技术摘要：
本发明公开了一种估计酒店房型价值优势的方法、模型训练方法及系统。其中，模型训练方法包括：根据酒店历史订单中用户预订第一房型或第二房型的情况对房型样本添加不同的标签；针对第一房型和第二房型，分别提取对应房型包括的各个附加服务的特征并输入机器学习模型，  全部
背景技术：
目前，在推荐算法领域，计算产品(被推荐的产品，例如酒店房型)所含附加服务 (例如含早餐、免费取消、立即确认等)的价值采用的是基于统计学的方法，即对于某项附加 服务例如含早餐，首先获取用户订单对于该附加服务的溢价，例如早餐溢价＝含早餐的房 型价格-不含早餐的房型价格，然后对溢价求平均值。使用上述方法计算产品所含附加服务 的价值有以下几个缺陷： 第一、当用户订购的房型同时包括多种附加服务时，单独每项的溢价无法估算。如 图1所示，用户订购了一个含有立即确认和免费取消两项附加服务(如图1中的300所示)的 房间368元，不含这两项附加服务的同类型房间价格是359元，这两项附加服务的总溢价是 368-359＝9元。这时如果用统计的方法则难以拆分出立即确认和免费取消的单独溢价，因 此这样的样本只能被丢弃，造成数据浪费。由于统计的样本偏离用户预订数据的真实分布， 最终的统计结果也会产生偏差。 第二、只用含有附加服务的订单进行计算会造成会附加服务价值的高估。例如10 个用户分别订购了同类房型，其中3名用户选择了平均溢价为30元的含早餐的房型，另外7 名用户选择了不含早餐的房型，这时如果估算一份早餐价值为30元是不准确的，因为在另 外7名用户看来，一份早餐的价值可能小于30元。 第三、没有考虑个性化因素。一项附加服务价值多少钱与酒店的定价有关，也和用 户的消费能力有关，只有用户最终接受了含附加服务的溢价房型，附加服务的价值才能得 到体现。所以衡量每种附加服务的价值应该具体到每个用户角度。 第四、准确性无法量化和评估。由于附加服务的价值是包含在订单总价中，没有直 接的附加服务价值标签可供利用，所以难以评估准确度的好坏。 第五、每种附加服务需单独统计，计算效率低下。
技术实现要素：
本发明要解决的技术问题是为了克服现有技术中的上述缺陷，提供一种用于估计 酒店房型价值优势的模型训练方法及系统、一种估计酒店房型价值优势的方法及系统、电 子设备以及存储介质。 本发明是通过下述技术方案来解决上述技术问题： 本发明的第一方面提供一种用于估计酒店房型价值优势的模型训练方法，包括： 根据酒店历史订单中用户预订第一房型或第二房型的情况对房型样本添加不同 的标签，其中，所述房型样本包括类型相同的第一房型和第二房型，所述第一房型包括的附 加服务多于所述第二房型，且所述第一房型的价格高于所述第二房型的价格； 4 CN 111598619 A 说　明　书 2/8 页 针对所述第一房型和所述第二房型，分别提取对应房型包括的各个附加服务的特 征并输入机器学习模型，得到对应房型的各个附加服务的价值； 根据房间基础价值、各种附加服务的价值以及房型售卖价格分别计算所述第一房 型和所述第二房型的价值优势，并将两个价值优势之间的差值输入二分类模型； 根据所述房型样本的标签与所述二分类模型的输出结果计算损失值，并在所述损 失值达到预设阈值之前训练所述机器学习模型与所述二分类模型。 较佳地，所述根据房间基础价值、各种附加服务的价值以及房型售卖价格分别计 算所述第一房型和所述第二房型的价值优势的步骤，具体包括： 将房间基础价值加上第一房型包括的各种附加服务的价值，再减去所述第一房型 的售卖价格，得到所述第一房型的价值优势； 将房间基础价值加上第二房型包括的各种附加服务的价值，再减去所述第二房型 的售卖价格，得到所述第二房型的价值优势。 较佳地，所述提取对应房型包括的各个附加服务的特征的步骤，具体包括：从多个 维度提取对应房型包括各个附加服务的特征，其中，不同的附加服务对应不同的维度。 较佳地，所述机器学习模型为全连接神经网络模型。 较佳地，所述类型包括：大床房、标准间、套房和商务间；和/或， 所述附加服务包括：含早餐、立即确认、免费取消。 本发明的第二方面提供一种用于估计酒店房型价值优势的模型训练系统，包括： 标签添加模块，用于根据酒店历史订单中用户预订第一房型或第二房型的情况对 房型样本添加不同的标签，其中，所述房型样本包括类型相同的第一房型和第二房型，所述 第一房型包括的附加服务多于所述第二房型，且所述第一房型的价格高于所述第二房型的 价格； 服务价值估计模块，用于针对所述第一房型和所述第二房型，分别提取对应房型 包括的各个附加服务的特征并输入机器学习模型，得到对应房型的各个附加服务的价值； 价值优势估计模块，用于根据房间基础价值、各种附加服务的价值以及房型售卖 价格分别计算所述第一房型和所述第二房型的价值优势，并将两个价值优势之间的差值输 入二分类模型； 收敛判断模块，用于根据所述房型样本的标签与所述二分类模型的输出结果计算 损失值，并在所述损失值达到预设阈值之前训练所述机器学习模型与所述二分类模型。 较佳地，所述价值优势估计模块具体用于将房间基础价值加上第一房型包括的各 种附加服务的价值，再减去所述第一房型的售卖价格，得到所述第一房型的价值优势；以及 将房间基础价值加上第二房型包括的各种附加服务的价值，再减去所述第二房型的售卖价 格，得到所述第二房型的价值优势。 较佳地，所述服务价值估计模块具体用于从多个维度提取对应房型包括各个附加 服务的特征，其中，不同的附加服务对应不同的维度。 较佳地，所述机器学习模型为全连接神经网络模型。 较佳地，所述类型包括：大床房、标准间、套房和商务间；和/或， 所述附加服务包括：含早餐、立即确认、免费取消。 本发明的第三方面提供一种估计酒店房型价值优势的方法，包括： 5 CN 111598619 A 说　明　书 3/8 页 选取酒店中类型相同的第一房型和第二房型，其中，所述第一房型包括的附加服 务多于所述第二房型，且所述第一房型的价格高于所述第二房型的价格； 针对所述第一房型和所述第二房型，分别提取对应房型包括的各个附加服务的特 征并输入机器学习模型，得到对应房型的各个附加服务的价值； 根据房间基础价值、各种附加服务的价值以及房型售卖价格分别计算所述第一房 型和所述第二房型的价值优势，并将两个价值优势之间的差值输入二分类模型； 根据所述二分类模型的输出结果确定所述第一房型的价值优势是否高于所述第 二房型； 其中，所述机器学习模型与所述二分类模型是利用如第一方面所述的方法训练得 到的。 本发明的第四方面提供一种估计酒店房型价值优势的系统，包括： 房型选取模块，用于选取酒店中类型相同的第一房型和第二房型，其中，所述第一 房型包括的附加服务多于所述第二房型，且所述第一房型的价格高于所述第二房型的价 格； 服务价值估计模块，用于针对所述第一房型和所述第二房型，分别提取对应房型 包括的各个附加服务的特征并输入机器学习模型，得到对应房型的各个附加服务的价值； 价值优势估计模块，用于根据房间基础价值、各种附加服务的价值以及房型售卖 价格分别计算所述第一房型和所述第二房型的价值优势，并将两个价值优势之间的差值输 入二分类模型，并根据所述二分类模型的输出结果确定所述第一房型的价值优势是否高于 所述第二房型； 其中，所述机器学习模型与所述二分类模型是利用如第一方面所述的方法训练得 到的。 本发明的第五方面提供一种电子设备，包括存储器、处理器及存储在存储器上并 可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现第一方面和第三 方面所述的方法。 本发明的第六方面提供一种计算机可读存储介质，其上存储有计算机程序，所述 计算机程序被处理器执行时实现第一方面和第三方面所述的方法的步骤。 本发明的积极进步效果在于：通过使用不同标签的房型样本估计附加服务价值， 不会造成对个别附加服务价值的高估；并将附加服务价值的估计作为二分类模型的子模块 进行学习，将附加服务价值的估计转化成一个分类问题，方便使用通用的指标度量准确度。 附图说明 图1为酒店房型的页面展示效果图。 图2为本发明实施例1提供的一种用于估计酒店房型价值优势的模型训练方法的 流程图。 图3为本发明实施例1提供的模型训练方法的框架图。 图4为本发明实施例1提供的全连接神经网络的结构框图。 图5为本发明实施例2提供的一种用于估计酒店房型价值优势的模型训练系统的 结构框图。 6 CN 111598619 A 说　明　书 4/8 页 图6为本发明实施例5的电子设备的结构示意图。