在互联网时代,广告产业呈现出多元化和智能化的发展趋势。互联网广告凭借其低成本的运营模式和良好的用户体验,成为时下最主要的广告形式。为了提高用户点击次数,获取变现流量,广告系统利用相关策略对不同广告的点击概率进行预测,并选择较大概率值的广告进行针对性投放。准确的点击率预估效果不仅能提高企业营收,还能增加用户黏性,因而受到工业界和学术界的广泛关注。点击率预估模型作为广告系统的核心,能够深入挖掘特征间的潜在关系,对用户的点击概率作出精确预测。本文从特征组合角度出发,针对现有方法中存在的不足,利用深度学习模型构建技术解决方案,并通过实验进行可行性论证,本文的主要工作如下:（1）提出了一种基于域感知方法的双线性深度因子分解机模型,通过引入双线性感知层,细化特征交叉过程,降低信息损失。同时,模型充分融合多个子结构的二阶组合特征,降低神经网络在进行高阶特征提取时的模型复杂度,减少不必要的开销。（2）提出了一种基于注意力机制的协同因子分解机模型,通过对特征赋权模块的改进,区分不同特征对模型效果的影响,强化重要特征的表达能力,使得特征组合过程的可解释性更强。同时,模型通过不同的注意力子结构,充分融合多阶权重信息进行协同建模,有效提高模型的预测性能。（3）提出了一种基于用户行为序列的深度兴趣感知模型,该模型对不同行为序列间的隐含关系进行挖掘,并通过注意力机制获取潜在的兴趣表现形式,与画像特征一同构建预测体系,弥补了传统特征建模过程中难以有效捕捉用户偏好的缺陷。本文对稀疏数据下的点击率预估问题进行了研究和实验,分别就上述工作展开了细致论述,并通过实验结果验证了模型的可行性及预测的准确性。