CN111353851A - 酒店排序推荐方法、装置、电子设备、存储介质 - Google Patents
酒店排序推荐方法、装置、电子设备、存储介质 Download PDFInfo
- Publication number
- CN111353851A CN111353851A CN202010125893.8A CN202010125893A CN111353851A CN 111353851 A CN111353851 A CN 111353851A CN 202010125893 A CN202010125893 A CN 202010125893A CN 111353851 A CN111353851 A CN 111353851A
- Authority
- CN
- China
- Prior art keywords
- hotel
- picture
- pictures
- score
- candidate
- 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
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000012216 screening Methods 0.000 claims abstract description 26
- 238000012163 sequencing technique Methods 0.000 claims abstract description 14
- 238000012549 training Methods 0.000 claims description 13
- 238000013527 convolutional neural network Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 5
- 238000010801 machine learning Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 4
- 238000005286 illumination Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000011176 pooling Methods 0.000 description 3
- 239000003795 chemical substances by application Substances 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000004883 computer application Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Images
Classifications
-
- 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
-
- 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]
- G06Q30/0623—Item investigation
- G06Q30/0625—Directed, with specific intent or strategy
- G06Q30/0629—Directed, with specific intent or strategy for generating comparisons
-
- 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)
- Accounting & Taxation (AREA)
- Finance (AREA)
- General Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Primary Health Care (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供一种酒店排序推荐方法、装置、电子设备、存储介质,酒店排序推荐方法包括:接收酒店筛选项;根据所述酒店筛选项,筛选候选酒店;采集候选酒店的酒店图片;获取候选酒店的酒店图片的图片评分,所述酒店图片的图片评分通过如下步骤获取:将候选酒店的酒店图片输入一经训练的酒店图片评分模型;获取所述经训练的酒店图片评分模型输出的评分;以及根据所述经训练的酒店图片评分模型输出的评分获取候选酒店的酒店图片的图片评分;根据候选酒店的酒店图片的图片评分对候选酒店进行排序。本发明提供的酒店排序推荐方法及装置实现酒店排序推荐。
Description
技术领域
本发明涉及计算机应用技术领域,尤其涉及一种酒店排序推荐方法、装置、电子设备、存储介质。
背景技术
随着OTA(在线旅游代理商)的快速发展,越来越多的用户选择在线预定酒店,当前更多的酒店选择与OTA公司进行合作已经成为一种不可阻挡的趋势。
对于OTA公司而言,酒店数越多,可展示给用户的资源和服务也就越多;但是酒店数越多,也同时意味着用户要花更多的时间,从众多酒店中选择更加优秀和符合其偏好的酒店。因此,合理有效的向用户展示更优秀的酒店,便成为一项非常重要的工作。
为了帮助用户更加快速的找到符合其偏好需求且服务更加优秀的酒店,目前OTA网站广泛采用机器学习中的排序和推荐算法。其基本原理为根据OTA网站中的酒店和用户信息,用户浏览及下单历史等的海量数据构建并训练机器学习模型(如神经网络、决策树、随机森林等),利用所训练的模型可以对特定用户在特定时间和场景下对酒店产品的偏好程度进行预测,以此确定酒店产品的排序分及展示给用户的推荐酒店产品。
然而,目前的酒店排序和推荐算法,更多的是考虑酒店的星级、价格、各种服务信息等因素对用户的影响,而酒店图片作为一种非常直观的反映酒店质量的信息,在排序和推荐的过程中,并未被有效利用。
发明内容
本发明为了克服上述现有技术存在的缺陷,提供一种酒店排序推荐方法、装置、电子设备、存储介质,以解决或缓解上述现有技术存在的缺陷。
根据本发明的一个方面,提供一种酒店排序推荐方法,包括:
接收酒店筛选项;
根据所述酒店筛选项,筛选候选酒店;
采集候选酒店的酒店图片;
获取候选酒店的酒店图片的图片评分,所述酒店图片的图片评分通过如下步骤获取:
将候选酒店的酒店图片输入一经训练的酒店图片评分模型;
获取所述经训练的酒店图片评分模型输出的评分;以及
根据所述经训练的酒店图片评分模型输出的评分获取候选酒店的酒店图片的图片评分;
根据候选酒店的酒店图片的图片评分对候选酒店进行排序。
在本发明的一些实施例中,所述酒店图片评分模型根据如下步骤训练:
获取酒店图片样本及其标注;
构建酒店图片评分模型;
将所述酒店图片样本及其标注作为训练集所述酒店图片评分模型。
在本发明的一些实施例中,所述标注包括所述酒店图片样本的清晰度、图片内容相关度、主体强调度、光照度、色彩调和度、构图评分中的一项或多项。
在本发明的一些实施例中,所述酒店图片的评分为所述酒店图片样本的清晰度、图片内容相关度、主体强调度、光照度、色彩调和度、构图评分中的一项或多项的加权和。
在本发明的一些实施例中,所述酒店图片样本的标注为多个准标注的平均值,所述准标注由不同的主体评分获得。
在本发明的一些实施例中,所述候选酒店具有多个酒店图片,所述根据所述经训练的酒店图片评分模型输出的评分获取候选酒店的酒店图片的图片评分包括:
对每个候选酒店的每个酒店图片,获取所述经训练的酒店图片评分模型输出的评分;
获取每个候选酒店的、评分位于前N张的酒店图片;
计算该N张酒店图片的评分的平均分作为该候选酒店的图片评分,所述图片评分用于对候选酒店进行排序。
在本发明的一些实施例中,所述酒店图片评分模型为VGG-19卷积神经网络模型。
根据本发明的又一方面,还提供一种酒店排序推荐装置,包括:
接收模块,用于接收酒店筛选项;
筛选模块,用于根据所述酒店筛选项,筛选候选酒店;
采集模块,用于采集候选酒店的酒店图片;
获取模块,用于获取候选酒店的酒店图片的图片评分,所述酒店图片的图片评分通过如下步骤获取:
将候选酒店的酒店图片输入一经训练的酒店图片评分模型;
获取所述经训练的酒店图片评分模型输出的评分;以及
根据所述经训练的酒店图片评分模型输出的评分获取候选酒店的酒店图片的图片评分;
排序模块,用于根据候选酒店的酒店图片的图片评分对候选酒店进行排序。
根据本发明的又一方面,还提供一种电子设备,所述电子设备包括:处理器;存储介质,其上存储有计算机程序,所述计算机程序被所述处理器运行时执行如上所述的步骤。
根据本发明的又一方面,还提供一种存储介质,所述存储介质上存储有计算机程序,所述计算机程序被处理器运行时执行如上所述的步骤。
相比现有技术,本发明的优势在于:
通过对经训练的酒店图片评分模型对酒店图片进行评分,由此,对筛选过后的候选酒店进行排序和推荐,从而有效利用酒店图片数据,提高用户使用体验。
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排序推荐方法的流程图。
图2示出了根据本发明具体实施例的酒店排序推荐方法的示意图。
图3示出了根据本发明实施例的酒店排序推荐装置的示意图。
图4示意性示出本公开示例性实施例中一种计算机可读存储介质示意图。
图5示意性示出本公开示例性实施例中一种电子设备示意图。
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范例;相反,提供这些实施方式使得本公开将更加全面和完整,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。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。
此外,附图仅为本公开的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或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,为了有效利用酒店图片数据,提高用户使用体验,本发明提供一种酒店排序推荐方法、装置、电子设备、存储介质。
首先参见图1,图1示出了根据本发明实施例的酒店排序推荐方法的示意图。酒店排序推荐方法包括如下步骤:
步骤S110:接收酒店筛选项;
步骤S120:根据所述酒店筛选项,筛选候选酒店;
步骤S130:采集候选酒店的酒店图片;
步骤S140:获取候选酒店的酒店图片的图片评分,所述酒店图片的图片评分通过如下步骤获取:
步骤S141:将候选酒店的酒店图片输入一经训练的酒店图片评分模型;
步骤S142:获取所述经训练的酒店图片评分模型输出的评分;以及
步骤S143:根据所述经训练的酒店图片评分模型输出的评分获取候选酒店的酒店图片的图片评分;
步骤S150:根据候选酒店的酒店图片的图片评分对候选酒店进行排序。
在本发明提供的酒店排序推荐方法中,通过对经训练的酒店图片评分模型对酒店图片进行评分,由此,对筛选过后的候选酒店进行排序和推荐,从而有效利用酒店图片数据,提高用户使用体验。
具体而言,上述步骤S110和步骤S120中的酒店筛选项可以包括酒店星级、酒店类型、酒店所在区域等等,本发明并非以此为限制。
具体而言,当评分为高表示图片各方面更为优秀时,上述步骤S150的排序顺序为评分由高至低;当评分为低表示图片各方面更为优秀时,上述步骤S150的排序顺序为评分由低至高。本发明并非以此为限制。
在本发明的一些实施例中,所述酒店图片评分模型根据如下步骤训练:获取酒店图片样本及其标注;构建酒店图片评分模型;将所述酒店图片样本及其标注作为训练集所述酒店图片评分模型。所述酒店图片评分模型例如可以是VGG-19卷积神经网络模型。
在上述实施例中,所述标注可以包括所述酒店图片样本的清晰度、图片内容相关度、主体强调度、光照度、色彩调和度、构图评分中的一项或多项。其中,清晰度、图片内容相关度、主体强调度、光照度、色彩调和度、构图评分可皆由用户手动评分。各项评分归一化为0-1、0-5分、0-10分、0-100分等,本发明并非以此为限制。在一些变化例中,清晰度、图片内容相关度、主体强调度、光照度、色彩调和度、构图评分也可由各自经训练的机器学习模型自动输出,由此,加快酒店图片评分模型的训练的同时,可减少用户手动评分。例如,对清晰度、图片内容相关度、主体强调度、光照度、色彩调和度、构图评分中的每一项训练一机器学习模型,从而分别通过机器学习模型输出大量图片的清晰度、图片内容相关度、主体强调度、光照度、色彩调和度、构图评分。各机器学习模型可以采用相同的模型,也可以采用不同的模型,本发明并非以此为限制。各机器学习模型可以是有监督模型或无监督模型。
在上述实施例中,所述酒店图片的评分为所述酒店图片样本的清晰度、图片内容相关度、主体强调度、光照度、色彩调和度、构图评分中的一项或多项的加权和。
在上述实施例中,所述酒店图片样本的标注为多个准标注的平均值,所述准标注由不同的主体评分获得。具体而言,每一图片的标注由多个不同的用户提供。由此,标注的每一项为不同用户评分的平均值。在一些变化例中,每一图片的标注可以由多个不同的机器学习模型提供。在另一些变化例中,每一图片的标注可以由多个不同的机器学习模型及不同的用户共同提供。
在本发明的一些实施例中,前述的步骤S143所述候选酒店具有多个酒店图片,所述根据所述经训练的酒店图片评分模型输出的评分获取候选酒店的酒店图片的图片评分可以包括如下步骤:对每个候选酒店的每个酒店图片,获取所述经训练的酒店图片评分模型输出的评分;获取每个候选酒店的、评分位于前N张的酒店图片;计算该N张酒店图片的评分的平均分作为该候选酒店的图片评分,所述图片评分用于对候选酒店进行排序。其中,N为大于等于1的整数。由此,进一步减少步骤S143的计算量,且考虑到酒店详情页面通常仅提供酒店的N张图片,若需要浏览更多图片需进一步选择酒店图片选项,因此,上述实施例中根据N张酒店图片作为酒店图片的评分基础可以在减少计算量的同时,提高用户的体验。进一步地,当进入酒店详情页面及酒店图片页面,各酒店图片皆可按各图片的评分进行排序。
图2示出了根据本发明具体实施例的酒店排序推荐方法的示意图。图2示出了两部分流程,包括后台计算和前端展示。其中后台计算包括如下步骤:
步骤S210:形成酒店图片库。酒店图片库中的图片可以仅包括OTA(在线旅游代理商)系统内的所有图片。在一些变化例中,酒店图片库还可以包括从网络中采集的与酒店相关的图片。
步骤S211:从酒店图片库中随机抽取一批样本,对样本图片进行人工打分,构建图片质量分训练数据库(训练集)。
本实施例中,所述的酒店图片的评分,并非单纯的计算图片的色彩丰富度、图片亮度等简单的评估分,而是依据酒店所展示图片的清晰度、图片内容相关度、主体强调度、光照度、色彩调和度、构图评分等进行综合判断所得出的最终分数。评价标准如下:
在本实施例中,以上每种属性,如果符合得分为1,否则为0。最终得分的计算公式为:
最终得分=5*(0.1*内容相关度+0.1*主体强调度+0.2*清晰度+0.2*光照度+0.2*色彩调和度+0.2*构图构图评分)。对最终得分进行四舍五入,获得整数分数作为该图片的最终得分。对于一张特定图片,其综合得分会受到个人主观因素的影响,因此,本发明通过图片打分小工具(如步骤S212),将该工具发放给更多的个人,每张图片保证至少有3人以上参与打分,最后将所有人的打分汇聚起来并计算平均值作为该图片最终的评分(如步骤S213)。
步骤S214:利用得到的训练数据,训练酒店图片评分模型;
具体而言,传统的图片质量评分的计算,一般是通过图像本身的颜色、纹理、区域对比度等相应特征进行加权计算,或是人为抽象出较高层的特征进行相应建模计算。这两种方法,前者无法考虑人类审美的相应倾向,而后者受到建模者主观影响较大,都无法满足我们对于图片质量评分的需求。目前在计算机图像处理领域,卷积神经网络由于能很好的利用图片临近像素之间的相关性,并根据特定目的训练出高效的特征滤波器,在图片分类、目标检测、跟踪、图像检索等计算机视觉相关任务中都表现出了优异的性能。因此,我们利用卷积神经网络模型通过训练使其能学习到图片内容与“评分”之间十分抽象的特征映射关系。我们称其为“CNN酒店图片评分模型”,并利用此模型对任意酒店的酒店图片进行评判。
在CNN模型结构设计方面,我们采用了目前学术界广泛认同的在图片识别领域取得优异效果的VGG-19卷积神经网络模型来进行图片相关的特征提取和计算(参考文献:Simonyan K,Zisserman A.Very Deep Convolutional Networks for Large-Scale ImageRecognition[J].Computer Science,2014)。
VGG-19网络结构如下:前半部分包含五个卷积模块,在每个卷积模块中,都包括了三个卷积层和一个池化层,每个卷积层由多个3X3的卷积核进行叠加。每个卷积部分之后都跟一个池化层进行下采样。都通过这一部分,网络可以成功的根据训练图片所具有的特征,提取出能够成功判断图片质量的色彩和边缘特征。在第五个池化操作之后,网络连接了三个全连接层,使用Relu做为激活函数并在训练引入了dropout机制,让部分神经元退化,从而达到了使用小训练集就可以获得较好参数结果的目的。最后使用softmax函数进行分类,分类结果即为每个图片的质量得分。采用优化的随机梯度下降算法用构建的图片质量分训练数据库对模型进行迭代训练,即可得到使用于酒店图片质量评分的相应VGG-19卷积神经网络模型。本发明并非以此为限制。
步骤S215:利用经训练的酒店图片评分模型预测所有酒店图片的评分。
具体而言,当酒店图片评分模型训练完之后,便可以调用该模型对图片库中的每一张图片计算其得分,该得分是一个离线的分数(如步骤S216),可以定期计算一次图片得分。当得到每一张图片的分数后,每家酒店选择出质量分最高的N(N=10)张图片,计算这N张图片的平均分,以此作为该酒店的排序得分,该得分是一个离线分,可以定期更新(如步骤S217)。
对于前端展示部分,如图2所示,首先执行步骤S201,响应于用户打开应用,进入酒店页面。然后执行步骤S202,进入酒店搜索页。响应于用户的筛选项的选择或输入,执行步骤S203的判断。若步骤S203判断没有进行筛选,继续执行步骤S204,向用户提供酒店的默认排序。若步骤S203判断进行了筛选,则执行步骤S205,获取经过筛选的候选酒店的酒店图片的评分,并按评分进行排序。步骤S205之后执行步骤S206,根据排序结果进入酒店列表页面。然后执行步骤S207,判断是否重新进行少选,若否,则执行步骤S208,提供酒店的默认排序;若是,则执行步骤S209,获取经过筛选的候选酒店的酒店图片的评分,并按评分进行酒店排序。
在本发明的一个具体实现中,可以在标注的过程中,将每一酒店的酒店图片分类为酒店外观、酒店大堂、酒店房间、酒店会议室、酒店餐厅等等。在每一酒店的详情页面,分别提供各类图片中评分最高的一张图片。当用户在酒店的详情页面操作任一类图片时,使该类图片中的其余图片按评分顺序呈放射状位于所操作的图片的周围,且随着用户手势的转动,使其余图片依次替换为中心的图片,从而便于用户直接详细浏览某一类图片,而无需进行页面的跳转。在进一步的实施例中,当提供酒店列表时,通常仅显示酒店的一张图片,该张图片优选地为该酒店的酒店图片中评分最高的图片。当用户长按或压力触控该酒店列表上的酒店图片时,可以使得该酒店的各类酒店图片中评分最高的图片呈放射状显示于该酒店图片的周围,且随着用户手势靠近某一类分类时,使得当前的酒店列表按该图片分类的评分重新排序。当用户手势的位置与该分类图片重合(或识别为长按/压力触控该分类图片)时,使得该酒店的该分类下的图片按评分顺序显示于该分类的图片的一侧。本发明可以实现更多的变化方式,在此不予赘述,
以上仅仅是本发明的具体实现方式,本发明并非以此为限制。
本发明还提供一种酒店排序推荐装置,图3示出了根据本发明实施例的酒店排序推荐装置的示意图。酒店排序推荐装置300包括接收模块310、筛选模块320、采集模块330、获取模块340及排序模块350。
接收模块310用于接收酒店筛选项;
筛选模块320用于根据所述酒店筛选项,筛选候选酒店;
采集模块330用于采集候选酒店的酒店图片;
获取模块340用于获取候选酒店的酒店图片的图片评分,所述酒店图片的图片评分通过如下步骤获取:将候选酒店的酒店图片输入一经训练的酒店图片评分模型;获取所述经训练的酒店图片评分模型输出的评分;以及根据所述经训练的酒店图片评分模型输出的评分获取候选酒店的酒店图片的图片评分;
排序模块350用于根据候选酒店的酒店图片的图片评分对候选酒店进行排序。
在本发明提供的酒店排序推荐装置中,通过对经训练的酒店图片评分模型对酒店图片进行评分,由此,对筛选过后的候选酒店进行排序和推荐,从而有效利用酒店图片数据,提高用户使用体验。
图3仅仅是示意性的示出本发明提供的酒店排序推荐装置,在不违背本发明构思的前提下,模块的拆分、合并、增加都在本发明的保护范围之内。本发明提供的酒店排序推荐装置可以由软件、硬件、固件、插件及他们之间的任意组合来实现,本发明并非以此为限。
在本公开的示例性实施例中,还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被例如处理器执行时可以实现上述任意一个实施例中所述酒店排序推荐方法的步骤。在一些可能的实施方式中,本发明的各个方面还可以实现为一种程序产品的形式,其包括程序代码,当所述程序产品在终端设备上运行时,所述程序代码用于使所述终端设备执行本说明书上述酒店排序推荐方法部分中描述的根据本发明各种示例性实施方式的步骤。
参考图4所示,描述了根据本发明的实施方式的用于实现上述方法的程序产品400,其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码,并可以在终端设备,例如个人电脑上运行。然而,本发明的程序产品不限于此,在本文件中,可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
所述计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、有线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在租户计算设备上执行、部分地在租户设备上执行、作为一个独立的软件包执行、部分在租户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到租户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
在本公开的示例性实施例中,还提供一种电子设备,该电子设备可以包括处理器,以及用于存储所述处理器的可执行指令的存储器。其中,所述处理器配置为经由执行所述可执行指令来执行上述任意一个实施例中所述酒店排序推荐方法的步骤。
所属技术领域的技术人员能够理解,本发明的各个方面可以实现为系统、方法或程序产品。因此,本发明的各个方面可以具体实现为以下形式,即:完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等),或硬件和软件方面结合的实施方式,这里可以统称为“电路”、“模块”或“系统”。
下面参照图5来描述根据本发明的这种实施方式的电子设备600。图5显示的电子设备600仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图5所示,电子设备600以通用计算设备的形式表现。电子设备600的组件可以包括但不限于:至少一个处理单元610、至少一个存储单元620、连接不同系统组件(包括存储单元620和处理单元610)的总线630、显示单元640等。
其中,所述存储单元存储有程序代码,所述程序代码可以被所述处理单元610执行,使得所述处理单元610执行本说明书上述酒店排序推荐方法部分中描述的根据本发明各种示例性实施方式的步骤。例如,所述处理单元610可以执行如图1中所示的步骤。
所述存储单元620可以包括易失性存储单元形式的可读介质,例如随机存取存储单元(RAM)6201和/或高速缓存存储单元6202,还可以进一步包括只读存储单元(ROM)6203。
所述存储单元620还可以包括具有一组(至少一个)程序模块6205的程序/实用工具6204,这样的程序模块6205包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线630可以为表示几类总线结构中的一种或多种,包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备600也可以与一个或多个外部设备700(例如键盘、指向设备、蓝牙设备等)通信,还可与一个或者多个使得租户能与该电子设备600交互的设备通信,和/或与使得该电子设备600能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口650进行。并且,电子设备600还可以通过网络适配器660与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。网络适配器660可以通过总线630与电子设备600的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备600使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施方式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)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、或者网络设备等)执行根据本公开实施方式的上述酒店排序推荐方法。
相比现有技术,本发明的优势在于:
通过对经训练的酒店图片评分模型对酒店图片进行评分,由此,对筛选过后的候选酒店进行排序和推荐,从而有效利用酒店图片数据,提高用户使用体验。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由所附的权利要求指出。
Claims (10)
1.一种酒店排序推荐方法,其特征在于,包括:
接收酒店筛选项;
根据所述酒店筛选项,筛选候选酒店;
采集候选酒店的酒店图片;
获取候选酒店的酒店图片的图片评分,所述酒店图片的图片评分通过如下步骤获取:
将候选酒店的酒店图片输入一经训练的酒店图片评分模型;
获取所述经训练的酒店图片评分模型输出的评分;以及
根据所述经训练的酒店图片评分模型输出的评分获取候选酒店的酒店图片的图片评分;
根据候选酒店的酒店图片的图片评分对候选酒店进行排序。
2.如权利要求1所述的酒店排序推荐方法,其特征在于,所述酒店图片评分模型根据如下步骤训练:
获取酒店图片样本及其标注;
构建酒店图片评分模型;
将所述酒店图片样本及其标注作为训练集所述酒店图片评分模型。
3.如权利要求2所述的酒店排序推荐方法,其特征在于,所述标注包括所述酒店图片样本的清晰度、图片内容相关度、主体强调度、光照度、色彩调和度、构图评分中的一项或多项。
4.如权利要求3所述的酒店排序推荐方法,其特征在于,所述酒店图片的评分为所述酒店图片样本的清晰度、图片内容相关度、主体强调度、光照度、色彩调和度、构图评分中的一项或多项的加权和。
5.如权利要求4所述的酒店排序推荐方法,其特征在于,所述酒店图片样本的标注为多个准标注的平均值,所述准标注由不同的主体评分获得。
6.如权利要求1所述的酒店排序推荐方法,其特征在于,所述候选酒店具有多个酒店图片,所述根据所述经训练的酒店图片评分模型输出的评分获取候选酒店的酒店图片的图片评分包括:
对每个候选酒店的每个酒店图片,获取所述经训练的酒店图片评分模型输出的评分;
获取每个候选酒店的、评分位于前N张的酒店图片;
计算该N张酒店图片的评分的平均分作为该候选酒店的图片评分,所述图片评分用于对候选酒店进行排序。
7.如权利要求1至6任一项所述的酒店排序推荐方法,其特征在于,所述酒店图片评分模型为VGG-19卷积神经网络模型。
8.一种酒店排序推荐装置,其特征在于,包括:
接收模块,用于接收酒店筛选项;
筛选模块,用于根据所述酒店筛选项,筛选候选酒店;
采集模块,用于采集候选酒店的酒店图片;
获取模块,用于获取候选酒店的酒店图片的图片评分,所述酒店图片的图片评分通过如下步骤获取:
将候选酒店的酒店图片输入一经训练的酒店图片评分模型;
获取所述经训练的酒店图片评分模型输出的评分;以及
根据所述经训练的酒店图片评分模型输出的评分获取候选酒店的酒店图片的图片评分;
排序模块,用于根据候选酒店的酒店图片的图片评分对候选酒店进行排序。
9.一种电子设备,其特征在于,所述电子设备包括:
处理器;
存储介质,其上存储有计算机程序,所述计算机程序被所述处理器运行时执行如权利要求1至7任一项所述的酒店排序推荐步骤。
10.一种存储介质,其特征在于,所述存储介质上存储有计算机程序,所述计算机程序被处理器运行时执行如权利要求1至7任一项所述的酒店排序推荐步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010125893.8A CN111353851A (zh) | 2020-02-27 | 2020-02-27 | 酒店排序推荐方法、装置、电子设备、存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010125893.8A CN111353851A (zh) | 2020-02-27 | 2020-02-27 | 酒店排序推荐方法、装置、电子设备、存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111353851A true CN111353851A (zh) | 2020-06-30 |
Family
ID=71194165
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010125893.8A Pending CN111353851A (zh) | 2020-02-27 | 2020-02-27 | 酒店排序推荐方法、装置、电子设备、存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111353851A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112235182A (zh) * | 2020-08-29 | 2021-01-15 | 上海量明科技发展有限公司 | 基于斗图的图像对抗方法、装置及即时通信客户端 |
CN112819509A (zh) * | 2021-01-18 | 2021-05-18 | 上海携程商务有限公司 | 自动筛选广告图片的方法、系统、电子设备和存储介质 |
CN113065015A (zh) * | 2021-04-27 | 2021-07-02 | 拉扎斯网络科技(上海)有限公司 | 图片搜索方法、装置、电子设备及存储介质 |
CN113590937A (zh) * | 2021-07-05 | 2021-11-02 | 深圳市天下房仓科技有限公司 | 酒店搜索及信息管理方法、装置、电子设备及存储介质 |
CN116166889A (zh) * | 2023-02-21 | 2023-05-26 | 深圳市天下房仓科技有限公司 | 酒店产品筛选方法、装置、设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106650795A (zh) * | 2016-12-01 | 2017-05-10 | 携程计算机技术(上海)有限公司 | 酒店房型图像的排序方法 |
CN107194898A (zh) * | 2017-06-23 | 2017-09-22 | 携程计算机技术(上海)有限公司 | 酒店图像的展示方法、存储介质及酒店信息的推送方法 |
CN109509190A (zh) * | 2018-12-19 | 2019-03-22 | 中国科学院重庆绿色智能技术研究院 | 视频监控图像筛选方法、装置、系统及存储介质 |
CN110209916A (zh) * | 2018-02-05 | 2019-09-06 | 高德软件有限公司 | 一种兴趣点图像推荐方法及装置 |
-
2020
- 2020-02-27 CN CN202010125893.8A patent/CN111353851A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106650795A (zh) * | 2016-12-01 | 2017-05-10 | 携程计算机技术(上海)有限公司 | 酒店房型图像的排序方法 |
CN107194898A (zh) * | 2017-06-23 | 2017-09-22 | 携程计算机技术(上海)有限公司 | 酒店图像的展示方法、存储介质及酒店信息的推送方法 |
CN110209916A (zh) * | 2018-02-05 | 2019-09-06 | 高德软件有限公司 | 一种兴趣点图像推荐方法及装置 |
CN109509190A (zh) * | 2018-12-19 | 2019-03-22 | 中国科学院重庆绿色智能技术研究院 | 视频监控图像筛选方法、装置、系统及存储介质 |
Non-Patent Citations (1)
Title |
---|
大宝石出版社(日本),徐华等译: "《网页设计九合一培训教程》", vol. 1, 湖南师范大学出版社, pages: 346 - 347 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112235182A (zh) * | 2020-08-29 | 2021-01-15 | 上海量明科技发展有限公司 | 基于斗图的图像对抗方法、装置及即时通信客户端 |
CN112235182B (zh) * | 2020-08-29 | 2021-11-16 | 上海量明科技发展有限公司 | 基于斗图的图像对抗方法、装置及即时通信客户端 |
CN112819509A (zh) * | 2021-01-18 | 2021-05-18 | 上海携程商务有限公司 | 自动筛选广告图片的方法、系统、电子设备和存储介质 |
CN112819509B (zh) * | 2021-01-18 | 2024-03-26 | 上海携程商务有限公司 | 自动筛选广告图片的方法、系统、电子设备和存储介质 |
CN113065015A (zh) * | 2021-04-27 | 2021-07-02 | 拉扎斯网络科技(上海)有限公司 | 图片搜索方法、装置、电子设备及存储介质 |
CN113590937A (zh) * | 2021-07-05 | 2021-11-02 | 深圳市天下房仓科技有限公司 | 酒店搜索及信息管理方法、装置、电子设备及存储介质 |
CN116166889A (zh) * | 2023-02-21 | 2023-05-26 | 深圳市天下房仓科技有限公司 | 酒店产品筛选方法、装置、设备及存储介质 |
CN116166889B (zh) * | 2023-02-21 | 2023-12-12 | 深圳市天下房仓科技有限公司 | 酒店产品筛选方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111291266B (zh) | 基于人工智能的推荐方法、装置、电子设备及存储介质 | |
CN111353851A (zh) | 酒店排序推荐方法、装置、电子设备、存储介质 | |
CN109063163B (zh) | 一种音乐推荐的方法、装置、终端设备和介质 | |
US7707162B2 (en) | Method and apparatus for classifying multimedia artifacts using ontology selection and semantic classification | |
US20210342658A1 (en) | Polysemant meaning learning and search result display | |
CN111475730A (zh) | 基于人工智能的信息推荐方法、装置、电子设备 | |
CN105069103B (zh) | App搜索引擎利用用户评论的方法及系统 | |
CN111046286A (zh) | 一种对象推荐方法、装置、以及计算机存储介质 | |
CN110110233B (zh) | 信息处理方法、装置、介质和计算设备 | |
CN112468853B (zh) | 电视资源推荐方法、装置、计算机设备及存储介质 | |
CN111429161B (zh) | 特征提取方法、特征提取装置、存储介质及电子设备 | |
WO2024051609A1 (zh) | 广告创意数据选取方法及装置、模型训练方法及装置、设备、存储介质 | |
KR102030149B1 (ko) | 사용자 커리큐럼 추천 방법 및 이를 이용한 사용자 맞춤형 소프트웨어 교육용 시스템 | |
AU2023202891A1 (en) | Image classification system | |
WO2024041483A1 (zh) | 一种推荐方法及相关装置 | |
US11455485B2 (en) | Content prediction based on pixel-based vectors | |
CN115659008A (zh) | 大数据信息反馈的信息推送系统、方法、电子设备及介质 | |
CN116206318A (zh) | 酒店评价反馈方法、系统、设备及存储介质 | |
CN111078881A (zh) | 细粒度情感分析方法、系统、电子设备和存储介质 | |
CN111797258B (zh) | 基于美感评价的图像推送方法、系统、设备及存储介质 | |
CN116910357A (zh) | 一种数据处理方法及相关装置 | |
CN110909193A (zh) | 图像排序展示方法、系统、设备和存储介质 | |
CN112711717A (zh) | 房间产品搜索方法、装置、电子设备 | |
CN116842936A (zh) | 关键词识别方法、装置、电子设备和计算机可读存储介质 | |
CN112148964B (zh) | 信息处理、推荐方法、系统及设备 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200630 |
|
RJ01 | Rejection of invention patent application after publication |