CN112330387A - 一种应用于看房软件的虚拟经纪人 - Google Patents

Abstract

本发明提供一种应用于看房软件的虚拟经纪人，包括：信息接收模块、信息处理模块、存储模块、通信模块、房屋推荐模块、客户推荐模块和智能回答模块；其中，存储模块内存储有资源库和知识库，资源库用于存储房源信息、房屋介绍信息和客户信息，知识库用于存储图谱和问题集，图谱由资源库中的信息整合而成，问题集为客户的历史问答集合。本方案通过信息接收模块和信息处理模块实时跟进客户情况，并通过房屋推荐模块和客户推荐模块实现对客户进行房源推荐，推荐高质量客户；并基于图谱和智能回答模块，对客户的提问进行回答，让客户更直观的了解房屋的基本情况和周边信息，实现了无需现场看房，就可对房屋进行深入了解，从而节约时间成本。

Description

一种应用于看房软件的虚拟经纪人

技术领域

本发明涉及计算机通信技术领域，尤其涉及一种应用于看房软件的虚拟经纪人。

背景技术

在地产营销活动中，传统的看房app只能看到基本信息和房屋内部概况，很多其他的信息都要通过经纪人沟通，最终大概率都会和经纪人预约现场看房。从顾客的角度来看，可以不用和经纪人通信，而是直接和房屋实时“通话”，让房屋本身告诉顾客自己的基本情况和现场信息，可以实现无预约看房，会节约很多时间，也节约成本，进而解决很多时间冲突问题，这很符合当下快节奏的生活。

发明内容

基于此，有必要针对上述技术问题，提供一种应用于看房软件的虚拟经纪人。

一种应用于看房软件的虚拟经纪人，包括：信息接收模块、信息处理模块、存储模块、通信模块、房屋推荐模块、客户推荐模块和智能回答模块；其中，所述存储模块内存储有资源库和知识库，所述资源库用于存储房源信息、房屋介绍信息和客户信息，所述知识库用于存储图谱和问题集，所述图谱由资源库中的信息整合而成，所述问题集为客户的历史问答集合。

在其中一个实施例中，所述房源信息至少包括房源户型、房屋地址和周边信息；所述房屋介绍信息至少包括房屋官方解说信息和房屋官方评价信息；所述客户信息至少包括客户问答信息、客户浏览记录信息和客户房屋评价信息。

在其中一个实施例中，所述信息接收模块用于接收各种信息，所述信息包括房源信息、房屋介绍信息和客户信息。

在其中一个实施例中，所述信息处理模块用于将所述资源库中的信息整合成为所述知识库中的图谱和问题集。

在其中一个实施例中，所述房屋推荐模块包括：计算分析子模块和房屋推荐子模块，所述计算分析子模块包括模型建立单元、相似计算单元、近邻迭代单元和评分预测单元，其中：所述模型建立单元用于，利用所述资源库中的信息，建立用户关于房源的偏好矩阵模型；所述相似计算单元用于，基于所述偏好矩阵模型，利用余弦相似度进行计算各用户间的相似度，得到偏好相似矩阵；所述近邻迭代单元用于，基于所述各用户相似度，根据衰减比率和衰减权重获得用户间的新相似度，并根据所述新相似度形成的邻居集合，对所述邻居集合进行迭代得到目标邻居集合；所述评分预测单元用于，基于所述目标邻居集合，根据所述客户信息，预测用户关于房源的评分；所述房屋推荐子模块用于，将所述评分按照大小进行排序，并选择排名前三的房源作为目标房源推荐给客户。

在其中一个实施例中，所述客户推荐模块包括：权重设置单元、权重更新单元、质量计算单元和客户推荐单元，其中：所述权重设置单元用于，对客户的浏览时长T和问题咨询分别设置权重W1、W2，并将所述问题集中的问答按照受关注程度尽心排序，设置不同的权重w；所述权重更新单元用于，根据所述客户的客户信息，更新问题集中问题的受关注程度，更新权重w；所述质量计算单元用于，根据所述权重W1、W2和w，计算所述客户的质量；所述客户推荐单元用于，根据预设的阈值，将所述质量大于阈值的客户作为目标客户，并通过所述通信模块推送至云端。

在其中一个实施例中，所述客户推荐单元还用于，将所述目标客户推送至所述知识库中，对所述图谱进行更新。

在其中一个实施例中，所述智能回答模块包括：问题分析子模块、信息检索子模块和答案生成子模块，所述问题分析子模块包括实体获得单元和目的获得单元，其中：所述实体获得单元用于，对客户的提问进行分词和实体识别处理，得到所述提问的实体；所述目的获得单元用于，对客户提问进行目的识别和问题分类处理，并得到所述提问的目的；所述信息检索子模块用于，根据所述实体和目的，对所述知识库进行查询，并得到初始查询结果；所述答案生成子模块用于，对所述初始查询结果进行比较排序，选取最佳答案，并将所述最佳答案生成自然语句形式的目标答案，再将所述目标答案反馈至客户。

在其中一个实施例中，所述智能回答模块还包括自然语言生成子模块，所述自然语言生成子模块包括内容确定单元、结构确定单元和语言生成单元，其中：所述内容确定单元用于，将所述实体和所述目标答案作为语句关键信息；所述结构确定单元用于，基于所述问题集，并根据所述目的，确定语句结构；所述语言生成单元用于，将所述语句关键信息按照所述语句结构进行组合，从而得到自然语句形式的目标答案。

上述一种应用于看房软件的虚拟经纪人，通过信息接收模块和信息处理模块实时跟进客户情况，并通过房屋推荐模块、客户推荐模块和智能回答模块分别实现对客户进行房源推荐，并对客服推荐高质量客户，还能基于知识库中的图谱，对客户提问进行回答，客户可以问答的形式，更加直观的了解房屋的基本情况和周边信息，实现了无需现场看房，就可以对房屋进行深入了解，从而节约了时间成本。

附图说明

图1为一个实施例中一种应用于看房软件的虚拟经纪人的应用场景图；

图2为一个实施例中一种应用于看房软件的虚拟经纪人的结构框图；

图3为一个实施例中房屋推荐模块的结构框图；

图4为一个实施例中客户推荐模块的结构框图；

图5为一个实施例中智能回答模块的结构框图；

图6为一个实施例中计算分析子模块的结构框图；

图7为一个实施例中问题分析子模块的结构框图；

图8为一个实施例中自然语言生成子模块的结构框图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，下面通过具体实施方式结合附图对本发明做进一步详细说明。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。

本申请提供的一种应用于看房软件的虚拟经纪人，可以应用于如图1所示的应用环境中。其中，看房软件安装在终端1上，而虚拟经纪人11则应用在于看房软件中，而客户12可以在看房软件上与虚拟经纪人11进行问答，虚拟经纪人11的通信模块与服务器2相连通，从而可以将高质量的客户通过通信模块上传至服务器2中，而服务器2则可以将之发送到需要的客服或者存储在服务器2中。其中，终端1可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器2可以用独立的服务器或者是多个服务器组成的服务器集群来实现。

在一个实施例中，如图2所示，提供了一种应用于看房软件的虚拟经纪人200，包括信息接收模块210、信息处理模块220、存储模块230、通信模块240、房屋推荐模块250、客户推荐模块260和智能回答模块270，其中，存储模块230内存储有资源库和知识库，资源库用于存储房源信息、房屋介绍信息和客户信息，知识库用于存储图谱和问题集，图谱由资源库中的信息整合而成，问题集为客户的历史问答集合。房源信息至少包括房源户型、房屋地址和周边信息；房屋介绍信息至少包括房屋官方解说信息和房屋官方评价信息；客户信息至少包括客户问答信息、客户浏览记录信息和客户房屋评价信息。其中，信息接收模块210用于接收各种信息，这里的信息包括房源信息、房屋介绍信息和客户信息；信息处理模块220用于将资源库中的信息整合成为知识库中的图谱和问题集。

具体地，虚拟经纪人主要的实现原理是：信息检索，主要分为两个模块：创建知识库、和人机问答(检索)。创建知识库：利用房源信息、房源地址定位的周边信息、经纪人解说及旧顾客评价、浏览记录、历史问答记录等建立知识图谱作为此“虚拟经纪人”的知识库。人机问答：当客户提出问题，经过问题分析，给出最佳回答。APP场景：在APP中设置一个置于顶层的悬浮按钮，此按钮携带客户信息和当前位置。客户进入APP之后，点击此悬浮按钮唤醒“虚拟经纪人”，可以像现实中与房产经纪人聊天一样进行语音对话，客户询问房源相关信息后，经纪人会给相应的回答，并记录客户的问题。另外不管是否唤醒，“虚拟经纪人”都会记录下客户的浏览信息，将信息更新到知识库。

首先建立信息资源库，资源库的信息包括三种，一是房源信息，二是房屋介绍信息，三则是客户信息。其中房源信息包括开发商下所有的房源信息，关联地址定位的周边信息；房屋介绍信息包括房产经纪人对房屋的解说和评价；而客户信息则是客户和“虚拟经纪人”的对话，及客户的浏览记录和对房源的评论。

然后根据信息处理模块220用于将资源库中的信息整合成为知识库中的图谱和问题集，初始化知识库以及当有新的房源录入时生成“地图”，定时检测周边信息，如果检测到信息变化，则更新知识库(“地图中对应的数据节点”)。将已经获得的信息资源提取出关键信息，利用实体(房源、地址、客户等)、属性(户型、周边、评价、客户质量等)为每个房源建立一张“地图”。利用关系(关联客户、意向客户等)将各个房源的“地图”关联起来后得到的即为知识图谱，此图谱和问题集共同形成知识库。如周边有个开放了新的商场，将生成新的节点关联到相应的房源下；又比如有用户浏览或者询问了此房源相关信息，根据用户的浏览时长或咨询的问题等预测意向，更新与房源的关联权重，若是新的访问客户将建立新的连接关联到此房源。

上述实施例中，提供了一种应用于看房软件的虚拟经纪人，通过信息接收模块210和信息处理模块220实时跟进客户情况，并通过房屋推荐模块250、客户推荐模块260和智能回答模块270分别实现对客户进行房源推荐，并对客服推荐高质量客户，还能基于知识库中的图谱，对客户提问进行回答，客户可以问答的形式，更加直观的了解房屋的基本情况和周边信息，实现了无需现场看房，就可以对房屋进行深入了解，从而节约了时间成本。

在一个实施例中，如图3和图6所示，房屋推荐模块250包括：计算分析子模块251和房屋推荐子模块252，计算分析子模块251包括模型建立单元251A、相似计算单元251B、近邻迭代单元251C和评分预测单元251D，其中：

模型建立单元251A用于，利用资源库中的信息，建立用户关于房源的偏好矩阵模型；

相似计算单元251B用于，基于偏好矩阵模型，利用余弦相似度进行计算各用户间的相似度，得到偏好相似矩阵；

近邻迭代单元251C用于，基于各用户相似度，根据衰减比率和衰减权重获得用户间的新相似度，并根据新相似度形成的邻居集合，对邻居集合进行迭代得到目标邻居集合；

评分预测单元251D用于，基于目标邻居集合，根据客户信息，预测用户关于房源的评分；

房屋推荐子模块252用于，将评分按照大小进行排序，并选择排名前三的房源作为目标房源推荐给客户。

具体地，首先进行客户偏好分析，根据资料库中的信息建立以下集合：

房源集合I＝{I₁，I₂,...,I_n}

房源标签集合L＝{l₁，l₂,...,l_g}

用户集合U＝{U₁，U₂,...,U_m}

分析客户对房源的评价，转为评分矩阵R，根据客户浏览过(隐式)的房源和客户评价过(显式)的房源的标签，结合评分计算客户的偏好向量Q＝{Q_l1，Q_l2,...,Q_lk}，Q_lk是对某一类房源标签的偏好程度，然后计算出m个用户的偏好向量可以得到一个偏好矩阵模型。

然后在相似计算单元251B中进行计算，针对偏好矩阵，可以利用余弦相似度计算用户间的相似度S(U₁，U₂)U₁！＝U₂，得到偏好相似矩阵：

再利用近邻迭代单元251C进行近邻迭代推荐，具体地，将上文得到的相似度排序，设定阈值h，相似度大于h的作为二级邻居；对于二级邻居不存在的，通过邻居衰减比率和衰减权重计算二级邻居的相似度值；对于二级邻居存在的，通过比较实际相似度和经过衰减权重计算的相似度取较大值作为新的相似度，然后对候选邻居相似度排序，选择前k个。经过一次选择的所有用户都会形成新的邻居集合，在此基础上迭代可以得到最后的邻居集合。这里的k值根据实际情况进行设置。

接着利用评分预测单元251D进行评分预测，以前k个候选邻居和关联用户的新集合U’为基础，取用户没有浏览时长低于阈值T的房源集合I’，计算

评分(目标用户U_i对I’中每个房源I_k的偏好程度)Q_i,k：

V(Q_i)表示用户i的平均偏好值

最后将评分预测单元251D中得到的预测的评分按照大小进行排序，取前3个对应的房源即为房源推荐结果。

在一个实施例中，如图4所示，客户推荐模块260包括：权重设置单元261、权重更新单元262、质量计算单元263和客户推荐单元264，其中：

权重设置单元261用于，对客户的浏览时长T和问题咨询分别设置权重W1、W2，并将问题集中的问答按照受关注程度尽心排序，设置不同的权重w；

权重更新单元262用于，根据客户的客户信息，更新问题集中问题的受关注程度，更新权重w；

质量计算单元263用于，根据权重W1、W2和w，计算客户的质量；

客户推荐单元264用于，根据预设的阈值，将质量大于阈值的客户作为目标客户，并通过通信模块推送至服务器。

具体地，首先为客户的浏览时长T、问题咨询设计一个权重W1、W2，并将问题集按照受关注程度排序，设置不同的权重w；

其次，从客户与虚拟经纪人的历史对话中，更新问题集中问题的受关注程度，更新权重值w；

然后计算质量：

其中w_i为对话中有效问题的权重，n表示有效问题的个数；

最后，设计一个阈值，当m大于等于这个阈值的时候，表示客户质量不错，值得发送到服务器中进行存储，或者推送给客服，进行客户跟进。

在一个实施例中，客户推荐单元260还用于，将目标客户推送至知识库中，对图谱进行更新。具体地，客户推荐单元260可以将目标客户推送到知识库中，对应将图谱中关于客户质量的部分进行更新。

在一个实施例中，如图5和图7所示，智能回答模块270包括：问题分析子模块271、信息检索子模块272和答案生成子模块273，问题分析子模块271包括实体获得单元271A和目的获得单元271B，其中：

实体获得单元271A用于，对客户的提问进行分词和实体识别处理，得到提问的实体；

目的获得单元271B用于，对客户提问进行目的识别和问题分类处理，并得到提问的目的；

信息检索子模块272用于，根据实体和目的，对知识库进行查询，并得到初始查询结果；

答案生成子模块273用于，对初始查询结果进行比较排序，选取最佳答案，并将最佳答案生成自然语句形式的目标答案，再将目标答案反馈至客户。

具体地，将问题带入提前准备好的知识库寻求答案的一种基于知识库的问答。解析用户输入的自然语言问句，查询知识谱图数据库，最终得到最佳答案，然后以自然语言的方式反馈给用户。也可以是语音录入后，需要将语音转为文本，然后再分析问题并预测答案，得到以自然语言呈现的预测答案之后再转为语音回馈给用户。

首先通过实体获得单元271A对客户的提问进行分词和实体识别处理，得到提问的实体，具体地，进行分词之前需要现建立一个领域(房产)的专业词典，然后采用基于词典的分词方法中的正向最大匹配算法进行句子切分，最后对词典中的未登录词，采用ICTCLAS分词工具进行分词并标注词性，并识别命名实体。

然后通过目的获得单元271B对客户提问进行目的识别和问题分类处理，并得到提问的目的，具体地，进行问题的目的识别前，需要建立一个领域类的语料库做初始的训练集。让“虚拟经纪人”按照此训练集先训练，得到一定程度的辨识能力。训练主要是从语料库提取特征值，将分词出现的频次作为权值，按照权值可以得到一组分词作为某问题类别的特征向量，权值作为特征向量的值。当用户提出新的问题，将问题更新到语料库。同时预测问题所属问题得到一个权值序列，取权值最大的，作为用户最可能的目的。

再者，通过信息检索子模块272进行检索，得到实体和目的之后，通过上述实体获得单元271A和目的获得单元271B中预测到实体和目的之间的关系，此时则可以建立一个三元组(Subject-Predict-Object)，查询知识库，得到初始查询结果。

最后再通过答案生成子模块273对初始查询结果进行比较排序，选取出最佳答案，并将最佳答案生成自然语句形式的目标答案，再将目标答案反馈至客户。

在一个实施例中，如图8所示，智能回答模块270还包括自然语言生成子模块，自然语言生成子模块包括内容确定单元274A、结构确定单元274B和语言生成单元274C，其中：

内容确定单元274A用于，将实体和目标答案作为语句关键信息；

结构确定单元274B用于，基于问题集，并根据目的，确定语句结构；

语言生成单元274C用于，将语句关键信息按照语句结构进行组合，从而得到自然语句形式的目标答案。

具体地，首先确定关键内容：即将问题分类中识别出的命名实体和从信息检索中获得的答案作为语句关键信息；其次确定语句结构：在问题分类中已经得出了用户的最可能意图对应的所属问题，进而从语料库中拿到句子结构模型；最后进行自然语言实现：将内容确定单元274A中所确定的短语按照结构确定单元274B中的模型组合成格式良好的句子。

显然，本领域的技术人员应该明白，上述本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在计算机存储介质(ROM/RAM、磁碟、光盘)中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。所以，本发明不限制于任何特定的硬件和软件结合。

以上内容是结合具体的实施方式对本发明所做的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。

Claims (9)

1.一种应用于看房软件的虚拟经纪人，其特征在于，包括：信息接收模块、信息处理模块、存储模块、通信模块、房屋推荐模块、客户推荐模块和智能回答模块；

其中，所述存储模块内存储有资源库和知识库，所述资源库用于存储房源信息、房屋介绍信息和客户信息，所述知识库用于存储图谱和问题集，所述图谱由资源库中的信息整合而成，所述问题集为客户的历史问答集合。

2.如权利要求1所述的一种应用于看房软件的虚拟经纪人，其特征在于，所述房源信息至少包括房源户型、房屋地址和周边信息；所述房屋介绍信息至少包括房屋官方解说信息和房屋官方评价信息；所述客户信息至少包括客户问答信息、客户浏览记录信息和客户房屋评价信息。

3.如权利要求1所述的一种应用于看房软件的虚拟经纪人，其特征在于，所述信息接收模块用于接收各种信息，所述信息包括房源信息、房屋介绍信息和客户信息。

4.如权利要求1所述的一种应用于看房软件的虚拟经纪人，其特征在于，所述信息处理模块用于将所述资源库中的信息整合成为所述知识库中的图谱和问题集。

5.如权利要求1所述的一种应用于看房软件的虚拟经纪人，其特征在于，所述房屋推荐模块包括：计算分析子模块和房屋推荐子模块，所述计算分析子模块包括模型建立单元、相似计算单元、近邻迭代单元和评分预测单元，其中：

所述模型建立单元用于，利用所述资源库中的信息，建立用户关于房源的偏好矩阵模型；

所述相似计算单元用于，基于所述偏好矩阵模型，利用余弦相似度进行计算各用户间的相似度，得到偏好相似矩阵；

所述近邻迭代单元用于，基于所述各用户相似度，根据衰减比率和衰减权重获得用户间的新相似度，并根据所述新相似度形成的邻居集合，对所述邻居集合进行迭代得到目标邻居集合；

所述评分预测单元用于，基于所述目标邻居集合，根据所述客户信息，预测用户关于房源的评分；

所述房屋推荐子模块用于，将所述评分按照大小进行排序，并选择排名前三的房源作为目标房源推荐给客户。

6.如权利要求1所述的一种应用于看房软件的虚拟经纪人，其特征在于，所述客户推荐模块包括：权重设置单元、权重更新单元、质量计算单元和客户推荐单元，其中：

所述权重设置单元用于，对客户的浏览时长T和问题咨询分别设置权重W1、W2，并将所述问题集中的问答按照受关注程度尽心排序，设置不同的权重w；

所述权重更新单元用于，根据所述客户的客户信息，更新问题集中问题的受关注程度，更新权重w；

所述质量计算单元用于，根据所述权重W1、W2和w，计算所述客户的质量；

所述客户推荐单元用于，根据预设的阈值，将所述质量大于阈值的客户作为目标客户，并通过所述通信模块推送至服务器。

7.如权利要求6所述的一种应用于看房软件的虚拟经纪人，其特征在于，所述客户推荐单元还用于，将所述目标客户推送至所述知识库中，对所述图谱进行更新。

8.如权利要求1所述的一种应用于看房软件的虚拟经纪人，其特征在于，所述智能回答模块包括：问题分析子模块、信息检索子模块和答案生成子模块，所述问题分析子模块包括实体获得单元和目的获得单元，其中：

所述实体获得单元用于，对客户的提问进行分词和实体识别处理，得到所述提问的实体；

所述目的获得单元用于，对客户提问进行目的识别和问题分类处理，并得到所述提问的目的；

所述信息检索子模块用于，根据所述实体和目的，对所述知识库进行查询，并得到初始查询结果；

所述答案生成子模块用于，对所述初始查询结果进行比较排序，选取最佳答案，并将所述最佳答案生成自然语句形式的目标答案，再将所述目标答案反馈至客户。

9.如权利要求8所述的一种应用于看房软件的虚拟经纪人，其特征在于，所述智能回答模块还包括自然语言生成子模块，所述自然语言生成子模块包括内容确定单元、结构确定单元和语言生成单元，其中：

所述内容确定单元用于，将所述实体和所述目标答案作为语句关键信息；

所述结构确定单元用于，基于所述问题集，并根据所述目的，确定语句结构；

所述语言生成单元用于，将所述语句关键信息按照所述语句结构进行组合，从而得到自然语句形式的目标答案。

Images