本发明涉及互联网技术领域，具体涉及一种基于网络图结构的推荐方法及装置。
背景技术：
二手房交易过程中，用户常见的购房路径是在一些找房软件上输入找房区域，在搜索出的结果中，用户选择房源，联系房屋推荐的经纪人，再通过经纪人看更多的房源。如果经纪人不适合，还需要再重新找经纪人，整体购房时间较长，买房效率低下。
现有技术中的找房软件推荐的经纪人与用户需求匹配度不高、且无法基于所有历史数据建立全部经纪人与客源的匹配度，整体购房时间较长，效率低。
因此，如何提出一种方法，能够推荐最适合的经纪人，从而减少购房时间，提高购房效率，成为亟待解决的问题。
技术实现要素：
针对现有技术中的缺陷，本发明实施例提供了一种基于网络图结构的推荐方法及装置。
第一方面，本发明实施例提供一种基于网络图结构的推荐方法，包括：
根据输入的购房条件，确定出符合购房条件的筛选结果；
根据预先计算出的综合匹配度排名和所述筛选结果，确定与所述购房条件匹配度最高的经纪人。
第二方面，本发明实施例提供一种基于网络图结构的推荐装置，包括：
输入模块，用于根据输入的购房条件，确定出符合购房条件的筛选结果；
匹配模块，用于根据预先计算出的综合匹配度排名和所述筛选结果，确定与所述购房条件匹配度最高的经纪人。
第三方面，本发明实施例还提供了一种计算机设备，包括存储器和处理器，所述处理器和所述存储器通过总线完成相互间的通信；所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如下方法：
根据输入的购房条件，确定出符合购房条件的筛选结果；
根据预先计算出的综合匹配度排名和所述筛选结果，确定与所述购房条件匹配度最高的经纪人。
第四方面，本发明实施例提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时用于存储如前所述的计算机程序的方法。
本发明实施例提供的基于网络图结构的推荐方法及装置，采用机器学习算法计算得到用户与经纪人的匹配度；同时利用用户主动填写的购房意向信息，建立解析规则系统，配合算法得到的用户与经纪人匹配度，共同筛选出符合用户需求的推荐经纪人。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，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为本发明实施例提供的基于网络图结构的推荐方法的流程示意图；
图2为本发明一实施例提供的基于网络图结构的推荐方法的流程示意图；
图3为本发明实施例基于网络图结构的推荐装置的结构示意图；
图4为本发明实施例提供的计算机设备的结构框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中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作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。
图1为本发明实施例提供的基于网络图结构的推荐方法的流程示意图，如图1所示，所述方法包括：
s101、根据输入的购房条件，确定出符合购房条件的筛选结果；
s102、根据预先计算出的综合匹配度排名和所述筛选结果，确定与所述购房条件匹配度最高的经纪人。
具体地，客户要购买房子时，在购房条件输入到系统中，经过规则解析系统进行筛选过滤，将符合购房条件的筛选结果提取出来。
根据预先计算出的用户和经纪人之间的综合匹配度排名，再结合筛选的结果，确定出与购房条件匹配度最高的经纪人，并推荐给用户。
本发明实施例提供的基于网络图结构的推荐方法，利用用户主动填写的购房意向信息，建立解析规则系统，配合算法得到的用户与经纪人匹配度，共同筛选出符合用户需求的推荐经纪人。
可选地，所述综合匹配度采用如下步骤计算：
建立客源节点、房源节点和经纪人节点相互之间的网络结构图；
利用机器学习算法，对所述网络结构图进行计算，得到房源向量、客源向量与经纪人向量；
利用余弦相似度算法，计算所述房源向量、所述客源向量与所述经纪人向量相互之间的相似程度。
在上述实施例的基础上，具体地，综合匹配度的计算方法如下所述：
建立客源节点与房源节点的网络结构图、客源节点与经纪人节点的网络结构图、房源节点和经纪人节点的网络结构图；并将所有的网络结构图都存储到数据库中。
将客源节点、房源节点与经纪人节点三者共同构建的网络图结构输入机器学习算法，计算得到客源向量、房源向量和经纪人向量，采用余弦相似度算法可计算客源向量与经纪人向量的相似程度、房源向量和经纪人向量的相似程度、客源向量和房源向量的相似程度，本发明实施例中使用的客源向量与经纪人向量的相似程度。
本发明实施例提供的是node2vec算法，node2vec算法是一种网络随机游走模型，同时采用广度优先遍历与深度优先遍历算法，通过设置不同的参数值，可以识别网络图结构中的同质与同构群体。
在本发明实施例中，系统会计算每一个客源与所有的经纪人之间的相似度，并按照相似度的高低进行排序。
本发明实施例提供的基于网络图结构的推荐方法，采用机器学习算法计算得到用户与经纪人的匹配度；同时利用用户主动填写的购房意向信息，建立解析规则系统，配合算法得到的用户与经纪人匹配度，共同筛选出符合用户需求的推荐经纪人。
可选地，所述根据输入的购房条件，确定出符合购房条件的筛选结果，具体为：
获取用户输入的购房条件，所述购房条件至少包括购房区域、购房资金和购房偏好；
根据所述购房条件，在预先建立的数据库中确定符合购房条件的筛选结果。
在上述实施例的基础上，具体地，用户将购房条件输入到系统中，系统获取到用于输入的购房条件，所述购房条件至少包括购房区域、购房资金和购房偏好等，经过规则解析系统在预先建立的数据库中进行筛选过滤，将符合购房条件的筛选结果提取出来。
可选地，所述根据预先计算出的综合匹配度排名和所述筛选结果，确定与所述购房条件匹配度最高的经纪人，具体为：
根据客源向量与经纪人向量的匹配度排名的顺序，同时满足所述筛选结果，确定出与所述购房条件匹配度最高的经纪人。
具体地，根据客源向量与经纪人向量的匹配度排名的顺序，并同时需要满足筛选结果，确定出与所述购房条件匹配度最高的经纪人。
在具体的实施过程中，在匹配度计算的时候，对于某一个用户，系统会提供出这个用户与所有经纪人向量的匹配度，并将匹配度按从高到低进行排名，例如，匹配度第一名为赵三，第二名为李四，第三名为王五，等等，再根据筛选的结果例如购房区域，资金小于200万、户型南北通透等，在匹配的过程中，先取匹配度第一名的赵三，但是在赵三作为经纪人的房子与筛选结果不匹配，则认为第一名的赵三不是最适合的经纪人；
再对第二名的李四进行匹配，经过匹配，在李四作为经纪人的房子与筛选结果相匹配，则认为第二名为最适合的经纪人；
以此类推，若第二名也不是最适合的经纪人，则继续进行匹配，直到找到最适合的经纪人。
图2为本发明一实施例提供的基于网络图结构的推荐方法的流程示意图，如图2所示，不仅显示了相似度的计算过程，而且还显示了购房条件的筛选过程，及两者如何结合来确定经纪人的推荐。
本发明实施例提供的基于网络图结构的推荐方法，采用机器学习算法计算得到用户与经纪人的匹配度；同时利用用户主动填写的购房意向信息，建立解析规则系统，配合算法得到的用户与经纪人匹配度，共同筛选出符合用户需求的推荐经纪人。
可选地，所述建立客源节点、房源节点和经纪人节点相互之间的网络结构图，具体为：
对所述客源对所述房源的浏览、关注、带看与成交记录的不同行为类型设置不同的权重，建立客源节点与房源节点之间的网络结构图；
对所述客源与所述经纪人的聊天记录、电话记录、客源委托的不同行为类型设置不同的权重，建立客源节点与经纪人节点之间的网络结构图；
对所述经纪人对所述房源的录入、维护、实勘与钥匙记录，不同的行为类型设置不同的权重，建立经纪人节点与房源节点之间的网络结构图。
在上述实施例的基础上，具体地，需要分别建立客源节点、房源节点和经纪人节点相互之间的网络结构图，如下所示：
根据用户对房源的浏览、关注、带看和成交记录，对于不同的行为设置不同的权重，从而构建客源节点和房源节点之间的网络结构图；
例如，若用户对房源的浏览的权重设置为0.01、关注的权重为0.02、带看和成交记录的权重为0.3，数据库中记录客源节点和房源节点之间的网络结构图为：客源节点、房源节点、0.01，客源节点、房源节点、0.02，等等。
同样地，对所述客源与所述经纪人的聊天记录、电话记录、客源委托的不同行为类型设置不同的权重，建立客源节点与经纪人节点之间的网络结构图；例如，可以是即时(instantmessaging，im)聊天，400电话等。
对所述经纪人对所述房源的录入、维护、实勘与钥匙记录，不同的行为类型设置不同的权重，建立经纪人节点与房源节点之间的网络结构图。
将上述所有的网络结构图输入到机器学习算法中来计算相似程度。
本发明实施例提供的基于网络图结构的推荐方法，采用机器学习算法计算得到用户与经纪人的匹配度；同时利用用户主动填写的购房意向信息，建立解析规则系统，配合算法得到的用户与经纪人匹配度，共同筛选出符合用户需求的推荐经纪人。
图3为本发明实施例基于网络图结构的推荐装置的结构示意图，如图3所示，所述方法包括：输入模块10和匹配模块20，其中：
输入模块10用于根据输入的购房条件，确定出符合购房条件的筛选结果；
匹配模块20用于根据预先计算出的综合匹配度排名和所述筛选结果，确定与所述购房条件匹配度最高的经纪人。
本发明实施例提供的基于网络图结构的推荐装置，其中，输入模块10根据输入的购房条件，确定出符合购房条件的筛选结果；匹配模块20根据预先计算出的综合匹配度排名和所述筛选结果，确定与所述购房条件匹配度最高的经纪人。
本发明实施例提供的基于网络图结构的推荐装置，利用用户主动填写的购房意向信息，建立解析规则系统，配合算法得到的用户与经纪人匹配度，共同筛选出符合用户需求的推荐经纪人。
可选地，所述综合匹配度采用如下步骤计算：
建立客源节点、房源节点和经纪人节点相互之间的网络结构图；
利用机器学习算法，对所述网络结构图进行计算，得到房源向量、客源向量与经纪人向量；
利用余弦相似度算法，计算所述房源向量、所述客源向量与所述经纪人向量相互之间的相似程度。
在上述实施例的基础上，具体地，综合匹配度的计算方法如下所述：
建立客源节点与房源节点的网络结构图、客源节点与经纪人节点的网络结构图、房源节点和经纪人节点的网络结构图；并将所有的网络结构图都存储到数据库中。
将客源节点、房源节点与经纪人节点三者共同构建的网络图结构输入机器学习算法，计算得到客源向量、房源向量和经纪人向量，采用余弦相似度算法可计算客源向量与经纪人向量的相似程度、房源向量和经纪人向量的相似程度、客源向量和房源向量的相似程度，本发明实施例中使用的客源向量与经纪人向量的相似程度。
本发明实施例提供的是node2vec算法，node2vec算法是一种网络随机游走模型，同时采用广度优先遍历与深度优先遍历算法，通过设置不同的参数值，可以识别网络图结构中的同质与同构群体。
在本发明实施例中，系统会计算每一个客源与所有的经纪人之间的相似度，并按照相似度的高低进行排序。
本发明实施例提供的基于网络图结构的推荐装置，采用机器学习算法计算得到用户与经纪人的匹配度；同时利用用户主动填写的购房意向信息，建立解析规则系统，配合算法得到的用户与经纪人匹配度，共同筛选出符合用户需求的推荐经纪人。
可选地，所述输入模块具体为：
获取用户输入的购房条件，所述购房条件包括购房区域、购房资金和购房偏好中至少一个；
根据所述购房条件，在预先建立的数据库中确定符合购房条件的筛选结果。
在上述实施例的基础上，具体地，用户将购房条件输入到系统中，系统获取到用于输入的购房条件，所述购房条件至少包括购房区域、购房资金和购房偏好等，经过规则解析系统在预先建立的数据库中进行筛选过滤，将符合购房条件的筛选结果提取出来。
本发明实施例提供的基于网络图结构的推荐装置，采用机器学习算法计算得到用户与经纪人的匹配度；同时利用用户主动填写的购房意向信息，建立解析规则系统，配合算法得到的用户与经纪人匹配度，共同筛选出符合用户需求的推荐经纪人。
图4本发明实施例提供的计算机设备的结构框图，如图4所示，所述计算机设备包括：处理器(processor)601、存储器(memory)602和总线603；
其中，所述处理器601和所述存储器602通过所述总线603完成相互间的通信；
所述处理器601用于调用所述存储器602中的程序指令，以执行上述各方法实施例所提供的方法，例如包括：
根据输入的购房条件，确定出符合购房条件的筛选结果；
根据预先计算出的综合匹配度排名和所述筛选结果，确定与所述购房条件匹配度最高的经纪人。
本发明实施例公开一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的方法，例如包括：
根据输入的购房条件，确定出符合购房条件的筛选结果；
根据预先计算出的综合匹配度排名和所述筛选结果，确定与所述购房条件匹配度最高的经纪人。
本发明实施例提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行上述各方法实施例所提供的方法，例如包括：
根据输入的购房条件，确定出符合购房条件的筛选结果；
根据预先计算出的综合匹配度排名和所述筛选结果，确定与所述购房条件匹配度最高的经纪人。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
以上所描述的装置以及系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。