CN114329704A - 一种户型智能推荐方法 - Google Patents
一种户型智能推荐方法 Download PDFInfo
- Publication number
- CN114329704A CN114329704A CN202111588085.6A CN202111588085A CN114329704A CN 114329704 A CN114329704 A CN 114329704A CN 202111588085 A CN202111588085 A CN 202111588085A CN 114329704 A CN114329704 A CN 114329704A
- Authority
- CN
- China
- Prior art keywords
- user
- house type
- type
- house
- current
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 68
- 239000013598 vector Substances 0.000 claims description 51
- 238000004590 computer program Methods 0.000 claims description 15
- 238000012986 modification Methods 0.000 claims description 5
- 230000004048 modification Effects 0.000 claims description 5
- 230000004044 response Effects 0.000 claims description 4
- 230000008569 process Effects 0.000 abstract description 7
- 238000010801 machine learning Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 210000001145 finger joint Anatomy 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Images
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明实施例提供一种户型智能推荐方法,所述方法包括:接收步骤,接收用户输入的当前户型;获取步骤,基于所述当前户型获取与所述当前户型相似的第一备选户型;以及生成步骤,基于所述第一备选户型生成第一推荐户型列表。本发明的方法采用大数据统计和机器学习的方法,在用户绘制户型的过程中不断猜测用户的居住需求,从而实现了实时的户型智能推荐。
Description
技术领域
本发明实施例涉及一种户型智能推荐方法。
背景技术
在房产领域中,随着消费者对居住品质的需求日益增加,大家开始越来越关注房屋本身,而户型则是影响居住体验的最重要属性之一。为了满足消费者不同人口、居住场景等等的需求,户型显现出越来越差异化的布局设计,例如H户型、飞机户型等等。这些不同形象化的户型布局都各自对应了一类消费者的居住需求和场景,比如飞机户型其实是为了解决三代同堂代际间的生活差异问题,这种户型卧室分布在客厅两端,这样既可以满足一起生活的需求,也能最大限度地避免互相影响。
然而,用户在表达这种需求时,往往都很难抽象地用某一类户型进行表达,而更加直观的方式是通过在画布上描绘出自己心目中的户型。但问题在于:首先,绘制户型专业性要求很高,在现有相关画户型的产品中,几乎都是由设计师或者建筑师人员等专业人员使用,普通用户没有表达自己的户型需求的用户端工具;其次,用户可能仅能确定户型的一部分特征,而不知道满足自己居住需求的最终户型的全貌,现有的户型推荐无法根据部分户型特征来快速理解用户的居住需求。
因此,需要一种能够克服上述问题的户型智能推荐方法和装置,从而让用户能够表达出对于户型的需求,并实时对该需求进行理解和解析,以实现户型的智能推荐。
需要说明的是,以上背景技术部分所公开的信息仅用于增强对本发明背景的理解,因此其可能包含不构成对本领域技术人员已知的现有技术的信息。
发明内容
为了解决现有技术中存在的问题,本发明提供一种户型智能推荐方法及装置,其通过简单易用的户型编辑及抽象工具,让用户能够表达出对于户型的需求,并采用大数据统计和机器学习的方法,在用户绘制户型的过程中实时猜测用户的居住需求,从而克服现有技术中存在的问题。
本发明提供一种户型智能推荐方法,包括:接收步骤,接收用户输入的当前户型;获取步骤,基于所述当前户型获取与所述当前户型相似的第一备选户型;以及生成步骤,基于所述第一备选户型生成第一推荐户型列表
根据本发明一实施例,所述户型智能推荐方法还包括:提取所述当前户型的布局特征,基于所述当前户型获取与所述当前户型相似的第一备选户型包括:通过将所述当前户型的布局特征与户型库中的户型的布局特征比较,查找与所述当前户型相似的户型作为第一备选户型。
根据本发明一实施例,所述当前户型为用户利用预设的户型编辑工具而编辑得到,所述预设的户型编辑工具具有用户操作界面,所述用户操作界面包括绘图区和元素区,其中,用户通过利用所述元素区中的户型元素在所述绘图区中进行绘制来实现对户型的编辑,所述户型元素包括不同类型的房间。
根据本发明一实施例,所述户型智能推荐方法还包括:响应于检测到对所述当前户型进行的修改,对修改后的所述当前户型再次执行所述获取步骤和所述生成步骤。
根据本发明一实施例,对所述当前户型进行的修改包括以下中的一种或多种:户型元素的增加、减少、移动、旋转、缩放。
根据本发明一实施例,所述户型库包括多个户型类簇,每个户型类簇具有中心特征向量;通过将所述当前户型的布局特征与户型库中的户型的布局特征的比较,查找与所述当前户型相似的户型作为第一备选户型包括:分别将户型库中的户型和当前户型的布局特征向量化,得到户型库中每个户型的特征向量以及当前户型特征向量;计算所述当前户型特征向量与每个户型类簇的中心特征向量之间的距离,得到类簇距离;提取所述类簇距离小于第一阈值的户型类簇,作为相似户型类簇;以及将所述相似户型类簇下的户型作为第一备选户型。
根据本发明一实施例,基于所述第一备选户型生成第一推荐户型列表包括:获取所述用户的用户画像,并将所述用户画像向量化,得到用户画像特征向量;分别计算所述第一备选户型中的每个户型的特征向量与所述当前户型特征向量以及与用户画像特征向量之间的距离,得到户型相似距离和用户画像距离;分别为户型相似距离和用户画像距离设置权值,并计算二者的加权值,得到总相似距离;以及提取所述总相似距离小于第二阈值的户型,作为第一推荐户型列表。
根据本发明的另一方面,还提供一种户型智能推荐装置,包括:接收模块,其被配置为:接收用户输入的当前户型;获取模块,其被配置为:基于所述当前户型获取与所述当前户型相似的第一备选户型;以及生成模块,其被配置为:基于所述第一备选户型生成第一推荐户型列表。
根据本发明一实施例,所述户型智能推荐装置还包括:更新模块,其被配置为:监控用户编辑的当前户型是否发生变化,如果是,则将变化后的户型作为当前户型;如果否,则继续监控用户编辑的户型是否发生变化。
根据本发明的另一方面,还提供一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上所述的户型智能推荐方法的步骤。
根据本发明的另一方面,还提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上所述的户型智能推荐方法的步骤。
根据本发明的另一方面,还提供一种计算机程序产品,包括计算机指令,该计算机指令被处理器执行时实现如上所述的户型智能推荐方法的步骤。
本发明所提供的户型智能推荐方法及装置采用大数据统计和机器学习的方法,在用户绘制户型的过程中不断猜测用户的居住需求,从而实现了实时的户型智能推荐。
附图说明
以下将详细参考附图示出的特定示例性实施例,对本发明的上述和其他特征进行说明,所述示例性实施例在下文中仅以说明的方式给出,因此并不限制本发明,其中:
图1示出可适用于本发明的户型智能推荐方法方法的一个具体实施方式的示例性系统架构。
图2示出根据本发明一实施例的户型智能推荐方法的流程图。
图3示出根据本发明另一实施例的省略了与图2中相同步骤的户型智能推荐方法的流程图。
图4示出根据本发明一实施例的户型编辑工具的用户操作界面。
图5示出根据本发明一实施例的图1的步骤S1200的处理流程图。
图6示出根据本发明一实施例的图1的步骤S1300的处理流程图。
图7示出根据本发明一实施例的户型智能推荐装置的结构示意图。
图8示出根据本发明另一实施例的户型智能推荐装置的结构示意图。
具体实施方式
以下通过具体实施例对本发明进行详细描述,以使本领域普通技术人员能够容易地根据本说明书公开的内容实施本发明。以下所描述的实施例仅是本发明的一部分实施例,而非全部。基于本说明书所描述的实施例,本领域普通技术人员在不付出创造性劳动的前提下所获得的所有其它实施例,都属于本发明保护的范围。需要说明的是,在不发生冲突的情况下,本说明书中的实施例及实施例中的特征可以相互组合。
本文所使用的术语仅是为了说明特定实施例的目的,而非意在限制本发明。除非上下文另外特别指明,本文所使用的单数形式“一个”、“一种”和“该”也包括复数形式“多个”、“多种”和“该等”。本文所使用的“第一”、“第二”等词语仅用于区别不同特征、步骤、操作、元件和/或部件等,既不表示任何特定的技术含义,也不表示它们之间的必然逻辑顺序。本文所使用的词语“多个”可以指两个或两个以上,词语“至少一个”可以指一个、两个或两个以上。对于本文中提及的任何特征、步骤、操作、元件和/或部件,在上下文没有另外特别指明的情况下,一般可以理解为一个或多个。还应理解的是,本文使用的词语“包括”和/或“包含”指存在所述特征、步骤、操作、元件和/或部件,但不排除一个或多个其他特征、步骤、操作、元件、部件和/或其集合的存在或增加。本文所使用的词语“和/或”包括一个或多个相关列出项目的任何或全部组合。本文中的元件后缀“模块”和“单元”仅是用于便于描述,因此,其能够交替使用,并且不具有任何有区别的意义或功能。
当与本发明的说明有关的现有技术对于本领域的技术人员而言显而易见时,将省略其详细描述。还应理解的是,本说明书对各个实施例的描述着重于强调各实施例之间的不同之处,实施例间的相同或相似之处可以相互参考,本说明书为了简洁起见,不做一一赘述。
如图1示意性所示,其示出了可以适用于本发明的户型智能推荐方法的一个具体实施方式的示例性系统架构100。系统架构100可以包括终端设备101、102、103,以及网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信,其可以包括各种连接类型,例如有线、无线通信或者光纤电缆等。
用户可以使用终端设备101、102、103通过网络104与服务器105实现交互。终端设备101、102、103上可以安装有各种通信客户端应用,例如图像及视频拍摄应用、文本输入应用、网页浏览器应用、专业领域应用软件、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
在具体实施中,终端设备101、102、103可以根据实际需要实现为硬件,也可以实现为软件。当终端设备101、102、103实现为硬件时,可以是具有(触摸)显示屏并且支持语音、文本等各种输入的各种电子设备,包括但不限于个人电脑(包括笔记本计算机和台式计算机)、平板电脑、智能手机、车载终端、电子书阅读器、视频播放器等等。当终端设备101、102、103实现为软件时,可以安装在合适的电子设备中,实现成多个软件或软件模块(例如用来提供分布式服务),也可以实现为单个软件或软件模块。应当理解,图1中及以上描述的终端设备101、102、103实例在此仅作为示例,而不应被理解为具体限定。
服务器105可以是提供各种服务的服务器,例如是对终端设备101、102、103输入的各种信息,例如控制信号、语音或文本信息提供分析、响应和支持等处理的后台服务器。后台服务器可以对接收到的控制信号、语音或目标文本等信息进行分析等处理,并将处理结果通过网络104反馈给终端设备101、102、103。
在具体实施中,服务器105可以根据实际需要实现为硬件,也可以实现为软件。当服务器105实现为硬件时,可以实现成多个服务器组成的分布式服务器集群,也可以实现成单个服务器。当服务器105实现为软件时,可以实现成多个软件或软件模块(例如用来提供分布式服务),也可以实现成单个软件或软件模块。应当理解,图1中及以上描述的服务器105实例在此仅作为示例,而不应被理解为具体限定。
需要说明的是,本申请实施例所提供的户型智能推荐方法可以由终端设备101、102、103执行,也可以由服务器105执行,也可以由终端设备101、102、103与服务器105共同配合执行。相应地,户型智能推荐装置可以设置于终端设备101、102、103中,也可以设置于服务器105中,也可以设置于终端设备101、102、103和服务器105中。
可以理解的是,当本申请实施例所提供户型智能推荐方法由终端设备101、102、103执行时,上述系统架构100可以不包括网络104和服务器105。
应当理解,图1中的终端设备、网络和服务器的数目及种类仅仅是示意性的。在具体实施中,根据实际需要,可以具有任意数目和种类的终端设备、网络和服务器。
如图2所示,本发明提供了一种户型智能推荐方法1000。具体地,方法1000包括S1100处的接收步骤,接收用户输入的当前户型;S1200处的获取步骤,基于所述当前户型获取与所述当前户型相似的第一备选户型;以及S1300处的生成步骤,基于所述第一备选户型生成第一推荐户型列表。
具体地,在图2中所示的步骤S1100的本发明的一优选实施例中,所述当前户型为用户利用预设的户型编辑工具而编辑得到,所述预设的户型编辑工具具有用户操作界面,所述用户操作界面包括绘图区和元素区,其中,用户通过利用所述元素区中的户型元素在所述绘图区中的绘制来实现对户型的编辑,所述户型元素包括不同类型的房间。具体来说,户型编辑工具可由数据库、服务端、前端等多个模块构成,本领域技术人员容易理解,实现为用户操作界面的前端可以通过服务端调用数据库中的数据以及执行逻辑处理等来将信息展示给用户,即用户可在用户操作界面上使用户型编辑工具的功能并获取相应的信息。
进一步参见图4,其示意性示出了本发明一实施例的户型编辑工具的用户操作界面。如图4所示,该操作界面主要划分为元素区、绘图区和户型推荐区三部分,其中元素区可以设置在操作界面的右侧,其枚举了常见的居室或分间类型这样的户型元素,例如卧室、客/餐厅、厨房、卫生间、阳台等,用户可以通过例如手指的点击拖动,把对应的分间方块移动到绘图区,这样就完成了一个分间的添加;绘图区是呈现当前户型布局的区域,用户在拖动户型元素到该区域之后,可以在这个区域完成户型元素的添加、删除、移动、旋转、缩放等类型的编辑操作;图4中的户型推荐区位于操作界面的下方,该户型推荐区用于展示向用户推荐的户型,以便用户可以在其中选择心仪的户型,为后续向用户输出相应的房源做准备。在所述实施例中,各种编辑操作可以根据需要设置为通过不同的手势来实现,例如,利用双指完成缩放、利用手指关节的双击完成删除等。可替代地,上述上个区域还可以根据需要设置在用户界面的其他位置上,其中户型推荐区也可以不与绘图区和元素区设置在同一界面中,而是在用户完成户型编辑后,在下一界面向用户展示推荐户型。进一步地,所述户型编辑工具可以安装在图1所示的终端设备101、102、103上,服务器105实时与终端设备101、102、103进行通讯,通过所述户型编辑工具此种足够简化的界面,允许用户能够随时随地表达出脑海中梦想的户型布局,从而利于发现和了解用户更加具体的户型需求。
可替代地,用户还可以通过语音、文字等其他方式来输入当前户型,并且所述预设的户型编辑工具还可以创建为通过语音、手写、点击选项等方式来绘制户型,上文实施例仅出于利于说明的目的而并不是为了限制本发明。
如图3所示,其示出了根据本发明另一实施例的户型智能推荐方法2000的流程图的部分步骤。具体地:在S2010处获取所述用户的用户画像,所述用户画像包括与所述用户相关的用户特征;在S2020处在户型库中查找与所述用户画像对应的户型作为第二备选户型;在S2030处基于所述第二备选户型生成第二推荐户型列表;在S2040处判断用户是否选择了所述第二推荐户型列表中的任意户型:如果是,则该方法前进至S2050处输出与用户选择的户型对应的房源;如果否,则该方法前进至S2060处判断用户编辑的户型是否发生变化:如果是,则该方法前进至S2070处将变化后的户型作为当前户型;如果否,则该方法重复执行S2060中判断用户编辑的户型是否发生变化的步骤(即监控用户编辑的当前户型是否发生变化)。在步骤S2070之后,可执行与图2中所示相同的步骤S1100~S1300,图3中省略了该部分。
具体来说,在图3所示的步骤S2010处,获取所述用户的用户画像可以基于识别到用户登录房源网站、打开户型编辑工具、查找房源等动作被启动,例如当用户通过终端设备101、102、103打开户型编辑工具想要编辑理想的户型时,服务器105可以通过识别到这一动作启动获取用户画像,为后续帮助获得为用户推荐的房源奠定基础。在房产领域,用户画像例如可根据用户的操作日志和房源知识图谱来获得,根据用户画像,可更加深刻、准确地了解用户对房源户型的需求。对于获取用户画像的具体步骤,本领域技术人员可根据需要基于已知方法来获得,此处不再赘述。
随后,在图3所示的步骤S2020处,在户型库中查找与所述用户画像对应的户型作为第二备选户型;在步骤S2030处基于所述第二备选户型生成第二推荐户型列表。本领域技术人员容易理解,根据用户画像可确定用户感兴趣的户型所具有的特点,据此可查找具有所述特点的户型,并将这些符合用户需求的一个或多个户型作为第二备选户型,然后将该一个或多个第二备选户型列在列表中,即生成第二推荐户型列表,最终推荐给用户。
随后,在图3所示的步骤S2040处,判断用户是否选择了所述第二推荐户型列表中的任意户型:如果是,则该方法前进至S2050处输出与用户选择的户型对应的房源,容易理解地,在存储的房源中,每个房源都可被划分为属于某个户型类别,即每个户型下都有对应的数套房源,当用户选择了某个户型,则向用户展示其所选户型下的房源即可;如果否,则该方法前进至S2060处判断用户编辑的户型是否发生变化,即用户未选择所推荐的户型可能意味着其中并没有用户理想的户型,用户还将通过绘制户型来表达需求,用户编辑的户型发生变化意味着用户开始绘制户型或对绘制的户型进行了修改,在本发明一优选实施例中,用户编辑的户型发生变化包括以下情况中的一种或多种:户型元素的增加、减少、移动、旋转、缩放,任意上述情况都可表明用户对户型进行了进一步的绘制:如果是,则该方法前进至S2100处提取当前户型,即将用户进行了进一步绘制的户型作为当前户型,无论当前户型是否已经完全绘制为最终户型,都可提取该当前户型以能实时监测用户的户型需求;如果否,则该方法重复执行S2060中判断用户编辑的户型是否发生变化的步骤,也即是说,如果用户既未选择任何推荐的户型,也未对户型进行编辑,则重复判断用户编辑的户型是否发生变化,直到用户再次编辑户型,则在步骤S2070中将变化后的户型作为当前户型。在步骤S2070之后,可以执行与图2中所示相同的步骤S1100~S1400,即基于当前户型为用户推荐户型。换句话说,图3所示的实施例可以表示用户在进入户型智能推荐后,根据获取的用户画像向用户推荐可能想要的户型,此时没有提取任何的绘制户型的特征,所以这里的特征只会参考用户画像。如果用户未选择所推荐的户型,则用户可以从0开始绘制户型,在用户绘制过程中服务器105会实时检测提取当前户型的布局特征,然后在后台做最相似的聚类检索(下文将对此进行详细阐述)。
在图3所示的实施例中,其相较于图2所示的方法还包括额外的步骤:判断用户编辑的户型是否发生变化,即检测是否对当前户型进行了修改:如果是,则将变化后的户型作为当前户型;如果否,则重复判断用户编辑的户型是否发生变化。具体来说,图1中S1100步骤所述的接收用户输入的当前户型可以基于检测到用户编辑的户型发生变化而触发,也即是说,当检测到用户编辑的户型发生变化时,则提取变化后的户型,并随即执行图1中S1200~1300的步骤;如果未检测到用户编辑的户型发生变化,则持续重复该检测,即不断判断用户编辑的户型是否发生变化,直至检测到变化。需要说明的是,判断用户编辑的户型是否发生变化的步骤可在图2中所示的任意步骤发生,而非仅可在步骤S1100之前发生,并且,在图3中的步骤S1050处,当用户选择了推荐的户型并向用户输出相应房源的同时/之后,也可判断用户编辑的户型是否发生变化,因为对用户编辑的户型是否发生变化的监测是实时的、持续的,所以无论在何时检测到变化都将触发最新一轮的户型推荐。
在上文所述的实施例中,户型编辑工具可以设置为基于自动检测到用户编辑的户型发生变化来实时向用户推荐户型,可替代地,还可以设置为基于用户登录户型编辑工具的用户界面,或者用户点击图4中右下方的“查询”等触发向用户推荐户型的动作。
回到图1,方法1000随后在步骤S1200处基于所述当前户型获取与所述当前户型相似的第一备选户型。在本发明一优选实施例中,该步骤还包括提取所述当前户型的布局特征。在房产领域,不同的户型具有各自特定的空间布局,比如房间数量、各房间的类型、位置、面积、形状等等,这些可以组成户型的布局特征。进一步地,为了便于储存和使用,还可将户型的布局特征转换为向量值,得到户型的特征向量,本领域技术人员可以利用已知方式将布局特征向量化,例如通过以下方式:计算出房屋的任意两个分间之间的距离并将该距离排列成数组,然后基于数组生成用于表征房屋的分间布局的向量。对于所述当前户型来说,其可以是用户利用户型编辑工具编辑的不完整的户型,但这并不影响其依然具有上述各种布局特征,其依然可以基于当前的布局特征来检索与当前户型相似或包含当前户型的户型。
随后,该方法1000可通过将所述当前户型的布局特征与户型库中的户型的布局特征的比较,查找与所述当前户型相似的户型作为第一备选户型。具体来说,户型库中存储了所有种类的户型,而每种户型也都具有各自的布局特征,可以通过将当前户型的布局特征与户型库中的户型的布局特征的两两比较或本领域常用的其他方式,在户型库中找到与当前户型的布局特征相似的户型,例如,可将户型库中相似度大于80%的户型作为第一备选户型。
图5示出了图1中步骤S1200的一优选实施例,其包括:在S1210处分别将户型库中的户型和当前户型的布局特征向量化,得到户型库中每个户型的特征向量以及当前户型特征向量;在S1220处利用预设的聚类方法将户型库中的户型划分成多个户型类簇;在S1230处计算每个户型类簇的中心特征向量;在S1240处计算所述当前户型特征向量与每个户型类簇的中心特征向量之间的距离,得到类簇距离;在S1250处提取所述类簇距离小于第一阈值的户型类簇,作为相似户型类簇;以及在S1260处将所述相似户型类簇下的户型作为第一备选户型。
具体地,在图5所示的步骤S1210处,可如上文所述将当前户型的布局特征向量化,并用同样的方式将户型库中的户型的布局特征也进行向量化,这样即可得到户型库中每个户型的特征向量以及当前户型特征向量。
随后,在图5所示的步骤S1220处,利用预设的聚类方法将户型库中的户型划分成多个户型类簇:每个户型之间虽然各自具有不同的特点,但是有的户型之间的差别大,而有的则差别小,例如同样是两居室户型之间的差别要比两居室户型与三居室户型之间的差别小,据此,可以将户型库中的所有户型分成若干大类。在本发明一优选实施例中,可利用均值漂移算法(Mean-shift)对户型库中的户型进行聚类,生成若干个户型类簇,被分配到同一个类簇内的户型需要在布局距离上小于预设的相似阈值,该相似阈值可以根据实际情况和需求来设置。换言之,类簇内的户型需要足够像,而类簇外的户型足够不像。可替代地,还可以使用本领域技术人员已知的其他方法或算法对户型库中的户型进行聚类。可替代地,该步骤也可预先执行,而不在图1的步骤S1200中执行。
随后,在图5所示的步骤S1230处,本领域技术人员容易理解地,用户任意绘制的户型可能是从来没有见过的户型,而这只能用户型的特征向量才能检索到对应的户型,如果直接将所有上千万的存量户型建立向量索引返回给用户具体哪一个户型,则会导致检索响应时间过长,并且由于太具体,这样的检索也不具备推荐性。换言之,用户可能只是画了一个大概布局,在细节上还存在不确定的地方,只有聚类能将这个不确定性归纳得到有概括性的类簇。因此,这里将类簇的中心向量作为该类的索引。具体地,位于每个户型类簇的中心位置的户型即可作为该类簇中最具代表性的户型,由此,可将该中心位置的户型的特征向量作为该类簇的中心特征向量。例如,对于利用Mean-shift算法获得的户型类簇,可将每个户型类簇中的密度最高点位置的户型作为代表户型,将该代表户型的特征向量作为类簇的中心特征向量。可替代地,该步骤也可与步骤S1220一样预先执行,而不在图1的步骤S1200中执行。
随后,在图5所示的步骤S1240和S1250处,由于当前户型特征向量与每个户型类簇的中心特征向量都是向量,本领域技术人员则可利用已知方式来计算二者之间的距离,即类簇距离,该类簇距离可以表示当前户型与每个类簇之间的相似程度,然后提取所述类簇距离小于第一阈值的户型类簇,作为相似户型类簇,所述第一阈值可根据实际情况和需要来设置,这里所提取的类簇距离小于第一阈值的户型类簇即为与当前户型之间的相似程度较大的户型类簇。其中,第一阈值可以根据实际情况和需要进行设置,本说明书对此不作具体限定
在本发明另一实施例中,还可以利用空间检索方式来查找与当前户型相似的户型类簇,例如基于例如Ball-tree、KD-tree等向量空间索引手段来检索与当前户型特征向量最近邻/相似的一个或多个户型类簇的中心特征向量,然后将该一个或多个中心特征向量所在的户型类簇作为相似户型类簇,该实施例可以避免传统的两两比较所带来的繁重的数据处理过程。
随后,在图5所示的步骤S1260处,将所述相似户型类簇下的户型作为第一备选户型。在本发明一优选实施例中,在完成户型聚类之后,每个户型可以被分配一个没有意义的类编号,然后,在类簇内的户型可以例如通过Hashmap来建立每个户型到该类簇的中心特征向量的空间索引ID,这样,一旦确定某个类簇为相似户型类簇,则该类簇下的每个户型就会以极高的O(1)的时间复杂度被快速索引出来。
随后,方法1000在步骤S1300处基于所述第一备选户型生成第一推荐户型列表,其中,可以设置适当的筛选方式来筛选第一备选户型中的户型推荐给用户,即第一推荐户型列表可以包括第一备选户型中的全部或部分户型。
图6示出了图1中步骤S1300的一优选实施例,其包括:在S1310处获取所述用户的用户画像,并将所述用户画像向量化,得到用户画像特征向量;在S1320处分别计算所述第一备选户型中的每个户型的特征向量与所述当前户型特征向量以及与用户画像特征向量之间的距离,得到户型相似距离和用户画像距离;在S1330处分别为户型相似距离和用户画像距离设置权值,并计算二者的加权值,得到总相似距离;以及在S1340处提取所述总相似距离小于第二阈值的户型,作为第一推荐户型列表。
具体地,在图6所示的步骤S1310处,可同样根据本领域技术人员已知的方法将获取的用户画像向量化,得到用户画像特征向量。
随后,在图6所示的步骤S1320处,由于第一备选户型——即相似户型类簇中的户型——与当前户型之间的差别大小也存在着不同,因此计算所述相似户型类簇中的每个户型的特征向量与所述当前户型特征向量之间的距离,可以获知相似类簇中的每个户型与当前户型之间的相似程度,即户型相似距离;而计算所述相似户型类簇中的每个户型的特征向量与用户画像特征向量之间的距离,可以获知相似类簇中的每个户型与用户画像所体现出的用户理想户型之间的相似程度,即用户画像距离。
随后,在图6所示的步骤S1330处,分别为户型相似距离和用户画像距离设置权值,并计算二者的加权值,得到总相似距离。例如可以用下式(1)来计算所述总相似距离:
Distance=W1*Distance 1+W2*Distance 2 (1)
式中,Distance 1表示户型相似距离,Distance 2表示用户画像距离,W1表示户型相似距离所占权值,W2表示用户画像距离所占权值。在上述实施例中,W1和W2的具体数值可以根据实际情况和需求来设置,本发明对此不作具体限定。举例来说,本发明所述的方法通过空间向量索引手段(如Ball-tree、KD-tree等)检索到与当前户型最近邻的一个或多个户型类簇,该一个或多个户型类簇通过hashmap分别带出这些户型类簇下的所有关联户型,然后,分别计算这些关联户型与当前户型之间的户型相似距离;同时,本发明所述的方法还根据用户画像猜测出用户可能想要找的一个或多个户型。然后,分别计算检索到的一个或多个户型类簇下的所有关联户型与当前户型之间的多个户型相似距离Distance 1,以及根据用户画像猜测的一个或多个户型与当前户型之间的一个或多个用户画像距离Distance 2,然后根据式(1)计算出多个总相似距离。
随后,在图6所示的步骤S1340处,提取所述总相似距离小于第二阈值的户型,作为第一推荐户型列表。具体来说,可以将上述计算出的多个总相似距离从小到大进行排序,并将总相似距离小于第二阈值的类簇户型和/或用户画像猜测户型推荐给用户,也可以将在总相似距离排序中前n位的类簇户型和/或用户画像猜测户型推荐给用户。其中,第二阈值可以根据实际情况和需要进行设置,本说明书对此不作具体限定。
例如,用户画了两个卧室分布在客厅两边,并且用户是一个刚需性的带娃需求,那么通过筛选类簇下所有性价比高的户型,最终通过式(1)将向用户推荐出一个最接近用户意向的户型的列表,以供用户来选择。或者用户依然没有选择推荐的户型,而是选择继续绘制户型,此时可重复执行图3中S1060的步骤,即判断用户编辑的户型是否发生变化。也即是说,只要用户对户型进行了绘制或编辑(当前户型发生变化),本发明所述的方法则可以实时提取当前户型,以不断理解用户的想法,并推荐相应的户型。
基于同样的发明构思,图7示出了本发明一实施例的户型智能推荐装置3000的结构示意图,所述装置3000包括:接收模块3100,其被配置为接收用户输入的当前户型,在本发明的实施例中,该接收模块3100可以配置为执行图2中S1100所示以及在本说明书中与图2中S1100相对应的步骤;获取模块3200,其被配置为基于所述当前户型获取与所述当前户型相似的第一备选户型,在本发明的实施例中,该获取模块3200可以配置为执行图2中S1200、图5所示以及在本说明书中与图2中S1200、图5相对应的步骤;生成模块3300,其被配置为基于所述第一备选户型生成第一推荐户型列表,在本发明的实施例中,该生成模块3300可以配置为执行图2中S1300、图6所示以及在本说明书中与图2中S1300、图6相对应的步骤。
基于同样的发明构思,图8示出了根据本发明另一实施例的户型智能推荐装置4000的结构示意图,所述装置4000包括:更新模块4400,其被配置为监控用户编辑的当前户型是否发生变化:如果是,则将变化后的户型作为当前户型;如果否,则继续监控用户编辑的户型是否发生变化,在本发明的实施例中,该更新模块4400可以配置为执行图3中S2060、S2070所示以及在本说明书中与图3中S2060、S2070相对应的步骤;接收模块4100,其被配置为接收用户输入的当前户型,在本发明的实施例中,该接收模块4100可以配置为执行图2中S1100所示以及在本说明书中与图2中S1100相对应的步骤;获取模块4200,其被配置为基于所述当前户型获取与所述当前户型相似的第一备选户型,在本发明的实施例中,该获取模块4200可以配置为执行图2中S1200、图5所示以及在本说明书中与图2中S1200、图5相对应的步骤;生成模块4300,其被配置为基于所述第一备选户型生成第一推荐户型列表,在本发明的实施例中,该生成模块4300可以配置为执行图2中S1300、图6所示以及在本说明书中与图2中S1300、图6相对应的步骤。
可以理解,图7~8所示的结构仅为示意,所述装置还可包括比图7~8中所示更多或者更少的模块或组件,或者具有与图7~8所示不同的配置。
此外,本申请还提供了一种计算机设备,根据本发明一实施例,该计算机设备可以包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,当所述处理器执行所述程序时,可以实现本说明书所述的户型智能推荐方法的步骤。
此外,本申请还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的装置中所包含的;也可以是单独存在,而未装配入该装置中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该装置执行时,使得该装置可以执行本说明书所述的户型智能推荐方法的步骤。
此外,本申请还提供了一种计算机程序产品,包括计算机指令,该计算机指令被处理器执行时可以实现本说明书所述的户型智能推荐方法的步骤。
特别地,以上参考附图中的流程图描述的实施例过程可以被实现为计算机软件程序。例如,本申请说明书公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行附图中各流程图所示的方法的程序代码,通过处理器执行该计算机程序,来执行本申请的方法。
需要说明的是,本申请所描述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是,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。计算机可读存储介质的更具体的例子可以包括但不限于:计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM)、闪存、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
在本申请中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码,上述程序设计语言包括面向对象的程序设计语言,诸如Java、Smalltalk、C++,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机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN)连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,示例性示出了按照本申请各实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。应当注意,在有些可作为替换的实施方式中,方框中所标注的功能也可以以不同于附图中所示的顺序发生。例如,两个依次表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。还要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
本申请实施例中所涉及到的单元或模块可以通过软件的方式实现,也可以通过硬件的方式来实现。上述单元或模块也可以设置在处理器中,例如,可以描述为:一种处理器,其包括接收模块、获取模块、生成模块等。这些单元或模块的名称在某些情况下并不构成对该单元或模块本身的限定。
在本说明书中提及的所有文献都在本申请中引用作为参考,就如同每一篇文献被完整引用至本说明书作为参考。
此外应理解,在阅读了本发明的上述说明内容之后,本领域技术人员可以对本发明做出各种改动或修改,这些等同形式同样落入本发明的保护范围。
Claims (10)
1.一种户型智能推荐方法,其特征在于,包括:
接收步骤,接收用户输入的当前户型;
获取步骤,基于所述当前户型获取与所述当前户型相似的第一备选户型;以及
生成步骤,基于所述第一备选户型生成第一推荐户型列表。
2.根据权利要求1所述的方法,其特征在于,还包括:提取所述当前户型的布局特征,
基于所述当前户型获取与所述当前户型相似的第一备选户型包括:通过将所述当前户型的布局特征与户型库中的户型的布局特征比较,查找与所述当前户型相似的户型作为第一备选户型。
3.根据权利要求1所述的方法,其特征在于,所述当前户型为用户利用预设的户型编辑工具而编辑得到,所述预设的户型编辑工具具有用户操作界面,所述用户操作界面包括绘图区和元素区,其中,用户通过利用所述元素区中的户型元素在所述绘图区中进行绘制来实现对户型的编辑,所述户型元素包括不同类型的房间。
4.根据权利要求1所述的方法,其特征在于,还包括:
响应于检测到对所述当前户型进行的修改,对修改后的所述当前户型再次执行所述获取步骤和所述生成步骤。
5.根据权利要求4所述的方法,其特征在于,对所述当前户型进行的修改包括以下中的一种或多种:户型元素的增加、减少、移动、旋转、缩放。
6.根据权利要求2所述的方法,其特征在于,所述户型库包括多个户型类簇,每个户型类簇具有中心特征向量;
通过将所述当前户型的布局特征与户型库中的户型的布局特征的比较,查找与所述当前户型相似的户型作为第一备选户型包括:
分别将户型库中的户型和当前户型的布局特征向量化,得到户型库中每个户型的特征向量以及当前户型特征向量;
计算所述当前户型特征向量与每个户型类簇的中心特征向量之间的距离,得到类簇距离;
提取所述类簇距离小于第一阈值的户型类簇,作为相似户型类簇;以及
将所述相似户型类簇下的户型作为第一备选户型。
7.根据权利要求6所述的方法,其特征在于,基于所述第一备选户型生成第一推荐户型列表包括:
获取所述用户的用户画像,并将所述用户画像向量化,得到用户画像特征向量;
分别计算所述第一备选户型中的每个户型的特征向量与所述当前户型特征向量以及与用户画像特征向量之间的距离,得到户型相似距离和用户画像距离;
分别为户型相似距离和用户画像距离设置权值,并计算二者的加权值,得到总相似距离;以及
提取所述总相似距离小于第二阈值的户型,作为第一推荐户型列表。
8.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现权利要求1-7中任一项所述方法的步骤。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1-7中任一项所述方法的步骤。
10.一种计算机程序产品,包括计算机指令,其特征在于,该计算机指令被处理器执行时实现权利要求1-7中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111588085.6A CN114329704A (zh) | 2021-12-23 | 2021-12-23 | 一种户型智能推荐方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111588085.6A CN114329704A (zh) | 2021-12-23 | 2021-12-23 | 一种户型智能推荐方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114329704A true CN114329704A (zh) | 2022-04-12 |
Family
ID=81055250
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111588085.6A Pending CN114329704A (zh) | 2021-12-23 | 2021-12-23 | 一种户型智能推荐方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114329704A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109344532A (zh) * | 2018-10-23 | 2019-02-15 | 美宅科技(北京)有限公司 | 一种应用于地产的室内设计方法及装置 |
CN109992693A (zh) * | 2019-04-17 | 2019-07-09 | 广东三维家信息科技有限公司 | 户型匹配方法及装置 |
KR102067110B1 (ko) * | 2019-06-20 | 2020-01-15 | (주)씨이랩 | 높은 정확도를 가지는 기축 건물의 에너지 데이터 처리장치 및 방법 |
CN110765540A (zh) * | 2019-11-04 | 2020-02-07 | 深圳镜界智能科技有限公司 | 一种户型图匹配多种整装设计的系统及其方法 |
CN110838172A (zh) * | 2019-11-13 | 2020-02-25 | 洛阳理工学院 | 基于三维虚拟成像的室内设计系统 |
CN110929319A (zh) * | 2019-11-01 | 2020-03-27 | 深圳市彬讯科技有限公司 | 装修设计案例信息处理方法及系统 |
-
2021
- 2021-12-23 CN CN202111588085.6A patent/CN114329704A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109344532A (zh) * | 2018-10-23 | 2019-02-15 | 美宅科技(北京)有限公司 | 一种应用于地产的室内设计方法及装置 |
CN109992693A (zh) * | 2019-04-17 | 2019-07-09 | 广东三维家信息科技有限公司 | 户型匹配方法及装置 |
KR102067110B1 (ko) * | 2019-06-20 | 2020-01-15 | (주)씨이랩 | 높은 정확도를 가지는 기축 건물의 에너지 데이터 처리장치 및 방법 |
CN110929319A (zh) * | 2019-11-01 | 2020-03-27 | 深圳市彬讯科技有限公司 | 装修设计案例信息处理方法及系统 |
CN110765540A (zh) * | 2019-11-04 | 2020-02-07 | 深圳镜界智能科技有限公司 | 一种户型图匹配多种整装设计的系统及其方法 |
CN110838172A (zh) * | 2019-11-13 | 2020-02-25 | 洛阳理工学院 | 基于三维虚拟成像的室内设计系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11238310B2 (en) | Training data acquisition method and device, server and storage medium | |
US10565234B1 (en) | Ticket classification systems and methods | |
WO2019223552A1 (zh) | 文章推荐方法、装置、计算机设备及存储介质 | |
US8243988B1 (en) | Clustering images using an image region graph | |
US20170255693A1 (en) | Providing images for search queries | |
US10515289B2 (en) | System and method of generating a semantic representation of a target image for an image processing operation | |
CN111125422A (zh) | 一种图像分类方法、装置、电子设备及存储介质 | |
WO2014009751A1 (en) | Method and apparatus for image searching | |
WO2015117074A1 (en) | Document relationship analysis system | |
CN112100396B (zh) | 一种数据处理方法和装置 | |
CN114549874A (zh) | 多目标图文匹配模型的训练方法、图文检索方法及装置 | |
WO2023029356A1 (zh) | 基于句向量模型的句向量生成方法、装置及计算机设备 | |
CN104537341A (zh) | 人脸图片信息获取方法和装置 | |
US20220245465A1 (en) | Picture searching method and apparatus, electronic device and computer readable storage medium | |
US11789985B2 (en) | Method for determining competitive relation of points of interest, device | |
CN112395487A (zh) | 信息推荐方法、装置、计算机可读存储介质及电子设备 | |
CN112115313B (zh) | 正则表达式的生成、数据提取方法、装置、设备及介质 | |
WO2014178859A1 (en) | Content classification | |
CN113821657A (zh) | 基于人工智能的图像处理模型训练方法及图像处理方法 | |
CN112506864A (zh) | 文件检索的方法、装置、电子设备及可读存储介质 | |
JP5929532B2 (ja) | イベント検出装置、イベント検出方法およびイベント検出プログラム | |
CN107492036B (zh) | 一种保险保单托管系统 | |
CN114329704A (zh) | 一种户型智能推荐方法 | |
CN113505223B (zh) | 一种网络水军识别方法与系统 | |
CN115329850A (zh) | 信息比对方法、装置、电子设备及存储介质 |
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 |