1.一种基于多模块联合学习的点击率预估方法，其特征在于，包括：
2.如权利要求1所述的基于多模块联合学习的点击率预估方法，其特征在于，所述低维稠密特征向量为a(0)，a(0)＝[e1，e2，···，ei，···，em]；
3.如权利要求1或2所述的基于多模块联合学习的点击率预估方法，其特征在于，所述将所述二阶交叉特征向量输入至注意力网络得到各所述二阶交叉特征向量的注意力权重，包括以下步骤：
4.如权利要求3所述的基于多模块联合学习的点击率预估方法，其特征在于，所述二阶交叉特征向量为(vi⊙vj)xixj，所述一阶线性特征向量为vixi；
5.如权利要求1或2或4所述的基于多模块联合学习的点击率预估方法，其特征在于，所述将所述低维稠密特征向量依次输入特征交叉池化层和深度神经网络中处理后，输出深度处理结果ydeep，包括以下步骤：
6.如权利要求5所述的基于多模块联合学习的点击率预估方法，其特征在于，所述交叉向量f交叉(vx)的计算公式为：
7.如权利要求1或2或4或6所述的基于多模块联合学习的点击率预估方法，其特征在于，所述将所述第一融合向量依次输入全连接层与sigmoid函数进行点击率预测，得到点击率预估值，包括以下步骤：
8.如权利要求1或2或4或6所述的基于多模块联合学习的点击率预估方法，其特征在于，还包括以下步骤：
9.如权利要求8所述的基于多模块联合学习的点击率预估方法，其特征在于，所述评估指标采用auc和logloss函数，其中，当auc越大，logloss越小表明模型性能越好。
10.一种基于多模块联合学习的点击率预估模型，其特征在于，采用如权利要求1至9任一所述的基于多模块联合学习的点击率预估方法，所述点击率预估模型包括：