Повышение эффективности рекомендательной системы для групп отелей

В последние годы в индустрии гостеприимства наблюдается заметный рост использования платформ онлайн-бронирования и онлайн-обзоров. Это явление представляет собой проблему для клиентов при поиске подходящего отеля, соответствующего их конкретным требованиям. Методы машинного обучения были использованы для разработки системы рекомендаций отелей как средства решения этой проблемы. Целью настоящего отчета является освещение процесса разработки и оценка эффективности вышеупомянутой системы. При проведении настоящего исследования использовался подход CRISP-DM. Система прошла обучение с использованием набора данных, полученного от Kaggle и состоящего из данных об отелях, которые были организованы и преобразованы в формат, подходящий для использования моделями машинного обучения. Система использует базу данных, включающую атрибуты отеля и оценки клиентов, для расчета нескольких методов машинного обучения. Несколько алгоритмов машинного обучения (логистическая регрессия, K-ближайшие соседи (KNN), XGBoost, LightGBM, CatBoost с категориальной обработкой функций), методы повторной выборки (случайная повторная выборка, повторная выборка с равным распределением классов) и методы выбора функций (выбрать лучший, критерий хи-квадрат) ), из которых лучшим алгоритмом был выбран XGBoost. Результаты исследования показывают, что внедрение системы рекомендаций отелей на основе машинного обучения может предоставить клиентам ценные предложения, тем самым улучшая их опыт бронирования отелей. Это исследование имеет важное значение, поскольку оно вносит вклад в сферу гостеприимства, предоставляя практическое решение проблемы предложения отелей и устраняя существующий пробел в знаниях об использовании машинного обучения для улучшения рекомендаций отелей.