元迁移学习赋能的时间图网络用于跨城市房地产估价

房地产估价对于房地产交易、投资分析和不动产税收等多种活动至关重要。近年来，深度学习通过利用来自网络平台的大量在线交易数据，在房地产估价方面显示出巨大潜力。然而，深度学习是数据饥渴型的，因此它可能无法轻易应用于数据有限的大量小城市。为此，我们提出了元迁移学习赋能的时间图网络（MetaTransfer），将知识从多个数据丰富的大都市迁移到数据稀缺的城市，以提高估值性能。具体来说，通过将不断增长的房地产交易及其关联的住宅社区建模为一个时序事件异构图，我们首先设计了一个事件触发的时间图网络来模拟不断演化的房地产交易之间不规则的时空相关性。此外，我们将全市范围的房地产估价公式化为一个多任务动态图链接标签预测问题，其中城市中每个社区的估值被视为一个单独的任务。提出了一个基于超网络的多任务学习模块，以同时促进多个社区之间的城内知识共享和特定任务参数的生成，以适应社区层面的房地产价格分布。此外，我们提出了一个基于三级优化的元学习框架，以自适应地重新加权来自多个源城市的训练交易实例，从而减轻负迁移，进而提高跨城市知识迁移的有效性。最后，基于五个真实数据集的广泛实验证明了MetaTransfer与十一种基线算法相比的显著优越性。