CN111831892A

CN111831892A - 信息推荐方法、信息推荐装置、服务器及存储介质

Info

Publication number: CN111831892A
Application number: CN201910318495.5A
Authority: CN
Inventors: 余鹏
Original assignee: Rajax Network Technology Co Ltd
Current assignee: Rajax Network Technology Co Ltd
Priority date: 2019-04-19
Filing date: 2019-04-19
Publication date: 2020-10-27

Abstract

本发明实施例涉及信息处理技术领域，公开了一种信息推荐方法、信息推荐装置、服务器及存储介质，本发明中，获取用户所在城市的城市类型；根据城市类型对应的预测模型，预测所述用户对各商户下单率的指标值，并根据预测结果对各商户信息进行排序，将排序后的商户信息推荐给用户；其中，不同的预测模型对应不同的城市类型，各所述预测模型预先根据属于对应城市类型的各目标城市中的商户样本数据训练得到。该信息推荐方法可以提高信息推荐的准确性，使得推荐结果更加符合各种城市的城市特色。

Description

信息推荐方法、信息推荐装置、服务器及存储介质

技术领域

本发明涉及信息处理技术领域，特别涉及一种信息推荐方法、信息推荐装置、服务器及存储介质。

背景技术

目前，在电商领域中，对用户进行商户或商品的信息推荐时，常常会用到排序技术。常见的做法是根据预测模型去评估用户对某个商品下单的概率,或者用户在某个商户下单的概率，根据这个预测模型的评估结果再去确定推荐各用户的商户或商品。

然而，发明人发现，在针对某个用户进行信息推荐时，推荐结果的准确性有待提高。

发明内容

本发明实施方式的目的在于提供一种信息推荐方法、信息推荐装置、服务器及存储介质，可以提高信息推荐的准确性，使得推荐结果更加符合各种城市的城市特色。

为解决上述技术问题，本发明的实施方式提供了一种信息推荐方法，包括：获取用户所在城市的城市类型；根据城市类型对应的预测模型，预测用户对各商户下单率的指标值，并根据预测结果对各商户信息进行排序，将排序后的商户信息推荐给用户；其中，不同的预测模型对应不同的城市类型，各预测模型预先根据属于对应城市类型的各目标城市中的商户样本数据训练得到。

本发明的实施方式还提供了一种信息推荐装置，包括：获取模块，用于获取用户所在城市的城市类型；预测模块，用于根据城市类型对应的预测模型，预测用户对各商户下单率的指标值；排序模块，用于根据预测结果对各商户信息进行排序，将排序后的商户信息推荐给用户，其中，不同的预测模型对应不同的城市类型，各预测模型预先根据属于对应城市类型的各目标城市中的商户样本数据训练得到。

本发明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所在城市的城市类型；根据城市类型对应的预测模型，预测用户对各商户下单率的指标值，并根据预测结果对各商户信息进行排序，将排序后的商户信息推荐给用户；其中，不同的预测模型对应不同的城市类型，各预测模型预先根据属于对应城市类型的各目标城市中的商户样本数据训练得到。

本发明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，计算机可读程序用于供计算机执行如上的信息推荐方法。

本发明实施方式相对于现有技术而言，主要区别及其效果在于：不同的预测模型对应不同的城市类型，而且预测模型是预先根据对应的城市类型中各商户样本数据训练得到的，在进行信息推荐时，通过获取用户所在城市的城市类型，可以确定出适用于用户所在城市的预测模型；根据城市类型对应的预测模型，预测用户对各商户下单率的指标值，可使模型的预测结果更符合地域特色，同时使得在推荐的信息更准确；另外，由于预测的是表征下单成功概率的指标值，可使得推荐给用户的信息是用户所需要的，提升用户体验。

另外，预测模型通过在基础模型的基础上进行学习得到，基础模型用于预测用户对各商户下单率的指标值，且基础模型根据全国各目标城市的商户样本数据训练得到。在通过全国的样本数据训练出的基础模型的基础上，再通过迁移学习去训练各预测模型，可使得可预测模型快速收敛。

另外，在根据城市类型对应的预测模型，预测用户对各商户下单率的指标值之前，还包括：判断用户所在城市的城市类型是否对应有预测模型；若对应有预测模型，则执行根据城市类型对应的预测模型，预测用户对各商户下单率的指标值；若未对应有预测模型，则根据基础模型预测用户对各商户下单率的指标值，并根据预测结果对各商户信息进行排序，将排序后的商户信息推荐给用户。对未对应有预测模型的城市类型，直接采用基础模型预测用户对各商户下单率的指标值，保证每种城市类型都有可靠的模型来进行信息推荐。

另外，预测模型对应的城市类型满足以下条件：属于城市类型的各目标城市的商户样本数据的总条数大于预设阈值。仅对商户样本数据的总条数大于预设阈值的各城市类型建立预测模型，可防止由于样本数据过少而出现欠拟合的现象。

另外，对全国各目标城市进行聚类，得到N个城市类型，具体包括：在全国各目标城市中确定N个目标城市作为N个中心点城市；分别计算其他各目标城市与各中心点城市之间的相似度；根据相似度将其他各目标城市与N个中心点城市中的一个中心点城市归为同一类城市类型，得到N个城市类型。选定中心点城市可使得城市的聚类有参考标准，计算各个目标城市与目标城市的相似度而不是将所有的城市两两比较，可减少计算量。

另外，目标城市与中心点城市之间的相似度通过以下方式得到：分别计算目标城市的多个特征维度与中心点城市对应的多个特征维度之间的特征维度距离；根据多个特征维度的特征维度距离得到目标城市与中心点城市的相似度。考虑多个特征维度对城市之间相似性的影响，使得城市聚类的结果更加可靠。

附图说明

图1是根据本发明第一实施方式中的信息推荐方法流程图；

图2是根据本发明第二实施方式中的信息推荐方法的城市类型的聚类方法流程图；

图3是根据本发明第三实施方式中的信息推荐方法流程图；

图4是根据本发明第四实施方式中的信息推荐装置结构示意图；

图5是根据本发明第五实施方式提供的服务器结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明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，在本发明各实施方式中，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，不应对本发明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。

在外卖场景中，不同地域的用户个性偏好有所不同，对不同地域的用户进行商户或商品的信息推荐时，推荐结果需要有较大差距。例如，四川的用户口味偏辛辣，而广东的用户口味偏清淡，那么对四川的用户就应该推荐口味辛辣的商品，而对广东的用户应该推荐口味清淡的商品；但是在现有技术中，全国使用的是同一套推荐模型，这样，就会将不同区域用户的个性特征弱化，从而导致推荐结果很难完全符合不同区域的用户的个性化需求。

本发明的第一实施方式涉及一种信息推荐方法，如图1所示。

服务器在检测到某个用户打开客户端时，为了提升用户体验，可以根据一些历史数据，有针对性的向用户推荐用户可能感兴趣的商户或商品。下面以向用户推荐用户可能感兴趣的商户为例，对信息推荐的过程进行具体说明。

步骤S101，获取用户所在城市的城市类型。

具体地说，当用户在客户端浏览各个商家的信息或商品信息时，服务器可根据用户设置的默认配送地址确定用户所在的城市，也可通过获取终端实时定位的位置信息来确定用户所在的城市，在确定用户所在的城市后，根据预先确定的全国各个目标城市对应的城市类型获取用户所在城市的城市类型。例如，全国的城市分为A、B、C、D、F这五类，服务器通过获取终端实时定位的位置信息确定用户所在的城市为上海，而上海这个城市对应的城市类型为A类，即，服务器获取用户所在城市的城市类型为A类。

在实际实时中，各城市类型可通过对全国的城市进行聚类得到，例如，将全国各个目标城市中地理位置在同一纬度范围内的城市归为一类。

步骤S102，根据城市类型对应的预测模型,预测用户对各商户下单率的指标值。

具体地说，不同的预测模型对应不同的城市类型，预测模型的模型输出为用于表征下单成功概率的指标值，例如，模型的输出可以为用户点击某个商户的概率或用户对商户中某个商品进行下单的概率，模型的输出还可以为商户的评分或商品的评分。服务器在确定用户所在城市所属的城市类型后，向用户推荐商户时，可根据该城市类型对应的预测模型，对这个城市中的各个商户进行预测，例如，预测模型的输出结果是各个商铺的评分，则根据对应的预测模型，预测出这个城市中各个商户的评分。

值得一提的是，这里说到的各个城市类型对应的预测模型，可以是通过在基础模型的基础上获取得到，基础模型也是用于预测用户对各商户下单率的指标值，且基础模型的训练数据为全国各目标城市的样本数据，而各个城市类型对应的预测模型的训练数据为各个城市类型中各商户样本数据。例如，模型的输出为用户点击某个商户的概率，在训练基础模型时，会将全国所有城市中各商户样本数据作为这个基础模型的训练数据进行模型训练，每条商户样本数据可以包括两部分：标签和特征数据，其中标签用于标识商户是否被点击或是否被下单，特征数据包括商户点击率，商户转化率，商户静态属性，用户偏好，用户静态属性，以及天气、时间等上下文特征。基础模型和预测模型均可以分为特征表征层，隐藏层和输出层。通过商户样本数据可以训练出所有特征数据的表征层，这个特征表征层是一组向量，是特征的一种泛化表示形态，可以用在不同类型的任务中(例如模型的任务为预测商户是否被点击或者模型的任务为预测商户是否被下单)。对于每个任务，在得到各自特征表征层之后，需要继续训练各自的隐藏层和输出层，从而得到每个任务的输出。

由于在训练基础模型时，可得到输入的特征数据的高阶组合，即得到特征表征层，在训练各个城市类型对应的预测模型时，可利用各个预测模型各自的样本数据，在基础模型的特征表征层基础上稍加变动，从而可以很快得到每个预测模型各自的特征表征层，各预测模型在得到各自的特征表征层之后，再进一步训练得到各自的隐藏层和输出层。复用基础模型的特征表征层可使得各个城市类型对应的预测模型更快收敛，而且，由于各预测模型的特征表征层是在基础模型的表征特征层基础上得到的，因此，在基础模型的基础上进行训练时，即使训练数据的量不如基础模型多，仍然可以得到很可靠的预测模型。

步骤S103，根据预测结果对各商户信息进行排序，将排序后的商户信息推荐给用户。

具体地说，服务器在对用户所在城市中的各商户使用预测模型进行预测后，根据预测结果对各商户进行排序，例如，预测模型的预测结果是各商户的评分，则可按照评分由高到低的规则对各商户进行排序，并将排序后的商户信息推荐给用户，值得一提的是，客户端的推荐页面长度有限，因此可能无法向用户推荐所有的商户，例如，只能向用户推荐K个商户，那么服务器可将排序结果中，排在前K个的商户推荐给用户。

在实际应用中，在对各商户进行排序之前，还可以根据用户的地理位置、用户画像、当前时间或者当前所处的午餐、宵夜等外卖场景先对商户进行一次筛选，筛选出用户当前可能感兴趣的目标商户，从而可以只对目标商户的用户下单率的指标值进行预测，根据预测结果再对目标商户进行排序。只对筛选出的目标商户进行排序，可以减少排序过程中的计算量，同时使排序更具针对性。

本实施方式相对现有技术而言，不同的预测模型对应不同的城市类型，而且预测模型是预先根据对应的城市类型中各商户样本数据训练得到的，在进行信息推荐时，通过获取用户所在城市的城市类型，可以确定出适用于用户所在城市的预测模型；根据城市类型对应的预测模型，预测用户对各商户下单率的指标值，可使模型的预测结果更符合地域特色，同时使得推荐的信息更准确；另外，由于预测的是表征下单成功概率的指标值，可使得推荐给用户的信息是用户所需要的，提升用户体验。

本发明的第二实施方式涉及一种信息推荐方法，本实施方式中在对全国的各个目标城市进行城市聚类时，城市类型的聚类方法如图2所示，下面进行具体说明。

步骤S201,在全国各目标城市中确定N个目标城市作为N个中心点城市。

具体地说，在对全国各个目标城市进行聚类之前，可先确定要聚类的城市类别数为N，再从全国各目标城市中确定出N各目标城市作为N个中心点城市，这N个目标城市可通过kmeans聚类算法得到。

步骤S202，分别计算其他各目标城市与各中心点城市之间的相似度。

具体地说，在确定各中心点城市之后，可逐个计算每个中心点城市与其他各个目标城市之间的相似度，在计算目标城市与中心点城市之间的相似度时，可分别计算目标城市的多个特征维度与中心点城市对应的多个特征维度之间的特征维度距离，再根据多个特征维度的特征维度距离得到目标城市与中心点城市的相似度。例如，这里说到的多个特征维度可包括以下特征维度的任意组合：城市地理位置、城市人口、城市人均收入、城市人口结构、市场份额、商户数量、商户客单价。计算目标城市的各个特征维度与中心点城市对应的各个特征维度的特征维度距离后，可根据各个特征维度的特征维度距离，得到目标城市与中心城市之间的相似度，其中，各个特征维度的特征维度距离越小，得到的得到目标城市与中心城市之间的相似度越大。各个特征维度的特征维度距离具体可通过

得到，其中n表示总共有n个特征维度，k表示第k个特征维度，d_i,j表示第i个城市和第j个城市之间的各个特征维度的特征维度距离。

步骤S203，根据相似度将其他各目标城市与N个中心点城市中的一个中心点城市归为同一类城市类型，得到N个城市类型。

具体地说，在计算目标城市与各个中心点城市之间的相似度后，可将目标城市与相似度最大的中心点城市归为一类，依次对全国各目标城市进行归类，得到N个城市类型。

本实施方式中，在对全国各目标城市进行聚类后，根据不同城市类型中户商户样本数据，训练得到不同的预测模型，检测到用户打开客户端后，便可根据用户所属城市的城市类型选择对应的预测模型，对用户所属城市中的商户进行预测，服务器可根据预测结果对各商户信息进行排序，将排序后的商户信息推荐给用户。

本实施方式相对现有技术而言，选定中心点城市可使得城市的聚类有参考标准，计算各个目标城市与目标城市的相似度而不是将所有的城市两两比较，可减少计算量。另外，考虑多个特征维度对城市之间相似性的影响，使得城市聚类的结果更加可靠。

本发明的第三实施方式涉及一种信息推荐方法，本实施方式与第一实施方式大致相同，主要区别在于在预测用户对各商户下单率的指标值之前，还需要先判断用户所在城市的城市类型是否对应有预测模型，本实施方式的流程图如图3所示，下面进行具体说明。

步骤S301，获取用户所在城市的城市类型。

步骤S301与第一实施方式中的步骤S101大致相同，为避免重复，这里不再一一赘述。

步骤S302，判断用户所在城市的城市类型是否对应有预测模型，若对应有预测模型，则执行步骤S303，若未对应有预测模型，则执行步骤S304。

具体地说，各预测模型对应的城市类型，应该要满足的条件是属于城市类型的各目标城市的商户样本数据的总条数大于预设阈值，即，只有满足这个条件的城市类型才有对应的预测模型。例如，在对全国的各个目标城市进行聚类后，统计各个类型的城市中每个城市类型中的商户样本数据的总条数，并对商户样本数据的总条数大于预设阈值的城市类型，建立相应的预测模型。服务器中可预先存储城市类型与预测模型的对照表，在获取用户所在城市的城市类型后，服务器会在这个对照表中去查找对应的预测模型，若找到了对应的预测模型，则判定对应有预测模型，若没有找到对应的预测模型，则判断未对应有预测模型。

步骤S303，根据城市类型对应的预测模型,预测用户对各商户下单率的指标值。

步骤S303与第一实施方式中的步骤S102大致相同，为避免重复，这里不再一一赘述。

步骤S304，根据基础模型预测用户对各商户下单率的指标值。

具体地说，对于各目标城市的商户样本数据的总条数小于预设阈值的城市类型，可直接采用基础模型对用户所在城市中的各个商户的用于表征下单成功概率的指标值进行预测。这里基础模型的输出可以是用户点击某个商户的概率，也可以是对某个商户的评分，基础模型的输出数据类型与各个预测模型的输出数据类型一致。

步骤S305，根据预测结果对各商户信息进行排序，将排序后的商户信息推荐给用户。

步骤S305与第一实施方式中的步骤S103大致相同，为避免重复，这里不再一一赘述。

在一个具体的例子中，全国的城市分为A、B、C、D、F这五类，服务器通过获取终端实时定位的位置信息确定用户所在的城市为昆明，而昆明这个城市对应的城市类型为D类，即，服务器获取用户所在城市的城市类型为D类，服务器在预先存储的对照表中查找D类城市类型对应的预测模型，若在预先存储的对照表中，未能查找到与D类城市类型对应的预测模型，则判定用户所在的城市的城市类型未对应有预测模型，直接采用基础模型预测用户对各商户下单率的指标值。

本实施方式相对现有技术而言，对于样本数据特别少的城市类型，直接用基础模型进行预测，可防止由于样本数据过少而出现欠拟合的现象。

本发明的第四实施方式涉及一种信息推荐装置，如图4所示，该信息推荐装置包括：

获取模块401，用于获取用户所在城市的城市类型；预测模块402，用于根据城市类型对应的预测模型，预测用户对各商户下单率的指标值；排序模块403，用于根据预测结果对各商户信息进行排序，将排序后的商户信息推荐给用户；其中，不同的预测模型对应不同的城市类型，各预测模型预先根据属于对应城市类型的各目标城市中的商户样本数据训练得到。

在一个例子中，城市类型通过以下方式得到：对全国各目标城市进行聚类，得到N个城市类型，N为大于1的自然数。

在一个例子中，对全国各目标城市进行聚类，得到N个城市类型，具体包括：在全国各目标城市中确定N个目标城市作为N个中心点城市；分别计算其他各目标城市与各中心点城市之间的相似度；根据相似度将其他各目标城市与N个中心点城市中的一个中心点城市归为同一类城市类型，得到N个城市类型。

在一个例子中，目标城市与中心点城市之间的相似度通过以下方式得到：分别计算目标城市的多个特征维度与中心点城市对应的多个特征维度之间的特征维度距离；根据多个特征维度的特征维度距离得到目标城市与中心点城市的相似度。

在一个例子中，多个特征维度，包括以下特征维度的任意组合：城市地理位置、城市人口、城市人均收入、城市人口结构、市场份额、商户数量、商户客单价。

在一个例子中，预测模型通过在基础模型的基础上获取得到，基础模型用于预测用户对各商户下单率的指标值，且基础模型根据全国各目标城市的商户样本数据训练得到。

在一个例子中，在根据城市类型对应的预测模型，预测用户对各商户下单率的指标值之前，还包括：判断用户所在城市的城市类型是否对应有预测模型；若对应有预测模型，则执行根据城市类型对应的预测模型，预测用户对各商户下单率的指标值；若未对应有预测模型，则根据基础模型预测用户对各商户下单率的指标值，并根据预测结果对各商户信息进行排序，将排序后的商户信息推荐给用户。

在一个例子中，预测模型对应的城市类型满足以下条件：属于城市类型的各目标城市的商户样本数据的总条数大于预设阈值。

本发明的第四实施方式涉及一种服务器，如图5所示，该服务器包括：至少一个处理器501；以及，与至少一个处理器501通信连接的存储器502；以及，与扫描装置通信连接的通信组件503，通信组件503在处理器501的控制下接收和发送数据；其中，存储器502存储有可被至少一个处理器501执行的指令，指令被至少一个处理器501执行以实现：

获取用户所在城市的城市类型；根据城市类型对应的预测模型，预测用户对各商户下单率的指标值，并根据预测结果对各商户信息进行排序，将排序后的商户信息推荐给用户；其中，不同的预测模型对应不同的城市类型，各所述预测模型预先根据属于对应城市类型的各目标城市中的商户样本数据训练得到。

具体地，该终服务器包括：一个或多个处理器501以及存储器502，图5中以一个处理器501为例。处理器501、存储器502可以通过总线或者其他方式连接，图5中以通过总线连接为例。存储器502作为一种非易失性计算机可读存储介质，可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块。处理器501通过运行存储在存储器502中的非易失性软件程序、指令以及模块，从而执行设备的各种功能应用以及数据处理，即实现上述信息推荐方法。

存储器502可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储选项列表等。此外，存储器502可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施方式中，存储器502可选包括相对于处理器501远程设置的存储器502，这些远程存储器502可以通过网络连接至外接设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

一个或者多个模块存储在存储器502中，当被一个或者多个处理器501执行时，执行上述任意方法实施方式中的信息推荐方法。

上述产品可执行本申请实施方式所提供的方法，具备执行方法相应的功能模块和有益效果，未在本实施方式中详尽描述的技术细节，可参见本申请实施方式所提供的方法。

本发明的第五实施方式涉及一种非易失性存储介质，用于存储计算机可读程序，计算机可读程序用于供计算机执行上述部分或全部的方法实施例。

即，本领域技术人员可以理解，实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序存储在一个存储介质中，包括若干指令用以使得一个设备(可以是单片机，芯片等)或处理器(processor)执行本申请各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

本领域的普通技术人员可以理解，上述各实施方式是实现本发明的具体实施例，而在实际应用中，可以在形式上和细节上对其作各种改变，而不偏离本发明的精神和范围。

本申请实施例公开了A1.一种信息推荐方法，包括：

获取用户所在城市的城市类型；

根据所述城市类型对应的预测模型，预测所述用户对各商户下单率的指标值，并根据预测结果对所述各商户的商户信息进行排序，将排序后的商户信息推荐给所述用户；

其中，不同的预测模型对应不同的城市类型，各所述预测模型预先根据属于对应城市类型的各目标城市中的商户样本数据训练得到。

A2.如A1所述的信息推荐方法，所述城市类型通过以下方式得到：

对全国各目标城市进行聚类，得到N个城市类型，所述N为大于1的自然数。

A3.如A2所述的信息推荐方法，所述对全国各目标城市进行聚类，得到N个城市类型，具体包括：

在所述全国各目标城市中确定N个目标城市作为N个中心点城市；

分别计算其他各目标城市与各所述中心点城市之间的相似度；

根据所述相似度将所述其他各目标城市与所述N个中心点城市中的一个中心点城市归为同一类城市类型，得到所述N个城市类型。

A4.如A3所述的信息推荐方法，所述目标城市与所述中心点城市之间的相似度通过以下方式得到：

分别计算所述目标城市的多个特征维度与所述中心点城市对应的多个特征维度之间的特征维度距离；

根据所述多个特征维度的特征维度距离得到所述目标城市与所述中心点城市的相似度。

A5.如A4所述的信息推荐方法，所述多个特征维度，包括以下特征维度的任意组合：

城市地理位置、城市人口、城市人均收入、城市人口结构、市场份额、商户数量、商户客单价。

A6.如A1所述的信息推荐方法，

所述预测模型通过在基础模型的基础上获取得到，所述基础模型用于预测所述用户对各商户下单率的指标值，且所述基础模型根据全国各目标城市的商户样本数据训练得到。

A7.如A6所述的信息推荐方法，在所述根据所述城市类型对应的预测模型，预测所述用户对各商户下单率的指标值之前，还包括：

判断所述用户所在城市的城市类型是否对应有预测模型；

若对应有预测模型，则执行所述根据所述城市类型对应的预测模型，预测所述用户对各商户下单率的指标值；

若未对应有预测模型，则根据所述基础模型预测所述用户对各商户下单率的指标值，并根据预测结果对所述各商户信息进行排序，将排序后的商户信息推荐给所述用户。

A8.如A7所述的信息推荐方法，所述预测模型对应的城市类型满足以下条件：

属于所述城市类型的各目标城市的商户样本数据的总条数大于预设阈值。

本申请实施例还公开了B1.一种信息推荐装置，包括：

获取模块，用于获取用户所在城市的城市类型；

预测模块，用于根据所述城市类型对应的预测模型，预测所述用户对各商户下单率的指标值；

排序模块，用于根据预测结果对所述各商户信息进行排序，将排序后的商户信息推荐给所述用户；

本申请实施例还公开了C1.一种服务器，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：

获取用户所在城市的城市类型；

根据所述城市类型对应的预测模型，预测所述用户对各商户下单率的指标值，并根据预测结果对所述各商户信息进行排序，将排序后的商户信息推荐给所述用户；

C2.如C1所述的服务器，所述城市类型通过以下方式得到：

C3.如C2所述的服务器，所述对全国各目标城市进行聚类，得到N个城市类型，具体包括：

C4.如C3所述的服务器，所述目标城市与所述中心点城市之间的相似度通过以下方式得到：

C5.如C4所述的服务器，所述多个特征维度，包括以下特征维度的任意组合：

C6.如C1所述的服务器，

所述预测模型通过在基础模型的基础上进行学习得到，所述基础模型用于预测所述用户对各商户下单率的指标值，且所述基础模型根据全国各目标城市的商户样本数据训练得到。

C7.如C6所述的服务器，

在所述根据所述城市类型对应的预测模型，预测所述用户对各商户下单率的指标值之前，还包括：

判断用户所在城市的城市类型是否对应有预测模型；

C8.如C7所述的服务器，所述预测模型对应的城市类型满足以下条件：

本申请实施例还公开了D1.一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如A1至A8中任一项所述的信息推荐方法。

Claims

1.一种信息推荐方法，其特征在于，包括：

获取用户所在城市的城市类型；

2.根据权利要求1所述的信息推荐方法，其特征在于，所述城市类型通过以下方式得到：

3.根据权利要求2所述的信息推荐方法，其特征在于，所述对全国各目标城市进行聚类，得到N个城市类型，具体包括：

4.根据权利要求3所述的信息推荐方法，其特征在于，所述目标城市与所述中心点城市之间的相似度通过以下方式得到：

5.根据权利要求1所述的信息推荐方法，其特征在于，

6.根据权利要求5所述的信息推荐方法，其特征在于，在所述根据所述城市类型对应的预测模型，预测所述用户对各商户下单率的指标值之前，还包括：

判断所述用户所在城市的城市类型是否对应有预测模型；

7.根据权利要求6所述的信息推荐方法，其特征在于，所述预测模型对应的城市类型满足以下条件：

8.一种信息推荐装置，其特征在于，包括：

获取模块，用于获取用户所在城市的城市类型；

9.一种服务器，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：

获取用户所在城市的城市类型；

10.一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权利要求1至7中任一项所述的信息推荐方法。