随着互联网和网络广告的发展,广告主对网络广告的要求也不断提高,其广告投放行为更趋于理性,也愈发追求基于广告转化来付费的投放方式。然而,转化用户预测偏差大、转化结果计算的高时延以及广告主的用户冷启动等问题,导致广告投放的转化效果并不理想。为了提升广告投放的转化效果,本文设计了基于学习方法的广告投放转化效果优化模型,具体如下:1.设计了基于RF+Deep FM的广告曝光转化率预测模型。本文提出了广告曝光转化率来代替广告转化率,以规避数据稀疏和样本选择偏差对转化用户预测的影响。同时设计了基于随机森林（Random Forest,RF）和Deep FM的算法模型对广告曝光转化率做精准预测,进一步提升广告转化用户的预测精准度。2.设计了基于计算迁移的实时边缘计算模型。本文设计了设备终端-计算节点-数据中心的实时边缘计算架构,来提升广告转化结果计算的实时性和可靠性。并在该边缘计算构架的基础上,通过计算迁移来进一步降低广告转化结果的计算时延,同时该计算迁移模型还能有效地降低广告平台计算节点的负载。低时延的广告转化结果计算能够实时判断广告投放转化效果,避免无效的广告投放。3.设计了基于用户兴趣度迁移学习的跨领域推荐方法。广告用户通过广告进入到广告主的应用中,由于缺乏历史行为数据,广告主的推荐系统无法对其进行个性化推荐,使得部分用户没能进行有效转化便流失了,即用户冷启动。为此,本文设计了一种用户兴趣度的迁移学习方法,通过迁移广告平台的用户兴趣度来解决广告主的用户冷启动问题,以促进广告用户转化,提升广告的转化效果。经实验证明,本文提出的广告曝光转化率相较于广告转化率,在转化用户预测上更胜一筹,具体来说,AUC值提升了0.0730,Logloss损失值降低了0.0614。同时,本文设计的RF+Deep FM的算法模型相较于单一Deep FM模型在转化用户预测上也有着不俗的表现,AUC值提升了0.0218,Logloss损失值降低了0.0430。基于计算迁移的广告转化结果计算模型在计算时延降低了0.86s,此外,还有效地降低了广告平台计算节点的服务负载。通过用户兴趣度迁移学习的跨领域推荐可有效解决广告主的用户冷启动问题,促进广告用户转化,实验表明,该跨领域推荐方法使得广告主的投放应用的下载注册率提升了4.3%。