CN109509039A - 价格预测模型的建立方法及系统、商品推荐方法及系统 - Google Patents

Abstract

本发明公开了价格预测模型的建立方法及系统、商品推荐方法及系统。所述建立方法包括以下步骤：获取用户的购物数据；构建初始的价格预测模型的目标函数；所述目标函数的评估目标包括用户对商品所期望的最高价格、最低价格和价格区间；从所述购物数据中提取训练样本输入所述目标函数，并利用GBDT算法和交替优化算法对所述目标函数进行训练，得到最终的价格预测模型。本发明实现了根据实际情况对预测精度和区间大小进行调整，同时对用户所期望的商品的最高价格、最低价格和价格区间进行预测，且本发明针对呈现长尾分布的大规模数据有着较好的预测结果，且运行时间较快，十分适用于OTA领域的用户期望价格预测问题。

Description

价格预测模型的建立方法及系统、商品推荐方法及系统

技术领域

本发明涉及计算机技术领域，特别涉及一种OTA(在线旅行社)领域的价格预测模型的建立方法及系统、商品推荐方法及系统。

背景技术

随着OTA的快速发展，线下酒店与互联网的联系越来越紧密，酒店的数量也日益增多。酒店数量的增多，一方面代表用户的有着更多的选择，另一方面也表示用户将面对大量冗余信息，难以快速找到自己所需。因此，为用户提供较为准确的个性化推荐成为OTA一个重要的努力方向。

当用户在OTA选择酒店的时候，其往往浏览大量该酒店的信息，如星级评分、基础设置情况、地理位置以及是否含早，等等。鉴于此，目前酒店领域常用的推荐算法更多的倾向于考虑用户对酒店品牌、星级、位置及各类服务的喜好。然而，在所有可能影响用户的因素中，酒店的价格是一个很重要的因素。考虑到电商市场的透明程度和较低的搜索成本，越来越多的消费者倾向于将不同OTA及酒店进行比较，进而选取最合适的酒店；此外，现有OTA通常在网页上展示其推荐的酒店列表，每个酒店只展示较少的图片及简短的文字描述，这也就造成酒店很难突出自己的不同之处。这种情况下，酒店价格作为一个很容易被用户明确评估的因素，故在用户选择过程中的作用尤为突出。因此，准确预测用户期望价格对OTA平台酒店的个性化推荐有着重要的作用。

价格预测实际上是一个回归问题，而目前常用的回归方法大多数是基于点估计。但是，传统的点估计用于解决该问题并不合理：一方面，点估计只给出一个固定值，忽略了其他的有效信息，如估计值的可信度；另一方面，用户对酒店价格的可接受程度会受到出行时间、出行意图及目的地等多方面的影响，其本身并不是一个固定值。

统计学中，常用的区间估计方法可以同时输出预测目标的上界和下界，相比于点估计更加适用于对用户价格的估计。然而，现有区间估计大多是基于分位数回归的原理，对上下界的预测是分开进行的。当面对OTA领域具有长尾分布特性的数据，其预测结果精度有限，且需较长的数据处理时间。

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预测用户期望的商品价格的方式要么准确率不高，要么不适合长尾分布特性的数据的缺陷，提供一种价格预测模型的建立方法及系统、商品推荐方法及系统。

本发明是通过下述技术方案来解决上述技术问题：

一种价格预测模型的建立方法，所述建立方法包括以下步骤：

获取用户的购物数据；

构建初始的价格预测模型的目标函数；所述目标函数的评估目标包括用户对商品所期望的最高价格、最低价格和价格区间；

从所述购物数据中提取训练样本输入所述目标函数，并利用GBDT算法和交替优化算法对所述目标函数进行训练，得到最终的价格预测模型。

较佳地，所述训练样本包括以下参数中的至少一种：

预设时间段内下单数量、下单的商品价格、浏览的商品价格。

较佳地，所述目标函数为：

其中，L表征所述目标函数；表征所述最高价格、表征所述最低价格；y_i表征下单的商品价格；γ和α表征调节参数。

较佳地，利用GBDT(梯度提升树)算法和交替优化算法对所述目标函数进行训练的步骤，具体包括：

利用所述GBDT算法分别对所述最高价格和所述最低价格进行一次迭代，并利用交替优化算法将所述GBDT算法每次迭代后的结果进行传递，实现下一次迭代。

本发明还提供一种商品推荐方法，所述商品推荐方法包括以下步骤：

利用如上所述的价格预测模型的建立方法获得价格预测模型；

将价格在所述价格预测模型预测的价格区间内的商品推荐给用户。

本发明还提供一种价格预测模型的建立系统，所述建立系统包括：

数据采集模块，用于获取用户的购物数据；

模型建立模块，用于构建初始的价格预测模型的目标函数；所述目标函数的评估目标包括用户对商品所期望的最高价格、最低价格和价格区间；

模型训练模块，用于从所述购物数据中提取训练样本输入所述目标函数，并利用GBDT算法和交替优化算法对所述目标函数进行训练，得到最终的价格预测模型。

较佳地，所述训练样本包括以下参数中的至少一种：

预设时间段内下单数量、下单的商品价格、浏览的商品价格。

较佳地，所述目标函数为：

其中，L表征所述目标函数；表征所述最高价格、表征所述最低价格；y_i表征下单的商品价格；γ和α表征调节参数。

较佳地，所述模型训练模块包括：训练单元；

所述训练单元，用于利用所述GBDT算法分别对所述最高价格和所述最低价格进行一次迭代，并利用交替优化算法将所述GBDT算法每次迭代后的结果进行传递，实现下一次迭代。

本发明还提供一种商品推荐系统，所述商品推荐系统包括：推荐模块和利用上述的价格预测模型的建立系统获得的价格预测模型；

所述推荐模块用于将价格在所述价格预测模型预测的价格区间内的商品推荐给用户。

本发明的积极进步效果在于：本发明实现了根据实际情况对预测精度和区间大小进行调整，同时对用户所期望的商品的最高价格、最低价格和价格区间进行预测，且本发明针对呈现长尾分布的大规模数据有着较好的预测结果，且运行时间较快，十分适用于OTA领域的用户期望价格预测问题。

附图说明

图1为本发明一较佳实施例的价格预测模型的建立方法的流程图。

图2为图1中步骤130的迭代过程的流程示意图。

图3为本发明一较佳实施例的商品推荐方法的流程图。

图4为本发明一较佳实施例的价格预测模型的建立系统的模块示意图。

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。

图1示出了本发明一种实施方式下的价格预测模型的建立方法，该价格预测模型用于预测用户对商品的期望价格，也即对用户进行购物时的可接受价格范围进行预测。该建立方法包括以下步骤：

步骤110、获取用户的购物数据，并从购物数据中提取训练样本。

对于电子商务而言，以OTA为例，用户的购物数据中用户下单后至今并没有取消的订单，我们称之为非取消单，一般来说非取消单都会具有一定的可参考性，故将其作为训练样本。训练时，随机取D日期(可以是某天、某星期、某月等)的非取消单作为训练集，D+1日期(相应的，第二天、下一星期、下月等)的非取消订单作为测试集。将每个订单中的商品价格作为订单的预测目标。为提升预测准确性，还可采集购物数据中用户的历史数据和近期浏览数据，构造一系列的特征，如近一年的订单数量、平均价格、星级、近期浏览酒店价格、星级等参数。从而，可从购物数据中选择预设时间段内下单数量、下单的商品价格、浏览的商品价格、商品的星级等参数作为训练样本。具体如表1所示。

表1训练样本参数

将上述参数构造矩阵作为训练样本，如下所示：

其中，每一行代表一个训练样本，y为非取消单的商品价格，x为购物数据中的参数数值；N为训练数据的样本数量，n为特征参数的数量。

步骤120、构建初始价格预测模型的目标函数。

其中，目标函数的评估目标包括用户期望的最高价格(用户购物时能接受的最高价格)、最低价格(用户购物时能接受的最低价格)和价格区间。具体的，目标函数为：

其中，L表征目标函数；表征评估目标中的商品的最高价格、表征评估目标中的商品的最低价格；y_i表征非取消单的商品价格；γ和α表征调节参数；g表征目标函数。

本实施例中，该目标函数由三部分组成，分别是：对下界(最低价格)的学习，对上界(最高价格)的学习以及对区间长度(价格区间)的限制。通过调节参数γ，该函数可以在上、下界的学习中进行侧重，从而适用于处理长尾分布的数据；通过调节参数α，其可以在预测精度及区间长度间进行平衡。也就是说，本实施例实现了对最低价格、最高价格和价格区间同时进行调节，有着较好的预测结果。

步骤130、将训练样本输入目标函数，并利用GBDT算法和交替优化算法对目标函数进行训练，得到最终的价格预测模型。

由于传统的GBDT是单目标预测模型，为实现本方案的两目标输出，本实施例中，将训练目标函数的迭代过程进行分解，并利用交替优化进行参数的传递。也即步骤130中，利用GBDT算法和交替优化算法对目标函数进行训练的步骤，具体包括：

利用GBDT算法分别对评估目标中的最高价格、最低价格进行一次迭代，并利用交替优化算法将GBDT算法每次迭代后的结果进行传递，实现下一次迭代。

具体流程如图2所示。从图中可以看出，该框架下包含两个GBDT过程，一个用于学习上界，一个用于学习下界。考虑到目标函数的一阶偏导均用到了另一方的信息，我们利用交替优化原理，将GBDT内部每一步的预测结果进行传递，使迭代过程得以进行。直到学习到预期结果，该迭代过程结束，得到上、下界的预测结果(即区间预测的结果)。

下面对迭代过程的原理作进一步说明：

GBDT结果为其内部决策树输出结果之和。为进行区间估计，将结果表示为两个输出：其中f_U(x)为上界预测结果，f_L(x)为下界预测结果，tree_L,i(x)和tree_U,i(x)为GBDT内部的决策树的预测结果。GBDT学习过程中上界的更新策略为 其GBDT的目标函数如下所示：

其中，g为目标函数部分，Ω为正则化项。

GBDT学习过程中下界的更新策略与上界类似，此处不再赘述。

为了提高计算效率，本实施例采用GBDT领域中目前运行速度最快，效果最佳的XGBoost模型。相对于传统的GBDT模型，XGBoost模型利用二阶泰勒展开式对原GBDT的目标函数进行近似，故GBDT的目标函数可改写为如下新目标函数：

其中，g_j表征新目标函数在样本当前预测值处的一阶导数值，h_j表征二阶导数值。根据该近似目标函数，XGBoost内部进行迭代，直至得到预期的结果。

XGBoost模型训练过程会用到上界的新目标函数的一阶导和二阶导，新目标函数对上界的一阶、二阶偏导如下：

同理，下界的新目标函数的一阶导和二阶导如下：

其中，k＝1,2,…,K，K为迭代次数。

开始迭代时，将训练样本的上界、下界的初始值全部设为0，表示为

通过对进行更新，得到

通过对进行更新，得到

直至迭代结束，针对每个样本输出预测值，1≤i≤n，即对用户期望价格(包括最高价格、最低价格和价格区间)的预测。

本实施中，boosting是机器学习领域常用的一种算法，其可以将弱学习器(通常为决策树)集成进而提升为强学习器。GBDT则是boosting一种具体的实现方法，其主要思想为每一次建立模型是在之前建立模型损失函数的梯度下降方向。模型通过不断的改进，从而使得最终的结果得以提升，其在复杂数据处理方面也表现出了优异的性能。本发明在GBDT的基础上进行改进，使得其满足OTA领域中时间上的要求。

本实施例中，对价格区间的估计有着较大的提升。相同的精度要求情况下，本实施例的方法能够预测出更小的区间，更符合用户实际期望。例如，当精度要求为0.6时，传统方法得到的区间大小为580，新方法的区间仅为483。类似地，相同区间大小要求情况下，该方法能够达到更高的精度。

本实施例中，对于处理大规模复杂数据有着明显的优势。传统区间估计常用来处理数据量较小，训练样本仅有几百、几千的数据；该方法对于处理OTA领域中，训练样本上万、甚至几十万的数据均能有良好的表现。

本实施例的方法在时间方面也有着极大的提升。例如，对于处理某一具体OTA数据集，训练数据有151249个样本，200个维度，本实施例的方法实现模型训练时间仅为2小时；采用相应的硬件，传统方法的训练时间超过了48个小时。

如图3所示，本实施例的另一个实施例提供了一种商品推荐方法，该商品推荐方法包括以下步骤：

步骤210、建立价格预测模型。

其中，价格预测模型利用上述价格预测模型的建立方法获得。

步骤220、使用价格预测模型预测用户对商品所期望的最高价格、最低价格和价格区间。

步骤230、将价格在所述价格区间内的商品推荐给用户。

本实施例利用价格预测模型实现了对用户的可接受价格区间范围进行预测，以商品为酒店为例，进而对app(计算机应用程序)列表页的展示的酒店商品进行过滤，并将过滤后的商品推荐给用户。由于过滤后的商品的价格始终在用户能接受的范围内，因此点击率、购买率大大提高。

如图4所示，本实施例的另一种实施例提供了一种价格预测模型的建立系统，该建立系统包括：数据采集模块1、模型建立模块2和模型训练模块3。

数据采集模块1用于获取用户的购物数据。对于电子商务而言，以OTA为例，用户的购物数据中用户下单后至今并没有取消的订单，我们称之为非取消单，一般来说非取消单都会具有一定的可参考性，故将其作为训练样本。训练时，随机取D日期(可以是某天、某星期、某月等)的非取消单作为训练集，D+1日期(相应的，第二天、下一星期、下月等)的非取消订单作为测试集。将每个订单中的商品价格作为订单的预测目标。为提升预测准确性，还可采集购物数据中用户的历史数据和近期浏览数据，构造一系列的特征，如近一年的订单数量、平均价格、星级、近期浏览酒店价格、星级等参数。从而，可从购物数据中选择预设时间段内下单数量、下单的商品价格、浏览的商品价格、商品的星级等参数作为训练样本。

模型建立模块2用于构建初始的价格预测模型的目标函数。其中，目标函数的评估目标包括用户对商品所期望的最高价格、最低价格和价格区间。

本实施例中，目标函数采用：

其中，L表征目标函数；表征最高价格、表征最低价格；y_i表征下单的商品价格；γ和α表征调节参数。

模型训练模块3用于从购物数据中提取训练样本输入目标函数，并利用GBDT算法和交替优化算法对目标函数进行训练，得到最终的价格预测模型。

具体的，模型训练模块包括：训练单元。训练单元用于利用GBDT算法分别对最高价格和最低价格进行一次迭代，并利用交替优化算法将GBDT算法每次迭代后的结果进行传递，实现下一次迭代。具体迭代过程参见图2。

本发明实施例还提供一种商品推荐系统，该商品推荐系统包括：推荐模块和价格预测模型。其中，价格预测模型利用上述价格预测模型的建立系统获得。推荐模块用于将价格在价格预测模型预测的价格区间内的商品推荐给用户。

本实施例利用价格预测模型实现了对用户的可接受价格区间范围进行预测，以商品为酒店为例，进而对app(计算机应用程序)列表页的展示的酒店商品进行过滤，并将过滤后的商品推荐给用户。由于过滤后的商品的价格始终在用户能接受的范围内，因此点击率、购买率大大提高。

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 (10)

1.一种价格预测模型的建立方法，其特征在于，所述建立方法包括以下步骤：

获取用户的购物数据；

构建初始的价格预测模型的目标函数；所述目标函数的评估目标包括用户对商品所期望的最高价格、最低价格和价格区间；

从所述购物数据中提取训练样本输入所述目标函数，并利用GBDT算法和交替优化算法对所述目标函数进行训练，得到最终的价格预测模型。

2.如权利要求1所述的价格预测模型的建立方法，其特征在于，所述训练样本包括以下参数中的至少一种：

预设时间段内下单数量、下单的商品价格、浏览的商品价格。

3.如权利要求2所述的价格预测模型的建立方法，其特征在于，所述目标函数为：

其中，L表征所述目标函数；表征所述最高价格、表征所述最低价格；y_i表征下单的商品价格；γ和α表征调节参数。

4.如权利要求1所述的价格预测模型的建立方法，其特征在于，利用GBDT算法和交替优化算法对所述目标函数进行训练的步骤，具体包括：

利用所述GBDT算法分别对所述最高价格和所述最低价格进行一次迭代，并利用交替优化算法将所述GBDT算法每次迭代后的结果进行传递，实现下一次迭代。

5.一种商品推荐方法，其特征在于，所述商品推荐方法包括以下步骤：

利用权利要求1-4中任意一项所述的价格预测模型的建立方法获得价格预测模型；

将价格在所述价格预测模型预测的价格区间内的商品推荐给用户。

6.一种价格预测模型的建立系统，其特征在于，所述建立系统包括：

数据采集模块，用于获取用户的购物数据；

模型建立模块，用于构建初始的价格预测模型的目标函数；所述目标函数的评估目标包括用户对商品所期望的最高价格、最低价格和价格区间；

模型训练模块，用于从所述购物数据中提取训练样本输入所述目标函数，并利用GBDT算法和交替优化算法对所述目标函数进行训练，得到最终的价格预测模型。

7.如权利要求6所述的价格预测模型的建立系统，其特征在于，所述训练样本包括以下参数中的至少一种：

预设时间段内下单数量、下单的商品价格、浏览的商品价格。

8.如权利要求7所述的价格预测模型的建立系统，其特征在于，所述目标函数为：

其中，L表征所述目标函数；表征所述最高价格、表征所述最低价格；y_i表征下单的商品价格；γ和α表征调节参数。

9.如权利要求6所述的价格预测模型的建立系统，其特征在于，所述模型训练模块包括：训练单元；

所述训练单元，用于利用所述GBDT算法分别对所述最高价格和所述最低价格进行一次迭代，并利用交替优化算法将所述GBDT算法每次迭代后的结果进行传递，实现下一次迭代。

10.一种商品推荐系统，其特征在于，所述商品推荐系统包括：推荐模块和利用权利要求6-9中任意一项所述的价格预测模型的建立系统获得的价格预测模型；

所述推荐模块用于将价格在所述价格预测模型预测的价格区间内的商品推荐给用户。