面向用户隐私感知的移动游戏应用安装预测模型

在过去十年中，程序化广告在在线广告行业受到了极大关注。实时竞价 (RTB) 系统正迅速成为买卖在线广告曝光量最流行的方法。在 RTB 系统中，需求方平台 (DSP) 旨在高效花费广告主的活动预算并实现利润最大化，寻求能带来高用户响应（如点击或安装）的曝光量。在当前研究中，我们从特定 DSP 的视角调查了移动游戏应用安装的预测过程，同时关注用户隐私，并探讨了隐私保护与模型性能之间的权衡。根据与数据共享过程（如数据转换或去匿名化）相关的隐私泄露情况，用户隐私面临多个层级的潜在威胁。为了解决这些问题，人们提出了诸如密码学方法等隐私保护技术，用于训练隐私感知的机器学习模型。然而，在不使用用户级数据的情况下训练移动游戏应用安装预测模型的能力，可以防止这些威胁并保护用户隐私，即使模型的预测能力可能会受损。此外，现行法律可能会迫使公司声明其正在收集数据，甚至可能给予用户选择退出此类数据收集的选项，这可能会威胁到依赖于用户级数据收集与使用的公司数字广告商业模式。我们得出结论，隐私感知模型可能仍会保留显著的能力，使公司能够根据每种情况下的隐私-效能权衡效用函数做出更好的决策。