1. Сеть внимания гиперболического графика с учетом времени для рекомендаций на основе сеансов (arXiv)

Автор: Сяохань Ли, Юцин Лю, Чжэн Лю, Филип С. Ю.

Аннотация: Рекомендация на основе сеанса (SBR) предназначена для прогнозирования следующих интересующих пользователей элементов на основе их предыдущих сеансов просмотра. Существующие методы моделируют сеансы в виде графиков или последовательностей для оценки интересов пользователей на основе элементов, с которыми они взаимодействовали, для выработки рекомендаций. В последние годы методы на основе графов достигли выдающихся результатов в SBR. Однако ни один из этих методов не учитывает временную информацию, которая является важной характеристикой СРП, поскольку указывает на своевременность или актуальность. Кроме того, графы сеансов имеют иерархическую структуру и продемонстрировали свою пригодность в гиперболической геометрии. Но несколько работ проектируют модели в гиперболических пространствах, и это направление все еще находится в стадии изучения. В этой статье мы предлагаем сеть внимания с гиперболическим графом с учетом времени (TA-HGAT) — новую структуру нейронной сети с гиперболическим графом для построения модели рекомендаций на основе сеансов с учетом временной информации. В частности, в TA-HGAT есть три компонента. Во-первых, модуль гиперболической проекции преобразует характеристики объекта в гиперболическое пространство. Во-вторых, модуль внимания графика с учетом времени моделирует временные интервалы между элементами и текущими интересами пользователей. В-третьих, эволюционная потеря в конце модели обеспечивает точное предсказание рекомендуемого элемента на основе заданной метки времени. TA-HGAT построен в гиперболическом пространстве для изучения иерархической структуры графов сеансов. Экспериментальные результаты показывают, что предложенный TA-HGAT имеет лучшую производительность по сравнению с десятью базовыми моделями на двух реальных наборах данных.

2.SI-GAT: метод, основанный на улучшенной сети Graph Attention Network для классификации гидроакустических изображений (arXiv).

Автор: Цань Лэй, Хуйган Ван, Хуан Лэй.

Аннотация: Существующие методы классификации гидроакустических изображений, основанные на глубоком обучении, часто анализируются в евклидовом пространстве с учетом только локальных особенностей изображения. По этой причине в этой статье представлен метод классификации сонаров, основанный на усовершенствованной сети графического внимания (GAT), а именно SI-GAT, который применим к нескольким типам сонаров, формирующих изображения. Этот метод количественно определяет корреляционную связь между узлами на основе совместного расчета цветовой близости и пространственной близости, которые представляют характеристики сонара в неевклидовом пространстве, затем используется алгоритм KNN (K-ближайший сосед) для определения диапазона соседства и матрицы смежности. в механизме внимания графа, которые рассматриваются вместе с матрицей коэффициентов внимания для построения ключевой части SI-GAT. Этот SI-GAT превосходит несколько методов CNN (сверточной нейронной сети), основанных на евклидовом пространстве, за счет проверки реальных данных.