基于RFM模型和協(xié)同過濾技術的酒店房型推薦算法*

周桂如

(福建船政交通職業(yè)技術學院公共教學部，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，鄭州東方維景國際大酒店選擇56iq數字標牌全面部署酒店數字服務系統(tǒng)[1]，為賓客提供了更專業(yè)的服務，大大提升了酒店管理、服務的質量和效率.利用現(xiàn)代信息技術設計成本低廉、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)同過濾技術進行結合，擬設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]是客戶關系管理領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交易的次數，值度M(Monetary Values)為客戶在某段時間內交易的總金額.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

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平均值預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.用戶輸入的評分數據可用如下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相關系數、Cosine相似度和Tanimoto系數[7]這3種計算方法.筆者選用Pearson相關系數法計算客戶最近鄰[8]，得到將要預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(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)同過濾技術在酒店訂房系統(tǒng)中的應用

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，筆者首先利用數據挖掘技術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模型各指標權重分配.采用問卷調查法獲取客戶對RFM模型各指標的重要性程度并應用層次分析法進行分析，確定各指標的權重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)化變換進行數據規(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′與各指標的權重進行加權求和，得到酒店客戶的RFM綜合值Z=KrR′+KfF′+KmM′，其中Kr+Kf+Km=1.

(4)協(xié)同過濾技術客戶相似度的改進.客戶在預訂酒店房型時生成的RFM數據可以反映客戶對房型的偏好，因此將處理后的RFM數據與協(xié)同過濾技術相結合，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 實驗數據

為了檢驗基于RFM模型和協(xié)同過濾技術的推薦算法(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.實驗數據選自福州市某酒店集團各門店的訂房交易系統(tǒng)數據庫，共含923個客戶在2017年7—10月預訂房型的有效數據記錄4 043條，主要包括用戶信息、訂房交易數據和房間類型等.根據這些實驗數據計算客戶的RFM值，并將數據分為測試集和訓練集，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)-測度則是二者的結合.無論是忽視覆蓋率還是準確率，都將導致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 實驗結果

實驗中排前N個房間類型的Top-n值分別設置為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據更準確.

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

5 結語

設計了一種基于RFM模型與協(xié)同過濾技術相結合的房型推薦算法，并將該算法應用于酒店訂房仿真實驗，結果表明，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功能.下一步將考慮基于Google云推送服務框架設計針對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.