基于对等网架构的会话发起协议及应用

普通SIP应用由于受到后台服务器的控制,会面临单点服务器故障或遭受攻击导致网络整体瘫痪的危险,网络用户通信的自由度也受到了一定限制.基于P2P架构的SIP应用,利用P2P实现用户的注册、加入、定位、查找和路由,具有通信负载平衡、系统不易瘫痪等优点.SIP向P2P架构的发展,改善了原SIP 网络的可靠性和可扩展性,有利于实现与传统通信系统的互联互通.     

基于全局有向图的商品会话序列推荐算法

针对商品会话序列推荐中传统推荐算法过分依赖临近点击状况, 在一定程度上丢失整体商品访问趋势的问题, 提出一种新的基于全局有向图的商品会话序列推荐算法. 首先, 构建商品会话序列全局有向图, 图中节点为商品, 节点间的弧表示点击次序, 并用图数据库存储该有向图； 其次, 给出在有向图上的全局偏好传播策略, 同时考虑点击时间因素对推荐的重要影响； 最后, 获得待推荐商品的评分. 在Diginetica和Yoochoose标准数据集上, 该算法根据P@20标准, 比传统Item-KNN方法推荐准确率分别提升了6.12%和30.25%; 根据MRR@20标准, 则分别提升了15.04%和33.88%. 实验结果表明, 该全局有向图搜索和评分策略有效.     

面向强化当前兴趣的图神经网络推荐算法研究

在基于会话的推荐中，与传统序列建模相比，将会话序列建模为图结构在该领域表现得更为出色。但是，现有的研究方法仅利用图结构来挖掘项目之间转换特性，以此捕获用户当前兴趣的能力有限。本文提出一种面向强化当前兴趣的图神经网络推荐算法，通过引入位置嵌入，并与图神经网络相结合，从而互补顺序感知模型和图形感知模型的优势。会话序列被建模为图结构，并取原始序列的最后一次点击，通过多头注意力机制计算其对图节点信息的注意力权重，以更加准确地获取用户当前兴趣的表示。同时，在2个真实的数据集上进行验证实验，结果表明本文提出的方法实现了所有方法的最佳性能，特别是在Diginetica数据集上，所有评价指标都提升了7%以上，MRR@10指标甚至提升了9.52%,证明本文所提方法对基于会话推荐的正确性和有效性。     

Prefix-LSDPM：面向小样本的在线学习会话退出预测模型

在线学习会话退出预测旨在准确预测在线学习过程中的学习会话退出，是智慧教育领域中十分重要的一项研究任务。针对现有模型在小样本场景下预测准确率较低的问题，提出了基于前缀提示的在线学习会话退出预测模型Prefix-LSDPM。该模型为获取单个学习行为内部特征及连续学习行为之间的隐含关联信息，在改进了键值向量的Transformer网络中对提示形式的合成序列进行掩码学习；为降低模型训练涉及的参数量以适应小样本学习，将学习会话退出预测任务建模形式靠近预训练任务，并在冻结的预训练参数基础上对提示参数进行调优。基于多个数据集的实验结果表明，Prefix-LSDPM的预测准确率优于现有模型，且在小样本学习中仍能达到较好的预测效果。