商户均有唯一对应的标号号码。
[0096]步骤S403，根据用户特征矢量聚类用户以得到同类用户。
[0097]本实施例中，应用量化得到的用户特征矢量进行相似性计算，以聚类得到同类用户。具体的，对用户特征矢量所进行的相似性计算可以是相似度的计算，也可以是用户之间距离的计算，例如，距离的计算可以是欧氏距离的计算；而相似度的计算则可以采用余弦相似度等算法。
[0098]此外，还可以采用聚类算法对用户进行聚类，例如，该聚类算法可以是模糊聚类方法和K-均值聚类方法等。
[0099]如图5所示，在一个实施例中，一种推荐商户的系统，包括输入获取模块110、请求处理模块130、关联提取模块150和筛选模块170。
[0100]输入获取模块110，用于获取用户的查询请求和位置。
[0101]本实施例中，查询请求是用户所输入的，用于进行商户搜索并获取推荐的依据，其中，查询请求可以是某一关键字，例如，某一商户的名称。
[0102]输入获取模块110所获取的位置即为用户的位置，其获取的方式包括:方式一，使用卫星定位系统，如GPS，获取卫星信号以计算得到用户的位置；方式二，利用无线通信网的基站信号计算得到用户的位置；方式三，将用户的历史位置信息中最近的一次作为当前获取的用户的位置；方式四，采用的语音方式得到用户的位置；方式五，采用文本输入得到用户位置。
[0103]若以上方式均无法获取得到用户的位置，则输入获取模块110使用某一预设值表示无效的位置。
[0104]请求处理模块130，用于根据查询请求进行商户搜索得到搜索结果，并按照位置从搜索结果中提取得到商户的候选列表。
[0105]本实施例中，请求处理模块130根据查询请求进行商户搜索，以得到与该查询请求相匹配的搜索结果，其中，该商户搜索指的是为用户搜索各式各样服务的直接提供者，例如，酒店、商铺、餐饮店等。
[0106]由商户搜索所得到的相关搜索结果将包含了若干个与查询请求相符的商户，并且每一商户都将对应了所在位置以及其它的描述信息，因此，请求处理模块130将根据获取的用户的位置和搜索结果中每一商户所在位置在搜索结果中提取商户，所提取得到的商户便形成了商户的候选列表。
[0107]关联提取模块150，用于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。
[0108]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。
[0109]筛选模块170，用于筛选候选列表和关联推荐列表得到商户推荐结果。
[0110]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，筛选模块170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。
[0111]进一步的，筛选模块170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。
[0112]具体的，筛选模块170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。
[0113]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，则根据以下公式计算得到最终分值Score_S(k):
[0114]Score_S (k) = p*Score_RSl_S(k)+q*Score_RS2_S(k)
[0115]其中，RSl表示候选列表，RS2表示关联推荐列表。
[0116]如图6所示，在一个实施例中，上述请求处理模块130包括搜索单元131和结果提取单元133。
[0117]搜索单元131，用于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。
[0118]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。
[0119]结果提取单元133，用于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。
[0120]本实施例中，为考虑用户意图，将设定有效距离，结果提取单元133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。
[0121 ] 如图7所示，在另一个实施例中，该系统还包括预计算模块210。
[0122]该预计算模块210，用于预先计算并生成每一商户对应的关联推荐列表。
[0123]本实施例中，预计算模块210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。
[0124]进一步的，预计算模块210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。
[0125]其中，这些已有的用户将是当前用户所属的同类用户。
[0126]如图8所示，在一个实施例中，上述预计算模块210包括量化处理单元211、相似性计算单元213和商户排序单元215。
[0127]量化处理单元211，用于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。
[0128]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，量化处理单元211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。
[0129]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。
[0130]相似性计算单元213，用于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。
[0131]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，相似性计算单元213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。
[0132]进一步的，相似性计算单元213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。
[0133]其中，相似性计算单元213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。
[0134]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。
[0135]具体的，若目标商户和商