CN112711717A - 房间产品搜索方法、装置、电子设备 - Google Patents
房间产品搜索方法、装置、电子设备 Download PDFInfo
- Publication number
- CN112711717A CN112711717A CN202110327904.5A CN202110327904A CN112711717A CN 112711717 A CN112711717 A CN 112711717A CN 202110327904 A CN202110327904 A CN 202110327904A CN 112711717 A CN112711717 A CN 112711717A
- Authority
- CN
- China
- Prior art keywords
- room
- type
- user
- hotel
- house
- 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 76
- 238000012163 sequencing technique Methods 0.000 claims abstract description 77
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 36
- 230000004044 response Effects 0.000 claims abstract description 27
- 238000003860 storage Methods 0.000 claims abstract description 13
- 238000013507 mapping Methods 0.000 claims description 75
- 239000013598 vector Substances 0.000 claims description 51
- 238000012545 processing Methods 0.000 claims description 43
- 230000002776 aggregation Effects 0.000 claims description 18
- 238000004220 aggregation Methods 0.000 claims description 18
- 238000009826 distribution Methods 0.000 claims description 5
- 230000004931 aggregating effect Effects 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000012549 training Methods 0.000 description 30
- 238000004590 computer program Methods 0.000 description 14
- 230000008569 process Effects 0.000 description 13
- 230000006399 behavior Effects 0.000 description 9
- 238000006243 chemical reaction Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000007477 logistic regression Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 210000001672 ovary Anatomy 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
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
- 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
- G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
-
- 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
- G06F16/9538—Presentation of query results
-
- 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
- G06Q30/0627—Directed, with specific intent or strategy using item specifications
-
- 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]
- G06Q30/0639—Item locations
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Tourism & Hospitality (AREA)
- General Engineering & Computer Science (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种房间产品搜索方法、装置、电子设备及计算机可读存储介质,属于计算机技术领域,用于改善房间产品搜索效率低下的问题。所述方法包括:响应于获取到用户的房间产品搜索需求,识别所述用户的房型意图强弱类别和/或需求房型;执行与所述房型意图强弱类别匹配的房间产品召回算法,结合所述需求房型进行房间产品召回,确定房间产品列表;执行与所述房型意图强弱类别匹配的预设排序任务,对所述房间产品列表中的房间产品进行排序展示。本申请公开了一种房间产品搜索方法,使得展示给用户的搜索结果更加符合用户的搜索意图,有助于提升房间产品搜索效率。
Description
技术领域
本申请实施例涉及计算机技术领域,特别是涉及一种房间产品搜索方法、装置、电子设备及计算机可读存储介质。
背景技术
现有技术中,提供酒店房间搜索或预订服务的网络平台,对于房间对应的产品的搜索和展示都是基于酒店粒度的。酒店产品预订平台通常根据用户输入的搜索条件进行酒店粒度的匹配,并在搜索产品列表中以酒店列表的形式展示搜索结果。现有技术中的酒店产品搜索方法,无法满足具有房型需求的用户的搜索需求。对于具有房型需求的用户,需要进一步从酒店列表中选择酒店,之后进入相应酒店的房型信息展示页,进一步选择匹配自身需求的房型。如果该酒店没有匹配自身需求的房型,用户需要退出房型信息展示页,返回到酒店列表,重复执行选择酒店和查看酒店房型信息页的操作,降低了用户通过网络平台搜索酒店房间的效率。
发明内容
本申请实施例提供一种房间产品搜索方法,有助于提升用户通过网络平台搜索酒店房间的效率。
第一方面,本申请实施例提供了一种房间产品搜索方法,包括:
响应于获取到用户的房间产品搜索需求,识别所述用户的房型意图强弱类别和/或需求房型;
执行与所述房型意图强弱类别匹配的房间产品召回算法,结合所述需求房型进行房间产品召回,确定房间产品列表;
执行与所述房型意图强弱类别匹配的预设排序任务,对所述房间产品列表中的房间产品进行排序展示。
第二方面,本申请实施例提供了一种房间产品搜索装置,包括:
房型意图识别模块,用于响应于获取到用户的房间产品搜索需求,识别所述用户的房型意图强弱类别和/或需求房型;
召回模块,用于执行与所述房型意图强弱类别匹配的房间产品召回算法,结合所述需求房型进行房间产品召回,确定房间产品列表;
排序展示模块,用于执行与所述房型意图强弱类别匹配的预设排序任务,对所述房间产品列表中的房间产品进行排序展示。
第三方面,本申请实施例还公开了一种电子设备,包括存储器、处理器及存储在所述存储器上并可在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本申请实施例所述的房间产品搜索方法。
第四方面,本申请实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时本申请实施例公开的房间产品搜索方法的步骤。
本申请实施例公开的房间产品搜索方法,通过响应于获取到用户的房间产品搜索需求,识别所述用户的房型意图强弱类别和/或需求房型;执行与所述房型意图强弱类别匹配的房间产品召回算法,结合所述需求房型进行房间产品召回,确定房间产品列表;执行与所述房型意图强弱类别匹配的预设排序任务,对所述房间产品列表中的房间产品进行排序展示,使得展示给用户的搜索结果更加符合用户的搜索意图,有助于提升用户通过网络平台搜索酒店房间的效率。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
图1是本申请实施例一的房间产品搜索方法流程图;
图2是本申请实施例一中的多任务模型结构示意图;
图3是本申请实施例二的房间产品搜索装置结构示意图之一;
图4是本申请实施例二的房间产品搜索装置结构示意图之二;
图5示意性地示出了用于执行根据本申请的方法的电子设备的框图;以及
图6示意性地示出了用于保持或者携带实现根据本申请的方法的程序代码的存储单元。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
实施例一
本申请实施例公开的一种房间产品搜索方法,如图1所示,所述方法包括:步骤110至步骤130。
步骤110,响应于获取到用户的房间产品搜索需求,识别所述用户的房型意图强弱类别和/或需求房型。
本申请实施例中所述的房间产品包括酒店、酒店的房间、民宿、民宿的房间等具备房间属性的产品。例如,本申请实施例中所述的房间产品可以为现有技术中酒店预订平台上展示的酒店对象。以酒店预订平台为例,现有技术中的酒店预订平台中,每个酒店对象作为一个POI(信息点),该POI下会上架一个或多个房间,每个房间具有房型属性,例如,酒店A下有2间标准房,1间大床房,在用户通过酒店预订平台搜索房间的操作过程中,酒店预订平台户根据用户输入的查询条件,为用户召回与所述查询条件匹配的酒店对象(即POI),之后,用户通过酒店对象的详情页面进一步选择需求的房型,以完成房间预订。
本申请实施例中,为了实现可以基于房型维度进行房间搜索,首先对平台中各酒店对象下的房间基于酒店和房型两个维度建立索引,使得搜索引擎可以基于酒店维度对酒店房间数据库进行搜索,也可以基于房型维度对酒店房间数据库进行搜索。基于酒店维度建立酒店房间索引的具体实施方式参见现有技术,例如,可以以酒店名称、地理位置中的一项或两项作为酒店房间的酒店维度的索引。本申请的一些实施例中,可以根据平台中各酒店产品下挂的房间的房型定义房型类别,并根据定义的房型类别构建酒店房间的房型维度的索引。
本申请的一些实施例中,所述房间产品搜索需求可以根据用户在网络平台上执行的房间产品浏览或查询操作获得。例如,用户浏览酒店预订页面,或者,用户在酒店预订页面的酒店搜索框中输入了搜索关键词,或者,用户在网络应用的客户端页面点击了酒店房型选择按钮等。本申请实施例中对获取用户的房间产品搜索需求的具体方式不做限定。
本申请的一些实施例中,获取的用户的房间产品搜索需求可以表现为用户输入的搜索关键词,也可以表现为根据用户执行的某个操作映射得到的房间产品搜索操作,不带有任何搜索关键词。
本申请实施例中,所述需求房型选自与预先定义的房间产品的房型类别。例如,所述房型类别包括:标准房、大床房、亲子房、海景房、山景房、电竞方、影院房等等,需求房型可以为所述房型类别中的任意一种或多种。
本申请实施例中,用户的房型意图强弱类别用于指示用户的房型偏好强弱。本申请的一些实施例中,所述房型意图强弱类别分别用于指示用户的不同房型偏好程度,例如,所述房型意图强弱类别包括三类,分别为:指示用户具有强房型偏好的类别、指示用户具有弱房型偏好的类别和指示用户不具有房型偏好的类别。
在获取到用户的房间产品搜索需求之后,首先,根据所述房间产品搜索需求,识别出所述用户的房型意图强弱类别,或者,识别出所述用户的房型意图强弱类别和需求房型。
本申请的一些实施例中,所述识别所述用户的房型意图强弱类别和/或需求房型,包括:通过对所述房间产品搜索需求中包括的搜索关键词进行分析处理,和/或,通过预先训练的房型意图识别模型对所述房间产品搜索需求关联的特征数据进行分类映射,确定所述用户对各预设房型的房型意图概率值;根据所述用户对各预设房型的所述房型意图概率值,确定所述用户的房型意图强弱类别和/或需求的所述预设房型。例如,首先根据用户的房间产品搜索需求,识别所述用户对各预设房型的房型意图概率值,所述房型意图概率值反映了用户偏好相应房型的概率值。在确定了用户对各预设房型的房型意图概率值之后,根据所有所述房型意图概率值的分布分散程度,确定所述用户匹配的房型意图强弱类别(即确定用户是否有房型偏好),并在确定用户匹配的房型意图强弱类别指示所述用户具有房型偏好的情况下,进一步确定所述用户偏好的房型(即用户的房型需求)。
本申请的一些实施例中,如果房间产品搜索需求中包括搜索关键词,则优先基于所述搜索关键词识别所述用户对各预设房型的房型意图概率值。如果基于所述搜索关键词无法识别出所述用户对各预设房型的房型意图概率值,则通过与先训练的房型意图识别模型识别所述用户的房型意图强弱类别。
本申请的一些实施例中,所述通过对所述房间产品搜索需求中包括的搜索关键词进行分析处理,和/或,通过预先训练的房型意图识别模型对所述房间产品搜索需求关联的特征数据进行分类映射,确定所述用户对各预设房型的房型意图概率值,包括:响应于所述房间产品搜索需求中包括的搜索关键词大于或等于一个,对所述搜索关键词进行分析处理,确定所述用户对各预设房型的房型意图概率值。例如,可以通过命名实体识别模型识别搜索关键词中的房型成分,然后通过将识别得到的房型成分与预设的房型词典进行匹配,从而确定搜索关键词匹配的房型。
具体举例而言,当用户在酒店预订界面输入“有窗亲子房”之后点击搜索按钮,则获取到的用户的房间产品搜索需求中包括搜索关键词包括:“有窗亲子房”。进一步的,通过对所述搜索关键词进行命名实体识别,可以得到其中的房型成分仅包括:“亲子房”,则可以确定所述用户对预设房型中的“亲子房”的房型意图概率值为100%,而对其他预设房型的房型意图概率值为0。
本申请的一些实施例中,在对所述搜索关键词进行分析处理,确定所述用户对各预设房型的房型意图概率值之后,还包括:响应于通过对所述搜索关键词进行分析处理之后,未成功确定所述用户对所述预设房型的房型意图概率值,通过预先训练的房型意图识别模型对所述房间产品搜索需求关联的特征数据进行分类映射,确定所述用户对各预设房型的房型意图概率值。例如,当用户在酒店预订界面输入“高楼层”之后点击搜索按钮,则获取到的用户的房间产品搜索需求中包括搜索关键词包括:“高楼层”。进一步的,通过对所述搜索关键词进行命名实体识别,无法得到其中的房型,则无法确定所述用户对预设房型中的各预设房型的房型意图。在这种情况下,进一步通过预先训练的房型意图识别模型对所述房间产品搜索需求关联的特征数据进行分类映射,以确定所述用户对各预设房型的房型意图概率值。
本申请的另一些实施例中,所述通过对所述房间产品搜索需求中包括的搜索关键词进行分析处理,和/或,通过预先训练的房型意图识别模型对所述房间产品搜索需求关联的特征数据进行分类映射,确定所述用户对各预设房型的房型意图概率值,包括:响应于所述房间产品搜索需求中包括的搜索关键词为零个,通过预先训练的房型意图识别模型对所述房间产品搜索需求关联的特征数据进行分类映射,确定所述用户对各预设房型的房型意图概率值。例如,用户通过点击酒店预订平台的酒店预订入口直接提交酒店预订请求时,用户没有输入搜索关键词,此时,在获取到用户的房间产品搜索需求之后,直接通过预先训练的房型意图识别模型确定所述用户对各预设房型的房型意图概率值。
本申请的一些实施例中,所述房型意图识别模型可以通过以下方法预先训练。
首先,根据用户的历史搜索、点击和支付房型等行为数据,以及用户的搜索、点击和支付房型等行为数据,以及,用户搜索行为的上下文特征,构建训练样本。其中,样本数据为根据用户的历史预订数据提取的预设样本特征;样本标签通过多维向量表示,其中,样本标签的向量维度数量为N+1,N为大于等于1的正整数,N的取值为预设房型类别的数量,样本标签的每个维度的取值用于表示对应房型类别的偏好概率值,本申请的一些实施例中,可以设置样本标签中一指定维度(如第1维)的向量取值用于指示对酒店的偏好概率值。
例如,对于某一用户的一条酒店预订记录,如果该用户通过时通过酒店搜索进入酒店列表界面,之后选择了该酒店下的某一房间,完成了支付,则可以根据该条酒店预订记录数据构建一条指示该用户不具有房型意图的训练样本。其样本数据根据以下一项或多项信息构建:根据该条酒店预订记录匹配的上下文信息(如用户画像信息)、该条酒店预订记录中记载的所述用户的实时搜索信息(如搜索行为路径、搜索关键词)、点击信息(如点击的房间产品路径)、实时支付房型信息(如所述酒店预订记录中的房型标识、房型描述)、所述酒店预订记录之前的历史搜索信息(如搜索各类预设房型的次数、搜索酒店的次数)、所述酒店预订记录之前的历史点击信息(如历史点击房型产品的次数、点击酒店的次数)、所述酒店预订记录之前的历史支付信息(如历史预订记录中房型分布数据)。其样本变标签中指示酒店偏好概率值的向量维度取值设置为1,其他向量维度(即指示具体房型偏好的向量维度)的向量维度取值设置为0。
由于本申请实施例中公开的基于房型维度进行搜索和展示的方法不是现有技术,因此,在构建房型意图识别模型的训练样本时,无法直接根据房型列表页面的用户行为数据构建训练样本。本申请的一些实施例中,在方法实施初期,可以根据平台的房型曝光数据、用户在酒店详情页下执行的房型筛选或房型搜索行为产生的历史行为记录数据,构建对应用户偏好某个预设房型的训练样本。例如,如果某条酒店预订记录是用户执行了房型筛选操作之后预订的,并且预订的是筛选得到的某个房型,则可以认为该用户对预订的房型具有房型偏好,在构建该条酒店预订记录对应的训练样本时,可以将样本标签对应该酒店预订记录中预订房型的向量维度的取值设置为1,而将其他向量维度的取值设置为0,并按照前述方法基于该条酒店预订记录构建样本数据。
本申请的一些实施例中,当通过房型列表执行酒店预订操作的酒店预订记录达到一定数量时,可以直接根据通过房型列表执行酒店预订操作的酒店预订记录,构建对某一房型的偏好样本。例如,对于某一用户的酒店预订数据,如果该用户通过房型列表页面选择了一间大床房,并完成了支付,则可以根据该条酒店预订记录数据构建一条指示该用户具有房型偏好,且偏好房型为“大床房”的训练样本。
之后,基于构建的训练样本训练基于多分类逻辑回归模型构建的房型意图识别模型。例如,训练基于深度神经网络模型构建的房型意图识别模型。基于训练样本训练房型意图识别模型的具体实施方式,参见现有技术中基于训练样本训练深度神经网路模型或其他多分类逻辑回归模型的具体实施方式,本申请实施例中不再赘述。
本申请的一些实施例中,在通过预先训练的房型意图识别模型确定所述用户对各预设房型的房型意图概率值时,首先需要确定模型的输入特征。例如,根据用户画像信息、用户实时搜索行为路径、点击行为路径、用户的历史搜索记录中各房型或酒店的搜索次数、点击次数,各房型或酒店的历史支付次数信息等信息提取输入特征。具体的,所述输入特征的确定方法参见训练阶段构建训练样本的样本数据的方法,此处不再赘述。
将确定的输入特征输入至所述房型意图识别模型之后,所述房型意图识别模型对输入特征进行特征映射和分类处理,最终输出一个多维向量,该向量中的N个维度的取值分别表示用户对对应该向量维度的房型类别的偏好概率值,即用户对各预设房型的所述房型意图概率值。
本申请的一些实施例中,所述根据所述用户对各预设房型的所述房型意图概率值,确定所述用户的房型意图强弱类别和/或需求的所述预设房型包括:根据所述用户对各预设房型的所述房型意图概率值分布集中程度,确定所述用户的房型意图强弱类别和/或需求的所述预设房型。例如,当所述用户对各预设房型的所述房型意图概率值指示所述房型意图集中于部分所述预设房型且所述概率值大于预设概率阈值时(例如,用户对所述预设房型中的预设房型1和2的所述房型意图概率值分别为0.9和0.1,对其他预设房型的所述房型意图概率值为0),确定所述用户具有强房型偏好(即用户对预设房型1和2具有偏好);当所述用户对各预设房型的所述房型意图概率值指示所述房型意图分散于各所述预设房型时(例如,用户对所述预设房型中的预设房型1至5的所述房型意图概率值分别为0.2,对其他预设房型的所述房型意图概率值为0),确定所述用户不具有房型偏好;当所述用户对各预设房型的所述房型意图概率值指示所述房型意图集中于部分所述预设房型且所述概率值匹配预设概率阈值范围时(例如,用户对所述预设房型中的预设房型1和2的所述房型意图概率值分别为0.4和0.5,预设房型3的所述房型意图概率值为0.1,对其他预设房型的所述房型意图概率值为0),确定所述用户具有弱房型偏好(即用户对预设房型1和2具有偏好)。
本申请的一些实施例中,所述识别所述用户的房型意图强弱类别和/或需求房型,还包括:响应于所述房间产品搜索需求为用户触发预设房型选择入口生成的,确定所述用户的房型意图强弱类别指示所述用户具有强房型偏好。例如,当酒店预订平台的交互界面设置有触发房型选择的按钮时,用户可以通过触发该按钮,直接进入房型列表。即,当将检测到用于触发房型选择操作的按钮被触发时,可以认为当前用户具有强房型偏好。这种情况下,若无法根据用户输入的搜索关键词确定用户的需求房型,则可以将酒店预订平台的所有房型作为用户的需求房型,或者,根据用户的画像信息、历史预订数据等信息(如将用户的历史预订记录中的房型确定为用户的需求房型,或者,根据用户的年龄信息确定用户的需求房型)确定用户的需求房型。
步骤120,执行与所述房型意图强弱类别匹配的房间产品召回算法,结合所述需求房型进行房间产品召回,确定房间产品列表。
在确定了用户的房型意图强弱类别之后,采用与所述房型意图强弱类别匹配的房间产品召回策略,执行产品召回。
本申请的一些实施例中,执行与所述房型意图强弱类别匹配的房间产品召回算法,结合所述需求房型进行房间产品召回,确定房间产品列表,包括:响应于所述房型意图强弱类别指示所述用户具有强房型偏好,基于房型信息进行房间产品召回,确定所述房型信息匹配所述需求房型的房型产品列表;响应于所述房型意图强弱类别指示所述用户不具有房型偏好,基于酒店信息进行房间产品召回,确定匹配所述产品搜索需求酒店产品列表;响应于所述房型意图强弱类别指示所述用户具有弱房型偏好,基于房型信息和酒店信息进行房间产品召回,确定所述房型信息匹配所述需求房型的房型产品和匹配所述房型信息的酒店产品的混合列表。
本申请实施例中,预先设置了多种房间产品召回算法,例如包括:基于酒店维度的酒店召回算法、基于房型维度的房型召回算法,以及,混合召回算法。其中,酒店召回算法用于召回与搜索条件匹配的酒店,房型召回算法用于召回与搜索条件匹配的房型,而混合召回算法则用于召回与搜索条件匹配的酒店和房型。其中,搜索条件根据前述步骤确定的房间产品搜索需求确定。
不同的搜索场景,即对应不同的房型意图强弱类别,将采用相应得召回算法执行房间产品召回。
其中,酒店召回算法的具体实施方式参见现有技术,本申请实施例中不再赘述。当前述步骤确定的所述用户的房型意图强弱类别指示该用户不具有房型偏好时,则采用酒店召回算法召回与用户的房间产品搜索需求匹配的酒店,从而确定酒店列表。在采用酒店召回算法进行酒店召回的过程中,酒店召回算法通过将平台中各酒店的酒店信息(如酒店名称、地理位置等信息)与用户的房间产品搜索需求进行匹配,从而确定召回的酒店。
本申请的一些实施例中,房型召回算法在具体实施过程中,需要搭建房型粒度的检索系统,例如,对平台的房间产品,建立房型粒度的索引,便于基于房型进行匹配。当前述步骤确定的所述用户的房型意图强弱类别指示该用户具有强房型偏好时,则采用房型召回算法召回与用户的房间产品搜索需求匹配的房型产品(如大床房),从而确定房型产品列表(如召回的各个酒店的大床房的列表)。在采用房型召回算法进行房间产品召回的过程中,房型召回算法通过将平台中各酒店的房型信息(如房型标识)与用户的房间产品搜索需求(如用户的需求房型的房型标识)进行匹配,从而确定召回的房型。
本申请的一些实施例中,混合召回算法需要结合房型信息和酒店信息计算召回质量分,然后,根据计算得到的召回质量分召回酒店和房型产品。本申请的一些实施例中,所述房型信息包括以下一项或多项信息:房型特色、房型销量、房型转化率等信息;所述酒店信息可以包括以下一项或多项信息:酒店名称、地理位置等信息。例如,所述混合召回算法中设置两个召回语法,一个召回语法用于遍历房型索引,进行房型产品召回;另一个召回语法用于遍历酒店索引,进行酒店召回。当前述步骤确定的所述用户的房型意图强弱类别指示该用户具有弱房型偏好时,则采用混合召回算法召回与用户的房间产品搜索需求匹配的房型产品(如大床房),从而确定房型产品列表(如召回的各个酒店的大床房的列表)。具体举例而言,通过执行混合召回算法,分被执行不同的召回语法召回有大床房的酒店和若干酒店的大床房房型产品,之后,再根据召回的每个酒店或房型的各自的召回质量分,按照预设规则进行加权运算,分别确定召回的每个酒店和房型的归一化召回质量分,最后,根据归一化召回质量分确定最终召回的酒店和房型。
本申请的另一些实施例中,还可以采用其他具体实施方法实现酒店召回算法、房型召回算法和混合召回算法,本申请实施例中不再一一例举。
步骤130,执行与所述房型意图强弱类别匹配的预设排序任务,对所述房间产品列表中的房间产品进行排序展示。
在通过不同的产品召回算法召回房间产品,得到房间产品列表之后,需要对房间产品列表中的房间产品进行进一步的排序处理,以适应展示需求,并按照排序结果对召回的房间产品进行排序展示。
本申请的一些实施例中,所述执行与所述房型意图强弱类别匹配的预设排序任务,对所述房间产品列表中的房间产品进行排序展示,包括:分别确定所述房间产品列表中的每个房间产品的酒店特征、上下文特征和房型特征;对于每个所述房间产品,分别执行与所述房型意图强弱类别匹配的预设排序任务,对所述房间产品的所述酒店特征、所述上下文特征和所述房型特征进行特征映射和分类处理,并根据与所述房型意图强弱类别匹配的所述预设排序任务输出的分类概率确定所述房间产品的排序概率;对所述房间产品列表中的各房间产品,基于所述排序概率进行排序展示。本申请实施例中所述的排序概率用于指示房间产品在房间产品列表中相应列表位的概率。
本申请的一些实施例中,在不同的搜索场景下,即在用户匹配不同房型意图强弱类别的情况下,召回的房间产品列表中包含的房间产品类型有所不同,可以采用与用户匹配的房型意图强弱类别召回的房间产品类型相匹配的排序策略对召回的房间产品进行排序。例如,在房型意图强弱类别包括三个类型的情况下,可以预先设置三个排序任务,每个排序任务分别适用于不同房间产品类型产品的排序。本申请的一些实施中,所述三个排序任务可以包括:用于对酒店列表进行排序的酒店排序任务、用于对房型列表进行排序的房型排序任务、用于对包括酒店和房型的列表进行排序的混合排序任务。上述排序任务基于各房间产品的排序特征,通过不同的特征映射处理后,得到每个房间产品对应相应排序任务的排序概率。
在对房间产品列表中的房间产品进行排序时,首先需要提取每个房间产品的排序特征,所述排序特征包括:酒店特征、上下文特征和房型特征。其中,所述酒店特征包括:星级、销量等现有技术酒店排序时的通用特征;所述上下文特征包括:用户画像特征(如用户偏好房型)、搜索路径特征等搜索场景相关的特征;所述房型特征包括:房型销量、转化率、评分等历史统计特征,房型对应的展示信息、促销价格、房间状态等实时特征,房型对应的特征标签(如描述房型特征的关键词)、服务设施等一项或对项特征。排序特征是输入至各排序任务的基础特征。
之后,通过各排序任务分别对每个房间产品信息中提取的上述排序特征进行特征编码映射和分类映射,每个排序任务都将输出一个排序概率。本申请实施例中,对于不同的搜索场景,取不同排序任务输出的排序概率作为各房间产品的排序概率。由于每个排序任务对排序特征的处理方法不同,关注的排序特征中的具体信息不同,因此,不同排序任务输出的排序概率适用于不同的搜索场景。
本申请的一些实施例中,所述酒店排序任务、所述房型排序任务、所述混合排序任务可以为基于同一个训练样本集分别训练的独立网络结构。在任务训练过程中,每个排序任务(即每个网络结构)对样本数据和特征维度的样本标签之间的映射关系进行学习。
本申请的另一些实施例中,所述酒店排序任务、房型排序任务、混合排序任务分别对应预先训练的多任务模型中的一个分类任务。所述多任务模型的结构如图2所示,其中,酒店排序任务、所述房型排序任务和所述混合排序任务共享所述多任务模型的特征编码网络模块2001;房型特征聚合子模块2101、特征映射子模块2102和分类映射子模块2103为酒店排序任务特有的特征处理模块;特征映射子模块2201和分类映射子模块2202为房型排序任务特有的特征处理模块;分类映射子模块2301为混合排序任务特有的特征处理模块。在多任务模型训练过程中,每个分类任务分别对排序特征和排序概率之间映射关系进行学习,并结合每个排序任务的学习结果,优化各个排序任务的计算参数,从而完成多任务模型的训练。
下面结合图2所述的多任务模型结构,具体举例说明所述酒店排序任务、所述房型排序任务、所述混合排序任务的特征处理过程。
对于酒店列表中的每个酒店,其排序特征中的房型特征包括该酒店下的各个房型的销量、转化率、评分、房型状态等特征,酒店排序任务需要首先通过房型特征聚合子模块2101对该酒店的各个房型的房型特征进行聚合,得到房型聚合特征,通过房型聚合特征表达该酒店的房型特征。其中,所述房型聚合特征可以为房型销量的最小值、最大值、均值、方差等特征值。之后,酒店排序任务通过特征映射子模块2102对某一酒店的排序特征中的酒店特征、上下文特征,以及聚合得到的房型聚合特征进行特征映射,得到该酒店的第一向量表示。最后,酒店排序任务通过分类映射子模块2103对第一向量表示进行分类映射,并得到酒店排序任务的输出向量,该输出向量用于指示该酒店的排序概率。
对于房型列表中的每个房型,其排序特征中的房型特征为该房型的销量、转化率、评分、房型状态等特征,酒店特征为该房型所属酒店匹配的酒店特特征的。房型排序任务通过特征映射子模块2201对某一房型的排序特征中的酒店特征、上下文特征,以及房型特征进行特征映射,得到该房型的第二向量表示。之后,房型排序任务通过分类映射子模块2202对第二向量表示进行分类映射,并得到房型排序任务的输出向量,该输出向量用于指示该房型的排序概率。
对于酒店和房型的混合列表中的每个酒店,其排序特征首先需要经过酒店排序任务中的中房型特征聚合子模块2101和特征映射子模块2102的处理,得到该酒店的第一向量表示;同时,该酒店的排序特征也会经过房型排序任务的特征映射子模块2201进行特征映射,得到该酒店的第二向量表示;之后,混合排序任务的分类映射子模块2301将第一向量表示和第二向量表示进行对齐处理,并将对其处理后得到的向量拼接为第三向量表示,然后,对第三向量表示进行分类映射,输出该酒店的一个排序概率。对于酒店和房型的混合列表中的每个房型,其排序特征同样需要经过酒店排序任务中的中房型特征聚合子模块2101和特征映射子模块2102的处理,得到该房型的第一向量表示;同时,该房型的排序特征也会经过房型排序任务的特征映射子模块2201进行特征映射,得到该房型的第二向量表示;之后,混合排序任务的分类映射子模块2301将第一向量表示和第二向量表示进行对齐处理,并将对其处理后得到的向量拼接为第三向量表示,然后,对第三向量表示进行分类映射,输出该房型的一个排序概率。
由于房型的排序特征和酒店的排序特征不一样,通过酒店排序任务的特征映射子模块2102和房型排序任务的特征映射子模块2202进行特征映射之后,可以得到两个相同长度的向量,分别作为房型特征和酒店特征的向量表示,统一输入混合排序任务的分类映射子模块2301中,以确定酒店或房型在房间产品列表中的排序概率。
本申请的一些实施例中,对于一组排序特征(可以为酒店的排序特征,也可以为房型的排序特征),通过上述多任务模型之后,可以得到三个排序概率,进行排序时,根据用户匹配的房型意图强弱类别,仅选择其中一个排序概率用于排序。本申请的另一些实施例中,也可以根据用户匹配的房型意图强弱类别控制执行某个或某几个排序任务。
本申请的一些实施例中,所述预设排序任务包括:酒店排序任务、房型排序任务、混合排序任务,所述执行与所述房型意图强弱类别匹配的预设排序任务,对所述房间产品的所述酒店特征、所述上下文特征和所述房型特征进行特征映射和分类处理,包括以下三种场景,下面分别结合不同的搜索场景,即用户的不同房型意图强弱类别,举例说明排序概率的确定方案。
第一种场景,用户具有强房型偏好。
如前所述,本申请的一些实施例中,所述预设排序任务包括:酒店排序任务、房型排序任务、混合排序任务,所述执行与所述房型意图强弱类别匹配的预设排序任务,对所述房间产品的所述酒店特征、所述上下文特征和所述房型特征进行特征映射和分类处理,包括:响应于所述房型意图强弱类别指示所述用户具有强房型偏好,通过所述房型排序任务对所述房间产品的所述酒店特征、所述上下文特征和所述房型特征进行特征映射和分类处理。例如,当用户具有强房型偏好时,前述步骤召回的房间产品列表中仅包括房型,则可以仅执行多任务模型中的房型排序任务确定房间产品列表中各房型的排序概率值。此时,酒店排序任务和混合排序任务中的独有的数据处理子模块可以不执行,或者,不采用酒店排序任务和混合排序任务输出的排序概率值。
房型排序任务的具体实施方案参见前面段落描述,此处不再赘述。
第二种场景,用户不具有房型偏好。
本申请的一些实施例中,所述执行与所述房型意图强弱类别匹配的预设排序任务,对所述房间产品的所述酒店特征、所述上下文特征和所述房型特征进行特征映射和分类处理,包括:响应于所述房型意图强弱类别指示所述用户不具有房型偏好,通过所述酒店排序任务对所述房间产品的所述酒店特征、所述上下文特征和房型聚合特征进行特征映射和分类处理,其中,所述房型聚合特征是对所述房间产品匹配的房型特征进行聚合后得到的。例如,当用户不具有房型偏好时,前述步骤召回的房间产品列表中仅包括酒店,则可以仅执行多任务模型中的酒店排序任务确定房间产品列表中各酒店的排序概率值。此时,房型排序任务和混合排序任务中的独有的数据处理子模块可以不执行,或者,不采用房型排序任务和混合排序任务输出的排序概率值。
酒店排序任务的具体实施方案参见前面段落描述,此处不再赘述。
第三种场景,用户具有弱房型偏好。
本申请的一些实施例中,所述执行与所述房型意图强弱类别匹配的预设排序任务,对所述房间产品的所述酒店特征、所述上下文特征和所述房型特征进行特征映射和分类处理,包括:响应于所述房型意图强弱类别指示所述用户具有弱房型偏好,通过所述房型排序任务对所述房间产品的所述酒店特征、所述上下文特征和所述房型特征进行特征映射处理,确定所述房间产品的第一向量表示,以及,通过所述酒店排序任务对所述房间产品的所述酒店特征、所述上下文特征和房型聚合特征进行特征映射处理,确定所述房间产品的第二向量表示,之后,通过所述混合排序任务对所述第一向量表示和所述第二向量表示进行对齐处理,并对对齐处理后得到的向量进行分类映射处理。例如,当用户具有弱房型偏好时,前述步骤召回的房间产品列表中即包括酒店又包括房型,则可以需要同时执行多任务模型中的酒店排序任务和房型排序任务的特征处理和映射模块,分别得到各房间产品的酒店特征和房型特征,之后,再执行混合排序任务的分类映射子模块对酒店特征和房型特征进行分类映射,确定房间产品列表中各酒店或房型的排序概率值。此时,房型排序任务和酒店排序任务中的独有的数据处理子模块可以不执行,或者,不采用房型排序任务和酒店排序任务输出的排序概率值。
混合排序任务的具体实施方案参见前面段落描述,此处不再赘述。
本申请的一些实施例中,所述多任务模型是离线训练的。
在构建多任务模型的训练样本的过程中,可以将构建三份训练样本,每份训练样本分别对应不同搜索场景,用于训练相应排序任务。其中,训练样本的样本数据的确定方式参见前述排序特征的确定方式,此处不再赘述。训练样本的样本标签为排序概率真实值,可以根据酒店或房型在房间产品列表中的排序位置确定。
由于房型列表、酒店和房型混合列表为新应用,存在训练样本系数的问题,本申请的一些实施例中,在根据房型列表页面或者混合列表页面的展示数据构造训练样本时,还可以根据用户在酒店详情页浏览房型的浏览数据构造训练房型排序任务的训练样本,根据用户点击和支付的房型的数据构建训练房型排序任务的正样本。然后,在混合排序任务中,对于召回的房型,通过提高排序权重的方式给予一定概率展示机会,当房型达到一定曝光阈值之后再取消提权,通过更新模型进行统一排序优化。
本申请实施例公开的房间产品搜索方法,通过响应于获取到用户的房间产品搜索需求,识别所述用户的房型意图强弱类别和/或需求房型;执行与所述房型意图强弱类别匹配的房间产品召回算法,结合所述需求房型进行房间产品召回,确定房间产品列表;执行与所述房型意图强弱类别匹配的预设排序任务,对所述房间产品列表中的房间产品进行排序展示,使得展示给用户的搜索结果更加符合用户的搜索意图,有助于提升用户通过网络平台搜索酒店房间的效率。
本申请实施例公开的房间产品搜索方法,通过自动识别用户的房型意图,并在确定用户没有房型意图时向用户展示酒店列表,在确定用户有强房型意图时向用户展示房型列表,在确定用户有弱房型意图时向用户展示房型和酒店的混合列表,使得展示给用户的搜索结果充分满足用户的需求,便于用户快速搜索到酒店房间。
另一方面,在识别到用户的房型意图后为了向用户展示符合其需求的产品列表,即酒店列表、房型列表,以及,酒店和房型混合列表中的一种房间产品列表时,采用不同的召回策略进行产品召回,有效提升了召回产品与用户房型意图的匹配度。
进一步的,在对酒店列表、房型列表,以及,酒店和房型混合列表进行排序的过程中,在复用酒店排序特征的基础上,引入更多得房型特征,并且,房型特征在不同种类房间产品列表的排序过程中所表现得影响程度各不相同,使得搜索结果可以基于房型信息进行房型个性化排序,对于具有房型偏好的用户而言,有效提升了房间搜索效率。
实施例二
本申请实施例公开的一种房间产品搜索装置,如图3所示,所述装置包括:
房型意图识别模块310,用于响应于获取到用户的房间产品搜索需求,识别所述用户的房型意图强弱类别和/或需求房型;
召回模块320,用于执行与所述房型意图强弱类别匹配的房间产品召回算法,结合所述需求房型进行房间产品召回,确定房间产品列表;
排序展示模块330,用于执行与所述房型意图强弱类别匹配的预设排序任务,对所述房间产品列表中的房间产品进行排序展示。
本申请的一些实施例中,如图4所示,所述房型意图识别模块310,进一步包括:
第一房型意图识别子模块3101,用于通过对所述房间产品搜索需求中包括的搜索关键词进行分析处理,和/或,通过预先训练的房型意图识别模型对所述房间产品搜索需求关联的特征数据进行分类映射,确定所述用户对各预设房型的房型意图概率值;以及,根据所述用户对各预设房型的所述房型意图概率值,确定所述用户的房型意图强弱类别和/或需求的所述预设房型。
本申请的一些实施例中,所述通过对所述房间产品搜索需求中包括的搜索关键词进行分析处理,和/或,通过预先训练的房型意图识别模型对所述房间产品搜索需求关联的特征数据进行分类映射,确定所述用户对各预设房型的房型意图概率值,包括:
响应于所述房间产品搜索需求中包括的搜索关键词大于或等于一个,对所述搜索关键词进行分析处理,确定所述用户对各预设房型的房型意图概率值;
响应于通过对所述搜索关键词进行分析处理之后,未成功确定所述用户对所述预设房型的房型意图概率值,通过预先训练的房型意图识别模型对所述房间产品搜索需求关联的特征数据进行分类映射,确定所述用户对各预设房型的房型意图概率值。
本申请的一些实施例中,所述通过对所述房间产品搜索需求中包括的搜索关键词进行分析处理,和/或,通过预先训练的房型意图识别模型对所述房间产品搜索需求关联的特征数据进行分类映射,确定所述用户对各预设房型的房型意图概率值,包括:
响应于所述房间产品搜索需求中包括的搜索关键词为零个,通过预先训练的房型意图识别模型对所述房间产品搜索需求关联的特征数据进行分类映射,确定所述用户对各预设房型的房型意图概率值。
本申请的一些实施例中,所述根据所述用户对各预设房型的所述房型意图概率值,确定所述用户的房型意图强弱类别和/或需求的所述预设房型,包括:
根据所述用户对各预设房型的所述房型意图概率值分布集中程度,确定所述用户的房型意图强弱类别和/或需求的所述预设房型。
本申请的一些实施例中,如图4所示,所述房型意图识别模块310,进一步包括:
第二房型意图识别子模块3102,用于响应于所述房间产品搜索需求为用户触发预设房型选择入口生成的,确定所述用户的房型意图强弱类别指示所述用户具有强房型偏好。
本申请的一些实施例中,如图4所示,所述召回模块320,进一步包括:
第一召回子模块3201,用于响应于所述房型意图强弱类别指示所述用户具有强房型偏好,基于房型信息进行房间产品召回,确定所述房型信息匹配所述需求房型的房型产品列表;
第二召回子模块3202,用于响应于所述房型意图强弱类别指示所述用户不具有房型偏好,基于酒店信息进行房间产品召回,确定匹配所述产品搜索需求酒店产品列表;
第三召回子模块3203,用于响应于所述房型意图强弱类别指示所述用户具有弱房型偏好,基于房型信息和酒店信息进行房间产品召回,确定所述房型信息匹配所述需求房型的房型产品和匹配所述房型信息的酒店产品的混合列表。
本申请的一些实施例中,如图4所示,所述排序展示模块330,进一步包括:
排序特征确定子模块3301,用于分别确定所述房间产品列表中的每个房间产品的酒店特征、上下文特征和房型特征;
排序概率确定子模块3302,用于对于每个所述房间产品,分别执行与所述房型意图强弱类别匹配的预设排序任务,对所述房间产品的所述酒店特征、所述上下文特征和所述房型特征进行特征映射和分类处理,并根据与所述房型意图强弱类别匹配的所述预设排序任务输出的分类概率确定所述房间产品的排序概率;
排序展示子模块3303,用于对所述房间产品列表中的各房间产品,基于所述排序概率进行排序展示。
本申请的一些实施例中,所述预设排序任务包括:酒店排序任务、房型排序任务、混合排序任务,所述排序概率确定子模块3302进一步用于:
响应于所述房型意图强弱类别指示所述用户具有强房型偏好,通过所述房型排序任务对所述房间产品的所述酒店特征、所述上下文特征和所述房型特征进行特征映射和分类处理;
响应于所述房型意图强弱类别指示所述用户不具有房型偏好,通过所述酒店排序任务对所述房间产品的所述酒店特征、所述上下文特征和房型聚合特征进行特征映射和分类处理,其中,所述房型聚合特征是对所述房间产品匹配的房型特征进行聚合后得到的;
响应于所述房型意图强弱类别指示所述用户具有弱房型偏好,通过所述房型排序任务对所述房间产品的所述酒店特征、所述上下文特征和所述房型特征进行特征映射处理,确定所述房间产品的第一向量表示,以及,通过所述酒店排序任务对所述房间产品的所述酒店特征、所述上下文特征和房型聚合特征进行特征映射处理,确定所述房间产品的第二向量表示,之后,通过所述混合排序任务对所述第一向量表示和所述第二向量表示进行对齐处理,并对对齐处理后得到的向量进行分类映射处理。
本申请的一些实施例中,所述酒店排序任务、房型排序任务、混合排序任务分别对应预先训练的多任务模型中的一个分类任务,所述酒店排序任务、所述房型排序任务和所述混合排序任务共享所述多任务模型的特征编码网络模块。
本申请实施例公开的房间产品搜索装置,用于实现本申请实施例一中所述的房间产品搜索方法,装置的各模块的具体实施方式不再赘述,可参见方法实施例相应步骤的具体实施方式。
本申请实施例公开的房间产品搜索装置,通过响应于获取到用户的房间产品搜索需求,识别所述用户的房型意图强弱类别和/或需求房型;执行与所述房型意图强弱类别匹配的房间产品召回算法,结合所述需求房型进行房间产品召回,确定房间产品列表;执行与所述房型意图强弱类别匹配的预设排序任务,对所述房间产品列表中的房间产品进行排序展示,使得展示给用户的搜索结果更加符合用户的搜索意图,有助于提升用户通过网络平台搜索酒店房间的效率。
本申请实施例公开的房间产品搜索装置,通过自动识别用户的房型意图,并在确定用户没有房型意图时向用户展示酒店列表,在确定用户有强房型意图时向用户展示房型列表,在确定用户有弱房型意图时向用户展示房型和酒店的混合列表,使得展示给用户的搜索结果充分满足用户的需求,便于用户快速搜索到需要的酒店房间。
另一方面,在识别到用户的房型意图后为了向用户展示符合其需求的产品列表,即酒店列表、房型列表,以及,酒店和房型混合列表中的一种房间产品列表时,采用不同的召回策略进行产品召回,有效提升了召回产品与用户房型意图的匹配度。
进一步的,在对酒店列表、房型列表,以及,酒店和房型混合列表进行排序的过程中,在复用酒店排序特征的基础上,引入更多得房型特征,并且,房型特征在不同种类房间产品列表的排序过程中所表现得影响程度各不相同,使得搜索结果可以基于房型信息进行房型个性化排序,对于具有房型偏好的用户而言,有效提升了房间搜索效率。
本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。对于装置实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上对本申请提供的一种房间产品搜索方法及装置进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其一种核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
本申请的各个部件实施例可以以硬件实现,或者以在一个或者多个处理器上运行的软件模块实现,或者以它们的组合实现。本领域的技术人员应当理解,可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本申请实施例的电子设备中的一些或者全部部件的一些或者全部功能。本申请还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如,计算机程序和计算机程序产品)。这样的实现本申请的程序可以存储在计算机可读介质上,或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到,或者在载体信号上提供,或者以任何其他形式提供。
例如,图5示出了可以实现根据本申请的方法的电子设备。所述电子设备可以为PC机、移动终端、个人数字助理、平板电脑等。该电子设备传统上包括处理器510和存储器520及存储在所述存储器520上并可在处理器510上运行的程序代码530,所述处理器510执行所述程序代码530时实现上述实施例中所述的方法。所述存储器520可以为计算机程序产品或者计算机可读介质。存储器520可以是诸如闪存、EEPROM(电可擦除可编程只读存储器)、EPROM、硬盘或者ROM之类的电子存储器。存储器520具有用于执行上述方法中的任何方法步骤的计算机程序的程序代码530的存储空间5201。例如,用于程序代码530的存储空间5201可以包括分别用于实现上面的方法中的各种步骤的各个计算机程序。所述程序代码530为计算机可读代码。这些计算机程序可以从一个或者多个计算机程序产品中读出或者写入到这一个或者多个计算机程序产品中。这些计算机程序产品包括诸如硬盘,紧致盘(CD)、存储卡或者软盘之类的程序代码载体。所述计算机程序包括计算机可读代码,当所述计算机可读代码在电子设备上运行时,导致所述电子设备执行根据上述实施例的方法。
本申请实施例还公开了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本申请实施例一所述的房间产品搜索方法的步骤。
这样的计算机程序产品可以为计算机可读存储介质,该计算机可读存储介质可以具有与图5所示的电子设备中的存储器520类似布置的存储段、存储空间等。程序代码可以例如以适当形式进行压缩存储在所述计算机可读存储介质中。所述计算机可读存储介质通常为如参考图6所述的便携式或者固定存储单元。通常,存储单元包括计算机可读代码530’,所述计算机可读代码530’为由处理器读取的代码,这些代码被处理器执行时,实现上面所描述的方法中的各个步骤。
本文中所称的“一个实施例”、“实施例”或者“一个或者多个实施例”意味着,结合实施例描述的特定特征、结构或者特性包括在本申请的至少一个实施例中。此外,请注意,这里“在一个实施例中”的词语例子不一定全指同一个实施例。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本申请的实施例可以在没有这些具体细节的情况下被实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本申请可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
最后应说明的是:以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (13)
1.一种房间产品搜索方法,其特征在于,包括:
响应于获取到用户的房间产品搜索需求,识别所述用户的房型意图强弱类别和/或需求房型;
执行与所述房型意图强弱类别匹配的房间产品召回算法,结合所述需求房型进行房间产品召回,确定房间产品列表;
执行与所述房型意图强弱类别匹配的预设排序任务,对所述房间产品列表中的房间产品进行排序展示。
2.根据权利要求1所述的方法,其特征在于,所述识别所述用户的房型意图强弱类别和/或需求房型的步骤,包括:
通过对所述房间产品搜索需求中包括的搜索关键词进行分析处理,和/或,通过预先训练的房型意图识别模型对所述房间产品搜索需求关联的特征数据进行分类映射,确定所述用户对各预设房型的房型意图概率值;
根据所述用户对各预设房型的所述房型意图概率值,确定所述用户的房型意图强弱类别和/或需求的所述预设房型。
3.根据权利要求2所述的方法,其特征在于,所述通过对所述房间产品搜索需求中包括的搜索关键词进行分析处理,和/或,通过预先训练的房型意图识别模型对所述房间产品搜索需求关联的特征数据进行分类映射,确定所述用户对各预设房型的房型意图概率值的步骤,包括:
响应于所述房间产品搜索需求中包括的搜索关键词大于或等于一个,对所述搜索关键词进行分析处理,确定所述用户对各预设房型的房型意图概率值;
响应于通过对所述搜索关键词进行分析处理之后,未成功确定所述用户对所述预设房型的房型意图概率值,通过预先训练的房型意图识别模型对所述房间产品搜索需求关联的特征数据进行分类映射,确定所述用户对各预设房型的房型意图概率值。
4.根据权利要求2所述的方法,其特征在于,所述通过对所述房间产品搜索需求中包括的搜索关键词进行分析处理,和/或,通过预先训练的房型意图识别模型对所述房间产品搜索需求关联的特征数据进行分类映射,确定所述用户对各预设房型的房型意图概率值的步骤,包括:
响应于所述房间产品搜索需求中包括的搜索关键词为零个,通过预先训练的房型意图识别模型对所述房间产品搜索需求关联的特征数据进行分类映射,确定所述用户对各预设房型的房型意图概率值。
5.根据权利要求3所述的方法,其特征在于,所述根据所述用户对各预设房型的所述房型意图概率值,确定所述用户的房型意图强弱类别和/或需求的所述预设房型的步骤包括:
根据所述用户对各预设房型的所述房型意图概率值分布集中程度,确定所述用户的房型意图强弱类别和/或需求的所述预设房型。
6.根据权利要求1所述的方法,其特征在于,所述识别所述用户的房型意图强弱类别和/或需求房型的步骤,还包括:
响应于所述房间产品搜索需求为用户触发预设房型选择入口生成的,确定所述用户的房型意图强弱类别指示所述用户具有强房型偏好。
7.根据权利要求1至6任一项所述的方法,其特征在于,所述执行与所述房型意图强弱类别匹配的房间产品召回算法,结合所述需求房型进行房间产品召回,确定房间产品列表的步骤,包括:
响应于所述房型意图强弱类别指示所述用户具有强房型偏好,基于房型信息进行房间产品召回,确定所述房型信息匹配所述需求房型的房型产品列表;
响应于所述房型意图强弱类别指示所述用户不具有房型偏好,基于酒店信息进行房间产品召回,确定匹配所述产品搜索需求酒店产品列表;
响应于所述房型意图强弱类别指示所述用户具有弱房型偏好,基于房型信息和酒店信息进行房间产品召回,确定所述房型信息匹配所述需求房型的房型产品和匹配所述房型信息的酒店产品的混合列表。
8.根据权利要求1至6任一项所述的方法,其特征在于,所述执行与所述房型意图强弱类别匹配的预设排序任务,对所述房间产品列表中的房间产品进行排序展示的步骤,包括:
分别确定所述房间产品列表中的每个房间产品的酒店特征、上下文特征和房型特征;
对于每个所述房间产品,分别执行与所述房型意图强弱类别匹配的预设排序任务,对所述房间产品的所述酒店特征、所述上下文特征和所述房型特征进行特征映射和分类处理,并根据与所述房型意图强弱类别匹配的所述预设排序任务输出的分类概率确定所述房间产品的排序概率;
对所述房间产品列表中的各房间产品,基于所述排序概率进行排序展示。
9.根据权利要求8所述的方法,其特征在于,所述预设排序任务包括:酒店排序任务、房型排序任务、混合排序任务,所述执行与所述房型意图强弱类别匹配的预设排序任务,对所述房间产品的所述酒店特征、所述上下文特征和所述房型特征进行特征映射和分类处理,包括:
响应于所述房型意图强弱类别指示所述用户具有强房型偏好,通过所述房型排序任务对所述房间产品的所述酒店特征、所述上下文特征和所述房型特征进行特征映射和分类处理;
响应于所述房型意图强弱类别指示所述用户不具有房型偏好,通过所述酒店排序任务对所述房间产品的所述酒店特征、所述上下文特征和房型聚合特征进行特征映射和分类处理,其中,所述房型聚合特征是对所述房间产品匹配的房型特征进行聚合后得到的;
响应于所述房型意图强弱类别指示所述用户具有弱房型偏好,通过所述房型排序任务对所述房间产品的所述酒店特征、所述上下文特征和所述房型特征进行特征映射处理,确定所述房间产品的第一向量表示,以及,通过所述酒店排序任务对所述房间产品的所述酒店特征、所述上下文特征和房型聚合特征进行特征映射处理,确定所述房间产品的第二向量表示,之后,通过所述混合排序任务对所述第一向量表示和所述第二向量表示进行对齐处理,并对对齐处理后得到的向量进行分类映射处理。
10.根据权利要求9所述的方法,其特征在于,所述酒店排序任务、房型排序任务、混合排序任务分别对应预先训练的多任务模型中的一个分类任务,所述酒店排序任务、所述房型排序任务和所述混合排序任务共享所述多任务模型的特征编码网络模块。
11.一种房间产品搜索装置,其特征在于,包括:
房型意图识别模块,用于响应于获取到用户的房间产品搜索需求,识别所述用户的房型意图强弱类别和/或需求房型;
召回模块,用于执行与所述房型意图强弱类别匹配的房间产品召回算法,结合所述需求房型进行房间产品召回,确定房间产品列表;
排序展示模块,用于执行与所述房型意图强弱类别匹配的预设排序任务,对所述房间产品列表中的房间产品进行排序展示。
12.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在处理器上运行的程序代码,其特征在于,所述处理器执行所述程序代码时实现权利要求1至10任意一项所述的房间产品搜索方法。
13.一种计算机可读存储介质,其上存储有程序代码,其特征在于,该程序代码被处理器执行时实现权利要求1至10任意一项所述的房间产品搜索方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110327904.5A CN112711717A (zh) | 2021-03-26 | 2021-03-26 | 房间产品搜索方法、装置、电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110327904.5A CN112711717A (zh) | 2021-03-26 | 2021-03-26 | 房间产品搜索方法、装置、电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112711717A true CN112711717A (zh) | 2021-04-27 |
Family
ID=75550281
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110327904.5A Pending CN112711717A (zh) | 2021-03-26 | 2021-03-26 | 房间产品搜索方法、装置、电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112711717A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113806519A (zh) * | 2021-09-24 | 2021-12-17 | 金蝶软件(中国)有限公司 | 一种搜索召回方法、装置及介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030149576A1 (en) * | 2001-04-19 | 2003-08-07 | Sunyich Steven L. | Personalized smart room |
CN107862004A (zh) * | 2017-10-24 | 2018-03-30 | 科大讯飞股份有限公司 | 智能排序方法及装置、存储介质、电子设备 |
CN108230007A (zh) * | 2017-11-28 | 2018-06-29 | 北京三快在线科技有限公司 | 一种用户意图的识别方法、装置、电子设备及存储介质 |
CN108509499A (zh) * | 2018-02-27 | 2018-09-07 | 北京三快在线科技有限公司 | 一种搜索方法及装置,电子设备 |
CN108648058A (zh) * | 2018-05-15 | 2018-10-12 | 北京三快在线科技有限公司 | 产品排序方法及装置,电子设备、存储介质 |
CN111310952A (zh) * | 2020-05-13 | 2020-06-19 | 北京三快在线科技有限公司 | 房间预订信息的处理方法、房间预订方法、系统及服务器 |
-
2021
- 2021-03-26 CN CN202110327904.5A patent/CN112711717A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030149576A1 (en) * | 2001-04-19 | 2003-08-07 | Sunyich Steven L. | Personalized smart room |
CN107862004A (zh) * | 2017-10-24 | 2018-03-30 | 科大讯飞股份有限公司 | 智能排序方法及装置、存储介质、电子设备 |
CN108230007A (zh) * | 2017-11-28 | 2018-06-29 | 北京三快在线科技有限公司 | 一种用户意图的识别方法、装置、电子设备及存储介质 |
CN108509499A (zh) * | 2018-02-27 | 2018-09-07 | 北京三快在线科技有限公司 | 一种搜索方法及装置,电子设备 |
CN108648058A (zh) * | 2018-05-15 | 2018-10-12 | 北京三快在线科技有限公司 | 产品排序方法及装置,电子设备、存储介质 |
CN111310952A (zh) * | 2020-05-13 | 2020-06-19 | 北京三快在线科技有限公司 | 房间预订信息的处理方法、房间预订方法、系统及服务器 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113806519A (zh) * | 2021-09-24 | 2021-12-17 | 金蝶软件(中国)有限公司 | 一种搜索召回方法、装置及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110825957B (zh) | 基于深度学习的信息推荐方法、装置、设备及存储介质 | |
JP6643554B2 (ja) | エンティティ推薦方法及び装置 | |
CN108829822B (zh) | 媒体内容的推荐方法和装置、存储介质、电子装置 | |
US20180253780A1 (en) | Smart matching for real estate transactions | |
CN112632385A (zh) | 课程推荐方法、装置、计算机设备及介质 | |
CN108230007B (zh) | 一种用户意图的识别方法、装置、电子设备及存储介质 | |
CN108648058B (zh) | 产品排序方法及装置,电子设备、存储介质 | |
US11138248B2 (en) | Understanding user product queries in real time without using any rules | |
CN110008397B (zh) | 一种推荐模型训练方法及装置 | |
CN110765348B (zh) | 一种热词的推荐方法、装置、电子设备及存储介质 | |
CN111723292A (zh) | 基于图神经网络的推荐方法、系统、电子设备及存储介质 | |
US20190311415A1 (en) | Adaptive Multi-Perceptual Similarity Detection and Resolution | |
CN111143684A (zh) | 基于人工智能的泛化模型的训练方法及装置 | |
CN110264277A (zh) | 由计算设备执行的数据处理方法及装置、介质和计算设备 | |
CN111696656B (zh) | 一种互联网医疗平台的医生评价方法、装置 | |
CN113627995A (zh) | 商品推荐列表更新方法及其装置、设备、介质、产品 | |
CN115456707A (zh) | 提供商品推荐信息的方法、装置及电子设备 | |
CN115687690A (zh) | 一种视频推荐方法、装置、电子设备及存储介质 | |
CN112711717A (zh) | 房间产品搜索方法、装置、电子设备 | |
JP4891638B2 (ja) | 目的データをカテゴリに分類する方法 | |
CN110807149B (zh) | 检索方法、装置及存储介质 | |
CN115827990B (zh) | 搜索方法及装置 | |
CN116501979A (zh) | 信息推荐方法、装置、计算机设备及计算机可读存储介质 | |
CN112434140B (zh) | 一种答复信息处理方法及系统 | |
CN111353052B (zh) | 一种多媒体对象推荐方法、装置、电子设备及存储介质 |
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 |