随着在线广告不断的发展,计算广告成为了一门新兴的重要学科。在计算广告的投放系统中,广告点击率预测算法是重要的一环,提升广告点击预测准确率对提升广告投放系统收益有至关重要的作用。广告点击率预测问题中的难点在于其特征多为离散特征并且特征稀疏性高。传统的机器学习分类算法比如逻辑回归在解决这列问题时需要大量的特征工程,因子分解机模型可以学习二阶交叉特征,深度学习擅长隐含地学习交叉特征。有一些深度学习和因子分解机融合的模型取得了很好的效果,把不同深度模型集成起来可以有效地提升广告点击率预测的效果。本文研究基于多组特征的深度学习算法,设计一种改进的混合专家模型进行集成学习并且在真实数据集上验证效果,最后设计广告点击率预测系统,对系统性能进行优化。本文研究主要贡献如下:(1)对广告点击率数据集进行研究,构造多组特征工程。研究发现多组特征在DeepFM、xDeepFM两个深度学习模型上表现较好,这是进行集成学习的理论基础。对单模型的研究发现,深度学习与因子分解机模型联合训练的模型表现较好,为后续混合模型的研究提供理论基础。(2)为了能够深入挖掘多组特征的信息,对多个模型加以综合应用。本文研究相关的集成学习方法,设计出改进的混合专家模型进行集成学习。根据多组特征的实验结果,用控制变量实验法确定其结构。最终实验结果表明,混合专家模型在不大规模增加训练时间的情况下,AUC指标相对单模型提升1.5%。(3)本文搭建广告点击率预测系统并对其在线预测性能进行调优,引入冷启动机制增加系统鲁棒性。针对Python语言运行速度相对较慢的问题,采用Libtorch框架和离线特征用C++搭建预测模块,将在线预测速率提升了 3.5倍。