当今互联网广告的投放的主流趋势为“精准化”投放,智能营销平台积累了海量的广告数据和用户数据,如何有效利用这些数据去预测用户的广告点击概率,是大数据应用在精准营销中的关键问题。本文主要基于特征工程和模型构建两个方面,构建展示广告点击率预测模型,对广告主实现精确投放、广告媒介追求利益最大化及提高用户上网体验具有重要的指导意义。特征工程阶段。首先,对广告数据进行一系列可视化的探索性分析,具体通过饼图、堆积图、箱线图和柱形图等,直接观察数据集结构和特征,初步验证不同类别特征的点击率分布存在显著差异。接着,对不同类型特征进行数据清洗、特征规约和特征变换等处理,有效降低数据噪音。最后,从特征选择、特征提取和特征构造三个方面,对广告素材信息、用户信息、上下文信息以及媒体信息等多源特征进行融合提取,获得大量有效的特征集数据,为之后的机器学习算法能够达到更佳的性能提供可靠的基础。模型构建阶段。首先,分别使用原始数据集、通过特征工程处理得到的数据集,依次训练Logistic回归、XGBoost模型和LightGBM模型这三个单一算法模型,通过比较LogLoss和AUC,得到基于特征工程的LightGBM模型的预测效果最好。接着,基于Stacking集成思想,提出预测展示广告点击率的多分类器融合模型,通过真实的广告投放脱敏数据,得到在LogLoss和AUC方法评估中均明显优于以上单一算法模型,充分验证了本文模型的有效性,对展示广告点击率的应用研究有一定的扩展意义。