大数据时代已经来临,传统行业向互联网转型不再是一个时髦的口号,积极主动地拥抱“互联网+”,不仅能提升自身的竞争优势,而且能赢得更多发展机会。对于广告行业,掌握了互联网和大数据技术,对在线广告不同场景下的转化率进行预测,并对其进行精准投放,一方面可以提升用户的平台使用体验,快速找到使用意愿最强的产品;另一方面可以提升广告主的投入产出比,挖掘其潜在客户。然而想要准确预测在线广告的转化率并非易事,主要原因在于在线广告的用户行为数据高度稀疏且正负样本分布不均衡,导致传统的机器学习模型预测表现不佳。基于上述背景,本文构造了基于特征工程的在线广告多维度特征体系,并结合集成学习的方法提出Light GBM+XGBoost+LR（Stacking/Blending）模型,以提高在线广告转化率的预测精度,具体内容如下:特征工程方面,首先从广告与用户特征的角度对数据集进行探索性分析与特征可视化,并讨论特征对转化率的影响;其次,进行了数据融合、数据清洗、离散特征one-hot转化、连续特征离散化等数据集的预处理;最后,从基础特征、稀疏特征、序列特征、转化率特征、组合特征等方面进行特征构建,形成一套总计836个维度的在线广告特征体系,以支持后续的转化率预估研究。模型构建方面,将XGBoost、Light GBM作为个体学习器,LR作为次级学习器,分别对模型进行Stacking、Blending集成,并通过实验验证了本文设计的集成模型比经典机器学习模型的预测效果更佳。进一步对数据的用户与广告特征进行K-means聚类,根据聚类结果分组检验模型预测效果,结果表明本文构建的集成模型在聚类样本上具有更好的表现。与常规的建模方式不同,该算法充分发挥了线性模型和树模型的优势,采用多个结构之间存在较大差别的模型进行融合,有效地降低了模型的过度拟合,从而增强了建模的普适性和精确度。本论文旨在为预测在线广告转化率提供一种更广泛的机器学习方法,无论是在理论上还是在实践中都有一定的应用价值。