在互联网蓬勃发展的今天,线上广告、新闻、购物、娱乐等与人们的日常生活息息相关。但是,移动互联网产生海量信息,而人们浏览的信息量有限,如何在复杂多样的信息中挑选目标数据成为挑战。推荐系统通过引导人们购物、新闻浏览、娱乐成为了移动互联网的主流技术,提高推荐系统的精确性对解决人们的挑选困难成为重点关注的话题。为了提高系统点击率（CTR）预估的精确性,需要从庞大的用户历史行为记录中挖掘能指导模型预估点击率的有效信息。为此,论文旨在搭建新模型,来提升点击率的预估精确度。针对推荐系统特征组合问题,充分利用用户、商品和上下文信息,在推荐系统Deep FM模型基础上,提出了改进的点击率预估模型,具体研究工作如下:首先,为了让数据适应模型,纠正或删除不适用于模型的记录,本文对数据进行预处理。数据预处理的方法包括删除唯一属性、解决缺失值、离群值处理、特征编码、数据正则化、选择特征分析主要成分等;为了降低计算成本,将数据变换为更能代表预测模型潜在问题的特征,论文对数据集的数据进行特征工程处理。特征工程处理分两步,一是选择特征、二是特征数字化。对类别变量使用独热编码进行数字化,得到机器学习易于利用的形式。其次,论文对基于因子分解机的CTR预测神经网络（Deep FM）、自适应因子分解网络（AFN）进行研究,创新性地提出了一个融合自适应分解网络的因子分解机神经网络,简称AFN+Deep FM模型。推荐系统数据经常是高维的、多领域的、稀疏的、多类型的、关联却又很少的,而AFN+Deep FM模型中的矩阵分解法能充分挖掘上下文信息进行学习。一方面,Deep FM模型的深度学习模块能从已知的特征中找到有隐藏关系的特征,将它们进行高阶特征交互,以提高模型预估效果。另一方面,AFN模型在前馈神经网络前添加对数转换层,自适应地对输入的特征进行交互输出不同阶的特征组合,前馈神经网络对不同阶的特征组合进行高阶特征交互,AFN模型在不同阶的特征向量组合中挖掘更多的信息,对点击率预估的指导能力变强。因此AFN+Deep FM模型弥补了因子分解机（FM）仅仅能实现一阶、二阶的低阶特征交互的缺陷,挖掘更多的信息,以实现融合模型性能提升。最后,论文对所提出的AFN+Deep FM模型进行了实验验证。模型在Criteo数据集上和Avazu数据集上训练学习,最终AUC值相对其他几个主流模型有所提升,Log Loss值相对其他模型有所下降,证明了AFN+Deep FM模型的有效性。综上,本文提出的AFN+Deep FM模型既进行低阶特征组合、对输入的特征进行高阶特征组合,又对不同阶的特征组合进行高阶交互,充分挖掘信息,提高模型CTR预估准确度。