用於確定目標推薦用戶的方法、裝置和伺服器與流程

2023-08-10 05:40:41 2

本申請涉及計算機技術領域，具體涉及網際網路數據挖掘技術領域，尤其涉及用於確定目標推薦用戶的方法、裝置和伺服器。

背景技術：

隨著電子商務技術的發展，越來越多的用戶選擇在線上購物平臺進行採購。線上購物平臺可以獲取海量的用戶數據，包括用戶的基本屬性信息、訂單數據、評價信息、物流信息等。基於這些用戶數據，可以構建出每個用戶的畫像，包括用戶的年齡、喜好、消費能力、購物習慣等。

目前，線上購物平臺可以根據用戶畫像將篩選出的商戶的潛在用戶推薦給商戶。常用的方法為定義商戶的篩選規則，並篩選出滿足篩選規則的用戶進行推薦。例如某一餐廳的篩選規則為「人均消費價與本店相差在10％之內，喜歡的菜系匹配、近三個月光顧過2次以上同菜系的其他餐廳」，則可以篩選出畫像滿足該篩選規則的用戶，作為目標推薦用戶推薦給該餐廳。但是上述方法缺乏對用戶信息的量化，不能準確地給出用戶對商戶的感興趣程度，且人工定義的篩選規則數量和覆蓋面有限，潛在用戶推薦的準確性有待提升。

技術實現要素：

為了解決上述背景技術部分的一個或多個技術問題，本申請實施例提供了用於確定目標推薦用戶的方法、裝置和伺服器。

第一方面，本申請實施例提供了一種用於確定目標推薦用戶的方法，包括：獲取目標商戶所在的平臺中的用戶集的用戶信息，用戶集包括目標商戶的種子用戶和待推薦用戶，用戶信息包括具有預設標籤集合中的標籤的歷史訂單記錄；對用戶集中各用戶的歷史訂單記錄按照標籤進行統計，得到用戶集中各用戶的標籤屬性特徵；基於標籤屬性特徵從待推薦用戶中篩選與種子用戶相似的用戶，作為目標商戶的候選用戶；基於各種子用戶的用戶信息和候選用戶的標籤屬性特徵生成各候選用戶的推薦度信息；根據推薦度信息從候選用戶中確定出目標商戶的目標推薦用戶。

在一些實施例中，上述標籤屬性特徵包括標籤特徵向量，標籤特徵向量中的各元素為對應於預設標籤集合中的各標籤的特徵值；對用戶集中各用戶的歷史訂單記錄按照標籤進行統計，得到用戶集中各用戶的標籤屬性特徵，包括：根據用戶集中的每個用戶的歷史訂單記錄，對每個用戶對應於各標籤的下單頻次進行統計，生成每個用戶的標籤特徵向量。

在一些實施例中，上述歷史訂單記錄包括各條歷史訂單記錄的訂單生成時間；根據用戶集中的每個用戶的歷史訂單記錄，對每個用戶對應於各標籤的下單頻次進行統計，生成每個用戶的標籤特徵向量，包括：對標籤集合中的每個標籤，基於每個用戶對應於標籤的各條歷史訂單記錄的訂單生成時間，以預設的時間衰減因子確定各條歷史訂單記錄的等效下單次數，對各條歷史訂單記錄的等效下單次數進行求和，得到用戶對應於標籤的下單頻次的統計結果；基於用戶對應於預設標籤集合中各標籤的下單頻次的統計結果，生成用戶的標籤特徵向量。

在一些實施例中，基於用戶對應於預設標籤集合中各標籤的下單頻次的統計結果，生成用戶的標籤特徵向量，包括：對用戶對應於預設標籤集合中的各標籤的下單頻次的統計結果進行歸一化處理，將歸一化處理後的下單頻次統計結果作為標籤特徵向量中各對應元素的特徵值。

在一些實施例中，基於標籤屬性特徵從待推薦用戶中篩選與種子用戶相似的用戶，作為目標商戶的候選用戶，包括：計算種子用戶的標籤特徵向量與各待推薦用戶的標籤特徵向量的相似度，作為種子用戶與待推薦用戶的相似度；根據相似度的排序篩選出候選用戶。

在一些實施例中，基於各種子用戶的用戶信息和候選用戶的標籤屬性特徵生成各候選用戶的推薦度信息，包括：根據種子用戶的歷史訂單記錄統計種子用戶與目標商戶關聯的下單次數；將候選用戶與種子用戶的相似度和種子用戶與目標商戶關聯的下單次數的乘積作為候選用戶的對應於種子用戶的得分；對候選用戶對應於各種子用戶的得分求和，得到候選用戶的得分，作為候選用戶的推薦度信息。

在一些實施例中，上述方法還包括確定目標商戶的種子用戶的步驟，包括：將用戶集中的歷史訂單記錄與目標商戶關聯且與目標商戶關聯的歷史訂單記錄滿足預設條件的用戶作為目標商戶的種子用戶。

第二方面，本申請實施例提供了一種用於確定目標推薦用戶的裝置，包括：獲取單元，配置用於獲取目標商戶所在的平臺中的用戶集的用戶信息，用戶集包括目標商戶的種子用戶和待推薦用戶，用戶信息包括具有預設標籤集合中的標籤的歷史訂單記錄；統計單元，配置用於對用戶集中各用戶的歷史訂單記錄按照標籤進行統計，得到用戶集中各用戶的標籤屬性特徵；篩選單元，配置用於基於標籤屬性特徵從待推薦用戶中篩選與種子用戶相似的用戶，作為目標商戶的候選用戶；生成單元，配置用於基於各種子用戶的用戶信息和候選用戶的標籤屬性特徵生成各候選用戶的推薦度信息；確定單元，配置用於根據推薦度信息從候選用戶中確定出目標商戶的目標推薦用戶。

在一些實施例中，上述標籤屬性特徵包括標籤特徵向量，標籤特徵向量中的各元素為對應於預設標籤集合中的各標籤的特徵值；統計單元進一步配置用於按照如下方式對用戶集中各用戶的歷史訂單記錄按照標籤進行統計：根據用戶集中的每個用戶的歷史訂單記錄，對每個用戶對應於各標籤的下單頻次進行統計，生成每個用戶的標籤特徵向量。

在一些實施例中，上述歷史訂單記錄包括各條歷史訂單記錄的訂單生成時間；統計單元進一步配置用於按照如下方式對每個用戶對應於各標籤的下單頻次進行統計，生成每個用戶的標籤特徵向量：對標籤集合中的每個標籤，基於每個用戶對應於標籤的各條歷史訂單記錄的訂單生成時間，以預設的時間衰減因子確定各條歷史訂單記錄的等效下單次數，對各條歷史訂單記錄的等效下單次數進行求和，得到用戶對應於標籤的下單頻次的統計結果；基於用戶對應於預設標籤集合中各標籤的下單頻次的統計結果，生成用戶的標籤特徵向量。

在一些實施例中，統計單元進一步配置用於按照如下方式生成用戶的標籤特徵向量：對用戶對應於預設標籤集合中的各標籤的下單頻次的統計結果進行歸一化處理，將歸一化處理後的下單頻次統計結果作為標籤特徵向量中各對應元素的特徵值。

在一些實施例中，篩選單元進一步配置用於按照如下方式篩選與種子用戶相似的用戶，作為目標商戶的候選用戶：計算種子用戶的標籤特徵向量與各待推薦用戶的標籤特徵向量的相似度，作為種子用戶與待推薦用戶的相似度；根據相似度的排序篩選出候選用戶。

在一些實施例中，生成單元進一步配置用於按照如下方式生成各候選用戶的推薦度信息：根據種子用戶的歷史訂單記錄統計種子用戶與目標商戶關聯的下單次數；將候選用戶與種子用戶的相似度和種子用戶與目標商戶關聯的下單次數的乘積作為候選用戶的對應於種子用戶的得分；對候選用戶對應於各種子用戶的得分求和，得到候選用戶的得分，作為候選用戶的推薦度信息。

在一些實施例中，上述裝置還包括確定目標商戶的種子用戶的單元，配置用於：將用戶集中的歷史訂單記錄與目標商戶關聯且與目標商戶關聯的歷史訂單記錄滿足預設條件的用戶作為目標商戶的種子用戶。

第三方面，本申請實施例提供了一種伺服器，包括：一個或多個處理器；存儲裝置，用於存儲一個或多個程序，當上述一個或多個程序被上述一個或多個處理器執行，使得上述一個或多個處理器實現上述的用於確定目標推薦用戶的方法。

本申請提供的用於確定目標推薦用戶的方法、裝置和伺服器，通過獲取目標商戶所在平臺上的用戶集的包括具有預設標籤集合中的標籤的歷史訂單記錄的用戶信息，然後對用戶集中各用戶的歷史訂單記錄按照標籤進行統計，得到各用戶的標籤屬性特徵，而後基於標籤屬性特徵從待推薦用戶中篩選出於種子用戶相似的用戶，作為目標商戶的候選用戶，之後基於各種子用戶的用戶信息和候選用戶的標籤屬性特徵生成各候選用戶的推薦度信息，最後根據推薦度信息從候選用戶中確定出目標商戶的目標推薦用戶，能夠利用種子用戶更加全面、準確地對用戶與目標商戶間的關聯性進行分析，並有效、合理地量化待推薦用戶對目標商戶的興趣度，從而提升了目標推薦用戶定位的準確性。

附圖說明

通過閱讀參照以下附圖所作的對非限制性實施例詳細描述，本申請的其它特徵、目的和優點將會變得更明顯：

圖1是本申請可以應用於其中的示例性系統架構圖；

圖2是根據本申請的用於確定目標推薦用戶的方法的一個實施例的流程圖；

圖3是根據本申請的用於確定目標推薦用戶的方法的另一個實施例的流程圖；

圖4是圖3所示的用於確定目標推薦用戶的方法的一種具體實現場景的示意性流程圖；

圖5是根據本申請的用於確定目標推薦用戶的方法的一個效果示意圖；

圖6是本申請的用於確定目標推薦用戶的裝置的一個實施例的結構示意圖；

圖7是適於用來實現本申請實施例的伺服器的計算機系統的結構示意圖。

具體實施方式

下面結合附圖和實施例對本申請作進一步的詳細說明。可以理解的是，此處所描述的具體實施例僅僅用於解釋相關發明，而非對該發明的限定。另外還需要說明的是，為了便於描述，附圖中僅示出了與有關發明相關的部分。

需要說明的是，在不衝突的情況下，本申請中的實施例及實施例中的特徵可以相互組合。下面將參考附圖並結合實施例來詳細說明本申請。

圖1示出了可以應用本申請的用於確定目標推薦用戶的方法或用於確定目標推薦用戶的裝置的實施例的示例性系統架構100。

如圖1所示，系統架構100可以包括商戶110使用的終端設備101、102、用戶120、130、…的終端設備103、104、…、網絡105和伺服器106。網絡105用以在終端設備101、102、103、104、…和伺服器106之間提供通信鏈路的介質。網絡105可以包括各種連接類型，例如有線、無線通信鏈路或者光纖電纜等等。

商戶110可以使用終端設備101、102通過網絡105與伺服器106交互，以接收或發送消息。終端設備101、102可以安裝有與伺服器106提供的服務關聯的應用，例如購物類應用。

用戶120、130、…也可以使用終端設備103、104、…通過網絡105與伺服器106交互，以接收或發送消息。終端設備103、104、…可以安裝有各種通訊客戶端應用，例如網頁瀏覽器應用、購物類應用、社交軟體等。

終端設備101、102、103、104、..可以是具有顯示屏並且支持網絡數據通訊的各種電子設備，包括但不限於智慧型手機、平板電腦、電子書閱讀器、mp3播放器(movingpictureexpertsgroupaudiolayeriii，動態影像專家壓縮標準音頻層面3)、mp4(movingpictureexpertsgroupaudiolayeriv，動態影像專家壓縮標準音頻層面4)播放器、膝上型便攜計算機和臺式計算機等等。

伺服器106可以是為商戶110的終端設備101、102和用戶120、130、…的終端設備103、104、…提供同一種數據服務的伺服器，例如為購物類應用的後臺伺服器。購物類應用的後臺伺服器可以接收用戶120、130、…的終端設備103、104、…的數據請求，並對數據請求進行分析、存儲等處理後發送至商戶110的終端設備101、102，並將商戶110的終端設備101、102返回的反饋信息進行分析處理後發送至用戶120、130、…的終端設備103、104、…。

需要說明的是，本申請實施例所提供的用於確定目標推薦用戶的方法一般由伺服器106執行，相應地，用於確定目標推薦用戶的裝置一般設置於伺服器106中。

應該理解，圖1中的終端設備、網絡和伺服器的數目僅僅是示意性的。根據實現需要，可以具有任意數目的終端設備、網絡和伺服器。

繼續參考圖2，示出了根據本申請的用於確定目標推薦用戶的方法的一個實施例的流程200。該用於確定目標推薦用戶的方法，包括以下步驟：

步驟201，獲取目標商戶所在的平臺中的用戶集的用戶信息。

在本實施例中，上述用於確定目標推薦用戶的方法運行與其上的電子設備(例如圖1所示的伺服器106)可以獲取目標商戶所在的平臺中的用戶集的用戶信息。在這裡，平臺上可以有多個商戶，目標商戶為其中的一個或多個商戶。用戶集包括目標商戶所在平臺中的所有用戶，包括目標商戶的種子用戶和待推薦用戶。種子用戶可以為對目標商戶具有影響力的用戶，例如可以為在目標商戶的消費頻率較高、地理位置與目標商戶的地址位置相近、信譽較好的用戶，或者可以為執行過與目標商戶關聯的預設操作的用戶，例如可以為將目標商戶的相關信息分享至社交平臺中的用戶。待推薦用戶可以為除種子用戶之外的其他用戶，也可以為除了在目標商戶下過單的用戶之外的用戶。

上述用戶信息包括具有預設標籤集合中的標籤的歷史訂單記錄。具體來說，預設標籤集合包括多個預設的標籤，可以為商戶中的商品標籤(例如餐館的菜品標籤)，商戶的地理位置標籤(例如商圈標籤)、商品價格標籤等。每條歷史訂單記錄對應用戶的一次下單操作，則可以將用戶在一段時間內的下單操作與上述預設的標籤相關聯地存儲，得到上述具有預設標籤集合中的標籤的歷史訂單記錄。在本實施例中，上述電子設備可以從本地的存儲器中調取平臺上各用戶的歷史訂單記錄，也可以通過網絡從遠程設備中接收各用戶的歷史訂單記錄。

在一些可選的實現方式中，上述用戶信息還可以包括用戶的基本屬性信息，包括用戶的年齡、性別、職業、愛好、習慣、地理位置等信息。這些基本屬性信息可以由用戶主動錄入，例如年齡、地理位置信息；也可以結合用戶在平臺的操作行為數據獲得，例如可以由用戶的下單時間、下單方式、地理位置確定用戶的職業、愛好等信息。在獲取用戶的歷史訂單記錄時，可以根據用戶的標識，同時獲取用戶的上述基本屬性信息。

步驟202，對用戶集中各用戶的歷史訂單記錄按照標籤進行統計，得到用戶集中各用戶的標籤屬性特徵。

上述每個用戶的每條歷史訂單記錄均具有標籤，在本實施例中，可以按照標籤對每個用戶的歷史訂單記錄進行統計，將統計結果作為對應用戶的標籤屬性特徵。在這裡，標籤屬性特徵可以為基於標籤的用戶屬性特徵，換言之，也就是用標籤特性來表示的用戶的屬性。

具體地，可以採用多種方式來表示用戶的標籤屬性特徵。舉例來說，用戶a的歷史訂單記錄中包括具有標籤a的訂單3條以及具有標籤b的訂單1條，則用戶a的標籤屬性特徵可以表示為a3+b1，或者a3&b1。

在本實施例的一些可選的實現方式中，上述預設標籤集合中的標籤數量較多，可以首先將標籤分類，將標籤集合中的標籤劃分為多個標籤類別，然後針對每個標籤類別對用戶的歷史訂單記錄進行統計，即統計屬於每一個標籤類別的歷史訂單記錄的數量，作為各用戶的標籤屬性特徵。這樣可以減少後續的運算量，縮短運算時間，提高確定目標推薦用戶的效率。

步驟203，基於標籤屬性特徵從待推薦用戶中篩選與種子用戶相似的用戶，作為目標商戶的候選用戶。

在得到各用戶的標籤屬性特徵之後，可以將目標商戶的種子用戶和標籤屬性特徵和待推薦用戶的標籤屬性特徵進行比對，篩選出與種子用戶的標籤屬性特徵相似的待推薦用戶作為目標商戶的候選用戶。

在對種子用戶的標籤屬性特徵和待推薦用戶的標籤屬性特徵進行比對時，可以採用多種方法，例如可以將各用戶的標籤屬性特徵用數據形式(例如字符串、向量、矩陣等方式)表示，然後提取標籤屬性特徵的特徵值或特徵數據點，利用特徵值或特徵數據點對兩個標籤屬性特徵進行匹配，若兩個標籤屬性特徵的特徵值或特徵數據點的匹配度超過預設的閾值，則可以確定對應的兩個用戶相似，由此可以得出每個種子用戶的一個或多個相似用戶。

需要說明的是，目標商戶的不同種子用戶的相似用戶可以有重疊，也就是說，一個待推薦用戶可以為兩個以上不同的種子用戶的相似用戶，則該待推薦用戶可以為該目標商戶對應於兩個以上不同的種子用戶的候選用戶。

步驟204，基於各種子用戶的用戶信息和候選用戶的標籤屬性特徵生成各候選用戶的推薦度信息。

在本實施例中，對目標商戶的每個候選用戶，可以基於與該候選用戶相似的種子用戶的用戶信息和該候選用戶的標籤屬性特徵生成其推薦度信息，以供上述電子設備根據推薦度信息來確定出目標推薦用戶。推薦度信息可以用於表示候選用戶對目標商戶的潛在興趣度，或者用於表示將候選用戶推薦給目標商戶後候選用戶在目標商戶執行瀏覽、下單、關注、評價等操作的可能性。具體地，推薦度信息可以包括推薦指數。在這裡，每個候選用戶的推薦度信息和與其相似的種子用戶對目標商戶的影響力以及候選用戶本身的標籤屬性特徵相關。種子用戶對目標商戶的影響力越大，則該種子用戶的相似用戶對目標商戶感興趣的可能性越大，該種子用戶對應的候選用戶的推薦指數越高。並且，候選用戶與種子用戶的相似度越高，則候選用戶對目標商戶感興趣的可能性也越大，則該候選用戶的推薦指數也越高。此外，若某一候選用戶與目標商戶的多個種子用戶相似，則該候選用戶對目標商戶的興趣度可以大於僅與一個種子用戶相似的候選用戶對目標商戶的興趣度。因此，可以綜合以上因素生成出每個候選用戶的推薦指數。

具體來說，可以首先根據種子用戶的用戶信息確定出種子用戶對目標商戶的影響力因子，然後將該種子用戶對應的候選用戶的標籤屬性特徵量化，將種子用戶對目標商戶的影響力因子與該種子用戶對應的候選用戶的標籤屬性特徵的量化值相乘可以得到該候選用戶相對於該種子用戶的推薦度指數，之後將該候選用戶對各不同種子用戶的推薦指數相加或取平均，得到該候選用戶的推薦指數，即生成了該候選用戶的推薦度信息。進一步地，在量化候選用戶的標籤屬性特徵時，可以利用候選用戶與種子用戶的相似度作為其量化值；或者可以將候選用戶的標籤屬性特徵與目標商戶的標籤屬性特徵相匹配，將匹配度作為量化值。這裡的目標商戶的標籤屬性特徵可以為商戶預先設定的，可以包括目標商戶的價位標籤、商品類型標籤、地理位置標籤、評分標籤等。例如，作為目標商戶的某一餐廳x預設的標籤屬性特徵包括「川菜、人均80-100元、中關村」，當候選用戶y的標籤屬性特徵包括「麻辣」、「中關村商圈」時，候選用戶y與該餐廳x的匹配度值較高。

在一些可選的實現方式中，還可以採用諸如機器學習等方法來生成推薦度信息。例如可以構建推薦度信息生成模型，獲取平臺中已進行目標推薦用戶篩選並進行相關的推薦活動的商戶的反饋信息，例如目標推薦用戶是否在這些商戶進行過下單操作、與這些商戶關聯的訂單信息、評價信息等；還可以獲取目標推薦用戶與種子用戶的相似度、種子用戶的歷史訂單記錄數據等信息，利用這些信息作為訓練樣本集，對推薦度信息生成模型進行訓練，得到訓練後的推薦度信息生成模型。這樣，可以將目標商戶的種子用戶的用戶信息和候選用戶的標籤屬性特徵輸入訓練後的推薦度信息生成模型，得出候選用戶的推薦度信息。

步驟205，根據推薦度信息從候選用戶中確定出目標商戶的目標推薦用戶。

上述電子設備可以根據步驟204生成的推薦度信息來選擇目標推薦用戶，例如可以根據推薦度指數對各候選用戶按照由高到低的規則進行排序，選擇排序在前預設位數的候選用戶作為目標商戶的目標推薦用戶；或者可以選定推薦度指數超過預設閾值的候選用戶作為目標商戶的目標推薦用戶。

在本實施例的一些可選的實現方式中，在獲取目標商戶所在平臺中的用戶集的用戶信息之後，上述用於確定目標推薦用戶的方法還可以包括確定目標商戶的種子用戶的步驟，包括：將用戶集中的歷史訂單記錄與目標商戶關聯且與目標商戶關聯的歷史訂單記錄滿足預設條件的用戶作為目標商戶的種子用戶。也就是說，上述電子設備可以首先從用戶集中篩選出與歷史訂單記錄與目標商戶關聯的用戶，並判斷篩選出的用戶的歷史訂單記錄是否滿足預設條件，若是，則確定該篩選出的用戶是目標商戶的種子用戶。在這裡，歷史訂單記錄與目標商戶關聯可以是歷史訂單記錄中有發生在目標商戶的訂單記錄。預設條件可以是訂單數量大於預設的數量，或在預設時間內的訂單數量不小與預設的數量等等。

進一步地，在確定出種子用戶的同時，可以確定出目標商戶的待推薦用戶，例如可以將用戶集中除種子用戶之外的其他用戶作為待推薦用戶，或者可以篩選出未在目標商戶下過單的用戶作為待推薦用戶。

本申請上述實施例提供的用於確定目標推薦用戶的方法，首先獲取目標商戶所在平臺上的用戶集的包括具有預設標籤集合中的標籤的歷史訂單記錄的用戶信息，然後對用戶集中各用戶的歷史訂單記錄按照標籤進行統計，得到各用戶的標籤屬性特徵，而後基於標籤屬性特徵從待推薦用戶中篩選出於種子用戶相似的用戶，作為目標商戶的候選用戶，之後基於各種子用戶的用戶信息和候選用戶的標籤屬性特徵生成各候選用戶的推薦度信息，最後根據推薦度信息從候選用戶中確定出目標商戶的目標推薦用戶，能夠利用種子用戶更加全面、準確地對用戶與目標商戶間的關聯性進行分析，並有效、合理地量化待推薦用戶對目標商戶的興趣度，從而提升了目標推薦用戶定位的準確性。

繼續參考圖3，其示出了用於確定目標推薦用戶的方法的又一個實施例的流程300。該用於確定目標推薦用戶的方法的流程300，包括以下步驟：

步驟301，獲取目標商戶所在的平臺中的用戶集的用戶信息。

在本實施例中，用於確定目標推薦用戶的方法運行於其上的電子設備(例如圖1所示的伺服器106)可以從本地獲取或接收遠程設備發送的平臺中的用戶集的用戶信息。其中，用戶集包括目標商戶所在平臺中的所有用戶，包括目標商戶的種子用戶和待推薦用戶，用戶信息包括具有預設標籤集合中的標籤的歷史訂單記錄。

步驟302，根據用戶集中的每個用戶的歷史訂單記錄，對每個用戶對應於各標籤的下單頻次進行統計，生成每個用戶的標籤特徵向量。

每個用戶的標籤屬性特徵為基於標籤的用戶屬性特徵，在本實施例中，可以用向量的方式來表示基於標籤的用戶屬性特徵，即標籤屬性特徵可以包括標籤特徵向量。標籤特徵向量中的各個元素為對應於預設標籤集合中的各標籤的特徵值，也即為對應於每個標籤的用戶屬性特徵的量化值。

在本實施例中，上述電子設備可以根據步驟301所獲取的各用戶的具有預設標籤集合中的標籤的歷史訂單記錄，對每個用戶對應於各標籤的下單頻次進行統計，從而生成每個用戶的標籤特徵向量。具體來說，上述歷史下單記錄中，每條記錄都具有一個或多個標籤，則可以統計用戶的具有每個標籤的歷史下單記錄的條數，或統計用戶的具有每個標籤的歷史下單頻率(例如每x天下單一次)，作為標籤特徵向量中每個標籤對應的特徵值。

在本實施例的一些可選的實現方式中，在統計歷史訂單記錄得出標籤特徵向量時，還可以考慮用戶的興趣度隨時間的變化，例如歷史訂單記錄中的一條訂單記錄的下單時間距離當前時間較遠時，該條訂單記錄對用戶興趣度評估的重要性低於另一條下單時間距離當前時間較近的訂單記錄的重要性。具體地，在一些可選的實現方式中，上述步驟302可以按照如下方式執行：

步驟3021，對標籤集合中的每個標籤，基於每個用戶對應於標籤的各條歷史訂單記錄的訂單生成時間，以預設的時間衰減因子確定各條歷史訂單記錄的等效下單次數，對各條歷史訂單記錄的等效下單次數進行求和，得到用戶對應於標籤的下單頻次的統計結果。

在本實施例中，在對用戶對於其中一個標籤的下單頻次進行統計時，可以根據用戶對應於該標籤的歷史訂單記錄的訂單生成時間與當前時間的距離，確定時間衰減因子對下單頻次統計的影響力，例如預設的時間衰減因子為α(0＜α＜1，例如α＝0.95)，歷史訂單記錄的訂單生成時間距離當前時間t天，則時間衰減因此對下單頻次統計的影響力為αt，該條歷史訂單記錄的等效下單次數為αt。這樣，對具有同一個標籤的每條歷史訂單記錄的等效下單次數相加，即得到用戶對應於該標籤的下單頻次的統計結果。

步驟3022，基於用戶對應於預設標籤集合中各標籤的下單頻次的統計結果，生成用戶的標籤特徵向量。

在對每個標籤的下單頻次統計完成後，可以將用戶對應於每個標籤的下單頻次的統計結果作為該用戶的標籤特徵向量中對應於每個標籤的特徵值。

在進一步的實現方式中，上述步驟3022可以通過如下方式實現：對用戶對應於預設標籤集合中的各標籤的下單頻次的統計結果進行歸一化處理，將歸一化處理後的下單頻次統計結果作為標籤特徵向量中各對應元素的特徵值。也就是說，可以對下單頻次的統計結果進行歸一化，將歸一化後的下單頻次統計結果作為標籤特徵向量中對應標籤的特徵值。

以訂餐平臺上的用戶作為示例，該訂餐平臺中預設的標籤集合包括多個菜品標籤，例如「紅燒」、「肉夾饃」、「酸辣」、「水餃」等，每個商戶的各個菜品的菜品標籤可以通過匹配該標籤集合得到。用戶i的標籤特徵向量vi可以採用如下式(1)表示：

其中，

count(dish_tagj)為標籤集合中的第j個菜品標籤的下單頻次的統計結果，j為正整數且1≤j≤k，k為預設標籤集合中的標籤數量。

這樣，可以將每個用戶的標籤屬性特徵用一個一維的標籤特徵向量表示，且考慮了時間對用戶興趣的影響，從而可以更準確地刻畫出動態的用戶畫像，提升用戶的近期興趣在確定目標推薦用戶過程中的影響力，能夠進一步提升確定出的目標推薦用戶的針對性。

步驟303，基於標籤特徵向量從待推薦用戶中篩選與種子用戶相似的用戶，作為目標商戶的候選用戶。

在上述步驟302中，各用戶的標籤屬性特徵採用標籤特徵向量來表示，則用戶間的相似度可以由其特徵向量的相似度表示。在本實施例中，可以計算種子用戶的標籤特徵向量與各待推薦用戶的標籤特徵向量的相似度，作為種子用戶與待推薦用戶的相似度，進而可以根據相似度的排序曬選出候選用戶。可選地，兩個標籤特徵向量的相似度可以採用歐氏距離、餘弦相似度、皮爾森相關係數等已有的相似度計算方法來得出。在篩選候選用戶時，可以將相似度排序前預設位的相似用戶作為候選用戶。

在本實施例的一些可選的實現方式中，為了縮小篩選範圍，可以在計算相似度之前利用一些預判條件對待推薦用戶進行過濾，例如可以將地理位置與種子用戶相差過遠、或平均下單金額與種子用戶相差過多的用戶剔除。之後在縮小了篩選範圍的待推薦用戶中通過相似度排序來篩選出候選用戶。這樣可以減小計算量，加快運算速度，進而快速地為目標商戶提供目標推薦用戶的篩選結果。

步驟304，基於各種子用戶的用戶信息和候選用戶的標籤屬性特徵生成各候選用戶的推薦度信息。

在本實施例中，每個候選用戶的推薦度信息和與其相似的種子用戶對目標商戶的影響力以及候選用戶本身的標籤屬性特徵相關。這裡的標籤屬性特徵包括標籤特徵向量。

在上述步驟303中可以計算得出種子用戶與各候選用戶的相似度。在這裡，候選用戶的推薦度信息可以利用候選用戶的得分來表示。可以通過如下方式生成各候選用戶的推薦度信息：首先根據種子用戶的歷史訂單記錄統計種子用戶與目標商戶關聯的下單次數，之後將候選用戶與種子用戶的相似度和種子用戶與目標商戶關聯的下單次數的乘積作為候選用戶的對應於種子用戶的得分，對候選用戶對應於各種子用戶的得分求和，得到候選用戶的得分，作為候選用戶的推薦度信息。

具體來說，每個候選用戶的得分可以按照下面的公式(3)計算得出：

其中，uq為目標商戶的第q個種子用戶；up為第p個候選用戶；score(up)為第p個候選用戶的得分；order_num(uq)為第q個種子用戶在預設時間段內(例如一個月內)在目標商戶下單的次數；若第p個候選用戶up為步驟303中篩選出的與第q個種子用戶uq相似的用戶，則sim(up，uq)為步驟303計算得出的第p個候選用戶up與目標商戶的第q個種子用戶uq之間的相似度，否則sim(up，uq)＝0。q為與候選用戶up相似的目標商戶的種子用戶的數量。

利用上述公式(3)，可以得出每個候選用戶的得分，從式(3)可以看出，當候選用戶為多個種子用戶的相似用戶時，其得分可以累加，也即當候選用戶與多個種子用戶相似時，該候選用戶對目標商戶的潛在的興趣度比較高。

步驟305，根據推薦度信息從候選用戶中確定出目標商戶的目標推薦用戶。

在得出各候選用戶的得分作為各候選用戶的推薦度信息之後，可以根據得分的排序或得分是否超過設定的閾值確定目標推薦用戶。例如可以對候選用戶按照得分進行降序排序，取前預設數量個作為目標商戶的目標推薦用戶。

上述方法流程中的步驟301、步驟305分別與前述實施例中的步驟201、步驟205相同，此處不再贅述。

從圖3中可以看出，與圖2對應的實施例相比，本實施例中的用於確定目標推薦用戶的方法的流程300通過將用戶的標籤屬性特徵量化為標籤特徵向量，進而利用標籤特徵向量間的相似度來表徵種子用戶和待推薦用戶之間的相似度，可以得到更準確的目標推薦用戶的篩選結果。

在本實施例的一些可選的實現方式中，上述用於確定目標推薦用戶的方法流程300還可以包括在獲取到目標商戶所在的平臺中的用戶集的用戶信息之後，從用戶集中確定目標商戶的種子用戶的步驟，該步驟具體包括將用戶集中的歷史訂單記錄與目標商戶關聯且與目標商戶關聯的歷史訂單記錄滿足預設條件的用戶作為目標商戶的種子用戶。例如可以在目標商戶的下過單且在目標商戶的下單頻率大於預設值的用戶作為目標商戶的種子用戶。

圖4示出了圖3所示的用於確定目標推薦用戶的方法的一種具體實現場景的示意性流程圖。如圖4所示，首先，在步驟401中，獲取平臺中的用戶信息，這裡的用戶信息包括歷史訂單記錄，每條歷史訂單記錄具有相應的標籤；隨後，在步驟402中，根據用戶信息確定目標商戶的種子用戶，同時可以確定出目標商戶的待推薦用戶；然後，在步驟403中，根據上述用戶信息計算平臺中各用戶的標籤特徵向量；之後，在步驟404中，根據步驟402確定出的種子用戶和待推薦用戶，計算種子用戶的標籤特徵向量與待推薦用戶的標籤特徵向量的相似度，相似度排序前m位的作為候選用戶；之後，在步驟405中，計算候選用戶的得分，這裡需要考慮種子用戶的重要性程度和候選用戶與種子用戶的相似度；最後對得分進行降序排序，選擇排序前n位的候選用戶為目標推薦用戶。在這裡，m、n均為可預先設定的正整數。

進一步參考圖5，其示出了根據本申請的用於確定目標推薦用戶的方法的一個效果示意圖，也即示出了圖2或圖3所示方法的一個應用場景的效果示意圖。

如圖5所示，在xx外賣的平臺上，目標商戶「**小館」在商戶客戶端選擇「拉新」服務之後，xx外賣的後端伺服器可以獲取線上所有用戶的歷史訂單記錄，並根據歷史訂單記錄中每次下單用戶所點菜品的標籤確定每個用戶的標籤屬性特徵，可選地，還可以從所有用戶中預先篩選出商戶「**小館」的種子用戶，例如用戶h，並基於用戶h在線上的其他用戶中選出相似的用戶，生成相似的用戶的推薦度信息，而後根據推薦度信息確定出目標拉新用戶，包括用戶a、用戶b、用戶c、用戶d等，之後將拉新篩選的結果推送至目標商戶的客戶端中並呈現。還可以提供目標拉新用戶的得分和一些詳情信息，例如用戶的口味偏好、商圈、相關的訂單記錄等，以便商戶端可以獲取準確的拉新篩選結果，並進行針對性的商品推薦或活動信息推送。

進一步參考圖6，作為對上述各圖所示方法的實現，本申請提供了一種用於確定目標推薦用戶的裝置的一個實施例，該裝置實施例與圖6所示的方法實施例相對應，該裝置具體可以應用於各種電子設備中。

如圖6所示，本實施例的用於確定目標推薦用戶的裝置600包括：獲取單元601、統計單元602、篩選單元603、生成單元604以及確定單元605。其中，獲取單元601配置用於獲取目標商戶所在的平臺中的用戶集的用戶信息，其中，用戶集包括目標商戶的種子用戶和待推薦用戶，用戶信息包括具有預設標籤集合中的標籤的歷史訂單記錄；統計單元602配置用於對用戶集中各用戶的歷史訂單記錄按照標籤進行統計，得到用戶集中各用戶的標籤屬性特徵；篩選單元603配置用於基於標籤屬性特徵從待推薦用戶中篩選與種子用戶相似的用戶，作為目標商戶的候選用戶；生成單元604配置用於基於各種子用戶的用戶信息和候選用戶的標籤屬性特徵生成各候選用戶的推薦度信息；確定單元605配置用於根據推薦度信息從候選用戶中確定出目標商戶的目標推薦用戶。

在本實施例中，獲取單元601可以從本地存儲器調取出平臺上各用戶的用戶信息，或者可以通過有線連接方式或者無線連接方式從其他伺服器中接收平臺上各用戶的用戶信息。這裡的用戶信息還可以包括用戶的年齡、地理位置、職業等基本屬性信息。

統計單元602可以對獲取單元601獲取的每個用戶的用戶信息基於標籤進行統計，得到每個標籤對應的統計數據，從而得出各用戶的標籤屬性特徵。

篩選單元603可以根據統計單元602統計得到的各用戶的標籤屬性特徵對種子用戶和待推薦用戶進行比對，篩選出與種子用戶相似的用戶，作為目標商戶的候選用戶。

對篩選單元603篩選出的候選用戶，生成單元604可以利用對應的種子用戶的用戶信息確定種子用戶對目標商戶的重要性程度，並基於候選用戶標籤特徵屬性與目標商戶的屬性之間的關聯度或與種子用戶之間的相似性程度生成候選用戶的推薦度信息。這裡的推薦度信息可以表示候選用戶對目標商戶的潛在興趣度。

確定單元605可以按照推薦度信息選出對目標商戶的潛在興趣度較高的候選用戶作為目標商戶的目標推薦用戶。可選地，若生成單元604生成的推薦度信息利用推薦指數來表示，則可以按照推薦指數的降序對各候選用戶進行排序，選擇排序前預設位的候選用戶為目標商戶的目標推薦用戶。

在一些實施例中，上述標籤屬性特徵包括標籤特徵向量，該標籤特徵向量中的各元素為對應於預設標籤集合中的各標籤的特徵值；則統計單元602可以進一步配置用於按照如下方式對用戶集中各用戶的歷史訂單記錄進行統計：根據用戶集中的每個用戶的歷史訂單記錄，對每個用戶對應於各標籤的下單頻次進行統計，生成每個用戶的標籤特徵向量。在這裡，標籤特徵向量中對應標籤的特徵值即為用戶對應於該標籤的下單頻次的統計結果。

在進一步的實施例中，上述歷史訂單記錄包括各條歷史訂單記錄的訂單生成時間；則統計單元602可以進一步配置用於按照如下方式對每個用戶對應於各標籤的下單頻次進行統計，從而生成每個用戶的標籤特徵向量：對標籤集合中的每個標籤，基於每個用戶對應於標籤的各條歷史訂單記錄的訂單生成時間，以預設的時間衰減因子確定各條歷史訂單記錄的等效下單次數，對各條歷史訂單記錄的等效下單次數進行求和，得到用戶對應於標籤的下單頻次的統計結果；基於用戶對應於預設標籤集合中各標籤的下單頻次的統計結果，生成用戶的標籤特徵向量。

進一步地，上述統計單元602可以進一步配置用於對用戶對應於預設標籤集合中的各標籤的下單頻次的統計結果進行歸一化處理，將歸一化處理後的下單頻次統計結果作為標籤特徵向量中各對應元素的特徵值。

具體地，時間衰減因子可以設定為α(0＜α＜1，例如α＝0.95)，歷史訂單記錄的訂單生成時間距離當前時間t天，則時間衰減因此對下單頻次統計的影響力為αt，該條歷史訂單記錄的等效下單次數為αt。用戶i的標籤特徵向量vi可以採用如下式表示：

其中，

count(dish_tagj)為標籤集合中的第j個標籤的下單頻次的統計結果，k為預設標籤集合中的標籤數量。

在進一步的實施例中，篩選單元603進一步配置用於按照如下方式篩選與種子用戶相似的用戶來作為目標商戶的候選用戶：計算種子用戶的標籤特徵向量與各待推薦用戶的標籤特徵向量的相似度，作為種子用戶與所述待推薦用戶的相似度；根據相似度的排序篩選出候選用戶。這裡的相似度可以採用歐式距離、餘弦相似度、皮爾森係數等方式計算，相似度越高，則候選用戶對目標商戶的興趣度越大。

進一步地，上述生成單元604進一步配置用於按照如下方式生成各候選用戶的推薦度信息：根據種子用戶的歷史訂單記錄統計種子用戶與目標商戶關聯的下單次數；將候選用戶與種子用戶的相似度和種子用戶與目標商戶關聯的下單次數的乘積作為候選用戶的對應於種子用戶的得分；對候選用戶對應於各種子用戶的得分求和，得到候選用戶的得分，作為候選用戶的推薦度信息。具體的計算方式為，每個候選用戶up的得分score(up)為：

其中，uq為目標商戶的第q個種子用戶；up為第p個候選用戶；order_num(uq)為第q個種子用戶在預設時間段內(例如一個月內)在目標商戶下單的次數；若第p個候選用戶up為步驟303中篩選出的與第q個種子用戶uq相似的用戶，則sim(up，uq)為步驟303計算得出的第p個候選用戶up與目標商戶的第q個種子用戶uq之間的相似度，否則sim(up，uq)＝0。q為與候選用戶up相似的目標商戶的種子用戶的數量。

在一些實施例中，裝置600還可以包括配置用於確定目標商戶的種子用戶的單元，具體配置用於：將用戶集中的歷史訂單記錄與目標商戶關聯且與目標商戶關聯的歷史訂單記錄滿足預設條件的用戶作為目標商戶的種子用戶。即配置用於確定目標商戶的種子用戶的單元可以提取出歷史訂單記錄與目標商戶相關且滿足上述預設條件的用戶，例如在目標商戶下過單，且下單次數超過預設閾值的用戶，作為目標商戶的種子用戶。可選地，同時可以將其他用戶作為待推薦用戶，或者將未在目標商戶下過單的用戶作為待推薦用戶。

應當理解，裝置600中記載的諸單元與參考圖2和圖3描述的方法中的各個步驟相對應。由此，上文針對方法描述的操作和特徵同樣適用於裝置600及其中包含的單元，在此不再贅述。

本申請實施例提供的用於確定目標推薦用戶的裝置600，利用各用戶的標籤屬性特徵篩選出與目標商戶的種子用戶相似的用戶，並基於與種子用戶相似的用戶的標籤屬性特徵和種子用戶的用戶信息生成與種子用戶相似的用戶的推薦度信息，根據推薦度信息來確定目標推薦用戶，能夠有效、合理地量化用戶對目標商戶的興趣度、提升目標推薦用戶定位的準確性。

下面參考圖7，其示出了適於用來實現本申請實施例的伺服器的計算機系統700的結構示意圖。圖7示出的伺服器僅僅是一個示例，不應對本申請實施例的功能和使用範圍帶來任何限制。

如圖7所示，計算機系統700包括中央處理單元(cpu)701，其可以根據存儲在只讀存儲器(rom)702中的程序或者從存儲部分708加載到隨機訪問存儲器(ram)703中的程序而執行各種適當的動作和處理。在ram703中，還存儲有系統700操作所需的各種程序和數據。cpu701、rom702以及ram703通過總線704彼此相連。輸入/輸出(i/o)接口705也連接至總線704。

以下部件連接至i/o接口705：包括鍵盤、滑鼠等的輸入部分706；包括諸如陰極射線管(crt)、液晶顯示器(lcd)等以及揚聲器等的輸出部分707；包括硬碟等的存儲部分708；以及包括諸如lan卡、數據機等的網絡接口卡的通信部分709。通信部分709經由諸如網際網路的網絡執行通信處理。驅動器710也根據需要連接至i/o接口705。可拆卸介質711，諸如磁碟、光碟、磁光碟、半導體存儲器等等，根據需要安裝在驅動器710上，以便於從其上讀出的電腦程式根據需要被安裝入存儲部分708。

特別地，根據本公開的實施例，上文參考流程圖描述的過程可以被實現為計算機軟體程序。例如，本公開的實施例包括一種電腦程式產品，其包括承載在計算機可讀介質上的電腦程式，該電腦程式包含用於執行上述流程圖2或圖3所示的方法的程序代碼。在這樣的實施例中，該電腦程式可以通過通信部分709從網絡上被下載和安裝，和/或從可拆卸介質711被安裝。在該電腦程式被中央處理單元(cpu)701執行時，執行本申請的方法中限定的上述功能。需要說明的是，本申請所述的計算機可讀介質可以是計算機可讀信號介質或者計算機可讀存儲介質或者是上述兩者的任意組合。計算機可讀存儲介質例如可以是——但不限於——電、磁、光、電磁、紅外線、或半導體的系統、裝置或器件，或者任意以上的組合。計算機可讀存儲介質的更具體的例子可以包括但不限於：具有一個或多個導線的電連接、可攜式計算機磁碟、硬碟、隨機訪問存儲器(ram)、只讀存儲器(rom)、可擦式可編程只讀存儲器(eprom或快閃記憶體)、光纖、可攜式緊湊磁碟只讀存儲器(cd-rom)、光存儲器件、磁存儲器件、或者上述的任意合適的組合。在本申請中，計算機可讀存儲介質可以是任何包含或存儲程序的有形介質，該程序可以被指令執行系統、裝置或者器件使用或者與其結合使用。而在本申請中，計算機可讀的信號介質可以包括在基帶中或者作為載波一部分傳播的數據信號，其中承載了計算機可讀的程序代碼。這種傳播的數據信號可以採用多種形式，包括但不限於電磁信號、光信號或上述的任意合適的組合。計算機可讀的信號介質還可以是計算機可讀存儲介質以外的任何計算機可讀介質，該計算機可讀介質可以發送、傳播或者傳輸用於由指令執行系統、裝置或者器件使用或者與其結合使用的程序。計算機可讀介質上包含的程序代碼可以用任何適當的介質傳輸，包括但不限於：無線、電線、光纜、rf等等，或者上述的任意合適的組合。

附圖中的流程圖和框圖，圖示了按照本申請各種實施例的系統、方法和電腦程式產品的可能實現的體系架構、功能和操作。在這點上，流程圖或框圖中的每個方框可以代表一個模塊、程序段、或代碼的一部分，該模塊、程序段、或代碼的一部分包含一個或多個用於實現規定的邏輯功能的可執行指令。也應當注意，在有些作為替換的實現中，方框中所標註的功能也可以以不同於附圖中所標註的順序發生。例如，兩個接連地表示的方框實際上可以基本並行地執行，它們有時也可以按相反的順序執行，這依所涉及的功能而定。也要注意的是，框圖和/或流程圖中的每個方框、以及框圖和/或流程圖中的方框的組合，可以用執行規定的功能或操作的專用的基於硬體的系統來實現，或者可以用專用硬體與計算機指令的組合來實現。

描述於本申請實施例中所涉及到的單元可以通過軟體的方式實現，也可以通過硬體的方式來實現。所描述的單元也可以設置在處理器中，例如，可以描述為：一種處理器包括獲取單元、統計單元、篩選單元、生成單元和確定單元。其中，這些單元的名稱在某種情況下並不構成對該單元本身的限定，例如，獲取單元還可以被描述為「獲取目標商戶所在的平臺中的用戶集的用戶信息的單元」。

作為另一方面，本申請還提供了一種計算機可讀介質，該計算機可讀介質可以是上述實施例中描述的裝置中所包含的；也可以是單獨存在，而未裝配入該裝置中。上述計算機可讀介質承載有一個或者多個程序，當上述一個或者多個程序被該裝置執行時，使得該裝置：獲取目標商戶所在的平臺中的用戶集的用戶信息，所述用戶集包括目標商戶的種子用戶和待推薦用戶，所述用戶信息包括具有預設標籤集合中的標籤的歷史訂單記錄；對所述用戶集中各所述用戶的歷史訂單記錄按照所述標籤進行統計，得到所述用戶集中各所述用戶的標籤屬性特徵；基於所述標籤屬性特徵從所述待推薦用戶中篩選與所述種子用戶相似的用戶，作為所述目標商戶的候選用戶；基於各所述種子用戶的用戶信息和所述候選用戶的標籤屬性特徵生成各所述候選用戶的推薦度信息；根據所述推薦度信息從所述候選用戶中確定出所述目標商戶的目標推薦用戶。

本申請實施例公開a1、一種用於確定目標推薦用戶的方法，所述方法包括：獲取目標商戶所在的平臺中的用戶集的用戶信息，所述用戶集包括目標商戶的種子用戶和待推薦用戶，所述用戶信息包括具有預設標籤集合中的標籤的歷史訂單記錄；對所述用戶集中各所述用戶的歷史訂單記錄按照所述標籤進行統計，得到所述用戶集中各所述用戶的標籤屬性特徵；基於所述標籤屬性特徵從所述待推薦用戶中篩選與所述種子用戶相似的用戶，作為所述目標商戶的候選用戶；基於各所述種子用戶的用戶信息和所述候選用戶的標籤屬性特徵生成各所述候選用戶的推薦度信息；根據所述推薦度信息從所述候選用戶中確定出所述目標商戶的目標推薦用戶。

a2、如a1所述的方法中，所述標籤屬性特徵包括標籤特徵向量，所述標籤特徵向量中的各元素為對應於所述預設標籤集合中的各標籤的特徵值；所述對所述用戶集中各所述用戶的歷史訂單記錄按照所述標籤進行統計，得到所述用戶集中各所述用戶的標籤屬性特徵，包括：根據所述用戶集中的每個用戶的歷史訂單記錄，對每個所述用戶對應於各標籤的下單頻次進行統計，生成每個所述用戶的標籤特徵向量。

a3、如a2所述的方法中，所述歷史訂單記錄包括各條歷史訂單記錄的訂單生成時間；所述根據所述用戶集中的每個用戶的歷史訂單記錄，對每個所述用戶對應於各標籤的下單頻次進行統計，生成每個所述用戶的標籤特徵向量，包括：對所述標籤集合中的每個標籤，基於每個所述用戶對應於所述標籤的各條歷史訂單記錄的訂單生成時間，以預設的時間衰減因子確定各條歷史訂單記錄的等效下單次數，對各條歷史訂單記錄的等效下單次數進行求和，得到所述用戶對應於所述標籤的下單頻次的統計結果；基於所述用戶對應於所述預設標籤集合中各所述標籤的下單頻次的統計結果，生成所述用戶的標籤特徵向量。

a4、如a3所述的方法中，所述基於所述用戶對應於所述預設標籤集合中各所述標籤的下單頻次的統計結果，生成所述用戶的標籤特徵向量，包括：對所述用戶對應於所述預設標籤集合中的各所述標籤的下單頻次的統計結果進行歸一化處理，將歸一化處理後的下單頻次統計結果作為所述標籤特徵向量中各對應元素的特徵值。

a5、如a2所述的方法中，所述基於所述標籤屬性特徵從所述待推薦用戶中篩選與所述種子用戶相似的用戶，作為所述目標商戶的候選用戶，包括：計算所述種子用戶的標籤特徵向量與各所述待推薦用戶的標籤特徵向量的相似度，作為所述種子用戶與所述待推薦用戶的相似度；根據所述相似度的排序篩選出所述候選用戶。

a6、如a5所述的方法中，所述基於各所述種子用戶的用戶信息和所述候選用戶的標籤屬性特徵生成各所述候選用戶的推薦度信息，包括：根據所述種子用戶的歷史訂單記錄統計所述種子用戶與所述目標商戶關聯的下單次數；將所述候選用戶與所述種子用戶的相似度和所述種子用戶與所述目標商戶關聯的下單次數的乘積作為所述候選用戶的對應於所述種子用戶的得分；對所述候選用戶對應於各所述種子用戶的得分求和，得到所述候選用戶的得分作為所述候選用戶的推薦度信息。

a7、如a1至a6中任一所述的方法中，所述方法還包括確定所述目標商戶的種子用戶的步驟，包括：將所述用戶集中的歷史訂單記錄與所述目標商戶關聯且與所述目標商戶關聯的歷史訂單記錄滿足預設條件的用戶作為所述目標商戶的種子用戶。

本申請實施例公開b1、一種用於確定目標推薦用戶的裝置，所述裝置包括：獲取單元，配置用於獲取目標商戶所在的平臺中的用戶集的用戶信息，所述用戶集包括目標商戶的種子用戶和待推薦用戶，所述用戶信息包括具有預設標籤集合中的標籤的歷史訂單記錄；統計單元，配置用於對所述用戶集中各所述用戶的歷史訂單記錄按照所述標籤進行統計，得到所述用戶集中各所述用戶的標籤屬性特徵；篩選單元，配置用於基於所述標籤屬性特徵從所述待推薦用戶中篩選與所述種子用戶相似的用戶，作為所述目標商戶的候選用戶；生成單元，配置用於基於各所述種子用戶的用戶信息和所述候選用戶的標籤屬性特徵生成各所述候選用戶的推薦度信息；確定單元，配置用於根據所述推薦度信息從所述候選用戶中確定出所述目標商戶的目標推薦用戶。

b2、如b1所述的裝置中，所述標籤屬性特徵包括標籤特徵向量，所述標籤特徵向量中的各元素為對應於所述預設標籤集合中的各標籤的特徵值；所述統計單元進一步配置用於按照如下方式對所述用戶集中各所述用戶的歷史訂單記錄按照所述標籤進行統計：根據所述用戶集中的每個用戶的歷史訂單記錄，對每個所述用戶對應於各標籤的下單頻次進行統計，生成每個所述用戶的標籤特徵向量。

b3、如b2所述的裝置中，所述歷史訂單記錄包括各條歷史訂單記錄的訂單生成時間；所述統計單元進一步配置用於按照如下方式對每個所述用戶對應於各標籤的下單頻次進行統計，生成每個所述用戶的標籤特徵向量：對所述標籤集合中的每個標籤，基於每個所述用戶對應於所述標籤的各條歷史訂單記錄的訂單生成時間，以預設的時間衰減因子確定各條歷史訂單記錄的等效下單次數，對各條歷史訂單記錄的等效下單次數進行求和，得到所述用戶對應於所述標籤的下單頻次的統計結果；基於所述用戶對應於所述預設標籤集合中各所述標籤的下單頻次的統計結果，生成所述用戶的標籤特徵向量。

b4、如b3所述的裝置中，所述統計單元進一步配置用於按照如下方式生成所述用戶的標籤特徵向量：對所述用戶對應於所述預設標籤集合中的各所述標籤的下單頻次的統計結果進行歸一化處理，將歸一化處理後的下單頻次統計結果作為所述標籤特徵向量中各對應元素的特徵值。

b5、如b2所述的裝置中，所述篩選單元進一步配置用於按照如下方式篩選與所述種子用戶相似的用戶，作為所述目標商戶的候選用戶：計算所述種子用戶的標籤特徵向量與各所述待推薦用戶的標籤特徵向量的相似度，作為所述種子用戶與所述待推薦用戶的相似度；根據所述相似度的排序篩選出所述候選用戶。

b6、如b5所述的裝置中，所述生成單元進一步配置用於按照如下方式生成各所述候選用戶的推薦度信息：

根據所述種子用戶的歷史訂單記錄統計所述種子用戶與所述目標商戶關聯的下單次數；

將所述候選用戶與所述種子用戶的相似度和所述種子用戶與所述目標商戶關聯的下單次數的乘積作為所述候選用戶的對應於所述種子用戶的得分；

對所述候選用戶對應於各所述種子用戶的得分求和，得到所述候選用戶的得分，作為所述候選用戶的推薦度信息。

b7、如b1至b6中任一所述的裝置中，所述裝置還包括確定所述目標商戶的種子用戶的單元，配置用於：將所述用戶集中的歷史訂單記錄與所述目標商戶關聯且與所述目標商戶關聯的歷史訂單記錄滿足預設條件的用戶作為所述目標商戶的種子用戶。

本申請實施例公開c1、一種伺服器，包括：一個或多個處理器；存儲裝置，用於存儲一個或多個程序，當所述一個或多個程序被所述一個或多個處理器執行，使得所述一個或多個處理器實現如a1至a7中任一所述的方法。

本申請實施例公開d1、一種計算機可讀存儲介質，其上存儲有電腦程式，該程序被處理器執行時實現如a1至a7中任一所述的方法。

以上描述僅為本申請的較佳實施例以及對所運用技術原理的說明。本領域技術人員應當理解，本申請中所涉及的發明範圍，並不限於上述技術特徵的特定組合而成的技術方案，同時也應涵蓋在不脫離上述發明構思的情況下，由上述技術特徵或其等同特徵進行任意組合而形成的其它技術方案。例如上述特徵與本申請中公開的(但不限於)具有類似功能的技術特徵進行互相替換而形成的技術方案。