CN111198989A - 确定出行推荐数据的方法、装置、存储介质及电子设备 - Google Patents
确定出行推荐数据的方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN111198989A CN111198989A CN201911370711.7A CN201911370711A CN111198989A CN 111198989 A CN111198989 A CN 111198989A CN 201911370711 A CN201911370711 A CN 201911370711A CN 111198989 A CN111198989 A CN 111198989A
- Authority
- CN
- China
- Prior art keywords
- target
- group
- recommendation
- strategy
- determining
- 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
Images
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
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开涉及一种确定出行推荐数据的方法、装置、存储介质及电子设备,可以获取目标群体中多个成员的身份信息;根据所述身份信息确定所述目标群体的群体特征;从多个预设推荐策略中确定所述群体特征对应的目标推荐策略;根据所述目标推荐策略确定所述目标群体的目标出行推荐数据。
Description
技术领域
本公开涉及数据推荐领域,具体地,涉及一种确定出行推荐数据的方法、装置、存储介质及电子设备。
背景技术
个性化推荐系统是解决信息过载的关键技术,在许多大型电子商务平台得到了广泛的应用,随着群体用户对推荐需求服务的增加,如朋友结伴出行出游、同事一起出差等,如何为一起出行的群体用户提供较适用的推荐服务已成为推荐领域研究的新挑战。
现有的群体推荐方法中,多是基于行业种类确定对应的推荐策略,即每个行业都形成了一套固定的群体推荐策略,如,音乐领域-没有痛苦的平均策略,电影领域-最小痛苦策略,旅游领域-加权平均策略等,但是按照行业的不同确定对应的推荐策略来对群体用户进行推荐,仅是一个粗粒度的推荐方式,在很多的应用场景中并不适用,从而无法对群体用户进行准确的服务推荐。
发明内容
本公开的目的是提供一种确定出行推荐数据的方法、装置、存储介质及电子设备。
第一方面,提供一种确定出行推荐数据的方法,所述方法包括:获取目标群体中多个成员的身份信息;根据所述身份信息确定所述目标群体的群体特征;从多个预设推荐策略中确定所述群体特征对应的目标推荐策略;根据所述目标推荐策略确定所述目标群体的目标出行推荐数据。
可选地,在所述群体特征表征所述目标群体中的成员数量大于或等于第一预设数量阈值的场景下,所述目标推荐策略包括中值策略;所述根据所述目标推荐策略确定所述目标群体的目标出行推荐数据包括:根据所述目标群体的多个成员,通过所述中值策略确定所述目标出行推荐数据。
可选地,若所述目标群体的成员数量小于或者等于第二预设数量阈值,在所述群体特征表征所述目标群体中包括指定类别人群的成员的场景下,所述目标推荐策略包括最小痛苦策略;所述根据所述目标推荐策略确定所述目标群体的目标出行推荐数据包括:根据指定类别人群,通过所述最小痛苦策略确定所述目标出行推荐数据。
可选地,在所述群体特征表征所述目标群体中的成员在历史时间段内多次在指定时间同时结伴出行的场景下,所述目标推荐策略包括平均策略;所述根据所述目标推荐策略确定所述目标群体的目标出行推荐数据包括:根据所述目标群体的多个成员,通过所述平均策略确定所述目标出行推荐数据。
可选地,在所述群体特征表征所述目标群体中多个所述成员在历史时间段内针对指定消费类别的消费次数达到预设消费次数阈值的场景下,所述目标推荐策略包括加权平均策略;所述根据所述目标推荐策略确定所述目标群体的目标出行推荐数据包括:根据所述目标群体的多个成员,通过所述加权平均策略确定所述目标出行推荐数据。
可选地,在所述群体特征表征所述目标群体中存在目标消费行为的成员的场景下,所述目标推荐策略包括最大幸福感策略,所述目标消费行为包括针对指定消费类别,且达到指定消费等级的消费行为;所述根据所述目标推荐策略确定所述目标群体的目标出行推荐数据包括:根据所述目标群体中存在所述目标消费行为的成员,通过所述最大幸福感策略确定所述目标出行推荐数据。
可选地,若所述群体特征包括多个场景下的群体特征,所述目标推荐策略包括与多个场景下的群体特征一一对应的多个目标推荐策略;所述根据所述目标推荐策略确定所述目标群体的目标出行推荐数据包括:获取每个目标推荐策略对应的待定出行推荐数据;从所述待定出行推荐数据中确定所述目标出行推荐数据。
第二方面,提供一种确定出行推荐数据的装置,所述装置包括:获取模块,用于获取目标群体中多个成员的身份信息;第一确定模块,用于根据所述身份信息确定所述目标群体的群体特征;第二确定模块,用于从多个预设推荐策略中确定所述群体特征对应的目标推荐策略;第三确定模块,用于根据所述目标推荐策略确定所述目标群体的目标出行推荐数据。
可选地,在所述群体特征表征所述目标群体中的成员数量大于或等于第一预设数量阈值的场景下,所述目标推荐策略包括中值策略;所述第三确定模块,用于根据所述目标群体的多个成员,通过所述中值策略确定所述目标出行推荐数据。
可选地,若所述目标群体的成员数量小于或者等于第二预设数量阈值,在所述群体特征表征所述目标群体中包括指定类别人群的成员的场景下,所述目标推荐策略包括最小痛苦策略;所述第三确定模块,用于根据指定类别人群,通过所述最小痛苦策略确定所述目标出行推荐数据。
可选地,在所述群体特征表征所述目标群体中的成员在历史时间段内多次在指定时间同时结伴出行的场景下,所述目标推荐策略包括平均策略;所述第三确定模块,用于根据所述目标群体的多个成员,通过所述平均策略确定所述目标出行推荐数据。
可选地,在所述群体特征表征所述目标群体中多个所述成员在历史时间段内针对指定消费类别的消费次数达到预设消费次数阈值的场景下,所述目标推荐策略包括加权平均策略;所述第三确定模块,用于根据所述目标群体的多个成员,通过所述加权平均策略确定所述目标出行推荐数据。
可选地,在所述群体特征表征所述目标群体中存在目标消费行为的成员的场景下,所述目标推荐策略包括最大幸福感策略,所述目标消费行为包括针对指定消费类别,且达到指定消费等级的消费行为;所述第三确定模块,用于根据所述目标群体中存在所述目标消费行为的成员,通过所述最大幸福感策略确定所述目标出行推荐数据。
可选地,若所述群体特征包括多个场景下的群体特征,所述目标推荐策略包括与多个场景下的群体特征一一对应的多个目标推荐策略;所述第三确定模块,用于获取每个目标推荐策略对应的待定出行推荐数据;从所述待定出行推荐数据中确定所述目标出行推荐数据。
通过上述技术方案,首先获取目标群体中多个成员的身份信息,然后根据所述身份信息确定所述目标群体的群体特征,并从多个预设推荐策略中确定所述群体特征对应的目标推荐策略,从而可以根据所述目标推荐策略确定所述目标群体的目标出行推荐数据,也就是说,本公开可以基于该目标群体的群体特征确定合适的目标推荐策略,即使对于同行业的群组数据,也可以基于获取到的不同的群组特征确定不同的推荐策略,从而能够更精确的进行群体推荐,提升用户体验。
本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本公开的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本公开,但并不构成对本公开的限制。在附图中:
图1是根据一示例性实施例示出的第一种确定出行推荐数据的方法的流程图;
图2是根据一示例性实施例示出的第二种确定出行推荐数据的方法的流程图;
图3是根据一示例性实施例示出的一种确定出行推荐数据的装置的框图;
图4是根据一示例性实施例示出的一种电子设备的结构示意图。
具体实施方式
以下结合附图对本公开的具体实施方式进行详细说明。应当理解的是,此处所描述的具体实施方式仅用于说明和解释本公开,并不用于限制本公开。
首先,对本公开的应用场景进行介绍,本公开主要应用于对一起出行的群体用户进行出行服务推荐的场景中,例如,对于一起乘坐飞机或者火车出行的目标群体推荐酒店、饭店等,现有的群体推荐方法中,多是基于行业种类确定对应的推荐策略,即每个行业都形成了一套固定的群体推荐策略,如,音乐领域-没有痛苦的平均策略,电影领域-最小痛苦策略,旅游领域-加权平均策略等,但是按照行业的不同确定对应的推荐策略对群体用户进行推荐,仅是一个粗粒度的推荐方式,在很多的应用场景中并不适用,从而无法对群体用户进行准确的服务推荐。
为解决上述存在的问题,本公开提供一种确定出行推荐数据的方法、装置、存储介质及电子设备,可以先获取待推荐出行数据的目标群体中多个成员的身份信息,然后基于该身份信息获取到该目标群体中每个成员的性别、年龄等信息,并基于该身份信息从预设数据库中匹配得到该目标群体中每个成员的标签数据(如职业标签数据、历史出行数据等),进而可以基于该目标群体中每个成员的性别、年龄以及标签数据确定该目标群体的群体特征,之后可以基于该群体特征从多个预设推荐策略中确定该群体特征对应的目标推荐策略,从而可以根据该目标推荐策略确定出该目标群体的目标出行推荐数据,也就是说,本公开可以基于该目标群体的群体特征确定合适的目标推荐策略,即使对于同行业的群组数据,也可以基于获取到的不同的群组特征确定不同的推荐策略,从而能够更精确的进行群体推荐,提升用户体验。
下面结合附图对本公开的具体实施方式进行详细说明。
图1是根据一示例性实施例示出的一种确定出行推荐数据的方法的流程图,该出行推荐数据可以包括酒店、饭店或者旅游景点等数据,该方法可以应用于服务器,如图1所示,该方法包括以下步骤:
在步骤101中,获取目标群体中多个成员的身份信息。
其中,该目标群体通常是指一起出行的多个成员组成的群体,例如,一起乘坐火车或者飞机去旅游或者出差的多个同行人组成的群体,该身份信息可以为每个成员的身份证号。
在一种实际的应用场景中,用户可以通过航旅纵横或者12306等购票软件为一起出行的多个人购买出行的飞机票或者火车票,因此,终端(安装上述购票软件的终端)在获取到用户在该购票软件中通过一个订单为多个出行人购票,且乘坐航班号(或者车次)、出行目的地、出行时间均相同的情况下,可以将同时购票的该多个出行人组成的群体作为该目标群体,然后基于用户在购票时输入的信息获取到每个成员的该身份信息,并将该身份信息发送至服务器,以便服务器获取到当前的该目标群体中每个成员的该身份信息。
在步骤102中,根据该身份信息确定该目标群体的群体特征。
其中,该群体特征可以包括该目标群体的年龄特征、性别特征、人物关系特征、成员数量特征、当前出行订单特征、历史出行数据特征等特征中的一种或者多种群体特征。
在本步骤一种可能的实现方式中,可以先基于该身份信息获取到该目标群体中每个成员的性别、年龄等信息,进一步地,还可以根据该身份信息从预设数据库中匹配得到该目标群体中每个成员的标签数据(如职业标签数据、历史出行数据等),例如,若用户通过航旅纵横填写含有同行人的机票订单时,可以从该航旅纵横以及各大航空公司内部数据源,匹配数据源中跟身份信息对应的已有标签数据,若该内部数据源中不存在该对应的标签数据,可以调用第三方接口(如极光推送),根据该身份信息获取到该标签数据,进而可以基于该目标群体中每个成员的性别、年龄以及标签数据确定该目标群体的群体特征。
在步骤103中,从多个预设推荐策略中确定该群体特征对应的目标推荐策略。
其中,该预设推荐策略可以包括最小痛苦策略、中值策略、平均策略、加权平均策略、最大幸福感策略等推荐策略,其中,最小痛苦策略通常是指在为小规模的群体进行推荐时,整个群体的心情与最不满意的成员的心情趋于一致,例如,若该目标群体中存在老人或者小孩,在对该目标群体进行服务或者商品的推荐时,应重点考虑老人或者小孩的需求;中值策略一般是指取目标群体中各个成员偏好(如消费价值偏好)的中间值;平均策略是指根据目标群体中每个人的偏好,使用偏好的平均值作为整个群体的偏好;加权平均策略是指根据群体中各成员偏好的权重确定整个群体的偏好,最大幸福感策略是指找到群体中对项目评分的最高值,用此最高值代表群体评分,从而降低群体的不满意度。
需要说明的是,上述提及的各个预设推荐策略的具体推荐步骤可以参考现有文献中的相关描述,在此不作赘述。
在本公开中,不同的群体特征所对应的该目标推荐策略也不相同,并且该群体特征与该目标推荐策略存在一一对应的关系。
在步骤104中,根据该目标推荐策略确定该目标群体的目标出行推荐数据。
其中,该目标出行推荐数据可以包括出行后的居住酒店、就餐地点(饭店)以及旅游景点等数据。
采用上述方法,可以基于该目标群体的群体特征确定合适的目标推荐策略,即使对于同行业的群组数据,也可以基于获取到的不同的群组特征确定不同的推荐策略,从而能够更精确的进行群体推荐,提升用户体验,例如,对于目标群体1和目标群体2,目标群体1和目标群体2均为一起去旅行的两个群体(即同属于旅游行业),但目标群体1的群体特征表明目标群体1中存在老人,目标群体2的群体特征表明目标群体2中的成员不存在老人或者小孩等指定人员,若基于现有的根据行业的不同选取对应的推荐策略为该两个目标群体进行旅游景点的推荐时,通常均采用加权平均策略进行推荐,但加权平均策略并不适用于群体成员中存在老人的目标群体1,采用本公开提供的方法,可以根据目标群体1的群体特征,确定目标群体1对应的推荐策略为最小痛苦策略,根据目标群体2的群体特征,确定目标群体2对应的推荐策略为加权平均策略,从而采用不同的推荐策略更精确的对上述两个目标群体分别进行群体推荐。
图2是根据一示例性实施例示出的另一种确定出行推荐数据的方法的流程图,该出行推荐数据可以包括酒店、饭店或者旅游景点等数据,该方法可以应用于服务器,如图2所示,该方法包括以下步骤:
在步骤201中,获取目标群体中多个成员的身份信息。
其中,该目标群体通常是指一起出行的多个成员组成的群体,例如,一起乘坐火车或者飞机去旅游或者出差的多个同行人组成的群体,该身份信息可以为每个成员的身份证号。
在一种实际的应用场景中,用户可以通过航旅纵横或者12306等购票软件为一起出行的多个人购买出行的飞机票或者火车票,因此,终端(安装上述购票软件的终端)在获取到用户在该购票软件中通过一个订单为多个出行人购票,且乘坐航班号(或者车次)、出行目的地、出行时间均相同的情况下,可以将同时购票的该多个出行人组成的群体作为该目标群体,然后基于用户在购票时输入的信息获取到每个成员的该身份信息,并将该身份信息发送至服务器,以便服务器获取到当前的该目标群体中每个成员的该身份信息。
在步骤202中,根据该身份信息确定该目标群体的群体特征。
其中,该群体特征可以包括该目标群体的年龄特征、性别特征、人物关系特征、成员数量特征、当前出行订单特征、历史出行数据特征等特征中的一种或者多种群体特征。
通常来说,个性化推荐系统是根据个体用户偏好提供个性化信息、商品和服务,但对于群体推荐来说,更强调的是群体成员偏好的聚集,由于群体成员不同的期望及欲望会导致冲突情况的发生,而群成员偏好冲突是群体性质的一部分,所以在群体偏好聚集过程中往往存在冲突情形,每个成员在不同程度上会接受或者拒绝群体中其他成员的偏好需求,并且在计算群体偏好时,还需考虑每个成员偏好与群体偏好的相似度,以衡量该成员偏好在群体偏好中的影响程度,因此,本公开提出群体数据场景化,基于该目标群体的群体特征,采用对应的最优推荐策略进行群体推荐。
在本步骤一种可能的实现方式中,可以先基于该身份信息获取到该目标群体中每个成员的性别、年龄等信息,进一步地,还可以根据该身份信息从预设数据库中匹配得到该目标群体中每个成员的标签数据(如职业标签数据、历史出行数据等),例如,若用户通过航旅纵横填写含有同行人的机票订单时,可以从该航旅纵横以及各大航空公司内部数据源,匹配数据源中跟身份信息对应的已有标签数据,若该内部数据源中不存在该对应的标签数据,可以调用第三方接口(如极光推送),根据该身份信息获取到该标签数据,进而可以基于该目标群体中每个成员的性别、年龄以及标签数据确定该目标群体的群体特征。
在步骤203中,确定该群体特征是否仅包括一个场景下的群体特征。
在实际的应用场景中,对同一个目标群体进行数据特征的提取时,可能仅确定出一种场景下的群体特征,也可能会同时提取出多种场景对应的多个群体特征,例如,在该目标群体的成员数量小于或者等于第二预设数量阈值的前提下,若该目标群体的一个群体特征表征该目标群体中的成员在历史时间段内多次在指定时间同时结伴出行,该目标群体的另一个群体特征表征该目标群体中存在目标消费行为的成员,对应的可能的推荐场景为,该目标群体中的成员既是同事关系,也是领导与下属的关系,也就是说,该目标群体的群体特征包括两个场景下的群体特征,此处也仅是举例说明,本公开对此不作限定。
在一种可能的实现方式中,可以为提取的不同场景下的群体特征设置不同的场景标识信息,然后基于该不同的标识信息的数量确定该群体特征是否仅包括一个场景下的群体特征,例如,若该标识信息的数量为1,确定仅包括一个场景下的群体特征,若该标识信息的数量大于1,确定包括多个场景下的多个群体特征。
若确定该群体特征仅包括一个场景下的群体特征,执行步骤204和205;
若确定该群体特征包括多个场景下的群体特征,执行步骤206和步骤207。
在步骤204中,从多个预设推荐策略中确定该群体特征对应的目标推荐策略。
其中,该预设推荐策略可以包括最小痛苦策略、中值策略、平均策略、加权平均策略、最大幸福感策略等推荐策略,其中,最小痛苦策略通常是指在为小规模的群体进行推荐时,整个群体的心情与最不满意的成员的心情趋于一致,例如,若该目标群体中存在老人或者小孩,在对该目标群体进行服务或者商品的推荐时,应重点考虑老人或者小孩的需求;中值策略一般是指取目标群体中各个成员偏好(如消费价值偏好)的中间值;平均策略是指根据目标群体中每个人的偏好,使用偏好的平均值作为整个群体的偏好;加权平均策略是指根据群体中各成员偏好的权重确定整个群体的偏好,最大幸福感策略是指找到群体中对项目评分的最高值,用此最高值代表群体评分,从而降低群体的不满意度。
在本公开中,不同的群体特征所对应的该目标推荐策略也不相同,并且该群体特征与该目标推荐策略存在一一对应的关系。
在本步骤中,若该目标群体的成员数量小于或者等于第二预设数量阈值,在该群体特征表征该目标群体中包括指定类别人群的成员的场景下,该目标推荐策略包括最小痛苦策略,其中,该指定类别人群可以包括指定年龄阶段的人群(如老人或者小孩),或者包括指定性别的人群(如女性)。
在该群体特征表征该目标群体中的成员数量大于或等于第一预设数量阈值的场景下,该目标推荐策略包括中值策略,通常情况下,如果根据该目标群体的群体特征确定该目标群体的成员数量较多,很可能是公司团建或者旅行社随团出游,此时这个群体中就可能是包含公司的高层领导和底层员工,也有可能是上班一族和学生党的混合群体,但是共同点都是收入参差不齐,此时则要匹配所有同行人的价值标签,考虑群体中消费能力的中值进行推荐,即采用中值策略进行群体推荐。
若该目标群体的成员数量小于或者等于第二预设数量阈值,在该群体特征表征该目标群体中的成员在历史时间段内多次在指定时间同时结伴出行的场景下,该目标推荐策略包括平均策略,例如,若根据获取到的该目标群体中每个成员的历史出行数据,确定该目标群体的成员在历史时间段内多次在工作日一起出行、且目的地及乘坐航班均相同,可以将该目标群体中的成员视为同事关系,因公事出差,涉及到报销问题,则关注点是价格,此时可采用平均策略进行群体推荐。
若该目标群体的成员数量小于或者等于第二预设数量阈值,并且在该群体特征表征该目标群体中多个成员在历史时间段内针对指定消费类别的消费次数达到预设消费次数阈值的场景下,该目标推荐策略包括加权平均策略,其中,该指定消费类别可以包括购买出行车票。
若该目标群体的成员数量小于或者等于第二预设数量阈值,并且在该群体特征表征该目标群体中存在目标消费行为的成员的场景下,该目标推荐策略包括最大幸福感策略,该目标消费行为包括针对指定消费类别,且达到指定消费等级的消费行为,例如,若基于该目标群体的当前出行订单数据,确定该目标群体的同行人的数量小于或者等于该第二预设数量阈值(可以理解为同行人较少),且该目标群体中存在购买商务舱的成员(或者该目标群体中即存在购买商务舱的成员也存在购买经济舱的成员),此种场景很可能是领导与下属一起出差,这种情况应该优先考虑该群组成员中的最大消费能力,即找到群体成员内消费能力的最高值,以该最高值为推荐依据进行群体推荐,即该目标推荐策略为最大幸福感策略。
另外,上述提及的该第一预设数量阈值和该第二预设数量阈值可以相同也可以不同,本公开对此不作限定。
在步骤205中,根据该目标推荐策略确定该目标群体的目标出行推荐数据。
其中,该目标出行推荐数据可以包括出行后的居住酒店、就餐地点(饭店)以及旅游景点等数据。
需要说明的是,上述提及的各个预设推荐策略的具体推荐步骤可以参考现有文献中的相关描述,在本公开中以举例的方式阐述如何利用上述各推荐策略进行群体推荐。
基于步骤204的执行结果,若该目标群体的成员数量小于或者等于第二预设数量阈值,在确定该目标群体的群体特征表征该目标群体中包括指定类别人群的成员的场景下,确定该目标推荐策略为最小痛苦策略,此时,可以根据指定类别人群,通过该最小痛苦策略确定该目标出行推荐数据。
示例地,若确定该目标群体中包括的指定类别人群为小孩和/或老人,此种场景下,小孩和老人在该群体推荐中占主导地位,采用该最小痛苦策略的推荐方式,可以向该目标群体推荐当前出行目的地城市内带婴儿床或者游乐设施的酒店,和/或附近有公园的酒店;若确定该目标群体中仅有两个成员,且根据该目标群体中每个成员的性别特征和年龄特征确定该两个成员分别为一男一女,且年龄之差位于预设差值范围内(可以理解为年龄相当,如男女朋友关系),此种情况下,可以确定该目标群体中包括的指定类别人群为女性,在根据该最小痛苦策略进行群体推荐时,应避免女性对推荐项目的不满意,要优先按照女性饮食和住宿偏好进行推荐,例如推荐距离网红甜品店、网红奶茶店、购物商场等较近的酒店,上述示例仅是举例说明,本公开对此不作限定。
基于步骤204的执行结果,在确定该目标群体的群体特征表征该目标群体中的成员数量大于或等于第一预设数量阈值的场景下,确定该目标推荐策略为中值策略,此时,可以根据该目标群体的多个成员,通过该中值策略确定该目标出行推荐数据。
其中,该多个成员可以包括该目标群体的全部成员。
若确定该目标群体中的成员数量大于或等于第一预设数量阈值,可以视为该目标群体为一个同行人数较多的群体,很可能是公司团建或者旅行社随团出游,此时这个群体中就可能是包含公司的高层领导和底层员工,也有可能是上班一族和学生党的混合群体,但是共同点都是收入参差不齐,此时则要匹配所有同行人的价值标签,考虑群体成员消费能力的中值,采用中值策略进行群体推荐。
示例地,在采用中值策略进行群体推荐时,若对该目标群体推荐酒店时,可以获取该目标群体中每个成员在预设历史时间段内分别居住过的酒店的价位(例如可以为多次入住的酒店的价位平均值),然后将各个成员对应的该酒店价位按照从低到高(或者从高到低)的顺序进行排序,取酒店价位的中值作为当前要推荐给该目标群体的酒店价位的参考价位,例如,确定该酒店价位的中值为200,此时,可以向该目标群体推荐酒店价位在200左右的环境优雅的中档酒店或者经济型快捷酒店,上述示例仅是举例说明,本公开对此不作限定。
基于步骤204的执行结果,在确定该目标群体的成员数量小于或者等于第二预设数量阈值,并且该群体特征表征该目标群体中的成员在历史时间段内多次在指定时间同时结伴出行的场景下,确定该目标推荐策略为平均策略,此时,可以根据该目标群体的多个成员,通过该平均策略确定该目标出行推荐数据。
示例地,在根据该目标群体中每个成员的历史出行数据确定该目标群体中的成员在历史时间段内多次在工作日一起出行、且目的地及乘坐航班均相同,可以将该目标群体中的成员视为同事关系,因公事出差,涉及到报销问题,则关注点是价格,要推荐酒店和饭店能满足目标群体中的每个成员,此时可以关联出每个成员的消费能力,如该目标群体中一共3个成员,并且3个成员的住宿消费能力分别100元、150元、200元,此时平均住宿能力为(100+150+200)/3=150元,应该为该目标群体推荐价位在150元左右的酒店,上述示例仅是举例说明,本公开对此不作限定。
基于步骤204的执行结果,在确定该目标群体的成员数量小于或者等于第二预设数量阈值,并且该群体特征表征该目标群体中多个该成员在历史时间段内针对指定消费类别的消费次数达到预设消费次数阈值的场景下,确定该目标推荐策略为加权平均策略,此时,可以根据该目标群体的多个成员,通过该加权平均策略确定该目标出行推荐数据。
示例地,以该指定消费类别为购买出行机票为例,若确定该目标群体的成员在历史时间段内购买机票出行的次数的总和大于或者等于该预设消费次数阈值,可以对曾经出行时购买头等舱和购买经济舱的次数分别进行统计,例如,若该目标群体有两人,一共购买过2次2000元的头等舱,8次1000元的经济舱,此次单人的票价能力则为(2000*2+1000*8)/10=1200元,基于计算出的该目标群体中单人的票价能力,可以在历史推荐记录中确定与当前的该目标群体具有相同的单人票价能力(即1200元)的其它相似群体,然后参考该其它相似群体的推荐结果向该目标群体推荐相同的酒店和/或饭店,上述示例仅是举例说明,本公开对此不作限定。
基于步骤204的执行结果,在确定该目标群体的成员数量小于或者等于第二预设数量阈值,并且该群体特征表征该目标群体中存在目标消费行为的成员的场景下,确定该目标推荐策略为最大幸福感策略,其中,该目标消费行为包括针对指定消费类别,且达到指定消费等级的消费行为,此时,可以根据该目标群体中存在该目标消费行为的成员,通过该最大幸福感策略确定该目标出行推荐数据。
示例地,以该目标群体中存在购买商务舱的成员(或者该目标群体中即存在购买商务舱的成员也存在购买经济舱的成员)为例,若基于该目标群体的当前出行订单数据,确定该目标群体的同行人的数量小于或者等于该第二预设数量阈值(可以理解为同行人较少),此种场景很可能是领导与下属一起出差,在基于该最大幸福感策略进行群体推荐时,应该优先考虑该群体成员中的最大消费能力,即找到群体成员内消费能力的最高值,以该最高值为推荐依据进行群体推荐,比如推荐星级酒店和星级餐厅,上述示例仅是举例说明,本公开对此不作限定。
为进一步提高用户的体验,在采用最大幸福感策略进行群体推荐时,还可以进一步结合该目标群体中具有最大消费能力的成员的职业标签进行推荐,例如,若是金融行业,则应该推荐金融街附近的酒店,若是医疗器械行业,则应该推荐各大医院附近的酒店,若是服装行业,则应该推荐各大商场附近的酒店,此处也仅是举例说明,本公开对此不作限定。
至此,即采用获取到的群体特征对应的该目标推荐策略确定出该目标群体的目标出行推荐数据,上述仅以向该目标群体推荐酒店为例进行说明,基于类似的方法还可以进一步向该目标群体推荐就餐地点或者旅游景点等,本公开对此不作限定。
另外,若获取到该目标群体对应的多个群体特征,相应地也会得到多个推荐策略,在本公开一种可能的实现方式中,可以将每种推荐策略推荐出的出行推荐数据均展示给用户,由用户根据自己的需求进行选择,但为进一步提高用户的体验,也可以仅向用户展示一个推荐策略对应的推荐结果,因此,在本实施例中,可以通过执行步骤206至207从多个目标推荐策略中选择一个最优的推荐策略进行出行数据的推荐。
在步骤206中,获取每个目标推荐策略对应的待定出行推荐数据。
若该群体特征包括多个场景下的群体特征,该目标推荐策略包括与多个场景下的群体特征一一对应的多个目标推荐策略。
示例地,在执行步骤202后,在该目标群体的成员数量小于或者等于第二预设数量阈值的前提下,若该目标群体的一个群体特征表征该目标群体中的成员在历史时间段内多次在指定时间同时结伴出行,该目标群体的另一个群体特征表征该目标群体中存在目标消费行为的成员,对应的可能的推荐场景为,该目标群体中的成员既是同事关系,也是领导与下属的关系,此时,该目标群体的群体特征即为包括多个场景下的群体特征的情况,此时,可以基于每个群体特征确定对应的目标推荐策略,并基于不同的该目标推荐策略得到该不同的待定出行推荐数据,例如,对应于群体特征表征该目标群体中的成员在历史时间段内多次在指定时间同时结伴出行的场景,采用平均策略对该目标群体进行群体推荐,得到的待定推荐酒店为酒店A、酒店B以及酒店D;对应于群体特征表征该目标群体中存在目标消费行为的成员的场景,采用最大幸福感策略对该目标群体进行群体推荐,得到的该待定推荐酒店为酒店A、酒店B以及酒店E,此处仅是举例说明,本公开对此不作限定。
在步骤207中,从该待定出行推荐数据中确定该目标出行推荐数据。
在一种可能的应用场景中,假设该目标群体中的成员在历史出行中,曾经选择了A、B、C三种商品,该目标群体的两种场景下的群体特征1和群体特征2分别对应目标推荐策略1和目标推荐策略2,根据目标推荐策略1得到的该待定出行推荐数据为商品A、B、D,根据目标推荐策略2得到的该待定出行推荐数据为商品A、B、E,此时,为评价两种推荐策略的好坏,可以采用以下两种方式中的任一方式进行策略的评价:
方式一、可以根据该目标群体中多个成员的历史消费记录,绘制历史消费记录的概率密度函数曲线(通常横轴对应消费金额,纵轴对应消费概率),然后通过曲线拟合的方式确定该目标群体对应的概率密度函数,之后可以通过该概率密度函数对不同的目标推荐策略推荐得到的待定出行推荐数据进行概率的计算,选取消费概率最大的待定出行推荐数据为该目标出行推荐数据。
另外,在方式一中,可以进一步结合每个目标推荐策略的权重,选择一种最优推荐策略,考虑到群体推荐的场景中,若历史推荐记录中,使用过某推荐策略进行推荐,那么该推荐策略对应的权重要相应地调高,例如可以按照如下公式调高该推荐策略的权重:
W_1=W_0*(1+采用该推荐策略的次数/推荐总次数)
其中,W_0表示该推荐策略的权重未被调高时的初始权重,W_1表示该推荐策略对应的调高后的权重。
示例地,假设根据获取到的该目标群体的两种场景下的群体特征1和群体特征2,分别确定对应的目标推荐策略1和目标推荐策略2,根据目标推荐策略1得到的该待定出行推荐数据为商品A、B、D,根据目标推荐策略2得到的该待定出行推荐数据为商品A、B、E,那么若f(目标推荐策略1)*W_1>f(目标推荐策略2)*W_2(其中,f(x)表示该概率密度函数,f(目标推荐策略1)=f(A)+f(B)+f(D),W_1表示该目标待推荐策略1对应的权重,f(目标推荐策略2)=f(A)+f(B)+f(E),W_2表示该目标待推荐策略2对应的权重),说明用户实际会选择A、B、D商品的事件的发生概率更大,因此,可以确定该目标出行推荐数据即为商品A、B、D(如酒店A、酒店B、酒店D),相应地,该最优出行推荐策略即为该目标推荐策略1,上述示例仅是举例说明,本公开对此不作限定。
方式二、可以采用Embedding方法,分别对不同的该待定出行推荐数据,以及该目标群体的实际历史出行数据进行语义分析,然后计算不同的该待定出行推荐数据与该实际历史出行数据的语义相似度,选择相似度较大的待定出行推荐数据为该目标出行推荐数据,具体地,可以将不同的目标推荐策略推荐得到的待定出行推荐数据、以及该实际历史出行数据分别进行词向量的转换,然后分别计算不同的待定出行推荐数据对应的词向量与该实际历史出行数据对应的词向量的距离(如欧式距离),选择与该实际历史出行数据对应的词向量的距离更近的词向量对应的该待定出行推荐数据为该目标出行推荐数据。
示例地,以该实际历史出行数据为酒店A、酒店B以及酒店C,根据目标推荐策略1得到的该待定出行推荐数据为酒店A、酒店B、酒店D,根据目标推荐策略2得到的该目标出行推荐数据为酒店A、酒店B、酒店E为例,在目标推荐策略1对应的推荐结果中,酒店D与该实际历史出行数据的酒店C不同,在目标推荐策略2对应的推荐结果中,酒店E与该实际历史出行数据的酒店C不同,此时,可以分别将酒店C、酒店D以及酒店E的酒店名称进行词向量转换,例如,将酒店C转换为词向量X,将酒店D转换为词向量Y,将酒店E转换为词向量Z,计算向量Y与向量X的欧式距离得到d1,计算向量Z与向量X的欧式距离得到d2,若d1<d2,可以确定向量Y与向量X的欧式距离更近,也就是说,向量Y对应的酒店D与该目标群体历史中实际选择的酒店C更接近,因此,可以确定根据目标推荐策略1得到的该待定出行推荐数据酒店A、酒店B、酒店D为该目标出行推荐数据,该最优推荐策略即为目标推荐策略1,上述示例也只是举例说明,本公开对此不作限定。
采用上述方法,可以基于该目标群体的群体特征确定合适的目标推荐策略,即使对于同行业的群组数据,也可以基于获取到的不同的群组特征确定不同的推荐策略,从而能够更精确的进行群体推荐,提升用户体验。
图3是根据一示例性实施例示出的一种确定出行推荐数据的装置的框图,如图3所示,该装置包括:
获取模块301,用于获取目标群体中多个成员的身份信息;
第一确定模块302,用于根据该身份信息确定该目标群体的群体特征;
第二确定模块303,用于从多个预设推荐策略中确定该群体特征对应的目标推荐策略;
第三确定模块304,用于根据该目标推荐策略确定该目标群体的目标出行推荐数据。
可选地,在该群体特征表征该目标群体中的成员数量大于或等于第一预设数量阈值的场景下,该目标推荐策略包括中值策略;该第三确定模块304,用于根据该目标群体的多个成员,通过该中值策略确定该目标出行推荐数据。
可选地,若所述目标群体的成员数量小于或者等于第二预设数量阈值,在该群体特征表征该目标群体中包括指定类别人群的成员的场景下,该目标推荐策略包括最小痛苦策略;该第三确定模块304,用于根据指定类别人群,通过该最小痛苦策略确定该目标出行推荐数据。
可选地,若该目标群体的成员数量小于或者等于第二预设数量阈值,在该群体特征表征该目标群体中的成员在历史时间段内多次在指定时间同时结伴出行的场景下,该目标推荐策略包括平均策略;该第三确定模块304,用于根据该目标群体的多个成员,通过该平均策略确定该目标出行推荐数据。
可选地,若该目标群体的成员数量小于或者等于第二预设数量阈值,在该群体特征表征该目标群体中多个该成员在历史时间段内针对指定消费类别的消费次数达到预设消费次数阈值的场景下,该目标推荐策略包括加权平均策略;该第三确定模块304,用于根据该目标群体的多个成员,通过该加权平均策略确定该目标出行推荐数据。
可选地,若该目标群体的成员数量小于或者等于第二预设数量阈值,在该群体特征表征该目标群体中存在目标消费行为的成员的场景下,该目标推荐策略包括最大幸福感策略,该目标消费行为包括针对指定消费类别,且达到指定消费等级的消费行为;该第三确定模块304,用于根据该目标群体中存在该目标消费行为的成员,通过该最大幸福感策略确定该目标出行推荐数据。
可选地,若该群体特征包括多个场景下的群体特征,该目标推荐策略包括与多个场景下的群体特征一一对应的多个目标推荐策略;该第三确定模块304,用于获取每个目标推荐策略对应的待定出行推荐数据;从该待定出行推荐数据中确定该目标出行推荐数据。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
采用上述装置,可以基于该目标群体的群体特征确定合适的目标推荐策略,即使对于同行业的群组数据,也可以基于获取到的不同的群组特征确定不同的推荐策略,从而能够更精确的进行群体推荐,提升用户体验。
图4是根据一示例性实施例示出的一种电子设备400的框图。例如,电子设备400可以被提供为一服务器。参照图4,电子设备400包括处理器422,其数量可以为一个或多个,以及存储器432,用于存储可由处理器422执行的计算机程序。存储器432中存储的计算机程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外,处理器422可以被配置为执行该计算机程序,以执行上述的确定出行推荐数据的方法。
另外,电子设备400还可以包括电源组件426和通信组件450,该电源组件426可以被配置为执行电子设备400的电源管理,该通信组件450可以被配置为实现电子设备400的通信,例如,有线或无线通信。此外,该电子设备400还可以包括输入/输出(I/O)接口458。电子设备400可以操作基于存储在存储器432的操作系统,例如Windows ServerTM,Mac OSXTM,UnixTM,LinuxTM等等。
在另一示例性实施例中,还提供了一种包括程序指令的计算机可读存储介质,该程序指令被处理器执行时实现上述的确定出行推荐数据的方法的步骤。例如,该计算机可读存储介质可以为上述包括程序指令的存储器432,上述程序指令可由电子设备400的处理器422执行以完成上述的确定出行推荐数据的方法。
在另一示例性实施例中,还提供一种计算机程序产品,该计算机程序产品包含能够由可编程的装置执行的计算机程序,该计算机程序具有当由该可编程的装置执行时用于执行上述的确定出行推荐数据的方法的代码部分。
以上结合附图详细描述了本公开的优选实施方式,但是,本公开并不限于上述实施方式中的具体细节,在本公开的技术构思范围内,可以对本公开的技术方案进行多种简单变型,这些简单变型均属于本公开的保护范围。
另外需要说明的是,在上述具体实施方式中所描述的各个具体技术特征,在不矛盾的情况下,可以通过任何合适的方式进行组合,为了避免不必要的重复,本公开对各种可能的组合方式不再另行说明。
此外,本公开的各种不同的实施方式之间也可以进行任意组合,只要其不违背本公开的思想,其同样应当视为本公开所公开的内容。
Claims (10)
1.一种确定出行推荐数据的方法,其特征在于,所述方法包括:
获取目标群体中多个成员的身份信息;
根据所述身份信息确定所述目标群体的群体特征;
从多个预设推荐策略中确定所述群体特征对应的目标推荐策略;
根据所述目标推荐策略确定所述目标群体的目标出行推荐数据。
2.根据权利要求1所述的方法,其特征在于,在所述群体特征表征所述目标群体中的成员数量大于或等于第一预设数量阈值的场景下,所述目标推荐策略包括中值策略;
所述根据所述目标推荐策略确定所述目标群体的目标出行推荐数据包括:
根据所述目标群体的多个成员,通过所述中值策略确定所述目标出行推荐数据。
3.根据权利要求1所述的方法,其特征在于,若所述目标群体的成员数量小于或者等于第二预设数量阈值,在所述群体特征表征所述目标群体中包括指定类别人群的成员的场景下,所述目标推荐策略包括最小痛苦策略;
所述根据所述目标推荐策略确定所述目标群体的目标出行推荐数据包括:
根据指定类别人群,通过所述最小痛苦策略确定所述目标出行推荐数据。
4.根据权利要求3所述的方法,其特征在于,在所述群体特征表征所述目标群体中的成员在历史时间段内多次在指定时间同时结伴出行的场景下,所述目标推荐策略包括平均策略;
所述根据所述目标推荐策略确定所述目标群体的目标出行推荐数据包括:
根据所述目标群体的多个成员,通过所述平均策略确定所述目标出行推荐数据。
5.根据权利要求3所述的方法,其特征在于,在所述群体特征表征所述目标群体中多个所述成员在历史时间段内针对指定消费类别的消费次数达到预设消费次数阈值的场景下,所述目标推荐策略包括加权平均策略;
所述根据所述目标推荐策略确定所述目标群体的目标出行推荐数据包括:
根据所述目标群体的多个成员,通过所述加权平均策略确定所述目标出行推荐数据。
6.根据权利要求3所述的方法,其特征在于,在所述群体特征表征所述目标群体中存在目标消费行为的成员的场景下,所述目标推荐策略包括最大幸福感策略,所述目标消费行为包括针对指定消费类别,且达到指定消费等级的消费行为;所述根据所述目标推荐策略确定所述目标群体的目标出行推荐数据包括:
根据所述目标群体中存在所述目标消费行为的成员,通过所述最大幸福感策略确定所述目标出行推荐数据。
7.根据权利要求1至6任一项所述的方法,其特征在于,若所述群体特征包括多个场景下的群体特征,所述目标推荐策略包括与多个场景下的群体特征一一对应的多个目标推荐策略;
所述根据所述目标推荐策略确定所述目标群体的目标出行推荐数据包括:
获取每个目标推荐策略对应的待定出行推荐数据;
从所述待定出行推荐数据中确定所述目标出行推荐数据。
8.一种确定出行推荐数据的装置,其特征在于,所述装置包括:
获取模块,用于获取目标群体中多个成员的身份信息;
第一确定模块,用于根据所述身份信息确定所述目标群体的群体特征;
第二确定模块,用于从多个预设推荐策略中确定所述群体特征对应的目标推荐策略;
第三确定模块,用于根据所述目标推荐策略确定所述目标群体的目标出行推荐数据。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1-7中任一项所述方法的步骤。
10.一种电子设备,其特征在于,包括:
存储器,其上存储有计算机程序;
处理器,用于执行所述存储器中的所述计算机程序,以实现权利要求1-7中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911370711.7A CN111198989A (zh) | 2019-12-26 | 2019-12-26 | 确定出行推荐数据的方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911370711.7A CN111198989A (zh) | 2019-12-26 | 2019-12-26 | 确定出行推荐数据的方法、装置、存储介质及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111198989A true CN111198989A (zh) | 2020-05-26 |
Family
ID=70746231
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911370711.7A Pending CN111198989A (zh) | 2019-12-26 | 2019-12-26 | 确定出行推荐数据的方法、装置、存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111198989A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111833153A (zh) * | 2020-07-17 | 2020-10-27 | 深圳市活力天汇科技股份有限公司 | 一种购买高铁票时推荐航班的方法 |
CN112801324A (zh) * | 2020-12-31 | 2021-05-14 | 北京嘀嘀无限科技发展有限公司 | 出行推荐方法、装置、电子设备及计算机可读存储介质 |
CN112948699A (zh) * | 2021-04-14 | 2021-06-11 | 上海明略人工智能(集团)有限公司 | 一种人群定向推荐方法、系统、电子设备及存储介质 |
CN117171446A (zh) * | 2023-11-03 | 2023-12-05 | 深圳市国硕宏电子有限公司 | 一种基于大数据分析的技术交易推荐方法及推荐系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107609198A (zh) * | 2017-10-20 | 2018-01-19 | 咪咕互动娱乐有限公司 | 一种推荐方法、装置及计算机可读存储介质 |
CN109064278A (zh) * | 2018-07-26 | 2018-12-21 | 北京三快在线科技有限公司 | 目标对象推荐方法及装置、电子设备、存储介质 |
CN112288517A (zh) * | 2019-12-23 | 2021-01-29 | 北京来也网络科技有限公司 | 结合rpa与ai的商品推荐方法和装置 |
-
2019
- 2019-12-26 CN CN201911370711.7A patent/CN111198989A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107609198A (zh) * | 2017-10-20 | 2018-01-19 | 咪咕互动娱乐有限公司 | 一种推荐方法、装置及计算机可读存储介质 |
CN109064278A (zh) * | 2018-07-26 | 2018-12-21 | 北京三快在线科技有限公司 | 目标对象推荐方法及装置、电子设备、存储介质 |
CN112288517A (zh) * | 2019-12-23 | 2021-01-29 | 北京来也网络科技有限公司 | 结合rpa与ai的商品推荐方法和装置 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111833153A (zh) * | 2020-07-17 | 2020-10-27 | 深圳市活力天汇科技股份有限公司 | 一种购买高铁票时推荐航班的方法 |
CN111833153B (zh) * | 2020-07-17 | 2024-03-05 | 深圳市活力天汇科技股份有限公司 | 一种购买高铁票时推荐航班的方法 |
CN112801324A (zh) * | 2020-12-31 | 2021-05-14 | 北京嘀嘀无限科技发展有限公司 | 出行推荐方法、装置、电子设备及计算机可读存储介质 |
CN112948699A (zh) * | 2021-04-14 | 2021-06-11 | 上海明略人工智能(集团)有限公司 | 一种人群定向推荐方法、系统、电子设备及存储介质 |
CN117171446A (zh) * | 2023-11-03 | 2023-12-05 | 深圳市国硕宏电子有限公司 | 一种基于大数据分析的技术交易推荐方法及推荐系统 |
CN117171446B (zh) * | 2023-11-03 | 2024-02-20 | 深圳市国硕宏电子有限公司 | 一种基于大数据分析的技术交易推荐方法及推荐系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Volchek et al. | Forecasting tourist arrivals at attractions: Search engine empowered methodologies | |
Seetanah et al. | Destination satisfaction and revisit intention of tourists: does the quality of airport services matter? | |
Önder et al. | Tracing tourists by their digital footprints: The case of Austria | |
CN111198989A (zh) | 确定出行推荐数据的方法、装置、存储介质及电子设备 | |
WO2019184833A1 (zh) | 旅游信息推荐方法和装置 | |
JP6569313B2 (ja) | 施設特性を更新する方法、施設をプロファイリングする方法、及びコンピュータ・システム | |
de Oña et al. | Analysis of transit quality of service through segmentation and classification tree techniques | |
US9208444B1 (en) | Determining happiness indices | |
Cui et al. | Travel behavior classification: an approach with social network and deep learning | |
KR102437865B1 (ko) | 위치기반의 정보제공 방법 | |
CN108429776B (zh) | 网络对象的推送方法、装置、客户端、交互设备以及系统 | |
JP5905151B1 (ja) | 情報処理装置、情報処理プログラムおよび情報処理方法 | |
Bianchi et al. | Investigating non-visitors’ intentions to travel to a long-haul holiday destination | |
US20150248436A1 (en) | Methods, Circuits, Devices, Systems and Associated Computer Executable Code for Assessing a Presence Likelihood of a Subject at One or More Venues | |
Leung et al. | Do customers share the same perspective? A study on online OTAs ratings versus user ratings of Hong Kong hotels | |
Majumdar et al. | Prioritizing metro service quality attributes to enhance commuter experience: TOPSIS ranking and importance satisfaction analysis methods | |
Bi et al. | How built environment impacts online car-hailing ridership | |
JP2022189813A (ja) | 価格比較を遂行するホテル予約システム | |
CN109348417A (zh) | 路线的显示方法、装置、终端及存储介质 | |
Albaladejo et al. | The effects of motivations to go to the country on rural accommodation choice: A hybrid discrete choice model | |
Sanchez-Vazquez et al. | Exploiting socio-economic models for lodging recommendation in the sharing economy | |
Toly Chen et al. | A fuzzy analytic hierarchy process-enhanced fuzzy geometric mean-fuzzy technique for order preference by similarity to ideal solution approach for suitable hotel recommendation amid the COVID-19 pandemic | |
Tayeen et al. | Location, location, location! quantifying the true impact of location on business reviews using a yelp dataset | |
CN112560105B (zh) | 保护多方数据隐私的联合建模方法及装置 | |
Kar et al. | How can we improve tourism service experiences: insights from multi-stakeholders’ interaction |
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 |