近年来,大数据和云计算等互联网技术的飞快发展,各式各样社交网络开始充斥人们的日常生活。随着用户规模的爆发式增长,对社交网络用户影响力的研究也随之开始。用户社交影响是指一个人受其他人的影响发生行为或意识的改变,对用户间社交影响进行深度挖掘,可以为用户提供个性化推荐,为企业提供有效营销策略。目前,如何对用户社交影响进行更精准的预测是一项非常有应用价值和现实意义的研究。传统的社交影响预测方法依赖于领域专家设定的手工特征,这些手工特征与模型的有效性直接相关,因此很难在不同类型的社交网络上移植。最近,得益于网络表示学习技术的发展,可以将网络中的用户映射到一个低维向量,从而学习到用户的潜在特征来预测社交影响。但这种方法仅考虑到网络中的结构因素,而实际用户是否受影响与其自身的偏好也息息相关。目前,有研究使用社交网络的内容信息表示用户的偏好,但这种方法需要爬取网络上的社交内容,而且对不同类型网络的内容信息需要不同的方法进行表示,具有较差的推广性。针对上述问题,本文提出一种基于用户传播的社交影响预测算法RippleInf-GAT,即不依赖手工特征,又不需要爬取社交网络内容信息。本文工作如下所示:首先,本文使用先进的网络嵌入技术node2vec对网络节点进行表示,并给出了使用邻居节点的状态模拟用户初始偏好的概念,定义在社交网络上偏好传播的过程,根据传播计算出中心节点对邻域节点的偏好概率。将偏好概率融入网络节点的表示中,得到含有偏好信息的节点表示。然后,将含有偏好信息的节点表示使用图卷积网络和图注意力网络学习,提出了基于偏好传播的社交网络影响预测方法。该方法不依赖于手工特征和内容信息对用户的社交行为进行预测。最后,在真实社交网络数据集上对本文所提的RippleInf-GAT模型进行验证,并使用精确率、召回率和F1度量值三种指标与已有算法进行对比,结果表明本文所提方法在一定程度优于对比算法。