CN109670113A - 一种房源推荐方法、装置及服务器 - Google Patents

Abstract

本发明提供一种房源推荐方法、装置及服务器，通过利用客户历史访问记录，而历史访问记录可以反映出用户对各房屋户型的偏好，从而可以比较准确的确定客户基准户型，基于待匹配户型库中的待匹配户型与各个基准户型的相似度，确定候选户型集，然后根据各个候选户型集与收藏房屋户型的覆盖率，得到目标推荐户型，从而将该目标推荐户型的至少部分房屋户型推荐给待推荐客户。实现了房屋户型的智能推荐，不需要客户对看房平台上的所有户型都进行浏览查看，通过服务器智能推荐，可以使得客户浏览更具有针对性，减少看房时间；另外，针对客户偏好进行智能推荐，也有利于提升房屋成交效率。

Description

一种房源推荐方法、装置及服务器

技术领域

本发明涉及房地产技术领域，尤其涉及一种房源推荐方法、装置及服务器。

背景技术

为了便于房屋买家对房屋信息进行实时浏览查看，避免需要通过实地看房需要耗费大量时间的问题，目前较多中介服务商、房屋开发商等开发了网络看房平台，用户可以直接在网络上对房屋信息进行浏览，例如楼盘位置、价格、户型、周边配套等，使用户可以随时随地了解房屋动态信息。

由于网络看房平台上存在大量的房源信息，用户无法对全部房屋户型进行浏览查看，用户通常只能浏览部分房屋户型，这就有可能导致错过比较满意的房屋户型的情况，因此不利于提升用户使用体验，也不利于提升房屋成交效率。为了使得用户浏览效率更高，给用户带来更多满意户型的选择，如何确定用户比较满意的房屋户型以及进行房屋户型的智能推荐，则显得十分重要。

发明内容

本发明提供的一种房源推荐方法及服务器，主要解决的技术问题是：如何实现房屋户型的智能推荐，更好的满足用户对房屋户型的浏览需求。

为解决上述技术问题，本发明提供一种房源推荐方法，包括：

在接收到推荐启动指令时，获取待推荐客户对各房屋户型的历史访问记录，所述历史访问记录包括户型访问次数、点击次数、访问时长中的至少一种；

根据所述历史访问记录，计算所述待推荐客户分别对所述各房屋户型的偏好值，根据各所述偏好值从各所述房屋户型中选择N(所述N大于等于2)个房屋户型，作为所述待推荐客户的第一基准户型、第二基准户型、……、第N基准户型；

计算待匹配户型库中的各待匹配户型分别与所述第一基准户型的第一相似度，以及与所述第二基准户型的第二相似度，……，以及与所述第N基准户型的第N相似度；

选择所述第一相似度满足第一预设关系的待匹配户型，作为第一候选户型集；选择所述第二相似度满足所述第一预设关系的待匹配户型，作为第二候选户型集；……；选择所述第N相似度满足所述第一预设关系的待匹配户型，作为第N候选户型集；

获取所述待推荐客户历史收藏记录中的收藏房屋户型，检测所述第一候选户型集与所述收藏房屋户型之间的第一覆盖率，并检测所述第二候选户型集与所述收藏房屋户型之间的第二覆盖率；……；并检测所述第N候选户型集与所述收藏房屋户型之间的第N覆盖率；

从所述第一覆盖率、所述第二覆盖率、……、所述第N覆盖率中，选择数值最大的覆盖率所对应的候选户型集作为目标推荐户型；

将所述目标推荐户型的至少部分推荐发送给所述待推荐客户。

进一步的，所述接收到推荐启动指令包括：

当检测到所述待推荐客户的历史访问记录发生更新时，确定接收到推荐启动指令；

和/或，当预设时间间隔达到时，确定接收到推荐启动指令。

进一步的，所述根据所述历史访问记录，计算所述待推荐客户分别对所述各房屋户型的偏好值，根据各所述偏好值从各所述房屋户型中选择N(所述N大于等于2)个房屋户型，作为所述待推荐客户的第一基准户型、第二基准户型、……、第N基准户型包括：

将所述待推荐客户对所述房屋户型的访问次数、点击次数、访问时长相加求和，得到所述待推荐客户对所述房屋户型的偏好值；在针对所述各房屋户型所对应的所述偏好值中，选择偏好值最大的N个房屋户型，作为所述待推荐客户的第一基准户型、第二基准户型、……、第N基准户型。

进一步的，所述计算待匹配户型库中的各待匹配户型分别与所述第一基准户型的第一相似度，以及与所述第二基准户型的第二相似度，……，以及与所述第N基准户型的第N相似度包括：

针对所述待匹配户型与所述第一基准户型的第一相似度，包括第一余弦相似度与第一距离相似度，计算所述第一余弦相似度包括：利用余弦相似度公式计算所述待匹配户型中的各待匹配户型与所述第一基准户型之间在如下至少一种户型特征上的余弦相似度：所在城市编号、户型所属楼盘的经纬度、户型面积、户型房间数、户型单价、户型朝向编号；所述余弦相似度公式如下：

其中，所述cosθ_ij为户型i与户型j特征向量之间的余弦相似度，所述n为户型特征的个数，所述x为特征值；

计算所述第一距离相似度包括：利用欧氏距离公式计算所述待匹配户型中的各带匹配户型与所述第一基准户型之间在如下至少一种户型特征上的距离相似度：所在城市编号、户型所属楼盘的经纬度、户型面积、户型房间数、户型单价、户型朝向编号；所述欧式距离度公式如下：

其中，所述d_ij为户型i与户型j特征向量之间的距离相似度；

针对所述待匹配户型与所述第二基准户型的第二相似度，包括第二余弦相似度与第二距离相似度；

针对所述待匹配户型与所述第N基准户型的第N相似度，包括第N余弦相似度与第N距离相似度。

进一步的，所述第一预设关系包括：

针对所述第一相似度，将各所述第一余弦相似度按照由大到小的顺序进行排序，选择前M(所述M大于等于2)个第一余弦相似度所对应的待匹配户型作为第一待匹配户型集合；将各所述第一距离相似度按照由小到大的顺序进行排序，选择前M个第一距离相似度所对应的待匹配户型作为第二待匹配户型集合；确定所述第一待匹配户型集合与所述第二待匹配户型集合之间的交集，将所述交集对应的房屋户型作为所述第一候选户型集；

针对所述第二相似度，将各所述第二余弦相似度按照由大到小的顺序进行排序，选择前M个第二余弦相似度所对应的待匹配户型作为第三待匹配户型集合；将各所述第二距离相似度按照由小到大的顺序进行排序，选择前M个第二距离相似度所对应的待匹配户型作为第四待匹配户型集合；确定所述第三待匹配户型集合与所述第四待匹配户型集合之间的交集，将所述交集对应的房屋户型作为所述第二候选户型集；

……

针对所述第N相似度，将各所述第N余弦相似度按照由大到小的顺序进行排序，选择前M个第N余弦相似度所对应的待匹配户型作为第2N-1待匹配户型集合；将各所述第N距离相似度按照由小到大的顺序进行排序，选择前M个第N距离相似度所对应的待匹配户型作为第2N待匹配户型集合；确定所述第2N-1待匹配户型集合与所述第2N待匹配户型集合之间的交集，将所述交集对应的房屋户型作为所述第N候选户型集。

进一步的，所述覆盖率为所述候选户型集中的收藏房屋户型占所述候选户型集总量的比值。

进一步的，所述将所述目标推荐户型的至少部分推荐发送给所述待推荐客户包括：

检测所述目标推荐户型中，是否存在所述待推荐客户已经浏览过的房屋户型，若存在，将所述目标推荐户型中排除所述已经浏览过的房屋户型外的其他户型，推荐发送给所述待推荐客户；若不存在，则直接将所述目标推荐户型推荐发送给所述待推荐客户。

本发明还提供一种房源推荐装置，包括：

数据获取模块，用于在接收到推荐启动指令时，获取待推荐客户对各房屋户型的历史访问记录，所述历史访问记录包括户型访问次数、点击次数、访问时长中的至少一种；

基准户型建立模块，用于根据所述历史访问记录，计算所述待推荐客户分别对所述各房屋户型的偏好值，根据各所述偏好值从各所述房屋户型中选择N(所述N大于等于2)个房屋户型，作为所述待推荐客户的第一基准户型、第二基准户型、……、第N基准户型；

相似度匹配模块，用于计算待匹配户型库中的各待匹配户型分别与所述第一基准户型的第一相似度，以及与所述第二基准户型的第二相似度，……，以及与所述第N基准户型的第N相似度；还用于选择所述第一相似度满足第一预设关系的待匹配户型，作为第一候选户型集；选择所述第二相似度满足所述第一预设关系的待匹配户型，作为第二候选户型集；……；选择所述第N相似度满足所述第一预设关系的待匹配户型，作为第M候选户型集；

覆盖率检测模块，用于获取所述待推荐客户历史收藏记录中的收藏房屋户型，检测所述第一候选户型集与所述收藏房屋户型之间的第一覆盖率，并检测所述第二候选户型集与所述收藏房屋户型之间的第二覆盖率；……；并检测所述第N候选户型集与所述收藏房屋户型之间的第N覆盖率；

选择模块，用于从所述第一覆盖率、所述第二覆盖率、……、所述第N覆盖率中，选择数值最大的覆盖率所对应的候选户型集作为目标推荐户型；

发送模块，用于将所述目标推荐户型的至少部分推荐发送给所述待推荐客户。

本发明还提供一种服务器，所述服务器包括处理器、存储器及通信总线；

所述通信总线用于实现处理器和存储器之间的连接通信；

所述处理器用于执行存储器中存储的一个或者多个程序，以实现如上任一项所述的房源推荐方法的步骤。

本发明的有益效果是：

根据本发明提供的一种房源推荐方法、装置及服务器，通过利用客户历史访问记录，而历史访问记录可以反映出用户对各房屋户型的偏好，从而可以比较准确的确定客户基准户型，基于待匹配户型库中的待匹配户型与各个基准户型的相似度，确定候选户型集，然后根据各个候选户型集与收藏房屋户型的覆盖率，得到目标推荐户型，从而将该目标推荐户型的至少部分房屋户型推荐给待推荐客户。实现了房屋户型的智能推荐，不需要客户对看房平台上的所有户型都进行浏览查看，通过服务器智能推荐，可以使得客户浏览更具有针对性，减少看房时间；另外，针对客户偏好进行智能推荐，也有利于提升房屋成交效率。

附图说明

图1为本发明实施例一的一种房源推荐方法流程示意图；

图2为本发明实施例一的户型朝向量化示意图；

图3为本发明实施例二的一种房源推荐装置结构示意图；

图4为本发明实施例三的服务器结构示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，下面通过具体实施方式结合附图对本发明作进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

实施例一：

为了改善客户使用体验，提升客户购房过程的效率，现以看房平台为载体，以房屋户型为最小推荐单位，以户型特征与客户信息为内容，提供一种房源推荐方法。请参见图1，图1为本实施例提供的一种房源推荐方法流程示意图，该方法包括如下步骤：

S101、在接收到推荐启动指令时，获取待推荐客户对各房屋户型的历史访问记录，所述历史访问记录包括户型访问次数、点击次数、访问时长中的至少一种。

客户通过用户终端(例如手机、PAD等)在网络看房平台上进行房屋信息浏览时，用户终端可以实时或定时将客户历史访问记录发送给服务器进行存储。用户在浏览过程中，对于自己比较满意或者感兴趣的户型，通常会表现出较高的关注度，对各个房屋户型的关注度会体现在历史访问记录中。本方案通过充分利用客户历史访问记录，进行数据分析，从而实现房屋户型智能推荐的过程，使得所推荐的房屋户型更加符合用户的偏好，可以更好地满足用户浏览需求。

推荐启动指令包括：当待推荐客户的历史访问记录发生更新时，确定接收到推荐启动指令，从而触发获取该待推荐客户的历史访问记录；可选的，当预设时间间隔达到时，确定接收到推荐启动指令。例如，每间隔一天，对各待推荐客户进行房屋智能推荐。

历史访问记录包括但不限于户型访问次数、点击次数、访问时长。其中，户型访问次数可以理解为从网络看房平台的其他界面跳转到该房屋户型所在界面的次数。

S102、根据历史访问记录，计算待推荐客户分别对各房屋户型的偏好值，根据各偏好值从各房屋户型中选择N(N≥2)个房屋户型，作为待推荐客户的第一基准户型、第二基准户型、……、第N基准户型。

将待推荐客户对房屋户型的访问次数、点击次数、访问时长相加求和，得到待推荐客户对该房屋户型的偏好值。例如，根据获取的该待推荐客户的历史访问记录的如下示例：

表1

房屋户型	访问次数	点击次数	访问时长
				A202	16	22	150
B223	25	36	360
				C315	3	18	56

可得该待推荐用户对三个房屋户型存在访问记录，分别为A202、B223、C315。其中，对房屋户型A202的历史访问记录包括：访问次数为16次，点击次数为22次，访问时长为150秒，那么据此可以得到该待推荐客户对该房屋户型A202的偏好值为：16+22+150＝188。同理，可得该待推荐客户对房屋户型B223的偏好值为：25+36+360＝421；对房屋户型C315的偏好值为：3+18+56＝77。

然后，根据该待推荐客户对各房屋户型(这里包括A202、B223、C315)的偏好值，从中选择偏好值最大的N个房屋户型，作为该待推荐客户的基准户型。例如N＝2，也即选择两个房屋户型作为基准户型。这里，偏好值最大的2个房屋户型分别为B223、A202，因此可以将房屋户型B223作为该待推荐客户的第一基准户型，将房屋户型A202作为该待推荐客户的第二基准户型。

S103、计算待匹配户型库中的各待匹配户型与第一基准户型的第一相似度，以及与第二基准户型的第二相似度，……，以及与第N基准户型的第N相似度。

待匹配户型库中存储有看房平台上的全部户型信息，包括各个户型的所在城市编号、户型所属楼盘的经纬度、户型面积、户型房间数、户型单价、户型朝向编号等。

将待匹配户型库中的各房屋户型与基准户型进行匹配，计算与该基准户型之间的相似度，其中计算相似度的过程具体采用了如下两种方式：一种是余弦相似度，另一种是欧式距离。

针对待匹配户型与第一基准户型的第一相似度，其中第一相似度包括第一余弦相似度与第一距离相似度，计算第一余弦相似度包括：利用余弦相似度公式计算各待匹配户型与基准户型之间在如下至少一种户型特征上的余弦相似度：所在城市编号、户型所属楼盘的经纬度、户型面积、户型房间数、户型单价、户型朝向编号；所述余弦相似度公式如下：

其中，cosθ_ij为户型i与户型j特征向量之间的余弦相似度，n为户型特征的个，x为特征值。

例如，同时对所在城市编号、户型所属楼盘的经度、纬度、户型面积、户型房间数、户型单价、户型朝向编号所形成的特征向量进行计算：

假设第一基准户型的户型特征向量为(102,108,35,120,5,16500,1)，待匹配户型的特征向量为(102,110,36,150,5,18500,1.5)，那么即可通过上述余弦相似度公式计算得到该待匹配户型与该第一基准户型之间的第一余弦相似度。

在进行相似度计算之前，需要对相应行为特征进行量化处理，例如户型所在城市，需要预先对各城市名称进行量化处理，形成城市编号，不同城市可能对应不同的城市编号。可选的，量化的方式可以是根据地理位置关系进行，例如将中国城市分位西南、华南、华北、西北等地区，对属于同一地区的城市可以采用同一编号。可选的，对属于同一地区的多个城市，也可以采取不同的编号，首先确定该地区中部城市的编号，根据与中部城市的距离，距离越大，编号差距越大，距离越小，编号差距越小。当然也可以采用其他量化方式，本实施例对此不做限制。

户型所属楼盘的经度取值范围可以是-180度至+180度，例如中国地区的经度范围大致是东经73度至东经136度，纬度范围大致为北纬3度至北纬54度。

户型面积应当大于0(单位可以为平方米)。

户型房间数可以根据实际情况灵活量化，例如三室一厅一厨一卫的户型，其房间数可以量化为3+1+1+1＝6；例如四室一厅一厨两卫的户型，其房间数为4+1+1+2＝8。

户型朝向可以根据如图2所示方式进行量化处理，得到户型朝向编号。例如，朝正南方向的户型，其户型朝向编号为2；朝正北方向的户型，其户型朝向量化为-2。

应当理解，在实际应用中，可以采用更多或更少的户型特征，形成不同维度的特征向量，进行相似度的计算。例如仅对户型面积、户型房间数、户型单价进行相似度计算，那么也即是对待匹配户型与基准户型所形成的三维向量进行相似度计算。

计算第一距离相似度包括：利用欧氏距离公式计算待匹配户型中的各待匹配户型与基准户型之间在如下至少一种户型特征上的距离相似度：所在城市编号、户型所属楼盘的经纬度、户型面积、户型房间数、户型单价、户型朝向编号；所述欧式距离度公式如下：

其中，d_ij为户型i与户型j特征向量之间的距离相似度。

假设第一基准户型的户型特征向量为(102,108,35,120,5,16500,1)，待匹配户型的特征向量为(102,110,36,150,5,18500,1.5)，那么即可通过上述欧式距离公式计算得到该待匹配户型与该第一基准户型之间的第一距离相似度。

基于此，可以计算得到待匹配户型库中各个房屋户型与该第一基准户型的第一余弦相似度和第一距离相似度。

针对待匹配户型与第二基准户型的第二相似度，该第二相似度包括第二余弦相似度与第二距离相似度；同理，根据上述余弦相似度公式与欧式距离公式，可以得到各待匹配户型与该第二基准户型的第二余弦相似度和第二距离相似度。

针对待匹配户型与第N基准户型的第N相似度，包括第N余弦相似度与第N距离相似度。同理，根据上述余弦相似度公式与欧式距离公式，可以得到各待匹配户型与该第N基准户型的第N余弦相似度和第N距离相似度。

通常，利用余弦相似度与欧式距离计算相似度时，两者所采用的户型特征是相同的。例如，利用余弦相似度计算时采用的是户型面积、户型房间数、户型单价三者所形成的三维特征向量进行计算的，那么计算欧氏距离时，同样采用户型面积、户型房间数、户型单价三者所形成的三维特征向量进行计算。

在计算待匹配户型库中的各待匹配户型与基准户型的相似度之前，还可以先获取待推荐客户常用位置经纬度，将基准户型的实际所属楼盘的经纬度替换为该常用位置经纬度。

基于用户历史访问记录所得到的基准户型是真实存在的，因此该基准户型具有相应的属性特征，例如所属楼盘经纬度信息。尽管是基于客户历史访问记录得到的，可以在一定程度上反映用户的行为偏好，比较满足用户的需求。但是可能与用户最理想的房屋户型还是存在一定差距，这种差距可能主要体现在地理位置上。尤其是对于刚需客户而言，房屋的地理位置显得尤为重要。因此有必要对基准户型进行进一步优化处理，这样才能尽可能提高推荐的准确性，才能更加满足用户的实际看房需求。

因此，本方案还进一步对基准户型所属楼盘的实际地理位置进行了替换，将其替换为客户常用位置经纬度，得到一个虚拟的基准户型。尽管替换地理位置后的基准户型不是真实存在的，但更符合用户的理想预期，因此基于该虚拟的基准户型进行智能推荐，可以更好地满足用户的看房需求。

其中，获取客户常用位置经纬度的方式可以采用现有任意方式，对此不做阐述。

在计算待匹配户型库中的各待匹配户型与基准户型的相似度之前，还可以先检测待推荐客户是否具有投资意向，若是，则针对基准户型与待匹配户型库中的各待匹配户型，将其户型特征对应数值按照第一套权重值进行加权处理；若否，则针对基准户型与待匹配户型库中的各待匹配户型，将其户型特征对应数值按照第二套权重值进行加权处理；其中第一套权重值与第二套权重值不同。

例如，基准户型的特征向量为(a1，a2，a3，a4，a5，a6，a7)，待匹配户型1的特征向量为(b1，b2，b3，b4，b5，b6，b7)；假设第一套权重值为[0.01,0.01,0.01,0.26,0.32,0.29,0.10]，第二套权重值为[0.32,0.1,0.1,0.13,0.17,0.15,0.03]，分别对应所在城市编号、纬度、经度、户型面积、户型房间数、户型单价、户型朝向编号；若待推荐客户具有投资意向，则将基准户型的特征向量(a1，a2，a3，a4，a5，a6，a7)按照第一套权重值进行加权处理，得到(0.01a1，0.01a2，0.01a3，0.26a4，0.32a5，0.29a6，0.10a7)，同时将待匹配户型1的特征向量为(b1，b2，b3，b4，b5，b6，b7)按照第一套权重值进行加权处理，得到(0.01b1，0.01b2，0.01b3，0.26b4，0.32b5，0.29b6，0.10b7)，之后，再进行相似度的计算，也即计算(0.01b1，0.01b2，0.01b3，0.26b4，0.32b5，0.29b6，0.10b7)与(0.01a1，0.01a2，0.01a3，0.26a4，0.32a5，0.29a6，0.10a7)之间的相似度。同理，若待推荐客户不具有投资意向，则按照第二套权重值进行处理。

户型推荐固有的地理区域局限性，推荐时不可能不考虑户型所在城市与位置。而整个的客户群，则可区分为两类：有投资意向、无投资意向。有投资意向的客户对楼盘所在城市敏感度不高，其重点关注的户型本身特点是否适合投资，因此针对这类客户，应当弱化户型的位置因素；而针对无投资意向的客户推荐，则需重点考虑位置因素的影响。

S104、选择第一相似度满足第一预设关系的待匹配户型，作为第一候选户型集；选择第二相似度满足第一预设关系的待匹配户型，作为第二候选户型集；……；选择第N相似度满足第一预设关系的待匹配户型，作为第N候选户型集。

第一相似度满足第一预设关系，也即第一余弦相似度与第一距离相似度满足第一预设关系。针对第一相似度，将各第一余弦相似度按照由大到小的顺序进行排序，选择前M(所述M大于等于2)个第一余弦相似度所对应的待匹配户型作为第一待匹配户型集合；将各第一距离相似度按照有小到大的顺序进行排序，选择前M个第一距离相似度所对应的待匹配户型作为第二待匹配户型集合；确定第一待匹配户型集合与第二待匹配户型集合之间的交集，将该交集对应的房屋户型作为第一候选户型集。

针对第二相似度，将各第二余弦相似度按照由大到小的顺序进行排序，选择前M个第二余弦相似度所对应的待匹配户型作为第三待匹配户型集合；将各第二距离相似度按照由小到大的顺序进行排序，选择前M个第二距离相似度所对应的待匹配户型作为第四待匹配户型集合；确定第三待匹配户型集合与第四待匹配户型集合之间的交集，将该交集对应的房屋户型作为第二候选户型集；

……

针对第N相似度，将各第N余弦相似度按照由大到小的顺序进行排序，选择前M个第N余弦相似度所对应的待匹配户型作为第2N-1待匹配户型集合；将各第N距离相似度按照由小到大的顺序进行排序，选择前M个第N距离相似度所对应的待匹配户型作为第2N待匹配户型集合；确定第2N-1待匹配户型集合与第2N待匹配户型集合之间的交集，将该交集对应的房屋户型作为第N候选户型集。

例如，N＝2，即当前存在第一基准户型和第二基准户型；待匹配户型库中存在待匹配户型A1、A2、A3、A4、A5。利用上述余弦相似度公式，计算待匹配户型A1与第一基准户型的第一余弦相似度α11，利用上述欧式距离公式，计算该待匹配户型A1与该第一基准户型的第一距离相似度β11；同样利用上述公式，计算待匹配户型A2与第一基准户型的第一余弦相似度α12和第一距离相似度β12；待匹配户型A3与第一基准户型的第一余弦相似度α13和第一距离相似度β13；待匹配户型A4与第一基准户型的第一余弦相似度α14和第一距离相似度β14；待匹配户型A5与第一基准户型的第一余弦相似度α15和第一距离相似度β15。将各第一余弦相似度α11、α12、α13、α14、α15，按照由大到小的顺序进行排序，假设为α11≥α12≥α13≥α14≥α15；选择前3个第一余弦相似度所对应的待匹配户型作为第一待匹配户型集合，也即第一待匹配户型集合为{A1、A2、A3}；将各第一距离相似度β11、β12、β13、β14、β15按照由小到大的顺序进行排序，假设为β12≤β13≤β14≤β11≤β15；选择前3个第一距离相似度所对应的待匹配户型作为第二待匹配户型集合，也即第二待匹配户型集合为{A2、A3、A4}；确定第一待匹配户型集合{A1、A2、A3}与第二待匹配户型集合{A2、A3、A4}之间的交集{A2、A3}，将该交集对应的房屋户型作为第一候选户型集，即第一候选户型集为A2、A3。

待匹配户型A1、A2、A3、A4、A5，相对于第二基准户型，同样按照上述方式可得，待匹配户型A1与第二基准户型的第二余弦相似度α21和第一距离相似度β21；待匹配户型A2与第二基准户型的第二余弦相似度α22和第一距离相似度β22；待匹配户型A3与第二基准户型的第二余弦相似度α23和第一距离相似度β23；待匹配户型A4与第二基准户型的第二余弦相似度α24和第一距离相似度β24；待匹配户型A5与第二基准户型的第二余弦相似度α25和第一距离相似度β25。将各第二余弦相似度α21、α22、α23、α24、α25，按照由大到小的顺序进行排序，假设为α21≥α22≥α23≥α24≥α25；选择前3个第二余弦相似度所对应的待匹配户型作为第三待匹配户型集合，也即第三待匹配户型集合为{A1、A2、A3}；将各第二距离相似度β21、β22、β23、β24、β25按照由小到大的顺序进行排序，假设为β22≤β21≤β24≤β23≤β25；选择前3个第二距离相似度所对应的待匹配户型作为第四待匹配户型集合，也即第四待匹配户型集合为{A2、A1、A4}；确定第三待匹配户型集合{A1、A2、A3}与第四待匹配户型集合{A2、A1、A4}之间的交集{A1、A2}，将该交集对应的房屋户型作为第二候选户型集，即第二候选户型集为A1、A2。

S105、获取待推荐客户历史收藏记录中的收藏房屋户型，检测第一候选户型集与收藏房屋户型之间的第一覆盖率，并检测第二候选户型集与收藏房屋户型之间的第二覆盖率；……；并检测第N候选户型集与收藏房屋户型之间的第N覆盖率。

S106、从第一覆盖率、第二覆盖率、……、第N覆盖率中，选择数值最大的覆盖率所对应的候选户型集作为目标推荐户型。

以上述第一候选户型集为{A2、A3}，第二候选户型集为{A1、A2}为例，假设该待推荐客户历史收藏记录中的收藏房屋户型包括A1；则第一候选户型集的第一覆盖率为0，第二候选户型集的第二覆盖率为50％。选择数值最大的覆盖率50％所对应的候选户型集为第二候选户型集，则将该第二候选户型集作为目标推荐户型。

其中覆盖率为候选户型集中的收藏房屋户型占候选户型集总量的比值。

S107、将目标推荐户型的至少部分推荐发送给待推荐客户。

以上述第二候选户型集{A1、A2}作为目标推荐户型为例，可以将户型A1和/或A2推荐发送给待推荐客户。

将推荐候选户型推荐发送给待推荐客户之前，还可以检测目标推荐户型中，是否存在待推荐客户已经浏览过的房屋户型，若存在，将目标推荐户型中排除已经浏览过的房屋户型外的其他户型，推荐发送给待推荐客户；若不存在，则直接将目标推荐户型推荐发送给待推荐客户。以避免将客户浏览过的房屋户型推荐给客户，影响用户体验。

本实施例提供一种房源推荐方法，通过利用客户历史访问记录，而历史访问记录可以反映出用户对各房屋户型的偏好，从而可以比较准确的客户确定基准户型，基于待匹配户型库中的待匹配户型与各个基准户型的相似度，确定候选户型集，然后根据各个候选户型集与收藏房屋户型的覆盖率，得到目标推荐户型，从而将该目标推荐户型的至少部分房屋户型推荐给待推荐客户。实现了房屋户型的智能推荐，不需要客户对看房平台上的所有户型都进行浏览查看，通过服务器智能推荐，可以使得客户浏览更具有针对性，减少看房时间；另外，针对客户偏好进行智能推荐，也有利于提升房屋成交效率。

实施例二：

本实施例在实施例一的基础上，提供一种房源推荐装置，用于实现上述实施例一所述的房源推荐方法的步骤。请参见图3，图3为本实施例提供的一种房源推荐装置的结构示意图，该房源推荐装置包括：

数据获取模块31，用于在接收到推荐启动指令时，获取待推荐客户对各房屋户型的历史访问记录，历史访问记录包括户型访问次数、点击次数、访问时长中的至少一种；

基准户型建立模块32，用于根据历史访问记录，计算待推荐客户分别对各房屋户型的偏好值，根据各偏好值从各房屋户型中选择N(所述N大于等于2)个房屋户型，作为待推荐客户的第一基准户型、第二基准户型、……、第N基准户型；

相似度匹配模块33，用于计算待匹配户型库中的各待匹配户型分别与第一基准户型的第一相似度，以及与第二基准户型的第二相似度，……，以及与第N基准户型的第N相似度；还用于选择第一相似度满足第一预设关系的待匹配户型，作为第一候选户型集；选择第二相似度满足第一预设关系的待匹配户型，作为第二候选户型集；……；选择第N相似度满足第一预设关系的待匹配户型，作为第N候选户型集；

覆盖率检测模块34，用于获取待推荐客户历史收藏记录中的收藏房屋户型，检测第一候选户型集与收藏房屋户型之间的第一覆盖率，并检测第二候选户型集与收藏房屋户型之间的第二覆盖率；……；并检测第N候选户型集与收藏房屋户型之间的第N覆盖率；

选择模块35，用于从第一覆盖率、第二覆盖率、……、第N覆盖率中，选择数值最大的覆盖率所对应的候选户型集作为目标推荐户型；

发送模块36，用于将目标推荐户型的至少部分推荐发送给待推荐客户。

具体步骤请参见上述实施例一种所述房屋推荐方法的步骤，在此不再赘述。

实施例三：

本实施例在实施例一的基础上，提供一种服务器，用于实现上述实施例一所述的房源推荐方法的步骤。请参见图4，图4为本实施例提供的一种服务器的结构示意图，该服务器包括处理器41、存储器42及通信总线43；

通信总线43用于实现处理器41和存储器42之间的连接通信；

处理器41用于执行存储器42中存储的一个或者多个程序，以实现如实施例一所述的房源推荐方法的步骤。

可选的，存储器42存储了五个部分：户型信息库、用户对户型的访问记录库、用户的定位记录库、户型收藏记录库、具有投资意向的客户库。

其中，户型信息库包含了户型的唯一标识符、户型当前状态、户型所属楼盘的经纬度、所在城市(id)、户型面积、户型的房型、户型单价、户型朝向。其中，“户型单价”以户型表为基准，若定价属于无效定价(如为0、过小等)，则使用该户型所在楼盘的合理均价作为该户型的单价；“朝向”属性在数据库的记录为文本，在此依据中国的地理方位及人民的居住习惯，进行了量化，如图2所示。

用户对户型的访问记录库，该库包含了客户近期的访问习惯与偏好，包括了用户标识符、用户从楼盘详情页面进入户型详细的次数(例如记录的是户型访问次数)、与某个户型相关的功能点击次数、与某户型相关的访问记录时长(例如分钟)。

用户定位记录库，该库包含了具有户型收藏行为的客户信息及收藏的户型信息，作为后续推荐系统评测所用的客户群以及推荐系统最终推荐结果的户型排除项。

具有投资意向的客户库，该库为具有投资意向的客户信息记录，从客户的建档信息中提取，包含了购房用途含有“投资”的客户标识符，作为后续推荐过程中划分不同客户群并使用不同特征权重配比的主要依据。

本系统为基于广义内容的推荐系统，这里的内容即为户型信息库中的户型特征与楼盘所在地理位置特征的融合。推荐所用的基准户型是通过用户浏览偏好户型的本身特征及用户位置信息联合构造的。通过将联合构造基准户型与户型信息库中的户型进行对比，利用多种相似性度量手段(余弦相似度、欧氏距离)共同计算出推荐候选项，然后进行一定规则的筛选，作为推荐的最终结果。在此过程中，考虑了户型特征的权重分配问题，针对不同投资意向的客户，制定了不同的特征权重配比，以提高个性化推荐的精准度。

所构造的特征库数据本身具有很大的量级差，而推荐过程中相似性度量的计算对此较为敏感，因此对所用到的特征变量进行了标准化处理。系统中采用的是标准化为均值为0，方差为1的正态分布，使各个特征的值x满足：x～N(0,1)。

进行了标准化的数据包括：户型信息库中的除了户型标识符之外的特征数据、用户对户型访问记录库中的除了用户标识符与户型标识符之外的指标数据、用户定位记录库中的除了用户标识符之外的位置数据。

构造基准户型，是决定了最终推荐结果与客户真实意向是否符合的关键步骤。通常来说，客户的访问行为在很大程度上反映了客户的真实意向。而客户的意向从广义上说不单单指购房意向，也同样包括客户对某个楼盘某个户型的浏览意向。因此，利用客户的访问行为记录作为针对客户的推荐基准，是能够在很大程度上使用户获取意向产品的策略。

当确定了推荐的客户目标后，即可根据客户唯一标识符从构造好的“用户对户型的访问记录库”中提取该客户的近期(实际应用时可采用实时推荐策略，即客户浏览行为有更新就立即迭代推荐候选项)访问情况，然后采用户型访问记录的综合指标来确定基准户型。

当前采用的基准户型的确定方法如下式所示：

其中，index_ij是第i个户型的第j个指标，n为该客户所浏览的户型个数。利用上式筛选出来的即是该客户所浏览的户型中综合指标最大的那个户型，并以此作为该客户基准户型。

此外，针对客户定位经纬度的位置信息同样也加入了系统考量。基于推荐内容的实时性与距离优先性等考虑，引入客户位置信息具有一定的意义。但需客户定位的位置信息满足：客户定位城市与访问户型所在城市相同。

从用户定位记录库中，提取所选定客户的位置信息，替代上述构造的基准户型中相应位置信息，并将替代了位置信息之后的户型作为最终确定的基准户型。

从客户意向的角度来看，系统所选用的户型特征具有不同的影响程度。因此，在根据构造好的基准户型从户型信息库中按照相似性提取与基准户型相似度最高的推荐候选户型之前，应当根据购房者的意向对户型特征进行权重配比。

另外，户型推荐固有的地理区域局限性，推荐时不可能不考虑户型所在城市与位置。而整个的客户群，则可区分为两类：有投资意向、无投资意向。有投资意向的客户对楼盘所在城市敏感度不高，其重点关注的户型本身特点是否适合投资，因此针对这类客户，应当弱化户型的位置因素；而针对无投资意向的客户推荐，则需重点考虑位置因素的影响。因此，针对两类客户，制定了两套权重配比，有投资意向的权重配比：[0.01,0.01,0.01,0.26,0.32,0.29,0.10]，无投资意向的权重配比：[0.32,0.1,0.1,0.13,0.17,0.15,0.03]。

在构建户型信息库、选定基准户型、确定户型特征权重分配之后，即进行户型相似性度量。

考虑到户型推荐的特点，要求两个相似户型的特征向量之间，不仅两向量尽可能平行，也要使其距离最小。系统采用了余弦相似度与欧氏距离作为评判指标，综合考虑两种指标筛选出相似度最符合真实情况的推荐候选项。

系统首先利用两种相似性度量方法，分别求出相似性排行Top10，然后求两个推荐候选项集合的交集，从而进行了候选项筛选。然后，根据与收藏记录的覆盖率情况，确定最终的目标推荐户型。根据两种度量方法构造推荐指数：推荐指数1、推荐指数2。其中，推荐指数1即是余弦相似性，推荐指数2为欧氏距离的转化形式：1/(1+d_ij)。d_ij为户型i与户型j特征向量之间的欧氏距离。

针对不同投资意向的客户进行分配不同的特征权重，无投资意向则强化客户位置因素的影响，有投资意向则弱化位置因素的影响。结果展示，针对不同客户所进行的推荐可以得到预期结果。

显然，本领域的技术人员应该明白，上述本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在计算机存储介质(ROM/RAM、磁碟、光盘)中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。所以，本发明不限制于任何特定的硬件和软件结合。

以上内容是结合具体的实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。

Claims (9)

1.一种房源推荐方法，其特征在于，所述房源推荐方法包括：

在接收到推荐启动指令时，获取待推荐客户对各房屋户型的历史访问记录，所述历史访问记录包括户型访问次数、点击次数、访问时长中的至少一种；

根据所述历史访问记录，计算所述待推荐客户分别对所述各房屋户型的偏好值，根据各所述偏好值从各所述房屋户型中选择N个房屋户型，作为所述待推荐客户的第一基准户型、第二基准户型、……、第N基准户型；所述N大于等于2；

计算待匹配户型库中的各待匹配户型分别与所述第一基准户型的第一相似度，以及与所述第二基准户型的第二相似度，……，以及与所述第N基准户型的第N相似度；

选择所述第一相似度满足第一预设关系的待匹配户型，作为第一候选户型集；选择所述第二相似度满足所述第一预设关系的待匹配户型，作为第二候选户型集；……；选择所述第N相似度满足所述第一预设关系的待匹配户型，作为第N候选户型集；

获取所述待推荐客户历史收藏记录中的收藏房屋户型，检测所述第一候选户型集与所述收藏房屋户型之间的第一覆盖率，并检测所述第二候选户型集与所述收藏房屋户型之间的第二覆盖率；……；并检测所述第N候选户型集与所述收藏房屋户型之间的第N覆盖率；

从所述第一覆盖率、所述第二覆盖率、……、所述第N覆盖率中，选择数值最大的覆盖率所对应的候选户型集作为目标推荐户型；

将所述目标推荐户型的至少部分推荐发送给所述待推荐客户。

2.如权利要求1所述的房源推荐方法，其特征在于，所述接收到推荐启动指令包括：

当检测到所述待推荐客户的历史访问记录发生更新时，确定接收到推荐启动指令；

和/或，当预设时间间隔达到时，确定接收到推荐启动指令。

3.如权利要求1所述的房源推荐方法，其特征在于，所述根据所述历史访问记录，计算所述待推荐客户分别对所述各房屋户型的偏好值，根据各所述偏好值从各所述房屋户型中选择N房屋户型，作为所述待推荐客户的第一基准户型、第二基准户型、……、第N基准户型包括：

将所述待推荐客户对所述房屋户型的访问次数、点击次数、访问时长相加求和，得到所述待推荐客户对所述房屋户型的偏好值；在针对所述各房屋户型所对应的所述偏好值中，选择偏好值最大的N个房屋户型，作为所述待推荐客户的第一基准户型、第二基准户型、……、第N基准户型。

4.如权利要求1所述的房源推荐方法，其特征在于，所述计算待匹配户型库中的各待匹配户型分别与所述第一基准户型的第一相似度，以及与所述第二基准户型的第二相似度，……，以及与所述第N基准户型的第N相似度包括：

针对所述待匹配户型与所述第一基准户型的第一相似度，包括第一余弦相似度与第一距离相似度，计算所述第一余弦相似度包括：利用余弦相似度公式计算所述待匹配户型中的各待匹配户型与所述第一基准户型之间在如下至少一种户型特征上的余弦相似度：所在城市编号、户型所属楼盘的经纬度、户型面积、户型房间数、户型单价、户型朝向编号；所述余弦相似度公式如下：

其中，所述cosθ_ij为户型i与户型j特征向量之间的余弦相似度，所述n为户型特征的个数，所述x为特征值；

计算所述第一距离相似度包括：利用欧氏距离公式计算所述待匹配户型中的各带匹配户型与所述第一基准户型之间在如下至少一种户型特征上的距离相似度：所在城市编号、户型所属楼盘的经纬度、户型面积、户型房间数、户型单价、户型朝向编号；所述欧式距离度公式如下：

其中，所述d_ij为户型i与户型j特征向量之间的距离相似度；

针对所述待匹配户型与所述第二基准户型的第二相似度，包括第二余弦相似度与第二距离相似度；

针对所述待匹配户型与所述第N基准户型的第N相似度，包括第N余弦相似度与第N距离相似度。

5.如权利要求4所述的房源推荐方法，其特征在于，所述第一预设关系包括：

针对所述第一相似度，将各所述第一余弦相似度按照由大到小的顺序进行排序，选择前M个第一余弦相似度所对应的待匹配户型作为第一待匹配户型集合，所述M大于等于2；将各所述第一距离相似度按照由小到大的顺序进行排序，选择前M个第一距离相似度所对应的待匹配户型作为第二待匹配户型集合；确定所述第一待匹配户型集合与所述第二待匹配户型集合之间的交集，将所述交集对应的房屋户型作为所述第一候选户型集；

针对所述第二相似度，将各所述第二余弦相似度按照由大到小的顺序进行排序，选择前M个第二余弦相似度所对应的待匹配户型作为第三待匹配户型集合；将各所述第二距离相似度按照由小到大的顺序进行排序，选择前M个第二距离相似度所对应的待匹配户型作为第四待匹配户型集合；确定所述第三待匹配户型集合与所述第四待匹配户型集合之间的交集，将所述交集对应的房屋户型作为所述第二候选户型集；

……

针对所述第N相似度，将各所述第N余弦相似度按照由大到小的顺序进行排序，选择前M个第N余弦相似度所对应的待匹配户型作为第2N-1待匹配户型集合；将各所述第N距离相似度按照有小到大的顺序进行排序，选择前M个第N距离相似度所对应的待匹配户型作为第2N待匹配户型集合；确定所述第2N-1待匹配户型集合与所述第2N待匹配户型集合之间的交集，将所述交集对应的房屋户型作为所述第N候选户型集。

6.如权利要求1所述的房源推荐方法，其特征在于，所述覆盖率为所述候选户型集中的收藏房屋户型占所述候选户型集总量的比值。

7.如权利要求1-6任一项所述的房源推荐方法，其特征在于，所述将所述目标推荐户型的至少部分推荐发送给所述待推荐客户包括：

检测所述目标推荐户型中，是否存在所述待推荐客户已经浏览过的房屋户型，若存在，将所述目标推荐户型中排除所述已经浏览过的房屋户型外的其他户型，推荐发送给所述待推荐客户；若不存在，则直接将所述目标推荐户型推荐发送给所述待推荐客户。

8.一种房源推荐装置，其特征在于，包括：

数据获取模块，用于在接收到推荐启动指令时，获取待推荐客户对各房屋户型的历史访问记录，所述历史访问记录包括户型访问次数、点击次数、访问时长中的至少一种；

基准户型建立模块，用于根据所述历史访问记录，计算所述待推荐客户分别对所述各房屋户型的偏好值，根据各所述偏好值从各所述房屋户型中选择N个房屋户型，作为所述待推荐客户的第一基准户型、第二基准户型、……、第N基准户型；所述N大于等于2；

相似度匹配模块，用于计算待匹配户型库中的各待匹配户型分别与所述第一基准户型的第一相似度，以及与所述第二基准户型的第二相似度，……，以及与所述第N基准户型的第N相似度；还用于选择所述第一相似度满足第一预设关系的待匹配户型，作为第一候选户型集；选择所述第二相似度满足所述第一预设关系的待匹配户型，作为第二候选户型集；……；选择所述第N相似度满足所述第一预设关系的待匹配户型，作为第N候选户型集；

覆盖率检测模块，用于获取所述待推荐客户历史收藏记录中的收藏房屋户型，检测所述第一候选户型集与所述收藏房屋户型之间的第一覆盖率，并检测所述第二候选户型集与所述收藏房屋户型之间的第二覆盖率；……；并检测所述第N候选户型集与所述收藏房屋户型之间的第N覆盖率；

选择模块，用于从所述第一覆盖率、所述第二覆盖率、……、所述第N覆盖率中，选择数值最大的覆盖率所对应的候选户型集作为目标推荐户型；

发送模块，用于将所述目标推荐户型的至少部分推荐发送给所述待推荐客户。

9.一种服务器，其特征在于，所述服务器包括处理器、存储器及通信总线；

所述通信总线用于实现处理器和存储器之间的连接通信；

所述处理器用于执行存储器中存储的一个或者多个程序，以实现如权利要求1至7中任一项所述的房源推荐方法的步骤。