在线广告领域中一直存在点击率预测这一热点问题,点击率预测在为用户提供更好的广告体验的同时可以提高广告主的收益。虽然已有学者将因式分解机应用到点击率预测模型中,并且提出了基于神经网络的点击率预测方法,但在高维、高稀疏的广告数据上预测准确率仍然不高。所以,针对这些问题本文开展了一系列的研究,主要的研究工作和创新点如下:1.本文首先介绍了点击率预测的相关知识和该方向的研究背景,分析了国内外的研究现状。其次,介绍了点击率预测中遇到的相关技术问题,主要总结了基于因式分解机的点击率预测方法,说明了点击率预测中常用的评价指标。最后,本文详细介绍了基于支持向量机的点击率预测。2.由于深度神经网络在挖掘特征交互方面表现了出强大的功能,因此,本文介绍了基于深度神经网络的点击率预测模型,主要介绍了因式分解机与神经网络相结合的模型。这种模型可以很好地挖掘高阶特征交互和低阶特征交互,同时可以共享相同的输入而不需要任何的特征工程,并在一定程度上提高了点击率预测的准确度。3.目前大多数点击率预测模型只考虑如何挖掘特征交互,而忽略了用户自身兴趣对点击率预测结果的影响。因此,本文提出了基于长短期记忆网络的点击率预测模型,该模型运用长短期记忆网络提取用户兴趣特征,并结合其它特征共同用于点击率预测。与现有其它模型相比较,本文所提出的模型提高了点击率预测的准确率。4.本文在上述工作的基础上,结合注意力机制,捕捉用户兴趣的演化过程,提出了基于用户兴趣演化的点击率预测模型。该模型首先对用户的行为数据建模,挖掘用户的兴趣特征。然后,使用双向门控循环单元和注意力机制捕捉用户兴趣的演化轨迹。最后,该模型基于自编码神经网络来学习特征高度非线性的交互。实验结果表明该模型更好地提高了点击率预测的准确性。综上所述,本文从点击率预测研究和实践中存在的问题出发,提出了点击率预测模型,该模型基于深度神经网络,能够更好地挖掘隐藏的特征交互。最后通过理论及实验证明了本文研究工作的有效性,所提出的模型在一定程度上提高了点击率预测的准确率。