广告点击率预估模型用于预估用户对某个广告发生点击行为的概率。点击率预估模型具有重要的商业价值,其直接影响着在线广告业务的收入,提高点击率预估模型的准确率意味着提高企业的收入。为此,本文进行了如下的研究工作:(1)针对常用于点击率预估场景的特征提取算法没有充分地利用用户之间协同行为信息的问题,本文提出一种基于共现关系网络的特征提取算法。该算法能够利用用户的历史行为数据构造出一个无向带权网络,网络中的权值反映了用户之间的协同行为信息。随后利用网络表示学习的技术可以提取出网络中节点的特征表达。该算法对权值的定义方式存在优化的空间,于是本文进一步提出基于概率权值的共现关系网络特征提取算法。基于概率权值的共现关系网络特征提取算法将无向带权网络转变为有向带权网络,使得网络包含的信息更加的丰富、准确。实验结果表明,与目前常用于点击率预估场景的特征提取算法相比,基于概率权值的共现关系网络所提取到的特征能够使模型带来更高的准确率。(2)稠密特征通常是直接接入到点击率预估模型中的某一部分,这种做法没有充分利用共现关系网络所提取到的特征。本文提出一个模块——基于卷积神经网络的记忆网络,该模块在结合共现关系网络所提取到的广告特征后,能够从用户最近的点击行为中学习出用户所感兴趣的广告的特征向量。实验结果表明,常用的深度点击率预估模型在使用该模块后能够有效地提高预估的准确率。