研究室内輪読資料。2015年春学期。

1. Recommending Investors
for Crowdfunding Projects
Yusuke Iwasawa
2015.04.30 Paper Reading

2. • WWW 14
• Citations: 4
• Motivation:
• I m currently working on similar work using ReadyFor? Data
• For the start point of the research

3. Agenda
1. Introduction
2. Related Work
3. Investors vs. Donors
4. Dataset
5. Pledging Behavior
6. Recommending Investors
7. Discussion
3

4. Crowdfunding
• Crowdfunding is a matching platform between funder (and project) with investors
• Investors could fund projects among various projects
• In exchange of funds, investors get some rewards (e.g post card)
4
Discover Page Rewards
https://www.kickstarter.com/discover/categories/art?ref=discover_index

5. What is a problem?
• Not all projects are successfully financed!
• According to a Report of Kickstarter, the success rate is 50%
5
✖
✖
✖
✖
https://www.kickstarter.com/discover/categories/art?ref=discover_index

6. Solution is …
• Finding Potential Investors on Twitter using tweets
• They develop a recommendation logic that recommends potential
investors to a project
6
Founder
Project
Potential
Investors
Investor 1
Investor2
Investor 3
Investor 4
Matching
https://www.kickstarter.com/projects/envelop/envelop-3d-sound?ref=discover_potd
… and more

7. Structure and Contribution of the Paper
7
2. Related Work
3. Hypothesis 4. Dataset
5. Quantitive Evaluation
6. Recommend System
Evaluation
• Summarize related work
• Explain how important the matching is
• Derive well-grounded hypothesis about
investors behavior
• Crawl dataset (kickstarter and twitter)
3month
• Quantitively test hypotheses
• Build a statistical model to recommend
potential investors from Twitter
Recommendation Logic
Based on Findings
Contribution 1
Contribution 2
Contribution 3
Contribution 4

8. 2. Related Work

9. Related Work
9

10. Crowdfunding The numbers
• Crowdfunding site started in 2001
• More than 450 of such sites
• $2.8billion in 2012
• 1 million projects were successfully funded in 2012
10

11. Related Work (By Economists)
• 距離の摩擦（friction of distance) を低減して（あるいはなくして）いる
• 一方で、初期の投資は家族や友人、知人から受けることが多い
11

12. Related Work (Computer Scientists) 1/2
• プロジェクトが成功するかどうかの予測に焦点
• [Mollick 2012]:
• どれだけ準備をしたか（ビデオの有無、スペルミスの有無、更新回数）
• Social Capital （Facebook上のフレンド数）
• [Greenberg et al. 2013]:
• SVMの利用で約68%の精度で成否を予測可能
• [Gilbert et al. 2014]:
• プロジェクト説明文のみを利用して成否を予想できる
• 予想に寄与するワードはCialding’s Six Principlesに大別できる※
• 1)Reciprocity, 2) Scarcity(希少性）, 3) Social Proof （社会的証明）,
4) Social Identity（社会的同定）, 5) Linking, 6) Authority
• [Etter et al. 2013]:
• 初期の段階で85%は成否を予想できる
12
※ http://www.mindtools.com/pages/article/six-principles-influence.htm

13. Related Work (Computer Scientists) 2/2
• [Hui et al., 2014]
• 45人のクラウドファンディング経験者へのインタビューの分析研究
• クラウドファンディング上でプロジェクトが成功するまでのステップをまとめ、
それぞれのステップで必要なツールについて検討
13
1) Prepare （準備）
2) Test （テスト）
3) Publicize （公開）
4) Follow Through
5) Contribute （貢献)
プロジェクトの公開、
ユーザの巻き込み
“the majority of failed project creators cited the
inability to successfully leverage an online audience
as a main reason for failing”
• この段階で、プロジェクトに投資してくれるユーザを巻き
込むことができれば、プロジェクト成功率は高まるはず
• ->推薦ロジックが必要

14. 3. Investors VS. Donors

15. INVESTORS vs. DONORS
• 「クラウドファインディングの投資家は多様である」という仮説から分析を出発
• Occasional Investors（Donors）
• := 投資回数が4プロジェクト以下の人
• たまにしか投資しない、親類や友人が主
• Frequent Investors（Investors）
• := 投資回数が32プロジェクト以上の人
• よく投資する、なんらかの理由で投資するプロジェクトをKickstarter上で
探している。
15

16. List of Hypotheses
16
H1
H1. サイトの更新頻度が高い
H1. ユーザの要望によく答えている（コメントを返すetc）
H1. 様々なリワードが用意されている
H1. 専用のWebサイトが存在している
H2
H3
H4
H5
Hypothesis
次のようなプロジェクトはFrequent Investorsによく投資される
目標金額が高いプロジェクトは、Frequent Investorsによく投資される
地理的に近いプロジェクトは、Ocassional Investorsによく投資される
成長が早いプロジェクトは、Frequent Investorsによく投資される
Frequent Investorsは、自分の興味にあうプロジェクトに投資する
• H1: 投資家はマネジメントスキル等に注意する
• H2: より野心的なプロジェクトは投資行動をする人に好まれる
• H3: 友人などは地理的に近い場合が多い
• H4: FrequentUserの方がサイトをよく見るから
• H5: Occasional Investorsは友人とかを支援する

17. 4. Dataset

18. Dataset
• クローリングで取得
• （2013年7月〜2013年12月）
• カテゴリは13カテゴリ
（Art, Filmなど）
• 510 projects (45.2%)が
成功（Kickstarter公表値は
43.85%）
18

19. 成功/失敗プロジェクトの統計値
• 低めのゴール設定
• 成功キャンペーンは平均28.9日（表だと28.56日なので誤植？）、平均13日で
100%に到達
• 失敗プロジェクトは、目標額の平均19.51%しか獲得してない
19

20. Activity Level （投資回数）
• 51%が投資回数4回未満（Occasional Investors）
• 11%が投資回数32回以上（Frequent Investors）
20

21. 5. Pledging Behavior

22. Quantitive Analysis: Activity Level VS. Features
• 仮説の有効性を定量評価
• ユーザを、投資回数が~4回(Occasional Investors)、~8回、~16回、
~32回、それ以上（Frequent Investors）に分割
• あるプロジェクトPに投資したユーザを投資回数によって分類し、プロジェクトPの属性と
ユーザの投資回数の関係を調査
22
• プロジェクトの属性には
1. 更新回数
2. コメント数
3. リワードの数
4. 目標金額
5. Geographic Description
1. 投資家とプロジェクトの距離的な近さ
6. 成長率
7. Facebook友人数
を利用して調査
Facebookフレンド数
が54-148のプロジェ
クトの投資者のうち約
45がOccasional
Investors

23. Quantitive Analysis
23

24. [H5] Frequent investors tend to support projects that match their own interests
• ユーザ：ツイート内容に従ってをトピックベクトルで表現
• プロジェクト：説明文の内容にしたがってトピックベクトルで表現
• 2つのcosine類似度を計算
• ピアソンの相関係数でr=0.20, (p<0.05)
->Frequent Investorsの方が、自分の興味とマッチしたプロジェクトに投資
24

25. Summary
• Frequent InvestorsはOccasional Investorsより次のような項目を重視
する傾向
• Well-Managed（よく更新される、コメントが多い）、目標金額が大きい、
グローバル規模、成長率が高い、自分の興味にあう
• Occasional Investorsは、家族や友人、知人が主なトリガー
25

26. 6. Recommending Investors

27. 実験設定 -概要-
1. Binary Classification
1. (Project, User)のペアが与えられた時に、UserがProjectを購入する
かどうかを当てる
2. Balanced, Imbalancedな設定で検証
2. Ranking Investors
1. あるプロジェクトが与えられた時に、投資家をランク付け
27
2種類の実験

28. 実験設定 -特徴量-
• Statics: プロジェクト公開時に決まるもの
• 目標金額、リワードの数、カテゴリー
• 過去に購買したカテゴリ、Twitterでのつぶやき内容（Topic Similarity?)
• Dynamic:
• 成長率、更新回数、Geographic Dispersion、コメント数
• ※ Activity Levelを素性に入れたり、ユーザをOccasional vs. Frequentで
分けたりはしない
• （今までの分析…）
28
目標金額 リワード数 カテゴリ 投資家の購買履歴 投資家のTopic
Output: 投資家AがこのプロジェクトPを買うかどうか（0/1or 確率）
Input 例：Statics素性

29. 実験設定 -正解データの設定-
• 目標：あるプロジェクトに投資してくれそうなTwitterユーザを発見すること
29
K-AccountT-Account Project
• あるProjectを買ったKickstarter-Accountと、同一プロジェクトをつぶやいたTwitter
アカウントを結合
• 7249pairs (891 projects)
• 200個のマニュアルチェックで92%正解
Positive
K-AccountT-Account Project
• Positive例のペアから、T-Accountと買わなかったプロジェクトのペアをランダムに
生成
• 数はPositivetと同数7249pairs
Negative
✖

30. Binary Classification -特徴量固定の場合-
• クラスバランスがあっても
（上）なくても（下）同程度
• SVM+RBF、Staticな
特徴量で0.82の精度
• Static+Dynamicで0.84
まで上昇
30

31. Binary Classification -特徴量を変化させた場合-
number of comments (C), reward levels (R), geographic span (S),
growth rate (G), category matching (E) and topic similarity (TS)
31
• 全部の特徴量を使うと一番良い
• 上がり幅を見ると、過去にユーザが買ったカテゴリとの対応とトピック類似度が予測
精度の向上によく効く

32. カテゴリ別購買ユーザの分布比較
• カテゴリによって、Occasional InvestorsとFrequent Investorsの割合が大きく
異なる
• 例えば、Musicはほとんどの場合でOccasional Investors
• 一方で、Comics, Games, Technologyはほとんどが4回以上買っているユーザ
によるもの->Product自体に投資するというよりもカテゴリに投資している?
32

33. Ranking Investors – Result -
• MeanRR (平均逆順位）: 逆順位の平均値
• MaxRR（最大逆順位）：あるプロジェクトに対する逆順位の最大値の平均
• どちらも低いほど良い
• ランダムと比較して勝利 (MRRで0.50->0.32)
33

34. 7. Practical Implications

35. Theoretical Implications (What is a motive?)
• 最初期の考え：Investors = Donorsである
• “Some crowdfunding efforts, such as art or humanitarian projects, view their
funders as patrons or philanthropists, who expect nothing in return.”[3]
• 本研究：Investorsにも種類があることを発見した
• Donors≒Occasional Investorsである
• Frequent Investors≒Proper InvestorsをDonorsと捉えるのは適切
でない
• 投資行動の仕方（そのモチベーション）は単一ではない
• 投資回数による切り口の有効性を検証
• 自分が作っているプロジェクトのカテゴリに応じてどのようにユーザ
（Investors) を巻き込むかを考える必要が有る
35

36. Practical Implications (Feature: Twitter Data)
• ユーザ情報としてTwitterデータのみを利用（サイト内の行動などは利用しない）
• ->68%程度の精度、0.40のMRR
• まだKickstarterを利用したことがない潜在顧客のリーチも有効
• おそらく、広告とかそういう話
36

37. Conclusion
• Kickstarter上での投資行動の仮説検証を通して、あるプロジェクトを投資し
そうなユーザの予測モデルを構築
• Occasional InvestorsとFrequent Investorsがかなり違う投資行動をとる
ことをデータから検証
• �SVM＋RBFを使った、プロジェクトを投資の予測モデルを構築
• 現在は、KickstarterのプロジェクトURLが与えられた時に潜在投資者
Twitterアカウントのリストを提示するウェブサイトを構築中
• 外因性の素性に関する分析を今後は行う
37

38. Fin.

39. Features
39

40. 特徴量の選定
• Featureの選定
に利用
40

41. 41