似乎一夜之間，所有的互聯(lián)網(wǎng)公司在對(duì)外的宣傳稿中都會(huì)提及自己使用機(jī)器學(xué)習(xí)和大數(shù)據(jù)技術(shù)，一時(shí)間成為了近幾年來(lái)最炙手可熱的名詞，不談機(jī)器學(xué)習(xí)、大數(shù)據(jù)似乎都不好意思說(shuō)自己是做高新技術(shù)的了。百度搜索指數(shù)：機(jī)器學(xué)習(xí)百度搜索指數(shù)：大數(shù)據(jù)上圖來(lái)自最近7年來(lái)這兩個(gè)詞的百度搜索指數(shù)，可以看到從2013年開(kāi)始一直在穩(wěn)步攀升，在2017年的時(shí)候迎來(lái)了爆發(fā)式的增長(zhǎng)，這些都與我們的感知類同。

機(jī)器學(xué)習(xí)與人腦思維的區(qū)別機(jī)器學(xué)習(xí)和大數(shù)據(jù)應(yīng)用是相輔相成的，目的是想用機(jī)器去模擬人類的思考過(guò)程，人類通過(guò)自身經(jīng)歷經(jīng)過(guò)思考可以形成經(jīng)驗(yàn)，并用來(lái)解決新的問(wèn)題，而機(jī)器學(xué)習(xí)是需要利用大量的歷史數(shù)據(jù)去訓(xùn)練一個(gè)模型去解決一個(gè)特定的問(wèn)題：比如識(shí)別兩張臉是否一致、該用戶是不是精準(zhǔn)客戶等。雖然這兩個(gè)詞這兩年才火起來(lái)，但是這些概念早在半個(gè)多世紀(jì)前就有理論的提出，尤其機(jī)器學(xué)習(xí)的算法已經(jīng)在幾十年前就非常成熟了，但是受制于計(jì)算效率、存儲(chǔ)等硬件的限制，大數(shù)據(jù)和機(jī)器學(xué)習(xí)在實(shí)際業(yè)務(wù)上的應(yīng)用場(chǎng)景十分受限，很難有大規(guī)模的場(chǎng)景應(yīng)用。最近十年來(lái)隨著存儲(chǔ)、芯片等層面的突破讓大數(shù)據(jù)和機(jī)器學(xué)習(xí)的計(jì)算應(yīng)用成本大大降低，這也支撐了基于這兩項(xiàng)技術(shù)的應(yīng)用場(chǎng)景呈現(xiàn)爆發(fā)式增長(zhǎng)。除了機(jī)器學(xué)習(xí)之外，我們也發(fā)現(xiàn)互聯(lián)網(wǎng)信貸成為了這幾年最火的行業(yè)方向，互聯(lián)網(wǎng)信貸的工作重心在風(fēng)控。于是天作佳成，正如目前我們看到的，信貸風(fēng)控成為當(dāng)前機(jī)器學(xué)習(xí)和大數(shù)據(jù)技術(shù)最適合也是最成熟的應(yīng)用場(chǎng)景之一：1.金融業(yè)務(wù)自身需要大量的數(shù)據(jù)且也會(huì)產(chǎn)生更多的數(shù)據(jù)，這天然的讓信貸風(fēng)控成為最適合大數(shù)據(jù)和機(jī)器學(xué)習(xí)的場(chǎng)景；2.風(fēng)控涉及的數(shù)據(jù)量大、數(shù)據(jù)面廣、關(guān)聯(lián)復(fù)雜，也急需利用大數(shù)據(jù)和機(jī)器學(xué)習(xí)技術(shù)解決風(fēng)控過(guò)程中效率低、缺乏公平準(zhǔn)則、風(fēng)險(xiǎn)難以量化的問(wèn)題；所以正是因?yàn)檫@樣的相互依賴，信貸風(fēng)控成為當(dāng)前大數(shù)據(jù)和機(jī)器學(xué)習(xí)技術(shù)應(yīng)用最成熟的領(lǐng)域之一。信貸風(fēng)控中的主要問(wèn)題信貸風(fēng)控最關(guān)鍵的目標(biāo)就是從全量申請(qǐng)用戶樣本中找到會(huì)逾期的客戶，所以風(fēng)控的核心目的是評(píng)估用戶的還款意愿和還款能力。從過(guò)去的業(yè)務(wù)實(shí)踐經(jīng)驗(yàn)來(lái)看，風(fēng)控當(dāng)中需要重點(diǎn)關(guān)注的問(wèn)題包括：非本人申請(qǐng)：申請(qǐng)人利用虛假身份申請(qǐng)信貸，這一問(wèn)題在信貸業(yè)務(wù)高速增長(zhǎng)的蠻荒階段，銀行或者互金機(jī)構(gòu)缺乏對(duì)黑產(chǎn)全面的認(rèn)知，在部分業(yè)務(wù)環(huán)節(jié)被黑產(chǎn)用虛假/殘缺或者非本人身份證欺詐，包括一些知名的持牌消金機(jī)構(gòu)也遇到過(guò)大量類似的欺詐案例。偽造資料：申請(qǐng)人為了更容易獲得貸款或者貸后惡意逾期避免催收，偽造收入證明、聯(lián)系人、工作地址等資料。中介團(tuán)伙：中介在網(wǎng)絡(luò)上大量招徠需要信貸申請(qǐng)的用戶，使用不同的攻略“教”客戶如何有機(jī)會(huì)以較高概率通過(guò)銀行/信貸機(jī)構(gòu)的審核。歷史信用記錄：用戶歷史如果存在大量失信行為，或者存在賭/毒等不良社會(huì)行為，那么其逾期失聯(lián)的概率也很高。還款能力不足：申請(qǐng)人負(fù)債收入比較高，外部有大量債務(wù)且自身收入不穩(wěn)定，這些都有可能導(dǎo)致用戶愿意還款但是卻沒(méi)有能力還款。基于大數(shù)據(jù)和機(jī)器學(xué)習(xí)技術(shù)的風(fēng)控解決方案為了解決上述的這些問(wèn)題，目前業(yè)內(nèi)已經(jīng)形成了一套基于大數(shù)據(jù)和機(jī)器學(xué)習(xí)技術(shù)的較為完整的解決方案。

非本人申請(qǐng)：人臉識(shí)別技術(shù)

目前人臉識(shí)別技術(shù)已經(jīng)應(yīng)用在生活中的方方面面，如刷臉支付、高鐵進(jìn)站甚至公安的天網(wǎng)系統(tǒng)；而在金融業(yè)務(wù)中，信用卡辦理、網(wǎng)貸申請(qǐng)也都普遍使用人臉識(shí)別：將申請(qǐng)人照片與在公安系統(tǒng)中身份證存照進(jìn)行比對(duì)，判斷兩張照片的相似度，可有效避免非本人申請(qǐng)的問(wèn)題。與人類識(shí)別面部類似，當(dāng)我們?nèi)祟悓?duì)一個(gè)人比較熟悉的時(shí)候，我們很容易根據(jù)他的面部特征與我們?cè)谀X海里過(guò)去存儲(chǔ)的特征進(jìn)行比對(duì)，就能判斷這個(gè)人是否是這個(gè)人（雖然也會(huì)有誤判的時(shí)候），同樣的，人臉識(shí)別技術(shù)的背后也是一套深度學(xué)習(xí)的算法，把我們思考的過(guò)程轉(zhuǎn)化為模型算法，目前市面上有多家提供人臉識(shí)別服務(wù)的商業(yè)化應(yīng)用公司，不過(guò)其算法的本質(zhì)基本是類同的，人臉識(shí)別的核心思想在于：不同人臉由不同特征組成。理解這個(gè)思想，首先需要引入的的是“特征”的概念。先看下面這個(gè)例子：

最簡(jiǎn)單的人臉特征假設(shè)這 5 個(gè)特征足夠形容一張人臉，那每張人臉都可表示為這 5 個(gè)特征的組合：（特征1，特征2，特征3，特征4，特征5）一位雙眼皮，挺鼻梁，藍(lán)眼睛，白皮膚，瓜子臉的小姐姐即可用特征表示為（見(jiàn)表格加粗項(xiàng)）：（1,1,0,1,0）那么遍歷上面這張?zhí)卣鞅砀褚还部梢源?2張不同的臉。32 張臉可遠(yuǎn)遠(yuǎn)不夠覆蓋70 多億的人口。為了讓不同特征組成的人臉能覆蓋足夠多人臉，我們需要擴(kuò)充上面那張?zhí)卣鞅怼U(kuò)張?zhí)卣鞅砜梢詮男小⒘袃蓚€(gè)角度展開(kāi)。列的角度很簡(jiǎn)單，只需要增加特征數(shù)量：（特征6.臉型,特征7.兩眼之間距離，特征8.嘴唇厚薄…）實(shí)際應(yīng)用中通常應(yīng)用 128,256,512 或者 1024 個(gè)不同特征。從行的角度擴(kuò)充也很好理解，比如“特征3”，除了值 0 代表藍(lán)色，值 1 代表灰色，是不是可以增加一個(gè)值 2 代表黑色，值 3 代表沒(méi)有頭發(fā)呢？此外，除了這些離散的整數(shù)，我們也可以取連續(xù)的小數(shù)，比如特征 3 的值 0.1，代表“藍(lán)中略微帶黑”，值 0.9 代表“灰中帶藍(lán)”……

百度開(kāi)源平臺(tái)：面部特征識(shí)別經(jīng)過(guò)這樣的擴(kuò)充，特征空間便會(huì)變得無(wú)限大。擴(kuò)充后特征空間里的一張臉可能表示為：

一張臉提取出128維特征變量用于表示人臉的大量特征從哪來(lái)？這便是深度學(xué)習(xí)（深度神經(jīng)網(wǎng)絡(luò)）發(fā)揮作用的地方。它通過(guò)在千萬(wàn)甚至億級(jí)別的人臉數(shù)據(jù)庫(kù)上學(xué)習(xí)訓(xùn)練后，會(huì)自動(dòng)總結(jié)出最適合于計(jì)算機(jī)理解和區(qū)分的人臉特征。闡明了不同人臉由不同特征組成后，我們便有了足夠的知識(shí)來(lái)分析人臉，算法工程師通常需要一定的可視化手段才能知道機(jī)器到底學(xué)習(xí)到了哪些利于區(qū)分不同人的特征：同一人的不同照片提取出的特征，在特征空間里距離很近，不同人在特征空間里相距較遠(yuǎn)。

三張不同角度的撒貝寧照片經(jīng)過(guò)神經(jīng)網(wǎng)絡(luò)提取出 128 維的特征后，變成了 3 個(gè)在 128 維空間中的點(diǎn)（紅色），劉德華的特征點(diǎn)為綠色。不過(guò)在實(shí)際應(yīng)用中在光照較差、遮擋、形變（大笑）、側(cè)臉等諸多條件下，神經(jīng)網(wǎng)絡(luò)很難提取出與“標(biāo)準(zhǔn)臉”相似的特征。另外，在金融風(fēng)控領(lǐng)域還需要解決偽造人臉的情況，面對(duì)這些問(wèn)題，通常采取四種應(yīng)對(duì)措施：1. 工程角度：研發(fā)質(zhì)量模型，對(duì)檢測(cè)到人臉質(zhì)量進(jìn)行評(píng)價(jià)，質(zhì)量較差則不識(shí)別/檢驗(yàn)。2. 應(yīng)用角度：施加場(chǎng)景限制，比如刷臉解鎖、人臉閘機(jī)、會(huì)場(chǎng)簽到時(shí)，都要求用戶在良好的光照條件下正對(duì)攝像頭，以避免采集到質(zhì)量差的圖片。3. 算法角度：提升人臉識(shí)別模型性能，在訓(xùn)練數(shù)據(jù)里添加更多復(fù)雜場(chǎng)景和質(zhì)量的照片，以增強(qiáng)模型的抗干擾能力。4.精準(zhǔn)活體識(shí)別：通過(guò)3D建模軟件可以使用用戶已有的照片模擬一張真實(shí)的頭像，以此來(lái)騙過(guò)人臉識(shí)別算法，所以如何驗(yàn)證這個(gè)頭像是來(lái)自一個(gè)真實(shí)的人同樣也是一個(gè)機(jī)器學(xué)習(xí)的過(guò)程。

鯤魚(yú)科技-靈犀聯(lián)合實(shí)驗(yàn)室“模擬人臉攻擊”示例

1.基于知識(shí)圖譜技術(shù)的復(fù)雜網(wǎng)絡(luò)在影視節(jié)目當(dāng)中，我們經(jīng)常看到警察辦案時(shí)會(huì)把嫌疑人、證人、受害人及他們之間的關(guān)聯(lián)關(guān)系等信息畫(huà)在墻上，用以分析案情，這就是典型的關(guān)系圖譜應(yīng)用。墻上的畫(huà)便是圖，圖中有用的信息便是知識(shí)，將其進(jìn)一步擴(kuò)展到其他事物；人為實(shí)體，在圖中我們稱之為點(diǎn)，人之間代表著關(guān)聯(lián)關(guān)系的連線，在圖中我們稱之為邊，就這樣點(diǎn)與邊共同組成了我們的關(guān)系圖譜。

構(gòu)建關(guān)系圖譜的底層還是大數(shù)據(jù)的技術(shù)：基于龐大的用戶數(shù)據(jù)，從不同的數(shù)據(jù)源抽取出來(lái)存入到圖數(shù)據(jù)庫(kù)里，所以數(shù)據(jù)是構(gòu)建關(guān)系圖譜的基礎(chǔ)。一種是以關(guān)系型數(shù)據(jù)庫(kù)存儲(chǔ)的結(jié)構(gòu)化數(shù)據(jù)，例如：IP地址，經(jīng)緯度，設(shè)備指紋等，另一種是爬蟲(chóng)采集的非機(jī)構(gòu)化數(shù)據(jù)，例如行為記錄、網(wǎng)上的瀏覽記錄。實(shí)踐應(yīng)用中我們利用機(jī)器學(xué)習(xí)、自然語(yǔ)言處理技術(shù)把這些數(shù)據(jù)變成結(jié)構(gòu)化的數(shù)據(jù)也存入到圖譜里。從用戶大數(shù)據(jù)和基于大數(shù)據(jù)的關(guān)系圖譜體系我們可以實(shí)現(xiàn)以下目的：

2.1 資料偽造識(shí)別校驗(yàn)用戶信息可以用來(lái)判斷借款人是否可能存在欺詐風(fēng)險(xiǎn)，使用關(guān)系圖譜做交叉校驗(yàn)，雖然不能保證百分之百的準(zhǔn)確性，但是它在人工審核時(shí)便是一個(gè)有力的參考依據(jù)。欺詐用戶填寫(xiě)的個(gè)人信息通常都是虛假的。例如：比如借款人張三和借款人李四填寫(xiě)的是同一個(gè)公司電話，但張三填寫(xiě)的公司和李四填寫(xiě)的公司完全不一樣，這就成了一個(gè)風(fēng)險(xiǎn)點(diǎn)。我們將關(guān)系圖譜數(shù)據(jù)可視化，可以很直觀的發(fā)現(xiàn)兩者的矛盾，我們便可以判斷他們二人至少有一人存在欺詐風(fēng)險(xiǎn)。

2.2 團(tuán)伙欺詐分析在信貸場(chǎng)景中，團(tuán)伙欺詐造成的損失更加嚴(yán)重，不過(guò)從繁復(fù)的數(shù)據(jù)中發(fā)現(xiàn)團(tuán)伙的難度也很大。基于知識(shí)圖譜我們通常直觀分析多層級(jí)的數(shù)據(jù)，一度關(guān)聯(lián)、二度關(guān)聯(lián)、三度關(guān)聯(lián)，甚至是更多維度關(guān)聯(lián)。團(tuán)伙雖然使用虛假信息進(jìn)行授信、支用，但通常都有共有的信息，例如同一個(gè)WIFI，同一片區(qū)域。LOUVAIN、LPA、SLPA等社區(qū)發(fā)現(xiàn)算法、標(biāo)簽傳播算法可以有效快速的發(fā)現(xiàn)團(tuán)伙。

2.3 失聯(lián)客戶管理對(duì)于貸后管理來(lái)說(shuō)，用戶本人及緊急聯(lián)系人失聯(lián)是催收失敗最大的原因，這時(shí)可以利用關(guān)系圖譜去發(fā)現(xiàn)失聯(lián)用戶的潛在聯(lián)系人，提高催收成功率。例如張三是失聯(lián)用戶，李四和趙六是張三的聯(lián)系人也都失聯(lián)了，這時(shí)我們可以試圖通過(guò)李四的聯(lián)系人王五，或者與張三使用相同設(shè)備的用戶老王來(lái)達(dá)到失聯(lián)客戶管理的目的。

3.征信數(shù)據(jù)與信用評(píng)分卡

3.1征信與大數(shù)據(jù)與國(guó)外相比，中國(guó)最大的差異在于征信體系的不完善。我們的人行征信系統(tǒng)覆蓋了8億人，但是可能只有4億左右是有信貸記錄的，剩下的無(wú)任何信貸記錄的，我們稱之為白戶。所以國(guó)內(nèi)銀行對(duì)于大部分非中高端用戶實(shí)際上是不愿意也沒(méi)有能力提供金融服務(wù)的。沒(méi)有征信數(shù)據(jù)，那套國(guó)外搬過(guò)來(lái)的基于征信數(shù)據(jù)的方式方法就不管用了。不過(guò)，我們很快發(fā)現(xiàn)，利用互聯(lián)網(wǎng)技術(shù)可以解決征信數(shù)據(jù)缺失的白戶問(wèn)題，而這些看似與信貸記錄不相關(guān)的數(shù)據(jù)在一定程度上卻能夠評(píng)估是否能夠給該用戶借款：

（1）All data is credit data：互聯(lián)網(wǎng)可以提供每個(gè)信貸申請(qǐng)用戶龐大的、碎片化的、種類繁多的信息。這里面包括用戶提交的電子化信息（如身份證、營(yíng)業(yè)執(zhí)照、房產(chǎn)證、學(xué)歷證、工資單、社保，銀行流水等），第三方權(quán)威機(jī)構(gòu)的查詢信息（如公民身份證查詢中心、教育部學(xué)歷中心、法院訴訟信息查詢中心等可查詢信息），還包括了海量的互聯(lián)網(wǎng)碎片數(shù)據(jù)，如用戶的電商交易信息、微博等社交網(wǎng)絡(luò)數(shù)據(jù)，百度搜索引擎數(shù)據(jù)等。

（2）互聯(lián)網(wǎng)的高效性和便捷性使我們能以較低的成本、較短的時(shí)間，積累大量的用戶數(shù)據(jù)，為分析建模提供足夠的樣本量。在信貸的業(yè)務(wù)實(shí)踐中，常用的行業(yè)大數(shù)據(jù)包括： 央行征信報(bào)告：一般持牌金融機(jī)構(gòu)有央行征信介入權(quán)限，包括個(gè)人的執(zhí)業(yè)資格記錄、行政獎(jiǎng)勵(lì)和處罰記錄、法院訴訟和強(qiáng)制執(zhí)行記錄、欠稅記錄等。 司法信息：最高法以及省市各級(jí)法院的最新公布名單，包括執(zhí)行法院、立案時(shí)間、執(zhí)行案號(hào)、執(zhí)行標(biāo)的、案件狀態(tài)、執(zhí)行依據(jù)、執(zhí)行機(jī)構(gòu)、生效法律文書(shū)確定的義務(wù)、被執(zhí)行人的履行情況、失信被執(zhí)行人的行為等信息。 公安信息：覆蓋公安系統(tǒng)涉案、在逃和有案底人員信息，包括案發(fā)時(shí)間、案件詳情如詐騙案/生產(chǎn)、銷售假藥案等信息。 信用卡信息：銀行儲(chǔ)蓄卡/信用卡支出、收入、逾期等信息。 航旅信息：包含過(guò)去一年中，每個(gè)季度的飛行城市、飛行次數(shù)、座位層次等數(shù)據(jù)。 社交信息：包含社交賬號(hào)匹配類型、社交賬號(hào)性別、社交賬號(hào)粉絲數(shù)等。 運(yùn)營(yíng)商信息：核查運(yùn)營(yíng)商賬戶在網(wǎng)時(shí)長(zhǎng)、在網(wǎng)狀態(tài)、消費(fèi)檔次、通話習(xí)慣等信息。 網(wǎng)貸黑名單：根據(jù)個(gè)人姓名和身份證號(hào)碼驗(yàn)證是否有網(wǎng)貸逾期、黑名單信息。 駕駛證狀態(tài)，租車黑名單，電商消費(fèi)記錄等也是可以考量的因素 正是因?yàn)榇髷?shù)據(jù)技術(shù)的發(fā)展才形成了帶著強(qiáng)烈中國(guó)特色的官方+民間結(jié)合的征信體系，支撐互聯(lián)網(wǎng)信貸脫離蠻荒可以實(shí)現(xiàn)高速發(fā)展，信貸從業(yè)者可以在合規(guī)的前提下獲取對(duì)提升效率有用的用戶信息完善風(fēng)控策略。

3.2 機(jī)器學(xué)習(xí)與評(píng)分卡

評(píng)分卡我們應(yīng)該是最為熟悉的，芝麻信用分就是一個(gè)典型的信用評(píng)分，支付寶官方利用自身積累及外部征信渠道獲取的各種數(shù)據(jù)從五個(gè)維度對(duì)一個(gè)用戶進(jìn)行評(píng)分，而這個(gè)評(píng)分對(duì)于每個(gè)用戶來(lái)說(shuō)是透明的，這也非常好幫助用戶理解和改善自身的信用狀況。從和信貸業(yè)內(nèi)的小伙伴溝通來(lái)看，芝麻的信用評(píng)分還是比較有區(qū)分度的，這與阿里的大數(shù)據(jù)積累息息相關(guān)，阿里體系內(nèi)積累了大量用戶特有數(shù)據(jù)可以對(duì)用戶形象進(jìn)行更好的刻畫(huà)。這套評(píng)分卡的背后其實(shí)是一套依賴在大數(shù)據(jù)基礎(chǔ)上的機(jī)器學(xué)習(xí)算法，因此在本身?yè)碛写罅繑?shù)據(jù)的基礎(chǔ)上如何挖掘出一套有效的客戶評(píng)分這就是機(jī)器學(xué)習(xí)需要做的事情。機(jī)器學(xué)習(xí)中目前應(yīng)用最廣泛的就是有監(jiān)督學(xué)習(xí)：這類模型最復(fù)雜的地方在于模型的訓(xùn)練過(guò)程，算法人員根據(jù)這些歷史用戶的表現(xiàn)打上標(biāo)簽（逾期/不逾期），基于這些用戶大量數(shù)據(jù)，使用不同的算法（一般來(lái)說(shuō)都會(huì)使用邏輯回歸算法）來(lái)對(duì)這些用戶進(jìn)行評(píng)分，得到一個(gè)在各維度評(píng)價(jià)指標(biāo)來(lái)看都能過(guò)關(guān)的模型，并用這個(gè)模型來(lái)預(yù)測(cè)未來(lái)的數(shù)據(jù)表現(xiàn)。

目前銀行信用卡體系、網(wǎng)貸體系基本都是使用類似的方法構(gòu)建評(píng)分卡，當(dāng)然不同的場(chǎng)景、不同的行業(yè)所用的評(píng)分卡也不盡相同。基于這套評(píng)分卡我們基本上可以在用戶申請(qǐng)環(huán)節(jié)實(shí)現(xiàn)量化風(fēng)險(xiǎn)的目的。基于大數(shù)據(jù)的機(jī)器學(xué)習(xí)并不是完全改變傳統(tǒng)風(fēng)控，實(shí)際是豐富傳統(tǒng)風(fēng)控的數(shù)據(jù)緯度和量化風(fēng)險(xiǎn)的方式。結(jié)語(yǔ)本文簡(jiǎn)單介紹了大數(shù)據(jù)和機(jī)器學(xué)習(xí)在信貸風(fēng)控領(lǐng)域的應(yīng)用場(chǎng)景。機(jī)器學(xué)習(xí)聽(tīng)起來(lái)很高大上，在實(shí)際工作中也經(jīng)常會(huì)遇到一味炒作概念的人，過(guò)分夸大機(jī)器學(xué)習(xí)所能起到的作用，或者盲目的追求高深復(fù)雜的算法。不過(guò)無(wú)論是機(jī)器學(xué)習(xí)還是大數(shù)據(jù)其本質(zhì)還是為了服務(wù)業(yè)務(wù)，提高業(yè)務(wù)的效率降低成本是其最根本的目的。隨著信貸行業(yè)的不斷發(fā)展，機(jī)器學(xué)習(xí)和大數(shù)據(jù)技術(shù)的越來(lái)越成熟，二者結(jié)合的應(yīng)用場(chǎng)景相信也會(huì)愈加豐富，相信在這塊未來(lái)會(huì)有更多新穎的應(yīng)用場(chǎng)景。