CN113724039A - Ota网站的酒店推荐方法、系统、设备及可读存储介质 - Google Patents
Ota网站的酒店推荐方法、系统、设备及可读存储介质 Download PDFInfo
- Publication number
- CN113724039A CN113724039A CN202110885035.8A CN202110885035A CN113724039A CN 113724039 A CN113724039 A CN 113724039A CN 202110885035 A CN202110885035 A CN 202110885035A CN 113724039 A CN113724039 A CN 113724039A
- Authority
- CN
- China
- Prior art keywords
- hotel
- data
- characteristic data
- city
- model
- 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 37
- 238000001914 filtration Methods 0.000 claims description 16
- 238000012417 linear regression Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 11
- 238000011156 evaluation Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 description 23
- 238000004364 calculation method Methods 0.000 description 8
- 238000012549 training Methods 0.000 description 8
- 230000006399 behavior Effects 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000010606 normalization Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 238000012163 sequencing technique Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 235000021152 breakfast Nutrition 0.000 description 2
- 238000012886 linear function Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
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]
- G06Q30/0631—Item recommendations
-
- 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- 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
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/12—Hotels or restaurants
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/14—Travel agencies
Abstract
本发明公开了一种OTA网站的酒店推荐方法、系统、设备及可读存储介质,方法包括:获取酒店特征数据、房型特征数据及用户输入的当前目标参数;将当前目标参数、酒店特征数据及房型特征数据输入至酒店可订率模型中以获取目标入住城市下每一酒店的预测可订率;根据预测可订率向用户推荐酒店。本发明中通过将包括历史的以及当前的酒店特征数据及房型特征数据,以及用户输入的当前目标参数输入至可订率模型可以得到用于表征每一酒店在不同的房型、不同的房态下用户下单的概率的可订率,从而可以基于可订率来预测用户的下单行为,向用户推荐酒店,本发明不仅提高了用户搜索酒店的效率,也改善了用户在预定酒店时的用户体验度。
Description
技术领域
本发明涉及在线数据处理领域,特别涉及一种OTA网站的酒店推荐方法、系统、设备及可读存储介质。
背景技术
随着社会经济的不断发展,用户出行次数增多,用户出行时一般会在OTA(在线旅游网站平台)网站预定在出行时入住的酒店,但在互联网信息急剧膨胀的前提下,用户难以在OTA网站上获取到符合其需求的酒店。在用户决定了出行目的地后,往往需要花费大量时间和精力去搜索及筛选符合自身要求的酒店。
发明内容
本发明要解决的技术问题是为了克服现有技术中当用户在OTA网站预定酒店时,难以搜索到符合其需求的酒店缺陷,提供一种减少用户搜索费力度且能够匹配到符合用户需求的OTA网站的酒店推荐方法、系统、设备及可读存储介质。
本发明是通过下述技术方案来解决上述技术问题:
本发明提供了一种OTA网站的酒店推荐方法,所述推荐方法包括:
获取酒店特征数据、房型特征数据及用户输入的当前目标参数,所述酒店特征数据包括历史酒店特征数据及实时酒店特征数据,所述房型特征数据包括历史房型特征数据和实时房型特征数据;
将所述当前目标参数、所述酒店特征数据及所述房型特征数据输入至酒店可订率模型中以获取所述目标入住城市下每一酒店的预测可订率;
根据所述预测可订率向用户推荐酒店。
较佳地,所述酒店可订率模型为基于xgboost(一种机器学习模型)模型训练出来的模型;
所述将所述当前目标参数、所述酒店特征数据及所述房型特征数据输入至酒店可订率模型中以获取所述目标入住城市下每一酒店的预测可订率具体包括以下步骤:
将所述酒店特征数据、所述房型特征数据及所述当前目标参数转换为第一数值变量并为每一所述第一数值变量分配第一权重;
将每一所述第一数值变量及对应的所述第一权重输入至酒店可订率模型中以获取所述目标入住城市下每一酒店的预测可订率。
较佳地,所述酒店特征数据具体包括:酒店的自身特征数据,所述自身特征数据包括酒店的环境特征数据、酒店的设施特征数据、酒店的设备特征数据及酒店的评价特征数据中的至少一种;和/或;
所述房型特征数据具体包括物理房型特征数据及售卖房型特征数据,所述物理房型特征数据包括房型的设施特征数据及房型的设备特征数据中的至少一种,所述售卖房型特征数据包括房型的售卖信息特征数据、房型的担保政策特征数据及房型的售卖时间特征数据中的至少一种;和/或,
所述当前目标参数具体包括目标入住城市、目标入住时间及目标退房时间。
较佳地,所述根据所述预测可订率向用户推荐酒店具体包括以下步骤:
将所述酒店特征数据及所述当前目标参数中的目标入住城市输入至酒店分数模型以获取所述目标入住城市下每一酒店的分数值,所述分数值用于表征酒店在所述目标入住城市的受欢迎程度;
根据所述预测可订率及所述分数值向用户推荐酒店。
较佳地,所述酒店分数模型为基于线性回归模型训练出来的模型;
所述将所述酒店特征数据及所述当前目标参数中的目标入住城市输入至酒店分数模型以获取所述目标入住城市下每一酒店的分数值的步骤具体包括:
将所述酒店特征数据及所述目标入住城市转换为第二数值变量并为每一所述第二数值变量分配第二权重;
将每一所述第二数值变量及对应的所述第二权重输入至酒店分数模型以获取所述目标入住城市下每一酒店的分数值。
较佳地,所述根据所述预测可订率及所述分数值向用户推荐酒店的方法具体包括:
将用户偏好数据及所述当前目标参数中的目标入住城市输入至用户偏好模型中以获取所述目标入住城市下所述用户对每一酒店的偏好值,所述用户偏好数据包括历史用户偏好数据和实时用户偏好数据;
根据所述预测可订率、所述分数值及所述偏好值生成所述目标入住城市的每一酒店的推荐分数;
根据所述推荐分数向用户推荐酒店。
较佳地,所述用户偏好模型为根据协同过滤模型训练出来的模型;
所述将用户偏好数据及所述当前目标参数中的目标入住城市输入至用户偏好模型中以获取所述目标入住城市下所述用户对每一酒店的偏好值的步骤具体包括:
将所述用户偏好数据及所述目标入住城市转换为第三数值变量并为每一所述第三数值变量分配第三权重;
将每一所述第三数值变量及对应的所述第三权重输入至所述协同过滤模型中以获取所述目标入住城市下所述用户对每一酒店的偏好值;和/或,
所述用户偏好数据包括订单数据、浏览数据、点击数据及输入数据中的至少一种。
本发明还提供了一种OTA网站的酒店推荐系统,所述推荐系统包括:目标参数获取模块、可订率获取模块及酒店推荐模块;
所述目标参数获取模块用于获取酒店特征数据、房型特征数据及用户输入的当前目标参数,所述酒店特征数据包括历史酒店特征数据及实时酒店特征数据,所述房型特征数据包括历史房型特征数据和实时房型特征数据;
所述可订率获取模块用于将所述当前目标参数、所述酒店特征数据及所述房型特征数据输入至酒店可订率模型中以获取所述目标入住城市下每一酒店的预测可订率;
所述酒店推荐模块用于根据所述预测可订率向用户推荐酒店。
较佳地,所述酒店可订率模型为基于xgboost模型训练出来的模型;
所述可订率获取模块具体用于将所述酒店特征数据、所述房型特征数据及所述当前目标参数转换为第一数值变量并为每一所述第一数值变量分配第一权重;并将每一所述第一数值变量及对应的所述第一权重输入至酒店可订率模型中以获取所述目标入住城市下每一酒店的预测可订率。
较佳地,所述酒店特征数据具体包括:酒店的自身特征数据,所述自身特征数据包括酒店的环境特征数据、酒店的设施特征数据、酒店的设备特征数据及酒店的评价特征数据中的至少一种;和/或;
所述房型特征数据具体包括物理房型特征数据及售卖房型特征数据,所述物理房型特征数据包括房型的设施特征数据及房型的设备特征数据中的至少一种,所述售卖房型特征数据包括房型的售卖信息特征数据、房型的担保政策特征数据及房型的售卖时间特征数据中的至少一种;和/或,
所述当前目标参数具体包括目标入住城市、目标入住时间及目标退房时间。
较佳地,所述酒店推荐模块具体包括:分数值获取单元及酒店推荐单元;
所述分数值获取单元用于将所述酒店特征数据及所述当前目标参数中的目标入住城市输入至酒店分数模型以获取所述目标入住城市下每一酒店的分数值,所述分数值用于表征酒店在所述目标入住城市的受欢迎程度;
所述酒店推荐单元用于根据所述预测可订率及所述分数值向用户推荐酒店。
较佳地,所述酒店分数模型为基于线性回归模型训练出来的模型;
所述分数值获取单元具体用于将所述酒店特征数据及所述目标入住城市转换为第二数值变量并为每一所述第二数值变量分配第二权重;并将每一所述第二数值变量及对应的所述第二权重输入至酒店分数模型以获取所述目标入住城市下每一酒店的分数值。
较佳地,所述酒店推荐模块具体包括还包括:偏好值获取单元,用于将用户偏好数据及所述当前目标参数中的目标入住城市输入至用户偏好模型中以获取所述目标入住城市下所述用户对每一酒店的偏好值,所述用户偏好数据包括历史用户偏好数据和实时用户偏好数据;
所述酒店推荐单元具体包括推荐分数获取子单元及推荐子单元;
所述推荐分数获取子单元用于根据所述预测可订率、所述分数值及所述偏好值生成所述目标入住城市的每一酒店的推荐分数;
所述推荐子单元用于根据所述推荐分数向用户推荐酒店。
较佳地,其特征在于所述用户偏好模型为根据协同过滤模型训练出来的模型;
所述偏好值获取单元用于将所述用户偏好数据及所述目标入住城市转换为第三数值变量并为每一所述第三数值变量分配第三权重;并将每一所述第三数值变量及对应的所述第三权重输入至所述协同过滤模型中以获取所述目标入住城市下所述用户对每一酒店的偏好值;和/或,
所述用户偏好数据包括订单数据、浏览数据、点击数据及输入数据中的至少一种。本发明还提供了一种电子设备,包括存储器、处理器及存储在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如上所述的OTA网站的酒店推荐方法。
本发明还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如上所述的OTA网站的酒店推荐方法的步骤。
在符合本领域常识的基础上,上述各优选条件,可任意组合,即得本发明各较佳实例。
发明的积极进步效果在于:本发明中通过将包括历史的以及当前的酒店特征数据及房型特征数据,以及用户输入的当前目标参数输入至可订率模型可以得到用于表征每一酒店在不同的房型、不同的房态下用户下单的概率的可订率,从而可以基于可订率来预测用户的下单行为,向用户推荐酒店,本发明不仅提高了用户搜索酒店的效率,也改善了用户在预定酒店时的用户体验度。
附图说明
图1为本发明实施例1的OTA网站的酒店推荐方法的流程图。
图2为本发明实施例1的OTA网站的酒店推荐方法的部分流程图。
图3为本发明实施例2的OTA网站的酒店推荐系统的模块示意图。
图4为本发明实施例3中的电子设备的结构示意图。
具体实施方式
下面通过实施例的方式进一步说明本发明,但并不因此将本发明限制在所述的实施例范围之中。
实施例1
本实施例提供了一种OTA网站的酒店推荐方法,如图1所示,本实施例中的OTA网站的酒店推荐方法包括:
步骤101、获取酒店特征数据、房型特征数据及用户输入的当前目标参数。
步骤102、将当前目标参数、酒店特征数据及房型特征数据输入至酒店可订率模型中以获取目标入住城市下每一酒店的预测可订率。
其中,从时间维度来说,酒店特征数据包括历史酒店特征数据及实时酒店特征数据,房型特征数据包括历史房型特征数据和实时房型特征数据。
具体的,酒店特征数据具体包括:酒店的自身特征数据,自身特征数据包括酒店的环境特征数据、酒店的设施特征数据、酒店的设备特征数据及酒店的评价特征数据。
房型特征数据具体包括物理房型特征数据及售卖房型特征数据,物理房型特征数据包括房型的设施特征数据及房型的设备特征数据,售卖房型特征数据包括房型的售卖信息特征数据、房型的担保政策特征数据及房型的售卖时间特征数据。
当前目标参数具体包括目标入住城市、目标入住时间及目标退房时间。
其中,物理房型特征数据为表征房型的硬件属性的特征数据,如房型的房型面积、床型等等,具体的,1.5m床、大床房等等,售卖房型特征数据表征的是房型在售卖市场中的售卖属性,如某一房型的历史成交价格、需信用卡担保且不可变更的房型等等,再如:高级房为物理房型特征数据,而高级房含早餐为售卖房型特征数据。
本实施例中,通过获取的酒店的自身特征数据、物理房型特征数据及售卖房型特征数据从而可以从多维度构建特征数据,为后续进行用户画像,在用户搜索时为用户推荐符合其需求的产品奠定了基础。
本实施例中,通过将包括历史的以及当前的酒店特征数据及房型特征数据,以及用户输入的当前目标参数输入至可订率模型可以得到用于表征每一酒店在不同的房型、不同的房态下用户下单的概率的可订率,从而可以基于可订率来预测用户的下单行为,向用户推荐酒店,本发明不仅提高了用户搜索酒店的效率,也改善了用户在预定酒店时的用户体验度。
在一种具体的实施方式中,酒店可订率模型为基于xgboost模型训练出来的模型。
在一种具体的实施方式中,步骤102具体包括以下步骤:
将酒店特征数据、房型特征数据及当前目标参数转换为第一数值变量并为每一第一数值变量分配第一权重;
将每一第一数值变量及对应的第一权重输入至酒店可订率模型中以获取目标入住城市下每一酒店的预测可订率。
通过xgboost模型,将每个酒店特征数据设置为一个节点。通过对每个酒店特征数据设置对应的变量,判断用户在每个分支的下单概率,分支用于表征每个可能会影响用户下单的特征数据,例如,物理房型特征数据的分支可以为房型为大床或者双床、房型有窗或者无窗,售卖房型特征数据的分支可以为付款方式为现付付款方式或者预付付款方式、取消政策为可变更取消的担保政策或者不可变更取消的担保政策等。在一种可选的实施方式中,可以根据酒店的房型特征以及房态房价得出酒店的可订率数值。
其中,为损失函数,其表征的为第i个样本的预测误差,该误差值越小越好,yi代表真实的可订率数值,代表预测的可订率数值表示树的复杂度函数,该数值越小,树的复杂度越低,泛化能力就越强,具体的,Ω(fk)的表达式如下:
其中,T表示叶子节点的个数,wj表示节点的数值,也就是每个叶子结节点的预测分数。
其中,如图2所示,在对xgboost模型训练前,还包括以下步骤:
选择关于叶子节点的酒店特征数据x,其中x=[x1、x1、...xn],满足xi∈[0,1],i=0,1,2......n,具体的,可以根据实际需求选择n的取值,如,将n的取值为37,包括:酒店设施设备、酒店的物理房型房态、酒店物理房型下各售卖房型的房态、酒店物理房型下各售卖房型的担保政策、酒店物理房型下各售卖房型的售卖价格、酒店物理房型下各售卖房型的付款方式等37个特征数据。
步骤202、获取样本数据叶子节点的分数w的样本数值,以及分裂结点的候选集。
步骤203、对样本数据进行归一化处理;
步骤205、适当选取xgboost的学习参数。
本实施例中,实时更新酒店可订率模型中每个特征数据的维度的权重,根据用户的反馈数据,调整酒店不同特征数据的维度对排序计算影响的权重。
在本实施例中,如果通过上述酒店特征数据训练出的酒店可订率模型获取的预测可订率的结果不够理想,可以对酒店特征数据进行增加或者删除以继续添加或者减少叶子节点,调整树模型结构,如,酒店特征数据还可以包括酒店周边的其它酒店起价、酒店房态数据等特征数据。
本实施例中,损失函数用泰勒展开式展开,同时用到了一阶和二阶导数,可以加快优化速度。
本实施例中,将树模型的复杂度函数加入到目标函数中,来避免过拟合,因此泛化性能较好。
本实施例中,引进了特征值采样,像随机森林那样,既能避免过拟合,又能减少计算。此外,在寻找最优分割点时,考虑到传统的贪心算法,企图寻求局部最优解,容易陷入局部最优的困境,效率较低。本实施例实现了一种近似算法,用来加速和减少内存消耗。
本实施例中,步骤102后还可以包括:
步骤103、将酒店特征数据及当前目标参数中的目标入住城市输入至酒店分数模型以获取目标入住城市下每一酒店的分数值。
其中,酒店分数模型为基于线性回归模型训练出来的模型。
在一种具体的实施方式中,步骤103具体包括以下步骤:
将酒店特征数据及目标入住城市转换为第二数值变量并为每一第二数值变量分配第二权重;
将每一第二数值变量及对应的第二权重输入至酒店分数模型以获取目标入住城市下每一酒店的分数值。
其中,步骤103中的酒店特征数据可以与步骤101中用于获取酒店可订率模型的酒店特征数据有所不同,如在步骤101中酒店特征数据的基础上,步骤103中的特征数据可以进一步包括体现酒店是否受用户欢迎的数据,如酒店在OTA网站上的点评分、酒店在OTA平台上一段时间内的点评人数、酒店在平台上的售卖状况等等。
其中,线性回归模型可以通过下述表达式来表征:
其中,hθ(x;θ)为某一酒店房型的下单概率值,x代表所有的特征数据的维度组成的向量,θ代表线性回归模型要学习的参数,xi代表各酒店的各个特征数据,目标变量y=hθ(x;θ),即为分类变量,当y=0时,表明用户不会下单,当y=1时,表明用户会下单。通过引入了一个sigmoid函数,可以将线性函数嵌入其中,当θixi得到的值大于0,则hθ(x;θ)得到的概率值大于或等于0.5,表明属于下单分类,当θixi得到的值小于0,则hθ(x;θ)小于0.5,表示属于下单分类,这样也就形成了线性回归。此外,上述线性回归模型通过损失函数利用最优化算法求解。
本实施例中,实时更新酒店分数模型中每个特征数据的维度的权重,根据用户的反馈数据,调整酒店不同特征数据的维度对排序计算影响的权重。
本实施例中,步骤103后还可以包括:
步骤104、将用户偏好数据及当前目标参数中的目标入住城市输入至用户偏好模型中以获取目标入住城市下用户对每一酒店的偏好值。
步骤105、根据预测可订率、分数值及偏好值生成目标入住城市的每一酒店的推荐分数。
步骤106、根据推荐分数向用户推荐酒店。
其中,用户偏好模型为根据协同过滤模型训练出来的模型。
步骤104具体包括:
将用户偏好数据及目标入住城市转换为第三数值变量并为每一第三数值变量分配第三权重;
将每一第三数值变量及对应的第三权重输入至协同过滤模型中以获取目标入住城市下用户对每一酒店的偏好值。
从时间维度来说,用户偏好数据包括历史用户偏好数据包括及实时用户偏好数据包括,具体而言,用户偏好数据包括订单数据、浏览数据、点击数据及输入数据等等。
本实施例中,结合每位用户的历史以及实时搜索,点击等偏好行为,预估用户此次搜索的需求。将符合客户需求的优质酒店推荐给用户,降低用户搜索酒店时的费力度。
具体的,协同过滤模型的公式如下所示:
其中,xi代表是各用户特征数据,yi代表酒店特征数据。n是代表的个数,Sx和Sy分别代表了x,y的方差,p代表相关系数,为对协同过滤模型训练的目的。
本实施例中,实时更新用户偏好模型中每个特征数据的维度的权重,根据用户的反馈数据,调整酒店不同特征数据的维度对排序计算影响的权重。
本实施例中,在计算用户偏好值时会考虑每个用户其相对值和绝对值。例如,预估用户偏好值中的价格因素时,用户在A城市的酒店订单300元,其价格为该城市下酒店价格中位数相近的价格,在用户搜索B城市下的酒店时,为其推荐酒店的价格不仅会考虑用户在B城市下单时的价格,还会考虑该价格在A城市相对值,为用户推荐的酒店也会相近于B城市的中位数价格。同时,价格的权重也会考虑时间衰减、异常数据以及城市权重等方面的因素。
本实施例中,向用户推荐的酒店除了参考每家酒店历史数据之外,还需将影响客人下单概率的实时数据加入排序中,再结合对用户历史入住酒店,用户实时点击行为等数据进行用户偏好分析,以减少将品质较差、与用户历史入住酒店相关度差别过大或者暂时已经无法预定及售卖房型并不能满足用户需求的酒店。
本实施例中,解决现有排序中仅依据酒店历史平台表现数据,并未考虑用户当前搜索下的需求以及酒店实时产品状态,无法做到实时结合酒店的产品状态,向用户推荐符合其需求的个性化酒店排序产品,从而导致用户难以找到符合其需求的酒店产品,导致用户在预定酒店时,费力度较高的缺陷。
本实施例中,根据实时预测的用于表征用户下单概率的可订率、用于表征酒店受欢迎程度的分数值、用于表征用户偏好的偏好值可以预测每个酒店的分数,由此,可以由高到低对目标城市的每个酒店进行排序,并依照排序向用户推荐酒店。
实施例2
本实施例提供了一种OTA网站的酒店推荐系统,如图3所示,本实施例中的OTA网站的酒店推荐系统包括:目标参数获取模块301、可订率获取模块302及酒店推荐模块303。
目标参数获取模块301用于获取酒店特征数据、房型特征数据及用户输入的当前目标参数。
可订率获取模块302用于将当前目标参数、酒店特征数据及房型特征数据输入至酒店可订率模型中以获取目标入住城市下每一酒店的预测可订率。
酒店推荐模块303用于根据预测可订率向用户推荐酒店。
其中,从时间维度来说,酒店特征数据包括历史酒店特征数据及实时酒店特征数据,房型特征数据包括历史房型特征数据和实时房型特征数据。
具体的,酒店特征数据具体包括:酒店的自身特征数据,自身特征数据包括酒店的环境特征数据、酒店的设施特征数据、酒店的设备特征数据及酒店的评价特征数据。
房型特征数据具体包括物理房型特征数据及售卖房型特征数据,物理房型特征数据包括房型的设施特征数据及房型的设备特征数据,售卖房型特征数据包括房型的售卖信息特征数据、房型的担保政策特征数据及房型的售卖时间特征数据。
当前目标参数具体包括目标入住城市、目标入住时间及目标退房时间。
其中,物理房型特征数据为表征房型的硬件属性的特征数据,如房型的房型面积、床型等等,具体的,1.5m床、大床房等等,售卖房型特征数据表征的是房型在售卖市场中的售卖属性,如某一房型的历史成交价格、需信用卡担保且不可变更的房型等等,再如:高级房为物理房型特征数据,而高级房含早餐为售卖房型特征数据。
本实施例中,通过获取的酒店的自身特征数据、物理房型特征数据及售卖房型特征数据从而可以从多维度构建特征数据,为后续进行用户画像,在用户搜索时为用户推荐符合其需求的产品奠定了基础。
本实施例中,通过将包括历史的以及当前的酒店特征数据及房型特征数据,以及用户输入的当前目标参数输入至可订率模型可以得到用于表征每一酒店在不同的房型、不同的房态下用户下单的概率的可订率,从而可以基于可订率来预测用户的下单行为,向用户推荐酒店,本发明不仅提高了用户搜索酒店的效率,也改善了用户在预定酒店时的用户体验度。
在一种具体的实施方式中,酒店可订率模型为基于xgboost模型训练出来的模型。
在一种具体的实施方式中,可订率获取模块302具体用于将酒店特征数据、房型特征数据及当前目标参数转换为第一数值变量并为每一第一数值变量分配第一权重;并将每一第一数值变量及对应的第一权重输入至酒店可订率模型中以获取目标入住城市下每一酒店的预测可订率。
通过xgboost模型,将每个酒店特征数据设置为一个节点。通过对每个酒店特征数据设置对应的变量,判断用户在每个分支的下单概率,分支用于表征每个可能会影响用户下单的特征数据,例如,物理房型特征数据的分支可以为房型为大床或者双床、房型有窗或者无窗,售卖房型特征数据的分支可以为付款方式为现付付款方式或者预付付款方式、取消政策为可变更取消的担保政策或者不可变更取消的担保政策等。在一种可选的实施方式中,可以根据酒店的房型特征以及房态房价得出酒店的可订率数值。
其中,为损失函数,其表征的为第i个样本的预测误差,该误差值越小越好,yi代表真实的可订率数值,代表预测的可订率数值表示树的复杂度函数,该数值越小,树的复杂度越低,泛化能力就越强,具体的,Ω(fk)的表达式如下:
其中,T表示叶子节点的个数,wj表示节点的数值,也就是每个叶子结节点的预测分数。
其中,在对xgboost模型训练前,本实施例中还需要执行以下操作:
其中,选择关于叶子节点的酒店特征数据x,其中x=[x1、x1、...xn],满足xi∈[0,1],i=0,1,2......n,具体的,可以根据实际需求选择n的取值,如,将n的取值为37,包括:酒店设施设备、酒店的物理房型房态、酒店物理房型下各售卖房型的房态、酒店物理房型下各售卖房型的担保政策、酒店物理房型下各售卖房型的售卖价格、酒店物理房型下各售卖房型的付款方式等37个特征数据。
获取样本数据叶子节点的分数w的样本数值,以及分裂结点的候选集。
对样本数据进行归一化处理;
适当选取xgboost的学习参数。
本实施例中,实时更新酒店可订率模型中每个特征数据的维度的权重,根据用户的反馈数据,调整酒店不同特征数据的维度对排序计算影响的权重。
在本实施例中,如果通过上述酒店特征数据训练出的酒店可订率模型获取的预测可订率的结果不够理想,可以对酒店特征数据进行增加或者删除以继续添加或者减少叶子节点,调整树模型结构,如,酒店特征数据还可以包括酒店周边的其它酒店起价、酒店房态数据等特征数据。
本实施例中,损失函数用泰勒展开式展开,同时用到了一阶和二阶导数,可以加快优化速度。
本实施例中,将树模型的复杂度函数加入到目标函数中,来避免过拟合,因此泛化性能较好。
本实施例中,引进了特征值采样,像随机森林那样,既能避免过拟合,又能减少计算。此外,在寻找最优分割点时,考虑到传统的贪心算法,企图寻求局部最优解,容易陷入局部最优的困境,效率较低。本实施例实现了一种近似算法,用来加速和减少内存消耗。
在一种具体的实施方式中,酒店推荐模块303具体包括:分数值获取单元3031及酒店推荐单元3033。
分数值获取单元3031用于将酒店特征数据及当前目标参数中的目标入住城市输入至酒店分数模型以获取目标入住城市下每一酒店的分数值,分数值用于表征酒店在目标入住城市的受欢迎程度;
酒店推荐单元3033用于根据预测可订率及分数值向用户推荐酒店。
在一种具体的实施方式中,酒店分数模型为基于线性回归模型训练出来的模型;
分数值获取单元3031具体用于将酒店特征数据及目标入住城市转换为第二数值变量并为每一第二数值变量分配第二权重;并将每一第二数值变量及对应的第二权重输入至酒店分数模型以获取目标入住城市下每一酒店的分数值。
其中,分数值获取单元3031使用的酒店特征数据可以与目标参数获取模块301使用的酒店特征数据有所不同,如在目标参数获取模块301中获取的酒店特征数据的基础上分数值获取单元3031中的特征数据可以进一步包括体现酒店是否受用户欢迎的数据,如酒店在OTA网站上的点评分、酒店在OTA平台上一段时间内的点评人数、酒店在平台上的售卖状况等等。
其中,线性回归模型可以通过下述表达式来表征:
其中,hθ(x;θ)为某一酒店房型的下单概率值,x代表所有的特征数据的维度组成的向量,θ代表线性回归模型要学习的参数,xi代表各酒店的各个特征数据,目标变量y=hθ(x;θ),即为分类变量,当y=0时,表明用户不会下单,当y=1时,表明用户会下单。通过引入了一个sigmoid函数,可以将线性函数嵌入其中,当θixi得到的值大于0,则hθ(x;θ)得到的概率值大于或等于0.5,表明属于下单分类,当θixi得到的值小于0,则hθ(x;θ)小于0.5,表示属于下单分类,这样也就形成了线性回归。此外,上述线性回归模型通过损失函数利用最优化算法求解。
本实施例中,实时更新酒店分数模型中每个特征数据的维度的权重,根据用户的反馈数据,调整酒店不同特征数据的维度对排序计算影响的权重。在一种具体的实施方式中,酒店推荐模块303具体包括还包括:偏好值获取单元3032,用于将用户偏好数据及当前目标参数中的目标入住城市输入至用户偏好模型中以获取目标入住城市下用户对每一酒店的偏好值,用户偏好数据包括历史用户偏好数据和实时用户偏好数据;
酒店推荐单元3033具体包括推荐分数获取子单元及推荐子单元;
推荐分数获取子单元用于根据预测可订率、分数值及偏好值生成目标入住城市的每一酒店的推荐分数;
推荐子单元用于根据推荐分数向用户推荐酒店。
其中,从时间维度来说,用户偏好数据包括历史用户偏好数据包括及实时用户偏好数据包括,具体而言,用户偏好数据包括订单数据、浏览数据、点击数据及输入数据等等。
在一种具体的实施方式中,用户偏好模型为根据协同过滤模型训练出来的模型。
在一种具体的实施方式中,偏好值获取单元3032用于将用户偏好数据及目标入住城市转换为第三数值变量并为每一第三数值变量分配第三权重;并将每一第三数值变量及对应的第三权重输入至协同过滤模型中以获取目标入住城市下用户对每一酒店的偏好值。
本实施例中,结合每位用户的历史以及实时搜索,点击等偏好行为,预估用户此次搜索的需求。将符合客户需求的优质酒店推荐给用户,降低用户搜索酒店时的费力度。
具体的,协同过滤模型的公式如下所示:
其中,xi代表是各用户特征数据,yi代表酒店特征数据。n是代表的个数,Sx和Sy分别代表了x,y的方差,p代表相关系数,为对协同过滤模型训练的目的。
本实施例中,实时更新用户偏好模型中每个特征数据的维度的权重,根据用户的反馈数据,调整酒店不同特征数据的维度对排序计算影响的权重。
本实施例中,在计算用户偏好值时会考虑每个用户其相对值和绝对值。例如,预估用户偏好值中的价格因素时,用户在A城市的酒店订单300元,其价格为该城市下酒店价格中位数相近的价格,在用户搜索B城市下的酒店时,为其推荐酒店的价格不仅会考虑用户在B城市下单时的价格,还会考虑该价格在A城市相对值,为用户推荐的酒店也会相近于B城市的中位数价格。同时,价格的权重也会考虑时间衰减、异常数据以及城市权重等方面的因素。
本实施例中,向用户推荐的酒店除了参考每家酒店历史数据之外,还需将影响客人下单概率的实时数据加入排序中,再结合对用户历史入住酒店,用户实时点击行为等数据进行用户偏好分析,以减少将品质较差、与用户历史入住酒店相关度差别过大或者暂时已经无法预定及售卖房型并不能满足用户需求的酒店。
本实施例中,解决现有排序中仅依据酒店历史平台表现数据,并未考虑用户当前搜索下的需求以及酒店实时产品状态,无法做到实时结合酒店的产品状态,向用户推荐符合其需求的个性化酒店排序产品,从而导致用户难以找到符合其需求的酒店产品,导致用户在预定酒店时,费力度较高的缺陷。
本实施例中,根据实时预测的用于表征用户下单概率的可订率、用于表征酒店受欢迎程度的分数值、用于表征用户偏好的偏好值可以预测每个酒店的分数,由此,可以由高到低对目标城市的每个酒店进行排序,并依照排序向用户推荐酒店。
实施例3
本实施例提供一种电子设备,电子设备可以通过计算设备的形式表现(例如可以为服务器设备),包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其中处理器执行计算机程序时可以实现实施例1中OTA网站的酒店推荐方法。
图4示出了本实施例的硬件结构示意图,如图4所示,电子设备9具体包括:
至少一个处理器91、至少一个存储器92以及用于连接不同系统组件(包括处理器91和存储器92)的总线93,其中:
总线93包括数据总线、地址总线和控制总线。
存储器92包括易失性存储器,例如随机存取存储器(RAM)921和/或高速缓存存储器922,还可以进一步包括只读存储器(ROM)923。
存储器92还包括具有一组(至少一个)程序模块924的程序/实用工具925,这样的程序模块924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。
处理器91通过运行存储在存储器92中的计算机程序,从而执行各种功能应用以及数据处理,例如本发明实施例1-实施例3中OTA网站的酒店推荐方法。
电子设备9进一步可以与一个或多个外部设备94(例如键盘、指向设备等)通信。这种通信可以通过输入/输出(I/O)接口95进行。并且,电子设备9还可以通过网络适配器96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96通过总线93与电子设备9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9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、冗余处理器、外部磁盘驱动阵列、RAID(磁盘阵列)系统、磁带驱动器以及数据备份存储系统等。
应当注意,尽管在上文详细描述中提及了电子设备的若干单元/模块或子单元/模块,但是这种划分仅仅是示例性的并非强制性的。实际上,根据本申请的实施方式,上文描述的两个或更多单元/模块的特征和功能可以在一个单元/模块中具体化。反之,上文描述的一个单元/模块的特征和功能可以进一步划分为由多个单元/模块来具体化。
实施例4
本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,所述程序被处理器执行时实现实施例1中OTA网站的酒店推荐方法的步骤。
其中,可读存储介质可以采用的更具体可以包括但不限于:便携式盘、硬盘、随机存取存储器、只读存储器、可擦拭可编程只读存储器、光存储器件、磁存储器件或上述的任意合适的组合。
在可能的实施方式中,本发明还可以实现为一种程序产品的形式,其包括程序代码,当所述程序产品在终端设备上运行时,所述程序代码用于使所述终端设备执行实现实施例1中OTA网站的酒店推荐方法的步骤。
其中,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的程序代码,所述程序代码可以完全地在用户设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户设备上部分在远程设备上执行或完全在远程设备上执行。
虽然以上描述了本发明的具体实施方式,但是本领域的技术人员应当理解,这仅是举例说明,本发明的保护范围是由所附权利要求书限定的。本领域的技术人员在不背离本发明的原理和实质的前提下,可以对这些实施方式做出多种变更或修改,但这些变更和修改均落入本发明的保护范围。
Claims (16)
1.一种OTA网站的酒店推荐方法,其特征在于,所述推荐方法包括:
获取酒店特征数据、房型特征数据及用户输入的当前目标参数,所述酒店特征数据包括历史酒店特征数据及实时酒店特征数据,所述房型特征数据包括历史房型特征数据和实时房型特征数据;
将所述当前目标参数、所述酒店特征数据及所述房型特征数据输入至酒店可订率模型中以获取目标入住城市下每一酒店的预测可订率;
根据所述预测可订率向用户推荐酒店。
2.如权利要求1所述的OTA网站的酒店推荐方法,其特征在于,所述酒店可订率模型为基于xgboost模型训练出来的模型;
所述将所述当前目标参数、所述酒店特征数据及所述房型特征数据输入至酒店可订率模型中以获取所述目标入住城市下每一酒店的预测可订率具体包括以下步骤:
将所述酒店特征数据、所述房型特征数据及所述当前目标参数转换为第一数值变量并为每一所述第一数值变量分配第一权重;
将每一所述第一数值变量及对应的所述第一权重输入至酒店可订率模型中以获取所述目标入住城市下每一酒店的预测可订率。
3.如权利要求2所述的OTA网站的酒店推荐方法,其特征在于,所述酒店特征数据具体包括:酒店的自身特征数据,所述自身特征数据包括酒店的环境特征数据、酒店的设施特征数据、酒店的设备特征数据及酒店的评价特征数据中的至少一种;和/或;
所述房型特征数据具体包括物理房型特征数据及售卖房型特征数据,所述物理房型特征数据包括房型的设施特征数据及房型的设备特征数据中的至少一种,所述售卖房型特征数据包括房型的售卖信息特征数据、房型的担保政策特征数据及房型的售卖时间特征数据中的至少一种;和/或,
所述当前目标参数具体包括目标入住城市、目标入住时间及目标退房时间。
4.如权利要求1-3中任意一项所述的OTA网站的酒店推荐方法,其特征在于,所述根据所述预测可订率向用户推荐酒店具体包括以下步骤:
将所述酒店特征数据及所述当前目标参数中的目标入住城市输入至酒店分数模型以获取所述目标入住城市下每一酒店的分数值,所述分数值用于表征酒店在所述目标入住城市的受欢迎程度;
根据所述预测可订率及所述分数值向用户推荐酒店。
5.如权利要求4所述的OTA网站的酒店推荐方法,其特征在于,所述酒店分数模型为基于线性回归模型训练出来的模型;
所述将所述酒店特征数据及所述当前目标参数中的目标入住城市输入至酒店分数模型以获取所述目标入住城市下每一酒店的分数值的步骤具体包括:
将所述酒店特征数据及所述目标入住城市转换为第二数值变量并为每一所述第二数值变量分配第二权重;
将每一所述第二数值变量及对应的所述第二权重输入至酒店分数模型以获取所述目标入住城市下每一酒店的分数值。
6.如权利要求4或5所述的OTA网站的酒店推荐方法,其特征在于,所述根据所述预测可订率及所述分数值向用户推荐酒店的方法具体包括:
将用户偏好数据及所述当前目标参数中的目标入住城市输入至用户偏好模型中以获取所述目标入住城市下所述用户对每一酒店的偏好值,所述用户偏好数据包括历史用户偏好数据和实时用户偏好数据;
根据所述预测可订率、所述分数值及所述偏好值生成所述目标入住城市的每一酒店的推荐分数;
根据所述推荐分数向用户推荐酒店。
7.如权利要求6所述的OTA网站的酒店推荐方法,其特征在于,所述用户偏好模型为根据协同过滤模型训练出来的模型;
所述将用户偏好数据及所述当前目标参数中的目标入住城市输入至用户偏好模型中以获取所述目标入住城市下所述用户对每一酒店的偏好值的步骤具体包括:
将所述用户偏好数据及所述目标入住城市转换为第三数值变量并为每一所述第三数值变量分配第三权重;
将每一所述第三数值变量及对应的所述第三权重输入至所述协同过滤模型中以获取所述目标入住城市下所述用户对每一酒店的偏好值;和/或,
所述用户偏好数据包括订单数据、浏览数据、点击数据及输入数据中的至少一种。
8.一种OTA网站的酒店推荐系统,其特征在于,所述推荐系统包括:目标参数获取模块、可订率获取模块及酒店推荐模块;
所述目标参数获取模块用于获取酒店特征数据、房型特征数据及用户输入的当前目标参数,所述酒店特征数据包括历史酒店特征数据及实时酒店特征数据,所述房型特征数据包括历史房型特征数据和实时房型特征数据;
所述可订率获取模块用于将所述当前目标参数、所述酒店特征数据及所述房型特征数据输入至酒店可订率模型中以获取目标入住城市下每一酒店的预测可订率;
所述酒店推荐模块用于根据所述预测可订率向用户推荐酒店。
9.如权利要求8所述的OTA网站的酒店推荐系统,其特征在于,所述酒店可订率模型为基于xgboost模型训练出来的模型;
所述可订率获取模块具体用于将所述酒店特征数据、所述房型特征数据及所述当前目标参数转换为第一数值变量并为每一所述第一数值变量分配第一权重;并将每一所述第一数值变量及对应的所述第一权重输入至酒店可订率模型中以获取所述目标入住城市下每一酒店的预测可订率。
10.如权利要求8所述的OTA网站的酒店推荐系统,其特征在于,所述酒店特征数据具体包括:酒店的自身特征数据,所述自身特征数据包括酒店的环境特征数据、酒店的设施特征数据、酒店的设备特征数据及酒店的评价特征数据中的至少一种;和/或;
所述房型特征数据具体包括物理房型特征数据及售卖房型特征数据,所述物理房型特征数据包括房型的设施特征数据及房型的设备特征数据中的至少一种,所述售卖房型特征数据包括房型的售卖信息特征数据、房型的担保政策特征数据及房型的售卖时间特征数据中的至少一种;和/或,
所述当前目标参数具体包括目标入住城市、目标入住时间及目标退房时间。
11.如权利要求8-10中任意一项所述的OTA网站的酒店推荐系统,其特征在于,所述酒店推荐模块具体包括:分数值获取单元及酒店推荐单元;
所述分数值获取单元用于将所述酒店特征数据及所述当前目标参数中的目标入住城市输入至酒店分数模型以获取所述目标入住城市下每一酒店的分数值,所述分数值用于表征酒店在所述目标入住城市的受欢迎程度;
所述酒店推荐单元用于根据所述预测可订率及所述分数值向用户推荐酒店。
12.如权利要求11所述的OTA网站的酒店推荐系统,其特征在于,所述酒店分数模型为基于线性回归模型训练出来的模型;
所述分数值获取单元具体用于将所述酒店特征数据及所述目标入住城市转换为第二数值变量并为每一所述第二数值变量分配第二权重;并将每一所述第二数值变量及对应的所述第二权重输入至酒店分数模型以获取所述目标入住城市下每一酒店的分数值。
13.如权利要求11或12所述的OTA网站的酒店推荐系统,其特征在于,所述酒店推荐模块具体包括还包括:偏好值获取单元,用于将用户偏好数据及所述当前目标参数中的目标入住城市输入至用户偏好模型中以获取所述目标入住城市下所述用户对每一酒店的偏好值,所述用户偏好数据包括历史用户偏好数据和实时用户偏好数据;
所述酒店推荐单元具体包括推荐分数获取子单元及推荐子单元;
所述推荐分数获取子单元用于根据所述预测可订率、所述分数值及所述偏好值生成所述目标入住城市的每一酒店的推荐分数;
所述推荐子单元用于根据所述推荐分数向用户推荐酒店。
14.如权利要求13所述的OTA网站的酒店推荐系统,其特征在于所述用户偏好模型为根据协同过滤模型训练出来的模型;
所述偏好值获取单元用于将所述用户偏好数据及所述目标入住城市转换为第三数值变量并为每一所述第三数值变量分配第三权重;并将每一所述第三数值变量及对应的所述第三权重输入至所述协同过滤模型中以获取所述目标入住城市下所述用户对每一酒店的偏好值;和/或,
所述用户偏好数据包括订单数据、浏览数据、点击数据及输入数据中的至少一种。
15.一种电子设备,包括存储器、处理器及存储在存储器上并可在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权利要求1至7任一项所述的OTA网站的酒店推荐方法。
16.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7任一项所述的OTA网站的酒店推荐方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110885035.8A CN113724039A (zh) | 2021-08-03 | 2021-08-03 | Ota网站的酒店推荐方法、系统、设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110885035.8A CN113724039A (zh) | 2021-08-03 | 2021-08-03 | Ota网站的酒店推荐方法、系统、设备及可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113724039A true CN113724039A (zh) | 2021-11-30 |
Family
ID=78674672
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110885035.8A Pending CN113724039A (zh) | 2021-08-03 | 2021-08-03 | Ota网站的酒店推荐方法、系统、设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113724039A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114049181A (zh) * | 2022-01-05 | 2022-02-15 | 环球数科集团有限公司 | 基于ota的旅游住宿动态处理方法、系统和存储介质 |
CN116402587A (zh) * | 2023-05-26 | 2023-07-07 | 浙江飞猪网络技术有限公司 | 一种房型升级方法、设备和介质 |
CN116993540A (zh) * | 2023-08-10 | 2023-11-03 | 广州豆芽信息科技有限公司 | 一种酒店智慧管理的方法及系统 |
CN117350522A (zh) * | 2023-12-05 | 2024-01-05 | 山东海智星智能科技有限公司 | 一种基于多源物联网数据的智慧教室管理系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105005579A (zh) * | 2015-05-28 | 2015-10-28 | 携程计算机技术(上海)有限公司 | Ota网站中酒店房型个性化排序方法及系统 |
CN106934498A (zh) * | 2017-03-14 | 2017-07-07 | 携程旅游网络技术(上海)有限公司 | Ota网站中酒店房型的推荐方法及系统 |
-
2021
- 2021-08-03 CN CN202110885035.8A patent/CN113724039A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105005579A (zh) * | 2015-05-28 | 2015-10-28 | 携程计算机技术(上海)有限公司 | Ota网站中酒店房型个性化排序方法及系统 |
CN106934498A (zh) * | 2017-03-14 | 2017-07-07 | 携程旅游网络技术(上海)有限公司 | Ota网站中酒店房型的推荐方法及系统 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114049181A (zh) * | 2022-01-05 | 2022-02-15 | 环球数科集团有限公司 | 基于ota的旅游住宿动态处理方法、系统和存储介质 |
CN116402587A (zh) * | 2023-05-26 | 2023-07-07 | 浙江飞猪网络技术有限公司 | 一种房型升级方法、设备和介质 |
CN116402587B (zh) * | 2023-05-26 | 2023-09-26 | 浙江飞猪网络技术有限公司 | 一种房型升级方法、设备和介质 |
CN116993540A (zh) * | 2023-08-10 | 2023-11-03 | 广州豆芽信息科技有限公司 | 一种酒店智慧管理的方法及系统 |
CN117350522A (zh) * | 2023-12-05 | 2024-01-05 | 山东海智星智能科技有限公司 | 一种基于多源物联网数据的智慧教室管理系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11093992B2 (en) | Smart matching for real estate transactions | |
Zhang et al. | Can consumer-posted photos serve as a leading indicator of restaurant survival? Evidence from Yelp | |
Hu et al. | Exploring smart phone improvements based on a hybrid MCDM model | |
Pan et al. | Study on convolutional neural network and its application in data mining and sales forecasting for E-commerce | |
CN113724039A (zh) | Ota网站的酒店推荐方法、系统、设备及可读存储介质 | |
CN109190044A (zh) | 个性化推荐方法、装置、服务器和介质 | |
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 | |
CN111079014B (zh) | 基于树结构的推荐方法、系统、介质和电子设备 | |
CN107169847B (zh) | 基于机器学习模型动态调整短租房房价的系统及其方法 | |
CN109582876A (zh) | 旅游行业用户画像构造方法、装置和计算机设备 | |
CN112084413B (zh) | 一种信息推荐的方法、装置及存储介质 | |
CN106920109A (zh) | 用于电子商务虚假交易的识别方法、系统及电子商务系统 | |
CN113643103A (zh) | 基于用户相似度的产品推荐方法、装置、设备及存储介质 | |
WO2024002167A1 (zh) | 一种操作预测方法及相关装置 | |
CN111429214B (zh) | 一种基于交易数据的买卖双方匹配方法及装置 | |
CN111695024A (zh) | 对象评估值的预测方法及系统、推荐方法及系统 | |
CN111429161A (zh) | 特征提取方法、特征提取装置、存储介质及电子设备 | |
CN111814050A (zh) | 旅游场景强化学习模拟环境构建方法、系统、设备和介质 | |
CN115827841A (zh) | 搜索方法及装置 | |
CN115204931A (zh) | 用户服务策略确定方法、装置及电子设备 | |
JP2021105838A (ja) | 予測システム、予測方法、及びプログラム | |
CN113379482B (zh) | 一种物品推荐方法、计算设备以及存储介质 | |
Berko et al. | Planning the activities of intellectual agents in the electronic commerce systems | |
KR102581301B1 (ko) | 욕구/원인 키워드를 포함하는 사용자 키워드리스트의 운용에 따른 사용자 표출 구매 원인 및 욕구 통찰 방식의 소비 플랫폼 제공방법 | |
KR102630611B1 (ko) | 지도 기반 상권분석을 이용한 가상 프랜차이즈 창업 시뮬레이션 서비스 제공 시스템 |
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 |