KDDJul, 2021

MugRep：面向房地产估价的多任务分层图表示学习框架

PDF
TL;DR该研究提出了一种基于多任务层次图表示学习（MugRep）的房地产精确估价框架，通过获取和集成多源城市数据，构建一个丰富的特征集，包括地理分布、人类流动分布和居民人口统计分布，并提出了一种异步时空依赖性的房地产交易图和相关事件图卷积模块，以及一种分层异质社区图卷积模块，以捕捉住宅社区之间的多样化关系，并引入了一种城市区域划分的多任务学习模块，用于为房地产生成具有不同分布的价值意见。
real estate appraisalmarket valuemulti-task hierarchical graph representation learningurban dataspatiotemporal dependencies
发现论文，激发创造
  • 基于图像的房地产鉴定

    使用循环神经网络和最先进的视觉特征来预测房地产价格，结果表明我们的模型在平均绝对误差（MAE）和平均绝对百分比误差（MAPE）方面均优于其他现有算法。

    Nov, 2016

  • 基于卫星图像的房地产评估的多视角学习策略比较

    本文介绍了关于多视图学习方法在房地产评估方面的应用，同时针对多核学习、多视图串联和多视图神经网络三种方法进行实证研究，并得出多视图神经网络预测性能最好，但是也存在不透明的 “黑匣子” 模型的缺点，因此建议使用混合多视图神经网络或 Boosting 策略作为替代方案。

    May, 2021

  • 基于图神经网络的可扩展房产估值模型

    通过有效的图依赖表示来丰富现有的基于深度学习的自动估值模型，并开发了两种新颖的图神经网络模型，有效地识别具有相似特征的相邻房屋序列，通过不同的消息传递算法实现。实验证明，使用定制的图神经网络显著提高了房价预测的准确性，特别是在利用变压器卷积消息传递层时。

    May, 2024

  • 超越同质性的多视图图形表示学习

    该研究提出了一个多视角方法和多样化预文本任务引入的框架，即 Multi-view Graph Encoder (MVGE)，以捕捉图形中的不同信号，并在合成和现实数据集上进行了广泛实验，并显示出显着的性能改进。

    Apr, 2023

  • 属性图的表示学习框架

    本文提出了一种新的图形表示学习框架 PGE，该框架将节点和边缘的属性信息纳入了图嵌入过程，通过节点聚类和多种数据驱动矩阵来聚合邻居节点的属性信息，并在节点分类和链接预测等应用方面验证了 PGE 的性能优于现有的图形嵌入方法，表明其在机器学习中具有显著的影响。

    Jun, 2022

  • 动态图上的表示学习

    本文提出了一种基于动态图的归纳式深层表示学习框架（DyRep），能够学习一组函数以高效生成随时间演变的低维节点嵌入，这些嵌入驱动动态图中节点之间的通信与关联，并利用时间为尺度的多元点过程模型来捕获这些动态关系，该研究通过动态链接预测和事件时间预测问题的两个真实世界数据集的实验证明了框架的有效性。

    Mar, 2018

  • M2GRL: 面向 Web 规模推荐系统的多任务多视图图表示学习框架

    本研究利用多视角方法来学习来自多个视角的图表征学习表示，提出了一个适用于网络规模推荐系统的多任务多视图图表征学习框架 (M2GRL)，在淘宝上进行了测试，结果表明，该框架在网址推荐方面的性能显著优于现有的算法。

    May, 2020

  • 多视角 MOOC 质量评估：基于信息感知图表征学习

    本研究基于信息感知的图表示学习，提出了一种多视角 MOOC 质量评估的方法，将 MOOC Heterogeneous Network 分解成可以描述课程多视角语义的多个单关系图，并利用互信息保留课程表示的有效性。在真实世界的 MOOC 数据集上进行广泛实验，证明了该方法的有效性。

    Jan, 2023

  • 大规模动态图上的即时表示学习推荐

    该论文提出了一种名为 SUPA 的图神经网络模型，用于解决动态图中邻居干扰和在线学习方面的问题，并在实验中显示其在推荐系统领域表现出色。

    May, 2023

  • 图表示学习：调查

    通过解释图嵌入任务及其挑战、回顾广泛的图嵌入技术、评估多种先进方法并比较它们的性能，本文综述了图表示学习的最新研究进展，同时探讨了其在潜在应用和未来发展方向的应用与发展。

    Sep, 2019