中文文本纠错软件测试用例的选择生成方法

针对目前尚无有效的中文文本纠错软件测试用例生成方法的情况,为了服务于软件纠错性能的测量并为软件提供优化方向,设计了一种面向多用户的、工程化的中文文本纠错软件测试用例选择生成方法(SGMT-CCS)。定义了两种不同的可供用户选择的用例评判标准:错误数量密度和错误种类密度。设计了三个模块:测试用例自动化生成模块、测试用例选择模块以及测试用例优先级排序模块。在SGMT-CCS中,用户可以:1)在测试用例自动化生成的过程中自定义错误最小间隔和用例集大小;2)在测试用例选择的过程中自定义错误最小间隔和期望值;3)在测试用例选择和优先级排序的过程中选择不同的用例评判标准进行自定义操作,以适应不同数据集的要求。实验结果表明,SGMT-CCS能够在较短的时间内获得有效的测试用例,选择模块实验在模拟的需求情况下都能满足用户自定义目标,优先级排序模块实验验证了相较于排序前,在不同评判标准下的不同时间段内都能有效提高测试效率。

中文文本纠错软件测试用例的最小化方法

针对目前尚未存在有效的中文文本纠错软件测试用例最小化方法的情况,设计了两种中文文本纠错软件测试用例集最小化方法:基于多目标遗传算法的中文文本纠错软件测试用例集最小化方法(Minimization Method based on Multi-objective Genetic Algorithm of Test case for Chinese text error Correction Software,MMG-CCS)和基于TextRank模型的中文文本纠错软件测试用例最小化方法(Minimization Method based on TextRank of Test case for Chinese text error Correction Software,MMT-CCS).MMG-CCS基于问题特点设计了一种中文文本纠错软件测试用例集覆盖度模型,并将测试用例集大小及覆盖度作为目标函数,为了高效求解该问题,MMG-CCS同时对遗传算子进行了改进.此外,MMT-CCS方法能将测试用例集最小化问题映射为图解问题,并根据问题特点对TextRank模型进行了针对性改进.实验结果表明,MMG-CCS和MMT-CCS对测试用例集的缩减程度高,且在不同中文文本纠错软件上对于不同中文文本纠错软件测试用例集均能保持相同的测试效果.

食品科学大数据与人工智能技术

大数据技术是指从各类数据中,通过不同分析方法和工具获取有价值信息的能力。人工智能技术是指研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术。大数据技术与人工智能技术相辅相成,大数据是人工智能的基石,人工智能是大数据应用的体现。食品科学大数据与人工智能则是将大数据技术、人工智能技术与食品科学交叉融合。将人工智能与大数据技术融合到传统食品科学领域中,可以创新食谱并智能推荐,追踪溯源食品,分析用户口味偏好,监控食品安全等,使得食品科学获得更大发展,并为人们提供更好的服务。本文阐释当前食品领域大数据与人工智能交叉融合发展现状,分析其面临的挑战,讨论可行性解决方案,展望食品科学大数据与人工智能技术未来发展趋势。本文通过抛砖引玉,旨在吸引更多的大数据和人工智能技术与食品科学相结合,从而更好地预见并服务于未来食品的发展。

基于UCD的直播类APP交互设计策略研究

目的探求直播类APP的交互设计策略。方法基于UCD(以用户为中心)的视角下,以直播APP映客为例,探讨其交互设计方法,并在此基础上,提出具有良好用户体验的直播类APP的设计思路与策略。结论直播类APP的设计要以用户为中心(UCD),同时融合UED和UGC的设计理念,产品设计要重视产品价值、易用性、可抵达性、吸引度4个方面,以设计出合理的交互模式,优化用户体验,增强用户黏度,进而提升自我市场竞争力。

DDoS攻击防御技术发展综述

分布式拒绝服务攻击(DDoS)是当前互联网面临的主要威胁之一,如何对DDoS攻击进行快速准确的检测以及有效的防御一直是网络信息安全领域的研究热点。从早期的集中式防御技术,到以云计算、SDN为基础的综合型防御体系,针对DDoS攻击各个时期的相关防御技术进行了总结。结合DDoS攻击的特性,系统地分析了各类防御机制在不同应用场景中的优点和潜在问题,为下一代网络安全体系构建提供新的思路和参考。

大学图书馆用户多需求深度挖掘设计研究

针对大学图书馆用户最深层次的情感需求提出挖掘方法,通过在江南大学图书馆升级中的应用验证效果:深入分析相关文献与案例,找出研究切入点;以深度访谈与代表性用户观点挖掘为主,萃取典型用户兴趣标签;依据Censydiam需求模型编制用户兴趣——需求动机对应表,得到用户情感洞察;应用情感洞察于江南大学图书馆现场互动设计、场馆布局建构及线上平台优化;总结与归纳研究过程,使用经验与注意事项。

意象图式视角下的图书馆网站平台交互设计

融合高校图书馆信息平台交互设计的创新性与直觉性,对解决创新设计与用户操作原势的分歧具有重要的研究意义和实用价值。在充分调研用户需求与系统特性的基础上,文章以意象图式为理论指导,将力、包含、空间、复合、属性、过程等图式融于数字图书馆的各功能点交互设计中。研究表明该方法简单实用,可有效提升数字图书馆的用户体验,提高设计师的工作效率。

天地一体化信息网络宽带用户行为仿真技术

天地一体化信息网络结构复杂、协议多样,必须构建相应的仿真平台对各种新技术、新方案进行实验、验证。为克服仿真规模、逼真性与计算开销的矛盾,采用虚拟化、云计算相结合的分布式仿真方法,搭建了涵盖天基骨干网节点、Ka/Ku通信卫星以及地面用户在内的天地一体化宽带用户仿真场景;针对网络中宽带用户数量大、行为多样、并发通信高等特点,研发了基于模型驱动、参数可配置的高并发用户行为仿真方法。实验证明,该仿真方法可实现宽带用户接入卫星网络的仿真场景,以及基于模型驱动的典型宽带用户行为的多样化仿真,且仿真规模可达10万级用户并发,可有效满足天地一体化信息网络仿真评测的需求。

意象图式视角下的智能电视界面设计

目的通过研究明确意象图式在智能电视交互界面设计中的应用方法,解决智能电视用户界面设计创新性与包容性的矛盾,推动智能电视交互界面设计的理论研究,并为设计师提供一种创新性、高效的设计思路。方法在充分解读智能电视交互界面基本元素及基本交互模式的基础上,运用语言学中的意象图式理论并结合认知心理学,通过观察、出声思维、深度访谈等方法提取用户在智能电视界面操作中的图式,结合具体案例将提取的图式应用到用户与智能电视的交互界面设计中,通过效果评估验证设计方法的有效性与创新性。结论综合运用左—右、上—下、部分—整体、路径及空间图式进行智能电视交互界面设计,不仅能够提高智能电视操控的用户体验,还能解决创新性与包容性的矛盾,对提升设计师的效率也有积极意义。

交互等待状态下用户情感体验设计

目的结合时间心理学理论,将“时间知觉”运用于产品的交互等待设计,满足用户的情感需求,并留下愉悦的回忆。方法通过概述时间知觉和用户体验等理论,对用户等待体验的运行逻辑和影响因素进行说明,展示人们对时间的感知受情绪、记忆和注意力等因素影响。随着计算机和网络技术的发展,系统服务无法满足人们需求,导致出现交互等待状态,基于用户情感体验的交互等待设计具有必要性。结论理论结合实例分析,提出从技术和产品功能系统等方面减少用户实际等待时间,从用户心理和情感状态上缩短用户感受等待时间的设计模式,给设计者提供一个较新的思维概念,提升用户等待体验,增强用户与产品之间的情感联系。

基于演化计算的迷彩目标隐蔽策略仿真设计

针对典型自然环境下军事装备的隐蔽问题,提出一种新颖的演化计算策略,将其与图像仿真设计手段相结合,根据环境状况,构建一种快速仿真计算进而给出迷彩目标隐蔽策略的新方法。该方法主要包括迷彩目标与场景图像的融合仿真计算,引入视错觉条带覆盖的迷彩目标隐蔽计算,基于粒子群优化算法和概率分布采样的搜索计算,以及基于深度神经网络图像特征的融合度计算。运用深度神经网络图像分割模型,结合迷彩目标的分割识出率,评估新方法的性能。仿真实验结果表明:在林地和荒漠环境中获得的隐蔽仿真图像平均融合度可达0.99以上,平均分割识出率低于0.90;新方法能够为设计给定目标在场景图像中的隐蔽策略提供有效的依据,具有较高的实用价值和可扩展性。

一种新的人眼视觉运动认知特性实验分析方法

视觉感知过程源于对象自身的大范围拓扑性质,而场景对象发生运动状态变化时,其所在空间的大范围拓扑关系也将随之改变。为探索大范围拓扑性质和运动性质同时改变时人眼视觉的认知优先特性,基于虚拟现实技术及眼动跟踪技术,通过构建虚拟驾驶及眼动轨迹分析实验平台,结合拓扑复杂度和空间拓扑关系概念分别探讨二维和三维空间中人眼视知觉对物体运动的认知特性。在此基础上,采用响应面分析方法设计场景中自变量因子的随机实验数值,通过可视化方法对比多组认知场景的无感反馈眼动监测结果。实验结果表明,在Tobii眼动仪采集的545个眼动数据中,发生在运动物体上的数据有516个,相比于物体自身属性的大范围拓扑性质变化,人眼视知觉过程更优先识别物体运动的大范围空间拓扑关系变化。该运动认知优先特性为可靠人工智能驾驶中的视觉注视预测技术提供了新的研究思路,同时验证了所提实验分析方法的有效性。

基于BERT的双特征融合注意力的方面情感分析模型

方面情感分析旨在预测句子或文档中一个特定方面的情感极性,现阶段大部分的研究都是使用注意力机制对上下文进行建模。然而,目前情感分类模型在使用BERT模型计算表征之间的依赖关系抽取特征时,大多未根据不同的语境背景考虑上下文信息,导致建模后的特征缺乏上下文的语境信息。同时,方面词的重要性未能得到充分的重视而影响模型整体分类的性能。针对上述问题,提出双特征融合注意力方面情感分析模型(DFLGA-BERT),分别设计了局部与全局的特征抽取模块,充分捕捉方面词和上下文的语义关联。并将一种改进的“准”注意力添加到DFLGA-BERT的全局特征抽取器中,使模型学习在注意力的融合中使用减性注意力以削弱噪声产生的负面影响。基于条件层规泛化(CLN)设计了局部特征和全局特征的特征融合结构来更好地融合局部和全局特征。在SentiHood和SemEval 2014 Task 4数据集上进行了实验,实验结果表明,与基线模型相比该模型在融入了上下文语境特征后取得了较明显的性能提升。

基于战场环境孪生的迷彩伪装动态效果评估方法

现有的迷彩伪装效果评估方法主要针对静态的单幅目标图像,不能真实地响应军事侦察中的动态多视角特性,相应的评估结果也缺乏全面性。为此提出一种基于战场环境孪生的迷彩伪装动态效果评估新方法。新方法以构建三维战场环境数字孪生模型为基础,借助三维仿真计算技术获取战场环境中迷彩伪装目标的动态多视角效果图,采用语义分割模型和目标跟踪模型识别分析场景中的迷彩运动目标;构建新的迷彩伪装评价指标体系及多侦察视角的多属性综合评估模型,实现不同迷彩方案在给定孪生战场环境中的伪装动态效果评价。以仿真军用卡车模型为实验对象,使用Unity 3D建模真实战场环境,以两种对比性迷彩伪装设计方案为例进行评估分析,实验结果表明新方法的合理性和实用性。

自监督混合图神经网络的会话推荐模型

基于会话的推荐旨在利用匿名会话预测用户行为。现有基于图神经网络(GNN)的会话推荐算法大多仅针对当前会话提取用户偏好,却忽略了来自其他会话的高阶多元关系从而影响推荐精度。此外,由于会话推荐所采用的短时交互序列包含的信息非常有限,使其更容易受到数据稀疏性的影响。针对上述问题,提出了自监督混合图神经网络会话推荐模型(SHGN)。该模型首先通过将原始数据构建为三个视图来描述会话与物品关系,然后通过多头图注意力网络捕获会话内部物品的低阶转换信息,提出了残差图卷积网络捕获物品和会话的高阶转换信息;最后融合自监督学习(SSL)作为辅助任务,通过最大化不同通道学习到的会话嵌入的互信息,对原始数据进行数据增强从而提升推荐性能。为了验证该方法的有效性,在Tmall、Diginetica、Nowplaying、Yoochoose四个基准数据集上与SR-GNN、GCE-GNN、DHCN等主流基线模型进行了对比实验,实验结果在P@20、MRR@20等性能指标上均取得了一定提升。

双关系预测与特征融合的实体关系抽取模型

现有分阶段解码的实体关系抽取模型仍存在着阶段间特征融合不充分的问题,会增大曝光偏差对抽取性能的影响。为此,提出一种双关系预测和特征融合的实体关系抽取模型(entity relation extraction model with dual relation prediction and feature fusion,DRPFF),该模型使用预训练的基于Transformer的双向编码表示模型(bidirectional encoder representation from transformers,BERT)对文本进行编码,并设计两阶段的双关系预测结构来减少抽取过程中错误三元组的生成。在阶段间通过门控线性单元(gated linear unit,GLU)和条件层规范化(conditional layer normalization,CLN)组合的结构来更好地融合实体之间的特征。在NYT和WebNLG这2个公开数据集上的试验结果表明,该模型相较于基线方法取得了更好的效果。

基于类比学习的数学应用题求解模型

目前基于类比学习的数学应用题(MWP)求解的研究多从语义相似度或浅层逻辑来筛选样本,存在样本匹配度不足以及样本选取局限于数据集的问题。针对以上问题,提出一种新的基于类比学习的数学应用题求解(MWP-AL)模型。该模型主要从2个角度对数学应用题进行类比学习。从文本编码的角度进行样本筛选,从余弦相似度、树解顶节点以及树深度3个维度对样本进行限制。该方法从语义层面以及深层逻辑方面对样本进行选取,得到的样本与原题的匹配度更高。从解方程的角度进行样本构建,从方程本身出发,针对不同类型的方程在逻辑方面对其进行变体从而构建样本。该方法不局限于从数据集中选取样本,具有较强的泛化性。通过计算交叉熵损失函数对这2种样本进行类比学习。实验结果表明,在2个基线模型上加入MWP-AL模型后,其在英文数据集Math QA和中文数据集Math23K上的准确率分别提升了1.8、2.5和2.8、1.3个百分点,同时较其他基线模型均有所提升。

基于空间注意力图的知识蒸馏算法

知识蒸馏算法对深度神经网络的精简具有很大的推动作用。当前基于特征的知识蒸馏算法或只关注单个部分进行改进,忽视了其他有益部分,或是对小模型应重点关注的部分提供有效指导,这使得蒸馏的效果有所欠缺。为了充分利用大模型的有益信息并处理,以提升小模型知识转换率,提出一种新型蒸馏算法。该算法首先使用条件概率分布对大模型中间层进行特征空间分布拟合,提取拟合后趋于相似的空间注意力图,将其与其他有益信息一起,通过用于缩小模型间差距的小型卷积层,将转换后的信息传递给小模型,实现蒸馏。实验结果表明,该算法具有多师生组合适用性与多数据集通用性,相比于当前较为先进的蒸馏算法,性能提升约1.19%,用时缩短0.16 h。对大型网络的优化与深度学习部署在低资源设备上的应用具有重要的工程意义与广泛的应用前景。

中文纠错任务为例的数据集增强质量评价方法

数据增强被认为是一种有效提升模型效果的方案。但是在选取生成的数据时,需考虑固有的数据特征和相应的任务关联性。针对这一问题,以中文纠错任务场景为例,提出了一种可用于数据集增强质量的评价方法。该方法使用对比学习优化后的预训练模型提取数据集的特征向量,提出互覆盖度、总分散度、自支撑度等三个基本评价指标,并给出一个综合性的数据集质量融合指标。在四种数据增强方法、两个中文纠错数据集和三个中文纠错模型上的实验分析结果表明,上述评价方法能够独立于测试集性能检验方法,为不同增强数据集的选用提供重要依据。

双特征的短文本聚类研究

短文本聚类的目的是根据表示空间中的距离来发现数据的语义类别.针对传统文本表示模型面对短文本时会造成特征高维稀疏的问题,以及基于Bert的多特征短文本聚类研究较少的问题,本文研究了一种基于Bert的双特征短文本聚类模型BCCA.首先利用Bert获取词向量表示;其次,利用CNN网络增强对文本局部特征的提取能力和语境感知自注意力网络增强对全局特征提取的能力.最后,为进一步提升聚类效果,将文本表示模块与聚类模块进行联合训练,同时优化文本表示和聚类.为了验证模型性能,在3个数据集上进行实验,实验结果表明,本文提出的模型在数据集SearchSnippets上准确率达到82.8%.