当前计算广告中点击率预估与点击率转化研究主要面临样本选择偏差和数据稀疏性问题。因子分解机是目前主要用于实现大规模稀疏数据特征组合的热门算法,它最本质的特征是二阶特征交互。由于因子分解机能在较低复杂度下学习数据中隐藏的特征交互关系,当用于稀疏数据时,因子分解机比一般的多项式表达能力强。本文基于因子分解机模型进行了充分的扩展研究,并在计算广告领域的点击率预估和转化率估计的任务上进行了实验验证。本文主要内容如下:（1）考虑到目前的大多数方法建模特征的交互用于提高模型性能,但未注意到不同特征交互对模型的贡献度不同。本文提出了基于因子分解机的注意力混合模型,采用注意力机制探索不同类型特征组合对点击率预估的影响,有效缓解了大多数方法中没有综合不同特征组合对模型贡献度的问题。在两个数据集上的广泛实验表明,该模型不仅取得了与当前最优方法可比的性能,还有较强的泛化能力。（2）虽然因子分解机在推荐系统领域已获得了广泛的应用,但在面对存在图结构的数据时,因子分解机模型无法充分获取数据中的图信息。本文提出了基于图神经网络的因子分解机模型用于点击率预估任务,模型使用因子分解机和特征拼接两种方法初始化节点嵌入表示,使用两种不同的图神经网络对特征进行学习,通过有效结合图神经网络和因子分解机来进行点击率的预估。实验结果表明,该模型在所有对比模型中表现最好。（3）点击率预估是计算广告的主要任务之一,而转化率更是计算广告关心的问题,因此本文对转化率研究进行了探索,引入迁移学习并提出了图异构因子分解机模型用于点击率转化任务。模型同样使用因子分解机作为初始节点表示的方法,然后使用图神经网络同时对用户节点物品节点转移向量进行学习,从而有效建模点击行为转化到购买行为的概率,通过两个公开数据集验证了该方法的有效性,并在广告推荐系统上进行了应用。