CN110619537A - 用于生成信息的方法和装置 - Google Patents
用于生成信息的方法和装置 Download PDFInfo
- Publication number
- CN110619537A CN110619537A CN201910528721.2A CN201910528721A CN110619537A CN 110619537 A CN110619537 A CN 110619537A CN 201910528721 A CN201910528721 A CN 201910528721A CN 110619537 A CN110619537 A CN 110619537A
- Authority
- CN
- China
- Prior art keywords
- information
- house
- sample
- value
- target
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000012417 linear regression Methods 0.000 claims description 10
- 238000004891 communication Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 9
- 238000010801 machine learning Methods 0.000 claims description 7
- 238000010586 diagram Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 8
- 230000003287 optical effect Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000001419 dependent effect Effects 0.000 description 3
- 230000010365 information processing Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 2
- 239000010931 gold Substances 0.000 description 2
- 229910052737 gold Inorganic materials 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
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
- G06Q30/0278—Product appraisal
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/16—Real estate
Landscapes
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Theoretical Computer Science (AREA)
- Finance (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Entrepreneurship & Innovation (AREA)
- Human Resources & Organizations (AREA)
- Game Theory and Decision Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开的实施例公开了用于生成信息的方法和装置。该方法的一具体实施方式包括:获取目标房屋的房屋信息,其中,房屋信息包括用于指示目标房屋的位置的位置信息;获取预先确定的样本房屋信息集合,其中,样本房屋信息包括用于指示样本房屋的位置的样本位置信息和用于表征样本房屋的价值的样本价值信息;从样本房屋信息集合中选取所包括的样本位置信息与目标房屋的位置信息相匹配的样本房屋信息作为候选房屋信息;基于所选取的候选房屋信息中的样本价值信息,生成用于表征目标房屋的价值的价值信息。该实施方式可以提高确定出的价值信息的客观性,提高确定房屋价值的自动化程度。
Description
技术领域
本公开的实施例涉及计算机技术领域,尤其涉及用于生成信息的方法和装置。
背景技术
房屋的价值通常可以用用户获取房屋所需付出的代价(例如金钱、股票、房产、黄金等)的多少来衡量。具体的,对于某个房屋,用户获取该房屋所需付出的代价越多,该房屋的价值越高。
实践中,通常采用人为的方式来确定房屋的价值。具体的,房屋的管理员可以基于房屋的地理位置、面积、楼层等特征,确定房屋的价值。
发明内容
本公开的实施例提出了用于生成信息的方法和装置。
第一方面,本公开的实施例提供了一种用于生成信息的方法,该方法包括:获取目标房屋的房屋信息,其中,房屋信息包括用于指示目标房屋的位置的位置信息;获取预先确定的样本房屋信息集合,其中,样本房屋信息包括用于指示样本房屋的位置的样本位置信息和用于表征样本房屋的价值的样本价值信息;从样本房屋信息集合中选取所包括的样本位置信息与目标房屋的位置信息相匹配的样本房屋信息作为候选房屋信息;基于所选取的候选房屋信息中的样本价值信息,生成用于表征目标房屋的价值的价值信息。
在一些实施例中,基于所选取的候选房屋信息中的样本价值信息,生成用于表征目标房屋的价值的价值信息包括:获取预先确定的初始模型;利用机器学习方法,将所获取的候选房屋信息中除样本价值信息以外的信息作为初始模型的输入数据,将所输入的信息所对应的样本价值信息作为初始模型的期望输出数据,对初始模型进行训练,获得训练完成的初始模型作为价值识别模型;将目标房屋的房屋信息输入价值识别模型,获得用于表征目标房屋的价值的价值信息。
在一些实施例中,初始模型为线性回归模型。
在一些实施例中,房屋信息中的位置信息用于指示房屋所属的小区;以及从样本房屋信息集合中选取所包括的样本位置信息与目标房屋的位置信息相匹配的样本房屋信息作为候选房屋信息包括:从样本房屋信息集合中选取所包括的样本位置信息指示的小区与目标房屋的位置信息指示的小区相同的样本房屋信息作为候选房屋信息。
在一些实施例中,房屋信息中的位置信息用于指示房屋的经纬度;以及从样本房屋信息集合中选取所包括的样本位置信息与目标房屋的位置信息相匹配的样本房屋信息作为候选房屋信息包括:基于样本房屋信息中的样本位置信息和目标房屋的位置信息,从样本房屋信息集合中提取所对应的样本房屋与目标房屋的距离小于或等于预设距离阈值的样本房屋信息作为候选房屋信息。
在一些实施例中,房屋信息还包括以下至少一项:朝向信息、楼层信息、面积信息、户型信息。
在一些实施例中,该方法还包括:将目标房屋的价值信息添加到目标房屋的房屋信息中,获得添加后的房屋信息;将添加后的房屋信息作为样本房屋信息添加到样本房屋信息集合中。
在一些实施例中,该方法还包括:将目标房屋的价值信息推送给通信连接的用户终端,以及控制用户终端对目标房屋的价值信息进行呈现。
第二方面,本公开的实施例提供了一种用于生成信息的装置,该装置包括:第一获取单元,被配置成获取目标房屋的房屋信息,其中,房屋信息包括用于指示目标房屋的位置的位置信息;第二获取单元,被配置成获取预先确定的样本房屋信息集合,其中,样本房屋信息包括用于指示样本房屋的位置的样本位置信息和用于表征样本房屋的价值的样本价值信息;选取单元,被配置成从样本房屋信息集合中选取所包括的样本位置信息与目标房屋的位置信息相匹配的样本房屋信息作为候选房屋信息;生成单元,被配置成基于所选取的候选房屋信息中的样本价值信息,生成用于表征目标房屋的价值的价值信息。
在一些实施例中,生成单元包括:获取模块,被配置成获取预先确定的初始模型;训练模块,被配置成利用机器学习方法,将所获取的候选房屋信息中除样本价值信息以外的信息作为初始模型的输入数据,将所输入的信息所对应的样本价值信息作为初始模型的期望输出数据,对初始模型进行训练,获得训练完成的初始模型作为价值识别模型;输入模块,被配置成将目标房屋的房屋信息输入价值识别模型,获得用于表征目标房屋的价值的价值信息。
第三方面,本公开的实施例提供了一种电子设备,包括:一个或多个处理器;存储装置,其上存储有一个或多个程序,当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现上述用于生成信息的方法中任一实施例的方法。
第四方面,本公开的实施例提供了一种计算机可读介质,其上存储有计算机程序,该程序被处理器执行时实现上述用于生成信息的方法中任一实施例的方法。
本公开的实施例提供的用于生成信息的方法和装置,通过获取目标房屋的房屋信息,其中,房屋信息包括用于指示目标房屋的位置的位置信息,而后获取预先确定的样本房屋信息集合,其中,样本房屋信息包括用于指示样本房屋的位置的样本位置信息和用于表征样本房屋的价值的样本价值信息,接着从样本房屋信息集合中选取所包括的样本位置信息与目标房屋的位置信息相匹配的样本房屋信息作为候选房屋信息,最后基于所选取的候选房屋信息中的样本价值信息,生成用于表征目标房屋的价值的价值信息,由于位置相匹配的房屋通常具有相似的价值标准,所以本公开的实施例可以基于候选房屋信息中的样本价值信息确定目标房屋的价值信息,以此,可以提高确定出的价值信息的客观性;并且,相较于现有技术中的人为确定房屋价值的方式,本公开的实施例可以提高确定房屋价值的自动化程度,进而提高信息生成的效率。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本公开的其它特征、目的和优点将会变得更明显:
图1是本公开的一个实施例可以应用于其中的示例性系统架构图;
图2是根据本公开的用于生成信息的方法的一个实施例的流程图;
图3是根据本公开的实施例的用于生成信息的方法的一个应用场景的示意图;
图4是根据本公开的用于生成信息的方法的又一个实施例的流程图;
图5是根据本公开的用于生成信息的装置的一个实施例的结构示意图;
图6是适于用来实现本公开的实施例的电子设备的计算机系统的结构示意图。
具体实施方式
下面结合附图和实施例对本公开作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。
图1示出了可以应用本公开的用于生成信息的方法或用于生成信息的装置的实施例的示例性系统架构100。
如图1所示,系统架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种客户端应用,例如房产类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、103可以是硬件,也可以是软件。当终端设备101、102、103为硬件时,可以是各种电子设备,包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture Experts Group Audio Layer III,动态影像专家压缩标准音频层面3)、MP4(Moving Picture Experts Group Audio Layer IV,动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时,可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务的多个软件或软件模块),也可以实现成单个软件或软件模块。在此不做具体限定。
服务器105可以是提供各种服务的服务器,例如对终端设备101、102、103发送的目标房屋的房屋信息进行处理的信息处理服务器。信息处理服务器可以对接收到的房屋信息等数据进行分析等处理,并获得处理结果(例如目标房屋的价值信息)。特别的,信息处理服务器还可以将所获得的处理结果反馈给终端设备。
需要说明的是,本公开的实施例所提供的用于生成信息的方法可以由终端设备101、102、103执行,也可以由服务器105执行,相应地,用于生成信息的装置可以设置于终端设备101、102、103中,也可以设置于服务器105中。
需要说明的是,服务器可以是硬件,也可以是软件。当服务器为硬件时,可以实现成多个服务器组成的分布式服务器集群,也可以实现成单个服务器。当服务器为软件时,可以实现成多个软件或软件模块(例如用来提供分布式服务的多个软件或软件模块),也可以实现成单个软件或软件模块。在此不做具体限定。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。在生成目标房屋的价值信息的过程中所使用的数据不需要从远程获取的情况下,上述系统架构可以不包括网络,而只包括终端设备或服务器。
继续参考图2,示出了根据本公开的用于生成信息的方法的一个实施例的流程200。该用于生成信息的方法,包括以下步骤:
步骤201,获取目标房屋的房屋信息。
在本实施例中,用于生成信息的方法的执行主体(例如图1所示的服务器)可以通过有线连接方式或者无线连接方式从远程或本地获取目标房屋的房屋信息。其中,目标房屋为待确定其价值的房屋(例如未挂牌的房屋)。房屋信息可以包括用于指示目标房屋的位置的位置信息,此外,房屋信息也可以包括用于指示目标房屋的其他特征的信息,例如用于指示目标房屋的建成年份的信息。
步骤202,获取预先确定的样本房屋信息集合。
在本实施例中,上述执行主体可以获取预先确定的样本房屋信息集合。其中,样本房屋信息集合中的样本房屋信息所对应的样本房屋可以为已经确定出其价值的房屋(例如已挂牌的房屋)。具体的,样本房屋信息可以包括用于指示样本房屋的位置的样本位置信息和用于表征样本房屋的价值的样本价值信息,此外,样本房屋信息也可以包括用于指示样本房屋的其他特征的信息,例如用于指示样本房屋的建成年份的信息。
实践中,房屋的价值可以体现于用户获取房屋所需付出的代价的多少。具体的,用户获取房屋所需付出的代价越多,可以表征房屋的价值越高。进而,在本实施例中,用于表征房屋的价值的价值信息(包括样本价值信息以及下文中的目标房屋所对应的价值信息)可以为用于指示用户获取房屋所需付出的代价的多少的信息。在这里,用户获取房屋所需付出的代价可以为各种代价,例如金钱、股票、房产、黄金等。
作为示例,价值信息可以为用于表征房屋每平米的价格的单价信息。这里,单价信息可以用于指示用户获取房屋所需付出的金钱的多少,单价信息所表征的每平米的价格越高,则可以表征房屋的价值越高;或者,价值信息可以为用于表征房屋的总价格的价格信息。这里,价格信息也可以用于指示用户获取房屋所需付出的金钱的多少,价格信息所表征的总价格越高,则可以表征房屋的价值越高。
在本实施例的一些可选的实现方式中,房屋信息(包括上述目标房屋的房屋信息和样本房屋信息)还可以包括但不限于以下至少一项:朝向信息、楼层信息、面积信息、户型信息。
需要说明的是,本公开的实施例对目标房屋的房屋信息和样本房屋信息集合的获取顺序并不做限制,上文中描述的先获取目标房屋的房屋信息,再获取样本房屋信息集合的方式仅为一种实现方式,实践中,也可以先获取样本房屋信息集合,再获取目标房屋的房屋信息。
步骤203,从样本房屋信息集合中选取所包括的样本位置信息与目标房屋的位置信息相匹配的样本房屋信息作为候选房屋信息。
在本实施例中,基于步骤202中得到的样本房屋信息集合,上述执行主体可以从样本房屋信息集合中选取所包括的样本位置信息与目标房屋的位置信息相匹配的样本房屋信息作为候选房屋信息。这里,相匹配指的是位置信息对应的位置相同或相近。
可以理解,实践中,位置相同或相近的房屋通常具有相似的价值标准。这里,价值标准为用于确定房屋的总价值的基准,例如每平米的价格、每个楼层的价格等。
具体的,上述执行主体可以采用各种方法从样本房屋信息集合中选取所包括的样本位置信息与目标房屋的位置信息相匹配的候选房屋信息。
在本实施例的一些可选的实现方式中,房屋信息(包括目标房屋的房屋信息和样本房屋信息)中的位置信息用于指示房屋所属的小区;以及上述执行主体可以从样本房屋信息集合中选取所包括的样本位置信息指示的小区与目标房屋的位置信息指示的小区相同的样本房屋信息作为候选房屋信息。
在本实施例的一些可选的实现方式中,房屋信息(包括目标房屋的房屋信息和样本房屋信息)中的位置信息用于指示房屋的经纬度;以及上述执行主体可以基于样本房屋信息中的样本位置信息和目标房屋的位置信息,从样本房屋信息集合中提取所对应的样本房屋与目标房屋的距离小于或等于预设距离阈值的样本房屋信息作为候选房屋信息。这里,预设距离阈值可以为技术人员预先设置的距离最大值。
步骤204,基于所选取的候选房屋信息中的样本价值信息,生成用于表征目标房屋的价值的价值信息。
在本实施例中,通过步骤203可以获得至少一个候选房屋信息,进而基于步骤203中得到的候选房屋信息中的样本价值信息,上述执行主体可以生成用于表征目标房屋的价值的价值信息。
具体的,上述执行主体可以基于候选房屋信息中的样本价值信息,采用各种方法生成用于表征目标房屋的价值的价值信息。
作为一个示例,候选房屋信息中的样本价值信息为用于表征房屋每平米的价格的单价信息,则上述执行主体可以直接将候选房屋信息中的样本价值信息确定为目标房屋的价值信息(即设置目标房屋的单价与候选房屋信息所对应的房屋的单价相同)。
作为又一个示例,候选房屋信息中的样本价值信息为用于表征房屋总价格的价格信息,则上述执行主体可以首先确定候选房屋信息所对应的房屋的总面积(例如从候选房屋信息中获取面积信息所表征的面积),然后对价格信息所表征的价格和所确定的面积进行求商,获得候选房屋信息所对应的房屋的单价,接着,确定目标房屋的面积(例如从目标房屋的房屋信息中获取面积信息所表征的面积),最后,对所获得的单价和目标房屋的面积进行求积,获得目标房屋的总价格,以及生成目标房屋所对应的、包括目标房屋的总价格的价值信息。
需要说明的是,上述两个示例均对应仅选取出一个候选房屋信息的情况,此时,可以如上述示例中所描述的,直接将候选房屋信息所对应的房屋的单价确定为目标房屋的单价,进而基于目标房屋的单价,生成目标房屋的价值信息。实践中,若选取出至少两个候选房屋信息,则可以获得至少两个单价,此时,可以基于至少两个单价,采用各种方法确定目标房屋的单价,例如可以对至少两个单价进行均值计算,进而将计算结果确定为目标房屋的单价;或者,可以从至少两个单价中选取最大的单价作为目标房屋的单价。
在本实施例的一些可选的实现方式中,获得目标房屋的价值信息后,上述执行主体还可以执行以下步骤:首先,上述执行主体可以将目标房屋的价值信息添加到目标房屋的房屋信息中,获得添加后的房屋信息。然后,上述执行主体可以将添加后的房屋信息作为样本房屋信息添加到样本房屋信息集合中。以此,可以增加样本房屋信息集合的数量,有助于在后续利用样本房屋信息集合确定新的目标房屋的价值时,增加参考数据,进而实现更为精准的价值确定。
在本实施例的一些可选的实现方式中,获得目标房屋的价值信息后,上述执行主体还可以将目标房屋的价值信息推送给通信连接的用户终端,以及控制用户终端对目标房屋的价值信息进行呈现。
在这里,用户终端可以为用户所使用的终端(例如手机)。实践中,上述执行主体可以通过向用户终端发送控制信号来控制用户终端对价值信息进行呈现。
由于目标房屋的价值信息为基于候选房屋信息中的样本价值信息确定的,具有更高的客观性和自动化程度,所以,本实现方式可以提高所推送的信息的客观性以及更为自动化地控制用户终端呈现信息。
继续参见图3,图3是根据本实施例的用于生成信息的方法的应用场景的一个示意图。在图3的应用场景中,服务器31可以首先获取目标房屋的房屋信息32,其中,房屋信息32包括用于指示目标房屋的位置的位置信息。然后,服务器31可以获取预先确定的样本房屋信息集合33。其中,样本房屋信息集合33包括样本房屋信息331、332、333。样本房屋信息331、332、333分别包括用于指示样本房屋的位置的样本位置信息和用于表征样本房屋的价值的样本价值信息。接着,服务器31可以从样本房屋信息集合33中选取所包括的样本位置信息与目标房屋的位置信息321相匹配的样本房屋信息作为候选房屋信息34。最后,服务器31可以基于所选取的候选房屋信息34中的样本价值信息,生成用于表征目标房屋的价值的价值信息35。
本公开的上述实施例提供的方法可以基于候选房屋信息中的样本价值信息确定目标房屋的价值信息,以此,可以提高确定出的价值信息的客观性;并且,相较于现有技术中的人为确定房屋价值的方式,本公开的实施例可以提高确定房屋价值的自动化程度,进而提高信息生成的效率。
进一步参考图4,其示出了用于生成信息的方法的又一个实施例的流程400。该用于生成信息的方法的流程400,包括以下步骤:
步骤401,获取目标房屋的房屋信息。
在本实施例中,用于生成信息的方法的执行主体(例如图1所示的服务器)可以通过有线连接方式或者无线连接方式从远程或本地获取目标房屋的房屋信息。其中,目标房屋为待确定其价值的房屋。房屋信息可以包括用于指示目标房屋的位置的位置信息。
步骤402,获取预先确定的样本房屋信息集合。
在本实施例中,上述执行主体可以获取预先确定的样本房屋信息集合。其中,样本房屋信息集合中的样本房屋信息所对应的样本房屋可以为已经确定出其价值的房屋。具体的,样本房屋信息可以包括用于指示样本房屋的位置的样本位置信息和用于表征样本房屋的价值的样本价值信息。
步骤403,从样本房屋信息集合中选取所包括的样本位置信息与目标房屋的位置信息相匹配的样本房屋信息作为候选房屋信息。
在本实施例中,基于步骤402中得到的样本房屋信息集合,上述执行主体可以从样本房屋信息集合中选取所包括的样本位置信息与目标房屋的位置信息相匹配的样本房屋信息作为候选房屋信息。这里,相匹配指的是位置信息对应的位置相同或相近。
上述步骤401、步骤402、步骤403可以分别采用与前述实施例中的步骤201、步骤202和步骤203类似的方式执行,上文针对步骤201、步骤202和步骤203的描述也适用于步骤401、步骤402和步骤403,此处不再赘述。
步骤404,获取预先确定的初始模型。
在本实施例中,上述执行主体可以获取预先确定的初始模型。其中,初始模型可以为经过训练但未训练完成的模型,也可以是未经训练的模型。具体的,初始模型可以为预先确定的、用于训练获得价值识别模型的各种模型,例如决策树(Decision Tree)、神经网络等。价值识别模型可以用于利用房屋的房屋特征(例如房屋的面积、朝向、户型等),识别房屋的价值。
在本实施例的一些可选的实现方式中,初始模型可以为线性回归模型。
线性回归模型(Linear Regression model)包括一元线性回归模型和多元线性回归模型。具体的,一元线性回归是利用一个主要影响因素作为自变量来解释因变量的变化。实践中,因变量的变化往往受几个重要因素的影响,此时就需要用两个或两个以上的影响因素作为自变量来解释因变量的变化,这就是多元回归亦称多重回归。
本实现方式利用线性回归模型作为初始模型有助于更为快速地训练获得价值识别模型,进而,有助于提高信息生成的效率。
步骤405,利用机器学习方法,将所获取的候选房屋信息中除样本价值信息以外的信息作为初始模型的输入数据,将所输入的信息所对应的样本价值信息作为初始模型的期望输出数据,对初始模型进行训练,获得训练完成的初始模型作为价值识别模型。
在本实施例中,基于步骤403中得到的候选房屋信息和步骤404中获得的初始模型,上述执行主体可以利用机器学习方法,将候选房屋信息作为训练样本,对初始模型进行训练。
具体的,可以首先将候选房屋信息中的除样本价值信息以外的信息(例如面积信息、楼层信息等)输入上述初始模型,获得实际输出。然后,可以采用梯度下降法和反向传播法,基于实际输出和样本价值信息(即期望输出),调整初始模型的参数,将每次调整参数后得到的初始模型作为下次训练的初始模型,并在满足预设的训练结束条件的情况下,结束训练,从而获得训练完成的初始模型(即价值识别模型)。
需要说明的是,上述预设的训练结束条件可以包括但不限于以下至少一项:训练时间超过预设时长;训练次数超过目标次数;利用预设的损失函数(例如交叉熵损失函数)计算得到的实际输出相对于样本价值信息的损失值小于预设损失值阈值。这里,目标次数可以为预设次数,也可以为将所选取的候选房屋信息全部用于训练后的训练次数。
步骤406,将目标房屋的房屋信息输入价值识别模型,获得用于表征目标房屋的价值的价值信息。
在本实施例中,基于步骤405中得到的价值识别模型,上述执行主体可以将目标房屋的房屋信息输入价值识别模型,获得用于表征目标房屋的价值的价值信息。
需要说明的是,实践中,输入价值识别模型的目标房屋的房屋信息与训练获得价值识别模型时输入上述初始模型的样本房屋信息可以是相对应的。例如,步骤405中训练获得价值识别模型时输入上述初始模型的样本房屋信息包括面积信息和楼层信息,则本步骤中输入价值识别模型的、目标房屋的房屋信息也可以包括面积信息和楼层信息。以此,可以提高模型输出的价值信息的准确性。
从图4中可以看出,与图2对应的实施例相比,本实施例中的用于生成信息的方法的流程400突出了利用所获取的候选房屋信息训练获得价值识别模型,以及将目标房屋的房屋信息输入价值识别模型,获得用于表征目标房屋的价值的价值信息的步骤。由此,本实施例描述的方案基于价值识别模型识别目标房屋的价值,可以实现更为准确的价值识别,提高了信息生成的准确性,有助于呈现更为准确的价值信息。
进一步参考图5,作为对上述各图所示方法的实现,本公开提供了一种用于生成信息的装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图5所示,本实施例的用于生成信息的装置500包括:第一获取单元501、第二获取单元502、选取单元503和生成单元504。其中,第一获取单元501被配置成获取目标房屋的房屋信息,其中,房屋信息包括用于指示目标房屋的位置的位置信息;第二获取单元502被配置成获取预先确定的样本房屋信息集合,其中,样本房屋信息包括用于指示样本房屋的位置的样本位置信息和用于表征样本房屋的价值的样本价值信息;选取单元503被配置成从样本房屋信息集合中选取所包括的样本位置信息与目标房屋的位置信息相匹配的样本房屋信息作为候选房屋信息;生成单元504被配置成基于所选取的候选房屋信息中的样本价值信息,生成用于表征目标房屋的价值的价值信息。
在本实施例中,用于生成信息的装置500的第一获取单元501可以通过有线连接方式或者无线连接方式从远程或本地获取目标房屋的房屋信息。其中,目标房屋为待确定其价值的房屋(例如未挂牌的房屋)。房屋信息可以包括用于指示目标房屋的位置的位置信息,此外,房屋信息也可以包括用于指示目标房屋的其他特征的信息,例如用于指示目标房屋的建成年份的信息。
在本实施例中,第二获取单元502可以获取预先确定的样本房屋信息集合。其中,样本房屋信息集合中的样本房屋信息所对应的样本房屋可以为已经确定出其价值的房屋(例如已挂牌的房屋)。具体的,样本房屋信息可以包括用于指示样本房屋的位置的样本位置信息和用于表征样本房屋的价值的样本价值信息,此外,样本房屋信息也可以包括用于指示样本房屋的其他特征的信息,例如用于指示样本房屋的建成年份的信息。
在本实施例中,基于第二获取单元502得到的样本房屋信息集合,选取单元503可以从样本房屋信息集合中选取所包括的样本位置信息与目标房屋的位置信息相匹配的样本房屋信息作为候选房屋信息。这里,相匹配指的是位置信息对应的位置相同或相近。
在本实施例中,选取单元503可以获得至少一个候选房屋信息,进而基于选取单元503得到的候选房屋信息中的样本价值信息,生成单元504可以生成用于表征目标房屋的价值的价值信息。
在本实施例的一些可选的实现方式中,生成单元504可以包括:获取模块(图中未示出),被配置成获取预先确定的初始模型;训练模块(图中未示出),被配置成利用机器学习方法,将所获取的候选房屋信息中除样本价值信息以外的信息作为初始模型的输入数据,将所输入的信息所对应的样本价值信息作为初始模型的期望输出数据,对初始模型进行训练,获得训练完成的初始模型作为价值识别模型;输入模块(图中未示出),被配置成将目标房屋的房屋信息输入价值识别模型,获得用于表征目标房屋的价值的价值信息。
在本实施例的一些可选的实现方式中,初始模型为线性回归模型。
在本实施例的一些可选的实现方式中,房屋信息中的位置信息用于指示房屋所属的小区;以及选取单元503可以进一步被配置成:从样本房屋信息集合中选取所包括的样本位置信息指示的小区与目标房屋的位置信息指示的小区相同的样本房屋信息作为候选房屋信息。
在本实施例的一些可选的实现方式中,房屋信息中的位置信息用于指示房屋的经纬度;以及选取单元503可以进一步被配置成:基于样本房屋信息中的样本位置信息和目标房屋的位置信息,从样本房屋信息集合中提取所对应的样本房屋与目标房屋的距离小于或等于预设距离阈值的样本房屋信息作为候选房屋信息。
在本实施例的一些可选的实现方式中,房屋信息还可以包括但不限于以下至少一项:朝向信息、楼层信息、面积信息、户型信息。
在本实施例的一些可选的实现方式中,装置500还可以包括:第一添加单元(图中未示出),被配置成将目标房屋的价值信息添加到目标房屋的房屋信息中,获得添加后的房屋信息;第二添加单元(图中未示出),被配置成将添加后的房屋信息作为样本房屋信息添加到样本房屋信息集合中。
在本实施例的一些可选的实现方式中,装置500还可以包括:推送单元(图中未示出),被配置成将目标房屋的价值信息推送给通信连接的用户终端,以及控制用户终端对目标房屋的价值信息进行呈现。
可以理解的是,该装置500中记载的诸单元与参考图2描述的方法中的各个步骤相对应。由此,上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置500及其中包含的单元,在此不再赘述。
本公开的上述实施例提供的装置500可以基于候选房屋信息中的样本价值信息确定目标房屋的价值信息,以此,可以提高确定出的价值信息的客观性;并且,相较于现有技术中的人为确定房屋价值的方式,本公开可以提高确定房屋价值的自动化程度,进而提高信息生成的效率。
下面参考图6,其示出了适于用来实现本公开实施例的电子设备(例如图1中的终端设备或服务器)600的结构示意图。本公开实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图6示出的电子设备仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图6所示,电子设备600可以包括处理装置(例如中央处理器、图形处理器等)601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中,还存储有电子设备600操作所需的各种程序和数据。处理装置601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
通常,以下装置可以连接至I/O接口605:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607;包括例如磁带、硬盘等的存储装置608;以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备600,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信装置609从网络上被下载和安装,或者从存储装置608被安装,或者从ROM 602被安装。在该计算机程序被处理装置601执行时,执行本公开实施例的方法中限定的上述功能。
需要说明的是,本公开所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:获取目标房屋的房屋信息,其中,房屋信息包括用于指示目标房屋的位置的位置信息;获取预先确定的样本房屋信息集合,其中,样本房屋信息包括用于指示样本房屋的位置的样本位置信息和用于表征样本房屋的价值的样本价值信息;从样本房屋信息集合中选取所包括的样本位置信息与目标房屋的位置信息相匹配的样本房屋信息作为候选房屋信息;基于所选取的候选房屋信息中的样本价值信息,生成用于表征目标房屋的价值的价值信息。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。其中,单元的名称在某种情况下并不构成对该单元本身的限定,例如,第一获取单元还可以被描述为“获取目标房屋的房屋信息的单元”。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开中所涉及的公开范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述公开构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (12)
1.一种用于生成信息的方法,包括:
获取目标房屋的房屋信息,其中,所述房屋信息包括用于指示所述目标房屋的位置的位置信息;
获取预先确定的样本房屋信息集合,其中,样本房屋信息包括用于指示样本房屋的位置的样本位置信息和用于表征样本房屋的价值的样本价值信息;
从所述样本房屋信息集合中选取所包括的样本位置信息与所述目标房屋的位置信息相匹配的样本房屋信息作为候选房屋信息;
基于所选取的候选房屋信息中的样本价值信息,生成用于表征所述目标房屋的价值的价值信息。
2.根据权利要求1所述的方法,其中,所述基于所选取的候选房屋信息中的样本价值信息,生成用于表征所述目标房屋的价值的价值信息包括:
获取预先确定的初始模型;
利用机器学习方法,将所获取的候选房屋信息中除样本价值信息以外的信息作为初始模型的输入数据,将所输入的信息所对应的样本价值信息作为初始模型的期望输出数据,对初始模型进行训练,获得训练完成的初始模型作为价值识别模型;
将所述目标房屋的房屋信息输入所述价值识别模型,获得用于表征所述目标房屋的价值的价值信息。
3.根据权利要求2所述的方法,其中,所述初始模型为线性回归模型。
4.根据权利要求1所述的方法,其中,房屋信息中的位置信息用于指示房屋所属的小区;以及
所述从所述样本房屋信息集合中选取所包括的样本位置信息与所述目标房屋的位置信息相匹配的样本房屋信息作为候选房屋信息包括:
从所述样本房屋信息集合中选取所包括的样本位置信息指示的小区与所述目标房屋的位置信息指示的小区相同的样本房屋信息作为候选房屋信息。
5.根据权利要求1所述的方法,其中,房屋信息中的位置信息用于指示房屋的经纬度;以及
所述从所述样本房屋信息集合中选取所包括的样本位置信息与所述目标房屋的位置信息相匹配的样本房屋信息作为候选房屋信息包括:
基于样本房屋信息中的样本位置信息和所述目标房屋的位置信息,从所述样本房屋信息集合中提取所对应的样本房屋与所述目标房屋的距离小于或等于预设距离阈值的样本房屋信息作为候选房屋信息。
6.根据权利要求1所述的方法,其中,房屋信息还包括以下至少一项:朝向信息、楼层信息、面积信息、户型信息。
7.根据权利要求1所述的方法,其中,所述方法还包括:
将所述目标房屋的价值信息添加到所述目标房屋的房屋信息中,获得添加后的房屋信息;
将添加后的房屋信息作为样本房屋信息添加到所述样本房屋信息集合中。
8.根据权利要求1-7之一所述的方法,其中,所述方法还包括:
将所述目标房屋的价值信息推送给通信连接的用户终端,以及控制所述用户终端对所述目标房屋的价值信息进行呈现。
9.一种用于生成信息的装置,包括:
第一获取单元,被配置成获取目标房屋的房屋信息,其中,所述房屋信息包括用于指示所述目标房屋的位置的位置信息;
第二获取单元,被配置成获取预先确定的样本房屋信息集合,其中,样本房屋信息包括用于指示样本房屋的位置的样本位置信息和用于表征样本房屋的价值的样本价值信息;
选取单元,被配置成从所述样本房屋信息集合中选取所包括的样本位置信息与所述目标房屋的位置信息相匹配的样本房屋信息作为候选房屋信息;
生成单元,被配置成基于所选取的候选房屋信息中的样本价值信息,生成用于表征所述目标房屋的价值的价值信息。
10.根据权利要求9所述的装置,其中,所述生成单元包括:
获取模块,被配置成获取预先确定的初始模型;
训练模块,被配置成利用机器学习方法,将所获取的候选房屋信息中除样本价值信息以外的信息作为初始模型的输入数据,将所输入的信息所对应的样本价值信息作为初始模型的期望输出数据,对初始模型进行训练,获得训练完成的初始模型作为价值识别模型;
输入模块,被配置成将所述目标房屋的房屋信息输入所述价值识别模型,获得用于表征所述目标房屋的价值的价值信息。
11.一种电子设备,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-8中任一所述的方法。
12.一种计算机可读介质,其上存储有计算机程序,其中,该程序被处理器执行时实现如权利要求1-8中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910528721.2A CN110619537A (zh) | 2019-06-18 | 2019-06-18 | 用于生成信息的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910528721.2A CN110619537A (zh) | 2019-06-18 | 2019-06-18 | 用于生成信息的方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110619537A true CN110619537A (zh) | 2019-12-27 |
Family
ID=68921376
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910528721.2A Pending CN110619537A (zh) | 2019-06-18 | 2019-06-18 | 用于生成信息的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110619537A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113724117A (zh) * | 2020-12-28 | 2021-11-30 | 京东城市(北京)数字科技有限公司 | 用于房屋异常使用识别的模型训练方法和装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2004044805A1 (en) * | 2002-11-09 | 2004-05-27 | Jae-Hwang Sim | Method for providing information for house exchange and system therefor |
CN104751007A (zh) * | 2015-04-16 | 2015-07-01 | 百度在线网络技术(北京)有限公司 | 基于建筑物价值评估的计算方法和装置 |
CN108805091A (zh) * | 2018-06-15 | 2018-11-13 | 北京字节跳动网络技术有限公司 | 用于生成模型的方法和装置 |
CN109544215A (zh) * | 2018-10-31 | 2019-03-29 | 平安直通咨询有限公司 | 房屋价值预测方法、装置、计算机设备和存储介质 |
CN109615414A (zh) * | 2018-10-31 | 2019-04-12 | 平安直通咨询有限公司 | 房产预估方法、装置及存储介质 |
-
2019
- 2019-06-18 CN CN201910528721.2A patent/CN110619537A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2004044805A1 (en) * | 2002-11-09 | 2004-05-27 | Jae-Hwang Sim | Method for providing information for house exchange and system therefor |
CN104751007A (zh) * | 2015-04-16 | 2015-07-01 | 百度在线网络技术(北京)有限公司 | 基于建筑物价值评估的计算方法和装置 |
CN108805091A (zh) * | 2018-06-15 | 2018-11-13 | 北京字节跳动网络技术有限公司 | 用于生成模型的方法和装置 |
CN109544215A (zh) * | 2018-10-31 | 2019-03-29 | 平安直通咨询有限公司 | 房屋价值预测方法、装置、计算机设备和存储介质 |
CN109615414A (zh) * | 2018-10-31 | 2019-04-12 | 平安直通咨询有限公司 | 房产预估方法、装置及存储介质 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113724117A (zh) * | 2020-12-28 | 2021-11-30 | 京东城市(北京)数字科技有限公司 | 用于房屋异常使用识别的模型训练方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109858445B (zh) | 用于生成模型的方法和装置 | |
CN110288049B (zh) | 用于生成图像识别模型的方法和装置 | |
CN108416310B (zh) | 用于生成信息的方法和装置 | |
CN109993150B (zh) | 用于识别年龄的方法和装置 | |
CN109829432B (zh) | 用于生成信息的方法和装置 | |
CN109981787B (zh) | 用于展示信息的方法和装置 | |
CN110009059B (zh) | 用于生成模型的方法和装置 | |
CN108388563B (zh) | 信息输出方法和装置 | |
CN109214501B (zh) | 用于识别信息的方法和装置 | |
CN110084317B (zh) | 用于识别图像的方法和装置 | |
CN110211121B (zh) | 用于推送模型的方法和装置 | |
CN110619078B (zh) | 用于推送信息的方法和装置 | |
CN110059623B (zh) | 用于生成信息的方法和装置 | |
CN112650841A (zh) | 信息处理方法、装置和电子设备 | |
CN110046571B (zh) | 用于识别年龄的方法和装置 | |
CN109934142B (zh) | 用于生成视频的特征向量的方法和装置 | |
CN112149699A (zh) | 用于生成模型的方法、装置和用于识别图像的方法、装置 | |
CN112509562A (zh) | 用于文本后处理的方法、装置、电子设备和介质 | |
CN110727775B (zh) | 用于处理信息的方法和装置 | |
CN110008926B (zh) | 用于识别年龄的方法和装置 | |
CN109829117B (zh) | 用于推送信息的方法和装置 | |
CN110659387A (zh) | 用于提供视频的方法和设备 | |
CN111612135B (zh) | 用于信息交互的方法和装置 | |
CN110335237B (zh) | 用于生成模型的方法、装置和用于识别图像的方法、装置 | |
CN112309387A (zh) | 用于处理信息的方法和装置 |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20230419 Address after: Room 802, Information Building, 13 Linyin North Street, Pinggu District, Beijing, 101299 Applicant after: Beijing youzhuju Network Technology Co.,Ltd. Address before: No. 715, 7th floor, building 3, 52 Zhongguancun South Street, Haidian District, Beijing 100081 Applicant before: Beijing infinite light field technology Co.,Ltd. |