由于新冠疫情影响和汽车市场发展停滞,汽车行业的销售增长速度逐渐下降,汽车行业需要在汽车媒体网站投放线上广告以提高销售量。对于汽车行业的广告主和媒体网站来说,汽车行业商业广告推荐算法由于汽车销售环节和购车用户群体的独有特点,需要解决的痛点主要有以下两个:（1）更准确地提取用户兴趣;（2）用户购车环节的地理位置限制和冷启动问题。因此,本文提出了基于产品特征和用户局部兴趣的神经网络（Productbased and Interest-based Neural Networks,PINN）,并补充了基于用户地理位置和注册信息的协同过滤推荐方法实现用户冷启动下的汽车广告推荐。主要研究工作如下:（1）结合深度学习理论和注意力机制的研究成果,提出基于产品特征和用户局部兴趣的神经网络。模型根据注意力机制,提出了一个激活单元捕捉用户的多样化兴趣向量,对于用户不同的历史行为计算其和广告的相关性权重,并将历史行为加权求和池化以获得用户向量,提高了模型捕捉用户多样化兴趣的准确性。（2）针对深度学习的过拟合问题,使用小批量感知正则化器,只计算每个小批量数据中出现的稀疏特征参数的L2范数,缓解了过拟合问题,并且提高了模型计算的速度;针对模型训练求解过程中的梯度消失和梯度爆炸问题,采用PRe LU激活函数确保模型训练过程中神经元的权重在输入小于0的情况下依然更新,缓解了梯度消失和梯度爆炸问题,并且为模型引入非线性。（3）基于亚马逊（汽车）数据集和Movie Lens两大数据集进行了一系列实验,结果表明PINN模型的有效性,并通过对比实验证明本研究的方法比传统推荐方法推荐结果更加准确。在参与对比的所有模型中,PINN模型表现最好。在亚马逊数据集中,PINN模型在AUC指标上比Embedding＆MLP模型提升了13.39%,在Log Loss指标上提升了16.18%;在Movie Lens数据集中,PINN模型在AUC指标上比Embedding＆MLP模型提升了11.89%,在Log Loss指标上提升了8.81%。而且通过实验证明相比于传统冷启动推荐方法,本研究提出的基于用户地理位置和注册信息的协同过滤推荐方法取得的推荐效果更佳。基于产品特征和用户局部兴趣的神经网络的研究,在理论上,丰富了推荐算法的优化方法和研究体系;在应用上,可以更好地解决汽车行业在线广告推荐不准的问题,降低广告投放成本,增加汽车及汽车用品的销售量,同时提高了用户个性化体验。