本文關(guān)鍵詞：基于用戶興趣的協(xié)同過濾算法的廣告推薦研究，由筆耕文化傳播整理發(fā)布。

【摘要】：互聯(lián)網(wǎng)科技發(fā)展迅猛,互聯(lián)網(wǎng)信息繁雜,如何針對特定興趣的用戶投放相關(guān)廣告,提高廣告回報率是目前學(xué)術(shù)界及商界關(guān)注的焦點。本文首先分析挖掘某大學(xué)城交友網(wǎng)站用戶網(wǎng)絡(luò)行為,然后改進協(xié)同過濾算法的預(yù)測和推薦機制,依據(jù)協(xié)同過濾算法預(yù)測用戶興趣及廣告投放模式,并對其二者建立映射關(guān)系,從而達到針對具體用戶投放更為精準(zhǔn)廣告的目的。 本文研究工作主要包括數(shù)據(jù)獲取與分析、用戶興趣模式提取、協(xié)同過濾算法改進和廣告推薦驗證。 為使用戶興趣提取更精準(zhǔn),數(shù)據(jù)獲取與分析是關(guān)鍵。本文的數(shù)據(jù)源采用靜態(tài)和動態(tài)兩部分；靜態(tài)數(shù)據(jù)來自某大學(xué)城交友網(wǎng)站的注冊信息,為保證靜態(tài)數(shù)據(jù)的可讀性,采用數(shù)據(jù)降噪技術(shù),剔除無效字符、符號、語氣詞等；動態(tài)數(shù)據(jù)主要來自于網(wǎng)站后臺記錄的用戶行為日志以及通過設(shè)計自適應(yīng)含網(wǎng)頁相似度多線程主題網(wǎng)絡(luò)爬蟲爬取的網(wǎng)頁數(shù)據(jù)并進行分詞,采用基于有向無環(huán)圖(DAG)和動態(tài)規(guī)劃最大概率提高分詞精準(zhǔn)度,采用壓縮Trie樹結(jié)構(gòu)存儲分詞便于詞語匹配,提高用戶興趣模式提取的效率。 用戶的興趣模式提取工作分別從靜態(tài)數(shù)據(jù)和動態(tài)數(shù)據(jù)出發(fā),基于靜態(tài)數(shù)據(jù)的規(guī)則性,使用N叉樹結(jié)構(gòu)的點存儲處理后的靜態(tài)數(shù)據(jù),葉節(jié)點的父節(jié)點以及其它所有的非葉節(jié)點中存儲進一步抽象化興趣信息,利用關(guān)系樹查找算法計算用戶的興趣屬于N叉樹中的哪一類興趣集以初步提取用戶的興趣。動態(tài)數(shù)據(jù)部分在經(jīng)過數(shù)據(jù)分析階段的一系列處理后采用基于詞頻的策略提取用戶的興趣。 本文在協(xié)同過濾算法的預(yù)測階段,為了使預(yù)測結(jié)果更加精準(zhǔn),在預(yù)測階段加入了用戶興趣模式,而不是簡單的通過用戶在本體網(wǎng)站的點擊記錄來預(yù)測用戶對廣告的點擊率。采用回歸的預(yù)測值計算方式來消除用戶打分的慣性行為對預(yù)測結(jié)果準(zhǔn)確性的影響。通過使協(xié)同過濾算法預(yù)測階段數(shù)據(jù)源多元化,提高了算法就預(yù)測用戶點擊廣告的精準(zhǔn)度。 針對以上的所有研究分析工作,編寫了網(wǎng)絡(luò)爬蟲軟件以及推薦系統(tǒng),且將推薦系統(tǒng)應(yīng)用于某某大學(xué)城交友網(wǎng)站上。實驗證明,本論文的網(wǎng)絡(luò)爬蟲軟件較其他常規(guī)爬蟲軟件具有較高的性能,爬取的網(wǎng)頁與用戶的關(guān)聯(lián)度較大；推薦系統(tǒng)推薦的商品與用戶的興趣較為接近。
【關(guān)鍵詞】：聚類 協(xié)同過濾算法 Trie樹 N叉樹
【學(xué)位授予單位】：昆明理工大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2014
【分類號】：TP311.13
【目錄】：

• 摘要5-6
• Abstract6-10
• 第一章 緒論10-16
• 1.1 研究背景和意義10-12
• 1.2 國內(nèi)外研究現(xiàn)狀綜述12-14
• 1.3 本文主要工作14-15
• 1.4 本文的結(jié)構(gòu)15-16
• 第二章 數(shù)據(jù)挖掘及存儲相關(guān)背景知識16-24
• 2.1 數(shù)據(jù)挖掘以及Web數(shù)據(jù)挖掘基礎(chǔ)知識16-19
• 2.1.1 數(shù)據(jù)挖掘16-17
• 2.1.2 Web數(shù)據(jù)挖掘17-19
• 2.2 N叉樹介紹19-20
• 2.3 MongoDB 的介紹20-22
• 2.4 本章小結(jié)22-24
• 第三章 用于興趣提取的數(shù)據(jù)源獲取24-40
• 3.1 靜態(tài)數(shù)據(jù)獲取24-25
• 3.2 動態(tài)數(shù)據(jù)獲取25-38
• 3.2.1 動態(tài)數(shù)據(jù)特點25-29
• 3.2.2 主題爬蟲29-31
• 3.2.3 多線程主題爬蟲算法31-35
• 3.2.4 多線程主題爬蟲仿真結(jié)果35-38
• 3.3 本章小結(jié)38-40
• 第四章 用于興趣提取的數(shù)據(jù)源處理40-56
• 4.1 靜態(tài)數(shù)據(jù)處理40-44
• 4.1.1 數(shù)據(jù)在MongoDB存儲策略40-41
• 4.1.2 關(guān)系查找樹算法在靜態(tài)數(shù)據(jù)的研究41-44
• 4.2 動態(tài)數(shù)據(jù)處理44-54
• 4.2.1 Trie樹組織語料庫44-47
• 4.2.2 Trie樹結(jié)構(gòu)改進47-49
• 4.2.3 改進Trie樹仿真49
• 4.2.4 動態(tài)數(shù)據(jù)分詞49-53
• 4.2.5 分詞仿真53-54
• 4.3 本章小結(jié)54-56
• 第五章 興趣提取56-60
• 5.1 興趣提取策略56-57
• 5.2 興趣提取流程57-58
• 5.3 興趣提取仿真58
• 5.4 本章小結(jié)58-60
• 第六章 改進協(xié)同過濾算法在廣告推薦中的應(yīng)用60-70
• 6.1 協(xié)同過濾算法60-62
• 6.1.1 基于用戶的協(xié)同過濾算法60-61
• 6.1.2 基于物品的協(xié)同過濾算法61-62
• 6.2 改進協(xié)同過濾算法62-66
• 6.2.1 算法改進思想62-64
• 6.2.2 算法改進實現(xiàn)64-66
• 6.3 改進的算法在交友網(wǎng)的廣告推薦應(yīng)用66-70
• 6.3.1 交友網(wǎng)的設(shè)計67
• 6.3.2 算法在交友網(wǎng)的廣告推薦應(yīng)用67-70
• 第七章 總結(jié)與展望70-72
• 致謝72-74
• 參考文獻74-78
• 附錄A 碩士期間發(fā)表的論文專利及軟著78-80
• 附錄B 碩士期間參與項目80

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 朱聰慧;趙鐵軍;鄭德權(quán);;基于無向圖序列標(biāo)注模型的中文分詞詞性標(biāo)注一體化系統(tǒng)[J];電子與信息學(xué)報;2010年03期

2 張衛(wèi)豐,徐寶文;Web搜索引擎框架研究[J];計算機研究與發(fā)展;2000年03期

3 汪濤,樊孝忠;主題爬蟲的設(shè)計與實現(xiàn)[J];計算機應(yīng)用;2004年S1期

4 曾小波;魏祖寬;金在弘;;協(xié)同過濾系統(tǒng)的矩陣稀疏性問題的研究[J];計算機應(yīng)用;2010年04期

5 王伯槐;李紅衛(wèi);劉黎;;基于n-叉樹實現(xiàn)桶排序算法[J];科學(xué)技術(shù)與工程;2009年14期

6 王石;曹存根;裴亞軍;夏飛;;一種基于搭配的中文詞匯語義相似度計算方法[J];中文信息學(xué)報;2013年01期

7 紀(jì)文迪;王曉玲;周傲英;;廣告點擊率估算技術(shù)綜述[J];華東師范大學(xué)學(xué)報(自然科學(xué)版);2013年03期

8 宋杰;王大玲;鮑玉斌;申德榮;;基于頁面Block的Web檔案采集和存儲[J];軟件學(xué)報;2008年02期

9 趙東風(fēng),趙雪春;隨機N叉樹形沖突分解算法研究[J];云南大學(xué)學(xué)報(自然科學(xué)版);2000年01期

10 劉建國;周濤;汪秉宏;;個性化推薦系統(tǒng)的研究進展[J];自然科學(xué)進展;2009年01期

  本文關(guān)鍵詞：基于用戶興趣的協(xié)同過濾算法的廣告推薦研究，由筆耕文化傳播整理發(fā)布。

，

本文編號：285408