随着互联网与手机行业的快速发展,手机网民的数量逐年增多。截至2018年6月,手机网民数量高达7.88亿,占我国网民数量的98.3%。如此庞大的手机网民数量,也给移动互联网广告带来了巨大的商机,移动互联网广告也逐渐成为网络广告的越来越重要的广告渠道。然而面对如此巨大的手机网民数量,吸引了越来越多的广告商进入移动互联网市场,产生了大量的网络广告。然而,目前很多网络广告都是随机投放的,投放效率很低。同时,随意投放的广告干扰了用户正常的生活和上网体验,普遍引起用户的反感。使得越来如何提高网络广告投放的精确度和降低网络广告投放的成本问题变得越来越重要。因此本文面对这种情况进行研究,提出一种移动互联网广告推荐方法解决如上的问题,本文的主要研究内容如下:1.首先,通过对用户文本进行分析,得到用户文本相似度矩阵。其次,根据用户矩阵获取与用户文本相似的用户的广告行为,结合时间惩罚因子,生成“用户-广告列表”矩阵,采用协同过滤的方式得到用户广告推荐列表。其次,根据用户所在的地理位置,从文本相似度中找出与用户在同一区域的用户,再次根据“用户-广告”的矩阵进行协同过滤推荐,得到新的广告推荐列表。最后将先后得到的两个推荐列表进行线性加权,得到最终的基于协同过滤的广告推荐列表。2.通过用户的基本信息(年龄、性别、地区等)构建获取用户特征向量的神经网络模型;通过广告的基本信息(广告名称、广告类型)构建获取推荐对象特征向量的神经网络模型;从而实现就广告推荐神经网络模型,使用所述用户特征向量和所述推荐对象特征矩阵计算待推荐对象的评分值进行模型训练。将训练好的用户特征向量与广告推荐矩阵进行计算,得到用户对广告的推荐值,取推荐值的前top-n个广告生成用户的广告推荐列表,实现对用户对广告推荐。3.为进一步提升推荐结果的效果,本文通过模型融合的方式,采用线性加权的方法,将基于协同过滤的推荐列表和基于深度学习的广告推荐列表进行线性加权,得到本文最终的移动互联网广告推荐列表,取推荐列表的前top-n个广告推荐给用户。最后,通过模型融合前后进行对比,验证本文对推荐算法进行模型融合的有效性,同时与不用的推荐方法进行查准率与查全率的实验对比验证,证明本文推荐方法推荐效果。