[論文レビュー] Shapes as Product Differentiation: Neural Network Embedding in the Analysis of Markets for Fonts

Sukjin Han, Eric H. Schulman+2 more|arXiv (Cornell University)|Jul 6, 2021

Innovation Diffusion and Forecasting被引用数 25

ひとこと要約

この論文は、パンガラム画像からフォント形状のニューラルネット埋め込み空間を構築し、デザイン差別化を測定し、合併の視覚的多様性への影響を合成対照法で評価する。

ABSTRACT

Many differentiated products have key attributes that are unstructured and thus high-dimensional (e.g., design, text). Instead of treating unstructured attributes as unobservables in economic models, quantifying them can be important to answer interesting economic questions. To propose an analytical framework for these types of products, this paper considers one of the simplest design products-fonts-and investigates merger and product differentiation using an original dataset from the world's largest online marketplace for fonts. We quantify font shapes by constructing embeddings from a deep convolutional neural network. Each embedding maps a font's shape onto a low-dimensional vector. In the resulting product space, designers are assumed to engage in Hotelling-type spatial competition. From the image embeddings, we construct two alternative measures that capture the degree of design differentiation. We then study the causal effects of a merger on the merging firm's creative decisions using the constructed measures in a synthetic control method. We find that the merger causes the merging firm to increase the visual variety of font design. Notably, such effects are not captured when using traditional measures for product offerings (e.g., specifications and the number of products) constructed from structured data.

研究の動機と目的

• 観測可能な経済変数として、未構造で高次元のフォント設計属性を定量化する。
• 視覚的類似性を保持する画像埋め込みによって低次元の製品空間を構築する。
• 埋め込み空間から2つの差別化指標を開発する（平均フォントまでの距離とグラビティ）。
• 合併が統合企業の設計決定に及ぼす因果効果を合成対照法を用いて評価する。

提案手法

• フォント全体のパンガラム画像を畳み込みニューラルネットワークの入力として用い、128次元の埋め込みを学習する。
• 同一ファミリー内のフォント埋め込みを、異なるファミリーの埋め込みよりも近づけるようトリプレット損失で学習する。
• 埋め込みを128次元のハイパースフィア上に正規化し、ユークリッド距離を視覚的類似性として解釈する。
• 128次元のフォント製品空間を構築し、t-SNEで視覚化してスタイルのクラスタリングを評価する。
• 埋め込みから2つの差別化指標を作成する： Averia（平均フォント）までの距離とグラビティ指標。
• 画像クラスタとタグベースの語彙埋め込みの間の相互情報量を測定して埋め込みの関連性を検証する。

実験結果

リサーチクエスチョン

• RQ1 高次元で未構造のフォント設計属性を、低次元で解釈可能な製品空間に定量化できるか？
• RQ2 画像由来の差別化指標は、従来の構造化属性を超えた意味のある経済的認識を捉えるか？
• RQ3 埋め込みベースの指標で測定されたフォント企業の設計差別化に対する合併の因果効果は何か？

主な発見

• 埋め込みベースの指標は、合併後に統合企業による視覚的多様性が合成対照と比較して増加することを、統計的有意性をもって明らかにする。
• 埋め込みは、従来の構造化指標（例：製品数や仕様）よりも知覚されるフォント属性に関する情報を多く捉える。
• 画像クラスタとタグベースの語彙クラスタ間の正規化相互情報量は0.473で、代理として製品カテゴリを用いた場合の0.261より高く、埋め込みが経済的認識と整合していることを示唆する。
• 埋め込み空間はフォントスタイルの明確なクラスタリング（幾何学的系統対曲線系統など）を示し、距離を視覚的類似性として堅牢に解釈することを支持する。