历年获奖名单

2019人民网奖学金获奖名单：

林耘森箫、叶子鹏
2019人民网优秀论文获奖者名单：
一等奖：马腾，何东标
三等奖：李峻峰、刘宁

往年奖学金获奖论文回顾：

2018清华计算机系篇
2017清华计算机系篇
2016清华计算机系篇
2015清华计算机系篇
2014清华计算机系篇
2013清华计算机系篇
2012清华计算机系篇

优秀论文一等奖（1）

基于边缘缓存的高品质360视频传输: 作为AR/VR技术的重要分支，360视频流提供了沉浸式的观看体验，越来越受到消费者欢迎。然而，由于360视频所占有的存储容量较大，以及用户频繁的视窗变化，向更多用户提供360视频流是一个具有挑战性的问题。为了减轻网络负担并进一步改善360视频传输，我们提出了一种新颖的边缘缓存分配方案，将所请求的内容放在终端用户附近。该方案通过组合（i）用于缓存视频的在线学习度量与过去请求的观察，以及（ii）识别用户的可能视窗内的哪些数据片首先缓存的策略来分配用于360视频传送的缓存资源。我们的实验表明，与传统的学习方法相比，所提出的方案可以显着减少网络通信量，并且优于所有的其他的相关工作。; 详细 >>

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.; 详细 >>

基于评论的个性化评分预测: 如今，用户和商品之间的在线互动变得多样化，包括文本评论和数字评分。评论表达了各种意见和观点，可以在一定程度上消除推荐的稀疏性问题。在本文中，我们讨论基于个性化基于评论的预测问题，即利用用户的历史评论和相应的评级来预测他们未来要买的物品的评分。虽然很多人都致力于解决这一挑战问题，主要是为了研究如何对自然文本和用户个性化进行建模，但大多数人忽略了隐藏在用户评论和评分序列中的连续特征。为了解决这个问题，我们提出了一种新颖的基于混合评论的顺序模型来捕捉用户和物品的信息。这是通过将用户和物品的序列提供给捕获动态的长短期记忆（LSTM）神经网络来实现的，除此之外，我们还利用基于传统的低秩因子分解获得的用户表示以及物品表示。在实际公共数据集的实验结果表明，我们的模型优于其他比较模型。; 详细 >>