本申請涉及互聯網
技術領域：
，尤其涉及一種推薦方法及裝置。
背景技術：
：隨著互聯網技術的發展，個性化推薦服務在互聯網行業得到越來越多的應用，例如在地圖上查找附近的服務、在外賣應用中搜索附近的餐館等。為了給用戶推薦感興趣的內容，例如服務或餐館，除了使用地理位置之外，還可以收集和分析用戶的瀏覽信息、歷史訂單和商品評價等行為數據，確定用戶興趣，進而基于用戶興趣做推薦。現有技術中常見的基于用戶興趣的推薦方法主要包括：基于內容的推薦方法和協同過濾推薦(collaborativefilteringrecommendation)方法。現有推薦方法或多或少都會存在一些缺陷，現有方法存在的缺陷最終會影響推薦結果，導致不能完成推薦或推薦不準確。技術實現要素：本申請發明人對現有基于內容的推薦方法以及協同過濾的推薦方法進行了分析。基于內容的推薦方法，其核心主要是采用自然語言處理、人工智能、概率統計和機器學習等技術進行內容過濾，努力發現用戶的興趣，向用戶推薦與用戶以前喜歡的商品相似的商品。協同過濾推薦方法，其核心主要是分析用戶興趣，在用戶群中找到該用戶的相似用戶，綜合這些相似用戶對某一信息的評價，形成該用戶對此信息的喜好程度，據此向用戶進行推薦。上述推薦方法的性能已經很好，但依然存在無法完成推薦或推薦不準確的問題。對此，本申請發明人進一步進行了研究分析，上述推薦方法考慮了地理位置、用戶興趣、用戶行為等因素，但卻忽略了時間對用戶行為的影響。例如，用戶希望晚餐和午餐吃得不一樣、今天和昨天吃得不一樣、周末和平時吃得也不一樣。由此可見，在這種場景下，若采用現有推薦方法向用戶推薦以前喜歡或吃過的東西反而不合適，為了用戶飲食的多樣性，應該向用戶推薦近期未吃過的東西。另外，隨著時間的推移，有些吃過的東西，又會變得有新鮮感，因此也需要適時推薦之前消費過的類似商品。針對上述分析，本申請發明人提供一種推薦方法，其核心是：在推薦過程中，考慮時間因素的影響，基于符合推薦場景的時間影響特性，修正用戶對商品的初始評價值，進而基于修正后的評價值進行推薦，達到推薦過程考慮時間因素的目的，從而提高推薦結果的準確性。基于上述，本申請實施例提供一種推薦方法，包括：根據待推薦用戶，確定至少一個候選商戶；獲取所述至少一個候選商戶各自對應的至少一個用戶的修正評價值，所述修正評價值是按照推薦場景下的時間影響特性對初始評價值修正得到的；基于所述至少一個候選商戶各自對應的至少一個用戶的修正評價值，向所述待推薦用戶推薦商戶。在一可選實施方式中，所述獲取所述至少一個候選商戶各自對應的至少一個用戶的修正評價值，包括：從預先構建的用戶-商戶修正評價矩陣中，獲取所述至少一個候選商戶各自對應的至少一個用戶的修正評價值；其中，所述用戶-商戶修正評價矩陣包括系統中多個商戶各自對應的至少一個用戶的修正評價值，所述多個商戶包含所述至少一個候選商戶。在一可選實施方式中，預先構建用戶-商戶修正評價矩陣，包括：基于系統中存在的用戶針對商品的網絡行為信息，構建第一用戶-商品評價矩陣；對所述第一用戶-商品評價矩陣進行維度切換，以獲得第一用戶-商戶初始評價矩陣，所述第一用戶-商戶初始評價矩陣包括所述多個商戶各自對應的至少一個用戶的商品評價值序列；根據所述推薦場景下的時間影響特性對所述第一用戶-商戶初始評價矩陣進行修正，以獲得所述用戶-商戶修正評價矩陣。在一可選實施方式中，所述根據所述推薦場景下的時間影響特性對所述第一用戶-商戶初始評價矩陣進行修正，以獲得所述用戶-商戶修正評價矩陣，包括：根據所述推薦場景下的時間影響特性以及所述第一用戶-商戶初始評價矩陣中各商品評價值序列對應的網絡行為發生時間序列，計算所述第一用戶-商戶初始評價矩陣中各商品評價值序列對應的時間修正因子序列；將所述第一用戶-商戶初始評價矩陣中各商品評價值序列與各自對應的時間修正因子序列相乘，以獲得所述用戶-商戶修正評價矩陣。在一可選實施方式中，所述推薦場景下的時間影響特性為：時間因素對推薦過程的正向影響隨時間增長的特性。在一可選實施方式中，對所述第一用戶-商戶初始評價矩陣中商戶sk對應的用戶ua的商品評價值序列其對應的網絡行為發生時間序列為所述根據所述推薦場景下的時間影響特性以及所述網絡行為發生時間序列計算所述商品評價值序列對應的時間修正因子序列包括：根據公式計算所述商品評價值序列對應的時間修正因子序列中的時間修正因子；表示所述商品評價值序列中評價值對應的時間修正因子，1≤j≤n，j和n是自然數；tnow表示當前時間；tperiod表示所述推薦場景下的時間周期；表示評價值對應的網絡行為發生時間。在一可選實施方式中，將所述商品評價值序列與其對應的時間修正因子序列相乘，以獲得所述用戶-商戶修正評價矩陣中商戶sk對應的用戶ua的修正評價值，包括：根據公式計算所述商戶sk對應的用戶ua的修正評價值；v′ak表示所述商戶sk對應的用戶ua的修正評價值。在一可選實施方式中，所述獲取所述至少一個候選商戶各自對應的至少一個用戶的修正評價值，包括：基于系統中存在的用戶針對所述至少一個候選商戶提供的商品的網絡行為信息，構建第二用戶-商品評價矩陣；對所述第二用戶-商品評價矩陣進行維度切換，以獲得第二用戶-商戶初始評價矩陣，所述第二用戶-商戶初始評價矩陣包括所述至少一個候選商戶各自對應的至少一個用戶的商品評價值序列；根據所述推薦場景下的時間影響特性對所述第二用戶-商戶初始評價矩陣進行修正，以獲得用戶-候選商戶修正評價矩陣，所述用戶-候選商戶修正評價矩陣包括所述至少一個候選商戶各自對應的至少一個用戶的修正評價值。在一可選實施方式中，所述基于所述至少一個候選商戶各自對應的至少一個用戶的修正評價值，向所述待推薦用戶推薦商戶，包括：采用基于用戶的協同過濾算法，基于所述至少一個候選商戶各自對應的至少一個用戶的修正評價值，向所述待推薦用戶推薦商戶；或者采用基于商戶的協同過濾算法，基于所述至少一個候選商戶各自對應的至少一個用戶的修正評價值，向所述待推薦用戶推薦商戶。在一可選實施方式中，所述根據待推薦用戶，確定至少一個候選商戶，包括：根據所述待推薦用戶的位置，從商戶集合中，獲取所述至少一個候選商戶。相應地，本申請實施例還提供一種推薦裝置，包括：確定單元，用于根據待推薦用戶，確定至少一個候選商戶；獲取單元，用于獲取所述至少一個候選商戶各自對應的至少一個用戶的修正評價值，所述修正評價值是按照推薦場景下的時間影響特性對初始評價值修正得到的；推薦單元，用于基于所述至少一個候選商戶各自對應的至少一個用戶的修正評價值，向所述待推薦用戶推薦商戶。在一可選實施方式中，所述獲取單元具體用于：從預先構建的用戶-商戶修正評價矩陣中，獲取所述至少一個候選商戶各自對應的至少一個用戶的修正評價值；其中，所述用戶-商戶修正評價矩陣包括系統中多個商戶各自對應的至少一個用戶的修正評價值，所述多個商戶包含所述至少一個候選商戶。在一可選實施方式中，所述裝置還包括：構建單元，用于預先構建所述用戶-商戶修正評價矩陣；所述構建單元包括：構建子單元，用于基于系統中存在的用戶針對商品的網絡行為信息，構建第一用戶-商品評價矩陣；維度切換子單元，用于對所述第一用戶-商品評價矩陣進行維度切換，以獲得第一用戶-商戶初始評價矩陣，所述第一用戶-商戶初始評價矩陣包括所述多個商戶各自對應的至少一個用戶的商品評價值序列；修正子單元，用于根據所述推薦場景下的時間影響特性對所述第一用戶-商戶初始評價矩陣進行修正，以獲得所述用戶-商戶修正評價矩陣。在一可選實施方式中，所述修正子單元具體用于：根據所述推薦場景下的時間影響特性以及所述第一用戶-商戶初始評價矩陣中各商品評價值序列對應的網絡行為發生時間序列，計算所述第一用戶-商戶初始評價矩陣中各商品評價值序列對應的時間修正因子序列；將所述第一用戶-商戶初始評價矩陣中各商品評價值序列與各自對應的時間修正因子序列相乘，以獲得所述用戶-商戶修正評價矩陣。在一可選實施方式中，所述推薦場景下的時間影響特性為：時間因素對推薦過程的正向影響隨時間增長的特性。在一可選實施方式中，對所述第一用戶-商戶初始評價矩陣中商戶sk對應的用戶ua的商品評價值序列其對應的網絡行為發生時間序列為所述修正子單元在根據所述推薦場景下的時間影響特性以及所述網絡行為發生時間序列計算所述商品評價值序列對應的時間修正因子序列時，具體用于：根據公式計算所述商品評價值序列對應的時間修正因子序列中的時間修正因子；表示所述商品評價值序列中評價值對應的時間修正因子，1≤j≤n，j和n是自然數；tnow表示當前時間；tperiod表示所述推薦場景下的時間周期；表示評價值對應的網絡行為發生時間。在一可選實施方式中，所述修正子單元在將所述商品評價值序列與其對應的時間修正因子序列相乘，以獲得所述用戶-商戶修正評價矩陣中商戶sk對應的用戶ua的修正評價值時，具體用于：根據公式計算所述商戶sk對應的用戶ua的修正評價值；v′ak表示所述商戶sk對應的用戶ua的修正評價值。在一可選實施方式中，所述獲取單元具體用于：基于系統中存在的用戶針對所述至少一個候選商戶提供的商品的網絡行為信息，構建第二用戶-商品評價矩陣；對所述第二用戶-商品評價矩陣進行維度切換，以獲得第二用戶-商戶初始評價矩陣，所述第二用戶-商戶初始評價矩陣包括所述至少一個候選商戶各自對應的至少一個用戶的商品評價值序列；根據所述推薦場景下的時間影響特性對所述第二用戶-商戶初始評價矩陣進行修正，以獲得用戶-候選商戶修正評價矩陣，所述用戶-候選商戶修正評價矩陣包括所述至少一個候選商戶各自對應的至少一個用戶的修正評價值。在一可選實施方式中，所述推薦單元具體用于：采用基于用戶的協同過濾算法，基于所述至少一個候選商戶各自對應的至少一個用戶的修正評價值，向所述待推薦用戶推薦商戶；或者采用基于商戶的協同過濾算法，基于所述至少一個候選商戶各自對應的至少一個用戶的修正評價值，向所述待推薦用戶推薦商戶。在一可選實施方式中，所述確定單元具體用于：根據所述待推薦用戶的位置，從商戶集合中，獲取所述至少一個候選商戶。本申請實施例還提供一種電子設備，包括：存儲器和處理器；所述存儲器用于存儲一條或多條計算機指令，其中，所述一條或多條計算機指令被所述處理器執行時能夠實現上述實施例提供的推薦方法中的步驟。本申請實施例還提供一種存儲有計算機程序的計算機可讀存儲介質，所述計算機程序使計算機執行上述實施例提供的推薦方法中的步驟。在本申請實施例中，在推薦過程中，考慮時間因素的影響，基于符合推薦場景的時間影響特性，修正用戶對商品的初始評價值，進而基于修正后的評價值進行推薦，達到推薦過程考慮時間因素的目的，從而提高推薦結果的準確性。附圖說明此處所說明的附圖用來提供對本申請的進一步理解，構成本申請的一部分，本申請的示意性實施例及其說明用于解釋本申請，并不構成對本申請的不當限定。在附圖中：圖1為本申請一實施例提供的推薦方法的流程示意圖；圖2a為本申請另一實施例提供的推薦方法的流程示意圖；圖2b為本申請另一實施例提供的用戶-商戶修正評價矩陣的一種實現形式的示意圖；圖2c為本申請另一實施例提供的用戶-商戶修正評價矩陣的另一種實現形式的示意圖；圖3a為本申請又一實施例提供的預先構建用戶-商戶修正評價矩陣的流程示意圖；圖3b為本申請又一實施例提供的第一用戶-商品評價矩陣的一種實現形式的示意圖；圖3c為本申請又一實施例提供的第一用戶-商品評價矩陣的另一種實現形式的示意圖；圖3d為本申請又一實施例提供的第一用戶-商品評價矩陣從用戶-商品維度向用戶-商戶維度進行轉換的過程示意圖；圖4為本申請又一實施例提供的推薦方法的流程示意圖；圖5為本申請又一實施例提供的推薦方法的流程示意圖；圖6為本申請又一實施例提供的推薦方法的流程示意圖；圖7為本申請又一實施例提供的推薦裝置的結構示意圖；圖8為本申請又一實施例提供的推薦裝置的結構示意圖。具體實施方式為使本申請的目的、技術方案和優點更加清楚，下面將結合本申請具體實施例及相應的附圖對本申請技術方案進行清楚、完整地描述。顯然，所描述的實施例僅是本申請一部分實施例，而不是全部的實施例。基于本申請中的實施例，本領域普通技術人員在沒有做出創造性勞動前提下所獲得的所有其他實施例，都屬于本申請保護的范圍。圖1為本申請一實施例提供的推薦方法的流程示意圖。如圖1所示，所述方法包括：101、根據待推薦用戶，確定至少一個候選商戶。102、獲取至少一個候選商戶各自對應的至少一個用戶的修正評價值，所述修正評價值是按照推薦場景下的時間影響特性對初始評價值修正得到的。103、基于至少一個候選商戶各自對應的至少一個用戶的修正評價值，向待推薦用戶推薦商戶。在移動互聯網應用(application，app)的使用過程中，經常因為各種原因需要向用戶進行相關內容的推薦。為了便于描述，在本申請實施例中，將需要向其推薦內容的用戶稱之為待推薦用戶。根據應用場景的不同，需要向用戶推薦的內容也會有所不同。本申請實施例主要適用于具有眾多商戶的應用場景中，為便于用戶從合適的商戶選購商品，向用戶推薦商戶。舉例說明，本申請實施例提供的推薦方法可應用于各大電商提供的購物類app，或者外賣類app等。參見步驟101，在推薦過程中，首先確定待推薦用戶，根據待推薦用戶確定至少一個候選商戶。待推薦用戶可以是任何用戶，例如可以是移動互聯網app的老用戶、新用戶或者潛在用戶。可選地，可以將商戶集合中的所有商戶都作為候選商戶，這種確定候選商戶的方式簡單、效率較高；另外，所確定的候選商戶數量較多，覆蓋面比較全，有利于向用戶推薦出更加合適的商戶。可選地，可以根據待推薦用戶的位置，從商戶集合中，獲取至少一個候選商戶。例如，可以選擇位于待推薦用戶附近的商戶，這樣可以減少候選商戶的數量，有利于減少計算量，節約計算資源，提高整體推薦效率。例如，可以根據待推薦用戶的位置，從商戶集合中，選擇位于待推薦用戶指定范圍內的至少一個商戶，作為候選商戶。或者，可以根據待推薦用戶的位置，從商戶集合中，選擇與待推薦用戶相距指定距離的至少一個商戶，作為候選商戶。在實際應用過程中，為了提高服務質量和用戶體驗度，商戶允許用戶對其和/或其提供的商品進行評價。用戶從某一商戶處選購商品，在使用或消費商品后，一般會對商戶提供的商品和/或商戶進行評價。其中，根據應用場景的不同，用戶對商戶或商戶提供的商品的評價方式也會有所不同。例如，在購物應用場景或外賣類應用場景中，一般會向用戶提供星級圖標，由用戶選擇相應星級圖標給商戶和/或商戶提供的商品打分，例如五星、三星等；另外，還會向用戶提供文本輸入框，由用戶輸入文字對商戶或商戶提供的商品進行評價。基于上述，可以綜合考慮用戶選擇的星級圖標和用戶輸入的文字，確定用戶對商戶的初始評價值。換句話說，用戶對候選商戶的初始評價值可通過用戶對候選商戶和/或候選商戶提供的商品做出的評價來體現。在現有技術中，在獲得用戶對候選商戶的初始評價值之后，一般會基于該用戶對候選商戶的初始評價值，從候選商戶中向用戶推薦商戶。但在本實施例中，考慮到時間因素在推薦過程中的影響，可以根據符合推薦場景的時間影響特性對初始評價值進行修正，進而基于修正評價值向用戶推薦商戶。參見步驟102，可以獲取至少一個候選商戶各自對應的至少一個用戶的修正評價值，所述修正評價值是按照推薦場景下的時間影響特性對初始評價值修正得到的。對至少一個候選商戶中的任一候選商戶，可能有至少一個用戶在該候選商戶處選購或消費商品并做出評價，則可以確定在該候選商戶處選購商品并且做出評價的至少一個用戶；進一步，獲取至少一個用戶中每個用戶對該候選商戶的修正評價值。從候選商戶的角度來看，該候選商戶對應的至少一個用戶的修正評價值實際上是指對該候選商戶和/或該候選商戶提供的商品做過評價的至少一個用戶對該候選商戶的修正評價值。其中，一個用戶對一個候選商戶的修正評價值是按照推薦場景下的時間影響特性對該用戶對該候選商戶的初始評價值進行修正得到的。其中，該用戶對該候選商戶的初始評價值可通過該用戶對該候選商戶和/或該候選商戶提供的商品做出的評價來體現。例如，用戶對候選商戶的初始評價值可以直接表示為用戶對該候選商戶提供的至少一個商品的評價值，或者也可以表示為用戶對該候選商戶提供的至少一個商品的評價值的數值處理結果，或者也可以直接表示為用戶對該候選商戶的評價值，等等。其中，不同推薦場景，時間因素的影響特性會有所不同。例如，在一些推薦場景中，時間因素對推薦過程的影響會隨著時間的推移而逐漸削弱。例如，在另一些推薦場景中，時間因素對推薦過程的影響會隨著時間的推移而逐漸加強。又例如，在又一些推薦場景中，時間因素對推薦過程的影響會先隨著時間的推移先削弱再加強，又或者，先加強再削弱。值得說明的是，對不同候選商戶來說，對其和/或其提供的商品做出評價的用戶可能相同，也可能不同。繼續參見步驟103，基于至少一個候選商戶各自對應的至少一個用戶的修正評價值，向待推薦用戶推薦商戶。本實施例并不限定向待推薦用戶推薦商戶時采用的推薦方式，凡是以至少一個候選商戶各自對應的至少一個用戶的修正評價值為基礎，可以向待推薦用戶推薦商戶的方式均適用于本申請實施例。在本實施例的推薦過程中，考慮時間因素的影響，基于符合推薦場景的時間影響特性，修正用戶對商戶的初始評價值，進而基于修正評價值進行推薦，達到推薦過程考慮時間因素的目的，從而提高推薦結果的準確性。圖2a為本申請另一實施例提供的推薦方法的流程示意圖。如圖2a所示，所述方法包括：200、預先構建用戶-商戶修正評價矩陣，所述用戶-商戶修正評價矩陣包括系統中多個商戶各自對應的至少一個用戶的修正評價值，所述修正評價值是按照推薦場景下的時間影響特性對初始評價值修正得到的。201、根據待推薦用戶，從所述多個商戶中，確定至少一個候選商戶。202、從預先構建的用戶-商戶修正評價矩陣中，獲取至少一個候選商戶各自對應的至少一個用戶的修正評價值。203、基于至少一個候選商戶各自對應的至少一個用戶的修正評價值，向待推薦用戶推薦商戶。在本實施例中，在進行推薦之前，預先構建用戶-商戶修正評價矩陣，為推薦過程提供條件，如步驟200。該用戶-商戶修正評價矩陣包括系統中多個商戶各自對應的至少一個用戶的修正評價值。對多個商戶中的任一商戶來說，該商戶對應的至少一個用戶的修正評價值實際上是指對該商戶和/或商戶提供的商品進行過評價的至少一個用戶對該商戶的修正評價值。其中，一個用戶對一個候選商戶的修正評價值是按照推薦場景下的時間影響特性對該用戶對該候選商戶的初始評價值進行修正得到的。其中，該用戶對該候選商戶的初始評價值可通過該用戶對該候選商戶和/或該候選商戶提供的商品做出的評價來體現。例如，用戶對候選商戶的初始評價值可以直接表示為用戶對該候選商戶提供的至少一個商品的評價值，或者也可以表示為用戶對該候選商戶提供的至少一個商品的評價值的數值處理結果，或者也可以直接表示為用戶對該候選商戶的評價值，等等。上述系統是指包含上述多個商戶的應用系統。在本實施例中，應用系統包含服務端、商戶一側的客戶端以及用戶一側的客戶端。所述多個商戶可以是應用系統中的全部商戶，也可以是應用系統中的部分商戶。在推薦過程中，基于預先構建的用戶-商戶修正評價矩陣，向待推薦用戶推薦商戶，如步驟201-203。在步驟201中，首先確定待推薦用戶，根據待推薦用戶，從用戶-商戶修正評價矩陣包含的多個商戶中，確定至少一個候選商戶，即，所述多個商戶包含至少一個候選商戶。待推薦用戶可以是任何用戶，例如可以是移動互聯網app的老用戶、新用戶或者潛在用戶。可選地，可以將多個商戶中的所有商戶都作為候選商戶，這種確定候選商戶的方式簡單、效率較高；另外，所確定的候選商戶數量較多，覆蓋面比較全，有利于向用戶推薦出更加合適的商戶。可選地，可以根據待推薦用戶的位置，從多個商戶中，獲取至少一個候選商戶。例如，可以選擇位于待推薦用戶附近的商戶，這樣可以減少候選商戶的數量，有利于減少計算量，節約計算資源，提高整體推薦效率。接續于步驟201，在步驟202中，從預先構建的用戶-商戶修正評價矩陣中，獲取至少一個候選商戶各自對應的至少一個用戶的修正評價值。可選地，如圖2b所示，為用戶-商戶修正評價矩陣的一種實現形式。如圖2b所示，用戶-商戶修正評價矩陣包含用戶標識、商戶標識以及修正評價值。其中，用戶標識構成用戶-商戶修正評價矩陣中的行，商戶標識構成用戶-商戶修正評價矩陣中的列，修正評價值構成用戶-商戶修正評價矩陣中的元素值。可選地，如圖2c所示，為用戶-商戶修正評價矩陣的另一種實現形式。如圖2c所示，用戶-商戶修正評價矩陣包含用戶標識、商戶標識以及修正評價值。其中，用戶標識構成用戶-商戶修正評價矩陣中的列，商戶標識構成用戶-商戶修正評價矩陣中的行，修正評價值構成用戶-商戶修正評價矩陣中的元素值。在圖2b或圖2c中，用戶集合表示為u，對用戶ua來說，存在以下所屬關系：ua∈u＝{u1,u2,…,un}，n表示用戶個數；商戶集合表示為s，對商品sj來說，存在以下所屬關系：sj∈s＝{s1,s2,…,sk}，k表示商戶個數。上述商戶標識可以是商戶名稱、商戶id等任何能夠唯一標識商戶的信息。相應地，上述用戶標識可以是用戶名稱、用戶id等任何能夠唯一標識用戶的信息。修正評價值可以是具體的數值，例如5分、3分或1分；或者，修正評價值也可以是一些非數值型的信息，例如金牌商戶、銀牌商戶、口碑較好、五星級服務、三星級服務等任何具有區分度的信息。基于圖2b或圖2c所示的用戶-商戶修正評價矩陣，可以將至少一個候選商戶中各候選商戶的標識分別在用戶-商戶修正評價矩陣中進行匹配，獲取匹配中的商戶標識對應的用戶標識，作為各候選商戶對應的用戶的標識；進而獲取匹配中的商戶標識以及對應的用戶標識所確定的修正評價值，作為各候選商戶自對應的用戶的修正評價值。在本實施例的在推薦過程中，無需實時計算各候選商戶對應的至少一個用戶的修正評價值，而是基于預先構建的用戶-商戶修正評價矩陣，直接從中獲取各候選商戶對應的至少一個用戶的修正評價值，效率較高，有利于提高整體推薦效率。接續于步驟202，繼續參見步驟203，基于至少一個候選商戶各自對應的至少一個用戶的修正評價值，向待推薦用戶推薦商戶。本實施例并不限定向待推薦用戶推薦商戶時采用的推薦方式，凡是以至少一個候選商戶各自對應的至少一個用戶的修正評價值為基礎，可以向待推薦用戶推薦商戶的方式均適用于本申請實施例。在本實施例中，考慮時間因素的影響，預先根據符合推薦場景的時間影響特性，修正用戶對商戶的初始評價值，構建出用戶-商戶修正評價矩陣；在進行推薦時，直接從用戶-商戶修正評價矩陣中獲取各候選商戶對應的至少一個用戶的修正評價值，效率較高，進而基于各候選商戶對應的至少一個用戶的修正評價值進行商戶推薦，達到推薦過程考慮時間因素的目的，從而提高推薦結果的準確性，提高整體推薦效率。在上述實施例或下述實施例中，一種預先構建用戶-商戶修正評價矩陣的流程，如圖3a所示，包括：2001、基于系統中存在的用戶針對商品的網絡行為信息，構建第一用戶-商品評價矩陣。這里的網絡行為信息包括用戶針對商品的評價信息，但不限于此。基于用戶對商品的評價信息，可以獲得用戶對商品的評價值。如圖3b所示，為第一用戶-商品評價矩陣的一種實現形式。在圖3b中，第一用戶-商品評價矩陣包括用戶標識、商品標識以及用戶對商品的評價值。其中，用戶標識為第一用戶-商品評價矩陣中的行，商品標識為第一用戶-商品評價矩陣中的列，用戶對商品的評價值為第一用戶-商品評價矩陣中的元素值。如圖3c所示，為第一用戶-商品評價矩陣的另一種實現形式。在圖3c中，第一用戶-商品評價矩陣包括用戶標識、商品標識以及用戶對商品的評價值。其中，用戶標識為第一用戶-商品評價矩陣中的列，商品標識為第一用戶-商品評價矩陣中的行，用戶對商品的評價值為第一用戶-商品評價矩陣中的元素值。在圖3b或圖3c中，用戶集合表示為u，對用戶ua來說，存在以下所屬關系：ua∈u＝{u1,u2,…,un}，n表示用戶個數；商品集合表示為i，對商品ij來說，存在以下所屬關系：ij∈i＝{i1,i2,…,im}，m表示商品個數。2002、對第一用戶-商品評價矩陣進行維度切換，以獲得第一用戶-商戶初始評價矩陣，所述第一用戶-商戶初始評價矩陣包括所述多個商戶各自對應的至少一個用戶的商品評價值序列。在本申請實施例提供的推薦方法中，考慮到商品種類繁多，在基于商品進行推薦時容易存在數據比較稀疏的問題，所以本申請實施例不再像傳統推薦方法那樣向用戶推薦商品，而是利用商品和商戶的關系，將用戶對商品的評價聚合成一個用戶對商戶的評價，基于用戶對商戶的評價向用戶推薦商戶。其中，商品與商戶之間的關系可表現為：商戶提供商品供用戶消費，商戶本身包含商品的屬性，而用戶在商戶選購或消費商品的行為可以反映用戶對商戶的隱含興趣。用戶對商戶的隱含興趣可以體現為在商戶處的選購或消費商品的次數、消費金額和評價等信息。在本實施例中，需要將第一用戶-商品評價矩陣從用戶-商品維度切換為用戶-商戶維度。如圖3d所示，為維度轉換的過程示意圖。可選地，一種維度轉換的方式可以是：先從商戶的角度出發，從第一用戶-商品評價矩陣中獲取屬于同一商戶的商品；然后對屬于同一商戶的商品，再按照用戶區分，將同一用戶對不同商品的評價值進行匯總，形成同一用戶的商品評價值序列，從而獲得多個商戶各自對應的至少一個用戶的商品評價值序列，即第一用戶-商戶初始評價矩陣。2003、根據推薦場景下的時間影響特性對第一用戶-商戶初始評價矩陣進行修正，以獲得用戶-商戶修正評價矩陣。在獲得第一用戶-商戶初始評價矩陣之后，可以根據推薦場景下的時間影響特性對第一用戶-商戶初始評價矩陣進行修正，以獲得用戶-商戶修正評價矩陣。其中，根據推薦場景下的時間影響特性對第一用戶-商戶初始評價矩陣進行修正，實質上是根據推薦場景下的時間影響特性對第一用戶-商戶初始評價矩陣中的元素值進行修正的過程。可選地，上述步驟2003的一種實施方式，包括：根據推薦場景下的時間影響特性以及第一用戶-商戶初始評價矩陣中各商品評價值序列對應的網絡行為發生時間序列，計算第一用戶-商戶初始評價矩陣中各商品評價值序列對應的時間修正因子序列；然后將第一用戶-商戶初始評價矩陣中各商品評價值序列與各自對應的時間修正因子序列相乘，以獲得用戶-商戶修正評價矩陣。在第一用戶-商戶初始評價矩陣中，每個商品評價值序列對應一個用戶與一個商戶；對該用戶來說，會在該商戶處選購或消費至少一個商品并對至少一個商品進行評價，這樣該用戶對至少一個商品的評價值，對這些評價值進行匯總，可以得到該商戶對應于該用戶的商品評價值序列。換句話說，每個商品評價值序列包含該商品評價值序列對應用戶對該商品評價值序列對應商戶提供的至少一個商品的評價值；相應地，一個商品評價值序列也會對應一個網絡行為發生時間序列，所述網絡行為發生時間序列也就是該用戶在該商戶處選購或消費所述至少一個商品的時間。用戶在商戶處選購或消費商品的行為存在時間上的先后關系，這種先后關系可以體現出用戶在商戶處選購或消費商品的行為在時間上具有的周期性習慣，這種周期性習慣會對推薦過程造成影響，也就是時間因素的影響。在一種具體推薦場景下，其時間影響特性為：時間因素對推薦過程的正向影響隨時間增長的特性。例如，在外賣應用場景中，用戶希望晚餐和午餐吃得不一樣、今天和昨天吃得不一樣、周末和平時吃得也不一樣。由此可見，在這種場景下，用戶對近期吃過的東西一般沒興趣，但隨著時間的推移，用戶會對之前吃過的東西，逐漸變得有新鮮感，并且距離之前吃該東西的時間越久，該新鮮感會越強，因此需要適時向用戶推薦之前消費過的商品，這就是時間因素對推薦過程的正向影響隨時間增長的表現。基于上述，以第一用戶-商戶初始評價矩陣中的用戶ua對在商戶sk處消費過的n個商品做出評價為例，n個商品可表示為<i1,i2,...,in>，則第一用戶-商戶初始評價矩陣中商戶sk對應的用戶ua的商品評價值序列可表示為該商品評價值序列對應的網絡行為發生時間序列可表示為即，用戶ua在時刻在商戶sk處消費商品i1，并對商品i1形成評價值相應地，用戶ua在時刻在商戶sk處消費商品i2，并對商品i2形成評價值……，依次類推，用戶ua在時刻在商戶sk處消費商品in，并對商品in形成評價值基于上述，可以采用下述公式(1)，根據推薦場景下的時間影響特性以及網絡行為發生時間序列計算商品評價值序列對應的時間修正因子序列中的時間修正因子。在公式(1)中，表示商品評價值序列中評價值對應的時間修正因子，1≤j≤n，j和n是自然數。tnow表示當前時間。tperiod表示推薦場景下的時間周期，為一預設值或經驗值，例如在外賣場景中，該時間周期的取值可以是5、7、10或14等。表示評價值對應的網絡行為發生時間。進一步，基于上述公式(1)計算的時間修正因子，可以采用下述公式(2)，將所述商品評價值序列與其對應的時間修正因子序列相乘，以獲得用戶-商戶修正評價矩陣中商戶sk對應的用戶ua的修正評價值。其中，商戶sk對應的用戶ua的修正評價值也就是用戶ua對商戶sk的修正評價值。在公式(2)中，v′ak表示商戶sk對應的用戶ua的修正評價值，其它參數的解釋參見公式(1)，在此不再贅述。基于上述過程，可以根據推薦場景下的時間影響特性，對第一用戶-商戶初始評價矩陣中的各元素值進行修正，從而得到用戶-商戶修正評價值矩陣。在本實施例中，線下構建用戶-商戶修正評價矩陣，使得在線上進行推薦時，可以直接從中獲取候選商戶對應的至少一個用戶的修正評價值，有利于提高線上推薦的效率。當然，除了線下預先構建用戶-商戶修正評價矩陣，在線上進行推薦時，直接從中獲取候選商戶對應的至少一個用戶的修正評價值之外，也可以在線上進行推薦時，實時計算候選商戶對應的至少一個用戶的修正評價值，然后基于此向待推薦用戶推薦商戶。圖4為本申請又一實施例提供的推薦方法的流程示意圖。如圖4所示，所述方法包括：401、根據待推薦用戶，確定至少一個候選商戶。402、基于系統中存在的用戶針對至少一個候選商戶提供的商品的網絡行為信息，構建第二用戶-商品評價矩陣。403、對第二用戶-商品評價矩陣進行維度切換，以獲得第二用戶-商戶初始評價矩陣，所述第二用戶-商戶初始評價矩陣包括至少一個候選商戶各自對應的至少一個用戶的商品評價值序列。404、根據推薦場景下的時間影響特性對第二用戶-商戶初始評價矩陣進行修正，以獲得用戶-候選商戶修正評價矩陣，所述用戶-候選商戶修正評價矩陣包括至少一個候選商戶各自對應的至少一個用戶的修正評價值。405、基于至少一個候選商戶各自對應的至少一個用戶的修正評價值，向所述待推薦用戶推薦商戶。關于步驟401可參見前述實施例中相應步驟的描述，在此不再贅述。步驟402-404，用于在線實時生成至少一個候選商戶各自對應的至少一個用戶的修正評價值的過程，其過程類似圖3a所示預先構建用戶-商戶修正評價矩陣的過程，區別僅在于：數據集不相同。關于步驟402-404的詳細過程可參考圖3a所示實施例的過程，在此不再詳述。在獲得至少一個候選商戶各自對應的至少一個用戶的修正評價值之后，如步驟405所述，可基于至少一個候選商戶各自對應的至少一個用戶的修正評價值，向待推薦用戶推薦商戶，提高推薦效果。在上述實施例或下述實施例中，可基于至少一個候選商戶各自對應的至少一個用戶的修正評價值，向待推薦用戶推薦商戶。可選地，可以采用基于用戶的協同過濾算法，基于至少一個候選商戶各自對應的至少一個用戶的修正評價值，向待推薦用戶推薦商戶。或者可選地，可以采用基于商戶的協同過濾算法，基于至少一個候選商戶各自對應的至少一個用戶的修正評價值，向待推薦用戶推薦商戶。下面通過不同的實施例分別對上述基于用戶的協同過濾算法的推薦過程和上述基于商戶的協同過濾算法的推薦過程進行詳細說明。圖5為本申請又一實施例提供的推薦方法的流程示意圖。如圖5所示，所述方法包括：501、根據待推薦用戶的位置，從商戶集合中，確定至少一個候選商戶。502、獲取至少一個候選商戶各自對應的至少一個用戶的修正評價值，所述修正評價值是按照推薦場景下的時間影響特性對初始評價值修正得到的。在本實施例中，步驟502的具體實現可以參照圖2a和圖3a所示實施方式，或者也可以參照圖4所示實施例中的步驟402-404來實現，在此均不做贅述。503、從第一用戶集合中，獲取待推薦用戶的相似用戶。可選地，所述第一用戶集合可以由系統中存在的所有用戶組成，或者也可以由系統中存在的部分用戶組成，或者還可以由至少一個候選商戶各自對應的至少一個用戶組成。換句話說，一種獲取方式為：從系統中存在的所有用戶中，獲取待推薦用戶的相似用戶。另一種獲取方式為：從系統中存在的部分用戶中，獲取待推薦用戶的相似用戶。又一種獲取方式為：從至少一個候選商戶各自對應的至少一個用戶中，獲取待推薦用戶的相似用戶。可選地，可以采用余弦相似性計算方法或皮爾森(pearson)相似性計算方法，從第一用戶集合中，獲取待推薦用戶的相似用戶。優選地，可以采用pearson相似性計算方法，計算待推薦用戶與第一用戶集合中各用戶的相似性，pearson相似性計算方法具有相似度計算精度較高的優勢。將待推薦用戶表示為ua，將第一用戶集合中任一用戶表示為ub，則可以采用如下公式(3)計算ua與ub的pearson相似性。在公式(3)中，m表示ua和ub的相交商戶的個數，所述相交商戶是指ua和ub存在交集的(例如兩者都評價過的)商戶；va,j表示ua對相交商戶中的商戶sj的評價值；表示ua的平均評價值，vb,j表示ub對商戶sj的評價值，表示ub的平均評價值，wa,b表示ua與ub的pearson相似性。在上述公式(3)中，實際上只根據ua和ub的相交商戶計算了ua和ub的相似性。實際應用中，ua和ub的相交商戶的數量可能很少，為此可以采用下述公式(4)對上述公式(3)計算出的相似性進行修正，獲得修正后的相似性。在公式(4)中，w′a,b表示ua和ub的修正后的相似性。f表示一個常數，其取值可視具體應用場景而定，例如可以是但不限于：10。其中，將稱為影響因子，且即當ua和ub的相交商戶的數量m大于或等于常數f時，說明兩者相交商戶的數量較多，無需用影響因子進行修正，故影響因子取值為1；反之，當ua和ub的相交商戶的數量m小于常數f時，說明兩者相交商戶的數量較少，需用影響因子進行修正，且影響因子的取值小于1。采用這個影響因子能提高相似性計算結果的準確性和精度。由此可見，基于上述公式(3)和(4)，可以計算出待推薦用戶與第一用戶集合中每個用戶的相似性，進而可基于待推薦用戶與第一用戶集合中每個用戶的相似性，從第一用戶集合中確定待推薦用戶的相似用戶。例如，可以選擇與待推薦用戶的相似性最高的至少一個用戶作為待推薦用戶的相似用戶。又例如，可以選擇與待推薦用戶的相似性大于設定閾值的至少一個用戶作為待推薦用戶的相似用戶。504、根據待推薦用戶的相似用戶對至少一個候選商戶的修正評價值，計算待推薦用戶對至少一個候選商戶的修正評價值。可選地，可以根據下述公式(5)，計算待推薦用戶對至少一個候選商戶中每個候選商戶的修正評價值。其中，pa,i表示待推薦用戶ua對至少一個候選商戶中候選商戶si的修正評價值，si∈s，s表示至少一個候選商戶組成的候選商戶集合。u′表示由待推薦用戶的相似用戶構成的相似用戶集合；w′a,c表示待推薦用戶ua與相似用戶集合中的相似用戶uc的修正后的相似性；vc,i表示相似用戶集合中的相似用戶uc對至少一個候選商戶中候選商戶si的修正評價值；表示相似用戶集合中的相似用戶uc的平均評價值。舉例說明：假設，用戶對候選商戶的修正評價值的范圍為0到5，依次表示不喜歡到喜歡的程度，假設需要根據下述表1所示用戶user1-user5對候選商戶supplier_1-supplier_6的修正評價值，計算待推薦用戶user5對候選商戶supplier_5的修正評價值。從表1可以看出，與user5最相似的用戶是user3、然后是user4、user2和user1，利用這些相似用戶對supplier_5的修正評價值，可以計算user5對supplier_5的修正評價值。其中，從supplier_5這一列可以發現，相似用戶對supplier_5的評價都不錯，因此，user5對supplier_5的評價也會不錯。表1supplier_1supplier_2supplier_3supplier_4supplier_5supplier_6user132452user22434user3313332user4334user5233？其中，可以采用上述公式(3)和(4)發現user5的相似用戶；根據上述公式(5)計算user5對supplier_5的修正評價值。505、根據待推薦用戶對至少一個候選商戶的修正評價值，從至少一個候選商戶中向待推薦用戶推薦商戶。可選地，可以選擇修正評價值最大的至少一個候選商戶推薦給待推薦用戶。或者，可以選擇修正評價值大于設定閾值的至少一個候選商戶推薦給待推薦用戶。在本實施中，考慮時間因素的影響，基于符合推薦場景的時間影響特性，修正用戶對商品的初始評價值，進而基于修正后的評價值進行推薦，達到推薦過程考慮時間因素的目的，從而提高推薦結果的準確性。另外，在本實施例中，基于用戶的協同過濾算法利用用戶之間的相似性進行商戶推薦，具有很好的預測精度，而且能隨數據的變化而變化，比較適合于數據更新頻繁的系統。圖6為本申請又一實施例提供的推薦方法的流程示意圖。如圖6所示，所述方法包括：601、根據待推薦用戶的位置，從商戶集合中，確定至少一個候選商戶。602、獲取至少一個候選商戶各自對應的至少一個用戶的修正評價值，所述修正評價值是按照推薦場景下的時間影響特性對初始評價值修正得到的。603、從第一商戶集合中，獲取至少一個候選商戶各自的相似商戶。可選地，可以選擇修正評價值最大的至少一個候選商戶推薦給待推薦用戶。或者，可以選擇修正評價值大于設定閾值的至少一個候選商戶推薦給待推薦用戶。可選地，第一商戶集合可以由至少一個商戶組成，或者可以由系統中存在的所有商戶組成，或者可以由系統中存在的部分商戶組成。換句話說，一種獲取方式為：在至少一個候選商戶中，獲取至少一個候選商戶各自的相似商戶。另一種獲取方式為：在系統中存在的所有商戶中，獲取至少一個候選商戶各自的相似商戶。又一種獲取方式為：在系統中存在的部分商戶中，獲取至少一個候選商戶各自的相似商戶。可選地，可以采用余弦相似性計算方法或pearson相似性計算方法，從第一商戶集合中，獲取每個候選商戶的相似商戶。值得說明的是，采用余弦相似性計算方法或pearson相似性計算方法，計算各候選商戶與第一商戶集合中各商戶的相似性的過程，類似根據上述公式(3)和公式(4)計算用戶間相似性的過程，區別僅在于：需要將公式(3)和公式(4)中的用戶相關參數替換為候選商戶和第一商戶集合中各商戶的相關參數，具體計算過程在此不再詳述。604、根據至少一個候選商戶各自的相似商戶對應的用戶的修正評價值，計算待推薦用戶對至少一個候選商戶的修正評價值。605、根據待推薦用戶對至少一個候選商戶的修正評價值，從至少一個候選商戶中向待推薦用戶推薦商戶。在本實施中，考慮時間因素的影響，基于符合推薦場景的時間影響特性，修正用戶對商品的初始評價值，進而基于修正后的評價值進行推薦，達到推薦過程考慮時間因素的目的，從而提高推薦結果的準確性。另外，在本實施例中，基于商戶的協同過濾算法利用商戶之間的相似性進行商戶推薦，可以解決數據稀疏的問題，有利于提高推薦精度。需要說明的是，上述實施例所提供方法的各步驟的執行主體均可以是同一設備，或者，該方法也由不同設備作為執行主體。比如，步驟101至步驟103的執行主體可以為設備a；又比如，步驟101和102的執行主體可以為設備a，步驟103的執行主體可以為設備b；等等。圖7為本申請又一實施例提供的推薦裝置的結構示意圖。如圖7所示，所述推薦裝置包括：確定單元71、獲取單元72以及推薦單元73。確定單元71，用于根據待推薦用戶，確定至少一個候選商戶。獲取單元72，用于獲取至少一個候選商戶各自對應的至少一個用戶的修正評價值，所述修正評價值是按照推薦場景下的時間影響特性對初始評價值修正得到的。推薦單元73，用于基于至少一個候選商戶各自對應的至少一個用戶的修正評價值，向待推薦用戶推薦商戶。在一可選實施方式中，獲取單元72具體用于：從預先構建的用戶-商戶修正評價矩陣中，獲取至少一個候選商戶各自對應的至少一個用戶的修正評價值；其中，所述用戶-商戶修正評價矩陣包括系統中多個商戶各自對應的至少一個用戶的修正評價值，所述多個商戶包含所述至少一個候選商戶。在一可選實施方式中，如圖8所示，推薦裝置還包括：構建單元74，用于預先構建用戶-商戶修正評價矩陣。如圖8所示，構建單元74的一種實現結構包括：構建子單元741、維度切換子單元742以及修正子單元743。構建子單元741，用于基于系統中存在的用戶針對商品的網絡行為信息，構建第一用戶-商品評價矩陣。維度切換子單元742，用于對第一用戶-商品評價矩陣進行維度切換，以獲得第一用戶-商戶初始評價矩陣，所述第一用戶-商戶初始評價矩陣包括所述多個商戶各自對應的至少一個用戶的商品評價值序列。修正子單元743，用于根據推薦場景下的時間影響特性對第一用戶-商戶初始評價矩陣進行修正，以獲得用戶-商戶修正評價矩陣。在一可選實施方式中，修正子單元743具體用于：根據推薦場景下的時間影響特性以及第一用戶-商戶初始評價矩陣中各商品評價值序列對應的網絡行為發生時間序列，計算第一用戶-商戶初始評價矩陣中各商品評價值序列對應的時間修正因子序列；將第一用戶-商戶初始評價矩陣中各商品評價值序列與各自對應的時間修正因子序列相乘，以獲得用戶-商戶修正評價矩陣。在一可選實施方式中，所述推薦場景下的時間影響特性為：時間因素對推薦過程的正向影響隨時間增長的特性。在一可選實施方式中，對第一用戶-商戶初始評價矩陣中商戶sk對應的用戶ua的商品評價值序列其對應的網絡行為發生時間序列為則修正子單元743具體可以根據上述公式(1)計算商品評價值序列對應的時間修正因子序列在一可選實施方式中，修正子單元743具體可以根據上述公式(2)將商品評價值序列與其對應的時間修正因子序列相乘，以獲得用戶-商戶修正評價矩陣中商戶sk對應的用戶ua的修正評價值。關于公式(1)與公式(2)以及其中有關參數的描述，可參見前述方法實施例，在此不再贅述。在一可選實施方式中，獲取單元72具體用于：基于系統中存在的用戶針對至少一個候選商戶提供的商品的網絡行為信息，構建第二用戶-商品評價矩陣；對第二用戶-商品評價矩陣進行維度切換，以獲得第二用戶-商戶初始評價矩陣，所述第二用戶-商戶初始評價矩陣包括至少一個候選商戶各自對應的至少一個用戶的商品評價值序列；根據推薦場景下的時間影響特性對第二用戶-商戶初始評價矩陣進行修正，以獲得用戶-候選商戶修正評價矩陣，所述用戶-候選商戶修正評價矩陣包括所述至少一個候選商戶各自對應的至少一個用戶的修正評價值。在一可選實施方式中，推薦單元73具體用于：采用基于用戶的協同過濾算法，基于所述至少一個候選商戶各自對應的至少一個用戶的修正評價值，向所述待推薦用戶推薦商戶；或者，采用基于商戶的協同過濾算法，基于所述至少一個候選商戶各自對應的至少一個用戶的修正評價值，向所述待推薦用戶推薦商戶。在一可選實施方式中，確定單元71具體用于：根據待推薦用戶的位置，從商戶集合中，獲取至少一個候選商戶。本申請實施例提供的推薦裝置，可用于執行上述方法實施例提供的流程，其具體工作原理不再贅述。本實施例提供的推薦裝置，在推薦過程中，考慮時間因素的影響，基于符合推薦場景的時間影響特性，修正用戶對商品的初始評價值，進而基于修正后的評價值進行推薦，達到推薦過程考慮時間因素的目的，從而提高推薦結果的準確性。本領域內的技術人員應明白，本發明的實施例可提供為方法、系統、或計算機程序產品。因此，本發明可采用完全硬件實施例、完全軟件實施例、或結合軟件和硬件方面的實施例的形式。而且，本發明可采用在一個或多個其中包含有計算機可用程序代碼的計算機可用存儲介質(包括但不限于磁盤存儲器、cd-rom、光學存儲器等)上實施的計算機程序產品的形式。本發明是參照根據本發明實施例的方法、設備(系統)、和計算機程序產品的流程圖和/或方框圖來描述的。應理解可由計算機程序指令實現流程圖和/或方框圖中的每一流程和/或方框、以及流程圖和/或方框圖中的流程和/或方框的結合。可提供這些計算機程序指令到通用計算機、專用計算機、嵌入式處理機或其他可編程數據處理設備的處理器以產生一個機器，使得通過計算機或其他可編程數據處理設備的處理器執行的指令產生用于實現在流程圖一個流程或多個流程和/或方框圖一個方框或多個方框中指定的功能的裝置。這些計算機程序指令也可存儲在能引導計算機或其他可編程數據處理設備以特定方式工作的計算機可讀存儲器中，使得存儲在該計算機可讀存儲器中的指令產生包括指令裝置的制造品，該指令裝置實現在流程圖一個流程或多個流程和/或方框圖一個方框或多個方框中指定的功能。這些計算機程序指令也可裝載到計算機或其他可編程數據處理設備上，使得在計算機或其他可編程設備上執行一系列操作步驟以產生計算機實現的處理，從而在計算機或其他可編程設備上執行的指令提供用于實現在流程圖一個流程或多個流程和/或方框圖一個方框或多個方框中指定的功能的步驟。在一個典型的配置中，計算設備包括一個或多個處理器(cpu)、輸入/輸出接口、網絡接口和內存。內存可能包括計算機可讀介質中的非永久性存儲器，隨機存取存儲器(ram)和/或非易失性內存等形式，如只讀存儲器(rom)或閃存(flashram)。內存是計算機可讀介質的示例。計算機可讀介質包括永久性和非永久性、可移動和非可移動媒體可以由任何方法或技術來實現信息存儲。信息可以是計算機可讀指令、數據結構、程序的模塊或其他數據。計算機的存儲介質的例子包括，但不限于相變內存(pram)、靜態隨機存取存儲器(sram)、動態隨機存取存儲器(dram)、其他類型的隨機存取存儲器(ram)、只讀存儲器(rom)、電可擦除可編程只讀存儲器(eeprom)、快閃記憶體或其他內存技術、只讀光盤只讀存儲器(cd-rom)、數字多功能光盤(dvd)或其他光學存儲、磁盒式磁帶，磁帶磁磁盤存儲或其他磁性存儲設備或任何其他非傳輸介質，可用于存儲可以被計算設備訪問的信息。按照本文中的界定，計算機可讀介質不包括暫存電腦可讀媒體(transitorymedia)，如調制的數據信號和載波。還需要說明的是，術語“包括”、“包含”或者其任何其他變體意在涵蓋非排他性的包含，從而使得包括一系列要素的過程、方法、商品或者設備不僅包括那些要素，而且還包括沒有明確列出的其他要素，或者是還包括為這種過程、方法、商品或者設備所固有的要素。在沒有更多限制的情況下，由語句“包括一個……”限定的要素，并不排除在包括所述要素的過程、方法、商品或者設備中還存在另外的相同要素。本領域技術人員應明白，本申請的實施例可提供為方法、系統或計算機程序產品。因此，本申請可采用完全硬件實施例、完全軟件實施例或結合軟件和硬件方面的實施例的形式。而且，本申請可采用在一個或多個其中包含有計算機可用程序代碼的計算機可用存儲介質(包括但不限于磁盤存儲器、cd-rom、光學存儲器等)上實施的計算機程序產品的形式。以上所述僅為本申請的實施例而已，并不用于限制本申請。對于本領域技術人員來說，本申請可以有各種更改和變化。凡在本申請的精神和原理之內所作的任何修改、等同替換、改進等，均應包含在本申請的權利要求范圍之內。本申請實施例公開a1、一種推薦方法，包括：根據待推薦用戶，確定至少一個候選商戶；獲取所述至少一個候選商戶各自對應的至少一個用戶的修正評價值，所述修正評價值是按照推薦場景下的時間影響特性對初始評價值修正得到的；基于所述至少一個候選商戶各自對應的至少一個用戶的修正評價值，向所述待推薦用戶推薦商戶。a2、如a1所述的方法中，所述獲取所述至少一個候選商戶各自對應的至少一個用戶的修正評價值，包括：從預先構建的用戶-商戶修正評價矩陣中，獲取所述至少一個候選商戶各自對應的至少一個用戶的修正評價值；其中，所述用戶-商戶修正評價矩陣包括系統中多個商戶各自對應的至少一個用戶的修正評價值，所述多個商戶包含所述至少一個候選商戶。a3、如a2所述的方法中，預先構建用戶-商戶修正評價矩陣，包括：基于系統中存在的用戶針對商品的網絡行為信息，構建第一用戶-商品評價矩陣；對所述第一用戶-商品評價矩陣進行維度切換，以獲得第一用戶-商戶初始評價矩陣，所述第一用戶-商戶初始評價矩陣包括所述多個商戶各自對應的至少一個用戶的商品評價值序列；根據所述推薦場景下的時間影響特性對所述第一用戶-商戶初始評價矩陣進行修正，以獲得所述用戶-商戶修正評價矩陣。a4、如a3所述的方法中，所述根據所述推薦場景下的時間影響特性對所述第一用戶-商戶初始評價矩陣進行修正，以獲得所述用戶-商戶修正評價矩陣，包括：根據所述推薦場景下的時間影響特性以及所述第一用戶-商戶初始評價矩陣中各商品評價值序列對應的網絡行為發生時間序列，計算所述第一用戶-商戶初始評價矩陣中各商品評價值序列對應的時間修正因子序列；將所述第一用戶-商戶初始評價矩陣中各商品評價值序列與各自對應的時間修正因子序列相乘，以獲得所述用戶-商戶修正評價矩陣。a5、如a4所述的方法中，所述推薦場景下的時間影響特性為：時間因素對推薦過程的正向影響隨時間增長的特性。a6、如a5所述的方法中，對所述第一用戶-商戶初始評價矩陣中商戶sk對應的用戶ua的商品評價值序列其對應的網絡行為發生時間序列為所述根據所述推薦場景下的時間影響特性以及所述網絡行為發生時間序列計算所述商品評價值序列對應的時間修正因子序列包括：根據公式計算所述商品評價值序列對應的時間修正因子序列中的時間修正因子；表示所述商品評價值序列中評價值對應的時間修正因子，1≤j≤n，j和n是自然數；tnow表示當前時間；tperiod表示所述推薦場景下的時間周期；表示評價值對應的網絡行為發生時間。a7、如a6所述的方法中，將所述商品評價值序列與其對應的時間修正因子序列相乘，以獲得所述用戶-商戶修正評價矩陣中商戶sk對應的用戶ua的修正評價值，包括：根據公式計算所述商戶sk對應的用戶ua的修正評價值；v′ak表示所述商戶sk對應的用戶ua的修正評價值。a8、如a1所述的方法中，所述獲取所述至少一個候選商戶各自對應的至少一個用戶的修正評價值，包括：基于系統中存在的用戶針對所述至少一個候選商戶提供的商品的網絡行為信息，構建第二用戶-商品評價矩陣；對所述第二用戶-商品評價矩陣進行維度切換，以獲得第二用戶-商戶初始評價矩陣，所述第二用戶-商戶初始評價矩陣包括所述至少一個候選商戶各自對應的至少一個用戶的商品評價值序列；根據所述推薦場景下的時間影響特性對所述第二用戶-商戶初始評價矩陣進行修正，以獲得用戶-候選商戶修正評價矩陣，所述用戶-候選商戶修正評價矩陣包括所述至少一個候選商戶各自對應的至少一個用戶的修正評價值。a9、如a1-a8任一項所述的方法中，所述基于所述至少一個候選商戶各自對應的至少一個用戶的修正評價值，向所述待推薦用戶推薦商戶，包括：采用基于用戶的協同過濾算法，基于所述至少一個候選商戶各自對應的至少一個用戶的修正評價值，向所述待推薦用戶推薦商戶；或者采用基于商戶的協同過濾算法，基于所述至少一個候選商戶各自對應的至少一個用戶的修正評價值，向所述待推薦用戶推薦商戶。a10、如a1-a8任一項所述的方法中，所述根據待推薦用戶，確定至少一個候選商戶，包括：根據所述待推薦用戶的位置，從商戶集合中，獲取所述至少一個候選商戶。本申請實施例還公開b11、一種推薦裝置，包括：確定單元，用于根據待推薦用戶，確定至少一個候選商戶；獲取單元，用于獲取所述至少一個候選商戶各自對應的至少一個用戶的修正評價值，所述修正評價值是按照推薦場景下的時間影響特性對初始評價值修正得到的；推薦單元，用于基于所述至少一個候選商戶各自對應的至少一個用戶的修正評價值，向所述待推薦用戶推薦商戶。b12、如b11所述的裝置中，所述獲取單元具體用于：從預先構建的用戶-商戶修正評價矩陣中，獲取所述至少一個候選商戶各自對應的至少一個用戶的修正評價值；其中，所述用戶-商戶修正評價矩陣包括系統中多個商戶各自對應的至少一個用戶的修正評價值，所述多個商戶包含所述至少一個候選商戶。b13、如b12所述的裝置還包括：構建單元，用于預先構建所述用戶-商戶修正評價矩陣；所述構建單元包括：構建子單元，用于基于系統中存在的用戶針對商品的網絡行為信息，構建第一用戶-商品評價矩陣；維度切換子單元，用于對所述第一用戶-商品評價矩陣進行維度切換，以獲得第一用戶-商戶初始評價矩陣，所述第一用戶-商戶初始評價矩陣包括所述多個商戶各自對應的至少一個用戶的商品評價值序列；修正子單元，用于根據所述推薦場景下的時間影響特性對所述第一用戶-商戶初始評價矩陣進行修正，以獲得所述用戶-商戶修正評價矩陣。b14、如b13所述的裝置中，所述修正子單元具體用于：根據所述推薦場景下的時間影響特性以及所述第一用戶-商戶初始評價矩陣中各商品評價值序列對應的網絡行為發生時間序列，計算所述第一用戶-商戶初始評價矩陣中各商品評價值序列對應的時間修正因子序列；將所述第一用戶-商戶初始評價矩陣中各商品評價值序列與各自對應的時間修正因子序列相乘，以獲得所述用戶-商戶修正評價矩陣。b15、如b14所述的裝置中，所述推薦場景下的時間影響特性為：時間因素對推薦過程的正向影響隨時間增長的特性。b16、如b15所述的裝置中，對所述第一用戶-商戶初始評價矩陣中商戶sk對應的用戶ua的商品評價值序列其對應的網絡行為發生時間序列為所述修正子單元在根據所述推薦場景下的時間影響特性以及所述網絡行為發生時間序列計算所述商品評價值序列對應的時間修正因子序列時，具體用于：根據公式計算所述商品評價值序列對應的時間修正因子序列中的時間修正因子；表示所述商品評價值序列中評價值對應的時間修正因子，1≤j≤n，j和n是自然數；tnow表示當前時間；tperiod表示所述推薦場景下的時間周期；表示評價值對應的網絡行為發生時間。b17、如b16所述的裝置中，所述修正子單元在將所述商品評價值序列與其對應的時間修正因子序列相乘，以獲得所述用戶-商戶修正評價矩陣中商戶sk對應的用戶ua的修正評價值時，具體用于：根據公式計算所述商戶sk對應的用戶ua的修正評價值；v′ak表示所述商戶sk對應的用戶ua的修正評價值。b18、如b11所述的裝置中，所述獲取單元具體用于：基于系統中存在的用戶針對所述至少一個候選商戶提供的商品的網絡行為信息，構建第二用戶-商品評價矩陣；對所述第二用戶-商品評價矩陣進行維度切換，以獲得第二用戶-商戶初始評價矩陣，所述第二用戶-商戶初始評價矩陣包括所述至少一個候選商戶各自對應的至少一個用戶的商品評價值序列；根據所述推薦場景下的時間影響特性對所述第二用戶-商戶初始評價矩陣進行修正，以獲得用戶-候選商戶修正評價矩陣，所述用戶-候選商戶修正評價矩陣包括所述至少一個候選商戶各自對應的至少一個用戶的修正評價值。b19、如b11-b18任一項所述的裝置中，所述推薦單元具體用于：采用基于用戶的協同過濾算法，基于所述至少一個候選商戶各自對應的至少一個用戶的修正評價值，向所述待推薦用戶推薦商戶；或者采用基于商戶的協同過濾算法，基于所述至少一個候選商戶各自對應的至少一個用戶的修正評價值，向所述待推薦用戶推薦商戶。b20、如b11-b18任一項所述的裝置中，所述確定單元具體用于：根據所述待推薦用戶的位置，從商戶集合中，獲取所述至少一個候選商戶。本申請實施例還公開c21、一種電子設備，包括：存儲器和處理器；所述存儲器用于存儲一條或多條計算機指令，其中，所述一條或多條計算機指令被所述處理器執行時能夠實現上述a1-a10任一項所述方法中的步驟。本申請實施例還公開d22、一種存儲有計算機程序的計算機可讀存儲介質，所述計算機程序使計算機執行上述a1-a10任一項所述方法中的步驟。當前第1頁12