随着互联网的蓬勃发展以及各种新型在线社交媒体的出现为信息的传播扩散提供了新的方式,极大地促进了信息的产生与传递。预测信息在社交媒体上的传播情况对于信息推荐、谣言控制、公共安全和趋势主题跟踪等方面具有重要的应用价值,是社会网络分析的重要研究方向。现有的信息流行度预测方法主要分为基于特征的方法、生成方法和上述两者方法的结合。目前预测效果较好的是DeepHawkes模型,但该模型仅仅通过建模信息级联的早期扩散情况来预测信息未来的流行度,忽略了信息本身的文本内容对于信息传播流行度的影响。但事实上,信息的文本内容对于信息传播的流行度起着重要作用,它们之间有很强的相关性。针对DeepHawkes模型忽略了信息文本内容的不足,本文在DeepHawkes模型的基础上,提出了既考虑级联的因素又考虑文本内容的LDA-DeepHawkes模型。本文的主要工作包括:(1)提出了考虑主题的DeepHawkes模型,利用LDA主题分类模型抽取消息文本主题内容,并使用深度模型学习主题的表示向量,模拟主题之间的自激机制。(2)提出了 LDA-DeepHawkes模型,该模型将只考虑信息级联的DeepHawkes模型与只考虑主题的DeepHawkes模型相融合,在继承DeepHawkes模型高解释性的同时,又进一步提高了预测结果的精度。(3)在两个真实数据集上进行了充分的实验,对模型中的各种细节参数进行了优化,并将结果与其他模型的预测结果进行了比较,验证了本文所提模型的有效性。