论文1：启用缓存的D2D网络中用于内容缓存的深度强化学习方法
Li L, Xu Y, Yin J, et al. Deep Reinforcement Learning Approaches for Content Caching in Cache-Enabled D2D Networks[J]. IEEE Internet of Things Journal, 2020, 7(1): 544-557.
摘要：物联网(lot)技术面临着这样的挑战，即稀有的无线网络资源难以满足大量终端设备的涌入.支持缓存的设备到设备(D2D)通信技术有望减轻网络压力，因此可以从附近的用户获得请求的内容.但是，由于有限的内容存储容量的限制和用户移动模式的不确定性，对于如何设计有效的缓存策略变得有挑战性.
本文研究启用缓存的D2D网络的联合缓存内容放置和传递策略.具体来说，采用两种递归神经网络方法(回声状态网络(ESN)，长短期记忆网络(LSTM))来预测用户的移动性和内容受欢迎程度，确定要缓存的内容以及要缓存的位置.
当用户的本地缓存无法满足自己的请求时，用户可以考虑与相邻用户建立D2D链接以实现内容传递.为了坚定将选择哪个用户建立D2D链接.我们提出了基于深度强化学习的新方案，以实现内容交付问题的动态决策和优化，旨在提高整体缓存系统的体验质量.仿真结果表明，该方法可以很好地提高系统的缓存命中率.提出的内容交付方法可以有效减少请求内容交付的延迟和能耗.
论文2：论储层计算在人气预测中的应用
T. Wu, M. Timmers, D. De Vleeschauwer, and W. Van Leekwijck. On the use of reservoir computing in popularity prediction. In Proc. Conference on Evolving Internet, 2010.
题目：论储层计算在人气预测中的应用
摘要：使用一种新颖的神经网络技术，根据给定的视频历史观看数来预测其流行度.数据集是连续获取在Youtube上的流行视频数据.实验结果表明该模型输入具有10天的数据则能预测第二天的流行度.相对误差小于5%.
建模：
根据早期的观看数据预测其流行度.围绕这个任务使用一种新颖的神经网络技术.
针对此任务提出几种分析模型，包括线性相关，对数变换的线性相关，幂律或指数衰减模型。
使用一种新颖的神经网络技术，即RC解决该问题.RC源自递归神经网络(RNN)，避免RNN众所周知的局限性.例如迭代参数优化和收敛条件.在时间序列预测，模式分类，事件检测等表现出色.
RC-RNN：递归神经网络衍生而来，但它也是RNN的一种截然不同的方法。首先，极大地简化了RNN的训练方法.避免使用梯度下降法寻找局部最优解。 二，不需要全局参数优化程序.所以计算成本非常小.
模型：
RC-RNN
数据集收集：
使用Youtube提高的api，从2008年7月20日至12月31日进行每日监控.监控最长时间是160天.最终完整的数据只有1728个.