社交网的信息传播问题是近年来的社交网重要课题之一,传统的社交信息传播模型,都以网络中用户的连接为已知条件,来预测信息的传播趋势,但是真实的社交网中,通常对于社交网的结构是不了解的,甚至现实世界中经常无法获得社交网的拓扑结构,这种情况下模拟信息传播过程是一个挑战性的课题。本文提出了两种无拓扑结构的社交模型,分别为基于用户影响和兴趣的社交信息传播模型(简称NT-II)与基于GRU的社交信息传播范围预测模型(简称NT-GP)。第一种模型使用表示学习的方式,构建了两个隐藏的空间,一个空间称为用户影响空间,每个用户都映射成该空间中的向量,向量之间的距离代表了用户之间的影响程度。另一个空间称为用户兴趣空间,每个用户和每个传播项都映射成该空间中的向量,用户对传播项的喜爱程度根据对应向量之间的距离来推断,距离越近,喜爱程度越大。本文使用梯度下降方法给出了该模型参数的有效学习算法。真实数据上的实验结果表明,模型能更准确地模拟传播过程和预测传播结果,在多个度量指标上都优于现有的无拓扑结构传播模型。第二种模型是一种无拓扑结构的信息传播范围预测模型,算法利用了GPU神经网络学习事件的早期传播轨迹,获得事件传播的高级特征,预测事件未来的传播范围。为了准确模拟传播过程,我们提出了两种方法选取定长传播序列作为GRU神经网络模型的输入。为了表示用户特征,提出了两种将用户节点进行向量化的方法。定长传播序列经过GRU的学习,获得了代表事件传播的高级特征。最后通过注意力机制,将这些高级特征进行整合和权重分配,再通过MLP机制就可以预测事件的传播范围。与其他传播范围预测模型相比,本模型预测效果较优。