本发明涉及商户推荐方法，更具体地，涉及基于用户行为特性分析的商户推荐方法。
背景技术：
目前，随着计算机和网络应用的日益广泛以及不同领域的业务种类的日益丰富，使用用户的历史行为数据分析用户的行为习惯以向用户推荐相匹配的目标商户变得越来越重要。
现有的技术方案通常采用对用户的历史行为数据进行基于属性的简单分类并根据分类结果确定与不同类型的用户相匹配的目标商户。
然而，上述现有的技术方案存在如下问题：由于不能针对用户的历史行为数据的特性进行更深入的分析，故确定目标商户的匹配度和准确性较低。
因此，存在如下需求：提供具有高的匹配度和准确性的基于用户行为特性分析的商户推荐方法。
技术实现要素：
为了解决上述现有技术方案所存在的问题，本发明提出了具有高的匹配度和准确性的基于用户行为特性分析的商户推荐方法。
本发明的目的是通过以下技术方案实现的：
一种基于用户行为特性分析的商户推荐方法，所述基于用户行为特性分析的商户推荐方法包括下列步骤：
(a1)收集用户的历史行为数据并基于所述历史行为数据构建用户－商户评分矩阵，其中所述用户－商户评分矩阵中的每一行代表一个用户的所有历史行为记录，即该行中的非空元素是该用户对该非空元素所在列所对应的商户的所有历史行为记录；
(a2)针对所有由源商户和目的商户构成的不同的商户对，基于所述用户－商户评分矩阵计算用户从源商户转移至目的商户的转移概率，其中，每一个商户对中的源商户和目的商户是在所述用户－商户评分矩阵中定义的不同的商户；
(a3)针对每个用户，基于所计算出的转移概率计算每个商户的当前评分，并随之基于每个商户的当前评分以从大至小的顺序对所有商户排序以得到商户推荐列表。
在上面所公开的方案中，优选地，所述步骤(a2)进一步包括：基于所述用户－商户评分矩阵确定每个用户针对每个商户的行为的前置状态集合quj，其表示用户u对商户j的所有行为记录的前置状态的合集，其中，用户u对商户j的一次行为记录的前置状态被定义如下：针对用户u对商户j的一次行为记录，将该次行为记录作为在预定的时间范围内的最近的一次行为记录，并将该最近的一次行为记录和与该最近的一次行为记录类型相同的上一次行为记录之间的用户u的所有行为记录作为用户u对商户j的该次行为记录的前置状态。
在上面所公开的方案中，优选地，所述步骤(a2)进一步包括：基于所述前置状态集合quj计算针对用户u，其在商户i处的所有行为记录中归属于用户u针对商户j的前置状态集合quj的行为记录的总次数cuij，即用户u在商户i处的行为记录在前置状态集合quj中出现的次数，其中，u、i、j均是小于预定阈值的正整数，并且针对u、i、j值的所有组合计算对应的cuij。
在上面所公开的方案中，优选地，所述步骤(a2)进一步包括：基于计算出的cuij以如下公式计算每个前置状态参考值suij：
suij＝log(cuij+e-1)
在上面所公开的方案中，优选地，所述步骤(a2)进一步包括：基于计算出的suij以如下公式计算针对每个由源商户和目的商户构成的商户对的转移概率pij：
其中，u是用户集合，n(i)和n(j)分别表示商户i和商户j在所有用户的前置状态中出现的总次数。
在上面所公开的方案中，优选地，所述步骤(a3)进一步包括：基于计算出的pij以如下公式计算针对每个用户u的每个商户的当前评分puj：
其中，n(u)是用户u的前置状态，s(j，k)是针对商户j的转移概率最高的k个商户的集合，wui是权重。
在上面所公开的方案中，优选地，所述步骤(a3)进一步包括：以如下公式计算wui：
wui＝log(cui+e-1)
其中，cui是针对用户u的最近一个行为记录的前置状态中商户i出现的次数。
在上面所公开的方案中，优选地，所述商户推荐列表仅包括排序结果中的最前面n个商户，其中n是正整数。
在上面所公开的方案中，优选地，所述步骤(a3)进一步包括：在基于每个商户的当前评分以从大至小的顺序对所有商户排序后对排序结果执行二次优化操作。
在上面所公开的方案中，优选地，所述二次优化操作包括：针对每个被排序的商户根据预定的规则判断该商户是否需要直接提升排名或加权，如果需要直接提升排名或加权，则对其进行直接提升排名操作或加权操作，由此得到最终的商户推荐列表。
在上面所公开的方案中，优选地，所述步骤(a3)进一步包括：在得到所述最终的商户推荐列表后将其发送至用户终端以向其显示所述最终的商户推荐列表并由此推荐商户。
本发明所公开的基于用户行为特性分析的商户推荐方法具有以下优点：由于能够对用户的历史行为数据的特性进行深入的分析和挖掘，故能够更准确地确定与具有特定特性的用户相匹配的目标商户。
附图说明
结合附图，本发明的技术特征以及优点将会被本领域技术人员更好地理解，其中：
图1是根据本发明的实施例的基于用户行为特性分析的商户推荐方法的流程图。
具体实施方式
图1是根据本发明的实施例的基于用户行为特定分析的商户推荐方法的流程图。如图1所示，本发明所公开的基于用户行为特性分析的商户推荐方法包括下列步骤：(a1)收集用户的历史行为数据(例如，历史消费行为数据)并基于所述历史行为数据构建用户－商户评分矩阵，其中所述用户－商户评分矩阵中的每一行代表一个用户的所有历史行为记录，即该行中的非空元素是该用户对该非空元素所在列所对应的商户的所有历史行为记录；(a2)针对所有由源商户和目的商户构成的不同的商户对，基于所述用户－商户评分矩阵计算用户从源商户转移至目的商户的转移概率，其中，每一个商户对中的源商户和目的商户是在所述用户－商户评分矩阵中定义的不同的商户；(a3)针对每个用户，基于所计算出的转移概率计算每个商户的当前评分，并随之基于每个商户的当前评分以从大至小的顺序对所有商户排序以得到商户推荐列表。
优选地，在本发明所公开的基于用户行为特性分析的商户推荐方法中，所述步骤(a2)进一步包括：基于所述用户－商户评分矩阵确定每个用户针对每个商户的行为的前置状态集合quj，其表示用户u对商户j的所有行为记录的前置状态的合集，其中，用户u对商户j的一次行为记录的前置状态被定义如下：针对用户u对商户j的一次行为记录，将该次行为记录作为在预定的时间范围内的最近的一次行为记录，并将该最近的一次行为记录和与该最近的一次行为记录类型相同的上一次行为记录(该上一次行为记录在所述预定的时间范围内，例如用户上一次在与商户j同类型的商户处消费的记录)之间的用户u的所有行为记录(即不包括该上一次行为记录和所述最近的一次行为记录，仅上述两者之间的行为记录)作为用户u对商户j的该次行为记录的前置状态。
优选地，在本发明所公开的基于用户行为特性分析的商户推荐方法中，所述步骤(a2)进一步包括：基于所述前置状态集合quj计算针对用户u，其在商户i处的所有行为记录中归属于用户u针对商户j的前置状态集合quj的行为记录的总次数cuij，即用户u在商户i处的行为记录在前置状态集合quj中出现的次数，其中，u、i、j均是小于预定阈值的正整数(即u是小于用户总数n的任一个正整数，i、j是小于商户总数m的任两个不同的正整数)，并且针对u、i、j值的所有组合计算对应的cuij。
优选地，在本发明所公开的基于用户行为特性分析的商户推荐方法中，所述步骤(a2)进一步包括：基于计算出的cuij以如下公式计算每个前置状态参考值suij：
suij＝log(cuij+e-1)
优选地，在本发明所公开的基于用户行为特性分析的商户推荐方法中，所述步骤(a2)进一步包括：基于计算出的suij以如下公式计算针对每个由源商户和目的商户构成的商户对的转移概率pij(即用户从源商户i转移至目的商户j进行消费的概率)：
其中，u是用户集合，n(i)和n(j)分别表示商户i和商户j在所有用户的前置状态中出现的总次数。
优选地，在本发明所公开的基于用户行为特性分析的商户推荐方法中，所述步骤(a3)进一步包括：基于计算出的pij以如下公式计算针对每个用户u的每个商户的当前评分puj：
其中，n(u)是用户u的前置状态，s(j，k)是针对商户j的转移概率最高的k个商户的集合，wui是权重。
优选地，在本发明所公开的基于用户行为特性分析的商户推荐方法中，所述步骤(a3)进一步包括：以如下公式计算wui：
wui＝log(cui+e-1)
其中，cui是针对用户u的最近一个行为记录的前置状态中商户i出现的次数。
优选地，在本发明所公开的基于用户行为特性分析的商户推荐方法中，所述商户推荐列表仅包括排序结果中的最前面n个(例如10个)商户，其中n是正整数。
优选地，在本发明所公开的基于用户行为特性分析的商户推荐方法中，所述步骤(a3)进一步包括：在基于每个商户的当前评分以从大至小的顺序对所有商户排序后对排序结果执行二次优化操作。
优选地，在本发明所公开的基于用户行为特性分析的商户推荐方法中，所述二次优化操作包括：针对每个被排序的商户根据预定的规则判断该商户是否需要直接提升排名或加权(例如，商户对该用户有特殊优惠等等)，如果需要直接提升排名或加权，则对其进行直接提升排名操作或加权操作，由此得到最终的商户推荐列表。
优选地，在本发明所公开的基于用户行为特性分析的商户推荐方法中，所述步骤(a3)进一步包括：在得到所述最终的商户推荐列表后将其发送至用户终端以向其显示所述最终的商户推荐列表并由此推荐商户。
由上可见，本发明所公开的基于用户行为特性分析的商户推荐方法具有下列优点：由于能够对用户的历史行为数据的特性进行深入的分析和挖掘，故能够更准确地确定与具有特定特性的用户相匹配的目标商户。
尽管本发明是通过上述的优选实施方式进行描述的，但是其实现形式并不局限于上述的实施方式。应该认识到：在不脱离本发明主旨和范围的情况下，本领域技术人员可以对本发明做出不同的变化和修改。