针对香港地区2021年秋冬季COVID-19的趋势预测及中医防治建议

该研究以中医传统智慧—五运六气理论为依据,选择香港地区2020年1月18日(首例报告时间)—2021年8月31日COVID-19(corona virus disease 2019)的报告发病数据,及近30年的气象数据[即平均气压(hpa)、平均气温(℃)、最高气温(℃)、最低气温(℃)、平均相对湿度(%)、平均云量(%)、平均风速(km/h)、总雨量(mm)、总日照(h)共9项气象要素的日均值]。采用Logistic生长模型和指数平滑预测法,对2021年秋冬季(即9月1日-12月31日,含处暑、白露、秋分、寒露、霜降、立冬、小雪、大雪、冬至共九个节气)的COVID-19发病与气象变化情况进行预测。结果发现:今年秋季的白露节气(9月7日—9月22日)以及冬季的小雪—大雪节气(11月22日—12月20日)为香港地区COVID-19可能出现波动的两个时段。其中,脾虚湿胜及阳虚体质的人群尤应加强防护,中医推荐药物、针刺、艾灸、食疗等综合疗法进行早期预防及治疗。

基于显式反馈协同过滤算法的偏好与共性平衡

基于显式反馈的协同过滤算法只存在3个变量,其相似度计算方法依赖用户评分数据的显式反馈行为,而未考虑现实推荐场景中存在的隐性因素影响[5],这决定了协同过滤算法被限制于挖掘用户及商品的偏好,而缺乏挖掘用户和商品共性的能力。对此,学术界提出了不同的创新想法以改进传统协同过滤算法,但大多数的改进是基于协同过滤的垂直改进,如向算法加入分类、聚类、时间序列等机制,即对算法结构进行改进而不对变量因素进行改进,因此仍然无法深入挖掘用户和商品的共性因素。文中提出水平改进方法,即协同过滤与回归加权平均(Collaborative Filtering&Regression Weighted Average,CRW),旨在保留协同过滤对偏好的计算,并通过树回归算法计算且挖掘出用户和商品的共性因素,对协同过滤的预测结果和回归预测结果进行加权平均,以平衡协同过滤偏好性强而共性弱的问题。实验结果表明在适当的加权系数a下,CRW预测结果均方误差相比于单一的协同过滤和回归的预测结果均方误差有明显的降低,表明CRW具有更高的推荐精度。