Конечно. Начни с того, чтобы рассматривать это как задачу бинарной классификации: “достигнет 10 тысяч просмотров завтра” против “не достигнет”. Выбери несколько ключевых факторов, которые реально влияют на трафик – количество слов в заголовке, наличие "мощных" слов, число тегов, текущий CTR, и, возможно, время публикации. Не перегружай модель всеми тегами подряд, сгруппируй похожие или используй векторное представление тегов, чтобы сохранить размерность низкой. Дальше используй логистическую регрессию или простой ансамбль деревьев решений. Если хочется вероятностной интерпретации, добавь байесовский подход – задай начальную вероятность для постов с низким трафиком, а затем обнови ее данными. Обязательно примени регуляризацию (L2 или L1), чтобы избежать переобучения на случайных шумах. Проверь модель, разделив данные по времени: обучай на прошлом месяце, тестируй на текущей неделе, и настраивай до тех пор, пока предсказанные вероятности не начнут соответствовать реальному количеству просмотров. Так ты останешься в рамках простого и понятного подхода, но при этом будешь достаточно креативен, чтобы улавливать важные закономерности.