随着科技的进步,最近十几年里互联网也在高速发展,同时在线广告也逐渐发展成为互联网企业最具有价值的商业模式之一,展示出了巨大的市场潜力,受到广泛的关注和应用。例如:Google、Bing、百度等搜索引擎的搜索广告以及Amazon、eBay、阿里巴巴等电子商务平台的推荐广告,每年都会带来巨大的利益回报。点击率(CTR,Click-Through Rate)是用来衡量广告会被用户点击的可能性大小的指标,提高CTR预估的准确性不仅能够提高用户体验,增强广告的宣传效果,同时还会带来更多的广告收益,所以如何能更准确预估CTR就成了重中之重。目前业界大多采用从日志中抽取大量特征来构建逻辑回归模型,使用大量的历史点击数据再来训练模型的方法。这种方法不仅无法很好的解决新广告没有历史点击数据带来的预估偏差的问题,而且还可能出现从日志中抽取大量特征而形成的高维度向量在模型训练过程中造成计算复杂度过载的情况,大大影响了在线广告点击率预估的准确率。论文针对大众点评的在线广告系统,基于深度学习研究了在线广告点击率预估技术,主要工作包括:1、对大众点评在线广告点击率预估系统进行了功能和性能方面的需求分析;2、完成了基于深度学习模型的在线广告点击率预估系统的设计与实现,并对模型进行训练与评估;3、对在线广告点击率预估系统分别在小流量试验和全流量应用下进行了效果评估,并着重在数据选取和特征选取两方面做了性能优化。