A comparison of recommender systems for crowdfunding projects

Abstract

Recommender systems have been a popular research topic in the field of Machine Learning and are of great commercial interest for many businesses. This work aims to implement and evaluate different recommendation strategies in the context of a crowdfunding platform. The main approaches used in modern commercial applications are considered in this work and several performance metrics are measured in order to evaluate each implemented recommendation system. The crowdfunding platform in which we evaluate these different recommendation algorithms provides many interesting challenges, such as the transient nature of projects and the low amount of information available for rating prediction. Results from production tests with real users are provided in order to compare each approach with a chosen baseline. In the end, we conclude that a Hybrid approach applied to the chosen platform can increase our main metric of Conversion Rate by as much as 50%.

Sistemas de recomendação são um tópico de grande interesse de pesquisa na área de aprendizado de máquina e são de grande interesse comercial para vários negócios. Esse trabalho propõe implementar e analisar diferentes estratégias de recomendação para uma plataforma de financiamento coletivo em particular. As principais abordagens empregadas em sistemas comerciais modernos são analisadas, e várias métricas de performance são avaliadas para cada uma delas. A plataforma de financiamento coletivo na qual avaliamos as técnicas de recomendação selecionadas apresenta diversas características que dificultam a implementação de sistemas de recomendação, tais como a natureza transiente dos projetos e a pequena quantidade de dados disponíveis para prever as avaliações dos usuários. São apresentados resultados comparando cada tipo de sistema de recomendação implementado em um sistema de produção com usuários reais, e no final concluímos que uma abordagem Híbrida aplicada na plataforma escolhida pode aumentar nossa métrica principal de taxa de conversão em até 50%.