互联网大数据具有典型的高维、高阶，以及非线性特征，现有点击率数据预测方法往往难以有效处理数据特征的复杂耦合、以及稀疏与类别的不均衡问题，为解决上述问题，提出了一种高阶深度分解机预测方法。在高阶分解机设计中，考虑到点击率的二分类特性，采用函数把输人数据映射至输出结果的二值类上，并利用损失函数求偏导对模型变量进行梯度更新。为了优化模型的复杂度及其多阶性能，对映射二次项采取转换，并推广至三阶映射模型。最后，设计了单层与多层构成的深度网络，根据的对称性与偏置训练样本集，利用弥补的无监督学习。并在梯度计算时引入对比散度用以优化网络训练速度。在神经网络层采用机制用以避免网络发生过拟合。仿真结果表明，高阶深度分解机预测方法具有良好的和指标性能，能够有效提高高阶点击率大数据的预测准确度与预测速度。
