点击率(CTR)预测是互联网公司中重要的研究课题,其结果与上下文、用户属性和广告属性息息相关,CTR的有效预测对于提高其公司的收入至关重要。CTR预估中最常见的模型是逻辑回归(LR),然而LR实质上属于广义线性模型。对于计算广告而言,特征变量不仅多,而且特征与特征之间存在关联。一方面,实际业务需要快速有效的筛选特征并进行特征组合,这在很大程度上只能依靠人工经验,耗时耗力同时并不一定会带来效果的提升。另一方面,广告数据是实时产生的,批量的处理会面临时效性等问题,在线计算就显得尤为重要。本文在对传统LR模型的相关原理和参数优化算法介绍的基础上,抽离出用户特征和广告特征,并用XTAS(XTAV)T表示用户与广告之间的关联,将其添加到sigmoid函数中得到新的LR模型。和以往求解方法不同的是,本文采用在线最优化算法FTRL提高参数计算效率,采用混合正则化来防止训练过拟合。在实验部分,我们主要考虑AUC和log-loss两种评估指标,根据之前的模型和算法,最后从准确性、参数敏感性和可靠性分析并得出结论。本文的主要成果体现在三个方面。第一,本文考虑了用户与广告的特征关联,且根据关联矩阵的稀疏性和大规模等特点将其分解,从而使得其比传统的LR模型有着更强的非线性拟合能力。第二,本文的模型能自动消除无用的特征,使得在线预测更加迅速,尤其对于大规模稀疏性数据和特征。第三,利用FTRL在线算法,能实时处理数据,效率高且避免了批量处理。