点击率（Click-Through-Rate,简写为CTR）)预估是通过获取用户与待点击对象的特征及交互数据,分析用户是否会对这一点击对象产生点击行为。CTR预估的应用场景广泛,在电子商务、推荐系统等热门领域内均被视为核心问题,也展现出了巨大的商业价值。CTR预估的主要挑战来源于:在实际业务场景中,信息内容的特征具有高度稀疏和特征来源广泛的特点,这导致传统分类问题的解决策略在CTR预估问题上难以保证效率和精确度。近年来,对特征之间的关联性研究和自适应特征提取已成为深度学习领域的热点问题,这为CTR预估问题的研究也提供了新的思路。本文通过对CTR预测机制展开研究,在CTR预估问题解决流程中的特征处理这一环节上进行了优化,结合聚类算法、卷积神经网络等技术,提出了两种自适应特征提取模型。模型一通过聚类算法对样本之间进行关联性的计算,并借助树结构完成自适应特征的生成;模型二借助卷积神经网络对局部特征进行关联性的计算,再捕获全局特征并输出自适应特征。此外,两种模型生成的新特征还将与原始特征结合,输入至分类模型,从而实现一套完整的点击率预估机制。为了验证本文所提模型的有效性,我们采用多种分类预测模型,包括逻辑回归（LR）、因子分解机（FM）、梯度提升回归树（GBDT）、多层感知机（MLP）,在两组公共数据集上,包括MovieLens、Cretio,对比加入所提特征前后两种情况的预测性能。其结果显示本文提出的两种特征提取模型均能够提取到关键信息并生成为预测结果带来提升的自适应特征。具体地,本文主要工作如下:（1）基于聚类算法和树结构研究了一种自适应的特征提取模型。使用聚类算法对特征之间的关联性进行计算,然后根据样本之间的关联性生成一棵树,通过制定编码规则从该自适应生成的树中提取出新特征。（2）借助卷积神经网络提出了一种自适应特征提取模型。通过卷积神经网络完成对相邻特征之间的高阶交叉计算和全局特征的捕获并输出,从而完成自适应特征的生成。（3）将原始特征与本文所研究的自适应特征结合作为输入,传入分类预测模型,形成一套完整的CTR预测机制。（4）为了评估本文所提出的两种自适应特征提取技术,在实验部分我们采用多个分类模型,包括LR、FM、GBDT和MLP,在两组开源数据集上,包括MovieLens数据集和Cretio数据集,分别计算加入这些特征前后两种输入的性能。此外,本文对所提模型的关键参数的敏感性也进行了分析。