深圳2019年1月15日電 /美通社/ -- 2019年1月15日，樂有家推出“千人千面”二期，在原本的基礎(chǔ)上優(yōu)化了相關(guān)算法，根據(jù)前期的用戶行為反饋，將較受歡迎專題內(nèi)容和一些熱門小區(qū)推薦給用戶；此外房源精準推薦的范圍從二手房擴大到租房領(lǐng)域，從此租房者也能輕松找房。
專家系統(tǒng)和機器學(xué)習(xí)
近年來，人工智能、機器學(xué)習(xí)、千人千面等名詞進入大眾的視野，改變大眾的生活。但其實，早在1956年，DARTMOUTH學(xué)會便提出人工智能這一概念。人工可以很好理解，那智能是什么呢？智能是指能夠自動的對外界變化做出反應(yīng)，從而完成特定任務(wù)的行為。根據(jù)如何對外界變化做出反應(yīng)，智能被分為兩類，一類是人類自行制定規(guī)則，稱為專家系統(tǒng)。專家系統(tǒng)是一個智能計算機程序系統(tǒng)，其內(nèi)部含有大量的某個領(lǐng)域?qū)＜宜降闹R與經(jīng)驗，能夠利用人類專家的知識和解決問題的方法來處理該領(lǐng)域問題。
另一類是機器自己學(xué)習(xí)規(guī)則，稱為機器學(xué)習(xí)，是指機器從數(shù)據(jù)中挖掘和學(xué)習(xí)其中潛在的模式和規(guī)則。
在樂有家的業(yè)務(wù)場景和產(chǎn)品中，這兩種模式都得到很好的運用。例如樂有家運用專家系統(tǒng)模式開發(fā)經(jīng)紀人異常行為識別系統(tǒng)，經(jīng)紀人輸入跟進數(shù)據(jù)、帶看數(shù)據(jù)、巡店數(shù)據(jù)3大類型數(shù)據(jù)后，計算機根據(jù)前期已經(jīng)設(shè)定好的條件，自動進行造假判斷，如果經(jīng)紀人輸入的數(shù)據(jù)不符合前期設(shè)定的條件，系統(tǒng)會自動進行行政處罰，或者通知業(yè)務(wù)部門進行督導(dǎo)。經(jīng)紀人異常行為識別系統(tǒng)一經(jīng)上線，大大提高了業(yè)務(wù)部門管理員工的效率，節(jié)省了大量的人力成本，也倒逼經(jīng)紀人不斷提升自己的專業(yè)能力，更好的服務(wù)客戶。
千人千面，讓房源推薦做到因人而異
在傳統(tǒng)的房源推薦中，存在不少的痛點。很多用戶其實對自己的購房（租房）需求不是很明確，不清楚自己想要什么樣的房子，通過以往的標簽搜索自己心儀的房源無疑是大海撈針。對于運營者來說，以往傳統(tǒng)人工推薦房源存在策劃周期長、更新頻率低、運營成本高等問題，無法做到實時的個性化推薦和精細化運營等一系列問題。
為了解決這些痛點，樂有家通過“大數(shù)據(jù)+機器學(xué)習(xí)”的人工智能技術(shù)代替人工，實現(xiàn)自動化的房源專題頁生成及房源推薦，開發(fā)了“千人千面”功能。
樂有家的“千人千面”是指不同的用戶登陸樂有家APP，在首頁將會看到不同的房源專題，例如熱門地段好房子、車位充足好房子、戶型方正大空間等；此外，不同的用戶點擊同一專題也會看到不同的房源，房源推薦真正做到了因人而異，精準推薦。
為了實現(xiàn)房源推薦“千人千面”，樂有家做了很多嘗試和摸索，最后終于破解背后的原理和技術(shù)。第一步是收集現(xiàn)存的用戶歷史行為數(shù)據(jù)，包括用戶歷史瀏覽行為、點擊行為等數(shù)據(jù)。第二步是通過用戶歷史行為數(shù)據(jù)，選擇合適機器學(xué)習(xí)算法，構(gòu)建離線用戶模型。
第三步是根據(jù)當前訪問用戶的實時數(shù)據(jù)，利用離線構(gòu)建的模型，運用無監(jiān)督學(xué)習(xí)的算法方式，定時計算用戶對房子各個屬性的偏愛程度，例如偏好朝南的程度是多少，偏好近地鐵的程度是多少。
第四步是根據(jù)上面的信息，千人千面就可以判斷用戶更加傾向于哪一些主題，千人千面就會根據(jù)用戶偏好組成專題頁，當這些用戶進入樂有家APP時，首頁就會顯示用戶最感興趣的專題。
第五步是當用戶進入到每個房源專題后，千人千面又會根據(jù)用戶的歷史行為，運用監(jiān)督學(xué)習(xí)的算法計算用戶對這個主題中包含的每一個房子的感興趣程度。根據(jù)用戶對房源的興趣度進行排序，將用戶最感興趣的呈現(xiàn)給用戶。最終不同的用戶將會看到不同的專題/房源，達到千人千面的結(jié)果。
在這個信息過載泛濫時代，用戶每天都要花費時間和精力從大量的信息中挑選有用的信息。樂有家，利用人工智能，過濾“無效”信息，把用戶最需要的信息，以最快的速度呈現(xiàn)給Ta，讓用戶更高效的找到適合自己的房子，找房從此輕松無憂。
