随着移动设备的普及,移动互联网得到了快速发展,广告业务作为移动互联网的重要盈利模式之一也越来越受重视。随着用户规模的扩大与商家数量的增多,每个消费者在不同的位置都面临众多选择,与此同时,商户也在寻找合适的用户。本文提出了一个基于门店地理位置的协同过滤改进算法,能够基于门店的地理位置推荐合适的用户。本文的主要工作有:一、针对门店收银员上传的坐标,提出了 dbscan与kmeans相结合的算法用于计算门店坐标,并提出了按照交易表的工作时间来过滤非繁忙时段上传的坐标,该算法通过spark的rdd分区实现多个门店分区坐标的并行化计算,并且比较了分别按天、3天、一周为单位的校准算法的稳定性,最终按每周为单位执行校准算法。二、通过计算的门店坐标,使用基于spark的分布式dbscan算法对门店进行聚类,使得对于数万个点集的数据执行dbscan算法成为可能,聚类结果即为商圈,本文提出了商圈划分的好坏的标准,即为商圈平均用户数的提升度。三、商圈门店用户推荐。本文提出了一个结合门店地理位置的协同过滤算法为门店推荐用户,在计算出门店的准确坐标以后,通过门店坐标计算门店间的距离,进而定义门店相似度,根据门店相似度进行最近邻推荐。对比传统推荐算法存在的冷启动、数据稀疏、适用范围窄等问题,从算法的角度来看,本文的基于地理位置的推荐算法是比较好的思路,本文的基于地理位置的推荐算法相较于传统协同过滤算法无论是推荐准确度、召回率、f1值都有明显的提升。