随着社交网络的兴起,信息扩散已成为近几年热门的研究领域。信息扩散的定义是信息通过用户间的交互行为而到达个体的过程。信息扩散一般可以分成突发话题检测、社区发现、信息源检测、和链接预测四个研究领域,而扩散预测是链接预测衍生出的一个分支领域,用于预测哪些用户会参与到信息的传播过程。目前传统的信息扩散方法可以分为相似度模型和概率模型,前者希望能够通过找到网络结构内在的规律,将相似度高的节点用户放在一起,并且假设越相似的用户彼此越容易影响;后者则通过参数模型特征,通过最大化(或最小化,视模型而定)目标函数求得最优参数解。然而这两类模型均存在自身局限性:1)相似度模型需要底层社交网络和其他用户信息作为模型的特征输入,而这类信息在获取上存在困难;2)概率模型着眼于全局信息结构,效率较低,无法处理大规模数据。基于上述局限性,本论文提出了基于潜在空间向量的信息扩散算法。通过从核函数和特征学习两个角度,构建潜在空间,并用向量表示用户和用户的特征行为,从而可以直接通过信息序列优化向量,无需额外的社交网络信息等特征;同时引入三元组将序列比较转化为成对比较,并且通过相关算法,将用户参与消息传播的时间先后顺序转变为潜在空间的欧式距离的远近问题,降低了运算的时间复杂度,较大程度提升了运算的效率。为验证模型的效果,将此模型同三个常用扩散预测模型相比较,在三个真实的社交数据集上进行测试,并用平均准确率作为衡量标准,就结果作出了相应的分析。通过实验证实,基于潜在空间向量模型的信息扩散算法的效果是最好的。最后在现有模型的基础上进行优化,引入了话题属性作为模型的特征,通过tf-idf和主成分分析算法降维、k-means聚类的方式将话题特征融入到现有模型中,从而进一步提升了实验结果。