近些年,社交媒体逐渐成为人们生活中非常重要的一部分,人们习惯在社交平台上抒发自己的意见、想法;例如,在新浪微博上,用户通过发布微博表达自己的意见、分享自己的兴趣,并且用户在看到感兴趣的微博时,可以通过转发微博、评论、点赞等,表达自己的意见、兴趣;但是,在大数据时代,社交平台存在信息过载问题,用户可以看到的微博量过大,很难从海量的信息中发现感兴趣的微博;在这种情况下,如何预测用户的社交行为,成为科研人员研究社交平台的一个关键问题。本文主要介绍的是,基于社交平台的用户转发行为预测技术研究工作,其中主要研究基于用户历史行为的预测方法,通过将协同过滤算法和序列推荐相结合,提出两个新的模型来解决用户转发行为预测问题。首先,介绍社交行为预测的研究现状;然后,介绍用户历史行为的预测研究方法中的协同过滤算法和序列推荐模型、以及需要使用的深度学习方法;最后,提出了两个新的模型,第一个模型是将微博转发路径的序列特征通过LSTM网络学习微博的嵌入向量表示,实现了基于深度学习的协同过滤模型与序列推荐模型的相结合,提出了NCF-L模型,相比较基础模型NCF,推荐效果得到更好的提升,有效地将序列特征嵌入到协同过滤模型中;其次,提出了一个模型,基于GraphRec模型的思想,尝试将社交关系加入模型中,通过注意力机制学习活跃邻居集合的序列特征向量表示,并且结合NCF模型,提出了NCF-A模型,NCF-A模型在NCF模型的基础上,推荐效果同样得到提升;与NCF-L相比较,NCF-A模型直接使用社交网络关系数据,将活跃邻居集合的序列特征加入到模型中。为了证明本文提出模型的具有很好的推荐效果和通用性,将传统的、基于深度学习的协同过滤算法、序列化推荐算法等与本文提出的模型在多个数据集上进行对比,其中,评估指标使用HR、NDCG;通过在各个模型上的实验,充分证明了本文提出的两个模型的推荐效果较好,不仅适用于微博社交平台上的转发行为预测任务,也适用于其他的社交平台,能够在社交平台上对用户的社交行为做到很好的预测、推荐工作。