随着信息互联网时代的快速发展及移动设备的大量普及,人们主流获取信息的方式逐渐从传统的报纸、新闻、电视等传统媒体向互联网及线上转化,越来越多的人通过手机、pad等移动设备接入公共网络,快速且高效的获取相关的信息。在信息内容的高度聚集及用户较好的粘性背景下,信息的商业化产生了巨大的价值空间。在流量既定的前提下,怎样尽可能地提升商业广告的变现效率即是本文研究的方向及重点。本研究将用户从开始访问信息到最终拨打电话的行为链条看成一次有效的连接转化,所有对转化效率有提升的因素和动作都会被分析,这些都是需要重点收集的行为数据,通过这些数据的统计和分析,并结合一系列的工具及方法,本研究希望能预测用户对当前广告信息的兴趣程度,帮助得到类似于这些问题的答案:“用户为什么浏览?”、“用户为什么购买?”,进而完成对已留存用户的“兴趣模型”训练。以用户的兴趣模型为基础,进行相关的商业广告信息的召回与排序,从而带来对广告变现效率的正向激励。本文重点研究和讨论用户行为对商业广告变现效率的影响。通过对用户行为数据定义、收集、挖掘及分析,结合特征工程及推荐平台,指导互联网商业广告变现效率的提升。本文研究的创新部分在于:1、研究基于完整的用户行为链条进行数据采集、分析和训练,这有别于基于用户单点行为或特征的分析思路,全链条行为的整体分析与互联网广告转化的生命周期完整契合;2、研究中提出单个特征变化对CTR变化率的研究;3、在模型训练部分,进行算法的融合,将基础算法的结果簇加入后续算法的特征中循环训练,以加快效果的收敛。