基于用戶畫像的移動廣告推薦技術(shù)的研究與應用.pdf_第1頁
已閱讀1頁,還剩81頁未讀, 繼續(xù)免費閱讀

下載本文檔

版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進行舉報或認領

文檔簡介

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.

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負責。
  • 6. 下載文件中如有侵權(quán)或不適當內(nèi)容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論