Zorro：一个用于消费者数据定价的模型无关系统
社会与信息网络
2019-06-17 v2
摘要
个人数据对于向用户展示定向广告至关重要，而定向广告是网络的经济支柱。然而，数据在线上交易方式存在重大低效：（1）用户无法决定释放哪些信息，也不会因这种隐私损失而获得报酬；（2）算法广告商受困于低效的长期合同，在其中购买用户数据却不知其提供的价值。本文提出一个系统Zorro，旨在纠正上述两个问题。作为主要贡献，我们给出了“数据价值”（VoD）的一个自然的、“绝对”的定义——对于任意关注量，它是个体值与总体均值之间的差值。挑战在于如何独立于买方对VoD的模型来操作这一定义。我们提出了一种基于矩阵估计的模型无关解决方案，并以估计点击率（CTR）为例加以应用。关于（2），Zorro使广告商能够按查询逐一衡量用户数据的价值，且仅基于其在估计CTR中提供的准确度提升。相比之下，广告商目前与第三方数据卖家签订低效的长期数据合同。我们在一个大型广告点击数据集上强调了两项结果：（i）我们的系统R^2=0.58，与相关问题中一流结果（如内容推荐）相当。关键在于，我们的系统是模型无关的——我们在不访问广告商专有模型的情况下估计CTR，这是任何此类定价系统所需的属性；（ii）我们的实验表明，根据用户数据出售的增量价值在30%至69%之间，取决于广告类别。粗略地，这相当于若不提供用户数据，广告商至少损失160亿美元价值。关于（1），除允许用户因数据共享获得报酬外，我们将数学框架扩展到用户提供明确意图的情形。
引用
@article{arxiv.1906.02420,
title = {Zorro: A Model Agnostic System to Price Consumer Data},
author = {Anish Agarwal and Munther Dahleh and Devavrat Shah and Dylan Sleeper and Andrew Tsai and Madeline Wong},
journal= {arXiv preprint arXiv:1906.02420},
year = {2019}
}