Destek vektör makineleri ile otel öneri sistemi

Abstract

Otel rezervasyon yöntemleri gelişen teknoloji ile birlikte sürekli yenilenmektedir. Rezervasyonda en önemli problem kullanıcıların en az para ile en çok memnuniyet verebilecek otellerin tespitidir. Bu tür problemlerin çözümünde son yıllarda gelişen makine öğrenmesi tekniklerinin kullanıldığı görülmektedir. Ancak mevcut sistemler, statik yapıda çalışmakta ve otelleri belirli aralıklarda puanlamaktadırlar. Rezervasyonlarda bu ölçüt anahtar rol oynamaktadır. Ancak, müşteriler oteli seçip rezervasyon yaptıktan sonra, eğer diğer otellerdeki fiyatlar ve diğer şartlar değişirse müşteriler fırsatları kaçırmaktadırlar ve dolayısıyla bu durum müşterilerde memnuniyet kaybına neden olmaktadır.Bu çalışmada, müşterilerin memnuniyet/fiyat oranını yükseltmeye odaklı makine öğrenmesi tabanlı otel öneri sistemi geliştirilmiştir. Önerilen sistemde, müşteri rezervasyonunu yapmış olsa dahi, tatilin fiilen başlamasına kadar, daha iyi fırsatlar olduğunda müşteriye öneriler sunacak ve dolaylı olarak müşteri memnuniyetini ve otel doluluk oranlarını artırıcı bir etki yaratacaktır. Sistemin işleyişi makinenin eğitilmesine dayalıdır. Bunun için, çeşitli özelliklerine göre birbirine üstünlükleri bilinen oteller ile sistem eğitilmiştir. Daha sonra, sistemde olmayan bir otelin diğer otellerle otomatik olarak karşılaştırılıp daha iyi fırsatın oluşup oluşmadığı otonom ve dinamik olarak tespit edilmiştir. Karşılaştırma ve sınıflandırma işlemleri Destek Vektör Makinaları (DVM) algoritması ile gerçekleştirilmiştir. Eğitim verileri yaklaşık 680 satırdan oluşmuştur. Bu veriler, 1154983 otel üzerinden rastgele seçilen ikili eşleştirmelerin seyahat acentelerine gönderilip, karşılaştırma ve sonuç bilgilerinin manuel girişi ile elde edilmiştir. Sistemin başarımı, gerçek otel verileri üzerinde test edilmiş ve 0,85 doğruluğunda makine öğrenme modeli geliştirilmiştir

Hotel reservation methods are being upgraded with development of a technology. The most important problem in hotel reservation is proving that customers with least money get the most qualifying hotels. Machine learning methods are being used to solve this problem in recent years. However, the existing systems are working in static structure and scoring hotels in a limited interval. This criterion plays a key role in reservations. However, once customers select and book a hotel, if prices and other conditions change in other hotels, they are missing out on opportunities and this causes customer dissatisfaction.In this study, a machine learning based hotel recommendation system focused on raising the customer satisfaction / price ratio has been developed. In the proposed system, even if the customer makes a reservation, he/she will get new suggestions if there are better opportunities, and this will indirectly increase customer satisfaction and occupancy rates. The operation of the system is dependent on the training dataset of the machine learning model. Then system was autonomously and dynamically tested whether there is a better opportunity or not with an external hotel successfully. Comparison and classification operations were performed with Support Vector Machines (SVM) algorithm. Training dataset contains approximately 680 rows. This dataset was obtained by sending random two hotels from 1154983 hotels to travel agents to compare them manually. The performance of the system has been tested on real hotel data and a machine learning model has been developed with an accuracy of 0,85.