应用内移动用户画像与定向广告的隐私与成本联合优化

在线移动广告生态系统提供广告和分析服务,这些服务收集、聚合、处理并交易大量消费者个人数据,并进行基于兴趣的广告定向,这引发了严重的隐私风险以及用户在使用互联网服务时不适感日益增长的趋势。在本文中,我们通过对用户画像、基于广告的推断、应用 temporal 使用行为模式和基于兴趣的广告定向开发一种最优动态优化且具有成本效益的框架,来解决用户的隐私担忧。求解该动态模型的一个主要挑战是在画像过程中缺乏时变更新的知识。我们构建一个混合整数优化问题并推导等价问题,以表明所提算法不需要用户行为的时变更新知识。随后,我们开发一种在线控制算法来求解等价问题,并通过将其分解为多种情形来克服求解非线性规划的困难,从而在用户隐私、成本和定向广告之间实现权衡。我们进行了大量实验,并使用 POC(概念验证)‘系统应用’实现其关键组件,证明了所提框架的适用性。我们将所提框架与其他隐私保护方法进行比较,并考察它是否在各项性能参数上实现了更好的隐私性和功能性。