在计算广告中,预测用户是否会点击某个广告是一类非常重要的机器学习问题。提高广告点击率预测的准确率,对用户进行个性化推荐,一方面可以解决用户在“信息过载”的情况下高效获得感兴趣信息的问题,挖掘用户的潜在需求,另一方面能增加平台和广告主的收益。在大数据时代下,互联网平台需要有效地利用平台积累的大量用户历史行为数据,从而实现对广告点击率的精准预估。然而,在使用海量的数据进行广告点击率预测时,存在着诸多难题,点击率预估成为一个非常重要的研究课题。基于此方向,本文在国内外文献研究基础上,通过2020年华为平台提供的海量广告点击率数据,基于GBDT+Deep FM模型构建在线广告点击率预测模型,预估用户点击广告的概率,从理论和实践两个方面验证模型的可行性。本文的重点主要从以下四个方面展开:1.在数据处理部分,基于本文的在线广告点击率数据集,进行数据的探索和可视化实现,针对不同的特征变量进行数据缺失和编码处理。在特征工程中,通过对实际业务背景的理解构建了合理的特征工程框架,其中基本统计特征30个,曝光量特征15个,历史点击率特征22个,共计102个特征作为在线广告点击率预测模型的特征变量。2.在模型构建部分,针对目前广告点击率预测存在的问题和点击率数据集高维稀疏的特点,本文提出GBDT+Deep FM模型用于在线广告点击率预测,介绍了模型的原理和创新性,可同时满足记忆与泛化的需求。3.在预测结果部分,本文通过设置不同的超参数,对比分析了超参数的不同取值对模型点击率预估结果的影响,进而得到最优超参数。通过对比是否进行特征工程的模型预测结果,本文的特征工程提升了在线广告点击率预测的准确率。为了深入挖掘业务数据,使用GBDT模型筛选出影响在线广告点击率预测的前十个重要特征。4.在模型对比部分,GBDT+Deep FM模型分别与传统机器学习模型(LR、FM、GBDT、GBDT+LR)、深度学习模型(FNN、NFM、Wide&Deep、Deep FM)进行点击率预测效果的对比。实验结果显示,GBDT+Deep FM模型预测结果的AUC值为0.7377,Log Loss值为0.3123。GBDT+Deep FM模型与其他模型相比,在AUC值上可以提升0.04%-7.5%,能够有效地提升在线广告点击率预测的准确性。