CN113094602A - 酒店推荐方法、系统、设备及介质 - Google Patents
酒店推荐方法、系统、设备及介质 Download PDFInfo
- Publication number
- CN113094602A CN113094602A CN202110385340.0A CN202110385340A CN113094602A CN 113094602 A CN113094602 A CN 113094602A CN 202110385340 A CN202110385340 A CN 202110385340A CN 113094602 A CN113094602 A CN 113094602A
- Authority
- CN
- China
- Prior art keywords
- hotel
- user
- preset
- prediction model
- target
- 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.)
- Granted
Links
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
- G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Probability & Statistics with Applications (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供了一种酒店推荐方法、系统、设备及存储介质,包括步骤:获取多个用户在自预设日期之前的一预设周期内的历史维度数据,以及每一用户在预设日期的第一个订单对应的酒店信息;构建酒店预测模型;基于酒店预测模型、所有用户各自的历史维度数据,分别构建每一用户的用户特征向量;基于酒店信息,提取酒店特征向量;基于酒店预测模型、每一用户的用户特征向量以及酒店特征向量,计算每一用户的训练值,将训练值最大的用户对应的模型权重作为酒店预测模型的目标权重,生成目标预测模型;利用目标预测模型对备选酒店进行预测,将预测值最大的备选酒店推荐给目标用户;本申请利于提升对用户的酒店推荐效果,降低了用户查找酒店的费力度。
Description
技术领域
本发明涉及计算机技术领域,具体地说,涉及一种酒店推荐方法、系统、设备及存储介质。
背景技术
目前OTA(Online Travel Agency,在线旅行社)行业中,当用户需要选择酒店住宿时,现有技术一般基于用户的地理位置信息,由近及远向用户推荐酒店;或者基于酒店销量的排序推荐方法,该方法考虑了酒店的受欢迎度的情况,将销量高的酒店排在前面,销量低的酒店排在后面以方便用户做出选择。不同的OTA平台还有其他种类的排序方式,如根据酒店价格排序、根据用户收藏情况进行排序等等。上述这些现有技术中的酒店推荐方法推荐效果不佳,有待改善。
发明内容
针对现有技术中的问题,本发明的目的在于提供一种酒店推荐方法、系统、设备及存储介质,提升酒店推荐效果,减少用户搜索次数。
为实现上述目的,本发明提供了一种酒店推荐方法,所述方法包括以下步骤:
S110,获取多个用户在自预设日期之前的一预设周期内的历史维度数据,以及每一用户在所述预设日期的第一个订单对应的酒店信息;
S120,构建酒店预测模型;
S130,基于所述酒店预测模型、所有用户各自的历史维度数据,分别构建每一用户的用户特征向量;基于所述酒店信息,提取酒店特征向量;
S140,基于所述酒店预测模型、每一用户的用户特征向量以及所述酒店特征向量,计算每一用户的训练值,将训练值最大的用户对应的模型权重作为酒店预测模型的目标权重,生成目标预测模型;
S150,利用所述目标预测模型对备选酒店进行预测,将预测值最大的备选酒店推荐给目标用户。
可选地,所述步骤S130包括:
对所有用户的历史维度数据按照预设标签类型和预设行为类型进行划分;
基于所述历史维度数据,利用贝叶斯算法计算得到第一概率参数和第二概率参数;
基于所述历史维度数据、所述第一概率参数和第二概率参数,分别计算用户在各个预设行为类型下对每个预设标签类型的酒店的偏好值;
基于用户在各个预设标签类型下对每个预设行为类型的偏好值,构建用户特征向量。
可选地,所述偏好值通过以下公式计算得到:
其中,Pre表示所述偏好值,PVa表示用户在一预设行为类型下归属于预设标签类型的历史维度数据的数量;PVt表示归属于所述预设行为类型的历史维度数据的数量;α表示所述第一概率参数,β表示所述第二概率参数。
可选地,所述用户特征向量为:
其中,
ak=[Prek1,...Prekq,...PrekM]
N表示所述预设行为类型的个数,M表示所述预设标签类型的个数,Prekq表示用户在第k个预设行为类型下对归属于第q个预设标签类型的酒店的偏好值;wk表示第k个预设行为类型对应的权重;A表示用户特征向量。
可选地,在所述酒店特征向量中,用户在所述预设日期的第一个订单对应的酒店信息中包含的预设标签类型对应位置的元素设为1,其余位置的元素设为0。
可选地,所述酒店预测模型包括TF-IDF算法和余弦相似度算法;所述步骤S140中,每一用户的训练值基于所述余弦相似度算法通过以下公式计算得到:
其中,similarity(A,B)表示所述训练值,M表示所述预设标签类型的个数,Ai表示用户特征向量的第i个元素,Bi表示酒店特征向量的第i个元素。
可选地,所述步骤S150包括:
获取待预测的目标用户的历史行为数据和备选酒店信息;
利用所述目标预测模型基于目标用户的历史行为数据,提取目标用户的第一特征向量;基于备选酒店信息,提取备选酒店的第二特征向量;
利用目标预测模型基于所述第一特征向量和第二特征向量,计算各个备选酒店对应的余弦相似度,将余弦相似度最大的备选酒店推荐给目标用户。
本发明还提供了一种酒店推荐系统,用于实现上述酒店推荐方法,所述系统包括:
历史数据获取模块,用于获取多个用户在自预设日期之前的一预设周期内的历史维度数据,以及每一用户在所述预设日期的第一个订单对应的酒店信息;
模型构建模块,用于构建酒店预测模型;
特征向量获取模块,基于所述酒店预测模型、所有用户各自的历史维度数据,分别构建每一用户的用户特征向量;基于所述酒店信息,提取酒店特征向量;
目标预测模型生成模块,基于所述酒店预测模型、每一用户的用户特征向量以及所述酒店特征向量,计算每一用户的训练值,将训练值最大的用户对应的模型权重作为酒店预测模型的目标权重,生成目标预测模型;
推荐模块,用于利用所述目标预测模型对备选酒店进行预测,将预测值最大的备选酒店推荐给目标用户。
本发明还提供了一种酒店推荐设备,包括:
处理器;
存储器,其中存储有所述处理器的可执行指令;
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项酒店推荐方法的步骤。
本发明还提供了一种计算机可读存储介质,用于存储程序,所述程序被处理器执行时实现上述任意一项酒店推荐方法的步骤。
本发明与现有技术相比,具有以下优点及突出性效果:
本发明提供的酒店推荐方法、系统、设备及存储介质根据多个用户分别在一历史时间段内的历史行为数据构建用户特征向量,利用历史时间段的最后一天的用户下单数据构建酒店特征向量,基于余弦相似度算法确定模型权重,利用生成的目标预测模型预测酒店,有利于提升酒店推荐效果,减少用户的搜索次数,降低用户查找酒店的费力度,提高订单转化率。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显。
图1为本发明一实施例公开的一种酒店推荐方法的示意图;
图2为本发明一实施例公开的酒店推荐方法中步骤S130的示意图;
图3为本发明一实施例公开的一种酒店推荐系统的结构示意图;
图4为本发明一实施例公开的一种酒店推荐设备的结构示意图;
图5为本发明一实施例公开的一种计算机可读存储介质的结构示意图。
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实施方式。相反,提供这些实施方式使得本发明将全面和完整,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。在图中相同的附图标记表示相同或类似的结构,因而将省略对它们的重复描述。
如图1所示,本发明一实施例公开了一种酒店推荐方法,该方法包括以下步骤:
S110,获取多个用户在自预设日期之前的一预设周期内的历史维度数据,以及每一用户在上述预设日期的第一个订单对应的酒店信息。具体来说,历史维度数据包括历史行为数据和历史订单数据。历史行为数据可以包含有点击行为、收藏行为、搜索行为等行为上的数据。酒店信息可以包含有酒店名称、酒店ID、酒店归属的预设标签类型等。预设标签类型可以包含民宿、青年旅社、高端连锁等。比如,该步骤中获取多个用户在2021年3月31日之前的一个月内(也即2021年3月份)的历史维度数据。以及每个用户在2021年3月31日的第一个订单对应的酒店信息。此时预设日期即为2021年3月31,预设周期即为1个月。
需要说明的是,本申请对上述历史行为数据、历史订单数据和酒店信息等的内容均不作限制。
S120,构建酒店预测模型。本实施例中,上述酒店预测模型包括TF-IDF(termfrequency–inverse document frequency,词频-逆文本频率指数)算法和余弦相似度算法。TF-IDF算法可以用于后续步骤中构建用户特征向量和酒店特征向量。余弦相似度算法用于计算用户特征向量和酒店特征向量之间的相似度。
S130,基于上述酒店预测模型、所有用户各自的历史维度数据,分别构建每一用户的用户特征向量;基于上述酒店信息,提取酒店特征向量。
具体来说,如图2所示,上述步骤S130包括:
S131,对所有用户的历史维度数据按照预设标签类型和预设行为类型进行划分。预设标签类型可以包含有民宿、青年旅社、高端连锁等。预设行为类型可以包含有点击行为、收藏行为、搜索行为等。
S132,基于上述历史维度数据,利用贝叶斯算法计算得到第一概率参数和第二概率参数。第一概率参数和第二概率参数均为先验参数。该步骤中是利用所有用户的历史维度数据基于贝叶斯算法计算得到的。具体计算过程可参考现有技术实现,本申请不再赘述。其中,对每一预设行为类型下根据各个预设标签类型的历史维度数据计算得到的第一概率参数和第二概率参数均不同。即,一个预设行为类型和一个预设标签类型对应一组第一概率参数和第二概率参数。
S133,基于上述历史维度数据、上述第一概率参数和第二概率参数,分别计算用户在各个预设行为类型下对每个预设标签类型的酒店的偏好值。具体来说,上述偏好值通过以下公式计算得到:
其中,Pre表示在一预设行为类型下对各个预设标签类型的酒店的偏好值,PVa表示用户在一预设行为类型下归属于预设标签类型的历史维度数据的数量;PVt表示归属于上述预设行为类型的历史维度数据的数量;α表示上述第一概率参数,β表示上述第二概率参数。
由于比如在预设标签类型为民宿时,对民宿的点击行为次数为10次,全部预设标签类型的总点击行为次数为100次。对民宿的收藏行为次数为1次,全部预设标签类型的总收藏行为次数为10次。由于1和10的比例以及10与100的比例相同,而点击行为次数为100次和收藏行为次数为10次的量级不同,如果直接利用上述比例计算偏好值,将无法真实有效地得到偏好值,也即会导致计算得到的偏好值真实表征程度不够,进而导致后续计算得到的模型权重准确性无法保证。
本申请利用贝叶斯算法对上述比例进行平滑处理,使得10与100的比例占的权重更大,提高计算得到的偏好值的准确度,从而有利于提高计算得到的目标预测模型的参数的准确度。
需要说明的是,本实施例中第一概率参数α的取值范围可以是[0.2,0.4],第二概率参数β的取值范围可以是[1.6,1.9]。本申请对此不作限制。
以及S134,基于用户在各个预设标签类型下对每个预设行为类型的偏好值,构建用户特征向量。本实施例中,上述用户特征向量为:
其中,
ak=[Prek1,...Prekq,...PrekM]
N表示上述预设行为类型的个数,M表示上述预设标签类型的个数,Prekq表示用户在第k个预设行为类型下对归属于第q个预设标签类型的酒店的偏好值;wk表示第k个预设行为类型对应的权重;A表示用户特征向量。
本实施例中,在上述酒店特征向量中,用户在上述预设日期的第一个订单对应的酒店信息中包含的预设标签类型对应位置的元素设为1,其余位置的元素设为0。比如,上述预设标签类型包含民宿、青年旅社、高端连锁,三个类型对应的ID分别为0、1、2,而第一个订单对应的酒店信息中包含的预设标签类型为民宿,那么生成的酒店特征向量为[1,0,0]。
S140,基于上述酒店预测模型、每一用户的用户特征向量以及上述酒店特征向量,计算每一用户的训练值,将训练值最大的用户对应的模型权重作为酒店预测模型的目标权重,生成目标预测模型。
本实施例中,在该步骤中,每一用户的训练值基于上述余弦相似度算法通过以下公式计算得到:
其中,similarity(A,B)表示上述训练值,M表示上述预设标签类型的个数,Ai表示用户特征向量的第i个元素,Bi表示酒店特征向量的第i个元素。
将训练值最大的用户对应的各个权重wk作为酒店预测模型的相似度算法中各个权重wk的值。
本申请基于余弦相似度算法计算向量相似度,从而确定目标预测模型。相比于现有技术中的神经网络模型,计算复杂度低,计算效率高,占用系统计算资源少。
以及S150,利用上述目标预测模型对备选酒店进行预测,将预测值最大的备选酒店推荐给目标用户。具体来说,上述步骤S150包括:
S151,获取待预测的目标用户的历史行为数据和备选酒店信息。
S152,利用上述目标预测模型基于目标用户的历史行为数据,提取目标用户的第一特征向量;基于备选酒店信息,提取备选酒店的第二特征向量。
S153,利用目标预测模型基于上述第一特征向量和第二特征向量,计算各个备选酒店对应的余弦相似度,将余弦相似度最大的备选酒店推荐给目标用户。
具体来说,也即利用目标预测模型中的TF-IDF算法获取关于目标用户的第一特征向量和备选酒店的第二特征向量,然后利用目标预测模型中的余弦相似度算法计算目标用户和各个备选酒店之间的余弦相似度,将余弦相似度最大的备选酒店推荐给目标用户。
在本申请的另一实施例中,公开了另一种酒店推荐方法,该方法在上述实施例的基础上,在步骤S140和步骤S150之间还包括步骤:
取预设个数的用户在历史维度数据中预设日期之后的一天(比如2021年4月1日)的数据,以及用户浏览过的酒店信息;分别基于上述方法获取各个用户的第三特征向量和浏览过的酒店信息对应的第四特征向量;其中,在这天中所有用户存在下订单行为。
分别计算每一用户与其浏览过的酒店的特征向量之间的余弦相似度,将各个用户对应的余弦相似度最大值作为验证预测值;
计算各个用户的在该天的订单中的酒店的特征向量与用户特征向量之间的余弦相似度,作为真实值;
利用多个用户各自的真实值和验证预测值,计算覆盖率和准确率;
当所述覆盖率大于第一预设阈值,且所述准确率大于第二预设阈值时,则所述目标预测模型有效;否则对所述目标预测模型进行修正。
其中,对所述目标预测模型进行修正的措施包括:
步骤S110中采用一个新的历史维度数据,和/或步骤S130中对所有用户的历史维度数据按照新的预设标签类型和新的预设行为类型进行划分,计算偏好值时采用新的预设行为类型计算。
这样使得目标预测模型在验证不满足要求后,能够及时修正,保证了模型预测效果,利于提升酒店推荐效果。
在本申请的另一实施例中,公开了另一种酒店推荐方法,该方法在上述实施例的基础上,步骤S131包括:
对所有用户的历史维度数据按照城市名称、预设标签类型和预设行为类型进行划分。
步骤S134中,基于用户在各个城市中的每一预设标签类型下对每个预设行为类型的偏好值,构建用户在各个城市中的用户特征向量。
具体来说,比如,可能用户在一个城市喜欢民宿,另一个城市喜欢商务型酒店。这样可以实现用户在各个城市的精细化推荐效果,利于提升酒店推荐效果。
在本申请的另一实施例中,公开了另一种酒店推荐方法,该方法在上述实施例的基础上,步骤S140还包括:
当在某一城市的一预设行为类型下一预设行为类型的偏好值小于一第三预设阈值时,将其对应的权重wk设为一预设权重。
具体来说,比如对于一个城市喜欢一个民宿标签类型的人越少,说明该民宿的爱好者是一小众群体,那么当用户浏览民宿且历史预定过民宿时,说明其再次预订民宿的概率较大,所以给予偏好权重越大。利于提升酒店推荐效果。预设权重比如可以为0.8,本申请对此不作限制。
需要说明的是,本申请的上述实施例均可以进行任意组合,组合后得到的技术方案也在本申请的保护范围之内。
如图3所示,本发明一实施例还公开了一种酒店推荐系统3,该系统包括:
历史数据获取模块31,用于获取多个用户在自预设日期之前的一预设周期内的历史维度数据,以及每一用户在上述预设日期的第一个订单对应的酒店信息。
模型构建模块32,用于构建酒店预测模型。
特征向量获取模块33,基于上述酒店预测模型、所有用户各自的历史维度数据,分别构建每一用户的用户特征向量;基于上述酒店信息,提取酒店特征向量。
目标预测模型生成模块34,基于上述酒店预测模型、每一用户的用户特征向量以及上述酒店特征向量,计算每一用户的训练值,将训练值最大的用户对应的模型权重作为酒店预测模型的目标权重,生成目标预测模型。
推荐模块35,用于利用上述目标预测模型对备选酒店进行预测,将预测值最大的备选酒店推荐给目标用户。
可以理解的是,本发明的酒店推荐系统还包括其他支持酒店推荐系统运行的现有功能模块。图3显示的酒店推荐系统仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
本实施例中的酒店推荐系统用于实现上述的酒店推荐的方法,因此对于酒店推荐系统的具体实施步骤可以参照上述对酒店推荐的方法的描述,此处不再赘述。
本发明一实施例还公开了一种酒店推荐设备,包括处理器和存储器,其中存储器存储有所述处理器的可执行指令;处理器配置为经由执行可执行指令来执行上述酒店推荐方法中的步骤。图4是本发明公开的酒店推荐设备的结构示意图。下面参照图4来描述根据本发明的这种实施方式的电子设备600。图4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4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、连接不同平台组件(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,存储单元存储有程序代码,程序代码可以被处理单元610执行,使得处理单元610执行本说明书上述酒店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,处理单元610可以执行如图1中所示的步骤。
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。
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用户能与该电子设备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平台等。
本发明还公开了一种计算机可读存储介质,用于存储程序,所述程序被执行时实现上述酒店推荐方法中的步骤。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,当程序产品在终端设备上运行时,程序代码用于使终端设备执行本说明书上述酒店推荐方法中描述的根据本发明各种示例性实施方式的步骤。
如上所示,该实施例的计算机可读存储介质的程序在执行时,根据多个用户分别在一历史时间段内的历史行为数据构建用户特征向量,利用历史时间段的最后一天的用户下单数据构建酒店特征向量,基于余弦相似度算法确定模型权重,利用生成的目标预测模型预测酒店,有利于提升酒店推荐效果,减少用户的搜索次数,降低用户查找酒店的费力度,提高订单转化率。
图5是本发明的计算机可读存储介质的结构示意图。参考图5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800,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。
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。
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,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用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用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),连接到用户计算设备,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)。
本发明实施例提供的酒店推荐方法、系统、设备及存储介质根据多个用户分别在一历史时间段内的历史行为数据构建用户特征向量,利用历史时间段的最后一天的用户下单数据构建酒店特征向量,基于余弦相似度算法确定模型权重,利用生成的目标预测模型预测酒店,有利于提升酒店推荐效果,减少用户的搜索次数,降低用户查找酒店的费力度,提高订单转化率。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明,不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干简单推演或替换,都应当视为属于本发明的保护范围。
Claims (10)
1.一种酒店推荐方法,其特征在于,包括以下步骤:
S110,获取多个用户在自预设日期之前的一预设周期内的历史维度数据,以及每一用户在所述预设日期的第一个订单对应的酒店信息;
S120,构建酒店预测模型;
S130,基于所述酒店预测模型、所有用户各自的历史维度数据,分别构建每一用户的用户特征向量;基于所述酒店信息,提取酒店特征向量;
S140,基于所述酒店预测模型、每一用户的用户特征向量以及所述酒店特征向量,计算每一用户的训练值,将训练值最大的用户对应的模型权重作为酒店预测模型的目标权重,生成目标预测模型;
S150,利用所述目标预测模型对备选酒店进行预测,将预测值最大的备选酒店推荐给目标用户。
2.如权利要求1所述的酒店推荐方法,其特征在于,所述步骤S130包括:
对所有用户的历史维度数据按照预设标签类型和预设行为类型进行划分;
基于所述历史维度数据,利用贝叶斯算法计算得到第一概率参数和第二概率参数;
基于所述历史维度数据、所述第一概率参数和第二概率参数,分别计算用户在各个预设行为类型下对每个预设标签类型的酒店的偏好值;
基于用户在各个预设标签类型下对每个预设行为类型的偏好值,构建用户特征向量。
5.如权利要求2所述的酒店推荐方法,其特征在于,在所述酒店特征向量中,用户在所述预设日期的第一个订单对应的酒店信息中包含的预设标签类型对应位置的元素设为1,其余位置的元素设为0。
7.如权利要求1所述的酒店推荐方法,其特征在于,所述步骤S150包括:
获取待预测的目标用户的历史行为数据和备选酒店信息;
利用所述目标预测模型基于目标用户的历史行为数据,提取目标用户的第一特征向量;基于备选酒店信息,提取备选酒店的第二特征向量;
利用目标预测模型基于所述第一特征向量和第二特征向量,计算各个备选酒店对应的余弦相似度,将余弦相似度最大的备选酒店推荐给目标用户。
8.一种酒店推荐系统,用于实现如权利要求1所述的酒店推荐方法,其特征在于,所述系统包括:
历史数据获取模块,用于获取多个用户在自预设日期之前的一预设周期内的历史维度数据,以及每一用户在所述预设日期的第一个订单对应的酒店信息;
模型构建模块,用于构建酒店预测模型;
特征向量获取模块,基于所述酒店预测模型、所有用户各自的历史维度数据,分别构建每一用户的用户特征向量;基于所述酒店信息,提取酒店特征向量;
目标预测模型生成模块,基于所述酒店预测模型、每一用户的用户特征向量以及所述酒店特征向量,计算每一用户的训练值,将训练值最大的用户对应的模型权重作为酒店预测模型的目标权重,生成目标预测模型;
推荐模块,用于利用所述目标预测模型对备选酒店进行预测,将预测值最大的备选酒店推荐给目标用户。
9.一种酒店推荐设备,其特征在于,包括:
处理器;
存储器,其中存储有所述处理器的可执行指令;
其中,所述处理器配置为经由执行所述可执行指令来执行权利要求1至7中任意一项所述酒店推荐方法的步骤。
10.一种计算机可读存储介质,用于存储程序,其特征在于,所述程序被处理器执行时实现权利要求1至7中任意一项所述酒店推荐方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110385340.0A CN113094602B (zh) | 2021-04-09 | 2021-04-09 | 酒店推荐方法、系统、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110385340.0A CN113094602B (zh) | 2021-04-09 | 2021-04-09 | 酒店推荐方法、系统、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113094602A true CN113094602A (zh) | 2021-07-09 |
CN113094602B CN113094602B (zh) | 2023-08-29 |
Family
ID=76676468
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110385340.0A Active CN113094602B (zh) | 2021-04-09 | 2021-04-09 | 酒店推荐方法、系统、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113094602B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117332994A (zh) * | 2023-12-01 | 2024-01-02 | 青岛小帅智能科技股份有限公司 | 酒店多媒体资源分配方法、系统、电子设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111445280A (zh) * | 2020-03-10 | 2020-07-24 | 携程计算机技术(上海)有限公司 | 模型生成方法、餐馆排序方法、系统、设备和介质 |
CN112487278A (zh) * | 2019-09-11 | 2021-03-12 | 华为技术有限公司 | 推荐模型的训练方法、预测选择概率的方法及装置 |
WO2021052126A1 (zh) * | 2019-09-20 | 2021-03-25 | 平安科技(深圳)有限公司 | 产品信息推荐方法及装置、存储介质、计算机设备 |
-
2021
- 2021-04-09 CN CN202110385340.0A patent/CN113094602B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112487278A (zh) * | 2019-09-11 | 2021-03-12 | 华为技术有限公司 | 推荐模型的训练方法、预测选择概率的方法及装置 |
WO2021052126A1 (zh) * | 2019-09-20 | 2021-03-25 | 平安科技(深圳)有限公司 | 产品信息推荐方法及装置、存储介质、计算机设备 |
CN111445280A (zh) * | 2020-03-10 | 2020-07-24 | 携程计算机技术(上海)有限公司 | 模型生成方法、餐馆排序方法、系统、设备和介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117332994A (zh) * | 2023-12-01 | 2024-01-02 | 青岛小帅智能科技股份有限公司 | 酒店多媒体资源分配方法、系统、电子设备及存储介质 |
CN117332994B (zh) * | 2023-12-01 | 2024-02-20 | 青岛小帅智能科技股份有限公司 | 酒店多媒体资源分配方法、系统、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113094602B (zh) | 2023-08-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11586880B2 (en) | System and method for multi-horizon time series forecasting with dynamic temporal context learning | |
CN110825957B (zh) | 基于深度学习的信息推荐方法、装置、设备及存储介质 | |
EP3757900A1 (en) | Time series prediction with confidence estimates using sparse recurrent mixture density networks | |
Bianconi et al. | Assessing the relevance of node features for network structure | |
CN109840730B (zh) | 用于数据预测的方法及装置 | |
CN111723292B (zh) | 基于图神经网络的推荐方法、系统、电子设备及存储介质 | |
CN110880136A (zh) | 配套产品的推荐方法、系统、设备和存储介质 | |
CN109690581A (zh) | 用户指导系统及方法 | |
CN112348592A (zh) | 广告推荐方法、装置、电子设备及介质 | |
CN111754278A (zh) | 物品推荐方法、装置、计算机存储介质和电子设备 | |
CN111080417A (zh) | 用于提高预订顺畅率的处理方法、模型训练方法及系统 | |
CN110598120A (zh) | 基于行为数据的理财推荐方法及装置、设备 | |
CN113094602B (zh) | 酒店推荐方法、系统、设备及介质 | |
CN110851708B (zh) | 负样本的抽取方法、装置、计算机设备和存储介质 | |
CN113822734A (zh) | 用于生成信息的方法和装置 | |
CN107766537A (zh) | 一种职位搜索排序方法及计算设备 | |
CN116578774A (zh) | 一种预估排序方法、装置、计算机设备及存储介质 | |
US20200311762A1 (en) | System and method for analyzing the effectiveness and influence of digital online content | |
CN112989174A (zh) | 信息推荐方法及装置、介质和设备 | |
CN115760201A (zh) | 智能销售线索推荐理由生成方法及系统 | |
CN110134773A (zh) | 一种搜索推荐方法及系统 | |
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 | |
CN114117200A (zh) | 一种提升用户转化率的资源展示方法、系统和电子设备 | |
CN113762992A (zh) | 一种处理数据的方法和装置 | |
CN111105274A (zh) | 数据处理方法、装置、介质及电子设备 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |