点击率（Click Through Rate,CTR）预估是商业推荐系统中的一个重要任务,其关键是特征交互。精准的预估用户对广告的点击率能够为广告平台创造巨大的效益,为广告主带来即时点击并提升影响力,为用户提高服务质量。然而,由于特征交互极为复杂灵活,且真实场景的点击数据中的广告存在冷启动问题,建模有效的交叉特征极具挑战。本文针对点击率预估问题进行分析与研究,结合数据中的特征信息和域信息进行建模,分别提出两种图神经网络模型对点击率进行预估。第一阶段,为了显式建模域对特征交互的影响,提出一种域感知的图神经网络模型（Field-Aware Feature Interaction via Graph Neural Network,FAFI-GNN）。模型首先经过表示层得到特征表示和域表示;然后以特征为节点,构建全连接的特征图,同时为了建模域对特征交互的影响,设计了域感知的邻接矩阵计算模块,根据域信息计算特征节点交互的强度;接下来通过门控图神经网络多次迭代得到高阶的交叉特征;最后通过注意力机制筛选有效的交叉特征进行融合,并将融合结果输入预估层进行最终预测。第二阶段,考虑到真实业务场景的数据中存在冷启动问题,构建多个粒度的特征以丰富信息。在FAFI-GNN的基础上,提出动态融合多粒度特征的图神经网络模型（Dynamic Merge of Multi-Granularity Feature via Graph Neural Network,DMGF-GNN）。FAFI-GNN模型建模了特征级别的交互,此为细粒度的特征,在此基础上,DMGF-GNN构建粗粒度的特征提取模块,通过图神经网络从域信息中抽取粗粒度特征,来补充有效信息从而提升模型性能。此外,为了捕获用户对域信息的偏好,设计了交叉引用模块,细粒度的特征图和粗粒度的域图交叉引用彼此的信息计算邻接矩阵,既显式捕获了域对特征交互的影响,又实现了个性化建模粗粒度特征。最后构建基于注意力机制的融合层将不同粒度的特征动态融合以预估点击率。本文将FAFI-GNN模型与DMGF-GNN模型在两个公开的数据集上进行了实验评估,两个模型的AUC指标性能明显优于其他前沿方法,证明了两者的有效性。DMGF-GNN模型融合了粗粒度和细粒度的特征,捕获的信息更丰富,其预测准确性高于FAFI-GNN模型。