百度研究院大數據實驗室數據科學家胡偉在由51CTO高招主辦的“CTO訓練營第四課百度技術專場”做了主題為“百度大數據在旅游、金融及醫療領域的應用”的分享。從技術角度深入地剖析了百度大數據在當今三大熱門領域：旅游、金融、醫療的應用。

【講師簡介】

胡偉 百度研究院大數據實驗室數據科學家

百度研究院大數據實驗室數據科學家，分別于2005年和2011年獲西安交通大學學士及博士學位，2009年至2011年在麻省理工學院認知科學實驗室任訪問學生。加入百度前，曾在微軟亞洲互聯網工程院從事搜索廣告和機器翻譯相關研發，擁有多年大規模機器學習和數據分析經驗，研究興趣包括自然語言處理，計算廣告學，深度學習等。

百度作為全球***的中文搜索引擎，沉淀了其他傳統數據平臺無可比擬的海量數據。基于大數據分析技術，百度開放了大數據引擎，與政府、醫療、金融等傳統機構率先展開合作，并逐漸向各個行業滲透、擴展。胡偉老師本次的演講涵蓋了百度大數據技術在旅游、金融及醫療領域的探索，以及深度學習技術在大數據分析中的應用。

百度大數據在旅游領域的應用

應用實例

2014年9月份某旅游景點出現游客爆滿滯留，帶來了很大的安全隱患，旅游人流量預測問題再一次引起了全民的關注。

旅游人流量預測一向是旅游行業的重大課題，尤其是對旅游管理機構以及目的地企業而言，對未來做到“心中有數”，無論對旅游行業宏觀把握和調控，還是對目的地營銷活動的引導，以及對旅游人流流向和流量的調整，都具有很大的現實意義。百度大數據對此問題有專業的工具來解決。

通過百度關鍵詞搜索日志可以發現，事發前一個周末，這個景區有非常高的搜索量，并且搜索的用戶都是周圍的居民，這說明，這些用戶去的可能性極大，進而可以預測到未來的一兩個周末，這個景區的人流量會很大。這就是基于時間和空間的一個簡單預測。

技術要點

百度大數據來源主要有兩個方面：一是網民的廣義搜索行為;二是百度的LBS數據，這些數據基本涵蓋了游客旅游活動中和外界的信息交互行為，同時旅游業的信息密集、產品固定、移動消費等特點，無疑很大程度上契合了百度大數據的特點。

圖1：時間序列預測的基本方法

除了季節性，天氣、是否節假日等因素也影響著人流量，所有這些特征融合在一起就可以做出一個比較準確的預測。如下圖所示。

圖2：景區客流量預測

藍線代表搜索日志量，包含用戶搜門票、路線等信息，紅線代表實際旅游人數。這是一個傳統的模型，即用***個時間點預測第二個時間點，依此類推。

基本模型如ARMA，ETS等過于簡化，使用范圍有限，并且，由于時間序列的特殊性質，標準的機器學習模型難以直接應用。這就要求有更先進的模型來進行更精準的預測。即：動態空間模型State Space Model (SSM)。

圖3：狀態空間模型

簡單地說，y是觀測的人數，當我們要預測y時，影響y的有很多因素，即內部狀態，如天氣因素、搜索因素、GPS定位的人數等，此模型可以把這些因素都隱含進去，然后通過動態的方式來預測每個時間點上的人數。這里的時間序列，是一個動態的模型。

目前，百度已經有了成熟的產品上線：trends.baidu.com

圖4：旅游預測與狀態空間模型

百度大數據在金融領域的應用

首先，胡偉老師明確了一點：我們做的不是風控方面，而是投資方面。百度大數據在金融領域的應用主要基于兩種形式：用戶數據分析和高斯圖模型關聯挖掘。

用戶數據分析

用戶關注某個事物或者心里想什么，會在互聯網上留下一些信息，比如搜索某個公司、新聞信息，或者直接搜索某支股票，這些都可以或多或少的反映出他的投資傾向。

圖5：用戶數據分析

這張圖顯示了一個很有意思的現象：哪個公司的搜索率高，往往這只股票就會跌。這是什么原因呢?用戶其實不會平白無故的搜索一只股票，或者說每個公司的搜索量應該差不多，但是當出現一些負面新聞時，比如破產或者法人出現什么問題，就會有很多人搜索。這一搜索，其實已經相當于一個預警，這個公司的股價有可能會受到負面消息的影響。

金融工程中的數據分析多基于小數據(高頻交易除外)，模型評價主要以回測模擬實現，無法直接應用機器學習算法。百度金融大數據基于Query的等權重指數，可以很清晰地顯示出這些變化特征。

高斯圖模型關聯挖掘

圖6：高斯圖模型關聯挖掘

高斯圖模型(Gaussian Graphical Model)

其中，S為樣本協方差矩陣，X為所求的偏相關系數。基于高斯圖模型挖掘出的股票聯動圖如圖6所示。

具體來說，各個股票之間會有一種內在關聯信息，比如說行業中上下游的關系，鋼材、石油、化工這些都會有一定的關聯。這種關系有的比較直觀，有一些比較滯后，百度通過數據挖掘的方式找出了這種規律，進而對整個金融市場做了一個全新的版圖。

百度大數據在醫療領域的應用

現狀

艾瑞咨詢2015的調查結果顯示：有89%的用戶生病***反應是進行互聯網咨詢，百度疾病、癥狀類的檢索量是平均每天4億。

醫療資源比較匱乏，掛號排隊等是當今醫療行業的現狀，百度內部很早就開始關注如何用新的技術手段改進這一現狀，百度采用的方法是機器學習。

深度機器學習

傳統的數據挖掘時一般用文本分類，即情感分析：當客戶用一段話描述一個癥狀時，會被打上標簽，根據這些標簽，建議用戶去哪些醫院或者科室檢查。這種傳統方法的缺點主要有兩個：一是BoW丟失了詞序等重要信息，二是無法對復雜的非線性關系建模。Word Embedding的缺點是運算量大，embedding過程損失原始文本信息。

百度采用的是基于稀疏特征的CNN，具體來說，就是讓機器自己找出數據內在規律，不對其做人工設置。并且，采用GPU加速，比CPU快了10倍以上。

圖7：基于稀疏特征的CNN

通過搜索流量來獲得用戶疾病數據，通過人工智能有效地挖掘相關數據，百度的疾病診斷和科室診斷都達到了很高的準確率。

***，胡偉老師例舉了一些上線產品：百度健康PC端、百度健康移動端、百度醫療助手DuNurse。

結語：

百度大數據建立在搜索的基礎上，擁有龐大的用戶群和很強的用戶黏性，使用人工智能挖掘技術對數據深入剖析，把智能硬件資源整合，這些優勢都驅動著百度一步步向各個行業滲透。