房地产信息处理模型的处理方法、装置、系统及存储介质

技术领域

本申请属于房产估价领域，尤其涉及一种房地产信息处理模型的处理方法、装置、系统及存储介质。

背景技术

城市中，房产价格往往受到房产周边的配套设施数量、距离以及交通等要素，以及房产自身的面积、方位、质量的影响，因此往往可以根据房产信息对房产的价格进行一定的估算；基于此，可以通过将大量的房产信息和房产价格输入到模型中，对模型进行训练，从而得到一个训练好的房产估价模型。

而目前训练某一城市的房产估价模型时需要该城市具有较多的房产交易事件作为训练数据，才能得到较为准确的模型。而对于交易数据较少的城市来说，因数据较少，则很难得到估价较为准确的模型。

发明内容

本申请实施例提供一种房地产信息处理模型的处理方法、装置、系统及存储介质，提高了训练房产估价模型的便捷性。

根据本申请的第一个方面，本申请实施例提供一种房地产信息处理模型的处理方法，该方法包括：

获取第一城市的第一城市房产估价模型以及第二城市的第一训练数据集，第一训练数据集包括第二城市的多条第一实际房产交易事件信息，第一实际房产交易事件信息包括第一房产特征信息以及第一房产实际交易单价信息；

将第一房产特征信息输入到第一城市房产估价模型，得到第一房产预测交易单价信息；

根据第一房产预测交易单价信息和第一房产实际交易单价信息，确定第一城市房产估价模型的第一损失函数值；

在第一损失函数值不满足预设训练停止条件的情况下，更新第一城市房产估价模型的模型参数，得到更新后的第一城市房产估价模型；

返回将第一房产特征信息输入到第一城市房产估价模型，得到第一房产预测交易单价信息，直至第一损失函数值满足预设训练停止条件，得到第二城市的第二城市房产估价模型。

可选地，第一房产特征信息包括房产位置、房产交易时间、房产预设范围内的基础设施信息或房产属性信息中的至少一种。

可选地，更新第一城市房产估价模型的模型参数，得到更新后的第一城市房产估价模型，包括：

采用梯度下降法，根据第一损失函数值更新第一城市房产估价模型的模型参数，得到更新后的第一城市房产估价模型。

可选地，在第一损失函数值不满足预设训练停止条件的情况下，更新第一城市房产估价模型的模型参数，得到更新后的第一城市房产估价模型之后，该方法还包括：

获取第一城市的第二训练数据集，第二训练数据集包括第二城市的多条第二实际房产交易事件信息，第二实际房产交易事件信息包括第二房产特征信息以及第二房产实际交易单价信息；

将第二房产特征信息输入到第一城市房产估价模型中，得到第二房产预测交易单价信息；

根据第二房产实际交易单价信息和第二房产预测交易单价信息，确定第一城市房产估价模型的第二损失函数值；

在第一损失函数值不满足预设训练停止条件的情况下，更新第一城市房产估价模型的模型参数，得到更新后的第一城市房产估价模型包括：

在第一损失函数值不满足预设训练停止条件的情况下，根据第二损失函数值，更新第一城市房产估价模型的模型参数，得到更新后的第一城市房产估价模型。

可选地，该方法还包括：

根据权重生成网络模型确定第二实际房产交易事件的实例权重；

根据第二损失函数值，更新第一城市房产估价模型的模型参数包括：

根据第二损失函数值以及实例权重，更新第一城市房产估价模型的模型参数。

可选地，根据第二损失函数值以及实例权重，更新第一城市房产估价模型的模型参数，包括：

根据下述公式更新第一城市房产估价模型的模型参数；

其中，θ

可选地，根据权重生成网络模型确定第二实际房产交易事件的实例权重，包括：

根据下述公式确定实例权重：

其中，λ

可选地，方法还包括：

通过超层优化模型更新ω；

其中，超层优化模型包括：

其中，γ

根据本申请的第二个方面，本申请实施例提供了一种房地产信息处理模型的处理装置，该装置包括：

第一获取模块，用于获取第一城市的第一城市房产估价模型以及第二城市的第一训练数据集，第一训练数据集包括第二城市的多条第一实际房产交易事件信息，第一实际房产交易事件信息包括第一房产特征信息以及第一房产实际交易单价信息；

第一输入模块，用于将第一房产特征信息输入到第一城市房产估价模型，得到第一房产预测交易单价信息；

第一确定模块，用于根据第一房产预测交易单价信息和第一房产实际交易单价信息，确定第一城市房产估价模型的第一损失函数值；

第一更新模块，用于在第一损失函数值不满足预设训练停止条件的情况下，更新第一城市房产估价模型的模型参数，得到更新后的第一城市房产估价模型；

第一返回模块，用于返回将第一房产特征信息输入到第一城市房产估价模型，得到第一房产预测交易单价信息，直至第一损失函数值满足预设训练停止条件，得到第二城市的第二城市房产估价模型。

根据本申请的第三个方面，提供一种房地产信息处理模型的处理设备，该设备包括：处理器以及存储有计算机程序指令的存储器；

处理器执行计算机程序指令时实现第一个方面中任意一项的房地产信息处理模型的处理方法。

根据本申请的第四个方面，本申请实施例提供了一种计算机存储介质，计算机可读存储介质上存储有计算机程序指令，计算机程序指令被处理器执行时实现第一个方面中任意一项的房地产信息处理模型的处理方法。

根据本申请的第五个方面，本申请实施例提供了一种计算机程序产品，计算机程序产品中的指令由电子设备的处理器执行时，使得电子设备执行第一个方面中任意一项的房地产信息处理模型的处理方法。

本申请实施例的房地产信息处理模型的处理方法、装置、系统及存储介质，在通过获取第一城市的第一城市房产估价模型以及第二城市的第一训练数据集后，将第二城市的第一训练数据集中的第一房产特征信息输入到第一城市房产估价模型中，从而可以从模型中得到第一房产预设交易单价信息，进而将第一房产预设交易单价信息和第一房产实际交易单价信息进行计算，得到第一城市房产估价模型的第一损失函数值，从而可以根据第一损失函数值，判断是否其是否满足预设训练停止条件，在第一损失函数值不满足预设停止条件的情况下，更新第一城市房产估价模型的模型参数，从而得到更新后的第一城市房产估价模型，并且继续将第一房产特征信息返回输入到所述第一城市房产估价模型，再次计算第一损失函数值，直至第一损失函数值满足预设停止条件，则说明现在第一城市房产估价模型根据第一房产特征信息估算得到第一房产预设交易单价信息已经比较准确的，能够根据第一房产特征信息，对第二城市的房产的实际交易单价信息进行预估，从而得到适用于第一训练集的第二城市房产估价模型，由此通过在已经训练好的第一城市房产估价模型的基础上，再根据第一训练集去训练第一城市房产估价模型，无须额外再从第二城市中采取大量的训练数据集重新开始构建模型并训练模型，减少了训练得到第二城市房产估价模型的步骤，提高了构建房产估价模型的便捷性。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单的介绍，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他的附图。

图1是根据一示例性实施例示出的房地产信息处理模型的处理方法的一流程图；

图2是根据一示例性实施例示出的房地产信息处理模型的处理方法的又一流程图；

图3是根据一示例性实施例示出的房地产信息处理模型的处理方法的又一流程图；

图4是根据一示例性实施例示出的房地产信息处理模型的处理方法的又一流程图；

图5是根据一示例性实施例示出的房地产信息处理模型的处理装置的结构框图；

图6是根据一示例性实施例示出的房地产信息处理模型的处理设备的结构框图。

具体实施方式

下面将详细描述本申请的各个方面的特征和示例性实施例，为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及具体实施例，对本申请进行进一步详细描述。应理解，此处所描述的具体实施例仅意在解释本申请，而不是限定本申请。对于本领域技术人员来说，本申请可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本申请的示例来提供对本申请更好的理解。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非他性地包含，从而使得包括一系列要素的过程、方法、物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、物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……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

如背景技术部分所述，不同的客户所需的业务功能是不同的，相应的他们所使用的跳转按钮也是不同的，客户从众多的跳转按钮中去寻找所需的跳转按钮，耗时耗力，严重影响客户使用应用程序的体验感。

为了解决现有技术问题，本申请通过利用权重和用户的目标类型，对各个消息控件的权重进行排序，选取前N位与用户的目标用户类型相关度高的目标消息控件为附加到第一应用程序消息上的消息控件，从而使得第一应用程序消息上的消息控件更加贴合用户的使用情况，增强了用户在使用第一应用程序消息时的使用体验感。

基于此，本申请提供了一种房地产信息处理模型的处理方法、装置、系统及存储介质。下面首先对本申请实施例所提供的房地产信息处理模型的处理方法进行介绍。

图1示出了本申请一个实施例提供的房地产信息处理模型的处理方法的一流程示意图。如图1所示，其可以包括以下步骤：

S101，获取第一城市的第一城市房产估价模型以及第二城市的第一训练数据集，第一训练数据集包括第二城市的多条第一实际房产交易事件信息，第一实际房产交易事件信息包括第一房产特征信息以及第一房产实际交易单价信息；

S102，将第一房产特征信息输入到第一城市房产估价模型，得到第一房产预测交易单价信息；

S103，根据第一房产预测交易单价信息和第一房产实际交易单价信息，确定第一城市房产估价模型的第一损失函数值；

S104，在第一损失函数值不满足预设训练停止条件的情况下，更新第一城市房产估价模型的模型参数，得到更新后的第一城市房产估价模型；

S105，返回将第一房产特征信息输入到第一城市房产估价模型，得到第一房产预测交易单价信息，直至第一损失函数值满足预设训练停止条件，得到第二城市的第二城市房产估价模型。

基于上述实施例，本申请在通过获取第一城市的第一城市房产估价模型以及第二城市的第一训练数据集后，将第二城市的第一训练数据集中的第一房产特征信息输入到第一城市房产估价模型中，从而可以从模型中得到第一房产预设交易单价信息，进而将第一房产预设交易单价信息和第一房产实际交易单价信息进行计算，得到第一城市房产估价模型的第一损失函数值，从而可以根据第一损失函数值，判断是否其是否满足预设训练停止条件，在第一损失函数值不满足预设停止条件的情况下，更新第一城市房产估价模型的模型参数，从而得到更新后的第一城市房产估价模型，并且继续将第一房产特征信息返回输入到所述第一城市房产估价模型，再次计算第一损失函数值，直至第一损失函数值满足预设停止条件，则说明现在第一城市房产估价模型根据第一房产特征信息估算得到第一房产预设交易单价信息已经比较准确的，能够根据第一房产特征信息，对第二城市的房产的实际交易单价信息进行预估，从而得到适用于第一训练集的第二城市房产估价模型，由此通过在已经训练好的第一城市房产估价模型的基础上，再根据第一训练集去训练第一城市房产估价模型，无须额外再从第二城市中采取大量的训练数据集重新开始构建模型并训练模型，减少了训练得到第二城市房产估价模型的步骤，提高了构建房产估价模型的便捷性。

在上述S101中，第一城市房产估价模型根据第一城市中的房产交易事件信息训练而得到的模型，第一城市房产估价模型可以根据第一城市中的房产交易事件信息估算第一城市中房产的价格。

从第二城市中的房产交易事件中选取部分房产交易事件组成第一训练数据集，具体地，第一训练数据集可以包括多条第一实际房产交易事件信息，其中，第一房产交易事件信息可以包括：第一房产特征信息以及第一房产实际交易单价信息。

第一房产特征信息可以包括：房产位置、房产交易时间、房产预设范围内的基础设施信息或房产属性信息。其中，房产位置指第一房产所在位置，例如临江、临海等地理位置；房产交易时间是指第一房产发生交易事件产生的时间，即第一房产发生交易的时间；房产预设范围内的基础设施信息是房产指第一房产周围地铁站、公交站、幼儿园、小中学、大学、医院、药店、商场、超市、银行、餐厅、咖啡厅、公园、电影院、体育馆的数量，以及到最近的上述各种设施的距离；房产属性信息是指第一房产的房间数量、房屋面积、结构、装修、朝向、供暖方式、楼层数、是否免税、交易所有权、建筑类型、电梯户比例、竣工年份等。

第一房产实际交易单价信息是指第一房产发生交易时的房产成交价格。

在上述S102中，由于第一城市房产估价模型是已经训练好的，因此，将第一房产特征信息输入到第一城市房产估价模型中，第一城市房产估价模型可以根据第一房产特征信息进行处理，得到第一房产预设交易单价信息。

在上述S103中，第一房产预设交易单价信息和第一房产实际交易单价信息的差值，即为第一城市房产估价模型的第一损失函数值。

在上述S104中，如果第一损失函数值不满足预设训练停止条件，则说明该第一城市房产估价模型并不适用于第二城市的第一训练数据集，所估算得到的第一房产预设交易单价信息与第一房产实际交易单价信息相比，估算并不准确，因此，需要更新第一城市房产估价模型的模型参数，从而改变原第一城市房产估价模型，得到更新后的第一城市房产估价模型。

作为一示例，预设训练停止条件可以包括判断第一损失函数值是否小于阈值，具体地，阈值的具体数值大小，可以根据实际需求确定。

作为一示例，模型参数是用来描述和定义机器学习模型的特性和行为的变量。这些参数可以用来控制模型的复杂度、准确性和泛化能力。模型参数可以包括权重、偏置、学习率、迭代次数等等。在训练过程中，机器学习算法会根据训练数据调整模型参数，以使模型能够更好地预测和泛化。

在上述S105中，重新将第一房产特征信息输入到更新后的第一城市估价模型中，再次训练第一城市估价模型，直至第一损失函数值满足预设训练停止条件，则说明更新后的第一城市估价模型已经能够根据第二城市的第一房产特征信息估算得到的第一房产预测交易单价信息已经是满足要求，可以靠的了，因此将更新后的第一城市估价模型作为适用于第二城市房产估价的第二城市房产估价模型。

为了更加有效地更新模型参数，本申请还提供了房地产信息处理模型的处理方法的另一种实现方式。

图2示出了本申请一个实施例提供的房地产信息处理模型的处理方法的又一流程示意图，如图2所示，S104可以包括以下步骤：

S201，采用梯度下降法，根据第一损失函数值更新第一城市房产估价模型的模型参数，得到更新后的第一城市房产估价模型。

基于上述实施例，通过梯度下降法对模型参数进行更新，可以有效地迭代地更新模型参数，沿着损失函数的负梯度方向逐步逼近最优解。

在上述S201中，梯度下降法是一种优化算法，用于求解最小化损失函数的问题。它通过迭代地更新模型参数，沿着损失函数的负梯度方向逐步逼近最优解。因此，采用梯度下降法对模型参数进行更新，可以快速地对模型参数进行更新迭代，从而可以有效地更新模型参数。

为了提高目标模型的训练准确性，本申请还提供了房地产信息处理模型的处理方法的另一种实现方式。

图3示出了本申请一个实施例提供的房地产信息处理模型的处理方法的又一流程示意图，如图3所示，在上述S104之前，该方法还可以包括以下步骤：

S301，获取第一城市的第二训练数据集，第二训练数据集包括第二城市的多条第二实际房产交易事件信息，第二实际房产交易事件信息包括第二房产特征信息以及第二房产实际交易单价信息；

S302，将第二房产特征信息输入到第一城市房产估价模型中，得到第二房产预测交易单价信息；

S303，根据第二房产实际交易单价信息和第二房产预测交易单价信息，确定第一城市房产估价模型的第二损失函数值；

上述S104可以包括：

S304，在第一损失函数值不满足预设训练停止条件的情况下，根据第二损失函数值，更新第一城市房产估价模型的模型参数，得到更新后的第一城市房产估价模型。

基于上述实施例，由于第一城市和第二城市中，和房产的实际交易单价信息和房产特征信息不尽相同，因此第二城市房产估价模型仍然存在一定的误差，需要对第一城市房产估价模型进行进一步训练，降低第一城市和第二城市中不同房产特征信息对房产实际交易单价信息的影响，提高了目标模型的训练准确性。

在上述S301中，从第一城市中的房产交易事件中选取部分房产交易事件组成第二训练数据集，第二训练数据集包括第二城市的多条第二实际房产交易事件信息，第二实际房产交易事件信息包括第二房产特征信息以及第二房产实际交易单价信息，第二房产特征信息以及第二房产实际交易单价信息的具体信息和上述第一房产特征信息以及第一房产实际交易单价信息一致。

在上述S302中，将第二房产特征信息输入到第一城市房产估价模型中，第一城市房产估价模型可以根据第二房产特征信息进行处理，得到第二房产预设交易单价信息。

在上述S303中，第二房产预设交易单价信息和第二房产实际交易单价信息的差值，即为第一城市房产估价模型的第二损失函数值。

在上述S304中，如果第一损失函数值不满足预设训练停止条件，则说明该第一城市房产估价模型并不适用于第二城市的第一训练数据集，所估算得到的第一房产预设交易单价信息与第一房产实际交易单价信息相比，估算并不准确，因此，需要更新第一城市房产估价模型的模型参数，从而改变原第一城市房产估价模型，得到更新后的第一城市房产估价模型。

为了有效地降低第一城市和第二城市的房产特征信息对房产实际交易单价信息的影响，本申请还提供了房地产信息处理模型的处理方法的另一种实现方式。

图4示出了本申请一个实施例提供的房地产信息处理模型的处理方法的又一流程示意图，如图4所示，该方法还可以包括以下步骤：

S401，根据权重生成网络模型确定第二实际房产交易事件的实例权重；

上述S304可以包括：

S402，根据第二损失函数值以及实例权重，更新第一城市房产估价模型的模型参数。

基于上述实施例，通过给第二训练集中的第二实际房产交易事件设置实例权重，可以有效地降低第一城市和第二城市中不同的房产特征信息对房产实际交易单价信息的动态影响。

在上述S401中，由于第一城市和第二城市本身在于城市的地理位置、人文环境等因素的影响，可能会造成不同的城市中房产实际交易单价信息的实际影响要素不同，因此通过利用权重生成网络模型对第二训练集中的第二实际房产交易事件设置实例权重，可以根据每个第二实际房产交易事件的实例权重，推测出对于第二城市而言，影响第二房产实际交易单价信息的第二房产特征信息。

作为一示例，在第二训练集中，实例权重大的第二实际房产交易事件中，有个共同特点是离海边近(第二房产特征信息)，则说明对于第二城市而言，离海边近则是影响第二房产实际交易单价信息的重要特征信息，则该第二房产特征信息的权重则比其他第二房产特征信息要高。

作为一示例，根据下述权重生成网络模型的公式确定实例权重：

其中，λ

权重生成网络模型是一种用于生成神经网络权重的机器学习模型。传统的神经网络模型中，权重通常是通过随机初始化或预训练得到的，而权重生成网络模型则通过学习生成权重的过程，可以更加灵活地生成适应特定任务的权重。

具体地，可以通过超层优化模型更新ω；

其中，超层优化模型包括：

其中，γ

具体地，超层优化模型是一种学习到学习的机器学习方法，它旨在通过在大量任务上进行学习来提高学习算法的性能。超层优化模型通过学习一种参数初始化策略，使得在新任务上能够更快地适应和泛化。

在S402中，通过第二损失函数值和实例权重，更新第二城市房产估价模型的模型参数。

作为一示例，可以通过以下公式更新第二城市房产估价模型的模型参数：

其中，θ

基于相同的发明构思，本申请还提供了一种房地产信息处理模型的处理装置500。具体结合图5进行详细说明。

图5示出了本发明实施例提供的房地产信息处理模型的处理装置500的硬件结构示意图。

如图5所示，该房地产信息处理模型的处理装置500可以包括：

第一获取模块510，用于获取第一城市的第一城市房产估价模型以及第二城市的第一训练数据集，第一训练数据集包括第二城市的多条第一实际房产交易事件信息，第一实际房产交易事件信息包括第一房产特征信息以及第一房产实际交易单价信息；

第一输入模块520，用于将第一房产特征信息输入到第一城市房产估价模型，得到第一房产预测交易单价信息；

第一确定模块530，用于根据第一房产预测交易单价信息和第一房产实际交易单价信息，确定第一城市房产估价模型的第一损失函数值；

第一更新模块540，用于在第一损失函数值不满足预设训练停止条件的情况下，更新第一城市房产估价模型的模型参数，得到更新后的第一城市房产估价模型；

第一返回模块550，用于返回将第一房产特征信息输入到第一城市房产估价模型，得到第一房产预测交易单价信息，直至第一损失函数值满足预设训练停止条件，得到第二城市的第二城市房产估价模型。

在本实施例提供的房地产信息处理模型的处理装置500中，在通过第一获取模块510获取第一城市的第一城市房产估价模型以及第二城市的第一训练数据集后，第一输入模块520将第二城市的第一训练数据集中的第一房产特征信息输入到第一城市房产估价模型中，从而可以从模型中得到第一房产预设交易单价信息，第一确定模块530进而将第一房产预设交易单价信息和第一房产实际交易单价信息进行计算，确定第一城市房产估价模型的第一损失函数值，从而可以根据第一损失函数值，判断是否其是否满足预设训练停止条件，第一更新模块540在第一损失函数值不满足预设停止条件的情况下，更新第一城市房产估价模型的模型参数，从而得到更新后的第一城市房产估价模型，并且第一返回模块550继续将第一房产特征信息返回输入到所述第一城市房产估价模型，再次计算第一损失函数值，直至第一损失函数值满足预设停止条件，则说明现在第一城市房产估价模型根据第一房产特征信息估算得到第一房产预设交易单价信息已经比较准确的，能够根据第一房产特征信息，对第二城市的房产的实际交易单价信息进行预估，从而得到适用于第一训练集的第二城市房产估价模型，由此通过在已经训练好的第一城市房产估价模型的基础上，再根据第一训练集去训练第一城市房产估价模型，无须额外再从第二城市中采取大量的训练数据集重新开始构建模型并训练模型，减少了训练得到第二城市房产估价模型的步骤，提高了构建房产估价模型的便捷性。

可选地，第一更新模块540可以包括：

第一更新单元，用于采用梯度下降法，根据第一损失函数值更新第一城市房产估价模型的模型参数，得到更新后的第一城市房产估价模型。

可选地，房地产信息处理模型的处理装置500可以包括：

第二获取模块，用于获取第一城市的第二训练数据集，第二训练数据集包括第二城市的多条第二实际房产交易事件信息，第二实际房产交易事件信息包括第二房产特征信息以及第二房产实际交易单价信息；

第二输入模块，用于将第二房产特征信息输入到第一城市房产估价模型中，得到第二房产预测交易单价信息；

第二确定模块，用于根据第二房产实际交易单价信息和第二房产预测交易单价信息，确定第一城市房产估价模型的第二损失函数值；

第一更新模块可以包括：

第一更新单元，用于在第二损失函数值不满足预设训练停止条件的情况下，根据第二损失函数值，更新第二城市房产估价模型的模型参数，得到更新后的第二城市房产估价模型。

可选地，房地产信息处理模型的处理装置500还可以包括：

第三确定模块，用于根据权重生成网络模型确定第二实际房产交易事件的实例权重；

第一更新单元可以包括：

第一更新子单元，用于根据第二损失函数值以及实例权重，更新所述第二城市房产估价模型的模型参数。

本申请实施例提供的房地产信息处理模型的处理装置500能够实现图1至图4的方法实施例实现的各个过程，并能够达到相同的技术效果，为避免重复，这里不再赘述。

图6示出了本发明实施例提供的房地产信息处理模型的处理设备的硬件结构示意图。

房地产信息处理模型的处理设备可以包括处理器601以及存储有计算机程序指令的存储器602。

具体地，上述处理器601可以包括中央处理器(CPU)，或者特定集成电路(Application Specific Integrated Circuit，ASIC)，或者可以被配置成实施本发明实施例的一个或多个集成电路。

存储器602可以包括用于数据或指令的大容量存储器。举例来说而非限制，存储器602可包括硬盘驱动器(Hard Disk Drive，HDD)、软盘驱动器、闪存、光盘、磁光盘、磁带或通用串行总线(Universal Serial Bus，USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下，存储器602可包括可移除或不可移除(或固定)的介质。在合适的情况下，存储器602可在综合网关容灾设备的内部或外部。在特定实施例中，存储器602是非易失性固态存储器。

在特定实施例中，存储器602可包括只读存储器(ROM)，随机存取存储器(RAM)，磁盘存储介质设备，光存储介质设备，闪存设备，电气、光学或其他物理/有形的存储器存储设备。因此，通常，存储器602包括一个或多个编码有包括计算机可执行指令的软件的有形(非暂态)计算机可读存储介质(例如，存储器设备)，并且当该软件被执行(例如，由一个或多个处理器601)时，其可操作来执行参考根据本申请的一方面的方法所描述的操作。

处理器601通过读取并执行存储器602中存储的计算机程序指令，以实现上述实施例中的任意一种房地产信息处理模型的处理方法。

在一个示例中，房地产信息处理模型的处理设备还可包括通信接口603和总线604。其中，如图所示，处理器601、存储器602、通信接口603通过总线604连接并完成相互间的通信。

通信接口603，主要用于实现本发明实施例中各模块、装置、单元和/或设备之间的通信。

总线604包括硬件、软件或两者。举例来说而非限制，总线604可包括加速图形端口(AGP)或其他图形总线、增强工业标准架构(EISA)总线、前端总线(FSB)、超传输(HT)互连、工业标准架构(ISA)总线、无线带宽互连、低引脚数(LPC)总线、存储器总线、微信道架构(MCA)总线、外围控件互连(PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(SATA)总线、视频电子标准协会局部(VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下，总线604可包括一个或多个总线604。尽管本申请实施例描述和示出了特定的总线604，但本申请考虑任何合适的总线604或互连。

该房地产信息处理模型的处理设备可以基于当前房地产信息处理模型的处理方法，从而实现结合图1-图5描述的房地产信息处理模型的处理方法和装置。

另外，本申请实施例还提供了一种计算机程序产品，包括计算机程序指令，计算机程序产品被处理器601执行时可实现前述方法实施例的步骤及相应内容。

需要明确的是，本申请并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见，这里省略了对已知方法的详细描述。在上述实施例中，描述和示出了若干具体的步骤作为示例。但是，本申请的方法过程并不限于所描述和示出的具体步骤，本领域的技术人员可以在领会本申请的精神后，作出各种改变、修改和添加，或者改变步骤之间的顺序。

以上所述的结构框图中所示的功能块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时，其可以例如是电子电路、专用集成电路(ASIC)、适当的固件、插件、功能卡等等。当以软件方式实现时，本申请的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中，或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、ROM、闪存、可擦除ROM(EROM)、软盘、CD-ROM、光盘、硬盘、光纤介质、射频(RF)链路，等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。

还需要说明的是，本申请中提及的示例性实施例，基于一系列的步骤或者装置描述一些方法或系统。但是，本申请不局限于上述步骤的顺序，也就是说，可以按照实施例中提及的顺序执行步骤，也可以不同于实施例中的顺序，或者若干步骤同时执行。

上面参考根据本公开的实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各方面。应当理解，流程图和/或框图中的每个方框以及流程图和/或框图中各方框的组合可以由计算机程序指令实现。这些计算机程序指令可被提供给通用计算机、专用计算机、或其它可编程数据处理装置的处理器，以产生一种机器，使得经由计算机或其它可编程数据处理装置的处理器执行的这些指令使能对流程图和/或框图的一个或多个方框中指定的功能/动作的实现。这种处理器可以是但不限于是通用处理器、专用处理器、特殊应用处理器或者现场可编程逻辑电路。还可理解，框图和/或流程图中的每个方框以及框图和/或流程图中的方框的组合，也可以由执行指定的功能或动作的专用硬件来实现，或可由专用硬件和计算机指令的组合来实现。

以上所述，仅为本申请的具体实施方式，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，上述描述的系统、模块和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。应理解，本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本申请的保护范围之内。