Die Vorhersage des Klickdurchsatzes (CTR, Click-Through Rate) ist eine entscheidende Aufgabe in Online-Werbungssystemen. Ein großer Teil der Forschung betrachtet jedes Werbeelement unabhängig voneinander, ignoriert aber dessen Beziehung zu anderen Werbeanzeigen, die den CTR beeinflussen können. In dieser Arbeit untersuchen wir verschiedene Arten von Nebenwerbeanzeigen, um die CTR-Vorhersage des Zielwerbes zu verbessern. Insbesondere erforschen wir Nebenwerbeanzeigen aus zwei Perspektiven: einerseits aus dem räumlichen Bereich, wo wir die kontextuellen Werbeanzeigen berücksichtigen, die über dem Zielwerbe auf derselben Seite angezeigt werden; andererseits aus dem zeitlichen Bereich, wo wir historisch geklickte und nicht geklickte Werbeanzeigen des Nutzers berücksichtigen. Die Intuition dahinter ist, dass zusammen angezeigte Werbanzeigen sich gegenseitig beeinflussen können, geklickte Werbanzeigen die Präferenzen eines Nutzers widerspiegeln und nicht geklickte Werbanzeigen bis zu einem gewissen Grad darauf hinweisen, was ein Nutzer nicht mag. Um diese Nebendaten effektiv zu nutzen, schlagen wir tiefgreifende räumlich-zeitliche Neuronale Netze (DSTNs, Deep Spatio-Temporal Neural Networks) für die CTR-Vorhersage vor. Unser Modell ist in der Lage, die Interaktionen zwischen jedem Typ von Nebendaten und dem Zielwerbe zu lernen, wichtige verborgene Informationen stärker hervorzuheben und heterogene Daten in einem einheitlichen Framework zu fusionieren. Offline-Experimente mit einem öffentlichen Datensatz und zwei industriellen Datensätzen zeigen, dass DSTNs mehrere state-of-the-art-Methoden für die CTR-Vorhersage übertreffen. Wir haben das leistungsfähigste DSTN bei Shenma-Suche implementiert, der zweitgrößten Suchmaschine in China. Die Ergebnisse der A/B-Tests zeigen, dass auch der online-CTR im Vergleich zum letzten eingesetzten Modell erheblich verbessert wurde.