《Applied Sciences》：Real Estate Recommender Systems: A PRISMA-Compliant Systematic Review of Multimodal, Spatio-Temporal, Explainable, and Fairness-Aware Innovations
在线房地产（RE）平台的快速扩张加剧了信息过载，使得房产搜索和决策日益复杂。房地产推荐系统（RERSs）已成为重要的决策支持工具；然而，其发展并未跟上可解释人工智能（XAI）、迁移学习（TL）和公平感知机器学习的进步。这项符合PRISMA的系统综述综合了2005年至2025年间发表的59篇同行评审研究，以批判性地审视RERS研究中的算法方法、数据模态、评估实践和伦理考量。研究人员的分析揭示了最先进人工智能技术采纳的显著滞后：虽然深度学习在15%的研究中被采用，但没有一篇综述工作实现了最先进的事后XAI或TL框架，尽管它们对于解决可解释性和数据稀缺挑战具有相关性。此外，研究人员识别出系统性的研究偏差，包括依赖专有数据集（80%）、地理集中在亚洲（56%）、住宅物业研究占主导（91%），以及尽管住房市场存在有记录的歧视风险，但公平性审计有限。为了解决这些差距，研究人员提出了一个基于信任的评估（T-EVAL）框架，该框架整合了预测准确性、用户信任、公平性和市场效率，并引入了一个全面的九层概念架构，用于透明、道德和数据高效的下一代RERS。本综述为技术采纳差距建立了实证基准，并概述了在房地产决策支持系统中推进负责任人工智能的研究议程。
1. Introduction
房地产推荐系统（RERSs）应对动态房产市场中高价值、低频次决策的挑战，但发展滞后于可解释人工智能（XAI）、迁移学习（TL）和公平感知机器学习等前沿技术。
1.1. Critical Review of Existing Surveys and Research Gaps in RERS
现有综述主要关注协同过滤（CF）、基于内容（CB）和混合范式，对深度学习（DL）和自然语言处理（NLP）方法探索有限，且未系统研究多模态融合、时空建模、TL或XAI在RERS中的实施。初步分析显示，59篇研究中15%采用DL，但0%实现事后XAI方法（如SHAP、LIME）或TL。
1.2. Research Objectives and Novel Contributions
研究目标包括：综合算法、数据模态和评估实践进展；通过定量差距分析批判现有局限；提出下一代RERS框架，包括基于信任的评估（T-EVAL）范式和九层概念架构。贡献包括：首次实证记录XAI/TL采纳差距；提出T-EVAL框架；提出九层架构；提出可操作研究议程。
1.3. Scope and Justification
综述覆盖2005-2025年，聚焦DL和数据驱动方法，以捕捉从模拟到数字化平台的转变。冷启动问题通过概率关系模型和混合系统缓解，但XAI、TL和多模态融合整合有限。
2. Background: RERS Evolution and Persistent Challenges
2.1. Taxonomy of Recommendation Approaches
RERS架构包括用户交互、模型选择、数据分析和推荐引擎。主要类型：协同过滤（CF）基于用户或项目相似性，但受数据稀疏性影响；基于内容（CB）依赖属性，存在过度专业化风险；混合系统（HB）整合CF和CB；深度学习（DL）系统使用卷积神经网络（CNN）、长短期记忆网络（LSTM）和图神经网络（GNN）处理多模态数据，但可解释性有限。
2.2. Core Challenges in RERS
八项挑战：冷启动问题（20%研究涉及）、数据稀缺（15%）、可解释性差距（0%实现事后XAI）、算法偏见、多模态整合（5%）、时空动态（7%）、评估现实差距和可扩展性。
2.3. Why Explainable AI and Transfer Learning Matter
XAI提供局部和全局可解释性及反事实解释，在欧盟人工智能法案下对高风险领域至关重要。TL通过跨领域、跨市场和跨模态迁移缓解数据稀缺，但RERS中采纳率接近零。
3. Methodology
3.1. Search Strategy
在Scopus和Web of Science中检索，使用查询词：“real estate” OR “housing” OR “property” OR “accommodation” AND “recommender systems” OR “recommendation systems”，限制2005-2025年，初始检索得2406篇文章。
3.2. Inclusion and Exclusion Criteria
纳入标准：2005-2025年、同行评审期刊或会议论文、英文、聚焦RERS设计或评估。排除非英文、无关领域和撤稿文章。最终保留59篇。
3.3. Screening Process
标题和摘要独立筛选，分歧通过讨论解决，最终共识59篇。
3.4. Data Extraction
每篇论文按出版年份、挑战、推荐范式、数据集、房产类型、地理位置、文档类型、人工智能技术和部署特征编码。
3.5. Coding Framework and Quality Assessment
3.5.1. Coding Dimensions
编码维度包括：推荐范式、数据模态、人工智能技术、XAI、TL、时空建模、评估协议和伦理考量。
3.5.2. Coding Procedure and Reliability
手动编码，采用保守策略（仅当实现识别技术时计为XAI启用）。两位作者独立编码子集，Cohen’s kappa > 0.75，一致性高。
4. Discussion Results: Descriptive and Thematic Analysis
4.1. Publication Trends and Geographic Bias
4.1.1. Publication Trends
2005-2014年稀疏，2015年后增长，2020年后因DL和新冠疫情数字化转型而激增。早期聚焦多准则决策，2014-2016年转向个性化，2017-2019年混合系统主导，2020年后引入生成对抗网络、嵌入和时空语义模型。
4.1.2. Document Type and Publication Venues
期刊和会议论文各占约49%，发表在Applied Sciences、Expert Systems with Applications等期刊及ACM会议。
4.1.3. Geographic Bias
数据集地理分布不均：亚洲56%、欧洲23%、北美12.8%，非洲、大洋洲和南美各2.6%。亚洲数据集丰富因人口和数字化，非洲缺失反映算法不平等和数据主权问题。
4.1.4. Property Type Bias
住宅物业占91%，商业和工业分别占6%和3%，农业和特殊用途缺失。住宅数据易获取且经济意义大，但限制外部效度。
4.2. Algorithms and Architectures
4.2.1. Traditional Methods
协同过滤（CF）最普遍（36%），其次基于内容（CB，23%）、混合（HB，14%）、多准则决策（MCDM，11%）、基于知识（KB，9%）、强化学习（RL，3%）、基于会话（SB，3%）和基于项目（IB，1%）。CB方法使用XGBoost和词嵌入；CF使用kNN和神经网络；混合系统整合模糊规则；KB和MCDM采用层次分析法和帕累托优化。
4.2.2. Advanced Methods
机器学习（ML）占72%，深度学习（DL）占28%。DL架构包括CNN-LSTM和GNN，但图神经网络、强化学习、大语言模型（LLM）和多模态推荐采纳有限。
4.2.3. The Technology Adoption Gap: XAI and TL
关键发现：XAI和TL在RERS中几乎完全缺失。可能原因包括学术-产业脱节、方法论保守、实施复杂性和评估挑战。
4.3. Challenge Algorithm Mapping
冷启动（12篇）和数据稀疏（9篇）是最常研究的挑战，主要采用用户画像、CB引导和混合模型缓解，但依赖传统框架。
4.4. Data Modalities and Fusion
多模态融合整合文本、图像、地理空间和数值属性，但现代多模态人工智能系统（如CLIP、GPT-4V）未应用。
4.5. Spatio-Temporal Modeling
仅4/59篇明确建模时空动态，使用循环神经网络和异构图，但忽略学区变化、基础设施发展等现实因素。
4.6. Evaluation Practices
离线指标（精确率、召回率、F1）主导，但未捕捉用户满意度、信任和实际效用。用户中心评估有限。
4.7. Explainability and Transparency
可解释性范式包括基于规则、基于案例和基于模型（SHAP、LIME、注意力机制）。SHAP量化特征贡献，Grad-CAM可视化图像区域，注意力热图突出文本特征。
4.8. Other AI Techniques
模糊逻辑处理不确定性，深度神经网络捕捉非线性，自编码器降维，主动学习减少标注成本，TL仍未被探索。
4.9. Ethical and Fairness Considerations
伦理RERS需解决隐私、公平、透明和法规合规（GDPR、POPIA、美国公平住房法）。位置推荐可能加剧红线和歧视，公平审计有限。
5. Critical Appraisal: Gaps, Limitations, and Proposed Conceptual Framework
5.1. Data Bottleneck
数据稀疏、质量不一致和公共多模态数据集稀缺（仅5个公共数据集），缺乏统一模式标准，限制可重复性和基准测试。
5.2. Methodology Bottleneck
方法论透明度不足，包括未记录的预处理流程和专有数据集依赖，建议采用ML可重复性检查表和注册报告。
5.3. Evaluation Bottleneck
离线指标主导，导致“准确性陷阱”，缺乏用户研究、在线A/B测试和纵向评估。
5.4. Integrating Trust, Stakeholders, and Fairness
5.4.1. Proposed Solution: Trust-Based Evaluation Framework
T-EVAL框架整合准确性、信任、公平性和效率，基于ResQue、多利益相关者和公平感知视角。
5.4.2. Accuracy-Oriented Evaluation and Predictive Utility
使用精确率、召回率、F1、平均绝对误差（MAE）和均方误差（MSE）评估预测效用。
5.4.3. User Trust-Oriented Evaluation
通过决策信心、感知准确性和解释质量等用户中心指标评估信任。
5.4.4. Fairness- and Bias-Aware Evaluation
使用差异影响、差异对待和公平指标（如均等几率）识别和缓解偏见。
5.4.5. Market Efficiency-Oriented Evaluation
通过点击率、转化率和收入衡量市场影响。
5.4.6. Lawfulness: Regulatory Compliance
需遵守美国公平住房法、GDPR和POPIA，离线评估存在生态效度差距。
5.5. Generalization Bottleneck
地理偏差（亚洲56.4%）和住宅物业主导（91%）限制泛化性，非洲、商业和工业领域缺失。
5.6. Ethical Bottleneck
公平审计极少，存在歧视风险和数字红线，需纳入反事实公平指标和偏见检测工具。
5.7. Deployment Bottleneck
仅一项研究报告实际部署，存在研究与实践的转化差距，建议报告部署架构和成本分析。
6. Conceptual Framework for Next-Generation RERS
6.1. Data Ingestion and Preprocessing Layer
整合结构化属性、文本、图像、地理空间和行为日志，进行数据完整性、归一化和跨模态同步。
6.2. Feature Engineering
将原始数据转换为密集表示：表格数据归一化，文本使用BERT嵌入，图像使用CNN，地理空间使用空间编码器，行为数据使用LSTM或Transformer。
6.3. Multimodal Fusion Layer
通过拼接、注意力融合、跨模态Transformer和图神经网络（GNN）整合异质模态，实现整体用户-房产匹配。
6.4. Spatio-Temporal Modeling Layer
捕获空间（图表示）和时间（时间序列模型）动态，使用时空融合技术如STAR和时空GNN。
6.5. Transfer Learning
利用预训练语言模型（BERT）和视觉模型（ResNet）通过域适应和多任务学习缓解数据稀缺。
6.6. Model Layer
实现协同过滤、基于内容、混合和深度学习算法，包括矩阵分解、GNN和注意力机制。
6.7. XAI Layer
通过SHAP、Grad-CAM、注意力热图和LIME提供局部和全局可解释性，支持用户信任和法规合规。
6.8. Recommendation and Ranking Layer
使用学习排序、深度排序和强化学习生成个性化排名列表，优化相关性和多样性。
6.9. User Interface and Interaction Layer
将模型输出转化为文本理由、视觉叠加和空间透明度仪表板，促进知情决策。
Comparison with Prior RERS Frameworks
与现有框架相比，本框架明确嵌入多模态表示学习、时空建模、TL和XAI作为独立层，并整合公平审计和法规合规，超越传统以准确性为中心的架构。
7. Conclusions
RERS研究已到转折点，虽从传统CF进展到DL，但未采纳XAI和TL。综述贡献：实证识别技术采纳差距；提出下一代多模态伦理框架；引入T-EVAL框架。呼吁转向多模态、时空和以人为中心的验证。
8. Policy and Industry Implications
政策制定者应要求透明度和公平审计；行业整合XAI和TL可提升信任和竞争力；研究人员需设计社会技术系统，融入公平、合法和以人为中心的评估。
