[論文レビュー] Recommending Investors for Crowdfunding Projects

Jisun An, Daniele Quercia+1 more|arXiv (Cornell University)|Sep 26, 2014

FinTech, Crowdfunding, Digital Finance参考文献 16被引用数 8

ひとこと要約

本論文では、寄付行動を分析し、プロジェクトの特徴とTwitter由来の活動、ステータス、影響力指標を組み合わせることで、Kickstarterプロジェクトの潜在的投資家を推薦する機械学習的手法を提案する。最良のモデルは、順序なし投資家リストの予測で84％の正確性を達成し、ランダムベースライン比で36％優れた順位付け性能を示し、冷スタート状況でも効果的な投資家発見を可能にする。

ABSTRACT

To bring their innovative ideas to market, those embarking in new ventures have to raise money, and, to do so, they have often resorted to banks and venture capitalists. Nowadays, they have an additional option: that of crowdfunding. The name refers to the idea that funds come from a network of people on the Internet who are passionate about supporting others' projects. One of the most popular crowdfunding sites is Kickstarter. In it, creators post descriptions of their projects and advertise them on social media sites (mainly Twitter), while investors look for projects to support. The most common reason for project failure is the inability of founders to connect with a sufficient number of investors, and that is mainly because hitherto there has not been any automatic way of matching creators and investors. We thus set out to propose different ways of recommending investors found on Twitter for specific Kickstarter projects. We do so by conducting hypothesis-driven analyses of pledging behavior and translate the corresponding findings into different recommendation strategies. The best strategy achieves, on average, 84% of accuracy in predicting a list of potential investors' Twitter accounts for any given project. Our findings also produced key insights about the whys and wherefores of investors deciding to support innovative efforts.

研究の動機と目的

• Kickstarterプロジェクト失敗の一般的な要因である投資家へのアプローチ不足を解消するため、適切な投資家を自動的に推薦する手法を開発すること。
• 頻繁な投資家と偶発的な投資家が、資金調達行動や好みにおいてどのように異なるかを理解すること。
• Kickstarterの既存ユーザーにとどまらず、Twitterの活動から潜在的投資家を同定することで、投資家プールを拡大すること。
• 投資家に過去のデータが一切存在しない（コールドスタート）状況でも動作するレコメンデーションシステムを構築すること。
• 静的／動的プロジェクト特徴とTwitter由来特徴を組み合わせた場合、投資家関心を予測する上でどの程度効果的かを評価すること。

提案手法

• 著者らは3か月間にわたり、プロジェクトの説明、資金調達目標、投資家リストを含むKickstarterプロジェクトデータを収集した。
• 各プロジェクトに関連するTwitterデータをクロールし、プロジェクトまたはその作成者を言及するツイートに焦点を当てた。
• 各ユーザーに対して3つのTwitter由来特徴を抽出した：総ツイート数の対数（活動）、フォロワー対フォロー中比の対数（ステータス）、リツイート数、いいね数、メンション数の合計（影響力）。
• これらのTwitter特徴を、静的特徴（例：プロジェクト分野、目標額）および動的特徴（例：目標までの時間、更新履歴）と組み合わせ、教師ありモデルを訓練した。
• 特定のKickstarterプロジェクトに資金を提供する可能性の高いTwitterユーザーを予測するために、RBFカーネルを用いたサポートベクターマシン（SVM-RBF）が使用された。
• 交差検証を用いてモデルを評価し、正確性、F1スコア、AUC、順位付け性能の平均逆順位（MRR）といった指標が用いられた。

実験結果

リサーチクエスチョン

• RQ1 頻繁な投資家と偶発的な投資家は、Kickstarterにおける資金調達行動やプロジェクト好みにおいてどのように異なるか？
• RQ2 Twitter由来のユーザー特徴（活動、ステータス、影響力）は、特定のKickstarterプロジェクトに資金を提供するユーザーを効果的に予測できるか？
• RQ3 投資家に過去の資金調達履歴がない（コールドスタート）状況において、モデルはどの程度投資家を推薦できるか？
• RQ4 静的および動的プロジェクト特徴に加え、Twitter由来特徴を組み合わせた場合、ベースライン手法と比較して投資家関心をどの程度うまく予測できるか？
• RQ5 活動と影響力といった異なる特徴の相対的寄与度は、予測正確性および順位付け品質の向上にどの程度寄与するか？

主な発見

• 頻繁な投資家（ユーザーの11％）は、テクノロジー、ゲーム、コミック分野の、うまく管理された野心的なプロジェクトを支援しており、ポートフォリオを多様化している傾向にある。
• 偶発的な投資家（ユーザーの51％）は主にアート関連のプロジェクトに資金を提供し、寄付者としての行動を示しており、プロジェクトの管理状況や個人の関心との整合性にあまり注意を払わない傾向にある。
• 最良のレコメンデーションモデルは、潜在的投資家リストの順序なし予測で84％の正確性を達成し、ランダムベースラインを著しく上回った。
• 順序付きレコメンデーションでは、平均百分位順位が0.32に達し、ランダム選択比で36％の改善を示した。
• 過去の投資履歴がないコールドスタート状況においても、モデルは依然として69％の正確性と平均逆順位0.40を達成し、Twitter活動特徴のみを用いても強力な一般化性能を示した。
• 静的および動的プロジェクト特徴とTwitter由来特徴を組み合わせた場合が最も優れた性能を示し、SVM-RBFは全評価指標で優れた結果を出した。