Сколько ML-систем работает до бронирования отеля
Нужно не просто показать привлекательный отель, а найти актуальное предложение, которое удастся забронировать у одного из поставщиков. Статья проходит по пользовательскому пути: подсказки, поиск, кеширование, объединение предложений и проверка фотографий.
Статья · на русском
Data Science в travel-tech. Часть 1. Поиск и бронированиеИван Елфимов · Опубликовано: 24 июля 2024 г.
Поиск начинается до обращения к поставщику
Подсказки направлений используют эвристики и историю запросов. Далее офлайновое ранжирование определяет, какие отели стоит запросить в первую очередь, а какие можно догрузить в фоне. В описанной системе для этого применяют CatBoost на пользовательских сессиях.
Для времени жизни кеша есть отдельная модель: запросить каждого поставщика на каждый поиск слишком дорого. Look-to-book оценивает вероятность бронирования по параметрам поиска и истории. Его соединение с прогревом кеша в статье ещё названо планом.
Этот фрагмент в оригиналеПоказанное предложение нужно перепроверить
Перед бронированием повторно уточняют цену и наличие — это reprice. Может найтись тот же номер дешевле у другого поставщика или лучший номер по той же цене. Результаты влияют и на последующие поиски.
После основного поиска небольшую выборку из 100–200 отелей ранжируют повторно с более подробными признаками, включая вероятность успешного завершения бронирования. Дополнительно учитывают программы лояльности.
Поиск гостиниц на карте.
Источник: Иллюстрация из оригиналаОдин отель бывает описан несколькими способами
Названия, координаты и адреса от разных поставщиков расходятся. Для объединения в «метаотель» ищут соседей, фильтруют пары и классифицируют совпадения. Неудачный перевод названия или перепутанные координаты могут потребовать редактора.
Для номеров действует похожая задача с текстом и фотографиями: нужно показать один тип комнаты вместо набора дублей. Ошибка сопоставления опаснее косметического дефекта выдачи — гость может получить не тот объект.
Распознавание объектов в фотографиях номеров.
Источник: Иллюстрация из оригиналаФотографии и отзывы тоже участвуют
Модель распознаёт содержание фото, а порядок галереи зависит от поверхности и интересов пользователя. Распознанные объекты сопоставляют с описанием номера, чтобы уточнять его свойства. Отзывы переводят на языки продукта; персональная подборка отзывов на момент статьи ещё планировалась.
Автор приводит и ошибки: неверную классификацию фотографии и неожиданно поднятый плохой отель. Их находят контент-команда, отельеры и менеджеры. Удачная офлайн-модель может потребовать несколько продуктовых итераций или вообще не дать ожидаемого результата.
Этот фрагмент в оригинале