随着移动网络的快速发展和移动设备的广泛使用,基于位置服务已经引起越来越多的关注。基于位置广告作为其中的一员,它将移动广告与基于位置服务集成在一起用于查明消费者的位置并在其移动设备上提供特定于位置的广告。基于位置广告中的一个重要问题是如何找到适当的位置将广告精准地推送给潜在客户。虽然已有一些工作将其视为传统的推荐问题来解决,并应用了相关的推荐模型(如协同过滤)。但是基于位置广告有着其独特的挑战:首先,因为用户的广告转化行为极低,大部分基于位置广告的数据都是无标签的,即存在数据稀疏问题;其次,从拓展业务的角度来说,基于位置广告经常要投放在之前并未有任何投放行为的新区域,这就会遇到冷启动问题;最后,由于位置特征提取自多个信息源,导致其中有很多的噪音,进而影响后续的推荐模型不能学习到有用的知识。为了解决这些问题,本文提出了一个新的基于位置广告的推荐模型,即城市交叉模型。城市交叉模型的主要工作由以下四部分组成。1)基于注意力的特征聚合,该部分主要是针对从多来源提取的信息特征含有较多冗余信息的问题。本文结合最新的自注意力机制和自编码器,从而实现了不同粒度下的信息融合。2)邻域知识应用。考虑到相邻区域的知识可以相互补充,本文采用了图神经网络来聚合目标位置的邻域知识。图神经网络可以将本地的信息与邻域的信息同时融合更新,因此学习出来的特征向量有着更加丰富的语义,之后实验中也验证了邻域知识融合的有效性。3)跨城市的知识关联。由于跨城市的特征与标签之间存在分布的差异,本文首先根据皮尔逊系数建立了目标区域和源区域的不同位置之间的关联对。然后构造了差异优化函数,通过最小化这个函数来将不同城市的特征转换到一个共享的语义空间中。最终弥合两者分布的差异性。实验结果表明其大大提升了模型迁移知识的能力。4)迁移评分预测模型。得益于将源区域与目标区域的特征向量拟合到共享的语义空间,本文可以将在源区域中训练好的线性回归模型应用到目标区域。从而解决目标区域中的数据稀疏问题。最后本文在真实的数据集上验证了城市交叉模型的有效性。