出门旅行时，预订酒店是一个必不可少的环节。住得干净、舒适对于每位旅客来说都至关重要。

在线预订酒店让这一过程变得更加便捷。当用户在马蜂窝浏览一家选定的酒店时，不同供应商提供的预订信息会被整合成一个综合列表，准确地展示给用户。这种方式不仅避免了重复展示不同的信息，影响用户体验，还帮助用户快速进行全网酒店的实时比价，迅速找到性价比最高的选项，从而做出明智的消费决策。

酒店聚合功能的质量直接影响到用户预订时的价格选择范围，进而影响他们的个性化和多样化预订体验。为了实现更实时、准确和高效的酒店聚合，目前马蜂窝在酒店业务中，接近80%的聚合任务是由机器自动完成的。本文将详细介绍酒店聚合的概念，以及当下流行的机器学习技术如何应用于其中。

酒店聚合的应用场景与挑战

1. 酒店聚合的应用场景

马蜂窝旅游平台连接了大量的供应商，这些供应商提供的酒店信息可能存在差异。酒店聚合的目标是将来自不同供应商的酒店信息整合在一起，为用户提供一站式实时比价和预订服务。

2. 挑战

（1）准确性

不同供应商对同一酒店的描述可能不一致，如果聚合过程中出现错误，会导致用户预订的酒店并非他们想要的。例如，用户可能想预订“精途酒店”，但实际被预订到了供应商E提供的“精品酒店”。这类错误被称为“AB店”，会给用户带来不便。

（2）实时性

要解决上述问题，最直接的方法是依靠人工聚合。然而，随着接入的酒店数据量快速增长，人工方式变得不可行。人工聚合不仅耗时，而且无法及时反映价格变动，也无法覆盖所有酒店资源。因此，酒店聚合需要更高效的技术解决方案。

初始方案：余弦相似度算法

最初，我们尝试利用余弦相似度算法进行酒店聚合，旨在降低成本，提高效率。该算法通过比对酒店名称、地址和距离来判断是否相同。尽管该方案简单易操作，但其准确性不足，需要设置较高的相似度阈值，导致许多相似的酒店无法自动聚合，仍需人工处理。

机器学习在酒店聚合中的应用

随着机器学习技术的发展，我们开始探索如何将其应用于酒店聚合。通过机器学习，我们解决了实时性和准确性的问题。以下是机器学习在酒店聚合中的具体应用。

3.1 分词处理

分词技术可以细化酒店名称和地址的对比粒度。通过对酒店名称和地址进行分词，可以更好地识别相似的酒店，同时为后续特征构建做准备。

3.1.1 分词词典

我们采用机器和人工相结合的方式构建分词词典，提高了分词的准确性和效率。

3.1.2 名称分词

名称分词可以帮助我们更准确地识别酒店名称中的品牌和类型，从而区分相似的酒店。

3.1.3 地址分词

地址分词细化了地址的对比粒度，使其更加详细和准确。

3.2 特征构建

特征构建是模拟人脑思维的过程，通过将分词后的数据进行两两对比，将其转换为数字特征，为机器学习提供数据支持。

3.3 算法选择：决策树

为了判断酒店是否相同，我们选择了决策树算法。决策树通过不断划分数据，最终达到分类的目的。

3.3.1 Ada Boosting 或 Gradient Boosting

我们选择了Boosting算法，特别是Gradient Boosting，因为它在工业界应用广泛。此外，我们还对比了XGBoost和LightGBM，最终选择了LightGBM，因为它具有更低的内存占用和更快的训练速度。

3.4 模型训练迭代

由于使用LightGBM，训练时间大幅缩短，使得我们能够快速迭代模型。在训练过程中，我们关注两个方面：训练结果分析和超参数调整。

通过以上改进，马蜂窝的酒店聚合系统不仅实现了更高的准确性和实时性，也提升了用户体验。