【成果速递】Matchmaking in reward-based crowdfunding platforms...

Matchmaking in reward-based crowdfunding platforms: a hybrid machine learning approach

1.Shaojian Qu

School of Management Science and Engineering, Nanjing University of Information Science and Technology, Nanjing, People’s Republic of China

2.Lei Xu

Economics and Management College, Civil Aviation University of China, Tianjin, People’s Republic of China

3.Sachin Kumar Mangla

Digital Circular Economy for Sustainable Development Goals (DCE-SDG), Jindal Global Business School, O P Jindal Global University, Sonipat, India

4.Felix T. S. Chan

Department of Decision Sciences, Macau University of Science and Technology, Taipa, Macao

5.Jianli Zhu

School of Management, University of Shanghai for Science and Technology, Shanghai, People’s Republic of China

6.Sobhan Arisian

La Trobe Business School, La Trobe University, Melbourne, Australia

在创业融资领域，通过互联网直接获得公共资金支持的新型金融技术解决方案的出现，催生了多方众筹平台的兴起。在数字供应链背景下，众筹平台充当制造商、投资者、服务提供商和客户之间的中介。众筹的主要好处是通过投资人的支持创造众筹产品，降低创作者的启动成本和风险。奖励式众筹是指创作者在平台网站上发起众筹项目，并发布项目详细内容、目标金额、截止日期等信息。潜在的投资者提前购买拟议的产品，并提供资金支持。当筹集到的资金达到融资目标，创业者将产品或服务交付给投资者，该项目即为成功;否则，该项目将被视为失败。尽管有很多优势，但众所周知，基于奖励的众筹的成功率很低。

一般来说，大多数投资人对众筹项目都有自己的偏好。与此同时，尽管关于众筹成功的研究相对成熟，但如何将合适的众筹产品/项目与合适的投资方有效匹配，提高众筹成功率的研究却很少。这些现有的研究为平台如何提供推荐机制，有意地将合适的众筹项目推给合适的投资者提供了解决方案。然而，这些解决方案需要事先了解投资者的属性。在实践中，要获得这样的见解并不容易，只有在分析了可能投资者的历史记录之后，才能提供相关信息。

本文研究了如何将Apriori算法与其他工具结合使用，以优化传统的聚类，并为众筹项目提供更准确的建议。研究聚焦于一个主要的基于奖励的众筹平台上列出的潜在项目，首先训练从可用的投资者列表中获得的数据，接下来利用Apriori算法得到不同项目投资者之间的关联度，并根据投资者的关联度计算投资者权重，最后对模型进行了测试，判断基于Apriori算法的聚类能否对测试集中的数据进行正确分类。该模型通过对相同投资者的行为记录进行聚类，优化了传统的聚类算法。投资者可以先找出最相关的其他投资者，然后根据其他人投资的成功项目选择他以后可能投资的项目类型。

Figure 1. The basic flow of the model

1.针对复杂众筹项目的聚类问题，提出了一种新的聚类方法。本研究应用Apriori算法在复杂的众筹生态系统中提高聚类和产品推荐的质量。

2.以前关于聚类的文献削弱了同时考虑投资者的行为特征和未来众筹项目的重要性。本研究同时考虑投资者行为特征和未来众筹项目，提出了基于关联规则的投资者聚类方法。

3.本研究结合不同的机器学习方法来优化聚类算法。结果表明，Apriori算法和其他机器学习工具能够提高所提出的聚类方法在众筹项目中的性能。

4.对比分析揭示了所提模型的优点。研究结果表明，基于关联规则的众筹投资者程度模型优于其他五种现有的基准方法。

1.在决策科学中，研究行为特征和不确定性是非常重要的。本研究提出的模型使决策者能够同时考虑众筹项目的行为特征和不确定性，对投资者进行聚类。

2.在产品推荐领域，将产品推荐应用于众筹领域的研究很少，决策者可以使用该方法对众筹产品进行有效推荐。

3.聚类在仿真分析中尤为重要，然而往往很难获得准确的聚类结果。该模型结合了关联规则和机器学习，决策者可以更准确、有效的对投资者进行聚类。

4.提出的模型精度较高，在众筹中能够取得较好的效果。使用基于Apriori算法开发的模型，管理者将合适的众筹项目与正确的投资者联系起来的准确率可达90%。

本研究提出的基于Apriori的模型可以通过不同的方式增强，从频繁项集剪枝策略优化到连接策略库优化策略。此外，研究分析集中在单一的方法上，收集的数据量相当小，没有进行鲁棒性分析。因此，未来的研究可以开发新的方法并与现有模型进行比较，在更大的数据集上测试模型，并进行实证分析，以探讨(新产品推荐系统带来的)众筹项目成功率的提高。

https://doi.org/10.1080/00207543.2022.2121870