CN113205383A - 一种房产智能推荐方法及系统 - Google Patents

一种房产智能推荐方法及系统 Download PDF

Info

Publication number
CN113205383A
CN113205383A CN202110493204.3A CN202110493204A CN113205383A CN 113205383 A CN113205383 A CN 113205383A CN 202110493204 A CN202110493204 A CN 202110493204A CN 113205383 A CN113205383 A CN 113205383A
Authority
CN
China
Prior art keywords
building
information
floor
floors
module
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
CN202110493204.3A
Other languages
English (en)
Inventor
赵宇斌
莫穗江
黄国强
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.)
Zhongshan Cloud Brokerage Network Technology Co ltd
Original Assignee
Zhongshan Cloud Brokerage Network Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Zhongshan Cloud Brokerage Network Technology Co ltd filed Critical Zhongshan Cloud Brokerage Network Technology Co ltd
Priority to CN202110493204.3A priority Critical patent/CN113205383A/zh
Publication of CN113205383A publication Critical patent/CN113205383A/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
    • 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
    • G06F16/9538—Presentation of query results
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Development Economics (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

本发明涉及大数据技术领域，尤其是涉及一种房产智能推荐方法及系统，本发明方法包括以下步骤：1)楼盘信息预处理：采集多个维度楼盘信息，提取楼盘特征，对每个楼盘特征进行量化和归一化处理，转换成楼盘特性向量，计算楼盘间相似度，并进行关联；2)推荐模式切换：实时接收用户访问请求，判断用户是否为新用户，切换至冷启动推荐模式或个性化推荐模式；3)执行冷启动推荐模式；4)执行个性化推荐模式。本发明系统包括该系统包括楼盘信息预处理模块、推荐模式切换模块、冷启动推荐模式执行模块、个性化推荐模式执行模块和数据储存模块，楼盘信息预处理模块包括信息采集模块、特征提取模块、向量化模块和相似度计算模块。

Description

一种房产智能推荐方法及系统
技术领域
本发明涉及大数据技术领域，尤其是一种房产智能推荐方法及系统。
背景技术
目前，市面上已存在大量的房产相关APP产品，每一个APP产品都存在大量的楼盘信息内容，为购房者提供更多的房产服务。
随着房产业务的发展及其数据的沉淀，以及房地产项目开发愈发增多，市面上出现了大量与房产相关APP产品，每个APP产品内都存有大量楼盘信息用于为购房者提供更多的房产服务。然而，此类房产销售服务用APP产品，随其所容纳楼盘信息的大幅增加以及购房者用户的不断增长，导致信息量剧增，带来以下两种现象：
一、购房者需要在海量楼盘信息里寻找符合自身需求的目标楼盘，形同大海捞针；
二、大量优质房源因有限的曝光位置而无法对目标购房者进行展示，造成无法进行有效曝光及转化。
针对上述两种现象，目前采用的解决方案，一种是从购房者用户角度及目标出发，以用户手动对各个子信息维度进行手动筛选切入；第二种是从业务层角度出发，以当前区域主打业务的目标楼盘进行强行排序曝光。虽然，这两种方案在处理方式及流程上都比较简单，但并没有达到更好的业务效果，究其原因主要是：购房者的购房决策因素并非单一维度，更多的是要综合多个条件来衡量和缩小选择范围，才能确定最终的购房意向；主打业务强推荐虽然能够更有效地曝光最近主打业务，但也容易将更多非主打业务的目标用户进行多余曝光，从而导致对业务产品造成劝退流失的情况增多，影响了业务的可持续性发展。
发明内容
本发明的目的在于针对现有技术的情况，提供一种设计合理，能够围绕用户个人喜好进行针对性精准推荐，达到“千人千面”个性化展示效果，有利于提升业务转化率的房产智能推荐方法，同时提供一种设计合理，结构简单的房产智能推荐系统。
为了实现上述第一个目的，本发明采用以下技术方案：
一种房产智能推荐方法，其包括以下步骤：
1)楼盘信息预处理：采集互联网上楼盘多个维度的楼盘信息，并对楼盘信息进行楼盘特征提取，获得多个楼盘特征；对每个楼盘特征进行量化和归一化处理，转换成计算机可计算的楼盘特性向量，存入楼盘特征向量库；周期性计算每个楼盘与其余各楼盘之间基于楼盘特征向量的相似度，根据相似度计算结果确定最相似的N个楼盘作为每个楼盘对应的N个相似楼盘，并进行关联；其中，N为大于0的自然数；
2)推荐模式切换：实时接收用户访问请求，根据用户行为数据及浏览记录判断用户是否为新用户，若是新用户，则切换至冷启动推荐模式，若不是新用户，则切换至个性化推荐模式；
3)执行冷启动推荐模式：根据业务配置调取相应区域业务目标楼盘的楼盘信息，将业务目标楼盘按照最近主打楼盘靠前的规则进行首屏排序和展示；根据用户的筛查指令调取相关楼盘的楼盘信息进行排序更新和展示；期间，采集用户行为数据及浏览记录进行储存；
4)执行个性化推荐模式：从储存的用户行为数据及浏览记录中提取浏览过的M个楼盘存入意向楼盘列表，并赋予M个楼盘不同权重值；调取意向楼盘列表中每个楼盘相关联的N个相似楼盘存入包含M×N个相似楼盘的相似楼盘列表；基于相似楼盘列表中M×N个相似楼盘的楼盘信息，按照权重值大小进行首屏排序和展示；其中，M为大于0的自然数；期间，采集用户行为数据及浏览记录进行去重更新和储存。
作为优选，步骤1)中楼盘信息至少包括楼盘基础信息、小区配套信息和周边配套信息这三个维度信息中的两个以上。
作为优选，所述楼盘基础信息包括楼盘ID，以及楼盘的地段、参考均价、占地面积、总建筑面积、总户数、开盘与交楼时间、开发商等级和物业管理信息中的一种以上。
作为优选，所述小区配套信息包括楼盘的绿化率、容积率、车位配比、车位数、房屋层数、朝向等级、户型结构和电梯配置信息中的一种以上。
作为优选，所述周边配套信息包括楼盘周边的教育、交通、医疗、生活、娱乐和商业信息中的一种以上。
作为优选，步骤1)是在离线环境下对每个楼盘特征进行量化和归一化处理，转换成计算机可计算的楼盘特性向量。
作为优选，步骤1)是周期性在离线环境下采用欧氏距离计算公式计算每个楼盘与其余各楼盘之间基于楼盘特征向量的相似度，根据相似度计算结果确定最相似的N个楼盘作为每个楼盘对应的N个相似楼盘，并进行关联。
作为优选，步骤2)中用户行为数据包括应用行为数据、搜索行为数据以及收藏行为数据，浏览记录包括所浏览楼盘的楼盘ID、feed流浏览时长和浏览次数。
为了实现上述第二个目的，本发明采用以下技术方案：
一种房产智能推荐系统，该系统包括楼盘信息预处理模块、推荐模式切换模块、冷启动推荐模式执行模块、个性化推荐模式执行模块和数据储存模块，楼盘信息预处理模块包括信息采集模块、特征提取模块、向量化模块和相似度计算模块；其中，
信息采集模块，用于采集互联网上楼盘多个维度的楼盘信息；
特征提取模块，用于对楼盘信息进行楼盘特征提取；
向量化模块，用于对每个楼盘特征进行量化和归一化，转换成计算机可计算的楼盘特性向量；
相似度计算模块，用于周期性计算每个楼盘与其余各楼盘之间基于楼盘特征向量的相似度，根据相似度计算结果确定最相似的N个楼盘作为每个楼盘对应的N个相似楼盘，并进行关联；其中，N为大于0的自然数；
推荐模式切换模块，用于实时接收用户访问请求，根据用户行为数据及浏览记录判断用户是否为新用户，并根据判断结果切换至冷启动推荐模式或者个性化推荐模式；
冷启动推荐模式执行模块，用于根据业务配置调取相应区域业务目标楼盘的楼盘信息，将业务目标楼盘按照最近主打楼盘靠前的规则进行首屏排序和展示，并根据用户的筛查指令调取相关楼盘的楼盘信息进行排序更新和展示；
个性化推荐模式执行模块，用于从储存的用户行为数据及浏览记录中提取浏览过的M个楼盘存入意向楼盘列表，并赋予M个楼盘不同权重值，调取意向楼盘列表中每个楼盘相关联的N个相似楼盘存入包含M×N个相似楼盘的相似楼盘列表，基于相似楼盘列表中M×N个相似楼盘的楼盘信息，按照权重值大小进行首屏排序和展示；其中，M为大于0的自然数；
数据储存模块，用于储存楼盘信息、楼盘特征、楼盘特性向量、相似度计算结果、用户行为数据及浏览记录。
本发明采用以上技术方案，其工作原理如下：
在楼盘信息预处理时，通过多个维度采集楼盘信息，使其能够从楼盘信息中提取到更多楼盘特征，通过对每个楼盘特征进行量化和归一化，使其转换成计算机可计算的楼盘特性向量，从而能够对每个楼盘与其余各楼盘之间基于多个维度的楼盘特征向量进行相似度计算，相似度计算结果更加精确，综合性也更高，有利于后续采用两种不同推荐模式更精准的针对不同客户进行楼盘推荐；
在推荐模式切换时，通过实时接收用户访问请求，在有用户访问时，先检索是否储存有用户行为数据及浏览记录，若有记录，则判断该用户不是新用户，否则判断该用户是新用户，若是新用户，则切换至冷启动推荐模式，若不是新用户，则切换至个性化推荐模式，相比传统房产销售服务用APP产品单一维度和单一模式的推荐方式，本发明推荐方法更多样化和个性化；
在执行冷启动推荐模式时，将业务目标楼盘按照最近主打楼盘靠前的规则进行首屏排序和展示，使得当前预售区域的主打楼盘能够作为用户第一次浏览的切入点，提高了主打楼盘曝光率，同时用户也可以根据自己意向在目标筛选窗口选择预设楼盘特征作为筛查指令，调取相关楼盘的楼盘信息对首屏显示界面进行楼盘排序更新和展示，基于调取的是进行预处理后的楼盘信息，使得该冷启动推荐模式相比传统模式能更全面、更多维度、更流畅的展示楼盘信息；期间，采集用户行为数据及浏览记录进行储存，以便为后续进行推荐模式切换提供触发基础；
在执行个性化推荐模式时，从储存的用户行为数据及浏览记录中提取浏览过的M个楼盘存入意向楼盘列表，并根据每个楼盘是否被用户收藏、搜索涉及的楼盘特征、feed流浏览时长、被浏览次数等因素，结合用户使用应用行为，预测用户感兴趣的楼盘类型和关注的楼盘特征，并据此对M个楼盘赋予不同权重值，由于在离线环境下已经提前做好楼盘间的相似性关联，使得在个性化推荐模式时，能够快速调取到每个楼盘的相似楼盘列表，并按照权重值大小进行首屏排序和展示，不仅大大提高了相似楼盘的调取和展示速度，使得更多历史楼盘能够基于个性化曝光于用户，而且方便用户从海量楼盘中找到最符合心意的楼盘，大大提升了用户体验满意度、业务推荐率和转换率；期间，采集用户行为数据及浏览记录进行去重更新和储存，从而实现意向楼盘列表和相似楼盘列表的持续更新，形成良好的房产推荐流程智能闭环。
附图说明
为了更清楚地说明本发明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发明的一些实施例，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为本发明房产智能推荐方法的流程框图；
图2为本发明房产智能推荐系统的连接示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加简洁明了，本发明将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
如图1所示，本发明的房产智能推荐方法，其包括以下步骤：
1)楼盘信息预处理：采集互联网上楼盘多个维度的楼盘信息，并对楼盘信息进行楼盘特征提取，获得多个楼盘特征；对每个楼盘特征进行量化和归一化处理，转换成计算机可计算的楼盘特性向量，存入楼盘特征向量库；周期性计算每个楼盘与其余各楼盘之间基于楼盘特征向量的相似度，根据相似度计算结果确定最相似的N个楼盘作为每个楼盘对应的N个相似楼盘，并进行关联；其中，N为大于0的自然数；
2)推荐模式切换：实时接收用户访问请求，根据用户行为数据及浏览记录判断用户是否为新用户，若是新用户，则切换至冷启动推荐模式，若不是新用户，则切换至个性化推荐模式；
3)执行冷启动推荐模式：根据业务配置调取相应区域业务目标楼盘的楼盘信息，将业务目标楼盘按照最近主打楼盘靠前的规则进行首屏排序和展示；根据用户的筛查指令调取相关楼盘的楼盘信息进行排序更新和展示；期间，采集用户行为数据及浏览记录进行储存；
4)执行个性化推荐模式：从储存的用户行为数据及浏览记录中提取浏览过的M个楼盘存入意向楼盘列表，并赋予M个楼盘不同权重值；调取意向楼盘列表中每个楼盘相关联的N个相似楼盘存入包含M×N个相似楼盘的相似楼盘列表；基于相似楼盘列表中M×N个相似楼盘的楼盘信息，按照权重值大小进行首屏排序和展示；其中，M为大于0的自然数；期间，采集用户行为数据及浏览记录进行去重更新和储存。
作为优选，步骤1)中楼盘信息至少包括楼盘基础信息、小区配套信息和周边配套信息这三个维度信息中的两个以上。
作为优选，所述楼盘基础信息包括楼盘ID，以及楼盘的地段、参考均价、占地面积、总建筑面积、总户数、开盘与交楼时间、开发商等级和物业管理信息中的一种以上。
作为优选，所述小区配套信息包括楼盘的绿化率、容积率、车位配比、车位数、房屋层数、朝向等级、户型结构和电梯配置信息中的一种以上。
作为优选，所述周边配套信息包括楼盘周边的教育、交通、医疗、生活、娱乐和商业信息中的一种以上。
作为优选，步骤1)是在离线环境下对每个楼盘特征进行量化和归一化处理，转换成计算机可计算的楼盘特性向量。
作为优选，步骤1)是周期性在离线环境下采用欧氏距离计算公式计算每个楼盘与其余各楼盘之间基于楼盘特征向量的相似度，根据相似度计算结果确定最相似的N个楼盘作为每个楼盘对应的N个相似楼盘，并进行关联。
作为优选，步骤2)中用户行为数据包括应用行为数据、搜索行为数据以及收藏行为数据，浏览记录包括所浏览楼盘的楼盘ID、feed流浏览时长和浏览次数。
如图2所示，本发明的房产智能推荐系统，该系统包括楼盘信息预处理模块、推荐模式切换模块、冷启动推荐模式执行模块、个性化推荐模式执行模块和数据储存模块，楼盘信息预处理模块包括信息采集模块、特征提取模块、向量化模块和相似度计算模块；其中，
信息采集模块，用于采集互联网上楼盘多个维度的楼盘信息；
特征提取模块，用于对楼盘信息进行楼盘特征提取；
向量化模块，用于对每个楼盘特征进行量化和归一化，转换成计算机可计算的楼盘特性向量；
相似度计算模块，用于周期性计算每个楼盘与其余各楼盘之间基于楼盘特征向量的相似度，根据相似度计算结果确定最相似的N个楼盘作为每个楼盘对应的N个相似楼盘，并进行关联；其中，N为大于0的自然数；
推荐模式切换模块，用于实时接收用户访问请求，根据用户行为数据及浏览记录判断用户是否为新用户，并根据判断结果切换至冷启动推荐模式或者个性化推荐模式；
冷启动推荐模式执行模块，用于根据业务配置调取相应区域业务目标楼盘的楼盘信息，将业务目标楼盘按照最近主打楼盘靠前的规则进行首屏排序和展示，并根据用户的筛查指令调取相关楼盘的楼盘信息进行排序更新和展示；
个性化推荐模式执行模块，用于从储存的用户行为数据及浏览记录中提取浏览过的M个楼盘存入意向楼盘列表，并赋予M个楼盘不同权重值，调取意向楼盘列表中每个楼盘相关联的N个相似楼盘存入包含M×N个相似楼盘的相似楼盘列表，基于相似楼盘列表中M×N个相似楼盘的楼盘信息，按照权重值大小进行首屏排序和展示；其中，M为大于0的自然数；
数据储存模块，用于储存楼盘信息、楼盘特征、楼盘特性向量、相似度计算结果、用户行为数据及浏览记录。
本发明采用以上技术方案，其工作原理如下：
在楼盘信息预处理时，通过多个维度采集楼盘信息，使其能够从楼盘信息中提取到更多楼盘特征，通过对每个楼盘特征进行量化和归一化，使其转换成计算机可计算的楼盘特性向量，从而能够对每个楼盘与其余各楼盘之间基于多个维度的楼盘特征向量进行相似度计算，相似度计算结果更加精确，综合性也更高，有利于后续采用两种不同推荐模式更精准的针对不同客户进行楼盘推荐；
在推荐模式切换时，通过实时接收用户访问请求，在有用户访问时，先检索是否储存有用户行为数据及浏览记录，若有记录，则判断该用户不是新用户，否则判断该用户是新用户，若是新用户，则切换至冷启动推荐模式，若不是新用户，则切换至个性化推荐模式，相比传统房产销售服务用APP产品单一维度和单一模式的推荐方式，本发明推荐方法更多样化和个性化；
在执行冷启动推荐模式时，将业务目标楼盘按照最近主打楼盘靠前的规则进行首屏排序和展示，使得当前预售区域的主打楼盘能够作为用户第一次浏览的切入点，提高了主打楼盘曝光率，同时用户也可以根据自己意向在目标筛选窗口选择预设楼盘特征作为筛查指令，调取相关楼盘的楼盘信息对首屏显示界面进行楼盘排序更新和展示，基于调取的是进行预处理后的楼盘信息，使得该冷启动推荐模式相比传统模式能更全面、更多维度、更流畅的展示楼盘信息；期间，采集用户行为数据及浏览记录进行储存，以便为后续进行推荐模式切换提供触发基础；
在执行个性化推荐模式时，从储存的用户行为数据及浏览记录中提取浏览过的M个楼盘存入意向楼盘列表，并根据每个楼盘是否被用户收藏、搜索涉及的楼盘特征、feed流浏览时长、被浏览次数等因素，结合用户使用应用行为，预测用户感兴趣的楼盘类型和关注的楼盘特征，并据此对M个楼盘赋予不同权重值，由于在离线环境下已经提前做好楼盘间的相似性关联，使得在个性化推荐模式时，能够快速调取到每个楼盘的相似楼盘列表，并按照权重值大小进行首屏排序和展示，不仅大大提高了相似楼盘的调取和展示速度，使得更多历史楼盘能够基于个性化曝光于用户，而且方便用户从海量楼盘中找到最符合心意的楼盘，大大提升了用户体验满意度、业务推荐率和转换率；期间，采集用户行为数据及浏览记录进行去重更新和储存，从而实现意向楼盘列表和相似楼盘列表的持续更新，形成良好的房产推荐流程智能闭环。
本发明楼盘信息中各维度信息均为本领域常用信息，例如：楼盘的地段直接体现了楼盘区位因素，可使用第三方地图API提供的经纬度值进行量化；物业管理是衡量一个小区生活品质的重要指标，一个小区的卫生、治安、环境及档次的高低可以从物业管理费体现，可直接使用物业管理费实际数值进行量化；容积率指某楼盘小区内的总建筑面积与用地面积之比，体现了小区内人口密集程度，可直接使用容积率实际数值进行量化；绿化率指小区用地范围内各类绿地的总和与小区用地的比率,主要包括公共绿地、住宅周边的绿地、配套公建所属绿地和道路两旁的绿地等，直接使用绿地率实际数值进行量化；交通状况指小区周边交通便利的程度，是区位因素主要考虑的因素之一，可使用小区1千米内公交站、地铁站的数量值、小区到最近的公交、地铁的距离数值等进行量化；生活配套设施指基本的生活设施完备程度，按其功能分为两类，一类是为日常生活服务的各类设施，包括医院、银行、超市、景点等设施，另一类是文化教育设施，包括中小学、幼儿园、大学等，可使用小区1千米内医院、银行、商场、景点、学校的数量值等进行量化；而对于部分非数字字段维度(如开发商等级等)，则通过行业质量定数为0级、1级、2级、3级进行量化，等等。
以上所述为本发明的较佳具体实施例，应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验所做的均等变化、修改、替换和变型，皆应在由权利要求书所确定的保护范围内。

Claims (9)

1.一种房产智能推荐方法，其特征在于：其包括以下步骤：
1)楼盘信息预处理：采集互联网上楼盘多个维度的楼盘信息，并对楼盘信息进行楼盘特征提取，获得多个楼盘特征；对每个楼盘特征进行量化和归一化处理，转换成计算机可计算的楼盘特性向量，存入楼盘特征向量库；周期性计算每个楼盘与其余各楼盘之间基于楼盘特征向量的相似度，根据相似度计算结果确定最相似的N个楼盘作为每个楼盘对应的N个相似楼盘，并进行关联；其中，N为大于0的自然数；
2)推荐模式切换：实时接收用户访问请求，根据用户行为数据及浏览记录判断用户是否为新用户，若是新用户，则切换至冷启动推荐模式，若不是新用户，则切换至个性化推荐模式；
3)执行冷启动推荐模式：根据业务配置调取相应区域业务目标楼盘的楼盘信息，将业务目标楼盘按照最近主打楼盘靠前的规则进行首屏排序和展示；根据用户的筛查指令调取相关楼盘的楼盘信息进行排序更新和展示；期间，采集用户行为数据及浏览记录进行储存；
4)执行个性化推荐模式：从储存的用户行为数据及浏览记录中提取浏览过的M个楼盘存入意向楼盘列表，并赋予M个楼盘不同权重值；调取意向楼盘列表中每个楼盘相关联的N个相似楼盘存入包含M×N个相似楼盘的相似楼盘列表；基于相似楼盘列表中M×N个相似楼盘的楼盘信息，按照权重值大小进行首屏排序和展示；其中，M为大于0的自然数；期间，采集用户行为数据及浏览记录进行去重更新和储存。
2.根据权利要求1所述的房产智能推荐方法，其特征在于：步骤1)中楼盘信息至少包括楼盘基础信息、小区配套信息和周边配套信息这三个维度信息中的两个以上。
3.根据权利要求2所述的房产智能推荐方法，其特征在于：所述楼盘基础信息包括楼盘ID，以及楼盘的地段、参考均价、占地面积、总建筑面积、总户数、开盘与交楼时间、开发商等级和物业管理信息中的一种以上。
4.根据权利要求2所述的房产智能推荐方法，其特征在于：所述小区配套信息包括楼盘的绿化率、容积率、车位配比、车位数、房屋层数、朝向等级、户型结构和电梯配置信息中的一种以上。
5.根据权利要求2所述的房产智能推荐方法，其特征在于：所述周边配套信息包括楼盘周边的教育、交通、医疗、生活、娱乐和商业信息中的一种以上。
6.根据权利要求1所述的房产智能推荐方法，其特征在于：步骤1)是在离线环境下对每个楼盘特征进行量化和归一化处理，转换成计算机可计算的楼盘特性向量。
7.根据权利要求1所述的房产智能推荐方法，其特征在于：步骤1)是周期性在离线环境下采用欧氏距离计算公式计算每个楼盘与其余各楼盘之间基于楼盘特征向量的相似度，根据相似度计算结果确定最相似的N个楼盘作为每个楼盘对应的N个相似楼盘，并进行关联。
8.根据权利要求1所述的房产智能推荐方法，其特征在于：步骤2)中用户行为数据包括应用行为数据、搜索行为数据以及收藏行为数据，浏览记录包括所浏览楼盘的楼盘ID、feed流浏览时长和浏览次数。
9.一种房产智能推荐系统，其特征在于：该系统包括楼盘信息预处理模块、推荐模式切换模块、冷启动推荐模式执行模块、个性化推荐模式执行模块和数据储存模块，楼盘信息预处理模块包括信息采集模块、特征提取模块、向量化模块和相似度计算模块；其中，
信息采集模块，用于采集互联网上楼盘多个维度的楼盘信息；
特征提取模块，用于对楼盘信息进行楼盘特征提取；
向量化模块，用于对每个楼盘特征进行量化和归一化，转换成计算机可计算的楼盘特性向量；
相似度计算模块，用于周期性计算每个楼盘与其余各楼盘之间基于楼盘特征向量的相似度，根据相似度计算结果确定最相似的N个楼盘作为每个楼盘对应的N个相似楼盘，并进行关联；其中，N为大于0的自然数；
推荐模式切换模块，用于实时接收用户访问请求，根据用户行为数据及浏览记录判断用户是否为新用户，并根据判断结果切换至冷启动推荐模式或者个性化推荐模式；
冷启动推荐模式执行模块，用于根据业务配置调取相应区域业务目标楼盘的楼盘信息，将业务目标楼盘按照最近主打楼盘靠前的规则进行首屏排序和展示，并根据用户的筛查指令调取相关楼盘的楼盘信息进行排序更新和展示；
个性化推荐模式执行模块，用于从储存的用户行为数据及浏览记录中提取浏览过的M个楼盘存入意向楼盘列表，并赋予M个楼盘不同权重值，调取意向楼盘列表中每个楼盘相关联的N个相似楼盘存入包含M×N个相似楼盘的相似楼盘列表，基于相似楼盘列表中M×N个相似楼盘的楼盘信息，按照权重值大小进行首屏排序和展示；其中，M为大于0的自然数；
数据储存模块，用于储存楼盘信息、楼盘特征、楼盘特性向量、相似度计算结果、用户行为数据及浏览记录。
CN202110493204.3A 2021-05-07 2021-05-07 一种房产智能推荐方法及系统 Pending CN113205383A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110493204.3A CN113205383A (zh) 2021-05-07 2021-05-07 一种房产智能推荐方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110493204.3A CN113205383A (zh) 2021-05-07 2021-05-07 一种房产智能推荐方法及系统

Publications (1)

Publication Number Publication Date
CN113205383A true CN113205383A (zh) 2021-08-03

Family

ID=77030232

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110493204.3A Pending CN113205383A (zh) 2021-05-07 2021-05-07 一种房产智能推荐方法及系统

Country Status (1)

Country Link
CN (1) CN113205383A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113821726A (zh) * 2021-09-24 2021-12-21 北京搜房科技发展有限公司 消息推送方法及装置
CN114880580A (zh) * 2022-06-15 2022-08-09 北京百度网讯科技有限公司 信息推荐方法及装置、电子设备和介质
CN115239400A (zh) * 2022-09-21 2022-10-25 广州越创智数信息科技有限公司 一种购房用户意向度计算方法及系统
TWI826823B (zh) * 2021-09-03 2023-12-21 信義房屋股份有限公司 依據地區性推估客戶需求的分析裝置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017062194A1 (en) * 2015-10-09 2017-04-13 Mastercard International Incorporated Method and system for providing a housing recommendation
CN109658192A (zh) * 2018-12-20 2019-04-19 重庆锐云科技有限公司 一种房源推荐方法及服务器
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
CN110134716A (zh) * 2019-04-12 2019-08-16 平安城市建设科技(深圳)有限公司 信息查询方法、信息查询平台、设备及可读存储介质
CN110532479A (zh) * 2019-09-05 2019-12-03 北京思维造物信息科技股份有限公司 一种信息推荐方法、装置及设备
CN110634047A (zh) * 2019-09-05 2019-12-31 北京无限光场科技有限公司 一种推荐房源的方法、装置、电子设备及存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017062194A1 (en) * 2015-10-09 2017-04-13 Mastercard International Incorporated Method and system for providing a housing recommendation
CN109658192A (zh) * 2018-12-20 2019-04-19 重庆锐云科技有限公司 一种房源推荐方法及服务器
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
CN110134716A (zh) * 2019-04-12 2019-08-16 平安城市建设科技(深圳)有限公司 信息查询方法、信息查询平台、设备及可读存储介质
CN110532479A (zh) * 2019-09-05 2019-12-03 北京思维造物信息科技股份有限公司 一种信息推荐方法、装置及设备
CN110634047A (zh) * 2019-09-05 2019-12-31 北京无限光场科技有限公司 一种推荐房源的方法、装置、电子设备及存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
LIU FENG; GUO WEI-WEI: "Research on House Recommendation Model Based on Cosine Similarity in Deep Learning Mode in Grid Environment", 2019 INTERNATIONAL CONFERENCE ON VIRTUAL REALITY AND INTELLIGENT SYSTEMS (ICVRIS) *
毛凤华;: "基于聚类分析的二手房推荐研究――以北京市为例", 科技创业月刊, no. 05 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI826823B (zh) * 2021-09-03 2023-12-21 信義房屋股份有限公司 依據地區性推估客戶需求的分析裝置
CN113821726A (zh) * 2021-09-24 2021-12-21 北京搜房科技发展有限公司 消息推送方法及装置
CN113821726B (zh) * 2021-09-24 2024-04-26 北京搜房科技发展有限公司 消息推送方法及装置
CN114880580A (zh) * 2022-06-15 2022-08-09 北京百度网讯科技有限公司 信息推荐方法及装置、电子设备和介质
CN115239400A (zh) * 2022-09-21 2022-10-25 广州越创智数信息科技有限公司 一种购房用户意向度计算方法及系统

Similar Documents

Publication Publication Date Title
Yang et al. Hotel location evaluation: A combination of machine learning tools and web GIS
CN113205383A (zh) 一种房产智能推荐方法及系统
Gao et al. Location-centered house price prediction: A multi-task learning approach
AU2020102465A4 (en) A method of predicting housing price using the method of combining multiple source data with mathematical model
WO2006102381A2 (en) Constrained tree structure method and system
Cox et al. Subdividing the sprawl: Endogenous segmentation of housing submarkets in expansion areas of Santiago, Chile
Hall et al. A review of machine learning and satellite imagery for poverty prediction: Implications for development research and applications
Basar et al. A decision support methodology for locating bank branches: a case study in Turkey
Huang et al. Daily hotel demand forecasting with spatiotemporal features
Bera et al. Estimation of spatial association between housing price and local environmental amenities in Kolkata, India Using Hedonic Local Regression
Wang The effect of environment on housing prices: Evidence from the Google Street View
CN110633401A (zh) 一种门店数据的预测模型及其建立方法
Xu et al. Combining deep learning and crowd-sourcing images to predict housing quality in rural China
CN106850777B (zh) 推送信息的方法和装置
Bezerra et al. A preliminary exploration of uber data as an indicator of urban liveability
CN116257758A (zh) 模型训练方法、人群拓展方法、介质、装置和计算设备
Li et al. Inferring storefront vacancy using mobile sensing images and computer vision approaches
Chhetri et al. Modelling spatial fragmentation of the Brisbane housing market
Zhdanov et al. Machine learning approach to optimal restaurant location search
Mengüç et al. Feature selection by machine learning models to identify the public’s changing priorities during the COVID-19 pandemic
CN110400160B (zh) 识别竞品用户的方法、装置、电子设备和存储介质
Oskam Drivers of retail vacancy pre-Covid19: The effect of building and location factors
Orvin et al. A residential location search model based on the reasons for moving out
de Jong No place like home?: Residential mobility and housing preferences of older adults in the Netherlands
Purnomo et al. RFM-based customers clustering for precise industrial marketing strategy formulation

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