[논문 리뷰] Early Predictions for Medical Crowdfunding: A Deep Learning Approach Using Diverse Inputs

Tong Wang, Fujie Jin외 2명|arXiv (Cornell University)|2019. 11. 09.

FinTech, Crowdfunding, Digital Finance참고 문헌 36인용 수 5

한 줄 요약

이 논문은 시계열 기반 기부 행동(예: 공유 수, 댓글 수, 기부 금액)과 시간에 따라 변하지 않는 케이스 특성(예: 기부자 인구통계학적 특성)을 결합하는 딥러닝 모델을 제안한다. 이 모델는 시간에 따라 변하지 않는 입력으로 초기화된 LSTM 아키텍처를 사용하여 의료 기부 캠페인의 성패를 짧은 관찰 창문 내에서 조기에 정확하게 예측한다. 기준 모델보다 정확도와 시기적 적합성에서 뛰어나며, 다변량 군집 분석을 통해 네 가지의 기부 패턴을 식별한다.

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.

연구 동기 및 목표

• 기부 캠페인 성패를 예측할 수 있는 불확실성으로 인해 기부자들이 목표를 달성할 수 있을지 예측하기 어려운 문제를 해결하기 위해.
• 정적 케이스 특성과 동적 매일 기부 행동을 모두 활용해 조기 예측 정확도를 향상시키는 예측 모델을 개발하기 위해.
• 캠페인 성과의 이질성을 설명하고 모델의 해석 가능성을 향상시키기 위해 잠재적인 시간적 기부 패턴을 식별하기 위해.
• 기부자와 플랫폼이 캠페인 홍보 및 자원 배분을 개선하기 위해 실질적인 통찰을 제공하기 위해.
• 구조화된, 비구조화된, 시간에 따라 변하는 데이터를 포함하는 예측 작업에 적용 가능한 일반화 가능한 프레임워크를 만들기 위해.

제안 방법

• 캠페인 출시 이후 매일 기록되는 순차적 시계열 특성(예: 매일 기부 금액, 공유 수, 댓글 수)을 처리하기 위해 LSTM 기반 딥러닝 모델을 사용한다.
• 시간에 따라 변하지 않는 특성(예: 나이, 성별, 사회적 관계 수)을 사용해 LSTM 은닉 상태를 초기화함으로써 케이스 수준의 특성에 따라 예측을 조정하는 새로운 아키텍처를 도입한다.
• 구조화된 시계열 데이터(예: 공유 수, 댓글 수, 확인된 사용자 수)와 비구조화된 텍스트 데이터(예: 상태 업데이트)를 임bedding 및 특성 공학을 통해 모델에 통합한다.
• 다변량 시계열 군집 분석(동적 시간 왜곡 및 계층적 군집 분석 사용)을 통해 캠페인 간 네 가지의 명확한 시간적 기부 패턴을 식별한다.
• 매일 관측 가능한 대규모 고유한 데이터셋(중국의 주요 플랫폼에서 확보한 51,288건의 의료 기부 캠페인)을 사용해 모델을 훈련하고 평가한다.
• 시간에 따라 변하지 않는 특성만 사용하는 기준 모델, 시간 변화 특성의 집계값만 사용하는 기준 모델, 시간에 따라 변하지 않는 특성을 시간 변화 입력으로 취급하는 기준 모델과의 성능을 비교한다.

실험 결과

연구 질문

• RQ1 시간에 따라 변하지 않는 특성과 시계열 특성을 동시에 처리하는 딥러닝 모델이 기존 모델보다 조기에 더 정확하게 의료 기부 캠페인 성패를 예측할 수 있는가?
• RQ2 의료 기부 캠페인에서 지배적인 시간적 기부 패턴은 무엇이며, 이는 기부 성공 또는 실패와 어떻게 관련되어 있는가?
• RQ3 LSTM 초기화에 시간에 따라 변하지 않는 특성을 통합함으로써 예측 성능과 안정성이 어떻게 향상되는가?
• RQ4 식별된 시간 패턴이 기부 행동의 이질성과 모델 신뢰구간의 변동성을 어느 정도 설명하는가?
• RQ5 모델의 예측 결과와 군집 분석 결과를 바탕으로 플랫폼 수준 또는 기부자 수준의 실질적인 개선 조치를 도출할 수 있는가?

주요 결과

• 제안된 모델는 기준 모델보다 유의미하게 높은 예측 정확도를 달성하며, 짧은 관찰 창문으로도 캠페인 출시 이래 며칠 내로 신뢰할 수 있는 예측을 제공한다.
• 특히 초기 단계에서의 기부 금액 예측에 대해 평균 절대 오차(MAE)를 기준 모델보다 줄여, 조기 예측 성능에서 뛰어난 성능을 보인다.
• 다변량 군집 분석을 통해 네 가지의 명확한 시간적 기부 패턴을 식별했다: 급속 성장, 천천가 성장, 지연된 급증, 저활동, 각각 다른 캠페인 성과와 관련이 있다.
• 명확한 시간 패턴을 보이는 캠페인의 경우 모델의 예측 신뢰도가 높으며, 군집 분석은 기준 모델이 비록 유사한 MAE를 보이더라도 높은 변동성을 보이는 이유를 설명한다.
• 초기 관심이 낮은 케이스는 메시지 응답 증가와 소셜 미디어 공유 증가와 같은 조기에 개선 조치를 통해 기부 성과가 향상되는 것으로 나타났다.
• 이 프레임워크는 주식 가격, 웹사이트 트래픽, 매출 예측 등 다양한 데이터 유형을 포함하는 예측 작업에 일반화 가능하다. 이는 다양한 구조화된 및 비구조화된 입력을 통합할 수 있는 능력 덕분이다.