氣象文本推薦研究

梅 鈺 唐 衛(wèi) 王慕華 王闊音

(中國(guó)氣象局公共氣象服務(wù)中心 北京 100081)

0 引 言

氣象服務(wù)作為普通大眾最常接觸的公共服務(wù)，要求具備實(shí)時(shí)、準(zhǔn)確、精細(xì)的特點(diǎn)?，F(xiàn)有的氣象產(chǎn)品一般是通過氣象數(shù)據(jù)獲取、數(shù)值模型計(jì)算得到預(yù)測(cè)結(jié)果，最后將預(yù)測(cè)結(jié)果轉(zhuǎn)換為文字(輔以圖形及表格)向公眾發(fā)布。其中，后臺(tái)的數(shù)值預(yù)測(cè)通過預(yù)測(cè)算法不間斷運(yùn)行得到預(yù)測(cè)結(jié)果，而前臺(tái)的預(yù)報(bào)文本則需要通過人工編寫校對(duì)生成。雖然人工參與可以保證預(yù)報(bào)的準(zhǔn)確性以及權(quán)威性，但人工生成效率有限，且人無法像機(jī)器一樣連續(xù)工作，從而導(dǎo)致一些預(yù)報(bào)不能實(shí)時(shí)發(fā)布，制約了氣象服務(wù)質(zhì)量的提升。目前，氣象文本自動(dòng)生成的主要應(yīng)用場(chǎng)景是給定數(shù)值數(shù)據(jù)，直接生成氣象文本[1]，即全自動(dòng)生成；主流方法是基于模板的方法，即針對(duì)不同氣象信息構(gòu)造文本模板，后續(xù)通過“填空”的方式生成預(yù)報(bào)內(nèi)容，該方法的最大問題是模板有限，只能表達(dá)固定信息，且有時(shí)信息不夠準(zhǔn)確，生成的文本內(nèi)容在靈活性和豐富性上也較差。因此，本文提出了一種半自動(dòng)生成方案，給定部分氣象文本，生成擴(kuò)展的預(yù)報(bào)文本的方法，即根據(jù)人工輸入推薦候選內(nèi)容，相當(dāng)于以人機(jī)結(jié)合的方式進(jìn)行文本生成。這樣既可以提升人工進(jìn)行文本生成效率問題，也可以保證預(yù)警信息的準(zhǔn)確性，擴(kuò)充預(yù)報(bào)思路，具有良好的實(shí)用性。

進(jìn)行氣象文本推薦，一種簡(jiǎn)單的實(shí)現(xiàn)思路可以采用基于搜索的方法，即收集歷史氣象文本，針對(duì)每對(duì)句子(前半句和后半句)，構(gòu)建從前半句到后半句的映射字典，在推薦時(shí)通過檢索前半句給出后半句集合。這種方法存在兩個(gè)問題：一是同樣輸入，對(duì)應(yīng)的候選句集合太大，來自不同地區(qū)、不同單位的文本內(nèi)容存在差異，所含的氣象數(shù)值不同；二是對(duì)于未出現(xiàn)的用戶輸入句，無法給出推薦結(jié)果。

從自然語(yǔ)言處理角度來看，氣象預(yù)警文本推薦可以看作是一個(gè)典型的文本生成問題(NLG)[2-4]：利用文本的上下句的語(yǔ)義邏輯關(guān)系進(jìn)行預(yù)測(cè)。本文所提方法分為兩步：第一步是對(duì)原始文本中的氣象要素(如時(shí)間、地點(diǎn)、溫度、風(fēng)速等級(jí))進(jìn)行實(shí)體抽取、數(shù)值替換，得到模板文本。模板文本相當(dāng)于只保留了預(yù)警內(nèi)容的描述框架。第二步基于模板文本構(gòu)建文本生成模型，用于文本推薦。其中，生成模型采用基于神經(jīng)網(wǎng)絡(luò)的Seq2Seq模型，該模型可以有效解決上述基于搜索方法的不足，既可以對(duì)候選文本進(jìn)行排序減少推薦量，也可以對(duì)用戶的新輸入進(jìn)行推薦。

為了研究氣象文本推薦，我們選取預(yù)警文本作為實(shí)驗(yàn)數(shù)據(jù)，主要原因是預(yù)警文本數(shù)量大且獲取容易。預(yù)警文本是國(guó)家氣象部門針對(duì)可能帶來災(zāi)害性后果的天氣情況作出的提前告警，圖1給出了一篇完整的氣象預(yù)警文本。圖2給出了氣象預(yù)警文本推薦的應(yīng)用示例：左側(cè)是氣象預(yù)報(bào)員編寫的預(yù)警內(nèi)容，右側(cè)是系統(tǒng)推薦的下一句預(yù)警文本。對(duì)于第一個(gè)樣本，用戶輸入“受冷空氣影響”，系統(tǒng)會(huì)推薦可能性較高的下一句預(yù)警文本，這里給出了top-3的結(jié)果。其中，空格表示用戶可以輸入時(shí)間、地點(diǎn)、溫度、風(fēng)速等具體氣象要素，這些要素對(duì)于特定的預(yù)警事件，取值不同。用戶基于推薦文本進(jìn)行修改后，生成最終預(yù)警文本。預(yù)警文本推薦一方面可以減少用戶輸入，另一方面也可以對(duì)預(yù)報(bào)生成進(jìn)行提示，從而幫助提升預(yù)警文本攥寫的準(zhǔn)確性。

圖1 預(yù)警文本示例

用戶輸入系統(tǒng)推薦結(jié)果樣例1:受冷空氣影響1. 預(yù)計(jì)風(fēng)力逐漸加大至級(jí)2. 起將有雷陣雨3. 預(yù)計(jì)最低氣溫在℃左右樣例2:密切關(guān)注天氣盡量減少戶外活動(dòng)

圖2 預(yù)警文本推薦示例

文本到文本的生成是目前自然語(yǔ)言處理的熱門研究方向，具體可以分為文本摘要[5-7]、文本復(fù)述[8-10]等細(xì)分方向。文本生成的傳統(tǒng)方法有規(guī)則式的生成方法、抽取式的生成方法。近年來，隨著深度學(xué)習(xí)的發(fā)展，尤其是神經(jīng)機(jī)器翻譯技術(shù)的成熟，相關(guān)工作使用序列到序列的模型[11]來解決文本生成任務(wù)，如詩(shī)歌生成[12-13]、對(duì)話機(jī)器人[14-16]。此外，工業(yè)界也推出實(shí)際的寫作程序，應(yīng)用于新聞寫稿[17]、氣象預(yù)報(bào)生成[18]等領(lǐng)域。現(xiàn)有氣象文本生成工作集中在將數(shù)值轉(zhuǎn)換為文本，而我們研究的氣象預(yù)警文本推薦側(cè)重于對(duì)用戶已輸入文本進(jìn)行擴(kuò)展。

本文的主要貢獻(xiàn)如下：

(1) 首次提出了氣象文本推薦問題，構(gòu)建了研究數(shù)據(jù)集。通過對(duì)天氣網(wǎng)的預(yù)警內(nèi)容進(jìn)行數(shù)據(jù)采集，構(gòu)建了預(yù)警文本數(shù)據(jù)集。

(2) 探索了對(duì)氣象文本進(jìn)行氣象要素抽取的方法。首次定義了氣象要素抽取任務(wù)，評(píng)估了CRF模型[19]在要素抽取任務(wù)上的效果。

(3) 提出使用基于神經(jīng)網(wǎng)絡(luò)的序列到序列的模型(Seq2Seq)來解決預(yù)警文本生成。實(shí)驗(yàn)表明基于Seq2Seq模型的預(yù)測(cè)效果在BLEU值上可以達(dá)到12.21，具有一定的實(shí)用性。

1 問題定義

1.1 問題描述

氣象文本推薦的目標(biāo)可以認(rèn)為是構(gòu)建一個(gè)推薦系統(tǒng)，該系統(tǒng)接收用戶的句子輸入S，輸出關(guān)聯(lián)句子T。推薦系統(tǒng)處理的數(shù)據(jù)形式為句對(duì)(類似于機(jī)器翻譯中的對(duì)齊文本[11])。具體地，我們對(duì)S和T的限定如下：(1)S和T是進(jìn)行了氣象要素替換后的模板文本。之所以使用模板文本，是因?yàn)橛脩粼诰庉嬀唧w內(nèi)容時(shí)需要根據(jù)氣象預(yù)測(cè)情況填入實(shí)際的氣象數(shù)據(jù)。(2)S和T為逗號(hào)隔開的子句，且S和T要出現(xiàn)在氣象文本的同一句話中(句號(hào)隔開)。

根據(jù)第(1)條，推薦系統(tǒng)處理的文本為模板文本，即需要將文本中的氣象要素進(jìn)行替換。氣象要素是指描述氣象信息的必要內(nèi)容，比如時(shí)間、地點(diǎn)、類別等。實(shí)際上，這里的氣象要素對(duì)應(yīng)的是自然語(yǔ)言處理中的實(shí)體。另外，氣象文本也會(huì)涉及量的描述，如“降水量在50毫米以上”，類似“50”的數(shù)值也需要替換。具體地，文本要抽取的氣象要素以及氣象數(shù)值示例如表1所示。

表1 氣象要素、氣象數(shù)值類型示例

表2給出了原始文本經(jīng)過抽取替換得到的模板文本。其中，“密云氣象臺(tái)”是一個(gè)發(fā)布單位的實(shí)體，在模板文本中，使用實(shí)體類型“D”來替換。

表2 原始文本VS模板文本示例

根據(jù)第(2)條，句對(duì)的構(gòu)建通過抽取文本中所有相鄰的子句來完成。以圖1中的預(yù)警文本為例，基于該預(yù)警文本生成的句對(duì)如表3所示。

表3 基于圖1預(yù)警文本生成句對(duì)

1.2 數(shù)據(jù)集構(gòu)建

為了開展文本推薦研究，需要構(gòu)建對(duì)應(yīng)的數(shù)據(jù)集。具體地，我們爬取了天氣網(wǎng)下氣象預(yù)警欄目的內(nèi)容。下載過程分為2步：(1) 通過構(gòu)建翻頁(yè)下載鏈接，即“https://www.tianqi.com/alarm-news/”+頁(yè)數(shù)，下載得到預(yù)警導(dǎo)航頁(yè)面；(2) 對(duì)導(dǎo)航頁(yè)面中的鏈接進(jìn)行抽取，選擇“發(fā)布類型”的鏈接進(jìn)行二次采集，獲取預(yù)警文本。圖3給出了數(shù)據(jù)下載的示例。

圖3 預(yù)警導(dǎo)航頁(yè)面

通過對(duì)200個(gè)導(dǎo)航頁(yè)進(jìn)行輪詢下載，最終獲得了3 760條預(yù)警文本，我們稱對(duì)應(yīng)的數(shù)據(jù)集為ALERT數(shù)據(jù)集。

2 方法設(shè)計(jì)

構(gòu)建氣象文本推薦系統(tǒng)分為兩步：一是進(jìn)行文本轉(zhuǎn)換，即將原始文本轉(zhuǎn)換為模板文本；二是基于模板文本構(gòu)建推薦模型。以預(yù)警文本推薦為例，整個(gè)處理框架如圖4所示。

圖4 氣象文本推薦研究框架

2.1 文本轉(zhuǎn)換

2.1.1要素抽取模型構(gòu)建

氣象要素抽取可以認(rèn)為是一個(gè)命名實(shí)體識(shí)別問題。目前主流命名實(shí)體識(shí)別方法是基于統(tǒng)計(jì)的CRF模型。因?yàn)槭墙y(tǒng)計(jì)模型，所以該模型在訓(xùn)練時(shí)需要標(biāo)注數(shù)據(jù)。由于包含氣象要素的預(yù)警文本相似度很高，所以要素抽取可能不需要太多的標(biāo)注。為此，我們從ALERT數(shù)據(jù)中抽取了1 500條進(jìn)行人工標(biāo)注，選取其中的1 200條用于模型訓(xùn)練，300條用于效果評(píng)估，對(duì)應(yīng)的數(shù)據(jù)集分別為ALERT-Train和ALERT-Test。

具體地，我們采用字符級(jí)別的標(biāo)注方法。圖5給出了標(biāo)注示例，“12-14日”為預(yù)警時(shí)效實(shí)體類型，所以相關(guān)字符的標(biāo)簽為“X”。

圖5 要素抽取的人工標(biāo)注樣例

訓(xùn)練使用目前主流的Stanford-NER工具。該工具提供了基于CRF的實(shí)體抽取模型。我們使用前面提到的ALERT-Train訓(xùn)練模型，使用ALERT-Test測(cè)試效果，得到的性能測(cè)試結(jié)果如表4所示。

表4 氣象要素抽取的測(cè)試性能

從測(cè)試結(jié)果來看，發(fā)布單位[D]、預(yù)警級(jí)別[J]、預(yù)警類別[L]、發(fā)布時(shí)間[S]的F1值都超過了0.99，說明這些要素在內(nèi)容表達(dá)上相對(duì)固定，而影響范圍[F]的準(zhǔn)確率相對(duì)較低(0.87)，說明地點(diǎn)表達(dá)相對(duì)多樣。

2.1.2要素抽取替換

我們使用2.1.1節(jié)訓(xùn)練得到的要素抽取模型來處理ALERT中的所有預(yù)警文本。將抽取出的氣象要素替換為類型符號(hào)，比如將“發(fā)布單位”實(shí)體替換為“D”、“影響范圍”實(shí)體替換為“F”，替換示例如表2(左側(cè))所示。值得注意的是，要素替換只會(huì)替換氣象要素實(shí)體。

2.1.3數(shù)值抽取替換

預(yù)警文本也會(huì)涉及氣象數(shù)值，這些數(shù)值對(duì)不同預(yù)警事件來講，參考性不大，也需要替換。如“降水量在50毫米以上”，需要將其中的“50”進(jìn)行替換，替換之后的句子為“降水量在C毫米以上”。

具體地，我們使用正則表達(dá)式進(jìn)行抽取，上述例子應(yīng)用的正則表達(dá)式為“(d+)毫米”。同樣地，我們使用數(shù)值類型符號(hào)進(jìn)行替換，替換的示例如表2(右側(cè))所示。

2.2 推薦模型構(gòu)建

2.2.1句對(duì)抽取

輸入的預(yù)警文本往往包含多個(gè)句子(句號(hào)隔開)。根據(jù)1.1關(guān)于問題的定義，預(yù)警文本推薦任務(wù)只處理相鄰子句。所以句對(duì)生成的過程如下：(1) 按照句號(hào)分割預(yù)警文本；(2) 對(duì)(1)中每句話，按逗號(hào)分割句子；(3) 對(duì)于(2)中的句子，如果句子由括號(hào)結(jié)尾，把括號(hào)中的內(nèi)容獨(dú)立為一個(gè)新子句；(4) 對(duì)于(1)-(3)產(chǎn)生的所有子句，將返回相鄰的子句文本作為句對(duì)。句對(duì)抽取的示例如表3所示。

2.2.2推薦模型

推薦模型針對(duì)輸入句S，返回?cái)U(kuò)展句T。從輸入輸出來看，預(yù)警文本推薦可以看作是機(jī)器翻譯問題，相關(guān)的機(jī)器翻譯方法都可以拿來進(jìn)行嘗試。采用目前基于神經(jīng)網(wǎng)絡(luò)的序列到序列(Seq2Seq)翻譯模型來構(gòu)建推薦模型[20-21]。Seq2Seq模型由兩部分構(gòu)成，一是編碼階段的“Encoder”，二是解碼階段的“Decoder”。Encoder、Decoder一般使用基于RNN的神經(jīng)網(wǎng)絡(luò)。RNN網(wǎng)絡(luò)可以將變長(zhǎng)輸入序列轉(zhuǎn)換為固定維度的向量，也可以從固定維度的向量輸出變長(zhǎng)序列。

1) RNN網(wǎng)絡(luò)。一個(gè)RNN網(wǎng)絡(luò)[22]按照順序?qū)斎胄蛄衳={xi}進(jìn)行處理，不斷更新內(nèi)部的隱藏狀態(tài)。對(duì)每個(gè)位置的輸入xi，RNN會(huì)更新計(jì)算隱藏狀態(tài)hi。在每個(gè)位置，基于隱狀態(tài)hi，RNN可以產(chǎn)生關(guān)于輸出yi的條件概率。這里輸入到RNN單元的xi、hi是固定維度的向量，yi是詞匯表中的特定詞。具體地，RNN網(wǎng)絡(luò)包括2個(gè)重要函數(shù)：狀態(tài)更新函數(shù)f(·)以及輸出函數(shù)g(·)。常見形式如下:

hi=f(hi-1,xi)=δ(Uxi+Whi-1+b)

(1)

g(yi|hi)=O(Vhi+c)

(2)

式中：δ(·)為激活函數(shù)tanh，O(·)為概率輸出函數(shù)softmax。由于原始RNN不能很好地解決長(zhǎng)時(shí)依賴問題，神經(jīng)網(wǎng)絡(luò)研究領(lǐng)域提出了多個(gè)針對(duì)RNN的改進(jìn)版本，比如LSTM以及GRU[22]。

圖6 預(yù)警推薦算法的示意圖

從概率角度來看，Seq2Seq模型可以看作是用于估計(jì)條件概率P(T|S)，S和T的長(zhǎng)度可以不同。P(T|S)的計(jì)算如下：

式中：函數(shù)gDecoder(·)是解碼器的輸出函數(shù)(softmax函數(shù))，該函數(shù)能計(jì)算輸出詞Tj的概率。函數(shù)fEncoder(·)、fDecoder(·)是編碼器和解碼器的狀態(tài)更新函數(shù)。

Seq2Seq模型的參數(shù)學(xué)習(xí)通過最大化如下目標(biāo)函數(shù)來實(shí)現(xiàn)：

式中：θ是模型參數(shù)，每一組是來源于訓(xùn)練集的句子對(duì)。由于Seq2Seq中每個(gè)函數(shù)都是可偏導(dǎo)的，使用梯度下降來求參數(shù)。

3) Seq2Seq模型實(shí)現(xiàn)細(xì)節(jié)。Seq2Seq作為基礎(chǔ)框架，其具體編解碼過程有多種選擇，在機(jī)器翻譯領(lǐng)域也有很多變種。針對(duì)氣象預(yù)警文本的推薦，我們的實(shí)現(xiàn)方案包括：

(1) 使用GRU作為RNN的實(shí)現(xiàn)。

(2) 不使用attention機(jī)制。主要原因包括3點(diǎn)：① 在預(yù)警文本推薦中，句子的長(zhǎng)度較短，基于attention來解決解碼時(shí)長(zhǎng)范圍依賴的需求不大；② 預(yù)警文本推薦的2句話在整體上存在邏輯表達(dá)關(guān)系，但在單個(gè)詞上的對(duì)齊關(guān)系較弱，attention作用有限；③ 引入attention也會(huì)引入額外參數(shù)，增大過擬合的風(fēng)險(xiǎn)。

(3) 對(duì)輸入句子進(jìn)行反轉(zhuǎn)。主要原因是為了縮短輸入句S前面的詞到輸出句T前面詞的平均距離。在機(jī)器翻譯中，該方法可以有效提升翻譯質(zhì)量。

具體的算法流程同文獻(xiàn)[21]一致。

3 實(shí)驗(yàn)及分析

3.1 實(shí)驗(yàn)設(shè)置

本文使用google-seq2seq的工具進(jìn)行實(shí)驗(yàn)。具體地，對(duì)ALERT數(shù)據(jù)集進(jìn)行句對(duì)抽取，共獲得14 593個(gè)句子對(duì)。隨機(jī)選取其中的90%作為訓(xùn)練集來學(xué)習(xí)參數(shù)，10%作為測(cè)試集進(jìn)行結(jié)果驗(yàn)證。句子長(zhǎng)度的統(tǒng)計(jì)信息如表5所示。

表5 S、T句子長(zhǎng)度統(tǒng)計(jì)信息

選擇機(jī)器翻譯常用的BLEU和ROUGE作為評(píng)價(jià)指標(biāo)，通過比對(duì)模型生成句以及標(biāo)準(zhǔn)答案句的差異，對(duì)推薦句的效果進(jìn)行評(píng)價(jià)。

句子使用Jieba進(jìn)行分詞，詞的表示(embedding)也作為參數(shù)進(jìn)行學(xué)習(xí)，訓(xùn)練集中S的詞表大小為827，T的詞表大小為696；輸入句S和輸出句T使用獨(dú)立的詞表以及獨(dú)立的embedding矩陣。

關(guān)于詞的embedding學(xué)習(xí)，由于涉及參數(shù)較多，我們使用從中文wiki預(yù)訓(xùn)練得到的embedding來初始化。具體地，中文wiki學(xué)習(xí)到的詞向量為300維，使用PCA將詞向量進(jìn)行降維，該向量作為embedding的初始向量。對(duì)于未出現(xiàn)在wiki中的詞，使用隨機(jī)初始化。

在參數(shù)選擇上，需要盡可能地?cái)M合訓(xùn)練集，因?yàn)闇y(cè)試集和訓(xùn)練集的數(shù)據(jù)分布差異較小。對(duì)于embedding.dim參數(shù)(PCA的輸出維度)，我們嘗試了{(lán)4,8,16}；對(duì)于Encoder、Decoder，我們嘗試了{(lán)num_layers:1,num_unit:8}以及{num_layers:2,num_unit:4}。最終使用的Seq2Seq模型的參數(shù)設(shè)置如表6所示。實(shí)驗(yàn)在一臺(tái)GPU上運(yùn)行，總共迭代了約15萬次。

表6 Seq2Seq模型的參數(shù)設(shè)置

3.2 結(jié)果分析

最終的測(cè)試性能如表7所示。

表7 Seq2Seq模型的性能指標(biāo)

圖7-圖10給出了隨著迭代的進(jìn)行，學(xué)習(xí)到的Seq2Seq模型在測(cè)試集上的性能得分(BLEU、ROUGE-1/F、ROUGE-1/Precision、ROUGE-1/Recall)，步長(zhǎng)為10 000。從圖中可以看到，模型已經(jīng)收斂。

圖7 BLEU值

圖8 ROUGE-1/F值

圖9 ROUGE-1/Precision值

圖10 ROUGE-1/Recall值

表8給出了對(duì)于預(yù)警文本推薦，模型生成的得分最高的推薦結(jié)果與標(biāo)準(zhǔn)答案的樣例。從表中可以看到，對(duì)于編號(hào)1～3的樣本，模型生成句與原始參照句基本一致，說明Seq2Seq模型在句子生成上的優(yōu)勢(shì)。對(duì)于編號(hào)為4的樣本，模型生成句雖然與標(biāo)準(zhǔn)答案不完全一致，但所含的內(nèi)容詞也反映了答案的意思。

表8 輸入句、模型生成句與標(biāo)準(zhǔn)答案示例

一個(gè)有意思的樣本是樣本5，模型生成句為“局地有C毫米”，而標(biāo)準(zhǔn)答案是“F新增積雪深度將達(dá)到D厘米、局地達(dá)到D厘米”。顯然，模型生成句表達(dá)了降水，而標(biāo)準(zhǔn)答案表達(dá)為降雪。針對(duì)該預(yù)測(cè)錯(cuò)誤進(jìn)行分析，得到這兩句話所在的完整預(yù)警文本如表9所示，抽取的句對(duì)如表10所示。

表9 樣本5所在的完整預(yù)警文本

表10 樣本5抽取的句對(duì)

“C毫米”是從括號(hào)文本中抽取出來的單獨(dú)子句。因?yàn)閷?duì)于降水預(yù)警文本，“C毫米”也是一個(gè)常見的短語(yǔ)，所以根據(jù)“C毫米”，模型會(huì)輸出和降水相關(guān)的下半句。

這個(gè)現(xiàn)象說明，目前使用基本Seq2Seq模型不考慮預(yù)警文本的背景信息(即“預(yù)警類型”、“預(yù)警級(jí)別”等)，僅使用當(dāng)前句子信息來預(yù)測(cè)下一個(gè)句子，會(huì)造成預(yù)測(cè)結(jié)果與實(shí)際結(jié)果的偏差。融合預(yù)警類型信息進(jìn)行推薦還需要進(jìn)一步研究。

4 結(jié) 語(yǔ)

本文對(duì)氣象文本推薦問題展開研究，在預(yù)警文本上實(shí)現(xiàn)了基于Seq2Seq模型的文本推薦系統(tǒng)。首先，進(jìn)行氣象要素抽取，將歷史預(yù)警文本轉(zhuǎn)換為模板文本；然后，從模板文本中抽取句對(duì)；最后，基于句對(duì)構(gòu)建推薦模型。其中氣象要素抽取使用基于CRF的抽取方法完成。測(cè)試結(jié)果表明，氣象要素抽取對(duì)“影響范圍[F]”類型的抽取精度(F值)相對(duì)較低，其他類型的抽取范圍精度較高。預(yù)警文本推薦使用基于神經(jīng)網(wǎng)絡(luò)的Seq2Seq模型，并且針對(duì)氣象預(yù)警文本生成的特殊性，對(duì)Seq2Seq模型的組件進(jìn)行了定制。實(shí)驗(yàn)結(jié)果表明，本文方法進(jìn)行文本推薦的BLEU值上可以達(dá)到12.21，具有一定實(shí)用性。此外，我們對(duì)其中一些預(yù)測(cè)錯(cuò)誤的情況進(jìn)行了分析。未來會(huì)把預(yù)警類型和預(yù)警級(jí)別作為上下文向量，引入到預(yù)警文本推薦中。