基于图深度学习的可扩展房产估值模型

本文旨在通过对等依赖关系的高效图表征来丰富现有基于深度学习的自动估值模型的能力，从而捕捉复杂的空间关系。具体而言，我们开发了两种新颖的图神经网络模型，它们采用不同的消息传递算法，能够有效地识别具有相似特征的相邻房屋序列。第一种策略考虑标准的空间图卷积，而第二种策略利用 Transformer 图卷积。这种方法赋予了建模过程可扩展性。实验评估使用了一个专有数据集，该数据集包含位于智利圣地亚哥的约 200,000 栋房屋。我们表明，采用定制的图神经网络显著提高了房价预测的准确性，尤其是在利用 Transformer 卷积消息传递层时。