随着推荐系统的发展,点击率预估在目前的计算广告和推荐系统中都得到了广泛的应用,并且广告业务也是大部分公司的核心变现业务,广告收入是大部分互联网公司的主要收入来源,因此各大科技公司都在想方设法根据实际业务需求来研究提高点击率预估的准确率。目前推荐系统中的点击率预估使用较多的方法有基于浅层模型或者深度学习模型,其中浅层模型在特征方面直接使用低阶特征或者人工特征工程构建的低阶特征,特征维度之间相互孤立,无法发掘出其内部之间的关系。单纯的深度学习模型虽可以在较高纬度上实现特征之间的非线性组合,但同时也会丢失低阶特征中包含的信息。本次研究的目标是通过给定的推荐系统场景数据来优化点击率预估排序算法,利用浅层模型对低阶特征的提取以及深度学习模型对高阶特征的表达能力,同时结合两种特征的优点来挖掘出更多特征之间的关系,可以在一定程度上提高点击率预估的准确率。具体的,本次研究主要包含下面三方面的研究内容。第一,本次研究从推荐系统中排序模块的点击率预估定义出发,分析了推荐系统数据集的分布和特点并对数据集进行了预处理,此外,本次研究根据对推荐系统的认识和其在实际应用中的特性,提取了三类不同的特征。第二,本次研究使用了优化之后的因子分解机模型和深度神经网络相结合的方式对推荐系统场景下的数据进行点击率预测,并分析了他们的不足,并在神经网络模块使用dropout方法来降低训练过程中可能带来的过拟合问题。第三,本次研究在模型输入数据中加入了用户历史点击皮肤序列特征,以此来学习用户历史点击行为和待预测物品之间的关联,并单独设计实验对其有效性进行了验证。优化之后的点击率预估模型在输入法首页皮肤推荐数据的预测上运行稳定,并有效的提升了预测效果,优于现有的基准模型,在推荐系统点击率预估问题中可以得到很好的应用。