房屋资产等级的确定方法、装置、存储介质和计算机设备

技术领域

本申请涉及数据处理技术领域，特别是涉及一种房屋资产等级的确定方法、装置、存储介质和计算机设备。

背景技术

随着科学技术的发展，人工智能被应用于各行各业，给人们的生产和生活带来了极大的便利。比如，通过人工智能建立用户画像，以使基于用户画像进行的智能推荐更加精准，所推荐的产品更加符合被推用户的品味和喜好。

用户画像包括用户基本属性、喜好偏向、资产属性等，其中，用户基本属性包括年龄、性别、学历等，喜好偏向包括游戏、漫画、购物等，资产属性包括汽车、负债、流水、借贷等，基于构建的用户画像可以准确给不同用户推荐相应的产品信息。

然而，传统的用户画像数据中不包含用户房屋资产，即无法对用户房屋资产进行确定。房屋资产是用户资产的重要组成部分，对用户消费水平的衡量、用户可能的购物偏好，以及借贷偿还能力的评估等都具有重要参考作用。因此，对用户的房屋资产等级进行确定十分必要。

发明内容

基于此，针对上述技术问题，提供一种房屋资产等级的确定方法、装置、存储介质和计算机设备。

一种房屋资产等级的确定方法，所述方法包括：

获取目标用户的常驻地位置以及预设地理区域内各个小区的基准位置信息；

根据所述基准位置信息对所述预设地理区域进行经纬度划分处理，获得小区区块位置数据；

根据所述常驻地位置在所述小区区块位置数据中进行匹配，将匹配的小区区块位置对应的小区作为目标小区；

根据所述目标小区，确定所述目标用户的房屋资产等级。

一种房屋资产等级的确定装置，所述装置包括：

数据获取模块，用于获取目标用户的常驻地位置以及预设地理区域内各个小区的基准位置信息；

小区区块获取模块，用于根据所述基准位置信息对所述预设地理区域进行经纬度划分处理，获得小区区块位置数据；

目标小区获取模块，用于根据所述常驻地位置在所述小区区块位置数据中进行匹配，将匹配的小区区块位置对应的小区作为目标小区；

等级确定模块，用于根据所述目标小区，确定所述目标用户的房屋资产等级。

一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行以下步骤：

获取目标用户的常驻地位置以及预设地理区域内各个小区的基准位置信息；

根据所述基准位置信息对所述预设地理区域进行经纬度划分处理，获得小区区块位置数据；

根据所述常驻地位置在所述小区区块位置数据中进行匹配，将匹配的小区区块位置对应的小区作为目标小区；

根据所述目标小区，确定所述目标用户的房屋资产等级。

一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行以下步骤：

获取目标用户的常驻地位置以及预设地理区域内各个小区的基准位置信息；

根据所述基准位置信息对所述预设地理区域进行经纬度划分处理，获得小区区块位置数据；

根据所述常驻地位置在所述小区区块位置数据中进行匹配，将匹配的小区区块位置对应的小区作为目标小区；

根据所述目标小区，确定所述目标用户的房屋资产等级。

上述房屋资产等级的确定方法、装置、存储介质和计算机设备，通过获取目标用户的常驻地位置以及预设地理区域内各个小区的基准位置信息，根据基准位置信息对预设地理区域进行经纬度划分处理，获得小区区块位置数据，可以避免爬取电子地图的住宅小区轮廓曲线涉及到的数据窃取问题；根据常驻地位置在小区区块位置数据中进行匹配，将匹配的小区区块位置对应的小区作为目标小区；根据目标小区确定目标用户的房屋资产等级，上述方案，通过对用户的常驻地位置以及预设地理区域内各个小区的基准位置信息进行处理，得到目标小区，由此确定目标用户的房屋资产等级，用户的房屋资产等级作为用户画像中资产属性的一个重要组成部分，后续可以基于用户的资产属性构建用户画像，从而支持实现高精准度构建用户画像，因而可以在基于用户购买力推荐产品的场景更加准确给用户推荐合适的产品信息，给用户带来便捷。

附图说明

图1为一个实施例中房屋资产等级的确定方法的应用环境图；

图2为一个实施例中房屋资产等级的确定方法的流程示意图；

图3为一个实施例中用户实时地理位置获取的示意图；

图4为一个实施例中用户的常驻地确定的示意图；

图5为一个实施例中住宅小区地址编码数据获取步骤的流程示意图；

图6为一个实施例中采用改进Geohash算法进行区块划分的示意图；

图7为一个实施例中采用改进Geohash算法对部分地区进行划分，获取到的区块划分效果图；

图8为一个实施例中用户的常驻地与住宅小区的匹配流程示意图；

图9为一个实施例中房屋资产等级的确定装置的结构框图；

图10为一个实施例中计算机设备的结构框图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

图1为一个实施例中房屋资产等级的确定方法的应用环境图。参照图1，房屋资产等级的确定方法应用于房屋资产等级的确定系统。该房屋资产等级的确定系统包括移动终端102和服务器104，移动终端102通过网络与服务器104连接。服务器104获取用户通过移动终端102建立无线网络连接时的联网数据，并基于联网数据进行处理得到用户的常驻地位置。同时，服务器104获取预设地理区域内各个小区的基准位置信息，根据基准位置信息对预设地理区域进行经纬度划分处理，获得小区区块位置数据；根据常驻地位置在小区区块位置数据中进行匹配，将匹配的小区区块位置对应的小区作为目标小区；根据目标小区，确定目标用户的房屋资产等级。其中，移动终端102具体可以是手机、平板电脑、笔记本、台式电脑等，服务器104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。上述应用场景以房屋资产等级的确定方法应用于包括移动终端和服务器的系统进行举例说明，并通过移动终端和服务器的交互实现，可以理解的是，该房屋资产等级的确定方法也可以应用于移动终端，还可以应用于服务器。

如图2所示，在一个实施例中，提供了一种房屋资产等级的确定方法。本实施例主要以该方法应用于上述图1中的服务器104来举例说明。参照图2，该方法具体包括如下步骤：

S202，获取目标用户的常驻地位置以及预设地理区域内各个小区的基准位置信息。

常驻地位置是指预设时间范围内用户停留持续时间最久的区域，比如，一般而言，一天中的夜晚时段用户停留持续时间最长的为住宅。预设地理区域可以是表征全球的区域，也可以表征某个国家或某个城市的区域。基准位置信息是指可以用于标识不同小区的位置信息，具体而言，基准位置信息可以是各个小区的中心位置的经纬度信息。

S204，根据基准位置信息对预设地理区域进行经纬度划分处理，获得小区区块位置数据。

不同住宅小区的小区面积各不相同，有大有小，形状各异。可以通过爬取电子地图的住宅小区轮廓曲线，从而获得小区信息，爬取电子地图的住宅小区轮廓曲线涉及到数据窃取的问题。因此，本申请通过各个小区的基准位置信息，比如单个住宅小区中心位置的经纬度坐标，对预设地理区域进行经纬度划分，从而获得小区区块位置数据。通过改进的Geohash算法，基于住宅小区的地理空间分布不均的特点，通过小区的密集程度迭代地将预设地理区域划分为各个大小不一的区块。

具体地，小区区块位置数据可以是在预设地理区域范围内通过不同的编码来区分各个住宅小区，比如通过Geohash算法进行地址编码，Geohash算法可以实现将二维的空间经纬度数据编码成一个字符串。更为具体地，在对某一个地理坐标A(目标经度，目标纬度)进行编码时，按照初始区间范围计算目标经度和目标纬度的所处区间。比如初始区间具体为纬度[-90°,90°]和经度[- 180°,180°]，计算目标经度和目标纬度分别属于左区间还是右区间，属于左区间则第一位二进制编码取0，属于右区间则第一位二进制编码取1。然后对上一步得到的区间继续按照此方法对半查找，得到下一位二进制编码。当编码长度达到预设的业务进度需求时，根据偶数位存放经度，奇数位存放纬度的规则，将得到的二进制编码穿插组合，得到一个新的二进制串。最后，根据Base32的对照表，将得到的二进制串翻译成字符串，即得到地理坐标A对应的目标Geohash字符串。

S206，根据常驻地位置在小区区块位置数据中进行匹配，将匹配的小区区块位置对应的小区作为目标小区。

以某个具体的经纬度作为常驻地位置的具体表征形式为例，小区区块位置数据包括预设区域范围内以不同的编码表征的各个住宅小区。比如，某个城市的经度范围[X1,X2]，纬度范围[Y1,Y2]，根据该城市各个住宅小区的中心位置经纬度，对该城市进行经纬度划分处理，得到该城市的小区区块位置数据。小区区块位置数据的具体表现可以是将各个住宅小区按照小区地址进行编码，得到住宅小区编码数据，比如该城市的住宅小区包括小区A、小区B和小区C，其中，小区A的地理位置坐标范围为纬度[-30°,-25°]和经度[-60°,-55°]，小区B 的地理位置坐标范围为纬度[-90°,-82°]和经度[152°,160°]，小区C的地理位置坐标范围为纬度[-45°,-40°]和经度[-20°,-10°]。目标用户的常驻地位置的经纬度为[-26°15′,-56°40′]，分别将常驻地位置中的经度和纬度在住宅小区编码数据中进行匹配，得到该常驻地对应的目标小区为小区A。

S208，根据目标小区，确定目标用户的房屋资产等级。

在确定目标用户的常驻地位置对应的目标小区之后，获取该小区对应的价值信息，比如房价信息，具体地，如小区A房价的均价2万，小区B房价的均价 5万，小区C房价的均价5千。根据目标小区对应的价值信息以及预设的房屋资产等级划分规则，得到目标小区的房屋资产数据。房屋资产等级划分规则是指用于表征房屋价值与房屋资产等级之间的对应关系，比如根据小区的房价输出对应的房屋资产等级。一般而言，不同地区的房价相差很大，因此，不同地区适用不同的房屋资产等级划分规则。比如某一线城市的平均房价6万-7万，另一线城市的平均房价3万-4万，同属一线城市平均房价相差近两倍，非一线城市的平均房价相差更大。无论是按照房价统一划分房屋资产等级，还是按照城市等级划分房屋资产等级都是不合理的，因此，预先获取不同地区与不同的房屋资产等级划分规则之间的对应关系。

虽然每个城市的房价千差万别，但是各个城市的房价往往遵循类似正态分布的规律，因此，可以将每个城市的房价按照预设的分位数分为不同的等级，比如按照0.1、0.4、0.8和0.95分位数分为5个等级，分别对应廉价住房、普通住房、中档住房、高级住房和豪宅。首先获取目标小区所属城市，然后根据所属城市在各个城市对应的房屋资产等级划分规则中查找，得到目标小区所属城市对应的房屋资产等级划分规则。最后，根据目标小区的房价信息以及查找获得的房屋资产等级划分规则，确定目标小区的房屋资产等级，可以将目标小区的房屋资产等级作为目标用户的房屋资产数据，根据获取到的房屋资产数据，构建目标用户的用户画像，为后续的产品推荐和用户信誉评估提供基础。

上述房屋资产等级的确定方法，通过获取目标用户的常驻地位置以及预设地理区域内各个小区的基准位置信息，根据基准位置信息对预设地理区域进行经纬度划分处理，获得小区区块位置数据，可以避免爬取电子地图的住宅小区轮廓曲线涉及到的数据窃取问题；根据常驻地位置在小区区块位置数据中进行匹配，将匹配的小区区块位置对应的小区作为目标小区；根据目标小区确定目标用户的房屋资产等级，上述方案，通过对用户的常驻地位置以及预设地理区域内各个小区的基准位置信息进行处理，得到目标小区，由此确定目标用户的房屋资产等级，用户的房屋资产等级作为用户画像中资产属性的一个重要组成部分，后续可以基于用户的资产属性构建用户画像，从而支持实现高精准度构建用户画像，因而可以在基于用户购买力推荐产品的场景更加准确给用户推荐合适的产品信息，给用户带来便捷。

在一个实施例中，获取目标用户的常驻地位置包括：获取目标用户建立无线网络连接时的联网数据；提取联网数据中携带的允许接入的无线网络的位置数据，根据位置数据确定目标用户的实时地理位置；根据预设时间内目标用户的实时地理位置，生成目标用户的活动轨迹；对目标用户的活动轨迹进行聚类处理，确定目标用户的常驻地位置。无线网络连接是指使用WiFi、4G等无线技术建立设备之间的通讯链路，为设备之间的数据通讯提供基础，实现无线网络连接的设备包括无线路由器、蜂窝设备等。提取目标用户建立无线网络连接时的联网数据，联网数据中携带允许接入的无线网络的位置数据，可以基于无线网络信号强度对允许接入的无线网络进行排序，获取预设排序名次的允许接入的无线网络的位置数据，并由此确定目标用户的实时地理位置。以WiFi热点为例，WiFi热点在日常生活中随处可见，因而可以利用用户每次连接WiFi热点时用户终端上报的周围预设范围内的WiFi热点以及WiFi热点对应的位置，确定用户的实时地理位置，用户的实时地理位置即为周围预设范围内WiFi热点对应的经纬度的平均值。如图3所示，用户通过移动终端连接无线网络时，移动终端检测到预设距离范围内的网络热点及其信号强度。以移动终端检测到的信号强度排序前五的五个WiFi热点为例，获取检测到的五个WiFi热点对应的经纬度信息，具体地，热点1对应的经纬度为(Lat1，lng1)，热点2对应的经纬度为(Lat2，lng2)，热点3对应的经纬度为(Lat3，lng3)，热点4对应的经纬度为(Lat4，lng4)，热点5对应的经纬度为(Lat5，lng5)。计算上述五个热点对应的经纬度的平均值，得到用户的实时地理位置为(Lat，lng)，其中，

在一个实施例中，对目标用户的活动轨迹进行聚类处理，确定目标用户的常驻地位置包括：对目标用户的活动轨迹中的每个位置点进行数据编码划分处理，获得多个编码块；对每个编码块内的多个位置点进行合并，获得合并位置点，分别对各个合并位置点进行聚类处理，得到多个聚类中心；对多个聚类中心进行过滤处理，根据过滤后的聚类中心以及聚类中心对应的时间确定目标用户的常驻地位置。用户的活动轨迹中包括多个轨迹点，比如，获取用户一天的活动轨迹，每分钟获取一次用户的实时地理位置作为一个轨迹点，那么用户一天的活动轨迹包括1140个轨迹点。而在活动轨迹中的轨迹点数量较多时，直接对其进行聚类需要消耗大量计算资源和时间。因此，为了加速计算和减少内存消耗，首先对活动轨迹中的每个轨迹点使用Geohash算法对其进行编码，以实现数据的划分，得到多个Geohash编码块。然后，合并每个geohash编码块内的多个轨迹点，得到一个合并后的点，再对合并后的点进行聚类，比如通过DBSCAN(Density-Based Spatial Clustering ofApplications with Noise，具有噪声的基于密度的聚类方法)对合并后的点进行聚类，得到用户预设时间段内的多个聚类中心，过滤数据量小于预设值的聚类中心，得到过滤处理后的聚类中心，其中，在一天中长时间分布于夜间时段的聚类中心即为用户住宅所在地，比如将分布于夜间时间段大于6小时的聚类中心作为用户的常驻地位置。最后，将分布于夜间时段大于预设时长的聚类中心作为用户常驻地位置。一个实施例中用户的常驻地确定流程如图4所示，首先，获取原始数据，即获取用户活动轨迹中的每个位置点，然后对获取到的原始数据进行数据划分，得到多个编码块，分别对每个编码块内的多个位置点合并，获得合并后的点。再对各个编码块内合并后的点进行聚类处理，得到多个聚类中心，去除数据量小于预设值的聚类中心。最后，根据过滤后的聚类中心以及聚类中心对应的时间确定目标用户的常驻地位置，图中最后一幅图最上面的点为夜间时间段大于预设时长的点，该位置点对应的位置即为用户常驻地位置。

在一个实施例中，如图5所示，根据基准位置信息对预设地理区域进行经纬度划分处理，获得小区区块位置数据包括：步骤501，对预设地理区域进行经纬度划分处理，获得多个初始区块；步骤502，根据基准位置信息对多个初始区块进行聚合处理；步骤503，当获得的第一聚合值大于预设值时，对初始区块进行经纬度划分处理，获得细化区块位置数据；步骤504，基于基准位置信息对细化区块位置数据中的区块进行聚合处理；步骤505，当获得的第二聚合值不大于预设值，或者迭代次数大于预设次数时，将细化区块位置数据作为小区区块位置数据。具体地，基于基准位置信息对细化区块数据中的区块进行聚合处理之后，还包括：当获得的第二聚合值大于预设值，且迭代次数不大于预设次数时，以细化区块位置数据中的区块作为初始区块，并进入对初始区块进行经纬度划分处理的步骤。根据基准位置信息对多个初始区块进行聚合处理之后，还包括：当获得的第一聚合值小于或等于预设值时，获取初始区块对应的初始区块位置数据，将初始区块位置数据作为小区区块位置数据。通过基准位置来标识不同的小区，基准位置具体可以是各个小区的中心位置的经纬度。小区覆盖范围是指包含住宅小区的区域，以某城市为例，城市建筑包括公共设施，比如博物馆、美术馆，还包括住宅小区、写字楼、工厂等，对应的小区覆盖范围是指该城市内覆盖住宅小区的区域。一个经度和一个纬度一起可以确定地球上一个地点的精确位置，以全球范围作为预设地理区域为例，对全球地理位置进行初始划分，比如可以将经度范围(0,180°)，纬度范围(-90°，90°)的东全球作为初始划分得到的一个初始块，也可以使用Geohash编码的分块方法将全球地理位置划分为大小相等的若干块。本申请采用改进的Geohash算法进行区块划分，从而实现控制小区区块的最大面积。采用改进的Geohash算法对某地理位置区域进行划分处理，区块划分处理过程如图6所示。一次划分是指按照经度和纬度的一次划分，具体可以通过二分法进行划分，通过对某地理位置区域进行划分，得到四个初始区块。在得到四个初始区块后，基于各个小区的中心位置信息对初始区块进行聚合处理，以获得每个初始区块内包含的小区个数，比如初始区块中的区块1和区块2中包括0个小区，区块3包括1个小区，区块4包括8个小区。在这种情况下，由于区块1、区块2和区块3中包含的小区个数小于或等于1，因此，对区块1、区块2和区块3不再进行划分处理，而对区块4继续执行划分处理，对区块4进行划分处理得到区块41、区块42、区块43和区块44。再基于各个小区的中心位置信息对区块41、区块42、区块43和区块44进行聚合处理，以获得每个区块内包含的小区个数。比如，区块41中包括3个小区，区块42中包括1个小区，区块43中包括2个小区，区块44中包括2个小区。此时，由于区块42包含的小区个数小于或等于1，因此，对区块42不再进行划分处理，而对区块41、区块43和区块44继续执行划分处理，直至划分处理后的区块包括 0个/1个小区或者达到了最大划分次数时，停止划分处理的迭代。通过调整初始区块大小及最大划分次数，可以调整区块的最大面积、最小面积以及总的区块个数。

图7为采用本申请改进Geohash算法对部分地区进行划分，获取到的区块划分效果图，采用本申请改进Geohash算法获得的小区覆盖面积基本可以反应小区的实际大小，同时避开景区、河流、高速、未开发区等非住宅区域，同时可以看到，城市中心小区区块密布，郊区和偏远山区小区稀疏。获取到的效果图中小区形状只能是规则的方形，基于同片区小区房价相差不大的前提，即使用户实际住房小区被匹配至相邻小区，其对应的房屋资产等级也基本一致。此外，对于边远郊区或者山区小区面积过大的问题，可以通过初始块的大小设置和一些其它过滤条件进行控制或者剔除。

在一个实施例中，根据常驻地位置在小区区块位置数据中进行匹配，将匹配的小区区块位置对应的小区作为目标小区包括：获取小区区块位置数据中的最小区块的大小，基于最小区块的大小对小区区块位置数据进行处理，获得最小区块集合数据；对常驻地位置进行地址编码处理，获得常驻地位置对应的目标区块；根据目标区块在最小区块集合数据中进行匹配，将匹配的最小区块对应的小区作为目标小区。在获取到目标用户的常驻地位置以及小区区块位置数据后，为了快速将用户的常驻地和住宅小区匹配，首先计算住宅小区的最小区块的块大小，然后对小区区块中的每个区块继续划分直至最小区块大小，所有这些最小区块组成了住宅小区的编码数据。再对用户的常驻地经纬度进行Geohash编码，得到其所在的最小区块编码。最后，将用户的常驻地所在的最小区块编码与住宅小区编码数据中的所有最小区块编码进行匹配，匹配上的最小区块所属的住宅小区即为目标小区。用户的常驻地与住宅小区的匹配流程如图8所示。

在一个实施例中，首先基于改进的Geohash算法，根据预设地理区域内各个小区的中心位置信息对预设地理区域进行划分，获得小区区块位置数据。然后，利用用户的WiFi连接信息确定用户的家庭常驻地所在位置，将该位置信息与小区区块位置数据进行匹配，从而得到该用户常驻地房产对应的住宅小区以及该小区的房价信息。最后，根据不同城市的房价信息对不同住宅小区进行等级划分，得到各个城市的房屋资产等级划分规则，根据用户常驻地房产的小区房价以及对应城市的房屋资产等级划分规则，得到用户常驻地房产的房屋资产等级，并根据获得的房屋资产等级，构建目标用户的用户画像。在后续需要进行产品推荐时，用户画像在用户消费水平的衡量、购物偏好、借贷偿还能力的评估等方面具有重要参考意义。可以将用户的房屋资产属性和其它的用户画像信息结合，优化推荐人群，从而提高广告点击转化率。

应该理解的是，虽然图2、5的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2、5中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

基于与上述方法相同的思想，图9示出了一个实施例的房屋资产等级的确定装置的结构示意图，该实施例是以设置在服务器104为例进行说明。

如图9所示，该实施例中的房屋资产等级的确定装置包括：

数据获取模块902，用于获取目标用户的常驻地位置以及预设地理区域内各个小区的基准位置信息；

小区区块获取模块904，用于根据基准位置信息对预设地理区域进行经纬度划分处理，获得小区区块位置数据；

目标小区获取模块906，用于根据常驻地位置在小区区块位置数据中进行匹配，将匹配的小区区块位置对应的小区作为目标小区；

等级确定模块908，用于根据目标小区，确定目标用户的房屋资产等级。

在一个实施例中，数据获取模块还用于获取目标用户建立无线网络连接时的联网数据；提取联网数据中携带的允许接入的无线网络的位置数据，根据位置数据确定目标用户的实时地理位置；根据预设时间内目标用户的实时地理位置，生成目标用户的活动轨迹；对目标用户的活动轨迹进行聚类处理，确定目标用户的常驻地位置。

在一个实施例中，数据获取模块还用于对目标用户的活动轨迹中的每个位置点进行数据编码划分处理，获得多个编码块；对每个编码块内的多个位置点进行合并，获得合并位置点，分别对各个合并位置点进行聚类处理，得到多个聚类中心；对多个聚类中心进行过滤处理，根据过滤后的聚类中心以及聚类中心对应的时间确定目标用户的常驻地位置。

在一个实施例中，小区区块获取模块还用于对预设地理区域进行经纬度划分处理，获得多个初始区块；根据基准位置信息对多个初始区块进行聚合处理；当获得的第一聚合值大于预设值时，对初始区块进行经纬度划分处理，获得细化区块位置数据；基于基准位置信息对细化区块位置数据中的区块进行聚合处理，当获得的第二聚合值不大于预设值，或者迭代次数大于预设次数时，将细化区块位置数据作为小区区块位置数据。

在一个实施例中，小区区块获取模块还用于当获得的第二聚合值大于预设值，且迭代次数不大于预设次数时，以细化区块位置数据中的区块作为初始区块，并进入对初始区块进行经纬度划分处理的步骤。

在一个实施例中，小区区块获取模块还用于当获得的第一聚合值小于或等于预设值时，获取初始区块对应的初始区块位置数据，将初始区块位置数据作为小区区块位置数据。

在一个实施例中，目标小区获取模块还用于获取小区区块位置数据中的最小区块的大小，基于最小区块的大小对小区区块位置数据进行处理，获得最小区块集合数据；对常驻地位置进行地址编码处理，获得常驻地位置对应的目标区块；根据目标区块在最小区块集合数据中进行匹配，将匹配的最小区块对应的小区作为目标小区。

图10示出了一个实施例中计算机设备的内部结构图。该计算机设备具体可以是图1中的移动终端102或服务器104。如图10所示，该计算机设备包括通过系统总线连接的处理器1002、存储器1004、网络接口1006、输入装置1008、显示屏1010、摄像头1012、声音采集装置1014和扬声器1016。其中，存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作系统，还可存储有计算机程序，该计算机程序被处理器执行时，可使得处理器实现房屋资产等级的确定方法。该内存储器中也可储存有计算机程序，该计算机程序被处理器执行时，可使得处理器执行房屋资产等级的确定方法。计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。

本领域技术人员可以理解，图10中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，本申请提供的房屋资产等级的确定装置可以实现为一种计算机程序的形式，计算机程序可在如图10所示的计算机设备上运行。计算机设备的存储器中可存储组成该用户画像构建装置的各个程序模块，比如，图9所示的数据获取模块、小区区块获取模块、目标小区获取模块和等级确定模块。各个程序模块构成的计算机程序使得处理器执行本说明书中描述的本申请各个实施例的房屋资产等级的确定方法中的步骤。

例如，图10所示的计算机设备可以通过如图9所示的房屋资产等级的确定装置中的数据获取模块执行获取目标用户的常驻地位置以及预设地理区域内各个小区的基准位置信息。计算机设备可通过小区区块获取模块执行根据基准位置信息对预设地理区域进行经纬度划分处理，获得小区区块位置数据。计算机设备可通过目标小区获取模块执行根据常驻地位置在小区区块位置数据中进行匹配，将匹配的小区区块位置对应的小区作为目标小区。计算机设备可通过等级确定模块执行根据目标小区，确定目标用户的房屋资产等级。

在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，计算机程序被处理器执行时，使得处理器执行上述房屋资产等级的确定方法的步骤。此处房屋资产等级的确定方法的步骤可以是上述各个实施例的房屋资产等级的确定方法中的步骤。

在一个实施例中，提供了一种计算机可读存储介质，存储有计算机程序，计算机程序被处理器执行时，使得处理器执行上述房屋资产等级的确定方法的步骤。此处房屋资产等级的确定方法的步骤可以是上述各个实施例的房屋资产等级的确定方法中的步骤。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一非易失性计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM) 或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态 RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线 (Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。