JP6919743B2 - 情報処理装置、情報処理方法およびプログラム - Google Patents

Description

本開示は、情報処理装置、情報処理方法およびプログラムに関する。

近年、不動産売買においても、情報の検索や売買に関する連絡などが、インターネットなどのネットワークを介して実施されることが多くなってきている。例えば、特許文献１には、クライアントに入力されるユーザ識別子および不動産識別子に基づいて、サーバで保持されているユーザ情報および不動産情報を取得し、取得されたユーザ情報および不動産情報が書き込まれた下見のための紹介状を作成する技術が記載されている。

特開２００３−２８１２５２号公報

しかしながら、例えば特許文献１に記載されたような技術は、主に不動産を購入または賃借しようとするユーザが不動産を検索したり下見したりする際に限って利用可能なものであった。その一方で、例えば、不動産売買に関わるさまざまなユーザ（不動産を購入または賃借しようとするユーザだけでなく、売却または賃貸しようとするユーザも含まれうる）にとって有用な情報を提供できるような技術は、いまだ十分に提案されているとはいえない。

そこで、本開示では、不動産売買に関わるさまざまなユーザにとって有用な情報を提供することが可能な、新規かつ改良された情報処理装置、情報処理方法およびプログラムを提案する。

本開示によれば、不動産物件または不動産物件を対象とする取引の特徴量に基づいて、第１の不動産物件または該第１の不動産物件を対象として発生する第１の取引に類似する第２の不動産物件または第２の取引に関する情報を抽出する情報抽出部と、上記特徴量と上記不動産物件の価格とに基づいて、上記不動産物件の価格の類似度を算出するためのパラメータを学習する機械学習部と、上記抽出された情報と、上記機械学習部によって学習された上記パラメータとに基づいて、上記第１の取引において上記第１の不動産物件に関連付けられる取引結果を予測する取引結果予測部を備える情報処理装置が提供される。

また、本開示によれば、プロセッサが、不動産物件または不動産物件を対象とする取引の特徴量に基づいて、第１の不動産物件または該第１の不動産物件を対象として発生する第１の取引に類似する第２の不動産物件または第２の取引に関する情報を抽出することと、上記特徴量と上記不動産物件の価格とに基づいて、上記不動産物件の価格の類似度を算出するためのパラメータを学習することと、上記抽出された情報と、学習された上記パラメータとに基づいて、上記第１の取引において上記第１の不動産物件に関連付けられる取引結果を予測することと、を含む情報処理方法が提供される。

また、本開示によれば、不動産物件または不動産物件を対象とする取引の特徴量に基づいて、第１の不動産物件または該第１の不動産物件を対象として発生する第１の取引に類似する第２の不動産物件または第２の取引に関する情報を抽出する機能と、上記特徴量と上記不動産物件の価格とに基づいて、上記不動産物件の価格の類似度を算出するためのパラメータを学習する機能と、上記抽出された情報と、学習された上記パラメータとに基づいて、上記第１の取引において上記第１の不動産物件に関連付けられる取引結果を予測する機能と、をコンピュータに実現させるためのプログラムが提供される。

以上説明したように本開示によれば、不動産売買に関わるさまざまなユーザにとって有用な情報を提供することができる。

なお、上記の効果は必ずしも限定的なものではなく、上記の効果とともに、または上記の効果に代えて、本明細書に示されたいずれかの効果、または本明細書から把握され得る他の効果が奏されてもよい。

本開示の一実施形態に係るシステムの概略的な構成を示す図である。 本開示の一実施形態に係るシステムの内部構成を示すブロック図である。 本開示の一実施形態におけるサーバのデータベースおよび処理部の機能構成例を示すブロック図である。 本開示の一実施形態において表示される物件情報入力画面の例を示す図である。 本開示の一実施形態において表示される売出し価格検討画面の例を示す図である。 本開示の一実施形態において表示される物件比較画面の例を示す図である。 本開示の一実施形態において表示されるリノベーション提案画面の例を示す図である。 本開示の一実施形態において表示される将来予測画面の例を示す図である。 本開示の実施形態に係る情報処理装置のハードウェア構成例を示すブロック図である。

以下に添付図面を参照しながら、本開示の好適な実施の形態について詳細に説明する。なお、本明細書および図面において、実質的に同一の機能構成を有する構成要素については、同一の符号を付することにより重複説明を省略する。

なお、説明は以下の順序で行うものとする。
１．システム構成
２．機能構成
２−１．データベースの構成例
２−２．処理部の構成例
３．類似物件または類似取引の抽出処理
４．類似物件または類似取引の価格に基づく価格予測処理
５．取引期間予測処理
６．予測精度の算出処理
７．特徴量ベクトルの元の二値化
８．提示される情報の例
９．ハードウェア構成
１０．補足

（１．システム構成）
図１は、本開示の一実施形態に係るシステムの概略的な構成を示す図である。図１を参照すると、本実施形態に係るシステム１０は、クライアント１００と、サーバ３００とを含む。クライアント１００とサーバ３００とは、ネットワーク２００によって接続され、相互に通信が可能である。

クライアント１００は、例えば、スマートフォン１００ａ、パーソナルコンピュータ１００ｂ、およびタブレット１００ｃなどを含みうる。クライアント１００は、図示された例には限らず、ユーザとの間で情報を入出力する機能を有するあらゆる種類の端末装置を含みうる。クライアント１００は、ユーザに情報を出力するために、例えば画像または音声などを用いる。また、クライアント１００は、ユーザからの情報の入力を、端末装置の
操作入力、発話を示す音声、またはジェスチャもしくは視線を示す画像などによって受け付けてもよい。

サーバ３００は、ネットワーク上の１または複数のサーバ装置を含む。複数のサーバ装置が協働して以下で説明するサーバ３００の機能を実現する場合、複数のサーバ装置の全体が、単一の情報処理装置として扱われてもよい。あるいは、サーバ装置の少なくとも一部は、以下で説明するサーバ３００のオペレータとは異なるオペレータによって運用されてもよい。このような場合、以下の説明では、サーバ３００の一部が、システム１０に含まれない外部サーバとして参照されうる。本実施形態において、サーバ装置の少なくとも一部は、データベース３１０を有する。データベース３１０には、不動産やその取引履歴に関する情報が格納される。

ネットワーク２００は、例えば、インターネット、ＬＡＮ（Local Area Network）、または携帯電話網など、有線または無線の各種のネットワークを含む。ネットワーク２００は、クライアント１００とサーバ３００とを接続するとともに、サーバ３００に含まれる複数のサーバ装置を接続してもよい。ネットワーク２００に複数の種類のネットワークが含まれるような場合、ネットワーク２００は、それらのネットワークを互いに接続するルータやハブなどを含んでもよい。

図２は、本開示の一実施形態に係るシステムの内部構成を示すブロック図である。図２を参照すると、クライアント１００は、ローカルストレージ１１０と、通信部１２０と、処理部１３０と、入出力部１４０とを含みうる。サーバ３００は、データベース３１０と、通信部３２０と、処理部３３０とを含みうる。以下、それぞれの機能構成についてさらに説明する。なお、クライアント１００として機能する端末装置、およびサーバ３００に含まれる１または複数のサーバ装置は、例えば後述する情報処理装置のハードウェア構成によって実現される。

（クライアントの構成）
ローカルストレージ１１０は、例えば端末装置が有するメモリまたはストレージによって実現される。ローカルストレージ１１０には、例えば、ネットワーク２００を介してサーバ３００から提供された情報や、入出力部１４０を介してユーザによって入力された情報が、一時的または持続的に格納される。ローカルストレージ１１０に格納された情報を利用して、ユーザは、オフラインでもサーバ３００から提供された情報を参照したり、サーバ３００に提供する情報の下書きを入力したりすることができる。

通信部１２０は、ネットワーク２００を介してサーバ３００と通信する。通信部１２０は、例えばクライアント１００が接続されるネットワークでの通信を実行する通信装置によって実現される。

処理部１３０は、例えば端末装置が有するＣＰＵ（Central Processing Unit）のようなプロセッサによって実現される。例えば、処理部１３０は、入出力部１４０を介してユーザによって入力された情報に基づいて、通信部１２０を介してサーバ３００に情報を要求する処理を実行する。また、例えば、処理部１３０は、通信部１２０を介してサーバ３００から提供された情報に基づいて、入出力部１４０を介してユーザに情報を出力する処理を実行する。このとき、処理部１３０は、提供された情報を、入出力部１４０の種類に応じて適切な形式に変換する処理を実行してもよい。

入出力部１４０は、例えば端末装置が有するタッチパネル、マウス、キーボード、マイクロフォン、またはカメラ（撮像装置）のような入力装置と、ディスプレイまたはスピーカのような出力装置とによって実現される。なお、入出力部１４０は、入力装置または出
力装置のいずれか一方だけを含んでもよい。例えば、入出力部１４０に含まれるディスプレイには、通信部１２０を介してサーバ３００から受信された情報が、処理部１３０による処理を経て表示される。また、例えば、入出力部１４０に含まれるタッチパネルなどによって取得されたユーザの操作入力は、処理部１３０による処理を経て、通信部１２０を介してサーバ３００に送信される。

上記のような処理部１３０および入出力部１４０の機能自体は、例えば一般的な端末装置における処理部および入出力部の機能と同様であるために、以下の本実施形態の説明では詳細に説明されない場合がありうる。しかしながら、そのような場合でも、例えばサーバ３００から受信される情報が特徴的であれば、そうした情報を処理し、また出力するという点において、クライアント１００における処理部１３０または入出力部１４０の機能も、一般的な端末装置におけるそれらの機能に比較して特徴的でありうる。

（サーバの構成）
データベース３１０は、例えばサーバ装置が有するメモリまたはストレージによって実現される。上記の通り、データベース３１０には、不動産やその取引に関する情報が格納される。また、データベース３１０には、クライアント１００のユーザに関する情報が格納されてもよい。データベース３１０に格納される情報のより具体的な種類は、サーバ３００によって提供されるサービスの内容によって異なりうる。

通信部３２０は、ネットワーク２００を介してクライアント１００と通信する。また、通信部３２０は、ネットワーク２００を介して外部サーバと通信してもよい。通信部３２０は、例えばサーバ３００が接続されるネットワークでの通信を実行する通信装置によって実現される。

処理部３３０は、例えばサーバ装置が有するＣＰＵのようなプロセッサによって実現される。例えば、処理部３３０は、通信部３２０を介してクライアント１００から受信された情報に基づいて、データベース３１０から情報を取得し、取得された情報を必要に応じて処理した上で、通信部３２０を介してクライアント１００に送信する処理を実行する。

なお、サーバ３００が複数のサーバ装置を含む場合、上述したサーバ３００の機能構成は、複数のサーバ装置に分散して実現されうる。例えば、データベース３１０の機能は、いずれかのサーバ装置で集約的に実現されてもよいし、複数のサーバ装置に分散したデータベースを統合的に運用することによって実現されてもよい。また、例えば、処理部３３０の機能は、複数のサーバ装置に分散したプロセッサを統合的に運用することによって実現されてもよい。この場合、以下で説明する処理部３３０の機能は、説明のために定義された機能ブロックの区分に関わらず、複数のサーバ装置に直列的または並列的に分散して実現されうる。

（２．機能構成）
図３は、本開示の一実施形態におけるサーバのデータベースおよび処理部の機能構成例を示すブロック図である。図には、サーバ３００のデータベース３１０の機能として、物件データ３１０１と、売出しデータ３１０３と、取引履歴データ３１０５と、周辺環境データ３１０７と、物件特徴量データ３１０９と、取引特徴量データ３１１１と、パラメータデータ３１１３とが示されている。また、図には、処理部３３０の機能として、特徴量生成部３３０１と、機械学習部３３０３と、情報抽出部３３０５と、取引結果予測部３３０７と、情報提示部３３０９とが示されている。以下、それぞれの構成要素についてさらに説明する。

（２−１．データベースの構成例）
物件データ３１０１は、サーバ３００によって提供されるサービスで扱われる不動産物件のマスタデータとして機能する。不動産物件は、例えば、土地、独立した建物、アパートメント、タウンハウス、商業物件など、あらゆる種類の物件を含みうる。物件データ３１０１では、このような不動産物件に関するデータが、例えば各物件に一意なＩＤに関連付けて登録されている。より具体的には、例えば、土地に関するデータは、物件種類、所在地、敷地面積などを含みうる。建物に関するデータは、さらに、床面積、間取り、設備、建築時期、開口部の方位、採光状態などを含みうる。さらに、データには、物件の外観、内部、または物件からの眺望などの画像が含まれてもよい。例えば建物を建て替えたり、リノベーションしたりした場合、別の物件として新たなＩＤに関連付けられたデータが追加されてもよいし、建て替えやリノベーションなどの履歴が物件データ３１０１に含まれてもよい。

売出しデータ３１０３は、物件データ３１０１に登録された不動産物件の現在進行中の売出しに関するデータを含む。より具体的には、売出しデータ３１０３には、物件ＩＤ、売出し時期、売出し価格（変更履歴を含む）、売出し理由、現在のオーナー、売出しを担当しているエージェント、売出し時にオーナーまたはエージェントによって作成された紹介文などのデータが格納される。なお、本実施形態において、物件のオーナーに関する情報は、オーナーの属性を把握することが目的であるため、オーナーの氏名などを含む必要はなく、年齢や職業などのカテゴリによって表現されていてもよい。本実施形態において、売出しデータ３１０３には現在売出し中の物件に関するデータが格納される。従って、売出しデータ３１０３は、売出し主体および物件ＩＤについて一意になる（例えば、複数のエージェントが並行して同じ物件を売り出す場合、同じ物件ＩＤについて、エージェントごとに売出しデータ３１０３が作成されうる）。後述する通り、売出された物件について取引が成立すると、当該物件についての売出しデータ３１０３の一部または全部は、取引履歴データ３１０５に移行される。

取引データ３１０５は、物件データ３１０１に登録された不動産物件の成立した取引に関するデータを含む。より具体的には、取引データ３１０５には、取引ＩＤ、物件ＩＤ、売出し時期、成約時期、売出し価格（変更履歴を含む）、成約価格、売出し理由、売り手（旧オーナー）、買い手（新オーナー）売り手側および買い手側のエージェント、売出し時にオーナーまたはエージェントによって作成された紹介文などのデータが格納される。既に述べた通り、取引データ３１０５は、取引が成立した物件の売出しデータ３１０３に基づいて生成されてもよい。あるいは、取引データ３１０５は、外部サーバによって提供されるサービス（公的なサービスを含む）によって提供される取引履歴のデータをインポートすることによって生成されてもよい。上記のように売出しデータ３１０３が物件ＩＤについて一意であるのに対して、取引データ３１０５では、過去に複数回にわたって取引が成立した物件であれば１つの物件ＩＤに対して複数のデータが存在しうる。従って、上記のように、各取引を一意に識別するために、取引データ３１０５では別途取引ＩＤを設定してもよい。

周辺環境データ３１０７（施設データ３１０７−１および地域データ３１０７−２）は、物件データ３１０１に登録された不動産物件の周辺環境に関するデータを含む。例えば、施設データ３１０７−１は、不動産物件の周辺に立地する各種の施設に関するデータを含む。この場合、施設データ３１０７−１は、施設の位置情報、種類、名称、オープン／クローズ時期などを含みうる。施設は、例えば、駅などの交通施設、店舗、避難施設、公園、医療機関、学校などを含む。本実施形態では、後述するように、物件の所在地と施設の位置との間の距離に基づいて特徴量が抽出される。また、例えば、地域データ３１０７−２は、物件が立地する地域に関するデータを含んでもよい。この場合、地域データ３１０７−２は、地域の範囲、種類、指定／解除時期などを含みうる。地域は、例えば行政区画、災害警戒区域、都市計画上のゾーニングなどを含む。本実施形態では、後述するよう
に、物件の所在地を含む地域に基づいて特徴量が抽出される。

物件特徴量データ３１０９は、物件データ３１０１に登録された不動産物件の特徴量（以下、物件特徴量という）のデータを含む。物件特徴量は、例えば、物件データ３１０１、売出しデータ３１０３、取引データ３１０５、および／または周辺環境データ３１０７に基づいて、特徴量生成部３３０１によって生成される。より具体的には、例えば、物件特徴量は、ある物件（物件ＩＤによって特定される）について、それぞれのデータの項目から抽出されるベクトルでありうる。物件特徴量データ３１０９では、このような物件特徴量のベクトルが、物件ＩＤに関連付けて格納されうる。取引特徴量データ３１１１との相違として、物件特徴量データ３１０９では、物件特徴量が、基本的に１つの物件に対して１つ格納される。従って、物件特徴量データ３１０９は、例えば物件の現在の状態を表す情報として利用されうる。なお、物件特徴量を生成するための特徴量生成部３３０１の処理の詳細については後述する。

取引特徴量データ３１１１は、物件データ３１０１に登録された不動産物件を対象とする取引の特徴量（以下、取引特徴量という）のデータを含む。取引特徴量は、例えば、物件データ３１０１、売出しデータ３１０３、取引データ３１０５および／または周辺環境データ３１０７に基づいて、特徴量生成部３３０１によって抽出される。より具体的には、例えば、取引特徴量は、取引データ３１０５に記録された取引について、取引に関するデータの項目から抽出されるベクトルでありうる。取引特徴量データ３１１１では、このような取引特徴量のベクトルが、例えば取引データ３１０５に含まれる取引ＩＤに関連付けて格納されうる。最も単純な構成として、取引特徴量は、取引データ３１０５に含まれる時期や価格のデータから抽出される特徴量のみを含んでもよい。このとき、価格は、物件間での比較を容易にするために単価に換算されてもよい（例えば、１ｍ２あたりの売出し価格や成約価格）。

さらに、取引特徴量は、売出しデータ３１０３に含まれる現在進行中の売出しに関するデータから抽出される特徴量を含んでもよい。この場合、取引特徴量データ３１１１には、完了済みの取引に関する取引特徴量と、未完了の取引に関する取引特徴量とが含まれることになる。また、取引特徴量は、物件データ３１０１や周辺環境データ３１０７から抽出される特徴量を、取引当時の物件の状態を表す情報（つまり、物件特徴量の過去の時点でのスナップショット）として含んでもよい。なお、取引特徴量を生成するための特徴量生成部３３０１の処理の詳細については後述する。

パラメータデータ３１１３は、情報抽出部３３０５や取引結果予測部３３０７の処理に用いられる各種のパラメータを含む。パラメータは、例えば機械学習部３３０３によって算出される。後述するように、本実施形態では、上記の処理において、価格予測の対象になる第１の不動産物件、または第１の不動産物件の取引と、既に取引が成立している、または売出し中である第２の不動産物件、もしくは第２の不動産物件の取引との類似度を算出するにあたり、物件特徴量または取引特徴量の項目ごとに設定される重みのパラメータが利用される。また、そのようにして算出された類似度が高い物件または取引における価格に基づいて価格予測を実施する際に、価格の補正にもパラメータが利用される。パラメータデータ３１１３では、例えばこれらのようなパラメータが格納されている。なお、それぞれのパラメータの詳細については後述する。

最後に、上述した物件特徴量データ３１０９および取引特徴量データ３１１１が含みうる特徴量について、改めて例示する。物件特徴量（間取り、築年、広さ、構造、階数、敷地権）、周辺施設特徴量（最寄り駅、最寄りスーパー、最寄りバス停、最寄り高速入口、ダム、避難施設、観光施設、公園、公共施設、医療機関、学校）、周辺地域特徴（犯罪ＭＡＰ、海抜、崖、液状化、海岸、川、森林、農地、行政区域、都市計画、豪雪地域、土壌
、災害ＭＡＰ、平均気温、天気、主要道路そば、線路の傍、空港基地、島、半島）、物件写真（外観写真、ベランダからのビュー、間取り図、部屋。アパートメントのグレードや眺望などデータ化されていない情報が取れるため、予測精度が向上する）、物件説明文（物件売り文句のテキスト、ソーシャルメディアのクチコミ。メゾネットか否かや日当たり、評判などデータ化されていない情報が取れるため、予測精度が向上する）、センサデータ（周辺の騒音、日当たり、風通し、落ち葉、電波状況）、近隣住民、人間移動ログ（地域の人気度、タクシー、人の移動量。スマートフォンなどモバイルデバイスからリアルタイムで取得される人のＧＰＳ情報を利用することにより、現実に即した、地域の人気度などを観測できるため、予測精度が向上する）、経済指標（平均株価、雇用統計、地域の人口増減）、土地周辺道路（一軒家の場合）、リノベーション情報、売出し中の類似物件の数、直近の売れ行き、取引期間（現在の市場の状態を予測に組み込むことができるため、予測精度が向上する）、交渉先の仲介会社、オーナー、路線価、公示地価、借地権、固定資産税、売却理由、購入理由（家族構成の変化による住み替え、転勤による住み替え、結婚・離婚による住み替え、物件への不満による住み替え、または投資による購入など。理由によって成約価格に影響があるため、予測精度が向上する）、売買時期、早く売りたい事情（家族構成の変化による住み替え、転勤による住み替え、結婚・離婚による住み替え、物件への不満による住み替え、投資による購入、または遺産相続した物件の売却など。安くても良いから早く売りたい場合などもあり、売買時期を利用することで予測精度が向上する）、管理費、賃貸料、駐車場料、空室率（アパートメントなどの空室率が高ければ、価格が下がる傾向にある）、地域の不動産取引量（地域の不動産取引量が多い方が、価格が高い傾向がある）、売却時に広告にかけた金額、事故物件か否か。

（２−２．処理部の構成例）
特徴量生成部３３０１は、物件データ３１０１、売出しデータ３１０３、取引データ３１０５、および／または周辺環境データ３１０７に基づいて、不動産物件の特徴量（物件特徴量）および不動産物件を対象とする取引の特徴量（取引特徴量）を生成する。生成された特徴量は、物件特徴量データ３１０９や取引特徴量データ３１１１として格納されうる。ここで、上記の通り、物件特徴量や取引特徴量は、データから抽出されるベクトル（特徴量ベクトル）でありうる。このような特徴量ベクトルは、例えば、データの項目を単純に連結することによって生成されてもよい。例えば、方位の項目は、“東＝１，南＝２，西＝３，北＝４”といったように区分値を設定することによって、数値として扱うことができる。所在地も、例えば自治体や町名に区分値を設定したり、緯度経度で表現したりすることによって数値として扱うことができる。なお、後述するように、このような数値化において、特徴量ベクトルの元を構成するベクトルの二値化が実施されてもよい。

ここで、特徴量生成部３３０１は、物件データ３１０１に含まれる敷地面積や床面積など、連続的な数値として記録される項目については、そのまま数値として扱って特徴量を生成してもよいが、数値の範囲を適切な幅のビン（bin）に分割することによって二値化されたデータとして扱ってもよい。建築時期や売出し時期、成約時期などの日付として記録される項目については、連続的な数値と同様に扱ってもよいし、日付から年と月とをそれぞれ抽出して別々のデータとして扱ってもよい。例えば、建築時期の場合、主に年によって、建物の経年が表現できる。また、例えば、売出し時期や成約時期の場合、主に年によって長期的な需要のトレンドが表現でき、月によって１年のサイクルの中での短期的な需要のトレンドが表現できる。

また、物件データ３１０１に含まれる物件の外観、内部、または物件からの眺望などの画像からは、公知の様々な手法を用いた画像解析によって画像の特徴量ベクトルを抽出することができる。特徴量生成部３３０１は、抽出された画像の特徴量ベクトルを、そのまま物件特徴量や取引特徴量のベクトルに含めてもよいし、画像をその特徴量ベクトルに従って分類（例えばクラスタリング）した上で、分類の結果に対応する区分値を物件特徴量
や取引特徴量のベクトルに含めてもよい。同様に、例えば売出しデータ３１０３に含まれる売出し時の紹介文などのテキストからは、公知の形態素解析などの技術によってテキストを分解し、特徴的な単語を抽出することによって、特徴量ベクトルを抽出することができる。

さらに、特徴量生成部３３０１が生成する特徴量は、複数のデータを組み合わせることによって生成される新たな項目を含みうる。より具体的には、例えば、特徴量生成部３３０１は、物件データ３１０１から抽出される物件の所在地と、施設データ３１０７−１から抽出される施設の位置情報とに基づいて、当該物件において利用可能な周辺施設に関する特徴量を生成する。周辺施設が利用可能であるか否かは、例えば物件の所在地と施設の位置との間の距離に基づいて判定される。周辺施設に関する特徴量は、例えば、各種類の施設が利用可能であるか否かを示す二値の特徴量であってもよいし、利用可能な施設の数、および／または利用可能な施設までの距離に基づいて利用のしやすさを階級値化した特徴量であってもよい。例えば、施設データ３１０７−１が施設のオープン／クローズ時期を含んでいれば、取引特徴量において、過去の取引時において利用可能であった施設と、現在において利用可能である施設との相違（新たな公園が整備された、医療機関が転出した、新たなバス路線が開設された、など）を表現することも可能である。

また、例えば、特徴量生成部３３０１は、物件データ３１０１から抽出される物件の所在地と、地域データ３１０７−２に含まれる地域に関するデータに基づいて、当該物件の地域的な特徴に関する特徴量を生成してもよい。周辺施設に関する特徴量の場合と同様に、地域データ３１０７−２が地域の指定／解除時期を含んでいれば、取引特徴量において、過去の取引時における地域の特徴と、現在における地域の特徴との相違（防災工事によって災害警戒区域の指定が解除された、都市計画上のゾーニングの変更によって高層建築物が立地可能になった、など）を表現することも可能である。

機械学習部３３０３は、物件特徴量データ３１０９および取引特徴量データ３１１１に基づく機械学習を実施し、情報抽出部３３０５や取引結果予測部３３０７の処理に用いられる各種のパラメータを決定する。例えば、パラメータは、情報抽出部３３０５が物件または取引が類似するか否かを判定するにあたり物件特徴量または取引特徴量の項目ごとに設定される重みパラメータを含む。この場合、例えば、機械学習部３３０３は、物件特徴量および／または取引特徴量と成約価格との関係を学習し、パラメータを用いて算出される類似度が、同じような取引価格の傾向を示す物件について高くなるようにパラメータを決定する。また、例えば、パラメータは、取引結果予測部３３０７が類似度の高い物件または取引に関する情報に基づいて価格や取引期間の予測を実施する際に、価格や取引期間を補正するためのパラメータを含んでもよい。この場合、例えば、機械学習部３３０３は、類似度が高い物件または取引の相互間で、特徴量と成約価格との関係を学習し、特徴量の相違を適切に予測価格に反映させられるようにパラメータを決定する。なお、機械学習部３３０３は、上記のようなパラメータを機械学習によって決定するにあたって、例えば勾配法など、公知の各種のアルゴリズムを利用することができる。

情報抽出部３３０５は、例えば物件特徴量データ３１０９、取引特徴量データ３１１１、および機械学習部３３０３によって算出されたパラメータに基づいて、価格予測の対象になる不動産物件（第１の不動産物件）に類似する他の不動産物件（第２の不動産物件、および／または価格予測になる不動産物件を対象として発生する取引（第１の取引）に類似する他の取引（第２の取引）に関する情報を抽出する。より具体的には、例えば、情報抽出部３３０５は、第２の不動産物件の物件特徴量を物件特徴量データ３１０９から抽出し、第２の取引の取引特徴量を取引特徴量データ３１１１から抽出する。情報抽出部３３０５によって抽出された情報は、取引結果予測部３３０７に提供されて価格予測に用いられるだけではなく、情報提示部３３０９に提供されてユーザに提示する情報を生成するた
めに利用されてもよい。

取引結果予測部３３０７は、情報抽出部３３０５によって抽出された情報、および機械学習部３３０３によって算出されたパラメータに基づいて、取引における不動産物件の価格を含む取引結果を予測する。例えば、価格の予測は、対象物件の売出し前、つまりオーナーが売り出すことを検討している段階で実施される。この場合、情報抽出部３３０５によって抽出された類似する物件や取引の情報に基づいて、対象物件の成約価格を予測することができる。また、価格の予測は、対象物件の売出し後、まだ取引が成立していない段階で実施されてもよい。この場合、上記と同様の情報、および対象物件の売出しに関する情報（売出し価格や売出し時期など）に基づいて、取引を成立させるために適切と考えられる価格を予測することができる。さらに、価格の予測は、対象物件の取引の成立後に実施されてもよい。この場合、例えば価格の予測結果は機械学習部３３０３にフィードバックされ、実際の成約価格との差などに基づく学習に利用される。取引結果予測部３３０７は、価格と同様にして、取引が成立するまでの期間（取引期間）を予測してもよい。さらに、取引結果予測部３３０７は、価格や期間について、予測の精度を算出してもよい。精度は、なお、取引結果予測部３３０７による予測の処理の詳細な例については後述する。

情報提示部３３０９は、取引結果予測部３３０７によって予測された不動産物件の価格などを含む情報を、クライアント１００を介してユーザに提示する。より具体的には、情報提示部３３０９は、クライアント１００で入出力部１４０に含まれるディスプレイに画像を出力させるためのデータを生成して、通信部３２０からクライアント１００に送信させる。なお、クライアント１００における情報出力の方法は画像表示には限られず、例えば音声出力が画像表示とともに、またはこれに代えて採用されてもよい。

（３．類似物件または類似取引の抽出処理）
続いて、本実施形態において、サーバ３００の処理部３３０に含まれる情報抽出部３３０５によって実施される、類似物件または類似取引の抽出処理について、さらに説明する。なお、以下では、代表して類似物件の抽出処理について説明するが、類似取引の抽出処理も同様に実施することが可能である。

まず、特徴量生成部３３０１は、物件データ３１０１に登録された各不動産物件について、物件データ３１０１、売出しデータ３１０３、取引データ３１０５、および／または周辺環境データ３１０７に基づいて物件特徴量を生成している。情報抽出部３３０５では、登録されたｎ件の物件についてそれぞれ生成されたＫ次元の物件特徴量ベクトルのうち、Ｘｉ，Ｘｊ（ｉ，ｊ∈１，２，・・・，Ｎ；ｉ≠ｊ）の間の距離関数Ｄ（Ｘｉ，Ｘｊ）が、以下の式１のように定義されている。なお、ｘｋｉ，ｘｋｊは、それぞれ、特徴量ベクトルＸｉ，Ｘｊのｋ番目の元（ｋ＝１，２，・・・，Ｋ）であり、ｄ（ｘｋｉ，ｘｋｊ）はｘｋｉとｘｋｊとの間のユークリッド距離である（なお、特徴量ベクトルの元ｘｋｉ，ｘｋｊは、スカラーであってもよいし２次元以上のベクトルであってもよい）。ｗｋは、特徴量ベクトルのｋ番目の元について設定される重みパラメータである。

さらに、上記の距離関数Ｄ（Ｘｉ，Ｘｊ）に基づいて、特徴量ベクトルＸｉ，Ｘｊの間の類似度関数Ｆ（Ｘｉ，Ｘｊ）を以下の式２のように定義することができる。なお、類似度関数については、この例に限られず、特徴量ベクトル間の距離が小さいほど大きな値を
とるような任意の関数を定義することができる。

ここで、距離関数Ｄ（Ｘｉ，Ｘｊ）における重みパラメータｗｋは、類似度関数Ｆ（Ｘｉ，Ｘｊ）を用いて物件または取引の類似度を算出するにあたり、特徴量の項目ごとに設定されるパラメータであるといえる。つまり、特徴量ベクトルのｋ番目の元は、何らかの特徴量の項目に対応しており、重みパラメータｗｋは、当該項目の類似度への影響度合いを表現するパラメータとして設定される。より具体的には、例えば、物件特徴量のベクトルにおいて、ｋ番目の元が建築時期の年（または築年数）に対応し、ｋ＋１番目の元が建築時期の月に対応する場合、一般的には年の方が物件の類似度に影響する（具体的な例として、２０１１年４月に建築された建物１と、２０１１年１０月に建築された建物２と、２００１年４月に建築された建物３とがある場合、建物１と建物２との類似度は高く、建物１，２と建物３との間の類似度は低い）。従って、特徴量ベクトルのｋ番目の元について設定される重みパラメータｗｋは、ｋ＋１番目の元について設定される重みパラメータｗｋ＋１よりも大きい値をとりうる。

このような重みパラメータｗｋは、例えば既存のナレッジに基づいて予め設定されていてもよい。また、重みパラメータｗｋは、過去に成立した取引のデータに基づいて機械学習部３３０３が実施する機械学習によって決定および更新されてもよい。より具体的には、例えば類似度関数Ｆ（Ｘｉ，Ｘｊ）によって類似度が高いと判定された物件の過去の取引における成約価格が互いに近接している場合、これらの物件の類似度の算出に用いられた重みパラメータｗｋは適切であったといえる。一方、類似度関数Ｆ（Ｘｉ，Ｘｊ）によって類似度が高いと判定された物件の成約価格が互いにかけ離れていた場合、これらの物件の類似度の算出に用いられた重みパラメータｗｋの中には、修正の必要があるものが含まれる可能性がある。なお、成約価格の近接判定においては、後述する価格予測の補正関数が考慮されうる。

例えば、情報抽出部３３０５は、類似物件抽出の対象物件の特徴量ベクトルＸｉに対して、類似度関数Ｆ（Ｘｉ，Ｘｊ）の値をｊ＝１，２，・・・，ｉ−１，ｉ＋１，・・・，Ｎについて算出し、値が閾値を下回った特徴量ベクトルＸｊに対応する物件を、類似物件として抽出する。あるいは、情報抽出部３３０５は、類似度関数Ｆ（Ｘｉ，Ｘｊ）の値が大きいものから順に所定の数の特徴量ベクトルＸｊに対応する物件を、類似物件として抽出してもよい。なお、既に述べたように、類似物件抽出だけではなく類似取引抽出についても、同様に実施することが可能である。

（４．類似物件または類似取引の価格に基づく価格予測処理）
続いて、本実施形態において、サーバ３００の処理部３３０に含まれる取引結果予測部３３０７によって実施される不動産物件の価格予測処理について、さらに説明する。なお、以下では、代表して類似物件の価格に基づく予測について説明するが、類似取引の価格に基づく予測も同様に実施することが可能である。

類似物件の価格に基づく予測に先立って、情報抽出部３３０５が、物件特徴量データ３１０９に基づいて予測対象の第１の不動産物件の類似物件（第２の不動産物件）を抽出する。第２の不動産物件の抽出は、価格の予測を実行するときに実施されてもよいし、前もって実施されていてもよい。取引結果予測部３３０７は、第２の不動産物件の価格に基づ
いて第１の不動産物件の価格を予測する。ここで用いられる価格は、例えば売出しデータ３１０３に含まれる売出し価格であってもよいし、取引データ３１０５に含まれる第２の不動産物件の直近の取引における成約価格であってもよい。これらの価格は、例えば直近の価格として物件特徴量データ３１０９に含まれていてもよいし、取引結果予測部３３０７が抽出された第２の不動産物件について別途売出しデータ３１０３や取引データ３１０５を参照してもよい。

ここで、価格を予測するにあたり、取引結果予測部３３０７は、第１の不動産物件の特徴量と第２の不動産物件の特徴量との差分に基づいて、予測価格を補正する。仮に、第１の不動産物件と第２の不動産物件とが、面積を除いて同一の特徴量を有していたとすると、予測価格は第２の不動産物件の面積あたりの成約価格や売出し価格に、第１の不動産物件の面積を乗じたものになりうる。しかしながら、実際には２つの物件が同一の特徴量を有することはなく、類似物件であっても特徴量の間にはいくらかの差分が存在する。そこで、取引結果予測部３３０７は、第２の不動産物件の価格に基づいて第１の不動産物件の価格を予測するにあたり、特徴量の差分に基づいて予測価格を補正する。

より具体的には、例えば、取引結果予測部３３０７は、以下の式３によって、第１の不動産物件（物件特徴量ベクトルＸｓ）の、第２の不動産物件（物件特徴量ベクトルＸｔ）の価格ｐｔに基づく予測価格ｑｔｓを補正する。なお、価格ｐｔおよび予測価格ｑｔｓは、面積あたりの価格である。

式３で用いられる補正関数Ｇ（Ｘｓ，Ｘｔ）は、例えば以下の式４のように定義される。なお、式１と同様に、ｘｋｓ，ｘｋｔは、それぞれ、特徴量ベクトルＸｓ，Ｘｔのｋ番目の元（ｋ＝１，２，・・・，Ｋ）であり、ｄ（ｘｋｓ，ｘｋｔ）はｘｋｓとｘｋｔとの間のユークリッド距離に対応する（なお、式４においては、ｄ（ｘｋｓ，ｘｋｔ）について、上記の式１とは異なる定義がされてもよい。例えば、ｘｋｓ，ｘｋｔがベクトルである場合には式１の場合と同様にｄ（ｘｋｓ，ｘｋｔ）＝||ｘｋｓ−ｘｋｔ||と定義される一方で、ｘｋｓ，ｘｋｔがスカラーである場合には、符号を考慮してｄ（ｘｋｓ，ｘｋｔ）＝ｘｋｓ−ｘｋｔと定義されてもよい）。ｒｋは、特徴量ベクトルのｋ番目の元について設定される補正のための重みパラメータである。なお、式４は、直積（Π）の各元が、ｒｋ・ｄ（ｘｋｓ，ｘｋｔ）＝０の場合には１になり、ｒｋ・ｄ（ｘｋｓ，ｘｋｔ）の値が０よりも大きい場合には１よりも大きくなり、ｒｋ・ｄ（ｘｋｓ，ｘｋｔ）の値が０よりも小さい場合には１よりも小さくなって０に近づくような関数の例である。従って、本実施形態では、式４として示した具体的な関数に限らず、例えば同様の性質を有する他の関数が用いられてもよい。また、後述するように、重みパラメータｒｋをｋ番目の元ベクトルの組み合わせごとに学習する構成とすることも可能である。

取引結果予測部３３０７は、上記のようにして算出された予測価格ｑｔｓを各類似物件
（第２の不動産物件）について重みづけして足し合わせることによって、予測価格ｑｓを算出する。予測価格ｑｔｓの足し合わせは、例えば以下の式５のように、類似度関数Ｆ（Ｘｓ，Ｘｔ）に基づいて重みを設定して実施される。この場合、ｔ番目の類似物件（ｔ＝１，２，・・・，Ｔ；Ｔ≧１）についての予測価格ｑｔｓは、Ｔ番目までの類似物件全体の類似度の総和に対する当該ｔ番目の類似物件の類似度の割合に対応する重みをつけて足し合わされる。

既に述べたように、上記では代表して類似物件の価格に基づく価格の予測について説明したが、類似取引の価格に基づく価格の予測も同様に実施することが可能である。この場合、情報抽出部３３０５が、第１の取引の類似取引を第２の取引として抽出し、取引結果予測部３３０７が、第２の取引における成約価格に基づいて第１の取引の価格を予測する。ここで、抽出される第２の取引は、同じ物件について発生した複数の取引を含んでもよい。また、第１の取引の対象になる不動産物件について過去に発生した取引が、第２の取引として抽出されてもよい。

上記のような類似取引の価格に基づく価格の予測において、第１の取引は、現在進行中の取引、すなわち未成立の取引でありうる。このような未成立の取引の特徴量は、例えば既に売出しが開始されていれば売出しデータ３１０３から抽出される。あるいは、第１の取引の特徴量を別途ユーザが入力したり（例えば希望する成約時期、売出し理由など）自動設定したりすることによって、まだ開始されていない仮想的な取引について価格を予測することも可能である。

これとは逆に、既に成立している取引を第１の取引として価格の予測を実施し、その結果を機械学習部３３０３によるパラメータの学習に利用することもできる。より具体的には、例えば、取引データ３１０５から１件の取引を抽出し、成約価格ｐｉをマスクした上で第１の取引として扱ってもよい。この場合に、情報抽出部３３０５によって抽出された類似取引（第２の取引）の価格に基づいて取引結果予測部３３０７が予測した第１の取引における不動産物件の価格をｑｉとする。この場合、機械学習部３３０３が、例えば以下の式６で示される予測価格ｑｉと実際の成約価格ｐｉとの誤差Ｅが最小化されるように各種のパラメータ（例えば、式１で説明した類似度算出のための重みパラメータｗｋや、式４で説明した補正のための重みパラメータｒｋ）を決定することができる。このようなパラメータ決定のための学習は、例えば勾配法などの各種の手法を利用して実施することが可能である。

（５．取引期間予測処理）
次に、本実施形態において、サーバ３００の処理部３３０に含まれる取引結果予測部３３０７によって実施される不動産物件の取引期間予測処理について、さらに説明する。

取引期間の予測に先立って、情報抽出部３３０５が、取引特徴量データ３１１１に基づいて、予測対象の第１の不動産物件を対象として発生する第１の取引の類似取引（第２の取引）を抽出する。価格の予測の場合と同様に、第２の取引の抽出は、取引期間の予測を実行するときに実施されてもよいし、前もって実施されていてもよい。取引結果予測部３３０７は、第２の取引の取引期間に基づいて第１の取引の取引期間を予測する。ここで、取引結果予測部３３０７は、第２の取引の取引期間に基づいて第１の取引期間を予測するにあたり、情報抽出部３３０５によって抽出された取引の特徴量ベクトルに、いくつかの要素を追加してもよい。

例えば、取引結果予測部３３０７は、売出し価格と成約価格との差分（面積あたり）を、特徴量ベクトルの要素に追加する。既に成立した第２の取引については、例えば取引履歴データ３１０５から抽出された情報によって、売出し価格と成約価格とが特定可能である。一方、第１の取引については、取引結果予測部３３０７が上述した類似物件または類似取引の価格に基づく価格予測処理によって予測した価格が、成約価格として扱われる。第１の取引の売出し価格は、例えば既に売出しが開始されていれば売出しデータ３１０３から抽出される。あるいは、売出し希望価格を別途ユーザが入力することによって、任意の売出し価格の場合について取引期間を予測することが可能であってもよい。

また、例えば、取引結果予測部３３０７は、並行して売り出されている不動産物件の数を、特徴量ベクトルの要素に追加する。既に成立した第２の取引については、例えば取引履歴データ３１０５において取引期間が重複している他の取引をカウントすることによって、並行して売り出されていた不動産物件の数を特定可能である。一方、第１の取引については、売出しデータ３１０３において現在売出し中の他の不動産物件をカウントすることによって、並行して売り出されている不動産物件の数を特定可能である。なお、扱われる不動産物件の種類や地域が幅広い場合には、並行して売り出されている不動産物件が、所在地が対象物件（第１の不動産物件または第２の不動産物件）に近接しているものや、特徴量が対象物件に類似しているものに限定されうる。

取引期間の予測においても、取引結果予測部３３０７は、第１の取引の特徴量と第２の取引の特徴量との差分に基づいて、予測された取引期間を補正する。取引期間の補正は、例えば上記で式３および式４を参照して説明した予測価格の補正と同様に実施される。なお、上記の通り、本実施形態における取引期間の予測では、売出し価格と成約価格との差分や、並行して売り出されている不動産物件の数が、取引期間の変動に関係が深い要因として特徴量ベクトルに追加されている。従って、補正のための重みパラメータ（式４におけるパラメータｒｋ）は、これらの要因に対応するベクトルの元について、特に大きい値が設定されうる。また、取引期間についても、式５に示した例と同様に各類似取引の取引期間を類似度関数に基づいて重みを設定した上で足し合わせることによって、最終的な予測結果が算出されうる。既に成立している取引を第１の取引として取引期間の予測を実施し、その結果を機械学習部３３０３によるパラメータの学習に利用することが可能である点も、価格の予測と同様である。

（６．予測精度の算出処理）
次に、本実施形態において、サーバ３００の処理部３３０に含まれる取引結果予測部３３０７によって実施される不動産物件の価格や取引期間の予測精度の算出処理について、さらに説明する。

既に説明したように、取引結果予測部３３０７は、既に成立している取引を第１の取引
として価格や取引期間の予測を実施することで、予測結果と実際の結果との誤差を算出することが可能である。これを利用して、取引結果予測部３３０７は、予測結果の信頼幅を算出することができる。より具体的には、例えば、価格予測の場合、実際の成約価格ｐｉおよび予測価格ｑｉから以下の式７に示すように誤差率Ｅｒｉを算出することができる。なお、以下の例では価格の場合について説明するが、期間についても同様に予測精度（信頼幅）の算出が可能である。

例えば、それぞれの取引（ｉ＝１，２，・・・，Ｎ）について算出された誤差率Ｅｒｉをプラスのものとマイナスのものとに分け、それぞれについて誤差率Ｅｒｉの絶対値が小さい順で上位７０％点に対応する誤差率Ｅｒｉを信頼幅率（正の信頼幅率ｒｐ、負の信頼幅率ｒｍ）とすることができる。取引結果予測部３３０７は、例えば現在進行中の取引（第１の取引）における不動産物件（第１の不動産物件）の価格を予測した場合に、予測価格ｑに対する信頼幅を、プラス側ｑ・ｒｐ、マイナス側ｑ・（−ｒｍ）として算出することができる。

ここで、信頼幅率ｒｐ，ｒｉは、例えば取引履歴データ３１０５に含まれる取引全体を対象として、予め機械学習部３３０３によって算出されていてもよい。この場合、信頼幅率ｒｐ，ｒｉは、その時点でのシステム全体での予測の信頼性を示す。あるいは、信頼幅率ｒｐ，ｒｉは、物件価格や取引期間の予測にあたり、情報抽出部３３０５によって対象になるは第１の取引について抽出された類似取引（第２の取引）を対象として、取引結果予測部３３０７によって算出されてもよい。この場合、信頼幅率ｒｐ，ｒｉは、予測にあたって利用される、ある程度類似した取引群の中での予測の信頼性を示す。

さらに、価格や取引期間を予測する際に抽出された類似物件や類似取引の類似度に応じて、信頼幅率が分類されてもよい。価格や取引期間の予測にあたって抽出された類似物件や類似取引の類似度や数は、予測の信頼度に影響すると考えられる。例えば、類似度の高い類似物件や類似取引が数多く抽出された場合、予測の信頼度は高くなりうる。逆に、類似度の低い類似物件や類似取引が数少なく抽出された場合、予測の信頼度は低くなりうる。そこで、例えば機械学習部３３０３は、それぞれの取引について誤差率Ｅｒｉを算出するにあたり、予測に利用された類似物件や類似取引の類似度総和Ｒｉを以下の式８によって算出し、類似度総和Ｒｉの範囲ごとに信頼幅率ｒｐ，ｒｍを算出してもよい。なお、類似度関数Ｆ（Ｘｉ，Ｘｊ）は、例えば式２において定義されたものと同様でありうる。

この場合、取引結果予測部３３０７は、予測の対象になる第１の取引について抽出された類似物件または類似取引の信頼度総和Ｒｉがどの範囲に含まれるかを特定し、当該範囲に対応して算出された信頼幅率ｒｐ，ｒｍを用いて、予測価格ｑに対する信頼幅ｑ・ｒｐ，ｑ・（−ｒｍ）を算出する。

なお、本実施形態において予測の信頼幅を算出する方法は、上記の例には限られない。例えば、物件データ３１０１において同じアパートメント名に関連付けられた他の物件についての取引履歴が存在するか否か、つまり、同じアパートメントで既に取引が成立した例があるか否かに応じて信頼幅が算出されてもよい。この場合、既に取引が成立した例がある場合には信頼幅率が狭められ、信頼性が高いことが表現されてもよい。

（７．特徴量ベクトルの元の二値化）
以上の説明では、本実施形態において情報抽出部３３０５や取引結果予測部３３０７の処理で利用される特徴量ベクトルＸｉのｋ番目の元ｘｋｉが、スカラーであってもよいし、２次元以上のベクトルであってもよいものとして説明された。この場合、特徴量ベクトルの類似度の算出や、特徴量ベクトルの差分に基づく予測値の補正では、元同士の間のユークリッド距離ｄ（ｘｋｉ，ｘｋｊ）が算出された。

しかしながら、物件データ３１０１をはじめとする各種データについて説明したように、本実施形態で利用される特徴量ベクトルの元は、必ずしも本来的には数値で表現されない情報を含みうる。例えば物件データ３１０１の場合、敷地面積や床面積、建築時期などは本来的に数値で表現される情報であるが、物件種類や設備、開口部の方位などは本来的に数値で表現される情報ではない。

ここで、上記で特徴量生成部３３０１について説明したように、例えば方位の項目に“東＝１，南＝２，西＝３，北＝４”といったように区分値を設定することで、数値として扱うことが可能である。しかしながら、特徴量ベクトルの元ｘｋｉがこのような区分値のような数値である場合、元同士の間のユークリッド距離ｄ（ｘｋｉ，ｘｋｊ）が必ずしも物件や取引の間の類似度を適切に表現しているとはいえない。例えば上記の方位の例の場合、“東”と“西”との間の距離と、“南”と“北”との間の距離とは等しくなるが、このような扱いが適切ではない場合もありうる。

また、本来的に数値で表現される情報の場合であっても、元同士の間のユークリッド距離ｄ（ｘｋｉ，ｘｋｊ）、元がスカラーである場合には数値の差分が、一様に物件または取引の類似性に影響を及ぼすとは限らない。例えば、敷地面積が４０ｍ２の場合と７０ｍ２の場合の差分と、敷地面積が５４０ｍ２の場合と５７０ｍ２の差分とは、いずれも３０ｍ２であるが、それぞれの場合においてその差分が物件の類似性に及ぼす影響は異なる可能性がある。

そこで、本実施形態では、例えば特徴量生成部３３０１が各種のデータに基づいて生成する特徴量ベクトルにおいて、元を排他的な二値ベクトルとして表現してもよい。この場合、例えば、上記の方位の例では、方位を示す特徴量ベクトルの元が４次元のベクトルになり、東の場合は（１，０，０，０）、南の場合は（０，１，０，０）、西の場合は（０，０，１，０）、北の場合は（０，０，０，１）とされる。

また、数値の場合、既に述べたように、数値の範囲を適切な幅のビン（bin）に分割することによってデータを二値化することが可能である。この場合、例えば、上記の敷地面積の例で、敷地面積に１０ｍ２幅のビンを設定した場合、敷地面積が４０ｍ２の場合にはベクトルの４番目の元が１、敷地面積が５７０ｍ２の場合には５７番目の元が１で、残りの元が０になるようなベクトルが得られる。ベクトルの次元が際限なく大きくならないように、最大値（例えば、１０００ｍ２以上は同じビン）や最小値が設定されてもよい。

上記のように元が二値化された特徴量ベクトルが生成される場合、式１を参照して説明した特徴量ベクトルの間の距離関数は、例えば以下の式９に示すように書き換えられる。なお、ｍ（ｋｉ），ｍ（ｋｊ）は、特徴量ベクトルＸｉ，Ｘｊのｋ番目の元のベクトルで
、１である（フラグが立っている）元の番号であり、ｍ（ｋｉ），ｍ（ｋｊ）∈１，２，・・・，Ｍ（Ｍはｋ番目の元のベクトルの次元）である。

この場合、ｋ番目の元ベクトルの次元Ｍは有限であるため、例えばｍ１，ｍ２∈１，２，・・・，Ｍのそれぞれの組み合わせ（ＭＣ２通り）について、重みパラメータｗｋ（ｍ１，ｍ２）を学習することが可能である。これによって、例えば区分値の場合には、それぞれの区分値がどのように物件や取引の間の類似度に影響を及ぼすかを事後的に重みパラメータｗｋ（ｍ１，ｍ２）によって表現することができる。つまり、上記の方位の例でいえば、東の場合（１，０，０，０）と西の場合（０，０，１，０）とで物件や取引の類似度がどう違うか（東と西との違いがどのぐらいの距離にあたるか）は、実際の取引における成約価格の相違などに基づいて学習される重みパラメータｗｋ（１，３）によって表現される。

また、例えば数値の場合には、数値そのものの範囲によって差分が類似度に及ぼす影響の変化を、重みパラメータｗｋ（ｍ１，ｍ２）によって表現することができる。つまり、上記の敷地面積の例でいえば、４０ｍ２と７０ｍ２との差による類似度への影響を重みパラメータｗｋ（４，７）によって、５４０ｍ２と５７０ｍ２との差による類似度への影響を重みパラメータｗｋ（５４，５７）によって、それぞれ個別に表現することができる。例えば、重みパラメータｗｋ（４，７）には、比較的狭い敷地面積の物件の取引における成約価格の相違が反映され、３０ｍ２の差分が類似度に大きな影響を与えることが表現されうる。一方、重みパラメータｗｋ（５４，５７）には、比較的広い敷地面積の物件の取引における成約価格の相違が反映され、３０ｍ２程度の差分では類似度にさほど影響しないことが表現されうる。

また、上記のように元が二値化された特徴量ベクトルが生成される場合、式４を参照して説明した特徴量ベクトルの間の補正関数は、例えば、以下の式１０に示すように書き換えられる。なお、ｍ（ｋｉ），ｍ（ｋｊ）は、上記の式９と同様に定義される。

式９に示した類似度の場合と同様に、ｋ番目の元ベクトルの次元Ｍが有限であるため、例えばｍ１，ｍ２∈１，２，・・・，Ｍのそれぞれの組み合わせ（ＭＣ２通り）について、重みパラメータｒｋ（ｍ１，ｍ２）を学習することが可能である。重みパラメータｒｋ（ｍ１，ｍ２）によって、例えば、区分値やビンに区分された数値に応じてどの程度予測結果を補正するべきかを、学習の結果に基づいて表現することができる。

（８．提示される情報の例）
以下では、例えばクライアント１００において入出力部１４０に含まれるディスプレイに表示される画面の例を参照しながら、本開示の一実施形態において提示される情報の例について説明する。なお、以下の説明ではアパートメントの売却を検討するにあたって提
示される情報の例が説明されるが、アパートメント以外の、例えば独立した建物や土地の売却を検討するにあたっても同様に情報が提示されうる。また、物件の購入を検討するにあたっても同様の情報を提示することが可能である。

図４は、本開示の一実施形態において表示される物件情報入力画面の例を示す図である。図示された例では、画面１１００に、住所１１０１、アパートメント名１１０２、部屋番号１１０３、および最寄り駅１１０４の入力欄が表示される。ユーザはこれらの入力欄に情報を入力し、完了したら“次へ”ボタン１１０５を押下する。なお、ここで、例えばアパートメント名１１０２に入力されたアパートメント名が既に物件データ３１０１に登録されている場合、他の情報、例えば住所１１０１や最寄り駅１１０４などが自動的に設定されてもよい。あるいは、選択可能な部屋番号１１０３や最寄り駅１１０４などが、リストとして表示されてもよい。

図５は、本開示の一実施形態において表示される売出し価格検討画面の例を示す図である。図示された例では、画面１２００に、例えば上記の物件情報入力画面で入力された情報を含む物件の詳細情報１２０１（より具体的には、住所、アパートメント名、部屋番号、間取り、住居面積、方位、築年、最寄り駅、オーナー種類、売却理由、リノベーション履歴）と、希望売出し価格１２０２とが表示されている。これらの情報は、例えば、ユーザの入力や、ユーザが入力した情報に基づく物件データ３１０１などの検索結果に基づいて表示される。さらに、画面１２００には、売却の取引について取引結果予測部３３０７が実施した予測の結果１２０３として、価格（成約価格）１２０４と、取引期間１２０５とが表示される。図示された例において、価格１２０４および取引期間１２０５は、代表値（予測された価格および取引期間）と、その前後の変動区間とによって表示されている。変動区間は、例えば、取引結果予測部３３０７によって算出された予測された価格又は取引期間の信頼幅に基づいて表示されうる。

上記の例において、例えば、詳細情報１２０１や希望売出し価格１２０２は、ユーザの直接的な入力やリストからの選択によって随時変更可能でありうる。これらの情報が変更された場合、例えば情報抽出部３３０５および取引結果予測部３３０７は価格および取引期間の予測を再実行し、価格１２０４および取引期間１２０５として表示される予測結果を更新する。

さらに、図示された例において、画面１２００には、価格や取引期間の予測に用いられた類似物件情報１２０６が表示されてもよい。図示された例では、類似物件情報１２０６−１，１２０６−２が表示されている。それぞれの類似物件情報１２０６には、物件名、物件の写真、売出し価格、売出し日、成約価格、および成約日が含まれている。このような情報は、例えば、取引履歴データ３１０５および物件データ３１０１から抽出されうる。類似物件情報１２０６が表示されることによって、ユーザは、価格１２０４や取引期間１２０５の予測の根拠を把握することができる。

図６は、本開示の一実施形態において表示される物件比較画面の例を示す図である。図示された例では、画面１３００に、上記の画面１２００と同様の物件（ユーザが売却しようとしている物件）の詳細情報１２０１と、比較対象の物件の詳細情報１３０１とが表示される。比較対象の物件の詳細情報１３０１は、例えば、詳細情報１２０１と共通の項目を含む。詳細情報１３０１は、物件データ３１０１や取引履歴データ３１０５に基づいて表示される。なお、比較対象の物件が過去の取引結果に基づいて抽出されている場合、詳細情報１３０１は、過去の取引の時点での情報でありうる。

例えば、物件比較のための画面１３００は、上記の画面１２００において、価格や取引期間の予測に用いられた類似物件情報１２０６のいずれかを選択することによって表示さ
れる（図示された例では、類似物件情報１２０６−１が選択されている）。さらに、画面１３００には、比較対象の物件の価格または取引期間と予測された価格または取引期間との差の原因になっている項目について、比較情報１３０２が表示されてもよい。図示された例では、比較対象の物件に比べて階数が低いために予測が下方修正（価格は低く、取引期間は長く修正）されていることを示す不利点情報１３０２−１と、比較対象の物件に比べて築年が新しいために予測価格が上方修正（価格は高く、取引期間は短く修正）されていることを示す利点情報１３０２−２とが表示されている。なお、このような比較情報１３０２は、例えば式４または式１０を参照して説明した予測結果の補正において、補正のための重みパラメータｒｋが最大または最小であった特徴量ベクトルの元に対応する項目について表示されうる。

図７は、本開示の一実施形態において表示されるリノベーション提案画面の例を示す図である。図示された例では、画面１４００に、上記の画面１２００と同様の物件の詳細情報１２０１と、希望売出し価格１２０２と、予測の結果１２０３とが表示されている。さらに、画面１４００には、リノベーション提案１４０１が表示される。リノベーション提案１４０１は、例えば、リノベーションをした場合の予測価格の変化１４０２−１と、予測取引期間の変化１４０２−２とを含む。

図示された例において、情報抽出部３３０５および取引結果予測部３３０７は、例えば詳細情報１２０１や希望売出し価格１２０２が変更された場合と同様に、売出し対象の物件についてリノベーションが実施された場合の物件特徴量を仮想的に設定することによって、リノベーションが実施された場合の予測価格１２０４および予測取引期間１２０５を算出することができる。例えば、情報提示部３３０９は、そのようにして予測されたリノベーション実施仮定時の予測価格のうち最も高いものについて、リノベーションの内容とともにリノベーション提案１４０１を生成してユーザに提示させる。

なお、情報抽出部３３０５、取引結果予測部３３０７、および情報提示部３３０９は、リノベーションに限らず他の項目についても、同様に物件または取引の特徴量の一部を一時的に差し替えることによって予測価格や予測取引期間の変動をシミュレートし、情報提示部３３０９は、取引結果を改善するために効果的な方策をユーザに提案してもよい。より具体的には、例えば、物件の売出しのための広告にかける費用を仮定して予測価格や予測取引期間の変動が算出され、例えば広告費用の増額が効果的であると推定される場合には、それをユーザに提案してもよい。また、次の例で説明されるように、売出し時期を調整することが提案されてもよい。

図８は、本開示の一実施形態において表示される将来予測画面の例を示す図である。図示された例では、画面１５００に、上記の画面１２００と同様の物件の詳細情報１２０１と、希望売出し価格１２０２とが表示されている。さらに、画面１５００には、予測の結果１５０１として、画面１２００と同様の予測価格１２０４および予測取引期間１２０５に加えて、将来の予測価格１５０２と、将来の予測取引期間１５０３とが表示される。なお、図示された例において、将来の予測価格１５０２および将来の予測取引期間１５０３とは表形式で表示されているが、予測価格１２０４や予測取引期間１２０５と同様に、代表値とその前後の変動区間とによって表示されてもよい。

物件の売出しが将来に実行された場合における価格や取引期間の予測は、例えば現時点における予測と同様に実行可能でありうる。このとき、例えば、現時点において売出し中の他の物件の取引が、当該他の物件の売出しが予測された取引期間で終了した（成約した）と仮定して予測が実行されてもよい。つまり、例えば、２０１５年２月１日の時点（現時点）において売出し中の他の物件の売出し開始が２０１４年１２月１５日であり、当該他の物件について予測された取引期間が６０日である場合、２０１５年３月１日の時点（
将来の時点）で予測を実行するにあたり、当該他の物件は既に売却が完了している（並行して売り出されている物件にはならない）ものとして予測が実行されてもよい。

上記のように将来の時点で売出しを開始した場合の価格や取引期間を予測することによって、例えば、上記のリノベーション提案１４０１と同様にして、並行して売り出されている物件が少なくなる将来の時点まで、売出しの開始を待つことが提案されてもよい。

なお、上記で説明した一実施形態に係るシステム１０では、不動産物件を売り出すユーザを対象にした価格や取引期間の予測を利用した情報が提供されたが、本開示の実施形態はこのような例には限られない。例えば、不動産物件を購入しようとするユーザについて、同様の情報を提供するためのシステムが提供されてもよい。この場合、既に売出されている物件について、成約価格が予測されてもよい。あるいは、まだ売出されていない物件について、仮に売り出された場合の売出し価格又は成約価格が予測されてもよい。

（９．ハードウェア構成）
次に、図９を参照して、本開示の実施形態に係る情報処理装置のハードウェア構成について説明する。図９は、本開示の実施形態に係る情報処理装置のハードウェア構成例を示すブロック図である。図示された情報処理装置９００は、例えば、上記の実施形態におけるサーバ３００およびクライアント１００を実現しうる。

情報処理装置９００は、ＣＰＵ（Central Processing unit）９０１、ＲＯＭ（Read Only Memory）９０３、およびＲＡＭ（Random Access Memory）９０５を含む。また、情報処理装置９００は、ホストバス９０７、ブリッジ９０９、外部バス９１１、インターフェース９１３、入力装置９１５、出力装置９１７、ストレージ装置９１９、ドライブ９２１、接続ポート９２３、通信装置９２５を含んでもよい。情報処理装置９００は、ＣＰＵ９０１に代えて、またはこれとともに、ＤＳＰ（Digital Signal Processor）、ＡＳＩＣ（Application Specific Integrated Circuit）、またはＦＰＧＡ（Field-Programmable Gate Array）などの処理回路を有してもよい。

ＣＰＵ９０１は、演算処理装置および制御装置として機能し、ＲＯＭ９０３、ＲＡＭ９０５、ストレージ装置９１９、またはリムーバブル記録媒体９２７に記録された各種プログラムに従って、情報処理装置９００内の動作全般またはその一部を制御する。ＲＯＭ９０３は、ＣＰＵ９０１が使用するプログラムや演算パラメータなどを記憶する。ＲＡＭ９０５は、ＣＰＵ９０１の実行において使用するプログラムや、その実行において適宜変化するパラメータなどを一次記憶する。ＣＰＵ９０１、ＲＯＭ９０３、およびＲＡＭ９０５は、ＣＰＵバスなどの内部バスにより構成されるホストバス９０７により相互に接続されている。さらに、ホストバス９０７は、ブリッジ９０９を介して、ＰＣＩ（Peripheral Component Interconnect/Interface）バスなどの外部バス９１１に接続されている。

入力装置９１５は、例えば、マウス、キーボード、タッチパネル、ボタン、スイッチおよびレバーなど、ユーザによって操作される装置である。入力装置９１５は、例えば、赤外線やその他の電波を利用したリモートコントロール装置であってもよいし、情報処理装置９００の操作に対応した携帯電話などの外部接続機器９２９であってもよい。入力装置９１５は、ユーザが入力した情報に基づいて入力信号を生成してＣＰＵ９０１に出力する入力制御回路を含む。ユーザは、この入力装置９１５を操作することによって、情報処理装置９００に対して各種のデータを入力したり処理動作を指示したりする。

出力装置９１７は、取得した情報をユーザに対して視覚や聴覚、触覚などの感覚を用いて通知することが可能な装置で構成される。出力装置９１７は、例えば、ＬＣＤ（Liquid Crystal Display）または有機ＥＬ（Electro-Luminescence）ディスプレイなどの表示装置、スピーカまたはヘッドフォンなどの音声出力装置、もしくはバイブレータなどでありうる。出力装置９１７は、情報処理装置９００の処理により得られた結果を、テキストもしくは画像などの映像、音声もしくは音響などの音声、またはバイブレーションなどとして出力する。

ストレージ装置９１９は、情報処理装置９００の記憶部の一例として構成されたデータ格納用の装置である。ストレージ装置９１９は、例えば、ＨＤＤ（Hard Disk Drive）などの磁気記憶デバイス、半導体記憶デバイス、光記憶デバイス、または光磁気記憶デバイスなどにより構成される。ストレージ装置９１９は、例えばＣＰＵ９０１が実行するプログラムや各種データ、および外部から取得した各種のデータなどを格納する。

ドライブ９２１は、磁気ディスク、光ディスク、光磁気ディスク、または半導体メモリなどのリムーバブル記録媒体９２７のためのリーダライタであり、情報処理装置９００に内蔵、あるいは外付けされる。ドライブ９２１は、装着されているリムーバブル記録媒体９２７に記録されている情報を読み出して、ＲＡＭ９０５に出力する。また、ドライブ９２１は、装着されているリムーバブル記録媒体９２７に記録を書き込む。

接続ポート９２３は、機器を情報処理装置９００に接続するためのポートである。接続ポート９２３は、例えば、ＵＳＢ（Universal Serial Bus）ポート、ＩＥＥＥ１３９４ポート、ＳＣＳＩ（Small Computer System Interface）ポートなどでありうる。また、接続ポート９２３は、ＲＳ−２３２Ｃポート、光オーディオ端子、ＨＤＭＩ（登録商標）（High-Definition Multimedia Interface）ポートなどであってもよい。接続ポート９２３に外部接続機器９２９を接続することで、情報処理装置９００と外部接続機器９２９との間で各種のデータが交換されうる。

通信装置９２５は、例えば、通信ネットワーク９３１に接続するための通信デバイスなどで構成された通信インターフェースである。通信装置９２５は、例えば、ＬＡＮ（Local Area Network）、Ｂｌｕｅｔｏｏｔｈ（登録商標）、Ｗｉ−Ｆｉ、またはＷＵＳＢ（Wireless USB）用の通信カードなどでありうる。また、通信装置９２５は、光通信用のルータ、ＡＤＳＬ（Asymmetric Digital Subscriber Line）用のルータ、または、各種通信用のモデムなどであってもよい。通信装置９２５は、例えば、インターネットや他の通信機器との間で、ＴＣＰ／ＩＰなどの所定のプロトコルを用いて信号などを送受信する。また、通信装置９２５に接続される通信ネットワーク９３１は、有線または無線によって接続されたネットワークであり、例えば、インターネット、家庭内ＬＡＮ、赤外線通信、ラジオ波通信または衛星通信などを含みうる。

以上、情報処理装置９００のハードウェア構成の一例を示した。上記の各構成要素は、汎用的な部材を用いて構成されていてもよいし、各構成要素の機能に特化したハードウェアにより構成されていてもよい。かかる構成は、実施する時々の技術レベルに応じて適宜変更されうる。

（１０．補足）
本開示の実施形態は、例えば、上記で説明したような情報処理装置（サーバまたはクライアント）、システム、情報処理装置またはシステムで実行される情報処理方法、情報処理装置を機能させるためのプログラム、およびプログラムが記録された一時的でない有形の媒体を含みうる。

以上、添付図面を参照しながら本開示の好適な実施形態について詳細に説明したが、本開示の技術的範囲はかかる例に限定されない。本開示の技術分野における通常の知識を有する者であれば、特許請求の範囲に記載された技術的思想の範疇内において、各種の変更
例または修正例に想到し得ることは明らかであり、これらについても、当然に本開示の技術的範囲に属するものと了解される。

また、本明細書に記載された効果は、あくまで説明的または例示的なものであって限定的ではない。つまり、本開示に係る技術は、上記の効果とともに、または上記の効果に代えて、本明細書の記載から当業者には明らかな他の効果を奏しうる。

なお、以下のような構成も本開示の技術的範囲に属する。
（１）不動産物件または不動産物件を対象とする取引の特徴量に基づいて、第１の不動産物件または該第１の不動産物件を対象として発生する第１の取引に類似する第２の不動産物件または第２の取引に関する情報を抽出する情報抽出部と、
前記抽出された情報に基づいて、前記第１の取引において前記第１の不動産物件に関連付けられる第１の価格を含む取引結果を予測する取引結果予測部と
を備える情報処理装置。
（２）前記抽出される情報は、前記第２の不動産物件または前記第２の取引に関連付けられた第２の価格の情報を含み、
前記取引結果予測部は、前記第２の価格に基づいて前記第１の価格を予測する、前記（１）に記載の情報処理装置。
（３）前記取引結果予測部は、前記第２の価格を前記第２の不動産物件または前記第２の取引と前記第１の不動産物件または前記第１の取引との間の前記特徴量の差分に応じて補正することによって前記第１の価格を予測する、前記（２）に記載の情報処理装置。
（４）前記第２の価格は、前記第２の不動産物件の売出し価格または前記第２の取引の成約価格を含む、前記（２）または（３）に記載の情報処理装置。
（５）前記抽出される情報は、前記第２の不動産物件または前記第２の取引に関連付けられた第２の期間の情報を含み、
前記取引結果予測部は、前記第１の取引において前記第１の不動産物件に関連付けられる第１の期間をさらに含む前記取引結果を予測する、前記（１）〜（４）のいずれか１項に記載の情報処理装置。
（６）前記取引結果予測部は、前記第１の期間を前記第２の不動産物件または前記第２の取引と前記第１の不動産物件または前記第１の取引との間の前記特徴量の差分に応じて補正することによって前記第１の期間を予測する、前記（５）に記載の情報処理装置。
（７）前記特徴量は、前記第１の取引における前記第１の不動産物件の売出し価格と前記取引結果予測部によって予測された前記第１の価格との差分、および前記第２の取引における前記第２の不動産物件の売出し価格と成約価格との差分に対応する特徴量を含む、前記（６）に記載の情報処理装置。
（８）前記特徴量は、前記第１の取引において並行して売り出されている他の不動産物件の数、および前記第２の取引において並行して売り出されていた他の不動産物件の数に対応する特徴量を含む、前記（６）または（７）に記載の情報処理装置。
（９）前記取引結果予測部は、前記取引結果の予測精度を算出する、前記（１）〜（８）のいずれか１項に記載の情報処理装置。
（１０）前記予測精度は、前記第１の価格に対する信頼幅を含む、前記（９）に記載の情報処理装置。
（１１）前記取引結果は、前記第１の取引において前記第１の不動産物件に関連付けら 第１の期間をさらに含み、
前記予測精度は、前記第１の期間に対する信頼幅を含む、前記（９）または（１０）に記載の情報処理装置。
（１２）前記取引結果予測部は、前記第２の不動産物件または前記第２の取引の前記第１の不動産物件または前記第１の取引に対する類似度ごとに前記予測精度を算出する、前記（９）〜（１１）のいずれか１項に記載の情報処理装置。
（１３）前記第１の取引は未成立の取引であり、
前記第２の取引は既に成立した取引であり、
前記取引結果予測部は、前記第１の取引において未知の前記取引結果を予測する、前記（１）〜（１２）のいずれか１項に記載の情報処理装置。
（１４）前記第１の取引および前記第２の取引は既に成立した取引であり、
前記情報処理装置は、前記取引結果予測部によって予測された前記取引結果と前記第１の取引における実際の取引結果との差分に基づいて、前記情報抽出部または前記取引結果予測部によって用いられるパラメータを特定するパラメータ特定部をさらに備える、前記（１）〜（１２）のいずれか１項に記載の情報処理装置。
（１５）前記パラメータ特定部は、前記情報抽出部が、前記第２の不動産物件または前記第２の取引が前記第１の不動産物件または前記第１の取引に類似するか否かを判定するためのパラメータを特定する、前記（１４）に記載の情報処理装置。
（１６）前記パラメータ特定部は、前記取引結果予測部が前記取引結果の予測のために前記第２の不動産物件または前記第２の取引に関する価格または期間を補正するためのパラメータを特定する、前記（１４）または（１５）に記載の情報処理装置。
（１７）前記情報抽出部は、前記第１の不動産物件または前記第１の取引の特徴量の一部を一時的に差し替えた上で前記第２の不動産物件または前記第２の取引に関する情報を抽出し、
前記情報処理装置は、前記特徴量の一部を差し替えた上で予測された前記取引結果を含む情報を、前記第１の取引において前記取引結果を改善するための提案として提示する情報提示部をさらに備える、前記（１）〜（１６）のいずれか１項に記載の情報処理装置。
（１８）前記特徴量の一部の差し替えは、前記第１の不動産物件のリノベーション、広告費用の変更、または前記第１の取引における売出し時期の変更を含む、前記（１７）に記載の情報処理装置。
（１９）プロセッサが、
不動産物件または不動産物件を対象とする取引の特徴量に基づいて、第１の不動産物件または該第１の不動産物件を対象として発生する第１の取引に類似する第２の不動産物件または第２の取引に関する情報を抽出することと、
前記抽出された情報に基づいて、前記第１の取引において前記第１の不動産物件に関連付けられる第１の価格を含む取引結果を予測することと
を含む情報処理方法。
（２０）不動産物件または不動産物件を対象とする取引の特徴量に基づいて、第１の不動産物件または該第１の不動産物件を対象として発生する第１の取引に類似する第２の不動産物件または第２の取引に関する情報を抽出する機能と、
前記抽出された情報に基づいて、前記第１の取引において前記第１の不動産物件に関連付けられる第１の価格を含む取引結果を予測する機能と
をコンピュータに実現させるためのプログラム。

１０ システム
１００ クライアント
２００ ネットワーク
３００ サーバ
３１０ データベース
３１０１ 物件データ
３１０３ 売出しデータ
３１０５ 取引履歴データ
３１０７ 周辺環境データ
３１０９ 物件特徴量データ
３１１１ 取引特徴量データ
３１１３ パラメータデータ
３２０ 通信部
３３０ 処理部
３３０１ 特徴量生成部
３３０３ 機械学習部
３３０５ 情報抽出部
３３０７ 取引結果予測部
３３０９ 情報提示部

Claims (20)

1. 不動産物件または不動産物件を対象とする取引の特徴量に基づいて、第１の不動産物件または該第１の不動産物件を対象として発生する第１の取引に類似する第２の不動産物件または第２の取引に関する情報を抽出する情報抽出部と、
   前記特徴量と前記不動産物件の価格とに基づいて、前記不動産物件の価格の類似度を算出するためのパラメータを学習する機械学習部と、
   前記抽出された情報と、前記機械学習部によって学習された前記パラメータとに基づいて、前記第１の取引において前記第１の不動産物件に関連付けられる取引結果を予測する取引結果予測部を備え、
   前記情報抽出部は、
   複数の前記第２の不動産物件を抽出し、
   前記取引結果予測部は、
   前記複数の第２の不動産物件の価格それぞれに対応する前記第１の不動産物件の複数の予測価格を算出し、前記複数の予測価格それぞれに対して、前記複数の第２の不動産物件それぞれに対応する前記類似度に基づいた重みをつけて足し合わせることで、最終的な前記予測価格を算出する、情報処理装置。
2. 前記取引結果予測部は、
   前記パラメータに基づく前記類似度が所定値以上の第２の価格に基づき、前記第１の不動産物件に関連付けられる第１の価格を予測する、請求項１に記載の情報処理装置。
3. 前記取引結果予測部は、
   前記第２の不動産物件または前記第２の取引と前記第１の不動産物件または前記第１の取引との間の前記特徴量に基づき、前記第１の価格を予測する、請求項２に記載の情報処理装置。
4. 前記第２の価格は、前記第２の不動産物件の売出し価格または前記第２の取引の成約価格を含む、請求項２または３に記載の情報処理装置。
5. 前記抽出される情報は、前記第２の不動産物件または前記第２の取引に関連付けられた第２の期間の情報を含み、
   前記取引結果予測部は、前記第１の取引において前記第１の不動産物件に関連付けられる第１の期間をさらに含む前記取引結果を予測する、請求項１〜４のいずれか１つに記載の情報処理装置。
6. 前記取引結果予測部は、前記第１の期間を前記第２の不動産物件または前記第２の取引と前記第１の不動産物件または前記第１の取引との間の前記特徴量の差分に応じて補正することによって前記第１の期間を予測する、請求項５に記載の情報処理装置。
7. 前記特徴量は、前記第１の取引における前記第１の不動産物件の売出し価格と前記取引結果予測部によって予測された第１の価格との差分、および前記第２の取引における前記第２の不動産物件の売出し価格と成約価格との差分に対応する特徴量を含む、請求項６に記載の情報処理装置。
8. 前記特徴量は、前記第１の取引において並行して売り出されている他の不動産物件の数、および前記第２の取引において並行して売り出されていた他の不動産物件の数に対応する特徴量を含む、請求項６または７に記載の情報処理装置。
9. 前記取引結果予測部は、前記取引結果の予測精度を算出する、請求項１〜８のいずれか１つに記載の情報処理装置。
10. 前記予測精度は、第１の価格に対する信頼幅を含む、請求項９に記載の情報処理装置。
11. 前記取引結果は、前記第１の取引において前記第１の不動産物件に関連付けられる第１の期間をさらに含み、
    前記予測精度は、前記第１の期間に対する信頼幅を含む、請求項９または１０に記載の情報処理装置。
12. 前記取引結果予測部は、前記第２の不動産物件または前記第２の取引の前記第１の不動産物件または前記第１の取引に対する類似度ごとに前記予測精度を算出する、請求項９〜１１のいずれか１つに記載の情報処理装置。
13. 前記第１の取引は未成立の取引であり、
    前記第２の取引は既に成立した取引であり、
    前記取引結果予測部は、前記第１の取引において未知の前記取引結果を予測する、請求項１〜１２のいずれか１つに記載の情報処理装置。
14. 前記第１の取引および前記第２の取引は既に成立した取引であり、
    前記情報処理装置は、前記取引結果予測部によって予測された前記取引結果と前記第１の取引における実際の取引結果との差分に基づいて、前記情報抽出部または前記取引結果予測部によって用いられるパラメータを特定するパラメータ特定部をさらに備える、請求項１〜１３のいずれか１つに記載の情報処理装置。
15. 前記パラメータ特定部は、前記情報抽出部が、前記第２の不動産物件または前記第２の取引が前記第１の不動産物件または前記第１の取引に類似するか否かを判定するためのパラメータを特定する、請求項１４に記載の情報処理装置。
16. 前記パラメータ特定部は、前記取引結果予測部が前記取引結果の予測のために前記第２の不動産物件または前記第２の取引に関する価格または期間を補正するためのパラメータを特定する、請求項１４または１５に記載の情報処理装置。
17. 前記情報抽出部は、前記第１の不動産物件または前記第１の取引の特徴量の一部を一時的に差し替えた上で前記第２の不動産物件または前記第２の取引に関する情報を抽出し、
    前記情報処理装置は、前記特徴量の一部を差し替えた上で予測された前記取引結果を含む情報を、前記第１の取引において前記取引結果を改善するための提案として提示する情報提示部をさらに備える、請求項１〜１６のいずれか１つに記載の情報処理装置。
18. 前記特徴量の一部の差し替えは、前記第１の不動産物件のリノベーション、広告費用の変更、または前記第１の取引における売出し時期の変更を含む、請求項１７に記載の情報処理装置。
19. プロセッサが、
    不動産物件または不動産物件を対象とする取引の特徴量に基づいて、第１の不動産物件または該第１の不動産物件を対象として発生する第１の取引に類似する第２の不動産物件または第２の取引に関する情報を抽出することと、
    前記特徴量と前記不動産物件の価格とに基づいて、前記不動産物件の価格の類似度を算出するためのパラメータを学習することと、
    前記抽出された情報と、学習された前記パラメータとに基づいて、前記第１の取引において前記第１の不動産物件に関連付けられる取引結果を予測することと、
    複数の前記第２の不動産物件を抽出することと、
    前記複数の第２の不動産物件の価格それぞれに対応する前記第１の不動産物件の複数の予測価格を算出し、前記複数の予測価格それぞれに対して、前記複数の第２の不動産物件それぞれに対応する前記類似度に基づいた重みをつけて足し合わせることで、最終的な前記予測価格を算出することと、
    を含む情報処理方法。
20. 不動産物件または不動産物件を対象とする取引の特徴量に基づいて、第１の不動産物件または該第１の不動産物件を対象として発生する第１の取引に類似する第２の不動産物件または第２の取引に関する情報を抽出する機能と、
    前記特徴量と前記不動産物件の価格とに基づいて、前記不動産物件の価格の類似度を算出するためのパラメータを学習する機能と、
    前記抽出された情報と、学習された前記パラメータとに基づいて、前記第１の取引において前記第１の不動産物件に関連付けられる取引結果を予測する機能と、
    複数の前記第２の不動産物件を抽出する機能と、
    前記複数の第２の不動産物件の価格それぞれに対応する前記第１の不動産物件の複数の予測価格を算出し、前記複数の予測価格それぞれに対して、前記複数の第２の不動産物件それぞれに対応する前記類似度に基づいた重みをつけて足し合わせることで、最終的な前記予測価格を算出する機能と、
    をコンピュータに実現させるためのプログラム。

Images