房源数据推荐方法及装置与流程

1.本公开涉及数据处理技术领域，尤其涉及一种房源数据推荐方法及装置。


背景技术：

2.随着互联网技术的快速发展，基于多种业务场景可以开发出各种各样的应用程序，通过应用程序可以向用户推送一些用户偏好的数据。例如，通过房源应用程序可以推送用户比较偏好的房源数据。目前，可以通过房源数据推荐模型向用户推荐房源数据，但是由于该房源数据推荐模型在训练时缺少用户线上的行为数据，导致训练数据中的正样本稀疏，进而导致基于房源数据推荐模型推荐房源数据的准确度下降，降低用户体验。


技术实现要素：

3.有鉴于此，本公开实施例提供了一种房源数据推荐方法、装置、电子设备及计算机可读存储介质，以解决现有技术中房源数据推荐模型推荐房源数据的准确度下降的技术问题。
4.本公开实施例的第一方面，提供了一种房源数据推荐方法，该方法包括：获取用户数据、房源数据、以及用户与房源的交叉数据；将用户数据、房源数据、以及用户与房源的交叉数据输入到预测模型，通过预测模型对用户数据、房源数据、以及用户与房源的交叉数据进行处理，得到初始特征向量序列；利用特征遮蔽算法对初始特征向量序列进行遮蔽处理，得到目标特征向量序列；根据目标特征向量序列，确定向终端设备推送的房源排列信息。
5.本公开实施例的第二方面，提供了一种房源数据推荐装置，该装置包括：获取模块，用于获取用户数据、房源数据、以及用户与房源的交叉数据；特征向量表示模块，用于将用户数据、房源数据、以及用户与房源的交叉数据输入到预测模型，通过预测模型对用户数据、房源数据、以及用户与房源的交叉数据进行处理，得到初始特征向量序列；特征遮蔽模块，用于利用特征遮蔽算法对初始特征向量序列进行遮蔽处理，得到目标特征向量序列；房源排列确定模块，用于根据目标特征向量序列，确定向终端设备推送的房源排列信息。
6.本公开实施例的第三方面，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.本公开实施例的第四方面，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.本公开实施例与现有技术相比存在的有益效果是：通过获取用户数据、房源数据、以及用户与房源的交叉数据，并将用户数据、房源数据、以及用户与房源的交叉数据输入到预测模型，并通过该预测模型对用户数据、房源数据、以及用户与房源的交叉数据进行处理，得到初始特征向量序列，然后利用特征遮蔽算法对初始特征向量序列进行遮蔽处理，得到目标特征向量序列，以实现对数据的自增强，解决相关技术中正样本稀疏的问题。这样可以根据目标特征向量序列，确定向终端设备推送的房源排列信息，以此方式向用户推荐的
房源数据准确度更高，提高用户体验。
附图说明
9.为了更清楚地说明本公开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公开的一些实施例，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示出了可以应用本发明实施例的技术方案的示例性系统架构的示意图；图2是本公开实施例提供的一种房源数据推荐方法的流程示意图；图3是本公开实施例提供的确定向终端设备推送的房源排列信息的步骤的流程示意图；图4是本公开实施例提供的另一种房源数据推荐方法的流程示意图；图5是本公开实施例提供的又一种房源数据推荐方法的流程示意图；图6a是本公开实施例提供的训练模型的结构示意图；图6b是本公开实施例提供的另一训练模型的结构示意图；图7是本公开实施例提供的一种房源数据推荐装置的结构示意图；图8是本公开实施例提供的一种电子设备的结构示意图。
具体实施方式
11.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，以便透彻理解本公开实施例。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公开。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公开的描述。
12.需要说明的是，本公开所涉及的用户信息(包括但不限于终端设备信息、用户个人信息等)和数据(包括但不限于用于展示的数据、分析的数据等)，均为经用户授权或者经过各方充分授权的信息和数据。
13.相关技术中，受业务发展阶段及购房决策周期的影响，用户线上行为数据不足，导致训练模型时正样本稀疏，这样在使用房屋推荐模型推荐房源数据时效果不达预期。针对该情况本公开提出了一种房屋数据推荐方法，通过获取用户数据、房源数据、以及用户与房源的交叉数据，并将用户数据、房源数据、以及用户与房源的交叉数据输入到预测模型，并通过该预测模型对用户数据、房源数据、以及用户与房源的交叉数据进行处理，得到初始特征向量序列，然后利用特征遮蔽算法对初始特征向量序列进行遮蔽处理，得到目标特征向量序列，以实现对数据的自增强，解决相关技术中正样本稀疏的问题。这样可以根据目标特征向量序列，确定向终端设备推送的房源排列信息，以此方式向用户推荐的房源数据准确度更高，提高用户体验。
14.图1示出了可以应用本发明实施例的技术方案的示例性系统架构的示意图。
15.如图1所示，系统架构100可以包括第一终端设备101、第二终端设备102、第三终端设备103中的一种或多种，网络104和服务器105。网络104用以在第一终端设备101、第二终端设备102、第三终端设备103和服务器105之间提供通信链路的介质。网络104可以包括各
种连接类型，例如有线、无线通信链路或者光纤电缆等等。
16.应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。比如服务器105可以是多个服务器组成的服务器集群等。
17.用户可以使用第一终端设备101、第二终端设备102、第三终端设备103通过网络104与服务器105交互，以接收或发送数据等。第一终端设备101、第二终端设备102、第三终端设备103可以是具有显示屏的各种电子设备，包括但不限于智能手机、平板电脑、便携式计算机和台式计算机等等。
18.服务器105可以是提供各种服务的服务器。例如服务器105可以从第一终端设备101（也可以是第二终端设备102或第三终端设备103）获取用户数据、房源数据、以及用户与房源的交叉数据，并将用户数据、房源数据、以及用户与房源的交叉数据输入到预测模型，并通过该预测模型对用户数据、房源数据、以及用户与房源的交叉数据进行处理，得到初始特征向量序列，然后利用特征遮蔽算法对初始特征向量序列进行遮蔽处理，得到目标特征向量序列，以实现对数据的自增强，解决相关技术中正样本稀疏的问题。这样可以根据目标特征向量序列，确定向终端设备推送的房源排列信息，以此方式向用户推荐的房源数据准确度更高，提高用户体验。
19.在一些实施例中，本发明实施例所提供的房源数据推荐方法一般由服务器105执行，相应地，房源数据推荐装置一般设置于服务器105中。在另一些实施例中，某些终端设备可以具有与服务器相似的功能从而执行本方法。因此，本发明实施例所提供的房源数据推荐方法不限定在服务器端执行。
20.下面将结合附图详细说明根据本公开实施例的房源数据推荐方法和装置。
21.图2是本公开实施例提供的一种房源数据推荐方法的流程示意图。本公开实施例提供的方法可以由任意具备计算机处理能力的电子设备执行，例如电子设备可以是图1示出的服务器。
22.如图2所示，该房源数据推荐方法包括步骤s210至步骤s240。
23.在步骤s210中，获取用户数据、房源数据、以及用户与房源的交叉数据。
24.步骤s220，将用户数据、房源数据、以及用户与房源的交叉数据输入到预测模型，通过预测模型对用户数据、房源数据、以及用户与房源的交叉数据进行处理，得到初始特征向量序列。
25.在步骤s230中，利用特征遮蔽算法对初始特征向量序列进行遮蔽处理，得到目标特征向量序列。
26.在步骤s240中，根据目标特征向量序列，确定向终端设备推送的房源排列信息。
27.该方法可以通过获取用户数据、房源数据、以及用户与房源的交叉数据，并将用户数据、房源数据、以及用户与房源的交叉数据输入到预测模型，并通过该预测模型对用户数据、房源数据、以及用户与房源的交叉数据进行处理，得到初始特征向量序列，然后利用特征遮蔽算法对初始特征向量序列进行遮蔽处理，得到目标特征向量序列，以实现对数据的自增强，解决相关技术中正样本稀疏的问题。这样可以根据目标特征向量序列，确定向终端设备推送的房源排列信息，以此方式向用户推荐的房源数据准确度更高，提高用户体验。
28.在本公开一些实施例中，上述用户数据可以包括不限于用户id、用户偏好数据。上
述房源数据可以包括不限于各个房源的房源面积、房源位置、房源周围环境。上述用户与房源的交叉数据可以包括但不限于用户在房源应用程序浏览的房源数据、房源应用程序向用户推荐的历史房源数据。
29.在本公开一些实施例中，通过训练好的预测模型中的特征表示层将用户数据、房源数据、以及用户与房源的交叉数据转化为对应的初始特征向量序列。在公开实施例中，可以通过三种遮蔽方式对上述初始特征向量序列中的特征向量及维度信息进行遮蔽处理，以实现对数据的自增强，解决相关技术中正样本稀疏的问题。例如，三种遮蔽方式可以是以随机遮蔽概率的方式从上述初始特征向量序列中删除部分特征向量，以实现对数据的自增强。以随机遮蔽比例的方式将上述初始特征向量序列中部分特征向量替换为[mask]，即用零向量替换该特征向量序列中的部分向量。以特定比例的方式将上述初始特征向量序列中的维度信息替换为扰动维度信息，以实现对数据的自增强。
[0030]
在本公开一些实施例中，利用特征遮蔽算法对初始特征向量序列进行遮蔽处理，得到目标特征向量序列包括：以随机遮蔽概率的方式，将初始特征向量序列中的部分特征向量删除，得到目标特征向量序列。例如，该遮蔽方式可以以一定概率p随机遮蔽初始特征向量表示中的一些元素，以此方式实现了对数据的自增强，解决相关技术中正样本稀疏的问题。
[0031]
在本公开一些实施例中，利用特征遮蔽算法对初始特征向量序列进行遮蔽处理，得到目标特征向量序列包括：以随机遮蔽比例的方式，将初始特征向量序列中的部分特征向量替换为零向量，得到目标特征向量序列。例如，在初始特征向量表示e中遮蔽特征信息，以一随机比例遮蔽特征，如果一个特征被遮蔽，则该特征的表示将被替换为[mask]，即为一个零向量，以此方式实现了对数据的自增强，解决相关技术中正样本稀疏的问题。
[0032]
在本公开一些实施例中，利用特征遮蔽算法对初始特征向量序列进行遮蔽处理，得到目标特征向量序列包括：以特定比例的方式，将初始特征向量序列中的维度信息替换为扰动维度信息，得到目标特征向量序列。例如，通过捕获初始特征向序列的维度关系来提高预测性能，本公开可以通过替换特征表征的维度信息的特定比例来扰动初始表示向量，以此方式实现了对数据的自增强，解决相关技术中正样本稀疏的问题。
[0033]
在本公开一些实施例中，通过上述三种遮蔽方式可以对初始特征向量序列进行数据自增强，得到目标特征向量序列。本公开实施例中可以根据该目标特征向量序列确定多个房源的用户行为预测概率，然后根据多个房源的用户行为预测概率，确定向终端设备推送的房源排列信息。例如，根据多个房源的用户点击行为预测概率，确定向终端设备推送的房源排列信息，以此方式向用户推荐的房源数据更加准确，与用户偏好更为接近，进一步提升用户体验。
[0034]
图3是本公开实施例提供的确定向终端设备推送的房源排列信息的步骤的流程示意图。
[0035]
如图3所示，上述步骤s240具体可以包括步骤s310和步骤s320。
[0036]
步骤s310，根据目标特征向量序列，确定多个房源的用户行为预测概率。
[0037]
步骤s320，根据多个房源的用户行为预测概率，确定向终端设备推送的房源排列信息。
[0038]
该方法可以根据目标特征向量序列确定多个房源的用户行为预测概率，然后根据
多个房源的用户行为预测概率，确定向终端设备推送的房源排列信息，以此方式向用户推荐的房源数据更加准确，与用户偏好更为接近，进一步提升用户体验。
[0039]
在本公开一些实施例中，上述多个房源的用户行为可以包括但不限于用户针对房源的点击行为、购买行为、租赁行为。
[0040]
在本公开一些实施例中，基于数据自增量后的目标特征向量序列可以计算出多个房源的用户行为预测概率，按照从大到小的顺序，对各个房源的用户行为预测概率进行排序，得到上述房源排列信息。然后可以向终端设备发送该房源排列信息，以使得用户在终端设备上可以浏览到与自己偏好更接近的房源信息。
[0041]
相关技术中，针对业务要求，常用的技术方案是首先对用户特征进行清理和转换，采用常见的ctr模型(click-through-rate，点击率预估)例如wide&deep、fnn、din算法建立模型，使用的评估指标通常为logloss和auc。logloss更关注模型预测结果和观察数据（例如：是否点击、是否购买）的吻合程度，auc更关注能否把推荐商品的顺序排的更好。这些算法依赖用户画像和商品属性，对存在大量离散特征的数据集有较好的表现。但是由于用户画像获取困难，算法效果不能达到预期。但在本案例中项目的属性随时间变化较大且正样本稀疏。常用的ctr模型对计算能力和样本量都有较高要求，模型复杂，这就导致模型在训练集容易过拟合，如果训练集与线上数据时间差别大，则模型准确率衰减速度快。针对该情况，本公开提供了优化上述ctr模型的训练方法，具体参考图4和图5所示的训练方法。
[0042]
图4是本公开实施例提供的另一种房源数据推荐方法的流程示意图。本公开实施例中在使用上述预测模型之前，先基于训练数据训练模型，具体如图4所示，上述房源数据推荐方法还可以包括步骤s410至步骤s450。
[0043]
在步骤s410中，获取训练数据，训练数据包括历史用户数据，历史房源数据、以及历史用户针对房源的行为数据。
[0044]
在步骤s420中，对历史用户数据，历史房源数据、以及历史用户针对房源的行为数据进行特征向量表示，得到用于训练模型的初始特征向量序列。
[0045]
在步骤s430中，以随机删除特征向量的方式或以随机替换特征向量的方式，对用于训练模型的特征向量序列中的部分特征向量进行遮蔽处理，得到用于训练模型的目标特征向量序列。
[0046]
在步骤s440中，根据用于训练模型的目标特征向量序列，确定多个历史房源的用户行为预测概率。
[0047]
在步骤s450中，基于多个历史房源的用户行为预测概率，通过交叉熵损失函数计算损失，在损失符合收敛条件时，得到预测模型。
[0048]
该方法可以对历史用户数据，历史房源数据、以及历史用户针对房源的行为数据进行特征向量表示，得到用于训练模型的初始特征向量序列，并以随机删除特征向量的方式或以随机替换特征向量的方式，对用于训练模型的特征向量序列中的部分特征向量进行遮蔽处理，得到用于训练模型的目标特征向量序列，然后根据用于训练模型的目标特征向量序列，确定多个历史房源的用户行为预测概率，并基于多个历史房源的用户行为预测概率，通过交叉熵损失函数计算损失，在损失符合收敛条件时，得到预测模型。以此方式训练模型可以解决相关技术中因正样本稀疏导致模型过拟合和推荐数据准确度的低的问题。
[0049]
参考图6a示出的训练模型，将历史用户数据，历史房源数据、以及历史用户针对房
源的行为数据输入到特征表示层a，通过该特征表示层a对历史用户数据，历史房源数据、以及历史用户针对房源的行为数据进行特征向量表示，得到用于训练模型的初始特征向量序列。将用于训练模型的初始特征向量序列输入到特征交互层b，通过该特征交互层b以随机删除特征向量的方式或以随机替换特征向量的方式，对用于训练模型的特征向量序列中的部分特征向量进行遮蔽处理，得到用于训练模型的目标特征向量序列。将用于训练模型的目标特征向量序列输入到预测层c，通过该预测层c根据用于训练模型的目标特征向量序列，确定多个历史房源的用户行为预测概率。将多个历史房源的用户行为预测概率输入到交叉熵损失函数层d，通过该交叉熵损失函数层d基于多个历史房源的用户行为预测概率，通过交叉熵损失函数计算损失，在损失符合收敛条件时，得上述到预测模型。
[0050]
在本公开一些实施例中，在训练过程中，可以通过上述特征遮蔽算法对用于训练模型的目标特征向量序列进行遮蔽处理，这样即实现通过数据自增强的方式，解决正样本稀疏的问题，提升模型预测的泛化能力。该特征遮蔽算法具体如下：；其中，e表示初始特征向量，f表示不同类型的特征，d表示特征的维度，p表示随机遮蔽概率，bernoulli(
·
)表示伯努利分布，i表示伯努利随机变量矩阵，表示目标特征向量序列。
[0051]
图5是本公开实施例提供的又一种房源数据推荐方法的流程示意图。本公开实施例中在使用上述预测模型之前，先基于训练数据训练模型，具体如图5所示，上述房源数据推荐方法还可以包括步骤s510至步骤s550。
[0052]
在步骤s510中，获取训练数据，训练数据包括历史用户数据，历史房源数据、以及历史用户针对房源的行为数据。
[0053]
在步骤s520中，对历史用户数据，历史房源数据、以及历史用户针对房源的行为数据进行特征向量表示，得到用于训练模型的初始特征向量序列。
[0054]
在步骤s530中，以特定比例替换维度信息的方式，对用于训练模型的特征向量序列中的维度信息进行遮蔽处理，得到用于训练模型的目标特征向量序列。
[0055]
在步骤s540中，根据用于训练模型的初始特征向量序列，确定多个历史房源的用户行为初始预测概率；以及根据用于训练模型的目标特征向量序列，确定多个历史房源的用户行为目标预测概率。
[0056]
在步骤s550中，基于多个历史房源的用户行为初始预测概率和多个历史房源的用户行为目标预测概率，通过对比学习损失函数计算损失，在损失符合收敛条件时，得到预测模型。
[0057]
该方法可以对历史用户数据，历史房源数据、以及历史用户针对房源的行为数据进行特征向量表示，得到用于训练模型的初始特征向量序列，并以特定比例替换维度信息的方式，对用于训练模型的特征向量序列中的维度信息进行遮蔽处理，得到用于训练模型的目标特征向量序列。然后根据用于训练模型的初始特征向量序列，确定多个历史房源的用户行为初始预测概率，以及根据用于训练模型的目标特征向量序列，确定多个历史房源的用户行为目标预测概率。最后基于多个历史房源的用户行为初始预测概率和多个历史房源的用户行为目标预测概率，并通过对比学习损失函数计算损失，在损失符合收敛条件时，
得到预测模型。以此方式训练模型可以进一步解决相关技术中因正样本稀疏导致模型过拟合和推荐数据准确度的低的问题。
[0058]
参考图6b示出的训练模型，当将历史用户数据，历史房源数据、以及历史用户针对房源的行为数据输入到模型后，通过两个支路对历史用户数据，历史房源数据、以及历史用户针对房源的行为数据分别进行处理。例如，将历史用户数据，历史房源数据、以及历史用户针对房源的行为数据输入到特征表示层l和l1，通过特征表示层l和l1分别对历史用户数据，历史房源数据、以及历史用户针对房源的行为数据进行特征向量表示，得到用于训练模型的初始特征向量序列。将用于训练模型的初始特征向量序列输入到特征交互层m，对用于训练模型的初始特征向量序列进行常规的编码处理。将用于训练模型的初始特征向量序列输入到特征交互层m1以特定比例替换维度信息的方式，对用于训练模型的特征向量序列中的维度信息进行遮蔽处理，得到用于训练模型的目标特征向量序列。此时可以对特征交互层m和m1输出的结果进行归一化处理。将归一化处理后的用于训练模型的初始特征向量序列输入到预测层n以确定多个历史房源的用户行为初始预测概率，以及将归一化处理后的用于训练模型的目标特征向量序列输入到预测层n1，确定多个历史房源的用户行为目标预测概率。最后将多个历史房源的用户行为初始预测概率和多个历史房源的用户行为目标预测概率输入到对比学习损失函数层h，通过该损失函数层h中的对比学习损失函数计算损失，在损失符合收敛条件时，得到预测模型。以此方式训练模型使得整体模型改进后，基于原始的向量表征，引入对比学习损失来自增强数据。可以进一步提升模型精度，提升模型线上的泛化性，模型会有更好的表现。
[0059]
通过本公开提出的训练模型的方法，可以通过数据自增强，使模型有更多可以学习的正样本，更迅速的完成数据的收集和分析，避免模型过拟合，从而提升模型预测的泛化能力。此外，通过数据自增强，可以充分利用各种线索内容，从多种角度使用有价值数据，提升模型的鲁棒性，还引入对比学习损失，增强模型泛化性。
[0060]
下述为本公开装置实施例，可以用于执行本公开方法实施例。下文描述的房源数据推荐装置与上文描述的房源数据推荐方法可相互对应参照。对于本公开装置实施例中未披露的细节，请参照本公开方法实施例。
[0061]
图7是本公开实施例提供的一种房源数据推荐装置的结构示意图。
[0062]
如图7所示，该房源数据推荐装置700包括获取模块710、特征向量表示模块720、特征遮蔽模块730和房源排列确定模块740。
[0063]
具体地，获取模块710，用于获取用户数据、房源数据、以及用户与房源的交叉数据。
[0064]
特征向量表示模块720，用于将用户数据、房源数据、以及用户与房源的交叉数据输入到预测模型，通过预测模型对用户数据、房源数据、以及用户与房源的交叉数据进行处理，得到初始特征向量序列。
[0065]
特征遮蔽模块730，用于利用特征遮蔽算法对初始特征向量序列进行遮蔽处理，得到目标特征向量序列。
[0066]
房源排列确定模块740，用于根据目标特征向量序列，确定向终端设备推送的房源排列信息。
[0067]
该房源数据推荐装置700可以通过获取用户数据、房源数据、以及用户与房源的交
叉数据，并将用户数据、房源数据、以及用户与房源的交叉数据输入到预测模型，并通过该预测模型对用户数据、房源数据、以及用户与房源的交叉数据进行处理，得到初始特征向量序列，然后利用特征遮蔽算法对初始特征向量序列进行遮蔽处理，得到目标特征向量序列，以实现对数据的自增强，解决相关技术中正样本稀疏的问题。这样可以根据目标特征向量序列，确定向终端设备推送的房源排列信息，以此方式向用户推荐的房源数据准确度更高，提高用户体验。
[0068]
在本公开的一些实施例中，上述特征遮蔽模块730被配置为：以随机遮蔽概率的方式，将初始特征向量序列中的部分特征向量删除，得到目标特征向量序列。
[0069]
在本公开的一些实施例中，上述特征遮蔽模块730还被配置为：以随机遮蔽比例的方式，将初始特征向量序列中的部分特征向量替换为零向量，得到目标特征向量序列。
[0070]
在本公开的一些实施例中，上述特征遮蔽模块730又被配置为：以特定比例的方式，将初始特征向量序列中的维度信息替换为扰动维度信息，得到目标特征向量序列。
[0071]
在本公开的一些实施例中，上述房源排列确定模块740被配置为：根据目标特征向量序列，确定多个房源的用户行为预测概率；根据多个房源的用户行为预测概率，确定向终端设备推送的房源排列信息。
[0072]
在本公开的一些实施例中，上述房源数据推荐装置700还可以用于：获取训练数据，训练数据包括历史用户数据，历史房源数据、以及历史用户针对房源的行为数据；对历史用户数据，历史房源数据、以及历史用户针对房源的行为数据进行特征向量表示，得到用于训练模型的初始特征向量序列；以随机删除特征向量的方式或以随机替换特征向量的方式，对用于训练模型的特征向量序列中的部分特征向量进行遮蔽处理，得到用于训练模型的目标特征向量序列；根据用于训练模型的目标特征向量序列，确定多个历史房源的用户行为预测概率；基于多个历史房源的用户行为预测概率，通过交叉熵损失函数计算损失，在损失符合收敛条件时，得到预测模型。
[0073]
在本公开的一些实施例中，上述房源数据推荐装置700还可以用于：获取训练数据，训练数据包括历史用户数据，历史房源数据、以及历史用户针对房源的行为数据；对历史用户数据，历史房源数据、以及历史用户针对房源的行为数据进行特征向量表示，得到用于训练模型的初始特征向量序列；以特定比例替换维度信息的方式，对用于训练模型的特征向量序列中的维度信息进行遮蔽处理，得到用于训练模型的目标特征向量序列；根据用于训练模型的初始特征向量序列，确定多个历史房源的用户行为初始预测概率；以及根据用于训练模型的目标特征向量序列，确定多个历史房源的用户行为目标预测概率；基于多个历史房源的用户行为初始预测概率和多个历史房源的用户行为目标预测概率，通过对比学习损失函数计算损失，在损失符合收敛条件时，得到预测模型。
[0074]
图8是本公开实施例提供的电子设备8的示意图。如图8所示，该实施例的电子设备8包括：处理器801、存储器802以及存储在该存储器802中并且可在处理器801上运行的计算机程序803。处理器801执行计算机程序803时实现上述各个方法实施例中的步骤。或者，处理器801执行计算机程序803时实现上述各装置实施例中各模块的功能。
[0075]
电子设备8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8可以包括但不仅限于处理器801和存储器802。本领域技术人员可以理解，图8仅仅是电子设备8的示例，并不构成对电子设备8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。
[0076]
处理器801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。
[0077]
存储器802可以是电子设备8的内部存储单元，例如，电子设备8的硬盘或内存。存储器802也可以是电子设备8的外部存储设备，例如，电子设备8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802还可以既包括电子设备8的内部存储单元也包括外部存储设备。存储器802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。
[0078]
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。
[0079]
集成的模块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，本公开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。需要说明的是，计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如，在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
[0080]
以上实施例仅用以说明本公开的技术方案，而非对其限制；尽管参照前述实施例对本公开进行了详细的说明，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公开各实施例技术方案的精神和范围，均应包含在本公开的保护范围之内。

技术特征：
1.一种房源数据推荐方法，其特征在于，所述方法包括：获取用户数据、房源数据、以及用户与房源的交叉数据；将所述用户数据、所述房源数据、以及所述用户与房源的交叉数据输入到预测模型，通过所述预测模型对所述用户数据、所述房源数据、以及所述用户与房源的交叉数据进行处理，得到初始特征向量序列；利用特征遮蔽算法对所述初始特征向量序列进行遮蔽处理，得到目标特征向量序列；根据所述目标特征向量序列，确定向终端设备推送的房源排列信息。2.根据权利要求1所述的方法，其特征在于，利用所述特征遮蔽算法对所述初始特征向量序列进行遮蔽处理，得到所述目标特征向量序列包括：以随机遮蔽概率的方式，将所述初始特征向量序列中的部分特征向量删除，得到所述目标特征向量序列。3.根据权利要求1所述的方法，其特征在于，利用所述特征遮蔽算法对所述初始特征向量序列进行遮蔽处理，得到所述目标特征向量序列包括：以随机遮蔽比例的方式，将所述初始特征向量序列中的部分特征向量替换为零向量，得到所述目标特征向量序列。4.根据权利要求1所述的方法，其特征在于，利用所述特征遮蔽算法对所述初始特征向量序列进行遮蔽处理，得到所述目标特征向量序列包括：以特定比例的方式，将所述初始特征向量序列中的维度信息替换为扰动维度信息，得到所述目标特征向量序列。5.根据权利要求1所述的方法，其特征在于，根据所述目标特征向量序列，确定向所述终端设备推送的房源排列信息包括：根据所述目标特征向量序列，确定多个房源的用户行为预测概率；根据所述多个房源的用户行为预测概率，确定向所述终端设备推送的房源排列信息。6.根据权利要求1所述的方法，其特征在于，在将所述用户数据、所述房源数据、以及所述用户与房源的交叉数据输入到所述预测模型之前，所述方法还包括：获取训练数据，所述训练数据包括历史用户数据，历史房源数据、以及历史用户针对房源的行为数据；对所述历史用户数据，所述历史房源数据、以及所述历史用户针对房源的行为数据进行特征向量表示，得到用于训练模型的初始特征向量序列；以随机删除特征向量的方式或以随机替换特征向量的方式，对所述用于训练模型的特征向量序列中的部分特征向量进行遮蔽处理，得到用于训练模型的目标特征向量序列；根据所述用于训练模型的目标特征向量序列，确定多个历史房源的用户行为预测概率；基于多个所述历史房源的用户行为预测概率，通过交叉熵损失函数计算损失，在所述损失符合收敛条件时，得到所述预测模型。7.根据权利要求1所述的方法，其特征在于，在将所述用户数据、所述房源数据、以及所述用户与房源的交叉数据输入到所述预测模型之前，所述方法还包括：获取训练数据，所述训练数据包括历史用户数据，历史房源数据、以及历史用户针对房源的行为数据；
对所述历史用户数据，所述历史房源数据、以及所述历史用户针对房源的行为数据进行特征向量表示，得到用于训练模型的初始特征向量序列；以特定比例替换维度信息的方式，对所述用于训练模型的特征向量序列中的维度信息进行遮蔽处理，得到用于训练模型的目标特征向量序列；根据所述用于训练模型的初始特征向量序列，确定多个历史房源的用户行为初始预测概率；以及根据所述用于训练模型的目标特征向量序列，确定多个历史房源的用户行为目标预测概率；基于多个所述历史房源的用户行为初始预测概率和多个所述历史房源的用户行为目标预测概率，通过对比学习损失函数计算损失，在所述损失符合收敛条件时，得到所述预测模型。8.一种房源数据推荐装置，其特征在于，所述装置包括：获取模块，用于获取用户数据、房源数据、以及用户与房源的交叉数据；特征向量表示模块，用于将所述用户数据、所述房源数据、以及所述用户与房源的交叉数据输入到预测模型，通过所述预测模型对所述用户数据、所述房源数据、以及所述用户与房源的交叉数据进行处理，得到初始特征向量序列；特征遮蔽模块，用于利用特征遮蔽算法对所述初始特征向量序列进行遮蔽处理，得到目标特征向量序列；房源排列确定模块，用于根据所述目标特征向量序列，确定向终端设备推送的房源排列信息。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
本公开涉及数据处理技术领域，提供了一种房源数据推荐方法及装置，该方法包括：获取用户数据、房源数据、以及用户与房源的交叉数据；将用户数据、房源数据、以及用户与房源的交叉数据输入到预测模型，通过预测模型对用户数据、房源数据、以及用户与房源的交叉数据进行处理，得到初始特征向量序列；利用特征遮蔽算法对初始特征向量序列进行遮蔽处理，得到目标特征向量序列；根据目标特征向量序列，确定向终端设备推送的房源排列信息。本公开的技术方案可以利用特征遮蔽算法对初始特征向量序列进行遮蔽处理，以实现对数据的自增强，有效地解决了相关技术中因正样本稀疏导致向用户推荐房源数据不准确的问题。荐房源数据不准确的问题。荐房源数据不准确的问题。


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：2023.06.29
技术公布日：2023/8/1