点击率(Click-through Rate,CTR)预测是对日志数据进行分析,从中提取影响用户点击结果的有效特征组合,进而对广告产品的点击率进行预测的过程。针对采用全连接神经网络进行高阶特征组合学习所存在的参数学习困难、学习效果不佳以及交互过程缺乏可解释性的不足,本文提出两种网络结构:增强型FNN(Enhanced Factorization-machine supported Neural Networks,EFNN)和深度自注意力交互网络。增强型FNN通过添加卷积特征交互单元降低仅依靠全连接神经网络学习特征组合的困难,深度自注意力交互网络则通过添加自注意力特征交互单元,使得模型同时具备学习显式和隐式特征交互的能力,在提高模型预测准确率的基础上,提供了更好的可解释性。论文的主要内容包括以下几个方面:第一、对国内外出现的点击率预测模型进行归纳综述,并根据模型的结构特点进行分类总结。在此基础上,对深度学习的基本知识以及点击率预测的相关技术进行了阐述。第二、对几种高性能深度学习模型的结构进行研究,发现全连接神经网络并行混合有效的特征交互单元,可以提高模型的预测性能。第三、提出一种基于增强型FNN的点击率预测模型,在因子分解向量输入神经网络(Factorization-machine supported Neural Networks,FNN)的基础上添加卷积特征交互单元,该单元设计了一种针对CTR数据的卷积方式,可以有效提取特征组合,降低了仅采用全连接神经网络进行学习的难度。实验结果显示,该模型的AUC(Area Under Curve)较原FNN提升了0.4243%,与对照模型相比,该模型也均取得了相对的性能提升。第四、提出一种基于深度自注意力交互网络的点击率预测模型,模型中的自注意力特征交互单元采用自注意力机制进行特征之间相关性的判断,可有效捕捉全局的特征组合,且交互过程发生在特征的嵌入向量之间,是一种显式交互,具有更强的可解释性。显式交互能力与全连接神经网络的隐式交互能力相配合,可有效提高模型的学习能力。实验结果显示,该模型的AUC达到0.7878,具有较强的预测能力。