一种基于神经网络的售票方法及票务系统技术方案

本发明专利技术涉及线上服务领域，具体而言，涉及一种基于神经网络的售票方法及票务系统。其包括：获取用户的身份标识与用户关注场次数据；基于用户的身份标识提取用户的偏好序列，基于关注场次数据提取座位因子；基于推荐模型处理偏好序列和座位因子，得到关注场次内每个能够出售座位的出售概率，选择出售概率最高的若干座位推荐给用户；其中，推荐模型由来自多用户历史成交数据训练得到。

【技术实现步骤摘要】
一种基于神经网络的售票方法及票务系统
本专利技术涉及线上服务领域，具体而言，涉及一种基于神经网络的售票方法及票务系统。
技术介绍
票务系统是利用高科技产品条形码作为通行电子门票，结合电子技术、条形码记录技术、计算机网络技术、加密技术等诸多高科技技术，从而实现了计算机售票、统计、报表、防伪等各种门票通道门禁控制管理功能，具有全方位的实时监控和管理功能。但购票操作是在演出前进行的，其具有不确定性，如购买不合适的位置会导致体验下降。
技术实现思路
本专利技术提供了一种基于神经网络的售票方法及票务系统。本专利技术的一些实施例是这样实现的：一种基于神经网络的售票方法，其包括：获取用户的身份标识与所述用户关注场次数据；基于所述用户的身份标识提取所述用户的偏好序列，基于所述关注场次数据提取座位因子；基于所述推荐模型处理所述偏好序列和所述座位因子，得到所述关注场次内每个能够出售座位的出售概率，选择所述出售概率最高的若干座位推荐给用户；其中，推荐模型由来自多用户历史成交数据训练得到。本专利技术的一种实施例中：基于所述用户的身份标识还提取所述用户的历史成交因子；基于所述推荐模型处理所述偏好序列、所述历史成交因子和所述座位因子，得到所述关注场次内每个能够出售座位的出售概率。本专利技术的一种实施例中：所述推荐模型为循环神经网络。一种基于神经网络的票务系统，其括：获取模块，用于获取用户的身份标识与所述用户关注场次数据；<br>提取模块，用于基于所述用户的身份标识提取所述用户的偏好序列，基于所述关注场次数据提取座位因子；推荐模块：基于所述推荐模型处理所述偏好序列和所述座位因子，得到所述关注场次内每个能够出售座位的出售概率，选择所述出售概率最高的若干座位推荐给用户；其中，推荐模型由来自多用户历史成交数据训练得到。一种基于神经网络的售票装置，其中，包括处理器以及存储介质，所述存储介质用于存储计算机指令，所述处理器用于执行所述计算机指令中的至少一部分以实现上述的方法。本专利技术的技术方案至少具备以下有益效果：本申请能够针对用户特征，准确快捷的提供最适合用户的座位信息，便于成交，并且能够遇见该座位是最适合该用户的，提高成交率的同时提高用户体验，大大增加下一次平台下单的可能性。附图说明为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本专利技术的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。图1为本申请一些实施例所示的一种基于神经网络的票务系统的示意图。具体实施方式为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本专利技术实施例的组件可以以各种不同的配置来布置和设计。应当理解，本文使用的“系统”、“装置”、“单元”和/或“模组”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而，如果其他词语可实现相同的目的，则可通过其他表达来替换所述词语。本说明书中使用了流程图用来说明根据本说明书的实施例的系统所执行的操作。应当理解的是，前面或后面操作不一定按照顺序来精确地执行。相反，可以按照倒序或同时处理各个步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。因此，以下对在附图中提供的本专利技术的实施例的详细描述并非旨在限制要求保护的本专利技术的范围，而是仅仅表示本专利技术的选定实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。实施例图1为本申请一些实施例所示的一种基于神经网络的票务系统100的示意图，其包括用户终端110、网络120和服务端130。用户通过用户终端110进行购票或浏览，用户终端可以包括但不限于移动设备、平板电脑、笔记本电脑、台式电脑等或其任意组合。此外，在一些实施例中，用户终端还可以是运行APP、小程序等的设备。网络120可以是有线网络、无线网络或移动网络等。服务端130可以包含一个或多个子处理设备(如CPU)。以往售票过程中，我们往往设计有一个中心靠前的区域为最佳区域，以最佳区域向外辐射作为从优到差的排列。但由于音乐现场、演奏现场、电影播放现场不同位置的体验不同，不同人群的倾向也不同，例如音乐现场拍数靠前但靠近两边的位置通常被认定为较差的位置，但该位置虽然音乐性不佳，但离舞台很近，在特定人群(如追星族)中，存在便于拍照或在表演者上场前能够较近接触的机会，又例如在演奏会中，有时会在部分位置上出现驻波或回放时受到舞台干扰，那么最优秀的位置往往在场地中心偏后的位置，对于音乐品质要求较高的用户应该推荐在此区域。故如何准确利用场景信息，为用户提供合适的位置，很大程度上关系到用户体验。为了将历史数据利用起来，在用户购票时，为其推荐接收价格内更适合的座位，本申请提供了一种基于神经网络的售票方法，其至少包括以下步骤：S1：获取用户的身份标识与所述用户关注场次数据。该步骤可以由获取模块执行。身份标识为能够表示用户画像的信息，如年龄、所在地、性别、职业等，例如，获取到用户的信息可以表示为“喜爱偶像男团的23岁女大学生”。用户关注场次可以包括场次类型(如live、音乐剧、见面会等)，表演者的信息(如国籍，演出频率)和其他信息(如已售票数、成本)等。S2：用于基于所述用户的身份标识提取所述用户的偏好序列，基于所述关注场次数据提取座位因子。该步骤可以由提取模块执行。将上述用户的身份标识提取成偏好序列，在一些情况下，根据需要可以将身份标识基于编码器向量化后拼接形成偏好序列。该偏好序列还可以包括能够获取到的行为轨迹，如在某平台为某明星投票或在社交平台转发某明星状态等。在一些实施例中，还基于所述用户的身份标识提取所述用户的历史成交因子；该历史成交因子表示上一次平台内购票金额、区域、购票过程持续时间等。能够获取该历史成交因子会令推荐过程变得简单，在下文中，以未获取历史成交因子进行说明，不代表不获取该因子。关注场次提取座位因子的过程也可以通过编码器将座位向量化得到，根据座位不同，其票价和体验也不同。S3：基于所述推荐模型处理所述偏好序列和所述座位因子，得到所述关注场次内每个能够出售座位的出售概率，选择所述出售概率最高的若干座位推荐给用户。该步骤可以由推荐模块执行。将座位因子和偏好序列座位输入，输入至推荐模型中，针对每个座位得到一个出售概率。将出售概率最高的若干(如3个)座位推荐给客户，让客户进行选择。减少在海量座位中进行选择需要的时间。在一些实施例中，上本文档来自技高网...

【技术保护点】
1.一种基于神经网络的售票方法，其特征在于，包括：/n获取用户的身份标识与所述用户关注场次数据；/n基于所述用户的身份标识提取所述用户的偏好序列，基于所述关注场次数据提取座位因子；/n基于所述推荐模型处理所述偏好序列和所述座位因子，得到所述关注场次内每个能够出售座位的出售概率，选择所述出售概率最高的若干座位推荐给用户；其中，推荐模型由来自多用户历史成交数据训练得到。/n

【技术特征摘要】
1.一种基于神经网络的售票方法，其特征在于，包括：
获取用户的身份标识与所述用户关注场次数据；
基于所述用户的身份标识提取所述用户的偏好序列，基于所述关注场次数据提取座位因子；
基于所述推荐模型处理所述偏好序列和所述座位因子，得到所述关注场次内每个能够出售座位的出售概率，选择所述出售概率最高的若干座位推荐给用户；其中，推荐模型由来自多用户历史成交数据训练得到。


2.根据权利要求1所述的方法，其特征在于：
基于所述用户的身份标识还提取所述用户的历史成交因子；
基于所述推荐模型处理所述偏好序列、所述历史成交因子和所述座位因子，得到所述关注场次内每个能够出售座位的出售概率。


3.根据权利要求1所述的方法，其特征在于：
所述推荐模型为循环神经网络。


4.一种基于神经网络的票务系统，其特征在于，包括：
获取模块，用于获取用户的身份标识与所述用户关注场次数...

【专利技术属性】
技术研发人员：马金凤，马凤娟，
申请(专利权)人：重庆智者炎麒科技有限公司，
类型：发明
国别省市：重庆;50