基于LBS租房场景构建推荐引擎的方法技术

本申请公开了一种基于LBS租房场景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：采集用户信息和房源信息，用户信息包括用户需求信息、用户行为信息和用户画像信息；根据用户信息生成第一召回数据源、第二召回数据源和第三召回数据源；根据LBS服务做价值匹配和地段特征匹配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，得到房源信息评分排序情况；评分大于评分阈值的房源为第一推荐房源；依据房主需求生成第二推荐房源；第一推荐房源和第二推荐房源构建推荐引擎。该实施方式通过对用户的需求、行为、画像综合测算，有利于提取推荐匹配度较高的公寓。

【技术实现步骤摘要】
基于LBS租房场景构建推荐引擎的方法
本申请涉及数据统计
，尤其涉及一种基于LBS租房场景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反馈还本文档来自技高网...

【技术保护点】
1.一种基于LBS租房场景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，所述用户信息包括用户需求信息、用户行为信息和用户画像信息；/n根据所述用户需求信息和所述房源信息生成第一召回数据源，根据所述用户行为信息生成第二召回数据源，根据所述用户画像信息和所述房源信息生成第三召回数据源；/n将所述第一召回数据源、所述第二召回数据源和第三召回数据源根据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；/n将所述第一推荐数据源通过Spark计算框架进行特征工程处理并进行评分得到第二推荐数据源；/n将所述第二推荐数据源训练得到...

【技术特征摘要】
1.一种基于LBS租房场景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、用户行为信息和用户画像信息；
根据所述用户需求信息和所述房源信息生成第一召回数据源，根据所述用户行为信息生成第二召回数据源，根据所述用户画像信息和所述房源信息生成第三召回数据源；
将所述第一召回数据源、所述第二召回数据源和第三召回数据源根据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；
将所述第一推荐数据源通过Spark计算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，得到所述房源信息的评分排序情况；
设置评分阈值，所述房源信息的评分大于所述评分阈值的所述房源为第一推荐房源；
同时依据房主需求生成第二推荐房源；
根据所述第一推荐房源和所述第二推荐房源构建推荐引擎。


2.根据权利要求1所述的一种基于LBS租房场景构建推荐引擎的方法，其特征在于，通过线上、线下以及电销的方式采集所述用户信息。


3.根据权利要求1所述的一种基于LBS租房场景构建推荐引擎的方法，其特征在于，所述根据所述用户需求信息和所述房源信息生成第一召回数据源包括：
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。


4.根据权利要求3所述的一种基于LBS租房场景构建推荐引擎的方法，其特征在于，所述第一召回数...

【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