CN113779384A - 一种基于客户画像的航班推荐系统 - Google Patents
一种基于客户画像的航班推荐系统 Download PDFInfo
- Publication number
- CN113779384A CN113779384A CN202110967166.0A CN202110967166A CN113779384A CN 113779384 A CN113779384 A CN 113779384A CN 202110967166 A CN202110967166 A CN 202110967166A CN 113779384 A CN113779384 A CN 113779384A
- Authority
- CN
- China
- Prior art keywords
- passenger
- passengers
- seat
- user
- behavior
- 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
- 230000009471 action Effects 0.000 claims abstract description 23
- 238000012549 training Methods 0.000 claims abstract description 7
- 230000006399 behavior Effects 0.000 claims description 85
- 238000000034 method Methods 0.000 claims description 52
- 230000014509 gene expression Effects 0.000 claims description 42
- 230000008859 change Effects 0.000 claims description 31
- 230000008451 emotion Effects 0.000 claims description 27
- 230000006872 improvement Effects 0.000 claims description 16
- 230000001174 ascending effect Effects 0.000 claims description 15
- 238000004422 calculation algorithm Methods 0.000 claims description 14
- 238000013527 convolutional neural network Methods 0.000 claims description 13
- 230000000694 effects Effects 0.000 claims description 13
- 230000002860 competitive effect Effects 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 10
- 238000003066 decision tree Methods 0.000 claims description 9
- 238000004891 communication Methods 0.000 claims description 6
- 235000019580 granularity Nutrition 0.000 claims description 6
- 238000010801 machine learning Methods 0.000 claims description 6
- 238000005065 mining Methods 0.000 claims description 6
- 238000012706 support-vector machine Methods 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 235000014510 cooky Nutrition 0.000 claims description 3
- 238000013480 data collection Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 230000010006 flight Effects 0.000 claims description 3
- 238000003058 natural language processing Methods 0.000 claims description 3
- 230000001502 supplementing effect Effects 0.000 claims description 3
- 238000012806 monitoring device Methods 0.000 claims description 2
- 238000007637 random forest analysis Methods 0.000 claims description 2
- 230000017105 transposition Effects 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 3
- 238000010586 diagram Methods 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
- 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
- G06Q30/0241—Advertisements
- G06Q30/0251—Targeted advertisements
- G06Q30/0261—Targeted advertisements based on user location
-
- 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
- G06Q30/0241—Advertisements
- G06Q30/0251—Targeted advertisements
- G06Q30/0269—Targeted advertisements based on user profile or attribute
- G06Q30/0271—Personalized advertisement
-
- 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
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Primary Health Care (AREA)
- Tourism & Hospitality (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于客户画像的航班推荐系统,所述方法包括:收集目标用户的用户信息构建标签体系并建立用户画像;通过所述用户画像训练座位匹配模型;通过行为动作数据集建立动作—行为对照表,通过获取音频数据集建立声音—行为对照表;评估用户行为情况,得到用户的稳定性指数,制作用户行为状态表;通过用户的行为—状态表得到用户的状态,获得用户此时对附近噪音的忍耐程度,依据目标用户换位意愿分级优先地安排目标用户换到合适的位置;并考虑用户的升舱需求与商务座用户的隐私保护,最终为用户提供了最优航班的选择方案。
Description
技术领域
本发明属于航空动态规划领域,尤其是一种基于客户画像的航班推荐系统。
背景技术
随着生活水平的提高,人们对航空出行的需求大大增加,航空出行也越来越大众化,每个人都希望有一个相对舒心的出行环境,然而面对复杂多样的乘客,每一位乘客的行为特征、身份背景、爱好等各种因素都不相同,那么座位周围乘客对本次乘机体验的影响十分关键,如何通过推荐合适的航班来匹配最合适的同行乘客时问题的关键,本发明通过匹配乘客的乘客画像为乘客推荐最优航班,有效地解决了上述问题。
发明内容
本发明的目的是为了解决上述现有的缺陷,提供一种基于客户画像的航班推荐系统。
本发明的目的可以通过采取如下技术方案达到:
一种基于客户画像的航班推荐系统,其特征在于,包括:
收集所有乘客的乘客信息构建标签体系并建立乘客画像,所述乘客画像包括人口画像、兴趣画像、地理位置画像、行为画像;
构建数据库,所述数据库包括,所有乘客的如下信息:性别、年龄、学历、收入水平、消费水平、职业、所属行业、用户网页注册登录时输入的用户信息、用户网页点击次数、浏览时长、浏览频率、音频数据集和动作数据集;
通过所述乘客画像进行座位匹配;
获取目标乘客的乘机行为和换座乘客的行为;通过获取所述数据库的动作数据集,建立乘客动作—行为对照表;通过获取所述数据库的音频数据集,建立乘客声音—行为对照表;
评估目标乘客和换座乘客行为情况,得到目标乘客和换座乘客稳定性指数,制作乘客行为状态表;
通过乘客的行为—状态表得到乘客的状态,获得乘客此时对附近噪音的忍耐程度,获取接受座位推荐的目标乘客的列表,并对目标乘客的推荐意愿进行分级得出愿意动态推荐目标乘客的列表;
依据目标乘客推荐意愿分级优先地安排乘客换到合适的位置;
确定推荐的乘客列表后,获取多个推荐乘客的需求优先级排序;
基于所述客户画像进行航班服务推荐。
优选的,所述收集目标乘客的乘客信息构建标签体系并建立乘客画像,包括:
通过所述数据库获得原始数据构建事实标签;具体包括:通过网页客户端的日志文件获取用户的点击轨迹作为日志文件数据,通过TF-IDF、TopicModel主题模型对所述日志文件数据进行文本挖掘,得到用户点击文章的类型,统计用户点击相似类型文章的次数,将用户点击相似类型文章的次数作为事实标签;
通过机器学习的方法构造模型标签;具体包括:获取所述数据库中乘客的性别、年龄、学历、收入水平、消费水平和所属行业属性样本集作为模型的输入参数,对于属性缺失的样本集使用条件平均值填充法,以最大概率的取值来补充缺失的属性值,通过回归、决策树、支持向量机机器学习算法,进行模型训练,得到标签生成模型,通过所述标签生成模型输出不同用户属性的模型标签;
通过建模构造兴趣标签;具体包括:获取用户网页使用记录,所述网页使用记录包括网页使用频率、网页内容和网页使用时间,通过自然语言处理对所述使用记录进行文本挖掘,得到用户记录内容的类型,统计所述网页使用记录中相似类型内容的出现的次数,对用户兴趣进行收集,得到兴趣标签,使用机器学习的支持向量机对兴趣标签进行分类,通过在网页客户端中植入插件,用于收集用户的网页使用记录,获取网页使用频率和网页使用时间并判断用户对不同网页内容类型是否有偏好类型以及偏好程度,将所述偏好类型和偏好程度存储到对应的用户数据集,所述偏好类型包括:体育,艺术,游戏,阅读,所述偏好程度包括:重度,中等,轻微;
通过引导用户填写基本信息获取人口属性;具体包括:从所述数据库获取用户在注册登录时输入的用户信息,所述用户信息包括:年龄,性别,学历,收入水平,消费水平和行业属性,所述行业属性包括:公司业务、职位、所属业务,根据所述行业属性建立行业竞争关系网;
通过乘客行为日志中进行信息的收集;具体包括:通过埋点技术,获取来源于网页浏览记录、微博、游玩攻略多模态数据,所述多模态数据包含文本,图像,语音,以JavaScript标记的方式收集数据,从访问者的Cookie中获取访问时间、浏览记录、当前访问者的ID并发送到网站的数据收集服务器,使用递归自编码模型对文本进行分析,获取所述文本内容的概要,使用卷积神经网络模型对图像数据进行分析,获取图片的内容,使用多层感知器模型对语音数据进行分析,获取语音的内容;
基于乘客浏览的内容进行内容建模;具体包括:构建层次化的兴趣标签体系,匹配多种粒度的标签,例如,在新闻数据的处理中可以将新闻内容从粗到细分成“分类—主题—关键词”三层标签进行内容建模;
基于国家、省份、城市三种粒度建立常驻地标签;具体包括:从客户端获取乘客的IP地址信息,通过解析所述乘客的IP地址信息获得对应的国家、省份、城市,统计乘客IP对应的城市及IP出现城市的次数得到常驻城市,依据IP地址的变化,生成乘客在城市之间的出行轨迹,分析轨迹的规律识别出差人群和旅游人群;
基于GPS信息建立GPS标签;具体包括:从客户端获取GPS信息,获取乘客周边的建筑信息、道路信息,获取乘客的GPS信息,得到离乘客最近的机场,为乘客规划去机场的路线;
获取乘客的出行记录和历史行为;具体包括:获取乘客历史出行的航班号,航空公司,舱位,通过移动端收集乘客在航行期间的语音信息,获得乘客的交流内容,利用多层感知器模型分析所述语音信息,通过所述语音信息判断乘客的情绪状态,通过航班上的监控设备获取乘客在航行期间的图像数据,利用卷积神经网络分析乘客的动作信息、表情信息,构建所述动作信息、表情信息、语言信息与所述行为状态和心理状态的对照表。
优选的,所述通过所述乘客画像进行座位匹配,包括:
获取航班的座位情况,所述座位情况包括座位排列和已安排座位的乘客,所述座位情况作为输入参数使用机器学习的决策树算法训练座位匹配模型;所述座位匹配模型中第一匹配特征为乘客行为画像,第二匹配特征为乘客兴趣画像、乘客地理位置画像、乘客人口画像;
具体包括:根据乘客的行为画像得到乘客的行为状态,所述行为状态包括:安静状态和活跃状态;由兴趣画像得到乘客的活动状态,所述活动状态包括:办公、看视频、聊天;
当换座乘客为所述行为状态中的安静状态时,则所述座位匹配模型将匹配行为状态也为安静状态乘客周围的座位给所述换座乘客;当换座乘客为所述行为状态中的活跃状态,则所述座位匹配模型将再次判断乘客的兴趣画像,当所述目标乘客的兴趣画像为看视频和聊天时则可以直接批匹配,若所述换座乘客的兴趣画像为办公时则需要通过所述数据库查看所述乘客是所属行业;当兴趣画像为办公的乘客的所属行业相同时,则设置一个活两个的座位间隔,当兴趣画像为办公的乘客的所属行业不相同时,则可以直接匹配座位。
优选的,所述获取目标乘客的乘机行为和乘客的行为;所述通过获取所述数据库的行为动作数据集,建立乘客动作—行为对照表;所述通过获取所述数据库的音频数据集,建立乘客声音—行为对照表,包括:通过航班上的监控设备获取目标乘客在航班上的实时图像数据,将所述图像数据通过卷积神经网络处理得到乘客的动作识别结果,通过客户端获取乘客周围的实时声音数据,将所述声音数据通过多层感知器处理得到所述声音数据的内容,分析声音信息类别,所述声音信息类别包括:业务交流、聊天声音、游戏音效、视频声音、音乐声音,并与构建的动作—行为对照表、声音—行为对照表综合比对得出乘客的乘机行为,所述乘机行为包括工作、娱乐、聊天;
优选的,所述评估乘客行为情况,得到乘客的稳定性指数,制作乘客行为—状态表,包括:
将所述乘机行为和所述声音数据属性通过决策树算法分类得到安静的乘客和吵闹的乘客两种类别,获得声音数据属性,所述声音数据属性包括:音量大小、声音持续时间,所述音量大小按分贝大小赋予分值,将所述音量大小和所述持续时间赋予权重计算分值得到乘客的稳定性指数,所述稳定性指数越高,乘客越安静;所述稳定性指数越低,乘客越吵闹;
将乘客安静和吵闹两种状态建立行为—状态表,所述行为—状态表规定小于50dB为音量小,大于50dB为音量大,“娱乐、游戏音效、音量大”对应吵闹,“娱乐、音乐声音、音量小”对应安静。
优选的,所述通过乘客行为—状态表得到乘客的状态,获得乘客此时对附近噪音的忍耐程度,包括:
获取乘客的图像数据和乘客的状态,将所述图像数据输入卷积神经网络得到乘客的实时表情,所述实时表情包括:开心、难过、愤怒、厌恶,将所述实时表情通过SVM算法分类得到积极情绪和消极情绪两种类别;
获取乘客附近的声音数据,所述声音数据包括音量大小,声音类型;通过当次乘机第一次获取到的乘客表情得到乘客的原始表情及情绪类别,对当前图像数据中的表情变化信息和背景图像信息以及声音数据进行分析并结合目标乘客的情绪类别来判定是否是噪声引起了乘客的情绪变化;
当检测到目标乘客出现不同于原始表情的反应消极情绪的表情时,获取此时的噪声指数,结合噪声指数和噪声的持续时间,用分值高低反应噪声持续时间的长短,持续时间越长,分值越高,两分值相加得出乘客对噪声的忍耐程度,分值越高,忍耐程度越高,所述消极表情包括:难过、愤怒、厌恶。
优选的,所述获取愿意接受座位推荐的目标乘客的列表,并对乘客的推荐意愿进行分级得出愿意动态推荐目标乘客的列表,包括:
基于乘客画像建立乘客关系图谱,通过所述乘客关系图谱将目标乘客分为单独出行乘客和多人出行乘客两类,对于所述多人出行乘客不作为推荐的备选乘客,对于所述单独出行乘客,基于所述乘客画像的历史行为数据进行随机森林训练以建立预测模型,所述历史行为数据包括:历史推荐次数,推荐后的满意度评分,乘机行为,行为状态,将目标乘客行为数据输入预测模型得到愿意动态推荐的乘客,将所述乘客每次推荐后的满意度评分相加取平均值再加上历史推荐次数得到推荐意愿数值,所述意愿数值越高表明乘客的推荐意愿越高,分配较高的优先级,按优先级从高到低得出愿意动态推荐目标乘客的列表。
优选的,所述依据目标乘客推荐意愿分级优先地安排目标乘客换到合适的位置,包括:
获取该航班所有乘客的乘客画像、航班座位分布,输入到座位匹配模型中得到原始座位分配,当有乘客因为噪声需要换座位时,通过查找乘客列表得到可能的换座乘客,根据乘客的噪声忍耐程度匹配相应稳定性指数的周围乘客。
优选的,所述确定愿意推荐的乘客列表后,获取多个推荐乘客的需求优先级排序,包括:
获得需要换座的多名乘客的噪声忍耐度,以及所述多名乘客当前所处位置的噪声指数、需求的迫切程度由乘客所能忍耐的噪声指数和所处位置的噪声指数之差来衡量,差值越大乘客推荐的需求就越迫切,根据差值大小生成乘客推荐需求的优先级排序。
优选的,基于所述客户画像进行航班服务推荐,包括:
基于乘客画像的行业属性建立竞争关系网络,根据所述竞争关系网络,确定目标乘客的行业,确定所述目标行业的竞争行业,所述竞争行业为目标行业的相同行业或者同类型行业;
基于所述乘客画像训练座位匹配模型中商务舱的座位分配模型为商务座乘客分配座位,获取所述商务舱乘客的乘客画像及空位信息,获取所述换座乘客的乘客画像建立乘客评估模型,判断乘客是否符合升舱条件,所述评估标准为:有空位时,通过行业竞争关系网络判断换座乘客与所有空座附近乘客是否存在商业竞争,若不存在则符合升舱条件,若所有空座都存在竞争风险,则根据公司业务相似度百分比、换座乘客的职位高低对应的分值、所属业务占公司业务的百分比三者乘积计算竞争风险值,有空位的风险值低于预设阈值则换座乘客符合升舱条件,所有空位的风险值都高于阈值则判断换座乘客不符合升舱条件;
根据乘客评估结果为换座乘客安排座位,对于符合升舱条件的乘客,没有风险值的空位直接安排给乘客,有低于阈值风险值的空位,为换座乘客安排风险值最低的空位,对于不符合升舱条件的乘客,驳回乘客的升舱请求;
计算换座乘客体验改善程度和对被换座乘客的影响大小,所述改善程度通过得到换座前后的噪音指数差值得到,所述对被换座乘客的影响通过计算换座后的噪声指数与可以忍耐的噪声指数间的差值得到;
获取乘客的乘客画像与换座后其周围乘客的乘客画像的匹配特征,所述第一匹配特征为乘客行为画像,所述第二匹配特征为乘客兴趣画像、乘客地理位置画像、乘客人口画像,赋予两级匹配特征不同的权重计算得到匹配度,匹配度从低到高分配0到100的分值;根据乘客体验的改善程度、影响大小与匹配度,通过反应改善程度的差值和匹配度分值的加权平均减去反应影响程度的差值得出的分值作为乘客对于此次座位分配的满意度;
根据所述座位匹配模型分配座位,当有多名乘客出现换座需求时,按乘客换座需求的优先级从高到底的顺序依此进行座位调整,如果乘客有升舱需求,需要评估乘客是否满足升舱条件,再进行座位调整,生成第一名乘客的满意度后再进行下一优先级乘客的座位调整,从目标乘客列表中移除已经参与过座位调整的乘客;
获取换座乘客和被换座乘客的乘机行为、稳定性指数、对噪声的忍耐程度、换座意愿,通过对比两乘客的上述属性,决定是否可以换座,对比规则为:乘机行为、稳定性指数相近,对噪音的忍耐程度差距较大,换座意愿较高,则可以换座,确定多个可以换座对象后,计算换座乘客体验改善程度和对被换座乘客的影响大小以此决定具体换座对象。
本发明实施例提供的技术方案可以包括以下有益效果本发明通过构建标签体系并建立用户画像,并实时收集了用户的动作数据和音频数据,对用户形成的充分的了解,并且获得用户对附近噪音的忍耐程度和收集愿意动态换座位的目标用户,建立分级的动态换座目标用户列表,并根据多名有换座需求的用户进行了优先级排序,通过乘客的所述历史数据以及所述对噪音的忍耐程度推荐最优航班,极大的提高了乘客对航班的满意度,设立了商务座用户的隐私保护,使得系统作用范围更广,对航空座位动态推荐以及航班选择有极好的效果。
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一些实施例;
图1是根据本发明实施例的一种基于客户画像的航班推荐系统的流程示意图;
具体实施方式
S1:收集目标用户的用户信息构建标签体系并建立用户画像,包括:
通过所述数据库获得原始数据构建事实标签;
具体包括:通过网页客户端的日志文件获取用户的点击轨迹作为日志文件数据,通过TF-IDF、TopicModel主题模型对所述日志文件数据进行文本挖掘,得到用户点击文章的类型,统计用户点击相似类型文章的次数,将用户点击相似类型文章的次数作为事实标签;
例如,在网页客户端植入插件,用于生成用户点击轨迹,获取用户点击相似文章的行为,和浏览时间判断是否算作有效点击次数,获取所述用户有效点击次数,将有效点击日志保存在数据库中,使用TF-IDF、TopicModel主题模型、LDA等算法对获取的点击日志进行文本分类处理,得到用户点击文章的类型,所述文章类型包括:旅游类,商务类,体育类。
通过机器学习的方法构造模型标签;具体包括:获取所述数据库中乘客的性别、年龄、学历、收入水平、消费水平和所属行业属性样本集作为模型的输入参数,对于属性缺失的样本集使用条件平均值填充法,以最大概率的取值来补充缺失的属性值,通过回归、决策树、支持向量机机器学习算法,进行模型训练,得到标签生成模型,通过所述标签生成模型输出不同用户属性的模型标签;例如,获取的用户信息中缺少了收入水平这一属性,在处理样本集时根据与该用户同年龄,同学历,同行业的用户填写的平均收入水平对该属性进行条件平均值填充,然后再输入标签生成模型得到输出的模型标签。模型标签包括:高收入,低收入,冲动型消费。
通过建模构造兴趣标签;具体包括:获取用户网页使用记录,所述网页使用记录包括网页使用频率、网页内容和网页使用时间,通过自然语言处理对所述使用记录进行文本挖掘,得到用户记录内容的类型,统计所述网页使用记录中相似类型内容的出现的次数,对用户兴趣进行收集,得到兴趣标签,使用机器学习的支持向量机对兴趣标签进行分类,通过在网页客户端中植入插件,用于收集用户的网页使用记录,获取网页使用频率和网页使用时间并判断用户对不同网页内容类型是否有偏好类型以及偏好程度,将所述偏好类型和偏好程度存储到对应的用户数据集,所述偏好类型包括:体育,艺术,游戏,阅读,所述偏好程度包括:重度,中等,轻微;
通过引导用户填写基本信息获取人口属性;
具体包括:从所述数据库获取用户在注册登录时输入的用户信息,所述用户信息包括:年龄,性别,学历,收入水平,消费水平和行业属性,所述行业属性包括:公司业务、职位、所属业务,根据所述行业属性建立行业竞争关系网;
通过乘客行为日志中进行信息的收集;具体包括:通过埋点技术,获取来源于网页浏览记录、微博、游玩攻略多模态数据,所述多模态数据包含文本,图像,语音,以JavaScript标记的方式收集数据,从访问者的Cookie中获取访问时间、浏览记录、当前访问者的ID并发送到网站的数据收集服务器,使用递归自编码模型对文本进行分析,获取所述文本内容的概要,使用卷积神经网络模型对图像数据进行分析,获取图片的内容,使用多层感知器模型对语音数据进行分析,获取语音的内容;
基于乘客浏览的内容进行内容建模;具体包括:构建层次化的兴趣标签体系,匹配多种粒度的标签,例如,在新闻数据的处理中可以将新闻内容从粗到细分成“分类—主题—关键词”三层标签进行内容建模;
通过所述数据库获取用户兴趣标签的分数;
具体包括:统计用户点击次数,浏览时长,浏览频率用户行为,计算出用户对内容标签的兴趣分数,使用兴趣分数衰减函数获得具有时效性的兴趣分数,例如,次数衰减函数会将兴趣分数最终收敛到一个稳定值;时间衰减函数会降低很长一段时间前的兴趣的权重,提高近期兴趣的权重;
次数衰减:α是衰减因子;
时间衰减:基于国家、省份、城市三种粒度建立常驻地标签;
具体包括:从客户端获取用户的IP地址信息,通过解析所述用户的IP地址信息获得对应的国家、省份、城市,统计用户IP对应的城市及IP出现城市的次数得到常驻城市,依据IP地址的变化,生成用户在城市之间的出行轨迹,分析轨迹的规律识别出差人群和旅游人群;例如,某个用户在一周内有3天都在某个城市,那么就可以判定这个城市为该用户的一个常驻城市。依据IP地址的变化,生成用户在各个城市之间的出行轨迹,分析轨迹的规律,识别出差人群和旅游人群,例如,出行时间为节假日,出行的目的地为非常驻城市,识别出该用户属于旅游人群;出行时间为工作日,出行的目的地为常驻城市之一,识别出该用户属于出差人群。
基于GPS信息建立GPS标签;
具体包括:从客户端获取GPS信息,获取用户周边的建筑信息、道路信息,获取用户的GPS信息,得到离用户最近的机场,为用户规划去机场的路线;例如,在为用户推荐航班时,获取用户的GPS信息,得到离用户最近的机场,为用户规划去机场的路线
获取乘客的出行记录和历史行为;具体包括:获取乘客历史出行的航班号,航空公司,舱位,通过移动端收集乘客在航行期间的语音信息,获得乘客的交流内容,利用多层感知器模型分析所述语音信息,通过所述语音信息判断乘客的情绪状态,通过航班上的监控设备获取乘客在航行期间的图像数据,利用卷积神经网络分析乘客的动作信息、表情信息,构建所述动作信息、表情信息、语言信息与所述行为状态和心理状态的对照表。例如,用户在航行中说话和动作的多少反应用户是外向的还是内向的;语音的内容和动作的表现反应用户对航行的感受。
S2:通过所述用户画像训练座位匹配模型,包括:
获取航班的座位情况,所述座位情况包括座位排列和已安排座位的乘客,所述座位情况作为输入参数使用机器学习的决策树算法训练座位匹配模型;所述座位匹配模型中第一匹配特征为乘客行为画像,第二匹配特征为乘客兴趣画像、乘客地理位置画像、乘客人口画像;
具体包括:根据乘客的行为画像得到乘客的行为状态,所述行为状态包括:安静状态和活跃状态;由兴趣画像得到乘客的活动状态,所述活动状态包括:办公、看视频、聊天;
当换座乘客为所述行为状态中的安静状态时,则所述座位匹配模型将匹配行为状态也为安静状态乘客周围的座位给所述换座乘客;当换座乘客为所述行为状态中的活跃状态,则所述座位匹配模型将再次判断乘客的兴趣画像,当所述目标乘客的兴趣画像为看视频和聊天时则可以直接批匹配,若所述换座乘客的兴趣画像为办公时则需要通过所述数据库查看所述乘客是所属行业;当兴趣画像为办公的乘客的所属行业相同时,则设置一个活两个的座位间隔,当兴趣画像为办公的乘客的所属行业不相同时,则可以直接匹配座位。
S3:获取目标用户的乘机行为和乘客的行为;通过获取所述数据库的行为动作数据集,建立动作—行为对照表;通过获取所述数据库的音频数据集,建立声音—行为对照表,包括:
通过航班上的监控设备获取目标用户在航班上的实时图像数据,将所述图像数据通过卷积神经网络处理得到用户的动作识别结果,通过客户端获取用户周围的实时声音数据,将所述声音数据通过多层感知器处理得到所述声音数据的内容,分析声音信息类别,所述声音信息类别包括:业务交流、聊天声音、游戏音效、视频声音、音乐声音,并与构建的动作—行为对照表、声音—行为对照表综合比对得出用户的乘机行为,所述乘机行为包括工作、娱乐、聊天;
通过获取乘客行为画像的历史行为记录,统计历史行为记录中各种乘机行为出现的次数,根据所述乘机行为出现的时间先后顺序赋予不同的权重,判断不同乘机行为出现的可能性,通过可能性大小预测乘客本次的乘机行为。例如,某乘客的历史行为记录中“工作”出现了10次,“娱乐”出现了5次,“聊天”出现了2次,通过加权计算后得到“工作”的可能性为60%,“娱乐”的可能性为30%,聊天的可能性10%,得到该乘客本次乘机行为是工作。
S4:评估乘客行为情况,得到用户的稳定性指数,制作乘客行为—状态表,包括:
将所述乘机行为和所述声音数据属性通过决策树算法分类得到安静的乘客和吵闹的乘客两种类别,获得声音数据属性,所述声音数据属性包括:音量大小、声音持续时间,所述音量大小按分贝大小赋予分值,将所述音量大小和所述持续时间赋予权重计算分值得到乘客的稳定性指数,所述稳定性指数越高,乘客越安静;所述稳定性指数越低,乘客越吵闹;
将乘客安静和吵闹两种状态建立行为—状态表,所述行为—状态表规定小于50dB为音量小,大于50dB为音量大,“娱乐、游戏音效、音量大”对应吵闹,“娱乐、音乐声音、音量小”对应安静
S5:通过乘客的行为—状态表得到用户的状态,获得用户此时对附近噪音的忍耐程度,包括:
获取用户的图像数据和用户的状态,将所述图像数据输入卷积神经网络得到用户的实时表情,所述实时表情包括:开心、难过、愤怒、厌恶,将所述实时表情通过SVM算法分类得到积极情绪和消极情绪两种类别;
获取用户附近的声音数据,所述声音数据包括音量大小,声音类型;通过当次乘机第一次获取到的用户表情得到用户的原始表情及情绪类别,对当前图像数据中的表情变化信息和背景图像信息以及声音数据进行分析并结合目标用户的情绪类别来判定是否是噪声引起了用户的情绪变化;
当检测到目标用户出现不同于原始表情的反应消极情绪的表情时,获取此时的噪声指数,结合噪声指数和噪声的持续时间,用分值高低反应噪声持续时间的长短,持续时间越长,分值越高,两分值相加得出用户对噪声的忍耐程度,分值越高,忍耐程度越高,所述消极表情包括:难过、愤怒、厌恶。
S6:获取愿意动态换座位的目标用户的列表,并对乘客的换位意愿进行分级得出愿意动态换座目标用户的列表,包括:
获取乘客的图像数据和乘客的状态,将所述图像数据输入卷积神经网络得到乘客的实时表情,所述实时表情包括:开心、难过、愤怒、厌恶,将所述实时表情通过SVM算法分类得到积极情绪和消极情绪两种类别;
获取乘客附近的声音数据,所述声音数据包括音量大小,声音类型;通过当次乘机第一次获取到的乘客表情得到乘客的原始表情及情绪类别,对当前图像数据中的表情变化信息和背景图像信息以及声音数据进行分析并结合目标乘客的情绪类别来判定是否是噪声引起了乘客的情绪变化;
当检测到目标乘客出现不同于原始表情的反应消极情绪的表情时,获取此时的噪声指数,结合噪声指数和噪声的持续时间,用分值高低反应噪声持续时间的长短,持续时间越长,分值越高,两分值相加得出乘客对噪声的忍耐程度,分值越高,忍耐程度越高,所述消极表情包括:难过、愤怒、厌恶。
S7:依据目标用户换位意愿分级优先地安排目标用户换到合适的位置,包括:
获取该航班所有乘客的用户画像、航班座位分布,输入到座位匹配模型中得到原始座位分配,当有乘客因为噪声需要换座位时,通过查找用户列表得到可能的换座用户,根据用户的噪声忍耐程度匹配相应稳定性指数的周围乘客。例如,将一个对噪声忍耐度低的乘客和另一个换座意愿高且周围乘客的稳定性指数较高的乘客交换。
S8:确定愿意换座的乘客列表后,获取多个换座乘客的需求优先级排序,包括:
获得需要换座的多名乘客的噪声忍耐度,以及所述多名乘客当前所处位置的噪声指数、需求的迫切程度由乘客所能忍耐的噪声指数和所处位置的噪声指数之差来衡量,差值越大用户换座的需求就越迫切,根据差值大小生成乘客换座需求的优先级排序。例如,乘客1计算得到的差值大小为60,乘客2计算得到的差值大小为40,那么乘客1的优先级高于乘客2。
S9:基于所述客户画像进行航班服务推荐,包括:
基于乘客画像的行业属性建立竞争关系网络,根据所述竞争关系网络,确定目标乘客的行业,确定所述目标行业的竞争行业,所述竞争行业为目标行业的相同行业或者同类型行业;
基于所述乘客画像训练座位匹配模型中商务舱的座位分配模型为商务座乘客分配座位,获取所述商务舱乘客的乘客画像及空位信息,获取所述换座乘客的乘客画像建立乘客评估模型,判断乘客是否符合升舱条件,所述评估标准为:有空位时,通过行业竞争关系网络判断换座乘客与所有空座附近乘客是否存在商业竞争,若不存在则符合升舱条件,若所有空座都存在竞争风险,则根据公司业务相似度百分比、换座乘客的职位高低对应的分值、所属业务占公司业务的百分比三者乘积计算竞争风险值,有空位的风险值低于预设阈值则换座乘客符合升舱条件,所有空位的风险值都高于阈值则判断换座乘客不符合升舱条件;
根据乘客评估结果为换座乘客安排座位,对于符合升舱条件的乘客,没有风险值的空位直接安排给乘客,有低于阈值风险值的空位,为换座乘客安排风险值最低的空位,对于不符合升舱条件的乘客,驳回乘客的升舱请求;
计算换座乘客体验改善程度和对被换座乘客的影响大小,所述改善程度通过得到换座前后的噪音指数差值得到,所述对被换座乘客的影响通过计算换座后的噪声指数与可以忍耐的噪声指数间的差值得到;
获取乘客的乘客画像与换座后其周围乘客的乘客画像的匹配特征,所述第一匹配特征为乘客行为画像,所述第二匹配特征为乘客兴趣画像、乘客地理位置画像、乘客人口画像,赋予两级匹配特征不同的权重计算得到匹配度,匹配度从低到高分配0到100的分值;根据乘客体验的改善程度、影响大小与匹配度,通过反应改善程度的差值和匹配度分值的加权平均减去反应影响程度的差值得出的分值作为乘客对于此次座位分配的满意度;
根据所述座位匹配模型分配座位,当有多名乘客出现换座需求时,按乘客换座需求的优先级从高到底的顺序依此进行座位调整,如果乘客有升舱需求,需要评估乘客是否满足升舱条件,再进行座位调整,生成第一名乘客的满意度后再进行下一优先级乘客的座位调整,从目标乘客列表中移除已经参与过座位调整的乘客;
获取换座乘客和被换座乘客的乘机行为、稳定性指数、对噪声的忍耐程度、换座意愿,通过对比两乘客的上述属性,决定是否可以换座,对比规则为:乘机行为、稳定性指数相近,对噪音的忍耐程度差距较大,换座意愿较高,则可以换座,确定多个可以换座对象后,计算换座乘客体验改善程度和对被换座乘客的影响大小以此决定具体换座对象。
Claims (10)
1.一种基于客户画像的航班推荐系统,其特征在于,包括:
收集所有乘客的乘客信息构建标签体系并建立乘客画像,所述乘客画像包括人口画像、兴趣画像、地理位置画像、行为画像;
构建数据库,所述数据库包括,所有乘客的如下信息:性别、年龄、学历、收入水平、消费水平、职业、所属行业、用户网页注册登录时输入的用户信息、用户网页点击次数、浏览时长、浏览频率、音频数据集和动作数据集;
通过所述乘客画像进行座位匹配;
获取目标乘客的乘机行为和换座乘客的行为;通过获取所述数据库的动作数据集,建立乘客动作—行为对照表;通过获取所述数据库的音频数据集,建立乘客声音—行为对照表;
评估目标乘客和换座乘客行为情况,得到目标乘客和换座乘客稳定性指数,制作乘客行为状态表;
通过乘客的行为—状态表得到乘客的状态,获得乘客此时对附近噪音的忍耐程度,获取接受座位推荐的目标乘客的列表,并对目标乘客的推荐意愿进行分级得出愿意动态推荐目标乘客的列表;
依据目标乘客推荐意愿分级优先地安排乘客换到合适的位置;
确定推荐的乘客列表后,获取多个推荐乘客的需求优先级排序;
基于所述客户画像进行航班服务推荐。
2.根据权利要求1所述的一种基于客户画像的航班推荐系统,其特征在于:所述收集目标乘客的乘客信息构建标签体系并建立乘客画像,包括:
通过所述数据库获得原始数据构建事实标签;具体包括:通过网页客户端的日志文件获取用户的点击轨迹作为日志文件数据,通过TF-IDF、TopicModel主题模型对所述日志文件数据进行文本挖掘,得到用户点击文章的类型,统计用户点击相似类型文章的次数,将用户点击相似类型文章的次数作为事实标签;
通过机器学习的方法构造模型标签;具体包括:获取所述数据库中乘客的性别、年龄、学历、收入水平、消费水平和所属行业属性样本集作为模型的输入参数,对于属性缺失的样本集使用条件平均值填充法,以最大概率的取值来补充缺失的属性值,通过回归、决策树、支持向量机机器学习算法,进行模型训练,得到标签生成模型,通过所述标签生成模型输出不同用户属性的模型标签;
通过建模构造兴趣标签;具体包括:获取用户网页使用记录,所述网页使用记录包括网页使用频率、网页内容和网页使用时间,通过自然语言处理对所述使用记录进行文本挖掘,得到用户记录内容的类型,统计所述网页使用记录中相似类型内容的出现的次数,对用户兴趣进行收集,得到兴趣标签,使用机器学习的支持向量机对兴趣标签进行分类,通过在网页客户端中植入插件,用于收集用户的网页使用记录,获取网页使用频率和网页使用时间并判断用户对不同网页内容类型是否有偏好类型以及偏好程度,将所述偏好类型和偏好程度存储到对应的用户数据集,所述偏好类型包括:体育,艺术,游戏,阅读,所述偏好程度包括:重度,中等,轻微;
通过引导用户填写基本信息获取人口属性;具体包括:从所述数据库获取用户在注册登录时输入的用户信息,所述用户信息包括:年龄,性别,学历,收入水平,消费水平和行业属性,所述行业属性包括:公司业务、职位、所属业务,根据所述行业属性建立行业竞争关系网;
通过乘客行为日志中进行信息的收集;具体包括:通过埋点技术,获取来源于网页浏览记录、微博、游玩攻略多模态数据,所述多模态数据包含文本,图像,语音,以JavaScript标记的方式收集数据,从访问者的Cookie中获取访问时间、浏览记录、当前访问者的ID并发送到网站的数据收集服务器,使用递归自编码模型对文本进行分析,获取所述文本内容的概要,使用卷积神经网络模型对图像数据进行分析,获取图片的内容,使用多层感知器模型对语音数据进行分析,获取语音的内容;
基于乘客浏览的内容进行内容建模;具体包括:构建层次化的兴趣标签体系,匹配多种粒度的标签,例如,在新闻数据的处理中可以将新闻内容从粗到细分成“分类—主题—关键词”三层标签进行内容建模;
基于国家、省份、城市三种粒度建立常驻地标签;具体包括:从客户端获取乘客的IP地址信息,通过解析所述乘客的IP地址信息获得对应的国家、省份、城市,统计乘客IP对应的城市及IP出现城市的次数得到常驻城市,依据IP地址的变化,生成乘客在城市之间的出行轨迹,分析轨迹的规律识别出差人群和旅游人群;
基于GPS信息建立GPS标签;具体包括:从客户端获取GPS信息,获取乘客周边的建筑信息、道路信息,获取乘客的GPS信息,得到离乘客最近的机场,为乘客规划去机场的路线;
获取乘客的出行记录和历史行为;具体包括:获取乘客历史出行的航班号,航空公司,舱位,通过移动端收集乘客在航行期间的语音信息,获得乘客的交流内容,利用多层感知器模型分析所述语音信息,通过所述语音信息判断乘客的情绪状态,通过航班上的监控设备获取乘客在航行期间的图像数据,利用卷积神经网络分析乘客的动作信息、表情信息,构建所述动作信息、表情信息、语言信息与所述行为状态和心理状态的对照表。
3.根据权利要求1所述的一种基于客户画像的航班推荐系统,其特征在于:所述通过所述乘客画像进行座位匹配,包括:
获取航班的座位情况,所述座位情况包括座位排列和已安排座位的乘客,所述座位情况作为输入参数使用机器学习的决策树算法训练座位匹配模型;所述座位匹配模型中第一匹配特征为乘客行为画像,第二匹配特征为乘客兴趣画像、乘客地理位置画像、乘客人口画像;
具体包括:根据乘客的行为画像得到乘客的行为状态,所述行为状态包括:安静状态和活跃状态;由兴趣画像得到乘客的活动状态,所述活动状态包括:办公、看视频、聊天;
当换座乘客为所述行为状态中的安静状态时,则所述座位匹配模型将匹配行为状态也为安静状态乘客周围的座位给所述换座乘客;当换座乘客为所述行为状态中的活跃状态,则所述座位匹配模型将再次判断乘客的兴趣画像,当所述目标乘客的兴趣画像为看视频和聊天时则可以直接批匹配,若所述换座乘客的兴趣画像为办公时则需要通过所述数据库查看所述乘客是所属行业;当兴趣画像为办公的乘客的所属行业相同时,则设置一个活两个的座位间隔,当兴趣画像为办公的乘客的所属行业不相同时,则可以直接匹配座位。
4.根据权利要求1所述的一种基于客户画像的航班推荐系统,其特征在于:所述获取目标乘客的乘机行为和乘客的行为;所述通过获取所述数据库的行为动作数据集,建立乘客动作—行为对照表;所述通过获取所述数据库的音频数据集,建立乘客声音—行为对照表,包括:
通过航班上的监控设备获取目标乘客在航班上的实时图像数据,将所述图像数据通过卷积神经网络处理得到乘客的动作识别结果,通过客户端获取乘客周围的实时声音数据,将所述声音数据通过多层感知器处理得到所述声音数据的内容,分析声音信息类别,所述声音信息类别包括:业务交流、聊天声音、游戏音效、视频声音、音乐声音,并与构建的动作—行为对照表、声音—行为对照表综合比对得出乘客的乘机行为,所述乘机行为包括工作、娱乐、聊天。
5.根据权利要求1所述的一种基于客户画像的航班推荐系统,其特征在于:所述评估乘客行为情况,得到乘客的稳定性指数,制作乘客行为—状态表,包括:将所述乘机行为和所述声音数据属性通过决策树算法分类得到安静的乘客和吵闹的乘客两种类别,获得声音数据属性,所述声音数据属性包括:音量大小、声音持续时间,所述音量大小按分贝大小赋予分值,将所述音量大小和所述持续时间赋予权重计算分值得到乘客的稳定性指数,所述稳定性指数越高,乘客越安静;所述稳定性指数越低,乘客越吵闹;
将乘客安静和吵闹两种状态建立行为—状态表,所述行为—状态表规定小于50dB为音量小,大于50dB为音量大,“娱乐、游戏音效、音量大”对应吵闹,“娱乐、音乐声音、音量小”对应安静。
6.根据权利要求1所述的一种基于客户画像的航班推荐系统,其特征在于:所述通过乘客行为—状态表得到乘客的状态,获得乘客此时对附近噪音的忍耐程度,包括:
获取乘客的图像数据和乘客的状态,将所述图像数据输入卷积神经网络得到乘客的实时表情,所述实时表情包括:开心、难过、愤怒、厌恶,将所述实时表情通过SVM算法分类得到积极情绪和消极情绪两种类别;
获取乘客附近的声音数据,所述声音数据包括音量大小,声音类型;通过当次乘机第一次获取到的乘客表情得到乘客的原始表情及情绪类别,对当前图像数据中的表情变化信息和背景图像信息以及声音数据进行分析并结合目标乘客的情绪类别来判定是否是噪声引起了乘客的情绪变化;
当检测到目标乘客出现不同于原始表情的反应消极情绪的表情时,获取此时的噪声指数,结合噪声指数和噪声的持续时间,用分值高低反应噪声持续时间的长短,持续时间越长,分值越高,两分值相加得出乘客对噪声的忍耐程度,分值越高,忍耐程度越高,所述消极表情包括:难过、愤怒、厌恶。
7.根据权利要求1所述的一种基于客户画像的航班推荐系统,其特征在于:所述获取愿意接受座位推荐的目标乘客的列表,并对乘客的推荐意愿进行分级得出愿意动态推荐目标乘客的列表,包括:
基于乘客画像建立乘客关系图谱,通过所述乘客关系图谱将目标乘客分为单独出行乘客和多人出行乘客两类,对于所述多人出行乘客不作为推荐的备选乘客,对于所述单独出行乘客,基于所述乘客画像的历史行为数据进行随机森林训练以建立预测模型,所述历史行为数据包括:历史推荐次数,推荐后的满意度评分,乘机行为,行为状态,将目标乘客行为数据输入预测模型得到愿意动态推荐的乘客,将所述乘客每次推荐后的满意度评分相加取平均值再加上历史推荐次数得到推荐意愿数值,所述意愿数值越高表明乘客的推荐意愿越高,分配较高的优先级,按优先级从高到低得出愿意动态推荐目标乘客的列表。
8.根据权利要求1所述的一种基于客户画像的航班推荐系统,其特征在于:所述依据目标乘客推荐意愿分级优先地安排目标乘客换到合适的位置,包括:
获取该航班所有乘客的乘客画像、航班座位分布,输入到座位匹配模型中得到原始座位分配,当有乘客因为噪声需要换座位时,通过查找乘客列表得到可能的换座乘客,根据乘客的噪声忍耐程度匹配相应稳定性指数的周围乘客。
9.根据权利要求1所述的一种基于客户画像的航班推荐系统,其特征在于:所述确定愿意推荐的乘客列表后,获取多个推荐乘客的需求优先级排序,包括:
获得需要换座的多名乘客的噪声忍耐度,以及所述多名乘客当前所处位置的噪声指数、需求的迫切程度由乘客所能忍耐的噪声指数和所处位置的噪声指数之差来衡量,差值越大乘客推荐的需求就越迫切,根据差值大小生成乘客推荐需求的优先级排序。
10.根据权利要求1所述的一种基于客户画像的航班推荐系统,其特征在于:基于所述客户画像进行航班服务推荐,包括:
基于乘客画像的行业属性建立竞争关系网络,根据所述竞争关系网络,确定目标乘客的行业,确定所述目标行业的竞争行业,所述竞争行业为目标行业的相同行业或者同类型行业;
基于所述乘客画像训练座位匹配模型中商务舱的座位分配模型为商务座乘客分配座位,获取所述商务舱乘客的乘客画像及空位信息,获取所述换座乘客的乘客画像建立乘客评估模型,判断乘客是否符合升舱条件,所述评估标准为:有空位时,通过行业竞争关系网络判断换座乘客与所有空座附近乘客是否存在商业竞争,若不存在则符合升舱条件,若所有空座都存在竞争风险,则根据公司业务相似度百分比、换座乘客的职位高低对应的分值、所属业务占公司业务的百分比三者乘积计算竞争风险值,有空位的风险值低于预设阈值则换座乘客符合升舱条件,所有空位的风险值都高于阈值则判断换座乘客不符合升舱条件;
根据乘客评估结果为换座乘客安排座位,对于符合升舱条件的乘客,没有风险值的空位直接安排给乘客,有低于阈值风险值的空位,为换座乘客安排风险值最低的空位,对于不符合升舱条件的乘客,驳回乘客的升舱请求;
计算换座乘客体验改善程度和对被换座乘客的影响大小,所述改善程度通过得到换座前后的噪音指数差值得到,所述对被换座乘客的影响通过计算换座后的噪声指数与可以忍耐的噪声指数间的差值得到;
获取乘客的乘客画像与换座后其周围乘客的乘客画像的匹配特征,所述第一匹配特征为乘客行为画像,所述第二匹配特征为乘客兴趣画像、乘客地理位置画像、乘客人口画像,赋予两级匹配特征不同的权重计算得到匹配度,匹配度从低到高分配0到100的分值;根据乘客体验的改善程度、影响大小与匹配度,通过反应改善程度的差值和匹配度分值的加权平均减去反应影响程度的差值得出的分值作为乘客对于此次座位分配的满意度;
根据所述座位匹配模型分配座位,当有多名乘客出现换座需求时,按乘客换座需求的优先级从高到底的顺序依此进行座位调整,如果乘客有升舱需求,需要评估乘客是否满足升舱条件,再进行座位调整,生成第一名乘客的满意度后再进行下一优先级乘客的座位调整,从目标乘客列表中移除已经参与过座位调整的乘客;
获取换座乘客和被换座乘客的乘机行为、稳定性指数、对噪声的忍耐程度、换座意愿,通过对比两乘客的上述属性,决定是否可以换座,对比规则为:乘机行为、稳定性指数相近,对噪音的忍耐程度差距较大,换座意愿较高,则可以换座,确定多个可以换座对象后,计算换座乘客体验改善程度和对被换座乘客的影响大小以此决定具体换座对象。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110967166.0A CN113779384B (zh) | 2021-08-23 | 2021-08-23 | 一种基于乘客画像的航班推荐方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110967166.0A CN113779384B (zh) | 2021-08-23 | 2021-08-23 | 一种基于乘客画像的航班推荐方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113779384A true CN113779384A (zh) | 2021-12-10 |
CN113779384B CN113779384B (zh) | 2022-07-05 |
Family
ID=78838747
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110967166.0A Active CN113779384B (zh) | 2021-08-23 | 2021-08-23 | 一种基于乘客画像的航班推荐方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113779384B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114445146A (zh) * | 2022-01-30 | 2022-05-06 | 北京火山引擎科技有限公司 | 一种标签填充方法及其相关设备 |
CN114912948A (zh) * | 2022-04-24 | 2022-08-16 | 深圳船奇科技有限公司 | 基于云服务的跨境电商大数据智能处理方法、装置及设备 |
CN116257681A (zh) * | 2022-12-21 | 2023-06-13 | 中国民航科学技术研究院 | 一种基于画像技术的民用航空事件调查员推荐方法 |
CN116361445A (zh) * | 2023-05-12 | 2023-06-30 | 北京网智天元大数据科技有限公司 | 藏汉双语用户兴趣标签的预测方法及装置 |
CN116823346A (zh) * | 2023-07-17 | 2023-09-29 | 广州百奕信息科技有限公司 | 一种基于区块链技术民航数字资产公共综合服务方法 |
CN117033801A (zh) * | 2023-10-08 | 2023-11-10 | 太平金融科技服务(上海)有限公司 | 一种业务推荐方法、装置、设备和存储介质 |
CN118094017A (zh) * | 2024-04-23 | 2024-05-28 | 江西科技学院 | 一种基于大数据的活动推荐方法及系统 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140129629A1 (en) * | 2012-11-08 | 2014-05-08 | Eran Savir | Device, system, and method of sharing social network information |
US20160292594A1 (en) * | 2015-03-30 | 2016-10-06 | NIIT Technologies Ltd | Facilitating transportation providers to make recommendations for passengers at different stages related to journeys |
CN106919657A (zh) * | 2017-02-07 | 2017-07-04 | 上海斐讯数据通信技术有限公司 | 一种在线值机自动推选座位的方法及装置 |
CN107423442A (zh) * | 2017-08-07 | 2017-12-01 | 火烈鸟网络(广州)股份有限公司 | 基于用户画像行为分析的应用推荐方法及系统,储存介质及计算机设备 |
CN107680172A (zh) * | 2017-10-23 | 2018-02-09 | 合肥工业大学 | 一种列车分段式售票方法 |
CN109559030A (zh) * | 2018-11-27 | 2019-04-02 | 北京恒赢智航科技有限公司 | 基于乘客画像和环境感知的机场个性化服务系统及方法 |
US20190172170A1 (en) * | 2017-12-05 | 2019-06-06 | GM Global Technology Operations LLC | Seating recommendation systems and methods for shared vehicles |
CN110046963A (zh) * | 2019-04-12 | 2019-07-23 | 携程旅游网络技术(上海)有限公司 | 基于机票订单的关联产品的推荐方法以及推荐系统 |
CN110209875A (zh) * | 2018-07-03 | 2019-09-06 | 腾讯科技(深圳)有限公司 | 用户内容画像确定方法、访问对象推荐方法和相关装置 |
CN110334858A (zh) * | 2019-06-20 | 2019-10-15 | 韶关市启之信息技术有限公司 | 一种公交车剩余座位智能预测方法与装置 |
CN110648407A (zh) * | 2019-10-18 | 2020-01-03 | 合肥工业大学 | 一种列车分段式的座位关联售票方法 |
CN110728461A (zh) * | 2019-10-21 | 2020-01-24 | 中国民航信息网络股份有限公司 | 一种行程置换方法、装置及系统 |
CN111754311A (zh) * | 2020-07-03 | 2020-10-09 | 重庆智者炎麒科技有限公司 | 一种场馆个性化座位推荐方法和系统 |
CN113033685A (zh) * | 2021-04-01 | 2021-06-25 | 安徽理工大学 | 一种航空旅客付费选座意愿画像及分析的方法 |
-
2021
- 2021-08-23 CN CN202110967166.0A patent/CN113779384B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140129629A1 (en) * | 2012-11-08 | 2014-05-08 | Eran Savir | Device, system, and method of sharing social network information |
US20160292594A1 (en) * | 2015-03-30 | 2016-10-06 | NIIT Technologies Ltd | Facilitating transportation providers to make recommendations for passengers at different stages related to journeys |
CN106919657A (zh) * | 2017-02-07 | 2017-07-04 | 上海斐讯数据通信技术有限公司 | 一种在线值机自动推选座位的方法及装置 |
CN107423442A (zh) * | 2017-08-07 | 2017-12-01 | 火烈鸟网络(广州)股份有限公司 | 基于用户画像行为分析的应用推荐方法及系统,储存介质及计算机设备 |
CN107680172A (zh) * | 2017-10-23 | 2018-02-09 | 合肥工业大学 | 一种列车分段式售票方法 |
US20190172170A1 (en) * | 2017-12-05 | 2019-06-06 | GM Global Technology Operations LLC | Seating recommendation systems and methods for shared vehicles |
CN110209875A (zh) * | 2018-07-03 | 2019-09-06 | 腾讯科技(深圳)有限公司 | 用户内容画像确定方法、访问对象推荐方法和相关装置 |
CN109559030A (zh) * | 2018-11-27 | 2019-04-02 | 北京恒赢智航科技有限公司 | 基于乘客画像和环境感知的机场个性化服务系统及方法 |
CN110046963A (zh) * | 2019-04-12 | 2019-07-23 | 携程旅游网络技术(上海)有限公司 | 基于机票订单的关联产品的推荐方法以及推荐系统 |
CN110334858A (zh) * | 2019-06-20 | 2019-10-15 | 韶关市启之信息技术有限公司 | 一种公交车剩余座位智能预测方法与装置 |
CN110648407A (zh) * | 2019-10-18 | 2020-01-03 | 合肥工业大学 | 一种列车分段式的座位关联售票方法 |
CN110728461A (zh) * | 2019-10-21 | 2020-01-24 | 中国民航信息网络股份有限公司 | 一种行程置换方法、装置及系统 |
CN111754311A (zh) * | 2020-07-03 | 2020-10-09 | 重庆智者炎麒科技有限公司 | 一种场馆个性化座位推荐方法和系统 |
CN113033685A (zh) * | 2021-04-01 | 2021-06-25 | 安徽理工大学 | 一种航空旅客付费选座意愿画像及分析的方法 |
Non-Patent Citations (3)
Title |
---|
HAO LIU 等: "《Software architecture support for biofeedback based in-flight music systems》", 《IEEE》 * |
李雄清等: "一种航空公司机票+酒店打包推荐方法的研究和实现", 《电子测试》 * |
王琨琨: "《一种航班座位分配算法》", 《现代计算机》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114445146A (zh) * | 2022-01-30 | 2022-05-06 | 北京火山引擎科技有限公司 | 一种标签填充方法及其相关设备 |
CN114912948A (zh) * | 2022-04-24 | 2022-08-16 | 深圳船奇科技有限公司 | 基于云服务的跨境电商大数据智能处理方法、装置及设备 |
CN114912948B (zh) * | 2022-04-24 | 2023-03-24 | 深圳船奇科技有限公司 | 基于云服务的跨境电商大数据智能处理方法、装置及设备 |
CN116257681A (zh) * | 2022-12-21 | 2023-06-13 | 中国民航科学技术研究院 | 一种基于画像技术的民用航空事件调查员推荐方法 |
CN116257681B (zh) * | 2022-12-21 | 2023-10-13 | 中国民航科学技术研究院 | 一种基于画像技术的民用航空事件调查员推荐方法 |
CN116361445A (zh) * | 2023-05-12 | 2023-06-30 | 北京网智天元大数据科技有限公司 | 藏汉双语用户兴趣标签的预测方法及装置 |
CN116361445B (zh) * | 2023-05-12 | 2023-08-08 | 北京网智天元大数据科技有限公司 | 藏汉双语用户兴趣标签的预测方法及装置 |
CN116823346A (zh) * | 2023-07-17 | 2023-09-29 | 广州百奕信息科技有限公司 | 一种基于区块链技术民航数字资产公共综合服务方法 |
CN116823346B (zh) * | 2023-07-17 | 2024-04-05 | 广州百奕信息科技有限公司 | 一种基于区块链技术民航数字资产公共综合服务方法 |
CN117033801A (zh) * | 2023-10-08 | 2023-11-10 | 太平金融科技服务(上海)有限公司 | 一种业务推荐方法、装置、设备和存储介质 |
CN117033801B (zh) * | 2023-10-08 | 2023-12-22 | 太平金融科技服务(上海)有限公司 | 一种业务推荐方法、装置、设备和存储介质 |
CN118094017A (zh) * | 2024-04-23 | 2024-05-28 | 江西科技学院 | 一种基于大数据的活动推荐方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113779384B (zh) | 2022-07-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113779384B (zh) | 一种基于乘客画像的航班推荐方法 | |
US11315170B2 (en) | Methods and systems for order processing | |
Abdella et al. | Airline ticket price and demand prediction: A survey | |
Yang et al. | Tourists' risk perception of risky destinations: The case of Sabah's eastern coast | |
KR101797856B1 (ko) | 메신저 서비스를 이용한 인공지능 학습 방법 및 시스템, 그리고 인공지능을 이용한 답변 중계 방법 및 시스템 | |
WO2017202006A1 (zh) | 数据处理方法和装置、计算机存储介质 | |
US11776041B2 (en) | Systems and methods for computer generated recommendations with improved accuracy and relevance | |
KR20180006876A (ko) | 오더 짝짓기를 위한 시스템들 및 방법들 | |
Ahmed et al. | Leveling the playing field: The use of Twitter by politicians during the 2014 Indian general election campaign | |
CN108198017B (zh) | 个性化客服处理方法及装置 | |
KR102460209B1 (ko) | 정치버스 플랫폼 서비스 제공 시스템 | |
CN110942344A (zh) | 美食推荐榜单的生成方法、装置、设备及存储介质 | |
Gokulkumari et al. | Analyze the political preference of a common man by using data mining and machine learning | |
Jamal et al. | Investigation of the use of smartphone applications for trip planning and travel outcomes | |
CN107577782A (zh) | 一种基于异质数据的人物相似度刻画方法 | |
Arentze et al. | Estimating a latent-class user model for travel recommender systems | |
Nawaz et al. | Mining public opinion: a sentiment based forecasting for democratic elections of Pakistan | |
KR102171658B1 (ko) | 크라우드전사장치 및 그 동작 방법 | |
CN109409916B (zh) | 一种基于大数据平台的旅游营销系统 | |
CN108717640B (zh) | 旅游信息的数据处理方法和电子设备 | |
CN114970990A (zh) | 一种商旅推荐方法、设备及介质 | |
US20200294102A1 (en) | Reviews, ratings and feedbacks system and method | |
CN111523034A (zh) | 一种应用程序的处理方法、装置、设备及介质 | |
Ngamsa-Ard et al. | Point-of-interest (POI) recommender systems for social groups in location based social networks (LBSNs): Proposition of an improved model | |
Fohrholz et al. | Predicting Travel Volumes for Long-Distance Coach Services Through Big Data Analytics--A Case Study on German Public Viewing Events During the UEFA EURO 2016 |
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 |