CN107688662A - Ota酒店的推荐方法及系统 - Google Patents
Ota酒店的推荐方法及系统 Download PDFInfo
- Publication number
- CN107688662A CN107688662A CN201710807393.0A CN201710807393A CN107688662A CN 107688662 A CN107688662 A CN 107688662A CN 201710807393 A CN201710807393 A CN 201710807393A CN 107688662 A CN107688662 A CN 107688662A
- Authority
- CN
- China
- Prior art keywords
- hotel
- star
- price
- preference
- user
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000012549 training Methods 0.000 claims abstract description 160
- 238000012360 testing method Methods 0.000 claims description 38
- 235000013399 edible fruits Nutrition 0.000 claims description 12
- 238000012217 deletion Methods 0.000 claims description 4
- 230000037430 deletion Effects 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 abstract description 3
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000750 progressive effect Effects 0.000 description 2
- 239000003795 chemical substances by application Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
- 230000007306 turnover Effects 0.000 description 1
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
-
- 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
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- 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
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0203—Market surveys; Market polls
-
- 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)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Databases & Information Systems (AREA)
- Game Theory and Decision Science (AREA)
- Primary Health Care (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种OTA酒店的推荐方法及系统,其中OTA酒店的推荐方法包括:S1、生成用户的酒店训练模型,酒店训练模型用于获取用户的酒店偏好数据;S2、在用户访问OTA网站酒店页面且进入POI搜索场景后,接收用户所输入的地标,按与地标的距离从近到远的顺序对酒店进行排序,且将排序后的酒店作为原始搜索结果;S3、根据酒店训练模型获取用户的酒店偏好数据;S4、在原始搜索结果中按原始搜索结果的排列顺序依次查询与酒店偏好数据相匹配的酒店,并将查询结果作为最终搜索结果进行输出。本发明克服了现有技术中在用户进入POI搜索场景后查找酒店费力的问题,降低了用户查找酒店的费力度,提升了用户的订购转化率。
Description
技术领域
本发明涉及OTA(Online Travel Agent,在线旅行社)技术领域,特别涉及一种OTA酒店的推荐方法及系统。
背景技术
POI是“Point of Interest”的缩写,可以翻译成“信息点”,每个POI包含四方面信息,名称、类别、经度纬度、附近的酒店饭店商铺等信息。我们可以叫它为“导航地图信息”,导航地图数据是整个导航产业的基石。
需要订购的酒店,在搜索POI之后,展示给用户的酒店是按照与POI的距离从近到远进行排序。由于低星和快捷酒店的分布密度较高,而高星酒店的分布密度较小,因此按照距离从近到远排序后,排序靠前的酒店大部分为低星和快捷酒店;但是携程的酒店订单中,只有小部分的订单为低星酒店的订单,而高星酒店的需求量更大)
目前POI场景下,低星酒店排序靠前的概率更高,而用户对低星酒店的需求量并不高,因此对于绝大部分用户来说,目前POI场景的酒店排序并不符合其偏好,给用户找酒店带来费力度,会影响大部分用户尤其是高星用户的订购意向。
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POI搜索场景的酒店排序并不符合用户偏好,给用户找酒店带来费力度,从而影响大部分用户尤其是高星用户的订购意向的缺陷,提供一种OTA酒店的推荐方法及系统。
本发明是通过下述技术方案来解决上述技术问题:
一种OTA酒店的推荐方法,所述OTA酒店的推荐方法包括:
S1、生成用户的酒店训练模型,所述酒店训练模型用于获取所述用户的酒店偏好数据;
S2、在用户访问OTA网站酒店页面且进入POI搜索场景后,接收所述用户所输入的地标,按与所述地标的距离从近到远的顺序对酒店进行排序,且将排序后的酒店作为原始搜索结果;
S3、根据所述酒店训练模型获取所述用户的酒店偏好数据;
S4、在所述原始搜索结果中按所述原始搜索结果的排列顺序依次查询与所述酒店偏好数据相匹配的酒店,并将查询结果作为最终搜索结果进行输出。
较佳地,所述酒店训练模型包括酒店星级训练模型,所述酒店偏好数据包括酒店星级偏好值,所述酒店星级模型用于获取所述用户的酒店星级偏好值,步骤S1包括生成所述酒店星级训练模型,生成所述酒店星级训练模型的步骤包括:
S11、每完成一新订单,生成一个酒店星级样本,所述酒店星级样本包括第一类星级输入值和第二类星级输入值;
所述第一类星级输入值为在所述新订单之前的历史酒店订单数据、历史酒店浏览数据和场景信息数据中所有特征的平均值;
所述历史酒店订单数据的特征包括:酒店的星级、酒店的价格、酒店的点评分和酒店的订单数;
所述历史酒店浏览数据的特征包括:浏览酒店的星级、浏览酒店的价格、浏览酒店的点评分和浏览酒店的订单数;
所述场景信息数据的特征包括:预订酒店所在的城市、所述城市的消费水平、预订日期;
所述第二类星级输入值为所述新订单的酒店星级数;
S12、以XGB模型为基础,将所述酒店星级样本作为输入,输入至所述XGB模型中定期的进行模型学习生成所述用户的酒店星级训练模型。
较佳地,步骤S3包括获取所述酒店星级偏好值,所述获取酒店星级偏好值的步骤包括:
S31、将酒店测试样本输入至所述酒店星级训练模型中进行运算并输出酒店星级数所对应的星级偏好概率值;
所述酒店测试样本为所述用户访问OTA网站酒店页面且进入POI搜索场景之日前的所述历史酒店订单数据、所述历史酒店浏览数据和所述场景信息数据中所有特征的平均值;
S32、从所述酒店星级数所对应的星级偏好概率值中选取最大的星级偏好概率值,并将所述最大的星级偏好概率值所对应的酒店星级数作为所述用户的酒店星级偏好值。
较佳地,所述酒店训练模型还包括酒店价格训练模型,所述酒店偏好数据还包括酒店价格偏好值,所述酒店价格训练模型用于获取所述用户的酒店价格偏好值,步骤S1还包括生成所述酒店价格训练模型,生成所述酒店价格训练模型的步骤包括:
S11’、每完成一新订单,生成一个酒店价格样本,所述酒店价格样本包括第一类价格输入值和第二类价格输入值;
所述第一类价格输入值与步骤S11中的所述第一类星级输入值相同;
所述第二类价格输入值为所述新订单的酒店价格所对应的酒店价格范围;
S12’、以所述XGB模型为基础,将所述酒店价格样本作为输入,输入至所述XGB模型中定期的进行模型学习生成所述用户的酒店价格训练模型。
较佳地,步骤S3还包括获取所述酒店价格偏好值,所述获取酒店价格偏好值的步骤包括:
S31’、将所述酒店测试样本输入至所述酒店价格训练模型中进行运算并输出每段价格范围所对应的价格偏好概率值;
S32’、从所述每段价格范围所对应的价格偏好概率值中选取最大的价格偏好概率值,并将所述最大的价格偏好概率值所对应的价格范围作为所述用户的酒店价格偏好值。
较佳地,步骤S4包括:
S41、按所述原始搜索结果的排列顺序依次查询与所述用户的价格偏好值相匹配的酒店,并将查询结果作为第一搜索结果;
S42、按所述第一搜索结果的排列顺序依次查询与所述用户的星级偏好值相匹配的酒店,并将查询结果作为第二搜素结果;
S43、在所述第二搜索结果中选取排在前N位的酒店作为第三搜索结果,其中N为正整数;
S44、在所述原始搜索结果中删除所述排在前N位的酒店作为第四搜索结果;
S45、输出最终搜索结果,所述最终搜索结果包括所述第三搜索结果和所述第四搜索结果,所述第三搜索结果置顶显示,所述第四搜索结果排列在所述第三搜索结果之后。
一种OTA酒店的推荐系统,所述OTA酒店的推荐系统包括:
酒店训练模型生成模块,用于生成用户的酒店训练模型,所述酒店训练模型用于获取所述用户的酒店偏好数据;
原始结果搜索模块,用于在用户访问OTA网站酒店页面且进入POI搜索场景后,接收所述用户所输入的地标,按与所述地标的距离从近到远的顺序对酒店进行排序,且将排序后的酒店作为原始搜索结果;
酒店偏好数据获取模块,用于根据所述酒店训练模型获取所述用户的酒店偏好数据;
最终结果搜索模块,用于在所述原始搜索结果中按所述原始搜索结果的排列顺序依次查询与所述酒店偏好数据相匹配的酒店,并将查询结果作为最终搜索结果进行输出。
较佳地,所述酒店训练模型包括酒店星级训练模型,所述酒店偏好数据包括酒店星级偏好值,所述酒店星级模型用于获取所述用户的酒店星级偏好值,所述酒店训练模型生成模块包括酒店星级训练模型生成子模块;
所述酒店星级训练模型生成子模块用于每完成一新订单,生成一个酒店星级样本,所述酒店星级样本包括第一类星级输入值和第二类星级输入值;
所述第一类星级输入值为在所述新订单之前的历史酒店订单数据、历史酒店浏览数据和场景信息数据中所有特征的平均值;
所述历史酒店订单数据的特征包括:酒店的星级、酒店的价格、酒店的点评分和酒店的订单数;
所述历史酒店浏览数据的特征包括:浏览酒店的星级、浏览酒店的价格、浏览酒店的点评分和浏览酒店的订单数;
所述场景信息数据的特征包括:预订酒店所在的城市、所述城市的消费水平、预订日期;
所述第二类星级输入值为所述新订单的酒店星级数;
所述酒店星级训练模型生成子模块还用于以XGB模型为基础,将所述酒店星级样本作为输入,输入至所述XGB模型中定期的进行模型学习生成所述用户的酒店星级训练模型。
较佳地,所述酒店偏好数据获取模块包括酒店星级偏好获取子模块;
所述酒店星级偏好获取子模块用于将酒店测试样本输入至所述酒店星级训练模型中进行运算并输出酒店星级数所对应的星级偏好概率值;
所述酒店测试样本为所述用户访问OTA网站酒店页面且进入POI搜索场景之日前的所述历史酒店订单数据、所述历史酒店浏览数据和所述场景信息数据中所有特征的平均值;
所述酒店星级偏好获取子模块还用于从所述酒店星级数所对应的星级偏好概率值中选取最大的星级偏好概率值,并将所述最大的星级偏好概率值所对应的酒店星级数作为所述用户的酒店星级偏好值。
较佳地,所述酒店训练模型还包括酒店价格训练模型,所述酒店偏好数据还包括酒店价格偏好值,所述酒店价格训练模型用于获取所述用户的酒店价格偏好值,所述酒店训练模型生成模块还包括酒店价格训练模型生成子模块;
所述酒店价格训练模型生成子模块用于每完成一新订单,生成一个酒店价格样本,所述酒店价格样本包括第一类价格输入值和第二类价格输入值;
所述第一类价格输入值与所述酒店星级训练模块生成子模块中的所述第一类星级输入值相同;
所述第二类价格输入值为所述新订单的酒店价格所对应的酒店价格范围;
所述酒店价格训练模型生成子模块还用于以所述XGB模型为基础,将所述酒店价格样本作为输入,输入至所述XGB模型中定期的进行模型学习生成所述用户的酒店价格训练模型。
较佳地,所述酒店偏好数据获取模块还包括酒店价格偏好获取子模块;
所述酒店价格偏好获取子模块用于所述酒店测试样本输入至所述酒店价格训练模型中进行运算输出每段价格范围所对应的价格偏好概率值;
所述酒店价格偏好获取子模块还用于从所述每段价格范围所对应的价格偏好概率值中选取最大的价格偏好概率值,并将所述最大的价格偏好概率值所对应的价格范围作为所述用户的酒店价格偏好值。
较佳地,所述最终结果搜索模块包括:
价格偏好搜索子模块,用于按所述原始搜索结果的排列顺序依次查询与所述用户的价格偏好值相匹配的酒店,并将查询结果作为第一搜索结果;
星级偏好搜索子模块,用于按所述第一搜索结果的排列顺序依次查询与所述用户的星级偏好值相匹配的酒店,并将查询结果作为第二搜素结果;
选取子模块,用于在所述第二搜索结果中选取排在前N位的酒店作为第三搜索结果,其中N为正整数;
去重子模块,用于在所述原始搜索结果中删除所述排在前N位的酒店作为第四搜索结果;
最终搜索结果输出子模块,用于输出最终搜索结果,所述最终搜索结果包括所述第三搜索结果和所述第四搜索结果,所述第三搜索结果置顶显示,所述第四搜索结果排列在所述第三搜索结果之后。
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:当用户进入POI搜索场景后,按地标距离并结合该用户的酒店偏好数据对酒店进行排序,降低了用户找酒店的费力度,提升了用户的订购转化率,从而提高了订单的成功率。
附图说明
图1为本发明实施例1的OTA酒店的推荐方法的流程图。
图2为本发明实施例2的OTA酒店的推荐方法的流程图。
图3为本发明实施例3的OTA酒店的推荐系统的结构示意图。
图4为本发明实施例4的OTA酒店的推荐系统的结构示意图。
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。
实施例1
如图1所示,本发明的OTA酒店的推荐方法的流程图,所述OTA酒店的推荐方法包括以下步骤:
步骤101、生成用户的酒店训练模型。
生成用户的酒店训练模型,所述酒店训练模型用于获取所述用户的酒店偏好数据。
在本实施例中,酒店训练模型包括酒店星级训练模型,酒店偏好数据包括酒店星级偏好值,酒店星级模型用于获取所述用户的酒店星级偏好值。
在本实施例是以XGB模型来获取酒店星级训练模型从而计算出酒店星级偏好数值。
XGB模型包括训练集和测试集。在训练集中首先生成样本,样本包括第一类输入值和第二类输入值,将样本输入至XGB模型进行模型学习生成训练模型,在测试集中将测试样本输入至所述训练模型中进行运算从而输出第二类输入值所对应的概率值。
如下表所示为本实施例的XGB模型的酒店星级样本。
每完成一新订单,生成一个酒店星级样本,所述酒店星级样本包括第一类星级输入值和第二类星级输入值。
所述第一类星级输入值为在所述新订单之前的历史酒店订单数据、历史酒店浏览数据和场景信息数据中所有特征的平均值;
所述历史酒店订单数据的特征包括:酒店的星级、酒店的价格、酒店的点评分和酒店的订单数;
所述历史酒店浏览数据的特征包括:浏览酒店的星级、浏览酒店的价格、浏览酒店的点评分和浏览酒店的订单数;
所述场景信息数据的特征包括:预订酒店所在的城市、所述城市的消费水平、预订日期;
所述第二类星级输入值为所述新订单的酒店星级数;
假设有一用户,下表为该用户在OTA酒店注册后的订单情况(本实施例只列举了4个特征):
订单日期 | 酒店的星级 | 酒店的价格 | 酒店的点评分 | 酒店的订单数 |
2014/4/20 | 2 | 450 | 3 | 45 |
2015/4/25 | 2 | 500 | 3 | 50 |
2015/8/12 | 2 | 600 | 3 | 60 |
2016/3/10 | 2 | 400 | 4 | 60 |
2016/4/2 | 2 | 400 | 2 | 70 |
2016/6/3 | 3 | 800 | 5 | 80 |
2017/3/11 | 5 | 1200 | 5 | 30 |
2017/4/12 | 4 | 1000 | 5 | 80 |
在本实施例中,所获取的是新订单发生日前2年之内的历史酒店订单数据、历史酒店浏览数据和场景信息数据中所有特征的平均值。
在上表中2017年4月12日生成了一笔新订单,故选取从2015年4月13日至2017年4月12日2年间的历史数据,见下表:
订单日期 | 酒店的星级 | 酒店的价格 | 酒店的点评分 | 酒店的订单数 |
2015/4/25 | 2 | 500 | 3 | 50 |
2015/8/12 | 2 | 600 | 3 | 60 |
2016/3/10 | 2 | 400 | 4 | 60 |
2016/4/2 | 2 | 400 | 2 | 70 |
2016/6/3 | 3 | 800 | 5 | 80 |
2017/3/11 | 5 | 1200 | 5 | 30 |
2017/4/12 | 4 | 1000 | 5 | 80 |
该用户在OTA酒店注册后共产生了8笔订单,那么2017年4月12日生成的新订单为该用户的第8个订单。
第一类星级输入值中的历史酒店订单数据中所有特征的平均值:
x81为2017年4月12日之前的6笔订单酒店的星级的平均值,(下标81:表示第8笔订单的第一个特征)
即x81=(2+2+2+2+3+5)/6≈2.7;
x82为2017年4月12日之前6笔订单酒店的价格的平均值,
即x82=(500+600+400+400+800+1200+1000)/6=650;
x83为2017年4月12日之前的6笔订单酒店的点评分的平均值,
即x83=(3+3+4+2+5+5+5)/6≈3.7;
x84为2017年4月12日之前的6笔订单酒店的订单数的平均值,
即x84=(50+60+60+70+80+30+80)/6≈58.3;
按上述方法计算该新订单发生日前2年之内的历史酒店浏览数据和场景信息数据中的所有特征的平均值。
第二类星级输入值为所述新订单的酒店星级数:
y8为该新订单的酒店星级数,即y8=4。
至此,生成了该用户的新订单所对应的酒店星级样本,然后以XGB模型为基础,将所述酒店星级样本作为输入,输入至所述XGB模型中定期的进行模型学习生成所述用户的酒店星级训练模型。
在本实施例中是每天对该用户的新生成的酒店星级样本进行模型学习,即用户的酒店星级练模型是以日为单位更新一次。
在训练集中用户识别号与该用户的酒店星级训练模型是唯一绑定的。
步骤102、进入POI搜索场景后,生成原始搜索结果。
在用户访问OTA网站酒店页面且进入POI搜索场景后,接收所述用户所输入的地标,按与所述地标的距离从近到远的顺序对酒店进行排序,且将排序后的酒店作为原始搜索结果。
步骤103、根据所述酒店训练模型获取所述用户的酒店偏好数据。
本实施例的酒店偏好数据为酒店星级偏好值。如下所示为本实施例的XGB模型的酒店星级偏好值计算的表达式:
表示将测试样本x输入至酒店星级训练模型f(x)中进行运算并输出酒店星级数yi所对应的星级偏好概率值pi,并将所述最大的星级偏好概率值所对应的酒店星级数作为所述用户的酒店星级偏好值即Yi。
首先获取酒店测试样本,所述酒店测试样本为所述用户访问OTA网站酒店页面且进入POI搜索场景之日前的所述历史酒店订单数据、所述历史酒店浏览数据和所述场景信息数据中所有特征的平均值。
假设用户在2017年9月1日访问OTA酒店且进入POI搜索场景,同样也是获取并计算2017年9月1日前2年之内历史酒店订单数据、历史酒店浏览数据和场景信息数据中所有特征的平均值,该所有特征的平均值为该用户的酒店测试样本,又假设该酒店测试样本为所述用户的第20个酒店测试样本。
在训练集中每个用户的用户识别号与酒店星级训练模型唯一绑定,故在此步骤中,根据用户识别号调取该用户的酒店星级训练模型。
将第20个酒店测试样本(即x)输入至所述酒店星级训练模型(即f(x))中进行运算并输出酒店星级数(即y)所对应的星级偏好概率值,即p(≥2),p(3),p(4),p(5)。
从所述酒店星级数所对应的星级偏好概率值中选取最大的星级偏好概率值,并将所述最大的星级偏好概率值所对应的酒店星级数作为所述用户的酒店星级偏好值。
假设p(3)的概率值最高,那么Y20=3,即3星级为该用户的酒店星级偏好值。
步骤104、根据酒店偏好数据生成最终搜索结果。
在所述原始搜索结果中按所述原始搜索结果的排列顺序依次查询与所述酒店偏好数据相匹配的酒店,并将查询结果作为最终搜索结果进行输出。
在本实施例中,在所述原始搜索结果中按所述原始搜索结果的排列顺序依次查询3星级的酒店,并将查询结果作为最终搜索结果进行输出推荐给该用户。
本实施例的OTA酒店的推荐方法是当用户进入POI搜索场景后,接收用户所输入的地标,按与所述地标的距离从近到远的顺序对酒店进行排序,并在此排列顺序的基础上依次选取与所述用户的酒店星级偏好值相匹配的酒店作为最终的搜索结果推荐给用户,降低了用户的搜索酒店的费力度。
实施例2
如图2所示,本发明的OTA酒店的推荐方法的流程图,所述OTA酒店的推荐方法包括以下步骤:
步骤201、生成酒店星级训练模型。
在本实施例中,酒店训练模型包括酒店星级训练模型,酒店偏好数据包括酒店星级偏好值,酒店星级模型用于获取所述用户的酒店星级偏好值。
本步骤的生成酒店星级训练模型与实施例1中的步骤101相同,故不再赘述。
步骤202、生成酒店价格训练模型。
在本实施例中,酒店训练模型还包括酒店价格训练模型,酒店偏好数据还包括酒店价格偏好值,酒店价格模型用于获取所述用户的酒店价格偏好值。
本实施例同样是以XGB模型来获取酒店价格训练模型从而计算出酒店价格偏好数值。
每完成一新订单,生成一个酒店价格样本,所述酒店价格样本包括第一类价格输入值和第二类价格输入值;
所述第一类价格输入值与实施例1的步骤101中的第一类星级输入值相同;
所述第二类价格输入值为所述新订单的酒店价格所对应的酒店价格范围;
本实施例中,酒店价格范围以150元进行递进,即0~150,150~300,300~450……,依次类推。
以所述XGB模型为基础,将所述酒店价格样本作为输入,输入至所述XGB模型中定期的进行模型学习生成所述用户的酒店价格训练模型。
在本实施例中也是每天对该用户的新生成的酒店价格样本进行模型学习,即用户的酒店价格模型是以日为单位更新一次。
在训练集中用户识别号与该用户的酒店价格训练模型是唯一绑定的。
步骤203、进入POI搜索场景后,生成原始搜索结果。
本步骤的生成原始搜索结果与实施例1中的步骤102相同,故不再赘述。
步骤204、根据所述酒店星级训练模型获取所述用户的酒店星级偏好值。
本步骤与实施例1中的步骤103相同,故不再赘述。
步骤205、根据所述酒店价格训练模型获取所述用户的酒店价格偏好值。
在训练集中每个用户的用户识别号与酒店价格训练模型唯一绑定,故在此步骤中,根据用户识别号调取该用户的酒店价格训练模型。
将酒店测试样本输入至所述酒店价格训练模型中进行运算并输出每段价格范围所对应的价格偏好概率值;酒店测试样本与实施例1的步骤103中的酒店测试样本相同。
从所述每段价格范围所对应的价格偏好概率值中选取最大的价格偏好概率值,并将所述最大的价格偏好概率值所对应的价格范围作为所述用户的酒店价格偏好值。
假设p(750~900)的概率值最高,那么(750~900)元这个价格范围为该用户的酒店价格偏好值。
步骤206、根据酒店星级偏好值和酒店价格偏好值生成最终搜索结果。
按所述原始搜索结果的排列顺序依次查询与所述用户的价格偏好值相匹配的酒店,并将查询结果作为第一搜索结果;
按所述第一搜索结果的排列顺序依次查询与所述用户的星级偏好值相匹配的酒店,并将查询结果作为第二搜素结果;
在所述第二搜索结果中选取排在前N位的酒店作为第三搜索结果,其中N为正整数;假设本实施例的N为3,即在所述第二搜索结果中选取排在前3位的酒店作为第三搜索结果。这个N值可根据用户的需求进行设置。
在所述原始搜索结果中删除所述排在前N位的酒店作为第四搜索结果;
输出最终搜索结果,所述最终搜索结果包括所述第三搜索结果和所述第四搜索结果,所述第三搜索结果置顶显示,所述第四搜索结果排列在所述第三搜索结果之后。
本实施例的OTA酒店的推荐方法当用户进入POI搜索场景后,接收用户所输入的地标,按与所述地标的距离从近到远的顺序对酒店进行排序,并在此排列顺序的基础上依次选取与所述用户的酒店星级偏好值和酒店价格偏好值相匹配的酒店,再从符合酒店偏好数据的酒店中选取前N位酒店置顶显示,其他酒店排列在该N位酒店之后。降低了用户找酒店的费力度,提升了用户的订购转化率,从而提高了订单的成功率。
实施例3
如图3所示,本发明的OTA酒店的推荐系统的结构示意图。所述OTA酒店的推荐系统包括:酒店训练模型生成模块301、原始结果搜索模块302、酒店偏好数据获取模块303和最终结果搜索模块304。
酒店训练模型生成模块301,用于生成用户的酒店训练模型,所述酒店训练模型用于获取所述用户的酒店偏好数据。
原始结果搜索模块302,用于在用户访问OTA网站酒店页面且进入POI搜索场景后,接收所述用户所输入的地标,按与所述地标的距离从近到远的顺序对酒店进行排序,且将排序后的酒店作为原始搜索结果。
酒店偏好数据获取模块303,用于根据所述酒店训练模型获取所述用户的酒店偏好数据。
最终结果搜索模块304,用于在所述原始搜索结果中按所述原始搜索结果的排列顺序依次查询与所述酒店偏好数据相匹配的酒店,并将查询结果作为最终搜索结果进行输出。
本实施例的OTA酒店的推荐系统,当用户进入POI搜索场景后,该系统为用户推荐了符合其酒店偏好数据的酒店,降低了用户的搜索酒店的费力度。
实施例4
如图4所示,本发明的OTA酒店的推荐系统的结构示意图。所述OTA酒店的推荐系统包括:酒店训练模型生成模块401、原始结果搜索模块402、酒店偏好数据获取模块403和最终结果搜索模块404。
酒店训练模型生成模块401,用于生成用户的酒店训练模型,所述酒店训练模型用于获取所述用户的酒店偏好数据。
所述酒店训练模型包括酒店星级训练模型,所述酒店偏好数据包括酒店星级偏好值,所述酒店星级模型用于获取所述用户的酒店星级偏好值,所述酒店训练模型生成模块401包括酒店星级训练模型生成子模块4011;
在本实施例是以XGB模型来获取酒店星级训练模型从而计算出酒店星级偏好数值。
XGB模型包括训练集和测试集。在训练集中首先利用酒店训练模型生成模块401生成样本,样本包括第一类输入值和第二类输入值,酒店训练模型生成模块401再将样本输入至XGB模型进行模型学习生成训练模型,在测试集中酒店偏好数据获取模块403将测试样本输入至所述训练模型中进行运算从而输出第二类输入值所对应的概率值。
如下表所示为本实施例的XGB模型的酒店星级样本。
所述酒店星级训练模型生成子模块4011用于每完成一新订单,生成一个酒店星级样本,所述酒店星级样本包括第一类星级输入值和第二类星级输入值;
所述第一类星级输入值为在所述新订单之前的历史酒店订单数据、历史酒店浏览数据和场景信息数据中所有特征的平均值;
所述历史酒店订单数据的特征包括:酒店的星级、酒店的价格、酒店的点评分和酒店的订单数;
所述历史酒店浏览数据的特征包括:浏览酒店的星级、浏览酒店的价格、浏览酒店的点评分和浏览酒店的订单数;
所述场景信息数据的特征包括:预订酒店所在的城市、所述城市的消费水平、预订日期;
所述第二类星级输入值为所述新订单的酒店星级数;
假设有一用户,下表为该用户在OTA酒店注册后的订单情况(本实施例只列举了4个特征):
订单日期 | 酒店的星级 | 酒店的价格 | 酒店的点评分 | 酒店的订单数 |
2014/4/20 | 2 | 450 | 3 | 45 |
2015/4/25 | 2 | 500 | 3 | 50 |
2015/8/12 | 2 | 600 | 3 | 60 |
2016/3/10 | 2 | 400 | 4 | 60 |
2016/4/2 | 2 | 400 | 2 | 70 |
2016/6/3 | 3 | 800 | 5 | 80 |
2017/3/11 | 5 | 1200 | 5 | 30 |
2017/4/12 | 4 | 1000 | 5 | 80 |
在本实施例中,所获取的是新订单发生日前2年之内的历史酒店订单数据、历史酒店浏览数据和场景信息数据中所有特征的平均值。
在上表中2017年4月12日生成了一笔新订单,故选取从2015年4月13日至2017年4月12日2年间的历史数据,见下表:
订单日期 | 酒店的星级 | 酒店的价格 | 酒店的点评分 | 酒店的订单数 |
2015/4/25 | 2 | 500 | 3 | 50 |
2015/8/12 | 2 | 600 | 3 | 60 |
2016/3/10 | 2 | 400 | 4 | 60 |
2016/4/2 | 2 | 400 | 2 | 70 |
2016/6/3 | 3 | 800 | 5 | 80 |
2017/3/11 | 5 | 1200 | 5 | 30 |
2017/4/12 | 4 | 1000 | 5 | 80 |
该用户在OTA酒店注册后共产生了8笔订单,那么2017年4月12日生成的新订单为该用户的第8个订单。
第一类星级输入值中的历史酒店订单数据中所有特征的平均值:
x81为2017年4月12日之前的6笔订单酒店的星级的平均值,(下标81:表示第8笔订单的第一个特征)
即x81=(2+2+2+2+3+5)/6≈2.7;
x82为2017年4月12日之前6笔订单酒店的价格的平均值,
即x82=(500+600+400+400+800+1200+1000)/6=650;
x83为2017年4月12日之前的6笔订单酒店的点评分的平均值,
即x83=(3+3+4+2+5+5+5)/6≈3.7;
x84为2017年4月12日之前的6笔订单酒店的订单数的平均值,
即x84=(50+60+60+70+80+30+80)/6≈58.3;
按上述方法计算该新订单发生日前2年之内的历史酒店浏览数据和场景信息数据中的所有特征的平均值。
第二类星级输入值为所述新订单的酒店星级数:
y8为该新订单的酒店星级数,即y8=4。
至此,酒店星级训练模型生成子模块4011生成了该用户的新订单所对应的酒店星级样本,然后酒店星级训练模型生成子模块4011再以XGB模型为基础,将所述酒店星级样本作为输入,输入至所述XGB模型中定期的进行模型学习生成所述用户的酒店星级训练模型。
在本实施例中是每天对该用户的新生成的酒店星级样本进行模型学习,即用户的酒店星级练模型是以日为单位更新一次。
在训练集中用户识别号与该用户的酒店星级训练模型是唯一绑定的。
所述酒店训练模型还包括酒店价格训练模型,所述酒店偏好数据还包括酒店价格偏好值,所述酒店价格训练模型用于获取所述用户的酒店价格偏好值,所述酒店训练模型生成模块401还包括酒店价格训练模型生成子模块4012。
本实施例同样是以XGB模型来获取酒店价格训练模型从而计算出酒店价格偏好数值。
所述酒店价格训练模型生成子模块4012用于每完成一新订单,生成一个酒店价格样本,所述酒店价格样本包括第一类价格输入值和第二类价格输入值;
所述第一类价格输入值与所述酒店星级训练模块生成子模块4011中的所述第一类星级输入值相同;
所述第二类价格输入值为所述新订单的酒店价格所对应的酒店价格范围;
本实施例中,酒店价格范围以150元进行递进,即0~150,150~300,300~450……,依次类推。
以所述XGB模型为基础,酒店价格训练模型生成子模块4012还将所述酒店价格样本作为输入,输入至所述XGB模型中定期的进行模型学习生成所述用户的酒店价格训练模型。
在本实施例中也是每天对该用户的新生成的酒店价格样本进行模型学习,即用户的酒店价格模型是以日为单位更新一次。
在训练集中用户识别号与该用户的酒店价格训练模型是唯一绑定的。
原始结果搜索模块402,用于在用户访问OTA网站酒店页面且进入POI搜索场景后,接收用户所输入的地标,按与所述地标的距离从近到远的顺序对酒店进行排序,且将排序后的酒店作为原始搜索结果;
酒店偏好数据获取模块403,用于根据所述酒店训练模型获取所述用户的酒店偏好数据;
所述酒店偏好数据获取模块403包括酒店星级偏好获取子模块4031;
所述酒店星级偏好获取子模块4031用于将酒店测试样本输入至所述酒店星级训练模型中进行运算并输出酒店星级数所对应的星级偏好概率值;
所述酒店测试样本为所述用户访问OTA网站酒店页面且进入POI搜索场景之日前的所述历史酒店订单数据、所述历史酒店浏览数据和所述场景信息数据中所有特征的平均值;
酒店星级偏好获取子模块4031还用于从所述酒店星级数所对应的星级偏好概率值中选取最大的星级偏好概率值,并将所述最大的星级偏好概率值所对应的酒店星级数作为所述用户的酒店星级偏好值。
如下所示为本实施例的XGB模型的酒店星级偏好值计算的表达式:
表示将测试样本x输入至酒店星级训练模型f(x)中进行运算并输出酒店星级数yi所对应的星级偏好概率值pi,并将所述最大的星级偏好概率值所对应的酒店星级数作为所述用户的酒店星级偏好值即Yi。
假设用户在2017年9月1日访问OTA酒店且进入POI搜索场景,同样也是获取并计算2017年9月1日前2年之内历史酒店订单数据、历史酒店浏览数据和场景信息数据中所有特征的平均值,该所有特征的平均值为该用户的酒店测试样本,又假设该酒店测试样本为所述用户的第20个酒店测试样本。
在训练集中每个用户的用户识别号与酒店星级训练模型唯一绑定,故酒店星级偏好获取子模块4031根据用户识别号调取该用户的酒店星级训练模型。
将第20个酒店测试样本(即x)输入至所述酒店星级训练模型(即f(x))中进行运算并输出酒店星级数(即y)所对应的星级偏好概率值,即p(≥2),p(3),p(4),p(5)。
假设p(3)的概率值最高,那么Y20=3,即3星级为该用户的酒店星级偏好值。
所述酒店偏好数据获取模块403还包括酒店价格偏好获取子模块4032;
在训练集中每个用户的用户识别号与酒店价格训练模型唯一绑定,酒店价格偏好获取子模块4032根据用户识别号调取该用户的酒店价格训练模型。
所述酒店价格偏好获取子模块4032用于所述酒店测试样本输入至所述酒店价格训练模型中进行运算输出每段价格范围所对应的价格偏好概率值;酒店测试样本与酒店星级偏好获取子模块4031所采用的酒店测试样本相同。
所述酒店价格偏好获取子模块4032还用于从所述每段价格范围所对应的价格偏好概率值中选取最大的价格偏好概率值,并将所述最大的价格偏好概率值所对应的价格范围作为所述用户的酒店价格偏好值。
假设p(750~900)的概率值最高,那么(750~900)元这个价格范围为该用户的酒店价格偏好值。
最终结果搜索模块404用于在所述原始搜索结果中按所述原始搜索结果的排列顺序依次查询与所述酒店偏好数据相匹配的酒店,并将查询结果作为最终搜索结果进行输出。
所述最终结果搜索模块404包括价格偏好搜索子模块4041、星级偏好搜索子模块4042、选取子模块4043、去重子模块4044和最终搜索结果输出子模块4045。
价格偏好搜索子模块4041,用于按所述原始搜索结果的排列顺序依次查询与所述用户的价格偏好值相匹配的酒店,并将查询结果作为第一搜索结果;
星级偏好搜索子模块4042,用于按所述第一搜索结果的排列顺序依次查询与所述用户的星级偏好值相匹配的酒店,并将查询结果作为第二搜素结果;
选取子模块4043,用于在所述第二搜索结果中选取排在前N位的酒店作为第三搜索结果,其中N为正整数;假设本实施例的N为3,即在所述第二搜索结果中选取排在前3位的酒店作为第三搜索结果。这个N值可根据用户的需求进行设置。
去重子模块4044,用于在所述原始搜索结果中删除所述排在前N位的酒店作为第四搜索结果。
最终搜索结果输出子模块4045,用于输出最终搜索结果,所述最终搜索结果包括所述第三搜索结果和所述第四搜索结果,所述第三搜索结果置顶显示,所述第四搜索结果排列在所述第三搜索结果之后。
本实施例的OTA酒店的推荐系统,当用户进入POI搜索场景后,该系统为用户推荐了符合其星级和价格偏好的酒店,降低了用户的搜索酒店的费力度,更进一步提升了酒店的订单数,提高了酒店的营业额。
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 (12)
1.一种OTA酒店的推荐方法,其特征在于,所述OTA酒店的推荐方法包括:
S1、生成用户的酒店训练模型,所述酒店训练模型用于获取所述用户的酒店偏好数据;
S2、在用户访问OTA网站酒店页面且进入POI搜索场景后,接收所述用户所输入的地标,按与所述地标的距离从近到远的顺序对酒店进行排序,且将排序后的酒店作为原始搜索结果;
S3、根据所述酒店训练模型获取所述用户的酒店偏好数据;
S4、在所述原始搜索结果中按所述原始搜索结果的排列顺序依次查询与所述酒店偏好数据相匹配的酒店,并将查询结果作为最终搜索结果进行输出。
2.如权利要求1所述的OTA酒店的推荐方法,其特征在于,所述酒店训练模型包括酒店星级训练模型,所述酒店偏好数据包括酒店星级偏好值,所述酒店星级模型用于获取所述用户的酒店星级偏好值,步骤S1包括生成所述酒店星级训练模型,生成所述酒店星级训练模型的步骤包括:
S11、每完成一新订单,生成一个酒店星级样本,所述酒店星级样本包括第一类星级输入值和第二类星级输入值;
所述第一类星级输入值为在所述新订单之前的历史酒店订单数据、历史酒店浏览数据和场景信息数据中所有特征的平均值;
所述历史酒店订单数据的特征包括:酒店的星级、酒店的价格、酒店的点评分和酒店的订单数;
所述历史酒店浏览数据的特征包括:浏览酒店的星级、浏览酒店的价格、浏览酒店的点评分和浏览酒店的订单数;
所述场景信息数据的特征包括:预订酒店所在的城市、所述城市的消费水平、预订日期;
所述第二类星级输入值为所述新订单的酒店星级数;
S12、以XGB模型为基础,将所述酒店星级样本作为输入,输入至所述XGB模型中定期的进行模型学习生成所述用户的酒店星级训练模型。
3.如权利要求2所述的OTA酒店的推荐方法,其特征在于,步骤S3包括获取所述酒店星级偏好值,所述获取酒店星级偏好值的步骤包括:
S31、将酒店测试样本输入至所述酒店星级训练模型中进行运算并输出酒店星级数所对应的星级偏好概率值;
所述酒店测试样本为所述用户访问OTA网站酒店页面且进入POI搜索场景之日前的所述历史酒店订单数据、所述历史酒店浏览数据和所述场景信息数据中所有特征的平均值;
S32、从所述酒店星级数所对应的星级偏好概率值中选取最大的星级偏好概率值,并将所述最大的星级偏好概率值所对应的酒店星级数作为所述用户的酒店星级偏好值。
4.如权利要求3所述的OTA酒店的推荐方法,其特征在于,所述酒店训练模型还包括酒店价格训练模型,所述酒店偏好数据还包括酒店价格偏好值,所述酒店价格训练模型用于获取所述用户的酒店价格偏好值,步骤S1还包括生成所述酒店价格训练模型,生成所述酒店价格训练模型的步骤包括:
S11’、每完成一新订单,生成一个酒店价格样本,所述酒店价格样本包括第一类价格输入值和第二类价格输入值;
所述第一类价格输入值与步骤S11中的所述第一类星级输入值相同;
所述第二类价格输入值为所述新订单的酒店价格所对应的酒店价格范围;
S12’、以所述XGB模型为基础,将所述酒店价格样本作为输入,输入至所述XGB模型中定期的进行模型学习生成所述用户的酒店价格训练模型。
5.如权利要求4所述的OTA酒店的推荐方法,其特征在于,步骤S3还包括获取所述酒店价格偏好值,所述获取酒店价格偏好值的步骤包括:
S31’、将所述酒店测试样本输入至所述酒店价格训练模型中进行运算并输出每段价格范围所对应的价格偏好概率值;
S32’、从所述每段价格范围所对应的价格偏好概率值中选取最大的价格偏好概率值,并将所述最大的价格偏好概率值所对应的价格范围作为所述用户的酒店价格偏好值。
6.如权利要求5所述的OTA酒店的推荐方法,其特征在于,步骤S4包括:
S41、按所述原始搜索结果的排列顺序依次查询与所述用户的价格偏好值相匹配的酒店,并将查询结果作为第一搜索结果;
S42、按所述第一搜索结果的排列顺序依次查询与所述用户的星级偏好值相匹配的酒店,并将查询结果作为第二搜素结果;
S43、在所述第二搜索结果中选取排在前N位的酒店作为第三搜索结果,其中N为正整数;
S44、在所述原始搜索结果中删除所述排在前N位的酒店作为第四搜索结果;
S45、输出最终搜索结果,所述最终搜索结果包括所述第三搜索结果和所述第四搜索结果,所述第三搜索结果置顶显示,所述第四搜索结果排列在所述第三搜索结果之后。
7.一种OTA酒店的推荐系统,其特征在于,所述OTA酒店的推荐系统包括:
酒店训练模型生成模块,用于生成用户的酒店训练模型,所述酒店训练模型用于获取所述用户的酒店偏好数据;
原始结果搜索模块,用于在用户访问OTA网站酒店页面且进入POI搜索场景后,接收所述用户所输入的地标,按与所述地标的距离从近到远的顺序对酒店进行排序,且将排序后的酒店作为原始搜索结果;
酒店偏好数据获取模块,用于根据所述酒店训练模型获取所述用户的酒店偏好数据;
最终结果搜索模块,用于在所述原始搜索结果中按所述原始搜索结果的排列顺序依次查询与所述酒店偏好数据相匹配的酒店,并将查询结果作为最终搜索结果进行输出。
8.如权利要求7所述的OTA酒店的推荐系统,其特征在于,所述酒店训练模型包括酒店星级训练模型,所述酒店偏好数据包括酒店星级偏好值,所述酒店星级模型用于获取所述用户的酒店星级偏好值,所述酒店训练模型生成模块包括酒店星级训练模型生成子模块;
所述酒店星级训练模型生成子模块用于每完成一新订单,生成一个酒店星级样本,所述酒店星级样本包括第一类星级输入值和第二类星级输入值;
所述第一类星级输入值为在所述新订单之前的历史酒店订单数据、历史酒店浏览数据和场景信息数据中所有特征的平均值;
所述历史酒店订单数据的特征包括:酒店的星级、酒店的价格、酒店的点评分和酒店的订单数;
所述历史酒店浏览数据的特征包括:浏览酒店的星级、浏览酒店的价格、浏览酒店的点评分和浏览酒店的订单数;
所述场景信息数据的特征包括:预订酒店所在的城市、所述城市的消费水平、预订日期;
所述第二类星级输入值为所述新订单的酒店星级数;
所述酒店星级训练模型生成子模块还用于以XGB模型为基础,将所述酒店星级样本作为输入,输入至所述XGB模型中定期的进行模型学习生成所述用户的酒店星级训练模型。
9.如权利要8所述的OTA酒店的推荐系统,其特征在于,所述酒店偏好数据获取模块包括酒店星级偏好获取子模块;
所述酒店星级偏好获取子模块用于将酒店测试样本输入至所述酒店星级训练模型中进行运算并输出酒店星级数所对应的星级偏好概率值;
所述酒店测试样本为所述用户访问OTA网站酒店页面且进入POI搜索场景之日前的所述历史酒店订单数据、所述历史酒店浏览数据和所述场景信息数据中所有特征的平均值;
所述酒店星级偏好获取子模块还用于从所述酒店星级数所对应的星级偏好概率值中选取最大的星级偏好概率值,并将所述最大的星级偏好概率值所对应的酒店星级数作为所述用户的酒店星级偏好值。
10.如权利要9所述的OTA酒店的推荐系统,其特征在于,所述酒店训练模型还包括酒店价格训练模型,所述酒店偏好数据还包括酒店价格偏好值,所述酒店价格训练模型用于获取所述用户的酒店价格偏好值,所述酒店训练模型生成模块还包括酒店价格训练模型生成子模块;
所述酒店价格训练模型生成子模块用于每完成一新订单,生成一个酒店价格样本,所述酒店价格样本包括第一类价格输入值和第二类价格输入值;
所述第一类价格输入值与所述酒店星级训练模块生成子模块中的所述第一类星级输入值相同;
所述第二类价格输入值为所述新订单的酒店价格所对应的酒店价格范围;
所述酒店价格训练模型生成子模块还用于以所述XGB模型为基础,将所述酒店价格样本作为输入,输入至所述XGB模型中定期的进行模型学习生成所述用户的酒店价格训练模型。
11.如权利要10所述的OTA酒店的推荐系统,其特征在于,所述酒店偏好数据获取模块还包括酒店价格偏好获取子模块;
所述酒店价格偏好获取子模块用于所述酒店测试样本输入至所述酒店价格训练模型中进行运算输出每段价格范围所对应的价格偏好概率值;
所述酒店价格偏好获取子模块还用于从所述每段价格范围所对应的价格偏好概率值中选取最大的价格偏好概率值,并将所述最大的价格偏好概率值所对应的价格范围作为所述用户的酒店价格偏好值。
12.如权利要11所述的OTA酒店的推荐系统,其特征在于,所述最终结果搜索模块包括:
价格偏好搜索子模块,用于按所述原始搜索结果的排列顺序依次查询与所述用户的价格偏好值相匹配的酒店,并将查询结果作为第一搜索结果;
星级偏好搜索子模块,用于按所述第一搜索结果的排列顺序依次查询与所述用户的星级偏好值相匹配的酒店,并将查询结果作为第二搜素结果;
选取子模块,用于在所述第二搜索结果中选取排在前N位的酒店作为第三搜索结果,其中N为正整数;
去重子模块,用于在所述原始搜索结果中删除所述排在前N位的酒店作为第四搜索结果;
最终搜索结果输出子模块,用于输出最终搜索结果,所述最终搜索结果包括所述第三搜索结果和所述第四搜索结果,所述第三搜索结果置顶显示,所述第四搜索结果排列在所述第三搜索结果之后。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710807393.0A CN107688662B (zh) | 2017-09-08 | 2017-09-08 | Ota酒店的推荐方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710807393.0A CN107688662B (zh) | 2017-09-08 | 2017-09-08 | Ota酒店的推荐方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107688662A true CN107688662A (zh) | 2018-02-13 |
CN107688662B CN107688662B (zh) | 2020-10-30 |
Family
ID=61156131
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710807393.0A Active CN107688662B (zh) | 2017-09-08 | 2017-09-08 | Ota酒店的推荐方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107688662B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN108648058A (zh) * | 2018-05-15 | 2018-10-12 | 北京三快在线科技有限公司 | 产品排序方法及装置,电子设备、存储介质 |
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 |
CN109933716A (zh) * | 2019-01-15 | 2019-06-25 | 深圳心跳智能科技有限公司 | 一种基于客户行为习惯偏好的个性化酒店智能推荐算法 |
CN110633370A (zh) * | 2019-09-19 | 2019-12-31 | 携程计算机技术(上海)有限公司 | Ota酒店标签的生成方法、系统、电子设备和介质 |
CN111380558A (zh) * | 2018-12-29 | 2020-07-07 | 北京四维图新科技股份有限公司 | 兴趣点的排序方法、设备、服务器及存储介质 |
CN111581245A (zh) * | 2020-03-26 | 2020-08-25 | 口口相传(北京)网络技术有限公司 | 一种数据搜索方法以及装置 |
CN112882621A (zh) * | 2021-02-07 | 2021-06-01 | 微民保险代理有限公司 | 模块显示方法、装置、计算机设备和存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101329674A (zh) * | 2007-06-18 | 2008-12-24 | 北京搜狗科技发展有限公司 | 一种提供个性化搜索的系统和方法 |
CN102298612A (zh) * | 2010-06-25 | 2011-12-28 | 微软公司 | 基于用户社交简档调整搜索结果 |
US20140222797A1 (en) * | 2013-02-03 | 2014-08-07 | Chian Chiu Li | Collecting And Providing Information Online |
CN104537027A (zh) * | 2014-12-19 | 2015-04-22 | 百度在线网络技术(北京)有限公司 | 信息推荐方法及装置 |
CN106709767A (zh) * | 2017-03-07 | 2017-05-24 | 携程计算机技术(上海)有限公司 | Ota酒店的个性化推荐方法及系统 |
CN106909659A (zh) * | 2017-02-27 | 2017-06-30 | 携程旅游网络技术(上海)有限公司 | Ota网站中基于交通便利度的酒店排序方法 |
-
2017
- 2017-09-08 CN CN201710807393.0A patent/CN107688662B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101329674A (zh) * | 2007-06-18 | 2008-12-24 | 北京搜狗科技发展有限公司 | 一种提供个性化搜索的系统和方法 |
CN102298612A (zh) * | 2010-06-25 | 2011-12-28 | 微软公司 | 基于用户社交简档调整搜索结果 |
US20140222797A1 (en) * | 2013-02-03 | 2014-08-07 | Chian Chiu Li | Collecting And Providing Information Online |
CN104537027A (zh) * | 2014-12-19 | 2015-04-22 | 百度在线网络技术(北京)有限公司 | 信息推荐方法及装置 |
CN106909659A (zh) * | 2017-02-27 | 2017-06-30 | 携程旅游网络技术(上海)有限公司 | Ota网站中基于交通便利度的酒店排序方法 |
CN106709767A (zh) * | 2017-03-07 | 2017-05-24 | 携程计算机技术(上海)有限公司 | Ota酒店的个性化推荐方法及系统 |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN108648058B (zh) * | 2018-05-15 | 2020-07-10 | 北京三快在线科技有限公司 | 产品排序方法及装置,电子设备、存储介质 |
CN108648058A (zh) * | 2018-05-15 | 2018-10-12 | 北京三快在线科技有限公司 | 产品排序方法及装置,电子设备、存储介质 |
WO2019218654A1 (zh) * | 2018-05-15 | 2019-11-21 | 北京三快在线科技有限公司 | 产品排序 |
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 |
CN111380558B (zh) * | 2018-12-29 | 2022-02-11 | 北京四维图新科技股份有限公司 | 兴趣点的排序方法、设备、服务器及存储介质 |
CN111380558A (zh) * | 2018-12-29 | 2020-07-07 | 北京四维图新科技股份有限公司 | 兴趣点的排序方法、设备、服务器及存储介质 |
CN109933716A (zh) * | 2019-01-15 | 2019-06-25 | 深圳心跳智能科技有限公司 | 一种基于客户行为习惯偏好的个性化酒店智能推荐算法 |
CN110633370A (zh) * | 2019-09-19 | 2019-12-31 | 携程计算机技术(上海)有限公司 | Ota酒店标签的生成方法、系统、电子设备和介质 |
CN110633370B (zh) * | 2019-09-19 | 2023-07-04 | 携程计算机技术(上海)有限公司 | Ota酒店标签的生成方法、系统、电子设备和介质 |
CN111581245A (zh) * | 2020-03-26 | 2020-08-25 | 口口相传(北京)网络技术有限公司 | 一种数据搜索方法以及装置 |
CN111581245B (zh) * | 2020-03-26 | 2023-10-17 | 口口相传(北京)网络技术有限公司 | 一种数据搜索方法以及装置 |
CN112882621A (zh) * | 2021-02-07 | 2021-06-01 | 微民保险代理有限公司 | 模块显示方法、装置、计算机设备和存储介质 |
CN112882621B (zh) * | 2021-02-07 | 2022-11-18 | 微民保险代理有限公司 | 模块显示方法、装置、计算机设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN107688662B (zh) | 2020-10-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107688662A (zh) | Ota酒店的推荐方法及系统 | |
CN103810299B (zh) | 基于多特征融合的图像检索方法 | |
CN107730343A (zh) | 一种基于图片属性提取的用户商品信息推送方法及设备 | |
CN103885983B (zh) | 一种旅游线路的确定方法、优化方法以及装置 | |
CN104143005B (zh) | 一种相关搜索系统及方法 | |
CN105069047B (zh) | 一种地理信息的检索方法及装置 | |
CN103593474B (zh) | 基于深度学习的图像检索排序方法 | |
CN107229666B (zh) | 一种基于推荐系统的兴趣探索方法及装置 | |
CN107748799A (zh) | 一种多数据源影视数据实体对齐的方法 | |
CN107563867A (zh) | 一种基于多臂赌博机置信上限的推荐系统冷启动方法 | |
CN103309869B (zh) | 数据对象的展示关键词推荐方法及系统 | |
CN105469262B (zh) | 商品资讯信息获取和整合方法及装置 | |
WO2006133050A2 (en) | Relationship networks | |
KR20060095979A (ko) | 검색 결과를 클러스터화하기 위한 시스템 및 방법 | |
CN101162146A (zh) | 一种联网车载导航设备中兴趣点按拼音首字母检索的方法 | |
CN106022869A (zh) | 一种消费对象的推荐方法及装置 | |
CN106934071A (zh) | 基于异构信息网络和贝叶斯个性化排序的推荐方法及装置 | |
CN102968465A (zh) | 网络信息服务平台及其基于该平台的搜索服务方法 | |
CN108492290A (zh) | 图像评价方法及系统 | |
CN110134871B (zh) | 一种基于课程和学习者网络结构的动态课程推荐方法 | |
CN110032681A (zh) | 基于简历内容的职位推荐方法 | |
CN106960044A (zh) | 一种基于张量分解及加权hits的时间感知个性化poi推荐方法 | |
CN109033132A (zh) | 利用知识图谱计算文本和主体相关度的方法以及装置 | |
CN109740072A (zh) | Ota平台下基于poi的酒店排序方法及系统 | |
CN104679820A (zh) | 一种搜索结果排序方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |