CN111369313A - 订房失败订单的处理方法、装置、计算机设备及存储介质 - Google Patents
订房失败订单的处理方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN111369313A CN111369313A CN202010078395.2A CN202010078395A CN111369313A CN 111369313 A CN111369313 A CN 111369313A CN 202010078395 A CN202010078395 A CN 202010078395A CN 111369313 A CN111369313 A CN 111369313A
- Authority
- CN
- China
- Prior art keywords
- attribute
- data
- booking data
- booking
- standard
- 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
- 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]
- G06Q30/0633—Lists, e.g. purchase orders, compilation or processing
- G06Q30/0635—Processing of requisition or of purchase orders
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/02—Reservations, e.g. for tickets, services or events
-
- 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)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Databases & Information Systems (AREA)
- Tourism & Hospitality (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- Human Resources & Organizations (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例公开了一种订房失败订单的处理方法,通过获取订房失败订单的订单信息;根据订单信息确定对应的目标订房数据,目标订房数据包括多个指标属性和对应的指标属性值;获取可预订酒店的各个房型的标准订房数据集合,标准订房数据集合包括多个房型的标准订房数据;采用预设的计算方式计算目标订房数据与每一标准订房数据的相似度;当标准订房数据对应的相似度满足预设相似度阈值时,将标准订房数据对应的可预订酒店以及房型作为待推荐订房信息;将待推荐订房信息发送至用户端,提高了用户对待推荐订房信息的满意度,进而提升用户订房体验,并且提高了订房平台的服务质量。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种订房失败订单的处理方法、装置、计算机设备及存储介质。
背景技术
在当前在线订房平台中,因为房源由酒店或第三方供应商把控。一方面,对于用户在线的订房订单,现有的大多数平台通常会对确认不了的订房订单转成待确认状态让用户等待确认结果,这无疑会影响用户在线订房的效率,降低用户体验。另一方面,为了提高用户体验,一些平台会对用户的在线订房订单进行即时确认,其中的及时确认结果中会存在订房订单确认失败的情形,如果直接将订房的失败订单发送给用户,必然会造成用户体验差,且影响平台的效益。
因此,开发一种订房失败订单的处理方法,以期能够提高用户在线订房体验,从而提升平台服务质量,成为本领域技术人员亟待解决的问题。
发明内容
基于此,有必要针对上述问题,提出一种能够对订房失败订单进行高效处理,进而提升订房用户体验的订房失败订单的处理方法、装置、计算机设备及存储介质。
一种订房失败订单的处理方法,其特征在于,所述方法包括:
获取订房失败订单的订单信息;
根据所述订单信息确定对应的目标订房数据,所述目标订房数据包括多个指标属性和对应的指标属性值;
获取可预订酒店的各个房型的标准订房数据集合,所述标准订房数据集合包括多个房型的标准订房数据,每个可预订酒店的每个房型对应一个标准订房数据,所述标准订房数据的指标属性与所述目标订房数据的所述指标属性相同;
采用预设的计算方式计算所述目标订房数据与每一所述标准订房数据的相似度;
当所述标准订房数据对应的相似度满足预设相似度阈值时,将所述标准订房数据对应的可预订酒店以及房型作为待推荐订房信息;
将所述待推荐订房信息发送至用户端。
一种订房失败订单的处理装置,所述装置包括:
第一获取模块,用于获取订房失败订单的订单信息;
确定模块,用于根据所述订单信息确定对应的目标订房数据,所述目标订房数据包括多个指标属性和对应的指标属性值;
第二获取模块,用于获取可预订酒店的各个房型的标准订房数据集合,所述标准订房数据集合包括多个房型的标准订房数据,每个可预订酒店的每个房型对应一个标准订房数据,所述标准订房数据的指标属性与所述目标订房数据的所述指标属性相同;
计算模块,用于采用预设的计算方式计算所述目标订房数据与每一所述标准订房数据的相似度;
生成模块,用于当所述标准订房数据对应的相似度满足预设相似度阈值时,将所述标准订房数据对应的可预订酒店以及房型作为待推荐订房信息;
推荐模块,用于将所述待推荐订房信息发送至用户端。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行以下步骤:
获取订房失败订单的订单信息;
根据所述订单信息确定对应的目标订房数据,所述目标订房数据包括多个指标属性和对应的指标属性值;
获取可预订酒店的各个房型的标准订房数据集合,所述标准订房数据集合包括多个房型的标准订房数据,每个可预订酒店的每个房型对应一个标准订房数据,所述标准订房数据的指标属性与所述目标订房数据的所述指标属性相同;
采用预设的计算方式计算所述目标订房数据与每一所述标准订房数据的相似度;
当所述标准订房数据对应的相似度满足预设相似度阈值时,将所述标准订房数据对应的可预订酒店以及房型作为待推荐订房信息;
将所述待推荐订房信息发送至用户端。
一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行以下步骤:
获取订房失败订单的订单信息;
根据所述订单信息确定对应的目标订房数据,所述目标订房数据包括多个指标属性和对应的指标属性值;
获取可预订酒店的各个房型的标准订房数据集合,所述标准订房数据集合包括多个房型的标准订房数据,每个可预订酒店的每个房型对应一个标准订房数据,所述标准订房数据的指标属性与所述目标订房数据的所述指标属性相同;
采用预设的计算方式计算所述目标订房数据与每一所述标准订房数据的相似度;
当所述标准订房数据对应的相似度满足预设相似度阈值时,将所述标准订房数据对应的可预订酒店以及房型作为待推荐订房信息;
将所述待推荐订房信息发送至用户端。
上述订房失败订单的处理方法、装置、计算机设备及存储介质,通过获取订房失败订单的订单信息;根据订单信息确定对应的目标订房数据,目标订房数据包括多个指标属性和对应的指标属性值;获取可预订酒店的各个房型的标准订房数据集合,标准订房数据集合包括多个房型的标准订房数据,每个可预订酒店的每个房型对应一个标准订房数据,标准订房数据的指标属性与目标订房数据的指标属性相同;采用预设的计算方式计算目标订房数据与每一标准订房数据的相似度;当标准订房数据对应的相似度满足预设相似度阈值时,将标准订房数据对应的可预订酒店以及房型作为待推荐订房信息;将待推荐订房信息发送至用户端,提高了用户对待推荐订房信息的满意度,进而提升用户订房体验,并且提高了订房平台的服务质量。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
其中:
图1为一个实施例中订房失败订单的处理方法的流程图;
图2为另一个实施例中订房失败订单的处理方法的流程图;
图3为一个实施例中相似度计算方法的流程图;
图4为一个实施例中距离计算方法的流程图;
图5为另一个实施例中距离计算方法的流程图;
图6为一个实施例中目标订房数据获取方法的流程图;
图7为一个实施例中订房失败订单的处理装置的结构框图;
图8为一个实施例中计算机设备的结构框图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,在一个实施例中,提供了一种订房失败订单的处理方法,该订房失败订单的处理方法既可以应用于终端,也可以应用于服务器,本实施例以应用于服务器举例说明。该订房失败订单的处理方法具体包括以下步骤:
步骤102,获取订房失败订单的订单信息。
其中,订房失败订单是指用户在在线订房平台上进行订房时未能成功下单的订单,由于用户已经进行了下单操作,因此,可以从在线订房平台的后台数据库中获取到订单信息,订单信息是指与订房相关的信息,如供应商、酒店名称、餐型、价格、入住时间等。可以理解地,通过获取订单信息可以了解用户的订房需求,从而有利于为用户提供满足需求的订房方案。
步骤104,根据订单信息确定对应的目标订房数据,目标订房数据包括多个指标属性和对应的指标属性值。
其中,目标订房数据是指能满足用户需求的订房数据,包括多个指标属性和对应的指标属性值,指标属性可以为供应商、价格、床型、餐型、取消政策、酒店位置等,指标属性值是指标属性对应的具体数值,例如,可以对不同供应商、房型、床型、餐型、取消政策、酒店位置设置不同的编码,作为对应指标属性的指标属性值,价格的具体数值作为价格这一指标属性的指标属性值。示例性地,一个目标订房数据具体为:供应商:A,价格:298,床型;单人床,餐型:不含餐,取消政策:不可退改,酒店位置:距离市中心0.5Km,则该目标订房数据可以表示为{供应商:01,价格:298,房:02,餐型:0,取消政策:1,酒店位置05}。具体地,可以通过关键字匹配的方法从订单信息中提取目标订房数据。
步骤106,获取可预订酒店的各个房型的标准订房数据集合,标准订房数据集合包括多个房型的标准订房数据,每个可预订酒店的每个房型对应一个标准订房数据,标准订房数据的指标属性与目标订房数据的指标属性相同。
其中,标准订房数据是指可预订酒店的各个房型的订房数据,包括多个指标属性和对应的指标属性值。标准订房数据的指标属性与目标订房数据的指标属性一致,标准订房数据的指标属性值的定义标准与目标订房数据的指标属性值的定义标准一致。具体地,可以从在线订房平台的后台数据库中获取到可预订酒店的各个房型的标准订房数据集合,作为对订房失败订单的候选方案,避免出现用户订房失败的情况。
步骤108,采用预设的计算方式计算目标订房数据与每一标准订房数据的相似度。
其中,相似度是用于衡量目标订房数据对应的可预订酒店以及房型,与标准订房数据对应的可预订酒店以及房型的接近程度。相似度越大,表明标准订房数据对应的可预订酒店以及房型与目标数据对应的可预订酒店以及房型的接近程度越大。具体地,可以通过计算目标订房数据中的指标属性值与每一标准订房数据的指标属性值之间的差值作为相似度,用于作为筛选出满足用户订房要求的依据。
步骤110,当标准订房数据对应的相似度满足预设相似度阈值时,将标准订房数据对应的可预订酒店以及房型作为待推荐订房信息。
其中,预设相似度阈值是指与能够满足用户订房需求对应的目标订房数据的相似度的最小值。待推荐订房信息是指满足用户订房需求的可预订酒以及房型的标准订房数据对应的订房信息。具体地,将标准订房数据对应的相似度满足预设相似度阈值对应的可预订酒店以及房型作为待推荐订房信息,能够提高用户对待推荐订房信息的满意度,进而提升用户订房体验。
优选地,为了提高对订房失败订单的自动化处理程度,并减少用户的繁琐订房信息比对和思考过程,可以在满足预设相似度阈值对应的标准订房数据中,选取相似度最大的标准订房数据对应的可预订酒店以及房型作为待推荐订房信息,也即,待推荐订房信息为一个标准订房数据,进一步提升了用户的订房体验。
步骤112,将待推荐订房信息发送至用户端。
具体地,将待推荐订房信息发送至用户端,以使用户端用户根据待推荐信息进行重新订房,不仅满足用户的订房需求,提升用户体验,而且提高订房平台的服务质量。
上述订房失败订单的处理方法,通过获取订房失败订单的订单信息;根据订单信息确定对应的目标订房数据,目标订房数据包括多个指标属性和对应的指标属性值;获取可预订酒店的各个房型的标准订房数据集合,标准订房数据集合包括多个房型的标准订房数据,每个可预订酒店的每个房型对应一个标准订房数据,标准订房数据的指标属性与目标订房数据的指标属性相同;采用预设的计算方式计算目标订房数据与每一标准订房数据的相似度;当标准订房数据对应的相似度满足预设相似度阈值时,将标准订房数据对应的可预订酒店以及房型作为待推荐订房信息;将待推荐订房信息发送至用户端,提高了用户对待推荐订房信息的满意度,进而提升用户订房体验,并且提高了订房平台的服务质量。
如图2所示,在一个实施例中,在将待推荐订房信息发送至用户端之后,还包括:
步骤114,当接收到用户端的用户对待推荐订房信息的确认指令时,获取订房失败订单的用户信息,用户信息为用户在线订房时填写的信息;
步骤116,获取待推荐订房信息对应的预定页面;
步骤118,将用户信息填充在预定页面,生成目标订单,并将目标订单发送至用户端,以使用户端的用户重新订房。
其中,用户信息为在线订房时填写的信息,如用户输入的姓名、身份证号码、和联系电话,用户输入的入住城市、入住时间、退房时间等。可以理解地,用户在下单时,用户信息是一致的,为了避免用户的重复填写操作,可以将订房失败订单的用户信息直接填充在待推荐订房信息对应的预定页面,实现了快速下单,不仅减少了用户的操作,而且提高了用户重新订房的速度,避免了二次订房失败订单的产生,大大提升了用户重新订房效率。
在一个实施例中,采用预设的计算方式计算目标订房数据与每一标准订房数据的相似度,包括:
分别计算每一标准订房数据与目标订房数据的距离,得到多个相似度。
在这个实施例中,距离是指目标订房数据的指标属性值与标准订房数据的指标属性值之间相似性的指标数据,其中的距离包括但不限于是欧氏距离、汉明距离、马氏距离或者余弦距离等。
如图3所示,在一个实施例中,分别计算每一标准订房数据与目标订房数据的距离,包括:
步骤108A1,将多个指标属性按照指标属性值的数据类型划分为第一属性、第二属性,第一属性包括餐型和取消政策中的至少一项指标属性,第二属性包括价格、范围或者床型中的至少一项指标属性;
步骤108A2,分别计算标准订房数据中的第一属性对应的指标属性值与目标订房数据中第一属性对应的指标属性值的汉明距离,得到多个第一属性距离;
步骤108A3,分别计算标准订房数据中的第二属性对应的指标属性值与目标订房数据中第二属性对应的指标属性值的欧式距离,得到多个第二属性距离;
步骤108A4,根据第一属性距离和第二属性距离确定标准订房数据与目标订房数据的距离。
在这个实施例中,首先将指标属性进行分类,分为第一属性和第二属性,第一属性是指相应的指标属性值,第一属性包括餐型和取消政策中的至少一项指标属性,第二属性包括价格、范围或者床型中的至少一项指标属性。汉明距离是指两个(相同长度)字对应位不同的数量,例如,一个标准订房数据中的指标属性为餐型的指标属性值为1(表示含餐),标准订房数据中的指标属性为餐型的指标属性值为0(表示不含餐),则二者的汉明距离是1。值得说明的是,第一属性的指标属性值的编码规则一致,由于汉明距离是使用在数据传输差错控制编码里面,只有指标属性值的编码规则一致,才能保证汉明距离计算的准确性。可以理解地,通过计算第一属性对应的指标属性值的汉明距离,作为第一属性距离,不仅计算方式简单,而且通过将目标订房数据和标准订房数据进行编码的方式,然后使用汉明距离计算目标订房数据和标准订房数据间的距离,从而实现了对目标订房数据和标准订房数据相似度的量化计算,提高了距离计算的效率。
其中,欧式距离是指多维空间中各个点之间的绝对距离,本实施例中,用于对数值型的数据如价格,范围等的距离计算,可以对一维数据(如价格)进行欧氏距离计算,也可以多二维数据(如(供应商、价格))进行欧氏距离计算。其具体计算公式为:其中,n表示为指标属性值的维度,xi表示为目标订房数据中第i个指标属性的指标属性值,yi表示为标准订房数据中第i个指标属性的指标属性值。例如,目标订房数据和标准订房数据的指标属性值除了供应商和价格不同(相同酒店的相同房型,会存在由于供应商不同导致价格不同的情况),其他指标属性值都相同,则此时,可以通过对二维数据计算欧式距离,作为第二属性距离,有利于提高计算效率。值得说明的是,由于欧氏距离是基于各维度特征的绝对数值,需要保证各维度指标在相同的刻度级别这一计算前提,在本实施例中没有这个限制,但是需要第二属性指标中的指标属性值为字符串的数据,通过相同的编码规则编码为数字,且尽量保证数值较小,如供应商编码可以为00,01,02,03……,由于用户订房时,对供应商没有需求,而对受供应商影响的价格比较关心,因此,在计算式欧式距离时,价格的影响远远大于供应商的影响,有利于保证第二属性距离计算的准确性。最后根据第一属性距离和第二属性距离确定标准订房数据与目标订房数据的距离,可以理解地,由于第一属性巨鹿和第二属性距离均具有计算方便准确的特点,从而保证了标准订房数据与目标订房数据的距离计算效率和准确性。
如图4所示,在一个实施例中,根据第一属性距离和第二属性距离确定标准订房数据与目标订房数据的距离,包括:
步骤108A41,获取第一属性中各个对应的指标属性的第一预设权重序列,并获取和第二属性中各个对应的指标属性的第二预设权重序列;
步骤108A42,分别根据第一预设权重序列和多个第一属性距离确定第一距离,根据第二预设权重序列和多个第二属性距离确定第二距离;
步骤108A43,将第一距离和第二距离进行求和运算得到标准订房数据与目标订房数据的距离。
在这个实施例中,不同指标属性对应的指标属性值的的第一属性距离对标准订房数据与目标订房数据的距离的影响程度不同,因此,分别根据第一预设权重序列和多个第一属性距离确定第一距离,根据第二预设权重序列和多个第二属性距离确定第二距离,能够进一步保证第一距离和第二距离的准确性,最后,第一距离和第二距离进行求和运算,充分考虑了第一距离和第二距离对标准订房数据与目标订房数据的距离的影响,保证了标准订房数据与目标订房数据的距离的计算的准确性。
如图5所示,在一个实施例中,根据订单信息确定对应的目标订房数据,目标订房数据包括多个指标属性和对应的指标属性值,包括:
步骤104A,通过网络爬虫技术爬取每一指标属性;
步骤104B,对每一指标属性进行数据挖掘,确定对应的指标属性值。
其中,网络爬虫技术是一种按照一定的规则,自动地抓取万维网信息的程序或者脚本,可以自动采集所有其能够访问到的页面内容,以获取或更新这些网站的内容和检索方式。在本实施例中,用于爬取目标浏览页面获取包含有流行元素图案的图片集,其中的目标浏览页面可以是酒店订房网站的页面。在爬取到包含订房订单信息后,根据关键信息的数量,提取占比较高的关键信息作为指标属性。对每一指标属性进行数据挖掘,如对同一用户的订单信息中指标属性进行比较分析,确定对应的指标属性值。可以理解地,由于目标订房数据综合分析了大多数用户的订房信息,从而保证目标订房数据确定的准确性,以便后续进行相似度分析。
如图6所示,在一个实施例中,将多个指标属性按照指标属性值的数据类型划分为第一属性、第二属性,包括:
步骤108A11,当指标属性值的数据类型为二值数据时,确定对应的指标属性为第一属性;
步骤108A12,当指标属性值的数据类型为非二值数据时,确定对应的指标属性为第二属性。
其中,二值数据是指指标属性值的数据取值为两种的数据,如指标属性为取消政策的指标属性值,包括0(表示可退改)和1(不可退改)。具体地,根据指标属性值的数据类型确定指标属性的分类,如果指标属性值的数据类型为二值数据时,确定对应的指标属性为第一属性;如果指标属性值的数据类型为非二值数据时,确定对应的指标属性为第二属性。通过对多个指标属性进行分类,以便后续通过对每一类的指标属性值进行进一步处理,提高相似度确定的准确性和效率。
如图7所示,在一个实施例中,提出了一种订房失败订单的处理装置,所述装置包括:
第一获取模块702,用于获取订房失败订单的订单信息;
确定模块704,用于根据所述订单信息确定对应的目标订房数据,所述目标订房数据包括多个指标属性和对应的指标属性值;
第二获取模块706,用于获取可预订酒店的各个房型的标准订房数据集合,所述标准订房数据集合包括多个房型的标准订房数据,每个可预订酒店的每个房型对应一个标准订房数据,所述标准订房数据的指标属性与所述目标订房数据的所述指标属性相同;
计算模块708,用于采用预设的计算方式计算所述目标订房数据与每一所述标准订房数据的相似度;
生成模块710,用于当所述标准订房数据对应的相似度满足预设相似度阈值时,将所述标准订房数据对应的可预订酒店以及房型作为待推荐订房信息;
推荐模块712,用于将所述待推荐订房信息发送至用户端。
在一个实施例中,该装置还包括:
第三获取模块,用于当接收到所述用户端的用户对所述待推荐订房信息的确认指令时,获取所述订房失败订单的用户信息,所述用户信息为用户在线订房时填写的信息;
第四获取模块,用于获取所述待推荐订房信息对应的预定页面;
填充模块,用于将所述用户信息填充在所述预定页面,生成目标订单,并将所述目标订单发送至用户端,以使所述用户端的用户重新订房。
在一个实施例中,计算模块包括:计算子模块,用于分别计算每一标准订房数据与所述目标订房数据的距离,得到多个所述相似度。
在一个实施例中,计算子模块包括:
划分子单元,用于将多个所述指标属性按照指标属性值的数据类型划分为第一属性、第二属性,所述第一属性包括价格、范围或者床型中的至少一项指标属性,所述第二属性包括餐型和取消政策中的至少一项指标属性;
第一计算子单元,用于分别计算所述标准订房数据中的第一属性对应的指标属性值与所述目标订房数据中第一属性对应的指标属性值的汉明距离,得到多个第一属性距离;
第二计算子单元,用于分别计算所述标准订房数据中的第二属性对应的指标属性值与所述目标订房数据中第二属性对应的指标属性值的欧式距离,得到多个第二属性距离;
确定子单元,用于根据所述第一属性距离和所述第二属性距离确定所述标准订房数据与所述目标订房数据的距离。
在一个实施例中,确定子单元包括:
第一获取单元,用于获取所述第一属性中各个对应的指标属性的第一预设权重序列,并获取和所述第二属性中各个对应的指标属性的第二预设权重序列;
确定单元,用于分别根据所述第一预设权重序列和多个所述第一属性距离确定第一距离,根据所述第二预设权重序列和多个所述第二属性距离确定第二距离;
运算单元,用于将所述第一距离和所述第二距离进行求和运算得到所述标准订房数据与所述目标订房数据的距离。
图8示出了一个实施例中计算机设备的内部结构图。该计算机设备具体可以是服务器,所述服务器包括但不限于高性能计算机和高性能计算机集群。如图8所示,该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中,存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作系统,还可存储有计算机程序,该计算机程序被处理器执行时,可使得处理器实现订房失败订单的处理方法。该内存储器中也可储存有计算机程序,该计算机程序被处理器执行时,可使得处理器执行订房失败订单的处理方法。本领域技术人员可以理解,图8中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,本申请提供的订房失败订单的处理方法可以实现为一种计算机程序的形式,计算机程序可在如图8所示的计算机设备上运行。计算机设备的存储器中可存储组成订房失败订单的处理装置的各个程序模板。比如,第一获取模块702,确定模块704,第二获取模块706,计算模块708,生成模块710,推荐模块712。
一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如下步骤:获取订房失败订单的订单信息;根据所述订单信息确定对应的目标订房数据,所述目标订房数据包括多个指标属性和对应的指标属性值;获取可预订酒店的各个房型的标准订房数据集合,所述标准订房数据集合包括多个房型的标准订房数据,每个可预订酒店的每个房型对应一个标准订房数据,所述标准订房数据的指标属性与所述目标订房数据的所述指标属性相同;采用预设的计算方式计算所述目标订房数据与每一所述标准订房数据的相似度;当所述标准订房数据对应的相似度满足预设相似度阈值时,将所述标准订房数据对应的可预订酒店以及房型作为待推荐订房信息;将所述待推荐订房信息发送至用户端。
在一个实施例中,在所述将所述待推荐订房信息发送至用户端之后,还包括:当接收到所述用户端的用户对所述待推荐订房信息的确认指令时,获取所述订房失败订单的用户信息,所述用户信息为用户在线订房时填写的信息;获取所述待推荐订房信息对应的预定页面;将所述用户信息填充在所述预定页面,生成目标订单,并将所述目标订单发送至用户端,以使所述用户端的用户重新订房。
在一个实施例中,采用预设的计算方式计算所述目标订房数据与每一所述标准订房数据的相似度,包括:分别计算每一标准订房数据与所述目标订房数据的距离,得到多个所述相似度。
在一个实施例中,分别计算每一标准订房数据与所述目标订房数据的距离,包括:将多个所述指标属性按照指标属性值的数据类型划分为第一属性、第二属性,所述第一属性包括价格、范围或者床型中的至少一项指标属性,所述第二属性包括餐型和取消政策中的至少一项指标属性;分别计算所述标准订房数据中的第一属性对应的指标属性值与所述目标订房数据中第一属性对应的指标属性值的汉明距离,得到多个第一属性距离;分别计算所述标准订房数据中的第二属性对应的指标属性值与所述目标订房数据中第二属性对应的指标属性值的欧式距离,得到多个第二属性距离;根据所述第一属性距离和所述第二属性距离确定所述标准订房数据与所述目标订房数据的距离。
在一个实施例中,根据所述第一属性距离和所述第二属性距离确定所述标准订房数据与所述目标订房数据的距离,包括:获取所述第一属性中各个对应的指标属性的第一预设权重序列,并获取和所述第二属性中各个对应的指标属性的第二预设权重序列;分别根据所述第一预设权重序列和多个所述第一属性距离确定第一距离,根据所述第二预设权重序列和多个所述第二属性距离确定第二距离;将所述第一距离和所述第二距离进行求和运算得到所述标准订房数据与所述目标订房数据的距离。
在一个实施例中,根据所述订单信息确定对应的目标订房数据,所述目标订房数据包括多个指标属性和对应的指标属性值,包括:通过网络爬虫技术爬取每一指标属性;对每一所述指标属性进行数据挖掘,确定对应的所述指标属性值。
在一个实施例中,将多个所述指标属性按照指标属性值的数据类型划分为第一属性、第二属性,包括:当所述指标属性值的数据类型为二值数据时,确定对应的指标属性为所述第一属性;当所述指标属性值的数据类型为非二值数据时,确定对应的指标属性为所述第二属性。
一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如下步骤:获取订房失败订单的订单信息;根据所述订单信息确定对应的目标订房数据,所述目标订房数据包括多个指标属性和对应的指标属性值;获取可预订酒店的各个房型的标准订房数据集合,所述标准订房数据集合包括多个房型的标准订房数据,每个可预订酒店的每个房型对应一个标准订房数据,所述标准订房数据的指标属性与所述目标订房数据的所述指标属性相同;采用预设的计算方式计算所述目标订房数据与每一所述标准订房数据的相似度;当所述标准订房数据对应的相似度满足预设相似度阈值时,将所述标准订房数据对应的可预订酒店以及房型作为待推荐订房信息;将所述待推荐订房信息发送至用户端。
在一个实施例中,在所述将所述待推荐订房信息发送至用户端之后,还包括:当接收到所述用户端的用户对所述待推荐订房信息的确认指令时,获取所述订房失败订单的用户信息,所述用户信息为用户在线订房时填写的信息;获取所述待推荐订房信息对应的预定页面;将所述用户信息填充在所述预定页面,生成目标订单,并将所述目标订单发送至用户端,以使所述用户端的用户重新订房。
在一个实施例中,采用预设的计算方式计算所述目标订房数据与每一所述标准订房数据的相似度,包括:分别计算每一标准订房数据与所述目标订房数据的距离,得到多个所述相似度。
在一个实施例中,分别计算每一标准订房数据与所述目标订房数据的距离,包括:将多个所述指标属性按照指标属性值的数据类型划分为第一属性、第二属性,所述第一属性包括价格、范围或者床型中的至少一项指标属性,所述第二属性包括餐型和取消政策中的至少一项指标属性;分别计算所述标准订房数据中的第一属性对应的指标属性值与所述目标订房数据中第一属性对应的指标属性值的汉明距离,得到多个第一属性距离;分别计算所述标准订房数据中的第二属性对应的指标属性值与所述目标订房数据中第二属性对应的指标属性值的欧式距离,得到多个第二属性距离;根据所述第一属性距离和所述第二属性距离确定所述标准订房数据与所述目标订房数据的距离。
在一个实施例中,根据所述第一属性距离和所述第二属性距离确定所述标准订房数据与所述目标订房数据的距离,包括:获取所述第一属性中各个对应的指标属性的第一预设权重序列,并获取和所述第二属性中各个对应的指标属性的第二预设权重序列;分别根据所述第一预设权重序列和多个所述第一属性距离确定第一距离,根据所述第二预设权重序列和多个所述第二属性距离确定第二距离;将所述第一距离和所述第二距离进行求和运算得到所述标准订房数据与所述目标订房数据的距离。
在一个实施例中,根据所述订单信息确定对应的目标订房数据,所述目标订房数据包括多个指标属性和对应的指标属性值,包括:通过网络爬虫技术爬取每一指标属性;对每一所述指标属性进行数据挖掘,确定对应的所述指标属性值。
在一个实施例中,将多个所述指标属性按照指标属性值的数据类型划分为第一属性、第二属性,包括:当所述指标属性值的数据类型为二值数据时,确定对应的指标属性为所述第一属性;当所述指标属性值的数据类型为非二值数据时,确定对应的指标属性为所述第二属性。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一非易失性计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种订房失败订单的处理方法,其特征在于,包括:
获取订房失败订单的订单信息;
根据所述订单信息确定对应的目标订房数据,所述目标订房数据包括多个指标属性和对应的指标属性值;
获取可预订酒店的各个房型的标准订房数据集合,所述标准订房数据集合包括多个房型的标准订房数据,每个可预订酒店的每个房型对应一个标准订房数据,所述标准订房数据的指标属性与所述目标订房数据的所述指标属性相同;
采用预设的计算方式计算所述目标订房数据与每一所述标准订房数据的相似度;
当所述标准订房数据对应的相似度满足预设相似度阈值时,将所述标准订房数据对应的可预订酒店以及房型作为待推荐订房信息;
将所述待推荐订房信息发送至用户端。
2.根据权利要求1所述的订房失败订单的处理方法,其特征在于,在所述将所述待推荐订房信息发送至用户端之后,还包括:
当接收到所述用户端的用户对所述待推荐订房信息的确认指令时,获取所述订房失败订单的用户信息,所述用户信息为用户在线订房时填写的信息;
获取所述待推荐订房信息对应的预定页面;
将所述用户信息填充在所述预定页面,生成目标订单,并将所述目标订单发送至用户端,以使所述用户端的用户重新订房。
3.根据权利要求1所述的订房失败订单的处理方法,其特征在于,所述采用预设的计算方式计算所述目标订房数据与每一所述标准订房数据的相似度,包括:
分别计算每一标准订房数据与所述目标订房数据的距离,得到多个所述相似度。
4.根据权利要求3所述的订房失败订单的处理方法,其特征在于,所述分别计算每一标准订房数据与所述目标订房数据的距离,包括:
将多个所述指标属性按照指标属性值的数据类型划分为第一属性、第二属性,所述第一属性包括价格、范围或者床型中的至少一项指标属性,所述第二属性包括餐型和取消政策中的至少一项指标属性;
分别计算所述标准订房数据中的第一属性对应的指标属性值与所述目标订房数据中第一属性对应的指标属性值的汉明距离,得到多个第一属性距离;
分别计算所述标准订房数据中的第二属性对应的指标属性值与所述目标订房数据中第二属性对应的指标属性值的欧式距离,得到多个第二属性距离;
根据所述第一属性距离和所述第二属性距离确定所述标准订房数据与所述目标订房数据的距离。
5.根据权利要求4所述的订房失败订单的处理方法,所述根据所述第一属性距离和所述第二属性距离确定所述标准订房数据与所述目标订房数据的距离,包括:
获取所述第一属性中各个对应的指标属性的第一预设权重序列,并获取和所述第二属性中各个对应的指标属性的第二预设权重序列;
分别根据所述第一预设权重序列和多个所述第一属性距离确定第一距离,根据所述第二预设权重序列和多个所述第二属性距离确定第二距离;
将所述第一距离和所述第二距离进行求和运算得到所述标准订房数据与所述目标订房数据的距离。
6.根据权利要求1所述的订房失败订单的处理方法,所述根据所述订单信息确定对应的目标订房数据,所述目标订房数据包括多个指标属性和对应的指标属性值,包括:
通过网络爬虫技术爬取每一指标属性;
对每一所述指标属性进行数据挖掘,确定对应的所述指标属性值。
7.根据权利要求4所述的订房失败订单的处理方法,所述将多个所述指标属性按照指标属性值的数据类型划分为第一属性、第二属性,包括:
当所述指标属性值的数据类型为二值数据时,确定对应的指标属性为所述第一属性;
当所述指标属性值的数据类型为非二值数据时,确定对应的指标属性为所述第二属性。
8.一种订房失败订单的处理装置,其特征在于,所述订房失败订单的处理装置包括:
第一获取模块,用于获取订房失败订单的订单信息;
确定模块,用于根据所述订单信息确定对应的目标订房数据,所述目标订房数据包括多个指标属性和对应的指标属性值;
第二获取模块,用于获取可预订酒店的各个房型的标准订房数据集合,所述标准订房数据集合包括多个房型的标准订房数据,每个可预订酒店的每个房型对应一个标准订房数据,所述标准订房数据的指标属性与所述目标订房数据的所述指标属性相同;
计算模块,用于采用预设的计算方式计算所述目标订房数据与每一所述标准订房数据的相似度;
生成模块,用于当所述标准订房数据对应的相似度满足预设相似度阈值时,将所述标准订房数据对应的可预订酒店以及房型作为待推荐订房信息;
推荐模块,用于将所述待推荐订房信息发送至用户端。
9.一种计算机设备,其特征在于,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述订房失败订单的处理方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述订房失败订单的处理方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010078395.2A CN111369313A (zh) | 2020-02-03 | 2020-02-03 | 订房失败订单的处理方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010078395.2A CN111369313A (zh) | 2020-02-03 | 2020-02-03 | 订房失败订单的处理方法、装置、计算机设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111369313A true CN111369313A (zh) | 2020-07-03 |
Family
ID=71207945
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010078395.2A Pending CN111369313A (zh) | 2020-02-03 | 2020-02-03 | 订房失败订单的处理方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111369313A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112637432A (zh) * | 2020-12-22 | 2021-04-09 | 携程计算机技术(上海)有限公司 | 外呼场景下的分机识别方法、系统、设备及存储介质 |
CN112712419A (zh) * | 2021-03-26 | 2021-04-27 | 北京三快在线科技有限公司 | 住宿供给推荐方法、装置、电子设备 |
CN113378041A (zh) * | 2021-05-24 | 2021-09-10 | 北京京东振世信息技术有限公司 | 提示信息推送方法、装置、电子设备和计算机可读介质 |
CN114462818A (zh) * | 2022-01-14 | 2022-05-10 | 北京声智科技有限公司 | 酒店资源的管理方法、装置、电子设备及存储介质 |
CN116402584A (zh) * | 2023-04-23 | 2023-07-07 | 中航信移动科技有限公司 | 一种基于多数据源的事件生成方法、存储介质及电子设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101708254B1 (ko) * | 2015-09-25 | 2017-02-21 | 인하대학교 산학협력단 | 협업적 필터링과 캐릭터 넷을 이용한 스토리 기반의 영화 추전 시스템 및 방법. |
CN107193932A (zh) * | 2017-05-18 | 2017-09-22 | 北京京东尚科信息技术有限公司 | 信息推送方法和装置 |
CN108038730A (zh) * | 2017-12-22 | 2018-05-15 | 联想(北京)有限公司 | 产品相似度判断方法、装置及服务器集群 |
CN110009488A (zh) * | 2019-04-12 | 2019-07-12 | 深圳乐信软件技术有限公司 | 订单处理方法、装置、设备及存储介质 |
CN110097287A (zh) * | 2019-05-07 | 2019-08-06 | 宏图物流股份有限公司 | 一种物流司机的群体画像方法 |
-
2020
- 2020-02-03 CN CN202010078395.2A patent/CN111369313A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101708254B1 (ko) * | 2015-09-25 | 2017-02-21 | 인하대학교 산학협력단 | 협업적 필터링과 캐릭터 넷을 이용한 스토리 기반의 영화 추전 시스템 및 방법. |
CN107193932A (zh) * | 2017-05-18 | 2017-09-22 | 北京京东尚科信息技术有限公司 | 信息推送方法和装置 |
CN108038730A (zh) * | 2017-12-22 | 2018-05-15 | 联想(北京)有限公司 | 产品相似度判断方法、装置及服务器集群 |
CN110009488A (zh) * | 2019-04-12 | 2019-07-12 | 深圳乐信软件技术有限公司 | 订单处理方法、装置、设备及存储介质 |
CN110097287A (zh) * | 2019-05-07 | 2019-08-06 | 宏图物流股份有限公司 | 一种物流司机的群体画像方法 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112637432A (zh) * | 2020-12-22 | 2021-04-09 | 携程计算机技术(上海)有限公司 | 外呼场景下的分机识别方法、系统、设备及存储介质 |
CN112637432B (zh) * | 2020-12-22 | 2022-06-10 | 携程计算机技术(上海)有限公司 | 外呼场景下的分机识别方法、系统、设备及存储介质 |
CN112712419A (zh) * | 2021-03-26 | 2021-04-27 | 北京三快在线科技有限公司 | 住宿供给推荐方法、装置、电子设备 |
CN113378041A (zh) * | 2021-05-24 | 2021-09-10 | 北京京东振世信息技术有限公司 | 提示信息推送方法、装置、电子设备和计算机可读介质 |
CN113378041B (zh) * | 2021-05-24 | 2024-04-16 | 北京京东振世信息技术有限公司 | 提示信息推送方法、装置、电子设备和计算机可读介质 |
CN114462818A (zh) * | 2022-01-14 | 2022-05-10 | 北京声智科技有限公司 | 酒店资源的管理方法、装置、电子设备及存储介质 |
CN116402584A (zh) * | 2023-04-23 | 2023-07-07 | 中航信移动科技有限公司 | 一种基于多数据源的事件生成方法、存储介质及电子设备 |
CN116402584B (zh) * | 2023-04-23 | 2024-03-22 | 中航信移动科技有限公司 | 一种基于多数据源的事件生成方法、存储介质及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111369313A (zh) | 订房失败订单的处理方法、装置、计算机设备及存储介质 | |
CN110866181B (zh) | 资源推荐的方法、装置及存储介质 | |
KR102079860B1 (ko) | 텍스트 주소 처리 방법 및 장치 | |
CN111339427B (zh) | 一种图书信息推荐方法、装置、系统及存储介质 | |
CN108229986B (zh) | 信息点击预测中的特征构建方法、信息投放方法和装置 | |
CN113220657B (zh) | 数据处理方法、装置及计算机设备 | |
CN109117442B (zh) | 一种应用推荐方法及装置 | |
CN109461016B (zh) | 数据评分方法、装置、计算机设备及存储介质 | |
CN110457339A (zh) | 数据搜索方法及装置、电子设备、存储介质 | |
CN112131471B (zh) | 基于无权无向图进行关系推荐的方法、装置、设备及介质 | |
CN110442764B (zh) | 基于数据爬取的合约生成方法、装置和计算机设备 | |
CN110555165A (zh) | 信息识别方法、装置、计算机设备和存储介质 | |
US11397786B2 (en) | Method and system of personalized blending for content recommendation | |
CN112765450A (zh) | 推荐内容确定方法、装置及存储介质 | |
CN110262906B (zh) | 接口标签推荐方法、装置、存储介质和电子设备 | |
CN116956954A (zh) | 文本翻译方法、装置、电子设备及存储介质 | |
CN110781404A (zh) | 好友关系链匹配方法、系统、计算机设备及可读存储介质 | |
US11755671B2 (en) | Projecting queries into a content item embedding space | |
CN110597977A (zh) | 数据处理方法、装置、计算机设备和存储介质 | |
CN112231546B (zh) | 异构文档的排序方法、异构文档排序模型训练方法及装置 | |
CN115129990A (zh) | 一种基于用户需求的人力资源在线匹配系统 | |
CN113887613B (zh) | 基于注意力机制的深度学习方法、装置、设备及存储介质 | |
CN112182357B (zh) | 数据推荐方法、装置、计算机设备和存储介质 | |
KR20200036173A (ko) | 사용자 그루핑 및 그룹별 선호 기계학습 분석 알고리즘을 추천하는 방법 및 장치 | |
CN113468389B (zh) | 一种基于特征序列比对的用户画像建立方法和装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200703 |
|
RJ01 | Rejection of invention patent application after publication |