基于大数据的房源推荐处理方法及系统与流程

本技术涉及计算机，具体而言，涉及一种基于大数据的房源推荐处理方法及系统。

背景技术：

1、随着互联网技术的飞速发展，房地产行业逐渐从传统的线下模式向线上模式转变，房产信息的获取与推荐方式也发生了深刻变化。传统的房源推荐方法多依赖于人工筛选或简单的搜索匹配，难以准确捕捉用户的真实需求，导致推荐效果不理想。特别是在大数据时代，用户的行为数据呈现出海量、多样、高速增长的特点，如何有效利用这些大数据进行房源推荐，成为房地产行业亟待解决的问题。

2、现有的房源推荐系统虽然已经开始尝试引入大数据技术，但在数据处理和推荐算法上仍存在诸多不足。一方面，传统的数据处理方法往往忽视了用户行为数据之间的复杂关联性和动态变化性，难以全面、准确地反映用户的真实需求；另一方面，现有的推荐算法多基于简单的相似度计算或规则匹配，缺乏深层次的语义理解和上下文感知能力，导致推荐结果不够精准和个性化。

技术实现思路

1、有鉴于此，本技术的目的在于提供一种基于大数据的房源推荐处理方法及系统。

2、依据本技术的第一方面，提供一种基于大数据的房源推荐处理方法，应用于房源推荐系统，所述方法包括：

3、获取目标用户的目标房源行为大数据，并依据所述目标房源行为大数据所包括的交互行为，对所述目标房源行为大数据进行分解，生成所述目标房源行为大数据的x个房源行为数据区块；

4、获取所述x个房源行为数据区块中各房源行为数据区块在所述目标房源行为大数据中的关联路径信息，并对所述x个房源行为数据区块进行编码表示，生成所述x个房源行为数据区块中各房源行为数据区块的编码表示矢量数据；

5、针对所述x个房源行为数据区块中的各房源行为数据区块，以所述房源行为数据区块作为网络知识图谱的一个网络成员，并依据所述房源行为数据区块的编码表示矢量数据和关联路径信息，确定所述网络成员的网络成员信息，生成所述目标房源行为大数据的网络知识图谱；

6、依据所述目标房源行为大数据的网络知识图谱，对所述目标房源行为大数据进行数据挖掘以生成推荐关键词序列，并基于所述推荐关键词序列对所述目标用户进行房源推荐。

7、在第一方面的一种可能的实施方式中，所述依据所述房源行为数据区块的编码表示矢量数据和关联路径信息，确定所述网络成员的网络成员信息，包括：

8、获取所述房源行为数据区块的行为模式统计数据；

9、依据所述房源行为数据区块的编码表示矢量数据、关联路径信息和行为模式统计数据，确定所述网络成员的网络成员信息。

10、在第一方面的一种可能的实施方式中，所述依据所述目标房源行为大数据的网络知识图谱，对所述目标房源行为大数据进行数据挖掘以生成推荐关键词序列，包括：

11、确定推荐知识库，所述推荐知识库包括y个第一模板房源行为数据中各第一模板房源行为数据的推荐关键词权重分布，以及各第一模板房源行为数据的知识图谱矢量序列或网络知识图谱，所述第一模板房源行为数据的知识图谱矢量序列是依据所述第一模板房源行为数据的网络知识图谱确定的，所述y为大于1的正整数；

12、依据所述目标房源行为大数据的网络知识图谱和各第一模板房源行为数据的知识图谱矢量序列或网络知识图谱，确定所述目标房源行为大数据与所述y个第一模板房源行为数据中各第一模板房源行为数据的匹配评分；

13、依据所述匹配评分，从所述y个第一模板房源行为数据中确定z个第一模板房源行为数据，所述z不大于y；

14、依据所述z个第一模板房源行为数据的推荐关键词权重分布，生成推荐关键词序列。

15、在第一方面的一种可能的实施方式中，所述确定推荐知识库，包括：

16、获取所述y个第一模板房源行为数据；

17、确定所述y个第一模板房源行为数据中各第一模板房源行为数据的网络知识图谱和推荐关键词权重分布；

18、依据所述y个第一模板房源行为数据的网络知识图谱和的推荐关键词权重分布，确定所述推荐知识库。

19、譬如，在第一方面的一种可能的实施方式中，所述获取所述y个第一模板房源行为数据，包括：

20、获取s个参考模板房源行为数据和t个候选模板房源行为数据，所述s和t均为正整数；

21、基于所述s个参考模板房源行为数据，从所述t个候选模板房源行为数据中筛选至少一个作为所述第一模板房源行为数据。

22、譬如，在第一方面的一种可能的实施方式中，所述于所述s个参考模板房源行为数据，从所述t个候选模板房源行为数据中筛选至少一个作为所述第一模板房源行为数据，包括：

23、针对所述t个候选模板房源行为数据中的第i个候选模板房源行为数据，确定所述第i个候选模板房源行为数据与所述s个参考模板房源行为数据中各参考模板房源行为数据的匹配评分，所述i为不大于t的正整数；

24、如果所述第i个候选模板房源行为数据与所述s个参考模板房源行为数据中至少一个参考模板房源行为数据的匹配评分大于第二门限值时，则将所述第i个候选模板房源行为数据输出为所述第一模板房源行为数据。

25、譬如，在第一方面的一种可能的实施方式中，所述确定所述第i个候选模板房源行为数据与所述s个参考模板房源行为数据中各参考模板房源行为数据的匹配评分，包括：

26、确定所述第i个候选模板房源行为数据的知识图谱矢量序列，以及所述s个参考模板房源行为数据中各参考模板房源行为数据的知识图谱矢量序列；

27、依据所述第i个候选模板房源行为数据的知识图谱矢量序列和所述s个参考模板房源行为数据中各参考模板房源行为数据的知识图谱矢量序列，确定所述第i个候选模板房源行为数据与所述s个参考模板房源行为数据中各参考模板房源行为数据的匹配评分。

28、譬如，在第一方面的一种可能的实施方式中，所述确定所述第i个候选模板房源行为数据的知识图谱矢量序列，以及所述s个参考模板房源行为数据中各参考模板房源行为数据的知识图谱矢量序列，包括：

29、确定所述第i个候选模板房源行为数据的网络知识图谱，以及所述s个参考模板房源行为数据中各参考模板房源行为数据的网络知识图谱；

30、依据所述第i个候选模板房源行为数据的网络知识图谱，确定所述第i个候选模板房源行为数据的知识图谱矢量序列；

31、针对所述s个参考模板房源行为数据中各参考模板房源行为数据，依据所述参考模板房源行为数据的网络知识图谱，确定所述参考模板房源行为数据的知识图谱矢量序列。

32、譬如，在第一方面的一种可能的实施方式中，所述确定所述y个第一模板房源行为数据中各第一模板房源行为数据的推荐关键词权重分布，包括：

33、如果所述第一模板房源行为数据为所述第i个候选模板房源行为数据时，则依据所述第i个候选模板房源行为数据与所述s个参考模板房源行为数据中各参考模板房源行为数据的匹配评分，从所述s个参考模板房源行为数据中确定与所述第i个候选模板房源行为数据的匹配评分不小于第三门限值的t个目标模板房源行为数据；

34、依据所述t个候选模板房源行为数据的推荐关键词权重分布，确定所述第i个候选模板房源行为数据的推荐关键词权重分布。

35、譬如，在第一方面的一种可能的实施方式中，确定第三模板房源行为数据的网络知识图谱，包括：

36、依据所述第三模板房源行为数据所包括的交互行为，对所述第三模板房源行为数据进行分解，生成所述第三模板房源行为数据的u个房源行为数据区块，所述第三模板房源行为数据为第i个候选模板房源行为数据或参考模板房源行为数据或第一模板房源行为数据，所述u为大于1的正整数；

37、获取所述u个房源行为数据区块中各房源行为数据区块在所述第三模板房源行为数据中的关联路径信息，并对所述u个房源行为数据区块进行编码表示，生成所述u个房源行为数据区块中各房源行为数据区块的编码表示矢量数据；

38、针对所述u个房源行为数据区块中的各房源行为数据区块，以所述房源行为数据区块作为网络知识图谱的一个网络成员，并依据所述房源行为数据区块的编码表示矢量数据和关联路径信息，确定所述网络成员的网络成员信息，生成所述第三模板房源行为数据的网络知识图谱。

39、依据本技术的第二方面，提供一种房源推荐系统，所述房源推荐系统包括处理器以及可读存储介质，所述可读存储介质存储有程序，该程序被处理器执行时实现前述的基于大数据的房源推荐处理方法。

40、依据本技术的第三方面，提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机可执行指令，在监测到所述计算机可执行指令被执行时，实现前述的基于大数据的房源推荐处理方法。

41、依据以上任意一个方面，本技术实施例通过精细化处理目标用户的房源行为大数据，实现了高效且精准的房源推荐。具体地，首先分解目标房源行为大数据，生成多个房源行为数据区块，进而获取并编码这些区块的关联路径信息，构建了包含丰富网络成员信息的网络知识图谱。基于此网络知识图谱，能够深入挖掘目标房源行为大数据，生成反映用户需求的推荐关键词序列，从而实现对目标用户的高度个性化房源推荐，显著提升了房源推荐的准确性和用户满意度。