随着我国互联网快速发展,微博等社交平台已经成为我们日常生活中不可或缺的一部分,也成为了新闻以及话题传播的重要载体。由于微博具有突发性、未知性等特点,预测微博热度有利于政府监控舆情并提前预警舆论事件。因此,利用微博社交数据对微博热度进行提前预测具有重要的研究价值与意义。本文在总结国内外研究现状、梳理相关理论的基础上,研究微博预测技术,提出了基于元学习的微博热度预测模型以及基于影响力的话题热度预测模型。在微博热度预测研究中,本论文首先通过Bi-LSTM建立情绪特征,建立修正结果算法,提升了情绪分类准确率,并结合用户、微博信息构建多维特征,设计基于元学习的神经网络模型,并优化了训练时间,最终实现对少量新样本微博的转发、评论、赞数的热度预测。其次,在话题热度预测研究中,本文采用K-means算法,对经过LDA主题化后的微博文本进行聚类,并基于主成分分析法建立影响力模型,重新定义话题热度计算方法,最后实现对聚类后的话题热度预测。本文提出的基于元学习的微博热度预测模型在元训练阶段通过二次梯度下降,学习到具有高度泛化能力的参数,并优化了训练过程,解决了由于新样本的差异性导致学习缓慢的问题。本文全面考虑了用户与微博以及过往信息的相关因子,建立了基于主成分分析法的影响力模型,实现对微博热度的定义。本文最后通过对比实验验证了所提微博预测模型和话题预测模型的有效性。实验表明热门微博的预测模型能够在少量新样本的场景下,解决特定用户学习收敛较慢的问题,并提升预测精度。话题热度预测模型解决了由于微博用户之间多样性导致微博及话题热度不客观的问题。