SoC2017 不動産テックの研究課題

不不動産テックの研究課題:
ユーザ⾏行行動ログ、ソーシャルメ
ディア、クラウドソーシングを
通じてみるユーザのニーズ
株式会社LIFULL 　リッテルラボラトリー
主席研究員　清⽥田　陽司
第8回ソーシャルコンピューティングシンポジウム（SoC2017）
2017.6.23 リクルートアカデミーホール

© LIFULL Co.,Ltd. 　本書の無断転載、複製を固く禁じます。 2
社名・ブランド名の変更更 (2017年年4⽉月1⽇日）

総掲載物件数No.1の

不動産・住宅情報サイト
暮らしに密着したさまざまな

情報サービス (引越,
保険,
介護,

子育て,
音楽ライブ,
スポーツ選手支援
etc.)
世界50カ国以上向けに展開

する住宅・中古車・求職などの
アグリゲーションサイト

(本社: スペインバルセロナ)
LIFULLグループのサービス群

⾃自⼰己紹介
清⽥田陽司
株式会社LIFULL 　リッテルラボラトリー
福岡県⽣生まれ→⼤大学(院)＠京都→ボスの異異動で東京へ
関⼼心分野: ⾃自然⾔言語処理理応⽤用 → 検索索・推薦 → 情報リテラ
シー (図書館) → ⽣生活領領域 (不不動産、介護 etc.)
経歴: ⼤大学教員 → 兼業で起業 → そちらが本業に → 買収
対外的活動
•  情報処理理学会データベースシステム研究会幹事 (2017-‐‑‒)
•  情報処理理学会論論⽂文誌TOD 編集委員 (2017-‐‑‒)
•  WebDB Forum 産学連携担当幹事 (2015-‐‑‒)
•  IEEE DSAA 2017 Sponsorship co-‐‑‒chair
•  ⼈人⼯工知能学会編集委員 (2014-‐‑‒)
•  JST「情報管理理」誌外部編集委員 (2015-‐‑‒) etc.

リッテルラボラトリー
•  ルーツは2007年年設⽴立立の東
京⼤大学発スタートアップ
(株)リッテル
•  住まいや暮らしに関わる
最先端技術のR&D
•  レコメンデーション
•  AI関連技術（ディー
プラーニングなど）
•  ユーザーインタ
フェース (UX)
•  VR / AR / MR
新感覚お部屋探しアプリ
HOME Sヘヤサク！
部屋作りシミュレーション
GRID VRICK

GRID VRICK

ROOM MR: Microsoft HoloLensを活⽤用した
Mixed Reality空間での家具配置

お部屋探しレコメンデーションアプリ「ヘヤサク！」

Agenda
•  不不動産テックの研究課題
•  ソーシャルメディアを通じた住まい探しユー
ザーの理理解（with 電気通信⼤大学栗栗原研究室）
•  クラウドソーシングによる街選び指標開発の試
み（with 100ninmap project）
•  不不動産テックにフォーカスした研究コミュニ
ティ創出の試み

不不動産テックの
研究課題

2011年年時点での研究開発計画
住まい
地域
グルメ
ファッション
ビューティ
アミューズメ
ント
金融
医療
教育
分野別DB
ユー
ザー
検索
最適な情報
レコメンデーションエンジン
ユーザーＤＢ（客観情報、行動履歴、嗜好性）

不不動産テックの研究課題
•  データ取得の困難性
•  画像・映像メディアの優位性
•  研究テーマとしての学際性

住まい探しにおけるレコメンデーションの課題
あなたにおすすめのお部
屋はこれ！
まったく同じ
部屋は一つしか
ない
どれだけ探せば満
足できる部屋が見つ
かるの？
?

住まい探しプロセスの特性
›  ユーザが決断までに⻑⾧長い時間、多くの⼿手間をかける
•  動機づけ
•  情報収集
•  ⽐比較検討
•  決断
›  ニーズが時間の経過とともに変化する
•  トレードオフ（価格 vs ○○）
•  地域・駅・路路線
•  買う – 借りる
•  マンション – ⼀一⼾戸建て
•  各種こだわり条件（ペット、バストイレ別、…）
→ ユーザの理理解が著しく困難

LIFULL HOMEʼ’Sのユーザー⾏行行動の可視化-‐-‐-‐-‐
具
体
的
検
索
行
動

典型的な物件探しの行動
（路線・駅選択 or 地域選択⇒リスト表示⇒物件閲覧）
非典型的な
物件探しの行動
（地図検索など）
物件見学後に
サーチエンジン
経由で再訪

不不動産物件のレコメンデーションに関する関連研究
⼀一般的なレコメンデーションは有効ではない
•  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
–  基本的に履履歴データなし
–  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]

「最適な選択が何か」がわかりづらい
•  検索索⾏行行動までは取得できるが、接客・物件⾒見見
学・契約などの⾏行行動はまだ取得困難
–  IT化のレベルがまだ低い
•  選んだ物件の満⾜足度度を本当に知りたければ、数
年年後〜～数⼗十年年後まで追わなければならない？
ユーザー⾏行行動のデータ取得が困難

機械学習の限界
樋口知之.
視点　人工知能はみようみまねマシンの究極形.

情報管理,
Vol.
59,
No.
5,
pp.
331-‐335,
2016.

画像・映像メディアの優位性
H26年年度度版情報通信⽩白書 (総務省省)
•  商品購⼊入の際にレビューサイトを参考にする
ユーザーが6カ国(⽇日本含む)で4割前後
–  クチコミなどの⾃自然⾔言語データが重視されている
不不動産分野
•  クチコミデータは蓄積しにくい
–  プライバシーや所在地域の機微情報に触れやすい
•  画像は⾮非常に重視されている

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
物件の写真の見栄えが良い
71.9％
32.5％

LIFULL HOMEʼ’Sデータセット (国⽴立立情報学研究所)
国内の賃貸不不動産物件データ
約530万件
•  所在地 (郵便便番号、最寄り駅など)
•  賃料料、⾯面積、築年年数、部屋タイプ etc.
•  建物構造 (⽊木造、鉄⾻骨、鉄筋コンクリート
etc.)
•  各種こだわり条件 (ペット可、楽器、カウ
ンターキッチン、バス・トイレ別 etc.)
物件画像約8300万点
間取り図約510万点
重厚な感じの

エントランス
日当たりの

良いリビング
主な研究分野:

• 画像処理 (ディープラーニング)

• 自然言語処理

• Web・ソーシャルメディア解析

• 不動産学

• 経済学
(価格推定)

• 建築学

• 都市学

保険・金融
医療
介護
都市・地域
不動産
他の⽣生活領領域との密接な関連

課題の整理理
ユーザの「真の姿」の理理解
•  ⾏行行動ログデータだけではわからない
•  データの取り⽅方から考える必要がある
画像・映像メディアの付加価値の向上
•  急速に進歩しつつある画像・映像解析技術をどの
ように取り込むか？（ディープラーニングなど）
多くの分野にまたがる知⾒見見の融合
•  緩やかな研究コミュニティの必要性

ソーシャルメディアを
通じた住まい探し
ユーザの理理解

現在遂⾏行行中の共同研究
›  Twitterデータからの「住まい探しコーパス」の構築
•  電通⼤大栗栗原研究室
•  クラウドソーシングを利利⽤用し、ツイートに住まい
探しに関する⾏行行動をタグ付け
›  街の雰囲気情報のデータ化 (100ninmapコラボ)
•  NAIST 荒牧先⽣生・若若宮先⽣生/京⼤大北北先⽣生/諏訪東京
理理科⼤大宮部先⽣生/京産⼤大河合先⽣生
›  介護分野をターゲットとした共同研究
•  九州⼯工業⼤大井上研究室
不不動産を中⼼心に、関連する分野にも

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

Twitterタイムラインに着⽬目した理理由
›  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

顧客理理解のアプローチ
•  ログデータの解析
–  PC、スマフォ以外のタッチポイントのデータ取得が困難
•  cf. O2Oでの来店検知
•  アンケート
–  ⾃自⾝身が⾔言葉葉にできないニーズは拾拾えない
•  ⾏行行動観察
–  数週間〜～年年単位にわたるプロセスを継続的に観察するのはコス
ト的に困難
Twitterデータは、上記のアプローチを補完しうる

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

クラウドソーシングでの設問例例

ツイートタイムラインの例例（あるユーザーの抜粋）
•  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

「物件⾒見見学」フェーズの⾏行行動（45設問、27ユーザー）

関連研究
•  Twitterをソーシャルセンサとして使う
–  迫村13: 経済動向とTwitter上の話題の広がり
–  若若井14: テレビ放映の映画とTwitter上の感情変化
–  榊11: Twitter上での⼈人物⽬目撃情報
–  本研究: 全体の動向よりは個別のユーザーのニーズ・
⾏行行動の掘り下げに重点
•  クラウドソーシングの利利⽤用
–  ⻄西13: 能⼒力力の低いワーカーが⾼高いワーカーにタスク
を委託することで⾼高い報酬を得られる枠組みを提案
–  本研究: 現在利利⽤用可能なサービスを階層的に活⽤用する
⼿手法にフォーカス
•  アノテーションへの利利⽤用
–  Finin10: ツイートデータに固有表現タグを付与
–  本研究: 固有表現ではなくユーザー⾏行行動にフォーカス

ツイートタイムラインの可能性
•  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

クラウドソーシングに
よる街選び指標開発の
試み

現在遂⾏行行中の共同研究
›  Twitterデータからの「住まい探しコーパス」の構築
•  電通⼤大栗栗原研究室
•  クラウドソーシングを利利⽤用し、ツイートに住まい
探しに関する⾏行行動をタグ付け
›  街の雰囲気情報のデータ化 (100ninmapコラボ)
•  NAIST 荒牧先⽣生・若若宮先⽣生/京⼤大北北先⽣生/諏訪東京
理理科⼤大宮部先⽣生/京産⼤大河合先⽣生
›  介護分野をターゲットとした共同研究
•  九州⼯工業⼤大井上研究室
不不動産を中⼼心に、関連する分野にも

100ninmap project＠京都
第1回三条・四条編第2回秋の嵯峨嵐嵐⼭山編

クラウドソーシングで尋ねた街の雰囲気指標 (京都市内36エリア)
1.  静かでゆったりとし
た地域
2.  都会的で現代的な地
域
3.  親しみや近所づきあ
いの魅⼒力力がある地域
4.  治安がよく安⼼心して
住める地域
5.  街並みや⾵風景が美し
い地域
6.  住んでみたい地域
7.  交通が便便利利な地域
8.  買い物に便便利利な地域
9.  教育環境が整ってい
る地域

3エリアの雰囲気⽐比較

物件探しにフォーカスした街歩きワークショップ
哲学の道
西陣

雰囲気による物件検索索インタフェースの試作

得られた知⾒見見
•  エリア間で指標を⽐比較することで新たな気づき
•  実際に街歩きを⾏行行うことでさらに多くの街の魅
⼒力力が発⾒見見される
–  ICTを活⽤用してどのように⾏行行動変容を起こすか？
•  多様化した個⼈人の価値観を反映させるためには、
もっとたくさんの指標が必要
–  こだわりの喫茶茶店が多い街
–  飲み歩きを楽しめる街
–  etc.

不不動産物件画像への
ディープラーニング適⽤用
の試み

どちらの物件情報がユーザーにとってより嬉しい？
A社
B社

料料理理がしやすいキッチンはどれ？

畳み込みニューラルネットワーク (CNN)
›  CNN = Convolutional Neural Network
•  画像認識識に特化したディープラーニングの⼿手法
•  画像ラベルのスコアを推定する
•  学習に数千〜～数万枚の教師データが必要
畳み込みと

プーリングを

何層か繰り返し
畳み込み層
プーリング層
キッチン

0.93
リビング

0.04
トイレ

0.03

画像種類の判別タスク
›  どの種類の物件画像なのかを判定する
›  LIFULL HOME’Sの物件画像データ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
u 外観

u 周辺

u 内装

u その他

u 寝室

u 子供部屋
u 洗面

u 収納

u 設備

u バルコニー

u エントランス

u 駐車場

使用するタグ
使用しないタグ

外観
周辺

居間

間取り

風呂

u 間取り

u 地図

u 玄関

u 居間

u キッチン

u 風呂

u トイレ

画像種類の判別タスク: 精度度
›  テストデータのError rate: 0.143
正答サンプル
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 12.1%
正解：洗面

結果：風呂

風呂 64.7%

洗面 26.2%

トイレ 3.1%
正解：収納

結果：風呂

風呂 75.0%

トイレ 9.2%

バルコニー 3.7%

deep learning (CNN) による不不整合画像検出の取り組み

キッチンのワークスペース広さ判別タスク
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、切ったもの
等を置けない
まな板、切った
ものなどを置け
る
複数の調理過
程のものを置け
る
調理に十分なス
ペースがある
›  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

キッチンのワークスペース広さ判別タスク: 結果
›  Error rate: 0.362
›  相関係数：0.717
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

ディープラーニング運⽤用のTIPS
•  学習⽤用データセット整備が命！
–  まずは⾃自分たちで作り、基準を確⽴立立
•  基準が確⽴立立できればクラウドソーシングも併⽤用可能
–  学習⼿手法はありきたりのものでOK（むしろありきたりのもので
ないとブラックボックス化して後で困る）
•  運⽤用コストは⽢甘く⾒見見ないほうがよい
–  「機械学習：技術的負債の⾼高利利⼦子クレジットカード」
※機械学習全般にいえることですが...

不不動産テックに
フォーカスした
研究コミュニティ
創出の試み

LIFULL HOMEʼ’Sデータセット (国⽴立立情報学研究所)
国内の賃貸不不動産物件データ
約530万件
•  所在地 (郵便便番号、最寄り駅など)
•  賃料料、⾯面積、築年年数、部屋タイプ etc.
•  建物構造 (⽊木造、鉄⾻骨、鉄筋コンクリート
etc.)
•  各種こだわり条件 (ペット可、楽器、カウ
ンターキッチン、バス・トイレ別 etc.)
物件画像約8300万点
間取り図約510万点
重厚な感じの

エントランス
日当たりの

良いリビング
主な研究分野:

• 画像処理 (ディープラーニング)

• 自然言語処理

• Web・ソーシャルメディア解析

• 経済学
(価格推定)

• 建築学

• 都市学

LIFULL HOMEʼ’Sデータセットの利利⽤用状況

Washington Univ. in St. Louis 古川泰隆先⽣生の
グループによる研究
h?ps://arxiv.org/pdf/1612.01225.pdf

JSAI 2017 オーガナイズドセッション「不不動産とAI」

価格推定
センサー

(IoT)
街歩き＋

クラウドソーシング
住まい探し

おわりに

おわりに
不不動産テックにはDBコミュニティの知⾒見見を⽣生かせ
る研究課題がたくさんあります！
•  データのheterogeneityをどう扱うか？
•  集合知を不不動産物件選び（＝⼈人⽣生の⼤大きな決
断）にどう活かすか？
超⾼高齢社会のデザインにDBコミュニティとしてど
う貢献するかを考えましょう！
•  2060年年には⾼高齢化率率率40％
•  世界各国も⽇日本を追いかけて⾼高齢化＝課題先進
国
•  ⽇日本が世界をリードする研究のグランドデザイ
ン

SoC2017 不動産テックの研究課題

Recommended

Recommended

More Related Content

What's hot

What's hot (18)

Similar to SoC2017 不動産テックの研究課題

Similar to SoC2017 不動産テックの研究課題 (20)

More from Yoji Kiyota

More from Yoji Kiyota (19)

SoC2017 不動産テックの研究課題