基于时间敏感的异构图相似神经网络的新闻推荐

目前网络上新闻信息呈现爆炸式增长趋势,为方便用户快速找到他们感兴趣的新闻,个性化新闻推荐变得愈发重要。目前主流的新闻推荐方法大多都是基于静态数据进行研究,忽略了可以间接反映用户对新闻兴趣程度的动态信息,如用户阅读新闻的时间等。为了解决此类问题,文中在GNewsRec模型的基础上提出了一种基于时间敏感的异构图相似神经网络模型(TSHGSN)。采用CNN学习新闻特征,加入用户阅读新闻时间权重并利用LSTM学习用户点击新闻的序列特征作为用户短期偏好。同时,构建了一个异构图,建模用户–新闻–主题关联,采用新的邻居采样方法聚合节点获取候选新闻特征表示和用户长期偏好。最后,将用户短期兴趣和长期兴趣与候选新闻分开进行相关性计算,旨在自适应的调整用户建模中短期兴趣和长期兴趣的重要性。实验数据表明,与GNewsRec模型相比,该模型在AUC指标上提高约4%。

心有山海,静而不争——隐逸视域下的陶渊明研究

陶渊明被钟嵘称为“古今隐逸之宗”。本文从隐逸视域下对陶渊明“隐逸”的不同时期下文学创作、陶渊明接受研究进行深入分析,揭示陶渊明生平仕宦经历以及归隐经历和心路历程,并结合社会背景及个人性格因素探讨陶渊明隐逸的必然性。另外,根据隐逸视域下陶渊明的相关研究,本文还分析了在每个历史时期的关注度和人们对陶渊明隐逸的看法,从而探究隐逸视域下陶渊明作品的接受研究。

自适应强跟踪AST-ESKF无人车室内导航算法

针对室内环境下超宽带测量信息异常造成的轨迹预测失真问题,融合无人车惯性导航与超宽带模块,提出了一种自适应强跟踪误差状态卡尔曼滤波算法。首先,针对测量与预测信息的差值异常问题,基于误差状态卡尔曼滤波框架,利用滑动窗算法修正新息矩阵;其次,针对异常误差权值过大问题,根据马氏距离构建测量异常误差判别门限,建立改进的二段胡贝尔(Huber)权函数,有效降低了异常误差的权值;最后,针对导航系统弱跟踪问题,算法利用渐消因子自适应调整状态协方差矩阵。实验结果表明:该方法在保证导航实时性的基础上,与误差状态卡尔曼滤波算法、自适应误差状态卡尔曼滤波算法和无迹卡尔曼滤波算法相比,轨迹平均估计误差分别降低50.0%、40.2%和23.5%,提高了融合系统轨迹预测的准确度。

基于FDE-IRF的室内指纹定位方法

针对传统指纹库存在建立工作量大以及随机森林匹配误差大等问题,提出了一种基于指纹库自动扩充的改进随机森林指纹定位方法(FDE-IRF)以提升指纹库构建的效率和指纹匹配的精度.该方法对传统全采样构建指纹库方法和随机森林回归定位方法进行改进,稀疏采样多时间段的指纹数据和Kriging插值方法组合补全未采样指纹点,提升建库效率,得到强代表性的指纹库.同时,利用决策树加权策略改进传统随机森林平均投票的方式,根据袋外数据评估决策树的预测误差,分配相应的权重,提高该算法的回归准确率.实验结果表明:该方法的平均定位误差为1.26 m,其误差值比同类方法至少降低14.3%,验证了算法的准确性和有效性.