過去兩年，我們 Trulia Data Science Team 探索了大量影像識別（Computer Vision）在房地產相關的應用，在 Trulia 上線了一些，併發布了一些部落格，在這裡一併總結一下。

相關部落格：

背景

Trulia 上展示著大量的房地產相關圖片，每天的新照片數量超過百萬，單從數量上來說，可能是圖片數量最大的產品之一。在這個注重視覺體驗的時代，如果想要給使用者更好的體驗，將圖片作為中心打造產品，我們必須瞭解每一張圖片。因此，我們組一直在探索相關的技術，開發新的應用。

Scene Classification

我們首先完成研發的是影像的分類。在一般的房屋圖片中，都有不同的房間型別，比如廚房、客廳、臥室、後院等等。我們訓練了深度模型可以準確地將圖片歸類成為幾十種房間型別。

一旦有了房間型別，我們可以圍繞著這些影像資料做一些視覺體驗優先的特性，比如專門把好看的游泳池放在一塊一起展示，這樣給使用者帶來了更好的瀏覽體驗。使用者開心了，自然就會在網站上停留更久。

當網站上的內容過多，都會出現一些極端情況，比如不符合規範的內容。在圖片中也有這樣的情況，不少上傳的圖片並不是房地產領域的圖片，比如寵物、大量文字等等。為了解決這個問題，我們開發了模型來預測圖片是否適合房地產領域。

同時，我們也非常在乎對於不同的圖片，哪一張更好看。為此，我們開發了模型來預測圖片的好看程度。

這些模型被應用在了不同的領域，確保使用者能夠看到好看的圖片，遠離不相關的圖片，增加使用者體驗。

一個房子平均有20張圖片，但幾乎所有展示房子的地方都只會放一張圖片。放哪一張圖片最合適？我們使用演算法，結合透過模型預測的圖片的幾個資訊，來自動挑選封面照片。

我們的演算法結合了模型預測出來的分數，去掉不適合房地產領域的圖片，參考圖片好看程度，並給與不同的房間型別不同的權重，綜合選出最好的照片作為封面照片。這樣的演算法還可以根據使用者偏好的房間型別，比如廚房、臥室，來給使用者優先展示使用者喜歡看到的圖片，做到個性化的圖片推薦。

隨著視覺體驗的重要性日益增加，使用者越來越期待看到圖片，而不是文字的內容。因此，把圖片作為產品的核心，是一個無法阻擋的趨勢。而只有讓計算機理解圖片，才能給使用者相關的內容。為了像理解文字那樣理解圖片，必須要研發相關的技術，做好技術儲備。

正如我在答案如何評價谷歌的「人工智慧先行」（AI First）戰略？中所說，現在是做機器學習應用最好的時代。越來越多成熟的框架和資料集的出現，大大減低了研發的難度，應用的研發已經沒有技術門檻。我們應該更多地探索使用者的需求與體驗，思考如何使用技術帶來全新的產品，更好地服務使用者。