在现代社会,网络社交成为人类社交活动的主流方式。对社交网络中信息的演化方式及传播过程进行理解和研究,发现其中潜在的规律是一大研究热点。信息级联预测主要通过观察信息的早期传播情况,从而预测信息级联最后的增量。尽管关于级联预测的研究已经有很多,但仍存在以下问题:一是忽略信息级联演化过程的问题,主要包括信息级联动态演化过程缺失以及单一静态图无法表征实际信息级联演化过程等;二是对信息传播所产生的特征提取不全面的问题,主要包括建模角度单一、缺失整体建模思维以及整体与局部信息无法同时提取的问题。本文主要针对以上两个问题进行研究,主要研究成果如下:（1）针对忽略信息级联演化过程的问题,本文提出了一种基于信息级联子图采样的级联预测模型Sub Cas。该模型根据设定的时间步参数,将静态信息级联图划分为若干级联子图,每个级联子图通过基于节点的方法进行采样,然后结合自注意力机制对邻阶结构特征和历史时序特征依次进行学习,并运用多头注意力机制来捕获社交网络不同面的影响。该模型在两个公开数据集上,与基线模型进行了对比,就影响模型的参数、组成必要性进行了分析,实验结果显示本文所提模型Sub Cas是有效的。（2）针对级联特征提取角度单一,无法同时提取整体和局部特征的问题,本文提出了一种融合局部图和全局图的信息级联预测模型GLCas。该模型在考虑信息级联动态演化过程问题的基础上,从局部图和全局图两个角度对信息级联图进行特征捕获。该模型运用图卷积网络学习局部图结构特征,再通过双向长短时记忆循环神经网络捕获节点间的依赖关系和时序特征,与全局图的结构特征表示融合后进行预测。与信息级联代表模型的对比实验表明GLCas模型可有效融合级联图的局部与全局特征,预测准确性得到有效提升。（3）针对项目实际需要,本文设计并实现一个具有信息级联预测和用户统计分析功能的信息级联预测子系统。该系统主要包括用户模块、数据分析模块以及用户交互模块。用户模块主要实现用户基本信息及权限管理;数据分析模块基于Sub Cas模型和GLCas模型对社交网络信息进行处理,对模型进行训练,并实现级联预测;用户交互模块将预测结果及当前系统的用户分布、发布信息特点等通过表格或折线图方式进行展示。