CN109816127A - 一种智能票务推荐方法及系统 - Google Patents

Abstract

本发明公开了一种智能票务推荐方法及系统。本发明的智能票务推荐方法，包括：接收用户票务搜索内容，并获得搜索结果；计算得到每条搜索结果的特征向量；将特征向量输入预测模型，计算得到每条搜索结果的购买概率，并对搜索结果整合排序以获得预测结果列表；选取预测结果列表中购买概率最高的搜索结果作为聚类中心，遍历预测结果列表进行聚类，并将聚类中心与所有相似聚类项组合为聚类列表；选取每次聚类获得的聚类列表中购买概率最高的搜索结果作为推荐结果，该聚类列表中的其余搜索结果作为相似候选结果，根据特征向量分析结果为推荐结果打上推荐标签；将推荐结果、推荐标签和相似候选结果展示给用户。本发明还公开了一种智能票务推荐系统。

Description

一种智能票务推荐方法及系统

技术领域

本发明涉及票务预订技术领域，特别是涉及一种智能票务推荐方法及系统。

背景技术

目前，用户在OTA网站搜索旅行的行程路线及相应的机票、火车票、汽车票、轮船票、门票或酒店预订时，输入搜索关键词后，通常会出现几百上千条的搜索结果，当前行业内的搜索产品，仅仅将搜索结果按某一些特征的简单排序，未能综合性地帮助用户作出选择，以及不能将不同选择的差异性和优缺点展示给用户，使得用户在看到这么多的搜索结果后很难进行选择。

比如，用户搜索机票，同一航线有成百上千的结果，不同结果存在着起降时点、价格、飞行时长、航司等差异，用户往往面临结果过多而无从选择的困难。

因此，用户越来越需要搜索产品能提供具备优势及差异化的票务购买方案，展示不同票务购买方案的优缺点，以减少用户选择票务的时间，提高用户预订票务的效率。

发明内容

基于此，本发明的目的在于，提供一种提供具备优势及差异化的票务购买方案、展示不同票务购买方案的优缺点、提高用户预订票务效率的智能票务推荐方法及系统。

本发明的智能票务推荐方法，包括：

接收用户票务搜索内容，并获得搜索结果；

计算得到每条搜索结果的特征向量；

将特征向量输入预测模型，计算得到每条搜索结果的购买概率，并对搜索结果整合排序以获得预测结果列表；

选取预测结果列表中购买概率最高的搜索结果作为聚类中心，遍历预测结果列表进行聚类，寻找与聚类中心相似的搜索结果作为相似聚类项，并将聚类中心与所有相似聚类项组合为聚类列表，将本次聚类中的聚类中心和所有相似聚类项从预测结果列表中剔除，对剔除处理后的预测结果列表进行下一次聚类；

选取每次聚类获得的聚类列表中购买概率最高的搜索结果作为推荐结果，该聚类列表中的其余搜索结果作为相似候选结果，对推荐结果进行特征向量分析，根据特征向量分析结果为推荐结果打上推荐标签；

将推荐结果、推荐标签和相似候选结果展示给用户。

进一步优选地，所述预测模型为

其中，x为每条搜索结果的特征向量，θ为特征向量的权重参数，hθ(x)为计算得到的每条搜索结果的购买概率，hθ(x)的取值范围为[0,1]。

进一步优选地，所述预测模型的获得方法为：

设x为每条搜索结果的特征向量，θ为特征向量的权重参数，y为用户购买结果，则y＝θx，将用户购买结果y和每条搜索结果的特征向量x映射到sigmoid函数上，即得到

所述预测模型基于历史用户购买记录进行训练，其训练过程为：

设hθ(x)为0代表用户没有购买，hθ(x)为1代表用户购买，那么有

P(y＝1|x，θ)＝hθ(x)，

P(y＝0|x，θ)＝1-hθ(x)，

将上述两式合并，得到用户购买具有某特征向量的搜索结果的条件概率公式：P(y|x，θ)＝hθ(x)^y(1-hθ(x))^1-y，

用似然函数最大化求解特征向量的权重参数θ，

所述似然函数的表达式为：

其中，m为搜索结果的样本个数，

对似然函数对数化取反得到损失函数J(θ)，损失函数J(θ)的表达式：

用梯度下降法求损失函数J(θ)的最小值，即得到特征向量的权重参数θ，完成对预测模型的训练。

进一步优选地，所述将特征向量输入预测模型，计算得到每条搜索结果的购买概率，包括：将特征向量输入预测模型计算得到每条搜索结果的购买概率。

进一步优选地，所述对搜索结果整合排序以获得预测结果列表，包括：将搜索结果按购买概率由高到低进行排序，获得预测结果列表；

所述寻找与聚类中心相似的搜索结果作为相似聚类项，包括：通过计算聚类中心与其他搜索结果的特征向量之间的余弦相似度或者欧式距离，得到与聚类中心相似的搜索结果作为相似聚类项。

进一步优选地，所述对推荐结果进行特征向量分析，根据特征向量分析结果为推荐结果打上推荐标签，包括：对推荐结果进行特征向量分析，抽取并转换推荐结果的特征向量为文字或评分作为推荐标签，根据特征向量分析结果为推荐结果打上推荐标签。

进一步优选地，所述将推荐结果、推荐标签和相似候选结果展示给用户，包括：将推荐结果、推荐标签和相似候选结果以卡牌、导航图、雷达图、测评中的一种或多种形式展示给用户。

进一步优选地，所述用户票务搜索内容包括机票、火车票、汽车票、轮船票、门票、酒店预订的查询条件和/或查询关键词；

若所述用户票务搜索内容为火车票或汽车票的查询条件和/或查询关键词，则所述搜索结果的特征向量包括车型、开车时间、到站时间、行车时长、价格和经停站；

若所述用户票务搜索内容为轮船票的查询条件和/或查询关键词，则所述搜索结果的特征向量包括起航时间、靠岸时间、航行时长、价格、经停站和航司；

若所述用户票务搜索内容为门票的查询条件和/或查询关键词，则所述搜索结果的特征向量包括景点类型、价格、营业时间、限流条件和游客评价；

若所述用户票务搜索内容为酒店预订的查询条件和/或查询关键词，则所述搜索结果的特征向量包括价格、地理位置信息、入住时间、退房时间、押金政策、硬件设施条件和客户评价。

进一步优选地，若所述用户票务搜索内容为机票的查询条件和/或查询关键词，则所述搜索结果的特征向量包括起降时间、飞行时长、价格、中转站和航司。

相对于现有技术，本发明的智能票务推荐方法可以根据特征向量计算每条搜索结果的购买概率，并将搜索结果整合排序获得预测结果列表，进一步对预测结果列表进行多次聚类获得聚类列表，从聚类列表中选取购买概率最高的搜索结果作为推荐结果，并将其余搜索结果作为相似候选结果，对推荐结果进行特征向量分析，为推荐结果打上推荐标签，将推荐结果、推荐标签和相似候选结果展示给用户，聚类列表可以作为评估获得的具备优势及差异化的票务购买方案，而推荐标签能够展示不同票务购买方案的优缺点，减少用户选择票务的时间，提高了用户预订票务的效率。

本发明还进一步提供了一种智能票务推荐系统，包括：

接收搜索模块，用于接收用户票务搜索内容并获得搜索结果；

数据清洗模块，用于计算得到每条搜索结果的特征向量；

预测训练模块，用于将特征向量输入预测模型，计算得到每条搜索结果的购买概率，并对搜索结果整合排序以获得预测结果列表；

聚类算法模块，用于选取预测结果列表中购买概率最高的搜索结果作为聚类中心，遍历预测结果列表进行聚类，寻找与聚类中心相似的搜索结果作为相似聚类项，并将聚类中心与所有相似聚类项组合为聚类列表，将本次聚类中的聚类中心和所有相似聚类项从预测结果列表中剔除，对剔除处理后的预测结果列表进行下一次聚类；

推荐结果分析模块，用于选取每次聚类获得的聚类列表中购买概率最高的搜索结果作为推荐结果，该聚类列表中的其余搜索结果作为相似候选结果，对推荐结果进行特征向量分析，根据特征向量分析结果为推荐结果打上推荐标签；

前端展示模块，用于将推荐结果、推荐标签和相似候选结果展示给用户。

相对于现有技术，本发明的智能票务推荐系统通过设置接收搜索模块、数据清洗模块、预测训练模块、聚类算法模块、推荐结果分析模块和前端展示模块，可以根据特征向量计算每条搜索结果的购买概率，并将搜索结果整合排序获得预测结果列表，进一步对预测结果列表进行多次聚类获得聚类列表，从聚类列表中选取购买概率最高的搜索结果作为推荐结果，并将其余搜索结果作为相似候选结果，对推荐结果进行特征向量分析，为推荐结果打上推荐标签，将推荐结果、推荐标签和相似候选结果展示给用户，聚类列表可以作为评估获得的具备优势及差异化的票务购买方案，而推荐标签能够展示不同票务购买方案的优缺点，减少用户选择票务的时间，提高了用户预订票务的效率。

为了更好地理解和实施，下面结合附图详细说明本发明。

附图说明

图1是本发明的智能票务推荐方法的示例性流程框图。

图2是本发明的智能票务推荐系统的结构框图。

具体实施方式

以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的方法的例子。

在本公开使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本公开。在本公开和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。

请参阅图1，图1是本发明的智能票务推荐方法的示例性流程框图。本发明的智能票务推荐方法，包括：

步骤101，接收用户票务搜索内容，并获得搜索结果；

步骤102，计算得到每条搜索结果的特征向量；

步骤103，将特征向量输入预测模型，计算得到每条搜索结果的购买概率，并对搜索结果整合排序以获得预测结果列表；

步骤104，选取预测结果列表中购买概率最高的搜索结果作为聚类中心，遍历预测结果列表进行聚类，寻找与聚类中心相似的搜索结果作为相似聚类项，并将聚类中心与所有相似聚类项组合为聚类列表，将本次聚类中的聚类中心和所有相似聚类项从预测结果列表中剔除，对剔除处理后的预测结果列表进行下一次聚类；

步骤105，选取每次聚类获得的聚类列表中购买概率最高的搜索结果作为推荐结果，该聚类列表中的其余搜索结果作为相似候选结果，对推荐结果进行特征向量分析，根据特征向量分析结果为推荐结果打上推荐标签；

步骤106，将推荐结果、推荐标签和相似候选结果展示给用户。

请参阅图2，图2是本发明的智能票务推荐系统的结构框图。本发明的智能票务推荐系统，包括：

接收搜索模块，用于接收用户票务搜索内容并获得搜索结果；

数据清洗模块，用于计算得到每条搜索结果的特征向量；

预测训练模块，用于将特征向量输入预测模型，计算得到每条搜索结果的购买概率，并对搜索结果整合排序以获得预测结果列表；

聚类算法模块，用于选取预测结果列表中购买概率最高的搜索结果作为聚类中心，遍历预测结果列表进行聚类，寻找与聚类中心相似的搜索结果作为相似聚类项，并将聚类中心与所有相似聚类项组合为聚类列表，将本次聚类中的聚类中心和所有相似聚类项从预测结果列表中剔除，对剔除处理后的预测结果列表进行下一次聚类；

推荐结果分析模块，用于选取每次聚类获得的聚类列表中购买概率最高的搜索结果作为推荐结果，该聚类列表中的其余搜索结果作为相似候选结果，对推荐结果进行特征向量分析，根据特征向量分析结果为推荐结果打上推荐标签；

前端展示模块，用于将推荐结果、推荐标签和相似候选结果展示给用户。

上述步骤101中，所述用户票务搜索内容包括机票、火车票、汽车票、轮船票、门票、酒店预订的查询条件和/或查询关键词。

上述步骤102中，若所述用户票务搜索内容为机票的查询条件和/或查询关键词，则所述搜索结果的特征向量包括起降时间、飞行时长、价格、中转站和航司等。

若所述用户票务搜索内容为火车票或汽车票的查询条件和/或查询关键词，则所述搜索结果的特征向量包括车型、开车时间、到站时间、行车时长、价格和经停站。

若所述用户票务搜索内容为轮船票的查询条件和/或查询关键词，则所述搜索结果的特征向量包括起航时间、靠岸时间、航行时长、价格、经停站和航司。

若所述用户票务搜索内容为门票的查询条件和/或查询关键词，则所述搜索结果的特征向量包括景点类型、价格、营业时间、限流条件和游客评价。

若所述用户票务搜索内容为酒店预订的查询条件和/或查询关键词，则所述搜索结果的特征向量包括价格、地理位置信息、入住时间、退房时间、押金政策、硬件设施条件和客户评价。

上述步骤103中，所述预测模型为

其中，x为每条搜索结果的特征向量，θ为特征向量的权重参数，hθ(x)为计算得到的每条搜索结果的购买概率，hθ(x)的取值范围为[0,1]。

进一步优选地，所述预测模型的获得方法为：

设x为每条搜索结果的特征向量，θ为特征向量的权重参数，y为用户购买结果，则y＝θx，将用户购买结果y和每条搜索结果的特征向量x映射到sigmoid函数上，即得到

所述预测模型基于历史用户购买记录进行训练，其训练过程为：

设hθ(x)为0代表用户没有购买，hθ(x)为1代表用户购买，那么有

P(y＝1|x，θ)＝hθ(x)，

P(y＝0|x，θ)＝1-hθ(x)，

将上述两式合并，得到用户购买具有某特征向量的搜索结果的条件概率公式：P(y|x，θ)＝hθ(x)^y(1-hθ(x))^1-y，

用似然函数最大化求解特征向量的权重参数θ，

所述似然函数的表达式为：

其中，m为搜索结果的样本个数，

对似然函数对数化取反得到损失函数J(θ)，损失函数J(θ)的表达式：

用梯度下降法求损失函数J(θ)的最小值，即得到特征向量的权重参数θ，完成对预测模型的训练。

需要说明的是，所述预测模型需要定期结合历史用户购买记录进行训练更新，以保证对购买概率预测的准确性。

上述步骤103中，所述将特征向量输入预测模型，计算得到每条搜索结果的购买概率，包括：将特征向量输入预测模型计算得到每条搜索结果的购买概率。

上述步骤103中，所述对搜索结果整合排序以获得预测结果列表，包括：将搜索结果按购买概率由高到低进行排序，获得预测结果列表。

上述步骤104中，所述寻找与聚类中心相似的搜索结果作为相似聚类项，包括：通过计算聚类中心与其他搜索结果的特征向量之间的余弦相似度或者欧式距离，得到与聚类中心相似的搜索结果作为相似聚类项。

通常情况下，获得3-5个聚类列表即可。

上述步骤105中，所述对推荐结果进行特征向量分析，根据特征向量分析结果为推荐结果打上推荐标签，包括：对推荐结果进行特征向量分析，抽取并转换推荐结果的特征向量为文字或评分作为推荐标签，根据特征向量分析结果为推荐结果打上推荐标签。

上述步骤106中，所述将推荐结果、推荐标签和相似候选结果展示给用户，包括：将推荐结果、推荐标签和相似候选结果以卡牌、导航图、雷达图、测评中的一种或多种形式展示给用户。

下面以机票的预订为例，进行一示例性说明。

用户张某需要在春节期间，从广州出发飞往悉尼旅游，出发日期为2月5日，返回日期为2月11日，若张某在运用了本发明的智能票务推荐方法及系统的网站或APP进行搜索，则搜索及处理过程如下：

S101，张某采用查询关键词和查询条件结合的方式，输入出发地广州、目的地悉尼及出发日期和返回日期，网站接收张某的票务搜索内容，并获得760条航班搜索结果。

S102，网站或APP计算每条航班搜索结果的特征向量，特征向量包括起降时间、飞行时长、价格、中转站和航司。

S103，网站或APP将特征向量输入上述预测模型，计算得到每条航班搜索结果的购买概率，并对航班搜索结果整合排序以获得预测结果列表。

S104，选取预测结果列表中购买概率最高的航班搜索结果作为聚类中心，遍历预测结果列表进行聚类，寻找与聚类中心相似的搜索结果作为相似聚类项，并将聚类中心与所有相似聚类项组合为聚类列表，将本次聚类中的聚类中心和所有相似聚类项从预测结果列表中剔除，对剔除处理后的预测结果列表进行下一次聚类。

进行了若干次聚类后，选取3-5个聚类列表。

S105，选取每次聚类获得的聚类列表中购买概率最高的航班搜索结果作为航班推荐结果，该聚类列表中的其余航班搜索结果作为航班相似候选结果，对航班推荐结果进行特征向量分析，根据特征向量分析结果为航班推荐结果打上推荐标签，比如，飞行时长短为【飞行时长最短航班】、航司服务好为【服务最佳航班】等。

S106，将航班推荐结果、推荐标签和航班相似候选结果以卡牌、导航图、雷达图、测评中的一种或多种形式展示给张某。

张某对比了这些航班推荐结果或航班相似候选结果的飞行时长的优劣、价格优劣、中转站优劣、航司优劣、起降时间优劣等，张某最终选择了推荐标签为【飞行时长最短航班】的航班推荐结果，并成功预订。

本发明的智能票务推荐方法可以根据特征向量计算每条搜索结果的购买概率，并将搜索结果整合排序获得预测结果列表，进一步对预测结果列表进行多次聚类获得聚类列表，从聚类列表中选取购买概率最高的搜索结果作为推荐结果，并将其余搜索结果作为相似候选结果，对推荐结果进行特征向量分析，为推荐结果打上推荐标签，将推荐结果、推荐标签和相似候选结果展示给用户，聚类列表可以作为评估获得的具备优势及差异化的票务购买方案，而推荐标签能够展示不同票务购买方案的优缺点，减少用户选择票务的时间，提高了用户预订票务的效率。

本发明的智能票务推荐系统通过设置接收搜索模块、数据清洗模块、预测训练模块、聚类算法模块、推荐结果分析模块和前端展示模块，可以根据特征向量计算每条搜索结果的购买概率，并将搜索结果整合排序获得预测结果列表，进一步对预测结果列表进行多次聚类获得聚类列表，从聚类列表中选取购买概率最高的搜索结果作为推荐结果，并将其余搜索结果作为相似候选结果，对推荐结果进行特征向量分析，为推荐结果打上推荐标签，将推荐结果、推荐标签和相似候选结果展示给用户，聚类列表可以作为评估获得的具备优势及差异化的票务购买方案，而推荐标签能够展示不同票务购买方案的优缺点，减少用户选择票务的时间，提高了用户预订票务的效率。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于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，还可以做出若干变形和改进，这些都属于本发明的保护范围。

Claims (10)

1.一种智能票务推荐方法，其特征在于，包括：

接收用户票务搜索内容，并获得搜索结果；

计算得到每条搜索结果的特征向量；

将特征向量输入预测模型，计算得到每条搜索结果的购买概率，并对搜索结果整合排序以获得预测结果列表；

选取预测结果列表中购买概率最高的搜索结果作为聚类中心，遍历预测结果列表进行聚类，寻找与聚类中心相似的搜索结果作为相似聚类项，并将聚类中心与所有相似聚类项组合为聚类列表，将本次聚类中的聚类中心和所有相似聚类项从预测结果列表中剔除，对剔除处理后的预测结果列表进行下一次聚类；

选取每次聚类获得的聚类列表中购买概率最高的搜索结果作为推荐结果，该聚类列表中的其余搜索结果作为相似候选结果，对推荐结果进行特征向量分析，根据特征向量分析结果为推荐结果打上推荐标签；

将推荐结果、推荐标签和相似候选结果展示给用户。

2.根据权利要求1所述的智能票务推荐方法，其特征在于：所述预测模型为

其中，x为每条搜索结果的特征向量，θ为特征向量的权重参数，hθ(x)为计算得到的每条搜索结果的购买概率，hθ(x)的取值范围为[0,1]。

3.根据权利要求2所述的智能票务推荐方法，其特征在于，所述预测模型的获得方法为：

设x为每条搜索结果的特征向量，θ为特征向量的权重参数，y为用户购买结果，则y＝θx，将用户购买结果y和每条搜索结果的特征向量x映射到sigmoid函数上，即得到

所述预测模型基于历史用户购买记录进行训练，其训练过程为：

设hθ(x)为0代表用户没有购买，hθ(x)为1代表用户购买，那么有

P(y＝1|x，θ)＝hθ(x)，

P(y＝0|x，θ)＝1-hθ(x)，

将上述两式合并，得到用户购买具有某特征向量的搜索结果的条件概率公式：P(y|x，θ)＝hθ(x)^y(1-hθ(x))^1-y，

用似然函数最大化求解特征向量的权重参数θ，

所述似然函数的表达式为：

其中，m为搜索结果的样本个数，

对似然函数对数化取反得到损失函数J(θ)，损失函数J(θ)的表达式：

用梯度下降法求损失函数J(θ)的最小值，即得到特征向量的权重参数θ，完成对预测模型的训练。

4.根据权利要求2所述的智能票务推荐方法，其特征在于，所述将特征向量输入预测模型，计算得到每条搜索结果的购买概率，包括：将特征向量输入预测模型计算得到每条搜索结果的购买概率。

5.根据权利要求1所述的智能票务推荐方法，其特征在于，所述对搜索结果整合排序以获得预测结果列表，包括：将搜索结果按购买概率由高到低进行排序，获得预测结果列表；

所述寻找与聚类中心相似的搜索结果作为相似聚类项，包括：通过计算聚类中心与其他搜索结果的特征向量之间的余弦相似度或者欧式距离，得到与聚类中心相似的搜索结果作为相似聚类项。

6.根据权利要求1所述的智能票务推荐方法，其特征在于，所述对推荐结果进行特征向量分析，根据特征向量分析结果为推荐结果打上推荐标签，包括：对推荐结果进行特征向量分析，抽取并转换推荐结果的特征向量为文字或评分作为推荐标签，根据特征向量分析结果为推荐结果打上推荐标签。

7.根据权利要求6所述的智能票务推荐方法，其特征在于，所述将推荐结果、推荐标签和相似候选结果展示给用户，包括：将推荐结果、推荐标签和相似候选结果以卡牌、导航图、雷达图、测评中的一种或多种形式展示给用户。

8.根据权利要求1-7任一项所述的智能票务推荐方法，其特征在于，所述用户票务搜索内容包括机票、火车票、汽车票、轮船票、门票、酒店预订的查询条件和/或查询关键词。

9.根据权利要求8所述的智能票务推荐方法，其特征在于，若所述用户票务搜索内容为机票的查询条件和/或查询关键词，则所述搜索结果的特征向量包括起降时间、飞行时长、价格、中转站和航司；

若所述用户票务搜索内容为火车票或汽车票的查询条件和/或查询关键词，则所述搜索结果的特征向量包括车型、开车时间、到站时间、行车时长、价格和经停站；

若所述用户票务搜索内容为轮船票的查询条件和/或查询关键词，则所述搜索结果的特征向量包括起航时间、靠岸时间、航行时长、价格、经停站和航司；

若所述用户票务搜索内容为门票的查询条件和/或查询关键词，则所述搜索结果的特征向量包括景点类型、价格、营业时间、限流条件和游客评价；

若所述用户票务搜索内容为酒店预订的查询条件和/或查询关键词，则所述搜索结果的特征向量包括价格、地理位置信息、入住时间、退房时间、押金政策、硬件设施条件和客户评价。

10.一种智能票务推荐系统，其特征在于，包括：

接收搜索模块，用于接收用户票务搜索内容并获得搜索结果；

数据清洗模块，用于计算得到每条搜索结果的特征向量；

预测训练模块，用于将特征向量输入预测模型，计算得到每条搜索结果的购买概率，并对搜索结果整合排序以获得预测结果列表；

聚类算法模块，用于选取预测结果列表中购买概率最高的搜索结果作为聚类中心，遍历预测结果列表进行聚类，寻找与聚类中心相似的搜索结果作为相似聚类项，并将聚类中心与所有相似聚类项组合为聚类列表，将本次聚类中的聚类中心和所有相似聚类项从预测结果列表中剔除，对剔除处理后的预测结果列表进行下一次聚类；

推荐结果分析模块，用于选取每次聚类获得的聚类列表中购买概率最高的搜索结果作为推荐结果，该聚类列表中的其余搜索结果作为相似候选结果，对推荐结果进行特征向量分析，根据特征向量分析结果为推荐结果打上推荐标签；

前端展示模块，用于将推荐结果、推荐标签和相似候选结果展示给用户。