随着信息技术的飞速发展，我们所接受的媒体数据形式已经从单一的文本数据转变为形式更生动、内容更丰富的各种多模态数据，同时各种数字化信息采集设备和互联网的普及，让短视频这一种由用户拍摄、制作并分享的数据形式成为其中最新兴、最流行的一种。对于用户和短视频平台来讲，如何快速、准确地预测出短视频的流行程度，对于广告推送、视频推荐和带宽分配等方面应用都有重要的实际意义。
　　因此本论文针对短视频的流行度预测问题展开研究，通过对单模态和多模态媒体数据分析相关技术的研究，提取了短视频样本的多个模态的特征，并提出了两种短视频流行度预测的模型。将主要工作总结如下：
　　(1)针对本文所使用的的短视频数据进行了多模态特征的提取过程，介绍了每种特征的选择原因、特点以及提取方法。最终对每个短视频样本，提取了其四个模态的特征，包括视觉特征、文本特征、音频特征和社交特征。
　　(2)研究了一种基于特征矩阵的低秩表示和稀疏回归过程的流行度预测模型。首先将特征矩阵进行低秩自表示，挖掘其中的低秩结构信息，之后结合流行度分数预测的稀疏回归过程，将两个优化问题进行联合优化。最后针对不同模态特征在流行度预测中的作用进行了实验验证。
　　(3)针对社交特征在流行度预测中的特殊性，研究了一种考虑特征差异化的直推式学习模型，将流行度预测过程分为基于社交特征的流行度分级过程和基于多模态特征融合的层级内流行度预测过程，最终在流行度分数的误差和排序性两项指标上证明了该模型中分级过程的有效性。