基于知识图谱的新闻推荐神经网络模型

新闻推荐的目标是根据用户的历史阅读习惯,为用户推送其感兴趣的新闻内容。现有的方法存在特征学习不足的问题,没有考虑到用户与浏览新闻之间的关系,以及不同候选新闻对用户的重要性。针对以上问题提出一种基于知识图谱的新闻推荐神经网络模型。首先使用GloVe模型(Global Vectors for Word Representation)和基于翻译的模型(TransX)分别从新闻语义和知识层面得到文本语义特征、实体特征和实体在知识图谱中的上下文特征。然后,使用LSTM-CNN网络挖掘新闻和用户深层次信息,得到用户的新闻偏好向量,同时引入注意力机制减少新闻无关题材的影响;最后通过点击求和计算用户对候选新闻的偏好值并生成最终的推荐结果。在真实新闻数据集MIND上的实验结果表明,本文所提出的模型相对现有的DKN、DeepFM、DeepWide模型,在AUC、MRR、NDCG@k指标上表现的更优异。

基于ANSYS的推土机变速箱前行星架的有限元分析

利用ANSYS软件对某款推土机变速箱的前行星架进行了应力和应变分析,得到应力和应变云图,分析结果验证了设计的可靠性,为变速箱前行星架结构的合理优化提供了理论支持。

推土机变速箱后行星架的有限元分析

改进后的推土机变速箱后行星架用ANSYS软件进行应力和应变分析,得到应力、应变云图,验证结构设计的正确性,避免行星架断裂现象的发生,为后行星架结构的合理设计和性能优化提供理论依据。