基于用戶畫(huà)像的移動(dòng)廣告推薦技術(shù)的研究與應(yīng)用.pdf

1、隨著移動(dòng)設(shè)備的普及程度越來(lái)越高，移動(dòng)廣告占據(jù)的市場(chǎng)份額也越來(lái)越大。相比于傳統(tǒng)互聯(lián)網(wǎng)，移動(dòng)媒體自身具有移動(dòng)化、碎片化、個(gè)性化等特點(diǎn)，這就需要移動(dòng)廣告的投放必須朝著精準(zhǔn)個(gè)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(duì)不同用戶迥異的興趣進(jìn)行個(gè)性化的廣告投放，才能將廣告投放轉(zhuǎn)化為用戶的消費(fèi)行為，使廣告投放商和廣告主都能得到良好的商業(yè)回報(bào)。但是，現(xiàn)有的個(gè)性化廣告推薦大都是基于內(nèi)容的推薦，先提取用戶當(dāng)前頁(yè)面的關(guān)鍵詞，然后投放與之匹配的廣告，

2、并沒(méi)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(jìn)行用戶畫(huà)像建模的方法，針對(duì)數(shù)據(jù)稀疏性這個(gè)共性問(wèn)題，提出使用RBF神經(jīng)網(wǎng)絡(luò)算法優(yōu)化評(píng)分矩陣，并設(shè)計(jì)了一種結(jié)合用戶畫(huà)像建模的混合推薦算法，提高推薦精確度，實(shí)現(xiàn)個(gè)性化移動(dòng)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(duì)用戶進(jìn)行精準(zhǔn)畫(huà)像。在澳洲社團(tuán)活動(dòng)平臺(tái)項(xiàng)目背景下設(shè)計(jì)一套用戶畫(huà)像的標(biāo)簽體系，同時(shí)針對(duì)構(gòu)建用戶畫(huà)像建模時(shí)用到的VSM算法進(jìn)行了改進(jìn)

3、，并詳細(xì)論述了畫(huà)像模型更新的方法。
　　2. 深入研究了使用RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化評(píng)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(luò)和用戶畫(huà)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(luò)可以以任意精度逼近非線性函數(shù)的特點(diǎn)，預(yù)測(cè)評(píng)分矩陣的空缺項(xiàng)，然后使用皮爾遜相似度計(jì)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(jì)算它們之間的相似度，進(jìn)而提升準(zhǔn)確度，最終獲得滿意的推薦結(jié)果。
　　3.