随着程序化广告交易的发展与实时竞价广告的迅速崛起,在线广告市场以数据驱动、算法导向的方式前进。实时竞价交易模式为需求方提供了实时、可竞价的方式购买广告展示,实现了精准化和个性化的广告投放。为了优化实时竞价广告投放效果,需求方平台需要具备精湛的大数据技术,精细化广告投放管理能力,扎实的数学建模功底以及出色的智能出价算法。实时竞价出价算法是需求方平台核心产品策略之一,它直接体现了需求方平台对各项技术的运用能力,决定了广告主获得的收益,是需求方平台保持市场竞争力的关键。广告点击率是设计实时竞价出价算法的一个重要因素。因此,精确的广告点击率预测技术也十分关键。实时竞价广告点击率预测主要存在着两个方面的挑战。第一,实时竞价环境对以单个广告展示为粒度的点击率估计的时间效率要求高,模型应具备实时快速调整能力;第二,实时竞价广告在线数据流普遍存在类不平衡问题,对算法在少数类样本的预测性能的要求也十分严格。本文基于以上两个难点开展实时竞价广告点击率预测方法的研究,提供有效的解决方案。首先,为了让预测模型可以实时高效学习大规模数据集,本文采用了在线学习算法搜索模型参数空间的最优解;其次,提出UOB学习策略缓解在线数据流类不平衡问题给预测性能带来的影响。最后,基于UOB学习策略的参数优化方法训练逻辑回归模型估计点击率,实验结果显示模型在预测性能和时间复杂度上都得到优化。线性出价策略是需求方广泛采用的一种出价方案,它既考虑预算限制,又考虑广告请求价值。但当预算限制低于一定程度时,线性出价模型的参数减小,计算的出价有可能低于市场价格,提高了竞价失败率和高点击率广告曝光的损失程度,无法做到投放效果的优化。本文针对线性出价策略存在的缺陷,提出了基于概率控制的减损出价算法,实验证明该算法有效地减轻了投放活动中点击量的损失程度,提高了广告主的收益。