随着互联网的快速发展,社交网络作为信息交流的主要平台在人们身边扮演了越来越重要的角色。爆炸式的信息增长使得社交网络平台中的事件传播热度预测成为一个具有挑战性的研究课题。先前研究人员在传播热度预测方面的研究大都集中于网络结构或表层特征的预测算法,对于社交网络事件的文本内容分析不足,忽略了文本语义中的关键信息。本文将重点研究社交网络事件文本内容包含的热度特征,扩展传统预测算法的表层特征以提高预测准确率。传统的热度预测方法考虑点赞数、评论数、转发数、事件主贴中是否包含图片、视频、链接、特殊字符等表层热度特征。本文通过分析网络事件中的文本内容,提取文本内容中的语义信息,扩展了社交网络事件的表层热度特征,从而提高预测准确率。具体的包括提取事件文本中的事件主体影响力特征、文本类别特征以及事件等级特征。首先根据事件的主贴文本内容使用HMM命名实体识别方法提取事件的主体集合,并分别计算主体的影响力作为该事件的主体影响力特征。之后通过建立社交网络事件等级划分体系,并以文本分类和事件当前转发热度综合获取事件等级特征。最后,在综合表层特征后,构建事件的传播热度特征向量。并使用高性能的GBDT回归预测算法对社交网络事件热度进行建模和预测。通过实验,依据控制变量的原则,在对比了单表层特征与扩展特征训练模型的RMSE、MAPE、PCCs评价后,证明经过扩展的预测特征模型可以有效地提升社交网络事件的预测准确率。在以上基础上,本文设计并实现了一个包含新浪微博、Twitter、Facebook三个社交网络平台的热度预测系统,在实际应用中取得了较好的表现。