CN111681087B - 信息处理方法、装置、计算机可读存储介质及电子设备 - Google Patents
信息处理方法、装置、计算机可读存储介质及电子设备 Download PDFInfo
- Publication number
- CN111681087B CN111681087B CN202010551181.2A CN202010551181A CN111681087B CN 111681087 B CN111681087 B CN 111681087B CN 202010551181 A CN202010551181 A CN 202010551181A CN 111681087 B CN111681087 B CN 111681087B
- Authority
- CN
- China
- Prior art keywords
- house source
- source
- user
- data
- 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.)
- Active
Links
- 230000010365 information processing Effects 0.000 title claims abstract description 34
- 238000003672 processing method Methods 0.000 title claims abstract description 23
- 238000000034 method Methods 0.000 claims abstract description 36
- 230000003993 interaction Effects 0.000 claims abstract description 27
- 238000004891 communication Methods 0.000 claims abstract description 21
- 238000012549 training Methods 0.000 claims description 61
- 238000012545 processing Methods 0.000 claims description 26
- 230000015654 memory Effects 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 8
- 230000002452 interceptive effect Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 7
- 230000008901 benefit Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/16—Real estate
Landscapes
- Business, Economics & Management (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Primary Health Care (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开的实施例公开了一种信息处理方法、装置、计算机可读存储介质及电子设备。该方法包括:根据第一经纪人与第一用户的沟通内容,获取第一用户的房源需求:搜索与第一用户的房源需求匹配的第一房源;根据第一用户的房源需求和第一房源的房源特征中的至少一者、第一经纪人的特征信息,以及预设模型,获得由预设模型输出的,第一房源的交互方式信息;向与第一用户关联的终端设备推送第一房源的交互方式信息。与现有技术相比,本公开的实施例能够较好地解决额外向用户推送的,用于提升用户体验的信息的单一化问题,从而提升信息的个性化程度。
Description
技术领域
本公开涉及信息处理技术领域,尤其涉及一种信息处理方法、装置、计算机可读存储介质及电子设备。
背景技术
一般而言,针对用户的房源需求,房产经纪人不仅可以给用户推荐合适的房源,还可以额外向用户推送一些信息,以提升用户体验,例如额外向用户推送该房源的推荐理由。然而,目前额外向用户推送的信息往往非常单一,个性化程度非常低,因此,如何提升该信息的个性化程度对于本领域技术人员而言是一个亟待解决的问题。
发明内容
为了解决上述技术问题,提出了本公开。本公开的实施例提供了一种信息处理方法、装置、计算机可读存储介质及电子设备。
根据本公开实施例的一个方面,提供了一种信息处理方法,包括:
根据第一经纪人与第一用户的沟通内容,获取所述第一用户的房源需求;
搜索与所述第一用户的房源需求匹配的第一房源;
根据所述第一用户的房源需求和所述第一房源的房源特征中的至少一者、所述第一经纪人的特征信息,以及预设模型,获得由所述预设模型输出的,所述第一房源的交互方式信息;
向与所述第一用户关联的终端设备推送所述第一房源的交互方式信息。
在一个可选示例中,所述预设模型包括推荐理由确定模型;
所述根据所述第一用户的房源需求和所述第一房源的房源特征中的至少一者、所述第一经纪人的特征信息,以及预设模型,获得由所述预设模型输出的,所述第一房源的交互方式信息,包括:
将所述第一用户的房源需求、所述第一房源的房源特征,以及所述第一经纪人的特征信息输入所述推荐理由确定模型,获得由所述推荐理由确定模型输出的,所述第一房源的推荐理由。
在一个可选示例中,所述方法还包括:通过训练得到所述推荐理由确定模型的步骤,且所述通过训练得到所述推荐理由确定模型的步骤,包括:
获取多个第一数据组和所述多个第一数据组对应的多个第二数据组;其中,每个第一数据组中包括:用户的房源需求、与用户的房源需求匹配的房源的房源特征、经纪人的特征信息;每个第二数据组中包括:经纪人推荐房源时使用的推荐理由;
以所述多个第一数据组作为输入数据,以所述多个第二数据组作为输出数据进行训练,从而得到所述推荐理由确定模型。
在一个可选示例中,所述预设模型包括推荐引导语确定模型;
所述根据所述第一用户的房源需求和所述第一房源的房源特征中的至少一者、所述第一经纪人的特征信息,以及预设模型,获得由所述预设模型输出的,所述第一房源的交互方式信息,包括:
将所述第一房源的房源特征与用于表征推荐引导语的语句属性为空的特征进行特征交叉处理,得到交叉特征;
将所得到的交叉特征和所述第一经纪人的特征信息输入所述推荐引导语确定模型,获得由所述推荐引导语确定模型输出的,所述第一房源的推荐引导语。
在一个可选示例中,所述方法还包括:通过训练得到所述推荐引导语确定模型的步骤,且所述通过训练得到所述推荐引导语确定模型的步骤,包括:
获取多个第三数据组和所述多个第三数据组对应的多个第四数据组;其中,每个第三数据组中包括:房源的房源特征、经纪人的特征信息、经纪人推荐房源时使用的推荐引导语的语句属性;每个第四数据组中包括:经纪人推荐房源时使用的推荐引导语;
确定所述多个第三数据组对应的多个第五数据组;其中,每个第五数据组中包括:相应第三数据组中的特征信息,以及相应第三数据组中的房源特征和语句属性进行特征交叉处理后得到的交叉特征;
以所述多个第五数据组作为输入数据,以所述多个第四数据组作为输出数据进行训练,从而得到所述推荐引导语确定模型。
在一个可选示例中,
所述第一房源的房源特征包括以下至少一项:所述第一房源与所述第一用户的房源需求的匹配度、所述第一房源上发生设定操作的次数、所述第一房源的价格变动信息;
和/或,
所述第一经纪人的特征信息包括以下至少一项:风格特征、地域特征;其中,所述风格特征利用关键词进行表征。
根据本公开实施例的另一个方面,提供了一种信息处理装置,包括:
第一获取模块,用于根据第一经纪人与第一用户的沟通内容,获取所述第一用户的房源需求;
搜索模块,用于搜索与所述第一用户的房源需求匹配的第一房源;
第二获取模块,用于根据所述第一用户的房源需求和所述第一房源的房源特征中的至少一者、所述第一经纪人的特征信息,以及预设模型,获得由所述预设模型输出的,所述第一房源的交互方式信息;
推送模块,用于向与所述第一用户关联的终端设备推送所述第一房源的交互方式信息。
在一个可选示例中,所述预设模型包括推荐理由确定模型;
所述第二获取模块,具体用于:
将所述第一用户的房源需求、所述第一房源的房源特征,以及所述第一经纪人的特征信息输入所述推荐理由确定模型,获得由所述推荐理由确定模型输出的,所述第一房源的推荐理由。
在一个可选示例中,所述装置还包括:用于通过训练得到所述推荐理由确定模型的第一训练模块,且所述第一训练模块,包括:
第一获取单元,用于获取多个第一数据组和所述多个第一数据组对应的多个第二数据组;其中,每个第一数据组中包括:用户的房源需求、与用户的房源需求匹配的房源的房源特征、经纪人的特征信息;每个第二数据组中包括:经纪人推荐房源时使用的推荐理由;
第一训练单元,用于以所述多个第一数据组作为输入数据,以所述多个第二数据组作为输出数据进行训练,从而得到所述推荐理由确定模型。
在一个可选示例中,所述预设模型包括推荐引导语确定模型;
所述第二获取模块,包括:
处理单元,用于将所述第一房源的房源特征与用于表征推荐引导语的语句属性为空的特征进行特征交叉处理,得到交叉特征;
第二获取单元,用于将所得到的交叉特征和所述第一经纪人的特征信息输入所述推荐引导语确定模型,获得由所述推荐引导语确定模型输出的,所述第一房源的推荐引导语。
在一个可选示例中,所述装置还包括:用于通过训练得到所述推荐引导语确定模型的第二训练模块,且所述第二训练模块,包括:
第三获取单元,用于获取多个第三数据组和所述多个第三数据组对应的多个第四数据组;其中,每个第三数据组中包括:房源的房源特征、经纪人的特征信息、经纪人推荐房源时使用的推荐引导语的语句属性;每个第四数据组中包括:经纪人推荐房源时使用的推荐引导语;
确定单元,用于确定所述多个第三数据组对应的多个第五数据组;其中,每个第五数据组中包括:相应第三数据组中的特征信息,以及相应第三数据组中的房源特征和语句属性进行特征交叉处理后得到的交叉特征;
第二训练单元,用于以所述多个第五数据组作为输入数据,以所述多个第四数据组作为输出数据进行训练,从而得到所述推荐引导语确定模型。
在一个可选示例中,
所述第一房源的房源特征包括以下至少一项:所述第一房源与所述第一用户的房源需求的匹配度、所述第一房源上发生设定操作的次数、所述第一房源的价格变动信息;
和/或,
所述第一经纪人的特征信息包括以下至少一项:风格特征、地域特征;其中,所述风格特征利用关键词进行表征。
根据本公开实施例的再一个方面,提供了一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序用于执行上述信息处理方法。
根据本公开实施例的又一个方面,提供了一种电子设备,包括:
处理器;
用于存储所述处理器可执行指令的存储器;
所述处理器,用于从所述存储器中读取所述可执行指令,并执行所述指令以实现上述信息处理方法。
本公开的实施例中,在根据第一经纪人与第一用户的沟通内容,获取第一用户的房源需求之后,可以搜索与第一用户的房源需求匹配的第一房源。接下来,可以根据第一用户的房源需求和第一房源的房源特征中的至少一者、第一经纪人的特征信息,以及预设模型,获得由预设模型输出的,第一房源的交互方式信息。之后,可以向与第一用户关联的终端设备推送第一房源的交互方式信息。由于第一房源的交互方式信息是利用第一用户的房源需求和第一房源的房源特征中的至少一者、第一经纪人的特征信息,以及预设模型得到,对房源需求和房源特征中的至少一者,以及预设模型的利用能够保证第一房源的交互方式信息的精准度和可靠度,对特征信息的利用能够使第一房源的交互方式信息融入特定经纪人的特征信息。
可见,本公开的实施例中,额外向用户推送的,用于提升用户体验的信息(即交互方式信息)在精准度和可靠度上能够得到保证,且能够融入经纪人的特征信息,相同用户在与不同经纪人沟通时被推送的信息可以是不同的,不同用户在与相同经纪人沟通时被推送的信息也可以是不同的,因此,与现有技术相比,本公开的实施例能够较好地解决额外向用户推送的,用于提升用户体验的信息的单一化问题,从而提升信息的个性化程度。
下面通过附图和实施例,对本公开的技术方案做进一步的详细描述。
附图说明
通过结合附图对本公开实施例进行更详细的描述,本公开的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本公开实施例的进一步理解,并且构成说明书的一部分,与本公开实施例一起用于解释本公开,并不构成对本公开的限制。在附图中,相同的参考标号通常代表相同部件或步骤。
图1是本公开一示例性实施例提供的信息处理方法的流程示意图。
图2是本公开另一示例性实施例提供的信息处理方法的流程示意图。
图3是本公开又一示例性实施例提供的信息处理方法的流程示意图。
图4是本公开一示例性实施例提供的信息处理装置的结构框图。
图5是本公开另一示例性实施例提供的信息处理装置的结构框图。
图6是本公开一示例性实施例提供的电子设备的结构图。
具体实施方式
下面,将参考附图详细地描述根据本公开的示例实施例。显然,所描述的实施例仅仅是本公开的一部分实施例,而不是本公开的全部实施例,应理解,本公开不受这里描述的示例实施例的限制。
应注意到:除非另外具体说明,否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本公开的范围。
本领域技术人员可以理解,本公开实施例中的“第一”、“第二”等术语仅用于区别不同步骤、设备或模块等,既不代表任何特定技术含义,也不表示它们之间的必然逻辑顺序。
还应理解,在本公开实施例中,“多个”可以指两个或两个以上,“至少一个”可以指一个、两个或两个以上。
还应理解,对于本公开实施例中提及的任一部件、数据或结构,在没有明确限定或者在前后文给出相反启示的情况下,一般可以理解为一个或多个。
另外,本公开中术语“和/或”,仅仅是一种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,本公开中字符“/”,一般表示前后关联对象是一种“或”的关系。
还应理解,本公开对各个实施例的描述着重强调各个实施例之间的不同之处,其相同或相似之处可以相互参考,为了简洁,不再一一赘述。
同时,应当明白,为了便于描述,附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的,决不作为对本公开及其应用或使用的任何限制。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论,但在适当情况下,所述技术、方法和设备应当被视为说明书的一部分。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步讨论。
本公开实施例可以应用于终端设备、计算机系统、服务器等电子设备,其可与众多其它通用或专用计算系统环境或配置一起操作。适于与终端设备、计算机系统、服务器等电子设备一起使用的众所周知的终端设备、计算系统、环境和/或配置的例子包括但不限于:个人计算机系统、服务器计算机系统、瘦客户机、厚客户机、手持或膝上设备、基于微处理器的系统、机顶盒、可编程消费电子产品、网络个人电脑、小型计算机系统、大型计算机系统和包括上述任何系统的分布式云计算技术环境,等等。
终端设备、计算机系统、服务器等电子设备可以在由计算机系统执行的计算机系统可执行指令(诸如程序模块)的一般语境下描述。通常,程序模块可以包括例程、程序、目标程序、组件、逻辑、数据结构等等,它们执行特定的任务或者实现特定的抽象数据类型。计算机系统/服务器可以在分布式云计算环境中实施,分布式云计算环境中,任务是由通过通信网络链接的远程处理设备执行的。在分布式云计算环境中,程序模块可以位于包括存储设备的本地或远程计算系统存储介质上。
需要说明的是,本公开的实施例中涉及的各经纪人均为提供房产交易服务的公司旗下的房产经纪人,本公开的实施例中涉及的各用户均为存在租房需求或买房需求的用户。
示例性方法
图1是本公开一示例性实施例提供的信息处理方法的流程示意图。图1所示的方法包括步骤101、步骤102、步骤103和步骤104,下面对各步骤分别进行说明。
步骤101,根据第一经纪人与第一用户的沟通内容,获取第一用户的房源需求。
这里,第一经纪人与第一用户可以利用提供房产交易服务的公司的房产服务平台进行会话沟通,会话沟通的沟通内容可以存储于房产服务平台,第一用户的房源需求可以是从房产服务平台存储的沟通内容中获取的。
这里,第一用户的房源需求可以为租房需求或买房需求,第一用户的房源需求包括但不限于户型需求、楼层需求、朝向需求、面积需求等。
步骤102,搜索与第一用户的房源需求匹配的第一房源。
这里,可以调用搜索引擎搜索与第一用户的房源需求匹配的第一房源。
步骤103,根据第一用户的房源需求和第一房源的房源特征中的至少一者、第一经纪人的特征信息,以及预设模型,获得由预设模型输出的,第一房源的交互方式信息。
可选地,第一房源的房源特征可以包括以下至少一项:第一房源与第一用户的房源需求的匹配度、第一房源上发生设定操作的次数、第一房源的价格变动信息。
这里,第一房源与第一用户的房源需求的匹配度可以利用百分数进行表征。例如,在第一用户的房源需求仅包括面积需求,该面积需求表征第一用户需求的房源面积是100平米的情况下,若第一房源的面积为100平米,则可以确定第一房源与第一用户的房源需求的匹配度是100%,若第一房源的面积为102平米,则可以确定第一房源与第一用户的房源需求的匹配度是1-(120-100)/100=98%。
这里,设定操作包括但不限于带看操作、浏览操作等,那么,第一房源上发生设定操作的次数包括但不限于第一房源的带看次数、浏览次数等。
这里,第一房源的价格变动信息包括但不限于第一房源在最近一周、最近一个月、最近一个季度、最近一年的价格波动幅度等。
可见,利用第一房源与第一用户的房源需求的匹配度、第一房源上发生设定操作的次数、第一房源的价格变动信息等,能够对第一房源的房源特征进行有效地表征。
可选地,第一经纪人的特征信息包括以下至少一项:风格特征、地域特征;其中,风格特征利用关键词进行表征。
需要说明的是,房产服务平台可以存储有提供房产交易服务的公司旗下的所有房产经纪人的经纪人画像数据,那么,可以从房产服务平台中提取第一经纪人的经纪人画像数据,并依据第一经纪人的经纪人画像数据,确定第一经纪人的特征信息,第一经纪人的特征信息不仅可以包括风格特征、地域特征,还可以包括性别特征、年龄特征等。
这里,“幽默”、“风趣”、“热情”、“平淡”可以分别作为一个用于表征风格特征的关键词,第一经纪人的特征信息中的风格特征可以选自“幽默”、“风趣”、“热情”、“平淡”中。
当然,利用关键词来表征风格特征的方式并不局限于此,例如,可以确定第一经纪人在与用户沟通时的习惯用词,并将该习惯用词作为用于表征第一经纪人的特征信息中的风格特征的关键词。具体地,若第一经纪人在与用户沟通时的习惯用词为“好的”,则可以将“好的”作为用于表征第一经纪人的特征信息中的风格特征的关键词;若第一经纪人在与用户沟通时的习惯用词为“好呀”,则可以将“好呀”作为用于表征第一经纪人的特征信息中的风格特征的关键词。
这里,第一经纪人的特征信息中的地域特征可以用于表征第一经纪人具体来自哪个省、哪个市、哪个区等。
可见,利用风格特征、地域特征等,能够对第一经纪人的特征信息进行有效地表征。
另外,需要指出的是,预设模型可以为预先依据大量的样本训练得到的模型,预设模型的输出结果的客观性和可靠性能够得到较好地保证。具体地,预设模型用于输出上文中提及的,额外向用户推送的,用于提升用户体验的信息,由于该信息能够体现如何与用户进行沟通,本公开的实施例中也可以将该信息称为交互方式信息。这里,交互方式信息包括但不限于推荐引导语、推荐理由等。具体地,推荐引导语包括但不限于“现在为您推荐大户型房源好吗”、“现在带您看下大户型房源吧”、“让我带您看下大户型房源”、现在为您推荐学区房好吗”、“现在带您看下学区房吧”、“让我带您看下学区房”等;推荐理由包括但不限于“户型好”、“采光好”、“低价房源”、“学区好”等。
步骤104,向与第一用户关联的终端设备推送第一房源的交互方式信息。
这里,与第一用户关联的终端设备包括但不限于第一用户使用的手机、平板电脑等,第一房源的交互方式信息在与第一用户关联的终端设备上的呈现形式包括但不限于文字形式、语音形式、视频形式等。
本公开的实施例中,在根据第一经纪人与第一用户的沟通内容,获取第一用户的房源需求之后,可以搜索与第一用户的房源需求匹配的第一房源。接下来,可以根据第一用户的房源需求和第一房源的房源特征中的至少一者、第一经纪人的特征信息,以及预设模型,获得由预设模型输出的,第一房源的交互方式信息。之后,可以向与第一用户关联的终端设备推送第一房源的交互方式信息。由于第一房源的交互方式信息是利用第一用户的房源需求和第一房源的房源特征中的至少一者、第一经纪人的特征信息,以及预设模型得到,对房源需求和房源特征中的至少一者,以及预设模型的利用能够保证第一房源的交互方式信息的精准度和可靠度,对特征信息的利用能够使第一房源的交互方式信息融入特定经纪人的特征信息。
可见,本公开的实施例中,额外向用户推送的,用于提升用户体验的信息(即交互方式信息)在精准度和可靠度上能够得到保证,且能够融入经纪人的特征信息,相同用户在与不同经纪人沟通时被推送的信息可以是不同的,不同用户在与相同经纪人沟通时被推送的信息也可以是不同的,因此,与现有技术相比,本公开的实施例能够较好地解决额外向用户推送的,用于提升用户体验的信息的单一化问题,从而提升信息的个性化程度。
在一个可选示例中,预设模型包括推荐理由确定模型;
根据第一用户的房源需求和第一房源的房源特征中的至少一者、第一经纪人的特征信息,以及预设模型,获得由预设模型输出的,第一房源的交互方式信息,包括:
将第一用户的房源需求、第一房源的房源特征,以及第一经纪人的特征信息输入推荐理由确定模型,获得由推荐理由确定模型输出的,第一房源的推荐理由。
具体地,该方法还包括:通过训练得到推荐理由确定模型的步骤,且通过训练得到推荐理由确定模型的步骤,包括:
获取多个第一数据组和多个第一数据组对应的多个第二数据组;其中,每个第一数据组中包括:用户的房源需求、与用户的房源需求匹配的房源的房源特征、经纪人的特征信息;每个第二数据组中包括:经纪人推荐房源时使用的推荐理由;
以多个第一数据组作为输入数据,以多个第二数据组作为输出数据进行训练,从而得到推荐理由确定模型。
这里,第一数据组和第二数据组之间可以为一一对应的关系,每个第一数据组和其对应的第二数据组可以组成一个样本,这样,多个第一数据组和多个第二数据组可以组成多个样本。
具体实施时,可以先获取多个经纪人与多个用户的历史会话,经纪人与用户之间可以是一对一的关系,多对一的关系,或者一对多的关系。
以经纪人与用户之间是一对一的关系的情况为例,假设多个用户中存在着一个用户X1,与其对应的为经纪人Y1,那么,可以从用户X1与经纪人Y1的历史会话的沟通内容中,获取用户X1的房源需求Z1,调用搜索引擎搜索得到的与房源需求Z1匹配的房源K1,以及经纪人Y1推荐房源K1时使用的推荐理由T1;其中,推荐理由T1可以是经纪人Y1从设定好的推荐理由列表中选择的。另外,还可以获取房源K1的房源特征L1,以及经纪人Y1的特征信息R1,之后,可以生成与用户X1对应的样本,该样本中的第一数据组包括Z1、L1和R1,该样本中的第二数据组包括T1。
按照与上段中类似的方法,可以生成其他用户对应的样本,从而得到用于模型训练的多个样本。在得到多个样本之后,可以将多个样本中的多个第一数据组作为输入数据,将多个样本中的多个第二数据组作为输出数据,并利用长短期记忆网络(Long Short-TermMemory Network,LSTM)技术进行训练,从而得到推荐理由确定模型,推荐理由确定模型能够根据输入的房源需求、房源特征和特征信息,输出推荐理由。
这样,在实际使用推荐理由确定模型时,只需将第一用户的房源需求、第一房源的房源特征,以及第一经纪人的特征信息输入推荐理由确定模型,即可便捷可靠地得到第一房源的推荐理由,之后将所得到的推荐理由作为第一房源的交互方式信息并对其进行推送即可。
如图2所示,在预设模型包括推荐理由确定模型的情况下,本公开的实施例中的信息处理方法可以有如下流程:
一:数据准备
(1)从历史会话中抽取用户的房源需求数据、经纪人根据用户的房源需求发送的房源,以及经纪人在推荐理由列表中点击选择的推荐理由;
(2)准备经纪人画像数据。
二:数据处理
(1)针对一中准备的房源,抽取其的房源标签数据(相当于上文中的房源特征);
(2)针对一中准备的房源需求数据,抽取用户需求标签数据(相当于上文中的房源需求);
(3)针对一中准备的经纪人画像数据,抽取对应的地域标签数据和风格标签数据(相当于上文中的特征信息)。
三、训练推荐理由确定模型
针对二中处理好的特征数据(其包括房源标签数据、需求标签数据、地域标签数据和风格标签数据),与经纪人选择的推荐理由,配成样本,通过很多样本去训练推荐理由确定模型(图2中的data相当于训练时使用的输入数据,图2中的seq相当于训练时使用的输出数据,图2中的LSTM为训练时使用的训练算法)。训练好的推荐理由确定模型可以根据输入的房源标签数据、需求标签数据、地域标签数据和风格标签数据,生成一条房源推荐理由(其可以呈文字、语音、视频等形式)。
四、生成推荐理由
(1)用户与经纪人聊天时,提取当前用户的需求标签数据(相当于上文中的房源需求);
(2)通过搜索引擎去搜索要推荐给当前用户的房源,并以房源卡片的形式反馈当前用户,并提取房源标签数据(房子本身有很多属性和标签);
(3)将提取的需求标签数据和房源标签数据,以及当前经纪人的地域标签数据和风格标签数据输入训练好的推荐理由确定模型,经推荐理由确定模型输出一条房源推荐理由,房源推荐理由中融入了当前经纪人的个人风格。
在一个可选示例中,预设模型包括推荐引导语确定模型;
根据第一用户的房源需求和第一房源的房源特征中的至少一者、第一经纪人的特征信息,以及预设模型,获得由预设模型输出的,第一房源的交互方式信息,包括:
将第一房源的房源特征与用于表征推荐引导语的语句属性为空的特征进行特征交叉处理,得到交叉特征;
将所得到的交叉特征和第一经纪人的特征信息输入推荐引导语确定模型,获得由推荐引导语确定模型输出的,第一房源的推荐引导语。
这里,推荐引导语的语句属性可以用于表征推荐引导语是疑问句、陈述句、陈述句或者反问句等。
由于第一房源的推荐引导语是需要获得的信息,在获得第一房源的推荐引导语之前,第一房源的推荐引导语的语句属性是未知的,那么,可以将“0”作为用于表征推荐引导语的语句属性为空的特征,并将第一房源的房源特征与“0”进行特征交叉处理,以得到交叉特征,交叉特征可以认为是对房源特征和语句属性特征进行合成后得到的。
具体地,该方法还包括:通过训练得到推荐引导语确定模型的步骤,且通过训练得到推荐引导语确定模型的步骤,包括:
获取多个第三数据组和多个第三数据组对应的多个第四数据组;其中,每个第三数据组中包括:房源的房源特征、经纪人的特征信息、经纪人推荐房源时使用的推荐引导语的语句属性;每个第四数据组中包括:经纪人推荐房源时使用的推荐引导语;
确定多个第三数据组对应的多个第五数据组;其中,每个第五数据组中包括:相应第三数据组中的特征信息,以及相应第三数据组中的房源特征和语句属性进行特征交叉处理后得到的交叉特征;
以多个第五数据组作为输入数据,以多个第四数据组作为输出数据进行训练,从而得到推荐引导语确定模型。
这里,第三数据组与第四数据组之间可以为一一对应的关系,那么,第五数据组和第四数据组之间也可以为一一对应的关系,每个第五数据组和其对应的第四数据组可以组成一个样本,这样,多个第五数据组和多个第四数据组可以组成多个样本。
具体实施时,可以先获取多个经纪人与多个用户的历史会话,经纪人与用户之间可以是一对一的关系,多对一的关系,或者一对多的关系。
以经纪人与用户之间是一对一的关系的情况为例,假设多个用户中存在着一个用户X2,与其对应的为经纪人Y2,那么,可以从用户X2与经纪人Y2的历史会话的沟通内容中,获取用户X2的房源需求Z2,调用搜索引擎搜索得到的与房源需求Z2匹配的房源K2,以及经纪人Y2推荐房源K2时使用的推荐引导语P2。另外,还可以获取房源K2的房源特征L2、经纪人Y2的特征信息R2,以及推荐引导语P2的语句属性Q2。之后,可以生成与X2对应的数据集,该数据集中包括一个第三数据组和一个第四数据组,该第三数据组包括L2、R2和Q2,该第四数据组包括P2。再之后,可以根据该数据集,生成X对应的样本,该样本中包括该数据组中的第三数据组对应的第五数据组,以及该数据组中的第四数据组,那么,该样本中的第五数据组包括R2,以及L2和Q2进行特征交叉处理后得到的交叉特征,该样本中的第四数据组包括P2。
按照与上段中类似的方法,还可以生成其他用户对应的样本,从而得到用于模型训练的多个样本。在得到多个样本之后,可以将多个样本中的多个第五数据组作为输入数据,将多个样本中的多个第四数据组作为输出数据,并利用LSTM技术进行训练,从而得到推荐引导语确定模型,推荐引导语确定模型能够根据输入的特征信息和交叉特征,输出推荐引导语。
这样,在实际使用推荐引导语确定模型时,只需将第一经纪人的特征信息,以及将第一房源的房源特征与用于表征推荐引导语的语句属性为空的特征进行特征交叉处理得到的交叉特征输入推荐引导语确定模型,即可便捷可靠地得到第一房源的推荐引导语,之后将所得到的推荐引导语作为第一房源的交互方式信息并对其进行推送即可。
需要指出的是,在训练推荐引导语确定模型时,使用的样本中的第五数据组中还可以包括房源需求,这样,在实际使用推荐引导语确定模型时,提供给推荐引导语确定模型的输入中还需要包括第一用户的房源需求。
如图3所示,在预设模型包括推荐引导语确定模型的情况下,本公开的实施例中的信息处理方法可以有如下流程:
一:数据准备
(1)从历史会话中抽取经纪人根据用户的房源需求发送的房源,以及经纪人推荐这个房源时使用的推荐引导语;
(2)准备经纪人画像数据。
二.数据处理
(1)针对一中准备的房源,抽取其的房源标签数据(相当于上文中的房源特征);
(2)针对一中准备的推荐引导语,抽取其的属性标签数据(相当于上文中的语句属性);
(3)针对所提取的房源标签数据和属性标签数据进行特征交叉处理,得到交叉特征;
(4)针对一中准备的经纪人画像数据,抽取对应的地域标签数据和风格标签数据(相当于上文中的特征信息)。
三、训练推荐引导语确定模型
针对二中处理好的特征数据(其包括地域标签数据、风格标签数据和交叉特征),与经纪人对房子的介绍信息(即经纪人使用的推荐引导语),配成样本,通过很多样本去训练推荐引导语确定模型(图3中的data相当于训练时使用的输入数据,图3中的seq相当于训练时使用的输出数据,图3中的LSTM为训练时使用的训练算法)。训练好的推荐引导语确定模型可以根据输入的地域标签数据、风格标签数据和交叉特征,生成一条房源推荐引导语(其可以呈文字、语音、视频等形式);
可选地,在实际训练推荐引导语确定模型之前,可以对样本中的推荐引导语进行修改。
四、生成推荐引导语
(1)用户与经纪人聊天时,提取当前用户的需求标签数据(相当于上文中的房源需求);
(2)通过搜索引擎去搜索要推荐给当前用户的房源,并以房源卡片的形式反馈当前用户,并提取房源标签数据(房子本身有很多属性和标签);
(3)将所提取的房源特征与用于表征推荐引导语的语句属性为空的特征进行特征交叉处理得到的交叉特征,以及当前经纪人的地域标签数据和风格标签数据输入训练好的推荐引导语确定模型,经推荐引导语确定模型输出一条推荐引导语,推荐引导语中融入了当前经纪人的个人风格。
综上,与现有技术相比,本公开的实施例能够较好地解决额外向用户推送的,用于提升用户体验的信息的单一化问题,从而提升信息的个性化程度。
本公开的实施例提供的任一种信息处理方法可以由任意适当的具有数据处理能力的设备执行,包括但不限于:终端设备和服务器等。或者,本公开实施例提供的任一种信息处理方法可以由处理器执行,如处理器通过调用存储器存储的相应指令来执行本公开实施例提及的任一种信息处理方法。下文不再赘述。
示例性装置
图4是本公开一示例性实施例提供的信息处理装置的结构框图。图4所示的装置包括第一获取模块401、搜索模块402、第二获取模块403和推送模块404。
第一获取模块401,用于根据第一经纪人与第一用户的沟通内容,获取第一用户的房源需求;
搜索模块402,用于搜索与第一用户的房源需求匹配的第一房源;
第二获取模块403,用于根据第一用户的房源需求和第一房源的房源特征中的至少一者、第一经纪人的特征信息,以及预设模型,获得由预设模型输出的,第一房源的交互方式信息;
推送模块404,用于向与第一用户关联的终端设备推送第一房源的交互方式信息。
在一个可选示例中,预设模型包括推荐理由确定模型;
第二获取模块403,具体用于:
将第一用户的房源需求、第一房源的房源特征,以及第一经纪人的特征信息输入推荐理由确定模型,获得由推荐理由确定模型输出的,第一房源的推荐理由。
在一个可选示例中,该装置还包括:用于通过训练得到推荐理由确定模型的第一训练模块,且第一训练模块,包括:
第一获取单元,用于获取多个第一数据组和多个第一数据组对应的多个第二数据组;其中,每个第一数据组中包括:用户的房源需求、与用户的房源需求匹配的房源的房源特征、经纪人的特征信息;每个第二数据组中包括:经纪人推荐房源时使用的推荐理由;
第一训练单元,用于以多个第一数据组作为输入数据,以多个第二数据组作为输出数据进行训练,从而得到推荐理由确定模型。
在一个可选示例中,预设模型包括推荐引导语确定模型;
如图5所示,第二获取模块403,包括:
处理单元4031,用于将第一房源的房源特征与用于表征推荐引导语的语句属性为空的特征进行特征交叉处理,得到交叉特征;
第二获取单元4032,用于将所得到的交叉特征和第一经纪人的特征信息输入推荐引导语确定模型,获得由推荐引导语确定模型输出的,第一房源的推荐引导语。
在一个可选示例中,该装置还包括:用于通过训练得到推荐引导语确定模型的第二训练模块,且第二训练模块,包括:
第三获取单元,用于获取多个第三数据组和多个第三数据组对应的多个第四数据组;其中,每个第三数据组中包括:房源的房源特征、经纪人的特征信息、经纪人推荐房源时使用的推荐引导语的语句属性;每个第四数据组中包括:经纪人推荐房源时使用的推荐引导语;
确定单元,用于确定多个第三数据组对应的多个第五数据组;其中,每个第五数据组中包括:相应第三数据组中的特征信息,以及相应第三数据组中的房源特征和语句属性进行特征交叉处理后得到的交叉特征;
第二训练单元,用于以多个第五数据组作为输入数据,以多个第四数据组作为输出数据进行训练,从而得到推荐引导语确定模型。
在一个可选示例中,
第一房源的房源特征包括以下至少一项:第一房源与第一用户的房源需求的匹配度、第一房源上发生设定操作的次数、第一房源的价格变动信息;
和/或,
第一经纪人的特征信息包括以下至少一项:风格特征、地域特征;其中,风格特征利用关键词进行表征。
示例性电子设备
下面,参考图6来描述根据本公开实施例的电子设备。该电子设备可以是第一设备和第二设备中的任一个或两者、或与它们独立的单机设备,该单机设备可以与第一设备和第二设备进行通信,以从它们接收所采集到的输入信号。
图6图示了根据本公开实施例的电子设备60的框图。
如图6所示,电子设备60包括一个或多个处理器61和存储器62。
处理器61可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元,并且可以控制电子设备60中的其他组件以执行期望的功能。
存储器62可以包括一个或多个计算机程序产品,所述计算机程序产品可以包括各种形式的计算机可读存储介质,例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令,处理器61可以运行所述程序指令,以实现上文所述的本公开的各个实施例的信息处理方法以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如输入信号、信号分量、噪声分量等各种内容。
在一个示例中,电子设备60还可以包括:输入装置63和输出装置64,这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。
例如,在电子设备60是第一设备或第二设备时,该输入装置63可以是麦克风或麦克风阵列。在电子设备60是单机设备时,该输入装置63可以是通信网络连接器,用于从第一设备和第二设备接收所采集的输入信号。
此外,该输入装置63还可以包括例如键盘、鼠标等等。
该输出装置64可以向外部输出各种信息。该输出装置64可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出装置等等。
当然,为了简化,图6中仅示出了该电子设备60中与本公开有关的组件中的一些,省略了诸如总线、输入/输出接口等等的组件。除此之外,根据具体应用情况,电子设备60还可以包括任何其他适当的组件。
示例性计算机程序产品和计算机可读存储介质
除了上述方法和设备以外,本公开的实施例还可以是计算机程序产品,其包括计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本公开各种实施例的信息处理方法中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本公开实施例操作的程序代码,所述程序设计语言包括面向对象的程序设计语言,诸如Java、C++等,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设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外,本公开的实施例还可以是计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本公开各种实施例的信息处理方法中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、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。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(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。
以上结合具体实施例描述了本公开的基本原理,但是,需要指出的是,在本公开中提及的优点、优势、效果等仅是示例而非限制,不能认为这些优点、优势、效果等是本公开的各个实施例必须具备的。另外,上述公开的具体细节仅是为了示例的作用和便于理解的作用,而非限制,上述细节并不限制本公开为必须采用上述具体的细节来实现。
本说明书中各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其它实施例的不同之处,各个实施例之间相同或相似的部分相互参见即可。对于系统实施例而言,由于其与方法实施例基本对应,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本公开中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的,可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇,指“包括但不限于”,且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”,且可与其互换使用,除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”,且可与其互换使用。
可能以许多方式来实现本公开的方法和装置。例如,可通过软件、硬件、固件或者软件、硬件、固件的任何组合来实现本公开的方法和装置。用于所述方法的步骤的上述顺序仅是为了进行说明,本公开的方法的步骤不限于以上具体描述的顺序,除非以其它方式特别说明。此外,在一些实施例中,还可将本公开实施为记录在记录介质中的程序,这些程序包括用于实现根据本公开的方法的机器可读指令。因而,本公开还覆盖存储用于执行根据本公开的方法的程序的记录介质。
还需要指出的是,在本公开的装置、设备和方法中,各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本公开的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本公开。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的,并且在此定义的一般原理可以应用于其他方面而不脱离本公开的范围。因此,本公开不意图被限制到在此示出的方面,而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外,此描述不意图将本公开的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例,但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (14)
1.一种信息处理方法,其特征在于,包括:
根据第一经纪人与第一用户的沟通内容,获取所述第一用户的房源需求;
搜索与所述第一用户的房源需求匹配的第一房源;
根据所述第一用户的房源需求和所述第一房源的房源特征两者中的至少一者、所述第一经纪人的特征信息,以及预设模型,获得由所述预设模型输出的所述第一房源的交互方式信息;
向与所述第一用户关联的终端设备推送所述第一房源的交互方式信息。
2.根据权利要求1所述的方法,其特征在于,所述预设模型包括推荐理由确定模型;
所述根据所述第一用户的房源需求和所述第一房源的房源特征两者中的至少一者、所述第一经纪人的特征信息,以及预设模型,获得由所述预设模型输出的所述第一房源的交互方式信息,包括:
将所述第一用户的房源需求、所述第一房源的房源特征,以及所述第一经纪人的特征信息输入所述推荐理由确定模型,获得由所述推荐理由确定模型输出的所述第一房源的推荐理由。
3.根据权利要求2所述的方法,其特征在于,还包括:通过训练得到所述推荐理由确定模型的步骤,且所述通过训练得到所述推荐理由确定模型的步骤,包括:
获取多个第一数据组和所述多个第一数据组对应的多个第二数据组;其中,每个第一数据组中包括:用户的房源需求、与用户的房源需求匹配的房源的房源特征、经纪人的特征信息;每个第二数据组中包括:经纪人推荐房源时使用的推荐理由;
以所述多个第一数据组作为输入数据,以所述多个第二数据组作为输出数据进行训练,从而得到所述推荐理由确定模型。
4.根据权利要求1所述的方法,其特征在于,所述预设模型包括推荐引导语确定模型;
所述根据所述第一用户的房源需求和所述第一房源的房源特征两者中的至少一者、所述第一经纪人的特征信息,以及预设模型,获得由所述预设模型输出的所述第一房源的交互方式信息,包括:
将所述第一房源的房源特征与用于表征推荐引导语的语句属性为空的特征进行特征交叉处理,得到交叉特征;
将所得到的交叉特征和所述第一经纪人的特征信息输入所述推荐引导语确定模型,获得由所述推荐引导语确定模型输出的所述第一房源的推荐引导语。
5.根据权利要求4所述的方法,其特征在于,还包括:通过训练得到所述推荐引导语确定模型的步骤,且所述通过训练得到所述推荐引导语确定模型的步骤,包括:
获取多个第三数据组和所述多个第三数据组对应的多个第四数据组;其中,每个第三数据组中包括:房源的房源特征、经纪人的特征信息、经纪人推荐房源时使用的推荐引导语的语句属性;每个第四数据组中包括:经纪人推荐房源时使用的推荐引导语;
确定所述多个第三数据组对应的多个第五数据组;其中,每个第五数据组中包括:相应第三数据组中的特征信息,以及相应第三数据组中的房源特征和语句属性进行特征交叉处理后得到的交叉特征;
以所述多个第五数据组作为输入数据,以所述多个第四数据组作为输出数据进行训练,从而得到所述推荐引导语确定模型。
6.根据权利要求1-5中任一项所述的方法,其特征在于,
所述第一房源的房源特征包括以下至少一项:所述第一房源与所述第一用户的房源需求的匹配度、所述第一房源上发生设定操作的次数、所述第一房源的价格变动信息;
和/或,
所述第一经纪人的特征信息包括以下至少一项:风格特征、地域特征;其中,所述风格特征利用关键词进行表征。
7.一种信息处理装置,其特征在于,包括:
第一获取模块,用于根据第一经纪人与第一用户的沟通内容,获取所述第一用户的房源需求;
搜索模块,用于搜索与所述第一用户的房源需求匹配的第一房源;
第二获取模块,用于根据所述第一用户的房源需求和所述第一房源的房源特征两者中的至少一者、所述第一经纪人的特征信息,以及预设模型,获得由所述预设模型输出的所述第一房源的交互方式信息;
推送模块,用于向与所述第一用户关联的终端设备推送所述第一房源的交互方式信息。
8.根据权利要求7所述的装置,其特征在于,所述预设模型包括推荐理由确定模型;
所述第二获取模块,具体用于:
将所述第一用户的房源需求、所述第一房源的房源特征,以及所述第一经纪人的特征信息输入所述推荐理由确定模型,获得由所述推荐理由确定模型输出的所述第一房源的推荐理由。
9.根据权利要求8所述的装置,其特征在于,还包括:用于通过训练得到所述推荐理由确定模型的第一训练模块,且所述第一训练模块,包括:
第一获取单元,用于获取多个第一数据组和所述多个第一数据组对应的多个第二数据组;其中,每个第一数据组中包括:用户的房源需求、与用户的房源需求匹配的房源的房源特征、经纪人的特征信息;每个第二数据组中包括:经纪人推荐房源时使用的推荐理由;
第一训练单元,用于以所述多个第一数据组作为输入数据,以所述多个第二数据组作为输出数据进行训练,从而得到所述推荐理由确定模型。
10.根据权利要求7所述的装置,其特征在于,所述预设模型包括推荐引导语确定模型;
所述第二获取模块,包括:
处理单元,用于将所述第一房源的房源特征与用于表征推荐引导语的语句属性为空的特征进行特征交叉处理,得到交叉特征;
第二获取单元,用于将所得到的交叉特征和所述第一经纪人的特征信息输入所述推荐引导语确定模型,获得由所述推荐引导语确定模型输出的所述第一房源的推荐引导语。
11.根据权利要求10所述的装置,其特征在于,还包括:用于通过训练得到所述推荐引导语确定模型的第二训练模块,且所述第二训练模块,包括:
第三获取单元,用于获取多个第三数据组和所述多个第三数据组对应的多个第四数据组;其中,每个第三数据组中包括:房源的房源特征、经纪人的特征信息、经纪人推荐房源时使用的推荐引导语的语句属性;每个第四数据组中包括:经纪人推荐房源时使用的推荐引导语;
确定单元,用于确定所述多个第三数据组对应的多个第五数据组;其中,每个第五数据组中包括:相应第三数据组中的特征信息,以及相应第三数据组中的房源特征和语句属性进行特征交叉处理后得到的交叉特征;
第二训练单元,用于以所述多个第五数据组作为输入数据,以所述多个第四数据组作为输出数据进行训练,从而得到所述推荐引导语确定模型。
12.根据权利要求7-11中任一项所述的装置,其特征在于,
所述第一房源的房源特征包括以下至少一项:所述第一房源与所述第一用户的房源需求的匹配度、所述第一房源上发生设定操作的次数、所述第一房源的价格变动信息;
和/或,
所述第一经纪人的特征信息包括以下至少一项:风格特征、地域特征;其中,所述风格特征利用关键词进行表征。
13.一种计算机可读存储介质,所述存储介质存储有计算机程序,其特征在于,所述计算机程序用于执行上述权利要求1-6中任一所述的信息处理方法。
14.一种电子设备,其特征在于,包括:
处理器;
用于存储所述处理器可执行指令的存储器;
所述处理器,用于从所述存储器中读取所述可执行指令,并执行所述指令以实现上述权利要求1-6中任一所述的信息处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010551181.2A CN111681087B (zh) | 2020-06-16 | 2020-06-16 | 信息处理方法、装置、计算机可读存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010551181.2A CN111681087B (zh) | 2020-06-16 | 2020-06-16 | 信息处理方法、装置、计算机可读存储介质及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111681087A CN111681087A (zh) | 2020-09-18 |
CN111681087B true CN111681087B (zh) | 2023-10-03 |
Family
ID=72455207
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010551181.2A Active CN111681087B (zh) | 2020-06-16 | 2020-06-16 | 信息处理方法、装置、计算机可读存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111681087B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112634088A (zh) * | 2020-12-11 | 2021-04-09 | 贝壳技术有限公司 | 房源动态信息推送方法及装置 |
CN116187632B (zh) * | 2022-09-08 | 2024-09-10 | 贝壳找房(北京)科技有限公司 | 行为预测模型训练方法、房源匹配方法、装置及存储介质 |
CN117391405B (zh) * | 2023-12-11 | 2024-03-15 | 汇丰金融科技服务(上海)有限责任公司 | 用于客户与业务人员的智能匹配的方法、系统和电子设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN109934369A (zh) * | 2017-12-15 | 2019-06-25 | 北京京东尚科信息技术有限公司 | 用于信息推送的方法及装置 |
CN110083762A (zh) * | 2019-03-15 | 2019-08-02 | 平安科技(深圳)有限公司 | 房源搜索方法、装置、设备及计算机可读存储介质 |
CN110083752A (zh) * | 2019-03-16 | 2019-08-02 | 平安城市建设科技(深圳)有限公司 | 房源信息推荐方法、装置、设备及存储介质 |
CN110955838A (zh) * | 2019-12-04 | 2020-04-03 | 青梧桐有限责任公司 | 房源推荐处理方法、装置、终端及计算机可读存储介质 |
-
2020
- 2020-06-16 CN CN202010551181.2A patent/CN111681087B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109934369A (zh) * | 2017-12-15 | 2019-06-25 | 北京京东尚科信息技术有限公司 | 用于信息推送的方法及装置 |
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 |
CN110083762A (zh) * | 2019-03-15 | 2019-08-02 | 平安科技(深圳)有限公司 | 房源搜索方法、装置、设备及计算机可读存储介质 |
CN110083752A (zh) * | 2019-03-16 | 2019-08-02 | 平安城市建设科技(深圳)有限公司 | 房源信息推荐方法、装置、设备及存储介质 |
CN110955838A (zh) * | 2019-12-04 | 2020-04-03 | 青梧桐有限责任公司 | 房源推荐处理方法、装置、终端及计算机可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111681087A (zh) | 2020-09-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20240078386A1 (en) | Methods and systems for language-agnostic machine learning in natural language processing using feature extraction | |
CN111681087B (zh) | 信息处理方法、装置、计算机可读存储介质及电子设备 | |
US9299041B2 (en) | Obtaining data from unstructured data for a structured data collection | |
US9633653B1 (en) | Context-based utterance recognition | |
US20180226073A1 (en) | Context-based cognitive speech to text engine | |
US20220147835A1 (en) | Knowledge graph construction system and knowledge graph construction method | |
US20200356725A1 (en) | System and method for automatically tagging customer messages using artificial intelligence models | |
CN110929505B (zh) | 房源标题的生成方法和装置、存储介质、电子设备 | |
CN111090739A (zh) | 信息处理方法、装置以及电子设备、存储介质 | |
WO2023142451A1 (zh) | 工作流生成方法、装置、电子设备 | |
CN111949785A (zh) | 查询语句管理方法和装置、可读存储介质、电子设备 | |
CN110837545A (zh) | 交互式数据分析方法、装置、介质及电子设备 | |
CN111523030B (zh) | 报盘信息推荐方法、装置及计算机可读存储介质 | |
CN110888975A (zh) | 文本可视化 | |
CN111738791B (zh) | 一种文本处理方法、装置、设备和存储介质 | |
CN114974253A (zh) | 一种基于人物画像的自然语言解释方法、装置及存储介质 | |
CN112395517B (zh) | 房源搜索展示方法、装置及计算机可读存储介质 | |
CN117609612A (zh) | 资源推荐方法、装置、存储介质及电子设备 | |
CN113111658A (zh) | 校验信息的方法、装置、设备和存储介质 | |
CN112542154B (zh) | 文本转换方法、装置、计算机可读存储介质及电子设备 | |
CN111598707A (zh) | 一种页面的生成方法及电子设备 | |
CN113360630B (zh) | 交互信息提示方法 | |
CN110705308A (zh) | 语音信息的领域识别方法、装置、存储介质及电子设备 | |
CN111144122A (zh) | 评价处理方法、装置和计算机系统及介质 | |
CN112800230B (zh) | 文本处理方法、装置、计算机可读存储介质及电子设备 |
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 |