随着互联网大数据的爆炸式增长和计算机技术的升级给广告行业带来了巨大的改变。突出变化发生在广告传播载体上,传统的广告以纸质媒体为媒介,现在广告更多的转向了互联网在线平台,因此计算广告这门学科也应运而生。计算广告的产生给互联网广告平台带来了巨大的商机和利益,其核心计费模式为CPC(按点击次数付费),在这种计费模式下,广告点击率的预测就成为了热点和核心问题,引起了工业界和学术界的关注。因为提高了广告点击率预测的准确率就相当于提高广告商的收益、提高互联网用户体验满意度、提高互联网平台的佣金收入以及用户粘性。(1)本文首先对亚马逊公开数据集进行样本选择,选择数据集中的电子产品子集进行实验,再根据用户点击序列生成训练集和测试集,训练集包含正样本和负样本。(2)本文对广告点击率预测模型进行实验分析,深度神经网络模型学习能力强,不需要人工特征组合,自主学习到高阶非线性特征,但是数据量不足时会出现过泛化。广度深度训练模型将线性模型与深度神经网络模型联合训练,不但具有记忆能力同时还具有泛化能力。深度兴趣网络是在深度神经网络结构中的引入局部激活机制,通过分析广告商品与用户历史行为的相关性来为用户历史信息分配权重,提高了点击率预测的准确性。(3)本文针对广告点击率预测问题提出Wide and Dien模型。该模型中深度兴趣进化网络能够抽取用户的兴趣按照时间排列成时间序列,通过引入GRU模块找到用户兴趣之间隐含的依赖性,形成兴趣的演变趋势,再与Wide侧联合训练。最后,将其与Wide and Deep模型、Dien模型进行实验对比,验证了本文提出的模型在预测效果上有明显提升。(4)本文实现了文旅商品推荐平台,平台的核心商品推荐模块使用本文提出的Wide and Dien模型实现。