[发明专利]旅客需求推荐方法

摘要

本发明涉及一种旅客需求推荐方法，该方法在历史交易数据，等级信息等常规结构化数据的之上，通过JS嵌码的方式收集用户在网站的在线行为等非结构化数据，采用分布式文件系统HDFS作为统一的存储平台，通过Mahout和Storm技术为分别用户提供基于训练模型的离线推荐和在线推荐。本方法不仅扩大了推荐数据的利用范围，提升了推荐精度，而且整合了实时推荐和离线推荐，推荐性能更加稳定。

主权项

旅客需求推荐方法，其特征在于，包括以下步骤：步骤1，收集常规结构化数据，包括客户信息，历史交易数据，等级信息；步骤2，通过JS嵌码的方式收集的非结构化数据包括用户在网站的在线行为，用JS标记收集到的非结构数据包括点击、浏览区域、停留时间及Ajax，JS嵌码收集用户在线行为数据的过程如下：根据定义的事件，嵌入JS代码到网页；用户访问网页时，将同时并发执行嵌套在页面中的JS标记代码；JS代码通过事件或时间触发，将需要获取的用户行为信息以avro的方式发送到特定端口；Flume监听端口，当监听到端口有数据输入时，将用户行为数据sink到HDFS中；步骤3，将收集到的数据统一存放到分布式文件系统HDFS；步骤4，在Mahout框架上选择推荐模型，并利用收集到的数据训练推荐模型；步骤5，利用Mahout框架采用训练好的模型基于历史数据做离线推荐，并将推荐结果存储到HDFS，当数据增长量超过一定阀值时，更新训练模型以及离线推荐结果；步骤6，当用户登录网站，为用户提供离线推荐；步骤7，浏览网站的过程中触发事件，为用户提供基于Storm的在线推荐，所述在线推荐具体通过以下方法实现：用户浏览网站，触发推荐事件；应用Kafka框架根据触发事件，推送数据到storm集群；推送数据包括触发事件的行为数据以及推荐所需的部分历史数据，行为数据为事件认定的关键词，部分历史数据为与关键词和用户相关的历史数据；应用storm集群启动实时推荐引擎，应用离线推荐过程中训练好的模型为用户进行实时推荐，并将推荐结果以CSV的形式存放到HDFS推荐文件夹recommendation在线部分online之中；前台调用Service API，获取推荐结果并展示；步骤6中的在线推荐和步骤7中的离线推荐使用同一个推荐模型，所述推荐模型的训练过程如下：根据数据量的规模以及推荐性能要求，选择合适的推荐模型；对数据进行数据预处理；训练模型，模型训练好之后，将模型关键参数放入到CSV文件，并存储到HDFS模型文件夹model之中。