随着移动设备的普及程度越来越高,移动广告占据的市场份额也越来越大。相比于传统互联网,移动媒体自身具有移动化、碎片化、个性化等特点,这就需要移动广告的投放必须朝着精准个性化的方向发展。只有改变传统广告粗放型的投放方式,针对不同用户迥异的兴趣进行个性化的广告投放,才能将广告投放转化为用户的消费行为,使广告投放商和广告主都能得到良好的商业回报。但是,现有的个性化广告推荐大都是基于内容的推荐,先提取用户当前页面的关键词,然后投放与之匹配的广告,并没有考虑用户自身的兴趣。本文深入研究利用用户历史行为数据进行用户画像建模的方法,针对数据稀疏性这个共性问题,提出使用RBF神经网络算法优化评分矩阵,并设计了一种结合用户画像建模的混合推荐算法,提高推荐精确度,实现个性化移动广告的推荐。本文所做的主要工作有:1.分析系统收集的用户数据,对用户进行精准画像。在澳洲社团活动平台项目背景下设计一套用户画像的标签体系,同时针对构建用户画像建模时用到的VSM算法进行了改进,并详细论述了画像模型更新的方法。2.深入研究了使用RBF神经网络结构优化评分矩阵,减少数据稀疏性的方法,然后提出一种将RBF神经网络和用户画像建模相结合的混合推荐算法。其核心是利用RBF神经网络可以以任意精度逼近非线性函数的特点,预测评分矩阵的空缺项,然后使用皮尔逊相似度计算方法得到用户最大邻居集合。将初步得到的推荐结果与用户模型向量相结合,计算它们之间的相似度,进而提升准确度,最终获得满意的推荐结果。3.在澳洲社团活动平台(Here in Australia)项目背景下,依据文中提出的用户画像建模方法和优化的混合推荐算法,设计并实现了基于用户画像的移动广告推荐系统。该系统作为Here澳洲社团活动平台的主要组成部分,是Here平台的主要盈利方式,同时也为平台提供移动微信端和Web端的个性化广告推荐服务和广告的综合后台配置管理等。