点击率预测的主要方法是根据用户个人资料、用户历史点击记录、物品资料等信息从用户、物品或者时间等维度进行建模,对用户接下来的点击物品的概率进行预测。无论在计算广告领域还是推荐系统领域,点击率预测模型都扮演着十分重要的地位。目前特征交互学习和序列建模是基于深度学习的点击率预测模型的两个主要研究方向,现有的模型也都取得了不错的效果,但是仍然有一些需要解决的问题:（1）在特征交互学习方向,许多模型只是简单地使用内积和Hadamard积进行特征交互的计算,而在此过程中忽视了不同交互特征对点击率预测结果有着不同的影响;（2）在序列建模方向,用户短期偏好和通用偏好会对用户接下来的点击行为产生不同的影响,在通用偏好捕获方面,现有的模型更注重物品Embedding向量层面（union-level）的关系而忽视了物品Embedding向量内元素层面（point-level）的关系。注意力机制能够通过权重分配从输入特征中提取有用信息,本文通过结合注意力机制对上述问题分别提出改进的模型,并结合所提出的模型构建了在线商品推荐系统,本文的具体工作内容如下:（1）针对特征交互学习中现有工作忽视不同交互特征对点击率预测的影响不同的问题,本文提出的SEFM（Squeeze-and-Excitation Factorization Machines）模型通过结合因式分解机对注意力机制的一种SENet进行改进,为交互特征赋予不同的权重,并在此基础上提出了基于SEFM的点击率预测模型。本文提出的基于SEFM的点击率预测模型在Movie＆TV数据集、Video Game数据集和Movie Lens数据集上的AUC值分别是0.8612、0.7880和0.9203,证明了该模型的有效性。（2）针对序列建模中现有工作在通用偏好捕获时忽略物品Embedding向量内元素之间的关系的问题,本文提出的基于Lambda层卷积序列嵌入（Lambda layer based Convolutional Sequence Embedding,LCSE）的点击率预测模型使用线性注意力机制Lambda层通过权重分配的方式从用户点击历史中学习用户通用偏好,并在此基础上分别使用水平过滤器和垂直过滤器从union-level和point-level捕获用户通用偏好。LCSE模型在Electronic数据集、Movie＆TV数据集和Movie Lens数据集上的AUC值分别是0.8707、0.9036和0.9467,证明了该模型的有效性。除此之外,由于多了时间维度的信息,LCSE模型相比较常见的基于特征交互学习的点击率预测模型往往能取得更好的预测结果。（3）点击率预测模型在推荐系统中常常被放在排序模块获得对推荐结果更准确的排序,本文围绕本文提出的SEFM模型和LCSE模型构建了一个分布式的在线商品推荐系统,其中推荐模块由召回模块和排序模块组成。本文提出的SEFM模型更注重用户和目标物品特征交互信息的挖掘,LCSE模型更注重用户历史偏好信息的捕获,因此排序模块使用通过加权方式综合SEFM模型和LCSE模型的多路排序方法。经过编码、测试和部署,所实现的在线商品推荐系统能够达到预期的要求。