CN110968801A - 地产产品搜索方法、存储介质及电子设备 - Google Patents
地产产品搜索方法、存储介质及电子设备 Download PDFInfo
- Publication number
- CN110968801A CN110968801A CN201911226750.XA CN201911226750A CN110968801A CN 110968801 A CN110968801 A CN 110968801A CN 201911226750 A CN201911226750 A CN 201911226750A CN 110968801 A CN110968801 A CN 110968801A
- Authority
- CN
- China
- Prior art keywords
- user
- information
- product
- matching
- property product
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9538—Presentation of query results
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种地产产品搜索方法、存储介质及电子设备,地产产品预设有多级权重的状态属性,其中方法包括:获取搜索请求,搜索请求包括多级权重的用户意图;根据用户意图和状态属性将地产产品与搜索请求匹配,得到匹配结果;利用排序模型对匹配结果进行排序,得到排序结果,其中,排序模型采用多级权重训练数据训练得到;根据排序结果得到目标地产产品。由于用户意图和地产产品均具有多级权重,可以根据用户意图中的不同权重的意图和地产产品的状态属性中的不同权重的状态属性分别进行匹配,可以实现地产产品与搜索请求的多层次的匹配,各个方面均做匹配使得人房匹配更加精准,召回的房源信息符合用户的当下需求,实现快速精准定位用户需求。
Description
技术领域
本发明涉及数据搜索技术领域,具体涉及到一种地产产品搜索方法、存储介质及电子设备。
背景技术
随着互联网技术的快速发展,人们的生活越来越便捷,基于位置的服务(Location-Based Service,LBS)使用户能够方便的获取所在位置周围的各种信息,使用户体验得到极大提升。LBS是通过移动运营商的无线电通讯网络(如全球移动通信系统(Global System for Mobile Communications,GSM)、长期演进(Long Term Evolution,LTE)网络) 或外部定位(如全球定位系统(Global Positioning System,GPS))等方式获取移动终端用户的位置消息(地理坐标),在GIS平台的支持下,为用户提供相应服务的一种增值业务。在地产领域,如租房或售房,示例性,当用户有租房需求时,可以根据用户所在区域查询存储的目标区域的房源,然后将所有满足条件的房源展现给用户,用户根据需求选择自己期望的房源。
然而,目前的地产产品,例如长租公寓领域,由于所涉及的租房因素过多,包括交通情况、社交场所信息、通勤时间、距离、小区设施、房态结构等等,由于目前的LBS搜索方式只能获取与位置相关资源和信息,针对较为复杂的地产产品,基于LBS搜索的方式得到的搜索结果难以迎合用户的需求。
发明内容
本技术方案提供了一种地产产品搜索方法、存储介质及电子设备,以得到更为符合用户需求的搜索结果。
根据第一方面,本发明实施例提供了一种地产产品搜索方法,地产产品预设有多级权重的状态属性,搜索方法包括:获取搜索请求,搜索请求包括多级权重的用户意图;根据用户意图和状态属性将地产产品与搜索请求匹配,得到匹配结果;利用排序模型对匹配结果进行排序,得到排序结果,其中,排序模型采用多级权重训练数据训练得到;根据排序结果得到目标地产产品。
可选地,搜索请求包括多维度数据信息;根据用户意图和状态属性将地产产品与搜索请求匹配,得到匹配结果包括:基于多维度数据信息按照不同维度数据信息对应的预设召回规则对地产产品分别进行召回,建立多个召回索引集合,多个召回索引集合分别与多维度数据一一对应;按照用户意图和状态属性的权重级别分层次地对多个召回索引集合中的地产产品和搜索请求进行匹配计算,得到匹配度;根据匹配度对地产产品进行初步排序,得到初步排序结果。
可选地,多维度数据信息包括:用户需求信息、用户行为信息、用户画像信息和地产产品画像信息中的至少两个;召回索引集合包括:搜索索引集合、行为偏好索引集合、用户画像索引集合、地产产品热度索引集合中的至少两个。
可选地,搜索索引集合的建立方法包括:利用日志分析框架对用户需求信息进行召回,建立搜索索引集合;用户行为信息包括:历史行为信息和实时行为信息,行为偏好索引集合的建立方法包括:基于用户的历史行为信息和实时行为信息对用户的行为进行召回,建立行为偏好索引集合;用户画像索引集合的建立方法包括:获取用户画像;在预设地产产品数据库中挖掘与用户画像对应的地产产品信息;基于位置服务对地产产品信息进行筛选,建立用户画像索引集合;地产产品热度索引集合的建立方法包括:基于搜索请求获取与搜索请求对应的地产产品数据库;在搜索请求对应的数据库筛选出热度大于预设值的地产产品信息,建立地产产品热度索引集合。
可选地,利用排序模型对匹配结果进行排序,得到排序结果包括:获取训练数据,训练数据包括多级样本数据和样本权重信息,其中,样本权重信息包括用户意图的权重信息以及状态属性的权重信息;利用训练数据对预设排序模型进行训练得到训练好的排序模型;利用训练好的排序模型对召回结果进行排序,得到排序结果。
可选地,多级样本数据包括多级线上样本数据和多级线下样本数据。
可选地,在根据排序结果得到目标地产产品之后包括:获取地产产品供应商的意图信息;根据地产产品供应商的意图信息将与地产产品供应商的意图信息对应的地产产品加入目标地产产品中。
可选地,获取搜索请求包括:获取用户输入的搜索字符串;对搜索字符串进行推荐、补全、意识识别中的至少一种处理得到搜索请求。
根据第二方面,本发明实施例提供了一种计算机可读存储介质,计算机可读存储介质存储有计算机指令,计算机指令用于使计算机执行上述第一方面任意一项描述的地产产品搜索方法。
根据第三方面,本发明实施例提供了一种电子设备,包括:至少一个处理器;以及与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的计算机程序,计算机程序被至少一个处理器执行,以使至少一个处理器执行上述第一方面任意一项描述的地产产品搜索方法。
由于用户意图和地产产品均具有多级权重,可以根据用户意图中的不同权重的意图和地产产品的状态属性中的不同权重的状态属性分别进行匹配,可以实现地产产品与搜索请求的多层次的匹配,将用户的主需求意图匹配与主需求意图对应的主关键属性所属的地产产品,对次需求意图匹配与次需求意图对应的次关键属性所属的地产产品,其针对性更强,各个方面做匹配策略使得人房匹配更加精准,召回的房源信息符合用户的当下需求,实现快速精准定位用户需求。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1示出了本实施例的地产产品搜索方法的示意图;
图2示出了本实施例的地产产品与搜索请求匹配方法的示意图;
图3示出了本发明实施例的电子设备的示意图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
目前地产类产品通过LBS搜索,只能获取与位置相关资源和信息,例如长租公寓领域中,公寓的地理位置确定之后,LBS搜索方式会提供与公寓的地理位置相关的各类信息服务:例如某公寓地理位置在XX 位置,系统根据当前地理位置在基于当前位置的预设内区域范围内所搜的各种相关服务信息,比如交通、休闲娱乐场所、购物广场等等一些服务圈信息。而目前用户在搜索地产类产品时所考虑的因素远远不止与位置相关的资源和信息,例如在长租公寓领域,用户考虑的长租房因素很多包括交通情况、价格信息、租赁方式、社交场所信息、通勤时间、距离、小区设施、房态结构等方面,其中,价格信息、租赁方式以及房态结构为长租公寓的关键属性。因此,LBS搜索难以涵盖长租公寓的关键属性,并且,在长租公寓领域目前搜索的召回方式往往基于倒排索引结合用户行为召回,在召回结果的排序中也只是基于用户行为的召回结果进行排序,均为未考虑长租公寓所具有的各种属性以及各种属性的权重,例如价格信息、租赁方式以及房态结构等属性。这将导致召回和排序后的结果与用户搜索请求难以很好的匹配。因此,发明人按照地产领域的影响因素,将地产产品的状态属性进行了权重划分,例如,可以分为关键状态属性和非关键状态属性,作为示例性的实施例,关键状态属性可以包括地产产品所在的位置信息、价位信息以及租赁方式中的至少之一。非关键状态属性可以包括房间面积信息、朝向信息、建筑风格信息、环境信息、配套信息中的至少之一。基于此,本发明实施例提供了一种地产产品搜索方法,如图1所示,该地产产品搜索方法可以包括如下步骤:
S11.获取搜索请求。在本实施例中,搜索请求可以为用户输入的搜索字符串,用于表征用户意图的文本,以长租公寓领域为例,搜索请求可以为用户输入的用于描述心仪的房源的文本。示例性的,搜索请求可以为XX市XX小区XX号楼。或者,XX区/地域毕业生优惠活动等。该搜索请求可以为用户任意输入的表征自己意图的所有条件,并不限于上述实施例中描述的示例性的实例。具体的,作为可选的实施例,可以针对搜索字符串进行例如:查询推荐、查询补全和相关搜索关键词。对用户进行意图识别,准确定位用户意图。示例性的,用户通过直接填写或系统采集用户需求反馈进行搜索,例如在搜索框输入“朝阳”两个字,可以采用实时强化学习的方式对搜索词推荐,如“朝阳门”“朝阳首府”等字样;当输入为“朝阳首”字样,系统自动查询补全,进而识别用户意图。在本实施例中,在对用户意图识别时,可以对兴趣点(Point of Interest,POI)词典类目进行补全,进而对用户意图进行准确识别,例如,在长租公寓领域可以自建和购买数字城市和楼盘字典库。在对用户输入的字符串进行补全和识别用户意图后,可以根据长租公寓领域的常规影响因素将用户意图划分为多个权重的用户意图,例如,可以分为主需求意图和次需求意图,作为示例性的实施例,主需求意图可以包括地产产品所在的地段信息、价位信息以及租赁方式中的至少之一。次需求意图可以包括房间面积信息朝向信息、建筑风格信息、环境信息、配套信息中的至少之一。示例性的,建筑风格信息可以包括有无阳台、是否通透以及房间形状等信息。
S12.根据用户意图和状态属性将地产产品与搜索请求匹配,得到匹配结果。作为示例性的实施例,在识别到用户意图后,可以根据用户意图中的不同权重的意图和地产产品的状态属性中的不同权重的状态属性分别进行匹配,可以实现对搜索结果进行多层次的匹配,根据用户意图和地产产品属性的关键程度分级匹配,其针对性更强,并且,利用用户意图的权重和地产产品的状态属性权重做对应的匹配,可以使得用户的意图和地产产品匹配度更高。示例性的,以长租公寓领域为例,由于长租公寓涉及到的因素较多,长租公寓需要根据用户各个方面的需求去寻找匹配的房源,比如交通、购物、通勤距离、时间、房源内部基本信息、服务信息等。在本实施例中可以对房源的影响因素预先设置不同权重,例如可以将位置、价位、租赁方式等属性作为主关键属性,面积、朝向、环境、配套等属性是次关键属性,这样可以根据不同级别权重的状态属性进行分段式多层次匹配,将用户的主需求意图匹配与主需求意图对应的主关键属性所属的地产产品,对次需求意图匹配与次需求意图对应的次关键属性所属的地产产品。各个方面做匹配策略使得人房匹配更加精准,召回的房源信息符合用户的当下需求,实现快速精准定位用户需求。
S13.利用排序模型对匹配结果进行排序,得到排序结果,其中,排序模型采用多级权重训练数据训练得到。作为示例性的实施例,排序模型可以采用排序学习(Learning toRank,L2R)模型对匹配结果进行排序。在对模型训练时,采用多级权重训练数据。在本实施例中,多级权重训练数据可以包括多级样本数据和样本权重信息,其中,样本权重信息包括用户意图的权重信息以及状态属性的权重信息。具体的,以长租公寓领域为例,多级样本数据可以包括线上多级样本数据和线下多级样本数据,示例性的,线上多级样本数据可以包括:点击、下单等用户的线上操作信息;多级线下样本数据可以包括线下的现场带看、预定、签约以及带看、预定、签约后收集得到用户的需求。在本实施例中,样本权重信息可以为多级样本数据中不同级别样本的权重,例如采集的用户行为用户画像以及房源画像的权重信息。
具体的,可以利用线上操作和线下操作的结果对多级线上样本数据和多级线下样本数据进行标注,并利用标注后的样本数据对模型进行训练。
示例性的,多级线上样本数据可以通过收集用户行为和用户画像和房源画像得到,具体的可以采用数据仓库Hive的ELK模块进行收集,所称ELK框架可以包括搜索服务器Elasticsearch、服务器端数据处理管道Logstash和开源分析及可视化平台Kibana,其中,Logstash用来搜集、分析、过滤日志,从各种来源接收日志之后存储在Elasticsearch中。Elasticsearch主要存储用户的历史行为日志、用户画像以及房源画像等数据信息;Kibana则是一个基于Web的图形界面,用于搜索、分析和可视化存储在Elasticsearch指标中的日志数据,并利用Elasticsearch的 REST接口检索数据。在用户行为和画像,房源画像收集后,可以利用 Spark生态,即伯克利数据分析栈对海量的数据信息进行批处理,通过对多级线上样本数据和多级线下样本数据进行汇聚、提炼加工、筛选、补全等特征工程处理得到符合当前用户的数据集群,并从数据集群中挖掘提取出L2R模型的训练数据,并利用训练数据对L2R模型进行训练。
具体的,排序模型进行排序时可以调取当前各个用户的实时操作行为,对用户端提供的实时操作行为采用并行加载机制统一收集,然后进行对实时操作行为进行实时清洗和解析用户实时行为信息并存储;对用户实时行为信息和利用Spark生态处理得到的符合当前用户的数据集群进行汇总,输入排序模型对用户的需求进行匹配排序打分,得到排序结果。
在本实施例中,排序结果可以回流至Hive的ELK模块,Logstash 对回流的日志数据进行分析、过滤,存储在Elasticsearch中为下一次的训练新模型提供数据支撑。
下面对排序模型的训练过程进行示例性的说明:
假设给定一个查询,搜索返回的结果列表为L,用户点击的文档的集合为C,如果一个文档di被点击过,另外一个文档dj没有被点击过,并且dj在结果列表中排在di之前,则di>dj就是一条训练记录;即训练数据为:{di>dj|di属于C,dj属于L-C,p(dj)<p(di)},其中p(d)表示文档d在查询结果列表中的位置,越小表示越靠前,最终得到一个真实序列;然后使用L2R中的算法来学到一个排序模型,使其输出的文档序列和真实序列尽可能相似。
S14.根据排序结果得到目标地产产品。
作为示例性的实施例,搜索请求包括多维度数据信息,可以针对多维度数据对搜索请求进行多渠道召回,并可以在不同维度下分别对召回结果进行排序,具体的,步骤S12根据用户意图和状态属性将地产产品与搜索请求匹配,得到匹配结果可以包括如下步骤:
S121.基于多维度数据信息按照不同维度数据信息对应的预设召回规则对地产产品分别进行召回,得到多个召回索引集合。多个召回索引集合分别与多维度数据一一对应。在本实施例中,多维度数据可以包括用户需求信息、用户行为信息、用户画像信息和待搜索目标画像信息中的至少之一。召回索引集合包括:搜索索引集合、行为偏好索引集合、用户画像索引集合、地产产品热度索引集合中的至少之一。示例性的,基于不同维度的数据分别进行召回可以包括:
对于用户需求信息的召回可以通过用户填写或询问收集用户需求反馈,得到用户需求信息,通过日志分析框架,例如ELK框架对用户需求信息进行处理,示例性的,得到的用户需求信息为“朝阳首府”,在房源库中选取“朝阳首府”附近的长租公寓数据信息,数据传给Logstash进行过滤和格式化,然后存储在Elasticsearch,建立搜索索引集合。
对于用户行为信息的召回可以基于用户的历史行为信息和实时行为信息对用户的行为进行召回,建立行为偏好索引集合。具体的,对实时行为信息进行数据清洗;对数据清洗后的实时行为信息进行实时处理,在本实施例中,可以采用开源流处理框架例如Flink处理框架进行实时处理,得到实时行为处理结果;由于Flink的基本数据模型是数据流及事件(Event)的序列;在其流执行模式中,一个事件在一个节点处理完后的输出就可以发到下一个节点立即处理,执行引擎并不会引入额外的延迟,可以以较低的延时处理用户的实时行信息。同时,对历史行为信息进行汇总;对汇总后的历史行为信息进行分批次处理,得到历史行为计算结果;在本实施例中,可以采用Spark处理框架对历史信息进行分批次处理,由于spark对生成的历史行为日志,可以较容易切成较小的块进行计算处理,能够达到低延迟的效果。汇总实时行为处理结果和历史行为计算结果,建立行为偏好索引集合;
对于用户画像信息的召回可以在获取用户画像之后,在预设数据库中挖掘与用户画像对应的地产产品信息;基于LBS对地产产品信息进行筛选,建立用户画像索引集合。具体的,可以将用户画像信息具体化,针对用户画像信息挖掘与用户画像对应的地产产品信息,以长租公寓为例,可以针对用户画像判断出用户的房源偏好、周边偏好、交通情况等特征,进而从房源库中挖掘出与用户偏好相关的地产产品,进而建立用户画像索引集合。由于采用用户画像信息对搜索请求进行召回,可以精准的对用户进行营销,推荐用户偏好的产品。
对于地产产品画像信息的召回,可以基于搜索请求获取与搜索请求对应的地产产品数据库,在搜索请求对应的数据库筛选出热度大于预设值的地产产品信息,建立地产产品热度索引集合。例如,在长租公寓领域,在识别用户意图的识别之后,可以根据用户的意图查找与用户意图相关的房源库,并在得到的房源库中挖掘出热度较高的长租公寓数据,进而建立地产产品热度索引集合。
S122.按照用户意图和状态属性的权重级别分层次地对多个召回索引集合中的地产产品和搜索请求进行匹配计算,得到匹配度。示例性的,以长租公寓为例,根据用户搜索的“目标公寓”,首先对用户主需求意图例如地段信息,进行LBS匹配,可以对用户需求的价位和房源价位做价值匹配。之后对于用户次需求意图例如房间面积信息、朝向信息、建筑风格信息、环境信息、配套信息等对房源的非关键状态属性进行匹配度计算,获取各个地产产品的匹配度信息。根据不同级别权重的状态属性进行分段式多层次匹配,可以将用户的主需求意图匹配与主需求意图对应的主关键属性所属的地产产品,对次需求意图匹配与次需求意图对应的次关键属性所属的地产产品。各个方面做匹配策略使得人房匹配更加精准,召回的房源信息更为符合用户的当下需求,实现快速精准定位用户需求。
S123.根据匹配度对地产产品进行初步排序,得到初步排序结果。
S124.将初步排序结果作为匹配结果。
通过改进用户个性化召回渠道,通过在不同维度对用户的搜索请求进行召回,使得召回渠道多样化,召回的房源数量明显增多,涵盖房源范围更广泛,可以召回热点、精品房源,房源质量得到提升。并且,据不同级别权重的状态属性进行分段式多层次匹配,可以将用户的主需求意图匹配与主需求意图对应的主关键属性所属的地产产品,对次需求意图匹配与次需求意图对应的次关键属性所属的地产产品。各个方面做匹配策略使得人房匹配更加精准,召回的房源信息符合用户的当下需求,实现快速精准定位用户需求。
由于需要对冷区的房源出售进行拉动,提高冷区房源的热度,在可选的实施例中,可以获取地产产品供应商的意图信息;根据地产产品供应商的意图信息将与地产产品供应商的意图信息对应的地产产品加入目标地产产品中。在满足用户找房体验的同时,结合商家的出房倾斜策略、运营活动策略、广告推广需求等定制化的需求将一些特定的房源插入到目标地产产品的推荐列表中特定的位置。
本发明实施例提供了一种电子设备,如图3所示,该电子设备包括一个或多个处理器31以及存储器32,图3中以一个处理器33为例。
该控制器还可以包括:输入装置33和输出装置34。
处理器31、存储器32、输入装置33和输出装置34可以通过总线或者其他方式连接,图3中以通过总线连接为例。
处理器31可以为中央处理器(CentralProcessingUnit,CPU)。处理器31还可以为其他通用处理器、数字信号处理器(DigitalSignalProcessor,DSP)、专用集成电路(ApplicationSpecificIntegratedCircuit,ASIC)、现场可编程门阵列(Field-ProgrammableGateArray,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片,或者上述各类芯片的组合。通用处理器可以是微处理器或者是任何常规的处理器等。
存储器32作为一种非暂态计算机可读存储介质,可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块,如本申请实施例中的控制方法对应的程序指令/模块。处理器31通过运行存储在存储器32中的非暂态软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现上述方法实施例的地产产品搜索方法。
存储器32可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储根据服务器操作的处理装置的使用所创建的数据等。此外,存储器32可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中,存储器32可选包括相对于处理器31远程设置的存储器,这些远程存储器可以通过网络连接至网络连接装置。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置33可接收输入的数字或字符信息,以及产生与服务器的处理装置的用户设置以及功能控制有关的键信号输入。输出装置34可包括显示屏等显示设备。
一个或者多个模块存储在存储器32中,当被一个或者多个处理器 31执行时,执行如图1或2所示的方法。
本领域技术人员可以理解,实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指示相关的硬件来完成,被执行的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述地产产品搜索方法的实施例的流程。其中,存储介质可为磁碟、光盘、只读存储记忆体(Read-OnlyMemory,ROM)、随机存储记忆体(RandomAccessMemory,RAM)、快闪存储器(FlashMemory)、硬盘 (HardDiskDrive,缩写:HDD)或固态硬盘(Solid-StateDrive,SSD) 等;存储介质还可以包括上述种类的存储器的组合。
虽然结合附图描述了本发明的实施方式,但是本领域技术人员可以在不脱离本发明的精神和范围的情况下作出各种修改和变型,这样的修改和变型均落入由所附权利要求所限定的范围之内。
Claims (10)
1.一种地产产品搜索方法,其特征在于,地产产品预设有多级权重的状态属性,所述搜索方法包括:
获取搜索请求,所述搜索请求包括多级权重的用户意图;
根据所述用户意图和所述状态属性将所述地产产品与所述搜索请求匹配,得到匹配结果;
利用排序模型对所述匹配结果进行排序,得到排序结果,其中,所述排序模型采用多级权重训练数据训练得到;
根据排序结果得到目标地产产品。
2.如权利要求1所述的地产产品搜索方法,其特征在于,所述搜索请求包括多维度数据信息;
所述根据用户意图和状态属性将所述地产产品与所述搜索请求匹配,得到匹配结果包括:
基于所述多维度数据信息按照不同维度数据信息对应的预设召回规则对所述地产产品分别进行召回,建立多个召回索引集合,所述多个召回索引集合分别与所述多维度数据一一对应;
按照用户意图和状态属性的权重级别分层次地对所述多个召回索引集合中的地产产品和搜索请求进行匹配计算,得到匹配度;
根据所述匹配度对所述地产产品进行初步排序,得到初步排序结果;
将所述初步排序结果作为所述匹配结果。
3.如权利要求2所述的地产产品搜索方法,其特征在于,所述多维度数据信息包括:用户需求信息、用户行为信息、用户画像信息和地产产品画像信息中的至少两个;
所述召回索引集合包括:搜索索引集合、行为偏好索引集合、用户画像索引集合、地产产品热度索引集合中的至少两个。
4.如权利要求3所述的地产产品搜索方法,其特征在于,
所述搜索索引集合的建立方法包括:
利用日志分析框架对用户需求信息进行召回,建立搜索索引集合;
所述用户行为信息包括:历史行为信息和实时行为信息,所述行为偏好索引集合的建立方法包括:
基于用户的历史行为信息和实时行为信息对用户的行为进行召回,建立行为偏好索引集合;
所述用户画像索引集合的建立方法包括:
获取用户画像;
在预设地产产品数据库中挖掘与所述用户画像对应的地产产品信息;
基于位置服务对所述地产产品信息进行筛选,建立所述用户画像索引集合;
所述地产产品热度索引集合的建立方法包括:
基于搜索请求获取与所述搜索请求对应的地产产品数据库;
在所述搜索请求对应的地产产品数据库中筛选出热度大于预设值的地产产品信息,建立地产产品热度索引集合。
5.如权利要求1所述的地产产品搜索方法,其特征在于,所述利用排序模型对所述匹配结果进行排序,得到排序结果包括:
获取训练数据,所述训练数据包括多级样本数据和样本权重信息,其中,所述样本权重信息包括所述用户意图的权重信息以及所述状态属性的权重信息;
利用所述训练数据对预设排序模型进行训练得到训练好的排序模型;
利用训练好的排序模型对所述匹配结果进行排序,得到所述排序结果。
6.如权利要求5所述的地产产品搜索方法,其特征在于,所述多级样本数据包括多级线上样本数据和多级线下样本数据。
7.如权利要求1所述的地产产品搜索方法,其特征在于,在根据排序结果得到目标地产产品之后包括:
获取地产产品供应商的意图信息;
根据所述地产产品供应商的意图信息将与所述地产产品供应商的意图信息对应的地产产品加入所述目标地产产品中。
8.如权利要求1所述的地产产品搜索方法,其特征在于,所述获取搜索请求包括:
获取用户输入的搜索字符串;
对所述搜索字符串进行推荐、补全、意识识别中的至少一种处理得到所述搜索请求。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使所述计算机执行权利要求1-8任意一项所述的地产产品搜索方法。
10.一种电子设备,其特征在于,包括:至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器执行权利要求1-8任意一项所述的地产产品搜索方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911226750.XA CN110968801A (zh) | 2019-12-04 | 2019-12-04 | 地产产品搜索方法、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911226750.XA CN110968801A (zh) | 2019-12-04 | 2019-12-04 | 地产产品搜索方法、存储介质及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110968801A true CN110968801A (zh) | 2020-04-07 |
Family
ID=70032970
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911226750.XA Pending CN110968801A (zh) | 2019-12-04 | 2019-12-04 | 地产产品搜索方法、存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110968801A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111625680A (zh) * | 2020-05-15 | 2020-09-04 | 青岛聚看云科技有限公司 | 确定搜索结果的方法及装置 |
CN112487310A (zh) * | 2020-10-23 | 2021-03-12 | 贝壳技术有限公司 | 小区推荐方法及系统 |
CN115168436A (zh) * | 2022-07-20 | 2022-10-11 | 贝壳找房(北京)科技有限公司 | 查询信息处理方法、电子设备及可读存储介质 |
WO2022266973A1 (zh) * | 2021-06-24 | 2022-12-29 | 曹庆恒 | 一种智能搜索方法及系统 |
CN115545853A (zh) * | 2022-12-02 | 2022-12-30 | 云筑信息科技(成都)有限公司 | 一种寻找供应商的搜索方法 |
CN117217954A (zh) * | 2020-09-18 | 2023-12-12 | Mftb控股公司 | 使用上下文细分进行引导式房地产搜索 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104240163A (zh) * | 2014-09-28 | 2014-12-24 | 百度在线网络技术(北京)有限公司 | 一种小区智能推荐方法及装置 |
EP3057005A1 (en) * | 2015-02-12 | 2016-08-17 | Maurice Duault | Process for computing a score for a search engine used for accessing a database of real estate properties |
CN108288179A (zh) * | 2018-01-25 | 2018-07-17 | 链家网(北京)科技有限公司 | 一种用户偏好房源计算方法和系统 |
CN109190036A (zh) * | 2018-08-24 | 2019-01-11 | 北京三快在线科技有限公司 | 推荐方法、装置、电子设备及存储介质 |
CN109377329A (zh) * | 2018-12-25 | 2019-02-22 | 北京时光荏苒科技有限公司 | 一种房源推荐方法、装置、存储介质及电子设备 |
-
2019
- 2019-12-04 CN CN201911226750.XA patent/CN110968801A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104240163A (zh) * | 2014-09-28 | 2014-12-24 | 百度在线网络技术(北京)有限公司 | 一种小区智能推荐方法及装置 |
EP3057005A1 (en) * | 2015-02-12 | 2016-08-17 | Maurice Duault | Process for computing a score for a search engine used for accessing a database of real estate properties |
CN108288179A (zh) * | 2018-01-25 | 2018-07-17 | 链家网(北京)科技有限公司 | 一种用户偏好房源计算方法和系统 |
CN109190036A (zh) * | 2018-08-24 | 2019-01-11 | 北京三快在线科技有限公司 | 推荐方法、装置、电子设备及存储介质 |
CN109377329A (zh) * | 2018-12-25 | 2019-02-22 | 北京时光荏苒科技有限公司 | 一种房源推荐方法、装置、存储介质及电子设备 |
Non-Patent Citations (2)
Title |
---|
XUETAO GUO等: "intelligent e-government services with personalized recommendation techniques", 《INTERNATIONAL JOURNAL OF INTELLIGENT SYSTEMS》 * |
夏正喜: "基于广义等级偏好优序法和层次分析法的购房决策", 《科技资讯》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111625680A (zh) * | 2020-05-15 | 2020-09-04 | 青岛聚看云科技有限公司 | 确定搜索结果的方法及装置 |
CN111625680B (zh) * | 2020-05-15 | 2023-08-25 | 青岛聚看云科技有限公司 | 确定搜索结果的方法及装置 |
CN117217954A (zh) * | 2020-09-18 | 2023-12-12 | Mftb控股公司 | 使用上下文细分进行引导式房地产搜索 |
CN112487310A (zh) * | 2020-10-23 | 2021-03-12 | 贝壳技术有限公司 | 小区推荐方法及系统 |
CN112487310B (zh) * | 2020-10-23 | 2023-02-17 | 贝壳技术有限公司 | 小区推荐方法及系统 |
WO2022266973A1 (zh) * | 2021-06-24 | 2022-12-29 | 曹庆恒 | 一种智能搜索方法及系统 |
CN115168436A (zh) * | 2022-07-20 | 2022-10-11 | 贝壳找房(北京)科技有限公司 | 查询信息处理方法、电子设备及可读存储介质 |
CN115168436B (zh) * | 2022-07-20 | 2023-08-08 | 贝壳找房(北京)科技有限公司 | 查询信息处理方法、电子设备及可读存储介质 |
CN115545853A (zh) * | 2022-12-02 | 2022-12-30 | 云筑信息科技(成都)有限公司 | 一种寻找供应商的搜索方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110968801A (zh) | 地产产品搜索方法、存储介质及电子设备 | |
US20210209109A1 (en) | Method, apparatus, device, and storage medium for intention recommendation | |
CN110825957B (zh) | 基于深度学习的信息推荐方法、装置、设备及存储介质 | |
JP6708717B2 (ja) | ニュース推薦方法及び装置 | |
KR102301899B1 (ko) | 정보 검색 방법, 장치 및 시스템 | |
CN102279889B (zh) | 一种基于地理信息的问题推送方法及系统 | |
CN110619076B (zh) | 一种搜索词推荐方法、装置、计算机及存储介质 | |
WO2017024884A1 (zh) | 一种搜索意图识别方法及装置 | |
US20100034470A1 (en) | Image and website filter using image comparison | |
CN110825956A (zh) | 一种信息流推荐方法、装置、计算机设备及存储介质 | |
CN111444304B (zh) | 搜索排序的方法和装置 | |
CN111814077B (zh) | 信息点查询方法、装置、设备和介质 | |
CN109791559A (zh) | 促进图像作为搜索查询的使用 | |
CN111191133B (zh) | 业务搜索处理方法、装置及设备 | |
CN102163214A (zh) | 一种数字地图生成装置及方法 | |
US10769136B2 (en) | Generalized linear mixed models for improving search | |
CN114265981A (zh) | 推荐词确定方法、装置、设备及存储介质 | |
KR102601545B1 (ko) | 지리 위치점 정렬 방법, 정렬 모델 트레이닝 방법 및 대응하는 장치 | |
CN111143689A (zh) | 根据用户需求和用户画像构建推荐引擎的方法 | |
CN111159559A (zh) | 根据用户需求和用户行为构建推荐引擎的方法 | |
CN113360788A (zh) | 一种地址推荐方法、装置、设备及存储介质 | |
CN103425767B (zh) | 一种提示数据的确定方法和系统 | |
CN110889029B (zh) | 城市目标推荐方法和装置 | |
KR101747532B1 (ko) | 여행성 질의에 대응하는 검색 결과로 코스를 추천하는 방법 및 시스템 | |
CN114511085A (zh) | 实体属性值的识别方法、装置、设备、介质及程序产品 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200407 |