网络编程实验设计与教学研究

针对目前很多高校计算机网络实验教学中提高型和研究创新型实验缺乏的问题,提出开设网络编程实验课程有助于这一问题的解决。文章主要探讨了以提高学生的实践能力和创新能力为目的的网络编程实验项目的设计,并对实验课程的教学方法和学生成绩考核方式进行了有益的探索。     

一种改进的基于MMTD的网络应用类型识别方法

网络管理在很多方面需要识别网络流的应用类型。文中旨在改进和完善一种融合了中介数学理论的基于流统计特征的识别方法———基于MMTD(中介真值程度度量)的应用识别方法。原方法在效率上表现出了优越性和发展潜力,但方法中用到的参数基本都是基于网络专业知识和对流属性值的人工统计分析凭经验确定的。参数的确定没有系统的方法,影响识别方法的使用与推广。文中对原方法进行了如下改进与完善:(1)提出了一种能够反映对象测度(属性)分布特性的测度值与谓词对应关系,并给出了相应的真值程度计算方法;(2)提出了一种基于测度值分布密集程度的测度选取和权重计算方法;(3)提出了一种通过严格的统计及数据处理方法得到各种网络应用流属性的特征参数的方法。实验测试结果表明文中提出的改进和完善方案是有效的。     

融合用户兴趣度的基于自注意力的序列推荐模型

序列推荐试图利用用户的连续行为、用户偏好、物品流行度以及用户和项目之间的交互动作进行建模,传统的马尔科夫链(MC)、递归神经网络(RNN)和基于自注意力的模型已被大量应用于序列推荐,但它们只是将交互历史假设成有序序列,忽略各个交互之间的时间间隔,也不考虑序列中项目之间交互的可能性存在大小关系以及用户对项目的兴趣度可能随着时间推移而发生变化。文中对基于时间间隔感知自注意力的序列推荐模型TiSASRec进行优化,提出了考虑到用户对项目的兴趣度会发生变化的改进模型TiSeqRec,该模型基于TiSASRec,进一步捕获用户整体偏好和局部偏好,并使用一致性感知门控网络将两种偏好智能结合,预测下一项的内容。通过大量的实验验证了TiSeqRec模型在稀疏、密集数据集和不同的评价指标上都优于已有的最新的序列推荐模型。