本发明涉及计算机技术领域，更具体地，涉及一种基于租户需求的市场房源定价的方法及系统。
背景技术：
房地产中介服务平台为房地产交易提供了诸多便利，但是在房地产的房源定价方面，目前还没有成型的、具有完整逻辑的房源定价方法。
目前采用的房源定价方法为：1、人工定价，中介人员根据多年的经验、市场感知能力和房源信息做策略计算，定价成本高，计算的能力有限，缺乏科学有效的定价依据和定价逻辑，给出的定价时间较慢影响成单率，使中介人员在与业主沟通的过程中无法进行预期的调整与管理，从而在对房源定价和议价过程中处于妥协状态，导致业主挂牌价格高于市场合理价格，影响房源的成交率；2、系统定价，现有定价系统是基于房源信息和已成交的房源定价策略实现的，欠缺对租户真实的租房意图的考虑，双边信息交流不均衡，缺乏租户满意度，此外，目前系统定价策略业务逻辑复杂、可维护性差、响应时间慢，从而影响成单率。
因此，亟需将租户需求考虑到市场房源定价中，提高租户满意度。
技术实现要素：
有鉴于此，本发明提供了一种基于租户需求的市场房源定价的方法及系统，其中，基于房源信息和租户需求信息构建的房源定价模型的目标函数，并对目标函数求解，将租户租房需求考虑到房源定价中，能够提高租户满意度，解放房屋中介人员的劳动力，降低人工成本，间接提高成单率。
本申请所提供的一种基于租户需求的市场房源定价的方法，该方法包括：
基于历史房源信息与历史房源市场报价信息，确定房源信息与房源市场报价的匹配度，构建匹配度集合；
基于所述匹配度集合，处理得到房源特征集合和房源信息对应的租户需求特征集合；
基于房源特征集合和租户需求特征集合，构建房源信息训练样本集；
基于所述房源信息训练样本集构建房源定价模型的目标函数；
基于所述房源定价模型的目标函数生成模型文件和房源特征文件；
将模型文件和房源特征文件进行工程化处理，封装为应用系统；
利用所述应用系统根据新输入的房源信息，输出与新输入的房源信息对应的房源定价。
可选地，所述基于所述匹配度集合，处理得到房源特征集合和房源信息对应的租户需求特征集合的步骤为：
设定匹配度阈值；
将大于所述匹配度阈值的房源信息进行拆解，获取具体的房源特征，按照文本相似度原则，将房源特征由描述型变量转化为数据型变量，构建房源特征集合且房源特征集合为am＝[a1,a2,l,amn]，其中，am为影响房源市场报价的第m个房源特征，n为第m个房源特征中的子房源特征；
将大于所述匹配度阈值的房源信息对应的租户需求进行拆解，获取具体的租户需求特征，构建租户需求特征集合且租户需求特征集合b＝[b1,b2,l,bi]，其中，b为租户需求特征，bi影响租户租房的第i个租户需求特征，i为租户需求特征的数量。
可选地，还包括，获取所述房源特征集合中的关键特征，具体方法为：
计算房源特征对房源市场报价的贡献率ak和累计贡献率g，计算公式为
当所述贡献率ak大于所设置的贡献率阈值时，则将房源特征判断为关键房源特征；当所述贡献率ak小于所设置的贡献率阈值时，则将所述房源特征判断为非关键房源特征。
可选地，获取房源特征集合之后还包括，对所述房源特征集合进行清洗去除异常数据。
可选地，所述房源特征包括房源位置特征、房源建造特征和房屋具体特征。
可选地，所述基于所述房源信息训练样本集构建房源定价模型的目标函数为：
可选地，所述租户需求权重的计算方法为：选取c个租户，对所述租户需求集合中的每一项租户需求特征进行评分，获取每项租户需求特征评分的平均值，即为租户需求特征的权重。
可选地，所述基于房源定价模型生成模型文件和房源特征文件的过程为：
定义超参数，包括学习率和迭代次数；
定义损失函数，并加入正则化项；
采集房源改造后的成本数据，并构建房源改造后的成本样本；
加入房源改造后的成本样本数据，构造成本函数，所述成本函数为
构建梯度下降求导公式且梯度下降求导公式为
初始化房源特征训练样本集数据，根据所述成本函数和所述梯度下降求导公式不断获取全局最优的房源特征权重θ；
将所述全局最优的房源特征权重θ和租户需求特征权重p带入房源定价模型的目标函数中，确定房源定价模型的目标函数，根据房源定价模型的目标函数获取模型文件和房源特征文件。
本申请所提供的一种基于租户需求的市场房源定价的系统，该系统包括：
采集模块，用于采集房源信息和房源市场报价信息；
处理模块，用于计算房源信息与房源市场报价的匹配度且对所述匹配度进行降级排序，并获取房源特征集合和房源信息对应的租户需求特征集合，基于所述房源特征集合和所述租户需求特征集合，构建房源信息训练样本集；
训练模块，用于获取房源定价模型的目标函数，并基于所述房源定价模型生成模型文件和房源特征文件；
应用模块，用于将所述模型文件和房源特征文件进行工程化处理，封装为应用系统，并利用所述应用系统，根据新输入的房源信息，输出与新输入的房源信息对应的房源定价。
与现有技术相比，本发明提供的一种基于租户需求的市场房源定价的方法及系统，至少实现了如下的有益效果：
1、本发明的一种基于租户需求的市场房源定价的方法及系统，通过构建的房源定价模型的目标函数并对目标函数求解，获取房源定价策略，能够避免人为因素的干扰，高效、智能、合理的给出房源定价，解放中介人员劳动力，间接提高成单率。
2、本发明的一种基于租户需求的市场房源定价的方法及系统，将租户需求考虑到房源定价的过程中，能够提高租户满意度，使中介人员能够更好的为租房人员提供服务。
当然，实施本发明的任一产品必不特定需要同时达到以上所述的所有技术效果。
通过以下参照附图对本发明的示例性实施例的详细描述，本发明的其它特征及其优点将会变得清楚。
附图说明
被结合在说明书中并构成说明书的一部分的附图示出了本发明的实施例，并且连同其说明一起用于解释本发明的原理。
图1是根据本发明实施例的一种基于租户需求的市场房源定价的方法的一个实施例的方法流程示意图；
图2是根据本发明实施例的一种基于租户需求的市场房源定价的系统的一个实施例的系统结构示意图。
具体实施方式
现在将参照附图来详细描述本发明的各种示例性实施例。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为说明书的一部分。
在这里示出和讨论的所有例子中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它例子可以具有不同的值。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
以下将结合附图和具体实施例进行详细说明。
实施例一
图1为本实施例中一种基于租户需求的市场房源定价的方法的流程示意图，如图1所示，本实施例提供的一种基于租户需求的市场房源定价的方法，该方法包括：
步骤101、基于历史房源信息与历史房源市场报价信息，确定房源信息与房源市场报价的匹配度，构建匹配度集合；
步骤102、基于匹配度集合，处理得到房源特征集合和房源信息对应的租户需求特征集合；
步骤103、基于房源特征集合和租户需求特征集合，构建房源信息训练样本集；
步骤104、基于房源信息训练样本集构建房源定价模型的目标函数；
步骤105、基于房源定价模型的目标函数生成模型文件和房源特征文件；
步骤106、将模型文件和房源特征文件进行工程化处理，封装为应用系统；
步骤107、利用所述应用系统，根据新输入的房源信息，输出与新输入的房源信息对应的房源定价。
具体地，上述步骤101之前先采集历史房源信息与历史房源市场报价信息，通过步骤101获取历史房源信息与历史房源市场报价的匹配度，形成匹配度集合，基于匹配度集合获取房源特征集合和房源信息对应的租户需求特征集合，并通过步骤103生成房源特征训练样本集，且构建步骤104中房源定价模型的目标函数，获取步骤105的模型文件和房源特征文件，将模型文件和房源特征文件经过步骤106处理，其中，处理方式为通过java或python等语言加载到具体的应用系统中，封装为应用系统，通过步骤107进行使用。
本申请的一种基于租户需求的市场房源定价的方法，通过构建的房源定价模型的目标函数并对目标函数求解，获取房源定价策略，能够避免人为因素的干扰，高效、智能、合理的给出房源定价，解放中介人员劳动力，间接提高成单率，同时，将租户需求考虑到房源定价的过程中，能够提高租户满意度，使中介人员能够更好的为租房人员提供服务。
可选地，基于步骤101中构建的匹配度集合，处理得到房源特征集合和房源信息对应的租户需求特征集合的步骤为：
设定匹配度阈值；
将大于匹配度阈值的房源信息进行拆解，获取具体的房源特征，按照文本相似度原则，将房源特征由描述型变量转化为数据型变量，构建房源特征集合且房源特征集合为am＝[a1,a2,l,amn]，其中，am为影响房源市场报价的第m个房源特征，n为第m个房源特征中的子房源特征；
将大于匹配度阈值的房源信息对应的租户需求进行拆解，获取具体的租户需求特征，构建租户需求特征集合且租户需求特征集合b＝[b1,b2,l,bi]，其中，b为租户需求特征，bi影响租户租房的第i个租户需求特征，i为租户需求特征的数量。
具体地，获取房源特征集合和租户需求特征集合的目的是获取房源特征的权重，以及租户需求特征集合权重，将房源特征权重和租户需求特征权重作为房源定价模型的目标函数的影响因素，在获取房源定价时，既考虑房源信息硬件条件又考虑租户需求感性条件，避免双边信息不均衡现象。
可选地，还包括，获取房源特征集合中的关键特征，具体方法为：
计算房源特征对房源市场报价的贡献率ak和累计贡献率g，计算公式为
当贡献率ak大于所设置的贡献率阈值时，则将房源特征判断为关键房源特征；当贡献率ak小于所设置的贡献率阈值时，则将房源特征判断为非关键房源特征。
需要说明的是，贡献率阈值是根据实际情况而定，例如，贡献率阈值可以设置为0.8。
该步骤中，获取的贡献率ak用于获取关键房源特征，关键房源特征有利于更准确地构建房源训练样本集。
可选地，获取房源特征集合之后还包括，对房源特征集合进行清洗去除异常数据。
具体地，对房源特征集合中的数据本身存在缺失、无意义、错误和数据结构冲突的脏数据进行清除，使获取的房源特征集合更准确。
可选地，步骤102中获取的房源特征包括房源位置特征、房源建造特征和房屋具体特征。
具体地，房源位置特征包括房源所在城市、房源所在区域、房源所在商圈和房源所在小区等；房源建造特征包括房源建造的年限、楼盘的高度、房间所在的层高和房源有无电梯等；房屋具体特征包括房屋卧室数量、洗手间数量、房屋朝向、窗户大小和客厅面积等。
可选地，步骤104中基于房源信息训练样本集构建房源定价模型的目标函数为：
具体地，构建的房源定价模型的目标函数中，需要先计算出房源特征的权重和租户需求特征权重，进而获取房源定价值。
需要说明的是，房源定价模型的目标函数通过tensorflow的lr模型训练方式获取，lr模型具有计算代价低，容易理解，使用较少的资源处理大型数据，lr模型对于房源特征训练样本集中的数据中小噪声的鲁棒性能好，并且不会受到轻微的多重共线性的特别影响。
可选地，上述步骤中租户需求权重的计算方法为：选取c个租户，对租户需求集合中的每一项租户需求特征进行评分，获取每项租户需求特征评分的平均值，即为租户需求特征的权重。
具体地，获取的租户需求特征的权重用于计算房源定价模型的目标函数的解。
可选地，步骤105中基于房源定价模型生成模型文件和房源特征文件的过程为：
定义超参数，包括学习率和迭代次数；
定义损失函数，并加入正则化项；
采集房源改造后的成本数据，并构建房源改造后的成本样本；
加入房源改造后的成本样本数据，构造成本函数，成本函数为
构建梯度下降求导公式且梯度下降求导公式为
初始化房源特征训练样本集数据，根据成本函数和梯度下降求导公式不断获取全局最优的房源特征权重θ；
将全局最优的房源特征权重θ和租户需求特征权重p带入房源定价模型的目标函数中，确定房源定价模型的目标函数，根据房源定价模型的目标函数获取模型文件和房源特征文件。
需要说明的是，学习率是指导损失函数的梯度调整网络权重的超参数，学习率越低，损失函数的变化速度就越慢；迭代次数指需要对房源特征训练样本集数据进行多少轮训练；房源特征的权重即为每个房源特征对lr模型的影响程度；正则化项是用来约束房源特征训练样本集中的数据，防止过拟合造成房源定价模型对预测数据不友好。
具体地，初始化房源特征训练样本集数据，并进行训练，期间绘制损失值的函数图像，便于调节参数，加速模型训练，其中，损失函数在不断下降，但没有下降到0，是因为加入了正则化约束，此外，根据获取的房源定价模型的目标函数，可以根据不同的模型框，例如xgb模型、tf模型和dl4j模型生成模型文件以及房源特征文件，也可根据通用模型生成pmml文件。
实施例二
图2为本实施例中一种基于租户需求的市场房源定价的系统的结构示意图，如图2所示，一种基于租户需求的市场房源定价的系统，该系统包括：
采集模块201，用于采集房源信息和房源市场报价信息；
处理模块202，用于计算房源信息与房源市场报价的匹配度且对匹配度进行降级排序，并获取房源特征集合和房源信息对应的租户需求特征集合，基于房源特征集合和租户需求特征集合，构建房源信息训练样本集；
训练模块203，用于获取房源定价模型的目标函数，并基于房源定价模型生成模型文件和房源特征文件；
应用模块204，用于将模型文件和房源特征文件进行工程化处理，封装为应用系统，并利用所述应用系统，根据新输入的房源信息，输出与新输入的房源信息对应的房源定价。
具体地，通过采集模块和处理模块获取房源特征训练样本集，将构建的房源特征训练样本集输入训练模块中进行训练，并获取模型文件和房源特征文件，将模型文件和房源特征文件通过应用模块中的java或python等语言加载到具体的应用系统中，封装为应用系统，当应用系统接收到房源信息时，输出与房源信息对应的房源定价。
与现有技术相比，本发明提供的一种中介市场房源定价的方法及系统，至少实现了如下的有益效果：
1、本发明的一种中介市场房源定价的方法及系统，通过构建的房源定价模型的目标函数并对目标函数求解，获取房源定价策略，能够避免人为因素的干扰，高效、智能、合理的给出房源定价，解放中介人员劳动力，间接提高成单率。
2、本发明的一种基于租户需求的市场房源定价的方法及系统，将租户需求考虑到房源定价的过程中，能够提高租户满意度，使中介人员能够更好的为租房人员提供服务。
虽然已经通过例子对本发明的一些特定实施例进行了详细说明，但是本领域的技术人员应该理解，以上例子仅是为了进行说明，而不是为了限制本发明的范围。本领域的技术人员应该理解，可在不脱离本发明的范围和精神的情况下，对以上实施例进行修改。本发明的范围由所附权利要求来限定。
1.一种基于租户需求的市场房源定价的方法，其特征在于，该方法包括：
基于历史房源信息与历史房源市场报价信息，确定房源信息与房源市场报价的匹配度，构建匹配度集合；
基于所述匹配度集合，处理得到房源特征集合和房源信息对应的租户需求特征集合；
基于房源特征集合和租户需求特征集合，构建房源信息训练样本集；
基于所述房源信息训练样本集构建房源定价模型的目标函数；
基于所述房源定价模型的目标函数生成模型文件和房源特征文件；
将模型文件和房源特征文件进行工程化处理，封装为应用系统；
利用所述应用系统根据新输入的房源信息，输出与新输入的房源信息对应的房源定价。
2.根据权利要求1所述的一种基于租户需求的市场房源定价的方法，其特征在于，所述基于所述匹配度集合，处理得到房源特征集合和房源信息对应的租户需求特征集合的步骤为：
设定匹配度阈值；
将大于所述匹配度阈值的房源信息进行拆解，获取具体的房源特征，按照文本相似度原则，将房源特征由描述型变量转化为数据型变量，构建房源特征集合且房源特征集合为am＝[a1,a2,l,amn]，其中，am为影响房源市场报价的第m个房源特征，n为第m个房源特征中的子房源特征；
将大于所述匹配度阈值的房源信息对应的租户需求进行拆解，获取具体的租户需求特征，构建租户需求特征集合且租户需求特征集合b＝[b1,b2,l,bi]，其中，b为租户需求特征，bi影响租户租房的第i个租户需求特征，i为租户需求特征的数量。
3.根据权利要求2所述的一种基于租户需求的市场房源定价的方法，其特征在于，还包括，获取所述房源特征集合中的关键特征，具体方法为：
计算房源特征对房源市场报价的贡献率ak和累计贡献率g，计算公式为
当所述贡献率ak大于所设置的贡献率阈值时，则将房源特征判断为关键房源特征；当所述贡献率ak小于所设置的贡献率阈值时，则将所述房源特征判断为非关键房源特征。
4.根据权利要求2所述的一种基于租户需求的市场房源定价的方法，其特征在于，获取房源特征集合之后还包括，对所述房源特征集合进行清洗去除异常数据。
5.根据权利要求1所述的一种基于租户需求的市场房源定价的方法，其特征在于，所述房源特征包括房源位置特征、房源建造特征和房屋具体特征。
6.根据权利要求1所述的一种基于租户需求的市场房源定价的方法，其特征在于，所述基于所述房源信息训练样本集构建房源定价模型的目标函数为：
7.根据权利要求6所述的一种基于租户需求的市场房源定价的方法，其特征在于，所述租户需求权重的计算方法为：选取c个租户，对所述租户需求集合中的每一项租户需求特征进行评分，获取每项租户需求特征评分的平均值，即为租户需求特征的权重。
8.根据权利要求6所述的一种基于租户需求的市场房源定价的方法，其特征在于，所述基于房源定价模型生成模型文件和房源特征文件的过程为：
定义超参数，包括学习率和迭代次数；
定义损失函数，并加入正则化项；
采集房源改造后的成本数据，并构建房源改造后的成本样本；
加入房源改造后的成本样本数据，构造成本函数，所述成本函数为
构建梯度下降求导公式且梯度下降求导公式为
初始化房源特征训练样本集数据，根据所述成本函数和所述梯度下降求导公式不断获取全局最优的房源特征权重θ；
将所述全局最优的房源特征权重θ和租户需求特征权重p带入房源定价模型的目标函数中，确定房源定价模型的目标函数，根据房源定价模型的目标函数获取模型文件和房源特征文件。
9.一种基于租户需求的市场房源定价的系统，其特征在于，该系统包括：
采集模块，用于采集房源信息和房源市场报价信息；
处理模块，用于计算房源信息与房源市场报价的匹配度且对所述匹配度进行降级排序，并获取房源特征集合和房源信息对应的租户需求特征集合，基于所述房源特征集合和所述租户需求特征集合，构建房源信息训练样本集；
训练模块，用于获取房源定价模型的目标函数，并基于所述房源定价模型生成模型文件和房源特征文件；
应用模块，用于将所述模型文件和房源特征文件进行工程化处理，封装为应用系统，并利用所述应用系统，根据新输入的房源信息，输出与新输入的房源信息对应的房源定价。
技术总结