科技的进步为互联网提供了迅猛发展的基础,互联网的发展为不同行业提供了更多的机遇和信息财富。在这个被数据包裹的时代中,网民每时每刻都在产生信息数据,例如页面浏览记录、购物记录、点击记录等,从互联网所产生的海量数据中挖掘出有利于用户和互联网服务行业的信息至关重要。电商平台精准推送出用户喜爱的广告产品能够为用户带来良好的购物体验,以及为广告商带来丰厚的收益。点击率预估是推荐系统中一个关键的技术要点,如何精准预估出用户点击某事物的概率一直是工业界和学术界热门的话题。深度学习在解决点击率（CTR）预估问题上有良好的效果,但近年来所提出的点击率预估模型依然存在不足。本文研究对比各类流行的点击率预估模型,提出了一种更加新奇有效的Attention＆DeepFM模型,并通过实验验证出模型的有效性。本文主要研究内容如下:（1）本文对两大公开数据集Amazon（Beauty）数据集和beer＿reivews数据集进行数据处理,将数据按时间重新构造成用户历史行为序列,并根据新序列划分训练集、验证集、测试集。（2）研究当下各种流行的点击率预估模型以及其衍生模型进行实验分析,对比各模型的优势与不足明确研究方向。深度兴趣模型学习能力强,不需要复杂人工特征工程,但用户行为序列信息利用不充分,各模型忽略了用户兴趣的动态变化,且低阶、高阶特征信息往往没有兼顾利用。本文探讨并研究一种兼顾低阶、高阶特征交互信息和提取用户兴趣的点击率预估模型。（3）提出Attention＆DeepFM模型。本模型结合了流行模型的优点,规避了不足。模型通过Embedding层将原始高维稀疏映射为低维稠密向量,再分别输入FM模型和改进深度兴趣模型,最后通过多层感知机输出点击率预测结果。改进深度兴趣模型引入了注意力机制能够充分提取用户历史行为序列中的兴趣点,并利用GRU网络学习出用户的兴趣演化过程。此外,针对互联网用户原始数据特征高维且稀疏的特性,模型融入FM学习低阶特征交互信息,并利用深度神经网络学习高阶特征交互信息,可以很好优化点击率预估模型性能。（4）通过Amazon（Beauty）数据集和beer＿reivews数据集两大公开数据集进行实验,实验结果表明Attention＆DeepFM模型由于能够提取用户兴趣、学习用户兴趣演化过程和学习低阶、高阶特征交互,它的预测性能明显高于其他对照模型。