针对目前团购推荐方法较少结合单个用户与群组用户，并且对时间间隔、社交关系等上下文相关信息的利用不充分的问题，提出了一种基于社交关系和时序信息的团购推荐方法。对单个用户进行推荐时，针对循环神经网络（RNN）的门控循环单元（GRU）在团购推荐时没有考虑时序信息的影响，以及用户-商品交互序列中不相关的商品数据会产生噪声等问题，提出了融合时序感知GRU和自注意力的团购推荐模型（RTSA）。首先，通过计算用户购买的任意两个商品之间的个性化时间间隔，构建了时序感知GRU(TGRU)模型；然后，采用自注意力网络研究商品位置及个性化时间间隔的影响；最后，实验结果表明在Amazon Beauty数据集中，RTSA相较于对单个用户推荐的最优的基线模型——基于时间间隔感知自注意力的序列化推荐模型（TiSASRec），前10个商品命中率提升了11.73%。对群组用户进行推荐时，针对团购群组推荐中预定义的融合策略不能动态获取群组用户权重，以及群组-项目交互数据的稀疏性等问题，提出了融合社交网络和分层自注意力的团购推荐模型（SSAGR）。首先，采用RNN捕捉团购中用户随时间变化的复杂潜在兴趣；其次，利用分层自注意力网络将社交网络信息整合到用户表示中，在不同权重下实现群组偏好聚合策略；然后，通过神经协同过滤（NCF）挖掘群组-项目交互，并实现了团购推荐；最后，实验结果表明，在MaFengWo数据集中，SSAGR相较于对群组用户推荐的最优的基线模型AGREE(Attentive Group REcommEndation)，前5个商品命中率提升了3.53%。
以北京大兴国际机场线LTE-M(Long Term Evolution-Metro,地铁长期演进系统)为例,介绍了LTE-M系统频率划分方案、LTE-M系统综合承载的各项业务及其LTE-M系统的需求,以及承载列车运行直接相关业务的LTE-M系统的构成及承载列车生产及维修...
详细信息
以北京大兴国际机场线LTE-M(Long Term Evolution-Metro,地铁长期演进系统)为例,介绍了LTE-M系统频率划分方案、LTE-M系统综合承载的各项业务及其LTE-M系统的需求,以及承载列车运行直接相关业务的LTE-M系统的构成及承载列车生产及维修相关业务的LTE-M系统的构成。北京地铁新机场线LTE-M系统整合了车地间多种数据业务的类型,可满足列车高速行驶下多种业务的高可靠性、高稳定性、高安全性传输要求。
暂无评论