-
题名基于时间块动态图神经网络的序列推荐方法
- 1
-
-
作者
彭梓航
张全贵
金海波
刘怡欣
齐玉欣
-
机构
辽宁工程技术大学软件学院
重庆文理学院数学与人工智能学院
-
出处
《计算机应用研究》
北大核心
2025年第8期2312-2319,共8页
-
基金
国家自然科学基金资助项目(62173171)
重庆市教委科技项目-重点项目(KJZD-K202301309)
+1 种基金
重庆文理学院塔基计划资助项目(R2021FRG01)
重庆文理学院塔尖计划资助项目(P2022RG08)。
-
文摘
基于动态图的序列推荐是当前推荐系统领域的一个研究热点。现有方法通常基于用户-物品交互序列的每个时间戳构建动态图,基于精细时间分辨率的方法,很难解决序列中用户偶然行为引发的噪声问题,同时也难以有效捕捉用户的周期性偏好。为此,提出了一种基于时间块动态图神经网络的序列推荐方法TBDGNN(time-block-based dynamic graph neural network)。该方法首先根据用户-物品交互历史数据分布,将时间序列划分为若干个时间块。然后在每个时间块内构建动态图,以建模用户行为的时间演化。接下来,设计了一个时间块级的图神经网络框架,通过时间块划分来减少用户误操作等偶然交互的影响,并捕捉用户的周期性行为。实验表明,TBDGNN在MovieLens等数据集核心指标上显著优于DGEL基准,其中hit@10最高提升8.7%。实验结果验证了模型在动态推荐与周期性行为建模中的有效性。
-
关键词
序列推荐
动态图神经网络
时间块
周期性偏好
-
Keywords
sequential recommendation
dynamic graph neural network
time block
periodic preferences
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名基于时空动态循环图卷积网络的交通流预测
被引量：2
- 2
-
-
作者
刘志
陈洋
周涵林
卞纪新
-
机构
浙江工业大学计算机科学与技术学院
-
出处
《浙江工业大学学报》
CAS
北大核心
2023年第3期282-288,共7页
-
基金
浙江省基础公益研究计划项目(LGG20F030008)
国家自然科学基金资助项目(62072409,62073295)
+1 种基金
浙江省自然科学基金资助项目(LR21F020003)
浙江省属高校基本科研业务费专项资金资助项目(RF-B2020001)。
-
文摘
交通流预测是一个典型的时空数据预测问题,交通流数据在时间上和空间上都表现出很强的相关性与动态性,以往的研究方法侧重对路网中时空关联进行建模,而忽略了路网节点的动态相关性,进而影响了交通流预测的精度。针对此问题,提出一个时空动态循环图卷积框架(DRGCN),包括基于动态图生成器的循环图卷积网络建模局部的交通时空特征和样本卷积交互网络建模全局时间特征。首先,在每个时刻通过循环神经网络和图卷积网络结合上一个时刻的交通特征生成邻接矩阵;然后,结合预定义邻接矩阵建模交通中的动态时空关联;最后,将大量辅助信息和隐藏状态结合,通过样本卷积交互网络建模全局的时间关系。实验结果表明:建构的模型在真实数据集上的表现优于已有的基线模型。
-
关键词
交通流预测
动态图神经网络
循环神经网络
样本卷积交互网络
-
Keywords
traffic flow prediction
dynamic graph neural networks
recurrent neural networks
sample convolution and interaction network
-
分类号
TP39
[自动化与计算机技术—计算机应用技术]
-
-
题名全局和局部感知的交通速度预测模型
- 3
-
-
作者
申岩松
李琳
黄传明
-
机构
武汉理工大学计算机与人工智能学院
武汉市交管局
-
出处
《电子学报》
EI
CAS
CSCD
北大核心
2024年第9期3195-3205,共11页
-
基金
国家自然科学基金(No.62276196)
湖北省重点研发计划项目(No.2021BAA030)。
-
文摘
面对日益严峻的交通堵塞问题,智能交通系统获得飞速发展和广泛应用,作为基石工作的交通速度预测因此备受关注.近些年来,深度学习被广泛用于交通速度预测的研究工作,并且研究方向也从单一的建模时间相关性迁移到复杂的时空相关性,图神经网络由于契合交通路网的图结构数据这一本质属性,成为建模空间相关性的主流方法 .目前,大多数的研究工作已经注意到动态的空间相关性对交通速度预测任务的重要性.然而,基于这一发现所提出的建模思路主要预定义矩阵或自适应矩阵,属于静态矩阵,并不足以应对空间相关性的复杂和动态的特性.同时通过对真实交通速度数据集的分析,本文发现交通节点间依赖的局部波动相比交通路网的全局影响具有更强的动态性,这表明空间相关性可以从全局和局部的角度分开建模,因此本文提出了一个端到端全局和局部融合的动态图神经网络模型来进行交通速度预测.首先,交通速度流被自分解层分解为静态分量和动态分量,随后动态图生成模块为动态分量构造实时的动态图以匹配其动态性.基于构造的动态图和输入的预定义图,本文借助图卷积操作来学习这两类空间相关性的高阶表达.除此之外,本文在时间模块使用空洞因果卷积捕获交通数据中时间相关性.最后,残差连接被用来聚合时空相关性并输送给输出层完成最终的速度预测.在两个高速公路数据集和一个城市路数据集上的实验结果表明本文提出的模型相比主流模型在平均绝对误差和均方根误差两个预测指标上均优于主流模型.
-
关键词
交通速度预测
时空相关性
动态图神经网络
图生成
-
Keywords
traffic speed prediction
spatial-temporal correlations
dynamic graph neural network
graph generation
-
分类号
TP391.1
[自动化与计算机技术—计算机应用技术]
-
-
题名利用倾斜影像重建点云的建筑物变化检测
被引量：4
- 4
-
-
作者
黄桦
葛为燎
刘微微
钱荣荣
李杰
-
机构
浙江省测绘科学技术研究院
-
出处
《测绘通报》
CSCD
北大核心
2023年第5期125-129,共5页
-
基金
浙江省自然资源厅2022年度科技项目(2022-53)
浙江省自然科学基金(LTGS23D010003)。
-
文摘
城镇空间建筑物的变化检测是分析城市空间格局变化的一项重要内容。针对利用卫星影像检测建筑物变化过程中噪声、复杂边界等干扰难题,本文从不同期倾斜影像重建点云中自动提取建筑物平面和高度两个维度的准确变化信息。首先采用布料模拟滤波算法较大程度上减少地形点的影响;然后利用一种动态图神经网络深度学习方法,有效地检测出点云中的建筑物,通过前后两期点云分类后结果对比提取出建筑物的三维变化信息;最后选取杭州市萧山区局部区域的两期倾斜摄影测量密集匹配点云数据开展分析验证。结果表明,本文方法能够在大范围内快速实现可靠的建筑物变化检测,建筑物平面和高程两个维度的变化信息均有很好的反映,为城市精细化管理提供了一种有效方法。
-
关键词
点云分类
建筑物变化检测
布料模拟滤波算法
动态图神经网络
三维变化
-
Keywords
point cloud classification
building changing detection
cloth simulation filtering algorithm
dynamic graph neural network
3D changes
-
分类号
P237
[天文地球—摄影测量与遥感]
-
