[論文レビュー] Early Predictions for Medical Crowdfunding: A Deep Learning Approach Using Diverse Inputs

Tong Wang, Fujie Jin+2 more|arXiv (Cornell University)|Nov 9, 2019

FinTech, Crowdfunding, Digital Finance参考文献 36被引用数 5

ひとこと要約

本論文では、LSTMアーキテクチャを用い、時間に依存しないケース特徴（例：資金調達者のデモグラフィック情報）と、日々の時系列寄付行動（例：共有数、返信数、寄付額）を組み合わせた深層学習モデルを提案する。時間に依存しない入力を用いて初期化されたLSTMを用いることで、短い観測期間内に早期かつ高精度な医療寄付クラウドファンディングの成果予測が可能となり、ベースラインを上回る精度とタイムリネスを達成するとともに、多次元クラスタリングにより4つの異なる寄付行動パターンを同定した。

ABSTRACT

Medical crowdfunding is a popular channel for people needing financial help paying medical bills to collect donations from large numbers of people. However, large heterogeneity exists in donations across cases, and fundraisers face significant uncertainty in whether their crowdfunding campaigns can meet fundraising goals. Therefore, it is important to provide early warnings for fundraisers if such a channel will eventually fail. In this study, we aim to develop novel algorithms to provide accurate and timely predictions of fundraising performance, to better inform fundraisers. In particular, we propose a new approach to combine time-series features and time-invariant features in the deep learning model, to process diverse sources of input data. Compared with baseline models, our model achieves better accuracy and requires a shorter observation window of the time-varying features from the campaign launch to provide robust predictions with high confidence. To extract interpretable insights, we further conduct a multivariate time-series clustering analysis and identify four typical temporal donation patterns. This demonstrates the heterogeneity in the features and how they relate to the fundraising outcome. The prediction model and the interpretable insights can be applied to assist fundraisers with better promoting their fundraising campaigns and can potentially help crowdfunding platforms to provide more timely feedback to all fundraisers. Our proposed framework is also generalizable to other fields where diverse structured and unstructured data are valuable for predictions.

研究の動機と目的

• 資金調達者が自身の医療寄付クラウドファンディングが目標額に到達するかどうかを予測する際に直面する不確実性に対処すること、特に寄付結果の高いばらつきを考慮すること。
• 静的ケース属性と動的で日々変化する寄付行動の両方を活用して、早期の予測精度を向上させる予測モデルを開発すること。
• 寄付行動の多様性を説明し、モデルの解釈可能性を高めるために、潜在的な時間的寄付パターンを同定すること。
• ファンドレイザーおよびプラットフォームがキャンペーンのプロモーションやリソース配分を改善するために役立つ、実行可能なインサイトを提供すること。
• 構造的・非構造的・時間的に変化するデータを含む予測タスクに適用可能な汎用的なフレームワークを構築すること。

提案手法

• キャンペーン開始以降の時系列特徴（例：日次寄付額、共有数、返信数）を処理するため、LSTMベースの深層学習モデルを採用する。
• 時間に依存しない特徴（例：年齢、性別、SNS関係数）を用いてLSTMの隠れ状態を初期化する、新規アーキテクチャを導入することで、ケースレベルの属性に条件付けられた予測を実現する。
• 構造的時系列データ（例：共有数、返信数、本人確認済みユーザー数）と非構造的テキストデータ（例：状況更新）を、埋め込み法および特徴工学的手法を用いてモデルに統合する。
• 動的時間ワープ（DTW）と階層的クラスタリングを用いた多次元時系列クラスタリングを適用し、キャンペーン全体にわたる4つの明確な時間的寄付パターンを同定する。
• 中国の主要なプラットフォームから得た51,288件の医療寄付クラウドファンディングケースからなる大規模かつ独自のデータセットを用い、日次観測データでモデルを訓練および評価する。
• 時間に依存しない特徴のみを用いるベースライン、時変特徴の集約値のみを用いるベースライン、時間に依存しない特徴を時変入力として扱うベースラインと、モデルの性能を比較する。

実験結果

リサーチクエスチョン

• RQ1 時間に依存しない特徴と時系列特徴を統合して処理する深層学習モデルは、従来のモデルと比較して、より早期かつより高精度に医療寄付クラウドファンディングの成果を予測できるか？
• RQ2 医療寄付クラウドファンディングキャンペーンにおける支配的となる時間的寄付パターンは何か？また、それらは資金調達の成功または失敗とどのように関連しているか？
• RQ3 LSTMの初期化に時間に依存しない特徴を統合することで、予測性能とロバスト性はどのように向上するか？
• RQ4 同定された時間的パターンは、寄付行動の多様性およびモデルの信頼区間のばらつきをどの程度説明できるか？
• RQ5 モデルの予測結果およびクラスタリング分析は、プラットフォームレベルまたはファンドレイザーのレベルでの介入を支援する実行可能なインサイトを提供できるか？

主な発見

• 提案モデルは、ベースラインモデルと比較して著しく高い予測精度を達成しており、観測期間を短くすることができる。キャンペーン開始後数日以内に信頼性の高い予測が可能である。
• 特に初期段階の予測において、寄付額予測の平均絶対誤差（MAE）がベースラインより低く抑えられ、優れた性能を示した。
• 多次元クラスタリングにより、4つの明確な時間的寄付パターン（急激な成長、ゆっくりとした安定的増加、遅延した増加、低活動）が同定され、それぞれが異なるキャンペーン成果と関連している。
• 明確な時間的パターンを示すキャンペーンでは、モデルの予測に対する信頼度が高くなる。また、クラスタリング分析により、ベースラインモデルが類似したMAEを示しても信頼区間のばらつきが大きい理由が説明できる。
• 初期段階での注目度が低かったケースでは、メッセージ返信の増加やSNS共有の強化といった早期介入が、寄付パフォーマンスの向上と相関していることが示された。
• 本フレームワークは、株価、ウェブサイトのトラフィック、販売予測など、構造的・非構造的・時間的に変化するデータを含む他の予測タスクにも汎用的に適用可能である。これは、多様な構造的および非構造的入力を統合できる能力に起因する。