点击率预测,对于许多应用程序,包括搜索引擎、个性化推荐和在线广告,都是至关重要的,有助于提升用户的留存,增加平台收入。对广告而言,点击该广告的人越多,越有助于增加平台的收入;对购物网站而言,增加点击率也有利于增加购买率;对视频推荐系统而言,点击率越高也一定程度上能增加用户观看的概率,从而增加观看时长,为平台增加流量和人气。因此提升点击率预测模型的准确率是一个热门的研究领域。很多点击率预测模型都有各自的优势和不足,为了弥补这种不足,本文使用模型混合将不同类型的特征挖掘模块结合或者对不同的模型进行集成,文中提出了多种混合方式。首先,为了使得序列特征在模型中发挥充分的作用,对用户点击的历史时间间隔序列使用LSTM模块和自注意力机制模块进行了时间间隔序列特征挖掘和重要性权重分配,基于Deep FM模型加入这些结构,提升模型效果。其次,基于树模型在特征处理方面的强大的作用,先利用树模型进行特征转换组合,再将叶子节点的输出作为其他模型的输入,将树模型和其他不同类型的模型进行联合训练,寻找最佳的模型结合方式。最后,使用Blending集成方法,先在第一层训练多个模型得到输出,再用二层模型对第一层多个模型的预测输出进行建模训练,将不同模型的输出结果合理结合,得到新的模型混合方式。实验使用了多个不同领域的数据集,包括视频和广告领域,在使用模型进行训练之前,先对一些数据进行一定的数据探索以及数据处理,在特征工程上进行了一定的实践。本文提出的LDeep FM和LADeep FM在不同类型的数据上都进行了实验,实验结果显示本文提出的模型结果都有较好的提升,表明这些模型具有一定的泛化性。通过和树模型的混合,提出的LGB2Deep FM等模型也比基础模型有显著的提升效果。实验也显示集成学习可以大程度提高模型的训练效果,各种模型有其各自的优势,可以通过不同类型的模型混合达到预期效果。