OTA网站中酒店房型的推荐方法及系统与流程

本发明涉及互联网领域，特别涉及一种ota(onlinetravelagent，在线旅行社)网站中酒店房型的推荐方法及系统。

背景技术：

随着网络及移动互联网技术的不断发展，越来越多的消费者选择通过ota网站及移动端app(application，应用程序)查看酒店信息并订购酒店房间。而很多ota网站为了提升用户浏览及选择酒店产品的效率，均采用了推荐和排序技术向用户展示并推荐个性化产品。

目前，在电商中广泛采用的推荐技术，基本都是在店铺(酒店详情页)外部，选择热门或用户最近搜索相似度较高的产品进行推荐；而当用户进入店铺内部时，展示的产品则由店铺主人或页面系统进行非个性化的静态展示。然而，在酒店预订过程中，当用户进入店铺内部时，对房型的选择也是用户极其关心的部分，甚至影响到用户最终对酒店的选择。因此，对房型的推荐有利于用户快速找到适合自己的酒店及房间，大大提升用户网上订房的效率和体验。

由于酒店产品与其他电商产品相比具备一些特殊性，用于酒店房间的推荐问题也存在其复杂性和特殊性。

首先，对于其他电商来说，进入一家店铺后，我们可以通过商品名称唯一确定一件产品。但是酒店子产品却不同，由于酒店房型中会出现许多房型名称或编号雷同，但因服务类型不同，或者房型供应渠道不同，导致形成不同价格或相同价格的房型，因此，无法通过房型名称、房型编号进行区分。随着产品丰富性增长，相同名称且相同编号的房型数目在不断提升。

其次，对于其他电商来说，店铺内不同商品之间从外观上。名称上会有显著性差异，用户可以根据自己的喜好和需要，快速、明确地进行选择。但是酒店不同房型之间，不管是从服务类型还是价格方面等的差异性都很小，从展示出的信息甚至无法明显区分出每个房型之间的差异，对于用户的选择可能存在部分随机性，即未被订购的房型不一定是真正的负样本。

最后，对于在电商中出现对用户进行个性化的推荐，大部分都是推荐热门畅销的产品，而对于新进产品，在没有任何销量的情形下很难被推荐。

因此，鉴于酒店房型产品的特殊性，在其他电商中广泛采用的推荐算法并不能很好地适用于对酒店房型的推荐。

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选择热门或用户搜索相似度较高的产品进行推荐方法存在推荐范围窄、推荐的产品不合理以及容易忽略新产品等的缺陷，提供一种对新老用户采用不同方式推荐的ota网站中酒店房型的推荐方法及系统。

本发明是通过下述技术方案来解决上述技术问题的：

一方面，提供一种ota网站中酒店房型的推荐方法，其特点在于，包括以下步骤：

s1、判断用户是否在所述ota网站成功订购过酒店，若是，则执行步骤s3，若否，则执行步骤s2；

s2、按照所有酒店的历史订单数据中组合服务类型的销量从高到低的顺序，在目标酒店中依次查找是否存在相应组合服务类型的房型，若存在，则停止查找，并执行步骤s5；

s3、根据所述用户的历史订单信息以及所有酒店的历史订单数据，训练房型推荐模型；

s4、根据所述用户的浏览信息以及所述房型推荐模型，计算所述目标酒店中每个房型被所述用户订购的概率，并选择最大概率对应的房型；

s5、输出关于所述房型的推荐信息。

较佳地，若步骤s2中查找到的房型为多个，则步骤s5中输出关于多个房型中价格最低的房型的推荐信息；若所述价格最低的房型不是所述目标酒店中最低价的房型，则步骤s5中根据所述价格最低的房型以及所述目标酒店中最低价的房型所对应的组合服务类型，输出关于服务最优的房型的推荐信息。

较佳地，若步骤s2中查找到的房型的最低价高于预设价格，则继续在目标酒店中查找是否存在下一个组合服务类型的房型；

若步骤s2中查找到的房型的最低价均高于预设价格，则步骤s5中输出关于所述目标酒店中最低价的房型的推荐信息；若所述目标酒店中最低价的房型为多个，则根据多个房型所对应的组合服务类型，输出关于服务最优的房型的推荐信息。

较佳地，步骤s4中，若最大概率对应的房型为多个，则步骤s5中输出关于多个房型中位置靠前的房型的推荐信息。

较佳地，步骤s4中，若最大概率对应的房型的价格高于所述用户历史订购房型的最高价与预设倍数的乘积，则选择次高概率对应的房型，直至选择的房型的价格不高于所述乘积；

若选择的每个房型的价格均高于所述乘积，则不输出任何推荐信息。

较佳地，所述组合服务类型包括以下服务类型的至少一种组合：自营/非自营、含早/无早、立即确认/非立即确认、免费取消/非免费取消、现付/预付、最低价。

另一方面，提供一种ota网站中酒店房型的推荐系统，其特点在于，包括判断模块、查找模块、训练模块、选择模块以及推荐模块：

所述判断模块用于判断用户是否在所述ota网站成功订购过酒店，并在是的情况下调用所述训练模块，在否的情况下调用所述查找模块；

所述查找模块用于按照所有酒店的历史订单数据中组合服务类型的销量从高到低的顺序，在目标酒店中依次查找是否存在相应组合服务类型的房型，若存在，则停止查找，并调用所述推荐模块；

所述训练模块用于根据所述用户的历史订单信息以及所有酒店的历史订单数据，训练房型推荐模型；

所述选择模块用于根据所述用户的浏览信息以及所述房型推荐模型，计算所述目标酒店中每个房型被所述用户订购的概率，并选择最大概率对应的房型，调用所述推荐模块；

所述推荐模块用于输出关于所述房型的推荐信息。

较佳地，若所述查找模块查找到的房型为多个，则所述推荐模块输出关于多个房型中价格最低的房型的推荐信息；若所述价格最低的房型不是所述目标酒店中最低价的房型，则所述推荐模块根据所述价格最低的房型以及所述目标酒店中最低价的房型所对应的组合服务类型，输出关于服务最优的房型的推荐信息。

较佳地，所述查找模块还用于在查找到的房型的最低价高于预设价格时，继续在目标酒店中查找是否存在下一个组合服务类型的房型；

若所述查找模块查找到的房型的最低价均高于预设价格，则所述推荐模块输出关于所述目标酒店中最低价的房型的推荐信息；若所述目标酒店中最低价的房型为多个，则根据多个房型所对应的组合服务类型，输出关于服务最优的房型的推荐信息。

较佳地，所述选择模块用于在选择的最大概率对应的房型的价格高于所述用户历史订购房型的最高价与预设倍数的乘积时，选择次高概率对应的房型，直至选择的房型的价格不高于所述乘积；

若所述选择模块选择的每个房型的价格均高于所述乘积，则所述推荐模块不输出任何推荐信息。

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。

本发明的积极进步效果在于：与现有技术相比，本发明通过对登录ota网站的用户进行新/老用户的分类，采用不同的推荐方式向用户推荐关于酒店房型的信息，能够快速挑选出符合用户需求的房型，实现了合理推荐的功能，提高了用户网上订购酒店的效率，同时也提升了订单的转化率。

附图说明

图1为本发明实施例的ota网站中酒店房型的推荐方法流程图。

图2为本发明实施例的ota网站中酒店房型的推荐系统的结构框图。

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。

本发明实施例的应用场景为：当登录ota网站的用户进入目标酒店的内部详情页时，输出尽可能符合用户需求的关于酒店房型的推荐信息，以提高用户网上订购酒店的效率。其中，所述ota网站中有很多家酒店的信息，当用户点击其中一家酒店的信息时，会进入该酒店的内部详情页，现有技术中的推荐方式为向每个用户均推荐热销的房型，或者根据用户搜索的条件推荐相似度较高的房型，这种推荐方式存在推荐范围窄、推荐的产品不合理以及容易忽略新产品等缺点。

本实施例提供一种ota网站中酒店房型的推荐方法，如图1所示，包括以下步骤：

步骤101、判断用户是否在所述ota网站成功订购过酒店，若是，则执行步骤103，若否，则执行步骤102。

其中，在所述ota网站成功订购过酒店的用户为老用户，未在所述ota网站成功订购过酒店的用户为新用户，对新/老用户采取不同的方式进行推荐。

步骤102、按照所有酒店的历史订单数据中组合服务类型的销量从高到低的顺序，在目标酒店中依次查找是否存在相应组合服务类型的房型，若存在，则停止查找，并执行步骤105。

在可选的一种实施方式中，服务类型可以包括：自营/非自营、含早/无早、立即确认/非立即确认、免费取消/非免费取消、现付/预付等。当服务类型的种类为k个时，共有2^k种组合服务类型。通过对以往用户订购房型价格的分析，大部分订单偏向于订购价格更低的房型，在房型价格相近时，才会考虑挑选服务类型，因此，对于部分用户来说，房型最低价是用户最为看重的因素之一。因此，将最低价单独作为一个新的服务类型。因此，对于每个酒店来说，共有2^k+1种组合服务类型。举个例子，销量最高的组合服务类型为：自营+含早+非立即确认+免费取消；销量次高的组合服务类型为：自营+含早+最低价。

步骤103、根据所述用户的历史订单信息以及所有酒店的历史订单数据，训练房型推荐模型。

步骤104、根据所述用户的浏览信息以及所述房型推荐模型，计算所述目标酒店中每个房型被所述用户订购的概率，并选择最大概率对应的房型。

在可选的一种实施方式中，通过埋点机制获取所有酒店的历史订单数据、用户的历史订单信息以及用户的浏览信息。举个例子，对于用户在ota网站上的每一次浏览、点击、筛选、购买等行为，均以“快照”的形式保存在数据库中，以便于用户订购、浏览等场景，进而为后续分析用户行为、偏好等信息提供数据基础。

步骤105、输出关于所述房型的推荐信息。

在针对新用户可选的一种实施方式中，若步骤102中查找到的房型为多个，则步骤105中输出关于多个房型中价格最低的房型的推荐信息。

在针对新用户可选的一种实施方式中，若上述价格最低的房型不是所述目标酒店中最低价的房型，则步骤105中根据所述价格最低的房型以及所述目标酒店中最低价的房型所对应的组合服务类型，输出关于服务最优的房型的推荐信息。具体地，当步骤102中查找到的房型不是酒店最低价房型时，则需验证较酒店最低价房型溢价是否具有优势，即用户是否愿意多花钱订购非酒店最低价房型；当步骤102中查找到的房型是酒店最低价房型时，则需验证是否是多个酒店最低价房型中综合服务最优的房型。

其中，每个房型的优势值按以下房型value值公式进行计算，value值越小表明越有优势：

valuei＝pi–pmin*[服务类型1占比*i{是否服务类型1}+服务类型2占比*i{是否服务类型2}+……+服务类型n占比*{是否服务类型n}]*1/([i{是否服务类型1}+i{是否服务类型2}+…+i{是否服务类型n}+0.000001])^∝

其中，pi为每个房型价格，pmin为酒店最低价房型价格；n表示服务类型类别总数，∝表示随着服务类型增长，优势值增长的速度。将每个房型的各项服务取值代入公式，通过比较房型间的value值大小，进而比较房型是否具有优势。若推荐的房型value值比酒店最低价中任一个房型value值大，说明该推荐房型并不是最优房型，则寻找下一个热销组合服务类型的房型，直至寻找到服务最优value值的房型进行推荐。

在针对新用户可选的一种实施方式中，若步骤102中查找到的房型的最低价高于预设价格，则继续在目标酒店中查找是否存在下一个组合服务类型的房型；若步骤102中查找到的房型的最低价均高于预设价格，则步骤105中输出关于所述目标酒店中最低价的房型的推荐信息；若所述目标酒店中最低价的房型为多个，则根据多个房型所对应的组合服务类型，输出关于服务最优的房型的推荐信息。

举个例子，预设价格可以为目标酒店中推荐范围内(符合可订、非钟点房等条件)的房型的最低返后价*s倍，预设价格还可以为目标酒店中目前存在的房型的最低返后价*t倍。其中，s和t的取值可以借助简单数据分析，以(历史上用户订购房型价格/酒店可订非钟点房的最低价房型)的p％分位数(例如p＝97.5)为界值。

在针对老用户可选的一种实施方式中，结合用户的历史订单信息、用户的浏览信息以及所有酒店的历史订单数据，可以构造与用户订购房型相关的三类维度：用户相关维度、酒店相关维度以及当前点击酒店产品信息。

其中，用户相关维度主要可以分为用户历史订购信息的描述性统计指标及用户浏览、点击、筛选信息的指标值。其一，对于用户历史订购信息的描述性统计指标主要包含：用户历史订购订单价格、价格波动系数、价格变异系数、分城市订购订单价格、分星级订购订单价格、平均订购星级、提前预定时长、用户各种服务偏好值、用户画像相关标签等。其二，对于用户浏览、点击、筛选信息的指标值主要包含：用户t+1周、t+0、同会话的浏览、点击、筛选酒店星级、酒店价格、房型id、床型、服务；用户t+1周、t+0、同会话与当前浏览酒店中各房型的相似度等。

酒店相关维度主要可以分为酒店产量、利润的统计指标及评分类静态指标。其一，对于酒店产量、利润的统计指标主要包含：主房型近一周、近三天订单量、间夜量、总利润占据整个酒店的比例；酒店各种出行类别订单占比；主房型各种出行类别订单占比。其二，对于评分类静态指标主要包含：酒店总评分、酒店位置、设施、卫生、服务评分；每个主房型评论数占整个酒店评论数占比等。

当前点击酒店产品信息主要可以分为酒店信息、所属主房型信息、目标房型信息。其一，酒店信息主要包含酒店星级、酒店id、最低价、均价、最高价。其二，所属主房型信息主要包含评论数、面积、可订子房型数、最低价、均价、最高价。其三，目标房型信息主要包含：早餐、自营、立即确认、取消类型、支付类型、担保类型、是否满十送一、是否超级返、价格、返现价、床型、位置、预订满意度、几小时内确认、构造各种服务类型最低价(例如，是否是同类房型含早最低价、是否是同类房型立即确认最低价等)、构造每个子房型对基础房型(酒店)最低价溢价、溢价是否超出用户历史溢价值等。

为了最大程度获得用户当时订购酒店的产品结构，虽然设置具有“快照”特性埋点数据来还原用户当时的场景，但是往往避免不了会出现相关数据缺失的情况。同样，对于训练出的房型推荐模型所选择的维度也会出现不同类型的缺失。因此，需要对获取到的数据进行预处理(填充、筛选等)。主要通过下面几个方面进行数据处理：

第一、对于用户维度、酒店维度等静态统计信息出现缺失，将借助k-means等聚类方法，按照与缺失用户、酒店同类型的用户、酒店信息的均值、中位数等指标进行填充；对于当前酒店房型产品信息(如：预订满意度、几小时内确认等本身线上子房型不展示)根据展示出子房型取值的分位数、均值等指标进行填充。

第二、对于当前用户进入酒店的产品信息(本身线上展示有埋点丢失)出现缺失，选择将所在订单删除；对于训练数据中出现刷单、爬虫、黄牛等类型的极端用户数据，进行剔除。

第三、对于正负样例失衡，可采取降采样方式使得正负样例比例降至1：m。

第四、对于每个房型价格改造为新的维度：对每个房型真实价格与酒店最低价的比值按照跳跃度为gap进行分桶。

由于训练数据订购最低价订单占比较多，导致模型学习溢价很小但含有较为优势的服务这类优势房型的能力较弱。鉴于此，可对房型真实价格依据以下公式进行修正：

其中，price_last表示每个房型的价格；hotel_bookable_minprice表示当前可订房型的最低价；δ＝i{是否满足服务类型1}+i{是否满足服务类型2}+…+i{是否满足服务类型n}+0.000001；servicei表示用户对于服务类型i的偏好；——表示用户对于服务类型i的偏好值过小时，进行填充的值；表示用户对于服务类型i的偏好值时，用进行填充；i{是否满足服务类型i}表示该房型是属于服务类型i时，取值为1，否则为0。n表示服务类型总数；β表示随着服务类型增长，价格缩进的速度。

为了高效、快速实现房型推荐，可应用各种分类模型。通过观测因变量与自变量数据呈现的特征，同时结合模型预测精度，选择一种高效、准确度高的、更新迭代速度快的分类模型，具体可以采用更新速度快，精度高的xgboost模型。运用训练好的模型进行个性化推荐，当老用户点击进入酒店详情页之前，从生产环境库中获取模型所需的静态维度，并调用线上开发接口，对于线上的酒店房型信息进行实时在线处理。最终将所有维度代入训练好的模型，得出每个可订非钟点房的订购概率。选择计算订购概率最高的房型为我们最终要推荐的子房型。

在针对老用户可选的一种实施方式中，步骤104中，若最大概率对应的房型为多个，则步骤105中输出关于多个房型中位置靠前的房型的推荐信息。对于每个房型计算概率按照如下公式修正：

changeprobi＝probi-γ1*rank-γ2*master_seq。

其中，changeprobi表示每个房型修正后的概率；probi表示每个房型借助房型推荐模型计算出的原始概率值；rank表示每个房型位于所属主房型的位置；γ1表示rank位置的影响力；master_seq表示主房型位于酒店内的位置；γ2表示master_seq位置的影响力。

在针对老用户可选的一种实施方式中，被推荐房型的订购概率值不能太小，当被推荐房型的订购概率值过小(如：小于0.1)，则说明该房型与用户所需的匹配度不够，对该用户在此酒店内将不予推荐。

在针对老用户可选的一种实施方式中，步骤104中，若最大概率对应的房型的价格高于所述用户历史订购房型的最高价与预设倍数的乘积，则选择次高概率对应的房型，直至选择的房型的价格不高于所述乘积；若选择的每个房型的价格均高于所述乘积，则不输出任何推荐信息。

其中，以老用户订单再次订购子房型价格/用户过去订购订单价格的最大值的p分位数(如：p＝98％)作为预设倍数的取值。

本实施例还提供一种ota网站中酒店房型的推荐系统20，如图2所示，包括判断模块21、查找模块22、训练模块23、选择模块24以及推荐模块25。下面分别对各个模块的功能进行详细介绍。

所述判断模块用于判断用户是否在所述ota网站成功订购过酒店，并在是的情况下调用所述训练模块，在否的情况下调用所述查找模块。

所述查找模块用于按照所有酒店的历史订单数据中组合服务类型的销量从高到低的顺序，在目标酒店中依次查找是否存在相应组合服务类型的房型，若存在，则停止查找，并调用所述推荐模块。

所述训练模块用于根据所述用户的历史订单信息以及所有酒店的历史订单数据，训练房型推荐模型。

所述选择模块用于根据所述用户的浏览信息以及所述房型推荐模型，计算所述目标酒店中每个房型被所述用户订购的概率，并选择最大概率对应的房型，调用所述推荐模块。

所述推荐模块用于输出关于所述房型的推荐信息。

在针对新用户可选的一种实施方式中，若所述查找模块查找到的房型为多个，则所述推荐模块输出关于多个房型中价格最低的房型的推荐信息；若所述价格最低的房型不是所述目标酒店中最低价的房型，则所述推荐模块根据所述价格最低的房型以及所述目标酒店中最低价的房型所对应的组合服务类型，输出关于服务最优的房型的推荐信息。

在针对新用户可选的一种实施方式中，所述查找模块还用于在查找到的房型的最低价高于预设价格时，继续在目标酒店中查找是否存在下一个组合服务类型的房型；

若所述查找模块查找到的房型的最低价均高于预设价格，则所述推荐模块输出关于所述目标酒店中最低价的房型的推荐信息；若所述目标酒店中最低价的房型为多个，则所述推荐模块根据多个房型所对应的组合服务类型，输出关于服务最优的房型的推荐信息。

在针对老用户可选的一种实施方式中，所述选择模块用于在选择的最大概率对应的房型的价格高于所述用户历史订购房型的最高价与预设倍数的乘积时，选择次高概率对应的房型，直至选择的房型的价格不高于所述乘积；

若所述选择模块选择的每个房型的价格均高于所述乘积，则所述推荐模块不输出任何推荐信息。

本实施例中，通过对登录ota网站的用户进行新/老用户的分类，采用不同的推荐方式向用户推荐关于酒店房型的信息，能够快速挑选出符合用户需求的房型，实现了合理推荐的功能，提高了用户网上订购酒店的效率，同时也提升了订单的转化率。在一个具体的应用实例中，可以将整个ota网站的订单转化率提升1％-2％左右。

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，这些仅是举例说明，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。