基于长短期记忆的流媒体QoE预测模型

现阶段关于连续性QoE预测模型研究存在着实时性差和精确度不高的问题。针对这些问题,提出L-QoE模型,一种使用长短期记忆(LSTM)网络的基于递归神经网络的QoE预测模型,用于捕获时变QoE中涉及的非线性和复杂时间依赖性。基于公开可用的连续QoE数据库的评估,实验结果表明,L-QoE模型能够有效模拟QoE动态性,得出更精确的预测结果。将所提模型与最近提出的QoE预测模型进行比较,通过对比得出该模型在数据库中突出的性能。

基于静态与动态学习需求感知的知识点推荐方法

随着互联网信息技术的高速发展,线上学习资源的爆炸式增长引起了“信息过载”与“学习迷航”问题.在缺乏专家指导的场景中,用户难以明确自己的学习需求并从海量的学习资源中选择合适的内容进行学习.教育领域推荐方法能够基于用户的历史学习行为提供学习资源的个性化推荐,因此该方法近年来受到大量研究人员的广泛关注.然而,现有的教育领域推荐方法在学习需求感知时忽略了对知识点之间复杂关系的建模,同时缺乏考虑用户学习需求的动态性变化,导致推荐的学习资源不够精准.针对上述问题,提出一种基于静态与动态学习需求感知的知识点推荐方法,通过静态感知与动态感知相结合的方式建模复杂知识关联下的用户学习行为.对于静态学习需求感知,设计一种基于知识点先修后继元路径引导的注意力图卷积网络,通过建模知识点之间先修后继关系的复杂约束,能够消除其他非学习需求因素的干扰,从而精准地捕获用户在细粒度知识点层面上的静态学习需求;对于动态学习需求感知,所提方法以课程为单元聚合知识点嵌入以表征用户在不同时刻的知识水平,然后采用循环神经网络建模编码用户的知识水平序列,能够有效地挖掘用户知识水平变化中蕴含的动态学习需求;最后,对获得的静态与动态学习需求进行融合,在同一框架下建模静态与动态学习需求之间的兼容性,促进这两种学习需求相互补充,以实现细粒度的个性化知识点推荐.实验表明,在两个公开数据集上,所提方法能够有效地感知用户的学习需求并提供个性化的知识点推荐,在多种评估指标上优于主流的推荐方法.