本發明涉及信息和推薦，尤其涉及一種空間內容推薦方法、裝置、設備及存儲介質。

背景技術：

1、空間內容是指辦公空間的內容，通過對空間內容的全面了解和深入分析，用戶能夠更準確地評估不同辦公空間的優劣，從而選擇出最適合自身發展需求的地點。一個理想的辦公空間不僅能夠提升企業形象，還能促進員工工作效率，優化業務流程，甚至對吸引人才和合作伙伴產生積極影響。

2、然而，現有空間內容的推薦過程繁瑣，不利于提高空間內容的推薦效率。其原因在于，現有技術主要采用人工推薦的方式，推薦空間內容，而人工推薦的方式會耗費大量的人力資源和時間資源，增加了空間內容的推薦時間，且容易受到人工干預的影響，因此，不利于提高空間內容的推薦效率。

技術實現思路

1、本發明提供一種空間內容推薦方法、裝置、計算機設備及存儲介質，以解決現有空間內容的推薦過程繁瑣，不利于提高空間內容的推薦效率的技術問題。

2、第一方面，提供了一種空間內容推薦方法，包括：

3、獲取辦公空間的園區信息、樓棟信息、樓層信息、房屋類型以及租賃類型，將辦公空間的園區信息、樓棟信息、樓層信息、房屋類型以及租賃類型進行整合，得到空間內容；

4、獲取用戶與所述空間內容之間的交互數據；

5、根據所述交互數據構建交互矩陣，將所述交互矩陣分解成用戶特征矩陣和空間內容特征矩陣；

6、使用lstm模型對所述用戶特征矩陣進行處理，得到所述用戶特征矩陣對應的特征向量，選取用戶特征矩陣對應的特征向量作為用戶特征向量，使用lstm模型對所述空間內容特征矩陣進行處理，得到所述空間內容特征矩陣對應的特征向量；

7、獲取所述用戶的企業數據，獲取所述企業數據對應的特征向量，將所述企業數據對應的特征向量和所述空間內容特征矩陣對應的特征向量進行拼接，得到空間內容特征向量；

8、計算所述用戶特征向量與所述空間內容特征向量的點積，選取所述點積作為所述空間內容的推薦得分，對每個所述空間內容的推薦得分進行排序，選取排序前m位的所述空間內容作為所述用戶的推薦結果。

9、進一步地，所述獲取用戶與所述空間內容之間的交互數據，包括：

10、顯示所述空間內容，讀取預設的收集指令；

11、執行所述收集指令，收集用戶與所述空間內容之間的交互數據。

12、進一步地，所述根據所述交互數據構建交互矩陣，將所述交互矩陣分解成用戶特征矩陣和空間內容特征矩陣，包括：

13、讀取預設文件中的奇異值分解算法；

14、使用所述奇異值分解算法，將所述交互矩陣分解成用戶特征矩陣和空間內容特征矩陣。

15、進一步地，所述使用lstm模型對所述用戶特征矩陣進行處理，得到所述用戶特征矩陣對應的特征向量，選取用戶特征矩陣對應的特征向量作為用戶特征向量，使用lstm模型對所述空間內容特征矩陣進行處理，得到所述空間內容特征矩陣對應的特征向量，包括：

16、將所述用戶特征矩陣和空間內容特征矩陣輸入預設的lstm模型；

17、使用lstm模型對所述用戶特征矩陣進行處理，得到所述用戶特征矩陣對應的特征向量，選取用戶特征矩陣對應的特征向量作為用戶特征向量，使用lstm模型對所述空間內容特征矩陣進行處理，得到所述空間內容特征矩陣對應的特征向量。

18、進一步地，所述獲取所述用戶的企業數據，獲取所述企業數據對應的特征向量，將所述企業數據對應的特征向量和所述空間內容特征矩陣對應的特征向量進行拼接，得到空間內容特征向量，包括：

19、獲取所述用戶提交的工商數據、司法數據、經營數據，將工商數據、司法數據、經營數據組合成所述用戶的企業數據，從所述企業數據中提取關鍵詞和標簽，對關鍵詞和標簽進行特征提取，得到關鍵詞的特征向量和標簽的特征向量；

20、將關鍵詞的特征向量和標簽的特征向量進行拼接，得到所述企業數據對應的特征向量，將所述企業數據對應的特征向量和所述空間內容特征矩陣對應的特征向量進行拼接，得到空間內容特征向量。

21、進一步地，所述計算所述用戶特征向量與所述空間內容特征向量的點積，選取所述點積作為所述空間內容的推薦得分，對每個所述空間內容的推薦得分進行排序，選取排序前m位的所述空間內容作為所述用戶的推薦結果，包括：

22、計算所述用戶特征向量與所述空間內容特征向量的點積，選取所述點積作為所述空間內容的推薦得分；

23、按從大到小的順序，對每個所述空間內容的推薦得分進行排序，選取排序前10位的所述空間內容作為所述用戶的推薦結果。

24、進一步地，在所述計算所述用戶特征向量與所述空間內容特征向量的點積，選取所述點積作為所述空間內容的推薦得分，對每個所述空間內容的推薦得分進行排序，選取排序前m位的所述空間內容作為所述用戶的推薦結果之后，所述空間內容推薦方法，包括：

25、獲取所述用戶的推薦界面，在所述推薦界面上顯示所述推薦結果。

26、第二方面，提供了一種空間內容推薦裝置，包括：

27、第一獲取模塊，用于獲取辦公空間的園區信息、樓棟信息、樓層信息、房屋類型以及租賃類型，將辦公空間的園區信息、樓棟信息、樓層信息、房屋類型以及租賃類型進行整合，得到空間內容；

28、第二獲取模塊，用于獲取用戶與所述空間內容之間的交互數據；

29、分解模塊，用于根據所述交互數據構建交互矩陣，將所述交互矩陣分解成用戶特征矩陣和空間內容特征矩陣；

30、處理模塊，用于使用lstm模型對所述用戶特征矩陣進行處理，得到所述用戶特征矩陣對應的特征向量，選取用戶特征矩陣對應的特征向量作為用戶特征向量，使用lstm模型對所述空間內容特征矩陣進行處理，得到所述空間內容特征矩陣對應的特征向量；

31、第三獲取模塊，用于獲取所述用戶的企業數據，獲取所述企業數據對應的特征向量，將所述企業數據對應的特征向量和所述空間內容特征矩陣對應的特征向量進行拼接，得到空間內容特征向量；

32、推薦模塊，用于計算所述用戶特征向量與所述空間內容特征向量的點積，選取所述點積作為所述空間內容的推薦得分，對每個所述空間內容的推薦得分進行排序，選取排序前m位的所述空間內容作為所述用戶的推薦結果。

33、第三方面，提供了一種計算機設備，包括存儲器、處理器以及存儲在存儲器中并可在處理器上運行的計算機程序，處理器執行計算機程序時實現上述空間內容推薦方法的步驟。

34、第四方面，提供了一種計算機可讀存儲介質，計算機可讀存儲介質存儲有計算機程序，計算機程序被處理器執行時實現上述空間內容推薦方法的步驟。

35、本技術提供一種空間內容推薦方法、裝置、計算機設備及存儲介質，獲取辦公空間的園區信息、樓棟信息、樓層信息、房屋類型以及租賃類型，將辦公空間的園區信息、樓棟信息、樓層信息、房屋類型以及租賃類型進行整合，得到空間內容；獲取用戶與所述空間內容之間的交互數據；根據所述交互數據構建交互矩陣，將所述交互矩陣分解成用戶特征矩陣和空間內容特征矩陣；使用lstm模型對所述用戶特征矩陣進行處理，得到所述用戶特征矩陣對應的特征向量，選取用戶特征矩陣對應的特征向量作為用戶特征向量，使用lstm模型對所述空間內容特征矩陣進行處理，得到所述空間內容特征矩陣對應的特征向量；獲取所述用戶的企業數據，獲取所述企業數據對應的特征向量，將所述企業數據對應的特征向量和所述空間內容特征矩陣對應的特征向量進行拼接，得到空間內容特征向量；計算所述用戶特征向量與所述空間內容特征向量的點積，選取所述點積作為所述空間內容的推薦得分，對每個所述空間內容的推薦得分進行排序，選取排序前m位的所述空間內容作為所述用戶的推薦結果，有益效果在于兩方面，一方面，計算所述用戶特征向量與所述空間內容特征向量的點積，選取所述點積作為所述空間內容的推薦得分，對每個所述空間內容的推薦得分進行排序，選取排序前m位的所述空間內容作為所述用戶的推薦結果，由于無需人工推薦，因此減少了空間內容的推薦時間，有利于提高空間內容的推薦效率；另一方面，由于自動推薦，不會受到人工干預的影響，因此有利于提升推薦結果的可靠性。