项目管理论文哪里有？本研究围绕摩点网众筹平台展开，选取2020年1月至2024年1月间已结束的众筹项目作为研究对象。
1 绪论
1.3 研究创新点
根据文章内容，本研究可能的创新之处体现在以下两个主要方面：
（1）研究视角上的创新
本研究引入了多模态数据指标，通过融合文本属性和数值属性的特征，构建了一个包含多模态数据的奖励型众筹定价影响指标体系，由此从更广泛的维度理解影响奖励型众筹定价的因素，而且通过将多模态变量应用于机器学习算法，旨在更高频、更精准地预测产品的合理定价，将多模态思维应用于众筹项目产品定价的研究，为众筹领域提供了新的视角和方法论。
（2）研究方法上的创新
本研究在方法论上的创新体现在采用机器学习深入探究奖励型众筹定价的影响因素，并更加高频精确地分析这些影响因素。在关于众筹研究的现有文献中，大多集中于研究奖励型众筹筹资效果影响因素，包括项目描述性信息和项目参与者行为分析的研究等。其次，现有关于众筹定价的研究往往采用实证分析方法，探讨众筹中的产品价格菜单数量、价格类型等对参与者决策的影响，而机器学习技术的应用相对较少。此外，尽管已有文献中不乏使用机器学习技术探究众筹项目成败的例子，如XGBoost、SVM、随机森林等，以及有学者运用BERT+ResNet模型进行医疗众筹项目情感分析的研究，但在众筹产品定价领域，尤其是结合BERT与SVM、TextCNN等机器学习算法进行深入分析的研究仍然稀缺。
3 影响因素指标构建
3.1 平台选择
自2011年众筹模式引入中国市场起，众筹至今已历经三个主要阶段：初始萌芽、快速增长及质量提升阶段，此进程反映了其在中国发展的轨迹与成熟度的不断提高[69]。初始萌芽阶段为2011-2013年，众筹概念在此期间初次引入中国，处于探索和尝试的阶段。早期示范性的众筹平台，如点名时间、腾讯乐捐及众筹网，为项目发起者与投资者提供了基础的互动平台，奠定了众筹发展的基础。快速增长阶段为2014-2016年，伴随着众筹意识的普及和市场接受度的提高，众筹平台数量迅速增加，达到峰值时有643家平台并存，代表平台包括人人投、第五创、多彩投等。但是，随着对金融监管的加强和行业规范的建立，众多不符合标准的众筹平台被淘汰，引导行业向更加规范化发展。质量提升阶段为2017年至今，在严格的金融监管和行业规范的背景下，中国的众筹行业进入了质量提升的新阶段。此阶段，股权众筹的增长速度有所放缓，而奖励型众筹则日益受到投资者的欢迎。京东众筹、淘宝众筹及苏宁众筹等平台，代表了众筹行业向高质量和多样化发展的趋势[70]。当前，还有如淘宝众筹（造点新货）、小米众筹、摩点网等优质平台在运营，继续为创新和创业项目提供支持与服务。
5 奖励型众筹产品定价研究与讨论
5.1 概述
在进行机器学习回归分析的过程中，因为部署环境与训练模型所需的资源和时间要求比较高，直接使用泛化误差或模型对训练数据集的拟合程度来评估模型的泛化能力常常并不可行。为有效地衡量模型在实际应用场景中的表现，本研究使用训练集数据对模型进行训练，并利用测试集上的误差来代表模型面对未知数据时的泛化误差，选择了9:1的比例来分配训练集和测试集。此外，常见的回归模型误差计算方法包括均方误差、绝对误差、平方误差和决定系数?2等。由于本研究分析的奖励型众筹产品定价范围广泛，采用均方误差、绝对误差、平方误差等方法，在基于大数值基础上计算时，即使是小幅度的偏差也可能导致误差值显著增大。此外，这些指标计算时可能导致模型过分重视高定价项目的特征，而忽略对于小额众筹项目的预测。为了避免这种情况，本研究采用决定系数?2作为主要指标来评估模型训练的准确率，并同时结合期望绝对误差、均方误差、中位数绝对误差综合观察模型拟合情况。
5.2 基于决策树（DT）
5.2.1 模型构建
决策树是一种经典的监督学习单棵树模型分类器，常用于分类和回归，其通过学习从数据特征到输出标签的映射规则，构建一个树形结构，决策树的关键概念包括节点、分支、根节点、剪枝等。其中节点（Node）指决策树中的一个决策点，可以是内部节点或叶节点，内部节点代表测试属性的节点。每个内部节点都会对某个属性进行测试，并根据测试结果将数据分流到两个或多个子节点，测试的属性和测试的方式（如阈值判断）取决于特征选择方法，内部节点的测试基于选定的属性和分裂标准。例如，如果使用信息增益作为特征选择方法，内部节点的测试将确定哪个属性的分裂为决策树提供了最大的信息增益。测试可以是简单的二分法（如数值属性是否大于某个阈值）或多分法（如分类属性的每个可能值一个分支）。叶节点为决策树的终点，代表决策结果。在分类问题中，叶节点代表类别标签；在回归问题中，叶节点代表一个数值预测。分支（Branch）代表决策规则的结果，是从一个节点到另一个节点的路径。在二叉决策树中，一个内部节点通常有两个分支，分别代表测试结果为真或假；在多叉树中，分支的数量与测试属性的可能值一致。例如，在处理数值属性时，如果一个内部节点测试一个属性是否大于某个值，分支可能代表“是”或“否”。这些基本规则共同构成了从根节点到叶节点的决策路径，每条路径定义了一组属性条件，这些条件一起预测目标变量的值。根节点（Root Node）代表整个数据集，是决策树的起点，它不接受任何输入，但基于选定的特征进行数据集的第一次分裂。剪枝（Pruning）是决策树算法中用于减少过拟合的重要技术，有预剪枝（Pre-pruning）和后剪枝（Post-pruning）两种主要的剪枝方法。预剪枝指在决策树完全生成之前停止树的构建，通过设置一些阈值，如最大深度、最小样本数等，来预先停止树的增长；后剪枝指先构建完整的决策树，然后从底部开始删除节点，用验证集来测试剪枝后是否能提高模型的泛化能力，一种常见的后剪枝技术是成本复杂度剪枝（Cost Complexity Pruning），它考虑了树的复杂度和树的性能。
6 总结与展望
6.2 建议
根据本次研究的结果和讨论，以下是针对众筹项目相关方的建议，旨在提高众筹项目的吸引力和商品销售效果：
（1）重视项目标签类别的选择：项目发起人应深入了解不同标签类别下的目标受众和市场需求。不同的项目类别吸引的人群特性和兴趣点不同，正确的标签类别选择可以确保项目更精准地触达潜在的支持者，选错赛道可能会导致项目无法实现其潜在的成功。
（2）精心设计项目标题：一个引人入胜的项目标题具有巨大的吸引力，能够快速捕获潜在投资者的注意力，增加他们进一步探索项目详情的兴趣。有效的项目标题不仅能提高项目的曝光度，还能促使投资者关注项目中的不同商品和价格，从而提高参与度和潜在的投资机会。
（3）关注项目商品的最低价定位：项目商品的最低价格是潜在投资者参与项目的初始门槛。设定一个合适的低价点可以激发投资者的试用欲望，促使他们对项目进行更深入的了解，适宜的低价设置有助于提高项目的吸引力，吸引更多的投资者，从而增加商品销量。
（4）合理设置项目商品的最高价：项目商品的最高价格同样需要慎重考虑。过高的价格可能会引发消费者的反感，降低他们对项目的进一步探索和投资意愿。合理的最高价设置能够避免潜在的消费者反感，同时确保项目能够吸引到愿意为独特价值付费的投资者。
参考文献（略）
