经纪人推荐方法、装置、计算机设备及存储介质与流程

1.本技术主要涉及计算机技术领域，具体涉及一种经纪人推荐方法、装置、计算机设备及存储介质。


背景技术：

2.随着房地产行业的持续不断发展，房地产经纪人在房地产咨询和交易服务中扮演了越来越重要的角色。所以，当用户想要了解更多楼盘信息的时候，往往通过经纪人的头像和基础信息对经纪人做初步简单的了解，然后给经纪人拨打电话，或者是通过网页、客户端和手机应用程序(application，app)等等在线沟通的方式来判断经纪人是否适合自己。如果用户觉得经纪人合适，则会进行下一步看房购房事宜的沟通，如果用户觉得不合适，则更换其他经纪人进行沟通。
3.通过人为筛选的方式来挑选经纪人的过程十分复杂繁琐，需要耗费用户大量的时间和精力。


技术实现要素：

4.本技术提供一种经纪人推荐方法、装置、计算机设备及存储介质，基于推荐人气值为用户快速推荐合适的经纪人，节省时间和精力。
5.第一方面，本技术提供一种经纪人推荐方法，所述方法包括：
6.获取经纪人的基础人气值；
7.获取所述经纪人与用户的推荐匹配值；
8.根据所述推荐匹配值对所述基础人气值进行调节，得到与所述用户匹配的推荐人气值；
9.当所述推荐人气值满足第一预设值时，向所述用户推荐所述经纪人。
10.在本技术一些实施例中，所述获取经纪人的基础人气值，包括：
11.获取所述经纪人的业务交互数据；
12.对所述业务交互数据进行分类，得到分类后的业务交互数据；
13.根据所述分类后的业务交互数据，确定所述经纪人的基础人气值。
14.在本技术一些实施例中，所述根据所述分类后的业务交互数据，确定所述经纪人的基础人气值，包括：
15.对所述分类后的业务交互数据进行因子分析，得到所述分类后的业务交互数据的权重；
16.根据所述权重，得到所述经纪人的基础人气值。
17.在本技术一些实施例中，所述获取所述经纪人与用户的推荐匹配值，包括：
18.获取所述用户的画像数据；
19.根据所述画像数据，对所述经纪人和所述用户进行匹配计算，得到所述经纪人与所述用户的推荐匹配值。
20.在本技术一些实施例中，所述根据所述画像数据，对所述经纪人和所述用户进行匹配计算，得到所述经纪人与所述用户的推荐匹配值，包括：
21.根据所述画像数据，确定所述用户的喜好信息；
22.根据所述喜好信息，对所述经纪人和所述用户进行匹配计算，得到所述经纪人和所述用户的推荐匹配值。
23.在本技术一些实施例中，所述获取所述经纪人与用户的推荐匹配值，包括：
24.获取所述经纪人的标签数据；
25.获取所述用户的购房意愿数据；
26.根据所述标签数据和所述购房意愿数据，对所述经纪人和所述用户进行匹配计算，得到所述经纪人与所述用户的推荐匹配值。
27.在本技术一些实施例中，在所述根据所述推荐匹配值对所述基础人气值进行调节，得到与所述用户匹配的推荐人气值之前，所述方法还包括：
28.判断所述推荐匹配值是否高于第二预设值；
29.若所述推荐匹配值高于所述第二预设值，则根据所述推荐匹配值对所述基础人气值进行调节，得到与所述用户匹配的推荐人气值。
30.第二方面，本技术提供一种经纪人推荐装置，所述装置包括：
31.第一获取单元，用于获取经纪人的基础人气值；
32.第二获取单元，用于获取所述经纪人与用户的推荐匹配值；
33.调节单元，用于根据所述推荐匹配值对所述基础人气值进行调节，得到与所述用户匹配的推荐人气值；
34.推荐单元，用于当所述推荐人气值满足第一预设值时，向所述用户推荐所述经纪人。
35.在本技术一些实施例中，所述第一获取单元具体用于：
36.获取所述经纪人的业务交互数据；
37.对所述业务交互数据进行分类，得到分类后的业务交互数据；
38.根据所述分类后的业务交互数据，确定所述经纪人的基础人气值。
39.在本技术一些实施例中，所述第一获取单元具体用于：
40.对所述分类后的业务交互数据进行因子分析，得到所述分类后的业务交互数据的权重；
41.根据所述权重，得到所述经纪人的基础人气值。
42.在本技术一些实施例中，所述第二获取单元具体用于：
43.获取所述用户的画像数据；
44.根据所述画像数据，对所述经纪人和所述用户进行匹配计算，得到所述经纪人与所述用户的推荐匹配值。
45.在本技术一些实施例中，所述第二获取单元具体用于：
46.根据所述画像数据，确定所述用户的喜好信息；
47.根据所述喜好信息，对所述经纪人和所述用户进行匹配计算，得到所述经纪人和所述用户的推荐匹配值。
48.在本技术另一些实施例中，所述第二获取单元具体用于：
49.获取所述经纪人的标签数据；
50.获取所述用户的购房意愿数据；
51.根据所述标签数据和所述购房意愿数据，对所述经纪人和所述用户进行匹配计算，得到所述经纪人与所述用户的推荐匹配值。
52.第三方面，本技术提供一种计算机设备，所述计算机设备包括：
53.一个或多个处理器；
54.存储器；以及
55.一个或多个应用程序，其中所述一个或多个应用程序被存储于所述存储器中，并配置为由所述处理器执行以实现第一方面中任一项所述的经纪人推荐方法。
56.第四方面，本技术提供一种计算机可读存储介质，所述计算机可读存储介质存储有多条指令，所述指令适于处理器进行加载，以执行第一方面中任一项所述的经纪人推荐方法中的步骤。
57.本技术提供一种经纪人推荐方法、装置、计算机设备及存储介质，通过结合经纪人的业务交互数据计算基础人气值，然后根据经纪人与用户的推荐匹配值对经纪人的基础人气值进行调节，得到与用户匹配的推荐人气值，当推荐人气值满足第一预设值时，基于推荐人气值向用户推荐经纪人。采用本技术提供的经纪人推荐方法，可以帮助用户快速通过推荐人气值来判断经纪人的专业度和匹配度，有针对性地挑选出适合用户的经纪人，从而节省了用户的时间和精力。
附图说明
58.为了更清楚地说明本技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域技术人员来讲，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。
59.图1是本技术实施例提供的经纪人推荐系统的场景示意图；
60.图2是本技术实施例中提供的经纪人推荐方法的一个实施例流程示意图；
61.图3是本技术实施例中获取经纪人的基础人气值的一个实施例流程示意图；
62.图4是本技术实施例中获取经纪人与用户的推荐匹配值的一个实施例流程示意图；
63.图5是本技术实施例中提供的经纪人推荐装置的一个实施例结构示意图；
64.图6是本技术实施例中提供的计算机设备的一个实施例结构示意图。
具体实施方式
65.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域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，都属于本技术保护的范围。
66.在本技术的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示
的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本技术和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本技术的限制。此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个所述特征。在本技术的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
67.在本技术中，“示例性”一词用来表示“用作例子、例证或说明”。本技术中被描述为“示例性”的任何实施例不一定被解释为比其它实施例更优选或更具优势。为了使本领域任何技术人员能够实现和使用本技术，给出了以下描述。在以下描述中，为了解释的目的而列出了细节。应当明白的是，本领域普通技术人员可以认识到，在不使用这些特定细节的情况下也可以实现本技术。在其它实例中，不会对公知的结构和过程进行详细阐述，以避免不必要的细节使本技术的描述变得晦涩。因此，本技术并非旨在限于所示的实施例，而是与符合本技术所公开的原理和特征的最广范围相一致。
68.下面首先对本技术实施例中涉及到的一些基本概念进行介绍：
69.因子分析(factor analysis)：因子分析是指研究从变量群中提取共性因子的统计技术。因子分析的基本思想是根据相关性大小把原始变量分组，使得同组内的变量之间相关性较高，而不同组的变量间的相关性则较低。每组变量代表一个基本结构，并用一个不可观测的综合变量表示，这个基本结构就成为公共因子，对于所研究的某一具体问题，原始变量就可以分解成两部分之和的形式，一部分是少数几个不可测的所谓公共因子的线性函数，另一部分是与公共因子无关的特殊因子。
70.用户画像：用户画像又称用户角色，作为一种勾画目标用户、联系用户诉求与设计方向的有效工具，用户画像在各领域得到了广泛的应用。在大数据时代背景下，用户信息充斥在网络中，将用户的每个具体信息抽象成标签，利用这些标签将用户形象具体化，从而为用户提供有针对性的服务。在实际操作的过程中往往会以最为浅显和贴近生活的话语将用户的属性、行为与期待的数据转化联结起来。作为实际用户的虚拟代表，用户画像所形成的用户角色并不是脱离产品和市场之外所构建出来的，形成的用户角色需要有能代表产品的主要受众和目标群体。
71.本技术实施例提供一种经纪人推荐方法、装置、计算机设备及存储介质，以下分别进行详细说明。
72.请参阅图1，图1为本技术实施例所提供的经纪人推荐系统的场景示意图，该经纪人推荐系统可以包括计算机设备100，计算机设备100中集成有经纪人推荐装置。
73.本技术实施例中，该计算机设备100可以是独立的服务器，也可以是服务器组成的服务器网络或服务器集群，例如，本技术实施例中所描述的计算机设备100，其包括但不限于计算机、网络主机、单个网络服务器、多个网络服务器集或多个服务器构成的云服务器。其中，云服务器由基于云计算(cloud computing)的大量计算机或网络服务器构成。
74.本技术实施例中，上述的计算机设备100可以是一个通用计算机设备或者是一个专用计算机设备。在具体实现中计算机设备100可以是台式机、便携式电脑、网络服务器、掌上电脑(personal digital assistant，pda)、移动手机、平板电脑、无线终端设备、通信设备、嵌入式设备等，本实施例不限定计算机设备100的类型
75.本领域技术人员可以理解，图1中示出的应用环境，仅仅是与本技术方案一种应用场景，并不构成对本技术方案应用场景的限定，其他的应用环境还可以包括比图1中所示更多或更少的计算机设备，例如图1中仅示出1个计算机设备，可以理解的，该经纪人推荐系统还可以包括一个或多个可处理数据的其他计算机设备，具体此处不作限定。
76.另外，如图1所示，该经纪人推荐系统还可以包括存储器200，用于存储数据，如存储用于参与计算的业务交互数据或者用户数据等等。
77.需要说明的是，图1所示的经纪人推荐系统的场景示意图仅仅是一个示例，本技术实施例描述的经纪人推荐系统以及场景是为了更加清楚的说明本技术实施例的技术方案，并不构成对于本技术实施例提供的技术方案的限定，本领域普通技术人员可知，随着经纪人推荐系统的演变和新业务场景的出现，本技术实施例提供的技术方案对于类似的技术问题，同样适用。
78.首先，本技术实施例中提供一种经纪人推荐方法，包括：获取经纪人的基础人气值；获取所述经纪人与用户的推荐匹配值；根据所述推荐匹配值对所述基础人气值进行调节，得到与所述用户匹配的推荐人气值；当所述推荐人气值满足第一预设值时，向所述用户推荐所述经纪人。
79.如图2所示，为本技术实施例中经纪人推荐方法的一个实施例流程示意图，该经纪人推荐方法包括如下步骤201～204：
80.201、获取经纪人的基础人气值。
81.其中，经纪人是指为促成他人商品交易，在委托方和合同他方订立合同时充当订约居间人，为委托方提供订立合同的信息、机会、条件，或者在隐名交易中代表委托方与合同方签定合同的经纪行为而获取佣金的依法设立的经纪组织和个人。经纪人包括一般经纪人、期货经纪人、技术经纪人、劳动力经纪人、房地产经纪人和文体经纪人等。
82.优选的，在本技术一些实施例中，经纪人为房地产经纪人，房地产经纪人指沟通房地产卖方与买方之间联系，促进达成交易并从中取得佣金的代理人、联系人、中间人、经理人或者介绍人。
83.其中，基础人气值用于评估经纪人的基础能力水平，是经纪人的基础能力的综合体现。
84.202、获取所述经纪人与用户的推荐匹配值。
85.其中，用户为有购房需求或者是通过网页、客户端和app等等方式访问购房信息的人群。
86.具体的，推荐匹配值用于评估经纪人和用户在业务方面的匹配度。
87.203、根据所述推荐匹配值对所述基础人气值进行调节，得到与所述用户匹配的推荐人气值。
88.其中，推荐人气值用于直接评估经纪人和用户在业务方面的匹配度，通过推荐人气值直观地表达经纪人和用户的相关性。
89.具体的，在本技术一些实施例中，根据推荐匹配值对基础人气值进行调节的调节方式，可以是根据推荐匹配值的大小对基础人气值进行调节，也可以是根据推荐匹配值和固定值的预设对应关系对基础人气值进行调节，具体此处不作限定。
90.在一个具体的实施例中，根据所述推荐匹配值对所述基础人气值进行调节，得到
与所述用户匹配的推荐人气值可以是：根据推荐匹配值的大小对基础人气值按梯度递增，得到与所述用户匹配的推荐人气值，进一步的，对推荐匹配值设置一个最低阈值，推荐匹配值相较于最低阈值每增加第一预设数值(可以是1，也可以是其他整数值，如2)，则对基础人气值相应地增加第二预设数值(可以是1，也可以是其他整数值，如2)。以经纪人的基础人气值是60、经纪人与用户的推荐匹配值是80、最低阈值是60、第一预设数值是1和第二预设数值是1为例，推荐匹配值80相较于最低阈值60增加了20，所以基础人气值相应地增加20，得到与用户匹配的推荐人气值80。
91.在另一个具体的实施例中，根据所述推荐匹配值对所述基础人气值进行调节，得到与所述用户匹配的推荐人气值可以是：根据推荐匹配值和固定值的预设对应关系对基础人气值增加对应的固定值，得到与所述用户匹配的推荐人气值，进一步的，推荐匹配值和固定值的预设对应关系可以是如下表1所示，以经纪人的基础人气值是60、经纪人与用户的推荐匹配值是80为例，根据表1中推荐匹配值和固定值的预设对应关系可以看出，经纪人与用户的推荐匹配值是80对应的固定值是15，因此，对经纪人的基础人气值增加对应的固定值15，得到与用户匹配的推荐人气值为75。
92.表1
93.推荐匹配值固定值60以下060～801580以上25
94.可以理解的是，表1仅为举例，在本技术其他实施例中，可以有更多的推荐匹配值范围，以及更多的固定值，同时对于推荐匹配值和固定值的预设对应关系，可以是直接对应关系，也可以是间接对应关系，具体此处不作限定。
95.204、当所述推荐人气值满足第一预设值时，向所述用户推荐所述经纪人。
96.在步骤203根据所述推荐匹配值对所述基础人气值进行调节，得到与所述用户匹配的推荐人气值之后，当所述推荐人气值满足第一预设值时，向所述用户推荐所述经纪人。
97.其中，第一预设值可以是预设的具体数值，当经纪人的推荐人气值满足预设的具体数值时，向用户推荐该经纪人；第一预设值也可以是预设的排名顺序，当经纪人的推荐人气值满足预设的排名顺序时，向用户推荐满足预设的排名顺序的经纪人。
98.具体的，在本技术一些实施例中，以经纪人的推荐人气值是120、第一预设值是具体数值100为例，由于经纪人的推荐人气值120大于数值100，满足第一预设值的条件，所以向用户推荐该经纪人。
99.同样的，在本技术一些实施例中，以存在多个经纪人且每个经纪人有对应的推荐人气值、排名顺序是前五名为例，按推荐人气值从高到低对经纪人进行排序，将推荐人气值排列在前五名的经纪人推荐给用户。
100.本技术提供的经纪人推荐方法，可以帮助用户快速通过推荐人气值来判断经纪人的专业度和匹配度，有针对性地挑选出适合用户的经纪人，从而节省了用户的时间和精力。
101.如图3所示，在本技术一些实施例中，所述获取经纪人的基础人气值，包括如下步骤301～303：
102.301、获取所述经纪人的业务交互数据。
103.其中，业务交互数据是指经纪人与其他用户的业务交互数据，可以是历史业务交互数据，例如当前时刻前所有历史交互数据，也可以是当前时刻前预设时间段的业务交互数据，例如当天的业务交互数据。
104.具体的，在本技术一些实施例中，所述业务交互数据包括业务交互统计信息，获取所述经纪人的业务交互数据的方式可以是获取业务交互统计信息。
105.进一步的，在本技术一些实施例中，业务交互统计信息可以包括用户反馈的行为数据，获取业务交互统计信息的方式可以是：统计在经纪人向用户分享业务关联数据后，用户反馈的行为数据，其中，业务关联数据可以是名片、楼盘的物料和文章等相关房产信息，用户反馈的行为数据可以是访问名片次数、访问楼盘物料次数、访问楼盘文章次数、评论楼盘文章条数、转发楼盘文章次数、电话沟通次数和在线沟通次数等等。
106.302、对所述业务交互数据进行分类，得到分类后的业务交互数据。
107.在步骤301获取所述经纪人的业务交互数据之后，由于获取到的业务交互数据比较复杂，且不同的用户涉及的业务交互有所差异，所以要对获取到的业务交互数据进行分类整理，将属于同类型的业务交互数据划分到一类。
108.具体的，例如经纪人与用户a的业务交互数据有访问名片次数、访问楼盘物料次数和在线沟通次数，经纪人与用户b的业务交互数据有访问名片次数和电话沟通次数，将同属于访问名片次数的数据划分到一类。
109.303、根据所述分类后的业务交互数据，确定所述经纪人的基础人气值。
110.在本技术一些实施例中，所述根据所述分类后的业务交互数据，确定所述经纪人的基础人气值，包括如下步骤：对所述分类后的业务交互数据进行因子分析，得到所述分类后的业务交互数据的权重；根据所述权重，得到所述经纪人的基础人气值。
111.其中，因子分析的方法可以是探索性因子分析法，也可以是验证性因子分析法，具体此处不作限定。
112.在本技术一些实施例中，所述分类后的业务交互数据的权重包括每项分类后的业务交互数据的权重，根据每项分类后的业务交互数据的权重，分别计算每项分类后的业务交互数据的得分，整合所有分类后的业务交互数据的得分得到经纪人的基础人气值。
113.具体的，分类后的业务交互数据包括第一业务交互数据和第二业务交互数据，所述第一业务交互数据和所述第二业务交互数据不相同，根据每项分类后的业务交互数据的权重，分别计算每项分类后的业务交互数据的得分，整合所有分类后的业务交互数据的得分得到经纪人的基础人气值，包括：根据第一业务交互数据的权重，计算第一业务交互数据的得分；根据第二业务交互数据的权重，计算第二业务交互数据的得分；整合所述第一业务交互数据的得分和所述第二业务交互数据的得分，得到经纪人的基础人气值。
114.进一步的，每个分类后的业务交互数据包括对应的业务交互统计数据，第一业务交互数据包括第一业务交互统计数据，根据第一业务交互数据的权重，计算第一业务交互数据的得分可以包括：根据第一业务交互数据的权重，确定所述第一业务交互数据在所述分类后的业务交互数据中的比例；根据所述比例，对所述第一业务交互统计数据进行算术运算，得到所述第一业务交互数据的得分。
115.其中，业务交互统计数据可以是反映数量特征的数据，如100、200或者其他整数值。
116.同样的，根据第二业务交互数据的权重，计算第二业务交互数据的得分可以参照上述实施例提供的方法，具体不再赘述。
117.进一步的，整合所述第一业务交互数据的得分和所述第二业务交互数据的得分，得到经纪人的基础人气值可以包括：对所述第一业务交互数据的得分和所述第二业务交互数据的得分进行数据运算，得到经纪人的基础人气值。
118.需要说明的是，数据运算的类型可以是算术运算、关系运算、逻辑运算或者其他运算方式等等。
119.在一个具体实施例中，以分类后的业务交互数据包括访问名片次数、访问楼盘物料次数和电话沟通次数为例，对所述分类后的业务交互数据进行探索性因子分析，得到每项分类后的业务交互数据的权重，即得到访问名片次数的权重为0.4，访问楼盘物料次数的权重为0.3，电话沟通次数的权重为0.3。
120.进一步的，以访问名片次数的业务交互统计数据是100为例，根据访问名片次数的权重为0.4，确定访问名片次数在分类后的业务交互数据中的比例为40％，根据比例40％，对访问名片次数的业务交互统计数据100进行乘法运算，得到访问名片次数的得分是40。
121.同理可得，以访问楼盘物料次数的业务交互统计数据是150为例，根据访问楼盘物料次数的权重为0.3，确定访问楼盘物料次数在分类后的业务交互数据中的比例为30％，根据比例30％，对访问楼盘物料次数的业务交互统计数据150进行乘法运算，得到访问楼盘物料次数的得分是45。
122.以电话沟通次数的业务交互统计数据是200为例，根据电话沟通次数的权重为0.3，确定电话沟通次数在分类后的业务交互数据中的比例为30％，根据比例30％，对电话沟通次数的业务交互统计数据200进行乘法运算，得到电话沟通次数的得分是60。
123.进一步的，对访问名片次数、访问楼盘物料次数和电话沟通次数的得分进行加法运算，得到经纪人的基础人气值为145。
124.需要说明的是，上述实施例仅为举例说明，在本技术其他实施例中，可以有更多的业务交互数据，具体此处不作限定。
125.本技术实施例提供的经纪人推荐方法，通过对分类后的业务交互数据进行因子分析，得到分类后的业务交互数据的权重，根据权重计算基础人气值的方法既合理又清晰，充分体现了经纪人的专业性和敬业性。
126.如图4所示，在本技术一些实施例中，所述获取所述经纪人与用户的推荐匹配值，包括如下步骤401～402：
127.401、获取所述用户的画像数据。
128.其中，画像数据是指建立在一系列真实数据之上的目标用户模型，用于直观准确地描述用户。
129.具体的，获取所述用户的画像数据的方式可以是：利用存储在服务器上的用户日志和数据库里的用户数据进行分析和挖掘，得到用户的画像数据，具体的分析和挖掘方式可以参照现有技术，此处不作限定。在实际应用中，也可以是预先保存用户的画像数据，在需要使用的时候获取。
130.需要说明的是，本技术实施例中画像数据需要预先获得用户的授权，即画像数据为预先获得用户授权的，可用于画像分析以实现用户信息标签化的数据。
131.402、根据所述画像数据，对所述经纪人和所述用户进行匹配计算，得到所述经纪人与所述用户的推荐匹配值。
132.在本技术一些实施例中，所述根据所述画像数据，对所述经纪人和所述用户进行匹配计算，得到所述经纪人与所述用户的推荐匹配值，包括如下步骤：根据所述画像数据，确定所述用户的喜好信息；根据所述喜好信息，对所述经纪人和所述用户进行匹配计算，得到所述经纪人和所述用户的推荐匹配值。
133.具体的，在本技术一些实施例中，画像数据包括用户画像，用户画像包括用户的多元化标签，多元化标签的具体内容可以包括例如用户的个人属性、社交属性、消费能力和购买需求等等信息。
134.进一步的，以用户的用户画像包括个人属性信息，个人属性信息中包括家庭状态信息，喜好信息包括包括购房喜好房型为例，根据用户的用户画像，确定用户的喜好信息可以是：根据所述家庭状态信息，确定用户的购房喜好房型，例如，根据家庭状态信息为有小孩家庭且小孩处于学前教育阶段，得出用户的购房喜好房型为学区房。
135.同样的，以用户的用户画像包括消费能力信息，消费能力信息中包括消费者类型信息，喜好信息包括购房喜好房型为例，根据用户的用户画像，确定用户的喜好信息可以是：根据所述消费者类型信息，确定用户的购房喜好房型，例如，根据消费者类型信息为经济型消费者，得出用户在选购时多从经济角度考虑，对房子的价格比较敏感，购房喜好房型为二手房。
136.在确定用户的喜好信息之后，根据所述喜好信息，对所述经纪人和所述用户进行匹配计算，得到所述经纪人和所述用户的推荐匹配值，具体的，根据所述喜好信息，对所述经纪人和所述用户进行匹配计算，得到所述经纪人和所述用户的推荐匹配值可以是：结合所述喜好信息和所述经纪人的基础数据(例如常带看房的房型、擅长的购房或租房业务和其他用户评价趋势等等)，对所述经纪人和所述用户进行匹配计算，得到所述经纪人和所述用户的匹配分数；根据所述匹配分数，确定所述经纪人和所述用户的推荐匹配值。
137.进一步的，在本技术一些实施例中，结合所述喜好信息和所述经纪人的基础数据，对所述经纪人和所述用户进行匹配计算，得到所述经纪人和所述用户的匹配分数可以是：对所述喜好信息和所述基础数据进行重叠匹配计算，得到重叠匹配率；根据重叠匹配率，以及预设的重叠匹配率和匹配结果的对应关系，确定所述经纪人和所述用户的匹配结果；根据所述匹配结果，以及预设的匹配结果和匹配分数的对应关系，得到所述经纪人和所述用户的匹配分数。
138.具体的，对所述喜好信息和所述基础数据进行重叠匹配计算，得到重叠匹配率可以是：获取所述喜好信息中的购房喜好信息；将所述购房喜好信息和所述基础数据进行字段重叠匹配，得到重叠匹配的字段数目；计算所述字段数目占总体字段数目的比例，得到重叠匹配率。例如，购房喜好信息是二手房，基础数据包括二手房，将购房喜好信息和基础数据进行字段重叠匹配，得到重叠匹配的字段数目是1，且总体字段数目是1，因此重叠匹配的字段数目占总体字段数目的比例是100％，从而确定重叠匹配率是100％。
139.可以理解的是，重叠匹配计算的方式可以参照现有技术中提供的方式，具体此处不作限定。
140.在得到重叠匹配率之后，根据重叠匹配率，以及预设的重叠匹配率和匹配结果的
对应关系，确定所述经纪人和所述用户的匹配结果，预设的重叠匹配率和匹配结果的对应关系如下表2所示，以重叠匹配率是100％为例，根据表中的对应关系可以得到匹配结果为完全匹配。
141.表2
142.重叠匹配率匹配结果100％完全匹配50％～90％近似匹配50％以下不匹配
143.可以理解的是，表2仅为举例，在本技术其他实施例中，可以有更多的重叠匹配率，以及更多的匹配结果，同样可以基于上述对应关系进行设置，具体此处不作限定。
144.进一步的，在得到匹配结果之后，根据所述匹配结果，以及预设的匹配结果和匹配分数的对应关系，得到所述经纪人和所述用户的匹配分数，预设的匹配结果和匹配分数的对应关系如下表3所示，以匹配结果是完全匹配为例，根据表中的对应关系可以得到，匹配分数为100。
145.表3
146.匹配结果匹配分数完全匹配100近似匹配50不匹配0
147.需要说明的是，表3仅为举例，在本技术其他实施例中，可以有更多的匹配结果，以及更多的匹配分数，同样可以基于上述对应关系进行设置，具体此处不作限定。
148.在得到匹配分数之后，根据所述匹配分数，确定所述经纪人和所述用户的推荐匹配值。可以理解的是，根据所述匹配分数，确定所述经纪人和所述用户的推荐匹配值的方式，可以是直接将匹配分数作为推荐匹配值，也可以是通过其他数学计算方法对匹配分数进行计算求取推荐匹配值，具体此处不作限定。
149.本技术实施例提供的经纪人推荐方法，通过获取画像数据的方式可以更加准确地定位用户的喜好信息，再结合经纪人的基础数据对经纪人和用户进行匹配计算，可以使经纪人的推荐更加有针对性。
150.获取所述经纪人与用户的推荐匹配值的方式除了通过上述获取所述用户的画像数据，根据所述画像数据进行匹配计算以外，还可以有其他方式，具体的，在本技术一些实施例中，所述获取所述经纪人与用户的推荐匹配值，包括如下步骤：获取所述经纪人的标签数据；获取所述用户的购房意愿数据；根据所述标签数据和所述购房意愿数据，对所述经纪人和所述用户进行匹配计算，得到所述经纪人与所述用户的推荐匹配值。
151.其中，经纪人的标签数据可以包括基础数据标签和业务能力标签等等，基础数据标签具体可以包括性别、年龄段和爱好等等，业务能力标签具体可以包括擅长推荐的房型、户型和用户评价等等。擅长推荐的房型例如二手房、学区房、商品房或者其他房型等等，擅长推荐的户型例如小户型、大平层、loft或者其他户型等等，用户评价例如电话沟通表达清晰、带看体验极佳、耐心讲解或者其他评价等等。
152.其中，获取用户的购房意愿数据的方式可以是获取用户在注册时填写的购房意愿
信息，也可以是获取用户进入网页、客户端或者app时填写的购房意向问卷的问卷信息，还可以是获取用户的浏览行为数据，例如获取用户在选择经纪人之前频繁浏览的栏目信息。
153.需要说明的是，本技术实施例中购房意愿数据需要预先获得用户的授权，即购房意愿数据为预先获得用户授权的，可用于对经纪人和用户进行匹配计算的数据。
154.进一步的，根据所述标签数据和所述购房意愿数据，对所述经纪人和所述用户进行匹配计算，得到所述经纪人与所述用户的推荐匹配值可以是：根据所述标签数据和所述购房意愿数据，对所述经纪人和所述用户进行匹配计算，得到所述经纪人和所述用户的匹配分数；根据所述匹配分数，确定所述经纪人和所述用户的推荐匹配值。
155.具体的，根据所述标签数据和所述购房意愿数据，对所述经纪人和所述用户进行匹配计算，得到所述经纪人和所述用户的匹配分数可以是：对所述标签数据和所述购房意愿数据进行重叠匹配计算，得到重叠匹配率；根据重叠匹配率，以及预设的重叠匹配率和匹配结果的对应关系，确定所述经纪人和所述用户的匹配结果；根据所述匹配结果，以及预设的匹配结果和匹配分数的对应关系，得到所述经纪人和所述用户的匹配分数。
156.可以理解的是，重叠匹配率的计算方式、预设的重叠匹配率和匹配结果的对应关系的设置方式、预设的匹配结果和匹配分数的对应关系的设置方式和匹配分数的获得方式均可以参照本技术上述其他实施例提供的方法，具体此处不再赘述。
157.同样的，在得到匹配分数之后，根据所述匹配分数，确定所述经纪人和所述用户的推荐匹配值。可以理解的是，根据所述匹配分数，确定所述经纪人和所述用户的推荐匹配值的方式，可以是直接将匹配分数作为推荐匹配值，也可以是通过其他数学计算方法对匹配分数进行计算求取推荐匹配值，具体此处不作限定。
158.本技术实施例提供的经纪人推荐方法，通过获取用户的购房意愿数据的方式可以较为直接了解用户的需求，再结合经纪人的标签数据对经纪人和用户进行匹配计算，可以获得匹配度较高的结果，使经纪人的推荐相关性更高。
159.为进一步提高推荐的准确性，避免冗余信息的干扰，高度体现经纪人的专业度和匹配度，在本技术一些实施例中，在所述根据所述推荐匹配值对所述基础人气值进行调节，得到与所述用户匹配的推荐人气值之前，所述方法还包括如下步骤：判断所述推荐匹配值是否高于第二预设值；若所述推荐匹配值高于所述第二预设值，则根据所述推荐匹配值对所述基础人气值进行调节，得到与所述用户匹配的推荐人气值。
160.其中，第二预设值可以是预设的具体数值，例如100、200或者其他整数值。
161.可以理解的是，为了使推荐的经纪人相关性和准确性更高，对经纪人和用户的推荐匹配值进行判断，推荐匹配值低于第二预设值的经纪人，不进入推荐匹配值调节基础人气值的队列，推荐匹配值高于第二预设值的经纪人，可以进入下一步调节基础人气值，生成推荐人气值的步骤。
162.需要说明的是，根据推荐匹配值对基础人气值进行调节的调节方式，可以参照本技术上述其他实施例提供的方法，具体此处不再赘述。
163.本技术实施例提供的经纪人推荐方法，通过判断推荐匹配值是否高于第二预设值的方式，有针对性地对经纪人进行筛选，使得推荐的经纪人和用户的相关性更高，同时体现了经纪人的专业度和匹配度。
164.本技术实施例提供的经纪人推荐方法，还适用于一个经纪人与多个用户的推荐场
景。在本技术一些实施例中，在获取经纪人的基础人气值之后，获取经纪人与多个用户对应的推荐匹配值，即得到多个推荐匹配值，获取经纪人与多个用户对应的推荐匹配值的方式可以是同时获取也可以是分别依次获取；判断所述多个推荐匹配值是否高于第二预设值，高于第二预设值的推荐匹配值可用于对经纪人的基础人气值进行调节，即筛选出与经纪人达成匹配条件的用户；分别根据高于第二预设值的推荐匹配值对经纪人的基础人气值进行调节，得到多个与经纪人达成匹配条件的用户对应的推荐人气值；当多个与经纪人达成匹配条件的用户对应的推荐人气值满足第一预设值时，即筛选出与经纪人达成推荐条件的用户，向与经纪人达成推荐条件的用户推荐该经纪人。
165.同样的，本技术实施例提供的经纪人推荐方法，还适用于多个经纪人与一个用户的推荐场景。在本技术另一些实施例中，获取多个经纪人的基础人气值，并获取多个经纪人与用户对应的推荐匹配值，即得到多个推荐匹配值，获取多个经纪人与用户对应的推荐匹配值的方式可以是同时获取也可以是分别依次获取；判断所述多个推荐匹配值是否高于第二预设值，高于第二预设值的推荐匹配值可用于分别对多个经纪人的基础人气值进行调节，即筛选出与用户达成匹配条件的经纪人；分别根据高于第二预设值的推荐匹配值，对达成匹配条件的经纪人的基础人气值进行调节，得到多个与用户达成匹配条件的经纪人的推荐人气值；当多个与用户达成匹配条件的经纪人的推荐人气值满足第一预设值时，即筛选出与用户达成推荐条件的经纪人，向用户推荐与用户达成推荐条件的经纪人。
166.为了更好实施本技术实施例中经纪人推荐方法，在经纪人推荐方法基础之上，本技术实施例中还提供一种经纪人推荐装置，如图5所示，所述经纪人推荐装置500包括：
167.第一获取单元501，用于获取经纪人的基础人气值；
168.第二获取单元502，用于获取所述经纪人与用户的推荐匹配值；
169.调节单元503，用于根据所述推荐匹配值对所述基础人气值进行调节，得到与所述用户匹配的推荐人气值；
170.推荐单元504，用于当所述推荐人气值满足第一预设值时，向所述用户推荐所述经纪人。
171.本技术提供的经纪人推荐装置，通过结合经纪人的业务交互数据计算基础人气值，然后根据经纪人与用户的推荐匹配值对经纪人的基础人气值进行调节，得到与用户匹配的推荐人气值，基于推荐人气值向用户推荐经纪人。采用本技术提供的经纪人推荐装置，可以帮助用户快速通过推荐人气值来判断经纪人的专业度和匹配度，有针对性地挑选出适合用户的经纪人，从而节省了用户的时间和精力。
172.在本技术一些实施例中，所述第一获取单元501具体用于：
173.获取所述经纪人的业务交互数据；
174.对所述业务交互数据进行分类，得到分类后的业务交互数据；
175.根据所述分类后的业务交互数据，确定所述经纪人的基础人气值。
176.在本技术一些实施例中，所述第一获取单元501具体用于：
177.对所述分类后的业务交互数据进行因子分析，得到所述分类后的业务交互数据的权重；
178.根据所述权重，得到所述经纪人的基础人气值。
179.在本技术一些实施例中，所述第二获取单元502具体用于：
180.获取所述用户的画像数据；
181.根据所述画像数据，对所述经纪人和所述用户进行匹配计算，得到所述经纪人与所述用户的推荐匹配值。
182.在本技术一些实施例中，所述第二获取单元502具体用于：
183.根据所述画像数据，确定所述用户的喜好信息；
184.根据所述喜好信息，对所述经纪人和所述用户进行匹配计算，得到所述经纪人和所述用户的推荐匹配值。
185.在本技术另一些实施例中，所述第二获取单元502具体用于：
186.获取所述经纪人的标签数据；
187.获取所述用户的购房意愿数据；
188.根据所述标签数据和所述购房意愿数据，对所述经纪人和所述用户进行匹配计算，得到所述经纪人与所述用户的推荐匹配值。
189.本技术实施例还提供一种计算机设备，其集成了本技术实施例所提供的任一种经纪人推荐装置，所述计算机设备包括：
190.一个或多个处理器；
191.存储器；以及
192.一个或多个应用程序，其中所述一个或多个应用程序被存储于所述存储器中，并配置为由所述处理器执行上述经纪人推荐方法实施例中任一实施例中所述的经纪人推荐方法中的步骤。
193.如图6所示，其示出了本技术实施例所涉及的计算机设备的结构示意图，具体来讲：
194.该计算机设备可以包括一个或者一个以上处理核心的处理器601、一个或一个以上计算机可读存储介质的存储器602、电源603和输入单元604等部件。本领域技术人员可以理解，图6中示出的计算机设备结构并不构成对计算机设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。其中：
195.处理器601是该计算机设备的控制中心，利用各种接口和线路连接整个计算机设备的各个部分，通过运行或执行存储在存储器602内的软件程序和/或模块，以及调用存储在存储器602内的数据，执行计算机设备的各种功能和处理数据，从而对计算机设备进行整体监控。可选的，处理器601可包括一个或多个处理核心；处理器601可以是中央处理单元(central processing unit，cpu)，还可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现成可编程门阵列(field-programmable gate array，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。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，优选的，处理器601可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器601中。
196.存储器602可用于存储软件程序以及模块，处理器601通过运行存储在存储器602的软件程序以及模块，从而执行各种功能应用以及数据处理。存储器602可主要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、至少一个功能所需的应用程序(比
如声音播放功能、图像播放功能等)等；存储数据区可存储根据计算机设备的使用所创建的数据等。此外，存储器602可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地，存储器602还可以包括存储器控制器，以提供处理器601对存储器602的访问。
197.计算机设备还包括给各个部件供电的电源603，优选的，电源603可以通过电源管理系统与处理器601逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。电源603还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。
198.该计算机设备还可包括输入单元604，该输入单元604可用于接收输入的数字或字符信息，以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。
199.尽管未示出，计算机设备还可以包括显示单元等，在此不再赘述。具体在本实施例中，计算机设备中的处理器601会按照如下的指令，将一个或一个以上的应用程序的进程对应的可执行文件加载到存储器602中，并由处理器601来运行存储在存储器602中的应用程序，从而实现各种功能，如下：
200.获取经纪人的基础人气值；
201.获取所述经纪人与用户的推荐匹配值；
202.根据所述推荐匹配值对所述基础人气值进行调节，得到与所述用户匹配的推荐人气值；
203.当所述推荐人气值满足第一预设值时，向所述用户推荐所述经纪人。
204.本领域普通技术人员可以理解，上述实施例的各种方法中的全部或部分步骤可以通过指令来完成，或通过指令控制相关的硬件来完成，该指令可以存储于一计算机可读存储介质中，并由处理器进行加载和执行。
205.为此，本技术实施例提供一种计算机可读存储介质，该存储介质可以包括：只读存储器(rom，read only memory)、随机存取记忆体(ram，random access memory)、磁盘或光盘等。其上存储有计算机程序，所述计算机程序被处理器进行加载，以执行本技术实施例所提供的任一种经纪人推荐方法中的步骤。例如，所述计算机程序被处理器进行加载可以执行如下步骤：
206.获取经纪人的基础人气值；
207.获取所述经纪人与用户的推荐匹配值；
208.根据所述推荐匹配值对所述基础人气值进行调节，得到与所述用户匹配的推荐人气值；
209.当所述推荐人气值满足第一预设值时，向所述用户推荐所述经纪人。
210.在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见上文针对其他实施例的详细描述，此处不再赘述。
211.具体实施时，以上各个单元或结构可以作为独立的实体来实现，也可以进行任意组合，作为同一或若干个实体来实现，以上各个单元或结构的具体实施可参见前面的方法实施例，在此不再赘述。
212.以上各个操作的具体实施可参见前面的实施例，在此不再赘述。
213.以上对本技术实施例所提供的一种经纪人推荐方法、装置、计算机设备及存储介质进行了详细介绍，本文中应用了具体个例对本技术的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本技术的方法及其核心思想；同时，对于本领域的技术人员，依据本技术的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本技术的限制。