酒店推荐方法、系统、电子设备和存储介质与流程

本发明涉及计算机技术领域，尤其涉及一种酒店推荐方法、系统、电子设备和存储介质。

背景技术：

在当前酒店推荐任务中，往往着重考虑用户最后一次点击行为，而通常忽视同一时间段内用户最后一次点击行为与前几次点击行为的关联分析。此外，在当前酒店推荐任务中，往往通过构造特征的方式来挖掘信息，例如，基于统计或者经验的方式来构造局部特征。如此，难以较好地完成酒店推荐，使得当前推荐的酒店列表与用户喜好的一致性较弱，从而使得酒店的订单转化率较低。

技术实现要素：

本发明要解决的技术问题是为了克服现有技术中酒店推荐与用户喜好的一致性较弱的缺陷，提供一种酒店推荐方法、系统、电子设备和存储介质。

本发明是通过下述技术方案来解决上述技术问题：

一种酒店推荐方法，包括：

根据多个待推荐酒店的酒店标识(id，identitydocument)训练转换模型，所述转换模型用于将所述酒店标识转换成词向量；

利用所述转换模型将每个待推荐酒店的酒店标识转换成待推荐酒店向量；

获取目标用户的历史行为序列，所述历史行为序列包括所述目标用户历史点击的若干酒店的酒店标识；

利用所述转换模型将所述历史行为序列转换成用户行为向量，所述用户行为向量与所述待推荐酒店向量的长度相同；

获取所述用户行为向量与每个待推荐酒店向量的目标相似度；

根据所述目标相似度向所述目标用户推荐若干所述待推荐酒店。

较佳地，在所述获取所述用户行为向量与每个待推荐酒店向量的目标相似度的步骤之前还包括：

以所述用户行为向量以及所述待推荐酒店向量为输入训练文本匹配模型，所述文本匹配模型用于输出所述用户行为向量与所述历史酒店向量的目标相似度；

所述获取所述用户行为向量与每个待推荐酒店向量的目标相似度的步骤包括：

利用所述文本匹配模型获取所述用户行为向量与每个待推荐酒店向量的目标相似度。

较佳地，所述以所述用户行为向量以及所述待推荐酒店向量为输入训练文本匹配模型的步骤包括：

获取所述用户行为向量与所述待推荐酒店向量的中间相似度；

以所述用户行为向量、所述待推荐酒店向量以及所述中间相似度为输入训练文本匹配模型。

较佳地，在所述获取目标用户的历史行为序列的步骤之后还包括：

判断所述历史行为序列中酒店标识的数量是否大于预设阈值；

若是，则执行所述利用所述转换模型将所述历史行为序列转换成用户行为向量的步骤；

若否，则获取所述目标用户的用户信息，并根据所述用户信息向所述目标用户推荐若干所述待推荐酒店，其中，所述用户信息包括当前位置和/或价格偏好；

和/或，

所述利用所述转换模型将所述历史行为序列转换成用户行为向量的步骤包括：

利用所述转换模型将所述历史行为序列中每个酒店标识分别转换成历史酒店向量；

根据所述历史行为序列对应的所有历史酒店向量获取用户行为向量；

和/或，

所述转换模型包括skip-gram模型；

和/或，

所述获取所述用户行为向量与每个待推荐酒店向量的目标相似度的步骤包括：

获取所述用户行为向量与每个待推荐酒店向量之间的向量距离；

根据所述向量距离确定所述目标相似度。

一种酒店推荐系统，包括：

第一训练模块，用于根据多个待推荐酒店的酒店标识训练转换模型，所述转换模型用于将所述酒店标识转换成词向量；

第一转换模块，用于利用所述转换模型将每个待推荐酒店的酒店标识转换成待推荐酒店向量；

第一获取模块，用于获取目标用户的历史行为序列，所述历史行为序列包括所述目标用户历史点击的若干酒店的酒店标识；

第二转换模块，用于利用所述转换模型将所述历史行为序列转换成用户行为向量，所述用户行为向量与所述待推荐酒店向量的长度相同；

第二获取模块，用于获取所述用户行为向量与每个待推荐酒店向量的目标相似度；

第一推荐推荐模块，用于根据所述目标相似度向所述目标用户推荐若干所述待推荐酒店。

较佳地，所述酒店推荐系统还包括：

第二训练模块，用于以所述用户行为向量以及所述待推荐酒店向量为输入训练文本匹配模型，所述文本匹配模型用于输出所述用户行为向量与所述历史酒店向量的目标相似度；

所述第二获取模块具体用于利用所述文本匹配模型获取所述用户行为向量与每个待推荐酒店向量的目标相似度。

较佳地，所述第二训练模块具体包括：

第一获取单元，用于获取所述用户行为向量与所述待推荐酒店向量的中间相似度；

训练单元，用于以所述用户行为向量、所述待推荐酒店向量以及所述中间相似度为输入训练文本匹配模型。

较佳地，所述酒店推荐系统还包括：

判断模块，用于判断所述历史行为序列中酒店标识的数量是否大于预设阈值；

若是，则调用所述第二转换模块；

若否，则调用用于获取所述目标用户的用户信息的第三获取模块，并调用用于根据所述用户信息向所述目标用户推荐若干所述待推荐酒店的第二推荐模块，其中，所述用户信息包括当前位置和/或价格偏好；

和/或，

所述第二转换模块具体包括：

转换单元，用于利用所述转换模型将所述历史行为序列中每个酒店标识分别转换成历史酒店向量；

整合单元，用于根据所述历史行为序列对应的所有历史酒店向量获取用户行为向量；

和/或，

所述转换模型包括skip-gram模型；

和/或，

所述第二获取模块具体包括：

第二获取单元，用于获取所述用户行为向量与每个待推荐酒店向量之间的向量距离；

确定单元，用于根据所述向量距离确定所述目标相似度。

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上述任一种酒店推荐方法。

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上述任一种酒店推荐方法的步骤。

本发明的积极进步效果在于：本发明基于目标用户的历史会话信息，具体地，通过目标用户对酒店的历史点击行为，挖掘被点击的酒店与酒店之间、被点击的酒店与用户之间的信息，从而可以根据目标用户的历史行为对其感兴趣的内容进行挖掘，进而可以向其推荐其感兴趣的酒店，在实现的千人千面的基础上，由于推荐给目标用户的酒店是符合目标用户偏好的，能够提高酒店的订单转化率，还能够有效减少目标用户的在线浏览时间。

附图说明

图1为根据本发明实施例1的酒店推荐方法的流程图。

图2为根据本发明实施例2的酒店推荐方法的流程图。

图3为根据本发明实施例2的酒店推荐方法的具体流程图。

图4为根据本发明实施例3的酒店推荐系统的模块示意图。

图5为根据本发明实施例4的酒店推荐系统的模块示意图。

图6为根据本发明实施例5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

本实施例提供一种酒店推荐方法，参见图1，本实施例的酒店推荐方法具体包括：

s101、根据多个待推荐酒店的酒店标识训练转换模型。

在本实施例中，可以将ota(onlinetravelagency，在线旅行社)上的所有酒店作为待推荐酒店来训练转换模型，其中，转换模型可以用于将酒店标识转换成词向量，可以实现酒店标识到具有语义信息的向量的转换。在本实施例中，转换模型可以基于word2vec实现，进一步地，转换模型可以基于skip-gram模型实现，其中，转换模型的训练过程具体可以包括：

根据多个待推荐酒店的酒店标识构建酒店标识的词汇表。将酒店标识按照词汇表的顺序转化成one-hot向量，作为skip-gram模型的输入。定义两个矩阵v∈r^a×|v|和u∈r^|v|×a，其中，a是指定输出的向量空间维度，v是输入的由词汇表确定的one-hot向量矩阵，u是输出的矩阵。在训练时，输入矩阵v与初始化的权重矩阵w相乘，将所得的向量相加求平均后作为隐藏层的向量。将隐藏层的向量与输出权重矩阵w^′相乘得到输出矩阵u，使用激活函数处理得到输出单词的概率分布。最终，用每个酒店标识的one-hot向量与训练好的权重矩阵w相乘即可得到每个酒店标识对应的词向量。

在本实施例中，为了优化训练过程，可以采用层次(hierarchical)softmax与负采样(negativesampling)两种方式来加速模型训练。具体地，层次softmax可以将模型激活时的时间复杂度从o(b)减少到o(logb)，其中，b为词汇表中词汇的个数。负采样，即，除给定的酒店标识之外，其他的酒店标识均为负样本，由于词汇表中酒店标识的出现频率不尽相同，使得高频酒店被选为负样本的概率要大于低频酒店，因此，负采样实际上就是一个带权采样过程，在采样过程中，对于低频酒店，可以设置阈值为1，对于出现频次低于该阈值的词会直接舍弃，同时也会从训练集中删除。

s102、利用转换模型将每个待推荐酒店的酒店标识转换成待推荐酒店向量。

在转换模型训练完成之后，可以将每个待推荐酒店的酒店标识转换成待推荐酒店向量，具体地，将酒店标识对应one-hot向量与训练好的转换模型中的权重矩阵w相乘，以得到该酒店标识对应的待推荐酒店向量。对于转换后得到的待推荐酒店向量，取其中任意3个维度放到坐标系中展示，会发现地理位置相近且价格相近的酒店十分接近，而地理位置距离较远且价格偏差较大的酒店则相距较远。

s103、获取目标用户的历史行为序列。

在本实施例中，历史行为序列可以包括目标用户历史点击的若干酒店的酒店标识，例如，可以合并目标用户在距今7天内点击过(包括点击后浏览、点击后订购、点击后收藏等)的酒店的酒店标识来得到该目标用户的历史行为序列，其中，历史行为序列可以用来表征目标用户在该段时间内的酒店偏好程度、当前可能所在城市位置、价格偏好程度等信息，并且局部数据之间存在着较强的关联，具体地，当前点击行为有很大的概率影响到之后的订购行为，邻近的酒店点击之间关联较强，从而，可以将历史行为序列视作具有上下文语义的语句。

s104、利用转换模型将历史行为序列转换成用户行为向量。

在本实施例中，可以利用转换模型将历史行为序列中的每一个酒店标识转换成历史酒店向量，进而通过整合历史行为序列对应的所有历史酒店向量来得到用户行为向量，例如，历史行为序列对应的所有历史酒店向量相加后取平均可以得到用户行为向量，使得用户行为向量与待推荐酒店向量的长度相同。

s105、获取用户行为向量与每个待推荐酒店向量的目标相似度。

在本实施例中，可以根据用户行为向量与每个待推荐酒店向量之间的向量距离来确定目标相似度，其中，向量距离可以是余弦距离，wmd(wordmoversdistance，词移距离)、欧氏距离、杰卡尔德距离、堪培拉距离、曼哈顿距离、切比雪夫距离、皮尔森相关系数、闵可夫斯基距离等中的任意一种。在本发明的其他实施例中，还可以基于文本匹配模型来获取用户行为向量与每个待推荐酒店向量的目标相似度。

s106、根据目标相似度向目标用户推荐若干待推荐酒店。

在实施例中，可以按照目标相似度由高到低的顺序向目标用户推荐若干待推荐酒店。

在本实施例步骤s103之后还可以包括判断历史行为序列中酒店标识的数量是否大于预设阈值的步骤，其中，预设阈值可以根据实际应用自定义设置，并且，当判断为是时，可以执行步骤s104，而当判断为否时，则可以执行获取目标用户的用户信息的步骤以及根据用户信息向目标用户推荐若干待推荐酒店的步骤，其中，用户信息可以包括该目标用户的当前位置及其价格偏好等。

本实施例基于目标用户的历史会话信息，具体地，通过目标用户对酒店的历史点击行为，挖掘被点击的酒店与酒店之间、被点击的酒店与用户之间的信息，从而可以根据目标用户的历史行为对其感兴趣的内容进行挖掘，进而可以向其推荐其感兴趣的酒店，在实现的千人千面的基础上，由于推荐给目标用户的酒店是符合目标用户偏好的，能够提高酒店的订单转化率，还能够有效减少目标用户的在线浏览时间。

实施例2

本实施例在实施例1的基础上提供一种酒店推荐方法，参照图2，本实施例在步骤s105之前还可以包括：

s201、以用户行为向量以及待推荐酒店向量为输入训练文本匹配模型。

在本实施例中，文本匹配模型用于输出用户行为向量与历史酒店向量的目标相似度。在本实施例中，文本匹配模型可以基于esim(enhancedsequentialinferencemodel，增强序列参考模型)实现，其中，文本匹配模型的训练过程具体可以包括：

将用户行为向量m和待推荐酒店向量n分别输入bilstm(bidirectionallongshorttermmemory，双向长短时记忆)模型，对其进行编码，并将bilstm模型的隐藏层状态值保留下来，即可得到目标用户的历史行为序列以及酒店标识的新的编码值其中，i、j分别表示不同的时刻。

将上一轮得到的特征值，根据注意力机制计算attentionweight(注意力权重)，计算方式如下：

根据计算得到的attentionweight计算出加权之后的编码值，计算方式如下：

其中，需要注意的是，这里计算的时候是与做加权，而不是本身，同理。

计算未加权的编码值与加权之后的编码值之间的差异性，其中，差异性计算包括对位相加和对位相乘：

将得到的gm和gn送入到bilstm模型中，通过该模型捕获局部推理的信息及其上下文，之后，把bilstm模型得到的值进行最大池化和平均池化，并且将池化之后得到的值再一次拼接起来。

v＝[vm,ave,vm,max,vn,ave,vn,max]

将得到的v送入到全连接层，使用tanh激活函数得到的结果送到softmax层，即可得到历史酒店向量与用户行为向量的目标相似度。

进一步地，参照图3，为了优化文匹配模型，本实施例步骤s201具体可以包括：

s2011、获取用户行为向量与待推荐酒店向量的中间相似度。

在本实施例中，可以根据用户行为向量与待推荐酒店向量之间的向量距离来确定中间相似度，其中，向量距离可以是余弦距离，wmd、欧氏距离、杰卡尔德距离、堪培拉距离、曼哈顿距离、切比雪夫距离、皮尔森相关系数、闵可夫斯基距离等中的任意一种。此外，步骤s2011还可以包括将获取到的中间相似度做归一化的步骤。

s2012、以用户行为向量、待推荐酒店向量以及中间相似度为输入训练文本匹配模型。

具体地，在上述训练过程的基础上，可以将中间相似度经过一个全连接层之后得到的特征表示为f，之后，将得到的v和f拼接之后送入到全连接层，而不是直接将得到的v送入到全连接层，最后，使用tanh激活函数得到的结果送到softmax层，即可得到历史酒店向量与用户行为向量的中间相似度。

在本实施例中，可以将由用户行为向量、待推荐酒店向量以及中间相似度构成的数据集分为训练集和验证集，其中，训练集用于训练文本匹配模型，验证集用于验证经训练的文本匹配模型。进一步地，在本实施例中，整个训练过程一共可以包括15个epoch(时期)，batch_size(批大小)可以设为256，优化器可以采取用内斯特罗夫动量加速的sgd(stochasticgradientdescent，随机梯度下降)优化器，初始学习率可以设为0.01，学习率可以设为成指数衰减。

步骤s105具体可以包括：

s1051、利用文本匹配模型获取用户行为向量与每个待推荐酒店向量的目标相似度。

在实施例中，进而可以按照目标相似度由高到低的顺序向目标用户推荐若干待推荐酒店。

在实施例1的基础上，本实施例提供的酒店推荐方法更加贴合目标用户的兴趣，推荐效果更好，能够进一步提高酒店的订单转化率，还能够进一步有效减少目标用户的在线浏览时间。

实施例3

本实施例提供一种酒店推荐系统，参见图4，本实施例的酒店推荐系统具体包括：

第一训练模块301，用于根据多个待推荐酒店的酒店标识训练转换模型。

在本实施例中，可以将ota上的所有酒店作为待推荐酒店来训练转换模型，其中，转换模型可以用于将酒店标识转换成词向量，可以实现酒店标识到具有语义信息的向量的转换。在本实施例中，转换模型可以基于word2vec实现，进一步地，转换模型可以基于skip-gram模型实现，其中，转换模型的训练过程具体可以包括：

根据多个待推荐酒店的酒店标识构建酒店标识的词汇表。将酒店标识按照词汇表的顺序转化成one-hot向量，作为skip-gram模型的输入。定义两个矩阵v∈r^a×|v|和u∈r^|v|×a，其中，a是指定输出的向量空间维度，v是输入的由词汇表确定的one-hot向量矩阵，u是输出的矩阵。在训练时，输入矩阵v与初始化的权重矩阵w相乘，将所得的向量相加求平均后作为隐藏层的向量。将隐藏层的向量与输出权重矩阵w^′相乘得到输出矩阵u，使用激活函数处理得到输出单词的概率分布。最终，用每个酒店标识的one-hot向量与训练好的权重矩阵w相乘即可得到每个酒店标识对应的词向量。

在本实施例中，为了优化训练过程，可以采用层次softmax与负采样两种方式来加速模型训练。具体地，层次softmax可以将模型激活时的时间复杂度从o(b)减少到o(logb)，其中，b为词汇表中词汇的个数。负采样，即，除给定的酒店标识之外，其他的酒店标识均为负样本，由于词汇表中酒店标识的出现频率不尽相同，使得高频酒店被选为负样本的概率要大于低频酒店，因此，负采样实际上就是一个带权采样过程，在采样过程中，对于低频酒店，可以设置阈值为1，对于出现频次低于该阈值的词会直接舍弃，同时也会从训练集中删除。

第一转换模块302，用于利用转换模型将每个待推荐酒店的酒店标识转换成待推荐酒店向量。

在转换模型训练完成之后，可以将每个待推荐酒店的酒店标识转换成待推荐酒店向量，具体地，将酒店标识对应one-hot向量与训练好的转换模型中的权重矩阵w相乘，以得到该酒店标识对应的待推荐酒店向量。对于转换后得到的待推荐酒店向量，取其中任意3个维度放到坐标系中展示，会发现地理位置相近且价格相近的酒店十分接近，而地理位置距离较远且价格偏差较大的酒店则相距较远。

第一获取模块303，用于获取目标用户的历史行为序列。

在本实施例中，历史行为序列可以包括目标用户历史点击的若干酒店的酒店标识，例如，可以合并目标用户在距今7天内点击过(包括点击后浏览、点击后订购、点击后收藏等)的酒店的酒店标识来得到该目标用户的历史行为序列，其中，历史行为序列可以用来表征目标用户在该段时间内的酒店偏好程度、当前可能所在城市位置、价格偏好程度等信息，并且局部数据之间存在着较强的关联，具体地，当前点击行为有很大的概率影响到之后的订购行为，邻近的酒店点击之间关联较强，从而，可以将历史行为序列视作具有上下文语义的语句。

第二转换模块304、用于利用转换模型将历史行为序列转换成用户行为向量。

在本实施例中，第二转换模块304具体可以包括转换单元以及整合单元，其中，转换单元用于利用转换模型将历史行为序列中每个酒店标识分别转换成历史酒店向量，整合单元用于根据历史行为序列对应的所有历史酒店向量来获取用户行为向量，例如，历史行为序列对应的所有历史酒店向量相加后取平均可以得到用户行为向量，使得用户行为向量与待推荐酒店向量的长度相同。

第二获取模块305，用于获取用户行为向量与每个待推荐酒店向量的目标相似度。

在本实施例中，第二获取模块305具体可以包括第二获取单元以及确定单元，其中，第二获取单元用于获取用户行为向量与每个待推荐酒店向量之间的向量距离，确定单元用于根据第二获取单元获得的向量距离确定目标相似度，其中，向量距离可以是余弦距离，wmd、欧氏距离、杰卡尔德距离、堪培拉距离、曼哈顿距离、切比雪夫距离、皮尔森相关系数、闵可夫斯基距离等中的任意一种。在本发明的其他实施例中，第二获取模块305还可以基于文本匹配模型来获取用户行为向量与每个待推荐酒店向量的目标相似度。

第一推荐推荐模块306，用于根据目标相似度向目标用户推荐若干待推荐酒店。

在实施例中，第一推荐推荐模块306具体可以按照目标相似度由高到低的顺序向目标用户推荐若干待推荐酒店。

本实施例酒店推荐系统还可以包括判断模块307，用于判断历史行为序列中酒店标识的数量是否大于预设阈值，其中，预设阈值可以根据实际应用自定义设置，并且，当判断为是时，可以调用第二转换模块304，而当判断为否时，则可以调用用于获取目标用户的用户信息的第三获取模块308以及用于根据用户信息向目标用户推荐若干待推荐酒店的第二推荐模块309，其中，用户信息可以包括该目标用户的当前位置及其价格偏好等。

本实施例基于目标用户的历史会话信息，具体地，通过目标用户对酒店的历史点击行为，挖掘被点击的酒店与酒店之间、被点击的酒店与用户之间的信息，从而可以根据目标用户的历史行为对其感兴趣的内容进行挖掘，进而可以向其推荐其感兴趣的酒店，在实现的千人千面的基础上，由于推荐给目标用户的酒店是符合目标用户偏好的，能够提高酒店的订单转化率，还能够有效减少目标用户的在线浏览时间。

实施例4

本实施例在实施例3的基础上提供一种酒店推荐系统，参照图5，本实施例酒店推荐系统还可以包括：

第二训练模块401，用于以用户行为向量以及待推荐酒店向量为输入训练文本匹配模型。

在本实施例中，文本匹配模型用于输出用户行为向量与历史酒店向量的目标相似度。在本实施例中，文本匹配模型可以基于esim实现，其中，文本匹配模型的训练过程具体可以包括：

将用户行为向量m和待推荐酒店向量n分别输入bilstm模型，对其进行编码，并将bilstm模型的隐藏层状态值保留下来，即可得到目标用户的历史行为序列以及酒店标识的新的编码值其中，i、j分别表示不同的时刻。

将上一轮得到的特征值，根据注意力机制计算attentionweight，计算方式如下：

根据计算得到的attentionweight计算出加权之后的编码值，计算方式如下：

其中，需要注意的是，这里计算的时候是与做加权，而不是本身，同理。

计算未加权的编码值与加权之后的编码值之间的差异性，其中，差异性计算包括对位相加和对位相乘：

将得到的gm和gn送入到bilstm模型中，通过该模型捕获局部推理的信息及其上下文，之后，把bilstm模型得到的值进行最大池化和平均池化，并且将池化之后得到的值再一次拼接起来。

v＝[vm,ave,vm,max,vn,ave,vn,max]

将得到的v送入到全连接层，使用tanh激活函数得到的结果送到softmax层，即可得到历史酒店向量与用户行为向量的目标相似度。

进一步地，为了优化文匹配模型，第二训练模块401具体可以包括：

第一获取单元4011、用于获取用户行为向量与待推荐酒店向量的中间相似度。

在本实施例中，可以根据用户行为向量与待推荐酒店向量之间的向量距离来确定中间相似度，其中，向量距离可以是余弦距离，wmd、欧氏距离、杰卡尔德距离、堪培拉距离、曼哈顿距离、切比雪夫距离、皮尔森相关系数、闵可夫斯基距离等中的任意一种。此外，第一获取单元4011还可以用于将获取到的中间相似度做归一化。

训练单元4012，用于以用户行为向量、待推荐酒店向量以及中间相似度为输入训练文本匹配模型。

具体地，在上述训练过程的基础上，可以将中间相似度经过一个全连接层之后得到的特征表示为f，之后，将得到的v和f拼接之后送入到全连接层，而不是直接将得到的v送入到全连接层，最后，使用tanh激活函数得到的结果送到softmax层，即可得到历史酒店向量与用户行为向量的中间相似度。

在本实施例中，可以将由用户行为向量、待推荐酒店向量以及中间相似度构成的数据集分为训练集和验证集，其中，训练集用于训练文本匹配模型，验证集用于验证经训练的文本匹配模型。进一步地，在本实施例中，整个训练过程一共可以包括15个epoch，batch_size可以设为256，优化器可以采取用内斯特罗夫动量加速的sgd优化器，初始学习率可以设为0.01，学习率可以设为成指数衰减。

第二获取模块205具体用于利用文本匹配模型获取用户行为向量与每个待推荐酒店向量的目标相似度。在实施例中，进而可以按照目标相似度由高到低的顺序向目标用户推荐若干待推荐酒店。

在实施例3的基础上，本实施例提供的酒店推荐系统更加贴合目标用户的兴趣，推荐效果更好，能够进一步提高酒店的订单转化率，还能够进一步有效减少目标用户的在线浏览时间。

实施例5

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或2提供的酒店推荐方法。

图6示出了本实施例的硬件结构示意图，如图6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或2所提供的酒店推荐方法。

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6

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或2所提供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或2所述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。