论文部分内容阅读
近年来移动互联网发展迅猛,人们用移动设备接入互联网的时间显著上升,与此相伴,LBS (Location Based Service)服务将会呈蒸蒸日上之势。随着智能手机和移动设备更广泛的普及,移动广告市场风生水起,并且因为新市场蕴含着巨大潜力,许多企业已经把目标放在这一领域。目前,移动广告主要利用传统的广告定位方法。但在未来5年内,移动广告定位将与个人行为和当前位置更相关。与此同时,移动用户一直面对着信息过载的问题,移动用户的时间和精力、环境、移动终端显示屏等方面的限制使得这一问题更加严重。针对这一现状,本文对基于定位的移动广告个性化推荐系统进行了研究。本文研究的系统的目的是:为移动用户提供位置触发式的实时搜索和基于位置、情境/兴趣触发的实时广告信息推荐服务。本文主要研究了两方面的内容。一方面,利用个性化推荐技术解决移动广告信息过载问题;传统协同过滤推荐系统中应用矩阵分解(Matrix Factorization)技术解决数据稀疏问题,但对于用户间的社会关系信息没有给予足够的重视和利用,为此本文研究了融合社会关系的协同过滤,为提高推荐精度做出了一个新的尝试。另一方面,在研究移动广告位置触发式的实时搜索服务时,本文还在代理服务器架构下提出和构建了基于地理信息匹配的缓存管理算法;该算法将缓存数据与移动用户提交的广告查询作比较,如果它们的搜索区域相似度达到一定比例,将被认为是匹配的,已缓存的数据作为结果反馈给用户;这样一来就能大大提升系统的反应效率,带来更好的用户体验。本文最后的模拟实验结果显示基于地理信息匹配的缓存管理算法能大幅提升缓存命中率,测试结果证明该算法具有较高的现实应用价值。