1. Введение

Таргетированная реклама — инструмент маркетинговых коммуникаций, позволяющий адресовать рекламное сообщение строго определённым сегментам аудитории на основе демографических, поведенческих, психографических и контекстных признаков. Раньше, в эпоху традиционных СМИ, рекламодатели могли ориентироваться только на общие характеристики аудитории — например, выбирать тематические издания или время выхода рекламы. Такой подход позволял лишь предположить, кто именно увидит сообщение. С развитием цифровых платформ ситуация изменилась: появилась возможность обращаться не просто к отдельным группам пользователей, а практически к каждому человеку с учётом его интересов и поведения в сети.

Особую роль в этом сыграли социальные сети. Они стали площадками, где собирается огромный объём информации о пользователях: интересы, круг общения, активность, реакции на контент. Реклама на основе этих данных быстро превратилась в главный источник дохода платформ, а развитие технологий таргетирования стало одним из ключевых направлений их работы. Важную роль здесь начал играть искусственный интеллект, который позволяет точнее анализировать данные и повышать эффективность рекламных кампаний.

По данным Statista, мировые расходы на технологии искусственного интеллекта в сфере рекламы и маркетинга в 2023 году превысили 27 млрд долларов, а к 2028 году могут достичь 107 млрд долларов. [1, с. 14]. Эти цифры отражают не инновационный энтузиазм отдельных игроков, а системное изменение отраслевой архитектуры: ИИ из экспериментального инструмента превратился в обязательную инфраструктурную составляющую любой крупной рекламной платформы.

Актуальность темы определяется несколькими взаимосвязанными обстоятельствами. Алгоритмический ландшафт цифровой рекламы стремительно усложняется: отказ от сторонних cookies, ужесточение политики конфиденциальности Apple, принятие европейского Акта об ИИ — всё это формирует принципиально новые технологические условия, требующие систематического научного осмысления. Вместе с тем существующие исследования, как правило, концентрируются либо на технических аспектах рекламных алгоритмов [2], либо на маркетинговых эффектах персонализации [3], оставляя в стороне их историческое единство и взаимообусловленность.

Цель настоящей статьи — систематизировать историю внедрения ИИ в таргетированную рекламу социальных сетей, выделить ключевые технологические разрывы и обозначить перспективные направления развития отрасли на горизонте 2026–2030 годов. Для достижения этой цели решаются следующие задачи: (1) реконструировать этапы развития рекламных технологий в контексте эволюции ИИ; (2) охарактеризовать механизмы действия современных ИИ-систем таргетирования; (3) выявить перспективные технологии и сценарии их применения; (4) проанализировать ключевые этические и регуляторные вызовы.

Методологическую основу исследования составили историко-описательный анализ, контент-анализ академических публикаций и отраслевых отчётов, а также сравнительный анализ технологических платформ. Информационная база включает рецензируемые статьи из баз данных Scopus и Web of Science, отчёты компаний McKinsey, Gartner, Statista, Forrester, а также техническую документацию ведущих рекламных платформ.

2. История внедрения искусственного интеллекта в таргетированную рекламу социальных сетей

2.1. Предпосылки: от демографической сегментации к поведенческому таргетингу (1990-е — 2006)

История таргетированной рекламы уходит корнями в практику прямого маркетинга задолго до цифровой эпохи. Разделение аудитории по демографическим признакам — возрасту, полу, географии — являлось стандартом для печатных и телевизионных СМИ с середины XX века [4, с. 23]. Цифровая революция не отменила эту логику, но радикально расширила её технические возможности.

С появлением World Wide Web рекламные возможности существенно обогатились. В 1994 году компания HotWired разместила первый баннерный рекламный блок, задав начало практике контекстного таргетинга по тематике веб-страниц [5, с. 7]. В том же году в браузере Netscape Navigator появилась технология cookies, позволившая веб-сайтам сохранять информацию о поведении пользователя между сессиями. Это нехитрое техническое решение стало фундаментом для поведенческого таргетинга: рекламные сети, в частности DoubleClick (основана в 1996 году), уже к концу 1990-х применяли элементарные статистические алгоритмы для сопоставления пользовательских профилей с категориями объявлений [6].

Принципиально иной шаг был сделан в 1998 году, когда компания Goto.com (впоследствии Overture) реализовала первую систему аукционов за ключевые слова: ставки рекламодателей автоматически ранжировали объявления в поисковой выдаче [7, с. 112]. Это событие принято считать отправной точкой алгоритмизации рекламных размещений, хотя полноценное машинное обучение в данный период ещё не применялось. Первые социальные сети — SixDegrees, Friendster, MySpace — появились на рубеже 1990-х и 2000-х годов, однако их рекламные возможности оставались сугубо примитивными: статические баннеры с ручным демографическим таргетингом.

2.2. Машинное обучение в социальных сетях: первое поколение (2007–2012)

Точкой отсчёта современной эры рекламных алгоритмов в социальных сетях принято считать 2007 год: именно тогда Facebook запустила собственную рекламную платформу Facebook Ads. Первоначальная система опиралась исключительно на демографическую сегментацию — пол, возраст, географию, указанные пользователем в профиле. Однако уже к 2009–2010 годам инженеры Facebook начали применять алгоритмы коллаборативной фильтрации и анализ графа социальных связей для предсказания интересов пользователей: если два человека, связанных в социальном графе, проявляли схожие поведенческие паттерны, система распространяла интересы одного на другого [9, с. 45].

Параллельно активно развивалась поисковая реклама. В 2003 году Google запустил сервис AdSense, объединивший контекстный анализ страниц с алгоритмами машинного обучения для предсказания кликабельности объявлений (Click-Through Rate, CTR) [8]. Практика логистической регрессии как базовой модели предсказания CTR быстро стала отраслевым стандартом и впоследствии была перенесена в рекламные системы социальных сетей.

В 2009 году появились первые биржи рекламных объявлений (ad exchanges) с протоколом торгов в реальном времени — Real-Time Bidding (RTB). RTB поставил перед алгоритмами задачу принципиально новой сложности: оценить ценность каждого рекламного показа за 100–150 миллисекунд, обработав сотни параметров пользователя. Это стало мощным стимулом для применения ансамблевых методов, в первую очередь градиентного бустинга, и методов снижения размерности [10].

Важным косвенным стимулом для развития персонализации в рекламе стал Netflix Prize — конкурс по улучшению рекомендательного алгоритма, проводившийся в 2006–2009 годах. Победившая команда применила метод матричной факторизации, показавший существенное превосходство над эвристическими подходами [11, с. 30]. Эти результаты быстро нашли применение в архитектуре рекламных рекомендательных систем. В 2013 году Facebook реализовала концепцию «похожих аудиторий» (Lookalike Audiences) — первое масштабное коммерческое применение кластеризации на основе МО в социальных сетях, позволявшее автоматически находить пользователей, сходных по поведению с существующими клиентами рекламодателя.

2.3. Эра глубокого обучения: от признаков к представлениям (2012–2019)

Победа архитектуры AlexNet в конкурсе ImageNet в 2012 году ознаменовала начало революции глубокого обучения, волны которой быстро докатились до рекламных платформ. Глубокие нейронные сети предложили принципиально иной подход: вместо ручного проектирования признаков модель сама извлекала полезные представления из «сырых» данных — текстов, графов взаимодействий, последовательностей кликов [12, с. 203]. Для социальных сетей, располагающих огромными объёмами неструктурированных пользовательских данных, это открывало новый уровень точности таргетирования.

В 2016 году Google представил описание рекомендательной системы YouTube, построенной на двухуровневой нейросетевой архитектуре. Первый уровень отвечал за отбор подходящих вариантов из огромного количества контента, а второй — за их ранжирование с учётом поведения пользователя и контекста текущей сессии [13]. Подход, основанный на связке «отбор + ранжирование», позже стал стандартом для многих цифровых платформ. Аналогичные принципы начали использовать Facebook, Twitter, ВКонтакте и другие социальные сети в системах рекламного показа.

Примерно в тот же период ВКонтакте (VK) обновил алгоритмы таргетинга в рекламной системе myTarget. Платформа начала использовать модели глубокого обучения для анализа поведения пользователей внутри экосистемы VK: поисковых запросов, активности в сообществах, музыкальных предпочтений и других действий. Благодаря этому таргетинг стал учитывать не только явно указанные интересы пользователя, но и его поведенческие особенности.

Серьёзное влияние на дальнейшее развитие технологий оказала публикация архитектуры Transformer в статье «Attention Is All You Need» (Vaswani et al., 2017) [14]. Модели на основе механизма внимания позволили системам лучше работать с последовательными данными и учитывать долгосрочный контекст поведения пользователя. Например, алгоритм мог учитывать интерес, который человек проявлял несколько недель назад, и использовать эту информацию при формировании рекомендаций или рекламы в текущий момент. На этой основе начали развиваться технологии сессионного таргетинга, ориентированные не только на постоянные интересы пользователя, но и на его актуальные намерения.

К 2018–2019 годам ведущие платформы завершили переход к полностью автоматизированному управлению рекламными кампаниями. Система Google Smart Bidding применяла градиентный бустинг и глубокие нейросети для оптимизации ставок в реальном времени на основе свыше 70 сигналов — типа устройства, географии, времени суток, истории поиска и ряда других факторов [16, с. 8]. Facebook в 2019 году представил алгоритм оптимизации бюджета кампаний (Campaign Budget Optimisation), автоматически перераспределявший бюджет между аудиториями в пользу наиболее эффективных.

2.4. Генеративный ИИ и трансформация рекламных технологий (2019 — настоящее время)

Появление крупных предобученных языковых моделей — BERT (Google, 2018) и GPT-3 (OpenAI, 2020) — открыло возможность семантического таргетинга нового поколения. Системы научились понимать намерение пользователя, стоящее за его запросом, а не просто сопоставлять ключевые слова: запрос «что надеть на собеседование» интерпретировался как проявление интереса к деловой одежде и карьерным темам, а не как поиск конкретного товара [17, с. 156].

Параллельно изменился и регуляторный контекст, что в конечном счёте стало не меньшим технологическим стимулом, чем прогресс алгоритмов. Вступление в силу GDPR (2018) и CCPA (2020), ужесточение политики Apple в отношении отслеживания приложений (iOS 14.5, 2021), наконец — объявление Google об отказе от сторонних cookies — совокупно разрушили экосистему кросс-сайтового трекинга, на которой держался значительный пласт рекламных алгоритмов [19]. Ответом индустрии стало ускоренное развитие технологий, не требующих персональных идентификаторов: Privacy Sandbox, федеративное обучение (Federated Learning), контекстный ИИ.

Переломным для генеративного ИИ в рекламе стал 2022 год: публичный запуск DALL-E 2 и Stable Diffusion сделал автоматическую генерацию визуальных рекламных материалов коммерчески доступной. Компания Persado, специализирующаяся на ИИ-копирайтинге, опубликовала данные о том, что тексты, созданные её моделями, показывали CTR в среднем на 39–68 % выше, чем написанные вручную, по результатам A/B-тестирования на выборке из 250 млн сообщений [18, с. 3].

К 2023–2024 годам генеративный ИИ был интегрирован непосредственно в рекламные кабинеты ведущих платформ. Инструмент Meta Advantage+ автоматически тестировал тысячи вариантов рекламных материалов и масштабировал наиболее эффективные без участия рекламодателя [20]. По данным Meta, использование Advantage+ снижало стоимость привлечения клиента (CPA) в среднем на 17 % [20, с. 11]. TikTok в 2023 году запустил инструмент Symphony, позволяющий генерировать видеорекламу на основе описания продукта и целевой аудитории. ВКонтакте развивает собственные решения на базе моделей VK GigaChat для автоматизации рекламного копирайтинга.

3. Современные механизмы искусственного интеллекта в таргетированной рекламе социальных сетей

В современных рекламных платформах ИИ функционирует не как единый алгоритм, а как иерархическая система взаимосвязанных компонентов, каждый из которых решает специфическую задачу. Понимание этой архитектуры важно не только с технической точки зрения, но и для осмысления возможностей и ограничений таргетирования в целом.

Первый уровень — профилирование аудитории. Современные системы опираются на графовые нейронные сети (Graph Neural Networks, GNN), обрабатывающие связи между пользователями, контентом и действиями в социальных графах. Методы встраивания сущностей (entity embeddings) позволяют представлять пользователя, рекламодателя и объявление как векторы в многомерном признаковом пространстве: пользователи со сходными интересами оказываются ближе друг к другу, что создаёт основу для масштабируемого поиска аудиторий [21, с. 78]. Именно этот механизм лежит в основе функции Lookalike Audiences в Meta и аналогичных инструментов других платформ.

Второй уровень — предсказание поведения. Оценка вероятностей клика (pCTR) и конверсии (pCVR) осуществляется нейронными сетями с архитектурой многозадачного обучения (multi-task learning), одновременно оптимизируемыми по нескольким целевым показателям. Данный подход, впервые описанный специалистами Alibaba на конференции SIGIR-2018, позволяет избежать дисбаланса, возникающего при раздельном обучении: конверсий на несколько порядков меньше, чем кликов, и «чистая» модель конверсии страдала бы от нехватки обучающих сигналов [22, с. 1].

Третий уровень — оптимизация ставок. Здесь применяются алгоритмы обучения с подкреплением (Reinforcement Learning, RL): агент рассматривает каждый рекламный аукцион как действие в задаче максимизации долгосрочного вознаграждения (целевого KPI рекламодателя) и обучается балансировать между краткосрочной эффективностью показа и долгосрочными бюджетными ограничениями [23, с. 256]. Именно этот компонент обеспечивает работу функций автоматического назначения ставок в рекламных кабинетах Meta, ВКонтакте и Google.

Четвёртый уровень — генерация и адаптация контента. Диффузионные модели и большие языковые модели применяются для создания персонализированных текстов, баннеров и видеороликов, адаптированных под конкретный сегмент аудитории и этап воронки продаж [24]. Принципиальное отличие этого уровня от предыдущих состоит в том, что он воздействует уже не на распределение показов, а на само содержание рекламного сообщения.

4. Перспективы применения искусственного интеллекта в таргетированной рекламе социальных сетей

4.1. Таргетинг без идентификаторов: контекстный ИИ нового поколения

Вынужденный отказ от кросс-сайтового трекинга, вместо того чтобы ослабить точность таргетирования, стимулировал качественное обновление контекстных подходов. Традиционные системы контекстного таргетинга сопоставляли объявление с тематической категорией страницы по ключевым словам и метатегам. Новое поколение систем использует LLM для глубокого семантического анализа: модель обрабатывает полный текст публикации, тональность комментариев, связанные темы — и определяет не категорию, а актуальное намерение аудитории в момент потребления контента [25, с. 44].

Для социальных сетей этот подход особенно перспективен, поскольку контент в них крайне разнороден и плохо поддаётся жёсткой категоризации. Пост о путешествии может одновременно быть релевантным для авиакомпаний, страховых компаний и брендов одежды — контекстный ИИ способен улавливать эту многоплановость там, где ключевое слово увидит лишь одну тему. Согласно прогнозу Gartner, к 2026 году более 60 % рекламных бюджетов в Европе будет направляться через системы контекстного ИИ, не требующие персональной идентификации [26, с. 5].

4.2. Генеративный ИИ и гиперперсонализация рекламного контента

Следующий рубеж — создание уникального рекламного материала для каждого пользователя или микросегмента, а не выбор наиболее подходящего из готовых вариантов. Системы динамической оптимизации креативов (Dynamic Creative Optimization, DCO) существуют с середины 2010-х годов, однако их возможности ограничивались комбинаторикой заранее подготовленных элементов. Генеративный ИИ снимает это ограничение: модель синтезирует оригинальный креатив, адаптируя визуальный стиль, тональность и нарратив к психографическому профилю конкретной аудитории [27, с. 18]. По оценкам McKinsey, внедрение генеративного ИИ в рекламный продакшн способно сократить время производства материалов на 70–80 % и снизить себестоимость единицы контента в 5–10 раз [28, с. 14].

Вместе с тем гиперперсонализация порождает специфические риски. Исследования выявили феномен «парадокса персонализации»: чрезмерная точность рекламного сообщения воспринимается пользователем как вторжение в частную жизнь и снижает доверие к бренду, даже если само по себе объявление технически точно. Оптимальный уровень персонализации находится в диапазоне, при котором сообщение ощущается как «релевантное», но не как «осведомлённое о личных делах» [29, с. 67]. Для алгоритмических систем это означает необходимость явного учёта психологических порогов допустимой персонализации при обучении модели.

4.3. Мультимодальный и кросс-канальный таргетинг

Современный потребительский путь (customer journey) разворачивается одновременно в нескольких средах: текстовый поиск, видеоплатформы, ленты социальных сетей, мессенджеры, голосовые ассистенты. Мультимодальный ИИ способен анализировать и объединять сигналы из этих разнородных источников, формируя единую модель намерения пользователя. Модели семейства CLIP (OpenAI, 2021) и Flamingo (Google DeepMind, 2022) научились обрабатывать текст, изображения и видео в едином векторном пространстве [30, с. 9]. Применительно к рекламным платформам это означает, что система может связать лайк под видеообзором продукта в TikTok с поисковым запросом в Google и историей покупок — и выстроить согласованную рекламную коммуникацию поверх всех этих точек контакта.

Отдельное перспективное направление — голосовой и разговорный таргетинг. По данным eMarketer, к 2025 году около 35 % домохозяйств в США будут располагать как минимум одним устройством с голосовым ассистентом [31]. Монетизация этого канала требует новых архитектур: в отличие от поискового запроса, разговорный контекст не имеет явных ключевых слов и требует интерпретации намерения через понимание диалога целиком.

4.4. Предиктивная атрибуция и причинно-следственный анализ

Задача атрибуции — определения вклада каждой рекламной точки контакта в итоговую конверсию — традиционно решалась с помощью упрощённых эвристических моделей: «последнее касание», «первое касание», линейное распределение. Все они страдают одним фундаментальным изъяном: фиксируют корреляцию, но не причинно-следственную связь. Пользователь, который уже намерен купить товар и ищет его по брендовому запросу, всё равно «засчитывает» последний рекламный показ как конверсионный — вне зависимости от реального влияния рекламы.

Машинное обучение позволило перейти к более сложным моделям атрибуции, основанным на анализе данных (data-driven attribution). Такие модели учитывают не только отдельные рекламные каналы, но и взаимосвязи между ними, а также влияние времени между взаимодействием пользователя с рекламой и совершением целевого действия [32, с. 201].

Следующим этапом развития стали методы каузального анализа (causal inference). Их задача — определить, какое влияние реклама действительно оказала на поведение пользователя, а что произошло бы и без рекламного воздействия. Иными словами, такие модели помогают отделить реальный эффект рекламы от естественного потребительского поведения.

По мнению исследователей, к 2027 году каузальные модели атрибуции могут стать новым отраслевым стандартом и постепенно заменить более простые эвристические подходы [33, с. 29].

4.5. Этические и регуляторные вызовы

Расширение применения ИИ в таргетированной рекламе ставит вопросы, выходящие за пределы технической эффективности. Центральной остаётся проблема алгоритмической дискриминации: исследования показали, что системы таргетинга Meta и Google демонстрировали систематические смещения при показе объявлений о трудоустройстве и жилье — по признакам расы и пола, — что повлекло судебные разбирательства и регуляторные расследования [34, с. 6]. Важно понимать, что эти смещения нередко являются непреднамеренным результатом оптимизации по показателям эффективности: алгоритм находит аудиторию с наибольшей вероятностью клика, а эта аудитория может оказаться демографически несбалансированной.

Не менее значимой является проблема непрозрачности (black-box AI): рекламодатели и регуляторы зачастую не могут установить, по каким конкретно признакам алгоритм отбирал аудиторию. Европейский Акт об ИИ (AI Act, вступил в силу в 2024 году) вводит требования к объяснимости для систем высокого риска, однако рекламный таргетинг в этот перечень не включён, что оставляет существенную регуляторную лакуну [35].

Наконец, распространение синтетического рекламного контента — дипфейков, ИИ-сгенерированных изображений и видео — создаёт риски для доверия аудитории к рекламным коммуникациям в целом. Формирование отраслевых стандартов верификации происхождения рекламного контента (в частности, спецификации C2PA — Coalition for Content Provenance and Authenticity) является насущной задачей, решение которой во многом определит доверие к цифровой рекламе в ближайшие годы [36].

5. Заключение

История внедрения ИИ в таргетированную рекламу социальных сетей — это не линейная история технологического прогресса, а последовательность качественных разрывов, каждый из которых менял саму логику взаимодействия рекламодателя с аудиторией. Статистическая сегментация 1990-х уступила место поведенческому профилированию, то — глубокому обучению на пользовательских графах, а сегодня на первый план выходит генеративный ИИ, работающий уже не только с распределением показов, но и с самим содержанием рекламного сообщения.

На основе проведённого исследования выделены четыре этапа этой эволюции: (1) предварительный этап демографической сегментации (1990-е — 2006); (2) этап классического машинного обучения и становления социально-сетевых рекламных платформ (2007–2012); (3) эра глубокого обучения и автоматизации управления кампаниями (2012–2019); (4) эра генеративного и мультимодального ИИ (2019 — настоящее время).

Ключевым вектором развития на горизонте 2026–2030 годов видится конвергенция трёх направлений. Во-первых, переход к таргетингу без персональных идентификаторов — через контекстный ИИ нового поколения и федеративное обучение. Во-вторых, гиперперсонализация рекламного контента на основе генеративных моделей при одновременном учёте психологических порогов допустимой персонализации. В-третьих, становление каузальных моделей атрибуции, способных наконец разграничить причинно-следственное влияние рекламы от фонового потребительского поведения.

Вместе с тем технологический потенциал ИИ-таргетирования не реализуется в регуляторном вакууме. Алгоритмическая дискриминация, непрозрачность систем принятия решений и риски, связанные с синтетическим контентом, требуют как развития механизмов объяснимого ИИ (Explainable AI), так и обновления нормативной базы, пока не успевающей за темпами технологических изменений.

Теоретическая значимость настоящей работы состоит в предложенной периодизации развития ИИ в рекламных технологиях социальных сетей и в системном описании механизмов его действия как иерархической архитектуры. Практическая значимость — в обозначении перспективных направлений и сопряжённых с ними рисков, которые необходимо учитывать при разработке рекламных стратегий и технологических платформ. Ограничением исследования является опора преимущественно на открытые данные, тогда как значительная часть алгоритмических решений относится к коммерческой тайне платформ.

Литература:

1. Statista Research Department. Artificial Intelligence in Marketing: Revenue worldwide 2023–2028. — Hamburg: Statista GmbH, 2024. — 67 p.
2. McMahan H. B., Streeter L. Adclick Prediction: A View from the Trenches // Proceedings of the 19th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. — New York: ACM, 2013. — P. 1222–1230.
3. Bart Y., Stephen A. T., Sarvary M. Which Products Are Best Suited to Mobile Advertising? A Field Study of Mobile Display Advertising Effects on Consumer Attitudes and Intentions // Journal of Marketing Research. — 2014. — Vol. 51, No. 3. — P. 270–285.
4. Kotler P., Keller K. L. Marketing Management. 16th ed. — Hoboken: Pearson, 2022. — 816 p.
5. Hwang T. Subprime Attention Crisis: Advertising and the Time Bomb at the Heart of the Internet. — New York: FSG Originals, 2020. — 180 p.
6. Kristol D. M. HTTP Cookies: Standards, Privacy, and Politics // ACM Transactions on Internet Technology. — 2001. — Vol. 1, No. 2. — P. 151–198.
7. Edelman B., Ostrovsky M., Schwarz M. Internet Advertising and the Generalized Second-Price Auction // American Economic Review. — 2007. — Vol. 97, No. 1. — P. 242–259.
8. Varian H. R. Online Ad Auctions // American Economic Review. — 2009. — Vol. 99, No. 2. — P. 430–434.
9. Bakshy E., Rosenn I., Marlow C., Adamic L. The Role of Social Networks in Information Diffusion // Proceedings of the 21st International Conference on World Wide Web. — New York: ACM, 2012. — P. 519–528.
10. Muthukrishnan S. Ad Exchanges: Research Issues // Lecture Notes in Computer Science. — Berlin: Springer, 2009. — Vol. 5929. — P. 1–12.
11. Koren Y., Bell R., Volinsky C. Matrix Factorization Techniques for Recommender Systems // IEEE Computer. — 2009. — Vol. 42, No. 8. — P. 30–37.
12. Goodfellow I., Bengio Y., Courville A. Deep Learning. — Cambridge: MIT Press, 2016. — 775 p.
13. Covington P., Adams J., Sargin E. Deep Neural Networks for YouTube Recommendations // Proceedings of the 10th ACM Conference on Recommender Systems. — New York: ACM, 2016. — P. 191–198.
14. Vaswani A., Shazeer N., Parmar N. et al. Attention Is All You Need // Advances in Neural Information Processing Systems 30. — Red Hook: Curran Associates, 2017. — P. 5998–6008.
15. Cheng H.-T., Koc L., Harmsen J. et al. Wide & Deep Learning for Recommender Systems // Proceedings of the 1st Workshop on Deep Learning for Recommender Systems. — New York: ACM, 2016. — P. 7–10.
16. Google LLC. Setting Smarter Search Bids. Technical White Paper. — Mountain View: Google LLC, 2022. — 12 p.
17. Devlin J., Chang M.-W., Lee K., Toutanova K. BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding // Proceedings of NAACL-HLT 2019. — Stroudsburg: ACL, 2019. — P. 4171–4186.
18. Persado Inc. The Power of Language in Marketing: 2023 Annual Benchmark Report. — New York: Persado Inc., 2023. — 28 p.
19. Google LLC. Privacy Sandbox Overview. Technical Documentation v.2.4. — Mountain View: Google LLC, 2023. — 112 p.
20. Meta Platforms Inc. Meta Advantage+: AI-Powered Campaign Automation. Performance Report. — Menlo Park: Meta Platforms Inc., 2023. — 31 p.
21. Hamilton W. L., Ying R., Leskovec J. Inductive Representation Learning on Large Graphs // Advances in Neural Information Processing Systems 30. — Red Hook: Curran Associates, 2017. — P. 1024–1034.
22. Ma X., Zhao L., Huang G. et al. Entire Space Multi-Task Model: An Effective Approach for Estimating Post-Click Conversion Rate // Proceedings of the 41st International ACM SIGIR Conference. — New York: ACM, 2018. — P. 1137–1140.
23. Sutton R. S., Barto A. G. Reinforcement Learning: An Introduction. 2nd ed. — Cambridge: MIT Press, 2018. — 526 p.
24. Ramesh A., Dhariwal P., Nichol A. et al. Hierarchical Text-Conditional Image Generation with CLIP Latents. Technical Report. — San Francisco: OpenAI, 2022. — 14 p.
25. Mao H., Shi W., Ma W. et al. Causal and Semantic-Enhanced Multimodal Fusion for Advertising CTR Prediction // Proceedings of the 46th International ACM SIGIR Conference. — New York: ACM, 2023. — P. 1285–1294.
26. Gartner Inc. Predicts 2025: Digital Advertising Technology. Research Report G00800312. — Stamford: Gartner Inc., 2024. — 18 p.
27. Epstein Z., Hertzmann A., Akten M. et al. Art and the Science of Generative AI // Science. — 2023. — Vol. 380, No. 6650. — P. 1110–1111.
28. McKinsey & Company. The Economic Potential of Generative AI: The Next Productivity Frontier. — New York: McKinsey Global Institute, 2023. — 68 p.
29. Aguirre E., Mahr D., Grewal D. et al. Unraveling the Personalization Paradox: The Effect of Information Collection and Trust-Building Strategies on Online Advertisement Effectiveness // Journal of Retailing. — 2015. — Vol. 91, No. 1. — P. 34–49.
30. Alayrac J.-B., Donahue J., Luc P. et al. Flamingo: A Visual Language Model for Few-Shot Learning // Advances in Neural Information Processing Systems 35. — Red Hook: Curran Associates, 2022. — P. 23716–23736.
31. eMarketer. Voice Assistant Users 2025: Forecast and Key Trends. — New York: Insider Intelligence, 2023. — 22 p.
32. Perlich C., Dalessandro B., Hook R. et al. Machine Learning for Targeted Display Advertising // Machine Learning. — 2014. — Vol. 95, No. 1. — P. 103–127.
33. Feder A., Keith K. A., Manzoor E. et al. Causal Inference in Natural Language Processing: Estimation, Prediction, Interpretation and Beyond // Transactions of the Association for Computational Linguistics. — 2022. — Vol. 10. — P. 1138–1158.
34. Speicher T., Ali M., Venkatadri G. et al. Potential for Discrimination in Online Targeted Advertising // Proceedings of Machine Learning Research. — 2018. — Vol. 81. — P. 1–15.
35. European Parliament. Regulation of the European Parliament and of the Council Laying Down Harmonised Rules on Artificial Intelligence (Artificial Intelligence Act). — Brussels: Official Journal of the European Union, 2024. — 144 p.
36. Coalition for Content Provenance and Authenticity (C2PA). C2PA Technical Specification Version 2.1. — Portland: Linux Foundation, 2024. — 320 p.