JP2019192271A - 宿泊設備リスティングに対する宿主選好を決定すること - Google Patents

Abstract

【課題】宿泊設備をオファーする宿主の選好を決定するための方法およびシステムを提供する。【解決手段】オンラインブッキングシステムの宿主選好モジュール２２９は、クラスタ特徴ベクトル生成器４０１と選好ベクトル生成器４０３と選好モデル生成器４０５とを備える。【選択図】図４

Description

本発明は、宿泊設備ブッキングシステムに、および特に、宿泊設備リスティングに対する予約要求を受け入れるときの宿主選好を決定することに関係する。

オンラインブッキングシステムは、短期宿泊設備を探し求める客を、宿泊設備をオファーする宿主とマッチングする。宿主は典型的には、宿泊設備に対する個別の要求が、それらにより受け入れられるか、それとも拒否されるかに影響力を及ぼす、所定の選好を有する。そのような選好は、ペットは許されないということの、または、宿泊設備は週末にのみ利用可能であるということの指示など、宿主により明示的に提供されることがある。しかしながらほとんどの場合、選好は、暗黙のものであり、容易には数量化可能でないいくつかの変数に依存的である。したがって、予約に対する個別の要求が、受け入れられることになるか、それとも拒否されることになるかを決定することは、困難であることがある。

オンラインブッキングシステムは、宿主の選好を、以前に受信された予約要求の特徴と、宿主によるそれらの予約要求の受け入れとの間の統計的関係性に基づいてモデリングする。特にシステムは、予約要求を、特徴のセットに基づいて分類する。個別の要求特徴に対する宿主の選好は、特徴を持つ予約要求と、宿主により受け入れられる予約要求との間の関係性に基づいてモデリングされる。システムは、所与のリスティングに対する選好モデルを使用して、リスティングに対する見込み予約要求が、宿主により受け入れられることになるということの確率を決定する。確率は、見込み予約要求が、宿主により受け入れられることの低い確率を有する場合に、検索結果の提示ランクを低下させること、または、検索結果をフィルタリング除去することにより、正確な検索結果を生成するために使用され得る。

一部の事例では、正確な選好モデルを生成するために必要とされる十分な履歴データが利用可能でない。データのこの不十分性に対処するために、選好モデルは、同じ領域内の他のリスティングに対する履歴データとの組み合わせで、所与のリスティングに対する履歴データに基づいて生成される。

本概要、および、後に続く詳細な説明で説明される、特徴および利点は、すべてを含むというものではない。多くの追加的な特徴および利点が、当技術分野の通常の当業者に対して、図面、明細書、および、特許請求の範囲の考察で明らかとなろう。

１つの実施形態による、オンラインブッキングシステムのシステム図である。 １つの実施形態による、オンラインブッキングシステムに含まれる異なるモジュールおよび記憶機構を例示するブロック図である。 １つの実施形態による、オンラインブッキングシステムのクラス図の例示する図である。 １つの実施形態による、リスティング固有の選好モデルを、領域データに基づいて生成するように構成される宿主選好モジュール２２９の詳細な図である。 １つの実施形態による、リスティング固有の予約要求選好モデルを、領域データに基づいて生成するための例示的な方法のフローチャートである。 １つの実施形態による、リスティングに対する局所的（local）選好モデルを、リスティングに関連付けられるデータに基づいて生成するための例示的な方法のフローチャートである。 １つの実施形態による、大域的（global）選好モデルを、大域的データに基づいて生成するための例示的な方法のフローチャートである。 １つの実施形態による、検索クエリに対する検索結果を、選好モデルに基づいて生成するための例示的な方法のフローチャートである。

図は、本発明の様々な実施形態を、単に図解の目的のために図示する。当技術分野の当業者は、後に続く論考から、本明細書で図解される構造および方法の代替的実施形態が、本明細書で説明される本発明の原理から逸脱することなく用いられ得るということを、難なく認識するであろう。

システム概観
図１は、１つの実施形態による、オンラインブッキングシステムのシステム図である。図１および他の図は、類する参照番号を使用して、類する要素を識別する。「１１３Ａ」などの参照番号の後の文字は、本文が、その個別の参照番号を有する要素を具体的に指すということを指示する。「１１３」など、後に続く文字を伴わない本文内の参照番号は、その参照番号を帯びる図内の要素のいずれかまたはすべてを指す（例えば、本文内の「１１３」は、図内の参照番号「１１３Ａ」および／または「１１３Ｂ」を指す）。

ネットワーク１０５は、ユーザ１０３（例えば、消費者）とオンラインブッキングシステム１１１との間の通信経路を表す。１つの実施形態では、ネットワークはインターネットである。ネットワークはさらには、必ずしもインターネットの部分ではない、専用または私設の通信リンク（例えば、ワイドエリアネットワーク（ＷＡＮ）、メトロポリタンエリアネットワーク（ＭＡＮ）、またはローカルエリアネットワーク（ＬＡＮ））を利用し得る。ネットワークは、標準的な通信技術および／またはプロトコルを使用する。

クライアントデバイス１０１は、ユーザ１０３により、オンラインブッキングシステム１１１とインタラクトするために使用される。クライアントデバイス１０１は、パーソナルコンピュータ（ＰＣ）、デスクトップコンピュータ、ラップトップコンピュータ、ノートブック、スマートフォン、もしくは類するものなどのコンピュータである、または、そのコンピュータを組み込む、任意のデバイスであり得る。コンピュータは、１つまたは複数の、汎用または特殊目的プロセッサ、メモリ、ストレージ、およびネットワーキング構成要素（有線または無線のいずれか）を有するデバイスである。クライアントデバイス１０１は、オペレーティングシステム、例えば、Ｍｉｃｒｏｓｏｆｔ Ｗｉｎｄｏｗｓ互換のオペレーティングシステム（ＯＳ）、Ａｐｐｌｅ ＯＳ ＸもしくはｉＯＳ、Ｌｉｎｕｘディストリビューション、または、ＧｏｏｇｌｅのＡｎｄｒｏｉｄ ＯＳを実行する。一部の実施形態ではクライアントデバイス１０１は、Ｍｉｃｒｏｓｏｆｔ Ｉｎｔｅｒｎｅｔ Ｅｘｐｌｏｒｅｒ、Ｍｏｚｉｌｌａ Ｆｉｒｅｆｏｘ、Ｇｏｏｇｌｅ Ｃｈｒｏｍｅ、Ａｐｐｌｅ Ｓａｆａｒｉ、および／またはＯｐｅｒａなどのウェブブラウザ１１３を、インターフェイスとして使用して、オンラインブッキングシステム１１１とインタラクトし得る。他の実施形態ではクライアントデバイス１０１は、オンラインブッキングシステム１１１にアクセスするための専用アプリケーションを実行し得る。

オンラインブッキングシステム１１１は、ユーザ１０３に可視である基本的なインターフェイスを形成する、ウェブページまたは他のウェブコンテンツを提示するウェブサーバ１０９を含む。ユーザ１０３は、それぞれのクライアントデバイス１０１を使用して、１つまたは複数のウェブページにアクセスし、データをオンラインブッキングシステム１１１に、インターフェイスを介して提供する。

オンラインブッキングシステム１１１は例えば、オンラインブッキングシステム、食事予約システム、相乗り（rideshare）予約システム、小売システム、および類するものであり得る。より一般的にはオンラインブッキングシステム１１１は、ユーザに、消費者に利用可能である資源（例えば、商品およびサービス）のインベントリへのアクセスを提供する。各々の資源の実世界、物理的位置は、資源を消費する（例えば、購入する、賃借する、または他の形で取得する）ことの消費者の判断において、要因と考えられる。他の要因は、リスティングタイプ、リスティング所有者の識別情報、および、リスティングによりオファーされるサービスを以前に使用したユーザの批評を含む。

一部の実施形態ではオンラインブッキングシステム１１１は、ユーザ１０３の間のトランザクションを手助けする。例えばオンラインブッキングシステムは、ユーザ１０３が、オンラインブッキングシステムの他のユーザにより提供される宿泊設備をブッキングすることを可能にする。相乗り予約システムは、ユーザ１０３が、１つの位置から別のものへの乗物利用をブッキングすることを可能する。オンライン市場システムは、ユーザ１０３が、商品またはサービスを、他のユーザと相対で買う、および／または売ることを可能にする。オンラインブッキングシステム１１１は、下記で説明される追加的な構成要素およびモジュールを備える。

オンラインブッキングシステム
図２および図３を参照すると、１つの実施形態ではオンラインブッキングシステム１１１は、客記憶機構２０１と、宿主記憶機構２０３と、リスティング記憶機構２０５と、予約要求記憶機構２１３と、ブッキング記憶機構２０７と、メッセージ記憶機構２０９と、カレンダ２１１と、ブッキングモジュール２１５と、検索モジュール２１７と、受け入れモジュール２２１と、利用可能性モジュール２２３と、メッセージングモジュール２２７とを備える。当技術分野の当業者は、オンラインブッキングシステム１１１が、本明細書で説明されない他のモジュールを内包し得るということを察知するであろう。加えて、ファイアウォール、認証システム、支払処理システム、ネットワーク管理ツール、ロードバランサ、その他などの従来の要素は、それらは本発明にとって不可欠ではないので示されない。

システム１１１は、クラウドに基づくコンピュータ実装形態を含めて、単一のコンピュータ、または、コンピュータのネットワークを使用して実装され得る。コンピュータは好ましくは、１つ以上の高性能ＣＰＵと、１Ｇまたはより多くのメインメモリとを含み、ＬＩＮＵＸまたはその変種などのオペレーティングシステムを走らせる、サーバクラスコンピュータである。本明細書で説明されるようなシステム１１１の動作は、本明細書で説明される機能を遂行するために、ハードウェアによって、または、非一時的コンピュータストレージにインストールされ、プロセッサにより実行されるコンピュータプログラムによってのいずれかで制御され得る。様々な記憶機構（例えば、客記憶機構２０１、宿主記憶機構２０３他）は、非一時的コンピュータ可読ストレージデバイス、ならびに、データアクセスおよび索出に対する適したデータベース管理システムを使用して実装される。システム１１１は、ネットワークインターフェイスおよびプロトコル、データエントリのための入力デバイス、ならびに、データの表示、印刷、または他の提示のための出力デバイスを含めて、ここで説明される動作に対して必要な他のハードウェア要素を含む。

客記憶機構２０１は、オンラインブッキングシステム１１１で宿泊設備に対するリスティングに関して照会するユーザ（すなわち、客）を説明するデータを永続的に記憶し、この機能を遂行するための１つの手段である。各々の客は、客プロファイルと呼ばれることもある、客オブジェクト３０１により表される。客オブジェクト３０１は、所与の客に関連付けられる一意的な識別子、および、客に関する情報を記憶する。情報は、名前、ユーザ名、電子メールアドレス、位置、電話番号、性別、生年月日、個人説明、教育程度、職業、他のユーザからの批評、画像、および類するものなどの個人情報を含み得る。情報はさらには、客スコア３１１と、経験豊富（experienced）フラグ３１５とを含み得る。客スコア３１１は、客としてのユーザの以前の行動の数値表現を提供する。一部の実施形態では客スコアは、宿主により、客の以前のブッキングから割り当てられるスコア（例えば、格付け）に基づく。経験豊富フラグ３１５は、客がオンラインブッキングシステム１１１の高頻度のユーザであるかどうかを示し、例えば、客が宿泊設備をオンラインブッキングシステム１１１によってブッキングした回数の総数、客がオンラインブッキングシステム１１１を近時の過去に使用した回数の数（例えば、客が過去６０日にブッキングした宿泊設備の数）、客が予約システム１１１を使用した時間の長さ、または、それらの組み合わせに基づくものであり得る。

宿主記憶機構２０３は、宿泊設備をオンラインブッキングシステム１１１の他のユーザに提供した、または、提供することをいとわないユーザ、本明細書では「宿主」を説明するデータを永続的に記憶し、この機能を遂行するための１つの手段である。各々の宿主は、宿主プロファイルと呼ばれることもある、宿主オブジェクト３０３により表される。宿主に関する情報は、名前、ユーザ名、電子メールアドレス、位置、電話番号、性別、生年月日、個人説明、教育程度、職業、他のユーザからの批評、画像、および類するものなどの個人情報を含む。さらに宿主記憶機構２０３は、宿主スコア３３１、未処理メッセージ３３３、過去客３３５、断り（decline）の数３３７、および時間長さ３３９などの追加的な情報を記憶し得る。各々の宿主オブジェクト３０３は、１つまたは複数のリスティング３０５に、および、１つまたは複数の客オブジェクト３０１に関連付けられる。各々の宿主は、一意的な宿主ＩＤを割り当てられる。

宿主スコア３３１は、宿主としてのユーザの以前の行動の数値表現を提供する。宿主スコアは、客により、宿主の以前のブッキングから割り当てられる格付けに基づくものであり得る。一般的には、毎回、宿主からの宿泊設備をブッキングする客は、宿主および宿泊設備の格付けを提供し得る。格付けは次いで、宿主スコアに集約される。格付けは、客の自身のスコア３１１によって重み付けされ得るものであり、格付けの経過時間（すなわち、どれだけ格付けが古いか）に基づいて減衰させられ得る。

宿主はさらには、オンラインブッキングシステム１１１を使用して、宿泊設備を他の宿主に要求し、ゆえに客になることがある。この事例ではユーザは、プロファイルエントリを、客記憶機構２０１および宿主記憶機構２０３の両方に有することになる。オンラインブッキングシステム１１１の実施形態は、客記憶機構２０１および宿主記憶機構２０３を、単一のユーザプロファイル記憶機構に組み合わせることがある。ユーザプロファイル記憶機構は次いで、個人情報、ならびに、該当するならば、何らかの客に関係付けられる情報、および、宿主に関係付けられる情報を記憶することになる。この体系（scheme）は、ユーザがオンラインブッキングシステムをオファー宿泊設備および予約要求宿泊設備の両方に対して利用するときに、客記憶機構２０１と宿主記憶機構２０３との間の冗長な情報の量を低減する。

オンラインブッキングシステム１１１は、メッセージングモジュール２２７によって、客および宿主が、メッセージを互いに、宿泊設備に関して送信することを可能にする。未処理メッセージ３３３は、宿主が応答していない客からのメッセージの数（すなわち、応答に対して待機するメッセージの数）を計数する。未処理メッセージ３３３は、客の予約要求への宿主の応答性の尺度となる。

過去客３３５は、宿主が宿泊させた客の数を計数する。１つの実施形態は、宿主がオンラインブッキングシステム１１１を使用することを開始してからの、宿主が宿泊させた客の総数を計数する。別の実施形態は、宿主が近時の過去に（例えば、過去３０日に）宿泊させた客の数のみを考慮する。

断りの数３３７は、宿主が、潜在的な客からの予約要求を拒否した回数の数を計数する。宿主は、予約要求を、いくつかの理由のために断ることがある。例えば、個別の宿泊設備に対する客からの予約要求が、十分な数の宿泊（night）に対して満たされなかったことがあり、または、宿泊設備が実際には利用可能でなかったということであり、宿主が、下記でさらに説明されるような、リスティングのカレンダを更新していなかったということである。

時間長さ３３９は、宿主が、宿泊設備をオンラインブッキングシステム１１１によってオファーしてきた時間の量の尺度となる。

リスティング記憶機構２０５は、宿主によりリスティングによってオファーされる宿泊設備に関する情報を記憶し、この機能を遂行するための１つの手段である。所与の宿泊設備の各々のオファリングが、リスティングオブジェクト３０５により表される。リスティングに関する情報は、位置３５１と、価格３５３と、ユニットタイプ３５５と、アメニティ３５７と、カレンダ３５９とを含む。リスティング記憶機構２０５は、宿泊設備の短い説明、ハウス規則のリスト、写真他などの追加的な情報を内包し得る。各々のリスティング３０５は、一意的なリスティングＩＤを割り当てられる。各々のリスティング３０５は、単一の宿主オブジェクト３０３に関連付けられる。

位置３５１は、オファーされる宿泊設備の、完全なアドレス、地区、市、および／または国などの、宿泊設備の地理的位置を識別する。

価格３５３は、客が、リスティングされる宿泊設備を取得するために支払うことを必要とする金銭の量である。価格３５３は、日ごとの、週ごとの、日ごとの、月ごとの、および／または、季節ごとの、もしくは、宿主により指定される時間の他の期間ごとの金銭の量として指定され得る。追加的に価格３５３は、クリーニング料金、ペット料金、およびサービス料金などの追加的な手数料を含み得る。

ユニットタイプ３５５は、宿主によりオファーされる宿泊設備のタイプを説明する。実施形態は、ユニットタイプを２つのグループ、部屋タイプおよび資産タイプに分類する。部屋のタイプは、住宅またはアパート全体、個室、および相部屋を含む。資産のタイプは、アパート、ハウス、朝食付き宿泊（bed & breakfast）、キャビン、別荘、館、寮、ツリーハウス、ボート、飛行機、駐車場、車、バン型車、キャンピングカーまたはレクリエーショナルビークル、イグルー、灯台、ユルト、ティピー、洞窟、島、シャレー、アースハウス（earth house）、山小屋、列車、テント、ロフト、および類するものを含む。

アメニティ３５７は、宿泊設備がオファーする追加的な特徴をリスティングする。アメニティは、喫煙可、ペット可、ＴＶ、ケーブルＴＶ、インターネット、ワイヤレスインターネット、空気調和、暖房、エレベータ、障がい者アクセス可能（handicap accessible）、プール、台所、構内での無料駐車、ドアマン、ジム、温水浴槽、屋内暖炉、ブザーまたはワイヤレスインターコム、朝食、家族または子供向け、イベントに適する、洗濯機、ドライヤ、および類するものを含む。

宿主カレンダ３５９は、宿主により指定される、または、自動的に（例えば、カレンダインポートプロセスによって）決定されるような、日付期間内の各々の日付に対する宿泊設備の利用可能性を記憶する。すなわち宿主は、宿主カレンダ３５９に、リスティングに対してアクセスし、手動で、どの日付がリスティングに利用可能である、または利用可能でないかを指示する。宿主カレンダ３５９はさらには、宿泊設備が、それがすでに客によりブッキングされているので利用不可能である日付に関する情報を含む。加えて宿主カレンダ３５９は、宿泊設備の利用可能性に関する履歴情報を記憶することを継続する。さらに宿主カレンダ３５９は、カレンダ規則、例えば、許される夜の最小および最大数を含み得る。

予約要求記憶機構２１３は、客により為される予約要求を記憶し、この機能を遂行するための１つの手段である。各々の予約要求は、予約要求オブジェクト３０７により表される。予約要求に関して記憶される情報は、予約要求日付３７１と、チェックイン日付３７３と、夜の数３７５と、チェックインのための曜日３７７と、チェックアウトのための曜日３７９と、休日３８１と、客の数３８３とを含む。各々の予約要求３０７は、一意的な予約要求ＩＤを割り当てられる。所与の予約要求３０７は、個々の客３０１およびリスティング３０５に関連付けられる。

予約要求日付３７１は、予約要求が為された日付を指定する。チェックイン日付３７３は、宿泊設備が、照会する客により必要とされる第１の日である。夜の数３７５は、宿泊設備が客により必要とされる夜の数を指定する。チェックイン日３７７およびチェックアウト日３７９は、チェックインまたはチェックアウトが要される曜日（すなわち、月曜日、火曜日、水曜日他）を指定する。この情報は、それはチェックイン日付３７３および夜の数３７５から推測され得るので、客により提供されることを必要としない。この情報は重要であり、なぜならば、一部の宿主は、特定の曜日での（例えば、週日にのみの、または、週末にのみの）チェックインおよび／またはチェックアウトのみを、選好する、または考えに入れるからである。休日３８１は、照会される宿泊設備期間の内部の休日の日付（あるとすれば）を指示する。客の数３８３は、宿泊設備に滞在している人々の総数を定める。

予約要求３０７は、予約要求３０７が関連付けられるリスティング３０５の宿主３０３により受け入れられ得る、または拒否され得るものであり、受け入れられフラグ３８５は、予約要求３０７が、宿主３０３により受け入れられたか、それとも拒否されたかを指示する。予約要求３０７はさらには、それらが、リスティング３０５の宿主３０３により時間のしきい値量の内部で受け入れられないならば、期限切れになり得る。一部の実施形態では、予約要求３０７の期限切れ時間は、オンラインブッキングシステム１１１によりセットされる（例えば予約要求３０７は、それらが、予約要求３０７が提出された時間から２４時間以内に受け入れられないならば、期限切れになる）。他の実施形態では、予約要求３０７の期限切れ時間は、宿主３０３または客３０１により指定され得る。さらに他の実施形態では、予約要求３０７は、それらが、宿泊設備が照会された日付３７３に、時間のしきい値量だけ先行して受け入れられないならば、期限切れになり得る（例えば予約要求３０７は、それらが、チェックイン日付３７３の日の２日前に受け入れられないならば、期限切れになり得る）。

メッセージ記憶機構２０９は、メッセージモジュール２２７を介して交換されるような、宿主１０３と客１０１との間のすべての通信を記憶し、この機能を遂行するための１つの手段である。各々のメッセージは、客１０１、宿主１０３、およびリスティング１０７に関連付けられる。客は、１つまたは複数の宿主に連絡して、それらのそれぞれのリスティングに関する、より多くの情報を取得し得る。一部の客はさらには、メッセージを、宿主に関する、より多くの情報を取得するための手段として使用し得るものであり、その逆も同様である。

追加的にオンラインブッキングシステム１１１は、スコアを宿主および客に、入来するメッセージへのそれらの応答性に基づいて割り当て得る。あらゆる宿主および客は、応答率スコアを、それらが返答するメッセージのパーセンテージに基づいて割り当てられ得る。さらには、ユーザは、応答時間スコアを、それらが、入来するメッセージに応答するのにとる時間平均時間に基づいて割り当てられ得る。

マスタカレンダ２１１は、リスティング記憶機構２０５内のあらゆるリスティングの利用可能性を指示する情報を記憶し、この機能を遂行するための１つの手段である。各々の宿主は、それらがオンラインブッキングシステム１１１で公表するあらゆるリスティングに対するリスティングカレンダ３５９を更新することに対して責任を負う。この情報は、マスタカレンダ２１１を形成するために使用される。

検索モジュール２１７は、入力クエリを客から受信し、入力クエリと最良にマッチングする宿泊設備リスティングのリストを返し、この機能を遂行するための１つの手段である。検索クエリは、位置（例えば、郵便番号、市名、および国）、チェックイン日付、チェックアウト日付、客の数、および類するものなどの、客の旅行に関する、ならびに、部屋タイプ、価格範囲、アメニティ、および類するものなどの、客の宿泊設備選好に関する検索パラメータを含む。検索モジュールは次いで、検索クエリとマッチングするすべてのリスティングを索出する。１つの実施形態では、ブーリアンマッチングが、位置および日付、部屋タイプおよび価格範囲などのパラメータに対して使用され、追加的なパラメータが、結果をさらにフィルタリングするために使用される。

一部の実施形態では検索モジュール２１７は、返される検索結果を、ランク付けスコアに基づいてランク付けする。ランク付けスコアは、価格、宿主格付け、選好される位置からの距離、リスティング、またはそれらの組み合わせなどの、いくつかの要因の関数である。ランク付け関数は、個々の要因の線形組み合わせまたは乗法組み合わせとして実装され得るものであり、その場合各々の要因は、マッチの度合を指示するスケーリングされた変数として表され（例えば、基になる検索パラメータの精確なマッチの１、部分的な、または近いマッチに対する０．５）、要因の重要性を反映するための重みによって重み付けされる。典型的には、位置および日付は高く重み付けされ、アメニティはより少なく重み付けされるが、個別の重みは、システムアドミニストレータにとっての設計判断である。１つの実施形態ではランク付け要因は、下記でさらに説明されるように、利用可能性モジュール２２３および受け入れモジュール２２１により提供される情報を含む。

受け入れモジュール２２１は、宿主による個別のリスティングに対する、個別の客による予約要求の受け入れの確率（ＰＣ）を算出し、この機能を遂行するための１つの手段である。受け入れモジュール２２１の実施形態は、宿主が、履歴において受け入れた、および拒否したリスティングに対する予約要求に基づく、各々の宿主に対する受け入れモデルを使用する。ユーザ検索を満足させる所与のリスティングに対して、受け入れモジュール２２１は、所与のリスティングに対する予約要求がその客により為される場合に、宿主がその予約要求を受け入れることになるということの確率を算出する。検索モジュール２１７は、検索結果をランク付けするときに、または、しきい値スコアより低い受け入れの確率を伴うリスティングをフィルタリングするために、受け入れの確率をランク付け要因として使用し得る。一般的には検索モジュール２１７は、宿主により受け入れられることの高い確率を有するリスティングをより高くランク付けし、受け入れられることの低い確率を有するリスティングをより低くランク付けする。

ブッキングモジュール２１５は、客３０１が、リスティング３０５によってオファーされる宿泊設備を予約することを可能とし、この機能を遂行するための１つの手段である。動作ではブッキングモジュール２１５は、個別のリスティング３０５によりオファーされる宿泊設備を予約するための、客３０１からの予約要求３０７を受信する。予約要求は、チェックイン日付、チェックアウト日付、および客の数を含む、検索クエリでの検索パラメータに非常に類する予約パラメータを含む。ブッキングモジュール２１５は、予約パラメータを含む予約要求を、リスティング３０５に関連付けられる宿主３０３に提示し、宿主３０３は、予約要求を受け入れること、または拒否することのいずれかを行い得る。宿主３０３が予約要求を受け入れるならば、ブッキングモジュール２１５は、受け入れられフラグ４８５を更新して、予約要求が受け入れられたということを指示し、さらには、宿主が客の予約要求を受け入れ次第、ブッキング記憶機構２０７を更新し、リスティングに対するブッキングされた日に、利用不可能としてフラグを立てる。ブッキング記憶機構２０７は、すべての、受け入れられ、引き続いてブッキングされた宿泊設備予約要求に関する情報を記憶する。ブッキング記憶機構２０７内の各々のエントリは、宿主３０３、客３０１、およびリスティング３０５に関連付けられる。

宿主選好をモデリングする
所与のリスティング３０５に対して、パターンが、リスティング３０５に関連付けられる、宿主３０３により受け入れられる予約要求３０７のタイプ、および、宿主３０３により拒否される予約要求３０７のタイプに関して出現し得る。宿主選好モジュール２２９は、個別のリスティング３０５の宿主３０３の選好を、リスティング３０５に対する予約要求の受け入れパターンに基づいてモデリングし、この機能を遂行するための１つの手段である。選好モデルは、リスティング固有である。したがって、異なる選好モデルが、オンラインブッキングシステム１１１での、所与の宿主に関連付けられる各々のリスティングに対して生成される。論考の容易さのために、所与の宿主およびリスティング組み合わせに対する選好モデルは、本明細書では以降、リスティング固有の選好モデルと称される。宿主選好モジュール２２９は、リスティング固有の選好モデルを使用して、リスティング３０５に対する新しい予約要求３０７が宿主３０３により受け入れられることになるということの確率を推定する。他の実施形態では、選好モデルは、宿主固有であり、所与の宿主によりオファーされるリスティングのすべてを扱い、したがって、宿主ごとに１つの選好モデルが存する。

選好モデルを生成するために使用されるデータ
リスティング固有の選好モデルを生成するために、宿主選好モジュール２２９は、要求特徴のセットを、予約要求を分類するために識別する。１つの実施形態では、要求特徴はバイナリであり、予約要求は、特徴を持つ、または、特徴を持たない、のいずれかである。要求特徴は、多くの異なるタイプのものであり得る。具体的には、一部の要求特徴は、予約要求それ自体に関係付けられ得る。そのような要求特徴の例は、予約要求が、所与の数または範囲の夜に対するものであるかどうか、予約要求が、所与の数または範囲の客に対するものであるかどうか、予約要求により指定される夜の数が、リスティングに対して指定される夜の最大数に等しいかどうか、客の数が、リスティングに対して指定される客の最大／最小数に等しいかどうか、要求される宿泊設備が、休日または週末に当たるかどうか、チェックイン日付と、異なる予約の以前のチェックアウト日付との間の間隙が、しきい値より上／下であるか、それとも範囲の内部であるか、および、予約要求の日／時刻を含む。他の実施形態では要求特徴は、部分的またはファジーマッチングを考えに入れるために、予約要求が特徴を有する度合を指示する重み値により表され得る。別の実施形態では要求特徴は、例えば夜の数を表す数値変数である。

さらに、一部の要求特徴は、客であって、その人から予約要求が受信された客、または、リスティングに関連付けられる宿主に関係付けられ得る。客に関係付けられる要求特徴の例は、客が経験豊富であるかどうか、客のスコアがしきい値より上／下であるかどうか、客が確認されているかどうか、および、客が、彼／彼女のプロファイルに関連付けられる画像を有するかどうかを含む。宿主に関係付けられる要求特徴の例は、宿主が以前に客により連絡されたかどうか、宿主が客に返答したかどうか、および、宿主が未処理メッセージを有するかどうかを含む。当技術分野の当業者は、上記で明示的にリスティングされない他の要求特徴が、ここでの範囲の内部にあるということを認識するであろう。

宿主選好モジュール２２９は、各々の予約要求に対する特徴ベクトルを、要求特徴の識別されるセットと、客記憶機構２０１、宿主記憶機構２０３、リスティング記憶機構２０５、メッセージ記憶機構２０９、および予約要求記憶機構２１３に記憶される履歴データとに基づいて生成する。所与の予約要求に対して、特徴ベクトルは、ビットベクトルを形成する、各々の要求特徴に対するバイナリ値を含む。予約要求が特徴を持つならば、バイナリ値は「１」または「真」を指示する。逆に、予約要求が特徴を持たないならば、バイナリ値は「０」または「偽」を指示する。本論考の残りに対して、要求特徴はさらにはｆ_xと称され、ここで、各々のｘは、要求特徴のタイプを表象する。所与の予約要求に対して、次いで、特徴ベクトルは［ｆ_a，ｆ_b，ｆ_c，…，ｆ_n］の形式をとり、ここで、ｆ_a、ｆ_b、ｆ_c、…およびｆ_nの各々に対するバイナリ値は、予約要求が特徴を持つかどうかに依存する。特徴ベクトルはさらには、リスティングに対する予約要求が、宿主により受け入れられたか、それとも拒否されたかを指示する受け入れ値を含む。本論考の残りに対して、受け入れ値特徴はさらには、Ａと称される。留意されるように、別の実施形態では要求特徴は、実数（例えば、０と１との間の値）、または、バイナリおよび実数の組み合わせのベクトルを形成するために、重みにより表され得る。

しばしば、正確なリスティング固有の選好モデルを創出するための、利用可能な不十分な履歴データが存する。データのこの不十分性に対処するために、２つの異なる手法が、宿主選好モジュール２２９によりとられ得る。第１の手法では、第１のリスティングに対する履歴データが、第１のリスティングとの１つまたは複数の共通属性を有する、他のリスティングに対する履歴データによって補われる（本明細書では、「クラスタ手法」と称される）。図４および図５、ならびに、対応する説明は、クラスタ手法の詳細を含む。第２の手法では、すべてのリスティングに対する履歴データが、リスティングまたは領域に固有のデータの代わりに使用される（本明細書では、「個々の手法」と称される）。図６、および、対応する説明は、個々の手法の詳細を含む。両方の手法によって、生成される選好モデルは、宿主選好モジュール２２９が、リスティングに対する将来予約要求が宿主により受け入れられることになるということの確率を推定することを可能にする。図７、および、対応する説明は、選好モデルを使用して、見込み客に提示される検索結果を改善することの詳細を含む。

選好モデルを生成することに対するクラスタ手法
クラスタ手法では宿主選好モジュール２２９は、リスティング固有の選好モデルを、予約要求のクラスタに基づいて生成する。クラスタは、リスティングに対する予約要求、および、リスティングと共通である１つまたは複数の属性を有する、他のリスティングに対する予約要求を含む。属性は、同じ地理的領域にある、同じタイプ（例えば、部屋タイプ）を有する、同じタイプの宿主（例えば、資産管理者）を有するリスティングであり得るものであり、または、協調フィルタリングに基づくものであり得る。モデルを、リスティングのみに関連付けられるデータと対比して、クラスタデータに基づいてトレーニングすることは、宿主選好モジュール２２９が、正確なモデルを、リスティングに関連付けられるデータが不十分であるときに生成することを可能にする。

後に続く論考は、リスティング固有の選好モデルを、同じ領域内のリスティングに対する予約要求のクラスタに対して生成するためのプロセスを説明する。当技術分野の当業者は、説明されるプロセスが、リスティング固有の選好モデルを、同じリスティングタイプまたは宿主タイプを有するなどの、１つまたは複数の異なる共通属性を有するリスティングに対する予約要求のクラスタに対して生成するために使用され得るということを、難なく理解するであろう。

図４は、１つの実施形態による、リスティング固有の選好モデルを、クラスタデータに基づいて生成するように構成される宿主選好モジュール２２９の詳細な図解である。示されるように宿主選好モジュール２２９は、クラスタ特徴ベクトル生成器４０１と、選好ベクトル生成器４０３と、選好関連性生成器４０５とを含む。これらの構成要素の機能的詳細は、下記で、リスティング固有の選好モデルを、領域Ｇ内に位置し、宿主Ｈにより宿主として対応されるリスティングＬに対して生成することへの参照によって論考される。

クラスタ特徴ベクトル生成器４０１（さらには、「生成器４０１」）は、クラスタ特徴ベクトルを、個別のクラスタに含まれるリスティングに対する、以前に受信された予約要求の集合体に対して生成し、この機能を遂行するための１つの手段である。動作では、リスティングＬに対して生成器４０１は、リスティングＬが内部に位置する地理的領域Ｇを識別する。地理的領域は、地区、ジップコード、市、郡、国、または、宿主選好モジュール２２９により決定される何らかの任意の地理的エリアであり得る。生成器４０１は、リスティングＬに対する、以前に受信された予約要求、および、領域Ｇ内の他のリスティングに対する予約要求の集合体を識別する。１つの実施形態では、領域Ｇ内のすべての他のリスティングのサブセットのみに対する予約要求が選択される。リスティングのサブセットは、任意に、または、リスティングＬと、他のリスティングのサブセットとの間の類似性に基づいて選択され得る。例えばサブセットは、リスティングＬと同じユニットタイプを有する、および、領域Ｇの内部の、リスティングであり得る。さらに、所与のリスティングに対する予約要求のサブセットのみが、予約要求のセットに対して選択され得る。例えば、すぐ前の６か月などの、個別の時間期間の内部で為される予約要求のみが選択され得る。

生成器４０１は、特徴ベクトルを、予約要求のセット内の各々の予約要求に対して生成する。上記で論考されたように、要求特徴の所与のセットに対して、特徴ベクトルは、予約要求が要求特徴の各々を持つかどうかを識別する。多くの異なるタイプの要求特徴が上記でリスティングされているが、生成器４０１により生成される特徴ベクトルは、４つの特徴ｆ_a、ｆ_b、ｆ_c、およびｆ_dと、受け入れ値Ａとを含むということを想定することにする。この例では、ｆ_aの値は、要求される宿泊設備が、週末／休日に当たったかどうかを指示する。ｆ_bの値は、要求される宿泊設備が、リスティングに対してオファーされる夜の最大数に対するものであったかどうかを指示する。ｆ_cの値は、要求される宿泊設備に対するチェックイン日付が、以前のブッキングに対するチェックアウト日付の少なくとも丸１日後であったかどうかを指示する。ｆ_dの値は、宿主が以前に客により連絡されていたかどうかを指示する。Ａの値は、宿主が、予約要求を受け入れたか、それとも拒否したかを指示する。

各々の特徴ベクトルに対して生成器４０１は、生成器４０１が、関連付けられる予約要求が各々の要求特徴を持つかどうかを決定することを可能にするデータを記憶する、オンラインブッキングシステム１１１内の、関連性のある記憶機構にアクセスする。例えば、ｆ_aに対して生成器４０１は、予約要求記憶機構３１２にアクセスして、予約要求が為された細部日付を決定する。日付が週末／休日に当たったならば、ｆ_aは「１」にセットされる。日付が週末／休日に当たらなかったならば、ｆ_aは「０」にセットされる。同様に、ｆ_bに対して生成器４０１は、予約要求記憶機構３１２にアクセスして、予約要求が為された夜の数を決定する。生成器４０１はさらには、リスティング記憶機構２０５にアクセスして、リスティングに対して指定される夜の最大数を決定する。数マッチでは、ｆ_bは「１」にセットされる。数がマッチしないならば、ｆ_bは「０」にセットされる。そのような様式では、生成器４０１は、異なる記憶機構内のデータにアクセスして、予約要求のセットの各々に対する特徴ベクトルを完成する。

生成器４０１は次いで、予約要求のセットに対する個々の特徴ベクトルを組み合わせて、予約要求のセットを表すクラスタ特徴ベクトルを生成する。例えば、領域Ｇ内のリスティングＬを含む３つのリスティングが存するならば、３つのリスティングに対する予約要求の特徴ベクトルが、クラスタ特徴ベクトルを生成するために組み合わされる。そのような例では、５つの予約要求が、３つのリスティングに対して為されているということを想定する。クラスタ特徴ベクトルは次いで、次式の形式をとり得る。

ここで、ベクトルの各々の列は、ｆ_a、ｆ_b、ｆ_c、ｆ_d、およびＡの１つに対応し、各々の行は、３つのリスティングの１つに対する異なる予約要求に対応する。この例では、第１の２つの行は、リスティングＬに対する予約要求１および予約要求２に対応し得るものであり、行３および４は、領域Ｇ内のリスティングＭに対する予約要求１および予約要求２に対応し得るものであり、最後の行は、領域Ｇ内のリスティングＮに対する予約要求１に対応し得る。

選好ベクトル生成器４０３（さらには、「生成器４０３」）は、クラスタ特徴ベクトルを処理して、リスティング固有の選好ベクトルを生成し、この機能を遂行するための１つの手段である。リスティング固有の選好ベクトルは、各々の要求特徴に対する個別のリスティングの宿主の選好値を識別する。選好ベクトルは、［β_la，β_lb，β_lc，…，β_ln］の形式をとる。

リスティング固有の選好ベクトルを計算するために、生成器４０３は第１に、クラスタ特徴ベクトル内の各々の要求特徴に対するクラスタ選好値を計算する。所与の要求特徴に対するクラスタ選好値は、クラスタ内のすべてのリスティング、例えば、同じ領域内のリスティングの選好を、クラスタ特徴ベクトルにより表されるすべてのリスティングまたは予約要求にわたる、選好の平均または中央値を計算することにより組み合わせる。１つの実施形態ではクラスタ選好値は、後に続く数式を使用して計算される。

ここでβ_xは、所与の要求特徴に対するクラスタ選好値であり、Ｔは、クラスタ特徴ベクトルにより表される予約要求の総数であり、ｆ_xは、クラスタ特徴ベクトルにより表される所与の予約要求に対する要求特徴の値であり、Ａは、予約要求が宿主により受け入れられたか否かを指示する値である。

予約要求に関する上記の例をリスティングＬ〜Ｎに対して継続して、要求特徴ｆ_aに対するクラスタ選好値β_aが、後に続く式を評価することにより計算され得る。評価されるとき、β_aの値は約０．６７である。

クラスタ選好値が、要求特徴の各々に対して計算されると、生成器４０３は、個別のリスティングに対するリスティング固有の選好ベクトルを計算し得る。再び、リスティング固有の選好ベクトルは、各々の要求特徴に対する個別のリスティングの宿主の選好値を識別する。動作では生成器４０３は、各々の要求特徴に対するリスティング固有の選好値を、特徴に対するクラスタ選好値および局所的（local）選好値の組み合わせに基づいて計算する。所与の要求特徴に対する局所的選好値は、個別のリスティングに対するすべての予約要求にわたる、要求特徴に対する中央値または平均選好を指示する。１つの実施形態では局所的選好値は、後に続く数式を使用して計算される。

ここでβ_lxは、所与の要求特徴に対するリスティング固有の選好値であり、Ｙ_lは、リスティングｌに対してクラスタ特徴ベクトルで表される予約要求の総数であり、ｆ_xは、クラスタ特徴ベクトルで表される所与の予約要求に対する要求特徴の値であり、Ａは、予約要求が、宿主により受け入れられたか、それとも拒否されたかを指示しており、ｋは、要求特徴に対するクラスタ選好値に割り当てられることになる重みである。

予約要求に関する上記の例をリスティングＬ〜Ｎに対して継続して、要求特徴ｆ_aに対するリスティング固有の選好値β_laが、後に続く式を評価することにより計算され得る。下記の式では、重みｋは０．５にセットされる。任意の他の適した重みが、範囲の内部にある。評価されるとき、β_laの値は約０．１３である。

上記で論考されたように、リスティング固有の選好値［β_la，β_lb，β_lc，…，β_ln］は、リスティング固有の選好ベクトルを形成する。選好モデル生成器４０５（さらには、「生成器４０５」）は、リスティングに対するリスティング固有の選好モデルを、リスティング固有の選好ベクトルに基づいて生成し、この機能を遂行するための１つの手段である。モデルを生成するために、生成器４０５は第１に、モデルに対するトレーニングデータセットを生成する。トレーニングデータセットは、リスティング固有の選好ベクトルを、クラスタ特徴ベクトルにより表されるリスティングに対する予約要求の特徴ベクトルに適用することにより生成される。具体的には、所与の特徴ベクトルに対して、各々の要求特徴の値が、選好スコアを生成するために、その要求特徴に対するリスティング固有の選好値により乗算される。結果として生じる特徴ベクトルの集合体が、モデルに対するトレーニングデータセットを形成する。

生成器４０５は次に、トレーニングデータセットに基づいて、宿主が最終的に、予約要求を受け入れるか、それとも拒否するか、への、各々の選好の影響を推定する。各々の選好の推定される影響は、選好モデルのパラメータであり、パラメータの集合体が、選好モデルを形成する。１つの実施形態では生成器４０５は、Ａにより表されるような予約要求の受け入れまたは拒否と、要求特徴との間の統計的関係性を識別するロジスティック回帰を使用して、選好モデルのパラメータを計算する。具体的には生成器４０５は、クラスタ特徴ベクトルにより表される各々の予約要求に関連付けられる式をセットアップする。各々の式は、次式の形式をとる。
Ａ＝θ_o＋［θ_a×β_la・ｆ_a］＋［θ_b×β_lb・ｆ_b］＋［θ_c×β_lc・ｆ_c］＋［θ_d×β_ld・ｆ_d］
ここでＡは、予約要求が受け入れられたか、それとも拒否されたかを指示する値であり、θ_oは、パラメータモデルの定数パラメータであり、θ_aは、ｆ_aとＡとの間の統計的関係性を指示するパラメータモデルのパラメータであり、β_la・ｆ_aは、トレーニングデータセットでの要求特徴ｆ_aに対する選好スコアであり、θ_bは、ｆ_bとＡとの間の統計的関係性を指示するパラメータモデルのパラメータであり、β_lb・ｆ_bは、トレーニングデータセットでの要求特徴ｆ_bに対する選好スコアであり、θ_cは、ｆ_cとＡとの間の統計的関係性を指示するパラメータモデルのパラメータであり、β_lc・ｆ_cは、トレーニングデータセットでの要求特徴ｆ_cに対する選好スコアであり、θ_dは、ｆ_dとＡとの間の統計的関係性を指示するパラメータモデルのパラメータであり、β_ld・ｆ_dは、トレーニングデータセットでの要求特徴ｆ_dに対する選好スコアである。

生成器４０５は次いで、式を処理して、パラメータθ_o、θ_a、θ_b、θ_c、およびθ_dに対する値を推定する。集合的にパラメータは、領域内に含まれるリスティングの集合体に関連付けられる選好モデルを形成する。選好モデルは、リスティングに対する将来予約要求が、リスティングの宿主により受け入れられることになるということの確率を推定するために使用され得る。下記で図７との連関で詳細に論考されるように、そのような確率は、リスティングに対する検索結果をランク付けおよびフィルタリングするために使用され得る。

図５は、１つの実施形態による、リスティング固有の予約要求選好モデルを、領域データに基づいて生成するための例示的な方法のフローチャートである。図５での方法は、リスティングＬに対する選好モデルを生成することの文脈で説明される。方法は、リスティングＬが位置する地理的エリア内の、リスティングＬを含むリスティングに対する予約要求のセットを識別する（５０１）宿主選好モジュール２２９によって始まる。各々の予約要求は以前に、リスティングの宿主により受け入れられている、または拒否されている。

宿主選好モジュール２２９は、クラスタ特徴ベクトルを、予約要求の識別されたセットの特徴に基づいて生成する（５０３）。具体的には、宿主選好モジュール２２９は第１に、予約要求のセットの各々に対する特徴ベクトルを生成する。予約要求が要求特徴のセットの各々を持つか否かを指示する、各々の特徴ベクトル。予約要求のセットに対する特徴ベクトルが、クラスタ特徴ベクトルを集合的に形成する。

宿主選好モジュール２２９は、リスティングＬに対するリスティング固有の選好ベクトルを、生成されたクラスタ特徴ベクトルに基づいて生成する（５０５）。リスティング固有の選好ベクトルは、各々の要求特徴に対するリスティングＬの宿主の選好値を含む。リスティング固有の選好ベクトルを生成するために、宿主選好モジュール２２９は第１に、クラスタ特徴ベクトルにより表されるすべてのリスティングにわたる、各々の要求特徴に対する領域中央値または平均選好を計算する。領域中央値または平均選好は、要求特徴に対するリスティングＬの宿主の選好値を計算するために、要求特徴に対する宿主の選好と組み合わされる。

リスティング固有の選好ベクトルに基づいて、宿主選好モジュール２２９は、リスティングＬが属する領域に対する選好モデルを生成する（５０７）。選好モデルは、予約要求の受け入れと、各々の要求特徴との間の統計的関係性を指示する。モデルを決定するために、生成器４０５は第１に、モデルに対するトレーニングデータセットを生成する。トレーニングデータセットは、リスティング固有の選好ベクトルを、領域内のリスティングに対する予約要求の特徴ベクトルに適用することにより生成される。宿主選好モジュール２２９は次いで、トレーニングデータセットに基づいて、予約要求の受け入れと、各々の要求特徴と、宿主／リスティング選好との間の統計的関係性を推定する。推定された統計的関係性は、選好モデルのパラメータであり、パラメータの集合体が、選好モデルを形成する。

宿主選好モジュール２２９は、選好モデルをモデル記憶機構２３１に、リスティングが属する領域との関連付けで記憶する（５０９）。選好モデルは、周期的に、リスティングＬ、および／または、領域内の他のリスティングに対する新しい予約要求に関連付けられるデータに基づいて更新され得る。

選好モデルを生成することに対する個々の手法
個々の手法では宿主選好モジュール２２９は、２つの選好モデル：（ｉ）リスティングに対する予約要求に基づいて生成される局所的選好モデル、および、（ｉｉ）オンラインブッキングシステム１１１で利用可能なすべてのリスティングにわたる予約要求に基づいて生成される大域的（global）選好モデルを生成する。図６Ａは、局所的（local）選好モデルを生成するためのプロセスを説明し、図６Ｂは、大域的選好モデルを生成するためのプロセスを説明する。リスティングに関連付けられるデータが、正確なモデルを生成するのに十分であるとき、局所的選好モデルは、リスティングに対する将来予約要求が受け入れられることの確率を予測するために使用される。リスティングに関連付けられるデータが不十分であるとき、大域的選好モデルは、将来予約要求が受け入れられることに対する確率を予測するために使用される。

図６Ａは、１つの実施形態による、リスティングに対する局所的選好モデルを、リスティングに関連付けられるデータに基づいて生成するための例示的な方法のフローチャートである。図６Ａでの方法は、リスティングＬに対する選好モデルを生成することの文脈で説明される。方法は、リスティングＬに対する予約要求のセットを識別する（５０１）宿主選好モジュール２２９によって始まる。各々の予約要求は以前に、リスティングＬの宿主により受け入れられている、または拒否されている。

宿主選好モジュール２２９は、リスティング固有の特徴ベクトルを、予約要求の識別されたセットの特徴に基づいて生成する（６０３）。リスティング固有の特徴ベクトルは、予約要求のセットの各々に対するベクトルを含む。所与の予約要求に対して、特徴ベクトルは、予約要求が要求特徴のセットの各々を持つかどうかを識別する。生成器４０１により生成される特徴ベクトルは、４つの特徴ｆ_a、ｆ_b、ｆ_c、およびｆ_dと、受け入れ値Ａとを含むということを想定することにする。宿主選好モジュール２２９は、予約要求のセットに対する個々の特徴ベクトルを組み合わせて、予約要求のセットを表すリスティング固有の特徴ベクトルを生成する。例えば、５つの予約要求が、リスティングＬに対して為されているということを想定する。リスティングＬに対するリスティング固有の特徴ベクトルは次いで、次式の形式をとり得る。

ここで、ベクトルの各々の列は、ｆ_a、ｆ_b、ｆ_c、ｆ_d、およびＡの１つに対応し、各々の行は、リスティングＬに対する異なる予約要求に対応する。

リスティング固有の特徴ベクトルに基づいて、宿主選好モジュール２２９は、リスティングＬに対する局所的選好モデルを生成する（６０７）。局所的選好モデルは、リスティングＬに対する予約要求の受け入れと、各々の要求特徴との間の統計的関係性を指示する。局所的選好モデルに対するトレーニングデータセットが、リスティング固有の特徴ベクトルに基づいて生成される。宿主選好モジュール２２９は、トレーニングデータセットに基づいて、予約要求の受け入れと、各々の要求特徴との間の統計的関係性を推定する。各々の要求特徴の推定された統計的関係性は、選好モデルのパラメータであり、パラメータの集合体が、選好モデルを形成する。

１つの実施形態では宿主選好モジュール２２９は、Ａにより表されるような予約要求の受け入れまたは拒否と、要求特徴との間の統計的関係性を識別するロジスティック回帰を使用して、局所的選好モデルのパラメータを計算する。具体的には宿主選好モジュール２２９は、式のセットをセットアップし、各々の式は、リスティングＬに対するリスティング固有の特徴ベクトルにより表される異なる予約要求に関連付けられる。各々の式は、次式の形式をとる。
Ａ＝γ_o＋［γ_a×ｆ_a］＋［γ_b×ｆ_b］＋［γ_c×ｆ_c］＋［γ_d×ｆ_d］
ここでＡは、予約要求が受け入れられたか、それとも拒否されたかを指示する値であり、γ_oは、パラメータモデルの定数パラメータであり、γ_aは、ｆ_aとＡとの間の統計的関係性を指示するパラメータモデルのパラメータであり、ｆ_aは、リスティング固有の特徴ベクトルでの要求特徴ｆ_aに対する値であり、γ_bは、ｆ_bとＡとの間の統計的関係性を指示するパラメータモデルのパラメータであり、ｆ_bは、リスティング固有の特徴ベクトルでの要求特徴ｆ_bに対する値であり、γ_cは、ｆ_cとＡとの間の統計的関係性を指示するパラメータモデルのパラメータであり、ｆ_cは、リスティング固有の特徴ベクトルでの要求特徴ｆ_cに対する値であり、γ_dは、ｆ_dとＡとの間の統計的関係性を指示するパラメータモデルのパラメータであり、ｆ_dは、リスティング固有の特徴ベクトルでの要求特徴ｆ_dに対する値である。宿主選好モジュール２２９は次いで、式を処理して、パラメータγ_o、γ_a、γ_b、γ_c、およびγ_dに対する値を推定する。集合的にパラメータは、リスティングＬに関連付けられる局所的選好モデルを形成する。局所的選好モデルは、リスティングに対する将来予約要求が、リスティングの宿主により受け入れられることになるということの確率を推定するために使用され得る。

宿主選好モジュール２２９は、局所的選好モデルをリスティング記憶機構２０５に、リスティングＬとの関連付けで記憶する（６０７）。局所的選好モデルは、周期的に、リスティングＬに対する新しい予約要求に関連付けられるデータに基づいて更新され得る。

図６Ｂは、１つの実施形態による、大域的選好モデルを、大域的データに基づいて生成するための例示的な方法のフローチャートである。方法は、オンラインブッキングシステム１１１でのすべてのリスティングに関連付けられる予約要求のセットを識別する（６０９）宿主選好モジュール２２９によって始まる。各々の予約要求は以前に、リスティングの宿主により受け入れられている、または拒否されている。

宿主選好モジュール２２９は、大域的特徴ベクトルを、予約要求の識別されたセットの特徴に基づいて生成する（６１１）。大域的特徴ベクトルは、予約要求のセットの各々に対するベクトルを含む。所与の予約要求に対して、特徴ベクトルは、予約要求が要求特徴のセットの各々を持つかどうかを識別する。生成器４０１により生成される特徴ベクトルは、４つの特徴ｆ_a、ｆ_b、ｆ_c、およびｆ_dと、受け入れ値Ａとを含むということを想定することにする。宿主選好モジュール２２９は、予約要求のセットに対する個々の特徴ベクトルを組み合わせて、予約要求のセットを表す大域的特徴ベクトルを生成する。

大域的特徴ベクトルに基づいて、宿主選好モジュール２２９は、大域的選好モデルを生成する（６１３）。大域的選好モデルは、任意のリスティングに対する予約要求の受け入れと、各々の要求特徴との間の統計的関係性を指示する。大域的選好モデルに対するトレーニングデータセットが、すべてのリスティングにわたるすべての予約要求に対する特徴ベクトルを含む大域的特徴ベクトルに基づいて生成される。宿主選好モジュール２２９は、トレーニングデータセットに基づいて、予約要求の受け入れと、各々の要求特徴との間の統計的関係性を推定する。各々の要求特徴の推定された統計的関係性は、大域的選好モデルのパラメータであり、パラメータの集合体が、大域的選好モデルを形成する。

１つの実施形態では宿主選好モジュール２２９は、Ａにより表されるような予約要求の受け入れまたは拒否と、要求特徴との間の統計的関係性を識別するロジスティック回帰を使用して、局所的選好モデルのパラメータを計算する。この実施形態でのロジスティック回帰の細部は、局所的選好モデルに関して上記で論考されたものと同じである。

宿主選好モジュール２２９は、大域的選好モデルをリスティング記憶機構２０５に記憶する（６１５）。大域的選好モデルは、周期的に、オンラインブッキングシステム１１１でのリスティングに対する新しい予約要求に関連付けられるデータに基づいて更新され得る。

検索結果を選好モデルによって改善すること
宿主選好モジュール２２９により生成される選好モデルは、検索モジュール２１７により、検索クエリを受信することへの応答で見込み客に提示される検索結果を改善するために使用され得る。具体的には選好モデルは、検索モジュール２１７により、検索結果に関連付けられるリスティングに対する予約要求が、リスティングの宿主により受け入れられることになるということの確率を決定するために使用され得る。検索モジュール２１７は次いで、検索結果を、決定された確率によってランク付けし、および／または、しきい値より下の決定された確率を有する所定の検索結果をフィルタリングし得る。

図７は、１つの実施形態による、検索クエリに対する検索結果を、選好モデルに基づいて生成するための例示的な方法のフローチャートである。検索モジュール２１７が検索クエリを客から受信すること（７０１）で方法は始まる。検索クエリは典型的には、クエリの範囲を定義する数個のパラメータを含む。パラメータは、地理的領域、ユニットタイプ、チェックインおよびチェックアウト日付、ならびに、客の数を含み得る。検索クエリへの応答で、検索モジュール２１７は、検索パラメータを満足させる、リスティング記憶機構２０５内のリスティングのセットを識別する（７０３）。

各々のリスティングに対して、検索モジュール２１７は、リスティングに関連付けられる選好モデルに基づいて、客からの検索クエリのパラメータとマッチングする、リスティングに対する見込み予約要求が、リスティングの宿主により受け入れられることになるということの確率を計算する（７０５）。確率の計算は、宿主選好モジュール２２９が、クラスタ手法にしたがっているか、それとも、個々の手法にしたがっているかに依存して異なる。

クラスタ手法の事例では、検索モジュール２１７は、選好モジュール記憶機構２３１に記憶される選好モデルを選択する。検索モジュール２１７は次いで、選好モデルで指定されるパラメータを識別し、検索クエリから導出されるそれらのパラメータを、検索クエリから導出されるパラメータに適用する。具体的には検索モジュール２１７は、検索クエリを要求特徴へと解読し、関連性のあるパラメータを各々の要求特徴に適用する。１つの実施形態では、後に続く式が、パラメータを見込み予約要求に適用するために使用される。
Ｌ＝θ_o＋［θ_a×β_la・ｆ_a］＋［θ_b×β_lb・ｆ_b］＋［θ_c×β_lc・ｆ_c］＋［θ_d×β_ld・ｆ_d］
ここでＬは、見込み予約要求が受け入れられることになるということの尤度を指示する値であり、θ_oは、パラメータモデルの定数パラメータであり、θ_aは、ｆ_aと、予約要求の受け入れとの間の統計的関係性を指示する選好モデルのパラメータであり、β_laは、要求特徴ｆ_aに対するリスティング固有の選好であり、ｆ_aは、見込み予約要求の要求特徴に対する値であり、θ_bは、所与の宿主選好βｌ_bと、予約要求の受け入れとの間の統計的関係性を指示し、β_lbは、要求特徴ｆ_bに対するリスティング固有の選好であり、ｆ_bは、見込み予約要求に対する要求特徴に対する値であり、θ_cは、ｆ_cと、予約要求の受け入れとの間の統計的関係性を指示する選好モデルのパラメータであり、β_lcは、要求特徴ｆ_cに対するリスティング固有の選好であり、ｆ_cは、見込み予約要求に対する要求特徴に対する値であり、θ_dは、ｆ_dと、予約要求の受け入れとの間の統計的関係性を指示する選好モデルのパラメータであり、β_ldは、要求特徴ｆ_dに対するリスティング固有の選好であり、ｆ_dは、見込み予約要求に対する要求特徴に対する値である。

１つの実施形態では、上記の式からのＬ、すなわち、見込み予約要求が受け入れられることになるということの尤度は、後に続くロジスティック数式：
１／（１＋ｅ^-L）
を使用して、確率に変換される。

個々の手法にしたがう宿主選好モジュール２２９の事例では、検索モジュール２１７は、リスティングとの関連付けで記憶される、大域的選好モジュールと局所的選好モジュールとの間で選択する。検索モジュール２１７は、リスティングであって、それに基づいて局所的選好モジュールが生成されたリスティングに対して受信される、履歴予約要求の数に基づいて、選択を為す。予約要求の数がしきい値より下であるとき、検索モジュール２１７は、大域的選好モデルのパラメータを、見込み予約要求に適用する。予約要求の数がしきい値より上であるとき、検索モジュール２１７は、局所的選好モデルのパラメータを、見込み予約要求に適用する。大域的選好モデルまたは局所的選好モデルを、見込み予約要求に適用するための機構は、クラスタ手法に関して上記で論考されたものと同じである。１つの実施形態では、予約要求の数がしきい値より上であるとき、検索モジュール２１７は、大域的選好モデルに基づく大域的確率、および、局所的選好モデルに基づく局所的確率を計算する。２つの確率が次いで、見込み予約要求が受け入れられることの確率を生成するために組み合わされる。

予約要求が受け入れられることの確率が、識別されたリスティングに対して計算されると、検索モジュール２１７は、リスティングを見込み客に、計算された確率に基づいて提示する（７０７）。１つの実施形態では検索モジュール２１７は、リスティングを、計算された確率に基づいてランク付けする。リスティングの品質、価格他などの他の特徴が、リスティングのランク付けをさらに左右することがある。別の実施形態では検索モジュール２１７は、しきい値より下の計算された確率を有するリスティングを、提示されることからフィルタリングする。

代替的用途
本明細書で説明される特徴および利点は、すべてを含むというものではなく、特に、多くの追加的な特徴および利点が、当技術分野の通常の当業者に対して、図面、明細書、および、特許請求の範囲の考察で明らかとなろう。さらに、本明細書で使用される文言は、主として、読みやすさ、および、教育上の目的のために選択されたものであり、発明的な主題について、細かく描写する、または、境界を定めるために選択されたものではないことがあるということが留意されるべきである。

本発明の実施形態の上述の説明は、図解の目的のために提示されたものであり、それは、網羅的であること、または、本発明を、開示される寸分違わない形式に制限することを意図されない。関連性のある技術分野の当業者は、多くの修正および変形が、上記の開示の観点で可能であるということを察知し得る。

本説明の一部の小部分は、本発明の実施形態を、情報に関する動作のアルゴリズムおよびシンボル的表現の見地で説明する。これらのアルゴリズム的説明および表現は、データ処理技術分野の当業者により、それらの成果の大意を、効果的に、当技術分野の他の当業者に伝えるために、通常使用されるものである。これらの動作は、機能的に、計算的に、または論理的に説明されるが、コンピュータプログラムもしくは等価の電気回路、マイクロコード、または類するものにより実装されると理解される。さらに、時には、一般性の損失なしに、動作のこれらの配置構成をモジュールと称することが好都合であることが、さらには判明している。説明される動作、および、それらの関連付けられるモジュールは、ソフトウェア、ファームウェア、ハードウェア、または、それらの任意の組み合わせで実施され得る。

本明細書で説明されるステップ、動作、またはプロセスの任意のものは、１つまたは複数のハードウェアまたはソフトウェアモジュールによって、単独で、または、他のデバイスとの組み合わせで、遂行または実装され得る。１つの実施形態ではソフトウェアモジュールは、コンピュータプロセッサにより、説明されるステップ、動作、またはプロセスの、いずれかまたはすべてを遂行するために実行され得る、コンピュータプログラムコードを内包するコンピュータ可読媒体を備えるコンピュータプログラム製品によって実装される。

本発明の実施形態はさらには、本明細書での動作を遂行するための装置に関係し得る。この装置は、要される目的に対して特別に構築され得るものであり、および／または、それは、コンピュータに記憶されるコンピュータプログラムにより選択的にアクティブ化もしくは再構成される汎用コンピューティングデバイスを備え得る。そのようなコンピュータプログラムは、電子命令を記憶することに適した、および、コンピュータシステムバスに結合される、有形コンピュータ可読記憶媒体、または、任意のタイプの媒体に記憶され得る。さらに、本明細書で参照される任意のコンピューティングシステムは、単一のプロセッサを含み得るものであり、または、増大されるコンピューティング能力のための多重プロセッサ設計を用いるアーキテクチャであり得る。

最後に、本明細書で使用される文言は、主として、読みやすさ、および、教育上の目的のために選択されたものであり、それは、発明的な主題について、細かく描写する、または、境界を定めるために選択されたものではないことがある。したがって、本発明の範囲は、本詳細な説明によってではなく、むしろ、本明細書に基づく出願に関して発する任意の特許請求の範囲によって制限されるということが意図される。したがって、本発明の実施形態の開示は、後に続く特許請求の範囲に記載された、本発明の範囲に関して、例示的であることを意図されるが、制限的であることは意図されない。

Claims (20)

1. 客コンピュータから、要求特徴を特定する検索クエリを受信することと、
   前記検索クエリを受信することに応答して、宿設備についての複数のリスティングを識別することと、
   前記複数のリスティングに対して受信された複数の予約要求にアクセスすることであり、リスティングに対する各々の予約要求は以前に、当該リスティングが由来する宿主コンピュータにより受け入れられている、または拒否されている、アクセスすることと、
   前記複数の予約要求に基づいてクラスタ選好数値を決定することと、
   前記複数のリスティングの各々について、
   前記クラスタ選好数値および前記要求特徴に対する前記リスティングに固有の選好値に基づいて、前記要求特徴に対するリスティング固有の選好値を決定することと、
   前記リスティング固有の選好値に基づいて選好モデルを生成することと、
   前記選好モデルを前記検索クエリに関連付けられた見込み予約要求に適用して、前記見込み予約要求が、対応する前記宿主コンピュータにより受け入れられることになるということの確率を計算することと、
   前記計算された確率に基づいて前記複数のリスティングをランク付けすることと、
   前記ランク付けに基づく表示のために、前記客コンピュータへ前記前記複数のリスティングに対応する検索結果を送信することと
   を含むことを特徴とするコンピュータ実装方法。
2. 前記複数の予約要求に基づいてクラスタ選好数値を決定することは、
   前記複数の予約要求内の受け入れられた予約要求の数を決定することと、
   前記複数の予約要求内の前記要求特徴を持つ予約要求の数を決定することと、
   前記受け入れられた前記予約要求の数、および、前記要求特徴を持つ前記予約要求の数に基づいて前記クラスタ選好数値を決定することと
   を含むことを特徴とする請求項１に記載の方法。
3. 前記複数のリスティングの各々についての各選好モデルは、
   前記要求特徴と、対応する前記宿主コンピュータにより受け入れられる、または拒否される、各リスティングに対する予約要求との間の関係性を識別するパラメータを含むことをさらに含むことを特徴とする請求項１に記載の方法。
4. 前記複数のリスティングは、地理的地域、部屋タイプおよび宿主のうちの少なくとも１つから選択された同一の属性と関連付けられていることを特徴とする請求項１に記載の方法。
5. 前記要求特徴は、前記複数の予約要求を分類するための機構を示すことを特徴とする請求項１に記載の方法。
6. 前記リスティング固有の選好値を決定することは、
   前記リスティングに対して受信された前記複数の予約要求のサブセットを識別することと、
   前記サブセット内の受け入れられた前記予約要求の数、および、前記サブセット内の前記要求特徴を持つ前記予約要求の数を決定することと、
   前記クラスタ選好数値、前記サブセット内の受け入れられた前記予約要求の数、および、前記サブセット内の前記要求特徴を持つ前記予約要求の数の組み合わせに基づいて前記リスティング固有の値を決定することと
   を含むことを特徴とする請求項１に記載の方法。
7. 前記選好モデルを生成することは、前記リスティング固有の選好値を前記リスティングに対して受信された前記複数の予約要求のサブセットに適用することにより、トレーニングデータセットを生成することを含むことを特徴とする請求項１に記載の方法。
8. 前記要求特徴は、前記宿設備の以前の予約またはカレンダ利用不可能性終了と、予約要求に関連付けられた予約始まりとの間の、時間の特定の期間を指示する間隙特徴であることを特徴とする請求項１に記載の方法。
9. 実行可能なコンピュータプログラム命令を記憶する非一時的コンピュータ可読媒体であって、前記コンピュータプログラム命令は、実行されるときに、コンピュータプロセッサに、
   客コンピュータから、要求特徴を特定する検索クエリを受信することと、
   前記検索クエリを受信することに応答して、宿設備についての複数のリスティングを識別することと、
   前記複数のリスティングに対して受信された複数の予約要求にアクセスすることであり、リスティングに対する各々の予約要求は以前に、当該リスティングが由来する宿主コンピュータにより受け入れられている、または拒否されている、アクセスすることと、
   前記複数の予約要求に基づいてクラスタ選好数値を決定することと、
   前記複数のリスティングの各々について、
   前記クラスタ選好数値および前記要求特徴に対する前記リスティングに固有の選好値に基づいて、前記要求特徴に対するリスティング固有の選好値を決定することと、
   前記リスティング固有の選好値に基づいて選好モデルを生成することと、
   前記選好モデルを前記検索クエリに関連付けられた見込み予約要求に適用して、前記見込み予約要求が、対応する前記宿主コンピュータにより受け入れられることになるということの確率を計算することと、
   前記計算された確率に基づいて前記複数のリスティングをランク付けすることと、
   前記ランク付けに基づく表示のために、前記客コンピュータへ前記前記複数のリスティングに対応する検索結果を送信することと
   を実行させる命令を含むことを特徴とする非一時的コンピュータ可読媒体。
10. 前記複数の予約要求に基づいてクラスタ選好数値を決定することについて、前記コンピュータプログラム命令は、実行されるときに、前記コンピュータプロセッサに、
    前記複数の予約要求内の受け入れられた予約要求の数を決定することと、
    前記複数の予約要求内の前記要求特徴を持つ予約要求の数を決定することと、
    前記受け入れられた前記予約要求の数、および、前記要求特徴を持つ前記予約要求の数に基づいて前記クラスタ選好数値を決定することと
    を実行させる命令を含むことを特徴とする請求項９に記載の非一時的コンピュータ可読媒体。
11. 前記複数のリスティングの各々についての各選好モデルは、
    前記要求特徴と、対応する前記宿主コンピュータにより受け入れられる、または拒否される、各リスティングに対する予約要求との間の関係性を識別するパラメータを含むことをさらに含むことを特徴とする請求項９に記載の非一時的コンピュータ可読媒体。
12. 前記複数のリスティングは、地理的地域、部屋タイプおよび宿主のうちの少なくとも１つから選択された同一の属性と関連付けられていることを特徴とする請求項９に記載の非一時的コンピュータ可読媒体。
13. 前記要求特徴は、前記複数の予約要求を分類するための機構を示すことを特徴とする請求項９に記載の非一時的コンピュータ可読媒体。
14. 前記リスティング固有の選好値を決定することについて、前記コンピュータプログラム命令は、実行されるときに、前記コンピュータプロセッサに、
    前記リスティングに対して受信された前記複数の予約要求のサブセットを識別することと、
    前記サブセット内の受け入れられた前記予約要求の数、および、前記サブセット内の前記要求特徴を持つ前記予約要求の数を決定することと、
    前記クラスタ選好数値、前記サブセット内の受け入れられた前記予約要求の数、および、前記サブセット内の前記要求特徴を持つ前記予約要求の数の組み合わせに基づいて前記リスティング固有の値を決定することと
    を実行させる命令を含むことを特徴とする請求項９に記載の非一時的コンピュータ可読媒体。
15. 前記選好モデルを生成することは、前記リスティング固有の選好値を前記リスティングに対して受信された前記複数の予約要求のサブセットに適用することにより、トレーニングデータセットを生成することを含むことを特徴とする請求項９に記載の非一時的コンピュータ可読媒体。
16. 実行可能なコンピュータプログラム命令を記憶する非一時的コンピュータ可読媒体を備えたコンピュータシステムであって、前記コンピュータプログラム命令は、実行されるときに、コンピュータプロセッサに、
    客コンピュータから、要求特徴を特定する検索クエリを受信することと、
    前記検索クエリを受信することに応答して、宿設備についての複数のリスティングを識別することと、
    前記複数のリスティングに対して受信された複数の予約要求にアクセスすることであり、リスティングに対する各々の予約要求は以前に、当該リスティングが由来する宿主コンピュータにより受け入れられている、または拒否されている、アクセスすることと、
    前記複数の予約要求に基づいてクラスタ選好数値を決定することと、
    前記複数のリスティングの各々について、
    前記クラスタ選好数値および前記要求特徴に対する前記リスティングに固有の選好値に基づいて、前記要求特徴に対するリスティング固有の選好値を決定することと、
    前記リスティング固有の選好値に基づいて選好モデルを生成することと、
    前記選好モデルを前記検索クエリに関連付けられた見込み予約要求に適用して、前記見込み予約要求が、対応する前記宿主コンピュータにより受け入れられることになるということの確率を計算することと、
    前記計算された確率に基づいて前記複数のリスティングをランク付けすることと、
    前記ランク付けに基づく表示のために、前記客コンピュータへ前記前記複数のリスティングに対応する検索結果を送信することと
    を実行させる命令を含むことを特徴とするコンピュータシステム。
17. 前記複数の予約要求に基づいてクラスタ選好数値を決定することは、
    前記複数の予約要求内の受け入れられた予約要求の数を決定することと、
    前記複数の予約要求内の前記要求特徴を持つ予約要求の数を決定することと、
    前記受け入れられた前記予約要求の数、および、前記要求特徴を持つ前記予約要求の数に基づいて前記クラスタ選好数値を決定することと
    を含むことを特徴とする請求項１６に記載のコンピュータシステム。
18. 前記複数のリスティングの各々についての各選好モデルは、
    前記要求特徴と、対応する前記宿主コンピュータにより受け入れられる、または拒否される、各リスティングに対する予約要求との間の関係性を識別するパラメータを含むことをさらに含むことを特徴とする請求項１６に記載のコンピュータシステム。
19. 前記複数のリスティングは、地理的地域、部屋タイプおよび宿主のうちの少なくとも１つから選択された同一の属性と関連付けられていることを特徴とする請求項１６に記載のコンピュータシステム。
20. 前記リスティング固有の選好値を決定することは、
    前記リスティングに対して受信された前記複数の予約要求のサブセットを識別することと、
    前記サブセット内の受け入れられた前記予約要求の数、および、前記サブセット内の前記要求特徴を持つ前記予約要求の数を決定することと、
    前記クラスタ選好数値、前記サブセット内の受け入れられた前記予約要求の数、および、前記サブセット内の前記要求特徴を持つ前記予約要求の数の組み合わせに基づいて前記リスティング固有の値を決定することと
    を含むことを特徴とする請求項１６に記載のコンピュータシステム。

Images