1、社交網(wǎng)的信息傳播問題是近年來的社交網(wǎng)重要課題之一，傳統(tǒng)的社交信息傳播模型，都以網(wǎng)絡(luò)中用戶的連接為已知條件，來預(yù)測信息的傳播趨勢，但是真實的社交網(wǎng)中，通常對于社交網(wǎng)的結(jié)構(gòu)是不了解的，甚至現(xiàn)實世界中經(jīng)常無法獲得社交網(wǎng)的拓撲結(jié)構(gòu)，這種情況下模擬信息傳播過程是一個挑戰(zhàn)性的課題。
　　本文提出了兩種無拓撲結(jié)構(gòu)的社交模型，分別為基于用戶影響和興趣的社交信息傳播模型（簡稱NT-II）與基于GRU的社交信息傳播范圍預(yù)測模型(簡稱NT-GP)。

2、r>　　第一種模型使用表示學(xué)習(xí)的方式，構(gòu)建了兩個隱藏的空間，一個空間稱為用戶影響空間，每個用戶都映射成該空間中的向量，向量之間的距離代表了用戶之間的影響程度。另一個空間稱為用戶興趣空間，每個用戶和每個傳播項都映射成該空間中的向量，用戶對傳播項的喜愛程度根據(jù)對應(yīng)向量之間的距離來推斷，距離越近，喜愛程度越大。本文使用梯度下降方法給出了該模型參數(shù)的有效學(xué)習(xí)算法。真實數(shù)據(jù)上的實驗結(jié)果表明，模型能更準確地模擬傳播過程和預(yù)測傳播結(jié)果，在多個度量指標

3、上都優(yōu)于現(xiàn)有的無拓撲結(jié)構(gòu)傳播模型。
　　第二種模型是一種無拓撲結(jié)構(gòu)的信息傳播范圍預(yù)測模型，算法利用了GPU神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)事件的早期傳播軌跡，獲得事件傳播的高級特征，預(yù)測事件未來的傳播范圍。為了準確模擬傳播過程，我們提出了兩種方法選取定長傳播序列作為GRU神經(jīng)網(wǎng)絡(luò)模型的輸入。為了表示用戶特征，提出了兩種將用戶節(jié)點進行向量化的方法。定長傳播序列經(jīng)過GRU的學(xué)習(xí)，獲得了代表事件傳播的高級特征。最后通過注意力機制，將這些高級特征進行整合和權(quán)