CN116187632A - 行为预测模型训练方法、房源匹配方法、装置及存储介质 - Google Patents
行为预测模型训练方法、房源匹配方法、装置及存储介质 Download PDFInfo
- Publication number
- CN116187632A CN116187632A CN202211094548.8A CN202211094548A CN116187632A CN 116187632 A CN116187632 A CN 116187632A CN 202211094548 A CN202211094548 A CN 202211094548A CN 116187632 A CN116187632 A CN 116187632A
- Authority
- CN
- China
- Prior art keywords
- broker
- source
- house
- training
- determining
- 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
- 238000012549 training Methods 0.000 title claims abstract description 158
- 238000000034 method Methods 0.000 title claims abstract description 94
- 238000003062 neural network model Methods 0.000 claims abstract description 42
- 230000008569 process Effects 0.000 claims abstract description 30
- 230000006399 behavior Effects 0.000 claims description 98
- 230000006870 function Effects 0.000 claims description 28
- 238000012216 screening Methods 0.000 claims description 28
- 238000013507 mapping Methods 0.000 claims description 21
- 238000003066 decision tree Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 5
- 230000003542 behavioural effect Effects 0.000 claims description 2
- 239000000758 substrate Substances 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 13
- 238000012423 maintenance Methods 0.000 description 6
- 230000009471 action Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 238000001914 filtration Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012797 qualification 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
- G06Q10/063112—Skill-based matching of a person or a group to a task
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Software Systems (AREA)
- Operations Research (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Game Theory and Decision Science (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施方式公开了行为预测模型训练方法、房源匹配方法、装置及存储介质。方法包括:确定训练样本集,训练样本集中的每个训练样本包括经纪人‑房源对,经纪人‑房源对包括经纪人的第一特征和房源的第二特征,其中经纪人已浏览过房源,训练样本被标记有标记状态,标记状态用于标记经纪人浏览房源后、经纪人对房源是否已产生预定行为;将训练样本集输入神经网络模型;基于训练样本集,执行神经网络模型的训练过程;将完成训练过程的神经网络模型,确定为行为预测模型。提高匹配的准确度,减少对经纪人的干扰推荐。
Description
技术领域
本发明实施方式涉及互联网技术领域,更具体的说,涉及行为预测模型训练方法、房源匹配方法、装置及存储介质。
背景技术
为房源寻找合适经纪人是房产交易过程的关键过程。在房源匹配中,将房源推广给合适的经纪人,其本质是一个推荐问题。
目前,通常利用各种类型的推广工具将房源匹配到全城或者商圈的全部经纪人,并没有对经纪人进行筛选的过程,房源匹配准确度不高,可能导致经纪人被频繁打扰。
发明内容
本发明实施方式提出一种行为预测模型训练方法、房源匹配方法、装置及存储介质。
本发明实施方式的技术方案如下:
一种行为预测模型的训练方法,包括:
确定训练样本集,所述训练样本集中的每个训练样本包括经纪人-房源对,所述经纪人-房源对包括经纪人的第一特征和房源的第二特征,其中所述经纪人已浏览过所述房源,所述训练样本被标记有标记状态,所述标记状态用于标记所述经纪人浏览所述房源后、所述经纪人对所述房源是否已产生预定行为;
将所述训练样本集输入神经网络模型;
基于所述训练样本集,执行所述神经网络模型的训练过程,所述训练过程包括:针对每个训练样本,基于所述第一特征和所述第二特征,确定所述经纪人对所述房源产生所述预定行为的预测值;基于每个所述训练样本的预测值和标记状态,确定所述神经网络模型的损失函数值;配置所述神经网络模型的模型参数,以使所述损失函数值低于预设阈值;
将完成所述训练过程的所述神经网络模型,确定为行为预测模型。
在一个实施方式中,所述基于每个所述训练样本的预测值和标记状态,确定所述神经网络模型的损失函数值,包括:
基于每个所述训练样本的预测值与标记状态之间的差值,确定每个所述训练样本的单样本损失值;
将所述训练样本集中所有训练样本的所述单样本损失值的平均值,确定为所述损失函数值。
一种房源匹配方法,包括:
确定多个经纪人-房源对,每个经纪人-房源对包括经纪人的第一特征和房源的第二特征,所述第二特征包括房源标识,所述经纪人已浏览过所述房源;
将所述多个经纪人-房源对输入行为预测模型,以得到每个经纪人-房源对中的经纪人对房源产生所述预定行为的预测值,其中所述行为预测模型是根据如上行为预测模型的训练方法所训练得到的;
按照所述预测值,对所述房源的经纪人进行排序;
基于排序结果,确定所述房源的推荐经纪人;
建立所述房源的房源标识与所述房源的推荐经纪人之间的映射关系;
接收包含待查房源标识的查询请求,基于所述待查房源标识查询所述映射关系以确定对应于所述待查房源标识的推荐经纪人。
在一个实施方式中,在所述确定多个经纪人-房源对之前,所述方法还包括:
根据筛选规则,对包含所述多个经纪人-房源对的原始数据执行筛选;其中所述筛选规则是从决策树模型中提取的,所述筛选规则包括下列中的至少一个:
选择经纪人偏好小区中的房源;
选择虽不在经纪人偏好小区中,但在经纪人偏好的预定地理区域内且在经纪人偏好的价格区间内的房源。
在一个实施方式中,所述方法还包括:
确定目标经纪人-房源对,所述目标经纪人-房源对包含对应于所述待查房源标识的推荐经纪人以及包含所述待查房源标识的第二特征;
确定所述目标经纪人-房源对中的匹配特征,所述匹配特征表征所述目标经纪人-房源对中的、所述第一特征与所述第二特征之间的匹配状况;
确定对应于所述匹配特征的推荐理由;
展示所述推荐理由。
一种行为预测模型的训练装置,包括:
样本集确定模块,用于确定训练样本集,所述训练样本集中的每个训练样本包括经纪人-房源对,所述经纪人-房源对包括经纪人的第一特征和房源的第二特征,其中所述经纪人已浏览过所述房源,所述训练样本被标记有标记状态,所述标记状态用于标记所述经纪人浏览所述房源后、所述经纪人与所述房源是否已产生预定行为;
输入模块,用于将所述训练样本集输入神经网络模型;
训练模块,用于基于所述训练样本集,执行所述神经网络模型的训练过程,所述训练过程包括:针对每个训练样本,基于所述第一特征和所述第二特征,确定所述经纪人与所述房源是否产生所述预定行为的预测值;基于每个所述训练样本的预测值和标记状态,确定所述神经网络模型的损失函数值;配置所述神经网络模型的模型参数,以使所述损失函数值低于预设阈值;
模型确定模块,用于将完成所述训练过程的所述神经网络模型,确定为行为预测模型。
一种房源匹配装置,包括:
对确定模块,用于确定多个经纪人-房源对,每个经纪人-房源对包括经纪人的第一特征和房源的第二特征,所述第二特征包括房源标识,所述经纪人已浏览过所述房源;
输入模块,用于将所述多个经纪人-房源对输入行为预测模型,以得到每个经纪人-房源对中的经纪人对房源产生所述预定行为的预测值,其中所述行为预测模型是根据如上行为预测模型的训练方法所训练得到的;
排序模块,用于按照所述预测值,对所述房源的经纪人进行排序;
推荐经纪人确定模块,用于基于排序结果,确定所述房源的推荐经纪人;
关系建立模块,用于建立所述房源的房源标识与所述房源的推荐经纪人之间的映射关系;
推荐模块,用于接收包含待查房源标识的查询请求,基于所述待查房源标识查询所述映射关系以确定对应于所述待查房源标识的推荐经纪人。
一种电子设备,该电子设备包括:
处理器;
用于存储所述处理器可执行指令的存储器;
所述处理器,用于从所述存储器中读取所述可执行指令,并执行所述指令以实现如上所述的行为预测模型的训练方法或如上所述的房源匹配方法。
一种计算机可读存储介质,其上存储有计算机指令,所述计算机指令被处理器执行时可实现如上所述的行为预测模型的训练方法或如上所述的房源匹配方法。
一种计算机程序产品,包括计算机指令,所述计算机指令在被处理器执行时实施如上所述的行为预测模型的训练方法或如上所述的房源匹配方法。
从上述技术方案可以看出,在本发明实施方式中,确定训练样本集,训练样本集中的每个训练样本包括经纪人-房源对,经纪人-房源对包括经纪人的第一特征和房源的第二特征,其中经纪人已浏览过房源,训练样本被标记有标记状态,标记状态用于标记经纪人浏览房源后、经纪人对房源是否已产生预定行为;将训练样本集输入神经网络模型;基于训练样本集,执行神经网络模型的训练过程;将完成训练过程的神经网络模型,确定为行为预测模型。可见,利用人工智能技术训练出可以预测经纪人对房源是否产生预定行为(比如带看或成交,等等)的行为预测模型。可以利用行为预测模型筛选出与房源相匹配的经纪人,实现房源与经纪人之间的精准匹配,提高房源匹配准确度,减少对经纪人的干扰推荐。
附图说明
为了更清楚地说明本发明实施方式中的技术方案,下面将对实施方式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方式,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施方式的行为预测模型的训练方法的示范性流程图。
图2是本发明实施方式的房源特征的示范性示意图。
图3是本发明实施方式的经纪人特征的示范性示意图。
图4是本发明实施方式的房源匹配方法的示范性流程图。
图5是本发明实施方式的房源匹配及推荐理由展示过程的示范性流程图。
图6是本发明实施方式的行为预测模型的训练装置的示范性结构图。
图7是本发明实施方式的房源匹配装置的示范性结构图。
图8是本发明实施方式的电子设备的示范性结构图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面结合附图对本发明作进一步的详细描述。
为了描述上的简洁和直观,下文通过描述若干代表性的实施方式来对本发明的方案进行阐述。实施方式中大量的细节仅用于帮助理解本发明的方案。但是很明显,本发明的技术方案实现时可以不局限于这些细节。为了避免不必要地模糊了本发明的方案,一些实施方式没有进行细致地描述,而是仅给出了框架。下文中,“包括”是指“包括但不限于”,“根据……”是指“至少根据……,但不限于仅根据……”。由于汉语的语言习惯,下文中没有特别指出一个成分的数量时,意味着该成分可以是一个也可以是多个,或可理解为至少一个。本发明实施方式的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施方式例如能够以除在这里图示或描述的那些以外的顺序实施。
考虑到现有技术中将房源简单地匹配给全部经纪人(比如,全城或者整个商圈内的全部经纪人)导致房源匹配准确度不高,及经纪人被频繁打扰的缺陷,本发明实施方式构建经纪人-房源对,利用人工智能技术训练出预测经纪人未来是否对房源产生预定行为(比如成交)的行为预测模型,从而利用行为预测模型筛选与房源相匹配的经纪人,实现房源与经纪人之间的精准匹配,提高房源匹配准确度。
图1是本发明实施方式的行为预测模型的训练方法的示范性流程图。如图1所示,该方法包括:
步骤101:确定训练样本集,训练样本集中的每个训练样本包括经纪人-房源对,经纪人-房源对包括经纪人的第一特征和房源的第二特征,其中经纪人已浏览过房源,训练样本被标记有标记状态,标记状态用于标记经纪人浏览房源后、经纪人对房源是否已产生预定行为。
首先,确定包含多个训练样本的训练样本集,每个训练样本包括各自的经纪人-房源对。在每个经纪人-房源对中,包括表征经纪人属性的第一特征(可称为经纪人特征)和表征房源属性的第二特征(可称为房源特征)。
图2是本发明实施方式的房源特征的示范性示意图。在图2中,房源特征包括:房源位置(比如,房源位于哪个区域)、房源价格、业主意愿(比如,期望尽快成交或对购买者的资质要求,等等)、房源维护状况、房源配置设施、房源热度和房源维护经纪人的特征,等等。
图3是本发明实施方式的经纪人特征的示范性示意图。在图3中,经纪人特征包括:经纪人偏好特征(比如,经纪人维护的客户对价格的偏好(比如,1xx万~2xx万的区间之内)、经纪人维护的客户对位置的偏好(比如,期望房屋在海淀区))、经纪人历史带看记录、经纪人历史成交记录、经纪人评价分数、经纪人活跃度和维护客户的特征,等等。
以上示范性描述了房源特征和经纪人特征的典型实例,本领域技术人员可以意识到,这种描述仅是示范性的,并不用于限定本发明实施方式的保护范围。
每个训练样本中包含有一个房源的房源特征(房源特征可以为多个)以及浏览过该房源的一个经纪人的经纪人特征(经纪人特征可以为多个)。每个训练样本分别包含各自的标记状态。标记状态用于标记训练样本中的经纪人浏览训练样本中的房源后、经纪人对房源是否已产生预定行为。其中:当经纪人浏览房源后、经纪人对房源产生预定行为,则认定该训练样本为正样本;当经纪人浏览房源后、经纪人对房源没有产生预定行为,则认定该训练样本负正样本。
在一个实施方式中,预定行为可以实施为带看或成交,而且经纪人对房源是否已产生预定行为的时间期限可以为预定的,比如为一个月、两个月或三个月,等等。
根据上述描述,可以创建用于训练行为预测模型的训练样本集。训练后的行为预测模型,可以预测经纪人在浏览房源后对房源产生预定行为的预测值(比如,概率)。比如,当预定行为实施为带看时,训练后的行为预测模型用于预测经纪人在浏览房源后,对房源产生带看行为的预测值(产生带看行为时间期限通常等同于训练样本中经纪人浏览房源后到产生带看行为的时间期限);当预定行为实施为成交时,训练后的行为预测模型用于预测经纪人在浏览房源后,对房源产生成交行为的预测值(产生成交行为的时间期限通常等同于训练样本中经纪人浏览房源后到产生成交行为的时间期限)。
步骤102:将训练样本集输入神经网络模型。
在这里,神经网络模型可以包括卷积神经网络(CNN)、全连接神经网络(FCN)、因子分解机(FM)网络、深度FM网络、深度推荐(Wide&Deep)网络或生成对抗网络(GAN),等等。
以上示范性描述了神经网络模型的典型实例,本领域技术人员可以意识到,这种描述仅是示范性的,并不用于限定本发明实施方式的保护范围。
步骤103:基于训练样本集,执行神经网络模型的训练过程,训练过程包括:针对每个训练样本,基于第一特征和第二特征,确定经纪人对房源产生预定行为的预测值;基于每个训练样本的预测值和标记状态,确定神经网络模型的损失函数值;配置神经网络模型的模型参数,以使损失函数值低于预设阈值。
在一个实施方式中,基于每个训练样本的预测值和标记状态,确定神经网络模型的损失函数值,包括:基于每个训练样本的预测值与标记状态之间的差值,确定每个训练样本的单样本损失值;将训练样本集中所有训练样本的单样本损失值的平均值,确定为损失函数值。
因此,通过利用多训练样本的单样本损失值的平均值作为损失函数值,提高训练的准确度。
举例,基于每个训练样本的预测值与标记状态之间的差值,可以利用交叉熵损失函数确定每个训练样本的单样本损失值,然后将训练样本集中所有训练样本的单样本损失值的平均值,确定为损失函数值,接着反向传播并使用随机梯度下降算法配置神经网络模型的模型参数。
步骤104:将完成训练过程的神经网络模型,确定为行为预测模型。
基于图1方法训练出的行为预测模型,可以预测经纪人在浏览房源后对房源产生带看或成交行为的概率,从而进一步用于将房源匹配到合适的经纪人。
本发明实施方式还提出了房源匹配方法。图4是本发明实施方式的房源匹配方法的示范性流程图。如图4所示,房源匹配方法包括:
步骤401:确定多个经纪人-房源对,每个经纪人-房源对包括经纪人的第一特征和房源的第二特征,第二特征包括房源标识,经纪人-房源对中的经纪人已浏览过该经纪人-房源对中的房源。
举例,假定预定区域(比如全城)内共有N个经纪人-房源对。每个经纪人-房源对中包括一个房源的第二特征(第二特征的数目通常为多个)以及浏览过该房源的一个经纪人的第一特征(第一特征的数目通常为多个),其中第二特征中包括房源标识。
步骤402:将多个经纪人-房源对输入行为预测模型,以得到每个经纪人-房源对中的经纪人对房源产生预定行为的预测值,其中行为预测模型是根据如上的行为预测模型的训练方法所训练得到的。
比如,将N个经纪人-房源对输入行为预测模型后,可以得到N个预测值。每个预测值分别表征各自的经纪人-房源对中的经纪人在浏览房源后对房源产生成交行为的概率。
步骤403:按照预测值,对房源的经纪人进行排序。
比如,针对N个经纪人-房源对所对应的全部房源中的任意房源i,按照预测值对浏览过房源i的全部经纪人进行排序。
步骤404:基于排序结果,确定房源的推荐经纪人。
在这里,基于排序结果,从浏览过房源i的全部经纪人中,确定出浏览房源i后对房源产生成交行为概率最高的经纪人,以作为推荐经纪人。因此,针对N个经纪人-房源对所对应的全部房源,分别可以确定出各自的推荐经纪人。
步骤406:建立房源的房源标识与房源的推荐经纪人之间的映射关系。
比如,可以在映射表中保存房源i与房源i的推荐经纪人之间的映射关系。因此,映射表中保存有每个房源及房源的推荐经纪人之间的映射关系。后续利用该映射表,可以快速查询到任意房源的推荐经纪人。
步骤406:接收包含待查房源标识的查询请求,基于待查房源标识查询映射关系以确定对应于待查房源标识的推荐经纪人。
因此,接收包含待查房源标识的查询请求,基于待查房源标识查询映射关系,可以快速确定对应于待查房源标识的推荐经纪人。
可见,利用行为预测模型得到每个经纪人-房源对中的经纪人对房源产生预定行为的预测值,从而可以根据预测值对每个房源的已浏览过经纪人进行排序,并根据排序结果,确定每个房源的推荐经纪人,从而实现准确的房源匹配。
在一个实施方式中,在确定多个经纪人-房源对之前,方法还包括:根据筛选规则,对包含多个经纪人-房源对的原始数据执行筛选;其中筛选规则是从决策树(decisiontree)模型中提取的,筛选规则包括下列中的至少一个:选择经纪人偏好小区中的房源;选择虽不在经纪人偏好小区中,但在经纪人偏好的预定地理区域内且在经纪人偏好的价格区间内的房源。其中:决策树模型是一种简单高效、具有强解释性的预测模型,一般是自上而下生成的,每个决策或事件(即自然状态)都可能引出两个或多个事件并导致不同的结果。这种决策分支画成图形后很像一棵树的枝干,故称决策树。换种表达就是,运用树状图表示各决策的期望值,通过计算,最终选出效益最大和成本最小的决策方法。
举例,假定根节点包括经纪人-房源对的总数(称为总样本数)以及经纪人-房源对中的正样本数。根据第一个规则(房源是否在经纪人偏好的小区中)从根节点中引出两个分支,其中一个分支是第一叶子节点(即房源在经纪人偏好的小区中),另一个分支是第一非叶子节点(即房源不在经纪人偏好的小区中)。而且,根据第二个规则(房源是否在经纪人偏好的地理区域内),从第一非叶子节点中引出两个分支,其中一个分支是第二叶子节点(即房源不在经纪人偏好的地理区域内),另一个分支是第二非叶子节点(即房源在经纪人偏好的地理区域内)。根据第三个规则(房源价格是否在经纪人偏好的价格区间内),从第二非叶子节点中引出两个分支,其中一个分支是第三叶子节点(即房源价格在偏好的价格区间内),另一个分支是第四叶子节点(房源价格不在偏好的价格区间内)。计算每个叶子节点处的正样本数与该叶子节点处的总样本数之间的比例,将比例大于预定门限值的叶子节点确定为适配于提取筛选规则的叶子节点。比如,确定从第一叶子节点从第三叶子节点提取筛选规则。从第一叶子节点提取的筛选规则为:经纪人偏好小区中的房源;从第三叶子节点提取筛选规则为:虽不在经纪人偏好小区中,但在经纪人偏好的预定地理区域内且在经纪人偏好的价格区间内的房源。
以上示范性描述了基于决策树提取筛选规则的典型实例,本领域技术人员可以意识到,这种描述仅是示范性的,并不用于对本发明实施方式进行限定。
因此,通过筛选规则对经纪人-房源对的原始数据执行筛选,可以显著减少经纪人-房源对的数目,从而减少实施难度。
在这里,考虑到房源和经纪人的数量通常很大,其组合成的经纪人-房源对的数目更多,对于实际应用来说,预测时候的数据量太大容易导致整体处理流程较长,资源消耗较多。为解决经纪人-房源对的数目过大的问题,利用筛选规则对经纪人-房源对进行初筛,其中可以采用决策树模型生成筛选规则。比如,从决策树模型中提取筛选规则,筛选规则可以包括:
(1)、选择经纪人偏好小区中的房源。
比如,从原始数据中选择经纪人偏好小区中的房源,并滤除不在经纪人偏好小区中的房源,从而减少经纪人-房源对的数目。
(2)、选择虽不在经纪人偏好小区中,但在经纪人偏好的预定地理区域内且在经纪人偏好的价格区间内的房源。
比如,从原始数据中选择虽不在经纪人偏好小区中,但在经纪人偏好的预定地理区域内且在经纪人偏好的价格区间内的房源,从而减少经纪人-房源对的数目。
在示范性实施方式中,方法还包括:确定目标经纪人-房源对,目标经纪人-房源对包含对应于待查房源标识的推荐经纪人以及包含待查房源标识的第二特征;确定目标经纪人-房源对中的匹配特征,匹配特征表征目标经纪人-房源对中的、第一特征与第二特征之间的匹配状况;确定对应于匹配特征的推荐理由;展示推荐理由。因此,本发明实施方式还可以进一步提供选择推荐经纪人的具体理由,从而便于用户了解推荐原因。
下面对本发明实施方式的实现细节进行描述。本发明实施方式的房源匹配方法主要包括:
(1)训练数据获取:
之前推广都是粗放式的推广,推广的体量很小,线下推广的房源也缺乏相关的推广记录数据,很难作为模型训练集。推荐目标是让经纪人了解房源,然后根据房源是否跟当前客户需求匹配从而产出带看和成交等行为。因此,为选取训练数据,需要先给出定义:如何可以确定经纪人了解房源。本发明实施方式中,可以结合经纪人过去的预定时间(比如一个月)的浏览记录,把预定时间内经纪人浏览过的房源作为经纪人了解的房源。因此,结合预定时间内经纪人过的浏览房源,构建成经纪人-房源对,作为训练集。优选地,进一步对包含多个经纪人-房源对的训练集执行筛选,从而减少训练集的数目,其中可以从决策树模型中提取出筛选规则。
(2)标签设定:
考虑到房屋交易的具体情况,带看和成交都是比较重的动作,尤其成交需要一段的时间才能完成,因此标签定位未来的预定时间(比如一个月),经纪人-房源对是否发生了带看或成交作为经纪人-房源对的标签。优选地,选用成交作为标签。
(3)特征构建:
特征主要包括:房源特征和经纪人特征。比如,房源特征可以包括房源位置、价格、配套设施、维护情况、房东意愿,等等。经纪人特征主要来源于经纪人的作业行为。根据经纪人过往时间内的作业房源特征,统计汇总出经纪人最近客户的偏好房源特征。另外,为防止已完成交易的客户信息干预经纪人偏好,在统计过程中剔除已成交客户的作业动作,只关注还未成交的潜在购买客户。经纪人-房源的匹配特征主要是通过房源特征和经纪人特征进行匹配,计算在各个维度上经纪人-房源对的匹配度,作为特征参与到模型训练。
(4)模型训练:
在模型训练中,利用训练集训练出可以预测经纪人对房源是否产生预定行为(比如带看或成交,等等)的行为预测模型。可以利用行为预测模型筛选出与房源相匹配的经纪人,实现房源与经纪人之间的精准匹配,提高房源匹配准确度,减少对经纪人的干扰推荐。
现有技术中的推广工具依靠房源信息对房源所在的商圈或者城区的全部经纪人进行房源推荐,导致大量对房源不太感兴趣的经纪人被推荐房源。本发明实施方式对经纪人-房源对进行排序,只对匹配度较高的经纪人进行推荐。
对于实际应用,预测时候的数据量仍很大,导致整体预测流程较长,资源消耗较多。为解决该问题,对经纪人-房源对进行初筛,降低打分数据集的量级,从而提升模型的预测效率。可以采用决策树模型确定初筛规则,利用房源特征和经纪人偏好特征的匹配结果作为特征,通过决策树提取过滤规则来进行初步筛选。完成初筛之后,通过模型对经纪人-房源对进行排序,筛选出匹配度较高的若干个经纪人进行推荐(可以根据业务的需求调整经纪人数目)。可以采用分类模型,标签是经纪人-房源对在预定时间(比如一个月)是否产生交易/带看。分类模型对房源特征和经纪人特征,通过GBDT模型进行学习。
(5)线上推荐:
比如,房源推广匹配模型可以用于房源聚焦项目中,房源维护人对自己维护的房源进行推广,通过查询房源推荐模型离线产出的推荐结果查询匹配度最高的经纪人进行推广。
图5是本发明实施方式的房源匹配及推荐理由展示过程的示范性流程图。如图5所示,该方法包括:
步骤501:获取包含多个经纪人-房源对的原始数据。比如,获取全部商圈或全城的经纪人-房源对的原始数据。
步骤502:对原始数据执行过滤,只保留符合下列任一条件的房源对:(1)、房源位于经纪人偏好小区;(2)、房源虽不在经纪人偏好小区中,但在经纪人偏好的预定地理区域内且在经纪人偏好的价格区间内的房源。
步骤503:确定步骤502过滤后的、每个经纪人-房源对中的匹配特征。比如,在某个房源对中,房源特征中所包含的对价格区间的描述与经纪人特征中所包含的对价格区间的需求相匹配,则认定匹配特征为房屋价格。再比如,在某个房源对中,房源特征中所包含的对房屋面积的描述与经纪人特征中所包含的对房屋面积的要求相匹配,则认定匹配特征为房屋面积。
步骤504:基于每个经纪人-房源对的匹配特征,确定每个房源对的推荐理由。比如,假定匹配特征为房屋价格,则推荐理由可以为预先设定的字符串“价格区间契合,因此作为推荐理由”。再比如,假定匹配特征为房屋面积,则推荐理由可以为预先设定的字符串“房屋面积契合,因此作为推荐理由”。
步骤505:将步骤502过滤后的、每个经纪人-房源对输入行为预测模型,以得到每个经纪人-房源对的预测值,该预测值表征经纪人-房源对中的经纪人在浏览房源后,在预定时间内对房源发生成交行为的概率。
步骤506:按照预测值对房源的经纪人进行排序,基于排序结果确定出房源的推荐经纪人。在这里,针对相同房源的全部已浏览经纪人的预测值进行排序,并将预测值最高的经纪人,确定为该相同房源的推荐经纪人。类似地,可以确定出全部房源的各自推荐经纪人。
步骤507:建立每个房源的房源标识与其推荐经纪人映射关系。比如,可以形成映射表,该映射表的Key值为房源的房源标识。Value值为房源的推荐经纪人。
步骤508:接收包含待查房源标识的查询请求,基于待查房源标识查询映射关系以确定对应于待查房源标识的推荐经纪人。
步骤509:展示步骤508中确定的、对应于待查房源标识的推荐经纪人及步骤504中确定的、包含对应于待查房源标识的房源以及推荐经纪人的房源对的推荐理由。
图6是本发明实施方式的行为预测模型的训练装置的示范性结构图。如图6所示,行为预测模型的训练装置600包括:
样本集确定模块601,用于确定训练样本集,训练样本集中的每个训练样本包括经纪人-房源对,经纪人-房源对包括经纪人的第一特征和房源的第二特征,其中经纪人已浏览过房源,训练样本被标记有标记状态,标记状态用于标记经纪人浏览房源后、经纪人与房源是否已产生预定行为;
输入模块602,用于将训练样本集输入神经网络模型;
训练模块603,用于基于训练样本集,执行神经网络模型的训练过程,训练过程包括:针对每个训练样本,基于第一特征和第二特征,确定经纪人与房源是否产生预定行为的预测值;基于每个训练样本的预测值和标记状态,确定神经网络模型的损失函数值;配置神经网络模型的模型参数,以使损失函数值低于预设阈值;
模型确定模块604,用于将完成训练过程的神经网络模型,确定为行为预测模型。
图7是本发明实施方式的房源匹配装置的示范性结构图。如图7所示,房源匹配装置700包括:
对确定模块701,用于确定多个经纪人-房源对,每个经纪人-房源对包括经纪人的第一特征和房源的第二特征,第二特征包括房源标识,经纪人已浏览过房源;
输入模块702,用于将多个经纪人-房源对输入行为预测模型,以得到每个经纪人-房源对中的经纪人对房源产生预定行为的预测值,其中行为预测模型是根据如上的行为预测方法训练得到的;
排序模块703,用于按照预测值,对房源的经纪人进行排序;
推荐经纪人确定模块704,用于基于排序结果,确定房源的推荐经纪人;
关系建立模块705,用于建立房源的房源标识与房源的推荐经纪人之间的映射关系;
推荐模块706,用于接收包含待查房源标识的查询请求,基于待查房源标识查询映射关系以确定对应于待查房源标识的推荐经纪人。
本发明实施方式还提供一种计算机可读介质,计算机可读存储介质存储指令,指令在由处理器执行时可执行如上的行为预测模型训练方法或房源匹配方法中的步骤。实际应用中的计算机可读介质可以是上述实施方式中描述的设备/装置/系统中所包含的,也可以是单独存在而未装配入该设备/装置/系统中。上述计算机可读存储介质承载有一个或者多个程序,当上述一个或多个程序被执行时,可以实现上述各实施方式描述的行为预测模型训练方法或房源匹配方法。
根据本发明公开的实施方式,计算机可读存储介质可以是非易失性的计算机可读存储介质,例如可以包括但不限于:便携式计算机磁盘、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或闪存)、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,但不用于限制本发明保护的范围。在本发明公开的实施方式中,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。
如图8所示,本发明实施方式还提供一种电子设备,其中可以集成本发明实施方式实现方法的装置。如图8所示,其示出了本发明实施方式所涉及的电子设备的示范性结构图。具体地:该电子设备可以包括一个或一个以上处理核心的处理器801、一个或一个以上计算机可读存储介质的存储器802以及存储在存储器上并可在处理器上运行的计算机程序。在执行存储器802的程序时,可以实现上述行为预测模型训练方法或房源匹配方法。
在实际应用中,该电子设备还可以包括电源803、输入单元804、以及输出单元805等部件。本领域技术人员可以理解,图8中示出的电子设备的结构并不构成对该电子设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。其中:处理器801是该电子设备的控制中心,利用各种接口和线路连接整个电子设备的各个部分,通过运行或执行存储在存储器802内的软件程序和/或模块,以及调用存储在存储器802内的数据,执行服务器的各种功能和处理数据,从而对该电子设备进行整体监控。存储器802可用于存储软件程序以及模块,即上述计算机可读存储介质。处理器801通过运行存储在存储器802的软件程序以及模块,从而执行各种功能应用以及数据处理。存储器802可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序等;存储数据区可存储根据服务器的使用所创建的数据等。此外,存储器802可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地,存储器802还可以包括存储器控制器,以提供处理器801对存储器802的访问。
该电子设备还包括给各个部件供电的电源803,可以通过电源管理系统与处理器801逻辑相连,从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。电源803还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。该电子设备还可包括输入单元804,该输入单元804可用于接收输入的数字或字符信息,以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。该电子设备还可以包括输出单元805,该输出单元805可以用于显示由用户输入的信息或提供给用户的信息以及各种图像用户接口,这些图形用户接口可以由图形、文本、图标、视频和其任意组合来构成。
本发明实施方式还提供一种计算机程序产品,该计算机程序产品包括计算机指令,该计算机指令在被处理器执行时实施如上述任一实施方式所述的行为预测模型训练方法或房源匹配方法。
本发明附图中的流程图和框图,示出了按照本发明公开的各种实施方式的系统、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。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或者代码的一部分,上述模块、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。也应该注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同附图中所标准的顺序发生。例如,两个连接地表示的方框实际上可以基本并行地执行,它们有时也可以按照相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或者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。
本文中应用了具体实施方式对本发明的原理及实施方式进行了阐述,以上实施方式的说明只是用于帮助理解本发明的方法及其核心思路,并不用于限制本发明。对于本领域的技术人员来说,可以依据本发明的思路、精神和原则,在具体实施方式及应用范围上进行改变,其所做的任何修改、等同替换、改进等,均应包含在本发明保护的范围之内。
Claims (10)
1.一种行为预测模型的训练方法,其特征在于,包括:
确定训练样本集,所述训练样本集中的每个训练样本包括经纪人-房源对,所述经纪人-房源对包括经纪人的第一特征和房源的第二特征,其中所述经纪人已浏览过所述房源,所述训练样本被标记有标记状态,所述标记状态用于标记所述经纪人浏览所述房源后、所述经纪人对所述房源是否已产生预定行为;
将所述训练样本集输入神经网络模型;
基于所述训练样本集,执行所述神经网络模型的训练过程,所述训练过程包括:针对每个训练样本,基于所述第一特征和所述第二特征,确定所述经纪人对所述房源产生所述预定行为的预测值;基于每个所述训练样本的预测值和标记状态,确定所述神经网络模型的损失函数值;配置所述神经网络模型的模型参数,以使所述损失函数值低于预设阈值;
将完成所述训练过程的所述神经网络模型,确定为行为预测模型。
2.根据权利要求1所述的方法,其特征在于,
所述基于每个所述训练样本的预测值和标记状态,确定所述神经网络模型的损失函数值,包括:
基于每个所述训练样本的预测值与标记状态之间的差值,确定每个所述训练样本的单样本损失值;
将所述训练样本集中所有训练样本的所述单样本损失值的平均值,确定为所述损失函数值。
3.一种房源匹配方法,其特征在于,包括:
确定多个经纪人-房源对,每个经纪人-房源对包括经纪人的第一特征和房源的第二特征,所述第二特征包括房源标识,所述经纪人已浏览过所述房源;
将所述多个经纪人-房源对输入行为预测模型,以得到每个经纪人-房源对中的经纪人对房源产生所述预定行为的预测值,其中所述行为预测模型是根据权利要求1-2中任一项的行为预测模型的训练方法所训练得到的;
按照所述预测值,对所述房源的经纪人进行排序;
基于排序结果,确定所述房源的推荐经纪人;
建立所述房源的房源标识与所述房源的推荐经纪人之间的映射关系;
接收包含待查房源标识的查询请求,基于所述待查房源标识查询所述映射关系以确定对应于所述待查房源标识的推荐经纪人。
4.根据权利要求3所述的方法,其特征在于,在确定多个经纪人-房源对之前,所述方法还包括:
根据筛选规则,对包含所述多个经纪人-房源对的原始数据执行筛选;其中所述筛选规则是从决策树模型中提取的,所述筛选规则包括下列中的至少一个:
选择经纪人偏好小区中的房源;
选择虽不在经纪人偏好小区中,但在经纪人偏好的预定地理区域内且在经纪人偏好的价格区间内的房源。
5.根据权利要求3所述的方法,其特征在于,所述方法还包括:
确定目标经纪人-房源对,所述目标经纪人-房源对包含对应于所述待查房源标识的推荐经纪人以及包含所述待查房源标识的第二特征;
确定所述目标经纪人-房源对中的匹配特征,所述匹配特征表征所述目标经纪人-房源对中的、所述第一特征与所述第二特征之间的匹配状况;
确定对应于所述匹配特征的推荐理由;
展示所述推荐理由。
6.一种行为预测模型的训练装置,其特征在于,包括:
样本集确定模块,用于确定训练样本集,所述训练样本集中的每个训练样本包括经纪人-房源对,所述经纪人-房源对包括经纪人的第一特征和房源的第二特征,其中所述经纪人已浏览过所述房源,所述训练样本被标记有标记状态,所述标记状态用于标记所述经纪人浏览所述房源后、所述经纪人与所述房源是否已产生预定行为;
输入模块,用于将所述训练样本集输入神经网络模型;
训练模块,用于基于所述训练样本集,执行所述神经网络模型的训练过程,所述训练过程包括:针对每个训练样本,基于所述第一特征和所述第二特征,确定所述经纪人与所述房源是否产生所述预定行为的预测值;基于每个所述训练样本的预测值和标记状态,确定所述神经网络模型的损失函数值;配置所述神经网络模型的模型参数,以使所述损失函数值低于预设阈值;
模型确定模块,用于将完成所述训练过程的所述神经网络模型,确定为行为预测模型。
7.一种房源匹配装置,其特征在于,包括:
对确定模块,用于确定多个经纪人-房源对,每个经纪人-房源对包括经纪人的第一特征和房源的第二特征,所述第二特征包括房源标识,所述经纪人已浏览过所述房源;
输入模块,用于将所述多个经纪人-房源对输入行为预测模型,以得到每个经纪人-房源对中的经纪人对房源产生所述预定行为的预测值,其中所述行为预测模型是根据权利要求1-2中任一项行为预测模型训练方法训练得到的;
排序模块,用于按照所述预测值,对所述房源的经纪人进行排序;
推荐经纪人确定模块,用于基于排序结果,确定所述房源的推荐经纪人;
关系建立模块,用于建立所述房源的房源标识与所述房源的推荐经纪人之间的映射关系;
推荐模块,用于接收包含待查房源标识的查询请求,基于所述待查房源标识查询所述映射关系以确定对应于所述待查房源标识的推荐经纪人。
8.一种电子设备,其特征在于,该电子设备包括:
处理器;
用于存储所述处理器可执行指令的存储器;
所述处理器,用于从所述存储器中读取所述可执行指令,并执行所述可执行指令以实现权利要求1-2任一项所述的行为预测模型的训练方法或权利要求3-5任一项所述的房源匹配方法。
9.一种计算机可读存储介质,其上存储有计算机指令,其特征在于,所述计算机指令被处理器执行时可实现权利要求1-2任一项所述的行为预测模型的训练方法或权利要求3-5任一项所述的房源匹配方法。
10.一种计算机程序产品,其特征在于,包括计算机指令,所述计算机指令在被处理器执行时实施权利要求1-2任一项所述的行为预测模型的训练方法或权利要求3-5任一项所述的房源匹配方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211094548.8A CN116187632A (zh) | 2022-09-08 | 2022-09-08 | 行为预测模型训练方法、房源匹配方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211094548.8A CN116187632A (zh) | 2022-09-08 | 2022-09-08 | 行为预测模型训练方法、房源匹配方法、装置及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116187632A true CN116187632A (zh) | 2023-05-30 |
Family
ID=86431351
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211094548.8A Pending CN116187632A (zh) | 2022-09-08 | 2022-09-08 | 行为预测模型训练方法、房源匹配方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116187632A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108090659A (zh) * | 2017-12-06 | 2018-05-29 | 成都初唐网络科技股份有限公司 | 房源分配方法以及装置 |
CN111681087A (zh) * | 2020-06-16 | 2020-09-18 | 贝壳技术有限公司 | 信息处理方法、装置、计算机可读存储介质及电子设备 |
CN113807912A (zh) * | 2021-07-30 | 2021-12-17 | 北京房江湖科技有限公司 | 动态匹配用户和经纪人连接的方法及计算机程序产品 |
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 |
CN114240697A (zh) * | 2021-12-21 | 2022-03-25 | 贝壳找房网(北京)信息技术有限公司 | 生成经纪人推荐模型的方法、装置、电子设备及存储介质 |
CN114387062A (zh) * | 2022-01-13 | 2022-04-22 | 北京自如信息科技有限公司 | 管家推荐模型的训练、管家推荐方法及电子设备 |
CN114418609A (zh) * | 2021-12-13 | 2022-04-29 | 贝壳找房网(北京)信息技术有限公司 | 成交概率预估方法、存储介质及程序产品 |
-
2022
- 2022-09-08 CN CN202211094548.8A patent/CN116187632A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108090659A (zh) * | 2017-12-06 | 2018-05-29 | 成都初唐网络科技股份有限公司 | 房源分配方法以及装置 |
CN111681087A (zh) * | 2020-06-16 | 2020-09-18 | 贝壳技术有限公司 | 信息处理方法、装置、计算机可读存储介质及电子设备 |
CN113807912A (zh) * | 2021-07-30 | 2021-12-17 | 北京房江湖科技有限公司 | 动态匹配用户和经纪人连接的方法及计算机程序产品 |
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 |
CN114418609A (zh) * | 2021-12-13 | 2022-04-29 | 贝壳找房网(北京)信息技术有限公司 | 成交概率预估方法、存储介质及程序产品 |
CN114240697A (zh) * | 2021-12-21 | 2022-03-25 | 贝壳找房网(北京)信息技术有限公司 | 生成经纪人推荐模型的方法、装置、电子设备及存储介质 |
CN114387062A (zh) * | 2022-01-13 | 2022-04-22 | 北京自如信息科技有限公司 | 管家推荐模型的训练、管家推荐方法及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ngo et al. | Factor-based big data and predictive analytics capability assessment tool for the construction industry | |
Babu et al. | Exploring big data-driven innovation in the manufacturing sector: evidence from UK firms | |
CN110070391B (zh) | 数据处理方法、装置、计算机可读介质及电子设备 | |
CN109255586B (zh) | 一种面向电子政务办事的在线个性化推荐方法 | |
CN110971659A (zh) | 推荐消息的推送方法、装置及存储介质 | |
CN107993019B (zh) | 一种简历评估方法及装置 | |
CN110310163A (zh) | 一种精准制定营销策略的方法、设备及可读介质 | |
CN107704512A (zh) | 基于社交数据的金融产品推荐方法、电子装置及介质 | |
JP2002092305A (ja) | スコア算出方法及びスコア提供方法 | |
CN112613789A (zh) | 风险管控数据处理方法、风险预警规则前置数据监控方法 | |
CN107368521B (zh) | 一种基于大数据和深度学习的知识推介方法及系统 | |
CN105447038A (zh) | 用于获取用户特征的方法和系统 | |
CN108241867B (zh) | 一种分类方法及装置 | |
CN113901236A (zh) | 基于人工智能的目标识别方法、装置、电子设备及介质 | |
CN113763066A (zh) | 用于分析信息的方法和装置 | |
CN108182512B (zh) | 一种简历评估方法及装置 | |
KR102153259B1 (ko) | 데이터 도메인 추천 방법 및 추천된 도메인을 이용하여 통합 데이터 저장소 관리 시스템을 구축하는 방법 | |
CN117291651A (zh) | 美妆行业的自然复购预测模型的创建方法及其应用 | |
CN111126629B (zh) | 模型的生成方法、刷单行为识别方法、系统、设备和介质 | |
CN116501979A (zh) | 信息推荐方法、装置、计算机设备及计算机可读存储介质 | |
CN116187632A (zh) | 行为预测模型训练方法、房源匹配方法、装置及存储介质 | |
CN112734142B (zh) | 基于深度学习的资源学习路径规划方法及装置 | |
CN113987351A (zh) | 基于人工智能的智能推荐方法、装置、电子设备及介质 | |
CN113674065A (zh) | 基于服务触点的业务推荐方法、装置、电子设备及介质 | |
CN114529399A (zh) | 用户数据处理方法、装置、计算机设备和存储介质 |
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 |