[논문 리뷰] Shapes as Product Differentiation: Neural Network Embedding in the Analysis of Markets for Fonts

Sukjin Han, Eric H. Schulman외 2명|arXiv (Cornell University)|2021. 07. 06.

Innovation Diffusion and Forecasting인용 수 25

한 줄 요약

본 논문은 팬그램 이미지로부터 글꼴 형태의 신경망 임베딩 공간을 구축하여 디자인 차이를 측정하고 합성 제어를 활용해 시각적 다양성에 대한 합병 효과를 평가한다.

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.

연구 동기 및 목표

• 비정형적이고 고차원적인 글꼴 디자인 속성을 관찰 가능한 경제 변수로 정량화한다.
• 시각적 유사성을 보존하는 이미지 임베딩을 통해 저차원 제품 공간을 구성한다.
• 임베딩 공간에서 두 가지 차별화 측정치(평균 글꼴까지의 거리와 중력)를 개발한다.
• 합병으로 인한 피합병 기업의 디자인 결정에 대한 인과 효과를 합성 제어로 평가한다.

제안 방법

• 콘볼루션 신경망에 전체 글꼴의 팬그램 이미지를 입력으로 사용하여 128차원 임베딩을 학습한다.
• 同 families 간 임베딩을 서로 멀리 하는 것이 아니라 같은 패밀리임이 더 가까워지도록 Triplet 손실로 학습한다.
• 임베딩을 128차원 초구면에 놓이도록 정규화하고 유클리드 거리를 시각적 유사성으로 해석한다.
• 128차원 글꼴 제품 공간을 구성하고 t-SNE로 시각화하여 스타일의 군집화를 평가한다.
• 임베딩으로부터 두 가지 차별화 측정치를 생성한다: Averia(average font)까지의 거리와 중력(gravity) 측정치.
• 이미지 클러스터와 태그 기반 단어 임베딩 간의 상호정보량을 측정해 임베딩의 관련성을 검증한다.

실험 결과

연구 질문

• RQ1 고차원 비정형 글꼴 디자인 속성을 해석가능한 저차원 제품 공간으로 정량화할 수 있는가?
• RQ2 이미지에서 도출된 차별화 측정치가 전통적 구조 속성 외에 의미 있는 경제적 인식을 포착하는가?
• RQ3 임베딩 기반 측정치로 측정한 글꼴 기업의 디자인 차별화에 대한 합병의 인과적 영향은 무엇인가?

주요 결과

• 임베딩 기반 측정치가 합병 후 합병 기업의 시각적 다양성이 증가함을 합성 제어 대비統계적 유의성으로 보여준다.
• 임베딩은 전통적 구조적 측정치(예: 제품 수나 사양)보다 지각된 글꼴 속성에 대한 더 많은 정보를 포착한다.
• 이미지 클러스터와 태그 기반 단어 클러스터 간의 정규화된 상호정보량은 0.473으로, 프로덕트 카테고리를 대체로 사용할 때 얻은 0.261보다 높아 임베딩이 경제적 인식과 일치함을 시사한다.
• 임베딩 공간은 글꼴 스타일(예: 기하학적 대 곡선형)의 명확한 군집화를 보여주며 거리의 해석을 시각적 유사성의 강력한 근거로 뒷받침한다.