En este artículo, estudiamos el problema de predecir la popularidad de las preguntas en la Comunidad de Preguntas y Respuestas (CQA). Para abordar este problema, proponemos un Modelo de Proceso Puntual Recurrente con Atención Posterior (PARPP) para tener en cuenta tanto la interacción de los usuarios como el efecto Mateo en la predicción de la popularidad de las preguntas. Nuestro PARPP utiliza una red neuronal de memoria a corto y largo plazo (LSTM) para codificar el historial observado y otra red LSTM para registrar cada paso de decodificación de información. En cada paso de decodificación, utiliza la atención previa para capturar respuestas que tienen un mayor impacto en el problema. Cuando se observa una nueva respuesta, utiliza la regla de Bayes para modificar la atención previa y obtener la atención posterior. Luego, la atención posterior se utiliza para actualizar el estado de decodificación. Además, introducimos una estrategia de convergencia para capturar el efecto Mateo en CQA. Realizamos experimentos en un conjunto de datos de Zhihu recopilados de un famoso foro chino de CQA. Los resultados experimentales muestran que nuestro modelo supera a varios métodos de vanguardia. Además, analizamos el mecanismo de atención en nuestro modelo. Nuestro análisis muestra que el mecanismo de atención propuesto puede capturar mejor el impacto de cada respuesta en la popularidad futura de la pregunta, lo que hace que nuestro modelo sea más interpretable. Nuestro estudio podría arrojar luz sobre otros estudios similares, como la clasificación de respuestas en respuesta a la pregunta y la búsqueda de expertos que tengan experiencia en los temas de las preguntas.