CN112712419A - 住宿供给推荐方法、装置、电子设备 - Google Patents

Abstract

本申请公开了一种住宿供给推荐方法、装置、电子设备，属于计算机技术领域，用于解决推荐的住宿供给与用户需求匹配度低的问题。所述方法包括：识别用户对预设住宿供给类别的意图强弱指标值，其中，预设住宿供给类别包括：指示住宿供给为酒店的第一类别、指示住宿供给为预设房型的至少一个第二类别；对意图强弱指标值满足预设条件的预设住宿供给类别，执行相应数量的住宿供给召回操作，相应数量与各预设住宿供给类别对应的意图强弱指标值的大小正相关；对执行住宿供给召回操作所召回的住宿供给，进行排序展示。本申请公开的住宿供给推荐方法基于用户的住宿意图向用户推荐住宿供给，提升了推荐的住宿供给与用户需求的匹配度。

Description

住宿供给推荐方法、装置、电子设备

技术领域

本申请实施例涉及计算机技术领域，特别是涉及一种住宿供给推荐方法、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，对于房间对应的住宿供给的推荐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对酒店的偏好进行酒店粒度的匹配，并以酒店列表的形式展示推荐结果。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预订酒店房间的效率。

现有技术中的住宿供给推荐方法还需要改进。

发明内容

本申请实施例提供一种住宿供给推荐方法，有助于提升推荐的住宿供给与用户需求的匹配度。

第一方面，本申请实施例提供了一种住宿供给推荐方法，包括：

识别用户对预设住宿供给类别的意图强弱指标值，其中，所述预设住宿供给类别包括：指示住宿供给为酒店的第一类别、指示住宿供给为预设房型的至少一个第二类别；

对所述意图强弱指标值满足预设条件的所述预设住宿供给类别，执行相应数量的住宿供给召回操作，其中，所述相应数量与各所述预设住宿供给类别对应的所述意图强弱指标值的大小正相关；

对执行所述住宿供给召回操作所召回的住宿供给，进行排序展示。

第二方面，本申请实施例提供了一种住宿供给推荐装置，包括：

意图强弱指标识别模块，用于识别用户对预设住宿供给类别的意图强弱指标值，其中，所述预设住宿供给类别包括：指示住宿供给为酒店的第一类别、指示住宿供给为预设房型的至少一个第二类别；

住宿供给召回模块，用于对所述意图强弱指标值满足预设条件的所述预设住宿供给类别，执行相应数量的住宿供给召回操作，其中，所述相应数量与各所述预设住宿供给类别对应的所述意图强弱指标值的大小正相关；

排序展示模块，用于对执行所述住宿供给召回操作所召回的住宿供给，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住宿供给推荐方法。

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住宿供给推荐方法的步骤。

本申请实施例公开的住宿供给推荐方法，通过识别用户对预设住宿供给类别的意图强弱指标值，其中，所述预设住宿供给类别包括：指示住宿供给为酒店的第一类别、指示住宿供给为预设房型的至少一个第二类别；对所述意图强弱指标值满足预设条件的所述预设住宿供给类别，执行相应数量的住宿供给召回操作，其中，所述相应数量与各所述预设住宿供给类别对应的所述意图强弱指标值的大小正相关；对执行所述住宿供给召回操作所召回的住宿供给，进行排序展示，有助于提升推荐的住宿供给与用户需求的匹配度。

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住宿供给推荐方法流程图；

图2是本申请实施例一中的排序指标值预测模型结构示意图之一；

图3是本申请实施例一中的排序指标值预测模型结构示意图之二；

图4本申请实施例一中的住宿供给推荐展示效果示意图之一；

图5本申请实施例一中的住宿供给推荐展示效果示意图之二；

图6是本申请实施例二的住宿供给推荐装置结构示意图之一；

图7是本申请实施例二的住宿供给推荐装置结构示意图之二；

图8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9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住宿供给推荐方法，如图1所示，所述方法包括：步骤110至步骤130。

步骤110，识别用户对预设住宿供给类别的意图强弱指标值。

其中，所述预设住宿供给类别包括：指示住宿供给为酒店的第一类别、指示住宿供给为预设房型的至少一个第二类别。

本申请实施例中所述的住宿供给包括常规酒店，还包括民宿、度假村等能够提供住宿房间的供给，还包括房型供给。本申请的一些实施例中，所述预设房型为酒店的特殊房型，例如海景房、电竞房等房型。所述预设房型根据住宿供给预订平台中上架的房型确定，每个第二类别对应一种房型。

本申请实施例中所述的意图强弱指标值，用于指示用户对预设住宿供给类别的偏好程度。例如，用户对酒店的偏好程度、用户对电竞房的偏好程度、用户对海景房的偏好程度等。所述意图强弱指标值可以通过数值表示。

本申请的一些实施例中，可以采用预先训练的住宿供给意图识别模型识别用户对各预设住宿供给类别的意图强弱指标值。例如，所述识别用户对预设住宿供给的意图强弱指标值包括：根据用户的用户画像信息、历史行为信息和当前推荐场景的场景信息，确定预设住宿供给意图识别模型的输入特征；其中，所述场景信息包括以下任意一种或多种信息：时间、天气、当前住宿热点、是否节假日；所述历史行为信息包括以下任意一种或多种信息：点击行为的酒店和房型分布、搜索行为的酒店和房型分布、支付行为的酒店和房型分布；所述用户画像信息包括以下任意一种或多种信息：性别、年龄、职业类型、是否恋爱；通过所述住宿供给意图识别模型对所述输入特征进行特征映射和分类，确定用户对预设住宿供给的意图强弱指标值。所述住宿供给意图识别模型的输出用于指示用户对各种住宿供给的偏好概率。

本申请的一些实施例中，所述输入特征包括但不限于：时间段标识、天气标识、住宿热点标识、是否节假日标识、点击行为路径、点击酒店或各预设房型的次数占比、用户性别标识、年龄段标识、是否恋爱标识。所述住宿供给意图识别模型的输入特征可以通过对用户画像信息、历史行为信息和推荐场景的实时场景信息进行统计分析或离散化处理得到，具体实施方式可参见现有技术，本申请实施例中不再赘述。

在推荐场景中，由于没有用户主动输入的信息，因此，在用于意图识别的特征选择上，会更多的利用用户所处场景、用户历史行为，以及基于历史行为学习到的用户画像等信息。用户所处场景信息主要包括时间、地点、时下热点等信息。比如当前是否是节假日，是否有特殊活动，用户是否在出游中等信息。用户画像则包含用户性别、年龄、职业、是否恋爱、职业类型等基本信息。用户历史行为主要包括：历史点击、搜索、支付等行为的信息，从这些行为中挖掘出用户的偏好信息。

本申请实施例中所采用的住宿供给意图识别模型，为多任务模型，用于通过对用户历史行为信息、用户画像信息、行为场景信息与偏好的住宿供给类别（如酒店或各种房型）之间的映射关系进行学习。所述住宿供给意图识别模型可以通过离线训练的方式预先训练。

本申请的一些实施例中，可以通过以下方法离线训练所述住宿供给意图识别模型。

首先，根据用户的历史搜索、点击和支付房型等行为数据、用户的画像信息，以及，用户搜索行为的场景信息，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。所述预设样本特征与前述对用户进行在线意图识别时确定的输入特征的确定方式相同，此处不再赘述。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，N为大于等于1的正整数，N的取值为预设住宿供给类别的数量，样本标签的每个维度的取值用于表示对应指定住宿供给类别的偏好概率值。

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，则根据该条酒店预订记录数据构建一条训练样本的具体方式如下。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场景信息（如时间段、是否节假日）、用户画像信息（如性别、年龄）、用户的历史行为信息（如该条酒店预订记录匹配的点击路径、该用户的对酒店和各预设房型的历史点击次数占比）。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，在构建住宿供给意图识别模型的训练样本时，根据用户直接点击、预订房型的数据构建的训练样本存在样本系数问题。本申请的一些实施例中，在本方法实施初期，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备房型偏好，在构建该条酒店预订记录对应的训练样本时，可以将样本标签中对应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电竞房，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电竞房偏好的训练样本。

之后，基于构建的训练样本训练住宿供给意图识别模型。基于训练样本训练住宿供给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。

在住宿供给意图识别模型的在线应用阶段，将确定的输入特征输入至所述住宿供给意图识别模型之后，所述住宿供给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该向量维度对应的住宿供给类别的意图强弱指标值，即用户对各预设房型或酒店的偏好概率值。

本申请的另一些实施例中，还可以采用其他方式训练住宿供给意图识别模型，或者，结合其他特征训练住宿供给意图识别模型，本申请实施例中不再一一例举。

步骤120，对所述意图强弱指标值满足预设条件的所述预设住宿供给类别，执行相应数量的住宿供给召回操作。

其中，所述相应数量与各所述预设住宿供给类别对应的所述意图强弱指标值的大小正相关。

所述住宿供给意图识别模型输出的对每个住宿供给的意图强弱指标值，体现了用户对各类住宿供给的偏好程度，通常情况下，所述意图强弱指标值的大于等于0小于1等于1的数值，用户对所有住宿供给的所述意图强弱指标值之和等于1，所述意图强弱指标值越大，表示用户对该类别的住宿供给具有更强的偏好。

本申请的一些实施例中，为了向用户集中推荐更加匹配用户需求的住宿供给，可以通过设置对意图强弱指标值的限定条件，控制召回的住宿供给类别。当对意图强弱指标值的限定条件为空时，则只要识别出用户对该住宿供给类别有偏好，就召回该住宿供给类别下的住宿供给。

本申请的一些实施例中，对所述意图强弱指标值满足预设条件的所述预设住宿供给类别，执行相应数量的住宿供给召回操作，包括：确定满足预设条件的所述意图强弱指标值对应的所述预设住宿供给类别，作为住宿供给的召回类别；执行所述召回类别的住宿供给的召回操作，分别确定匹配每个所述召回类别的候选召回住宿供给；根据各所述召回类别对应的所述意图强弱指标值的大小和召回住宿供给目标数量，从匹配各所述召回类别的所述候选召回住宿供给中分别选择相应数量的所述候选召回住宿供给，作为执行所述住宿供给召回操作所召回的住宿供给。

例如，可以通过设置意图强弱指标值的阈值，只有当所述意图强弱指标值大于设定的阈值时，才为用户推荐该意图强弱指标值对应的住宿供给类别的住宿供给。例如，可以设置意图强弱指标值的阈值为10%，并定于满足预设条件为所述意图强弱指标值大于该阈值，则如果前述步骤得到的用户对预设住宿供给类别的所述意图强弱指标值中，对应酒店（即第一类别）的所述意图强弱指标值为50%，对应电竞房的（即第二类别）的所述意图强弱指标值为9%，对应海景房的（即第二类别）的所述意图强弱指标值为41%，对应其他第二类别的住宿供给的均为0，则可以确定所述意图强弱指标值满足预设条件的所述预设住宿供给类别仅包括：酒店和海景房，在这种情况下，将仅召回酒店和海景房，即住宿供给的召回类别进包括：酒店和海景房。

接下来，可以采用现有技术中的酒店召回引擎进行酒店（即第一类别的住宿供给）召回，召回酒店类别的候选召回住宿供给；执行房型召回引擎进行房型召回（即第二类别的住宿供给），召回海景房类别的候选召回住宿供给。

本申请的一些实施例中，所述房型召回引擎的召回逻辑可以参考酒店召回引擎的召回逻辑。例如，预先对平台上的房型基于房型类别和/或房型特点进行索引存储；在房型召回时，通过房型类别对第二类别的住宿供给（即房型供给）进行初步筛选，筛选出匹配召回类别的房型供给；然后，再根据房型特点等信息与当前推荐场景的匹配度，对初步筛选得到的房型供给，进行排序召回。

接下来，对各召回引擎召回的各住宿供给类别的候选召回住宿供给，进行融合召回，得到推荐给用户的住宿供给列表。

本申请的一些实施例中，根据各所述召回类别对应的所述意图强弱指标值的大小和召回住宿供给目标数量，从匹配各所述召回类别的所述候选召回住宿供给中分别选择相应数量的所述候选召回住宿供给，作为执行所述住宿供给召回操作所召回的住宿供给，包括：根据各所述召回类别对应的所述意图强弱指标值的大小和召回住宿供给目标数量，确定匹配各所述召回类别对应的召回数量；从匹配各所述召回类别的所述候选召回住宿供给中分别至多选择相应召回数量的所述候选召回住宿供给，作为执行所述住宿供给召回操作所召回的住宿供给。

如前所述，所述住宿供给意图识别模型输出的对每个住宿供给的意图强弱指标值，体现了用户对各类住宿供给的偏好程度，所述意图强弱指标值越大，表示用户对该类别的住宿供给具有更强的偏好。为了向用户集中推荐更加匹配用户需求的住宿供给，并且，由于推荐系统的精排能力是有限的，为了降低排序计算消耗，提升排序效率，在召回融合的时候需要对候选召回住宿供给进行筛选。本申请的实施例中，根据用户对各所述召回类别的所述意图强弱指标值的大小分配召回住宿供给目标数量。以用户对酒店类住宿供给的意图强弱指标值是60%，对海景房的意图强弱指标值是40%为例，如果总共可以进入精排的住宿供给（即酒店类供给+房型类供给）是100个，那么可以进入精排的住宿供给里，酒店供给的配额是60，海景房的配额是40个。接下来，从酒店类候选召回住宿供给中选择60个候选召回住宿供给，并从海景房类候选召回住宿供给中选择40个候选召回住宿供给，将选择的100个候选召回住宿供给，作为推荐给用户的住宿供给。

本申请的一些实施例中，可能会存在第二类别的住宿供给（即房型类供给）的数量达不到上述配额的情况，所述从匹配各所述召回类别的所述候选召回住宿供给中分别至多选择相应召回数量的所述候选召回住宿供给，作为执行所述住宿供给召回操作所召回的住宿供给之后，还包括：响应于所述召回住宿供给目标数量与执行所述住宿供给召回操作所召回的所述住宿供给的总数量的差值大于1，从匹配所述第一类别的所述候选召回住宿供给中补充选择所述差值个的所述候选召回住宿供给。即如果特殊房型供给不足，则都会由普通酒店补足。

步骤130，对执行所述住宿供给召回操作所召回的住宿供给，进行排序展示。

接下来，对确定推荐给用户的住宿供给进行精排，然后，展示给用户。

本申请的一些实施例中，所述对执行所述住宿供给召回操作所召回的住宿供给，进行排序展示，包括：对于执行所述住宿供给召回操作所召回的每个住宿供给，分别确定所述住宿供给匹配的排序特征，并通过预先训练的排序指标预估模型对所述排序特征进行特征编码映射，得到所述住宿供给的排序指标值；其中，所述排序指标预估模型中的至少一个特征映射模块的权重是根据所述排序特征所属住宿供给匹配的所述预设住宿供给类别调整的；按照所述排序指标值指示的推荐优先级由大到小的顺序，在推荐供给展示页面顺序展示所述住宿供给。

如前所述，用户可能对一种或多种住宿供给类别具有偏好，那么，召回的住宿供给中将可能会既包括酒店供给（即第一类别）和房型供给（即第二类别）。即召回的住宿供给可能为酒店和房型的混合供给列表。本领域技术人员都了解，酒店供给和房型供给是两类不同的住宿供给，两种住宿供给的特征并不完全相同，因此，需要构建一个适用于不同类别住宿供给排序的网络模型，即本申请实施例中所述的排序指标预估模型。所述排序指标预估模型用于对酒店供给或房型供给的特征进行特征编码映射，得到所述酒店供给或房型供给的排序指标值。

本申请的一些实施例中，所述排序指标预估模型是离线训练的。

对于模型的输入特征，本申请的一些实施例中，主要采用用户相关特征、场景上下文特征、以及推荐住宿供给的相关特征。例如，用户相关特征可以包括以下特征中的一项或多项：用户画像特征、用户偏好特征；场景上下文特征可以包括以下特征中的一项或多项：当前位置、时间、是否节日等特征；推荐住宿供给的相关特征可以包括以下特征中的一项或多项：住宿供给的曝光率、点击率、支付率、转化率等统计类特征，以及住宿供给的一些属性类特征，例如，房型状态，基础设施特征等。需要特别注意的是，因为排序指标预估模型是对酒店供给和房型供给进行混排，因此推荐住宿供给里既包含酒店供给，也包含房型供给。对于房型供给，它的特征中不但包含该房型供给所属酒店的特征，还包含房型供给自身的特征。比如房型供给的销量、点击率、转化率等统计类特征；房型价格、房新状态、基础设施等房型特征。因此，排序指标预估模型对房型的排序学习会更“细致”。

对于模型的结构，为了同时对酒店供给和房型供给进行混合排序，本申请的一些实施例中，所述排序指标预估模型可以基于多专家模型(the mixture of experts model)构建，包括：门网络、多个特征映射模块（即多专家模型中的专家）和生成器，其中，所述门网络根据当前住宿供给的类别调整所述特征映射模块输出的向量表示在所述生成器中的权重。多专家模型（MoE）结构的主要优势是可以学到样本中子类的差异。本申请实施例中构建的排序指标预估模型的一种结构如图2所示。其中，特征编码模块2101至2103用于对不同维度的输入特征进行编码；特征拼接模块220用于对特征编码模块2101至2103输出的编码向量进行拼接，得到输入特征的拼接向量；特征映射模块2301、2302和2303用于对特征拼接模块220输出的拼接特征进行映射处理输出预设维度的向量表示；门网络240用于根据当前输入特征匹配的住宿供给类别输出各特征映射模块的权重；之后，生成器2304按照门网络240输出的权重信息对特征映射模块2301至2303进行相应权重的特征映射；所述分类映射模块250用于对生成器2304输出的向量表示进行分类映射，输出当前输入特征对应的排序指标值。

本申请的一些实施例中，所述门网络的输入可以为单独输入的住宿供给类别特征，也可以为所述特征拼接模块220输出的拼接特征。由于所述拼接特征对于不同住宿供给的输入特征，具有不同的特征表达，能够反映住宿供给匹配的类别信息。

本申请实施例中，所述排序指标预估模型的训练样本只要包括两个子类，即酒店供给样本（即第一类别的供给样本）和房型供给样本（即第二类别的供给针对不同子类的样本，通过门网络来调整不同特征映射模块(即MoE模型中的专家）的权重，可以达到学习样本差异的目的。本申请实施例中所采用的排序指标预估模型，既能学到酒店供给样本和房型供给样本全局共享属性，也可以更好的学习到不同供给类别样本的局部特征。

当输入样本是酒店供给的支付样本，此时，门网络的输入特征就是指示输入样本为酒店供给的特征编码，门网络将根据酒店供给的特征编码输出三个不同的权重给不同专家（即特征编码模块2101至2103）, 且可能专家1和2的权重较高（如特征编码模块2101和2102），专家3（如特征编码模块2103）的权重较低；当输入样本是某个房型供给，比如“电竞房”，门网络也会输出三个不同的权重给不同专家（即特征编码模块2101至2103）, 但此时可能专家1的权重较高（如特征编码模块2103），专家1和2（如特征编码模块2101和2102）的权重较低，这样，所述排序指标预估模型既可以学习到不同类样本共性，也可以学习到不同类样本差异，做到“求同存异”，能够实现对酒店供给和房型供给进行混合排序。

本申请的一些实施例中，可以将所述排序指标预估模型的优化目标设置为一个或多个排序指标，其中，所述排序指标可以选自于：点击率、曝光率、转化率等指标，之后，根据各排序指标值进一步计算排序得分。当所述排序指标预估模型的优化目标为多项指标时，所述排序指标预估模型可以设置为多任务模型的结构。本申请的一些实施例中，可以根据住宿供给的点击率和转化率计算排序指标值，因此，所述排序指标预估模型的优化目标可以设置为点击率和转化率。所述排序指标预估模型可以采用如图3所示的结构。

图3所述的排序指标预估模型中，包括两个生成器，分别为2304和2305，分别对应所述排序指标预估模型的点击率预估任务和转化率预估任务；图3所述的排序指标预估模型中，包括两个门网络240和两个分类映射模块250和260，分别对应所述排序指标预估模型的点击率预估任务和转化率预估任务。以图3所示的排序指标预估模型为例，可以根据现有技术中酒店列表页面酒店的点击记录构建训练点击率预估任务的正样本，以及根据房型曝光页面的房型点击记录构建训练点击率预估任务的正样本；根据现有技术中酒店列表页面酒店的支付记录构建训练转化率预估任务的正样本，根据房型曝光页面的房型支付记录构建训练转化率预估任务的正样本。构建排序指标预估模型的具体方案，可以参考现有技术中构建酒店点击率和转化率预估模型训练样本的实施方案，本申请实施例中不再赘述。之后，可以采用梯度下降法等模型优化方法基于构建的训练样本训练排序指标预估模型。

在线上应用过程中，对于召回的每个住宿供给，无论是房型供给，还是酒店供给，根据住宿供给的相关信息确定了该住宿供给对应的模型输入特征之后，将所述模型输入特征输入至所述排序指标预估模型，所述排序指标预估模型将输出该住宿供给的点击率预估值和转化率预估值。进一步的，可以对所述排序指标预估模型输出的该住宿供给的点击率预估值和转化率预估进行加权融合计算，将加权融合计算结果作为该住宿供给的综合排序指标值。例如，本申请的一些实施例中，可以通过公式

计算住宿供给的综合排序指标值，其中，pCTR为点击率预估值，pCVR为转化率预估值，a、β和λ为调节因子，根据业务需求和测试结果确定。

本申请的一些实施例中，房型供给作为一种全新供给，在初期上线的时候存在冷启的问题。因此，在房型点击和支付记录稀疏，构建的训练样本不均衡的情况下，上线初期需要对房型供给进行一段时间的冷启动加权，保证一定的曝光量之后，累积房型训练样本，用于离线模型训练。在线上排序阶段，同样因为房型上线之前训练样本中没有房型相关的样本，而用户也没有房型相关的行为，初期的排序模型对房型的排序能力会比较弱。因此在房型上线初期就会对房型供给进行排序指标值提权，保证房型有足够的曝光。在房型离线倒排生产时，通过计算房型供给的“质量分”用来衡量供给的质量。在冷启动时期的排序过程中，根据判断召回的房型供给的质量分，确定房型供给的排序指标值，从而提高质量分较高的房型供给的曝光机会。本申请的一些实施例中，可以根据房型供给的销量，点击率等统计类特征计算房型供给的质量分。

本申请的一些实施例中，可以按照融合计算得到的排序指标值由大到小的顺序，对召回的住宿供给从前向后排序，并按照从前向后的顺序在推荐供给展示页面上自顶向下顺序进行排列展示。即在推荐列表页面，自页面顶端向页面底端，优先展示排序指标值大的住宿供给。

本申请的一些实施例中，所述在推荐供给展示页面顺序展示所述住宿供给，包括：在推荐供给展示页面中相应展示位，以突出展示酒店信息的形式展示所述第一类别住宿供给，以及，以突出展示房型信息的形式展示所述第二类别住宿供给。即在展示酒店供给的展示位中，突出展示酒店图片、酒店名称、地理位置、酒店评价等信息，在展示房型供给的展示位中，突出房型图片、房型设施、房型名称、评价等信息，便于用户发现偏好的房型或酒店。

本申请的一些实施例中，所述以突出展示房型信息的形式展示所述第二类别住宿供给，包括：突出展示所述第二类别住宿供给的房型图片。例如，在展示房型供给时，以房型图片作为该住宿供给的头图。本申请的一些实施例中，以突出展示房型信息的形式展示所述第二类别住宿供给，还包括：缩小当前第二类别住宿供给所属第一类别住宿供给的图片和/或描述信息字体。例如，在房型图片下方展示该房型所述酒店的缩小图片和/或酒店名称。

以召回的住宿供给包括：酒店A、酒店B和海景房1、海景房2、海景房3、山景4为例，如果上述住宿供给的排序指标值由大到小的顺序为：酒店A、海景房1、海景房2、酒店B、海景房3、山景房4，则召回的住宿供给展示效果如图4所示。如图4所示，在采用单列模式展示推荐给用户的住宿供给时，排序指标值越大的住宿供给，展示位置越靠近推荐供给展示的顶端。

本申请的另一些实施例中，为了减少用户的翻屏操作，还可以采用双列模式展示推荐给用户的住宿供给。则可以按照融合计算得到的排序指标值由大到小的顺序，对召回的住宿供给从前向后排序，并按照从前向后的顺序在推荐供给展示页面上自顶向下从左到右顺序进行排列展示。仍以前述住宿供给的排序结果为例，采用双列模型进行展示的效果如5所示。

由图4和图5中展示的推荐住宿供给展示效果可以看出，住宿供给的特点被突出展示，使得用户可以快速发现自己偏好的酒店和房型。

本申请实施例公开的住宿供给推荐方法，通过识别用户对预设住宿供给类别的意图强弱指标值，其中，所述预设住宿供给类别包括：指示住宿供给为酒店的第一类别、指示住宿供给为预设房型的至少一个第二类别；对所述意图强弱指标值满足预设条件的所述预设住宿供给类别，执行相应数量的住宿供给召回操作，其中，所述相应数量与各所述预设住宿供给类别对应的所述意图强弱指标值的大小正相关；对执行所述住宿供给召回操作所召回的住宿供给，进行排序展示，有助于提升推荐的住宿供给与用户需求的匹配度。

本申请实施例公开的住宿供给推荐方法，根据用户的住宿意图进行酒店和房型的召回和配额分配，使得展示给用户的住宿供给更加符合用户的住宿需求，有效提升了推荐的住宿供给与用户需求的匹配度，节约了用户选择住宿供给的操作成本。

进一步的，本申请实施例中通过构建适用于异构特征的住宿供给类别的排序指标预估模型，实现了通过一个模型计算不同类别住宿供给（即酒店和房型）的混合排序，使得推荐给用户的住宿供给的推荐顺序与用户的住宿意图更加匹配，进一步提升推荐的住宿供给与用户需求的匹配度。

实施例二

本申请实施例公开的一种住宿供给推荐装置，如图6所示，所述装置包括：

意图强弱指标识别模块610，用于识别用户对预设住宿供给类别的意图强弱指标值，其中，所述预设住宿供给类别包括：指示住宿供给为酒店的第一类别、指示住宿供给为预设房型的至少一个第二类别；

住宿供给召回模块620，用于对所述意图强弱指标值满足预设条件的所述预设住宿供给类别，执行相应数量的住宿供给召回操作，其中，所述相应数量与各所述预设住宿供给类别对应的所述意图强弱指标值的大小正相关；

排序展示模块630，用于对执行所述住宿供给召回操作所召回的住宿供给，进行排序展示。

本申请的一些实施例中，如图7所示，所述排序展示模块630，进一步包括：

排序子模块6301，用于对于执行所述住宿供给召回操作所召回的每个住宿供给，分别确定所述住宿供给匹配的排序特征，并通过预先训练的排序指标预估模型对所述排序特征进行特征编码映射，得到所述住宿供给的排序指标值；其中，所述排序指标预估模型中的至少一个特征映射模块的权重是根据所述排序特征所属住宿供给匹配的所述预设住宿供给类别调整的；

展示子模块6302，用于按照所述排序指标值指示的推荐优先级由大到小的顺序，在推荐供给展示页面顺序展示所述住宿供给。

本申请的一些实施例中，所述在推荐供给展示页面顺序展示所述住宿供给，包括：

在推荐供给展示页面中相应展示位，以突出展示酒店信息的形式展示所述第一类别住宿供给，以及，以突出展示房型信息的形式展示所述第二类别住宿供给。

本申请的一些实施例中，所述以突出展示房型信息的形式展示所述第二类别住宿供给，包括：

突出展示所述第二类别住宿供给的房型图片。

本申请的一些实施例中，所述住宿供给召回模块620，进一步用于：

确定满足预设条件的所述意图强弱指标值对应的所述预设住宿供给类别，作为住宿供给的召回类别；

执行所述召回类别的住宿供给的召回操作，分别确定匹配每个所述召回类别的候选召回住宿供给；

根据各所述召回类别对应的所述意图强弱指标值的大小和召回住宿供给目标数量，从匹配各所述召回类别的所述候选召回住宿供给中分别选择相应数量的所述候选召回住宿供给，作为执行所述住宿供给召回操作所召回的住宿供给。

本申请的一些实施例中，所述根据各所述召回类别对应的所述意图强弱指标值的大小和召回住宿供给目标数量，从匹配各所述召回类别的所述候选召回住宿供给中分别选择相应数量的所述候选召回住宿供给，作为执行所述住宿供给召回操作所召回的住宿供给，包括：

根据各所述召回类别对应的所述意图强弱指标值的大小和召回住宿供给目标数量，确定匹配各所述召回类别对应的召回数量；

从匹配各所述召回类别的所述候选召回住宿供给中分别至多选择相应召回数量的所述候选召回住宿供给，作为执行所述住宿供给召回操作所召回的住宿供给。

本申请的一些实施例中，所述从匹配各所述召回类别的所述候选召回住宿供给中分别至多选择相应召回数量的所述候选召回住宿供给，作为执行所述住宿供给召回操作所召回的住宿供给之后，还包括：

响应于所述召回住宿供给目标数量与执行所述住宿供给召回操作所召回的所述住宿供给的总数量的差值大于1，从匹配所述第一类别的所述候选召回住宿供给中补充选择所述差值个的所述候选召回住宿供给。

本申请实施例公开的住宿供给推荐装置，用于实现本申请实施例一中所述的住宿供给推荐方法，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住宿供给推荐装置，通过识别用户对预设住宿供给类别的意图强弱指标值，其中，所述预设住宿供给类别包括：指示住宿供给为酒店的第一类别、指示住宿供给为预设房型的至少一个第二类别；对所述意图强弱指标值满足预设条件的所述预设住宿供给类别，执行相应数量的住宿供给召回操作，其中，所述相应数量与各所述预设住宿供给类别对应的所述意图强弱指标值的大小正相关；对执行所述住宿供给召回操作所召回的住宿供给，进行排序展示，有助于提升推荐的住宿供给与用户需求的匹配度。

本申请实施例公开的住宿供给推荐装置，根据用户的住宿意图进行酒店和房型的召回和配额分配，使得展示给用户的住宿供给更加符合用户的住宿需求，有效提升了推荐的住宿供给与用户需求的匹配度，节约了用户选择住宿供给的操作成本。

进一步的，本申请实施例中通过构建适用于异构特征的住宿供给类别的排序指标预估模型，实现了通过一个模型计算不同类别住宿供给（即酒店和房型）的混合排序，使得推荐给用户的住宿供给的推荐顺序与用户的住宿意图更加匹配，进一步提升推荐的住宿供给与用户需求的匹配度。

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住宿供给推荐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8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810和存储器820及存储在所述存储器820上并可在处理器810上运行的程序代码830，所述处理器810执行所述程序代码830时实现上述实施例中所述的方法。所述存储器820可以为计算机程序产品或者计算机可读介质。存储器820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820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830的存储空间8201。例如，用于程序代码830的存储空间8201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830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住宿供给推荐方法的步骤。

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8所示的电子设备中的存储器820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9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830’，所述计算机可读代码830’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 (10)

1.一种住宿供给推荐方法，其特征在于，包括：

识别用户对预设住宿供给类别的意图强弱指标值，其中，所述预设住宿供给类别包括：指示住宿供给为酒店的第一类别、指示住宿供给为预设房型的至少一个第二类别；

对所述意图强弱指标值满足预设条件的所述预设住宿供给类别，执行相应数量的住宿供给召回操作，其中，所述相应数量与各所述预设住宿供给类别对应的所述意图强弱指标值的大小正相关；

对执行所述住宿供给召回操作所召回的住宿供给，进行排序展示。

2.根据权利要求1所述的方法，其特征在于，所述对执行所述住宿供给召回操作所召回的住宿供给，进行排序展示的步骤，包括：

对于执行所述住宿供给召回操作所召回的每个住宿供给，分别确定所述住宿供给匹配的排序特征，并通过预先训练的排序指标预估模型对所述排序特征进行特征编码映射，得到所述住宿供给的排序指标值；其中，所述排序指标预估模型中的至少一个特征映射模块的权重是根据所述排序特征所属住宿供给匹配的所述预设住宿供给类别调整的；

按照所述排序指标值指示的推荐优先级由大到小的顺序，在推荐供给展示页面顺序展示所述住宿供给。

3.根据权利要求2所述的方法，其特征在于，所述在推荐供给展示页面顺序展示所述住宿供给的步骤，包括：

在推荐供给展示页面中相应展示位，以突出展示酒店信息的形式展示第一类别住宿供给，以及，以突出展示房型信息的形式展示第二类别住宿供给。

4.根据权利要求3所述的方法，其特征在于，所述以突出展示房型信息的形式展示所述第二类别住宿供给的步骤，包括：

突出展示所述第二类别住宿供给的房型图片。

5.根据权利要求1至4任一项所述的方法，其特征在于，所述对所述意图强弱指标值满足预设条件的所述预设住宿供给类别，执行相应数量的住宿供给召回操作的步骤，包括：

确定满足预设条件的所述意图强弱指标值对应的所述预设住宿供给类别，作为住宿供给的召回类别；

执行所述召回类别的住宿供给的召回操作，分别确定匹配每个所述召回类别的候选召回住宿供给；

根据各所述召回类别对应的所述意图强弱指标值的大小和召回住宿供给目标数量，从匹配各所述召回类别的所述候选召回住宿供给中分别选择相应数量的所述候选召回住宿供给，作为执行所述住宿供给召回操作所召回的住宿供给。

6.根据权利要求5所述的方法，其特征在于，所述根据各所述召回类别对应的所述意图强弱指标值的大小和召回住宿供给目标数量，从匹配各所述召回类别的所述候选召回住宿供给中分别选择相应数量的所述候选召回住宿供给，作为执行所述住宿供给召回操作所召回的住宿供给的步骤，包括：

根据各所述召回类别对应的所述意图强弱指标值的大小和召回住宿供给目标数量，确定匹配各所述召回类别对应的召回数量；

从匹配各所述召回类别的所述候选召回住宿供给中分别至多选择相应召回数量的所述候选召回住宿供给，作为执行所述住宿供给召回操作所召回的住宿供给。

7.根据权利要求6所述的方法，其特征在于，所述从匹配各所述召回类别的所述候选召回住宿供给中分别至多选择相应召回数量的所述候选召回住宿供给，作为执行所述住宿供给召回操作所召回的住宿供给的步骤之后，还包括：

响应于所述召回住宿供给目标数量与执行所述住宿供给召回操作所召回的所述住宿供给的总数量的差值大于1，从匹配所述第一类别的所述候选召回住宿供给中补充选择所述差值个的所述候选召回住宿供给。

8.一种住宿供给推荐装置，其特征在于，包括：

意图强弱指标识别模块，用于识别用户对预设住宿供给类别的意图强弱指标值，其中，所述预设住宿供给类别包括：指示住宿供给为酒店的第一类别、指示住宿供给为预设房型的至少一个第二类别；

住宿供给召回模块，用于对所述意图强弱指标值满足预设条件的所述预设住宿供给类别，执行相应数量的住宿供给召回操作，其中，所述相应数量与各所述预设住宿供给类别对应的所述意图强弱指标值的大小正相关；

排序展示模块，用于对执行所述住宿供给召回操作所召回的住宿供给，进行排序展示。

9.一种电子设备，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7任意一项所述的住宿供给推荐方法。

10.一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7任意一项所述的住宿供给推荐方法的步骤。

Images