反事实增强的对抗学习序列推荐

最近,强化学习技术在序列推荐系统取得成功,它能从用户长期反馈信号中学习有效的推荐策略.然而,模型的激励函数设计面临区分度过低的难题.这限制了模型学习不同用户反馈信号间的价值差异的能力,并导致推荐策略总是次优的.现有工作主要通过调节衰减因子来保证激励函数区分度,但它依赖专家先验知识缺乏理论基础.为了更合理地设计激励函数和提高其区分度,本文依据因果论来分析推荐系统,并提出一种基于反事实区分度增强的序列推荐算法CAL4Rec.首先,所提出方法用结构因果图描述序列推荐过程,并创造性地用因果图定义了因果可鉴别的价值激励区分度.其次,该方法用反事实生成对抗的自监督学习过程优化推荐策略网络,以学习用户的真实倾向.在一系列序列推荐基准数据集上,对CAL4Rec开展了广泛对比和消融实验,实验结果表明CAL4Rec的提升对多种网络实现结构有效(平均2.34%).     

面向复杂中文地址关联的三维关系评估模型*

地址关系多样复杂阻碍信息业务发展,严重影响基于中文地址的大数据分析结果。针对此问题,调研地址关联工作并设计了一种三维关系评估模型。该模型根据地址关键元的文本属性、地理属性和统计属性分别计算其互相之间的直接关系、潜在关系和佐证关系取值,利用三维关系取值结果评估每一关键元“置信空间”中“相对率”最小的关系对做为关联关系。基于该模型实现了地址全部要素关联。实验证明此模型可有效提高地址关联率和准确率。     

基于无人机激光雷达的森林冠层高度分析

快速准确获取森林结构参数对森林资源调查管理及全球碳汇研究具有重要意义。以祁连山东、中部青海云杉林为研究对象,利用16个无人机激光雷达（LiDAR）点云数据、正射影像数据结合实地样方观测数据,提取样方内青海云杉的单木树高并准确验证树木分割精度;结合实测数据和地形数据,依据统计指标验证提取树高精度并分析原因;基于点云数据提取的各样方树高分析祁连山青海云杉冠层高度在空间上的变化。结果表明：在祁连山山地森林,冠层高度平均值估算精度最高,R²为0.93,RMSE为1.39 m（P<0.05）;地形影响基于点云数据的树高提取,坡度较小的青海云杉树高提取效果更好;从东到西,青海云杉平均树高呈下降趋势;随着海拔高度上升,青海云杉的平均树高先上升后下降,这与祁连山东西水热条件差异和不同海拔树木年龄分布有关。     

异策略模仿-强化学习序列推荐算法

最近,强化学习序列推荐系统受到研究者们的广泛关注,这得益于它能更好地联合建模用户感兴趣的内动态和外倾向。然而,现有方法面临同策略评估方法数据利用率低导致模型依赖大量的专家标注数据和启发式价值激励函数设计依赖反复人工调试两个主要挑战。因此,提出了一种新颖的异策略模仿-强化学习的序列推荐算法COG4Rec,以提高数据利用效率和实现可学习的价值函数。首先,它通过异策略方式更新分布匹配目标函数,来避免同策略更新密集在线交互限制;其次,COG4Rec采用可学习的价值函数设计,通过对数衰减状态分布比模仿用户外倾向的价值激励函数;最后,为了避免模仿学习分布漂移问题,COG4Rec通过累积衰减分布比强化用户行为记录中高价值轨迹片段重组推荐策略。一系列基准数据集上的性能对比实验和消融实验结果表明：COG4Rec比自回归模型提升了17.60%,它比启发式强化学习方法提升了3.25%。这证明了所提模型结构和优化算法的有效性。这也证明可学习的价值函数是可行的,并且异策略方式能有效提高数据利用效率。     

面向高密度Wi-Fi部署环境下的抗干扰策略

高密度Wi-Fi部署环境如银行、写字楼、mall等,普遍存在的同质干扰问题是制约用户体验及网络质量提升的痛点。首先,针对该问题研究了干扰检测技术并提出一种识别和度量Wi-Fi节点干扰的干扰程度评估模型。随后提出了“容忍+避让”的抗干扰策略,容忍策略基于捕获效应理论及无线资源管理技术,提升了干扰条件下数据通信质量;避让策略采用局部化信道自协调算法和去中心分布式架构,解决同质干扰中的冲突问题。最后,实现了抗干扰机制WifiAAS。测试结果表明,该机制可提升10%设备性能,且未带来过大开销。     

基于循环时间卷积网络的序列流推荐算法

针对循环神经网络(Recurrent Neural Network,RNN)模型在序列流推荐中只能从宏观上捕捉序列的演变模式,忽略了物品(Item)间内部的微观联系,无法长程建模序列数据的变化规律的问题,提出了多维度序列建模算法循环时间卷积网络(Recurrent Temporal Convolutional Network,RTCN)。首先,将每个物品表示成定长向量,采用多层因果卷积和扩张卷积操作扩大感受野范围,建立序列元素间的长程依赖关系。利用残差连接网络提取不同层次的特征信息,解决反向传播中梯度衰减甚至消失的问题。综合设计时间卷积网络(Temporal Convolutional Network,TCN)提取序列流中前后物品间的局部特征,将物品信息映射到隐藏空间,得到细粒度的特征向量。为进一步建立元素间的宏观联系,将特征向量依次输入门限循环单元(Gated Recurrent Unit,GRU),迭代更新现有隐藏状态并预测下一时刻的输出。RTCN通过时间卷积网络,从输入序列流提取出长时间、多维度、细粒度的局部关联特征;经过门限循环网络,建模序列间的长距离依赖关系,捕捉序列元素的演变模式,并预测下一个出现的物品。利用网站、手机应用和音乐3个不同场景中的数据对模型进行了实验。实验结果显示,RTCN模型在召回率(Recall)和平均排序倒数(MRR)两个指标上比RNN模型高出6%~13%,比传统推荐算法高出9%~59%。通过对比不同的损失函数,模型在交叉熵损失函数下表现最优。此外,由于TCN中的卷积层具有多通道的结构,当数据维度丰富时,该模型对物品和用户的上下文信息具有很强的综合能力。     

基于无人机激光雷达的森林冠层高度分析——以祁连山东、中部青海云杉为例

快速准确获取森林结构参数对森林资源调查管理及全球碳汇研究具有重要意义.以祁连山东、中部青海云杉林为研究对象,利用16个无人机激光雷达(LiDAR)点云数据、正射影像数据结合实地样方观测数据,提取样方内青海云杉的单木树高并准确验证树木分割精度;结合实测数据和地形数据,依据统计指标验证提取树高精度并分析原因;基于点云数据提...