当今互联网企业的发展越来越快,技术手段也层出不穷,在线广告业务作为大多数互联网企业的收入来源,在短时间的发展过程中形成了个性化投放和以产品为导向的技术型投放模式。在线广告系统为广大广告主提供了全新的营销方式和准确接触目标受众的渠道,不仅有利于广告主的品牌推广,也给互联网企业带来巨大的经济价值。广告点击率和转换率预估是在线广告投放系统的重要模块,在门户网站、在线视频网站和电商网站都有大量的应用。点击率和转换率预估的提升可以提升广告平台的营销效果,还可以给用户带来更好地体验。常见的预估点击率和转换率模型有逻辑回归,因子分解机等传统机器学习算法。这些方法在工业界已经广泛应用,但是仍有很大的提升空间。随着深度学习在各个领域的广泛应用,深度模型也被引入计算广告领域用来预估点击率和转换率,本文主要工作如下:(1)首先针对广告点击率预估问题,提出了引入注意力机制和成对损失函数的深度因子分解机用来计算广告点击率,此方法可以更好地处理真实数据中的多类别特征,并且给广告点击率预估任务提供了新的优化目标。该模型在腾讯广告算法大赛公布的真实数据集上进行实验,在没有特征工程情况下广告点击率预估任务的AUC达到0.766,优于现存的深度因子分解机和传统机器学习算法。(2)然后针对广告转换率预估问题,本文提出了引入神经因子分解机的完整空间多任务学习算法,该算法综合了以下优势:解决样本采样偏差问题、解决训练样本稀疏问题、有强大的数据拟合能力。在淘宝公开的推荐数据集上进行实验,广告转换率预估AUC达到0.683,该算法在预估广告转换率问题上效果好于现存最先进算法。