基于对齐性和均匀性约束的图神经网络会话推荐方法

会话推荐(session-based recommendation,SBR)旨在匿名状态下通过用户的短期历史行为序列来预测下一个待点击的项目。为解决现有基于图神经网络(graph neural networks,GNNs)的会话推荐方法忽略会话中不同位置相同项目之间差异的问题,在图卷积获得项目表示后,进一步考虑该项目与相邻项目之间的相关性,生成邻域相关的项目表示。此外,鉴于对齐性和均匀性在对比学习中的起到的重要作用,还提出了一种适用于会话推荐的对齐性和均匀性损失方法,以约束生成的会话表示和项目表示。在3个公开数据集上的实验表明,文中提出的模型TAU-GNN的推荐性能优于对比的主流会话推荐模型。

基于对比度 区域均匀性图分析的综放工作面上隅角瓦斯超限预警算法研究

综放工作面上隅角通风困难,瓦斯难以有效排出,容易导致瓦斯积聚。当浓度达到一定程度时,容易诱发瓦斯超限事件甚至瓦斯爆炸事故,对井下作业人员和设备造成严重威胁。为应对此问题,提出了基于对比度区域均匀性图分析的综放工作面上隅角瓦斯超限预警算法。该算法使用时空克里金插值法,构建综放工作面上隅角瓦斯数据点插值模型,利用综放工作面已知数据,获取瓦斯采样点的信息,根据时空变异函数、时空协方差函数表征各采样点间的时空相关关联性,估计瓦斯未知采样点的时空信息,利用马特隆模型拟合所有采样点,以得到综放工作面上隅角瓦斯对比度区域均匀性图,通过此图明确综放工作面上隅角瓦斯浓度,通过评估标准确定其风险等级,进而启动相应的防范措施。实验结果表明,对比度区域均匀性图分析可准确预测上隅角瓦斯浓度及其变化特征,且预警精度高。