大数据时代,我们生活中的方方面面都出现了信息过载的问题。用户从大量的信息中寻找对自己感兴趣的信息也随之变得困难;而对于信息生产者而言,让自己生产的信息在众多信息中脱颖而出也变得越来越难。推荐系统就是在这样的前提下产生的。推荐系统的主要目的是把合适的信息推荐给合适的人。对于用户而言,推荐系统能将用户感兴趣的内容推送给用户。对于商家而言,推荐系统可以给用户提供个性化服务,提高收入。在推荐系统中,点击率预估是非常重要的一个环节,判断一个商品是否进行推荐需要根据点击率预估的点击率来进行。论文主要研究基于深度神经网络的点击率预估模型的问题,聚焦当前火热和前沿的深度学习技术。论文针对当前存在的深度点击率预估模型,从低维特征的表达和组合特征的表达为切入点,对当前存在的深度点击率预估模型在低维特征表达与组合特征表达这两个层面做了改进工作,主要进行了将FFM中“域”思想引入深度点击率预估模型和将注意力机制引入深度点击率预估模型的两方面工作。本文的主要工作和创新点包括:1.提出了一种基于FFM深度神经网络的点击率预估模型。该方法的主要思想是通过将FFM模型中“域”的思想引入到深度点击率预估模型中,通过“域”的思想对低维输入特征进行多个维度的表达,使得模型可以更好地发现每个特征下包含的规律,最后利用深度神经网络技术进行点击率预估。相关工作已整理发表专利。2.提出了一种基于注意力机制的深度神经网络的点击率预估模型。该方法的主要思想是通过把在图像和自然语言处理领域取得良好效果的注意力机制引入到深度点击率预估模型中。通过注意力机制可以更好的表达特征与特征之间的交互关系,从而使得模型可以更好的表达特征之间存在的规律,最终实现模型性能的提升。本文的两项工作分别从低维特征表达层面和组合特征表达层面对现有的深度点击率预估模型做了改进,使得模型在参数相同的情况下获得了性能的提升。因此,本文方法具有广泛的应用前景。