CN105740480B - 机票推荐方法及系统 - Google Patents
机票推荐方法及系统 Download PDFInfo
- Publication number
- CN105740480B CN105740480B CN201610188534.0A CN201610188534A CN105740480B CN 105740480 B CN105740480 B CN 105740480B CN 201610188534 A CN201610188534 A CN 201610188534A CN 105740480 B CN105740480 B CN 105740480B
- Authority
- CN
- China
- Prior art keywords
- air ticket
- target pattern
- discrete
- course line
- historical data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
Abstract
本发明公开了一种机票推荐方法及系统,其中机票推荐方法包括:获取机票历史订单数据;分别计算不同航线上的历史数据分析模型;获取目标航线,将非目标航线上的历史数据分析模型与目标航线上的历史数据分析模型结合,生成目标航线的修正模型;搜索目标航线的机票,计算搜索到的机票与所述修正模型的匹配度,按照匹配度推荐机票。本发明弥补了现有技术中在推荐机票时目标航线的历史数据量稀疏而导致分析不准确、推荐的机票不符合用户的需求的不足,即使目标航线的历史数据量稀疏也能准确分析推荐符合用户的需求的机票。
Description
技术领域
本发明涉及一种机票推荐方法及系统。
背景技术
个性化推荐技术作为解决信息爆炸时代所带来的信息过载问题的一种有效的途径,能够通过用户的订单数据和行为数据等对用户进行分析,并根据不同用户准确高效地进行个性化的信息的推荐,从而减少用户获取有效信息的时间。当前,个性化推荐技术已经成为互联网时代不可缺少的一项技术,并广泛地应用于包括电子商务、新闻门户、多媒体等多种互联网服务型网站。随着互联网技术的不断发展以及用户信息的不断完善,可以预见个性化推荐技术在未来将得到更加广泛的应用。
目前,机票个性化推荐技术是通过分析用户的历史订单数据和行为数据来为用户在搜索和预订机票时在搜索结果页中提供个性化的机票推荐。在机票个性化推荐当中,不同航线上的机票数据具有不同的分布,同时用户在不同的航线上常常会表现出不同的偏好。因此,在为用户进行机票推荐时通常是利用要推荐的航线的历史数据进行分析,如要推荐从北京——上海的机票,那么获取用户以前从北京——上海的历史数据,以此作为分析推荐的基础。但是这种方式常常会遇到历史数据稀疏的问题,如用户以前从北京——上海的历史数据较少,这会导致分析不准确,从而影响整体的推荐效果。
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在推荐机票时目标航线的历史数据量稀疏而导致分析不准确、推荐的机票不符合用户的需求的缺陷,提供一种即使目标航线的历史数据量稀疏也能准确分析推荐符合用户的需求的机票的机票推荐方法及系统。
本发明是通过以下技术方案解决上述技术问题的:
本发明提供一种机票推荐方法,其特点是,包括:
S1、获取机票历史订单数据;
S2、分别计算不同航线上的历史数据分析模型;
S3、获取目标航线,将非目标航线上的历史数据分析模型与目标航线上的历史数据分析模型结合,生成目标航线的修正模型;
S4、搜索目标航线的机票,计算搜索到的机票与所述修正模型的匹配度,按照匹配度推荐机票。
本技术方案能够向用户推荐用户搜索或想要预订的航线的机票,尤其是在目标航线的机票历史订单数据稀疏的情况下,能够利用其它航线的机票历史订单数据准确分析用户的需求,为用户提供精准的个性化的机票推荐,减少用户搜索和预订机票的时间。
较佳地,机票订单被划分为若干个离散特征属性,每个机票历史订单数据记录有各个离散特征属性的值,S2包括:
S21、根据所述机票历史订单数据,计算不同航线的各个离散特征属性上的离散向量,所述离散向量用机票历史订单数据中同一航线在同一离散特征属性上每个值的出现频率表示;
S22、计算每一航线在各个离散特征属性上的信息熵,用以表示所述历史数据分析模型中不同离散特征属性的权重。
通过本技术方案,机票订单被化为若干个离散值,通过数值计算得到历史数据分析模型,有利于深入、全面地分析历史数据。
较佳地,S3包括:
S31、获取目标航线;
S32、计算非目标航线与目标航线的相似度;
S33、计算目标航线上各个离散特征属性的优选值,该些优选值构成目标航线的修正模型:
其中,A为机票历史订单数据中所有航线的集合,at为目标航线,a表示所述集合中的一条航线,f表示机票的一个离散特征属性;
qf为目标航线上离散特征属性f的优选值;
为航线a上在离散特征属性f的离散向量;
Simairline(a,at)为航线a与目标航线at的相似度;
na为在航线a上历史机票订单数据的数量;
α为超参数,用于表征非目标航线的历史数据分析模型对目标航线的历史数据分析模型的影响比例。
本技术方案能够将历史数据分析模型对目标航线的历史数据分析模型结合,得到修正模型。
较佳地,S32包括:利用余弦函数模型计算非目标航线与目标航线的相似度。
较佳地,S3还包括在S31之后且在S32之前执行:
S321、根据不同航线上的机票分布特征,调整非目标航线的历史数据分析模型,去除机票分布特征对历史数据分析模型的影响;
S33中为航线a上在离散特征属性f去除机票分布特征对历史数据分析模型的影响的离散向量。
本技术方案能够去除客观原因对用户的选择产生的影响,使得历史数据分析模型贴近用户的主观需求。
较佳地,S4中的匹配度由机票各个离散特征属性的值与目标航线上离散特征属性的优选值的相似度的加权求和计算而得。
较佳地,S4还包括:
S41、将搜索到的机票按照与所述修正模型的匹配度由高到低排序;
S42、将匹配度最高的N张机票作为推荐结果并输出,N为正整数。
本发明还提供了一种机票推荐系统,其特点是,包括:
数据单元,用于获取机票历史订单数据;
计算单元,用于分别计算不同航线上的历史数据分析模型;
修正单元,用于获取目标航线,将非目标航线上的历史数据分析模型与目标航线上的历史数据分析模型结合,生成目标航线的修正模型;
推荐单元,用于搜索目标航线的机票,计算搜索到的机票与所述修正模型的匹配度,按照匹配度推荐机票。
较佳地,机票订单被划分为若干个离散特征属性,每个机票历史订单数据记录有各个离散特征属性的值,所述计算单元包括:
离散向量计算模块,根据所述机票历史订单数据,计算不同航线的各个离散特征属性上的离散向量,所述离散向量用机票历史订单数据中同一航线在同一离散特征属性上每个值的出现频率表示;
信息熵计算模块,用于计算每一航线在各个离散特征属性上的信息熵,用以表示所述历史数据分析模型中不同离散特征属性的权重。
较佳地,所述修正单元包括:
获取模块,用于获取目标航线;
相似度计算模块,用于计算非目标航线与目标航线的相似度;
优选值计算模块,用于计算目标航线上各个离散特征属性的优选值,该些优选值构成目标航线的修正模型:
其中,A为机票历史订单数据中所有航线的集合,at为目标航线,a表示所述集合中的一条航线,f表示机票的一个离散特征属性;
qf为目标航线上离散特征属性f的优选值;
为航线a上在离散特征属性f的离散向量;
Simairline(a,at)为航线a与目标航线at的相似度;
na为在航线a上历史机票订单数据的数量;
α为超参数,用于表征非目标航线的历史数据分析模型对目标航线的历史数据分析模型的影响比例。
较佳地,所述相似度计算模块用于利用余弦函数模型计算非目标航线与目标航线的相似度。
较佳地,所述修正单元还包括:
调整模块,用于根据不同航线上的机票分布特征,调整非目标航线的历史数据分析模型,去除机票分布特征对历史数据分析模型的影响;
所述优选值计算模块中为航线a上在离散特征属性f去除机票分布特征对历史数据分析模型的影响的离散向量。
较佳地,所述推荐单元中的匹配度由机票各个离散特征属性的值与目标航线上离散特征属性的优选值的相似度的加权求和计算而得。
较佳地,所述推荐单元还包括:
排序模块,用于将搜索到的机票按照与所述修正模型的匹配度由高到低排序;
输出模块,用于将匹配度最高的N张机票作为推荐结果并输出,N为正整数。
在符合本领域常识的基础上,上述各优选条件,可任意组合,即得本发明各较佳实例。
本发明的积极进步效果在于:本发明能够在目标航线的机票历史订单数据稀疏的情况下,利用其它航线的机票历史订单数据准确分析用户的需求,为用户提供精准的个性化的机票推荐,减少用户搜索和预订机票的时间。
附图说明
图1为本发明较佳实施例的机票推荐方法的流程图。
图2为本发明较佳实施例的机票推荐系统的系统框图。
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。
实施例
一种机票推荐方法,用于向用户推荐用户搜索或想要预订的航线的机票,尤其适用于用户搜索或想要预订的航线的历史数据稀疏的情况下向用户推荐符合用户个性化的机票。如图1所示,所述机票推荐方法包括:
步骤101、获取机票历史订单数据。机票订单被划分为若干个离散特征属性,每个机票历史订单数据记录有各个离散特征属性的值。例如,表1示出了机票订单可以划分的离散特征数据及对应的描述。
表1
其中,价格和起飞时间作为连续变量需要进行离散化处理。
步骤102、根据所述机票历史订单数据,计算不同航线的各个离散特征属性上的离散向量,所述离散向量用机票历史订单数据中同一航线在同一离散特征属性上每个值的出现频率表示。例如,用户甲的机票历史订单数据记录有表2所示的内容:
表2
上述各离散特征属性的值仅是为了对本实施例的说明所示意性的举例数据,并不具有实际含义,即便存在不合理之处也不予考虑。
通过计算,即得用户甲在A——B的航线上各个离散特征属性上的离散向量如表3所示:
表3
通过计算,即得用户甲在I——J的航线上各个离散特征属性上的离散向量如表4所示:
表4
离散特征属性 | 离散向量 |
价格 | [P1:0.4;P2:0.2;P2:0.4] |
起飞时间 | [T3:0.8;T4:0.2] |
航空公司 | [X:0.2;Y:0.8] |
舱位等级 | [F:0.3;C:0.4;Y:0.4] |
起飞机场 | [I1:0.8;I2:0.2] |
到达机场 | [J1:0.8;J2:0.2] |
退改签政策 | [Po1:0.6;Po2:0.4] |
机型大小 | [M:0.8;L:0.2] |
步骤103、计算每一航线在各个离散特征属性上的信息熵,用以表示所述历史数据分析模型中不同离散特征属性的权重。其中,信息熵表示用户在各个离散特征属性上选择的不确定度;每个离散特征属性在历史数据分析模型中占有不同的权重。
本实施例的机票推荐方法通过步骤102-103,可以分别计算出不同航线上的历史数据分析模型。一条航线的历史数据分析模型包括了该航线的各个离散特征属性上的离散向量及各个离散特征属性上的信息熵。
步骤104、获取目标航线。所述目标航线即为用户搜索或想要预订的航线。
步骤105、计算非目标航线与目标航线的相似度。具体可以利用余弦函数模型计算非目标航线与目标航线的相似度。
步骤106、计算目标航线上各个离散特征属性的优选值,该些优选值构成目标航线的修正模型:
其中,A为机票历史订单数据中所有航线的集合,at为目标航线,a表示所述集合中的一条航线,f表示机票的一个离散特征属性;
qf为目标航线上离散特征属性f的优选值;
为航线a上在离散特征属性f的离散向量;
Simairline(a,at)为航线a与目标航线at的相似度;
na为在航线a上历史机票订单数据的数量;
α为超参数,用于表征非目标航线的历史数据分析模型对目标航线的历史数据分析模型的影响比例。
另外,a∈A\at表示航线属于A但不是at,即a为非目标航线。
本实施例的机票推荐方法还可以包括在步骤104之后且在步骤105之前执行:根据不同航线上的机票分布特征,调整非目标航线的历史数据分析模型,去除机票分布特征对历史数据分析模型的影响。此时,步骤106中为航线a上在离散特征属性f去除机票分布特征对历史数据分析模型的影响的离散向量。其中,所述机票分布特征表明了在同一航线上机票的分布情况。例如,在A——B的航线上,X航空公司的航班比较多,那么在计算离散特征属性“航空公司”上的离散向量时X航空公司出现的频率也会相对较多,这种客观原因导致用户最有可能的选择就是X航空公司,通过上述步骤可以去除这种客观原因对用户的选择产生的影响,使得历史数据分析模型贴近用户的主观需求。
本实施例的机票推荐方法通过步骤104-106实现了非目标航线上的历史数据分析模型与目标航线上的历史数据分析模型的结合,生成了目标航线的修正模型。此时生成的修正模型相比于仅有目标航线的历史订单数据生成的历史数据分析模型,数据量更丰富,能够更准确地分析用户的需求,为用户提供精准的个性化的机票推荐,减少用户搜索和预订机票的时间。
步骤107、搜索目标航线的机票,计算搜索到的机票与所述修正模型的匹配度。其中,匹配度由机票各个离散特征属性的值与目标航线上离散特征属性的优选值的相似度的加权求和计算而得。即分别计算机票各个离散特征属性的值与目标航线上离散特征属性的优选值的相似度,然后加权求和。其中,机票各个离散特征属性的值与目标航线上离散特征属性的优选值的相似度的权重通过预设而得。
步骤108、将搜索到的机票按照与所述修正模型的匹配度由高到低排序。
步骤109、将匹配度最高的N张机票作为推荐结果并输出,N为正整数。
通过本实施例的机票推荐方法推荐的机票,能够准确地满足用户的需求,减少用户搜索和预订机票的时间,为用户提供了便利。
本实施例的机票推荐系统,用于向用户推荐用户搜索或想要预订的航线的机票,尤其适用于用户搜索或想要预订的航线的历史数据稀疏的情况下向用户推荐符合用户个性化的机票。如图2所示,所述机票推荐系统包括:数据单元201、计算单元202、修正单元203和推荐单元204。
数据单元201,用于获取机票历史订单数据。机票订单被划分为若干个离散特征属性,每个机票历史订单数据记录有各个离散特征属性的值。
计算单元202包括:离散向量计算模块2021和信息熵计算模块2022。
离散向量计算模块2021,用于根据所述机票历史订单数据,计算不同航线的各个离散特征属性上的离散向量,所述离散向量用机票历史订单数据中同一航线在同一离散特征属性上每个值的出现频率表示。
信息熵计算模块2022,用于计算每一航线在各个离散特征属性上的信息熵,用以表示所述历史数据分析模型中不同离散特征属性的权重。其中,信息熵表示用户在各个离散特征属性上选择的不确定度;每个离散特征属性在历史数据分析模型中占有不同的权重。
计算单元202能够实现分别计算不同航线上的历史数据分析模型。一条航线的历史数据分析模型包括了该航线的各个离散特征属性上的离散向量及各个离散特征属性上的信息熵。
修正单元203包括:获取模块2031、相似度计算模块2032和优选值计算模块2033。
获取模块2031,用于获取目标航线。所述目标航线即为用户搜索或想要预订的航线。
相似度计算模块2032,用于计算非目标航线与目标航线的相似度。具体可以利用余弦函数模型计算非目标航线与目标航线的相似度。
优选值计算模块2033,用于计算目标航线上各个离散特征属性的优选值,该些优选值构成目标航线的修正模型:
其中,A为机票历史订单数据中所有航线的集合,at为目标航线,a表示所述集合中的一条航线,f表示机票的一个离散特征属性;
qf为目标航线上离散特征属性f的优选值;
为航线a上在离散特征属性f的离散向量;
Simairline(a,at)为航线a与目标航线at的相似度;
na为在航线a上历史机票订单数据的数量;
α为超参数,用于表征非目标航线的历史数据分析模型对目标航线的历史数据分析模型的影响比例。
另外,a∈A\at表示航线属于A但不是at,即a为非目标航线。
本实施例的机票推荐系统还可以包括:调整模块,用于根据不同航线上的机票分布特征,调整非目标航线的历史数据分析模型,去除机票分布特征对历史数据分析模型的影响。此时,所述优选值计算模块中为航线a上在离散特征属性f去除机票分布特征对历史数据分析模型的影响的离散向量。其中,所述机票分布特征表明了在同一航线上机票的分布情况。
本实施例的修正单元203实现了非目标航线上的历史数据分析模型与目标航线上的历史数据分析模型的结合,生成了目标航线的修正模型。此时生成的修正模型相比于仅有目标航线的历史订单数据生成的历史数据分析模型,数据量更丰富,能够更准确地分析用户的需求,为用户提供精准的个性化的机票推荐,减少用户搜索和预订机票的时间。
推荐单元204,用于搜索目标航线的机票,计算搜索到的机票与所述修正模型的匹配度。其中,匹配度由机票各个离散特征属性的值与目标航线上离散特征属性的优选值的相似度的加权求和计算而得。即分别计算机票各个离散特征属性的值与目标航线上离散特征属性的优选值的相似度,然后加权求和。其中,机票各个离散特征属性的值与目标航线上离散特征属性的优选值的相似度的权重通过预设而得。
所述推荐单元204还包括:排序模块2041和输出模块2042。
排序模块2041,用于将搜索到的机票按照与所述修正模型的匹配度由高到低排序。
输出模块2042,用于将匹配度最高的N张机票作为推荐结果并输出,N为正整数。
通过本实施例的机票推荐系统推荐的机票,能够准确地满足用户的需求,减少用户搜索和预订机票的时间,为用户提供了便利。
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 (14)
1.一种机票推荐方法,其特征在于,包括:
S1、获取机票历史订单数据;
S2、分别计算不同航线上的历史数据分析模型;
S3、获取目标航线,将非目标航线上的历史数据分析模型与目标航线上的历史数据分析模型结合,生成目标航线的修正模型;
S4、搜索目标航线的机票,计算搜索到的机票与所述修正模型的匹配度,按照匹配度推荐机票。
2.如权利要求1所述的机票推荐方法,其特征在于,机票订单被划分为若干个离散特征属性,每个机票历史订单数据记录有各个离散特征属性的值,S2包括:
S21、根据所述机票历史订单数据,计算不同航线的各个离散特征属性上的离散向量,所述离散向量用机票历史订单数据中同一航线在同一离散特征属性上每个值的出现频率表示;
S22、计算每一航线在各个离散特征属性上的信息熵,用以表示所述历史数据分析模型中不同离散特征属性的权重。
3.如权利要求2所述的机票推荐方法,其特征在于,S3包括:
S31、获取目标航线;
S32、计算非目标航线与目标航线的相似度;
S33、计算目标航线上各个离散特征属性的优选值,这些优选值构成目标航线的修正模型:
其中,A为机票历史订单数据中所有航线的集合,at为目标航线,a表示所述集合中的一条航线,f表示机票的一个离散特征属性;
qf为目标航线上离散特征属性f的优选值;
为航线a上在离散特征属性f的离散向量;
Simairline(a,at)为航线a与目标航线at的相似度;
na为在航线a上历史机票订单数据的数量;
α为超参数,用于表征非目标航线的历史数据分析模型对目标航线的历史数据分析模型的影响比例。
4.如权利要求3所述的机票推荐方法,其特征在于,S32包括:利用余弦函数模型计算非目标航线与目标航线的相似度。
5.如权利要求3所述的机票推荐方法,其特征在于,S3还包括在S31之后且在S32之前执行:
S321、根据不同航线上的机票分布特征,调整非目标航线的历史数据分析模型,去除机票分布特征对历史数据分析模型的影响;
S33中为航线a上在离散特征属性f去除机票分布特征对历史数据分析模型的影响的离散向量。
6.如权利要求3所述的机票推荐方法,其特征在于,S4中的匹配度由机票各个离散特征属性的值与目标航线上离散特征属性的优选值的相似度的加权求和计算而得。
7.如权利要求1所述的机票推荐方法,其特征在于,S4还包括:
S41、将搜索到的机票按照与所述修正模型的匹配度由高到低排序;
S42、将匹配度最高的N张机票作为推荐结果并输出,N为正整数。
8.一种机票推荐系统,其特征在于,包括:
数据单元,用于获取机票历史订单数据;
计算单元,用于分别计算不同航线上的历史数据分析模型;
修正单元,用于获取目标航线,将非目标航线上的历史数据分析模型与目标航线上的历史数据分析模型结合,生成目标航线的修正模型;
推荐单元,用于搜索目标航线的机票,计算搜索到的机票与所述修正模型的匹配度,按照匹配度推荐机票。
9.如权利要求8所述的机票推荐系统,其特征在于,机票订单被划分为若干个离散特征属性,每个机票历史订单数据记录有各个离散特征属性的值,所述计算单元包括:
离散向量计算模块,用于根据所述机票历史订单数据,计算不同航线的各个离散特征属性上的离散向量,所述离散向量用机票历史订单数据中同一航线在同一离散特征属性上每个值的出现频率表示;
信息熵计算模块,用于计算每一航线在各个离散特征属性上的信息熵,用以表示所述历史数据分析模型中不同离散特征属性的权重。
10.如权利要求9所述的机票推荐系统,其特征在于,所述修正单元包括:
获取模块,用于获取目标航线;
相似度计算模块,用于计算非目标航线与目标航线的相似度;
优选值计算模块,用于计算目标航线上各个离散特征属性的优选值,这些优选值构成目标航线的修正模型:
其中,A为机票历史订单数据中所有航线的集合,at为目标航线,a表示所述集合中的一条航线,f表示机票的一个离散特征属性;
qf为目标航线上离散特征属性f的优选值;
为航线a上在离散特征属性f的离散向量;
Simairline(a,at)为航线a与目标航线at的相似度;
na为在航线a上历史机票订单数据的数量;
α为超参数,用于表征非目标航线的历史数据分析模型对目标航线的历史数据分析模型的影响比例。
11.如权利要求10所述的机票推荐系统,其特征在于,所述相似度计算模块用于利用余弦函数模型计算非目标航线与目标航线的相似度。
12.如权利要求10所述的机票推荐系统,其特征在于,所述修正单元还包括:
调整模块,用于根据不同航线上的机票分布特征,调整非目标航线的历史数据分析模型,去除机票分布特征对历史数据分析模型的影响;
所述优选值计算模块中为航线a上在离散特征属性f去除机票分布特征对历史数据分析模型的影响的离散向量。
13.如权利要求10所述的机票推荐系统,其特征在于,所述推荐单元中的匹配度由机票各个离散特征属性的值与目标航线上离散特征属性的优选值的相似度的加权求和计算而得。
14.如权利要求8所述的机票推荐系统,其特征在于,所述推荐单元还包括:
排序模块,用于将搜索到的机票按照与所述修正模型的匹配度由高到低排序;
输出模块,用于将匹配度最高的N张机票作为推荐结果并输出,N为正整数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610188534.0A CN105740480B (zh) | 2016-03-29 | 2016-03-29 | 机票推荐方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610188534.0A CN105740480B (zh) | 2016-03-29 | 2016-03-29 | 机票推荐方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105740480A CN105740480A (zh) | 2016-07-06 |
CN105740480B true CN105740480B (zh) | 2019-05-31 |
Family
ID=56253283
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610188534.0A Active CN105740480B (zh) | 2016-03-29 | 2016-03-29 | 机票推荐方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105740480B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106372659A (zh) * | 2016-08-30 | 2017-02-01 | 五八同城信息技术有限公司 | 相似对象确定方法及装置 |
CN106447387A (zh) * | 2016-08-31 | 2017-02-22 | 上海交通大学 | 基于共享账户乘客预测的机票个性化推荐方法 |
CN107437200A (zh) * | 2017-06-28 | 2017-12-05 | 北京小度信息科技有限公司 | 信息确定方法及装置 |
CN109740067B (zh) * | 2019-01-29 | 2021-01-26 | 携程旅游网络技术(上海)有限公司 | 页面数据预加载方法、系统、设备以及介质 |
CN112148865B (zh) * | 2019-06-28 | 2024-04-02 | 北京百度网讯科技有限公司 | 信息推送方法和装置 |
CN111949893B (zh) * | 2020-08-21 | 2024-03-29 | 深圳市活力天汇科技股份有限公司 | 一种基于协同过滤算法的机票推荐方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7783506B2 (en) * | 2001-08-17 | 2010-08-24 | Expedia, Inc. | System and method for managing reservation requests for one or more inventory items |
US20070118502A1 (en) * | 2005-11-18 | 2007-05-24 | Aragones James K | Methods and systems for managing a fleet of assets |
CN103729353B (zh) * | 2012-10-10 | 2017-05-31 | 阿里巴巴集团控股有限公司 | 票务信息的搜索方法及服务器 |
CN105354689B (zh) * | 2015-12-20 | 2020-05-26 | 北京民航信息科技有限公司 | 一种基于计算机系统的民航团体管理方法及系统 |
-
2016
- 2016-03-29 CN CN201610188534.0A patent/CN105740480B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN105740480A (zh) | 2016-07-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105740480B (zh) | 机票推荐方法及系统 | |
CN110704739B (zh) | 资源推荐方法、装置及计算机存储介质 | |
CN102193936B (zh) | 一种数据分类的方法及装置 | |
CN108090208A (zh) | 融合数据处理方法及装置 | |
CN105930425A (zh) | 个性化视频推荐方法及装置 | |
US20140172642A1 (en) | Analyzing commodity evaluations | |
WO2016101628A1 (zh) | 一种数据建模中的数据处理方法及装置 | |
CN103838756A (zh) | 一种确定推送信息的方法及装置 | |
CN105678590B (zh) | 一种面向社交网络基于云模型的topN推荐方法 | |
CN106407349A (zh) | 一种产品推荐方法及装置 | |
CN103136683A (zh) | 计算产品参考价格的方法、装置及产品搜索方法、系统 | |
CN109064265A (zh) | 基于网络平台的购车推荐方法及系统 | |
CN106776859A (zh) | 基于用户偏好的移动应用App推荐系统 | |
CN106168980A (zh) | 多媒体资源推荐排序方法及装置 | |
CN111177538A (zh) | 一种基于无监督权值计算的用户兴趣标签构建方法 | |
CN104778237A (zh) | 一种基于关键用户的个性化推荐方法和系统 | |
CN106951527B (zh) | 一种歌曲推荐方法及装置 | |
CN109993179A (zh) | 一种对数据进行聚类的方法和装置 | |
CN104572775B (zh) | 广告分类方法、装置及服务器 | |
Song et al. | Slope one recommendation algorithm based on user clustering and scoring preferences | |
CN110472016A (zh) | 文章推荐方法、装置、电子设备及存储介质 | |
Wenzhen | Personalized music recommendation algorithm based on hybrid collaborative filtering technology | |
CN112825089A (zh) | 文章推荐方法、装置、设备及存储介质 | |
CN104778205B (zh) | 一种基于异构信息网络的移动应用排序和聚类方法 | |
CN107844536B (zh) | 应用程序选择的方法、装置和系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |