所有在线旅行社都在争先恐后地满足亚马逊和网飞（Netflix）设定的AI驱动的个性化标准。此外，在线旅游已经成为一个竞争激烈的领域，品牌试图通过推荐，对比，匹配和分享来吸引我们的注意力（和钱包）。

在本文中，我们的目标是为在Expedia上搜索预定酒店的用户创建最佳的酒店推荐。我们将此问题建模为多类别的分类问题，并构建SVM和决策树集成的方法，根据用户的搜索细节，预测用户可能预定酒店的簇（cluster）。

数据

数据是匿名的，几乎所有字段都是数字格式。数据集可以在Kaggle上找到（链接在文末），我们将使用train.csv捕获用户行为的日志，destination.csv包含包含用户对酒店评论的相关信息。

下面的图提供了train.csv的概要：

下面的图提供了destinations.csv的概要：

import datetime

import pandas as pd

import numpy as np

import matplotlib.pyplot as plt

import seaborn as sns

%matplotlib inline

from sklearn.model_selection import cross_val_score

from sklearn.ensemble import RandomForestClassifier

from sklearn.pipeline import make_pipeline

from sklearn import preprocessing

from sklearn.preprocessing import StandardScaler

from sklearn import svm

df = pd.read_csv（'train.csv.gz'，sep ='，'）。dropna（）

dest = pd.read_csv（'destinations.csv.gz'）

df = df.sample（frac = 0.01，random_state = 99）

df.shape

EDA

目标是根据用户搜索中的信息预测用户将预订哪个hotel_cluster。共有100个簇。换句话说，我们正在处理100个类的分类问题。

plt.figure（figsize =（12,6））

sns.distplot（df ['hotel_cluster']）

数据非常好地分布在所有100个簇上，并且数据是偏态的。

特征工程

日期时间，签入日期和签出日期列不能直接使用，我们将从中提取年份和月份。首先，我们定义了几个函数来实现它，我们还定义了一个合并destination.csv的函数。

from datetime import datetime

def get_year(x):

    if x is not None and type(x) is not float:

        try:

            return datetime.strptime(x, '%Y-%m-%d').year

        except ValueError:

            return datetime.strptime(x, '%Y-%m-%d %H:%M:%S').year

    else:

        return 2013

    pass

def get_month(x):

    if x is not None and type(x) is not float:

        try:

            return datetime.strptime(x, '%Y-%m-%d').month

        except:

            return datetime.strptime(x, '%Y-%m-%d %H:%M:%S').month

    else:

        return 1

    pass

    

def left_merge_dataset(left_dframe, right_dframe, merge_column):

    return pd.merge(left_dframe, right_dframe, on=merge_column, how='left')

df['date_time_year'] = pd.Series(df.date_time, index = df.index)

df['date_time_month'] = pd.Series(df.date_time, index = df.index)

from datetime import datetime

df.date_time_year = df.date_time_year.apply(lambda x: get_year(x))

df.date_time_month = df.date_time_month.apply(lambda x: get_month(x))

del df['date_time']

df['srch_ci_year'] = pd.Series(df.srch_ci, index=df.index)

df['srch_ci_month'] = pd.Series(df.srch_ci, index=df.index)

# convert year & months to int

df.srch_ci_year = df.srch_ci_year.apply(lambda x: get_year(x))

df.srch_ci_month = df.srch_ci_month.apply(lambda x: get_month(x))

# remove the srch_ci column

del df['srch_ci']

df['srch_co_year'] = pd.Series(df.srch_co, index=df.index)

df['srch_co_month'] = pd.Series(df.srch_co, index=df.index)

# convert year & months to int

df.srch_co_year = df.srch_co_year.apply(lambda x: get_year(x))

df.srch_co_month = df.srch_co_month.apply(lambda x: get_month(x))

# remove the srch_co column

del df['srch_co']

初步分析

在创建新特征并删除无用的特征之后，我们想知道是否有任何与hotel_cluster相关的内容。这可以让我们了解是否应该更加关注某些特定的特征。

df.corr（）[ “hotel_cluster”]。sort_values（）

没有列与hotel_cluster线性相关，这意味着对特征之间的线性关系建模的方法可能不适合该问题。

策略

经过简单的谷歌搜索，不难发现，对于已知的搜索目的地组合，酒店所在国家，酒店的行情肯定有助于找到酒店簇。我们这样做：

pieces = [df.groupby(['srch_destination_id','hotel_country','hotel_market','hotel_cluster'])['is_booking'].agg(['sum','count'])]

agg = pd.concat(pieces).groupby(level=[0,1,2,3]).sum()

agg.dropna(inplace=True)

agg.head()

agg ['sum_and_cnt'] = 0.85 * agg ['sum'] + 0.15 * agg ['count'] 

agg = agg.groupby（level = [0,1,2]）。apply（lambda x：x.astype（ float）/x.sum（））

agg.reset_index（inplace = True）

agg.head（）

agg_pivot = agg.pivot_table（index = ['srch_destination_id'，'hotel_country'，'hotel_market']，columns ='hotel_cluster'，values ='sum_and_cnt'）。reset_index（）

agg_pivot.head（）

合并目标表和新创建的聚合数据透视表。

df = pd.merge（df，dest，how ='left'，on ='srch_destination_id'）

df = pd.merge（df，agg_pivot，how ='left'，on = ['srch_destination_id'，'hotel_country'，' hotel_market']）

df.fillna（0，

inplace = True）df.shape

实现算法

我们只关注预订活动。

df = df.loc [df ['is_booking'] == 1]

X = df.drop(['user_id', 'hotel_cluster', 'is_booking'], axis=1)

y = df.hotel_cluster

随机森林分类器

我们通过k折交叉验证报告性能度量，而Pipeline可以更轻松地组成估计量。

clf = make_pipeline（preprocessing.StandardScaler（），RandomForestClassifier（n_estimators = 273，max_depth = 10，random_state = 0））

np.mean（cross_val_score（clf，X，y，cv = 10））

SVM分类器

SVM非常耗时。但是，我们取得的成绩更好。

from sklearn import svm

clf = make_pipeline(preprocessing.StandardScaler(), svm.SVC(decision_function_shape='ovo'))

np.mean(cross_val_score(clf, X, y, cv=10))

Github：https://github.com/susanli2016/Machine-Learning-with-Python/blob/master/Hotel%20recommendation.ipynb