交通附加产品的推荐方法、系统、设备、介质及

本公开涉及产品推荐，特别涉及一种交通附加产品的推荐方法、系统、设备、介质及程序产品。背景技术：1、随着移动互联网的发展，通过移动app端购买机票成为主要方式，同时人们日益追求极致购票体验，会需要同时购买附加产品，比如保险、出行宝、快速安检、贵宾休息室、行李额、平台会员等其他众多形式的产品，这些众多的附加产品，平台不能全部展示，这样会造成内容太多繁杂，购票体验下降，同时由于附加产品的种类繁多，在平台接入、产品展示、产品售卖、产品管理、处理时效等方面市面上没有公开统一较好的方法。2、目前在线ota平台也公开了一种机票附加产品的推荐方法，其采用xgboost算法(一种分类算法)来达到个性化产品推荐的功能，但其实现的方式比较简单，附加产品搭售的准确度低、附件产品推荐的准确度以及效率低，且不提供一套完善的流程管理系统。3、另外，机票附加产品推荐场景中存在以下技术实现上的困难：第一机票附加产品的种类繁多且用途各异，需要展示的信息说明也是各有不同，且后期还需要兼容不断新增的新型附加产品，需要很高的扩展性；第二附加产品的售卖贯穿于整个机票购买流程，不同页面不同环节需要露出不同的附加产品以满足用户当下最关注的需求，精准的露出用户需要的附加产品不仅影响了附加产品的购买率，也深深的影响了用户的购票体验。第三新用户占比大，不同用户购买附加产品的意愿区别也很大，同时新用户存在数据缺失的问题，缺失分析的数据。技术实现思路1、本公开要解决的技术问题是为了克服现有技术中的机票附加产品的推荐方式，存在附加产品的搭售以及推荐的准确度低、效率低的缺陷，提供一种交通附加产品的推荐方法、系统、设备、介质及程序产品。2、本公开是通过下述技术方案来解决上述技术问题：3、本公开第一方面提供了一种交通附加产品的推荐方法，所述推荐方法包括：4、获取用户特征、行程特征以及交通附加产品特征；5、将所述用户特征、所述行程特征以及所述交通附加产品特征拼接后输入esmm模型(全空间多任务模型)，得到用户购买交通附加产品的购买倾向分；6、将所述用户特征和所述行程特征拼接后输入xgboost模型(梯度提升树模型)，得到用户购买交通附加产品的购买意愿度；7、根据所述购买倾向分和所述购买意愿度获取交通附加产品的推荐分；8、根据所述推荐分向用户推荐交通附加产品。9、优选地，所述获取用户特征、行程特征以及交通附加产品特征的步骤之前，所述推荐方法还包括：10、获取用户id(身份标识号)和行程id；11、所述获取用户特征、行程特征以及交通附加产品特征的步骤包括：12、根据所述用户id和所述行程id获取用户特征、行程特征以及交通附加产品特征。13、优选地，所述根据所述推荐分向用户推荐交通附加产品的步骤之前，所述推荐方法还包括：14、对所述推荐分按照从高到低进行排序，得到推荐分排序结果；15、所述根据所述推荐分向用户推荐交通附加产品的步骤包括：16、根据所述推荐分排序结果向用户推荐交通附加产品。17、优选地，所述推荐方法还包括：18、根据所述购买意愿度对所述购买倾向分进行调整；19、和/或，所述推荐方法还包括：20、获取训练数据集，所述训练数据集包括历史用户特征、历史行程特征、历史交通附加产品特征以及历史购买倾向分、历史购买意愿度；21、将所述历史用户特征、历史行程特征、历史交通附加产品特征作为输入以及将所述历史购买倾向分作为输出对所述esmm模型进行训练，得到训练后的esmm模型；22、将所述历史用户特征、历史行程特征作为输入以及将所述历史购买意愿度作为输出对所述xgboost模型进行训练，得到训练后的xgboost模型。23、优选地，所述推荐方法还包括：24、判断数据库中是否存在所述用户id，若存在，则确定该用户为老用户；若不存在，则确定该用户为新用户。25、优选地，在该用户为老用户的情况下，所述推荐方法还包括：26、获取老用户的用户特征、行程特征以及交通附加产品特征；27、将老用户的用户特征、行程特征以及交通附加产品特征拼接后输入老用户的esmm模型，得到老用户购买交通附加产品的购买倾向分；28、将老用户的用户特征和行程特征拼接后输入老用户的xgboost模型，得到老用户购买交通附加产品的购买意愿度；29、根据所述老用户购买交通附加产品的购买倾向分和所述老用户购买交通附加产品的购买意愿度获取交通附加产品的推荐分；30、根据所述推荐分向老用户推荐交通附加产品；31、或，在该用户为新用户的情况下，所述推荐方法还包括：32、获取新用户的行程特征以及交通附加产品特征；33、将新用户的行程特征以及交通附加产品特征拼接后输入新用户的esmm模型，得到新用户用户购买交通附加产品的购买倾向分；34、将新用户的行程特征输入新用户的xgboost模型，得到新用户购买交通附加产品的购买意愿度；35、根据所述新用户用户购买交通附加产品的购买倾向分和所述新用户购买交通附加产品的购买意愿度获取交通附加产品的推荐分；36、根据所述推荐分向新用户推荐交通附加产品。37、本公开第二方面提供了一种交通附加产品的推荐系统，所述推荐系统包括：38、第一获取模块，用于获取用户特征、行程特征以及交通附加产品特征；39、第一输入模块，用于将所述用户特征、所述行程特征以及所述交通附加产品特征拼接后输入esmm模型，得到用户购买交通附加产品的购买倾向分；40、第二输入模块，用于将所述用户特征和所述行程特征拼接后输入xgboost模型，得到用户购买交通附加产品的购买意愿度；41、第二获取模块，用于根据所述购买倾向分和所述购买意愿度获取交通附加产品的推荐分；42、推荐模块，用于根据所述推荐分向用户推荐交通附加产品。43、优选地，所述推荐系统还包括：44、第三获取模块，用于获取用户id和行程id；45、所述第一获取模块，用于根据所述用户id和所述行程id获取用户特征、行程特征以及交通附加产品特征。46、优选地，所述推荐系统还包括：47、排序模块，用于对所述推荐分按照从高到低进行排序，得到推荐分排序结果；48、所述推荐模块，用于根据所述推荐分排序结果向用户推荐交通附加产品。49、优选地，所述推荐系统还包括：50、调整模块，用于根据所述购买意愿度对所述购买倾向分进行调整；51、和/或，所述推荐系统还包括：52、第四获取模块，用于获取训练数据集，所述训练数据集包括历史用户特征、历史行程特征、历史交通附加产品特征以及历史购买倾向分、历史购买意愿度；53、第一训练模块，用于将所述历史用户特征、历史行程特征、历史交通附加产品特征作为输入以及将所述历史购买倾向分作为输出对所述esmm模型进行训练，得到训练后的esmm模型；54、第二训练模块，用于将所述历史用户特征、历史行程特征作为输入以及将所述历史购买意愿度作为输出对所述xgboost模型进行训练，得到训练后的xgboost模型。55、优选地，所述推荐系统还包括：56、判断模块，用于判断数据库中是否存在所述用户id，若存在，则调用第一确定模块；若不存在，则调用第二确定模块；57、所述第一确定模块，用于确定该用户为老用户；58、所述第二确定模块，用于确定该用户为新用户。59、优选地，在该用户为老用户的情况下，所述推荐系统还包括：60、所述第一获取模块，用于获取老用户的用户特征、行程特征以及交通附加产品特征；61、所述第一输入模块，用于将老用户的用户特征、行程特征以及交通附加产品特征拼接后输入老用户的esmm模型，得到老用户购买交通附加产品的购买倾向分；62、所述第二输入模块，用于将老用户的用户特征和行程特征拼接后输入老用户的xgboost模型，得到老用户购买交通附加产品的购买意愿度；63、所述第二获取模块，用于根据所述老用户购买交通附加产品的购买倾向分和所述老用户购买交通附加产品的购买意愿度获取交通附加产品的推荐分；64、所述推荐模块，用于根据所述推荐分向老用户推荐交通附加产品；65、或，在该用户为新用户的情况下，所述推荐系统还包括：66、所述第一获取模块，用于获取新用户的行程特征以及交通附加产品特征；67、所述第一输入模块，用于将新用户的行程特征以及交通附加产品特征拼接后输入新用户的esmm模型，得到新用户用户购买交通附加产品的购买倾向分；68、所述第二输入模块，用于将新用户的行程特征输入新用户的xgboost模型，得到新用户购买交通附加产品的购买意愿度；69、所述第二获取模块，用于根据所述新用户用户购买交通附加产品的购买倾向分和所述新用户购买交通附加产品的购买意愿度获取交通附加产品的推荐分；70、所述推荐模块，用于根据所述推荐分向新用户推荐交通附加产品。71、本公开第三方面提供了一种电子设备，包括存储器、处理器及存储在存储器上并用于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所述的交通附加产品的推荐方法。72、本公开第四方面提供了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所述的交通附加产品的推荐方法。73、本公开第五方面提供了一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如第一方面所述的交通附加产品的推荐方法。74、在符合本领域常识的基础上，上述各优选条件，可任意组合，即得本公开各较佳实例。75、本公开的积极进步效果在于：76、本公开基于esmm模型结合xgboost模型实现了对交通附加产品的推荐，具体地，基于esmm模型用户购买交通附加产品的购买倾向分；基于xgboost模型得到用户购买交通附加产品的购买意愿度；根据购买倾向分和购买意愿度获取交通附加产品的推荐分；根据推荐分向用户推荐交通附加产品，提高了交通附加产品的推荐准确度和推荐效率，提升了用户体验。