随着互联网技术的不断发展,许多传统行业逐渐从线下转移到线上,在线广告作为互联网的重要组成部分,越来越多地出现在人们的视野中。如何通过给定的用户行为数据,既找到满足用户需求的广告,又为广告平台和广告商带来收益,是在线广告领域需要解决的核心问题。要做到精准匹配,关键在于准确预测广告的点击率或转化率,量化广告投放的效果。此外,比起点击率,转化率更接近广告营销链条的终端,具有更强的现实意义。在线广告形式和场景多样,同一种方法无法面面俱到,因此本文选取电子商务平台搜索广告作为研究对象。电商平台是一个集广告平台与广告商于一体的系统,结构较为复杂,容易受到各种因素的影响。最为明显的,在诸如“双十一”、“618”等大型购物节到来时,平台和商家的各类活动会导致用户流量的急剧变化,即日常时期和购物节时期的数据分布存在较大的差异,通过日常时期数据学习到的模型很难有效预测购物节的转化率。基于此,本文通过对日常时期预测方法的各个环节进行重新评估和改良,旨在提出一种能够更高效准确预测购物节广告转化率的方法,主要工作包括:(1)概述常用的机器学习算法并进行比较,分析各个算法对在线广告转化场景的适应性,并进行一定的优选,为后续进行算法的多模型融合提供理论基础。(2)借助电商平台在购物节时期的搜索广告转化相关数据,进行相应的分析和处理。其中,在特征编码环节,提出一种基于信息熵原理的分层编码方法,用量化方式划分编码区间,对可用的高基数特征,结合均值编码和Word2vec编码进行处理。(3)根据数据分析结果,设计新的预测方法。首先设计针对购物节的数据集划分法;其次构建相应的特征工程,其中着重处理转化率特征;最后提出一种加权平均融合模型,其中各个单模型均采用梯度提升树一类算法处理输入数据,整个模型仅需构建一次特征工程,优化了时间效率。(4)从衡量误差的评价指标入手,对新方法改良的各个环节进行预测结果的对比评估,证明这些修改的有效性和必要性。实验结果证明,本文提出的在线广告转化率预测方法预测准确度高,能够有效应对不同类型的特征,提高数据利用率,比现有方法更准确地预测用户的购买意向,是一种非常适合电商平台搜索广告在购物节时期进行转化率预测的方法。