本发明涉及信息处理,尤其涉及一种租赁房屋推荐方法、装置及可读存储介质。
背景技术:
1、伴随着中国经济持续发展,以及人们生活水平提升,人们对住房的需求与日俱增。每年从学校毕业的大量应届毕业生,更是增加住房压力的主力军。同时,应届毕业生由于刚刚毕业,没有经济基础,面对高昂的房价更是望而却步,因此,更多人选择租房作为解决住房需求的临时方案。
2、然而,目前房屋租赁行业面临的问题是:租房网站多,各租房网站软件鱼龙混杂,信息量庞大,租房者无法准确获取想要的租房信息。
技术实现思路
1、本发明提供一种租赁房屋推荐方法、装置及可读存储介质,用以解决现有技术中租房者无法准确获取想要的租房信息的缺陷,实现租房信息的高效获取。
2、一种租赁房屋推荐方法,包括:
3、从多个房屋租赁平台网站获取房屋租赁信息,并对该房屋租赁信息进行整合,得到总房屋租赁数据库;
4、获取不同类型的租赁用户;所述不同类型的租赁用户包括:未注册用户、已注册但未对房屋信息进行任何操作的新用户、已注册且对房屋信息进行了一定操作的老用户;
5、根据所述不同类型的租赁用户,对所述总房屋租赁数据库进行一定的操作,以确定对应不同的房屋推荐信息;
6、将所述对应不同的房屋推荐信息推荐给相应类型的目标用户。
7、进一步地,如上所述的租赁房屋推荐方法,在所述租赁用户的类型为未注册用户的情况下,所述根据所述不同类型的租赁用户,对所述总房屋租赁数据库进行一定的操作,以确定对应不同的房屋推荐信息包括:
8、获取已完成交易的房屋租赁信息;
9、利用密度峰值聚类算法,对所述已经完成交易的房屋信息进行聚类,根据聚类结果建立第一房屋推荐模型;
10、将所述总房屋租赁数据库中的所有房屋信息与所述第一房屋推荐模型进行第一关联度度计算,并将所述第一关联度按照从大到小的顺序排列;
11、将前预设数量个所述第一关联度对应的房屋信息作为所述房屋推荐信息。
12、进一步地,如上所述的租赁房屋推荐方法,所述利用密度峰值聚类算法,对所述已经完成交易的房屋信息进行聚类,根据聚类结果建立第一房屋推荐模型包括:
13、获取所述已经完成交易的房屋信息对应的第一房屋属性;
14、根据所述第一房屋属性确定所述已经完成交易的房屋信息对应的所有聚类中心;
15、根据所述聚类中心确定每个聚类中心对应的密度峰值;
16、从所有的密度峰值中选取密度峰值最大对应的聚类中心;
17、根据所述密度峰值最大对应的聚类中心建立所述第一房屋推荐模型。
18、进一步地,如上所述的租赁房屋推荐方法,所述聚类中心根据以下公式计算得到:
19、γi=ρiσi,i∈is
20、其中,ρi为聚类中心i对应的局部密度,σi为两个所述密度峰值的聚类中心之间的距离;is={1,2,3,...,n}。
21、进一步地,如上所述的租赁房屋推荐方法,所述聚类中心i对应的局部密度ρi采用以下公式得到:
22、
23、其中,dc为截断距离,dij=dist(xi,xj)为聚类中心xi和聚类中心xj之间的某种距离;函数χ(x)对应的公式如下:
24、
25、进一步地,如上所述的租赁房屋推荐方法,在所述租赁用户的类型为新用户的情况下,所述根据所述不同类型的租赁用户,对所述总房屋租赁数据库进行一定的操作,以确定对应不同的房屋推荐信息包括:
26、获取所有新用户对应的用户属性;
27、对所述新用户对应的用户属性进行k-means聚类,得到若干个聚类中心,并将所述干个聚类中心划分为k个第一用户簇;
28、获取所述k个第一用户簇对应的用户信息;
29、计算所述新用户的用户信息与所述k个第一用户簇对应的用户信息之间的第一余弦相似度,并将所述第一余弦相似度按照从大到小的顺序排列;
30、将新用户划分到所述第一余弦相似度最高对应的第二用户簇中;
31、计算新用户的用户信息与所述第二用户簇中用户信息之间的第二余弦相似度,并将所述第二余弦相似度按照从大到小的顺序排列;
32、根据所述第二余弦相似度确定前预设数量个所述第二余弦相似度对应的新用户;
33、将所述前预设数量个所述第二余弦相似度对应的新用户的推荐房屋作为所述房屋推荐信息。
34、进一步地,如上所述的租赁房屋推荐方法,在所述租赁用户的类型为老用户的情况下,所述根据所述不同类型的租赁用户,对所述总房屋租赁数据库进行一定的操作,以确定对应不同的房屋推荐信息包括:
35、获取老用户浏览以及收藏的所有房屋信息;
36、根据所述老用户浏览以及收藏的所有房屋信息确定所有房屋对应的第二房屋属性;
37、根据所述第二房屋属性确定每个属性的平均值;
38、根据所述每个属性的平均值建立第二房屋推荐模型;
39、计算所述总房屋租赁数据库中每个房屋信息与所述第二房屋推荐模型之间的第二关联度,并将所述第二关联度按照从小到大的书序排列,将前预设数量个所述第二关联度对应的房屋信息作为所述房屋推荐信息。
40、进一步地,如上所述的租赁房屋推荐方法,所述计算所述总房屋租赁数据库中每个房屋信息与所述第二房屋推荐模型之间的第二关联度包括:
41、根据所述第二房屋推荐模型确定其对应的参考数列xc=[xc(1),xc(2),...,xc(n)];其中,表示xc(1)为第二房屋推荐模型数据的一个属性对应的实际数值,n表示为房屋信息属性的数量;
42、根据所述参考数列确定所述第二房屋推荐模型对应的房屋信息数据集x
43、
44、其中,m表示为房屋的数量,xm(n)表示为第m个房屋的第条n属性值;
45、对所述房屋信息数据集x进行归一化,得到归一化后的房屋信息数据集
46、
47、计算所述归一化后的房屋信息数据集与所述总房屋租赁数据库中每个房屋的属性之间的两极最大值a和两极最小值b;
48、
49、
50、其中,xi(j)表示第i个房屋的第j个属性;xc(j)表示第c个房屋的第j个属性;
51、根据所述两极最大值a和两极最小值b确定所述第二关联度;
52、
53、一种租赁房屋推荐装置,包括:
54、获取单元,用于从多个房屋租赁平台网站获取房屋租赁信息;
55、整合单元,用于,并对该房屋租赁信息进行整合,得到总房屋租赁数据库;
56、所述获取单元,还用于获取不同类型的租赁用户;所述不同类型的租赁用户包括:未注册用户、已注册但未对房屋信息进行任何操作的新用户、已注册且对房屋信息进行了一定操作的老用户;
57、确定单元,用于根据所述不同类型的租赁用户,对所述总房屋租赁数据库进行一定的操作,以确定对应不同的房屋推荐信息;
58、推荐单元,用于将将所述对应不同的房屋推荐信息推荐给相应类型的目标用户。
59、本发明还提供一种电子设备,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实现如上述任一种所述租赁房屋推荐方法。
60、本发明提供的租赁房屋推荐方法、装置及可读存储介质,通过将多个房屋租赁平台网站获取的房屋租赁信息进行整合,并根据不同类型的租赁用户,利用整合的信息建立不同的租赁房屋推荐模型,然后根据不同的租赁用户,选择相应的租赁房屋推荐模型,以获取相应的房屋推荐信息,从而提高了租赁用户获取房屋推荐信息的准确度。