微博的出现进一步推动了社交网络的发展。微博拥有大量的用户,这些用户通过微博进行信息共享,与其他用户沟通交流,使其成为信息传播的重要途经之一。微博平台每天产生大量的信息,通过微博进行消息的传播与共享,给人们带来便利的同时也有很多挑战。因此,微博等社交网络流行度预测也备受广大学者关注。能够及时准确的预测微博流行度,对于个性化的消息推荐,突发新闻检测和舆情分析等有重要意义。首先,针对传统的基于SVM的主动学习方法选择距离超平面最近的那些样本点,仅考虑了样本的不确定性,致使查询出的未标注样本集存在冗余性和异常值问题,本文提出一种基于SVM的主动学习方法。该方法不仅仅考虑那些不确定的未标注样本,还考虑多样性和代表性,并通过实验验证其在收敛速度、数据标注量以及准确率曲线稳定性等性能优势。其次,针对以往在研究影响微博流行度的相关因素中,忽略了部分对微博发布一小时内的转发结构相关特征和时间特征。本文新增加了基于一小时转发用户建立结构图中的弱关系用户的比例、平均深度、Wiener指数、Randi′c指数及时间特征对微博流行度预测的影响。通过微博数据集进行实验,验证了通过综合考虑这些特征,有效提高了微博流行度的预测性能。最后,针对传统的基于机器学习的微博流行度预测方法中,存在需要大量标注数据作为训练集,在实际应用往往获得大量标注数据成本高,而获取大量未标注数据容易的问题,本文提出基于主动学习的微博流行度预测方法。该方法在少量标注数据和大量未标注数据的前提下,结合发布者的用户特征、微博内容特征、一小时内的转发结构特征以及时间特征,利用提出的一种基于SVM的主动学习方法进行模型训练,预测微博的流行度。通过实验验证了该方法不仅减少标注成本,也提高模型预测效果,表现出良好的性能。