近些年来，互联网应用的内容传播与表现形式越来越多样化，面对多模态信息融合载体的推荐需求，需要机器学习模型从多种维度、综合利用多种技术对多模态内容进行足够细致的分析理解。特征组合是点击率预估任务中的重要问题，基于深度神经网络的点击率预估模型利用显式的特征组合结构，同时捕捉高阶和低阶的特征组合，从而取得了优异的效果。但是这些模型只关注于对原始类别特征进行组合，没有同时考虑组合特征表达的完整性以及组合特征的重要度。认为在多模态特征的推荐场景下，完整的特征表达和有效的特征利用对模型的影响更加明显。
　　首先，提出了基于特征重要度的差异化激活网络(Feature Importance and Dis-crepant Activation Network，FiDAN)，其中使用了差异化激活约束来提升不同特征之间的差异性，并且利用压缩激发网络自动地学习组合特征的权重，同时对特征向量进行差异化表达和重要度区分。之后，将基于特征重要度的差异化激活网络FiDAN与深度神经网络相结合，采用Wide&Deep学习架构构建了联合模型FiDeepFM，在不需要人工特征工程的情况下，能有效地学习显式和隐式的高阶特征组合。最后，分析了互联网推荐系统中常见多模态内容数据类型，整合了点击率预估场景下的多种特征抽取方法，提出了通用的多模态内容表征学习方法，该方法是一种可以适用于推荐系统、计算广告领域中绝大多数点击率预估任务的通用数据处理方法，具有很强的实践意义。
　　本文在公开数据集Criteo和Avazu上进行了实验，分析了提出的FiDAN网络内部结构对模型性能的影响，并且与其它模型进行了对比实验，结果表明本文提出的FiDeepFM模型在点击率预估任务上获得了显著的性能提升，证明了该模型在特征差异化学习和捕捉特征重要度两个方面上的有效性。最后，结合实际的抖音短视频推荐点击率预估的应用场景，验证了提出的多模态内容表征方法的有效陛。因此无论是在提升点击率预估模型性能的方面，还是在多模态信息理解的方面，本文的研究都有重要的价值和实践意义。