随着互联网时代的发展,以电视、广播、报纸、杂志作为媒介的传统广告业受到冲击,收入呈现负增长趋势,而互联网广告业表现出强劲的增长趋势。为获得更好的广告效果,互联网广告的投放方式逐渐由粗放型向精细化转变。点击行为的精确预测不仅有助于增强广告受众的浏览体验,而且会促进广告主投放广告相关商品的推广,同时,广告平台也能获得更多收益。广告点击行为的相关研究越来越受到重视,在当前研究中,逻辑回归模型被广泛应用于广告点击情况预测,该模型复杂度低,但是模型无法自动组合特征,随之,集成学习和深度学习算法被引入。如何合理运用算法来准确预测用户对广告的点击行为,值得我们关注。本文采用2020年全球校园AI算法精英大赛公布的广告数据作为实证数据源,根据用户基本信息、广告信息、设备信息以及用户操作信息判断用户是否点击广告。在数据预处理方面,为获得更好的预测效果,在原始特征的基础上进行特征构造。根据特征组合后统计的点击数差异程度保留了年龄段与广告创意类型、性别与广告创意类型以及省份与广告创意类型的组合特征,弥补原始数据缺少组合特征的不足。针对数据的高维稀疏特性,将这类特征按广告曝光数进行聚类达到降维目的。针对广告数据类别不平衡的特点,本文利用不同的采样方法使数据类别平衡,方便后续处理。在预测算法上,本文在单一模型中选择了逻辑回归算法进行预测。在集成学习算法中选择了GBDT算法和Xgboost算法进行预测,在深度学习算法中选择了Deep FM算法进行预测,并对算法调参过程进行了详细介绍。对于不同算法,从预测准确性和算法运行消耗时间两方面进行对比,根据数据类别不平衡的特点,选择AUC值作为评价算法预测效果的指标。最终发现,利用混合采样方法处理数据后,再利用Xgboost算法来预测所得效果更好,AUC值能达到0.7912。综上所述,本文从实际数据着手,解决互联网广告点击行为预测过程中的问题,不断提升预测的效果。针对选取的数据,本文给出了具体解决方案,具备一定参考价值。