基于协同过滤的个性化广告推荐系统的设计与实现

发布时间：2017-04-09 08:17

  本文关键词：基于协同过滤的个性化广告推荐系统的设计与实现，，由笔耕文化传播整理发布。

【摘要】：随着互联网行业的蓬勃发展,便捷高效的电子商务日益成为人们日常生活中不可或缺的一部分。在广告领域,互联网广告联盟获得了长足发展,个性化广告推荐逐渐成为广告联盟之间差异化竞争的关键技术。广告联盟中的个性化推荐是指以用户对广告的行为数据、用户个人特征以及广告内容等信息为基础,以内容过滤、协同过滤、混合过滤以及数据挖掘等为技术手段,向目标用户推荐其可能感兴趣的广告内容。协同过滤算法是目前被研究和应用最广的推荐算法之一。由于广告及用户的特殊属性,广告联盟在应用协同过滤算法时还面临着以下问题：(1)广告与随时间变化的用户兴趣之间的实时匹配问题；(2)用户间兴趣相似度的时效性问题；(3) 用户之间的相似度度量问题。另外,如何利用现有的广告平台(利用其广告数据和用户数据资源),搭建以个性化广告推荐技术为核心技术的广告联盟,并通过在线-近线-离线(online-near line-offline)三层架构思想,将数据采集和广告推荐有机结合成一个整体,是本文在系统架构上需要考虑的。本文首先分析了现有的平台功能和架构,·给出了系统的改造需求；其次,结合传统的协同过滤算法,本文引入了定时更新、可信度、基于项目评分预测的思想,改进了WSO (Weighted Slope One)算法；最后,通过从现有系统中随机抽取样例进行实验,对比改进后的算法和传统的WSO算法,验证了随着时间变化,改进后的算法更有优势。
【关键词】：协同过滤 平台开发 广告推荐 WSO 评分预测
【学位授予单位】：中国科学院大学(工程管理与信息技术学院)
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TP391.3
【目录】：

• 摘要5-6
• Abstract6-9
• 第一章 绪论9-15
• 1.1 研究背景与意义9-11
• 1.1.1 研究背景9-10
• 1.1.2 研究意义10-11
• 1.2 本课题的相关研究现状11-13
• 1.2.1 Google的Adsense11
• 1.2.2 百度的CPA11
• 1.2.3 微软推出的adCenter11
• 1.2.4 阿里巴巴旗下的阿里妈妈11-13
• 1.3 本文研究工作13
• 1.3.1 分析现有广告联盟平台系统的优缺点13
• 1.3.2 适合广告联盟的个性化推荐算法选择、实现与评估13
• 1.3.3 依据个性化推荐技术制定系统改造方案13
• 1.4 论文结构安排13-15
• 第二章 相关推荐技术基础15-31
• 2.1 个性化广告显示系统的技术基础16-28
• 2.1.1 基于内容的推荐技术18-20
• 2.1.2 基于协同过滤算法的推荐技术20-25
• 2.1.3 混合推荐技术25-28
• 2.2 广告代码监控技术基础28-29
• 2.2.1 广告点击数据跟踪及数据安全28
• 2.2.2 广告监控系统的数据挖掘28-29
• 2.3 本章小结29-31
• 第三章 个性化广告推荐系统需求分析与整体设计31-43
• 3.1 现有广告系统改造需求分析31-36
• 3.1.1 现有广告联盟平台功能分析32-34
• 3.1.2 现有广告联盟平台架构分析34-36
• 3.2 个性化广告推荐系统整体设计36-38
• 3.2.1 业务逻辑改造36-37
• 3.2.2 系统架构改造37-38
• 3.3 EAVS系统、EACS系统和EMIS系统间关系设计38-41
• 3.3.1 EAVS与EMIS系统间的关系39-40
• 3.3.2 EAVS与EACS系统间的关系40-41
• 3.4 本章小结41-43
• 第四章 基于协同过滤的个性化广告系统实现43-59
• 4.1 基于WSO的个性化推荐改进方案43-49
• 4.1.1 WSO的个性化推荐模型改进的基本条件44-45
• 4.1.2 WSO的个性化推荐的改进模型45-46
• 4.1.3 改进的基于WSO的个性化推荐方法与过程46-49
• 4.2 EAVS广告显示系统的设计与实现49-53
• 4.2.1 网站主获取的js显示代码分析50
• 4.2.2 服务器端入口程序处理流程50-51
• 4.2.3 EAVS系统表结构设计51-53
• 4.2.4 程序关键接口53
• 4.3 EACS系统改造设计与实现53-58
• 4.3.1 EACS系统监控流程设计55-57
• 4.3.2 EACS表结构设计及主要接口57-58
• 4.4 本章小结58-59
• 第五章 个性化广告推荐系统测试与评估59-65
• 5.1 系统应用环境及数据准备59-61
• 5.1.1 实验环境和实验数据59-60
• 5.1.2 评价指标60-61
• 5.2 实验设计及效果展示61-64
• 5.2.1 改进后和传统的协同过滤算法推荐结果MAE比较61-62
• 5.2.2 项目属性对MAE的影响62-63
• 5.2.3 用户属性对MAE的影响63-64
• 5.3 本章小结64-65
• 第六章 结论及展望65-67
• 参考文献67-69
• 附录69-71
• 致谢71-73
• 个人简历、在学期间发表的论文及研究成果73

【参考文献】

中国期刊全文数据库 前1条

1 邓爱林,朱扬勇,施伯乐;基于项目评分预测的协同过滤推荐算法[J];软件学报;2003年09期

  本文关键词：基于协同过滤的个性化广告推荐系统的设计与实现，由笔耕文化传播整理发布。

本文编号：294844