DoRA：面向低资源房地产评估的基于领域的自监督学习框架
机器学习
2023-09-15 v3
摘要
连接供需的市场系统已被探索用于发展对房产估值的无偏决策。房地产评估是金融机构高成本的房产估值任务之一，因为它需要领域专家根据相应知识和市场判断进行评估。现有的减少领域专家主观性的自动估值模型需要大量交易进行有效评估，这不仅主要受限于交易的标注工作，也受限于新开发区和农村地区的一般化能力。为从未标注的房地产集合中学习表示，现有的面向表格数据的自监督学习（SSL）忽略了各种重要特征，且未能融入领域知识。本文中，我们提出 DoRA，一种面向低资源房地产评估的基于领域的自监督学习框架。DoRA 以基于房地产元数据的样本内地理预测作为预文本任务进行预训练，以使房地产表示具备先验领域知识。此外，采用样本间对比学习将表示泛化为对下游任务有限交易具有鲁棒性。我们在三类真实世界交易属性上的基准结果表明，在少样本场景下，DoRA 相较表格数据 SSL 基线、基于图的方法和监督方法，于 MAPE 至少提升 7.6%、MAE 至少提升 11.59%、HR10% 至少提升 3.34%。我们期望 DoRA 能对具有类似市场应用、需要针对新建且记录有限的房产使用通用模型的其他金融从业者有用。源代码见 https://github.com/wwweiwei/DoRA。
引用
@article{arxiv.2309.00855,
title = {DoRA: Domain-Based Self-Supervised Learning Framework for Low-Resource Real Estate Appraisal},
author = {Wei-Wei Du and Wei-Yao Wang and Wen-Chih Peng},
journal= {arXiv preprint arXiv:2309.00855},
year = {2023}
}
备注
Accepted by CIKM 2023