目的现有的基于图神经网络(GNN)的推荐方法忽略了会话中有价值用户在项目上的时间驻留信息,无法解决用户无意识点击带来的影响,同时忽略图神经网络中隐藏因素的表达能力,针对以上问题,提出一种融合时间驻留信息的图神经网络会话推荐模型...目的现有的基于图神经网络(GNN)的推荐方法忽略了会话中有价值用户在项目上的时间驻留信息,无法解决用户无意识点击带来的影响,同时忽略图神经网络中隐藏因素的表达能力,针对以上问题,提出一种融合时间驻留信息的图神经网络会话推荐模型(Graph Neural Network Session-based Recommendation Based on Fusion of Time Resident Information,TRGNN)。方法首先,对用户在各个项目上的驻留时间信息进行处理,通过时间图神经网络得到时间特征;其次,应用多头注意力机制增强因素的表达能力更好地提取项目特征,TRGNN将时间特征与项目特征进行融合得到最终特征,通过注意力网络得到全局上下文和局部上下文;最后,通过预测层得到最终推荐结果。结果在Diginetica和Yoochoose两个真实数据集上进行对比实验,实验结果表明:相较于最优基线模型,本模型在Mrr@20评价指标下分别提升了1.57%和3.30%,在Recall@20指标下分别提升了1.10%和0.66%。结论本模型实现了更好的推荐效果,能更好地挖掘隐藏信息,充分应用时间特征和项目隐藏特征来提高推荐准确率,降低用户误触对推荐准确率的影响。展开更多
为提升对未来事件的预判能力并有效应对不确定性,提出了一种基于图增强和注意力机制的网络架构,用于多元时间序列的不确定性预测.通过引入隐含式图结构并结合图神经网络技术,捕捉各序列间相互依赖关系,从而建模时间序列之间的相互影响;...为提升对未来事件的预判能力并有效应对不确定性,提出了一种基于图增强和注意力机制的网络架构,用于多元时间序列的不确定性预测.通过引入隐含式图结构并结合图神经网络技术,捕捉各序列间相互依赖关系,从而建模时间序列之间的相互影响;运用注意力机制捕捉同一序列内的时序变化模式,以建模时间序列的动态演变规律;采用蒙特卡洛随机失活(Monte Carlo dropout)方法近似模型参数,并将预测序列建模为随机分布,以实现精确的时间序列不确定性预测.实验证明,该方法在保持较高预测精度的同时,还能进行可靠的不确定性估计,可以为决策任务提供置信度信息.展开更多
最后一公里配送是指将包裹从仓库送至客户手中,是物流服务的关键一步。在最后一公里配送中进行路线和时间预测(route and time prediction,RTP),有利于提升物流系统效率并改善客户的体验。然而,实现准确的路线和时间预测面临巨大的挑战...最后一公里配送是指将包裹从仓库送至客户手中,是物流服务的关键一步。在最后一公里配送中进行路线和时间预测(route and time prediction,RTP),有利于提升物流系统效率并改善客户的体验。然而,实现准确的路线和时间预测面临巨大的挑战。快递员的配送路线和到达时间受到多源异质特征的影响,如快递员的个性化偏好、订单所在位置及下单时间、订单所在区域的类型及订单量等;当前很多研究先预测配送路线再预测配送时间,但不准确的路线预测结果往往会对时间预测造成误差累积。针对上述挑战,提出了一种基于多关系图神经网络的路线与时间并行预测方法(multi-relational graph model for route and time parallel prediction,MRG4RTPP)。构建包裹在位置和区域这两个层次上的时间、空间和转移模式多关系图,并设计双层次多关系图编码器提取多源异质特征,对包裹间的复杂时空关系进行建模。创新性地提出基于状态转移的路线与时间并行解码方式,用于缓解误差累计问题,在每步解码中,基于快递员当前状态并行预测下一配送包裹及其到达时间,并基于预测结果更新快递员状态。在三个城市的真实物流配送数据集上进行了实验,结果表明MRG4RTPP在路线预测和时间预测任务上均达到了当前最优效果。展开更多
文摘目的现有的基于图神经网络(GNN)的推荐方法忽略了会话中有价值用户在项目上的时间驻留信息,无法解决用户无意识点击带来的影响,同时忽略图神经网络中隐藏因素的表达能力,针对以上问题,提出一种融合时间驻留信息的图神经网络会话推荐模型(Graph Neural Network Session-based Recommendation Based on Fusion of Time Resident Information,TRGNN)。方法首先,对用户在各个项目上的驻留时间信息进行处理,通过时间图神经网络得到时间特征;其次,应用多头注意力机制增强因素的表达能力更好地提取项目特征,TRGNN将时间特征与项目特征进行融合得到最终特征,通过注意力网络得到全局上下文和局部上下文;最后,通过预测层得到最终推荐结果。结果在Diginetica和Yoochoose两个真实数据集上进行对比实验,实验结果表明:相较于最优基线模型,本模型在Mrr@20评价指标下分别提升了1.57%和3.30%,在Recall@20指标下分别提升了1.10%和0.66%。结论本模型实现了更好的推荐效果,能更好地挖掘隐藏信息,充分应用时间特征和项目隐藏特征来提高推荐准确率,降低用户误触对推荐准确率的影响。
文摘为提升对未来事件的预判能力并有效应对不确定性,提出了一种基于图增强和注意力机制的网络架构,用于多元时间序列的不确定性预测.通过引入隐含式图结构并结合图神经网络技术,捕捉各序列间相互依赖关系,从而建模时间序列之间的相互影响;运用注意力机制捕捉同一序列内的时序变化模式,以建模时间序列的动态演变规律;采用蒙特卡洛随机失活(Monte Carlo dropout)方法近似模型参数,并将预测序列建模为随机分布,以实现精确的时间序列不确定性预测.实验证明,该方法在保持较高预测精度的同时,还能进行可靠的不确定性估计,可以为决策任务提供置信度信息.
文摘最后一公里配送是指将包裹从仓库送至客户手中,是物流服务的关键一步。在最后一公里配送中进行路线和时间预测(route and time prediction,RTP),有利于提升物流系统效率并改善客户的体验。然而,实现准确的路线和时间预测面临巨大的挑战。快递员的配送路线和到达时间受到多源异质特征的影响,如快递员的个性化偏好、订单所在位置及下单时间、订单所在区域的类型及订单量等;当前很多研究先预测配送路线再预测配送时间,但不准确的路线预测结果往往会对时间预测造成误差累积。针对上述挑战,提出了一种基于多关系图神经网络的路线与时间并行预测方法(multi-relational graph model for route and time parallel prediction,MRG4RTPP)。构建包裹在位置和区域这两个层次上的时间、空间和转移模式多关系图,并设计双层次多关系图编码器提取多源异质特征,对包裹间的复杂时空关系进行建模。创新性地提出基于状态转移的路线与时间并行解码方式,用于缓解误差累计问题,在每步解码中,基于快递员当前状态并行预测下一配送包裹及其到达时间,并基于预测结果更新快递员状态。在三个城市的真实物流配送数据集上进行了实验,结果表明MRG4RTPP在路线预测和时间预测任务上均达到了当前最优效果。
