房源推荐方法、装置、电子设备及存储介质与流程

1.本技术涉及计算机技术领域，尤其涉及一种房源推荐方法、装置、电子设备及存储介质。


背景技术：

2.伴随市场环境的变化，当前房屋租售模式也发生了较大变化。一方面，随着信息化的发展，越来越多的用户习惯通过线上了解房源信息。另一方面，获客难度加大，新用户增长减缓。因此，如何充分发挥存量用户的价值，通过用户偏好制定房源推荐策略，提升用户转化率是房屋租售营销业务中亟需解决的问题。


技术实现要素：

3.有鉴于此，本技术实施例提供了一种房源推荐方法、装置、电子设备及存储介质，以解决现有技术中房源推荐不够准确的问题。
4.本技术实施例的第一方面，提供了一种房源推荐方法，包括：获取用户信息和房源信息，用户信息至少包括用户基础特征和用户行为特征，房源信息至少包括房源特征；使用输入神经网络自用户基础特征、用户行为特征和房源特征中提取第一特征，输入神经网络包括注意力模块；使用嵌入表达模块对第一特征进行嵌入表达，得到第二特征；使用当前塔模块对第二特征进行处理，得到当前输出向量；获取上一个任务中塔模块对第二特征进行处理得到的输出结果；使用知识迁移模块对输出向量和上一个任务的输出结果进行加权组合，得到当前任务的输出结果；基于当前任务的输出结果确定向用户推荐的房源。
5.本技术实施例的第二方面，提供了一种房源推荐装置，包括：获取单元，被配置为用户信息和房源信息，用户信息至少包括用户基础特征和用户行为特征，房源信息至少包括房源特征；特征提取单元，被配置为使用输入神经网络自用户基础特征、用户行为特征和房源特征中提取第一特征，输入神经网络包括注意力模块；预测单元，被配置为使用嵌入表达模块对第一特征进行嵌入表达，得到第二特征；预测单元还被配置为使用当前塔模块对第二特征进行处理，得到当前输出向量；预测单元还被配置为获取上一个任务中塔模块对第二特征进行处理得到的输出结果；预测单元还被配置为使用知识迁移模块对输出向量和上一个任务的输出结果进行加权组合，得到当前任务的输出结果；推荐单元，被配置为基于当前任务的输出结果确定向用户推荐的房源。
6.本技术实施例的第三方面，提供了一种电子设备，包括存储器、处理器以及存储在存储器中并且可在处理器上运行的计算机程序，该处理器执行计算机程序时实现上述方法的步骤。
7.本技术实施例的第四方面，提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现上述方法的步骤。
8.本技术实施例与现有技术相比存在的有益效果是：本技术实施例通过使用包括注意力模块的输入神经网络提取用户信息和房源信息中的特征，提高了特征提取的准确的；通过使用包括知识迁移模块的神经网络对输入特征进行预测得到用户可能感兴趣的房源，能够在用户转化的后程样本稀疏时，补充学习到转化前端的特征表示和模型结构，增强了模型的鲁棒性和稳定性，提高了预测准确度，进而提高了房源推荐的准确度，提升了用户体验。
附图说明
9.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，下面描述中的附图仅仅是本技术的一些实施例，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它的附图。
10.图1是本技术实施例的应用场景的场景示意图。
11.图2（a）是相关技术中的一种多任务模型的结构示意图。
12.图2（b）是相关技术中的另一种多任务模型的结构示意图。
13.图3是本技术实施例提供的一种房源推荐方法的流程示意图。
14.图4是本技术实施例提供的输入神经网络的结构示意图。
15.图5是根据本技术实施例提供的使用知识迁移模块对输出向量和上一个任务的输出结果进行加权组合，得到当前任务的输出结果的方法的流程示意图。
16.图6是本技术实施例提供的一种房源推荐的流程示意图。
17.图7是本技术实施例提供的多任务模型的结构示意图。
18.图8是本技术实施例提供的一种房源推荐装置的示意图。
19.图9是本技术实施例提供的电子设备的示意图。
具体实施方式
20.以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本技术实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本技术。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本技术的描述。
21.下面将结合附图详细说明根据本技术实施例的一种房源推荐方法和装置。
22.图1是本技术实施例的应用场景的场景示意图。该应用场景可以包括终端设备1、2和3、服务器4以及网络5。
23.终端设备1、2和3可以是硬件，也可以是软件。当终端设备1、2和3为硬件时，其可以是具有显示屏且支持与服务器4通信的各种电子设备，包括但不限于智能手机、平板电脑、
膝上型便携计算机和台式计算机等；当终端设备1、2和3为软件时，其可以安装在如上所述的电子设备中。终端设备1、2和3可以实现为多个软件或软件模块，也可以实现为单个软件或软件模块，本技术实施例对此不作限制。进一步地，终端设备1、2和3上可以安装有各种应用，例如数据处理应用、即时通信工具、社交平台软件、搜索类应用、购物类应用等。
24.服务器4可以是提供各种服务的服务器，例如，对与其建立通信连接的终端设备发送的请求进行接收的后台服务器，该后台服务器可以对终端设备发送的请求进行接收和分析等处理，并生成处理结果。服务器4可以是一台服务器，也可以是由若干台服务器组成的服务器集群，或者还可以是一个云计算服务中心，本技术实施例对此不作限制。
25.需要说明的是，服务器4可以是硬件，也可以是软件。当服务器4为硬件时，其可以是为终端设备1、2和3提供各种服务的各种电子设备。当服务器4为软件时，其可以是为终端设备1、2和3提供各种服务的多个软件或软件模块，也可以是为终端设备1、2和3提供各种服务的单个软件或软件模块，本技术实施例对此不作限制。
26.网络5可以是采用同轴电缆、双绞线和光纤连接的有线网络，也可以是无需布线就能实现各种通信设备互联的无线网络，例如，蓝牙（bluetooth）、近场通信（near field communication，nfc）、红外（infrared）等，本技术实施例对此不作限制。
27.用户可以通过终端设备1、2和3经由网络5与服务器4建立通信连接，以接收或发送信息等。具体地，终端1、2和3可以在获得用户授权后将用户信息上传至服务器4，服务器4对获取的信息进行处理，确定出用户可能感兴趣的房源，并将其发送至用户终端。
28.需要说明的是，终端设备1、2和3、服务器4以及网络5的具体类型、数量和组合可以根据应用场景的实际需求进行调整，本技术实施例对此不作限制。
29.上文提及，伴随市场环境的变化，当前房屋租售模式也发生了较大变化。一方面，随着信息化的发展，越来越多的用户习惯通过线上了解房源信息。另一方面，获客难度加大，新用户增长减缓。因此，如何充分发挥存量用户的价值，通过用户偏好制定房源推荐策略，提升用户转化率是房屋租售营销业务中亟需解决的问题。
30.与常规电商不同，房地产行业的用户数据存在一定的特殊性。具体的，购房用户的正样本数量远小于用户总量，且与常规电商中仅依靠线上的“曝光-》点击-》购买”数据链路实现用户转化不同，房地产行业的用户转化需要线上线下结合，包括“曝光-》点击-》商机运营官跟进-》线下到访案场-》线下复访案场-》购买签约”等多个过程，且通常在实际业务中，完成从曝光至到访的过程，或者完成从曝光至购买签约的过程才算完成了用户的有效转化。也就是说，在房地产行业中，广告获客场景下的用户转化路径较长，且转化过程中的路径序列依赖也较长。进一步的，在多步转化的长序列依赖中，转化环节越靠后，转化量越少，正样本也越稀疏，导致类别不平衡严重，进而无法训练预测模型为用户进行有效的房源推荐。
31.针对房地产行业中数据类别不平衡的情况，本技术实施例提出通过自适应信息迁移的多任务学习来训练预测模型，进而基于训练得到的预测模型为用户推荐房源的方法。
32.相关技术中，使用多任务学习对任务间的关系进行建模的方法主要包括如图2（a）和图2（b）所示的两类方法。其中，图2（a）所示的方法包括控制多任务模型底部的专家模块在任务间参数共享，顶部的多塔模块分别处理每个任务，该方法可称为“专家底（expert-bottom）模式”。具体的，特征经输入模块输入后，分别由专家模块1、专家模块2和专家模块3
（实际使用时专家模块的数量根据需要设置）处理后，输出至门控模块。门控模块对每个专家模块的输出结果进行加权综合后，经过不同的塔模块，例如塔模块t-1和塔模块t，输出不同的结果y
t-1
和y
t
。其中每个专家模块可以训练学习出不同的权重值，且不同专家模块对应的专家网络的损失函数也不相同，从而可以将多个模型整合到一个单独的任务中。然而，专家底模式只能在任务间传递浅层表示，但在靠近输出层的网络中往往包含更丰富、更有用的表示，这已被证明能带来更多的增益。另外，由于专家底模式不是专门为具有序列依赖的任务设计的，因此这些具有专家底模式的模型不能显式地对序列依赖进行建模。
33.图2（b）所示的方法包括在不同任务的输出层中迁移概率的方法，该方法可称为“概率迁移 (probability-transfer）模式”。具体的，特征经输入模块输入后，通过共享嵌入表达模块进行表达，然后经过不同的塔模块，例如塔模块t-1和塔模块t，输出不同的结果y
t-1
和y0，将y
t-1
和y0组合可以得到最终输出y
t
。然而，概率迁移模式只能通过标量乘积传递简单的概率信息，而忽略了向量空间中更丰富、更有用的表示，导致了信息的损失。如果其中任何一个概率没有被准确预测，多个任务将会受到影响。
34.鉴于此，本技术实施例提出一种动态知识迁移多任务框架，该框架通过知识迁移模块对用户多步转化之间的序列依赖进行建模。知识迁移模块可以自适应地学习在不同的转化阶段需要迁移什么和迁移多少信息。此外，通过在损失函数中加入行为期望校准器，动态知识迁移框架可以更准确地识别端到端转化。
35.进一步的，本技术实施例提供了一种房源推荐方法，通过使用包括注意力模块的输入神经网络提取用户信息和房源信息中的特征，提高了特征提取的准确的；通过使用包括知识迁移模块的神经网络对输入特征进行预测得到用户可能感兴趣的房源，能够在用户转化的后程样本稀疏时，补充学习到转化前端的特征表示和模型结构，增强了模型的鲁棒性和稳定性，提高了预测准确度，进而提高了房源推荐的准确度，提升了用户体验。
36.图3是本技术实施例提供的一种房源推荐方法的流程示意图。图3的房源推荐方法可以由图1的终端设备或服务器执行。如图3所示，该房源推荐方法包括如下步骤：在步骤s301中，获取用户信息和房源信息。
37.其中，用户信息至少包括用户基础特征和用户行为特征，房源信息至少包括房源特征。
38.在步骤s302中，使用输入神经网络自用户基础特征、用户行为特征和房源特征中提取第一特征。
39.其中，输入神经网络包括注意力模块。
40.在步骤s303中，使用嵌入表达模块对第一特征进行嵌入表达，得到第二特征。
41.在步骤s304中，使用当前塔模块对第二特征进行处理，得到当前输出向量。
42.在步骤s305中，获取上一个任务中塔模块对第二特征进行处理得到的输出结果。
43.在步骤s306中，使用知识迁移模块对输出向量和上一个任务的输出结果进行加权组合，得到当前任务的输出结果。
44.在步骤s307中，基于当前任务的输出结果确定向用户推荐的房源。
45.本技术实施例中，该方法可以由服务器执行，也可以由具备一定计算能力的终端执行。为描述方便，下文以由服务器执行本技术实施例提供的房源推荐方法为例进行说明。
46.本技术实施例中，服务器可以首先获取用户信息和房源信息。其中，用户信息可以
包括用户基本特征，诸如用户标识、用户基本情况、用户个人偏好等。用户信息还可以包括用户行为特征，行为特征包括线上行为特征，例如点击、查看房源的行为等，以及线下行为特征，例如带看行为等。房源信息包括房源特征，例如房源标识、房源基本情况、房源被关注情况以及房源带看情况等。
47.本技术实施例中，可以将用户基础特征、用户行为特征和房源特征输入一预先训练好的输入神经网络，以提取第一特征。其中，该输入神经网络包括注意力模块。进一步的，该输入神经网络还可以包括多任务模块，该多任务模块接收通过注意力模块提取的第一特征，根据划分的不同任务分别提取各任务的第一子特征。其中，任务可以根据用户处理房源的阶段进行划分，例如将“曝光-》点击”阶段作为一个任务，将“商机运营官跟进-》线下到访案场”作为另一个任务，将“线下复访案场-》购买签约”作为又一个任务等。在注意力模块提取的第一特征中，针对各任务分别提取各自的第一子特征。可以理解的是，任务的划分还可以采用其他方式，此处不做限制。
48.本技术实施例中，可以使用嵌入表达模块对第一特征进行嵌入表达，得到第二特征，然后将第二特征输入塔模块进行处理，得到输出向量。其中，塔模块可以包括多个，分别处理不同任务的第一子特征。例如，第一塔模块可以是当前塔模块，其处理对当前任务对应的第一子特征进行嵌入表达后的第二子特征，得到当前输出向量；第二塔模块可以是上一任务对应的塔模块，其处理上一任务对应的第一子特征进行嵌入表达后的第二子特征，得到上一输出向量。其中，上一任务可以是当前任务之前执行的任务，例如“曝光-》点击”对应的任务为“商机运营官跟进-》线下到访案场”对应的任务的上一任务，“商机运营官跟进-》线下到访案场”对应的任务为“线下复访案场-》购买签约”对应的任务的上一任务等。
49.本技术实施例中，在使用当前塔模块对第二特征进行处理得到当前输出结果时，还可以获取上一个任务中塔模块对第二特征进行处理得到的输出结果。然后，可以使用知识迁移模块对输出向量和上一个任务的输出结果进行加权组合，得到当前任务的输出结果，进而基于当前任务的输出结果确定向用户推荐的房源。
50.根据本技术实施例提供的技术方案，通过使用包括注意力模块的输入神经网络提取用户信息和房源信息中的特征，提高了特征提取的准确的；通过使用包括知识迁移模块的神经网络对输入特征进行预测得到用户可能感兴趣的房源，能够在用户转化的后程样本稀疏时，补充学习到转化前端的特征表示和模型结构，增强了模型的鲁棒性和稳定性，提高了预测准确度，进而提高了房源推荐的准确度，提升了用户体验。
51.本技术实施例中，用户基础特征可以包括以下中的至少一项：用户标识、用户年龄、用户性别、用户所属城市、用户会员等级、用户会员积分、用户偏好的地段、用户偏好的户型、用户偏好的价格、用户偏好的装修条件、用户偏好的房龄、用户偏好的城市、用户偏好的房屋属性。
52.进一步的，用户行为特征可以包括以下中的至少一项：用户线上点击情况、用户线上关注情况、用户线上咨询置业顾问情况、用户线上分享情况、用户线下到访门店情况、用户看房情况。
53.更进一步的，房源特征可以包括以下中的至少一项：房源标识、房源小区位置、房源面积、房源朝向、房源楼层、房源所在楼的总楼层、房源新旧程度、房源装修水平、房源设施完善度、房源上架时间、房源浏览量、房源关注度、房源所在区域成交率。
54.其中，用户行为特征可以基于用户线上行为收集得到，还可以结合用户在线下的行为特点，用户到访线下的门店信息、带看的房源信息，以及通过线下与经纪人的沟通，获取更多用户对房源的偏好信息，特征收集后，有利于进一步提升模型的预测准确度。
55.本技术实施例中，输入神经网络可以包括输入模块、注意力模块、第一中间模块、第二中间模块和多任务模块。其中，输入模块包括串联连接的第一输入子模块、第二输入子模块和第三输入子模块，注意力模块和第一中间模块的输入端分别连接第三输入子模块的输出，且注意力模块和第一中间模块的输入组合后输入至第二中间模块。第二中间模块的输出端连接多任务模块。
56.进一步的，第一输入子模块可以由一个卷积层和一个池化层组成，具有64个通道。第二输入子模块可以由一个卷积层和一个池化层组成，具有128个通道。第三输入子模块可以由两个卷积层、一个归一化层和一个池化层组成，具有256个通道。
57.更进一步的，多任务模块包括全连接层、主任务处理模块和至少一个子任务处理模块。其中，全连接层接收第三输入子模块的输出，并输出数据至主任务处理模块和子任务处理模块。主任务处理模块和子任务处理模块分别输出各任务对应的第一特征。
58.图4是本技术实施例提供的输入神经网络的结构示意图。如图4所示，用户信息和房源信息经输入模块输入，然后在第一输入子模块进行第一层卷积与池化处理，该第一输入子模块可以包括64通道。第一输入子模块的输出数据在第二输入子模块进行第二层卷积与池化处理，该第二输入子模块可以包括128通道。第二输入子模块的输出数据在第三输入子模块进行第二层卷积、归一化与池化处理，该第三输入子模块可以包括256通道。将第三输入子模块的输出分别送入注意力模块和第一中间模块进行处理，基于注意力机制提取得到第一特征，并在通过第二中间模块再次处理后送入多任务网络。其中，第一中间模块和第二中间模块都至少包括卷积、归一化和池化层，且包括512通道。第二特征首先经过多任务网络的全连接层，其中全连接层可以由分别具有4096个神经元的第一全连接层和具有2048个神经元的第二全连接层组合构成。将全连接层的输出分别输入至主任务处理模块以及一个或者多个子任务处理模块，从而提取出各任务的第一子特征。进一步的，在提取出各任务的第一子特征后，还可以将第一子特征处理后反馈至输入端，进行参数更新。
59.根据本技术实施例提供的技术方案，通过基于注意力机制的输入神经网络自用户信息和房源信息提取各任务的第一子特征，加强了输入神经网络对各个链路的输入特征中有效信息的获取能力，能够更有效地获取有用特征，进而提高推荐精度。
60.图5是根据本技术实施例提供的使用知识迁移模块对输出向量和上一个任务的输出结果进行加权组合，得到当前任务的输出结果的方法的流程示意图。如图5所示，该方法包括如下步骤：在步骤s501中，基于注意力机制分配输出向量和上一个任务的输出结果的权重。
61.在步骤s502中，基于分配的权重对输出向量和上一个任务的输出结果进行加权组合，得到当前任务的输出结果。
62.本技术实施例中，可以使用概率迁移模式的多任务模型来预测用户可能感兴趣的房源。同时，为解决概率迁移模式中只能通过标量乘积传递简单的概率信息的技术问题，本技术实施例提供的概率迁移模式的多任务模型中引入了知识迁移模块，使用知识迁移模块结合注意力机制分配输出向量和上一个任务的输出结果的权重，进而基于分配的权重对输
出向量和上一个任务的输出结果进行加权组合，得到当前任务的输出结果。
63.图6是本技术实施例提供的一种房源推荐的流程示意图。其中，图6所示实施例中的步骤s601至步骤s605以及步骤s609与图3所示实施例中的步骤s301至步骤s305以及步骤s307基本相同，此处不再赘述。如图6所示，该方法还包括如下步骤：在步骤s606中，获取知识迁移模块的损失函数。
64.在步骤s607中，基于损失函数的交叉熵以及校准器对知识迁移模块进行校准。
65.在步骤s608中，使用校准后的知识迁移模块对输出向量和上一个任务的输出结果进行加权组合，得到当前任务的输出结果。
66.本技术实施例中，为提高知识迁移模块结合注意力机制分配输出向量和上一个任务的输出结果的权重的精度，可以对知识迁移模块进行校准。具体的，可以首先获取知识迁移模块的损失函数，然后基于损失函数的交叉熵以及校准器对知识迁移模块进行校准。在完成知识迁移模块的校准后，可以使用校准后的知识迁移模块对输出向量和上一个任务的输出结果进行加权组合，得到当前任务的输出结果。
67.图7是本技术实施例提供的多任务模型的结构示意图。如图7所示，可以将输入神经网络提取的第一特征，包括主任务和各子任务对应的多个第一子特征输入多任务模型，并由多任务模型的嵌入表达模块进行各特征的共享嵌入表达，得到第二特征。随后，可以将第二特征送入不同的任务对应的塔进行处理，其中当前任务对应的塔例如可以是塔t，上一任务对应的塔例如可以是塔t-1。各个塔模块对第二特征进行处理后，均可以得到输出向量，如塔t可以输出向量q
t
，塔t-1可以输出向量q
t-1
。各输出向量均需要经过知识迁移模块进行处理，其中知识迁移模块的第一输入为当前塔的输出向量，第二输入为上一任务塔的输出结果，输出为当前任务塔的输出结果。知识迁移模块可以利用当前任务塔的输出向量和前一个任务塔迁移过来的特征信息学习任务间如何融合信息。任务本身的知识和迁移知识的权重通过注意力机制网络来分配，迁移知识本身仍然通过卷积神经网络来学习，即，知识迁移模块主要学习两个相邻任务间应该迁移的信息。
68.具体的，知识迁移模块的注意力机制可以是：，，，其中，z
t
为当前任务塔的输出结果，p
t-1
为对上一任务塔的输出结果进行处理后的结果，q
t
为当前任务塔的输出向量，u为中间向量，为自动学习的迁移知识的权重，h表示利用多层神经网络将模型的输入投影到新的向量空间，k为正整数。
69.进一步的，可以通过在损失函数中增加约束项来约束概率的输出，以求输出尽量满足序列依赖。其中损失函数可以包括交叉熵和约束项，交叉熵为公用的公式，此处不再详述。约束项可以是，其中为约束项，n为正整数，t为任务塔总数。如果t时刻的y大于t-1时刻的y，那么约束项输出一个大于0的值，否则输出0。
70.本技术实施例中，多任务模型可以由多层的卷积神经网络实现。在某些实施方式中，还可以由其他的分类模型，例如深度交叉网络（deep&cross network，dcn）、注意力网络
等实现，此处不做限制。
71.采用本技术实施例的技术方案，通过计算任务之间的相似度矩阵来得到任务之间的关系，然后通过自适应的方法来计算每个任务应该从哪些任务中获取信息，以及应该向哪些任务传递信息，提高了多任务学习的可行性和可靠性。
72.此外，该框架基于自适应的方法来学习任务之间的相互关系，该基础上利用这些关系来指导任务之间的知识共享和迁移，可以更方便的发挥多任务学习的其他优点，比如，使模型可以更加准确的补充学习到更加丰富的特征表示和模型结构，增强模型的鲁棒性和稳定性，使其更能够应对复杂和多变的现实问题。
73.上述所有可选技术方案，可以采用任意结合形成本技术的可选实施例，在此不再一一赘述。
74.下述为本技术装置实施例，可以用于执行本技术方法实施例。对于本技术装置实施例中未披露的细节，请参照本技术方法实施例。
75.图8是本技术实施例提供的一种房源推荐装置的示意图。如图8所示，该房源推荐装置包括：获取单元801，被配置为用户信息和房源信息，用户信息至少包括用户基础特征和用户行为特征，房源信息至少包括房源特征；特征提取单元802，被配置为使用输入神经网络自用户基础特征、用户行为特征和房源特征中提取第一特征，输入神经网络包括注意力模块；预测单元803，被配置为使用嵌入表达模块对第一特征进行嵌入表达，得到第二特征；预测单元803还被配置为使用当前塔模块对第二特征进行处理，得到当前输出向量；预测单元803还被配置为获取上一个任务中塔模块对第二特征进行处理得到的输出结果；预测单元803还被配置为使用知识迁移模块对输出向量和上一个任务的输出结果进行加权组合，得到当前任务的输出结果；推荐单元804，被配置为基于当前任务的输出结果确定向用户推荐的房源。
76.根据本技术实施例提供的技术方案，通过使用包括注意力模块的输入神经网络提取用户信息和房源信息中的特征，提高了特征提取的准确的；通过使用包括知识迁移模块的神经网络对输入特征进行预测得到用户可能感兴趣的房源，能够在用户转化的后程样本稀疏时，补充学习到转化前端的特征表示和模型结构，增强了模型的鲁棒性和稳定性，提高了预测准确度，进而提高了房源推荐的准确度，提升了用户体验。
77.本技术实施例中，用户基础特征包括以下中的至少一项：用户标识、用户年龄、用户性别、用户所属城市、用户会员等级、用户会员积分、用户偏好的地段、用户偏好的户型、用户偏好的价格、用户偏好的装修条件、用户偏好的房龄、用户偏好的城市、用户偏好的房屋属性；用户行为特征包括以下中的至少一项：用户线上点击情况、用户线上关注情况、用户线上咨询置业顾问情况、用户线上分享情况、用户线下到访门店情况、用户看房情况；房源特征包括以下中的至少一项：房源标识、房源小区位置、房源面积、房源朝向、房源楼层、房源所在楼的总楼层、房源新旧程度、房源装修水平、房源设施完善度、房源上架时间、房源
浏览量、房源关注度、房源所在区域成交率。
78.本技术实施例中，输入神经网络包括输入模块、注意力模块、第一中间模块、第二中间模块和多任务模块；输入模块包括串联连接的第一输入子模块、第二输入子模块和第三输入子模块；注意力模块和第一中间模块的输入端分别连接第三输入子模块的输出，且注意力模块和第一中间模块的输入组合后输入至第二中间模块；第二中间模块的输出端连接多任务模块。
79.本技术实施例中，第一输入子模块由一个卷积层和一个池化层组成，具有64个通道；第二输入子模块由一个卷积层和一个池化层组成，具有128个通道；第三输入子模块由两个卷积层、一个归一化层和一个池化层组成，具有256个通道。
80.本技术实施例中，多任务模块包括全连接层、主任务处理模块和至少一个子任务处理模块；全连接层接收第三输入子模块的输出，并输出数据至主任务处理模块和子任务处理模块；主任务处理模块和子任务处理模块分别输出各任务对应的第一特征。
81.本技术实施例中，使用知识迁移模块对输出向量和上一个任务的输出结果进行加权组合，得到当前任务的输出结果，包括：基于注意力机制分配输出向量和上一个任务的输出结果的权重；基于分配的权重对输出向量和上一个任务的输出结果进行加权组合，得到当前任务的输出结果。
82.本技术实施例中，方法还包括：获取知识迁移模块的损失函数；基于损失函数的交叉熵以及校准器对知识迁移模块进行校准；使用校准后的知识迁移模块对输出向量和上一个任务的输出结果进行加权组合，得到当前任务的输出结果。
83.应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本技术实施例的实施过程构成任何限定。
84.图9是本技术实施例提供的电子设备的示意图。如图9所示，该实施例的电子设备9包括：处理器901、存储器902以及存储在该存储器902中并且可在处理器901上运行的计算机程序903。处理器901执行计算机程序903时实现上述各个方法实施例中的步骤。或者，处理器901执行计算机程序903时实现上述各装置实施例中各模块/单元的功能。
85.电子设备9可以是桌上型计算机、笔记本、掌上电脑及云端服务器等电子设备。电子设备9可以包括但不仅限于处理器901和存储器902。本领域技术人员可以理解，图9仅仅是电子设备9的示例，并不构成对电子设备9的限定，可以包括比图示更多或更少的部件，或者不同的部件。
86.处理器901可以是中央处理单元（central processing unit，cpu），也可以是其它通用处理器、数字信号处理器（digital signal processor，dsp）、专用集成电路（application specificintegrated circuit，asic）、现场可编程门阵列（field-programmable gate array，fpga）或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。
87.存储器902可以是电子设备的内部存储单元，例如，电子设备9的硬盘或内存。存储器902也可以是电子设备9的外部存储设备，例如，电子设备9上配备的插接式硬盘，智能存储卡（smart media card，smc），安全数字（secure digital，sd）卡，闪存卡（flash card）等。存储器902还可以既包括电子设备9的内部存储单元也包括外部存储设备。存储器902用
于存储计算机程序以及电子设备所需的其它程序和数据。
88.所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
89.集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。基于这样的理解，本技术实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，计算机程序可以存储在计算机可读存储介质中，该计算机程序在被处理器执行时，可以实现上述各个方法实施例的步骤。计算机程序可以包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器（read-only memory，rom）、随机存取存储器（random access memory，ram）、电载波信号、电信信号以及软件分发介质等。
90.以上实施例仅用以说明本技术的技术方案，而非对其限制；尽管参照前述实施例对本技术进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本技术各实施例技术方案的精神和范围，均应包含在本技术的保护范围之内。

技术特征：
1.一种房源推荐方法，其特征在于，包括：获取用户信息和房源信息，所述用户信息至少包括用户基础特征和用户行为特征，所述房源信息至少包括房源特征；使用输入神经网络自所述用户基础特征、用户行为特征和房源特征中提取第一特征，所述输入神经网络包括注意力模块；使用嵌入表达模块对所述第一特征进行嵌入表达，得到第二特征；使用当前塔模块对所述第二特征进行处理，得到当前输出向量；获取上一个任务中塔模块对第二特征进行处理得到的输出结果；使用知识迁移模块对所述输出向量和上一个任务的输出结果进行加权组合，得到当前任务的输出结果；基于所述当前任务的输出结果确定向所述用户推荐的房源。2.根据权利要求1所述的方法，其特征在于，所述用户基础特征包括以下中的至少一项：用户标识、用户年龄、用户性别、用户所属城市、用户会员等级、用户会员积分、用户偏好的地段、用户偏好的户型、用户偏好的价格、用户偏好的装修条件、用户偏好的房龄、用户偏好的城市、用户偏好的房屋属性；所述用户行为特征包括以下中的至少一项：用户线上点击情况、用户线上关注情况、用户线上咨询置业顾问情况、用户线上分享情况、用户线下到访门店情况、用户看房情况；所述房源特征包括以下中的至少一项：房源标识、房源小区位置、房源面积、房源朝向、房源楼层、房源所在楼的总楼层、房源新旧程度、房源装修水平、房源设施完善度、房源上架时间、房源浏览量、房源关注度、房源所在区域成交率。3.根据权利要求1所述的方法，其特征在于，所述输入神经网络包括输入模块、注意力模块、第一中间模块、第二中间模块和多任务模块；所述输入模块包括串联连接的第一输入子模块、第二输入子模块和第三输入子模块；所述注意力模块和第一中间模块的输入端分别连接所述第三输入子模块的输出，且所述注意力模块和第一中间模块的输入组合后输入至第二中间模块；所述第二中间模块的输出端连接所述多任务模块。4.根据权利要求3所述的方法，其特征在于，所述第一输入子模块由一个卷积层和一个池化层组成，具有64个通道；所述第二输入子模块由一个卷积层和一个池化层组成，具有128个通道；所述第三输入子模块由两个卷积层、一个归一化层和一个池化层组成，具有256个通道。5.根据权利要求3所述的方法，其特征在于，所述多任务模块包括全连接层、主任务处理模块和至少一个子任务处理模块；所述全连接层接收所述第三输入子模块的输出，并输出数据至所述主任务处理模块和子任务处理模块；所述主任务处理模块和子任务处理模块分别输出各任务对应的第一特征。6.根据权利要求1所述的方法，其特征在于，所述使用知识迁移模块对所述输出向量和上一个任务的输出结果进行加权组合，得到当前任务的输出结果，包括：基于注意力机制分配所述输出向量和上一个任务的输出结果的权重；
基于分配的权重对所述输出向量和上一个任务的输出结果进行加权组合，得到当前任务的输出结果。7.根据权利要求1至6中任一项所述的方法，其特征在于，所述方法还包括：获取所述知识迁移模块的损失函数；基于所述损失函数的交叉熵以及校准器对所述知识迁移模块进行校准；使用校准后的知识迁移模块对所述输出向量和上一个任务的输出结果进行加权组合，得到当前任务的输出结果。8.一种房源推荐装置，其特征在于，包括：获取单元，被配置为用户信息和房源信息，所述用户信息至少包括用户基础特征和用户行为特征，所述房源信息至少包括房源特征；特征提取单元，被配置为使用输入神经网络自所述用户基础特征、用户行为特征和房源特征中提取第一特征，所述输入神经网络包括注意力模块；预测单元，被配置为使用嵌入表达模块对所述第一特征进行嵌入表达，得到第二特征；所述预测单元还被配置为使用当前塔模块对所述第二特征进行处理，得到当前输出向量；所述预测单元还被配置为获取上一个任务中塔模块对第二特征进行处理得到的输出结果；所述预测单元还被配置为使用知识迁移模块对所述输出向量和上一个任务的输出结果进行加权组合，得到当前任务的输出结果；推荐单元，被配置为基于所述当前任务的输出结果确定向所述用户推荐的房源。9.一种电子设备，包括存储器、处理器以及存储在所述存储器中并且可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述方法的步骤。10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述方法的步骤。

技术总结
本申请涉及计算机技术领域，提供了一种房源推荐方法、装置、电子设备及存储介质。该方法包括：获取用户信息和房源信息；使用输入神经网络自用户基础特征、用户行为特征和房源特征中提取第一特征，输入神经网络包括注意力模块；使用嵌入表达模块对第一特征进行嵌入表达，得到第二特征；使用当前塔模块对第二特征进行处理，得到当前输出向量；获取上一个任务中塔模块对第二特征进行处理得到的输出结果；使用知识迁移模块对输出向量和上一个任务的输出结果进行加权组合，得到当前任务的输出结果；基于当前任务的输出结果确定向用户推荐的房源。该方法能提高房源推荐精度，提升用户体验。验。验。


技术研发人员：姜佳 王芳
受保护的技术使用者：深圳须弥云图空间科技有限公司
技术研发日：2023.09.12
技术公布日：2023/10/20