随着互联网和电子商务的发展,在线展示广告(Online Display Advertising,DA)通过在网页中展示文本、图片以及视频等形式的广告,成为了企业进行商品推广的有效方法之一。图片广告点击率(Click-Through Rate,CTR)预估在展示广告的精准投放过程中具备重要的作用。一方面,点击率预估结果为有效提升用户体验、增强用户粘度提供了量化依据;另一方面,点击率预估是提高互联网广告营销效果的重要方法。目前,多数相关工作主要以文本、图片特征为依据,采用统计学习方法实现点击率预估。在这种情况下,图片特征主要依靠人工选择,耗时耗力而不一定会带来效果的提升。另外,各个特征相互独立,特征之间的关联性并未在点击率预测过程中得以充分体现。因此,如何在广告数据中快速有效地筛选特征,并充分挖掘特征之间的关联性成为了提高预估模型性能的关键因素。近年来,深度学习广泛应用于特征自动提取问题,并取得了令人瞩目的效果。本文基于深度学习技术对广告点击率预测模型展开相关研究,提出了一种面向图片广告的端对端点击率预测深度模型。具体来说,本文将图片广告特征分为图片视觉特征和基本特征两部分,并利用卷积神经网络从广告图片中快速有效地提取图片视觉特征;之后通过深度神经网络,挖掘特征之间的内在关联,从而更有效地提高点击率预估的结果。相比手工图片特征提取方式,我们的模型更加高效,且能充分挖掘特征之间的关联性,能够更加准确地预测图片广告的点击率。本文基于2017年某商业广告平台私有的图片广告数据集进行实验与分析。实验结果表明,本文提出的模型相对于目前主流的图片广告点击率预测模型,在大规模稀疏数据的情况下能够有效提高广告点击率预估的RMSE和MAPE指标,达到了预期的效果。