一、研究背景与意义

1.1 研究背景

随着我国城镇化进程的持续推进，大量新市民、高校毕业生与外来务工人员涌入大中城市，住房租赁需求持续增长，租房已成为解决城市居住问题的重要途径。与此同时，传统租房模式存在明显痛点：房源信息散落在中介门店、社区公告栏与社交媒体之中，信息严重不对称；部分平台虚假房源、"照骗"房源频现，租客需要耗费大量时间实地踩点、反复比对；房东侧同样面临房源曝光难、文案撰写门槛高、与租客沟通协调成本大等问题。

近年来，"互联网+住房租赁"模式快速发展，线上租房平台逐步成为房源信息汇聚与交易撮合的主要载体。然而，现有平台大多仍停留在"信息发布+关键词搜索"的传统形态：检索方式以表单筛选为主，交互效率低；推荐结果多为简单的热门排序，缺乏针对个体需求（通勤位置、预算区间、户型偏好）的个性化匹配，且推荐理由不透明、难以解释。

与此同时，以大语言模型（Large Language Model, LLM）为代表的人工智能技术取得了突破性进展。自 Transformer 架构提出以来，大规模预训练语言模型在自然语言理解与生成方面展现出强大能力，指令微调进一步使其能够按照人类意图完成对话、摘要与文案生成等任务，"LLM+垂直应用"已成为软件工程领域的重要研究方向。将大语言模型引入租房场景，有望重构找房交互方式、提升房源信息生产效率、增强推荐系统的可解释性，这为本课题的研究提供了技术契机。

1.2 研究意义

（1）理论意义。本课题探索了"规则引擎+大语言模型"的混合式推荐框架在垂直领域中的应用路径，研究了自然语言需求画像的抽取方法与结构化打分模型的融合机制，并对推荐结果的可解释性与可追溯性进行了工程化实践，可为推荐系统与 LLM 融合方向的后续研究提供参考案例；同时，课题完整实践了基于 Spring Boot 与 Vue 3 的前后端分离架构设计方法，具有一定的软件工程研究价值。

（2）实践意义。对租客而言，系统提供地图找房、对话式找房与个性化推荐等多元找房方式，可显著降低信息搜寻成本，提升找房效率与决策质量；对房东而言，AI 辅助的房源描述生成功能降低了发布门槛，结构化信息录入与平台审核机制有助于保障房源信息质量；对平台运营方而言，房源审核、用户管理、报表中心等模块构建了完整的运营监管闭环，具有较强的实用价值和推广意义。

二、国内外研究现状

2.1 国外研究现状

国外住房租赁平台的线上化起步较早。以 Airbnb、Zillow、Zumper 为代表的平台已形成较为成熟的商业模式，其中 Airbnb 构建了覆盖全球的短租房源网络，并在搜索排序与个性化推荐方向持续投入，其团队公开发表的研究表明，深度学习模型与实时特征工程能够显著提升搜索转化率；Zillow 则以房产估值模型（Zestimate）与地图化房源展示著称，将地理位置数据深度融入找房决策流程。

在推荐系统研究领域，基于协同过滤、矩阵分解的经典方法已形成完整理论体系，Burke 对混合推荐系统的系统性综述提出了特征组合、级联、切换等多种混合策略，为多源信息融合推荐提供了方法论支撑；近年来，研究者进一步关注推荐结果的可解释性问题，将解释性视为影响用户信任与接受度的关键因素。

在大语言模型方面，Transformer 架构奠定了预训练语言模型的技术基础，GPT-3 展示了大规模模型的少样本学习能力，InstructGPT 通过人类反馈强化学习使模型输出对齐人类意图。当前，探索 LLM 与推荐系统结合（如利用 LLM 进行用户需求理解、推荐理由生成）已成为学术界的前沿热点，相关综述指出 LLM 在增强推荐可解释性与交互性方面具有显著潜力。

2.2 国内研究现状

国内住房租赁市场信息化进程迅速，形成了多层次的平台生态：贝壳找房依托线下门店网络提出"真房源"理念，引入 VR 看房等技术提升线上看房体验；58 同城、安居客等综合性信息平台覆盖海量房源，但信息质量参差不齐的问题长期存在；自如等长租公寓运营商则探索了房源标准化与租后服务一体化模式。学术研究方面，国内学者围绕租房平台的信息不对称治理、房源推荐算法、前后端分离架构的 Web 应用开发等方向开展了大量工作，基于 Spring Boot、Vue.js 等主流框架构建管理信息系统已成为本科毕业设计与企业开发中的成熟技术路线。

总体来看，国内租房平台在房源规模与基础功能上已较为完善，但智能化的深度应用仍处于起步阶段：多数平台的找房交互仍以表单筛选为主，个性化推荐多采用简单的热度或协同过滤排序，缺少对用户自然语言需求的理解能力，推荐结果普遍缺乏可解释说明，AIGC 技术在房源供给侧的应用亦较为少见。

2.3 现有研究存在的问题

•找房交互方式传统：以多维表单筛选为主，用户需反复调整条件，检索效率低，无法以自然语言直接表达"预算三千住江宁两居室"这类复合需求；

•个性化程度不足：推荐多以浏览量、收藏量等热度指标排序，未充分利用用户工作区域、预算、户型偏好等画像信息，且冷启动阶段推荐质量差；

•推荐可解释性缺失：多数平台仅呈现房源列表，不说明"为什么推荐给我"，用户难以建立信任；

•房源信息生产效率低：房源描述依赖房东人工撰写，质量参差不齐，影响信息质量与成交转化；

•位置信息利用不充分：房源位置多以文本描述呈现，缺少地图维度的空间化展示与决策支持。

三、研究内容

本课题拟设计并实现一个融合大语言模型的线上租房平台，采用前后端分离架构（后端 Spring Boot 3 + MyBatis + MySQL，前端 Vue 3 + Element Plus + Pinia），构建"公共门户+管理后台"双门户形态，覆盖游客、租客、房东、管理员四类使用角色。主要研究内容包括：

（1）系统总体架构研究。研究前后端分离系统的分层架构设计方法，包括控制层—业务层—持久层的职责划分、统一响应与全局异常处理机制、基于 JWT 的无状态认证方案与基于角色的访问控制（RBAC）模型，以及前后端双重权限校验机制。

（2）房源信息管理与审核机制研究。设计房源、分类、用户、预约、收藏等核心数据模型，研究房源发布流程中的结构化信息录入、图片上传、上下架管理与平台审核（待审核—通过—驳回）状态机设计，保障房源信息真实合规。

（3）混合式个性化推荐算法研究。提出"规则引擎+大语言模型"的双层推荐框架：规则引擎依据用户画像与房源特征，从区域匹配、通勤距离衰减、预算约束、户型与朝向偏好、标题语义匹配、设施标签权重、浏览收藏热度等维度加权计算匹配得分；再将候选结果交由大模型生成个性化推荐理由，匹配结果与理由落库存储，实现推荐过程可解释、推荐历史可追溯。

（4）对话式找房关键技术研究。研究从自然语言对话中抽取用户需求画像（预算区间、目标区域、户型、关键词偏好）的方法，将非结构化需求转化为结构化过滤与打分条件，并设计多轮对话下的需求更新与推荐窗口动态控制策略。

（5）AIGC 房源描述生成研究。研究将房源结构化字段（区域、户型、租金、面积、设施等）注入 Prompt 模板、由大模型自动生成房源营销文案的方法，降低房源发布门槛。

（6）地图找房与数据可视化研究。研究基于高德地图 JS API 的房源坐标标注与地图找房交互设计，以及基于 ECharts 的区域租金行情与管理端多维报表可视化方案。

四、拟解决的关键问题及解决方案

表 1 拟解决的关键问题及对应解决方案

五、项目进度安排

表 2 项目进度安排

六、参考文献

[1] Walls C. Spring实战（第5版）[M]. 张卫滨, 译. 北京: 人民邮电出版社, 2020.

[2] 霍春阳. Vue.js设计与实现[M]. 北京: 人民邮电出版社, 2022.

[3] 徐郡明. MyBatis技术内幕[M]. 北京: 电子工业出版社, 2017.

[4] Schwartz B, Zaitsev P, Tkachenko V. 高性能MySQL（第3版）[M]. 宁海元, 等译. 北京: 电子工业出版社, 2013.

[5] 项亮. 推荐系统实践[M]. 北京: 人民邮电出版社, 2012.

[6] Burke R. Hybrid recommender systems: Survey and experiments[J]. User Modeling and User-Adapted Interaction, 2002, 12(4): 331-370.

[7] Ricci F, Rokach L, Shapira B. Recommender Systems Handbook[M]. 2nd ed. New York: Springer, 2015.

[8] Koren Y, Bell R, Volinsky C. Matrix factorization techniques for recommender systems[J]. Computer, 2009, 42(8): 30-37.

[9] Vaswani A, Shazeer N, Parmar N, et al. Attention is all you need[C]// Advances in Neural Information Processing Systems 30. Long Beach: NeurIPS, 2017: 5998-6008.

[10] Brown T B, Mann B, Ryder N, et al. Language models are few-shot learners[C]// Advances in Neural Information Processing Systems 33. Vancouver: NeurIPS, 2020: 1877-1901.

[11] Ouyang L, Wu J, Jiang X, et al. Training language models to follow instructions with human feedback[C]// Advances in Neural Information Processing Systems 35. New Orleans: NeurIPS, 2022: 27730-27744.

[12] Zhao W X, Zhou K, Li J, et al. A survey of large language models[EB/OL]. (2023-03-31). https://arxiv.org/abs/2303.18223.

[13] Zhao W X, Zhou K, Li J, et al. Recommender systems in the era of large language models (LLMs)[J]. IEEE Transactions on Knowledge and Data Engineering, 2024, 36(11): 6379-6399.

[14] Haldar R, Mukhopadhyay D. Applying deep learning to Airbnb search[C]// Proceedings of the 25th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining. Anchorage: ACM, 2019: 1927-1935.

[15] Ge M, Delgado-Battenfeld C, Jannach D. Beyond accuracy: Evaluating recommender systems by coverage and serendipity[C]// Proceedings of the Fourth ACM Conference on Recommender Systems. Barcelona: ACM, 2010: 257-260.