点击率(Click-Through Rate,CTR)预估是计算广告和推荐系统中一个重要且极具商业价值的问题。在这一问题中,数据大多数是以多类别结构化的形式存在。在经过One-Hot编码之后,数据变得稀疏而且数据的维度增大。为了构建一个机器学习模型来解决这一问题,有效地表示特征关联关系至关重要。由于数据稀疏性和模型优化问题,经典的点击率预估任务采用浅层的模型,例如逻辑回归、FM(Factorization Machine)。然而这类模型需要大量的特征工程来表示特征关联关系以提高预测效果,这样不仅需要专业人员花大量时间人工构建特征,而且构造过程需要很强领域知识而且整个过程不具有通用性。本文旨在对特征间的关联信息进行更好的表示,从而提高深度神经网络在点击率预估任务中的性能。目前,点击率预估模型表示特征关联关系的方式比较简单,忽略了不同关联特征对点击率预估结果的影响程度,以及未考虑特征关联关系的多维信息。因此,本文针对关联特征权重信息和多维特征关联信息,基于深度神经网络分别设计了不同的模型,以提高点击率预估的性能。1、在融合关联特征权重信息时,本文提出关联特征权重信息层来表示关联特征信息以及每一个关联特征的权重信息。关联特征权重信息层首先学习关联特征的权重向量,然后用权重向量的积来表示每一个关联特征的权重信息,这样方便后续进行矩阵运算并且有效地提高计算关联特征信息速度;2、在融合多维特征关联信息时,本文基于三维张量分解的方法,构建多维特征关联关系信息表示,其中三维张量的每一个二维矩阵切片表示一种关系。相对于传统的点击率预估方法,本文提出端到端的融合特征关联信息表示的深度神经网络方法能够极大减少人为构建特征工作量并且具有较好的预测效果。本文在点击率预估任务中,将模型与经典的基线模型进行对比评测。实验结果充分说明,关联特征中包含着丰富的信息能够帮助提高点击率预估任务的预测效果,同时也说明本文提出的融合特征关联信息表示模型能够充分利用以上特征间的关联信息,在实际数据集上取得了较好的实验结果。