[论文解读] 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 8

一句话总结

本文提出一种机器学习方法，通过分析捐赠行为，并结合项目特征与从Twitter获取的活动、状态和影响力指标，为Kickstarter项目推荐潜在投资者。最佳模型在预测无序投资者列表时达到84%的准确率，排名性能比随机基线高出36%，即使在冷启动场景下也能实现有效的投资者发现。

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.

研究动机与目标

• 为解决Kickstarter项目失败的常见原因——投资者触达不足，开发自动化方法以推荐合适投资者。
• 理解频繁投资者与偶尔投资者在资助行为和偏好上的差异。
• 通过分析Twitter活动，将潜在投资者池扩展至现有Kickstarter用户之外。
• 构建即使在投资者无历史数据（冷启动）情况下仍能工作的推荐系统。
• 评估将静态/动态项目特征与Twitter衍生特征结合，预测投资者兴趣的有效性。

提出的方法

• 作者在为期3个月的时间内收集Kickstarter项目数据，包括项目描述、筹资目标和投资者列表。
• 爬取与每个项目相关的Twitter数据，重点关注提及该项目或其创建者的推文。
• 为每位用户提取三项Twitter衍生特征：总推文数的对数（活动）、关注者与关注对象比率的对数（状态）以及转发、点赞和提及数的总和（影响力）。
• 将这些Twitter特征与静态特征（如项目类别、目标金额）和动态特征（如距目标时间、更新频率）结合，训练监督模型。
• 采用径向基函数核（RBF）的支持向量机（SVM-RBF）模型，预测特定Twitter用户是否可能资助某个项目。
• 通过交叉验证评估模型，使用准确率、F1值、AUC以及平均倒数排名（MRR）等指标衡量排序性能。

实验结果

研究问题

• RQ1 频繁投资者与偶尔投资者在Kickstarter上的资助行为和项目偏好上有何差异？
• RQ2 Twitter衍生的用户特征（活动、状态、影响力）能否有效预测哪些用户会资助特定的Kickstarter项目？
• RQ3 在投资者无任何历史资助记录的冷启动场景下，该模型在多大程度上能推荐潜在投资者？
• RQ4 与基线方法相比，将静态和动态项目特征与Twitter特征结合，预测投资者兴趣的效果如何？
• RQ5 不同特征（如活动与影响力）对提升预测准确率和排序质量的相对贡献是什么？

主要发现

• 频繁投资者（占用户11%）倾向于支持管理良好、雄心勃勃的技术、游戏和漫画类项目，并倾向于多样化其投资组合。
• 偶尔投资者（占用户51%）主要资助艺术类项目，行为更接近捐赠而非投资，对项目管理或与个人兴趣的一致性关注较少。
• 最佳推荐模型在预测无序潜在投资者列表时达到84%的准确率，显著优于随机基线。
• 在有序推荐中，模型的平均百分位排名为0.32，较随机选择提升36%。
• 在无任何历史资助记录的冷启动场景下，模型仍达到69%的准确率和0.40的平均倒数排名，表明仅依赖Twitter活动特征即可实现良好泛化。
• 将静态和动态项目特征与Twitter衍生特征结合，可获得最佳性能，SVM-RBF在所有评估指标上均表现最优。