互联网技术的快速发展改变了人们的学习、生活和工作方式。点击率预估技术是互联网搜索、推荐和广告领域中的核心技术之一。在过去的几十年中,互联网广告行业得到了飞速的发展,广告点击率预估技术已经成为互联网广告中的重要研究内容。近年来,随着深度学习技术的飞速发展,广告点击率预估的准确率得到了大幅提升。广告点击率预估的准确率直接关系到广告投放的质量,影响到广告主的营销效果和广告投放平台的收益,同时也影响了用户体验,因此广告点击率的预估非常重要。目前广告点击率预估主要使用的是传统机器学习技术和深度学习技术。为了进一步提高广告点击率预估的准确性,学术界和工业界主要在算法和特征向量提取两方面进行优化。然而,点击率预估场景下的数据复杂、稀疏且规模巨大,算法难以充分学习到数据中的复杂规律,并且将高维、稀疏的原始特征向量在不损失信息的前提下表示成低维、稠密且易于算法学习的向量也是一大难点。因此,本文将在算法和特征向量提取两方面进行研究,以提高点击率预估的准确率。为了进一步提高广告点击率预估的准确性,本文的主要研究内容如下。首先,在算法方面,由于深度学习在表达能力等方面有很大优势,本文基于深度学习对点击率预估算法进行研究。具体而言,本文选择了经典的Wide&Deep模型进行研究,分析了Wide&Deep模型的优缺点,并且针对该算法做出了改进,在算法的Deep部分增加了特征域内特征组合层和特征域间特征组合层,使其更有针对性的学习广告数据中的交叉特征,提高了算法的泛化性。之后,在特征向量提取方面,具体研究了用户兴趣特征的提取方法,并且提出了两种用户兴趣表示方法,分别是基于兴趣聚类的用户兴趣表示方法和基于时间衰减的用户兴趣表示方法:前者将原始用户兴趣向量进行聚类,并用不同的方法在聚类簇内和簇间将用户兴趣向量整合成定长的稠密向量,使其可以在特定场合下准确的表示用户的复杂兴趣;后者将原始用户兴趣向量在时间维度上进行聚类,并且在把用户兴趣向量整合成定长的稠密向量时考虑到时间对用户兴趣的影响,对早期的兴趣进行了衰减。最后,结合行业研究现状和现有的实验环境,用特征工程等技术对数据集进行处理,在广告数据集上设计实验,并对实验结果进行了分析。在算法方面,为了验证本文提出的算法在广告点击率预估中的有效性,本文对基于Wide&Deep模型改进而来的点击率预估算法进行了实现,对比了包括Wide&Deep模型在内的多种经典算法。实验结果表明本文提出的算法在AUC和Logloss两个指标上比改进前的Wide&Deep模型分别提升了1.16%和2.27%。在特征向量提取方面,本文还利用基于兴趣聚类的用户兴趣表示方法和基于时间聚类的用户兴趣表示方法对用户兴趣进行表示,将得到的兴趣向量输入到改进后的Wide&Deep模型中。与传统的兴趣表示方法相比,本文提出的两种方法对点击率预估算法的准确率提升更明显。