近年来,随着我国经济飞速发展,房地产行业在其中起着至关重要的作用。房地产价值的变动也会体现出国家经济发展的变化,而国家经济的波动或者国家针对房地产的宏观调控也会影响着房地产价值的走势,因此对于房地产的深入研究对国家发展或是国民生活都有着重要意义。然而真实的市场中存在各种各样的因素影响房产价值,因此对房产价值的评估变得十分困难。本文应用长春真实的房地产数据,通过多模态特征提取,对评估房产价值以及探究房产价值的影响因素两个问题进行深入研究。评估房产价值以及探究特征对房产价值的影响,一方面能够对整个房地产经济有着宏观把控,另一方面对房屋投资者有着重要的参考价值。本文提出了一种多模加权混合模型来评估房产价值以及识别特征影响,这种方法能够减轻房地产异质性带来的不良影响。应用本文提出的模型,我们可以根据房屋特征来评估房产价值以及探究不同特征对房产价值的不同影响。具体来说,我们首先通过数据处理方法以及机器学习算法对房地产数据中的房屋属性、空间属性和时间属性三种模态进行特征提取,得到对应的表征向量。然后我们利用主成分分析算法获得多模态表征向量的低维表示,低维表示降低了模型学习的计算成本,避免了用期望最大化算法估计模型参数过程中奇异矩阵反演的潜在突变,以及减少特征之间的耦合。接下来,我们提出自适应加权策略,将降维后的多模态表征向量建模为一个多模加权混合模型,利用自适应加权策略得到每一种特征的特征影响,并将特征影响引入到房屋价值的估计中。我们应用期望最大化算法对模型中的隐变量进行求解,训练模型后,我们得到了评估的房屋价值,以及根据自适应加权策略学习到的特征权重得到了影响房产价值因素的重要度排名。最后为了验证该模型的有效性,在长春真实房地产数据集上进行了大量的实验,实验结果表明了本文提出的算法的鲁棒性和准确性。