The use of oral human immunodeficiency virus pre-exposure prophylaxis in pregnant and lactating women in sub-Saharan Africa:considerations,barriers,and recommendations

In sub-Saharan Africa(SSA),63%of new human immunodeficiency virus(HIV)infections in 2021 were among women,particularly adolescent girls,and young women.There is a high incidence of HIV among pregnant and lactating women(PLW)in SSA.It is estimated that the risk of HIV-acquisition during pregnancy and the postpartum period more than doubles.In this article,we discuss the safety and effectiveness of drugs used for oral HIV pre-exposure prophylaxis(PrEP),considerations for initiating PrEP in PLW,the barriers to initiating and adhering to PrEP among them and suggest recommendations to address these barriers.Tenofovir/emtricitabine,the most widely used combination in SSA,is safe,clinically effective,and cost-effective among PLW.Any PLW who requests PrEP and has no medical contraindications should receive it.PrEP users who are pregnant or lactating may experience barriers to starting and adhering for a variety of reasons,including personal,pill-related,and healthcare facility-related issues.To address the barriers,we recommend an increased provision of information on PrEP to the women and the communities,increasing and/or facilitating access to PrEP among the PLW,and developing strategies to increase adherence.

Enhancing Multicriteria-Based Recommendations by Alleviating Scalability and Sparsity Issues Using Collaborative Denoising Autoencoder

A Recommender System(RS)is a crucial part of several firms,particularly those involved in e-commerce.In conventional RS,a user may only offer a single rating for an item-that is insufficient to perceive consumer preferences.Nowadays,businesses in industries like e-learning and tourism enable customers to rate a product using a variety of factors to comprehend customers’preferences.On the other hand,the collaborative filtering(CF)algorithm utilizing AutoEncoder(AE)is seen to be effective in identifying user-interested items.However,the cost of these computations increases nonlinearly as the number of items and users increases.To triumph over the issues,a novel expanded stacked autoencoder(ESAE)with Kernel Fuzzy C-Means Clustering(KFCM)technique is proposed with two phases.In the first phase of offline,the sparse multicriteria rating matrix is smoothened to a complete matrix by predicting the users’intact rating by the ESAE approach and users are clustered using the KFCM approach.In the next phase of online,the top-N recommendation prediction is made by the ESAE approach involving only the most similar user from multiple clusters.Hence the ESAE_KFCM model upgrades the prediction accuracy of 98.2%in Top-N recommendation with a minimized recommendation generation time.An experimental check on the Yahoo!Movies(YM)movie dataset and TripAdvisor(TA)travel dataset confirmed that the ESAE_KFCM model constantly outperforms conventional RS algorithms on a variety of assessment measures.

Chest Radiography: General Practitioners’ Compliance with Recommendations

Introduction: Chest radiography is the most frequently prescribed imaging test in general practice in France. We aimed to assess the extent to which general practitioners follow the recommendations of the French National Authority for Health in prescribing chest radiography. Methodology: We conducted a retrospective analysis study, in two radiology centers belonging to the same group in Saint-Omer and Aire-sur-la-Lys, of requests for chest radiography sent by general practitioners over the winter period between December 22, 2013, and March 21, 2014, for patients aged over 18 years. Results: One hundred and seventy-seven requests for chest X-rays were analyzed, 71.75% of which complied with recommendations. The most frequent reason was the search for bronchopulmonary infection, accounting for 70.08% of prescriptions, followed by 11.2% for requests to rule out pulmonary neoplasia, whereas the latter reason did not comply with recommendations. Chest X-rays contributed to a positive diagnosis in 28.81% of cases. The positive diagnosis was given by 36.22% of the recommended chest X-rays, versus 10% for those not recommended. Conclusion: In most cases, general practitioners follow HAS recommendations for prescribing chest X-rays. Non-recommended chest X-rays do not appear to make a major contribution to diagnosis or patient management, confirming the value of following the recommendations of the French National Authority for Health.

Towards machine-learning-driven effective mashup recommendations from big data in mobile networks and the Internet-of-Things

A large number of Web APIs have been released as services in mobile communications,but the service provided by a single Web API is usually limited.To enrich the services in mobile communications,developers have combined Web APIs and developed a new service,which is known as a mashup.The emergence of mashups greatly increases the number of services in mobile communications,especially in mobile networks and the Internet-of-Things(IoT),and has encouraged companies and individuals to develop even more mashups,which has led to the dramatic increase in the number of mashups.Such a trend brings with it big data,such as the massive text data from the mashups themselves and continually-generated usage data.Thus,the question of how to determine the most suitable mashups from big data has become a challenging problem.In this paper,we propose a mashup recommendation framework from big data in mobile networks and the IoT.The proposed framework is driven by machine learning techniques,including neural embedding,clustering,and matrix factorization.We employ neural embedding to learn the distributed representation of mashups and propose to use cluster analysis to learn the relationship among the mashups.We also develop a novel Joint Matrix Factorization(JMF)model to complete the mashup recommendation task,where we design a new objective function and an optimization algorithm.We then crawl through a real-world large mashup dataset and perform experiments.The experimental results demonstrate that our framework achieves high accuracy in mashup recommendation and performs better than all compared baselines.

基于情境感知和序列模式挖掘的气象学习资源推荐算法

随着互联网的快速发展,气象部门职工作为学习者可以获得的学习资源得到极大丰富。信息超载导致检索合适的在线学习资源时遇到了困难;学习者在不同学习环境和序列访问模式上也有不同的学习需求。但是,现有的推荐系统,如基于内容的推荐和协同过滤,没有结合学习者的情境和序列访问模式,推荐结果准确度不高。本文提出了一种结合情境感知、序列模式挖掘和协同过滤算法的混合推荐算法来为学习者推荐学习资源。混合推荐算法中,情境感知被用来整合学习者的情境信息,如知识水平和学习目标;序列模式挖掘被用来对网络日志进行挖掘,发现学习者的序列访问模式;协同过滤被用来根据学习者的情境数据和序列访问模式为目标学习者计算预测并生成建议。实验和应用效果表明,该混合推荐算法推荐的质量和准确性方面优于其他推荐算法。

个性化推荐算法的法律风险规制

信息爆发增长催生了个性化推荐算法技术的兴起。个性化推荐算法在解决信息过载和长尾问题、满足用户个性化需求、提高互联网信息服务效率的同时,也引发了用户意思自治受限、隐私泄露、信息茧房、算法歧视等诸多法律风险,亟需法律作出必要的回应。为此,应当在诚信原则、自主原则、公正原则、比例原则的指导下,树立开放的隐私保护观,强化算法告知义务与用户拒绝权利,完善算法解释权,构建算法审计制度,以降低个性化推荐算法所带来的法律风险。

肉鸡产业高质量发展:问题挑战、趋势研判及政策建议

我国进入高质量发展阶段,肉鸡产业从数量型增长转向质量型增长势所必然。经过改革开放四十余年的发展,我国肉鸡产业综合生产能力大幅提升,种源保障能力取得重大突破,规模化程度不断提高,产业化进程持续推进,为产业实现高质量发展奠定良好基础。文章在回顾总结我国肉鸡产业发展成就的基础上,分析现阶段肉鸡产业发展面临的挑战,并对未来肉鸡产业发展趋势与前景作出判断,建议通过强化产业发展顶层设计、加大科技创新及应用支撑、完善疫病防控体系建设、加强市场信息监测预警以及严格产业质量安全保障等,推动肉鸡产业实现高质量发展,为保障国家粮食安全、推进健康中国建设以及促进畜牧业绿色发展等做出更大贡献。

基于元学习个性化推荐研究综述

推荐系统作为缓解“信息过载”的工具,为用户过滤冗余信息并提供个性化服务,近年来得到了广泛应用。然而,实际推荐场景中,通常存在冷启动与不同推荐算法难以根据实际环境自适应选择等问题。元学习因其具有基于少量训练样本快速学会新知识和技能的优点,被越来越多地应用于推荐系统相关研究中。对现有基于元学习技术缓解推荐系统冷启动问题以及自适应推荐问题的主要研究进行探讨。首先,分析了基于元学习推荐在上述2个方面已取得的相关研究进展;然后,指出了现有元学习推荐研究存在难以适应复杂任务分布、计算代价高和容易陷入局部最优等问题;最后,对元学习在推荐系统领域的一些最新研究方向进行了展望。

基于知识图谱推荐系统的高校“汇编语言程序设计”课程教学改革

随着现代教育技术的迅速发展,“汇编语言程序设计”课程的传统教学模式亟待创新,以满足学生的多元化学习需求。知识图谱推荐系统结合知识图谱和学生模型构建,实现了教学内容的个性化推荐、学习路径规划、资源整合、多样化的教学互动。为验证知识图谱推荐系统在“汇编语言程序设计”教学中的作用进行实证研究。研究结果表明,知识图谱推荐系统能有效提高学生的学习成绩、学习兴趣和学习满意度,为教学方法的创新和优化提供有益的参考。

政策工具视角下我国教育数字化转型的现状与审思

政策工具是政策文本的表现形式,也是政策目标和政策行动之间的连接机制,通过施用于有关部门与目标团体从而实现相关政策目标。文章基于28份与教育数字化转型相关的政策文件,通过工具分类、议题界定、政策编码的手段,遵循“政策工具—政策议题”的二维矩阵分析框架进行统计分析,将我国当前教育数字化转型相关政策的现状予以完整呈现。研究发现,我国教育数字化转型的相关政策可分为“改善基础设施、开发在线资源、构建网络空间、改革治理体系、发展师生能力、开展试点案例”六大议题。当前,我国教育数字化转型的相关政策存在政策工具整体结构失衡、内部运用失调、选择偏向单一的问题。在未来政策制定上,应调整政策工具结构、加大基础设施建设的政策供给、加强试点示范与实践推进、优化政策工具与政策议题配置。

基于RoBERTa和图增强Transformer的序列推荐方法

自推荐系统出现以来,有限的数据信息就一直制约着推荐算法的进一步发展。为降低数据稀疏性的影响,增强非评分数据的利用率,基于神经网络的文本推荐模型相继被提出,但主流的卷积或循环神经网络在文本语义理解和长距离关系捕捉方面存在明显劣势。为了更好地挖掘用户与商品之间的深层潜在特征,进一步提高推荐质量,提出一种基于Ro BERTa和图增强Transformer的序列推荐(RGT)模型。引入评论文本数据,首先利用预训练的Ro BERTa模型捕获评论文本中的字词语义特征,初步建模用户的个性化兴趣,然后根据用户与商品的历史交互信息,构建具有时序特性的商品关联图注意力机制网络模型,通过图增强Transformer的方法将图模型学习到的各个商品的特征表示以序列的形式输入Transformer编码层,最后将得到的输出向量与之前捕获的语义表征以及计算得到的商品关联图的全图表征输入全连接层,以捕获用户全局的兴趣偏好,实现用户对商品的预测评分。在3组真实亚马逊公开数据集上的实验结果表明,与Deep FM、Conv MF等经典文本推荐模型相比,RGT模型在均方根误差(RMSE)和平均绝对误差(MAE)2种指标上有显著提升,相较于最优对比模型最高分别提升4.7%和5.3%。

如何实现“黑箱”下的算法治理?——平台推荐算法监管的测量实验与策略探索

近年来,平台推荐算法的快速发展和广泛应用深刻改变了互联网信息内容的供给方式,同时也引发了一系列算法风险与现实问题。平台推荐算法治理与监管成为政府规范算法应用的重点内容之一,无论是算法备案制度的探索,还是实现算法透明化的设想,均面临着一定的困难和挑战。在不打开算法“黑箱”的前提下,平台推荐算法规制与监管是否有可行之道?论文基于机器行为学思想,采用实验方法,以用户视角对推荐结果进行跟踪记录,通过实验数据的对比分析,验证了平台推荐算法结果差异的可测性。基于实验结果,论文提出了通过对不同平台推荐结果进行大规模数据测试和检验,测量平台推荐算法运行逻辑与推荐效果,从而实现“黑箱”下有效的逆向监管,以期丰富未来算法治理的选择。

基于画像技术的教师研修路径智能推荐研究

教师是教育的第一资源,研修是促进教师专业发展的重要方式。在大数据、数字画像等新技术赋能下,优化教师研修路径以提升教师发展质量变得尤为重要。文章构建了多模态数据和画像技术支持的教师研修路径智能推荐模型,包括数据伴随式采集分类与预处理、教师画像生成、研修路径算法三个模块,实现教师研修特征与优质研修资源的智能匹配。在教师研修路径动态优化方面,模型通过提供基于画像的个性化导研服务、基于知识图谱的资源关联推荐、基于群体智能的群体路径发现、基于目标导向的过程评价和基于研修行为的智能预警,满足教师的个性化研修需求,为发掘研修数据潜能、促进教师智能研修模式创新提供参考。

服装个性化定制中信息技术的应用与展望

随着人们个性化需求的不断增加,服装个性化定制已成为时尚发展趋势之一。信息技术在推动服装个性化定制发展中扮演着重要的角色,可以收集和处理用户的个性化信息,并将其转化为具体的设计和生产方案。文章首先对服装产业信息技术的研究进展进行总结,阐述新一代信息技术在服装产业的应用情况;其次分析了信息技术在服装个性化定制领域的应用现状,按照定制流程分别总结信息技术在提高生产效率、降低成本和满足用户需求方面的优势及不足;最后根据目前服装个性化定制在数据共享、协同设计和柔性生产等方面的需求,从建模技术和系统平台构建两个方面对服装个性化定制发展进行展望。

数字资源的信息过滤与精准推荐算法

为了解决如何利用无限容量的数字资源与有限的用户信息及时而精准地向用户推荐可用的电子资源等问题,本研究设计了一种可以过滤不良信息的准确推荐算法。该算法为基于协同过滤与内容推荐的混合推荐算法,其中,协同过滤算法提取用户的特征,计算用户间的相似度并对相应的资源进行打分估计从而根据估分进行推荐;而基于内容推荐的算法用于处理用户无法求算相似度的冷启动问题,不良信息利用基于内容推荐的算法提取关键词并与不良关键词库对照,然后从前述推荐结果去掉不良信息;算法还考虑了用户兴趣随时间变化的问题。使用大规模图书馆数字资源数据集对本研究算法进行测试,结果表明,使用本研究算法,邻居数的增加对推荐精度有改善作用;对使用平均相似度和加权相似度的结果比较表明,加权相似度可以获得更好的推荐效果;加入时间因素,可以有效改进推荐精度,进而实现了对不良信息的过滤,保证了资源的质量。本研究算法基本实现了精准推荐,可适用于大数据环境下数字资源的推荐操作。

基于多嵌入融合的top-N推荐

异构信息网络(Heterogeneous Information Network, HIN)凭借其丰富的语义信息和结构信息被广泛应用于推荐系统中,虽然取得了很好的推荐效果,但较少考虑局部特征放大、信息交互和多嵌入聚合等问题。针对这些问题,提出了一种新的用于top-N推荐的多嵌入融合推荐(Multi-embedding Fusion Recommendation, MFRec)模型。首先,该模型在用户和项目学习分支中都采用对象上下文表示网络,充分利用上下文信息以放大局部特征,增强相邻节点的交互性;其次,将空洞卷积和空间金字塔池化引入元路径学习分支,以便获取多尺度信息并增强元路径的节点表示;然后,采用多嵌入融合模块以便更好地进行用户、项目以及元路径的嵌入融合,细粒度地进行多嵌入之间的交互学习,并强调了各特征的不同重要性程度;最后,在两个公共推荐系统数据集上进行了实验,结果表明所提模型MFRec优于现有的其他top-N推荐系统模型。

基于用户偏好的多媒体视频个性化智能推荐方法研究

为了满足用户个性化需求,提出基于用户偏好的多媒体视频个性化智能推荐方法。采集用户历史浏览行为数据,对提取的视频特征向量作相似度计算,生成视频候选集,建立视频浏览兴趣点(PoI)关联图,根据用户浏览时间计算其对不同类别视频PoI的兴趣偏好度,选择排名靠前的N个视频生成推荐列表,实现多媒体视频个性化智能推荐。实验结果表明,该方法可实现多媒体视频个性化推荐,当其维度为180时,视频推荐的Top-1指标最高;兴趣吻合度指标均值达到94.9%,Top-1均值为95.51%。

职业学校线上线下混合式教学粘性研究

随着技术的不断发展和教育需求的变化,线上线下混合式教学模式将成为未来教育的重要趋势。本研究采用文献综述与实证分析相结合的研究方法,通过查阅相关文献,梳理总结混合式教学特点,分析学习粘性相关理论,研究混合式教学模式粘性设计理论,并根据丹麦克努兹教授的全视角学习理论结合职业学校学生特点,从动机、环境、内容三个维度探究混合式教学的粘性设计,最终根据职业教育教学规律和技术技能人才成长规律,给出课程设计建议。

“共赢”vs.“牺牲”:道德消费叙述框架对消费者算法推荐信任的影响

消费者在做出道德消费选择时,要面对丰富的道德产品,复杂地权衡功利利益和道德利益。算法决策推荐可以减轻道德消费决策的复杂性,但是消费者在涉及道德伦理的权衡决策中对算法存在不信任,因为算法是一种典型的以功利论来处理道德权衡问题的方式。本研究提出采用“共赢”(vs.“牺牲”)叙述框架对道德消费中的算法推荐信任有积极影响,消费者对功利论式道德观念的接受程度中介了上述积极效应。实验1发现“共赢”(vs.“牺牲”)叙述框架会增加消费者选择算法推荐的意愿。实验2验证了“共赢”(vs.“牺牲”)叙述框架对消费者算法推荐信任的正向影响,以及功利论式道德观念接受度的中介作用。实验3进一步识别了上述影响的边界条件,即道德消费的“共赢”(vs.“牺牲”)叙述框架仅会增强消费者对算法替代型决策推荐的信任,但是并不会改变消费者对于算法增强型决策推荐信任。

融合图注意力网络和注意力因子分解机的服务推荐方法

为了解决服务推荐过程中的特征稀疏问题、提高服务的语义表示能力,进而提升推荐的准确性和有效性,提出基于图注意力网络(graph attention networks,GAT)研究服务推荐方法,引入服务的组合权重和组合的结构信息,综合利用多种服务特征,提高服务推荐质量。将GAT和注意力因子分解机(attention factorization machine,AFM)结合在一起,利用多头自注意力机制,学习每个节点在图邻域中的重要性;进行信息聚合,处理网络中的不同图结构,以适应服务动态变化的场景。实验结果显示,在数据平衡的情况下,提出的方法性能表现均好于对比方法;在数据不平衡的情况下,提出的方法大部分性能指标也表现良好,达到了提升服务推荐准确性和有效性的目标。