CN110633726A - 一种房源识别方法、装置、存储介质及电子设备 - Google Patents
一种房源识别方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN110633726A CN110633726A CN201811593688.3A CN201811593688A CN110633726A CN 110633726 A CN110633726 A CN 110633726A CN 201811593688 A CN201811593688 A CN 201811593688A CN 110633726 A CN110633726 A CN 110633726A
- Authority
- CN
- China
- Prior art keywords
- house source
- house
- source
- information
- sources
- 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 44
- 239000013598 vector Substances 0.000 claims abstract description 100
- 238000004364 calculation method Methods 0.000 claims description 16
- 238000012795 verification Methods 0.000 claims description 14
- 238000013507 mapping Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 10
- 230000001174 ascending effect Effects 0.000 claims description 9
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 238000011835 investigation Methods 0.000 description 17
- 238000012545 processing Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0641—Shopping interfaces
- G06Q30/0643—Graphical representation of items or shoppers
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Finance (AREA)
- General Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Economics (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Development Economics (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开实施例公开了一种房源识别方法、装置、存储介质及电子设备。该方法包括根据房源信息对应的特征向量之间的距离对待识别的房源进行聚类处理,得到房源集合;确定每个所述房源集合中各个房源的房源信息的完整程度;根据所述完整程度由各个所述房源集合中确定目标房源,将所述目标房源标记为真实房源,并展示所述真实房源。采用本公开实施例的技术方案,通过将重复或者具有相似特征的房源聚类到一个房源集合内,并根据房源信息的完整程度由各个房源集合中确定真实房源并展示,可以避免将虚假房源的相关信息发布到网络平台的问题发生,提高了网络平台中展示的房产信息的准确度。
Description
技术领域
本公开实施例涉及计算机技术领域,尤其涉及一种房源识别方法、装置、存储介质及电子设备。
背景技术
随着互联网技术的发展,网络提供给用户的信息越来越丰富。例如,用户可以通过网络平台浏览房产信息,从而满足租房或买房的需求。
目前,网络平台上展示的房产信息,通常是由房产中介公司内的房产经纪人上传的。房产中介公司对房产经纪人的考核指标可能包括房源录入次数、以及售出房源套数等指标。由于涉及到业绩考核,一些房产经纪人可能会录入一些重复或编造的房源、或者对真实房源进行简单修改的房源来满足考核要求,而这些虚假的房源的相关信息若未经过仔细的勘察检验,会被最终展示到网络平台上供用户浏览,为用户购置房产带来了不必要的麻烦,进而影响网络平台的用户黏度。
发明内容
本公开实施例提供一种房源识别方法、装置、存储介质及电子设备,可以识别获取到的房源信息的真伪,有效地减少虚假房源被上传网络平台的概率。
第一方面,本公开实施例提供了一种房源识别方法,包括:
根据房源信息对应的特征向量之间的距离对待识别的房源进行聚类处理,得到房源集合;
确定每个所述房源集合中各个房源的房源信息的完整程度;
根据所述完整程度由各个所述房源集合中确定目标房源,将所述目标房源标记为真实房源,并展示所述真实房源。
上述方案中,可选的是,在根据房源信息对应的特征向量之间的距离对待识别的房源进行聚类处理之前,还包括:
将房源信息中的描述信息映射至设定数字区间内,得到所述房源信息对应的特征向量。
上述方案中,可选的是,根据房源信息对应的特征向量之间的距离对待识别的房源进行聚类处理,得到房源集合,包括:
计算房源信息对应的特征向量之间的距离;
若所述距离不超过设定第一阈值,则确定参与距离计算的特征向量属于同一房源集合;
若所述距离超过设定第一阈值,则确定参与距离计算的特征向量属于不同房源集合。
上述方案中,可选的是,所述确定每个所述房源集合中各个房源的房源信息的完整程度,包括:
根据每个房源集合中各个房源的房源信息中包含的空信息的数量确定所述房源信息的完整程度。
上述方案中,可选的是,根据所述完整程度由各个所述房源集合中确定目标房源,包括:
根据所述完整程度对每个所述房源集合中的各个房源进行升序排列;
将排序在前的设定数量的房源确定为目标房源。
上述方案中,可选的是,在根据所述完整程度由各个所述房源集合中确定目标房源之后,还包括:
将各个所述房源集合中除所述目标房源之外的房源标记为疑似虚假房源;
基于所述疑似虚假房源的房源信息生成人工校验提示信息;
根据人工校验结果判断所述疑似虚假房源是否为虚假房源;
若所述疑似虚假房源为虚假房源,则删除所述疑似虚假房源的房源信息。
进一步的,在将各个所述房源集合中除所述目标房源之外的房源标记为疑似虚假房源之后,还包括:
获取所述疑似虚假房源对应的房产中介信息;
若所述疑似虚假房源与所述目标房源的所述房产中介信息不同,则在所述真实房源的展示界面中添加所述疑似虚假房源对应的所述房产中介信息。
第二方面,本公开实施例还提供了一种房源识别装置,该装置包括:
房源集合确定模块,用于根据房源信息对应的特征向量之间的距离对待识别的房源进行分类聚类处理,得到房源集合;
完整程度确定模块,用于确定每个所述房源集合中各个房源的房源信息的完整程度;
真实房源确定模块,用于根据所述完整程度由各个所述房源集合中确定目标房源,将所述目标房源标记为真实房源,并展示所述真实房源。
上述方案中,可选的是,所述房源识别装置还包括:
向量生成模块,用于在根据房源信息对应的特征向量之间的距离对待识别的房源进行聚类处理之前,将房源信息中的描述信息映射至设定数字区间内,得到所述房源信息对应的特征向量。
上述方案中,可选的是,所述房源集合确定模块具体用于:
计算房源信息对应的特征向量之间的距离;
若所述距离不超过设定第一阈值,则确定参与距离计算的特征向量属于同一房源集合;
若所述距离超过设定第一阈值,则确定参与距离计算的特征向量属于不同房源集合。
上述方案中,可选的是,完整程度确定模块具体用于:
根据每个房源集合中各个房源的房源信息中包含的空信息的数量确定所述房源信息的完整程度。
上述方案中,可选的是,真实房源确定模块具体用于:
根据所述完整程度对每个所述房源集合中的各个房源进行升序排列;
将排序在前的设定数量的房源确定为目标房源。
上述方案中,可选的是,所述房源识别装置还包括:
虚假房源处理模块,用于在根据所述完整程度由各个所述房源集合中确定目标房源之后,将各个所述房源集合中除所述目标房源之外的房源标记为疑似虚假房源;基于所述疑似虚假房源的房源信息生成人工校验提示信息;根据人工校验结果判断所述疑似虚假房源是否为虚假房源;若所述疑似虚假房源为虚假房源,则删除所述疑似虚假房源的房源信息。
进一步的,所述房源识别装置还包括:
在将各个所述房源集合中除所述目标房源之外的房源标记为疑似虚假房源之后,获取所述疑似虚假房源对应的房产中介信息;
若所述疑似虚假房源与所述目标房源的所述房产中介信息不同,则在所述真实房源的展示界面中添加所述疑似虚假房源对应的所述房产中介信息。
第三方面,本公开实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本公开实施例所述的房源识别方法。
第四方面,本公开实施例提供了一种电子设备,包括:
一个或多个处理器;
存储器,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个存储器执行,使得所述一个或多个处理器实现如本公开实施例所述的房源识别方法。
本公开实施例提供一种房源识别方案,通过对获取到的房源进行聚类,以将具有相似特征的房源归入同一房源集合;确定每个房源集合中各个房源的房源信息的完整程度;根据该完整程度由各个房源集合中确定目标房源,将该目标房源标记为真实房源并进行展示。采用本公开实施例的技术方案,通过将重复或者具有相似特征的房源聚类到一个房源集合内,并根据房源信息的完整程度由各个房源集合中确定目标房源,将该目标房源作为真实房源,从而,实现快速由已获取的房源中识别出真实房源并展示的效果,可以避免将虚假房源的相关信息发布到网络平台的问题发生,提高了网络平台中展示的房产信息的准确度,提升了该网络平台的用户黏度。
附图说明
图1为本公开实施例提供的一种房源识别方法的流程图;
图2为本公开实施例提供的另一种房源识别方法的流程图;
图3为本公开实施例提供的又一种房源识别方法的流程图;
图4为本公开实施例提供的一种房源识别装置的结构框图;
图5为本公开实施例提供的一种电子设备的结构框图。
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本公开,而非对本公开的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本公开相关的部分而非全部结构。
图1为本公开实施例提供的一种房源识别方法的流程图,该方法可以由房源识别装置来执行,该装置可由硬件和/或软件组成,并一般可集成在电子设备中。如图1所示,该方法可以包括如下步骤:
步骤110、根据房源信息对应的特征向量之间的距离对待识别的房源进行聚类处理,得到房源集合。
需要说明的是,房源信息包括房源描述信息,诸如房源记录号(即房源ID)、地理位置、所属小区、户型、面积、楼层、朝向及价格等字段。可以通过上述房源信息唯一代表一条房源记录,对应现实中的一个真实房源。例如,可以房源信息的形式可以是A市B区幸福里小区两室一厅70平方米的朝南的5楼的房源,售价为C万元。
示例性的,可以将上述房源信息中的描述信息映射至设定数字区间内,得到该房源信息对应的特征向量。可以提取房源信息中的地理位置、所属小区、户型、面积、楼层、朝向及价格等描述信息,采用设定规则将该描述信息映射至设定数字区间内,得到房源信息对应的特征向量。需要说明的是,将房源信息中的描述信息映射至设定数字区间的方式有很多种,并不限于本公开实施例所列举的方式。
示例性的,由待识别的目标房源中获取一个房源的房源信息对应的特征向量,记为参考向量。分别计算剩余的待识别的目标房源的特征向量与该参考向量之间的距离,确定该距离小于设定第一阈值的至少一个剩余的目标房源的特征向量,将该剩余的目标房源与参考向量对应的房源归入同一房源集合,得到第一个房源集合。对于不属于该房源集合的剩余的待识别的目标房源,任意获取一个房源的特征向量,记为新的参考向量。分别计算新的剩余待识别的目标房源的特征向量与该参考向量之间的距离,确定该距离小于设定第一阈值的至少一个剩余的目标房源的特征向量,将该剩余的目标房源与参考向量对应的房源归入同一房源集合,得到第二个房源集合。对于不属于上述两个房源集合的剩余的待识别的目标房源,采用相似的方式基于距离为其分类。
步骤120、确定每个所述房源集合中各个房源的房源信息的完整程度。
需要说明的是,由于房源信息包括房源记录号、地理位置、所属小区、户型、面积、楼层、朝向及价格等字段,对于获取到的房源信息,可能存在不能包含上述全部字段的情况。假设某一条房源信息中不包含朝向,则相应的字段中存储空信息。因此,可以根据一条房源信息中包含的空信息的数量确定该房源信息的完整程度。
示例性的,顺序获取一个房源集合,识别该房源集合中各个房源的房源信息中包含的空信息的数量,将所述数量与各个房源的房源标识进行关联存储得到该房源集合中各个房源的房源信息的完整程度。采用相似的方法,由剩余的房源集合中重新获取一个房源集合,确定该房源集合中各个房源的房源信息的完整程度。在检测到剩余的房源集合的数量为零时,停止执行确定房源集合中各个房源的房源信息的完整程度的操作。需要说明的是,识别房源信息中包含的空信息的数量可以是:统计房源信息对应的特征向量中代表空信息的向量分量的数量,将该数量作为房源信息中包含的空信息的数量。
步骤130、根据所述完整程度由各个所述房源集合中确定目标房源,将所述目标房源标记为真实房源,并展示所述真实房源。
示例性的,根据房源信息的完整程度对每个所述房源集合中的各个房源进行升序排列;将排序在前的设定数量的房源确定为目标房源,将该目标房源标记为真实房源,并展示真实房源,可以避免房产经纪人重复上传一些已经存在的房源,或者对已经存在的房源进行简单的修改再上传的问题发生。其中,设定数量可以根据实际情况设定,通常情况下,该设定数量的取值为1,即对于每个房源集合中的房源,确定一个为真实房源,将剩余的房源标记为虚假房源。
可选的,根据具有发布权限的房产中介的数量确定每个房源集合中的目标房源的数量。例如,与网络平台合作的房产中介为A、B和C,那么确定具有发布权限的房产中介的数量为3,可以将设定数量设置为3,以使每个房源集合中不同房产中介上传的同一套房源均能被展示。
本公开实施例的技术方案,通过对获取到的房源进行聚类,以将具有相似特征的房源归入同一房源集合;确定每个房源集合中各个房源的房源信息的完整程度;根据该完整程度由各个房源集合中确定目标房源,将该目标房源标记为真实房源并进行展示。采用本公开实施例的技术方案,通过将重复或者具有相似特征的房源聚类到一个房源集合内,并根据房源信息的完整程度由各个房源集合中确定目标房源,将该目标房源作为真实房源,从而,实现快速由已获取的房源中识别出真实房源并展示的效果,可以避免将重复或伪造的房源的相关信息发布到网络平台的问题发生,提高了网络平台中展示的房产信息的准确度,提升了该网络平台的用户黏度。
图2为本公开实施例提供的另一种房源识别方法的流程图。本实施例可以与上述一个或者多个实施例中各个可选方案结合。如图2所示,该方法包括:步骤201、将房源信息中的描述信息映射至设定数字区间内,得到所述房源信息对应的特征向量。
示例性的,规定将地理位置在北京的二手房的地理位置中的区域信息映射为1,将地理位置在上海的二手房的地理位置中的区域信息映射为2,将地理位置在广州的二手房的地理位置中的区域信息映射为3,将地理位置在深圳的二手房的地理位置中的区域信息映射为4,以此类推,采用上述设定规则将二手房的描述信息中的地理位置中的区域信息映射至设定数字区间内。
另外,对于北京市内的二手房的房源,可以根据行政区域不同进行映射处理。例如,规定位于海淀区的二手房的地理位置中的行政区域映射为1,将朝阳区的二手房的房源的地理位置中的行政区域映射为2,将西城区的二手房的房源地理位置中的行政区域映射为3,以此类推,采用上述设定规则将二手房的描述信息中的地理位置中的行政区域映射至设定数字区间内。
另外,根据小区名为二手房的房源所在的小区进行编号,将小区编号作为将二手房的描述信息中的所属小区映射后的数值。另外,根据户型信息将二手房的描述信息中户型映射至设定数字区间。例如,可以规定一室一厅的二手房的描述信息中的户型映射为11,将一室两厅的二手房的描述信息中的户型映射为12,将二室一厅的二手房的描述信息中的户型映射为21,将三室一厅的二手房的描述信息中的户型映射为31,将三室两厅的二手房的描述信息中的户型映射为32等等。
另外,根据二手房的描述信息中的楼层确定楼层映射后的数值。例如,假设二手房的房源位于一楼,则将二手房的描述信息中的楼层映射为1。
另外,预先赋予东、南、西、北、东南、东北、西南及西北8个方向为1至8中的任意数值,从而,实现二手房的描述信息中的朝向映射至设定数字区间。例如,二手房的朝向是南,则将二手房的描述信息中的朝向映射为1。
另外,根据价格区间将二手房中的描述信息中的价格映射至设定数字区间。例如,预先设置价格区间是0到100万,101万到200万,201万到300万,…,对应的映射值分别为1,2,3,4,…,从而,实现将二手房的描述信息中的价格映射至设定数字区间。经过上述映射处理,可以采用一维向量表示二手房的房源信息,该一维向量即为房源信息对应的特征向量。可选的,可以采用数组的形式分别存储各个房源信息。
需要说明的是,在房源信息中的某项描述信息为空时,将该项描述信息映射至0,例如,房源信息中朝向信息为空,则将朝向信息映射为0。另外,本公开实施例中所列举的映射操作的数值是示例而非限定。
步骤202、计算房源信息对应的特征向量之间的距离。
步骤203、判断所述房源信息对应的特征向量之间的距离是否超过设定第一阈值,若是,则执行步骤204,否则,执行步骤205。
步骤204、确定参与距离计算的特征向量属于不同房源集合。
若上述距离超过设定第一阈值,则确定参与距离计算的特征向量属于不同房源集合。
步骤205、确定参与距离计算的特征向量属于同一房源集合。
若上述距离不超过设定第一阈值,则确定参与距离计算的特征向量属于同一房源集合
本公开实施例中步骤202至步骤205可以采用下述方式实现:顺序获取待识别的房源中的一个,作为参照房源,将该参照房源的房源信息对应的特征向量记为参照向量。由剩余待识别的房源中获取另一个房源,作为考察房源,将该考察房源的房源信息对应的特征向量记为考察向量。计算考察向量与参照向量之间的差值,作为两个特征向量之间的距离。若上述距离小于或等于设定第一阈值,则将上述考察向量与参考向量归于一类,即确定参与距离计算的考察向量与参考向量属于同一房源集合;否则确定参与距离计算的考察向量与参考向量属于不同房源集合。
在考察向量与参考向量属于不同房源集合时,将上述考察向量记为另一参考向量。由剩余待识别的房源中重新获取一个待识别房源,记为新的考察房源,将该考察房源的房源信息对应的特征向量记为考察向量。分别计算该考察向量与上述两个参考向量之间的距离。将该考察向量与距离小于设定第一阈值的参考向量归于一类。若该考察向量与各个参考向量的距离均超过设定第一阈值,则确定该考察向量与参考向量属于不同房源集合,将该考察向量记为又一个参考向量。
若剩余待识别的房源的数量不为零,则由剩余待识别的房源中重新获取一个待识别房源,记为新的考察房源,按照上述相似方式,确定待识别房源的特征向量所属的房源集合。以此类推,直至检测到剩余待识别房源的数量为零,完成对目标房源的聚类,得到至少两个房源集合。
步骤206、根据每个房源集合中各个房源的房源信息中包含的空信息的数量确定所述房源信息的完整程度。
步骤207、根据所述完整程度对每个所述房源集合中的各个房源进行升序排列。
示例性的,可以采用每个房源集合中各个房源的房源信息对应的特征向量中0的数量表示该房源集合中各个房源的房源信息的完整程度。相应地,根据完整程度对每个房源集合中的各个房源进行升序排列可以是:根据每个房源集合中各个房源的房源信息对应的特征向量中0的数量为该房源集合中的房源进行由小至大的排列。
步骤208、将排序在前的设定数量的房源确定为目标房源。
由于在根据特征向量中0的数量为房源集合中的各个房源进行升序排列后,排序在前的房源的特征向量中0的数量小于排序在后的房源的特征向量中0的数量,也就是说排序在第一位的房源,其特征向量中0的数量最少,换言之,排序在第一位的房源具有最完整的房源信息。可以根据设定数量选择每个房源集合中排序在前的至少一个房源作为目标房源。
步骤209、将各个所述房源集合中除所述目标房源之外的房源标记为疑似虚假房源。
步骤210、基于所述疑似虚假房源的房源信息生成人工校验提示信息。
示例性的,上述疑似虚假房源包括省略部分字段后重复输入的房源和对已有房源的房源信息进行修改后上传的伪造房源。针对重复输入的房源,执行数据删除操作。由于剩余的疑似虚假房源可能是伪造房源,获取剩余的疑似虚假房源的房源标识信息,基于该房源标识信息生成人工校验提示信息,以提示相关人员对剩余的疑似虚假房源进行鉴别处理。其中,房源标识信息是可以唯一标识一个房源的信息,包括但不限于房源ID或者多个房源信息字段的组合等。
步骤211、根据人工校验结果判断所述疑似虚假房源是否为虚假房源,若是,则执行步骤212,否则执行步骤213。
其中,人工校验结果是由相关人员响应人工校验提示信息,对疑似虚假房源进行人工校验所得到的房源真伪的结果,包括虚假房源和真实房源。
步骤212、删除所述疑似虚假房源的房源信息。
若人工校验结果为该疑似虚假房源为虚假房源,则删除该疑似虚假房源的房源信息。
步骤213、将所述疑似虚假房源标记为真实房源,并将所述真实房源发布至设定网络平台进行展示。
若人工校验结果为该疑似虚假房源为真实房源,则将该疑似虚假房源标记为真实房源,并在设定网络平台展示该房源的房源信息。
示例性的,第一房源:A市B区幸福里小区两室一厅70平方米的朝南的5楼的房源,售价为C万元;第二房源:A市B区(实际未填入,行政区字段为空信息)幸福里小区一室一厅70平方米的朝南(实际未填入,行政区字段为空信息)的5楼的房源,售价为c万元。第一房源和第二房源在聚类处理后属于同一房源集合,但是第二房源因行政区字段和朝向字段均为空信息,被判定为疑似虚假房源,又由于第一房源和第二房源并不是重复输入,则基于第二房源的房源标识信息生成人工校验提示信息。假设人工校验结果为第二房源是真实房源,则将误判为疑似虚假房源的第二房源标记为真实房源,并将第二房源的房源信息发布至设定网络平台进行展示。
本公开实施例的技术方案,通过在根据每个房源集合中各个房源的房源信息的完整程度由各个所述房源集合中确定目标房源之后,将各个所述房源集合中除目标房源之外的房源标记为疑似虚假房源,结合人工校验的方式最终确定疑似虚假房源是否为虚假房源,可以避免将真实房源误判为虚假房源的问题发生,提高了房源识别操作的准确率;此外,删除已获取的虚假房源的房源信息,可以减少存储房源信息的设定数据库内存储的数据量,提高数据查询效率。
图3为本公开实施例提供的又一种房源识别方法的流程图。本实施例可以与上述一个或者多个实施例中各个可选方案结合。如图3所示,该方法包括:
步骤301、将房源信息中的描述信息映射至设定数字区间内,得到所述房源信息对应的特征向量。
步骤302、计算房源信息对应的特征向量之间的距离。
步骤303、判断所述房源信息对应的特征向量之间的距离是否超过设定第一阈值,若是,则执行步骤304,否则,执行步骤305。
步骤304、确定参与距离计算的特征向量属于不同房源集合。
步骤305、确定参与距离计算的特征向量属于同一房源集合。
步骤306、根据每个房源集合中各个房源的房源信息中包含的空信息的数量确定所述房源信息的完整程度。
步骤307、根据所述完整程度对每个所述房源集合中的各个房源进行升序排列。
步骤308、将排序在前的设定数量的房源确定为目标房源。
步骤309、将各个所述房源集合中除所述目标房源之外的房源标记为疑似虚假房源。
步骤310、获取所述疑似虚假房源对应的房产中介信息。
需要说明的是,房源信息还包括房产中介信息,其中,房产中介信息包括房产中介公司名称、房产经纪人姓名和联系方式等等。
在确定房源为疑似虚假房源后,获取疑似虚假房源的房产中介信息。
步骤311、判断所述房产中介信息与目标房源的房产中介信息是否相同,若否,则执行步骤312,否则执行步骤313。
示例性的,将所获取的疑似虚假房源的房产中介信息,与目标房源(即真实房源)的房产中介信息进行比较;若两者相同,则执行步骤313;若两者不同,则执行步骤312。
步骤312、在所述真实房源的展示界面中添加所述疑似虚假房源对应的所述房产中介信息。
步骤313、删除所述疑似虚假房源的房源信息。
若疑似虚假房源的房产中介信息与目标房源的房产中介信息相同,则确定疑似虚假房源为同一房产经纪人重复输入或伪造的虚假房源,删除该疑似虚假房源的房源信息。若疑似虚假房源的房产中介信息与目标房源的房产中介信息不同,则确定疑似虚假房源为不同房产中介内的不同房产经纪人发布的房源,在真实房源的展示界面中添加该疑似虚假房源对应的房产中介公司名称、房产经纪人和该房产经纪人的联系方式等,可以避免出现因将不同房产中介公司发布的房源聚类至同一房源集合,导致部分房产中介中房产经纪人发布房源但未显示该房产经纪人的相关信息的情况。
本公开实施例的技术方案,通过将目标房源对应的房产中介信息与疑似虚假房源对应的房产中介信息进行比较,根据比较结果确定是否将疑似虚假房源对应的房产中介信息添加至真实房源的展示界面中,避免出现同一房源集合内的多个房产中介发布的房源后,仅展示其中一个房产中介公司的房产中介信息的情况,提高了网络平台中展示的房产信息的完整性和准确性。
图4为本公开实施例提供的一种房源识别装置的结构框图,该装置可由软件和/或硬件实现,一般集成在电子设备中,可通过执行房源识别方法由待识别的房源中筛选出真实房源。如图4所示,该装置包括:
房源集合确定模块410,用于根据房源信息对应的特征向量之间的距离对待识别的房源进行聚类处理,得到房源集合;
完整程度确定模块420,用于确定每个所述房源集合中各个房源的房源信息的完整程度;
真实房源确定模块430,用于根据所述完整程度由各个所述房源集合中确定目标房源,将所述目标房源标记为真实房源,并展示所述真实房源。
本公开实施例提供的房源识别装置,通过对获取到的房源进行聚类,以将具有相似特征的房源归入同一房源集合;确定每个房源集合中各个房源的房源信息的完整程度;根据该完整程度由各个房源集合中确定目标房源,将该目标房源标记为真实房源并进行展示。采用本公开实施例的技术方案,通过将重复或者具有相似特征的房源聚类到一个房源集合内,并根据房源信息的完整程度由各个房源集合中确定目标房源,将该目标房源作为真实房源,从而,实现快速由已获取的房源中识别出真实房源并展示的效果,可以避免将重复或伪造的房源的相关信息发布到网络平台的问题发生,提高了网络平台中展示的房产信息的准确度,提升了该网络平台的用户黏度。
上述方案中,可选的是,所述房源识别装置还包括:
向量生成模块,用于在根据房源信息对应的特征向量之间的距离对待识别的房源进行聚类处理之前,将房源信息中的描述信息映射至设定数字区间内,得到所述房源信息对应的特征向量。
上述方案中,可选的是,所述房源集合确定模块410具体用于:
计算房源信息对应的特征向量之间的距离;
若所述距离不超过设定第一阈值,则确定参与距离计算的特征向量属于同一房源集合;
若所述距离超过设定第一阈值,则确定参与距离计算的特征向量属于不同房源集合。
上述方案中,可选的是,完整程度确定模块420具体用于:
根据每个房源集合中各个房源的房源信息中包含的空信息的数量确定所述房源信息的完整程度。
上述方案中,可选的是,真实房源确定模块430具体用于:
根据所述完整程度对每个所述房源集合中的各个房源进行升序排列;
将排序在前的设定数量的房源确定为目标房源。
上述方案中,可选的是,所述房源识别装置还包括:
虚假房源处理模块,用于在根据所述完整程度由各个所述房源集合中确定目标房源之后,将各个所述房源集合中除所述目标房源之外的房源标记为疑似虚假房源;基于所述疑似虚假房源的房源信息生成人工校验提示信息;根据人工校验结果判断所述疑似虚假房源是否为虚假房源;若所述疑似虚假房源为虚假房源,则删除所述疑似虚假房源的房源信息。
进一步的,所述房源识别装置还包括:
在将各个所述房源集合中除所述目标房源之外的房源标记为疑似虚假房源之后,获取所述疑似虚假房源对应的房产中介信息;
若所述疑似虚假房源与所述目标房源的所述房产中介信息不同,则在所述真实房源的展示界面中添加所述疑似虚假房源对应的所述房产中介信息。
本公开实施例还提供了一种电子设备,该电子设备中可集成本公开实施例提供的房源识别装置。本公开实施例电子设备包括终端设备或服务器,其中,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5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。
图5为本公开实施例提供的一种电子设备的结构框图。该电子设备可以包括:一个或多个处理器;
存储器,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个存储器执行,使得所述一个或多个处理器实现如下方法:
根据房源信息对应的特征向量之间的距离对待识别的房源进行聚类处理,得到房源集合;
确定每个所述房源集合中各个房源的房源信息的完整程度;
根据所述完整程度由各个所述房源集合中确定目标房源,将所述目标房源标记为真实房源,并展示所述真实房源。
应该理解的是,图示电子设备500仅仅是一个范例,并且电子设备500可以具有比图中所示出的更多的或者更少的部件,可以组合两个或更多的部件,或者可以具有不同的部件配置。图中所示出的各种部件可以在包括一个或多个信号处理和/或专用集成电路在内的硬件、软件、或硬件和软件的组合中实现。
下面就本实施例提供的集成有房源识别装置的电子设备进行详细的描述。
如图5所示,电子设备500可以包括处理器(例如中央处理器、图形处理器等)520,其可以根据存储在只读存储器(ROM)530中的程序或者从存储器510加载到随机访问存储器(RAM)540中的程序而执行各种适当的动作和处理。在RAM540中,还存储有电子设备500操作所需的各种程序和数据。处理器520、ROM530以及RAM540通过总线550彼此相连。输入/输出(I/O)接口560也连接至总线550。
通常,以下装置可以连接至I/O接口560: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580;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置590;包括例如磁带、硬盘等的存储器510;电子设备500还可以包括通信装置570。通信装置570可以允许电子设备500与其它设备进行无线或有线通信以交换数据。
特别地,根据本公开实施例,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本公开实施例提供的房源识别方法的程序代码。在这样的实施例中,该计算机程序可以通过通信装置从网络上被下载和安装,或者从存储器被安装,或者从ROM被安装。在该计算机程序被处理器执行时,执行本公开实施例的房源识别方法中限定的上述功能。
需要说明的是,本公开实施例中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。而在本公开实施例中,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,使得该电子设备实现如下方法:
根据房源信息对应的特征向量之间的距离对待识别的房源进行聚类处理,得到房源集合;
确定每个所述房源集合中各个房源的房源信息的完整程度;
根据所述完整程度由各个所述房源集合中确定目标房源,将所述目标房源标记为真实房源,并展示所述真实房源。
当然,本公开实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上所述的虚假房源识别的操作,还可以执行本公开任意实施例所提供的房源识别方法中的相关操作。
上述实施例中提供的房源识别装置、存储介质及电子设备可执行本公开任意实施例所提供的房源识别方法,具备执行该方法相应的功能模块和有益效果。未在上述实施例中详尽描述的技术细节,可参见本公开任意实施例所提供的房源识别方法。
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实施例的操作的计算机程序代码,上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模块、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,模块、单元的名称在某种情况下并不构成对该模块或单元本身的限定。
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 (10)
1.一种房源识别方法,其特征在于,包括:
根据房源信息对应的特征向量之间的距离对待识别的房源进行聚类处理,得到房源集合;
确定每个所述房源集合中各个房源的房源信息的完整程度;
根据所述完整程度由各个所述房源集合中确定目标房源,将所述目标房源标记为真实房源,并展示所述真实房源。
2.根据权利要求1所述的方法,其特征在于,在根据房源信息对应的特征向量之间的距离对待识别的房源进行聚类处理之前,还包括:
将房源信息中的描述信息映射至设定数字区间内,得到所述房源信息对应的特征向量。
3.根据权利要求1所述的方法,其特征在于,根据房源信息对应的特征向量之间的距离对待识别的房源进行聚类处理,得到房源集合,包括:
计算房源信息对应的特征向量之间的距离;
若所述距离不超过设定第一阈值,则确定参与距离计算的特征向量属于同一房源集合;
若所述距离超过设定第一阈值,则确定参与距离计算的特征向量属于不同房源集合。
4.根据权利要求1所述的方法,其特征在于,所述确定每个所述房源集合中各个房源的房源信息的完整程度,包括:
根据每个房源集合中各个房源的房源信息中包含的空信息的数量确定所述房源信息的完整程度。
5.根据权利要求1所述的方法,其特征在于,所述根据所述完整程度由各个所述房源集合中确定目标房源,包括:
根据所述完整程度对每个所述房源集合中的各个房源进行升序排列;
将排序在前的设定数量的房源确定为目标房源。
6.根据权利要求1至5中任一项所述的方法,其特征在于,在根据所述完整程度由各个所述房源集合中确定目标房源之后,还包括:
将各个所述房源集合中除所述目标房源之外的房源标记为疑似虚假房源;
基于所述疑似虚假房源的房源信息生成人工校验提示信息;
根据人工校验结果判断所述疑似虚假房源是否为虚假房源;
若所述疑似虚假房源为虚假房源,则删除所述疑似虚假房源的房源信息。
7.根据权利要求6所述的方法,其特征在于,在将各个所述房源集合中除所述目标房源之外的房源标记为疑似虚假房源之后,还包括:
获取所述疑似虚假房源对应的房产中介信息;
若所述疑似虚假房源与所述目标房源的所述房产中介信息不同,则在所述真实房源的展示界面中添加所述疑似虚假房源对应的所述房产中介信息。
8.一种房源识别装置,其特征在于,包括:
房源集合确定模块,用于根据房源信息对应的特征向量之间的距离对待识别的房源进行聚类处理,得到房源集合;
完整程度确定模块,用于确定每个所述房源集合中各个房源的房源信息的完整程度;
真实房源确定模块,用于根据所述完整程度由各个所述房源集合中确定目标房源,将所述目标房源标记为真实房源,并展示所述真实房源。
9.一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,该程序被处理器执行时实现如权利要求1-7中任一所述的房源识别方法。
10.一种电子设备,其特征在于,所述电子设备包括:
一个或多个处理器;
存储器,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个存储器执行,使得所述一个或多个处理器实现如权利要求1-7中任一项所述的房源识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811593688.3A CN110633726A (zh) | 2018-12-25 | 2018-12-25 | 一种房源识别方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811593688.3A CN110633726A (zh) | 2018-12-25 | 2018-12-25 | 一种房源识别方法、装置、存储介质及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110633726A true CN110633726A (zh) | 2019-12-31 |
Family
ID=68968841
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811593688.3A Pending CN110633726A (zh) | 2018-12-25 | 2018-12-25 | 一种房源识别方法、装置、存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110633726A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111383032A (zh) * | 2020-02-12 | 2020-07-07 | 北京城市网邻信息技术有限公司 | 一种房源信息的真实性检测方法和装置 |
CN111563797A (zh) * | 2020-04-29 | 2020-08-21 | 北京字节跳动网络技术有限公司 | 房源信息的处理方法、装置、可读介质及电子设备 |
CN111798251A (zh) * | 2020-07-03 | 2020-10-20 | 北京字节跳动网络技术有限公司 | 房源数据的验证方法、装置和电子设备 |
CN112395400A (zh) * | 2020-11-17 | 2021-02-23 | 贝壳技术有限公司 | 对话状态获取方法、系统、可读存储介质及电子设备 |
CN112506932A (zh) * | 2020-12-17 | 2021-03-16 | 深圳市房多多网络科技有限公司 | 一种数据维护方法、装置、设备及存储介质 |
CN112686728A (zh) * | 2020-12-30 | 2021-04-20 | 上海瑞家信息技术有限公司 | 房源信息展示方法、装置、电子设备和计算机可读介质 |
CN112699289A (zh) * | 2020-12-30 | 2021-04-23 | 上海瑞家信息技术有限公司 | 房源信息聚合展示方法、装置、电子设备和计算机可读介质 |
CN112927232A (zh) * | 2021-01-26 | 2021-06-08 | 北京房江湖科技有限公司 | 基于通勤找房的房源召回方法及装置 |
CN112966923A (zh) * | 2021-03-02 | 2021-06-15 | 深圳市前海房极客网络科技有限公司 | 一种房产经纪人用房源管理系统 |
CN113869852A (zh) * | 2021-09-23 | 2021-12-31 | 深圳市思为软件技术有限公司 | 楼盘信息处理方法、装置、设备及存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103268453A (zh) * | 2012-12-18 | 2013-08-28 | 北京奇虎科技有限公司 | 用于处理用户公开的资料数据的方法及系统 |
CN106682118A (zh) * | 2016-12-08 | 2017-05-17 | 华中科技大学 | 基于网络爬虫和利用机器学习的社交网站虚假粉丝检测方法 |
CN108090659A (zh) * | 2017-12-06 | 2018-05-29 | 成都初唐网络科技股份有限公司 | 房源分配方法以及装置 |
CN108197312A (zh) * | 2018-01-31 | 2018-06-22 | 平安好房(上海)电子商务有限公司 | 获取房源数据方法、装置、设备及可读存储介质 |
CN108256024A (zh) * | 2018-01-10 | 2018-07-06 | 链家网(北京)科技有限公司 | 一种房源推荐方法 |
CN108427714A (zh) * | 2018-02-02 | 2018-08-21 | 北京邮电大学 | 基于机器学习的房源重复记录识别方法及系统 |
CN108536825A (zh) * | 2018-04-10 | 2018-09-14 | 苏州市中地行信息技术有限公司 | 一种识别房源数据是否重复的方法 |
CN109035078A (zh) * | 2018-08-31 | 2018-12-18 | 北京诸葛找房信息技术有限公司 | 一种基于多维度信息相似计算的房源聚合方法 |
-
2018
- 2018-12-25 CN CN201811593688.3A patent/CN110633726A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103268453A (zh) * | 2012-12-18 | 2013-08-28 | 北京奇虎科技有限公司 | 用于处理用户公开的资料数据的方法及系统 |
CN106682118A (zh) * | 2016-12-08 | 2017-05-17 | 华中科技大学 | 基于网络爬虫和利用机器学习的社交网站虚假粉丝检测方法 |
CN108090659A (zh) * | 2017-12-06 | 2018-05-29 | 成都初唐网络科技股份有限公司 | 房源分配方法以及装置 |
CN108256024A (zh) * | 2018-01-10 | 2018-07-06 | 链家网(北京)科技有限公司 | 一种房源推荐方法 |
CN108197312A (zh) * | 2018-01-31 | 2018-06-22 | 平安好房(上海)电子商务有限公司 | 获取房源数据方法、装置、设备及可读存储介质 |
CN108427714A (zh) * | 2018-02-02 | 2018-08-21 | 北京邮电大学 | 基于机器学习的房源重复记录识别方法及系统 |
CN108536825A (zh) * | 2018-04-10 | 2018-09-14 | 苏州市中地行信息技术有限公司 | 一种识别房源数据是否重复的方法 |
CN109035078A (zh) * | 2018-08-31 | 2018-12-18 | 北京诸葛找房信息技术有限公司 | 一种基于多维度信息相似计算的房源聚合方法 |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111383032B (zh) * | 2020-02-12 | 2023-11-14 | 北京城市网邻信息技术有限公司 | 一种房源信息的真实性检测方法和装置 |
CN111383032A (zh) * | 2020-02-12 | 2020-07-07 | 北京城市网邻信息技术有限公司 | 一种房源信息的真实性检测方法和装置 |
CN111563797A (zh) * | 2020-04-29 | 2020-08-21 | 北京字节跳动网络技术有限公司 | 房源信息的处理方法、装置、可读介质及电子设备 |
CN111798251A (zh) * | 2020-07-03 | 2020-10-20 | 北京字节跳动网络技术有限公司 | 房源数据的验证方法、装置和电子设备 |
CN112395400B (zh) * | 2020-11-17 | 2022-12-13 | 贝壳技术有限公司 | 对话状态获取方法、系统、可读存储介质及电子设备 |
CN112395400A (zh) * | 2020-11-17 | 2021-02-23 | 贝壳技术有限公司 | 对话状态获取方法、系统、可读存储介质及电子设备 |
CN112506932A (zh) * | 2020-12-17 | 2021-03-16 | 深圳市房多多网络科技有限公司 | 一种数据维护方法、装置、设备及存储介质 |
CN112699289A (zh) * | 2020-12-30 | 2021-04-23 | 上海瑞家信息技术有限公司 | 房源信息聚合展示方法、装置、电子设备和计算机可读介质 |
CN112686728B (zh) * | 2020-12-30 | 2023-10-24 | 上海瑞家信息技术有限公司 | 房源信息展示方法、装置、电子设备和计算机可读介质 |
CN112686728A (zh) * | 2020-12-30 | 2021-04-20 | 上海瑞家信息技术有限公司 | 房源信息展示方法、装置、电子设备和计算机可读介质 |
CN112927232B (zh) * | 2021-01-26 | 2022-01-07 | 贝壳找房(北京)科技有限公司 | 基于通勤找房的房源召回方法及装置 |
CN112927232A (zh) * | 2021-01-26 | 2021-06-08 | 北京房江湖科技有限公司 | 基于通勤找房的房源召回方法及装置 |
CN112966923A (zh) * | 2021-03-02 | 2021-06-15 | 深圳市前海房极客网络科技有限公司 | 一种房产经纪人用房源管理系统 |
CN112966923B (zh) * | 2021-03-02 | 2024-05-17 | 深圳市前海房极客网络科技有限公司 | 一种房产经纪人用房源管理系统 |
CN113869852A (zh) * | 2021-09-23 | 2021-12-31 | 深圳市思为软件技术有限公司 | 楼盘信息处理方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110633726A (zh) | 一种房源识别方法、装置、存储介质及电子设备 | |
CN110619039A (zh) | 一种房产信息的校验方法、装置、存储介质及电子设备 | |
CN110618982B (zh) | 一种多源异构数据的处理方法、装置、介质及电子设备 | |
CN110633381A (zh) | 一种识别虚假房源的方法、装置、存储介质及电子设备 | |
WO2020052338A1 (zh) | 地址标识及其经纬度挖掘 | |
US20190034816A1 (en) | Methods and system for associating locations with annotations | |
WO2020052312A1 (zh) | 一种定位方法、装置、电子设备及可读存储介质 | |
CN110765280B (zh) | 地址识别方法和装置 | |
CN111427983B (zh) | 基于地理信息检索的服务方法、系统、设备及存储介质 | |
CN110659433B (zh) | Poi价值评估的方法、装置、设备和计算机存储介质 | |
CN111522838A (zh) | 地址相似度计算方法及相关装置 | |
CN110781263A (zh) | 房源信息展示方法、装置、电子设备及计算机存储介质 | |
CN112330332B (zh) | 识别关于节点任务的欺诈风险的方法、计算设备和介质 | |
CN111597466A (zh) | 展示方法、装置和电子设备 | |
CN115631212B (zh) | 人员伴随轨迹确定方法、装置、电子设备和可读介质 | |
CN111597279B (zh) | 基于深度学习的信息预测方法及相关设备 | |
CN111126422B (zh) | 行业模型的建立及行业的确定方法、装置、设备及介质 | |
CN110069997A (zh) | 场景分类方法、装置及电子设备 | |
US20150245172A1 (en) | Centralized database for infrastructure detection and incident reporting | |
CN113722580A (zh) | 地址信息处理方法、装置、电子设备和计算机可读介质 | |
CN111125272B (zh) | 一种区域特征获取方法、装置、计算机设备及介质 | |
CN111859985B (zh) | Ai客服模型测试方法、装置、电子设备及存储介质 | |
CN114925680A (zh) | 物流兴趣点信息生成方法、装置、设备和计算机可读介质 | |
CN111241368B (zh) | 数据处理方法、装置、介质和设备 | |
CN110457705B (zh) | 一种兴趣点数据处理方法、装置、设备和存储介质 |
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: 20230404 Address after: Room 802, Information Building, 13 Linyin North Street, Pinggu District, Beijing, 101299 Applicant after: Beijing youzhuju Network Technology Co.,Ltd. Address before: 100086 no.179, 15th floor, block B, building 1, No.38, Zhongguancun Street, Haidian District, Beijing Applicant before: BEIJING SHIGUANG RENRAN TECHNOLOGY Co.,Ltd. |