随着互联网技术的普及与发展,在线展示广告已然成为广告领域的主流业务。而在该业务中,广告点击率的预测精度与广告主和广告商的获利密切相关。因此,如何提高在线广告点击预测的精准性这一问题成为各方研究热点。首先,本文基于2017年阿里巴巴提供的淘宝展示广告点击率预估多源数据集,利用了逻辑回归、因子分解机、梯度提升决策树、随机森林四个经典模型完成了在线广告点击的预测,并参照把梯度提升决策树提取的组合特征放入逻辑回归模型的经典思想讨论了四个经典模型是否有引入该类组合特征的必要,为本文设计融合模型中初级模型的选取提供了数据支持。然后,本文从单个模型预测过程中不考虑用户间差异性与单个预测模型预测结果的局限性两大问题出发,引入了模糊聚类算法中的模糊C均值聚类方法实现了用户分类,并在各用户群上建立了多个经典模型,再通过各模型在模型筛选预测集中对应的用户群数据上的AUC指标值确定了各用户群最合适的初级模型,利用模糊聚类所特有的隶属度完成了多个初级模型的融合。最后,一方面将聚类数目为3的融合模型的结果与经典模型的结果进行比较,其在AUC指标值上超过任意的单一基准模型,取得了较好的效果,说明了该融合模型的可行性与有效性;另一方面,讨论了不同聚类数目对融合模型性能的影响,并发现在任意聚类数目下的融合模型都比单一基准模型的AUC指标值高,也进一步说明了该融合模型的性能优良。