本發(fā)明涉及軌道交通，尤其涉及一種鐵路客票推薦方法和系統(tǒng)。

背景技術(shù)：

1、隨著鐵路運輸?shù)陌l(fā)展，鐵路客票的種類和數(shù)量越來越多，用戶在選擇和購買鐵路客票時面臨著信息過載的問題。如何根據(jù)用戶的個性化需求和偏好，為用戶提供合適的鐵路客票推薦，是一個重要而具有挑戰(zhàn)性的問題。

2、傳統(tǒng)的鐵路客票推薦系統(tǒng)通常采用基于內(nèi)容的推薦方法或基于協(xié)同過濾的推薦方法。然而，這些推薦方法存在一些缺陷；例如，基于內(nèi)容的推薦方法忽略了用戶的多樣性和動態(tài)性，不能適應(yīng)用戶需求和偏好的變化；基于協(xié)同過濾的推薦方法面臨著數(shù)據(jù)稀疏和冷啟動的問題，不能為新用戶或新鐵路客票提供有效的推薦；此外，這些推薦方法也沒有考慮到用戶在不同場景下的不同需求，如出行目的、時間、預(yù)算等因素。

技術(shù)實現(xiàn)思路

1、本發(fā)明目的在于提供一種鐵路客票推薦方法和系統(tǒng)，根據(jù)用戶的需求和偏好，為用戶提供合適的鐵路客票推薦，提高用戶的滿意度和購買意愿，同時提高鐵路運輸?shù)男屎褪找妗?/p>

2、為實現(xiàn)上述目的，本發(fā)明實施例提供一種鐵路客票推薦方法，包括：

3、利用鐵路客票購買平臺上的數(shù)據(jù)信息，分別對用戶畫像模型和鐵路客票特征模型進行構(gòu)建和更新；

4、基于用戶畫像模型和鐵路客票特征模型，獲得用戶與各個鐵路客票之間的匹配度；

5、基于用戶與各個鐵路客票之間的匹配度，獲得每個用戶對應(yīng)的推薦鐵路客票列表進行推送。

6、進一步的，利用鐵路客票購買平臺上的數(shù)據(jù)信息，構(gòu)建用戶畫像模型，包括：

7、將鐵路客票購買平臺上的用戶數(shù)據(jù)進行預(yù)處理；其中，所述用戶數(shù)據(jù)包括用戶注冊信息、用戶歷史行為信息和用戶當(dāng)前信息；

8、提取用戶注冊信息和用戶歷史行為信息中的特征數(shù)據(jù)，作為用戶的靜態(tài)畫像特征；利用主成分分析方法對所述靜態(tài)畫像特征進行降維，以提取所述靜態(tài)畫像特征中最能代表所述靜態(tài)畫像的特征，并組合成一個低維向量，即獲取用戶的靜態(tài)畫像向量；

9、提取用戶當(dāng)前信息中的特征數(shù)據(jù)，作為用戶的動態(tài)畫像特征；利用隱馬爾可夫模型，捕捉用戶的各個動態(tài)畫像特征之間的時序規(guī)律，獲得用戶的動態(tài)畫像的隱藏狀態(tài)序列；根據(jù)所述隱藏狀態(tài)序列對各個動態(tài)畫像特征進行特征提取，并組合成一個低維向量，即獲取用戶的動態(tài)畫像向量；

10、其中，用戶畫像模型包括靜態(tài)畫像和動態(tài)畫像，每個用戶對應(yīng)一個靜態(tài)畫像向量和一個動態(tài)畫像向量。

11、進一步的，所述用戶注冊信息包括：性別、年齡、職業(yè)、收入、常住地、偏好問卷結(jié)果；

12、所述用戶歷史行為信息包括：瀏覽記錄、搜索記錄和購買記錄；

13、所述用戶當(dāng)前信息包括：出行目的、時間、預(yù)算和目的地；

14、其中，所述用戶當(dāng)前信息表示用戶在鐵路客票購買平臺上提供或產(chǎn)生的當(dāng)前信息。

15、進一步的，利用鐵路客票購買平臺上的數(shù)據(jù)信息，構(gòu)建鐵路客票特征模型，包括：

16、所述鐵路客票特征模型包括鐵路客票的內(nèi)容特征和上下文特征，每個鐵路客票對應(yīng)一個內(nèi)容特征向量和一個上下文特征向量；

17、對鐵路客票購買平臺上的鐵路客票數(shù)據(jù)進行預(yù)處理；其中，所述鐵路客票數(shù)據(jù)包括購票信息和外部信息；

18、提取所述購票信息中的特征數(shù)據(jù)，作為鐵路客票的內(nèi)容特征；利用主成分分析方法對所述內(nèi)容特征進行降維，以提取其中最能代表所述內(nèi)容特征的特征，并組合成一個低維向量，即獲得鐵路客票的內(nèi)容特征向量；

19、提取所述外部信息中的特征數(shù)據(jù)，作為鐵路客票的上下文特征；利用頻繁模式挖掘方法，捕捉鐵路客票的每個上下文特征之間的序列規(guī)律，并對各個上下文特征進行特征提取組合成一個低維向量，即獲得鐵路客票的上下文特征向量。

20、進一步的，所述購票信息包括：車次、出發(fā)地、目的地、出發(fā)時間、到達時間、座位類型、價格；

21、所述外部信息包括：季節(jié)、節(jié)假日、延誤情況、客流量；

22、其中，所述外部信息表示鐵路客票在鐵路客票購買平臺上產(chǎn)生或關(guān)聯(lián)的外部信息。

23、進一步的，基于用戶畫像模型和鐵路客票特征模型，獲得用戶與各個鐵路客票之間的匹配度，包括：

24、基于協(xié)同過濾算法，利用鐵路客票購買平臺上用戶注冊時的興趣問卷、以及鐵路客票的評分反饋數(shù)據(jù)、搜索記錄和購買記錄，學(xué)習(xí)用戶畫像模型和鐵路客票特征模型之間的隱含關(guān)系，并將所述隱含關(guān)系表示為一個低維矩陣；

25、根據(jù)所述用戶畫像模型和鐵路客票特征模型之間的隱含關(guān)系，計算用戶與各個鐵路客票之間的匹配度，并存儲至匹配度矩陣中；

26、其中，通過下式計算用戶與鐵路客票之間的匹配度為：

27、匹配度＝靜態(tài)權(quán)重*靜態(tài)相似度+動態(tài)權(quán)重*動態(tài)相似度，

28、其中，靜態(tài)相似度表示用戶的靜態(tài)畫像向量與鐵路客票的內(nèi)容特征向量之間的余弦相似度，動態(tài)相似度表示用戶的動態(tài)畫像向量與鐵路客票的上下文特征向量之間的余弦相似度，靜態(tài)權(quán)重表示用戶的靜態(tài)畫像向量在用戶畫像模型的權(quán)重占比，動態(tài)權(quán)重表示用戶的動態(tài)畫像向量在用戶畫像模型的權(quán)重占比。

29、進一步的，基于用戶與各個鐵路客票之間的匹配度，獲得每個用戶對應(yīng)的推薦鐵路客票列表進行推送，包括：

30、基于匹配度矩陣，將用戶未購買過且匹配度值高于預(yù)定閾值的鐵路客票進行集合，生成用戶對應(yīng)的候選鐵路客票集合；

31、將所述候選鐵路客票集合中的鐵路客票，按照匹配度值從高到低進行排序，提取前n個鐵路客票組成用戶對應(yīng)的推薦鐵路客票列表，并將所述推薦鐵路客票列表進行展示并推送給用戶。

32、基于同一發(fā)明構(gòu)思，本發(fā)明實施例還提供一種鐵路客票推薦系統(tǒng)，，包括：

33、建立單元，用于利用鐵路客票購買平臺上的數(shù)據(jù)信息，分別對用戶畫像模型和鐵路客票特征模型進行構(gòu)建和更新；

34、獲得單元，用于基于用戶畫像模型和鐵路客票特征模型，獲得用戶與各個鐵路客票之間的匹配度；

35、推送單元，用于基于用戶與各個鐵路客票之間的匹配度，獲得每個用戶對應(yīng)的推薦鐵路客票列表進行推送。

36、基于同一發(fā)明構(gòu)思，本發(fā)明實施例還提供一種電子設(shè)備，包括：存儲器、處理器；所述處理器，用于讀取并執(zhí)行所述存儲器存儲的計算機程序，以實現(xiàn)前述的一種鐵路客票推薦方法。

37、基于同一發(fā)明構(gòu)思，本發(fā)明實施例還提供一種計算機存儲介質(zhì)，所述計算機存儲介質(zhì)中存儲有計算機可執(zhí)行指令，所述計算機可執(zhí)行指令執(zhí)行時實現(xiàn)前述的一種鐵路客票推薦方法。

38、本發(fā)明的技術(shù)效果和優(yōu)點：本發(fā)明能夠綜合考慮用戶的多方面特征和需求，為用戶提供合適的鐵路客票推薦，提高用戶的滿意度和購買意愿，同時提高鐵路運輸?shù)男屎褪找妫槐景l(fā)明采用了基于協(xié)同過濾的算法，能夠利用用戶和鐵路客票之間的隱含關(guān)系，提高推薦的智能化和靈活性，并對新用戶采用調(diào)查問卷的方式解決協(xié)同過濾面臨的冷啟動問題；還采用了基于上下文的推薦方法，能夠適應(yīng)不同場景下的不同需求，提高推薦的時效性和實用性。

39、本發(fā)明的其它特征和優(yōu)點將在隨后的說明書中闡述，并且，部分地從說明書中變得顯而易見，或者通過實施本發(fā)明而了解。本發(fā)明的目的和其他優(yōu)點可通過在說明書、權(quán)利要求書以及附圖中所指出的結(jié)構(gòu)來實現(xiàn)和獲得。