近年来随着开放、分享与互动的崭新社交理念被更多用户所接受和认可,社交网络平台已经取代传统媒介并且融入到人类生活的方方面面中。而对于社交网络平台而言,保证庞大的活跃用户和点击量是维持平台发展和利润的重要前提条件,因此如何吸引用户和迎合需求成为社交网络平台关键目标。而热门话题预测推荐就是其中一项关键技术,本文的研究内容就围绕社交网络中消息传播量预测而展开。通过对新浪微博上热门事件的分析,我们发现消息传播过程中关联消息往往会相互影响并且呈现出竞争或者互动现象,而以往的研究文献往往忽略了这种外部关联因素的影响,仅仅将传播过程看成消息的自增长过程。根据对相关研究的总结,传播预测模型可以分成两大类:基于节点的激活模型和基于网络的预测模型。基于节点的激活模型注重分析具体节点如何受邻近节点的影响而被激活的过程,经典的模型有ICM模型、T-Basic模型等等,但这些模型往往忽略了消息间竞争与互动行为而且没有考虑消息的影响力是随时间而衰减的,因此本文中我们提出了一种改进型的节点激活概率模型。此外基于网络的预测模型关注于某消息在网络中的传播量和蔓延速度,相关模型包括SIS-based模型和PDE-based模型等,但同样大部分模型忽视了关联消息的作用。而本文将这两种模型进行整合,通过本文提出的改进型节点激活模型进行推导,我们得到了能解释关联消息互作用的Coco模型。该模型具有计算复杂度小以及基于社交网络特性的合理建模等优点。此外我们从新浪微博上爬取从2014年8月到2015年12月的众多热门话题内容,该数据集包含1,263,988条微博详细内容和905,987个用户节点基本资料,包含如“冰桶挑战事件”、“黄晓明与杨颖大婚”等热点新闻,并且从中选取11个消息关联程度较强的事件对基于网络的预测模型进行实验分析对比。其中实验分为拟合度评估和预测精确度评估两方面。拟合度评估主要用于分析模型能否精确匹配实际消息传播过程以及模型假设是否符合社交网络特性等,而Coco模型在该测评上表现优异且拟合度优于其它对比模型。预测精确度评估则是反映模型在实际社交网络中是否存在使用意义的重要指标,同样Coco模型表现出良好的预测准确度和较高的稳定性,没有出现其它模型中的过拟合现象,而且将预测偏差保证在一定误差范围内。综合而言,本文提出Coco模型具有计算复杂度低、能合理解释竞争与互动现象、对实际传播过程拟合度高和预测精确度高等优点。在大型社交网络平台的热门话题预测和数据负载均衡等模块上具有使用实际使用意义。