Integrating Social Networks with Mobile Device-to-Device Services
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
In recent years, the rapid growth of traffic has become a serious problem of mobile network operators. For effectively mitigating this traffic explosion problem, there have been many efforts to research on offloading the traffic from cellular links to direct communications among users. In this paper, we are motivated by users' sharing activities, and hence propose the framework of Traffic Offloading assisted by Social network services (SNS) via opportunistic Sharing in mobile social networks (MSNs), TOSS, to offload SNS-based cellular traffic by user-to-user sharing. First, a subset of users who are to receive the same content was selected as initial population depending on their content spreading impacts in the online SNSs and their mobility patterns in the offline MSNs. Then users move, encounter and share the content via opportunistic local connectivity with each other, the content via opportunistic local connectivity with each other, e.g., Bluetooth, Wi-Fi Direct, Device-to-Device in LTE. Individual users have distinct access patterns, which potentially allow TOSS to exploit the user-dependent access delay between the content generation time and each user's access time for content sharing purposes. The traffic offloading and content spreading among users are analyzed by taking into account various options in linking SNS and MSN traces. Four mobility traces and online SNS trace for evaluation are analyzed. An extended evaluation over a large-scale data set are further carried out, and the effectiveness of TOSS is further proved.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle