导读:本文包含了广告推荐系统论文开题报告文献综述及选题提纲参考文献，主要关键词:广告法,大数据,推荐系统,风险
广告推荐系统论文文献综述
赵亮[1]（2019）在《《广告法》视阈下商用大数据推荐系统风险研究》一文中研究指出商用大数据个性化推荐系统的技术功能本质是现代网络经济语境下的一种广告活动,是传统广告的新兴形态和前沿趋势,应以《广告法》作为重要借鉴进行技术风险的评估与防控。《广告法》总则及广告内容总则、广告行为规范中的相关规定,应作为实现推荐技术良性发展的重要风险提示和规范指引。(本文来源于《数码世界》期刊2019年09期）
郁豹,李振华,张凯,胡安翔[2]（2019）在《基于DeepFM模型的广告推荐系统研究》一文中研究指出随着移动设备普及,移动互联网行业进入了高速发展阶段,信息量和用户量急剧增长,如何在有限的资源下准确地分析用户行为,提升广告效果并保障用户体验显得尤为重要。提出一种由深度神经网络(Deep neural network)和因子分解机(Factorization machine)组成的模型——DeepFM模型来实现社交广告的个性化推荐,其中因子分解机部分主要是提取一阶二阶特征,深度神经网络部分主要提取高阶特征。最终通过研究发现,DeepFM模型比逻辑回归模型(LR模型)及因子分解机(FM模型)的效果都要好。(本文来源于《计算机应用与软件》期刊2019年07期）
浩庆波,徐岩,高慧[3]（2018）在《基于情境信息的移动广告推荐系统的研究》一文中研究指出智能移动设备的日益普及和移动互联网技术的快速发展催生了一类新的广告系统,即移动广告推荐系统。传统的互联网广告系统在很大程度上忽略了用户在特定"情境"内与系统交互的事实。在本文中,我们实现了一个名为MARS(移动广告推荐系统Mobile AdvertisementRecommenderSystem)的移动广告推荐原型系统。MARS能够获取不同用户的情境信息以改进推荐结果。系统演示表明MARS能够精准有效地进行广告推荐。(本文来源于《电子技术》期刊2018年11期）
蒋丽[4]（2018）在《基于数据挖掘的广告推荐系统的研究》一文中研究指出随着Internet的快速发展,网络中的无结构或半结构化的文本数据正在急剧增加。面对如此庞杂的数据,用户了解和处理数据的能力却维持不变,如何帮助用户对这些数据进行有效的管理并帮助用户获取他们所需要的信息就显得尤为重要。这个问题涉及到文本挖掘的研究。文本挖掘是数据挖掘领域的一个分支,文本挖掘是从大量的文本集合或者语料库当中抽取事先未知的、可理解的、有潜在实用价值的模式和知识。文本挖掘又可以分为文本聚类挖掘和文本分类挖掘,本文将具体研究文本聚类挖掘,由于聚类不需要预先对文档进行手工标注类别等操作,可大大地减少手工整理文本的时间,从而提高了效率。因此,研究文本聚类具有非常重要的意义。首先,文章概述了数据挖掘的概念、功能、步骤以及聚类的概念,在介绍常用的一些聚类算法的基本思想及优缺点的基础上,阐述了选择K-Means聚类算法对文本进行聚类的原因,分析了K-Means聚类算法的优缺点并针对其缺点进行了改进。针对原始K-Means聚类算法随机选取K个初始聚类中心的问题,提出一种改进的K-Means聚类算法,算法首先基于密度及聚类准则思想来选取K个初始聚类中心,然后再在选取的初始聚类中心上进行K-Means聚类。最后,用不同的数据集来验证改进后的K-Means聚类算法的准确性和稳定性,实验结果表明,改进后的K-Means聚类算法在准确性和稳定性上都比原始K-Means聚类算法提高不少。其次,文章概述了文本聚类挖掘中的具体步骤,给出了每一个步骤的具体思路。针对K-Means聚类算法对聚类簇K值很敏感这一问题,提出一种改进的K-Means聚类算法,算法首先基于共现词原理计算词向量之间的相似性并根据相似性阈值将聚类样本划分为K+x个簇后结合密度及聚类准则思想来选取K+x个初始聚类中心,之后再在这K+x个初始聚类中心上使用K-Means聚类算法。用不同的文本数据来验证改进算法的准确性,实验证明,改进后的K-Means聚类算法有效地减小了算法对参数K的依赖。最后,给出了OFBiz电子商务平台中的广告推荐系统的总体设计以及模块设计,在OFBiz电子商务平台中实现了广告推荐系统,在该广告推荐系统中使用了改进后的K-Means聚类算法,通过该系统验证改进后的K-Means聚类算法的有效性。(本文来源于《南京航空航天大学》期刊2018-03-01）
李颖[5]（2017）在《基于微博用户兴趣的个性化广告推荐系统的设计与实现》一文中研究指出随着 Web 2.0时代的到来,一大批新兴的社交网络平台也应运而生。新浪微博凭借其传播性强和方便快捷的特点迅速吸引了大批用户,并成功跻身最受欢迎的社交软件行列。从微博用户的角度来说,微博是他们获取和分享信息的平台,找到最感兴趣的信息是他们使用微博的目的;从微博商家的角度来说,微博是他们相互竞争,以盈利为目标进行广告营销的平台。对微博用户实现广告的精准投放从而使利益最大化是商家的目的所在。然而,目前微博平台已经呈现出“信息过载”的状态,所以如何从海量数据中提取有价值的信息对用户的兴趣进行准确定位,并基于定位结果为其推荐个性化的广告是本文的研究重点。针对目前微博平台存在的为用户推荐的广告不符合其需求而影响用户体验的问题,本文首先提出了一种基于交互链路的相似用户发现算法,该算法旨在为某用户寻找与其相似的用户集合,为个性化推荐奠定基础。并在此算法的基础上提出了一种微博用户兴趣挖掘算法,使用本文的相似用户发现算法得到的相似用户集合扩充目标用户的关注集合,基于扩充的关注集合中的用户信息挖掘用户兴趣,使微博用户兴趣的分析结果更加准确。本文的主要工作包含以下几个方面:(1)针对目前寻找相似用户的范围过于局限以及忽略用户间的间接交互所造成的推荐效果不理想的问题,本文提出了一种基于交互链路的相似用户发现算法。本算法使用微博交互链路中的相关用户扩充寻找相似用户的候选集,基于用户的四种基本属性计算用户间的基本信息相似度,并充分考虑了微博用户在链路上的间接交互关系对交互强度计算的影响。结合用户基本信息相似度和交互强度,得到最终的用户相似度。实验证明了本文提出的算法在相似用户发现上的有效性和可行性。(2)针对目前微博平台存在的对用户的真实兴趣定位不精准的问题,本文提出了一种微博用户兴趣挖掘算法。本算法使用本文的相似用户发现算法得到的相似用户集合扩充目标用户的关注集合,基于该集合中微博用户的微博认证信息和标签信息挖掘目标用户的长期兴趣,并通过分析目标用户自身的微博文本得到该用户的短期兴趣。融合微博用户的长期兴趣和短期兴趣,得到该用户的最终兴趣。实验证明了本文提出的微博用户兴趣挖掘算法在分析用户兴趣上的有效性和可行性。(3)基于上述两种算法,本文设计并实现了基于微博用户兴趣的个性化广告推荐系统。该系统包括数据采集、数据处理、用户兴趣挖掘、相似用户发现以及个性化广告推荐模块。综合本文提出的两种算法,能够有效地为目标用户进行个性化广告的推荐。(本文来源于《南京理工大学》期刊2017-12-01）
朱道杰,朱艳辉[6]（2016）在《基于用户模型的广告推荐系统》一文中研究指出根据用户网页浏览上下文环境获取用户偏好,则能够完成用户潜在需求的挖掘,从而使广告推荐的准确性得到提高。基于此,设计了一种基于用户偏好模型的广告推荐系统。经过验证,该系统的广告推荐准确率可以达到95%,在广告推荐中具有一定有效性。(本文来源于《信息与电脑(理论版)》期刊2016年13期）
朱珂[7]（2016）在《移动环境下基于情境感知的广告推荐系统》一文中研究指出近年来,随着移动智能终端设备的迅速普及,移动互联网产业得到了蓬勃发展。作为移动互联网产业重要盈利手段的移动互联网广告受到愈来愈多地重视,衍生出许多新的商业模式。在移动互联网广告中存在信息过载问题,用户数据与广告数据规模巨大,广告主面对数量巨大的用户,若不能对用户进行精准定向,单纯依靠大量投放广告,会造成投放成本的浪费;同时,用户也不能在海量广告中找到自身真正需要的广告。通过个性化广告推荐系统,可以解决互联网广告中存在的信息过载问题。本文研究移动环境下的互联网广告推荐技术,主要创新工作如下:(1)提出了一种基于用户浏览行为的广告推荐方法。该方法针对移动互联网合约广告市场形式售卖用户标签的特点,收集用户最近一段时间的网页浏览内容,并采集用户的广告点击行为,根据用户浏览行为建立用户间的相似性模型;进一步,通过记忆遗忘规律对所提出用户相似性模型进行优化,依据该模型向用户提供个性化广告推荐;对一组真实数据进行实验,记录模型构建的时间,并计算广告推荐结果的F-measure值,实验表明,该模型在合约广告市场形式下具有良好的效果。(2)提出了一种新的贝叶斯概率模型广告推荐方法。该方法融合了移动环境下互联网广告用户情境信息,将贝叶斯概率模型引入到广告推荐算法中;同时,针对用户情境信息量大、信息种类繁杂的问题,采用信息增益来对属性进行剪枝,有效消除情境冗余信息,提高了贝叶斯模型构建效率;对真实数据进行实验,记录模型构建时间,并计算广告推荐结果的F-measure值,实验表明,该方法具有较好的时间性能和推荐效果。(本文来源于《天津理工大学》期刊2016-01-01）
罗辉海[8]（2015）在《基于协同过滤的个性化广告推荐系统的设计与实现》一文中研究指出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)叁层架构思想,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。(本文来源于《中国科学院大学(工程管理与信息技术学院)》期刊2015-10-01）
杨燕,霍晓骏,贺梁[9]（2015）在《赞助商式广告推荐系统中数据稀疏问题的研究》一文中研究指出广告推荐系统是当前针对网络广告的研究热点.在广告推荐系统中,一般利用使用基于邻域的协同过滤产生推荐,但是这种算法对数据的稀疏性有着一定要求,不适合对稀疏性太高的数据使用协同过滤.本文利用矩阵分解算法解决数据稀疏的问题,并在腾讯搜搜广告日志数据上进行实验.实验结果表明,本文提出的矩阵分解广告推荐算法弥补了数据稀疏带来的弊端,能够取得更高的准确率,召回率以及F指标,对稀疏的数据有着更高的抵抗性.(本文来源于《小型微型计算机系统》期刊2015年09期）
蔡佳枝[10]（2015）在《移动环境下精准定向广告驱动的推荐系统研究》一文中研究指出互联网的快速发展将人们带入了一个信息爆炸的时代,面对海量数据信息,由于人们的关注能力的局限性,因此难以从中快速的找到自己喜欢或者感兴趣的信息或者项目。此外,随着移动通讯技术的迅速发展,手机、平板等移动终端的使用越发便捷,大量网络应用用户已从网页版转移到移动客户端版。针对移动客户端的用户进行个性化信息推荐,在提升用户体验方面具有广阔的发展潜力。个性化推荐在互联网上的应用已经取得了一定的成果,其中应用最成功是协同过滤算法,但协同过滤推荐技术依然存在数据稀疏性及冷启动等问题。同时,由于移动用户的移动性,用户的地理位置及周边环境都在实时改变,传统的协同过滤算法并不能很好的处理这种改变并给出精准推荐。为解决上述问题,本文提出了基于用户社交网络信息的用户聚类方法,将用户的交互信息考虑到用户相似度计算中,并聚类形成一个个兴趣爱好相似的朋友圈,基于用户信任的朋友圈推荐方法可以提高推荐质量。同时本文增加了评分时间权重和项目距离权重来提高推荐结果的精准性,并引入了距离筛选机制,减少了推荐算法计算量,提高了推荐效率。本文根据提出的改进方法对大众点评数据集进行matlab仿真模拟,验证了个性化推荐技术融合社交信息和位置信息方法的有效性。(本文来源于《南昌大学》期刊2015-05-30）
广告推荐系统论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
随着移动设备普及,移动互联网行业进入了高速发展阶段,信息量和用户量急剧增长,如何在有限的资源下准确地分析用户行为,提升广告效果并保障用户体验显得尤为重要。提出一种由深度神经网络(Deep neural network)和因子分解机(Factorization machine)组成的模型——DeepFM模型来实现社交广告的个性化推荐,其中因子分解机部分主要是提取一阶二阶特征,深度神经网络部分主要提取高阶特征。最终通过研究发现,DeepFM模型比逻辑回归模型(LR模型)及因子分解机(FM模型)的效果都要好。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
广告推荐系统论文参考文献
[1].赵亮.《广告法》视阈下商用大数据推荐系统风险研究[J].数码世界.2019
[2].郁豹,李振华,张凯,胡安翔.基于DeepFM模型的广告推荐系统研究[J].计算机应用与软件.2019
[3].浩庆波,徐岩,高慧.基于情境信息的移动广告推荐系统的研究[J].电子技术.2018
[4].蒋丽.基于数据挖掘的广告推荐系统的研究[D].南京航空航天大学.2018
[5].李颖.基于微博用户兴趣的个性化广告推荐系统的设计与实现[D].南京理工大学.2017
[6].朱道杰,朱艳辉.基于用户模型的广告推荐系统[J].信息与电脑(理论版).2016
[7].朱珂.移动环境下基于情境感知的广告推荐系统[D].天津理工大学.2016
[8].罗辉海.基于协同过滤的个性化广告推荐系统的设计与实现[D].中国科学院大学(工程管理与信息技术学院).2015
[9].杨燕,霍晓骏,贺梁.赞助商式广告推荐系统中数据稀疏问题的研究[J].小型微型计算机系统.2015
[10].蔡佳枝.移动环境下精准定向广告驱动的推荐系统研究[D].南昌大学.2015