CN107274257A - 一种酒店服务推荐方法及装置 - Google Patents

Abstract

本发明提供一种酒店服务推荐方法及装置，所述酒店服务推荐方法在一预定酒店的应用程序上执行，酒店服务推荐方法包括：获取用户的一个或多个特征信息；所述特征信息经由一机器学习模型输出一个或多个服务推荐；若用户选择一个或多个所述服务推荐，则自动获取所述用户入住的酒店信息，并依据所述酒店信息生成服务订单。本发明提供的酒店服务推荐方法及装置能提高用户使用预定酒店的应用程序来生成服务订单的用户体验。

Description

一种酒店服务推荐方法及装置

技术领域

本发明涉及计算机应用技术领域，尤其涉及一种酒店服务推荐方法及装置。

背景技术

随着OTA(Online Travel Agent,在线旅行社)的迅猛发展，用户对服务的要求越来越高。用户对于OTA的应用系统的服务需求甚至超过通过OTA预定机票、火车、酒店的定价。OTA的应用系统的服务能力成为OTA的最大竞争力。然而，目前OTA的应用系统针对用户的服务体验依然处于低级阶段，依然是用户到了店之后，发现自己缺什么，才会想到自己需要什么，然后再出去购买，或者请求前台服务，这对用户的出游体验带来了极大的不方便性。

发明内容

本发明为了克服上述现有技术存在的缺陷，提供一种酒店服务推荐方法及装置，以提高用户住酒店的服务体验。

根据本发明的一个方面，提供一种酒店服务推荐方法，所述酒店服务推荐方法在一预定酒店的应用程序上执行，包括：获取用户的一个或多个特征信息；所述特征信息经由一机器学习模型输出一个或多个服务推荐；若用户选择一个或多个所述服务推荐，则自动获取所述用户入住的酒店信息，并依据所述酒店信息生成服务订单。

可选地，所述服务订单经由一第三方平台生成，所述酒店信息被传输至所述第三方平台以生成所述服务订单。

可选地，所述应用程序跳转至所述第三方平台以生成所述服务订单；或者所述应用程序直接调用所述第三方平台的接口以在所述应用程序执行时生成所述服务订单。

可选地，所述服务订单包括多个服务选项，所述酒店服务推荐方法还包括：依据用户对所述应用程序的操作信息，确定所述多个服务选项中的一项或多项。

可选地，所述操作信息包括如下信息中的一项或多项：所述用户选择所述服务推荐的当前时间；依据所述用户选择所述服务推荐的当前时间预估的服务执行时间；所述用户于所述应用程序上是否确认入住酒店；所述用户于所述应用程序上是否录入入住房间号；所述用户选择所述服务推荐的当前定位。

可选地，所述服务选项包括服务执行的地点和/或服务执行的时间。

可选地，服务执行的地点包括酒店前台、酒店房间、酒店娱乐场所及酒店外的其他位置。

可选地，所述酒店信息包括酒店地址、酒店提供的用品清单、酒店娱乐场所清单中的一项或多项。

可选地，所述酒店信息预先储存在应用程序中、所述酒店信息由用户输入至应用程序中或者所述酒店信息由一定位模块定位用户当前位置后于所述应用程序中匹配该用户当前位置关联的酒店信息来确定。

可选地，在一阈值距离范围内持续一阈值时间的所述用户当前位置校正所述酒店信息。

可选地，所述服务的类型包括外卖、叫车、清洁、按摩、美容美发、停车、收发快递中的一项或多项。

可选地，所述机器学习模型输出一个或多个服务推荐前还包括：获取用户的一个或多个所述特征信息及关联该用户的多个服务订单；将用户的多个所述特征信息作为所述机器学习模型的输入，将关联该用户的多个服务订单作为所述机器学习模型的输出；训练所述机器学习模型以优化所述机器学习模型的训练参数。

可选地，依据单个用户的一个或多个所述特征信息及关联该用户的多个服务订单训练针对该单个用户的所述机器学习模型。

可选地，依据多个用户的一个或多个所述特征信息及关联该多个用户的多个服务订单训练针对多个用户的所述机器学习模型。

可选地，还包括：从第三方平台获取用户对服务的历史操作信息，并依据所述历史操作信息获取用户偏好服务；查找所述酒店地址周围一阈值距离范围内的服务；匹配所述用户偏好服务及所查找到的服务以向用户提供一个或多个服务推荐

可选地，用户对服务的历史操作信息包括用户服务订单、点赞、签到及评价。

根据本发明的又一方面，还提供一种酒店服务推荐装置，包括：处理器；计算机可读存储介质，其上储存有计算机程序，所述计算机程序被所述处理器执行时执行预定酒店的步骤，并实现如下步骤：获取用户的一个或多个特征信息；所述特征信息经由一机器学习模型输出一个或多个服务推荐；若用户选择一个或多个所述服务推荐，则自动获取所述用户入住的酒店信息，并依据所述酒店信息生成服务订单。

可选地，所述服务订单经由一第三方平台生成，所述计算机程序被所述处理器执行时还实现如下步骤：所述酒店信息被传输至所述第三方平台以生成所述服务订单。

可选地，所述计算机可读存储介质储存有所述酒店信息。

可选地，还包括：定位模块，用于定位所述酒店服务推荐装置的当前位置，所述计算机程序被所述处理器执行时还实现如下步骤：根据所述定位模块定位所述酒店服务推荐装置的当前位置匹配该当前位置关联的酒店信息。

可选地，所述计算机程序被所述处理器执行时还实现如下步骤：在一阈值距离范围内持续一阈值时间的所述当前位置校正所述酒店信息。

可选地，所述机器学习模型储存在所述计算机可读存储介质中或储存在远程服务器中。

相比现有技术，本发明的优势在于：

1)通过机器学习的方式，向预定酒店的用户提供服务推荐，优化用户预定酒店后使用预定酒店的应用程序的服务体验；

2)自动获取预存的或通过定位匹配的酒店信息以生成服务订单，无需用户进行自行输入酒店信息，加快服务订单的生成，提高用户体验；

3)依据用户的操作信息自动判断用户所需服务的位置、时间等，无需用户自行输入或自行选择，增加判断的自动化，进一步提高用户体验；

4)可以通过定位模块的定位自动校订酒店信息中的酒店地址，以防预存酒店信息有误，进而产生的服务疏漏；以及

5)采用不同的方式对提供服务推荐的机器学习模块进行训练，可以获得针对个人的服务推荐，或基于更多用户的数据，获得针对用户特征更为精准的服务推荐。

附图说明

通过参照附图详细描述其示例实施方式，本发明的上述和其它特征及优点将变得更加明显。

图1示出了根据本发明实施例的酒店服务推荐装置的示意图。

图2示出了根据本发明实施例的酒店服务推荐方法的流程图。

图3示出了根据本发明一具体实施例的酒店订单详情页的示意图。

图4示出了根据本发明一具体实施例的行程页的示意图。

图5示出了根据本发明一具体实施例的推荐页的示意图。

具体实施方式

现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的实施方式；相反，提供这些实施方式使得本发明将全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的结构，因而将省略对它们的重复描述。

所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中，提供许多具体细节从而给出对本发明的实施方式的充分理解。然而，本领域技术人员应意识到，没有所述特定细节中的一个或更多，或者采用其它的方法、组元、材料等，也可以实践本发明的技术方案。在其它情况下，不详细示出或描述公知结构、材料或者操作以避免模糊本发明。

附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。

为了解决现有技术的缺陷，提高用户使用预定酒店的应用程序来生成服务订单的用户体验，本发明提供一种酒店服务推荐方法及装置。

本发明提供酒店服务推荐方法，所述酒店服务推荐方法在一预定酒店的应用程序上执行，酒店服务推荐方法包括：获取用户的一个或多个特征信息；所述特征信息经由一机器学习模型输出一个或多个服务推荐；若用户选择一个或多个所述服务推荐，则自动获取所述用户入住的酒店信息，并依据所述酒店信息生成服务订单。

具体而言，在如下所描述的各个实施例中，所述的酒店信息可以包括酒店地址、酒店提供的用品清单、酒店娱乐场所清单中的一项或多项。所述的服务的类型可以包括外卖、叫车、清洁、按摩、美容美发、停车、收发快递中的一项或多项。以上仅仅是示意性地列举酒店信息和服务类型，但本发明并非以此为限。

下面结合附图说明本发明提供的酒店服务推荐方法及装置。

如图1所示，图1示出了根据本发明实施例的酒店服务推荐装置的示意图。图1示出了酒店服务推荐装置110、用于酒店服务推荐的远程服务器120及第三方平台所在服务器130。酒店服务推荐装置110可以是一电子设备，例如，移动终端、平板电脑等。酒店服务推荐装置110、用于酒店服务推荐的远程服务器120及第三方平台所在服务器130通过网络相互通信。在一些实施例中，第三方平台所在的服务器130可以省略。

酒店服务推荐装置110包括处理器111及计算机可读存储介质112。，计算机可读存储介质112上储存有计算机程序。计算机程序例如可以是一预定酒店的应用程序。该计算机程序被处理器111执行时执行预定酒店的步骤，并还实现如下步骤：获取用户的一个或多个特征信息；特征信息经由一机器学习模型输出一个或多个服务推荐；若用户选择一个或多个服务推荐，则自动获取用户入住的酒店信息，并依据酒店信息生成服务订单。

具体而言，在本实施例中，服务订单经由第三方平台生成，酒店信息被传输至第三方平台所在的服务器130以生成服务订单。在一些变化例中，服务订单也可直接由远程服务器120直接生成。若机器学习模型较为复杂时，则其可储存在远程服务器120中，若机器学习模型逻辑较为简单时，也可以储存在计算机可读存储介质112中。

进一步地，所用来生成服务订单的酒店信息可以储存在计算机可读存储介质中。在本实施例中，酒店服务推荐装置110还包括定位模块113。在这样的实施例中，酒店信息也可以根据定位模块定位酒店服务推荐装置的当前位置匹配该当前位置关联的酒店信息。例如，可以将与酒店服务推荐装置的当前位置最近的酒店以与当前位置关联；又例如，可以每个酒店为中心，方圆50m距离(或其他距离)内的位置都与该酒店关联，以根据酒店服务推荐装置的当前位置是否位于该方圆50m距离(或其他距离)内，由此获得相关联的酒店信息。在一些实施例中，定位模块113的定位还可以用来校正酒店信息。例如，当酒店服务推荐装置110的当前位置在一阈值距离范围内持续一阈值时间，则用该当前位置校正酒店信息中的酒店地址。在校正之前，还可以首先查询是否有用户是否入住酒店的信息，若查询结果指示根据用户入住酒店，则可启动校正操作，若查询结果指示用户未入住酒店，则无需启动校正操作。

图1仅仅示意性地示出本发明提供的酒店服务推荐装置的结构图及拓扑图，本领域技术人员还可以实现其他的变化方式，在此不予赘述。

下面参考图2，图2示出了根据本发明实施例的酒店服务推荐方法的流程图。该酒店服务推荐方法在一预定酒店的应用程序上执行。

图2共示出3个步骤：

步骤S210，获取用户的一个或多个特征信息。

具体而言，该一个或多个特征信息可在用户注册该应用程序的账号时录入或者根据用户历史操作信息来获取。该一个或多个特征信息可与用户账号关联的储存在该应用程序中或该应用程序的远程服务器中。该一个或多个特征信息可以包括用户的年龄、性别、学历、工作、居住地、工作地等。

步骤S220，所述特征信息经由一机器学习模型输出一个或多个服务推荐。

可选地，机器学习模型储存在一远程服务器中。步骤S220，向该应用程序的远程服务器中的机器学习模型中输入所获取的特征信息，该机器学习模型根据所获取的特征信息输出一个或多个服务推荐。该机器学习模型在依据所有历史服务订单及生成该服务订单的用户的特征信息来训练。换言之，该机器学习模型依据所输入的用户特征信息或用户特征信息的组合以输出服务推荐。在一些变化例中，该机器学习模型根据所获得的用户账号输出一个或多个服务推荐。例如，该机器学习模型依据用户对各个服务的使用频率来进行服务推荐。

机器学习模型可以是任一种回归模型，例如线性回归模型、逻辑回归模型等。机器学习模型还可以是神经网络模型，例如通过多个输入神经元和多个输出神经元来计算模型中的参数，并不断优化。本发明中不对机器学习模型的类型进行限制。

步骤S230，若用户选择一个或多个所述服务推荐，则自动获取所述用户入住的酒店信息，并依据所述酒店信息生成服务订单。

通过步骤S230，用户无需自行输入酒店信息，提高了用户体验。

具体实施例1

用户使用其账号登陆其移动终端上的应用程序，并预定一酒店。于该应用程序上，预定该酒店的酒店订单详情页(如图3)、应用程序依据用户于该应用程序上各个订单定制的行程页(如图4)或者单独的服务推荐页(如图5)可向用户提供服务推荐。

在本实施例中，当用户预定酒店后，打开这些页面中的任一页面时，即可收到应用程序向用户提供的服务推荐。具体而言，当用户通过应用程序预定一酒店，应用程序即获取用户的一个或多个特征信息。该一个或多个特征信息可在用户注册该应用程序的账号时录入。该一个或多个特征信息可与用户账号关联的储存在该应用程序中或该应用程序的远程服务器中。该一个或多个特征信息可以包括用户的年龄、性别、学历、工作、居住地、工作地等。

在本实施例中，向该应用程序的远程服务器中的机器学习模型中输入所获取的特征信息，该机器学习模型根据所获取的特征信息输出一个或多个服务推荐。该机器学习模型在本实施例中，依据所有历史服务订单及生成该服务订单的用户的特征信息来训练。换言之，该机器学习模型依据所输入的用户特征信息或用户特征信息的组合以输出服务推荐。例如，所获取的用户A的特征信息为年龄20岁，性别男，大学本科在读，居住地上海，机器学习模型以及该些特征输出服务推荐可包括：叫车接送、所预定酒店附近好评率最高的外卖等。又例如，所获取的用户B的特征信息为年龄30岁，性别女，居住地重庆，机器学习模型以及该些特征输出服务推荐可包括：所预定酒店附近好评最高的川菜外卖、上门美甲服务、上门按摩服务等。所推荐的服务可依据该用户的历史服务订单的使用概率来排序。例如，用户A历史服务订单中叫车接送的概率达100％，而叫外卖的概率达50％，则针对用户A，先显示叫车接送服务继而显示所预定酒店附近好评率最高的外卖服务。

提供服务推荐后，用户可在应用程序中选择一个或多个服务推荐。应用程序获取预存的用户入住的酒店信息，并依据酒店信息生成服务订单，而无需在订单生成页面输入酒店信息。

在一些变化例中，机器学习模型所在模块可周期性地获取用户特征信息，并向用户提供的服务推荐。

具体实施例2

用户使用其账号登陆其移动终端上的应用程序，并预定一酒店。于该应用程序上，预定该酒店的酒店订单详情页、应用程序依据用户于该应用程序上各个订单定制的行程页或者单独的服务推荐页可向用户提供服务推荐。

在本实施例中，应用程序可判断当前是否需要向用户提供服务推荐。例如，当用户打开应用程序时，应用程序可判断当前时间是否为用户预定入住酒店当天。若还未到预定入住酒店当天，则无需向用户提供服务推荐。若当前时间为用户预定入住酒店当天，则用户打开上述各页面中的任一页面时，即可收到应用程序向用户提供的服务推荐。又例如，当用户打开应用程序时，应用程序可依据移动终端上的GPS定位模块(或其他定位方式的定位模块)判断用户当前位置是否与用户预定入住酒店的距离小于50公里(或其他阈值距离)。若用户当前位置是与用户预定入住酒店的距离大于等于50公里，则无需向用户提供服务推荐。若用户当前位置是与用户预定入住酒店的距离小于50公里，则用户打开上述各页面中的任一页面时，即可收到应用程序向用户提供的服务推荐。

具体而言，当应用程序判断当前需要向用户提供服务推荐时，应用程序即获取用户的一个或多个特征信息。该一个或多个特征信息可以包括用户的年龄、性别、学历、工作、居住地、工作地等。

在本实施例中，向该应用程序的远程服务器中的机器学习模型中输入所获取的特征信息，该机器学习模型根据所获取的特征信息输出一个或多个服务推荐。在本实施例中，该机器学习模型依据所输入的用户特征信息或用户特征信息的组合以输出服务推荐。提供服务推荐后，用户可在应用程序中选择一个或多个服务推荐。应用程序获取预存的用户入住的酒店信息，并依据所选择的服务推荐在一第三方平台生成服务订单。该第三方平台可通过该第三方平台的接口集成在该应用程序中或者也可从该应用程序跳转至第三方平台所在的另一应用程序以生成服务订单。无论第三方平台集成在预定酒店的应用程序中或为独立的另一应用程序，该预定酒店的应用程序都将用户预定的酒店信息发送至该第三方平台，以直接生成服务订单，无需用户在订单生成页面输入酒店信息。

具体实施例3

用户使用其账号登陆其移动终端上的应用程序，并预定一酒店。于该应用程序上，预定该酒店的酒店订单详情页、应用程序依据用户于该应用程序上各个订单定制的行程页或者单独的服务推荐页可向用户提供服务推荐。

用户于上述任一页面(或指定页面)中可获得应用程序提供的服务推荐。在本实施例中，当应用程序向用户提供服务推荐时，应用程序即获取用户的特征信息。例如，应用程序获取用户的账号(在本实施例中账号作为用户的特征信息)。

在本实施例中，向该应用程序的远程服务器中的机器学习模型(机器学习模型也可设置在应用程序中)中输入用户账号，该机器学习模型根据所获得的用户账号输出一个或多个服务推荐。该机器学习模型在本实施例中，依据每个用户账号及对应的所有历史服务订单来训练。换言之，该机器学习模型依据用户对各个服务的使用频率来进行服务推荐。

提供服务推荐后，用户可在应用程序中选择一个或多个服务推荐。应用程序获取预存的用户入住的酒店信息，并依据酒店信息生成服务订单，而无需在订单生成页面输入酒店信息。

具体实施例4

用户使用其账号登陆其移动终端上的应用程序，并预定一酒店。于该应用程序上，预定该酒店的酒店订单详情页、应用程序依据用户于该应用程序上各个订单定制的行程页或者单独的服务推荐页可向用户提供服务推荐。

用户于上述任一页面(或指定页面)中可获得应用程序提供的服务推荐。在本实施例中，当应用程序向用户提供服务推荐时，应用程序即获取用户的特征信息。例如，应用程序获取用户的账号(在本实施例中账号作为用户的特征信息)。

具体而言，当应用程序判断当前需要向用户提供服务推荐时，应用程序即获取用户的一个或多个特征信息。该一个或多个特征信息可以包括用户的年龄、性别、学历、工作、居住地、工作地等。

在本实施例中，向该应用程序的远程服务器中的机器学习模型中输入所获取的特征信息，该机器学习模型根据所获取的特征信息输出一个或多个服务推荐。在本实施例中，该机器学习模型依据所输入的用户特征信息或用户特征信息的组合以输出服务推荐。提供服务推荐后，用户可在应用程序中选择一个或多个服务推荐。应用程序获取预存的用户入住的酒店信息，并依据酒店信息生成服务订单，而无需在订单生成页面输入酒店信息。

进一步地，各个服务订单可以包括多个服务选项。在生成服务订单时，可依据用户对应用程序的操作信息，确定多个服务选项中的一项或多项。服务选项可以包括服务执行的地点和/或服务执行的时间。服务执行的地点可以包括酒店前台、酒店房间、酒店娱乐场所及酒店外的其他位置。

例如，用户选择的服务推荐为外卖，用户选择外卖的系统时间为13:00，系统预估外卖到达时间为13:30，可以依据用户于该应用程序上预定的机票、火车票等行程信息，应用程序根据预估外卖到达时间和用户机票火车实时达到时间及机场(火车站)至酒店的大致时间判断13:30用户还未入住酒店，可以此由应用程序自动设定服务执行的地点为酒店前台，也就是使外卖送至酒店前台即可。当用户入住时，可直接于酒店前台将外卖拿至房间内。

例如，用户选择的服务推荐为外卖，用户选择外卖的系统时间为16:00，系统预估外卖到达时间为16:30，可以依据用户于该应用程序上预定的机票、火车票等行程信息，应用程序判断16:30用户已入住酒店，可以此由应用程序自动设定服务执行的地点为酒店房间，也就是使外卖送至酒店房间。预定酒店的房间号可从酒店入住系统获取，或者用户入住时自行输入。

例如，用户选择的服务推荐为外卖，用户已在应用程序上选择入住并录入房间号，可以此由应用程序自动设定服务执行的地点为酒店房间，也就是使外卖送至酒店房间。

例如，用户选择的服务推荐为外卖，依据定位模块，用户的位置在酒店内，可以此由应用程序自动设定服务执行的地点为酒店房间，也就是使外卖送至酒店房间。

例如，用户选择的服务推荐为叫车，依据定位模块，用户的位置在酒店内，可以此由应用程序自动设定服务执行的地点为酒店门口，所叫的车辆将停在酒店门口等待用户。

例如，用户选择的服务推荐为叫车，依据定位模块，用户的位置在酒店外的其他位置，可以此由应用程序自动设定服务执行的目的地点为酒店门口，所叫的车辆将获知其目的地为用户所预定的酒店。

例如，用户选择的服务推荐为上门按摩，依据定位模块，用户的位置在酒店内，可以此由应用程序自动设定服务执行的目的地点为酒店房间或酒店按摩间(若有)，上门人员将在酒店房间或酒店按摩间向用户提供按摩服务。

具体实施例5

用户使用其账号登陆其移动终端上的应用程序，并预定一酒店。于该应用程序上，预定该酒店的酒店订单详情页、应用程序依据用户于该应用程序上各个订单定制的行程页或者单独的服务推荐页可向用户提供服务推荐。

用户于上述任一页面(或指定页面)中可获得应用程序提供的服务推荐。在本实施例中，当应用程序向用户提供服务推荐时，应用程序即获取用户的特征信息。例如，应用程序获取用户的账号(在本实施例中账号作为用户的特征信息)。

具体而言，当应用程序判断当前需要向用户提供服务推荐时，应用程序即获取用户的一个或多个特征信息。向该应用程序的远程服务器中的机器学习模型中输入所获取的特征信息，该机器学习模型根据所获取的特征信息输出一个或多个服务推荐。

当用户选择了一个或多个服务推荐后，移动终端上的定位模块可以定位用户所在位置，并依据一地图上该用户所在的位置在一定距离范围内的酒店，获取该酒店的酒店信息，并依据酒店信息生成服务订单，而无需在订单生成页面输入酒店信息。

在本实施例的一些变化例中，当用户定位模块定位用户位于酒店内，应用系统可直接判断用户已入住酒店。在本实施例的又一下变化例中，定位模块对用户的定位信息在一阈值时间段(例如30分钟)内，位于一阈值距离范围(例如10米范围)内，则可依据定位模块的定位校正酒店信息中的酒店地址。

具体实施例6

用户使用其账号登陆其移动终端上的应用程序，并预定一酒店。于该应用程序上，预定该酒店的酒店订单详情页、应用程序依据用户于该应用程序上各个订单定制的行程页或者单独的服务推荐页可向用户提供服务推荐。

用户于上述任一页面(或指定页面)中可获得应用程序提供的服务推荐。在本实施例中，当应用程序向用户提供服务推荐时，除了采用机器学习向用户提供服务推荐，还可以通过如下方式向用户提供服务推荐：

首先，应用程序从第三方平台(例如大众点评、各类外卖应用的服务器等)获取用户对服务的历史操作信息。例如，用户对服务的历史操作信息可以例如是用户对大众点评上的餐馆签到、点赞、评论等。依据这些历史操作信息可以获取用户偏好，例如依据用户对不同类型餐馆的签到次数、点赞次数及评论次数，以不同的权重进行计算可以获得用户偏好服务。在本实施例中，用户偏好服务可以为川菜。然后，查找用户即将或已经入住的酒店地址周围一阈值距离(例如1公里)范围内的服务。匹配用户偏好服务(例如川菜)及所查找到的服务以向用户提供一个或多个服务推荐。换言之，可以在查找到的多个服务中，选取与川菜相关的服务以向用户推荐。在另一些变化例中，可以用户偏好服务(例如川菜)为关键词，查找用户即将或已经入住的酒店地址周围一阈值距离(例如1公里)范围内的与该关键词相关的服务，以向用户推荐。

以上各个实施例描述了采用机器学习模型来进行服务推荐，在本发明的一些变化例中，用户也可以自行输入、自行搜索和选择其所需要的服务。可以理解，在机器学习模型初期，由于数据较少，也存在暂未有服务推荐的时期，此时，也可由用户也可以自行输入、自行搜索和选择其所需要的服务。这些方式也在本发明的保护范围之内。

以上各个实施例的描述仅仅是示意性地，本领域技术人员还可以实现更多的变化例，在不背离本发明构思的前提下，步骤、模块的增加和省略都落入本发明的保护范围之内，在此不予赘述。

相比现有技术，本发明的优势在于：

1)通过机器学习的方式，向预定酒店的用户提供服务推荐，优化用户预定酒店后使用预定酒店的应用程序的服务体验；

2)自动获取预存的或通过定位匹配的酒店信息以生成服务订单，无需用户进行自行输入酒店信息，加快服务订单的生成，提高用户体验；

3)依据用户的操作信息自动判断用户所需服务的位置、时间等，无需用户自行输入或自行选择，增加判断的自动化，进一步提高用户体验；

4)可以通过定位模块的定位自动校订酒店信息中的酒店地址，以防预存酒店信息有误，进而产生的服务疏漏；以及

5)采用不同的方式对提供服务推荐的机器学习模块进行训练，可以获得针对个人的服务推荐，或基于更多用户的数据，获得针对用户特征更为精准的服务推荐。

通过以上的实施方式的描述，本领域的技术人员易于理解，本公开实施例可以通过硬件实现，也可以通过软件结合必要的硬件的方式来实现。因此，本公开实施例的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中，包括若干指令用以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本公开实施方式的方法。

本领域技术人员可以理解，附图只是示例实施方式的示意图，附图中的模块或流程并不一定是实施本公开所必须的，因此不能用于限制本公开的保护范围。

本领域技术人员可以理解上述各模块可以按照实施例的描述分布于装置中，也可以进行相应变化位于不同于本实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块。

以上具体地示出和描述了本发明的示例性实施方式。应该理解，本发明不限于所公开的实施方式，相反，本发明意图涵盖包含在所附权利要求范围内的各种修改和等效置换。

Claims (22)

1.一种酒店服务推荐方法，所述酒店服务推荐方法在一预定酒店的应用程序上执行，其特征在于，包括：

获取用户的一个或多个特征信息；

所述特征信息经由一机器学习模型输出一个或多个服务推荐；以及

若用户选择一个或多个所述服务推荐，则自动获取所述用户入住的酒店信息，并依据所述酒店信息生成服务订单。

2.如权利要求1所述的酒店服务推荐方法，其特征在于，所述服务订单经由一第三方平台生成，所述酒店信息被传输至所述第三方平台以生成所述服务订单。

3.如权利要求2所述的酒店服务推荐方法，其特征在于，

所述应用程序跳转至所述第三方平台以生成所述服务订单；或者

所述应用程序直接调用所述第三方平台的接口以在所述应用程序执行时生成所述服务订单。

4.如权利要求1所述的酒店服务推荐方法，其特征在于，所述服务订单包括多个服务选项，所述酒店服务推荐方法还包括：

依据用户对所述应用程序的操作信息，确定所述多个服务选项中的一项或多项。

5.如权利要求4所述的酒店服务推荐方法，其特征在于，所述操作信息包括如下信息中的一项或多项：

所述用户选择所述服务推荐的当前时间；

依据所述用户选择所述服务推荐的当前时间预估的服务执行时间；

所述用户于所述应用程序上是否确认入住酒店；

所述用户于所述应用程序上是否录入入住房间号；

所述用户选择所述服务推荐的当前定位。

6.如权利要求4所述的酒店服务推荐方法，其特征在于，所述服务选项包括服务执行的地点和/或服务执行的时间。

7.如权利要求6所述的酒店服务推荐方法，其特征在于，服务执行的地点包括酒店前台、酒店房间、酒店娱乐场所及酒店外的其他位置。

8.如权利要求1至7任一项所述的酒店服务推荐方法，其特征在于，所述酒店信息包括酒店地址、酒店提供的用品清单、酒店娱乐场所清单中的一项或多项。

9.如权利要求1至7任一项所述的酒店服务推荐方法，其特征在于，所述酒店信息预先储存在应用程序中、所述酒店信息由用户输入至应用程序中或者所述酒店信息由一定位模块定位用户当前位置后于所述应用程序中匹配该用户当前位置关联的酒店信息来确定。

10.如权利要求9所述的酒店服务推荐方法，其特征在于，在一阈值距离范围内持续一阈值时间的所述用户当前位置校正所述酒店信息。

11.如权利要求1至7任一项所述的酒店服务推荐方法，其特征在于，所述服务的类型包括外卖、叫车、清洁、按摩、美容美发、停车、收发快递中的一项或多项。

12.如权利要求1所述的酒店服务推荐方法，其特征在于，所述机器学习模型输出一个或多个服务推荐前还包括：

获取用户的一个或多个所述特征信息及关联该用户的多个服务订单；

将用户的多个所述特征信息作为所述机器学习模型的输入，将关联该用户的多个服务订单作为所述机器学习模型的输出；

训练所述机器学习模型以优化所述机器学习模型的训练参数。

13.如权利要求12所述的酒店服务推荐方法，其特征在于，依据单个用户的一个或多个所述特征信息及关联该用户的多个服务订单训练针对该单个用户的所述机器学习模型。

14.如权利要求12所述的酒店服务推荐方法，其特征在于，依据多个用户的一个或多个所述特征信息及关联该多个用户的多个服务订单训练针对多个用户的所述机器学习模型。

15.如权利要求1所述的酒店服务推荐方法，其特征在于，还包括：

从第三方平台获取用户对服务的历史操作信息，并依据所述历史操作信息获取用户偏好服务；

查找所述酒店地址周围一阈值距离范围内的服务；

匹配所述用户偏好服务及所查找到的服务以向用户提供一个或多个服务推荐。

16.如权利要求15所述的酒店服务推荐方法，其特征在于，用户对服务的历史操作信息包括用户服务订单、点赞、签到及评价。

17.一种酒店服务推荐装置，其特征在于，包括：

处理器；

计算机可读存储介质，其上储存有计算机程序，所述计算机程序被所述处理器执行时执行预定酒店的步骤，并实现如下步骤：

获取用户的一个或多个特征信息；

所述特征信息经由一机器学习模型输出一个或多个服务推荐；

若用户选择一个或多个所述服务推荐，则自动获取所述用户入住的酒店信息，并依据所述酒店信息生成服务订单。

18.如权利要求17所述的酒店服务推荐装置，其特征在于，所述服务订单经由一第三方平台生成，所述计算机程序被所述处理器执行时还实现如下步骤：

所述酒店信息被传输至所述第三方平台以生成所述服务订单。

19.如权利要求17所述的酒店服务推荐装置，其特征在于，所述计算机可读存储介质储存有所述酒店信息。

20.如权利要求17或19所述的酒店服务推荐装置，其特征在于，还包括：

定位模块，用于定位所述酒店服务推荐装置的当前位置，

所述计算机程序被所述处理器执行时还实现如下步骤：

根据所述定位模块定位所述酒店服务推荐装置的当前位置匹配该当前位置关联的酒店信息。

21.如权利要求20所述的酒店服务推荐装置，其特征在于，

所述计算机程序被所述处理器执行时还实现如下步骤：

在一阈值距离范围内持续一阈值时间的所述当前位置校正所述酒店信息。

22.如权利要求17所述的酒店服务推荐装置，其特征在于，所述机器学习模型储存在所述计算机可读存储介质中或储存在远程服务器中。