CN108288179B - 一种用户偏好房源计算方法和系统 - Google Patents
一种用户偏好房源计算方法和系统 Download PDFInfo
- Publication number
- CN108288179B CN108288179B CN201810074317.8A CN201810074317A CN108288179B CN 108288179 B CN108288179 B CN 108288179B CN 201810074317 A CN201810074317 A CN 201810074317A CN 108288179 B CN108288179 B CN 108288179B
- Authority
- CN
- China
- Prior art keywords
- house source
- behavior
- source
- option
- house
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0203—Market surveys; Market polls
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0645—Rental transactions; Leasing transactions
Abstract
本发明实施例提供一种用户偏好房源计算方法和系统,所述方法包括:获取用户的线上房源行为和线下房源行为;获取所述线上房源行为的权重和所述线下房源行为的权重;根据所述用户的线上房源行为、线下房源行为,以及所述线上房源行为的权重和所述线下房源行为的权重,计算出房源属性对应的选项的权重分数;根据所述房源属性对应的选项的权重分数,得到所述用户偏好的房源。该方法和系统可以提高对用户偏好房源的计算的准确度,进而为用户推荐更加个性化的房源信息,提升了用户体验。
Description
技术领域
本发明实施例涉及房源管理技术领域,尤其涉及一种用户偏好房源计算方法和系统。
背景技术
为了提高租房的成交率,首先需要了解用户在租房时感兴趣的房源。目前主要采用线上调查问卷的方式,获取用户感兴趣的房源。
通常可以在调查问卷中设置一些问题,这些问题可以包括用户感兴趣的房源的房源属性,其中,房源属性可以包括房源的居室个数、房源的价格区间和房源的朝向等,每个房源属性可以设置有若干选项,比如,房源的居室个数可以设置有一居室、二居室和三居室等选项,用户可以根据自己的需求进行选择。
通过调查问卷可以很直接、明确地获取到用户感兴趣的房源,但是,通常填写调查问卷的用户量有限,另外,用户感兴趣的房源可能会随着时间的变化而变化,比如,用户年初的时候,在调查问卷上填写的感兴趣的房源为3000元的一居室,但是,到了年末,用户感兴趣的房源可能变为5000元的二居室。因此,调查问卷的方式获取到的用户感兴趣的房源,准确度不高。
发明内容
针对现有技术中存在的问题,本发明实施例提供一种用户偏好房源计算方法和系统。
第一方面,本发明实施例提供一种用户偏好房源计算方法,所述方法包括:
获取用户的线上房源行为和线下房源行为;
获取所述线上房源行为的权重和所述线下房源行为的权重;
根据所述用户的线上房源行为、线下房源行为,以及所述线上房源行为的权重和所述线下房源行为的权重,计算出房源属性对应的选项的权重分数;
根据所述房源属性对应的选项的权重分数,得到所述用户偏好的房源。
第二方面,本发明实施例提供一种用户偏好房源计算系统,所述系统包括:
第一获取模块,用于获取用户的线上房源行为和线下房源行为;
第二获取模块,用于获取所述线上房源行为的权重和所述线下房源行为的权重;
权重分数计算模块,用于根据所述用户的线上房源行为、线下房源行为,以及所述线上房源行为的权重和所述线下房源行为的权重,计算出房源属性对应的选项的权重分数;
房源计算模块,用于根据所述房源属性对应的选项的权重分数,得到所述用户偏好的房源。
第三方面,本发明实施例提供一种电子设备,所述设备包括存储器和处理器,所述处理器和所述存储器通过总线完成相互间的通信;所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行上述用户偏好房源计算方法。
第四方面,本发明实施例提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述用户偏好房源计算方法。
本发明实施例提供的用户偏好房源计算方法和系统,通过获取用户的线上房源行为和线下房源行为,获取线上房源行为的权重和线下房源行为的权重,根据用户的线上房源行为、线下房源行为,以及线上房源行为的权重和线下房源行为的权重,计算出房源属性对应的选项的权重分数,根据房源属性对应的选项的权重分数,得到用户偏好的房源。该方法和系统可以提高对用户偏好房源的计算的准确度,进而为用户推荐更加个性化的房源信息,提升了用户体验。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的用户偏好房源计算方法流程图;
图2为本发明实施例提供的用户偏好房源计算系统的结构示意图;
图3为本发明实施例提供的电子设备的结构示意图;
图4为本发明实施例提供的验证结果示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1为本发明实施例提供的用户偏好房源计算方法流程图,如图1所示,所述方法包括:
步骤10、获取用户的线上房源行为和线下房源行为;
步骤11、获取所述线上房源行为的权重和所述线下房源行为的权重;
步骤12、根据所述用户的线上房源行为、线下房源行为,以及所述线上房源行为的权重和所述线下房源行为的权重,计算出房源属性对应的选项的权重分数;
步骤13、根据所述房源属性对应的选项的权重分数,得到所述用户偏好的房源。
具体地,服务器可以获取用户的线上房源行为和线下房源行为。其中,线上房源行为可以包括:浏览房源的行为、搜索房源的行为、关注房源的行为、咨询房源经纪人的行为、分享房源的行为和推送房源的行为中的一个或多个。其中,搜索房源的行为可以包括:直接输入的方式搜索房源的行为和按照地图搜索房源的行为;咨询房源经纪人的行为可以包括:通过即时聊天软件向房源经纪人咨询房源的行为、通过电话向房源经纪人咨询房源的行为、通过短信向房源经纪人咨询房源的行为,以及在线预约房源经纪人带领前去看房源的行为。
线下房源行为可以包括:委托房源的行为、带看房源的行为和成交房源的行为中的一个或多个。其中,委托房源的行为是指,房源经纪人根据客户的线上咨询,向客户推荐房源,线下委托房源的行为;带看房源的行为是指在房源经纪人的带领下,前去看房源的行为。
服务器可以从数据库中,获取每个线上房源行为的权重和每个线下房源行为的权重。比如,浏览房源的行为对应的权重可以为0.1,搜索房源的行为对应的权重可以为0.3,关注房源的行为对应的权重可以为0.4,咨询房源经纪人的行为对应的权重可以为0.7,推送房源的行为对应的权重可以为0.3,分享房源的行为对应的权重可以为0.6,委托房源的行为对应的权重可以为0.7,带看房源的行为对应的权重可以为1.3,成交房源的行为对应的权重可以为1.5。
然后,服务器可以根据用户的线上房源行为、线下房源行为,以及每个线上房源行为的权重和每个线下房源行为的权重,计算出房源属性对应的选项的权重分数。其中,房源属性可以包括:房源的居室个数、房源的价格区间、房源所在的楼层、房源所在的小区和房源的朝向中的一个或多个。
每个房源属性都设置有对应的选项,比如,房源的居室个数对应的选项可以包括:一居室、二居室和三居室,服务器可以从用户的线上房源行为和线下房源行为中,提取出一居室房源的每个线上房源行为的次数和每个线下房源行为的次数,然后,将每个线上房源行为的次数与对应的权重相乘,将每个线下房源行为的次数与对应的权重相乘,将所有的乘积相加,得到的数值即为一居室的权重分数。
比如,一居室房源的浏览次数为t1,一居室房源的搜索次数为t2,一居室房源的关注次数为t3,一居室房源的咨询房源经纪人次数为t4,一居室房源的分享次数为t5,一居室房源的推送次数为t6,一居室房源的委托次数为t7,一居室房源的带看次数为t8,一居室房源的成交次数为t9,则服务器可以计算出一居室的权重分数:N1=t1×0.1+t2×0.3+t3×0.4+t4×0.7+t5×0.6+t6×0.3+t7×0.7+t8×1.3+t9×1.5。
服务器可以按照上述方法,分别计算出一居室的权重分数、二居室的权重分数和三居室的权重分数,从而得到房源的居室个数的每个选项的权重分数。
服务器可以按照上述方法,计算出其他房源属性的每个选项的权重分数,然后,根据所有房源属性对应的选项的权重分数,得到用户偏好的房源。
本发明实施例提供的用户偏好房源计算方法,通过获取用户的线上房源行为和线下房源行为,获取线上房源行为的权重和线下房源行为的权重,根据用户的线上房源行为、线下房源行为,以及线上房源行为的权重和线下房源行为的权重,计算出房源属性对应的选项的权重分数,根据房源属性对应的选项的权重分数,得到用户偏好的房源。该方法可以提高对用户偏好房源的计算的准确度,进而为用户推荐更加个性化的房源信息,提升了用户体验。
可选的,在上述实施例的基础上,所述根据所述房源属性对应的选项的权重分数,得到所述用户偏好的房源,包括:
将所述房源属性的权重分数最大的第一选项,筛选为所述用户偏好的房源对应的所述房源属性的选项;
根据所述用户偏好的房源对应的所述房源属性的选项,得到所述用户偏好的房源。
服务器按照上述实施例中所述的方法,计算出每个房源属性对应的选项的权重分数之后,可以对同一个房源属性的各个选项的权重分数进行比较,将权重分数最大的选项,记为该房源属性的第一选项。
比如,服务器计算出的一居室的权重分数为N1,二居室的权重分数为N2,三居室的权重分数为N3。如果在N1、N2和N3当中,数值最大的是N3,则房源的居室个数的第一选项为三居室。
服务器可以按照上述方法筛选出其他房源属性的第一选项,所有的房源属性的第一选项可以组成用户偏好房源的房源属性对应的选项。
服务器可以将得到的用户偏好房源的房源属性的选项,与数据库中的所有房源的房源属性的选项进行匹配,将匹配成功的房源筛选出来,作为用户偏好的房源,推荐给用户。
本发明实施例提供的用户偏好房源计算方法,通过将房源属性的权重分数最大的第一选项,筛选为用户偏好的房源对应的所述房源属性的选项,根据用户偏好的房源对应的房源属性的选项,得到用户偏好的房源,使得所述方法更加科学。
可选的,在上述实施例的基础上,所述方法还包括:
获取所述用户历史偏好的房源对应的所述房源属性的第二选项,以及所述第二选项对应的权重分数;
根据得到所述第二选项的时间与得到所述第一选项的时间之间的时间间隔,以及所述第二选项对应的权重分数,得到所述第二选项对应的衰减之后的权重分数;
若所述第一选项对应的权重分数大于所述第二选项对应的衰减之后的权重分数,则将所述第一选项筛选为所述用户偏好的房源对应的所述房源属性的选项。
具体地,服务器按照上述实施例中所述的方法,得到房源属性的第一选项之后,还可以从数据库中获取用户历史偏好的房源对应的该房源属性的选项,以及该选项对应的权重分数,可以将该选项记为第二选项。
比如,服务器得到的当前的房源属性的第一选项为:房源的居室个数为三居室,对应的权重分数为N3。服务器获取到的用户历史偏好的房源对应的房源属性的选项为:房源的居室个数为二居室,对应的权重分数为N4。
然后,服务器可以按照如下计算公式,计算第二选项的权重分数N4经过衰减之后的权重分数N4’:
N4'=N4×exp(-σ×D)
其中,σ为衰减系数,D为得到第一选项的时间与得到第二选项的时间之间的时间间隔,σ的大小与D有关,σ随着D的增大而增大。
服务器可以比较第一选项对应的权重分数与第二选项对应的经过衰减之后的权重分数,如果,第一选项对应的权重分数大于第二选项对应的经过衰减之后的权重分数,则将第一选项筛选为用户偏好的房源对应的房源属性的选项。
比如,服务器可以比较N3与N4’的大小,如果N3大于N4’,则服务器可以将三居室筛选为用户偏好的房源对应的居室个数的选项。
服务器可以按照上述方法,筛选出用户偏好的房源对应的其他房源属性的选项,然后,将得到的用户偏好房源的房源属性的选项,与数据库中的所有房源的房源属性的选项进行匹配,将匹配成功的房源筛选出来,作为用户偏好的房源,推荐给用户。
图4为本发明实施例提供的验证结果示意图。按照本发明实施例提供的方法,对连续三个月的用户的线上房源行为和线下房源行为进行分析,根据分析的结果,得到每个用户偏好的房源,根据用户偏好的房源对用户推荐个性化的房源信息。然后,从命中比率、准确率、召回率和F值四个维度进行校验,其中,命中比率(HitRate)是指:点击推荐的房源的用户数占总用户数的比例;准确率(precision)是指:推荐的房源被用户点击的个数与用户实际点击的房源的个数的比值;召回率(Recall)是指:推荐的房源被用户点击的次数占用户实际点击次数的比例;F值(FMeasure)是指:(2×准确率×召回率)与(准确率+召回率)的比值。如图4所示,这四个参数的值都比较高,说明本发明实施例提供的用户偏好房源计算方法的准确度很高。
本发明实施例提供的用户偏好房源计算方法,通过获取用户历史偏好的房源对应的房源属性的第二选项,以及第二选项对应的权重分数,根据得到第二选项的时间与得到第一选项的时间之间的时间间隔,以及第二选项对应的权重分数,得到第二选项对应的衰减之后的权重分数,若第一选项对应的权重分数大于第二选项对应的衰减之后的权重分数,则将第一选项筛选为用户偏好的房源对应的房源属性的选项,使得所述方法更加科学。
可选的,在上述实施例的基础上,所述方法还包括:
若所述第一选项对应的权重分数小于所述第二选项对应的衰减之后的权重分数,则将所述第二选项筛选为所述用户偏好的房源对应的所述房源属性的选项。
具体地,服务器按照上述实施例中所述的方法,比较第一选项对应的权重分数与第二选项对应的经过衰减之后的权重分数时,如果,第一选项对应的权重分数小于第二选项对应的经过衰减之后的权重分数,则将第二选项筛选为用户偏好的房源对应的房源属性的选项。
比如,服务器可以比较N3与N4’的大小,如果N3小于N4’,则服务器可以将二居室筛选为用户偏好的房源对应的居室个数的选项。
本发明实施例提供的用户偏好房源计算方法,若第一选项对应的权重分数小于第二选项对应的衰减之后的权重分数,则将第二选项筛选为用户偏好的房源对应的房源属性的选项,使得所述方法更加科学。
图2为本发明实施例提供的用户偏好房源计算系统的结构示意图,如图2所示,所述系统包括:第一获取模块20、第二获取模块21、权重分数计算模块22和房源计算模块23,其中:
第一获取模块20用于获取用户的线上房源行为和线下房源行为;第二获取模块21用于获取所述线上房源行为的权重和所述线下房源行为的权重;权重分数计算模块22用于根据所述用户的线上房源行为、线下房源行为,以及所述线上房源行为的权重和所述线下房源行为的权重,计算出房源属性对应的选项的权重分数;房源计算模块23用于根据所述房源属性对应的选项的权重分数,得到所述用户偏好的房源。
具体地,本发明实施例提供的用户偏好房源计算系统可以包括:第一获取模块20、第二获取模块21、权重分数计算模块22和房源计算模块23。
第一获取模块20可以获取用户的线上房源行为和线下房源行为。其中,线上房源行为可以包括:浏览房源的行为、搜索房源的行为、关注房源的行为、咨询房源经纪人的行为、分享房源的行为和推送房源的行为中的一个或多个。其中,搜索房源的行为可以包括:直接输入的方式搜索房源的行为和按照地图搜索房源的行为;咨询房源经纪人的行为可以包括:通过即时聊天软件向房源经纪人咨询房源的行为、通过电话向房源经纪人咨询房源的行为、通过短信向房源经纪人咨询房源的行为,以及在线预约房源经纪人带领前去看房源的行为。
线下房源行为可以包括:委托房源的行为、带看房源的行为和成交房源的行为中的一个或多个。其中,委托房源的行为是指,房源经纪人根据客户的线上咨询,向客户推荐房源,线下委托房源的行为;带看房源的行为是指在房源经纪人的带领下,前去看房源的行为。
第二获取模块21可以从数据库中,获取每个线上房源行为的权重和每个线下房源行为的权重。比如,浏览房源的行为对应的权重可以为0.1,搜索房源的行为对应的权重可以为0.3,关注房源的行为对应的权重可以为0.4,咨询房源经纪人的行为对应的权重可以为0.7,推送房源的行为对应的权重可以为0.3,分享房源的行为对应的权重可以为0.6,委托房源的行为对应的权重可以为0.7,带看房源的行为对应的权重可以为1.3,成交房源的行为对应的权重可以为1.5。
权重分数计算模块22可以根据用户的线上房源行为、线下房源行为,以及每个线上房源行为的权重和每个线下房源行为的权重,计算出房源属性对应的选项的权重分数。其中,房源属性可以包括:房源的居室个数、房源的价格区间、房源所在的楼层、房源所在的小区和房源的朝向中的一个或多个。
每个房源属性都设置有对应的选项,比如,房源的居室个数对应的选项可以包括:一居室、二居室和三居室,权重分数计算模块22可以从用户的线上房源行为和线下房源行为中,提取出一居室房源的每个线上房源行为的次数和每个线下房源行为的次数,然后,将每个线上房源行为的次数与对应的权重相乘,将每个线下房源行为的次数与对应的权重相乘,将所有的乘积相加,得到的数值即为一居室的权重分数。
比如,一居室房源的浏览次数为t1,一居室房源的搜索次数为t2,一居室房源的关注次数为t3,一居室房源的咨询房源经纪人次数为t4,一居室房源的分享次数为t5,一居室房源的推送次数为t6,一居室房源的委托次数为t7,一居室房源的带看次数为t8,一居室房源的成交次数为t9,则权重分数计算模块22可以计算出一居室的权重分数:N1=t1×0.1+t2×0.3+t3×0.4+t4×0.7+t5×0.6+t6×0.3+t7×0.7+t8×1.3+t9×1.5。
权重分数计算模块22可以按照上述方法,分别计算出一居室的权重分数、二居室的权重分数和三居室的权重分数,从而得到房源的居室个数的每个选项的权重分数。
权重分数计算模块22可以按照上述方法,计算出其他房源属性的每个选项的权重分数,房源计算模块23可以根据所有房源属性对应的选项的权重分数,得到用户偏好的房源。
本发明实施例提供的用户偏好房源计算系统,其功能具体参照上述方法实施例,此处不再赘述。
本发明实施例提供的用户偏好房源计算系统,通过获取用户的线上房源行为和线下房源行为,获取线上房源行为的权重和线下房源行为的权重,根据用户的线上房源行为、线下房源行为,以及线上房源行为的权重和线下房源行为的权重,计算出房源属性对应的选项的权重分数,根据房源属性对应的选项的权重分数,得到用户偏好的房源。该系统可以提高对用户偏好房源的计算的准确度,进而为用户推荐更加个性化的房源信息,提升了用户体验。
可选的,在上述实施例的基础上,所述房源计算模块包括:选择子模块和房源计算子模块,其中:
选择子模块用于将所述房源属性的权重分数最大的第一选项,筛选为所述用户偏好的房源对应的所述房源属性的选项;房源计算子模块用于根据所述用户偏好的房源对应的所述房源属性的选项,得到所述用户偏好的房源。
具体地,上述实施例中所述的房源计算模块可以包括:选择子模块和房源计算子模块。
权重分数计算模块按照上述实施例中所述的方法,计算出每个房源属性对应的选项的权重分数之后,选择子模块可以对同一个房源属性的各个选项的权重分数进行比较,将权重分数最大的选项,记为该房源属性的第一选项。
比如,权重分数计算模块计算出的一居室的权重分数为N1,二居室的权重分数为N2,三居室的权重分数为N3。如果,选择子模块经过比较发现,在N1、N2和N3当中,数值最大的是N3,则将三居室筛选为房源的居室个数的第一选项。
选择子模块可以按照上述方法筛选出其他房源属性的第一选项,所有的房源属性的第一选项可以组成用户偏好房源的房源属性对应的选项。
房源计算子模块可以将得到的用户偏好房源的房源属性的选项,与数据库中的所有房源的房源属性的选项进行匹配,将匹配成功的房源筛选出来,作为用户偏好的房源,推荐给用户。
本发明实施例提供的用户偏好房源计算系统,通过将房源属性的权重分数最大的第一选项,筛选为用户偏好的房源对应的所述房源属性的选项,根据用户偏好的房源对应的房源属性的选项,得到用户偏好的房源,使得所述系统更加科学。
图3为本发明实施例提供的电子设备的结构示意图,如图3所示,所述设备包括:处理器(processor)31、存储器(memory)32和总线33,其中:
所述处理器31和所述存储器32通过所述总线33完成相互间的通信;所述处理器31用于调用所述存储器32中的程序指令,以执行上述各方法实施例所提供的方法,例如包括:获取用户的线上房源行为和线下房源行为;获取所述线上房源行为的权重和所述线下房源行为的权重;根据所述用户的线上房源行为、线下房源行为,以及所述线上房源行为的权重和所述线下房源行为的权重,计算出房源属性对应的选项的权重分数;根据所述房源属性对应的选项的权重分数,得到所述用户偏好的房源。
本发明实施例公开一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法实施例所提供的方法,例如包括:获取用户的线上房源行为和线下房源行为;获取所述线上房源行为的权重和所述线下房源行为的权重;根据所述用户的线上房源行为、线下房源行为,以及所述线上房源行为的权重和所述线下房源行为的权重,计算出房源属性对应的选项的权重分数;根据所述房源属性对应的选项的权重分数,得到所述用户偏好的房源。
本发明实施例提供一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行上述各方法实施例所提供的方法,例如包括:获取用户的线上房源行为和线下房源行为;获取所述线上房源行为的权重和所述线下房源行为的权重;根据所述用户的线上房源行为、线下房源行为,以及所述线上房源行为的权重和所述线下房源行为的权重,计算出房源属性对应的选项的权重分数;根据所述房源属性对应的选项的权重分数,得到所述用户偏好的房源。
以上所描述的电子设备等实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上各实施例仅用以说明本发明的实施例的技术方案,而非对其限制;尽管参照前述各实施例对本发明的实施例进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明的实施例各实施例技术方案的范围。
Claims (7)
1.一种用户偏好房源计算方法,其特征在于,包括:
获取用户的线上房源行为和线下房源行为;
获取所述线上房源行为的权重和所述线下房源行为的权重;
根据所述用户的线上房源行为、线下房源行为,以及所述线上房源行为的权重和所述线下房源行为的权重,计算出房源属性对应的选项的权重分数;
根据所述房源属性对应的选项的权重分数,得到所述用户偏好的房源;
所述根据所述用户的线上房源行为、线下房源行为,以及所述线上房源行为的权重和所述线下房源行为的权重,计算出房源属性对应的选项的权重分数,包括:
从用户的线上房源行为和线下房源行为中,提取出具备房源属性对应的选项特征的房源的每个线上房源行为的次数和每个线下房源行为的次数,然后,将每个线上房源行为的次数与对应的权重相乘,将每个线下房源行为的次数与对应的权重相乘,将所有的乘积相加,得到的数值即为房源属性对应的选项的权重分数;
所述根据所述房源属性对应的选项的权重分数,得到所述用户偏好的房源,包括:
将所述房源属性的权重分数最大的第一选项,筛选为所述用户偏好的房源对应的所述房源属性的选项;
根据所述用户偏好的房源对应的所述房源属性的选项,得到所述用户偏好的房源;
所述方法还包括:
获取所述用户历史偏好的房源对应的所述房源属性的第二选项,以及所述第二选项对应的权重分数;
根据得到所述第二选项的时间与得到所述第一选项的时间之间的时间间隔,以及所述第二选项对应的权重分数,得到所述第二选项对应的衰减之后的权重分数;所述第二选项对应的衰减之后的权重分数表示为:
N4'=N4×exp(-σ×D)
其中,N4表示第二选项对应的权重分数,N4'表示所述第二选项对应的衰减之后的权重分数,σ为衰减系数,D为得到第一选项的时间与得到第二选项的时间之间的时间间隔,σ的大小与D有关,σ随着D的增大而增大;
若所述第一选项对应的权重分数大于所述第二选项对应的衰减之后的权重分数,则将所述第一选项筛选为所述用户偏好的房源对应的所述房源属性的选项。
2.根据权利要求1所述的方法,其特征在于,所述线上房源行为包括:浏览房源的行为、搜索房源的行为、关注房源的行为、咨询房源经纪人的行为、分享房源的行为和推送房源的行为中的一个或多个;
所述线下房源行为包括:委托房源的行为、带看房源的行为和成交房源的行为中的一个或多个;
所述房源属性包括:房源的居室个数、房源的价格区间、房源所在的楼层、房源所在的小区和房源的朝向中的一个或多个。
3.根据权利要求1所述的方法,其特征在于,还包括:
若所述第一选项对应的权重分数小于所述第二选项对应的衰减之后的权重分数,则将所述第二选项筛选为所述用户偏好的房源对应的所述房源属性的选项。
4.一种用户偏好房源计算系统,其特征在于,包括:
第一获取模块,用于获取用户的线上房源行为和线下房源行为;
第二获取模块,用于获取所述线上房源行为的权重和所述线下房源行为的权重;
权重分数计算模块,用于根据所述用户的线上房源行为、线下房源行为,以及所述线上房源行为的权重和所述线下房源行为的权重,计算出房源属性对应的选项的权重分数;
房源计算模块,用于根据所述房源属性对应的选项的权重分数,得到所述用户偏好的房源;
所述权重分数计算模块在用于根据所述用户的线上房源行为、线下房源行为,以及所述线上房源行为的权重和所述线下房源行为的权重,计算出房源属性对应的选项的权重分数时,具体用于:
从用户的线上房源行为和线下房源行为中,提取出具备房源属性对应的选项特征的房源的每个线上房源行为的次数和每个线下房源行为的次数,然后,将每个线上房源行为的次数与对应的权重相乘,将每个线下房源行为的次数与对应的权重相乘,将所有的乘积相加,得到的数值即为房源属性对应的选项的权重分数;
所述房源计算模块包括:
选择子模块,用于将所述房源属性的权重分数最大的第一选项,筛选为所述用户偏好的房源对应的所述房源属性的选项;
房源计算子模块,用于根据所述用户偏好的房源对应的所述房源属性的选项,得到所述用户偏好的房源;
所述选择子模块还用于:
获取所述用户历史偏好的房源对应的所述房源属性的第二选项,以及所述第二选项对应的权重分数;
根据得到所述第二选项的时间与得到所述第一选项的时间之间的时间间隔,以及所述第二选项对应的权重分数,得到所述第二选项对应的衰减之后的权重分数;所述第二选项对应的衰减之后的权重分数表示为:
N4'=N4×exp(-σ×D)
其中,N4表示第二选项对应的权重分数,N4'表示所述第二选项对应的衰减之后的权重分数,σ为衰减系数,D为得到第一选项的时间与得到第二选项的时间之间的时间间隔,σ的大小与D有关,σ随着D的增大而增大;若所述第一选项对应的权重分数大于所述第二选项对应的衰减之后的权重分数,则将所述第一选项筛选为所述用户偏好的房源对应的所述房源属性的选项。
5.根据权利要求4所述的系统,其特征在于,所述第一获取模块用于获取用户的线上房源行为和线下房源行为,其中:
所述线上房源行为包括:浏览房源的行为、搜索房源的行为、关注房源的行为、咨询房源经纪人的行为、分享房源的行为和推送房源的行为中的一个或多个;所述线下房源行为包括:委托房源的行为、带看房源的行为和成交房源的行为中的一个或多个;
所述权重分数计算模块用于计算房源属性对应的选项的权重分数,其中:
所述房源属性包括:房源的居室个数、房源的价格区间、房源所在的楼层、房源所在的小区和房源的朝向中的一个或多个。
6.一种电子设备,其特征在于,包括存储器和处理器,所述处理器和所述存储器通过总线完成相互间的通信;所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行如权利要求1至3任一所述的方法。
7.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1至3任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810074317.8A CN108288179B (zh) | 2018-01-25 | 2018-01-25 | 一种用户偏好房源计算方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810074317.8A CN108288179B (zh) | 2018-01-25 | 2018-01-25 | 一种用户偏好房源计算方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108288179A CN108288179A (zh) | 2018-07-17 |
CN108288179B true CN108288179B (zh) | 2021-02-02 |
Family
ID=62835944
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810074317.8A Active CN108288179B (zh) | 2018-01-25 | 2018-01-25 | 一种用户偏好房源计算方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108288179B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109377329B (zh) * | 2018-12-25 | 2022-03-04 | 北京时光荏苒科技有限公司 | 一种房源推荐方法、装置、存储介质及电子设备 |
CN110163685A (zh) * | 2019-05-27 | 2019-08-23 | 珠海幸福家网络科技股份有限公司 | 基于客户看房轨迹的客户偏好分析系统及分析方法 |
CN110968801A (zh) * | 2019-12-04 | 2020-04-07 | 青梧桐有限责任公司 | 地产产品搜索方法、存储介质及电子设备 |
CN111159561A (zh) * | 2019-12-31 | 2020-05-15 | 青梧桐有限责任公司 | 根据用户行为和用户画像构建推荐引擎的方法 |
CN111523032A (zh) * | 2020-04-22 | 2020-08-11 | 贝壳技术有限公司 | 确定用户偏好的方法、装置、介质和电子设备 |
CN111553657A (zh) * | 2020-04-28 | 2020-08-18 | 贝壳技术有限公司 | 基于行为分析的匹配方法和装置、电子设备和存储介质 |
CN111639988B (zh) * | 2020-05-22 | 2024-01-12 | 贝壳技术有限公司 | 经纪人推荐方法、装置、电子设备和存储介质 |
CN112001760B (zh) * | 2020-08-28 | 2021-10-12 | 贝壳找房(北京)科技有限公司 | 潜在用户挖掘方法、装置、电子设备和存储介质 |
CN112035749A (zh) * | 2020-09-04 | 2020-12-04 | 贝壳技术有限公司 | 用户行为特征分析方法、推荐方法及相应装置 |
CN112669175A (zh) * | 2020-12-31 | 2021-04-16 | 杭州冠家房地产营销策划有限公司 | 一种基于微信公众号的房地产营销管理方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104216884A (zh) * | 2013-05-29 | 2014-12-17 | 酷盛(天津)科技有限公司 | 一种基于时间衰减的协同过滤系统及方法 |
CN104679743A (zh) * | 2013-11-26 | 2015-06-03 | 阿里巴巴集团控股有限公司 | 一种确定用户的偏好模式的方法及装置 |
CN105631713A (zh) * | 2016-01-04 | 2016-06-01 | 广西住朋购友文化传媒有限公司 | 一种房产用户筛分方法 |
CN106909663A (zh) * | 2017-02-27 | 2017-06-30 | 杭州泰指尚科技有限公司 | 基于标签用户品牌偏好行为预测方法及其装置 |
CN106919641A (zh) * | 2017-01-12 | 2017-07-04 | 北京三快在线科技有限公司 | 一种兴趣点搜索方法及装置、电子设备 |
CN107025565A (zh) * | 2016-01-29 | 2017-08-08 | 北京京东尚科信息技术有限公司 | 一种提高电子商务网站转化率的方法和系统 |
CN104899273B (zh) * | 2015-05-27 | 2017-08-25 | 东南大学 | 一种基于话题和相对熵的网页个性化推荐方法 |
CN107368519A (zh) * | 2017-06-05 | 2017-11-21 | 桂林电子科技大学 | 一种契合用户兴趣变化的协同处理方法及系统 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102034135A (zh) * | 2009-09-27 | 2011-04-27 | 上海华燕置业发展有限公司 | 房地产金融业务信息一体化管理系统的操作方法 |
CN101794428A (zh) * | 2010-04-08 | 2010-08-04 | 严海强 | 人工智能售楼系统 |
US8549414B2 (en) * | 2011-03-23 | 2013-10-01 | International Business Machines Corporation | Utilizing social relationship information to discover a relevant active meeting |
US20170358015A1 (en) * | 2014-04-07 | 2017-12-14 | Google Inc. | User Location History Implies Diminished Review |
CN104240163B (zh) * | 2014-09-28 | 2017-09-05 | 百度在线网络技术(北京)有限公司 | 一种小区智能推荐方法及装置 |
CN105574216A (zh) * | 2016-03-07 | 2016-05-11 | 达而观信息科技(上海)有限公司 | 基于概率模型和用户行为分析的个性化推荐方法、系统 |
CN106021337A (zh) * | 2016-05-09 | 2016-10-12 | 房加科技(北京)有限公司 | 一种基于大数据分析的智能推荐方法及系统 |
CN107194774A (zh) * | 2017-05-22 | 2017-09-22 | 携程旅游网络技术(上海)有限公司 | Ota网站中个性化的酒店推荐系统及方法 |
CN107507041A (zh) * | 2017-09-08 | 2017-12-22 | 北京京东尚科信息技术有限公司 | 用户模型的构建方法和构建装置 |
-
2018
- 2018-01-25 CN CN201810074317.8A patent/CN108288179B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104216884A (zh) * | 2013-05-29 | 2014-12-17 | 酷盛(天津)科技有限公司 | 一种基于时间衰减的协同过滤系统及方法 |
CN104679743A (zh) * | 2013-11-26 | 2015-06-03 | 阿里巴巴集团控股有限公司 | 一种确定用户的偏好模式的方法及装置 |
CN104899273B (zh) * | 2015-05-27 | 2017-08-25 | 东南大学 | 一种基于话题和相对熵的网页个性化推荐方法 |
CN105631713A (zh) * | 2016-01-04 | 2016-06-01 | 广西住朋购友文化传媒有限公司 | 一种房产用户筛分方法 |
CN107025565A (zh) * | 2016-01-29 | 2017-08-08 | 北京京东尚科信息技术有限公司 | 一种提高电子商务网站转化率的方法和系统 |
CN106919641A (zh) * | 2017-01-12 | 2017-07-04 | 北京三快在线科技有限公司 | 一种兴趣点搜索方法及装置、电子设备 |
CN106909663A (zh) * | 2017-02-27 | 2017-06-30 | 杭州泰指尚科技有限公司 | 基于标签用户品牌偏好行为预测方法及其装置 |
CN107368519A (zh) * | 2017-06-05 | 2017-11-21 | 桂林电子科技大学 | 一种契合用户兴趣变化的协同处理方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN108288179A (zh) | 2018-07-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108288179B (zh) | 一种用户偏好房源计算方法和系统 | |
AU2016303436B2 (en) | Method and system for applying probabilistic topic models to content in a tax environment to improve user satisfaction with a question and answer customer support system | |
EP3893154A1 (en) | Recommendation model training method and related apparatus | |
US20210097615A1 (en) | Tool for assisting user modification of a dynamic user portfolio | |
DE102011017442A1 (de) | Verfahren zum Bestimmen des Kundenwerts und -potenzials aus sozialen Medien und anderen öffentlichen Datenquellen | |
WO2014134155A1 (en) | Candidate and job trending in employment system | |
WO2010065112A1 (en) | Mediating and pricing transactions based on calculted reputation or influence scores | |
US20150120350A1 (en) | Method and system for recommending one or more crowdsourcing platforms/workforces for business workflow | |
US9560156B1 (en) | System and method for coaching a user on a website | |
CN108062692B (zh) | 一种录音推荐方法、装置、设备及计算机可读存储介质 | |
WO2014110950A1 (en) | Method and device for pushing information | |
US20140214637A1 (en) | Determining local calculation configurations in an accounting application through user contribution | |
US8843428B2 (en) | Survey prioritization engine | |
US10976901B1 (en) | Method and system to share information | |
CN110910201A (zh) | 信息推荐的控制方法、装置、计算机设备及存储介质 | |
CN109075987A (zh) | 优化数字组件分析系统 | |
CN112084410B (zh) | 文档类型的推荐方法、装置、电子设备及可读存储介质 | |
CN109829593B (zh) | 目标对象的信用度确定方法、装置、存储介质及电子装置 | |
CA2965457C (en) | Computer-implemented system and method for providing on-demand expert advice to a consumer | |
KR20200070581A (ko) | 사용자로부터의 미션과 연관된 오프라인 환경에서의 작업을 수행하기 위한 헬퍼들을 순위화하고 적합한 헬퍼를 사용자와 매칭하는 방법 및 장치 | |
CN112463856A (zh) | 一种基于实时虚拟互动的性格特征分析方法、装置及终端设备 | |
JP2010186283A (ja) | 情報処理装置、情報処理方法、及び情報処理プログラム | |
Iorshase et al. | A well-built hybrid recommender system for agricultural products in Benue State of Nigeria | |
JP6173586B2 (ja) | ユーザの検索行為に基づいてデータマイニングを行う方法及び装置 | |
CN113781084A (zh) | 一种调查问卷展示方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: 100085 Floor 101 102-1, No. 35 Building, No. 2 Hospital, Xierqi West Road, Haidian District, Beijing Applicant after: Seashell Housing (Beijing) Technology Co.,Ltd. Address before: 100085 Floor 101 102-1, No. 35 Building, No. 2 Hospital, Xierqi West Road, Haidian District, Beijing Applicant before: LIANJIA(BEIJING) TECHNOLOGY Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |