周桂如

(福建船政交通職業(yè)技術(shù)學(xué)院公共教學(xué)部，福建 福州 350007)

20世紀末，美國、英國等西方國家開始研究酒店個性化信息服務(wù)系統(tǒng)，為客戶推送個性化酒店信息，取得了較好的效果.國內(nèi)，鄭州東方維景國際大酒店選擇56iq數(shù)字標牌全面部署酒店數(shù)字服務(wù)系統(tǒng)[1]，為賓客提供了更專業(yè)的服務(wù)，大大提升了酒店管理、服務(wù)的質(zhì)量和效率.利用現(xiàn)代信息技術(shù)設(shè)計成本低廉、方便快捷的信息推送系統(tǒng)，建立信息推送服務(wù)機制，是實現(xiàn)酒店個性化信息推薦的有效途徑.[2-3]筆者將RFM模型和協(xié)同過濾技術(shù)進行結(jié)合，擬設(shè)計酒店房型推薦算法，以提升酒店房型的個性化推薦效果.

1 RFM模型概述

RFM模型[4]是客戶關(guān)系管理領(lǐng)域里的一種客戶行為分析模型.其中，近度R(Recency)為客戶最近一次交易距現(xiàn)在的時間間隔，頻度F(Frenquency)為客戶在某段時間內(nèi)交易的次數(shù)，值度M(Monetary Values)為客戶在某段時間內(nèi)交易的總金額.RFM模型在客戶購買偏好和客戶價值兩方面都具有良好的表征[5]，是衡量客戶潛在價值和客戶創(chuàng)利能力的重要工具．近度越小，頻度和值度越大，客戶越有可能與商家達成新的交易，因此可以通過這3個指標反映客戶對某種商品的偏好．

2 協(xié)同過濾推薦技術(shù)

協(xié)同過濾推薦算法的最大優(yōu)點是不需要分析目標用戶的特征屬性，一般通過計算用戶相似度來確定目標用戶的最近鄰[6]，再通過最近鄰對某項目的評分加權(quán)平均值預(yù)測目標用戶對該項目的偏好，從而判斷是否對目標用戶進行推薦.協(xié)同過濾推薦算法的實現(xiàn)主要有3個步驟.

(1)建立評分矩陣.用戶輸入的評分數(shù)據(jù)可用如下M×N階矩陣表示：

其中：M行表示M個用戶；N列表示N個項目；Ri,j為用戶Ui(i=1,2,…,M)對項目Ij(j=1,2,…,N)的評分.

(2)計算相似度.協(xié)同過濾推薦算法的核心是根據(jù)用戶-項目評分矩陣發(fā)現(xiàn)目標用戶的最近鄰[6]，主要有Pearson相關(guān)系數(shù)、Cosine相似度和Tanimoto系數(shù)[7]這3種計算方法.筆者選用Pearson相關(guān)系數(shù)法計算客戶最近鄰[8]，得到將要預(yù)訂酒店房型的目標客戶Ui與其他客戶Uj之間的相似度

(1)

(3)生成推薦項目.根據(jù)(1)式得到目標客戶的最近鄰集合，從目標客戶的最近鄰中生成N個房型信息作為推薦項.目標客戶Ui對這N個房型的預(yù)測評分Pic′，可以通過其最近鄰對N個房型的評分計算得到，即

3 RFM模型和協(xié)同過濾技術(shù)在酒店訂房系統(tǒng)中的應(yīng)用

由于傳統(tǒng)的協(xié)同過濾推薦算法依賴于客戶對商品信息的主觀評價，因此具有很強的主觀性.為了客觀地反映不同客戶對酒店不同房型的偏好，筆者首先利用數(shù)據(jù)挖掘技術(shù)提取客戶在酒店管理信息系統(tǒng)中的歷史訂房記錄，對不同客戶進行價值分析和評價統(tǒng)計，然后計算酒店客戶的RFM綜合值，將RFM綜合值作為協(xié)同過濾相似度度量的輸入，最后為相似客戶生成房型推薦信息，發(fā)掘潛在消費者.圖1示出基于RFM模式和協(xié)同過濾技術(shù)的酒店房型推薦算法框架.

圖1 基于RFM模式和協(xié)同過濾技術(shù)的酒店房型推薦算法框架Fig. 1 Hotel Room Recommendation Algorithm Framework Based on RFM Model and Collaborative Filtering Technology

(1)RFM模型各指標權(quán)重分配.采用問卷調(diào)查法獲取客戶對RFM模型各指標的重要性程度并應(yīng)用層次分析法進行分析，確定各指標的權(quán)重Kr，Kf，Km.

(2)標準化RFM模型指標值.因為RFM模型指標值的度量單位不同，所以采用極差正規(guī)化變換進行數(shù)據(jù)規(guī)范化處理[4].近度F和值度M是正向影響，標準化公式分別為F′=(F-Fmin)/(Fmax-Fmin)，M′=(M-Mmin)/(Mmax-Mmin).其中：F，M為原始值；Fmin，Mmin為該指標原始值中的最小值；Fmax，Mmax為該指標原始值中的最大值.頻度R是負向影響，標準化公式為R′=(Rmax-R)/(Rmax-Rmin).其中：R為原始值；Rmin，Rmax分別為該指標原始值中的最小值和最大值.

(3)計算酒店客戶的RFM綜合值.將R′，F(xiàn)′，M′與各指標的權(quán)重進行加權(quán)求和，得到酒店客戶的RFM綜合值Z=KrR′+KfF′+KmM′，其中Kr+Kf+Km=1.

(4)協(xié)同過濾技術(shù)客戶相似度的改進.客戶在預(yù)訂酒店房型時生成的RFM數(shù)據(jù)可以反映客戶對房型的偏好，因此將處理后的RFM數(shù)據(jù)與協(xié)同過濾技術(shù)相結(jié)合，對客戶相似度計算公式進行改進，可以得到改進的相似度.目標客戶Ui與客戶Uj之間的改進相似度

(2)

4 仿真實驗

4.1 實驗數(shù)據(jù)

為了檢驗基于RFM模型和協(xié)同過濾技術(shù)的推薦算法(新算法)的推薦效果，將它與傳統(tǒng)的協(xié)同過濾推薦算法(傳統(tǒng)算法)進行比較.實驗數(shù)據(jù)選自福州市某酒店集團各門店的訂房交易系統(tǒng)數(shù)據(jù)庫，共含923個客戶在2017年7—10月預(yù)訂房型的有效數(shù)據(jù)記錄4 043條，主要包括用戶信息、訂房交易數(shù)據(jù)和房間類型等.根據(jù)這些實驗數(shù)據(jù)計算客戶的RFM值，并將數(shù)據(jù)分為測試集和訓(xùn)練集，分別占20%和80%，即r=0.8.

4.2 度量標準

選用Mobasher給出的覆蓋率(Coverage，C)、準確率(Precision，P)和F-測度(F-Measure，F(xiàn)m)[4]這3個指標作為推薦算法的度量標準，

覆蓋率和準確率分別從推薦的廣泛性和精確性對算法進行衡量，F(xiàn)-測度則是二者的結(jié)合.無論是忽視覆蓋率還是準確率，都將導(dǎo)致F-測度降低，只有當覆蓋率和準確率都較優(yōu)時，算法的推薦效果才較好.

4.3 實驗結(jié)果

實驗中排前N個房間類型的Top-n值分別設(shè)置為3，5，10，15，20.圖2示出新算法和傳統(tǒng)算法的F-測度比較結(jié)果.從圖2可以看出，在r=0.8時，新算法的F-測度比傳統(tǒng)算法高，說明新算法的房型推薦數(shù)據(jù)更準確.

圖2 2種推薦算法的F-測度比較Fig. 2 Comparison of Algorithm Performance

5 結(jié)語

設(shè)計了一種基于RFM模型與協(xié)同過濾技術(shù)相結(jié)合的房型推薦算法，并將該算法應(yīng)用于酒店訂房仿真實驗，結(jié)果表明，新算法的推薦方式更符合不同客戶的個性化需求，更好地實現(xiàn)了酒店個性化推薦服務(wù)功能.下一步將考慮基于Google云推送服務(wù)框架設(shè)計針對Android智能終端的酒店信息推送系統(tǒng)，該系統(tǒng)將公共信息、個人專屬信息和個性化酒店推薦信息集成統(tǒng)一的推送信息，以期實現(xiàn)低成本、低流量和實時性的推薦方式.