根据用户需求和用户行为构建推荐引擎的方法技术

本申请公开了一种根据用户需求和用户行为构建推荐引擎的方法，涉及数据统计技术领域，该方法一具体实施方式包括步骤：采集用户信息以及房源信息；用户信息包括用户需求信息和用户行为信息，用户需求信息包括对房价、距离工作地或地铁站以及商圈的需求，用户行为信息包括用户浏览网页信息和用户租住时长；预设反馈界面确定用户需求信息；根据房源信息得到第一召回数据源和第二召回数据源生成第一推荐数据源，通过Spark计算框架进行特征工程得到第二推荐数据源，训练得到排序模型生成第一推荐房源；依据房主需求生成第二推荐房源；构建推荐引擎。该实施方式预设反馈界面提高了用户需求的准确率，有利于提高排序模型的准确性。

【技术实现步骤摘要】
根据用户需求和用户行为构建推荐引擎的方法
本申请涉及数据统计
，尤其涉及一种根据用户需求和用户行为构建推荐引擎的方法。
技术介绍
随着互联网的发展，用户的兴趣越来越广泛，且随着用户所处环境及生活水平的改变，用户的需求也在发生改变。目前，基于LBS(LocationBasedServices，基于位置的服务)推荐引擎召回和排序方法在长租公寓领域适用性存在的问题：1、当前长租公寓采集用户信息一般只根据用户的线上记录，渠道单一，造成用户信息遗漏，样本信息库缺失；2、召回方式行业内整体上是倒排索引加用户行为召回，未考虑高质量公寓所具有的优质地块价格等大宗标的物属性；3、粗排层内通用推荐粗排阶段未针对高价值稀疏标的场景做优化，长租公寓场景需要多层粗排序，既需要针对客户强意图和标的物关键属性的匹配做LBS和价值匹配策略，又需要对用户次要需求和房屋次要房态、地段特征做匹配策略；4、排序层业界普遍基于用户线上行为做pair-wise或list-wise的LearningToRank模型排序。但是长租公寓除了需要考虑用户线上本文档来自技高网...

【技术保护点】
1.一种根据用户需求和用户行为构建推荐引擎的方法，其特征在于，包括步骤：/n采集用户信息以及房源信息；/n所述用户信息包括用户需求信息和用户行为信息，所述用户需求信息包括用户对房价、距离工作地或地铁站以及商圈的需求，所述用户行为信息包括用户浏览网页信息和用户租住时长；预设所述用户需求信息的反馈界面，所述反馈界面展示有至少一个作为相应树形结构的节点的关键词；所述树形结构的各级节点均为所述用户需求信息的关键词；当采集到用户针对于所述反馈界面当前所展示的关键词的搜索指令，将所述搜索指令所对应的目标关键词确定为用户需求信息；/n所述房源信息根据所述用户需求信息召回，并通过数据收集器过滤、格式化得到所述...

【技术特征摘要】
1.一种根据用户需求和用户行为构建推荐引擎的方法，其特征在于，包括步骤：
采集用户信息以及房源信息；
所述用户信息包括用户需求信息和用户行为信息，所述用户需求信息包括用户对房价、距离工作地或地铁站以及商圈的需求，所述用户行为信息包括用户浏览网页信息和用户租住时长；预设所述用户需求信息的反馈界面，所述反馈界面展示有至少一个作为相应树形结构的节点的关键词；所述树形结构的各级节点均为所述用户需求信息的关键词；当采集到用户针对于所述反馈界面当前所展示的关键词的搜索指令，将所述搜索指令所对应的目标关键词确定为用户需求信息；
所述房源信息根据所述用户需求信息召回，并通过数据收集器过滤、格式化得到所述第一召回数据源；
所述房源信息根据所述用户行为信息划分为实时用户行为信息和历史用户行为信息；将所述实时用户行为信息进行审查和校验，根据分布式流处理开源框架实时进入在线数据库；将所述历史用户行为信息生成日志，并将所述日志通过Spark框架计算引擎批量入离线数据仓库；所述在线数据库和所述离线数据仓库生成第二召回数据源；
将所述第一召回数据源和所述第二召回数据源根据LBS服务做价值匹配和地段特征匹配，得到相应的匹配度，依据所述匹配度依次从高到低排序生成第一推荐数据源，所述第一推荐数据源包括在线数据源和离线数据源；
将所述第一推荐数据源通过Spark分布式框架进行特征工程处理并进行评分得到第二推荐数据源；
将所述第二推荐数据源训练得到排序模型；
将所述房源信息输入到所述排序模型，...

【专利技术属性】
技术研发人员：李昭，陈浩，高靖，崔岩，卢述奇，陈呈，张宵，
申请(专利权)人：青梧桐有限责任公司，
类型：发明
国别省市：上海;31