Nov, 2023

融合 POI 和面域嵌入改善房地产评估

PDF
TL;DR本研究主要关注两个关键挑战：一是探索被低估的兴趣点对房地产价值的影响，强调了数据驱动的特征选择方法的必要性；二是整合基于道路网络的面积嵌入以增强房地产评估的空间理解。我们提出了一种改进的兴趣点特征提取方法，并讨论了每个兴趣点对于房价评估的影响。然后，我们提出了 AMMASI 模型，它是对现有 ASI 模型的改进，利用地理邻居房屋和相似特征房屋上的遮蔽多头注意力。我们的模型优于当前的基准线，同时也为未来房地产评估方法的优化提供了有希望的途径。
发现论文，激发创造
  • 提升下一个 POI 预测的效果：与遥感数据的空间和语义增强

    提出了一种基于深度学习的两步预测框架，通过丰富输入特征、引入遥感数据和构建 QR-P 图等方法来解决点兴趣预测中的挑战，并通过实证研究证明了该方法的优越性。

    Mar, 2024

  • 个性化 POI 推荐的关系嵌入

    研究了 POI（点 - of-interest）推荐系统中用户 - POI 数据稀疏性、时空上下文变化以及语义信息对推荐质量的影响，提出了一种基于转换关系嵌入和知识图谱嵌入技术的 POI 推荐模型并构建了基于用户 - POI 图的组合矩阵分解框架来增强动态个人兴趣的推理。实验证明该方法具有较好的推荐效果。

    Feb, 2020

  • 基于位置感知的旅游问答模块化双编码器

    通过使用预训练语言模型和训练空间编码器，本研究提出了一种稠密检索体系结构来回答真实世界旅游问题，其中问题和兴趣点的相关性是通过嵌入空间相似性来确定的。实验结果表明，该方法在真实世界旅游问答数据集上表现出色，并且在所有指标上优于之前的方法。

    Jan, 2024

  • 利用自注意力自编码器和邻居感知来推荐地点

    本文提出了一种基于自编码器的模型，即 SAE-NAD，用于学习非线性用户 - 地点关系，通过采用多维关注机制自适应地区分用户偏好程度，并通过 POI 嵌入与径向基函数内积相结合的方法实现在检查的 POI 的相似和附近邻居上使用户到达更高的可达性，并在三个真实世界数据集上进行了广泛的实验，证明了本模型的有效性。

    Sep, 2018

  • 使用航空或卫星图像估算泰国资产价值

    研究提出了一种基于相似度的资产估值模型，利用预先训练的 EfficientNet 神经网络结合深度学习和基于树的模型来评估地块相似性，从而提高泰国国内房地产估价方法的准确性和可靠性。

    May, 2023

  • 贝叶斯增强的多视图注意力网络用于鲁棒型兴趣点推荐

    考虑用户签到的不确定性因素，本研究提出了一个新的鲁棒的 POI 推荐问题，并提出了一种 Bayes 增强的多视图关注网络，以解决现有方法在不完整和嘈杂的签到数据下的推荐性能问题。

    Nov, 2023

  • 基于上下文感知注意力的 POI 推荐数据增强方法

    本研究提出了一种基于注意力机制的序列生成模型 POI-Augmentation Seq2Seq (PA-Seq2Seq)，来解决缺失和不规则签到数据对模型性能的负面影响，以及学习用户历史中的时间相关性，以有效和高效地进行下一个位置推荐。通过在 Gowalla 和 Brightkite 两个真实世界的签到数据集上进行的广泛实验，证明了该方法的性能和有效性。

    Jun, 2021

  • 利用遥感图像和多语义信息进行城市功能区检测的多模态学习

    我们提出了一种端到端多模态深度学习算法，用于检测利用遥感图像和多语义参考信息的城市感兴趣区域围栏多边形，通过融合动态人类流动性和物流地址信息的级联模块来评估其时效性。实验结果表明，我们的算法明显优于两种现有方法。

    Jan, 2024

  • 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

  • 利用空间增强的图神经网络推断兴趣点之间关系

    本研究提出了新算法 PRIM，通过加权的关系图神经网络、分类目录系统、自我注意的空间上下文抽取器和距离特定的评分函数等四个新颖组件探讨地点基础服务中 POI 之间的关系。在两个真实数据集上进行的实验显示，PRIM 能够有效地推断多种关系类型中 POI 之间的关系，并具有鲁棒性和适用性。

    Feb, 2022