随着互联网的不断发展,信息过载问题也愈发严重和引起人们的关注,为了有效地利用信息,点击转换率（CTR）预估越来越成为互联网公司核心技术之一,吸引了大量研究人员从事该领域的研究工作。本文基于深度学习与注意力机制技术,聚焦于如何从数据中挖掘出有效的特征信息来提高模型点击率预估的性能,提出了三种基于注意力机制的CTR预估模型:·输入输出感知的注意力因子分解机（IOFM）本文提出该模型旨在解决在现有的注意力网络因子分解机中,粗粒度的注意力分布表示限制了模型对特征的学习能力,以及忽略了特征所隐含的字段信息等问题。模型中设计了两个感知辅助矩阵在计算特征交互权重时增强注意机制的特征学习能力和注意力分布细粒度。此外,该模型中还通过一个共享矩阵将两个感知辅助矩阵正则分解,以进一步减少模型参数,降低模型复杂度,提高模型的性能。·基于多层注意力机制的点击转化率预估模型（MAIM）考虑到IOFM模型等一系列基于因子分解机FM的模型只聚焦于显式地学习模型的低阶交互特征,不利用模型对高阶特征的有效学习,且这种显式的特征交互使得特征空间复杂度巨大,对模型训练带来极大挑战,提出了基于多层注意力机制的点击转化率预估模型。MAIM模型通过串行叠加注意力模块取代原有基于FM的模型中显式的成对二阶特征交互,避免因显式进行特征交互而增加模型复杂度与训练难度,提高了模型效率。同时串行叠加注意力模块的设计,达到了学习更高阶特征交互的目的,也增强了模型的特征学习与表达能力。此外,该模型中保留了在IOFM模型中设计的两个感知辅助矩阵,并在注意力层中引入了残差设计,进一步提高了模型的性能。·结合DNN的多层注意力点击转化率预估模型（MAIM-DNN）考虑到如今不少基于深度学习的CTR预估模型都采用了浅层与深层分层训练再融合的方式来提升模型效果,并且深度前馈神经网络能够有效的学习到高阶特征,对模型训练有着重要影响,本文提出了结合DNN的多层注意力点击转化率预估模型MAIM-DNN,在MAIM模型的基础上集成前馈神经网络进行联合训练,达到进一步增强模型对特征的表达能力的目的。以上提出的三个模型,都在公开、真实的数据集上做了大量的实验,并与当前前沿的点击转换率预估模型进行实验对比,实验结果表明本文提出的三种基于注意力机制的点击转换率预估模型性能都优于其他对比的模型。