CN112232933A - 房源信息的推荐方法、装置、设备及可读存储介质 - Google Patents

房源信息的推荐方法、装置、设备及可读存储介质 Download PDF

Info

Publication number
CN112232933A
CN112232933A CN202011440275.9A CN202011440275A CN112232933A CN 112232933 A CN112232933 A CN 112232933A CN 202011440275 A CN202011440275 A CN 202011440275A CN 112232933 A CN112232933 A CN 112232933A
Authority
CN
China
Prior art keywords
source information
house source
target
user
behavior
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
Application number
CN202011440275.9A
Other languages
English (en)
Inventor
易莎
王文雨
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.)
Shenzhen Fangduoduo Network Technologies Co ltd
Original Assignee
Shenzhen Fangduoduo Network Technologies 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 Shenzhen Fangduoduo Network Technologies Co ltd filed Critical Shenzhen Fangduoduo Network Technologies Co ltd
Priority to CN202011440275.9A priority Critical patent/CN112232933A/zh
Publication of CN112232933A publication Critical patent/CN112232933A/zh
Pending legal-status Critical Current

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
    • 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
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0641—Shopping interfaces
    • G06Q30/0643—Graphical representation of items or shoppers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/16—Real estate

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Databases & Information Systems (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Primary Health Care (AREA)
  • Data Mining & Analysis (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

本发明实施例涉及通信领域，公开了一种房源信息的推荐方法，包括：获取目标用户的行为轨迹；根据目标用户的行为轨迹以及用户行为画像识别模型生成目标用户对应的用户行为画像；根据用户行为画像，从房源信息库中确定出匹配的第一房源信息列表；根据用户的基本信息从房源信息库中确定第二房源信息列表；根据用户行为画像确定第一房源信息权重，根据基本信息确定第二房源信息权重，将第一房源信息权重和第二房源信息权重加权得到目标房源信息权重；根据目标房源信息权重、第一房源信息列表以及所述第二房源信息列表确定最优房源信息；向目标用户推荐最优房源信息及目标房源信息列表。本发明实施例实现了更加精确将相关房源信息推荐给用户。

Description

房源信息的推荐方法、装置、设备及可读存储介质
技术领域
本发明实施例涉及通信技术领域，具体涉及一种房源信息的推荐方法、装置、设备及可读存储介质。
背景技术
目前来说，房产经纪人与客户进行沟通时，由于经纪人对客户不了解，需要反复的与客户进行沟通，以挖掘客户的意向，进而导致维护周期较长。
此外，不同的需求的用户需要的房源信息不同，由于无法获知用户的精确需求，进而导致经纪人找不到精准客户，无法为客户推荐符合客户需求的房源信息，导致客户流失。
再者，随着网络渠道的不断优化，通常一种应用会同时有应用程序、网页、小程序、公众号等多种渠道。目前尚未有根据用户惯用的渠道来实现相应推送的方式。
发明内容
鉴于上述问题，本发明实施例提供了一种房源信息的推荐方法，用于向用户推荐更加精准的房源信息。
本发明实施例第一方面提供了一种房源信息的推荐方法，包括：
获取目标用户的行为轨迹，所述行为轨迹包括所述目标用户对第一目标页面的浏览次数、浏览的资源类型以及浏览时长；
根据所述目标用户的行为轨迹以及用户行为画像识别模型生成所述目标用户对应的用户行为画像，并根据所述用户行为画像从房源信息库中确定出匹配的第一房源信息列表；
获取所述目标用户的基本信息，根据所述目标用户的基本信息从所述房源信息库中确定出匹配的第二房源信息列表；
根据所述用户行为画像确定第一房源信息权重，根据所述基本信息确定第二房源信息权重，将所述第一房源信息权重和所述第二房源信息权重进行加权得到目标房源信息权重：
Figure 46230DEST_PATH_IMAGE001
；
Figure 494529DEST_PATH_IMAGE002
；
其中，
Figure 805425DEST_PATH_IMAGE003
表示目标房源信息权重，
Figure 479595DEST_PATH_IMAGE004
表示第一房源信息权重，
Figure 825126DEST_PATH_IMAGE005
表示第二房源信息权重；
Figure 178747DEST_PATH_IMAGE006
表示第一房源信息权重对应的第一系数，
Figure 976939DEST_PATH_IMAGE007
表示所述第二房源信息权重对应的第二系数；所述第一系数与资源类型的浏览次数正相关；
根据所述目标房源信息权重、所述第一房源信息列表以及所述第二房源信息列表确定最优房源信息；所述第一房源信息权重和所述第二房源信息权重均包括房源各个信息维度的权重；
向所述目标用户推荐所述最优房源信息。
在一种可选的方式中，所述获取目标用户的行为轨迹包括：
当在所述第一目标页面接收所述目标用户的操作指令时，接收终端设备通过用户浏览轨迹上报接口上报的所述目标用户的目标行为数据，其中，所述用户浏览轨迹上报接口与所述目标页面相对应；
根据所述目标行为数据生成所述目标用户的行为轨迹；
或，
根据所述目标用户的标识从数据库中提取所述目标用户的目标行为数据，所述数据库中存储有包括所述目标用户在内的多个用户的行为轨迹；
根据所述目标行为数据生成所述目标用户的行为轨迹。
在一种可选的方式中，所述方法还包括：
获取N个用户的第一行为轨迹，所述N个用户的每个第一用户的行为轨迹包括所述每个第一用户对第三目标页面的浏览次数、浏览的资源类型以及浏览时长，所述第三目标页面为与房源信息相关联的页面；
对所述N个用户的行为轨迹进行数据处理；
对数据处理后的所述N个用户的行为轨迹进行训练，得到用户行为画像识别模型。
在一种可选的方式中，所述方法还包括：
确定所述最优房源信息所对应的最优房源；
确定所述最优房源的房源基本信息以及所述最优房源的房源图片；
提取所述房源基本信息中的文本内容以及所述房源图片中的图片信息；
根据所述文本内容对应的文本关键字、所述图片信息对应的展示图片生成目标展示名片；
将所述目标展示名片推送至所述目标用户。
在一种可选的方式中，所述目标页面为与房源信息相关联的页面，所述第一目标页面包括小程序页面、网页页面及应用程序页面中的一种或多种；所述用户行为画像包括偏好房源信息、用户习惯使用的第二目标页面；所述第二目标页面为小程序页面、网页页面及应用程序页面中的任一种；所述向所述目标用户推荐所述最优房源信息，进一步包括：
通过所述第二目标页面向所述目标用户推荐所述最优房源信息。
本发明实施例第二方面提供了一种房源信息的推荐装置，包括：
获取单元，用于获取目标用户的行为轨迹，所述行为轨迹包括所述目标用户对第一目标页面的浏览次数、浏览的资源类型以及浏览时长；
第一匹配单元，用于根据所述目标用户的行为轨迹以及用户行为画像识别模型生成所述目标用户对应的用户行为画像，并根据所述用户行为画像从房源信息库中确定出匹配的第一房源信息列表；
第二匹配单元，用于获取所述目标用户的基本信息，根据所述目标用户的基本信息从所述房源信息库中确定出匹配的第二房源信息列表；
第一确定单元，用于根据所述用户行为画像确定第一房源信息权重，根据所述基本信息确定第二房源信息权重，将所述第一房源信息权重和所述第二房源信息权重进行加权得到目标房源信息权重：
Figure 192151DEST_PATH_IMAGE001
；
Figure 657767DEST_PATH_IMAGE002
；
其中，
Figure 182289DEST_PATH_IMAGE003
表示目标房源信息权重，
Figure 484089DEST_PATH_IMAGE004
表示第一房源信息权重，
Figure 752259DEST_PATH_IMAGE005
表示第二房源信息权重；
Figure 541223DEST_PATH_IMAGE006
表示第一房源信息权重对应的第一系数，
Figure 767805DEST_PATH_IMAGE007
表示所述第二房源信息权重对应的第二系数；所述第一系数与资源类型的浏览次数正相关；
第二确定单元，用于根据所述目标房源信息权重、所述第一房源信息列表以及所述第二房源信息列表确定最优房源信息；所述第一房源信息权重和所述第二房源信息权重均包括房源各个信息维度的权重；
推荐单元，用于向所述目标用户推荐所述最优房源信息。
在一种可选的方式中，所述获取单元获取目标用户的行为轨迹包括：
当在所述第一目标页面接收所述目标用户的操作指令时，接收终端设备通过用户浏览轨迹上报接口上报的所述目标用户的目标行为数据，其中，所述用户浏览轨迹上报接口与所述目标页面相对应；
根据所述目标行为数据生成所述目标用户的行为轨迹；
或，
根据所述目标用户的标识从数据库中提取所述目标用户的目标行为数据，所述数据库中存储有包括所述目标用户在内的多个用户的行为轨迹；
根据所述目标行为数据生成所述目标用户的行为轨迹。
在一种可选的方式中，所述装置还包括：
训练单元，所述训练单元用于：
获取N个用户的第一行为轨迹，所述N个用户的每个第一用户的行为轨迹包括所述每个第一用户对第三目标页面的浏览次数、浏览的资源类型以及浏览时长，所述第三目标页面为与房源信息相关联的页面；
对所述N个用户的行为轨迹进行数据处理；
对数据处理后的所述N个用户的行为轨迹进行训练，得到用户行为画像识别模型。
在一种可选的方式中，所述第二确定单元还用于：
确定所述最优房源信息所对应的最优房源；
确定所述最优房源的房源基本信息以及所述最优房源的房源图片；
提取所述房源基本信息中的文本内容以及所述房源图片中的图片信息；
根据所述文本内容对应的文本关键字、所述图片信息对应的展示图片生成目标展示名片；
将所述目标展示名片推送至所述目标用户。
在一种可选的方式中，所述目标用户的基本信息包括工作地址信息、房产信息、婚姻信息、子女信息；所述目标房源信息包括目标房源的位置信息、产权信息、贷款信息、学位信息；所述第二确定单元根据所述基本信息及所述用户行为画像确定目标房源信息包括：
将所述目标用户的基本信息及所述用户行为画像与房源信息进行匹配，以确定所述目标房源信息。
本发明实施例第三方面提供了一种房源信息的推荐设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；
所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行上述的房源信息的推荐方法的操作。
本发明实施例第四方面提供了一种计算机可读存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令在房源信息的推荐设备上运行时，使得房源信息的推荐设备执行上述的房源信息的推荐方法的操作。
本申请提供的实施例中，房产信息的推荐装置获取目标用户的行为轨迹，并根据目标用户的行为轨迹及预先训练好的用户行为画像识别模型生成目标用户对应的用户行为画像，根据用户行为画像确定与目标用户最关联的目标房源信息，并通过用户习惯使用的第二目标页面向用户推荐目标房源信息。由于是根据用户的行为轨迹生成的用户行为画像，使得得到的用户行为画像与房源信息更加贴合，这样在向用户推荐房源时，可以更加精准的确定用户的需求，实现精准推送。此外，通过根据用户行为画像和用户信息分别确定不同的房源信息权重，并进行加权得到目标房源信息权重，根据用户浏览资源类型的浏览次数来调整第一系数及第二系数，从而达到了动态均衡房源信息权重，精准确定用户意图的有益效果。
上述说明仅是本发明实施例技术方案的概述，为了能够更清楚了解本发明实施例的技术手段，而可依照说明书的内容予以实施，并且为了让本发明实施例的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
附图仅用于示出实施方式，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1示出了本发明实施例提供的房源信息的推荐方法的流程示意图；
图2示出了本发明实施例提供的房源信息的推荐装置的结构示意图；
图3示出了本发明实施例提供的房源信息的推荐设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。
图1示出了本发明房源信息的推荐方法实施例的流程图，该方法由房源信息的推荐设备执行。需要说明的是，该房源信息的推荐设备可以功能化在服务器中，也可以独立为一种设备，具体此处不做限定。如图1所示，该方法包括以下步骤：
步骤110：获取目标用户的行为轨迹，所述行为轨迹包括所述目标用户对第一目标页面的浏览次数、浏览的资源类型以及浏览时长。
本发明实施例中，所述目标页面为与房源信息相关联的页面，所述第一目标页面包括小程序页面、网页页面及应用程序页面中的一种或多种。
本实施例中，房源信息的推荐装置可以获取目标用户的行为轨迹，其中，该行为轨迹包括目标用户对第一目标页面的浏览次数、浏览的资源类型以及浏览时长，该第一目标页面为与房源信息相关联的页面，该第一目标页面包括小程序页面、网页页面以及引用程序页面中的一种或多种，也就是说，该第一目标页面可以是不同侧的页面，如小程序中的页面、应用程序中的页面以及电脑终端的浏览器上的网页页面中的至少一种，由此房源信息的推荐装置可以获取不同侧的目标用户的行为轨迹。本发明实施例中，可以周期性获取目标用户的行为轨迹。
一个实施例中，房源信息的推荐装置获取目标用户的行为轨迹包括：
当在第一目标页面接收目标用户的操作指令时，接收终端设备通过用户浏览轨迹上报接口上报的目标用户的行为数据，其中，用户浏览轨迹上报接口与目标页面相对应；
根据所述目标行为数据生成所述目标用户的行为轨迹；
或，
根据目标用户的标识从数据库中提取目标用户的行为数据，数据库中存储有包括目标用户在内的多个用户的行为数据；
根据目标用户的行为数据生成目标用户的行为轨迹。
本实施例中，房源信息的推荐装置可以通过两种不同的方式来获取目标用户的行为轨迹，一种是由目标页面对应的终端设备通过用户浏览轨迹上报接口主动上报目标用户的行为数据，进而根据行为数据生成行为轨迹，该用户浏览轨迹上报接口针对不同来源以及不同类型的浏览行为进行自定义；一种是根据目标用户的标识从数据库中提取目标用户的行为数据，进而根据行为数据生成行为轨迹，也就是说，当用户在浏览目标页面时，该目标页面对应的终端可以将该用户的行为数据保存至数据库中，当需要获取目标用户的行为轨迹时，可以直接根据用户的标识从数据库中获取目标用户的行为数据，并根据行为数据生成行为轨迹。通过不同客户侧的行为轨迹采集考虑到了用户多场景多时间点的实际需求。
需要说明的是，用户在的浏览行为是指用户浏览第一目标页面（该目标页面为小程序页面、应用程序页面以及网页页面的至少一种，当然也还可以是其他的页面，具体不限定）中的房源、楼盘详情，用户浏览轨迹上报接口上报该用户的浏览信息（也即该用户的用户轨迹），包括用户标识、浏览的资源类型（房源、楼盘或者其他，其中一种资源类型中包括房源的多个信息维度）、浏览的资源标识 (房源ID、楼盘ID等）、浏览信息来源（例如该浏览信息是来自小程序、来自应用程序或者是来自网页的）、浏览次数count（同一个用户多次浏览同一个房源，次数count=count+1）以及浏览时长，其中，该浏览时长为后台自动计算得到的，也即当用户退出目标页面之后，会通过调用后台接口，告诉后台浏览结束，后台通过浏览开始时刻和结束时刻，即可以计算出用户的浏览时长。
步骤120：根据所述目标用户的行为轨迹以及用户行为画像识别模型生成所述目标用户对应的用户行为画像，并根据所述用户行为画像从房源信息库中确定出匹配的第一房源信息列表。
其中，所述用户行为画像包括偏好房源信息、用户习惯使用的第二目标页面；所述第二目标页面为小程序页面、网页页面及应用程序页面中的任一种。
本实施例中，房源信息的推荐装置在获取到目标用户的行为轨迹之后，可以将目标用户的行为轨迹输入预先训练好的用户行为画像识别模型，得到用户行为画像，该用户行为画像包括偏好房源信息、用户习惯使用的第二目标页面，其中，该第二目标页面包括小程序页面、网页页面以及应用程序页面中的至少一种。其中，偏好房源信息包括目标用户偏好的房源类型、房源地段、学位信息等中的一种或多种。房源类型可以是房源大小、房源格局等信息。
下面对用户行为画像识别模型的训练方式进行说明：
步骤1201：获取N个用户的第一行为轨迹， N个用户的每个第一用户的行为轨迹包括每个第一用户对第三目标页面的浏览次数、浏览的资源类型以及浏览时长，第三目标页面为与房源信息相关联的页面。
本实施例中，房源信息的推荐装置可以获取N个用户的第一行为轨迹，此处具体不限定获取N个用户的第一行为轨迹的方式，例如可以是在多个用户在每次浏览与房源信息相关联的第三目标页面时，上报用户的行为数据，也可以是从数据库中获取多个用户的行为数据，该数据库中会存储每个用户在浏览与房源信息相关联的页面时的行为数据，之后根据用户的行为数据生成用户的行为轨迹。其中，该行为轨迹包括用户标识、浏览的资源类型（房源、楼盘或者其他）、浏览的资源标识 (房源ID、楼盘ID等）、浏览信息来源（例如该浏览信息是来自小程序、来自应用程序或者是来自网页的）、浏览次数count（同一个用户多次浏览同一个房源，次数count=count+1）以及浏览时长，其中，该浏览时长为后台自动计算得到的，也即当用户退出目标页面之后，会通过调用后台接口，告诉后台浏览结束，后台通过浏览开始时刻和结束时刻，即可以计算出用户的浏览时长。
步骤1202：对N个用户的行为轨迹进行数据处理。
本实施例中，房源信息的推荐装置在得到N个用户的第一行为轨迹之后，可以对N个用户的行为轨迹进行数据处理，得到N个用户的第二行为轨迹。该数据处理包括数据清理、预处理以及特征选择，由于获取到的多个用户的行为轨迹中可能会存在噪声，因此需要对数据进行去噪处理，提升数据质量，并对数据进行预处理，该预处理包括分词处理、向量化处理等等，同时进行特征处理，提取用户的行为轨迹中的重要特征，并控制特征空间的维度，避免维度灾难。
需要说明的是，在实际应用中，当然也还可以根据实际情况对N个用户的行为轨迹进行其他的数据处理，例如数据标注，标注出有效数据和无效数据，具体不做限定。
步骤1203：对数据处理后的N个用户的行为轨迹进行迭代训练，以得到用户行为画像识别模型。
本实施例中，房源信息的推荐装置可以对数据处理后的N个用户的行为轨迹进行迭代训练，以得到用户行为画像识别模型。例如可以通过深度神经网络对数据处理后的N个用户的行为轨迹进行训练，得到用户行为画像识别模型，当然也还可以采用别的神经网络进行训练，具体不做限定。
需要说明的是，在对数据处理后的N个用户的行为轨迹进行训练之前，还可以将N个用户的行为轨迹划分为训练数据以及验证数据，划分的比例例如可以是8:2（当然也还可以是其他的划分比例，例如1:9，或3:7，具体不做限定），8份训练数据用来训练得到用户行为画像识别模型，2份验证数据用户对用户行为画像识别模型进行校验，使得用户行为画像识别模型更加的精准。
还需要说明的是，在训练过程中，还可以在每次训练结束后，还可以判断当前训练次数是否达到预先设置的迭代终止的阈值，若是，则终止训练，并通过验证数据对训练完成的用户行为画像识别模型进行校验，若否，则继续训练，直至达到预先设置的迭代终止的阈值；当然，房源信息的推荐装置还可以在每次训练结束后，判断模型参数是否收敛，若收敛，则终止训练，并通过验证数据对训练完成的用户行为画像识别模型进行校验，若否，则继续训练，直至模型参数收敛为止。
由此，可以通过获取多个用户的行为轨迹，进而根据行为轨迹进行数据处理，并通过数据处理后的数据进行训练，得到用户行为画像识别模型。
本发明实施例中，当获取到用户行为画像后，可根据该用户行为画像从房源信息库中确定出一批匹配的第一房源信息列表。可以理解地是，该第一房源信息列表是根据用户行为习惯来匹配得到的，该列表中包括多个匹配的房源信息。如用户行为画像包括房源类型为两室一厅、地段为XX区。则可以从房源信息库中匹配得到位于XX区的两室一厅。
步骤130：获取目标用户的基本信息，获取所述目标用户的基本信息，根据所述目标用户的基本信息从所述房源信息库中确定出匹配的第二房源信息列表。
本实施例中，房源信息的推荐装置可以获取目标用户的基本信息，该目标用户的基本信息包括工作地址信息、房产信息、婚姻信息以及子女信息中的至少一种。该房产信息包括房产状况、购房资格等信息。
根据用户的基本信息，可以确定适合用户基本信息的房源，从房源信息库中确定出匹配的第二房源信息列表。如已婚、有小孩、工作位于XX区的目标用户，可以匹配得到XX区及周边的学位房。
步骤140：根据所述用户行为画像确定第一房源信息权重，根据所述基本信息确定第二房源信息权重，将所述第一房源信息权重和所述第二房源信息权重进行加权得到目标房源信息权重：
Figure 291322DEST_PATH_IMAGE001
；
Figure 97604DEST_PATH_IMAGE002
；
其中，
Figure 272233DEST_PATH_IMAGE003
表示目标房源信息权重，
Figure 138558DEST_PATH_IMAGE004
表示第一房源信息权重，
Figure 152300DEST_PATH_IMAGE005
表示第二房源信息权重；
Figure 27852DEST_PATH_IMAGE006
表示第一房源信息权重对应的第一系数，
Figure 791409DEST_PATH_IMAGE007
表示所述第二房源信息权重对应的第二系数；所述第一系数与资源类型的浏览次数正相关。本发明实施例中，
Figure 359794DEST_PATH_IMAGE008
、
Figure 592323DEST_PATH_IMAGE009
、
Figure 5987DEST_PATH_IMAGE010
分别为多维向量，其中该多维向量可以为一维矩阵形式，也可以是多维矩阵形式。
例如：一维矩阵形式：
Figure 889629DEST_PATH_IMAGE011
多维矩阵形式：
Figure 363336DEST_PATH_IMAGE012
Figure 83161DEST_PATH_IMAGE013
也即，当
Figure 34937DEST_PATH_IMAGE014
中的房源信息的维度与
Figure 38665DEST_PATH_IMAGE015
中的维度类型不一致时，二者可以相加得到更多维度的
Figure 683273DEST_PATH_IMAGE016
。
本发明实施例中，房源信息的推荐装置在得到用户行为画像以及目标用户的基本信息之后，可以根据所述用户行为画像确定第一房源信息权重，根据所述基本信息确定第二房源信息权重。其中，对于用户行为画像来说，根据目标用户浏览的房源大小、房源面积、房源总价、位置信息、产权信息、学位信息等历史浏览数据可以确定房源各个维度的权重，例如：可以根据用户行为画像中目标用户浏览的所有房源的各个维度信息进行统计，将目标用户浏览的所有房源的各个维度信息中出现次数最大的维度类型确定为目标用户感兴趣的维度类型，并将各个目标用户感兴趣的维度类型按照出现次数根据比例赋予不同权重值，从而得到第一房源信息权重。也就是说，第一房源信息权重中包括了房源各个维度的权重值。
举例说明如下：
其中，以房源类型包括n个维度为例：学区维度、房源大小维度、房源总价维度为例。学区维度包括优质学位、一般学位、无学位；房源大小维度包括60㎡以内、60㎡-80㎡、80㎡以上；房源总价维度包括450万以下、450万-800万、800万以上。
在用户行为画像中，目标用户的历史记录中记录了目标用户浏览房源的浏览次数为120次，统计用户历史浏览的每个房源的房源类型，统计每一个房源对应的各个维度的浏览次数，得到优质学位的浏览次数为60次，一般学位的浏览次数为40次，无学位的浏览次数为20次；房源大小维度为60-80㎡的浏览次数为80次，80㎡以上的浏览次数为40次；房源总价维度为450万-800万的浏览次数为78次，450万以下的浏览次数为32次，800万以上的浏览次数为10次。因此，确定用户画像对应的学区维度为优质学位、房源大小维度为60㎡-80㎡、房源总价维度为450万-800万。根据用户画像对应的各个维度的浏览次数按照比例确定各个维度的权重。60:80:78=0.27:0.37:0.36
因此，得到第一房源信息权重:
Figure 890394DEST_PATH_IMAGE017
；
其中，a11表示优质学位维度，b12表示60㎡-80㎡维度，c12表示450万-800万。
其中，所述目标用户的基本信息包括工作地址信息、房产信息、婚姻信息以及子女信息；所述目标房源信息包括目标房源的位置信息、总价信息、产权信息、贷款信息以及学位信息。根据基本信息确定第二房源信息权重，也即，根据目标用户的基本信息确定符合目标用户基本信息的房源各个维度，并根据预设的房源维度优先级，对符合目标用户基本信息的房源各个维度赋予不同权重值，得到第二房源信息权重。其中，可根据大数据分析历史用户的基本信息及对应的历史房源成交信息来确定符合目标用户基本信息的房源各个维度及对应的权重值，从而得到第二房源信息权重。例如，根据用户的基本信息中，获取得到用户抚养有2岁的孩子，根据大数据分析得到匹配的房源类型的维度包括优质学位维度：
Figure 645861DEST_PATH_IMAGE018
。
当确定第一房源信息权重及第二房源信息权重后，根据下述公式确定所述目标房源信息权重：
Figure 238516DEST_PATH_IMAGE001
；
Figure 67407DEST_PATH_IMAGE002
；
其中，
Figure 11092DEST_PATH_IMAGE003
表示目标房源信息权重，
Figure 570250DEST_PATH_IMAGE004
表示第一房源信息权重，
Figure 282991DEST_PATH_IMAGE005
表示第二房源信息权重；
Figure 754555DEST_PATH_IMAGE019
表示第一房源信息权重对应的第一系数，
Figure 451115DEST_PATH_IMAGE007
表示所述第二房源信息权重对应的第二系数；所述第一系数与资源类型的浏览次数正相关。
本发明实施例中，设置第一系数及第二系数的目的是为了实现目标用户的需求信息及用户基本信息二者之间权重的动态调节。也即，当目标用户浏览某一类型的房源的浏览次数最大，且该浏览次数达到一定浏览次数阈值时，说明用户想要此类型的房源的需求较为强烈，此时，应当调大用户行为画像对应的第一房源信息权重对应的第一系数，来使得目标房源更为贴合用户真实需求。而当用户行为画像中浏览房源类型的次数较少，也即用户可能并不知道自己真实需要哪种类型的房源，此时第一系数应较小。
本发明实施例中，并不具体限定根据目标用户浏览房源的次数来调整第一系数及第二系数的具体数值，本领域的技术人员可以依据具体场景而具体设置。例如，在本发明的一种实施方式中，可以设置浏览最大，浏览目标房源类型的浏览次数小于等于10时，设置第一系数为0.5，相应地第二系数为0.5；当浏览次数大于10小于等于50时，设置第一系数为0.6，相应地第二系数为0.4；当大于50小于等于100时，设置第一系数为0.7，相应地第二系数为0.3，浏览次数大于100次，设置第一系数为0.8。接上例，由于浏览次数位120次，因此，第一系数为0.8，第二系数为0.2，故:
Figure 548384DEST_PATH_IMAGE020
从而得到该目标用户的目标房源信息权重。通过这样的设置能够动态调节用户需求信息（用户行为画像）和用户基本信息之间的权重，从而使得所得到的最优房源更符合用户真实需求，匹配更精准。这使得弥补了因用户画像信息过少而造成的可信度低的问题。
步骤150：根据所述目标房源信息权重、所述第一房源信息列表以及所述第二房源信息列表确定最优房源信息；所述第一房源信息权重和所述第二房源信息权重均包括房源各个信息维度的权重。
当确定了目标房源信息权重后，对第一房源信息列表和第二房源信息列表进行合并去重，得到目标房源信息列表，并按照目标房源信息权重中各个维度的权重信息来对目标房源信息列表中的房源进行排序，从而筛选得到最优房源。
接上例，该例中优质学位维度的权重最大，其次是房源大小维度，最后是房源总价维度。
当确定了目标房源信息权重后，可以确定对于该目标用户最先考虑的是优质学位，因此，目标房源信息列表中的房源按照优质学位进行排序，在排序靠前的房源中再筛选房源的面积在60㎡-80㎡的房源，再从筛选出来的房源中筛选出价格在450万-800万的房源，从而确定最优房源信息。
本发明实施例中，虽然根据所述房源信息权重、所述第一房源信息列表以及所述第二房源信息列表中确定出了最优房源信息，但也需要将第一房源信息列表和第二房源信息列表合并去重后，发给目标用户，以使目标用户对最优房源不满意时，可从推荐的列表中选择。
步骤160：向所述目标用户推荐所述最优房源信息。
本实施例中，房源信息的推荐装置在得到最优房源信息之后，可以通过第二目标页面向目标用户推荐最优房源信息及目标房源信息列表。也就是说，房源信息的推荐装置在得到最优房源信息及目标房源信息列表之后，可以将最优房源信息及目标房源信息列表通过第二目标页面进行展示，由于该第二目标页面为目标用户习惯使用的页面，因此用户可以及时查看到与其最匹配的目标房源。可以理解的是，房源信息的推荐装置还可以将最优房源信息以及目标用户的基本信息展示给目标房源对应的经纪人，由该经纪人将基于最优房源信息以及目标用户的基本信息与目标用户进行沟通推荐，房源信息的推荐装置还可以直接将最优房源信息向目标用户进行推送，具体不做限定。
需要说明的是，目标房源信息中包括最优房源，所述最优房源为目标房源信息中与目标用户最匹配的房源信息。具体地，在确定目标房源信息后，对目标房源信息及用户行为画像进行分析，得到与目标用户最匹配的房源信息作为最优房源。
获取最优房源的房源基本信息（例如最优房源的房源地址、房源图片、房源介绍、房源结构、房源价格、房源所属小区以及房源对应的经纪人等信息）的文本内容，提取文本关键字，作为展示文本。
获取所述房源图片的图片信息，包括尺寸等，对房源图片进行预处理，其中，可根据预设的图片阈值对房源图片进行处理。预设的图片阈值包括尺寸阈值、亮度阈值、像素阈值等。当房源图片小于尺寸阈值、亮度阈值和/或像素阈值时，对房源图片进行尺寸放大、亮度增强和/或图像增强处理，从而得到展示图片。
根据最优房源的展示文本以及展示图片生成房源展示图像，之后，可以将该房源展示图像推送至目标用户，以使用户可以根据房源展示图像快速、准确地获取感兴趣的房源及对应的经纪人信息，增强用户体验。
本发明的一个实施例中，将最优房源推送给目标用户之后，可以获取用户对最优房源对应的一系列的操作信息，并根据这些操作信息以及对该最优房源对应的经纪人发起的咨询请求中所包含的咨询信息，形成目标用户新的用户行为轨迹，并根据该新的用户行为轨迹对用户行为画像识别模型进行更新，使得能够实时自适应更新用户行为画像识别模型，进而使得根据该用户行为画像识别模型识别得到的用户行为画像更加准确。
综上所述，可以看出，本申请提供的实施例中，房产信息的推荐装置获取目标用户的行为轨迹，并根据目标用户的行为轨迹及预先训练好的用户行为画像识别模型生成目标用户对应的用户行为画像，根据用户行为画像确定与目标用户最关联的目标房源信息，并通过用户习惯使用的第二目标页面向目标用户推荐目标房源信息。由于是根据用户的行为轨迹生成的用户行为画像，使得得到的用户行为画像与房源信息更加贴合，这样在向用户推荐房源时，可以更加精准的确定用户的需求，实现精准推送。
图2示出了本发明房源信息的推荐装置实施例的结构示意图。如图2所示，该房源信息的推荐装置200包括：
获取单元210，用于获取目标用户的行为轨迹，所述行为轨迹包括所述目标用户对第一目标页面的浏览次数、浏览的资源类型以及浏览时长；
第一匹配单元220，用于根据所述目标用户的行为轨迹以及用户行为画像识别模型生成所述目标用户对应的用户行为画像，并根据所述用户行为画像从房源信息库中确定出匹配的第一房源信息列表；
第二匹配单元230，用于获取所述目标用户的基本信息，根据所述目标用户的基本信息从所述房源信息库中确定出匹配的第二房源信息列表；
第一确定单元240，用于根据所述用户行为画像确定第一房源信息权重，根据所述基本信息确定第二房源信息权重，将所述第一房源信息权重和所述第二房源信息权重进行加权得到目标房源信息权重：
Figure 381211DEST_PATH_IMAGE021
；
Figure 23676DEST_PATH_IMAGE022
；
其中，
Figure 941953DEST_PATH_IMAGE003
表示目标房源信息权重，
Figure 842913DEST_PATH_IMAGE004
表示第一房源信息权重，
Figure 264667DEST_PATH_IMAGE005
表示第二房源信息权重；
Figure 343613DEST_PATH_IMAGE006
表示第一房源信息权重对应的第一系数，
Figure 483607DEST_PATH_IMAGE007
表示所述第二房源信息权重对应的第二系数；所述第一系数与资源类型的浏览次数正相关；
第二确定单元250，用于根据所述目标房源信息权重、所述第一房源信息列表以及所述第二房源信息列表确定最优房源信息；所述第一房源信息权重和所述第二房源信息权重均包括房源各个信息维度的权重；
推荐单元260，用于向所述目标用户推荐所述最优房源信息。
在一种可选的方式中，所述获取单元210获取目标用户的行为轨迹包括：
当在所述第一目标页面接收所述目标用户的操作指令时，接收终端设备通过用户浏览轨迹上报接口上报的所述目标用户的目标行为数据，其中，所述用户浏览轨迹上报接口与所述目标页面相对应；
根据所述目标行为数据生成所述目标用户的行为轨迹；
或，
根据所述目标用户的标识从数据库中提取所述目标用户的目标行为数据，所述数据库中存储有包括所述目标用户在内的多个用户的行为轨迹；
根据所述目标行为数据生成所述目标用户的行为轨迹。
在一种可选的方式中，所述装置还包括：训练单元，所述训练单元用于：
获取N个用户的第一行为轨迹，所述N个用户的每个第一用户的行为轨迹包括所述每个第一用户对第三目标页面的浏览次数、浏览的资源类型以及浏览时长，所述第三目标页面为与房源信息相关联的页面；
对所述N个用户的行为轨迹进行数据处理；
对数据处理后的所述N个用户的行为轨迹进行训练，得到用户行为画像识别模型。
在一种可选的方式中，所述第二确定单元250还用于：
最优房源确定所述最优房源信息所对应的最优房源；
确定所述最优房源的房源基本信息以及所述最优房源的房源图片；
提取所述房源基本信息中的文本内容以及所述房源图片中的图片信息；
根据所述文本内容对应的文本关键字、所述图片信息对应的展示图片生成目标展示名片；
将所述目标展示名片推送至所述目标用户。
在一种可选的方式中，所述目标用户的基本信息包括工作地址信息、房产信息、婚姻信息、子女信息；所述目标房源信息包括目标房源的位置信息、产权信息、贷款信息、学位信息；本发明实施例中，根据所述基本信息及所述用户行为画像确定目标房源信息包括：
将所述目标用户的基本信息及所述用户行为画像与房源信息进行匹配，以确定所述目标房源信息。
本发明实施例的房源信息的推荐装置200的具体工作过程与上述方法实施例的具体方法步骤相同，此处不再赘述。
本申请提供的实施例中，房产信息的推荐装置获取目标用户的行为轨迹，并根据目标用户的行为轨迹及预先训练好的用户行为画像识别模型生成目标用户对应的用户行为画像，根据用户行为画像确定与目标用户最关联的目标房源信息，并通过用户习惯使用的第二目标页面向目标用户推荐目标房源信息。由于是根据用户的行为轨迹生成的用户行为画像，使得得到的用户行为画像与房源信息更加贴合，这样在向用户推荐房源时，可以更加精准的确定用户的需求，实现精准推送。
图3示出了本发明房源信息的推荐设备实施例的结构示意图，本发明具体实施例并不对房源信息的推荐设备的具体实现做限定。
如图3所示，该房源信息的推荐设备可以包括：处理器(processor)302、通信接口(Communications Interface)304、存储器(memory)306、以及通信总线308。
其中：处理器302、通信接口304、以及存储器306通过通信总线308完成相互间的通信。通信接口304，用于与其它设备比如客户端或其它服务器等的网元通信。处理器302，用于执行程序310，具体可以执行上述用于房源信息的推荐方法实施例中的相关步骤。
具体地，程序310可以包括程序代码，该程序代码包括计算机可执行指令。
处理器302可能是中央处理器CPU，或者是特定集成电路ASIC（ApplicationSpecific Integrated Circuit），或者是被配置成实施本发明实施例的一个或多个集成电路。房源信息的推荐设备包括的一个或多个处理器，可以是同一类型的处理器，如一个或多个CPU；也可以是不同类型的处理器，如一个或多个CPU以及一个或多个ASIC。
存储器306，用于存放程序310。存储器306可能包含高速RAM存储器，也可能还包括非易失性存储器（non-volatile memory），例如至少一个磁盘存储器。
程序310具体可以被处理器302调用使房源信息的推荐设备执行以下操作：
获取目标用户的行为轨迹，所述行为轨迹包括所述目标用户对第一目标页面的浏览次数、浏览的资源类型以及浏览时长；
根据所述目标用户的行为轨迹以及用户行为画像识别模型生成所述目标用户对应的用户行为画像，并根据所述用户行为画像从房源信息库中确定出匹配的第一房源信息列表；
获取所述目标用户的基本信息，根据所述目标用户的基本信息从所述房源信息库中确定出匹配的第二房源信息列表；
根据所述用户行为画像确定第一房源信息权重，根据所述基本信息确定第二房源信息权重，将所述第一房源信息权重和所述第二房源信息权重进行加权得到目标房源信息权重：
Figure 188258DEST_PATH_IMAGE023
；
Figure 730098DEST_PATH_IMAGE024
；
其中，
Figure 236735DEST_PATH_IMAGE003
表示目标房源信息权重，
Figure 864025DEST_PATH_IMAGE004
表示第一房源信息权重，
Figure 372367DEST_PATH_IMAGE005
表示第二房源信息权重；
Figure 253867DEST_PATH_IMAGE006
表示第一房源信息权重对应的第一系数，
Figure 923882DEST_PATH_IMAGE007
表示所述第二房源信息权重对应的第二系数；所述第一系数与资源类型的浏览次数正相关；
根据所述目标房源信息权重、所述第一房源信息列表以及所述第二房源信息列表确定最优房源信息；所述第一房源信息权重和所述第二房源信息权重均包括房源各个信息维度的权重；
向所述目标用户推荐所述最优房源信息。
在一种可选的方式中，所述获取目标用户的行为轨迹包括：
当在所述第一目标页面接收所述目标用户的操作指令时，接收终端设备通过用户浏览轨迹上报接口上报的所述目标用户的目标行为数据，其中，所述用户浏览轨迹上报接口与所述目标页面相对应；
根据所述目标行为数据生成所述目标用户的行为轨迹；
或，
根据所述目标用户的标识从数据库中提取所述目标用户的目标行为数据，所述数据库中存储有包括所述目标用户在内的多个用户的行为轨迹；
根据所述目标行为数据生成所述目标用户的行为轨迹。
在一种可选的方式中，所述方法还包括：
获取N个用户的第一行为轨迹，所述N个用户的每个第一用户的行为轨迹包括所述每个第一用户对第三目标页面的浏览次数、浏览的资源类型以及浏览时长，所述第三目标页面为与房源信息相关联的页面；
对所述N个用户的行为轨迹进行数据处理；
对数据处理后的所述N个用户的行为轨迹进行训练，得到用户行为画像识别模型。
在一种可选的方式中，所述方法还包括：
确定所述最优房源信息所对应的最优房源；
确定所述最优房源的房源基本信息以及所述最优房源的房源图片；
提取所述房源基本信息中的文本内容以及所述房源图片中的图片信息；
根据所述文本内容对应的文本关键字、所述图片信息对应的展示图片生成目标展示名片；
将所述目标展示名片推送至所述目标用户。
在一种可选的方式中，所述目标页面为与房源信息相关联的页面，所述第一目标页面包括小程序页面、网页页面及应用程序页面中的一种或多种；所述用户行为画像包括偏好房源信息、用户习惯使用的第二目标页面；所述第二目标页面为小程序页面、网页页面及应用程序页面中的任一种；所述向所述目标用户推荐所述最优房源信息，进一步包括：
通过所述第二目标页面向所述目标用户推荐所述最优房源信息。本申请提供的实施例中，房产信息的推荐装置获取目标用户的行为轨迹，并根据目标用户的行为轨迹及预先训练好的用户行为画像识别模型生成目标用户对应的用户行为画像，根据用户行为画像确定与目标用户最关联的目标房源信息，并通过用户习惯使用的第二目标页面向用户推荐目标房源信息。由于是根据用户的行为轨迹生成的用户行为画像，使得得到的用户行为画像与房源信息更加贴合，这样在向用户推荐房源时，可以更加精准的确定用户的需求，实现精准推送。
本发明实施例提供了一种计算机可读存储介质，所述存储介质存储有至少一可执行指令，该可执行指令在房源信息的推荐设备上运行时，使得所述房源信息的推荐设备执行上述任意方法实施例中的房源信息的推荐方法。
可执行指令具体可以用于使得海报制作设备执行以下操作：
获取目标用户的行为轨迹，所述行为轨迹包括所述目标用户对第一目标页面的浏览次数、浏览的资源类型以及浏览时长；
根据所述目标用户的行为轨迹以及用户行为画像识别模型生成所述目标用户对应的用户行为画像，并根据所述用户行为画像从房源信息库中确定出匹配的第一房源信息列表；
获取所述目标用户的基本信息，根据所述目标用户的基本信息从所述房源信息库中确定出匹配的第二房源信息列表；
根据所述用户行为画像确定第一房源信息权重，根据所述基本信息确定第二房源信息权重，将所述第一房源信息权重和所述第二房源信息权重进行加权得到目标房源信息权重：
Figure 304048DEST_PATH_IMAGE025
；
Figure 84922DEST_PATH_IMAGE026
；
其中，
Figure 352087DEST_PATH_IMAGE003
表示目标房源信息权重，
Figure 193004DEST_PATH_IMAGE004
表示第一房源信息权重，
Figure 794886DEST_PATH_IMAGE005
表示第二房源信息权重；
Figure 395763DEST_PATH_IMAGE006
表示第一房源信息权重对应的第一系数，
Figure 501122DEST_PATH_IMAGE007
表示所述第二房源信息权重对应的第二系数；所述第一系数与资源类型的浏览次数正相关；
根据所述目标房源信息权重、所述第一房源信息列表以及所述第二房源信息列表确定最优房源信息；所述第一房源信息权重和所述第二房源信息权重均包括房源各个信息维度的权重；
向所述目标用户推荐所述最优房源信息。
在一种可选的方式中，所述获取目标用户的行为轨迹包括：
当在所述第一目标页面接收所述目标用户的操作指令时，接收终端设备通过用户浏览轨迹上报接口上报的所述目标用户的目标行为数据，其中，所述用户浏览轨迹上报接口与所述目标页面相对应；
根据所述目标行为数据生成所述目标用户的行为轨迹；
或，
根据所述目标用户的标识从数据库中提取所述目标用户的目标行为数据，所述数据库中存储有包括所述目标用户在内的多个用户的行为轨迹；
根据所述目标行为数据生成所述目标用户的行为轨迹。
在一种可选的方式中，所述方法还包括：
获取N个用户的第一行为轨迹，所述N个用户的每个第一用户的行为轨迹包括所述每个第一用户对第三目标页面的浏览次数、浏览的资源类型以及浏览时长，所述第三目标页面为与房源信息相关联的页面；
对所述N个用户的行为轨迹进行数据处理；
对数据处理后的所述N个用户的行为轨迹进行训练，得到用户行为画像识别模型。
在一种可选的方式中，所述方法还包括：
确定所述最优房源信息所对应的最优房源；
确定所述最优房源的房源基本信息以及所述最优房源的房源图片；
提取所述房源基本信息中的文本内容以及所述房源图片中的图片信息；
根据所述文本内容对应的文本关键字、所述图片信息对应的展示图片生成目标展示名片；
将所述目标展示名片推送至所述目标用户。
在一种可选的方式中，所述目标页面为与房源信息相关联的页面，所述第一目标页面包括小程序页面、网页页面及应用程序页面中的一种或多种；所述用户行为画像包括偏好房源信息、用户习惯使用的第二目标页面；所述第二目标页面为小程序页面、网页页面及应用程序页面中的任一种；所述向所述目标用户推荐所述最优房源信息，进一步包括：
通过所述第二目标页面向所述目标用户推荐所述最优房源信息。
本申请提供的实施例中，房产信息的推荐装置获取目标用户的行为轨迹，并根据目标用户的行为轨迹及预先训练好的用户行为画像识别模型生成目标用户对应的用户行为画像，根据用户行为画像确定与目标用户最关联的目标房源信息，并通过用户习惯使用的第二目标页面向用户推荐目标房源信息。由于是根据用户的行为轨迹生成的用户行为画像，使得得到的用户行为画像与房源信息更加贴合，这样在向用户推荐房源时，可以更加精准的确定用户的需求，实现精准推送。
本发明实施例提供一种房源信息的推荐装置，用于执行上述房源信息的推荐方法。
本发明实施例提供了一种计算机程序，所述计算机程序可被处理器调用使房源信息的推荐设备执行上述任意方法实施例中的房源信息的推荐方法。
本发明实施例提供了一种计算机程序产品，计算机程序产品包括存储在计算机可读存储介质上的计算机程序，计算机程序包括程序指令，当程序指令在计算机上运行时，使得所述计算机执行上述任意方法实施例中的房源信息的推荐方法。
在此提供的算法或显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明实施例也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
类似地，应当理解，为了精简本发明并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明实施例的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。
本领域技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书（包括伴随的权利要求、摘要和附图）中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书（包括伴随的权利要求、摘要和附图）中公开的每个特征可以由提供相同、等同或相似目的替代特征来代替。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。上述实施例中的步骤，除有特殊说明外，不应理解为对执行顺序的限定。

Claims (10)

1.一种房源信息的推荐方法，其特征在于，包括：
获取目标用户的行为轨迹，所述行为轨迹包括所述目标用户对第一目标页面的浏览次数、浏览的资源类型以及浏览时长；
根据所述目标用户的行为轨迹以及用户行为画像识别模型生成所述目标用户对应的用户行为画像，并根据所述用户行为画像从房源信息库中确定出匹配的第一房源信息列表；
获取所述目标用户的基本信息，根据所述目标用户的基本信息从所述房源信息库中确定出匹配的第二房源信息列表；
根据所述用户行为画像确定第一房源信息权重，根据所述基本信息确定第二房源信息权重，将所述第一房源信息权重和所述第二房源信息权重进行加权得到目标房源信息权重：
Figure 271913DEST_PATH_IMAGE001
；
Figure 111824DEST_PATH_IMAGE002
；
其中，
Figure 500080DEST_PATH_IMAGE003
表示目标房源信息权重，
Figure 725525DEST_PATH_IMAGE004
表示第一房源信息权重，
Figure 658977DEST_PATH_IMAGE005
表示第二房源信息权重；
Figure 235452DEST_PATH_IMAGE006
表示第一房源信息权重对应的第一系数，
Figure 161820DEST_PATH_IMAGE007
表示所述第二房源信息权重对应的第二系数；所述第一系数与所述资源类型的浏览次数正相关；
根据所述目标房源信息权重、所述第一房源信息列表以及所述第二房源信息列表确定最优房源信息；所述第一房源信息权重和所述第二房源信息权重均包括房源各个信息维度的权重；
向所述目标用户推荐所述最优房源信息。
2.根据权利要求1所述的方法，其特征在于，所述获取目标用户的行为轨迹包括：
当在所述第一目标页面接收所述目标用户的操作指令时，接收终端设备通过用户浏览轨迹上报接口上报的所述目标用户的目标行为数据，其中，所述用户浏览轨迹上报接口与所述第一目标页面相对应；
根据所述目标行为数据生成所述目标用户的行为轨迹；
或，
根据所述目标用户的标识从数据库中提取所述目标用户的目标行为数据，所述数据库中存储有包括所述目标用户在内的多个用户的行为数据；
根据所述目标行为数据生成所述目标用户的行为轨迹。
3.根据权利要求1所述的方法，其特征在于，所述方法还包括：
获取N个用户的第一行为轨迹，所述N个用户的每个第一用户的行为轨迹包括所述每个第一用户对第三目标页面的浏览次数、浏览的资源类型以及浏览时长，所述第三目标页面为与房源信息相关联的页面；
对所述N个用户的行为轨迹进行数据处理；
对数据处理后的所述N个用户的行为轨迹进行训练，得到用户行为画像识别模型。
4.根据权利要求1至3中任一项所述的方法，其特征在于，所述方法还包括：
确定所述最优房源信息所对应的最优房源；
确定所述最优房源的房源基本信息以及所述最优房源的房源图片；
提取所述房源基本信息中的文本内容以及所述房源图片中的图片信息；
根据所述文本内容对应的文本关键字、所述图片信息对应的展示图片生成目标展示名片；
将所述目标展示名片推送至所述目标用户。
5.根据权利要求1至3中任一项所述的方法，其特征在于，所述目标页面为与房源信息相关联的页面，所述第一目标页面包括小程序页面、网页页面及应用程序页面中的一种或多种；所述用户行为画像包括偏好房源信息、用户习惯使用的第二目标页面；所述第二目标页面为小程序页面、网页页面及应用程序页面中的任一种；
所述向所述目标用户推荐所述最优房源信息，进一步包括：
通过所述第二目标页面向所述目标用户推荐所述最优房源信息。
6.一种房源信息的推荐装置，其特征在于，包括：
获取单元，用于获取目标用户的行为轨迹，所述行为轨迹包括所述目标用户对第一目标页面的浏览次数、浏览的资源类型以及浏览时长；
第一匹配单元，用于根据所述目标用户的行为轨迹以及用户行为画像识别模型生成所述目标用户对应的用户行为画像，并根据所述用户行为画像从房源信息库中确定出匹配的第一房源信息列表；
第二匹配单元，用于获取所述目标用户的基本信息，根据所述目标用户的基本信息从所述房源信息库中确定出匹配的第二房源信息列表；
第一确定单元，用于根据所述用户行为画像确定第一房源信息权重，根据所述基本信息确定第二房源信息权重，将所述第一房源信息权重和所述第二房源信息权重进行加权得到目标房源信息权重：
Figure 507350DEST_PATH_IMAGE008
；
Figure 877283DEST_PATH_IMAGE009
；
其中，
Figure 675475DEST_PATH_IMAGE003
表示目标房源信息权重，
Figure 405533DEST_PATH_IMAGE004
表示第一房源信息权重，
Figure 339991DEST_PATH_IMAGE005
表示第二房源信息权重；
Figure 149334DEST_PATH_IMAGE006
表示第一房源信息权重对应的第一系数，
Figure 434822DEST_PATH_IMAGE007
表示所述第二房源信息权重对应的第二系数；所述第一系数与资源类型的浏览次数正相关；
第二确定单元，用于根据所述目标房源信息权重、所述第一房源信息列表以及所述第二房源信息列表确定最优房源信息；所述第一房源信息权重和所述第二房源信息权重均包括房源各个信息维度的权重；
推荐单元，用于向所述目标用户推荐所述最优房源信息。
7.根据权利要求6所述的装置，其特征在于，所述获取单元获取目标用户的行为轨迹包括：
当在所述第一目标页面接收所述目标用户的操作指令时，接收终端设备通过用户浏览轨迹上报接口上报的所述目标用户的目标行为数据，其中，所述用户浏览轨迹上报接口与所述目标页面相对应；
根据所述目标行为数据生成所述目标用户的行为轨迹；
或，
根据所述目标用户的标识从数据库中提取所述目标用户的目标行为数据，所述数据库中存储有包括所述目标用户在内的多个用户的行为轨迹；
根据所述目标行为数据生成所述目标用户的行为轨迹。
8.根据权利要求6所述的装置，其特征在于，所述装置还包括：
训练单元，所述训练单元用于：
获取N个用户的第一行为轨迹，所述N个用户的每个第一用户的行为轨迹包括所述每个第一用户对第三目标页面的浏览次数、浏览的资源类型以及浏览时长，所述第三目标页面为与房源信息相关联的页面；
对所述N个用户的行为轨迹进行数据处理；
对数据处理后的所述N个用户的行为轨迹进行训练，得到用户行为画像识别模型。
9.一种房源信息的推荐设备，其特征在于，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；
所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行如权利要求1-5任意一项所述的房源信息的推荐方法的操作。
10.一种计算机可读存储介质，其特征在于，所述存储介质中存储有至少一可执行指令，所述可执行指令在房源信息的推荐设备上运行时，使得房源信息的推荐设备执行如权利要求1-5任意一项所述的房源信息的推荐方法的操作。
CN202011440275.9A 2020-12-11 2020-12-11 房源信息的推荐方法、装置、设备及可读存储介质 Pending CN112232933A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011440275.9A CN112232933A (zh) 2020-12-11 2020-12-11 房源信息的推荐方法、装置、设备及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011440275.9A CN112232933A (zh) 2020-12-11 2020-12-11 房源信息的推荐方法、装置、设备及可读存储介质

Publications (1)

Publication Number Publication Date
CN112232933A true CN112232933A (zh) 2021-01-15

Family

ID=74124013

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011440275.9A Pending CN112232933A (zh) 2020-12-11 2020-12-11 房源信息的推荐方法、装置、设备及可读存储介质

Country Status (1)

Country Link
CN (1) CN112232933A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113378040A (zh) * 2021-05-24 2021-09-10 山东浪潮爱购云链信息科技有限公司 一种用于推广的用户行为分析方法及设备
CN113536108A (zh) * 2021-05-31 2021-10-22 珠海大横琴科技发展有限公司 一种信息推荐的方法和装置
CN113641895A (zh) * 2021-07-22 2021-11-12 深圳宝家乡墅科技有限公司 一种用于别墅销售的用户信息管理方法、系统及存储介质
CN114520830A (zh) * 2021-02-04 2022-05-20 深圳思为科技有限公司 一种消息的推送方法、装置以及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109377329A (zh) * 2018-12-25 2019-02-22 北京时光荏苒科技有限公司 一种房源推荐方法、装置、存储介质及电子设备
CN110069619A (zh) * 2019-03-16 2019-07-30 平安城市建设科技(深圳)有限公司 房源展示方法、装置、设备及计算机可读存储介质
CN110796515A (zh) * 2019-09-26 2020-02-14 北京瑞卓喜创科技发展有限公司 一种房源推荐方法、装置、存储介质及移动终端
CN111143689A (zh) * 2019-12-31 2020-05-12 青梧桐有限责任公司 根据用户需求和用户画像构建推荐引擎的方法
CN111651584A (zh) * 2020-04-17 2020-09-11 世纪保众(北京)网络科技有限公司 一种基于用户行为特征及文章属性的保险文章推荐方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109377329A (zh) * 2018-12-25 2019-02-22 北京时光荏苒科技有限公司 一种房源推荐方法、装置、存储介质及电子设备
CN110069619A (zh) * 2019-03-16 2019-07-30 平安城市建设科技(深圳)有限公司 房源展示方法、装置、设备及计算机可读存储介质
CN110796515A (zh) * 2019-09-26 2020-02-14 北京瑞卓喜创科技发展有限公司 一种房源推荐方法、装置、存储介质及移动终端
CN111143689A (zh) * 2019-12-31 2020-05-12 青梧桐有限责任公司 根据用户需求和用户画像构建推荐引擎的方法
CN111651584A (zh) * 2020-04-17 2020-09-11 世纪保众(北京)网络科技有限公司 一种基于用户行为特征及文章属性的保险文章推荐方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114520830A (zh) * 2021-02-04 2022-05-20 深圳思为科技有限公司 一种消息的推送方法、装置以及系统
CN113378040A (zh) * 2021-05-24 2021-09-10 山东浪潮爱购云链信息科技有限公司 一种用于推广的用户行为分析方法及设备
CN113536108A (zh) * 2021-05-31 2021-10-22 珠海大横琴科技发展有限公司 一种信息推荐的方法和装置
CN113641895A (zh) * 2021-07-22 2021-11-12 深圳宝家乡墅科技有限公司 一种用于别墅销售的用户信息管理方法、系统及存储介质

Similar Documents

Publication Publication Date Title
CN109902708B (zh) 一种推荐模型训练方法及相关装置
CN112232933A (zh) 房源信息的推荐方法、装置、设备及可读存储介质
JP2019185716A (ja) エンティティ推薦方法及び装置
CN112000819A (zh) 多媒体资源推荐方法、装置、电子设备及存储介质
CN112733018B (zh) 一种基于图神经网络gnn和多任务学习的会话推荐方法
CN109168047B (zh) 视频推荐方法、装置、服务器及存储介质
CN109598307B (zh) 数据筛选方法、装置、服务器及存储介质
US10515378B2 (en) Extracting relevant features from electronic marketing data for training analytical models
CN108959329B (zh) 一种文本分类方法、装置、介质及设备
CN108269122B (zh) 广告的相似度处理方法和装置
CN111859149A (zh) 资讯信息推荐方法、装置、电子设备及存储介质
CN106897892A (zh) 广告投放方法及装置
CN109325179A (zh) 一种内容推广的方法及装置
CN111898031A (zh) 一种获得用户画像的方法及装置
CN111177559B (zh) 文旅服务推荐方法、装置、电子设备及存储介质
CN112487283A (zh) 训练模型的方法、装置、电子设备及可读存储介质
CN107885754B (zh) 基于lda模型从交易数据中提取信用变量的方法和装置
CN113327132A (zh) 多媒体推荐方法、装置、设备及存储介质
JP2020502710A (ja) ウェブページメイン画像認識方法及び装置
CN109344327B (zh) 用于生成信息的方法和装置
CN117009621A (zh) 信息搜索方法、装置、电子设备、存储介质及程序产品
CN112118486B (zh) 内容项投放方法、装置、计算机设备及存储介质
CN115878891A (zh) 直播内容生成方法、装置、设备以及计算机存储介质
CN114329055A (zh) 搜索推荐方法及推荐装置、电子设备、存储介质
CN109033078A (zh) 语句类别识别方法及装置、存储介质、处理器

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20210115

RJ01 Rejection of invention patent application after publication