CN111125556A - 推荐排序方法、系统、电子设备及可读存储介质 - Google Patents
推荐排序方法、系统、电子设备及可读存储介质 Download PDFInfo
- Publication number
- CN111125556A CN111125556A CN201911356864.6A CN201911356864A CN111125556A CN 111125556 A CN111125556 A CN 111125556A CN 201911356864 A CN201911356864 A CN 201911356864A CN 111125556 A CN111125556 A CN 111125556A
- Authority
- CN
- China
- Prior art keywords
- information
- business
- characteristic information
- house source
- acquiring
- 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
- 238000012163 sequencing technique Methods 0.000 claims abstract description 42
- 238000012545 processing Methods 0.000 claims description 22
- 230000015654 memory Effects 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 5
- 230000002093 peripheral effect Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000011451 sequencing strategy Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000001186 cumulative effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- 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
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/16—Real estate
Abstract
本发明公开了一种推荐排序方法、系统、电子设备及可读存储介质，其中，该方法包括：获取商圈与客户的综合信息，所述综合信息用于表征商圈与客户的匹配关系；获取房源特征信息，所述房源特征信息用于表征房源的基本信息；根据所述综合信息和所述房源特征信息生成推荐排序信息。该方法先获取综合信息和房源特征信息；之后，将以上多种信息相结合，综合多种信息生成推荐排序信息，使得推荐排序信息更加完备，多特征的引入将更好地实现客户与房源的匹配，提高了推荐排序信息的精准度。
Description
技术领域
本发明涉及智能推荐技术领域，具体涉及到一种推荐排序方法、系统、电子设备及可读存储介质。
背景技术
随着互联网技术的快速发展，基于位置的服务(Location-Based Service，LBS)能够方便地获取用户所在位置周围的各种信息，使得人们的生活越来越便捷。
当前LBS租房场景下的推荐功能分为商圈找人和房源找人，根据商圈/房源的基本属性匹配到有对应需求的客户，得到推荐列表，之后销售人员可将相应的销售信息推荐给该客户。但是推荐列表的排序特征较单一，仅为商圈位置/价格、房源的位置/价格及房态(面积、独卫等)、客户的新老程度，使得排序策略不够完善，无法为客户提供精确的推荐列表。
发明内容
有鉴于此，本发明实施例提供了一种推荐排序方法、系统、电子设备及可读存储介质，以解决现有技术中房源找人的推荐列表不够精确的问题。
为此，本发明实施例提供了如下技术方案：
根据第一方面，本发明实施例提供了一种推荐排序方法，包括：获取商圈与客户的综合信息，所述综合信息用于表征商圈与客户的匹配关系；获取房源特征信息，所述房源特征信息用于表征房源的基本信息；根据所述综合信息和所述房源特征信息生成推荐排序信息。
可选地，获取商圈与客户的综合信息的步骤中，包括：获取客户特征信息，所述客户特征信息用于表征客户的基本信息；获取商圈特征信息，所述商圈特征信息用于表征商圈的基本信息；获取商圈间的关系特征信息，所述商圈间的关系特征信息用于表征商圈与商圈之间的关联信息；根据所述客户特征信息、所述商圈特征信息和所述商圈间的关系特征信息得到商圈与客户的综合信息。
可选地，根据所述客户特征信息、所述商圈特征信息和所述商圈间的关系特征信息得到商圈与客户的综合信息，包括：将所述客户特征信息、所述商圈特征信息和所述商圈间的关系特征信息分别进行分档打分，得到客户与商圈的评分结果；对所述评分结果进行排序得到商圈与客户的综合信息。
可选地，根据所述客户特征信息、所述商圈特征信息和所述商圈间的关系特征信息得到商圈与客户的综合信息的步骤之前，还包括：获取所述客户特征信息、所述商圈特征信息和所述商圈间的关系特征信息的预设权重信息。
可选地，根据所述客户特征信息、所述商圈特征信息和所述商圈间的关系特征信息得到商圈与客户的综合信息的步骤之前，还包括：
获取商圈冷启动规则信息；或者，获取商圈冷启动规则信息和所述商圈冷启动规则信息所对应的商圈冷启动权重；
和/或，
获取商圈业务倾向信息；或者，获取商圈业务倾向信息和所述商圈业务倾向信息所对应的商圈业务倾向权重。
可选地，根据所述综合信息和所述房源特征信息生成推荐排序信息，包括：根据预设房态打分策略将所述房源特征信息分别进行分档，得到房源分档信息；将所述综合信息和所述房源分档信息进行综合评分，得到房源与客户的推荐排序信息。
可选地，根据所述综合信息和所述房源特征信息生成推荐排序信息的步骤之前，还包括：
获取房源冷启动规则信息；或者，获取房源冷启动规则信息和所述房源冷启动规则信息所对应的房源冷启动权重；
和/或，
获取房源业务倾向信息；或者，获取房源业务倾向信息和所述房源业务倾向信息所对应的房源业务倾向权重。
可选地，所述房源特征信息包括：房源房态信息、房源位置信息、房源交通信息、房源价格信息和房源库龄信息；
和/或，
所述客户特征信息包括：客户商圈信息、客户偏好信息、客户官网访问信息和客户新老程度信息；
和/或，
所述商圈特征信息包括：商圈办公指数信息、商圈交通指数信息、商圈标准价格信息、商圈动态销售信息、商圈房源库存量信息、商圈内高库龄房源占比信息和商圈热度信息；
和/或，
所述商圈间的关系特征信息包括：商圈间的通勤距离信息、商圈间的交通信息、周边设施信息和商圈房源价格信息。
根据第二方面，本发明实施例提供了一种推荐排序系统，包括：第一获取模块，用于获取商圈与客户的综合信息，所述综合信息用于表征商圈与客户的匹配关系；第二获取模块，用于获取房源特征信息，所述房源特征信息用于表征房源的基本信息；处理模块，用于根据所述综合信息和所述房源特征信息生成推荐排序信息。
可选地，所述第一获取模块包括：第一获取单元，用于获取客户特征信息，所述客户特征信息用于表征客户的基本信息；第二获取单元，用于获取商圈特征信息，所述商圈特征信息用于表征商圈的基本信息；第三获取单元，用于获取商圈间的关系特征信息，所述商圈间的关系特征信息用于表征商圈与商圈之间的关联信息；第一处理单元，用于根据所述客户特征信息、所述商圈特征信息和所述商圈间的关系特征信息得到商圈与客户的综合信息。
可选地，所述第一处理单元包括：第一处理子单元，用于将所述客户特征信息、所述商圈特征信息和所述商圈间的关系特征信息分别进行分档打分，得到客户与商圈的评分结果；第二处理子单元，用于对所述评分结果进行排序得到商圈与客户的综合信息。
可选地，所述第一获取模块还包括：第四获取单元，用于获取所述客户特征信息、所述商圈特征信息和所述商圈间的关系特征信息的预设权重信息。
可选地，所述第一获取模块还包括：
第五获取单元，用于获取商圈冷启动规则信息；或者，第六获取单元，用于获取商圈冷启动规则信息和所述商圈冷启动规则信息所对应的商圈冷启动权重；
和/或，
第七获取单元，用于获取商圈业务倾向信息；或者，第八获取单元，用于获取商圈业务倾向信息和所述商圈业务倾向信息所对应的商圈业务倾向权重。
可选地，所述处理模块包括：第二处理单元，用于根据预设房态打分策略将所述房源特征信息分别进行分档，得到房源分档信息；第三处理单元，用于将所述综合信息和所述房源分档信息进行综合评分，得到房源与客户的推荐排序信息。
可选地，还包括：
第三获取模块，用于获取房源冷启动规则信息；或者，第四获取模块，用于获取房源冷启动规则信息和所述房源冷启动规则信息所对应的房源冷启动权重；
和/或，
第五获取模块，用于获取房源业务倾向信息；或者，第六获取模块，用于获取房源业务倾向信息和所述房源业务倾向信息所对应的房源业务倾向权重。
可选地，所述房源特征信息包括：房源房态信息、房源位置信息、房源交通信息、房源价格信息和房源库龄信息；
和/或，
所述客户特征信息包括：客户商圈信息、客户偏好信息、客户官网访问信息和客户新老程度信息；
和/或，
所述商圈特征信息包括：商圈办公指数信息、商圈交通指数信息、商圈标准价格信息、商圈动态销售信息、商圈房源库存量信息、商圈内高库龄房源占比信息和商圈热度信息；
和/或，
所述商圈间的关系特征信息包括：商圈间的通勤距离信息、商圈间的交通信息、周边设施信息和商圈房源价格信息。
根据第三方面，本发明实施例提供了一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的计算机程序，计算机程序被至少一个处理器执行，以使至少一个处理器执行上述第一方面任意一项所述的推荐排序方法。
根据第四方面，本发明实施例提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机指令，计算机指令用于使计算机执行上述第一方面任意一项所述的推荐排序方法。
本发明实施例技术方案，具有如下优点：
本发明实施例提供了一种推荐排序方法、系统、电子设备及可读存储介质，其中，该方法包括：获取商圈与客户的综合信息，所述综合信息用于表征商圈与客户的匹配关系；获取房源特征信息，所述房源特征信息用于表征房源的基本信息；根据所述综合信息和所述房源特征信息生成推荐排序信息。通过上述步骤，先获取综合信息和房源特征信息；之后，将以上多种信息相结合，综合多种信息生成推荐排序信息，使得推荐排序信息更加完备，多特征的引入将更好地实现客户与房源的匹配，提高了推荐排序信息的精准度。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，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为本发明实施例的推荐排序方法的一个具体示例的流程图；
图2为本发明实施例的推荐排序方法的另一个具体示例的流程图；
图3为本发明实施例的推荐排序方法的另一个具体示例的流程图；
图4为本发明实施例的推荐排序方法的另一个具体示例的流程图；
图5为本发明实施例的推荐排序方法的另一个具体示例的流程图；
图6为本发明实施例的推荐排序方法的另一个具体示例的流程图；
图7为本发明实施例的推荐排序方法的另一个具体示例的流程图；
图8为本发明实施例的推荐排序方法的另一个具体示例的流程图；
图9为本发明实施例的推荐排序方法的另一个具体示例的流程图；
图10为本发明实施例的推荐排序方法的另一个具体示例的流程图；
图11为本发明实施例的推荐排序方法的另一个具体示例的流程图；
图12为本发明实施例的推荐排序系统的一个具体示例的框图；
图13为本发明实施例的电子设备的示意图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述，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。
当前LBS租房场景下的推荐排序方案中，用于排序策略的排序特征为商圈位置/价格、房源的位置/价格及房态(面积、独卫等)、客户的新老程度；排序策略是以商圈的级别、价格差、房态、客户新老标签进行打分，用到的特征较少，打分策略不够完善，造成推荐列表不够精确。故本实施例中结合LBS租房场景下的商圈找人和房源找人的具体特点和实际特征，增加了多种特征，并基于多种特征进行综合的排序打分，挖掘商圈和客户的最优匹配、房源与客户的最优匹配，得到更加精确的推荐列表。
基于此，本发明实施例提供了一种推荐排序方法，应用于LBS租房场景下，如图1所示，该方法可以包括步骤S1-S3。
步骤S1：获取商圈与客户的综合信息，综合信息用于表征商圈与客户的匹配关系。
作为示例性的实施例，综合信息可以包括客户特征信息、商圈特征信息和商圈间的关系特征信息，根据多个特征进行综合的商圈打分，实现了客户与商圈匹配关系的优化。
步骤S2：获取房源特征信息，房源特征信息用于表征房源的基本信息。
作为示例性的实施例，房源特征信息包括房源房态信息、房源位置信息、房源交通信息、房源价格信息和房源库龄信息。
具体地，房态房态信息包括房源面积信息、房源结构信息(如，是否包含独立阳台或独立卫生间)、房源朝向等表征房态的因素；房源位置信息包括房源所属商圈位置信息；房源交通信息包括房源是否临近地铁、公交站等其它便于出行的设施；房源价格信息包括年租价格、季租价格、月租价格、日租价格；房源库龄信息包括房源库存的年龄。
本领域技术人员根据该实施例的描述，房源特征信息还可以包括其它信息，如房源建筑风格信息、房源环境信息、房源配套信息等，本实施例仅作示意性描述，并不以此为限。
步骤S3：根据综合信息和房源特征信息生成推荐排序信息。
作为示例性的实施例，可根据综合信息、房源特征信息以及其各自的权重得到推荐排序信息。本领域技术人员应当知晓，根据多种信息以及各个信息所占权重生成推荐排序信息并非用于限制本实施例。
在本实施例中，推荐排序信息可以是推荐列表，如房源-客户序列，仅以此举例，不以此为限。
通过上述步骤，先获取综合信息和房源特征信息；之后，将以上多种信息相结合，综合多种信息生成推荐排序信息，使得推荐排序信息更加完备，多特征的引入将更好的挖掘客户与房源的匹配关系，提升了推荐排序信息的精准度。
作为示例性的实施例，步骤S1获取商圈与客户的综合信息的步骤中，如图2所示，具体可包括步骤S11-S14。
步骤S11：获取客户特征信息，客户特征信息用于表征客户的基本信息。
作为示例性的实施例，客户特征信息包括：客户商圈信息、客户偏好信息、客户官网访问信息和客户新老程度信息。在其它示例性实施例中，客户特征信息还可以包括客户的职业信息、客户的年龄信息等，本实施例仅作示意性说明，并不以此为限。
具体地，客户商圈信息包括客户的居住商圈信息、工作商圈信息和意向商圈信息。本领域技术人员根据该实施例的描述，客户商圈信息还可以包括其它信息，本实施例仅作示意性描述，并不以此为限。
客户偏好信息包括偏好价格水平。本领域技术人员根据该实施例的描述，客户偏好信息还可以包括其它信息，本实施例仅作示意性描述，并不以此为限。
客户官网访问信息包括客户的官网活跃程度、最近活跃时间距当前天数、是否为官网高活跃用户。本领域技术人员根据该实施例的描述，客户官网访问信息还可以包括其它信息，本实施例仅作示意性描述，并不以此为限。
客户新老程度信息包括老客户和新客户，具体可根据客户加入官网的时间来确定。本领域技术人员根据该实施例的描述，还可以采用现有技术中其它的方式来确定客户的新老程度信息，本实施例仅作示意性描述，并不以此为限。
步骤S12：获取商圈特征信息，商圈特征信息用于表征商圈的基本信息。
作为示例性的实施例，商圈特征信息包括：商圈办公指数信息、商圈交通指数信息、商圈标准价格信息、商圈动态销售信息、商圈房源库存量信息、商圈内高库龄房源占比信息和商圈热度信息。在其它示例性实施例中，商圈特征信息还可以包括商圈的竞争指数、商圈的人口聚集指数等，本实施例仅作示意性说明，并不以此为限。
具体地，商圈交通指数信息可包括交通拥堵指数或交通运行指数，是综合反映道路网畅通或拥堵的概念性指数值。商圈热度信息指此商圈是否在当前城市属于热度较高的地段。
步骤S13：获取商圈间的关系特征信息，商圈间的关系特征信息用于表征商圈与商圈之间的关联信息。
作为示例性的实施例，商圈间的关系特征信息包括：商圈间的通勤距离信息、商圈间的交通信息、周边设施信息和商圈房源价格信息。
具体地，商圈与商圈之间的通勤距离信息包括商圈与商圈之间的空间直线距离。商圈间的交通信息包括商圈间的交通方式(例如换乘地铁的次数和时间等)。周边设施信息包括交通、医疗、教育、生活设施等多种设施。商圈房源价格信息包括标准价格和最低价格的价格差值。
步骤S14：根据客户特征信息、商圈特征信息和商圈间的关系特征信息得到商圈与客户的综合信息。
作为示例性的实施例，可根据客户特征信息、商圈特征信息和商圈间的关系特征信息以及其各自的权重得到商圈与客户的综合信息。本领域技术人员应当知晓，根据多种信息以及各个信息所占权重生成商圈与客户的综合信息并非用于限制本实施例。
在本实施例中，还可以根据商圈与客户的综合信息得到商圈与客户的推荐排序信息，如商圈-客户推荐列表，其具体形式可以是商圈-客户序列，仅以此举例，不以此为限。
通过上述步骤，先获取客户特征信息、商圈特征信息和商圈间的关系特征信息；之后，将以上多种信息相结合，综合多种信息生成商圈与客户综合信息；再使其结合房源特征信息得到客户与房源的推荐排序信息，使得推荐排序信息更加完备，多特征的引入将更好的挖掘客户与商圈的匹配关系、客户与房源的匹配关系，提升了推荐排序信息的精准度。
作为示例性的实施例，步骤S14根据客户特征信息、商圈特征信息和商圈间的关系特征信息生成推荐排序信息的步骤中，如图3所示，包括步骤S141-S142。
步骤S141：将客户特征信息、商圈特征信息和商圈间的关系特征信息分别进行分档打分，得到客户与商圈的评分结果。
作为示例性的实施例，每一个特征信息中均包含多个特征，将每一个特征信息中的各个特征分别进行分档，根据预设评分标准，不同的分档对应不同的得分，之后将各个特征所对应的得分相加得到客户与商圈的评分结果，仅以此为例，不以此为限。具体地，预设评分标准可以是基于经验值设置的，例如客户新老程度的分档评分为：用户累计登录天数1天得分为1分；累积登录天数2天得分为0.8分；累积登录天数大于等于3天得分为0.7分；又例如，用户活跃程度的分档评分为：活跃用户得分为1分，非活跃用户得分为0分。
步骤S142：对评分结果进行排序，得到推荐排序信息。
作为示例性的实施例，按照评分结果的得分高低进行排序，排序后得到推荐排序列表，该推荐排序列表即可作为推荐排序信息。
通过上述步骤，将客户特征信息、商圈特征信息和商圈间的关系特征信息分别进行分档打分，根据分档打分的评分结果生成推荐排序信息，使得推荐排序信息更好地符合客户需求。
作为示例性的实施例，步骤S14根据客户特征信息、商圈特征信息和商圈间的关系特征信息生成推荐排序信息的步骤之前，如图4所示，还包括步骤S15。
步骤S15：获取客户特征信息、商圈特征信息和商圈间的关系特征信息的预设权重信息。
具体地，上述多种特征信息中的每一种特征信息均对应一个权重值，这些权重值构成预设权重信息。预设权重信息可以是根据需求预先设置好的，如，客户特征信息的预设权重值为a，商圈特征信息的预设权重值为b，商圈间的关系特征信息的预设权重值为c，a、b、c的值均为大于0小于1的数值，且a+b+c的和为1。本实施例对此仅作示意性描述，不以此为限。
此种情况下，步骤S4则为根据获取到的各个特征信息的预设权重信息、客户特征信息、商圈特征信息和商圈间的关系特征信息生成推荐排序信息。
通过上述步骤，引入各个特征信息的权重，根据需要合理设置各个特征信息所占的比重，可以灵活调整各个特征信息的重要程度，得到优化的推荐排序信息。
作为示例性的实施例，步骤S14根据客户特征信息、商圈特征信息和商圈间的关系特征信息得到商圈与客户的综合信息的步骤之前，如图5所示，还包括步骤S16。
步骤S16：获取商圈冷启动规则信息。
具体地，商圈冷启动规则信息包括采用基于规则的推荐策略；根据客户需求的评分数据，通过相似邻居查询，找到与当前客户兴趣偏好最相似的用户群，根据这些用户群的偏好信息为当前客户提供最感兴趣的推荐列表。
此时，步骤S14为根据商圈冷启动规则信息、客户特征信息、商圈特征信息和商圈间的关系特征信息生成推荐排序信息。
通过增加商圈冷启动规则信息，进一步完善排序策略，得到更加精确地推荐排序信息。
作为示例性的实施例，步骤S14根据客户特征信息、商圈特征信息和所述商圈间的关系特征信息得到商圈与客户的综合信息的步骤之前，如图6所示，还包括步骤S17。
步骤S17：获取商圈业务倾向信息。
具体地，商圈业务倾向信息主要包括后续可能根据去库存、引流等，对某类商圈权重加大。
此时，步骤S14为根据商圈业务倾向信息、客户特征信息、商圈特征信息和商圈间的关系特征信息生成推荐排序信息。
通过上述步骤，增加商圈业务倾向信息，进一步完善排序策略，得到更加精确地推荐排序信息。
作为示例性的实施例，步骤S14根据客户特征信息、商圈特征信息和商圈间的关系特征信息得到商圈与客户的综合信息的步骤之前，如图7所示，还包括步骤S18-S19。
步骤S18：获取商圈冷启动规则信息和商圈冷启动规则信息所对应的商圈冷启动权重。具体地，商圈冷启动权重可以是预先设置好的，可根据实际需要合理设置，如设置为0.5，仅以此为例，不以此为限。如需要增加商圈冷启动规则信息的所占比重，则增加商圈冷启动权重。
步骤S19：获取商圈业务倾向信息和商圈业务倾向信息所对应的业务倾向权重。具体地，商圈业务倾向权重可以是预先设置好的，可根据实际需要合理设置，如设置为0.3，仅以此为例，不以此为限。如需要增加商圈业务倾向信息的所占比重，则增加商圈业务倾向权重。
此种情况下，需要分别获取客户特征信息、商圈特征信息和商圈间的关系特征信息的预设权重信息、商圈冷启动规则信息信息所对应的商圈冷启动权重和商圈业务倾向信息所对应的商圈业务倾向权重。
具体地，上述多种信息中的每一种信息均对应一个权重值，这些权重值构成第一权重信息，即第一权重信息包括预设权重信息、商圈冷启动权重和商圈业务倾向权重。第一权重信息可以是根据需求预先设置好的，如，客户特征信息的预设权重值为a，商圈特征信息的预设权重值为b，商圈间的关系特征信息的预设权重值为c，商圈冷启动规则信息的商圈冷启动权重值为d，商圈业务倾向信息的商圈业务倾向权重值为e。具体地，a、b、c、d和e的值均为大于0小于1的数值，且a+b+c+d+e的和为1。本实施例对此仅作示意性描述，不以此为限。
步骤S14为根据第一权重信息、客户特征信息、商圈特征信息、商圈间的关系特征信息、商圈冷启动规则信息和商圈业务倾向信息得到商圈与客户的综合信息。
具体地，根据第一权重信息、客户特征信息、商圈特征信息、商圈间的关系特征信息、商圈冷启动规则信息和商圈业务倾向信息进行打分，并依据打分结果确定商圈与客户的综合信息。
下面以一个具体事例作详细介绍，根据上述信息列举打分计算方式。
通过上述步骤，将现有技术中的排序特征进行特征扩充，综合多种特征因素形成更加完备的打分策略，实现了商圈和客户的最优匹配，得到优化的商圈与客户的综合信息，提高了推荐排序信息的精准度。
需要说明的是，在其它示例性的实施例中，可以同时包括步骤S16和步骤S17；也可以仅包括步骤S18，或者仅包括步骤S19；还可以包括步骤S16和步骤S19，或者包括步骤S17和步骤S18；本实施例对此不再一一赘述，在实际应用中根据需要合理设置即可。
作为示例性的实施例，步骤S3根据综合信息和房源特征信息生成推荐排序信息的步骤中，如图8所示，包括步骤S31-S32。
步骤S31：根据预设房态打分策略将房源特征信息分别进行分档，得到房源分档信息。
作为示例性的实施例，房源特征信息包括多种不同的信息，根据预设房态打分策略对房源特征信息中的每一个信息分别进行分档打分，得到房源分档信息。例如，房源有浴室和厕所，评分为1分；房源有厕所没有浴室，评分为0.7分；房源有浴室没有厕所或者房源没有浴室也没有厕所，评分均为0.3分。又例如，房源附近有地铁线，评分为0.7分；房源附近没有地铁线，评分为0.3分。上述打分策略仅以此为例，不以此为限。
步骤S32：将综合信息和房源分档信息进行综合评分，得到房源与客户的推荐排序信息。
作为示例性的实施例，先获取综合信息和房源特征信息所对应的预设权重，根据权重分别计算综合信息和房源分档信息的得分，再将两者的得分相加得到总分数，该总分数即为综合评分；之后，根据综合评分的高低顺序进行排序，得到房源与客户的推荐排序列表，该推荐排序列表即为得到房源与客户的推荐排序信息。本实施例仅作示意性描述，并不以此为限。
作为示例性的实施例，步骤S3根据综合信息和房源特征信息生成推荐排序信息的步骤之前，如图9所示，还包括步骤S4。
步骤S4：获取房源冷启动规则信息。
具体地，房源冷启动规则信息包括采用基于规则的推荐策略；根据客户需求的评分数据，通过相似邻居查询，找到与当前客户兴趣偏好最相似的用户群，根据这些用户群的偏好信息为当前客户提供最感兴趣的推荐列表。
通过增加房源冷启动规则信息，进一步完善排序策略，得到更加精确地推荐排序信息。
作为示例性的实施例，步骤S3根据综合信息和房源特征信息生成推荐排序信息的步骤之前，如图10所示，还包括步骤S5。
步骤S5：获取房源业务倾向信息。
具体地，房源业务倾向信息主要包括后续可能根据去库存、引流等，对某类房源权重加大。
通过上述步骤，增加房源业务倾向信息，进一步完善排序策略，得到更加精确地推荐排序信息。
作为示例性的实施例，步骤S3根据综合信息和房源特征信息生成推荐排序信息的步骤之前，如图11所示，还包括步骤S6-S7。
步骤S6：获取房源冷启动规则信息和房源冷启动规则信息所对应的房源冷启动权重。具体地，房源冷启动权重可以是预先设置好的，可根据实际需要合理设置，如设置为0.4，仅以此为例，不以此为限。如需要增加房源冷启动规则信息的所占比重，则增加房源冷启动权重。
步骤S7：获取房源业务倾向信息和房源业务倾向信息所对应的房源业务倾向权重。具体地，房源业务倾向权重可以是预先设置好的，可根据实际需要合理设置，如设置为0.4，仅以此为例，不以此为限。如需要增加房源业务倾向信息的所占比重，则增加房源业务倾向权重。
此种情况下，步骤S3需要分别获取商圈与客户的综合信息和房源特征信息所对应的权重、房源冷启动规则信息所对应的房源冷启动权重和房源业务倾向信息所对应的房源业务倾向权重。
具体地，上述多种信息中的每一种信息均对应一个权重值，这些权重值构成第二权重信息。第二权重信息可以是根据需求预先设置好的，如，综合信息的权重值为A，房源特征信息的权重值为B，房源冷启动规则信息的房源冷启动权重值为C，房源业务倾向信息的房源业务倾向权重值为D。具体地，A、B、C、D的值均为大于0小于1的数值，且A+B+C+D的和为1。本实施例对此仅作示意性描述，不以此为限。
步骤S3为根据第二权重信息、综合信息、房源特征信息、房源冷启动规则信息和房源业务倾向信息生成推荐排序信息。
具体地，根据第二权重信息、综合信息、房源特征信息、房源冷启动规则信息和房源业务倾向信息进行打分，并依据打分结果确定推荐排序信息。
下面以一个具体示例介绍房源特征信息的打分策略。
#1.计算房源所属商圈基本分数逻辑
①计算客户-房源价格差；
②套用商圈计算逻辑计算客户房源基本分。
#2.计算房源客户分数逻辑，此处主要列举部分特征计算方式(其它特征计算类似)，根据房源的基本信息特征和交通特征进行计算，部分逻辑如下。
通过以上步骤，根据获取的相关特征，将包含客户特征信息、商圈特征信息和商圈间的关系特征信息的综合信息与房源特征信息相互结合，再联合冷启动规则和业务倾向的信息，得到综合的房态打分；最终，得到优化商圈-客户的推荐排序信息、房源-客户的推荐排序信息，得到最优的推荐排序列表。
需要说明的是，在其它示例性的实施例中，可以同时包括步骤S4和步骤S5；也可以仅包括步骤S6，或者仅包括步骤S7；还可以包括步骤S4和步骤S7，或者包括步骤S5和步骤S6；本实施例对此不再一一赘述，在实际应用中根据需要合理设置即可。
在本实施例中还提供了一种推荐排序系统，该系统用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的系统较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
本实施例还提供一种推荐排序系统，如图12所示，包括：第一获取模块121、第二获取模块122和处理模块123。
第一获取模块121，用于获取商圈与客户的综合信息，综合信息用于表征商圈与客户的匹配关系；详细内容参考步骤S1所述。
第二获取模块122，用于获取房源特征信息，房源特征信息用于表征房源的基本信息；详细内容参考步骤S2所述。
处理模块123，用于根据综合信息和房源特征信息生成推荐排序信息；详细内容参考步骤S3所述。
作为示例性的实施例，第一获取模块包括：第一获取单元，用于获取客户特征信息，客户特征信息用于表征客户的基本信息，详细内容参考步骤S11所述；第二获取单元，用于获取商圈特征信息，商圈特征信息用于表征商圈的基本信息，详细内容参考步骤S12所述；第三获取单元，用于获取商圈间的关系特征信息，商圈间的关系特征信息用于表征商圈与商圈之间的关联信息，详细内容参考步骤S13所述；第一处理单元，用于根据客户特征信息、商圈特征信息和商圈间的关系特征信息得到商圈与客户的综合信息，详细内容参考步骤S14所述。
作为示例性的实施例，第一处理单元包括：第一处理子单元，用于将所述客户特征信息、所述商圈特征信息和所述商圈间的关系特征信息分别进行分档打分，得到客户与商圈的评分结果，详细内容参考步骤S141所述；第二处理子单元，用于对所述评分结果进行排序得到商圈与客户的综合信息，详细内容参考步骤S142所述。
作为示例性的实施例，第一获取模块还包括：第四获取单元，用于获取客户特征信息、商圈特征信息和商圈间的关系特征信息的预设权重信息，详细内容参考步骤S15所述。
作为示例性的实施例，第一获取模块还包括：
第五获取单元，用于获取商圈冷启动规则信息，详细内容参考步骤S16所述；或者，第六获取单元，用于获取商圈冷启动规则信息和所述商圈冷启动规则信息所对应的商圈冷启动权重，详细内容参考步骤S18所述；
和/或，
第七获取单元，用于获取商圈业务倾向信息，详细内容参考步骤S17所述；或者，第八获取单元，用于获取商圈业务倾向信息和所述商圈业务倾向信息所对应的商圈业务倾向权重，详细内容参考步骤S19所述。
作为示例性的实施例，处理模块包括：第二处理单元，用于根据预设房态打分策略将房源特征信息分别进行分档，得到房源分档信息，详细内容参考步骤S31所述；第三处理单元，用于将综合信息和房源分档信息进行综合评分，得到房源与客户的推荐排序信息，详细内容参考步骤S32所述。
作为示例性的实施例，还包括：
第三获取模块，用于获取房源冷启动规则信息，详细内容参考步骤S4所述；或者，第四获取模块，用于获取房源冷启动规则信息和所述房源冷启动规则信息所对应的房源冷启动权重，详细内容参考步骤S6所述；
和/或，
第五获取模块，用于获取房源业务倾向信息，详细内容参考步骤S5所述；或者，第六获取模块，用于获取房源业务倾向信息和所述房源业务倾向信息所对应的房源业务倾向权重，详细内容参考步骤S7所述。
作为示例性的实施例，房源特征信息包括：房源房态信息、房源位置信息、房源交通信息、房源价格信息和房源库龄信息；
和/或，
客户特征信息包括：客户商圈信息、客户偏好信息、客户官网访问信息和客户新老程度信息；
和/或，
商圈特征信息包括：商圈办公指数信息、商圈交通指数信息、商圈标准价格信息、商圈动态销售信息、商圈房源库存量信息、商圈内高库龄房源占比信息和商圈热度信息；
和/或，
商圈间的关系特征信息包括：商圈间的通勤距离信息、商圈间的交通信息、周边设施信息和商圈房源价格信息。
本实施例中的推荐排序系统是以功能单元的形式来呈现，这里的单元是指ASIC电路，执行一个或多个软件或固定程序的处理器和存储器，和/或其他可以提供上述功能的器件。
上述各个模块的更进一步的功能描述与上述对应实施例相同，在此不再赘述。
本发明实施例还提供了一种电子设备，如图13所示，该电子设备包括一个或多个处理器131以及存储器132，图13中以一个处理器131为例。
该控制器还可以包括：输入装置133和输出装置134。
处理器131、存储器132、输入装置133和输出装置134可以通过总线或者其他方式连接，图13中以通过总线连接为例。
处理器131可以为中央处理器(Central Processing Unit，CPU)。处理器131还可以为其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片，或者上述各类芯片的组合。通用处理器可以是微处理器或者是任何常规的处理器等。
存储器132作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块，如本申请实施例中的推荐排序方法对应的程序指令/模块。处理器131通过运行存储在存储器132中的非暂态软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例的推荐排序方法。
存储器132可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据服务器操作的处理装置的使用所创建的数据等。此外，存储器132可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器132可选包括相对于处理器131远程设置的存储器，这些远程存储器可以通过网络连接至网络连接装置。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置133可接收输入的数字或字符信息，以及产生与服务器的处理装置的用户设置以及功能控制有关的键信号输入。输出装置134可包括显示屏等显示设备。
一个或者多个模块存储在存储器132中，当被一个或者多个处理器131执行时，执行如图1-11所示的推荐排序方法。
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流程，是可以通过计算机程序来指示相关的硬件来完成，被执行的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述推荐排序方法的实施例的流程。其中，存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)、随机存储记忆体(Random AccessMemory，RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive，缩写：HDD)或固态硬盘(Solid-State Drive，SSD)等；存储介质还可以包括上述种类的存储器的组合。
虽然结合附图描述了本发明的实施方式，但是本领域技术人员可以在不脱离本发明的精神和范围的情况下作出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。
Claims (10)
1.一种推荐排序方法，其特征在于，包括：
获取商圈与客户的综合信息，所述综合信息用于表征商圈与客户的匹配关系；
获取房源特征信息，所述房源特征信息用于表征房源的基本信息；
根据所述综合信息和所述房源特征信息生成推荐排序信息。
2.如权利要求1所述的推荐排序方法，其特征在于，获取商圈与客户的综合信息的步骤中，包括：
获取客户特征信息，所述客户特征信息用于表征客户的基本信息；
获取商圈特征信息，所述商圈特征信息用于表征商圈的基本信息；
获取商圈间的关系特征信息，所述商圈间的关系特征信息用于表征商圈与商圈之间的关联信息；
根据所述客户特征信息、所述商圈特征信息和所述商圈间的关系特征信息得到商圈与客户的综合信息。
3.如权利要求2所述的推荐排序方法，其特征在于，根据所述客户特征信息、所述商圈特征信息和所述商圈间的关系特征信息得到商圈与客户的综合信息，包括：
将所述客户特征信息、所述商圈特征信息和所述商圈间的关系特征信息分别进行分档打分，得到客户与商圈的评分结果；
对所述评分结果进行排序得到商圈与客户的综合信息。
4.如权利要求2所述的推荐排序方法，其特征在于，根据所述客户特征信息、所述商圈特征信息和所述商圈间的关系特征信息得到商圈与客户的综合信息的步骤之前，还包括：
获取所述客户特征信息、所述商圈特征信息和所述商圈间的关系特征信息的预设权重信息。
5.如权利要求2所述的推荐排序方法，其特征在于，根据所述客户特征信息、所述商圈特征信息和所述商圈间的关系特征信息得到商圈与客户的综合信息的步骤之前，还包括：
获取商圈冷启动规则信息；或者，获取商圈冷启动规则信息和所述商圈冷启动规则信息所对应的商圈冷启动权重；
和/或，
获取商圈业务倾向信息；或者，获取商圈业务倾向信息和所述商圈业务倾向信息所对应的商圈业务倾向权重。
6.如权利要求1所述的推荐排序方法，其特征在于，根据所述综合信息和所述房源特征信息生成推荐排序信息，包括：
根据预设房态打分策略将所述房源特征信息分别进行分档，得到房源分档信息；
将所述综合信息和所述房源分档信息进行综合评分，得到房源与客户的推荐排序信息。
7.如权利要求1-6中任一所述的推荐排序方法，其特征在于，根据所述综合信息和所述房源特征信息生成推荐排序信息的步骤之前，还包括：
获取房源冷启动规则信息；或者，获取房源冷启动规则信息和所述房源冷启动规则信息所对应的房源冷启动权重；
和/或，
获取房源业务倾向信息；或者，获取房源业务倾向信息和所述房源业务倾向信息所对应的房源业务倾向权重。
8.一种推荐排序系统，其特征在于，包括：
第一获取模块，用于获取商圈与客户的综合信息，所述综合信息用于表征商圈与客户的匹配关系；
第二获取模块，用于获取房源特征信息，所述房源特征信息用于表征房源的基本信息；
处理模块，用于根据所述综合信息和所述房源特征信息生成推荐排序信息。
9.一种电子设备，其特征在于，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器执行权利要求1-7任意一项所述的推荐排序方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使所述计算机执行权利要求1-7任意一项所述的推荐排序方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911356864.6A CN111125556A (zh) | 2019-12-25 | 2019-12-25 | 推荐排序方法、系统、电子设备及可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911356864.6A CN111125556A (zh) | 2019-12-25 | 2019-12-25 | 推荐排序方法、系统、电子设备及可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111125556A true CN111125556A (zh) | 2020-05-08 |
Family
ID=70502167
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911356864.6A Pending CN111125556A (zh) | 2019-12-25 | 2019-12-25 | 推荐排序方法、系统、电子设备及可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111125556A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112734170A (zh) * | 2020-12-24 | 2021-04-30 | 贝壳技术有限公司 | 带看任务调度方法及装置 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109902224A (zh) * | 2019-01-17 | 2019-06-18 | 平安城市建设科技(深圳)有限公司 | 基于用户行为分析的房源推荐方法、装置、设备和介质 |
| CN109902713A (zh) * | 2019-01-17 | 2019-06-18 | 平安城市建设科技(深圳)有限公司 | 基于数据分析的楼盘推荐方法、设备、存储介质及装置 |
| CN109949123A (zh) * | 2019-02-12 | 2019-06-28 | 平安科技（深圳）有限公司 | 房源推荐方法、装置、计算机设备及计算机可读存储介质 |
| CN110162711A (zh) * | 2019-05-28 | 2019-08-23 | 湖北大学 | 一种基于网络嵌入法的资源智能推荐方法及系统 |
-
2019
- 2019-12-25 CN CN201911356864.6A patent/CN111125556A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109902224A (zh) * | 2019-01-17 | 2019-06-18 | 平安城市建设科技(深圳)有限公司 | 基于用户行为分析的房源推荐方法、装置、设备和介质 |
| CN109902713A (zh) * | 2019-01-17 | 2019-06-18 | 平安城市建设科技(深圳)有限公司 | 基于数据分析的楼盘推荐方法、设备、存储介质及装置 |
| CN109949123A (zh) * | 2019-02-12 | 2019-06-28 | 平安科技（深圳）有限公司 | 房源推荐方法、装置、计算机设备及计算机可读存储介质 |
| CN110162711A (zh) * | 2019-05-28 | 2019-08-23 | 湖北大学 | 一种基于网络嵌入法的资源智能推荐方法及系统 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112734170A (zh) * | 2020-12-24 | 2021-04-30 | 贝壳技术有限公司 | 带看任务调度方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11748379B1 (en) | Systems and methods for generating and implementing knowledge graphs for knowledge representation and analysis | |
| CN108733706B (zh) | 热度信息的生成方法和装置 | |
| CN105701108B (zh) | 一种信息推荐方法、装置及服务器 | |
| JP5916959B2 (ja) | 動的データ取得方法およびシステム | |
| CN109903065B (zh) | 一种确定候选点的候选分值的方法和装置 | |
| TWI703862B (zh) | 內容推薦方法及裝置 | |
| CN111506801A (zh) | 一种应用App中子应用的排序方法及装置 | |
| CN110727761B (zh) | 对象信息获取方法、装置及电子设备 | |
| TWI526963B (zh) | 目標客戶搜尋方法、目標客戶搜尋裝置及其記錄媒體 | |
| JP5968744B2 (ja) | コンセプトキーワード拡張データセットを利用した検索方法、装置、及びコンピュータ読み取り可能な記録媒体 | |
| JP2019512806A5 (zh) | ||
| KR20210082103A (ko) | 기계 학습 모델을 이용한 부동산 실거래가 예측 기반 부동산 예상 실거래가 산출 장치 및 그 동작 방법 | |
| CN107809370B (zh) | 用户推荐方法及装置 | |
| CN111080407A (zh) | 房屋信息推荐方法、装置、电子设备及可读存储介质 | |
| US20230049839A1 (en) | Question Answering Method for Query Information, and Related Apparatus | |
| CN114090898A (zh) | 一种信息推荐方法、装置、终端设备及介质 | |
| CN110515929B (zh) | 书籍展示方法、计算设备及存储介质 | |
| CN111125556A (zh) | 推荐排序方法、系统、电子设备及可读存储介质 | |
| CN111460301B (zh) | 对象推送方法、装置、电子设备及存储介质 | |
| US20210248201A1 (en) | Information processing system, information processing method, and program | |
| CN114219663A (zh) | 产品推荐方法、装置、计算机设备及存储介质 | |
| CN111143714A (zh) | 推荐排序方法、系统、电子设备及可读存储介质 | |
| CN113869859A (zh) | 事件审批人员的替换方法、装置、终端设备和存储介质 | |
| CN112528143A (zh) | 一种询价订单智能推送方法及系统 | |
| US20190304040A1 (en) | System and Method for Vetting Potential Jurors |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200508 |