Resumen

En la actualidad, para mejorar la precisión y el rendimiento de las recomendaciones personalizadas en redes inalámbricas móviles, el aprendizaje profundo ha sido ampliamente considerado y utilizado con datos grandes de trayectorias sociales y móviles. Sin embargo, sigue siendo un desafío implementar aplicaciones de recomendación personalizada cada vez más complejas sobre datos grandes. Ante este desafío, se propone un marco de recomendación híbrido, es decir, recomendación personalizada asistida por deep CNN, llamado DCAPR, para usuarios móviles. Técnicamente, DCAPR integra datos heterogéneos de múltiples fuentes a través de una red neuronal convolucional, así como ingresa diversas características, incluidas características de imagen, características semánticas de texto y trayectorias de usuarios sociales móviles, para construir un modelo de predicción profundo. Específicamente, primero obtenemos la información de ubicación y la secuencia de trayectoria de movimiento en la red inalámbrica móvil. Luego, se calcula la similitud de usuarios

• Materias:Dispositivos móviles Programación centralizada Redes heterogéneas Cooperación de retransmisión Antenas inteligentes
• Subjects:Mobile devices Centralized scheduling Heterogeneous networks Relay cooperation Smart antennas
• Palabras claves:Mejorar; Precisión; Rendimiento; Recomendación personalizada; Aprendizaje profundo; Redes inalámbricas móviles
• Keywords:Improve; Accuracy; Performance; Personalized recommendation; Deep learning; Mobile wireless networks