[发明专利]基于相似性的房源推荐方法、系统、设备及存储介质

权利要求书

1.一种基于相似性的房源推荐方法，其特征在于，包括以下步骤：

提取已购买用户信息和对应的已购买房源信息以及未购买房源信息，并生成数据信息表；

对所述已购买用户信息进行用户特征提取，并对所述已购买房源信息和未购买房源信息进行房源特征提取，获取已购买用户特征数据、已购买房源特征数据和未购买房源特征数据；

将所述已购买用户特征数据、已购买房源特征数据和未购买房源特征数据进行数值化处理，获取已购买用户特征数值、已购买房源特征数值和未购买房源特征数值；

获取当前未购买用户信息，对所述未购买用户信息进行特征提取，获取未购买用户特征数据，并对所述未购买用户特征数据进行数值化处理，获取未购买用户特征数值；

计算所述已购买用户特征数值和所述未购买用户特征数值之间的第一相似度，根据所述第一相似度筛选出若干相似已购买用户；

根据所述若干相似已购买用户的相似已购买房源特征数值，计算所述未购买房源特征数值与所述相似已购买房源特征数值之间的第二相似度，根据所述第二相似度筛选相似未购买房源信息，并所述相似未购买房源信息推送至所述未购买用户。

2.根据权利要求1所述的基于相似性的房源推荐方法，其特征在于，所述用户特征包括性别、年龄、月平均收入、置业次数、意向面积、意向户型、意向城市、居住城市、工作城市、家庭结构、婚姻情况和学历；所述房源特征包括建筑面积、套内面积、楼层、地区、单价、周边学校、周边交通、周边医疗、周边娱乐、建筑年限、户型、采光和小区环境。

3.根据权利要求1所述的基于相似性的房源推荐方法，其特征在于，所述将所述已购买用户特征数据、已购买房源特征数据和未购买房源特征数据进行数值化处理，获取已购买用户特征数值、已购买房源特征数值和未购买房源特征数值，具体包括：

将已购买用户特征数值、已购买房源特征数据和未购买房源特征数据中的所有特征数据进行分类，获取离散型特征数据和连续型特征数据；将所述连续型特征数据转化为连续正整数，将所述离散型特征数据进行一位有效编码，获取已购买用户特征数值、已购买房源特征数值和未购买房源特征数值。

4.根据权利要求1所述的基于相似性的房源推荐方法，其特征在于，所述计算所述已购买用户特征数值和所述未购买用户特征数值之间的第一相似度，根据所述第一相似度筛选出若干相似已购买用户，具体包括：

对所述已购买用户特征数值和所述未购买用户特征数值进行余弦相似度计算，获取第一相似度的主要因素；

对所述已购买用户特征数值和所述未购买用户特征数值进行欧式距离计算，获取第一相似度的次要因素；

将所述第一相似度的主要因素和第一相似度的次要因素进行加权平均算法，获取所述第一相似度。

5.根据权利要求4所述的基于相似性的房源推荐方法，其特征在于，所述对所述已购买用户特征数值和所述未购买用户特征数值进行余弦相似度计算，获取第一相似度的主要因素，采用的公式为：

其中，在所述次要因素相同的前提下，cos(θ)的值越接近于1，表示所述已购买用户特征数值和所述未购买用户特征数值越相似。

6.根据权利要求4所述的基于相似性的房源推荐方法，其特征在于，所述对所述已购买用户特征数值和所述未购买用户特征数值进行欧式距离计算，获取第一相似度的次要因素，采用的公式为：

其中，在所述主要因素相同的前提下，d(x,y)的值越小，表示所述已购买用户特征数值和所述未购买用户特征数值越相似。

7.根据权利要求6所述的基于相似性的房源推荐方法，其特征在于，还包括：采用Sigmoid函数对所述次要因素的数值范围进行压缩，所述Sigmoid函数的公式为：

通过所述Sigmoid函数将所述次要因素的数值范围压缩至0～1。