使用匹配分数演变个性化建议

拍摄者罗斯乔克斯uns

对于大多数买家来说,寻找一个梦想家是一个艰巨的任务。在Realtor.com,我们使用称为“匹配分数”的系统帮助用户在旅程中,从用户的角度来看,评估任何家庭的相对重要性。用户的匹配得分是从用户搜索历史推断出来的各种功能,例如平均房屋价格,床,浴室和批量平方英尺。由于用户与Realtor.com上的Homes进行交互,因此分数是实时计算的,这将估计用户对特定家庭的偏好。

匹配分数是一款通用个性化模型,可用于个性化网站的许多方面。例如,类似的家庭是Realtor.com上突出的机器学习模块,使用户能够找到与他们正在寻找的房屋类似的家庭。类似的家庭机器学习模型推荐类似房屋现在将为每个用户使用匹配分数个性化。匹配分数还将推动通知系统对每个用户的潜在候选家庭排名。

您可能希望收到市场上个性化最佳家园的通知!

机器学习项目的生命周期始终迭代以收集数据,火车和服务模型。在这个博客文章中,我们描述了最终的设计和实施匹配分数,沿途面临的挑战。

继续阅读 “使用匹配分数演变个性化建议”

个性化推荐的家庭

房地产个性化服务在家庭购买经验的不同阶段提供个性化房地产内容。提供无摩擦的家庭购买经验,我们设计了个性化推荐的家庭服务.

当用户通过单击找到一个有趣的家庭时,推荐的主机使他们能够通过了解用户来探索相关的新主页列表’最后搜索,历史和兴趣。这将帮助用户探索更多相关的新列表,而无需返回搜索页面。

向用户推荐新房是一个具有挑战性的问题。访问Realtor.com的许多用户是新用户或没有注册帐户的新家庭买家,他们没有以前的搜索历史记录。这种情况导致了冷启动问题对于许多智能系统,我们将在后面的部分中讨论更多。为避免此问题,我们使用类似的家庭模块应用混合方法并倒置逻辑,以提供有用的信息,并改善个性化的购房体验。

在这篇文章中,我们将讨论我们在Realtor.com上提供推荐的家庭服务的解决方案。我们使用机器学习技术,尤其是协同过滤,了解有关用户行为的更多信息。我们的目标是在使用Realtor.com找到一个家庭购买者的个性化内容。

继续阅读 “个性化推荐的家庭”

用户行为配置文件作为ML特征存储中的构建块

房地产个性化服务为家庭购买经验的不同阶段提供个性化房地产内容。个性化服务的主要步骤之一是了解客户。

机器学习(ML)在构建个性化服务方面发挥着重要作用。我们在不同的组件中使用许多ML模型,例如个性化建议,个性化搜索和智能标记来命名几个。

开发任何ML应用程序和模型中最重要的步骤之一是特征工程。这一步在高质量的结果中起着重要作用。在此阶段,将原始数据清除并转换为ML模型可以理解的功能。高质量的功能意味着业务在客户参与和货币化等不同阶段获得更好的结果。

任何个性化服务中使用的基本功能之一是与用户相关的行为功能。这类功能是在Realtor.com的用户与我们的服务互动的演示。在这篇文章中,我们将解释我们在不同型号中使用的重要特征和行为。这是特征存储中最重要的组件之一,我们收集并管理不同个性化服务的重要消费类功能。

继续阅读 “用户行为配置文件作为ML特征存储中的构建块”

预测家庭买家阶段

市场研究表明了这一点70%新数据产品失败或错过了他们的收入。主要原因是他们未能理解他们的消费者并希望遵循适合所有方法。

个性化是解决这个问题的关键元素。研究表明〜60%消费者经历个性化同意它对他们的参与和决定产生了很高的影响。

在这篇文章中,我们讨论了消费者细分的解决方案realtor.com.。我们的方法主要是基于消费者旅程细分。在这种方法中,我们的目标是了解我们消费者所在的家庭购买过程的哪个阶段。通过了解我们的消费阶段,我们可以为他们提供更个性化的服务,例如更好的建议,个性化内容,并运行最佳营销活动来命名一些。要执行此分割,我们预测基于的消费阶段他们的 历史互动跟我们网站内容。我们使用机器学习来预测消费者阶段。

继续阅读 “预测家庭买家阶段”

房地产个性化:类似的家园

房地产个性化服务为家庭购买经验的不同阶段提供个性化房地产内容。提供无摩擦的家庭购买经验,我们设计了类似的家庭模块。

当用户通过初始搜索找到有趣的家庭并单击它时,类似的HOMES模块使它们能够探索类似的列表,而无需对用户有任何信息。这将帮助用户探索更多类似的清单,而无需返回搜索页面。

继续阅读 “房地产个性化:类似的家园”