特稿 >

行业洞察 >

北大AI第九讲 滴滴副总裁叶杰平:大数据人工智能在滴滴出行的应用

北大AI第九讲 滴滴副总裁叶杰平:大数据人工智能在滴滴出行的应用

Xtecher原创 丨 行业洞察

25267
1836

2017-04-26

赵逸禅

Xtecher特稿作者

关注

“北大AI公开课”系统第9讲于本周二晚结束现任滴滴出行副总裁、滴滴出行研究院副院长叶杰平为我们做了题为《大数据人工智能在滴滴出行的应用》。以下由Xtecher整理,为不能亲临现场的读者带来本次课程最完整实录。


编辑整理|Xtecher 赵心源、郭东阳

网址|www.xtecher.com

微信公众号ID|Xtecher


叶杰平,滴滴出行副总裁、滴滴出行研究院副院长。美国密歇根大学终身教授,密歇根大学大数据研究中心的管理委员会成员。2005年美国明尼苏大学计算机系博士毕业。主要从事机器学习、数据挖掘及大数据分析等方面的研究,尤其在大规模稀疏模型学习方面处于国际领先地位。其在机器学习和数据挖掘国际顶级会议及期刊上共发表论文200余篇,曾获得KDD和ICML最佳论文奖以及美国国家自然科学基金会生涯奖(NSF CAREER Award),担任多个机器学习和数据挖掘领域顶级会议的主席。现任职机器学习和数据挖掘顶级期刊IEEE TPAMI,DMKD和IEEE TKDE的副编委。


以下是Xtecher为您整理的本期演讲内容干货:


中国人的日常出行是刚需,大家每天都要上班上学,都会选择各自的出行方式。

 

在世界范围之内,从车的密度角度进行排名,世界前十中中国占了前八,所以说中国车的密度很大,但是增加车辆并不能解决出行问题。大家能够感受到早晚高峰打车并不是很容易。一种有效的方式是现有的车辆能共享,乘客和司机能够信息互通,然后有平台掌握实时信息,掌握智能决策,以此提高出行效率缓解拥堵。


640.jpg


滴滴2012年先做出租车,2014年做专车,2015年做快车,大家用得比较多的是快车。


640 (2).jpg


滴滴的价值是连接司机和乘客,目前滴滴是世界上一站式、多元化满足乘客专车豪华车等多种出行需求的平台。用户可以方便快捷打车,同时也保证司机的服务收益。


目前,滴滴平台日订单量超过2000万,拥有4亿用户,如果做模型,样本量很大,很容易上十亿样本量。


640 (1).jpg


社会价值方面,简单提一下,滴滴平台可以提高出行效率。大家拥有小汽车,但很多都停在家里或者停车场,使用率非常低。滴滴让北京小汽车使用率提升12.1%,节约等候的时间。二是增加就业机会。三是通过顺风车或拼车减少车辆需求,从而减少二氧化碳的排放,保护环境。


640 (3).jpg


滴滴的大数据,每一辆车每几秒钟传递GPS信息给平台,这就是滴滴拥有的交通大数据。大部分是GPS,相当于车辆的轨迹数据。在中国,滴滴现在每天新增数据量是70TB+,每日处理数据2000TB,每日路径规划90亿+(路径规划就是从A到B怎么走,很关键的一点)。定位数据是乘客在哪,司机在哪,也很重要,不仅要精确,还要快速。对于滴滴来说,如何有效挖掘数据,如何在海量交通数据里面挖掘有效信息,提高出行效率、体验、安全,是非常重要的问题。


640 (1).jpg


滴滴平台最大的财富就是大数据、人工智能、机器学习算法。我们希望把实时的交通信息整合在一块,通过背后庞大复杂的算法和计算平台,能够做实时的、智能的决策。下面我会举几个例子,介绍在过去一年半时间,滴滴在大数据和人工智能方面的探索。


 ETA,意思是从A到B大约需要多长时间,这是滴滴非常核心的一个功能。例如,用户想6点40到达教室,那么多久能打到车,司机接你大概几分钟,如果有预估,那么用户能够更精准地去做决策。


智能分单,简单来说是乘客搜索司机。这个过程用时间来预估,越近越好,精准预测三公里之内哪个司机离你最近。第二是司机接到你,然后到目的地大概预估的价钱。预估的价钱本质上是由两个原因决定,即距离和时间。从起点到终点应该怎么走,这是一个非常复杂的问题,每秒要有成千上万个计算,还有A到B的时间大概是多久。结合时间距离以及公式算出预估价,准确度非常重要,准确度对用户也非常关键。如果给你非常低的预估价,会认为你是骗子,太贵了就不打车了。在百度上搜索,你过半小时、半天、几个礼拜去搜索,可能是一样的。但是在滴滴平台上隔5秒钟后再去打车,情况可能完全不一样,几秒钟状态就可能发生很大变化,所以说智能分单的挑战性很大,需要做实时匹配。


640 (4).jpg


拼车,在很多场景上,对运力需求很大,很多时候运力紧缺,极不平衡。这种情况下,乘客路径类似,可以打包起来,例如用一个司机解决两个乘客,这样可以节约运力、成本、环保,缓解交通拥堵,改进交通状况。


640 (5).jpg


大数据应用的例子,一是猜你去哪,你定位在什么地方。一般情况下你输入目的地。出行在很多场景下是有规律的,比如早上8点很可能去学校、上班,这时候能够通过比较高的历史数据去预测目的地。数学表示很简单,你在什么地方,什么时间,想去哪,我们已经有这些信息了。本质上算的是概率,第一个概率多大,第二个概率多大,这个是滴滴创新之一,后来Uber也做起来了,这样能够提升用户的体验。Uber选择ABC,给概率最高的前三,覆盖率会很大。现在滴滴推荐最有可能的一个,概率更大的,这极大提高了用户出行体验。


我们会做路径规划,预估时间、价钱、拼车大概多少钱。如果是一个折扣,折扣怎么定?找到拼友概率是多少?滴滴的首屏做了很多算法,如果愿意下单,就点呼叫进行下单。


640 (6).jpg

 

派单是滴滴最核心的一个模块。滴滴每2秒做成千上万个需求,每2秒做最优匹配,找最优司机。这里面我讲的大部分是快车,再稍微讲下顺风车。滴滴最早是抢单,每个司机周围的订单都会拨给他,有十几个订单供给司机选,但是这种挑选效率不高。因为司机有可能在开车,信息量很大,司机边开车边做选择,效率很低。


2015年之后,滴滴开始做指派,这里面通过大数据和人工智能找到最好的匹配,1对1匹配,这里面精度更重要。匹配度问题,最早期滴滴用的直线距离,这显然不合理。比如隔一条河,单行道,需要绕路。从2015年开始,滴滴路径规划比较完善,滴滴开始用路面距离做匹配度,哪一个距离最近,哪一条路径最合理。但是这并不是最合理的,最合理的应该是时间匹配度,道路拥堵情况不同,得到的时间也不同。2016年年底开始,滴滴快车匹配都用了时间匹配。概括来说,数据量越来越大,模型越来越准确。

 

如何评估匹配度好坏,我们有两个核心算法,一个是路径规划,即从A到B到底应该怎么走,这里面导航是非常难的问题。路径有可能不一样,每个人都有自己的偏好,这里面需要考虑乘客和司机的个性化需求,如何在复杂的情况下,做一个最优的推荐,是非常难的一个问题,现在滴滴还在不断探索,今年将投入重兵。


640 (7).jpg


下面算时间(预估到达时长ETA),具有挑战的是滴滴是实时预测,会找到所有司机进行匹配。例如:直线距离三公里,滴滴会找到离你最近的司机,做最优路径规划;如果是拼车,要做两两匹配,也就是m的平方,所以这个特别复杂,同时要保证几百毫秒内完成。

 

ETA(路径规划机器学习系统),在滴滴里面是非常重要的一块,在过去一年内也是提高最大的一块。也就是说从A到B,假设知道路径,怎么算时间,是一个机器学习问题。包括特征怎么挖,实时路况特征,历史特征,非常接近实时的特征,要做一个预测,做符合的特征,从最早期七八十个特征,到几百万几千万个特征,效果越来越好,从2015年误差非常大降到(现在的)70%-80%。


同样的模型,数据量越来越大,模型越来越智能。这里我稍微提一下稀疏模型,稀疏模型对模型精度不会有特别大的提高,好处是能找出哪些特征对我们是最关键的。


640 (8).jpg

 

最近滴滴更新了一版深度学习。深度学习可以应用在图像、文本、交通等领域。虽然在交通中应用很少,但是交通领域很有潜力和前景,因为交通的数据是时空的数据,时间维度上,是连续性的,通常情况下在1秒钟或者5秒钟,路况的变化不会大。空间上也是有连续性的,从起点到终点是连续的一个过程,连接两个点的交通状况类似。深度学习在交通领域非常有潜力,但是现在深度学习没有特别多的工作,还是0,因为没有数据。滴滴有大量的数据,在考虑未来会公布数据,这样研究机构就可以做实验,探索新的方法。


深度学习刚上线不久,效果还不错,此外,还有很大提高空间,我认为这是大趋势。顺便提下路径规划,在路径上怎么走,传统上解决问题的方法是知道每段路的时间,shortest path,没几毫秒要算成千上万,工业界在学术界探索的方法较CH,做对graph进行预处理,找出shortestpath,做实时的。但每段路会遇到转弯,红绿灯等不可控。最近,我们做了一套机器学习系统,用阿尔法狗做路径规划,到路口做实时决策。用增强学习方法来做路径规划。


派单矩阵,就是有时间距离之后,每一行是司机,每一列是乘客,每个车和每个订单都有一个匹配度,时间越短的匹配越好,得到大的矩阵,匹配最好。二图最佳匹配,在两秒之内得到最优解。

 

这个算法是在2秒内最优,像下棋一样,未来(长期)最优。最近我们上线一套算法,用了增强学习。例如:假设你有两个订单,如果去一个地方,还能接到订单,这里面要做的是供需预测。去年滴滴举办了一个算法大赛,主题是供需预测,会有多少个需求,多少个司机,出行非常有规律。去年用的是杭州的数据,结合预测分单,用增强学习,滴滴的目的是让一整天收益最大化,自然整个平台效率会更大。目前,这套算法已经在好几个城市上线,提高效率非常显著。

 

供需不平衡难题,例如高峰期经常打不到车,运力是够的,但是供需不平衡。怎么办呢?一是供需预测,二是运力调度。我们能预测到区域缺车,提前做调度,调过去是最理想的。另外方式是拼车,每两个路径类似的乘客拼在一块。这里面的核心问题是如何找相似性,如何打包起来,保证体验是好的。这里面,滴滴建了一个机器学习模型,哪些体验很差,哪些很好,找出特征。不同的乘客不同的时间点的体验是不一样的,找出重要特征,拼车体验是好还是坏。路径很可能拼成功,但是最后预测价、折扣力度、是否找到拼友这些问题,都需要提前预测,这里面也是用大数据的。


640 (9).jpg

 

滴滴顺风车,车主的目的不是赚钱,是可以cover他的油钱。这里比较重要的一点是匹配度,相当于是拼车,时间要匹配,路线要匹配,顺路程度有多大,我们会给司机一个列表,我们希望推荐的是司机想要的,这里是排序的问题。一个司机可以拼两个乘客,可以接两个乘客,顺风车也可以拼上好几个拼友。


640 (10).jpg


优质服务,大部分算法模型都其实都是讲究匹配效率。滴滴在帮你找到司机之后服务才刚开始,我们要保证行程中司机乘客的安全、体验、付钱,匹配成功只是第一步。比如,我们要保证司机乘客服务是好的,用大数据提高服务质量。那怎么做的呢?滴滴会给司机服务分,通过比较复杂的机器学习模型算法。早期滴滴用的是星级,但是区分度不大。后来建立了模型,挖掘更多信息,汇集在一块,通过上百个特征,建立模型。司机服务好,乘客愿意来打车,服务分高,收益高,司机有动力提高服务。通过大数据模型和收入结合,保证司机服务越来越好。


640 (11).jpg


司乘判责,例如乘客取消订单,历史上经常会有司机诱导乘客取消。订单取消行为,我们会判断司机有没有责任,会做自动判责,去年建立了一套系统,还原冲突时当时的情况,判断责任,希望尽量在更多场景下做智能决策,来解决他们的冲突,保证司机乘客体验更好,缓解压力。


我们今年的价值观在改变:去年我们用这个模型,怀疑司机有责任,先扣服务分,这个模型确实有问题,但是要比没有这个模型好。今年疑罪从无,平台承担责任,如果确定有责任,才有责任,这个比较确定,对模型精度要求更高。大数据对出行体验、效率、司机服务、冲突等方面发挥非常大功能。

 

此外,我们用大数据来提高平台安全,尽量减少冲突,并通过建模预测,尽可能避免交通事故发生。


大数据的影响是巨大的。滴滴最近在济南做了一个项目,即是用滴滴数据来控制红绿灯,以此提高出行效率。大部分情况下红绿灯的控制是不合理的,稍微改动一下,就会起到巨大作用。现在红绿灯埋在地下,不是实时的,但是滴滴的数据是实时的,且能比较精准预测流量,进行控制。济南用滴滴大数据控制红绿灯,出行时间大概减少了10%。所以看出滴滴的数据的潜力是巨大的,有非常大的发挥空间。


问答部分:


雷鸣:叶教授比以前的演讲嘉宾更有教授范,讲的非常落地,把交通出行领域场景,场景下的模型和考虑因素和产生效果都做了简单的分析,体现了学术研究和产业研究的差异。怎样解决实际问题,是在产业落地中最重要的事情。

 

基于叶教授今天讲的内容,我想问几个问题。

 

雷鸣我看到今天您讲了很多算法,一些是比较经典的,还有一些是从去年开始,在ETA、预测上采用的深度学习算法,探索的过程是什么?如何从经典算法迁移到机器学习算法,有没有走过弯路,是如何选择模型,考虑问题的?

 

叶杰平:我们做ETA是从2015年10月开始,此前ETA用的是规则,每段路(现在)用了多少时间,否则找历史;如果历史上没有,看前后段路的路况,计算出时间并相加。

 

2015年10月开始,滴滴使用了大数据、机器学习。第一步,我们会用最简单的方法验证效果,至少要比规则好。我们先找一个简单特征,非常简单模型,发现效果比规则差。当时认为,BAT都使用规则(而不是机器学习),我们猜测,可能是因为BAT已经试过使用机器学习技术,但没有好的效果。

 

我的学生坚持不懈,通过不断的试验认为机器学习具有潜力,只是特征还没有挖好。过了一个月,用机器学习的效果比用规则提高了30%,最重要的一个进步的因素是特征,特征更多,更准确趋于完善完善,理解更加深刻。

 

在工业界解决实际问题,第一步的模型不是最重要的,数据特征最重要。我们先使用最简单的模型,看效果。我们发现在这个ETA中,使用机器学习比使用规则效果提高了30%,说明机器学习是未来,它能够颠覆传统的规则。

 

又过了三个月,模型没有大改进,但数据量增加了,发现模型(使用效果)又提高了,是一个持续变化。再往后数据量还会越来越大,我们应该采用深度学习,当数据量越来越大,深度学习的威力可能会显示出来。

 

我们从2016年四五月份开始探索不同的深度学习模型,试过从传统到最新的不同方法,深度学习在很多领域获得成功,但在交通领域没有尝试过。我们的做法是试用两三个Team,每个Team尝试不同的算法和用法,我们发现有两三种算法效果不错,选择了其中一种。算法如何用在滴滴的数据上不是一件简单的事情。CNN算法在多个场景中都有使用,不同的数据不同场景,有不同的变化。如何更好的将算法与我们相结合,我们又摸索了三个月,直到今年年初,达到最好的效果。深度学习线下训练还好,可以花两三天时间,并使用GPU集群,线上毫秒级的处理还是问题,花两三个月搭建了线上系统,做线上实时预测,保证稳定性,实时性不是问题,模型精度提高到线上能实时做预测,这个过程还是需要探索,线下很复杂的模型不一定适合用于线上。

 

我们要从简单出发,先发现特征,再做模型探索,线上化工程量特别大。

 

雷鸣:百度也差不多,搜索引擎排序很重要,我们希望用户搜到最想要的,前几版的排序参数在10个左右量级,到后来随着时间推移,运算能力和要求越来越高,几年前,参与排序属性达到万级别,我们不知道属性是什么,它是学出来的,最终属性参与排序,公式人也没有办法理解了,把一个东西做到非常实用,特征选取和公式复杂度远远超过人的想象。其实我们训练(机器学习)的时候,花费时间很长,代价很大,深度学习运算复杂度蛮高的,模型复杂度有一定要求,运算速度是个很大挑战,最终对模型优化高于对质量追求,我们把最佳模型找到最好的位置,开始简化模型,判断什么样情况把复杂度降一维,甚至是一个量级,同时让损失尽可能减小。

 

滴滴做的模型上线的时候,对性能的追求和运算质量如何平衡?

 

叶杰平:我们希望在训练中建立最好的模型,精度越高越好,基础平台搭建了GPU集群,增加计算量,减少计算时间。线上有压力,我们希望模型不是特别复杂,只能挑一个。我们现在在做的,也是业界在研究的一个方向是:模型已经确定好,如何压缩(当计算量大量减少时,尽可能精确)。这是我们探索的一个方向。

 

雷鸣:上个问题部分代表了学术和产业的差异。

 

我们学术上只做第一步,做最好的模型。第二点我们往往忽略,放到线上我们不可能用大量的资源进行计算,落地时,第二点比第一点还要重要,要考虑效率和付出成本。

 

关于深度学习使用,如何从传统机器学习算法和其他经典算法,走向机器学习深度学习,在实用中我们讲了两个问题。第三个问题我们回到对产业未来的预测,对出行产业来讲,未来五年,出行大交通,深度学习会怎样影响产业,哪些技术带来巨大贡献,机遇和挑战有哪些?

 

叶杰平:出行是需要各个方面合作的,大家拥有的数据不一样,滴滴渗透率只在1或2%,是非常低的,大部分出现在滴滴之外。

 

滴滴在智慧交通中和政府合作,政府共享了公交车,摄像头等数据。最终希望各方把数据打通整合起来,才能更加完整刻画交通全貌,做更多决策。这是第一点。第二点是智慧交通,如何把数据整合起来之后解决实际的交通问题,城市的规划建设。滴滴已经在济南实验中看到巨大潜力,更大效率是多方配合合作,更精准反应路况。第三点是智能交通,比如说物联网:车是相连的,车和路上设备也是相连的,做更精准的决策。如果所有车相连,车和车之间是不是离的很近,提高安全。我在美国用一个导航软件进行导航。有一次收到提示,你离前方车很近,如果大家都用,做更加精准预测,会提高安全。当然在未来,有可能包括无人驾驶,车不需要人去控制,如果全是无人驾驶,会不一样。

 

雷鸣:叶教授以前在密歇根大学任教,个人从学术到产业跳跃中有哪些挑战,往前看要做哪些准备?

 

叶杰平:在学校的话,大家都熟悉,我们经常是聚焦在方法,我不一定在乎他用在什么地方,我会先把方法研究透彻,或是是优化算法性能,进行理论证明,最后找到应用。我们会(重视)发文章,顶级会议看中方法论。但在工业界刚好倒过来,看结果,有实际问题去解决,而不介意方法是不是前沿简单,我们找到最简洁方法解决问题,考虑很多细节和学校是不一样的。但从长远看,还是需要创新的方法,才能超前发展,工业界大部分工作是现有系统不断去改进,但需要大的提高时,还需要用创新来推进,这个创新可能是在学术界或其他领域。在工业界也需要读文章找到前沿技术,有可能从小步走变成快步走。工业界出发点是解决问题,但创新还是非常重要。

 

雷鸣:其实在产业里面,我感觉原生创新研究不多,百度、谷歌和大学承担了很多前沿科研事情,产业我们更多是拿来主义,相关试一试,产业里面,哪种匹配更重要。第二个其实每个问题都有特殊性,往往不是单独算法就是最好的,科研里面只是一个算法,业界上是算法融合,单个模型通常不能达到最好效果。

 

叶杰平:我补充一点,判责从场景中抽象成数学问题,再找特征,把应用场景转换成机器学习问题,很多场景问题产生不是唯一的,算法不是最重要的,问题描述的对了,可能完成了一大半,问题描述错了,效果肯定不好,把应用场景描述成数学问题,在工业中非常重要。

 

雷鸣:滴滴在预测路况,地方政府合作,进而影响大交通大出行。我们用了自己的,还是政府的,对未来数据方面,共享和发展有什么看法?

 

叶杰平:未来希望数据共享,把不同数据结合起来,精确反映当时完整状况。

 

目前现状济南只用了滴滴的数据,如果滴滴的量增加,或者整合其他的数据,数据覆盖率会更大,效果会更好。在未来肯定会越来越堵,滴滴越来越开放。我们在一些城市开始对数据共享进行洽谈。

 

雷鸣:关于智慧城市,以前认为A处产生的数据只对A有用。朋友在海外做了这样的尝试:他们采集了基站对人定位的数据,来测算人的移动,来达到对人的出行情况基本了解。经过统计,可以知道多少人进行迁移、重合、交叉、堵车,进而对道路、住宅规划,知道什么地方排队久,得出类似医院排队多的结论。数据交叉是有价值的,比如蚂蚁金服,正因为有交易数据,不只用来做推荐,还产生了巨大无比的金融服务。到智能社会以后,要思考,这种数据还能释放出其他的力量。

 

叶教授提到的满意度,是指的是用户调研,还是司机采访,还是技术人员定的标准?

 

叶杰平:这个叫NPS,满意度是用户调研,你愿意推荐滴滴给你的朋友吗?如果100个人有60个人推荐,40个人不推荐,我们滴滴每天会做用户调研,我们特别关注用户满意度体验。这是今年最重要的发现,提升用户体验,满意度上升下降城市的原因。我们成立了一个NPS团队,专门做分析调研。(里面也有人工智能),覆盖很少,大部分没有触及,我们能不能预测大家满意度,我们能不能找出现在满意度发生变化的原因,相对性去改进。其实有个大的人工智能系统,做采集系统和实时预测,一个是满意度,抓手,发生了什么事情。今年上半年,体验有了非常大的提高。以前大家认为是运营营销驱动,现在是体验驱动。

 

滴滴把NPS作为最核心的指标,它没法用模型去优化,滴滴会做调研,后边有大数据,对过程拆解,分析出影响NPS核心的几个因素,哪些用模型项目抓手去优化,拆解到算法。

 

雷鸣:系列讲座请到的“大家”都是教授到工业界并获得成功,大家是先当教授再去业界吗?

 

叶杰平:不一定,我有很多学生直接进入工业界一直往前走,有些进入了再出来,各有优缺点,条条道路通罗马。从毕业到一步步往前走,精力不一样,不同的走法。有个好处是,好处是都经历过,先去工业界,再去学术也是有的。每个人的情况都不一样。

 

这个问题还是一个时间问题,很多人都是人工智能专家,互联网中O2O等产业,很多人请教授比例不高,这是供需关系决定的,人工智能在过去是冷门学科。十年前我们不敢说人工智能,因为过于冷门。但我们坚持下来后,价值放大了很多倍。吴恩达等人虽然比较年轻,但到了产业界都是位高权重。但当大家都在读这个专业,前景难以预测。

 

这是一个预测问题,尤其是美国学校,他连计算机系机器学习课都开不出来,老师都被挖走了,还是希望有老师留在学校。我在滴滴开设了机器学习课程,从15年12月开到现在,继续在培养人才,这是最长的一门课程。我们会把数学过一遍,简单模型、复杂模型,前沿模型、应用都会讲。很多人认为开不久,后来发现越来越火。坚持了一年多,大家都非常想学习,我们继续开下去,可能会开很多年,工业界也会有学习的机会。

 

雷鸣:机器学习和人工智能在社会上是非常大的缺口,供需严重不平衡,人工智能在招聘上非常抢手,但猎头根本挖不到,都是行业内人士互相推荐,这是人才的稀缺性。进入人工智能时代,知识和技术的生命周期短了,时间过去半年一年,原有的解决方案会不太灵光了,效率差了很多。做机器学习芯片是个巨大的挑战,因为算法不固化。两相叠加我们可以得出,人工智能的学习是持续的,大家如果在这个方面发展,建议大家持续关注算法更新。对于机器学习和深度学习不是太了解的,可以先选课,学到自己想要的知识就挺好。

 

很多团队是从视觉深度学习开始的,一开始和深度学习没什么关系,用了深度学习算法后发现效率有很大提升。深度学习是一种工具,有足够的数据,我们都相信,它比传统算法有很大提升。

 

最后一点,人工智能非常重要的一点是实践,不实践没太大用,学生可以参加一些比赛,通过比赛去实践。这个非常关键。


视频回放链接:

http://www.iqiyi.com/l_19rrc5qodr.html

打开微信“扫一扫”,打开网页后点击屏幕右上角分享按钮

账号登录

重置密码

还没有账号?立即注册>

账号注册

已有账号?立即登录>注册企业会员

重置密码

返回

绑定手机