随着互联网技术发展的日新月异,传统广告行业正在向新兴的互联网市场转移,与互联网企业营收息息相关的广告点击率相关研究成为了各个互联网企业最为热衷的领域,同时也是学术研究在工业界落地的重要应用场景。面向海量的用户行为数据,如何根据用户行为数据向用户推荐更符合用户需求的广告显得尤为必要。本文着眼于实际的应用场景,利用了用户信息、广告信息和用户历史行为信息,从宽度、深度这两个模型切入,提出了基于宽深度模型的广告点击率预估算法,本文称之为RD-FM算法,从而能更好地对针对不同用户的喜好进行广告推送,提升广告点击率。本文的主要工作包括以下几个方面:(1)调研了有关广告点击率相关国内外研究现状,并分析了它们的优势和存在的缺陷。(2)广告点击率数据预处理:本文分析了点击率预估原始数据存在的问题,提出了一套完整的点击率预估流程,包括对采集到的用户属性、广告信息、用户历史行为的数据清洗、数据采样、数据规约和数据转换。(3)基于宽深度模型的广告点击率预估算法:本文依据谷歌提出的宽深度模型模型,结合Deep-FM算法及广告点击率预估数据集的时序特点,设计了RD-FM算法。该算法分为基于因子分解机模型的宽度层、融合时序特征的深度层以及两者共享的Embedding层和输出层等部分。(4)本文对比多个算法,对算法的有效性进行实验。本文提出的RD-FM算法在AUC、RMSE两个评价指标上与传统的点击率预估算法进行了对比,实验结果表明本文算法相比传统点击率预估算法在AUC和RMSE等指标上具有更好的表现,说明该算法充分发挥了因子分解机模型和时序深度模型的优势。