随着互联网的飞速发展,在线广告作为互联网行业最主要的营收手段之一,其地位正愈发的变得重要起来。而在线广告中的点击率(CTR)预估是广告系统中的关键,点击率预估需要用到用户特征、广告特征以及上下文信息特征等,CTR预估效果的提升可以为互联网公司提升收入。本文重点关注展示广告,系统的介绍分析了在线展示广告系统的组织结构,并阐述了广告点击率预估在广告系统中的重要地位。本文主要关注展示广告系统中以下三个问题:第一,在线广告特征指标计算平台的设计与实现。该平台在大数据的环境下,分别以离线方式和实时方式,利用大数据技术对不同来源的原始日志数据进行计算,并从中提取出有用的特征,构建出相对干净的原始特征集合,存入分布式数据库中为其他模块提供数据支持。第二,逻辑回归(LR)是CTR预估中最常见的模型之一,在在线广告中,存在大量不同种类的特征,并且它们之间存在关联。本文考虑了用户与广告的特征关联,构建出广告特征与用户特征之间的关联,并提出传统训练模型的改进与优化方案,从而改进CTR预估的准确性。第三,随着互联网广告规模的增大,模型的快速更新的需求越来越迫切,而传统的离线训练方式模型更新周期过长,无法及时对模型进行校正。基于此,本文提出了在线学习(Online Learning)的训练方法,并对广告系统中在线学习相关部分的架构进行了设计与实现。此外,将FTRL在线学习算法与传统LR算法进行多种实验比较,证实在线学习能够快速更新模型,及时对线上变化做出反应,并提高在线广告的点击率,增强时效性,为企业获得更多收入,充分提升在线广告中各方利益。