广告点击率预测是推荐系统领域一项较为成功的应用,提高广告点击率的准确率不仅可以让用户的体验更好,也会给广告平台和广告主更多益处。尽管目前采用深度学习的点击率预测模型已经达到了很好的成效,但是依然存在一些问题,如缺乏特征交互的多样性和高维空间的特征交互等。为了解决这些问题,本文提出两种新颖的模型,具体研究内容如下:为了增强特征交互的多样性,对广告点击率预测的准确率做出提升,本文提出了基于多种特征交互的点击率预测模型（EDIF）。首先,该模型在嵌入层为每个特征学习多个不同的嵌入向量,增强了特征之间的相关性;其次,该模型使用压缩激励网络层动态的学习特征交互的重要性;最后该模型还并行地引入了二阶交互层和显式高阶交互层,同时学习到多种特征交互。虽然EDIF模型充分学习到了低阶特征交互和非线性的高阶交互,但是却忽略了嵌入向量不同维度之间的交互关系,因此本文提出了基于特征相互作用和通道注意力的点击率预测模型（Fi CANET）。首先,该模型将嵌入向量进行外积,充分学习到嵌入向量不同维度之间的交互关系;其次,该模型中的通道注意力机制层通过卷积操作可以学习特征的局部信息和高维空间的特征交互;最后,该模型中的高阶交互层使得模型学习到特征更深层次的交互关系。本文在Avazu和Criteo这两个公开的数据集上对EDIF模型和Fi CANET模型进行了大量实验,结果显示本文的模型效果相较于最新的模型具有很大优势。