随着程序化购买的模式日渐清晰与需求日益增大,需求方平台（DSP Demand-Side-Platform）发展非常迅速,近年来市场规模每年已达数百亿元,广告点击率预测作为需求方平台的核心技术之一,对提升需求方平台的竞争力起着关键作用。本文立足于DSP广告点击率预测的具体场景和需求,通过查阅大量相关文献,对点击率预测模型进行了深入分析,研究了谷歌、微软、脸书等大公司在广告点击率预测问题上采用的方案,重点参考了脸书提出的梯度提升决策树组合逻辑回归的模型^[1],把逻辑回归替换为基于特征列的因子分解,得到一个新的预测模型:梯度提升决策树和基于特征列的因子分解的组合模型。通过梯度提升决策树对连续特征及选择性对部分原始特征进行转化生成新特征,很好地进行了特征组合并且避免过度拟合,而基于特征列的因子分解模型通过分解成多维空间,使模型的精确度更高。其次在庞大特征空间的问题上,针对单个特征采用卡方检验进行特征选择,以过滤一些对训练没有帮助的特征,从而降低特征空间以及提高训练数据的质量;同时使用散列技巧对卡方特征选择的结果进行降维,以达到一个在具体实现中可接受的量级。本文同时基于计算框架Spark对这一模型进行了实现,把整个实现过程分为4部分:梯度提升决策树部分对连续特征和部分类属特征进行特征组合生成新特征;基于特征列的因子分解预处理一阶段对连续特征进行压缩处理;而预处理阶段二实现卡方特征选择及散列技巧;最后将前3部分的特征合并对基于特征列的因子分解模型进行训练。大部分算法的实现都是基于Spark MLlib库,如梯度提升决策树、卡方特征等;而基于特征列的因子分解的算法实现借助于第三方扩展库。最后通过实验和其它几种常用模型的对比,论证了本文模型的有效性。