传单,报纸刊登,电视投放对于广告营销已是过去时。随着5G时代的即将到来,互联网广告早已占据主导地位。如何做到让广告主成功宣传,媒体平台彰显智能,用户愿意接受,将适合的广告推送给合适的用户。获取精准的点击率预估值,对其进行排序,依据结果进行投放,之后再次预估。在这样一个业务闭环中,可以提前知晓点击率的预测值是不可或缺的。广告变现是各大互联网巨头公司懒以生存的手段之一。无论在学术界还是工业界,点击率预估的相关算法研究都炙手可热。由于该问题的商业价值和可落地性让研究人员乐此不疲。本文站在媒体平台的立场上,模型实验效果在保证尽可能小的损失值的同时,提升对点击率的预测性能。具体主要研究包含以下四个方面:第一,广告相关数据天生具有稀疏性。不当的特征选择,不仅有过拟合的风险还会带来维数爆炸,内存溢出的可能。本文经过细致的数据分析,使用广告效果产生过程作为构建业务特征的依据。以训练较小维数的特征,来获得较好的预测效果。第二,实际业务场景中,新用户的出现随时都可能发生。这就会引发用户冷启动的问题。这类问题的解决策略在计算广告中少有涉及。本文通过改进推荐系统中基于人口统计信息学的方法。从正反两个维度,分别构建各个广告点击或未点击的人群特征表,将新用户的特征属性与之对比,算出粗略的点击概率值,用作冷启动相关特征。实验结果表明,该特征可以有效的提升各个对比实验模型的预测效果。第三,阅读经典模型的算法文献,借鉴前人的思想。本文提出新型网络结构PdeepNFM模型。该模型受宽度和深度模型启发,是一种“深度+深度”的并行网络结构。从输入层到Embedding层实现降维,在分别输入到Bi-Interaction层和Product层,进入各自的隐藏层后,构造出相对的低阶和高阶特征。通过Sigmoid函数进行映射,输出点击率预测值。两侧模型联合训练,特征互相弥补。实验结果表明,本文提出的新模型在AUC和Logloss两个评价指标中均优于其他对比实验模型。第四,验证新模型在不同优化器,激活函数,Dropout保留比例下的预测性能,皆符合基础理论特性。在此基础上,将模型所使用的连续型特征送入梯度提升决策树中进行训练,分裂后的特征和原来的类别型特征进行拼接后送入新模型中。实验结果表明,该优化方法可再提升1.84%的AUC和降低0.85%的Logloss。