随着计算信息领域的发展,计算广告转化率预测技术受到了越来越多研究者的关注与重视,同时因素空间理论在智能信息分析与处理领域处于不断发展的状态。基于因素空间理论的计算广告转化率预测是一项有深度和意义的研究,本文着重研究计算广告转化率特征提取与混合堆叠预测模型问题,取得主要成果如下:首先,本文介绍了计算广告转化率的特征基础信息、数据清洗,初步分析了数据特征,剔除无效或弱表达数据。通过数据可视化分析缩小后期特征组合方式的选择范围。其次,针对如何加强特征表达的问题,首次将基于因素空间理论的特征提取方法应用于计算广告转化率预测领域。选取5个数据特征做实验,成功提取出有效因素,然后通过特征重要性排序发现新特征比原特征具有更强的特征表达性。然后,针对基于因素空间理论的特征提取方法中的复杂目标寻优问题,本文提出了针对复杂适应度函数的因素遗传算法。该算法主要由因素空间理论和topsis思想为基础,把最具遗传性质的染色体放入到多种群遗传机理之中。实验证明在复杂适应度的环境下,因素遗传算法相对于多种群遗传算法具有更快达到最优迭代的效果。最后,针对计算广告转化率预测模型选择问题,介绍了有监督学习机制,比较XGB和LGB的算法优劣势。把XGB和LGB进行堆叠混合作为转化率预测模型,计算出对数损失值为0.0886468,并利用因素遗传算法解决模型的混合权重选取问题。