随着互联网时代的到来,人们使用智能手机的频率和时长的增加,其产生的用户信息数量呈爆发式增长,导致信息过载问题较为严重。如何解决信息过载问题,实现数据价值最大化,是大数据时代所面临的难题之一。如何帮助用户在最短时间内获得自己感兴趣的商品,帮助企业售出更多的商品达到增加收益的目的,是大数据时代的另一难题。为解决上述问题,个性化推荐算法的研究获得了该领域专家的青睐。为解决上述问题,提高推荐系统的精准度,本文构造了一种新的个性化推荐算法。其首先对Logistic回归算法,GBDT算法、FM模型、FFM模型和最新基于深度学习的各种神经网络等算法进行综合讨论,并采用了几种方式进行融合,其次加入了DIN和CENet两种不同的注意力机制,与此同时构造了用户的历史数据。最后设计出一种混合模型,该模型比主流模型性能更好,它是根据用户特征与广告特征,将用户的历史点击数据加入个性化推荐算法,从而对用户是否点击某广告进行预测,以确定对用户的广告推荐策略。本文新构造的推荐算法有四个方面的改进。一是为准确刻画用户对不同广告感兴趣的程度,加入了注意力机制,它可以使用户特征与广告特征变为一个依赖于历史点击数据的映射,从而提高模型的稳健性。本文引入了两种不同的注意力机制,从简单的用户特征与广告ID特征的交互到用户特征与广告特征的交互。二是为显性学习不同特征的交互关系,本文采用基于FFM方法去显性的学习不同特征的二阶交互关系,并且将Multi-Hot编码的特征嵌入到低维的稠密特征向量进行处理,有利于模型学习的高效操作。三是因为深度神经网络,只能隐形的学习不同特征的高阶交互关系,所以使用基于PNN的方法人工将二阶的特征交互关系作为深度神经网络的输入,并且也测试过将一阶与二阶的交互关系的向量换为不同的嵌入向量,提高模型的泛化能力。四是为提升模型性能,对原始数据进行了扩充,就是将用户的实际点击数据修改后作为用户的历史数据,修改点击数据的过程为将广告ID与广告特征作为修改后模型的新增输入,从而使模型性能得到提升。总的来说,本文设计的个性化推荐算法在精准度和有效性方面均有所提升,可以更有效率、更加精确的对用户进行广告推送,对用户进行快捷准确的消费引导,使得企业在降低成本的同时,可以获得更多的收益。