Fugu-MT 論文翻訳(概要): Predicting Airbnb Rental Prices Using Multiple Feature Modalities

論文の概要: Predicting Airbnb Rental Prices Using Multiple Feature Modalities

arxiv url: http://arxiv.org/abs/2112.06430v1
Date: Mon, 13 Dec 2021 05:57:05 GMT
ステータス: 処理完了
システム内更新日: 2021-12-15 03:45:59.766673
Title: Predicting Airbnb Rental Prices Using Multiple Feature Modalities
Title（参考訳）: 複数の特徴量を用いたAirbnbレンタル価格の予測
Authors: Aditya Ahuja, Aditya Lahiri, Aniruddha Das
Abstract要約: 位置情報,時間的,視覚的,自然言語的特徴を用いて,信頼性と正確な価格予測アルゴリズムを提案する。この価格予測回帰タスクは、価格に基づいて類似のレンタルを推奨するなど、複数のダウンストリームの使用も可能である。
参考スコア（独自算出の注目度）: 0.6445605125467573
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Figuring out the price of a listed Airbnb rental is an important and difficult task for both the host and the customer. For the former, it can enable them to set a reasonable price without compromising on their profits. For the customer, it helps understand the key drivers for price and also provides them with similarly priced places. This price prediction regression task can also have multiple downstream uses, such as in recommendation of similar rentals based on price. We propose to use geolocation, temporal, visual and natural language features to create a reliable and accurate price prediction algorithm.
Abstract（参考訳）: リストアップされたAirbnbレンタルの価格を確認することは、ホストと顧客の両方にとって重要かつ難しい作業である。前者にとって、利益を損なうことなく合理的な価格を設定することができる。顧客にとって、これは価格のキードライバーを理解するのに役立ち、同様に価格の高い場所を提供する。この価格予測回帰タスクは、価格に基づく類似のレンタルの推奨など、複数の下流利用も可能である。位置情報,時間的,視覚的,自然言語的特徴を用いて,信頼性と正確な価格予測アルゴリズムを提案する。

関連論文リスト

Learning to Rank for Maps at Airbnb [6.131988691769431]
本稿では,ユーザが検索結果とどのように相互作用するかの数学的基礎を改訂することにより,地図のランキングを再構築する方法について述べる。私たちの旅は、機械学習アルゴリズムを設計する際の当然の仮定が、すべてのユーザーインターフェイスに等しく適用されないことを示している。
論文参考訳（メタデータ） (2024-06-25T20:49:19Z)
An Optimal House Price Prediction Algorithm: XGBoost [0.0]
住宅価格の予測にはさまざまな機械学習技術を使用します。住宅コストに影響を与える重要な要因を特定します。 XGBoostは住宅価格予測の最高のパフォーマンスモデルだ。
論文参考訳（メタデータ） (2024-02-06T15:36:06Z)
Predicting Listing Prices In Dynamic Short Term Rental Markets Using Machine Learning Models [0.0]
私たちは、機械学習モデリングアプローチを用いてAirbnbレンタルの価格を予測することを目指している。本研究の目的は、テキサス州オースチンでAirbnbの賃貸価格を予測するための正確な機械学習モデルを構築することである。プロジェクトの第2の目的は、Airbnbのレンタル価格を駆動する重要な要因を特定し、これらの要因が場所や資産タイプによってどのように異なるかを調べることです。
論文参考訳（メタデータ） (2023-08-14T04:15:09Z)
A Multi-Source Information Learning Framework for Airbnb Price Prediction [10.016920721900753]
本稿では,Airbnbの賃貸価格を予測するため,マルチソース情報埋め込み(MSIE)モデルを提案する。我々は、3つの異なるテキスト情報の単語特徴ベクトルと感情スコアの組み合わせを生成し、テキスト特徴埋め込みを形成する。第3に,レンタルハウス情報に関する関心点(POI)を用いて様々な空間的ネットワークグラフを生成し,ネットワークの埋め込みを学習し,空間的特徴の埋め込みを得る。
論文参考訳（メタデータ） (2023-01-01T11:07:55Z)
Identification of the Breach of Short-term Rental Regulations in Irish Rent Pressure Zones [0.0]
長期賃貸から短期賃貸への転換は、民間住宅の供給に打撃を与えた。レント・プレッシャー・ゾーンにある短期賃貸物件を、潜在的に侵害の可能性があるかチェックするために、違反識別子を開発する。ユーザは、できる限りの違反を通知される短期的なレンタルに懐疑的であるべきだ。
論文参考訳（メタデータ） (2022-11-29T22:28:33Z)
Price DOES Matter! Modeling Price and Interest Preferences in Session-based Recommendation [55.0391061198924]
セッションベースのレコメンデーションは、匿名ユーザが自分の短い行動シーケンスに基づいて購入したいアイテムを予測することを目的としている。セッションベースのレコメンデーションの価格設定を組み込むのは簡単ではない。セッションベースレコメンデーションのためのCoHHN(Co-guided Heterogeneous Hypergraph Network)を提案する。
論文参考訳（メタデータ） (2022-05-09T10:47:15Z)
Linear Speedup in Personalized Collaborative Learning [69.45124829480106]
フェデレート学習におけるパーソナライゼーションは、モデルのバイアスをトレーディングすることで、モデルの精度を向上させることができる。ユーザの目的の最適化として、パーソナライズされた協調学習問題を定式化する。分散の低減のためにバイアスを最適にトレードオフできる条件について検討する。
論文参考訳（メタデータ） (2021-11-10T22:12:52Z)
Low-Cost Algorithmic Recourse for Users With Uncertain Cost Functions [74.00030431081751]
本稿では,ユーザ固有のコスト関数の概念を定式化し,ユーザのための行動可能なリコースを識別する新しい手法を提案する。本手法は,強いベースライン法に比べて最大25.89パーセントのユーザを満足させる。
論文参考訳（メタデータ） (2021-11-01T19:49:35Z)
Fairness, Welfare, and Equity in Personalized Pricing [88.9134799076718]
顧客特性に基づくパーソナライズ価格における公平性、福祉、株式の配慮の相互作用について検討する。選択ワクチンの価格補助金と、マイクロクレジットの下流結果に対するパーソナライズされた利率の影響の2つの設定において、パーソナライズされた価格の潜在的利点を示す。
論文参考訳（メタデータ） (2020-12-21T01:01:56Z)
Lifelong Property Price Prediction: A Case Study for the Toronto Real Estate Market [75.28009817291752]
自動資産評価のための最初の寿命予測モデルであるLuceを提示する。ルースは不動産価格の2つの重要な問題に対処している。トロント不動産市場から得られた大規模な実生活データセットにLuceを適用することで,Luceのメリットを実証する。
論文参考訳（メタデータ） (2020-08-12T07:32:16Z)
PGLP: Customizable and Rigorous Location Privacy through Policy Graph [68.3736286350014]
我々はPGLPと呼ばれる新しい位置プライバシーの概念を提案し、カスタマイズ可能で厳格なプライバシー保証を備えたプライベートロケーションをリリースするためのリッチなインターフェースを提供する。具体的には,ユーザの位置プライバシー要件を,表現的かつカスタマイズ可能なテキスト配置ポリシーグラフを用いて形式化する。第3に、位置露光の検出、ポリシーグラフの修復、およびカスタマイズ可能な厳格な位置プライバシーを備えたプライベートな軌跡リリースをパイプライン化する、プライベートな位置トレースリリースフレームワークを設計する。
論文参考訳（メタデータ） (2020-05-04T04:25:59Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。