微博已经成为一种信息获取的重要途径和信息传播的载体,微博上的虚假信息的大量传播可能会造成恐慌,因此有必要对微博中相关的舆论话题进行监管。准确地预测微博的传播趋势有助于提前对舆论进行干预,并采取合理的管控措施,使其朝着积极的方向发展,使微博更好的服务大众。传播趋势预测在舆论监管、政府宣传、广告投放、票房预测、热点推送和企业营销等领域有着广泛应用。一方面,传统的微博传播趋势预测方法通常只关注微博自身内容的个体特征,忽略了微博传播过程中时空背景环境等变化的动态特征,导致微博特征描述不准确的问题,无法准确地对微博进行建模。微博传播网络是一个动态的社交网络,转发者作为微博的传播动力,使得微博在传播过程中信息得到了补充,故而预测任务也应该考虑传播过程中产生的新的特征信息,即考虑用户团体信息。另一方面,传统方法通常忽略微博传递过程中的用户的情感态度信息,转发者的情感信息是一种很重要的特征,其可以体现作者的观点看法。现有研究表明通常带有情感的评论更可能影响其他用户,用户情感特征也是影响传播规模的因素,情感在网络中传播时,带有情感的微博普遍比不带情感的微博传播范围更广。目前大多数研究者只关注微博的传播规模,缺少对社交网络传播过程中的情感变化动态趋势的研究。本文以新浪微博为研究对象,对微博传播过程中的转发趋势和情感趋势变化进行研究和预测。主要有两部分工作:第一部分,本文提出了一种基于时序变化的微博团体信息提取方法来解决微博特征描述不准确问题,并进一步利用团体信息预测微博转发量来验证该方法。第二部分,提取用户的情感特征,并结合提出的微博特征表示方法对大众情感变化趋势和转发量进行联合预测。具体工作如下:1.首先提出一个基于团体信息的微博信息描述方法及转发数预测算法,解决不同时刻背景信息下微博特征表示不准确问题,团体信息主要包含常用的个体特征、团体影响力特征和转发评论特征三个方面,其中常用特征主要包含用户的注册年限、粉丝数、关注数等等;团体影响力特征代表微博当前转发时间链上的用户的所有影响力大小,通过计算用户的PageRank影响力值后累加得到团体影响力;转发者评论特征包含背景信息,是对源微博内容信息的补充。通过基于簇的关键信息提取,提取出包含关键信息的评论,利用Dilated CNN网络提取和压缩评论特征向量。将上述的三种微博特征作为微博的团体特征,将团体特征作为LSTM预测网络的输入。利用LSTM网络来进一步学习隐藏特征和时序特征并进行转发数预测。2.基于上述微博特征提取方法之上,对微博进行情感分析,考虑情感特征变化,提取用户情感特征,将情感特征和团体特征相结合,进行转发数和情感趋势的联合预测。在预测转发规模的同时,预测情感趋势变化。通过联合预测建立了传播规模和情感趋势之间的联系,模型在预测微博传播规模的时也关注用户团体的情感趋势变化。实验结果表明,本文提出的方法与传统的机器学习方法相比,在大多数评价指标上有所提升,在传播规模和情感趋势预测上都表现出较高的性能