伴随互联网经济的不断发展、科技的进步和电子商务的日益强大,与互联网相伴相生的线上广告在过去的数十年间实现了迅猛的发展。作为一门崭新的学科交汇科学,计算广告学倍受关注。其主要包含广告学、文本计算、信息检索、统计模型和经济学等多个学科的理论和应用。计算广告是为某些特定的用户群体而设计的,从出现至今都是互联网新兴应用领域中的热门问题,成为了一个新的商业增长点。广告点击率预测（Click-Through-Rate Prediction,简称CTRPrediction）是计算广告科学的关键环节,已成为互联网广告应用的前沿,日益受到人们的关注。点击率预测是广告研究中的重要算法之一,它可以预测每次广告的点击率,并确定使用者点击概率最高的广告。广告点击率与广告投放的时间顺序、收费标准等影响因素有关,一个优秀的CTR预测模型可以增加广告平台的收入,助益广告商的成本预算,带给使用者更佳的用户体验。在线广告中的搜索广告是一种增速最快、范围最广的广告形式,其点击率与广告发布的时间、费用成本等息息相关。这一点对于CTR的研究也有着关键的启示作用。使用机器学习方法,基于已有的广告数据预测广告点击率是较为常用的方法,有效的CTR预测能够让广告投放更准确,实际点击率更高,广告收入更丰厚。尽管线性模型能够大致预测出广告点击率,但普通的线性模型对逐渐增多的数据特征的学习能力十分有限,过度拟合是其在学习过程中容易面临的问题,从而影响模型的特征学习能力。因此本文通过数据预处理与特征工程、模型构建与模型实现两个阶段,最终建立了展示广告点击率预测的三个单一模型:逻辑回归（LR）模型、随机森林（RF）模型及深度神经网络（DNN）模型,更进一步的建立了两个融合预测模型:GBDT+DeepFM模型和stacking融合模型,经验证,融合模型在测试集上的Logloss和AUC值均显著优于单一模型,有效提升了预测性能。并且stacking融合模型的预测性能更优于GBDT+DeepFM模型。本文所完成的探索研究主要包括如下三个方面:（1）数据的描述分析和预先处理。首先基于原始数据集中的24个特征（15个已知的明确特征和9个未知的匿名特征）的含义,对初始数据集中数据的各方面特征完成了描述性统计分析,进而又分析了样本的关联性和分布性等。而后对原始数据进行预先处理,检查处理了缺失值和异常值数据。删除了无效特征,并且细化了部分特征变量。本文又根据模型的差异对特征实施了不同的处理,LR模型通过对显性特征组合进行拼接来达到获得隐藏用户属性的目的,再将原始数据集中类型不同的特征变量转换成类型一致的特征变量。RF模型则通过特征字典,来去除出现频率低的样本,再通过独热编码处理剩余的特征变量。基于DNN模型,本文首先收集了各个特征的频次,然后基于收集结果形成特征字典,将原始数据集中的字符型特征变换为整型特征,然后标准化得到的整型特征,让各个特征的值都在[0,1]范围内。（2）模型的构建训练与最终实现。LR模型使用自适应Adagrad算法,Adagrad算法借助其自适应的性质分配不同的学习率给每一参数。RF模型则是从训练集中抽取样本作为模型的根节点,模型训练便是从根节点开始。模型的训练主要使用的是工具包sklearn中的RandomForestClassifier模块。DNN模型是从输入层开始,再到隐藏层,最后抵达输出层。模型通过求解目标值与最终输出值的误差,再基于反向传播实现权重更新,循环往复,直至计算的误差等于目标误差值时,最终结束模型的训练。GBDT+DeepFM模型中的梯度提升树模块通过将区分度高且关键的特征组合提取出来,生成另一个新的数据集。而Stacking模型融合将调整到最优参数的随机森林和LightGBM作为初级模型,可以在降低过拟合的风险的同时提高模型的准确性。另外,次级模型使用加入正则项的Logistic回归。（3）本文是以python语言作为主要工具来构造LR模型,RF模型、DNN模型和另外两种融合模型。并将以AUC值与Logloss值为主要评价指标来评判模型的实现效果,对不同模型的实验结果进行对比分析。