在广告推荐系统中,广告点击率(Click-through Rate,简称CTR)的预测十分重要,基于用户行为的特征交叉对于提高推荐系统点击率预测效果有着重要的作用。目前,大部分的端到端的神经网络模型都是通过嵌入层将高维稀疏特征转换为低维稠密特征,然后通过低维稠密特征的交叉来学习用户行为的交叉特征,但是这种端到端的模型缺乏可迁移性。因此,本文提出了多域嵌入模型(multi-fields embedding,简称MFE)。多域嵌入模型是一种预训练模型,它能够将不同域下的稀疏特征同时嵌入到同一向量空间,然后通过梯度提升决策树(Gradient Boosting Decision Trees,简称GBDT)模型来进行广告点击率的预测任务。通过和GBDT模型以及目前流行的端到端的神经网络模型FNN、NFM、Wide&Deep、Deep&Cross、DeepFM以及xDeepFM进行对比,在多个广告点击率的数据集上基于多域嵌入的梯度提升决策树模型取得了最好的效果。研究表明,多域嵌入模型能够很好的学习属于不同域的高维稀疏特征的表示,从而能够使模型在广告点击率任务上取得很好的效果。