CN110992124A - 房源的推荐方法及房源的推荐系统 - Google Patents

房源的推荐方法及房源的推荐系统 Download PDF

Info

Publication number
CN110992124A
CN110992124A CN201911050812.6A CN201911050812A CN110992124A CN 110992124 A CN110992124 A CN 110992124A CN 201911050812 A CN201911050812 A CN 201911050812A CN 110992124 A CN110992124 A CN 110992124A
Authority
CN
China
Prior art keywords
information
house source
preset
algorithm
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.)
Granted
Application number
CN201911050812.6A
Other languages
English (en)
Other versions
CN110992124B (zh
Inventor
陈明慧
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beike Technology Co Ltd
Original Assignee
Beike Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beike Technology Co Ltd filed Critical Beike Technology Co Ltd
Priority to CN201911050812.6A priority Critical patent/CN110992124B/zh
Publication of CN110992124A publication Critical patent/CN110992124A/zh
Application granted granted Critical
Publication of CN110992124B publication Critical patent/CN110992124B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0631—Item recommendations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Tourism & Hospitality (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Human Resources & Organizations (AREA)
  • Primary Health Care (AREA)
  • Probability & Statistics with Applications (AREA)
  • Development Economics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种房源的推荐方法，所述推荐方法包括：获取房源信息和用户的行为信息；基于所述房源信息和所述行为信息生成用户偏好信息；获取第一预设算法和预设矩阵信息，并基于所述用户偏好信息和所述预设矩阵信息对所述第一预设算法进行处理以获得处理后算法；基于所述处理后算法获取相似房源信息；对所述相似房源信息进行筛选以获得对应的推荐房源信息。本发明还公开了一种房源的推荐系统。通过对传统的推荐方法进行改进，结合用户的个性化需求向用户推荐与用户实际需求最匹配的房源信息，从而满足了用户的个性化需求，提高了推荐的精确性，提高了用户体验。

Description

房源的推荐方法及房源的推荐系统
技术领域
本发明涉及房源信息处理技术领域，具体地，涉及一种房源的推荐方法及一种房源的推荐系统。
背景技术
随着城市规模的不断发展，城市内的找房、租房、用房的需求在不断增加，为了对用户进行更好的服务，房屋管理中介通过向用户提供房源推荐系统以辅助用户进行房源的选择。
在现有技术中，房源推荐系统通过采用基于模型的协同过滤算法等方法来对用户的喜好进行分析，并根据用户的喜好生成对应的推荐模型，通过该推荐模型，房源推荐系统能够根据用户的喜好为用户进行房源推荐，其中，聚类算法(例如K-Means聚类算法)所对应的模型是当前应用最为广泛的协同过滤模型。
然而在实际应用过程中，一方面，在通过K-Means聚类算法进行房源筛选的过程中，房源的各个属性的权重值相同，因此筛选结果无法满足用户的个性化需求；另一方面，K-Means聚类算法的运算结果只为0或者1，因此无法通过运算结果分析出不同房源信息与用户实际需求的关联程度，因此根据运算结果生成的推荐房源信息与用户的实际需求偏差较大，无法满足用户的实际需求。
发明内容
为了克服现有技术中房源推荐方法的推荐结果偏差较大，无法满足用户对推荐结果的个性化和精确性的需求的技术问题，本发明实施例提供一种房源的推荐方法及房源的推荐系统，通过对传统的推荐方法进行改进，结合用户的个性化需求向用户推荐与用户实际需求最匹配的房源信息，从而满足了用户的个性化需求，提高了推荐的精确性，提高了用户体验。
为了实现上述目的，本发明实施例提供一种房源的推荐方法，所述推荐方法包括：获取房源信息和用户的行为信息；基于所述房源信息和所述行为信息生成用户偏好信息；获取第一预设算法和预设矩阵信息，并基于所述用户偏好信息和所述预设矩阵信息对所述第一预设算法进行处理以获得处理后算法；基于所述处理后算法获取相似房源信息；对所述相似房源信息进行筛选以获得对应的推荐房源信息。
优选地，所述房源信息包括房源名称信息和房源属性信息，所述基于所述房源信息和所述行为信息生成用户偏好信息，包括：基于所述房源名称信息和所述房源属性信息生成预设房源向量信息；基于所述行为信息生成对每个所述房源属性信息的评估信息；基于所述预设房源向量信息和所述评估信息生成所述用户偏好信息。
优选地，所述第一预设算法为K-Means聚类算法，所述第一预设算法表征为：
Figure BDA0002255290480000021
所述基于所述用户偏好信息和所述预设矩阵信息对所述第一预设算法进行处理以获得处理后算法，包括：将所述用户偏好信息和所述预设矩阵信息加入所述第一预设算法，生成处理后算法，所述处理后算法表征为：
Figure BDA0002255290480000022
其中，n和k表征为正整数，uij表征为预设矩阵信息，xi表征为用户偏好信息，cj表征为聚类中心信息。
优选地，所述基于所述处理后算法获取相似房源信息，包括：基于所述处理后算法对所述房源信息进行聚类处理并获得至少一个聚类房源信息；按照所述用户偏好信息对所述聚类房源信息进行分类，以获得对应的相似房源信息和不相似房源信息。
优选地，所述对所述相似房源信息进行筛选以获得对应的推荐房源信息，包括：基于所述处理后算法获取房源排序信息；基于所述房源排序信息对所述相似房源信息进行排序以获得排序后房源信息，并基于所述排序后房源信息获得对应的推荐房源信息。
优选地，所述基于所述处理后算法获取房源排序信息，包括：获取预设约束条件，并获取所述处理后算法基于所述预设约束条件生成的约束矩阵信息，所述约束矩阵信息与所述预设矩阵信息相对应；将所述约束矩阵信息作为所述房源排序信息。
优选地，所述预设约束条件为按照拉格朗日方法计算所述处理后算法J(U,C)的最小值，所述获取所述处理后算法基于所述预设约束条件生成的约束矩阵信息，包括：获取所述处理后算法基于所述预设约束条件生成的概率信息，所述概率信息用于表征所述房源信息属于每个房源聚类的概率；基于所述概率信息和所述预设矩阵信息获得对应的约束矩阵信息。
优选地，所述基于所述房源排序信息对所述相似房源信息进行排序以获得排序后房源信息，并基于所述排序后房源信息获得对应的推荐房源信息，包括：获取所述相似房源信息中的至少一个相似房源名称信息；基于所述至少一个相似房源名称信息获取在所述约束矩阵信息中与所述相似房源名称信息对应的相似概率信息；基于所述相似概率信息对所述相似房源信息进行排序，以获得排序后房源信息；将所述相似概率信息中取值最大的最大相似概率信息所对应的房源信息作为所述推荐房源信息。
相应的，本发明还提供一种房源的推荐系统，所述推荐系统包括：获取单元，用于获取房源信息和用户的行为信息；偏好单元，用于基于所述房源信息和所述行为信息生成用户偏好信息；处理单元，用于获取第一预设算法和预设矩阵信息，并基于所述用户偏好信息和所述预设矩阵信息对所述第一预设算法进行处理以获得处理后算法；预处理单元，用于基于所述处理后算法获取相似房源信息；推荐单元，用于对所述相似房源信息进行筛选以获得对应的推荐房源信息。
优选地，所述房源信息包括房源名称信息和房源属性信息，所述偏好单元包括：向量生成模块，用于基于所述房源名称信息和所述房源属性信息生成预设房源向量信息；评估模块，用于基于所述行为信息生成对每个所述房源属性信息的评估信息；偏好模块，用于基于所述预设房源向量信息和所述评估信息生成所述用户偏好信息。
优选地，所述第一预设算法为K-Means聚类算法，所述第一预设算法表征为：
Figure BDA0002255290480000041
所述处理单元用于：将所述用户偏好信息和所述预设矩阵信息加入所述第一预设算法，生成处理后算法，所述处理后算法表征为：
Figure BDA0002255290480000042
其中，n和k表征为正整数，uij表征为预设矩阵信息，xi表征为用户偏好信息，cj表征为聚类中心信息。
优选地，所述预处理单元包括：聚类处理模块，用于基于所述处理后算法对所述房源信息进行聚类处理并获得至少一个聚类房源信息；分类模块，用于按照所述用户偏好信息对所述聚类房源信息进行分类，以获得对应的相似房源信息和不相似房源信息。
优选地，所述推荐单元包括：排序信息获取模块，用于基于所述处理后算法获取房源排序信息；推荐模块，用于基于所述房源排序信息对所述相似房源信息进行排序以获得排序后房源信息，并基于所述排序后房源信息获得对应的推荐房源信息。
优选地，所述预处理单元包括：约束模块，用于获取预设约束条件，并获取所述处理后算法基于所述预设约束条件生成的约束矩阵信息，所述约束矩阵信息与所述预设矩阵信息相对应；确定模块，用于将所述约束矩阵信息作为所述房源排序信息。
优选地，所述预设约束条件为按照拉格朗日方法计算所述处理后算法J(U,C)的最小值，所述约束模块包括：概率生成子模块，用于获取所述处理后算法基于所述预设约束条件生成的概率信息，所述概率信息用于表征所述房源信息属于每个房源聚类的概率；约束矩阵子模块，用于基于所述概率信息和所述预设矩阵信息获得对应的约束矩阵信息。
优选地，所述推荐模块包括：名称获取子模块，用于获取所述相似房源信息中的至少一个相似房源名称信息；概率获取子模块，用于基于所述至少一个相似房源名称信息获取在所述约束矩阵信息中与所述相似房源名称信息对应的相似概率信息；排序子模块，用于基于所述相似概率信息对所述相似房源信息进行排序，以获得排序后房源信息；推荐子模块，用于将所述相似概率信息中取值最大的最大相似概率信息所对应的房源信息作为所述推荐房源信息。
另一方面，本发明还提供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本发明提供的方法。
另一方面，本发明还提供一种服务器，包括：处理器；以及存储设备，存储有计算机程序指令，与所述处理器连接，所述计算机程序指令在所述处理器中加载并执行本发明提供的方法。
通过对传统的推荐方法进行改进，在传统的K-Means聚类模型中加入用户的偏好信息以及概率矩阵信息，并根据改进后的K-Means聚类算法计算出相似房源信息，并根据每个相似房源信息所对应的概率信息进行排序，从而生成满足用户的个性化需求的最佳房源信息，从而提高了推荐的精确性，满足了用户的个性化需求，提高了用户体验。
本发明的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本发明的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明，但并不构成对本发明的限制。在附图中：
图1为本发明实施例提供的房源的推荐方法的具体实现流程图；
图2为本发明实施例提供的房源的推荐系统的结构示意图。
具体实施方式
为了克服现有技术中房源推荐方法的推荐结果偏差较大，无法满足用户对推荐结果的个性化和精确性的需求的技术问题，本发明实施例提供一种房源的推荐方法及房源的推荐系统，通过对传统的推荐方法进行改进，结合用户的个性化需求向用户推荐与用户实际需求最匹配的房源信息，从而满足了用户的个性化需求，提高了推荐的精确性，提高了用户体验。
以下结合附图对本发明的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明，并不用于限制本发明。
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
本发明实施例中的术语“系统”和“网络”可被互换使用。“多个”是指两个或两个以上，鉴于此，本发明实施例中也可以将“多个”理解为“至少两个”。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，字符“/”，如无特殊说明，一般表示前后关联对象是一种“或”的关系。另外，需要理解的是，在本发明实施例的描述中，“第一”、“第二”等词汇，仅用于区分描述的目的，而不能理解为指示或暗示相对重要性，也不能理解为指示或暗示顺序。
请参见图1，本发明提供一种房源的推荐方法，所述推荐方法包括：
S10)获取房源信息和用户的行为信息；
S20)基于所述房源信息和所述行为信息生成用户偏好信息；
S30)获取第一预设算法和预设矩阵信息，并基于所述用户偏好信息和所述预设矩阵信息对所述第一预设算法进行处理以获得处理后算法；
S40)基于所述处理后算法获取相似房源信息；
S50)对所述相似房源信息进行筛选以获得对应的推荐房源信息。
在一种可能的实施方式中，为了对用户提供更好的房源推荐功能，房屋管理中介在房源推荐系统内实施本发明所述的推荐方法。在执行上述推荐方法的过程中，首先获取房源信息和用户的行为信息，例如房源推荐系统通过获取用户当前的定位信息以获取到该用户当前所在的市区信息，或获取用户设置的目的地信息以确定用户将要查找房源的市区信息，然后从系统数据库中自动获取该市区内的房源信息，同时自动获取用户的行为信息。例如在本发明实施例中，所述行为信息包括但不限于用户对房源的搜索、转发、保存、标记、评论、点击以及用户在当前页面的停留时间等信息。
在获取到用户的行为信息后，立即根据房源信息和行为信息进行分析，以生成该用户对各种房源的用户偏好信息，此时房源推荐系统进一步获取第一预设算法和预设矩阵信息，然后根据上述用户偏好信息和预设矩阵信息对该第一预设算法进行改进，从而获得改进后的算法，此时通过该改进后的算法对当前市区内的房源进行查找和分析，从而获取到在当前市区内与用户的用户偏好信息相匹配的相似房源信息，此时房源推荐系统进一步对相似房源信息中的每个房源信息进行筛选，从而获取到与用户需求信息最匹配的房源信息，并将该最匹配的房源信息作为推荐房源信息推荐给用户。
在本发明实施例中，通过对传统的房源推荐方法进行改进，通过对用户在进行房源查找时的行为信息进行分析从而获取到该用户的用户偏好信息，然后通过用户偏好信息和预设矩阵信息对传统的房源查找算法(例如在本发明实施例中该传统的房源查找算法为K-Means聚类算法)进行改进，并获得基于用户偏好信息的改进后的算法，此时根据该改进后的算法能够生成与用户偏好信息相匹配的相似房源信息，通过对相似房源信息中的每个房源信息进行筛选，并将最佳房源推荐给用户，从而实现了对推荐的房源信息的个性化满足和精确查找，大大提高了用户体验。
在本发明实施例中，所述房源信息包括房源名称信息和房源属性信息，所述基于所述房源信息和所述行为信息生成用户偏好信息，包括：基于所述房源名称信息和所述房源属性信息生成预设房源向量信息；基于所述行为信息生成对每个所述房源属性信息的评估信息；基于所述预设房源向量信息和所述评估信息生成所述用户偏好信息。
在一种可能的实施方式中，为了对用户的偏好信息进行更好的管理以及便于后续计算，房源推荐系统自动根据房源名称信息和房源属性信息生成一个向量信息，在本发明实施例中，房源属性信息包括但不限于房源的区域信息、价格信息、面积信息、房型信息、朝向信息、楼层信息、楼龄信息、装修信息、电梯信息、供暖信息、权属信息、类型信息以及房源特色信息等信息。例如将向量矩阵的第一行依次填入房源名称信息，将向量矩阵的每一列依次表示为与房源名称信息对应的房源的房源属性信息，此时根据用户的行为信息自动生成对每个房源的每个房源属性的评估信息，例如在本发明实施例中，根据行为信息确定每个房源属性对用户的重要程度并生成对应的取值，此时依次将上述取值填入向量矩阵中即生成了该用户的用户偏好信息。
在本发明实施例中，所述第一预设算法为K-Means聚类算法，所述第一预设算法表征为：
Figure BDA0002255290480000081
所述基于所述用户偏好信息和所述预设矩阵信息对所述第一预设算法进行处理以获得处理后算法，包括：将所述用户偏好信息和所述预设矩阵信息加入所述第一预设算法，并生成处理后算法，所述处理后算法表征为：
Figure BDA0002255290480000082
其中，n和k表征为正整数，uij表征为预设矩阵信息，xi表征为用户偏好信息，cj表征为聚类中心信息。
在本发明实施例中，所述预设矩阵信息为概率矩阵信息，该概率矩阵信息用于表征每个房源属于每个聚类的概率。通过将用户偏好信息和概率矩阵信息加入传统的K-Means聚类算法中，从而使得改进后的K-Means聚类算法在对房源进行聚类分析的过程中，还能够生成对每个房源信息属于每个聚类的概率，在本发明实施例中，所述概率的取值范围为0-1，取值越大说明该房源属于当前聚类的概率越大，即该房源与用户的期望的匹配程度越高，在后续筛选的过程中，房源推荐系统能够根据不同房源与用户的期望的匹配程度对每个房源进行进一步的处理，从而筛选出与用户期望最匹配的房源并推荐给用户，从而大大提高了推荐出的房源的精确性，更加满足用户的个性化需求，无需用户频繁更换查找条件重复查找，提高了用户体验。
在本发明实施例中，所述基于所述处理后算法获取相似房源信息，包括：基于所述处理后算法对所述房源信息进行聚类处理并获得至少一个聚类房源信息；按照所述用户偏好信息对所述聚类房源信息进行分类，以获得对应的相似房源信息和不相似房源信息。
在本发明实施例中，通过根据用户偏好信息对聚类处理后生成的聚类房源信息进行分类，而不是传统方法中的采用统一权重的评估方法对聚类房源进行分类，从而能够根据用户对不同的房源属性信息的需求对聚类房源信息进行更精确的分类，分类结果更加符合用户的个性化需求，提高了对聚类房源信息进行分类的精确性，保证了后续推荐的房源信息的精确性。
在本发明实施例中，所述对所述相似房源信息进行筛选以获得对应的推荐房源信息，包括：基于所述处理后算法获取房源排序信息；基于所述房源排序信息对所述相似房源信息进行排序以获得排序后房源信息，并基于所述排序后房源信息获得对应的推荐房源信息。
在本发明实施例中，所述基于所述处理后算法获取房源排序信息，包括：获取预设约束条件，并获取所述处理后算法基于所述预设约束条件生成的约束矩阵信息，所述约束矩阵信息与所述预设矩阵信息相对应；将所述约束矩阵信息作为所述房源排序信息。
进一步地，在本发明实施例中，所述预设约束条件为按照拉格朗日方法计算所述处理后算法J(U,C)的最小值，所述获取所述处理后算法基于所述预设约束条件生成的约束矩阵信息，包括：获取所述处理后算法基于所述预设约束条件生成的概率信息，所述概率信息用于表征所述房源信息属于每个房源聚类的概率；基于所述概率信息和所述预设矩阵信息获得对应的约束矩阵信息。
在一种可能的实施方式中，所述预设矩阵信息为概率矩阵信息，在初始状态下，该概率矩阵信息中的每个值均为1，在对K-Means聚类算法进行处理并获得处理后K-Means聚类算法后，房源推荐系统进一步按照拉格朗日方法对处理后的K-Means聚类算法进行计算，并取J(U,C)的最小值，从而获得了与预设矩阵信息对应的约束矩阵信息，即该约束矩阵信息中的值为每个房源信息属于每个房源聚类的概率值，然后将该约束矩阵信息作为对每个房源的房源排序信息。
在本发明实施例中，所述基于所述房源排序信息对所述相似房源信息进行排序以获得排序后房源信息，并基于所述排序后房源信息获得对应的推荐房源信息，包括：获取所述相似房源信息中的至少一个相似房源名称信息；基于所述至少一个相似房源名称信息获取在所述约束矩阵信息中与所述相似房源名称信息对应的相似概率信息；基于所述相似概率信息对所述相似房源信息进行排序，以获得排序后房源信息；将所述相似概率信息中取值最大的最大相似概率信息所对应的房源信息作为所述推荐房源信息。
在一种可能的实施方式中，在通过改进后的K-Means聚类算法对房源进行聚类操作后，房源推荐系统获取到多个聚类房源信息，此时房源推荐系统根据用户偏好信息中各个房源属性信息的大小将上述多个聚类房源信息分为相似房源信息和不相似房源信息。进一步地，在获取到对每个房源信息属于每个聚类的概率值的处理后矩阵信息后，房源推荐系统从相似房源信息中提取出每个房源的相似房源名称信息，并在处理后矩阵信息中获取到对应的相似概率信息，然后根据每个相似房源的相似概率信息对每个相似房源进行排序，从而获得了排序后房源信息，此时将相似概率信息中取值最大的最大概率信息对应的房源信息作为推荐房源信息并推荐给用户。
在本发明实施例中，通过处理后的算法进行计算从而获得每个房源与用户期望房源的相似度的概率评估信息，从而能够根据用户的实际需求对筛选出的聚类房源信息，即相似房源信息进行排序并将排序最前的房源信息推荐给用户，而不是简单地将聚类房源信息均推荐给用户而由用户自己选择，从而大大提高了推荐房源的精确性，有效满足了用户在查找房源时的个性化需求，提高了用户体验。
需要说明的是，房源推荐系统可以根据实际需要将排序靠前的多个房源信息一并推荐给用户，或按照排序顺序依次将房源推荐给用户，以供用户进行更充分的筛选，对于本领域技术人员来讲能够根据本发明技术方案容易想到，因此也应该属于本发明的保护范围，在此不做过多赘述。
下面结合附图对本发明实施例所提供的房源的推荐系统进行说明。
请参见图2，基于同一发明构思，本发明实施例提供一种房源的推荐系统，所述推荐系统包括：获取单元，用于获取房源信息和用户的行为信息；偏好单元，用于基于所述房源信息和所述行为信息生成用户偏好信息；处理单元，用于获取第一预设算法和预设矩阵信息，并基于所述用户偏好信息和所述预设矩阵信息对所述第一预设算法进行处理以获得处理后算法；预处理单元，用于基于所述处理后算法获取相似房源信息；推荐单元，用于对所述相似房源信息进行筛选以获得对应的推荐房源信息。
在本发明实施例中，所述房源信息包括房源名称信息和房源属性信息，所述偏好单元包括：向量生成模块，用于基于所述房源名称信息和所述房源属性信息生成预设房源向量信息；评估模块，用于基于所述行为信息生成对每个所述房源属性信息的评估信息；偏好模块，用于基于所述预设房源向量信息和所述评估信息生成所述用户偏好信息。
在本发明实施例中，所述第一预设算法为K-Means聚类算法，所述第一预设算法表征为：
Figure BDA0002255290480000121
所述处理单元用于：将所述用户偏好信息和所述预设矩阵信息加入所述第一预设算法，生成处理后算法，所述处理后算法表征为：
Figure BDA0002255290480000122
其中，n和k表征为正整数，uij表征为预设矩阵信息，xi表征为用户偏好信息，cj表征为聚类中心信息。
在本发明实施例中，所述预处理单元包括：聚类处理模块，用于基于所述处理后算法对所述房源信息进行聚类处理并获得至少一个聚类房源信息；分类模块，用于按照所述用户偏好信息对所述聚类房源信息进行分类，以获得对应的相似房源信息和不相似房源信息。
在本发明实施例中，所述推荐单元包括：排序信息获取模块，用于基于所述处理后算法获取房源排序信息；推荐模块，用于基于所述房源排序信息对所述相似房源信息进行排序以获得排序后房源信息，并基于所述排序后房源信息获得对应的推荐房源信息。
在本发明实施例中，所述预处理单元包括：约束模块，用于获取预设约束条件，并获取所述处理后算法基于所述预设约束条件生成的约束矩阵信息，所述约束矩阵信息与所述预设矩阵信息相对应；确定模块，用于将所述约束矩阵信息作为所述房源排序信息。
在本发明实施例中，所述预设约束条件为按照拉格朗日方法计算所述处理后算法J(U,C)的最小值，所述约束模块包括：概率生成子模块，用于获取所述处理后算法基于所述预设约束条件生成的概率信息，所述概率信息用于表征所述房源信息属于每个房源聚类的概率；约束矩阵子模块，用于基于所述概率信息和所述预设矩阵信息获得对应的约束矩阵信息。
在本发明实施例中，所述推荐模块包括：名称获取子模块，用于获取所述相似房源信息中的至少一个相似房源名称信息；概率获取子模块，用于基于所述至少一个相似房源名称信息获取在所述约束矩阵信息中与所述相似房源名称信息对应的相似概率信息；排序子模块，用于基于所述相似概率信息对所述相似房源信息进行排序，以获得排序后房源信息；推荐子模块，用于将所述相似概率信息中取值最大的最大相似概率信息所对应的房源信息作为所述推荐房源信息。
进一步地，本发明实施例还提供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本发明所述的方法。
进一步地，本发明实施例还提供一种服务器，包括：处理器；以及存储设备，存储有计算机程序指令，与所述处理器连接，所述计算机程序指令在所述处理器中加载并执行本发明所述的方法。
以上结合附图详细描述了本发明的优选实施方式，但是，本发明并不限于上述实施方式中的具体细节，在本发明的技术构思范围内，可以对本发明的技术方案进行多种简单变型，这些简单变型均属于本发明的保护范围。
另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合，为了避免不必要的重复，本发明对各种可能的组合方式不再另行说明。
本领域技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序存储在一个存储介质中，包括若干指令用以使得单片机、芯片或处理器(processor)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
此外，本发明的各种不同的实施方式之间也可以进行任意组合，只要其不违背本发明的思想，其同样应当视为本发明所公开的内容。

Claims (10)

1.一种房源的推荐方法，其特征在于，所述推荐方法包括：
获取房源信息和用户的行为信息；
基于所述房源信息和所述行为信息生成用户偏好信息；
获取第一预设算法和预设矩阵信息，并基于所述用户偏好信息和所述预设矩阵信息对所述第一预设算法进行处理以获得处理后算法；
基于所述处理后算法获取相似房源信息；
对所述相似房源信息进行筛选以获得对应的推荐房源信息。
2.根据权利要求1所述的推荐方法，其特征在于，所述房源信息包括房源名称信息和房源属性信息，所述基于所述房源信息和所述行为信息生成用户偏好信息，包括：
基于所述房源名称信息和所述房源属性信息生成预设房源向量信息；
基于所述行为信息生成对每个所述房源属性信息的评估信息；
基于所述预设房源向量信息和所述评估信息生成所述用户偏好信息。
3.根据权利要求1所述的推荐方法，其特征在于，所述第一预设算法为K-Means聚类算法，所述第一预设算法表征为：
Figure FDA0002255290470000011
所述基于所述用户偏好信息和所述预设矩阵信息对所述第一预设算法进行处理以获得处理后算法，包括：
将所述用户偏好信息和所述预设矩阵信息加入所述第一预设算法，生成处理后算法，所述处理后算法表征为：
Figure FDA0002255290470000012
其中，n和k表征为正整数，uij表征为预设矩阵信息，xi表征为用户偏好信息，cj表征为聚类中心信息。
4.根据权利要求1所述的推荐方法，其特征在于，所述基于所述处理后算法获取相似房源信息，包括：
基于所述处理后算法对所述房源信息进行聚类处理并获得至少一个聚类房源信息；
按照所述用户偏好信息对所述聚类房源信息进行分类，以获得对应的相似房源信息和不相似房源信息。
5.根据权利要求4所述的推荐方法，其特征在于，所述对所述相似房源信息进行筛选以获得对应的推荐房源信息，包括：
基于所述处理后算法获取房源排序信息；
基于所述房源排序信息对所述相似房源信息进行排序以获得排序后房源信息，并基于所述排序后房源信息获得对应的推荐房源信息。
6.根据权利要求5所述的推荐方法，其特征在于，所述基于所述处理后算法获取房源排序信息，包括：
获取预设约束条件，并获取所述处理后算法基于所述预设约束条件生成的约束矩阵信息，所述约束矩阵信息与所述预设矩阵信息相对应；
将所述约束矩阵信息作为所述房源排序信息。
7.根据权利要求6所述的推荐方法，其特征在于，所述预设约束条件为按照拉格朗日方法计算所述处理后算法J(U,C)的最小值，所述获取所述处理后算法基于所述预设约束条件生成的约束矩阵信息，包括：
获取所述处理后算法基于所述预设约束条件生成的概率信息，所述概率信息用于表征所述房源信息属于每个房源聚类的概率；
基于所述概率信息和所述预设矩阵信息获得对应的约束矩阵信息。
8.根据权利要求7所述的推荐方法，其特征在于，所述基于所述房源排序信息对所述相似房源信息进行排序以获得排序后房源信息，并基于所述排序后房源信息获得对应的推荐房源信息，包括：
获取所述相似房源信息中的至少一个相似房源名称信息；
基于所述至少一个相似房源名称信息获取在所述约束矩阵信息中与所述相似房源名称信息对应的相似概率信息；
基于所述相似概率信息对所述相似房源信息进行排序，以获得排序后房源信息；
将所述相似概率信息中取值最大的最大相似概率信息所对应的房源信息作为所述推荐房源信息。
9.一种房源的推荐系统，其特征在于，所述推荐系统包括：
获取单元，用于获取房源信息和用户的行为信息；
偏好单元，用于基于所述房源信息和所述行为信息生成用户偏好信息；
处理单元，用于获取第一预设算法和预设矩阵信息，并基于所述用户偏好信息和所述预设矩阵信息对所述第一预设算法进行处理以获得处理后算法；
预处理单元，用于基于所述处理后算法获取相似房源信息；
推荐单元，用于对所述相似房源信息进行筛选以获得对应的推荐房源信息。
10.一种服务器，包括：
处理器；以及
存储设备，存储有计算机程序指令，与所述处理器连接，所述计算机程序指令在所述处理器中加载并执行权利要求1-8中任一权利要求所述的方法。
CN201911050812.6A 2019-10-31 2019-10-31 房源的推荐方法及房源的推荐系统 Active CN110992124B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911050812.6A CN110992124B (zh) 2019-10-31 2019-10-31 房源的推荐方法及房源的推荐系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911050812.6A CN110992124B (zh) 2019-10-31 2019-10-31 房源的推荐方法及房源的推荐系统

Publications (2)

Publication Number Publication Date
CN110992124A true CN110992124A (zh) 2020-04-10
CN110992124B CN110992124B (zh) 2024-02-27

Family

ID=70082942

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911050812.6A Active CN110992124B (zh) 2019-10-31 2019-10-31 房源的推荐方法及房源的推荐系统

Country Status (1)

Country Link
CN (1) CN110992124B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111639988A (zh) * 2020-05-22 2020-09-08 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
CN112001760A (zh) * 2020-08-28 2020-11-27 贝壳技术有限公司 潜在用户挖掘方法、装置、电子设备和存储介质
CN113298448A (zh) * 2021-07-26 2021-08-24 广东新禾道信息科技有限公司 基于互联网的租赁指数分析方法、系统及云平台
CN113743637A (zh) * 2020-05-29 2021-12-03 青岛海尔电冰箱有限公司 基于协同过滤的煤气浓度预测方法、设备及冰箱
CN117557348A (zh) * 2023-11-14 2024-02-13 青岛仁科信息技术有限公司 一种保障性租赁房人房匹配方法、介质及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106126549A (zh) * 2016-06-16 2016-11-16 传化公路港物流有限公司 一种基于概率矩阵分解的社区信任推荐方法及其系统
CN107256512A (zh) * 2017-06-08 2017-10-17 贵州优联博睿科技有限公司 一种购房个性化推荐方法及系统
CN110175286A (zh) * 2019-05-17 2019-08-27 山东师范大学 结合成对优化和矩阵分解的产品推荐方法及系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106126549A (zh) * 2016-06-16 2016-11-16 传化公路港物流有限公司 一种基于概率矩阵分解的社区信任推荐方法及其系统
CN107256512A (zh) * 2017-06-08 2017-10-17 贵州优联博睿科技有限公司 一种购房个性化推荐方法及系统
CN110175286A (zh) * 2019-05-17 2019-08-27 山东师范大学 结合成对优化和矩阵分解的产品推荐方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
姜杰: "房产信息个性化的推荐算法研究与应用" *
熊平等: "基于属性权重最优化的k-means聚类算法" *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111639988A (zh) * 2020-05-22 2020-09-08 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
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
CN113743637A (zh) * 2020-05-29 2021-12-03 青岛海尔电冰箱有限公司 基于协同过滤的煤气浓度预测方法、设备及冰箱
CN112001760A (zh) * 2020-08-28 2020-11-27 贝壳技术有限公司 潜在用户挖掘方法、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
CN113298448A (zh) * 2021-07-26 2021-08-24 广东新禾道信息科技有限公司 基于互联网的租赁指数分析方法、系统及云平台
CN113298448B (zh) * 2021-07-26 2021-12-03 广东新禾道信息科技有限公司 基于互联网的租赁指数分析方法、系统及云平台
CN117557348A (zh) * 2023-11-14 2024-02-13 青岛仁科信息技术有限公司 一种保障性租赁房人房匹配方法、介质及系统

Also Published As

Publication number Publication date
CN110992124B (zh) 2024-02-27

Similar Documents

Publication Publication Date Title
CN106202186B (zh) 基于人工智能的服务推荐方法和装置
CN110992124B (zh) 房源的推荐方法及房源的推荐系统
WO2018041168A1 (zh) 信息推送方法、存储介质和服务器
CN110909182B (zh) 多媒体资源搜索方法、装置、计算机设备及存储介质
CN112000819A (zh) 多媒体资源推荐方法、装置、电子设备及存储介质
CN108960945A (zh) 商品推荐方法和装置
US12008039B2 (en) Method and apparatus for performing categorised matching of videos, and selection engine
CN113139667B (zh) 基于人工智能的酒店房间推荐方法、装置、设备及存储介质
CN107203775A (zh) 一种图像分类的方法、装置和设备
CN112000763A (zh) 兴趣点竞争关系确定方法、装置、设备和介质
CN107315984B (zh) 一种行人检索的方法及装置
CN111523964A (zh) 基于聚类的召回方法、装置、电子设备及可读存储介质
Thiengburanathum et al. A decision tree based recommendation system for tourists
CN114676279A (zh) 图像检索方法、装置、设备及计算机可读存储介质
CN110209916B (zh) 一种兴趣点图像推荐方法及装置
CN112783468A (zh) 目标对象的排序方法和排序装置
CN111831892A (zh) 信息推荐方法、信息推荐装置、服务器及存储介质
CN113742578A (zh) 一种数据推荐方法、装置、电子设备及存储介质
CN113327132A (zh) 多媒体推荐方法、装置、设备及存储介质
CN110134812A (zh) 一种人脸搜索方法及其装置
CN117235362A (zh) 一种基于智慧文旅大数据的分析系统
CN111191065A (zh) 一种同源图像确定方法及装置
CN110895781A (zh) 菜品类别推荐方法、装置、电子设备及存储介质
CN115935082A (zh) 一种用户冷启动内容推荐方法、计算设备及存储介质
CN108429865B (zh) 一种产品推荐处理方法及装置

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
GR01 Patent grant
GR01 Patent grant