随着互联网的高速发展,网络广告市场规模迅速扩大,展示广告成为了最受青睐的宣传手段。精准的广告推荐是互联网平台收益的保障,而准确的广告点击率预测是精准推荐的前提。根据广告平台的更新速率、实时性等要求,广告推荐技术可以分为线下和线上两类。线下广告推荐技术主要基于构建数学模型,通过模型挖掘用户、商品特征之间的复杂关联;线上广告推荐技术主要基于用户的实时反馈,通过收集反馈信息,即时改变推荐策略。本文对线下及线上两类广告推荐技术进行了研究,主要研究贡献及创新如下:（1）Movielens数据挖掘分析。基于张量分析法,对Movielens数据集中用户及电影的原始高维特征进行处理转换,生成适合在线推荐系统应用的低维特征数据集。基于T-SNE（Tdistributed Stochastic Neighbor Embedding）降维技术,对数据集进行可视化工作,发现用户反馈同商品特征之间呈现复杂关系,传统在线推荐算法如Lin UCB算法提出的广义线性模型无法拟合此类复杂的反馈交互情况。（2）针对线下广告推荐技术,提出了基于注意力机制和神经网络的广告点击率预测模型,称为CAN（CTR prediction algorithm based on Attention Machine and Deep Neural Net Works）。针对传统模型缺乏挖掘高阶特征交互的能力,该方法采用深度神经网络对原始特征进行训练,提高了模型对特征之间非线性关系的拟合能力。然后,为了缓解神经网络训练困难的问题,该方法提出通过注意力机制在神经网络层前构建低阶特征交叉层,相较原始特征,该方法为神经网络层提供更为丰富的特征交互信息。该方法经Movielens和Criteo数据集上仿真实验证明在Logloss、AUC（Area Under Curve）两项指标上优于FM（Factorization Machine）、PNN（Product-Based Neual Networks）等传统的方法。（3）针对线上广告推荐技术,提出了基于高斯过程的实时推荐算法。针对传统Lin UCB系列在线推荐算法假设商品特征和用户反馈之间为线性关系从而带来的普适性问题,提出了利用高斯过程刻画两者之间的关系。高斯过程为无模型的算法,将具体函数转换为分布表示,能够拟合各种复杂函数关系,从而能够解决具体函数假设在各类环境中的普适性问题。针对推荐系统常见的探索-利用问题,提出了基于上置信区间以及预期改进两种具体的推荐策略,分为称为GP-UCB（Gaussian Process-Upper Confidence Bound）、GP-EI（Gaussian ProcessExpected Improvement）。仿真阶段,提出了一种利用离线数据集模拟线上与用户实时交互的方法,并在该实验环境下,证明了两种推荐策略在累积遗憾值指标上优于UCB（Upper Confidence Bound）、Lin UCB等传统的方案。