【51CTO.com原創稿件】

[[286886]]

日前，貝殼找房知識圖譜技術大會在北京環球財訊中心召開。知識圖譜作為近年來人工智能領域里一項比較熱門的技術，被廣泛應用于智能搜索、智能問答、智能推薦等場景中。本次會議由來自貝殼找房智能搜索團隊的四位專家擔任主要講師，300多名AI領域開發者及愛好者受邀參加，和與會嘉賓共同分享圖譜技術在貝殼落地的實踐經驗和應用成果。

　　關系圖譜在貝殼找房風控側的落地

　　貝殼找房資深工程師王學志圍繞關系圖譜在貝殼風控側的落地，詳細闡述了關系圖譜在貝殼風控體系中的應用。王學志介紹，貝殼的業務模式基于ACN經紀人合作網絡。風控與業務是強相關的，因此貝殼的行業屬性和業務模式決定了貝殼的風控場景也有其鮮明的特點。

[[286887]]

貝殼找房資深工程師王學志

　　ACN經紀人合作網絡是指在遵守房源信息充分共享等規則前提下，同品牌或跨品牌的經紀人之間以不同的角色共同參與到一筆交易，成交后按照各個角色的分傭比例進行傭金分成的一種合作模式。這一模式實現了跨品牌間房源、客源和經紀人之間的聯動，同時也導致貝殼的風控體系構建要考慮如下因素：業務分為線上線下，交易鏈條長、環節多；同時面臨加盟商風險和經紀人風險；對經紀人問責時要提供完整的證據鏈；業務場景多，涵蓋租賃、新房、二手房買賣；交易場景具有低頻、大額、長周期的特點。

　　王學志指出，之所以把關系圖譜應用在風控中，一是因為關系圖譜可以呈現點、線、面的風險刻畫，非常適合團伙攻擊；二是貝殼從自身實際出發，相較于小b違規，從危害程度來說大B風險為優先處理的重點。而且大B違規和復雜的關聯關系是強相關，適用于關系圖譜。

　　據介紹，整體架構上，貝殼關系圖譜分為四層，包括基礎數據、知識構建、知識挖掘、業務應用；技術選型上，貝殼選擇了Spark Graph X作為圖分析計算引擎，Janus Graph作為圖查詢工具；應用場景上，關系圖譜在貝殼風控體系中主要被用于準入防控、風險量化、品質管理、風險發現、查案溯源。

　　王學志提到，未來關系圖譜在貝殼風控側的應用將主要集中于兩個方面：深造基礎能力，包括知識推理、知識融合、高密子圖挖掘、Graph embedding等等；拓展業務應用，包括在風險治理上推動違規溯源智能化、違規模式自動學習等等，在用戶增長方面，通過關系圖譜進行經紀人信用記錄，并據此進行經紀人to B推薦、to C推薦。

　　關系圖譜在貝殼找房的構建與應用

　　貝殼找房資深算法工程師周玉馳以“關系圖譜在貝殼的構建與應用”為主題，分別就貝殼構建關系圖譜的動因、設計過程以及應用實踐做了深入解讀。

貝殼找房資深算法工程師周玉馳

　　周玉馳首先提出了一個問題——貝殼為什么要做關系圖譜。一般來說，房產行業關系圖譜的節點是由經紀人、房、客等構成。關系通常包括瀏覽、關注、帶看等行為關系。隨著業務的快速發展，貝殼積累了海量數據。面對億級別的行為數據，用什么方法來挖掘數據背后的價值呢？貝殼的答案是關系圖譜。

　　周玉馳認為，從0到1構建關系圖譜的過程中離不開三個核心：關系圖譜能做什么；怎么設計；如何應用。他以貝殼關系圖譜的整體技術架構為切入口進行了集中闡述。

　　架構由下而上分為基礎圖譜、子圖譜、圖譜能力、圖譜應用四層。最底層是基礎圖譜，基礎圖譜定義了各種行為關系。基礎圖譜之上又進行了子圖譜建設，子圖譜包括關系強度、同質圖、異質圖。其中，關系強度的量化是建設過程中的重中之重。基礎圖譜與子圖譜共同奠定了關系圖譜的基石。基礎打完后進行了圖譜能力建設，具體包括多度查詢、影響力、Embedding、聚類、相似、關系預測這六大能力。最后基于圖譜能力進行了應用探索，開發了房客通、智能客服等應用工具。

　　在關系圖譜的基礎建設中，關系強度的量化是一個非常關鍵的問題。貝殼在構建過程中主要考慮了三個衡量因素：權重、頻率、時間。周玉馳解釋：“不同關系類型權重不同，比如說帶看行為權重高于瀏覽行為，我們認為瀏覽是輕行為；高頻關系大于低頻關系；近期關系大于遠期關系。總體來說，基于業務理解，再結合數據生產，我們定義了不同關系類型的權重。同時，我們采用模型化的方式進行計算，將一些行為數據和我們的理解進行交叉驗證。”

　　在關系圖譜的能力建設中，周玉馳重點介紹了影響力、Embedding、相似、關系預測這四種能力。就節點影響力來說，貝殼采用的是度中心性方法。通過增加用戶連接數進而增加用戶轉化率對貝殼而言意義重大；在常見的Graph Embedding方法中，貝殼結合自身發展實際，對于同質網絡采用了Node2vec，并采用了side info進行優化，與此同時，針對異質網絡嘗試了Metapath2vec。能力層面，基于Embedding可以進行相似的計算，例如：相似房源、相似用戶。另外，關系預測的實現有兩種路徑，一是基于相似房源或者相似用戶，結合關系強度進行推導，二是基于異構網絡UserEmbedding和HouseEmbedding預判房屋與用戶間的關系。

　　在關系圖譜的應用探索上，周玉馳主要從多度查詢和向量化兩個角度進行了詳細說明。

　　貝殼基于多度查詢的兩個應用，其一是房客通，一款貝殼內部為經紀人和客需求進行連接的產品，其二是挖掘圖譜，以用戶為中心，基于基礎圖譜來找到符合需求的直接相連房源，再通過圖譜能力進行挖掘，或者通過房特征找到相似房源，給用戶推薦與用戶相關的子圖，以可視化的方式進行展示推薦。

　　貝殼基于向量化探索的應用比較典型的是推薦功能。普遍來說，經紀人為客戶找房子的方式還停留在比較原始的階段，比如搜索微信群或者朋友圈、向門店其他經紀人詢問、房源交流會時的溝通交流等。但貝殼可以通過人、客、房匹配策略算法對經紀人進行助力，一方面為經紀人篩選客戶，推薦合適房源；一方面還可以通過為優質房源匹配客戶來提升成交率。

　　分布式圖數據庫在貝殼找房的應用實踐

　　貝殼找房搜索平臺負責人高攀的演講主題更偏重于關系圖譜的基礎建設，主要圍繞圖數據庫展開。

[[286888]]

貝殼找房搜索平臺負責人高攀

　　高攀對圖數據庫的定義和應用領域進行了簡述：所謂圖數據庫，不是存儲圖片的數據庫，而是存儲節點和關系，以圖結構進行存儲和查詢。其應用場景非常廣泛，在社交網絡、搜索推薦、風險管理、業務流程、事件關系等領域都可以用圖數據庫來解決。

　　隨后，高攀解釋了圖數據庫平臺對貝殼的必要性。

　　“貝殼找房目前最大的行業圖譜量級已經達到480億三元組。一個很現實的問題就是，如此海量的數據應該如何存儲才能支持業務的高效查詢？同時我們考慮到是不是可以有一個通用的圖數據庫平臺來支撐所有需要使用圖數據庫的場景？讓上層做圖譜的同學可以更專注于策略或算法，而不需要花精力去關注底層的存儲技術實現，答案顯然是肯定的，我們需要統一的圖數據庫平臺。”

　　在這一需求的驅動下，貝殼找房開始尋找合適的圖數據庫，在考慮到開源、性能、穩定性、成熟度、易用性、可擴展性、運維成本等因素后，最終決定在DGraph和JanusGraph間做出選擇。在經過架構、副本、數據一致性、查詢語言、全文檢索、可視化、寫入性能、查詢性能、運維成本等方面的對比后，最終選用了DGraph。貝殼在完成圖數據庫集群搭建、數據導入后的性能壓測中，也得到了相當滿意的結果：在這480億數據中的查詢都可以達到50毫秒以內，并且并發可以到15000多QPS。當然DGraph也有缺陷和不足：不支持多重邊、一個集群只支持一個圖、大數據生態兼容不夠，總體還有不少可以改進的空間。

　　高攀提到，下一步貝殼找房在圖數據庫建設上將繼續對其性能穩定性做深入優化，包括對其源碼進行改進；其次，推進圖數據庫作為搜索中臺基礎引擎，支持各種圖數據庫檢索需求；結合搜索云平臺界面化操作、快速配置接入，簡化其運維成本。當分布式圖數據庫在貝殼成熟以后，可以統一支持公司內各種知識圖譜、風險關系圖譜等，真正做到所有圖譜需求不用再關注于底層存儲技術，只需要關注圖譜構建或應用的策略算法。

　　行業圖譜在房產領域的應用實踐

　　貝殼找房行業圖譜負責人孫拔群就行業圖譜在房產領域的建設和應用這一主題和與會者進行了分享。

[[286889]]

貝殼找房行業圖譜負責人孫拔群

　　孫拔群認為，對于一個行業公司來說，通過內部數據，可以完成自我剖析和定性描述；通過外部數據，可以明確市場定位和定量描述，了解自身在行業整體所處的發展狀況；通過融合數據進行分析，可以最終達成業務目標，即通過行業知識圖譜實現自身的戰略規劃和愿景使命。

　　孫拔群簡要說明了通過行業知識圖譜解決問題的思路——首先，制定目標，推導價值；然后，選擇方案，路徑達成；最后，評價效果，形成循環。

　　“我們基于行業圖譜去測算出我們整體在全國各個城市里面的價值空間。得到價值空間，就有了基本的核心目標，明年要進行GMV提升，這是基于公司層面的戰略指標和定義。具體落實到執行，那就要進行目標拆解，一方面通過智能問答、知識推理、社區發現這些圖譜技術應用來直接促進業務目標達成，另一方面通過基于行業知識圖譜建立的行業情報系統，以提效工具、線索增量、大盤決策等工具來推動目標實現。最后通過效果評價，形成正向循環。”

　　孫拔群對于行業數據的引入、加工和融合做了相關說明。類型上說，主要的行業數據可以分為五大類：標競品，要做到知己知彼；專業內容，包括國家相關政策和宏觀經濟環境等；上下游，比如開發商、物業、建筑商的數據；環境周邊，即房源周圍的環境數據；用戶群體，不用贅述。由于這些數據來源各不相同，結構差異化大，因此引入這些數據之后要做數據清洗和實體融合，之后就可以著手建立行業知識圖譜。

　　孫拔群最后提到了未來一年貝殼找房將在行業圖譜智能應用上研發的方向。其一，IM助手，為經紀人提效。通過知識圖譜提高經紀人應對客戶提問時的反饋速度和準確率；其二，搜索效果。當搜索結果少的時候，提供一些站外的房源或者是說站外的熱度；其三，AI講房。在海量VR房源數據基礎上，結合AI技術，通過圖像識別、結構處理等算法智能化處理三維空間信息，實現對房屋本身的理解。AI根據周邊配套、小區內部情況、房屋戶型結構和交易信息等維度，通過TTS（文本轉語音）技術，為用戶提供個性化的智能講房服務。

　　貝殼自成立以來始終以技術為驅動，以消費者為中心，致力于讓房源、客戶、經紀人之間的數據互聯更加智能，打造產業互聯網下的“新居住”品質服務生態。截至2019年9月底，貝殼找房已進駐全國103個城市和地區，連接3.2萬家門店和超過32萬新型經紀人，入駐平臺的新經紀品牌超過226個。

【51CTO原創稿件，合作站點轉載請注明原文作者和出處為51CTO.com】