社交媒体的飞速发展赋予了社交网络上的信息传播快速、海量的特点,使得对社交网络上的信息传播的研究具有重要的政治、社会、经济意义。其中对信息传播预测的研究,由于其在广告营销、舆情控制等方法的重要作用,吸引了广大研究者的研究兴趣。研究者针对这一研究问题提出了大量的网络传播预测模型,而在选择适合的模型时,如何对预测模型进行比较自然成为了亟待解决的问题。当前研究者只是简单地将各个传播预测模型放在各自的传播数据集上进行实验,比较它们的预测精度。由于该方法缺少对预测任务的统一表示,导致比较结果只能成为个例,缺乏普遍性,因此,本文对该问题进行了探究,提出通过一个指标来表示传播数据集的可预测性,从可预测性的角度将不同的传播数据集统一地表示出来,使得传播预测模型在不同的数据集上的预测结果能够参考数据集的可预测性,使该结果具有可比较性。本文主要分为以下五个部分:第一部分为绪论,明确本文的选题缘由,梳理研究现状,首先对社交网络上的信息传播预测模型做了大致的总结与分类,进而提出了当前对预测模型的比较缺乏统一标准的研究需求,分析了当前模型比较方式的不足。第二部分首先介绍了信息熵的概念,在信息论中用信息熵来表示随机事件的不确定度。由此,本文提出了用于表示网络传播数据集可预测性的指标——平均顺序熵,并基于信息熵的公式定义了平均顺序熵的计算公式。平均顺序熵衡量了传播序列集中所含有的有关用户传播的先后顺序的信息量的大小。第三部分中,首先介绍了表示学习以及将表示学习用于网络信息传播预测的优点,然后介绍了两个经典的基于网络表示学习的传播预测模型,在两个模型的基础上本文考虑了不同的传播序列对彼此在隐空间中的位置的影响,通过将来自不同传播源的传播序列嵌入到不同的隐空间中,提出了改进的预测模型。最后介绍了模型预测精度的计算方法。为了验证本文提出的平均顺序熵是否能用于表示可预测性,本文通过预测模型的精度作为桥梁,通过研究平均顺序熵与精度的相关性来探究前者与可预测性是否具有相关性。第四部分首先通过实验证明了平均顺序熵与模型预测精度之间存在稳定的相关性,由此得出结论平均顺序熵能够用于对可预测性进行表示。基于此,本文提出将平均顺序熵应用于预测模型的比较中,得到新的传播预测模型的比较方式,即生成一组具有不同平均顺序熵值的传播数据集,在这些数据集上分别比较不同模型的预测精度。这一新的比较方式不仅工作量相对较小,并且由于实现了不同数据集在可预测性维度的统一,使得比较结果更具代表性,同时,该比较方式还能考察在预测任务难度变化时,不同预测模型的精度的变化趋势。第五部分为结语,首先总结了全文的三个主要工作,并对未来的研究工作进行了展望,提出了可对可预测性和信息熵之间的定量关系进行进一步的研究,同时网络的拓扑结构对可预测性的影响也是值得关注的研究方向。