完全个性化的新闻推荐工作通常只基于用户兴趣,可能会导致推荐结果与点击过的内容过于相似甚至重复.事实上即使一些热点新闻并不完全符合用户兴趣,用户也可能希望点击类似的新闻.目前基于热点的新闻推荐方法不能很好挖掘潜在新闻的热点...完全个性化的新闻推荐工作通常只基于用户兴趣,可能会导致推荐结果与点击过的内容过于相似甚至重复.事实上即使一些热点新闻并不完全符合用户兴趣,用户也可能希望点击类似的新闻.目前基于热点的新闻推荐方法不能很好挖掘潜在新闻的热点特征、灵活平衡用户兴趣和热点特征.本文提出一种新颖的注意力增强的热点感知新闻推荐模型(Hotspot-aware Attention enhaNced model,HAN),充分利用注意力网络和自注意力网络等深度神经网络的优势,在个性化推荐中将个性化兴趣与新闻热点性进行更好平衡与利用.该模型包括新闻编码器、热点特征提取器、用户兴趣提取器和点击预测器四个组件.提出一个热点特征提取器,使用注意力网络动态聚合热点新闻学习热点表示以更好挖掘热点特征;提出一个新颖的点击预测器来灵活融合热点特征、用户兴趣和候选新闻,以提升候选新闻的点击预测准确率.真实数据集上的实验表明HAN模型在AUC(Area Under the Curve of ROC)和F1两项指标上分别提升了7.51%和8.63%,且能够有效缓解用户冷启动问题.展开更多
该研究对基于注意力机制的长短期记忆(Attention-Based Long Short Term Memory,AT-LSTM)模型对蒸散量(Evapotranspiration,ET)模拟的可行性和有效性进行验证,以提高环境数据缺失情况下的蒸散量模拟精度。基于盐池县2012—2017年的每30 ...该研究对基于注意力机制的长短期记忆(Attention-Based Long Short Term Memory,AT-LSTM)模型对蒸散量(Evapotranspiration,ET)模拟的可行性和有效性进行验证,以提高环境数据缺失情况下的蒸散量模拟精度。基于盐池县2012—2017年的每30 min环境数据,利用不同环境因子组合构建基于注意力机制的LSTM模型,并将其与极限学习机(Extreme Learning Machine,ELM)模型、支持向量机(Support Vector Machine,SVM)模型、长短期记忆(Long Short Term Memory,LSTM)模型在日尺度、月尺度和季节尺度上进行对比分析。结果表明:与其他3种模型相比,当输入环境因子变化时,AT-LSTM模型模拟精度变化很小,模拟效果均较好。当输入空气温度、净辐射、相对湿度、土壤温度、土壤含水率所有环境因子时,基于AT-LSTM模型的模拟效果最好,均方根误差(Root Mean Square Error,RMSE)为0.013 mm/30 min,平均绝对误差(Mean Absolute Error,MAE)为0.006 mm/30 min,相关系数(Correlation Coefficient,R)值为0.905。且无论是从小时尺度、日尺度和月尺度来看,AT-LSTM模型的模拟效果均优于其他3种模型。在环境因子缺失的情况下,净辐射对盐池县ET的模拟贡献程度最大,仅输入净辐射时,AT-LSTM模型模拟得到的RMSE和MAE分别为0.014、0.007 mm/30 min,R为0.892。AT-LSTM模型模拟精度高,模型稳定性强,对蒸散量模拟预测具有一定的适用性,仅输入净辐射的AT-LSTM模型可以作为环境数据缺失条件下的蒸散量预测模型。展开更多
文摘完全个性化的新闻推荐工作通常只基于用户兴趣,可能会导致推荐结果与点击过的内容过于相似甚至重复.事实上即使一些热点新闻并不完全符合用户兴趣,用户也可能希望点击类似的新闻.目前基于热点的新闻推荐方法不能很好挖掘潜在新闻的热点特征、灵活平衡用户兴趣和热点特征.本文提出一种新颖的注意力增强的热点感知新闻推荐模型(Hotspot-aware Attention enhaNced model,HAN),充分利用注意力网络和自注意力网络等深度神经网络的优势,在个性化推荐中将个性化兴趣与新闻热点性进行更好平衡与利用.该模型包括新闻编码器、热点特征提取器、用户兴趣提取器和点击预测器四个组件.提出一个热点特征提取器,使用注意力网络动态聚合热点新闻学习热点表示以更好挖掘热点特征;提出一个新颖的点击预测器来灵活融合热点特征、用户兴趣和候选新闻,以提升候选新闻的点击预测准确率.真实数据集上的实验表明HAN模型在AUC(Area Under the Curve of ROC)和F1两项指标上分别提升了7.51%和8.63%,且能够有效缓解用户冷启动问题.
文摘该研究对基于注意力机制的长短期记忆(Attention-Based Long Short Term Memory,AT-LSTM)模型对蒸散量(Evapotranspiration,ET)模拟的可行性和有效性进行验证,以提高环境数据缺失情况下的蒸散量模拟精度。基于盐池县2012—2017年的每30 min环境数据,利用不同环境因子组合构建基于注意力机制的LSTM模型,并将其与极限学习机(Extreme Learning Machine,ELM)模型、支持向量机(Support Vector Machine,SVM)模型、长短期记忆(Long Short Term Memory,LSTM)模型在日尺度、月尺度和季节尺度上进行对比分析。结果表明:与其他3种模型相比,当输入环境因子变化时,AT-LSTM模型模拟精度变化很小,模拟效果均较好。当输入空气温度、净辐射、相对湿度、土壤温度、土壤含水率所有环境因子时,基于AT-LSTM模型的模拟效果最好,均方根误差(Root Mean Square Error,RMSE)为0.013 mm/30 min,平均绝对误差(Mean Absolute Error,MAE)为0.006 mm/30 min,相关系数(Correlation Coefficient,R)值为0.905。且无论是从小时尺度、日尺度和月尺度来看,AT-LSTM模型的模拟效果均优于其他3种模型。在环境因子缺失的情况下,净辐射对盐池县ET的模拟贡献程度最大,仅输入净辐射时,AT-LSTM模型模拟得到的RMSE和MAE分别为0.014、0.007 mm/30 min,R为0.892。AT-LSTM模型模拟精度高,模型稳定性强,对蒸散量模拟预测具有一定的适用性,仅输入净辐射的AT-LSTM模型可以作为环境数据缺失条件下的蒸散量预测模型。
