[论文解读] What Contributes to a Crowdfunding Campaign's Success? Evidence and Analyses from GoFundMe Data

Xupin Zhang, Hanjia Lyu+1 more|arXiv (Cornell University)|Jan 15, 2020

FinTech, Crowdfunding, Digital Finance参考文献 33被引用 8

一句话总结

本研究通过融合来自活动封面照片和描述的文本（LIWC）与视觉（Face++）特征，探究GoFundMe众筹活动中多模态预测因子。采用基于随机森林的融合分类器，显著提升了准确率，尤其在较高筹资层级表现突出，表明结合图像与文本分析优于单一模态模型，其中图像质量特征对中等层级活动尤为具有预测力。

ABSTRACT

Researchers have attempted to measure the success of crowdfunding campaigns using a variety of determinants, such as the descriptions of the crowdfunding campaigns, the amount of funding goals, and crowdfunding project characteristics. Although many successful determinants have been reported in the literature, it remains unclear whether the cover photo and the text in the title and description could be combined in a fusion classifier to better predict the crowdfunding campaign's success. In this work, we focus on the performance of the crowdfunding campaigns on GoFundMe across a wide variety of funding categories. We analyze the attributes available at the launch of the campaign and identify attributes that are important for each category of the campaigns. Furthermore, we develop a fusion classifier based on the random forest that significantly improves the prediction result, thus suggesting effective ways to make a campaign successful.

研究动机与目标

• 识别在不同筹资类别中预测GoFundMe众筹成功的关键图像与文本特征。
• 评估文本（LIWC）与视觉（Face++）特征对活动表现的独立与联合影响。
• 开发并基准测试一种整合文本与视觉数据的多模态融合分类器，以提升预测准确率。
• 为筹款者与平台提供可操作的见解，优化活动设计以提高成功率。

提出的方法

• 本研究分析了截至2019年11月发布的10,974个GoFundMe活动，聚焦于活动发布时可获取的属性。
• 使用LIWC提取文本特征，分析活动描述的心理与语言维度。
• 通过Face++提取视觉特征，包括面部属性（如微笑强度、情绪）与图像质量评分（美学与技术指标）。
• 采用随机森林分类器评估多种融合策略的预测性能：早期融合（合并特征）、晚期融合（分别建模后组合）与单一模态基线。
• 使用10折交叉验证进行模型训练与验证，性能通过准确率、精确率、召回率与F1-score在不同筹资目标组中进行评估。
• 通过相关性分析与模型评估确定特征重要性，并应用按类别定制的特征选择以优化预测能力。

实验结果

研究问题

• RQ1 在不同筹资类别中，哪些文本与视觉特征对GoFundMe活动成功具有最显著的贡献？
• RQ2 联合分析图像与文本特征是否能提升众筹成功预测能力，超越单一模态方法？
• RQ3 图像质量与面部表情（如微笑强度）如何影响捐赠者感知与活动表现？
• RQ4 在不同筹资层级中，文本、图像与人口统计特征（如城市人口）对成功预测的相对贡献如何？

主要发现

• 结合文本与视觉特征的融合分类器在所有筹资组中均达到最高准确率，加权F1得分为0.44，优于单一模态模型。
• 在（$8,000, $40,000] 筹资组中，仅使用图像质量特征即达到58%准确率与56% F1得分，为所有模型中最佳表现。
• 在（$40,000, $68,000] 组中，仅使用基础信息的基线模型达到72%准确率，表明在更高筹资水平下预测性更强。
• Face++面部表情特征预测能力有限，其在最低筹资组中的最大F1得分为0.37。
• 基于LIWC的模型在（$0, $8,000] 组中比基线模型提升5个百分点准确率，达到45%准确率。
• 晚期融合与早期融合策略均优于单一模态模型，其中早期融合在整体加权性能上略占优势。