商品交易网站的快速发展,促使各种电商营销方式的出现,网络广告便是其中之一。然而,目前网络广告广撒网式的投放模式,导致广告点击率和转化率偏低,广告投放资源浪费严重。在广告投放的精准化需求的推动下,网络定向广告应运而生。其主要思想为通过现有信息技术挖掘用户显隐式信息,构建相应用户兴趣模型,进而推荐与用户兴趣模型匹配度较高的广告。当前网络定向广告系统,普遍存在用户兴趣特征提取不明显、匹配度计算难等关键技术瓶颈,导致广告投放效率低下。因此,研究并设计出效率高、可保留高重要度用户兴趣特征模型,对广告精准投放系统的实现具有重要的理论意义和应用价值。本文主要研究内容如下:(1)分析现有特征方法的优化方式,提出融合蜂群和梯度提升决策树算法的特征选择方法。本文利用该方法优化复杂电商环境下的用户全网行为特征,甄选高重要度特征,并以其重要度作为行为特征权重。(2)研究用户访问历史网页内容,借助中文分词、停用词过滤技术提取用户兴趣特征词,联合优化后的用户全网行为特征,构建基于改进向量空间模型的用户兴趣模型,实现用户兴趣的多重体现。(3)针对特征词语义失配问题,提出基于知识图谱的语义扩展和相似度计算方法。该方法在知识图谱DBpedia的基础上扩展兴趣特征词,并采用一种改进的基于n-Gram和语义距离的语义相关度算法计算语义相关度,联合原始兴趣特征权重获得扩展词权重,进一步提高用户兴趣的精准体现。实验表明基于用户兴趣的广告推荐模型具有良好的广告投放效果,具有一定的理论意义和实用价值。