随着互联网技术的普及,在线社交网络已经成为当今社会人们信息交流的重要渠道和载体。在线社交网络中信息流行度预测至关重要,具有重要的研究和应用价值。但是,由于信息传播形式的多样性、网络结构的复杂性以及用户特征的多维性使信息流行度预测错综复杂且难以准确把控。如何深入剖析流行度态势变化的规律,感知信息流行态势走向,建立高效的管控措施是待研究和解决的问题。本论文关于信息流行度预测主要涵盖两个方面的内容:宏观信息流行度态势预测,深入剖析信息流行度传播过程中的非线性动力学机制,构建跨平台信息流行度融合和预测模型;微观信息转发热度预测,分析影响用户转发的微观因素,基于传染病模型预测信息未来的转发情况。本文的详细工作总结如下:1.在宏观层面,旨在深入探究社交信息传播的混沌特性,提出一种基于贝叶斯估计理论的跨平台信息流行度融合预测模型。首先,定义跨平台信息流行度时间序列,利用主成分分析(Principal Component Analysis,PCA)量化和获取影响流行度的主成分。其次,基于混沌理论,探究流行度趋势变化的混沌特性,对量化后的序列实施相空间重构,在高维相空间中恢复复杂系统的演化规律和特征。同时,利用贝叶斯估计理论将多个流行度变量在同一高维空间中进行相点的最优融合,得到新的融合相空间。最后,考虑到神经网络在现实应用中有较强的逼近非线性函数的能力,通过其对融合流行度实施优化预测。2.在微观层面,旨在深入探究影响用户转发的多维属性,量化改进SIR(Susceptible-Infected-Recovered)模型中的感染率,提出一种感知信息流行度的用户行为演化策略。首先,提取用户个人和社交维度的转发驱动力,利用多元线性回归量化多维转发感染率。其次,为了让模型更贴近真实网络传播架构,对传统传染病SIR模型中状态S进行改进,重新定义SIR模型的传播规则。最后,通过时间切片技术提取改进SIR模型的各个状态值,利用最小二乘法(Least Square,LS)结合量化后的感染率拟合真实模型,得到一种基于用户转发行为和改进SIR模型的信息流行度预测方法。为了验证提出方法的有效性和可行性,本文基于真实社交网络数据集对模型实施验证实验。实验表明,本文提出的宏微观信息流行度预测模型,能够有效的感知信息流行度传播态势,为宏观的态势分析以及微观用户行为分析提供理论依据。