Press "Enter" to skip to content

万能的TensorFlow啊,告诉我到底要选哪套房?

本站内容均来自兴趣收集,如不慎侵害的您的相关权益,请留言告知,我们将尽快删除.谢谢.

买房太难了。

 

北漂多年获得购房资格、省吃俭用攒够首付之后,烦恼才刚刚开始:不仅要在地段和价格间反复权衡,还要在户型和朝向上伤透脑筋。整个流程下来,不仅钱包被掏空,连整个人也被掏空了。

 

怎幺综合价格面积地段朝向等多维度,快速找到性价比最高的房子?怎幺通过模糊的关键词迅速搜到自己心仪的房子?

 

这些曾经令买家和房产经纪人花费大量时间精力去解决的问题,如今有了一个更好的解决方案:

 

作为科技驱动的新居住服务平台,贝壳找房正在使用 Google 发布的机器学习开源框架 TensorFlow ,为用户选出最好的房子。

 

AI选房:从人工推荐,到机器评估

 

在没有引入机器学习模型之前,从市场上茫茫的待售房中选出推荐房源,是房产经纪人的重要功课之一。

 

传统的房产经纪公司会在每周举行例会,在例会上,经纪人会凭多年的销售经验挑出条件优秀的房子重点推荐。经纪人的时间、精力毕竟有限,只有少数被选中的“幸运房”才能被推广、被顾客看到,不少房中“潜力股”因此和自己命中注定的客人失之交臂。

 

然而有了人工智能的助力,给再多的房子做评估都不是难题。

 

贝壳找房工程师潘昊告诉 PingWest品玩, 选房智能算法模型实现的核心就是 TensorFlow。

 

“为了解决选房问题,我们建立了一个选房算法模型。最初我们只是用一个树模型来做筛选,”潘昊说,“然而后期,为了实现更好的筛选结果,我们就利用 TensorFlow 自己的工具箱,实现了 DNN(深度神经网络)和 LSTM(长短期记忆模型)这种自己写起来很复杂的深度学习的模型。”

 

在潘昊看来,能快速成交的房子,才是最好的房子,从这个意义上来讲,基于TensorFlow实现的选房模型更加科学。

 

“房子能否成交,不完全和房屋本身的客观优劣有关。”潘昊说。有些房子也许年代较久、装修条件不好,但价格便宜;有些房子也许面积小,但地理位置优越交通方便……所以并没有“劣”的房源,找到适合的客户是促成成交的关键。这些错综复杂的隐形条件,让很多看起来很美的“朝阳、精装、新房”迟迟无法成交。

 

而 基于 TensorFlow 建立的选房模型很直接。“我们参考了过去 90 天的房源成交情况,用这些数据建立深度学习模型。模型的 X 轴是房子本身的特征点,比如房源属性(新房或二手房)、价格分区,Y 轴是房源在 14 天内是否卖了出去。这个模型可以预测挂牌房源在未来 14 天内的成交情况,”潘昊说,“预测成交率越高的房源得分越高,会获得推荐。”

 

事实证明,TensorFlow 选房模型确实让居住服务更有“洞察力”。

(AI选房模型结构图)

据贝壳找房提供的数据,TensorFlow 选房模型选出的房子,成交量在同时间周期内远大于人工选出来的房子。机器选房的市场表现比人工选房好 40%,平均成交周期比人工选房缩短了 9 天。

 

贝壳找房利用TensorFlow 把房产经纪人从繁琐的挑房工作中解放出来,经纪人有了更多的时间为客人提供更周到的服务。比如一套房子因装修不佳而得了低分,经纪人就可以着重与卖主买主沟通软装问题,寻找双方都满意的解决方案。

 

与此同时,TensorFlow 选房模型扮演的角色也从单纯给房源打分,慢慢转向辅助经纪人更好地工作,既满足用户的个性化需求,又让平台上的经纪人更好地为用户服务。

 

房源图像:从手动录入,到自动检索

 

真房源是贝壳找房一直以来奉行的准则,为保证平台房源的真实性,贝壳找房尤其重视房产证以及其他相关证件的核实、录入。

 

一套房子在挂牌开售之前,售房公司需要手动核查房产证,录入房主姓名、房屋地址、户型面积等信息。但 TensorFlow 的加入,完全改变了证件的审查录入过程。

 

贝壳找房高级工程师陈嘉远告诉 PingWest品玩,利用TensorFlow,如今贝壳找房的证件审查录入过程已经完全实现了自动化,证件的字段识别准确率达到了 95.75%。

 

看似简单的图片识别,对于精确度极高的证件录入工作来说却并不简单,每一个流程都要用到复杂的神经网络。

 

首先,对于经纪人上传的图片要进行预处理。“TensorFlow 在预处理过程中主要有两个任务,”陈嘉远说,“第一是无关图片的过滤,第二是不标准图片的处理。”比如有时,平台要求卖家提交房产证,但经纪人却同时提交了身份证等无关证件,还有一种情况是提交的证件图片旋转了 90 度或者 180 度。

(房源图像处理流程图)

预处理过后,模型会自动定位图像中的文字行,并进入 OCR 识别模块,自动录入房产证里的文字信息。

 

而这整个过程中用到的卷积神经网络和机器学习模型,全部是通过 TensorFlow 来实现的。

 

注重细节创新,技术开发持续提效

 

在潘昊和陈嘉远看来,过去居住服务行业智能化程度较低,很多交易步骤都依靠人工来完成,无论是给房子打分还是自动录入房本,都曾经是很困难的技术。

 

利用机器学习技术开发各种功能的过程极其复杂。首先需要先招募一批具备深度学习知识的算法工程师,再针对想要实现的功能从头搭建模型,工作量很大。

 

潘昊回忆到:“过去想要用 DNN 和 LSTM 这种复杂模型,需要几天甚至是几周的工作量,但是使用 TensorFlow 已经封装好的高级 API,十几行代码就构建好了模型,提高了开发效率,节约开发成本,而且在更改模型结构上非常方便、灵活。”

 

TensorFlow 机器学习开源框架让开发成本大大降低后,工程师们不再需要花大量时间在研究底层技术上,也有了更多的机会去试错、去实验自己的新想法。

 

贝壳找房高级工程师袁彬提到,在 TensorFlow 出现后,模型的迭代速度大大加快了。“之前我们通过基础的 C 语言去实现一些深度模型,当有一个新想法、或者开发一个新的功能,得花一周时间来实现。”袁彬说。“而在 TensorFlow 已经集成好的模块,和实验好的层之上,再去尝试这些新的想法,只需要一天或者半天的时间,就可以完成一次想法的迭代。”

 

机器学习正在渐渐完成对传统行业的改造,而以贝壳找房为代表的新居住服务平台正对居住服务行业进行科技变革。降低高级技术的使用门槛,是改变发生的第一步。

Be First to Comment

发表评论

您的电子邮箱地址不会被公开。