在线社交网络的出现彻底改变了信息的传播方式,深刻地影响着整个社会的信息传播机制,并极大地促进了网络中信息的产生与传播。在线内容的流行度是用户注意力聚集的体现,能够反映信息的扩散范围和受关注程度。准确地预测在线内容的流行度具有重要的理论价值及广阔的应用前景,目前已经受到学术领域和企业的共同关注。然而,在线内容流行度差异性以及各种复杂因素给预测带来一系列挑战。已有的流行度预测研究主要分为三类:基于特征提取的方法、基于生成式模型的方法和基于深度学习的方法,各类方法既具备特定的优势又存在一些不足。本文深入分析并研究了信息级联传播机制以及影响流行度增长的诸多因素,结合深度学习技术对信息传播级联的整体演化趋势进行建模,以准确地刻画流行度的增长模式。本文的主要研究工作和创新成果如下:（1）提出基于社区发现时空卷积网络的流行度预测模型。根据社区划分理论,提出在线内容的社区传播假设,将用户之间的信息传播变换为信息在不同社区之间的流动。该模型从社区角度对在线内容的传播进行建模,并利用卷积网络有效地提取传播级联中的局部结构和全局结构,进而预测在线内容的流行度。我们所提出的在线内容的社区传播假设,也为理解在线内容传播的基本机制以及研究社交网络中的集体注意力提供了良好的启示。（2）提出基于图注意力时空网络的流行度预测模型。该模型能够直接学习信息传播级联整体结构的特征表示,分别利用图注意力网络和时序卷积网络提取在线内容传播级联的结构特征和时间特征,并以端到端的方式预测其流行度。实验结果表明,所提出的模型预测表现显著优于基准模型,而且可以较好的适用于不同的流行度预测场景。（3）提出基于邻居感知表示学习的流行度预测模型。该模型利用自激励机制聚合传播级联的中用户邻居的特征表示,并通过两种时间效应从微观角度刻画在线内容的动态传播过程,从而学习在线内容传播级联的特征表示并预测其流行度。该方法有效地融合了信息传播机制并以最终的流行度作为监督,使其具有良好可解释性的同时又具备较优的预测表现。