随着网络技术的发展,网络已经成为人们生活的一部分,越来越多的人在享受网络带来的便利。人们通过社交网络平台分享和获取各种消息。准确的预测社交网络中信息的传播范围十分重要,该问题也在数据挖掘领域中被广泛关注。目前大多数研究利用社交网络拓扑结构和用户消息传播时的动作日志预测消息的传播范围。宏观上,使用消息传播不同时刻的变化过程预测消息传播范围;微观上,使用用户网络拓扑结构和消息传播过程预测消息的传播范围。而在实际应用中用户的动作日志容易获得,而社交网络用户拓扑结构和消息的传播结构并不容易获得。因此无拓扑结构的社交消息预测具有更广泛的应用前景。本文提出3种方法预测无拓扑结构消息传播范围预测方法。(1)NT-EP(non-topology message propagation)方法首先利用消息传播随时间衰减的特性构造消息传播结构加权图,使用随机游走策略获取多条消息传播路径。其次,将消息传播路径放入Bi-GRU(bidirectional gated recurrent unite)中,结合注意力机制计算出目标消息的传播特征向量。然后,通过梯度下降方法计算出其他消息对目标消息的影响向量。最后将目标消息传播向量与其他消息影响向量结合预测消息的最终传播范围。在Sina微博和Flixster数据集上的实验结果表明:NT-EP方法在均方误差(mean squared error,MSE),F1-score等多个指标都优于现有的社交消息传播范围预测方法。(2)NTG-EP(non-topology graph message propagation)方法首先利用用户间的影响构造加权图,并从中随机游走抽取多条信息传播路径。其次,根据用户的影响关系,刻画用户的影响向量。然后,根据用户的影响向量和构造的用户之间的影响加权矩阵计算目标消息传播时的用户影响向量。最后,根据参与目标消息传播的用户向量计算目标消息传播向量,并根据目标消息传播向量预测消息的传播范围。NTG-EP方法从消息发生开始到预测消息传播范围,所需要采样数据的间隔更短。在Sina微博和Flixster数据集上的实验结果表明:NTG-EP方法在均方误差的评价指标优于现有的社交消息传播预测方法。(3)NT-TP(non-topology time propagation)方法首先根据消息传播过程中的不同时刻的动作日志构造加权图,并从加权图中提取多条消息传播路径。其次根据用户的历史影响向量和构造的加权传播图,计算参与消息传播的用户的短时间影响向量。然后,根据消息不同时刻的用户短时间影响向量构造消息不同时刻的消息传播向量。最后根据消息不同时刻的消息传播向量,按时间发生顺序放入LSTM中预测消息传播范围。NT-TP相比于NT-EP方法和NTG-EP方法采样动作日志的数量更少,预测消息传播所需要的时间更短。在Sina微博和Flixster数据集上的实验结果表明:NT-TP方法在均方误差的评价指标优于现有的社交消息传播预测方法,并且预测消息传播范围所需要的时间更短,时效性更强。