La propagación viral de contenido en línea puede llevar a consecuencias inesperadas como opiniones extremas sobre una marca o entusiasmo de los consumidores por un producto. Esto hace que la predicción de la popularidad futura del contenido viral sea un problema importante, especialmente para los especialistas en marketing digital, así como para los gerentes de plataformas sociales. No es sorprendente que los métodos convencionales, que dependen en gran medida de características hechas a mano o suposiciones poco realistas, sean insuficientes para abordar este desafiante problema. Incluso los enfoques basados en grafos de vanguardia son ineficientes para trabajar con cascadas a gran escala o no pueden explicar qué mecanismos de propagación son aprendidos por el modelo. Este documento presenta un marco de aprendizaje convolucional de cascada temporal-espacial llamado ViralGCN, no solo para abordar los desafíos de los enfoques existentes, sino también para intentar proporcionar algunas ideas sobre los mecanismos reales de propagación viral desde la perspectiva de la inteligencia artificial. Realizamos experimentos en un conjunto de datos del mundo real (es decir, para predecir la popularidad de retweets de microblogs en Weibo). En comparación con los enfoques existentes, ViralGCN posee las siguientes ventajas: el tamaño flexible del grafo de cascada de entrada, un método coherente para procesar tanto información estructural como temporal, y una arquitectura de aprendizaje profundo intuitiva e interpretable. Además, la exploración de las características aprendidas también proporciona pistas valiosas para que los gerentes comprendan los mecanismos esquivos de la propagación viral y diseñen estrategias adecuadas en las primeras etapas. Mediante el uso del método de visualización, nuestro enfoque encuentra que tanto la viralidad de difusión como la estructural contribuyen a que el contenido en línea se vuelva viral; la cascada con un patrón de evolución de descenso gradual o ascenso y luego descenso en la etapa inicial es más probable que obtenga una popularidad eventual significativa, e incluso el momento en que los usuarios participan en la cascada tiene un efecto en el crecimiento de la popularidad futura.