首页 > 房产资讯 >新闻内容

住建部近日对外公布《住房租赁条例(征求意见稿)》

2020年11月28日 16:03

 住建部近日对外公布《住房租赁条例(征求意见稿)》,并向全社会征求意见。征求意见稿从出租与承租、租赁企业、经纪活动、扶持措施等多方面,对租赁市场的秩序进行规范,着重维护住房租赁当事人合法权益,构建稳定的住房租赁关系。

   值得注意的是,此次《住房租赁条例》是我国住房租赁领域首部条例性规范性文件,旨在有效规范市场秩序,推动租赁市场监管制度化,对行业发展意义重大。

   “租金贷”纳入监管

   “租金贷”“高买低卖”和“长收短付”是租赁市场所面对的三个最大问题。

   “暴雷”的长租公寓无一例外地采取了“高买低卖”“长收短付”的做法,明显有违商业逻辑。例如,租赁企业以每月4000元的价格从房东手中收房,但只以每月3000元的价格出租给房客,一次性向房客收取半年或一年的租金,而给房东的租金则是每一到三个月一付。

   此类模式下,长租公寓的所谓现金流完全是时间差造成的。长租公寓想以低价吸引更多的租客入局,企业规模可以从单一城市扩展至多城市。他们打的算盘是:当有源源不断的租客前来租房时,“高买低卖”产生的价格差总有新的房客租金来填补。

   然而,市场上并没有源源不断的租客产生新的需求,来填补漏洞,或者新租客入局的速度远远追不上价格差所挖的“坑”,这场游戏就玩不下去了。

   业内人士分析指出,凡是快速扩张阶段的租赁企业都青睐轻资产模式,该模式背后就是管理上的松散,业务员在低价之上给租客继续打折的空间也更大。轻资产的特点是对收来的新房简单改造或者根本就不改造,如果重度装修和深度改造,就不是轻资产。分散式长租公寓大多数可以轻资产方式运营,而集中式公寓几乎都是重资产模式。因此,各地“暴雷”的几乎都是分散式运营的公寓,也就不难理解了。

   对此,征求意见稿均提供了“解药”。

  

   针对“租金贷”问题,第二十三条规定:住房租赁企业不得以隐瞒、欺骗、强迫等方式要求承租人使用住房租金贷款,不得以租金优惠等名义诱导承租人使用住房租金贷款,不得在住房租赁合同中包含租金贷款相关内容。

   这意味着,租赁企业要求租客必须在指定网贷平台用租金贷形式支付租金的强行绑定行为,本次法规生效后便不再允许。

   针对“高买低卖”和“长收短付”两个问题,征求意见稿第三十八条规定:

   住房租赁企业存在支付房屋权利人租金高于收取承租人租金(注:高买低卖)、收取承租人租金周期长于给付房屋权利人租金周期(注:长收短付)等高风险经营行为的,房产管理等部门应当将其列入经营异常名录,加强对租金、押金使用等经营情况的监管。

   “ 这一条规定意味着今后租赁企业在找监管部门备案时,监管部门会检查企业的现金流,若存在两种做法,一定会在现金流上有所体现,企业就会被列入经营异常名录中。”诸葛找房分析师王小嫱说。

   《住房租赁条例(征求意见稿)》,其目的在于构建稳定的住房租赁法律关系,维护正常健康有序的房屋租赁市场秩序。特别是针对长效租赁经营模式,征求意见稿提出了多方面规范措施。

   随着我国住房租赁市场快速发展,房主、房屋中介、租户等房屋租赁各方呈现的种类和数量急速扩大,房屋租赁、房屋经纪等法律关系日趋复杂。过去只针对房东和租户的法律规定,已难以覆盖对整个市场的指导和监管。近期频频被媒体曝光的长租公寓企业跑路、租金贷、虚假房源等问题,严重影响了房屋租赁市场的正常发展和秩序。

   具体来看,征求意见稿提出,住房租赁企业不得以隐瞒、欺骗、强迫等方式要求承租人使用住房租金贷款,不得以租金优惠等名义诱导承租人使用住房租金贷款,不得在住房租赁合同中包含租金贷款相关内容。

   对“高进低出”“长收短付”等高风险经营模式,征求意见稿还提出,住房租赁企业存在支付房屋权利人租金高于收取承租人租金、收取承租人租金周期长于给付房屋权利人租金周期等高风险经营行为的,房产管理等部门应当将其列入经营异常名录,加强对租金、押金使用等经营情况的监管,直辖市、设区的市级人民政府可以建立住房租赁资金监管制度,将租金、押金等纳入监管。

   业内人士对此评价称,征求意见稿中对于广泛关注的租金贷问题,明确提出了“三个不得”要求,针对租赁机构在非理性扩张过程中所存在的“高进低出”问题,给予了严厉约束。从效果上看,通过强化监管的方式,有助于提前抑制风险发生的可能。

   上海易居研究院智库研究中心总监严跃进认为,上述政策的出台,进一步细化了房屋租赁市场的相关政策,特别是针对目前波动较大的长租公寓市场,征求意见稿提出的上述政策如果能真正落实,将会对长租公寓市场等房屋租赁行业发挥有效规范引导作用,同时有利于降低长租公寓经营方式的风险。

   王小嫱则对媒体表示,这个说法比较宏观,“暴雷”之后房客的去留问题只能根据双方合同中规定的情形来办。房客如果进入此类高风险的商业模式,就要提前对“暴雷”后的遭遇有所准备。

  

   划出从业人员“红线”

   欺诈客户、恶性竞争、“涉黑”、租赁纠纷投诉无门……租赁市场的种种混乱,让房屋中介人员和房地产经纪业似乎成了“既让人离不开却又备受诟病”的行业,房屋经纪业服务质量和规范性亟待提高。

   此次征求意见稿提出,要建立住房租赁机构登记制度,提高准入门槛。加强对于行业准入企业的监管,建立租赁机构登记制度,要求企业进行备案,制定奖惩措施,明确了房屋经纪机构及从业人员行为的“红线”。

   中国房地产业协会常务理事兼法律事务专业委员会执行主任朱树英分析称,我国房地产租赁市场的中介行业发展很不平衡,中介行业多以小企业为主,大公司数量较少,而且房屋租赁中介市场成本、竞争技术门槛较低,导致出现低价竞争的不良状态,最终都由消费者买单。

   “此前市场中介行业的准入门槛太低,随着我国简政放权政策推行,很多小中介公司先去注册营业执照,只需在住建部门备案即可。准入门槛低,很容易让某些小中介公司处在政府职能部门的监管之外。”朱树英说。

   朱树英建议,应该完善房屋租赁市场机制,增加供应,壮大市场主体做大规模,稳定租赁关系,加强权益保障,提高服务质量。同时,加强中介服务人员的培训,提升素质,推行从业人员登记备案制度和职业培训制度,鼓励房地产经纪从业人员参加全国评价类考级考试,施行服务等级分类。

   此次征求意见稿也加大了对房屋经纪行业的监管力度。征求意见稿规定,提供住房租赁信息发布服务的网络交易平台经营者,应当依法履行联网备案责任,并对信息发布者的真实身份信息负责,不得允许未备案、被列入经营异常名录或者严重违法失信名单的住房租赁企业、房地产经纪机构及其从业人员发布房源信息。网络交易平台经营者知道或者应当知道信息发布者有提供虚假材料、虚假信息等违法情形的,应当采取删除、屏蔽相关信息等必要措施,保存相关记录,并向有关部门报告;未采取必要措施造成他人损失的,依法与信息发布者承担连带责任。

   此外,对于虚假房源信息是房屋租赁市场乱象中饱受诟病的一类问题。一套房屋照片成为多套房源共用“实景”、相同房源价格相差数十万元……房产中介通过发布虚假房源、伪造房屋交易价格等方式,诱导购房者、租房者上钩的情况频频发生。

  

   针对房屋租赁企业发布虚假房源、隐瞒影响住房租赁的重要信息,泄露或不当使用客户信息等内容,征求意见稿都进行了详细的说明及相关处罚措施。

   比如,对发布虚假房源信息的行为,征求意见稿规定,由房产管理部门予以警告,责令限期改正;逾期不改正的,责令停业1个月以上6个月以下;可以处2万元以上10万元以下的罚款。造成损失的,依法承担赔偿责任。

   总体来看,《住房租赁条例(征求意见稿)》直面当前市场热点难点问题。如针对租金贷“暴雷”的严重后果,规定“住房租赁企业不得以租金优惠等名义诱导使用租金贷”;针对当事人对租赁合同的不尊重,规定“出租人不得擅自进入租赁住房,不得单方面提高租金、撕毁合同等内容,从公平的角度保障了承租人权益”;如针对房地产经纪机构赚取租金差价,规定“不得二次收取佣金”;要求房地产经纪机构应当对住房租赁服务项目实行明码标价,在住房租赁经纪活动中不得收取任何未予列明的费用;针对热点城市房租过快上涨,鼓励“签订长期住房租赁合同。合同履行达到一定年限的,还可按照地方政府的规定享受相应的政策支持”。

   对于很多城市里的“漂一族”来说,日前向社会公众征求意见的《住房租赁条例(征求意见稿)》是场及时雨,将会减少他们居住方面的诸多顾虑,为我国住房租赁市场的规范稳健发展保驾护航。

相关推荐

Philip S. Yu 团队最新综述!社区发现的深度学习方法:进展、挑战、机遇

本篇文章10140字,读完约26分钟雷锋网AI科技评论按:社区发现(CommunityDetection)是网络科学领域中一个经久不衰的重要问题。随着深度学习的发展,研究者们逐渐从传统的统计推断和谱聚类等方法中解放了出来。那么,深度学习时代的社区发现工作有哪些特点,研究者们遇到了哪些挑战,有哪些前景光明的研究方向呢?近日,IJCAI2020上发表的一篇Survey文章,完整阐释了这一研究方向的方法、挑战和机遇。论文来自数据挖掘领域大牛PhilipS.Yu团队。论文标题:DeepLearningforCommunityDetection:Progress,ChallengesandOpportunities社区发现(CommunityDetection)是网络科学领域中一个经久不衰的重要问题。随着深度学习的发展,研究者们逐渐从传统的统计推断和谱聚类方法中解放了出来。那么,深度学习时代的社区发现工作有哪些特点,研究者们遇到了哪些挑战,有哪些前景光明的研究方向呢?网络中的社区指的是一组由节点以及与其相连的边紧密地形成的实体。社区发现旨在遵循「社区中的节点紧密相连,不同社区间的节点稀疏相连」的规则对实体集合进行聚类。包括谱聚类、统计推断在内的传统社区发现方法在处理高维图数据时存在计算速度的问题。因此,近年来,深度学习方法被广泛地应用。在本文中,作者特别调研了社区发现的深度学习方法这一研究领域中的最新进展,并根据用到的深度神经网络、深度图嵌入、图神经网络对这些方法进行分类。由于目前深度学习的能力仍然不能满足处理复杂网络结构的需求,本文作者指出了当前该领域面临的挑战和研究机遇。一、社区发现网络是有两种基本的实体(即节点和边)形成的。根据图理论,「社区」是一种内部节点紧密相连的子图,它遵循以下特定的规则:(1)社区内的节点紧密相连;(2)不同社区中的节点稀疏相连。人们也将社区看做一种聚类簇,其中相同社区内的节点可以共享共用的特性和/或扮演类似的角色。这里根据Radicchi等人基于网络统计分析给出的定义展开讨论。根据节点在社区内部和外部的度,我们可以将社区分为两类:强社区和弱社区。节点的「内部度」代表将该节点与同一个社区中其它节点连接起来的边数,节点的「外部度」则代表将该节点与属于其它社区的节点连接起来的边数。一个弱社区是其中的节点的内部度之和大于外部度之和的子图。一个强社区是其中每个节点的内部度都大于外部度的子图。针对社区的网络结构,本文采用了强社区的定义。社区发现可以帮助我们理解网络内在的模式和功能。在现实世界的应用中,社区将复杂系统中的信息聚集了起来。举例而言,Chen、Yuan等人发现在「蛋白质-蛋白质」交互(PPI)网络中,被聚合到社区中的蛋白质具有相似的生物学功能;Chen、Redner等人,在论文引用网络中,通过社区发现技术确定通过论文引用连接起来的课题的重要性、相互关联以及演变情况;Zhang等人,在企业网络中,通过研究离线的公司内部数据源以及在线的企业社交关系将雇员分组到不同的社区中;Yang等人指出,在线社交网络中(例如Twitter和Facebook)拥有共同的兴趣或朋友的用户可能来自同一个社区(如图1所示)。图1:社交网络中的社区发现示例。根据个体之间的紧密度,网络被划分为两个社区,即包含三个节点的社区C_1和包含四个节点的社区C_2。传统的社区发现方法大部分都是基于统计推断和机器学习发展出来的。例如,在统计学领域非常具有代表性的社区发现方法「随机分块模型」(SBM)被广泛用于描述社区是如何形成的。然而,在处理当下的复杂数据及和社交场景时,这些传统的方法面临着许多问题。此外,在机器学习领域,发现社区的工作往往被看做一个图上的聚类问题。Ng等人用特征向量(例如邻接矩阵和Laplacian矩阵)实现了将节点划分到社区中的谱聚类方法,然而这种方法在稀疏网络上的性能较差。同时,对于预设的社区数目的要求也特别限制了依赖统计推断的模型的研发。在网络分析领域中,传统的方法并没有考虑到节点的属性,而这些属性描述了特征的丰富信息。此外,由于过高的计算复杂度,动态方法也很难被应用于大规模网络。总而言之,处理由图及其属性、大规模网络和动态环境形成的高维数据需要更强大的技术,从而同时兼顾高性能和计算速度。深度学习使计算模型可以学习到具有多层次抽象的数据表征。许多计算模型和算法都需要对以网络结构形式存在的数据进行表征学习。深度学习技术在学习非线性特征时具有很大的优势。这一点在诸如计算机视觉、自然语言处理等领域中都取得了广泛的成功,在这些领域中数据有着内在的关系。在网络分析领域,深度学习可以有效地通过多层深度神经网络降低数据维度,从而完成社区发现、节点分类、链接预测等任务。这里重点研究深度学习在社区发现任务中的应用的新研究趋势,PhilipS.Yu等人的这篇综述贡献有:(1)分析了将深度学习方法用于社区发现的优势;(2)从技术的视角,总结了目前最先进的研究,并对其进行分类;(3)讨论了仍然存在的挑战,并指出了具有前景的未来工作的机遇。据AI科技评论所知,这篇综述也是首次全面回顾深度学习在社区发现中的应用,对研究人员和技术专家理解深度学习和社交网络领域的发展趋势有着巨大帮助。图2:社区发现之深度学习:进步、挑战和机遇。二、何为社区发现?简单来说,社区发现,即从网络G中发现社区C。这里提到的网络是一种特殊的图,它对现实世界中的系统(例如,互联网、学术合作网络以及社交群组)中的复杂关系进行了抽象。在这里,网络的概念主要强调的是其拓扑结构。定义1(网络G)基于图理论,有权网络可以被表征为G=(V,E,W),而无权网络可以被表征为G=(V,E),其中V和E分别代表节点的集合和边的集合,W代表E相应的权值。每条边通过权值描述连接强度或者容量。我们可以将无权图的W视为1,将其从图G中去除。子图g⊆G是对于图的一种划分,它保持了原始的网络结构。子图的划分遵循预先定义好的规则。根据不同的规则可能得到不同形式的子图。社区是一种表征真实社交现象的子图;也就是说,在群组中存在一组具有紧密关系的对象。这里遵循由Radicchi定义的强社区的概念。定义2(社区C)社区是一组网络中相互联系的子图。社区中的节点具有密集的连接,而不同社区之间的节点具有稀疏的连接。根据一种将节点聚类到不同群组中的网络划分方法给出一个社区C_i,我们得到C={C_1,C_2,...,C_k},其中k代表可以从原始网络中被划分出的社区数。被聚合到社区C_i中的节点v满足:v到社区内每个节点的内部度大于其外部度。三、为什么要使用深度学习进行社区发现?与其他机器学习方法相比,深度学习的明显优势是它能够将高维数据编码到一个新的特征表征中。通过使用以图结构的形式组织的数据表征节点之间的联系,许多深度学习方法都可以学习到节点、邻域以及子图的模式。在多数现实场景中,数据缺乏节点标签信息和关于社区的先验信息,而深度学习在无监督学习的任务中体现出了优势。除了简单地利用网络拓扑来发现社区之外,一些方法还将语义描述作为数据中的节点属性加以研究。在传统社区发现方法中,这类方法主要基于邻接矩阵和节点属性矩阵。然而,深度学习可以构建更有效的节点属性和社区结构表征。因此,深度学习填平了传统社区发现方法中存在的关键短板。为了实现这一目标,近年来的工作指出了一些具有前景的研究方向:将深度学习模型应用于社区发现,以及基于社区的特性修改深度学习模型。将深度学习应用于社区发现的前景可以被表述为:(1)通过深度学习模型提升传统社区发现方法的性能;(2)从对于深度学习至关重要的特征维度上引入更多的信息;(3)从网络实体的拓扑和属性入手,同时提升模型的学习性能和鲁棒性;(4)现在可以更好地从复杂的相关结构中对大规模网络进行检测。四、基于深度学习的社区发现为了对近年来将深度学习用于社区发现的研究进展进行概述,Philip等人从技术的角度总结了现有的方法。具体而言,他们首先对具有影响力的社区发现深度学习方法进行了分类。在每一类中,他们概述了框架、模型以及算法的技术贡献。为了研究近年来被应用于社区发现的深度学习方法,图2描述了相关深度学习方法的详细分类情况,并相应地附上了总结出来的挑战。本章将从基于深度神经网络、基于深度图嵌入、以及基于图神经网络的社区发现方法三个方面展开叙述。4.1基于深度神经网络的社区发现深度神经网络在对复杂的关系进行建模和发现的任务中具有天然的优势。考虑到现有的深度神经网络模型在社区发现领域的流形程度,作者选取了基于卷积神经网络(CNN)、基于自编码器、基于生成对抗网络(GAN)的社区发现方法进行调研。基于CNN的社区发现CNN的关键组件包含卷积操作和对卷积层结果的最大池化操作。卷积操作利用卷积核降低计算开销。随后,最大池化操作被用于特征提取,这保证了CNN的鲁棒性。得益于CNN的发展,Xin等人设计了一种用于社区发现的新型CNN,并提出了一种用于拓扑结构不完整的网络的有监督算法。由于社区发现被广泛看做一种无监督聚类任务,科研人员对基于无监督CNN的社区发现进行了研究。人们研发出了在CNN框架下的系数矩阵卷积,从而专门进行对高度稀疏的邻接矩阵的表征。基于自编码器的社区发现栈式自编码器是一种深度学习模型,它在社区发现任务中表现出了强大的性能,可以表征网络矩阵的非线性特征。研究者们发现自编码器和谱聚类在谱矩阵的低维近似方面有相似的框架,并受此启发将自编码器引入了社区发现领域。此后,Cao等人提出了一种将网络拓扑和节点属性相结合的栈式自编码器,它提升了深度神经网络隐层的泛化能力。为了进一步解决网络拓扑和节点属性之间的匹配问题,Cao等人通过引入一个控制这种匹配的折中的自适应参数,研发了一种带有图正则化的自编码器方法。着眼于网络拓扑,Xie等人提出在深度自编码器中对邻接矩阵进行变换,从而有效地学到节点相似度。同时,Bhatia和Rani提出的自编码器通过对随机游走序列建模学习节点的结构,他们通过优化社区结构的模块度对这种序列进行调优。为了避免预设社团的数量,Bhatia和Rani提出了一种层级栈式自编码器,他们找出种子节点,基于网络结构有效地将其它节点加入到社区中。此后,该领域的研究旨在自适应地学习而不是预定义社区结构。Choong等人提出的方法大大地提升了训练损失验证阶段的计算效率。这种自动选择机制保证了模型基于社区标准分配节点。Xu等人将包含具有正负号连接的网络成为有符号网络(signednetwork)。为了处理边上的有符号信息,Shen和Chung提出了一种半监督的栈式自编码器,它可以重构邻接矩阵,为进一步的深度学习网络嵌入的学习表征有符号网络。基于生成对抗网络(GAN)的社区发现GAN包含两种相互竞争的深度神经网络,因此它可以迅速调整训练精度。典型的GAN是以无监督方式运行的,它们生成与训练集中的数据具有相同统计特征的新数据。对于网络数据来说,GAN模型适用于无标签的数据集和序列化的网络划分。Yang和Leskovec等人基于对抗性机制,提出了社区隶属关系图模型(AGM)。AGM基于「节点-社区」成员隶属关系(nodemembership)的思想对重叠的社区中的节点进行编码。每个社区都有一个单一的概率,使得社区结构可以在GAN中进行。Jia等人通过将这种模型与GAN相结合研发了一种新型的框架,它根据具有中间项(即隶属图中的「节点-社区」成员隶属关系)进行社区发现。4.2基于深度图嵌入的社区发现深度图嵌入是一种将网络中的节点映射到一个低维向量空间中的技术。它将尽可能多的结构信息保存到表征中。通过图嵌入,基于网络分析的机器学习任务(例如链接预测、节点分类和节点聚类)可以利用表征的潜在特征,这样节省了主要由网络搜索引起的计算开销。对于社区发现任务来说,基于节点表征的图嵌入的输出支持聚类的任务(例如通过k-means聚类)。基于深度非负矩阵分解的社区发现非负矩阵分解(NMF)是一类将矩阵分解为两个矩阵的算法,它具有如下性质:三个矩阵都没有负的特征值。NMF自动地对输入数据的列进行聚类,通过训练阶段的误差函数,使原始矩阵和两个分解出的矩阵之间的近似误差最小。Ye等人提出了一种用于社区发现的深度NMF模型,其中深度学习架构可以促进NMF学习原始网络结构和社区结构之间的层次化映射。在某些情况下,社区发现的工作需要与对带有属性的内容的语义理解同时进行。为此,研究人员以一种带属性的图的形式表征网络,这种图同时包含了网络结构和节点的属性。Li等人特别针对带属性图的社区发现任务提出了一种嵌入方法,它将带有属性的社区发现看做一个NMF优化问题。为了使算法收敛,他们设计了一套可计算的迭代更新规则。基于深度稀疏滤波的社区发现邻接矩阵反映出了网络的稀疏性。嵌入对输入的成对关系进行编码,从而避免在稀疏矩阵上进行搜索。稀疏滤波(SF)是一种有效的深度特征学习算法,它只用到了一个超参数,但可以处理高维输入。SF的关键模块是针对L2正则化后的特征的稀疏性设计的简单代价函数。对于网络(尤其是在大型网络中)的社区发现,Xie等人基于深度稀疏滤波提出了一种高效的网络表征方法。他们通过一种无监督的深度学习算法划分网络,从而提取网络特征。基于社区嵌入的社区发现传统意义上,图嵌入重点关注单个的节点。Cavallari等人研究了另一种重要的、但是鲜有人探索过的图嵌入情况,他们重点关注对社区的嵌入。他们认为这种新的重要策略有益于社区发现任务。具体而言,社区嵌入的目标是在低维空间中学习一种社区的节点分布。我们可以通过过渡性(transitional)的图嵌入方法使用这种新的节点分布,从而很好地保留网络结构,这反过来可以提升社区发现的性能。此外,Tu等人提出了一种新的图嵌入模型,它同时探测每个节点的社区分布,并且学习节点和社区的嵌入。网络中的社区实际上反映了同一个社区中相似的观点、行为等高阶近似信息。Zhang等人提出了一种保留社区信息的社交网络嵌入方法来学习网络表征。他们提出的这种方法在社区检测任务中体现出了性能的优越性。4.3基于图神经网络的社区发现近年来,图神经网络(GNN)的迅猛发展表明了图挖掘和深度学习技术融合的趋势。基于GNN的社区发现被用于利用图神经网络对网络上的复杂关系进行建模,并捕获这种关系。例如,Chen等人提出的有监督社区发现GNN引入了一种非回溯的运算符,来定义边的邻接性。这种方法可以提升学习性能。对于GNN来说,运算符的选择非常方便。图卷积网络(GCN)是基于CNN研发的,它继承了快速学习的能力。面对图输入数据,GCN展现出了非常好的性能。GCN带来的巨大提升在于整合了考虑网络中实体概率分布的概率模型。例如,Jin等人通过马尔科夫随机场解决了包含语义信息的带属性网络中的半监督社区发现问题。Shchur和Gunnemann将「伯努利-泊松」概率模型整合到GCN中,用于重叠社区发现问题。通过这种方法,卷积层可以识别复杂的网络模式。五、挑战和机遇近年来(尤其是近5年来),用于社区发现的深度学习技术迅速发展。由于对现实世界具有重大的影响,这一领域持续受到研究人员的关注。尽管取得了令人欣喜的成果,在将深度学习应用于社区发现的领域中,仍然有一些挑战有待被更好地解决。下面,本文将总结这些挑战和机遇。挑战1:社区数未知长久以来,由于社区数未知而引发的挑战始终没有得到很好的解决。在机器学习领域中,社区发现经常被表示为一种无监督聚类任务。总现实世界的网络中提取出的研究数据大多是没有标签的。因此,我们很难获取有关社区数的先验知识。此外,大多数现有的深度学习社区发现方法(尤其是深度图嵌入),通过评估潜在特征空间中的节点相似度获取分类节点。然而,在后续的聚类算法中,聚类的目标数量仍然需要被事先定义。机遇:对于这一挑战,一个直接的解决方案是通过分析网络拓扑确定社区的数量,并将其整合到深度学习模型中。Bhatia和Rani等人遵循这一思想,采用基于随机游走的定制化PageRank算法,通过将图重构到一种线性的形式进行社区发现,并通过模块化的优化方法来应用调优。但是这些方法并不能保证网络中的每个节点可以被分配到特定的社区中。因此,我们需要为社区发现任务涉及新的模型,从而避免在分配社区的过程中漏掉某些节点。挑战2:网络层次网络层次反映了分层的网络结构,它将位于独立的层上的多个群组连接了起来,从而形成一个更加复杂的网络。而每一层都专注于特定的功能。对于多层网络,用于社区发现的深度学习技术必须实现对于两种层次上的表征的提取。而且他们将面临多层网络固有的挑战,这包括不同的关系类型以及不同层中不同的稀疏程度。机遇:为了区分不同种类的连接,Song和Thiagarajan提出了一种具有特殊子图设计的多层DeepWalk模型,从而保存了层次化的结构。但是他们并没有同时优化可以用于所有层的公用表征以及保留了特定层网络结构的局部表征。他们的目的是利用不同层之间的依赖,而实际上这种依赖关系经常被破坏。此外,对于新的设计来说,还应该考虑与层数增加有关的可伸缩性问题。因此,在研发用于具有网络层次的社区发现的深度学习方法的问题上,我们还有很长的路要走。挑战3:网络异质性网络的异质性指的是网络中实体类型的显著差异,而各种各样的节点集合和它们之间复杂的联系形成了异质网络。因此,我们应该通过不同于同质网络的方式研究异质网络中的社区发现。在应用和研发深度学习模型和算法时,应该解决异质网络实体上的概率分布的差异。机遇:大多数之前的深度学习方法并不是基于网络异质性研发的。Change等人设计了一种非线性嵌入函数,它被用于捕获异质组件之间的交互。因此,未来在异质网络上至少存在两个方面的研究机遇:(1)异质网络表征的深度图嵌入学习模型以及相关的支撑算法;(2)采用新型训练过程的特定深度学习模型,旨在学习隐藏层中的异构图属性。挑战4:边上带符号的信息许多现实世界中的网络具有边上的符号信息(即正关系或负关系)。在有符号网络的环境下,用于社区发现的深度学习方法面临的挑战是:通过不同的符号信息表示的节点之间的联系应该以不同的方式对待。机遇:一种可能的解决方案是,通过设计一种随机游走过程引入正关系边和负关系边。Hu等人遵循这一思路,基于词嵌入技术研发了一种稀疏图嵌入模型。但是,他们的方法在一些小型的真实世界中的有符号网络中的性能要差于作为对比基线的谱方法。另一种的可能的解决方案是重建一个有符号网络的邻接矩阵表征。然而,这又面临着另外一个问题:现实世界中的绝大部分邻接连接是正关系。Shen和Chung施加了更大的惩罚,使他们的栈式自编码器模型更加关注重建稀缺的负边而不是丰富的正边。然而,在大多数情况下,我们并不能获取关于大量节点的社区分配信息。因此,在有符号网络中,社区发现的高效的无监督方法仍然有待探索。挑战5:社区嵌入社区嵌入是一个新兴的研究领域,这种方法将对社区而不是每个独立的节点进行嵌入。社区嵌入重点关注对社区进行感知的高阶近似而不是在节点邻居之间的1阶或2阶近似。未来,社区嵌入研究面临的挑战有:(1)高昂的计算开销;(2)节点和社区结构之间的关系评估;(3)应用深度学习模型时发生的其它问题,例如社区之间的分部漂移。机遇:设想有一种智能的方法通过自动选择针对节点和/或社区的表征模块来支撑社区嵌入。为此,Philip等人建议从以下研究目标入手:(1)如何将社区嵌入整合到一个深度学习模型中?(2)如何为了「计算地更快」这样的目标直接嵌入社区结构?(3)如何优化整合好的深度社区发现学习模型中的超参数?挑战6:网络的动态性网络的动态性主要包含两种情况:网络拓扑的变化,以及在固定拓扑上的属性的变化。拓扑的变化会引起社区的演化。例如,添加或删除一个节点会影响全局的网络连接,因此它也会改变社区结构。对于静态网络来说,深度网络社区发现学习模型在面对每个网络的快照时,需要重新训练,这里面包含一些重复的工作。对于静态网络中的时序属性,技术上的挑战在于对于流数据的深度特征提取,这些流数据的概率分布和属性随时都会变化,它们引入图数据作为深度学习模型输入的另一部分。机遇:针对时间和空间维度上的动态特性,人们还没有研发用于社区发现的深度学习模型。未来的研究方向包括:(1)发现并识别社区间的空间变化;(2)学习深度模式,它同时对时序特征和社区结构信息进行嵌入;(3)为社区发现任务研发一种统一的深度学习方法,它可以同时处理空间和时间特征。挑战7:大规模网络大规模网络指的是拥有数以百万计的节点和边、大规模结构化模式以及高度动态性的大型网络。因此,大规模网络有其固有的规模特性(例如,社交网络中与规模无关的特性,节点度的米率分布特性),这些特性会影响社区发现任务中的聚类系数。此外,通过分解后的有关高维邻接关系的近似度度量,研究人员将分布式计算应用于可扩展的学习,同时他们也面临着鲁棒的学习控制和协作计算的问题。不断变化的网络拓扑进一步增加了近似度估计的难度。总而言之,大规模网络中的社区发现设计上述所有提到的挑战,以及可扩展学习方面的挑战。机遇:大规模网络(例如,Facebook和Twitter)不仅提出了挑战,也催生了设计更先进的深度学习方法的机遇。为了充分利用大规模网络中的丰富信息,社区上的聚类任务更需要具有较低的计算复杂度并具有灵活性的新型无监督算法。深度学习中用到的关键数据降维方法(即矩阵低秩近似)并不适用于大规模网络,它在分布式计算场景下的计算开销也是很高昂的。因此,人们急需新型的深度学习框架、模型和算法。研发应用于大规模网络的深度学习方法需要通过精度和速度来评估,这种评估方式可能是最大的挑战。六、结语如今,我们生活在各种各样的网络中。发现这些网络的内在功能和特征有助于我们全面地理解周围的环境(尤其是在社交网络中)。社区还原了描述社会现象的复杂关系。传统的社区发现方法曾经依赖的是统计推断和机器学习(谱聚类)。然而,深度学习的发展极大地提升了社区发现方法的计算性能,用于社区发现的深度学习方法近五年来被广泛地研究。在这篇综述文章中,Philip等人全方位地回顾了模型和算法研发方面相应的技术趋势,并针对基于深度学习领域社区发现进展做了详细的阐述。最为重要的是,这篇综述还指出了将深度学习用于社区发现任务时存在的七个重大挑战,这在一定程度上将为下一代社区发现研究指明方向。雷锋网雷锋网(公众号:雷锋网)雷锋网

2020年05月22日 11:50

租客网:房产中介,凭房源说话

随着国家租售同权等一系列措施的颁布,租赁行业似乎迎来了新的春天,随之也带来了中介,房屋租赁行业的热潮,巨大“蛋糕”的诱惑使得中介行业竞争加剧,寡头现象初露端倪,中小中介生存环境随之恶化。似乎整个行业的服务水平正在向着专业化、正规化方向迈进。此时,往往带有先天劣势的中小中介如何躲掉春寒料峭,沐浴到好春光?中小中介独木难支,只凭线下单店的经营模式,很难在这股浪潮中顺利存活,更别说是分到一杯羹了。通过观察近几年房屋中介行业的发展情况,简而言之,这个行业就是凭房源说话,谁的房源多,自然发展就越快,品牌的建立以及推广也更简单,品牌一旦做得响了,就能更多掌握市场话语权。如今,各行各业都融入了互联网,例如传统的线下门店也开始走线上渠道。市场在变化,任何行业如果不跟随市场的脚步,也只能被市场淘汰了。房屋中介行业更是如此,纵观行业巨头,就算是以做线下直营店出生的的企业,如今也结合了互联网线上平台来协助发展,帮助拓宽获取房客源的渠道。试想大中介都意识到了线上的重要性,更何况是独居一偶的中小中介呢?所以说,摆在中小中介面前的路,可以说只有一条——加盟。中介行业早期的加盟基本都是轻加盟路线,赋能大多浮于品牌层面,运营支持较少,各门店信息不共享、本质上还是单打独斗,没有实现加盟需要平台搭建与资源共享,更没有发挥出连锁品牌应有的规模品牌优势。难道中小中介真的要在市场如此火热的今天进入“寒冬期”?如今随着以租客网为首的一系列新式加盟企业的诞生,也为中小中介缓解了生存问题。租客网提出的加盟模式,是一种新式的模式,运用了合伙人制度,风险共担,收益共享!租客网表示要把并购,AB股,加盟三方面结合起来,创造出一个全新加盟模式,完全不同于传统加盟模式的金融并购型利益共同体。只要加盟就是租客网的子公司,是租客网的一部分,一起为自己的事业打拼。加盟租客网,加盟者不仅能享受租客网一系列加盟优势,复制租客网多年的发展经验和模式,还能享受租客网的海量房源和众多用户,一次性弥补了中小中介房源和线上平台的缺失问题。由此可见,借助租客网,中小中介能够得到更高更远的发展,那你还在等什么?

2020年04月30日 10:18

当当”公告:公司承认李国庆为公司董事长和总经理

4月26日晚间消息,刚刚,李国庆方面通过北京当当科文电子商务有限公司发布公告,称当当公司承认李国庆先生为公司董事长和总经理。俞渝女士应当按照股东和董事的资格与李国庆先生展开对话。公告表示,李国庆要求召开当当股东会,设立董事会,俞渝不同意,公司监事也未履行职权。因此李国庆按照公司法规定召集股东会。当当公司小股东参加股东会并支持李国庆。选举李国庆为董事长和总经理。股东会决议获得半数以上股东同意。俞渝依然为公司股东和董事。公告强调,2020年4月26日,根据股东会、董事会的决议,李国庆先生以董事长和总经理身份实施对当当公司的管理。“没有当当公司公章的公司声明,均不能代表公司。”稍早时候,当当网市场部发布声明,称“今天早晨,李国庆带着4个穿黑衣的人,突入闯入当当办公区,现场保安阻拦不及,李国庆动手抢走几十枚公章、财务章”,表示,“当当网郑重说明,李国庆在当当网没有任何职务。李国庆发布违法、无效的股东会决议,抢夺公章,侵害其他股东利益、严重影响当当人的心情。”目前,到底谁能代表当当,让读者困惑。北京勇者律师事务所主任易胜华律师向新浪科技分析,李国庆方面的公告,暂时只能代表自己,无法代表当当公司。

2020年04月27日 11:47