进入二十一世纪后,计算机科学技术和信息通信技术的飞快发展使得互联网行业获得了迅猛和长足的进步。与此同时,各种实体行业开始与互联网紧密结合起来,互联网广告作为一种全新的广告形式在这种情况下应运而生。互联网广告有着巨大的商业价值,因为它可以同时为互联网广告平台、制作广告的广告商和需要投放广告的电子商务公司带来巨大的收益。而互联网点击率(CTR)可以用来直接衡量广告的受欢迎程度,直接显示了被用户观看的次数,并且广告平台所获得的收益为单次点击费用率和点击率的乘积。因此,准确地预估广告点击率是对广告媒介、互联网平台和电子商务公司三方都有利的事情。本文在对有关互联网广告点击率(CTR)预估的研究成果进行了归纳和总结之后,对互联网广告相关的概念以及相关模式进行了系统性研究,这将有助于后续的相关理论研究和实际应用的开展;继而,本文对广告点击率相关的问题进行了分析,整合了相关的特征属性和因素,对相关的模型进行归纳分析;最后,本文将遗传算法结合神经网络应用于互联网广告点击率的预测上,并测试其效果。本文主要做了以下四个方面的工作:(1)对互联网广告点击率预测问题进行了详细的分析并提出了预测问题解决的流程。首先总结了互联网广告点击率相关数据的一般性特征,然后根据广告点击率问题的特性将其划分成分类问题,最后经过模型筛选选择神经网络和遗传算法作为预测模型,并给出问题解决思路。(2)对相关数据进行了特征工程处理。首先对数据集的数据依次做缺失值处理、交叉分析、特征融合和编码,最后再使用PCA对编码后的数据做降维处理,得到11个维度数据。(3)建立了互联网广告点击率预测模型。首先建立了遗传神经网络广告点击率预测模型,然后将特征工程处理后的数据再结合随机森林和梯度提升树(GBDT)模型融合,得到新的特征数据,最后将其代入到遗传神经网络模型,得到此模型的准确率和AUC值。(4)针对实验数据集,对逻辑回归、决策树和随机森林等模型做了点击率预测,以此实验结果与其遗传神经网络做比较。得到遗传算法结合神经网络能有效提高互联网广告点击率的预估准确率的结论。