估计酒店房型价值优势的方法、模型训练方法及系统技术方案

本发明专利技术公开了一种估计酒店房型价值优势的方法、模型训练方法及系统。其中，模型训练方法包括：根据酒店历史订单中用户预订第一房型或第二房型的情况对房型样本添加不同的标签；针对第一房型和第二房型，分别提取对应房型包括的各个附加服务的特征并输入机器学习模型，得到对应房型的各个附加服务的价值；根据房间基础价值、各种附加服务的价值以及房型售卖价格分别计算第一房型和第二房型的价值优势，并将两个价值优势之间的差值输入二分类模型；根据房型样本的标签与二分类模型的输出结果计算损失值，并在损失值达到预设阈值之前训练机器学习模型与二分类模型。本发明专利技术不会造成对个别附加服务价值的高估，且方便使用通用的指标度量准确度。

【技术实现步骤摘要】
估计酒店房型价值优势的方法、模型训练方法及系统
本专利技术涉及计算机信息
，特别涉及一种用于估计酒店房型价值优势的模型训练方法及系统、一种估计酒店房型价值优势的方法及系统、电子设备以及存储介质。
技术介绍
目前，在推荐算法领域，计算产品(被推荐的产品，例如酒店房型)所含附加服务(例如含早餐、免费取消、立即确认等)的价值采用的是基于统计学的方法，即对于某项附加服务例如含早餐，首先获取用户订单对于该附加服务的溢价，例如早餐溢价＝含早餐的房型价格-不含早餐的房型价格，然后对溢价求平均值。使用上述方法计算产品所含附加服务的价值有以下几个缺陷：第一、当用户订购的房型同时包括多种附加服务时，单独每项的溢价无法估算。如图1所示，用户订购了一个含有立即确认和免费取消两项附加服务(如图1中的300所示)的房间368元，不含这两项附加服务的同类型房间价格是359元，这两项附加服务的总溢价是368-359＝9元。这时如果用统计的方法则难以拆分出立即确认和免费取消的单独溢价，因此这样的样本只能被丢弃，造成数据浪费。由于统计的样本偏离用户预订数据的真实分布，最终的统计结果也会产生偏差。第二、只用含有附加服务的订单进行计算会造成会附加服务价值的高估。例如10个用户分别订购了同类房型，其中3名用户选择了平均溢价为30元的含早餐的房型，另外7名用户选择了不含早餐的房型，这时如果估算一份早餐价值为30元是不准确的，因为在另外7名用户看来，一份早餐的价值可能小于30元。第三、没有考虑个性化因素。一项附加服务价值多少钱与酒店的定价有关，也和用户的消费能力有关，只有用户最终接受了含附加服务的溢价房型，附加服务的价值才能得到体现。所以衡量每种附加服务的价值应该具体到每个用户角度。第四、准确性无法量化和评估。由于附加服务的价值是包含在订单总价中，没有直接的附加服务价值标签可供利用，所以难以评估准确度的好坏。第五、每种附加服务需单独统计，计算效率低下。
技术实现思路
本专利技术要解决的技术问题是为了克服现有技术中的上述缺陷，提供一种用于估计酒店房型价值优势的模型训练方法及系统、一种估计酒店房型价值优势的方法及系统、电子设备以及存储介质。本专利技术是通过下述技术方案来解决上述技术问题：本专利技术的第一方面提供一种用于估计酒店房型价值优势的模型训练方法，包括：根据酒店历史订单中用户预订第一房型或第二房型的情况对房型样本添加不同的标签，其中，所述房型样本包括类型相同的第一房型和第二房型，所述第一房型包括的附加服务多于所述第二房型，且所述第一房型的价格高于所述第二房型的价格；针对所述第一房型和所述第二房型，分别提取对应房型包括的各个附加服务的特征并输入机器学习模型，得到对应房型的各个附加服务的价值；根据房间基础价值、各种附加服务的价值以及房型售卖价格分别计算所述第一房型和所述第二房型的价值优势，并将两个价值优势之间的差值输入二分类模型；根据所述房型样本的标签与所述二分类模型的输出结果计算损失值，并在所述损失值达到预设阈值之前训练所述机器学习模型与所述二分类模型。较佳地，所述根据房间基础价值、各种附加服务的价值以及房型售卖价格分别计算所述第一房型和所述第二房型的价值优势的步骤，具体包括：将房间基础价值加上第一房型包括的各种附加服务的价值，再减去所述第一房型的售卖价格，得到所述第一房型的价值优势；将房间基础价值加上第二房型包括的各种附加服务的价值，再减去所述第二房型的售卖价格，得到所述第二房型的价值优势。较佳地，所述提取对应房型包括的各个附加服务的特征的步骤，具体包括：从多个维度提取对应房型包括各个附加服务的特征，其中，不同的附加服务对应不同的维度。较佳地，所述机器学习模型为全连接神经网络模型。较佳地，所述类型包括：大床房、标准间、套房和商务间；和/或，所述附加服务包括：含早餐、立即确认、免费取消。本专利技术的第二方面提供一种用于估计酒店房型价值优势的模型训练系统，包括：标签添加模块，用于根据酒店历史订单中用户预订第一房型或第二房型的情况对房型样本添加不同的标签，其中，所述房型样本包括类型相同的第一房型和第二房型，所述第一房型包括的附加服务多于所述第二房型，且所述第一房型的价格高于所述第二房型的价格；服务价值估计模块，用于针对所述第一房型和所述第二房型，分别提取对应房型包括的各个附加服务的特征并输入机器学习模型，得到对应房型的各个附加服务的价值；价值优势估计模块，用于根据房间基础价值、各种附加服务的价值以及房型售卖价格分别计算所述第一房型和所述第二房型的价值优势，并将两个价值优势之间的差值输入二分类模型；收敛判断模块，用于根据所述房型样本的标签与所述二分类模型的输出结果计算损失值，并在所述损失值达到预设阈值之前训练所述机器学习模型与所述二分类模型。较佳地，所述价值优势估计模块具体用于将房间基础价值加上第一房型包括的各种附加服务的价值，再减去所述第一房型的售卖价格，得到所述第一房型的价值优势；以及将房间基础价值加上第二房型包括的各种附加服务的价值，再减去所述第二房型的售卖价格，得到所述第二房型的价值优势。较佳地，所述服务价值估计模块具体用于从多个维度提取对应房型包括各个附加服务的特征，其中，不同的附加服务对应不同的维度。较佳地，所述机器学习模型为全连接神经网络模型。较佳地，所述类型包括：大床房、标准间、套房和商务间；和/或，所述附加服务包括：含早餐、立即确认、免费取消。本专利技术的第三方面提供一种估计酒店房型价值优势的方法，包括：选取酒店中类型相同的第一房型和第二房型，其中，所述第一房型包括的附加服务多于所述第二房型，且所述第一房型的价格高于所述第二房型的价格；针对所述第一房型和所述第二房型，分别提取对应房型包括的各个附加服务的特征并输入机器学习模型，得到对应房型的各个附加服务的价值；根据房间基础价值、各种附加服务的价值以及房型售卖价格分别计算所述第一房型和所述第二房型的价值优势，并将两个价值优势之间的差值输入二分类模型；根据所述二分类模型的输出结果确定所述第一房型的价值优势是否高于所述第二房型；其中，所述机器学习模型与所述二分类模型是利用如第一方面所述的方法训练得到的。本专利技术的第四方面提供一种估计酒店房型价值优势的系统，包括：房型选取模块，用于选取酒店中类型相同的第一房型和第二房型，其中，所述第一房型包括的附加服务多于所述第二房型，且所述第一房型的价格高于所述第二房型的价格；服务价值估计模块，用于针对所述第一房型和所述第二房型，分别提取对应房型包括的各个附加服务的特征并输入机器学习模型，得到对应房型的各个附加服务的价值；价值优势估计模块，用于根据房间基础价值、各种附加服务的价值以及房型售卖价格分别计算所述第一房型和所述第二房型的价值优势，并将两个价值优势之间的差值输入二分类模型，并根据所述二分类模型的输出本文档来自技高网...

【技术保护点】
1.一种用于估计酒店房型价值优势的模型训练方法，其特征在于，包括：/n根据酒店历史订单中用户预订第一房型或第二房型的情况对房型样本添加不同的标签，其中，所述房型样本包括类型相同的第一房型和第二房型，所述第一房型包括的附加服务多于所述第二房型，且所述第一房型的价格高于所述第二房型的价格；/n针对所述第一房型和所述第二房型，分别提取对应房型包括的各个附加服务的特征并输入机器学习模型，得到对应房型的各个附加服务的价值；/n根据房间基础价值、各种附加服务的价值以及房型售卖价格分别计算所述第一房型和所述第二房型的价值优势，并将两个价值优势之间的差值输入二分类模型；/n根据所述房型样本的标签与所述二分类模型的输出结果计算损失值，并在所述损失值达到预设阈值之前训练所述机器学习模型与所述二分类模型。/n

【技术特征摘要】
1.一种用于估计酒店房型价值优势的模型训练方法，其特征在于，包括：
根据酒店历史订单中用户预订第一房型或第二房型的情况对房型样本添加不同的标签，其中，所述房型样本包括类型相同的第一房型和第二房型，所述第一房型包括的附加服务多于所述第二房型，且所述第一房型的价格高于所述第二房型的价格；
针对所述第一房型和所述第二房型，分别提取对应房型包括的各个附加服务的特征并输入机器学习模型，得到对应房型的各个附加服务的价值；
根据房间基础价值、各种附加服务的价值以及房型售卖价格分别计算所述第一房型和所述第二房型的价值优势，并将两个价值优势之间的差值输入二分类模型；
根据所述房型样本的标签与所述二分类模型的输出结果计算损失值，并在所述损失值达到预设阈值之前训练所述机器学习模型与所述二分类模型。


2.如权利要求1所述的方法，其特征在于，所述根据房间基础价值、各种附加服务的价值以及房型售卖价格分别计算所述第一房型和所述第二房型的价值优势的步骤，具体包括：
将房间基础价值加上第一房型包括的各种附加服务的价值，再减去所述第一房型的售卖价格，得到所述第一房型的价值优势；
将房间基础价值加上第二房型包括的各种附加服务的价值，再减去所述第二房型的售卖价格，得到所述第二房型的价值优势。


3.如权利要求1所述的方法，其特征在于，所述提取对应房型包括的各个附加服务的特征的步骤，具体包括：从多个维度提取对应房型包括各个附加服务的特征，其中，不同的附加服务对应不同的维度。


4.如权利要求1所述的方法，其特征在于，所述机器学习模型为全连接神经网络模型。


5.如权利要求1-4中任一项所述的方法，其特征在于，所述类型包括：大床房、标准间、套房和商务间；和/或，
所述附加服务包括：含早餐、立即确认、免费取消。


6.一种用于估计酒店房型价值优势的模型训练系统，其特征在于，包括：
标签添加模块，用于根据酒店历史订单中用户预订第一房型或第二房型的情况对房型样本添加不同的标签，其中，所述房型样本包括类型相同的第一房型和第二房型，所述第一房型包括的附加服务多于所述第二房型，且所述第一房型的价格高于所述第二房型的价格；
服务价值估计模块，用于针对所述第一房型和所述第二房型，分别提取对应房型包括的各个附加服务的特征并输入机器学习模型，得到对应房型的各个附加服务的价值；
价值优势估计模块，用于根据房间基础价值、各种附加服务的价值以及房型售卖价格分别计算所述第一房型和所述第二房型的价值优势，并将两个价值优势之间的差值输入二分类模型；
收敛判断模块，用于根据所述房型样本的标签与所述二分类模型的输出结果计算损失值，并在所述损失值达到预设阈值之前训练所述机器学习模型与所述二分类模型。


7.如权利要求6所述的系统，其特征在于，所述价值优势估计...

【专利技术属性】
技术研发人员：张港，郭宝坤，吉聪睿，
申请(专利权)人：携程计算机技术上海有限公司，
类型：发明
国别省市：上海;31