一种商户的分类方法及其装置和商户的推荐方法及其装置与流程

本发明涉及数据处理领域，特别涉及一种商户的分类方法及其装置和商户的推荐方法及其装置。

背景技术：

互联网企业均基于平台发展壮大，平台模式成为互联网时代的标志性模式。平台中商户云集，虽然集结了更多的商户和商品，但也使得用户眼花缭乱，搜寻所要的商户和商品时更为困难。

现有平台中一般采用分类的方式为用户提供选择界面，但简单的分类已无法满足用户多样的要求。现有另一种分类方法，虽然采用了分层聚类(如k-means等聚类算法)，但特征从商户特征进行提取，并就提取的特征和需要聚类的种类输入特定的聚类模型，进而分层聚类。聚成几类没有明确的目标，导致聚类效果不理想，同时只用一个维度表达商户特征，信息量不够丰富。

技术实现要素：

本发明实施方式的目的在于提供一种商户的分类方法及其装置和商户的推荐方法及其装置，可以提供更为智能的分类和推荐方式，使用户更容易获得所要的商户。

为解决上述技术问题，本发明的实施方式提供了一种商户的分类方法，包括：获取历史订单数据，根据所述订单数据的用户信息对所述订单数据进行聚类；根据聚类后的所述订单数据中各商户的相关度确定分类特征；根据所述分类特征对待分类的商户进行分类。

本发明的实施方式还提供了一种商户的推荐方法，包括：获取用户的历史订单数据；根据所述历史订单数据和商户分类信息确定待推荐的商户分类；将所确定的商户分类的下属商户推荐给所述用户；其中，所述商户分类信息来自上述的商户的分类方法。

本发明的实施方式还提供了一种商户的分类装置，包括：获取模块，用于获取历史订单数据；聚类模块，用于根据所述订单数据的用户信息对所述订单数据进行聚类；确定模块，用于根据聚类后的所述订单数据中各商户的相关度确定分类特征；分类模块，用于根据所述分类特征对待分类的商户进行分类。

本发明的实施方式还提供了一种商户的推荐装置，包括：获取模块，用于获取用户的历史订单数据；分类确定模块，用于根据所述历史订单数据和商户分类信息确定待推荐的商户分类；推荐模块，用于将所确定的商户分类的下属商户推荐给所述用户；其中，所述商户分类信息来自上述的商户的分类装置。

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：获取历史订单数据，根据所述订单数据的用户信息对所述订单数据进行聚类；根据聚类后的所述订单数据中各商户的相关度确定分类特征；根据所述分类特征对待分类的商户进行分类。

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：获取用户的历史订单数据；根据所述历史订单数据和商户分类信息确定待推荐的商户分类；将所确定的商户分类的下属商户推荐给所述用户；其中，所述商户分类信息来自上述的商户的分类方法。

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，所述计算机可读程序用于供计算机执行如上述的商户的分类方法。

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，所述计算机可读程序用于供计算机执行如上述的商户的推荐方法。

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：从用户的下单数据入手，确定商户的相关性，结合考虑了用户下单本身隐含的偏好一致性，所以相对于现有从餐厅角度出发的分类方式来说，从用户下单角度为商户分类，更为准确，对数据分析也更具参考性。之后根据用户的历史下单情况和商户分类，确定出为用户推荐的商户分类，之后根据该分类对用户进行商户的推荐。由于商户分类采用了基于用户下单数据的分类，涵盖用户的偏好一致性，所以之后的推荐将更有针对性，更符合用户的需求。

作为进一步改进，所述根据聚类后的所述订单数据中各商户的相关度确定分类特征，具体为：根据聚类后的所述订单数据中各商户的相关度确定训练样本；利用所述训练样本训练得到神经网络模型，所述神经网络模型的输入为至少两个商户，输出为所述至少两个商户的相似度；根据神经网络模型的中间层确定出所述分类特征。利用模型筛选出影响商户分类结果的分类特征，特征确定准确有效。

作为进一步改进，所述神经网络模型为单层神经网络模型。利用单层神经网络模型，使得特征确定简单快速。

作为进一步改进，所述中间层预设有宽度，所述宽度越大，确定出的所述分类特征的特征数量越多。利用宽度的调整可以便捷地调整特征数量，利于技术人员根据需要调整获得的特征数量。

作为进一步改进，所述单层神经网络的中间层利用以下方式获得：最小化相关度最高的商户的距离，最大化相关度最低的商户的距离，得到所述中间层。明确中间层的获得方法。

作为进一步改进，所述相关度最高的商户为由同一用户下单的商户，所述相关度最低的商户为由不同用户下单的商户。明确相关度的确定方法。

作为进一步改进，所述根据所述订单数据的用户信息对所述订单数据进行聚类，包括：分别汇总所述同一类用户下单的订单数据；对汇总的订单数据进行分类。明确一种聚类方式。

作为进一步改进，所述对汇总的订单数据进行分类，具体包括：将分类结果中所属同一类的订单数据记录为文档文件。建立文档文件便于后续的数据分析和调用。

附图说明

图1是根据本发明第一实施方式中的商户的分类方法的流程图；

图2是根据本发明第二实施方式中的商户的分类方法中确定分类特征的流程图；

图3是根据本发明第二实施方式中的商户的分类方法中聚类的示意图；

图4是根据本发明第二实施方式中的商户的分类方法中模型训练的示意图；

图5是根据本发明第三实施方式中的商户的推荐方法的流程图；

图6是根据本发明第四实施方式中的商户的分类装置示意图；

图7是根据本发明第五实施方式中的商户的推荐装置示意图；

图8是根据本发明第六实施方式提供的电子设备结构示意图。

图9是根据本发明第七实施方式提供的电子设备结构示意图。

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。

本发明的第一实施方式涉及一种商户的分类方法，其中的商户可以是餐厅、服饰店或美容店等，本实施方式主要以餐厅为主进行具体说明。其流程图如图1所示，该方法包括：

步骤101，获取历史订单数据。

具体的说，历史订单数据可以来自一个用户、一类用户或者是平台中某时段的所有历史订单数据。更具体的说，订单数据中可以包括用户信息、商户信息、下单时间、下单金额等信息。

步骤102，对订单数据进行聚类。

具体的说，本步骤中根据订单数据的用户信息对订单数据进行聚类，其中，聚类时确认两家商户是否相似，可以根据是否存在同一用户下单确定，也可以根据需要根据是否存在同一类用户下单确定。也就是说，本步骤中可以分别汇总同一类用户(或同一用户)下单的订单数据；对汇总的订单数据进行分类。

进一步说，由于一个用户可能在不同的商户中下单，而同一用户的个人喜好基本不变，所以同一用户下单的商户隐藏了被相似喜好的用户下单的可能性，根据是否存在同一用户下单确定两个商户是否相似，结合考虑了用户下单本身隐含的一致性，使得分类结果更为贴近用户的需求。

如：某一用户的历史订单中分别包括在肯德基和在麦当劳的订单，则可以根据存在同一用户下单，确定肯德基和麦当劳相似。可以发现，实际应用中，用户会选择相似口味、风格的商户下单，所以将这类商户归为一类，有利于确定用户可能的下单商户。

需要说明的是，本步骤中对分类结果中所属同一类的订单数据记录为文档文件。单个用户的历史订单可以较为准确的刻画单个用户的口味，地址等信息，我们将单个用户一系列的历史订单记录当成一个文档文件，那么后续使用这些文件进行数据的调用分析时，更为简单直接。

上述步骤101和102是数据的准备阶段，这个阶段中，还可以根据需要对准备好的数据进行清洗、去噪等操作，在此不再赘述。

步骤103，根据聚类后的订单数据中各商户的相关度确定分类特征。

具体的说，分类特征可以根据历史订单数据所确定的有相似用户下单的商户分析得出，提取有相似用户下单的商户的共同特征，作为分类特征。

更具体的说，相关度可以有预设的确定规则，相关度最高的商户为由同一用户下单的商户，相关度最低的商户为由不同用户下单的商户。其中，相关度的可以量化为数字，如1和0,1表示相关度最高，0表示相关度最低，数字除了以整数表达，还可以百分比数表达，在此不再一一列举。

步骤104，根据分类特征对待分类的商户进行分类。

具体的说，分类特征是为待分类商户分类的依据，可以利用步骤103中确定的分类特征进行分类，实际应用中，可以根据确定的分类特征形成分类模型，从而利用分类模型对待分类商户进行自动分类，快速易实现。

可见，本实施方式相对于现有技术而言，主要区别及其效果在于：从用户的下单数据入手，确定商户的相关性，结合考虑了用户下单本身隐含的偏好一致性，所以相对于现有从餐厅角度出发的分类方式来说，从用户下单角度为商户分类，更为准确，对数据分析也更具参考性，在需要商品推荐时也更为精准。

此外，本实施方式还可以应用于服饰店，由于同一用户在服饰穿搭上具有喜好一致性的特点，所以同一用户下单的不同服饰店，具有下单用户相似的特点根据下单用户进行分类，使得归于一类的服饰店被同一用户，或者同一类用户下单的可能性更高，利于后续的服饰精准推荐。

本发明的第二实施方式涉及一种商户的分类方法。

本实施方式明确了根据相关度确定分类特征的具体方式，以模型训练的方式确定分类特征，分类特征的确定过程如图2所示，具体包括以下步骤：

步骤201，根据聚类后的订单数据中各商户的相关度确定训练样本。

具体的说，以同一用户进行订单数据聚类为例，由同一用户下单的订单数据聚为一类，也就是说，为每一用户分别聚类出一类订单数据。实际应用中，也可以对一类用户(用户分类可以预定)进行订单数据聚类，由同一类用户下单的订单数据聚为一类。

实施方式中，可以以两个商户为一个训练样本，将存在同一用户下单的商户间的相关度确认为1，不存在同一用户下单的商户间的相关度确认为0，之后相关度为1的商户中，可以两两为一组成为训练样本，同样相关度为0的商户中，可以两两为一组成为训练样本。本实施方式中，每组训练样本中商户的个数为2，实际应用中每组训练样本中商户的个数可以根据实际选定，在此不再一一列举。

步骤202，利用训练样本训练得到神经网络模型。

具体的说，利用步骤201中确定的训练样本进行训练，训练所采用的神经网络模型的输入为至少两个商户(一组训练样本)，输出为至少两个商户的相似度(该组训练样本的相关度)。

更具体的说，本实施方式中神经网络模型可以为单层神经网络模型，尽可能简化运算复杂度。

步骤203，根据神经网络的中间层确定出分类特征。

具体的说，训练完成后，该神经网络模型中隐藏的中间层即包含所需获得的分类特征。

还需说明的是，中间层的宽度和分类特征的特征数量有关，宽度越大，确定出的分类特征的特征数量越多。实际应用中，获得的分类特征的数量越多，后续的运算复杂度更高，但获得的分类结果更为准确，分类特征的数量越少，后续的运算复杂度更低。所以可以根据后续所需的特征数量，改变中间层的宽度。

上述步骤201至203介绍了根据模型训练的方式如何根据聚类结果确定分类特征。

本实施方式以餐厅为例，对商户的分类方法进行进一步说明：

在历史订单数据获取时，以示例的云平台为来源，进行历史订单数据的获取；之后，以单个用户的下单进行订单聚类，聚类结果如图3所示，每个用户对应一个文档文件，从而获得一系列的文档文件；接着，以各个文档文件中的订单数据进行模型训练，训练原理如图4所示。

其中，在模型训练的实际运算过程中，可以运用矩阵运算的方式，如将各个餐厅设定编码型的id，编码方式如餐厅a对应的id为[0000000…01000…00000]，餐厅b对应的id为[0000000…00001…00000]，每个id中仅一位为“1”，其余为“0”，而且“1”所在的位置各不相同。

训练时，输入为同一用户一系列下过单的餐厅id，这些餐厅的两两相似性为1，非同一用户下单的餐厅相关性为0，可以采用最速下降法和反向传播法，这样可以将单层神经网络的中间层训练出。

进一步地，在训练后得到单层神经网络，最小化相关度最高的商户的距离，最大化相关度最低的商户的距离，得到隐藏的中间层，使用中间层层和餐厅id的乘积获得餐厅的聚类特征(即餐厅的向量化数据)。

可见，本实施方式明确利用模型筛选出影响商户分类结果的分类特征的方法，训练时具体采用单层神经网络，尽可能简化运算，且分类特征确定准确有效。

本发明的第三实施方式涉及一种商户的推荐方法，其中的商户同样可以是餐厅、服饰店或美容店等，本实施方式主要以餐厅为主进行具体说明。其流程图如图5所示，该方法包括：

步骤501，获取用户的历史订单数据。

具体的说，获取待推荐用户的历史订单数据。

步骤502，根据历史订单数据和商户分类信息确定待推荐的商户分类。

具体的说，本步骤中商户分类信息可以采用第一实施方式或第二实施方式中任一个商户的分类方法中的分类信息。

更具体的说，本步骤可以具体包括：根据商户分类信息将历史订单数据中的订单进行分类；根据分类结果确定待推荐的商户分类。本实施方式中，先对各历史订单进行分类，其中的分类依据为订单所属的商户分类，相同类别的商户订单归为一类，之后确定各分类中的历史订单数，可以将历史订单数最大的分类确认为待推荐的商户分类。

实际应用中，待推荐的商户分类除了上述的确认方式外，还可以利用如下方式进行确认：分别确定历史订单数据中订单所属的商户；根据商户分类信息将确定出的商户进行分类；根据分类结果确定待推荐的商户分类。具体的说，先确定各历史订单所属的商户，再确定各商户的分类，相同类别的商户归为一类，之后确定各分类中的商户数量，可以将商户数量最大的分类确认为待推荐的商户分类。

步骤503，将所确定的商户分类的下属商户推荐给用户。

具体的说，将待推荐商户分类确认后，可以将该分类下属的商户推荐给用户，其中，在推荐时，具体可以推荐分类下属的所有商户，也可以推荐分类下属的部分商户，推荐的商户数量可以根据实际需求设定，在此不做限定。

可见，本实施方式利用第一实施方式或第二实施方式中的分类方法对用户进行商户推荐，是对上述分类方法的一种实际应用。由于分类依据从用户的购买行为中获得，所以确定的分类更符合用户的购买习惯，也就使得本实施方式中的推荐方法更符合用户需求，推荐结果更为准确有针对性。

再者，由于本实施方式应用了第一实施方式或第二实施方式中所有的技术方案，所以第一实施方式或第二实施方式中描述的技术细节同样适用于本实施方式，在此不再赘述。

本发明的第四实施方式涉及一种商户的分类装置，如图6所示，该装置包括：

获取模块，用于获取历史订单数据。

聚类模块，用于根据订单数据的用户信息对订单数据进行聚类。

确定模块，用于根据聚类后的订单数据中各商户的相关度确定分类特征。

分类模块，用于根据分类特征对待分类的商户进行分类。

在一个例子中，聚类模块具体包括：

样本确定子模块，用于根据聚类后的订单数据中各商户的相关度确定训练样本。

训练子模块，用于利用训练样本训练得到神经网络模型。具体的说，神经网络模型的输入为至少两个商户，输出为至少两个商户的相似度。

确定子模块，用于根据神经网络模型的中间层确定出分类特征。

在一个例子中，上述神经网络模型可以为单层神经网络模型。

在一个例子中，上述中间层可以预设有宽度，其中，宽度越大，确定出的分类特征的特征数量越多。

在一个例子中，上述单层神经网络的中间层利用以下方式获得：最小化相关度最高的商户的距离，最大化相关度最低的商户的距离，得到中间层。

在一个例子中，相关度最高的商户为由同一用户下单的商户，相关度最低的商户为由不同用户下单的商户。

在一个例子中，聚类模块可以具体包括：

汇总子模块，用于分别汇总同一类用户下单的订单数据。

分类子模块，用于对汇总的订单数据进行分类。

在一个例子中，分类子模块具体将分类结果中所属同一类的订单数据记录为文档文件。

可见，本实施方式相对于现有技术而言，主要区别及其效果在于：从用户的下单数据入手，确定商户的相关性，结合考虑了用户下单本身隐含的偏好一致性，所以相对于现有从餐厅角度出发的分类方式来说，从用户下单角度为商户分类，更为准确，对数据分析也更具参考性，在需要商品推荐时也更为精准。

不难发现，本实施方式为与第一实施方式相对应的装置实施例，本实施方式可与第一实施方式互相配合实施。第一实施方式中提到的相关技术细节在本实施方式中依然有效，为了减少重复，这里不再赘述。相应地，本实施方式中提到的相关技术细节也可应用在第一实施方式中。

值得一提的是，本实施方式中所涉及到的各模块均为逻辑模块，在实际应用中，一个逻辑单元可以是一个物理单元，也可以是一个物理单元的一部分，还可以以多个物理单元的组合实现。此外，为了突出本发明的创新部分，本实施方式中并没有将与解决本发明所提出的技术问题关系不太密切的单元引入，但这并不表明本实施方式中不存在其它的单元。

本发明的第五实施方式涉及一种商户的推荐装置，如图7所示，该装置包括：

获取模块，用于获取用户的历史订单数据。

分类确定模块，用于根据历史订单数据和商户分类信息确定待推荐的商户分类。

推荐模块，用于将所确定的商户分类的下属商户推荐给用户。

其中，商户分类信息来自第四实施方式中的商户的分类装置。

在一个例子中，分类确定模块可以具体包括：

第一分类子模块，用于根据商户分类信息将历史订单数据中的订单进行分类。

第一确定子模块，用于根据分类结果确定待推荐的商户分类。

在另一个例子中，分类确定模块可以具体包括：

第二确定子模块，用于分别确定历史订单数据中订单所属的商户。

第二分类子模块，用于根据商户分类信息将确定出的商户进行分类。

第三确定子模块，用于根据分类结果确定待推荐的商户分类。

可见，本实施方式相对于现有技术而言，主要区别及其效果在于：本实施方式利用第四实施方式中的分类装置对用户进行商户推荐，是对上述分类装置的一种实际应用。由于分类依据从用户的购买行为中获得，所以确定的分类更符合用户的购买习惯，也就使得本实施方式中的推荐方法更符合用户需求，推荐结果更为准确有针对性。

不难发现，本实施方式为与第三实施方式相对应的装置实施例，本实施方式可与第三实施方式互相配合实施。第三实施方式中提到的相关技术细节在本实施方式中依然有效，为了减少重复，这里不再赘述。相应地，本实施方式中提到的相关技术细节也可应用在第三实施方式中。

值得一提的是，本实施方式中所涉及到的各模块均为逻辑模块，在实际应用中，一个逻辑单元可以是一个物理单元，也可以是一个物理单元的一部分，还可以以多个物理单元的组合实现。此外，为了突出本发明的创新部分，本实施方式中并没有将与解决本发明所提出的技术问题关系不太密切的单元引入，但这并不表明本实施方式中不存在其它的单元。

本发明的第六实施方式涉及一种电子设备，如图8所示，该电子设备包括：至少一个处理器801；以及，与至少一个处理器801通信连接的存储器802；以及，与扫描装置通信连接的通信组件803，通信组件803在处理器801的控制下接收和发送数据；其中，存储器802存储有可被至少一个处理器801执行的指令，指令被至少一个处理器801执行以实现：

获取历史订单数据，根据订单数据的用户信息对订单数据进行聚类。

根据聚类后的订单数据中各商户的相关度确定分类特征。

根据分类特征对待分类的商户进行分类。

具体地，该电子设备包括：一个或多个处理器801以及存储器802，图8中以一个处理器801为例。处理器801、存储器802可以通过总线或者其他方式连接，图8中以通过总线连接为例。存储器802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801通过运行存储在存储器802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，即实现上述商户的分类方法。

存储器802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802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802可选包括相对于处理器801远程设置的存储器802，这些远程存储器802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802中，当被一个或者多个处理器801执行时，执行上述任意方法实施方式中的商户的分类方法。

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。

本发明的第七实施方式涉及一种电子设备，如图9所示，该电子设备包括：至少一个处理器901；以及，与至少一个处理器901通信连接的存储器902；以及，与扫描装置通信连接的通信组件903，通信组件903在处理器901的控制下接收和发送数据；其中，存储器902存储有可被至少一个处理器901执行的指令，指令被至少一个处理器901执行以实现：

获取用户的历史订单数据；

根据历史订单数据和商户分类信息确定待推荐的商户分类；

将所确定的商户分类的下属商户推荐给用户；

其中，商户分类信息来自第一实施方式或第二实施方式中任意一个商户的分类方法。

具体地，该电子设备包括：一个或多个处理器901以及存储器902，图9中以一个处理器901为例。处理器901、存储器902可以通过总线或者其他方式连接，图9中以通过总线连接为例。存储器902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901通过运行存储在存储器902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，即实现上述商户的推荐方法。

存储器902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902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902可选包括相对于处理器901远程设置的存储器902，这些远程存储器902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902中，当被一个或者多个处理器901执行时，执行上述任意方法实施方式中的商户的推荐方法。

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。

本发明的第八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商户的分类方法实施例。

本发明的第九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商户的推荐方法实施例。

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，randomaccessmemory)、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。

本申请实施方式提供了a1.一种商户的分类方法，包括：

获取历史订单数据，根据所述订单数据的用户信息对所述订单数据进行聚类；

根据聚类后的所述订单数据中各商户的相关度确定分类特征；

根据所述分类特征对待分类的商户进行分类。

a2.根据a1所述的商户的分类方法，所述根据聚类后的所述订单数据中各商户的相关度确定分类特征，具体为：

根据聚类后的所述订单数据中各商户的相关度确定训练样本；

利用所述训练样本训练得到神经网络模型，所述神经网络模型的输入为至少两个商户，输出为所述至少两个商户的相似度；

根据所述神经网络模型的中间层确定出所述分类特征。

a3.根据a2中所述的商户的分类方法，所述神经网络模型为单层神经网络模型。

a4.根据a2中所述的商户的分类方法，所述中间层预设有宽度，所述宽度越大，确定出的所述分类特征的特征数量越多。

a5.根据a2中所述的商户的分类方法，所述单层神经网络的中间层利用以下方式获得：

最小化相关度最高的商户的距离，最大化相关度最低的商户的距离，得到所述中间层。

a6.根据a1中所述的商户的分类方法，所述相关度最高的商户为由同一用户下单的商户，所述相关度最低的商户为由不同用户下单的商户。

a7.根据a1中所述的商户的分类方法，所述根据所述订单数据的用户信息对所述订单数据进行聚类，包括：

分别汇总所述同一类用户下单的订单数据；

对汇总的订单数据进行分类。

a8.根据a7所述的商户的分类方法，所述对汇总的订单数据进行分类，具体包括：

将分类结果中所属同一类的订单数据记录为文档文件。

本申请实施方式还提供了b9.一种商户的推荐方法，包括：

获取用户的历史订单数据；

根据所述历史订单数据和商户分类信息确定待推荐的商户分类；

将所确定的商户分类的下属商户推荐给所述用户；

其中，所述商户分类信息来自所述a1至a8中任一项所述的商户的分类方法。

b10.根据b9中所述的商户的推荐方法，所述根据所述历史订单数据和商户分类信息确定待推荐的商户分类，包括：

根据所述商户分类信息将所述历史订单数据中的订单进行分类；

根据分类结果确定所述待推荐的商户分类。

b11.根据b9中所述的商户的推荐方法，所述根据所述历史订单数据和商户分类信息确定待推荐的商户分类，包括：

分别确定所述历史订单数据中订单所属的商户；

根据所述商户分类信息将确定出的商户进行分类；

根据分类结果确定所述待推荐的商户分类。

本申请实施方式还提供了c12.一种商户的分类装置，包括：

获取模块，用于获取历史订单数据；

聚类模块，用于根据所述订单数据的用户信息对所述订单数据进行聚类；

确定模块，用于根据聚类后的所述订单数据中各商户的相关度确定分类特征；

分类模块，用于根据所述分类特征对待分类的商户进行分类。

本申请实施方式还提供了d13.一种商户的推荐装置，包括：

获取模块，用于获取用户的历史订单数据；

分类确定模块，用于根据所述历史订单数据和商户分类信息确定待推荐的商户分类；

推荐模块，用于将所确定的商户分类的下属商户推荐给所述用户；

其中，所述商户分类信息来自所述12所述的商户的分类装置。

本申请实施方式还提供了e14.一种电子设备，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：

获取历史订单数据，根据所述订单数据的用户信息对所述订单数据进行聚类；

根据聚类后的所述订单数据中各商户的相关度确定分类特征；

根据所述分类特征对待分类的商户进行分类。

本申请实施方式还提供了f15.一种电子设备，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：

获取用户的历史订单数据；

根据所述历史订单数据和商户分类信息确定待推荐的商户分类；

将所确定的商户分类的下属商户推荐给所述用户；

其中，所述商户分类信息来自所述a1至a8中任一项所述的商户的分类方法。

本申请实施方式还提供了g16.一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a1至a8中任一所述的商户的分类方法。

本申请实施方式还提供了h17.一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b9至b11中任一所述的商户的推荐方法。