一种房型匹配系统技术方案

本发明专利技术公开了一种房型匹配系统，包括获取系统标准酒店下的房型对象组成的数据库；然后获取待匹配的房型对象以及标准房型对象数据库，并校验信息的完整性，计算完整的房型组的相似度，并得到最大相似度MX；当MX≥阀值0.9时，保存房型组信息以及MX；然后返回匹配对象数据库中；当MX〈阀值0.9时，不匹配。本发明专利技术可以在短时间内聚合大量的房型，全面校验已匹配房型来减少错误匹配，提供更多符合用户预期的聚合房型。

A Room Matching System

【技术实现步骤摘要】
一种房型匹配系统
本专利技术涉及酒店服务方法
，特别涉及一种房型匹配系统。
技术介绍
随着互联网和旅游等行业的快速发展，酒店行业也如雨后春笋般蓬勃发展起来，既是社会发展使然，更是人之长情所至，因而酒店宾馆的业务也将越来越繁忙，同时，人们对酒店服务、酒店房型及科学化管理的要求也越来越高，如今的客户大多都是通过线上预定酒店，选择自己适合喜欢的房型，而当下酒店房型是千姿百态，凭借人力难以面面俱到，诸多未能及时聚合不同类型的房型提供给用户更多的选择，间接影响到酒店业务整体利率。随着云计算与机器学习的成熟，应该结合该技术对多态房型进行聚合、校验，让用户有更多更准确的选择。
技术实现思路
为了克服现有技术的上述缺陷，本专利技术提供一种房型匹配系统，可以提供更多符合用户预期的聚合房型。本专利技术所采用的技术方案为：一种房型匹配系统，包括获取系统标准酒店下的房型对象组成的数据库；然后获取待匹配的房型对象以及标准房型对象数据库，并校验信息的完整性，计算完整的房型组的相似度，并得到最大相似度MX；当MX≥阀值0.9时，保存房型组信息以及MX；然后返回匹配对象数据库中；当MX〈阀值0.9时，不匹配。作为本专利技术的优选方案，计算完整的房型组的方法是：包括输入层、预处理、模型训练和评估优化。作为本专利技术的优选方案，所述输入层包括文本和数据集，所述文本为待匹配的房型对象以及标准房型对象数据库；所述数据包括但不限于基本的训练集、验证集、测试集。作为本专利技术的优选方案，所述预处理包括文本过滤、原词替换、增强过滤和特征张量的构建；所述文本过滤、原词替换为基础功能在各计算节点可以按实际情况进行组合；所述增强过滤为按实际场景进行功能扩展的功能函数；所述特征张量的构建按特征集房型或床型、卷积核通过构造方法产生特征张量。作为本专利技术的优选方案，所述模型训练包括分类、聚类和规则；所述分类包括线性和非线性；所述线性是间隔平面的求解；所述非线性为提升维度产生特征空间，再对间隔平面的求解；所述聚类包括划分、密度和层次；所述划分为K-means算法；所述密度为DBSCAN算法和OPTICS算法，并通过优先对高密度进行搜索；所述层次为AgglomerativeClustering算法；所述规则由权重簇与监督集组成，每个层级是对上层的补充或者限制。与现有技术相比，本专利技术具有以下技术效果：利用先进的云计算能力与适合业务的神经网络，实现房型匹配自动化，以及房型关系校验等。通过廉价的物理硬件与程序软件来模拟人工并且具备更快的速度进行强度作业。在短时间内聚合大量的房型，全面校验已匹配房型来减少错误匹配，提供更多符合用户预期的聚合房型。附图说明图1是本专利技术一种房型匹配系统的流程示意图；图2是本专利技术一种房型匹配系统中的房型匹配相似度计算的流程示意图。具体实施方式下面结合附图对本专利技术的具体实施方式作进一步说明。在此需要说明的是，对于这些实施方式的说明用于帮助理解本专利技术，但并不构成对本专利技术的限定。此外，下面所描述的本专利技术实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互组合。一种房型匹配系统，包括获取系统标准酒店下的房型对象组成的数据库；然后获取待匹配的房型对象以及标准房型对象数据库，并校验信息的完整性，计算完整的房型组的相似度，并得到最大相似度MX；当MX≥阀值0.9时，保存房型组信息以及MX；然后返回匹配对象数据库中；当MX〈阀值0.9时，不匹配。作为本专利技术的优选方案，计算完整的房型组的方法是：包括输入层、预处理、模型训练和评估优化。作为本专利技术的优选方案，所述输入层包括文本和数据集，所述文本为待匹配的房型对象以及标准房型对象数据库；所述数据包括但不限于基本的训练集、验证集、测试集。作为本专利技术的优选方案，所述预处理包括文本过滤、原词替换、增强过滤和特征张量的构建；所述文本过滤、原词替换为基础功能在各计算节点可以按实际情况进行组合；所述增强过滤为按实际场景进行功能扩展的功能函数；所述特征张量的构建按特征集房型或床型、卷积核通过构造方法产生特征张量。作为本专利技术的优选方案，所述模型训练包括分类、聚类和规则；所述分类包括线性和非线性；所述线性是间隔平面的求解；所述非线性为提升维度产生特征空间，再对间隔平面的求解；所述聚类包括划分、密度和层次；所述划分为K-means算法；所述密度为DBSCAN算法和OPTICS算法，并通过优先对高密度进行搜索；所述层次为AgglomerativeClustering算法；所述规则由权重簇与监督集组成，每个层级是对上层的补充或者限制。评估优化：评估(目标函数[学习目标]减少计算结果与理想值之间的误差)；优化(K-means使用小批量随机梯度下降，SVM使用拉格朗日乘除法)；卷积核由大量实践产生用于池化。预处理：文本过滤除去一些无关字符如停顿字符、变音字符、西文字符等原词替换在一定场景下字意等同的词语统一规范如：deluxe->deluxe豪华->deluxeeconomical->economyeconomic->economy特征工程与特征张量构建：特征字典，按等级、类型、床型、景观、设施、其他等划分特征张量的生成设置卷积核算法设计与模型训练：基于规则的非线性分类：从一系列如严格要求等级、类型一致，景观、设施需满足包含关系等规则计算待匹配房型与标准房型之间的相似度。利用近邻关系匹配：多个点在特征空间所处位置不同，但是存在准确的关联关系，所以可在一定程度[误差、距离]上视为一类。自聚类检测：同一标准酒店下的标准房型应该具备独特性，在以房型、床型两个维度确定的各点之间存在间距。基于复杂网络的房型匹配：通过对多个子网络产生的相似度结合业务按一定比进行多层组合产生最终相似度。模型评估与优化调整：目标：1待匹配的房型与最相似标准房型并且高于阈值0.9的进行匹配。2在保证准确率的情况下提升匹配率。持续优化：特征字典、数据预处理模块的过滤能力、卷积核的优化、算法的增加或复杂网络层的增加需要保持系统的鲁棒性。最后应说明的是：以上所述仅为本专利技术的优选实施例而已，并不用于限制本专利技术，尽管参照前述实施例对本专利技术进行了详细的说明，对于本领域的技术人员来说，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。凡在本专利技术的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本专利技术的保护范围之内。本文档来自技高网...

【技术保护点】
1.一种房型匹配系统，其特征在于：包括获取系统标准酒店下的房型对象组成的数据库；然后获取待匹配的房型对象以及标准房型对象数据库，并校验信息的完整性，计算完整的房型组的相似度，并得到最大相似度MX；当MX≥阀值0.9时，保存房型组信息以及MX；然后返回匹配对象数据库中；当MX〈阀值0.9时，不匹配。

【技术特征摘要】
1.一种房型匹配系统，其特征在于：包括获取系统标准酒店下的房型对象组成的数据库；然后获取待匹配的房型对象以及标准房型对象数据库，并校验信息的完整性，计算完整的房型组的相似度，并得到最大相似度MX；当MX≥阀值0.9时，保存房型组信息以及MX；然后返回匹配对象数据库中；当MX〈阀值0.9时，不匹配。2.根据权利要求1所述的一种房型匹配系统，其特征在于：计算完整的房型组的方法是：包括输入层、预处理、模型训练和评估优化。3.根据权利要求2所述的一种房型匹配系统，其特征在于：所述输入层包括文本和数据集，所述文本为待匹配的房型对象以及标准房型对象数据库；所述数据包括但不限于基本的训练集、验证集、测试集。4.根据权利要求2所述的一种房型匹配系统，其特征在于：所述预处理包括文本过滤...

【专利技术属性】
技术研发人员：杨章欣，
申请(专利权)人：深圳市前海喜越科技有限公司，
类型：发明
国别省市：广东,44