基于集成学习和公众情绪的房产评估方法研究

作     者：顾桐 

作者单位：重庆邮电大学 

学位级别：硕士

导师姓名：许国良;李万林

授予年度：2022年

学科分类：12[管理学] 02[经济学] 0202[经济学-应用经济学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 020205[经济学-产业经济学] 081104[工学-模式识别与智能系统] 08[工学] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

主      题：房产评估 公众情绪分析 集成学习 深度迁移学习 

摘      要：房产评估即房地产价值评估,是指在一段特定时间内对房价做出准确的估计与推断。作为关联银行金融风险和房地产市场行为的重要枢纽,房产评估是维持房地产业及社会经济稳定发展的关键因素。传统房产评估方法主要依靠市场比较的方式,其精度受限于专家经验。虽然机器学习已逐渐应用于房产评估,但精度仍有待提升。此外,公众情绪也会对房价造成一定影响,而现有房产评估方法未将其与房产物理属性相结合作为评估指标。有鉴于此,本文将开展利用集成学习和公众情绪来提升房产评估精度的研究。具体工作如下:1.针对传统房产评估方法过分依赖专家经验,而机器学习模型的评估精度还不足等问题,本文提出一种基于集成学习的房产评估方法。该方法首先构建了一种受限的轻量级梯度提升机(Light Gradient Boosting Machine,Light GBM),通过在训练中引入早停策略和L2正则项对模型进行约束,以减小模型过拟合的风险,并将其作为基学习器。其次设计了一种基于余弦相似度的组合赋权算法对基学习器进行集成,同时兼顾基学习器的准确性和多样性,使得集成效果更佳。最后采用贝叶斯优化算法计算集成模型的组合参数,解决了集成时的参数选择问题。实验结果表明,该方法的房产评估精度达到84.51%,优于同类方法。2.针对现有房产评估方法未考虑公众情绪对评估精度造成的影响,本文提出一种结合公众情绪的房产评估方法。该方法首先设计了一种多通道特征融合的情绪分析模型,采用多通道方式提取不同粒度的情感特征,缓解了现有模型特征提取不充分的问题。同时引入自注意力机制,根据特征的重要程度分配权重并进行加权融合,从而使模型能够准确挖掘公众情绪。特征融合后再通过变分信息瓶颈(Variational Information Bottleneck,VIB)进行压缩,以增强模型的泛化性能。其次为解决楼盘评论的标注数据缺乏而导致的模型欠拟合问题,该方法采用深度迁移学习保证模型在小样本情况下也能够充分训练。最后将公众情绪与房产物理属性相结合,以此作为房产评估的特征集。实验结果表明,该方法的房产评估精度在集成学习的基础上进一步提升了2.88%,说明公众情绪有助于房产评估。