System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及一种基于房屋属性自注意力机制的购房推荐方法,属于模式推荐技术。
技术介绍
1、随着互联网的飞速发展,网上看房网站也越来越多,线上看房具有方便快捷、不受时间地点限制,只要有网络,随时随地都可以看房,节省时间体力;房源量多,不受区域限制,可以一次性浏览到各个地方的房源信息;无中介费等优点。但是由于网上房源信息量巨大,房屋属性种类较多,用户在浏览购房网站时,操作繁琐,选房费时费力,无法及时找到满意的房屋。
技术实现思路
1、鉴于此,本专利技术的目的是提供一种基于房屋属性自注意力机制的购房推荐方法,可以克服现有技术的不足。
2、本专利技术的目的是通过以下技术方案实现的:
3、一种基于房屋属性自注意力机制的购房推荐方法,包括如下步骤:
4、步骤1、设计基于自注意力购房行为的房屋属性推荐网络,训练房屋属性推荐模型,将房屋属性向量表示输入推荐模型的嵌入表示层,得到房屋属性的嵌入向量;
5、步骤2、对每一个属性的嵌入向量进行注意力加权,对各属性的嵌入向量进行更新;
6、步骤3、将更新后的房屋属性嵌入向量输入推荐模型的自注意力层,融合更新后房屋属性的嵌入向量,得到推荐特征参数;
7、步骤4、将推荐特征参数输入推荐模型的预测层,得到目标用户对购房的偏好信息,并根据相应的偏好信息,对目标用户执行推荐操作。
8、前述推荐模型是基于用户浏览购房网站后产生的浏览记录信息进行训练得到的。
9、前述房屋属
10、
11、其中,vj是一个embedding矩阵,vecj是属性的向量表示,对于房屋i,将它的属性向量表示为vecj表示第j个属性的向量表示,j表示房屋属性的个数。
12、前述房屋属性的类型包括类别型特征、数值型特征和文本型特征,其对应的向量表示包括类别型属性向量、数值型属性向量和文本型属性向量;当属性是类别型特征时,其向量表示是一个one-hot向量,将其转变成一个低维的稠密型向量;当属性是数值型时,其向量表示是一个标量;当属性是文本类型时,它是一种非结构化的属性。
13、采用以下具体步骤进行文本型属性向量处理:
14、(1)将同一用户所有交互房屋的文本属性信息拼接成长文本,利用预训练的lda主题模型得到长文本的主题分布,并获取每个主题下前5个主题词;
15、(2)利用word2vec模型训练新的长文本,以便获得长文本中每个词的词向量;
16、(3)对主题词做归一化处理,计算每个词占主题的权重,根据权重大小进行排序,权重越大的词越靠前;
17、(4)将每个主题词的权重和其词向量做内积并求和,得到该主题的词向量;
18、(5)计算单个房屋描述信息的文本向量,即利用单个文本中每个词向量求和除以单个文本总的词数;
19、(6)利用欧氏距离判断单个文本向量和每个主题向量的相似度并根据距离从小到大排序为1;
20、(7)根据相似度排序提取前_5个主题词向量利用平均池化的方法将5个词向量聚合为1个向量表示。
21、将房屋的属性嵌入向量标记为融合房屋属性的嵌入向量表示为将拼接后的嵌入表示进行注意力加权,注意力加权公式为:
22、
23、式中,为权重因子,wij,bij是权重矩阵和偏置矩阵。
24、根据权重因子对各特征的嵌入向量进行更新,其表示为:
25、
26、式中,ri为更新后的嵌入向量,vij表示房屋i与第j个属性的嵌入表示;
27、将更新后的房屋属性嵌入向量组成的特征矩阵,表示为:
28、r=[r1 r2...ri]t
29、其中,t为整实数。
30、前述步骤3中,所以推荐模型使用单头注意力,其中,单头注意力的模型构建表示为:
31、hf=attention(rwq,rwk,rwv)
32、wq,wk,wv∈r2d*2d是第一层自注意力区块的权重。
33、前述自注意力层包括多个堆叠的自注意力区块;将更新后的房屋属性嵌入向量组成的特征矩阵依次输入各自注意力区块,在经过多个自注意力区块后进行更新后房屋属性的嵌入向量融合,得到推荐特征参数,
34、最终,自注意力区块的输出表示为:
35、lf=layernorm(hf+r)
36、of=relu((lfw1+b1)w2+b2)
37、os=layernorm(of+lf)
38、其中,w1,w2,b1,b2分别表示权重和偏置量;
39、lf为残差子块的输出结果经过正则化处理后的结果;
40、of为修正参数;
41、os为嵌入向量融合后得到的推荐特征参数。
42、与现有技术比较,本专利技术公开的一种基于房屋属性自注意力机制的购房推荐方法,设计基于自注意力购房行为的房屋属性推荐网络,训练房屋属性推荐模型,将房屋属性向量表示输入推荐模型的嵌入表示层,得到房屋属性的嵌入向量;并对每一个属性的嵌入向量进行注意力加权,对各属性的嵌入向量进行更新,融合更新后房屋属性的嵌入向量,得到推荐特征参数,即可知道房屋的哪一个属性决定了用户的选择,提高用户的体验感。
43、用户浏览购房网站会影响其是否产生购房行为,在实际的场景中,用户对房屋的兴趣往往也是与其属性信息相关的。例如,用户往往会对房屋的价格感兴趣或其层高感兴趣。因此,融合房屋的嵌入表示和每一个属性的嵌入表示进行注意力加权,即可知道房屋的哪一个属性决定了用户的选择。
44、本专利技术的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述,并且在某种程度上,基于对下文的考察研究对本领域技术人员而言将是显而易见的,或者可以从本专利技术的实践中得到教导。本专利技术的目标和其他优点可以通过下面的说明书来实现和获得。
本文档来自技高网...【技术保护点】
1.一种基于房屋属性自注意力机制的购房推荐方法,其特征在于,包括如下步骤:
2.根据权利要求1所述的基于房屋属性自注意力机制的购房推荐方法,其特征在于:所述推荐模型是基于用户浏览购房网站后产生的浏览记录信息进行训练得到的。
3.根据权利要求2所述的基于房屋属性自注意力机制的购房推荐方法,其特征在于:所述房屋属性的嵌入向量表示为:
4.根据权利要求3所述的基于房屋属性自注意力机制的购房推荐方法,其特征在于:所述房屋属性的类型包括类别型特征、数值型特征和文本型特征,其对应的向量表示包括类别型属性向量、数值型属性向量和文本型属性向量;当属性是类别型特征时,其向量表示是一个one-hot向量,将其转变成一个低维的稠密型向量;当属性是数值型时,其向量表示是一个标量;当属性是文本类型时,它是一种非结构化的属性。
5.根据权利要求4所述的基于房屋属性自注意力机制的购房推荐方法,其特征在于:采用以下具体步骤进行文本型属性向量处理:
6.根据权利要求3所述的基于房屋属性自注意力机制的购房推荐方法,其特征在于:将房屋的属性嵌入向量标记为融合
7.根据权利要求6所述的基于房屋属性自注意力机制的购房推荐方法,其特征在于:步骤3中,所以推荐模型使用单头注意力,其中,单头注意力的模型构建表示为:
8.根据权利要求7所述的基于房屋属性自注意力机制的购房推荐方法,其特征在于:所述自注意力层包括多个堆叠的自注意力区块;将更新后的房屋属性嵌入向量组成的特征矩阵依次输入各自注意力区块,在经过多个自注意力区块后进行更新后房屋属性的嵌入向量融合,得到推荐特征参数,
...【技术特征摘要】
1.一种基于房屋属性自注意力机制的购房推荐方法,其特征在于,包括如下步骤:
2.根据权利要求1所述的基于房屋属性自注意力机制的购房推荐方法,其特征在于:所述推荐模型是基于用户浏览购房网站后产生的浏览记录信息进行训练得到的。
3.根据权利要求2所述的基于房屋属性自注意力机制的购房推荐方法,其特征在于:所述房屋属性的嵌入向量表示为:
4.根据权利要求3所述的基于房屋属性自注意力机制的购房推荐方法,其特征在于:所述房屋属性的类型包括类别型特征、数值型特征和文本型特征,其对应的向量表示包括类别型属性向量、数值型属性向量和文本型属性向量;当属性是类别型特征时,其向量表示是一个one-hot向量,将其转变成一个低维的稠密型向量;当属性是数值型时,其向量表示是一个标量;当属性是文本类型时,它是一种非结构化的属性。
...【专利技术属性】
技术研发人员:朱玮,史学博,胡耀,
申请(专利权)人:贵州人和致远数据服务有限责任公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。