《Big Data Research》：Generative Pre-Trained Transformer-3 Based Feature Extraction and Classification Using Hybrid GRU-SGO for Telecom Service Recommendation System
编辑推荐：
Vani Haridassan|K. Hariharanath|Kavitha Muthukumaran印度泰米尔纳德邦金奈SSN工程学院SSN管理学院副教授，邮编603110摘要5G技术在电信领域的发展对人们的生活质量以及国家经济的增长有着重要影响。尽管近期已经出现了多种用于推
Vani Haridassan|K. Hariharanath|Kavitha Muthukumaran
印度泰米尔纳德邦金奈SSN工程学院SSN管理学院副教授，邮编603110
摘要
5G技术在电信领域的发展对人们的生活质量以及国家经济的增长有着重要影响。尽管近期已经出现了多种用于推荐电信套餐的系统，但从大量复杂的消费数据中提取有用特征仍然十分困难。本文提出了一种基于生成预训练变换器特征选择和GRU-SGO分类方法的推荐系统。该系统以网站上的各类网络服务评价作为输入，通过分词、大小写转换、拼写校正、停用词删除、词干提取和词形还原等步骤进行预处理。生成预训练变换器3（GPT-3）被用作特征提取算法，将原始数据转换为数值特征。在特征提取之后，通过特征选择流程从原始特征集中挑选出最相关的特征，同时剔除冗余、无关或干扰性特征。此外还采用了邻域组件分析（NCA）作为特征选择方法。最终，这些选定的特征会被输入到混合门控循环单元-鱿鱼游戏优化（GRU-SGO）模型中，根据客户评价对五种类别进行预测。SGO机制被用于在GRU模型中优化隐藏神经元的选择。该系统实现了96%的准确率、91%的精确度和97%的特异性。因此，所提出的基于GPT-3和优化技术的特征选择算法是构建高效推荐系统的最佳选择。
章节节选
引言
目前，电信行业为用户提供了数百种不同的移动设备和服务供其选择。该行业还在开发新的服务模式，让用户能够在线选择并支付各种产品和服务费用。然而，由于选项太多，用户越来越难以快速准确地选出自己心仪的选择[1]。推荐系统是通过分析用户偏好数据集来识别最符合用户需求的内容而产生的结果
文献综述
得益于电信行业日益丰富的服务种类，最终消费者拥有了更多选择。不过，消费者无法全面评估如此众多的选项，一些有价值的服务也可能被忽视。为解决这一问题，电信行业越来越多地采用推荐系统。这类系统能立即向用户推送可能与其兴趣相关的服务信息。目前已有多种基于机器学习的推荐系统被研发出来
提出的方法
由于电信行业提供的服务日益丰富，最终消费者有了更多选择。在如此庞大的选项面前，用户可能无法评估每一个选项，一些有价值的服务也可能无人发现。为解决这一问题，电信行业愈发依赖推荐系统。这类系统能够立即向用户推荐可能与其兴趣相关的服务。推荐系统是一种更为复杂的个性化形式，它通过分析用户偏好来预测用户可能感兴趣的内容
结果与讨论
由于电信行业提供的服务日益丰富，最终消费者有了更多选择。然而，用户无法全面了解这么多选项，一些有价值的服务也可能被忽视。为应对这些挑战，电信行业正在越来越多地使用推荐系统。这类系统能够立即向用户推送可能与其兴趣相关的服务信息。本文采用了基于生成预训练变换器3的特征提取技术
结论
随着通信技术的进步，电信行业已发展成为至关重要的支撑行业，为全球几乎所有行业提供服务。得益于5G技术的发展，电信行业还与人们的生活质量紧密相关，有助于推动国家经济发展。在5G网络时代，电信企业之间的竞争压力预计会进一步加剧。号码携带服务的出现，使得手机用户能够更方便地更换运营商
资金支持
作者声明，在撰写本稿件期间未获得任何资金、资助或其他形式的支持。
作者贡献
通讯作者负责论文的构思、分析及编辑工作，做出了主要贡献。另一位合著者则负责协助验证分析结果并参与论文编辑工作。
伦理标准遵循情况
本文是作者们完全独立创作的原创作品，此前未曾发表过，且在期刊编辑部决定不予录用之前，也不会被提交给其他出版机构。
CRediT作者贡献说明
Vani Haridassan：项目管理、方法设计、研究实施、资金筹集、正式分析、数据整理、概念构建。K. Hariharanath：结果验证、监督指导、软件开发、资源协调。Kavitha Muthukumaran：文章润色与编辑、初稿撰写、结果可视化。
