海量的用户群体使得以微博为代表的在线社交网络拥有日益庞大的社会影响力,在众多社会热点信息、重大舆情事件的传播上都发挥了重要作用。然而目前由于在线社交网络较为复杂,影响传播的因素比较丰富,社会对在线社交网络上信息传播的核心规律的认识仍有不足,对信息传播规律深入研究进而预测传播行为和趋势,已成为亟待解决的热点问题。本文的主要工作是针对微博平台中以转发为主要机制的传播预测,目的是研究微博信息在网络中传播的趋势和规模,预测信息的流行程度。主要从两方面展开:首先是基于传染病模型和级联模型,研究微博传播的内在规律,建立回归模型,预测微博的转发量;另外,分析影响微博转发的因素,构建特征空间,利用机器学习算法对微博的转发量进行分类预测。主要内容如下:1.建立回归方程,预测微博转发量。首先结合传染病建模理论,将微博用户划分为两个仓室,传播者的粉丝作为微博的潜在关注者,建立一个微博关注者与转发者之间的数量关系方程,然后根据两个仓室之间的状态转移规律,建立传播者数量的预测模型,最后通过拟牛顿法,利用微博传播初期的转发数据对模型中的参数进行拟合。在数据集上进行的实验分析了各种参数设置下的误差,与基准模型进行了对比实验,验证了该模型的有效性和可靠性。2.利用微博初期转发数据和用户行为数据,建立分类模型,预测微博的转发规模。首先引入时序特征,统计微博在传播过程中形成的转发网络,从而扩充了微博转发的特征空间。然后利用双向GRU神经网络提取微博文本特征,从而提高了语义特征描述的精确程度,并与微博的发布特征进行融合,建立了更全面的特征工程。将特征归一化后,输入到梯度提升树(GBDT)进行分类。最终经过训练得到基于多维度特征的微博流行度预测模型。实验表明,与同类型相比,该模型能够更加准确的预测微博的流行程度。此外对特征重要性的分析表明,本文加入的时序特征、改进的语义特征能够有效的提高预测的效果。