CN117541344A - 一种基于对比学习增强的房源推荐方法和装置 - Google Patents

Abstract

本申请涉及序列推荐技术领域，提供了一种基于对比学习增强的房源推荐方法和装置。该方法包括获取用户属性数据、用户交互序列和房源数据；将用户属性数据和用户交互序列输入至房源推荐模型的用户分支，获得用户向量特征；其中用户向量特征包括通过对具有用户长尾标签的用户交互序列进行无监督对比学习获得的用户交互增强向量特征；将房源数据输入至房源推荐模型的房源分支，获得房源向量特征；其中房源向量特征包括通过对具有房源长尾标签的房源数据进行无监督对比学习获得的房源增强向量特征；依据用户向量特征和房源向量特征的匹配度，获得房源推荐结果。本申请同时从长尾用户和长尾房源解决了房源推荐的长尾问题，提高了房源推荐结果准确性。

Description

一种基于对比学习增强的房源推荐方法和装置

技术领域

本申请涉及序列推荐技术领域，尤其涉及一种基于对比学习增强的房源推荐方法和装置。

背景技术

相关业务场景下，线上购房和租房渗透率逐渐升高，需要采用线上线下共同推广获客的经营模式。将房源推荐产品在业务环节中的定位为线上获客，目标是提升线上成交量。但是刚上线的应用，很容易引发房源推荐的长尾问题，推荐热门商品而忽略非热门的商品，导致热门房源越来越热门，冷门房源越来越冷门，对总体点击率产生不利影响。同时，对于新用户来说，其用户行为信息越少，推荐的准确度也越低，该部分用户的点击率也不容易提升。面对用户长尾和房源长尾问题，目前都有一定的解决方法，但是往往是单个问题单个分析，没有发现两个问题之间的潜在关系。

因此，如何解决房源长尾问题，提高房源推荐结果准确性，是需要解决的技术问题。

发明内容

有鉴于此，本申请实施例提供了一种基于对比学习增强的房源推荐方法、装置、电子设备及计算机可读存储介质，以解决房源长尾问题，提高房源推荐结果准确性的问题。

本申请实施例的第一方面，提供了一种基于对比学习增强的房源推荐方法，包括：

获取用户属性数据、用户交互序列和房源数据；其中，所述用户交互序列包括表征用户交互序列分布的用户长尾标签，所述房源数据包括表征房源交互序列分布的房源长尾标签；

将所述用户属性数据和所述用户交互序列输入至房源推荐模型的用户分支，获得用户向量特征；其中所述用户向量特征包括用户交互增强向量特征，所述用户交互增强向量特征通过对具有所述用户长尾标签的所述用户交互序列进行对比学习获得；

将所述房源数据输入至房源推荐模型的房源分支，获得房源向量特征；其中所述房源向量特征包括房源增强向量特征，所述房源增强向量特征通过对具有所述房源长尾标签的所述房源数据进行对比学习获得；

依据所述用户向量特征和所述房源向量特征的匹配度，获得房源推荐结果。

本申请实施例的第二方面，提供了一种基于对比学习增强的房源推荐装置，所述装置包括：

输入数据获取模块，被配置为获取用户属性数据、用户交互序列和房源数据；其中，所述用户交互序列包括表征用户交互序列分布的用户长尾标签，所述房源数据包括表征房源交互序列分布的房源长尾标签；

用户特征获取模块，被配置为将所述用户属性数据和所述用户交互序列输入至房源推荐模型的用户分支，获得用户向量特征；其中所述用户向量特征包括用户交互增强向量特征，所述用户交互增强向量特征通过对具有所述用户长尾标签的所述用户交互序列进行对比学习获得；

房源特征获取模块，被配置为将所述房源数据输入至房源推荐模型的房源分支，获得房源向量特征；其中所述房源向量特征包括房源增强向量特征，所述房源增强向量特征通过对具有所述房源长尾标签的所述房源数据进行对比学习获得；

房源推荐结果获取模块，被配置为依据所述用户向量特征和所述房源向量特征的匹配度，获得房源推荐结果。

本申请实施例的第三方面，提供了一种电子设备，包括存储器、处理器以及存储在存储器中并且可在处理器上运行的计算机程序，该处理器执行计算机程序时实现第一方面所述方法的步骤。

本申请实施例的第四方面，提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现第一方面所述方法的步骤。

本申请实施例与现有技术相比存在的有益效果至少包括：本申请实施例通过获取用户属性数据、用户交互序列和房源数据；将用户属性数据和用户交互序列输入至房源推荐模型的用户分支，获得用户向量特征；其中用户向量特征包括通过对具有用户长尾标签的用户交互序列进行无监督对比学习获得的用户交互增强向量特征，；将房源数据输入至房源推荐模型的房源分支，获得房源向量特征；其中房源向量特征包括通过对具有房源长尾标签的房源数据进行无监督对比学习获得的房源增强向量特征；依据用户向量特征和房源向量特征的匹配度，获得房源推荐结果。本申请同时从长尾用户和长尾房源解决了房源推荐的长尾问题，提高了房源推荐结果准确性。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。

图1是本申请实施例提供的基于对比学习增强的房源推荐方法的流程示意图之一；

图2是本申请实施例提供的基于对比学习增强的房源推荐方法的流程示意图之二；

图3是本申请实施例提供的基于对比学习增强的房源推荐方法的流程示意图之三；

图4是本申请实施例提供的基于对比学习增强的房源推荐方法的流程示意图之四；

图5是本申请实施例提供的基于对比学习增强的房源推荐方法的流程示意图之五；

图6是本申请实施例提供的基于对比学习增强的房源推荐方法的流程示意图之六；

图7是本申请实施例提供的基于对比学习增强的房源推荐装置的结构示意图；

图8是本申请实施例提供的一种电子设备的结构示意图。

具体实施方式

以下描述中，为了说明而不是为了限定，提出了诸如特定***结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的***、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。

下面将结合附图详细说明根据本申请实施例的一种基于对比学习增强的房源推荐方法、装置、电子设备和存储介质。

如背景技术所述，相关业务场景下，线上购房和租房渗透率逐渐升高，需要采用线上线下共同推广获客的经营模式。将房源推荐产品在业务环节中的定位为线上获客，目标是提升线上成交量。为提升线上用户体验，提升用户浏览时长和用户留存，希望算法可以提供更优质的推荐服务，帮助用户快速定位意向房源，了解房源生态，需要进行多个场景的房源推荐，共同提升用户的房源浏览体验。在实际分析过程中发现，由于线上服务推广处于初期，新用户占比较大，对于新用户的冷启动推荐策略往往采用热门推荐的方式，优先将点击较多的房源推荐给新用户。但是很容易引发房源的长尾问题，推荐热门商品而忽略非热门的商品，导致热门房源越来越热门，冷门房源越来越冷门，对总体点击率产生不利影响。同时，对于新用户来说，其用户行为信息越少，推荐的准确度也越低，该部分用户的点击率也不容易提升。面对用户长尾和房源长尾问题，目前都有一定的解决方法，但是往往是单个问题单个分析，没有发现两个问题之间的潜在关系。

混合推荐算法是将基于内容的推荐算法与其他推荐算法(如协同过滤算法)相结合，可以提高推荐***的覆盖率和准确率，从而解决用户长尾问题。混合推荐算法的具体步骤如下：(1)数据预处理，将原始数据进行处理，包括数据清洗、去重、归一化等。(2)特征提取，从处理后的数据中提取特征，包括用户特征和物品特征。(3)相似度计算，计算用户之间或物品之间的相似度，包括基于内容的相似度和协同过滤相似度。(4)推荐结果生成：根据相似度计算结果，生成推荐结果。(5)推荐结果过滤：对推荐结果进行过滤，包括去重、排序等。(6)推荐结果评估：对推荐结果进行评估，包括准确率、召回率等。但是，该方法只是考虑了用户长尾问题，并没有考虑到房源的长尾问题，没有综合用户和房源两个维度解决长尾问题，会导致房源长尾现象性能次优。基于以上问题，本申请从长尾用户和长尾房源两个角度出发，综合考虑用户和房源两个维度共同去缓解长尾问题，设计用户分支和房源分支双分支，每条分支分别响应长尾用户和房源，分支训练时相互增强。

如图1所示，为本申请的一种基于对比学习增强的房源推荐方法流程图。

上述方法包括：

S101：获取用户属性数据、用户交互序列和房源数据；其中，上述用户交互序列包括表征用户交互序列分布的用户长尾标签，上述房源数据包括表征房源交互序列分布的房源长尾标签。

S102：将上述用户属性数据和上述用户交互序列输入至房源推荐模型的用户分支，获得用户向量特征；其中上述用户向量特征包括用户交互增强向量特征，上述用户交互增强向量特征通过对具有上述用户长尾标签的上述用户交互序列进行无监督对比学习获得。

S103：将上述房源数据输入至房源推荐模型的房源分支，获得房源向量特征；其中上述房源向量特征包括房源增强向量特征，上述房源增强向量特征通过对具有上述房源长尾标签的上述房源数据进行无监督对比学习获得。

S104：依据上述用户向量特征和上述房源向量特征的匹配度，获得房源推荐结果。

具体地，本申请实施例所构建的房源推荐模型采用典型的双塔结构，左右两边分别是用户分支和房源分支。

对于用户分支，特别是在房源推荐中存在的长尾用户，即用户行为特别稀疏的用户，没有过多的浏览记录可供模型学习，针对序列推荐，如果序列长度过短，将会导致学习出来的向量表征能力不够，导致模型学习会偏向于活跃用户的偏好。因此本申请考虑针对长尾用户，进行序列增强。首先，针对序列比较短的长尾用户，设计了物品替换和物品***两种方式，对原始的序列进行丰富和扩充。然后，使用深度兴趣网络用户向量表征的学习；最后，在学习出两个向量之后，对其进行约束，使用无监督对比学习拉近两个向量的距离，这样可以提升用户向量的学习质量，并加快模型收敛。

对于房源分支，在房源推荐中经常会有很多房源的曝光和被点击行为比较少，这样该房源被训练的机会就比较小，得不到很好的验证。本申请通过加强房源本身的特征对长尾房源的学习进行增强，使得特征泛化能力学习好之后，增强房源本身的表达。首先，对房源的特征进行增强，设计出随机特征屏蔽和特征维度伸缩两种特征增强方法。随机特征屏蔽，会在训练中，将房源的某个特征进行遮蔽。特征维度伸缩，会将某个特征维度中的部分取值进行随机删除。这种“特征减法”操作，可以增强特征表达的泛化性。然后，对相应的特征利用编码转换，之后映射到向量空间，得到房源的向量表征。最后，对学习出的两个房源向量利用无监督对比学习的方法进行约束，提升房源特征表达质量。

在一些实施例中，上述用户属性数据包括用户基础数据和用户偏好数据；和/或，上述用户交互序列还包括用户线上行为数据和用户线下行为数据；和/或，上述房源数据包括房源属性数据和房源交互数据。

具体地，对于用户属性数据包括用户基本数据，例如用户ID、年龄、性别、所属城市、会员等级、会员积分等；用户偏好数据，例如地段、户型、价格、装修、房龄、城市、是否学区房等偏好。用户交互数据包括线上行为数据，例如点击、关注、线上咨询置业顾问、分享等；用户线下行为数据，例如实地看房、到访线下门店等。用户长尾标签用于标记是否为长尾用户，例如近30天内未发生任何行为的用户。对于房源数据，包括房源属性数据，例如房源ID、小区位置、面积、朝向、楼层、总楼层、新旧程度、装修水平、设施完善度等；房源交互数据，例如上架时间、浏览量、关注度、成交率等。房源长尾标签用于标记是否为长尾房源，例如近30天内没有被点击或者浏览的房源。

在一些实施例中，对具有上述用户长尾标签的上述用户交互序列进行无监督对比学习，获得上述用户交互增强向量特征，如图2所示，包括：

S211：将上述用户交互序列的部分数据元素替换为上述房源属性数据，获得第一用户交互增强学习序列。

S212：在上述用户交互序列中数据元素的一个或多个指定位置***上述房源属性数据，获得第二用户交互增强学习序列。

S213：使用深度兴趣网络对上述第一用户交互增强学习序列和上述第二用户交互增强学习序列，分别提取向量特征，获得第一用户交互增强学习向量和第二用户交互增强学习向量。

S214：对上述第一用户交互增强学习向量和上述第二用户交互增强学习向量进行无监督对比学习，获得上述用户交互增强向量特征。

具体地，无监督学习最大的好处在于不需要对数据进行标记，因此可以节省大量的人力以及资源，同时，相比于有监督学习所标记的有限的标签，无监督学习能够学习到的特征更加拥有适应性以及丰富性。对比学习属于无监督学习的一种.无监督学习是指通过无标签数据学习数据的特征，由于没有标签，因此，学习的手段多种多样，包括聚类、降维等。对比学习就是通过对比的手段学习数据的特征，从而完成给定的任务。对比学习的核心思想在于数据的区别，也就是让区别小的数据即相似的数据在特征空间更加接近，让区别大的数据即不相似的数据在特征空间更加远离，这样就能够很好地区分不同的数据。

在一些实施例中，将上述用户属性数据和上述用户交互序列输入至房源推荐模型的用户分支，获得用户向量特征，如图3所示，包括

S311：提取对应于用户属性数据的用户属性向量特征。

S312：依据上述用户属性向量特征和上述用户交互增强向量特征，获得上述用户向量特征。

S313：依据infoNCE Loss函数，确定上述房源推荐模型的上述用户分支的损失函数。

在一些实施例中，对具有上述房源长尾标签的上述房源交互序列进行无监督对比学习，获得上述房源增强向量特征，如图4所示，包括：

S411：将上述房源数据的部分数据元素进行掩膜操作，获得第一房源增强学习序列。

S412：将上述房源数据的部分数据元素进行删除操作，获得第二房源增强学习序列。

S413：使用深度兴趣网络对上述第一房源增强学习序列和上述第二房源增强学习序列，分别提取向量特征，获得第一房源增强学习向量和第二房源增强学习向量。

S414：对上述第一房源增强学习向量和上述第二房源增强学习向量进行无监督对比学习，获得上述房源增强向量特征。

在一些实施例中，将上述房源属性数据和上述房源交互序列输入至房源推荐模型的用户分支，获得房源向量特征，如图5所示，包括：

S511：分别提取对应于上述房源属性数据和上述房源交互数据的房源属性向量特征和房源交互向量特征。

S512：依据上述房源属性向量特征、上述房源交互向量特征和上述房源增强向量特征，获得上述房源向量特征。

S513：依据infoNCE Loss函数，确定上述房源推荐模型的上述房源分支的损失函数。

具体地，依据上述房源属性向量特征、上述房源交互向量特征和上述房源增强向量特征，获得上述房源向量特征，包括：对相应的特征利用哈希编码转换，映射到向量空间，获得上述房源向量特征。

在一些实施例中，上述房源推荐模型基于双塔结构模型进行构建。

在一些实施例中，依据上述用户向量特征和上述房源向量特征的匹配度，获得房源推荐结果，如图6所示，包括：

S611：依据预设相似度度量，获取上述用户向量特征和上述房源向量特征的匹配程度。

S612：依据上述匹配程度，获得上述房源推荐结果。

S613：依据上述用户分支的损失函数、上述房源分支的损失函数和双塔结构模型的损失函数，确定上述房源推荐模型的目标损失函数。

本申请实施例通过获取用户属性数据、用户交互序列和房源数据；将用户属性数据和用户交互序列输入至房源推荐模型的用户分支，获得用户向量特征；其中用户向量特征包括通过对具有用户长尾标签的用户交互序列进行无监督对比学习获得的用户交互增强向量特征，；将房源数据输入至房源推荐模型的房源分支，获得房源向量特征；其中房源向量特征包括通过对具有房源长尾标签的房源数据进行无监督对比学习获得的房源增强向量特征；依据用户向量特征和房源向量特征的匹配度，获得房源推荐结果。本申请同时从长尾用户和长尾房源解决了房源推荐的长尾问题，提高了房源推荐结果准确性。

上述所有可选技术方案，可以采用任意结合形成本申请的可选实施例，在此不再一一赘述。

下述为本申请装置实施例，可以用于执行本申请方法实施例。对于本申请***实施例中未披露的细节，请参照本申请方法实施例。

图7是本申请实施例提供的一种基于对比学习增强的房源推荐装置的示意图。如图7所示，该基于对比学习增强的房源推荐装置包括：

输入数据获取模块701，被配置为获取用户属性数据、用户交互序列和房源数据；其中，上述用户交互序列包括表征用户交互序列分布的用户长尾标签，上述房源数据包括表征房源交互序列分布的房源长尾标签；

用户特征获取模块702，被配置为将上述用户属性数据和上述用户交互序列输入至房源推荐模型的用户分支，获得用户向量特征；其中上述用户向量特征包括用户交互增强向量特征，上述用户交互增强向量特征通过对具有上述用户长尾标签的上述用户交互序列进行无监督对比学习获得；

房源特征获取模块703，被配置为将上述房源数据输入至房源推荐模型的房源分支，获得房源向量特征；其中上述房源向量特征包括房源增强向量特征，上述房源增强向量特征通过对具有上述房源长尾标签的上述房源数据进行无监督对比学习获得；

房源推荐结果获取模块704，被配置为依据上述用户向量特征和上述房源向量特征的匹配度，获得房源推荐结果。

应理解，本说明书实施例的一种基于对比学习增强的房源推荐装置还可执行图1至图6中基于对比学习增强的房源推荐装置执行的方法，并实现基于对比学习增强的房源推荐装置在图1至图6所示实例的功能，在此不再赘述。同时，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。

图8是本申请实施例提供的电子设备8的示意图。如图8所示，该实施例的电子设备8包括：处理器801、存储器802以及存储在该存储器802中并且可在处理器801上运行的计算机程序803。处理器801执行计算机程序803时实现上述各个方法实施例中的步骤。或者，处理器801执行计算机程序803时实现上述各装置实施例中各模块/单元的功能。

电子设备8可以是桌上型计算机、笔记本、掌上电脑及云端服务器等电子设备。电子设备8可以包括但不仅限于处理器801和存储器802。本领域技术人员可以理解，图8仅仅是电子设备8的示例，并不构成对电子设备8的限定，可以包括比图示更多或更少的部件，或者不同的部件。

存储器802可以是电子设备8的内部存储单元，例如，电子设备8的硬盘或内存。存储器802也可以是电子设备8的外部存储设备，例如，电子设备8上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。存储器802还可以既包括电子设备8的内部存储单元也包括外部存储设备。存储器802用于存储计算机程序以及电子设备所需的其它程序和数据。

处理器801可以是中央处理单元(Central Processing Unit，CPU)，也可以是其它通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。处理器801从非易失性存储器中读取对应的计算机程序到内存中然后运行，在逻辑层面上形成共享资源访问控制装置。处理器，执行存储器所存放的程序，并具体用于执行以下操作：

获取用户属性数据、用户交互序列和房源数据；其中，上述用户交互序列包括表征用户交互序列分布的用户长尾标签，上述房源数据包括表征房源交互序列分布的房源长尾标签；

将上述用户属性数据和上述用户交互序列输入至房源推荐模型的用户分支，获得用户向量特征；其中上述用户向量特征包括用户交互增强向量特征，上述用户交互增强向量特征通过对具有上述用户长尾标签的上述用户交互序列进行无监督对比学习获得；

将上述房源数据输入至房源推荐模型的房源分支，获得房源向量特征；其中上述房源向量特征包括房源增强向量特征，上述房源增强向量特征通过对具有上述房源长尾标签的上述房源数据进行无监督对比学习获得；

依据上述用户向量特征和上述房源向量特征的匹配度，获得房源推荐结果。

上述如本说明书图1至图6所示实施例揭示的基于对比学习增强的房源推荐方法可以应用于处理器801中，或者由处理器801实现。处理器801可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以实现或者执行本说明书实施例中公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本说明书实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。

当然，除了软件实现方式之外，本说明书实施例的电子设备并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，计算机程序可以存储在计算机可读存储介质中，该计算机程序在被处理器执行时，可以实现上述各个方法实施例的步骤。计算机程序可以包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、电载波信号、电信信号以及软件分发介质等。需要说明的是，计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如，在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。

本说明书实施例还提出了一种计算机可读存储介质，该计算机可读存储介质存储一个或多个程序，该一个或多个程序包括指令，该指令当被包括多个应用程序的便携式电子设备执行时，能够使该便携式电子设备执行图1至图6所示实施例的基于无监督对比学习增强的房源推荐方法，并具体用于执行以下方法：

获取用户属性数据、用户交互序列和房源数据；其中，上述用户交互序列包括表征用户交互序列分布的用户长尾标签，上述房源数据包括表征房源交互序列分布的房源长尾标签；

将上述用户属性数据和上述用户交互序列输入至房源推荐模型的用户分支，获得用户向量特征；其中上述用户向量特征包括用户交互增强向量特征，上述用户交互增强向量特征通过对具有上述用户长尾标签的上述用户交互序列进行无监督对比学习获得；

将上述房源数据输入至房源推荐模型的房源分支，获得房源向量特征；其中上述房源向量特征包括房源增强向量特征，上述房源增强向量特征通过对具有上述房源长尾标签的上述房源数据进行无监督对比学习获得；

依据上述用户向量特征和上述房源向量特征的匹配度，获得房源推荐结果。

总之，以上该仅为本说明书的较佳实施例而已，并非用于限定本说明书的保护范围。凡在本说明书的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本说明书的保护范围之内。

上述实施例阐明的***、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，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、商品或者设备不仅包括那些要素，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、商品或者设备所固有的要素。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、商品或者设备中还存在另外的相同要素。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于***实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (10)

1.一种基于对比学习增强的房源推荐方法，其特征在于，包括：

获取用户属性数据、用户交互序列和房源数据；其中，所述用户交互序列包括表征用户交互序列分布的用户长尾标签，所述房源数据包括表征房源交互序列分布的房源长尾标签；

将所述用户属性数据和所述用户交互序列输入至房源推荐模型的用户分支，获得用户向量特征；其中，所述用户向量特征包括用户交互增强向量特征，所述用户交互增强向量特征通过对具有所述用户长尾标签的所述用户交互序列进行无监督对比学习获得；

将所述房源数据输入至房源推荐模型的房源分支，获得房源向量特征；其中，所述房源向量特征包括房源增强向量特征，所述房源增强向量特征通过对具有所述房源长尾标签的所述房源数据进行无监督对比学习获得；

依据所述用户向量特征和所述房源向量特征的匹配度，获得房源推荐结果。

2.根据权利要求1所述的方法，其特征在于，所述用户属性数据包括用户基础数据和用户偏好数据；和/或，所述用户交互序列还包括用户线上行为数据和用户线下行为数据；和/或，所述房源数据包括房源属性数据和房源交互数据。

3.根据权利要求2所述的方法，其特征在于，对具有所述用户长尾标签的所述用户交互序列进行无监督对比学习，获得所述用户交互增强向量特征，包括：

将所述用户交互序列的部分数据元素替换为所述房源属性数据，获得第一用户交互增强学习序列；

在所述用户交互序列中数据元素的一个或多个指定位置***所述房源属性数据，获得第二用户交互增强学习序列；

使用深度兴趣网络对所述第一用户交互增强学习序列和所述第二用户交互增强学习序列，分别提取向量特征，获得第一用户交互增强学习向量和第二用户交互增强学习向量；

对所述第一用户交互增强学习向量和所述第二用户交互增强学习向量进行无监督对比学习，获得所述用户交互增强向量特征。

4.根据权利要求3所述的方法，其特征在于，将所述用户属性数据和所述用户交互序列输入至房源推荐模型的用户分支，获得用户向量特征，包括

提取对应于用户属性数据的用户属性向量特征；

依据所述用户属性向量特征和所述用户交互增强向量特征，获得所述用户向量特征；

依据infoNCELoss函数，确定所述房源推荐模型的所述用户分支的损失函数。

5.根据权利要求2所述的方法，其特征在于，对具有所述房源长尾标签的所述房源交互序列进行无监督对比学习，获得所述房源增强向量特征，包括：

将所述房源数据的部分数据元素进行掩膜操作，获得第一房源增强学习序列；

将所述房源数据的部分数据元素进行删除操作，获得第二房源增强学习序列；

使用深度兴趣网络对所述第一房源增强学习序列和所述第二房源增强学习序列，分别提取向量特征，获得第一房源增强学习向量和第二房源增强学习向量；

对所述第一房源增强学习向量和所述第二房源增强学习向量进行无监督对比学习，获得所述房源增强向量特征。

6.根据权利要求5所述的方法，其特征在于，将所述房源属性数据和所述房源交互序列输入至房源推荐模型的用户分支，获得房源向量特征，包括：

分别提取对应于所述房源属性数据和所述房源交互数据的房源属性向量特征和房源交互向量特征；

依据所述房源属性向量特征、所述房源交互向量特征和所述房源增强向量特征，获得所述房源向量特征；

依据infoNCELoss函数，确定所述房源推荐模型的所述房源分支的损失函数。

7.根据权利要求1所述的方法，其特征在于，所述房源推荐模型基于双塔结构模型进行构建；以及，依据所述用户向量特征和所述房源向量特征的匹配度，获得房源推荐结果，包括：

依据预设相似度度量，获取所述用户向量特征和所述房源向量特征的匹配程度；

依据所述匹配程度，获得所述房源推荐结果；

依据所述用户分支的损失函数、所述房源分支的损失函数和双塔结构模型的损失函数，确定所述房源推荐模型的目标损失函数。

8.一种基于对比学习增强的房源推荐装置，其特征在于，包括：

输入数据获取模块，被配置为获取用户属性数据、用户交互序列和房源数据；其中，所述用户交互序列包括表征用户交互序列分布的用户长尾标签，所述房源数据包括表征房源交互序列分布的房源长尾标签；

用户特征获取模块，被配置为将所述用户属性数据和所述用户交互序列输入至房源推荐模型的用户分支，获得用户向量特征；其中所述用户向量特征包括用户交互增强向量特征，所述用户交互增强向量特征通过对具有所述用户长尾标签的所述用户交互序列进行无监督对比学习获得；

房源特征获取模块，被配置为将所述房源数据输入至房源推荐模型的房源分支，获得房源向量特征；其中所述房源向量特征包括房源增强向量特征，所述房源增强向量特征通过对具有所述房源长尾标签的所述房源数据进行无监督对比学习获得；

房源推荐结果获取模块，被配置为依据所述用户向量特征和所述房源向量特征的匹配度，获得房源推荐结果。

9.一种电子设备，包括存储器、处理器以及存储在所述存储器中并且可在所述处理器上运行的计算机程序，其特征在于，所述处理器在执行所述计算机程序时，实现如权利要求1至7中任一项所述方法的步骤。

10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述方法的步骤。