随着互联网与人们生产生活的融合程度不断加深,在线广告投放已经成为了现代媒体营销的主要方式,创造了巨大的经济效益。在线广告本质是广告主、媒体与互联网用户三方博弈的过程,因此,如何提高广告投放的精准度,向用户推荐合适广告的同时使相关各方的利益最大化,成为了推荐系统领域和计算广告领域共同期待解决的问题。本文将广告推荐的核心理解为准确预测一个广告被点击的概率,即广告点击率(Click Through Rate),围绕此问题进行深入研究以提高广告推荐的精准度,从而达到优化广告投放效果的目标。作者首先使用传统推荐算法在广告推荐场景上进行了应用,针对传统推荐模型在广告特征集上所表现出的不足,同时考虑单一模型的局限性,提出了将模型融合的方法应用于广告推荐的设想。在充分分析了各机器学习模型在广告推荐中的表现后,我们发现GBDT模型“知错就改”的特点适合在大体量数据集上进行特征处理,SVR模型优秀的学习与泛化能力适用于处理具备高维度特征的广告数据,因此设想此两种模型的融合会对点击率预估的精准度产生积极作用并提高推荐效果,故最终选用梯度增强决策树模型(GBDT)与支持向量回归模型(SVR)进行融合。经过将传统推荐模型、梯度增强决策树模型(GBDT)、支持向量回归模型(SVR)、以及(GBDT+SVR)融合模型的实验结果进行对比验证后,发现融合模型可以有效解决广告推荐中常见的数据稀疏、特征选择主观性大、时效性差等问题,对传统推荐模型的扩展性差、推荐效率低进行有效弥补,对点击率预测的精准度有明显提升,对于应用于实际的生产生活从而优化在线广告投放效果有一定借鉴价值。