随着用户追踪技术进一步发展,近几年出现了按广告转化次数收费的新计费方式,如何为用户匹配转化率最高的广告,成为近几年的热门研究方向。转化率预估以点击率预估方法的复用为主,专门针对转化率预估的研究较少。广告转化率预估有几个难点:转化数据维度极高、转化数据高度稀疏、样本包含不随机的错误标记,这造成目前广告转化率预估的效果仍然很不理想。基于上述背景,本文将集成学习方法应用于在线广告转化率的预估,探究在多维度特征模型之下的转化率预估与个性化推荐。研究主要包含两个方面:(1)特征工程。本文分析了在线广告的特点,建立了基于{用户,广告,情境}的多维度特征模型,并采用了贝叶斯平滑、极度热门项目降权惩罚和自然属性特征概率化三种修正方法,对基础多维度特征模型进行了修正。(2)模型算法。基于集成学习设计了一种较复杂的三层集成模型,该模型包含三个子集成模型:GBDT的Stacking集成模型、FFM的Stacking集成模型以及XGBoost和FM的串行集成模型,并设计和实现了求解该模型的算法。本文采用了logloss和AUC值两种评价指标评估模型的预估效果,与单模型相比,本文提出的特征修正方法和集成模型对转化率预估的效果有显著提升。相比传统方法,本文提出的方法通过将多个结构具有较大差异性的模型进行集成,充分利用树模型和广义线性模型性的优点,减少了模型的过拟合现象,提高了泛化能力和预测的准确程度,是一种对稀疏数据进行预测的有效方法。本文通过以上研究,丰富了在线广告个性化推荐领域的理论基础,也为移动端在线广告转化率预估提供了一种较为通用的方法,具有一定的理论意义和现实意义。