随着互联网技术的快速发展,在线广告系统已成为各个互联网公司的重要收入来源。广告曝光预估是在线广告系统比较重要的一个环节,其为广告主提供未来的广告曝光效果参考,通过这个预估参考,广告主能避免盲目的优化尝试,降低试错成本。计算广告的难点在于首先数据量大且数据维度非常高,并且不同特征之间相关性很高。因此,如何快速处理高维数据以及自动做特征交互是解决问题的关键。在计算广告领域常用的深度学习模型基础上,提出了一种新的神经网络结构。首先,针对计算广告数据特征高维稀疏、特征间高度交互等特点,引入融合因子分解机和注意力机制模块,以有效获取高纬度稀疏特征的低阶交互关系。将用户的曝光记录作为语料库使用Word2Vec方法做词嵌入,将训练后得到的向量直接输入深层网络部分。同时,在深层网络部分使用批标准化,加大网络层数,提高特征交互的阶数。改进模型的主要优点有三个。第一,考虑了不同组合特征重要性不同之后,引入了注意力机制为不同组合特征赋予不同的权值,提高了模型的表达能力。第二,使用批标准化,加深深层网络部分,引入高阶特征交互。第三,采用Word2Vec方法得到嵌入向量相比于直接使用,提高了模型的运算速度和效果。最后采用腾讯2019广告算法大赛数据,对改进模型和其他模型进行实验验证。实验结果表明,改进模型相比于Light GBM模型在均方误差指标上降低了3.7%,并且运算速度提高了54.1%。实验验证了改进模型的有效性和可行性。为了进一步提高模型的预估准确率,采用了一种基于模型融合的广告曝光预估方法。实验结果表明,模型融合的方法相较于改进模型在均方误差指标上下降了0.7%。