国产精品久久久久久久久久直播,国产99久久九九精品无码,凹凸国产熟女精品视频app,丰满少妇被猛男猛烈进入久久

對于計劃出租房屋的房主，你應該將房屋的租金設(shè)定為多少呢？或者對于租房的顧客而言，應該給自己的租房支付多少呢？不管是對于一次有計劃的遠足，還是一次說走就走的旅行，為租房付出多少才真正合適呢？

回答這些問題并不容易。事實上，可以通過將潛在的租房列在我們網(wǎng)站—Airbnb上來實現(xiàn)，Airbnb是一家聯(lián)系旅游人士和家有空房出租的房主的服務(wù)型網(wǎng)站，它可以為用戶提供各式各樣的住宿信息。

在焦點小組，我們觀察到人們在我們的網(wǎng)站上填寫房屋信息的過程中，往往在價格選項上會顯得為難。很多人會查看他們的鄰居們所設(shè)置的價碼，然后選擇一個可比較的價格；這個過程會讓用戶在瀏覽器中打開很多標簽，然后找出那些與他們接近的房源。有些人在填寫信息之前，腦子里已經(jīng)有了一個目標，可能是為了賺取一些額外的資金，來幫助支付抵押貸款或度假費用。于是，他們開出的價格主要是為幫助他們實現(xiàn)這一目標，反而沒有考慮房子真實的市場價值。而對于這其中的有些人，不幸的是，通常他們的房子都沒能被租出去。

顯然，Airbnb需要為人們提供一種更好的方式—自動化定價，以幫助顧客做出正確的決定。這就是我們?yōu)槭裁丛?012年就開始構(gòu)建定價工具，并至今一直在努力地改進它們的原因。今年6月，我們發(fā)布了我們最新的版本。我們開始實行動態(tài)定價，也就是說，根據(jù)不斷變化的市場條件每天提供新的價格提示。我們調(diào)整了我們的通用定價算法以考慮市場上一些偶然的、甚至是令人驚訝的特征。此外，我們還增加了一種獨特的機器學習方法，讓我們的系統(tǒng)不僅能從自己的經(jīng)驗中學習，而且必要時還能利用人的一些直覺。

在線網(wǎng)絡(luò)中，許多公司使用算法來設(shè)置或建議價格。以易趣為例，它會告訴用戶哪些類似的產(chǎn)品已經(jīng)售出，以致用戶可以基于這些信息對自己的產(chǎn)品設(shè)置價格。易趣的定價問題是相對容易解決的，因為它不用關(guān)心賣家和買家在哪里，也不需要是關(guān)心產(chǎn)品在什么時候出售。雖然在搭乘共享公司Uber和Lyft中，地域和時間都是需要考慮的因素，但是這兩家公司僅僅通過法令來確定價格，在定價方面并沒有用戶選項，也不需要考慮定價的透明性。

在Airbnb上，我們面臨著一個異常復雜的問題。我們網(wǎng)站上的數(shù)百萬房源都是獨一無二的，它們有自己的地址、大小和裝飾。顧客在接待、飲食或旅游引導方面的要求也不盡相同。一些規(guī)律的（如季節(jié)性天氣變化）和不規(guī)律的（如本地的大型活動）因素都會讓問題變得更加復雜。

三年前，通過利用房源信息中最重要的一些特征，如房間和床鋪的數(shù)量、周圍的環(huán)境、以及某些特殊的設(shè)施（如停車位、游泳池等），我們開始構(gòu)建一個為潛在用戶提供價格提示的工具。我們在2013年正式將它推出，它在大多數(shù)情況下工作得很好 。但它也存在局限性:

第一，其定價算法的工作方式是不變的。

舉個例子，假如我們考慮俄勒岡州波特蘭市珍珠區(qū)的情況，如果設(shè)定河邊的房子的價格比遠離河邊的房子的價格要高，除非我們手動地對這些指標進行變更，否則該算法將永遠這樣執(zhí)行。

第二，我們的定價工具并不是動態(tài)的，并不會根據(jù)你預定房間的時間或有多少人在同一時間預定而對價格提示做出調(diào)整。

自去年年中以來，我們一直在試圖改變這種狀況。我們想構(gòu)建一個工具，其能夠通過與用戶進行交互而從錯誤中獲得提高。我們也希望使用該工具來調(diào)節(jié)需求，在必要的時候，可以在房間空余時給出價格下降的提示，或根據(jù)需求增加給出價格增長的提示。我們現(xiàn)在已經(jīng)解決了這些問題，并且在今年6月份的時候用戶已經(jīng)開始使用這一新工具。接下來，我們將告訴你這些工具是如何不斷改進的，并且它們現(xiàn)在是如何工作的。我們還會告訴你，為什么我們最新的工具—Aerosolve，除了對租賃的房屋進行定價，最終還可以做的更多。這也是為什么我們將其發(fā)布到開源社區(qū)的原因。

三個簡單的例子

為了得到解決這個問題的思路，我們首先舉三種簡單的情況。

比如，去年足球世界杯期間你居住在巴西。你的家鄉(xiāng)會涌入大量來自于世界各地的游客，聚集在一起享受這個星球上最偉大的足球比賽。如果此時你的房子里正好有空余的房間，你也想滿足其他足球愛好者的需求，順便賺取一些額外的現(xiàn)金，就可以將它們租出去。

為了幫助你設(shè)置合理的價格，我們的工具需要考慮幾個因素：

首先，在這個國家，這是一代人才可能經(jīng)歷一次的事情，所以我們在Airbnb上絕對沒有歷史數(shù)據(jù)可供參考。其次，所有酒店都被預定一空，供需之間巨大的不平衡此時尤為明顯。第三，人們來旅游的時候，他們已經(jīng)在機票和國際旅行上花了很多錢，因此他們也已經(jīng)準備為住房花上一筆。

因此，除了房間大小、房間數(shù)量和位置等因素，這些因素也都應該被考慮進去。

或者，想象你在蘇格蘭高地繼承了一座城堡，為了支付清理護城河、經(jīng)營酒廠、以及飼養(yǎng)獵鷹的成本，你決定將炮塔改造成一個提供早餐和住宿的旅館。不同于世界杯的情況，此時你有一些可比較的數(shù)據(jù)，那就是附近的城堡。一些數(shù)據(jù)可能跨越了很多年，提供了有關(guān)旅行的一些季節(jié)性信息。而且你知道，因為該地區(qū)還有其他的住宿選擇，此時，對于旅游租房的供應和需求相當平衡。然而，這種特殊的城堡在蘇格蘭是獨一無二的，其擁有獨特的雙護城河。系統(tǒng)應該如何評價這些特有的功能的價值呢？　　

再看最后一個例子：假設(shè)你在巴黎擁有一個典型的兩居室公寓。當你決定在8月份休假數(shù)周，并向南去往蒙彼利埃，此時想把房子租出去。此時存在很多可比較的房源，所以它是相對容易定價的。但是，當有很多人對你的房子產(chǎn)生興趣的時候，你決定開始逐步提高價格，以最大限度地賺取更多的現(xiàn)金。但這是一個棘手的問題，如果你定價太高，或預定日期太緊迫，將面臨賺不到任何錢的可能，這時該怎么辦？或者相反的情況，你一開始設(shè)置了較低的價格，雖然在接下來的幾個月里就會承擔較小的風險，可是卻賺了更少的錢。我們應該如何幫助房主獲得更好的信息，以避免這種不確定性和遺憾呢？

這些都是我們所面臨的各種各樣的問題。我們想構(gòu)建一個易于使用的工具，當用戶決定出租自己的房子的時候，為他們提供有用的信息，同時為定價提示給出明確的理由。

工具的整體架構(gòu)

對于我們的工具，其整體架構(gòu)出奇簡單：當一個新房主開始在我們的網(wǎng)站上添加一個房源的時候，我們的系統(tǒng)提取房源的關(guān)鍵屬性，查看在這區(qū)域中有相同或相似屬性的、且被成功預定的房源，同時考慮到需求要素和季節(jié)性特征，提供一個居中的價格提示。

當我們試圖將這個問題描述清楚的時候，最棘手的問題出現(xiàn)了，即房源的哪些屬性是關(guān)鍵屬性。沒有兩個房源在設(shè)計和布局上是相同的，房源也分布在城市的每一個角落，而且很多都不是公寓或別墅，而是城堡和小屋。我們的工具選擇了三大類型的數(shù)據(jù)來設(shè)置價格：相似性、新舊程度和位置。

對于相似性數(shù)據(jù)，一開始查看所有已知的可量化的房源屬性，然后看哪些房源與顧客計劃支付的價格最接近。之后看房間里可以住多少人，是一個大的集體宿舍還是小的私人房間，以及住房的類型（公寓、城堡、蒙古包等）和評論數(shù)量。

這里最令人驚訝的屬性也許是評論數(shù)量。事實證明，人們愿意為有很多評論的房源進行支付。而針對買什么以及向誰買等問題，亞馬遜、eBay和許多網(wǎng)站都靠評論幫助用戶進行選擇，但評語數(shù)量是否會導致價格有很大的區(qū)別目前并不清楚。對我們來說，與沒有任何評論相比，即使只有一條評論也會導致房源有一個巨大的價格差異。

我們也考慮了新舊程度，因為市場變化頻繁，特別是旅游業(yè)。最重要的是，旅游是一種季節(jié)性很強的活動，所以在進行分析的時候，重要的是基于現(xiàn)在的數(shù)據(jù)，或者去年這個時候的數(shù)據(jù)，而上個月的數(shù)據(jù)可能關(guān)聯(lián)性很小。下圖給出了一個例子，說明季節(jié)性需求和當?shù)氐幕顒訒е路课莩鲎鈨r格起伏，在得克薩斯州奧斯汀市，在South by Southwest（SXSW）和Austin City Limits festivals音樂節(jié)期間，房屋出租價格會上漲。

對于像倫敦和巴黎這樣高度發(fā)達的市場，獲得市場數(shù)據(jù)是很容易的，在我們的網(wǎng)站上有成千上萬被預定的房源可供比較。對于新興市場，我們按照大小、旅游業(yè)的發(fā)展水平以及在Airbnb上所處的增長階段，將它們進行分類。這樣，我們不僅僅能夠?qū)⑵渑c所在城市的房源進行比較，而且可以與其他具有相似特征的市場相比較。因此，如果來自于日本的一個房主第一次在Airbnb進行注冊，計劃出租一套位于京都的公寓，我們不妨查看來自于東京或?qū)降姆吭?，如果Airbnb上沒有這些城市的數(shù)據(jù)，我們還可以與來自于阿姆斯特丹的房源進行比較，因為對于Airbnb來說，阿姆斯特丹是一個比較成熟的市場，而且它與京都具有接近的城市規(guī)模和旅游業(yè)水平。

最后，我們需要考慮位置，對我們來說，這是一個與酒店相當不同的問題。酒店通常成片地分布在幾個主要的地點，而我們的房源幾乎分布在城市的每一個角落。

在我們的定價算法的早期版本中，算法以房源為中心繪制一個不斷擴大的圓圈，考慮在房源位置附件不同半徑上與其特征相似的房源。這種方法有的時候工作的很好，但我們最終發(fā)現(xiàn)一個重要的缺陷。想象我們在巴黎有一套公寓。如果公寓是位于市中心，那么我們將圓圈不斷擴大時，它會迅速開始覆蓋塞納河兩側(cè)非常不同的街區(qū)。在巴黎，雖然在塞納河兩邊的房子都不錯，但僅僅相隔百米距離的公寓都會有非常大的價格差異。在其他的一些城市，有時這個問題會顯得更加明顯。在倫敦，舉例來說，僅僅相隔一條泰晤士河，格林尼治地區(qū)的價格可以超過倫敦碼頭附近的兩倍。

因此，我們讓一個制圖員在世界各地主要的一些大城市中為每一個街區(qū)繪制邊界。這些信息的創(chuàng)建是非常準確的，通過使用相關(guān)的地理空間數(shù)據(jù)，如周圍的河流、公路和運輸線，我們能夠?qū)Ψ吭催M行準確分類。

現(xiàn)在，這些問題得到了解決。例如，在十月份的第一個周末，如果想在倫敦租住一個二人標間，泰晤士河邊上格林尼治地區(qū)的價格提示是130美元一晚，而河對岸具有類似條件的房間的價格提示僅僅是60美元一晚。以前的算法讓系統(tǒng)為很多新的房源給出一個99美元的價格提示，沒有考慮它們的具體特征。雖然這不是長時間發(fā)生，也不是在每一個地區(qū)都這樣，但我們認識到，當這種情況發(fā)生的時候，可能會導致人們質(zhì)疑我們的定價工具是否有效。　

動態(tài)定價與算法自動學習　

隨著時間的推進，我們不斷改進我們的算法，直到他們能夠考慮數(shù)千種不同的因素，并在非常精細的水平上理解地理位置。但該工具仍然存在兩個不足。

其一，它給出的這些價格提示是靜態(tài)的。事實上，在了解了當?shù)氐囊恍┗顒雍吐糜蔚募竟?jié)性變化之后，它應該在一年之中不同的季節(jié)為相同屬性的房源建議不同的價格。但它并沒有這樣做，然而，航空公司卻會當日期臨近的時候改變機票價格，訂單減少時將價格下調(diào)，在市場升溫時將價格提高。

另外一個不足是，工具本身是靜態(tài)的。事實上，當工具能夠挖掘到前所未有的歷史數(shù)據(jù)的時候，它的價格提示有所改善，但算法本身并沒有變得更好。

去年夏天，我們開始了一個項目，以解決這兩個問題。

在動態(tài)定價方面，我們的目標是為每個房主，針對他們的房子計劃出租的日期，每天給出一個新的定價提示。動態(tài)定價其實并不新鮮。航空公司開始動態(tài)調(diào)整機票價格已經(jīng)幾十年了，而且常常是實時的，以試圖確保最大的滿座率，以及每個座位賣出最高的價格。酒店業(yè)也是這樣，隨著連鎖的規(guī)模變得越來越大，酒店的業(yè)務(wù)數(shù)據(jù)量不斷增長，酒店營銷也被搬到網(wǎng)上，使得連鎖每天可以多次變動價格。

因此，我們需要對動態(tài)定價進行投資，一旦我們有好幾年的歷史數(shù)據(jù)，我們就可以挖掘它們，盡管這需要大量的計算資源，但對我們來說具有非常大的意義。

讓算法自身不斷改進要更加困難，尤其是因為我們希望系統(tǒng)給出的價格提示具有高的可解釋性。在某些情況下，我們希望算法能夠有自己“思維過程”，能夠從數(shù)據(jù)中學習而獲得提高。機器學習系統(tǒng)通常具有一定的規(guī)模和復雜度，常常以一種神秘的方式工作。

例如，谷歌大腦學習了在網(wǎng)絡(luò)視頻中找出貓臉的能力，通過一個多層模型對數(shù)據(jù)進行分類，然后得出一個視頻是否包含貓臉的結(jié)果，而這個工作對于人類來說幾乎是不可能復制的。

我們選擇了一個分類機器學習模型。它使用房源的所有屬性以及當前市場的需求，然后預測其是否將被預定。系統(tǒng)計算價格提示是基于數(shù)百個屬性，如是否包含早餐、房間是否有一個私人浴室等。我們通過將價格提示與結(jié)果進行比較，對系統(tǒng)進行訓練。考慮房源是否以一個特定的價格被預訂，將幫助系統(tǒng)調(diào)整其價格提示以及評估一個價格被接受的概率。當然，房主可以選擇比價格提示更高或者更低的價格，然后我們的系統(tǒng)也會對估計概率做相應地調(diào)整。系統(tǒng)之后會檢查房源在市場上命運，并使用這些信息來調(diào)整未來的提示。

下面就是機器學習發(fā)揮作用的時候了。通過分析哪些價格提示獲得了成功，我們的系統(tǒng)開始調(diào)整不同房源屬性的權(quán)重。我們一開始也會做一些假設(shè)，例如地理位置非常重要，而是否有熱水浴缸沒有那么重要。我們保留了以前的定價系統(tǒng)中所考慮的某些房源屬性，同時又添加了一些新的屬性，如“預定日期之前的剩余天數(shù)”，這些信息對我們的動態(tài)定價產(chǎn)生影響。所有新的信息被考慮到模型中，都是通過我們對歷史數(shù)據(jù)的分析，表明它們與我們的動態(tài)定價能力是相關(guān)的。

例如，某些照片更可能吸引預訂。總的趨勢可能會讓你大吃一驚，時尚、明亮的客廳的照片，雖然易于得到專業(yè)攝影師的偏愛，但相比于用暖色調(diào)裝飾的、舒適的臥室的照片，它們并沒能吸引更多的潛在客人。

隨著時間的推移，我們期待各種信息的權(quán)重能不斷自動改進，以提高我們的價格提示。如果我們相信我們所了解到的一些東西，模型并沒有刻畫清楚，我們也可以通過其他方式參與和影響權(quán)重的設(shè)置。我們的系統(tǒng)能夠為每個定價提示產(chǎn)生一個各種因素及相應權(quán)重的列表，提高工具的可解釋性，這也是大家所希望看到的。如果我們覺得有些信息在模型中沒有被很好地描述，我們會手動地將它們添加到模型中。

我們的系統(tǒng)也在不斷地調(diào)整我們的地圖以反映街區(qū)邊界的變化。因此，系統(tǒng)并不是依賴于當?shù)氐牡貓D，比方說，一個當?shù)氐牡貓D可能告訴我們波特蘭開拓者隊的恩光街區(qū)在哪個地方結(jié)束，里士滿街區(qū)從哪個地方開始，但這并不是我們所關(guān)心的，我們依靠一個城市中房源的預訂和價格的分布數(shù)據(jù)來描繪各種曲線。這種做法也讓我們發(fā)現(xiàn)了我們以前所沒有意識到“微街區(qū)”。這些地區(qū)可能有大量的流行的房源，但它們并不一定與標準的街區(qū)邊界相匹配，或者可能存在一些局部特征，依據(jù)它們將一個較大的傳統(tǒng)街區(qū)分為一個個小的部分可能更加理想。下圖給出的例子，是我們的工具所劃分的倫敦的“微街區(qū)”分布。

今天，這些工具為來自于全球的Airbnb房源提供價格提示。但是，我們認為這些工具除了幫助潛在的房主為在線出租服務(wù)更好地設(shè)置合理的價格之外，事實上它還可以做得更多。這就是為什么我們將這些工具所基于的機器學習平臺（Aerosolve）作為一個開源工具發(fā)布的原因。它將給那些還沒有接觸過機器學習的從業(yè)人員一個簡單的切入點。通過弄清楚系統(tǒng)的功能，它會讓更多人使用這些工具，這也是作者寫作本文的目的。到目前為止，我們已經(jīng)用它來構(gòu)建了一個系統(tǒng)，能夠以一種點彩畫的風格進行繪畫。我們渴望看到我們行業(yè)以外的有創(chuàng)造性的工程師開始使用這些工具，并期待他們最終的成果。

【號外！】執(zhí)惠私享會第二站將于12月19日（周六）下午在深圳舉辦，此次活動邀請到了多家深圳旅游O2O代表企業(yè)的創(chuàng)始人、高管，一起探討“2016年如何在‘互聯(lián)網(wǎng)+旅游’里煉金”的話題。除了干貨分享外，執(zhí)惠旅游還將在現(xiàn)場抽出幸運觀眾送出由安科運達提供的塞舌爾、巴厘島往返機票！趕快約起來吧！報名請戳?“我要報名”！