摘要：协同过滤推荐系统普遍面临交互数据稀疏,社会化推荐通过引入用户社交信息来缓解数据稀疏问题。现有社会化推荐方法主要关注好友关系,即用户间形成的直接社交关系,但社交数据的稀疏性限制了该类方法的性能表现。由用户加入兴趣小组所形成的群组关系数量繁多且富有价值,然而目前较少有研究关注这种关系,仅有的方法多采用矩阵分解等传统方法建模,对用户协同兴趣和社交影响的表达不够深入。为提升推荐质量,进一步研究群组关系,从缓解社交数据稀疏性的角度论证其在辅助推荐方面的作用,并基于建模能力更强的图卷积网络学习用户、项目与群组之间的高阶关系,分别设计出以间接和直接方式利用群组关系的推荐方法IGRec-Trans和IGRec-Direc,探索更合理的群组关系融合方式。在真实数据集上的实验结果表明,所提方法能有效提升推荐性能,相比最优基准方法DiffNet++,在HR@10和NDCG@10指标上最高可提升4.55%和3.98%,在冷启动用户推荐任务上NDCG@10指标最高可提升18.6%。

摘要：附加服务需要付费偏离了旅客先前的购买习惯,中国旅客接受度不高。在国内外研究主要侧重于确定影响旅客购买附加服务的因素的基础上,本文同时将影响因素同旅客选择行为结合起来进行研究。首先通过预调查得到最受我国旅客欢迎的前五项附加服务及其意愿支付价格,由此确定研究指标及指标水平;然后构建我国旅客对附加服务的Mixed logit随机选择模型;最后对模型求解,得出中国不同细分市场旅客对附加服务产品的选择行为存在的较大差异。结果表明,旅客对航空保险、优先选择座位和优先值机/登机这三项附加服务有较强的购买意愿;选择低成本航空公司的旅客对附加服务的价格更敏感;飞行时间长、家庭收入高的旅客以及商务旅客对优先选择座位的重视程度较高;休闲旅客更喜欢选择机上餐食和托运行李;旅客个人偏好对附加服务的选择有显著影响。本文的研究将为附加服务产品的设计和优化提供理论基础和决策支持。

摘要：航空公司外航服务人员排班旨在优化员工排班方案以满足外航航班的人员资质需求,并最小化员工总工作时长和兼顾工作时间均衡,其本质是一个面向多任务类型、员工层次资质、白夜班轮换等约束的人员排班问题。现有算法未考虑白夜班轮换强制性约束,制约了它们的应用。为此,该文提出基于Block Gibbs的航空公司外航服务人员排班算法。算法首先设计了数据拷贝技巧以快速建模具有白夜晚班约束的排班问题,然后提出基于Block Gibbs的多员工有放回抽样优化策略。理论分析表明该文算法与基准算法具有同规模的计算复杂度,但却具有更高的抽样效率以加大可行解生成规模和求解速度。与此同时,在国内某大型航空公司外航服务部排班数据集上的实验表明:相比于基准算法,算法在工作总时长、有效工作时长、有效工作时长比例等指标上提升至少0.62%。

摘要：基于深度学习的点击率预估模型多数通过建模各个域的特征之间的交互关系提升预估准确率。特征嵌入向量对模型效果具有重要影响,而现有的CTR模型中不同特征的嵌入向量学习过程相互独立,且由于特征长尾分布导致大部分低频特征不能学习到较好的向量表示,严重影响模型的预测效果。基于域内特征间存在隐含的相似性,提出两种分别基于特征间共现概率和游走概率的相似度定义和对应的相似性图构建方法,并给出结合剪枝策略的广度优先遍历算法实现相似特征的高效计算。在此基础上,基于域内特征相似性图,设计一种嵌入生成器,对于低频特征,在域内特征相似性图上通过图神经网络聚合与其相似的特征信息,生成新的特征嵌入,作为预处理过程对特征嵌入向量进行数据增强,提升嵌入向量的表示学习质量。在公开数据集Criteo、Avazu上的实验结果表明,该方法明显提升点击率预估模型的预测准确率,其中对代表性点击率预估模型xDeepFM和AutoInt,AUC指标分别提升了0.007和0.008,LogLoss则下降了0.009和0.006,证明了嵌入生成模型的有效性。