互联网不断渗透进人们的生活,改变着人们的生活方式。互联网平台通过预测推送恰当的广告给用户,最大程度吸引用户,增加用户粘性,在提升用户使用体验的同时,也为平台带来巨大商业价值。精准的广告系统,需要在较短的时间内对广告进行排序,将用户点击概率最大的几个广告推送给用户,衡量点击概率的指标,即广告点击率。精准的广告点击率预估能够将广告信息精准地推送给用户,降低流量和广告成本。近年来随着GPU运算性能的提升,深度学习技术在点击率预估中展现出了很好的效果。论文结合卷积神经网络和深度因子分解机,研究了基于多核卷积深度因子分解机的点击率预估相关技术。点击率预估中有用的特征交互总是稀疏的,为了能够在大量特征种类的情况下学习到有效却稀疏的特征交互,论文引入卷积神经网络来生成新特征,而深度因子分解机理论上能够学习到任意的特征交互。结合卷积神经网络和深度因子分解机各自的优点,论文提出了基于卷积神经网络的深度因子分解机模型。为了能够在卷积神经网络模块生成更为丰富的特征交互,论文进一步将卷积神经网络拓展为多核卷积神经网络,再与深度因子分解机结合,提出了基于多核卷积深度因子分解机的点击率预估模型。之后,论文对所提出的模型在多个数据集进行了点击率预估实验评价,实验结果表明这些模型能够有效提高点击率预估的准确率。综合相关技术,论文设计并实现了一个点击率预估系统,证明了论文研究工作的实用性。具体来讲,论文的研究内容包括以下四个方面。（1）分析总结了目前各类深度学习模型在点击率预估领域的优缺点和适用场景,结合现有的深度学习模型,提出了基于卷积神经网络的深度因子分解机模型。通过卷积神经网络生成局部特征,并将其重新组合生成新的特征,解决了在大量特征种类情况下难以学习到有效却稀疏的特征交互问题。由于点击率预估数据集中属性的排列顺序不影响其含义的表达,论文的卷积神经网络只使用垂直核。在此基础上,将卷积神经网络与深度因子分解机融合,深度因子分解机理论上能够学习任意的特征交互,以补充一些卷积神经网络未学习到的特征交互,从而提出了基于卷积神经网络的深度因子分解机模型DFMBCNN。（2）在DFMBCNN的基础上,为了能够获取更为丰富的新特征和更多有用的特征交互,论文对其进行拓展,将单核卷积神经网络扩展为多核卷积神经网络,使得在同一层内的新特征生成方面,具有更广的特征交互范围,从而能够生成更加丰富的新特征以扩展特征空间。再将其与深度因子分解机相组合,提出了基于多核卷积神经网络的深度因子分解机模型DFMBMCNN。（3）在三个大规模真实广告点击率数据集上进行实验对比,设计了多组实验以检验论文所提出模型的有效性。实验结果表明所提出的DFMBCNN模型优于传统模型,优化后的DFMBMCNN模型在准确率上取得了进一步的提升。通过实验,探索了多核卷积神经网络模块中卷积核数量与不同大小的卷积核组合对于模型性能的影响,确定了最优的卷积核数量和卷积核组合。（4）基于论文提出的DFMBMCNN模型,设计并实现了用于精准营销的广告点击率预估系统,根据相关技术在实际系统中的应用,验证了论文所提模型的有效性和实用性。