利用地理空间网络嵌入提升房价预测

房地产对全球所有主要经济体都有显著贡献。特别是房价对从购房者到融资公司等利益相关者有着直接影响。因此，已开发出大量技术用于房地产价格预测。现有多数技术依赖不同的房屋特征来构建各类预测模型以预测房价。意识到空间依赖性对房价的影响，一些后续工作聚焦于引入空间回归模型以提升预测性能。然而，它们未能考虑邻里便利设施的地理空间上下文，例如房屋距离火车站、高排名学校或购物中心有多近。此类上下文信息可能在用户对房屋的兴趣中起关键作用，从而直接影响其价格。本文中，我们提议利用图神经网络的概念来捕捉房屋邻里的地理空间上下文。具体而言，我们提出一种新方法——地理空间网络嵌入（GSNE），以多部图形式学习房屋与各类兴趣点（POIs）的嵌入，其中房屋与 POIs 表示为带属性节点，它们之间的关系表示为边。使用大量回归技术的广泛实验表明，无论下游回归模型如何，我们提出的 GSNE 技术所产生的嵌入都一致且显著地改善了房价预测任务的性能。