点击率预估是推荐系统和在线广告平台中一个关键的环节。作为直接影响公司营收、提升用户体验的关键技术,点击率预测问题一直是工业界和学术界研究的重点。近年来,人工智能技术在搜索引擎及视觉语音等众多领域中取得了突破性进展,各研究机构和互联网企业纷纷将相关技术应用于点击率预估问题,取得了许多出众的成果。本文通过分析经典点击率预估模型的结构特征和应用场景,发现在点击率预估问题中,主要存在两点挑战:其一,预估模型输入的特征具有规模大、维度高等特点。因此,如何从这些特征交互中捕获有效信息,成为提高点击率预估准确率的关键。其二,用户行为序列包含用户隐式与显式的反馈信息,如何从序列中精准挖掘到用户的兴趣,也是许多研究者关注的重点。本文工作立足于特征的交互和用户行为序列建模,以此为基础对现有模型进行改进,提高点击率预估的准确性。本文的主要工作以及成果如下:（1）本文选择深度兴趣网络（DIN）模型作为基准模型进行研究,分析DIN模型的优势及缺陷,提出了深度兴趣因子分解机（DIFM）模型。DIFM模型在DIN模型的基础上进行了两点改进:其一,DIFM模型中,对用户行为序列建模使用Transformer结构,相比DIN模型中使用带目标注意力机制激活单元,Transformer结构通过多头自注意力机制能够更好的对用户兴趣进行表示。其二,在DIN模型的基础上增加了因子分解机（FM）模块,通过FM捕获低阶特征交互信息,使模型能够同时兼顾低阶和高阶特征交互信息。在Movie Lens和Amazon两个数据集上进行实验,通过对比分析证明了本文所提DIFM模型的性能的优越性,通过消融分析证明了Transformer和FM模块的有效性。（2）本文提出了深度多兴趣网络（DMIN）模型,DMIN模型在DIN模型的基础上进行了两点改进:其一,使用两层门控循环单元（GRU）对用户行为序列建模,第一层GRU用以表示用户初步兴趣,第二层GRU结合目标注意力机制用以表示用户最终兴趣。通过GRU能够考虑行为序列背后各个行为的依赖关系,使模型表达能力更强。其二,通过目标注意力机制对上下文信息、用户画像等特征进行处理,将细粒度的特征信息用于点击率预估。在Movie Lens、Amazon和Userbehavior三个数据集上进行实验,通过对比分析证明了DMIN模型相比DIN等模型性能更加优越,通过消融分析证明了DMIN模型中各个模块对模型性能均有不同程度的影响。