| ID | Portal | Adresse / Lage | Preis | Fläche | Zi. | Cluster-Status | Aktion |
|---|
Immobilienportale nutzen absichtlich unterschiedliche Datenstrukturen, und Makler passen Titel oder Bilder an, um Exklusivrechte vorzutäuschen oder Reichweite zu maximieren. Ein robuster Filter erfordert einen mehrstufigen probabilistischen Matching-Algorithmus:
Portale wie ImmoScout24 oder Immowelt bieten Nutzern oft eine Datenschutz-Option, bei der die Koordinate um 50 bis 200 Meter radial permutiert wird.
Die Engine berechnet die Haversine-Orthodrome d = 2r · arcsin(√sin²(Δφ/2) + cos φ₁ cos φ₂ sin²(Δλ/2)). Liegt die Distanz unter dem Schwellenwert (z.B. 180 m) oder stimmen Straße und Hausnummer im Text exakt überein, greift Stufe 2.
Wohnflächen weichen häufig um 1–5 m² ab, weil Makler A den Balkon zu 50% anrechnet, während Makler B ihn nach WoFlV zu 25% berechnet. Zimmerzahlen variieren zwischen 2.5 und 3 Zimmern (halbe Zimmer für Wohnküchen).
Unser Algorithmus verwendet ein asymmetrisches Intervall: |qm_A - qm_B| ≤ Toleranz und |zi_A - zi_B| ≤ 0.5.
Inseratstexte werden normalisiert (Entfernung von Stopwörtern wie "schöne", "gepflegte", "traumhafte", Stemming auf Substantive). Anschließend wird der Jaccard-Koeffizient über Token-Bi-Gramme gebildet:
J(A, B) = |Tokens(A) ∩ Tokens(B)| / |Tokens(A) ∪ Tokens(B)|. Bei getaggten Grundrissen oder Fotos gleicht ein pHash (Perceptual Hash) eventuelle Wasserzeichen und Kompressionsartefakte aus.
Treffen alle Kriterien paarweise zu, werden die Inserate in einem Disjoint-Set (Union-Find) Graph zusammengefasst.