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(gè)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(lái)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(gè)性化商品推薦系統(tǒng)、網(wǎng)易的個(gè)性化音樂(lè)推薦系統(tǒng)等。而隨著網(wǎng)絡(luò)及移動(dòng)互聯(lián)網(wǎng)技術(shù)的不斷發(fā)展，越來(lái)越多的消費(fèi)者也開(kāi)始選擇通過(guò)ota網(wǎng)站(在線旅游網(wǎng)站)及移動(dòng)端app(應(yīng)用程序)查看酒店信息并訂購(gòu)酒店，那么在用戶(hù)需要訂購(gòu)酒店時(shí)為其推薦符合其偏好的酒店，便成為一項(xiàng)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(gè)性化推薦問(wèn)題也存在其復(fù)雜性和特殊性，主要表現(xiàn)在以下幾個(gè)方面：

第一，傳統(tǒng)的推薦系統(tǒng)，通常會(huì)根據(jù)用戶(hù)特性進(jìn)行一些交叉推薦(如買(mǎi)漫畫(huà)書(shū)，推薦該漫畫(huà)的周邊等)，而ota網(wǎng)站的產(chǎn)品是單一的，不可能進(jìn)行交叉推薦，只能利用產(chǎn)品細(xì)節(jié)推薦更加符合用戶(hù)偏好的酒店，如星級(jí)、價(jià)位、地理位置等。

第二，由于酒店的庫(kù)存是有限的，當(dāng)酒店滿(mǎn)房之后，即使它非常符合客戶(hù)的需求，也不能再為用戶(hù)推薦該酒店；而傳統(tǒng)的推薦系統(tǒng)，很少會(huì)受到庫(kù)存的影響，即使某件產(chǎn)品脫銷(xiāo)了，也可以讓廠家加快該產(chǎn)品的生產(chǎn)速度和適當(dāng)延長(zhǎng)發(fā)貨時(shí)長(zhǎng)來(lái)解決。

第三，酒店是一種不可移動(dòng)的產(chǎn)品，當(dāng)用戶(hù)在查詢(xún)目標(biāo)酒店的時(shí)候，一般的會(huì)考慮該酒店附近的酒店，比如用戶(hù)在查詢(xún)a城的酒店時(shí)，如果推薦系統(tǒng)給其推薦b城市的酒店時(shí)，那么這個(gè)推薦被采用的概率就極低，所以在推薦酒店時(shí)用戶(hù)對(duì)酒店的位置是有要求的，因此在設(shè)計(jì)推薦酒店推薦系統(tǒng)的時(shí)候，必須要考慮酒店的位置。

第四，當(dāng)酒店的狀態(tài)(是否滿(mǎn)房、剩余房間價(jià)格比較高)發(fā)生變化時(shí)，必須實(shí)時(shí)進(jìn)行反饋，對(duì)推薦結(jié)果進(jìn)行調(diào)整，所以酒店的推薦系統(tǒng)必須是實(shí)現(xiàn)實(shí)時(shí)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(mǎn)足ota網(wǎng)站進(jìn)行個(gè)性化周邊酒店推薦的目的。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明要解決的技術(shù)問(wèn)題是為了克服現(xiàn)有技術(shù)中傳統(tǒng)推薦算法無(wú)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(gè)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(jí)、價(jià)格以及用戶(hù)的歷史畫(huà)像等因素，而且利用了酒店的實(shí)時(shí)信息、用戶(hù)的實(shí)時(shí)偏好信息等，能夠?qū)崟r(shí)個(gè)性化的向用戶(hù)推薦符合用戶(hù)偏好的周邊酒店，通過(guò)該算法與系統(tǒng)，ota網(wǎng)站可以讓用戶(hù)用更短的時(shí)間選擇到滿(mǎn)意的酒店。

本發(fā)明是通過(guò)下述技術(shù)方案來(lái)解決上述技術(shù)問(wèn)題的：

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

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

初選模塊，用于根據(jù)用戶(hù)信息和目標(biāo)酒店信息，從數(shù)據(jù)庫(kù)中獲取目標(biāo)酒店的靜態(tài)維度(如星級(jí)、商圈等)、實(shí)時(shí)維度(如酒店可訂率、酒店最低價(jià)等)和目標(biāo)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(shí)時(shí)維度；

實(shí)時(shí)偏好推薦模塊，用于根據(jù)所述初選模塊獲取的各類(lèi)數(shù)據(jù)，利用個(gè)性化周邊酒店推薦算法進(jìn)行處理，得到所述周邊酒店備選池中的每個(gè)候選酒店的評(píng)分并進(jìn)行降序排序；

實(shí)時(shí)信息過(guò)濾模塊，用于過(guò)濾不可預(yù)訂的候選酒店，將剩余的排名靠前的n個(gè)候選酒店推送給用戶(hù)，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(hù)訪問(wèn)ota網(wǎng)站時(shí)，向用戶(hù)展示所述n個(gè)候選酒店。所述線上模塊在網(wǎng)站及app界面中，當(dāng)用戶(hù)進(jìn)入酒店詳情頁(yè)時(shí)，調(diào)用個(gè)性化周邊酒店推薦算法，在酒店詳情頁(yè)下方展示為根據(jù)用戶(hù)個(gè)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(hù)的實(shí)時(shí)偏好；

所述初選模塊還用于根據(jù)用戶(hù)信息獲取用戶(hù)畫(huà)像信息及用戶(hù)的實(shí)時(shí)偏好信息；

其中所述初選模塊在獲取用戶(hù)畫(huà)像信息時(shí)會(huì)考慮到部分新用戶(hù)，為其填充粗略的畫(huà)像。

所述實(shí)時(shí)偏好推薦模塊還用于根據(jù)用戶(hù)的實(shí)時(shí)偏好信息修改每個(gè)候選酒店的評(píng)分。

較佳地，所述不可預(yù)訂的候選酒店包括滿(mǎn)房的、用戶(hù)不可定的、臨時(shí)的并且已經(jīng)下線的、app前臺(tái)因某種原因下線的、無(wú)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(gè)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(gè)性化的酒店推薦方法，其特點(diǎn)在于，包括以下步驟：

s1、根據(jù)用戶(hù)在客戶(hù)端的操作，獲取用戶(hù)信息和目標(biāo)酒店信息；

s2、根據(jù)用戶(hù)信息和目標(biāo)酒店信息，從數(shù)據(jù)庫(kù)中獲取目標(biāo)酒店的靜態(tài)維度、實(shí)時(shí)維度和目標(biāo)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(shí)時(shí)維度；其中，酒店維度具體包括歷史維度與實(shí)時(shí)維度，儲(chǔ)存最新的酒店數(shù)據(jù)，包括且不限于酒店的星級(jí)、價(jià)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(lèi)數(shù)據(jù)，利用個(gè)性化周邊酒店推薦算法進(jìn)行處理，得到所述周邊酒店備選池中的每個(gè)候選酒店的評(píng)分并進(jìn)行降序排序；

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

其中，周邊備選池酒店不是簡(jiǎn)單的來(lái)自于對(duì)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(gòu)過(guò)目標(biāo)酒店(hi)的用戶(hù)群u所訂購(gòu)過(guò)酒店集合h1，從h1中選取距離hi符合條件的酒店h2，并計(jì)算h1與h2之間的交叉用戶(hù)數(shù)(其計(jì)算交叉用戶(hù)的方法是對(duì)傳統(tǒng)協(xié)同過(guò)濾算法的改進(jìn))，如果h2的數(shù)目超過(guò)備選池所要的數(shù)目n，則選取交叉用戶(hù)最多的前n個(gè)酒店，如果h2的數(shù)目小于n，則用符合距離條件的熱銷(xiāo)酒店進(jìn)行補(bǔ)充。

所述的交叉用戶(hù)的計(jì)算方法與傳統(tǒng)的協(xié)同過(guò)濾方法存在較大的差異。在傳統(tǒng)的基于物品的協(xié)同過(guò)濾方法中，往往采用交叉用戶(hù)概率的方法對(duì)關(guān)聯(lián)物品進(jìn)行劃分。假設(shè)存在酒店a和b，則根據(jù)公式計(jì)算二者交叉用戶(hù)在并集用戶(hù)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(jì)算交叉用戶(hù)數(shù)，克服傳統(tǒng)依概率獲取關(guān)聯(lián)性的缺點(diǎn)，提高了準(zhǔn)確性。

較佳地，所述酒店推薦方法還包括：

s5、在用戶(hù)訪問(wèn)ota網(wǎng)站時(shí)，向用戶(hù)展示所述n個(gè)候選酒店。

較佳地，步驟s1中還獲取用戶(hù)的實(shí)時(shí)偏好；

步驟s2中還根據(jù)用戶(hù)信息獲取用戶(hù)畫(huà)像信息及用戶(hù)的實(shí)時(shí)偏好信息；

其中，所述用戶(hù)畫(huà)像信息包括用戶(hù)的歷史訂購(gòu)信息，所述歷史訂購(gòu)信息包括但不限于用戶(hù)訂購(gòu)酒店的平均星級(jí)、用戶(hù)訂單的平均價(jià)格、用戶(hù)商務(wù)出行次數(shù)、親子出游次數(shù)等。用戶(hù)的實(shí)時(shí)偏好信息包括當(dāng)前會(huì)話中瀏覽的酒店信息、用戶(hù)的篩選信息、用戶(hù)的查詢(xún)信息等。在有用戶(hù)實(shí)時(shí)偏好信息的情況下，可以根據(jù)實(shí)時(shí)偏好，改變參數(shù)加權(quán)進(jìn)而調(diào)整候選酒店得分。

步驟s3中還根據(jù)用戶(hù)的實(shí)時(shí)偏好信息修改每個(gè)候選酒店的評(píng)分。

較佳地，所述不可預(yù)訂的候選酒店包括滿(mǎn)房的、用戶(hù)不可定的、臨時(shí)的并且已經(jīng)下線的、app前臺(tái)因某種原因下線的、無(wú)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(gè)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(jìn)步效果在于：本發(fā)明可以提升用戶(hù)體驗(yàn)，由于本發(fā)明所推薦的酒店都是根據(jù)客戶(hù)實(shí)時(shí)偏好和實(shí)時(shí)酒店信息所推薦的，在為客戶(hù)選擇了適合客戶(hù)產(chǎn)品的同時(shí)，為客戶(hù)提前排除了符合條件但卻因?yàn)楦鞣N原因無(wú)法提供服務(wù)的酒店，提升了用戶(hù)網(wǎng)上訂酒店的效率，其中準(zhǔn)確率由原來(lái)的2.8％提升到16.7％，查全率從原來(lái)的56％提升到76％。。

附圖說(shuō)明

圖1為本發(fā)明的較佳實(shí)施例的ota網(wǎng)站中個(gè)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(shí)施例的ota網(wǎng)站中個(gè)性化的酒店推薦方法的流程圖。

具體實(shí)施方式

下面通過(guò)實(shí)施例的方式進(jìn)一步說(shuō)明本發(fā)明，但并不因此將本發(fā)明限制在所述的實(shí)施例范圍之中。

如圖1所示，本發(fā)明的ota網(wǎng)站中個(gè)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(shí)時(shí)偏好推薦模塊3、實(shí)時(shí)信息過(guò)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(hù)在客戶(hù)端的操作，獲取用戶(hù)信息和目標(biāo)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(hù)的實(shí)時(shí)偏好；

所述初選模塊2用于根據(jù)用戶(hù)信息和目標(biāo)酒店信息，從數(shù)據(jù)庫(kù)中獲取目標(biāo)酒店的靜態(tài)維度、實(shí)時(shí)維度和目標(biāo)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(shí)時(shí)維度；所述初選模塊2還用于在獲取用戶(hù)畫(huà)像信息時(shí)會(huì)考慮到部分新用戶(hù)，為其填充粗略的畫(huà)像；

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

所述實(shí)時(shí)信息過(guò)濾模塊4用于過(guò)濾不可預(yù)訂的候選酒店，將剩余的排名靠前的n個(gè)候選酒店推送給用戶(hù)，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(mǎn)房的、用戶(hù)不可定的、臨時(shí)的并且已經(jīng)下線的、app前臺(tái)因某種原因下線的、無(wú)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(hù)訪問(wèn)ota網(wǎng)站時(shí)，向用戶(hù)展示所述n個(gè)候選酒店。所述線上模塊5在網(wǎng)站及app界面中，當(dāng)用戶(hù)進(jìn)入酒店詳情頁(yè)時(shí)，調(diào)用個(gè)性化周邊酒店推薦算法，在酒店詳情頁(yè)下方展示為根據(jù)用戶(hù)個(gè)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(gè)性化的酒店推薦方法，其利用上述的酒店推薦系統(tǒng)實(shí)現(xiàn)，所述酒店推薦方法包括以下步驟：

步驟101、根據(jù)用戶(hù)在客戶(hù)端的操作，獲取用戶(hù)信息和目標(biāo)酒店信息；

步驟102、根據(jù)用戶(hù)信息和目標(biāo)酒店信息，從數(shù)據(jù)庫(kù)中獲取目標(biāo)酒店的靜態(tài)維度、實(shí)時(shí)維度和目標(biāo)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(shí)時(shí)維度；

其中，酒店維度具體包括歷史維度與實(shí)時(shí)維度，儲(chǔ)存最新的酒店數(shù)據(jù)，包括且不限于酒店的星級(jí)、價(jià)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(lèi)數(shù)據(jù)，利用個(gè)性化周邊酒店推薦算法進(jìn)行處理，得到所述周邊酒店備選池中的每個(gè)候選酒店的評(píng)分并進(jìn)行降序排序；

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

步驟105、在用戶(hù)訪問(wèn)ota網(wǎng)站時(shí)，向用戶(hù)展示所述n個(gè)候選酒店。

其中，步驟101中還獲取用戶(hù)的實(shí)時(shí)偏好；步驟102中還根據(jù)用戶(hù)信息獲取用戶(hù)畫(huà)像信息及用戶(hù)的實(shí)時(shí)偏好信息；步驟103中還根據(jù)用戶(hù)的實(shí)時(shí)偏好信息修改每個(gè)候選酒店的評(píng)分。

下面對(duì)本發(fā)明作進(jìn)一步詳細(xì)說(shuō)明：

當(dāng)用戶(hù)打開(kāi)ota客戶(hù)端時(shí)，首先會(huì)進(jìn)入主頁(yè)菜單，此時(shí)系統(tǒng)會(huì)根據(jù)用戶(hù)的個(gè)人信息從數(shù)據(jù)庫(kù)中獲取該用戶(hù)畫(huà)像。用戶(hù)點(diǎn)擊進(jìn)入酒店模塊，在對(duì)應(yīng)的搜索頁(yè)面中進(jìn)行相應(yīng)搜索。

若用戶(hù)沒(méi)有明確目標(biāo)，篩選、搜索模糊關(guān)鍵字，系統(tǒng)會(huì)轉(zhuǎn)跳進(jìn)入酒店列表頁(yè)面，用戶(hù)瀏覽并選擇感興趣的相應(yīng)酒店，系統(tǒng)轉(zhuǎn)跳進(jìn)入酒店詳情頁(yè)；若用戶(hù)有明確目標(biāo)，進(jìn)行精確搜索選擇，則系統(tǒng)直接轉(zhuǎn)跳進(jìn)入酒店詳情頁(yè)。該過(guò)程中，后臺(tái)系統(tǒng)從用戶(hù)的點(diǎn)擊，篩選或?yàn)g覽行為中獲得該用戶(hù)的實(shí)時(shí)偏好。

其中用戶(hù)的實(shí)時(shí)偏好來(lái)自于用戶(hù)當(dāng)前會(huì)話中瀏覽的酒店信息、用戶(hù)的篩選信息、用戶(hù)的查詢(xún)信息等。

在詳情頁(yè)中，系統(tǒng)會(huì)從數(shù)據(jù)庫(kù)中調(diào)取該酒店競(jìng)爭(zhēng)圈相關(guān)酒店數(shù)據(jù)，結(jié)合之前獲得的用戶(hù)畫(huà)像數(shù)據(jù)和用戶(hù)實(shí)時(shí)偏好，在后臺(tái)進(jìn)行個(gè)性化周邊推薦模型的計(jì)算，從而得到個(gè)性化周邊酒店的推薦列表。若該用戶(hù)對(duì)當(dāng)前酒店沒(méi)有訂購(gòu)意向，在酒店詳情頁(yè)下滑頁(yè)面，可從下方的“附近同類(lèi)型酒店”板塊獲得周邊酒店推薦計(jì)算結(jié)果，以供參考。

其中個(gè)性化周邊酒店推薦算法的具體步驟如下：

計(jì)算c城市每個(gè)酒店的離線周邊酒店備選池，并選取當(dāng)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(kù)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(kù)獲取c城市下的酒店hi，其次是獲取訂購(gòu)hi的用戶(hù)群u，最后是獲取用戶(hù)群u訂購(gòu)過(guò)的酒店w。

(2)計(jì)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(hù)瀏覽酒店和訂購(gòu)酒店的距離、以及結(jié)合該城市的酒店密度來(lái)確定。

首先，根據(jù)統(tǒng)計(jì)數(shù)據(jù)，80％的訂單中，用戶(hù)瀏覽酒店和訂購(gòu)酒店的距離在5km以?xún)?nèi)。其次，計(jì)算每個(gè)城市的酒店密度，以上海的酒店密度為基準(zhǔn)，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(lái)計(jì)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(gè)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(jì)h與h’之間的交叉用戶(hù)數(shù)。計(jì)算交叉用戶(hù)的方法，與傳統(tǒng)的協(xié)同過(guò)濾方法存在較大的差異。在傳統(tǒng)的基于物品的協(xié)同過(guò)濾方法中，往往采用交叉用戶(hù)概率的方法對(duì)關(guān)聯(lián)物品進(jìn)行劃分。假設(shè)存在酒店a和b，則根據(jù)公式計(jì)算二者交叉用戶(hù)在并集用戶(hù)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(jì)算方法存在一定缺陷?？紤]以下兩種情況：

(1)a酒店銷(xiāo)量一定，而b酒店銷(xiāo)量遠(yuǎn)小于a；

(2)a酒店銷(xiāo)量一定，而b酒店銷(xiāo)量遠(yuǎn)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(shí)際酒店訂購(gòu)場(chǎng)景中，銷(xiāo)量大的酒店往往比銷(xiāo)量小的酒店更具有推薦性。因此考慮僅保留公式分子來(lái)避免上述情況的發(fā)生，即使用公式：pa,b＝a∩b。當(dāng)pa,b越大，則b酒店關(guān)聯(lián)性越強(qiáng)，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(hù)數(shù)，接下是判斷h’與n(代表目標(biāo)酒店周?chē)鷤溥x推薦酒店數(shù)目)如果h’大于個(gè)數(shù)n，則從h’中選擇交叉用戶(hù)個(gè)數(shù)最多的前n個(gè)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(gè)數(shù)n，則進(jìn)行以下操作：

計(jì)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(jì)算出需要備選池需要補(bǔ)足的酒店個(gè)數(shù)k＝n-h’；根據(jù)數(shù)據(jù)庫(kù)統(tǒng)計(jì)h”的歷史訂單量，將h”進(jìn)行排序，選擇k個(gè)熱銷(xiāo)酒店，也就是選擇銷(xiāo)量前k的酒店作為周邊酒店備選池的補(bǔ)充，進(jìn)而獲得包含n個(gè)酒店的備選周邊酒店池。

(5)根據(jù)客戶(hù)端的獲取的用戶(hù)當(dāng)前瀏覽的酒店hi，從離線備選池酒店里提取出當(dāng)前客戶(hù)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(shí)時(shí)維度、用戶(hù)歷史畫(huà)像、用戶(hù)實(shí)時(shí)數(shù)據(jù)等進(jìn)行實(shí)時(shí)的個(gè)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(lái)就是獲取用戶(hù)的uid(用戶(hù)身份證明)，根據(jù)uid匹配用戶(hù)的歷史畫(huà)像，如果uid為新用戶(hù)，則通過(guò)空值填充的方法，將對(duì)應(yīng)的畫(huà)像值填充為均值或者0。如果是老用戶(hù)直接從數(shù)據(jù)庫(kù)提取該用戶(hù)的歷史畫(huà)像。

同時(shí)獲取酒店h’的靜態(tài)維度(如星級(jí)、商圈等)、實(shí)時(shí)維度(如酒店可訂率、酒店最低價(jià)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(shí)記為h’)，并獲取h的靜態(tài)維度和實(shí)時(shí)維度。

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

(2)接下來(lái)看系統(tǒng)是否可以獲得用戶(hù)實(shí)時(shí)偏好，如果能夠獲取用戶(hù)的實(shí)時(shí)偏好，則根據(jù)用戶(hù)的實(shí)時(shí)偏好，對(duì)h酒店的得分進(jìn)行實(shí)時(shí)的調(diào)整。例如用戶(hù)偏好4星級(jí)酒店，則增加4星級(jí)酒店的得分；用戶(hù)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(méi)有獲得用戶(hù)的實(shí)時(shí)偏好則直接對(duì)s進(jìn)行降序排序。

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

滿(mǎn)房的、用戶(hù)不可定的、臨時(shí)的并且已經(jīng)下線的、app前臺(tái)因某種原因下線的、無(wú)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(shí)施方式，但是本領(lǐng)域的技術(shù)人員應(yīng)當(dāng)理解，這些僅是舉例說(shuō)明，本發(fā)明的保護(hù)范圍是由所附權(quán)利要求書(shū)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(shí)質(zhì)的前提下，可以對(duì)這些實(shí)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(hù)范圍。