互联网、移动设备和社交网络的进步使得在网络中迅速传播的内容信息,例如新闻、推特、网志文章、广告等,呈爆炸式增长。信息级联是信息传播研究中重要的动态过程,级联传播最初从网络中的一个节点或一组节点开始,在条件合适的情况下,迅速覆盖网络的一大部分。在过去十年中,信息级联传播领域已有许多数据挖掘方法,例如基于特征工程、基于概率统计的方法和结合深度学习技术来模拟信息扩散的模型。尽管当前最先进的方法已经在该问题上取得了许多成就,但仍面临以下关键性挑战:（1）缺少有效的动态异构图建模方法,限制了模型对异构图结构中多种节点属性和复杂关系信息的学习表达能力;（2）在大规模数据上,传统网络建模缺少快速、有效的节点采样表示策略;（3）依赖大量手工特征工程,不可将一个领域的学习成果推广到另一个领域,同时这些方法也不容易实现;（4）有监督或半监督预测模型过分依赖大量的有标签数据做训练,但标签数据获取的成本较高;（5）现有的语义关联数据增强方法忽略了信息传播过程中的结构特征。针对挑战（1-3）,本文提出了端到端预测模型SI-HDGNN,它利用动态异构图神经网络学习信息级联的异构表示。具体地,它通过捕捉嵌入在大规模异构图中的丰富结构特征和语义特征来建模和学习信息传播的动态演化过程。在以往工作中,动态图神经网络和异构信息嵌入网络是分开独立研究的,SI-HDGNN模型在二者之间搭建了桥梁。新设计的异构图神经网络采用了快速加权并上下文相关的策略来采样和聚合邻居节点的特征信息。另外,SI-HDGNN是时间注意力表示网络,能够保留节点在时间上不均匀分布对信息的影响。它也能在异构的实体类之间,通过将编码级联的时间信息为点的表示,来够捕捉异构图中点的动态演化。针对挑战（4-5）,本文提出了信息级联自监督学习框架RDEA,并设计了三种新颖的数据增强策略,如:遮蔽点、子图和修剪边。本模型通过变更内容特征和传播结构特征为信息级联事件生成正样本。因此,在这一过程中,数据的内部关联被利用来得到自监督的信号,并通过对增强后的数据进行对比学习预训练来强化信息级联的表示。然后,RDEA模型用标签信息对预训练好的模型的基础上进行微调,最后作出预测。为了验证模型的有效性和可靠性,本文在多个大规模公开数据集上进行了充分的实验验证、消融分析、案例解析以及扩展场景下的模型预测。