【摘要】：隨著移動設(shè)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(zhǔn)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(jìn)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(dāng)前頁面的關(guān)鍵詞,然后投放與之匹配的廣告,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(jìn)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(luò)算法優(yōu)化評分矩陣,并設(shè)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(jìn)行精準(zhǔn)畫像。在澳洲社團(tuán)活動平臺項目背景下設(shè)計一套用戶畫像的標(biāo)簽體系,同時針對構(gòu)建用戶畫像建模時用到的VSM算法進(jìn)行了改進(jìn),并詳細(xì)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(luò)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(luò)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(luò)可以以任意精度逼近非線性函數(shù)的特點,預(yù)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(jìn)而提升準(zhǔn)確度,最終獲得滿意的推薦結(jié)果。3.在澳洲社團(tuán)活動平臺(Here in Australia)項目背景下,依據(jù)文中提出的用戶畫像建模方法和優(yōu)化的混合推薦算法,設(shè)計并實現(xiàn)了基于用戶畫像的移動廣告推薦系統(tǒng)。該系統(tǒng)作為Here澳洲社團(tuán)活動平臺的主要組成部分,是Here平臺的主要盈利方式,同時也為平臺提供移動微信端和Web端的個性化廣告推薦服務(wù)和廣告的綜合后臺配置管理等。
【圖文】：

圖 1-1 橫幅廣告展示 (2) 文字超鏈接廣告(Textual ad)。這種鏈接最常見的地方就是各大搜索引擎頁面。例如谷歌和百度，它們都在自己的搜索頁面進(jìn)行了大規(guī)模的文字超鏈接廣告展示。這不僅從頁面版式上與周圍融合在一起，在數(shù)量上也能增加廣告投放量。如圖1-2 所示就是常見的文字超鏈接廣告。圖 1-2 文字超鏈接廣告(3) 視頻廣告(Vedio ad)。視頻廣告一般出現(xiàn)在在線流媒體的開始，當(dāng)用戶開始觀看的時候首先播放廣告，，當(dāng)用戶暫停時，同樣會出現(xiàn)廣告。這種廣告展示方式在視頻類的網(wǎng)站使用的最多。如圖 1-3 所示。

用戶“標(biāo)簽化”，而這就需要用到用戶畫像的相關(guān)理論知識。畫像，還需要推薦算法進(jìn)行精準(zhǔn)計算，才能獲取好的推薦效果和推薦算法兩方面對相關(guān)概念和技術(shù)展開論述。畫像畫像，英文名 Profile，又稱人群畫像[45]。是通過對用戶進(jìn)行人為、社交關(guān)系、偏好習(xí)慣等信息進(jìn)行分析，進(jìn)而抽象出來的標(biāo)，是最能代表或者表達(dá)一段信息核心和標(biāo)識。，某女性用戶通過手機 App 注冊之后，可以得到“女性”、“0 后”這些標(biāo)簽，通過該用戶日常瀏商品的屬性，可以分析得打扮”、“喜歡蘭蔻”等標(biāo)簽，通過該用戶的支付方式還能行”等等一些標(biāo)簽。將真實的用戶，通過這些真實的數(shù)據(jù)，模，這個模型的屬性就是如上所述的那些標(biāo)簽。而且隨著數(shù)據(jù)的可能隨著用戶自身的變化而變化，但它們總是能很好的描述這所有信息。如圖 2-1 所示：
【學(xué)位授予單位】：電子科技大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2017
【分類號】：TP391.3

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 高董英;鄧新國;肖如良;;融合相似用戶和信任關(guān)系的動態(tài)反饋協(xié)同過濾推薦算法[J];福州大學(xué)學(xué)報(自然科學(xué)版);2017年01期

2 姜建武;李景文;陸妍玲;葉良松;;基于用戶畫像的信息智能推送方法[J];微型機與應(yīng)用;2016年23期

3 李斌;張博;劉學(xué)軍;章瑋;;基于Jaccard相似度和位置行為的協(xié)同過濾推薦算法[J];計算機科學(xué);2016年12期

4 賈彥榮;周寶成;徐火英;張偉;;儀器分析虛擬仿真實驗系統(tǒng)的應(yīng)用與構(gòu)建研究[J];浙江理工大學(xué)學(xué)報;2016年06期

5 趙海燕;郭娣;陳慶奎;曹健;;一種融合相似網(wǎng)絡(luò)的多主題域混合推薦算法[J];計算機應(yīng)用研究;2015年10期

6 張邦佐;桂欣;何濤;孫煥W

本文編號：2528508