居理新房作為國(guó)內(nèi)最大新房電商平臺(tái)，一直致力于深入探索數(shù)據(jù)在房產(chǎn)流通中的應(yīng)用價(jià)值，提升居理新房用戶的購(gòu)房體驗(yàn)。2018年，居理新房在業(yè)內(nèi)率先成立了AI大數(shù)據(jù)研究院，從而更加系統(tǒng)化的挖掘數(shù)據(jù)的決策力和洞察力，通過大數(shù)據(jù)和AI技術(shù)發(fā)現(xiàn)和解決業(yè)務(wù)和產(chǎn)品核心問題，為業(yè)務(wù)的高速增長(zhǎng)和用戶體驗(yàn)的持續(xù)升級(jí)提供動(dòng)力。

日前，居理新房大數(shù)據(jù)VP張惟師在公開場(chǎng)合發(fā)表演講。他表示，目前居理新房已經(jīng)打造了獨(dú)特的線上線下閉環(huán)的生態(tài)系統(tǒng)。

新房業(yè)務(wù)場(chǎng)景客單價(jià)極高，頻率極低，對(duì)比新聞信息流、廣告推薦、快消商品等，是產(chǎn)業(yè)互聯(lián)網(wǎng)中典型算法不友好場(chǎng)景。居理新房搭建了復(fù)用性和擴(kuò)展性都比較好的算法平臺(tái)，可以通過一些靈活的配置，實(shí)現(xiàn)相關(guān)監(jiān)控、任務(wù)調(diào)度、模型校驗(yàn)、可視化頁面以及AB Test。算法平臺(tái)底層支持多種算法引擎包括機(jī)器學(xué)習(xí)模型平臺(tái)(Spark-MLlib，Xgboost)、深度學(xué)習(xí)平臺(tái)(Tensorflow，Pytorch)以及圖相關(guān)模型，通過pipeline的方法整合數(shù)據(jù)流和算法引擎。

以優(yōu)選客戶識(shí)別算法為例，張惟師從以下方面介紹了居理新房的算法設(shè)計(jì)思路。

一、樣本選擇

如何選擇正負(fù)樣本?比較直觀的做法將“最終是否發(fā)生認(rèn)購(gòu)行為”作為正負(fù)樣本的評(píng)估依據(jù)。

在居理新房的業(yè)務(wù)場(chǎng)景下，由于房屋交易業(yè)務(wù)轉(zhuǎn)化率低，從線上訪問UV到最終房屋認(rèn)購(gòu)，比例在萬分之幾左右。

為了解決樣本稀疏問題，通過設(shè)置了一個(gè)代理目標(biāo)，將是否發(fā)生帶看行為作為正負(fù)樣本的評(píng)估依據(jù)。帶看行為發(fā)生在認(rèn)購(gòu)行為之前，發(fā)生認(rèn)購(gòu)行為占帶看比例約十分之一，周期也可從一到兩個(gè)月縮減到兩周左右。

樣本在一個(gè)周期T內(nèi)，將是否被帶看作為正負(fù)樣本的評(píng)估依據(jù)。另外可以后續(xù)模型訓(xùn)練時(shí)，提高具有多次帶看行為或者發(fā)生認(rèn)購(gòu)行為的權(quán)重。在一個(gè)時(shí)間周期T內(nèi)，可能存在跟單不完全的情況，但這部分比例在10%以內(nèi)，可以忽略。由于正負(fù)樣本比例差異較大，在樣本量較大的情況下，這種比例可以接受，但在樣本量較少的情況下，正負(fù)樣本比例差異導(dǎo)致模型學(xué)習(xí)困難，因此在訓(xùn)練模型前可以先對(duì)樣本進(jìn)行采樣預(yù)處理。常見的樣本采樣方法有欠采樣和過采樣。欠采樣是保持?jǐn)?shù)據(jù)集正樣本數(shù)量不變，根據(jù)一定比例去隨機(jī)抽取負(fù)樣本，過采樣是通過已有正樣本來構(gòu)造虛擬正樣本，來減小正負(fù)樣本差異，常見的過采樣方法有SMOTE等。但是采樣方法會(huì)影響數(shù)據(jù)集中的正負(fù)樣本分布，在關(guān)注概率值的分類等業(yè)務(wù)場(chǎng)景下，需要對(duì)模型輸出的概率進(jìn)行校準(zhǔn)。

二、特征工程

在特征工程中，特征類型主要有以下三類，信息來源類、用戶App行為類、用戶粘性類。

其中信息渠道來源是指用戶是來自百度、Feed、廣點(diǎn)通等平臺(tái)，多設(shè)備、多賬號(hào)等主要是用于衡量用戶是否發(fā)生過作弊行為。

用戶App行為類特征是占比最大的一類特征，主要是指用戶在留電話號(hào)碼前，在App上點(diǎn)擊、瀏覽、搜索等行為。

用戶粘性類特征是一些抽象統(tǒng)計(jì)特征，其中訪問深度是指App頁面用戶訪問最長(zhǎng)的路徑，廣度是指App中用戶使用的功能的數(shù)量。

三、模型調(diào)優(yōu)

模型主要采用的傳統(tǒng)模型LR、RF、XGBoost、LightGBM，也嘗試了使用Deep Learning等，但實(shí)際效果不如傳統(tǒng)模型好。

在當(dāng)前場(chǎng)景下樣本數(shù)量少，而且版本更新迭代較快的時(shí)候，常遇到數(shù)據(jù)分布不一致的問題。產(chǎn)品迭代了新的版本，但離線模型訓(xùn)練用的還是老的數(shù)據(jù)，而線上用的新版數(shù)據(jù)，這種信息不一致將拉低模型效果。當(dāng)前采用的方案是時(shí)間窗口滾動(dòng)的方式來訓(xùn)練模型，并盡量剔除一些可能因?yàn)榘姹緦?dǎo)致數(shù)據(jù)不一致的特征，努力將影響降至最低。

在無論是深度學(xué)習(xí)還是傳統(tǒng)機(jī)器學(xué)習(xí)，參數(shù)調(diào)優(yōu)的方法大同小異，主要是網(wǎng)格搜索(Grid Search)、人工參數(shù)調(diào)優(yōu)以及分城市閾值調(diào)優(yōu)。網(wǎng)格搜索調(diào)優(yōu)雖然不能一定找到最優(yōu)解，但是花費(fèi)時(shí)間較短。另外也嘗試了一些貝葉斯優(yōu)化的方法，它和grid search有的區(qū)別就是它會(huì)根據(jù)上一輪做算法的參數(shù)結(jié)果去選擇最有可能產(chǎn)生最優(yōu)算法參數(shù)方向去優(yōu)化這個(gè)參數(shù)，利用貝葉斯優(yōu)化自動(dòng)幫忙尋找參數(shù)優(yōu)化方向。貝葉斯尋優(yōu)容易陷入局部最優(yōu)，需要多進(jìn)行幾輪貝葉斯優(yōu)化，手工選出里面的極大值。分城市閾值調(diào)優(yōu)是遇到的另一個(gè)更嚴(yán)重的一個(gè)場(chǎng)景，由于居理新房業(yè)務(wù)分布在全國(guó)12個(gè)城市，而且每個(gè)城市有自己不同的特點(diǎn)，用戶的行為都不一樣，在模型分類時(shí)，每個(gè)城市應(yīng)采取不同的閾值。在本身整體數(shù)據(jù)量就不多情況，每個(gè)城市的數(shù)據(jù)量更少，這種情況下或者將城市信息加入特征，或者每個(gè)城市都分別訓(xùn)練一個(gè)模型。

四、可解釋性分析

整個(gè)房產(chǎn)行業(yè)的客單價(jià)都比較高，每個(gè)客戶都特別的寶貴。若將好線索誤判，沒有為客戶好好服務(wù)將會(huì)導(dǎo)致較大的損失。

對(duì)于居理新房的業(yè)務(wù)人員(客服、咨詢師)而言，模型預(yù)估結(jié)果會(huì)與他們?cè)械囊恍┕ぷ髂Ｊ胶土?xí)慣矛盾，需要向業(yè)務(wù)人員解釋模型預(yù)估結(jié)果。當(dāng)算法去服務(wù)于業(yè)務(wù)團(tuán)隊(duì)的時(shí)候，這種可解釋性顯得尤為重要。

通過xgboost計(jì)算得到的特征重要性(feature importance)不一定是完全可解釋的，和特征在決策森林中出現(xiàn)的次數(shù)相關(guān)。但特征在決策森林里面出現(xiàn)的次數(shù)越多并不能說明特征越重要。這里采用的是SHAP來進(jìn)行可解釋性分析，SHAP計(jì)算的是一個(gè)特征加入到模型時(shí)的邊際貢獻(xiàn)，考慮了該特征在所有的特征序列的情況下不同的邊際貢獻(xiàn)。在SHAP圖中，縱坐標(biāo)是特征列表，橫坐標(biāo)是從負(fù)數(shù)到正數(shù)的取值范圍，表示對(duì)模型輸出值的影響。留電口、渠道特征是從SHAP方法來看是最為重要的特征。一般來說通過搜索渠道來的用戶，購(gòu)房的意向較強(qiáng)烈，這個(gè)也和基本認(rèn)知符合。另一個(gè)比較顯著的特征pv_p_select_city，表示切換城市的動(dòng)作越多，購(gòu)房意向越弱。

五、實(shí)際效果

從模型效果來看，客戶認(rèn)購(gòu)量提升了十七個(gè)百分點(diǎn)，基本達(dá)到了算法預(yù)期目標(biāo)。從認(rèn)購(gòu)到帶看的目標(biāo)變化，將周期從兩個(gè)月縮減到了兩周，后續(xù)希望能找到一個(gè)更好的指標(biāo)來代替帶看，進(jìn)一步縮短模型周期。另外居理新房還做了很多線下數(shù)據(jù)的累積，如咨詢師與客戶的電話錄音、交通行為等，通過這些離線數(shù)據(jù)能大概分析出咨詢師和客戶的行為。目前不同的城市數(shù)據(jù)累積量不同，等數(shù)據(jù)量積累到一定程度，可以為不同的城市設(shè)置獨(dú)立的模型。另外模型融合(stacking)是后續(xù)優(yōu)化的方向，看能不能做出更有意思的效果。目前的模型是基于無線數(shù)據(jù)，PC數(shù)據(jù)相對(duì)無線來說，用戶行為比較少，下一步是跨站整合PC和無線的數(shù)據(jù)。