伴随着互联网数据爆炸式地增长,用户面对的信息量和种类也越来越多,海量数据挖掘技术在个性化推荐系统中的应用成为了一个研究热点。本文首先总结了常见的几类推荐方法,主要包括协同过滤方法、基于内容的推荐方法和混合推荐方法,以及它们涉及到的数据挖掘技术,并分析了这几类方法的优点与不足。在此基础上,本文从广告推荐问题入手,介绍了计算广告的相关概念和方法,并引出了两种基于内容的广告推荐方法,即单标记分类模型和多标记分类模型。论文的主要工作如下。第一,我们结合Hadoop平台实现了针对某互联网公司提供的广告日志数据的可视化统计与分析工具,利用该工具对数据进行分析并发现了特征之间和广告之间的依赖关系。第二,提出了利用非广告特征和广告特征依赖关系的单标记分类模型的一种改进方法,其利用了互信息来选择组合特征从而加入特征之间的依赖关系。第三,提出了利用广告之间依赖关系的多标记分类模型改进方法,其通过一种启发式的方法来构建分类器链从而更好地利用广告之间的依赖关系。最后,在Hadoop平台上的设计了相关实验,实验结果表明这两种改进方法都能够比改进前的方法得到更好的结果。因此,无论是特征之间还是广告之间的依赖关系,都是广告推荐问题中不可忽视的影响因素。