-
公开(公告)号：CN107730019B
公开(公告)日：2021-06-11
申请号：CN201710908572.3
申请日：2017-09-29
Applicant: 携程计算机技术(上海)有限公司
Abstract: 本发明公开了一种基于用户画像的用户挽回方法及系统，该方法包括：在用户下单后，获取用户订单实时数据；获取酒店历史数据、用户历史订单数据和用户画像数据；通过逻辑回归算法对用户订单实时数据、酒店历史数据、用户历史订单数据和用户画像数据进行处理，建立订单到店退订概率预测模型，从而预测用户的订单到店退订概率；根据用户的订单到店退订概率向用户发送对应的挽回策略内容。本发明通过建立订单到店退订概率预测模型，获得用户当前订单到店退订概率，对高到店退订概率的用户发送挽回策略内容，并对该酒店采取相对应的惩罚措施，来挽回OTA平台用户、降低酒店到店退订率、并挽回佣金损失，从而提升用户黏性，增强用户的体验感。
-
公开(公告)号：CN107944909A
公开(公告)日：2018-04-20
申请号：CN201711146033.7
申请日：2017-11-17
Applicant: 携程计算机技术(上海)有限公司
CPC classification number: G06Q30/0201 , G06Q30/0202 , G06Q30/0282 , G06Q50/12
Abstract: 本发明公开了一种OTA平台基于酒店产量的助推方法及系统，所述助推方法包括：获取酒店月初至当天之前已经完成的第一间夜量；获取酒店当天至月末预计自然完成的第二间夜量和当天至月末预计助推增长的第三间夜量；获得当月预计自然完成的第一总间夜量和当月预计助推完成的第二总间夜量；判断酒店是否能够通过OTA平台助推达到下一阶梯等级对应的设定阈值，确定酒店是否为冲阶梯型酒店；调整所述冲阶梯型酒店在OTA平台的排序。本发明通过克服了现有技术中OTA平台对酒店排序存在的缺陷，实现合理调整酒店在OTA平台的排序，从而使得酒店的产量和OTA平台收益最大化的目的。
-
公开(公告)号：CN107688662A
公开(公告)日：2018-02-13
申请号：CN201710807393.0
申请日：2017-09-08
Applicant: 携程计算机技术(上海)有限公司
CPC classification number: G06F16/9535 , G06Q30/0201 , G06Q30/0203 , G06Q50/12
Abstract: 本发明公开了一种OTA酒店的推荐方法及系统，其中OTA酒店的推荐方法包括：S1、生成用户的酒店训练模型，酒店训练模型用于获取用户的酒店偏好数据；S2、在用户访问OTA网站酒店页面且进入POI搜索场景后，接收用户所输入的地标，按与地标的距离从近到远的顺序对酒店进行排序，且将排序后的酒店作为原始搜索结果；S3、根据酒店训练模型获取用户的酒店偏好数据；S4、在原始搜索结果中按原始搜索结果的排列顺序依次查询与酒店偏好数据相匹配的酒店，并将查询结果作为最终搜索结果进行输出。本发明克服了现有技术中在用户进入POI搜索场景后查找酒店费力的问题，降低了用户查找酒店的费力度，提升了用户的订购转化率。
-
公开(公告)号：CN107563816A
公开(公告)日：2018-01-09
申请号：CN201710806715.X
申请日：2017-09-08
Applicant: 携程计算机技术(上海)有限公司
IPC: G06Q30/02
Abstract: 本发明公开了一种电子商务网站的用户流失的预测方法及系统。方法包括：将获取的多个用户的历史相关数据划分为第一训练数据和第一测试数据；根据第一训练数据中的第一特征数据建立第一预测模型；将第一测试数据中的第一特征数据输入第一预测模型，计算用户的历史下单概率；将获取的多个用户的当前操作数据划分为第二训练数据和第二测试数据；根据第二训练数据中的第二特征数据建立第二预测模型；将第二测试数据中的第二特征数据输入第二预测模型，计算用户的当前下单概率；计算测试用户的流失概率。本发明能量化用户实时的流失概率，以为供应商的产品展示提供参考。
-
公开(公告)号：CN108492290B
公开(公告)日：2022-03-15
申请号：CN201810226244.X
申请日：2018-03-19
Applicant: 携程计算机技术(上海)有限公司
IPC: G06T7/00
Abstract: 本发明公开了一种图像评价方法及系统，其中图像评价方法包括：S1、对若干图像进行配对得到配对图像，对图像设置评价分数；S2、利用配对图像和评价分数训练一孪生网络得到图像评价模型；S3、输入评价图像至图像评价模型得到评分。本发明的图像评价方法利用孪生网络训练后得到的图像评价模型对评价图像评价，评价后的评分与真实环境的评价分数之间的均方误差低于1.6，相比于直接利用卷积神经网络进行评价的评分与真实环境的评价分数之间的均方误差为2.53相比，本发明的图像评价方法的评价结果与真实环境的评价差别明显减少，评价更加合理可靠。
-
Patent Agency Ranking
公开(公告)号：CN109509039A
公开(公告)日：2019-03-22
申请号：CN201811636083.8
申请日：2018-12-29
Applicant: 携程计算机技术(上海)有限公司
Abstract: 本发明公开了价格预测模型的建立方法及系统、商品推荐方法及系统。所述建立方法包括以下步骤：获取用户的购物数据；构建初始的价格预测模型的目标函数；所述目标函数的评估目标包括用户对商品所期望的最高价格、最低价格和价格区间；从所述购物数据中提取训练样本输入所述目标函数，并利用GBDT算法和交替优化算法对所述目标函数进行训练，得到最终的价格预测模型。本发明实现了根据实际情况对预测精度和区间大小进行调整，同时对用户所期望的商品的最高价格、最低价格和价格区间进行预测，且本发明针对呈现长尾分布的大规模数据有着较好的预测结果，且运行时间较快，十分适用于OTA领域的用户期望价格预测问题。
-
公开(公告)号：CN107507042A
公开(公告)日：2017-12-22
申请号：CN201710833409.5
申请日：2017-09-15
Applicant: 携程计算机技术(上海)有限公司
CPC classification number: G06Q30/0201 , G06Q10/04 , G06Q30/0224
Abstract: 本发明公开了一种基于用户画像的营销方法及系统，所述营销方法包括：S1、获取用户数据，所述用户数据包括用户画像数据；S2、通过决策树算法或XGBoost算法对所述用户数据进行处理，建立用户下单概率预测模型；S3、根据所述用户下单概率预测模型预测用户的下单概率；S4、根据所述用户的下单概率向用户发送对应的营销内容。本发明通过包括用户画像的用户数据分别建立线上用户下单概率预测模型和离线用户下单概率预测模型来预测用户的下单概率；将下单概率低于设定阈值的用户作为优惠券目标用户，实现更精准地找到目标用户来挽回用户，实现有效地提高了优惠券功效，从而节省成本，且实现收益最大化。
-
公开(公告)号：CN107688662B
公开(公告)日：2020-10-30
申请号：CN201710807393.0
申请日：2017-09-08
Applicant: 携程计算机技术(上海)有限公司
IPC: G06F16/9535 , G06F16/9537 , G06Q50/12 , G06Q30/02
Abstract: 本发明公开了一种OTA酒店的推荐方法及系统，其中OTA酒店的推荐方法包括：S1、生成用户的酒店训练模型，酒店训练模型用于获取用户的酒店偏好数据；S2、在用户访问OTA网站酒店页面且进入POI搜索场景后，接收用户所输入的地标，按与地标的距离从近到远的顺序对酒店进行排序，且将排序后的酒店作为原始搜索结果；S3、根据酒店训练模型获取用户的酒店偏好数据；S4、在原始搜索结果中按原始搜索结果的排列顺序依次查询与酒店偏好数据相匹配的酒店，并将查询结果作为最终搜索结果进行输出。本发明克服了现有技术中在用户进入POI搜索场景后查找酒店费力的问题，降低了用户查找酒店的费力度，提升了用户的订购转化率。
-
公开(公告)号：CN108492290A
公开(公告)日：2018-09-04
申请号：CN201810226244.X
申请日：2018-03-19
Applicant: 携程计算机技术(上海)有限公司
IPC: G06T7/00
Abstract: 本发明公开了一种图像评价方法及系统，其中图像评价方法包括：S1、对若干图像进行配对得到配对图像，对图像设置评价分数；S2、利用配对图像和评价分数训练一孪生网络得到图像评价模型；S3、输入评价图像至图像评价模型得到评分。本发明的图像评价方法利用孪生网络训练后得到的图像评价模型对评价图像评价，评价后的评分与真实环境的评价分数之间的均方误差低于1.6，相比于直接利用卷积神经网络进行评价的评分与真实环境的评价分数之间的均方误差为2.53相比，本发明的图像评价方法的评价结果与真实环境的评价差别明显减少，评价更加合理可靠。
-
公开(公告)号：CN107256508A
公开(公告)日：2017-10-17
申请号：CN201710387450.4
申请日：2017-05-27
Applicant: 上海交通大学 , 携程计算机技术(上海)有限公司
IPC: G06Q30/06
CPC classification number: G06Q30/0631
Abstract: 一种基于时间场景的商品推荐系统及其方法，包括：初始化模块、训练模块、评估模块和推荐模块，其中：初始化模块将已有商品数据根据时间顺序划分为训练集和测试集，建立并初始化用户偏置向量、商品偏置向量、商品特征矩阵、用户特征矩阵和商品隐式特征矩阵；训练模块提取训练集，训练评分模型；评估模块接收测试集，计算评分模型的均方误差以评估模型效果；推荐模块接收用户偏置向量、商品偏置向量、商品特征矩阵、用户特征矩阵和商品隐式特征矩阵，根据评分模型计算用户对每个商品的预测评分，按照预测评分向用户推荐商品，本发明能表达用户的兴趣画像和商品的属性特征，不存在用户冷启动问题和商品冷启动问题，实现了基于时间场景的高精度推荐。
-
-
-
-
-
-
-
-
-
Search Results
13
records
(took 0.031 seconds)
