Con la continua acumulación de datos de redes sociales, la recomendación social se ha convertido en un método de recomendación ampliamente utilizado. Basado en la teoría de la propagación de relaciones sociales, la minería de relaciones de usuario en redes sociales puede aliviar los problemas de escasez de datos y el inicio en frío de los sistemas de recomendación. Por lo tanto, integrar información social en los sistemas de recomendación es de profunda importancia. Presentamos un modelo de red eficiente para la recomendación social. El modelo se basa en la red neuronal gráfica. Unifica el mecanismo de atención y la LSTM bidireccional en el mismo marco y utiliza un perceptrón multicapa. Además, se agrega un método de propagación incrustado para aprender las influencias de los vecinos de diferentes profundidades y extraer información útil de los vecinos para el modelado de relaciones sociales. Utilizamos este método para resolver el problema de que los métodos de investigación actuales de recomendación social solo extraen el nivel superficial de las redes sociales pero ignoran la importancia de la fuerza de la relación de los usuarios en diferentes niveles en la

La falta de datos de tráfico es un cuello de botella que restringe el desarrollo de los Sistemas de Transporte Inteligente (ITS, por sus siglas en inglés). La mayoría de los métodos existentes de completación de datos de tráfico se enfocan en datos de baja dimensionalidad, los cuales no pueden manejar datos de video de alta dimensionalidad. Por lo tanto, este artículo propone un modelo de red adversaria generadora de datos de tráfico completos (TDC-GAN) para resolver el problema de fotogramas faltantes en videos de tráfico. Basado en la Red de Pirámide de Características (FPN, por sus siglas en inglés), hemos diseñado un modelo de extracción de información semántica multinivel, que emplea un mecanismo de convolución para extraer características informativas de datos de alta dimensionalidad. Además, al construir un modelo discriminador con redes de ramas globales y locales, se capturan la información temporal y espacial para asegurar la consistencia espacio-temporal de los fotogramas consecutivos. Finalmente, el modelo TDC-GAN realiza experimentos de completación de