【技术实现步骤摘要】
本公开涉及数据处理领域，特别涉及一种房源的推荐方法、电子设备、存储介质及计算机程序产品。
技术介绍
1、房源推荐是房产中介和平台为客户提供优质服务的重要环节，也是提高交易成功率和客户满意度的关键。每个房源都具有面积、楼层、户型、价格、周边环境、配套设施等多种特征，这些特征无疑共同影响着客户对需求房源的选择。
2、然而，在实际的房产交易和租赁场景中，通常只能基于房源的单一特征或者简单规则为客户提供房源推荐序列，并未考虑所选特征与其余特征之间的关联关系。例如，当客户选择“单价”时，则按照“单价”的数值大小提供房源推荐序列，序列中各个房源的单价依序递增或递减。但是，客户选择房源时通常会结合多种特征进行综合考量，并且各个特征之间也相互牵制，例如“朝向”和“面积”等特征会影响“单价”定价结果，显然这些特征之间具有紧密且复杂的关系。而相关技术在进行房源推荐时，并未兼顾多种房源特征之间的联系，推荐结果不够精准和全面，不能很好地满足客户的选择需求，不利于提升房源交易和租赁的效率和满意度。
技术实现思路
1、为了解决前述问题的至少之一，本公开提供了一种房源的推荐方法、电子设备、存储介质及计算机程序产品。
2、根据本公开的一个方面提供了一种房源的推荐方法，包括：接收关于期望房源的多个特征需求值，其中所述特征需求值用于表征对所述期望房源中相应房源特征的期望数据；将多个所述特征需求值进行特征融合，形成用于表征多个所述特征需求值的综合需求向量；以及分析所述综合需求向量与任一展示房源的
3、在一些实施方式中，所述将多个所述特征需求值进行特征融合，形成用于表征多个所述特征需求值的综合需求向量，包括：将多个所述特征需求值分别转换为相应的单一需求向量；以及对多个所述单一需求向量进行融合，形成囊括多个所述特征需求值的综合需求向量。
4、在一些实施方式中，所述分析所述综合需求向量与任一展示房源的综合特征向量之间的相似度，以形成依所述相似度进行降序排列的推荐房源序列，包括：调用相似性算法对所述综合需求向量与任一所述展示房源的综合特征向量进行相似度计算，获得用于表征二者之间吻合状态的所述相似度；对多个所述展示房源进行清洗，以保留所述相似度大于或等于有效阈值的所述展示房源，并以其作为推荐房源；以及依所述相似度的降序，对多个所述推荐房源进行排列，构建所述推荐房源序列。
5、在一些实施方式中，在所述分析所述综合需求向量与任一展示房源的综合特征向量之间的相似度，以形成依所述相似度进行降序排列的推荐房源序列之前，包括：调用特征融合模型对多个所述展示房源进行特征融合处理，获得对应于各个所述展示房源的多个综合特征向量，其中所述综合特征向量用于表征相应所述展示房源的多种房源特征。
6、在一些实施方式中，所述调用特征融合模型对多个所述展示房源进行特征融合处理，获得对应于各个所述展示房源的多个综合特征向量，包括：调用所述特征融合模型对任一所述展示房源的多种房源特征进行向量化转换，以获得关于各个所述房源特征的单一特征向量；捕捉各个所述单一特征向量之间的特征关联，并基于所述特征关联将各个所述单一特征向量融合为所述综合特征向量；以及将所述综合特征向量与相应所述展示房源以数据对的形式持久化至房源数据库。
7、在一些实施方式中，还包括：调用房源样本数据对基于深度学习模型的原始预测系统进行训练，以构建所述特征融合模型。
8、在一些实施方式中，当所述原始预测系统包含两个所述深度学习模型：原始融合模型和房源预测模型时，所述调用房源样本数据对原始预测系统进行训练，以构建所述特征融合模型，包括：将所述房源样本数据中的多个样本特征输入至所述原始预测系统的原始融合模型中，以由所述原始融合模型对多个所述样本特征进行向量融合处理，形成综合预测特征；调用所述原始预测系统的房源预测模型对所述综合预测特征进行分析，以还原出符合所述综合预测特征的预测房源；计算所述预测房源与所述房源样本数据中的目标房源之间的损失值，并基于所述损失值对所述原始预测系统进行参数调优；以及直至所述损失值小于损失阈值，在经过参数调优的所述原始预测系统中剥离出所述原始融合模型，并将其作为所述特征融合模型。
9、根据本公开的另一个方面提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时，以实现如上述任一实施方式所述的房源的推荐方法。
10、根据本公开的又一个方面提供了一种可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序适于处理器进行加载，以执行如上述任一实施方式所述的房源的推荐方法。
11、根据本公开的再一个方面提供了一种计算机程序产品，包括计算机程序/指令，所述计算机程序/指令被处理器执行时实现如上述任一实施方式所述的房源的推荐方法。
本文档来自技高网...【技术保护点】
1.一种房源的推荐方法，其特征在于，包括：
2.根据权利要求1所述的房源的推荐方法，其特征在于，所述将多个所述特征需求值进行特征融合，形成用于表征多个所述特征需求值的综合需求向量，包括：
3.根据权利要求1所述的房源的推荐方法，其特征在于，所述分析所述综合需求向量与任一展示房源的综合特征向量之间的相似度，以形成依所述相似度进行降序排列的推荐房源序列，包括：
4.根据权利要求1所述的房源的推荐方法，其特征在于，在所述分析所述综合需求向量与任一展示房源的综合特征向量之间的相似度，以形成依所述相似度进行降序排列的推荐房源序列之前，包括：
5.根据权利要求4所述的房源的推荐方法，其特征在于，所述调用特征融合模型对多个所述展示房源进行特征融合处理，获得对应于各个所述展示房源的多个综合特征向量，包括：
6.根据权利要求4或5所述的房源的推荐方法，其特征在于，还包括：
7.根据权利要求6所述的房源的推荐方法，其特征在于，当所述原始预测系统包含两个所述深度学习模型：原始融合模型和房源预测模型时，所述调用房源样本数据对原始预测
8.一种电子设备，其特征在于，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时，以实现如权利要求1至7中任一项所述的房源的推荐方法。
9.一种可读存储介质，其特征在于，所述可读存储介质存储有计算机程序，所述计算机程序适于处理器进行加载，以执行如权利要求1至7中任一项所述的房源的推荐方法。
10.一种计算机程序产品，包括计算机程序/指令，其特征在于，所述计算机程序/指令被处理器执行时实现权利要求1至7中任一项所述的房源的推荐方法。
...【技术特征摘要】
1.一种房源的推荐方法，其特征在于，包括：
2.根据权利要求1所述的房源的推荐方法，其特征在于，所述将多个所述特征需求值进行特征融合，形成用于表征多个所述特征需求值的综合需求向量，包括：
3.根据权利要求1所述的房源的推荐方法，其特征在于，所述分析所述综合需求向量与任一展示房源的综合特征向量之间的相似度，以形成依所述相似度进行降序排列的推荐房源序列，包括：
4.根据权利要求1所述的房源的推荐方法，其特征在于，在所述分析所述综合需求向量与任一展示房源的综合特征向量之间的相似度，以形成依所述相似度进行降序排列的推荐房源序列之前，包括：
5.根据权利要求4所述的房源的推荐方法，其特征在于，所述调用特征融合模型对多个所述展示房源进行特征融合处理，获得对应于各个所述展示房源的多个综合特征向量，包括：
6.根据权利要求...
【专利技术属性】
技术研发人员：郝蒙蒙，
申请(专利权)人：贝壳找房北京科技有限公司，
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。