《中國人工智能學會通訊》——3.23 其他預測方法

除了以上兩大類流行度預測方法之外，有些方法還從機率模型和傳播模拟的角度實作對使用者生成内容流行度的預測。例如，Zaman 等[33]分别利用基于貝葉斯的機率模型以及機率協同過濾模型MatchBox [34] ，對 Twitter 上推文的流行度進行預測。萬聖賢等[35]提出了一種基于傳播模拟的微網誌消息流行度預測方法。該方法首先利用最大熵模型學習并預測使用者轉發消息的機率，然後利用獨立級聯傳播模型在真實的社會網絡上模拟消息的傳播過程，進而完成消息流行度的預測。類似的，張亞明等[36-37]也研究了微網誌平台上使用者轉發行為的預測問題。此外，Li 等[38]研究了人人網内視訊分享數量的預測問題，其中研究者通過追蹤視訊的傳播過程和使用者的觀看及分享行為，設計了基于傳播過程的視訊流行度預測模型。該模型除了考慮視訊釋出初期的分享數量之外，還考慮了視訊的興趣度，以及底層網絡結構對視訊傳播過程的影響。Gupta 等[39]采用分類、回歸以及兩者混合的方法對微網誌平台上事件的流行度進行預測。