在数字化时代,每个用户的身份和行为均可用数字来量化,而其数字背后蕴藏着无数的商业价值。各大平台将依据量化的数字,来精准地为用户投放能够吸引用户观看的内容,或者用户感兴趣的广告,良好的点击率不仅会给平台方带来可观的收益,而且会给用户带来舒适的使用体验。因此,关于点击率预估的研究具有重要的意义。首先,论文叙述并分析了两种主流点击率预估模型的结构和优缺点,并在此基础上提出了一种新型的融合模型。论文对主流的点击率预估模型进行分析说明,其中重点分析了一种基于因子分解机的神经网络模型,以及一种包含了三个子网络的神经网络模型,本论文受到上述两种模型的启发,提出了一种新型的融合模型,DeepFMF（Factorization-Machine based neural network with matching subnet）模型。新模型可以学习特征与特征之间的关系,具体学习到的是用户特征和广告特征的相似度,同时也会学习特征的高阶组合来提升模型的记忆能力,因此可以提升模型的性能。其次,论文在新提出的点击率预估模型,DeepFMF的基础上继续改进,提出了一种更加先进的融合模型DeepFMC（Factorization-Machine based neural network with correlation subnet）。该模型不仅有能够学习用户特征和广告特征相似度的匹配子网络,还有能够学习广告和广告之间关联程度的关联子网络。关联子网络引入了自然语言处理中的滑动窗口,对用户广告点击历史中的广告设置窗口,并在窗口中采用负采样技术,使网络能够更好的学习到广告之间的关联程度。最后,论文针对新模型进行仿真和对比实验,分析不同因素对模型的影响,并且与其他模型进行对比实验。实验采用点击率预估领域中两种常用的指标来对模型的性能进行评估,分析了超参数、dropout比例、隐藏层个数等不同因素对模型性能的影响。并且在两个数据集上进行对比实验,将论文提出的新模型和主流的点击率预估模型进行对比,实验结果表明,学习特征与特征之间关系的子网络能够使模型的预估性能在各个指标上都大幅度提升。因此,从实践上证明,能够学习到特征之间的关系会对模型性能的提升产生影响,同时证明新提出的两种模型具有可行性和优越性。