人物投票行为预测一直是人物行为分析领域的热点问题,对人物的投票行为进行深入的研究,一方面有利于更好地分析人物倾向、理解人物行为,另一方面也能对提案最终是否通过做出预测。目前广泛使用的投票行为预测框架是基于理想点模型的,该模型将投票人与待投票的提案表示为空间中的点,用点之间的距离表示倾向程度。该方法直观展示出了投票人与提案间的关系,并将投票人对提案的倾向变得可解释、可度量,为后续的计算处理过程提供了方便。基于理想点模型的方法十分依赖于特征工程,但现有的相关研究都未能充分挖掘数据中的潜在信息,导致提取的特征表现力不足,为了解决该问题,本文对基于深度学习的人物投票行为预测方法进行了研究,充分利用了投票人与提案的相关信息,得到了高质量的提案与投票人表示向量,实现了对人物投票行为的准确预测。本文的具体研究内容如下:（1）提出了基于深度学习的提案与投票人表示学习方法,简单高效地获得了表义丰富的特征向量,为人物投票行为的准确预测奠定了基础。在获取提案表征时,利用doc2vec模型处理提案的文本数据得到提案的向量表示;在获取投票人表征时,首先挖掘出投票人间的关系矩阵,通过图卷积神经网络处理该信息得到投票人的初始表示,接着在历史投票数据的指导下更新该初始表示得到最终的投票人表示。设计了一种评价提案与投票人表示向量性能的方法,该方法计算提案与投票人表示之间的欧氏距离并根据距离远近对投票人进行排序,向投票人序列上叠加提案的真实结果比例实现对投票人的分类,利用分类的准确率度量表示学习结果的性能。实验表明,本文得到的提案与投票人表示向量具有良好性能,可以被有效地应用到人物投票行为预测中。（2）提出了基于提案结果比例的人物投票行为预测模型。该模型首先预测得到当前提案的结果比例,再结合前文得到的提案与投票人表示向量,实现对投票人投票行为的预测。在提案结果比例预测部分,验证了结果比例可能的影响因素,将各影响因素的特征表示输入神经网络模型,使用历史提案的结果比例数据训练模型,最终实现对当前提案结果比例的预测。实验表明,本文提出的结果比例预测算法具有低于其它算法的MSE值,且在人物投票行为预测任务中取得良好表现。