社交媒体是近些年发展迅速的互联网领域之一,每天都有大量的用户在社交媒体网络上进行信息共享和状态分发。微博作为起步最早发展速度较快的社交媒体网络平台,吸引了大量的用户注册和使用。转发是微博实现信息传播的一个重要机制,用户接收其他用户分享的信息之后,可以将信息转发到自己的社交媒体平台上,从而将信息分享给更多的用户。而且随着移动互联网的兴起,如4G网络,Wi-Fi网络的大规模覆盖,智能手机的迅速普及,进一步吸引了更多用户使用微博。基于这样的应用场景,对微博转发过程进行分析就具有非凡的意义。对于公司而言,预测微博转发数量可以帮助公司进行流量监控和设备调整,从而提高用户体验。对于政府而言,舆情分析的重要组成部分就是设法得到当前社交媒体用户关注的焦点,而微博转发预测可以在一定程度上帮助政府及时应对由于信息爆发性传播而产生的群体事件。本文主要通过三个角度描述微博转发过程的特征,即用户社交网络结构,用户转发微博时序间隔和微博文本自然语言特征,利用深度学习框架,预测一条给定微博的转发数量。本论文的研究内容主要由两部分组成:其一在给定用户的社交媒体网络结构的基础上,利用图嵌入方法提取每一位用户的网络结构特征,其基本思想是将由节点和连接边构成的图向量化,从而达到降维和提取信息的目的。网络结构特征可以在一定程度上反映用户所在在线社交社区的特点(如社区用户之间连接是否紧密,不同用户的相似性高低),从而为微博转发预测提供信息;其二是通过使用递归神经网络,整合用户的网络结构特征,用户转发微博的时间间隔和规律以及微博文本的自然语言特征,得到一条给定微博的深度学习模型的转发预测特征,之后即可利用深度学习网络训练得到的转发预测特征进行微博转发数量预测。本论文提出了基于社交网络一阶相似性和二阶相似性的Fast Line图嵌入算法和基于递归神经网络的微博转发预测系统,Fast Line和微博预测系统均是吸取了近几年最先进的算法的优点,并对先进算法存在的缺陷和不足进行改进。本论文的Fast Line图嵌入算法利用近似优化目标方程的方法,使得参数训练速度相比较基线方法提高了一倍以上,同时图嵌入结果的准确度与基线方法持平。本论文的微博预测系统与DeepCas方法的预测结果相比可以提高30%的预测准确率。