摘要：移动互联网的飞速发展为广告投放提供了一种新的应用模式,移动广告已成为移动互联网的主要赢利模式之一。基于用户的细分按需投放广告,是移动广告发展的必然趋势。本文提出了移动互联网广告推荐体系的结构,根据WAP页面的所属类别和关键词,在广告库中选择相匹配的广告进行投送。

摘要：广告推荐系统是当前针对网络广告的研究热点.在广告推荐系统中,一般利用使用基于邻域的协同过滤产生推荐,但是这种算法对数据的稀疏性有着一定要求,不适合对稀疏性太高的数据使用协同过滤.本文利用矩阵分解算法解决数据稀疏的问题,并在腾讯搜搜广告日志数据上进行实验.实验结果表明,本文提出的矩阵分解广告推荐算法弥补了数据稀疏带来的弊端,能够取得更高的准确率,召回率以及F指标,对稀疏的数据有着更高的抵抗性.

摘要：为准确预测点击率(CTR)并合理利用其进行广告推荐,基于标签推荐技术与协同过滤方法,提出一种新的混合式广告推荐算法。将广告关键词作为标签引入到Query页的相似性计算中,采用Query页加权综合相似度度量方法降低相似矩阵的稀疏性,建立一种基于广告关键词的搜索广告兴趣模型。使用Top-N策略以减少最近邻候选集的大小,并基于预测CTR筛选出广告推荐结果。通过实验调节Query页加权综合相似度度量参数并验证算法的可扩展性。在KDDCUP2012数据集上的实验结果表明,与传统协同过滤算法、基于标签的推荐算法及基于标签和项目关系的推荐算法相比,带标签的协同过滤广告推荐算法具有更好的可扩展性和较优的推荐质量。

摘要：随着移动设备普及,移动互联网行业进入了高速发展阶段,信息量和用户量急剧增长,如何在有限的资源下准确地分析用户行为,提升广告效果并保障用户体验显得尤为重要。提出一种由深度神经网络(Deep neural network)和因子分解机(Factorization machine)组成的模型——DeepFM模型来实现社交广告的个性化推荐,其中因子分解机部分主要是提取一阶二阶特征,深度神经网络部分主要提取高阶特征。最终通过研究发现,DeepFM模型比逻辑回归模型(LR模型)及因子分解机(FM模型)的效果都要好。

摘要：在使用人脸检测识别的广告推荐场景中目标用户是正在注视广告屏幕的用户,因此在做广告推荐时需要在检测人脸的同时检测两只眼睛,确保检测抓取的人脸是正对广告设备的人脸。现有的人脸检测加人脸姿态评估算法对硬件资源消耗过大,在低成本硬件上无法保证业务的运行效果,所以该文首先对主流检测器进行全面的比较分析,然后提出了一种基于优化后SSD算法的人脸和双眼协同检测器,可以同时检测人脸和眼睛,并根据人脸和眼睛的位置判断它们是否属于广告推荐对象。该方法增加了人脸和眼睛的位置信息,增加了特征图的大小,并增加了三个卷积层,以获得小目标的低层特征。预测层的数量也被扩展以增加预测的可能性。同时,该方法在实验比较和真实场景试验中均显示出良好的效果。

摘要：在广告推荐系统中,页面与广告的相关性是用户是否点击广告的重要因素,一般利用点击率计算相关性,但是广告展示位置的不同会影响页面-广告相关性计算的准确性,从而导致相关性低的广告被当成相关性高的广告进行错误推荐。针对该问题,提出一种无位置偏见的广告协同推荐算法。利用贝叶斯定理改进位置模型,排除历史数据中的位置影响,计算页面-广告相关性。通过协同过滤技术,为页面找到与其相似的其他邻居页面,实现准确的广告推荐。在腾讯搜搜广告日志数据上进行实验,结果表明,与传统协同过滤算法相比,该算法的推荐准确率、召回率以及F度量值均提高了40%以上,具有较好的广告推荐效果。

摘要：针对市场上广告投放模式单一、不够智能自动化问题,基于多维度模式识别的智能定向广告屏在广告投放中,广告屏前端以一定频率获取人群图像发送给服务器后端,后端通过人脸识别、眼球追踪、面部识别等多维度的图像识别技术和广告智能推荐两大模块处理后,根据处理结果向广告屏前端发送指令,前端解析指令完成相应动作,实现广告屏的智能定向广告推荐。

摘要：打开手机浏览器,点击搜索框,输入关键字,确认搜索。随之而来的广告推荐、流量新闻,让人仿佛陷入了“信息黑洞”。信息获取渠道越多,可找到想要的信息却越难。信息爆炸、信息无效充斥着我们的日常生活,这时《夸克》或许能帮上忙。

摘要：广告推荐系统通过建立用户与信息产品之间的二元关系,利用已有的选择过程或相似性关系挖掘每个用户潜在感兴趣的对象,进而进行个性化推荐,其本质就是信息过滤.个性化推荐系统不仅在社会经济中具有重要的应用价值,而且也是一个非常值得研究的科学问题。