中提取商户，所提取得到的商户便形成了商户的候选列表。
[0058]步骤S150，根据候选列表中记录的商户提取商户的关联推荐列表，该商户的关联推荐列表是根据用户的同类用户浏览记录生成的。
[0059]本实施例中，预先存储于已有的商户数据资源中的商户均有与之对应的关联推荐列表，该关联推荐列表是由当前用户所属的同类用户的浏览记录得到的，用于为当前进行商户推荐的用户提供同类用户感兴趣的商户。
[0060]步骤S170，筛选候选列表和关联推荐列表得到商户推荐结果。
[0061]本实施例中，候选列表将记录了与用户的查询请求和位置最为相关的商户，而关联推荐列表则记录了同类用户所感兴趣的商户，候选列表和关联推荐列表都将存在用户所需要获得的商户，因此，将对候选列表和关联推荐列表进行筛选，以得到商户推荐结果，进而将得到的商户推荐结果推送给用户，以供用户浏览，进而查询得到所需要的商户。
[0062]进一步的，将根据候选列表中商户的位置和用户的位置之间的距离以及关联推荐列表中商户与目标商户之间的相似性对候选列表和关联推荐列表进行筛选，以得到商户推荐结果。
[0063]具体的，根据候选列表中商户的位置和用户的位置之间的距离以及关联推荐列表中商户与目标商户之间的相似性设定候选列表和关联推荐列表中商户的推荐分值以及对应的权重，进而得到该商户的最终推荐值，按照最终推荐值对商户进行排序，以提取预设数量个最终推荐值最高的商户作为推荐结果。
[0064]例如，候选列表中的商户的权重为P，关联推荐列表中商户的权重为q，则
[0065]根据以下公式计算得到最终分值Score_S(k):
[0066]Score_S (k) = p*Score_RSl_S(k)+q*Score_RS2_S(k)
[0067]其中，RSl表示候选列表，RS2表示关联推荐列表。
[0068]如图2所示，在一个实施例中，上述步骤S130的具体过程为:
[0069]步骤S131，根据查询请求对已有的商户数据资源进行搜索得到搜索结果。
[0070]本实施例中，已有的商户数据资源中存储的商户及相关信息将是预先整理录入的，在采集得到商户及相关信息之后使将其整理录入至商户数据资源中。其中，商户的采集方式可以是如下任一方式:获取互联网上已有的商户及相关信息；去现场或者打电话采集商户及相关信息；任一用户均可添加和修改商户及相关信息。
[0071]步骤S133，从搜索结果中根据位置提取介于有效距离范围的商户，并按照位置与提取的商户之间的距离对提取得到的商户进行排序，以得到商户的候选列表。
[0072]本实施例中，为考虑用户意图，将设定有效距离，以根据用户的位置对搜索结果进行筛选，若用户的位置与搜索结果中商户的位置之间的距离小于设定的有效距离，则将该商户从搜索结果中提取出来并置于候选列表中。
[0073]在一个实施例中，上述步骤S150之前，该方法还包括预先计算并生成每一商户对应的关联推荐列表的步骤。
[0074]本实施例中，对已有的商户数据资源中对商户进行预先计算，以得到与该商户所关联的若干个商户，这些商户将形成了该商户所对应的关联推荐列表。
[0075]进一步的，将根据已有的用户的浏览记录进行计算，以已有的用户的浏览记录为依据得到被最多用户浏览的商户，进而形成关联推荐列表。
[0076]其中，这些已有的用户将是当前用户所属的同类用户。
[0077]如图3所示，在一个实施例中，上述预先计算并生成每一商户对应的关联推荐列表的步骤包括:
[0078]步骤S301，获取同类用户对商户的浏览记录并量化得到记录矩阵，该记录矩阵的元素即为商户被每一同类用户浏览的量化值。
[0079]本实施例中，预先存储了同类用户进行商户查询和浏览所产生的商户的浏览记录，此时，将获取当前用户所属的同类用户，进而提取该同类用户对商户的浏览记录。其中，浏览记录是为每一用户所存储的商户浏览的历史记录。
[0080]进一步的，记录矩阵的初始值为0，当某个用户U{x}曾经浏览了某一商户S{y}时，将记录矩阵M{y，x}中该用户和商户所对应的元素在数值上增加I。
[0081]步骤S303，逐一以记录矩阵中每一商户为目标商户，根据商户被每一同类用户浏览的量化值对目标商户与记录矩阵中的商户进行相似性计算，以得到记录矩阵中与目标商户关联的商户。
[0082]本实施例中，由于记录矩阵中的每一元素均有唯一对应的商户以及浏览了该商户的用户，因此，在记录矩阵所对应的若干个商户中，逐一以每一商户为目标商户，与记录矩阵中的其他商户进行相似性计算，以得到记录矩阵中与目标商户最为相似的一类商户，这些商户即为与目标商户关联的商户。
[0083]进一步的，将目标商户对应元素的数值和记录矩阵中商户对应的元素的数值两两进行相似性计算，以根据相似性计算得到的数值衡量目标商户和商户之间的相似程度，进而得到与目标商户关联的商户。
[0084]其中，所进行的相似性计算可能是相似度的计算，也可以是目标商户和商户之间距离的计算，例如，目标商户和商户之间欧氏距离的计算；若该相似性计算为相似度的计算，则所计算得到的数值越小，说明目标商户和商户越相似；若该相似性计算为距离的计算，则距离越小，说明目标商户和商户之间相似性越高。此时，记录矩阵中与目标商户关联的商户即为相似度最大或者距离最小的若干个商户。
[0085]记录矩阵中对应的每一商户都将作用目标商户预先进行相似性计算，以得到关联的商户，进而使得记录矩阵中对应的每一商户均有与其关联的商户。
[0086]具体的，若目标商户和商户之间的相似性采用距离来衡量，则两者之间的相似性计算将是计算两者之间的距离，即D(i，j) = distance (S(i)，S(j))，其中，S(i)是记录矩阵第i行矢量，S(J)是记录矩阵第j行矢量。
[0087]步骤S305，根据相似性计算得到的数值排序得到对应的商户形成每一商户关联的推荐列表。
[0088]本实施例中，相似性计算得到的数值将用于衡量目标商户和商户之间的相近程度，因此，在每一目标商户所进行的相似性计算中，对相似性计算得到的数值进行排序，以按照一定的顺序得到与目标商户最为相近的若干个商户，进而由这些商户形成目标商户所关联的推荐列表。
[0089]此外，在通过相似性计算得到目标商户关联的商户之后，还将根据广告优先级对其相似性计算得到的数值进行调整之后，再进行商户的排序，以得到该目标商户所关联的推荐列表。
[0090]进一步的，广告优先级是根据收集的广告商户信息预先进行设置的，例如，可预先将广告优先级定为{1，2，3}中的某一个数值，为3的优先级最高，表示广告推广力度最大，因此，根据广告优先级可将目标商户S(m)和商户S(n(k))之间的相似性计算得到的数值D(m，n(k))变为0(111，11(10)/(1+?)，其中？为广告优先级。
[0091]例如，在进行了目标商户和商户之间的相似性计算之后中，若其中的商户S(m)为广告商户，则查找和S (m)最近的K个商户，即{S (n (I))，S (η (2))……S (n (k))}，对于这K个商户，将根据广告优先级进行调整。
[0092]如图4所示，在一个实施例中，上述步骤S301之前，该方法还包括了如下步骤:
[0093]步骤S401，获取用户信息，并量化用户信息得到用户特征矢量。
[0094]本实施例中，用户信息将包括了用户浏览历史、查询记录和用户登录时的信息，其中，用户登录时的信息可包括用户注册系统帐号时的个人项信息，例如，年龄、性别等；也可包括用户注册系统帐号时所选择的个人喜好的项目，例如，用户选择“儿童用品”、“化妆品”或者“古典音乐”、“男歌手”等，还可以是用户的收藏夹所记录的内容等。
[0095]量化获取得到的用户信息，例如，年龄本身即为数字化的，性别则可以采用I表示男，2表示女，O表示未填写；个人喜好的项目则根据可选项目表示，例如，第一项为1，第二项为2，未选择为O ;用户的收藏夹所记录的内容将用字符串的方式表示，每条记录位即为用户特征矢量的一维；用户浏览历史为商户的标识号码构成的序列，每一