朱曉星 劉昊 莢雪絨

隨著科技的不斷發(fā)展，互聯(lián)網(wǎng)時(shí)代的到來使得人們的出行方式發(fā)生了翻天覆地的變化，民航出行服務(wù)也不例外。隨著出行服務(wù)市場的競爭越來越激烈，民航出行服務(wù)產(chǎn)品開始重視如何更好地了解用戶需求，提供更貼近用戶需求的個(gè)性化服務(wù)。

在此背景下，用戶數(shù)據(jù)挖掘和個(gè)性化推薦成為了越來越受關(guān)注的技術(shù)。用戶數(shù)據(jù)挖掘可以幫助民航服務(wù)企業(yè)更好地了解用戶的行為習(xí)慣、狀態(tài)和需求等，從而制定更準(zhǔn)確的營銷策略和服務(wù)方案。個(gè)性化推薦則可以根據(jù)用戶的歷史行為數(shù)據(jù)和用戶畫像，在保護(hù)用戶隱私的前提下，推薦符合用戶興趣和需求的機(jī)票、酒店、租車、保險(xiǎn)等相關(guān)產(chǎn)品和服務(wù)，提高用戶的滿意度和忠誠度。

一、背景

本章將回顧互聯(lián)網(wǎng)產(chǎn)品中的用戶數(shù)據(jù)挖掘與個(gè)性化推薦技術(shù)，引出后文關(guān)于民航出行服務(wù)的相關(guān)技術(shù)討論。

（一）用戶數(shù)據(jù)挖掘技術(shù)

互聯(lián)網(wǎng)產(chǎn)品中的用戶數(shù)據(jù)挖掘主要包括以下幾個(gè)方面。用戶行為分析——通過對用戶在產(chǎn)品中的行為數(shù)據(jù)進(jìn)行分析，可以了解用戶的偏好、需求和行為模式，從而為產(chǎn)品的改進(jìn)和優(yōu)化提供參考；用戶畫像構(gòu)建——通過對用戶數(shù)據(jù)進(jìn)行分析和處理，可以將用戶數(shù)據(jù)轉(zhuǎn)化為用戶畫像，進(jìn)而更好地了解用戶的需求和特點(diǎn)，為產(chǎn)品提供更為個(gè)性化的服務(wù)和推薦；用戶分類和群體挖掘——通過對用戶數(shù)據(jù)進(jìn)行聚類和分類分析，可以將用戶分為不同的群體和類別，從而更好地理解用戶需求和行為模式，為產(chǎn)品的運(yùn)營和推廣提供支持；預(yù)測分析——通過對用戶歷史數(shù)據(jù)進(jìn)行分析和建模，可以預(yù)測用戶未來的行為和需求，從而為產(chǎn)品的推薦和營銷提供指導(dǎo)。

用戶數(shù)據(jù)挖掘在互聯(lián)網(wǎng)產(chǎn)品中具有非常重要的應(yīng)用價(jià)值，可以為產(chǎn)品提供更為個(gè)性化和精準(zhǔn)的服務(wù)和推薦，提升用戶體驗(yàn)和產(chǎn)品競爭力。

（二）個(gè)性化推薦技術(shù)

個(gè)性化推薦技術(shù)是一種根據(jù)用戶的歷史行為、興趣、需求等個(gè)人特征，為用戶推薦符合其偏好的內(nèi)容或服務(wù)的方法。隨著互聯(lián)網(wǎng)信息爆炸式增長，用戶需要花費(fèi)大量時(shí)間才能找到他們感興趣的內(nèi)容或服務(wù)，這就促使了個(gè)性化推薦技術(shù)的發(fā)展。個(gè)性化推薦技術(shù)在電子商務(wù)、社交媒體、音樂電影等領(lǐng)域都得到了廣泛應(yīng)用。

常見的個(gè)性化推薦技術(shù)包括基于內(nèi)容的推薦、基于協(xié)同過濾的推薦、基于深度學(xué)習(xí)的推薦等?；趦?nèi)容的推薦是通過對用戶過去的行為和興趣進(jìn)行分析，將用戶的興趣表示為一個(gè)向量，然后將這個(gè)向量與每個(gè)內(nèi)容的向量進(jìn)行比較，從而推薦最相關(guān)的內(nèi)容，這個(gè)向量化（Embedding）的過程基于歷史交互數(shù)據(jù)，將用戶和感興趣的內(nèi)容映射到向量空間中盡可能相近；基于協(xié)同過濾的推薦是通過對用戶的歷史行為進(jìn)行分析，將用戶與其他用戶的相似度計(jì)算出來，然后將與用戶相似的其他用戶喜歡的內(nèi)容推薦給該用戶；基于深度學(xué)習(xí)的推薦則是利用神經(jīng)網(wǎng)絡(luò)模型對用戶行為和興趣進(jìn)行建模，并根據(jù)模型預(yù)測用戶的興趣并推薦相關(guān)內(nèi)容，在處理海量內(nèi)容的工業(yè)級推薦系統(tǒng)，常常分為召回系統(tǒng)和排序系統(tǒng)，以多個(gè)串并行的信息漏斗進(jìn)行分層篩選和排序。

本文基于某民航出行服務(wù)App的數(shù)據(jù)，在第二章提出創(chuàng)新的用戶數(shù)據(jù)分析與挖掘方法，包括精細(xì)化的民航出行用戶生命周期挖掘以及用戶行程相似度度量，并在第三章介紹具體應(yīng)用場景中的優(yōu)化效果和實(shí)踐方案。

二、民航出行服務(wù)中的用戶數(shù)據(jù)挖掘

在互聯(lián)網(wǎng)產(chǎn)品中，常用的用戶數(shù)據(jù)挖掘技術(shù)方案包括：用戶生命周期分析——對用戶進(jìn)行分段分析，了解用戶在不同生命周期階段的行為特征和需求，從而制定相應(yīng)的營銷和服務(wù)策略；用戶相似度度量——通過對用戶行為數(shù)據(jù)的相似性進(jìn)行度量，找到具有相似需求和興趣的用戶群體，為用戶推薦更為精準(zhǔn)的服務(wù)；用戶特征提取與向量化表示——通過對用戶數(shù)據(jù)進(jìn)行關(guān)鍵特征提取和向量化處理，將用戶的行為數(shù)據(jù)轉(zhuǎn)換為數(shù)學(xué)向量，為后續(xù)的數(shù)據(jù)分析和算法落地提供基礎(chǔ)，同時(shí)也可以提供相似度度量。

本章中我們介紹基于民航出行用戶生命周期的精細(xì)化挖掘，和一種創(chuàng)新的用戶行程相似度度量方法。

（一）民航出行用戶的生命周期挖掘

場景化App的用戶使用時(shí)間分布與日常App有顯著區(qū)別，民航出行服務(wù)產(chǎn)品的這一分布與個(gè)人行程出發(fā)時(shí)間高度相關(guān)。我們分析了某民航出行App的用戶群體在出行時(shí)間（航班計(jì)劃起飛時(shí)刻）前兩個(gè)星期的訪問行為，發(fā)現(xiàn)用戶的使用App的行為與其他日常App存在明顯的差異。用戶使用該App的時(shí)間分布與個(gè)人行程的計(jì)劃起飛時(shí)刻高度相關(guān)，且用戶在不同的時(shí)間段會(huì)呈現(xiàn)出不同的使用特點(diǎn)。

經(jīng)過對用戶群體出行時(shí)間的訪問行為分析，我們發(fā)現(xiàn)絕大部分用戶在出行前三天（72小時(shí)）內(nèi)頻繁訪問該App。這一分布與其他日常App的使用分布顯著不同，主要取決于民航出行的行為習(xí)慣。購票行為多數(shù)發(fā)生在行程前7天內(nèi)，雖然不同用戶的行為存在一定的分散性，但是統(tǒng)計(jì)規(guī)律仍然比較明顯。在購票后的行程準(zhǔn)備階段，用戶開始使用App進(jìn)行值機(jī)選座操作，這一行為通常發(fā)生在72小時(shí)內(nèi)。而航班動(dòng)態(tài)查詢則主要在臨近起飛之前幾小時(shí)達(dá)到高峰期，尤其在航班延誤情況下，這一查詢高峰會(huì)更顯著，且越過航班計(jì)劃時(shí)刻。這些信息對于精細(xì)化分析民航出行用戶的行為非常有幫助，也為全生命周期的個(gè)性化推薦提供了重要的參考。

（二）用戶行程相似度度量方法

在個(gè)性化推薦場景中，用戶間的相似度度量是重要依據(jù)。針對民航出行場景，我們圍繞行程這一重要元素，提出了一個(gè)新的行程相似度度量方法，統(tǒng)一考慮不同行程軌跡之間方向性、時(shí)間差異等因素，在軌跡Hausdorff距離的基礎(chǔ)上增加了方向性和時(shí)間系數(shù)，為傳統(tǒng)的用戶相似度計(jì)算提供了更精細(xì)化的分量。

傳統(tǒng)Hausdorff距離刻畫了無方向的兩個(gè)軌跡之間的距離。