互联网广告已经成为了互联网公司的主要收入来源,而其中广告点击率的预估是最重要的工作,提高广告点击率的准确率能直接为公司带来收入。广告日志数据和图像或者音频的连续特征不同,广告数据是离散的,高维的,他们之间的依赖性很小。目前像百度、谷歌等公司主流的方法是线性模型加大量的人工特征,而这种方法越来越难以为继,因为大量的手工特征需要耗费大量的人力,而收益提升不大,原因是这些特征线性模型不能学到特征之间的非线性关系。采用常规的深度学习模型,由于输入的特征的超大空间导致大量的计算,导致深度学习网络无法收敛。为了解决上述的问题,本文提出了一种新的深度学习模型,能够处理大量稀疏数据,并能够有效地学习到数据中的非线性特征,大规模实验和真实的数据表明本文提出的模型能够显著提高准确率和召回率。本文的研究工作集中在以下四个方面:第一:改进数据嵌入算法,针对真实数据ID类数据特别多的特点,研究改进嵌入算法,使得原始数据在经过嵌入算法后不会出现损失,并且降低输入向量的维度,使得深度学习可以处理。第二:改进深度学习模型BFNN(Boosting tree Factorization-machine supported Neural Networks),基于提升树和因式分解机的神经网络,由于真实数据具有高维非线性的特点,本文提出的深度学习模型,可以有效学习数据中的非线性特征。第三:研究深度学习模型与浅层模型在点击率预估问题上的区别。第四:验证BFNN在网络层数、网络结构、正则化和激活函数等方面改进的有效性。