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】
本专利技术涉及数据处理的,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。
技术介绍
1、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。
2、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。
3、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。
技术实现思路
1、本专利技术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。
2、本专利技术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:
3、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;
4、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
5、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;
6、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;
7、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。
8、可选的,在本专利技术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;
9、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。
10、可选的,在本专利技术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。
11、可选的,在本专利技术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:
12、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;
13、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;
14、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;
15、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;
16、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;
17、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。
18、可选的,在本专利技术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:
19、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;
20、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;
21、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;
22、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;
23、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。
24、可选的,在本专利技术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:
25、确定最优的聚类数量;
26、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;
27、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;
28、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;
29、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;
30、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。
31、可选的,在本专利技术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:
32、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;
33、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;
34、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本文档来自技高网...
【技术保护点】
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:
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;
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:
5.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:
6.根据权利要求5所述的房屋建造方案推荐方法,其特征在于,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:
7.根据权利要求1所述的房屋建造方案推荐方法,其特征
8.一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:
9.一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;
10.一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1-7中任一项所述的基于用户画像的房屋建造方案推荐方法。
...【技术特征摘要】
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:
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;
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:
5.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:
6.根据权利要求5...
【专利技术属性】
技术研发人员:丁雪亮,
申请(专利权)人:深圳市美置乡墅科技有限公司,
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。