基于用戶畫像的移動廣告推薦技術(shù)的研究與應用.pdf

1、隨著移動設備的普及程度越來越高，移動廣告占據(jù)的市場份額也越來越大。相比于傳統(tǒng)互聯(lián)網(wǎng)，移動媒體自身具有移動化、碎片化、個性化等特點，這就需要移動廣告的投放必須朝著精準個性化的方向發(fā)展。只有改變傳統(tǒng)廣告粗放型的投放方式，針對不同用戶迥異的興趣進行個性化的廣告投放，才能將廣告投放轉(zhuǎn)化為用戶的消費行為，使廣告投放商和廣告主都能得到良好的商業(yè)回報。但是，現(xiàn)有的個性化廣告推薦大都是基于內(nèi)容的推薦，先提取用戶當前頁面的關鍵詞，然后投放與之匹配的廣告，

2、并沒有考慮用戶自身的興趣。本文深入研究利用用戶歷史行為數(shù)據(jù)進行用戶畫像建模的方法，針對數(shù)據(jù)稀疏性這個共性問題，提出使用RBF神經(jīng)網(wǎng)絡算法優(yōu)化評分矩陣，并設計了一種結(jié)合用戶畫像建模的混合推薦算法，提高推薦精確度，實現(xiàn)個性化移動廣告的推薦。
　　本文所做的主要工作有：
　　1. 分析系統(tǒng)收集的用戶數(shù)據(jù)，對用戶進行精準畫像。在澳洲社團活動平臺項目背景下設計一套用戶畫像的標簽體系，同時針對構(gòu)建用戶畫像建模時用到的VSM算法進行了改進

3、，并詳細論述了畫像模型更新的方法。
　　2. 深入研究了使用RBF神經(jīng)網(wǎng)絡結(jié)構(gòu)優(yōu)化評分矩陣，減少數(shù)據(jù)稀疏性的方法，然后提出一種將RBF神經(jīng)網(wǎng)絡和用戶畫像建模相結(jié)合的混合推薦算法。其核心是利用RBF神經(jīng)網(wǎng)絡可以以任意精度逼近非線性函數(shù)的特點，預測評分矩陣的空缺項，然后使用皮爾遜相似度計算方法得到用戶最大鄰居集合。將初步得到的推薦結(jié)果與用戶模型向量相結(jié)合，計算它們之間的相似度，進而提升準確度，最終獲得滿意的推薦結(jié)果。
　　3.