論文の概要: A Multi-Source Information Learning Framework for Airbnb Price
Prediction
- arxiv url: http://arxiv.org/abs/2301.01222v1
- Date: Sun, 1 Jan 2023 11:07:55 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-04 15:25:19.806477
- Title: A Multi-Source Information Learning Framework for Airbnb Price
Prediction
- Title（参考訳）: Airbnb価格予測のためのマルチソース情報学習フレームワーク
- Authors: Lu Jiang and Yuanhan Li and Na Luo and Jianan Wang and Qiao Ning
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 10.016920721900753
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: With the development of technology and sharing economy, Airbnb as a famous
short-term rental platform, has become the first choice for many young people
to select. The issue of Airbnb's pricing has always been a problem worth
studying. While the previous studies achieve promising results, there are
exists deficiencies to solve. Such as, (1) the feature attributes of rental are
not rich enough; (2) the research on rental text information is not deep
enough; (3) there are few studies on predicting the rental price combined with
the point of interest(POI) around the house. To address the above challenges,
we proposes a multi-source information embedding(MSIE) model to predict the
rental price of Airbnb. Specifically, we first selects the statistical feature
to embed the original rental data. Secondly, we generates the word feature
vector and emotional score combination of three different text information to
form the text feature embedding. Thirdly, we uses the points of interest(POI)
around the rental house information generates a variety of spatial network
graphs, and learns the embedding of the network to obtain the spatial feature
embedding. Finally, this paper combines the three modules into multi source
rental representations, and uses the constructed fully connected neural network
to predict the price. The analysis of the experimental results shows the
effectiveness of our proposed model.
- Abstract（参考訳）: テクノロジーと共有経済の発展により、Airbnbは短期賃貸プラットフォームとして有名になり、多くの若者が最初に選ぶ選択肢となった。
Airbnbの価格設定の問題は常に研究に値する問題だった。
前回の研究では有望な結果が得られたが、解決すべき欠点は存在する。
例えば,(1)レンタルの特徴的属性が十分に満たされていないこと,(2)レンタルテキスト情報の研究が不十分であること,(3)住宅周辺の関心点(POI)と組み合わせてレンタル価格を予測する研究はほとんどない。
以上の課題に対処するため、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。
具体的には、まず、最初のレンタルデータを埋め込む統計機能を選択する。
次に、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。
最後に,これら3つのモジュールをマルチソースレンタル表現に組み合わせ,構築した完全接続ニューラルネットワークを用いて価格を予測する。
実験結果の解析により,提案モデルの有効性が示された。
関連論文リスト
- A Multi-Modal Deep Learning Based Approach for House Price Prediction [19.02810406484948]
住宅のより正確な表現を学習するために,様々なタイプのデータを活用するマルチモーダルディープラーニング手法を提案する。
特に, 住宅属性, 地理空間近傍, および最も重要な特徴は, 住宅を表わすテキスト記述や画像から学習する。
その結果、住宅広告記述のテキスト埋め込みと住宅画像のイメージ埋め込みは、住宅価格予測精度を著しく向上させることができることがわかった。
論文 参考訳（メタデータ） (2024-09-09T05:26:33Z) - Transforming Location Retrieval at Airbnb: A Journey from Heuristics to Reinforcement Learning [15.048068346096027]
本稿では,機械学習に基づく位置情報検索プロダクトをゼロから構築する手法,課題,およびその影響について述べる。
適切な機械学習ベースのアプローチが欠如しているにもかかわらず、コールドスタート、一般化、微分、アルゴリズムバイアスに取り組む。
論文 参考訳（メタデータ） (2024-08-23T22:51:14Z) - ACQUIRED: A Dataset for Answering Counterfactual Questions In Real-Life
Videos [53.92440577914417]
ACQUIREDは3.9Kの注釈付きビデオで構成され、幅広いイベントタイプを包含し、ファーストパーソンとサードパーソンの両方の視点を取り入れている。
各ビデオは、物理的、社会的、時間的な3つの異なる推論の次元にまたがる質問で注釈付けされている。
我々は,現在最先端の言語のみおよびマルチモーダルモデルに対して,我々のデータセットをベンチマークし,実験結果から大きな性能差が示された。
論文 参考訳（メタデータ） (2023-11-02T22:17:03Z) - 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) - Using Machine Learning to Evaluate Real Estate Prices Using Location Big
Data [0.5033155053523041]
一般的な回帰モデルとツリーベースモデルの予測能力を向上させるために,モバイル位置情報が有効かどうかを検討する。
本研究では,1週間あたり500m以内の利用者を収集した不動産データから,個別の資産にアタッチすることで,移動データを処理した。
これらの動的国勢調査の特徴に加えて, 住民数, 通勤者数, 通勤者数, 住民数など, 静的な国勢調査特徴も含んでいた。
論文 参考訳（メタデータ） (2022-05-02T19:58:18Z) - A Transfer Learning Pipeline for Educational Resource Discovery with
Application in Leading Paragraph Generation [71.92338855383238]
本稿では,新しいドメインに対するWebリソース発見を自動化するパイプラインを提案する。
パイプラインは2つの類似しているが新規なターゲットドメインで評価すると、F1スコアは0.94と0.82となる。
本研究は,サーベイジェネレーションのための各種Webリソースを考察した最初の研究である。
論文 参考訳（メタデータ） (2022-01-07T03:35:40Z) - Global-Local Context Network for Person Search [125.51080862575326]
パーソンサーチは、自然に切り刻まれた画像からクエリーを共同でローカライズし、識別することを目的としている。
我々は,対象人物を取り巻く環境情報を多様かつ局所的に利用し,それぞれがシーンとグループコンテキストを参照する。
本稿では,機能強化を目的としたグローバル・ローカル・コンテキスト・ネットワーク(GLCNet)を提案する。
論文 参考訳（メタデータ） (2021-12-05T07:38:53Z) - Few-Shot Named Entity Recognition: A Comprehensive Study [92.40991050806544]
マルチショット設定のモデル一般化能力を向上させるための3つの手法を検討する。
ラベル付きデータの比率の異なる10の公開nerデータセットについて経験的比較を行う。
マルチショットとトレーニングフリーの両方の設定で最新の結果を作成します。
論文 参考訳（メタデータ） (2020-12-29T23:43:16Z) - Boosting House Price Predictions using Geo-Spatial Network Embedding [16.877628778633905]
本稿では, グラフニューラルネットワークの概念を活用し, 住宅近傍の空間的文脈を捉えることを提案する。
特に,地空間ネットワーク埋め込み(GSNE, Geo-Spatial Network Embedding)という,多部ネットワークの形で住宅の埋め込みや様々な種類の関心点(POI)を学習する手法を提案する。
論文 参考訳（メタデータ） (2020-09-01T06:17:21Z) - 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) - Differential Privacy of Hierarchical Census Data: An Optimization
Approach [53.29035917495491]
国勢調査局(Census Bureaus)は、個人に関する機密情報を明らかにすることなく、大人口に関する社会経済的データをまとめて公開することに興味を持っている。
最近の出来事では、これらの組織が直面しているプライバシー上の課題がいくつか特定されている。
本稿では,階層的な個人数を解放する新たな差分プライバシ機構を提案する。
論文 参考訳（メタデータ） (2020-06-28T18:19:55Z)
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。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。