CN106447387A - 基于共享账户乘客预测的机票个性化推荐方法 - Google Patents

Abstract

本发明提供了一种基于共享账户乘客预测的机票个性化推荐方法，包括步骤1：统计每个账户下的所有订单，分析用户在不同机票属性上的偏好；并根据用户历史订单计算用户关于每个属性所对应的权重；步骤2：根据账户历史行为及当次会话的上下文计算本次该账户下所有乘机人的概率分布；步骤3：根据搜索结果与结合乘客预测的偏好模型的相似度按照从高到低进行排序，将前K条结果推荐给用户，K为正整数。本发明基于共享账户用户预测的推荐方法，以乘机人的概率分布为基础，得到更具针对性的推荐结果。且本发明中的方法通用性强，如需迁移到新的领域只需结合领域知识重新定义属性特征，构建基于用户概率分布的复合偏好模型，就可以有效提升推荐效果。

Description

基于共享账户乘客预测的机票个性化推荐方法

技术领域

本发明涉及个性化推荐技术领域，具体地，涉及一种基于共享账户乘客预测的机票个性化推荐方法。

背景技术

在当今信息爆炸的时代，个性化推荐技术的主要目的是根据用户的行为提取用户的偏好，准确高效地为用户提供在获取信息上的建议。个性化推荐能够有效预见用户的需求，减少用户为获取信息的成本开销，使得交互过程更有效率并提升用户体验。因此在包括电子商务、新闻门户、多媒体等各种服务网站都有广泛的应用。每年还会有重大的推荐技术竞赛、学术会议等。个性化推荐已经是互联网时代不可缺少的技术。随着互联网技术的发展以及用户信息的不断完善，可以预见个性化推荐技术将有更加广泛的应用。

相比于电影、书籍等物品，机票具有更加结构化与多变的特性，购票的主要形象因素包括航司、舱位等级、机型等。除此之外，机票的价格具有很强的时间敏感性，并且价格是影响用户购票行为的重要因素。当用在线订购机票时，往往可以取得数十至上百个候选结果，如果能够为每位用户推荐符合其偏好的机票，则能够降低用户的选择成本，提升用户体验，同时有助于提升转化率。为了有效获取用户偏好，最直接的途径就是对用户的历史订单进行统计与分析。根据机票在线订购流程，用户需要选择出行日期、出发地、目的地；并从候选结果列表中选定机票，最后再填写出行身份信息。因此，购票账户与实际乘机人并非都是一对一的关系。可能会存在乘机人共享的账户情况，即该账户会为几名乘客购买机票，而这些乘客之间的偏好可能会有差异。如果能够在用户选定机票之前就预测出本次出行的乘机人，就可以细化推荐粒度，做出更具针对性的推荐。

发明内容

针对现有技术中的缺陷，本发明的目的是提供一种基于共享账户乘客预测的机票个性化推荐方法。

根据本发明提供的基于共享账户乘客预测的机票个性化推荐方法，包括如下步骤：

步骤1：统计每个账户下的所有订单，分析用户在不同机票属性上的偏好；并根据用户历史订单计算用户关于每个属性所对应的权重；

步骤2：根据账户历史行为及当次会话的上下文计算本次该账户下所有乘机人的概率分布；

步骤3：根据搜索结果与结合乘客预测的偏好模型的相似度按照从高到低进行排序，将前K条结果推荐给用户，K为正整数。

优选地，所述步骤1包括：

步骤1.1：机票属性离散化，根据业务经验将机票的连续属性变量划分为离散的区间，其中：机票连续变量属性包括：机票价格、起飞时间；机票的离散属性包括：航司、舱等、机型、退改签政策、出发，到达机场；一共8个属性。

步骤1.2：根据历史订单统计用户在机票各属性上的偏好，每个属性用一个向量表示，该向量对应步骤1.1中离散化的结果，向量的值代表用户选择落在这个区间内的频数；

步骤1.3：根据用户的历史行为获取每位用户相对于每个机票属性对应的权重值，不同属性权重值的计算公式如下：

式中：H(X)表示每个属性的信息熵，其中P(x_i)代表对应第i个离散区间的频数占总数的比例，n表示总的区间数，b取2；每个属性计算出信息熵后，所有属性的信息熵之和记为H，则每个属性的权重W(X)的计算公式如下：

W(X)＝[1-H(X)]/(N-H)

式中：N为属性数量。具体地，本发明中N的值统一为8。

优选地，所述步骤2包括：

步骤2.1：将每个账户下的所有订单的历史数据作为一份语料库，其中，每条订单对应一篇文档，订单中机票的属性特征对应每个词汇，乘机人对应文档的作者，训练作者主题模型；

步骤2.2：据用户当前会话中的上下文信息，利用作者主题模型计算每位乘机人的分布概率，根据分布概率对每位乘客的偏好进行加权组合，得到针对性的推荐结果。

优选地，作者主题模型[1]是LDA[2]模型的扩展，把作者信息纳入到文档分析中去，从而能同时分析文档结构和作者的兴趣程度。其主要思想是假定每个单词属于一个主题的同时，也有一定概率属于某个作者。

现有参考文献如下：

[1]Mark,S.,Padhraic,S.,Michal,R.,Thomas,G.:Probabilistic Author topicModels for Information Discovery.In:Proceedings of ACM SigKDD conferenceknowledge discovery and data mining,306-315(2004)

[2]David,M.Blei.,Ng,Andrew.,Michael,I.Jordan.:Latent DirichletAllocation.In:Journal of Machine Learning Research,993–1022(2003)

与现有技术相比，本发明具有如下的有益效果：

1、本发明中的方法充分考虑了在个性化推荐系统中普遍存在的用户共享账户的情况，以及用户之间的偏好的差异，提出一种在可获得用户身份信息的情景下，基于共享账户用户预测的推荐方法；该推荐方法以乘机人的概率分布为基础，得到更具针对性的推荐结果。

2、本发明中的方法适用范围广，通用性强，如需迁移到新的领域只需结合领域知识重新定义属性特征，构建基于用户概率分布的复合偏好模型，就可以有效提升推荐效果。

附图说明

通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：

图1为本发明提供的基于共享账户乘客预测的机票个性化推荐方法的流程示意图。

具体实施方式

下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。

根据本发明提供的基于共享账户乘客预测的机票个性化推荐方法，包括如下步骤：

步骤1：统计每个账户下的所有订单，分析用户在不同机票属性上的偏好；并根据用户历史订单计算用户关于每个属性所对应的权重；

步骤2：根据账户历史行为及当次会话的上下文计算本次该账户下所有乘机人的概率分布；

步骤3：根据搜索结果与结合乘客预测的偏好模型的相似度按照从高到低进行排序，将前K条结果推荐给用户，K为正整数。

所述步骤1包括：

步骤1.1：机票属性离散化，根据业务经验将机票的连续属性变量划分为离散的区间，其中：机票连续变量属性包括：机票价格、起飞时间；机票的离散属性包括：航司、舱等、机型、退改签政策、出发，到达机场。共8个属性；

步骤1.2：根据历史订单统计用户在机票各属性上的偏好，每个属性用一个向量表示，该向量对应步骤1.1中离散化的结果，向量的值代表用户选择落在这个区间内的频数；

步骤1.3：根据用户的历史行为获取每位用户相对于每个机票属性对应的权重值，不同属性权重值的计算公式如下：

H(X)计算了每个属性的信息熵，其中P(x_i)代表该区间的频数占总数的比例，b一般取2；每个属性计算出信息熵后，所有属性的信息熵之和记为H，则每个属性的权重为：

W(X)＝[1-H(X)]/(N-H)

其中N是属性数量，本案件中统一为8

所述步骤2包括：

步骤2.1：将每个账户下的所有订单的历史数据作为一份语料库，其中，每条订单对应一篇文档，订单中机票的属性特征对应每个词汇，乘机人对应文档的作者，训练作者主题模型；

步骤2.2：据用户当前会话中的上下文信息，利用作者主题模型计算每位乘机人的分布概率，根据分布概率对每位乘客的偏好进行加权组合，得到针对性的推荐结果。

作者主题模型[1]是LDA[2]模型的扩展，把作者信息纳入到文档分析中去，从而能同时分析文档结构和作者的兴趣程度。其主要思想是假定每个单词属于一个主题的同时，也有一定概率属于某个作者。

下面结合具体实施例对本发明的技术方案做详细的说明。

如表1所示，列出了订单数据包含的主要信息。第一行代表出行信息，主要包括出发地、目的地、以及出发日期等因素，这些因素在用户进行搜索操作时才能提供。对于拥有超过一个机场的城市，用户还可能选择目标机场。第二行代表当前会话的上下文信息，记录当次会话的登录时间、登录IP、地理位置信息以及用户的搜索、筛选、点击等行为。这些信息主要用于预测乘客概率分布。第三行代表用户身份信息，包括账户信息和乘机人信息，这些信息用于标识独立用户及每张订单的实际乘机人。可用于乘客预测模型的训练。最后一行包括订单信息，主要包括乘客偏好的属性，用于偏好提取及乘客预测模型的训练。

表1机票订单信息

如图1所示，首先需要统计与分析用户历史订单。首先阐述一般的机票个性化推荐方法。第一步根据用户历史数据构建用户偏好模型，偏好模型包括表1中出发时间、航司、价格等级、舱位、机型、退改签政策等特征。此外，对于不同的用户，这些属性可能有不同的优先级。这里计算用户在每个属性所做选择的信息熵，信息熵表示信息的混乱程度，熵值越小代表用户在这个属性上的行为越一致，因此具有更加明显的偏好。对于信息熵越小的属性，我们赋予它越大的权重。偏好模型建立完成后，使用候选机票与模型进行比较，相似度越高的条目越符合用户的偏好，相似度的比较可以根据余弦值得出。最后将相似度最高的几个条目推荐给用户即可。

订单数据还可以获取乘客预测模型必须的语料(选择的属性特征)、作者(乘机人)。可以使用解决方案中提到的方法，根据既有信息训练出该账户的乘客预测模型。当用户进行购票行为时，不仅产出候选列表，还可以行为上下文信息。利用这些行为信息可以预测本次登录的乘客概率分布，并以分布概率为权重调整偏好模型。调整后的模型同样使用上述提到的方法进行机票推荐。由于模型更具针对性，推荐效果得到一定程度上的改善。该方法同样适用于具有相似业务流程的其他领域。

以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。

Claims (4)

1.一种基于共享账户乘客预测的机票个性化推荐方法，其特征在于，包括如下步骤：

步骤1：统计每个账户下的所有订单，分析用户在不同机票属性上的偏好；并根据用户历史订单计算用户关于每个属性所对应的权重；

步骤2：根据账户历史行为及当次会话的上下文计算本次该账户下所有乘机人的概率分布；

步骤3：根据搜索结果与结合乘客预测的偏好模型的相似度按照从高到低进行排序，将前K条结果推荐给用户，K为正整数。

2.根据权利要求1所述的基于共享账户乘客预测的机票个性化推荐方法，其特征在于，所述步骤1包括：

步骤1.1：机票属性离散化，根据业务经验将机票的连续属性变量划分为离散的区间，其中：机票连续变量属性包括：机票价格、起飞时间；机票的离散属性包括：航司、舱等、机型、退改签政策、出发，到达机场；

步骤1.2：根据历史订单统计用户在机票各属性上的偏好，每个属性用一个向量表示，该向量对应步骤1.1中离散化的结果，向量的值代表用户选择落在这个区间内的频数；

步骤1.3：根据用户的历史行为获取每位用户相对于每个机票属性对应的权重值，不同属性权重值的计算公式如下：

$H\left(X\right)=-\underset{\{i-1\}}{\overset{n}{\Σ}}P\left(x_i\right){\log }_{b}P\left(X_i\right)$

式中：H(X)表示每个属性的信息熵，其中P(x_i)代表对应第i个离散区间的频数占总数的比例，n表示总的区间数，b取2；每个属性计算出信息熵后，所有属性的信息熵之和记为H，则每个属性的权重W(X)的计算公式如下：

W(X)＝[1-H(X)]/(N-H)

式中：N为属性数量。

3.根据权利要求1所述的基于共享账户乘客预测的机票个性化推荐方法，其特征在于，所述步骤2包括：

步骤2.1：将每个账户下的所有订单的历史数据作为一份语料库，其中，每条订单对应一篇文档，订单中机票的属性特征对应每个词汇，乘机人对应文档的作者，训练作者主题模型；

步骤2.2：据用户当前会话中的上下文信息，利用作者主题模型计算每位乘机人的分布概率，根据分布概率对每位乘客的偏好进行加权组合，得到针对性的推荐结果。

4.根据权利要求4所述的基于共享账户乘客预测的机票个性化推荐方法，其特征在于，作者主题模型是LDA模型的扩展，即将作者信息纳入到文档分析中去，从而能够同时分析文档结构和作者的兴趣程度。