在当今互联网时代,智能手机的使用越来越普及,移动APP广告因为其移动、互动和受众面广等特性受到很多人的青睐,成为互联网广告领域的重要分支。一般地,可以用广告点击率来看某条广告投放效果的好坏,但对于广告主而言,转化率与其收益有着更直接的关系,因此,对广告转化率预估的研究有着很强的实际应用价值。但由于数据高度稀疏等原因导致目前对广告转化率预估的研究效果没有很好。根据以上描述的情况,本文通过对用户、广告以及上下文信息的分析,利用机器学习算法和神经网络结构建立预测广告转化率的模型,并提高转化率的预测精度,具体内容如下:首先,对广告转化日志数据和外部特征文件进行数据清洗以及特征处理一系列操作,分别建立逻辑回归模型,因子分解机模型和DeepFM模型进行预测,通过实验结果可以得出DeepFM模型预测效果最好,因为其不仅包含了因子分解机模型中对二阶特征的交互作用,还可以对高阶特征进行组合。为了提升模型预估结果的准确度,又对模型做出改进,主要是对原始特征数据进行挖掘,提出了从用户、APP和历史转化率三个角度的特征构造,并把新构造的特征和原始数据特征融合得到新的训练集和测试集,从而建立上述三个模型进行预测,从实验结果可以知道在经过特征提取的改进后,模型预测精度有所提升,DeepFM模型仍然是预测性能最好的。