随着互联网和移动设备的蓬勃发展,理解和研究社交网络中的信息传播过程,在近些年得到了学界和业界的广泛关注。规模预测或流行度预测的目标是对信息进行初期观测,然后预测其在网络中传播的范围和规模。如何在复杂、快速变化、受各种内外部因素影响的社交网络中准确地预测信息级联的规模,成为该问题的主要挑战之一。大多数已有的信息级联规模预测模型依赖于人工设计的特征工程和随机过程,或者通过神经网络来对其进行端到端的学习。尽管上述模型取得了一定的成功,它们面临着许多亟待解决的重大挑战:（1）只考虑了局部结构特征,不能同时对全局和局部传播结构进行建模;（2）使用了简单的时间和结构特征建模方法,忽略了层级建模;（3）无法处理信息传播过程中的变化和不确定性;（4）无法利用无标签数据;（5）已有的数据增强方法不能直接应用到信息级联图上;（6）依赖于大量的有标签训练数据,泛化性能较低;（7）信息级联表示难以迁移到其他数据集和预测任务上。为了解决挑战（1-3）,我们提出了基于图神经网络的Cas Flow模型,该模型对信息级联图进行非线性的层级分析并对传播过程中的变化和不确定性进行建模,它通过学习时间和结构上的级联隐藏表示来预测其规模。Cas Flow模型不依赖于特定的传播模式,它采用了变分自编码器和正则化流来同时学习节点和级联级别的潜在影响因素,其预测具有更好的准确性和鲁棒性。为了解决挑战（4-7）,我们提出了基于图对比自监督学习的CCGL模型,它首先在有标签和无标签数据上通过不基于特定任务的对比自监督预训练来学习信息级联图的通用表示,然后在特定下游任务上使用有标签数据来进行模型微调,最后通过专门设计的教师学生网络来对模型进行知识蒸馏和迁移学习,有效地解决了“负面迁移”问题。CCGL模型通过模拟信息在网络中的传播过程,创新性地设计了图数据增强策略Aug SIM,缓解了模型在小数据集上训练所导致的过拟合现象,并且具备更好的泛化性能。CCGL模型可以从数据中学习到通用的知识,并将其迁移到其他类型的数据集和预测任务上以提升预测效果。它的“无监督预训练、模型微调、知识蒸馏”范式,对信息级联预测模型的设计提供了新的视角。本文在多个公开的大规模信息级联数据集上进行了大量的实验验证,与多个常见的基准模型相比,本文提出的两个模型均显著地降低了预测误差。