随着移动互联网的兴起,社交网络平台越来越多地被人们所熟知和运用。人们在社交平台上进行交流从而产生各种话题。本文主要是基于传播模型来挖掘社交网络上的潜在热点话题。我们首先设计并实现一种新颖的话题预测模型来预测潜在热点话题,然后我们基于上述模型提出了两种社交网络图上的点抽样方法来节省话题传播的空间和时间开销。基于社交网络的话题挖掘一直是一个重要的研究领域。许多研究关注从网络文本中进行话题挖掘,而忽略了社交网络的结构在话题挖掘中的重要作用。还有一些研究虽然关注网络中话题传播模型,但是并没有充分利用社交网络中丰富的属性信息,同时没有具体模型来研究社交网络中潜在热点话题的预测。本文设计并实现了一种新颖的话题传播模型算法(LHTP)来进行社交网络潜在热点话题预测,同时对话题预测效果的评估给出合适的参数和约束条件。并且我们在LHTP模型上给出了扩展模型LHTPEX,它能够在保证预测效果的情况下,降低程序的运行时间。不同于基于异构网络的话题预测模型,本文更加关注同构网络中丰富的属性信息。本文将模型应用到真实数据集,与TMBP模型进行比较,结果表现了我们算法的有效性和准确性。同时,在进行社交网络话题传播时,随着数据量的不断增大,传播模型在进行传播模拟时所花销的时间更多,程序运行所占用存储空间也更大。然而在实际的话题传播过程中,大多数话题集中在某些关键节点上,且相当一部分节点对话题的传播没有太大的影响。因此,如果在进行话题传播时,我们能够去除社交网络中的某些传播节点,这不仅能够减少程序的运行时间,而且能够降低数据所占用的存储空间。针对上述问题,我们设计了两种新颖的点抽样方法来减少社交网络中的节点数量。本文所提出的两种方法是将推荐系统的思想引入到社交网络传播模型的抽样方法研究中,具有一定的新颖性。通过实验分析,我们对比分析了不同抽样方法对传播模型的效果,所占空间,运行时间以及图的健壮性的影响。