[發明專利]潛在成交房源篩選方法、裝置、設備及可讀存儲介質

在審

• 申請號: 201810043521.3
• 申請日: 2018-01-17
• 公開（公告）號: CN108230039A
• 公開（公告）日: 2018-06-29
• 發明（設計）人: 鄭來良
• 申請（專利權）人: 平安好房（上海）電子商務有限公司
• 主分類號: G06Q30/02
• 分類號: G06Q30/02;G06Q30/06;G06Q50/16
• 代理公司: 深圳市世紀恒程知識產權代理事務所 44287
• 代理人: 胡海國

1.一種潛在成交房源篩選方法，其特征在于，所述潛在成交房源篩選方法包括：

獲取房源成交數據，基于該房源成交數據提取房源篩選的特征因子；

基于所述特征因子與所述房源成交數據，建立樣本數據，并對所述樣本數據進行拆分處理，以獲取訓練樣本數據和測試樣本數據；

基于該訓練樣本數據和測試樣本數據訓練潛在成交房源篩選模型，以確定潛在成交房源篩選的目標模型，以基于所述目標模型篩選潛在成交房源。

2.如權利要求1所述的潛在成交房源篩選方法，其特征在于，所述基于所述特征因子與所述房源成交數據，建立樣本數據步驟包括：

獲取各個特征因子的數據規則，逐一對所述房源成交數據進行數據清洗、合并、完整性驗證處理；

將經所述清洗、合并、完整性驗證處理后的房源成交數據轉化為數值數據，將所述數值數據作為樣本數據。

3.如權利要求1所述的潛在成交房源篩選方法，其特征在于，所述對所述樣本數據進行拆分處理，以獲取訓練樣本數據和測試樣本數據步驟包括：

獲取所述樣本數據的拆分規則，基于該拆分規則獲取訓練樣本數據和測試樣本數據，其中，所述拆分規則包括所述訓練樣本數據多于測試樣本數據，所述訓練樣本數據與測試樣本數據中均含有成交房源數據與未成交房源數據；

對訓練樣本數據和測試樣本數據進行歸一化處理。

4.如權利要求1-3任一項所述的潛在成交房源篩選方法，其特征在于，所述基于該訓練樣本數據和測試樣本數據訓練潛在成交房源篩選模型，以確定潛在成交房源篩選的目標模型步驟包括：

獲取預存的潛在成交房源篩選模型，基于訓練樣本數據訓練所述潛在成交房源篩選模型，以得到預測模型；

基于所述測試樣本數據測試所述預測模型，以得到測試結果，基于該測試結果確定目標模型。

5.如權利要求4所述的潛在成交房源篩選方法，其特征在于，所述潛在成交房源篩選模型中包括待調整參數，所述待調整參數包括決策樹數量，

所述基于訓練樣本數據訓練所述潛在成交房源篩選模型，以得到預測模型步驟包括：

通過網格搜索各個決策樹數量，并基于網格搜索的各個決策樹數量與訓練樣本數據，訓練所述潛在成交房源篩選模型，以得到各個訓練結果；

基于所述各個訓練結果，從各個決策樹數量中確定目標決策樹數量；

基于所述目標決策樹，調整潛在成交房源篩選模型的決策樹數量，以得到預測模型。

6.如權利要求5所述的潛在成交房源篩選方法，其特征在于，所述基于所述測試樣本數據測試所述預測模型，以得到測試結果，基于該測試結果確定目標模型步驟包括：

獲取所述目標決策樹的最大深度步數，并基于該最大深度步數、所述最大深度步數中各個步數對應的各個數據節點，獲取各個最小葉子節點的數據；

通過網格搜索所述各個最小葉子節點的數據，以確定目標迭代深度步數；

基于所述迭目標迭代深度步數與目標決策樹數量，調整潛在成交房源篩選模型的迭代深度步數與目標決策樹數量，以獲取參數調整后的調整模型；

基于所述測試樣本數據測試所述調整模型，判斷所述調整模型是否收斂，當收斂時，該調整模型即為目標模型。

7.如權利要求5所述的潛在成交房源篩選方法，其特征在于，所述通過網格搜索各個決策樹數量，并基于網格搜索的各個決策樹數量與訓練樣本數據，訓練所述潛在成交房源篩選模型，以得到各個訓練結果步驟包括:

通過網格搜索各個決策樹數量，以獲取各個決策樹數量對應的各個信息熵，其中，信息熵由公式確定，P(i)為事件發生的概率；

基于信息熵的大小從高至低選取預設個數的決策樹數量，并基于該預設個數的決策樹數量與訓練樣本數據，訓練所述潛在成交房源篩選模型，以得到各個訓練結果。