信息传播级联预测是基于已观测级联序列预测最可能感染的节点,能应用在舆情传播控制、虚假新闻检测等场景。当前基于动力学的相关方法主要聚焦传播机理、速度和阈值等问题,难以应用于级联预测任务。尽管已有的深度学习方法能够提升级联预测效果,但它们都忽略了网络拓扑结构特征的影响,因此无法解释不同级联中预测结果的差异性。本文围绕网络拓扑结构特征提出了信息传播级联预测的可预测性问题,即在大规模网络中构建小范围潜在感染集合。针对级联差异性,围绕一阶/二阶和社团结构特征,构建了端到端的深度学习框架,有效融合了级联时序特征、用户间传播影响和网络同质性,显著提升了级联预测性能。具体贡献如下:提出了探究网络结构对信息传播级联预测影响的新方案。针对信息传播级联预测的可预测性问题,从信息传播级联特征、网络拓扑结构、信息熵等多角度分析了级联预测的影响因素,论证了社团结构、节点一阶/二阶邻居结构对级联预测的影响。提出了融合社团结构的信息传播级联预测模型。网络拓扑同质性是影响级联预测的核心因素,基于社团结构可将潜在候选集合聚焦在社团尺度,同时解决在线社交网络稀疏性带来的挑战。结合长短记忆人工神经网络（LSTM）建模级联时序特征,构建统一的表示学习框架,多尺度量化了节点的微观动力学,在多个数据集上均取得了优于基线方法的预测效果。提出了融合一阶/二阶邻居结构的信息传播级联预测模型。级联过程差异性的产生受到一阶/二阶拓扑结构的驱动,潜在候选感染节点集合呈现不均匀性。结合用户影响异质性,构建一阶/二阶拓扑增强的深度学习模型,缩小了大规模网络中潜在感染者的候选集合,定量刻画了节点间的传播影响,解决了级联中感染序列局部聚集性引发的问题,提升了级联预测性能,并增强了可解释性。在融合一阶/二阶邻居结构的信息传播级联预测模型的基础上,提出了基于自注意力机制的级联预测模型。长序列级联中节点的一阶/二阶邻居几乎覆盖整个网络,使得潜在感染集合规模无法降低,同时导致级联序列中节点感染行为的异质性增强。进而构建了自适应选择感染节点的学习框架,利用自注意力机制和网络嵌入技术,缓解了长序列级联难以预测的问题,为级联序列数据建模提供了新思路。本文解决了级联差异性带来的诸多挑战。从可预测性的视角,融入了网络拓扑结构特征,补充和完善了基于深度学习进行信息传播级联预测的模式。