摘要：为充分利用含噪语音信号的相位特征信息及其与幅度信息的相关性,提出一种幅度和相位混合特征交叉的单通道语音增强方法。提取含噪信号的对数功率谱和相位特征,依次交叉排列;计算复数掩模,将复数掩模的实虚部依次交叉以保持对称输入特征;在此基础上,构建深度编解码器网络(amplitude phase deep encoder decoder network,APDEDN)增强语音质量。实验结果表明,相较单一特征方法,提出方法获得了语音质量感知评估评分和短时目标可懂度上的改善。

摘要：[目的]为有效捕获用户与物品交互数据中蕴含的协同信息和高阶特征,提出一种融合物品受众特征的深度学习推荐模型。[方法]利用注意力机制从物品与用户的历史交互信息中自适应地构建出物品的个性化受众特征,并将其作为对目标用户偏好预测的重要补充信息引入推荐模型中。同时,设计显式的特征交叉并引入残差连接以丰富高阶特征信息的多样性。[结果]在三个公开数据集上的实验显示,当推荐列表长度为10时,相对于次优对比方法,本文模型在Precision、Recall、F1和NDCG等4个性能评价指标上分别最高增长9.1、9.4、9.2、12.1个百分点。[局限]模型性能一定程度上依赖于用户与物品的历史交互数据量。[结论]本文模型能很好地兼顾泛化能力和记忆能力,展现出良好的推荐性能。

摘要：为了区分不同高阶交叉特征的重要程度并剔除冗余交叉特征,提高点击率的预估精度,提出了一种深度交叉注意力预估网络(deep cross attention prediction network,DAPN)模型。它将具有稀疏高维特征的输入信息表示为低维稠密向量后,分别送入因子分解机(factorization machine,FM)和深度交叉注意力层(deep cross attention,DCA)。FM通过一阶特征和二阶特征交叉挖掘训练数据中从未出现或者很少出现的低阶交叉特征。DCA层利用缩放点积注意力机制(dot-product attention,DP_Att)设计交叉注意力层,用于区分高阶交叉特征的重要度,并设计深度神经网络(deep neural network,DNN)实现对高阶交叉特征建模。仿真表明,DAPN在MovieLens-1m和Avazu等公开数据集上均具有良好的预估性能,它使用并行结构能同时有效地学习低阶和高阶交叉特征,提高预估精度。

摘要：特征挖掘是推荐算法模型中学习用户与物品之间交互行为的关键步骤,对提升推荐模型的准确度具有重要意义。现有的特征挖掘模型中,线性逻辑回归模型虽然简便,能够达到很好的拟合效果,但其泛化能力较弱,且模型对特征参数量的需求较大。深度交叉网络能够有效实现对特征的交叉提取,但其对数据特征的表征能力仍然不足。因此,文中引入多重残差结构与交叉编码思想,提出了一种基于决策树的方法来改进深度交叉网络的推荐模型。首先基于GBDT算法设计构建强化特征的树结构,加强模型对潜在特征的深度挖掘;其次对模型嵌入层的输入参数维度进行扩增优化;最后对改进的深度交叉网络推荐模型进行推荐预测。该设计不仅可以克服现有模型在泛化能力上的局限性,还能在保持特征参数量精简的同时令其表征能力有所加强,进而有效挖掘用户的隐藏关联,提高推荐的准确度。基于公测数据集的实验结果表明,所提出的模型预测效果比现有的特征交互方法更优。

摘要：在世界范围内,水运工程遭受地震破坏并不少见,增强国内的水运工程抗震研究也有助于我国在国际上取得更多码头设计工程。水运工程抗震研究包括对水运工程建筑的抗震预测,以在未发生地震时进行先期排查隐患。本文主要针对水运工程中承载工作人员生活起居、物流加工等公共建筑进行抗震预测。这些建筑的抗震预测与其他区域的公共场所建筑抗震预测相似。此外抗震预测中还有需要特征交互、样本存在长尾效应等问题。因此,本文提出了基于随机嵌入共享的SSE-DeepFM算法,通过随机嵌入向量的替换实现抗过拟合。SSE-DeepFM内部的因子分解机和深度神经网络可以进行低阶和高阶的特征交叉,挖掘建筑特征之间的关联与建筑损毁的关系。实验表明,SSE-DeepFM在用于抗震预测的测试集上取得了更好的预测效果。