Facebook重建广告系统，个性化广告即将改朝换代
“可以肯定的是，未来五年个性化广告的发展对行业具有重要意义。提前投资将使我们所有的客户受益，并帮助我们塑造未来的广告生态系统。由于数据和个性化几乎占据了我们所有系统的核心地位，从广告定位到优化再到测量，在未来两年内，Facebook几乎所有的系统都将被重建，事实上，这已经在进行中了。”—-Facebook产品营销副总裁Graham Mudd未来已经到来，谷歌在下一个个性化广告时代之前禁止第三方cookie，苹果推出后ATT新的隐私政策，个性化广告首当其冲，隐私安全最终成为互联网公司无法回避的命题。上周三，Graham Mudd在Facebook官网主页上发布了一篇名为官网的文章”Privacy-Enhancing Technologies andBuilding for theFuture”文章(隐私增强技术和未来建设)。文章中提到:”必须承认的是，数字广告必然会减少对个人第三方数据的依赖，这就是为什么我们多年来一直在投资建设一系列隐私增强技术，并与行业一起制定标准来支持下一个时代。”
毫无疑问， ，Facebook庞大的广告帝国是基于跨平台用户跟踪的个性化能力，而隐私监管的收紧给它带来了许多限制。今年年初，TOP君在文章中分析说，苹果的隐私条款将是正确的Facebook广告转型跟踪能力、定向能力和Facebook AudienceNetwork的个性化能力产生一定影响。这也是当时Facebook从中小企业的利益出发，利用各种公共关系手段高调控制苹果的主要原因，但仍难以动摇全局。正如历史不会倒退，隐私保护的趋势不会逆转，融入人们日常生活的个性化营销活动也不会突然消失，Facebook在个性化广告和个人隐私之间找到和解势在必行。”我们相信个性化的营销仍然是用户和企业的最佳体验。没有个性化广告，企业将更难启动和发展，新产品和服务将更难被发现，成本将更高。同样，人们也会看到许多不相关、不及时、不感兴趣的广告。互联网不再是一个免费和免费的地方。阅读新闻、聊天和娱乐可能需要付费，这将使无法承担订阅费的人难以访问，”GrahamMudd写道。从这篇文章中，我们深刻感受到，下一个时代个性化广告的关键是利用技术解决隐私安全问题，形成大规模应用，得到社会的认可。未来建设的重要环节是开发一系列隐私增强技术（Privacy-enhancing technologies，简称PETs)，使得Facebook在保护个人隐私的同时，也可以测量和优化广告效果，其中广告商和平台的任何一方都无法获得用户的个人信息。隐私增强技术是下一代数字广告的核心”我们相信PETs它将支持下一代数字广告，”Graham表示。PETs主要涉及密码学和统计学技术。一般来说，这些技术可以通过最小化数据处理量来保护个人信息的安全，同时保留广告量、个性化等核心功能。Facebook三种常用技术主要介绍：securemulti-party computation(安全多方计算技术简称MPC）、on-device learning和differentialprivacy(隐私差异)。TOP君用比较流行的话分别介绍各自的逻辑。
1.安全多方计算（MPC）安全多方计算（MPC）它是一种密码技术，即多方加密各自的数据，然后交换和学习，以测量和优化广告效果。在数据传输、存储、应用等过程中，整个数据处于加密状态，任何一方都看不到其他数据。在广告效果测量场景中，过去，广告商会对数据进行加密，然后传输给平台或第三方，平台或第三方可以在收到数据后解密，以获得洞察力，这意味着至少其中一方会看到用户从点击到购买的整个路径数据。
如果应用了MPC技术，则意味着一方只能看到其拥有的用户点击数据，而另一方只能看到用户购买数据。在加密条件下，双方交换加密的数据包，并再次加密另一方的数据。这样，两个数据包都被锁定了两次，这样双方都不会获得匹配结果以外的其他信息，也不需要将数据授权给其他方，从而降低了数据隐私泄露的风险
双方提供数据”；锁定“
”
然后交换报价（"e）；“锁定”；
之后的数据
再次引用（"e）；&锁定引号；，确保双方获得的信息一致，防止隐私泄露。例如，在广告优化场景中，如果广告客户想知道品牌中点击用户的平均消费量，MPC技术还可以在不披露任何个人数据的情况下向广告客户提供最终计算结果。一般原则是将每个转化用户的消费数据进行拆分，然后进行重组、聚合、添加，最后除以总人数，得到平均消费量。这样，广告商不仅可以获得所需的广告效果数据，优化后续的投放策略，还可以确保个人消费数据的安全
Facebook透露，MPC技术已经投入使用。去年，该公司开始测试名为“私人电梯测量”的解决方案，其中包括使用MPC技术帮助广告商测量效果。预计明年将对所有广告商开放。此外，Facebook还推出了一个用于隐私计算的开源框架。任何开发人员都可以使用
MPC创建以隐私为中心的测量产品
两个.On-设备学习
On-设备
学习是指系统可以根据历史数据直接在用户设备上找到一些有用的模式，并不断学习和优化算法模型。在此过程中，可以实现预测，而无需将个人数据发送到远程服务器或云。例如，如果喜欢健身的人也可能是蛋白质奶昔的潜在买家，那么n-
设备
学习可以通过学习找出两者之间的关联模型。在此过程中，用户的个人信息不会上传到Facebook服务器，而是保留在设备上，避免了隐私泄露的风险n-device learning使用什么原则来保护隐私
一般来说，有一个独立且安全的"e；小房子"e；，它用于收集各种应用程序中用户的数据。它通常被称为沙箱
应用下载和购买记录等数据将保存在此处，不会与其他方共享。在沙盒中，系统可以根据设备上的一系列用户行为学习一些模式。例如，一个人喜欢听摇滚乐，经常在晚上在线购买，等等，然后总结这些模式以确保它们不会被识别。当有更新时，系统可以直接更新模式，而无需通过汇总个人数据重新学习。通过这种方式，尽管每个设备只完成了一次较小的模式更新，但当收集数千个设备以完成模型优化时，它们将生成一个安全且无法识别的报告。通过学习最终的总结模型，Facebook可以更好地为每个用户推荐匹配的广告
在沙盒中，系统可以了解用户的音乐品味、出行习惯、消费水平等模式𞓜 一般来说，通过学习–总结–预测周期，On-设备学习可以在不传输用户数据的情况下实现更准确的方向推荐
事实上，这项技术已广泛应用于许多苹果设备。但据格雷厄姆说，目前n-设备学习应用程序的最大挑战实际上是操作系统。该平台是否能够使用所需的计算资源来执行仍然掌握在苹果手中”；如果将来能够围绕这些资源的获取和使用（以公平竞争的方式）制定一系列标准，那将是有意义的。”三.差异隐私
差异隐私是保护个人数据不被破解的技术手段。它可以单独使用，也可以与其他技术结合使用。基本原则是混合一定比例的；噪音“；，这样，很难使用第三方数据反向推断个人信息。例如，如果118人点击Facebook上的广告并购买，差异隐私技术将添加或提取一个随机数。使用该系统的人可能看到的最后一个数字是120或114
在现实生活中，在匿名化和取消身份后，仍然存在个人身份识别的可能性。这样的事情并不少见。Top Jun告诉你两个非常著名的故事
1997年，马萨诸塞州州长william
weld同意披露政府雇员的医疗信息，供学者研究。为了保护个人隐私，这些数据实际上删除了姓名、地址和其他信息，并取消了其身份。然而，一名研究生通过交叉比较选举记录很容易找到州长，并找到了他的所有医疗记录。同样，2006年，Netflix举办了一次算法竞赛，要求使用匿名数据库预测用户的电影得分。然后，两位研究人员将数据库与IMDB网站上的公共记录联系起来，并确定了一些匿名用户的真实身份。最后，Naifei因隐私问题被停职，不得不面临巨额罚款
从角度来看，即使取消身份认证，也无法保证隐私安全，这就需要将差异隐私技术混入数据库中；噪音“；，在不改变原有数据模式的基础上，防止外人破解。当然，这也包括不同的方法，涉及不同的算法
使用差异隐私技术，一定比例的；噪音“举个简单的例子
当酒店进行调查时，客户需要回答他们是否会把酒店的浴袍作为纪念品。然而，许多人不会直接承认问题。毕竟，被别人知道会很尴尬。因此，酒店可以使用差异隐私的方法，使系统只有部分概率从客户那里得到真正的答案。如果更具体的话，这里差异隐私的应用可以被视为投币获得肯定，系统将真正记录客户的答案；如果你拿回来，你会再扔一次。如果仍在前面，则记录为；是（"e；，背面为"e；否（"e；）；。这样，酒店不知道是谁拿走了浴衣，只知道有多少人把浴衣当作纪念品
结论正如格雷厄姆在文章中所说，新技术的开发和应用将需要时间。隐私安全和个性化之间的平衡是什么？个性化广告的下一个时代是什么？据信，业内许多方面也在积极探索，这只是Facebook在隐私保护方面探索的开始。
