近年来,随着传统媒体不断向数字化转型,数字媒体内容逐渐成为互联网的主体。然而,大量的数字媒体内容中只有少部分是真正热门的,这就需要及时而有效的热度预测算法来甄别热门内容。热度预测研究在诸多方面都有很高的应用价值,例如广告投放、网络管理、缓存策略等。考虑到热度受诸多因素影响,同时,在缺乏历史数据情况下媒体内容的多元属性对热度影响最大,因此本文基于媒体内容的多元属性展开热度预测算法研究,并以帖子和视频两种主流媒体内容为主要研究对象。首先,本文基于帖子的相对热度预测展开研究分析。尽管热度与非内容因素有着强相关的关系,但内容因素对热度的影响不可忽视,而内容的多模态之间复杂的相互作用关系使得预测相对热度并不那么简单。因此,本文提出多模态模型来预测相对热度。该模型借助深度神经网络的帮助,并利用注意力机制得到帖子的图片特征和文本特征,同时,模型引入多任务学习方法,一方面使得同一帖子的图片和文本保持相关性,另一方面隐式地构建起图片和文本的交互关系,并通过成对帖子来预测相对热度。在真实数据集上的实验结果表明该模型的有效性。其次,本文针对视频早期热度预测展开研究分析。以往研究表明视频早期热度在视频生命周期中占据着主要部分,同时,早期热度与未来热度关系密切。本文首次对国内优酷视频数据展开研究,根据数据的多元属性构造视频属性特征、用户属性特征以及文本分析特征,并以SVR-L、SVR-RBF、神经网络以及XGBoost四种基本模型来构建早期热度预测模型框架。多种实验指标结果表明上述三组特征的有效性,并指出XGBoost模型预测性能最佳。此外,通过特征重要性分析,本文发现视频类别是影响优酷视频早期热度较为重要的特征,而这一特征在以往基于YouTube视频数据的研究中被指出是不重要的,同时本文还发现情感特征对优酷视频早期热度的贡献不大。