线上社交网络在方便人们获取海量信息的同时,也为平台管理带来挑战。信息在线上社交网络上传播,通过转发分享等传播行为形成具有图结构的级联信息传播网络,使信息得以进一步扩散。在早期预测信息传播对于优质内容的推广、谣言的阻断、增强平台粘度具有重要的价值。线下社交网络中的传播过程类似线上社交网络的传播过程,能够形成相似的级联传播结构,可将线上信息传播建模思想应用于线下病毒传播的流行度预测研究中,为早期新型传染病传播流行度预测分析提供参考,具有巨大的社会意义。信息传播预测模型研究,根据预测的时机、研究的视角和数据的完整程度的不同,存在不同的预测场景和部分尚未解决的问题。其中,传播网络动态图结构时空特征学习、传播中双向社会影响学习、影响用户转发行为的结构与内容特征的深度建模、缺乏完整传播数据的传播建模等问题依然存在诸多挑战。本文考虑信息传播可计算因素,应用计算传播学和机器学习的方法,针对传播过程中图结构的时空动态性、社会影响的双向性、影响因素的复杂关联性、线下传播部分数据缺失的问题,分别建立基于图结构的计算传播模型,展开信息传播预测的研究。本文主要工作和创新点概括如下:在早期预测线上信息传播流行度的场景中,信息传播网络的图结构时序动态特性和结构类型反映着信息的时效性、传播速度、受欢迎程度等特点,对信息传播流行度的增长有着重要影响。已有传播模型从静态传播网络采样和学习传播结构特征,导致预测效果欠佳、模型参数规模较大的问题。本文针对该问题,利用传播节点的结构特点,将节点特征融合到传播子图的整体特征学习之中,大幅减少了模型参数,并基于此提出循环图感知神经网络模型。该模型能有效捕捉传播网络的时空动态,降低传播流行度预测误差。此外,信息传播中的社会影响具有双向性,信息的发布者和转发者相互影响,本文针对该特性,提出了双向图序列注意力神经网络模型,分别从局部和全局学习传播结构双向特征。该模型解决了当前模型仅能够从单个方向学习传播结构特征的问题,提高了在传播早期识别传播节点社会角色特征的能力。信息的传播流行度是用户转发行为在宏观上的表现,研究用户转发行为不仅对链路预测、内容推荐有较大价值,对理解宏观传播流行度也有重要意义。在信息传播事前预测用户转发行为的场景中,用户的转发行为受到社会角色和信息内容主题影响,且用户在信息传播中扮演的社会角色和信息内容主题也有着密切关系,相同用户在不同主题下可能会扮演着不同的社会角色。而用户转发行为预测的多数方法缺少对社会角色和文本主题的联合建模,从而很难学习到影响用户转发行为的复杂关联模式。我们提出了深度级联微观模型,采用表示学习深度挖掘社会角色和文本主题特征,克服了传统方法学习的传播影响因素过于简单的问题,大幅提高预测效果。在早期预测线下社交网络的传播流行度场景中,信息或病毒的传播流行度与社会关系的图结构、人群活动强度密切相关,但这些数据难以直接获得,在建模时面临缺少完整训练数据的问题。同时,传播早期真实传播流行度难以直接得到,需要根据部分已观测数据进行估计预测,再根据当前状态预测传播流行度的增长趋势。我们以新冠病毒传播流行度预测为实例,研究线下社会网络传播预测建模的方法。已有基于传染病模型的估计预测方法假设过于简单,大多模型未考虑线下社交关系网络的图结构对传播的影响,难以准确地估计真实传播流行度和预测未来传播流行度的趋势。本文将信息传播模型的研究成果应用于新冠病毒传播建模中,提出基于社交网络感染扩散的病毒传播模型。该模型通过拟合部分已观测数据求解社交网络、人群活动和感染率等参数,更加准确地估计当前病毒传播流行度并预测未来疫情趋势。该模型还能够还原早期病毒传播过程,解决了经典传染病模型无法直观建模传播过程的问题,揭示了病毒早期传播产生的“冰山效应”及其原因。综上所述,本文面向社交网络信息传播的三个典型场景,基于社交网络和传播网络的图结构建模,分别对信息传播中存在的时空动态性、社会影响双向性、特征复杂关联性和数据缺失问题进行研究。本文应用机器学习方法提高信息传播的预测效果,并将信息传播建模方法应用于病毒传播建模中,得到具有社会价值的分析结果。该研究对于社交网络平台信息传播的认识管理、新型传染病防控有着积极的意义。