WO2021117928A1 - 소비자 선택 모델을 이용한 부동산 맞춤형 정보 추천 방법 및 서버 - Google Patents

소비자 선택 모델을 이용한 부동산 맞춤형 정보 추천 방법 및 서버 Download PDF

Info

Publication number
WO2021117928A1
WO2021117928A1 PCT/KR2019/017492 KR2019017492W WO2021117928A1 WO 2021117928 A1 WO2021117928 A1 WO 2021117928A1 KR 2019017492 W KR2019017492 W KR 2019017492W WO 2021117928 A1 WO2021117928 A1 WO 2021117928A1
Authority
WO
WIPO (PCT)
Prior art keywords
information
real estate
user
customized
model
Prior art date
Application number
PCT/KR2019/017492
Other languages
English (en)
French (fr)
Inventor
남성태
Original Assignee
주식회사 집펀드
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 주식회사 집펀드 filed Critical 주식회사 집펀드
Publication of WO2021117928A1 publication Critical patent/WO2021117928A1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/16—Real estate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0282—Rating or review of business operators or products
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0631—Item recommendations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/08—Auctions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services

Definitions

  • the present invention relates to a method for recommending customized real estate information, and more particularly, to a method and a server for recommending personalized real estate information by analyzing major factors affecting decision-making using a consumer selection model.
  • Real estate information has traditionally been provided through the human network of real estate agents, but with the development of the Internet, services providing real estate information through the Internet have spread. In particular, it has been widely used for the purpose of helping real estate transaction brokerage by posting real estate sales information through the Internet.
  • real estate information provided by large portals, online sites of small and medium-sized real estate franchise companies, and real estate information provided by advertising agencies, etc. are only providing basic specifications such as the area, amount, and area of real estate for sale. It looks like you can find it, but in order to actually get a contract, you have no choice but to find a real estate sale by calling a number of real estate agents or visiting a real estate agent directly and investing a lot of time and effort.
  • the present invention provides a method for recommending real estate customized information using a consumer selection model to solve the problems of the prior art.
  • a consumer selection model is constructed, and individual weights are calculated using element-specific value analysis techniques to provide personalized information.
  • the technical task to be achieved by the present embodiment is not limited to the technical task as described above, and other technical tasks may exist.
  • the method for recommending customized real estate information using a consumer selection model is to generate real estate information data by applying a pre-processing process to real estate information collected through a network. step; selecting a real estate decision parameter through a consumer selection model based on the real estate information data; When new user information is input, the new user information is input into the real estate information recommendation model to calculate the user weight score for each selected real estate decision parameter, and according to the calculated user weight score, customized real estate information data including recommended real estate information is generated to do; and providing customized real estate information data to the user terminal.
  • real estate information data can be generated by applying a pre-processing process including information directly or indirectly generated by users and information collected offline.
  • the real estate customized information recommendation server using the consumer selection model includes a memory in which a real estate customized information recommendation program using the consumer selection model is stored; It includes a processor for executing a program stored in the memory.
  • the processor generates real estate information data by applying a pre-processing process to real estate information collected through the network by executing the program, selects real estate decision parameters through a consumer selection model based on the real estate information data, and new user information
  • new user information is entered into the real estate information recommendation model to calculate the user weight score for each selected real estate decision parameter, and according to the calculated user weight score, customized real estate information data including recommended real estate information is generated, and customized Real estate information data is provided to the user terminal.
  • FIG. 1 is a block diagram illustrating a configuration of a real estate customized information recommendation server using a consumer selection model according to an embodiment of the present invention.
  • FIG. 2 is a block diagram illustrating a configuration of a real estate customized information recommendation system using a consumer selection model according to an embodiment of the present invention.
  • FIG. 3 is a flowchart illustrating a process step of a method for recommending customized real estate information using a consumer selection model according to an embodiment of the present invention.
  • FIG. 4 is a view for explaining a user value evaluation test for new user information collection of the real estate customized information recommendation method using the consumer selection model according to an embodiment of the present invention.
  • FIG. 5 is a view for explaining a user value evaluation test for new user information collection of the real estate customized information recommendation method using the consumer selection model according to an embodiment of the present invention.
  • FIG. 6 is a view for explaining a step of calculating a user weight score for each real estate decision parameter selected in the real estate information recommendation model of the real estate customized information recommendation method using the consumer selection model according to an embodiment of the present invention.
  • FIG. 7 is a view for explaining a step of calculating a user weight score for each real estate decision parameter selected in the real estate information recommendation model of the real estate customized information recommendation method using the consumer selection model according to an embodiment of the present invention.
  • FIG. 1 is a block diagram illustrating a configuration of a real estate customized information recommendation server using a consumer selection model according to an embodiment of the present invention.
  • the real estate customized information recommendation server 100 using the consumer selection model may include a communication module 110 , a memory 120 , a processor 130 , a database 140 , and an input module 150 .
  • the communication module 110 communicates data with the connected user terminal 100 and the interworking server 200, respectively.
  • the communication module 110 may be a device including hardware and software necessary for transmitting and receiving signals such as control signals or data signals through wired/wireless connection with other network devices.
  • the memory 120 stores a real estate customized information recommendation program using a consumer selection model.
  • the real estate customized information recommendation program using the consumer selection model generates real estate information data by applying a pre-processing process to the real estate information collected through the network, selects real estate decision-making parameters through the consumer selection model based on the real estate information data, and , when new user information is input, the new user information is input into the real estate information recommendation model to calculate a user weight score for each selected real estate decision parameter, and customized real estate including recommended real estate information according to the calculated user weight score Generate information data, and provide the customized real estate information data to the user terminal.
  • various types of data generated during the execution of an operating system for driving the real estate customized information recommendation server 100 using the consumer selection model or the real estate customized information recommendation program using the consumer selection model are stored in the memory 120 .
  • the memory 120 collectively refers to a non-volatile storage device that continuously maintains stored information even when power is not supplied, and a volatile storage device that requires power to maintain the stored information.
  • the memory 120 may perform a function of temporarily or permanently storing data processed by the processor 130 .
  • the memory 120 may include magnetic storage media or flash storage media in addition to the volatile storage device requiring power to maintain stored information, but the scope of the present invention is limited thereto. it is not going to be
  • the processor 130 executes the program stored in the memory 140 , but controls the entire process according to the execution of the real estate customized information recommendation program using the consumer selection model. Each operation performed by the processor 130 will be described in more detail later.
  • the processor 130 may include any type of device capable of processing data.
  • it may refer to a data processing device embedded in hardware having a physically structured circuit to perform a function expressed as a code or instruction included in a program.
  • a microprocessor a central processing unit (CPU), a processor core, a multiprocessor, an application-specific (ASIC) An integrated circuit
  • a processing device such as a field programmable gate array (FPGA) may be included, but the scope of the present invention is not limited thereto.
  • the database 140 stores or provides data required for a real estate customized information recommendation system using a consumer selection model under the control of the processor 130 .
  • the database 140 may be included as a component separate from the memory 140 , or may be built in a part of the memory 140 .
  • FIG. 2 is a block diagram illustrating a configuration of a real estate customized information recommendation system using a consumer selection model according to an embodiment of the present invention.
  • the real estate customized information recommendation method using the consumer selection model may be implemented in the server 100 or the user terminal 200 .
  • Data analysis based on the collected real estate information may be performed in the server 100 , and customized real estate information data may be provided to the user terminal 200 .
  • FIG. 3 is a flowchart illustrating a process step of a method for recommending customized real estate information using a consumer selection model according to an embodiment of the present invention.
  • the processor 130 generates real estate information data by applying a pre-processing process to real estate information collected through a network.
  • the processor 130 may recognize and group a plurality of real estate information for the same real estate as one integrated group by applying a pre-processing process. For example, information on the same sale registered on a plurality of real estate information platforms can be organized into one piece of information, or information about the same sale item uploaded by each real estate agent on the same real estate information platform can be integrated into one piece of information.
  • the processor 130 may filter the currently invalid real estate information in consideration of the upload timing of real estate information, whether the transaction is completed, and the like.
  • the real estate information data includes individual real estate feature data and real estate environment information
  • the individual real estate feature data includes one or more of price information, structure information, size information, number of floors, facility aging information, public facility information, or parking information
  • the real estate environment information may include one or more of traffic information, school district information, or surrounding environment information.
  • the processor 130 selects a real estate decision parameter through a consumer selection model based on the real estate information data.
  • the processor 130 may quantitatively analyze major factors affecting decision-making during a real estate transaction through a consumer selection model to select parameters affecting decision-making. For example, when a user selects a real estate, it is possible to extract parameters for size, structure, age, traffic information, school district information, complex size, etc., and determine the payment intention according to the parameter change while adjusting the value of each parameter. have. At this time, the real estate decision parameters may be sorted in the order of the parameters with the highest payment intention, and the real estate decision parameters to be used for the real estate recommendation may be selected according to the set criteria.
  • the processor 130 may receive new user information from the user terminal.
  • the new user information may include one or more of age, gender, job information, work location information, preferred area information, acquaintance information, budget information, and purchase purpose information.
  • the processor 130 may then provide a user value evaluation test to the user terminal, receive the user value evaluation test result, and include it in the new user information.
  • the user value evaluation test consists of step-by-step question information, "fitness to go to work (subway/bus/car)", “suitability to study (school/hakwon)", “suitability for shopping (mart facilities, department stores)", “fitness to eat out” (Fast food, Korean restaurant, cafe, etc.) Fit”, “Delivery order (number of companies listed on the mobile app for the user's residential area) Suitability”, “Late night walking (safety) suitability", “Parking It may consist of questions such as “fitness”, “fitness to go to the hospital”, “fitness to exercise”, and “fitness to walk”.
  • the processor 130 may collect the user's information while repeating the steps of presenting two pieces of real estate information to the user through a user value evaluation test and allowing the user to select preferred real estate information.
  • the processor 130 may provide different prices for each real estate information, and may determine the intention to pay for each parameter of the real estate information according to the user's repeated selection.
  • the processor 130 calculates a user weight score for each selected real estate decision parameter by inputting new user information into the real estate information recommendation model.
  • the real estate information recommendation model may be to calculate a user weight score using a value analysis technique for each element, and generate recommended real estate information according to the weight score.
  • Elemental value analysis is a technique for predicting which product a customer will choose by estimating the value that a customer attaches to each attribute of a product or service. It is one of the methods for measuring specific factors of consumer behavior. . When consumer behavior is triggered with a specific goal, various psychological factors of the consumer are involved, and the mechanism of purchase decision becomes more complex, so it is necessary to conduct research in advance, analyze customer preferences and the results, and provide product can be optimized.
  • the real estate information recommendation model may be learned using an artificial neural network by inputting the real estate information data and new user information, calculate a user weight score, and generate recommended real estate information according to the weight score. Also, after providing the customized real estate information data to the user terminal, the method may further include evaluating the accuracy of the recommended real estate information, and updating the evaluated accuracy in the real estate information recommendation model.
  • the real estate information recommendation model can use any one of collaborative filtering, content-based filtering, and hybrid, which predicts users' preferred information by analyzing information such as users' usage patterns and consumption records. , it is also possible to use a recommendation model using an artificial neural network.
  • the processor 130 may extract text by performing logistic regression on each word in the collected information using a text extraction module based on a recurrent neural network.
  • the recurrent neural network may use bidirectional LSTM (Long Short Term Memory models).
  • the processor 130 generates customized real estate information data including recommended real estate information according to the calculated user weight score.
  • the processor 130 provides the customized real estate information data to the user terminal.
  • FIG. 4 is a view for explaining a user value evaluation test for new user information collection of the real estate customized information recommendation method using the consumer selection model according to an embodiment of the present invention.
  • new user information can be collected through membership registration, etc.
  • the main personal information is as follows.
  • composition of the family that will be living in the future it is possible to collect information about adults, children's age, school age, number of people, whether there are additional family plans, and pet information. You can collect information on your current residence, major bases, most frequently visited points, frequency of visits, means of transportation, and movement routes. A plurality of preferred local information may be collected. Additionally, age, car ownership, type of car, and hobby information related to real estate selection can be collected.
  • Factor-by-factor value analysis can be leveraged to leverage the new user information collected to construct questions for screening real estate decision parameters through a consumer choice model.
  • a question for prioritizing real estate decision-making parameters is shown in FIG. 4 .
  • the steps of providing the user with two pieces of real estate information and selecting the preferred real estate information may be repeated several times.
  • FIG. 5 is a view for explaining a user value evaluation test for new user information collection of the real estate customized information recommendation method using the consumer selection model according to an embodiment of the present invention.
  • the question of FIG. 5 is for prioritizing locations.
  • a preferred location is selected on the map, user value evaluation is possible according to the selection. For example, if a preferred location is selected based on a component including a school, a subway, a company, and a department store, the weight of each component may be increased according to the selection. You can evaluate location preference by repeating the question.
  • FIG. 6 is a view for explaining a step of calculating a user weight score for each real estate decision parameter selected in the real estate information recommendation model of the real estate customized information recommendation method using the consumer selection model according to an embodiment of the present invention.
  • the steps of providing the user with two pieces of real estate information and selecting the preferred real estate information may be repeated several times. At this time, by changing the price in the same question and repeating the question, it is possible to determine how much willingness to pay for each component is.
  • FIG. 7 is a view for explaining a step of calculating a user weight score for each real estate decision parameter selected in the real estate information recommendation model of the real estate customized information recommendation method using the consumer selection model according to an embodiment of the present invention.
  • the value system of Mr. A can be evaluated through new user information collection and user value evaluation test, and the score for each parameter of K apartment can be evaluated from the collected real estate information data, and by combining the results, Mr. A's K An expected evaluation score for the apartment can be calculated.
  • a method for recommending customized real estate information using a consumer selection model may transmit step-by-step question information to a user terminal for step-by-step collection of lifestyle data, and store the answer result in a database.
  • the server 100 accumulates, for each parameter, a relative rating for a region and a community of a user who operates each user terminal 200 as a 'first staged question information category'.
  • the question could be:
  • the server 100 asks the user who operates the user terminal 200 "information about the area where they live, apartment", receives the address information as answer information, and transmits the address information to the address information providing server, A dwelling corresponding to the information may receive information on the size of a building or apartment.
  • the server 100 collects answer information for each parameter as to whether it is a good place to live through the lifestyle of the user who operates each user terminal 200 as a 'second stage question information category' do.
  • the server 100 additionally includes a machine learning module for a lifestyle question (Action oriented question), and statisticizes the evaluation value for each parameter answer by the machine learning module.
  • a machine learning module for a lifestyle question Action oriented question
  • the server 100 accumulates big data for a preset area including the user's residence for a preset period, the common denominator of users for an apartment or region comes out, and a rating for each parameter is obtained. perform the extraction process. More specifically, the server 100 receives the size information of the building or apartment as answer information for the 'first-stage question information category', and then the 'second-stage question information category in the area for the building or apartment. As the answer information for ', a rating for each parameter for lifestyle is recommended and stored in the database.
  • the server 100 performs an individual house characteristic data accumulation process from each seller's terminal or real estate broker's terminal through the network. That is, since the server 100 needs to collect data on the detailed characteristics of individual houses, 'individual house characteristic data' directly from a real estate broker terminal operated by a real estate broker who intends to sell real estate or a seller terminal operated by the landlord It can be received, and it can be collected by extracting a source from big data stored in an external server.
  • the individual house characteristic data may include the number and structure of rooms, the size of each room, the number of floors, the degree of deterioration of the facility (toilet, sink, floor, etc.), and state information of public facilities (security room, elevator, hallway, etc.).
  • the most similar big data stored in the real estate brokerage server via intranet by each real estate agent terminal is followed by the selection signal received from the real estate agent terminal or the seller terminal. It may be collected in a way the real estate agent or seller selectively chooses.
  • a floor plan that automatically draws a floor plan through camera shooting The method of collecting the floor plan drawn through the drawing app, or the method of collecting the calculated room size information through the room area calculation app that automatically calculates the size of the room automatically through camera shooting based on the wall of the individual room can be done with
  • the server ( 100) After access to the server 100 through the network for a real estate search request including weight information for each parameter of the lifestyle data to live in of the user terminal 200 and each parameter information of individual house characteristic data, the server ( 100) can perform matching with scores for each parameter generated by statisticizing evaluation values in the step-by-step collection of lifestyle data, and analysis of individual houses having the closest information to each parameter information of individual house characteristic data. .
  • the server 100 extracts high-ranked real estate listing information up to a preset rank matching the score for each parameter and individual house characteristic data, and provides it to the user terminal 200 requesting a real estate search through the network. That is, in the stage corresponding to the new user, score analysis for each parameter for the user who requested real estate search is performed, and whether the score for each parameter is matched or not, as well as each parameter information of individual house characteristic data By analyzing whether or not it matches, it is possible to provide real estate sales information for the top five, for example, a preset ranking that matches the most. For this real estate sale information, the server 100 said, "As a result of analyzing the data of 2800 people in the area, which apartment house, which lake, and what price is the house that you would like among them. You can provide online services through the message "We have the following list of items".
  • the server 100 After the user terminal 200 accesses the server 100 for a real estate search request, it is possible to analyze the score for each parameter in the step-by-step collection of lifestyle data. That is, after access to the server 100 through the network for a real estate search request including weight information for each parameter of the lifestyle data of the user terminal 200 and each parameter information of individual real estate characteristic data, The server 100 performs analysis of individual real estate having the closest information to each parameter information of individual real estate feature data and matching with scores for each parameter generated by statisticizing evaluation values in the step-by-step collection of lifestyle data. Then, create a list of individual real estate.
  • the server 100 collects profile information from the user terminal 200 .
  • Information about each user's profile collects information about the area, locality, facilities, acquaintances, budget, and authenticity to find.
  • the server 100 hides the provided information and personal identification information of each user and transmits the individual house list and profile information to the designated real estate agent terminal, so that the real estate matched by the real estate agent through the matching of the profile information and the profile information A recommendation to the user terminal 200 that has performed the steps for the item for sale is performed.
  • the server operator can acquire a commission for the real estate broker who operates the designated real estate agent terminal, while the real estate brokers are sincere and target customers who will like the real estate sale they have. opportunity may be provided.
  • An embodiment of the present invention may be implemented in the form of a recording medium including instructions executable by a computer, such as a program module executed by a computer.
  • Computer-readable media can be any available media that can be accessed by a computer and includes both volatile and nonvolatile media, removable and non-removable media.
  • Computer-readable media may include computer storage media.
  • Computer storage media includes both volatile and nonvolatile, removable and non-removable media implemented in any method or technology for storage of information such as computer readable instructions, data structures, program modules or other data.

Landscapes

  • Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Engineering & Computer Science (AREA)
  • Tourism & Hospitality (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

본원의 일 측면에 따른 소비자 선택 모델을 이용한 부동산 맞춤형 정보 추천 방법은 네트워크를 통해 수집된 부동산 정보에 전처리 프로세스를 적용하여 부동산 정보 데이터를 생성하는 단계; 부동산 정보 데이터에 기초하여 소비자 선택 모델을 통해 부동산 의사결정 파라미터를 선별하는 단계; 신규 사용자 정보가 입력되면 신규 사용자 정보를 부동산 정보 추천 모델에 입력하여 선별된 부동산 의사결정 파라미터 별 사용자 가중치 점수를 계산하고, 계산된 사용자 가중치 점수에 따라 추천 부동산 정보를 포함하는 맞춤형 부동산 정보 데이터를 생성하는 단계; 및 맞춤형 부동산 정보 데이터를 사용자 단말에 제공하는 단계;를 포함한다.

Description

소비자 선택 모델을 이용한 부동산 맞춤형 정보 추천 방법 및 서버
본 발명은 부동산 맞춤형 정보 추천 방법에 대한 것으로, 보다 상세하게는 소비자 선택 모델을 이용하여 의사결정에 영향을 주는 주요 요소들을 분석하여 개인별 부동산 맞춤형 정보를 추천하는 방법 및 서버에 관한 것이다.
부동산정보는 전통적으로 공인중개사의 인적 네트워크를 통해 제공되어 왔으나 인터넷의 발달로 인해 부동산정보를 인터넷을 통해 제공하는 서비스가 확산되어 왔다. 특히, 부동산 매물정보를 인터넷을 통해 게시하여 부동산 거래 중개를 돕는 용도로 광범위하게 활용되어 왔다.
공공데이터의 제공 및 이용 활성화에 관한 법률이 시행된 이후, 개인들이 제공하는 부동산 매물 정보뿐 아니라 국가가 제공하는 실거래가 정보, 등기 정보 등을 얻어 가공 및 활용하기에 유리한 환경이 조성되었다. 이미 있는 부동산정보를 단순히 게시하여 유통하는 서비스에서 벗어나 부동산정보를 가공 하여 사용자들에게 필요한 정보를 적정하게 제공하는 서비스들이 개발되고 있다.
그러나 대형포탈에서 제공하는 부동산 정보, 중소 부동산 프랜차이즈 업체의 온라인 사이트나, 광고업체 등이 제공하는 부동산 정보는 부동산 매물의 지역, 금액, 면적 등의 기본적인 명세의 제공에 그치고 있으며, 수많은 매물정보를 쉽게 찾을 수 있는 것처럼 보이나, 실제 계약을 위해서는 여러 곳의 부동산 중개업소에 전화를 걸어서 알아보거나, 직접 부동산 중개업소를 방문하여 많은 시간과 노력을 투입하여 부동산 매물을 찾을 수 밖에 없다.
일반적으로 사람들은 교통이 편리하고 쾌적한 환경을 공통적으로 선호하지만 높은 가격 때문에 본인이 원하는 요건이 모두 갖춰진 선택이 아닌 자신의 예산 범위 내에서 효용이 가장 높은 선택을 할 수밖에 없다. 하지만 여러 부동산의 요소 중 무엇을 선택하고 무엇을 포기할 것인지 즉, 고려해야할 요소들이 많아질수록 복잡하고 힘든 계산과정이 필요하며, 여기에 비교대상 매물이 늘어나면 기하급수적으로 의사결정시 고려해야할 요소들이 많아지게 된다. 이 과정에서 많은 고민과 정신적 노동이 수반되며, 사람들은 복잡한 고민을 직접하기보다는 전문가의 의견을 참고하려고 하며, 많은 사람들이 특정인의 의견에 동조하면서 쏠림 현상 및 가격 양극화 등의 문제가 발생하기도 한다.
온라인 상에서 부동산 매물을 찾는 것은 일반화된 일이지만 오히려 정보의 홍수 속에서 정보의 양이 늘어날수록 정작 본인에게 필요한 정보를 검색해 찾는 일은 어려워지고 있다. 기존에는 사람들이 온라인 부동산 매물을 보고 일일이 확인하고 나에게 맞는 요소들이 들어있는지, 자신의 예산에 해당 매물이 포함되는지, 주어진 예산 내에서 최고의 효용을 나타내는 최적의 대안이 무엇인지 찾는 과정을 수행해 왔다. 이 과정은 절대적인 시간도 많이 소요될 뿐 아니라 높은 정신적 노동을 요구하며 특히, 매일 업데이트 되는 매물 정보를 추가적으로 모니터링, 분석, 의사결정하기 위해서는 자주, 오랫동안 매물 정보를 지켜보아야 한다. 즉, 등록된 매물이나 현재까지의 많은 선택지들 중 자신에게 해당되는 정보를 선별하는 과정에서, 사람들은 끊임없이 필요한 정보를 수집, 처리하기 위해 반복된 의사결정 프로세스를 거쳐야 하며, 시간과 노력을 충분히 투입할 수 없는 일반인들의 경우, 방대한 정보를 처리하여 본인에게 최적의 선택을 찾아내는 일은 쉬운 일이 아니다.
종래 기술에서는 의사결정에 이르는 과정 속에 추상적인 가치체계를 정량화, 수치화 할 수 있는 방안이 부족하며, 이러한 가치체계를 소비자 선택모델을 활용해서 구체화, 정량화 시킴으로써 개인의 의사결정 과정을 알고리즘화하면 수작업에 의존했던 특정 부동산에 대한 평가를 자동화 시킬 수 있다. 이는 기존 아날로그 의사결정 모델(온라인상에 정보가 공개되기는 하지만, 결국 정보의 분석과 의사결정은 머릿속에서 이뤄짐)이 디지털로 변환되는 것을 의미하며, 이를 통해 방대한 온라인 상의 자원들을 사람을 대신하여 기계가 정보 수집, 처리, 의사결정을 도울 수 있도록 할 수 있으며, 이러한 디지털화는 데이터 활용도를 높여줘 대용량의 데이터베이스와의 연계 및 자동화, 처리용량의 증가를 통해 다양한 어플리케이션을 만들어 낼 수 있다.
본 발명은 전술한 종래 기술의 문제점을 해결하기 위한 것으로서 소비자 선택 모델을 이용하여 부동산 맞춤형 정보 추천 방법 제공한다.
소비자들의 의사결정에 영향을 미치는 주요 파라미터를 추출하여 소비자 선택 모델을 구성하고, 요소별 가치 분석 기법을 활용하여 개인별 가중치를 계산하여 개인별 맞춤형 정보를 제공한다.
다만, 본 실시예가 이루고자 하는 기술적 과제는 상기된 바와 같은 기술적 과제로 한정되지 않으며, 또 다른 기술적 과제들이 존재할 수 있다.
상술한 기술적 과제를 해결하기 위한 기술적 수단으로서, 본 개시의 제 1측면에 따른 소비자 선택 모델을 이용한 부동산 맞춤형 정보 추천 방법은 네트워크를 통해 수집한 부동산 정보에 전처리 프로세스를 적용하여 부동산 정보 데이터를 생성하는 단계; 부동산 정보 데이터에 기초하여 소비자 선택 모델을 통해 부동산 의사결정 파라미터를 선별하는 단계; 신규 사용자 정보가 입력되면 신규 사용자 정보를 부동산 정보 추천 모델에 입력하여 선별된 부동산 의사결정 파라미터 별 사용자 가중치 점수를 계산하고, 계산된 사용자 가중치 점수에 따라 추천 부동산 정보를 포함하는 맞춤형 부동산 정보 데이터를 생성하는 단계; 및 맞춤형 부동산 정보 데이터를 사용자 단말에 제공하는 단계;를 포함한다. 이 때 네트워크를 통해 수집한 부동산 정보 외에도 사용자가 직간접적으로 생성한 정보 및 오프라인에서 수집한 정보를 더 포함하여 전처리 프로세스를 적용하여 부동산 정보 데이터를 생성할 수 있다.
상술한 기술적 과제를 해결하기 위한 기술적 수단으로서, 본 개시의 제 2 측면에 따른 소비자 선택 모델을 이용한 부동산 맞춤형 정보 추천 서버는 소비자 선택 모델을 이용한 부동산 맞춤형 정보 추천 프로그램이 저장된 메모리; 메모리에 저장된 프로그램을 실행하는 프로세서를 포함한다. 프로세서는 프로그램의 실행에 의해, 네트워크를 통해 수집한 부동산 정보에 전처리 프로세스를 적용하여 부동산 정보 데이터를 생성하고, 부동산 정보 데이터에 기초하여 소비자 선택 모델을 통해 부동산 의사결정 파라미터를 선별하고, 신규 사용자 정보가 입력되면 신규 사용자 정보를 부동산 정보 추천 모델에 입력하여 선별된 부동산 의사결정 파라미터 별 사용자 가중치 점수를 계산하고, 계산된 사용자 가중치 점수에 따라 추천 부동산 정보를 포함하는 맞춤형 부동산 정보 데이터를 생성하고, 맞춤형 부동산 정보 데이터를 사용자 단말에 제공한다.
전술한 본원의 과제 해결 수단 중 어느 하나에 의하면, 부동산 시장에서 매도자, 매수자, 중개인에게 맞춤형 부동산 정보를 제공함으로써 거래를 활성화시키고 부동산 시장의 구조를 합리적으로 변경할 수 있다.
소비자 선택 모델을 이용하여 부동산 맞춤형 정보 추천 방법을 사용함으로써 온라인상의 방대한 부동산 정보를 수집, 관리하고 의사결정 하는데 소요되는 시간적 비용과 수고를 절감할 수 있다. 불분명한 요소별 선호체계를 구조화 시키고 요소별 예민도를 측정하여, 머릿속에 머물고 있던 비정형 가치체계를 정형화 시키고 디지털화 시킴으로써 방대한 부동산 데이터를 직접 활용해 사용자에게 최적의 선택을 방대한 정보에서 검색하고 분석할 수 있다. 뿐만 아니라 온라인 상에 허위 매물을 올려 고객의 연락을 유도한 다음 다른 매물을 소개하는 기존의 부동산 중개업소들의 횡포를 방지하고 실제 매물을 기반으로 고객에게 매물을 추천하는 등 기존의 공급자 중심의 부동산 거래를 수요자 중심으로 근본적으로 변화시켜 시장의 효율과 신뢰를 동시에 제고할 수 있다.
도 1은 본 발명의 일 실시예에 따른 소비자 선택 모델을 이용한 부동산 맞춤형 정보 추천 서버의 구성을 도시한 블록도이다.
도 2는 본 발명의 일 실시예에 따른 소비자 선택 모델을 이용한 부동산 맞춤형 정보 추천 시스템의 구성을 도시한 블록도이다.
도 3은 본 발명의 일 실시예에 따른 소비자 선택 모델을 이용한 부동산 맞춤형 정보 추천 방법의 진행 단계를 나타낸 흐름도이다.
도 4는 본 발명의 일 실시예에 따른 소비자 선택 모델을 이용한 부동산 맞춤형 정보 추천 방법의 신규 사용자 정보 수집을 위한 사용자 가치 평가 테스트를 설명하는 도면이다.
도 5은 본 발명의 일 실시예에 따른 소비자 선택 모델을 이용한 부동산 맞춤형 정보 추천 방법의 신규 사용자 정보 수집을 위한 사용자 가치 평가 테스트를 설명하는 도면이다.
도 6은 본 발명의 일 실시예에 따른 소비자 선택 모델을 이용한 부동산 맞춤형 정보 추천 방법의 부동산 정보 추천 모델에서 선별된 부동산 의사결정 파라미터 별 사용자 가중치 점수를 계산하는 단계를 설명하는 도면이다.
도 7은 본 발명의 일 실시예에 따른 소비자 선택 모델을 이용한 부동산 맞춤형 정보 추천 방법의 부동산 정보 추천 모델에서 선별된 부동산 의사결정 파라미터 별 사용자 가중치 점수를 계산하는 단계를 설명하는 도면이다.
아래에서는 첨부한 도면을 참조하여 본원이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본원의 실시예를 상세히 설명한다. 그러나 본원은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본원을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
본원 명세서 전체에서, 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, 그 중간에 다른 소자를 사이에 두고 "전기적으로 연결"되어 있는 경우도 포함한다.
본원 명세서 전체에서, 어떤 부재가 다른 부재 “상에” 위치하고 있다고 할 때, 이는 어떤 부재가 다른 부재에 접해 있는 경우뿐 아니라 두 부재 사이에 또 다른 부재가 존재하는 경우도 포함한다.
이하 첨부된 도면을 참고하여 본 발명의 일 실시예를 상세히 설명하기로 한다.
도 1은 본 발명의 일 실시예에 따른 소비자 선택 모델을 이용한 부동산 맞춤형 정보 추천 서버의 구성을 도시한 블록도이다.
도시된 바와 같이 소비자 선택 모델을 이용한 부동산 맞춤형 정보 추천 서버(100)는 통신 모듈(110), 메모리(120), 프로세서(130), 데이터베이스(140) 및 입력모듈(150)을 포함할 수 있다.
통신모듈(110)은 접속된 사용자 단말(100) 및 연동된 서버(200)와 각각 데이터를 통신한다. 통신모듈(110)은 다른 네트워크 장치와 유무선 연결을 통해 제어 신호 또는 데이터 신호와 같은 신호를 송수신하기 위해 필요한 하드웨어 및 소프트웨어를 포함하는 장치일 수 있다.
메모리(120)에는 소비자 선택 모델을 이용한 부동산 맞춤형 정보 추천 프로그램이 저장된다. 소비자 선택 모델을 이용한 부동산 맞춤형 정보 추천 프로그램은 네트워크를 통해 수집된 부동산 정보에 전처리 프로세스를 적용하여 부동산 정보 데이터를 생성하고, 상기 부동산 정보 데이터에 기초하여 소비자 선택 모델을 통해 부동산 의사결정 파라미터를 선별하고, 신규 사용자 정보가 입력되면 상기 신규 사용자 정보를 부동산 정보 추천 모델에 입력하여 상기 선별된 부동산 의사결정 파라미터 별 사용자 가중치 점수를 계산하고, 상기 계산된 사용자 가중치 점수에 따라 추천 부동산 정보를 포함하는 맞춤형 부동산 정보 데이터를 생성하고, 상기 맞춤형 부동산 정보 데이터를 사용자 단말에 제공한다.
이러한 메모리(120)에는 소비자 선택 모델을 이용한 부동산 맞춤형 정보 추천 서버(100)의 구동을 위한 운영 체제나 소비자 선택 모델을 이용한 부동산 맞춤형 정보 추천 프로그램의 실행 과정에서 발생되는 여러 종류가 데이터가 저장된다.
이때, 메모리(120)는 전원이 공급되지 않아도 저장된 정보를 계속 유지하는 비휘발성 저장장치 및 저장된 정보를 유지하기 위하여 전력이 필요한 휘발성 저장장치를 통칭하는 것이다.
또한, 메모리(120)는 프로세서(130)가 처리하는 데이터를 일시적 또는 영구적으로 저장하는 기능을 수행할 수 있다. 여기서, 메모리(120)는 저장된 정보를 유지하기 위하여 전력이 필요한 휘발성 저장장치 외에 자기 저장 매체(magnetic storage media) 또는 플래시 저장 매체(flash storage media)를 포함할 수 있으나, 본 발명의 범위가 이에 한정되는 것은 아니다.
프로세서(130)는 메모리(140)에 저장된 프로그램을 실행하되, 소비자 선택 모델을 이용한 부동산 맞춤형 정보 추천프로그램의 실행에 따르는 전체 과정을 제어한다. 프로세서(130)가 수행하는 각각의 동작에 대해서는 추후 보다 상세히 살펴보기로 한다.
이러한 프로세서(130)는 데이터를 처리할 수 있는 모든 종류의 장치를 포함할 수 있다. 예를 들어 프로그램 내에 포함된 코드 또는 명령으로 표현된 기능을 수행하기 위해 물리적으로 구조화된 회로를 갖는, 하드웨어에 내장된 데이터 처리 장치를 의미할 수 있다. 이와 같이 하드웨어에 내장된 데이터 처리 장치의 일 예로써, 마이 크로프로세서(microprocessor), 중앙처리장치(central processing unit: CPU), 프로세서 코어(processor core), 멀티프로세서(multiprocessor), ASIC(application-specific integrated circuit), FPGA(field programmable gate array) 등의 처리 장치를 망라할 수 있으나, 본 발명의 범위가 이에 한정되는 것은 아니다.
데이터베이스(140)는 프로세서(130)의 제어에 따라, 소비자 선택 모델을 이용한 부동산 맞춤형 정보 추천시스템에 필요한 데이터를 저장 또는 제공한다. 이러한 데이터베이스(140)는 메모리(140)와는 별도의 구성 요소로서 포함되거나, 또는 메모리(140)의 일부 영역에 구축될 수도 있다.
도 2는 본 발명의 일 실시예에 따른 소비자 선택 모델을 이용한 부동산 맞춤형 정보 추천 시스템의 구성을 도시한 블록도이다.
소비자 선택 모델을 이용한 부동산 맞춤형 정보 추천 방법은 서버(100) 또는 사용자 단말(200)에서 실시될 수 있다. 수집된 부동산 정보에 기초한 데이터 분석은 서버(100)에서 이루어지고, 맞춤형 부동산 정보 데이터가 사용자 단말(200)에 제공 될 수 있다.
도 3은 본 발명의 일 실시예에 따른 소비자 선택 모델을 이용한 부동산 맞춤형 정보 추천 방법의 진행 단계를 나타낸 흐름도이다.
프로세서(130)는 네트워크를 통해 수집된 부동산 정보에 전처리 프로세스를 적용하여 부동산 정보 데이터를 생성한다.
프로세서(130)는 전처리 프로세스를 적용하여 동일 부동산에 대한 복수의 부동산 정보들을 하나의 통합된 그룹으로 인식하여 그룹화할 수 있다. 예를 들면 복수의 부동산 정보 플랫폼에 등록된 동일 매물에 대한 정보를 하나의 정보로 정리하거나, 동일 부동산 정보 플랫폼에 공인중개사 각각이 업로드한 동일 매물에 대한 정보를 하나의 정보로 통합할 수 있다. 또한 프로세서(130)는 부동산 정보의 업로드 시기, 거래완료여부 등을 고려하여 현재 유효하지 않은 부동산 정보들을 필터링 할 수 있다.
부동산 정보 데이터는 개별 부동산 특징 데이터 및 부동산 환경 정보를 포함하고, 개별 부동산 특징 데이터는 가격 정보, 구조 정보, 크기 정보, 층수, 시설의 노후도 정보, 공용시설 정보 또는 주차정보 중 하나 이상을 포함하고, 부동산 환경 정보는 교통 정보, 학군 정보 또는 주변 환경 정보 중 하나 이상을 포함하는 것일 수 있다.
프로세서(130)는 상기 부동산 정보 데이터에 기초하여 소비자 선택 모델을 통해 부동산 의사결정 파라미터를 선별한다.
프로세서(130)는 부동산 거래시 의사결정에 영향을 주는 주요 요소들을 소비자 선택 모델을 통해 계량적으로 분석하여 의사결정에 영향을 주는 파라미터를 선별할 수 있다. 예를 들어, 사용자가 부동산을 선택하는 경우 크기, 구조, 노후도, 교통정보, 학군정보, 단지 규모 등에 대한 파라미터를 추출하고, 각 파라미터의 값을 조절하면서 파라미터 변화에 따른 지불의사를 판단할 수 있다. 이 때 지불의사가 높은 파라미터 순으로 부동산 의사결정 파라미터를 정렬하고, 정해진 기준에 따라 부동산 추천에 사용할 부동산 의사결정 파라미터를 선별할 수 있다.
프로세서(130)는 사용자 단말로부터 신규 사용자 정보를 수신할 수 있다.
신규 사용자 정보는 나이, 성별, 직업 정보, 직장위치 정보, 선호 지역 정보, 지인정보, 예산정보 또는 구매목적 정보 중 하나 이상을 포함할 수 있다.
프로세서(130)는 이후 사용자 단말에 사용자 가치 평가 테스트를 제공하고, 상기 사용자 가치 평가 테스트 결과를 수신하여, 신규 사용자 정보에 포함 시킬 수 있다.
사용자 가치 평가 테스트는 단계적 질문 정보로 구성되며, "회사가기(지하철/버스/자가용) 적합도", "공부시키기(학교/학원) 적합도", "장보기(마트시설, 백화점) 적합도", "외식하기(패스트푸드, 한식집, 카페 등) 적합도", "배달주문(사용자의 거주지 지역에 대한 모바일 앱 상에 올라와 있는 업체 수) 적합도", "심야시간 보행하기(안전도) 적합도", "주차하기 적합도", "병원가기 적합도", "운동하기 적합도", "산책하기 적합도" 와 같은 질문으로 구성될 수 있다.
이와 별개로 프로세서(130)는 사용자 가치 평가 테스트를 통해 사용자에게 두 가지 부동산 정보를 제시하고, 선호하는 부동산 정보를 선택하도록 하는 단계를 반복하면서 사용자의 정보를 수집할 수 있다.
예를 들면, 프로세서(130)는 각 부동산 정보에 대해 가격을 달리 제시하여, 사용자의 반복되는 선택에 따라, 부동산 정보의 각 파라미터에 대한 지불의사를 판단할 수 있다.
프로세서(130)는 신규 사용자 정보를 부동산 정보 추천 모델에 입력하여 상기 선별된 부동산 의사결정 파라미터 별 사용자 가중치 점수를 계산한다.
부동산 정보 추천 모델은 요소별 가치 분석 기법을 이용하여 사용자 가중치 점수를 계산하고, 상기 가중치 점수에 따라 추천 부동산 정보를 생성하는 것일 수 있다. 요소별 가치 분석이란 어떤 제품 또는 서비스가 갖고 있는 속성 하나하나에 고객이 부여하는 가치를 추정함으로써, 그 고객이 어떤 제품을 선택할지를 예측하는 기법으로, 구체적인 소비자 행동의 요인을 측정하기 위한 방법의 하나이다. 소비자 행동이 특정한 목표를 갖고 유발될 경우, 여기에는 소비자의 여러 가지 심리적 요인이 관계하며, 또한 구매 결정의 메커니즘이 보다 복잡하게 되기 때문에 사전에 조사를 행하고, 고객 선호도와 그 결과를 분석하여 제공하는 상품을 최적화 할 수 있다.
부동산 정보 추천 모델은 상기 부동산 정보 데이터 및 신규 사용자 정보를 입력으로 인공신경망을 이용하여 학습되어 사용자 가중치 점수를 계산하고, 상기 가중치 점수에 따라 추천 부동산 정보를 생성하는 것일 수 있다. 또한 맞춤형 부동산 정보 데이터를 사용자 단말에 제공한 이후, 추천 부동산 정보의 정확도를 평가하고, 상기 평가된 정확도를 상기 부동산 정보 추천 모델에 업데이트 하는 단계를 더 포함할 수 있다.
부동산 정보 추천 모델은 이용자들의 사용 형태, 소비 기록 등 정보를 분석하여 이용자가 선호하는 정보를 예측하는　협업 필터링(collaborative filtering), 내용 기반 필터링(content-based filtering), 하이브리드 중 어느 하나를 사용할 수도 있고, 인공 신경망을 이용한 추천 모델을 사용할 수도 있다.
프로세서(130)는 부동산 정보 데이터에서 텍스트를 추출할 때, 순환 신경망에 기반한 텍스트 추출 모듈을 사용하여, 수집된 정보에서 각 단어에 대해 로지스틱 회귀를 수행하여 텍스트를 추출할 수 있다. 이 때 순환 신경망은 양방향 LSTM(Long Short Term Memory models)을 이용할 수 있다.
프로세서(130)는 계산된 사용자 가중치 점수에 따라 추천 부동산 정보를 포함하는 맞춤형 부동산 정보 데이터를 생성한다.
프로세서(130)는 상기 맞춤형 부동산 정보 데이터를 사용자 단말에 제공한다.
도 4는 본 발명의 일 실시예에 따른 소비자 선택 모델을 이용한 부동산 맞춤형 정보 추천 방법의 신규 사용자 정보 수집을 위한 사용자 가치 평가 테스트를 설명하는 도면이다.
부동산 맞춤형 정보 추천 방법은 회원 가입 등을 통해 신규 사용자 정보를 수집할 수 있다. 주요 신상정보는 다음과 같다.
앞으로 거주하게 될 가족의 구성으로 성인, 자녀의 연령, 학령, 인원 수, 추가 가족계획 여부, 애완동물 정보 등을 수집할 수 있다. 현재 거주지역과 주요 거점, 가장 자주 방문하는 지점, 방문 빈도, 이동 수단, 이동 동선 등에 대한 정보를 수집할 수 있다. 복수의 선호하는 지역 정보를 수집할 수 있다. 추가적으로 나이, 자동차 보유유무 및 보유 자동차의 종류, 부동산 선택과 관련된 취미정보를 수집할 수 있다.
요소별 가치 분석을 활용하여 소비자 선택 모델을 통해 부동산 의사결정 파라미터를 선별하기 위한 질문을 구성하기 위해 수집한 신규 사용자 정보를 활용할 수 있다.
부동산 의사결정 파라미터의 우선순위를 정하기 위한 질문은 도 4와 같다. 예를들어 두가지 부동산 정보를 사용자에게 제공하고 선호하는 부동산 정보를 선택하는 단계를 여러 번 반복할 수 있다.
도 5은 본 발명의 일 실시예에 따른 소비자 선택 모델을 이용한 부동산 맞춤형 정보 추천 방법의 신규 사용자 정보 수집을 위한 사용자 가치 평가 테스트를 설명하는 도면이다.
도5의 질문은 위치의 우선순위를 정하기 위한 것으로, 지도상에서 선호하는 위치를 선택하면, 선택에 따라 사용자 가치 평가가 가능하다. 예를 들어, 학교, 지하철, 회사, 백화점을 포함하는 구성요소를 중심으로 선호 위치를 선택하면, 선택에 따라 각 구성요소에 가중치를 높일 수 있다. 질문을 반복하여 위치선호도를 평가할 수 있다.
도 6은 본 발명의 일 실시예에 따른 소비자 선택 모델을 이용한 부동산 맞춤형 정보 추천 방법의 부동산 정보 추천 모델에서 선별된 부동산 의사결정 파라미터 별 사용자 가중치 점수를 계산하는 단계를 설명하는 도면이다.
예를들어 두가지 부동산 정보를 사용자에게 제공하고 선호하는 부동산 정보를 선택하는 단계를 여러 번 반복할 수 있다. 이때 동일한 질문에서 가격을 변경하여 질문을 반복함으로써, 구성요소별 지불 의사가 어느정도인지 판단 가능하다.
도 7은 본 발명의 일 실시예에 따른 소비자 선택 모델을 이용한 부동산 맞춤형 정보 추천 방법의 부동산 정보 추천 모델에서 선별된 부동산 의사결정 파라미터 별 사용자 가중치 점수를 계산하는 단계를 설명하는 도면이다.
예를 들어, 신규 사용자 정보 수집 및 사용자 가치 평가 테스트를 통해 A씨의 가치체계를 평가할 수 있고, 수집된 부동산 정보 데이터에서 K아파트의 파라미터별 점수를 평가할 수 있으며 해당 결과를 조합하여 A씨의 K 아파트에 대한 예상 평가점수를 산출할 수 있다. 또한 서울시 30대 중산층과 같은 특정 그룹에 대한 K 아파트 평가점수 산출도 가능하다.
또 다른 실시예로 소비자 선택 모델을 이용한 부동산 맞춤형 정보 추천 방법은, 라이프 스타일 데이터 단계적 수집을 위해 사용자 단말로 단계적 질문 정보를 전송하고, 답변 결과를 데이터베이스에 저장할 수 있다.
서버(100)는 '제 1 단계적 질문 정보 카테고리'로 각 사용자 단말(200)을 운영하는 사용자의 지역 및 아파트(community)에 대한 상대적 순위(rating)를 파라미터별로 축적한다. 질문은 다음과 같을 수 있다. 서버(100)는 사용자 단말(200)을 운용하는 사용자의 "사는 지역, 아파트에 대한 정보"를 질문하고, 주소정보를 답변 정보로 수신한 뒤, 주소정보를 주소정보 제공 서버로 전송하여, 주소정보에 해당하는 사는 건물 또는 아파트의 크기 정보를 수신할 수 있다.
다음으로 서버(100)는 '제 2 단계적 질문 정보 카테고리'로 각 사용자 단말(200)을 운영하는 사용자의 살고 있는 지역의 라이프 스타일을 통해 살기 좋은 곳인지 여부를 각 파라미터(attribute) 별로 답변 정보를 수집한다.
보다 구체적으로, 서버(100)는 라이프 스타일 질문(Action oriented question)을 위해 머신러닝 모듈(Machine learing Module)을 추가적으로 구비하고, 머신러닝 모듈에 의한 각 파라미터별 답변에 대한 평가치를 통계화 한다.
여기서 라이프 스타일 질문으로, "회사가기(지하철/버스/자가용) 적합도", "공부시키기(학교/학원 등) 적합도", "장보기(마트시설, 백화점 등)", "외식하기(패스트푸드, 한식집, 카페 등) 적합도", "배달주문(사용자의 거주지 지역에 대한 모바일 앱 상에 올라와 있는 업체 수) 적합도", "심야시간 보행하기(안전도) 적합도", "주차하기 접합도", "병원가기 접합도", "운동하기 적합도", "산책하기 접합도" 등을 사용자 단말(200)로 네트워크를 통해 전송한 뒤, 각 파라미터별 제 1 내지 제 n(n은 2 이상의 자연수) 단계로 구분된 파라미터 점수를 수집하여 데이터베이스에 저장한다.
이후, 서버(100)는 사용자 거주지를 포함하여 미리 설정된 지역에 대한 빅데이터를 미리 설정된 기간 축적하게 되면, 아파트 또는 지역에 대한 사용자들의 공통분모가 나오게 되고, 각 파라미터에 대한 평가치(rating)를 추출하는 과정을 수행한다. 보다 구체적으로, 서버(100)는 '제 1 단계적 질문 정보 카테고리'에 대한 답변 정보로 건물 또는 아파트의 크기 정보를 수신한 뒤, 해당 건물 또는 아파트에 대한 지역 내에서의 '제 2 단계적 질문 정보 카테고리'에 대한 답변 정보로 라이프 스타일에 대한 파라미터별 평가치(rating)를 추천하여 데이터베이스에 저장한다.
이후, 서버(100)는 네트워크를 통해 각 매도인 단말 또는 부동산 중개인 단말로부터 개별 집 특징 데이터 축적 과정을 수행한다. 즉, 서버(100)는 디테일한 개별 집의 특징에 대해서 데이터를 수집해야 하므로, 부동산을 매각하려고 하는 부동산 중개인이 운영하는 부동산 중개인 단말이나 집주인이 운영하는 매도인 단말로부터 '개별 집 특징 데이터'를 직접 수신할 수 있고, 외부의 서버에 저장된 빅데이터로부터 소스(source)를 추출하는 방식으로 수집할 수 있다. 개별 집 특성 데이터는, 방 개수와 구조, 개별 방의 크기, 층수, 시설의 노후도(화장실, 싱크대, 바닥 등), 공용시설(경비실, 엘리베이터, 복도 등) 상태 정보를 포함할 수 있다.
여기서 '개별 집 특징 데이터' 중 '방 개수와 구조'에 대해서는 각 부동산 중개인 단말이 인트라넷을 통해 부동산 중개 서버에 저장한 빅데이터 중 가장 비슷한 것에 대해서 부동산 중개인 단말 또는 매도인 단말로부터의 선택 신호 수신에 따르는 부동산 중개인 또는 매도인이 선택적으로 고르는 방식으로 수집할 수 있다.
또한, '개별 집 특징 데이터' 중 '개별 방의 크기'에 대한 수집 시, 부동산 중개인 단말 및 매도인 단말이 컴퓨팅 기능을 구비한 스마트 폰 또는 스마트 패드인 경우, 카메라 촬영을 통해 자동적으로 평면도를 그려주는 평면도 드로잉 앱을 통해 드로잉된 평면도를 수집하는 방식으로 수행하거나, 개별 방의 벽을 기준으로 카메라 촬영을 통해 자동으로 방의 크기를 자동적으로 연산해 주는 방 면적 연산 앱을 통해서 연산된 방의 크기 정보를 수집하는 방식으로 수행할 수 있다.
사용자 단말(200)의 살고자하는 라이프 스타일 데이터의 파라미터별 가중치 정보와 개별 집 특징 데이터의 각 파라미터 정보를 포함하는 부동산 서치 요청을 위한 네트워크를 통한 서버(100)로의 액세스(access) 이후, 서버(100)는 라이프 스타일 데이터 단계적 수집 과정에서 평가치를 통계화하여 생성된 각 파라미터별 스코어와의 매칭, 그리고 개별 집 특징 데이터의 각 파라미터 정보와 가장 근접한 정보를 갖는 개별 집에 대한 분석을 수행할 수 있다.
서버(100)는 각 파라미터별 스코어 및 개별 집 특징 데이터와 매칭되는 미리 설정된 순위까지 상위 랭크된 부동산 매물 정보를 추출하여, 네트워크를 통해 부동산 서치를 요청한 사용자 단말(200)에 제공한다. 즉 새로운 사용자(user)에 해당하는 단계에서 부동산 서치를 요청한 사용자에 대한 파라미터별 스코어 분석을 수행하고, 각 파라미터에 대한 스코어와 매칭되는지를 분석할 뿐만 아니라, 개별 집 특징 데이터의 각 파라미터 정보와도 매칭되는지를 분석함으로써, 가장 매칭되는 미리 설정된 순위 예를 들어 상위 5개에 대한 부동산 매물 정보를 제공할 수 있다. 이러한 부동산 매물 정보에 대해서 서버(100)는 "해당지역 2800명의 자료를 분석한 결과로, 그 중에 당신이 좋아할 만한 집으로는 어느 아파트 어느 호수이며 가격은 얼마입니다. 이와 비슷한 지역과 비슷한 물건으로는 다음과 같은 리스트의 물건을 저희가 가지고 있습니다…"라는 메시지를 통해 온라인 서비스를 제공할 수 있다.
사용자 단말(200)의 부동산 서치 요청을 위한 서버(100)로의 액세스 이후, 라이프 스타일 데이터 단계적 수집 과정에서의 각 파라미터별 스코어를 분석할 수 있다. 즉, 사용자 단말(200)의 살고자 하는 라이프 스타일 데이터의 파라미터별 가중치 정보와 개별 부동산 특징 데이터의 각 파라미터 정보를 포함하는 부동산 서치 요청을 위한 네트워크를 통한 서버(100)로의 액세스(access) 이후, 서버(100)는 라이프 스타일 데이터 단계적 수집 과정에서 평가치를 통계화하여 생성된 각 파라미터별 스코어와의 매칭, 그리고 개별 부동산 특징 데이터의 각 파라미터 정보와 가장 근접한 정보를 갖는 개별 부동산에 대한 분석을 수행한 뒤, 개별 부동산 리스트를 생성한다.
서버(100)는 사용자 단말(200)로부터 프로파일 정보를 수집한다. 각 사용자(user)의 프로파일에 대한 정보는 찾는 지역, 지역성, 시설물, 지인, Budget, 진정성에 대한 정보를 수집한다.
여기서 찾는 지역 정보는 지역권역/메트로권역 등으로 권역을 물어보거나 지도에서 타겟(target) 지역(특정구의 경계를 찾는 사람은 2개의 특정구를 선택하도록 하는 방식)을 선택하도록 하며, 지역성 정보에 대해서는 "다음 중에 중요하다고 생각하는 키워드(Keyword), 해시태그(hash tag)는 무엇인가요? 조용/주택가/한강/공원/산책로/교육여건/지하철/도심/공기 깨끗/병원/..."과 같은 질문을 통해 선택하도록 하며, 시설물 에 대한 정보에 대해서는 "낡은-새 건물/아파트-아파트 외/저층-고층/주차장/전망/햇볕(남향)/..."와 같은 선택 사항에서 선택하도록 하며, 사이즈에 대한 정보에 대해서는 "같이 살 사람 (직계 O명, 그외 O명), 동거인 성별나이, 방 개수, 사이즈 (30평, 40평, 50평), 화장실수, 발코니확장, ..."과 같은 선택 사항에서 선택하도록 하며, 지인 정보에 대해서는 "가까이 살고 싶은 사람 주소, 멀리 살고 싶은 사람주소, ..,"과 같은 선택 사항에서 선택하도록 하며, Budget 정보에 대해서는 순투자 가능 금액(서버(100) 내에는 대출과 전세 상태를 유지하면서 매입하는 경우에 대한 연산 모듈을 구비)에 대한 정보를 입력하도록 하며, 진정성에 대한 정보에 대해서는 장난 또는 호기심에 집을 알아보는지 정말 집을 알아보는지를 분석하기 위해 웹사이트 응답 속도 또는 행동 패턴 등을 통해 파악하기도 하고, 반환해주는 보증금 3만원에 대한 결제 여부를 통해 파악하여 수집한다.
서버(100)는 제공된 각 사용자(user)의 정보 및 개인식별 정보를 감추고 개별 집 리스트 및 프로파일 정보를 지정된 부동산 중개인 단말로 전송함으로써, 프로파일 정보와 프로파일 정보의 매칭을 통해 부동산 중개인에 의해 매칭되는 부동산 매물에 대한 단계를 수행한 사용자 단말(200)로의 추천이 수행되도록 한다.
이 경우 서버운영자는 지정된 부동산 중개인 단말을 운영하는 부동산 중개인에 대해서, 수수료를 취득할 수 있고, 한편 부동산 중개인들은 진정성이 있고, 자신이 가지고 있는 부동산 매물을 좋아할 만한 고객에 대해 타겟(TARGET) 마케팅 할 수 있는 기회를 제공받을 수 있다.
본 발명의 일 실시예는 컴퓨터에 의해 실행되는 프로그램 모듈과 같은 컴퓨터에 의해 실행가능한 명령어를 포함하는 기록 매체의 형태로도 구현될 수 있다. 컴퓨터 판독 가능 매체는 컴퓨터에 의해 액세스될 수 있는 임의의 가용 매체일 수 있고, 휘발성 및 비휘발성 매체, 분리형 및 비분리형 매체를 모두 포함한다. 또한, 컴퓨터 판독가능 매체는 컴퓨터 저장 매체를 포함할 수 있다. 컴퓨터 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보의 저장을 위한 임의의 방법 또는 기술로 구현된 휘발성 및 비휘발성, 분리형 및 비분리형 매체를 모두 포함한다.
본 발명의 방법 및 시스템은 특정 실시예와 관련하여 설명되었지만, 그것들의 구성 요소 또는 동작의 일부 또는 전부는 범용 하드웨어 아키텍쳐를 갖는 컴퓨터 시스템을 사용하여 구현될 수 있다.
전술한 본원의 설명은 예시를 위한 것이며, 본원이 속하는 기술분야의 통상의 지식을 가진 자는 본원의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.
본원의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본원의 범위에 포함되는 것으로 해석되어야 한다.
[부호의 설명]
100: 서버
110: 통신 모듈
120: 메모리
130: 프로세서
140: 데이터베이스
150: 입력모듈
200: 사용자 단말

Claims (10)

  1. 서버에 의해 수행되는 소비자 선택 모델을 이용한 부동산 맞춤형 정보 추천 방법에 있어서,
    (a) 네트워크를 통해 수집된 부동산 정보에 전처리 프로세스를 적용하여 부동산 정보 데이터를 생성하는 단계;
    (b) 상기 부동산 정보 데이터에 기초하여 소비자 선택 모델을 통해 부동산 의사결정 파라미터를 선별하는 단계;
    (c) 신규 사용자 정보가 입력되면 상기 신규 사용자 정보를 부동산 정보 추천 모델에 입력하여 상기 선별된 부동산 의사결정 파라미터 별 사용자 가중치 점수를 계산하고, 상기 계산된 사용자 가중치 점수에 따라 추천 부동산 정보를 포함하는 맞춤형 부동산 정보 데이터를 생성하는 단계; 및
    (d) 상기 맞춤형 부동산 정보 데이터를 사용자 단말에 제공하는 단계;를 포함하는,
    소비자 선택 모델을 이용한 부동산 맞춤형 정보 추천 방법.
  2. 제 1 항에 있어서,
    상기 전처리 프로세스는 동일 부동산에 대한 복수의 부동산 정보들을 하나의 통합된 그룹으로 인식하여 그룹화하고, 기설정된 조건에 해당하는 부동산 정보들을 필터링하는 단계를 포함하는,
    소비자 선택 모델을 이용한 부동산 맞춤형 정보 추천 방법.
  3. 제 1 항에 있어서,
    상기 부동산 정보 데이터는 개별 부동산 특징 데이터 및 부동산 환경 정보를 포함하고,
    상기 개별 부동산 특징 데이터는 가격 정보, 구조 정보, 크기 정보, 층수, 시설의 노후도 정보, 공용시설 정보 또는 주차정보 중 하나 이상을 포함하고,
    상기 부동산 환경 정보는 교통 정보, 학군 정보 또는 주변 환경 정보 중 하나 이상을 포함하는 것인,
    소비자 선택 모델을 이용한 부동산 맞춤형 정보 추천 방법.
  4. 제 1 항에 있어서,
    상기 신규 사용자 정보는 나이, 성별, 직업 정보, 직장위치 정보, 선호 지역 정보, 지인정보, 예산정보 또는 구매목적 정보 중 하나 이상을 포함하는 것인,
    소비자 선택 모델을 이용한 부동산 맞춤형 정보 추천 방법.
  5. 제 1 항에 있어서,
    상기 (b)단계 이후 사용자 단말에 사용자 가치 평가 테스트를 제공하고, 상기 (c)단계에서 입력되는 신규 사용자 정보는 상기 사용자 가치 평가 테스트 결과를 포함하는 것인,
    소비자 선택 모델을 이용한 부동산 맞춤형 정보 추천 방법.
  6. 제 1 항에 있어서,
    상기 부동산 정보 추천 모델은 요소별 가치 분석 기법을 이용하여 사용자 가중치 점수를 계산하고, 상기 가중치 점수에 따라 추천 부동산 정보를 생성하는 것인,
    소비자 선택 모델을 이용한 부동산 맞춤형 정보 추천 방법.
  7. 제 1 항에 있어서,
    상기 부동산 정보 추천 모델은 상기 부동산 정보 데이터 및 신규 사용자 정보를 입력으로 인공신경망을 이용하여 학습되어 사용자 가중치 점수를 계산하고, 상기 가중치 점수에 따라 추천 부동산 정보를 생성하는 것인,
    소비자 선택 모델을 이용한 부동산 맞춤형 정보 추천 방법.
  8. 제 7 항에 있어서,
    상기 (d)단계 이후 추천 부동산 정보의 정확도를 평가하고, 상기 평가된 정확도를 상기 부동산 정보 추천 모델에 업데이트 하는 단계를 더 포함하는,
    소비자 선택 모델을 이용한 부동산 맞춤형 정보 추천 방법.
  9. 소비자 선택 모델을 이용한 부동산 맞춤형 정보 추천 서버에 있어서,
    소비자 선택 모델을 이용한 부동산 맞춤형 정보 추천 프로그램이 저장된 메모리;
    상기 메모리에 저장된 프로그램을 실행하는 프로세서를 포함하며, 상기 프로세서는 상기 프로그램의 실행에 의해,
    네트워크를 통해 수집된 부동산 정보에 전처리 프로세스를 적용하여 부동산 정보 데이터를 생성하고,
    상기 부동산 정보 데이터에 기초하여 소비자 선택 모델을 통해 부동산 의사결정 파라미터를 선별하고,
    신규 사용자 정보가 입력되면 상기 신규 사용자 정보를 부동산 정보 추천 모델에 입력하여 상기 선별된 부동산 의사결정 파라미터 별 사용자 가중치 점수를 계산하고, 상기 계산된 사용자 가중치 점수에 따라 추천 부동산 정보를 포함하는 맞춤형 부동산 정보 데이터를 생성하고,
    상기 맞춤형 부동산 정보 데이터를 사용자 단말에 제공하는,
    소비자 선택 모델을 이용한 부동산 맞춤형 정보 추천 서버.
  10. 제 1 항에 따르는 방법을 수행하기 위한 컴퓨터 프로그램이 기록된 비일시적 컴퓨터 판독가능 기록매체.
PCT/KR2019/017492 2019-12-11 2019-12-11 소비자 선택 모델을 이용한 부동산 맞춤형 정보 추천 방법 및 서버 WO2021117928A1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020190164493A KR20210073819A (ko) 2019-12-11 2019-12-11 소비자 선택 모델을 이용한 부동산 맞춤형 정보 추천 방법 및 서버
KR10-2019-0164493 2019-12-11

Publications (1)

Publication Number Publication Date
WO2021117928A1 true WO2021117928A1 (ko) 2021-06-17

Family

ID=76330403

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2019/017492 WO2021117928A1 (ko) 2019-12-11 2019-12-11 소비자 선택 모델을 이용한 부동산 맞춤형 정보 추천 방법 및 서버

Country Status (2)

Country Link
KR (2) KR20210073819A (ko)
WO (1) WO2021117928A1 (ko)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102432552B1 (ko) * 2021-11-10 2022-08-12 김유신 인공지능 기반 매수인에게 매물을 자동으로 추천하는 부동산 거래 플랫폼의 운영 방법
KR102455636B1 (ko) * 2022-02-17 2022-10-19 주식회사 에스씨컴퍼니 빅데이터 기반 인공지능을 이용한 맞춤형 ３ｄ 인테리어 시뮬레이션 서비스 제공 시스템
KR102461336B1 (ko) 2022-07-12 2022-10-31 디노바디앤씨 주식회사 거주자 동선 기반 공유 주택 그룹 내 맞춤형 주택 추천 방법, 장치 및 시스템
KR102566017B1 (ko) * 2022-08-26 2023-08-11 주식회사 굿픽 분양 대행 상품 정보 제공 관리 시스템

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20120110074A (ko) * 2012-08-23 2012-10-09 김영환 집합건물 매물정보의 제공 방법 및 시스템
JP2015001884A (ja) * 2013-06-17 2015-01-05 新日鉄住金ソリューションズ株式会社 候補提示装置、候補提示方法及びプログラム
US20170255986A1 (en) * 2016-03-02 2017-09-07 Social Data Sciences, Inc. System to Customize Recommendations by Soliciting and Analyzing Suggestions and Evaluations Tailored to a Particular Subject
KR101826647B1 (ko) * 2016-10-19 2018-03-22 김성국 머신 러닝 기술을 통한 개인 맞춤형 자동차 중개 시스템
KR101975448B1 (ko) * 2018-08-14 2019-05-08 (주) 에이투연구소 인공지능을 이용하여 빅데이터 기반 상품 투자 추천 알고리즘을 평가하는 시스템 및 방법

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20090126474A (ko) 2008-06-04 2009-12-09 박소미 맞춤형 부동산 정보 제공 시스템
KR101698262B1 (ko) * 2015-02-09 2017-02-01 엄주태 부동산 직거래 서비스 방법

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20120110074A (ko) * 2012-08-23 2012-10-09 김영환 집합건물 매물정보의 제공 방법 및 시스템
JP2015001884A (ja) * 2013-06-17 2015-01-05 新日鉄住金ソリューションズ株式会社 候補提示装置、候補提示方法及びプログラム
US20170255986A1 (en) * 2016-03-02 2017-09-07 Social Data Sciences, Inc. System to Customize Recommendations by Soliciting and Analyzing Suggestions and Evaluations Tailored to a Particular Subject
KR101826647B1 (ko) * 2016-10-19 2018-03-22 김성국 머신 러닝 기술을 통한 개인 맞춤형 자동차 중개 시스템
KR101975448B1 (ko) * 2018-08-14 2019-05-08 (주) 에이투연구소 인공지능을 이용하여 빅데이터 기반 상품 투자 추천 알고리즘을 평가하는 시스템 및 방법

Also Published As

Publication number Publication date
KR20220065735A (ko) 2022-05-20
KR20210073819A (ko) 2021-06-21
KR102509598B1 (ko) 2023-03-14

Similar Documents

Publication Publication Date Title
WO2021117928A1 (ko) 소비자 선택 모델을 이용한 부동산 맞춤형 정보 추천 방법 및 서버
US11093992B2 (en) Smart matching for real estate transactions
Griffith et al. Explorations into the relationship between spatial structure and spatial interaction
WO2017150772A1 (ko) 부동산 정보 제공 및 공유 장치
Walker et al. Latent lifestyle preferences and household location decisions
Hu et al. Data source combination for tourism demand forecasting
WO2020130369A1 (ko) 온라인 마케팅 전략을 수립하기 위한 인공지능 분석 시스템
Zou Examining the impact of short-term rentals on housing prices in Washington, DC: Implications for housing policy and equity
Cui et al. Travel behavior classification: an approach with social network and deep learning
Lam et al. An artificial neural network and entropy model for residential property price forecasting in Hong Kong
Aznar et al. An ANP framework for property pricing combining quantitative and qualitative attributes
CN105339976A (zh) 用于允许以才能/履历为导向的学分的教育管理系统和教育管理方法
Inoa et al. Effect of an accessibility measure in a model for choice of residential location, workplace, and type of employment
Lu et al. Market potential for smart growth neighbourhoods in the USA: A latent class analysis on heterogeneous preference and choice
Theisen et al. House prices and proximity to kindergarten–costs of distance and external effects?
Wißotzki et al. “Analyze & focus your intention” as the first step for applying the digital innovation and transformation process in zoos
Kirdar et al. A decision support model to evaluate liveability in the context of urban vibrancy
JP7390633B2 (ja) Ａｉを利用した不動産売却計画書オークションシステム
Zhou et al. Evaluating the nonlinear impacts of built environment on online car-hailing: Focus on the whole day
JP2013210752A (ja) 個人行動嗜好分析システムおよび個人行動嗜好分析方法
JP7512635B2 (ja) 住宅営業支援装置、住宅営業支援システム、住宅営業支援方法および住宅営業支援プログラム
JP7212103B2 (ja) 情報処理装置、情報処理方法及び情報処理プログラム
Hanawa et al. Recommendation system for tourist attractions based on Wi-Fi packet sensor data
KR102451835B1 (ko) 중고 상품 시세 감정 방법 및 장치
KR20150053313A (ko) 맞춤형 정보 수집 및 효율적 소통을 위한 방법

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 19955895

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 19955895

Country of ref document: EP

Kind code of ref document: A1

32PN Ep: public notification in the ep bulletin as address of the adressee cannot be established

Free format text: NOTING OF LOSS OF RIGHTS PURSUANT TO RULE 112(1) EPC (EPO FORM 1205N DATED 02/08/2022)

122 Ep: pct application non-entry in european phase

Ref document number: 19955895

Country of ref document: EP

Kind code of ref document: A1