[发明专利]基于LBS租房场景构建推荐引擎的方法

说明书

本申请公开了一种基于LBS租房场景构建推荐引擎的方法，涉及数据统计技术领域，该方法一具体实施方式包括步骤：采集用户信息和房源信息，用户信息包括用户需求信息、用户行为信息和用户画像信息；根据用户信息生成第一召回数据源、第二召回数据源和第三召回数据源；根据LBS服务做价值匹配和地段特征匹配生成第一推荐数据源；通过Spark计算框架进行特征工程得到第二推荐数据源，训练得到排序模型，得到房源信息评分排序情况；评分大于评分阈值的房源为第一推荐房源；依据房主需求生成第二推荐房源；第一推荐房源和第二推荐房源构建推荐引擎。该实施方式通过对用户的需求、行为、画像综合测算，有利于提取推荐匹配度较高的公寓。

技术领域

本申请涉及数据统计技术领域，尤其涉及一种基于LBS租房场景构建推荐引擎的方法。

背景技术

随着互联网的发展，用户的兴趣越来越广泛，且随着用户所处环境及生活水平的改变，用户的需求也在发生改变。目前，基于LBS(Location Based Services，基于位置的服务)推荐引擎召回和排序方法在长租公寓领域适用性存在的问题：

1、当前长租公寓采集用户信息一般只根据用户的线上记录，渠道单一，造成用户信息遗漏，样本信息库缺失；

2、召回方式行业内整体上是倒排索引加用户行为召回，未考虑高质量公寓所具有的优质地块价格等大宗标的物属性；

3、粗排层内通用推荐粗排阶段未针对高价值稀疏标的的场景做优化，长租公寓场景需要多层粗排序，既需要针对客户强意图和标的物关键属性的匹配做LBS和价值匹配策略，又需要对用户次要需求和房屋次要房态、地段特征做匹配策略；

4、排序层业界普遍基于用户线上行为做pair-wise或list-wise的LearningToRank模型排序。但是长租公寓除了需要考虑用户线上反馈还需要考虑带看、签约等情况，排序模型会更复杂，需要基于对排序模型做多级样本权重刻画，同时样本的高度稀疏性和交易的大额属性，需要对区域、房态等场景做深度细分，提升推荐质量；

5、干预调整层业界普遍基于竞价排名的方式做精准的广告插入，并未基于长租公寓特有的LBS方式建模，推荐效果不理想。

发明内容

有鉴于此，本发明实施例提供一种基于LBS租房场景构建推荐引擎的方法，包括步骤：

采集用户信息以及房源信息，用户信息包括用户需求信息，用户行为信息和用户画像信息；

根据用户需求信息房源信息生成第一召回数据源，根据用户行为信息生成第二召回数据源，根据用户画像信息房源信息生成第三召回数据源；

将第一召回数据源、第二召回数据源和第三召回数据源根据LBS服务做价值匹配和地段特征匹配，得到相应的匹配度，依据匹配度依次从高到低排序生成第一推荐数据源；

将第一推荐数据源通过Spark计算框架进行特征工程处理并进行评分得到第二推荐数据源；

将第二推荐数据源训练得到排序模型；

将房源信息输入到排序模型，得到房源信息的评分排序情况；

设置评分阈值，房源信息的评分大于评分阈值的房源为第一推荐房源；

同时依据房主需求生成第二推荐房源；

根据第一推荐房源和第二推荐房源构建推荐引擎。

优选的，通过线上、线下以及电销的方式采集用户信息。

优选的，根据用户需求信息和房源信息生成第一召回数据源包括：

房源信息根据用户需求信息召回，并通过数据收集器过滤、格式化得到第一召回数据源。

优选的，第一召回数据源通过搜索的方式召回。