本技術(shù)涉及計算機(jī)，特別涉及一種基于用戶行為分析的酒店推薦方法及裝置。

背景技術(shù)：

1、商務(wù)出行用戶通常面臨緊迫的時間限制和嚴(yán)格的差旅標(biāo)準(zhǔn)。他們需要一個能夠快速、準(zhǔn)確地推薦符合其預(yù)算和質(zhì)量要求的酒店的系統(tǒng)。此外，隨著全球化的進(jìn)程，商務(wù)人士可能需要在不同的城市甚至國家之間頻繁旅行，這增加了尋找合適酒店的復(fù)雜性。因此，一個能夠適應(yīng)不同地區(qū)和文化差異的酒店推薦系統(tǒng)對于商務(wù)出行用戶來說尤為重要。

2、相關(guān)技術(shù)中，目前市場上存在多種在線平臺提供酒店預(yù)訂服務(wù)。這些平臺通過收集和分析酒店的基本信息，如位置、價格、設(shè)施等，為用戶提供酒店選擇。這些平臺往往無法充分考慮用戶在不同時間段的個性化需求，導(dǎo)致推薦的酒店可能并不完全符合用戶的期望，從而降低了酒店推薦的準(zhǔn)確度。

技術(shù)實現(xiàn)思路

1、本技術(shù)實施例提供了一種基于用戶行為分析的酒店推薦方法及裝置。為了對披露的實施例的一些方面有一個基本的理解，下面給出了簡單的概括。該概括部分不是泛泛評述，也不是要確定關(guān)鍵／重要組成元素或描繪這些實施例的保護(hù)范圍。其唯一目的是用簡單的形式呈現(xiàn)一些概念，以此作為后面的詳細(xì)說明的序言。

2、第一方面，本技術(shù)實施例提供了一種基于用戶行為分析的酒店推薦方法，應(yīng)用于服務(wù)端，方法包括：

3、接收客戶端發(fā)送的酒店預(yù)訂請求，酒店預(yù)訂請求用于請求服務(wù)端生成屬于用戶的最優(yōu)酒店列表，酒店預(yù)訂請求攜帶目的地和目標(biāo)用戶標(biāo)識；

4、從預(yù)先配置的用戶標(biāo)識與用戶差旅標(biāo)準(zhǔn)之間的映射關(guān)系中，獲取目標(biāo)用戶標(biāo)識對應(yīng)的目標(biāo)差旅標(biāo)準(zhǔn)；

5、篩選目的地周圍預(yù)設(shè)范圍內(nèi)并符合目標(biāo)差旅標(biāo)準(zhǔn)的酒店數(shù)據(jù)，生成備選酒店集合；

6、從預(yù)先收集的用戶標(biāo)識與用戶行為信息之間的動態(tài)映射關(guān)系中，獲取當(dāng)前時刻之前目標(biāo)用戶標(biāo)識對應(yīng)的所有歷史用戶行為數(shù)據(jù)，動態(tài)映射關(guān)系中的用戶行為信息是按照時間的先后順序逐一存儲來自預(yù)設(shè)監(jiān)聽器針對目標(biāo)用戶標(biāo)識實時監(jiān)聽得到的；

7、基于用戶行為數(shù)據(jù)，擬合目標(biāo)用戶標(biāo)識所屬的目標(biāo)用戶在預(yù)設(shè)周期內(nèi)多個預(yù)設(shè)酒店篩選因子的因子變化曲線圖，預(yù)設(shè)酒店篩選因子用于描述酒店特征的基本屬性和條件，因子變化曲線圖用于表征目標(biāo)用戶在不同時間點對各個酒店篩選因子的關(guān)注程度變化；

8、將多個預(yù)設(shè)酒店篩選因子的因子變化曲線圖輸入預(yù)先訓(xùn)練的個人喜好預(yù)測模型中，輸出目標(biāo)用戶對應(yīng)的喜好關(guān)鍵詞序列，喜好關(guān)鍵詞序列用于表征用戶對酒店的個性化需求；

9、從備選酒店集合中，篩選滿足喜好關(guān)鍵詞序列的所有酒店作為最優(yōu)酒店列表，并推薦至客戶端進(jìn)行展示。

10、可選的，預(yù)先訓(xùn)練的個人喜好預(yù)測模型包括區(qū)域分割模塊、偏好強度提取模塊、上下文信息收集模塊、編碼融合模塊以及隨機(jī)森林回歸網(wǎng)絡(luò)；

11、將多個預(yù)設(shè)酒店篩選因子的因子變化曲線圖輸入預(yù)先訓(xùn)練的個人喜好預(yù)測模型中，輸出目標(biāo)用戶對應(yīng)的喜好關(guān)鍵詞序列，包括：

12、區(qū)域分割模塊分割多個預(yù)設(shè)酒店篩選因子的因子變化曲線圖中出現(xiàn)頻次最多的酒店篩選因子所在的區(qū)域，作為關(guān)注區(qū)域，關(guān)注區(qū)域用于表征目標(biāo)用戶在不同的時間段所偏好的酒店屬性；

13、偏好強度提取模塊基于關(guān)注區(qū)域，提取并量化目標(biāo)用戶對酒店篩選因子的偏好強度；

14、上下文信息收集模塊收集與目標(biāo)用戶相關(guān)的上下文信息，上下文信息用于表征用戶的酒店預(yù)訂背景；

15、編碼融合模塊對偏好強度以及上下文信息進(jìn)行編碼融合，得到融合特征；

16、將融合特征與預(yù)設(shè)喜好關(guān)鍵詞集合輸入隨機(jī)森林回歸網(wǎng)絡(luò)中，輸出目標(biāo)用戶對應(yīng)的喜好關(guān)鍵詞序列。

17、可選的，基于關(guān)注區(qū)域，提取并量化目標(biāo)用戶對酒店篩選因子的偏好強度，包括：

18、從預(yù)設(shè)酒店篩選因子集合中，篩選出位于關(guān)注區(qū)域的目標(biāo)因子；

19、收集目標(biāo)用戶在關(guān)注區(qū)域內(nèi)的酒店星級、價格、用戶評價以及預(yù)訂頻率，得到歷史預(yù)訂數(shù)據(jù)；

20、根據(jù)歷史預(yù)訂數(shù)據(jù)，確定目標(biāo)因子的綜合分?jǐn)?shù)，作為目標(biāo)用戶對酒店篩選因子的偏好強度。

21、可選的，按照以下步驟生成預(yù)先訓(xùn)練的個人喜好預(yù)測模型，包括：

22、收集每個歷史用戶的歷史酒店預(yù)訂數(shù)據(jù)；

23、根據(jù)每個歷史用戶的歷史酒店預(yù)訂數(shù)據(jù)，擬合每個歷史用戶在預(yù)設(shè)周期內(nèi)多個預(yù)設(shè)酒店篩選因子的歷史因子變化曲線圖；

24、創(chuàng)建個人喜好預(yù)測模型，個人喜好預(yù)測模型包括區(qū)域分割模塊、偏好強度提取模塊、上下文信息收集模塊、編碼融合模塊以及隨機(jī)森林回歸網(wǎng)絡(luò)；

25、采用區(qū)域分割模塊、偏好強度提取模塊依次對歷史因子變化曲線圖進(jìn)行處理，得到每個歷史因子變化曲線圖對應(yīng)的歷史偏好強度；

26、采用上下文信息收集模塊收集與每個歷史用戶相關(guān)的歷史上下文信息；

27、采用編碼融合模塊對每個歷史因子變化曲線圖對應(yīng)的歷史偏好強度及其歷史上下文信息進(jìn)行融合，得到每個歷史用戶的歷史融合特征；

28、基于每個歷史用戶的歷史融合特征，對隨機(jī)森林回歸網(wǎng)絡(luò)進(jìn)行機(jī)器學(xué)習(xí)，得到預(yù)先訓(xùn)練的個人喜好預(yù)測模型。

29、可選的，基于每個歷史用戶的歷史融合特征，對隨機(jī)森林回歸網(wǎng)絡(luò)進(jìn)行機(jī)器學(xué)習(xí)，得到預(yù)先訓(xùn)練的個人喜好預(yù)測模型，包括：

30、初始化預(yù)設(shè)喜好關(guān)鍵詞集合；

31、響應(yīng)于數(shù)據(jù)標(biāo)注指令，從預(yù)設(shè)喜好關(guān)鍵詞集合中選擇數(shù)據(jù)標(biāo)注指令對應(yīng)的目標(biāo)喜好關(guān)鍵詞對每個歷史用戶的歷史融合特征進(jìn)行數(shù)據(jù)標(biāo)注，得到多個模型訓(xùn)練樣本；

32、將每個模型訓(xùn)練樣本輸入隨機(jī)森林回歸網(wǎng)絡(luò)中，輸出模型損失值；

33、根據(jù)模型損失值，生成預(yù)先訓(xùn)練的個人喜好預(yù)測模型。

34、可選的，根據(jù)模型損失值，生成預(yù)先訓(xùn)練的個人喜好預(yù)測模型，包括：

35、在模型損失值到達(dá)最小時，生成預(yù)先訓(xùn)練的個人喜好預(yù)測模型；

36、或者，

37、在模型損失值未到達(dá)最小時，更新隨機(jī)森林回歸網(wǎng)絡(luò)的網(wǎng)絡(luò)參數(shù)，并繼續(xù)執(zhí)行將每個模型訓(xùn)練樣本輸入隨機(jī)森林回歸網(wǎng)絡(luò)中的步驟，直到損失值到達(dá)最??；其中，

38、隨機(jī)森林回歸網(wǎng)絡(luò)的損失函數(shù)為：

39、

40、其中，為模型損失值,表示模型訓(xùn)練樣本中第個樣本，表示分類的損失，表示隨機(jī)森林回歸網(wǎng)絡(luò)對第樣本預(yù)測的喜好關(guān)鍵詞，表示對第樣本標(biāo)注的喜好關(guān)鍵詞標(biāo)簽，是平衡損失的權(quán)重。

41、可選的，用戶行為數(shù)據(jù)包括搜索的關(guān)鍵詞、瀏覽的酒店詳情頁、點擊的酒店圖片或描述；

42、基于用戶行為數(shù)據(jù)，擬合目標(biāo)用戶標(biāo)識所屬的目標(biāo)用戶在預(yù)設(shè)周期內(nèi)多個預(yù)設(shè)酒店篩選因子的因子變化曲線圖，包括：

43、獲取多個預(yù)設(shè)酒店篩選因子；

44、確定預(yù)設(shè)周期；

45、根據(jù)預(yù)設(shè)周期以及多個預(yù)設(shè)酒店篩選因子，繪制二維坐標(biāo)圖；

46、將搜索的關(guān)鍵詞、瀏覽的酒店詳情頁、點擊的酒店圖片或描述映射至二維坐標(biāo)圖中，得到目標(biāo)用戶標(biāo)識所屬的目標(biāo)用戶在預(yù)設(shè)周期內(nèi)多個預(yù)設(shè)酒店篩選因子的因子變化曲線圖。

47、可選的，從備選酒店集合中，篩選滿足喜好關(guān)鍵詞序列的所有酒店作為最優(yōu)酒店列表，包括：

48、獲取備選酒店集合中每個備選酒店的酒店信息以及歷史用戶評價信息；

49、判斷喜好關(guān)鍵詞序列中每個喜好關(guān)鍵詞是否存在于每個備選酒店的酒店信息以及歷史用戶評價信息中，得到判定結(jié)果；

50、從判定結(jié)果中，統(tǒng)計每個備選酒店的酒店信息以及歷史用戶評價信息中存在喜好關(guān)鍵詞序列中各喜好關(guān)鍵詞的數(shù)量；

51、基于存在喜好關(guān)鍵詞序列中各喜好關(guān)鍵詞的數(shù)量，生成最優(yōu)酒店列表。

52、可選的，基于存在喜好關(guān)鍵詞序列中各喜好關(guān)鍵詞的數(shù)量，生成最優(yōu)酒店列表，包括：

53、獲取存在喜好關(guān)鍵詞序列中各喜好關(guān)鍵詞的數(shù)量大于預(yù)設(shè)閾值的酒店信息以及歷史用戶評價信息對應(yīng)的備選酒店；

54、將獲取的備選酒店按照其存在喜好關(guān)鍵詞序列中各喜好關(guān)鍵詞的數(shù)量進(jìn)行降序排列，得到最優(yōu)酒店列表。

55、第二方面，本技術(shù)實施例提供了一種基于用戶行為分析的酒店推薦裝置，裝置包括：

56、請求接收模塊，用于接收客戶端發(fā)送的酒店預(yù)訂請求，酒店預(yù)訂請求用于請求服務(wù)端生成屬于用戶的最優(yōu)酒店列表，酒店預(yù)訂請求攜帶目的地和目標(biāo)用戶標(biāo)識；

57、差旅標(biāo)準(zhǔn)獲取模塊，用于從預(yù)先配置的用戶標(biāo)識與用戶差旅標(biāo)準(zhǔn)之間的映射關(guān)系中，獲取目標(biāo)用戶標(biāo)識對應(yīng)的目標(biāo)差旅標(biāo)準(zhǔn)；

58、酒店數(shù)據(jù)篩選模塊，用于篩選目的地周圍預(yù)設(shè)范圍內(nèi)并符合目標(biāo)差旅標(biāo)準(zhǔn)的酒店數(shù)據(jù)，生成備選酒店集合；

59、用戶行為數(shù)據(jù)獲取模塊，用于從預(yù)先收集的用戶標(biāo)識與用戶行為信息之間的動態(tài)映射關(guān)系中，獲取當(dāng)前時刻之前目標(biāo)用戶標(biāo)識對應(yīng)的所有歷史用戶行為數(shù)據(jù)，動態(tài)映射關(guān)系中的用戶行為信息是按照時間的先后順序逐一存儲來自預(yù)設(shè)監(jiān)聽器針對目標(biāo)用戶標(biāo)識實時監(jiān)聽得到的；

60、因子變化曲線圖擬合模塊，用于基于用戶行為數(shù)據(jù)，擬合目標(biāo)用戶標(biāo)識所屬的目標(biāo)用戶在預(yù)設(shè)周期內(nèi)多個預(yù)設(shè)酒店篩選因子的因子變化曲線圖，預(yù)設(shè)酒店篩選因子用于描述酒店特征的基本屬性和條件，因子變化曲線圖用于表征目標(biāo)用戶在不同時間點對各個酒店篩選因子的關(guān)注程度變化；

61、喜好關(guān)鍵詞序列輸出模塊，用于將多個預(yù)設(shè)酒店篩選因子的因子變化曲線圖輸入預(yù)先訓(xùn)練的個人喜好預(yù)測模型中，輸出目標(biāo)用戶對應(yīng)的喜好關(guān)鍵詞序列，喜好關(guān)鍵詞序列用于表征用戶對酒店的個性化需求；

62、最優(yōu)酒店列表篩選模塊，用于從備選酒店集合中，篩選滿足喜好關(guān)鍵詞序列的所有酒店作為最優(yōu)酒店列表，并推薦至客戶端進(jìn)行展示。

63、本技術(shù)實施例提供的技術(shù)方案可以包括以下有益效果：

64、在本技術(shù)實施例中，一方面，服務(wù)端通過獲取用戶的差旅標(biāo)準(zhǔn)和歷史行為數(shù)據(jù)進(jìn)行酒店推薦，歷史行為數(shù)據(jù)通過預(yù)設(shè)監(jiān)聽器實時收集并反映了用戶在不同時間點對酒店特征的關(guān)注程度，通過分析這些行為數(shù)據(jù)，服務(wù)端能夠更深入地理解用戶的個性化需求和偏好變化，從而使得推薦的酒店不僅符合用戶的差旅標(biāo)準(zhǔn)，還能滿足其隱含的個人喜好，這種結(jié)合用戶行為數(shù)據(jù)的方法提升了酒店推薦的準(zhǔn)確度；另一方面，基于用戶行為數(shù)據(jù)，服務(wù)端擬合了多個預(yù)設(shè)酒店篩選因子的因子變化曲線圖，這些曲線圖揭示了用戶在預(yù)設(shè)周期內(nèi)對不同酒店屬性的關(guān)注度變化，這些因子變化曲線圖為個人喜好預(yù)測模型提供了豐富的輸入特征，使得模型能夠捕捉用戶偏好的動態(tài)變化，從而增強了酒店推薦的個性化程度。

65、應(yīng)當(dāng)理解的是，以上的一般描述和后文的細(xì)節(jié)描述僅是示例性和解釋性的，并不能限制本技術(shù)。