[来源][pzpg001][发表时间] 2023/03/15阅读次数：1004次
导读：特征价格模型是房地 研究中常用的 典模型，其特征指 往往基于研究者 往 及偏好来 取， 土地评估,资产评估,商标评估,软件评估房者情感偏好考 不足。基于房地 网 平台上丰富的在 用 ，挖掘其所 含的 房者情感偏好，建立体 用 关注的房地 特征价格模型，并以合肥市 例，采集１４８ 楼 数据 行 研究。 评估公司,评估机构,固定资产评估,价格评估果表明，“区位”“ 型”“装修”“生活配套”“物 量”“ 化 境”“交通”“学区” 房者 著偏好的房地 特征指 ，而依据 些特征指 构建的房地 特征价格模型能 合理地 估房地 特征属性的 含价格，具有良好的 合度和 高的解 能力。关 ：在 ；商品特征；特征价格模型
特征价格模型（ ， ）自 成，价格由所有特征属性带给人们的效用共同决
ｈｅｄｏｎｉｃｐｒｉｃｅｍｏｄｅｌ ＨＰＭ
［ ］ 定。由于各个特征属性的数量及 合方式不同，房
生以来就被广泛用于房地 价格 估１－３ 。房地
是一种最典型的异 性商品，不同住宅在建筑、 地 价格就会 生差异。通 位特征属性的边
里、区位等属性方面都可能存在显著区别。因 效用 化分析来 估 种特征属性的 含价格，
此， 特征 量的合理与否是正确构建 ＨＰＭ 的 即 Ｈｅｄｏｎｉｃ价格 ［４］。 ，
因此 哪些特征属性 入
关 。就 有文献 察来看， 些特征 量往往基 特征价格模型中就非常重要， 漏 量或 量
于研究者的 往 及偏好 取，不同研究 取的 将 致参数估 不准确［９］。
特征 量各不相同，其构建的模型方程也有差异。 通 和 相关 域的国内外文献 ，
相应地，不同方程所表现的拟合度也会有所 ，
早在２０世 ８０年代就有学者指出 尽管Ｒｏｓｅｎ的
［ ］ 含市 理论构建了ｈｅｄｏｎｉｃ实证研究的基本框
差异４－６ 。
， ， 架，但并未 量及函数形式的 提供明确的指
近年来 随着电子商 的迅猛 展 在线评论
作 一种新型情 源，成 商家挖掘用 需求、提 ［ ］ ，
导 １０－１３ 。
在 多 研究中 Ｈｅｄｏｎｉｃ模型中变量
［ ］ 的 也往往是研究者凭借主 判断确定，并没有
升用 意度的重要数据 ７－８ 。 于 房者而
， 做 致深入的分析。以国内研究轨道交通对房地
言 他 在 下 地看房的前后也会去房地 网
、 价格影响 域的文献 例，大部分文献 住宅的
平台搜索 所看房源的 价 房源周 施的 价
， 。 基于 构特征，即面积、楼层、房龄等因素考虑较为周
等相关在 从而做出相 的 房决策
此，本文 利用房地 网 平台中的在 挖 全，但在教育 源和生活配套的一些重要特征 量
掘出 含的 房者情感 向 提取 房者在形成 上却千差万别 ［ ］
， １４－２０
， 象，即属于 中小学划片分配的住宅价格 著高
决策 著偏好的房源特征 在此基 上 取特
， 于非划片区域。教育 源的 与否极有可能影
征 量来构建特征价格模型 从而 房地 行 的
生 决策和 房者的消 行 提供参考。 响 道交通 沿 住宅价格的溢价水平。与此同
１ 文献 述 时， 多研究 了减少 漏变量带来的偏差，几乎
根据Ｌａｎｃａｓｔｅｒ的消 者效用理 和Ｒｏｓｅｎ的 所有的ＨＰＭ 研究都会在模型中 入大量的特征
含市 理论，房地产由诸多不同的特征属性组 量，而使用大量的特征变量进行估计时，会产生高
收稿日期：２０２２－０６－１４
作者 介： 沁娜（１９７８—），女，山西沁水人，合肥工 大学管理学院，副教授，博士， 士研究生 ，研究方向 源 境 与政策；李航（１９９７—），男（苗族），湖南湘西人，合肥工 大学管理学院， 士研究生，研究方向 源 境 。
２２１
科技和 第２２卷 第１１期
［ ］ ， ，
度的共 性 １２－２１ 。
由此可 有必要 Ｈｅｄｏｎｉｃ模 构建体 用 关注的房地 特征价格模型方法 并
型的特征 量 展开研究。 以合肥房地 市 研究 象 行 研究，分析
得关注的是，近年来，随着电子商务的迅猛 每个特征属性 住宅价格的影响。
展，在 用 作 一种新型情 源，成为商 ２ 研究方法
家挖掘用户需求、提升用户满意度的重要数据资 在 用 代表着消 者的 点、 度和情
产。特 是机器学 、自然 言 理理 和方法的 感，利用 品特征提取工具可以从中挖掘消 者关
日益成熟，加速 放了海量在 数据的价值。 注和偏好的 品特征。 不 能 应用于 品推
从 有文献梳理来看，目前学者 主要通 在 荐， 能 帮助商家 并改进产品的不足，从而
数据挖掘开展 品特征提取和用 情感分析，进 增 品的 争力。当前 品特征提取方法主要
而 行用 需求分 和 品 化的相关研究， 有基于关联规则、词频和词共 的提取方法 ［ ］
３５－３７ ，
［ ］ ［ ］ ［ ］
应用领域主要集中在购物 ２２－２３ 旅游 ２４－２５ 电
、 、 基于句法依存的提取方法 ３８－４０ 基于改进的ＬＤＡ
［ ］ ［ ］ ， ［４１－４３］ ［４４－４６］
影 ２６－２７ 、 ２８－２９ 提取方法 等。
酒店 等 研究方法也从逐步从传统统 ，基于机器学习的提取方法
方法 展到了机器学 。周立欣等从京 购物 本文参考借 了李 卿等提出的基于同义词林与
平台收集在 构建特征情感的二分加 网 ， ［４６］
向量的 品特征提取及 构建方法 ，
－ 首先采
， 用人工 注提取和同 林 展形成种子 ，随
并 行仿真 按照用 品特征的重 程度
品特征 行了排序［３０］。Ｚｈｏｕ等提出了奇异 后使用Ｗｏｒｄ２ｖｅｃ 和大 模 数据 行模型
， 练，完成 相 度 算与属性归并，形成 品特
分解的 关 相似度的方法 通 用于在
用 商品的 度， 企 改 商品性 ［ ］
征 典４７－４９ 。具体流程如 １所示。
能提供依据［３１］。 丹萍等基于 Ｗｏｒｄ２ｖｅｃ 和滑 窗 ） 。 采集房地产网络
１ 行数据采集与预处理
， 平台上的 本楼 在线用 评 数据。之后利用
口技 分析ｉＰｈｏｎｅ手机在 合感性工学理
更有效地捕捉用 的感性需求［３２］。刑云菲等以 Ｐｙｔｈｏｎ 中的 行分 ， 合停用 典，删
ｊｉｅｂａ
ＴｒｉｐＡｄｖｉｓｏｒ网站 例，采集北京、上海、深圳和广 除与房地 特征无关的 ，并按 行降序排
州４个城市的酒店用 在 内容构建主题图 ， ，
列 去除低 和高 非特征词 得到可用于后续
谱，并分析 以及 体的社会网 特征，发现不 研究的数据集。
同地区酒店的用 需求存在差异化 ［３３］。 等 ） 。 随机抽取样本楼盘中的部
２构建种子词库
抽取知乎直播用 的消极 ，以 粒度 点的方 分 数据，采用人工方式 行 注、 并与分 ，
法建立特征体系，揭示了知乎直播存在的缺陷和不 利用 些 中所提到的 品特征，建立特征种子
足［３４］。 房地 域而言，在房地 网 平台上的 词库。并以提取出的种子 基准，通 哈工大同
在 中， 价内容丰富，包括房源建筑 构、小 林 种子 行 展。
、 ， ） 。 将完成数据清洗预处理
区 境 周 施及入住感受等 能 真 地反映 ３ 行 向量训练
房者 房源的 期期望和实际入住体 。基于 后的 本楼 在 用 文本分词后作为训练
此，本文提出通 挖掘房地 网 平台上在 料， 定合适的蚕食，借助Ｗｏｒｄ２ｖｅｃ中的Ｓｋｉｐ－
所 含的 房者情感偏好，提取房地 特征属性来 ｇｒａｍ模型或ＣＢＯＷ 两个模型 行 向量 ，得
图１ 房地 特征属性提取流程
２２２
沁娜等：基于用 关注的房地 特征价格模型构建研究
到候 特征 的 向量。
４）形成 品特征 。模型 完成之后，计算候 特征 和种子 中各个 之 的语 相似度及相关度，并将相似度大的候 特征 加入种子 中，形成最 的 品特征 。
５） 品特征词库进行分类。为了更清晰明了地展示 品特征属性，需要将最 取的 品特征 按照其描述方面的不同 行分 ，以方便后期的 研究。目前分 的方法主要有人工分 、聚 算法等。
３ 合肥市房地 特征价格模型构建
３．１ 数据采集与 理
２０２１年５月，通 八爪 件在合肥市房天下网站上 行数据采集。在房天下在售或待开盘的新楼 中，按照分 抽 的方法，共爬取３８个新楼 的在 ９２６６条（表１）。之后将每个楼 的 数据 行 ， 行数据 理工作。
表１ 分 抽取合肥市楼 本
区 楼 数 抽取数 楼 名称
阳 ２７ ２ 、 ·
万科森林公园 碧桂园 代 城
瑶海 ４０ ３ 安建·翰林天筑、新力 园、 上街
球中心
蜀山 ３０ ２ 、
金隅南七里 桃源里
包河 ４３ ３ 恒大水晶国际广场、信达·天御、滨
湖·阳光里
政 ７ １ 蔚 商 港
高新 ２９ ２ 、 ·
太平洋森活广 祥源 金港湾
开 １２ １ 水安盛世桃源
新站 ３１ ３ 隆昊昊天园、圣 梦溪小 、禹洲中
央城
湖新 ３７ ３ 合肥融 文旅城／梧桐街、文一·豪
金地、国 中心
肥西 ５３ ４ 万瑞林山翠 、西南 城、光明·观
公 、 南城·紫 名都
肥 ６６ ５ 合肥孔雀城、盛世新城、星光国 广
场、 方明珠嘉苑、安建 花园
丰 ５８ ４ 新慧御湖城、恒泰阿奎利 ·悦璟府、
御景嘉苑、元一·后九
江 ２３ ２ 、
新力湖畔樾山 江美的城
巢湖 ３６ ３ 天巢广 、 源聚 湾、深 半 御
泉庄
３．３ 模型
采用Ｗｏｒｄ２ｖｅｃ工具中的Ｓｋｉｐ－ｇｒａｍ 模型 行模型训练。首先使用ｉｎｐｏｒｔ指令调用ｇｅｎｓｉｍ 库、Ｗｏｒｄ２ｖｅｃ模型和ｏｓ 具将 理后的名 及名 短 集合 成 向量。
完成后， 算候 和种子 中各个 之 的余弦相似度，并将相似度大的候 加入种子 中，形成 品特征 典。完成后 的相似度 算后， 有很大一部分与种子 相似度高的 并不能代表商品的属性或者特征，需要将其 理与剔除。如“交通” 个属性，与其相似度高的如“成熟、远、性价比、有点”， 然 于 些 ，需要 理与剔除，最终形成房地产产品特征词库（表２）。
３．４ 合肥房地 特征 与分
由于最后得到的产品特征词库所含的单词数量已 小，本文主要采用了人工分 的方法 行 品特征分 。最 出“区位”“ 型”“装修”
“配套 施”“物 量”“ 化 境”“交通”“学区”共８个代表消 者 著偏好的房地 特征属性，见表２。
表２ 房地 品特征
序号 品特征 房地 特征
１ 地段位置市中心区内一 一 内 区位
空 三房阳台主卧室套型楼 距小 型
２ 起居室窗 房主客主卧空 感朝南 型
墅游泳池 生 大 型厨房公
３ 格美 大气 尚通 空 感精装 别 装修
墅设计
配套周 餐 公司超市便利医院公园
４ 行万达广 物市 商圈卖场 影 配套 施
院逛街酒店花园商 广 物中心
５ 物 管理 里 境干 清爽空气 境 物 量
美 美
６ 化 野花草树木 风景 宜人 景观 园林 化 境
意
７ 出行便利公交交通公交 公交 路公交 交通
站地 口
８ 上学学校中学学区小学教育幼儿园 就 学区
近入学
３．２ 种子 构建 ４ 研究
从清洗后的数据集中，随机抽取１１０条关于恒 ４．１ 特征 量的 取
大水晶国际广场的在线评论数据，人工进行标 依据前文 出“区位”“ 型”“装修”“生活配
注、 并与分类，并且按词频排序去除低 词和高 套 ”“ ”“ ”“ ”“ ”
物 量 化 境 交通 学区 共８个代
非特征 ，建立特征种子 。并以提取出的种 表消 者 著偏好的楼 特征来 行房地产特征
子 基准，通 哈工大同 林 种子 行 价格模型构建。
展 。 ） 。 区位特征表征的是一个地区经济和
１区位
２２３
科技和 第２２卷 第１１期
社会 展水平。本文采用楼 距本 区政府的直 本文主要 化率来表征。
距离来量化区位因素 。 ） 。 学区所占有的优质教育资源具有明
７ 学区
） 。 ， 的溢价效 。 ，
２ 型 型的表征种 多 住宅的面 和 本文主要采用以小区 中心 半径
功能 数都是从不同的角度 房屋居住的舒适度 、 、 ，
为１ｋｍ的范 内是否有幼儿园 小学 中学 每
行的 价 。 ， ， 。
由于一个楼 往往 有多种 型 本 计１分 共３分
文 取楼 的最大 型和最小 型分 行量化 。 ） 。 考 到合肥市第一条地铁线路已经
８ 交通
） 。 ， ，
３ 装修 主要是指房屋的装修程度 通常分 于２０１６年开始运 本文主要采用楼 ５００ｍ范
、 、 。 由于本次研究 内公交 路条数和楼 到最近地 站的直线距离
毛坯 装 精装和豪装４个等
象均 新楼 ，装修基本 毛坯房，故将“装修”特 来量化交通的便利性。
征 量剔除。 ４．２ 数据采集和量化
） 。 主要考察小区生活便利程度 。 通 八爪 爬虫软件在房天下平台对合肥市
４ 生活配套
， 的范 ２０２１年５月在售新楼 数据 行收集 。 由于本次
本文主要采用以小区 中心 半径 １ｋｍ
、 、 、 ， ， ， ，
内是否有超市 餐饮 医院 银行 每项计１分 共 研究 象均 新楼盘 楼 装修基本 毛坯房 故
４分 。 “ ” 。 “ ”“ ”“
将 装修 特征 量剔除 针对 区位 型 生
） 。 ， 活配套 ”“ ”“ ”“ ”“ ”
５ 物 量 一般来 物 越高 意味着 物业质量 绿化环境 交通 学区
， 。 本文主 ７个房地 特征 取了９个特征 量 。 了保 数
物 量 小区的 境和管理也会越完善
要 物 来量化物 量。 据的真 性和准确性，将重复 本剔除并 极端
） 。 绿化率越高则意味着建筑密度 ， 。
６ 化 境 行了 尾 理 最 共收集１４８个楼 交易数据
， 。 。
越低 小区内 化等自然景 境条件就会更好 所有 量的 明与描述性 表３
表３ 量的描述性
量 量化指 均 准差 最小 最大
住宅价格 ／ １３６３５．００ ５０６４．００ ６５００．００ ２６７５２．００
楼 挂牌均价 元
住宅价格 数 楼 挂牌均价自然 数 ９．４６ ０．３６ ８．７８ １０．１９
区位 ／ １３．４８ １６．６３ １．５０ ５８．８０
小区到本 区政府的直 距离 ｋｍ
最大 型 ２ １４６．６１ ６７．９８ ５３．００ ４２３．００
楼 最大 型的面 ／ｍ
最小 型 ２ ９１．３１ ２４．８２ ３８．００ ２１７．００
楼 最小 型的面 ／ｍ
生活配套 、 、 、 ， ， ３．０３ １．０２ ０ ４
小区１ｋｍ之内是否有超市 餐 医院 行 每 １分 共４分
物 ２ １．９１ ０．７０ ０．６０ ４．３０
住宅小区物 管理 ／（元／月／ｍ ）
化率 住宅小区 化率 ０．３９ ０．０４ ０．２０ ０．４３
学区 、 、 ， ， ２．２１ ０．９１ ０ ３
小区１ｋｍ之内是否有幼儿园 小学 中学 每 １分 共３分
公交 路 小区５００ｍ之内公交 路条数 ２．２６ １．８５ ０ ８
地 距离 ／ １１．１６ １６．７９ ０．１０ ５２．００
小区到最近地 站的直 距离 ｋｍ
４．３ 回 果分析 ， 。 ，
以看出 模型不存在异方差 因此 该模型基
特征价格模型常用的函数形式有 性、半 数 本 足了同方差性和独立性假 ，具有良好的 合
和全 数形式。 于模型函数形式的选择并没有 度和 高的解 能力。
一的 准 。 ， ， ，
基于国内外已有文献研究 半 数形 从回 果看出 在 著性１０％的水平下 ９个
、 、 ， “ ”“
式在 量 位差异性 量化解 变量的影响 异方 量中有８个 入了模型 分 是 区位 最大户
［ ］
差最小化等方面 于 性形式和全 数形式 ５０－５１ ， 型”“最小 型”“生活配套”“物 ”“ 化率”“学
， ”“ ”。“ ” ，
因此本文主要采用Ｓｔａｔａ 件 行 研究 半 区 地 距离 公交 路 的 著性 ０．３３９８
。 未通 著性 。 ，
数形式的回 果 表４ 究其原因 公交 路越多的地
模型的调整后的 ２ ， 方，噪声 染可能越 重，在上下班高峰期也会造
Ｒ ＝０．５７８７ Ｆ－ｓｔａｔｉｃｓ＝
， 。 多重共 性 成交通堵塞 。 同 公交出行所花 的时间具有较
２１．０６１８ 整体的 合度 好
， ， 、
果表明 所有 量的方差膨 因子ＶＩＦ最大 高的不确定性 与地铁 私家 和共享 等存在
， ， ［５２］ ”
的替代性 ， “
１．８７ 明解释变量之 相 独立 不存在严重的 故 公交 路 住宅价格的影响
多重共 性 。从Ｗｈｉｔｅ 和ＢＰ 果可 被弱化。因此基于用 关注的合肥市新楼盘特征
２２４
沁娜等：基于用 关注的房地 特征价格模型构建研究
价格模型
ｌｎ（住宅价格）＝８．４９５２－０．００１８（区位）＋０．００１１（最大 型）＋０．００３３（最小 型）＋０．０２０１（生活配套）＋０．１１８９（物 ）＋０．７１９７（ 化率）＋０．０４７５（学区）－
０．００９９（地 距离）。
表４ 模型回 果
被解 量： 系数 ｔ值 Ｐ值 ＶＩＦ
住宅价格 数
区位 ＊＊＊ －３．８４１３ ０．０００２ １．０９
－０．００１８
最大 型 ０．００１１ ２．９８６２ ０．００３３ １．５４
＊＊＊
最小 型 ０．００３３ ２．６０２６ ０．０１０３ １．８７
＊＊
生活配套 ０．０２０１ １．８８９２ ０．０６１０ １．５３
＊
物 ０．１１８９ ３．４６５３ ０．０００７ １．４５
＊＊＊
化率 ０．７１９７ ４．００６７ ０．０００１ １．３２
＊＊＊
学区 ＊ １．８５１３ ０．０６６３ １．４１
０．０４７５
公交 路 －０．０１２３ －０．９５７８ ０．３３９８ １．４１
地 距离 －０．００９９ －６．７６６２ ０ １．５７
＊＊＊
常数 ８．４９５２ ３９．８７３１ ０ —
＊＊＊
本量 １４８
２ ０．５７８７
整Ｒ
Ｆ－ｓｔａｔｉｃ ２１．０６１８
（ ） ０．３７９９
特 Ｐ值
（ 值 ） ０．７８５９
ＢＰ检验 Ｐ
注：＊、＊＊、＊＊＊分 表示在１０％、５％、１％的水平下 著。
在保持其他特征不 的条件下，最大 型和最小 型面 的回 系数均 正数，楼 住宅价格会随着住宅面积的增加而增加。楼盘物业费、绿化率、生活配套和学区的回 系数也显著为正，说明小区物 量越高， 化 境越好，生活配套和教育配套越完善，楼 住宅价格也越高；区位和地铁距离的回 系数 著 表明楼 距离辖区政府和地 站越近，楼 住宅价格越高。从 学和常 的角度来看 些特征 量的回 系数符号均与 期相符， 明舒适的居住 境和便利的配套 施会更加受到 房者的青 ， 住宅价格也有 著的增 作用。
５ 与展望
的特征价格模型中，特征 量的 往往是参照其他学者的研究 和主 直接 定，缺少 范的 程，容易造成重要特征缺失或多重共 性等 ，从而影响模型的精确度，也不能反映 房者的真 偏好。本文利用基于同义 林与 向量的 品特征提取及 构建方法，通 挖掘房地 网 平台在 用 中 含的购房者情感 向，构建体 用 关注的房地 特征价格模型，并以合肥市１４８ 新楼 数据 本 行
研究。 果 示， 模型能 合理地避免自 量的多重共 性，也能 合理 估房地 特征属性的 含价格，具有良好的拟合度和较高的解释能力。伴随着新消 势的延展以及新一代消 群体的崛起，可以 ，通 网 在 用 评论来表达自己的意 和 点将成 一种流行的方式。深度挖掘 些信息不 能 消 者购房决策和开 商建 足广大 房者需求的小区提供依据，也可以 政府 行公共 源 化配置提供决策参考。
参考文献
［］ ：
１ ＲＯＳＥＮＳ．Ｈｅｄｏｎｉｃｐｒｉｃｅｓａｎｄｉｍｌｉｃｉｔｍａｒｋｅｔｓｐ ｐｒｏｄｕｃｔ
［］
ｄｉｆｆｅｒｅｎｔｉａｔｉｏｎｉｎｐｕｒｅｃｏｍｐｅｔｉｔｉｏｎＪ．ＴｈｅＪｏｕｒｎａｌｏｆＰｏ－
， ， （）：
ｌｉｔｉｃａｌＥｃｏｎｏｍｙ１９７４８２１ ３４－５５．
［］ ，
２ ＧＯＯＤＭＡＮＣＡ．Ｈｅｄｏｎｉｃｐｒｉｃｅｓｐｒｉｃｅｉｎｄｉｃｅｓａｎｄｈｏｕｓ－
［］ ， ，（）：
ｉｎｇｍａｒｋｅｔＪ．ＪｏｕｒｎａｌｏｆＵｒｂａｎＥｃｏｎｏｍｉｃｓ１９７８５４
４７１－４８７．
［］ ，
３ 生 温海珍．房地 特征价格模型的理 展及其
用［］ 外国 与管理， （）： ，
Ｊ． ２００４５ ４２－４４４９．
［］ ， ：
４ 温海珍 生 ．住宅的特征与特征的价格 基于特征价
［］ （ ）， （ ）：
格模型的分析Ｊ ．浙江大学学报 工学版 ２００４１０
，
１０１－１０５ １１２．
［］ ，
５ 文秀 徐健．基于用 的商品特征提取及特征价格
研究［］数据分析与知 ， ，（）：
Ｊ． ２０１９３７ ４２－５１．
［］ ， ， ？ 来自评论文
６ 修箭 李旭升 萍． 房者关心什么
［ ／ ］ ：
本和房地 市 的 据 ＥＢＯＬ ．北京 中国科技 文在
线［ ］ ：／／ ／
２０１９－０５－１３．ｈｔｔｐ ｗｗｗ．ｐａｐｅｒ．ｅｄｕ．ｃｎｒｅｌｅａｓｅｐａ－
／ ／
ｐｅｒｃｏｎｔｅｎｔ２０１９０５－１１５．
［］ ， ，
７ 夏火松 培 熊淦．基于特征提取改 的在 评论有效
性分 模型［］情 学 ， ， （）：
Ｊ． ２０１５３４５ ４９３－５００．
［］ ， ，
８ 邢云菲 曹高 陶然．网 用 在 的主题图谱构
： ［］ ，
建及可 化研究 以酒店用户评论为例 Ｊ ．情报科学
， （）： ，
２０２１３９９ １０１－１０９ １１６．
［］ ， ［］
９ 王德 黄万枢．Ｈｅｄｏｎｉｃ住宅价格法及其 用Ｊ ．城市
划， （）：
２００５３ ６２－７１．
［ ］ ＢＵＴＬＥＲＲＶ．Ｔｈｅｓｐｅｃｉｆｉｃａｔｉｏｎｏｆｈｅｄｏｎｉｃｉｎｄｅｘｅｓｆｏｒ
１０
［］ ， ， （）：
ｕｒｂａｎｈｏｕｓｉｎｇＪ．ＬａｎｄＥｃｏｎｏｍｙ１９８２５８１ ９６－１０８
［ ］ ，
１１ ＳＣＯＴＴＡＴＨＯＭＡＳＤ．ＡＢａｙｅｓｉａｎａｐｐｒｏａｃｈｔｏａｓｓｅｓｓ－
［］
ｉｎｇｔｈｅｒｏｂｕｓｔｎｅｓｓｏｆｈｅｄｏｎｉｃｐｒｏｐｅｒｔｙＪ．Ｊｏｕｒｎａｌｏｆ
， ，（）：
ＡｐｐｌｉｅｄＥｃｏｎｏｍｅｔｒｉｃｓ１９８７２１ ２７－４５．
［ ］ ， ，
１２ 程 李 昭 吴 ．Ｈｅｄｏｎｉｃ住房价格模型的 与
实证检验 ［］ ， ， （ ）：
Ｊ．系统工程理论与实践 ２０１０３０１１
１９２１－１９３０．
［１３］ ＣＨＲＩＳＧ，ＤＡＮＩＥＬＧ，ＵＬＲＩＫＥＧ，ｅｔａｌ．Ｐｒｉｃｉｎｇｉｎｔｈｅｓｈａｒｉｎｇｅｃｏｎｏｍｙ：ａｈｅｄｏｎｉｃｐｒｉｃｉｎｇｍｏｄｅｌａｐｐｌｉｅｄｔｏＡｉｒｂｎｂｌｉｓｔｉｎｇｓ［Ｊ］．ＪｏｕｒｎａｌｏｆＴｒａｖｅｌ＆ＴｏｕｒｉｓｍＭａｒ－ｋｅｔｉｎｇ，２０１８，３５：４６－５６
［１４］ 冬玲．杭州城市公共交通 住宅价格影响分析［Ｄ］．杭
州：浙江大学，２０１９．
［１５］ 黄 ．城市 道交通 周 房地 价格的影响：以郑
２２５
科技和 第２２卷 第１１期
州地 １号 例［Ｊ］．洛阳 范学院学 ，２０１７，３６（２）：
７５－８１．
［１６］ 高禄， 光．成都市城市快速 道交通 住房价格影响［Ｃ］／／２０１５３ｒｄＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅｏｎＳｏｃｉａｌＳｃｉｅｎｃｅａｎｄＨｕｍａｎｉｔｙ（ＩＣＳＳＨ２０１５），２０１５：１２３－１２８．
［１７］ ＷＥＩＪＦ，ＷＥＩＹＧ，ＪＩＡＮＧＫ．Ｓｔｕｄｙｏｎｔｈｅａｆｆｅｃｔｉｎｇｆａｃ－ｔｏｒｓｏｆｈｏｕｓｉｎｇｐｒｉｃｅｓａｌｏｎｇｒａｉｌｔｒａｎｓｉｔｂａｓｅｄｏｎｈｅｄｏｎｉｃｐｒｉｃｅｍｏｄｅｌ：ｃａｓｅｓｔｕｄｙｏｆＢｅｉｊｉｎｇＳｕｂｗａｙＬｉｎｅ５［Ｊ］．ＡｐｐｌｉｅｄＭｅｃｈａｎｉｃｓａｎｄＭａｔｅｒｉａｌｓ，２０１４，５０７：６４２－６４５．
［１８］ 梁青槐，孔令洋， 文斌．城市 道交通 沿 住宅价 影响定量 算实例研究［Ｊ］．土木工程学报，２００７（４）：９８－１０３．
［１９］ 荣宝， 美招．城市 道交通 沿 房价影响的定量分析：以广州地 五号线为例［Ｊ］．当代旅游（学术版），２０１０（２）：２５－２８．
［２０］ 于富 ．城市 道交通 沿 房地 价 影响的 效
应［Ｄ］．北京：北京交通大学，２０１２．
［２１］ ＨＥＮＲＹＭＫ，ＰＡＴＲＩＣＫＰＫ．ＡｈｅｄｏｎｉｃｐｒｉｃｅｍｏｄｅｌｆｏｒｐｒｉｖａｔｅｐｒｏｐｅｒｔｉｅｓｉｎＨｏｎｇＫｏｎｇ［Ｊ］．ＴｈｅＪｏｕｒｎａｌｏｆＲｅａｌＥｓｔａｔｅＦｉｎａｎｃｅａｎｄＥｃｏｎｏｍｉｃｓ，１９９５，１０（１）：３７－４８．
［２２］ 蒋忠珍，何景明．基于在 的高端 香型白酒消费特征分析：以 天茅台酒在京 上的在 例［Ｊ］．中国 造，２０２１，４０（１０）：２３５－２３８．
［２３］ 祝琳琳，李 ，李世 ，等．面向 子商务网站的在线评 信息 量感知机理研究［Ｊ／ＯＬ］．图书情报工作：１－９［２０２２０１２５］．ｈｔｔｓ：／／ｄｏｉ．ｏｒ／１０．１３２６６／．ｉｓｓｎ．０２５２
－－ ｐ ｇ ｊ －
３１１６．２０２１．０６．００４．
［２４］ 梁 ，田佳佳，刁建超，等．基于三 度理论的游客在线 分情感异质性及影响因素研究［Ｊ／ＯＬ］．南开管理评论：１－２９［２０２２－０１－２５］．ｈｔｔｐ：／／ｋｎｓ．ｃｎｋｉ．ｎｅｔ／ｋｃｍｓ／ｄｅ－ｔａｉｌ／１２．１２８８．Ｆ．２０２１０８１０．１００７．００２．ｈｔｍｌ．
［２５］ 甘子琴．基于在 挖掘的旅游 子商 服 量研究：以“携程旅行网” 例［Ｊ］．中国集体 ，２０２１（１３）：７１－７３．
［２６］ 永 ，王哲平．网 口碑 票房表 的影响研究：基于人工神 网 的 影票房 ［Ｊ］． 影文学，２０２１（２１）：３－１４．
［２７］ 刘磊，柳旭 ．外国 众 中国 影在 的文本分析：基于ＩＭＤｂ网站的 本 ［Ｊ］．当代 影，２０２０（３）：１４４－１４９．
［２８］ 蒋乾，刘莎，唐宏，等．短租民宿在 论语义网络及感知 度研究：基于途家网和Ａｉｒｂｎｂ的文本挖掘［Ｊ］． 源开 与市 ，２０２２，３８（２）：２３９－２４８．
［２９］ 史达，王乐乐，衣博文．在线评论有用性的深度数据挖掘：基于ＴｒｉｐＡｄｖｉｓｏｒ的酒店 数据［Ｊ］．南开管理评论，２０２０，２３（５）：６４－７５．
［３０］ 周立欣，林杰．基于 ＮｏｄｅＲａｎｋ算法的 品特征提取研究
［Ｊ］．数据分析与知 ，２０１８，２（４）：９０－９８．
［３１］ ＺＨＯＵＳ，ＱＩＡＯＺ，ＤＵＱ，ｅｔａｌ．Ｍｅａｓｕｒｉｎｇｃｕｓｔｏｍｅｒａｇｉｌｉｔｙｆｒｏｍｏｎｌｉｎｅｒｅｖｉｅｗｓｕｓｉｎｇｂｉｇｄａｔａｔｅｘｔａｎａｌｙｔｉｃｓ［Ｊ］．ＪｏｕｒｎａｌｏｆＭａｎａｇｅｍｅｎｔＩｎｆｏｒｍａｔｉｏｎＳｙｓｔｅｍ，２０１８，３５（２）：５１０－５３９．
［３２］ 丹萍，靳健，耿 ，等．感性工学 角下的用户需求挖
掘研究［Ｊ］．情 学 ，２０２０，３９（３）：３０８－３１６．
［３３］ 邢云菲，曹高 ，陶然．网 用 在 的主 构建及可 化研究：以酒店用户评论为例［Ｊ］．情报科学，２０２１（９）：１０１－１０９．
［３４］ 严炜炜， 瑞，黄 ．干 足否：知 直播产品特征提
取与 挖掘［Ｊ］． 情 知 ，２０２１，３８（４）：１１．
［３５］ ＨＵＭ，ＬＩＵＢ．Ｍｉｎｉｎｇａｎｄｓｕｍｍａｒｉｚｉｎｇｃｕｓｔｏｍｅｒｒｅ－ｖｉｅｗｓ［Ｃ］／／ＰｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅＴｅｎｔｈＡＣＭＳＩＧＫＤＤＩｎ－ｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅｏｎＫｎｏｗｌｅｄｇｅＤｉｓｃｏｖｅｒｙａｎｄＤａｔａＭｉｎｉｎｇ，２００４：１６８－１７７．
［３６］ ＢＬＡＩＲ－ＧＯＬＤＥＮＳＯＨＮＳ，ＨＡＮＮＡＮＫ，ＭＣＤＯＮＡＬＤＲ，ｅｔａｌ．Ｂｕｉｌｄｉｎｇａｓｅｎｔｉｍｅｎｔｓｕｍｍａｒｉｚｅｒｆｏｒｌｏｃａｌｓｅｒｖｉｃｅｒｅｖｉｅｗｓ［Ｃ］／／ＰｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅＷＷＷ２００８Ｗｏｒｋｓｈｏｐ：ＮＬＰｉｎｔｈｅＩｎｆｏｒｍａｔｉｏｎＥｘｐｌｏｓｉｏｎＥｒａ（ＮＬＰＩＸ２００８），２００８：２００－２０７．
［３７］ 阮光册，夏磊．基于关 的文本主 深度挖掘应用
研究［Ｊ］． 代 情 技 ，２０１６（１２）：５０－５６．
［３８］ ＷＵＹ，ＺＨＡＮＧＱ，ＨＵＡＮＧＸＪ，ｅｔａｌ．Ｐｈｒａｓｅｄｅｐｅｎｄ－ｅｎｃｙｐａｒｓｉｎｇｆｏｒｏｐｉｎｉｏｎｍｉｎｉｎｇ［Ｃ］／／Ｐｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅ２００９ＣｏｎｆｅｒｅｎｃｅｏｎＥｍｐｉｒｉｃａｌＭｅｍｅｎｔａｌＪｏｉｎｔＡｐｐｒｏａｃｈｔｏＷｏｒｄＳｅｇｍｅｎｔａｔｉｏｎ，ＰＯＳＴａｇｇｉｎｇ，ａｎｄＤｅｐｅｎｄｅｎｃｙＰａｒｓｉｎｇｉｎＣｈｉｎｅｓｅ，Ｐｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅ５０ｔｈＡｎｎｕａｌＭｅｅｔｉｎｇｏｆｔｈｅＡｓｓｏｃｉａｔｉｏｎｆｏｒＣｏｍｐｕｔａｔｉｏｎａｌＬｉｎｇｕｉｓｔｉｃｓ（Ｖｏｌｕｍｅ１：ＬｏｎｇＰａｐｅｒｓ），２０１２：１０４５－１０５３．
［３９］ 静，吴 ，魏从悦，等．基于句法依存卷积神经网络的
句子相似度 算［Ｊ］．重 大学学 ，２０２０，４３（９）：４１－５３．［４０］ ＴＩＴＯＶＩ，ＭＣＤＯＮＡＬＤＲ．Ｍｏｄｅｌｉｎｇｏｎｌｉｎｅｒｅｖｉｅｗｓｗｉｔｈｍｕｌｔｉ－ｇｒａｉｎｔｏｐｉｃｍｏｄｅｌｓ［Ｃ］／／Ｐｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅ１７ｔｈＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅｏｎＷｏｒｌｄＷｉｄｅＷｅｂ，２００８：１１１－
１２０．
［４１］ ＢＯＵＡＺＩＺＡ，ＤＡＲＴＩＧＵＥＳ－ＰＡＬＬＥＺＣ，ＤＡＣＯＳＴＡＰＣ，ｅｔａｌ．Ｓｈｏｒｔｔｅｘｔｃｌａｓｓｉｆｉｃａｔｉｏｎｕｓｉｎｇｓｅｍａｎｔｉｃｒａｎｄｏｍｆｏｒｅｓｔ［Ｃ］／／ＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅｏｎＤａｔａＷａｒｅｈｏｕ－ｓｉｎｇａｎｄＫｎｏｗｌｅｄｇｅＤｉｓｃｏｖｅｒｙ．Ｓｐｒｉｎｇｅｒ，Ｃｈａｍ，２０１４：２８８－２９９．
［４２］ 彭云．提取商品特征和情感 的 束 ＬＤＡ模型研
究［Ｄ］．南昌：江西 大学，２０１６．
［４３］ 彭云，万常 ，江 蛟，等．基于 束ＬＤＡ的商品特
征和情感 提取［Ｊ］． 件学 ，２０１７，２８（３）：６７６－６９３．［４４］ 彭云，万常 ，江 蛟，等．基于 束ＬＤＡ的商品特征和情感 提取［Ｊ］． 件学 ，２０１７，２８（３）：６７６－６９３．
［４５］ ＭＩＫＯＬＯＶＴ，ＳＵＴＳＫＥＶＥＲＩ，ＣＨＥＮＫ，ｅｔａｌ．Ｄｉｓｔｒｉｂｕ－
ｔｅｄｒｅｐｒｅｓｅｎｔａｔｉｏｎｓｏｆｗｏｒｄｓａｎｄｐｈｒａｓｅｓａｎｄｔｈｅｉｒｃｏｍ－ｐｏｓｉｔｉｏｎａｌｉｔｙ［Ｃ］／／ＡｄｖａｎｃｅｓｉｎＮｅｕｒａｌＩｎｆｏｒｍａｔｉｏｎＰｒｏ－ｃｅｓｓｉｎｇＳｙｓｔｅｍｓ，２０１３：３１１１－３１１９．
［４６］ 李 卿，王 ．基于大 模 数据的 品特征词典构建方法研究［Ｊ］．数据分析与知识发现，２０１８，２（１）：４１－５０．
［４７］ 黄仁，张卫．基于 ｗｏｒｄ２ｖｅｃ的互 网商品 情感 向
研究［Ｊ］． 算机科学，２０１６（Ｓ１）：３８７．３８９．
［４８］ 可嘉， 晶晶，靳健，等．基于 和情景语义的产品
２２６
沁娜等：基于用 关注的房地 特征价格模型构建研究
［］ （ ）， ， ［ ］ ， ， ，
特征提取方法Ｊ ．广西大学学 自然科学版 ２０２０４５ ５０ 于 饶烨 胡志丁 等．北京都市区土地价格梯度估算
（）： 与解析［］自然 源学 ， ， （）：
６ １４１３－１４２２． Ｊ． ２０１３２８５ １１．
［ ］ ， ， ［ ］ ， ，
４９ ＳＩＲＭＡＮＳＧＳＭＡＣＰＨＥＲＳＯＮＤＡＺＩＥＴＺＥＮ．Ｔｈｅ ５１ 董藩 丁宏 安平．通勤成本与 道交通周 房价的空
［］ 分布：以北京地 五号 周 住宅市 例的 分析
ｃｏｍｐｏｓｉｔｉｏｎｏｆｈｅｄｏｎｉｃｐｒｉｃｉｎｇｍｏｄｅｌｓＪ．ＪｏｕｒｎａｌｏｆＲｅ－
， ， （）： ［］北京 范大学学 （社会科学版）， （）：
ａｌＥｓｔａｔｅＬｉｔｅｒａｔｕｒｅ２００５１３１ ３－３４． Ｊ． ２００９４ １３７－１４３．
ＲｅｓｅａｒｃｈｏｎＨｏｕｓｉｎｇＨｅｄｏｎｉｃＰｒｉｃｅＭｏｄｅｌＢａｓｅｄｏｎＵｓｅｒＣｏｎｃｅｒｎｓ：
ＴａｋｉｎｇＨｅｆｅｉＣｉｔｙａｓａｎｅｘａｍｐｌｅ
１，２， １
ＺＨＡＯＱｉｎｎａ ＬＩＨａｎｇ
（１．ＳｃｈｏｏｌｏｆＭａｎａｇｅｍｅｎｔ，ＨｅｆｅｉＵｎｉｖｅｒｓｉｔｙｏｆＴｅｃｈｎｏｌｏｇｙ，Ｈｅｆｅｉ２３０００９，Ｃｈｉｎａ；
２．ＲｅｓｅａｒｃｈＣｅｎｔｅｒｏｆＩｎｄｕｓｔｒｉａｌＴｒａｎｓｆｅｒａｎｄＩｎｎｏｖａｔｉｏｎＤｅｖｅｌｏｐｍｅｎｔ，ＨｅｆｅｉＵｎｉｖｅｒｓｉｔｙｏｆＴｅｃｈｎｏｌｏｇｙ，Ｈｅｆｅｉ２３０００９，Ｃｈｉｎａ）
Ａｂｓｔｒａｃｔ：ＨｅｄｏｎｉｃＰｒｉｃｅＭｏｄｅｌｉｓａｃｌａｓｓｉｃｍｏｄｅｌ，ｗｈｉｃｈｃｏｍｍｏｎｌｙｕｓｅｄｉｎｒｅａｌｅｓｔａｔｅｒｅｓｅａｒｃｈ．Ｉｔｓｃｈａｒａｃｔｅｒｉｓｔｉｃｉｎｄｅｘｅｓａｒｅｏｆｔｅｎｓｅｌｅｃｔｅｄ
ｂａｓｅｄｏｎｒｅｓｅａｒｃｈｅｒｓ’ｐａｓｔｅｘｐｅｒｉｅｎｃｅａｎｄｐｒｅｆｅｒｅｎｃｅ，ｗｈｉｌｅｔｈｅｅｍｏｔｉｏｎａｌｐｒｅｆｅｒｅｎｃｅｏｆｈｏｍｅｂｕｙｅｒｓｉｓｎｏｔｃｏｎｓｉｄｅｒｅｄｅｎｏｕｇｈ．Ｂａｓｅｄｏｎｔｈｅ
，
ａｂｕｎｄａｎｔｏｎｌｉｎｅｕｓｅｒｃｏｍｍｅｎｔｓｏｎｔｈｅｒｅａｌｅｓｔａｔｅｎｅｔｗｏｒｋｐｌａｔｆｏｒｍｔｈｅｉｍｐｌｉｃｉｔｅｍｏｔｉｏｎａｌｐｒｅｆｅｒｅｎｃｅｏｆｈｏｍｅｂｕｙｅｒｓｉｓｅｘｐｌｏｒｅｄａｎｄｔｈｅｃｈａｒ－
’ ，
ａｃｔｅｒｉｓｔｉｃｐｒｉｃｅｍｏｄｅｌｏｆｒｅａｌｅｓｔａｔｅｔｈａｔｒｅｆｌｅｃｔｓｕｓｅｒｓｃｏｎｃｅｒｎｓｉｓｅｓｔａｂｌｉｓｈｅｄ．ＴａｋｉｎｇＨｅｆｅｉＣｉｔｙａｓａｎｅｘａｍｐｌｅ１４８ｇｒｏｕｐｓｏｆｒｅａｌｅｓｔａｔｅｄａｔａ
ａｒｅｃｏｌｅｃｔｅｄｆｏｒｅｍｉｒｉｃａｌｒｅｓｅａｒｃｈ．Ｔｈｅｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｐ “ ”“ ”“ ”“ ”“ ”
ｌｏｃａｔｉｏｎ ｈｏｕｓｅｔｙｐｅ ｄｅｃｏｒａｔｉｏｎ ｓｕｐｐｏｒｔｉｎｇｆａｃｉｌｉｔｉｅｓ ｐｒｏｅｒｔｐｙｑｕａｌｉｔｙ
“ ”“ ” “ ” ’
ｇｒｅｅｎｅｎｖｉｒｏｎｍｅｎｔ ｔｒａｆｆｉｃａｎｄｓｃｈｏｏｌｄｉｓｔｒｉｃｔａｒｅｔｈｅｃｈａｒａｃｔｅｒｉｓｔｉｃｓｏｆｒｅａｌｅｓｔａｔｅｂｕｅｒｓｙ ｓｉｎｉｆｉｃａｎｔｇｐｒｅｆｅｒｅｎｃｅｓ．Ａｎｄｔｈｅｈｅｄｏｎｉｃｐｒｉｃｅ
ｍｏｄｅｌｃｏｎｓｉｓｔｅｄｏｆｔｈｅｓｅｃｈａｒａｃｔｅｒｉｓｔｉｃｓｃａｎｒｅａｓｏｎａｂｌｙｅｖａｌｕａｔｅｔｈｅｉｍｐｌｉｅｄｐｒｉｃｅｏｆｐｒｏｄｕｃｔｃｈａｒａｃｔｅｒｉｓｔｉｃｓａｎｄｈａｓｇｏｏｄｇｏｏｄｎｅｓｓｏｆｆｉｔａｎｄｈｉｇｈｅｘｐｌａｎａｔｏｒｙａｂｉｌｉｔｙ．
： ； ；
Ｋｅｙｗｏｒｄｓｏｎｌｉｎｅｒｅｖｉｅｗｓｃｏｍｍｏｄｉｔｙｃｈａｒａｃｔｅｒｉｓｔｉｃｓｈｅｄｏｎｉｃｐｒｉｃｅｍｏｄｅｌ
|