行為定向廣告的迷思

撰文/陳儁翰
打造推薦系統
你是否曾經有這樣的經驗:當你使用手機透過Google搜尋一項商品,沒過多久,當你造訪另一個無關的網站時,赫然發現網頁側欄的廣告恰好就是你所搜尋的商品!
現行最常見的推薦系統可分為兩種:一是以內容為主(Content-based)的推薦系統,藉由使用者瀏覽過的產品跟新的產品間的相似度,來推薦使用者適合的產品;二是協同過濾(Collaborative Filtering),收集大量使用者對產品的評分模式,去尋找相似的使用者或產品來進行推薦。
我們簡單反推一下我們該怎麼打造一個推薦系統。假設使用者以及產品的特徵可以用向量或矩陣來表示,那我們就可以透過內積或矩陣的操作去評估它們的相似度與適合推薦的程度。如何獲得使用者與產品資訊並以向量或矩陣表示?假設我們有n個使用者對m項產品的評分形成一個矩陣,透過矩陣分解,我們就可以獲得使用者或產品特徵的數學表示。然而,矩陣分解的一項缺點是需要大量記憶體,對於有大量使用者與產品的應用領域,我們無法對這麼大的矩陣直接進行分解。
那我們該怎麼解決大數據的矩陣分解問題?其中一種方法是用深度神經網路來近似矩陣分解。2016年Google發表了一篇文章介紹Youtube的影片推薦系統架構,對於深度網路在工業界的應用很具有代表性。這個系統必須滿足大量影片與使用者的需求,同時也要能處理不斷上傳的新影片。模型包含了兩個神經網路,一個神經網路負責從以數百萬計的影片中,選出數百支候選影片,輸入的特徵包含影片觀看的歷史記錄、使用者的搜尋記錄、影片上傳的時間,還有各種人口統計學的特徵等;另外一個神經網路再對候選影片進行排序,預測使用者觀看的時間長度,排序在前的便是我們在Youtube上所看到的推薦影片。
上面關於打造推薦系統的描述,僅僅只是一個簡化的版本。實際上打造一個能成功商業化的推薦系統,有更多的挑戰與困難需要克服,比如冷啟動問題:對於新使用者或是新產品,我們該怎麼進行適合的推薦?是推薦一些普遍受到喜愛的產品,還是針對個別使用者的興趣?或者,即使成功打造了一個推薦系統,我們該如何衡量推薦系統的效益?
行為定向廣告的效益
然而,回到問題的原點,一個成功的推薦系統必須讓產業鏈中的三方皆受益。對於廣告主(advertiser)而言,能否刺激衝動消費,或能找到合適、有購買意願的消費者,提升商品銷售;對於廣告刊登平台(publisher)而言,必須能從中獲利,賺取「業外」收入;對於消費者而言,除了找到想要的商品,也能持續享用廣告平台所提供的免費網路資源與服務。
然而近日一份由卡內基梅隆大學、加州大學爾灣分校與明尼蘇達大學研究員共同進行的觀察性研究,卻指出實務上並非如此:關閉與開啟cookie的使用者(意即是否同意對方收集自己的瀏覽紀錄進行廣告投放)相比,後者僅為廣告刊登平台增加4%的收益;而根據2009年的一份研究指出,廣告主卻願意以傳統數位廣告2.68倍的價格購買行為定向廣告。
兩者間的差距,有很大一部分是由廣告主與廣告投放平台之間,負責廣告投放策略、管理、數據蒐集與處理的仲介所蠶食,甚至高達廣告主投入經費的六成,被謔稱為「廣告科技稅」(ad tech tax)。而這也呼應美國加州去年底所通過的《消費者隱私法案》(California Consumer Privacy Act)。
侵害消費者隱私、加劇政府監控的隱憂、助長同溫層,甚至極端主義。這些外部成本在過往常被忽視,有一部分原因在於我們認為行為定向廣告可以為廣告刊登平台,如網路新聞、電子刊物,帶來穩定的收入,鼓勵他們持續創作、開發,提供免費的網路資源與服務。
然而,現實,似乎總是事與願違。
參考資料
- P. Covington, J. Adams, and E. Sargin, “Deep Neural Networks for YouTube Recommendations“, Google AI, 2016.
- M. Eirinaki, J. Gao, I. Varlamis, and K. Tserpes, “Recommender Systems for Large-Scale Social Networks: A review of challenges and solutions” Future Generation Computer Systems, 78, pp.413-418, 2018.
- V. Marotta, V. Abhishek, and A. Acquisti, “Online Tracking and Publishers’ Revenues: An Empirical Analysis“, weis2019.econinfosec.org, 2019.
- K. Hagey, “Behavioral Ad Targeting Not Paying Off for Publishers, Study Suggests”, WSJ, 2019.
(本文由教育部補助「AI報報─AI科普推廣計畫」執行團隊編譯)