随着互联网发展进程的不断推进、互联网用户规模的不断扩大和科学技术的不断提升,互联网广告由于其传播范围广且不受时空的限制等自身具备的诸多优势在广告行业不断鼎新,互联网广告也被看作目前最稳定的商业模式,各大搜索引擎平台、社会化网络平台、短视频平台等企业的大部分收入来源都是广告,而广告也已经成为部分网络公司的核心变现模式。在互联网广告的投放系统中,广告按点击来收取费用是当前比较常用的费用结算方式,即广告主需要为每个用户的单次点击支付给平台一定的广告费用。而点击付费在广告推荐系统中的核心体现则为点击率的预估,因此在互联网广告推荐系统中广告的点击率预估是一项核心技术。近年来受新冠疫情的冲击,一方面国内大环境不好使得广告主们逐渐减少广告的资金投入,另一方面疫情也使得中国的网民规模即用户流量达到新高度。在这种局面下,如何优化互联网广告预估模型、提高互联网广告点击率的准确性,从而帮助广告主在有限的广告预算下实现精准人群触达、提高投放广告的转化率就显得尤为重要。另外广告点击率预估的原理是根据用户的基本信息和其历史行为数据、广告的基本信息等特征再结合各种算法模型去预测用户点击广告的概率,但是由于广告数据自身存在的高维、稀疏、数据量大、实时性强、特征复杂度高等特点,广告点击率预估模型的准确率和效率至今仍存在瓶颈。基于以上背景与问题,本文通过研究点击率预估模型的发展史,分析比较目前国内外主流模型的优缺点,借鉴前人模型融合的思想,提出一种将GBDT模型、FM模型和神经网络模型等主流模型融合的混合模型,使得模型能够在重组有效特征的前提下同时学习低阶特征和高阶特征,从而一定程度上提升模型的性能,增强模型的可解释能力、提高模型的准确率,也希望通过提高广告点击率预估模型的准确率来优化互联网广告推荐系统的排序机制,实现互联网广告的精准投放,保证互联网广告平台用户体验的同时兼顾广告主的投入产出比和平台的收入,形成一个健康的广告生态。本文的核心工作内容包括以下四个方面:1、了解广告点击率预估模型的发展史,分析比较目前国内外主流模型的优缺点。通过对广告点击率预估模型发展史的研究,发现目前的主流模型GBDT+LR可以充分学习特征的低阶关系,但是没有考虑特征间的相互关系。FM模型考虑了特征的二阶线性组合,模型性能要优于线性模型,神经网络模型能拟合高阶非线性关系,非线性拟合能力足够强。学习GBDT模型、FM模型和神经网络模型相关理论基础和技术,设计本文提出的混合模型的模型结构。2、对本文使用的数据集展开探索性分析和预处理工作。在数据探索性分析中,分别研究了因变量是否点击的类别分布,自变量广告点击率和展示量分布,用户特征、日期、广告位与点击率的关系。在数据预处理过程中,分别对本文的数据集开展数据缺失处理、数据异常处理、采样处理和训练集测试集的划分工作。其中缺失值采用随机森林模型来进行填补,对广告展示量和点击率异常的数据直接予以剔除,采样处理中采用SMOTE算法来平衡样本。此外还对数据集中的特征进行了连续型变量标准化处理和离散型变量编码处理。3、对本文所提出的混合模型进行参数调优。对混合模型中GBDT层的学习率（learning＿rate）、最大迭代次数（n＿estimators）、树最大深度为（max＿depth）、叶子节点数（num＿leaves）、叶节点上的最小数据量（min＿child＿sample）、特征子采样比例（feature＿fraction）和正则化参数（lambda＿l1、lambda＿l2）采用网格搜索法进行参数调优,对神经网络隐藏层中的隐藏层大小和数量的组合、Dropout（随机失活）的比例、Epoch的数量和嵌入层中的嵌入向量维度取值采用单一变量法进行参数调优,经过参数调优后选择最佳参数拟合模型。4、对模型进行训练与评估工作。将本文提出的混合模型与广告点击率预估中的经典模型LR、GBDT、FM和Deep FM进行横向对比,验证本文提出的新模型的优势。在模型效果验证阶段,采用Log Loss（损失函数）和AUC值两个评价指标进行模型效果评估,实验数据表明,混合模型在本文选取的两个评价指标上的表现要优于目前常用的模型。除了模型间的横向比较外,也验证了使用GBDT特征重组对模型性能的影响,实验结果表明加入GBDT特征重组层后模型性能会有一定程度的提升。