CN105528395A - 一种潜在消费者推荐方法及系统 - Google Patents

Abstract

本申请公开一种潜在消费者推荐方法和系统，所述方法和系统在接收到商家提交的包括潜在消费者数目及商家位置的推荐请求之后，从社交网络的用户集合中获取个数为所述潜在消费者数目的目标用户，其中，各个所述目标用户对所述商家位置的偏好程度不低于所述用户集合中其他用户对所述商家位置的偏好程度；在此基础上，将各个所述目标用户作为各个潜在消费者，并显示所述各个潜在消费者，供商家参阅。可见，本申请实现了一种以商家为中心的推荐方案，为商家的市场营销提供了便利。

Description

一种潜在消费者推荐方法及系统

技术领域

本发明属于网络数据处理领域，尤其涉及一种潜在消费者推荐方法及系统。

背景技术

近年来，随着位置获取与移动沟通技术的发展，产生了一个新兴概念：基于位置的社交网络。基于位置的社交网路允许人们分享自己的位置信息，以及允许人们基于网络共享的位置信息找寻兴趣点，极大缩小了虚拟世界与现实生活的鸿沟；与此同时，一大批基于位置的社交网络服务开始兴起。

目前的社交网络服务多为从用户角度出发，以用户为中心的推荐服务，比如向用户进行用户推荐、活动推荐、社交媒体推荐、商家推荐等等。然而，越来越大的需求促使研究者从商家的角度出发，研究出一种以商家为中心的推荐方案，实现为商家推荐潜在的消费者，进而实现为商家的市场营销提供便利。

发明内容

有鉴于此，本发明的目的在于提供一种潜在消费者推荐方法及系统，旨在从商家的角度出发，实现一种以商家为中心的推荐方案，为商家的市场营销提供便利。

为此，本发明公开如下技术方案：

一种潜在消费者推荐方法，以基于位置的社交网络为基础，所述方法包括：

接收商家的推荐请求，所述推荐请求包括潜在消费者数目及所述商家的商家位置；

从所述社交网络的用户集合中获取个数为所述潜在消费者数目的目标用户；其中，各个所述目标用户对所述商家位置的偏好程度不低于所述用户集合中其他用户对所述商家位置的偏好程度；

将各个所述目标用户作为各个潜在消费者，并显示所述各个潜在消费者。

上述方法，优选的，所述从所述社交网络的用户集合中获取个数为所述潜在消费者数目的目标用户包括：

确定所述商家位置的覆盖区域；

确定所述覆盖区域在所述社交网络中对应的用户子集；

从所述用户子集中选取出个数为所述潜在消费者数目的目标用户；其中，各个所述目标用户对所述商家位置的偏好程度不低于所述用户子集中其他用户对所述商家位置的偏好程度。

上述方法，优选的，用户对所述商家位置的偏好程度表示为用户对所述商家位置进行排名的排名值rank(u，q)，其中：

u表示所述用户；

q表示所述商家位置；

排名值rank(u，q)表示对于所述用户u来说排名值高于所述q的商家数。

上述方法，优选的，所述排名值基于用户对所述商家位置的偏好值得到，所述偏好值基于用户在所述社交网络中的历史行为及社交关系计算得到。

上述方法，优选的，所述从所述用户子集中选取出个数为所述潜在消费者数目的目标用户包括：

采用基于R树的剪枝方法，选择性地计算所述用户子集中部分用户针对所述商家位置的排名值；

按照排名值升序排列的次序，选择出前k个排名值，并将所述前k个排名值对应的用户作为所述目标用户，所述k表示所述潜在消费者数目。

一种潜在消费者推荐系统，以基于位置的社交网络为基础，所述系统包括：

接收模块，用于接收商家的推荐请求，所述推荐请求包括潜在消费者数目及所述商家的商家位置；

获取模块，用于从所述社交网络的用户集合中获取个数为所述潜在消费者数目的目标用户；其中，各个所述目标用户对所述商家位置的偏好程度不低于所述用户集合中其他用户对所述商家位置的偏好程度；

显示模块，用于将各个所述目标用户作为各个潜在消费者，并显示所述各个潜在消费者。

上述系统，优选的，所述获取模块包括：

第一确定单元，用于确定所述商家位置的覆盖区域；

第二确定单元，用于确定所述覆盖区域在所述社交网络中对应的用户子集；

选取单元，用于从所述用户子集中选取出个数为所述潜在消费者数目的目标用户；其中，各个所述目标用户对所述商家位置的偏好程度不低于所述用户集合中其他用户对所述商家位置的偏好程度。

上述系统，优选的，用户对所述商家位置的偏好程度表示为用户对所述商家位置进行排名的排名值，则所述选取单元包括：

计算子单元，用于采用基于R树的剪枝方法，选择性地计算所述用户子集中部分用户针对所述商家位置的排名值；

选择子单元，用于按照排名值升序排列的次序，选择出前k个排名值，并将所述前k个排名值对应的用户作为所述目标用户，所述k表示所述潜在消费者数目。

由以上方案可知，本申请公开的潜在消费者推荐方法和系统，在接收到商家提交的包括潜在消费者数目及商家位置的推荐请求之后，从社交网络的用户集合中获取个数为所述潜在消费者数目的目标用户，其中，各个所述目标用户对所述商家位置的偏好程度不低于所述用户集合中其他用户对所述商家位置的偏好程度；在此基础上，将各个所述目标用户作为各个潜在消费者，并显示所述各个潜在消费者，供商家参阅。可见，本申请实现了一种以商家为中心的推荐方案，为商家的市场营销提供了便利。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1是本发明实施例一提供的潜在消费者推荐方法流程图；

图2是本发明实施例一提供的商家覆盖区域示意图；

图3是本发明实施例二提供的潜在消费者推荐系统的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。

实施例一

本发明实施例一公开一种潜在消费者推荐方法，所述方法以基于位置的社交网络为基础，其中，基于位置的社交网络允许人们分享自己的位置信息，以及允许人们基于网络共享的位置信息找寻兴趣点，以国外具有代表性的社交网络Foursquare为例，其自2009年成立起来的两年内获得了10亿次签到，每天平均签到数达到三百万，且这个数目还在不断增长。基于位置的社交网络可便利地获取用户数据，这些用户数据包括用户的签到信息(例如用户发表的携带有位置信息的用户状态等)以及社交信息，这些数据为研究人员更加深入地了解用户的偏好与行为，并在此基础上提供有效的推荐服务提供了数据基础。

参考图1，本申请提供的潜在消费者推荐方法具体可以包括以下步骤：

S101：接收商家的推荐请求，所述推荐请求包括潜在消费者数目及所述商家的商家位置。

其中，商家在提交潜在消费者的推荐请求时，可依据实际的营销需求，如营销规划、营销费用等，自行设置需推荐的潜在消费者数目，且由于本申请的推荐方法以基于位置的社交网络为基础，因此，商家提交的推荐请求中还应包括商家的位置信息。

S102：从所述社交网络的用户集合中获取个数为所述潜在消费者数目的目标用户；其中，各个所述目标用户对所述商家位置的偏好程度不低于所述用户集合中其他用户对所述商家位置的偏好程度。

对于一个商家来说，例如一个KTV或者餐馆，进行全球性营销显然不是一个明智之举，通常的做法是缩小市场营销范围，本申请将商家的市场营销范围描述为一个基于商家位置的覆盖区域，参考图2示出的覆盖区域示例图，其中，V1和V2表示两个商家所在位置，虚线圈O1内的区域表示V1在基于位置的社交网络中的覆盖区域，其中的黑点表示V1的覆盖用户；相对应地，虚线圈O2内的区域表示V2在基于位置的社交网络中的覆盖区域，其中的黑点表示V2的覆盖用户。

基于此，在接收到商家提交的包含商家位置的推荐请求后，需首先确定所述商家位置的覆盖区域，并进一步确定所述覆盖区域在社交网络中对应的用户子集。在此基础上，可依据一定的用户选取策略，从所确定出的用户子集中选取出个数为所述潜在消费者数目的目标用户，将其作为潜在消费者推荐给商家，其中，所述选取策略应保证最终选取出的目标用户对所述商家位置的偏好程度不低于所述用户子集中其他用户对所述商家位置的偏好程度。

接下来，对潜在消费者的选取过程进行详细描述。

用户的偏好可以从不同的方面来描述，本发明考虑使用用户的历史行为以及用户的社交关系来对用户的偏好进行建模。目前，已研究出用户的社交关系可以影响用户的行为，分析用户的偏好，为了验证这一结论，申请人在Foursquare的美国区域抓取了2M的用户以及1M的地点，并且对朋友与陌生人的签到行为进行比较，比较结果可参考表1，两个朋友之间平均有13.527个相同的签到(相同的签到具体指携带的位置信息相同)，而两个陌生人之间只有4.831个，充分验证了以上结论的正确性，其中签到信息可以是用户发表的携带位置信息的一个单词，句子或一段、一节文字内容等。

表1

	平均相同签到
		朋友之间	13.527
陌生人之间	4.831

用户的历史行为具有两个较为重要的特征，第一是用户通常会去少量的地方很多次，很多地方少量次，这也意味着用户的历史行为呈现幂律分布；第二是用户的历史行为有着短期影响的特征，也即之前的签到对最新签到的影响系数不同。基于此，本申请使用一个前沿的语言处理模型HPY(HierarchicalPitman-Yorprocess，分层皮特曼-尤尔过程)来获取用户的历史行为。

HPY认为最早的单词有着最小的重要性，HPY是能够获取短期影响且不失幂律分布特征的一个n元语法模型。在HPY中，G_h表示在给出用户的历史状态h的情况下，下一个签到(某一位置)的概率：

G_h～PY(d_|h|,γ_|h|,G_π(h))(1)

式(1)中，PY表示皮特曼-尤尔过程，d_|h|∈[0,1)是一个调整因子，用来控制幂律属性，γ_|h|是一个强度参数，π(h)包含除了第一次签到的所有历史签到，G_π(h)是在除了第一次签到的历史数据情况下下一次签到(某一位置)的概率，其中，G_π(h)可以通过参数d_|π(h)|,γ_π(h)和G_π(π(h))计算得到。G_π(h)的计算过程不断迭代，直到获得一个空的历史上下文

m个地理位置可以组成一个地理空间L，且m＝|L|。基准分布G₀是一个均匀分布，可以产生一个先验概率G₀(l)，它符合G₀(l)＝1/m，G₀(l)具体表示用户在位置l∈L签到的概率。

式(3)中，N_hl表示在历史情境h下，在地点l处签到的数目，n_h＝Σ_lN_hl·t_h＝Σ_lt_hl是一个潜在变量，为所有t_hl的和，满足：

$\left\{\begin{array}{cc}{t}_{hl}=0& if{N}_{hl}=0\\ 0\≤t_{hl}\≤N_{hl}& if{N}_{hl}>0\end{array}\right.---\left(4\right)$

本申请采用用户相似度表征用户间的社交关系，用户相似度可以通过用户的历史签到数据以及用户对地点的评分推断出来。本申请具体采用加权层次类别树的方法进行用户相似度计算，计算公式具体参考式(5)。

$sim(u_i,u_j)=\underset{l=1}{\overset{\left|l\right|}{\Σ}}\mathrm{\β}\×\frac{LevelSim(u_i,u_j,l)}{1+|H(u_i,l)-H(u_j,l)|}---\left(5\right)$

其中，β表示处在不同层上的一个权重，为l层上的用户相似度。H(u_i,l)是用户u_i在层l的熵值。

$H(u,l)=-\underset{c\∈C^l}{\Σ}u.P\left(c\right)\×\lg u.P\left(c\right)---\left(6\right)$

在式(6)中，P(c)是用户u在访问类别c时的概率。

接下来，在用户历史行为以及社交关系的研究基础上，对用户偏好进行计算。

本申请的用户偏好模型集成了用户的历史行为及社交关系，具体可表示为式(7)，通过式(7)可计算出用户对某一位置l的偏好值，所述偏好值可作为排名分数应用在下文的反向排名方法中。

$S_i^l=P_{UP}^i(c_{n+1}=l)={\mathrm{\ηP}}_H^i(c_{n+1}=l)+(1-\mathrm{\η})P_S^i(c_{n+1}=l)---\left(7\right)$

在式(7)中，历史模型可以被定义为：

$P_H^i(c_{n+1}=l)=P_{HPY}^{i,i}(c_{n+1}=l)---\left(8\right)$

其中，是由HPY中根据用户的历史签到数据处理产生，它反映了用户u_i在l处的签到c_n+1的概率(即根据前n次签到情况预测用户第n+1次签到时签到l的概率)；表示用户u_i在社交关系下计算出的下一次签到时签到l的概率。

$P_S^i(c_{n+1}=l)=\underset{u_j\∈N\left(u_i\right)}{\Σ}sim(u_i,u_j)P_{HPY}^{i,i}(c_{n+1}=l)---\left(9\right)$

式(9)中，N(u_i)表示用户u_i的朋友集合，是用户u_i在下一个地点l的签到概率，它是由HPY通过将用户的历史签到数据作为训练集训练产生。

本申请将“为商家发现潜在消费者”的问题看作为一个排名查询问题，通常情况下，排名查询问题通过用户自定义的分数计算函数，根据最大或最小排名分数返回topk个元组。线性模型是目前常用的一种分数计算函数，然而线性模型集中应用在以用户为中心的推荐服务中，目的是为用户找到满足需求的产品集合，此种需求与本申请为商家推荐潜在消费者的需求相反，基于此，本申请采用一种新颖的反向排名方法来满足为商家推荐潜在消费者的需求。

反向排名方法采用排名值rank(u,q)取代排名分数，即本申请中，用户对所述商家位置的偏好程度具体表示为用户对所述商家位置进行排名的排名值rank(u,q)。其中，rank(u,q)表示对于用户u来说排名高于q的商家数，其中q表示给定的商家(本质上是指商家位置)。对于任意给定的消费者u_i，分数函数可以被定义为是用户u_i在访问地点l时的概率，这个概率由以上的用户偏好模型产生。

基于排名值及分数函数的介绍，本申请给出如下定义：

定义1：给定一个点集合D，一个特定的用户u，一个查询点q(表示商家位置)，则q对用户u的查询的排名是rank(u,q)＝|S|，其中|S|是集合S的势，且S是D的一个子集。则对于这里定然存在对于则有 $S_u^{p_j}\≥S_u^q.$

定义2：给定一个点集合D，一个特定的用户集合U，一个正数k，一个查询点q，反向排名查询返回一个集合S,且rank(u_i,q)≤rank(u_j,q)。

对于任意给定的在集合U中的用户u以及给定的在集合D中的查询点p，如果一个个的计算rank(u,q)，时间复杂度将达到O(m·n)，其中m和n分别表示消费者数目以及商家数目，时间复杂度较大，无法满足实时推荐的需求，基于此，本申请通过建立一个R树，并且运用一个基于R树的剪枝方法来缩减时间复杂度。

其中，本申请具体使用R树将商家按照经纬度进行索引，在R树中使用r表示MBR(minimumboundingrectangle，最小边界矩形)，r.L和r.U分别表示r中的左下方和右上方的点。在R树中有两个事实存在：

事实1：对于一个给定的查询点q，以及一个具体的用户u，以及一个MBR：r，如果 $S_{u_i}^q<S_{u_i}^{r.L},\&ForAll;p\&Element;r,$ 则有 $S_{u_i}^q<S_{u_i}^p.$

事实2：对于一个给定的查询点q，以及一个具体的用户u，以及一个MBR：r，如果 $S_{u_i}^{r.U}<S_{u_i}^q,\&ForAll;p\&Element;r,$ 则有 $S_{u_i}^p<S_{u_i}^q.$

即本申请预先对所有的商家进行建立R树索引，在为商家推荐潜在消费者过程中，可以基于以上两个事实实现剪枝，剪枝算法具体如下：

首先，初始化两个空的队列Q和Q′，用于存储R-tree的结点，接着通过遍历用户集合中的用户，计算他们对查询商家的排名值，通过遍历R-tree的每个结点r,分别计算r.L和r.U与用户偏好向量u_i.w的排名得分，然后算法根据两个点之间的支配关系，当f(u_i.w,q)＜f(u_i.w,r.L)或者f(u_i.w,r.U)＜f(u_i.w,q)时，可以不必计算与结点中包含的商家属性向量的内积,从而达到安全剪枝的目的。否则，所有r的子结点都将被添加到队列Q中等待进一步处理，如果一个结点是叶子结点，它将被放到队列Q′中等待进一步处理。变量minRank作为一个全局变量,用来存放数组A中第k小的排名值，通过此种方法,如果查询商家不是用户u_i的top-k商家，那么可以避免继续遍历队列Q′中的结点。否则，则继续遍历队列Q′中的结点，计算用户u_i相对于查询商家的排名值。最终，算法返回数组中最小的k个排序值相对应的用户。

在此基础上，本申请可实现对商家(提交推荐请求的商家)位置覆盖区域对应的用户子集进行选择性地计算部分用户的排名值，本申请的剪枝算法可以将时间复杂度降为O(m_r·n)，其中m_r＝|R|,n＝|D|。

最终，可按照排名值升序排列的次序，选择出前k个排名值，并将所述前k个排名值对应的用户作为潜在消费者推荐给商家，其中，所述k表示所述潜在消费者数目。

S103：将各个所述目标用户作为各个潜在消费者，并显示所述各个潜在消费者。

确定出k个rank(u,q)较小的潜在消费者之后，可显示所述k个潜在消费者，最终完成向提交请求的商家推荐所需的k个潜在消费者。

由以上方案可知，本申请公开的潜在消费者推荐方法，在接收到商家提交的包括潜在消费者数目及商家位置的推荐请求之后，从社交网络的用户集合中获取个数为所述潜在消费者数目的目标用户，其中，各个所述目标用户对所述商家位置的偏好程度不低于所述用户集合中其他用户对所述商家位置的偏好程度；在此基础上，将各个所述目标用户作为各个潜在消费者，并显示所述各个潜在消费者，供商家参阅。可见，本申请实现了一种以商家为中心的推荐方案，为商家的市场营销提供了便利。

实施例二

本发明实施例二公开一种潜在消费者推荐系统，所述系统以基于位置的社交网络为基础，参考图3，所述系统包括接收模块100、获取模块200和显示模块300。

接收模块100，用于接收商家的推荐请求，所述推荐请求包括潜在消费者数目及所述商家的商家位置。

获取模块200，用于从所述社交网络的用户集合中获取个数为所述潜在消费者数目的目标用户；其中，各个所述目标用户对所述商家位置的偏好程度不低于所述用户集合中其他用户对所述商家位置的偏好程度。

所述获取模块200包括第一确定单元、第二确定单元和选取单元。

第一确定单元，用于确定所述商家位置的覆盖区域；

第二确定单元，用于确定所述覆盖区域在所述社交网络中对应的用户子集；

选取单元，用于从所述用户子集中选取出个数为所述潜在消费者数目的目标用户；其中，各个所述目标用户对所述商家位置的偏好程度不低于所述用户集合中其他用户对所述商家位置的偏好程度。

所述选取单元包括计算子单元、选择子单元。

计算子单元，用于采用基于R树的剪枝方法，选择性地计算所述用户子集中部分用户针对所述商家位置的排名值；

选择子单元，用于按照排名值升序排列的次序，选择出前k个排名值，并将所述前k个排名值对应的用户作为所述目标用户，所述k表示所述潜在消费者数目。

显示模块300，用于将各个所述目标用户作为各个潜在消费者，并显示所述各个潜在消费者。

对于本发明实施例二公开的潜在消费者推荐系统而言，由于其与实施例一公开的潜在消费者推荐方法相对应，所以描述的比较简单，相关相似之处请参见实施例一中潜在消费者推荐方法部分的说明即可，此处不再详述。

为了描述的方便，描述以上系统或装置时以功能分为各种模块或单元分别描述。当然，在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。

通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本申请可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，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例或者实施例的某些部分所述的方法。

最后，还需要说明的是，在本文中，诸如第一、第二、第三和第四等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物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、物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、物品或者设备中还存在另外的相同要素。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (8)

1.一种潜在消费者推荐方法，其特征在于，以基于位置的社交网络为基础，所述方法包括：

接收商家的推荐请求，所述推荐请求包括潜在消费者数目及所述商家的商家位置；

从所述社交网络的用户集合中获取个数为所述潜在消费者数目的目标用户；其中，各个所述目标用户对所述商家位置的偏好程度不低于所述用户集合中其他用户对所述商家位置的偏好程度；

将各个所述目标用户作为各个潜在消费者，并显示所述各个潜在消费者。

2.根据权利要求1所述的方法，其特征在于，所述从所述社交网络的用户集合中获取个数为所述潜在消费者数目的目标用户包括：

确定所述商家位置的覆盖区域；

确定所述覆盖区域在所述社交网络中对应的用户子集；

从所述用户子集中选取出个数为所述潜在消费者数目的目标用户；其中，各个所述目标用户对所述商家位置的偏好程度不低于所述用户子集中其他用户对所述商家位置的偏好程度。

3.根据权利要求2所述的方法，其特征在于，用户对所述商家位置的偏好程度表示为用户对所述商家位置进行排名的排名值rank(u，q)，其中：

u表示所述用户；

q表示所述商家位置；

排名值rank(u，q)表示对于所述用户u来说排名值高于所述q的商家数。

4.根据权利要求3所述的方法，其特征在于，所述排名值基于用户对所述商家位置的偏好值得到，所述偏好值基于用户在所述社交网络中的历史行为及社交关系计算得到。

5.根据权利要求4所述的方法，其特征在于，所述从所述用户子集中选取出个数为所述潜在消费者数目的目标用户包括：

采用基于R树的剪枝方法，选择性地计算所述用户子集中部分用户针对所述商家位置的排名值；

按照排名值升序排列的次序，选择出前k个排名值，并将所述前k个排名值对应的用户作为所述目标用户，所述k表示所述潜在消费者数目。

6.一种潜在消费者推荐系统，其特征在于，以基于位置的社交网络为基础，所述系统包括：

接收模块，用于接收商家的推荐请求，所述推荐请求包括潜在消费者数目及所述商家的商家位置；

获取模块，用于从所述社交网络的用户集合中获取个数为所述潜在消费者数目的目标用户；其中，各个所述目标用户对所述商家位置的偏好程度不低于所述用户集合中其他用户对所述商家位置的偏好程度；

显示模块，用于将各个所述目标用户作为各个潜在消费者，并显示所述各个潜在消费者。

7.根据权利要求6所述的系统，其特征在于，所述获取模块包括：

第一确定单元，用于确定所述商家位置的覆盖区域；

第二确定单元，用于确定所述覆盖区域在所述社交网络中对应的用户子集；

选取单元，用于从所述用户子集中选取出个数为所述潜在消费者数目的目标用户；其中，各个所述目标用户对所述商家位置的偏好程度不低于所述用户集合中其他用户对所述商家位置的偏好程度。

8.根据权利要求7所述的系统，其特征在于，用户对所述商家位置的偏好程度表示为用户对所述商家位置进行排名的排名值，则所述选取单元包括：

计算子单元，用于采用基于R树的剪枝方法，选择性地计算所述用户子集中部分用户针对所述商家位置的排名值；

选择子单元，用于按照排名值升序排列的次序，选择出前k个排名值，并将所述前k个排名值对应的用户作为所述目标用户，所述k表示所述潜在消费者数目。