知识水波图卷积网络推荐模型

为了解决基于知识图谱的推荐系统中常见的高阶建模难和用户特征建模不充分问题,提出了以端到端的方法获取知识图谱中高阶语义信息的知识水波图卷积网络(KRGCN)。模型分为用户特征学习和项目特征学习两部分,其中用户特征学习基于用户历史交互记录,利用偏好传播和交叉压缩单元进行嵌入传播来获得用户特征表示;项目特征学习是在项目知识图谱上利用图卷积网络聚合每一项目的高阶邻域信息,使用偏差区分项目邻域的重要性来获得项目特征表示。最后,利用用户特征表示和项目特征表示计算预测值,利用向量之间的内积操作计算用户与项目的交互概率。在两个公开数据集上,使用五个基线方法进行了对比实验。在Book-Crossing数据集上,KRGCN的AUC、ACC和F1值分别提升了4.43%~11.96%、1.68%~10.82%和1.90%~12.78%;在Last.FM数据集上,KRGCN的AUC、ACC和F1值分别提升了2.94%~16.84%、2.36%~16.59%和0.83%~17.69%。实验结果表明,KRGCN能够同时实现用户和项目的高阶建模,与其他代表性的模型相比有良好的推荐效果。

基于I/O受限进程识别的虚拟处理器调度机制

针对多核平台的虚拟化环境中客户机与虚拟机管理器(virtual machine monitor,VMM)之间语义缝隙造成客户机I/O性能下降的问题,提出了一种基于I/O受限进程识别的虚拟处理器(virtual CPU,vCPU)调度机制。该机制在客户机内部利用推断技术识别I/O受限进程,通过客户机与VMM的协作实现I/O事件与I/O受限进程的关联,利用保证客户机之间公平性的虚拟对称多核处理器(virtual symmetric multi-core processor,vSMP)Internal调度算法,优先调度与I/O事件关联的I/O受限进程所在的vCPU来桥接客户机与VMM之间的语义缝隙,提高拥有vSMP的客户机中I/O负载性能。测试结果表明,相比于KVM虚拟化环境的CFS调度机制,该机制可以在保证客户机CPU公平性的前提下,有效提升运行混合负载的vSMP客户机中I/O负载性能,同时只增加较小的客户机额外开销,可以应用在负载多样性和不可预测性的虚拟桌面和云计算环境中。

强化学习算法与应用综述

强化学习是机器学习领域的研究热点,是考察智能体与环境的相互作用,做出序列决策、优化策略并最大化累积回报的过程.强化学习具有巨大的研究价值和应用潜力,是实现通用人工智能的关键步骤.本文综述了强化学习算法与应用的研究进展和发展动态,首先介绍强化学习的基本原理,包括马尔可夫决策过程、价值函数、探索-利用问题.其次,回顾强化学习经典算法,包括基于价值函数的强化学习算法、基于策略搜索的强化学习算法、结合价值函数和策略搜索的强化学习算法,以及综述强化学习前沿研究,主要介绍多智能体强化学习和元强化学习方向.最后综述强化学习在游戏对抗、机器人控制、城市交通和商业等领域的成功应用,以及总结与展望.

FPGA异构加速卡电源完整性分析

以现场可编程门阵列（FPGA）为核心构建了高性能、高密度异构加速卡.基于目标阻抗设计方法,对解耦电容和电路进行了交流和直流分析,并给出了电源完整性后仿结果,验证了该分析方法的有效性.最后给出了该FPGA异构加速卡在图像识别中的应用实例,并与中央处理器、图形处理器的性能作了对比.