本發(fā)明涉及一種酒店推薦系統(tǒng)及方法，特別是涉及一種ota網(wǎng)站中個性化的酒店推薦系統(tǒng)及方法。

背景技術(shù)：

目前隨著互聯(lián)網(wǎng)和大數(shù)據(jù)技術(shù)的快速發(fā)展，推薦系統(tǒng)已經(jīng)被越來越多的應(yīng)用到各行各業(yè)，尤其是互聯(lián)網(wǎng)行業(yè)中。比較成熟的有亞馬遜網(wǎng)站的個性化商品推薦系統(tǒng)、網(wǎng)易的個性化音樂推薦系統(tǒng)等。而隨著網(wǎng)絡(luò)及移動互聯(lián)網(wǎng)技術(shù)的不斷發(fā)展，越來越多的消費者也開始選擇通過ota網(wǎng)站(在線旅游網(wǎng)站)及移動端app(應(yīng)用程序)查看酒店信息并訂購酒店，那么在用戶需要訂購酒店時為其推薦符合其偏好的酒店，便成為一項必不可少的要求。

由于酒店產(chǎn)品與其他電商產(chǎn)品相比具有一些特殊性，用于周邊酒店的個性化推薦問題也存在其復(fù)雜性和特殊性，主要表現(xiàn)在以下幾個方面：

第一，傳統(tǒng)的推薦系統(tǒng)，通常會根據(jù)用戶特性進行一些交叉推薦(如買漫畫書，推薦該漫畫的周邊等)，而ota網(wǎng)站的產(chǎn)品是單一的，不可能進行交叉推薦，只能利用產(chǎn)品細節(jié)推薦更加符合用戶偏好的酒店，如星級、價位、地理位置等。

第二，由于酒店的庫存是有限的，當酒店滿房之后，即使它非常符合客戶的需求，也不能再為用戶推薦該酒店；而傳統(tǒng)的推薦系統(tǒng)，很少會受到庫存的影響，即使某件產(chǎn)品脫銷了，也可以讓廠家加快該產(chǎn)品的生產(chǎn)速度和適當延長發(fā)貨時長來解決。

第三，酒店是一種不可移動的產(chǎn)品，當用戶在查詢目標酒店的時候，一般的會考慮該酒店附近的酒店，比如用戶在查詢a城的酒店時，如果推薦系統(tǒng)給其推薦b城市的酒店時，那么這個推薦被采用的概率就極低，所以在推薦酒店時用戶對酒店的位置是有要求的，因此在設(shè)計推薦酒店推薦系統(tǒng)的時候，必須要考慮酒店的位置。

第四，當酒店的狀態(tài)(是否滿房、剩余房間價格比較高)發(fā)生變化時，必須實時進行反饋，對推薦結(jié)果進行調(diào)整，所以酒店的推薦系統(tǒng)必須是實現(xiàn)實時反饋。

基于上述情況可以看出，在其他電商中廣泛采用的推薦算法與系統(tǒng)并不能滿足ota網(wǎng)站進行個性化周邊酒店推薦的目的。

技術(shù)實現(xiàn)要素：

本發(fā)明要解決的技術(shù)問題是為了克服現(xiàn)有技術(shù)中傳統(tǒng)推薦算法無法處理ota網(wǎng)站中酒店推薦的缺陷，提供一種ota網(wǎng)站中個性化的酒店推薦系統(tǒng)及方法。本發(fā)明不僅考慮了酒店的位置、星級、價格以及用戶的歷史畫像等因素，而且利用了酒店的實時信息、用戶的實時偏好信息等，能夠?qū)崟r個性化的向用戶推薦符合用戶偏好的周邊酒店，通過該算法與系統(tǒng)，ota網(wǎng)站可以讓用戶用更短的時間選擇到滿意的酒店。

本發(fā)明是通過下述技術(shù)方案來解決上述技術(shù)問題的：

本發(fā)明提供了一種ota網(wǎng)站中個性化的酒店推薦系統(tǒng)，其特點在于，包括：

數(shù)據(jù)采集模塊，用于根據(jù)用戶在客戶端的操作，獲取用戶信息(ui信息)和目標酒店信息(hi信息)；

初選模塊，用于根據(jù)用戶信息和目標酒店信息，從數(shù)據(jù)庫中獲取目標酒店的靜態(tài)維度(如星級、商圈等)、實時維度(如酒店可訂率、酒店最低價等)和目標酒店的周邊酒店備選池(記為h)，并獲取周邊酒店備選池的靜態(tài)維度和實時維度；

實時偏好推薦模塊，用于根據(jù)所述初選模塊獲取的各類數(shù)據(jù)，利用個性化周邊酒店推薦算法進行處理，得到所述周邊酒店備選池中的每個候選酒店的評分并進行降序排序；

實時信息過濾模塊，用于過濾不可預(yù)訂的候選酒店，將剩余的排名靠前的n個候選酒店推送給用戶，其中n為正整數(shù)。

較佳地，所述酒店推薦系統(tǒng)還包括：

線上模塊，用于在用戶訪問ota網(wǎng)站時，向用戶展示所述n個候選酒店。所述線上模塊在網(wǎng)站及app界面中，當用戶進入酒店詳情頁時，調(diào)用個性化周邊酒店推薦算法，在酒店詳情頁下方展示為根據(jù)用戶個性化推薦的周邊酒店。

較佳地，所述數(shù)據(jù)采集模塊還用于獲取用戶的實時偏好；

所述初選模塊還用于根據(jù)用戶信息獲取用戶畫像信息及用戶的實時偏好信息；

其中所述初選模塊在獲取用戶畫像信息時會考慮到部分新用戶，為其填充粗略的畫像。

所述實時偏好推薦模塊還用于根據(jù)用戶的實時偏好信息修改每個候選酒店的評分。

較佳地，所述不可預(yù)訂的候選酒店包括滿房的、用戶不可定的、臨時的并且已經(jīng)下線的、app前臺因某種原因下線的、無法顯示的、其他業(yè)務(wù)方要求的不可上線的候選酒店。

較佳地，所述個性化周邊酒店推薦算法為邏輯回歸模型算法。

本發(fā)明的目的在于還提供了一種ota網(wǎng)站中個性化的酒店推薦方法，其特點在于，包括以下步驟：

s1、根據(jù)用戶在客戶端的操作，獲取用戶信息和目標酒店信息；

s2、根據(jù)用戶信息和目標酒店信息，從數(shù)據(jù)庫中獲取目標酒店的靜態(tài)維度、實時維度和目標酒店的周邊酒店備選池，并獲取周邊酒店備選池的靜態(tài)維度和實時維度；其中，酒店維度具體包括歷史維度與實時維度，儲存最新的酒店數(shù)據(jù)，包括且不限于酒店的星級、價格、經(jīng)緯度、所屬商圈、服務(wù)、品牌等。

s3、根據(jù)所述初選模塊獲取的各類數(shù)據(jù)，利用個性化周邊酒店推薦算法進行處理，得到所述周邊酒店備選池中的每個候選酒店的評分并進行降序排序；

s4、過濾不可預(yù)訂的候選酒店，將剩余的排名靠前的n個候選酒店推送給用戶，其中n為正整數(shù)。

其中，周邊備選池酒店不是簡單的來自于對城市中所有酒店遍歷后的結(jié)果，而是根據(jù)歷史訂單，獲取曾訂購過目標酒店(hi)的用戶群u所訂購過酒店集合h1，從h1中選取距離hi符合條件的酒店h2，并計算h1與h2之間的交叉用戶數(shù)(其計算交叉用戶的方法是對傳統(tǒng)協(xié)同過濾算法的改進)，如果h2的數(shù)目超過備選池所要的數(shù)目n，則選取交叉用戶最多的前n個酒店，如果h2的數(shù)目小于n，則用符合距離條件的熱銷酒店進行補充。

所述的交叉用戶的計算方法與傳統(tǒng)的協(xié)同過濾方法存在較大的差異。在傳統(tǒng)的基于物品的協(xié)同過濾方法中，往往采用交叉用戶概率的方法對關(guān)聯(lián)物品進行劃分。假設(shè)存在酒店a和b，則根據(jù)公式計算二者交叉用戶在并集用戶中的概率：然后根據(jù)概率降序排列獲得關(guān)聯(lián)結(jié)果。本發(fā)明直接利用式：a∩b計算交叉用戶數(shù)，克服傳統(tǒng)依概率獲取關(guān)聯(lián)性的缺點，提高了準確性。

較佳地，所述酒店推薦方法還包括：

s5、在用戶訪問ota網(wǎng)站時，向用戶展示所述n個候選酒店。

較佳地，步驟s1中還獲取用戶的實時偏好；

步驟s2中還根據(jù)用戶信息獲取用戶畫像信息及用戶的實時偏好信息；

其中，所述用戶畫像信息包括用戶的歷史訂購信息，所述歷史訂購信息包括但不限于用戶訂購酒店的平均星級、用戶訂單的平均價格、用戶商務(wù)出行次數(shù)、親子出游次數(shù)等。用戶的實時偏好信息包括當前會話中瀏覽的酒店信息、用戶的篩選信息、用戶的查詢信息等。在有用戶實時偏好信息的情況下，可以根據(jù)實時偏好，改變參數(shù)加權(quán)進而調(diào)整候選酒店得分。

步驟s3中還根據(jù)用戶的實時偏好信息修改每個候選酒店的評分。

較佳地，所述不可預(yù)訂的候選酒店包括滿房的、用戶不可定的、臨時的并且已經(jīng)下線的、app前臺因某種原因下線的、無法顯示的、其他業(yè)務(wù)方要求的不可上線的候選酒店。

較佳地，所述個性化周邊酒店推薦算法為邏輯回歸模型算法。

本發(fā)明的積極進步效果在于：本發(fā)明可以提升用戶體驗，由于本發(fā)明所推薦的酒店都是根據(jù)客戶實時偏好和實時酒店信息所推薦的，在為客戶選擇了適合客戶產(chǎn)品的同時，為客戶提前排除了符合條件但卻因為各種原因無法提供服務(wù)的酒店，提升了用戶網(wǎng)上訂酒店的效率，其中準確率由原來的2.8％提升到16.7％，查全率從原來的56％提升到76％。。

附圖說明

圖1為本發(fā)明的較佳實施例的ota網(wǎng)站中個性化的酒店推薦系統(tǒng)的模塊示意圖。

圖2為本發(fā)明的較佳實施例的ota網(wǎng)站中個性化的酒店推薦方法的流程圖。

具體實施方式

下面通過實施例的方式進一步說明本發(fā)明，但并不因此將本發(fā)明限制在所述的實施例范圍之中。

如圖1所示，本發(fā)明的ota網(wǎng)站中個性化的酒店推薦系統(tǒng)包括數(shù)據(jù)采集模塊1、初選模塊2、實時偏好推薦模塊3、實時信息過濾模塊4以及線上模塊5；

其中，所述數(shù)據(jù)采集模塊1用于根據(jù)用戶在客戶端的操作，獲取用戶信息和目標酒店信息；并且優(yōu)選地，所述數(shù)據(jù)采集模塊1還可以獲取用戶的實時偏好；

所述初選模塊2用于根據(jù)用戶信息和目標酒店信息，從數(shù)據(jù)庫中獲取目標酒店的靜態(tài)維度、實時維度和目標酒店的周邊酒店備選池，并獲取周邊酒店備選池的靜態(tài)維度和實時維度；所述初選模塊2還用于在獲取用戶畫像信息時會考慮到部分新用戶，為其填充粗略的畫像；

所述實時偏好推薦模塊3用于根據(jù)所述初選模塊獲取的各類數(shù)據(jù)，利用個性化周邊酒店推薦算法進行處理，得到所述周邊酒店備選池中的每個候選酒店的評分并進行降序排序；所述實時偏好推薦模塊3還用于根據(jù)用戶的實時偏好信息修改每個候選酒店的評分。

所述實時信息過濾模塊4用于過濾不可預(yù)訂的候選酒店，將剩余的排名靠前的n個候選酒店推送給用戶，其中n為正整數(shù)。其中，所述不可預(yù)訂的候選酒店包括滿房的、用戶不可定的、臨時的并且已經(jīng)下線的、app前臺因某種原因下線的、無法顯示的、其他業(yè)務(wù)方要求的不可上線的候選酒店。

所述線上模塊5則用于在用戶訪問ota網(wǎng)站時，向用戶展示所述n個候選酒店。所述線上模塊5在網(wǎng)站及app界面中，當用戶進入酒店詳情頁時，調(diào)用個性化周邊酒店推薦算法，在酒店詳情頁下方展示為根據(jù)用戶個性化推薦的周邊酒店。

如圖2所示，本發(fā)明還提供了一種ota網(wǎng)站中個性化的酒店推薦方法，其利用上述的酒店推薦系統(tǒng)實現(xiàn)，所述酒店推薦方法包括以下步驟：

步驟101、根據(jù)用戶在客戶端的操作，獲取用戶信息和目標酒店信息；

步驟102、根據(jù)用戶信息和目標酒店信息，從數(shù)據(jù)庫中獲取目標酒店的靜態(tài)維度、實時維度和目標酒店的周邊酒店備選池，并獲取周邊酒店備選池的靜態(tài)維度和實時維度；

其中，酒店維度具體包括歷史維度與實時維度，儲存最新的酒店數(shù)據(jù)，包括且不限于酒店的星級、價格、經(jīng)緯度、所屬商圈、服務(wù)、品牌等。

步驟103、根據(jù)所述初選模塊獲取的各類數(shù)據(jù)，利用個性化周邊酒店推薦算法進行處理，得到所述周邊酒店備選池中的每個候選酒店的評分并進行降序排序；

步驟104、過濾不可預(yù)訂的候選酒店，將剩余的排名靠前的n個候選酒店推送給用戶，其中n為正整數(shù)；

步驟105、在用戶訪問ota網(wǎng)站時，向用戶展示所述n個候選酒店。

其中，步驟101中還獲取用戶的實時偏好；步驟102中還根據(jù)用戶信息獲取用戶畫像信息及用戶的實時偏好信息；步驟103中還根據(jù)用戶的實時偏好信息修改每個候選酒店的評分。

下面對本發(fā)明作進一步詳細說明：

當用戶打開ota客戶端時，首先會進入主頁菜單，此時系統(tǒng)會根據(jù)用戶的個人信息從數(shù)據(jù)庫中獲取該用戶畫像。用戶點擊進入酒店模塊，在對應(yīng)的搜索頁面中進行相應(yīng)搜索。

若用戶沒有明確目標，篩選、搜索模糊關(guān)鍵字，系統(tǒng)會轉(zhuǎn)跳進入酒店列表頁面，用戶瀏覽并選擇感興趣的相應(yīng)酒店，系統(tǒng)轉(zhuǎn)跳進入酒店詳情頁；若用戶有明確目標，進行精確搜索選擇，則系統(tǒng)直接轉(zhuǎn)跳進入酒店詳情頁。該過程中，后臺系統(tǒng)從用戶的點擊，篩選或瀏覽行為中獲得該用戶的實時偏好。

其中用戶的實時偏好來自于用戶當前會話中瀏覽的酒店信息、用戶的篩選信息、用戶的查詢信息等。

在詳情頁中，系統(tǒng)會從數(shù)據(jù)庫中調(diào)取該酒店競爭圈相關(guān)酒店數(shù)據(jù)，結(jié)合之前獲得的用戶畫像數(shù)據(jù)和用戶實時偏好，在后臺進行個性化周邊推薦模型的計算，從而得到個性化周邊酒店的推薦列表。若該用戶對當前酒店沒有訂購意向，在酒店詳情頁下滑頁面，可從下方的“附近同類型酒店”板塊獲得周邊酒店推薦計算結(jié)果，以供參考。

其中個性化周邊酒店推薦算法的具體步驟如下：

計算c城市每個酒店的離線周邊酒店備選池，并選取當下hi酒店的周邊備選池作為下一步驟的輸入。離線的周邊酒店備選池具體算法如下：

(1)根據(jù)ota的數(shù)據(jù)庫中的歷史訂單數(shù)據(jù)提取出以下三種信息：首先是從數(shù)據(jù)庫獲取c城市下的酒店hi，其次是獲取訂購hi的用戶群u，最后是獲取用戶群u訂購過的酒店w。

(2)計算hi與w之間的距離，將求得的距離與距離閾值dis(判別條件)比較，選取距離小于dis的酒店h’，而dis需要根據(jù)用戶瀏覽酒店和訂購酒店的距離、以及結(jié)合該城市的酒店密度來確定。

首先，根據(jù)統(tǒng)計數(shù)據(jù)，80％的訂單中，用戶瀏覽酒店和訂購酒店的距離在5km以內(nèi)。其次，計算每個城市的酒店密度，以上海的酒店密度為基準，將dis設(shè)定為dis＝5*(ci城市的酒店密度/上海的酒店密度)，其中酒店密度定義為該城市兩兩酒店的平均距離。距離可根據(jù)兩兩酒店之間的經(jīng)緯度來計算，如下公式：

distince＝2*6538.137*asin(sqrt(pow(sin((p.lat-q.lat)*3.1415/360.0),2)

+cos(p.lat*3.1415/180.0)*cos(q.lat*3.1415/180.0)

*pow(sin((p.lon-q.lon)*3.1415/360.0),2)))

其中p和q代表兩個不同的酒店，lat和lon表示經(jīng)度和緯度。

(3)在得到距離在dis內(nèi)的酒店h’后，需要統(tǒng)計h與h’之間的交叉用戶數(shù)。計算交叉用戶的方法，與傳統(tǒng)的協(xié)同過濾方法存在較大的差異。在傳統(tǒng)的基于物品的協(xié)同過濾方法中，往往采用交叉用戶概率的方法對關(guān)聯(lián)物品進行劃分。假設(shè)存在酒店a和b，則根據(jù)公式計算二者交叉用戶在并集用戶中的概率：然后根據(jù)概率降序排列獲得關(guān)聯(lián)結(jié)果。而上述概率計算方法存在一定缺陷?？紤]以下兩種情況：

(1)a酒店銷量一定，而b酒店銷量遠小于a；

(2)a酒店銷量一定，而b酒店銷量遠大于a。

在這兩種情況下，由于分母的修正作用，使得pa,b可能取值相似，即兩種情況下b酒店被關(guān)聯(lián)的概率相似。但在實際酒店訂購場景中，銷量大的酒店往往比銷量小的酒店更具有推薦性。因此考慮僅保留公式分子來避免上述情況的發(fā)生，即使用公式：pa,b＝a∩b。當pa,b越大，則b酒店關(guān)聯(lián)性越強，從而提高推薦概率。

(4)根據(jù)上面步驟得到h與h’之間的交叉用戶數(shù)，接下是判斷h’與n(代表目標酒店周圍備選推薦酒店數(shù)目)如果h’大于個數(shù)n，則從h’中選擇交叉用戶個數(shù)最多的前n個酒店，將該酒店放入hi的周邊酒店備選池中，而如果h’小于個數(shù)n，則進行以下操作：

計算出同城市除h外的所有酒店與hi的距離，選擇距離小于dis的酒店，記為h”；

計算出需要備選池需要補足的酒店個數(shù)k＝n-h’；根據(jù)數(shù)據(jù)庫統(tǒng)計h”的歷史訂單量，將h”進行排序，選擇k個熱銷酒店，也就是選擇銷量前k的酒店作為周邊酒店備選池的補充，進而獲得包含n個酒店的備選周邊酒店池。

(5)根據(jù)客戶端的獲取的用戶當前瀏覽的酒店hi，從離線備選池酒店里提取出當前客戶瀏覽的酒店hi的周邊酒店備選池。

然后，結(jié)合酒店歷史維度、酒店實時維度、用戶歷史畫像、用戶實時數(shù)據(jù)等進行實時的個性化推薦，算法流程如下：

(1)由于已經(jīng)獲得了hi酒店周邊備選池，接下來就是獲取用戶的uid(用戶身份證明)，根據(jù)uid匹配用戶的歷史畫像，如果uid為新用戶，則通過空值填充的方法，將對應(yīng)的畫像值填充為均值或者0。如果是老用戶直接從數(shù)據(jù)庫提取該用戶的歷史畫像。

同時獲取酒店h’的靜態(tài)維度(如星級、商圈等)、實時維度(如酒店可訂率、酒店最低價等)和h’酒店的周邊酒店備選池(該備選池就是有之前算法所得到的備選池，此時記為h’)，并獲取h的靜態(tài)維度和實時維度。

在獲取以上數(shù)據(jù)后，利用邏輯回歸模型計算h酒店的得分，記為s。

(2)接下來看系統(tǒng)是否可以獲得用戶實時偏好，如果能夠獲取用戶的實時偏好，則根據(jù)用戶的實時偏好，對h酒店的得分進行實時的調(diào)整。例如用戶偏好4星級酒店，則增加4星級酒店的得分；用戶偏好陸家嘴附近的酒店，則增加該商圈酒店的得分等。將調(diào)整后的h得分記為s’,根據(jù)s’做降序排序。

如果系統(tǒng)沒有獲得用戶的實時偏好則直接對s進行降序排序。

(3)最后是將s或者s’通過過濾規(guī)則之后，選擇得分排名前n的酒店進行推薦展示。其中的過濾規(guī)則如下：

滿房的、用戶不可定的、臨時的并且已經(jīng)下線的、app前臺因某種原因下線的、無法顯示的、其他業(yè)務(wù)方要求的不可上線的酒店

雖然以上描述了本發(fā)明的具體實施方式，但是本領(lǐng)域的技術(shù)人員應(yīng)當理解，這些僅是舉例說明，本發(fā)明的保護范圍是由所附權(quán)利要求書限定的。本領(lǐng)域的技術(shù)人員在不背離本發(fā)明的原理和實質(zhì)的前提下，可以對這些實施方式做出多種變更或修改，但這些變更和修改均落入本發(fā)明的保護范圍。