CN105005579A - Ota网站中酒店房型个性化排序方法及系统 - Google Patents

Abstract

本发明公开了一种OTA网站中酒店房型个性化排序方法及系统，方法包括：S₁、收集并存储用户在OTA网站中历史入住酒店的酒店数据；S₂、选取目标输入参数，包括目标入住城市、目标入住时间、目标退房时间、历史入住酒店的房型相似度、历史入住酒店的房型价位相似度、历史入住酒店的房型类型、历史入住酒店的房型特点及酒店房型可预订状态；S₃、将目标输入参数转换为数值变量，为每个数值变量分配权重；S₄、根据各目标输入参数的数值变量及权重，采用神经网络算法计算当前各酒店房型的相似度值；S₅、按照相似度值由高到低对当前各酒店房型进行排序。本发明对用户的历史行为数据进行分析，向用户推荐与历史行为数据匹配的酒店房型。

Description

OTA网站中酒店房型个性化排序方法及系统

技术领域

本发明涉及一种OTA网站中酒店房型个性化排序方法及系统。

背景技术

现有的OTA网站(在线旅游网站)均具有根据用户的输入查询酒店的功能，并可以对查询结果进行排序，将排序后的酒店房型输出显示给用户。

但普通的排序方式，有以下不足：

只是根据查询出的结果按照房型可订状态、价格的高低进行简单的排序；

没有对用户的历史行为进行分析，酒店房型信息排序不是最优排序；

没有全面分析用户输入与用户历史数据之间的关联关系。

发明内容

本发明要解决的技术问题是为了克服现有技术中OTA网站中酒店房型的排序方式过于简单的缺陷，提供一种OTA网站中酒店房型个性化排序方法及系统。

本发明让用户用更短的时间选择到满意的酒店房型：

以用户历史入住酒店房型进行分析，减少与用户历史入住酒店房型相关度差别过大的房型被排序在前面的可能性；

对用户历史数据划分不同维度，并通过定量的权重区分重要性；

在实现过程中，可以不断地进行自我修正，从而提高排序结果的最优性。

本发明是通过下述技术方案来解决上述技术问题的：

本发明提供了一种OTA网站中酒店房型个性化排序方法，其特点在于，包括以下步骤：

S₁、收集并存储每个用户在OTA网站中历史入住酒店的酒店数据；

S₂、选取目标输入参数，所述目标输入参数包括用户输入的目标入住城市、用户输入的目标入住时间、用户输入的目标退房时间、用户历史入住酒店的房型相似度、用户历史入住酒店的房型价位相似度、用户历史入住酒店的房型类型、用户历史入住酒店的房型特点及酒店房型可预订状态；

S₃、将上述目标输入参数转换为数值变量，并为每个数值变量分配一权重；

S₄、根据S₃中各个目标输入参数的数值变量及权重，采用神经网络算法计算OTA网站中当前各酒店房型的相似度值；

S₅、按照相似度值由高到低的顺序对当前各酒店房型进行排序。

较佳地，步骤S₂中所述用户历史入住酒店的房型相似度、用户历史入住酒店的房型价位相似度、用户历史入住酒店的房型类型及用户历史入住酒店的房型特点通过对用户历史入住酒店的酒店数据进行计算和分析而得出。

较佳地，步骤S₃中还用于通过神经网络算法训练实时更新和调节每个数值变量的权重。

较佳地，步骤S₂中的所述目标输入参数还包括酒店房型近期浏览量及推荐酒店房型加权值。

本发明的目的在于还提供了一种OTA网站中酒店房型个性化排序系统，其特点在于，包括：

收集模块，用于收集并存储每个用户在OTA网站中历史入住酒店的酒店数据；

选取模块，用于选取目标输入参数，所述目标输入参数包括用户输入的目标入住城市、用户输入的目标入住时间、用户输入的目标退房时间、用户历史入住酒店的房型相似度、用户历史入住酒店的房型价位相似度、用户历史入住酒店的房型类型、用户历史入住酒店的房型特点及酒店房型可预订状态；

转换模块，用于将上述目标输入参数转换为数值变量，并为每个数值变量分配一权重；

计算模块，用于根据各个目标输入参数的数值变量及权重，采用神经网络算法计算OTA网站中当前各酒店房型的相似度值；

排序模块，用于按照相似度值由高到低的顺序对当前各酒店房型进行排序。

较佳地，所述用户历史入住酒店的房型相似度、用户历史入住酒店的房型价位相似度、用户历史入住酒店的房型类型及用户历史入住酒店的房型特点用于通过对用户历史入住酒店的酒店数据进行计算和分析而得出。

较佳地，所述转换模块还用于通过神经网络算法训练实时更新和调节每个数值变量的权重。

较佳地，所述目标输入参数还包括酒店房型近期浏览量及推荐酒店房型加权值。

本发明的积极进步效果在于：本发明可以对用户在OTA网站中的历史行为数据进行分析，并向用户推荐与历史行为数据相匹配的酒店房型，从而有效提升了用户选择酒店房型排序的准确率和转化率，节省了用户的选房时间，提高了房型排序结果转化率，减少了系统压力，并且有效提升了用户网站使用感受，增加了用户黏性。

附图说明

图1为本发明的一实施例的OTA网站中酒店房型个性化排序方法的流程图。

图2为本发明的一实施例的OTA网站中酒店房型个性化排序系统的模块示意图。

具体实施方式

下面通过实施例的方式进一步说明本发明，但并不因此将本发明限制在所述的实施例范围之中。

如图1所示，本发明的OTA网站中酒店房型个性化排序方法包括以下 步骤：

步骤101、收集并存储每个用户在OTA网站中历史入住酒店的酒店数据；

步骤102、选取目标输入参数，所述目标输入参数包括用户输入的目标入住城市、用户输入的目标入住时间、用户输入的目标退房时间、用户历史入住酒店的房型相似度、用户历史入住酒店的房型价位相似度、用户历史入住酒店的房型类型、用户历史入住酒店的房型特点及酒店房型可预订状态；

步骤103、将上述目标输入参数转换为数值变量，并为每个数值变量分配一权重；

步骤104、根据步骤103中各个目标输入参数的数值变量及权重，采用神经网络算法计算OTA网站中当前各酒店房型的相似度值；

步骤105、按照相似度值由高到低的顺序对当前各酒店房型进行排序。

在本发明的OTA网站中酒店房型个性化排序系统中，其原理是根据用户历史入住酒店的酒店数据，包括酒店房型、价位、入住时间等维度信息进行综合分析，按照相似度算法及权重配置，对不同的酒店房型进行排序，将房型按照用户历史行为的相似度依次展现给用户。

其中，在步骤102中，所述用户历史入住酒店的房型相似度、用户历史入住酒店的房型价位相似度、用户历史入住酒店的房型类型及用户历史入住酒店的房型特点通过对用户历史入住酒店的酒店数据进行计算和分析而得出。所述用户历史入住酒店的房型类型包括团购、返现、活动等类型，所述用户历史入住酒店的房型特点包括豪华商务房、浪漫圆床房、特价房等特色房型。

在步骤104中，基于神经网络算法得到的酒店房型排序计算公式，需要参考的各权重变量X＝[x₁、x₂、x₃……x_n]，满足x_i∈[0，1]，i＝0、1、2……n；在本发明中n取值为8，表示上述8个目标输入参数。

参数X对应的m类模式或方案决策结果为Y＝[y₁、y₂、y₃……y_m]，满足y_j∈[0，1]，j＝0、1、2……m，y_j的取值大小表示目标x属于第j个模式的程 度，据此可以推导得出参数x_i对y_j的敏感度。假设n个目标的影响权重分配为：z＝z₁、z₂、z₃……z_n，且权重计算公式为：

$z_i=\left|W_{ix}\right|\÷\underset{j=1}{\overset{n}{\Σ}}\left|W_{xj}\right|;$

i＝1、2、3……n，根据公式计算出各权重系数。

网络拓扑结构的确定，对于多层前馈网络来说，隐层节点数的确定是成败的关键。若数量太少，则网络所能获取的用以解决问题的信息太少；若数量太多，不仅增加训练时间，更重要的是隐层节点过多还可能出现所谓“过渡吻合”(Overfitting)问题，即测试误差增大导致泛化能力下降，因此合理选择隐层节点数非常重要。关于隐层数及其节点数的选择比较复杂，一般原则是：在能正确反映输入输出关系的基础上，应选用较少的隐层节点数，以使网络结构尽量简单。本发明中采用网络结构增长型方法，即先设置较少的节点数，对网络进行训练，并测试学习误差，然后逐渐增加节点数，直到学习误差不再有明显减少为止。

误差反向传播算法主要由两个环节(激励传播、权重更新)反复循环迭代，直到网络的对输入的响应达到预定的目标范围为止。

激励传播，每次迭代中的传播环节包含两步：1、前向传播阶段，将训练输入送入网络以获得激励响应；2、反向传播阶段，将激励响应同训练输入对应的目标输出求差，从而获得隐层和输出层的响应误差；

权重更新，对于每个突触上的权重，按照以下步骤进行更新：1、将输入激励和响应误差相乘，从而获得权重的梯度；2、将这个梯度乘以一个比例并取反后加到权重上。这个比例将会影响到训练过程的速度和效果，因此称为“训练因子”，梯度的方向指明了误差扩大的方向，因此在更新权重的时候需要对其取反，从而减小权重引起的误差。

算法的运行步骤具体包括：

选择关于目标参数X和模式分类结果Y的样本数据；

对样本数据进行归一化处理；

确定B.P网络(一种神经网络)的拓扑结构；

适当选取网络的学习参数；

应用误差反向传播算法对网络进行训练；

计算各个目标因素所对应的输入层与所有隐层单元的连接权重数的绝对值和；

依照权重计算公式求解各个目标因素对应的权值，从而最终确定n个因素的权重分配向量。

本发明的具体实现：

排序算法参数选择：

针对个性化酒店自动匹配问题，计算各目标权重之间的分配，在计算过程中主要考虑如下目标输入参数：

用户输入的目标入住城市(x₁)；

用户输入的目标入住时间(x₂)；

用户输入的目标退房时间(x₃)；

用户历史入住酒店的房型相似度(x₄)；

用户历史入住酒店的房型价位相似度(x₅)；

用户历史入住酒店的房型类型(x₆)；

用户历史入住酒店的房型特点(x₇)；

酒店房型可预订状态(x₈)；

针对用户的历史数据，选择如下三种算法模式作为参与决策的方案：

酒店房型价位决定法(y₁)；

酒店房型特色决定法(y₂)；

酒店房型优惠决定法(y₃)。

以此，本发明的B.P网络中，输入层单元数为8个，输出层单元数为3个，选择隐层单元数为13个。

在本发明的上述方法中，如果通过上述几个目标输入参数得出的结果不够理想，可以继续添加参数，所述目标输入参数具体还可以包括酒店房型近 期浏览量及推荐酒店房型加权值等，可以人工加权特定酒店房型，也可以人工降权。本发明中，步骤103中还用于通过神经网络算法训练实时更新和调节每个数值变量的权重，这些都属于通过现有技术就可以实现的，在此不再赘述。

如图2所示，本发明还提供了一种OTA网站中酒店房型个性化排序系统，包括：

收集模块1，用于收集并存储每个用户在OTA网站中历史入住酒店的酒店数据；

选取模块2，用于选取目标输入参数，所述目标输入参数包括用户输入的目标入住城市、用户输入的目标入住时间、用户输入的目标退房时间、用户历史入住酒店的房型相似度、用户历史入住酒店的房型价位相似度、用户历史入住酒店的房型类型、用户历史入住酒店的房型特点及酒店房型可预订状态；

转换模块3，用于将上述目标输入参数转换为数值变量，并为每个数值变量分配一权重；

计算模块4，用于根据各个目标输入参数的数值变量及权重，采用神经网络算法计算OTA网站中当前各酒店房型的相似度值；

排序模块5，用于按照相似度值由高到低的顺序对当前各酒店房型进行排序。

其中，所述用户历史入住酒店的房型相似度、用户历史入住酒店的房型价位相似度、用户历史入住酒店的房型类型及用户历史入住酒店的房型特点用于通过对用户历史入住酒店的酒店数据进行计算和分析而得出。所述转换模块还用于通过神经网络算法训练实时更新和调节每个数值变量的权重。所述目标输入参数还包括酒店房型近期浏览量及推荐酒店房型加权值。

虽然以上描述了本发明的具体实施方式，但是本领域的技术人员应当理解，这些仅是举例说明，本发明的保护范围是由所附权利要求书限定的。本领域的技术人员在不背离本发明的原理和实质的前提下，可以对这些实施方 式做出多种变更或修改，但这些变更和修改均落入本发明的保护范围。

Claims (8)

1.一种OTA网站中酒店房型个性化排序方法，其特征在于，包括以下步骤：

S₁、收集并存储每个用户在OTA网站中历史入住酒店的酒店数据；

S₂、选取目标输入参数，所述目标输入参数包括用户输入的目标入住城市、用户输入的目标入住时间、用户输入的目标退房时间、用户历史入住酒店的房型相似度、用户历史入住酒店的房型价位相似度、用户历史入住酒店的房型类型、用户历史入住酒店的房型特点及酒店房型可预订状态；

S₃、将上述目标输入参数转换为数值变量，并为每个数值变量分配一权重；

S₄、根据S₃中各个目标输入参数的数值变量及权重，采用神经网络算法计算OTA网站中当前各酒店房型的相似度值；

S₅、按照相似度值由高到低的顺序对当前各酒店房型进行排序。

2.如权利要求1所述的OTA网站中酒店房型个性化排序方法，其特征在于，步骤S₂中所述用户历史入住酒店的房型相似度、用户历史入住酒店的房型价位相似度、用户历史入住酒店的房型类型及用户历史入住酒店的房型特点通过对用户历史入住酒店的酒店数据进行计算和分析而得出。

3.如权利要求1所述的OTA网站中酒店房型个性化排序方法，其特征在于，步骤S₃中还用于通过神经网络算法训练实时更新和调节每个数值变量的权重。

4.如权利要求1所述的OTA网站中酒店房型个性化排序方法，其特征在于，步骤S₂中的所述目标输入参数还包括酒店房型近期浏览量及推荐酒店房型加权值。

5.一种OTA网站中酒店房型个性化排序系统，其特征在于，包括：

收集模块，用于收集并存储每个用户在OTA网站中历史入住酒店的酒店数据；

选取模块，用于选取目标输入参数，所述目标输入参数包括用户输入的目标入住城市、用户输入的目标入住时间、用户输入的目标退房时间、用户历史入住酒店的房型相似度、用户历史入住酒店的房型价位相似度、用户历史入住酒店的房型类型、用户历史入住酒店的房型特点及酒店房型可预订状态；

转换模块，用于将上述目标输入参数转换为数值变量，并为每个数值变量分配一权重；

计算模块，用于根据各个目标输入参数的数值变量及权重，采用神经网络算法计算OTA网站中当前各酒店房型的相似度值；

排序模块，用于按照相似度值由高到低的顺序对当前各酒店房型进行排序。

6.如权利要求5所述的OTA网站中酒店房型个性化排序系统，其特征在于，所述用户历史入住酒店的房型相似度、用户历史入住酒店的房型价位相似度、用户历史入住酒店的房型类型及用户历史入住酒店的房型特点用于通过对用户历史入住酒店的酒店数据进行计算和分析而得出。

7.如权利要求5所述的OTA网站中酒店房型个性化排序系统，其特征在于，所述转换模块还用于通过神经网络算法训练实时更新和调节每个数值变量的权重。

8.如权利要求5所述的OTA网站中酒店房型个性化排序系统，其特征在于，所述目标输入参数还包括酒店房型近期浏览量及推荐酒店房型加权值。