“數(shù)據(jù)分析與計算專欄”主持人語

中國大數(shù)據(jù)和人工智能技術(shù)正處于蓬勃發(fā)展階段，先進模型算法不斷涌現(xiàn)。本期專欄推出3篇論文，以大數(shù)據(jù)和人工智能應用為中心，面向工業(yè)界和學術(shù)界的應用場景，介紹前沿模型算法的相關(guān)應用案例。

第1篇是張冬雯等撰寫的《基于長短期記憶神經(jīng)網(wǎng)絡模型的空氣質(zhì)量預測》。這是一篇算法類的文章，主要針對當前空氣質(zhì)量預測研究中預測精度低、效率低、缺失時間因素等問題，從時間角度提出了一種簡單的空氣質(zhì)量預測方法——LSTM神經(jīng)網(wǎng)絡模型，使用MAPE，RMSE，R，IA和MAE等指標檢測LSTM神經(jīng)網(wǎng)絡與對比模型的預測性能。實驗結(jié)果表明，LSTM神經(jīng)網(wǎng)絡可以適應多個變量或多輸入的時間序列預測問題，具有預測精度高、速度快和魯棒性較強等優(yōu)點，使用LSTM神經(jīng)網(wǎng)絡進行空氣質(zhì)量預測可以有效提高預測的準確性。

第2篇是周萬珍等撰寫的綜述性文章《推薦系統(tǒng)研究綜述》，對傳統(tǒng)的推薦方法和當前深度學習技術(shù)中神經(jīng)網(wǎng)絡在推薦方法上的應用進行了歸納。傳統(tǒng)的推薦方法分為3類：1）基于內(nèi)容的推薦方法;2）協(xié)同過濾的推薦方法;3）混合推薦方法。基于深度學習的推薦方法依據(jù)神經(jīng)網(wǎng)絡的類別主要分為4類：1）基于深度神經(jīng)網(wǎng)絡（DNN）的推薦方法;2）基于卷積神經(jīng)網(wǎng)絡（CNN）的推薦方法;3）基于循環(huán)神經(jīng)網(wǎng)絡（RNN）和長短期記憶神經(jīng)網(wǎng)絡（LSTM）的推薦方法;4）基于圖神經(jīng)網(wǎng)絡（GNN）的推薦方法。研究表明，將深度學習技術(shù)應用到推薦領(lǐng)域，構(gòu)成的推薦模型具有較多優(yōu)勢。在推薦領(lǐng)域中融入深度學習技術(shù)，可以解決傳統(tǒng)推薦方法中存在的問題，提高推薦質(zhì)量。

第3篇是瞿英等撰寫的《基于文本分析的軟件項目風險研究演化脈絡解析》。軟件項目風險管理是軟件項目管理中的重點問題之一，隨著軟件行業(yè)的發(fā)展，軟件項目風險也呈現(xiàn)出新的特點，風險管理內(nèi)容也產(chǎn)生了新的變化。為了追蹤軟件項目風險管理研究的脈絡和發(fā)展趨勢，此篇論文以CNKI及ScienceDirect數(shù)據(jù)庫為數(shù)據(jù)基礎(chǔ)，運用爬蟲技術(shù)，獲取了國內(nèi)外軟件項目風險相關(guān)文獻2 092篇，利用分詞技術(shù)方法，對文獻作者、摘要等內(nèi)容進行了詞頻分析，挖掘研究主體的空間分布情況，梳理出軟件項目風險概念界定、研究階段、研究方法等方面的演化進程。通過對文獻主題進行分析，梳理出軟件項目風險研究將面臨以下新挑戰(zhàn)：一是“新風險”對風險識別過程帶來的挑戰(zhàn);二是風險管理從靜態(tài)到動態(tài)轉(zhuǎn)變的挑戰(zhàn);三是風險知識庫構(gòu)建的挑戰(zhàn)。這些探索將為軟件項目風險防控、提升軟件項目成功率提供新的解決思路。

主持人簡介

許云峰，男，1980年出生，河北鹽山縣人，河北科技大學信息科學與工程學院副教授，碩士生導師。主要研究方向：社區(qū)發(fā)現(xiàn)、機器學習等。參研近30項橫縱向課題，主持多項河北省科技廳和河北省教育廳研究項目，參研國家自然科學基金項目2項。在國內(nèi)外公開刊物發(fā)表學術(shù)論文20余篇，其中SCI 2區(qū)及3區(qū)論文3篇，被EI收錄12篇，論文被引用200多次。