在线广告作为互联网产业的两大收入来源之一,近些年伴随着智能手机和网络的普及,其市场规模在不断的扩大,预计在2022年将突破万亿大关。对于这样一个庞大的市场,任何一点策略上的优化、提高都将带来可观的收益增长,对行业的良性发展也有重要的作用。广告点击率预估作为广告投放的核心技术之一,其通过对海量数据的研究,发掘广告与用户之间的潜在联系,从而提高广告推荐的准确性,在指标层面就是广告点击率的增长。而广告点击率的提高可以直接带动后续转化的提高,从而给媒体平台和广告主都带来良好的收益,使整个业务模式实现良性运转。广告点击率预估实际上是一个二分类问题,对于二分类问题已经有丰富的业界研究历史和案例,本文在梳理了广告点击率预估模型原理的基础上,结合具体业务场景提出了具有创新性的深度学习融合模型,并通过实验结果验证了模型的优越性。具体的实施过程如下:（1）对比研究现有模型,发现每种模型都有其擅长和不擅长的部分,在这种情况下,本文尝试融合模型的思路,使用了 Wide＆Deep框架,创新出了 Attention Product Factorization Machines（APFM）模型,在给与不同特征不同的权重的情况下,又能学习丰富高阶特征。可以有效的将低阶特征处理和高阶特征处理融合起来,使得新的模型的表达能力和可扩展性都有很大的提升。（2）避开节日的影响选取了 10天的样本数据,根据数据量划分了训练集和测试集。然后根据业务需要和普遍经验选取了实验需要的特征,并对类别特征和数值特征进行不同的处理。（3）实验设计和结果分析,对比了 7组不同的模型效果,包括两组机器学习模型和5组深度学习模型,可以看到本文创新模型在实验效果上的提升,体现出了融合模型的优势。最后对实验参数设置进行分析,并在此基础上对参数进行优化,进步一提高模型的表达能力。（4）最后对本文进行总结,并给模型的整体优化提出了方向性和建议。