3.23 其他预测方法
除了以上两大类流行度预测方法之外，有些方法还从概率模型和传播模拟的角度实现对用户生成内容流行度的预测。例如，Zaman 等[33]分别利用基于贝叶斯的概率模型以及概率协同过滤模型MatchBox [34] ，对 Twitter 上推文的流行度进行预测。万圣贤等[35]提出了一种基于传播模拟的微博消息流行度预测方法。该方法首先利用最大熵模型学习并预测用户转发消息的概率，然后利用独立级联传播模型在真实的社会网络上模拟消息的传播过程，从而完成消息流行度的预测。类似的，张亚明等[36-37]也研究了微博平台上用户转发行为的预测问题。此外，Li 等[38]研究了人人网内视频分享数量的预测问题，其中研究者通过追踪视频的传播过程和用户的观看及分享行为，设计了基于传播过程的视频流行度预测模型。该模型除了考虑视频发布初期的分享数量之外，还考虑了视频的兴趣度，以及底层网络结构对视频传播过程的影响。Gupta 等[39]采用分类、回归以及两者混合的方法对微博平台上事件的流行度进行预测。
