广告点击率是广告点击与广告展现的比率,用来衡量一条广告被用户点击的可能性,其作为互联网广告投放的一项重要指标,准确性尤为重要。精准地预估每条广告被投放后可能会被点击的概率,会影响用户、广告主和广告公司三方的利益。因此,提升点击率预估的准确性,已经成为了各大企业在内容推荐、在线广告等领域最为核心和关键的研究课题。在线广告系统中,为了提升用户体验同时最大化平台方的流量价值,要求点击率预估模型能够精准识别用户兴趣,充分利用用户偏好。在线应用中,用户的兴趣偏好可以通过用户历史行为来进行提取。因此,针对用户历史行为序列的点击率预估模型的研究也得到了越来越广泛的关注。本文深入研究了近年来主流的点击率预估模型,并在此基础上提出了一种基于注意力机制的点击率预估模型,具体工作如下:（1）由于点击率预估问题中的特征数据存在高维、稀疏、多类别的特点,人工特征组合费时费力,本文提出的模型是一种基于深度学习的点击率预估模型,能够自动学习输入特征的高阶特征交互。（2）对于用户历史行为序列的利用方面,本文设计了专门的机制处理用户历史行为,引入Pre-LN Transformer结构来分别挖掘用户历史行为中的用户历史点击行为、用户历史未点击行为和用户历史喜欢行为中的潜在关联,该结构中的多头自注意力机制可以很好地捕捉用户多样化的偏好。同时,该机制将点击行为和喜欢行为这种正反馈作为指导,从用户未点击行为这种隐式负反馈信息中补充用户的正向偏好,提升模型的效果。（3）仅仅对用户行为序列建立的模型,当用户行为序列较少时,模型往往得不到很好的效果。本文提出的基于正负反馈的细粒度多交互注意力网络模型不仅考虑了用户历史行为类特征,还综合考虑了用户信息和上下文信息这些细粒度信息与候选广告进行特征交互,同时引入了注意力机制来实现低阶特征和高阶特征之间的交互。最后通过实验证明,本文提出的基于注意力机制的广告点击率预估模型能够提升点击率预估的效果。