车辆轨迹预测可定义为：给定所有邻近车 辆在过去时间范围 T 上的位置 X ，其目标是预测它们 在未来时间范围 H 中的轨迹分布 Y。然后，通过特征融合门控单元 实现每个时间步长对应时空特征的自适应融合，并利用门控循环单元（GRU）网络构建解码器进一步生成未 来车辆轨迹的概率分布。GCNTA 模型的时间特征提取由添加注意力机制的 TCN-Attention 模块组成.的多模态车辆轨 迹预测方法（GC

大型语言模型（LLMs）已成为自然语言处理（NLP）领域的强大工具，并最近在推荐系统（RS）领域获得显著关注。这些通过自监督学习在海量数据上训练的模型，在学习通用表征方面展现出卓越成效，并有望通过微调、提示调优等有效迁移技术来提升推荐系统的多个维度。利用语言模型提升推荐质量的关键，在于发挥其文本特征的高质量表征能力与外部知识的广泛覆盖性，从而建立物品与用户间的关联。为系统梳理现有基于LLM的推荐系

模型的不稳定性和难解释性一直是深度学习 理论面临的难点问题，伴随海量标注数据的大量噪 声导致深度学习不稳定，深度学习模型提取的特征 很难直观地理解和解释。采 用一种端到端的方式直接对数据本身进行建模，通 过深度神经网络自动学习提取特征并建立深度特征 与数据标签之间的映射关系。知识提取的目的是从非结构化的文本和其他结 构化或半结构化的数据源中发现和识别实体和关 系。2. 基于隐式知识的建模方法：即有