基于检索增强的房地产估值

销售比较法（SCA）是房地产估值中最流行的方法之一。作为参考，被广泛应用于房地产专业知识和自动估值模型（AVM）的主要类型之一，近年来在机器学习方法中获得了流行度。能够使用以集合和图表示为数据 representation 的模型的性能提升，使得该方法的有效适应成为可能，取得了显著的效果。SCA依赖于根据与目标财产出售相似性来选择过去交易（可比交易）作为参考。在本研究中，我们关注房地产估值中这些可比交易的选择。我们证明，许多最先进算法中所使用的可比交易的选择方式可以通过学习选择策略来显著改进，而不是强加于其上的方法。我们的方法依赖于一种混合向量-地理检索模块，能够适应不同的数据集，并与估计模块联合优化。我们进一步表明，通过精心选择的可比交易，可以构建需要较少可比交易和较少参数的模型，性能接近最先进的模型。我们的所有评估都在覆盖美国、巴西和法国地区的数据集上进行。