CN114387062A - 管家推荐模型的训练、管家推荐方法及电子设备 - Google Patents
管家推荐模型的训练、管家推荐方法及电子设备 Download PDFInfo
- Publication number
- CN114387062A CN114387062A CN202210037669.2A CN202210037669A CN114387062A CN 114387062 A CN114387062 A CN 114387062A CN 202210037669 A CN202210037669 A CN 202210037669A CN 114387062 A CN114387062 A CN 114387062A
- Authority
- CN
- China
- Prior art keywords
- housekeeping
- user
- housekeeper
- target
- matched
- 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 61
- 238000012549 training Methods 0.000 title claims abstract description 40
- 238000004364 calculation method Methods 0.000 claims abstract description 13
- 230000015654 memory Effects 0.000 claims description 55
- 230000006870 function Effects 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims 1
- 238000012545 processing Methods 0.000 description 19
- 238000004891 communication Methods 0.000 description 16
- 238000010586 diagram Methods 0.000 description 7
- 238000005065 mining Methods 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
- 230000002093 peripheral effect Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000011161 development Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
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
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及信息推荐技术领域,具体涉及管家推荐模型的训练、管家推荐方法及电子设备,所述管家推荐方法包括:获取当前用户的房源浏览记录,基于所述房源浏览记录确定所述当前用户的用户特征,将所述当前用户的用户特征与各个待匹配管家的管家特征进行匹配,确定当前用户与所述待匹配管家的匹配特征,将所述当前用户的用户特征、各个待匹配管家的管家特征以及所述当前用户与所述待匹配管家的匹配特征输入目标管家推荐模型中,确定目标管家。通过对用户特征,管家特征以及匹配特征的采集和匹配,完成了模型输入数据的确定,进而通过训练完成的模型对输入数据的计算,确定待推荐的管家,极大的提高了工作效率。
Description
技术领域
本发明涉及信息推荐技术领域,具体涉及管家推荐模型的训练、管家推荐方法及电子设备。
背景技术
随着社会的发展,用户对租房的需求越来越大,为了使用户尽快找到合适的房源,需要提供一种经验丰富的销售人员,以帮助用户尽快寻找到合适的房源。
现有技术下,为用户提供销售人员时,通常时以销售人员的整体能力作为依据,但是这样的推荐方式通常不能满足实际生活中多变复杂的场景。
发明内容
有鉴于此,本发明实施例提供了管家推荐模型的训练、管家推荐方法及电子设备,以解决现有技术下目标推荐的准确性较低的问题。
根据第一方面,本发明实施例提供了一种管家推荐模型的训练方法,包括:
获取各个用户的用户特征、各个管家的管家特征以及与所述用户与所述管家的签约标签;
将所述用户特征与所述管家特征进行匹配,确定所述用户与所述管家匹配特征;
将所述用户特征、所述管家特征以及所述匹配特征输入初始管家推荐模型中,确定预测签约结果;
基于所述预测签约结果以及所述签约标签进行损失函数计算,更新所述初始管家推荐模型的参数,以确定目标管家推荐模型。
本发明实施例提供的管家推荐模型的训练方法,通过将用户特征,管家特征,以及用户、管家的匹配特征、签约结果整合为训练集数据,用来进行模型训练,这样,在训练模型时,除了学习通常的用户特征和管家特征外,还能学习到二者的匹配特征,极大的增加了模型的判断精度,进一步的提高了工作效率。
结合第一方面,在第一方面第一实施方式中,所述获取各个用户的用户特征,包括:
获取所述用户的客观特征;
获取所述用户的房源浏览记录;
基于所述房源浏览记录确定各个所述房源对应的配套设施;
利用所述配套设施中各个配套对象的分布,确定所述用户的主观意向特征;
基于所述客观特征以及所述主观意向特征,确定所述用户的用户特征。
本发明实施例提供的管家推荐模型的训练方法,通过对用户特征的深度挖掘,在初步采集到用户的特征后,还要对采集到的数据进行进一步处理,获得更加复杂的数据,这些数据可以更加全面、完整的对用户进行描述,也为后续与管家特征进行更好的匹配打下了基础,进一步的提升了工作效率。
结合第一方面第一实施方,在第一方面第二实施方式中,所述利用所述配套设施中各个配套对象的分布,确定所述用户的主观意向特征,包括:
将所述房源浏览记中出现次数大于预设阈值的所述配套对象,作为所述用户的主观意向特征。
本发明实施例提供的管家推荐模型的训练方法,通过明确深度挖掘的方法,确保了深度挖掘出的数据的准确性,也为后续与管家特征进行更好的匹配打下了基础,进一步的提升了工作效率。
结合第一方面第一实施方,在第一方面第三实施方式中,所述将所述用户特征与所述管家特征进行匹配,确定所述用户与所述管家的匹配特征,包括:
判断所述管家的管家特征中是否存在与所述用户的主观意向特征相同的特征;
当所述管家的管家特征中存在与所述用户的主观意向特征相同的特征时,将所述相同的特征确定为所述匹配特征。
本发明实施例提供的管家推荐模型的训练方法,通过明确匹配特征的确定方法,确保了匹配特征的准确性和实用性,为后续对模型训练打下了基础,确保了目标模型的准确性,进一步的提高了工作效率。
根据第二方面,本发明实施例提供了一种管家推荐方法,包括:
获取当前用户的房源浏览记录;
基于所述房源浏览记录确定所述当前用户的用户特征;
将所述当前用户的用户特征与各个待匹配管家的管家特征进行匹配,确定当前用户与所述待匹配管家的匹配特征;
将所述当前用户的用户特征、各个待匹配管家的管家特征以及所述当前用户与所述待匹配管家的匹配特征输入目标管家推荐模型中,确定目标管家,所述目标管家推荐模型是根据第一方面中任一项所述的管家推荐模型的训练方法训练得到的。
本发明实施例提供的管家推荐方法,通过对用户特征,管家特征以及匹配特征的采集和匹配,完成了模型输入数据的确定,进而通过训练完成的模型对输入数据的计算,确定待推荐的管家,极大的提高了工作效率。
结合第二方面,在第二方面第一实施方式中,所述将所述当前用户的用户特征、各个待匹配管家的管家特征以及所述当前用户与所述待匹配管家的匹配特征输入目标管家推荐模型中,确定目标管家,还包括:
基于所述目标管家推荐模型确定各个用户特征以及各个所述管家特征的重要性;
基于所述各个用户特征以及各个所述管家特征的重要性,对所述当前用户的用户特征以及各个待匹配管家的管家特征进行筛选,确定输入所述目标管家推荐模型的目标用户特征以及目标管家特征;
将所述目标用户特征、所述目标管家特征以及所述当前用户与所述待匹配管家的匹配特征输入目标管家推荐模型中,确定所述目标管家。
本发明实施例提供的管家推荐方法,通过对特征重要性的评估,使得在后续计算时,可以直接忽略对结果影响的较小的特征,减少了不必要数据的输入,降低了计算的复杂度,进一步的提高了工作效率。
结合第二方面或第二方面第一实施,在第二方面第二实施方式中,所述将所述当前用户的用户特征、各个待匹配管家的管家特征以及所述当前用户与所述待匹配管家的匹配特征输入目标管家推荐模型中,确定目标管家,包括:
将所述当前用户的用户特征、各个待匹配管家的管家特征以及所述当前用户与所述待匹配管家的匹配特征输入目标管家推荐模型中,确定各个所述待匹配管家对应的签约概率;
基于所述签约概率确定至少一个所述目标管家。
本发明实施例提供的管家推荐方法,通过对输出数据的排序,使得最终呈现在用户处的数据,是最佳的数据,降低的了用户的使用难度,进一步的提高了工作效率。
结合第二方面第二实施,在第二方面第三实施方式中,所述将所述当前用户的用户特征、各个待匹配管家的管家特征以及所述当前用户与所述待匹配管家的匹配特征输入目标管家推荐模型中,确定目标管家,还包括:
显示至少一个所述目标管家的联系信息。
本发明实施例提供的管家推荐方法,通过对管家个人信息的显示,进一步的降低了用户的操作难度,使得用户在需要联系管家时,可以及时的看到管家的联系信息,进一步的提高了工作效率。
根据第三方面,本发明实施例提供了管家推荐模型的训练装置,包括:
获取单元,用于获取各个用户的用户特征、各个管家的管家特征以及与所述用户与所述管家的签约标签;
第一处理单元,用于将所述用户特征与所述管家特征进行匹配,确定所述用户与所述管家匹配特征;
第二处理单元,用于将所述用户特征、所述管家特征以及所述匹配特征输入初始管家推荐模型中,确定预测签约结果;
第三处理单元,用于基于所述预测签约结果以及所述签约标签进行损失函数计算,更新所述初始管家推荐模型的参数,以确定目标管家推荐模型。
根据第四方面,本发明实施例提供了管家推荐装置,包括:
获取单元,用于获取当前用户的房源浏览记录;
第一处理单元,用于基于所述房源浏览记录确定所述当前用户的用户特征;
第二处理单元,用于将所述当前用户的用户特征与各个待匹配管家的管家特征进行匹配,确定当前用户与所述待匹配管家的匹配特征;
第三处理单元,用于将所述当前用户的用户特征、各个待匹配管家的管家特征以及所述当前用户与所述待匹配管家的匹配特征输入目标管家推荐模型中,确定目标管家,所述目标管家推荐模型是根据第一方面中任一项所述的管家推荐模型的训练方法训练得到的。
根据第五方面,本发明实施例提供了一种电子设备,包括:存储器和处理器,所述存储器和所述处理器之间互相通信连接,所述存储器中存储有计算机指令,所述处理器通过执行所述计算机指令,从而执行第一方面或者第一方面的任意一种或第二方面或第二方面的任意一种实施方式中所述的管家推荐的方法。
根据第六方面,本发明实施例提供了一种计算机可读存储介质,所述计算机可读存储介质存储计算机指令,所述计算机指令用于使所述计算机执行第一方面或者第一方面的任意一种或第二方面或第二方面的任意一种实施方式中所述的管家推荐的方法。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式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,下面描述中的附图是本发明的一些实施方式,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是根据本发明实施例的管家推荐模型的训练方法的流程图;
图2是根据本发明实施例的管家推荐模型的训练方法的流程图;
图3是根据本发明实施例的管家推荐方法的流程图;
图4是根据本发明实施例的管家推荐方法的流程图;
图5是根据本发明实施例的管家推荐模型的训练装置的结构框图;
图6是本发明实施例提供的电子设备的硬件结构示意图。
图7是根据本发明实施例的管家推荐装置的结构框图;
图8是本发明实施例提供的电子设备的硬件结构示意图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在本发明的描述中,需要说明的是,在本申请说明书和所附权利要求书中使用的术语“及/和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
此外,下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明实施例提供的管家推荐模型的训练方法,通过将用户特征,管家特征,以及用户、管家的匹配特征、签约结果整合为训练集数据,用来进行模型训练,这样,在训练模型时,除了学习通常的用户特征和管家特征外,还能学习到二者的匹配特征,极大的增加了模型的判断精度,进一步的提高了工作效率。
进一步的,本发明实施例提供的管家推荐方法,通过对用户特征,管家特征以及匹配特征的采集和匹配,完成了模型输入数据的确定,进而通过训练完成的模型对输入数据的计算,确定带推荐的管家,极大的提高了工作效率。
根据本发明实施例,提供了一种管家推荐的方法实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
在本实施例中提供了一种管家推荐模型的训练方法,可用于电子设备,如电脑、服务器、平板电脑等,图1是根据本发明实施例的管家推荐的方法的流程图,如图1所示,该流程包括如下步骤:
S11,获取各个用户的用户特征、各个管家的管家特征以及与所述用户与所述管家的签约标签;
具体的,所述签约标签为签约结果。
例如,假设存在有一个用户user_a和一个管家butler_a,并且他们之间已经进行过签约,则他们之间的签约标签为100%。
进一步的,假设存在有一个用户user_b和一个管家butler_b,并且他们之间签约失败或从未签过约,则他们之间的签约标签为0%。
关于该步骤具体将在下文中进行详细描述。
S12,将所述用户特征与所述管家特征进行匹配,确定所述用户与所述管家匹配特征;
具体的,在进行匹配之前要先对管家特征进行处理,选择有处理价值的管家特征。
例如,假设存在一个管家butler_c,假设采集特征时间为6月,而在1-4月时,管家butler_c在A地工作,对应均为A地的特征,而从5月开始,管家butler_c调至B地,且要在B第工作数年,则仅需采集管家butler_c在B地的信息即可,可以删除管家在A地的相关特征。
关于该步骤具体将在下文中进行详细描述。
S13,将所述用户特征、所述管家特征以及所述匹配特征输入初始管家推荐模型中,确定预测签约结果;
具体的,预测签约结果为一个概率值。
例如,假设仍以上述用户user_a和管家butler_a,为例,将用户user_a和管家butler_a对应的用户特征、管家特征以及匹配特征,输入值初始管家推荐模型A中,输出签约概率为30%。
S14,基于所述预测签约结果以及所述签约标签进行损失函数计算,更新所述初始管家推荐模型的参数,以确定目标管家推荐模型。
具体的,仍以上述用户user_a和管家butler_a为例,很显然,初始管家推荐模型A做出的预测30%与实际标签100%存在有较大的差距,因此,需要将预测签约结果以及签约标签进行损失函数计算,更新所述初始管家推荐模型的参数,重复上述过程,当管家推荐模型的输出结果与实际标签之间的差距小于一个预设的阈值时,确定目标管家推荐模型。
本发明实施例提供的管家推荐模型的训练方法,通过将用户特征,管家特征,以及用户、管家的匹配特征、签约结果整合为训练集数据,用来进行模型训练,这样,在训练模型时,除了学习通常的用户特征和管家特征外,还能学习到二者的匹配特征,极大的增加了模型的判断精度,进一步的提高了工作效率。
在本实施例中提供了一种管家推荐模型的训练方法,可用于电子设备,如电脑、服务器、平板电脑等,图2是根据本发明实施例的管家推荐的方法的流程图,如图2所示,该流程包括如下步骤:
S21,获取各个用户的用户特征、各个管家的管家特征以及与所述用户与所述管家的签约标签;
具体地,上述S21包括:
S211,获取所述用户的客观特征;
具体的,客观特征可以通过数据库直接获得。
例如,假设存在有用户user_a,则用户user_a对应的记录在数据库中的职业信息,行业信息,性别信息,年龄段信息等等为客观特征。
S212,获取所述用户的房源浏览记录;
具体的,房源浏览记录也可以通过数据库直接获得。
例如,存在有用户user_a,则用户user_a对应的记录在数据库中的浏览房源信息,收藏房源信息,分享房源信息,搜索房源信息等等为房源浏览记录。
S213,基于所述房源浏览记录确定各个所述房源对应的配套设施;
具体的,例如,假设存在一处房源A,则房源A对用的配套设施信息为产品类型,地铁线,价位,楼盘信息等等。
S214,利用所述配套设施中各个配套对象的分布,确定所述用户的主观意向特征;
在本实施例的一些可选实施方式中,上述S221可以包括:
(1)将所述房源浏览记中出现次数大于预设阈值的所述配套对象,作为所述用户的主观意向特征。
具体的,仍以上述用户user_a为例,假设预设的阈值为10次,而对于地铁A,用户user_a浏览了100次,则将地铁A作为用户user_a的主观意向特征。
S215,基于所述客观特征以及所述主观意向特征,确定所述用户的用户特征。
具体的,仍以上述用户user_a为例,则将用户user_a对应的职业信息,行业信息,性别信息,年龄段信息,浏览房源信息,收藏房源信息,分享房源信息,搜索房源信息,地铁A作为用户user_a的特征。
S22,将所述用户特征与所述管家特征进行匹配,确定所述用户与所述管家匹配特征;
具体地,上述S22包括:
S221,判断所述管家的管家特征中是否存在与所述用户的主观意向特征相同的特征;
具体的,仍以上述用户user_a和管家butler_a为例,假设管家butler_a的特征中包含有地铁A,同时根据上述计算,用户user_a的特征中包含有地铁A,则此时判断结果为存在相同特征。
S222,当所述管家的管家特征中存在与所述用户的主观意向特征相同的特征时,将所述相同的特征确定为所述匹配特征。
具体的,仍以上述用户user_a和管家butler_a为例,很显然,地铁A为用户user_a和管家butler_a的匹配特征。
S23,将所述用户特征、所述管家特征以及所述匹配特征输入初始管家推荐模型中,确定预测签约结果;
详细请参见图1所示实施例的S13,在此不再赘述。
S24,基于所述预测签约结果以及所述签约标签进行损失函数计算,更新所述初始管家推荐模型的参数,以确定目标管家推荐模型。
详细请参见图1所示实施例的S14,在此不再赘述。
在本实施例中提供了一种管家推荐方法,可用于电子设备,如电脑、服务器、平板电脑等,图3是根据本发明实施例的管家推荐的方法的流程图,如图3所示,该流程包括如下步骤:
S31,获取当前用户的房源浏览记录;
具体的,房源浏览记录也可以通过数据库直接获得。
例如,存在有用户user_x,则用户user_x对应的记录在数据库中的浏览房源信息,收藏房源信息,分享房源信息,搜索房源信息等等为房源浏览记录。
S32,基于所述房源浏览记录确定所述当前用户的用户特征;
具体的,将所述房源浏览记中出现次数大于预设阈值的所述配套对象,作为所述用户的主观意向特征。
例如,仍以上述用户user_x为例,假设预设的阈值为50次,而对于地铁X,用户user_x浏览了100次,则将地铁X作为用户user_x的主观意向特征。
进一步的,需要获取用户的客观特征,结合客观特征以及主观意向特征,确定所述用户的用户特征。
例如,仍以上述上述用户user_x为例,则将用户user_x对应的职业信息,行业信息,性别信息,年龄段信息,浏览房源信息,收藏房源信息,分享房源信息,搜索房源信息,地铁X作为用户user_x的特征。
S33,将所述当前用户的用户特征与各个待匹配管家的管家特征进行匹配,确定当前用户与所述待匹配管家的匹配特征;
具体的,判断待匹配管家的管家特征中是否存在与当前用户的主观意向特征相同的特征,当待匹配管家的管家特征中存在与当前用户的主观意向特征相同的特征时,将相同的特征确定为所述匹配特征。
例如,仍以上述用户user_x为例,假设管家butler_y的特征中包含有地铁X,同时根据上述计算,用户user_x的特征中包含有地铁X,则此时判断结果为存在相同特征,则地铁X为用户user_x和管家butler_y的匹配特征。
S34,将所述当前用户的用户特征、各个待匹配管家的管家特征以及所述当前用户与所述待匹配管家的匹配特征输入目标管家推荐模型中,确定目标管家,所述目标管家推荐模型是根据步骤S11-S14任一项所述的管家推荐模型的训练方法训练得到的。
具体地,上述S34包括:
S341,基于所述目标管家推荐模型确定各个用户特征以及各个所述管家特征的重要性;
具体的,根据目标管家推荐模型,采集各个用户特征以及各个所述管家特征的重要性。
具体的,假设存在有目标管家推荐模型A,则可以采集到如下表1(表中指标及数据均为举例,实际应用中并不仅限于所述指标,同时,各个指标的取值也应以实际为准):
表1
重要性分值 | 特征 | 分类 |
100 | 管家所属组名称 | 管家 |
60 | 管家所属大区名称 | 管家 |
1 | 管家性别 | 管家 |
90 | 意向商圈1 | 用户 |
70 | 意向商圈2 | 用户 |
2 | 用户类型 | 用户 |
S342,基于所述各个用户特征以及各个所述管家特征的重要性,对所述当前用户的用户特征以及各个待匹配管家的管家特征进行筛选,确定输入所述目标管家推荐模型的目标用户特征以及目标管家特征;
具体的,仍以上述表1为例,假设预先设定,重要性分值不超过60的特征可以删除,则管家特征中的管家性别可以删除,用户特征中的用户类型可以删除。
S343,将所述当前用户的用户特征、各个待匹配管家的管家特征以及所述当前用户与所述待匹配管家的匹配特征输入目标管家推荐模型中,确定各个所述待匹配管家对应的签约概率;
具体的,例如将用户user_c的特征输入至管家推荐模型之后,假设一共存在有三个管家,分别为butler_0,butler_1,butler_2,目标模型分别输出user_c与butler_0,user_c与butler_1,user_c与butler_2的签约概率。
S344,基于所述签约概率确定至少一个所述目标管家。
具体的,按照签约概率由高至低的管家。
仍以上述用户user_c和三个管家butler_0,butler_1,butler_2为例,假设user_c与butler_0,user_c与butler_1,user_c与butler_2的签约概率分别为90%,60%和30%,假设只能输出两个目标管家,则输出butler_0和butler_1。
S345,显示至少一个所述目标管家的联系信息。
具体的,仍以上述butler_0和butler_1为例,在输出目标管家butler_0和butler_1时,同时输出管家butler_0和butler_1的联系信息。
作为本实施例的一个具体应用实例。如图4所示,该管家推荐方法包括:
S1,利用签约标签,用户特征、管家特征以及匹配特征作为训练集,训练获得目标管家推荐模型。
S2,确定当前用户特征。
S3,将当前用户的用户特征与各个待匹配管家的管家特征进行匹配,确定当前用户与待匹配管家的匹配特征。
S4,将当前用户的用户特征、各个待匹配管家的管家特征以及当前用户与待匹配管家的匹配特征输入目标管家推荐模型中,确定目标管家。
在本实施例中还提供了一种管家推荐模型的训练装置,该装置用于实现上述实施例及优选实施方式,已经进行过说明的不再赘述。如以下所使用的,术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
本实施例提供一种管家推荐模型的训练装置,如图5所示,包括:
获取单元51,用于获取各个用户的用户特征、各个管家的管家特征以及与所述用户与所述管家的签约标签;
第一处理单元52,用于将所述用户特征与所述管家特征进行匹配,确定所述用户与所述管家匹配特征;
第二处理单元53,用于将所述用户特征、所述管家特征以及所述匹配特征输入初始管家推荐模型中,确定预测签约结果;
第三处理单元54,用于基于所述预测签约结果以及所述签约标签进行损失函数计算,更新所述初始管家推荐模型的参数,以确定目标管家推荐模型。
本实施例中的固件刷新装置是以功能单元的形式来呈现,这里的单元是指ASIC电路,执行一个或多个软件或固定程序的处理器和存储器,和/或其他可以提供上述功能的器件。
上述各个模块的更进一步的功能描述与上述对应实施例相同,在此不再赘述。
本发明实施例还提供一种电子设备,具有上述图5所示的管家推荐的装置。
请参阅图6,图6是本发明可选实施例提供的一种电子设备的结构示意图,如图6所示,该电子设备可以包括:至少一个处理器61,例如CPU(Central Processing Unit,中央处理器),至少一个通信接口63,存储器64,至少一个通信总线62。其中,通信总线62用于实现这些组件之间的连接通信。其中,通信接口63可以包括显示屏(Display)、键盘(Keyboard),可选通信接口63还可以包括标准的有线接口、无线接口。存储器64可以是高速RAM存储器(Random Access Memory,易挥发性随机存取存储器),也可以是非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。存储器64可选的还可以是至少一个位于远离前述处理器61的存储装置。其中处理器61可以结合图6所描述的装置,存储器64中存储应用程序,且处理器61调用存储器64中存储的程序代码,以用于执行上述任一方法步骤。
其中,通信总线62可以是外设部件互连标准(peripheral componentinterconnect,简称PCI)总线或扩展工业标准结构(extended industry standardarchitecture,简称EISA)总线等。通信总线62可以分为地址总线、数据总线、控制总线等。为便于表示,图6中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
其中,存储器64可以包括易失性存储器(英文:volatile memory),例如随机存取存储器(英文:random-access memory,缩写:RAM);存储器也可以包括非易失性存储器(英文:non-volatile memory),例如快闪存储器(英文:flash memory),硬盘(英文:hard diskdrive,缩写:HDD)或固态硬盘(英文:solid-state drive,缩写:SSD);存储器64还可以包括上述种类的存储器的组合。
其中,处理器61可以是中央处理器(英文:central processing unit,缩写:CPU),网络处理器(英文:network processor,缩写:NP)或者CPU和NP的组合。
其中,处理器61还可以进一步包括硬件芯片。上述硬件芯片可以是专用集成电路(英文:application-specific integrated circuit,缩写:ASIC),可编程逻辑器件(英文:programmable logic device,缩写:PLD)或其组合。上述PLD可以是复杂可编程逻辑器件(英文:complex programmable logic device,缩写:CPLD),现场可编程逻辑门阵列(英文:field-programmable gate array,缩写:FPGA),通用阵列逻辑(英文:generic arraylogic,缩写:GAL)或其任意组合。
可选地,存储器64还用于存储程序指令。处理器61可以调用程序指令,实现如本申请任一实施例中所示的管家推荐的方法。
本发明实施例还提供了一种非暂态计算机存储介质,所述计算机存储介质存储有计算机可执行指令,该计算机可执行指令可执行上述任意方法实施例中的管家推荐的方法。其中,所述存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)、随机存储记忆体(Random Access Memory,RAM)、快闪存储器(Flash Memory)、硬盘(Hard DiskDrive,缩写:HDD)或固态硬盘(Solid-State Drive,SSD)等;所述存储介质还可以包括上述种类的存储器的组合。
在本实施例中还提供了一种管家推荐装置,该装置用于实现上述实施例及优选实施方式,已经进行过说明的不再赘述。如以下所使用的,术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
本实施例提供一种管家推荐装置,如图7所示,包括:
获取单元71,用于获取当前用户的房源浏览记录;
第一处理单元72,用于基于所述房源浏览记录确定所述当前用户的用户特征;
第二处理单元73,用于将所述当前用户的用户特征与各个待匹配管家的管家特征进行匹配,确定当前用户与所述待匹配管家的匹配特征;
第三处理单元74,用于将所述当前用户的用户特征、各个待匹配管家的管家特征以及所述当前用户与所述待匹配管家的匹配特征输入目标管家推荐模型中,确定目标管家,所述目标管家推荐模型是根据步骤S11-S14中任一项所述的管家推荐模型的训练方法训练得到的。
本实施例中的固件刷新装置是以功能单元的形式来呈现,这里的单元是指ASIC电路,执行一个或多个软件或固定程序的处理器和存储器,和/或其他可以提供上述功能的器件。
上述各个模块的更进一步的功能描述与上述对应实施例相同,在此不再赘述。
本发明实施例还提供一种电子设备,具有上述图7所示的管家推荐的装置。
请参阅图8,图8是本发明可选实施例提供的一种电子设备的结构示意图,如图8所示,该电子设备可以包括:至少一个处理器81,例如CPU(Central Processing Unit,中央处理器),至少一个通信接口83,存储器84,至少一个通信总线82。其中,通信总线82用于实现这些组件之间的连接通信。其中,通信接口83可以包括显示屏(Display)、键盘(Keyboard),可选通信接口83还可以包括标准的有线接口、无线接口。存储器84可以是高速RAM存储器(Random Access Memory,易挥发性随机存取存储器),也可以是非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。存储器84可选的还可以是至少一个位于远离前述处理器81的存储装置。其中处理器81可以结合图8所描述的装置,存储器84中存储应用程序,且处理器81调用存储器84中存储的程序代码,以用于执行上述任一方法步骤。
其中,通信总线82可以是外设部件互连标准(peripheral componentinterconnect,简称PCI)总线或扩展工业标准结构(extended industry standardarchitecture,简称EISA)总线等。通信总线82可以分为地址总线、数据总线、控制总线等。为便于表示,图8中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
其中,存储器84可以包括易失性存储器(英文:volatile memory),例如随机存取存储器(英文:random-access memory,缩写:RAM);存储器也可以包括非易失性存储器(英文:non-volatile memory),例如快闪存储器(英文:flash memory),硬盘(英文:hard diskdrive,缩写:HDD)或固态硬盘(英文:solid-state drive,缩写:SSD);存储器84还可以包括上述种类的存储器的组合。
其中,处理器81可以是中央处理器(英文:central processing unit,缩写:CPU),网络处理器(英文:network processor,缩写:NP)或者CPU和NP的组合。
其中,处理器81还可以进一步包括硬件芯片。上述硬件芯片可以是专用集成电路(英文:application-specific integrated circuit,缩写:ASIC),可编程逻辑器件(英文:programmable logic device,缩写:PLD)或其组合。上述PLD可以是复杂可编程逻辑器件(英文:complex programmable logic device,缩写:CPLD),现场可编程逻辑门阵列(英文:field-programmable gate array,缩写:FPGA),通用阵列逻辑(英文:generic arraylogic,缩写:GAL)或其任意组合。
可选地,存储器84还用于存储程序指令。处理器81可以调用程序指令,实现如本申请任一实施例中所示的管家推荐的方法。
本发明实施例还提供了一种非暂态计算机存储介质,所述计算机存储介质存储有计算机可执行指令,该计算机可执行指令可执行上述任意方法实施例中的管家推荐的方法。其中,所述存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)、随机存储记忆体(Random Access Memory,RAM)、快闪存储器(Flash Memory)、硬盘(Hard DiskDrive,缩写:HDD)或固态硬盘(Solid-State Drive,SSD)等;所述存储介质还可以包括上述种类的存储器的组合。
虽然结合附图描述了本发明的实施例,但是本领域技术人员可以在不脱离本发明的精神和范围的情况下做出各种修改和变型,这样的修改和变型均落入由所附权利要求所限定的范围之内。
Claims (10)
1.一种管家推荐模型的训练方法,其特征在于,包括:
获取各个用户的用户特征、各个管家的管家特征以及与所述用户与所述管家的签约标签;
将所述用户特征与所述管家特征进行匹配,确定所述用户与所述管家匹配特征;
将所述用户特征、所述管家特征以及所述匹配特征输入初始管家推荐模型中,确定预测签约结果;
基于所述预测签约结果以及所述签约标签进行损失函数计算,更新所述初始管家推荐模型的参数,以确定目标管家推荐模型。
2.根据权利要求1所述的方法,其特征在于,所述获取各个用户的用户特征,包括:
获取所述用户的客观特征;
获取所述用户的房源浏览记录;
基于所述房源浏览记录确定各个所述房源对应的配套设施;
利用所述配套设施中各个配套对象的分布,确定所述用户的主观意向特征;
基于所述客观特征以及所述主观意向特征,确定所述用户的用户特征。
3.根据权利要求2所述的方法,其特征在于,所述利用所述配套设施中各个配套对象的分布,确定所述用户的主观意向特征,包括:
将所述房源浏览记中出现次数大于预设阈值的所述配套对象,作为所述用户的主观意向特征。
4.根据权利要求1所述的方法,其特征在于,所述将所述用户特征与所述管家特征进行匹配,确定所述用户与所述管家的匹配特征,包括:
判断所述管家的管家特征中是否存在与所述用户的主观意向特征相同的特征;
当所述管家的管家特征中存在与所述用户的主观意向特征相同的特征时,将所述相同的特征确定为所述匹配特征。
5.一种管家推荐方法,其特征在于,包括:
获取当前用户的房源浏览记录;
基于所述房源浏览记录确定所述当前用户的用户特征;
将所述当前用户的用户特征与各个待匹配管家的管家特征进行匹配,确定当前用户与所述待匹配管家的匹配特征;
将所述当前用户的用户特征、各个待匹配管家的管家特征以及所述当前用户与所述待匹配管家的匹配特征输入目标管家推荐模型中,确定目标管家,所述目标管家推荐模型是根据权利要求1-4中任一项所述的管家推荐模型的训练方法训练得到的。
6.根据权利要求5所述的方法,其特征在于,所述将所述当前用户的用户特征、各个待匹配管家的管家特征以及所述当前用户与所述待匹配管家的匹配特征输入目标管家推荐模型中,确定目标管家,还包括:
基于所述目标管家推荐模型确定各个用户特征以及各个所述管家特征的重要性;
基于所述各个用户特征以及各个所述管家特征的重要性,对所述当前用户的用户特征以及各个待匹配管家的管家特征进行筛选,确定输入所述目标管家推荐模型的目标用户特征以及目标管家特征;
将所述目标用户特征、所述目标管家特征以及所述当前用户与所述待匹配管家的匹配特征输入目标管家推荐模型中,确定所述目标管家。
7.根据权利要求5或6所述的方法,其特征在于,所述将所述当前用户的用户特征、各个待匹配管家的管家特征以及所述当前用户与所述待匹配管家的匹配特征输入目标管家推荐模型中,确定目标管家,包括:
将所述当前用户的用户特征、各个待匹配管家的管家特征以及所述当前用户与所述待匹配管家的匹配特征输入目标管家推荐模型中,确定各个所述待匹配管家对应的签约概率;
基于所述签约概率确定至少一个所述目标管家。
8.根据权利要求7所述的方法,其特征在于,所述将所述当前用户的用户特征、各个待匹配管家的管家特征以及所述当前用户与所述待匹配管家的匹配特征输入目标管家推荐模型中,确定目标管家,还包括:
显示至少一个所述目标管家的联系信息。
9.一种电子设备,其特征在于,包括:至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器执行如权利要求1-4或5-8中任一所述的方法的步骤。
10.一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,所述计算机程序被处理器执行时实现如权利要求1-8或5-8中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210037669.2A CN114387062A (zh) | 2022-01-13 | 2022-01-13 | 管家推荐模型的训练、管家推荐方法及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210037669.2A CN114387062A (zh) | 2022-01-13 | 2022-01-13 | 管家推荐模型的训练、管家推荐方法及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114387062A true CN114387062A (zh) | 2022-04-22 |
Family
ID=81202668
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210037669.2A Pending CN114387062A (zh) | 2022-01-13 | 2022-01-13 | 管家推荐模型的训练、管家推荐方法及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114387062A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115238190A (zh) * | 2022-08-12 | 2022-10-25 | 中国建设银行股份有限公司 | 一种推荐对象的方法、装置、电子设备和存储介质 |
CN116187632A (zh) * | 2022-09-08 | 2023-05-30 | 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 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107679985A (zh) * | 2017-09-12 | 2018-02-09 | 阿里巴巴集团控股有限公司 | 风险特征筛选、描述报文生成方法、装置以及电子设备 |
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 |
US20200258171A1 (en) * | 2019-02-13 | 2020-08-13 | The Toronto-Dominion Bank | System and Method for Interfacing Acquiring Entities and Realtors |
CN112561269A (zh) * | 2020-12-07 | 2021-03-26 | 深圳市思为软件技术有限公司 | 顾问推荐方法及装置 |
CN113435523A (zh) * | 2021-06-29 | 2021-09-24 | 北京百度网讯科技有限公司 | 预测内容点击率的方法、装置、电子设备以及存储介质 |
WO2021237707A1 (zh) * | 2020-05-29 | 2021-12-02 | 京东方科技集团股份有限公司 | 问题推荐方法及装置、系统和电子设备、可读存储介质 |
CN113742495A (zh) * | 2021-09-07 | 2021-12-03 | 平安科技(深圳)有限公司 | 基于预测模型的评级特征权重确定方法及装置、电子设备 |
CN113869596A (zh) * | 2021-10-12 | 2021-12-31 | 北京房江湖科技有限公司 | 任务预测处理方法、设备、产品和介质 |
-
2022
- 2022-01-13 CN CN202210037669.2A patent/CN114387062A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107679985A (zh) * | 2017-09-12 | 2018-02-09 | 阿里巴巴集团控股有限公司 | 风险特征筛选、描述报文生成方法、装置以及电子设备 |
US20200258171A1 (en) * | 2019-02-13 | 2020-08-13 | The Toronto-Dominion Bank | System and Method for Interfacing Acquiring Entities and Realtors |
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 |
WO2021237707A1 (zh) * | 2020-05-29 | 2021-12-02 | 京东方科技集团股份有限公司 | 问题推荐方法及装置、系统和电子设备、可读存储介质 |
CN112561269A (zh) * | 2020-12-07 | 2021-03-26 | 深圳市思为软件技术有限公司 | 顾问推荐方法及装置 |
CN113435523A (zh) * | 2021-06-29 | 2021-09-24 | 北京百度网讯科技有限公司 | 预测内容点击率的方法、装置、电子设备以及存储介质 |
CN113742495A (zh) * | 2021-09-07 | 2021-12-03 | 平安科技(深圳)有限公司 | 基于预测模型的评级特征权重确定方法及装置、电子设备 |
CN113869596A (zh) * | 2021-10-12 | 2021-12-31 | 北京房江湖科技有限公司 | 任务预测处理方法、设备、产品和介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115238190A (zh) * | 2022-08-12 | 2022-10-25 | 中国建设银行股份有限公司 | 一种推荐对象的方法、装置、电子设备和存储介质 |
CN116187632A (zh) * | 2022-09-08 | 2023-05-30 | 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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112632385B (zh) | 课程推荐方法、装置、计算机设备及介质 | |
CN114387062A (zh) | 管家推荐模型的训练、管家推荐方法及电子设备 | |
CN112613917A (zh) | 基于用户画像的信息推送方法、装置、设备及存储介质 | |
CN110515986B (zh) | 一种社交网络图的处理方法、装置及存储介质 | |
CN112860997A (zh) | 医疗资源推荐方法、装置、设备及存储介质 | |
CN111597297A (zh) | 物品召回方法、系统、电子设备及可读存储介质 | |
CN111522886B (zh) | 一种信息推荐方法、终端及存储介质 | |
CN112507098B (zh) | 问题处理方法、装置、电子设备、存储介质及程序产品 | |
CN108241867A (zh) | 一种分类方法及装置 | |
CN111724084A (zh) | 数据资产的价值显示方法、装置、设备及存储介质 | |
CN115809371A (zh) | 基于数据分析的学习需求确定方法及系统 | |
CN111104590A (zh) | 信息推荐方法、装置、介质及电子设备 | |
CN112906361A (zh) | 文本数据的标注方法和装置、电子设备和存储介质 | |
CN116881430A (zh) | 一种产业链识别方法、装置、电子设备及可读存储介质 | |
US10915557B2 (en) | Product classification data transfer and management | |
CN117077679B (zh) | 命名实体识别方法和装置 | |
CN113591881A (zh) | 基于模型融合的意图识别方法、装置、电子设备及介质 | |
CN114386734A (zh) | 使用人工智能和机器学习用于技术分析的企业管理系统 | |
CN112560445A (zh) | 一种市长热线热点诉求话题检测方法和装置 | |
CN112529319A (zh) | 基于多维特征的评分方法、装置、计算机设备及存储介质 | |
CN112182390A (zh) | 一种函件推送方法、装置、计算机设备及存储介质 | |
CN110929526A (zh) | 样本生成方法、装置以及电子设备 | |
CN116304155A (zh) | 基于二维图片的三维构件检索方法、装置、设备及介质 | |
CN116166858A (zh) | 基于人工智能的信息推荐方法、装置、设备及存储介质 | |
CN114385878A (zh) | 政务数据的可视化展示方法、装置及终端设备 |
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 |