CN117390289B - 基于用户画像的房屋建造方案推荐方法、装置、设备 - Google Patents

基于用户画像的房屋建造方案推荐方法、装置、设备 Download PDF

Info

Publication number
CN117390289B
CN117390289B CN202311661518.5A CN202311661518A CN117390289B CN 117390289 B CN117390289 B CN 117390289B CN 202311661518 A CN202311661518 A CN 202311661518A CN 117390289 B CN117390289 B CN 117390289B
Authority
CN
China
Prior art keywords
user
data set
character data
encrypted character
feature vector
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.)
Active
Application number
CN202311661518.5A
Other languages
English (en)
Other versions
CN117390289A (zh
Inventor
丁雪亮
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 Meizhi Xiangshu Technology Co ltd
Original Assignee
Shenzhen Meizhi Xiangshu 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 Shenzhen Meizhi Xiangshu Technology Co ltd filed Critical Shenzhen Meizhi Xiangshu Technology Co ltd
Priority to CN202311661518.5A priority Critical patent/CN117390289B/zh
Publication of CN117390289A publication Critical patent/CN117390289A/zh
Application granted granted Critical
Publication of CN117390289B publication Critical patent/CN117390289B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • 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
    • G06F16/903—Querying
    • G06F16/9035—Filtering based on additional data, e.g. user or group profiles
    • 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
    • G06F16/906—Clustering; Classification
    • 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
    • G06F16/9536—Search customisation based on social or collaborative filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241—Advertisements
    • G06Q30/0251—Targeted advertisements
    • G06Q30/0255—Targeted advertisements based on user history
    • 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
    • G06Q50/08—Construction

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Business, Economics & Management (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Finance (AREA)
  • Library & Information Science (AREA)
  • Accounting & Taxation (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Primary Health Care (AREA)
  • Medical Informatics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Human Resources & Organizations (AREA)
  • Game Theory and Decision Science (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明涉及数据处理的技术领域，公开了一种基于用户画像的房屋建造方案推荐方法、装置、设备及存储介质。所述基于用户画像的房屋建造方案推荐方法包括：获取用户输入的检索信息，并实时获取用户的浏览记录信息；将所述检索信息与所述浏览记录信息输入至训练后的深度学习模型中进行预测，得到用户需求与偏好；并根据所述用户需求与偏好构建用户的用户画像；基于所述用户画像，从房屋户型数据库中匹配出与所述用户画像对应的房屋户型，作为用户的目标房屋户型；本发明能够从大量的房屋户型和装修方案中，找出与用户画像最匹配的选项。极大地提升了用户体验，并满足了用户的个体差异需求。

Description

基于用户画像的房屋建造方案推荐方法、装置、设备
技术领域
本发明涉及数据处理的技术领域，尤其涉及一种基于用户画像的房屋建造方案推荐方法、装置、设备。
背景技术
随着互联网技术和大数据技术的快速发展，个性化推荐系统逐渐成为了各种行业的热门研究领域。在房屋装修行业，传统的装修方案推荐方式主要依赖于人工或固定模板，无法根据用户的个性化需求和偏好进行精确推荐，这使得用户在选择装修方案时面临众多选择而难以做出决策。
目前的房屋装修推荐系统往往仅仅根据房屋的基本信息，如户型、面积等进行推荐。然而，不同的用户即使在同样的房屋信息下，由于个人喜好、生活习惯和经济状况等因素的差异，对装修的需求和期望都会有所不同。这使得现有的推荐系统无法充分满足用户的实际需求。此外，现有的系统往往忽略了用户的浏览记录信息，不能判断出用户可能感兴趣的装修风格和元素，从而不能为用户推荐更为合适的方案。
综上所述，针对现有技术中的问题和不足，急需一种基于用户画像的房屋建造方案推荐方法及系统。
发明内容
本发明提供了一种基于用户画像的房屋建造方案推荐方法、装置、设备及存储介质，用于解决目前无法根据用户的个性化需求和偏好进行精确推荐房屋建造方案的技术问题。
本发明第一方面提供了一种基于用户画像的房屋建造方案推荐方法，所述基于用户画像的房屋建造方案推荐方法包括：
获取用户输入的检索信息，并实时获取用户的浏览记录信息；
将所述检索信息与所述浏览记录信息输入至训练后的深度学习模型中进行预测，得到用户需求与偏好；并根据所述用户需求与偏好构建用户的用户画像；其中，所述用户画像用于描述用户的装修风格偏好、预算范围；
基于所述用户画像，从房屋户型数据库中匹配出与所述用户画像对应的房屋户型，作为用户的目标房屋户型；
从装修方案数据库中获取与所述目标房屋户型相关的多个装修方案，并对每个装修方案加上对应的元数据标签；
基于用户画像与参考信息，通过预设的多模态机器学习算法对各个装修方案的元数据标签进行评分；并筛选出评分最高的元数据标签，作为目标元数据标签，将所述目标元数据标签对应的装修方案推送至用户终端设备；其中，所述参考信息为各个装修方案的相关信息。
可选的，在本发明第一方面的第一种实现方式中，所述检索信息至少包括房屋面积、房屋户型、房屋楼层、房屋装修预算、用户的光线偏好以及用户的装修风格；
所述元数据标签至少包括针对所述目标房屋户型的装修风格、预计造价、工程预计时长。
可选的，在本发明第一方面的第二种实现方式中，所述浏览记录信息至少包括用户浏览的装修风格、访问的装修相关网站、浏览的家具或装修材料产品，以及用户在第三方社交媒体平台上的关于装修内容的分享和评论。
可选的，在本发明第一方面的第三种实现方式中，所述深度学习模型的训练过程，包括：
获取数据样本集中的第一数据样本和第二数据样本；其中，所述第一数据样本表示用户输入的检索信息特征，所述第二数据样本表示用户的浏览记录信息特征；
通过预设的虚拟与现实交互模型与预设的递归神经网络模型，将所述第一数据样本和所述第二数据样本进行转换整合，得到输入数据；
通过预设的递归神经网络模型对所述输入数据进行特征提取，得到多个基准特征向量，基于所述多个基准特征向量构建一个特征关联图；其中，所述多个基准特征向量之间通过协同过滤算法进行关联；
获取用户输入的检索信息以及用户的浏览记录信息，根据用户输入的检索信息、用户的浏览记录信息与基准特征向量之间的相似度，计算适应度分数，根据所述适应度分数，动态调整所述特征关联图，得到调整后的特征关联图；
构建一个初始多层感知器深度学习模型，将调整后的特征关联图输入至初始多层感知器深度学习模型进行训练，预测输出用户行为与兴趣数据集；
使用预测的用户行为与兴趣数据集作为训练数据，通过梯度下降，周期性地更新深度学习模型的参数，直至训练结束，得到训练后的深度学习模型。
可选的，在本发明第一方面的第四种实现方式中，所述基于所述用户画像，从房屋户型数据库中匹配出与所述用户画像对应的房屋户型，作为用户的目标房屋户型，包括：
通过预设的卷积神经网络模型对所述用户画像进行特征提取，得到第一特征向量；
获取房屋户型数据库中的每个户型的属性；并通过预设的特征提取算法对所述属性进行特征提取，得到第二特征向量；其中，所述属性至少包括每个户型的面积、格局、朝向、楼层、每平米价格；
将用户画像的第一特征向量与房屋户型的第二特征向量进行整合，构建共享特征空间；
在所述共享特征空间中，运用预设的聚类算法对每个用户画像的第一特征向量进行划分，得到每个用户画像对应聚类的标签；
在每个聚类中，基于预设的相似度比较算法计算第一特征向量与第二特征向量的接近程度, 从所述共享特征空间中获取与所述第一特征向量最接近的第二特征向量，并基于最接近的第二特征向量，从房屋户型数据库中寻找最相似的房屋户型，作为用户的目标房屋户型。
可选的，在本发明第一方面的第五种实现方式中，所述在所述共享特征空间中，运用预设的聚类算法对每个用户画像的第一特征向量进行划分，得到每个用户画像对应聚类的标签，包括：
确定最优的聚类数量；
通过预设的主成分分析算法对每个用户画像的第一特征向量进行降维，并从降维后的第一特征向量选取出初始聚类中心；
通过特定的距离计算公式计算共享特征空间中的每个综合特征向量与所有初始聚类中心的距离值，并将距离值分配到与所述综合特征向量最近的初始聚类中心所在的聚类中，得到分配结果；其中，所述特定的距离计算公式至少包括欧几里德距离或余弦相似度；所述综合特征向量由所述第一特征向量与所述第二特征向量融合得到；
根据所述分配结果，在每一个聚类里计算所有综合特征向量的平均值，将所述平均值当作新的聚类中心，动态更新初始聚类中心；
构建一个可自适应的迭代环境，在所述迭代环境中不断更新初始聚类中心，并自动调整迭代次数，直到初始聚类中心达到预设的最大迭代次数，得到最终的聚类中心；
根据最终的聚类中心，将相应的用户画像划分至对应的聚类，并对用户画像标记为对应聚类的标签。
可选的，在本发明第一方面的第六种实现方式中，所述将所述目标元数据标签对应的装修方案推送至用户终端设备的步骤之后，包括：
用户终端设备获取装修方案；基于预设的编码规则将所述装修方案进行编码，得到对应的加密字符数据集；
将所述加密字符数据集分为三份，分别为第一加密字符数据集、第二加密字符数据集、第三加密字符数据集；
基于所述用户终端设备中唯一的解密算法对所述第一加密字符数据集进行解密，得到第一解密数据；其中，所述第一加密字符数据集的加密算法与所述唯一的解密算法互相对应；
对所述第一加密字符数据集进行特征识别，从所述第一加密字符数据集中识别出特征字段，并获取到所述特征字段对应的特征值；
基于所述特征值对所述第二加密字符数据集进行解密，得到第二数据；其中，若所述特征值无法对所述第二加密字符数据集进行解密，则删除所述第一加密字符数据集、第二加密字符数据集以及第三加密字符数据集；
对所述第二数据进行哈希运算，得到对应的哈希值；
基于所述哈希值对所述第三加密字符数据进行解密，得到第三数据；其中，若所述哈希值无法对所述第三加密字符数据进行解密，则删除所述第一加密字符数据集、第二加密字符数据集以及第三加密字符数据集；
将所述第一加密字符数据集、第二加密字符数据集以及第三加密字符数据集按照预设规格添加至数据模板中，得到解密后的装修方案。
本发明第二方面提供了一种基于用户画像的房屋建造方案推荐装置，所述基于用户画像的房屋建造方案推荐装置包括：
第一获取模块，用于获取用户输入的检索信息，并实时获取用户的浏览记录信息；
预测模块，用于将所述检索信息与所述浏览记录信息输入至训练后的深度学习模型中进行预测，得到用户需求与偏好；并根据所述用户需求与偏好构建用户的用户画像；其中，所述用户画像用于描述用户的装修风格偏好、预算范围；
匹配模块，用于基于所述用户画像，从房屋户型数据库中匹配出与所述用户画像对应的房屋户型，作为用户的目标房屋户型；
第二获取模块，用于从装修方案数据库中获取与所述目标房屋户型相关的多个装修方案，并对每个装修方案加上对应的元数据标签；
推送模块，用于基于用户画像与参考信息，通过预设的多模态机器学习算法对各个装修方案的元数据标签进行评分；并筛选出评分最高的元数据标签，作为目标元数据标签，将所述目标元数据标签对应的装修方案推送至用户终端设备；其中，所述参考信息为各个装修方案的相关信息。
本发明第三方面提供了一种基于用户画像的房屋建造方案推荐设备，包括：存储器和至少一个处理器，所述存储器中存储有指令；所述至少一个处理器调用所述存储器中的所述指令，以使得所述基于用户画像的房屋建造方案推荐设备执行上述的基于用户画像的房屋建造方案推荐方法。
本发明的第四方面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中存储有指令，当其在计算机上运行时，使得计算机执行上述的基于用户画像的房屋建造方案推荐方法。
本发明提供的技术方案中，有益效果：本发明提供一种基于用户画像的房屋建造方案推荐方法、装置、设备及存储介质，通过获取用户输入的检索信息，并实时获取用户的浏览记录信息；将所述检索信息与所述浏览记录信息输入至训练后的深度学习模型中进行预测，得到用户需求与偏好；并根据所述用户需求与偏好构建用户的用户画像；基于所述用户画像，从房屋户型数据库中匹配出与所述用户画像对应的房屋户型，作为用户的目标房屋户型；从装修方案数据库中获取与所述目标房屋户型相关的多个装修方案，并对每个装修方案加上对应的元数据标签；基于用户画像与参考信息，通过预设的多模态机器学习算法对各个装修方案的元数据标签进行评分；并筛选出评分最高的元数据标签，作为目标元数据标签，将所述目标元数据标签对应的装修方案推送至用户终端设备；本发明通过结合用户的检索信息，浏览记录信息，和深度学习模型预测，能够精准获取用户的需求和偏好，从而实现一种个性化的用户体验。通过元数据标签对装修方案进行精准描述，然后再利用预设的多模态机器学习算法对元数据标签进行评分，筛选出评分最高的装修方案，可以大大提高预测准确度，从而提供用户满意度。并且通过对目标元数据标签对应的装修方案直接推送至用户终端设备，为用户节省了大量搜索和比对的时间和能力，使用户能够更方便，更快捷的获取自己满意的装修方案。
附图说明
图1为本发明实施例中基于用户画像的房屋建造方案推荐方法的一个实施例示意图；
图2为本发明实施例中基于用户画像的房屋建造方案推荐装置的一个实施例示意图。
具体实施方式
本发明实施例提供了一种基于用户画像的房屋建造方案推荐方法、装置、设备。本发明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，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”或“具有”及其任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解，下面对本发明实施例的具体流程进行描述，请参阅图1，本发明实施例中基于用户画像的房屋建造方案推荐方法的一个实施例包括：
步骤101、获取用户输入的检索信息，并实时获取用户的浏览记录信息；
可以理解的是，本发明的执行主体可以为基于用户画像的房屋建造方案推荐装置，还可以是终端或者服务器，具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。
具体的，本发明的实施例具体的实现步骤如下：
创建客户端用户界面：开发一个用户界面(UI)，包含文本框或搜索栏等组件，用于接收用户的检索信息。
处理用户请求：当用户在界面上输入检索信息后，将该信息发送到服务器端进行处理。
管理数据库：在服务器端，选择适合的数据库来存储用户的浏览记录信息，例如SQL数据库或NoSQL数据库。
记录用户浏览记录：在服务器端，将用户的检索信息存储到数据库中。创建一个浏览记录表，包含用户ID、搜索关键字、检索时间等字段。
实时获取用户浏览记录信息：需要获取用户的浏览记录时，使用数据库查询语言（如SQL）查询浏览记录表。根据用户ID和时间范围等条件，检索和返回用户的浏览记录信息。
步骤102、将所述检索信息与所述浏览记录信息输入至训练后的深度学习模型中进行预测，得到用户需求与偏好；并根据所述用户需求与偏好构建用户的用户画像；其中，所述用户画像用于描述用户的装修风格偏好、预算范围；
具体的，本发明的实施例具体的实现步骤如下：
数据准备：将检索信息和浏览记录信息整理成适合深度学习模型输入的数据格式，如进行编码或使用特征提取方法。
深度学习模型训练：使用准备好的数据训练深度学习模型，选择适合的模型架构，并根据任务需求进行调整。
预测用户需求和偏好：将用户的检索信息和浏览记录信息输入已训练好的深度学习模型，通过模型的前向传播获得用户需求和偏好的预测结果。
构建用户画像：基于预测结果，构建描述用户的画像，包括装修风格偏好和预算范围等信息。
更新用户画像：随着用户的使用和交互，使用新的检索信息和浏览记录信息实时更新用户画像。
步骤103、基于所述用户画像，从房屋户型数据库中匹配出与所述用户画像对应的房屋户型，作为用户的目标房屋户型；
具体的，本发明的实施例具体的实现步骤如下：
房屋户型数据库：准备一个房屋户型数据库，其中包含不同户型的信息，例如房间数量、面积、楼层等。
用户画像匹配：根据用户画像中描述的用户需求、装修风格偏好和预算范围等信息，设计一套匹配算法来从数据库中筛选并匹配与用户画像对应的房屋户型。您可以使用数据库查询语句和适当的过滤条件来实现这一步骤。
目标房屋户型选取：根据匹配结果，从筛选出的房屋户型中选择与用户画像最匹配的作为用户的目标房屋户型。
步骤104、从装修方案数据库中获取与所述目标房屋户型相关的多个装修方案，并对每个装修方案加上对应的元数据标签；
具体的，本发明的实施例具体的实现步骤如下：
装修方案数据库：准备一个装修方案数据库，其中包含各种装修方案的信息，例如设计效果图、材料清单、装修风格等。
目标房屋户型匹配：根据用户选择的目标房屋户型，设计一套匹配算法来从数据库中筛选出与该户型相关的多个装修方案。您可以使用数据库查询语句和适当的过滤条件来实现这一步骤。
元数据标签：对于每个筛选出的装修方案，添加相应的元数据标签。这些标签可以包括装修风格、材料用量、装修难度等信息，用于进一步描述和分类装修方案。
步骤105、基于用户画像与参考信息，通过预设的多模态机器学习算法对各个装修方案的元数据标签进行评分；并筛选出评分最高的元数据标签，作为目标元数据标签，将所述目标元数据标签对应的装修方案推送至用户终端设备；其中，所述参考信息为各个装修方案的相关信息。
具体的，本发明的实施例具体的实现步骤如下：
多模态机器学习算法：准备一个多模态机器学习算法，该算法可以接受装修方案的元数据标签和参考信息作为输入，并为每个装修方案生成评分。
执行评分：将各个装修方案的元数据标签和参考信息输入到多模态机器学习算法中，执行评分操作。算法会根据预设的模型和权重，对每个装修方案进行评分。
筛选最高评分：根据评分结果，筛选出评分最高的元数据标签。您可以设置一个阈值或者选取排名靠前的标签作为目标元数据标签。
推送装修方案：根据目标元数据标签，从装修方案数据库中选择与目标元数据标签相关的装修方案，并将这些装修方案推送到用户终端设备。推送方式可以是通过应用程序、电子邮件或其他适当的方式进行。
本发明实施例中基于用户画像的房屋建造方案推荐方法的另一个实施例包括：
所述检索信息至少包括房屋面积、房屋户型、房屋楼层、房屋装修预算、用户的光线偏好以及用户的装修风格；
所述元数据标签至少包括针对所述目标房屋户型的装修风格、预计造价、工程预计时长。
本发明实施例中基于用户画像的房屋建造方案推荐方法的另一个实施例包括：
所述浏览记录信息至少包括用户浏览的装修风格、访问的装修相关网站、浏览的家具或装修材料产品，以及用户在第三方社交媒体平台上的关于装修内容的分享和评论。
本发明实施例中基于用户画像的房屋建造方案推荐方法的另一个实施例包括：
所述深度学习模型的训练过程，包括：
获取数据样本集中的第一数据样本和第二数据样本；其中，所述第一数据样本表示用户输入的检索信息特征，所述第二数据样本表示用户的浏览记录信息特征；
通过预设的虚拟与现实交互模型与预设的递归神经网络模型，将所述第一数据样本和所述第二数据样本进行转换整合，得到输入数据；
通过预设的递归神经网络模型对所述输入数据进行特征提取，得到多个基准特征向量，基于所述多个基准特征向量构建一个特征关联图；其中，所述多个基准特征向量之间通过协同过滤算法进行关联；
获取用户输入的检索信息以及用户的浏览记录信息，根据用户输入的检索信息、用户的浏览记录信息与基准特征向量之间的相似度，计算适应度分数，根据所述适应度分数，动态调整所述特征关联图，得到调整后的特征关联图；
构建一个初始多层感知器深度学习模型，将调整后的特征关联图输入至初始多层感知器深度学习模型进行训练，预测输出用户行为与兴趣数据集；
使用预测的用户行为与兴趣数据集作为训练数据，通过梯度下降，周期性地更新深度学习模型的参数，直至训练结束，得到训练后的深度学习模型。
具体的，本发明的实施例具体的实现步骤如下：
1.获取数据样本集：该步骤中，需要提取包含用户输入的检索信息特征（第一数据样本）以及用户的浏览记录信息特征（第二数据样本）。例如，如果用户正在在线书店中进行搜索和浏览，第一数据样本可能包括用户输入的查询词（如“科幻小说”），而第二数据样本可能包括用户过去浏览过的书籍类别（如“奇幻”、“历史”等）。
2.数据整合：此步操作是通过预设的虚拟与现实交互模型和递归神经网络模型对第一数据样本和第二数据样本进行转换整合，形成合并数据。例如，这两类数据可以通过一种嵌入方法（例如，word2vec或BERT）转换为理解模型能够理解的训练数据。
3.特征提取和关联图构建：在这一步，递归神经网络模型会从输入数据中提取特征，得到多个基准特征向量。然后，可以构建一个特征关联图，其中基准特征向量间的关联由协同过滤算法完成。例如，这可能意味着找出在特定查询下用户一般都会浏览哪些书籍类别。
4.计算适应度分数和关联图调整：基于用户输入的检索信息与用户的浏览记录信息，以及它们与基准特征向量之间的相似度，计算出一个适应度分数。根据适应度分数动态调整特征关联图，如调整特征的权重或连接。例如，如果发现用户的查询行为与其历史浏览行为高度相关，那么这些功能可能会具有更高的权重。
5.初始模型构建和训练：初始的多层感知器深度学习模型会被构建出来，并用调整后的特征关联图进行训练，预测出用户行为和兴趣数据集。例如，模型可能会预测出一个用户在查阅“科幻小说”后可能对“未来主题”或“太空探索”类的书籍产生兴趣。
6.模型更新与优化：以预测的用户行为与兴趣数据集作为训练数据，开始训练模型，使用如梯度下降这样的优化算法，不断更新和优化模型参数，直至训练结束，最后获得训练后的深度学习模型。这一过程中，以模型在训练数据上的表现作为反馈，训练通过不断迭代趋向于在给定任务上的最佳性能。
本发明实施例中基于用户画像的房屋建造方案推荐方法的另一个实施例包括：
所述基于所述用户画像，从房屋户型数据库中匹配出与所述用户画像对应的房屋户型，作为用户的目标房屋户型，包括：
通过预设的卷积神经网络模型对所述用户画像进行特征提取，得到第一特征向量；
获取房屋户型数据库中的每个户型的属性；并通过预设的特征提取算法对所述属性进行特征提取，得到第二特征向量；其中，所述属性至少包括每个户型的面积、格局、朝向、楼层、每平米价格；
将用户画像的第一特征向量与房屋户型的第二特征向量进行整合，构建共享特征空间；
在所述共享特征空间中，运用预设的聚类算法对每个用户画像的第一特征向量进行划分，得到每个用户画像对应聚类的标签；
在每个聚类中，基于预设的相似度比较算法计算第一特征向量与第二特征向量的接近程度, 从所述共享特征空间中获取与所述第一特征向量最接近的第二特征向量，并基于最接近的第二特征向量，从房屋户型数据库中寻找最相似的房屋户型，作为用户的目标房屋户型。
具体的，本发明的实施例具体的实现步骤如下：
用户画像特征提取：通过预设的卷积神经网络模型对用户画像进行特征提取，得到的是第一特征向量。例如，用户画像可能包含用户的年龄、职业、收入水平等，这些可被CNN提取为可用于后续步骤的特征向量。
属性特征提取：获取存储在房屋户型数据库中的每个户型的属性，这些属性至少包括每个户型的面积、格局、朝向、楼层和每平米价格，然后通过预设的特征提取算法对这些属性进行特征提取，得到的是第二特征向量。例如，遇到一个70平方米、朝南、两室一厅、第3楼的户型，对其信息进行特征处理后，得到一组表示这个户型信息的特征向量。
特征向量整合：将得到的用户画像的第一特征向量与房屋户型的第二特征向量合并，构建一个共享特征空间。这个空间将同时储存用户个人信息特征和房屋户型特征，以便后续的分析和比较。
聚类处理：在得到的共享特征空间中，运用预设的聚类算法对每个用户画像的第一特征向量进行划分，得到每个用户画像对应聚类的标签。例如，使用k-means聚类算法可能基于用户的收入水平、年龄和其他特点将用户归入不同的类别。
最佳匹配选择：在每个聚类中，基于预设的相似度比较算法计算第一特征向量与第二特征向量的接近程度。在共享特征空间中找出与第一特征向量最接近的第二特征向量，并以此为依据，从房屋户型数据库中寻找最相似的房屋户型，作为用户的目标房屋户型。比如，在某个特定的聚类（中等收入，中年用户）中，系统可能发现一个85平方米，两室一厅，朝向南，第5楼的户型特征向量与用户特征向量最为接近，于是，这个户型就被推荐给用户。
本发明实施例中基于用户画像的房屋建造方案推荐方法的另一个实施例包括：
所述在所述共享特征空间中，运用预设的聚类算法对每个用户画像的第一特征向量进行划分，得到每个用户画像对应聚类的标签，包括：
确定最优的聚类数量；
通过预设的主成分分析算法对每个用户画像的第一特征向量进行降维，并从降维后的第一特征向量选取出初始聚类中心；
通过特定的距离计算公式计算共享特征空间中的每个综合特征向量与所有初始聚类中心的距离值，并将距离值分配到与所述综合特征向量最近的初始聚类中心所在的聚类中，得到分配结果；其中，所述特定的距离计算公式至少包括欧几里德距离或余弦相似度；所述综合特征向量由所述第一特征向量与所述第二特征向量融合得到；
根据所述分配结果，在每一个聚类里计算所有综合特征向量的平均值，将所述平均值当作新的聚类中心，动态更新初始聚类中心；
构建一个可自适应的迭代环境，在所述迭代环境中不断更新初始聚类中心，并自动调整迭代次数，直到初始聚类中心达到预设的最大迭代次数，得到最终的聚类中心；
根据最终的聚类中心，将相应的用户画像划分至对应的聚类，并对用户画像标记为对应聚类的标签。
具体的，本发明的实施例具体的实现步骤如下：
确定最优聚类数量：需要确定理想的用户群体数量，即聚类数量。可以利用方法如肘部法则，该方法通过检查不同聚类数量的误差平方和来确定最优聚类数量。
特征向量降维及初始聚类中心选择：主成分分析（PCA）算法被用于降低第一特征向量的维度。降维使得数据处理更为简便且使计算复杂度降低。先由降维过的特征向量选出初始聚类中心。
计算特征向量与初始聚类中心的距离：计算公式（如欧几里德距离或余弦相似度）用于计算共享特征空间中的每个融合特征向量（由第一特征向量与第二特征向量融合得到）与所有初始聚类中心的距离。接着，将距离值分配给跟融合特征向量最近的初始聚类中心。
动态更新聚类中心：根据距离分配表生成的结果，在每个聚类中计算所有融合特征向量的均值。这个均值成为新的聚类中心，旨在将聚类中心定位在最能代表其内部成员的位置。
自适应迭代环境及聚类中心更新：构建一个自适应迭代环境，以便在环境中持续更新初始聚类中心。迭代次数自动调整，直至达到预设的最大迭代次数，得到最终的聚类中心。这一步骤是优化过程的一部分，目的是寻找最佳的聚类中心，从而确保用户被准确地被归入正确的类别。
聚类标签分配：根据最终的聚类中心，用户画像被划定到相应的聚类，并被打上对应的标签。这样，每个用户都能被准确地归类，并被赋予代表他们在用户群体中特征的标签。
以下是以上步骤的应用示例：
确定最优聚类数量：如果用户画像数据集显示有明显的几种类型，比如三种：学生、工薪族、退休人员，那么聚类数量就可以设定为3。
特征向量降维及初始聚类中心选择：如果以年龄、收入、购房意愿等特征描绘用户画像，维度可能过高。这时候可以利用PCA算法压缩维度，例如压缩为两个主要特征，如年龄和购房意愿，然后在二维空间中选择初始的聚类中心。
计算特征向量与初始聚类中心的距离：例如，计算一个工薪族的特征向量与所有初始聚类中心（学生、工薪族、退休人员）的距离，并将其归类到最近的聚类中心，这里应是“工薪族”。
动态更新聚类中心：经过计算大量用户画像特征后，可以更新每个聚类中心，以确保它代表各个类别的平均主要特征。
自适应迭代环境及聚类中心更新：例如，使用迭代环境对聚类中心重复更新10次，之后找到了收敛的聚类中心，此时可以认为已找到最佳的聚类中心。
聚类标签分配：得到聚类中心后，即可按照距离划分用户到各个类别，并打上“学生”、“工薪族”、“退休人员”等标签，用于后续的个性化服务或推荐。
本发明实施例中基于用户画像的房屋建造方案推荐方法的另一个实施例包括：
所述将所述目标元数据标签对应的装修方案推送至用户终端设备的步骤之后，包括：
用户终端设备获取装修方案；基于预设的编码规则将所述装修方案进行编码，得到对应的加密字符数据集；
将所述加密字符数据集分为三份，分别为第一加密字符数据集、第二加密字符数据集、第三加密字符数据集；
基于所述用户终端设备中唯一的解密算法对所述第一加密字符数据集进行解密，得到第一解密数据；其中，所述第一加密字符数据集的加密算法与所述唯一的解密算法互相对应；
对所述第一加密字符数据集进行特征识别，从所述第一加密字符数据集中识别出特征字段，并获取到所述特征字段对应的特征值；
基于所述特征值对所述第二加密字符数据集进行解密，得到第二数据；其中，若所述特征值无法对所述第二加密字符数据集进行解密，则删除所述第一加密字符数据集、第二加密字符数据集以及第三加密字符数据集；
对所述第二数据进行哈希运算，得到对应的哈希值；
基于所述哈希值对所述第三加密字符数据进行解密，得到第三数据；其中，若所述哈希值无法对所述第三加密字符数据进行解密，则删除所述第一加密字符数据集、第二加密字符数据集以及第三加密字符数据集；
将所述第一加密字符数据集、第二加密字符数据集以及第三加密字符数据集按照预设规格添加至数据模板中，得到解密后的装修方案。
具体的，本发明的实施例具体的实现步骤如下：
获取装修方案并加密：用户终端设备首先获取装修方案，然后根据预设的编码规则对装修方案进行加密，生成对应的加密字符数据集。
加密数据集分割：将这个加密的字符数据集分为三个部分：第一加密字符数据集，第二加密字符数据集，和第三加密字符数据集。
解密第一加密字符数据集：用户终端设备基于本地唯一的解密算法对第一加密字符数据集进行解密，得到第一解密数据。这个唯一的解密算法能与第一加密字符数据集的加密算法匹配。
识别特征字段获取特征值：在第一解密数据中进行特征识别，识别出特征字段，并获取此特征字段对应的特征值。
使用特征值解密第二加密字符数据集：根据获取的特征值，对第二加密字符数据集进行解密，得到第二数据。如果该特征值无法解密第二加密字符数据集，则删除所有三份加密字符数据集。
进行哈希运算：接着，对第二数据进行哈希运算，得到相应的哈希值。
使用哈希值解密第三加密字符数据：使用哈希值对第三加密字符数据进行解密，得到第三数据。若哈希值无法解密第三加密字符数据，同样删除所有三份加密字符数据集。
生成解密后的装修方案：如果解密成功，将所有解密后的数据按照预设规格加入数据模板中，生成解密的装修方案。
以下是该过程的示例：
获取装修方案并加密：比如，用户获取的装修方案包括：现代简约风格，白色主题，带有阳台装饰。基于预设的编码规则比如首字母缩写，将这些元素加密为：“MS，WT, WD"。
加密数据集分割：此加密数据集分为三部分，即："MS"，"WT"，以及 "WD"。
解密第一加密字符数据集：用户设备中的解密算法将"MS"解密为"ModernStyle"，即现代简约风格。
识别特征字段获取特征值：接着在解密后的"Modern Style"中识别出特征字段"Modern"，它对应的特征值为现代。
使用特征值解密第二加密字符数据集：然后，用现代这个特征值来解密"WT"，如果成功，假设解密为"White Theme"，即白色主题；如果无法解密，则删除所有三个加密字母的数据集。
进行哈希运算：然后，对解密后得到的"White Theme"进行哈希运算，比如得到其哈希值为"12345678"。
使用哈希值解密第三加密字符数据：然后，基于得到的哈希值"12345678"解密第三份数据集"WD"，如果成功，解密后得到"With Decorations"，即带有装饰；如果无法解密，则删除所有三个加密字母的数据集。
生成解密后的装修方案：最终，将所有解密后的数据，即"Modern Style", "WhiteTheme", "With Decorations"，按照预设规格添加至数据模板中，生成解密的装修方案
本发明实施例中，有益效果：本发明实施例是对信息进行高度安全处理的过程，它通过多级解密和失败后的数据清除策略，保护了用户的数据安全和私密性。每一步都依赖于前一步的成功解密，增加了安全性。同时，无法解密时，删除所有加密数据集，有效防止敏感信息的泄漏。
上面对本发明实施例中基于用户画像的房屋建造方案推荐方法进行了描述，下面对本发明实施例中基于用户画像的房屋建造方案推荐装置进行描述，请参阅图2，本发明实施例中基于用户画像的房屋建造方案推荐装置一个实施例包括：
第一获取模块，用于获取用户输入的检索信息，并实时获取用户的浏览记录信息；
预测模块，用于将所述检索信息与所述浏览记录信息输入至训练后的深度学习模型中进行预测，得到用户需求与偏好；并根据所述用户需求与偏好构建用户的用户画像；其中，所述用户画像用于描述用户的装修风格偏好、预算范围；
匹配模块，用于基于所述用户画像，从房屋户型数据库中匹配出与所述用户画像对应的房屋户型，作为用户的目标房屋户型；
第二获取模块，用于从装修方案数据库中获取与所述目标房屋户型相关的多个装修方案，并对每个装修方案加上对应的元数据标签；
推送模块，用于基于用户画像与参考信息，通过预设的多模态机器学习算法对各个装修方案的元数据标签进行评分；并筛选出评分最高的元数据标签，作为目标元数据标签，将所述目标元数据标签对应的装修方案推送至用户终端设备；其中，所述参考信息为各个装修方案的相关信息。
在本实施例中，上述基于用户画像的房屋建造方案推荐装置实施例中的各个模块的具体实现，请参照上述基于用户画像的房屋建造方案推荐方法实施例中所述，在此不再进行赘述。
本发明还提供一种基于用户画像的房屋建造方案推荐设备，所述基于用户画像的房屋建造方案推荐设备包括存储器和处理器，存储器中存储有计算机可读指令，计算机可读指令被处理器执行时，使得处理器执行上述各实施例中的所述基于用户画像的房屋建造方案推荐方法的步骤。
本发明还提供一种计算机可读存储介质，该计算机可读存储介质可以为非易失性计算机可读存储介质，该计算机可读存储介质也可以为易失性计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在计算机上运行时，使得计算机执行所述基于用户画像的房屋建造方案推荐方法的步骤。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（read-only memory，ROM）、随机存取存储器（random access memory，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (7)

1.一种基于用户画像的房屋建造方案推荐方法，其特征在于，包括：
获取用户输入的检索信息，并实时获取用户的浏览记录信息；
将所述检索信息与所述浏览记录信息输入至训练后的深度学习模型中进行预测，得到用户需求与偏好；并根据所述用户需求与偏好构建用户的用户画像；其中，所述用户画像用于描述用户的装修风格偏好、预算范围；
基于所述用户画像，从房屋户型数据库中匹配出与所述用户画像对应的房屋户型，作为用户的目标房屋户型；
从装修方案数据库中获取与所述目标房屋户型相关的多个装修方案，并对每个装修方案加上对应的元数据标签；
基于用户画像与参考信息，通过预设的多模态机器学习算法对各个装修方案的元数据标签进行评分；并筛选出评分最高的元数据标签，作为目标元数据标签，将所述目标元数据标签对应的装修方案推送至用户终端设备；其中，所述参考信息为各个装修方案的相关信息；
所述基于所述用户画像，从房屋户型数据库中匹配出与所述用户画像对应的房屋户型，作为用户的目标房屋户型，包括：
通过预设的卷积神经网络模型对所述用户画像进行特征提取，得到第一特征向量；
获取房屋户型数据库中的每个户型的属性；并通过预设的特征提取算法对所述属性进行特征提取，得到第二特征向量；其中，所述属性至少包括每个户型的面积、格局、朝向、楼层、每平米价格；
将用户画像的第一特征向量与房屋户型的第二特征向量进行整合，构建共享特征空间；
在所述共享特征空间中，运用预设的聚类算法对每个用户画像的第一特征向量进行划分，得到每个用户画像对应聚类的标签；
在每个聚类中，基于预设的相似度比较算法计算第一特征向量与第二特征向量的接近程度, 从所述共享特征空间中获取与所述第一特征向量最接近的第二特征向量，并基于最接近的第二特征向量，从房屋户型数据库中寻找最相似的房屋户型，作为用户的目标房屋户型；
所述在所述共享特征空间中，运用预设的聚类算法对每个用户画像的第一特征向量进行划分，得到每个用户画像对应聚类的标签，包括：
确定最优的聚类数量；
通过预设的主成分分析算法对每个用户画像的第一特征向量进行降维，并从降维后的第一特征向量选取出初始聚类中心；
通过特定的距离计算公式计算共享特征空间中的每个综合特征向量与所有初始聚类中心的距离值，并将距离值分配到与所述综合特征向量最近的初始聚类中心所在的聚类中，得到分配结果；其中，所述特定的距离计算公式至少包括欧几里德距离或余弦相似度；所述综合特征向量由所述第一特征向量与所述第二特征向量融合得到；
根据所述分配结果，在每一个聚类里计算所有综合特征向量的平均值，将所述平均值当作新的聚类中心，动态更新初始聚类中心；
构建一个可自适应的迭代环境，在所述迭代环境中不断更新初始聚类中心，并自动调整迭代次数，直到初始聚类中心达到预设的最大迭代次数，得到最终的聚类中心；
根据最终的聚类中心，将相应的用户画像划分至对应的聚类，并对用户画像标记为对应聚类的标签；
所述将所述目标元数据标签对应的装修方案推送至用户终端设备的步骤之后，包括：
用户终端设备获取装修方案；基于预设的编码规则将所述装修方案进行编码，得到对应的加密字符数据集；
将所述加密字符数据集分为三份，分别为第一加密字符数据集、第二加密字符数据集、第三加密字符数据集；
基于所述用户终端设备中唯一的解密算法对所述第一加密字符数据集进行解密，得到第一解密数据；其中，所述第一加密字符数据集的加密算法与所述唯一的解密算法互相对应；
对所述第一加密字符数据集进行特征识别，从所述第一加密字符数据集中识别出特征字段，并获取到所述特征字段对应的特征值；
基于所述特征值对所述第二加密字符数据集进行解密，得到第二数据；其中，若所述特征值无法对所述第二加密字符数据集进行解密，则删除所述第一加密字符数据集、第二加密字符数据集以及第三加密字符数据集；
对所述第二数据进行哈希运算，得到对应的哈希值；
基于所述哈希值对所述第三加密字符数据进行解密，得到第三数据；其中，若所述哈希值无法对所述第三加密字符数据进行解密，则删除所述第一加密字符数据集、第二加密字符数据集以及第三加密字符数据集；
将所述第一加密字符数据集、第二加密字符数据集以及第三加密字符数据集按照预设规格添加至数据模板中，得到解密后的装修方案。
2.根据权利要求1所述的房屋建造方案推荐方法，其特征在于，所述检索信息至少包括房屋面积、房屋户型、房屋楼层、房屋装修预算、用户的光线偏好以及用户的装修风格；
所述元数据标签至少包括针对所述目标房屋户型的装修风格、预计造价、工程预计时长。
3.根据权利要求1所述的房屋建造方案推荐方法，其特征在于，所述浏览记录信息至少包括用户浏览的装修风格、访问的装修相关网站、浏览的家具或装修材料产品，以及用户在第三方社交媒体平台上的关于装修内容的分享和评论。
4.根据权利要求1所述的房屋建造方案推荐方法，其特征在于，所述深度学习模型的训练过程，包括：
获取数据样本集中的第一数据样本和第二数据样本；其中，所述第一数据样本表示用户输入的检索信息特征，所述第二数据样本表示用户的浏览记录信息特征；
通过预设的虚拟与现实交互模型与预设的递归神经网络模型，将所述第一数据样本和所述第二数据样本进行转换整合，得到输入数据；
通过预设的递归神经网络模型对所述输入数据进行特征提取，得到多个基准特征向量，基于所述多个基准特征向量构建一个特征关联图；其中，所述多个基准特征向量之间通过协同过滤算法进行关联；
获取用户输入的检索信息以及用户的浏览记录信息，根据用户输入的检索信息、用户的浏览记录信息与基准特征向量之间的相似度，计算适应度分数，根据所述适应度分数，动态调整所述特征关联图，得到调整后的特征关联图；
构建一个初始多层感知器深度学习模型，将调整后的特征关联图输入至初始多层感知器深度学习模型进行训练，预测输出用户行为与兴趣数据集；
使用预测的用户行为与兴趣数据集作为训练数据，通过梯度下降，周期性地更新深度学习模型的参数，直至训练结束，得到训练后的深度学习模型。
5.一种基于用户画像的房屋建造方案推荐装置，其特征在于，所述基于用户画像的房屋建造方案推荐装置包括：
第一获取模块，用于获取用户输入的检索信息，并实时获取用户的浏览记录信息；
预测模块，用于将所述检索信息与所述浏览记录信息输入至训练后的深度学习模型中进行预测，得到用户需求与偏好；并根据所述用户需求与偏好构建用户的用户画像；其中，所述用户画像用于描述用户的装修风格偏好、预算范围；
匹配模块，用于基于所述用户画像，从房屋户型数据库中匹配出与所述用户画像对应的房屋户型，作为用户的目标房屋户型；
第二获取模块，用于从装修方案数据库中获取与所述目标房屋户型相关的多个装修方案，并对每个装修方案加上对应的元数据标签；
推送模块，用于基于用户画像与参考信息，通过预设的多模态机器学习算法对各个装修方案的元数据标签进行评分；并筛选出评分最高的元数据标签，作为目标元数据标签，将所述目标元数据标签对应的装修方案推送至用户终端设备；其中，所述参考信息为各个装修方案的相关信息；
匹配模块，具体用于：
通过预设的卷积神经网络模型对所述用户画像进行特征提取，得到第一特征向量；
获取房屋户型数据库中的每个户型的属性；并通过预设的特征提取算法对所述属性进行特征提取，得到第二特征向量；其中，所述属性至少包括每个户型的面积、格局、朝向、楼层、每平米价格；
将用户画像的第一特征向量与房屋户型的第二特征向量进行整合，构建共享特征空间；
在所述共享特征空间中，运用预设的聚类算法对每个用户画像的第一特征向量进行划分，得到每个用户画像对应聚类的标签；
在每个聚类中，基于预设的相似度比较算法计算第一特征向量与第二特征向量的接近程度, 从所述共享特征空间中获取与所述第一特征向量最接近的第二特征向量，并基于最接近的第二特征向量，从房屋户型数据库中寻找最相似的房屋户型，作为用户的目标房屋户型；
所述在所述共享特征空间中，运用预设的聚类算法对每个用户画像的第一特征向量进行划分，得到每个用户画像对应聚类的标签，包括：
确定最优的聚类数量；
通过预设的主成分分析算法对每个用户画像的第一特征向量进行降维，并从降维后的第一特征向量选取出初始聚类中心；
通过特定的距离计算公式计算共享特征空间中的每个综合特征向量与所有初始聚类中心的距离值，并将距离值分配到与所述综合特征向量最近的初始聚类中心所在的聚类中，得到分配结果；其中，所述特定的距离计算公式至少包括欧几里德距离或余弦相似度；所述综合特征向量由所述第一特征向量与所述第二特征向量融合得到；
根据所述分配结果，在每一个聚类里计算所有综合特征向量的平均值，将所述平均值当作新的聚类中心，动态更新初始聚类中心；
构建一个可自适应的迭代环境，在所述迭代环境中不断更新初始聚类中心，并自动调整迭代次数，直到初始聚类中心达到预设的最大迭代次数，得到最终的聚类中心；
根据最终的聚类中心，将相应的用户画像划分至对应的聚类，并对用户画像标记为对应聚类的标签；
所述将所述目标元数据标签对应的装修方案推送至用户终端设备的步骤之后，包括：
用户终端设备获取装修方案；基于预设的编码规则将所述装修方案进行编码，得到对应的加密字符数据集；
将所述加密字符数据集分为三份，分别为第一加密字符数据集、第二加密字符数据集、第三加密字符数据集；
基于所述用户终端设备中唯一的解密算法对所述第一加密字符数据集进行解密，得到第一解密数据；其中，所述第一加密字符数据集的加密算法与所述唯一的解密算法互相对应；
对所述第一加密字符数据集进行特征识别，从所述第一加密字符数据集中识别出特征字段，并获取到所述特征字段对应的特征值；
基于所述特征值对所述第二加密字符数据集进行解密，得到第二数据；其中，若所述特征值无法对所述第二加密字符数据集进行解密，则删除所述第一加密字符数据集、第二加密字符数据集以及第三加密字符数据集；
对所述第二数据进行哈希运算，得到对应的哈希值；
基于所述哈希值对所述第三加密字符数据进行解密，得到第三数据；其中，若所述哈希值无法对所述第三加密字符数据进行解密，则删除所述第一加密字符数据集、第二加密字符数据集以及第三加密字符数据集；
将所述第一加密字符数据集、第二加密字符数据集以及第三加密字符数据集按照预设规格添加至数据模板中，得到解密后的装修方案。
6.一种基于用户画像的房屋建造方案推荐设备，其特征在于，所述基于用户画像的房屋建造方案推荐设备包括：存储器和至少一个处理器，所述存储器中存储有指令；
所述至少一个处理器调用所述存储器中的所述指令，以使得所述基于用户画像的房屋建造方案推荐设备执行如权利要求1-4中任一项所述的基于用户画像的房屋建造方案推荐方法。
7.一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，其特征在于，所述指令被处理器执行时实现如权利要求1-4中任一项所述的基于用户画像的房屋建造方案推荐方法。
CN202311661518.5A 2023-12-06 2023-12-06 基于用户画像的房屋建造方案推荐方法、装置、设备 Active CN117390289B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311661518.5A CN117390289B (zh) 2023-12-06 2023-12-06 基于用户画像的房屋建造方案推荐方法、装置、设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311661518.5A CN117390289B (zh) 2023-12-06 2023-12-06 基于用户画像的房屋建造方案推荐方法、装置、设备

Publications (2)

Publication Number Publication Date
CN117390289A CN117390289A (zh) 2024-01-12
CN117390289B true CN117390289B (zh) 2024-03-08

Family

ID=89465281

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311661518.5A Active CN117390289B (zh) 2023-12-06 2023-12-06 基于用户画像的房屋建造方案推荐方法、装置、设备

Country Status (1)

Country Link
CN (1) CN117390289B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117975059A (zh) * 2024-02-28 2024-05-03 途家网网络技术(北京)有限公司 相似房屋确定方法、存储介质及电子设备

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109684330A (zh) * 2018-12-17 2019-04-26 深圳市华云中盛科技有限公司 用户画像库构建方法、装置、计算机设备及存储介质
CN110245160A (zh) * 2019-06-03 2019-09-17 贝壳技术有限公司 一种确定房屋装修方案的方法及系统
KR20220039697A (ko) * 2020-12-28 2022-03-29 오드컨셉 주식회사 코디네이션 패션 아이템을 추천하는 방법

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109684330A (zh) * 2018-12-17 2019-04-26 深圳市华云中盛科技有限公司 用户画像库构建方法、装置、计算机设备及存储介质
CN110245160A (zh) * 2019-06-03 2019-09-17 贝壳技术有限公司 一种确定房屋装修方案的方法及系统
KR20220039697A (ko) * 2020-12-28 2022-03-29 오드컨셉 주식회사 코디네이션 패션 아이템을 추천하는 방법

Also Published As

Publication number Publication date
CN117390289A (zh) 2024-01-12

Similar Documents

Publication Publication Date Title
CN111753060B (zh) 信息检索方法、装置、设备及计算机可读存储介质
US20210174164A1 (en) System and method for a personalized search and discovery engine
WO2020211566A1 (zh) 一种用户推荐方法和装置以及计算设备和存储介质
CN107424043B (zh) 一种产品推荐方法及装置，电子设备
WO2023108980A1 (zh) 基于文本对抗样例的信息推送方法及装置
CN102737333B (zh) 用于计算用户和要约到微小细分的匹配的顺序引擎
CN106462608A (zh) 改进语言模型的知识源个性化
US20230153870A1 (en) Unsupervised embeddings disentanglement using a gan for merchant recommendations
US11080376B2 (en) Anonymous cross-device, cross-channel, and cross-venue user identification using adaptive deep learning
CN101859313A (zh) 信息处理设备和方法及其程序
CN117390289B (zh) 基于用户画像的房屋建造方案推荐方法、装置、设备
CN113656699B (zh) 用户特征向量确定方法、相关设备及介质
US12002052B2 (en) Feature subspace isolation and disentanglement in merchant embeddings
CN108897750A (zh) 融合多元上下文信息的个性化地点推荐方法及设备
CN110110218B (zh) 一种身份关联方法及终端
CN118250516B (zh) 一种针对用户的分级处理方法
Tondulkar et al. Get me the best: predicting best answerers in community question answering sites
Obadić et al. Addressing item-cold start problem in recommendation systems using model based approach and deep learning
US20210217033A1 (en) System and Method Using Deep Learning Machine Vision to Conduct Product Positioning Analyses
Li et al. National Origin Discrimination in Deep-learning-powered Automated Resume Screening
KR102684423B1 (ko) 데이터 검색 방법 및 시스템
Cao et al. Fuzzy emotional semantic analysis and automated annotation of scene images
Iwański et al. Application of the Information Bottleneck method to discover user profiles in a Web store
Qiu A predictive model for customer purchase behavior in e-commerce context
Kumar et al. Content Based Recommendation System on Movies

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
GR01 Patent grant
GR01 Patent grant