随着在线社交网络平台以及移动网络设备的迅速发展,人们分享和获取消息的方式逐渐发生改变,多元的社交网络平台极大地便利了消息的产生和传播,加剧了海量信息之间争夺用户注意力的竞争,也凸显了预测消息流行度的重要性。了解消息在社交网络中是如何传播的,以及什么样的因素推动了消息的成功扩散,并对消息可能影响的人口规模做出准确预测,是一项具有挑战性但在现实生活中又具有广泛应用的工作。目前关于消息传播预测也叫消息级联预测的研究大多基于特征方法、生成方法和深度学习方法。传统的基于特征的方法需要手工提取特征再利用机器学习方法进一步学习,较为繁琐且特征具有主观性。而基于深度学习的方法一般通过端到端的深度学习自主学习消息传播过程中的隐含特征,避免了机器学习中复杂的特征工程,还提高了预测的准确性。生成方法中的Hawkes过程是一种广泛使用的建模消息传播过程的经典方法,它主要利用之前事件对未来事件的影响来建模新事件的发生概率,基于用户的影响力、自激励机制、时间衰减效应三个因素可以很好的解释消息传播过程中的转发现象。基于这些,本文提出了两种预测消息传播范围的模型。首先本文提出了基于时空注意力机制的消息传播预测模型即TSAT（Temporal-Spatio Attention Mechanism）。根据给定的消息级联图利用随机游走的方式获取多条传播序列,随机游走过程根据节点的出度进行节点采样,得到的传播序列可以体现消息传播的流向并且包含消息转发者的信息和局部结构信息,将得到的传播序列放入双向GRU中得到序列的向量表示。其次根据消息早期在观察时间窗口内的转发过程获取每个序列相应的转发时间间隔,本文认为随机游走得到的相同长度的序列,转发时间间隔越小,对消息传播的贡献越大,通过注意力机制结合时序信息选出对级联更为重要的传播路径。除此之外,由于消息在传播过程中不是孤立的,本文还结合了其他消息对目标消息的影响来预测消息传播范围。其次本文提出了基于深度Hawkes过程的消息传播预测模型DNNH（Deep Neural Networks Hawkes）。利用深度学习方法学习Hawkes过程建模消息传播时用到的三个重要因素,即用户在社交网中的影响力、过去事件对未来事件的影响（自激励机制）和这种影响随时间推移而减弱（时间衰减效应）的现象。本文提出利用基于空间域的图卷积网络直接对级联图进行处理,获取节点表征以代表用户的影响力,然后根据级联图得到消息的真实转发路径,将其输入到循环神经网络,得到考虑自激励机制的传播路径表示,在聚合传播路径表示的同时加入时间衰减因子,代表之前转发的影响随时间推移而减弱。从而将深度学习方法在预测方面的高准确性和Hawkes过程在解释信息传播机制的高理解性结合起来,缩小消息传播过程中预测和理解的差距,进一步提高预测的准确性。