[논문 리뷰] Recommending Investors for Crowdfunding Projects

Jisun An, Daniele Quercia외 1명|arXiv (Cornell University)|2014. 09. 26.

FinTech, Crowdfunding, Digital Finance참고 문헌 16인용 수 8

한 줄 요약

이 논문은 기부 행동 분석과 함께 프로젝트 특성과 트위터에서 유도된 활동, 상태, 영향력 지표를 조합하여 킷스터라우트 프로젝트에 잠재적 투자자를 추천하기 위한 기계학습 접근법을 제안한다. 최고의 모델은 순서가 지정되지 않은 투자자 목록 예측에서 84%의 정확도를 달성하고 무작위 기준 대비 36% 높은 순위 성능을 보이며, 냉시작 상황에서도 효과적인 투자자 탐색이 가능하다.

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.

연구 동기 및 목표

• 킥스터라우트 프로젝트 실패의 일반적인 원인인 부족한 투자자 홍보 문제를 해결하기 위해 자동화된 방법을 개발하여 적합한 투자자를 추천하는 것.
• 자주 투자하는 투자자와 흔치 않은 투자자 간의 자금 지원 행동과 선호도의 차이를 이해하는 것.
• 기존 킷스터라우트 사용자를 초월해 트위터 활동에서 잠재적 투자자를 식별함으로써 투자자 풀을 확장하는 것.
• 기존 투자자 기록이 전혀 없는 경우(냉시작)에도 작동하는 추천 시스템을 구축하는 것.
• 정적/동적 프로젝트 특성과 트위터에서 유도된 특성의 조합이 투자자 관심을 예측하는 데 얼마나 효과적인지 평가하는 것.

제안 방법

• 저자들은 3개월 동안 킷스터라우트 프로젝트 데이터를 수집하며, 프로젝트 설명, 자금 목표, 투자자 목록을 포함한다.
• 각 프로젝트와 관련된 트위터 데이터를 크롤링하며, 프로젝트 또는 그 제작자에 대해 언급된 트윗에 집중한다.
• 사용자당 세 가지 트위터 유도 특성을 추출한다: 총 트윗 수의 로그(활동), 팔로워 대비 팔로잉 비율의 로그(상태), 리트윗, 좋아요, 언급 수의 합(영향력).
• 이 트위터 특성들을 정적(예: 프로젝트 카테고리, 목표) 및 동적(예: 목표까지의 시간, 업데이트) 프로젝트 특성과 결합하여 지도 학습 모델을 훈련시킨다.
• 지정된 프로젝트에 기부할 가능성이 높은 트위터 사용자를 예측하기 위해 RBF 커널을 사용한 서포트 벡터 머신(SVM-RBF)을 사용한다.
• 교차 검증을 통해 모델을 평가하며, 정확도, F1 점수, AUC, 순위 성능에 대한 평균 역수 순위(MRR) 등의 지표를 사용한다.

실험 결과

연구 질문

• RQ1 킥스터라우트에서 자주 투자하는 투자자와 흔치 않은 투자자 간의 자금 지원 행동과 프로젝트 선호도는 어떻게 다를까?
• RQ2 트위터에서 유도된 사용자 특성(활동, 상태, 영향력)이 특정 킷스터라우트 프로젝트에 기부할 가능성이 높은 사용자를 효과적으로 예측할 수 있는가?
• RQ3 기존 투자 기록이 전혀 없는 냉시작 상황에서 모델이 투자자를 얼마나 잘 추천할 수 있는가?
• RQ4 정적 및 동적 프로젝트 특성과 트위터 특성을 조합했을 때, 기준 방법 대비 투자자 관심 예측 성능은 얼마나 향상되는가?
• RQ5 다양한 특성(예: 활동 대비 영향력) 중 어떤 것이 예측 정확도와 순위 품질 향상에 더 큰 기여를 하는가?

주요 결과

• 자주 투자하는 투자자(사용자 중 11%)는 기술, 게임, 만화 분야의 잘 운영되는 야심 찬 프로젝트를 지원하며, 투자 포트폴리오를 다元화한다.
• 흔히 투자하지 않는 투자자(사용자 중 51%)는 주로 예술 관련 프로젝트에 기부하며, 투자자로서보다 기부자처럼 행동하며, 프로젝트 관리나 개인의 관심사와의 일치 여부에 덜 관심을 보인다.
• 최고의 추천 모델은 순서가 지정되지 않은 잠재적 투자자 목록 예측에서 84%의 정확도를 달성하며, 무작위 기준 대비 뚜렷하게 뛰어난 성능을 보인다.
• 순서가 지정된 추천에 대해서는 평균 백분위 순위가 0.32를 기록하여 무작위 선택 대비 36% 향상된 성능을 보였다.
• 기존 투자 기록이 전혀 없는 냉시작 상황에서도 모델은 여전히 69%의 정확도와 평균 역수 순위 0.40을 달성하여, 오직 트위터 활동 특성만으로도 강력한 일반화 능력을 보였다.
• 정적 및 동적 프로젝트 특성과 트위터에서 유도된 특성의 조합이 가장 뛰어난 성능을 보였으며, SVM-RBF는 모든 평가 지표에서 뛰어난 결과를 보였다.