基于深度学习的个性化新闻推荐

由于网络上每天有海量的新闻报道产生,新闻推荐已经成为减轻用户信息负载、实现个性化新闻信息获取的重要途径,并被广泛用于新闻网站和新闻APP中以提升用户体验.不同于传统的商品推荐,在新闻推荐中新的新闻文章产生速度很快,而且新闻的语义信息需要结合整体新闻文本去理解,给传统的基于ID和基于特征的推荐算法带来了很大的挑战.此外,用户的新闻阅读兴趣存在高度多样性和动态性的特点,使得准确的用户建模变得非常困难.本文介绍了一些基于深度学习的个性化新闻推荐算法,并探讨了新闻推荐未来的一些可行的方向.     

基于多模态的音乐推荐系统

使用传统协同过滤的方式进行推荐往往会忽视音乐底层特征.通过将音乐的音频特征与歌词信息进行多模态融合,并将融合后的特征信息作为协同过滤推荐的补充,提出了一种基于多模态的音乐推荐系统.主要探讨了音频特征与歌词信息的提取,并在提取歌词信息时利用LDA主题模型进行特征降维.针对多模态融合问题,使用一种特征级联早融合法（EFFC）融合方式,并将多模态融合后的结果与单模态结果进行了比较.对于结果的推荐,以多模态特征信息为依据建立用户兴趣模型,并将该模型通过LSTM神经网络,以过滤与优化协同推荐的用户组.结果表明,基于多模态的音乐推荐系统将推荐结果的误差项平方和（SSE）由传统的2.009降至0.388 6,验证了该方法的有效性.     

多重对级贝叶斯个性化排序算法

为解决隐式反馈推荐问题,贝叶斯个性化排序（BPR）模型已经成为最具有代表性的对级（Pairwise）排序算法之一.在BPR模型中,存在一个严格的偏序假设：相较于未标记的物品而言,用户更喜欢已经有过标记行为的物品.本文提出了一种多重对级贝叶斯个性化排序（MBPR）推荐算法来进一步提升用户对物品的偏好预测能力.首先,基于BPR模型的排序关系设计了一种改进的多重对级偏序假设.具体地,对于每一用户,本文提出将未标记的反馈集细分为潜在的负反馈集和不确定性反馈集,并基于改进的对级偏序假设,提出了一种新的多重对级排序的优化目标来学习用户与物品之间的相关性.为实现MBPR模型的采样任务,本文设计了一种自适应采样策略来为模型更新动态地选取训练样本.最后,在公开数据集上开展了仿真推荐实验,并与基线算法对比.实验结果表明,MBPR算法能够取得更好的推荐效果.     

推荐系统中物品召回技术的研究进展

信息技术的快速发展导致信息过载.推荐系统是解决信息过载最有效的方式之一.近年来,深度学习的快速发展也带动了推荐系统的进步,各种深度推荐算法层出不穷.然而由于候选物品数量巨大且用户兴趣动态变化,深度推荐算法的推荐复杂度巨大,难以在实际系统中单独使用.在深度推荐技术发展的同时,物品召回技术（也称近似搜索技术）也有了较大的发展与进步.本文先介绍基于距离最小化的物品召回的研究进展,再从向量索引、局部敏感哈希、哈希学习、向量量化四个方面来深入探讨基于内积最大化的物品召回技术的研究进展.     

一种基于三部图网络的协同过滤算法

推荐系统是电子商务领域最重要的技术之一,而协同过滤算法又是推荐系统用得最广泛的.提出了一种基于加权三部图网络的协同过滤算法,用户、产品及标签都被考虑到算法中,并且研究了标签结点的度对用户相似性计算的影响.实验结果表明,此算法在解决用户冷启动问题的同时,还具有较高的推荐准确性.     

北京奥运期间场馆精细预报应用及分析

基于2008年8月1—24日国家体育场、顺义水上中心等5个奥运场馆自动站的5种地面气象要素(气温、相对湿度、风向、风速、和3小时累积降水量)的观测资料,对SVM和HPFF客观预报方法以及预报员在客观方法基础上制作的3天逐3小时预报产品进行检验评估。结果表明:(1)两种客观方法相比较,HPFF方法对于预报连续变化的气象要素(如气温、相对湿度)的精细预报比SVM方法更有优势,预报技巧要高;而对不连续变化的变量(如:风向)的预报技巧低于SVM方法。总体说来,HPFF方法比SVM方法的精细要素预报技巧高一些。(2)预报员对于5种气象要素的预报技巧略高于客观方法。体现了预报员对客观方法的修正能力。(3)0～12小时预报时效内,预报员气温预报平均绝对误差约为1.2℃,气温|F-O|≤1℃的预报准确率在57%上下;相对湿度预报平均绝对误差约为7%,相对湿度|F-O|≤10%的预报准确率约为74%;风向预报准确率约为30%;风速预报平均绝对误差为1m.s-1左右,预报准确率在92%左右。(4)12～63小时预报时效内,预报员气温预报平均绝对误差约为1.7℃,气温|F-O|≤1℃的预报准确率在36%上下;相对湿度预报平均绝对误...     

基于改进混合蛙跳算法的个性化旅游路线推荐

大众在旅游途中期望获得开销低、行程方便、舒适度高的旅游体验,同时还具有历史人文、自然景观、美食购物等不同游览需求.因此,本文提出了一种基于改进混合蛙跳算法的个性化旅游路线推荐方法.首先建立个性化旅游路线推荐问题的优化模型,并针对该模型的特点,设计改进混合蛙跳算法.通过调整可控精度,增加筛选准则和及时处理异常解等策略增强群体的多样性,降低遗漏最优解的风险,强化局部搜索能力,并提高算法的求解精度.以南京三日游个性化旅游路线推荐问题作为实例,收集南京市内知名景点的门票价格、开放时间、不同出行方式所需的时间和花费情况以及食宿费用等相关数据,基于改进混合蛙跳算法进行求解.实验结果表明,与改进前的方法相比,所提改进方法能够获取更优的路径解,推荐的路线能够更好地满足用户的个性需求.     

基于三维骨骼信息的动态手势识别

手势识别作为人机交互的有效手段,成为当前研究的热点话题.针对动态手势识别存在时空多变性、特征复杂性等问题,本文提出了一种基于三维骨骼信息的动态手势识别方法.动态手势具有时间上的差异性和复杂性,极大地影响了动态手势识别的准确率.因此,本文设计了一种动态手势关键帧提取算法,该算法可以提取动态手势关键部分,用于进一步的特征提取.另外,单独分类器的分类效果存在差异性,本文采用多个分类器同时对手势特征进行分类,充分利用了所提取的特征.同时,本文还提出了一种自适应融合算法,可以根据分类精度有效融合不同分类器,提高最终分类效果.最后,通过实验验证了本文提出的动态手势识别框架和方法的有效性.     

中国北方春季沙尘暴频次的多要素线性拟合

利用1953-2005年地面风速及地温(5 cm和40 cm深处)等18个气象要素的春季标准化资料对我国北方97个测站的标准化春季沙尘暴频次进行了线性拟合,结果表明:无论对单要素拟合还是对多要素拟合,要素与沙尘暴频次间的(平均)相关程度决定着其对后者的拟合效果,相关程度越高,拟合效果越好。若与实际级别相同的拟合沙尘暴频次视为准确,则全区约有33%的测站,其拟合准确率≥50%;53年间约有39.6%的年份,其拟合的准确范围≥50%;对所有年份和所有测站而言,约45.6%的沙尘暴频次能够被准确地拟合,拟合的沙尘暴频次略低于实际频次。根据线性拟合方程中各要素前的系数可断定,18个要素中风速和蒸发量是沙尘暴的正影响因子,而水汽压、相对湿度和最低气温等则是沙尘暴的负影响因子,其他一些因子对沙尘暴的影响方式具有明显的区域性差异。     

基于Fisher判别的南方双季稻低温灾害等级预警

为了建立南方双季稻低温灾害综合预测预警技术体系, 基于南方双季稻种植区1961—2010年708个气象站的逐日气象资料、水稻生育期资料和低温灾害发生的气象行业标准,采用Fisher判别分析法、因子膨化法、相关性分析法,利用SPSS软件构建早稻春季低温灾害高风险区 (Ⅰ区) 未来10 d、晚稻寒露风高风险区 (Ⅰ区)、主灾区 (Ⅱ区) 未来5 d的低温灾害发生等级逐日滚动预警模型。其中,1961—2009年资料用于模型构建和回代检验,2010年资料用于模型的外延预测。结果表明:早稻、晚粳稻、晚籼稻Ⅰ区平均外延预测基本一致准确率分别达到90.5%,74.2%,80.3%,晚粳稻、晚籼稻Ⅱ区平均外延预测基本一致准确率分别为89.4%和80.3%。构建的南方双季稻低温灾害逐日滚动预警模型的外延预测基本一致准确率多超过80%,等级预测检验误差总体上在1个等级以内,模型评价效果较好。     

基于矩阵补全的气象数据推测

传统的气象数据推测大多基于插值方法,而此方法需要近邻台站的完整观测数据,这在很大程度上限制了插值方法的应用。为此,本文提出了一种基于矩阵补全的气象数据推测方法,该方法根据气象数据的近似低秩性来推测缺失数据。首先,选取我国662个气象台站2004—2013年的逐日平均温度和日照时数两种气象要素作为研究对象,通过矩阵奇异值的累积贡献率来检验数据集的近似低秩性。然后设计了两组试验,第1组试验考虑了不同采样概率下各年份的数据推测,第2组试验随机选取某些台站,考虑所选台站数据连续缺测时的推测。最后,使用矩阵补全方法推测缺失数据,采用10a的平均误差作为评价指标。试验结果表明:矩阵补全方法能很好地推测缺失数据,且具有一定的鲁棒性。     

基于DEM修订的新疆区域气温空间插值精度优化研究

为研究新疆地区气温的空间变异性,以新疆66个国家气象台站1981—2010年月平均气温和30 m空间分辨率DEM数据为基础,采用传统插值法、基于DEM多元线性回归插值和基于DEM修正的空间插值方法对新疆区域气温数据进行栅格化,并分析年平均气温与海拔的相关关系。通过采用反距离权重法(IDW),普通克里格法(Kriging),样条函数法(Spline)和趋势面分析法(Trend)4种空间插值方法对气象要素进行直接插值、气温多元回归模型残差结果插值、基于DEM修正插值对比分析。通过针对插值方法进行基于MAE和RMSIE的交叉验证,结果表明传统插值方法、基于多元线性回归和基于DEM修正4种空间插值精度均为IDWKrigingSplineTrend。反距离权重(IDW)空间插值方法最优,基于DEM修正IDW插值、基于多元线性回归IDW插值与传统IDW插值精度分别是0.039、0.477、1.038,插值结果客观的表达了新疆区域气温随空间梯度的变化趋势。     

基于气象因子及机器学习回归算法的夏季空调负荷预测

气温、气压、相对湿度等气象因子对夏季用电负荷的影响非常显著。为了定量研究气象因子导致用电负荷的变化,本文将夏季用电负荷与当年4月及9月用电平均值之差定义为夏季空调负荷,并利用2014年1月到2016年12月南京市逐时气温、气压、相对湿度、水汽压、降雨量、风速、露点温度等气象资料,以及逐日逐时用电负荷数据资料,采用多元线性、K近邻法,决策树,bagging回归、随机森林等5种机器学习回归算法进行建模,并对其分别进行参数调优工作,进而得到空调负荷预测结果。结果表明:多元线性回归方法是5种回归算法里效果最差的一种,但通过增加特征量的种类和样本数,可以提高预测精度;随机森林回归算法是5种回归算法里效果最好的一种,较多元线性回归算法减小误差达44%,并且较好描述了空调负荷高值区的极端情况并减少了对于训练数据的过拟合现象。     

基于不同邻近标签数选择的LANDMARC定位算法研究

对于基于射频识别的LANDMARC室内定位算法而言,该系统采用"k近邻"算法,通过选取k个与待测标签相邻且符合特定条件的参考标签,最后根据这些标签的位置结合权值估算出待测标签的坐标信息.但是在实际的操作过程中,最近邻参考标签数的选取无指导原则,具有一定的盲目性.针对这一问题,通过选取与待定位参考点最近邻的参考节点作为未知点,通过搜索法获得最优的邻近标签数k,在随后的未知节点的定位过程中,选取k个邻近标签进行定位.经过多次实验,最终得出结论,使用改进后的LANDMARC算法的性能要优于原来经典的LANDMARC算法,精确度提升了10%左右,同时避免了k值选取的盲目性.     

局部均值伪最近邻算法在降水预报中的应用

分析北京地区日降雨量资料发现,相较于其他降雨事件,大雨或暴雨事件发生的次数较少,因此该地区的降水量预报属于样本不均衡问题。在样本不均衡的情况下,K最近邻算法的分类误差率将会大大提高,这也就使传统的基于K最近邻算法的降水量预报方法的应用受到了限制。针对北京地区降水量预报这一样本不均衡问题,应用局部均值伪最近邻算法构建了北京市的降水量预报模型。该方法利用北京地区日降雨量资料和美国国家环境预报中心全球格点资料,将降雨量作为类,将美国国家环境预报中心全球格点资料的各种因子场作为天气样本特征,计算得到不同天气样本在所有类中的局部均值伪最近邻,通过决策规则实现最优分类。利用提出的降水预报模型对北京市2010年6—8月进行了24 h降水预报,实验结果表明,提出的预报方法对于降水等级预报的预报准确率以及晴雨预报的TS评分、正样本概括率、空报率和漏报率均优于传统的K最近邻预报方法,该方法具有较好的预报效果。     

Translational Science for Climate Services: Mapping and Understanding Users' Climate Service Needs in CSSP China

The Climate Science for Service Partnership China(CSSP China) is a joint program between China and the United Kingdom to build the basis for climate services to support the weather and climate resilient economic development and welfare in China. Work Package 5(WP5) provides the translational science on identification of: different users and providers, and their mandates; factors contributing to communication gaps and capacities between various users and providers; and mechanisms to work through such issues to develop and/or evolve a range of climate services.Key findings to emerge include that users from different sectors have varying capacities, requirements, and needs for information in their decision contexts, with a current strong preference for weather information. Separating climate and weather services when engaging users is often not constructive. Furthermore, there is a need to move to a service delivery model that is more user-driven and science informed; having sound climate science is not enough to develop services that are credible, salient, reliable, or timely for diverse user groups. Greater investment in building the capacity of the research community supporting and providing climate services to conduct translational sciences and develop regular user engagement processes is much needed. Such a move would help support the China Meteorological Administration's(CMA) ongoing efforts to improve climate services. It would also assist in potentially linking a broader group of "super" users who currently act as providers and purveyors of climate services because they find the existing offerings are not relevant to their needs or cannot access CMA's services.