[发明专利]模型生成方法、餐馆排序方法、系统、设备和介质

说明书

本发明公开了一种模型生成方法、餐馆排序方法、系统、设备和介质，通过获取多个用户的历史数据和多个餐馆的历史数据，基于历史数据，获取每个用户的用户维度特征、每个餐馆的餐馆维度特征以及每个用户对每个餐馆的用户餐馆偏好分；利用训练集中的训练数据对XGBOOST模型进行训练，以生成餐馆点击概率预测模型，进一步利用该模型预测用户点击餐馆的概率，对比现有技术中按距离排序出来的餐馆，本发明能够预测用户点击餐馆的概率，且在对餐馆进行排序时引入了多个考虑因素，包括用户维度特征、餐馆维度特征以及对应的用户餐馆偏好分，实现了餐馆按照用户个性化需求进行排序，为用户提供了与需求相匹配的餐馆。

技术领域

本发明涉及OTA(Online Travel Agency，在线旅行社)平台的信息处理技术领域，特别涉及一种模型生成方法、餐馆排序方法、系统、设备和介质。

背景技术

目前对于酒店周边美食的排序，主要是基于酒店到餐馆距离的排序方法，这种方法着重考虑了距离的因素，但缺乏对用户偏好的考虑，不同用户对于餐馆价格、人气、风味菜系的需求不同，只按距离排序出来的餐馆不一定适合用户本身的消费偏好，与用户的需求匹配度低，排序方法不具有个性化需求。酒店周边美食是一种吸引用户下该酒店的重要参考因素，通过提升餐馆和用户的匹配度，进而提升酒店销量，提升用户体验，提高用户对品牌的满意度和忠诚度的目的。

发明内容

本发明要解决的技术问题是为了克服现有技术中按距离排序出来的餐馆不一定适合用户本身的消费偏好，与用户的需求匹配度低的缺陷，提供一种模型生成方法、餐馆排序方法、系统、设备和介质。

本发明是通过下述技术方案来解决上述技术问题：

本发明提供了一种模型生成方法，所述模型生成方法包括：

获取多个用户的历史数据和多个餐馆的历史数据；

基于历史数据，获取每个用户的用户维度特征、每个餐馆的餐馆维度特征以及每个用户对每个餐馆的用户餐馆偏好分；

其中，所述用户餐馆偏好分用于表征用户对餐馆的偏好程度；

生成训练集，所述训练集中包括多组训练数据，每组训练数据均包括一组模型输入数据以及对应的模型输出数据，所述模型输入数据包括用户维度特征、餐馆维度特征以及对应的用户餐馆偏好分，对应的模型输出数据根据用户是否点击过餐馆页面标记为1或0；

利用训练集中的训练数据对XGBOOST模型进行训练，以生成餐馆点击概率预测模型，所述餐馆点击概率预测模型用于预测用户点击餐馆的概率。

较佳地，所述用户维度特征包括用户点击浏览餐馆情况、用户收藏预订餐馆情况和用户本身的基本属性；

所述餐馆维度特征包括餐馆本身的基本属性。

较佳地，所述获取每个用户对每个餐馆的用户餐馆偏好分的步骤包括：

获取所述用户的第一历史数据，所述第一历史数据包括用户停留餐馆页面时长，用户点击餐馆的图片、所述用户对餐馆的评论；

将所述用户的第一历数据输入至矩阵分解模型进行训练，以得到用户隐向量和餐馆隐向量；

基于所述用户隐向量和餐馆隐向量，根据偏好分计算公式计算用户餐馆偏好分；

所述偏好分计算公式如下：

其中，u_i表示用户隐向量，v_i表示餐馆隐向量，n表示用户隐变量和餐馆隐变量的维度。

本发明还提供了一种餐馆排序方法，所述餐馆排序方法用于对与酒店相对应的餐馆进行排序，所述餐馆排序方法包括：

获取目标用户，并根据所述目标用户确定至少一个目标酒店；