Selection of housing, one of the necessities of human life, has a great influence on life for a long time. However, since it requires a wide range of information gathering and consideration before decision, state-of-the-art recommendation algorithms such as collaborative filtering do not work well. In this presentation, after reviewing issues specific to the real estate field, I cited examples of "application of crowdsourcing to social media (Twitter timelines)" and "application of deep learning to property images" as an effort by our research group. Finally I discuss what kind of AI technology is applicable in the real estate field.

1. 住居選択⽀支援を⽬目的としたAI技術適⽤用の試み
-ソーシャルメディアへのクラウドソーシン
グ適⽤用および物件画像への深層学習適⽤用-
株式会社ネクスト リッテルラボラトリー
主席研究員 清⽥田 陽司
1Copyright(c) NEXT Co., Ltd. All Rights Reserved.
WSSIT 2017 JSAI SIG-SAI
2017.03.02＠ルスツリゾート

2. 2Copyright(c) NEXT Co., Ltd. All Rights Reserved.
› ⽇日本の家計部⾨門の⾮非⾦金金融資産総額 約1000兆円
• cf. ⾦金金融資産総額 約1700兆円
› 現状、不不動産市場のIT化のレベルは⾮非常に低い
• 接客などコスト⼤大
• 取引データの収集も不不⼗十分
不不動産分野の効率率率化への潜在ニーズの⼤大きさ

3. 3Copyright(c) NEXT Co., Ltd. All Rights Reserved.
⼀一般的な情報推薦アルゴリズムは有効ではない
› 不不動産物件を推薦する際の課題 [三條 2015]
• まったく同じ物件は⼆二つとして存在しない
• 基本的にcold start
• 個⼈人属性⼊入⼒力力の動機づけが困難
› サイトの訪問⽬目的が明確でないユーザや検討期間
が⻑⾧長い商品には向かない [⼤大知 2013]
住居選択⽀支援に特有の課題

4. 4Copyright(c) NEXT Co., Ltd. All Rights Reserved.
統計的機械学習の限界
樋⼝口知之. 視点 ⼈人⼯工知能はみようみまねマシンの究極形.
情報管理理, Vol. 59, No. 5, pp. 331-335, 2016.

5. 5Copyright(c) NEXT Co., Ltd. All Rights Reserved.
不不動産情報特有のニーズ
不不動産情報サイトで不不動産会社を選ぶ際のポイントは？(RSC 2015年年調査)
物件の写真の点数が多い
物件の写真の⾒見見栄えが良良い
71.9％
32.5％

6. 6Copyright(c) NEXT Co., Ltd. All Rights Reserved.
データ収集の難しさ
› Twitterタイムラインへのクラウドソーシング適⽤用
による住まい探し⾏行行動の抽出 [楡井2015][清⽥田
2015]
不不動産情報特有のニーズ
› 物件画像への深層学習適⽤用による付加価値の向上
[⽯石⽥田2016]
我々の研究グループによる取り組み

7. Twitterタイムラインへの
クラウドソーシング適⽤用
7Copyright(c) NEXT Co., Ltd. All Rights Reserved.
※電気通信⼤大学 栗栗原研究室との共同研究
[楡井2015][清⽥田2015]

8. 8Copyright(c) NEXT Co., Ltd. All Rights Reserved.
カスタマージャーニーマップ
ユーザー理理解の⼀一技法: ユーザーの視点からユーザー経験の全体像を概観する

9. 9Copyright(c) NEXT Co., Ltd. All Rights Reserved.
› ユーザーの住まい探しプロセスにおける⾏行行動、思
考、感情を⽰示すデータを豊富に含む
• 情報発信の⼼心理理的ハードルが低い（字数制限）
• コミュニケーションのチャネルになっている
（リプライ機能）
› タイムラインによって、数週間〜～数年年にわたる住
まい探しプロセスを追跡できる
Twitterタイムラインに着⽬目した理理由

10. 10Copyright(c) NEXT Co., Ltd. All Rights Reserved.
Yahoo! クラウドソーシング
マイクロタスク型のクラウドソーシングプラットフォームを提供
報酬はTポイントで⽀支払われる

11. 11Copyright(c) NEXT Co., Ltd. All Rights Reserved.
クラウドソーシング適⽤用のプロセス
Twitterデータの
抽出
データの判別
クラウドソーシング
×1
住宅宅物件探索索に関するデータ 住宅宅物件探索索フェーズの推定
フェーズの推定
クラウドソーシング
×6
⾃自動分類器の作成 分類器の評価
クラウドソーシング×1
潜在
ニー
ズ
情報
収集
物件
⾒見見学
契
約・
引越

12. 12Copyright(c) NEXT Co., Ltd. All Rights Reserved.
› アカウントの選択
• 今回は @homes_kun のフォロワー(約40,000ア
カウント)を対象とした
› タイムラインに以下のキーワードを含むアカウン
トを抽出
• 礼⾦金金、内⾒見見、家賃
› 不不動産会社のアカウントを除外
• リンクを含むツイートの割合(25%以上)で判断
→ 86アカウントを抽出
住まい探しに関連しそうなTwitterアカウントの抽出

13. 13Copyright(c) NEXT Co., Ltd. All Rights Reserved.
設問例例

14. 14Copyright(c) NEXT Co., Ltd. All Rights Reserved.
› うーむ。引っ越したばかりだけど、何か急激に住
宅宅購⼊入熱が上がってきている。物件の内覧会に
⾏行行ってさらに⾼高めるか
› 現在、購⼊入に向けた住居選びが佳境です。現在、
マンション優位。⼀一⼾戸建て⾼高いんだもの。でも、
優柔なのでしばらく決めれないと思う
› @foo そうなんです。いまメゾネットなんですが、
⾝身重な奥さんが階段をひぃひぃ⾔言いながら登って
いるのを⾒見見ると….。「70歳超えたら無理理」だと思
いますねぇ。結局、おっくうになって、ほとんど1
階で過ごしてそう
ツイートサンプル1（あるユーザーのタイムライン抜粋）

15. 15Copyright(c) NEXT Co., Ltd. All Rights Reserved.
› 前述の286設問のツイート主のうち、6ヶ⽉月以内に
複数回住まい探しについてつぶやいていたユー
ザーのタイムラインを判別対象とした
› タイムラインを10ツイート単位の断⽚片に分割して、
フェーズをラベリング
› 前述のタスクと同様、多数決・チェック質問利利⽤用
• 多数決は3名〜～5名
› 住まい探しユーザーは以下のフェーズ遷移に従う
と仮定
住まい探しフェーズの判別

16. 16Copyright(c) NEXT Co., Ltd. All Rights Reserved.
「住まい探し動機」フェーズの⾏行行動 (34設問、22ユーザー）

17. 17Copyright(c) NEXT Co., Ltd. All Rights Reserved.
「物件⾒見見学」フェーズの⾏行行動（45設問、27ユーザー）

18. 18Copyright(c) NEXT Co., Ltd. All Rights Reserved.
› Twitterデータへのクラウドソーシングの適⽤用に
よって、住まい探しのニーズやプロセスを「⾒見見え
る化」
• ⾏行行動観察的な⽤用途
› マイクロタスク型のクラウドソーシングはユー
ザー⾏行行動のアノテーションに適⽤用可能
• タスクフローの組み⽴立立てに⼯工夫が必要
› 住まい探し以外のプロセスにも適⽤用できるかも
• クルマ
• 保険
• 教育サービス
• 職探し
まとめ

19. 物件画像への深層学習適⽤用
19Copyright(c) NEXT Co., Ltd. All Rights Reserved.
[⽯石⽥田2016]

20. 不不動産物件画像に関する研究課題
› 画像から対象物件の情報を抽出する
• 不不動産会社の情報⼊入⼒力力の負担低減
• 新たな検索索軸の開発
› 物件画像の品質を判定する
• 物件が分かりやすい
• 感性的に魅⼒力力的である
システムキッチン
料料理理しやすい
収納スペースが⼗十分

21. 21Copyright(c) NEXT Co., Ltd. All Rights Reserved.

22. • 物件画像データ 約8300万枚
HOME’Sデータセット 概要
周辺
17%
外観
11%
内装
11%
居間
7%間取り
6%
キッチン
5%
⾵風呂呂
4%
⽞玄関
3%
寝室
1%
設備
1%
収納
1%
トイレ
1%
洗⾯面
1%
バルコニー
0%
エントランス
0%
駐⾞車車場
0%
地図
0%
⼦子供部屋
0%
その他
28%
画像種別
枚数(万枚)
周辺
1413
外観
947
内装
941
居間
558
間取り
524
キッチン
453
⾵風呂呂
364
⽞玄関
269
寝室
89
設備
88
収納
85
トイレ
64
洗⾯面
54
バルコニー
38
エントランス
38
駐⾞車車場
14
地図
12
⼦子供部屋
2
その他
2299

23. CNNの適⽤用
› 畳み込みニューラルネットワーク (CNN)
• Network in Network (nin)
• 深層学習フレームワークChainer上のninモデルを使⽤用
› 256×256の画像を⼊入⼒力力として使⽤用
› 画像の70%を訓練データ、30%をテストデータ
[3] Network In Network, 2014 Min Lin1,2, Qiang Chen2 , Shuicheng Yan2

24. CNNと分類データ作成 〜～タスク１ 画像種別〜～
› どの種類の物件画像なのかを判定する
› HOME’Sデータセット画像に付けられているタグを正解
データとして使⽤用
• 13タグ分の画像を使⽤用
• それぞれ訓練⽤用1万枚、検証⽤用1000枚
› ⼊入⼒力力⼿手間軽減と精度度の向上が⽬目的
u 間取り
u 地図
u ⽞玄関
u 居間
u キッチン
u ⾵風呂呂
u トイレ
u 外観
u 周辺
u 内装
u その他
u 寝室
u ⼦子供部屋
u 洗⾯面
u 収納
u 設備
u バルコニー
u エントランス
u 駐⾞車車場
使⽤用するタグ 使⽤用しないタグ
外観 周辺
居間
間取り
⾵風呂呂

25. CNNと分類データ作成 〜～キッチンの使いやすさの抽出〜～
› 「キッチンの使いやすさ」を画像から抽出する
› 使いやすさを分解、より詳細な指標を作成
› 各指標に特化させた学習済みモデルでスコアを算出、
重みづけをして加算、使いやすさとする
• 個⼈人の嗜好に合わせた使いやすさを算出可能
種類スコア
設備スコア
広さスコア
動線スコア
収納スコア
学習済み
モデル
学習済み
モデル
学習済み
モデル
学習済み
モデル
学習済み
モデル
使いやすさ
w1
w2
w3
w4
w5
重みw

26. 簡易易型
キッチン
システム
キッチン
セクショナル
キッチン
キッチン部分 その他
主に単⾝身⽤用の
壁に囲まれた
キッチン
コンロと⼀一体
成型のキッチ
ン
コンロを置く
場所が分かれ
ている
キッチンを構
成するパーツ
キッチンでな
い画像
CNNと分類データ作成 〜～タスク2 キッチンの種類〜～
› キッチン部位、その他を加えた5クラス分類
› 発表者が分類した画像各1000枚

27. とても狭い 狭い 普通 広い とても広い
まな板が置け
ない
まな板はおけ
るが、切切った
もの等を置け
ない
まな板、切切っ
たものなどを
置ける
複数の調理理過
程のものを置
ける
調理理に⼗十分な
スペースがあ
る
CNNと分類データ作成 〜～タスク3 キッチンのワークスペース広さ〜～
› 置けるものの程度度で5段階＋その他で6クラス分類
› 5500枚を分類し、各1000枚になるようデータ拡張

28. 28Copyright(c) NEXT Co., Ltd. All Rights Reserved.
› テストデータのError rate: 0.143
実験結果 〜～タスク１ 画像種別〜～
物件画像種別 結果
正答サンプル 不不正答サンプル
キッチン97.3% リビング52.0%
間取り91.0%
⾵風呂呂100.0%
正解：リビング
結果：収納
収納 40.1%
リビング 20.6%
洗⾯面 12.1%
正解：洗⾯面
結果：⾵風呂呂
⾵風呂呂 64.7%
洗⾯面 26.2%
トイレ 3.1%
正解：収納
結果：⾵風呂呂
⾵風呂呂 75.0%
トイレ 9.2%
バルコニー 3.7%

29. 29Copyright(c) NEXT Co., Ltd. All Rights Reserved.
› テストデータのError rate: 0.143
実験結果 〜～タスク１ 画像種別〜～
物件画像種別 結果

30. 30Copyright(c) NEXT Co., Ltd. All Rights Reserved.
› 不不正解となったケース109例例を検証
• 判別器の誤り 61%
• 正解データの誤り 20%
• 重複するカテゴリ画像 18%
実験結果 〜～タスク１ 画像種別〜～
物件画像種別 結果
正解：キッチン
⽞玄関 47.955%
キッチン 44.462%
設備 2.804%
正解：トイレ
⾵風呂呂 80.673%
トイレ 18.004%
洗⾯面 1.137%
正解：収納
⽞玄関 40.034%
収納 39.006%
バルコニー 9.342%

31. 31
› テストデータでのError rate: 0.116
実験結果 〜～タスク2 キッチンの種類〜～
キッチン種類 結果
正解:セクショナル
スコア：99.6%
正解:システム
スコア：99.9%
正解:簡易易型
セクショナル：91.5%
簡易易型 ：6.27%
正解:キッチン部分
その他 ：94.1%
簡易易型 ：3.92%
正答サンプル
不不正答サンプル

32. 32Copyright(c) NEXT Co., Ltd. All Rights Reserved.
› Error rate: 0.362
› 相関係数：0.717
実験結果 〜～タスク3 キッチンのワークスペース広さ〜～
キッチン ワークスペース 結果
分類 スコア
とても狭い 20
狭い 40
普通 60
広い 80
とても広い 100

33. 33Copyright(c) NEXT Co., Ltd. All Rights Reserved.

34. 34Copyright(c) NEXT Co., Ltd. All Rights Reserved.
「同じ物件の情報が複数の不不動産会社から提供されている」問題
どちらの物件情報が
ユーザーにとってより嬉しい？

35. 35Copyright(c) NEXT Co., Ltd. All Rights Reserved.

36. 今後の⾒見見通し
36Copyright(c) NEXT Co., Ltd. All Rights Reserved.

37. 37Copyright(c) NEXT Co., Ltd. All Rights Reserved.
› 情報学
• 画像処理理，他のデータ（SNSなど）との結合
• IoT (実世界データ) の利利⽤用
› 建築学，建築デザイン
• 間取り，空間デザインなど
› 経済学，経営情報学
• 賃料料推定，経済動向
› 都市学・環境学
• 街の属性
HOME’Sデータセット利利⽤用研究者の主な分野

38. 38Copyright(c) NEXT Co., Ltd. All Rights Reserved.

39. 39Copyright(c) NEXT Co., Ltd. All Rights Reserved.
› IoT × 不不動産
› オープンデータ × 不不動産
• 育児、教育、防犯、防災、...
› 医療療・介護 × 不不動産
• 医療療・介護サービスの需給⾒見見通し → 資産価値
分野融合によって⽣生み出されるアイディア