基于混合推荐算法的微博网络广告推荐-研究

《基于混合推荐算法的微博网络广告推荐-研究》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、基于混合推荐算法的微博网络广告推荐研究摘要随着微博影响力的提升和用户规模的不断扩大，其背后蕴含的商业价值自然吸引了众多企业的眼球。越来越多的企业将营销触角伸向微博，迄今为止也不乏成功的微博营销案例。然而对于以产品销售为主的企业来说，一时的活动造势引起的短时间内的关注度提升并不能满足其持续发展的需要。目前学术界对于微博营销的研究多是通过分析微博社会网络结构来研究信息在微博网络中的传播，通过对用户行为的研究来向企业提供理论上的营销建议支持。而在采用技术手段来提升微博营销能力方面的研究较少。学者们对于微博的个性化推荐的研究目前也主要集中于对于微博好友的推荐，以及对于新闻的推

2、荐，以营销的角度将个性化推荐与微博网络广告相结合的研究几乎没有。本文将个性化推荐与微博营销相结合，从微博网络广告推荐的角度探讨微博营销的问题。与其他针对所有微博用户进行相同方式的营销不同，这种营销模式在分析用户兴趣偏好的基础上提供了个性化的推荐，更利于维持和提高用户的粘性，增加品牌的影响力。通过对微博用户信息进行分析，建立用户兴趣模型，将企业的产品，按照用户的偏好推荐给用户，达到持续营销的效果。通过研究，本文获得了以下研究成果和研究结论。利用分类算法对网络广告和用户进行自动分类，有助于系统根据用户当前访问的内容，向用户推荐相似内容的广告。为了实现这一功能，本文对分类的

3、相关算法和处理进行了讨论。提出了基于用户聚类的协同过滤算法。随着用户规模与微博发布量的激增，传统的推荐算法面临海量的数据信息，推荐的实时性及高效性随时间复杂度的增加而降低。本文首先对用户进行聚类，使推荐算法在用户簇的范围内运行，在一定程度上解决了海量数据对于推荐算法高效性的影响。对分类推荐算法与协同过滤算法进行改进，采用级联的组合方式提出了基于项目分类的混合推荐算法，在一定程度上解决了推荐不精确与评分数据稀疏性的问题。由于微博系统数据量巨大的特性，用户的评分数据量相对要少得多，直接采用协同过滤算法会面临评分数据稀疏性的问题，本文首先根据微博内容对用户和网络广告进行分类

4、，得到初步的推荐结果，然后根据用户对推荐结果的反馈获取用户评分数据，在此基础上应用协同过滤推荐算法，数据稀疏性问题已得到缓解。I万方数据本文的创新之处在于：将个性化推荐应用于微博营销。通过向微博用户提供个性化的网络广告推荐，帮助企业发掘潜在消费者，增加营业收入。提出了可以有效缓解数据稀疏性问题的新算法。利用级联的方式将基于分类的推荐算法与基于项目评分的协同过滤算法结合，在分类推荐结果的基础上进行协同过滤推荐，有效的缓解了用户评分数据稀疏带来的推荐质量下降的问题。关键词：微博营销；网络广告推荐；推荐算法；数据挖掘II万方数据ResearchonMicro-blogOnl

5、ineAdvertisingRecommenderbasedonaHybridRecommendationAlgorithmAbstractTheabundantmicro-bloginformationprovidestheopportunityandchallengetoallthevarioustradesandoccupations.Theenterprisecanbecommunicatedeffectivelywithitsusersorpotentialusersintheplatform.Theenterprisecanmoreaccurateposi

6、tioningitsownbrandthroughtheanalysisofuserdata.However,withthesurgeinthenumberofusersandinstantinformationpublished,ordinaryusersgetlostwhentheywanttoobtaintheinformationwhichtheyareinterestedin.Atthesametime,theinformationwhichenterprisepublishedwillsubmergedinthevastamountsofdata.Asar

7、esult,userscouldnotobtaintheinformation.Withtheexpandingofusernumberandtheplatform,ithelpsenterprisetocreateagoodmarketingenvironment.Micro-blogoperatorscanbecooperatedwithenterpriseinnetworkmarketingfornewproducts,andnewbrand.Thisthesisattemptstohelpthepersonalizedrecommendati