大数据时代,互联网用户数量迅速增长,产生了海量数据,许多互联网产品和在线电子商务平台也应运而生。广告对许多诸如淘宝和京东等在线电子商务平台来说至关重要,而点击率（CTR）预估就是这些平台所依赖的一个重要信号。精准的点击率预估不仅能帮助广告平台和广告商增加利润,同时也为用户带来更好的用户体验,方便用户浏览到更感兴趣的商品。特征交互是提升广告点击率预估效果的关键,如何提高模型的特征交互能力是点击率预估模型的重要课题。浅层的点击率预估模型最开始被用于解决一些点击率预估问题,但只是对低阶特征的建模学习,而忽略了高阶特征的交互。随着深度神经网络（DNN）的发展,诞生了许多深度点击率预估模型,这些深度模型在很大程度上提升了点击率预估的效果。但是深度模型又容易忽略低阶特征的学习,因此考虑利用DNN建立一种能够同时有效学习到低阶特征和高阶交互特征的深度模型,增强模型的特征交互能力,提高点击率预估的准确率。然而这样的深度模型会显得过于复杂和冗余,参数量较多并大量占用内存,而且也很耗时。因此考虑对深度点击率预估模型进行压缩优化,在保证模型的点击率预估性能损失不超过0.2%情况下,减少模型参数量,提升模型的计算效率,增强模型的实用性。鉴于以上两点,本文的主要内容有:（1）针对目前点击率预估模型特征交互能力不足,未能同时有效学习低阶特征和高阶交互特征的问题,提出了一种基于改进FM和深度特征交互网络的点击率预估模型（xDAHFM）。首先该模型改进因子分解机（FM）算法,将全息简化表示（HRR）的压缩外积用于FM中,更好地学习低阶特征。其次,加入特征交互层,显式的学习高阶交互特征,增强模型的特征交互能力。最后,利用深度神经网络（DNN）来隐式的对高阶交互特征建模学习,并最后引入注意力机制区分不同高阶特征交互的重要性,更好地学习高阶交互特征,从而得到一种能够同时有效学习到低阶特征和高阶交互特征的深度CTR模型。通过在Cretio和MovieLens-1M这两个公开数据集上的实验表明,相比于其他基线模型,xDAHFM模型的特征交互能力更强,点击率预估的效果也更好。（2）针对所提的深度点击率预估模型（xDAHFM）结构较复杂,参数量较多,训练时间较长,实用性不足的问题,提出了一种基于改进知识蒸馏的深度压缩点击率预估模型（s-xDAHFM）。该模型将风格迁移算法应用到传统的知识蒸馏算法结构中,不仅有利于简单的学生网络模型更好地学习复杂的教师网络模型的点击率预估能力,而且也可以减少学生网络模型训练所产生的误差,提升模型压缩优化的效果。通过该方法将复杂的教师网络模型压缩得到简单的学生网络模型,简单学生网络模型具有和复杂教师网络模型类似特征交互能力,然后利用简单的学生网络模型来进行点击率预估。通过实验表明,在保证点击率预估准确率损失不超过0.2%的情况下,相比于复杂的xDAHFM模型,轻量化的s-xDAHFM模型参数量更少,训练时间更短,实用性更强。