时间感知双LSTM神经网络与相似度图学习用于远程传感服务推

科学领域:

• 地球科学 地球科学 地球科学
• 计算机科学 计算机科学
• 数据科学数据科学数据科学

背景情况:

• 地球观测和卫星技术的进步增加了遥感资源.
• 在确保这些资源对最终用户的及时性和相关性方面,仍然存在挑战.
• 需要有效的推系统来浏览庞大的遥感数据档案.

研究的目的:

• 开发一个精确的遥感资源服务推模型.
• 解决现有系统在提供及时和相关数据方面的局限性.
• 通过远程传感数据,增强最终用户在特定领域的决策能力.

主要方法:

• 提出了一个模型,将时间意识的双LSTM神经网络与相似度图学习相结合.
• 构建了用户交互历史序列和一个类别相似度图.
• 使用长短期内存 (LSTM) 进行序列表示和图形卷积网络 (GCN) 进行图形结构.
• 集成的流推送技术和用户ID嵌入用于增强的建模.

主要成果:

• 该模型有效地表示历史序列和图形结构,以提供准确的建议.
• 用户特征和相似关系成功建模.
• 在三个数据集上的实验评估表明,与最先进的算法相比,性能优越.

结论:

• 拟议的推模型显著提高了遥感服务建议的精度和相关性.
• 时间意识的LSTM和图形学习的集成为远程传感数据发现提供了强大的解决方案.
• 这种方法为最终用户提供了一个有价值的工具,可以根据地球观测资源做出明智的决策.