随着互联网的高速发展,互联网广告在我们日常生活中扮演着越来越重要的角色,如何提高广告点击率（Click-Through Rate,CTR）预估的准确性是学界和工业界研究的热门领域之一,因为提高广告点击率预估的准确性不仅有利于提高广告主和出版商的收入,还可以提高用户体验。因此,研究如何提高点击率预估的准确性是有意义的。本文以提高广告点击率预估的准确性为目标,在分析了业界三种经典模型——逻辑回归（Logistic Regression,LR）模型、梯度提升决策树（Gradient Boost Decision Tree,GBDT）和逻辑回归融合模型、因子分解机（Factorization Machine,FM）模型的实验结果后,考虑到单一的点击率预估模型针对性不强,借鉴“分而治之”的思想,本文提出先对用户和广告进行聚类,然后在各聚类簇上建立广告点击率预估模型的方法,该方法认为同一个聚类簇代表了一种用户特征和广告特征的匹配模式,在同一聚类簇内,用户特征和广告特征协同作用,共同对最终的广告点击行为产生影响。该方法主要分为四个步骤:首先,采用亚组分析的方法识别出总体中存在的异质群体的数目,以此指导聚类数目的设定。本文推导出了二分类场景下的亚组识别算法,并通过这种有监督的学习方式来指导无监督的聚类方法中聚类数目的设定。然后,使用基于Jaccard距离的层次聚类方法进行聚类。接着,在每个聚类簇上建立点击率预估子模型。最后,将各子模型上的预测结果进行加权求和得到最终的广告点击预测概率。本文在真实数据集上进行实验,实验结果表明,本文提出的方法能有效提升广告点击率预估模型的预测性能。