本發(fā)明涉及計算機應用技術領域，尤其涉及一種酒店服務推薦方法及裝置。

背景技術：

隨著ota(onlinetravelagent,在線旅行社)的迅猛發(fā)展，用戶對服務的要求越來越高。用戶對于ota的應用系統(tǒng)的服務需求甚至超過通過ota預定機票、火車、酒店的定價。ota的應用系統(tǒng)的服務能力成為ota的最大競爭力。然而，目前ota的應用系統(tǒng)針對用戶的服務體驗依然處于低級階段，依然是用戶到了店之后，發(fā)現(xiàn)自己缺什么，才會想到自己需要什么，然后再出去購買，或者請求前臺服務，這對用戶的出游體驗帶來了極大的不方便性。

技術實現(xiàn)要素：

本發(fā)明為了克服上述現(xiàn)有技術存在的缺陷，提供一種酒店服務推薦方法及裝置，以提高用戶住酒店的服務體驗。

根據(jù)本發(fā)明的一個方面，提供一種酒店服務推薦方法，所述酒店服務推薦方法在一預定酒店的應用程序上執(zhí)行，包括：獲取用戶的一個或多個特征信息；所述特征信息經(jīng)由一機器學習模型輸出一個或多個服務推薦；若用戶選擇一個或多個所述服務推薦，則自動獲取所述用戶入住的酒店信息，并依據(jù)所述酒店信息生成服務訂單。

可選地，所述服務訂單經(jīng)由一第三方平臺生成，所述酒店信息被傳輸至所述第三方平臺以生成所述服務訂單。

可選地，所述應用程序跳轉(zhuǎn)至所述第三方平臺以生成所述服務訂單；或者所述應用程序直接調(diào)用所述第三方平臺的接口以在所述應用程序執(zhí)行時生成所述服務訂單。

可選地，所述服務訂單包括多個服務選項，所述酒店服務推薦方法還包括：依據(jù)用戶對所述應用程序的操作信息，確定所述多個服務選項中的一項或多項。

可選地，所述操作信息包括如下信息中的一項或多項：所述用戶選擇所述服務推薦的當前時間；依據(jù)所述用戶選擇所述服務推薦的當前時間預估的服務執(zhí)行時間；所述用戶于所述應用程序上是否確認入住酒店；所述用戶于所述應用程序上是否錄入入住房間號；所述用戶選擇所述服務推薦的當前定位。

可選地，所述服務選項包括服務執(zhí)行的地點和/或服務執(zhí)行的時間。

可選地，服務執(zhí)行的地點包括酒店前臺、酒店房間、酒店娛樂場所及酒店外的其他位置。

可選地，所述酒店信息包括酒店地址、酒店提供的用品清單、酒店娛樂場所清單中的一項或多項。

可選地，所述酒店信息預先儲存在應用程序中、所述酒店信息由用戶輸入至應用程序中或者所述酒店信息由一定位模塊定位用戶當前位置后于所述應用程序中匹配該用戶當前位置關聯(lián)的酒店信息來確定。

可選地，在一閾值距離范圍內(nèi)持續(xù)一閾值時間的所述用戶當前位置校正所述酒店信息。

可選地，所述服務的類型包括外賣、叫車、清潔、按摩、美容美發(fā)、停車、收發(fā)快遞中的一項或多項。

可選地，所述機器學習模型輸出一個或多個服務推薦前還包括：獲取用戶的一個或多個所述特征信息及關聯(lián)該用戶的多個服務訂單；將用戶的多個所述特征信息作為所述機器學習模型的輸入，將關聯(lián)該用戶的多個服務訂單作為所述機器學習模型的輸出；訓練所述機器學習模型以優(yōu)化所述機器學習模型的訓練參數(shù)。

可選地，依據(jù)單個用戶的一個或多個所述特征信息及關聯(lián)該用戶的多個服務訂單訓練針對該單個用戶的所述機器學習模型。

可選地，依據(jù)多個用戶的一個或多個所述特征信息及關聯(lián)該多個用戶的多個服務訂單訓練針對多個用戶的所述機器學習模型。

可選地，還包括：從第三方平臺獲取用戶對服務的歷史操作信息，并依據(jù)所述歷史操作信息獲取用戶偏好服務；查找所述酒店地址周圍一閾值距離范圍內(nèi)的服務；匹配所述用戶偏好服務及所查找到的服務以向用戶提供一個或多個服務推薦

可選地，用戶對服務的歷史操作信息包括用戶服務訂單、點贊、簽到及評價。

根據(jù)本發(fā)明的又一方面，還提供一種酒店服務推薦裝置，包括：處理器；計算機可讀存儲介質(zhì)，其上儲存有計算機程序，所述計算機程序被所述處理器執(zhí)行時執(zhí)行預定酒店的步驟，并實現(xiàn)如下步驟：獲取用戶的一個或多個特征信息；所述特征信息經(jīng)由一機器學習模型輸出一個或多個服務推薦；若用戶選擇一個或多個所述服務推薦，則自動獲取所述用戶入住的酒店信息，并依據(jù)所述酒店信息生成服務訂單。

可選地，所述服務訂單經(jīng)由一第三方平臺生成，所述計算機程序被所述處理器執(zhí)行時還實現(xiàn)如下步驟：所述酒店信息被傳輸至所述第三方平臺以生成所述服務訂單。

可選地，所述計算機可讀存儲介質(zhì)儲存有所述酒店信息。

可選地，還包括：定位模塊，用于定位所述酒店服務推薦裝置的當前位置，所述計算機程序被所述處理器執(zhí)行時還實現(xiàn)如下步驟：根據(jù)所述定位模塊定位所述酒店服務推薦裝置的當前位置匹配該當前位置關聯(lián)的酒店信息。

可選地，所述計算機程序被所述處理器執(zhí)行時還實現(xiàn)如下步驟：在一閾值距離范圍內(nèi)持續(xù)一閾值時間的所述當前位置校正所述酒店信息。

可選地，所述機器學習模型儲存在所述計算機可讀存儲介質(zhì)中或儲存在遠程服務器中。

相比現(xiàn)有技術，本發(fā)明的優(yōu)勢在于：

1)通過機器學習的方式，向預定酒店的用戶提供服務推薦，優(yōu)化用戶預定酒店后使用預定酒店的應用程序的服務體驗；

2)自動獲取預存的或通過定位匹配的酒店信息以生成服務訂單，無需用戶進行自行輸入酒店信息，加快服務訂單的生成，提高用戶體驗；

3)依據(jù)用戶的操作信息自動判斷用戶所需服務的位置、時間等，無需用戶自行輸入或自行選擇，增加判斷的自動化，進一步提高用戶體驗；

4)可以通過定位模塊的定位自動校訂酒店信息中的酒店地址，以防預存酒店信息有誤，進而產(chǎn)生的服務疏漏；以及

5)采用不同的方式對提供服務推薦的機器學習模塊進行訓練，可以獲得針對個人的服務推薦，或基于更多用戶的數(shù)據(jù)，獲得針對用戶特征更為精準的服務推薦。

附圖說明

通過參照附圖詳細描述其示例實施方式，本發(fā)明的上述和其它特征及優(yōu)點將變得更加明顯。

圖1示出了根據(jù)本發(fā)明實施例的酒店服務推薦裝置的示意圖。

圖2示出了根據(jù)本發(fā)明實施例的酒店服務推薦方法的流程圖。

圖3示出了根據(jù)本發(fā)明一具體實施例的酒店訂單詳情頁的示意圖。

圖4示出了根據(jù)本發(fā)明一具體實施例的行程頁的示意圖。

圖5示出了根據(jù)本發(fā)明一具體實施例的推薦頁的示意圖。

具體實施方式

現(xiàn)在將參考附圖更全面地描述示例實施方式。然而，示例實施方式能夠以多種形式實施，且不應被理解為限于在此闡述的實施方式；相反，提供這些實施方式使得本發(fā)明將全面和完整，并將示例實施方式的構思全面地傳達給本領域的技術人員。在圖中相同的附圖標記表示相同或類似的結構，因而將省略對它們的重復描述。

所描述的特征、結構或特性可以以任何合適的方式結合在一個或更多實施方式中。在下面的描述中，提供許多具體細節(jié)從而給出對本發(fā)明的實施方式的充分理解。然而，本領域技術人員應意識到，沒有所述特定細節(jié)中的一個或更多，或者采用其它的方法、組元、材料等，也可以實踐本發(fā)明的技術方案。在其它情況下，不詳細示出或描述公知結構、材料或者操作以避免模糊本發(fā)明。

附圖中所示的方框圖僅僅是功能實體，不一定必須與物理上獨立的實體相對應。即，可以采用軟件形式來實現(xiàn)這些功能實體，或在一個或多個集成電路中實現(xiàn)這些功能實體，或在不同網(wǎng)絡和/或處理器裝置和/或微控制器裝置中實現(xiàn)這些功能實體。

為了解決現(xiàn)有技術的缺陷，提高用戶使用預定酒店的應用程序來生成服務訂單的用戶體驗，本發(fā)明提供一種酒店服務推薦方法及裝置。

本發(fā)明提供酒店服務推薦方法，所述酒店服務推薦方法在一預定酒店的應用程序上執(zhí)行，酒店服務推薦方法包括：獲取用戶的一個或多個特征信息；所述特征信息經(jīng)由一機器學習模型輸出一個或多個服務推薦；若用戶選擇一個或多個所述服務推薦，則自動獲取所述用戶入住的酒店信息，并依據(jù)所述酒店信息生成服務訂單。

具體而言，在如下所描述的各個實施例中，所述的酒店信息可以包括酒店地址、酒店提供的用品清單、酒店娛樂場所清單中的一項或多項。所述的服務的類型可以包括外賣、叫車、清潔、按摩、美容美發(fā)、停車、收發(fā)快遞中的一項或多項。以上僅僅是示意性地列舉酒店信息和服務類型，但本發(fā)明并非以此為限。

下面結合附圖說明本發(fā)明提供的酒店服務推薦方法及裝置。

如圖1所示，圖1示出了根據(jù)本發(fā)明實施例的酒店服務推薦裝置的示意圖。圖1示出了酒店服務推薦裝置110、用于酒店服務推薦的遠程服務器120及第三方平臺所在服務器130。酒店服務推薦裝置110可以是一電子設備，例如，移動終端、平板電腦等。酒店服務推薦裝置110、用于酒店服務推薦的遠程服務器120及第三方平臺所在服務器130通過網(wǎng)絡相互通信。在一些實施例中，第三方平臺所在的服務器130可以省略。

酒店服務推薦裝置110包括處理器111及計算機可讀存儲介質(zhì)112。，計算機可讀存儲介質(zhì)112上儲存有計算機程序。計算機程序例如可以是一預定酒店的應用程序。該計算機程序被處理器111執(zhí)行時執(zhí)行預定酒店的步驟，并還實現(xiàn)如下步驟：獲取用戶的一個或多個特征信息；特征信息經(jīng)由一機器學習模型輸出一個或多個服務推薦；若用戶選擇一個或多個服務推薦，則自動獲取用戶入住的酒店信息，并依據(jù)酒店信息生成服務訂單。

具體而言，在本實施例中，服務訂單經(jīng)由第三方平臺生成，酒店信息被傳輸至第三方平臺所在的服務器130以生成服務訂單。在一些變化例中，服務訂單也可直接由遠程服務器120直接生成。若機器學習模型較為復雜時，則其可儲存在遠程服務器120中，若機器學習模型邏輯較為簡單時，也可以儲存在計算機可讀存儲介質(zhì)112中。

進一步地，所用來生成服務訂單的酒店信息可以儲存在計算機可讀存儲介質(zhì)中。在本實施例中，酒店服務推薦裝置110還包括定位模塊113。在這樣的實施例中，酒店信息也可以根據(jù)定位模塊定位酒店服務推薦裝置的當前位置匹配該當前位置關聯(lián)的酒店信息。例如，可以將與酒店服務推薦裝置的當前位置最近的酒店以與當前位置關聯(lián)；又例如，可以每個酒店為中心，方圓50m距離(或其他距離)內(nèi)的位置都與該酒店關聯(lián)，以根據(jù)酒店服務推薦裝置的當前位置是否位于該方圓50m距離(或其他距離)內(nèi)，由此獲得相關聯(lián)的酒店信息。在一些實施例中，定位模塊113的定位還可以用來校正酒店信息。例如，當酒店服務推薦裝置110的當前位置在一閾值距離范圍內(nèi)持續(xù)一閾值時間，則用該當前位置校正酒店信息中的酒店地址。在校正之前，還可以首先查詢是否有用戶是否入住酒店的信息，若查詢結果指示根據(jù)用戶入住酒店，則可啟動校正操作，若查詢結果指示用戶未入住酒店，則無需啟動校正操作。

圖1僅僅示意性地示出本發(fā)明提供的酒店服務推薦裝置的結構圖及拓撲圖，本領域技術人員還可以實現(xiàn)其他的變化方式，在此不予贅述。

下面參考圖2，圖2示出了根據(jù)本發(fā)明實施例的酒店服務推薦方法的流程圖。該酒店服務推薦方法在一預定酒店的應用程序上執(zhí)行。

圖2共示出3個步驟：

步驟s210，獲取用戶的一個或多個特征信息。

具體而言，該一個或多個特征信息可在用戶注冊該應用程序的賬號時錄入或者根據(jù)用戶歷史操作信息來獲取。該一個或多個特征信息可與用戶賬號關聯(lián)的儲存在該應用程序中或該應用程序的遠程服務器中。該一個或多個特征信息可以包括用戶的年齡、性別、學歷、工作、居住地、工作地等。

步驟s220，所述特征信息經(jīng)由一機器學習模型輸出一個或多個服務推薦。

可選地，機器學習模型儲存在一遠程服務器中。步驟s220，向該應用程序的遠程服務器中的機器學習模型中輸入所獲取的特征信息，該機器學習模型根據(jù)所獲取的特征信息輸出一個或多個服務推薦。該機器學習模型在依據(jù)所有歷史服務訂單及生成該服務訂單的用戶的特征信息來訓練。換言之，該機器學習模型依據(jù)所輸入的用戶特征信息或用戶特征信息的組合以輸出服務推薦。在一些變化例中，該機器學習模型根據(jù)所獲得的用戶賬號輸出一個或多個服務推薦。例如，該機器學習模型依據(jù)用戶對各個服務的使用頻率來進行服務推薦。

機器學習模型可以是任一種回歸模型，例如線性回歸模型、邏輯回歸模型等。機器學習模型還可以是神經(jīng)網(wǎng)絡模型，例如通過多個輸入神經(jīng)元和多個輸出神經(jīng)元來計算模型中的參數(shù)，并不斷優(yōu)化。本發(fā)明中不對機器學習模型的類型進行限制。

步驟s230，若用戶選擇一個或多個所述服務推薦，則自動獲取所述用戶入住的酒店信息，并依據(jù)所述酒店信息生成服務訂單。

通過步驟s230，用戶無需自行輸入酒店信息，提高了用戶體驗。

具體實施例1

用戶使用其賬號登陸其移動終端上的應用程序，并預定一酒店。于該應用程序上，預定該酒店的酒店訂單詳情頁(如圖3)、應用程序依據(jù)用戶于該應用程序上各個訂單定制的行程頁(如圖4)或者單獨的服務推薦頁(如圖5)可向用戶提供服務推薦。

在本實施例中，當用戶預定酒店后，打開這些頁面中的任一頁面時，即可收到應用程序向用戶提供的服務推薦。具體而言，當用戶通過應用程序預定一酒店，應用程序即獲取用戶的一個或多個特征信息。該一個或多個特征信息可在用戶注冊該應用程序的賬號時錄入。該一個或多個特征信息可與用戶賬號關聯(lián)的儲存在該應用程序中或該應用程序的遠程服務器中。該一個或多個特征信息可以包括用戶的年齡、性別、學歷、工作、居住地、工作地等。

在本實施例中，向該應用程序的遠程服務器中的機器學習模型中輸入所獲取的特征信息，該機器學習模型根據(jù)所獲取的特征信息輸出一個或多個服務推薦。該機器學習模型在本實施例中，依據(jù)所有歷史服務訂單及生成該服務訂單的用戶的特征信息來訓練。換言之，該機器學習模型依據(jù)所輸入的用戶特征信息或用戶特征信息的組合以輸出服務推薦。例如，所獲取的用戶a的特征信息為年齡20歲，性別男，大學本科在讀，居住地上海，機器學習模型以及該些特征輸出服務推薦可包括：叫車接送、所預定酒店附近好評率最高的外賣等。又例如，所獲取的用戶b的特征信息為年齡30歲，性別女，居住地重慶，機器學習模型以及該些特征輸出服務推薦可包括：所預定酒店附近好評最高的川菜外賣、上門美甲服務、上門按摩服務等。所推薦的服務可依據(jù)該用戶的歷史服務訂單的使用概率來排序。例如，用戶a歷史服務訂單中叫車接送的概率達100％，而叫外賣的概率達50％，則針對用戶a，先顯示叫車接送服務繼而顯示所預定酒店附近好評率最高的外賣服務。

提供服務推薦后，用戶可在應用程序中選擇一個或多個服務推薦。應用程序獲取預存的用戶入住的酒店信息，并依據(jù)酒店信息生成服務訂單，而無需在訂單生成頁面輸入酒店信息。

在一些變化例中，機器學習模型所在模塊可周期性地獲取用戶特征信息，并向用戶提供的服務推薦。

具體實施例2

用戶使用其賬號登陸其移動終端上的應用程序，并預定一酒店。于該應用程序上，預定該酒店的酒店訂單詳情頁、應用程序依據(jù)用戶于該應用程序上各個訂單定制的行程頁或者單獨的服務推薦頁可向用戶提供服務推薦。

在本實施例中，應用程序可判斷當前是否需要向用戶提供服務推薦。例如，當用戶打開應用程序時，應用程序可判斷當前時間是否為用戶預定入住酒店當天。若還未到預定入住酒店當天，則無需向用戶提供服務推薦。若當前時間為用戶預定入住酒店當天，則用戶打開上述各頁面中的任一頁面時，即可收到應用程序向用戶提供的服務推薦。又例如，當用戶打開應用程序時，應用程序可依據(jù)移動終端上的gps定位模塊(或其他定位方式的定位模塊)判斷用戶當前位置是否與用戶預定入住酒店的距離小于50公里(或其他閾值距離)。若用戶當前位置是與用戶預定入住酒店的距離大于等于50公里，則無需向用戶提供服務推薦。若用戶當前位置是與用戶預定入住酒店的距離小于50公里，則用戶打開上述各頁面中的任一頁面時，即可收到應用程序向用戶提供的服務推薦。

具體而言，當應用程序判斷當前需要向用戶提供服務推薦時，應用程序即獲取用戶的一個或多個特征信息。該一個或多個特征信息可以包括用戶的年齡、性別、學歷、工作、居住地、工作地等。

在本實施例中，向該應用程序的遠程服務器中的機器學習模型中輸入所獲取的特征信息，該機器學習模型根據(jù)所獲取的特征信息輸出一個或多個服務推薦。在本實施例中，該機器學習模型依據(jù)所輸入的用戶特征信息或用戶特征信息的組合以輸出服務推薦。提供服務推薦后，用戶可在應用程序中選擇一個或多個服務推薦。應用程序獲取預存的用戶入住的酒店信息，并依據(jù)所選擇的服務推薦在一第三方平臺生成服務訂單。該第三方平臺可通過該第三方平臺的接口集成在該應用程序中或者也可從該應用程序跳轉(zhuǎn)至第三方平臺所在的另一應用程序以生成服務訂單。無論第三方平臺集成在預定酒店的應用程序中或為獨立的另一應用程序，該預定酒店的應用程序都將用戶預定的酒店信息發(fā)送至該第三方平臺，以直接生成服務訂單，無需用戶在訂單生成頁面輸入酒店信息。

具體實施例3

用戶使用其賬號登陸其移動終端上的應用程序，并預定一酒店。于該應用程序上，預定該酒店的酒店訂單詳情頁、應用程序依據(jù)用戶于該應用程序上各個訂單定制的行程頁或者單獨的服務推薦頁可向用戶提供服務推薦。

用戶于上述任一頁面(或指定頁面)中可獲得應用程序提供的服務推薦。在本實施例中，當應用程序向用戶提供服務推薦時，應用程序即獲取用戶的特征信息。例如，應用程序獲取用戶的賬號(在本實施例中賬號作為用戶的特征信息)。

在本實施例中，向該應用程序的遠程服務器中的機器學習模型(機器學習模型也可設置在應用程序中)中輸入用戶賬號，該機器學習模型根據(jù)所獲得的用戶賬號輸出一個或多個服務推薦。該機器學習模型在本實施例中，依據(jù)每個用戶賬號及對應的所有歷史服務訂單來訓練。換言之，該機器學習模型依據(jù)用戶對各個服務的使用頻率來進行服務推薦。

提供服務推薦后，用戶可在應用程序中選擇一個或多個服務推薦。應用程序獲取預存的用戶入住的酒店信息，并依據(jù)酒店信息生成服務訂單，而無需在訂單生成頁面輸入酒店信息。

具體實施例4

用戶使用其賬號登陸其移動終端上的應用程序，并預定一酒店。于該應用程序上，預定該酒店的酒店訂單詳情頁、應用程序依據(jù)用戶于該應用程序上各個訂單定制的行程頁或者單獨的服務推薦頁可向用戶提供服務推薦。

用戶于上述任一頁面(或指定頁面)中可獲得應用程序提供的服務推薦。在本實施例中，當應用程序向用戶提供服務推薦時，應用程序即獲取用戶的特征信息。例如，應用程序獲取用戶的賬號(在本實施例中賬號作為用戶的特征信息)。

具體而言，當應用程序判斷當前需要向用戶提供服務推薦時，應用程序即獲取用戶的一個或多個特征信息。該一個或多個特征信息可以包括用戶的年齡、性別、學歷、工作、居住地、工作地等。

在本實施例中，向該應用程序的遠程服務器中的機器學習模型中輸入所獲取的特征信息，該機器學習模型根據(jù)所獲取的特征信息輸出一個或多個服務推薦。在本實施例中，該機器學習模型依據(jù)所輸入的用戶特征信息或用戶特征信息的組合以輸出服務推薦。提供服務推薦后，用戶可在應用程序中選擇一個或多個服務推薦。應用程序獲取預存的用戶入住的酒店信息，并依據(jù)酒店信息生成服務訂單，而無需在訂單生成頁面輸入酒店信息。

進一步地，各個服務訂單可以包括多個服務選項。在生成服務訂單時，可依據(jù)用戶對應用程序的操作信息，確定多個服務選項中的一項或多項。服務選項可以包括服務執(zhí)行的地點和/或服務執(zhí)行的時間。服務執(zhí)行的地點可以包括酒店前臺、酒店房間、酒店娛樂場所及酒店外的其他位置。

例如，用戶選擇的服務推薦為外賣，用戶選擇外賣的系統(tǒng)時間為13:00，系統(tǒng)預估外賣到達時間為13:30，可以依據(jù)用戶于該應用程序上預定的機票、火車票等行程信息，應用程序根據(jù)預估外賣到達時間和用戶機票火車實時達到時間及機場(火車站)至酒店的大致時間判斷13:30用戶還未入住酒店，可以此由應用程序自動設定服務執(zhí)行的地點為酒店前臺，也就是使外賣送至酒店前臺即可。當用戶入住時，可直接于酒店前臺將外賣拿至房間內(nèi)。

例如，用戶選擇的服務推薦為外賣，用戶選擇外賣的系統(tǒng)時間為16:00，系統(tǒng)預估外賣到達時間為16:30，可以依據(jù)用戶于該應用程序上預定的機票、火車票等行程信息，應用程序判斷16:30用戶已入住酒店，可以此由應用程序自動設定服務執(zhí)行的地點為酒店房間，也就是使外賣送至酒店房間。預定酒店的房間號可從酒店入住系統(tǒng)獲取，或者用戶入住時自行輸入。

例如，用戶選擇的服務推薦為外賣，用戶已在應用程序上選擇入住并錄入房間號，可以此由應用程序自動設定服務執(zhí)行的地點為酒店房間，也就是使外賣送至酒店房間。

例如，用戶選擇的服務推薦為外賣，依據(jù)定位模塊，用戶的位置在酒店內(nèi)，可以此由應用程序自動設定服務執(zhí)行的地點為酒店房間，也就是使外賣送至酒店房間。

例如，用戶選擇的服務推薦為叫車，依據(jù)定位模塊，用戶的位置在酒店內(nèi)，可以此由應用程序自動設定服務執(zhí)行的地點為酒店門口，所叫的車輛將停在酒店門口等待用戶。

例如，用戶選擇的服務推薦為叫車，依據(jù)定位模塊，用戶的位置在酒店外的其他位置，可以此由應用程序自動設定服務執(zhí)行的目的地點為酒店門口，所叫的車輛將獲知其目的地為用戶所預定的酒店。

例如，用戶選擇的服務推薦為上門按摩，依據(jù)定位模塊，用戶的位置在酒店內(nèi)，可以此由應用程序自動設定服務執(zhí)行的目的地點為酒店房間或酒店按摩間(若有)，上門人員將在酒店房間或酒店按摩間向用戶提供按摩服務。

具體實施例5

用戶使用其賬號登陸其移動終端上的應用程序，并預定一酒店。于該應用程序上，預定該酒店的酒店訂單詳情頁、應用程序依據(jù)用戶于該應用程序上各個訂單定制的行程頁或者單獨的服務推薦頁可向用戶提供服務推薦。

用戶于上述任一頁面(或指定頁面)中可獲得應用程序提供的服務推薦。在本實施例中，當應用程序向用戶提供服務推薦時，應用程序即獲取用戶的特征信息。例如，應用程序獲取用戶的賬號(在本實施例中賬號作為用戶的特征信息)。

具體而言，當應用程序判斷當前需要向用戶提供服務推薦時，應用程序即獲取用戶的一個或多個特征信息。向該應用程序的遠程服務器中的機器學習模型中輸入所獲取的特征信息，該機器學習模型根據(jù)所獲取的特征信息輸出一個或多個服務推薦。

當用戶選擇了一個或多個服務推薦后，移動終端上的定位模塊可以定位用戶所在位置，并依據(jù)一地圖上該用戶所在的位置在一定距離范圍內(nèi)的酒店，獲取該酒店的酒店信息，并依據(jù)酒店信息生成服務訂單，而無需在訂單生成頁面輸入酒店信息。

在本實施例的一些變化例中，當用戶定位模塊定位用戶位于酒店內(nèi)，應用系統(tǒng)可直接判斷用戶已入住酒店。在本實施例的又一下變化例中，定位模塊對用戶的定位信息在一閾值時間段(例如30分鐘)內(nèi)，位于一閾值距離范圍(例如10米范圍)內(nèi)，則可依據(jù)定位模塊的定位校正酒店信息中的酒店地址。

具體實施例6

用戶使用其賬號登陸其移動終端上的應用程序，并預定一酒店。于該應用程序上，預定該酒店的酒店訂單詳情頁、應用程序依據(jù)用戶于該應用程序上各個訂單定制的行程頁或者單獨的服務推薦頁可向用戶提供服務推薦。

用戶于上述任一頁面(或指定頁面)中可獲得應用程序提供的服務推薦。在本實施例中，當應用程序向用戶提供服務推薦時，除了采用機器學習向用戶提供服務推薦，還可以通過如下方式向用戶提供服務推薦：

首先，應用程序從第三方平臺(例如大眾點評、各類外賣應用的服務器等)獲取用戶對服務的歷史操作信息。例如，用戶對服務的歷史操作信息可以例如是用戶對大眾點評上的餐館簽到、點贊、評論等。依據(jù)這些歷史操作信息可以獲取用戶偏好，例如依據(jù)用戶對不同類型餐館的簽到次數(shù)、點贊次數(shù)及評論次數(shù)，以不同的權重進行計算可以獲得用戶偏好服務。在本實施例中，用戶偏好服務可以為川菜。然后，查找用戶即將或已經(jīng)入住的酒店地址周圍一閾值距離(例如1公里)范圍內(nèi)的服務。匹配用戶偏好服務(例如川菜)及所查找到的服務以向用戶提供一個或多個服務推薦。換言之，可以在查找到的多個服務中，選取與川菜相關的服務以向用戶推薦。在另一些變化例中，可以用戶偏好服務(例如川菜)為關鍵詞，查找用戶即將或已經(jīng)入住的酒店地址周圍一閾值距離(例如1公里)范圍內(nèi)的與該關鍵詞相關的服務，以向用戶推薦。

以上各個實施例描述了采用機器學習模型來進行服務推薦，在本發(fā)明的一些變化例中，用戶也可以自行輸入、自行搜索和選擇其所需要的服務?？梢岳斫?，在機器學習模型初期，由于數(shù)據(jù)較少，也存在暫未有服務推薦的時期，此時，也可由用戶也可以自行輸入、自行搜索和選擇其所需要的服務。這些方式也在本發(fā)明的保護范圍之內(nèi)。

以上各個實施例的描述僅僅是示意性地，本領域技術人員還可以實現(xiàn)更多的變化例，在不背離本發(fā)明構思的前提下，步驟、模塊的增加和省略都落入本發(fā)明的保護范圍之內(nèi)，在此不予贅述。

相比現(xiàn)有技術，本發(fā)明的優(yōu)勢在于：

1)通過機器學習的方式，向預定酒店的用戶提供服務推薦，優(yōu)化用戶預定酒店后使用預定酒店的應用程序的服務體驗；

2)自動獲取預存的或通過定位匹配的酒店信息以生成服務訂單，無需用戶進行自行輸入酒店信息，加快服務訂單的生成，提高用戶體驗；

3)依據(jù)用戶的操作信息自動判斷用戶所需服務的位置、時間等，無需用戶自行輸入或自行選擇，增加判斷的自動化，進一步提高用戶體驗；

4)可以通過定位模塊的定位自動校訂酒店信息中的酒店地址，以防預存酒店信息有誤，進而產(chǎn)生的服務疏漏；以及

5)采用不同的方式對提供服務推薦的機器學習模塊進行訓練，可以獲得針對個人的服務推薦，或基于更多用戶的數(shù)據(jù)，獲得針對用戶特征更為精準的服務推薦。

通過以上的實施方式的描述，本領域的技術人員易于理解，本公開實施例可以通過硬件實現(xiàn)，也可以通過軟件結合必要的硬件的方式來實現(xiàn)。因此，本公開實施例的技術方案可以以軟件產(chǎn)品的形式體現(xiàn)出來，該軟件產(chǎn)品可以存儲在一個非易失性存儲介質(zhì)(可以是cd-rom，u盤，移動硬盤等)中，包括若干指令用以使得一臺計算設備(可以是個人計算機、服務器、移動終端、或者網(wǎng)絡設備等)執(zhí)行根據(jù)本公開實施方式的方法。

本領域技術人員可以理解，附圖只是示例實施方式的示意圖，附圖中的模塊或流程并不一定是實施本公開所必須的，因此不能用于限制本公開的保護范圍。

本領域技術人員可以理解上述各模塊可以按照實施例的描述分布于裝置中，也可以進行相應變化位于不同于本實施例的一個或多個裝置中。上述實施例的模塊可以合并為一個模塊，也可以進一步拆分成多個子模塊。

以上具體地示出和描述了本發(fā)明的示例性實施方式。應該理解，本發(fā)明不限于所公開的實施方式，相反，本發(fā)明意圖涵蓋包含在所附權利要求范圍內(nèi)的各種修改和等效置換。