变分自编码器(variational autoencoder, VAE)近年来在推荐领域有着很成功的应用.这种非线性概率模型的优势在于它可以突破线性模型有限的建模能力,而线性模型目前仍然在协同过滤研究中占主导地位.尽管基于变分自编码器的推荐方法已经取得了优越的表现,但仍存在一些未解决的问题,例如无法针对隐式反馈的推荐数据为用户生成个性化的推荐排序列表.因此,通过借助多项式似然对变分自编码器实施基于列表的排序策略,提出了一种深度生成推荐模型.该模型具有同时生成点级隐式反馈数据并为每个用户创建列表式偏好排序的能力.为了将排序损失与变分自编码器损失结合起来,采取归一化累计损失增益(normalized cumulative loss gain, NDCG)作为排名损失,并通过平滑函数进行近似.在3个真实世界数据集上(MovieLens-100k,XuetangX和Jester)进行了实验.实验结果表明:结合了列表级排序的变分自编码器在推荐个性化列表所有评价指标上,相比于其他基线模型拥有更出色的表现.
根据国际电信联盟关于IMT-2030愿景,第6代移动通信系统(the 6th generation mobile networks,6G)的覆盖服务需求将从单场景覆盖向多场景覆盖扩展,6G基础设施的部署也将逐步从2D覆盖向3D覆盖扩展、从局部覆盖向全球覆盖扩展、从中低频段...
详细信息
根据国际电信联盟关于IMT-2030愿景,第6代移动通信系统(the 6th generation mobile networks,6G)的覆盖服务需求将从单场景覆盖向多场景覆盖扩展,6G基础设施的部署也将逐步从2D覆盖向3D覆盖扩展、从局部覆盖向全球覆盖扩展、从中低频段融合使用向更高频段按需开启.上述需求使得6G在提升容量的同时,需要进一步考虑无线覆盖扩展需求.本文针对如何在6G网络结构时空尺度跨度大、全场景业务需求差异大、超密集覆盖能耗大等关键挑战下实现容量和能效约束下的覆盖能力扩展这一重大科学问题,首先提出了面向6G无线覆盖扩展的智能柔性组网架构;其次研究了面向6G无线覆盖扩展的关键技术,包括面向6G广域覆盖的多维立体空天地覆盖扩展技术、面向深度覆盖的超密集异构覆盖扩展技术和面向6G平滑度覆盖的超高速移动覆盖扩展技术;接着分析了基于语义通信的覆盖扩展技术;最后给出了6G全场景无线覆盖扩展仿真验证,通过定义6G无线覆盖扩展技术指标体系,进行了典型场景的覆盖性能仿真验证.
暂无评论