大数据时代下,挖掘并利用海量用户数据实现更加精准和个性化的广告推荐和投放,已成为业界研究的热点。点击率预估是广告投放和推荐中的关键环节,直接影响着业务收入和用户体验,具有极其重要的商业价值。用户行为序列中隐含的用户偏好信息对点击率预估有着重要影响,当前针对点击率预估的研究多从建模特征低阶和高阶交互关系的角度出发设计模型,难以充分挖掘和利用用户历史行为序列中隐含的用户偏好信息。本文回顾和总结了前人在点击率预估问题上研究和探索的成果,并在此基础上,从建模用户偏好的角度出发,提出基于用户偏好网络的点击率预估模型,包括基于用户长短期偏好的点击率预估模型和融合用户漂移偏好的点击率预估模型,在两个模型中的主要研究工作包括:(1)针对用户偏好多样多维、局部激活的特点,提出一种挖掘用户长短期偏好的偏好提取网络。根据用户偏好的多样性将偏好划分为短期偏好和长期偏好,设计长短期偏好提取网络,基于用户历史行为序列同时学习用户短期偏好信息与长期偏好信息,并采用多头注意力机制刻画用户长短期偏好在不同子空间下细粒度、多维度的偏好特征。(2)针对真实场景中存在的用户偏好漂移问题,提出一种基于PAGRU单元的偏好漂移网络。借鉴上下文感知的序列推荐方法,将学习到的用户历史偏好信息视为一种特殊的上下文信息,提出并设计PAGRU单元对用户偏好漂移进行建模,通过偏好注意力门将历史偏好信息和行为序列信息深度融合到遗忘门、更新门、候选状态的生成中。(3)针对不同偏好特征对点击率预估贡献不同的特点,提出一种基于SE注意力机制的偏好融合网络。偏好融合网络通过设计的压缩结构和激活结构,建模多个偏好特征间的交互关系,基于SE注意力机制自适应地学习不同偏好特征对CTR预估的贡献度,获得偏好融合特征。在两个国际公开数据集上对本文提出的两种基于用户偏好网络的点击率预估模型进行实验,最终实验结果表明,本文提出的模型能够充分挖掘用户行为序列中隐藏的用户偏好信息,获得更加有效的用户偏好表示,相比其他对比的点击率预估模型,在AUC和模型相对提高度上取得了更加优异的表现。