在大数据时代,移动用户如何从海量信息中寻找自己感兴趣的内容服务,以及内容服务提供者如何定位用户群体,更好的为用户提供服务,显得尤为困难。为解决此问题,本课题要实现一个能够自动为用户提供个性化内容推送服务的子系统。课题首先通过用户安装的App软件,来采集移动用户产生的数据即移动数据,并根据数据是否动态变化,将其分为静态数据和动态数据,静态数据即为用户的基本信息;动态数据即移动用户的行为数据:兴趣爱好数据,移动应用App数据,位置数据、使用智能终端数据等,并根据不同的数据类型,以树形结构构建不同的标签库。后台系统再通过编辑不同的内容,然后将内容组织成为有意义的内容服务,并映射到相应的标签下,从而形成内容库。在标签体系和内容库的基础上,以用户为中心,根据人的日常活动规律,将一天分成八个不同的时间段,如上班时间、午餐时间、休息时间等,然后统计各个时间段用户的兴趣标签数,并针对不同的数据类型采用不同的计算权重方法。兴趣爱好数据,采用自定义公式计算;移动应用App数据,采用改进的TF-IDF(term frequency-inverse document frequency)算法计算;位置数据、使用智能终端数据采用统计学方法计算;将计算之后的值作为权重,值越大,说明用户对该标签的喜好程度越大,然后经过排序,选取Top-N的标签,作为用户个体画像。在用户画像结果的基础上,通过分类算法,预测不同性别、不同年龄的用户在不同时间情景下的兴趣爱好。课题研究了传统的KNN(K-Nearest)、以及SVM(Support Vector Machine)、BP(Backpropagation)神经网络、DNN(Deep Natural Network)几种算法的使用,并在Iris数据集和课题数据集进行了实验,通过比较算法的准确性和耗时,最终选取了 DNN作为课题的预测算法。最后结合用户当前所处位置情景和时间情景,通过相应的推送算法,采用位置情景优先,时间情景次之的策略,利用用户画像和预测的兴趣爱好标签,选取内容库中的内容服务,自动推送给用户。然后通过实验证明,基于DNN的个性化推送子系统,能够依据用户的位置变化和时间情景变化,提供个性化的内容推送服务,并与传统的推送服务相比,具有较好的系统性能。