提供的推荐方法的流程示意图；图5为本申请又一实施例提供的推荐方法的流程示意图；图6为本申请又一实施例提供的推荐方法的流程示意图；图7为本申请又一实施例提供的推荐装置的结构示意图；图8为本申请又一实施例提供的推荐装置的结构示意图。具体实施方式为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。图1为本申请一实施例提供的推荐方法的流程示意图。如图1所示，所述方法包括：101、根据待推荐用户，确定至少一个候选商户。102、获取至少一个候选商户各自对应的至少一个用户的修正评价值，所述修正评价值是按照推荐场景下的时间影响特性对初始评价值修正得到的。103、基于至少一个候选商户各自对应的至少一个用户的修正评价值，向待推荐用户推荐商户。在移动互联网应用(application，app)的使用过程中，经常因为各种原因需要向用户进行相关内容的推荐。为了便于描述，在本申请实施例中，将需要向其推荐内容的用户称之为待推荐用户。根据应用场景的不同，需要向用户推荐的内容也会有所不同。本申请实施例主要适用于具有众多商户的应用场景中，为便于用户从合适的商户选购商品，向用户推荐商户。举例说明，本申请实施例提供的推荐方法可应用于各大电商提供的购物类app，或者外卖类app等。参见步骤101，在推荐过程中，首先确定待推荐用户，根据待推荐用户确定至少一个候选商户。待推荐用户可以是任何用户，例如可以是移动互联网app的老用户、新用户或者潜在用户。可选地，可以将商户集合中的所有商户都作为候选商户，这种确定候选商户的方式简单、效率较高；另外，所确定的候选商户数量较多，覆盖面比较全，有利于向用户推荐出更加合适的商户。可选地，可以根据待推荐用户的位置，从商户集合中，获取至少一个候选商户。例如，可以选择位于待推荐用户附近的商户，这样可以减少候选商户的数量，有利于减少计算量，节约计算资源，提高整体推荐效率。例如，可以根据待推荐用户的位置，从商户集合中，选择位于待推荐用户指定范围内的至少一个商户，作为候选商户。或者，可以根据待推荐用户的位置，从商户集合中，选择与待推荐用户相距指定距离的至少一个商户，作为候选商户。在实际应用过程中，为了提高服务质量和用户体验度，商户允许用户对其和/或其提供的商品进行评价。用户从某一商户处选购商品，在使用或消费商品后，一般会对商户提供的商品和/或商户进行评价。其中，根据应用场景的不同，用户对商户或商户提供的商品的评价方式也会有所不同。例如，在购物应用场景或外卖类应用场景中，一般会向用户提供星级图标，由用户选择相应星级图标给商户和/或商户提供的商品打分，例如五星、三星等；另外，还会向用户提供文本输入框，由用户输入文字对商户或商户提供的商品进行评价。基于上述，可以综合考虑用户选择的星级图标和用户输入的文字，确定用户对商户的初始评价值。换句话说，用户对候选商户的初始评价值可通过用户对候选商户和/或候选商户提供的商品做出的评价来体现。在现有技术中，在获得用户对候选商户的初始评价值之后，一般会基于该用户对候选商户的初始评价值，从候选商户中向用户推荐商户。但在本实施例中，考虑到时间因素在推荐过程中的影响，可以根据符合推荐场景的时间影响特性对初始评价值进行修正，进而基于修正评价值向用户推荐商户。参见步骤102，可以获取至少一个候选商户各自对应的至少一个用户的修正评价值，所述修正评价值是按照推荐场景下的时间影响特性对初始评价值修正得到的。对至少一个候选商户中的任一候选商户，可能有至少一个用户在该候选商户处选购或消费商品并做出评价，则可以确定在该候选商户处选购商品并且做出评价的至少一个用户；进一步，获取至少一个用户中每个用户对该候选商户的修正评价值。从候选商户的角度来看，该候选商户对应的至少一个用户的修正评价值实际上是指对该候选商户和/或该候选商户提供的商品做过评价的至少一个用户对该候选商户的修正评价值。其中，一个用户对一个候选商户的修正评价值是按照推荐场景下的时间影响特性对该用户对该候选商户的初始评价值进行修正得到的。其中，该用户对该候选商户的初始评价值可通过该用户对该候选商户和/或该候选商户提供的商品做出的评价来体现。例如，用户对候选商户的初始评价值可以直接表示为用户对该候选商户提供的至少一个商品的评价值，或者也可以表示为用户对该候选商户提供的至少一个商品的评价值的数值处理结果，或者也可以直接表示为用户对该候选商户的评价值，等等。其中，不同推荐场景，时间因素的影响特性会有所不同。例如，在一些推荐场景中，时间因素对推荐过程的影响会随着时间的推移而逐渐削弱。例如，在另一些推荐场景中，时间因素对推荐过程的影响会随着时间的推移而逐渐加强。又例如，在又一些推荐场景中，时间因素对推荐过程的影响会先随着时间的推移先削弱再加强，又或者，先加强再削弱。值得说明的是，对不同候选商户来说，对其和/或其提供的商品做出评价的用户可能相同，也可能不同。继续参见步骤103，基于至少一个候选商户各自对应的至少一个用户的修正评价值，向待推荐用户推荐商户。本实施例并不限定向待推荐用户推荐商户时采用的推荐方式，凡是以至少一个候选商户各自对应的至少一个用户的修正评价值为基础，可以向待推荐用户推荐商户的方式均适用于本申请实施例。在本实施例的推荐过程中，考虑时间因素的影响，基于符合推荐场景的时间影响特性，修正用户对商户的初始评价值，进而基于修正评价值进行推荐，达到推荐过程考虑时间因素的目的，从而提高推荐结果的准确性。图2a为本申请另一实施例提供的推荐方法的流程示意图。如图2a所示，所述方法包括：200、预先构建用户-商户修正评价矩阵，所述用户-商户修正评价矩阵包括系统中多个商户各自对应的至少一个用户的修正评价值，所述修正评价值是按照推荐场景下的时间影响特性对初始评价值修正得到的。201、根据待推荐用户，从所述多个商户中，确定至少一个候选商户。202、从预先构建的用户-商户修正评价矩阵中，获取至少一个候选商户各自对应的至少一个用户的修正评价值。203、基于至少一个候选商户各自对应的至少一个用户的修正评价值，向待推荐用户推荐商户。在本实施例中，在进行推荐之前，预先构建用户-商户修正评价矩阵，为推荐过程提供条件，如步骤200。该用户-商户修正评价矩阵包括系统中多个商户各自对应的至少一个用户的修正评价值。对多个商户中的任一商户来说，该商户对应的至少一个用户的修正评价值实际上是指对该商户和/或商户提供的商品进行过评价的至少一个用户对该商户的修正评价值。其中，一个用户对一个候选商户的修正评价值是按照推荐场景下的时间影响特性对该用户对该候选商户的初始评价值进行修正得到的。其中，该用户对该候选商户的初始评价值可通过该用户对该候选商户和/或该候选商户提供的商品做出的评价来体现。例如，用户对候选商户的初始评价值可以直接表示为用户对该候选商户提供的至少一个商品的评价值，或者也可以表示为用户对该候选商户提供的至少一个商品的评价值的数值处理结果，或者也可以直接表示为用户对该候选商户的评价值，等等。上述系统是指包含上述多个商户的应用系统。在本实施例中，应用系统包含服务端、商户一侧的客户端以及用户一侧的客户端。所述多个商户可以是应用系统中的全部商户，也可以是应用系统中的部分商户。在推荐过程中，基于预先构建的用户-商户修正评价矩阵，向待推荐用户推荐商户，如步骤201-203。在步骤201中，首先确定待推荐用户，根据待推荐用户，从用户-商户修正评价矩阵包含的多个商户中，确定至少一个候选商户，即，所述多个商户包含至少一个候选商户。待推荐用户可以是任何用户，例如可以是移动互联网app的老用户、新用户或者潜在用户。可选地，可以将多个商户中的所有商户都作为候选商户，这种确定候选商户的方式简单、效率较高；另外，所确定的候选商户数量较多，覆盖面比较全，有利于向用户推荐出更加合适的商户。可选地，可以根据待推荐用户的位置，从多个商户中，获取至少一个候选商户。例如，可以选择位于待推荐用户附近的商户，这样可以减少候选商户的数量，有利于减少计算量，节约计算资源，提高整体推荐效率。接续于步骤201，在步骤202中，从预先构建的用户-商户修正评价矩阵中，获取至少一个候选商户各自对应的至少一个用户的修正评价值。可选地，如图2b所示，为用户-商户修正评价矩阵的一种实现形式。如图2b所示，用户-商户修正评价矩阵包含用户标识、商户标识以及修正评价值。其中，用户标识构成用户-商户修正评价矩阵中的行，商户标识构成用户-商户修正评价矩阵中的列，修正评价值构成用户-商户修正评价矩阵中的元素值。可选地，如图2c所示，为用户-商户修正评价矩阵的另一种实现形式。如图2c所示，用户-商户修正评价矩阵包含用户标识、商户标识以及修正评价值。其中，用户标识构成用户-商户修正评价矩阵中的列，商户标识构成用户-商户修正评价矩阵中的行，修正评价值构成用户-商户修正评价矩阵中的元素值。在图2b或图2c中，用户集合表示为u，对用户ua来说，存在以下所属关系：ua∈u＝{u1,u2,…,un}，n表示用户个数；商户集合表示为s，对商品sj来说，存在以下所属关系：sj∈s＝{s1,s2,…,sk}，k表示商户个数。上述商户标识可以是商户名称、商户id等任何能够唯一标识商户的信息。相应地，上述用户标识可以是用户名称、用户id等任何能够唯一标识用户的信息。修正评价值可以是具体的数值，例如5分、3分或1分；或者，修正评价值也可以是一些非数值型的信息，例如金牌商户、银牌商户、口碑较好、五星级服务、三星级服务等任何具有区分度的信息。基于图2b或图2c所示的用户-商户修正评价矩阵，可以将至少一个候选商户中各候选商户的标识分别在用户-商户修正评价矩阵中进行匹配，获取匹配中的商户标识对应的用户标识，作为各候选商户对应的用户的标识；进而获取匹配中的商户标识以及对应的用户标识所确定的修正评价值，作为各候选商户自对应的用户的修正评价值。在本实施例的在推荐过程中，无需实时计算各候选商户对应的至少一个用户的修正评价值，而是基于预先构建的用户-商户修正评价矩阵，直接从中获取各候选商户对应的至少一个用户的修正评价值，效率较高，有利于提高整体推荐效率。接续于步骤202，继续参见步骤203，基于至少一个候选商户各自对应的至少一个用户的修正评价值，向待推荐用户推荐商户。本实施例并不限定向待推荐用户推荐商户时采用的推荐方式，凡是以至少一个候选商户各自对应的至少一个用户的修正评价值为基础，可以向待推荐用户推荐商户的方式均适用于本申请实施例。在本实施例中，考虑时间因素的影响，预先根据符合推荐场景的时间影响特性，修正用户对商户的初始评价值，构建出用户-商户修正评价矩阵；在进行推荐时，直接从用户-商户修正评价矩阵中获取各候选商户对应的至少一个用户的修正评价值，效率较高，进而基于各候选商户对应的至少一个用户的修正评价值进行商户推荐，达到推荐过程考虑时间因素的目的，从而提高推荐结果的准确性，提高整体推荐效率。在上述实施例或下述实施例中，一种预先构建用户-商户修正评价矩阵的流程，如图3a所示，包括：2001、基于系统中存在的用户针对商品的网络行为信息，构建第一用户-商品评价矩阵。这里的网络行为信息包括用户针对商品的评价信息，但不限于此。基于用户对商品的评价信息，可以获得用户对商品的评价值。如图3b所示，为第一用户-商品评价矩阵的一种实现形式。在图3b中，第一用户-商品评价矩阵包括用户标识、商品标识以及用户对商品的评价值。其中，用户标识为第一用户-商品评价矩阵中的行，商品标识为第一用户-商品评价矩阵中的列，用户对商品的评价值为第一用户-商品评价矩阵中的元素值。如图3c所示，为第一用户-商品评价矩阵的另一种实现形式。在图3c中，第一用户-商品评价矩阵包括用户标识、商品标识以及用户对商品的评价值。其中，用户标识为第一用户-商品评价矩阵中的列，商品标识为第一用户-商品评价矩阵中的行，用户对商品的评价值为第一用户-商品评价矩阵中的元素值。在图3b或图3c中，用户集合表示为u，对用户ua来说，存在以下所属关系：ua∈u＝{u1,u2,…,un}，n表示用户个数；商品集合表示为i，对商品ij来说，存在以下所属关系：ij∈i＝{i1,i2,…,im}，m表示商品个数。2002、对第一用户-商品评价矩阵进行维度切换，以获得第一用户-商户初始评价矩阵，所述第一用户-商户初始评价矩阵包括所述多个商户各自对应的至少一个用户的商品评价值序列。在本申请实施例提供的推荐方法中，考虑到商品种类繁多，在基于商品进行推荐时容易存在数据比较稀疏的问题，所以本申请实施例不再像传统推荐方法那样向用户推荐商品，而是利用商品和商户的关系，将用户对商品的评价聚合成一个用户对商户的评价，基于用户对商户的评价向用户推荐商户。其中，商品与商户之间的关系可表现为：商户提供商品供用户消费，商户本身包含商品的属性，而用户在商户选购或消费商品的行为可以反映用户对商户的隐含兴趣。用户对商户的隐含兴趣可以体现为在商户处的选购或消费商品的次数、消费金额和评价等信息。在本实施例中，需要将第一用户-商品评价矩阵从用户-商品维度切换为用户-商户维度。如图3d所示，为维度转换的过程示意图。可选地，一种维度转换的方式可以是：先从商户的角度出发，从第一用户-商品评价矩阵中获取属于同一商户的商品；然后对属于同一商户的商品，再按照用户区分，将同一用户对不同商品的评价值进行汇总，形成同一用户的商品评价值序列，从而获得多个商户各自对应的至少一个用户的商品评价值序列，即第一用户-商户初始评价矩阵。2003、根据推荐场景下的时间影响特性对第一用户-商户初始评价矩阵进行修正，以获得用户-商户修正评价矩阵。在获得第一用户-商户初始评价矩阵之后，可以根据推荐场景下的时间影响特性对第一用户-商户初始评价矩阵进行修正，以获得用户-商户修正评价矩阵。其中，根据推荐场景下的时间影响特性对第一用户-商户初始评价矩阵进行修正，实质上是根据推荐场景下的时间影响特性对第一用户-商户初始评价矩阵中的元素值进行修正的过程。可选地，上述步骤2003的一种实施方式，包括：根据推荐场景下的时间影响特性以及第一用户-商户初始评价矩阵中各商品评价值序列对应的网络行为发生时间序列，计算第一用户-商户初始评价矩阵中各商品评价值序列对应的时间修正因子序列；然后将第一用户-商户初始评价矩阵中各商品评价值序列与各自对应的时间修正因子序列相乘，以获得用户-商户修正评价矩阵。在第一用户-商户初始评价矩阵中，每个商品评价值序列对应一个用户与一个商户；对该用户来说，会在该商户处选购或消费至少一个商品并对至少一个商品进行评价，这样该用户对至少一个商品的评价值，对这些评价值进行汇总，可以得到该商户对应于该用户的商品评价值序列。换句话说，每个商品评价值序列包含该商品评价值序列对应用户对该商品评价值序列对应商户提供的至少一个商品的评价值；相应地，一个商品评价值序列也会对应一个网络行为发生时间序列，所述网络行为发生时间序列也就是该用户在该商户处选购或消费所述至少一个商品的时间。用户在商户处选购或消费商品的行为存在时间上的先后关系，这种先后关系可以体现出用户在商户处选购或消费商品的行为在时间上具有的周期性习惯，这种周期性习惯会对推荐过程造成影响，也就是时间因素的影响。在一种具体推荐场景下，其时间影响特性为：时间因素对推荐过程的正向影响随时间增长的特性。例如，在外卖应用场景中，用户希望晚餐和午餐吃得不一样、今天和昨天吃得不一样、周末和平时吃得也不一样。由此可见，在这种场景下，用户对近期吃过的东西一般没兴趣，但随着时间的推移，用户会对之前吃过的东西，逐渐变得有新鲜感，并且距离之前吃该东西的时间越久，该新鲜感会越强，因此需要适时向用户推荐之前消费过的商品，这就是时间因素对推荐过程的正向影响随时间增长的表现。基于上述，以第一用户-商户初始评价矩阵中的用户ua对在商户sk处消费过的n个商品做出评价为例，n个商品可表示为<i1,i2,...,in>，则第一用户-商户初始评价矩阵中商户sk对应的用户ua的商品评价值序列可表示为该商品评价值序列对应的网络行为发生时间序列可表示为即，用户ua在时刻在商户sk处消费商品i1，并对商品i1形成评价值相应地，用户ua在时刻在商户sk处消费商品i2，并对商品i2形成评价值……，依次类推，用户ua在时刻在商户sk处消费商品in，并对商品in形成评价值基于上述，可以采用下述公式(1)，根据推荐场景下的时间影响特性以及网络行为发生时间序列计算商品评价值序列对应的时间修正因子序列中的时间修正因子。在公式(1)中，表示商品评价值序列中评价值对应的时间修正因子，1≤j≤n，j和n是自然数。tnow表示当前时间。tperiod表示推荐场景下的时间周期，为一预设值或经验值，例如在外卖场景中，该时间周期的取值可以是5、7、10或14等。表示评价值对应的网络行为发生时间。进一步，基于上述公式(1)计算的时间修正因子，可以采用下述公式(2)，将所述商品评价值序列与其对应的时间修正因子序列相乘，以获得用户-商户修正评价矩阵中商户sk对应的用户ua的修正评价值。其中，商户sk对应的用户ua的修正评价值也就是用户ua对商户sk的修正评价值。在公式(2)中，v′ak表示商户sk对应的用户ua的修正评价值，其它参数的解释参见公式(1)，在此不再赘述。基于上述过程，可以根据推荐场景下的时间影响特性，对第一用户-商户初始评价矩阵中的各元素值进行修正，从而得到用户-商户修正评价值矩阵。在本实施例中，线下构建用户-商户修正评价矩阵，使得在线上进行推荐时，可以直接从中获取候选商户对应的至少一个用户的修正评价值，有利于提高线上推荐的效率。当然，除了线下预先构建用户-商户修正评价矩阵，在线上进行推荐时，直接从中获取候选商户对应的至少一个用户的修正评价值之外，也可以在线上进行推荐时，实时计算候选商户对应的至少一个用户的修正评价值，然后基于此向待推荐用户推荐商户。图4为本申请又一实施例提供的推荐方法的流程示意图。如图4所示，所述方法包括：401、根据待推荐用户，确定至少一个候选商户。402、基于系统中存在的用户针对至少一个候选商户提供的商品的网络行为信息，构建第二用户-商品评价矩阵。403、对第二用户-商品评价矩阵进行维度切换，以获得第二用户-商户初始评价矩阵，所述第二用户-商户初始评价矩阵包括至少一个候选商户各自对应的至少一个用户的商品评价值序列。404、根据推荐场景下的时间影响特性对第二用户-商户初始评价矩阵进行修正，以获得用户-候选商户修正评价矩阵，所述用户-候选商户修正评价矩阵包括至少一个候选商户各自对应的至少一个用户的修正评价值。405、基于至少一个候选商户各自对应的至少一个用户的修正评价值，向所述待推荐用户推荐商户。关于步骤401可参见前述实施例中相应步骤的描述，在此不再赘述。步骤402-404，用于在线实时生成至少一个候选商户各自对应的至少一个用户的修正评价值的过程，其过程类似图3a所示预先构建用户-商户修正评价矩阵的过程，区别仅在于：数据集不相同。关于步骤402-404的详细过程可参考图3a所示实施例的过程，在此不再详述。在获得至少一个候选商户各自对应的至少一个用户的修正评价值之后，如步骤405所述，可基于至少一个候选商户各自对应的至少一个用户的修正评价值，向待推荐用户推荐商户，提高推荐效果。在上述实施例或下述实施例中，可基于至少一个候选商户各自对应的至少一个用户的修正评价值，向待推荐用户推荐商户。可选地，可以采用基于用户的协同过滤算法，基于至少一个候选商户各自对应的至少一个用户的修正评价值，向待推荐用户推荐商户。或者可选地，可以采用基于商户的协同过滤算法，基于至少一个候选商户各自对应的至少一个用户的修正评价值，向待推荐用户推荐商户。下面通过不同的实施例分别对上述基于用户的协同过滤算法的推荐过程和上述基于商户的协同过滤算法的推荐过程进行详细说明。图5为本申请又一实施例提供的推荐方法的流程示意图。如图5所示，所述方法包括：501、根据待推荐用户的位置，从商户集合中，确定至少一个候选商户。502、获取至少一个候选商户各自对应的至少一个用户的修正评价值，所述修正评价值是按照推荐场景下的时间影响特性对初始评价值修正得到的。在本实施例中，步骤502的具体实现可以参照图2a和图3a所示实施方式，或者也可以参照图4所示实施例中的步骤402-404来实现，在此均不做赘述。503、从第一用户集合中，获取待推荐用户的相似用户。可选地，所述第一用户集合可以由系统中存在的所有用户组成，或者也可以由系统中存在的部分用户组成，或者还可以由至少一个候选商户各自对应的至少一个用户组成。换句话说，一种获取方式为：从系统中存在的所有用户中，获取待推荐用户的相似用户。另一种获取方式为：从系统中存在的部分用户中，获取待推荐用户的相似用户。又一种获取方式为：从至少一个候选商户各自对应的至少一个用户中，获取待推荐用户的相似用户。可选地，可以采用余弦相似性计算方法或皮尔森(pearson)相似性计算方法，从第一用户集合中，获取待推荐用户的相似用户。优选地，可以采用pearson相似性计算方法，计算待推荐用户与第一用户集合中各用户的相似性，pearson相似性计算方法具有相似度计算精度较高的优势。将待推荐用户表示为ua，将第一用户集合中任一用户表示为ub，则可以采用如下公式(3)计算ua与ub的pearson相似性。在公式(3)中，m表示ua和ub的相交商户的个数，所述相交商户是指ua和ub存在交集的(例如两者都评价过的)商户；va,j表示ua对相交商户中的商户sj的评价值；表示ua的平均评价值，vb,j表示ub对商户sj的评价值，表示ub的平均评价值，wa,b表示ua与ub的pearson相似性。在上述公式(3)中，实际上只根据ua和ub的相交商户计算了ua和ub的相似性。实际应用中，ua和ub的相交商户的数量可能很少，为此可以采用下述公式(4)对上述公式(3)计算出的相似性进行修正，获得修正后的相似性。在公式(4)中，w′a,b表示ua和ub的修正后的相似性。f表示一个常数，其取值可视具体应用场景而定，例如可以是但不限于：10。其中，将称为影响因子，且即当ua和ub的相交商户的数量m大于或等于常数f时，说明两者相交商户的数量较多，无需用影响因子进行修正，故影响因子取值为1；反之，当ua和ub的相交商户的数量m小于常数f时，说明两者相交商户的数量较少，需用影响因子进行修正，且影响因子的取值小于1。采用这个影响因子能提高相似性计算结果的准确性和精度。由此可见，基于上述公式(3)和(4)，可以计算出待推荐用户与第一用户集合中每个用户的相似性，进而可基于待推荐用户与第一用户集合中每个用户的相似性，从第一用户集合中确定待推荐用户的相似用户。例如，可以选择与待推荐用户的相似性最高的至少一个用户作为待推荐用户的相似用户。又例如，可以选择与待推荐用户的相似性大于设定阈值的至少一个用户作为待推荐用户的相似用户。504、根据待推荐用户的相似用户对至少一个候选商户的修正评价值，计算待推荐用户对至少一个候选商户的修正评价值。可选地，可以根据下述公式(5)，计算待推荐用户对至少一个候选商户中每个候选商户的修正评价值。其中，pa,i表示待推荐用户ua对至少一个候选商户中候选商户si的修正评价值，si∈s，s表示至少一个候选商户组成的候选商户集合。u′表示由待推荐用户的相似用户构成的相似用户集合；w′a,c表示待推荐用户ua与相似用户集合中的相似用户uc的修正后的相似性；vc,i表示相似用户集合中的相似用户uc对至少一个候选商户中候选商户si的修正评价值；表示相似用户集合中的相似用户uc的平均评价值。举例说明：假设，用户对候选商户的修正评价值的范围为0到5，依次表示不喜欢到喜欢的程度，假设需要根据下述表1所示用户user1-user5对候选商户supplier_1-supplier_6的修正评价值，计算待推荐用户user5对候选商户supplier_5的修正评价值。从表1可以看出，与user5最相似的用户是user3、然后是user4、user2和user1，利用这些相似用户对supplier_5的修正评价值，可以计算user5对supplier_5的修正评价值。其中，从supplier_5这一列可以发现，相似用户对supplier_5的评价都不错，因此，user5对supplier_5的评价也会不错。表1supplier_1supplier_2supplier_3supplier_4supplier_5supplier_6user132452user22434user3313332user4334user5233？其中，可以采用上述公式(3)和(4)发现user5的相似用户；根据上述公式(5)计算user5对supplier_5的修正评价值。505、根据待推荐用户对至少一个候选商户的修正评价值，从至少一个候选商户中向待推荐用户推荐商户。可选地，可以选择修正评价值最大的至少一个候选商户推荐给待推荐用户。或者，可以选择修正评价值大于设定阈值的至少一个候选商户推荐给待推荐用户。在本实施中，考虑时间因素的影响，基于符合推荐场景的时间影响特性，修正用户对商品的初始评价值，进而基于修正后的评价值进行推荐，达到推荐过程考虑时间因素的目的，从而提高推荐结果的准确性。另外，在本实施例中，基于用户的协同过滤算法利用用户之间的相似性进行商户推荐，具有很好的预测精度，而且能随数据的变化而变化，比较适合于数据更新频繁的系统。图6为本申请又一实施例提供的推荐方法的流程示意图。如图6所示，所述方法包括：601、根据待推荐用户的位置，从商户集合中，确定至少一个候选商户。602、获取至少一个候选商户各自对应的至少一个用户的修正评价值，所述修正评价值是按照推荐场景下的时间影响特性对初始评价值修正得到的。603、从第一商户集合中，获取至少一个候选商户各自的相似商户。可选地，可以选择修正评价值最大的至少一个候选商户推荐给待推荐用户。或者，可以选择修正评价值大于设定阈值的至少一个候选商户推荐给待推荐用户。可选地，第一商户集合可以由至少一个商户组成，或者可以由系统中存在的所有商户组成，或者可以由系统中存在的部分商户组成。换句话说，一种获取方式为：在至少一个候选商户中，获取至少一个候选商户各自的相似商户。另一种获取方式为：在系统中存在的所有商户中，获取至少一个候选商户各自的相似商户。又一种获取方式为：在系统中存在的部分商户中，获取至少一个候选商户各自的相似商户。可选地，可以采用余弦相似性计算方法或pearson相似性计算方法，从第一商户集合中，获取每个候选商户的相似商户。值得说明的是，采用余弦相似性计算方法或pearson相似性计算方法，计算各候选商户与第一商户集合中各商户的相似性的过程，类似根据上述公式(3)和公式(4)计算用户间相似性的过程，区别仅在于：需要将公式(3)和公式(4)中的用户相关参数替换为候选商户和第一商户集合中各商户的相关参数，具体计算过程在此不再详述。604、根据至少一个候选商户各自的相似商户对应的用户的修正评价值，计算待推荐用户对至少一个候选商户的修正评价值。605、根据待推荐用户对至少一个候选商户的修正评价值，从至少一个候选商户中向待推荐用户推荐商户。在本实施中，考虑时间因素的影响，基于符合推荐场景的时间影响特性，修正用户对商品的初始评价值，进而基于修正后的评价值进行推荐，达到推荐过程考虑时间因素的目的，从而提高推荐结果的准确性。另外，在本实施例中，基于商户的协同过滤算法利用商户之间的相似性进行商户推荐，可以解决数据稀疏的问题，有利于提高推荐精度。需要说明的是，上述实施例所提供方法的各步骤的执行主体均可以是同一设备，或者，该方法也由不同设备作为执行主体。比如，步骤101至步骤103的执行主体可以为设备a；又比如，步骤101和102的执行主体可以为设备a，步骤103的执行主体可以为设备b；等等。图7为本申请又一实施例提供的推荐装置的结构示意图。如图7所示，所述推荐装置包括：确定单元71、获取单元72以及推荐单元73。确定单元71，用于根据待推荐用户，确定至少一个候选商户。获取单元72，用于获取至少一个候选商户各自对应的至少一个用户的修正评价值，所述修正评价值是按照推荐场景下的时间影响特性对初始评价值修正得到的。推荐单元73，用于基于至少一个候选商户各自对应的至少一个用户的修正评价值，向待推荐用户推荐商户。在一可选实施方式中，获取单元72具体用于：从预先构建的用户-商户修正评价矩阵中，获取至少一个候选商户各自对应的至少一个用户的修正评价值；其中，所述用户-商户修正评价矩阵包括系统中多个商户各自对应的至少一个用户的修正评价值，所述多个商户包含所述至少一个候选商户。在一可选实施方式中，如图8所示，推荐装置还包括：构建单元74，用于预先构建用户-商户修正评价矩阵。如图8所示，构建单元74的一种实现结构包括：构建子单元741、维度切换子单元742以及修正子单元743。构建子单元741，用于基于系统中存在的用户针对商品的网络行为信息，构建第一用户-商品评价矩阵。维度切换子单元742，用于对第一用户-商品评价矩阵进行维度切换，以获得第一用户-商户初始评价矩阵，所述第一用户-商户初始评价矩阵包括所述多个商户各自对应的至少一个用户的商品评价值序列。修正子单元743，用于根据推荐场景下的时间影响特性对第一用户-商户初始评价矩阵进行修正，以获得用户-商户修正评价矩阵。在一可选实施方式中，修正子单元743具体用于：根据推荐场景下的时间影响特性以及第一用户-商户初始评价矩阵中各商品评价值序列对应的网络行为发生时间序列，计算第一用户-商户初始评价矩阵中各商品评价值序列对应的时间修正因子序列；将第一用户-商户初始评价矩阵中各商品评价值序列与各自对应的时间修正因子序列相乘，以获得用户-商户修正评价矩阵。在一可选实施方式中，所述推荐场景下的时间影响特性为：时间因素对推荐过程的正向影响随时间增长的特性。在一可选实施方式中，对第一用户-商户初始评价矩阵中商户sk对应的用户ua的商品评价值序列其对应的网络行为发生时间序列为则修正子单元743具体可以根据上述公式(1)计算商品评价值序列对应的时间修正因子序列在一可选实施方式中，修正子单元743具体可以根据上述公式(2)将商品评价值序列与其对应的时间修正因子序列相乘，以获得用户-商户修正评价矩阵中商户sk对应的用户ua的修正评价值。关于公式(1)与公式(2)以及其中有关参数的描述，可参见前述方法实施例，在此不再赘述。在一可选实施方式中，获取单元72具体用于：基于系统中存在的用户针对至少一个候选商户提供的商品的网络行为信息，构建第二用户-商品评价矩阵；对第二用户-商品评价矩阵进行维度切换，以获得第二用户-商户初始评价矩阵，所述第二用户-商户初始评价矩阵包括至少一个候选商户各自对应的至少一个用户的商品评价值序列；根据推荐场景下的时间影响特性对第二用户-商户初始评价矩阵进行修正，以获得用户-候选商户修正评价矩阵，所述用户-候选商户修正评价矩阵包括所述至少一个候选商户各自对应的至少一个用户的修正评价值。在一可选实施方式中，推荐单元73具体用于：采用基于用户的协同过滤算法，基于所述至少一个候选商户各自对应的至少一个用户的修正评价值，向所述待推荐用户推荐商户；或者，采用基于商户的协同过滤算法，基于所述至少一个候选商户各自对应的至少一个用户的修正评价值，向所述待推荐用户推荐商户。在一可选实施方式中，确定单元71具体用于：根据待推荐用户的位置，从商户集合中，获取至少一个候选商户。本申请实施例提供的推荐装置，可用于执行上述方法实施例提供的流程，其具体工作原理不再赘述。本实施例提供的推荐装置，在推荐过程中，考虑时间因素的影响，基于符合推荐场景的时间影响特性，修正用户对商品的初始评价值，进而基于修正后的评价值进行推荐，达到推荐过程考虑时间因素的目的，从而提高推荐结果的准确性。本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。在一个典型的配置中，计算设备包括一个或多个处理器(cpu)、输入/输出接口、网络接口和内存。内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flashram)。内存是计算机可读介质的示例。计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitorymedia)，如调制的数据信号和载波。还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。本申请实施例公开a1、一种推荐方法，包括：根据待推荐用户，确定至少一个候选商户；获取所述至少一个候选商户各自对应的至少一个用户的修正评价值，所述修正评价值是按照推荐场景下的时间影响特性对初始评价值修正得到的；基于所述至少一个候选商户各自对应的至少一个用户的修正评价值，向所述待推荐用户推荐商户。a2、如a1所述的方法中，所述获取所述至少一个候选商户各自对应的至少一个用户的修正评价值，包括：从预先构建的用户-商户修正评价矩阵中，获取所述至少一个候选商户各自对应的至少一个用户的修正评价值；其中，所述用户-商户修正评价矩阵包括系统中多个商户各自对应的至少一个用户的修正评价值，所述多个商户包含所述至少一个候选商户。a3、如a2所述的方法中，预先构建用户-商户修正评价矩阵，包括：基于系统中存在的用户针对商品的网络行为信息，构建第一用户-商品评价矩阵；对所述第一用户-商品评价矩阵进行维度切换，以获得第一用户-商户初始评价矩阵，所述第一用户-商户初始评价矩阵包括所述多个商户各自对应的至少一个用户的商品评价值序列；根据所述推荐场景下的时间影响特性对所述第一用户-商户初始评价矩阵进行修正，以获得所述用户-商户修正评价矩阵。a4、如a3所述的方法中，所述根据所述推荐场景下的时间影响特性对所述第一用户-商户初始评价矩阵进行修正，以获得所述用户-商户修正评价矩阵，包括：根据所述推荐场景下的时间影响特性以及所述第一用户-商户初始评价矩阵中各商品评价值序列对应的网络行为发生时间序列，计算所述第一用户-商户初始评价矩阵中各商品评价值序列对应的时间修正因子序列；将所述第一用户-商户初始评价矩阵中各商品评价值序列与各自对应的时间修正因子序列相乘，以获得所述用户-商户修正评价矩阵。a5、如a4所述的方法中，所述推荐场景下的时间影响特性为：时间因素对推荐过程的正向影响随时间增长的特性。a6、如a5所述的方法中，对所述第一用户-商户初始评价矩阵中商户sk对应的用户ua的商品评价值序列其对应的网络行为发生时间序列为所述根据所述推荐场景下的时间影响特性以及所述网络行为发生时间序列计算所述商品评价值序列对应的时间修正因子序列包括：根据公式计算所述商品评价值序列对应的时间修正因子序列中的时间修正因子；表示所述商品评价值序列中评价值对应的时间修正因子，1≤j≤n，j和n是自然数；tnow表示当前时间；tperiod表示所述推荐场景下的时间周期；表示评价值对应的网络行为发生时间。a7、如a6所述的方法中，将所述商品评价值序列与其对应的时间修正因子序列相乘，以获得所述用户-商户修正评价矩阵中商户sk对应的用户ua的修正评价值，包括：根据公式计算所述商户sk对应的用户ua的修正评价值；v′ak表示所述商户sk对应的用户ua的修正评价值。a8、如a1所述的方法中，所述获取所述至少一个候选商户各自对应的至少一个用户的修正评价值，包括：基于系统中存在的用户针对所述至少一个候选商户提供的商品的网络行为信息，构建第二用户-商品评价矩阵；对所述第二用户-商品评价矩阵进行维度切换，以获得第二用户-商户初始评价矩阵，所述第二用户-商户初始评价矩阵包括所述至少一个候选商户各自对应的至少一个用户的商品评价值序列；根据所述推荐场景下的时间影响特性对所述第二用户-商户初始评价矩阵进行修正，以获得用户-候选商户修正评价矩阵，所述用户-候选商户修正评价矩阵包括所述至少一个候选商户各自对应的至少一个用户的修正评价值。a9、如a1-a8任一项所述的方法中，所述基于所述至少一个候选商户各自对应的至少一个用户的修正评价值，向所述待推荐用户推荐商户，包括：采用基于用户的协同过滤算法，基于所述至少一个候选商户各自对应的至少一个用户的修正评价值，向所述待推荐用户推荐商户；或者采用基于商户的协同过滤算法，基于所述至少一个候选商户各自对应的至少一个用户的修正评价值，向所述待推荐用户推荐商户。a10、如a1-a8任一项所述的方法中，所述根据待推荐用户，确定至少一个候选商户，包括：根据所述待推荐用户的位置，从商户集合中，获取所述至少一个候选商户。本申请实施例还公开b11、一种推荐装置，包括：确定单元，用于根据待推荐用户，确定至少一个候选商户；获取单元，用于获取所述至少一个候选商户各自对应的至少一个用户的修正评价值，所述修正评价值是按照推荐场景下的时间影响特性对初始评价值修正得到的；推荐单元，用于基于所述至少一个候选商户各自对应的至少一个用户的修正评价值，向所述待推荐用户推荐商户。b12、如b11所述的装置中，所述获取单元具体用于：从预先构建的用户-商户修正评价矩阵中，获取所述至少一个候选商户各自对应的至少一个用户的修正评价值；其中，所述用户-商户修正评价矩阵包括系统中多个商户各自对应的至少一个用户的修正评价值，所述多个商户包含所述至少一个候选商户。b13、如b12所述的装置还包括：构建单元，用于预先构建所述用户-商户修正评价矩阵；所述构建单元包括：构建子单元，用于基于系统中存在的用户针对商品的网络行为信息，构建第一用户-商品评价矩阵；维度切换子单元，用于对所述第一用户-商品评价矩阵进行维度切换，以获得第一用户-商户初始评价矩阵，所述第一用户-商户初始评价矩阵包括所述多个商户各自对应的至少一个用户的商品评价值序列；修正子单元，用于根据所述推荐场景下的时间影响特性对所述第一用户-商户初始评价矩阵进行修正，以获得所述用户-商户修正评价矩阵。b14、如b13所述的装置中，所述修正子单元具体用于：根据所述推荐场景下的时间影响特性以及所述第一用户-商户初始评价矩阵中各商品评价值序列对应的网络行为发生时间序列，计算所述第一用户-商户初始评价矩阵中各商品评价值序列对应的时间修正因子序列；将所述第一用户-商户初始评价矩阵中各商品评价值序列与各自对应的时间修正因子序列相乘，以获得所述用户-商户修正评价矩阵。b15、如b14所述的装置中，所述推荐场景下的时间影响特性为：时间因素对推荐过程的正向影响随时间增长的特性。b16、如b15所述的装置中，对所述第一用户-商户初始评价矩阵中商户sk对应的用户ua的商品评价值序列其对应的网络行为发生时间序列为所述修正子单元在根据所述推荐场景下的时间影响特性以及所述网络行为发生时间序列计算所述商品评价值序列对应的时间修正因子序列时，具体用于：根据公式计算所述商品评价值序列对应的时间修正因子序列中的时间修正因子；表示所述商品评价值序列中评价值对应的时间修正因子，1≤j≤n，j和n是自然数；tnow表示当前时间；tperiod表示所述推荐场景下的时间周期；表示评价值对应的网络行为发生时间。b17、如b16所述的装置中，所述修正子单元在将所述商品评价值序列与其对应的时间修正因子序列相乘，以获得所述用户-商户修正评价矩阵中商户sk对应的用户ua的修正评价值时，具体用于：根据公式计算所述商户sk对应的用户ua的修正评价值；v′ak表示所述商户sk对应的用户ua的修正评价值。b18、如b11所述的装置中，所述获取单元具体用于：基于系统中存在的用户针对所述至少一个候选商户提供的商品的网络行为信息，构建第二用户-商品评价矩阵；对所述第二用户-商品评价矩阵进行维度切换，以获得第二用户-商户初始评价矩阵，所述第二用户-商户初始评价矩阵包括所述至少一个候选商户各自对应的至少一个用户的商品评价值序列；根据所述推荐场景下的时间影响特性对所述第二用户-商户初始评价矩阵进行修正，以获得用户-候选商户修正评价矩阵，所述用户-候选商户修正评价矩阵包括所述至少一个候选商户各自对应的至少一个用户的修正评价值。b19、如b11-b18任一项所述的装置中，所述推荐单元具体用于：采用基于用户的协同过滤算法，基于所述至少一个候选商户各自对应的至少一个用户的修正评价值，向所述待推荐用户推荐商户；或者采用基于商户的协同过滤算法，基于所述至少一个候选商户各自对应的至少一个用户的修正评价值，向所述待推荐用户推荐商户。b20、如b11-b18任一项所述的装置中，所述确定单元具体用于：根据所述待推荐用户的位置，从商户集合中，获取所述至少一个候选商户。本申请实施例还公开c21、一种电子设备，包括：存储器和处理器；所述存储器用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器执行时能够实现上述a1-a10任一项所述方法中的步骤。本申请实施例还公开d22、一种存储有计算机程序的计算机可读存储介质，所述计算机程序使计算机执行上述a1-a10任一项所述方法中的步骤。当前第1页12