1.本说明书涉及大数据智能分析领域，特别涉及一种线下商户推荐方法和装置。
背景技术：2.随着信息技术的快速发展，信息化成为了银行发展的重要路径。建设具有智慧型、决策型的银行系统是银行发展的重中之中。网络带宽不断提升，5g时代的来临，收单机构与pos终端机具的交互将更加快速、便捷，达到指数级别提升，可携带的信息量将大大提升。
3.现在传统pos终端机具受限于产品功能、带宽、收单业务形态，仅支持普通的消费、预授权、余额查询和转账等支付功能。随着银行收单机构的业务不断发展，特约商户数量增长，pos终端机具只满足单一的资金类支付功能，未能实现线下特约商户之间的相互补充、提升、激励场景，无法实现线下商户推荐功能。
4.针对上述问题，目前尚未提出有效的解决方案。
技术实现要素：5.本说明书实施例提供了一种线下商户推荐方法和装置，以解决现有技术中现在传统pos终端机无法实现线下商户推荐的问题。
6.本说明书实施例提供了一种线下商户推荐方法，应用于推荐服务器，包括：接收线下商户客户端发送的线下商户推荐请求；所述线下商户推荐请求中携带有目标用户标识和目标商户标识；从预先建立的用户模型集合中获取所述目标用户标识对应的目标用户模型；从预先建立的商户模型集合中获取所述目标商户标识对应的目标商户模型；从预先建立的地理模型集合中获取所述目标商户模型对应的目标地理模型；基于所述目标用户模型与所述用户模型集合中的用户模型之间的相似度、所述目标地理模型与所述地理模型集合中的地理模型之间的相似度、以及所述用户模型集合、所述地理模型集合和所述商户模型集合两两之间的关联性，从所述商户模型集合中确定出多个商户模型，以生成线下商户推荐列表。
7.本说明书实施例还提供了一种线下商户推荐装置，应用于推荐服务器，包括：接收模块，用于接收线下商户客户端发送的线下商户推荐请求；所述线下商户推荐请求中携带有目标用户标识和目标商户标识；获取模块，用于从预先建立的用户模型集合中获取所述目标用户标识对应的目标用户模型；从预先建立的商户模型集合中获取所述目标商户标识对应的目标商户模型；从预先建立的地理模型集合中获取所述目标商户模型对应的目标地理模型；推荐模块，用于基于所述目标用户模型与所述用户模型集合中的用户模型之间的相似度、所述目标地理模型与所述地理模型集合中的地理模型之间的相似度、以及所述用户模型集合、所述地理模型集合和所述商户模型集合两两之间的关联性，从所述商户模型集合中确定出多个商户模型，以生成线下商户推荐列表。
8.本说明书实施例还提供一种计算机设备，包括处理器以及用于存储处理器可执行指令的存储器，所述处理器执行所述指令时实现上述任意实施例中所述的线下商户推荐方
法的步骤。
9.本说明书实施例还提供一种计算机可读存储介质，其上存储有计算机指令，所述指令被执行时实现上述任意实施例中所述的线下商户推荐方法的步骤。
10.本说明书实施例还提供一种计算机程序产品，包括计算机程序/指令，所述计算机程序/指令被处理器执行时实现上述任意实施例中所述的线下商户推荐方法的步骤。
11.在本说明书实施例中，提供了一种线下商户推荐方法，推荐服务器可以接收线下商户客户端发送的线下商户推荐请求，可以从预先建立的用户模型集合中获取线下商户推荐请求中携带的目标用户标识对应的目标用户模型，从预先建立的商户模型集合中获取线下商户推荐请求中携带的目标商户标识对应的目标商户模型，从预先建立的地理模型集合中获取所述目标商户标识对应的目标商户所处的地理位置对应的目标地理模型。之后，可以基于所述目标用户模型与所述用户模型集合中的用户模型之间的相似度、所述目标地理模型与所述地理模型集合中的地理模型之间的相似度、以及所述用户模型集合、所述地理模型集合和所述商户模型集合两两之间的关联性，从所述商户模型集合中确定出多个商户模型，以生成线下商户推荐列表。上述方案中，预先建立用户模型、地理模型和商户模型，根据线下商户推荐请求中携带的目标用户标识和目标商户标识，查找到对应的目标商户模型、目标用户模型和目标地理模型，之后，在进行线下商户推荐时，同时考虑用户群体之间的类似、地理模型之间的类似性以及用户模型、商户模型和地理模型两两之间的关联性，可以提高线下商户推荐的准确率，改善用户体验。通过上述方案解决了传统pos终端机无法实现线下商户推荐的技术问题，达到了有效提升线下商户推荐的准确率以及改善用户体验的技术效果。
附图说明
12.此处所说明的附图用来提供对本说明书的进一步理解，构成本说明书的一部分，并不构成对本说明书的限定。在附图中：
13.图1示出了本说明书一实施例中的线下商户推荐方法的流程图；
14.图2示出了本说明书一实施例中用于线下商户推荐方法的系统的架构图；
15.图3示出了本说明书一实施例中的线下商户推荐方法的流程图；
16.图4示出了本说明书一实施例中的地理模型、商户模型和用户模型的示意图；
17.图5示出了本说明书一实施例中的线下商户推荐方法的时序图；
18.图6示出了本说明书一实施例中的线下商户推荐装置的示意图；
19.图7示出了本说明书一实施例中的计算机设备的示意图。
具体实施方式
20.下面将参考若干示例性实施方式来描述本说明书的原理和精神。应当理解，给出这些实施方式仅仅是为了使本领域技术人员能够更好地理解进而实现本说明书，而并非以任何方式限制本说明书的范围。相反，提供这些实施方式是为了使本说明书公开更加透彻和完整，并且能够将本公开的范围完整地传达给本领域的技术人员。
21.本领域的技术人员知道，本说明书的实施方式可以实现为一种系统、装置设备、方法或计算机程序产品。因此，本说明书公开可以具体实现为以下形式，即：完全的硬件、完全
的软件(包括固件、驻留软件、微代码等)，或者硬件和软件结合的形式。
22.本说明书技术方案中对于数据的获取、存储、使用、处理等均符合国家法律法规的相关规定。
23.本说明书实施例提供了一种线下商户推荐方法。图1示出了本说明书一实施例中线下商户推荐方法的流程图。虽然本说明书提供了如下述实施例或附图所示的方法操作步骤或装置结构，但基于常规或者无需创造性的劳动在所述方法或装置中可以包括更多或者更少的操作步骤或模块单元。在逻辑性上不存在必要因果关系的步骤或结构中，这些步骤的执行顺序或装置的模块结构不限于本说明书实施例描述及附图所示的执行顺序或模块结构。所述的方法或模块结构的在实际中的装置或终端产品应用时，可以按照实施例或者附图所示的方法或模块结构连接进行顺序执行或者并行执行(例如并行处理器或者多线程处理的环境，甚至分布式处理环境)。
24.具体地，如图1所示，本说明书一种实施例提供的线下商户推荐方法可以包括以下步骤。
25.步骤s101，接收线下商户客户端发送的线下商户推荐请求；所述线下商户推荐请求中携带有目标用户标识和目标商户标识。
26.本说明书实施例中的线下商户推荐方法可以应用于推荐服务器。推荐服务器可以是单一的服务器、也可以是服务器集群，还可以是云服务器。本技术对此不做限制。
27.线下商户客户端在接收到交易完成信息或者交易请求之后，可以响应于交易完成信息或者交易请求，生成线下商户推荐请求。线下商户推荐请求中可以包括本次交易对应的目标用户标识和目标商户标识。推荐服务器可以接收线下商户客户端发送的线下商户推荐请求。
28.步骤s102，从预先建立的用户模型集合中获取所述目标用户标识对应的目标用户模型；从预先建立的商户模型集合中获取所述目标商户标识对应的目标商户模型；从预先建立的地理模型集合中获取所述目标商户模型对应的目标地理模型。
29.推荐服务器可以预先建立用户模型集合、商户模型集合和地理模型集合。推荐服务器还可以预先建立关联图，关联图中可以存储用户模型集合、商户模型集合和地理模型集合之间的关联关系。
30.其中，用户模型集合中包括进行线下交易的多个用户中各用户对应的用户模型。用户模型中可以包括用户标识和多个用户特征。在一个实施例中，用户特征可以包括以下至少之一：用户类型、用户等级、交易金额、交易笔数、交易单笔金额等。例如，用户类型可以包括会员和非会员，会员可以用1来表示，非会员可以用0来表示。又例如，用户等级可以用数字来表示，数字0表示用户非会员，数字1表示用户为一级会员，数字2表示用户为2级会员，数字3表示用户为3级会员。交易金额可以是预设时间段内用户线下交易的总金额。交易笔数可以是预设时间段内用户线下交易的总笔数。交易单笔金额可以是预设时间段内的用户线下交易总金额除以该预设时间段内用户线下交易的总笔数。
31.商户模型中可以包括商户标识和多个商户特征，在一个实施例中，商户特征可以包括以下至少之一：商户类型、交易总金额、交易笔数、推荐次数、推荐成功次数、交易单笔金额等信息。例如，商户类型可以用数字来标识，0表示商户为旅游景点类型，1表示商户为餐饮业类型，2表示商户为服装店类型。交易总金额可以是预设时间段内商户的总营业额。
交易笔数可以是预设时间段内商户的交易总笔数。交易单笔金额可以是预设时间段内的总营业额除以交易总比数。推荐次数可以是预设时间段内生成的线下用户推荐列表中包括该商户的次数。推荐成功次数可以向用户推荐该商户之后的一定时间段内该用户前往该商户进行线下交易的次数。
32.地理模型可以包括地理位置坐标和多个地理特征。在一个实施例中，地理特征可以包括以下至少之一：时间数据、天气数据、位置类型等。其中，时间数据可以包括集中类型的时间数据。例如，时间数据可以表示是否为工作日，0表示为节假日，1表示为工作日。又例如，时间数据可以表示是否为用餐时间，0表示为非用餐时间，1表示为用餐时间。天气数据可以用于表示天气，0表示晴天或多云，1表示阴雨天气等。在一个实施例中，位置类型可以表示地理模型对应的位置是否为景区。例如，0表示该位置不是景区，1表示该地理模型对应的位置为1a景区，2表示该地理模型对应的位置为2a景区，3表示该地理模型对应的位置为3a景区，4表示该地理模型对应的位置为4a景区，5表示该地理模型对应的位置为5a景区。又例如，对于该地理模型对应的为商铺时，1表示该地理模型对应的位置为商业，2表示该地理模型对应的位置为市场类，3表示该地理模型对应的位置为社区，4表示该地理模型对应的位置为住宅底层、5表示该地理模型对应的位置为百货商场、6表示该地理模型对应的位置为商务写字楼、7表示该地理模型对应的位置为交通设施、8表示该地理模型对应的位置为其他商铺类型。
33.在构建好用户模型集合、商户模型集合和地理模型集合之后，推荐服务器可以构建用户模型、地理模型和商户模型之间的支付关系网状图。具体的，每发生一笔交易，该笔交易对应的用户模型、地理模型和商户模型三者之间两两连接的网状线权重加1。在网状图建立起来后，当用户在线下pos消费时，可通过网状图找到用户模型关联的地理模型和商户模型，通过网状图找到该商户模型关联的用户模型和地理模型，可通过网状图找到该地理模型关联的用户模型和商户模型。用户模型与地理模型相关联可以是用户模型对应的用户在历史时间段内在地理模型对应的位置、天气、时间等的条件下进行了线下交易。用户模型与商户模型相关联可以是用户模型对应的用户在历史时间段内在商户模型对应的商户进行了线下交易。
34.在接收到线下商户推荐请求之后，推荐服务器可以从预先建立的用户模型集合中获取目标用户标识对应的目标用户模型。推荐服务器还可以从预先建立的商户模型集合中获取目标商户标识对应的目标商户模型。可以根据目标商户模型所处的位置确定出对应的目标地理模型。
35.步骤s103，基于所述目标用户模型与所述用户模型集合中的用户模型之间的相似度、所述目标地理模型与所述地理模型集合中的地理模型之间的相似度、以及所述用户模型集合、所述地理模型集合和所述商户模型集合两两之间的关联性，从所述商户模型集合中确定出多个商户模型，以生成线下商户推荐列表。
36.具体地，在获得目标用户模型和目标地理模型之后，可以基于目标用户模型与预先建立的用户模型集合中各用户模型之间的相似度，筛选出一部分用户模型。可以基于目标地理模型与预先建立的地理模型集合中各地理模型之间的相似度，筛选出一部分地理模型。之后，可以根据筛选出来的用户模型与筛选出来的地理模型之间的关联性、筛选出来的用户模型与商户模型集合中的商户模型之间的关联性、以及筛选出来的地理模型与商户模
型集合中的商户模型之间的关联性，从商户模型集合中筛选出多个商户模型，从而生成商户推荐列表。
37.上述实施例中，预先建立用户模型、地理模型和商户模型，根据线下商户推荐请求中携带的目标用户标识和目标商户标识，查找到对应的目标商户模型、目标用户模型和目标地理模型，之后，在进行线下商户推荐时，同时考虑用户群体之间的类似、地理模型之间的类似性以及用户模型、商户模型和地理模型两两之间的关联性，可以提高线下商户推荐的准确率，改善用户体验。通过上述方案解决了传统pos终端机无法实现线下商户推荐的技术问题，达到了有效提升线下商户推荐的准确率以及改善用户体验的技术效果。
38.在本说明书一些实施例中，基于所述目标用户模型与所述用户模型集合中的用户模型之间的相似度、所述目标地理模型与所述地理模型集合中的地理模型之间的相似度、以及所述用户模型集合中的用户模型、所述地理模型集合中的地理模型和所述商户模型集合中的商户模型两两之间的关联性，从所述商户模型集合中确定出多个商户模型，以生成线下商户推荐列表，可以包括：根据所述目标用户模型与所述用户模型集合中的用户模型之间的相似度，从所述地理模型集合中筛选出第一地理模型集合；所述第一地理模型集合中各地理模型与所述目标地理模型的相似度满足第一预设条件；根据所述目标地理模型与所述地理模型集合中的地理模型之间的相似度、以及所述第一地理模型集合与用户模型集合之间的关联性，从所述用户模型集合中筛选出第一用户模型集合；所述第一用户模型集合中的用户模型与所述第一地理模型集合中的地理模型之间存在关联关系，并且所述第一用户模型集合中的用户模型与所述目标用户模型之间的相似度满足第二预设条件；基于所述第一地理模型集合与商户模型集合之间的关联性和所述第一用户模型集合与商户模型集合之间的关联性，从所述商户模型集合中确定出多个商户模型，以生成线下商户推荐列表。
39.在得到目标地理模型之后，可以根据所述目标用户模型与所述用户模型集合中的用户模型之间的相似度从地理模型集合中筛选出第一地理模型集合。其中，第一地理模型集合中的各地理模型与目标地理模型之间的相似度满足第一预设条件。在一个实施例中，第一地理模型集合中各地理模型与目标地理模型之间的相似度大于预设相似度。在另一个实施例中，对地理模型集合中各地理模型与目标地理模型之间的相似度按大小降序排列，将排在前面的预设个数的地理模型组成的集合作为第一地理模型组合。
40.在得到目标用户模型和第一地理模型集合之后，可以从用户模型集合中筛选出与第一地理模型集合关联并且与目标用户模型之间的相似度满足第二预设条件的第一用户模型集合。
41.在得到第一地理模型集合和第一用户模型集合之后，可以基于第一地理模型集合中各地理模型与商户模型集合中商户模型之间的关联关系和第一用户模型集合中各第一用户模型与商户模型集合中商户模型之间的关联关系，从预先建立的商户模型集合中确定出多个商户模型，以生成线下商户推荐列表。
42.上述实施例中，筛选出与目标地理模型相似的多个地理模型组成第一地理模型集合，筛选出与第一地理模型集合关联并且与目标用户模型相似的多个用户模型组成第一用户模型集合，之后可以根据第一用户模型集合与第一地理模型集合与商户模型集合之间的关联性，从商户模型集合中筛选出待推荐给目标用户的商户模型，进而生成线下推荐商户
列表。
43.在本说明书一些实施例中，在生成线下商户推荐列表之后，还可以包括：将所述线下商户推荐列表发送至所述商户客户端，以便于所述商户客户端向用户展示推荐的线下商户信息。具体的，在生成线下商户推荐列表之后，可以将生成的线下商户推荐列表发送给线下商户客户端，以便于线下商户端向目标用户显示该推荐信息。线下商户端还可以通过邮件、短信或者微信等方式将线下商户推荐列表发送给目标用户的用户端。通过上述方式，可以实现向线下交易用户推荐线下商户。
44.在本说明书一些实施例中，所述地理模型中可以包括地理位置数据；根据所述目标用户模型与所述用户模型集合中的用户模型之间的相似度，从所述地理模型集合中筛选出第一地理模型集合，可以包括：根据地理位置数据计算所述地理模型集合中多个地理模型中各地理模型与所述目标地理模型之间的距离；将所述距离满足第三预设条件的地理模型组成的集合确定为第二地理模型集合；计算所述第二地理模型集合中各地理模型与所述目标地理模型之间的相似度；将所述相似度满足第一预设条件的地理模型组成的集合确定为第一地理模型集合。
45.具体的，地理模型中包括有地理位置数据，例如可以包括经纬度数据。可以根据地理模型中包含的地理位置数据，计算地理模型集合中各地理模型与目标地理模型之间的距离。可以将距离满足第三预设条件的地理模型组成的集合确定为第二地理模型集合。例如，可以将距离小于预设距离的地理模型组成的集合确定为第二地理模型集合。又例如，可以将多个距离按照升序进行排列，可以将排在前面的预设个数的地理模型组成的集合确定为第二地理模型集合。之后，计算第二地理模型集合中各地理模型与目标地理模型之间的相似度。将相似度满足第一预设条件的地理模型组成的集合确定为第一地理模型集合。例如，可以将相似度大于预设相似度的地理模型组成的集合确定为第一地理模型集合。又例如，可以将多个相似度进行降序排列，将排在前面的预设个数的相似度对应的地理模型组成的集合确定为第一地理模型集合。通过上述方式，可以通过同时考虑距离和相似度从地理模型集合中筛选出第一地理模型集合。
46.在本说明书一些实施例中，计算所述第二地理模型集合中各地理模型与所述目标地理模型之间的相似度，可以包括：计算所述第二地理模型集合中各地理模型与所述目标地理模型之间的欧几里得距离；基于所述欧几里得距离，计算所述第二地理模型集合中各地理模型与所述目标地理模型之间的相似度。
47.具体的，可以计算第二地理模型集合中各地理模型与目标地理模型之间的欧几里得距离。地理模型中可以包括地理坐标数据和多个地理特征。其中，多个地理特征可以包括天气数据、位置类型和时间数据等。可以基于多个地理特征，计算第二地理模型集合中各第二地理模型与目标地理模型之间的欧几里得距离。在记得得到欧几里得距离之后，可以基于计算得到的欧几里得距离，计算第二地理模型集合中各地理模型与目标地理模型之间的相似度。示例性的，可以将相似度确定为对应欧几里得距离的倒数。通过上述方式，可以计算两个地理模型之间的相似度，以确定出与目标地理模型相似的地理模型。
48.在本说明书一些实施例中，根据所述目标地理模型与所述地理模型集合中的地理模型之间的相似度、以及所述第一地理模型集合与用户模型集合之间的关联性，从所述用户模型集合中筛选出第一用户模型集合，可以包括：从所述用户模型集合中筛选出与所述
第一地理模型集合中的一个或多个地理模型相关联的用户模型，得到第二用户模型集合；计算所述第二用户模型集合中各用户模型与所述目标用户模型之间的相似度；将所述相似度满足第二预设条件的用户模型组成的集合确定为第一用户模型集合。
49.具体的，可以先从用户模型集合中筛选出与第一模型集合中的一个或多个地理模型相关联的用户模型，得到第二用户模型集合。用户模型与地理模型相关联可以是用户模型对应的用户在历史时间段内在地理模型对应的位置、天气、时间等的条件下进行了线下交易。之后，可以计算第二用户模型结合中各用户模型与目标用户模型之间的相似度。可以将相似度满足第二预设条件的用户模型组成的集合确定为第一用户模型集合。例如，可以将相似度大于预设相似度的用户模型组成的集合确定为第一用户模型集合。又例如，可以将计算得到的相似度进行降序排列，将排在前面预设个数的相似度对应的用户模型组成的集合确定为第一用户模型集合。通过上述方式，可以从用户模型集合中筛选出与第一地理模型关联并且与目标用户模型相似的第一用户模型集合。
50.在本说明书一些实施例中，计算所述第二用户模型集合中各用户模型与所述目标用户模型之间的相似度，可以包括：从所述地理模型集合和所述商户模型集合中，确定出与所述第二用户模型集合中各用户模型关联的商户模型和地理模型的集合；确定与所述目标用户模型关联的商户模型和地理模型的集合；基于与所述第二用户模型集合中各用户模型关联的商户模型和地理模型的集合以及与所述目标用户模型关联的商户模型和地理模型的集合，计算所述第二用户模型集合中各用户模型与所述目标用户模型之间的相似度。
51.具体的，可以从地理模型集合中确定出与第二用户模型集合中各用户模型关联的地理模型，从商户模型集合中确定出与第二用户模型集合中各用户模型关联的商户模型，得到与所述第二用户模型集合中各用户模型关联的地理模型和商户模型的集合。还可以从地理模型集合中确定出与目标用户模型关联的地理模型，从商户模型集合中确定出与目标用户模型关联的商户模型，得到与目标用户模型关联的地理模型和商户模型的集合。用户模型与地理模型相关联可以是用户模型对应的用户在历史时间段内在地理模型对应的位置、天气、时间等的条件下进行了线下交易。用户模型与商户模型相关联可以是用户模型对应的用户在历史时间段内在商户模型对应的商户进行了线下交易。之后，可以根据与所述第二用户模型集合中各用户模型关联的商户模型和地理模型的集合以及与所述目标用户模型关联的商户模型和地理模型的集合，计算所述第二用户模型集合中各用户模型与所述目标用户模型之间的相似度。例如，可以根据两个集合中相同的地理模型的个数和/或商户模型的个数来确定两个用户模型之间的相似度。通过上述方式，可以从用户模型关联的商户模型和地理模型的角度计算出第二用户模型集合中各用户模型与目标用户模型之间的相似度。
52.在本说明书一些实施例中，基于与所述第二用户模型集合中各用户模型关联的商户模型和地理模型的集合以及与所述目标用户模型关联的商户模型和地理模型的集合，计算所述第二用户模型集合中各用户模型与所述目标用户模型之间的相似度，可以包括：计算与所述第二用户模型集合中各用户模型关联的商户模型和地理模型的集合和与所述目标用户模型关联的商户模型和地理模型的集合之间的交集和并集，得到所述第二用户模型集合中各用户模型对应的交集和并集；将所述第二用户模型集合中各用户模型对应的交集中模型的个数与所述第二用户模型集合中各用户模型对应的并集中模型的个数的比值确
定为所述第二用户模型集合中各用户模型与所述目标用户模型之间的相似度。
53.可以利用jaccard算法计算第二用户模型集合中各用户模型与目标用户模型之间的相似度。jaccard系数主要用于计算符号度量或布尔值度量的个体间的相似度，因为个体的特征属性都是由符号度量或者布尔值标识，因此无法衡量差异具体的大小，只能获得“是否相同”这个结果，所以jaccard系数只关心个体间比较x与y的jaccard相似系数，只比较集合xn和集合yn中相同的个数。本实施例中，可以将第二用户模型集合中各用户模型关联的商户模型和地理模型的集合与目标用户模型关联的商户模型和地理模型的集合进行求交集和并集。可以将第二用户模型集合中各第二用户模型对应的交集中的元素的个数与对应的并集中的元素的个数之间的比值作为第二用户模型中各用户模型与目标用户模型之间的相似度。通过上述方式，可以方便准确地计算两个用户模型之间的相似度。
54.在本说明书的另一些实施例中，可以将第二用户模型集合中各用户模型关联的商户模型的集合与目标用户模型关联的商户模型的集合进行求交集和并集运算，得到第二用户模型集合中各用户模型对应的商户模型交集和商户模型并集。可以将第二用户模型集合中各用户模型关联的地理模型的集合与目标商户模型关联的地理模型的集合进行求交集和并集运算，得到第二用户模型集合中各用户模型对应的地理模型交集和地理模型并集。可以将第二用户模型集合中各用户模型对应的商户模型交集中元素的个数与对应的商户模型并集中元素的个数的比值作为第一相似度。可以将第二用户模型集合中各用户模型对应的地理模型交集中元素的个数与对应的地理模型并集中元素的个数的比值作为第二相似度。之后，可以将第二用户模型集合中各用户模型对应的第一相似度与该用户模型对应的第二相似度进行求和或者相乘，得到第二用户模型集合中各用户模型对应的相似度。通过上述方式，可以从用户模型关联的商户模型和地理模型的角度计算出两个用户模型之间的相似度。
55.在本说明书一些实施例中，计算所述第二用户模型集合中各用户模型与所述目标用户模型之间的相似度，可以包括：计算所述第二用户模型集合中各用户模型与所述目标用户模型之间的欧几里得距离；基于所述欧几里得距离，计算所述第二用户模型集合中各用户模型与所述目标用户模型之间的相似度。
56.本实施例中，还可以通过计算两个用户模型之间的欧几里得距离来计算两个用户模型之间的相似度。如前所述，用户模型中可以包括用户标识和多个用户特征。可以计算两个用户模型对应的多个用户特征组成的两个特征向量之间的欧几里得距离。之后，可以根据两个特征向量之间的欧几里得距离，计算两个用户模型之间的相似度。例如，可以将相似度确定为欧几里得距离的倒数。通过上述方式，可以从用户特征的角度计算两个用户模型之间的相似度。
57.在本说明书一些实施例中，基于所述第一地理模型集合与商户模型集合之间的关联性和所述第一用户模型集合与商户模型集合之间的关联性，从所述商户模型集合中确定出多个商户模型，以生成线下商户推荐列表，可以包括：从所述第一地理模型集合中筛选出与所述第一用户模型集合中的一个或多个用户模型关联的地理模型，得到第三地理模型集合；从商户模型集合中确定出与所述第三地理模型集合中的一个或多个地理模型关联的商户模型，得到第二商户模型集合；从所述第二商户模型集合中筛选出与所述第一用户模型集合中的一个或多个用户模型关联的商户模型，得到第三商户模型集合；根据商户模型的
受欢迎程度从所述第三商户模型集合中确定出多个商户模型，以生成线下商户推荐列表。
58.在得到第一地理模型集合和第一用户模型集合之后，可以基于第一地理模型集合和第一用户模型集合与商户模型集合中商户模型之间的关联性，从商户模型集合中确定出待推荐给目标用户的多个商户模型。
59.具体地，可以从第一地理模型集合中筛选出与第一用户模型集合中的一个或多个用户模型关联的地理模型，得到第三地理模型集合。用户模型与地理模型相关联可以是用户模型对应的用户在历史时间段内在地理模型对应的位置、天气、时间等的条件下进行了线下交易。
60.可以从商户模型集合中筛选出与第三地理模型集合中的一个或多个地理模型关联的商户模型，得到第二商户模型集合。其中，商户模型与地理模型关联可以是指商户模型位于地理模型所对应的位置。
61.在得到第二商户模型集合之后，可以从第二商户模型集合中筛选出与第一用户模型集合中一个或多个用户模型关联的商户模型，得到第三商户模型集合。用户模型与商户模型相关联可以是用户模型对应的用户在历史时间段内在商户模型对应的商户进行过线下交易。
62.在得到第三商户模型集合之后，可以根据第三商户模型集合中各商户模型的受欢迎程度来从所述第三商户模型集合中确定出多个商户模型，以生成线下商户推荐列表。在一个实施例中，可以根据第三商户模型集合中各商户模型的交易笔数确定各商户模型的受欢迎程度。例如，交易笔数越多，受欢迎程度越高。在另一个实施例中，可以根据第三商户模型集合中各商户模型的交易总金额或者交易单笔金额来确定各商户模型的受欢迎程度。例如，交易总金额或者交易单笔金额越高，受欢迎程度越高。在又一个实施例中，可以根据第一用户模型集合中的用户模型与第三商户模型集合中的商户模型之间的关联度来确定各商户模型的受欢迎程度。例如，关联度越大，受欢迎程度越高。之后，可以按照受欢迎程度高低对第三商户模型集合中的多个商户模型进行降序排列，筛选排在前面预设个数的商户模型，以生成线下商户推荐列表。通过上述方式，可以通过层层筛选找到待推荐给目标用户的线下商户推荐列表。
63.在本说明书一些实施例中，从所述第一地理模型集合中筛选出与所述第一用户模型集合中的一个或多个用户模型关联的地理模型，得到第三地理模型集合，可以包括：从所述第一地理模型集合中筛选出与所述目标地理模型之间的距离在预设范围内的地理模型，得到第四地理模型集合；从所述第四地理模型集合中筛选出与所述第一用户模型集合中的一个或多个用户模型关联的地理模型，得到第三地理模型集合。
64.可以从第一地理模型集合中筛选出与目标地理模型之间的距离在预设范围内的地理模型。这里的距离可以根据地理模型对应的地理坐标数据计算得到的距离。通过空间距离的远近来筛选出第四地理模型集合。可以从第四地理模型集合中筛选出与第一用户模型集合中的一个或多个用户模型相关联的地理模型，得到第三地理模型集合。上述方式中，在筛选第三地理模型集合之前先通过空间距离进行筛选，可以筛选出距离目标地理模型较近并且与第一用户模型集合关联的地理模型集合。
65.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。具体的可以参照
前述相关处理相关实施例的描述，在此不做一一赘述。
66.上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
67.下面结合一个具体实施例对上述方法进行说明，然而，值得注意的是，该具体实施例仅是为了更好地说明本说明书，并不构成对本说明书的不当限定。
68.本说明书具体实施例中，提供了一种线下商户推荐方法。可以通过挖掘持卡人的支付行为特征，根据用户模型、商户模型、地理模型生成线下商户推荐信息，通过pos终端机具展示给用户，发挥金融科技动能作用，提供智能化服务。
69.请参考图2，示出了本说明书实施例中用于线下商户推荐方法的系统的架构图。如图2所示，数据接收模块可以用于接收pos终端的交易报文，并应答终端交易结果、产品推广信息。数据储存模块库作为数据存储仓库。数据库保持与源数据的同步。数据解析模块可以用于实现数据存取逻辑、数据加工逻辑及样式逻辑。通过数据访问接口连接数据库，根据脚本利用sql语句操作数据库，抽取加工计算所需要数据，并经过格式渲染生成特定的文件，记录生成文件时间。交易授权模块可以用于根据pos终端上送卡片、终端能力等信息通过卡组织传送给发卡机构(受理本行卡片，无需发送卡组织)，获取授权许可。账务处理模块可以用于结合交易授权信息、卡组织、本行日终结算等信息进行请款、清分、出具对账单的功能。商户信息模块可以用于维护特约商户的地址、编号、商户类型、扣率、支付能力等信息。地理信息模块可以包含坐标、时间、天气、位置类型等特征。商户推介模块可以用于根据特约商户、持卡人支付特征记录等向pos终端机具推介商户信息。
70.请参考图3，示出了本说明书实施例中线下商户推荐方法的流程图。如图3所示，线下商户推荐方法可以包括以下内容。步骤301，商户终端发起交易，支付交易信息可以发送至商户推广引擎。步骤302，商户推广引擎可以接收支付交易信息。步骤303，商户推广引擎可以判断是否存储有用户相关信息。若没有，则执行步骤305，根据地理模型和商户模型生成商户推荐信息。若存储有用户相关信息，则执行步骤304，根据用户模型、商户模型和地理模型生成商户推荐信息。商户推荐列表生成之后，可以更新模型。具体地，步骤306，可以基于商户数据、用户数据和地理数据，进行ai训练和大数据挖掘，以生成商户推荐信息。步骤307，可以更新用户模型中的用户数据。步骤308，可以更新商户模型中的商户数据。步骤309，可以更新地理模型中的地理数据。在得到商户推荐信息之后，可以执行步骤310，将商户推荐信息发送至线下商户终端。步骤311，线下商户终端可以接收交易结果以及n个产品推荐信息。
71.请参考图4，示出了本说明书一实施例中的地理模型、商户模型和用户模型的示意图。如图4所示，地理模型可以包括以下特征：
72.a1、坐标：经纬度(x1，x2)
73.a2、时间：
74.月份：1-12(x3)
75.星期：1-7(x4)
76.周末(1)、工作日(2)：x5
77.时间：0-23(x6)
78.精确时间：年月日时分秒(格式yyyymmddhhmmss)x14
79.a3、天气
80.阴晴雨雪：1-4(x 7)
81.最低摄氏度：(x8)
82.最高摄氏度：(x9)
83.风力：(x10)
84.灾难性天气：无(0)、暴雨(1)、暴雪(2)、大雾(3)、台风(4)、沙尘暴(5)、龙卷风(6)等：(x11)
85.a4、位置类型：
86.景区等级：0-5，0指非景区；1a-5a：1-5；(x12)
87.商铺分类：商业街(1)、市场类(2)、社区(3)、住宅底层(4)、百货商场(5)、商务写字楼(6)、(7)交通设施、(8)其他x13
88.可以使用欧几里德距离计算相似度算法，其中变量求平方分类(地理模型x与地理模型y)，分为以下三种情况：
89.(1)对于变量为递增数，相减求平方数(xi-yi)2：经纬度(x1、x2)、(y1、y2)，最低摄氏度x8、y8，最高摄氏度x9、y9，风力x10、y10，景区等级x12，精确时间x14、y14；
90.(2)变量判断相等为0，不相等为1，公式为(1-(xi-yi)^0)2：是否周末x5、y5，阴晴雨雪x 7、y7，灾难性天气x11、y11，商铺分类x13、y13
91.(3)变量为循环数求平方方法：
92.月份x3、y3公式：(x3-y3)的绝对值为小于等于6，则直接求平方；大于0则减12后求平方；
93.星期x4、y4公式：(x4-y4)为小于等于3，则直接求平方；大于3则减7后求平方；
94.时间x6、y6公式：(x6-y6)为小于等于12，则直接求平方；大于12则减24后求平方。
95.如图4所示，商户模型可以包括以下特征：
96.b1：商户号x15
97.b2：商户类型x16
98.b3：交易总金额x17
99.b4：交易笔数x18
100.b5：推介次数x25
101.b6：推介成功次数x26
102.b7：交易单笔金额x27
103.可以使用欧几里德距离计算相似度算法，其中变量求平方分类(商户模型x与商户模型y)，分为以下两种情况：
104.(1)变量为递增数，相减求平方数(xi-yi)2：交易总金额x17、y17，交易笔数x18、y18，推介次数x25、y25，推介成功次数x26、y26，交易单笔金额x27、y27；
105.(2)变量判断相等为0，不相等为1，商户号x15、y15，商户类型x16、y16。
106.如图4所示，用户模型可以包括以下特征：
107.c1、账号：x19
108.c2、账户余额：x20
109.c3、账户类型：x21
110.c4、账户等级：x22
111.c5、交易总金额：x23
112.c6、交易笔数：x24
113.c7、交易单笔金额：x28
114.可以使用欧几里德距离计算相似度算法，其中变量求平方分类(用户模型x与用户模型y)，可以包括以下两种情况：
115.(1)变量为递增数，相减求平方数(xi-yi)2：账户余额x20、y20，账户等级x22、y22，交易总金额x23、y23，交易笔数x24、y24，交易单笔金额x28、y28；
116.(2)变量判断相等为0，不相等为1，公式为(1-(xi-yi)^0)2：账号x19、y19，账户类型x 21、y22。
117.本实施例中，可以构建地理模型网状图：以坐标特征作为原点，每笔交易发生以坐标作为原点的地理网状图，分别连接时间、天气、位置类型等网状线权重加1。
118.可以构建用户模型、地理模型、商户模型的支付关系网状图：每发生一笔交易，用户模型、地理模型、商户模型三者之间两两连接的网状线权重加1。
119.前述网状图建立起来后，当用户在线下pos消费时，可通过网状图查找到与用户模型关联的地理模型和商户模型；可通过网状图查找到与商户模型关联的用户模型和地理模型；通过网状图查找到与地理模型关联的用户模型和商户模型。
120.下面详细描述基于生成的用户模型、商户模型和地理模型以及网状图生成线下商户推荐列表的步骤：
121.步骤1、接收到交易请求之后，可以查找到对应的目标用户c、地理模型g和商户模型m；
122.步骤2、查找坐标(x1，x2)一定空间范围内存在商户模型的地理模型的集合，得到地理模型集合g1；
123.步骤3、通过欧几里德距离算法查找地理模型集合g1内与地理模型g相似的地理模型集合gset-1；
124.步骤4、查找与地理模型集合gset-1关联的用户模型集合cset-1；
125.步骤5、通过jaccard算法在用户模型集合cset-1查找与用户模型c相似的用户模型集合cset-2；
126.步骤6、根据用户模型集合cset-2和地理模型gset-1，从商户模型集合中查找关联商户模型，根据受欢迎程度对查找到的商户模型进行排序，得到商户模型集合mset-1；
127.步骤7、商户模型集合mset-1排除商户模型m，得到商户模型集合mset-2；
128.步骤8、从商户模型集合mset-2抽取权重最大且靠前的n2个商户模型推荐给目标用户c，目标用户登记推荐商户模型。
129.请参考图5，示出了本说明书一实施例中的线下商户推荐方法的时序图。如图5所示，本实施例中的线下商户推荐方法可以包括以下步骤：
130.步骤1：用户数据、商户数据、地理数据更新数据库；
131.步骤2、3：查询用户模型数据，用户模型建立于用户历史交易信息、用户账户基本信息等；
132.步骤4、5：查询商户模型数据，商户模型建立于推介次数、推介成功次数、商品类别、交易单笔金额、交易总金额、交易笔数等；
133.步骤6、7：查询地理模型数据，地理模型建立于坐标、时间、天气、位置类型等信息；
134.步骤8：根据用户模型、商户模型、地理模型，基于ai训练、大数据挖掘生成商户推荐列表，主要使用技术：基于欧几里德距离(地理模型相似度)、排序算法(权重大小排序)、最短路径算法(地图范围匹配)、jaccard算法、关联规则算法(商户历史推介成功率)，生成最优商户推介列表；
135.步骤9：把本次生成商户推荐列表更新至数据仓库。
136.上述具体实施例中的线下商户推荐方法中，可以根据现有线下商户收单，嵌入商户推介业务流程，使商户之间形成互相促进的商圈氛围，提升用户体验，激励消费、支付。本实施例中的方案可以根据银行业务的特点，基于欧几里德距离(地理模型相似度)、排序算法(权重大小排序)、最短路径算法(地图范围匹配)、jaccard算法、关联规则算法(商户历史推介成功率)，生成最优商户推介列表。可以建立地理模型，与用户模型、商户模型一起ai训练、大数据挖掘。可以建立地理模型，与用户模型、商户模型一起大数据挖掘，通过基于欧几里德距离、排序算法、最短路径算法、jaccard算法、关联规则算法相结合的预设逻辑由系统进行生成商户推介信息，赋能线下商圈。可以基于银行的业务量大、时效性强、用户体验要求高的特点研发，用于大型银行业务线下商户推介。
137.基于同一发明构思，本说明书实施例中还提供了一种线下商户推荐装置，如下面的实施例所述。由于线下商户推荐装置解决问题的原理与线下商户推荐方法相似，因此线下商户推荐装置的实施可以参见线下商户推荐方法的实施，重复之处不再赘述。以下所使用的，术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。图6是本说明书实施例的线下商户推荐装置的一种结构框图，如图6所示，包括：接收模块601、获取模块602、推荐模块603，下面对该结构进行说明。
138.接收模块601用于接收线下商户客户端发送的线下商户推荐请求；所述线下商户推荐请求中携带有目标用户标识和目标商户标识。
139.获取模块602用于从预先建立的用户模型集合中获取所述目标用户标识对应的目标用户模型；从预先建立的商户模型集合中获取所述目标商户标识对应的目标商户模型；从预先建立的地理模型集合中获取所述目标商户模型对应的目标地理模型。
140.推荐模块603用于基于所述目标用户模型与所述用户模型集合中的用户模型之间的相似度、所述目标地理模型与所述地理模型集合中的地理模型之间的相似度、以及所述用户模型集合、所述地理模型集合和所述商户模型集合两两之间的关联性，从所述商户模型集合中确定出多个商户模型，以生成线下商户推荐列表。
141.在本说明书一些实施例中，所述推荐模块可以包括：第一筛选单元，用于根据所述目标用户模型与所述用户模型集合中的用户模型之间的相似度，从所述地理模型集合中筛选出第一地理模型集合；所述第一地理模型集合中各地理模型与所述目标地理模型的相似度满足第一预设条件；第二筛选单元，用于根据所述目标地理模型与所述地理模型集合中
的地理模型之间的相似度、以及所述第一地理模型集合与用户模型集合之间的关联性，从所述用户模型集合中筛选出第一用户模型集合；所述第一用户模型集合中的用户模型与所述第一地理模型集合中的地理模型之间存在关联关系，并且所述第一用户模型集合中的用户模型与所述目标用户模型之间的相似度满足第二预设条件；确定单元，用于基于所述第一地理模型集合与商户模型集合之间的关联性和所述第一用户模型集合与商户模型集合之间的关联性，从所述商户模型集合中确定出多个商户模型，以生成线下商户推荐列表。
142.在本说明书一些实施例中，该装置还包括发送模块，发送模块可以用于：在生成线下商户推荐列表之后，将所述线下商户推荐列表发送至所述商户客户端，以便于所述商户客户端向用户展示推荐的线下商户信息。
143.在本说明书一些实施例中，所述地理模型中可以包括地理位置数据；所述第一筛选单元具体用于：根据地理位置数据计算所述地理模型集合中多个地理模型中各地理模型与所述目标地理模型之间的距离；将所述距离满足第三预设条件的地理模型组成的集合确定为第二地理模型集合；计算所述第二地理模型集合中各地理模型与所述目标地理模型之间的相似度；将所述相似度满足第一预设条件的地理模型组成的集合确定为第一地理模型集合。
144.在本说明书一些实施例中，计算所述第二地理模型集合中各地理模型与所述目标地理模型之间的相似度，可以包括：计算所述第二地理模型集合中各地理模型与所述目标地理模型之间的欧几里得距离；基于所述欧几里得距离，计算所述第二地理模型集合中各地理模型与所述目标地理模型之间的相似度。
145.在本说明书一些实施例中，所述第二筛选单元可以具体用于：从所述用户模型集合中筛选出与所述第一地理模型集合中的一个或多个地理模型相关联的用户模型，得到第二用户模型集合；计算所述第二用户模型集合中各用户模型与所述目标用户模型之间的相似度；将所述相似度满足第二预设条件的用户模型组成的集合确定为第一用户模型集合。
146.在本说明书一些实施例中，计算所述第二用户模型集合中各用户模型与所述目标用户模型之间的相似度，可以包括：从所述地理模型集合和所述商户模型集合中，确定出与所述第二用户模型集合中各用户模型关联的商户模型和地理模型的集合；确定与所述目标用户模型关联的商户模型和地理模型的集合；基于与所述第二用户模型集合中各用户模型关联的商户模型和地理模型的集合以及与所述目标用户模型关联的商户模型和地理模型的集合，计算所述第二用户模型集合中各用户模型与所述目标用户模型之间的相似度。
147.在本说明书一些实施例中，基于与所述第二用户模型集合中各用户模型关联的商户模型和地理模型的集合以及与所述目标用户模型关联的商户模型和地理模型的集合，计算所述第二用户模型集合中各用户模型与所述目标用户模型之间的相似度，可以包括：计算与所述第二用户模型集合中各用户模型关联的商户模型和地理模型的集合和与所述目标用户模型关联的商户模型和地理模型的集合之间的交集和并集，得到所述第二用户模型集合中各用户模型对应的交集和并集；将所述第二用户模型集合中各用户模型对应的交集中模型的个数与所述第二用户模型集合中各用户模型对应的并集中模型的个数的比值确定为所述第二用户模型集合中各用户模型与所述目标用户模型之间的相似度。
148.在本说明书一些实施例中，计算所述第二用户模型集合中各用户模型与所述目标用户模型之间的相似度，可以包括：计算所述第二用户模型集合中各用户模型与所述目标
用户模型之间的欧几里得距离；基于所述欧几里得距离，计算所述第二用户模型集合中各用户模型与所述目标用户模型之间的相似度。
149.在本说明书一些实施例中，所述确定单元可以具体用于：从所述第一地理模型集合中筛选出与所述第一用户模型集合中的一个或多个用户模型关联的地理模型，得到第三地理模型集合；从商户模型集合中确定出与所述第三地理模型集合中的一个或多个地理模型关联的商户模型，得到第二商户模型集合；从所述第二商户模型集合中筛选出与所述第一用户模型集合中的一个或多个用户模型关联的商户模型，得到第三商户模型集合；根据商户模型的受欢迎程度从所述第三商户模型集合中确定出多个商户模型，以生成线下商户推荐列表。
150.在本说明书一些实施例中，从所述第一地理模型集合中筛选出与所述第一用户模型集合中的一个或多个用户模型关联的地理模型，得到第三地理模型集合，可以包括：从所述第一地理模型集合中筛选出与所述目标地理模型之间的距离在预设范围内的地理模型，得到第四地理模型集合；从所述第四地理模型集合中筛选出与所述第一用户模型集合中的一个或多个用户模型关联的地理模型，得到第三地理模型集合。
151.从以上的描述中，可以看出，本说明书实施例实现了如下技术效果：预先建立用户模型、地理模型和商户模型，根据线下商户推荐请求中携带的目标用户标识和目标商户标识，查找到对应的目标商户模型、目标用户模型和目标地理模型，之后，筛选出与目标地理模型相似的多个地理模型组成第一地理模型集合，筛选出与第一地理模型集合关联并且与目标用户模型相似的多个用户模型组成第一用户模型集合，之后可以根据第一用户模型集合与第一地理模型集合与商户模型集合之间的关联性，从商户模型集合中筛选出待推荐给目标用户的商户模型，进而生成线下推荐商户列表。在进行线下商户推荐时，同时考虑用户群体之间的类似、地理模型之间的类似性以及模型之间的关联性，可以提高线下商户推荐的准确率，改善用户体验。通过上述方案解决了传统pos终端机无法实现线下商户推荐的技术问题，达到了有效提升线下商户推荐的准确率以及改善用户体验的技术效果。
152.本说明书实施方式还提供了一种计算机设备，具体可以参阅图7所示的基于本说明书实施例提供的线下商户推荐方法的计算机设备组成结构示意图，所述计算机设备具体可以包括输入设备71、处理器72、存储器73。其中，所述存储器73用于存储处理器可执行指令。所述处理器72执行所述指令时实现上述任意实施例中所述的线下商户推荐方法的步骤。
153.在本实施方式中，所述输入设备具体可以是用户和计算机系统之间进行信息交换的主要装置之一。所述输入设备可以包括键盘、鼠标、摄像头、扫描仪、光笔、手写输入板、语音输入装置等；输入设备用于把原始数据和处理这些数的程序输入到计算机中。所述输入设备还可以获取接收其他模块、单元、设备传输过来的数据。所述处理器可以按任何适当的方式实现。例如，处理器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(application specific integrated circuit，asic)、可编程逻辑控制器和嵌入微控制器的形式等等。所述存储器具体可以是现代信息技术中用于保存信息的记忆设备。所述存储器可以包括多个层次，在数字系统中，只要能保存二进制数据的都可以是存储器；在集成电路中，一个没有实物形式的具有存储功能的电路也叫存储器，如ram、fifo等；在系统中，具
有实物形式的存储设备也叫存储器，如内存条、tf卡等。
154.在本实施方式中，该计算机设备具体实现的功能和效果，可以与其它实施方式对照解释，在此不再赘述。
155.本说明书实施方式中还提供了一种基于线下商户推荐方法的计算机存储介质，所述计算机存储介质存储有计算机程序指令，在所述计算机程序指令被执行时实现上述任意实施例中所述线下商户推荐方法的步骤。
156.在本实施方式中，上述存储介质包括但不限于随机存取存储器(random access memory,ram)、只读存储器(read-only memory,rom)、缓存(cache)、硬盘(hard disk drive,hdd)或者存储卡(memory card)。所述存储器可以用于存储计算机程序指令。网络通信单元可以是依照通信协议规定的标准设置的，用于进行网络连接通信的接口。
157.在本实施方式中，该计算机存储介质存储的程序指令具体实现的功能和效果，可以与其它实施方式对照解释，在此不再赘述。
158.本说明书实施方式中还提供了一种计算机程序产品，包括计算机程序/指令，所述计算机程序/指令被处理器执行时实现上述任意实施例中所述的线下商户推荐方法的步骤。
159.显然，本领域的技术人员应该明白，上述的本说明书实施例的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本说明书实施例不限制于任何特定的硬件和软件结合。
160.应该理解，以上描述是为了进行图示说明而不是为了进行限制。通过阅读上述描述，在所提供的示例之外的许多实施方式和许多应用对本领域技术人员来说都将是显而易见的。因此，本说明书的范围不应该参照上述描述来确定，而是应该参照前述权利要求以及这些权利要求所拥有的等价物的全部范围来确定。
161.以上所述仅为本说明书的优选实施例而已，并不用于限制本说明书，对于本领域的技术人员来说，本说明书实施例可以有各种更改和变化。凡在本说明书的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本说明书的保护范围之内。
技术特征：1.一种线下商户推荐方法，其特征在于，应用于推荐服务器，包括：接收线下商户客户端发送的线下商户推荐请求；所述线下商户推荐请求中携带有目标用户标识和目标商户标识；从预先建立的用户模型集合中获取所述目标用户标识对应的目标用户模型；从预先建立的商户模型集合中获取所述目标商户标识对应的目标商户模型；从预先建立的地理模型集合中获取所述目标商户模型对应的目标地理模型；基于所述目标用户模型与所述用户模型集合中的用户模型之间的相似度、所述目标地理模型与所述地理模型集合中的地理模型之间的相似度、以及所述用户模型集合、所述地理模型集合和所述商户模型集合两两之间的关联性，从所述商户模型集合中确定出多个商户模型，以生成线下商户推荐列表。2.根据权利要求1所述的线下商户推荐方法，其特征在于，基于所述目标用户模型与所述用户模型集合中的用户模型之间的相似度、所述目标地理模型与所述地理模型集合中的地理模型之间的相似度、以及所述用户模型集合中的用户模型、所述地理模型集合中的地理模型和所述商户模型集合中的商户模型两两之间的关联性，从所述商户模型集合中确定出多个商户模型，以生成线下商户推荐列表，包括：根据所述目标用户模型与所述用户模型集合中的用户模型之间的相似度，从所述地理模型集合中筛选出第一地理模型集合；所述第一地理模型集合中各地理模型与所述目标地理模型的相似度满足第一预设条件；根据所述目标地理模型与所述地理模型集合中的地理模型之间的相似度、以及所述第一地理模型集合与用户模型集合之间的关联性，从所述用户模型集合中筛选出第一用户模型集合；所述第一用户模型集合中的用户模型与所述第一地理模型集合中的地理模型之间存在关联关系，并且所述第一用户模型集合中的用户模型与所述目标用户模型之间的相似度满足第二预设条件；基于所述第一地理模型集合与商户模型集合之间的关联性和所述第一用户模型集合与商户模型集合之间的关联性，从所述商户模型集合中确定出多个商户模型，以生成线下商户推荐列表。3.根据权利要求1所述的线下商户推荐方法，其特征在于，在生成线下商户推荐列表之后，还包括：将所述线下商户推荐列表发送至所述商户客户端，以便于所述商户客户端向用户展示推荐的线下商户信息。4.根据权利要求2所述的线下商户推荐方法，其特征在于，所述地理模型中包括地理位置数据；根据所述目标用户模型与所述用户模型集合中的用户模型之间的相似度，从所述地理模型集合中筛选出第一地理模型集合，包括：根据地理位置数据计算所述地理模型集合中多个地理模型中各地理模型与所述目标地理模型之间的距离；将所述距离满足第三预设条件的地理模型组成的集合确定为第二地理模型集合；计算所述第二地理模型集合中各地理模型与所述目标地理模型之间的相似度；将所述相似度满足第一预设条件的地理模型组成的集合确定为第一地理模型集合。5.根据权利要求4所述的线下商户推荐方法，其特征在于，计算所述第二地理模型集合
中各地理模型与所述目标地理模型之间的相似度，包括：计算所述第二地理模型集合中各地理模型与所述目标地理模型之间的欧几里得距离；基于所述欧几里得距离，计算所述第二地理模型集合中各地理模型与所述目标地理模型之间的相似度。6.根据权利要求2所述的线下商户推荐方法，其特征在于，根据所述目标地理模型与所述地理模型集合中的地理模型之间的相似度、以及所述第一地理模型集合与用户模型集合之间的关联性，从所述用户模型集合中筛选出第一用户模型集合，包括：从所述用户模型集合中筛选出与所述第一地理模型集合中的一个或多个地理模型相关联的用户模型，得到第二用户模型集合；计算所述第二用户模型集合中各用户模型与所述目标用户模型之间的相似度；将所述相似度满足第二预设条件的用户模型组成的集合确定为第一用户模型集合。7.根据权利要求6所述的线下商户推荐方法，其特征在于，计算所述第二用户模型集合中各用户模型与所述目标用户模型之间的相似度，包括：从所述地理模型集合和所述商户模型集合中，确定出与所述第二用户模型集合中各用户模型关联的商户模型和地理模型的集合；确定与所述目标用户模型关联的商户模型和地理模型的集合；基于与所述第二用户模型集合中各用户模型关联的商户模型和地理模型的集合以及与所述目标用户模型关联的商户模型和地理模型的集合，计算所述第二用户模型集合中各用户模型与所述目标用户模型之间的相似度。8.根据权利要求7所述的线下商户推荐方法，其特征在于，基于与所述第二用户模型集合中各用户模型关联的商户模型和地理模型的集合以及与所述目标用户模型关联的商户模型和地理模型的集合，计算所述第二用户模型集合中各用户模型与所述目标用户模型之间的相似度，包括：计算与所述第二用户模型集合中各用户模型关联的商户模型和地理模型的集合和与所述目标用户模型关联的商户模型和地理模型的集合之间的交集和并集，得到所述第二用户模型集合中各用户模型对应的交集和并集；将所述第二用户模型集合中各用户模型对应的交集中模型的个数与所述第二用户模型集合中各用户模型对应的并集中模型的个数的比值确定为所述第二用户模型集合中各用户模型与所述目标用户模型之间的相似度。9.根据权利要求6所述的线下商户推荐方法，其特征在于，计算所述第二用户模型集合中各用户模型与所述目标用户模型之间的相似度，包括：计算所述第二用户模型集合中各用户模型与所述目标用户模型之间的欧几里得距离；基于所述欧几里得距离，计算所述第二用户模型集合中各用户模型与所述目标用户模型之间的相似度。10.根据权利要求2所述的线下商户推荐方法，其特征在于，基于所述第一地理模型集合与商户模型集合之间的关联性和所述第一用户模型集合与商户模型集合之间的关联性，从所述商户模型集合中确定出多个商户模型，以生成线下商户推荐列表，包括：从所述第一地理模型集合中筛选出与所述第一用户模型集合中的一个或多个用户模型关联的地理模型，得到第三地理模型集合；
从商户模型集合中确定出与所述第三地理模型集合中的一个或多个地理模型关联的商户模型，得到第二商户模型集合；从所述第二商户模型集合中筛选出与所述第一用户模型集合中的一个或多个用户模型关联的商户模型，得到第三商户模型集合；根据商户模型的受欢迎程度从所述第三商户模型集合中确定出多个商户模型，以生成线下商户推荐列表。11.根据权利要求10所述的线下商户推荐方法，其特征在于，从所述第一地理模型集合中筛选出与所述第一用户模型集合中的一个或多个用户模型关联的地理模型，得到第三地理模型集合，包括：从所述第一地理模型集合中筛选出与所述目标地理模型之间的距离在预设范围内的地理模型，得到第四地理模型集合；从所述第四地理模型集合中筛选出与所述第一用户模型集合中的一个或多个用户模型关联的地理模型，得到第三地理模型集合。12.一种线下商户推荐装置，其特征在于，应用于推荐服务器，包括：接收模块，用于接收线下商户客户端发送的线下商户推荐请求；所述线下商户推荐请求中携带有目标用户标识和目标商户标识；获取模块，用于从预先建立的用户模型集合中获取所述目标用户标识对应的目标用户模型；从预先建立的商户模型集合中获取所述目标商户标识对应的目标商户模型；从预先建立的地理模型集合中获取所述目标商户模型对应的目标地理模型；推荐模块，用于基于所述目标用户模型与所述用户模型集合中的用户模型之间的相似度、所述目标地理模型与所述地理模型集合中的地理模型之间的相似度、以及所述用户模型集合、所述地理模型集合和所述商户模型集合两两之间的关联性，从所述商户模型集合中确定出多个商户模型，以生成线下商户推荐列表。13.根据权利要求12所述的线下商户推荐装置，其特征在于，所述推荐模块包括：第一筛选单元，用于根据所述目标用户模型与所述用户模型集合中的用户模型之间的相似度，从所述地理模型集合中筛选出第一地理模型集合；所述第一地理模型集合中各地理模型与所述目标地理模型的相似度满足第一预设条件；第二筛选单元，用于根据所述目标地理模型与所述地理模型集合中的地理模型之间的相似度、以及所述第一地理模型集合与用户模型集合之间的关联性，从所述用户模型集合中筛选出第一用户模型集合；所述第一用户模型集合中的用户模型与所述第一地理模型集合中的地理模型之间存在关联关系，并且所述第一用户模型集合中的用户模型与所述目标用户模型之间的相似度满足第二预设条件；确定单元，用于基于所述第一地理模型集合与商户模型集合之间的关联性和所述第一用户模型集合与商户模型集合之间的关联性，从所述商户模型集合中确定出多个商户模型，以生成线下商户推荐列表。14.根据权利要求13所述的线下商户推荐装置，其特征在于，所述地理模型中包括地理位置数据；所述第一筛选单元具体用于：根据地理位置数据计算所述地理模型集合中多个地理模型中各地理模型与所述目标地理模型之间的距离；
将所述距离满足第三预设条件的地理模型组成的集合确定为第二地理模型集合；计算所述第二地理模型集合中各地理模型与所述目标地理模型之间的相似度；将所述相似度满足第一预设条件的地理模型组成的集合确定为第一地理模型集合。15.根据权利要求13所述的线下商户推荐装置，其特征在于，所述第二筛选单元具体用于：从所述用户模型集合中筛选出与所述第一地理模型集合中的一个或多个地理模型相关联的用户模型，得到第二用户模型集合；计算所述第二用户模型集合中各用户模型与所述目标用户模型之间的相似度；将所述相似度满足第二预设条件的用户模型组成的集合确定为第一用户模型集合。16.根据权利要求13所述的线下商户推荐装置，其特征在于，所述确定单元具体用于：从所述第一地理模型集合中筛选出与所述第一用户模型集合中的一个或多个用户模型关联的地理模型，得到第三地理模型集合；从商户模型集合中确定出与所述第三地理模型集合中的一个或多个地理模型关联的商户模型，得到第二商户模型集合；从所述第二商户模型集合中筛选出与所述第一用户模型集合中的一个或多个用户模型关联的商户模型，得到第三商户模型集合；根据商户模型的受欢迎程度从所述第三商户模型集合中确定出多个商户模型，以生成线下商户推荐列表。17.一种计算机设备，其特征在于，包括处理器以及用于存储处理器可执行指令的存储器，所述处理器执行所述指令时实现权利要求1至11中任一项所述方法的步骤。18.一种计算机可读存储介质，其上存储有计算机指令，其特征在于，所述指令被处理器执行时实现权利要求1至11中任一项所述方法的步骤。19.一种计算机程序产品，包括计算机程序/指令，其特征在于，所述计算机程序/指令被处理器执行时实现权利要求1至11中任一项所述方法的步骤。
技术总结本说明书涉及大数据智能分析技术领域，具体地公开了一种线下商户推荐方法和装置，其中，该方法包括：接收线下商户客户端发送的线下商户推荐请求；从预先建立的用户模型集合中获取目标用户标识对应的目标用户模型；从预先建立的商户模型集合中获取目标商户标识对应的目标商户模型；从预先建立的地理模型集合中获取目标商户模型对应的目标地理模型；基于目标用户模型与用户模型集合中的用户模型之间的相似度、目标地理模型与地理模型集合中的地理模型之间的相似度以及用户模型集合、地理模型集合和商户模型集合两两之间的关联性，从商户模型集合中确定出多个商户模型。上述方案能基于预先建立的用户模型、商户模型和地理模型联合进行线下商户推荐。联合进行线下商户推荐。联合进行线下商户推荐。
技术研发人员：陈晓林 胡平 张志辉 黄文琳 唐正 肖倩兮 黎海辉 周隽杰
受保护的技术使用者：中国建设银行股份有限公司
技术研发日：2022.03.29
技术公布日：2022/7/5
