作为推荐系统、在线广告等领域的核心研究方向,点击率预测受到了学术界和工业界的广泛关注。近年来,随着深度学习技术的火热,许多的互联网公司和相关研究机构在将深度学习和传统点击率预测模型相结合的方向上做出了一系列的优秀研究成果。本文通过对已有的点击率预测模型进行总结和分析,发现大多数模型在交叉特征提取机制上存在着缺陷与不足,尤其是没有考虑到特征之间相关性信息和重要性权重的挖掘。针对上述问题,本文根据点击率预测的数据特点,在自然语言处理领域广泛应用的自注意力机制、层次注意力机制等基础上,创新性地提出了一种可以高效挖掘特征之间相关性的多态注意力机制。而后结合推荐系统、自然语言处理等领域的模型结构,本文基于多态注意力机制提出了可以显式构造交叉特征的多态注意力网络。同时基于推荐系统领域的宽度和深度联合学习模型的设计思路,巧妙地结合多态注意力机制和自注意力机制的优点,本文又提出了一种多态自注意力网络模型。并且在此基础上引入深度神经网络分别构建了两种深度点击率预测模型。本文提出的模型经过在多种数据集上进行对比实验验证,在模型性能、计算开销、可解释性等方面具有一定的优越性。实验结果表明,本文提出的点击率预测模型在性能表现上相较于其他对照模型均有明显的领先;在计算开销方面,本文提出的模型在实现较好性能表现的情况下参数量更少,运行速度更快,整体计算效率相较于对照模型有很大的提升;并且本文模型可解释性更好,适合实际的生产环境。