近年来,随着网络的发展与城市的进步,在线租房软件是许多外地进城务工人员寻找住宿的必备工具。但是随着网络的发展与城市的进步,房源逐渐增多,使得人们很难从中找到自己满意的房源。对于这种海量资源的抉择问题,推荐系统是一种不错的解决方案。推荐算法是实现推荐系统的核心。推荐算法通过分析用户、货品和上下文等信息,发掘出用户的偏好,将用户所喜好的货品推荐给用户。但不同的推荐算法会有各自的缺陷,例如协同过滤的推荐算法智能化程度较高,但面临着新用户的冷启动问题,基于内容的推荐算法需要用户的历史数据集为基础。在租房领域,房源的特征即房源知识,用户对于房源特征的需求即对于房源知识的偏好,单一的推荐算法不能精确地描述出用户对于房源知识的需求,从而导致推荐系统针对用户的推荐准确率低下,且对于房源数据基础量大的交互系统,采用协同过滤算法计算体系庞大,将会很大程度影响系统的响应速度。可以看出,推荐系统面临着三大挑战,分别为:（1）单一推荐算法准确率低;（2）推荐算法计算体系庞大;（3）缺乏用户房源知识偏好,导致推荐准确率低。针对以上问题,本论文从推荐算法以及房源领域的用户偏好特征挖掘两个方面展开了研究。第一,为改进推荐算法准确率低的问题,本论文从在户需求特征挖掘方面,搭建了面向房源的BiLSTM-CRF的中文命名实体识别模型。BiLSTM具有良好的收敛性,CRF层保证输出的预测标签的合法。模型抽取出的用户关于房源的需求特征,通过kafka传递到推荐模块,推荐模块依据知识问答模块提取的用户需求特征,过滤针对用户的推荐数据中满足用户需求特征的房源,生成为最终的推荐结果,以此提升推荐模块的准确率。经过多次实验的参数改进,该模型在南京房源租房领域的实体识别准确率达到了98%。第二,在推荐算法方面,本论文实现基于价格的kmeans++、基于TF-IDF的内容推荐算法,以及基于ALS的协同过滤的混合推荐算法。最后通过基于准确率的评价标准,对比了其他类型的推荐算法,实验表明,本论文提出的实时混合推荐算法相比于其它的推荐算法准确度提升了5%左右。在以上研究的基础上,设计实现了基于知识问答的租房推荐系统。综上所述,本论文针对多种推荐算法结合数据基础以优先级计算来实现的混合推荐算法,以及通过搭建的BiLSTM-CRF命名实体识别模型实现知识问答来完善用户需求特征,随着租房领域的数据量的扩展与租房需求量的提升,能有效的改善租房系统的推荐准确率,提升租房推荐系统用户的交互体验,具有一定的理论与应用价值。