信息級聯(lián)預(yù)測（ Information Cascade prediction）是社交網(wǎng)絡(luò)分析領(lǐng)域的一個研究熱點(diǎn)，其通過信息級聯(lián)的擴(kuò)散序列與拓?fù)鋱D來學(xué)習(xí)在線社交媒體中信息的傳播模式。當(dāng)前的信息級聯(lián)預(yù)測模型大多以循環(huán)神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)，僅考慮信息級聯(lián)的時序結(jié)構(gòu)信息或者序列內(nèi)部的空間結(jié)構(gòu)信息，無法學(xué)習(xí)序列之間的拓?fù)潢P(guān)系。而現(xiàn)有的級聯(lián)圖結(jié)構(gòu)學(xué)習(xí)方法無法為節(jié)點(diǎn)的鄰居分配不同的權(quán)重，導(dǎo)致節(jié)點(diǎn)之間的關(guān)聯(lián)性學(xué)習(xí)較差。針對上述問題，文中提岀了基于節(jié)點(diǎn)表示的信息級聯(lián)采樣方法，將信息級聯(lián)建模為節(jié)點(diǎn)表示而非序列表示。隨后提岀一種基于分層注意力的信息級聯(lián)預(yù)測（ Information Cascade Prediction with Hierarchical attention， ICPHA）模型。該模型首先通過結(jié)合了自注意力機(jī)制的循環(huán)神經(jīng)網(wǎng)絡(luò)來學(xué)習(xí)節(jié)點(diǎn)序列的時序結(jié)構(gòu)信息;然后通過多頭注意力機(jī)制學(xué)習(xí)節(jié)點(diǎn)表示之間的空間結(jié)構(gòu)信息;最后通過分層的注意力網(wǎng)絡(luò)對信息級聯(lián)的結(jié)構(gòu)信息進(jìn)行聯(lián)合建模。所提模型在 Twitter， Memes，Digg這3種數(shù)據(jù)集上達(dá)到了領(lǐng)先的預(yù)測效果，并且具有良好的泛化能力。