大语言模型在房地产估价中的性能研究
人工智能
2025-10-01 v1 计算与语言
机器学习
摘要
房地产市场对全球经济至关重要，但存在显著的信息不对称。本研究探讨了大语言模型（LLM）如何通过优化的上下文学习（ICL）策略生成具有竞争力的、可解释的房子价格估计，从而普及房地产洞察。我们系统地在多样化的国际住房数据集上评估了主流LLM，比较了零样本、少样本、市场报告增强和混合提示技术。我们的结果表明，LLM能够有效利用 hedonic 变量（如房产面积和设施）来生成有意义的估计。虽然传统机器学习模型在纯预测准确性方面仍然强劲，但LLM提供了一种更易访问、交互式和可解释的替代方案。尽管自我解释需要谨慎解读，但我们发现LLM对其预测的解释与最先进模型一致，确认了其可信度。基于特征相似性和地理邻近性精心选择的上下文示例显著提升了LLM的性能，但LLM在价格区间上存在过度自信且空间推理能力有限。我们通过提示优化为结构化预测任务提供了实用指导。我们的发现突显了LLM在提高房地产估价透明度方面的潜力，并为利益相关者提供了可操作的洞察。
引用
@article{arxiv.2506.11812,
title = {On the Performance of LLMs for Real Estate Appraisal},
author = {Margot Geerts and Manon Reusens and Bart Baesens and Seppe vanden Broucke and Jochen De Weerdt},
journal= {arXiv preprint arXiv:2506.11812},
year = {2025}
}
备注
Accepted at ECML-PKDD 2025