隨著互聯(lián)網(wǎng)與手機(jī)行業(yè)的快速發(fā)展,手機(jī)網(wǎng)民的數(shù)量逐年增多。截至2018年6月,手機(jī)網(wǎng)民數(shù)量高達(dá)7.88億,占我國(guó)網(wǎng)民數(shù)量的98.3%。如此龐大的手機(jī)網(wǎng)民數(shù)量,也給移動(dòng)互聯(lián)網(wǎng)廣告帶來(lái)了巨大的商機(jī),移動(dòng)互聯(lián)網(wǎng)廣告也逐漸成為網(wǎng)絡(luò)廣告的越來(lái)越重要的廣告渠道。然而面對(duì)如此巨大的手機(jī)網(wǎng)民數(shù)量,吸引了越來(lái)越多的廣告商進(jìn)入移動(dòng)互聯(lián)網(wǎng)市場(chǎng),產(chǎn)生了大量的網(wǎng)絡(luò)廣告。然而,目前很多網(wǎng)絡(luò)廣告都是隨機(jī)投放的,投放效率很低。同時(shí),隨意投放的廣告干擾了用戶正常的生活和上網(wǎng)體驗(yàn),普遍引起用戶的反感。使得越來(lái)如何提高網(wǎng)絡(luò)廣告投放的精確度和降低網(wǎng)絡(luò)廣告投放的成本問題變得越來(lái)越重要。因此本文面對(duì)這種情況進(jìn)行研究,提出一種移動(dòng)互聯(lián)網(wǎng)廣告推薦方法解決如上的問題,本文的主要研究?jī)?nèi)容如下:1.首先,通過對(duì)用戶文本進(jìn)行分析,得到用戶文本相似度矩陣。其次,根據(jù)用戶矩陣獲取與用戶文本相似的用戶的廣告行為,結(jié)合時(shí)間懲罰因子,生成“用戶-廣告列表”矩陣,采用協(xié)同過濾的方式得到用戶廣告推薦列表。其次,根據(jù)用戶所在的地理位置,從文本相似度中找出與用戶在同一區(qū)域的用戶,再次根據(jù)“用戶-廣告”的矩陣進(jìn)行協(xié)同過濾推薦,得到新的廣告推薦列表。最后將先后得到... 

【文章來(lái)源】：西華大學(xué)四川省

【文章頁(yè)數(shù)】：63 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

012-2018年中國(guó)網(wǎng)絡(luò)廣告市場(chǎng)規(guī)模Fig.1.1ThescaleofChinaonlineadvertisingmarketin2012-2018

受用戶獲取信息的方式和途徑的變化的影響，網(wǎng)絡(luò)廣告已成為媒體廣告中的核一方面，效果廣告迅速發(fā)展，廣告形式不斷創(chuàng)新；另一方面，市場(chǎng)份額明顯增加。網(wǎng)絡(luò)廣告的迅速發(fā)展給市場(chǎng)注入大量的活力。也由此證明了沒有永久的，網(wǎng)絡(luò)廣告市場(chǎng)占比將繼續(xù)增加，移動(dòng)廣告市場(chǎng)將成為網(wǎng)絡(luò)廣告的主要爭(zhēng)奪 年我國(guó)移動(dòng)廣告市場(chǎng)的規(guī)模達(dá)到 2648.8 億元，同比增長(zhǎng) 25.5%，保持持續(xù)高目前移動(dòng)廣告是的整體市場(chǎng)增速遠(yuǎn)超網(wǎng)絡(luò)廣告市場(chǎng)的增速，2016 年移動(dòng)廣告的0%，2019 年中國(guó)移動(dòng)廣告市場(chǎng)交易規(guī)模將達(dá)到 4842.5 億元[3]。

式爬蟲的數(shù)據(jù)獲取基本原理一張大網(wǎng)，而爬蟲（即網(wǎng)絡(luò)爬蟲）便是在網(wǎng)上爬行的蜘點(diǎn)，當(dāng)爬蟲到達(dá)該節(jié)點(diǎn)時(shí)，就是訪問了該網(wǎng)頁(yè)，則獲取了連線就好比各個(gè)網(wǎng)頁(yè)之間的鏈接關(guān)系，如此一來(lái)，爬蟲就沿著節(jié)點(diǎn)間的連線繼續(xù)的訪問下一個(gè)節(jié)點(diǎn)，如此一來(lái)，網(wǎng)依次訪問，對(duì)應(yīng)網(wǎng)站的數(shù)據(jù)也都可以被爬蟲爬取下來(lái)。所，并將其提取和保存的一種自動(dòng)化程序。頁(yè)網(wǎng)頁(yè)信息，首先的就是要獲取網(wǎng)頁(yè)，即網(wǎng)頁(yè)源代碼。由于的信息，所以只要能獲取到網(wǎng)頁(yè)的源代碼，就可以通過網(wǎng)頁(yè)信息的獲取主要分為請(qǐng)求(requests)和響應(yīng)(responses)兩步

【參考文獻(xiàn)】：
期刊論文
[1]一種融合了基于樸素貝葉斯算法與情境感知的協(xié)同推薦系統(tǒng)——以大學(xué)圖書館實(shí)體圖書推薦為例[J]. 程秀峰,范曉瑩,楊金慶.  現(xiàn)代情報(bào). 2019(02)
[2]基于用戶興趣模型的個(gè)性推薦算法[J]. 郁鋼,陸海良,單宇翔,高揚(yáng)華.  智能計(jì)算機(jī)與應(yīng)用. 2018(02)
[3]基于用戶打分和評(píng)論的推薦算法研究[J]. 祁燕,岳添駿,楊大為.  沈陽(yáng)理工大學(xué)學(xué)報(bào). 2018(02)
[4]基于用戶在線行為的個(gè)性化推薦研究[J]. 陳曉璇,劉洪偉,曹寧.  合作經(jīng)濟(jì)與科技. 2018(07)
[5]基于文本屬性的微博用戶相似度研究[J]. 李夢(mèng)潔,邵曦.  計(jì)算機(jī)技術(shù)與發(fā)展. 2018(05)
[6]基于關(guān)聯(lián)規(guī)則的個(gè)性化推薦系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[J]. 錢俊松,冷文浩.  福建電腦. 2017(10)
[7]微博及中文微博信息處理研究綜述[J]. 文坤梅,徐帥,李瑞軒,辜希武,李玉華.  中文信息學(xué)報(bào). 2012(06)

博士論文
[1]基于鄰域的協(xié)同過濾推薦系統(tǒng)相似度研究[D]. 鄧琨.江西財(cái)經(jīng)大學(xué) 2017

碩士論文
[1]中文文本情感分析中的特征選擇和權(quán)重研究[D]. 蘇煜宇.南京郵電大學(xué) 2017
[2]支持動(dòng)態(tài)網(wǎng)頁(yè)解析的分布式網(wǎng)絡(luò)爬蟲系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D]. 歐陽(yáng)春.東南大學(xué) 2017
[3]大數(shù)據(jù)環(huán)境下基于用戶行為的個(gè)性化推薦算法研究[D]. 劉國(guó)梁.蘭州交通大學(xué) 2017
[4]社交媒體信息流廣告研究[D]. 蔡子婷.黑龍江大學(xué) 2017
[5]基于協(xié)同過濾的移動(dòng)互聯(lián)網(wǎng)廣告推薦方法的研究[D]. 田雪松.西華大學(xué) 2016
[6]基于微博內(nèi)容和用戶關(guān)注的微博用戶興趣模型構(gòu)建[D]. 袁博陽(yáng).華南理工大學(xué) 2015
[7]基于主題挖掘和時(shí)間窗口劃分的興趣推薦技術(shù)研究[D]. 宋健.華東師范大學(xué) 2011



本文編號(hào)：3029793