CN111143656A - 一种调整事件属性的方法及相关装置 - Google Patents

Abstract

本申请公开一种调整事件属性的方法及相关装置。为调整第一事件待调整的第一属性，利用第一事件的第二属性和第二事件的第二属性来确定索引条件，第二属性是与第一属性具有关联的属性且两事件同属于第一预设范畴；根据该索引条件从预先得到的参照系数映射集合中索引得到第一参照系数，该参照系数是利用历史数据获得的第一事件的第一属性相对于第二事件的第一属性的参照系数；利用该第一参照系数和第二事件的第一属性获得第一事件的调整后的第一属性。由于第二属性是可以量化的，第一参照系数也是可以量化的，因此本申请是可量化地调整事件属性的技术方案。相比于由人工主观地调整事件属性的方法，本申请具有更高的可信度和可靠性。

Description

一种调整事件属性的方法及相关装置

技术领域

本申请涉及数据处理技术领域，特别是涉及一种调整事件属性的方法及相关装置。

背景技术

在日常生产和生活中，因为供需关系的存在，事件的属性往往不单取决于所属的事件本身，还常取决于同类型事件的该项属性。例如，如果事件M的第一属性不参照同类型事件的第一属性而随意设置，则事件M的第一属性很可能与需求不匹配，进而限制了事件M的第一属性的有效、合理的应用。

目前在进行事件属性的调整时，通常采用人工调整的方式。下面通过示例形式进行简要介绍。首先，人工地采集事件M的同类型事件的属性，采集到的属性数据量非常有限，并且属性无规律、较为冗杂；其后依据该同类型事件的该属性与事件M的该属性，人工地进行粗略比较，估测一个参照系数，再利用该参照系数对事件M的属性进行调整。

但是以上调整事件属性的方法中，由于该参照系数是人工评估获得的，主观性较强，缺少量化的依据，因此可信度和可靠性较低。

发明内容

基于上述问题，本申请提供了一种调整事件属性的方法及相关装置，以解决调整过程缺少量化依据的问题，提升对事件属性进行调整的可信度和可靠性。

本申请实施例公开了如下技术方案：

第一方面，本申请提供一种调整事件属性的方法，用于对第一事件的待调整的第一属性进行调整，所述方法包括：

利用所述第一事件的第二属性和第二事件的第二属性确定索引条件；所述第一事件与所述第二事件同属于第一预设范畴；所述第二属性为与所述第一属性关联的属性；

根据所述索引条件从预先获得的参照系数映射集合中索引得到第一参照系数；所述第一参照系数为依据历史数据获得的第一事件的第一属性相对于所述第二事件的第一属性的参照系数；

利用所述第一参照系数和所述第二事件的第一属性获得第一事件的调整后的第一属性。

作为一种可能的实现方式，获得所述参照系数映射集合，具体包括：

获得所述历史数据中各个事件的位置和面积以及第二属性；

利用所述各个事件的位置和面积以及预设的第一面积差条件，判断在第二预设范畴内是否存在与所述第一事件匹配的第二事件；如果是，则利用所述历史数据中所述第一事件和所述第二事件的第一属性获得第一参照系数；如果否，则，

利用所述各个事件的位置和面积以及预设的第二面积差条件，判断在第二预设范畴内是否存在与所述第一事件匹配的第二事件；如果是，则利用所述历史数据中所述第一事件的第一属性和面积以及所述第二事件的第一属性和面积获得第一参照系数；

根据所述第一事件的第二属性、所述第二事件的第二属性以及利用所述历史数据得到的第一参照系数获得所述参照系数映射集合。

作为一种可能的实现方式，所述参照系数映射集合还包括调整系数，方法还包括：根据所述第一事件与所述第二事件的距离，以及所述第一事件与所述第二事件的面积差，从所述参照系数映射集合中获得调整系数；

所述利用所述第一参照系数和所述第二事件的第一属性获得第一事件的调整后的第一属性，具体包括：

利用所述第一参照系数、所述调整系数和所述第二事件的第一属性获得第一事件的调整后的第一属性。

作为一种可能的实现方式，如果在第二预设范畴内不存在与所述第一事件匹配的第二事件，所述调整系数是通过如下方法得到的：

从所述第二预设范畴内确定出不满足所述第二面积差条件的第二事件；

当所述第一事件的面积大于所述第二事件的面积时，从取值第一区间内遍历获得使第一目标函数达到最小值的调整系数；当所述第一事件的面积小于所述第二事件的面积时，从取值第二区间内遍历获得使第一目标函数达到最小值的调整系数；所述第一目标函数与所述第二事件的第一属性、所述第一参照系数和所述调整系数相关。

作为一种可能的实现方式，当所述第一事件的第三属性不同于基准属性时，所述方法为利用预先训练的事件属性调整模型实现的；利用所述事件属性调整模型具体包括：

将所述第一参照系数、所述第二事件的第一属性和所述第一事件的第三属性作为所述模型的输入，将所述模型输出的第一属性作为所述第一事件的调整后的第一属性。

作为一种可能的实现方式，当所述第一事件的第三属性不同于基准属性时，所述方法为利用预先训练的事件属性调整模型实现的；利用所述事件属性调整模型具体包括：

将所述第一参照系数、所述调整系数、所述第二事件的第一属性和所述第一事件的第三属性作为所述模型的输入，将所述模型输出的第一属性作为所述第一事件的调整后的第一属性。

作为一种可能的实现方式，事件属性调整模型是通过以下步骤训练的：

设置模型列表并设定第二目标函数，所述模型列表中包括多个备选模型；所述第二目标函数为关于所述第二事件的第一属性、所述第一参照系数和第二参照系数的函数；

以所述历史数据作为训练样本，选择使所述第二目标函数的值达到最小值的备选模型作为所述事件属性调整模型，并获得当所述训练样本中第一事件的第三属性不同时，使所述第二目标函数的值分别达到最小值的第二参照系数，所述第二参照系数为所述事件属性调整模型用以调整第一事件的第一属性的参照系数。

作为一种可能的实现方式，在所述利用所述第一事件的第二属性和第二事件的第二属性确定索引条件之前，所述方法还包括：

获得所述第一事件的第二属性；

判断所述第一预设范畴内是否存在第二属性与所述第一事件的第二属性相匹配的其他事件，如果是，则将所述其他事件作为第二事件；如果否，则将所述第一预设范畴内第二属性与所述第一事件的第二属性不匹配的其他事件作为第二事件。

作为一种可能的实现方式，利用所述第一参照系数和所述第二事件的第一属性获得第一事件的调整后的第一属性，具体包括：

获得所有所述符合所述索引条件的第一参照系数的平均值；

获取所述第二事件的第一属性；

利用所述平均值与所述第二事件的第一属性的乘积获得所述第一事件的调整后的第一属性。

作为一种可能的实现方式，第一预设范畴内存在第二属性分别与第一事件的第二属性相匹配的至少两个第二事件，分别为第二事件A和第二事件B；

所述利用所述第一事件的第二属性和第二事件的第二属性确定索引条件，具体包括：

利用所述第一事件的第二属性和第二事件A的第二属性确定索引条件a；利用所述第一事件的第二属性和第二事件B的第二属性确定索引条件b；

所述获得所有所述符合所述索引条件的第一参照系数的平均值，具体包括：

获得所述索引条件a对应的第一参照系数的第一平均值；获得所述索引条件b对应的第一参照系数的第二平均值；

所述获取所述第二事件的第一属性，具体包括：

获得所述第二事件A的第一属性和所述第二事件B的第一属性；

所述利用所述平均值与所述第二事件的第一属性的乘积获得所述第一事件的调整后的第一属性，具体包括：

将所述第一平均值和所述第二事件A的第一属性相乘，获得第一乘积；将所述第二平均值和所述第二事件B的第一属性相乘，获得第二乘积；利用所述第一乘积和所述第二乘积的平均值获得所述第一事件的调整后的第一属性。

作为一种可能的实现方式，第一事件和第二事件分别为来自不同提供方的不动产服务项目；所述第一属性为服务价格，所述第二属性为与公共交通站点的距离；所述第一参照系数为依据历史数据获得的第一事件的服务价格相对于所述第二事件的服务价格的溢价率。

第二方面，本申请提供一种调整事件属性的装置，用于对第一事件的待调整的第一属性进行调整；所述装置包括：

索引条件确定模块，用于利用所述第一事件的第二属性和第二事件的第二属性确定索引条件；所述第一事件与所述第二事件同属于第一预设范畴；所述第二属性为与所述第一属性关联的属性；

第一参照系数获取模块，用于根据所述索引条件从预先获得的参照系数映射集合中索引得到第一参照系数；所述第一参照系数为依据历史数据获得的第一事件的第一属性相对于所述第二事件的第一属性的参照系数；

属性调整模块，用于利用所述第一参照系数和所述第二事件的第一属性获得第一事件的调整后的第一属性。

作为一种可能的实现方式，上述装置还包括：集合获取模块，用于获得所述参照系数映射集合。该集合获取模块，具体包括：

数据获取单元，用于获得所述历史数据中各个事件的位置和面积以及第二属性；

第一判断单元，用于利用所述各个事件的位置和面积以及预设的第一面积差条件，判断在第二预设范畴内是否存在与所述第一事件匹配的第二事件；

第一获取单元，用于当所述第一判断单元判断结果为是时，利用所述历史数据中所述第一事件和所述第二事件的第一属性获得第一参照系数；

第二判断单元，用于当所述第一判断单元判断结果为否时，利用所述各个事件的位置和面积以及预设的第二面积差条件，判断在第二预设范畴内是否存在与所述第一事件匹配的第二事件；

第二获取单元，用于当所述第二判断单元判断结果为是时，利用所述历史数据中所述第一事件的第一属性和面积以及所述第二事件的第一属性和面积获得第一参照系数；

集合构建单元，用于根据所述第一事件的第二属性、所述第二事件的第二属性以及利用所述历史数据得到的第一参照系数获得所述参照系数映射集合。

作为一种可能的实现方式，所述参照系数映射集合还包括调整系数，上述装置还包括：调整系数获取模块，用于根据所述第一事件与所述第二事件的距离，以及所述第一事件与所述第二事件的面积差，从所述参照系数映射集合中获得调整系数；

所述属性调整模块，具体包括：

第一调整单元，用于利用所述第一参照系数、所述调整系数和所述第二事件的第一属性获得第一事件的调整后的第一属性。

作为一种可能的实现方式，当所述第一事件的第三属性不同于基准属性时，所述装置具体利用预先训练的事件属性调整模型实现对事件属性的调整；利用该模型具体实现事件属性调整的方式如下：

将所述第一参照系数、所述第二事件的第一属性和所述第一事件的第三属性作为所述模型的输入，将所述模型输出的第一属性作为所述第一事件的调整后的第一属性。

作为一种可能的实现方式，当所述第一事件的第三属性不同于基准属性时，所述装置具体为利用预先训练的事件属性调整模型实现的；利用该模型具体实现事件属性调整的方式如下：

将所述第一参照系数、所述调整系数、所述第二事件的第一属性和所述第一事件的第三属性作为所述模型的输入，将所述模型输出的第一属性作为所述第一事件的调整后的第一属性。

作为一种可能的实现方式，装置还包括：

第二属性获取模块，用于获得所述第一事件的第二属性；

第一判断模块，用于判断所述第一预设范畴内是否存在第二属性与所述第一事件的第二属性相匹配的其他事件，如果第一判断模块判断结果为是，则事件确定模块将所述其他事件作为第二事件；如果第一判断模块判断结果为是，则事件确定模块将所述第一预设范畴内第二属性与所述第一事件的第二属性不匹配的其他事件作为第二事件。

作为一种可能的实现方式，属性调整模块，具体包括：

系数平均值获取单元，获得所有所述符合所述索引条件的第一参照系数的平均值；

第一属性获取单元，获取所述第二事件的第一属性；

第二调整单元，用于利用所述平均值与所述第二事件的第一属性的乘积获得所述第一事件的调整后的第一属性。

作为一种可能的实现方式，第一预设范畴内存在第二属性分别与第一事件的第二属性相匹配的至少两个第二事件，分别为第二事件A和第二事件B；

上述装置中，所述索引条件确定模块，具体包括：

利用所述第一事件的第二属性和第二事件A的第二属性确定索引条件a；利用所述第一事件的第二属性和第二事件B的第二属性确定索引条件b；

所述系数平均值获取单元，具体用于获得所述索引条件a对应的第一参照系数的第一平均值；获得所述索引条件b对应的第一参照系数的第二平均值；

第一属性获取单元，具体用于获得所述第二事件A的第一属性和所述第二事件B的第一属性；

第二调整单元，具体用于将所述第一平均值和所述第二事件A的第一属性相乘，获得第一乘积；将所述第二平均值和所述第二事件B的第一属性相乘，获得第二乘积；利用所述第一乘积和所述第二乘积的平均值获得所述第一事件的调整后的第一属性。

相较于现有技术，本申请具有以下有益效果：

本申请实施例中，为了调整第一事件的待调整的第一属性，首先利用第一事件的第二属性和第二事件的第二属性来确定索引条件，其中，第二属性是与第一属性具有关联的属性且两事件同属于第一预设范畴；其后，根据该索引条件从预先得到的参照系数映射集合中索引得到第一参照系数，该参照系数是利用历史数据获得的第一事件的第一属性相对于第二事件的第一属性的参照系数；最后，利用该第一参照系数和第二事件的第一属性获得第一事件的调整后的第一属性。

本申请中通过预先捕捉不同事件在第一属性方面的联系来建立参照系数映射集合，并且第一参照系数是与第一事件以及第二事件各自的第二属性相关联的，从而在第一事件和第二事件的第二属性均已知的前提下能够从参照系数映射集合中便捷地获取到第一参照系数。可见，本申请中实际上是捕捉了临近事件相互第二属性对第一属性的影响效果，进而以此对事件的第一属性进行调整。由于第二属性是可以量化的，第一参照系数也是可以量化的，因此本申请是可量化地调整事件属性的技术方案。相比于由人工主观地调整事件属性的方法，本申请具有更高的可信度和可靠性。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例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，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本申请实施例提供的一种调整事件属性的方法流程图；

图2为本申请实施例提供的另一种调整事件属性的方法流程图；

图3为本申请实施例提供的一种获取冠寓与任意竞品的第一参照系数的实现方式流程图；

图4为本申请场景实施例提供的公寓位置关系示意图；

图5为用大面积的竞品的月租金调整小面积的冠寓月租金的示意图；

图6为用小面积的竞品的月租金调整大面积的冠寓月租金的示意图；

图7为本申请实施例提供的一种调整事件属性的装置的结构示意图。

具体实施方式

正如前文描述，目前当需要对事件的属性进行调整时，通常采用人工调整的方式进行。当人工去进行事件属性调整时，首先因为人的时间、精力和体力的限制，只能收集到关于事件属性的有限的数据。在有限的数据获取前提下，工作人员只能凭借自己粗略估算的情况来调整事件属性。这样得到的事件调整后的属性由于缺少量化的调整依据，因此可信度和可靠性较低。在数据量爆炸式增长的如今，人工调整事件属性的方式同时也存在效率低下的问题。

基于以上问题，发明人经过研究，提供了一种可量化式地调整事件属性的技术方案，具体地，提供了一种调整事件属性的方法及相关装置。利用第一事件与同一范畴内第二事件的第二属性来确定索引条件，并依据该索引条件从预先获得的参照系数映射集合中索引得到第一参照系数，最后利用该第一参照系数和第二事件的第一属性获得第一事件的调整后的第一属性。该技术方案利用参照系数映射集合捕捉获得了事件之间第二属性对第一属性的影响，利用该参照系数映射集合中符合索引条件的第一参照系数和第二事件的第一属性来获得第一事件的调整后的第一属性，从而实现对第一属性的可量化式的调整，克服现有的人工方式调整事件属性的弊端。

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅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。

方法实施例

参见图1，该图为本申请实施例提供的一种调整事件属性的方法流程图。该方法用于对第一事件的待调整的第一属性进行调整。实际应用中，每个事件可能有至少一个需要进行调整的属性，本实施例仅以第一事件的第一属性作为待调整的属性的示例进行描述。

如图1所示，本申请实施例提供的调整事件属性的方法，包括：

步骤101：利用所述第一事件的第二属性和第二事件的第二属性确定索引条件。

本实施例中，事件具体可以是指和地域相关的事件。作为一示例，事件可以是发电厂，事件的属性可以是发电厂的发电量、发电时长或电价、发电厂所处区域人口密集程度或高峰用电时段等等。作为另一示例，事件还可以是公寓等不动产服务项目，事件的属性可以是服务价格(例如月租金、清扫服务价格等)和所处区域的交通便利程度等。以上仅为示例，实际应用中，事件可以包括多种可能的实现方式，事件的种类也可能是多种多样的，此处不对事件以及事件属性做具体的限定。

本实施例中，仅以第一事件作为需要对属性进行调整的主体为示例进行描述。并且，在本实施例中，假设第一事件的第一属性为其需要加以调整的属性。

第一事件的第一属性受到第二事件的第一属性的影响。其中，第二事件是与第一事件同类型的事件，且第一事件与第二事件同属于第一预设范畴，以使得第一事件与第二事件具有类似性(可比性)。此处，第一预设范畴是指地理或空间维度的概念。作为示例，设定第一预设范畴是以第一事件的位置为中心，4km为半径的范围。也就是说，本实施例中，可以将第一预设范畴作为筛选第二事件的条件。需要说明的是，第一预设范畴可以根据实际需求和实际地理情况进行设置。例如，人口密集的地理环境下可以将第一预设范畴设置得更小，人口较为稀疏的地理环境下可以将第一预设范畴设置得更大。

需要说明的是，事件的第二属性为与第一属性关联的属性。例如，如果事件是发电厂，第一属性是发电量，则第二属性可以是发电厂所处区域的人口密集程度或高峰用电时段等。如果事件是公寓出租，第一属性是月租金，则第二属性可以是所处区域的交通便利程度，包括但不限于与公共交通站点(例如地铁站、公交站等)的距离。

本实施例中，可以利用第一事件的第二属性和第二事件的第二属性确定索引条件。作为示例，如果第二属性是与地铁站的距离，如果第一事件的第二属性为800m，第二事件的第二属性为900m，则索引条件可以是：第一事件与地铁站的距离小于1km且第二事件与地铁站的距离小于1km。可见，索引条件是第一事件的第二属性与第二事件的第二属性共同满足的条件。另外，需要说明的是，索引条件的形式与预先获得的参照系数映射集合相关，此处对索引条件的具体形式不进行限定。

步骤102：根据所述索引条件从预先获得的参照系数映射集合中索引得到第一参照系数。

需要说明的是，本实施例方法执行之前已经预先获得了参照系数映射集合。该集合可以是映射表的形式，此处对参照系数映射集合的具体展现形式不进行限定。

第一参照系数为依据历史数据获得的第一事件的第一属性相对于所述第二事件的第一属性的参照系数。作为一种示例性的实现方式，第一参照系数可以是第一事件的第一属性与第二事件的第一属性的比值。由于第二属性为与第一属性存在关联的属性，因此第一参照系数也与第一事件的第二属性以及第二事件的第二属性存在对应关系。在参照系数映射集合中，作为一可能的实现方式，一组数值至少包括：第一参照系数、第一事件的第二属性和第二事件的第二属性，参照系数映射集合中包括多组上面描述的数值，以及上述数值与索引条件的对应关系。当以索引条件进行索引时，可能得到一组或多组数值中的第一参照系数。这些第一参照系数可能相同也可能不同。

可结合表1理解本实施例中参照系数映射集合。在表1中，D1表示第一事件与公共交通站点的距离(即，第一事件的第二属性)，D2表示第二事件与公共交通站点的距离(即，第二事件的第二属性)。

表1参照系数映射集合

索引条件	第一参照系数
		D1<1km&D2<1km	α1
D1<1km&D2>1km	α2
		D1>1km&D2>1km	α3
D1>1km&D2<1km	α4

步骤103：利用所述第一参照系数和所述第二事件的第一属性获得第一事件的调整后的第一属性。

实际应用中，步骤103有多种可能的实现方式，例如：

当步骤102执行后只获得一个第一参照系数时，可以直接将第一参照系数与第二事件的第一属性相乘，获得第一事件调整后的第一属性；

当步骤102执行后获得多个第一参照系数，可以将这些第一参照系数求取平均值，再将平均值与第二事件的第一属性相乘，获得第一事件调整后的第一属性；

当步骤102执行后，如果存在多个不同的第二事件，例如第二事件A和第二事件B，则可以分别求取第二事件A对应的第一参照系数的平均值，称为第一平均值，求取第二事件A对应的第一参照系数的平均值，称为第二平均值。将第一平均值与第二事件A的第一属性相乘获得第一乘积，将第二平均值与第二事件B的第一属性相乘获得第二乘积，再利用第一乘积和第二乘积的平均值获得第一事件调整后的第一属性。可以理解的是，实际应用中按照第二事件A与第一事件的第二属性确定的索引条件a可能不同于按照第二事件B与第一事件的第二属性确定的索引条件b。

以上即为本申请实施例提供的调整事件属性的方法。为了调整第一事件的待调整的第一属性，首先利用第一事件的第二属性和第二事件的第二属性来确定索引条件，其中，第二属性是与第一属性具有关联的属性且两事件同属于第一预设范畴；其后，根据该索引条件从预先得到的参照系数映射集合中索引得到第一参照系数，该参照系数是利用历史数据获得的第一事件的第一属性相对于第二事件的第一属性的参照系数；最后，利用该第一参照系数和第二事件的第一属性获得第一事件的调整后的第一属性。

本申请实施例中预先通过捕捉不同事件在第一属性方面的联系来建立参照系数映射集合，并且第一参照系数是与第一事件以及第二事件各自的第二属性相关联的，从而在第一事件和第二事件的第二属性均已知的前提下能够从参照系数映射集合中按照索引条件便捷地获取到第一参照系数。可见，本申请中实际上是捕捉了临近事件相互第二属性对第一属性的影响效果，进而以此对事件的第一属性进行调整。由于第二属性是可以量化的，第一参照系数也是可以量化的，因此本申请是可量化地调整事件属性的技术方案。相比于由人工主观地调整事件属性的方法，本申请不依赖于人工调整事件属性的手感，故而具有更高的可信度和可靠性。

实际应用中，第一事件的其他属性还可能与第一属性存在关联。此处假设第一事件还包括第三属性，该属性也影响对第一属性调整的准确性。作为示例，如果第一事件为公寓出租，第一属性为月租金，第三属性可以为房型。假设对于公寓来说，其基准属性是开间，如果第一事件的第三属性与基准属性相符，表示该第一事件的房型为开间；如果第一事件的第三属性与基准属性不符，则表示第一事件的房型为开间以外的其他房型。实际应用中，事件的基准属性可以根据实际需求进行设置。

假设前述实施例是针对第一事件的第三属性与基准属性相符的情况提供的调整事件属性的方法，则本申请中还针对第一事件的第三属性与基准属性不同的情况提出了进一步的调整方法。下面结合实施例和附图进行说明。

参见图2，该图为本申请实施例提供的另一种调整事件属性的方法流程图。

如图2所示，该调整事件属性的方法包括：

步骤201-202的实现方式与前述实施例步骤101-102的实现方式基本相同，此处不再赘述。

步骤203：判断第一事件的第三属性与基准属性是否相同，如果否，则执行步骤204。

可以理解的是，由于第一事件的第三属性与基准属性不同，并且第一事件的第三属性与第一属性存在关联，因此需要考虑第三属性对调整第一属性的影响。具体地，通过事件属性调整模型实现对第一事件的第一属性的调整。下面结合步骤204描述事件属性调整模型的具体应用。

步骤204：将所述第一参照系数、所述第二事件的第一属性和所述第一事件的第三属性作为事件属性调整模型的输入，将该模型输出的第一属性作为所述第一事件的调整后的第一属性。

为了便于理解事件属性调整模型在实现属性调整方面的功能，首先介绍该模型的形成过程。事件属性模型是预先通过训练获得的。首先设置模型列表并设定第二目标函数，其中，模型列表中包括多个备选模型。模型列表中包括的备选模型可以包括但不限于以下中的至少两种：

线性回归模型(LinearRegression)、岭回归模型(Ridge)、索套算法回归模型(Lasso)、弹性网络算法模型(ElasticNet)、贝叶斯线性回归模型(BayesianRidge)、决策树回归模型(DecisionTreeRegressor)、随机森林回归模型(RandomForestRegressor)、梯度提升决策树模型(GradientBoostingRegressor)、极端随机森林回归模型(ExtraTreeRegressor)、集成回归模型(BaggingRegressor)、集成学习AdaBoost回归模型(AdaBoostRegressor)或极限梯度提升回归树模型(XGBRegressor)等。

第二目标函数可以包括一个或多个。以第一事件为公寓出租，第二事件为第一事件的竞品为例，第二目标函数可以包括误差函数和方差函数，其中误差函数的表达式如以下公式(1)，方差函数的表达式如以下公式(2)。

公式(1)，σ表示误差率，L表示第一事件的体量；公式(2)中，w表示方差。以上公式中，T表示历史数据中第一事件的第一属性的中位数；p表示利用历史数据获得的预测值，即预测获得的第一事件调整后的第一属性，该预测值是利用第一参照系数、第二事件的第一属性和第二参照系数获得，具体可以是相乘的方式获得。可见，第二目标函数是关于第二事件的第一属性、第一参照系数以及第二参照系数的函数。

可以理解的是，误差函数的值越小，越能够满足对该模型的实际需求；方差函数越小，表示数据的误差率越平滑。

本实施例中，以历史数据作为训练样本，选择使第二目标函数的值达到最小值的备选模型作为所述事件属性调整模型，并获得当训练样本中第一事件的第三属性不同时，使所述第二目标函数的值达到最小值的第二参照系数。也就是说，所述第二参照系数与训练样本中第一事件的第三属性相互对应。

第二参照系数为依据历史数据获得的所述第一事件的第三属性相对于所述基准属性的参照系数。实际应用中，不同的第三属性对应的第二参照系数可能相同也可能不同。例如，一居室的房型相对于开间的第二参照系数为D1，二居室的房型相对于开间的第二参照系数为D2，暗房相对于开间的第二参照系数为D3，其中D1大于D2，D2等于D3。需要说明的是，以上仅为示例，此处对于第三属性对应的第二参照系数的大小均不加以限定，第二参照系数具体可以是依据历史数据进行训练得到的，以训练结果为准。

在训练阶段，对于第一事件的每一种第三属性，均训练出该第三属性对应的第二参照系数，并且从模型列表的多个备选模型中确定出最适合的模型来用以后续对事件属性进行调整。本实施例要求训练结束时，误差函数所表示的误差率不大于10％。

另外，在训练过程中，可以输入多种对于第一事件和第二事件的第一属性有关联的参量，例如房型、面积、合同价、配套、板块属性和体量等。其中，房型可以包括：暗房、一居室、二居室、穿套一居、Loft等；面积与价格成正相关；配套齐全程度也影响价格，配套包括：是否有健身房、厨房、抽油烟机、书柜、衣柜、公共区域、电梯或保洁服务等；板块可以包括：CBD板块、城区板块、科技园板块等；体量与价格成负相关。

以上描述了训练事件属性调整模型的一种示例实现方式，下面描述模型的应用方式。

将所述第一参照系数、所述第二事件的第一属性和所述第一事件的第三属性输入到事件属性调整模型中，由于预先训练该模型的过程中获得了第一事件的每一种第三属性对应的第二参照系数，因此在该模型实际应用过程中，可以利用输入的第一事件的第三属性确定出应该采用的第二参照系数。需要说明的是，如果第一事件为公寓出租，第三属性为房型，则第二参照系数可以称为房型溢价率，即，因房型的区别而产生的溢价比率。

模型根据输入的数据采用对应的第二参照系数进行处理，也会输出一个第一属性，由于在处理过程中采用了与第一事件的第三属性对应的第二参照系数，因此能够利用该系数配合输入的第一参照系数以及第二事件的第一属性进行计算，最终输出的是利用第一参照系数以及第二参照系数共同调整后的第一属性，该第一属性作为所述第一事件的调整后的第一属性。

通过预先训练的事件属性调整模型，将第三属性的不同对第一属性的影响转化成一系列的第二参照系数，使问题简单化。可以理解的是，通过预先训练好的事件属性调整模型，提升调整事件属性的实现效率，节省人力，自动化地调整事件属性。最终，高效地调整第一事件的第一属性。在以上实施例中，考虑到了第三属性对第一属性调整的影响，因此可以提升调整事件属性的准确性。

为了便于理解，下面结合一具体场景示例对本申请技术方案进行详细描述。

场景实施例

参见图3，该图为本申请场景实施例提供的一种调整事件属性的流程图。假设第一事件和第二事件是来自不同提供方的不动产服务项目，不动产服务项目可以是公寓、住宅楼、酒店、宾馆、别墅等。具体地，在该场景实施例中，第一事件为待定价的公寓(例如冠寓)，该待定价的公寓称为冠寓新店；第二事件为冠寓的竞品，即来自不同提供方但是价格已知的公寓(例如泊寓、魔方等)。可以理解的是，在第一预设范畴内，可能包括一种提供方的竞品，也可能包括多种提供方的竞品。

参见图4，该图为本申请场景实施例提供的公寓位置关系示意图。如图4所示，区域401中包括冠寓新店和三个竞品，分别是竞品A、竞品B和竞品C，四者与该区域内的地铁站的距离分别是600m，500m，3km和300m。该区域401可以视作第一预设范畴，即用以界定第二事件的范畴。

区域402、区域403、区域404和区域405中各自包括一个冠寓老店，并且区域402、区域403、区域404和区域405中各自至少包括一个竞品。区域402、区域403、区域404和区域405各自可以视为第二预设范畴。其中，第二预设范畴的大小可以与第一预设范畴的大小一致。

具体地，在区域402中包括冠寓老店、竞品A和竞品B，三者与该区域内的地铁站的距离分别是400m，200m和200m。在区域403中包括冠寓老店、竞品B和竞品C，三者与该区域内的地铁站的距离分别是500m，600m和2km。在区域404中包括冠寓老店、竞品A和竞品C，三者与该区域内的地铁站的距离分别是2km，2.2km和2km。在区域405中包括冠寓老店和竞品B，二者与该区域内的地铁站的距离分别是2km和3km。

可以理解的是，区域402、区域403、区域404和区域405中包括的冠寓老店以及各个竞品的相关属性(相关参数)可以作为历史数据。

根据区域401可知，冠寓新店与地铁站的距离小于1km，竞品A、竞品C各自与地铁站的距离小于1km，而竞品B与地铁站的距离大于1km。具体的距离数值即为本实施例描述的事件的第二属性。本实施例中，第一参照系数具体可以是指冠寓相对于竞品的溢价率。

对于竞品A：通过比对图4中其他几个区域的冠寓老店和竞品与地铁站的距离可知，在区域402和区域404中，竞品A和冠寓老店分别与地铁站相距1km以内，因此区域402及区域404中的竞品A及冠寓老店的第二属性是与区域401中竞品A及冠寓新店的第二属性相互匹配。为了获得冠寓相对于竞品A的溢价率，可以将区域402中冠寓相对于竞品A的溢价率α_402A和区域404中冠寓相对于竞品A的溢价率α_404A的平均值作为冠寓相对于竞品A的溢价率，即冠寓相对于竞品A的第一参照系数。

对于竞品B：通过比对图4中其他几个区域的冠寓老店和竞品与地铁站的距离可知，在区域402、区域403和区域405中，竞品B和冠寓老店均与地铁站相距1km以内，或者竞品B和冠寓老店均与地铁站相距1km以外，因此区域402、区域403和区域405中的竞品B及冠寓老店的第二属性是与区域401中竞品B及冠寓新店的第二属性不相匹配。在该情况下，可以将第三预设范畴内的所有冠寓相对于竞品B的溢价率的平均值作为冠寓相对于竞品B的溢价率。此处第三预设范畴可以是大于第一预设范畴的范围。例如，第三预设范畴可以是冠寓新店所在的城市。假设第三预设范畴内仅包括图4所示的区域402、区域403和区域405既包括竞品B和冠寓老店。由于该示例中，竞品B为25平米，冠寓新店为20平米，二者面积差不满足第一面积差条件(作为示例第一面积差条件为面积差的绝对值小于或等于3平米)，因此需要获得坪效溢价率。因此，区域402、区域403和区域405中冠寓相对于竞品B的坪效溢价率α_402B、α_403B和α_405B的平均值，将该平均值作为冠寓相对于竞品B的第一参照系数。

对于竞品C：与竞品B的情况相似地，可以获得冠寓相对于竞品C的坪效溢价率。在本实施例中，竞品C为30平米，冠寓为20平米，由于面积差异较大，不满足第二面积差条件(作为示例第二面积差条件为面积差的绝对值小于或等于5平米)，因此可以将冠寓相对于竞品C的坪效溢价率与(1+调整系数β)相乘，获得冠寓相对于竞品C的第一参照系数。

以上结合图4描述了获取第一事件的第一属性相对于第二事件的第一属性的第一参照系数的过程。

下面结合图3通过流程图介绍获取冠寓与任意竞品的第一参照系数的实现方式。需要说明的是，图3所描述的过程是在模型训练阶段实现的，针对的是历史数据，因此可以结合图4的区域402-405加以理解。

步骤301：获得历史数据中各个事件的位置和面积以及第二属性。

本步骤即是指获得待定价的公寓及其他公寓的位置和面积及与地铁站的距离。其中，位置用于确定其他公寓是否在第二预设范畴内；面积用于确定是否满足面积差条件。

步骤302：利用各个事件的位置和面积以及预设的第一面积差条件，判断在第二预设范畴内是否存在与第一事件匹配的第二事件。如果是，则执行步骤303；如果否，则执行步骤304。

本实例中，第二预设范畴可以是以冠寓为中心的4km半径范围，第一面积差条件可以是：与冠寓面积的面积差的绝对值小于或等于3平米。当冠寓的4km范围内存在与冠寓面积的面积差的绝对值小于或等于3平米，则表示存在同等面积的竞品(第二事件)。此处，匹配指的是面积匹配且位置匹配。

需要说明的是，第二预设范畴可以根据实际需求或实际情况进行设定，例如如果没有竞品，可以将第二预设范畴设定为以冠寓为中心的5km半径范围。另外，不同的城市，设定的第二预设范畴也可以不同。

步骤303：利用历史数据中第一事件和第二事件的第一属性获得第一参照系数。执行步骤306。

在具体实现时，可以将历史数据中冠寓的月租金与冠寓所在的第二预设范畴内某一提供方的竞品的月租金的比值，作为冠寓相对于该提供方的竞品的溢价率，即第一参照系数。该第一参照系数的表达式如下：

公式(3)中，Pr iceGY表示冠寓的月租金；Pr iceJP表示竞品的月租金。

当在第二预设范畴内不存在与第一事件匹配的第二事件，即不存在与冠寓匹配的竞品，则表示潜在的竞品可能面积与冠寓的差距超出了第一面积差条件。因此，可以适当扩大面积差条件来搜寻潜在的竞品并获得第一参照系数。以下结合步骤304进行描述。

步骤304：利用各个事件的位置和面积以及预设的第二面积差条件，判断在第二预设范畴内是否存在与第一事件匹配的第二事件。如果是，则执行步骤305。

作为示例，第二面积差条件可以是：与冠寓面积的面积差的绝对值小于或等于5平米。也就是说，在第二预设范围内，只要存在某一提供方的公寓与冠寓的面积差小于或等于5平米，即表示来自该提供方的公寓是与冠寓相互匹配的竞品。在此情况下，由于冠寓和竞品的面积差稍大，即面积差的绝对值大于3平米，且，小于或等于5平米，因此需要考虑面积对溢价率的影响。需要计算坪效溢价率作为冠寓相对于该竞品的第一参照系数。

步骤305：利用历史数据中第一事件的第一属性(冠寓月租金)和面积以及第二事件的第一属性(竞品月租金)和面积获得第一参照系数。执行步骤306。

在此种情况下，计算冠寓相对于竞品的坪效溢价率的公式如下：

公式(4)中，Pr iceGY表示冠寓的月租金，AreaGY表示冠寓的面积；Pr iceJP表示竞品的月租金，AreaJP表示竞品的面积。本实施例将公式(4)获得的坪效溢价率作为冠寓相对于该提供方的竞品的第一参照系数。

步骤306：根据所述第一事件的第二属性、所述第二事件的第二属性以及利用所述历史数据得到的第一参照系数获得所述参照系数映射集合。

根据上文描述，第一参照系数按照不同的情况，可能是通过步骤303获得的，也可能是通过步骤305获得的。最终形成的参照系数映射集合的示例形式可以参见表1。

在实际应用中，如果第一事件和第二事件的面积差异较大(例如，第二预设范围内仅有不满足第二面积差条件的第二事件)，则还可能需要借助一个调整系数来实现对第一事件的第一属性的调整。需要说明的是，调整系数为绝对值小于1的数值。调整系数可以是正值也可能是负值。

在实际应用中，面积较大的公寓，坪效小；而面积较小的公寓，坪效大。为此，当利用面积较大的竞品的月租金来调整冠寓的月租金时，可以适当地对坪效溢价率调整，以使坪效溢价率提升，此时调整系数大于0；当利用面积较小的竞品的月租金来调整冠寓的月租金时，可以适当地对坪效溢价率调整，以使坪效溢价率降低，此时调整系数小于0。

为便于理解，可参见图5和图6。其中图5为用大面积的竞品(魔方)的月租金调整小面积的冠寓月租金的示意图；图6为用小面积的竞品(泊寓)的月租金调整大面积的冠寓月租金的示意图。

如图5所示，如果不采用正的调整系数，由于魔方的坪效为2500元/25平米，按照该坪效可能将15平米的冠寓定价为1500元。但是，由于小平米的公寓(冠寓)的坪效应当较大，因此通过正的调整系数调整坪效溢价率，使得对冠寓的定价提升至2000元(仅为示例)。

如图6所示，如果不采用负的调整系数，由于泊寓的坪效为1500元/15平米，按照该坪效可能将25平米的冠寓定价为2500元。但是，由于大平米的公寓(冠寓)的坪效应当较小，因此通过负的调整系数调整坪效溢价率，使得对冠寓的定价降低至2000元(仅为示例)。

具体实现时，调整系数可以按照以下示例方式获得的：

从所述第二预设范畴内确定出不满足所述第二面积差条件的第二事件(竞品)；

判断所述第一事件(冠寓)的面积是否大于所述第二事件(竞品)的面积，如果是，则设置调整系数的取值第一区间。作为示例，取值第一区间可以是(-1，0)。从所述取值第一区间内遍历，当所述原始系数的值(指取值第一区间遍历的任意数值)使所述第一目标函数达到最小值时，将该值作为训练得到的调整系数。

而如果第一事件(冠寓)的面积小于第二事件(竞品)的面积，则设置调整系数的取值第二区间。作为示例，取值第二区间可以是(0，1)。从所述取值第二区间内遍历，当所述原始系数的值(指取值第二区间遍历的任意数值)使所述第一目标函数达到最小值时，将该值作为训练得到的调整系数。此处第一目标函数可以是指第二目标函数的公式(1)和(2)，区别仅在于，所述第一目标函数与所述第二事件的第一属性、所述第一参照系数和所述调整系数相关，因此在第一目标函数中，p表示利用第二事件的第一属性、所述第一参照系数和所述调整系数获得的对第一事件的第一属性的预测值。

最终，训练得到的调整系数可以记入所述参照系数映射集合中。

因此，在前述实施例中，利用所述第一参照系数和所述第二事件的第一属性获得第一事件的调整后的第一属性，具体可以是：

利用所述第一参照系数(坪效溢价率)、所述调整系数和所述第二事件的第一属性获得第一事件的调整后的第一属性。例如，可以获取调整系数与1的和，将其与第一参照系数相乘得到乘积x，乘积x作为调整后的第一参照系数；再将乘积x与实际的第二事件的第一属性相乘，最终获得的结果作为第一事件的调整后的第一属性。

需要说明的是，在实际应用中，如果冠寓新店附近1km内存在另一个冠寓，则设置调整后的第一参照系数为1。

最终按照如上方式获得的调整后的第一参照系数的取值区间可能在[0.7，1.3]之间。

为便于理解模型输出的调整后的冠寓的月租金，通过公式(5)加以说明。

在公式(5)中，Finalprice表示调整后的冠寓的月租金；n为竞品的提供方种类总量，即冠寓新店的第一预设范畴内共有n种不同提供方的竞品；PriceJP_i表示第一预设范畴内第i种竞品的月租金；αi表示冠寓相对于第i种竞品的第一参照系数；α_layout表示冠寓新店的房型的第二参照系数。

在前述实施例中提及，可以采用事件属性调整模型来对输入量进行处理，输出结果作为第一事件的调整后的第一属性。在上述描述了一些场景下可能需要采用调整系数，因此，还可以将从参照系数映射集合中获得匹配的调整系数，并也将该调整系数输入到事件属性调整模型中，最后获得第一事件的调整后的第一属性。

通过以上对本申请实施例方案的介绍并结合公式(5)可知，本实施例中实际上是将调整第一事件的第一属性的问题拆分成三个部分，分别是：第二事件的第一属性(竞品的月租金)、第一参照系数以及第二参照系数。通过联合以上三个部分，提供一种具有指导性的解决方案。该方案既考虑到通常第二事件的第一属性对第一事件的第一属性的参照价值，又考虑到第三属性相对于基准属性的不同对第一属性调整的影响，调整事件属性依据的三个部分均可通过数据采集或预先训练获得。可见，通过上述技术方案以模型的方式实现对事件属性的调整，解决了人工调整事件属性时可靠性和可信度较低的问题。

下面描述模型的应用过程。

在具体实现时，首先获得所述第一事件的第二属性，从而确定冠寓与地铁站的距离是小于1km或是大于1km。

a)判断所述第一预设范畴内是否存在第二属性与所述第一事件的第二属性相匹配的其他事件，如果是，则将所述其他事件作为第二事件。

也就是说，如果冠寓与地铁站的距离小于1km则优先选择与地铁站的距离也小于1km的竞品公寓；如果冠寓与地铁站的距离大于1km则优先选择与地铁站的距离也大于1km的竞品公寓。

从参照系数映射集合中以前述距离条件作为索引条件获得所有该竞品与冠寓老店各自与地铁站的距离均大于1km或均小于1km的第一参照系数。将这些第一参照系数的均值作为该竞品相对于冠寓的第一参照系数。

即，优先选择与冠寓具有相似地铁站距离的竞品。

b)如果第一预设范畴内不存在第二属性与所述第一事件的第二属性相匹配的其他事件，则将所述第一预设范畴内第二属性与所述第一事件的第二属性不匹配的其他事件作为第二事件。

也就是说，如果没有与冠寓的地铁站距离相似的竞品，则：

1)如果冠寓与地铁站的距离小于1km，竞品与地铁站的距离大于1km，则以此为索引条件从参照系数映射集合中获得所有的竞品与地铁站的距离大于1km且冠寓与地铁站的距离小于1km对应的第一参照系数，并获得这些第一参照系数的平均值。

2)如果冠寓与地铁站的距离大于1km，竞品与地铁站的距离小于1km，则以此为索引条件从参照系数映射集合中获得所有的竞品与地铁站的距离小于1km且冠寓与地铁站的距离大于1km对应的第一参照系数，并获得这些第一参照系数的平均值。

c)如果无法利用索引条件从参照系数映射集合中获得相应的第一参照系数，则获取第三预设范畴(例如全市)内冠寓相对于某一提供方的竞品的溢价率的平均值，以此作为第一参照系数。

可以理解的是，当竞品与冠寓之间的面积差不满足第二面积差条件时，可以采用预先训练获得的调整系数β得到更加精准并符合业务规律的调整后的第一参照系数。

目前在实际应用中为调整事件属性，通常由人工采集第一事件附近第二事件的相关信息。但是人工采集数据存在效率低下的问题。这样不利于第二事件的相关信息的实时跟踪，进而不利于调整第一事件的第一属性。为了解决此问题，本实施例中可以利用爬虫代码收集公开的关于第二事件的信息，从而使数据收集效率大大提升，提升到小时量级进行采集的程度。通过提升数据采集效率，也相应地提升了对第一事件的第一属性进行调节的实时性和可靠性。

基于前述实施例提供的调整事件属性的方法，相应地，本申请还提供一种调整事件属性的装置。下面结合实施例和附图进行说明。

装置实施例

参见图7，该图为本申请实施例提供的一种调整事件属性的装置的结构示意图。该调整事件属性的装置700用于对第一事件的待调整的第一属性进行调整。

如图7所示，该装置700包括：

索引条件确定模块701，用于利用所述第一事件的第二属性和第二事件的第二属性确定索引条件；所述第一事件与所述第二事件同属于第一预设范畴；所述第二属性为与所述第一属性关联的属性；

第一参照系数获取模块702，用于根据所述索引条件从预先获得的参照系数映射集合中索引得到第一参照系数；所述第一参照系数为依据历史数据获得的第一事件的第一属性相对于所述第二事件的第一属性的参照系数；

属性调整模块703，用于利用所述第一参照系数和所述第二事件的第一属性获得第一事件的调整后的第一属性。

本申请中通过预先捕捉不同事件在第一属性方面的联系来建立参照系数映射集合，并且第一参照系数是与第一事件以及第二事件各自的第二属性相关联的，从而在第一事件和第二事件的第二属性均已知的前提下能够从参照系数映射集合中便捷地获取到第一参照系数。可见，本申请中实际上是捕捉了临近事件相互第二属性对第一属性的影响效果，进而以此对事件的第一属性进行调整。由于第二属性是可以量化的，第一参照系数也是可以量化的，因此本申请是可量化地调整事件属性的技术方案。相比于由人工主观地调整事件属性的方法，本申请具有更高的可信度和可靠性。

作为一种可能的实现方式，上述装置700还包括：集合获取模块704，用于获得所述参照系数映射集合。该集合获取模块704，具体包括：

数据获取单元，用于获得所述历史数据中各个事件的位置和面积以及第二属性；

第一判断单元，用于利用所述各个事件的位置和面积以及预设的第一面积差条件，判断在第二预设范畴内是否存在与所述第一事件匹配的第二事件；

第一获取单元，用于当所述第一判断单元判断结果为是时，利用所述历史数据中所述第一事件和所述第二事件的第一属性获得第一参照系数；

第二判断单元，用于当所述第一判断单元判断结果为否时，利用所述各个事件的位置和面积以及预设的第二面积差条件，判断在第二预设范畴内是否存在与所述第一事件匹配的第二事件；

第二获取单元，用于当所述第二判断单元判断结果为是时，利用所述历史数据中所述第一事件的第一属性和面积以及所述第二事件的第一属性和面积获得第一参照系数；

集合构建单元，用于根据所述第一事件的第二属性、所述第二事件的第二属性以及利用所述历史数据得到的第一参照系数获得所述参照系数映射集合。

作为一种可能的实现方式，所述参照系数映射集合还包括调整系数，上述装置700还包括：调整系数获取模块705，用于根据所述第一事件与所述第二事件的距离，以及所述第一事件与所述第二事件的面积差，从所述参照系数映射集合中获得调整系数；

所述属性调整模块703，具体包括：

第一调整单元，用于利用所述第一参照系数、所述调整系数和所述第二事件的第一属性获得第一事件的调整后的第一属性。

作为一种可能的实现方式，当所述第一事件的第三属性不同于基准属性时，所述装置700具体利用预先训练的事件属性调整模型实现对事件属性的调整；利用该模型具体实现事件属性调整的方式如下：

将所述第一参照系数、所述第二事件的第一属性和所述第一事件的第三属性作为所述模型的输入，将所述模型输出的第一属性作为所述第一事件的调整后的第一属性。

作为一种可能的实现方式，当所述第一事件的第三属性不同于基准属性时，所述装置700具体为利用预先训练的事件属性调整模型实现的；利用该模型具体实现事件属性调整的方式如下：

将所述第一参照系数、所述调整系数、所述第二事件的第一属性和所述第一事件的第三属性作为所述模型的输入，将所述模型输出的第一属性作为所述第一事件的调整后的第一属性。

作为一种可能的实现方式，装置700还包括：

第二属性获取模块706，用于获得所述第一事件的第二属性；

第一判断模块707，用于判断所述第一预设范畴内是否存在第二属性与所述第一事件的第二属性相匹配的其他事件，如果第一判断模块707判断结果为是，则事件确定模块708将所述其他事件作为第二事件；如果第一判断模块707判断结果为是，则事件确定模块708将所述第一预设范畴内第二属性与所述第一事件的第二属性不匹配的其他事件作为第二事件。

作为一种可能的实现方式，属性调整模块703，具体包括：

系数平均值获取单元，获得所有所述符合所述索引条件的第一参照系数的平均值；

第一属性获取单元，获取所述第二事件的第一属性；

第二调整单元，用于利用所述平均值与所述第二事件的第一属性的乘积获得所述第一事件的调整后的第一属性。

作为一种可能的实现方式，第一预设范畴内存在第二属性分别与第一事件的第二属性相匹配的至少两个第二事件，分别为第二事件A和第二事件B；

上述装置700中，所述索引条件确定模块701，具体包括：

利用所述第一事件的第二属性和第二事件A的第二属性确定索引条件a；利用所述第一事件的第二属性和第二事件B的第二属性确定索引条件b；

所述系数平均值获取单元，具体用于获得所述索引条件a对应的第一参照系数的第一平均值；获得所述索引条件b对应的第一参照系数的第二平均值；

第一属性获取单元，具体用于获得所述第二事件A的第一属性和所述第二事件B的第一属性；

第二调整单元，具体用于将所述第一平均值和所述第二事件A的第一属性相乘，获得第一乘积；将所述第二平均值和所述第二事件B的第一属性相乘，获得第二乘积；利用所述第一乘积和所述第二乘积的平均值获得所述第一事件的调整后的第一属性。

通过以上对本申请实施例方案的介绍并结合公式(5)可知，本实施例中实际上是将调整第一事件的第一属性的问题拆分成三个部分，分别是：第二事件的第一属性(竞品的月租金)、第一参照系数以及第二参照系数。通过联合以上三个部分，提供一种具有指导性的解决方案。该方案既考虑到通常第二事件的第一属性对第一事件的第一属性的参照价值，又考虑到第三属性相对于基准属性的不同对第一属性调整的影响，调整事件属性依据的三个部分均可通过数据采集或预先训练获得。可见，通过上述技术方案以模型的方式实现对事件属性的调整，解决了人工调整事件属性时可靠性和可信度较低的问题。

需要说明的是，本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于设备及系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的设备及系统实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元提示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

以上所述，仅为本申请的一种具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应该以权利要求的保护范围为准。

Claims (12)

1.一种调整事件属性的方法，其特征在于，用于对第一事件的待调整的第一属性进行调整，所述方法包括：

利用所述第一事件的第二属性和第二事件的第二属性确定索引条件；所述第一事件与所述第二事件同属于第一预设范畴；所述第二属性为与所述第一属性关联的属性；

根据所述索引条件从预先获得的参照系数映射集合中索引得到第一参照系数；所述第一参照系数为依据历史数据获得的第一事件的第一属性相对于所述第二事件的第一属性的参照系数；

利用所述第一参照系数和所述第二事件的第一属性获得第一事件的调整后的第一属性。

2.根据权利要求1所述的方法，其特征在于，获得所述参照系数映射集合，具体包括：

获得所述历史数据中各个事件的位置和面积以及第二属性；

利用所述各个事件的位置和面积以及预设的第一面积差条件，判断在第二预设范畴内是否存在与所述第一事件匹配的第二事件；如果是，则利用所述历史数据中所述第一事件和所述第二事件的第一属性获得第一参照系数；如果否，则，

利用所述各个事件的位置和面积以及预设的第二面积差条件，判断在第二预设范畴内是否存在与所述第一事件匹配的第二事件；如果是，则利用所述历史数据中所述第一事件的第一属性和面积以及所述第二事件的第一属性和面积获得第一参照系数；

根据所述第一事件的第二属性、所述第二事件的第二属性以及利用所述历史数据得到的第一参照系数获得所述参照系数映射集合。

3.根据权利要求2所述的方法，其特征在于，所述参照系数映射集合还包括调整系数，所述方法还包括：根据所述第一事件与所述第二事件的距离，以及所述第一事件与所述第二事件的面积差，从所述参照系数映射集合中获得调整系数；

所述利用所述第一参照系数和所述第二事件的第一属性获得第一事件的调整后的第一属性，具体包括：

利用所述第一参照系数、所述调整系数和所述第二事件的第一属性获得第一事件的调整后的第一属性。

4.根据权利要求3所述的方法，其特征在于，如果在第二预设范畴内不存在与所述第一事件匹配的第二事件，所述调整系数是通过如下方法得到的：

从所述第二预设范畴内确定出不满足所述第二面积差条件的第二事件；

当所述第一事件的面积大于所述第二事件的面积时，从取值第一区间内遍历获得使第一目标函数达到最小值的调整系数；当所述第一事件的面积小于所述第二事件的面积时，从取值第二区间内遍历获得使第一目标函数达到最小值的调整系数；所述第一目标函数与所述第二事件的第一属性、所述第一参照系数和所述调整系数相关。

5.根据权利要求1所述的方法，其特征在于，当所述第一事件的第三属性不同于基准属性时，所述方法为利用预先训练的事件属性调整模型实现的；利用所述事件属性调整模型具体包括：

将所述第一参照系数、所述第二事件的第一属性和所述第一事件的第三属性作为所述模型的输入，将所述模型输出的第一属性作为所述第一事件的调整后的第一属性。

6.根据权利要求3所述的方法，其特征在于，当所述第一事件的第三属性不同于基准属性时，所述方法为利用预先训练的事件属性调整模型实现的；利用所述事件属性调整模型具体包括：

将所述第一参照系数、所述调整系数、所述第二事件的第一属性和所述第一事件的第三属性作为所述模型的输入，将所述模型输出的第一属性作为所述第一事件的调整后的第一属性。

7.根据权利要求5或6所述的方法，特征在于，所述事件属性调整模型是通过以下步骤训练的：

设置模型列表并设定第二目标函数，所述模型列表中包括多个备选模型；所述第二目标函数为关于所述第二事件的第一属性、所述第一参照系数和第二参照系数的函数；

以所述历史数据作为训练样本，选择使所述第二目标函数的值达到最小值的备选模型作为所述事件属性调整模型，并获得当所述训练样本中第一事件的第三属性不同时，使所述第二目标函数的值分别达到最小值的第二参照系数，所述第二参照系数为所述事件属性调整模型用以调整第一事件的第一属性的参照系数。

8.根据权利要求1所述的方法，其特征在于，在所述利用所述第一事件的第二属性和第二事件的第二属性确定索引条件之前，所述方法还包括：

获得所述第一事件的第二属性；

判断所述第一预设范畴内是否存在第二属性与所述第一事件的第二属性相匹配的其他事件，如果是，则将所述其他事件作为第二事件；如果否，则将所述第一预设范畴内第二属性与所述第一事件的第二属性不匹配的其他事件作为第二事件。

9.根据权利要求1所述的方法，特征在于，所述利用所述第一参照系数和所述第二事件的第一属性获得第一事件的调整后的第一属性，具体包括：

获得所有所述符合所述索引条件的第一参照系数的平均值；

获取所述第二事件的第一属性；

利用所述平均值与所述第二事件的第一属性的乘积获得所述第一事件的调整后的第一属性。

10.根据权利要求9所述的方法，其特征在于，所述第一预设范畴内存在第二属性分别与第一事件的第二属性相匹配的至少两个第二事件，分别为第二事件A和第二事件B；

所述利用所述第一事件的第二属性和第二事件的第二属性确定索引条件，具体包括：

利用所述第一事件的第二属性和第二事件A的第二属性确定索引条件a；利用所述第一事件的第二属性和第二事件B的第二属性确定索引条件b；

所述获得所有所述符合所述索引条件的第一参照系数的平均值，具体包括：

获得所述索引条件a对应的第一参照系数的第一平均值；获得所述索引条件b对应的第一参照系数的第二平均值；

所述获取所述第二事件的第一属性，具体包括：

获得所述第二事件A的第一属性和所述第二事件B的第一属性；

所述利用所述平均值与所述第二事件的第一属性的乘积获得所述第一事件的调整后的第一属性，具体包括：

将所述第一平均值和所述第二事件A的第一属性相乘，获得第一乘积；将所述第二平均值和所述第二事件B的第一属性相乘，获得第二乘积；利用所述第一乘积和所述第二乘积的平均值获得所述第一事件的调整后的第一属性。

11.根据权利要求1所述的方法，其特征在于，所述第一事件和第二事件分别为来自不同提供方的不动产服务项目；所述第一属性为服务价格，所述第二属性为与公共交通站点的距离；所述第一参照系数为依据历史数据获得的第一事件的服务价格相对于所述第二事件的服务价格的溢价率。

12.一种调整事件属性的装置，其特征在于，用于对第一事件的待调整的第一属性进行调整；所述装置包括：

索引条件确定模块，用于利用所述第一事件的第二属性和第二事件的第二属性确定索引条件；所述第一事件与所述第二事件同属于第一预设范畴；所述第二属性为与所述第一属性关联的属性；

第一参照系数获取模块，用于根据所述索引条件从预先获得的参照系数映射集合中索引得到第一参照系数；所述第一参照系数为依据历史数据获得的第一事件的第一属性相对于所述第二事件的第一属性的参照系数；

属性调整模块，用于利用所述第一参照系数和所述第二事件的第一属性获得第一事件的调整后的第一属性。

Images