以位置为中心的房价预测：一种多任务学习方法

准确的房价预测对房主、买家、投资者和中介等各类房地产利益相关者具有重要意义。我们提出了一种以位置为中心的预测框架，其在数据刻画和预测模型方面不同于现有工作。在数据刻画方面，我们定义并捕获了由多种位置数据源驱动的细粒度位置画像，例如交通画像（如距最近火车站的距离）、教育画像（如学区与排名）、基于普查数据的郊区画像、设施画像（如附近医院、超市）。在预测模型选择方面，我们观察到多种方法要么考虑全部房屋数据进行建模，要么拆分全部数据并独立对各分区建模。然而，此类建模忽略了分区之间的关联性，且对于后者方法，在所有预测场景下每个分区可能没有足够的训练样本。我们通过仔细研究利用多任务学习（MTL）模型来解决该问题。具体而言，我们将拆分全部房屋数据的策略映射到 MTL 中任务定义的方式，并将获得的每个分区与一个任务对齐。此外，我们选取具有不同正则化项的特定基于 MTL 的方法来捕获并利用任务间的关联性。基于在澳大利亚墨尔本收集的真实世界房屋交易数据，我们设计了广泛的实验评估，结果表明基于 MTL 的方法显著优于最先进的方法。同时，我们深入分析了 MTL 中任务定义和方法选择对预测性能的影响，并证明任务定义对预测性能的影响远超方法选择。