司法场景下案例推荐系统的召回方法研究

司法案例推荐主要具有司法领域知识重要、用户关注点集中等特点。目前,大多数推荐方法研究聚焦于精排步骤,对实际系统中召回研究相对有限,特别是缺乏在司法等特定场景下的召回研究。文章从司法案例文书的特点出发,设计了基于内容、协同过滤、热度的召回策略,特别考虑到司法领域知识的利用,设计了基于司法要素的召回策略。随后,提出基于多路融合的召回算法,将不同召回策略进行组合,组合方式包括各路择优选择、加权投票等。最后,基于真实司法信息系统构建案例推荐数据集,对不同召回策略以及多路召回的组合方式、网络结构、最佳权重开展了探究分析。实验结果表明,基于案由的召回是单路召回中的最优方法,召回率为0.43,多路召回的最佳方式为各路加权投票,召回率为0.72。     

基于LSTM神经网络的复杂工况下明渠流量预测

复杂工况条件下明渠流量预测是一项基础问题，通常是建立非线性偏微分方程组并数值计算，时间成本与时空步长精细程度成指数关系，需在精度与效率之间权衡。该文基于“实时感知、水信互联、过程跟踪、智能处理”水联网理论，研究了明渠水流控制中闸门上下游序列特征，结合了渠道与闸门各类动静态特征，提出了基于长短期记忆(long short-term memory, LSTM)神经网络的明渠流量预测方法。实验结果表明，该方法在各渠段上预测准确率均大于97%,效率在100 000条数据规模上比求解Saint-Venant方程的数值计算方法提高了308倍。该文验证了人工智能方法改进传统明渠流量预测问题的可行性，合理设计的深度学习模型可取得准确性与效率的双赢，为人工智能解决水力学问题提供了新的思路。