随着互联网技术的高速发展与移动终端的不断普及,线上用户在快速获得信息的同时,也面临着信息冗余的问题。信息冗余问题在互联网广告领域尤为明显,将不同类型的广告尽可能精准地推送到目标用户面前,一直是算法工程师的研究目标之一。信息冗余问题的解决,在用户层面,可以节约用户时间,提高用户体验和粘性。在运营层面,可以提高广告投放效率,降低企业运营成本。本文以亚马逊电商广告数据集为基础,设计了基于用户画像的互联网广告推荐系统。本文借助用户行为信息与广告信息,分析了用户的广告喜好与点击习惯,对新广告进入系统的点击率和面向人群进行预测,提高了广告精准推荐的效率。最后,本文为广告推荐算法提出了合理建议和展望。本文在广告推荐系统数据处理、实时/离线推荐等基本需求的基础上设计了系统框架,并对系统中的广告离线/实时推荐、点击率预估、广告冷启动等功能进行了深入的研究工作,本文的主要内容和创新如下:（1）广告离线/实时推荐。广告推荐功能,主要由离线和实时两个模块组成。本文的离线推荐,通过分析用户对广告的历史评分信息,优化历史评分信息矩阵,结合Spark平台中基于矩阵分解的协同过滤ALS算法,以算法推荐与统计推荐相结合的方式对广告评分进行预测、排序、推荐。广告实时推荐模块通过对广告信息进行分析、计算广告之间相似度的方法,根据用户的操作计算出用户对广告的评分后,召回相似广告群粗排,再通过预设的推荐策略精排,实现精准化实时推荐。（2）广告点击率预估。本文广告点击率预估功能的实现,是以广告信息、用户信息和上下文信息作为输入的自变量,以广告点击作为输出的因变量,基于改进NFM模型得到的NFFM模型的基础上,进一步优化,得到Z-NFFM模型进行点击率预估,提升了广告点击率预估的准确率,通过实验验证模型的最终预测准确率相较于传统模型有明显的提升。（3）广告冷启动。广告冷启动指的是广告第一次进入系统推荐群体的选择。本文通过广告信息和用户特征训练LightGBM-LR模型。广告冷启动功能根据新广告信息,对其适配人群的年龄和性别等特征进行了用户画像,压缩了初始推荐用户的范围,并向特定的用户群体进行推荐。