CN109903191A - 基于机器学习的旅行推荐方法、装置、存储介质及终端 - Google Patents
基于机器学习的旅行推荐方法、装置、存储介质及终端 Download PDFInfo
- Publication number
- CN109903191A CN109903191A CN201910007983.4A CN201910007983A CN109903191A CN 109903191 A CN109903191 A CN 109903191A CN 201910007983 A CN201910007983 A CN 201910007983A CN 109903191 A CN109903191 A CN 109903191A
- Authority
- CN
- China
- Prior art keywords
- user
- reiseziel
- travelling
- data
- browsing
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于计算机技术领域,尤其涉及一种基于机器学习的旅行推荐方法、装置、计算机可读存储介质及服务器。所述方法接收终端设备发送的旅行推荐请求,并从中提取出用户的身份标识;查询与所述用户标识对应的用户信息,并获取所述用户的浏览记录数据;提取所述浏览记录数据中的旅行目的地,并根据所述浏览记录数据分别计算所述用户对各个旅行目的地的关注度;根据所述用户信息以及所述用户对各个旅行目的地的关注度分别构造各个旅行目的地的评估向量;将各个旅行目的地的评估向量分别输入到预设的机器学习模型中进行处理,得到所述用户与各个旅行目的地之间的关联度;将与所述用户之间的关联度最高的旅行目的地作为推荐对象发送至所述终端设备。
Description
技术领域
本发明属于计算机技术领域,尤其涉及一种基于机器学习的旅行推荐方法、装置、计算机可读存储介质及服务器。
背景技术
目前,关于旅行方面的应用程序在为用户推荐旅行目的地时,一般是由旅行社的专业定制师通过人工来完成,首先,定制师需要了解大量的旅游信息与资讯,对各地的特点非常了解;其次,定制师需要花费大量的时间与用户沟通并根据沟通结果为用户推荐适宜的旅行目的地,该方法需要花费大量的人力资源,效率极低。
发明内容
有鉴于此,本发明实施例提供了一种基于机器学习的旅行推荐方法、装置、计算机可读存储介质及服务器,以解决现有的旅行推荐方法需要花费大量的人力资源,效率极低的问题。
本发明实施例的第一方面提供了一种基于机器学习的旅行推荐方法,可以包括:
接收终端设备发送的旅行推荐请求,并从所述旅行推荐请求中提取出用户的身份标识;
在预设的数据库中查询与所述用户标识对应的用户信息,并根据所述身份标识从预设的各个旅行网站的服务器中获取所述用户的浏览记录数据;
提取所述浏览记录数据中的各个旅行目的地,并根据所述浏览记录数据分别计算所述用户对各个旅行目的地的关注度;
根据所述用户信息以及所述用户对各个旅行目的地的关注度分别构造各个旅行目的地的评估向量;
将各个旅行目的地的评估向量分别输入到预设的机器学习模型中进行处理,得到所述用户与各个旅行目的地之间的关联度;
将与所述用户之间的关联度最高的旅行目的地作为推荐对象发送至所述终端设备。
本发明实施例的第二方面提供了一种基于机器学习的旅行推荐装置,可以包括:
旅行推荐请求接收模块,用于接收终端设备发送的旅行推荐请求,并从所述旅行推荐请求中提取出用户的身份标识;
用户数据获取模块,用于在预设的数据库中查询与所述用户标识对应的用户信息,并根据所述身份标识从预设的各个旅行网站的服务器中获取所述用户的浏览记录数据;
关注度计算模块,用于提取所述浏览记录数据中的各个旅行目的地,并根据所述浏览记录数据分别计算所述用户对各个旅行目的地的关注度;
评估向量构造模块,用于根据所述用户信息以及所述用户对各个旅行目的地的关注度分别构造各个旅行目的地的评估向量;
模型处理模块,用于将各个旅行目的地的评估向量分别输入到预设的机器学习模型中进行处理,得到所述用户与各个旅行目的地之间的关联度;
旅行推荐模块,用于将与所述用户之间的关联度最高的旅行目的地作为推荐对象发送至所述终端设备。
本发明实施例的第三方面提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机可读指令,所述计算机可读指令被处理器执行时实现如下步骤:
接收终端设备发送的旅行推荐请求,并从所述旅行推荐请求中提取出用户的身份标识;
在预设的数据库中查询与所述用户标识对应的用户信息,并根据所述身份标识从预设的各个旅行网站的服务器中获取所述用户的浏览记录数据;
提取所述浏览记录数据中的各个旅行目的地,并根据所述浏览记录数据分别计算所述用户对各个旅行目的地的关注度;
根据所述用户信息以及所述用户对各个旅行目的地的关注度分别构造各个旅行目的地的评估向量;
将各个旅行目的地的评估向量分别输入到预设的机器学习模型中进行处理,得到所述用户与各个旅行目的地之间的关联度;
将与所述用户之间的关联度最高的旅行目的地作为推荐对象发送至所述终端设备。
本发明实施例的第四方面提供了一种服务器,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机可读指令,所述处理器执行所述计算机可读指令时实现如下步骤:
接收终端设备发送的旅行推荐请求,并从所述旅行推荐请求中提取出用户的身份标识;
在预设的数据库中查询与所述用户标识对应的用户信息,并根据所述身份标识从预设的各个旅行网站的服务器中获取所述用户的浏览记录数据;
提取所述浏览记录数据中的各个旅行目的地,并根据所述浏览记录数据分别计算所述用户对各个旅行目的地的关注度;
根据所述用户信息以及所述用户对各个旅行目的地的关注度分别构造各个旅行目的地的评估向量;
将各个旅行目的地的评估向量分别输入到预设的机器学习模型中进行处理,得到所述用户与各个旅行目的地之间的关联度;
将与所述用户之间的关联度最高的旅行目的地作为推荐对象发送至所述终端设备。
本发明实施例与现有技术相比存在的有益效果是:本发明实施例在接收到用户通过终端设备发送的旅行推荐请求后,根据从该旅行推荐请求中提取出的身份标识自动在预设的数据库中查询与所述用户标识对应的用户信息,并根据所述身份标识从预设的各个旅行网站的服务器中获取所述用户的浏览记录数据,然后提取所述浏览记录数据中的各个旅行目的地,并根据所述浏览记录数据分别计算所述用户对各个旅行目的地的关注度,接着根据所述用户信息以及所述用户对各个旅行目的地的关注度分别构造各个旅行目的地的评估向量,再将各个旅行目的地的评估向量分别输入到预设的机器学习模型中进行处理,得到所述用户与各个旅行目的地之间的关联度,最后将与所述用户之间的关联度最高的旅行目的地作为推荐对象发送至所述终端设备。通过本发明实施例,使用自动化的方式完成了用户相关信息的收集,并通过机器学习模型对这些信息进行智能分析,从而为用户推荐合适的旅行目的地,减少了对人力资源的消耗,效率得到了极大的提升。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。
图1为本发明实施例中一种基于机器学习的旅行推荐方法的一个实施例流程图;
图2为根据身份标识从预设的各个旅行网站的服务器中获取用户的浏览记录数据的示意流程图;
图3为本发明实施例中一种旅行推荐装置的一个实施例结构图;
图4为本发明实施例中一种服务器的示意框图。
具体实施方式
为使得本发明的发明目的、特征、优点能够更加的明显和易懂,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,下面所描述的实施例仅仅是本发明一部分实施例,而非全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
请参阅图1,本发明实施例中一种基于机器学习的旅行推荐方法的一个实施例可以包括:
步骤S101、接收终端设备发送的旅行推荐请求,并从所述旅行推荐请求中提取出用户的身份标识。
在本实施例中,所述用户的终端设备实时对所述用户的操作行为进行监测,当监测到用户执行与旅行相关的操作时,则判定所述用户可能存在旅行的意向,所述终端设备会向指定的进行旅行管理的服务器发送旅行推荐请求。所述与旅行相关的操作包括但不限于:搜索旅行相关的网页、浏览旅行相关的网页或者推送信息、打开旅行相关的应用程序等等。
在所述旅行推荐请求中包括所述用户的身份标识,该身份标识包括但不限于所述用户的身份证号码、社保号码、手机号码等等可以唯一表征所述用户的标识。所述旅行管理服务器在接收到所述旅行推荐请求后,即可从中提取出所述用户的身份标识。
步骤S102、在预设的数据库中查询与所述用户标识对应的用户信息,并根据所述身份标识从预设的各个旅行网站的服务器中获取所述用户的浏览记录数据。
所述旅行管理服务器可以在所述数据库中查询与所述用户标识对应的用户信息,所述用户信息包括但不限于用户的年龄、性别、职业、受教育程度、收入水平、健康状况等等个人基础数据。
所述旅行管理服务器还可以根据所述身份标识从预设的各个旅行网站的服务器中获取所述用户的浏览记录数据。所述各个旅行网站可以根据实际情况进行设置,例如,可以选取知名度较高的若干个旅行网站作为分析对象,此处将选取的旅行网站的数目记为WN,并将各个旅行网站按照1、2、3、…、wn、…、WN的序号进行编号,其中,1≤wn≤WN。
如图2所示,从预设的各个旅行网站的服务器中获取所述用户的浏览记录数据的过程具体可以包括:
步骤S1021、向所述终端设备发送数据授权请求。
所述数据授权请求中包括第wn个旅行网站的标识,旅行网站的标识包括但不限于旅行网站的统一资源定位符(Uniform Resource Locator,URL)、中文名称(包括全称或缩写)、英文名称(包括全称或缩写)等等。
步骤S1022、接收所述终端设备的反馈信息。
所述终端设备在接收到所述旅行管理服务器发送的数据授权请求后,可以通过指定的人机交互界面向所述用户询问是否向所述旅行管理服务器进行数据授权,若用户确认,则向所述旅行管理服务器发送确认授权信息,且所述确认授权信息中携带着所述用户的数字签名,若用户拒绝,则向所述旅行管理服务器发送拒绝授权信息。
所述旅行管理服务器在接收到所述终端设备的反馈信息后,首先判断该反馈信息为确认授权信息还是拒绝授权信息,若所述反馈信息为拒绝授权信息,则不再从第wn个旅行网站的服务器中获取所述用户的浏览记录数据,若所述反馈信息为确认授权信息,则执行步骤S1023及其后续步骤。
步骤S1023、向第wn个旅行网站的服务器发送数据查询请求。
所述数据查询请求中包括所述确认授权信息,以便向第wn个旅行网站的服务器告知本次的数据查询请求已得到所述用户的授权。
步骤S1024、接收第wn个旅行网站的服务器发送的所述用户在第wn个旅行网站上的浏览记录数据。
第wn个旅行网站的服务器在接收到所述数据查询请求后,从所述确认授权信息中提取出所述用户的数字签名,并对该数字签名进行验证。若验证成功,则向所述旅行管理服务器发送所述用户在第wn个旅行网站上的浏览记录数据。
通过如图2所示的过程,所述旅行管理服务器可以分别从各个旅行网站的服务器中获取所述用户的浏览记录数据。
步骤S103、提取所述浏览记录数据中的各个旅行目的地,并根据所述浏览记录数据分别计算所述用户对各个旅行目的地的关注度。
在计算所述用户对各个旅行目的地的关注度的具体过程中,所述旅行管理服务器可以首先根据所述浏览记录数据分别统计所述用户对各个旅行目的地的浏览次数以及每次的浏览时长,然后根据下式分别计算所述用户对各个旅行目的地的关注度:
其中,dn为各个旅行目的地的序号,1≤dn≤DesNum,DesNum为从所述浏览记录数据中提取出的旅行目的地的数目,bn为所述用户的各次浏览行为的序号,1≤bn≤BNwn,dn,BNwn,dn为所述用户在第wn个旅行网站上对第dn个旅行目的地的浏览次数,BrowseTimewn,dn,bn为所述用户在第wn个旅行网站上对第dn个旅行目的地第bn次的浏览时长,WebWeightwn为第wn个旅行网站的权重系数,FocDegdn为所述用户对第dn个旅行目的地的关注度。
所述权重系数的设置过程具体包括:首先分别获取各个旅行网站的注册用户量以及日访问量,然后根据下式计算各个旅行网站的权重系数:
其中,UserNumwn为第wn个旅行网站的注册用户量,VisNumPerDaywn为第wn个旅行网站的日访问量,λ为预设的系数,且0≤λ≤1,其具体取值可以根据实际情况进行设置,例如,可以将其设置为0.2、0.3、0.5、0.8或者其它取值。
步骤S104、根据所述用户信息以及所述用户对各个旅行目的地的关注度分别构造各个旅行目的地的评估向量。
其中,每个旅行目的地均对应一个评估向量,在该评估向量中包括所述用户信息以及所述用户对该旅行目的地的关注度。
步骤S105、将各个旅行目的地的评估向量分别输入到预设的机器学习模型中进行处理,得到所述用户与各个旅行目的地之间的关联度。
所述机器学习模型为预先经过大量样本训练且准确率达到预期要求的模型,其具体训练过程可以包括如下步骤:
(1)根据对历史用户的统计数据构造样本库。
其中的每个样本包括两部分,一部分是历史用户的评估向量,即模型的输入,评估向量的具体构造过程与前述内容类似,此处不再赘述,另一部分是历史用户与某一旅行目的地之间的关联度,即模型的预期输出(注意,此处是预期输出,而不是实际输出)。
某一历史用户与某一旅行目的地之间的关联度可以用在一定的统计时段内(例如,3年、5年、8年等)该用户实际到该旅行目的地去的次数来表示。
在构造出样本库后,还可以进一步地将其中的样本切分为训练样本集以及测试样本集这两个集合。
(2)机器学习建模。
本实施例中可以基于现有的各种机器学习算法来进行建模,并使用训练样本集中的样本对模型的参数进行训练。
本实施例中所使用的机器学习算法包括但不限于决策树、SVM、KNN等等具体算法。
(3)模型准确度评估。
使用该机器学习模型进一步对测试样本集中的特征数据进行处理,并将测试样本集中各样本的预期输出值和实际输出值进行比对,若两者之间越接近,则说明模型的准确度越高,反之,若两者差别越大,则说明模型的准确度越低。
若模型的准确度大于预设的阈值,则可认为该模型已具备使用条件,可以使用该模型对当前用户进行评估,若模型的准确度小于该阈值,则进一步执行后续的调整过程。
(4)模型调整。
当模型的准确度较低时,可以对该模型的参数进行适当调整,直至准确度达标为止,若多次调整模型参数后计算的结果依然与测试集上的结果差别很大的话,则可以尝试重新对特征数据进行筛选,并重新建模,直至准确度达标为止。
当该机器学习模型构建完成之后,则可以将各个旅行目的地的评估向量分别输入到预设的机器学习模型中进行处理,得到所述用户与各个旅行目的地之间的关联度。
步骤S106、将与所述用户之间的关联度最高的旅行目的地作为推荐对象发送至所述终端设备。
进一步地,本实施例还可以在图1所示过程的基础上将所述用户的网络社交数据纳入考虑之中。具体地,在得到所述用户与各个旅行目的地之间的关联度之后,所述旅行管理服务器可以获取所述用户的网络社交数据,并从所述网络社交数据中提取所述用户的各个好友,所述好友为与所述用户进行过交互的其它用户。
然后,所述旅行管理服务器可以根据所述网络社交数据分别统计所述用户与各个好友之间的交互频次,并根据下式分别计算各个好友对所述用户的影响权重:
其中,fn为各个好友的序号,1≤fn≤FN,FN为所述用户的好友数目,ContactNumfn为所述用户与第fn个好友之间的交互频次,FriendWeightfn为第fn个好友对所述用户的影响权重。
最后,所述旅行管理服务器可以根据下式对所述用户与各个旅行目的地之间的关联度进行调整:
其中,FriendAssofn,dn为所述用户的第fn个好友与第dn个旅行目的地之间的关联度,该关联度的具体计算方法与前述过程相同,具体可参照前述内容,此处不再赘述。Associationdn为所述用户与第dn个旅行目的地之间的关联度,ω为预设的系数,且0≤ω≤1,其具体取值可以根据实际情况进行设置,例如,可以将其设置为0.2、0.3、0.5、0.8或者其它取值。EditedAssodn为调整后的所述用户与第dn个旅行目的地之间的关联度。在这种情况下,所述旅行管理服务器会按照调整后的关联度来选择推荐对象,也即将与所述用户之间的调整后的关联度最高的旅行目的地作为推荐对象发送至所述终端设备。
进一步地,考虑到当用户数量、旅游目的地以及好友关系均较多的情况下会使整个数据库的结构非常复杂,若使用传统的关系型数据库、键值型nosql数据库等进行处理效率会十分低下,所以基于这个背景,本方案中以关系型更强的图数据库作为存储解决此应用场景的问题。图数据库是可存储数十亿个关系并能以毫秒级延迟进行图形查询及存储的数据库服务。可轻松构建和运行处理高度互连的数据集,支持对大图形数据的实时更新,同时支持查询。
图数据库还具有灵活的schema修改,用户可以不断添加或删除新的顶点、边和属性,扩展或缩小数据模型,这对管理不断变化的对象类型特别方便,大多数图数据库可以在线修改schema,同时继续提供查询,节点能独立且实时更新,避免影响***的总体运转。比如当某个旅行业务改变了而导致用户行为数据有了偏差,单独提取相应顶点的数据重新训练模型就可以了,不会影响到整体计算的准确性。此外,还提供了固有的索引数据结构,因此它不需要为给定条件的查询加载或接触不相关的数据。
综上所述,本发明实施例在接收到用户通过终端设备发送的旅行推荐请求后,根据从该旅行推荐请求中提取出的身份标识自动在预设的数据库中查询与所述用户标识对应的用户信息,并根据所述身份标识从预设的各个旅行网站的服务器中获取所述用户的浏览记录数据,然后提取所述浏览记录数据中的各个旅行目的地,并根据所述浏览记录数据分别计算所述用户对各个旅行目的地的关注度,接着根据所述用户信息以及所述用户对各个旅行目的地的关注度分别构造各个旅行目的地的评估向量,再将各个旅行目的地的评估向量分别输入到预设的机器学习模型中进行处理,得到所述用户与各个旅行目的地之间的关联度,最后将与所述用户之间的关联度最高的旅行目的地作为推荐对象发送至所述终端设备。通过本发明实施例,使用自动化的方式完成了用户相关信息的收集,并通过机器学习模型对这些信息进行智能分析,从而为用户推荐合适的旅行目的地,减少了对人力资源的消耗,效率得到了极大的提升。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
对应于上文实施例所述的一种基于机器学习的旅行推荐方法,图3示出了本发明实施例提供的一种旅行推荐装置的一个实施例结构图。
本实施例中,一种旅行推荐装置可以包括:
旅行推荐请求接收模块301,用于接收终端设备发送的旅行推荐请求,并从所述旅行推荐请求中提取出用户的身份标识;
用户数据获取模块302,用于在预设的数据库中查询与所述用户标识对应的用户信息,并根据所述身份标识从预设的各个旅行网站的服务器中获取所述用户的浏览记录数据;
关注度计算模块303,用于提取所述浏览记录数据中的各个旅行目的地,并根据所述浏览记录数据分别计算所述用户对各个旅行目的地的关注度;
评估向量构造模块304,用于根据所述用户信息以及所述用户对各个旅行目的地的关注度分别构造各个旅行目的地的评估向量;
模型处理模块305,用于将各个旅行目的地的评估向量分别输入到预设的机器学习模型中进行处理,得到所述用户与各个旅行目的地之间的关联度;
旅行推荐模块306,用于将与所述用户之间的关联度最高的旅行目的地作为推荐对象发送至所述终端设备。
进一步地,所述用户数据获取模块可以包括:
数据授权请求发送单元,用于向所述终端设备发送数据授权请求,所述数据授权请求中包括第wn个旅行网站的标识,1≤wn≤WN,WN为旅行网站的数目;
反馈信息接收单元,用于接收所述终端设备的反馈信息;
数据查询请求发送单元,用于若所述反馈信息为确认授权信息,则向第wn个旅行网站的服务器发送数据查询请求,所述数据查询请求中包括所述确认授权信息;
浏览记录数据接收单元,用于接收第wn个旅行网站的服务器发送的所述用户在第wn个旅行网站上的浏览记录数据。
进一步地,所述关注度计算模块可以包括:
浏览数据统计单元,用于根据所述浏览记录数据分别统计所述用户对各个旅行目的地的浏览次数以及每次的浏览时长;
关注度计算单元,用于根据下式分别计算所述用户对各个旅行目的地的关注度:
其中,dn为各个旅行目的地的序号,1≤dn≤DesNum,DesNum为从所述浏览记录数据中提取出的旅行目的地的数目,bn为所述用户的各次浏览行为的序号,1≤bn≤BNwn,dn,BNwn,dn为所述用户在第wn个旅行网站上对第dn个旅行目的地的浏览次数,BrowseTimewn,dn,bn为所述用户在第wn个旅行网站上对第dn个旅行目的地第bn次的浏览时长,WebWeightwn为第wn个旅行网站的权重系数,FocDegdn为所述用户对第dn个旅行目的地的关注度。
进一步地,所述旅行推荐装置还可以包括:
网站数据获取模块,用于分别获取各个旅行网站的注册用户量以及日访问量;
权重系数计算模块,用于根据下式计算各个旅行网站的权重系数:
其中,UserNumwn为第wn个旅行网站的注册用户量,VisNumPerDaywn为第wn个旅行网站的日访问量,λ为预设的系数,且0≤λ≤1。
进一步地,所述旅行推荐装置还可以包括:
网络社交数据获取模块,用于获取所述用户的网络社交数据,并从所述网络社交数据中提取所述用户的各个好友,所述好友为与所述用户进行过交互的其它用户;
交互频次统计模块,用于根据所述网络社交数据分别统计所述用户与各个好友之间的交互频次;
影响权重计算模块,用于根据下式分别计算各个好友对所述用户的影响权重:
其中,fn为各个好友的序号,1≤fn≤FN,FN为所述用户的好友数目,ContactNumfn为所述用户与第fn个好友之间的交互频次,FriendWeightfn为第fn个好友对所述用户的影响权重;
关联度调整模块,用于根据下式对所述用户与各个旅行目的地之间的关联度进行调整:
其中,FriendAssofn,dn为所述用户的第fn个好友与第dn个旅行目的地之间的关联度,Associationdn为所述用户与第dn个旅行目的地之间的关联度,ω为预设的系数,且0≤ω≤1,EditedAssodn为调整后的所述用户与第dn个旅行目的地之间的关联度。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的装置,模块和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
图4示出了本发明实施例提供的一种服务器的示意框图,为了便于说明,仅示出了与本发明实施例相关的部分。
在本实施例中,所述服务器4即为上述方法实施例中的旅行管理服务器,所述服务器可以包括:处理器40、存储器41以及存储在所述存储器41中并可在所述处理器40上运行的计算机可读指令42,例如执行上述旅行推荐方法的计算机可读指令。所述处理器40执行所述计算机可读指令42时实现上述各个旅行推荐方法实施例中的步骤,例如图1所示的步骤S101至S106。或者,所述处理器40执行所述计算机可读指令42时实现上述各装置实施例中各模块/单元的功能,例如图3所示模块301至306的功能。
示例性的,所述计算机可读指令42可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器41中,并由所述处理器40执行,以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机可读指令段,该指令段用于描述所述计算机可读指令42在所述服务器4中的执行过程。
所述处理器40可以是中央处理单元(Central Processing Unit,CPU),还可以是其它通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器41可以是所述服务器4的内部存储单元,例如服务器4的硬盘或内存。所述存储器41也可以是所述服务器4的外部存储设备,例如所述服务器4上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器41还可以既包括所述服务器4的内部存储单元也包括外部存储设备。所述存储器41用于存储所述计算机可读指令以及所述服务器4所需的其它指令和数据。所述存储器41还可以用于暂时地存储已经输出或者将要输出的数据。
在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干计算机可读指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储计算机可读指令的介质。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于机器学习的旅行推荐方法,其特征在于,包括:
接收终端设备发送的旅行推荐请求,并从所述旅行推荐请求中提取出用户的身份标识;
在预设的数据库中查询与所述用户标识对应的用户信息,并根据所述身份标识从预设的各个旅行网站的服务器中获取所述用户的浏览记录数据;
提取所述浏览记录数据中的各个旅行目的地,并根据所述浏览记录数据分别计算所述用户对各个旅行目的地的关注度;
根据所述用户信息以及所述用户对各个旅行目的地的关注度分别构造各个旅行目的地的评估向量;
将各个旅行目的地的评估向量分别输入到预设的机器学习模型中进行处理,得到所述用户与各个旅行目的地之间的关联度;
将与所述用户之间的关联度最高的旅行目的地作为推荐对象发送至所述终端设备。
2.根据权利要求1所述的旅行推荐方法,其特征在于,所述根据所述身份标识从预设的各个旅行网站的服务器中获取所述用户的浏览记录数据包括:
向所述终端设备发送数据授权请求,所述数据授权请求中包括第wn个旅行网站的标识,1≤wn≤WN,WN为旅行网站的数目;
接收所述终端设备的反馈信息,若所述反馈信息为确认授权信息,则向第wn个旅行网站的服务器发送数据查询请求,所述数据查询请求中包括所述确认授权信息;
接收第wn个旅行网站的服务器发送的所述用户在第wn个旅行网站上的浏览记录数据。
3.根据权利要求1所述的旅行推荐方法,其特征在于,所述根据所述浏览记录数据分别计算所述用户对各个旅行目的地的关注度包括:
根据所述浏览记录数据分别统计所述用户对各个旅行目的地的浏览次数以及每次的浏览时长;
根据下式分别计算所述用户对各个旅行目的地的关注度:
其中,dn为各个旅行目的地的序号,1≤dn≤DesNum,DesNum为从所述浏览记录数据中提取出的旅行目的地的数目,bn为所述用户的各次浏览行为的序号,1≤bn≤BNwn,dn,BNwn,dn为所述用户在第wn个旅行网站上对第dn个旅行目的地的浏览次数,BrowseTimewn,dn,bn为所述用户在第wn个旅行网站上对第dn个旅行目的地第bn次的浏览时长,WebWeightwn为第wn个旅行网站的权重系数,FocDegdn为所述用户对第dn个旅行目的地的关注度。
4.根据权利要求3所述的旅行推荐方法,其特征在于,所述权重系数的设置过程包括:
分别获取各个旅行网站的注册用户量以及日访问量;
根据下式计算各个旅行网站的权重系数:
其中,UserNumwn为第wn个旅行网站的注册用户量,VisNumPerDaywn为第wn个旅行网站的日访问量,λ为预设的系数,且0≤λ≤1。
5.根据权利要求1至4中任一项所述的旅行推荐方法,其特征在于,在得到所述用户与各个旅行目的地之间的关联度之后,还包括:
获取所述用户的网络社交数据,并从所述网络社交数据中提取所述用户的各个好友,所述好友为与所述用户进行过交互的其它用户;
根据所述网络社交数据分别统计所述用户与各个好友之间的交互频次;
根据下式分别计算各个好友对所述用户的影响权重:
其中,fn为各个好友的序号,1≤fn≤FN,FN为所述用户的好友数目,ContactNumfn为所述用户与第fn个好友之间的交互频次,FriendWeightfn为第fn个好友对所述用户的影响权重;
根据下式对所述用户与各个旅行目的地之间的关联度进行调整:
其中,FriendAssofn,dn为所述用户的第fn个好友与第dn个旅行目的地之间的关联度,Associationdn为所述用户与第dn个旅行目的地之间的关联度,ω为预设的系数,且0≤ω≤1,EditedAssodn为调整后的所述用户与第dn个旅行目的地之间的关联度。
6.一种旅行推荐装置,其特征在于,包括:
旅行推荐请求接收模块,用于接收终端设备发送的旅行推荐请求,并从所述旅行推荐请求中提取出用户的身份标识;
用户数据获取模块,用于在预设的数据库中查询与所述用户标识对应的用户信息,并根据所述身份标识从预设的各个旅行网站的服务器中获取所述用户的浏览记录数据;
关注度计算模块,用于提取所述浏览记录数据中的各个旅行目的地,并根据所述浏览记录数据分别计算所述用户对各个旅行目的地的关注度;
评估向量构造模块,用于根据所述用户信息以及所述用户对各个旅行目的地的关注度分别构造各个旅行目的地的评估向量;
模型处理模块,用于将各个旅行目的地的评估向量分别输入到预设的机器学习模型中进行处理,得到所述用户与各个旅行目的地之间的关联度;
旅行推荐模块,用于将与所述用户之间的关联度最高的旅行目的地作为推荐对象发送至所述终端设备。
7.根据权利要求6所述的旅行推荐装置,其特征在于,所述关注度计算模块包括:
浏览数据统计单元,用于根据所述浏览记录数据分别统计所述用户对各个旅行目的地的浏览次数以及每次的浏览时长;
关注度计算单元,用于根据下式分别计算所述用户对各个旅行目的地的关注度:
其中,dn为各个旅行目的地的序号,1≤dn≤DesNum,DesNum为从所述浏览记录数据中提取出的旅行目的地的数目,bn为所述用户的各次浏览行为的序号,1≤bn≤BNwn,dn,BNwn,dn为所述用户在第wn个旅行网站上对第dn个旅行目的地的浏览次数,BrowseTimewn,dn,bn为所述用户在第wn个旅行网站上对第dn个旅行目的地第bn次的浏览时长,WebWeightwn为第wn个旅行网站的权重系数,FocDegdn为所述用户对第dn个旅行目的地的关注度。
8.根据权利要求6或7所述的旅行推荐装置,其特征在于,还包括:
网络社交数据获取模块,用于获取所述用户的网络社交数据,并从所述网络社交数据中提取所述用户的各个好友,所述好友为与所述用户进行过交互的其它用户;
交互频次统计模块,用于根据所述网络社交数据分别统计所述用户与各个好友之间的交互频次;
影响权重计算模块,用于根据下式分别计算各个好友对所述用户的影响权重:
其中,fn为各个好友的序号,1≤fn≤FN,FN为所述用户的好友数目,ContactNumfn为所述用户与第fn个好友之间的交互频次,FriendWeightfn为第fn个好友对所述用户的影响权重;
关联度调整模块,用于根据下式对所述用户与各个旅行目的地之间的关联度进行调整:
其中,FriendAssofn,dn为所述用户的第fn个好友与第dn个旅行目的地之间的关联度,Associationdn为所述用户与第dn个旅行目的地之间的关联度,ω为预设的系数,且0≤ω≤1,EditedAssodn为调整后的所述用户与第dn个旅行目的地之间的关联度。
9.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机可读指令,其特征在于,所述计算机可读指令被处理器执行时实现如权利要求1至5中任一项所述的旅行推荐方法的步骤。
10.一种服务器,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机可读指令,其特征在于,所述处理器执行所述计算机可读指令时实现如权利要求1至5中任一项所述的旅行推荐方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910007983.4A CN109903191B (zh) | 2019-01-04 | 2019-01-04 | 基于机器学习的旅行推荐方法、装置、存储介质及终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910007983.4A CN109903191B (zh) | 2019-01-04 | 2019-01-04 | 基于机器学习的旅行推荐方法、装置、存储介质及终端 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109903191A true CN109903191A (zh) | 2019-06-18 |
CN109903191B CN109903191B (zh) | 2023-09-19 |
Family
ID=66943543
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910007983.4A Active CN109903191B (zh) | 2019-01-04 | 2019-01-04 | 基于机器学习的旅行推荐方法、装置、存储介质及终端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109903191B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110751395A (zh) * | 2019-10-21 | 2020-02-04 | 中国民航信息网络股份有限公司 | 一种旅客行程状态确定方法、装置及服务器 |
CN111159545A (zh) * | 2019-12-24 | 2020-05-15 | 贝壳技术有限公司 | 推荐房源确定方法及装置、房源推荐方法及装置 |
CN111274331A (zh) * | 2020-01-15 | 2020-06-12 | 中国建设银行股份有限公司 | 关系数据管理维护***及方法 |
CN111523944A (zh) * | 2020-04-26 | 2020-08-11 | 北京深演智能科技股份有限公司 | 浏览数据处理方法、装置、非易失性存储介质和处理 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102385601A (zh) * | 2010-09-03 | 2012-03-21 | 阿里巴巴集团控股有限公司 | 一种产品信息的推荐方法及*** |
KR20130083703A (ko) * | 2012-01-13 | 2013-07-23 | 경북대학교 산학협력단 | 이동 단말기의 위치 로그 기반의 개인화된 여행지 컨텐츠 검색 방법 및 이를 수행하는 여행지 컨텐츠 검색 시스템 |
KR101451153B1 (ko) * | 2013-08-02 | 2014-10-16 | 충북대학교 산학협력단 | 동행인과의 이동 궤적 분석을 통한 모바일 사용자에 대한 장소 추천 시스템 및 방법 |
KR20170014464A (ko) * | 2015-07-30 | 2017-02-08 | 주식회사 케이티 | 사용자 성향을 고려한 여행 일정 추천 방법,장치 및 컴퓨터 프로그램 |
KR20170107865A (ko) * | 2016-03-16 | 2017-09-26 | 김진섭 | 빅 데이터를 활용한 지능형 관광정보시스템 |
KR101871747B1 (ko) * | 2017-04-07 | 2018-06-27 | 주식회사 화성 | 유사성향 기반 사용자-관광상품 추천 방법 및 시스템 |
-
2019
- 2019-01-04 CN CN201910007983.4A patent/CN109903191B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102385601A (zh) * | 2010-09-03 | 2012-03-21 | 阿里巴巴集团控股有限公司 | 一种产品信息的推荐方法及*** |
KR20130083703A (ko) * | 2012-01-13 | 2013-07-23 | 경북대학교 산학협력단 | 이동 단말기의 위치 로그 기반의 개인화된 여행지 컨텐츠 검색 방법 및 이를 수행하는 여행지 컨텐츠 검색 시스템 |
KR101451153B1 (ko) * | 2013-08-02 | 2014-10-16 | 충북대학교 산학협력단 | 동행인과의 이동 궤적 분석을 통한 모바일 사용자에 대한 장소 추천 시스템 및 방법 |
KR20170014464A (ko) * | 2015-07-30 | 2017-02-08 | 주식회사 케이티 | 사용자 성향을 고려한 여행 일정 추천 방법,장치 및 컴퓨터 프로그램 |
KR20170107865A (ko) * | 2016-03-16 | 2017-09-26 | 김진섭 | 빅 데이터를 활용한 지능형 관광정보시스템 |
KR101871747B1 (ko) * | 2017-04-07 | 2018-06-27 | 주식회사 화성 | 유사성향 기반 사용자-관광상품 추천 방법 및 시스템 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110751395A (zh) * | 2019-10-21 | 2020-02-04 | 中国民航信息网络股份有限公司 | 一种旅客行程状态确定方法、装置及服务器 |
CN110751395B (zh) * | 2019-10-21 | 2023-07-04 | 中国民航信息网络股份有限公司 | 一种旅客行程状态确定方法、装置及服务器 |
CN111159545A (zh) * | 2019-12-24 | 2020-05-15 | 贝壳技术有限公司 | 推荐房源确定方法及装置、房源推荐方法及装置 |
CN111274331A (zh) * | 2020-01-15 | 2020-06-12 | 中国建设银行股份有限公司 | 关系数据管理维护***及方法 |
CN111523944A (zh) * | 2020-04-26 | 2020-08-11 | 北京深演智能科技股份有限公司 | 浏览数据处理方法、装置、非易失性存储介质和处理 |
Also Published As
Publication number | Publication date |
---|---|
CN109903191B (zh) | 2023-09-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109903191A (zh) | 基于机器学习的旅行推荐方法、装置、存储介质及终端 | |
CN104995870B (zh) | 多目标服务器布局确定方法和装置 | |
US20150324699A1 (en) | Network information methods devices and systems | |
JP7038113B2 (ja) | モノのインターネットにおけるセマンティックマッシュアップの許可 | |
CN109919316A (zh) | 获取网络表示学习向量的方法、装置和设备及存储介质 | |
CN112613602A (zh) | 基于知识感知超图神经网络的推荐方法及*** | |
CN114138985B (zh) | 文本数据处理的方法、装置、计算机设备以及存储介质 | |
CN107203901A (zh) | 向用户推送产品信息的方法及装置 | |
Tang et al. | Decision making with multiplicative hesitant fuzzy linguistic preference relations | |
CN106228263A (zh) | 基于大数据的物流信息化方法 | |
CN103258027A (zh) | 基于智能终端的情境感知服务平台 | |
CN111507541A (zh) | 货量预测模型构建方法、货量测量方法、装置及电子设备 | |
CN110502692A (zh) | 基于搜索引擎的信息检索方法、装置、设备和存储介质 | |
CN104376015A (zh) | 关系网络中节点的处理方法及装置 | |
CN112860810B (zh) | 域名多重图嵌入表示方法、装置、电子设备及介质 | |
CN116703682B (zh) | 一种基于深度学***台 | |
CN111461826B (zh) | 信息推送方法和装置、存储介质和电子装置 | |
CN109213940A (zh) | 大数据下实现用户位置计算的方法、存储介质、设备及*** | |
Shi et al. | Human resources balanced allocation method based on deep learning algorithm | |
CN103645889B (zh) | 软件自适应的动态生成方法 | |
CN112989558A (zh) | 基于多目标优化的电力业务质量匹配优化方法及相关设备 | |
CN110019456B (zh) | 数据导入方法、装置和*** | |
CN109962907A (zh) | 基于大数据的用户身份识别方法及终端设备 | |
CN112862536B (zh) | 一种数据处理方法、装置、设备及存储介质 | |
CN115174226B (zh) | 基于人工智能和大数据的用户行为预测方法、设备、介质及产品 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |