伴随着互联网领域技术不断的进步革新,各种互联网应用出现在人们的生活中,并逐渐变得不可缺少。而互联网广告依托互联网应用这个载体也就此诞生。能否精准地了解用户喜好并预测互联网广告的点击率成为了当前研究的热点之一。广告点击率通常是预测用户点击某条广告的概率。广告技术中最重要的算法之一就是通过对广告点击率的预测进而找出用户最有可能点击的那条广告。广告点击率关系着广告的排序以及相应的点击付费等方面内容,因此良好的广告点击率预测模型可以为广告平台带来较高的点击付费收益,为商家提供有关产品优化及预算制定等方面的理论支撑,并且也能更准确地迎合用户的喜好,带来更加便捷的上网体验。展示广告作为互联网广告的一个类别,随着技术的更迭发展迅速,在互联网广告的市场中有着较大的市场份额。本文以淘宝展示广告数据集为例,利用了Bagging、Boosting和Stacking三种集成学习方法对点击率预测,并整体学习了数据处理、特征编码、特征组合和集成学习等理论内容。本文主要研究Bagging中的随机森林,Boosting中的XGBoost,并在集成学习中结合将前两个模型、FM算法和神经网络结合进行点击率的预测。第一部分是数据的分析和处理。在已有的数据集上进行可视化和预处理,从样本正负比例、不同时期、用户角度和广告角度进行可视化分析;数据处理主要是包括针对缺失值插补、时间戳转换、数据标准化以及数据采样四个方面进行分析处理。第二部分是特征的处理。由于数据集中特征大部分都是类别特征,可以使用标签编码和独热编码两种方式,但因为本数据集中包含了大量ID类特征,因此为了挖掘出ID类特征更多的信息,采用了Word2vec编码方式。之后将编码过的特征放入GBDT模型中进行自动的特征组合。第三部分是模型的处理。本文实现了Bagging集成学习（随机森林模型）、Boosting集成学习（XGBoost模型）和Stacking集成学习（FM模型、随机森林模型、XGBoot模型和BP神经网络）,其中Stacking集成学习采用5折交叉验证生成次级训练集和测试集,保证数据的不重复性。最终的实证结果表明,通过使用本文选取的数据集,在点击率预测的准确性上,Stacking集成学习优于其他两种集成学习方式,其AUC值和Logloss值都明显优于其他两种集成学习方法;但在模型计算时间和特征重要性分析方面,随机森林和XGBoost模型不需要进行两层分类器的构建,并且还可以输出数据中重要性高的特征,更加节省时间并且有助于将点击率预测和业务场景结合,优于Stacking集成学习。