CN113052505A - 基于人工智能的跨境文旅推荐方法、装置和设备 - Google Patents

Abstract

本申请提供一种基于人工智能的跨境文旅推荐方法、装置和设备，方法包括，获得目标用户的旅游需求意向；利用聚类算法对多个历史用户的旅游需求意向进行分类，得到由多个用户类簇组成的目标分类模型，并根据目标用户的旅游需求意向，在分类模型中确定出目标用户所属的用户类簇；将所属用户类簇中各个历史用户和相应的跨境文旅推荐方案作为训练数据集构建分类决策树；分别利用每一个验证数据集对分类决策树进行剪枝操作，得到多个剪枝后分类决策树；利用最优的剪枝后分类决策树分析目标用户的旅游需求意向，以确定目标用户的跨境文旅推荐方案；展示跨境文旅推荐方案。本方案根据用户提供的需求，可以智能推荐给客户提供更有效的跨境文旅推荐方案。

Description

基于人工智能的跨境文旅推荐方法、装置和设备

技术领域

本发明涉及人工智能技术领域，特别涉及一种基于人工智能的跨境文旅推荐方法、装置和设备。

背景技术

近年来，跨境文旅业态与其他产业不断融合，人民群众的精神文化需求已由过去缺不缺、够不够的层面转向到好不好、精不精的层面。越来越多的旅客选择跨境旅游，但是旅客无法高效、直接了解有哪些跨境景区可以选择，以及选择在哪个时间段跨境旅行。旅客需要花大量时间去旅行社或者线上网站查询资料，浪费人力和财力。

发明内容

基于上述现有技术的问题，本发明提供一种基于人工智能的跨境文旅推荐方法、装置和设备，以使跨境文旅服务流程更加高效和可靠。

本申请第一方面提供一种基于人工智能的跨境文旅推荐方法，包括：

获得目标用户的旅游需求意向；其中，所述旅游需求意向包括个人喜好，区域风险等级，法律风险，配套设施，特色景物，退税服务和金融服务；

利用聚类算法对多个历史用户的旅游需求意向进行分类，得到由多个用户类簇组成的目标分类模型，并根据所述目标用户的旅游需求意向，在所述分类模型中确定出所述目标用户所属的用户类簇；

将所述目标用户所属的用户类簇中各个历史用户，以及所述各个历史用户的跨境文旅推荐方案作为训练数据集，构建分类决策树；

获得多个验证数据集，并分别利用每一个所述验证数据集对所述分类决策树进行剪枝操作，得到多个剪枝后分类决策树；其中，所述验证数据集包括多个历史用户和所述多个历史用户的跨境文旅推荐方案，并且，每一个所述验证数据集均与所述训练数据集不同；

利用最优的剪枝后分类决策树分析所述目标用户的旅游需求意向，以确定所述目标用户的跨境文旅推荐方案；

向所述目标用户展示所述跨境文旅推荐方案。

可选的，所述利用聚类算法对多个历史用户的旅游需求意向进行分类，得到由多个用户类簇组成的目标分类模型，包括：

对预设时间段内的所有历史用户的旅游需求意向执行N次随机抽取，得到N个分类数据集；其中，每一个所述分类数据集均包括M个所述历史用户的旅游需求意向；

针对每一个所述分类数据集，利用聚类算法对所述分类数据集的各个旅游需求意向进行分类，得到所述分类数据集对应的多个用户类簇；

针对每一个所述分类数据集，计算所述分类数据集的各个用户类簇的相似度评分；

在各个所述分类数据集中，选中对应的各个用户类簇的相似度评分总和最高的分类数据集，将选中的所述分类数据集所对应的各个用户类簇组合为目标分类模型。

可选的，所述向所述目标用户展示所述跨境文旅推荐方案之后，还包括：

获得所述目标用户针对所述跨境文旅推荐方案的申请单；

确认所述申请单和所述目标用户的相关信息，并向所述目标用户展示支付界面，以提示所述目标用户支付所述跨境文旅推荐方案的相关费用。

可选的，所述利用最优的剪枝后分类决策树分析所述目标用户的旅游需求意向，以确定所述目标用户的跨境文旅推荐方案，包括：

利用交叉验证算法验证每一个所述剪枝后分类决策树的泛化预测效果；

利用泛化预测效果最好的剪枝后分类决策树分析所述目标用户的旅游需求意向，以确定所述目标用户的跨境文旅推荐方案。

本申请第二方面提供一种基于人工智能的跨境文旅推荐装置，包括：

获得单元，用于获得目标用户的旅游需求意向；其中，所述旅游需求意向包括个人喜好，区域风险等级，法律风险，配套设施，特色景物，退税服务和金融服务；

分类单元，用于利用聚类算法对多个历史用户的旅游需求意向进行分类，得到由多个用户类簇组成的目标分类模型，并根据所述目标用户的旅游需求意向，在所述分类模型中确定出所述目标用户所属的用户类簇；

构建单元，用于将所述目标用户所属的用户类簇中各个历史用户，以及所述各个历史用户的跨境文旅推荐方案作为训练数据集，构建分类决策树；

剪枝单元，用于获得多个验证数据集，并分别利用每一个所述验证数据集对所述分类决策树进行剪枝操作，得到多个剪枝后分类决策树；其中，所述验证数据集包括多个历史用户和所述多个历史用户的跨境文旅推荐方案，并且，每一个所述验证数据集均与所述训练数据集不同；

分析单元，用于利用最优的剪枝后分类决策树分析所述目标用户的旅游需求意向，以确定所述目标用户的跨境文旅推荐方案；

展示单元，用于向所述目标用户展示所述跨境文旅推荐方案。

可选的，所述分类单元利用聚类算法对多个历史用户的旅游需求意向进行分类，得到由多个用户类簇组成的目标分类模型时，具体执行：

对预设时间段内的所有历史用户的旅游需求意向执行N次随机抽取，得到N个分类数据集；其中，每一个所述分类数据集均包括M个所述历史用户的旅游需求意向；

针对每一个所述分类数据集，利用聚类算法对所述分类数据集的各个旅游需求意向进行分类，得到所述分类数据集对应的多个用户类簇；

针对每一个所述分类数据集，计算所述分类数据集的各个用户类簇的相似度评分；

在各个所述分类数据集中，选中对应的各个用户类簇的相似度评分总和最高的分类数据集，将选中的所述分类数据集所对应的各个用户类簇组合为目标分类模型。

可选的，所述装置还包括支付单元，用于：

获得所述目标用户针对所述跨境文旅推荐方案的申请单；

确认所述申请单和所述目标用户的相关信息，并向所述目标用户展示支付界面，以提示所述目标用户支付所述跨境文旅推荐方案的相关费用。

可选的，所述分析单元利用最优的剪枝后分类决策树分析所述目标用户的旅游需求意向，以确定所述目标用户的跨境文旅推荐方案时，具体用于：

利用交叉验证算法验证每一个所述剪枝后分类决策树的泛化预测效果；

利用泛化预测效果最好的剪枝后分类决策树分析所述目标用户的旅游需求意向，以确定所述目标用户的跨境文旅推荐方案。

本申请第三方面提供一种电子设备，包括存储器和处理器；

其中，所述存储器用于存储计算机程序；

所述处理器用于执行所述计算机程序，具体用于实现本申请第一方面任意一项所提供的基于人工智能的跨境文旅推荐方法。

本申请提供一种基于人工智能的跨境文旅推荐方法、装置和设备，获得目标用户的旅游需求意向；利用聚类算法对多个历史用户的旅游需求意向进行分类，得到由多个用户类簇组成的目标分类模型，并根据目标用户的旅游需求意向，在分类模型中确定出目标用户所属的用户类簇；将所属用户类簇中各个历史用户和相应的跨境文旅推荐方案作为训练数据集构建分类决策树；分别利用每一个验证数据集对分类决策树进行剪枝操作，得到多个剪枝后分类决策树；利用最优的剪枝后分类决策树分析目标用户的旅游需求意向，以确定目标用户的跨境文旅推荐方案；向目标用户展示跨境文旅推荐方案。本方案根据用户提供的需求，可以智能推荐给客户提供更有效的跨境文旅推荐方案。

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，还可以根据提供的附图获得其他的附图。

图1为本申请实施例提供的跨境文旅平台的结构示意图；

图2为本申请实施例提供的一种基于人工智能的跨境文旅推荐方法的流程图；

图3为本申请实施例提供的跨境文旅平台与客户的交互过程示意图；

图4为本申请实施例提供的一种基于人工智能的跨境文旅推荐装置的结构示意图；

图5为本申请实施例提供的一种电子设备的结构示意图。

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做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。

首先对本申请可能涉及的术语进行简要介绍：

谱聚类算法：谱聚类是一种基于图论的聚类方法，通过对样本数据的拉普拉斯矩阵的特征向量进行聚类，从而达到对样本数据聚类的目的。

分类决策树(Classification and Regression Trees，CART)：是一种决策树分类方法，采用基于最小距离的基尼指数估计函数，用于决定由该子数据集生成的决策树的拓展形。如果目标变量是标称的，称为分类树。

小批量K均值聚类算法(Mini Batch K-Means:K-Means)：按照样本之间的距离大小，将样本集划分为K个簇。让簇内的点尽量紧密的连在一起，而让簇间的距离尽量的大。Mini Batch K-Means用样本集中的一部分的样本做K-Means，这样可以避免样本量太大时的计算难题，算法收敛速度大大加快。

针对现有跨境文旅推荐服务的缺点，本申请提供一种基于人工智能的跨境文旅推荐方法，该方法的主要基于以下思路设计：

用户通过跨境文旅平台向商业银行提交需求意向，平台对客户需求初步打标签，包括个人喜好、区域风险等级(高、中、低风险地区)、法律风险(交通违规处罚条例、物品损坏赔偿条例、房屋或者租车租赁合同纠纷)、配套设施(吃穿住行游购娱等)、旅行吸引物(文化/风俗、遗址/遗迹、景观/气候、故事等)、境外退税(不同国家的退税税率、退税服务)、金融服务(保险、支付、积分、绑定支票服务)。

根据用户的需求，跨境文旅平台利用谱聚类算法、Mini Batch K-Means算法和CART分类算法，可以推算出每个用户的旅行规划(例如：跨境旅游筹备时期的区域风险等级(高、中、低风险地区)、法律风险(交通违规处罚条例、物品损坏赔偿条例、房屋或者租车租赁合同纠纷)、配套设施(吃穿住行游购娱等)、旅行吸引物(文化/风俗、遗址/遗迹、景观/气候、故事等)、境外退税(不同国家的退税税率、退税服务)、金融服务(保险、支付、积分、绑定支票服务)的需求和偏好。

主要包括：大数据和人工智能的算法将根据客户提供的个人喜好、区域风险等级、法律风险、配套设施、旅行吸引物、境外退税、金融服务等数据进行归类，试图找到数据的内在结构。通过谱聚类的标准化拉普拉斯算法计算原始样本点x转化为新的样本点y后，然后再对新的样本点y使用Mini Batch K-Means算法。为了增加算法的准确性，跨境文旅平台将会多次跑Mini Batch K-Means算法，用得到不同的随机采样集来得到聚类簇，选择其中最优的聚类簇。决策树算法很容易对训练集过拟合，从而导致泛化能力差。CART分类算法通过事后剪枝方法检测训练数据中的异常，减去准确率低的未知的数据，用独立的验证数据集对训练集生长的树进行剪枝，用交叉验证来检验剪枝后的预测效果，选择泛化预测效果最好的剪枝后的树作为最终的CART树。

最终得到推荐的跨境文旅推荐方案。跨境文旅平台将会根据用户的年龄和需求做出初步的判断，最终结合用户给的预期效果，将方案反馈给用户。例如：用户选择游乐园、亚洲国家、租车游玩、吃穿住行都齐全的地方、购物圣地、较好的退税服务、可以用信用卡支付的金融服务。系统将会根据用户提供的需求，快速匹配相似的方案并反馈给用户。

商业银行向用户提供推荐产品相关信息及注意事项。

商业银行确认用户提交的申请单及相关信息后，发送给第三方旅行机构OTA并确认订单，交易处理成功。

用户签订合同后，支付费用，商业银行代收费用。

跨境文旅场景平台显示账务信息。

本申请所提供的基于人工智能的跨境文旅推荐方法，可以由预先构建的一个计算机平台，即跨境文旅平台实现。请参考图1，该跨境文旅平台具体可以包括数据收集模块，数据存储模块，数据处理和模型预测训练模块，信息显示模块。

其中，数据收集模块：获取用户需求的各项要求内容等数据，进行收集整合动作。具体需要收集和整合的数据详见图2所对应的实施例中的步骤S201。

数据存储模块：负责将用户需求的各项要求内容等数据传到后台系统。

数据处理和模型预测训练模块：后台系统通过筛选无用数据和重复信息，重新整合有效内容和数据，形成有用数据仓库。(根据客户提供的个人喜好、区域风险等级、法律风险、配套设施、旅行吸引物、境外退税、金融服务等数据进行归类等数据进行归类，试图找到数据的内在结构)。通过谱聚类的标准化拉普拉斯算法计算原始样本点x转化为新的样本点y后，然后再对新的样本点y使用Mini Batch K-Means算法。为了增加算法的准确性，跨境文旅平台将会多次跑Mini Batch K-Means算法，用得到不同的随机采样集来得到聚类簇，选择其中最优的聚类簇。决策树算法很容易对训练集过拟合，从而导致泛化能力差。CART分类算法通过事后剪枝方法检测训练数据中的异常，减去准确率低的未知的数据，用独立的验证数据集对训练集生长的树进行剪枝，用交叉验证来检验剪枝后的预测效果，选择泛化预测效果最好的剪枝后的树作为最终的CART树。最终得到推荐的跨境文旅推荐方案。跨境文旅平台将会根据用户的年龄和需求做出初步的判断，最终结合用户给的预期效果，将方案反馈给用户。

信息显示模块：支付账务信息、产品相关信息以及推荐方案都展示在APP或者跨境文旅平台界面。

跨境文旅方案，简单理解为用户出国旅游时的行程规划，跨境文旅推荐方案，则相当于本申请的跨境文旅平台，为需要出国旅游的用户智能推荐的行程规划。本申请所提供的跨境文旅平台，以及实现的基于人工智能的跨境文旅推荐方法，其主要目的就是利用人工智能技术对需要出国旅游的用户的需求意向进行分析，从而自动为用户推荐最符合用户的需求的行程规划。

请参考图2，本申请提供的基于人工智能的跨境文旅推荐方法，可以包括如下步骤：

S201、获得目标用户的旅游需求意向。

其中，旅游需求意向包括个人喜好，区域风险等级，法律风险，配套设施，特色景物，退税服务和金融服务。特色景物，也可以称为旅行吸引物，具体可以包括文化/风俗、遗址/遗迹、景观/气候、故事等。该项体现了目标用户在选择旅游地点时的一项偏好，例如，若目标用户的旅游需求意向中，特色景物意向为景观/气候，就表示目标用户更喜欢去有特殊景观和特殊气候的地点旅游。

S202、利用聚类算法对多个历史用户的旅游需求意向进行分类，得到由多个用户类簇组成的目标分类模型，并根据目标用户的旅游需求意向，在分类模型中确定出目标用户所属的用户类簇。

S203、将目标用户所属的用户类簇中各个历史用户，以及各个历史用户的跨境文旅推荐方案作为训练数据集，构建分类决策树。

S204、获得多个验证数据集，并分别利用每一个验证数据集对分类决策树进行剪枝操作，得到多个剪枝后分类决策树。

其中，验证数据集包括多个历史用户和多个历史用户的跨境文旅推荐方案，并且，每一个验证数据集均与训练数据集不同。

S205、利用最优的剪枝后分类决策树分析目标用户的旅游需求意向，以确定目标用户的跨境文旅推荐方案。

S206、向目标用户展示跨境文旅推荐方案。

本申请提供的跨境文旅平台还可以在为用户确定跨境文旅推荐方案后，代替用户订购机票，酒店等，具体的，在步骤S206之后，本方法还可以包括：

获得目标用户针对跨境文旅推荐方案的申请单；

确认申请单和目标用户的相关信息，并向目标用户展示支付界面，以提示目标用户支付跨境文旅推荐方案的相关费用。

上述申请单具体可以包括用户通过跨境文旅平台代购的机票、酒店和门票等，跨境文旅平台在收到申请单，并确认申请单和目标用户的相关信息无误后，可以向销售机票、酒店等服务的第三方公司转发申请单，完成相应的机票和酒店的订购服务，随后，跨境文旅平台就可以显示支付界面，代替上述第三方公司向用户收取订购的各项服务的费用，也就是上述跨境文旅推荐方案的相关费用。

下面对上述各步骤的具体执行过程进行简要说明：

可选的，步骤S202，利用聚类算法对多个历史用户的旅游需求意向进行分类，得到由多个用户类簇组成的目标分类模型，具体可以包括：

对预设时间段内的所有历史用户的旅游需求意向执行N次随机抽取，得到N个分类数据集；其中，每一个分类数据集均包括M个历史用户的旅游需求意向；

针对每一个分类数据集，利用聚类算法对分类数据集的各个旅游需求意向进行分类，得到分类数据集对应的多个用户类簇；

针对每一个分类数据集，计算分类数据集的各个用户类簇的相似度评分；

在各个分类数据集中，选中对应的各个用户类簇的相似度评分总和最高的分类数据集，将选中的分类数据集所对应的各个用户类簇组合为目标分类模型。

本申请所述的历史用户，可以理解为，过去一段时间内，如可以是最近一年内，有过一次或多次已结束的跨境文旅经历，或者说出国旅游经历的用户。

假设最近一年内有10000个历史用户有过出国旅行经历，设N等于20，M等于1000，那么，可以对这10000个历史用户，执行20次随机抽取，在每一次随机抽取中，均从10000个历史用户中随机选择1000个历史用户，将这1000个历史用户的旅游需求意向组成一个分类数据集，这样就可以得到20个分类数据集，每一个分类数据集包括1000个历史用户的旅游需求意向。

然后可以针对每一个分类数据集，利用聚类算法对分类数据集的各个旅游需求意向进行分类，得到分类数据集对应的多个用户类簇。

可选的，在对每一个分类数据集进行分类之前，可以将该分类数据集中包含的各个旅游需求意向视为原始样本点，先利用谱聚类的标准化拉普拉斯算法将每一个原始样本点转换为新样本点，由此得到一个转换后的分类数据集，然后再利用聚类算法(如前述MiniBatch K-Means算法)对转换后的分类数据集进行分类，从而将这个分类数据集所涉及的各个历史用户划分为多个用户类簇。

具体来说，对于某一个分类数据集所涉及的1000个历史用户，在分类时，会将旅游需求意向相似的历史用户分为一个用户类簇，将旅游需求意向不相似的历史用户划分至不同类簇。

上述谱聚类的标准化拉普拉斯算法和聚类算法的具体实现原理，可以参考相关的现有技术，此处不再赘述。

通过上述分类，每一个分类数据集所涉及的1000个历史用户均被划分至多个用户类簇，由此，可以针对每一个分类数据集，计算分类数据集的各个用户类簇的相似度评分。

对于任意一个分类数据集的任意一个用户类簇，可以计算这个用户类簇中每两个历史用户的旅游需求意向的相似度，然后以其中最低的相似度作为该用户类簇的相似度评分，这样，假设一个分类数据集通过上述分类划分出10个用户类簇，则每一个用户类簇均可以计算得到一个相似度评分，最终这个分类数据集可以计算得到10个相似度评分。

其中，每两个旅游需求意向之间的相似度的计算，可以将这两个旅游需求意向用向量表示，然后计算两个向量的余弦相似度，具体计算过程为现有技术，此处不再赘述。

然后可以在各个分类数据集中，选中对应的各个用户类簇的相似度评分总和最高的分类数据集，将选中的分类数据集所对应的各个用户类簇组合为目标分类模型。

假设每一个分类数据集均划分为10个用户类簇，对于每一个分类数据集，可以将该分类数据集的10个相似度评分累加，得到该分类数据集的相似度评分总和，其中相似度评分总和最高的分类数据集所对应的10个用户类簇，就是最优的一组用户类簇，相应的可以将这10个用户类簇视为一个目标分类模型。

步骤S202中，在获得了目标分类模型后，可以将目标用户的旅游需求意向，逐一每个用户类簇所包含的各个历史用户的旅游需求意向进行比对，若目标分类模型中的某个用户类簇，符合该用户类簇中各个历史用户的旅游需求意向均与目标用户的旅游需求意向相似(即相似度高于一定阈值)，则可以确定目标用户属于这个用户类簇。

如前文所述，历史用户是指过去一段时间内有过出国旅行经历的用户，这些历史用户在出国旅行之前也会向本申请的跨境文旅平台提交旅游需求意向，从而获得平台反馈的跨境文旅推荐方案，步骤S203，就是将目标用户所属的用户类簇中各个历史用户，和这些历史用户出国旅行前平台生成的跨境文旅推荐方案作为训练数据集，以此来构建分类决策树。

其中，分类决策树的具体构建方法属于人工智能领域的现有技术，此处不再详述。

构建好的分类决策树包括多个叶节点，每一个叶节点均包括训练数据集中的一个或多个历史用户。例如，假设目标用户所属类簇包含200个历史用户，那么构建好的分类决策树中，可能每个叶节点均包括其中的10个历史用户。

在步骤S204中，为了防止分类决策树出现过拟合的问题，需要对分类决策树进行剪枝操作，如前文所述，此时获得多个验证数据集，并分别利用每一个验证数据集对分类决策树进行剪枝操作，得到多个剪枝后分类决策树。

其中，验证数据集是和前述训练数据集不同的数据集。

比如，训练数据集包含历史用户1至历史用户200，以及这200个历史用户的旅游意向需求，那么在步骤S204中，可以获得历史用户201至历史用户250的，以及这50个历史用户的旅游意向需求作为验证数据集1，获得历史用户251至历史用户300，以及这50个历史用户的旅游意向需求数据作为验证数据集2，以此类推，可以获得多个对应的历史用户和训练数据集不同的验证数据集，同时，分别利用每一个验证数据集进行剪枝操作。

也就是说，对于验证数据集1，用验证数据集1对步骤S203中构建的分类决策树进行剪枝，得到剪枝后分类决策树1；对于验证数据集2，用验证数据集2对构建的分类决策树进行剪枝，得到剪枝后分类决策树2，以此类推，获得了多少个验证数据集，就可以执行多少次剪枝操作，相应的就可以得到多少个剪枝后分类决策树。

对分类决策树的剪枝操作，主要是为了减少分类决策树中叶节点的数量。具体的剪枝操作的方法可以参考相关的现有技术，此处不再赘述。

可选的，利用最优的剪枝后分类决策树分析目标用户的旅游需求意向，以确定目标用户的跨境文旅推荐方案，即步骤S205，可以包括：

利用交叉验证算法验证每一个剪枝后分类决策树的泛化预测效果；

利用泛化预测效果最好的剪枝后分类决策树分析目标用户的旅游需求意向，以确定目标用户的跨境文旅推荐方案。

也就是说，在步骤S205中，可以将泛化预测效果最好的那个剪枝后分类决策树，视为最优的剪枝后分类决策树，用该决策树对目标用户的旅游需求意向进行分析，以确定目标用户的跨境文旅推荐方案。

其中，对分类决策树的交叉验证，属于决策树这一技术领域的常用技术手段，具体的验证方法可以参考相关的现有技术，此处不再赘述。

对于一个剪枝后分类决策树，通过交叉验证可以得到该决策树的一个准确度分值，准确度分值越高，表示这个剪枝后分类决策树的泛化预测效果越好，因此，步骤S205可以是选择多个剪枝后分类决策树中准确度分支最高的那个剪枝后分类决策树作为最优的剪枝后分类决策树。

如前文所述，分类决策树包含多个叶节点，每一个叶节点包含训练数据集中的多个历史用户，同样的，剪枝后分类决策树也包含多个叶节点，每个叶节点也包含多个历史用户。

因此，步骤S205中，分析目标用户的旅游意向需求以确定跨境文旅推荐方法的具体方法可以是：

根据目标用户的旅游需求意向，确定目标用户属于剪枝后分类决策树的哪一个叶节点。

不妨将剪枝后分类决策树中，目标用户所属的叶节点记为叶节点X，确定出叶节点X后，可以获取叶节点X包含的每一个历史用户的跨境文旅推荐方案，假设叶节点X包含20个历史用户，则可以获得20个跨境文旅推荐方案。

获得上述各个历史用户的跨境文旅推荐方案后，如果这些跨境文旅推荐方案完全相同，那么可以直接以其中的任意一个跨境文旅推荐方案作为目标用户的跨境文旅推荐方案输出，完成步骤S205。

如果这些跨境文旅推荐方案两两之间的相似度较高，那么可以将所有这些跨境文旅推荐方案合并，然后删除其中互相矛盾的行程规划，最终获得目标用户的跨境文旅推荐方案。

如果这些跨境文旅推荐方案两两之间的相似度较低，那么可以估算其中每一个历史用户的跨境文旅推荐方案的行程总费用，然后选择其中行程总费用最低的一个方案，作为目标用户的跨境文旅推荐方案。

在步骤S206中，可以通过图像，表格，文字说明，语音说明等多种方式向目标用户展示跨境文旅推荐方案。

本申请提供一种基于人工智能的跨境文旅推荐方法，获得目标用户的旅游需求意向；利用聚类算法对多个历史用户的旅游需求意向进行分类，得到由多个用户类簇组成的目标分类模型，并根据目标用户的旅游需求意向，在分类模型中确定出目标用户所属的用户类簇；将所属用户类簇中各个历史用户和相应的跨境文旅推荐方案作为训练数据集构建分类决策树；分别利用每一个验证数据集对分类决策树进行剪枝操作，得到多个剪枝后分类决策树；利用最优的剪枝后分类决策树分析目标用户的旅游需求意向，以确定目标用户的跨境文旅推荐方案；向目标用户展示跨境文旅推荐方案。本方案根据用户提供的需求，可以智能推荐给客户提供更有效的跨境文旅推荐方案。

请参考图3，本申请所提供的跨境文旅平台，可以基于如下的流程与目标用户交互，从而实现智能推荐跨境文旅方案，辅助订购旅行中各项服务(如机票，酒店，门票等)的功能。

客户可以向跨境文旅平台预约推荐服务，到预约时间后，客户向跨境文旅平台提交需求意向(相当于步骤S201)，然后跨境文旅平台通过分析确定跨境文旅推荐方案(相当于步骤S202至S205)，然后展示跨境文旅推荐方案给用户(即步骤S206)。

展示完成后，跨境文旅平台可以向客户提供旅途中各项服务的代购服务，具体的，客户可以提交申请单，然后跨境文旅平台确定申请单无误，将申请单转发给销售对应服务的第三方公司(即图3中的申请单确认并转发)，第三方公司处理成功后向客户反馈交易处理成功的信息，并提示客户签订电子合同，客户签订了对应服务的电子合同后，第三方公司指示跨境文旅平台代收费，然后，跨境文旅平台向客户显示支付页面，并且跨境文旅平台可以进一步在客户支付成功后显示账务信息，如显示该客户当前的账户余额等。

结合本申请实施例提供的基于人工智能的跨境文旅推荐方法，本申请实施例还提供一种基于人工智能的跨境文旅推荐装置，请参考图4，该装置可以包括如下单元：

获得单元401，用于获得目标用户的旅游需求意向；其中，旅游需求意向包括个人喜好，区域风险等级，法律风险，配套设施，特色景物，退税服务和金融服务。

分类单元402，用于利用聚类算法对多个历史用户的旅游需求意向进行分类，得到由多个用户类簇组成的目标分类模型，并根据目标用户的旅游需求意向，在分类模型中确定出目标用户所属的用户类簇。

构建单元403，用于将目标用户所属的用户类簇中各个历史用户，以及各个历史用户的跨境文旅推荐方案作为训练数据集，构建分类决策树。

剪枝单元404，用于获得多个验证数据集，并分别利用每一个验证数据集对分类决策树进行剪枝操作，得到多个剪枝后分类决策树；其中，验证数据集包括多个历史用户和多个历史用户的跨境文旅推荐方案，并且，每一个验证数据集均与训练数据集不同。

分析单元405，用于利用最优的剪枝后分类决策树分析目标用户的旅游需求意向，以确定目标用户的跨境文旅推荐方案。

展示单元406，用于向目标用户展示跨境文旅推荐方案。

可选的，分类单元利402用聚类算法对多个历史用户的旅游需求意向进行分类，得到由多个用户类簇组成的目标分类模型时，具体执行：

对预设时间段内的所有历史用户的旅游需求意向执行N次随机抽取，得到N个分类数据集；其中，每一个分类数据集均包括M个历史用户的旅游需求意向；

针对每一个分类数据集，利用聚类算法对分类数据集的各个旅游需求意向进行分类，得到分类数据集对应的多个用户类簇；

针对每一个分类数据集，计算分类数据集的各个用户类簇的相似度评分；

在各个分类数据集中，选中对应的各个用户类簇的相似度评分总和最高的分类数据集，将选中的分类数据集所对应的各个用户类簇组合为目标分类模型。

可选的，该装置还包括支付单元407，用于：

获得目标用户针对跨境文旅推荐方案的申请单；

确认申请单和目标用户的相关信息，并向目标用户展示支付界面，以提示目标用户支付跨境文旅推荐方案的相关费用。

可选的，分析单元405利用最优的剪枝后分类决策树分析目标用户的旅游需求意向，以确定目标用户的跨境文旅推荐方案时，具体用于：

利用交叉验证算法验证每一个剪枝后分类决策树的泛化预测效果；

利用泛化预测效果最好的剪枝后分类决策树分析目标用户的旅游需求意向，以确定目标用户的跨境文旅推荐方案。

本实施例所提供的装置，其具体工作原理可以参考本申请任一实施例所提供的基于人工智能的跨境文旅推荐方法中的相关步骤，此处不再赘述。

本申请提供一种基于人工智能的跨境文旅推荐装置，获得单元401获得目标用户的旅游需求意向；分类单元402利用聚类算法对多个历史用户的旅游需求意向进行分类，得到由多个用户类簇组成的目标分类模型，并根据目标用户的旅游需求意向，在分类模型中确定出目标用户所属的用户类簇；构建单元403将所属用户类簇中各个历史用户和相应的跨境文旅推荐方案作为训练数据集构建分类决策树；剪枝单元404分别利用每一个验证数据集对分类决策树进行剪枝操作，得到多个剪枝后分类决策树；分析单元405利用最优的剪枝后分类决策树分析目标用户的旅游需求意向，以确定目标用户的跨境文旅推荐方案；展示单元406向目标用户展示跨境文旅推荐方案。商业银行根据用户提供的需求，可以智能推荐给客户提供更有效的跨境文旅推荐方案。

本申请实施例还提供一种计算机存储介质，用于存储计算机程序，该计算机程序被执行时，具体用于实现本申请任一实施例所提供的基于人工智能的跨境文旅推荐方法。

本申请实施例还提供一种电子设备，如图5所示，该电子设备包括存储器501和处理器502。

其中，存储器501用于存储计算机程序。

处理器502用于执行上述计算机程序，具体用于实现本申请任一实施例所提供的基于人工智能的跨境文旅推荐方法。

最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

需要注意，本发明中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。

专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (9)

1.一种基于人工智能的跨境文旅推荐方法，其特征在于，包括：

获得目标用户的旅游需求意向；其中，所述旅游需求意向包括个人喜好，区域风险等级，法律风险，配套设施，特色景物，退税服务和金融服务；

利用聚类算法对多个历史用户的旅游需求意向进行分类，得到由多个用户类簇组成的目标分类模型，并根据所述目标用户的旅游需求意向，在所述分类模型中确定出所述目标用户所属的用户类簇；

将所述目标用户所属的用户类簇中各个历史用户，以及所述各个历史用户的跨境文旅推荐方案作为训练数据集，构建分类决策树；

获得多个验证数据集，并分别利用每一个所述验证数据集对所述分类决策树进行剪枝操作，得到多个剪枝后分类决策树；其中，所述验证数据集包括多个历史用户和所述多个历史用户的跨境文旅推荐方案，并且，每一个所述验证数据集均与所述训练数据集不同；

利用最优的剪枝后分类决策树分析所述目标用户的旅游需求意向，以确定所述目标用户的跨境文旅推荐方案；

向所述目标用户展示所述跨境文旅推荐方案。

2.根据权利要求1所述的方法，其特征在于，所述利用聚类算法对多个历史用户的旅游需求意向进行分类，得到由多个用户类簇组成的目标分类模型，包括：

对预设时间段内的所有历史用户的旅游需求意向执行N次随机抽取，得到N个分类数据集；其中，每一个所述分类数据集均包括M个所述历史用户的旅游需求意向；

针对每一个所述分类数据集，利用聚类算法对所述分类数据集的各个旅游需求意向进行分类，得到所述分类数据集对应的多个用户类簇；

针对每一个所述分类数据集，计算所述分类数据集的各个用户类簇的相似度评分；

在各个所述分类数据集中，选中对应的各个用户类簇的相似度评分总和最高的分类数据集，将选中的所述分类数据集所对应的各个用户类簇组合为目标分类模型。

3.根据权利要求1所述的方法，其特征在于，所述向所述目标用户展示所述跨境文旅推荐方案之后，还包括：

获得所述目标用户针对所述跨境文旅推荐方案的申请单；

确认所述申请单和所述目标用户的相关信息，并向所述目标用户展示支付界面，以提示所述目标用户支付所述跨境文旅推荐方案的相关费用。

4.根据权利要求1所述的方法，其特征在于，所述利用最优的剪枝后分类决策树分析所述目标用户的旅游需求意向，以确定所述目标用户的跨境文旅推荐方案，包括：

利用交叉验证算法验证每一个所述剪枝后分类决策树的泛化预测效果；

利用泛化预测效果最好的剪枝后分类决策树分析所述目标用户的旅游需求意向，以确定所述目标用户的跨境文旅推荐方案。

5.一种基于人工智能的跨境文旅推荐装置，其特征在于，包括：

获得单元，用于获得目标用户的旅游需求意向；其中，所述旅游需求意向包括个人喜好，区域风险等级，法律风险，配套设施，特色景物，退税服务和金融服务；

分类单元，用于利用聚类算法对多个历史用户的旅游需求意向进行分类，得到由多个用户类簇组成的目标分类模型，并根据所述目标用户的旅游需求意向，在所述分类模型中确定出所述目标用户所属的用户类簇；

构建单元，用于将所述目标用户所属的用户类簇中各个历史用户，以及所述各个历史用户的跨境文旅推荐方案作为训练数据集，构建分类决策树；

剪枝单元，用于获得多个验证数据集，并分别利用每一个所述验证数据集对所述分类决策树进行剪枝操作，得到多个剪枝后分类决策树；其中，所述验证数据集包括多个历史用户和所述多个历史用户的跨境文旅推荐方案，并且，每一个所述验证数据集均与所述训练数据集不同；

分析单元，用于利用最优的剪枝后分类决策树分析所述目标用户的旅游需求意向，以确定所述目标用户的跨境文旅推荐方案；

展示单元，用于向所述目标用户展示所述跨境文旅推荐方案。

6.根据权利要求5所述的装置，其特征在于，所述分类单元利用聚类算法对多个历史用户的旅游需求意向进行分类，得到由多个用户类簇组成的目标分类模型时，具体执行：

对预设时间段内的所有历史用户的旅游需求意向执行N次随机抽取，得到N个分类数据集；其中，每一个所述分类数据集均包括M个所述历史用户的旅游需求意向；

针对每一个所述分类数据集，利用聚类算法对所述分类数据集的各个旅游需求意向进行分类，得到所述分类数据集对应的多个用户类簇；

针对每一个所述分类数据集，计算所述分类数据集的各个用户类簇的相似度评分；

在各个所述分类数据集中，选中对应的各个用户类簇的相似度评分总和最高的分类数据集，将选中的所述分类数据集所对应的各个用户类簇组合为目标分类模型。

7.根据权利要求5所述的装置，其特征在于，所述装置还包括支付单元，用于：

获得所述目标用户针对所述跨境文旅推荐方案的申请单；

确认所述申请单和所述目标用户的相关信息，并向所述目标用户展示支付界面，以提示所述目标用户支付所述跨境文旅推荐方案的相关费用。

8.根据权利要求5所述的装置，其特征在于，所述分析单元利用最优的剪枝后分类决策树分析所述目标用户的旅游需求意向，以确定所述目标用户的跨境文旅推荐方案时，具体用于：

利用交叉验证算法验证每一个所述剪枝后分类决策树的泛化预测效果；

利用泛化预测效果最好的剪枝后分类决策树分析所述目标用户的旅游需求意向，以确定所述目标用户的跨境文旅推荐方案。

9.一种电子设备，其特征在于，包括存储器和处理器；

其中，所述存储器用于存储计算机程序；

所述处理器用于执行所述计算机程序，具体用于实现如权利要求1至4任意一项所述的基于人工智能的跨境文旅推荐方法。

Images