10月19日,为期5天的第28届国际计算机信息与知识管理大会(ACM CIKM 2020)在线上召开。汇量科技(Mobvista)将应邀出席本次大会,并将在10月22日“Applied Research Track Advertising I”环节分享其在移动广告反作弊领域的最新研究成果。
ACM CIKM是信息检索和数据挖掘领域的顶级学术会议之一,本届CIKM会议共收到投稿920篇,其中录用论文193篇,Mobvista反作弊团队的论文“BotSpot: A Hybrid Learning Framework to Uncover Bot Install Fraud in Mobile Advertising” 已于此前被本次大会录用。该论文显示, Mobvista反作弊团队研究并实现了一种新型的Bots安装作弊检测模型——BotSpot,并取得了不错的实际应用效果。
近年来,随着移动互联网技术的快速发展以及智能移动设备的兴起和不断普及,移动广告行业迅速发展。 据eMarketer报告显示,2019 年全球移动广告总支出已高达2409.5亿美元,预计2020年将持续增长至2865亿美元。然而,随着移动广告预算的持续增长,移动应用安装作弊也日渐猖狂,给广告主造成了广告预算浪费的同时,也对广告平台投放效果和声誉造成了严重的不良影响。
在所有移动应用安装的各种作弊类型当中, Bots安装作弊无疑是当前最难识别的,同时也是占比较大的一种作弊类型。 根据AppsFlyer在2019年的一份报告显示, AppsFlyer在2017年至2019年三年期间检测到超过16亿次安装作弊,其中Bots安装作弊高达9亿多次。
Bots安装作弊,是指作弊者通过 Bots来模拟真实用户的应用安装行为,从而窃取广告主的广告预算。Bots安装作弊之所以难以检测是因为Bots看起来很像真实用户,它具有真实的IP、Device等,甚至可以进行应用内的事件,如:在指定时间打开应用,加购等。
目前,许多基于机器学习的移动广告作弊检测方法都旨在解决广告展现或点击作弊问题,但很少有关于安装作弊检测,尤其是Bots安装作弊检测的研究。Mobvista集团副总裁朱亚东博士介绍,当下的许多方法都采用了集成方法等技术,例如:Random Forest和XGBoost等,尽管这些方法能够通过复杂的特征工程挖掘出丰富的作弊模式,但由于它们无法利用结构信息来构建实体之间的各类关系,因此这些方法并非最好的解决方案。
在此背景下,Mobvista反作弊团队提出了一种混式学习方法,该方法结合了神经网络(GNN)和梯度提升分类器,能够同时考虑局部上下文信息和全局上下文信息,以此来更好地检测移动广告中的Bots安装作弊。该团队并未直接利用现有的GNN模型,而是根据Mobvista的具体业务和Bots安装作弊的特点构建一个异构图并设计了一种新颖的消息传递机制来提取局部上下文信息;以及通过一个Pre-trained的梯度提升分类器模型来提取全局上下文信息。 BotSpot模型的架构如下图所示:
通过在Mobvista上对真实数据进行的实验结果显示,BotSpot模型在检测Bots安装作弊方面具有更大的优越性。在指定精确率(Precision)为90%的情况下,BotSpot模型在两个离线数据集上相比所有其它Baseline方法在召回率(Recall)方面分别提高至少2.2%和5.75%。
作为全球领先的技术平台,在Mobvista每天有超过100万次应用安装,因此Mobvista十分重视对各类移动应用安装作弊手段的研究,以防广告主的预算在没有任何实际转换的情况下被浪费。值得一提的是,今年5月份,Mobvista针对移动广告作弊问题,还发布了《移动广告反作弊白皮书2.0》,详细阐述了当前的移动广告领域的作弊情况、作弊方式及相应的反作弊策略等。
朱亚东博士表示,研究移动广告领域的Bots安装作弊检测问题,是增强移动广告行业的透明度并推动行业规范化发展的关键,然而目前却鲜少有机构针对该领域进行研究,Mobvista始终站在移动广告反作弊攻防这一战场的最前线,希望通过此次论文的分享,能够为行业带来更多的思考。
公开资料显示,Mobvista成立于2013年,目前已覆盖全球超85个国家,在全球18个城市设有办事处,为全球超过3000个应用开发者提供移动广告推广服务,且在其700多名员工中,有超过45%为技术研发人员。本次被CIKM录用的论文,是在集团副总裁朱亚东指导下完成,并得到了中山大学梁上松教授的指点和帮助。10月22日,Mobvista高级算法工程师姚天峻及资深算法工程师李青也将代表反作弊团队在CIKM大会上进行该成果的详细分享,敬请期待。
（免责声明：本网站内容主要来自原创、合作伙伴供稿和第三方自媒体作者投稿，凡在本网站出现的信息，均仅供参考。本网站将尽力确保所提供信息的准确性及可靠性，但不保证有关资料的准确性及可靠性，读者在使用前请进一步核实，并对任何自主决定的行为负责。本网站对有关资料所引致的错误、不确或遗漏，概不负任何法律责任。
任何单位或个人认为本网站中的网页或链接内容可能涉嫌侵犯其知识产权或存在不实内容时，应及时向本网站提出书面权利通知或不实情况说明，并提供身份证明、权属证明及详细侵权或不实情况证明。本网站在收到上述法律文件后，将会依法尽快联系相关文章源头核实，沟通删除相关内容或断开相关链接。 ）
