CN110096609A - 房源搜索方法、装置、设备及计算机可读存储介质 - Google Patents
房源搜索方法、装置、设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN110096609A CN110096609A CN201910202677.6A CN201910202677A CN110096609A CN 110096609 A CN110096609 A CN 110096609A CN 201910202677 A CN201910202677 A CN 201910202677A CN 110096609 A CN110096609 A CN 110096609A
- Authority
- CN
- China
- Prior art keywords
- source
- houses
- picture
- sample
- recommendation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 55
- 230000011218 segmentation Effects 0.000 claims abstract description 16
- 238000000605 extraction Methods 0.000 claims abstract description 13
- 230000005540 biological transmission Effects 0.000 claims abstract description 12
- 238000012937 correction Methods 0.000 claims description 8
- 230000005484 gravity Effects 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 3
- 230000001568 sexual effect Effects 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 4
- 230000000875 corresponding effect Effects 0.000 description 32
- 238000013527 convolutional neural network Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/16—Real estate
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Library & Information Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Primary Health Care (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及图像检测领域，提供一种房源搜索方法、装置、设备及计算机可读存储介质，该方法包括：在接收到搜索终端发送的房源搜索指令时，根据所述房源搜索指令获取需求房源图片；基于预设分割模型对所述需求房源图片进行实例分割，获得房源主体实例和非房源主体实例，并分别对所述房源主体实例和所述非房源主体实例进行特征提取，获得对应的房源主体特征和非房源主体特征；根据所述房源主体特征和所述非房源主体特征在预设房源库中进行房源检索，确定与所述需求房源图片对应的推荐房源；获取所述推荐房源的推荐房源信息，并将所述推荐房源信息发送至所述搜索终端。本发明可接收用户提供房源图片，并实现以图搜房，提高了用户的使用体验。
Description
技术领域
本发明涉及图像检测领域，尤其涉及一种房源搜索方法、装置、设备及计算机可读存储介质。
背景技术
随着社会的不断发展，越来越多的房产中介将卖房与租房的服务通过互联网的方式进行推广，当租房者或购房者欲查找待租赁或者待出售的房屋时，可通过房产中介运营的房产网站搜索房源信息并进行租房或买房。
目前用户在房产中介网站上进行房源信息搜索时，通常需要依靠房源地址、价格等因素进行房源搜索；但当用户只有某个房源的图片，却不知该房源的名称时，无法在房产中介网站时查找到该房源信息，这就为用户带来了不便。
发明内容
本发明的主要目的在于提供一种房源搜索方法、装置、设备及计算机可读存储介质，旨在解决无法通过房源图片来搜索房源的技术问题。
为实现上述目的，本发明提供一种房源搜索方法，所述房源搜索方法包括：
在接收到搜索终端发送的房源搜索指令时，根据所述房源搜索指令获取需求房源图片；
基于预设分割模型对所述需求房源图片进行实例分割，获得房源主体实例和非房源主体实例，并分别对所述房源主体实例和所述非房源主体实例进行特征提取，获得对应的房源主体特征和非房源主体特征；
根据所述房源主体特征和所述非房源主体特征在预设房源库中进行房源检索，确定与所述需求房源图片对应的推荐房源；
获取所述推荐房源的推荐房源信息，并将所述推荐房源信息发送至所述搜索终端。
此外，为实现上述目的，本发明还提供一种房源搜索装置，所述房源搜索装置包括：
图片获取模块，用于在接收到搜索终端发送的房源搜索指令时，根据所述房源搜索指令获取需求房源图片；
特征提取模块，用于基于预设分割模型对所述需求房源图片进行实例分割，获得房源主体实例和非房源主体实例，并分别对所述房源主体实例和所述非房源主体实例进行特征提取，获得对应的房源主体特征和非房源主体特征；
房源检索模块，用于根据所述房源主体特征和所述非房源主体特征在预设房源库中进行房源检索，确定与所述需求房源图片对应的推荐房源；
第一发送模块，用于获取所述推荐房源的推荐房源信息，并将所述推荐房源信息发送至所述搜索终端。
此外，为实现上述目的，本发明还提供一种房源搜索设备，所述房源搜索设备包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的房源搜索程序，其中所述房源搜索程序被所述处理器执行时，实现如上述的房源搜索方法的步骤。
此外，为实现上述目的，本发明还提供一种存储介质，所述存储介质上存储有房源搜索程序，其中所述房源搜索程序被处理器执行时，实现如上述的房源搜索方法的步骤。
本发明可接收用户提供的房源图片，并从不同的维度对该房源图片进行特征提取，并根据提取的特征在已知房源库中进行房源搜索，最终返回相关推荐房源信息，从而解决当前必须要输入具体房源位置或名称才能进行房源检索的痛点，方便用户在不知道房源具体信息时进行房源搜索，提高了用户的使用体验。
附图说明
图1为本发明实施例方案中涉及的房源搜索设备的硬件结构示意图；
图2为本发明房源搜索方法第一实施例的流程示意图；
图3为本发明房源搜索装置第一实施例的功能模块示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明实施例涉及的房源搜索方法主要应用于房源搜索设备，该房源搜索设备可以是由个人计算机(personal computer，PC)、服务器等具有数据处理功能的设备实现的。
参照图1，图1为本发明实施例方案中涉及的房源搜索设备的硬件结构示意图。本发明实施例中，该房源搜索设备可以包括处理器1001(例如中央处理器CentralProcessing Unit，CPU)，通信总线1002，用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信；用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)；网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真WIreless-FIdelity，WI-FI接口)；存储器1005可以是高速随机存取存储器(random access memory，RAM)，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器，存储器1005可选的还可以是独立于前述处理器1001的存储装置。本领域技术人员可以理解，图1中示出的硬件结构并不构成对本发明的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
继续参照图1，图1中作为一种计算机可读存储介质的存储器1005可以包括操作***、网络通信模块以及房源搜索程序。在图1中，网络通信模块主要用于连接数据库，与数据库进行数据通信；而处理器1001可以调用存储器1005中存储的房源搜索程序，并执行本发明实施例提供的房源搜索方法。
本发明实施例提供了一种房源搜索方法。
参照图2，图2为本发明房源搜索方法第一实施例的流程示意图。
本实施例中，所述房源搜索方法包括以下步骤：
步骤S10，在接收到搜索终端发送的房源搜索指令时，根据所述房源搜索指令获取需求房源图片；
随着社会的不断发展，越来越多的房产中介将卖房与租房的服务通过互联网的方式进行推广，当租房者或购房者欲查找待租赁或者待出售的房屋时，可通过房产中介运营的房产网站搜索房源信息并进行租房或买房。目前用户在房产中介网站上进行房源信息搜索时，通常需要依靠房源地址、价格等因素进行房源搜索；但当用户只有某个房源的图片，却不知该房源的名称时，无法在房产中介网站时查找到该房源信息，这就为用户带来了不便。对此，本实施例中提出一种房源搜索方法，可接收用户提供房源图片，并从不同的维度对该房源图片进行特征提取，并根据提取的特征在已知房源库中进行房源搜索，最终返回相关推荐房源信息，从而解决当前必须要输入具体房源位置或名称才能进行房源检索的痛点，方便用户在不知道房源具体信息时进行房源搜索，提高了用户的使用体验。
本实施例的房源搜索方法是由房源搜索设备实现的，该设备以搜索服务器为例进行说明。本实施例中，当用户(如客户、工作人员等)需要通过图片的方式搜索对应的房源信息时，可在搜索终端进行操作，从本地上传或指定某张网络上的房源图片作为需求房源图片，并触发房源搜索请求；其中，该搜索终端可以是个人计算机PC、手机、平板电脑等。搜索终端在接收到该房源搜索请求时，即可向搜索服务器发送对应的房源搜索指令，该房源搜索指令中包括该从本地上传的需求房源图片或该需求房源图片的网络存储地址。当搜索服务器接收到搜索终端发送的房源搜索指令时，即可根据该房源搜索指令获取需要识别的需求房源图片。
值得说明的是，为了进一步提高后续的图片处理的效率以及房源检索的效率，对于用户上传的房源图片，可以对其图片分辨率、图片尺寸、文件格式等图片属性进行要求；搜索服务器在获取到需求房源图片时，先检测该需求房源图片是否满足要求，若不满足，则可向搜索终端返回重新上传提示，以提示用户重新上传房源图片；若满足，则进行下一处理步骤。
步骤S20，基于预设分割模型对所述需求房源图片进行实例分割，获得房源主体实例和非房源主体实例，并分别对所述房源主体实例和所述非房源主体实例进行特征提取，获得对应的房源主体特征和非房源主体特征；
本实施例中，搜索服务器在获取到该需求房源图片时，可根据实际情况对该需求房源图片进行预处理，如图片尺寸的统一、像素值归一化(例如线性函数归一化、对数函数归一化)等，当然也可以不进行预处理；然后将会对该需求房源图片进行特征提取，并根据该特征进行房源检索。值得说明的是，本实施例中在进行房源检索，考虑到不同的房产，其附近的自然环境、建筑等也会有所区别，而这些自然环境、建筑等特征也可作为房源检索的一个线索。对此，本实施例中的搜索服务器首先将基于一预设分割模型对需求房源图片进行实例分割，获得房源主体实例和非房源主体实例；实例分割是目标识别(objectdetection)与语义分割(semantic segmentation)的一个结合；其中目标识别是检测出一幅图像中有什么目标，同时将目标的位置标定出来，而语义分割是将一张图像中每个像素划定到固定的类别，也就是对每个像素进行分类；本实施例中的房源主体实例，即为房源(房产)主体部分，非房源主体实例包括环境实例(如树木、草坪)、相邻建筑实例(如隔壁小区、电线杆)等。当然，在实际中，对于用户上传的需求房源图片，可能只包括上述中的一种非房源主体实例，例如只包括树木。
本实施例中的预设分割模型，可以是通过机器学习(训练)的方式得到的；当然该预设分割模型可以是不同的方法进行构建，本实施例中的预设分割模型是基于掩膜区域-卷积神经网络Mask R-CNN构建的，Mask R-CNN是在快速区域-卷积神经网络Faster R-CNN基础上添加了一个掩膜mask分支，对每个兴趣区域(ROI)做语义分割(semanticsegmentation)。具体的，搜索服务器首先将通过预设分割模型中的预设区域候选网络RPN(Region Proposal Network)对需求房源图片进行检测，确定该需求房源图片中的兴趣区域ROI(Region of Interests)，该兴趣区域ROI即为房源主体实例和非房源主体实例所在区域。同时，搜索服务器还将通过预设卷积层对需求房源图片进行卷积处理，从而提取得到该需求房源图片的整体特征图；考虑到本实施例中的预设分割模型是基于Mask R-CNN构建的，而Mask R-CNN又是在Faster R-CNN基础上得到，因此该预设卷积层可以是直接借用Faster R-CNN中的卷积层。在得到需求房源图片的兴趣领域ROI和整体特征图时，根据兴趣领域在该需求房源图片中的分布，即可从该整体特征图中提取得到对应的兴趣区域特征图。值得说明的是，此时的兴趣区域特征图可以是多个区域的特征图。然后，搜索服务器可对每一个兴趣区域特征图进行像素校正，该像素校正的过程可以是通过ROIAlign实现的，ROIAlign与ROI Pooling相比，取消了量化操作，并使用双线性内插的方法获得坐标为浮点数的像素点上的图像数值，从而将整个特征聚集过程转化为一个连续的操作。在校正完成时，可通过预设全卷积网络FCN(Fully Convolutional Networks)对校正后的兴趣区域特征图进行分析，以确定兴趣区域的实例类型；在确定各兴趣区域的实例类型时，即可根据该实例类型预测各ROI每个像素点所属类别，从而对需求房源图片进行分割，获得房源主体实例和非房源主体实例。
本实施例中，在得到房源主体实例和非房源主体实例时，搜索服务器将分别对房源主体实例和非房源主体实例进行特征提取，获取对应的房源主体特征和非房源主体特征。对于该特征提取的过程，可以是通过预先训练好的机器模型实现，如神经网络、尺度不变特征变换sift技术等；而对于上述的特征，可以是以向量的方式表示，当然也可以是以字符串的方式表示。
步骤S30，根据所述房源主体特征和所述非房源主体特征在预设房源库中进行房源检索，确定与所述需求房源图片对应的推荐房源；
本实施例中，在得到房源主体特征和非房源主体特征时，即可根据该房源主体特征和非房源主体特征在预设房源库中进行房源检索，查找具有相同特征的样本房源，并在这些样本房源中确定与需求房源图片对应的推荐房源。其中，该预设房源库中包括有预先收集的若干样本房源，还包括有这些样本房源的样本房源图片，还包括有这些样本房源图片所对应的样本图片特征；这些样本图片特征也是采用如上述步骤S20的方式从样本房源图片中提取得到，包括样本主体特征和非样本主体。该房源检索的过程，也即基于需求房源图片的房源主体实例和非房源主体实例、以及样本房源图片的样本主体特征和非样本主体进行。具体的，步骤S30包括：
在预设房源库中获取各样本房源的样本房源图片，并获取所述样本房源图片的样本主体特征和非样本主体特征；
搜索服务器首先可从预设房源库中获取各样本房源的样本房源图片，以及这些样本房源图片的样本主体特征和非样本主体特征。
将所述样本主体特征与所述房源主体特征进行对比，确定所述需求房源图片与样本房源图片的相同主体特征数，并将所述非样本主体特征和所述非房源主体特征进行比对，确定所述需求房源图片与样本房源图片的相同非主体特征数；
在得到各样本房源图片的样本主体特征和非样本主体特征时，可将各样本房源图片的样本主体特征分别与需求房源图片的房源主体特征相比，确定需求房源图片与样本房源图片的相同主体特征数；并将各样本房源的非样本主体特征与需求房源图片的非房源主体特征相比，确定需求房源图片与样本房源图片的相同非主体特征数。例如，需求房源图片与A样本房源图片的相同主体特征数为x1，与A样本房源图片的相同非主体特征数为x2；需求房源图片与B样本房源图片的相同主体特征数为y1，与B样本房源图片的相同非主体特征数为y2。其中，在判断需求房源图片与样本房源图片的特征是否相同的过程中，可以是通过计算两个特征的特征距离来判断的，例如当两个特征为向量形式时，可以是计算欧式距离、马氏距离Mahalanobis Distance等，当两个特征为字符串形式时，可以是计算汉明距离；当两个特征的距离小于一预设阈值时，即可认为这两个特征是相同的。
根据所述相同主体特征数和所述相同非主体特征数在所述各样本房源中确定与所述需求房源图片对应的推荐房源。
在确定各样本房源图片的相同主体特征数和相同非主体特征数时，即可以根据该相同主体特征数和相同非主体特征数在各样本房源中确定推荐房源。例如可以是分别计算每张样本房源图片中相同主体特征数与相同非主体特征数的特征总和，并将特征总和最多的若干张样本房源图片作为与需求房源图片对应的推荐房源图片，该推荐房源图片所对应的样本房源即为推荐房源。当然，在实际中，房源图片中的主体特征和非主体特征对识别一个房源所起的重要程度可能是不同的，因此还可以是以加权的方式确定推荐房源。具体的，对于每张样本房源图片，可将其对应的相同主体特征数和相同非主体特征数代入至预设相似分公式中，以加权计算该样本房源图片的图片相似分，其中预设相似分公式为：
P＝k1*N1+k2*N2
其中，P为该样本房源图片的图片相似分；
k1为第一预设特征比重，k1＞0；
k2为第二预设特征比重，k2＞0；
N1为该样本房源图片所对应的相同主体特征数，N1≥0；
N2为该样本房源图片所对应的相同主体特征数，N2≥0；
在计算得到每张样本房源图片的图片相似分时，即可将图片相似分最高的若干张样本房源图片作为与需求房源图片对应的推荐房源图片，该推荐房源图片所对应的样本房源即为推荐房源。
步骤S40，获取所述推荐房源的推荐房源信息，并将所述推荐房源信息发送至所述搜索终端。
本实施例中，在确定推荐房源时，搜索服务器将会获取该推荐房源的推荐房源信息，该推荐房源信息包括推荐房源所属小区、小区更多的图片、小区地址、小区建成时间、小区房源房价、小区交通信息等。对于这些推荐房源信息，可以是预先存储在上述预设房源库中，也可以是搜索服务器在确定推荐房源后再从网络中进行查询和获取。服务器在得到该推荐房源信息时，会将该推荐房源信息发送至搜索终端中，以供用户通过搜索终端了解该房源(小区)信息。
当然，在确定推荐房源时，该推荐房源可能是两个以上的房源，因而在获取推荐房源信息时，是获取了两个以上推荐房源的推荐房源信息。此时，为了方便用户快速获取自己想要了解的信息，搜索服务器可基于一预设排序规则对这些推荐房源进行排序，再将排序后的推荐房源信息发送至搜索终端。其中该预设排序规则可以是根据实际情况进行设置，可选地该排序规则可以是根据这些推荐房源在预设统计周期内的房源检索命中数(被检索到的次数)进行设置排序，例如对于M推荐房源和N推荐房源，M推荐房源在上一个月的检索命中数为100次，N推荐房源在上一个月的检索命中数为90次，这些检索命中数可以正相关的方式量化为对应的排序分，检索命中分越高，排序分越高，则排序越靠前，也即上述的排序可以为由M到N。而在将这些推荐房源信息发送至搜索终端后，搜索终端还将获取搜索终端对这些推荐房源信息的操作记录，例如用户点击了哪些推荐房源、对推荐房源的浏览时长、是否进行收藏分享操作、对推荐结果选择满意或不满意等；通过这些操作记录可获知用户对这些推荐房源的兴趣程度，并根据这些操作记录对上述的排序规则进行调整，例如根据一定的量化规则将操作记录量化为对应的推荐房源的兴趣分，然后通过该兴趣分与排序分进行加权后根据加权结果进行重排，从而使得排序更贴近实际情况。
进一步的，本实施例中，在向搜索终端发送推荐房源信息后，为了方便用户获知更多的房源信息，搜索服务器还可以根据推荐房源信息的特点向用户推送更多的房源信息。具体的，搜索服务器获取的推荐房源信息中还包括有推荐房源地址和/或推荐房源房价，搜索服务器可根据该推荐房源的推荐房源地址和/或推荐房源房价获取与该推荐房源匹配的相似房源，例如以该推荐房源为中心、1km半径进行房源搜索，将与该推荐房源的距离为1km之内的房源作为相似房源；又例如搜索与推荐房源具有相同房价范围(如同为10000-12000元/平米)的房源作为相似房源。然后搜索服务器将获取该相似房源的相似房源信息，并将该相似房源发送至搜索终端。
本实施例中，在接收到搜索终端发送的房源搜索指令时，根据所述房源搜索指令获取需求房源图片；基于预设分割模型对所述需求房源图片进行实例分割，获得房源主体实例和非房源主体实例，并分别对所述房源主体实例和所述非房源主体实例进行特征提取，获得对应的房源主体特征和非房源主体特征；根据所述房源主体特征和所述非房源主体特征在预设房源库中进行房源检索，确定与所述需求房源图片对应的推荐房源；获取所述推荐房源的推荐房源信息，并将所述推荐房源信息发送至所述搜索终端。通过以上方式，本实施例中提出一种房源搜索方法，可接收用户提供的房源图片，并从不同的维度对该房源图片进行特征提取，并根据提取的特征在已知房源库中进行房源搜索，最终返回相关推荐房源信息，从而解决当前必须要输入具体房源位置或名称才能进行房源检索的痛点，方便用户在不知道房源具体信息时进行房源搜索，提高了用户的使用体验。
基于上述图2所示实施例，提出本发明房源搜索方法第二实施例。
本实施例中，步骤S40之后还包括：
在接收到所述搜索终端发送的导航指令时，根据所述导航指令在所述推荐房源中确定目标房源，并获取所述目标房源的目标地址和所述搜索终端的终端地址；
本实施例中，在向搜索终端发送推荐房源信息后，为了方便推荐用户获知其意向房源的所在以及到达该房源的方法，搜索服务器还可为用户提供导航功能。具体的，搜索服务器发送至搜索终端的推荐房源信息中，还包括有导航选项；用户在通过搜索终端查看推荐房源信息时，若对某一推荐房源感兴趣，可点击该导航选项；搜索终端则根据用户的操作向搜索服务器发送对应的导航指令。搜索服务器在接收到该导航指令时，即根据该导航指令在推荐房源中确定目标房源，并获取该目标房源所在的目标地址；同时搜索服务器还将获取搜索终端当前的终端地址，该终端地址可认为是用户当前的所在地。对于该终端地址，可以是搜索终端通过自身GPS装置采集得到，并在向搜索服务器发送导航指令时一起发送，也可以是搜索服务器根据搜索终端的IP地址进行定位得到，当然还可以是其它的方式获取得到(例如用户手动填写等)。
根据所述目标地址和所述终端地址生成导航路线，并将导航路线返回至所述搜索终端。
本实施例中，搜索服务器在得到目标地址和终端地址时，即可根据该目标地址和终端地址生成导航路线，并将该导航路线返回至搜索终端，以供用户根据该导航路线获取到达该目标房源的方法。当然该导航路线可以是包括多种出行方式和多种出行路线，例如驾车路线、公交路线、步行路线等，还可以包括各出行方式和出行路线的预计出行耗时等。通过以上方式，可为用户提供导航功能，方便推荐用户获知其意向房源的所在以及到达该房源的方法，有利于提高用户的使用体验。
此外，本发明实施例还提供一种房源搜索装置。
参照图3，图3为本发明房源搜索装置第一实施例的功能模块示意图。
本实施例中，所述房源搜索装置包括：
图片获取模块10，用于在接收到搜索终端发送的房源搜索指令时，根据所述房源搜索指令获取需求房源图片；
特征提取模块20，用于基于预设分割模型对所述需求房源图片进行实例分割，获得房源主体实例和非房源主体实例，并分别对所述房源主体实例和所述非房源主体实例进行特征提取，获得对应的房源主体特征和非房源主体特征；
房源检索模块30，用于根据所述房源主体特征和所述非房源主体特征在预设房源库中进行房源检索，确定与所述需求房源图片对应的推荐房源；
第一发送模块40，用于获取所述推荐房源的推荐房源信息，并将所述推荐房源信息发送至所述搜索终端。
其中，上述房源搜索装置的各虚拟功能模块存储于图1所示房源搜索设备的存储器1005中，用于实现房源搜索程序的所有功能；各模块被处理器1001执行时，可实现基于搜索终端发送的房源搜索指令进行以图搜房的功能。
进一步的，所述特征提取模块20包括：
图片检测单元，用于通过预设区域候选网络RPN对所述需求房源图片进行检测，确定所述需求房源图片的兴趣区域；
卷积处理单元，用于通过预设卷积层对所述需求房源图片进行卷积处理，获取整体特征图，并根据所述兴趣区域从所述整体特征图中提取得到对应的兴趣区域特征图；
类型确定单元，用于对所述兴趣区域特征图进行像素校正，并通过预设全卷积网络FCN对校正后的兴趣区域特征图进行分析，以确定所述兴趣区域的实例类型；
图片风格单元，用于根据所述兴趣区域的实例类型对所述需求房源图片进行分割，获得房源主体实例和非房源主体实例。
进一步的，所述房源检索模块30包括：
样本获取单元，用于在预设房源库中获取各样本房源的样本房源图片，并获取所述样本房源图片的样本主体特征和非样本主体特征；
特征比对单元，用于将所述样本主体特征与所述房源主体特征进行对比，确定所述需求房源图片与所述样本房源图片的相同主体特征数，并将所述非样本主体特征和所述非房源主体特征进行对比，确定所述需求房源图片与所述样本房源图片的相同非主体特征数；
房源确定单元，用于根据所述相同主体特征数和所述相同非主体特征数在所述各样本房源中确定与所述需求房源图片对应的推荐房源。
进一步的，所述房源确定单元，具体用于将所述相同主体特征数和相同非主体特征数代入至预设相似分公式中，以计算所述样本房源图片的图片相似分，其中所述预设相似分公式为：
P＝k1*N1+k2*N2
其中，P为所述样本房源图片的图片相似分；
k1为第一预设特征比重，k1＞0；
k2为第二预设特征比重，k2＞0；
N1为所述样本房源图片所对应的相同主体特征数，N1≥0；
N2为所述样本房源图片所对应的相同主体特征数，N2≥0；
根据所述样本房源图片的图片相似分在所述各样本房源中确定与所述需求房源图片对应的推荐房源。
进一步的，所述推荐房源信息包括推荐房源地址和/或推荐房源房价，所述房源搜索装置还包括：
房源获取模块，用于根据所述推荐房源地址和/或推荐房源房价获取与所述推荐房源匹配的相似房源，并获取所述相似房源的相似房源信息；
第二发送模块，用于将所述相似房源信息发送至所述搜索终端。
进一步的，所述房源搜索装置还包括：
地址获取模块，用于在接收到所述搜索终端发送的导航指令时，根据所述导航指令在所述推荐房源中确定目标房源，并获取所述目标房源的目标地址和所述搜索终端的终端地址；
路线生成模块，用于根据所述目标地址和所述终端地址生成导航路线，并将导航路线返回至所述搜索终端。
进一步的，所述推荐房源包括两个以上的房源，
所述第一发送模块，还用于获取所述推荐房源的推荐房源信息，并基于预设排序规则对所述推荐房源信息进行排序，并将排序后的推荐房源信息发送至所述搜索终端；
所述房源搜索装置还包括：
规则调整模块，用于获取所述搜索终端对所述推荐房源信息的操作记录，并根据所述操作记录对所述预设排序规则进行调整。
其中，上述基于房源搜索装置中各个模块的功能实现与上述房源搜索方法实施例中各步骤相对应，其功能和实现过程在此处不再一一赘述。
此外，本发明实施例还提供一种计算机可读存储介质。
本发明计算机可读存储介质上存储有房源搜索程序，其中所述房源搜索程序被处理器执行时，实现如上述的房源搜索方法的步骤。
其中，房源搜索程序被执行时所实现的方法可参照本发明房源搜索方法的各个实施例，此处不再赘述。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者***不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者***所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者***中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种房源搜索方法，其特征在于，所述房源搜索方法包括：
在接收到搜索终端发送的房源搜索指令时，根据所述房源搜索指令获取需求房源图片；
基于预设分割模型对所述需求房源图片进行实例分割，获得房源主体实例和非房源主体实例，并分别对所述房源主体实例和所述非房源主体实例进行特征提取，获得对应的房源主体特征和非房源主体特征；
根据所述房源主体特征和所述非房源主体特征在预设房源库中进行房源检索，确定与所述需求房源图片对应的推荐房源；
获取所述推荐房源的推荐房源信息，并将所述推荐房源信息发送至所述搜索终端。
2.如权利要求1所述的房源搜索方法，其特征在于，所述基于预设分割模型对所述需求房源图片进行实例分割，获得房源主体实例和非房源主体实例的步骤包括：
通过预设区域候选网络RPN对所述需求房源图片进行检测，确定所述需求房源图片的兴趣区域；
通过预设卷积层对所述需求房源图片进行卷积处理，获取整体特征图，并根据所述兴趣区域从所述整体特征图中提取得到对应的兴趣区域特征图；
对所述兴趣区域特征图进行像素校正，并通过预设全卷积网络FCN对校正后的兴趣区域特征图进行分析，以确定所述兴趣区域的实例类型；
根据所述兴趣区域的实例类型对所述需求房源图片进行分割，获得房源主体实例和非房源主体实例。
3.如权利要求1所述的房源搜索方法，其特征在于，所述根据所述房源主体特征和所述非房源主体特征在预设房源库中进行房源检索，确定与所述需求房源图片对应的推荐房源的步骤包括：
在预设房源库中获取各样本房源的样本房源图片，并获取所述样本房源图片的样本主体特征和非样本主体特征；
将所述样本主体特征与所述房源主体特征进行对比，确定所述需求房源图片与所述样本房源图片的相同主体特征数，并将所述非样本主体特征和所述非房源主体特征进行对比，确定所述需求房源图片与所述样本房源图片的相同非主体特征数；
根据所述相同主体特征数和所述相同非主体特征数在所述各样本房源中确定与所述需求房源图片对应的推荐房源。
4.如权利要求3所述的房源搜索方法，其特征在于，所述根据所述相同主体特征数和所述相同非主体特征数在所述各样本房源中确定与所述需求房源图片对应的推荐房源的步骤包括：
将所述相同主体特征数和相同非主体特征数代入至预设相似分公式中，以计算所述样本房源图片的图片相似分，其中所述预设相似分公式为：
P＝k1*N1+k2*N2
其中，P为所述样本房源图片的图片相似分；
k1为第一预设特征比重，k1＞0；
k2为第二预设特征比重，k2＞0；
N1为所述样本房源图片所对应的相同主体特征数，N1≥0；
N2为所述样本房源图片所对应的相同主体特征数，N2≥0；
根据所述样本房源图片的图片相似分在所述各样本房源中确定与所述需求房源图片对应的推荐房源。
5.如权利要求1所述的房源搜索方法，其特征在于，所述推荐房源信息包括推荐房源地址和/或推荐房源房价，
所述获取所述推荐房源的推荐房源信息，并将所述推荐房源信息发送至所述搜索终端的步骤之后，还包括：
根据所述推荐房源地址和/或推荐房源房价获取与所述推荐房源匹配的相似房源，并获取所述相似房源的相似房源信息；
将所述相似房源信息发送至所述搜索终端。
6.如权利要求1所述的房源搜索方法，其特征在于，所述获取所述推荐房源的推荐房源信息，并将所述推荐房源信息发送至所述搜索终端的步骤之后，还包括：
在接收到所述搜索终端发送的导航指令时，根据所述导航指令在所述推荐房源中确定目标房源，并获取所述目标房源的目标地址和所述搜索终端的终端地址；
根据所述目标地址和所述终端地址生成导航路线，并将导航路线返回至所述搜索终端。
7.如权利要求1至6中任一项所述的房源搜索方法，其特征在于，所述推荐房源包括两个以上的房源，
所述获取所述推荐房源的推荐房源信息，并将所述推荐房源信息发送至所述搜索终端的步骤包括：
获取所述推荐房源的推荐房源信息，并基于预设排序规则对所述推荐房源信息进行排序，并将排序后的推荐房源信息发送至所述搜索终端；
所述获取所述推荐房源的推荐房源信息，并将所述推荐房源信息发送至所述搜索终端的步骤之后，还包括：
获取所述搜索终端对所述推荐房源信息的操作记录，并根据所述操作记录对所述预设排序规则进行调整。
8.一种房源搜索装置，其特征在于，所述房源搜索装置包括：
图片获取模块，用于在接收到搜索终端发送的房源搜索指令时，根据所述房源搜索指令获取需求房源图片；
特征提取模块，用于基于预设分割模型对所述需求房源图片进行实例分割，获得房源主体实例和非房源主体实例，并分别对所述房源主体实例和所述非房源主体实例进行特征提取，获得对应的房源主体特征和非房源主体特征；
房源检索模块，用于根据所述房源主体特征和所述非房源主体特征在预设房源库中进行房源检索，确定与所述需求房源图片对应的推荐房源；
第一发送模块，用于获取所述推荐房源的推荐房源信息，并将所述推荐房源信息发送至所述搜索终端。
9.一种房源搜索设备，其特征在于，所述房源搜索设备包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的房源搜索程序，其中所述房源搜索程序被所述处理器执行时，实现如权利要求1至7中任一项所述的房源搜索方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有房源搜索程序，其中所述房源搜索程序被处理器执行时，实现如权利要求1至7中任一项所述的房源搜索方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910202677.6A CN110096609A (zh) | 2019-03-15 | 2019-03-15 | 房源搜索方法、装置、设备及计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910202677.6A CN110096609A (zh) | 2019-03-15 | 2019-03-15 | 房源搜索方法、装置、设备及计算机可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110096609A true CN110096609A (zh) | 2019-08-06 |
Family
ID=67443269
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910202677.6A Pending CN110096609A (zh) | 2019-03-15 | 2019-03-15 | 房源搜索方法、装置、设备及计算机可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110096609A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110941609A (zh) * | 2019-10-12 | 2020-03-31 | 贝壳技术有限公司 | 多维度搜索方法及*** |
| CN112487310A (zh) * | 2020-10-23 | 2021-03-12 | 贝壳技术有限公司 | 小区推荐方法及*** |
| CN112699289A (zh) * | 2020-12-30 | 2021-04-23 | 上海瑞家信息技术有限公司 | 房源信息聚合展示方法、装置、电子设备和计算机可读介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102521233A (zh) * | 2010-11-02 | 2012-06-27 | 微软公司 | 自适应图像检索数据库 |
| CN108416066A (zh) * | 2018-03-29 | 2018-08-17 | 平安好房（上海）电子商务有限公司 | 图片搜索方法、用户设备、存储介质及图片搜索装置 |
| CN109389129A (zh) * | 2018-09-15 | 2019-02-26 | 北京市商汤科技开发有限公司 | 一种图像处理方法、电子设备及存储介质 |
-
2019
- 2019-03-15 CN CN201910202677.6A patent/CN110096609A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102521233A (zh) * | 2010-11-02 | 2012-06-27 | 微软公司 | 自适应图像检索数据库 |
| CN108416066A (zh) * | 2018-03-29 | 2018-08-17 | 平安好房（上海）电子商务有限公司 | 图片搜索方法、用户设备、存储介质及图片搜索装置 |
| CN109389129A (zh) * | 2018-09-15 | 2019-02-26 | 北京市商汤科技开发有限公司 | 一种图像处理方法、电子设备及存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 郭耀等: "基于小区域特征的图像检索方法", 《计算机工程》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110941609A (zh) * | 2019-10-12 | 2020-03-31 | 贝壳技术有限公司 | 多维度搜索方法及*** |
| CN110941609B (zh) * | 2019-10-12 | 2023-10-20 | 贝壳找房(北京)科技有限公司 | 多维度搜索方法及*** |
| CN112487310A (zh) * | 2020-10-23 | 2021-03-12 | 贝壳技术有限公司 | 小区推荐方法及*** |
| CN112487310B (zh) * | 2020-10-23 | 2023-02-17 | 贝壳技术有限公司 | 小区推荐方法及*** |
| CN112699289A (zh) * | 2020-12-30 | 2021-04-23 | 上海瑞家信息技术有限公司 | 房源信息聚合展示方法、装置、电子设备和计算机可读介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106919641B (zh) | 一种兴趣点搜索方法及装置、电子设备 | |
| CN108694223B (zh) | 一种用户画像库的构建方法及装置 | |
| CN104239408B (zh) | 基于由移动设备记录的图像的内容的数据访问 | |
| Bennett et al. | Inferring and using location metadata to personalize web search | |
| US9020529B2 (en) | Computer based location identification using images | |
| CN102591868B (zh) | 用于拍照指南自动生成的***和方法 | |
| CN107291888B (zh) | 基于机器学习统计模型的入住酒店附近生活推荐***方法 | |
| CN107424043A (zh) | 一种产品推荐方法及装置，电子设备 | |
| CN110096645A (zh) | 信息推荐方法、装置、设备和介质 | |
| CN109564571A (zh) | 利用搜索上下文的查询推荐方法及*** | |
| CN110069654A (zh) | 房源搜索方法、装置、设备及计算机可读存储介质 | |
| JP5732441B2 (ja) | 情報推薦方法、装置及びプログラム | |
| CN110083762A (zh) | 房源搜索方法、装置、设备及计算机可读存储介质 | |
| CN111191133B (zh) | 业务搜索处理方法、装置及设备 | |
| CN105512180B (zh) | 一种搜索推荐方法及装置 | |
| CN104169910A (zh) | 用于评估地理定位的用户生成的内容项目的地理流行度的方法 | |
| CN110096609A (zh) | 房源搜索方法、装置、设备及计算机可读存储介质 | |
| CN110019645A (zh) | 索引库构建方法、搜索方法及装置 | |
| CN110263840B (zh) | 一种线路分析方法、装置及程序产品、存储介质 | |
| CN112989169A (zh) | 目标对象识别方法、信息推荐方法、装置、设备及介质 | |
| CN110264283B (zh) | 一种推广资源展示方法及装置 | |
| CN116762070A (zh) | 用于提供图像推荐的***、方法、计算平台和存储介质 | |
| CN116611891A (zh) | 内容信息的推荐方法、装置、服务器及存储介质 | |
| CN110188277A (zh) | 一种资源的推荐方法及装置 | |
| RU2658876C1 (ru) | Способ и сервер для обработки данных датчика беспроводного устройства для создания вектора объекта, связанного с физическим положением |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190806 |
|
| WD01 | Invention patent application deemed withdrawn after publication |