1 引言

中國商旅管理于2000年外資TMC（Travel Management Company，商旅管理公司）進(jìn)入中國市場后興起[1]，前期目標(biāo)客戶多為大型企業(yè)。2014年后，中小企業(yè)的商旅管理意識逐漸覺醒，商旅行業(yè)進(jìn)入快速發(fā)展期。2018年，中國商旅行業(yè)的年復(fù)合增長率達(dá)20%[2]。商旅行業(yè)的參與者除了專業(yè)的TMC外，還存在OTA（Online Travel Agency，在線旅行社）、傳統(tǒng)旅行社、機(jī)票代理商等非專業(yè)化差旅機(jī)構(gòu)。2018年中國商旅管理市場前8位的差旅管理公司，占比為21.4%[2]。TMC的產(chǎn)品結(jié)構(gòu)豐富、差旅管控智能、結(jié)算方式靈活、服務(wù)項目多樣，能幫助企業(yè)實現(xiàn)降本增效的目標(biāo)，優(yōu)勢明顯。隨著商旅管理理念的深入，商旅管理市場將越來越集中于大型的TMC。

TMC的SaaS（Software-as-a-Service）系統(tǒng)優(yōu)勢在于差旅標(biāo)準(zhǔn)在線管控，個性化的流程配置，差旅數(shù)據(jù)報告分析等。隨著企業(yè)費(fèi)用控制、成本管理意識的加強(qiáng)，大企業(yè)對TMC系統(tǒng)的要求越來越高，除越來越個性化的差旅標(biāo)準(zhǔn)、審批流程外，還希望能與企業(yè)內(nèi)部辦公系統(tǒng)、報銷系統(tǒng)對接，完成全流程管控。不少大企業(yè)開始自建差旅系統(tǒng)，打造完整的出差申請、差旅預(yù)訂、費(fèi)用管控、費(fèi)用報銷全流程。自建的差旅系統(tǒng)的難點(diǎn)之一在于整合商旅的產(chǎn)品資源。因存在系統(tǒng)成本、行業(yè)壁壘及專業(yè)性問題，企業(yè)更希望與TMC合作，由TMC提供產(chǎn)品資源接口。商旅行業(yè)一般性的產(chǎn)品如國內(nèi)機(jī)票、國際機(jī)票、國內(nèi)酒店、國際酒店、租車等，都屬于非標(biāo)準(zhǔn)產(chǎn)品。其中國內(nèi)機(jī)票產(chǎn)品最規(guī)范。由TMC提供合乎公司差旅標(biāo)準(zhǔn)，同時又能滿足員工需求的機(jī)票選項，企業(yè)可以免除在自建的差旅系統(tǒng)中完成整個機(jī)票全流程的開發(fā)。

國內(nèi)機(jī)票熱門航線一天可能存在30多個航班，每個航班下可能會有20多個艙位價格，組合起來用戶會難以選擇。推薦機(jī)票時既需要考慮公司差旅標(biāo)準(zhǔn)，也需要考慮員工出行體驗。本文提出了一種改進(jìn)的機(jī)票混合推薦算法，以乘機(jī)人為基準(zhǔn)，在員工常飛航線上，過濾超過差旅標(biāo)準(zhǔn)機(jī)票，采用基于航線的用戶偏好推薦算法向用戶推薦。針對不常飛的航線，或無飛行歷史航線，即冷啟動問題，考慮可解釋性，采用了基于差標(biāo)的近鄰?fù)扑]算法。

2 背景介紹

隨著經(jīng)濟(jì)的不斷發(fā)展，企業(yè)的差旅費(fèi)用逐漸增高，企業(yè)差旅費(fèi)用已經(jīng)成為企業(yè)繼人力資源費(fèi)用外的第二大可控費(fèi)用。越來越多的企業(yè)聚焦企業(yè)差旅費(fèi)用控制，統(tǒng)一管理，集中采購。企業(yè)差旅費(fèi)用主要包括機(jī)票費(fèi)用、住宿費(fèi)用、火車票費(fèi)用、用車費(fèi)用等，其中以機(jī)票費(fèi)用最高。2018年中國商旅管理市場中，機(jī)票的交易規(guī)模占總商旅支出的比例為81.2%[2]。企業(yè)目前對TMC（Travel Management Company，商旅管理公司）的需求主要以機(jī)票為主。國內(nèi)機(jī)票因行業(yè)規(guī)范，是各大TMC系統(tǒng)中的基礎(chǔ)產(chǎn)品。按員工職級的不同設(shè)置好國內(nèi)機(jī)票的不同差旅標(biāo)準(zhǔn)，由企業(yè)員工或企業(yè)行政人員登錄TMC系統(tǒng)預(yù)訂機(jī)票，根據(jù)差標(biāo)選擇適合自己的機(jī)票，是TMC系統(tǒng)中的基礎(chǔ)功能。

中國民航信息網(wǎng)絡(luò)股份有限公司為有資質(zhì)的機(jī)票代理人提供了標(biāo)準(zhǔn)的IBE（Internet Booking Engine）接口，通過該接口，可實時查詢某條航線下的航班、艙位價格、剩余座位數(shù)，并可為旅客訂座及出票。航司在每條航線都設(shè)有一個經(jīng)濟(jì)艙全價，一定時期內(nèi)穩(wěn)定，在此基礎(chǔ)上，建立艙位價格體系，不同的艙位代碼（如Y、W、P、H、B等）代表了不同的折扣，對應(yīng)了不同的價格、不同的退改簽政策、不同的行李額度。國內(nèi)機(jī)票的定價體系決定了機(jī)票選擇的復(fù)雜性。自建差旅系統(tǒng)的企業(yè)，普遍不具備行業(yè)資質(zhì)，通過與TMC的合作，可獲取實時機(jī)票接口，并希望通過TMC對差旅的管理，得到精準(zhǔn)又能讓員工滿意的機(jī)票推薦。

OTA因發(fā)展早、宣傳力度廣、用戶體驗好及會員體系等多方面的原因，成為企業(yè)在選擇TMC的一個重要參考標(biāo)準(zhǔn)，尤其是中國OTA市場的領(lǐng)頭者攜程。以下介紹OTA與TMC系統(tǒng)在現(xiàn)有的一些機(jī)票推薦方法及遇到的一些問題。

2.1 時間排序與價格排序

目前OTA（如攜程、飛豬）及TMC（如攜程商旅、阿里商旅）的機(jī)票航班的推薦排序規(guī)則僅有兩個：時間排序和價格排序。所有用戶點(diǎn)擊查詢航線后顯示的界面均一致，是從登錄用戶的角度而非乘機(jī)人的角度顯示。機(jī)票的推薦與電商平臺不一樣，從以下的兩個圖中也可以看出，每張機(jī)票的信息有航班信息，同時也有航班下對應(yīng)的艙位價格信息。查詢航班和航班艙位價格如圖1和圖2所示。查詢航線，先顯示航班，再顯示航班艙位價格是目前OTA與TMC系統(tǒng)常用的UI交互。

圖1 查詢航班

圖2 航班艙位價格

此種推薦方法損害了用戶體驗，增加了開發(fā)難度，不符合企業(yè)的需求。員工查詢機(jī)票需要操作兩次點(diǎn)擊流程，第一次選航班，第二次選艙位價格，并且需要自主甄別出哪些是符合差旅標(biāo)準(zhǔn)的機(jī)票。如果在選中乘機(jī)人后，發(fā)現(xiàn)該機(jī)票超標(biāo)后需要重新進(jìn)行選擇。從企業(yè)自建差旅系統(tǒng)角度來看，這兩個界面融合了航線查詢、航班查詢、比價以及差旅標(biāo)準(zhǔn)的管控提醒等，增加了系統(tǒng)的開發(fā)難度。

2.2 基于差標(biāo)的低價推薦

文獻(xiàn)[3]中提出了行業(yè)內(nèi)采用的一種差旅行程安排推薦方法，由員工填寫好具體的機(jī)票需求信息（如出發(fā)機(jī)場、到達(dá)機(jī)場、出發(fā)日期、出發(fā)時間段），按照價格升序排列做推薦。這其中可以加入一些差標(biāo)需求（如必須是經(jīng)濟(jì)艙，折扣必須低于8折等）。核心算法仍然是低價推薦。

在差旅管控中，有7種常用的使員工遵守公司差旅政策的策略，其中，“強(qiáng)制性順從”是Travel Managers（差旅負(fù)責(zé)人）采用優(yōu)先級排名第4的策略[4]。這說明，很多企業(yè)并不強(qiáng)制要求員工服從公司差旅政策。僅以低價的方式推薦，忽略員工感受，并不是一個好的差旅推薦。

另外，退改簽費(fèi)用也是公司差旅費(fèi)用控制的一項重要指標(biāo)。低價的機(jī)票退改簽費(fèi)用更高。如果公司差旅行程變動較大，推薦低價可能會適得其反，并不會帶來差旅費(fèi)用的節(jié)省。

2.3 OTA的用戶偏好推薦

文獻(xiàn)[5]中提出了OTA機(jī)票的個性化推薦，對用戶的歷史訂單統(tǒng)計，將訂單中的變量離散化，并以信息熵表示權(quán)重，形成用戶的個人偏好標(biāo)識。在此基礎(chǔ)上，計算每次搜索出來的航班與用戶個人偏好的相似度進(jìn)行推薦排序，也是一種基于內(nèi)容的推薦。針對冷啟動問題，提出了基于航線的協(xié)同過濾算法，在當(dāng)前用戶遇到無歷史記錄的航線時，分析其他用戶在該航線的歷史訂單，分析該航線上的一個偏好分布，再與當(dāng)前用戶有歷史記錄的航線做遷移學(xué)習(xí)，將相似航線上的偏好整合到目標(biāo)航線。

此種推薦方法是在中國OTA市場占有率第一的攜程數(shù)據(jù)上測算得來，偏好的計算值得借鑒。該算法目前已申請專利。但在攜程網(wǎng)站上尚未應(yīng)用。

OTA與TMC的差別很明顯。OTA的用戶僅指注冊人，也稱為預(yù)訂人，預(yù)訂人可能與實際的乘坐航班的用戶，即乘機(jī)人并不是一人，有多個常用旅客的更為如此。在企業(yè)中，不同乘機(jī)人的差旅標(biāo)準(zhǔn)不一樣，以預(yù)訂人的身份統(tǒng)計其訂單偏好，不準(zhǔn)確，誤差概率高。

OTA中的用戶平均活躍度遠(yuǎn)遠(yuǎn)低于TMC中的客戶。文獻(xiàn)[5]在做OTA用戶個性化推薦的數(shù)據(jù)分析時，將兩年內(nèi)的出行次數(shù)大于10次的用戶數(shù)據(jù)去掉，因為這類數(shù)據(jù)不像是真正訂票的直客，而更像是一個集中采購第三方，如代理商的預(yù)訂。用戶的訂單量非常少，在同一條航線上的訂單更少，而采用所有歷史訂單預(yù)測所有航線上的偏好存在難度。主要是不同航線下的航班不一樣，對用戶的偏好有影響。如用戶在A航線下有4個南航的訂單，在B航線下有2個深航的訂單，該用戶總的偏好中，南航的權(quán)重高于深航。實際上A航線下無深航的訂單，這種情況得出的用戶偏好有一定誤差。同時在TMC中，用戶在歷史訂單中呈現(xiàn)的偏好被差旅標(biāo)準(zhǔn)影響，不同差標(biāo)時期的訂單表現(xiàn)出來的偏好不一樣。冷啟動時，采用基于航線的協(xié)同過濾算法，將目標(biāo)航線上的訂單與用戶的歷史訂單偏好分布做比較并學(xué)習(xí)，存在可解釋性差的問題。

3 推薦方案

針對上述這些問題，本文提出了以下推薦方案。

員工輸入出發(fā)地、到達(dá)地、出發(fā)日期等基礎(chǔ)查詢條件后，點(diǎn)擊查詢，直接向企業(yè)自建差旅系統(tǒng)推薦出具體的航班艙位，不再需要先選擇航班，再選擇艙位價格。

TMC單個用戶的年平均飛行次數(shù)大于OTA的用戶，出行更高頻，高頻使得用戶的行為更為集中可預(yù)測。TMC用戶因公司業(yè)務(wù)往來，飛的航線一般比較集中。針對有歷史機(jī)票訂單的乘機(jī)人，基于航線計算歷史機(jī)票訂單的偏好，采用基于航線的用戶偏好推薦。

從某TMC的訂單數(shù)據(jù)中可以看出，熱門航線的訂單數(shù)遠(yuǎn)遠(yuǎn)高于非熱門航線。對于單個差旅用戶，這種差別更大，一般只有固定的幾條航線，大部分航線都無訂單記錄。冷啟動問題非常明顯。這種情況下，我們采取了基于用戶的內(nèi)容推薦，利用KNN（K-NearestNeighbor）算法計算基于差標(biāo)的近鄰。從用戶的屬性中，計算出與當(dāng)前用戶差旅標(biāo)準(zhǔn)相似度高的TOP K位用戶。匯總該K位用戶在當(dāng)前差標(biāo)期間內(nèi)在相同航線內(nèi)的機(jī)票選擇，推薦重復(fù)率較高的機(jī)票。該推薦方法可解釋性強(qiáng)。

具體流程如圖3所示機(jī)票混合推薦算法流程圖。

圖3 機(jī)票混合推薦算法流程圖

4 算法實現(xiàn)

4.1 協(xié)同過濾算法--基于航線的用戶偏好推薦

以航線（出發(fā)機(jī)場-到達(dá)機(jī)場）為基礎(chǔ)，分析用戶名下是否有該航線的歷史機(jī)票訂單，此處的用戶指的乘機(jī)人，非注冊用戶。若航線下歷史訂單＞3，根據(jù)歷史訂單的相似性，推薦符合差標(biāo)的機(jī)票。此處的歷史訂單有限制：訂單發(fā)生時期的差標(biāo)與當(dāng)前用戶的差標(biāo)一致；相同航線下的訂單。

機(jī)票的偏好特性有：出發(fā)時間、航司、艙位等級、艙位代碼、艙位折扣、特殊艙位、機(jī)型大小。

在機(jī)票的偏好特性中，未加入價格與退改簽政策。這主要是因為差旅用戶對價格不敏感。機(jī)票的價格實時動態(tài)變化，難以把握，公司通常采用艙位等級、艙位代碼、艙位折扣來控制差旅費(fèi)用。退改簽政策基本由航司+航位代碼固定，不同的艙位代碼對應(yīng)了不同的退改簽政策。

出發(fā)時間、折扣為連續(xù)變量，需要做離散化處理。出發(fā)時間劃分為7個時間段：0點(diǎn)-6點(diǎn)、6點(diǎn)-9點(diǎn)、9點(diǎn)-12點(diǎn)、12-14點(diǎn)、14-18點(diǎn)、18點(diǎn)-21點(diǎn)、21點(diǎn)-24點(diǎn)。將艙位折扣劃分為4個區(qū)域：0-4折、4-6折、6-8折，8-10折。

采用文獻(xiàn)[5]中偏好的權(quán)重公式及相似函數(shù)，計算實時查詢得出的當(dāng)前航線的機(jī)票與用戶歷史訂單中的機(jī)票相似度，按相似度大小倒序排，推薦排名前N的機(jī)票。

相似函數(shù)Similarity（i，j）見公式1。

實時查詢到的機(jī)票集合為T，t為其中的一條航班艙位記錄；歷史機(jī)票集合為U，u為其中的一條航班艙位記錄。數(shù)組Arr[]，用于臨時存儲相似度值。數(shù)組Arr_score，用于存儲相似度評分。算法如下。

4.2 KNN算法-基于差標(biāo)的近鄰?fù)扑]

差旅標(biāo)準(zhǔn)制度有：提前N天預(yù)訂、預(yù)訂N小時內(nèi)最低價提醒、不允許預(yù)訂N小時內(nèi)最低價、是否需要價格授權(quán)、是否允許預(yù)訂頭等/公務(wù)艙、最高可預(yù)訂折扣、是否綠色通道、是否有項目預(yù)算管控、是否強(qiáng)制預(yù)算管控。

按照乘機(jī)人差旅標(biāo)準(zhǔn)計算乘機(jī)人相似度。因存在部分差旅標(biāo)準(zhǔn)為空的情況，故采用歐氏距離公式測量相似度，如公式5。

其中，i為差標(biāo)制度的一項特征值。I為差旅制度集合。x、y為不同的乘機(jī)人。

根據(jù)差標(biāo)相似度獲取的前K位鄰居算法如下。

當(dāng)前用戶為a，算法如下。

5 方案驗證

我們選取了某TMC公司2019年4月到10月的國內(nèi)機(jī)票數(shù)據(jù)作為歷史訂單數(shù)據(jù)，11月的國內(nèi)機(jī)票數(shù)據(jù)為測試集。因機(jī)票為實時查詢，無預(yù)訂時其他的實時機(jī)票艙位價格數(shù)據(jù)，因熱門航線一般價格較為穩(wěn)定，且訂單較多，本文采用熱門航線預(yù)訂一段時間內(nèi)所有訂單里的航班艙位價格匯總，去掉重復(fù)的數(shù)據(jù)，模擬出當(dāng)時的艙位價格列表。采用本文的算法對機(jī)票進(jìn)行預(yù)測排序，再與實際的訂單比較，計算平均準(zhǔn)確率MAP（Mean Absolute Precision）。測試數(shù)據(jù)的MAP是其中每個訂單的MAP的平均值。MAP計算公式見公式（6）。

本次測試，選用了熱門航線深圳—北京、深圳—上海虹橋、廣州—北京一段時間內(nèi)的訂單。模擬得出的深圳—北京實時艙位價格列表數(shù)約30條，深圳—上海實時艙位價格列表數(shù)約30條，廣州—北京實時艙位價格列表數(shù)約15條。因?qū)崟r航班數(shù)據(jù)為模擬數(shù)據(jù)，本次評測存在一定的系統(tǒng)誤差。

表1列出了評測MAP值，其中第四列基于用戶偏好的算法，采用的是預(yù)訂人的偏好，計算所有歷史訂單的偏好。故改進(jìn)的企業(yè)差旅機(jī)票混合推薦有效。基于用戶偏好的推薦效果非常不理想的原因是，樣本數(shù)據(jù)里，代訂的比例較高，而不同的員工差旅標(biāo)準(zhǔn)相差較大，導(dǎo)致預(yù)訂人身上的偏好標(biāo)簽太散。代訂的這類公司差旅雖然有集中管理，但是仍由行政人員統(tǒng)一預(yù)訂。

表1 評測MAP值表

6 小結(jié)

針對企業(yè)自建差旅系統(tǒng)的需求，本文在OTA的基礎(chǔ)用戶偏好算法上，添加了以航線為基礎(chǔ)的區(qū)分，同時以乘機(jī)人分析，而非預(yù)訂人分析，更為準(zhǔn)確。在員工無歷史訂單的航線上，采用了可解釋更強(qiáng)的基于差標(biāo)的近鄰?fù)扑]，推薦理由如“80%的員工選擇了該機(jī)票”。但改進(jìn)后的企業(yè)差旅機(jī)票混合推薦算法還是存在一些不足。表現(xiàn)在以下幾個方面。

（1）因TMC訂單存在航線集中的情況，或航司開辟新航線，對于無任何訂單歷史記錄的航線，仍然會存在冷啟動的問題。對這類行程，我們難以去判斷出準(zhǔn)確的偏好。

（2）該算法對于新產(chǎn)品不友好。若航空公司想推出新的產(chǎn)品，相同的價格基礎(chǔ)上，新的產(chǎn)品有增值服務(wù)項，且給機(jī)票代理人的代理費(fèi)用更高。既能給用戶帶來收益，也能給TMC帶來利潤。用此算法難以推薦出新產(chǎn)品。

（3）企業(yè)差旅管控與員工出行體驗?zāi)承┣闆r下是相悖的。在做企業(yè)機(jī)票推薦時，需要時刻關(guān)注企業(yè)本身的需求，如某些企業(yè)強(qiáng)制要求員工必須購買低價，此種情況下，在差標(biāo)范圍內(nèi)的低價推薦更為合適。在實際運(yùn)用過程當(dāng)中，應(yīng)該根據(jù)企業(yè)的實際需求定制。

綜上，企業(yè)差旅的國內(nèi)機(jī)票混合推薦算法在實際應(yīng)用中，后續(xù)會根據(jù)員工反饋與差旅報告分析數(shù)據(jù)，不斷調(diào)整與改進(jìn)。

7 致謝

本文所涉及到的方案驗證實驗在大灣區(qū)未來網(wǎng)絡(luò)試驗與應(yīng)用環(huán)境（PCL2018KP001）、深圳市科創(chuàng)委項目號（JSGG20170824095858416，JCYJ201908081556 07340）的項目中進(jìn)行。感謝老師在選題方向的指導(dǎo)，感謝項目組成員對論文的審閱并提出重要修改意見。