[發(fā)明專利]旅客需求推薦方法

有效

• 申請?zhí)枺?/td>: 201410175627.0
• 申請日: 2014-06-26
• 公開（公告）號: CN104021483B
• 公開（公告）日: 2017-08-25
• 發(fā)明（設計）人: 陳思恩;馮望煙
• 申請（專利權）人: 陳思恩
• 主分類號: G06Q30/02
• 分類號: G06Q30/02;G06Q50/14;G06F17/30
• 代理公司: 廣州市紅荔專利代理有限公司44214
• 代理人: 張文

1.旅客需求推薦方法，其特征在于，包括以下步驟：

步驟1，收集常規(guī)結構化數據，包括客戶信息，歷史交易數據，等級信息；

步驟2，通過JS嵌碼的方式收集的非結構化數據包括用戶在網站的在線行為，用JS標記收集到的非結構數據包括點擊、瀏覽區(qū)域、停留時間及Ajax，JS嵌碼收集用戶在線行為數據的過程如下：

根據定義的事件，嵌入JS代碼到網頁；

用戶訪問網頁時，將同時并發(fā)執(zhí)行嵌套在頁面中的JS標記代碼；

JS代碼通過事件或時間觸發(fā)，將需要獲取的用戶行為信息以avro的方式發(fā)送到特定端口；

Flume監(jiān)聽端口，當監(jiān)聽到端口有數據輸入時，將用戶行為數據sink到HDFS中；

步驟3，將收集到的數據統一存放到分布式文件系統HDFS；

步驟4，在Mahout框架上選擇推薦模型，并利用收集到的數據訓練推薦模型；

步驟5，利用Mahout框架采用訓練好的模型基于歷史數據做離線推薦，并將推薦結果存儲到HDFS，當數據增長量超過一定閥值時，更新訓練模型以及離線推薦結果；

步驟6，當用戶登錄網站，為用戶提供離線推薦；

步驟7，瀏覽網站的過程中觸發(fā)事件，為用戶提供基于Storm的在線推薦，所述在線推薦具體通過以下方法實現：

用戶瀏覽網站，觸發(fā)推薦事件；

應用Kafka框架根據觸發(fā)事件，推送數據到storm集群；

推送數據包括觸發(fā)事件的行為數據以及推薦所需的部分歷史數據，行為數據為事件認定的關鍵詞，部分歷史數據為與關鍵詞和用戶相關的歷史數據；

應用storm集群啟動實時推薦引擎，應用離線推薦過程中訓練好的模型為用戶進行實時推薦，并將推薦結果以CSV的形式存放到HDFS推薦文件夾recommendation在線部分online之中；

前臺調用Service API，獲取推薦結果并展示；

步驟6中的在線推薦和步驟7中的離線推薦使用同一個推薦模型，所述推薦模型的訓練過程如下：

根據數據量的規(guī)模以及推薦性能要求，選擇合適的推薦模型；

對數據進行數據預處理；

訓練模型，模型訓練好之后，將模型關鍵參數放入到CSV文件，并存儲到HDFS模型文件夾model之中。

2.如權利要求1所述的旅客需求推薦方法，其特征在于：步驟3所述的HDFS文件系統，包括基于HDFS文件系統的數據庫Hbase和Hive。

3.如權利要求1所述的旅客需求推薦方法，其特征在于：步驟4中所述模型不僅包括聚類，分類，預測，協同過濾常用模型，還包括自行開發(fā)定制新的模型。

4.如權利要求1所述的旅客需求推薦方法，其特征在于：步驟4和5所述的模型訓練和推薦均采用分布式的實現。

5.如權利要求1所述的旅客需求推薦方法，其特征在于：步驟7中所述的事件采用定制的方式，定制方法視具體應用環(huán)境而定。