歷年獲獎名單

2019人民網獎學金獲獎名單：

林耘森簫、葉子鵬
2019人民網優秀論文獲獎者名單：
一等獎：馬騰，何東標
三等獎：李峻峰、劉寧

往年獎學金獲獎論文回顧：

2018清華計算機系篇
2017清華計算機系篇
2016清華計算機系篇
2015清華計算機系篇
2014清華計算機系篇
2013清華計算機系篇
2012清華計算機系篇

優秀論文一等獎（1）

基於邊緣緩存的高品質360視頻傳輸: 作為AR/VR技術的重要分支，360視頻流提供了沉浸式的觀看體驗，越來越受到消費者歡迎。然而，由於360視頻所佔有的存儲容量較大，以及用戶頻繁的視窗變化，向更多用戶提供360視頻流是一個具有挑戰性的問題。為了減輕網絡負擔並進一步改善360視頻傳輸，我們提出了一種新穎的邊緣緩存分配方案，將所請求的內容放在終端用戶附近。該方案通過組合（i）用於緩存視頻的在線學習度量與過去請求的觀察，以及（ii）識別用戶的可能視窗內的哪些數據片首先緩存的策略來分配用於360視頻傳送的緩存資源。我們的實驗表明，與傳統的學習方法相比，所提出的方案可以顯著減少網絡通信量，並且優於所有的其他的相關工作。; 詳細 >>

Sphinx -- A Transport Protocol for High-Speed and Lossy Mobile Networks: Modern mobile wireless networks have been demonstrated to be high-speed but lossy, while mobile applications have more strict requirements including reliability, goodput guarantee, bandwidth efficiency, and computation efficiency. Such a complicated combination of requirements and conditions in networks pushes the pressure to transport layer protocol design. We analyze and argue that few of existing network transport layer solutions are able to handle all these requirements. We design and implement Sphinx to satisfy the four requirements in high-speed and lossy networks. Sphinx has (1) a proactive coding-based method named semi-random LT codes for loss recovery, which estimates packet loss rate and adjusts the redundancy level accordingly, (2) a reactive retransmission method named Instantaneous Compensation Mechanism (ICM) for loss retransmission, which compensates the lost packets once actual loss exceeds the estimation, and (3) a parallel coding architecture, which leverages multi-core, shared memory and kernel-bypass DPDK. Prototype and evaluation show that Sphinx outperforms TCP and other coding solutions significantly in microbenchmarks across all four requirements, and improves the performance of applications such as video streaming and block data transfer.; 詳細 >>

基於評論的個性化評分預測: 如今，用戶和商品之間的在線互動變得多樣化，包括文本評論和數字評分。評論表達了各種意見和觀點，可以在一定程度上消除推薦的稀疏性問題。在本文中，我們討論基於個性化基於評論的預測問題，即利用用戶的歷史評論和相應的評級來預測他們未來要買的物品的評分。雖然很多人都致力於解決這一挑戰問題，主要是為了研究如何對自然文本和用戶個性化進行建模，但大多數人忽略了隱藏在用戶評論和評分序列中的連續特征。為了解決這個問題，我們提出了一種新穎的基於混合評論的順序模型來捕捉用戶和物品的信息。這是通過將用戶和物品的序列提供給捕獲動態的長短期記憶（LSTM）神經網絡來實現的，除此之外，我們還利用基於傳統的低秩因子分解獲得的用戶表示以及物品表示。在實際公共數據集的實驗結果表明，我們的模型優於其他比較模型。; 詳細 >>