点击率预估是广告系统中的核心模块,在搜索引擎、视频网站、购物网站、生活服务类等大型网站中有着大量的应用。准确的对点击率做出预估对于增强广告主的营销效果,增加广告平台的广告收益,提升用户体验有着重要的作用。常见的应用模型包括逻辑回归、因子分解机等线性与非线性模型。深度学习具有强大的数据拟合能力,已经在多个领域取得较大进展,本文设计了基于特征域的深度学习方法来处理点击率预估问题。通过介绍传统模型在点击率预估问题上的应用,分析了传统模型的一些局限与不足,从而引入了深度学习方法。点击率预估问题中的数据处理后通常具有高维稀疏特性,难以直接作为到神经网络的输入,从而难以在深度学习中得到有效的训练。通过对所有特征按照不同特征域进行划分,不同特征域的稀疏数据输入对应着不同的全连接单元。各个全连接网络单元将稀疏数据输入映射到固定数量的输出神经元,这些输出神经元与从数据集中新构建的特征一起作为整个深度学习网络的真正输入。基于特征域的深度学习模型在Kaggle平台的公开数据集上进行实验,并与逻辑回归模型和因子分解机模型等基准模型进行比较,实验结果表明,基于特征域的深度学习效果要明显优于上述基准模型,可以有效应用到点击率预估问题中。