从新闻信息流到社交、购物等应用场景,广告推荐无处不在。点击通过率预估作为广告推荐中的一项核心任务,一直以来都是学术界和工业界关注的热点。通过提高点击通过率预估效果,一方面可以改善用户浏览体验,另一方面还可以提高平台方收益。近些年,随着深度学习技术在多个任务领域取得成功,点击通过率预估模型也由早期的人工提取特征信息逐渐转变为神经网络自动学习特征信息。基于深度学习构建的预估模型在一定程度上提高了点击通过率预估效果,但它们仍然存在着特征重要性学习不足和特征交互低效等问题。针对以往模型在对点击通过率进行建模预测时存在的不足,本文提出了一种基于增强型注意力网络的点击通过率预估方法,用于动态学习特征重要性和特征交互信息,其主要由注意力层、双线性交互层和全连接神经网络层构成。注意力层的多尺度多头自注意力机制通过设置不同尺寸子空间以增强特征重要性学习能力,在得到特征重要性后,本文进一步采用张量积双线性交互补充学习特征组合信息。最后,本文通过对注意力的子空间尺寸大小,张量积交互形式,神经网络层数和节点个数等进行定量分析,确定了模型的最佳参数。实验结果证明,在公开数据集上,本文提出的预估模型相比已有模型拥有更好的预测能力。为了提高模型推理效率,本文在上述方法的基础上进行了轻量化改进。首先将注意力层中多尺度多头自注意力模块的部分参数用随机采样的原始特征代替,降低注意力模块的复杂度。然后使用计算空洞卷积特征交互代替原交互模块,引入自定义膨胀公式,达到灵活交互目的。最后,为了弥补参数量减少导致的模型预估效果变弱问题,本文针对相关领域数据集普遍存在的类别不平衡现象,引入了权重调和对数损失函数,基于代价敏感思想,对分类错误的样本进行着重学习。实验结果表明,轻量化改进后的模型,虽然损失了部分预估精度,但模型的参数量却因此减少,训练时间也得到改善,有利于模型进行下一步部署。