CN106709767A - Ota酒店的个性化推荐方法及系统 - Google Patents
Ota酒店的个性化推荐方法及系统 Download PDFInfo
- Publication number
- CN106709767A CN106709767A CN201710132054.7A CN201710132054A CN106709767A CN 106709767 A CN106709767 A CN 106709767A CN 201710132054 A CN201710132054 A CN 201710132054A CN 106709767 A CN106709767 A CN 106709767A
- Authority
- CN
- China
- Prior art keywords
- hotel
- user
- score
- city
- ota
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 16
- 230000003068 static effect Effects 0.000 claims abstract description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000007405 data analysis Methods 0.000 claims description 6
- 238000004519 manufacturing process Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 abstract description 2
- 239000011159 matrix material Substances 0.000 description 3
- 230000014509 gene expression Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0241—Advertisements
- G06Q30/0251—Targeted advertisements
- G06Q30/0255—Targeted advertisements based on user history
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/12—Hotels or restaurants
Landscapes
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Engineering & Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Finance (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Primary Health Care (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种OTA酒店的个性化推荐方法及系统,方法包括:S1、获取访问OTA网站酒店页面的用户的历史信息;S2、判断用户是否有历史订单数据,若有,则执行S3,若没有,则判断用户是否有历史浏览数据,若是,则执行S4,若否,则执行S5;S3、基于用户的历史订单数据和历史浏览数据,预测用户偏好的酒店的酒店得分,按照酒店得分从高到低的顺序向用户推荐酒店;S4、基于用户的历史浏览数据,预测用户偏好的酒店的酒店得分,按照酒店得分从高到低的顺序向用户推荐酒店;S5、基于酒店静态数据,预测用户偏好的酒店的酒店得分,按照酒店得分从高到低的顺序向用户推荐酒店。本发明解决了数据量的问题,提高了转化率。
Description
技术领域
本发明涉及一种OTA酒店的个性化推荐方法及系统。
背景技术
现有技术中,用户想通过OTA(在线旅游网站)渠道预订酒店,一般首先进入OTA酒店频道,输入某个城市名称,OTA则会出现若干个已经排好序的酒店供用户选择。
如何确定这些酒店的排列顺序,目前OTA的常用做法选取酒店若干特征,比如酒店的产量,酒店与OTA的合作关系,OTA收取酒店的佣金。然后将每个特征乘以一个系数,最后相加起来,得到最终酒店得分,按照得分从高到低排序。
这种做法是非个性化,无法根据不同用户的偏好,个性化的推荐用户喜欢的酒店。
部分团队尝试过对酒店个性化,但每天访问OTA的用户上千万,OTA上的酒店约250万,数据量巨大,常用的机器学习软件(如:R,python等)支持不了如此巨大的数据运行。因此即使个性化的推荐,也只是对极少数用户的个性化。无法满足多数用户的个性化。
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酒店推荐无法满足多数用户的个性化的缺陷,提供一种OTA酒店的个性化推荐方法及系统。
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酒店的个性化推荐方法,包括以下步骤:
S1、获取访问OTA网站酒店页面的用户的历史信息;
S2、判断用户是否有历史订单数据,若有,则执行步骤S3,若没有,则判断用户是否有历史浏览数据,若是,则执行步骤S4,若否,则执行步骤S5;
S3、基于用户的历史订单数据和历史浏览数据,预测用户偏好的酒店的酒店得分,按照酒店得分从高到低的顺序向用户推荐酒店;
S4、基于用户的历史浏览数据,预测用户偏好的酒店的酒店得分,按照酒店得分从高到低的顺序向用户推荐酒店;
S5、基于酒店静态数据,预测用户偏好的酒店的酒店得分,按照酒店得分从高到低的顺序向用户推荐酒店。
较佳地,步骤S3包括:
S31、采用LFM模型(隐语义模型)算法获取用户对酒店的偏好得分,并将所述偏好得分作为第一输入变量;
S32、通过数据分析获取至少一个第二输入变量;
S33、将所述第一输入变量及所述至少一个第二输入变量作为分类模型的输入,利用分类模型,得到酒店得分;
S34、按照酒店得分从高到低的顺序向用户推荐酒店。
较佳地,所述至少一个第二输入变量包括:用户浏览酒店的次数、用户浏览酒店的session(会话控制)数、用户浏览酒店的天数、酒店的点评分、酒店近期的产量在酒店所在城市的排名与酒店所在城市总酒店数的百分比。
较佳地,步骤S4包括:
S41、获取用户在OTA网站酒店页面选择的城市;
S42、查询用户浏览酒店的次数P1、用户浏览酒店的session数P2、用户浏览酒店的天数P3、酒店的点评分P4、酒店近期的产量在酒店所在城市的排名与酒店所在城市总酒店数的百分比P5;
S43、按照如下公式计算酒店得分:
Score=B1P1+B2P2+B3P4+B4P4+B5P5;
其中B1、B2、B3、B4、B5分别为0.011、0.046、0.071、0.039、0.397;
S44、按照酒店得分从高到低的顺序向用户推荐酒店。
较佳地,步骤S5包括:
S51、获取用户在OTA网站酒店页面选择的城市;
S52、计算点评分在3分以上的该城市过去3个月的酒店产量;
S53、按照酒店产量从高到低的顺序向用户推荐酒店。
本发明的目的在于还提供了一种OTA酒店的个性化推荐系统,包括:
历史信息获取模块,用于获取访问OTA网站酒店页面的用户的历史信息;
判断模块,用于判断用户是否有历史订单数据,若有,则调用第一推荐模块;若没有,则判断用户是否有历史浏览数据,若是,则调用第二推荐模块,若否,则调用第三推荐模块;
所述第一推荐模块用于基于用户的历史订单数据和历史浏览数据,预测用户偏好的酒店的酒店得分,按照酒店得分从高到低的顺序向用户推荐酒店;
所述第二推荐模块用于基于用户的历史浏览数据,预测用户偏好的酒店的酒店得分,按照酒店得分从高到低的顺序向用户推荐酒店;
所述第三推荐模块用于基于酒店静态数据,预测用户偏好的酒店的酒店得分,按照酒店得分从高到低的顺序向用户推荐酒店。
较佳地,所述第一推荐模块包括:
偏好得分获取单元,用于采用LFM模型算法获取用户对酒店的偏好得分,并将所述偏好得分作为第一输入变量;
输入变量获取单元,用于通过数据分析获取至少一个第二输入变量;
第一酒店得分计算单元,用于将所述第一输入变量及所述至少一个第二输入变量作为分类模型的输入,利用分类模型,得到酒店得分;
第一推荐单元,用于按照酒店得分从高到低的顺序向用户推荐酒店。
较佳地,所述至少一个第二输入变量包括:用户浏览酒店的次数、用户浏览酒店的session数、用户浏览酒店的天数、酒店的点评分、酒店近期的产量在酒店所在城市的排名与酒店所在城市总酒店数的百分比。
较佳地,所述第二推荐模块包括:
第二城市获取单元,用于获取用户在OTA网站酒店页面选择的城市;
查询单元,用于查询用户浏览酒店的次数P1、用户浏览酒店的session数P2、用户浏览酒店的天数P3、酒店的点评分P4、酒店近期的产量在酒店所在城市的排名与酒店所在城市总酒店数的百分比P5;
第二酒店得分计算单元,用于按照如下公式计算酒店得分:
Score=B1P1+B2P2+B3P4+B4P4+B5P5;
其中B1、B2、B3、B4、B5分别为0.011、0.046、0.071、0.039、0.397;
第二推荐单元,按照酒店得分从高到低的顺序向用户推荐酒店。
较佳地,所述第三推荐模块包括:
第三城市获取单元,用于获取用户在OTA网站酒店页面选择的城市;
酒店产量计算单元,用于计算点评分在3分以上的该城市过去3个月的酒店产量;
第三推荐单元,用于按照酒店产量从高到低的顺序向用户推荐酒店。
较佳地,所述OTA酒店的个性化推荐系统运行在spark集群上。
本发明的积极进步效果在于:本发明能够通过机器学习和人工智能算法预测用户偏好的酒店,在spark集群上运行,解决了数据量的问题,能够达到大多数访问用户的个性化,从而提高用户的转化率。
附图说明
图1为本发明的较佳实施例的OTA酒店的个性化推荐方法的流程图。
图2为本发明的较佳实施例的OTA酒店的个性化推荐系统的模块示意图。
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酒店的个性化推荐方法包括以下步骤:
步骤101、获取访问OTA网站酒店页面的用户的历史信息;
步骤102、判断用户是否有历史订单数据,若有,则执行步骤S3,若没有,则判断用户是否有历史浏览数据,若是,则执行步骤S4,若否,则执行步骤S5;
步骤103、基于用户的历史订单数据和历史浏览数据,预测用户偏好的酒店的酒店得分,按照酒店得分从高到低的顺序向用户推荐酒店;
步骤104、基于用户的历史浏览数据,预测用户偏好的酒店的酒店得分,按照酒店得分从高到低的顺序向用户推荐酒店;
步骤105、基于酒店静态数据,预测用户偏好的酒店的酒店得分,按照酒店得分从高到低的顺序向用户推荐酒店。
在本发明中,对于有过历史订单的用户,通过步骤103,基于用户的历史订单数据和历史浏览数据,采用机器学习算法,预测出本次用户偏好的酒店次序,按照酒店得分从高到低给用户推荐酒店;
对于没有历史订单但有历史浏览数据的用户,通过步骤104,基于用户的历史浏览数据,预测本次用户出行偏好的酒店次序;
对于没有历史订单也没有历史浏览数据的用户,通过步骤105,基于酒店静态数据,预测本次用户出行偏好的酒店次序。
具体地,在步骤103中,主要包括如下操作:
步骤1031、采用LFM模型算法获取用户对酒店的偏好得分preference,并将所述偏好得分作为第一输入变量;
步骤1032、通过数据分析获取至少一个第二输入变量;所述至少一个第二输入变量包括:用户浏览酒店的次数、用户浏览酒店的session数、用户浏览酒店的天数、酒店的点评分、酒店近期的产量在酒店所在城市的排名与酒店所在城市总酒店数的百分比。
步骤1033、将所述第一输入变量及所述至少一个第二输入变量作为分类模型的输入,利用分类模型,得到酒店得分;
步骤1034、按照酒店得分从高到低的顺序向用户推荐酒店。
当有用户进入OTA网站酒店页面选择某个城市时,OTA网站实时从数据库中调出上述离线部分计算针对该用户这个城市的酒店得分,并按照酒店得分从高到低推荐酒店。
其中离线部分的思想如下:
假设某OTA网站有n个酒店可以预订,有M个用户进入过网站并成功预订酒店,那么对于本发明来说,如果知道每一个用户useri对每一个酒店Itemj的兴趣度(兴趣度越高,该用户越有可能预订),则当该用户再次进入OTA网站,本发明就可以很容易推荐出用户感兴趣的酒店,减少用户的费力费,提高准确率。
但是实际情况中,大部分用户只预订过或者只浏览OTA网站的很少一部分酒店,根本不了解所有的酒店,因此根本无法判断出用户对每个酒店的兴趣度,如下所示矩阵p:
Item1 | Item2 | … | Itemn | |
user1 | 1 | |||
user2 | 2 | |||
… | 10 | |||
userm | 3 |
在该矩阵中,行user表示用户,列Item表示OTA网站中的酒店,1、2、3、10等值表示useri对Itemj的兴趣度,本发明把用户对某酒店下的订单数,作为对酒店的兴趣度的衡量标准,具体公式如下面公式(1),其中空值表示该用户没有预定该酒店,因此无法判断出兴趣度。
其中,orders表示用户过去一段时间(本发明中优选为一年)内对某酒店的订单数,而用LFM模型算法就可以预测出矩阵中所有的空值,从而本发明中采用LFM模型算法就可以获取用户对酒店的偏好得分,并将偏好得分作为第一输入变量;
然后再依次执行步骤1032、步骤1033、步骤1034就可以计算出各酒店的酒店得分并按照酒店得分从高到低的顺序将酒店推荐给用户。
在步骤104中,对于没有历史订单数据但有历史浏览数据的用户,具体执行如下操作:
步骤1041、获取用户在OTA网站酒店页面选择的城市;
步骤1042、查询用户浏览酒店的次数P1、用户浏览酒店的session数P2、用户浏览酒店的天数P3、酒店的点评分P4、酒店近期的产量在酒店所在城市的排名与酒店所在城市总酒店数的百分比P5;
步骤1043、按照如下公式计算酒店得分:
Score=B1P1+B2P2+B3P4+B4P4+B5P5;
其中B1、B2、B3、B4、B5分别为0.011、0.046、0.071、0.039、0.397;
步骤1044、按照酒店得分从高到低的顺序向用户推荐酒店。
而在步骤105中,对于没有历史订单也没有历史浏览数据的用户,具体执行如下操作:
步骤1051、获取用户在OTA网站酒店页面选择的城市;
步骤1052、计算点评分在3分以上的该城市过去3个月的酒店产量;
步骤1053、按照酒店产量从高到低的顺序向用户推荐酒店。
如图2所示,本发明还提供了一种OTA酒店的个性化推荐系统,包括历史信息获取模块1、判断模块2、第一推荐模块3、第二推荐模块4、第三推荐模块5;
其中,所述历史信息获取模块1用于获取访问OTA网站酒店页面的用户的历史信息;
所述判断模块2用于判断用户是否有历史订单数据,若有,则调用第一推荐模块3;若没有,则判断用户是否有历史浏览数据,若是,则调用第二推荐模块4,若否,则调用第三推荐模块5;
所述第一推荐模块3用于基于用户的历史订单数据和历史浏览数据,预测用户偏好的酒店的酒店得分,按照酒店得分从高到低的顺序向用户推荐酒店;
所述第二推荐模块4用于基于用户的历史浏览数据,预测用户偏好的酒店的酒店得分,按照酒店得分从高到低的顺序向用户推荐酒店;
所述第三推荐模块5用于基于酒店静态数据,预测用户偏好的酒店的酒店得分,按照酒店得分从高到低的顺序向用户推荐酒店。
其中,所述第一推荐模块包括:
偏好得分获取单元,用于采用LFM模型算法获取用户对酒店的偏好得分,并将所述偏好得分作为第一输入变量;
输入变量获取单元,用于通过数据分析获取至少一个第二输入变量;
第一酒店得分计算单元,用于将所述第一输入变量及所述至少一个第二输入变量作为分类模型的输入,利用分类模型,得到酒店得分;
第一推荐单元,用于按照酒店得分从高到低的顺序向用户推荐酒店。
所述第二推荐模块包括:
第二城市获取单元,用于获取用户在OTA网站酒店页面选择的城市;
查询单元,用于查询用户浏览酒店的次数P1、用户浏览酒店的session数P2、用户浏览酒店的天数P3、酒店的点评分P4、酒店近期的产量在酒店所在城市的排名与酒店所在城市总酒店数的百分比P5;
第二酒店得分计算单元,用于按照如下公式计算酒店得分:
Score=B1P1+B2P2+B3P4+B4P4+B5P5;
其中B1、B2、B3、B4、B5分别为0.011、0.046、0.071、0.039、0.397;
第二推荐单元,按照酒店得分从高到低的顺序向用户推荐酒店。
所述第三推荐模块包括:
第三城市获取单元,用于获取用户在OTA网站酒店页面选择的城市;
酒店产量计算单元,用于计算点评分在3分以上的该城市过去3个月的酒店产量;
第三推荐单元,用于按照酒店产量从高到低的顺序向用户推荐酒店。
在本发明中,所述OTA酒店的个性化推荐系统运行在spark集群上,从而解决了数据量大、传统机器学习软件支持不足的问题。
spark集群是一个大数据分布式编程框架,是一个用来实现快速而通用的集群计算的平台。它使用函数式编程范式扩展了MapReduce模型以支持更多计算类型,可以涵盖广泛的工作流,这些工作流之前被实现为Hadoop之上的特殊系统。Spark集群使用内存缓存来提升性能,因此进行交互式分析也足够快速(就如同使用Python解释器,与集群进行交互一样)。缓存同时提升了迭代算法的性能,这使得spark集群非常适合数据理论任务,特别是机器学习。
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 (11)
1.一种OTA酒店的个性化推荐方法,其特征在于,包括以下步骤:
S1、获取访问OTA网站酒店页面的用户的历史信息;
S2、判断用户是否有历史订单数据,若有,则执行步骤S3,若没有,则判断用户是否有历史浏览数据,若是,则执行步骤S4,若否,则执行步骤S5;
S3、基于用户的历史订单数据和历史浏览数据,预测用户偏好的酒店的酒店得分,按照酒店得分从高到低的顺序向用户推荐酒店;
S4、基于用户的历史浏览数据,预测用户偏好的酒店的酒店得分,按照酒店得分从高到低的顺序向用户推荐酒店;
S5、基于酒店静态数据,预测用户偏好的酒店的酒店得分,按照酒店得分从高到低的顺序向用户推荐酒店。
2.如权利要求1所述的OTA网站的个性化推荐方法,其特征在于,步骤S3包括:
S31、采用LFM模型算法获取用户对酒店的偏好得分,并将所述偏好得分作为第一输入变量;
S32、通过数据分析获取至少一个第二输入变量;
S33、将所述第一输入变量及所述至少一个第二输入变量作为分类模型的输入,利用分类模型,得到酒店得分;
S34、按照酒店得分从高到低的顺序向用户推荐酒店。
3.如权利要求2所述的OTA网站的个性化推荐方法,其特征在于,所述至少一个第二输入变量包括:用户浏览酒店的次数、用户浏览酒店的session数、用户浏览酒店的天数、酒店的点评分、酒店近期的产量在酒店所在城市的排名与酒店所在城市总酒店数的百分比。
4.如权利要求1所述的OTA网站的个性化推荐方法,其特征在于,步骤S4包括:
S41、获取用户在OTA网站酒店页面选择的城市;
S42、查询用户浏览酒店的次数P1、用户浏览酒店的session数P2、用户浏览酒店的天数P3、酒店的点评分P4、酒店近期的产量在酒店所在城市的排名与酒店所在城市总酒店数的百分比P5;
S43、按照如下公式计算酒店得分:
Score=B1P1+B2P2+B3P4+B4P4+B5P5;
其中B1、B2、B3、B4、B5分别为0.011、0.046、0.071、0.039、0.397;
S44、按照酒店得分从高到低的顺序向用户推荐酒店。
5.如权利要求1所述的OTA网站的个性化推荐方法,其特征在于,步骤S5包括:
S51、获取用户在OTA网站酒店页面选择的城市;
S52、计算点评分在3分以上的该城市过去3个月的酒店产量;
S53、按照酒店产量从高到低的顺序向用户推荐酒店。
6.一种OTA酒店的个性化推荐系统,其特征在于,包括:
历史信息获取模块,用于获取访问OTA网站酒店页面的用户的历史信息;
判断模块,用于判断用户是否有历史订单数据,若有,则调用第一推荐模块;若没有,则判断用户是否有历史浏览数据,若是,则调用第二推荐模块,若否,则调用第三推荐模块;
所述第一推荐模块用于基于用户的历史订单数据和历史浏览数据,预测用户偏好的酒店的酒店得分,按照酒店得分从高到低的顺序向用户推荐酒店;
所述第二推荐模块用于基于用户的历史浏览数据,预测用户偏好的酒店的酒店得分,按照酒店得分从高到低的顺序向用户推荐酒店;
所述第三推荐模块用于基于酒店静态数据,预测用户偏好的酒店的酒店得分,按照酒店得分从高到低的顺序向用户推荐酒店。
7.如权利要求6所述的OTA网站的个性化推荐系统,其特征在于,所述第一推荐模块包括:
偏好得分获取单元,用于采用LFM模型算法获取用户对酒店的偏好得分,并将所述偏好得分作为第一输入变量;
输入变量获取单元,用于通过数据分析获取至少一个第二输入变量;
第一酒店得分计算单元,用于将所述第一输入变量及所述至少一个第二输入变量作为分类模型的输入,利用分类模型,得到酒店得分;
第一推荐单元,用于按照酒店得分从高到低的顺序向用户推荐酒店。
8.如权利要求7所述的OTA网站的个性化推荐系统,其特征在于,所述至少一个第二输入变量包括:用户浏览酒店的次数、用户浏览酒店的session数、用户浏览酒店的天数、酒店的点评分、酒店近期的产量在酒店所在城市的排名与酒店所在城市总酒店数的百分比。
9.如权利要求6所述的OTA网站的个性化推荐系统,其特征在于,所述第二推荐模块包括:
第二城市获取单元,用于获取用户在OTA网站酒店页面选择的城市;
查询单元,用于查询用户浏览酒店的次数P1、用户浏览酒店的session数P2、用户浏览酒店的天数P3、酒店的点评分P4、酒店近期的产量在酒店所在城市的排名与酒店所在城市总酒店数的百分比P5;
第二酒店得分计算单元,用于按照如下公式计算酒店得分:
Score=B1P1+B2P2+B3P4+B4P4+B5P5;
其中B1、B2、B3、B4、B5分别为0.011、0.046、0.071、0.039、0.397;
第二推荐单元,按照酒店得分从高到低的顺序向用户推荐酒店。
10.如权利要求6所述的OTA网站的个性化推荐系统,其特征在于,所述第三推荐模块包括:
第三城市获取单元,用于获取用户在OTA网站酒店页面选择的城市;
酒店产量计算单元,用于计算点评分在3分以上的该城市过去3个月的酒店产量;
第三推荐单元,用于按照酒店产量从高到低的顺序向用户推荐酒店。
11.如权利要求6所述的OTA酒店的个性化推荐系统,其特征在于,所述OTA酒店的个性化推荐系统运行在spark集群上。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710132054.7A CN106709767A (zh) | 2017-03-07 | 2017-03-07 | Ota酒店的个性化推荐方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710132054.7A CN106709767A (zh) | 2017-03-07 | 2017-03-07 | Ota酒店的个性化推荐方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106709767A true CN106709767A (zh) | 2017-05-24 |
Family
ID=58918004
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710132054.7A Pending CN106709767A (zh) | 2017-03-07 | 2017-03-07 | Ota酒店的个性化推荐方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106709767A (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107194898A (zh) * | 2017-06-23 | 2017-09-22 | 携程计算机技术(上海)有限公司 | 酒店图像的展示方法、存储介质及酒店信息的推送方法 |
CN107688662A (zh) * | 2017-09-08 | 2018-02-13 | 携程计算机技术(上海)有限公司 | Ota酒店的推荐方法及系统 |
CN107730345A (zh) * | 2017-09-22 | 2018-02-23 | 刘捷 | 房客与酒店倒置价格确认方法 |
CN107944583A (zh) * | 2017-12-08 | 2018-04-20 | 携程旅游网络技术(上海)有限公司 | 二次售卖场景推送方法、系统、设备及存储介质 |
CN108109003A (zh) * | 2017-12-18 | 2018-06-01 | 携程计算机技术(上海)有限公司 | Ota网站的个性化酒店的推荐方法及系统 |
CN108446351A (zh) * | 2018-03-08 | 2018-08-24 | 携程计算机技术(上海)有限公司 | Ota平台的基于用户偏好的酒店筛选方法及系统 |
CN109002977A (zh) * | 2018-07-04 | 2018-12-14 | 北京捷旅易行科技有限公司 | 供应商酒店价格请求调度器系统 |
CN109740072A (zh) * | 2018-12-29 | 2019-05-10 | 携程计算机技术(上海)有限公司 | Ota平台下基于poi的酒店排序方法及系统 |
CN110288385A (zh) * | 2019-06-10 | 2019-09-27 | 达疆网络科技(上海)有限公司 | 一种o2o用户对poi下门店的偏好计算方法 |
CN110378748A (zh) * | 2019-07-26 | 2019-10-25 | 厦门今日旅行网络科技有限公司 | 基于云平台的酒店多渠道流量分销方法及系统 |
CN112446514A (zh) * | 2019-09-03 | 2021-03-05 | 阿里巴巴集团控股有限公司 | 信息预订方法、装置及电子设备 |
CN113139667A (zh) * | 2021-05-07 | 2021-07-20 | 深圳他米科技有限公司 | 基于人工智能的酒店房间推荐方法、装置、设备及存储介质 |
CN116205710A (zh) * | 2023-02-21 | 2023-06-02 | 深圳市道旅旅游科技股份有限公司 | 一种酒店推荐方法、存储介质和计算机设备 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103473354A (zh) * | 2013-09-25 | 2013-12-25 | 焦点科技股份有限公司 | 基于电子商务平台的保险推荐系统框架及保险推荐方法 |
CN104504064A (zh) * | 2014-12-19 | 2015-04-08 | 百度在线网络技术(北京)有限公司 | 一种信息推荐方法和装置 |
-
2017
- 2017-03-07 CN CN201710132054.7A patent/CN106709767A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103473354A (zh) * | 2013-09-25 | 2013-12-25 | 焦点科技股份有限公司 | 基于电子商务平台的保险推荐系统框架及保险推荐方法 |
CN104504064A (zh) * | 2014-12-19 | 2015-04-08 | 百度在线网络技术(北京)有限公司 | 一种信息推荐方法和装置 |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107194898A (zh) * | 2017-06-23 | 2017-09-22 | 携程计算机技术(上海)有限公司 | 酒店图像的展示方法、存储介质及酒店信息的推送方法 |
CN107688662B (zh) * | 2017-09-08 | 2020-10-30 | 携程计算机技术(上海)有限公司 | Ota酒店的推荐方法及系统 |
CN107688662A (zh) * | 2017-09-08 | 2018-02-13 | 携程计算机技术(上海)有限公司 | Ota酒店的推荐方法及系统 |
CN107730345A (zh) * | 2017-09-22 | 2018-02-23 | 刘捷 | 房客与酒店倒置价格确认方法 |
CN107944583A (zh) * | 2017-12-08 | 2018-04-20 | 携程旅游网络技术(上海)有限公司 | 二次售卖场景推送方法、系统、设备及存储介质 |
CN107944583B (zh) * | 2017-12-08 | 2021-02-02 | 携程旅游网络技术(上海)有限公司 | 二次售卖场景推送方法、系统、设备及存储介质 |
CN108109003A (zh) * | 2017-12-18 | 2018-06-01 | 携程计算机技术(上海)有限公司 | Ota网站的个性化酒店的推荐方法及系统 |
CN108446351A (zh) * | 2018-03-08 | 2018-08-24 | 携程计算机技术(上海)有限公司 | Ota平台的基于用户偏好的酒店筛选方法及系统 |
CN109002977A (zh) * | 2018-07-04 | 2018-12-14 | 北京捷旅易行科技有限公司 | 供应商酒店价格请求调度器系统 |
CN109740072A (zh) * | 2018-12-29 | 2019-05-10 | 携程计算机技术(上海)有限公司 | Ota平台下基于poi的酒店排序方法及系统 |
CN110288385A (zh) * | 2019-06-10 | 2019-09-27 | 达疆网络科技(上海)有限公司 | 一种o2o用户对poi下门店的偏好计算方法 |
CN110378748A (zh) * | 2019-07-26 | 2019-10-25 | 厦门今日旅行网络科技有限公司 | 基于云平台的酒店多渠道流量分销方法及系统 |
CN112446514A (zh) * | 2019-09-03 | 2021-03-05 | 阿里巴巴集团控股有限公司 | 信息预订方法、装置及电子设备 |
CN113139667A (zh) * | 2021-05-07 | 2021-07-20 | 深圳他米科技有限公司 | 基于人工智能的酒店房间推荐方法、装置、设备及存储介质 |
CN113139667B (zh) * | 2021-05-07 | 2024-02-20 | 深圳他米科技有限公司 | 基于人工智能的酒店房间推荐方法、装置、设备及存储介质 |
CN116205710A (zh) * | 2023-02-21 | 2023-06-02 | 深圳市道旅旅游科技股份有限公司 | 一种酒店推荐方法、存储介质和计算机设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106709767A (zh) | Ota酒店的个性化推荐方法及系统 | |
Haim et al. | Burst of the filter bubble? Effects of personalization on the diversity of Google News | |
US10546006B2 (en) | Method and system for hybrid information query | |
US10515424B2 (en) | Machine learned query generation on inverted indices | |
Christensen et al. | Social group recommendation in the tourism domain | |
US20200065357A1 (en) | System and method for optimizing electronic document layouts | |
US9514425B2 (en) | Method and system for providing user-customized contents | |
WO2020238502A1 (zh) | 物品推荐方法及装置、电子设备及存储介质 | |
US20150178265A1 (en) | Content Recommendation System using a Neural Network Language Model | |
CN114723528A (zh) | 基于知识图谱的商品个性化推荐方法及系统 | |
CN107507016A (zh) | 一种消息推送方法和系统 | |
CN104166668A (zh) | 基于folfm模型的新闻推荐系统及方法 | |
US9501580B2 (en) | Method and apparatus for automated selection of interesting content for presentation to first time visitors of a website | |
US20130311903A1 (en) | Method and apparatus for creating a personalized question feed platform | |
Franceschini et al. | Prioritization of QFD customer requirements based on the law of comparative judgments | |
CN103646092A (zh) | 基于用户参与的搜索引擎排序方法 | |
CN105426514A (zh) | 个性化的移动应用app推荐方法 | |
CN103970866B (zh) | 基于微博文本的微博用户兴趣发现方法及系统 | |
US20140365868A1 (en) | Method, server, browser, and system for recommending text information | |
CN112149352B (zh) | 一种结合gbdt自动特征工程对营销活动点击的预测方法 | |
CN111967914A (zh) | 基于用户画像的推荐方法、装置、计算机设备和存储介质 | |
Liang et al. | Collaborative filtering based on information-theoretic co-clustering | |
CN113076484A (zh) | 基于深度学习的产品推荐方法、装置、设备和存储介质 | |
CN104281634A (zh) | 一种基于邻居关系的移动用户基础属性预测方法 | |
Angskun et al. | A qualitative attraction ranking model for personalized recommendations |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170524 |
|
RJ01 | Rejection of invention patent application after publication |