（原標(biāo)題：Mobvista將出席ACM CIKM，分享移動(dòng)廣告反作弊領(lǐng)域最新研究成果）

10月19日，為期5天的第28屆國(guó)際計(jì)算機(jī)信息與知識(shí)管理大會(huì)（ACM CIKM 2020）在線上召開(kāi)。匯量科技（Mobvista）將應(yīng)邀出席本次大會(huì)，并將在10月22日“Applied Research Track Advertising I”環(huán)節(jié)分享其在移動(dòng)廣告反作弊領(lǐng)域的最新研究成果。

ACM CIKM是信息檢索和數(shù)據(jù)挖掘領(lǐng)域的頂級(jí)學(xué)術(shù)會(huì)議之一，本屆CIKM會(huì)議共收到投稿920篇，其中錄用論文193篇，Mobvista反作弊團(tuán)隊(duì)的論文“BotSpot！ A Hybrid Learning Framework to Uncover Bot Install Fraud in Mobile Advertising” 已于此前被本次大會(huì)錄用。該論文顯示， Mobvista反作弊團(tuán)隊(duì)研究并實(shí)現(xiàn)了一種新型的Bots安裝作弊檢測(cè)模型——BotSpot，并取得了不錯(cuò)的實(shí)際應(yīng)用效果。

近年來(lái)，隨著移動(dòng)互聯(lián)網(wǎng)技術(shù)的快速發(fā)展以及智能移動(dòng)設(shè)備的興起和不斷普及，移動(dòng)廣告行業(yè)迅速發(fā)展。 據(jù)eMarketer報(bào)告顯示，2019 年全球移動(dòng)廣告總支出已高達(dá)2409。5億美元，預(yù)計(jì)2020年將持續(xù)增長(zhǎng)至2865億美元。然而，隨著移動(dòng)廣告預(yù)算的持續(xù)增長(zhǎng)，移動(dòng)應(yīng)用安裝作弊也日漸猖狂，給廣告主造成了廣告預(yù)算浪費(fèi)的同時(shí)，也對(duì)廣告平臺(tái)投放效果和聲譽(yù)造成了嚴(yán)重的不良影響。

在所有移動(dòng)應(yīng)用安裝的各種作弊類(lèi)型當(dāng)中， Bots安裝作弊無(wú)疑是當(dāng)前最難識(shí)別的，同時(shí)也是占比較大的一種作弊類(lèi)型。 根據(jù)AppsFlyer在2019年的一份報(bào)告顯示， AppsFlyer在2017年至2019年三年期間檢測(cè)到超過(guò)16億次安裝作弊，其中Bots安裝作弊高達(dá)9億多次。

Bots安裝作弊，是指作弊者通過(guò) Bots來(lái)模擬真實(shí)用戶(hù)的應(yīng)用安裝行為，從而竊取廣告主的廣告預(yù)算。Bots安裝作弊之所以難以檢測(cè)是因?yàn)锽ots看起來(lái)很像真實(shí)用戶(hù)，它具有真實(shí)的IP、Device等，甚至可以進(jìn)行應(yīng)用內(nèi)的事件，如：在指定時(shí)間打開(kāi)應(yīng)用，加購(gòu)等。

目前，許多基于機(jī)器學(xué)習(xí)的移動(dòng)廣告作弊檢測(cè)方法都旨在解決廣告展現(xiàn)或點(diǎn)擊作弊問(wèn)題，但很少有關(guān)于安裝作弊檢測(cè)，尤其是Bots安裝作弊檢測(cè)的研究。Mobvista集團(tuán)副總裁朱亞?wèn)|博士介紹，當(dāng)下的許多方法都采用了集成方法等技術(shù)，例如：Random Forest和XGBoost等，盡管這些方法能夠通過(guò)復(fù)雜的特征工程挖掘出豐富的作弊模式，但由于它們無(wú)法利用結(jié)構(gòu)信息來(lái)構(gòu)建實(shí)體之間的各類(lèi)關(guān)系，因此這些方法并非最好的解決方案。

在此背景下，Mobvista反作弊團(tuán)隊(duì)提出了一種混式學(xué)習(xí)方法，該方法結(jié)合了圖神經(jīng)網(wǎng)絡(luò)（GNN）和梯度提升分類(lèi)器，能夠同時(shí)考慮局部上下文信息和全局上下文信息，以此來(lái)更好地檢測(cè)移動(dòng)廣告中的Bots安裝作弊。該團(tuán)隊(duì)并未直接利用現(xiàn)有的GNN模型，而是根據(jù)Mobvista的具體業(yè)務(wù)和Bots安裝作弊的特點(diǎn)構(gòu)建一個(gè)異構(gòu)圖并設(shè)計(jì)了一種新穎的消息傳遞機(jī)制來(lái)提取局部上下文信息；以及通過(guò)一個(gè)Pre-trained的梯度提升分類(lèi)器模型來(lái)提取全局上下文信息。 BotSpot模型的架構(gòu)如下圖所示：

通過(guò)在Mobvista上對(duì)真實(shí)數(shù)據(jù)進(jìn)行的實(shí)驗(yàn)結(jié)果顯示，BotSpot模型在檢測(cè)Bots安裝作弊方面具有更大的優(yōu)越性。在指定精確率(Precision)為90%的情況下，BotSpot模型在兩個(gè)離線數(shù)據(jù)集上相比所有其它Baseline方法在召回率(Recall)方面分別提高至少2。2%和5。75%。

作為全球領(lǐng)先的技術(shù)平臺(tái)，在Mobvista每天有超過(guò)100萬(wàn)次應(yīng)用安裝，因此Mobvista十分重視對(duì)各類(lèi)移動(dòng)應(yīng)用安裝作弊手段的研究，以防廣告主的預(yù)算在沒(méi)有任何實(shí)際轉(zhuǎn)換的情況下被浪費(fèi)。值得一提的是，今年5月份，Mobvista針對(duì)移動(dòng)廣告作弊問(wèn)題，還發(fā)布了《移動(dòng)廣告反作弊白皮書(shū)2。0》，詳細(xì)闡述了當(dāng)前的移動(dòng)廣告領(lǐng)域的作弊情況、作弊方式及相應(yīng)的反作弊策略等。

朱亞?wèn)|博士表示，研究移動(dòng)廣告領(lǐng)域的Bots安裝作弊檢測(cè)問(wèn)題，是增強(qiáng)移動(dòng)廣告行業(yè)的透明度并推動(dòng)行業(yè)規(guī)范化發(fā)展的關(guān)鍵，然而目前卻鮮少有機(jī)構(gòu)針對(duì)該領(lǐng)域進(jìn)行研究，Mobvista始終站在移動(dòng)廣告反作弊攻防這一戰(zhàn)場(chǎng)的最前線，希望通過(guò)此次論文的分享，能夠?yàn)樾袠I(yè)帶來(lái)更多的思考。

公開(kāi)資料顯示，Mobvista成立于2013年，目前已覆蓋全球超85個(gè)國(guó)家，在全球18個(gè)城市設(shè)有辦事處，為全球超過(guò)3000個(gè)應(yīng)用開(kāi)發(fā)者提供移動(dòng)廣告推廣服務(wù)，且在其700多名員工中，有超過(guò)45%為技術(shù)研發(fā)人員。本次被CIKM錄用的論文，是在集團(tuán)副總裁朱亞?wèn)|指導(dǎo)下完成，并得到了中山大學(xué)梁上松教授的指點(diǎn)和幫助。10月22日，Mobvista高級(jí)算法工程師姚天峻及資深算法工程師李青也將代表反作弊團(tuán)隊(duì)在CIKM大會(huì)上進(jìn)行該成果的詳細(xì)分享，敬請(qǐng)期待。