論文の概要: Location Matters: Leveraging Multi-Resolution Geo-Embeddings for Housing Search

• arxiv url: http://arxiv.org/abs/2510.01196v1
• Date: Mon, 01 Sep 2025 18:49:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-06 05:29:07.830789
• Title: Location Matters: Leveraging Multi-Resolution Geo-Embeddings for Housing Search
• Title（参考訳）: 立地問題:住宅検索のための多解地埋め込みの活用
• Authors: Ivo Silva, Pedro Nogueira, Guilherme Bonaldo,
• Abstract要約: 本稿では,デジタルレンタルプラットフォームにおける住宅レコメンデーションにおける空間的ニュアンスと空間的ニュアンスに対処するジオアウェアな埋め込みフレームワークを提案する。 このアプローチでは,階層的なH3グリッドを複数のレベルで2towerニューラルアーキテクチャに統合する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: QuintoAndar Group is Latin America's largest housing platform, revolutionizing property rentals and sales. Headquartered in Brazil, it simplifies the housing process by eliminating paperwork and enhancing accessibility for tenants, buyers, and landlords. With thousands of houses available for each city, users struggle to find the ideal home. In this context, location plays a pivotal role, as it significantly influences property value, access to amenities, and life quality. A great location can make even a modest home highly desirable. Therefore, incorporating location into recommendations is essential for their effectiveness. We propose a geo-aware embedding framework to address sparsity and spatial nuances in housing recommendations on digital rental platforms. Our approach integrates an hierarchical H3 grid at multiple levels into a two-tower neural architecture. We compare our method with a traditional matrix factorization baseline and a single-resolution variant using interaction data from our platform. Embedding specific evaluation reveals richer and more balanced embedding representations, while offline ranking simulations demonstrate a substantial uplift in recommendation quality.
• Abstract（参考訳）: クイントアンダル・グループ(QuintoAndar Group)は、ラテンアメリカ最大の住宅プラットフォームであり、不動産レンタルと販売に革命をもたらした。 ブラジルに本社を置き、製紙を廃止し、テナント、買い手、地主へのアクセシビリティを高めることで住宅のプロセスを単純化している。 各都市に何千もの家があるので、ユーザーは理想的な家を見つけるのに苦労する。 この文脈では、場所は資産価値、アメニティへのアクセス、ライフクオリティに大きな影響を与えるため、重要な役割を担っている。 素晴らしい場所は、控えめな家庭でも非常に望ましいものになります。 したがって、位置情報をレコメンデーションに組み込むことが、その有効性に不可欠である。 本稿では,デジタルレンタルプラットフォームにおける住宅レコメンデーションにおける空間的ニュアンスと空間的ニュアンスに対処するジオアウェアな埋め込みフレームワークを提案する。 このアプローチでは,階層的なH3グリッドを複数のレベルで2towerニューラルアーキテクチャに統合する。 提案手法を,従来の行列分解ベースラインと,プラットフォームからのインタラクションデータを用いた一分解能変種と比較した。 特定の評価の埋め込みは、よりリッチでバランスの取れた埋め込み表現を示し、オフラインランキングシミュレーションは推奨品質を大幅に向上させる。

関連論文リスト

• Predicting House Rental Prices in Ghana Using Machine Learning [0.0]
  本研究では,ガーナの住宅賃貸価格予測における機械学習モデルの有効性について検討した。 CatBoost、XGBoost、Random Forestなど、さまざまなモデルのトレーニングと評価を行った。 CatBoostは最高のパフォーマンスモデルとして登場し、$R2$ 0.876を達成した。
  論文  参考訳（メタデータ） (2025-01-08T15:40:46Z)
• 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)
• UrbanBIS: a Large-scale Benchmark for Fine-grained Urban Building Instance Segmentation [50.52615875873055]
  都市BISは6つの実際の都市のシーンで構成され、25億点があり、面積は10.78平方キロメートルである。 UrbanBISは、建物、車両、植生、道路、橋など、豊富な都市オブジェクトに意味レベルのアノテーションを提供する。 UrbanBISは、きめ細かいサブカテゴリを導入した最初の3Dデータセットである。
  論文  参考訳（メタデータ） (2023-05-04T08:01:38Z)
• Visual Perception of Building and Household Vulnerability from Streets [0.294944680995069]
  発展途上国では、コードの構築は時代遅れまたは強制されないことが多い。 住宅の大部分が基準以下であり、自然災害や気候関連の出来事に弱い。 本稿では,最初のキャプチャと将来の更新に費用効率のよい評価フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-05-28T15:35:47Z)
• MugRep: A Multi-Task Hierarchical Graph Representation Learning Framework for Real Estate Appraisal [57.28018917017665]
  正確な不動産評価のためのマルチタスク階層グラフ表現学習(MugRep)フレームワークを提案する。 複数の都市データを取得し統合することにより、まず、複数の視点から不動産を包括的にプロファイルするリッチな特徴セットを構築する。 進化する不動産取引グラフとそれに対応するイベントグラフ畳み込みモジュールが提案され、不動産取引に非同期に時間的依存関係を組み込む。
  論文  参考訳（メタデータ） (2021-07-12T03:51:44Z)
• 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)
• Occupancy Anticipation for Efficient Exploration and Navigation [97.17517060585875]
  そこで我々は,エージェントが自我中心のRGB-D観測を用いて,その占有状態を可視領域を超えて推定する,占有予測を提案する。 エゴセントリックなビューとトップダウンマップの両方でコンテキストを活用することで、私たちのモデルは環境のより広いマップを予測できます。 われわれのアプローチは、2020 Habitat PointNav Challengeの優勝だ。
  論文  参考訳（メタデータ） (2020-08-21T03:16:51Z)
• 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)
• Entropy as a measure of attractiveness and socioeconomic complexity in Rio de Janeiro metropolitan area [52.77024349608834]
  携帯電話のデータセットとエントロピーに基づく測度を用いて、位置の魅力を測定する。 その結果、エントロピーによって測定された特定の位置の魅力は、その位置の社会経済的地位の重要な記述者であることがわかった。
  論文  参考訳（メタデータ） (2020-03-23T15:58:56Z)
• House-GAN: Relational Generative Adversarial Networks for Graph-constrained House Layout Generation [59.86153321871127]
  主な考え方は、制約をリレーショナルネットワークのグラフ構造にエンコードすることである。 我々は、新しい住宅レイアウト生成問題に対する提案されたアーキテクチャを実証した。
  論文  参考訳（メタデータ） (2020-03-16T03:16:12Z)
• Learning Fine Grained Place Embeddings with Spatial Hierarchy from Human Mobility Trajectories [13.165148468767516]
  本研究では,観測データ点の局所密度に応じて微細な位置埋め込みを生成する手法を提案する。 粒度の細かい位置埋め込みの有効性を,次の場所予測タスクによるベースライン手法と比較した。
  論文  参考訳（メタデータ） (2020-02-06T01:37:40Z)

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。