随着互联网时代的到来,社交网络蓬勃发展,已成为当代社会信息传播的重要渠道和载体。在线社交网络中每天产生海量且流动的信息。然而信息流行度分布极其不均,绝大部分信息的流行度较低,只有极少数信息具有着较高的流行度。因而了解信息是如何传播的,以及什么样的因素驱动信息的传播,并对信息流行度进行预测成为了广大科研人员的关注热点。本文针对社交网络中的信息流行度预测问题展开实证研究,主要内容如下:对社交网络流行度预测的方法展开综述。由于目前与信息流行度预测研究相关的综述类文献很少,通过对国内外文献资料的充分调研,本文对流行度预测的方法展开综述。首先对信息流行度问题基于三种不同层面进行划分:基于任务的不同,可以划分为分类问题和回归问题。根据信息在预测时是否发布可以划分为事前预测与事后预测。根据任务粒度的大小可以划分为微观预测和宏观预测。其次将当前主流的流行度预测方法划分为三类,分别是基于特征建模的方法,基于生成模型的方法以及基于深度学习的方法,其中基于特征建模的方法需要通过手动提取多种特征,输入到机器学习模型中进行预测,往往依赖于特定领域的知识,可扩展性欠佳。基于生成建模的方法虽具有高可解释性,然而其对于参数的假设比较简单,难以充分捕捉级联扩散的特征,预测效果欠佳。基于深度学习的方法可以能够自动学习信息传播中各种低级与高级特征表示,能够灵活捕捉级联中的序列依赖性,预测效果较高,且具有一定的通用性。因此本文选取基于深度学习的信息流行度预测方法进一步深入探究。当前基于深度学习的流行度预测方法常通过信息级联采样学习节点的拓扑信息,然而在采样过程中级联的拓扑结构信息存在一定的损失。因而本文为提升级联拓扑特征的刻画能力提出了两种基于深度学习的流行度预测方法。（1）提出一种基于VAE的信息流行度预测框架。VAE是一种深度生成模型,是由编码器和解码器组成的生成网络。事实上我们所观测到的转发过程会为未来的转发引入不确定性和噪声。考虑到级联传播的不确定性对于级联的流行度预测的重要性,通过VAE来学习级联的潜在特征,捕捉级联扩散的不确定性。主要思路如下:通过基于传播路径的方法进行序列采样,保留信息传播中的真实路径。通过GRU学习各个采样序列的时序特征表示,通过非参建模时间衰减效应作为权重系数,以序列中最后一个节点的转发时间对应时间间隔的时间衰减系数作为权重进行序列特征的加权聚合,得到级联的时序特征,通过VAE学习级联传播过程中的不确定性,得到对应的潜在特征,将时序特征与潜在特征结合进行流行度增量预测。（2）提出一种基于时空耦合的信息流行度预测框架。该框架采用基于传播路径的方法得到级联的序列,通过构建邻接矩阵保留级联中各节点的邻接信息,通过嵌入方式学习用户的特征表示,利用GRU捕捉序列中的时序依赖性,结合非参建模时间衰减效应,将其作为权重系数得到级联的时序特征表示。对于每个节点,将其所有邻居节点已融合时序信息的表示进行聚合学习其拓扑结构表示,引入多头注意力机制丰富对节点结构信息的刻画能力。进而将学习到的结构表示和时序表示相结合进行流行度增量预测。本文采用Sina Weibo数据集作为实验数据集来检验本文方法的预测效果。本文定义的流行度预测任务即通过观察给定时间窗口的转发路径,预测级联的最终转发数于观察时间转发数的增量。考虑到实验的完整性,本文选取两个主流的基于深度学习的方法作为基线模型,分别为Deep Cas和Deep Hawkes。设定T=1h,T=2h和T=3h三种时间窗口,选取对数转换均方误差作为预测结果优劣的度量指标,将上述两种基线模型于本文提出的两个模型进行实验对比。经对比发现,本文提出的两个方法相对于基线模型的预测误差有所降低,从而验证本文提出的两个模型有更好的预测效果。且针对于同一模型,随着观察时间增加,预测效果不断提升,这是由于观察时间越久,获取的级联特征更加丰富,因而预测效果往往更佳。