众筹动态追踪：一种强化学习方法
机器学习
2019-12-30 v1 社会与信息网络
机器学习
摘要
近年来，众筹机制的研究兴趣日益增长。在该领域中，动态追踪是一个重要问题但仍处于探索阶段。现有研究要么拟合时间序列的波动，要么使用正则化项来约束学习到的趋势。然而，它们很少考虑投资者与众筹动态之间固有的决策过程。为解决该问题，本文提出一种基于轨迹的连续控制众筹（TC3）算法来预测众筹中的融资进程。具体而言，采用 actor-critic 框架来建模投资者与项目之间的关系，其中所有投资者被视为一个智能体，可与由项目真实动态导出的环境进行交互。然后，为进一步挖掘融资序列中模式（即典型特征）的深层含义，我们将其细分为“快速增长”与“缓慢增长”两类。此外，为从不同模式间切换，TC3 的 actor 组件扩展为带 options 结构，即 TC3-Options。最后，在 Indiegogo 数据集上的大量实验不仅证明了方法的有效性，也验证了我们的假设：TC3-Options 学到的整体模式确为 U 形。
引用
@article{arxiv.1912.12016,
title = {Crowdfunding Dynamics Tracking: A Reinforcement Learning Approach},
author = {Jun Wang and Hefu Zhang and Qi Liu and Zhen Pan and Hanqing Tao},
journal= {arXiv preprint arXiv:1912.12016},
year = {2019}
}