在互联网经济极速发展的今天，"互联网+"、"数字经济"等名词纷纷走进大家的视野，在此背景下，众多短视频APP应运而生。短视频因为个性表达方便、内容成本低、流播效果好等特点，越来越受到互联网用户与资本的青睐。在短短的3年内，短视频爆发性的发展给视频APP行业带来了巨大的流量红利与巨大的经济效益。其中就造就了“哔哩哔哩”、“快手”等视频APP公司。对这些视频APP公司而言，用户为流量变现的基础，如何更好的满足用户的诉求与兴趣来留住客户，则是各大公司研究的重点。而各大视频APP，大多都是主动式为用户推荐内容，用户是被动接收信息。为了更好发掘用户潜在的兴趣、理解用户的诉求，推荐策略均加入了个性化策略，做到了呈现结果的“千人千面”。其中在大数据下数据挖掘的广泛应用上，在用户兴趣属性的挖掘学习与视频理解学习上，无论在学术界还是工业界都发展非常迅速。本文旨在利用深度学习算法提取并学习用户特征与视频特征，并建立了基于注意力机制的视频点击率预测模型，针对热门候选视频，计算当前用户点击候选视频的概率，并以此作为视频展现顺序的依据，向用户展现其更感兴趣的视频内容。因此，点击率预测为视频APP公司保障用户体验、提升视频投放效率等项目提供数据支持与理论依据。
　　本文基于视频APP评分日志、用户数据记录、视频数据记录原始数据，在数据采样、清洗、预处理等策略下，得出<用户，视频，is_点击>的三元组。并利用深度学习框架，建立基于多头注意力机制的点击率模型，并通过各项对比实验分析，得出最优模型与参数设置，使模型的泛化能力与准召率均达到了最优。本文提出的方法，不仅可以让网民“所想即所得”，保障了其在视频APP的用户体验，提升了用户对APP的使用时长。同时也通过推荐内容激发了用户的内在诉求，开启了潜在兴趣，大大提升视频APP的内容营销效率。从而达到网民、公司的双赢。