信息扩散,通常指信息通过用户间的交互行为,不断到达新的个体的过程。信息扩散预测主要预测参与信息扩散过程的用户。随着信息时代的来临,信息扩散现象变得越来越普遍与复杂。信息扩散预测问题也引起了人们的关注。本文结合多种表示学习方法,进行信息扩散预测。本文的主要工作包括:1、设计并实现了基于知识表示学习的信息扩散预测模型。本文认为信息扩散预测问题可以转化为知识图谱领域的链接预测问题,从而将知识表示学习的相关模型引入信息扩散预测问题的解决中。本文将似然概率用于信息扩散预测,克服先前模型在学习预测过程中存在的可解释性差等局限性。本文通过引入时刻权重的概念,量化信息扩散序列中的用户对于预测结果的影响程度,解决先前模型预测评价部分未充分利用时序特征的问题。实验结果表明,本文提出的模型在信息扩散预测效果上有一定提升作用。2、基于表示学习方法,应用于目前述模型的关系向量初始化与用户影响程度量化。本文基于相关语言表示学习方法,初始化关系向量。本文引入网络表示学习及文档相似程度表示方法,量化用户影响程度。综上所述,本文利用表示学习的方法,避免了繁琐的特征工程,丰富完善了研究对象的物理含义,结合了相关的外部特征,提升了信息扩散预测模型的预测效果。