CN112507207B - 一种出行推荐方法及装置 - Google Patents
一种出行推荐方法及装置 Download PDFInfo
- Publication number
- CN112507207B CN112507207B CN202011182364.8A CN202011182364A CN112507207B CN 112507207 B CN112507207 B CN 112507207B CN 202011182364 A CN202011182364 A CN 202011182364A CN 112507207 B CN112507207 B CN 112507207B
- Authority
- CN
- China
- Prior art keywords
- travel
- target user
- product
- user
- travel product
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 53
- 230000006399 behavior Effects 0.000 claims description 37
- 238000012545 processing Methods 0.000 claims description 30
- 238000004590 computer program Methods 0.000 claims description 17
- 238000003860 storage Methods 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 description 15
- 238000007405 data analysis Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 8
- 238000010200 validation analysis Methods 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000010606 normalization Methods 0.000 description 4
- 230000003542 behavioural effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000010006 flight Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000006386 memory function Effects 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000009182 swimming Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/02—Reservations, e.g. for tickets, services or events
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及互联网技术领域，公开了一种出行推荐方法及装置，以期通过结合用户对出行产品的行为偏好以及对出行产品浏览的记录确定用户的出行策略，提升推荐可信度。该方法包括：获取目标用户的画像标签，画像标签用于指示用户对于出行产品的行为偏好；获取目标用户对至少一个出行产品进行浏览产生的记录信息，记录信息包含至少一个出行产品的产品信息；根据画像标签和至少一个出行产品的产品信息，确定目标用户的出行策略。
Description
技术领域
本申请实施例涉及互联网技术领域，尤其涉及一种出行推荐方法及装置。
背景技术
随着互联网技术的发展，人们逐渐***台上预订机票、酒店等出行所涉及的产品服务。当下不同时刻预订的飞机票、酒店等产品价格也不相同，在何时更加优惠成为人们关心的问题。
现有技术中，通常依靠不同预订日期中每天的平均预订价格，确定相关航线的优选预订时间或者相关酒店的优选预订时间。例如，对于上月21号北京飞往上海这一航线，上月20号的机票平均预订价格为700，上月18号的机票平均预订价格为650，则确定北京飞往上海这一航线最佳应提前两天进行预订。这样的方式考虑因素较为单一，可信度较差。
发明内容
本申请实施例提供一种出行推荐方法及装置，以期通过结合用户对出行产品的行为偏好以及对出行产品浏览的记录确定用户的出行策略，提升推荐可信度。
第一方面，本申请实施例提供一种出行推荐方法，包括：获取目标用户的画像标签，所述画像标签用于指示用户对于出行产品的行为偏好；获取所述目标用户对至少一个出行产品进行浏览产生的记录信息，所述记录信息包含所述至少一个出行产品的产品信息；根据所述画像标签和所述至少一个出行产品的产品信息，确定所述目标用户的出行策略。
本申请实施例中，通过分析用户对出行产品的行为偏好以及对出行产品浏览的记录，考量时间变化及用户偏好等因素向用户推荐出行策略，能够提升推荐可信度，同时更加符合用户的实际需求。
在一种可选的实现方式中，所述至少一个出行产品的生效日期相同和/或所述至少一个出行产品对应的地点相同。
在一种可选的实现方式中，所述获取所述目标用户对至少一个出行产品进行浏览产生的记录信息，包括：确定所述目标用户没有历史出行订单，则获取所述目标用户在当前时刻之前对至少一个出行产品进行浏览产生的记录信息；或者，确定所述目标用户已预订第一出行产品，则获取所述目标用户在第一时刻之前对至少一个出行产品进行浏览产生的记录信息；其中，所述第一时刻为所述目标用户预订所述第一出行产品的时刻；其中，所述第一出行产品为至少一个出行产品中的任一出行产品。
在一种可选的实现方式中，若确定所述目标用户没有历史出行订单，所述根据所述画像标签和所述至少一个出行产品的产品信息，确定所述目标用户的出行策略，包括：在所述至少一个出行产品中，确定与所述目标用户的画像标签匹配的目标出行产品；确定所述目标用户的出行策略，所述出行策略用于指示所述用户预订所述目标出行产品。
在一种可选的实现方式中，若确定所述目标用户已预订第一出行产品，所述根据所述画像标签和所述至少一个出行产品的产品信息，确定所述目标用户的出行策略，包括：在所述至少一个出行产品中，确定与所述目标用户的画像标签匹配的目标出行产品；基于所述目标用户对所述目标出行产品进行浏览的时刻以及所述第一时刻，确定所述目标用户的出行策略，所述出行策略用于指示所述用户预订第二出行产品的提前时间量；其中，所述第二出行产品对应的地点和所述第一出行产品对应的地点相同。
在一种可选的实现方式中，所述至少一个出行产品的类型为机票，所述至少一个出行产品对应的航线相同；或者，所述至少一个出行产品的类型为酒店产品，所述至少一个出行产品对应的酒店所在地相同。
在一种可选的实现方式中，获取目标用户的画像标签，包括：确定所述目标用户有历史出行订单，则根据所述历史出行订单包含的出行产品的产品信息，确定所述目标用户的画像标签；或者，确定所述目标用户没有历史出行订单，则将目标用户群组的画像标签确定为所述目标用户的画像标签；其中，所述目标用户群组包括所述目标用户，所述目标用户群组的画像标签是根据所述目标用户群组中至少一个有历史出行订单的用户的画像标签确定的。
在一种可选的实现方式中，所述方法还包括：根据多个用户的人口学特征对所述多个用户进行分组，确定包括所述目标用户群组在内的至少一个用户群组；其中，所述多个用户包括所述目标用户，所述人口学特征包括年龄和/或性别。
第二方面，本申请实施例提供一种出行推荐装置，包括：处理模块，用于获取目标用户的画像标签，所述画像标签用于指示用户对于出行产品的行为偏好；获取模块，用于获取所述目标用户对至少一个出行产品进行浏览产生的记录信息，所述记录信息包含所述至少一个出行产品的产品信息；所述处理模块，还用于根据所述画像标签和所述至少一个出行产品的产品信息，确定所述目标用户的出行策略。
本申请实施例中，通过分析用户对出行产品的行为偏好以及对出行产品浏览的记录，考量时间变化及用户偏好等因素向用户推荐出行策略，能够提升推荐可信度，同时更加符合用户的实际需求。
在一种可选的实现方式中，所述至少一个出行产品的生效日期相同和/或所述至少一个出行产品对应的地点相同。
在一种可选的实现方式中，所述处理模块，还用于确定所述目标用户是否具有历史出行订单；所述获取模块，用于在所述处理模块确定所述目标用户没有历史出行订单时，获取所述目标用户在当前时刻之前对至少一个出行产品进行浏览产生的记录信息；或者，所述获取模块，用于在所述处理模块确定所述目标用户已预订第一出行产品时，获取所述目标用户在第一时刻之前对至少一个出行产品进行浏览产生的记录信息；其中，所述第一时刻为所述目标用户预订所述第一出行产品的时刻；其中，所述第一出行产品为至少一个出行产品中的任一出行产品。
在一种可选的实现方式中，所述处理模块在确定所述目标用户没有历史出行订单时，还用于：在所述至少一个出行产品中，确定与所述目标用户的画像标签匹配的目标出行产品；确定所述目标用户的出行策略，所述出行策略用于指示所述用户预订所述目标出行产品。
在一种可选的实现方式中，所述处理模块在确定所述目标用户已预订第一出行产品时，还用于：在所述至少一个出行产品中，确定与所述目标用户的画像标签匹配的目标出行产品；基于所述目标用户对所述目标出行产品进行浏览的时刻以及所述第一时刻，确定所述目标用户的出行策略，所述出行策略用于指示所述用户预订第二出行产品的提前时间量；其中，所述第二出行产品对应的地点和所述第一出行产品对应的地点相同。
在一种可选的实现方式中，所述至少一个出行产品的类型为机票，所述至少一个出行产品对应的航线相同；或者，所述至少一个出行产品的类型为酒店产品，所述至少一个出行产品对应的酒店所在地相同。
在一种可选的实现方式中，所述处理模块，还用于：确定所述目标用户有历史出行订单，则根据所述历史出行订单包含的出行产品的产品信息，确定所述目标用户的画像标签；或者，确定所述目标用户没有历史出行订单，则将目标用户群组的画像标签确定为所述目标用户的画像标签；其中，所述目标用户群组包括所述目标用户，所述目标用户群组的画像标签是根据所述目标用户群组中至少一个有历史出行订单的用户的画像标签确定的。
在一种可选的实现方式中，所述处理模块，还用于：根据多个用户的人口学特征对所述多个用户进行分组，确定包括所述目标用户群组在内的至少一个用户群组；其中，所述多个用户包括所述目标用户，所述人口学特征包括年龄和/或性别。
第三方面，本申请实施例提供一种电子设备，包括：处理器和存储器；
所述存储器，用于存储计算机程序；
所述处理器，用于执行所述存储器中存储的计算机程序，以使得所述电子设备执行第一方面任一可能的实现方式中的方法。
第四方面，本申请实施例提供一种电子设备，包括：处理器和接口电路；
所述接口电路，用于接收代码指令并传输至所述处理器；
所述处理器用于运行所述代码指令以执行第一方面任一可能的实现方式中的方法。
第五方面，本申请实施例提供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指令，当所述指令被执行时，使第一方面任一可能的实现方式中的方法被实现。
附图说明
图1为本申请实施例提供的一种数据分析***的结构示意图；
图2为本申请实施例提供一种出行推荐方法的流程示意图；
图3为本申请实施例提供一种数据分析方法的流程示意图；
图4为本申请实施例提供的一种出行推荐装置的结构示意图；
图5为本申请实施例提供的一种电子设备的结构示意图之一；
图6为本申请实施例提供的一种电子设备的结构示意图之二。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本申请作进一步地详细描述，显然，所描述的实施例仅仅是本发明一部份实施例，而不是全部的实施例。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。
需要说明的是，本发明中涉及的多个，是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。另外，应当理解，尽管在本发明实施例中可能采用术语第一、第二等来描述各数据、但这些数据不应限于这些术语。这些术语仅用来将各数据彼此区分开。
目前，为用户推荐优选机票、酒店的预订时间的方式，主要是依靠对不同预订日期中每天的平均预订价格的比较。并没有考虑不同用户选择偏好的差异，也没有考虑不同时间点查询到的产品的差异，得出的结论比较片面。如下例：
表1
如上表1所示，用户U01在6月10日预订了当天深圳飞往北京这一路线的机票1800元和当天入住北京的酒店600元。提前1天预订的用户有U02、U03、U04，机票平均票价为1000元{＝(1000+1200+800)/3)}，酒店平均房费540元{＝(550+500+570)/3)}；提前2天预订的用户有U05、U06、U07，机票平均票价为640元{＝(540+700+680)/3}，酒店平均房费520元{＝(550+510+500)/3)}。得出结论：提前1天预订，机票节省800元，酒店节省60元/晚；提前2天预订，机票节省1160元，酒店节省80元/晚。这样的方式没有考虑到产品的差异性和用户自身偏好的不同。比如机票产品的起飞时间、航司、舱位等不同，酒店产品的星级、品牌、设施、地理位置等不同；有的用户偏好10:00-12:00起飞的大航司，有的用户偏好市区的、有游泳池的、4～5星酒店。显然得出的结论缺乏说服力，可信度较差。
基于此，本申请实施例提供一种出行策略推荐方法及装置，可应用于一些提供机票预订、酒店预订等产品预订服务的业务***。以期通过结合用户对出行产品的行为偏好以及对出行产品浏览的记录向用户推荐出行策略，以提升推荐可信度。其中，方法、装置是基于同一发明构思的，由于方法、装置解决问题的原理相似，因此方法、装置的实施可以相互参见，重复之处不再赘述。
以下详细介绍一种确定用户对出行产品的行为偏好的实施方式。
参见图1，本申请实施例提供一种数据分析***100的结构示意图。该数据分析***可从前述一些包括提供机票预订、酒店预订等出行产品预订服务的业务***中获取用户的历史出行订单以及用户的浏览出行产品的记录等信息。可选的，该数据分析***可以作为前述业务***的后台，与业务***部署在同一服务器中；该数据分析可以是独立的***，通过相应接口与业务***交互信息。对此本申请实施例并不进行限制。
如图1所示，该数据分析***100包括多个子***，如分布式发布订阅消息***(kaflka)、分布式文件***(Hadoop distributed file system，HDFS)、数据仓库(Hive)和分析模型建立***(OneAI)。
其中，分布式发布订阅消息***用于接收业务***上报的数据，例如用户对至少一个出行产品进行浏览的记录信息，图1中简称为查询数据。又如用户的历史出行订单的订单信息，图1中简称为预订数据。可选的，业务***可以在上报的查询数据/预定数据中携带用户标识(memberid)，以便于后续针对单个用户的行为偏好作个性化精准分析。
示例性的，业务***可响应某一用户在其上查询机票的行程信息、航班信息，以及查询条件，通过预设用户界面将查询结果返回给该用户，并记录查询结果作为该用户对机票的查询数据上报给分布式发布订阅消息***。业务***还可记录该用户对机票的订单信息，将其作为该用户对机票的预订数据上报给分布式发布订阅消息***。
示例性的，业务***可响应某一用户在其上查询酒店的房型信息、名称信息，以及查询条件，通过预设用户界面将查询结果返回给该用户，并记录查询结果作为该用户对酒店产品的查询数据上报给分布式发布订阅消息***。业务***还可记录该用户对酒店产品的订单信息，将其作为该用户对酒店的预订数据上报给分布式发布订阅消息***。
分布式文件***用于通过收集工具(Flume)定时从Kafka中读取数据，存储目录文件。比如每天生产一个日志目录：YYYYMMDD，该YYYYMMDD可以采用处理所读取数据的***当前时间，存储一些txt文件如：t_air_querydata.txt，t_hotel_list_querydata.txt，t_hotel_detail_querydata.txt。
数据仓库用于通过定时任务从分布式文件***中读取解析文件，将文件中的文本信息展开成一定数据结构(如ORC格式)存入Hive中。比如：基于分布式文件***中的目录。自动处理前一天所建目录中的文件。建立数据模型，设计数据库表结构以及字段参数名称等。将文件中的信息展开水平结构写入对应的表中。示例性的，可将机票的查询数据展开写入：ods_t_air_querydata_YYYYMMDD；将酒店列表数据展开写入：ods_t_hotel_list_querydata_YYYYMMDD。
分析模型建立***用于利用Hive中的数据建立分析模型，依据分析模型得出相应的分析结论。在本申请实施例中，分析模型建立***可分别从人口学特征和历史订单信息维度构建用户特征。具体的，分析模型建立***可根据不同用户的人口学特征聚类划分用户群组；分析模型建立***可基于Hive中与业务***上报某些用户预订数据对应的数据，确定这些用户对出行产品的行为偏好。对于没有历史出行订单的用户，分析模型建立***还可以根据其所属用户群组对出行产品的行为偏好，确定该用户的行为偏好。
以下详细介绍一种划分群组的实施方式。首先，对人口学特征做离散化处理，其中，人口学特征包括但不限于性别、年龄、司龄、职位、级别等。例如，对于司龄，可将司龄离散化分为[0,2]，(2，5]，(5，10]，10+四个特征类。若用户归属于某一特征类，则将该用户在该类特值标记为1，否则标记为0。示例性的，若用户的司龄为3，用离散化特征类可表示为0100。对于性别，可将性别离散化处理为：男性表示为“1”，女性表示为“0”，则若用户为男性，则用离散化特征类可表示为1；反之可行，如男性表示为“0”，女性表示为“1”，则若用户为男性，则用离散化特征类可表示为0。对于年龄，可采用归一化处理，如min-max归一化处理。通过如下公式，将用户实际年龄(x)转换归一化处理后的(x*)：x*＝x-min/max-min；其中，min表示前述没有历史出行订单的用户的最小年龄，max表示前述没有历史出行订单的用户的最大年龄，划分出年轻级别低/年轻级别高/年老级别低/年老级别高等这样的分类。然后，根据经离散化或归一化处理后的人口学特征，对多个用户进行分组。例如，将司龄均为0100的用户划分到一个用户群组中，该用户群组具备中等司龄这一用户特征；将性别为表示男性“1”，且司龄均为0100的用户划分在一个用户群组中，该用户群组具备中等司龄的男性用户这一特征。
可选的，还可以采用聚类算法，基于经离散化或归一化处理等预处理后的人口学特征将多个用户归为不同的簇类，每个簇类代表一个用户群组，归属于同一簇类的用户具备相同的用户特征。具体的，可首先随机选择K个用户预处理后的人口学特征作为初始化聚类中心，接着针对其他用户中任一用户，计算该用户预处理后的人口学特征与各初始化聚类中心之间的距离，为该用户选择距离最近的初始聚类中心作为其类别。然后再计算这K个类别的中心点，重复上述过程直到中心点不变为止。本申请实施例还提供一种确定最优K的方式，如下所述。
采用轮廓系数法确定最优K。某个样本点X(i)的轮廓系数S定义为：
其中，a是X(i)与同簇类中其他样本的平均距离，称为凝聚度；b是X(i)与最近簇类中所有样本的平均距离，称为分离度。最近簇的定义为：
其中，p是某个簇C(k)中的样本。以X(i)到某个簇所有样本平均距离作为该点到某个簇的距离，进而选择离X(i)最近的一个簇作为最近簇。
基于所有样本的轮廓系数求平均值得到平均轮廓系数。平均轮廓系数的取值范围为[-1,1]，且簇内样本距离越近，簇间样本距离越远，平均轮廓系数越大，聚类效果越好。因此，将平均轮廓系数最大的K确定为最佳聚类数，即前述最优K。
以下针对有历史出行订单的用户，详细介绍一种确定用户对出行产品的行为偏好的实施方式，包括如下流程A1～A2。
A1，基于预订数据，提取订单特征。
具体的，可针对用户的预订数据，按照不同出行产品类型分别提取不同的订单特征。订单特征包括预订出行产品的产品信息，例如机票类订单特征包括但不限于中转次数、中转停留时长、价格、航司、起飞时间、到达时间、舱位等。酒店类订单特征包括但不限于酒店品牌、酒店星级、酒店位置、酒店房型、酒店价格等。
A2，计算A1中所提取订单特征的偏好系数，根据各订单特征的偏好系数确定用户对出行产品的行为偏好。
可选的，可构建计算偏好系数的模型，将诸如S1中列举的订单特征作为前述模型的输入参数，经模型计算输出为各个订单特征的偏好系数。
具体的计算方式如下：对于变量取值固定的订单特征进行频次计算，根据计算结果确定该订单特征的偏好系数。例如针对舱位，可根据历史订单获取用户乘坐经济舱、公务舱、头等舱的次数，该用户对于某一类舱位的偏好系数等于该舱位次数/机票订单数。示例性的，若用户历史有过10次机票订单，其中8次经济舱，1次公务舱，1次头等舱，则该用户经济舱偏好系数为0.8，公务舱、头等舱偏好系数均为0.1，优先认为该用户会预订经济舱，确定该用户对机票的舱位的行为偏好为经济舱。
对于变量取值不固定的订单特征，特别是如机票价格类似的连续变量(或称随机变量)，可以先取模型样本(即前述提取的订单特征)中该变量的各分位数，将转换成几个区间后再进行统计频次，计算出各个区间的价格偏好系数，进而确定用户对出行产品的价格的行为偏好。例如针对价格，提取搜索后的航班价格列表，创建特征最低价、10％分位数价格、25％分位数价格、50％分位数价格、75％分位数价格、90％分位数价格、最高价，根据历史订单将价格出现在区间段类的次数作为对应特征的值，该用户的价格偏好系数等于各个区间段价格次数/机票订单数。对于有过酒店订单的用户，将用户过去N年的酒店订单数据集合起来获取用户订单特征的偏好。又如针对酒店品牌偏好，可根据历史订单获取用户选择高端、中端、低端品牌的次数，该用户的品牌偏好系数等于各品牌次数/酒店订单数。
可选的，还可以根据确定出用户对出行产品的行为偏好，为该用户添加画像标签。
以下针对没有历史出行订单的用户，详细介绍一种确定用户对出行产品的行为偏好的实施方式，包括如下流程B1～B3。
B1，根据没有历史出行订单的用户的人口学特征，确定该用户所属的用户群组。
可选的，可先对该用户的人口学特征按照前述实施例进行预处理，如离散化处理、归一化处理等。再将预处理后的人口学特征和用户群组所具备的用户特征进行匹配，以确定用户所属的用户群组。
B2，确定用户群组对出行产品的行为偏好。
可选的，可以对用户群组中有历史出行订单的用户的订单数据进行整合，并从整合的订单数据中提取各订单特征。确定各订单特征的偏好系数，根据各订单特征的偏好系数，确定用户群组对出行产品的行为偏好。
可选的，可以采用少数服从多数机制，以用户群组内具有相同订单特征的多数用户对于出行产品的行为偏好确定为用户群组对应的行为偏好。
B3，对于没有历史出行订单的用户，将其所属用户群组对出行产品的行为偏好确定为该用户的行为偏好。
可选的，对于没有历史出行订单的用户，还可以根据该用户所属用户群组对出行产品的行为偏好，为该用户添加画像标签。
进一步，分析模型建立***还可以基于用户对出行产品的行为偏好以及相关查询数据，确定用户的出行策略。
如图2所示，本申请实施例提供一种出行推荐方法，该方法包括如下步骤。
S201，获取目标用户的画像标签，所述画像标签用于指示用户对于出行产品的行为偏好。其中，需要说明的是“出行产品”为泛指概念，并不特定表示某一出行产品。可选的，出行产品包括诸如机票、酒店产品等价格实时变化波动较大的产品。
可选的，基于目标用户有无历史出行订单，分两种情况确定目标用户的画像标签：
情况一：确定所述目标用户有历史出行订单，则根据所述历史出行订单包含的出行产品的产品信息，确定所述目标用户的画像标签。具体的，可参照上述流程A1～A2实施，本申请实施例对此不再进行赘述。
情况二：确定所述目标用户没有历史出行订单，则将目标用户群组的画像标签确定为所述目标用户的画像标签；其中，所述目标用户群组包括所述目标用户，所述目标用户群组的画像标签是根据所述目标用户群组中至少一个有历史出行订单的用户的画像标签确定的。具体的，可参照上述流程B1～B3实施，本申请实施例对此不再进行赘述。
S202，获取所述目标用户对至少一个出行产品进行浏览产生的记录信息，所述记录信息包含所述至少一个出行产品的产品信息。
可选的，可限定至少一个出行产品的生效日期相同和/或所述至少一个出行产品对应的地点相同。实现针对目标用户特定行程个性化的分析。
可选的，基于目标用户有无历史出行订单，可分两种情况确定获取目标用户浏览所对应的记录信息。
情况一：确定所述目标用户没有历史出行订单，则获取所述目标用户在当前时刻之前对至少一个出行产品进行浏览产生的记录信息。
其中，记录信息包括浏览的至少一个出行产品的产品信息，例如机票的航线、航班、舱位、票面价格等信息；又如酒店的所在地、房型、服务设施等信息。
情况二：确定所述目标用户已预订第一出行产品，则获取所述目标用户在第一时刻之前对至少一个出行产品进行浏览产生的记录信息。
其中，所述第一时刻为所述目标用户预订所述第一出行产品的时刻；其中，所述第一出行产品为至少一个出行产品中的任一出行产品。记录信息包括浏览的至少一个出行产品的产品信息，例如机票的航线、航班、舱位、票面价格等信息；又如酒店的所在地、房型、服务设施等信息。
可选的，具体可以是获取在第一时刻之前的不同时刻，目标用户浏览所对应的记录信息。引入对动态时间因素的变化的考量，使得后续确定用户出行策略更为合理。
S203，根据所述画像标签和所述至少一个出行产品的产品信息，确定所述目标用户的出行策略。
可选的，基于目标用户有无历史出行订单，可分两种情况确定目标用户浏览的出行策略。
情况一：对于确定所述目标用户没有历史出行订单的情况，可参照如下步骤S231a～S232a实施。
S231a，在所述至少一个出行产品中，确定与所述目标用户的画像标签匹配的目标出行产品。
具体的，可首先根据目标用户的画像标签，将至少一个出行产品中每个出行产品的产品信息转换为哑变量特征，即为产品信息赋予偏好取值。例如目标用户对机票的舱位偏好为经济舱，即目标用户的画像标签中包括经济舱，则可置机票舱位中经济舱的偏好取值为1，公务舱的偏好取值为0，头等舱的偏好取值为0。
然后获取目标用户历史出行订单所涉及产品信息的偏好系数。例如前述A2步骤中实施方式：假设目标用户历史有过10次机票订单，其中8次经济舱，1次公务舱，1次头等舱，则该目标用户经济舱偏好系数为0.8，公务舱、头等舱偏好系数均为0.1。
进而基于不同产品信息的偏好系数和偏好取值，计算各出行产品与所述目标用户的画像标签的匹配度。具体的通过如下公式计算任一出行产品所对应的匹配度M：
其中，aij代表第i项产品信息中第j种属性类型的偏好系数，例如机票这一出行产品，包括的第i项产品信息为舱位，舱位共有3种属性类型分别为经济舱、公务舱、头等舱。则j取值1到S的自然数，S为3。j取1时，ai1表示经济舱的偏好系数。
xij代表第i项产品信息中第j种属性类型的偏好取值，例如机票这一出行产品，包括的第i项产品信息为舱位，舱位共有3种属性类型分别为经济舱、公务舱、头等舱。则j取值1到S的自然数，S为3。j取1时，ai1表示经济舱的偏好取值。
N为该任一出行产品包括的产品信息的项目数量，i取值1到N的自然数。
最终对至少一个出行产品的匹配度进行大小排序，将其中匹配度值大于预设阈值的出行产品确定为目标出行产品；或者将其中匹配度值最大的出行产品确定为目标出行产品。
S232a，确定所述目标用户的出行策略，所述出行策略用于指示所述用户预订所述目标出行产品。
情况二：对于确定所述目标用户有历史出行订单的情况，如目标用户在第一时刻预订过其浏览过的某一出行产品，可参照如下步骤S231b～S232b实施。
S231b，在所述至少一个出行产品中，确定与所述目标用户的画像标签匹配的目标出行产品。
具体的可参照S231a实施，本申请实施例对此不再进行赘述。
S232b，基于所述目标用户对所述目标出行产品进行浏览的时刻以及所述第一时刻，确定所述目标用户的出行策略，所述出行策略用于指示所述用户预订第二出行产品的提前时间量；其中，所述第二出行产品对应的地点和所述第一出行产品对应的地点相同。
具体的，可量化目标出行产品和目标用户画像标签的匹配度，并计算目标用户在第一时刻所预订的出行产品与目标用户画像标签的匹配度。将目标出行产品对应的匹配度与目标用户所预订出行产品对应的匹配度进行比较，确定出其中匹配度较大的一方，也即更贴近用户的画像标签的一方。
进一步，基于匹配度较大的一方对应的时刻(浏览时刻或者是预订时刻)，确定后续预订优选的提前时间量。例如确定出目标出行产品对应的匹配度较大，第一时刻落于目标用户所预订出行产品生效日期，则可确定用户预订第二出行产品的提前时间量为前述目标用户对所述目标出行产品进行浏览的时刻与所述第一时刻之间的差值，该差值可以天数、小时、分钟等为单位计数，本申请实施例对此不进行限制。
本申请实施例中，通过分析用户对出行产品的行为偏好以及对出行产品浏览的记录，考量时间变化及用户偏好等因素向用户推荐出行策略，能够提升推荐可信度，同时更加符合用户的实际需求。
基于上述实施例，如图3所示，本申请还提供一种数据分析方法，该分析方法可应用于前述分析模型建立***，通过对用户对出行产品的预订数据、查询数据等进行分析，确定不同时间预订的差异。则分析模型建立***可基于此得到结论向用户建议最佳预订时间，可协助企业制定差旅政策，降低差旅成本。具体的，该数据分析方法包括如下流程。
S301，数据准备：获取用户的实际预订数据从中提取用户的订单特征，以及获取用户的人口学特征。
S302：偏好获取：基于用户的订单特征/人口学特征，构建用户偏好模型。其中，通过用户偏好模型可确定用户对出行产品的行为偏好。
S303：获取不同时间的查询数据:示例性的，如图3中示意的T1～Tn时间范围内的多次查询数据，该查询数据包括出行产品的产品信息。
S304：分别计算不同时间查询数据所对应的拟预订数据，其中，拟预订数据指的是假设用户在查询出行产品时预订了该出行产品，但并非用户的实际预订数据，拟预订数据包括假设预订出行产品的产品信息。
可选的，分别将T1～Tn时间范围内各拟预订数据与用户对出行产品的行为偏好进行比较，从T1～Tn时间范围内各拟预订数据中，筛选出与用户对出行产品的行为偏好相匹配的拟预订数据，如图3所示，假设筛选出与用户对出行产品的行为偏好相匹配的拟预订数据包括T1、T2的拟预订数据，可将T1、T2的拟预订数据推荐给用户。
S305：确定分析结论：将用户的实际预订数据与前述计算出的拟预订数据进行比较，得出用户实际预订是节省还是亏损的结论；基于该结论确定最佳购买时间点或者时间范围。
可选的，可具体是将用户的实际预订数据与前述与用户行为偏好相匹配的拟预订数据进行比较，进而结合用户偏好确定最佳购买时间点或者时间范围，能够满足用户的实际需求，提升用户使用体验。
以下结合示例一和示例二对本申请实施例提供的数据分析方法进行举例说明。
示例一
假设存在用户ID01,用户ID02的历史机票订单如下表2所示。用户ID01还在预订表2中的机票之前的不同时间内浏览过相同航线以及生效时间的机票，如下表3所示。
表2
表3
结合上表2的预订时间和表3的查询时间可知：用户ID01在5月29日10:17，想预订5月29日海口到北京的航班。临近起飞预订，该用户在当时查询时，只能看到查询ID为C03的两个航班舱位，用户ID01最终预订了航班HU7281的Y舱，票面价2000元。
针对生效日期为:5月29日，航线为海口到北京这一情况，如果该用户提前1天预订(比如5月28日9:00)，能看到查询ID为C02的四个航班舱位。假设根据前述实施方式确定用户的行为偏好所得到该用户的画像标签为如“出发时间12:00-18:00、低价优先”，使用推荐算法可得出用户ID01最可能会选择航班HU7281的X舱，票面价为1000元。
针对生效日期为:5月29日，航线为海口到北京这一情况，如果该用户提前2天预订(比如5月27日9:00)，能看到查询ID为C01的六个航班舱位。假设根据前述实施方式确定用户的行为偏好所得到该用户的画像标签为如“出发时间12:00-18:00、低价优先”，使用推荐算法得出用户ID01最可能选择航班CA1370的P舱，票价为750元。
由此可得出结论：如果用户ID01相较于用户ID01实际的当天预订提前1天预订机票可节省1000元(＝2000-1000)，如果用户ID01相较于用户ID01实际的当天预订提前2天预订机票可节省1250元(＝2000-750)。故可以确定用户ID01，针对航线为海口到北京的出行策略为：相较生效日期提前两天预订该航线的机票。
类似地，假设不存在表2的情况，即用户ID01没有历史机票订单。可以根据用户ID01的画像便签，从如表3所示用户ID01不同时间浏览(或称，查询)过的机票中确定最贴近或称匹配的机票。进而根据该最匹配的机票，确定用户ID01的出行策略。如以上述示例，如果用户ID01在相较出行当天(也即，机票生效日期)的提前1天预订机票，用户ID01最可能会选择航班HU7281的X舱，票面价为1000元；如果用户ID01在相较出行当天的提前2天预订机票，用户ID01最可能选择航班CA1370的P舱，票价为750元。参考用户ID01的画像标签为“出发时间12:00-18:00、低价优先”，基于提前1天的票面价格(1000)和提前2天的票面价格(750)，可以确定用户ID01，针对航线为海口到北京的出行策略为：相较生效日期提前两天预订该航线的机票。
示例二
假设存在用户ID03的历史酒店订单如下表4所示。用户ID03还在预订表4中的酒店之前的不同时间内浏览过相同地区以及生效时间的酒店，如下表5所示。
表4
表5
结合上表4的预订时间和表5的查询时间可知：用户ID03在5月29日10:00，想预订6月1日北京的酒店。如表5所示，该用户在当时查询时，只能看到查询ID为C03的两个酒店房型。最终预订了北京中成天坛假日酒店的商务大床房，平均房费500元，住2晚。
针对生效日期为：6月1日，酒店所在地为北京这一情况，如果该用户相较于实际预订提前1天预订(比如5月28日9:00)，能看到查询ID为C002的四个酒店房型。假设根据前述实施方式确定用户的行为偏好所得到该用户ID03的画像标签为“交通方便、偏好4～5星级、差旅标准500元”。使用推荐算法可得出用户ID03最可能会选择喜来登酒店的行政大床房，平均房费450元。
针对生效日期为：6月1日，酒店所在地为北京这一情况，如果该用户相较于实际预订提前2天预订(比如5月27日9:00)，能看到查询ID为C001的六个酒店房型。假设根据前述实施方式确定用户的行为偏好所得到该用户ID03的画像标签为“交通方便、偏好4～5星级、差旅标准500元”。使用推荐算法得出用户ID03最可能选择喜来登酒店的行政大床房，平均房费450元。
综上，得出结论：用户ID01提前1天预订酒店可节省100元(＝500*2-450*2)，提前2天预订酒店可节省100元(＝500*2-450*2)。故可以确定用户ID03，针对预订在北京的酒店的出行策略为：相较生效日期提前3-4天预订酒店。
基于同一构思，参见图4，本申请实施例提供一种出行推荐装置400，包括处理模块401和获取模块402。
处理模块401，用于获取目标用户的画像标签，所述画像标签用于指示用户对于出行产品的行为偏好。
获取模块402，用于获取所述目标用户对至少一个出行产品进行浏览产生的记录信息，所述记录信息包含所述至少一个出行产品的产品信息。
所述处理模块401，还用于根据所述画像标签和所述至少一个出行产品的产品信息，确定所述目标用户的出行策略。
本申请实施例中，通过分析用户对出行产品的行为偏好以及对出行产品浏览的记录，考量时间变化及用户偏好等因素向用户推荐出行策略，能够提升推荐可信度，同时更加符合用户的实际需求。
在一种可选的实施方式中，所述至少一个出行产品的生效日期相同和/或所述至少一个出行产品对应的地点相同。
在一种可选的实施方式中，所述处理模块401，还用于确定所述目标用户是否具有历史出行订单；所述获取模块402，用于在所述处理模块401确定所述目标用户没有历史出行订单时，获取所述目标用户在当前时刻之前对至少一个出行产品进行浏览产生的记录信息；或者，所述获取模块402，用于在所述处理模块401确定所述目标用户已预订第一出行产品时，获取所述目标用户在第一时刻之前对至少一个出行产品进行浏览产生的记录信息；其中，所述第一时刻为所述目标用户预订所述第一出行产品的时刻；其中，所述第一出行产品为至少一个出行产品中的任一出行产品。
在一种可选的实施方式中，所述处理模块401在确定所述目标用户没有历史出行订单时，还用于：在所述至少一个出行产品中，确定与所述目标用户的画像标签匹配的目标出行产品；确定所述目标用户的出行策略，所述出行策略用于指示所述用户预订所述目标出行产品。
在一种可选的实施方式中，所述处理模块401在确定所述目标用户已预订第一出行产品时，还用于：在所述至少一个出行产品中，确定与所述目标用户的画像标签匹配的目标出行产品；基于所述目标用户对所述目标出行产品进行浏览的时刻以及所述第一时刻，确定所述目标用户的出行策略，所述出行策略用于指示所述用户预订第二出行产品的提前时间量；其中，所述第二出行产品对应的地点和所述第一出行产品对应的地点相同。
在一种可选的实施方式中，所述至少一个出行产品的类型为机票，所述至少一个出行产品对应的航线相同；或者，所述至少一个出行产品的类型为酒店产品，所述至少一个出行产品对应的酒店所在地相同。
在一种可选的实施方式中，所述处理模块401，还用于：确定所述目标用户有历史出行订单，则根据所述历史出行订单包含的出行产品的产品信息，确定所述目标用户的画像标签；或者，确定所述目标用户没有历史出行订单，则将目标用户群组的画像标签确定为所述目标用户的画像标签；其中，所述目标用户群组包括所述目标用户，所述目标用户群组的画像标签是根据所述目标用户群组中至少一个有历史出行订单的用户的画像标签确定的。
在一种可选的实施方式中，所述处理模块401，还用于：根据多个用户的人口学特征对所述多个用户进行分组，确定包括所述目标用户群组在内的至少一个用户群组；其中，所述多个用户包括所述目标用户，所述人口学特征包括年龄和/或性别。
进一步，如图5所示，为本申请提供的一种电子设备500。该电子设备500可应用于出行推荐装置。当该电子设备500应用于出行推荐装置时，电子设备500可以具体是前述出行推荐装置，也可以是能够支持实施上述任一实施例中出行推荐方法的其它装置。存储器520保存实施上述任一实施例中的出行推荐方法的必要计算机程序、程序指令和/或数据。所述处理器510可执行所述存储器520存储的计算机程序，完成上述任一实施例中的出行推荐方法。示例性地，电子设备500可以是芯片或芯片***。可选的，在本申请实施例中芯片***可以由芯片构成，也可以包含芯片和其他分立器件。
电子设备500可以包括至少一个处理器510，电子设备500还可以包括至少一个存储器520，用于存储计算机程序、程序指令和/或数据。存储器520和处理器510耦合。本申请实施例中的耦合是装置、单元或模块之间的间接耦合或通信连接，可以是电性，机械或其他的形式，用于装置、单元或模块之间的信息交互。处理器510可能和存储器520协同操作。处理器510可能执行存储器520中存储的计算机程序。可选的，所述至少一个存储器520中的至少一个可以包括于处理器510中。
电子设备500中还可以包括收发器530，电子设备500可以通过收发器530和其他设备进行信息交互。收发器530可以是电路、总线、收发器或者其他任意可以用于进行信息交互的装置。
本申请实施例中不限定上述收发器530、处理器510以及存储器520之间的具体连接介质。本申请实施例在图5中以存储器520、处理器510以及收发器530之间通过总线连接，总线在图5中以粗线表示，其他部件之间的连接方式，仅是进行示意性说明，并不引以为限。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图5中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
在本申请实施例中，处理器可以是通用处理器、数字信号处理器、专用集成电路、现场可编程门阵列或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件，可以实施或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。
在本申请实施例中，存储器可以是非易失性存储器，比如硬盘(hard disk drive，HDD)或固态硬盘(solid-state drive，SSD)等，还可以是易失性存储器(volatilememory)，例如随机存取存储器(random-access memory，RAM)。存储器还可以是能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。本申请实施例中的存储器还可以是电路或者其他任意能够实施存储功能的装置，用于存储计算机程序、程序指令和/或数据。
基于以上实施例，参见图6，本申请实施例还提供另一种电子设备600，该电子设备600可应用于出行推荐装置。包括：接口电路610和处理器620；
接口电路610，用于接收代码指令并传输至所述处理器；
处理器620，用于运行所述代码指令以执行上述任一实施例中的出行推荐方法。
基于以上实施例，本申请实施例还提供一种可读存储介质，该可读存储介质存储有指令，当所述指令被执行时，使上述任一实施例中的方法被实施。该可读存储介质可以包括：U盘、移动硬盘、只读存储器、随机存取存储器、磁碟或者光盘等各种可以存储程序代码的介质。
本申请实施例提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得上述方法实施例被执行。
本申请上述方法实施例描述的操作和功能中的部分或全部，可以用芯片或集成电路来完成。
本领域内的技术人员应明白，本申请的实施例可提供为方法、***、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实施流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实施在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实施在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实施的处理，从而在计算机或其他可编程设备上执行的指令提供用于实施在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然，本领域的技术人员可以对本申请实施例进行各种改动和变型而不脱离本申请实施例的范围。这样，倘若本申请实施例的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。
Claims (13)
1.一种出行推荐方法，其特征在于，包括：
获取目标用户的画像标签，所述画像标签用于指示用户对于出行产品的行为偏好；
确定所述目标用户在第一时刻预订第一出行产品，并获取所述目标用户在所述第一时刻之前对至少一个出行产品进行浏览产生的记录信息；其中，所述第一出行产品为至少一个出行产品中的任一出行产品所述记录信息包含所述至少一个出行产品的产品信息；
在所述至少一个出行产品中，确定与所述目标用户的画像标签匹配的目标出行产品；基于所述目标用户对所述目标出行产品进行浏览的时刻以及所述第一时刻，确定所述目标用户的出行策略，所述出行策略用于指示所述用户预订第二出行产品的提前时间量；其中，所述第二出行产品对应的地点和所述第一出行产品对应的地点相同。
2.如权利要求1 所述的方法，其特征在于，所述至少一个出行产品的生效日期相同和/或所述至少一个出行产品对应的地点相同。
3.如权利要求1所述的方法，其特征在于，所述至少一个出行产品的类型为机票，所述至少一个出行产品对应的航线相同；或者，所述至少一个出行产品的类型为酒店产品，所述至少一个出行产品对应的酒店所在地相同。
4.如权利要求1-3任一项所述的方法，其特征在于，获取目标用户的画像标签，包括：
确定所述目标用户有历史出行订单，则根据所述历史出行订单包含的出行产品的产品信息，确定所述目标用户的画像标签；或者，
确定所述目标用户没有历史出行订单，则将目标用户群组的画像标签确定为所述目标用户的画像标签；其中，所述目标用户群组包括所述目标用户，所述目标用户群组的画像标签是根据所述目标用户群组中至少一个有历史出行订单的用户的画像标签确定的。
5.如权利要求4所述的方法，其特征在于，所述方法还包括：
根据多个用户的人口学特征对所述多个用户进行分组，确定包括所述目标用户群组在内的至少一个用户群组；其中，所述多个用户包括所述目标用户，所述人口学特征包括年龄和/或性别。
6.一种出行推荐装置，其特征在于，包括：
处理模块，用于获取目标用户的画像标签，所述画像标签用于指示用户对于出行产品的行为偏好；
获取模块，用于在所述处理模块确定所述目标用户在第一时刻预订第一出行产品时，获取所述目标用户在第一时刻之前对至少一个出行产品进行浏览产生的记录信息；其中，所述第一出行产品为至少一个出行产品中的任一出行产品，所述记录信息包含所述至少一个出行产品的产品信息；
所述处理模块，还用于在所述至少一个出行产品中，确定与所述目标用户的画像标签匹配的目标出行产品；
基于所述目标用户对所述目标出行产品进行浏览的时刻以及所述第一时刻，确定所述目标用户的出行策略，所述出行策略用于指示所述用户预订第二出行产品的提前时间量；其中，所述第二出行产品对应的地点和所述第一出行产品对应的地点相同。
7.如权利要求6 所述的装置，其特征在于，所述至少一个出行产品的生效日期相同和/或所述至少一个出行产品对应的地点相同。
8.如权利要求6所述的装置，其特征在于，所述至少一个出行产品的类型为机票，所述至少一个出行产品对应的航线相同；或者，所述至少一个出行产品的类型为酒店产品，所述至少一个出行产品对应的酒店所在地相同。
9.如权利要求6-8任一项所述的装置，其特征在于，所述处理模块，还用于：
确定所述目标用户有历史出行订单，则根据所述历史出行订单包含的出行产品的产品信息，确定所述目标用户的画像标签；或者，
确定所述目标用户没有历史出行订单，则将目标用户群组的画像标签确定为所述目标用户的画像标签；其中，所述目标用户群组包括所述目标用户，所述目标用户群组的画像标签是根据所述目标用户群组中至少一个有历史出行订单的用户的画像标签确定的。
10.如权利要求9所述的装置，其特征在于，所述处理模块，还用于：
根据多个用户的人口学特征对所述多个用户进行分组，确定包括所述目标用户群组在内的至少一个用户群组；其中，所述多个用户包括所述目标用户，所述人口学特征包括年龄和/或性别。
11.一种电子设备，其特征在于，包括：处理器和存储器；
所述存储器，用于存储计算机程序；
所述处理器，用于执行所述存储器中存储的计算机程序，以使得所述电子设备执行如权利要求1至5中任一项所述的方法。
12.一种电子设备，其特征在于，包括：处理器和接口电路；
所述接口电路，用于接收代码指令并传输至所述处理器；
所述处理器用于运行所述代码指令以执行如权利要求1至5中任一项所述的方法。
13.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有指令，当所述指令被执行时，使如权利要求1至5中任一项所述的方法被实现。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011182364.8A CN112507207B (zh) | 2020-10-29 | 2020-10-29 | 一种出行推荐方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011182364.8A CN112507207B (zh) | 2020-10-29 | 2020-10-29 | 一种出行推荐方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112507207A CN112507207A (zh) | 2021-03-16 |
| CN112507207B true CN112507207B (zh) | 2024-06-14 |
Family
ID=74954395
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011182364.8A Active CN112507207B (zh) | 2020-10-29 | 2020-10-29 | 一种出行推荐方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112507207B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115660728B (zh) * | 2022-10-11 | 2023-10-20 | 南京意博软件科技有限公司 | 一种机票销售订单预测方法、装置、电子设备和存储介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106897782A (zh) * | 2017-01-05 | 2017-06-27 | 北京趣拿信息技术有限公司 | 信息提示的方法和装置 |
| CN108470308A (zh) * | 2018-03-29 | 2018-08-31 | 百度在线网络技术（北京）有限公司 | 航空旅行信息推荐方法和装置 |
| CN109615408A (zh) * | 2018-10-24 | 2019-04-12 | 中国平安人寿保险股份有限公司 | 基于大数据的广告投放方法及装置、存储介质、电子设备 |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160125069A1 (en) * | 2014-11-03 | 2016-05-05 | Amadeus S.A.S. | Dynamic database object management |
| KR101811274B1 (ko) * | 2015-08-21 | 2018-01-25 | (주) 플라이트그래프 | 팔로우 항공 검색 시스템 및 방법 |
| CN107368488A (zh) * | 2016-05-12 | 2017-11-21 | 阿里巴巴集团控股有限公司 | 一种确定用户行为偏好的方法、推荐信息的展示方法和装置 |
| US20180025292A1 (en) * | 2016-07-19 | 2018-01-25 | Mastercard International Incorporated | Systems and methods for optimizing travel bookings |
| CN107909473A (zh) * | 2017-12-27 | 2018-04-13 | 中国银行股份有限公司 | 一种基于用户行为分析的网上银行营销方法及装置 |
| CN109582876B (zh) * | 2018-12-19 | 2021-05-11 | 广州易起行信息技术有限公司 | 旅游行业用户画像构造方法、装置和计算机设备 |
| CN111047405A (zh) * | 2019-12-10 | 2020-04-21 | 上海博泰悦臻电子设备制造有限公司 | 信息获取方法、信息获取***、终端及存储介质 |
| CN111831710B (zh) * | 2020-07-17 | 2023-09-22 | 深圳市活力天汇科技股份有限公司 | 一种机票模糊搜索方法 |
-
2020
- 2020-10-29 CN CN202011182364.8A patent/CN112507207B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106897782A (zh) * | 2017-01-05 | 2017-06-27 | 北京趣拿信息技术有限公司 | 信息提示的方法和装置 |
| CN108470308A (zh) * | 2018-03-29 | 2018-08-31 | 百度在线网络技术（北京）有限公司 | 航空旅行信息推荐方法和装置 |
| CN109615408A (zh) * | 2018-10-24 | 2019-04-12 | 中国平安人寿保险股份有限公司 | 基于大数据的广告投放方法及装置、存储介质、电子设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112507207A (zh) | 2021-03-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Antonio et al. | Big data in hotel revenue management: Exploring cancellation drivers to gain insights into booking cancellation behavior | |
| US10572833B2 (en) | Determining host preferences for accommodation listings | |
| CN104169950B (zh) | 利用面向批处理的计算的数据库*** | |
| CN101520784B (zh) | 信息发布***和信息发布方法 | |
| US20130073586A1 (en) | Database system using batch-oriented computation | |
| US10607160B2 (en) | Unique accommodation search improvement founded in listing booking conversion | |
| JPH10320416A (ja) | 情報配信システム及びプログラムを記録した機械読み取り可能な記録媒体 | |
| WO2014159053A2 (en) | Generating data records based on parsing | |
| US20200202365A1 (en) | Demand forecast system and method | |
| CN102027492A (zh) | 用于分组数据管理和分类的方法和*** | |
| CN112632405A (zh) | 一种推荐方法、装置、设备及存储介质 | |
| CN112800210B (zh) | 基于海量公交数据的人群画像算法 | |
| KR20210082103A (ko) | 기계 학습 모델을 이용한 부동산 실거래가 예측 기반 부동산 예상 실거래가 산출 장치 및 그 동작 방법 | |
| CN110717794A (zh) | 一种运价计算处理方法及装置 | |
| CN112507207B (zh) | 一种出行推荐方法及装置 | |
| CN109377301A (zh) | 一种基于航空订票行为数据的特征抽取方法 | |
| Lee et al. | Taxi vacancy duration: a regression analysis | |
| Mahmud et al. | Truck parking usage patterns by facility amenity availability | |
| CN111373395A (zh) | 基于层次聚类的人工智能***和方法 | |
| Garcia Pozo | A nested housing market structure: additional evidence | |
| Jorge-González et al. | Univariate and multivariate forecasting of tourism demand using state-space models | |
| CN113434678B (zh) | 基于事项类型的事项提醒方法、装置、设备及存储介质 | |
| US11257011B2 (en) | Booked-blocked classifier | |
| CN114648010A (zh) | 数据表标准化方法、装置、设备及计算机存储介质 | |
| Nakanishi et al. | Empirical analysis on long-distance peer-to-peer ridesharing service in Japan |
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 |