点击率预测任务在推荐系统与计算广告行业有重要的意义,然而以往的方法大多需要人工设计算法模型,需要大量的专家知识,费时费力。为改善这一问题,本文提出使用自动机器学习技术实现点击率预测模型的自动化设计,实验证明了所提出的方法相较于人工设计的方法有更好的稳定性与预测能力,同时,本文在原有基础上对搜索过程做了进一步优化,提高了预测准确性。首先,本文总结了常用的点击率预测的微操作,构建了基于cell的搜索空间,并使用梯度下降法搜索最佳的模型结构,实现点击率预测模型的自动化设计。本文在三个公有数据集上对比了神经架构搜索得到的算法模型与人工设计模型的性能,实验结果表明自动化搜索得到的模型结构相较于人工设计的传统方法有更佳且稳定的预测效果,并且可以为不同的数据集实现个性化设计。其次,神经架构搜索方法存在着操作与拓扑结构耦合的问题,不能得到最合适的图结构,因此本文对搜索过程做了进一步优化,在原有的操作空间上添加拓扑空间,将操作搜索与拓扑搜索解耦。操作搜索为每条边搜索最合适的操作,拓扑搜索为图搜索合适的拓扑结构,实验表明解耦后能够搜索到更佳的算法结构。最后,由于连续特征拥有无限的数据值,因此无法通过传统的嵌入学习方式对特征进行处理,针对这一问题,本文提出一种软离散化方法,使用键值记忆网络学习连续特征的嵌入表示,该方法对连续特征有更好的表现能力。