[论文解读] 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 25

一句话总结

本文构建了来自 pangram 图像的字体形状的神经网络嵌入空间，以衡量设计差异，并使用合成控制来评估并购对视觉多样性的影响。

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.

研究动机与目标

• 将非结构化的高维字体设计属性量化为可观测的经济变量。
• 通过图像嵌入构建一个保持视觉相似性的低维产品空间。
• 从嵌入空间开发两个差异化度量（到平均字体的距离和重力度量）。
• 使用合成控制评估并购对并购方设计决策的因果效应。

提出的方法

• 以整字体的 pangram 图像作为输入，输入卷积神经网络以学习 128 维嵌入。
• 使用三元组损失训练，使同一族字体的嵌入比不同族字体的嵌入更靠近。
• 将嵌入归一化到 128 维超球面上；将欧氏距离解释为视觉相似性。
• 构建一个 128 维的字体产品空间，并使用 t-SNE 可视化以评估风格的聚类。
• 从嵌入创建两个差异化度量：到 Averia（平均字体）的距离和一个重力度量。
• 通过测量图像聚类与基于标签的词嵌入之间的互信息来验证嵌入的相关性。

实验结果

研究问题

• RQ1 是否可以将高维的非结构化字体设计属性量化为一个低维、可解释的产品空间？
• RQ2 基于图像得到的差异化度量是否能捕捉超越传统结构化属性的有意义的经济感知？
• RQ3 以嵌入为基础的度量来衡量并购对字体公司设计差异化的因果影响是什么？

主要发现

• 基于嵌入的度量显示，合并后相较于合成控制，合并公司在视觉多样性方面有所增加，具有统计显著性。
• 嵌入捕捉的关于感知字体属性的信息多于传统结构化度量（例如产品数量或规格）。
• 图像聚类与基于标签的词聚类之间的归一化互信息为 0.473，高于使用产品类别作为代理时得到的 0.261，表明嵌入与经济感知对齐。
• 嵌入空间清晰显示字体风格的聚类（如几何型与卷曲型），并支持将距离作为视觉相似性的稳健解释。