随着无线通信技术的飞速发展,以智能手机、平板为代表的各类智能化移动终端的不断普及,移动互联网广告行业得到了迅猛的发展,尤其是移动短视频广告。短视频偏好率(Like-Through Rate,LTR)是衡量企业移动短视频进行广告投放效果的重要指标。通过对移动短视频广告的分析和预测,不仅能够让用户浏览到自己喜欢的视频,改善用户体验,还能辅助广告主合理使用预算,将广告精准传递给目标人群,同时提高移动媒体的网站收益。近年来,点击率和偏好率预测等相关问题的研究已取得很大的进展。目前工业上应用最广泛的预测方法是逻辑回归(Logistic Regression,LR)。LR具有简单、易于实现大规模实时并行处理等优点,然而,线性模型的学习能力有限,无法捕获高阶特征所携带的信息,从而限制了LR的预测性能。而短视频用户偏好率预测往往面临数据量大,数据特征维度多,数据多主题等问题,如何从不同主题、不同特征维度及特征组合中获取有价值的高阶信息对于短视频提升广告平台价值是非常重要的。基于上述问题,本文的主要研究内容如下:(1)对目前经典点击率预估模型LR、GBDT、FM及变体XGBoost、FFM进行研究,通过对比分析优劣。基于Facebook提出的GBDT+LR融合模型的思想,提出XGBoost+FFM融合模型,进一步提升融合模型整体非线性学习能力,进而提升短视频用户偏好率预测效果。(2)为了充分利用短视频广告的多主题性质,设计并实现了基于主题模型的短视频偏好率预测模型。先利用LDA对短视频标题进行建模得到短视频主题分布,然后利用主题分布对原始数据集进行分割,接着在不同主题下的数据集上,利用融合模型进行建模,最后利用合成策略将子模型集成得到最终的预测。这使模型可以学习到不同主题的特征组合对结果的影响,从而提升模型的学习能力。(3)本文以互联网公司Bytedance的短视频数据为分析对象对模型进行验证,通过多组实验结果对比分析,证实基于融合模型的短视频偏好率预测模型和基于主题模型的预测模型相较于基线模型有较好的预测效果。