基于亲和力与研究方向覆盖率的审稿人推荐算法

针对现有审稿人推荐算法主要通过亲和力分数分配审稿人,而忽略了审稿人与论文研究方向匹配的问题,提出一种基于亲和力与研究方向覆盖率的审稿人推荐算法(ARDC)。首先,根据研究方向在待审论文和审稿人论文组中出现的频数,确定论文选择审稿人的次序;然后,综合审稿人和论文间的亲和力得分以及审稿人对论文的研究方向覆盖得分,来计算审稿人对待审论文的综合审阅得分,并依据轮询调度得到论文预分配审稿小组;最后,对预分配审稿小组进行利益冲突检查与消解以实现最终的审稿小组推荐。实验结果表明,与基于松弛迭代的分配算法(FairIR)和同行评审公平分配算法(PR4A)等基于分配的审稿人推荐算法相比,所提算法在牺牲少量亲和力的情况下,将研究方向覆盖得分平均提高了38%,从而确保推荐结果更加准确合理。

基于关系触发词与多特征的中文人物关系抽取

针对当前主流的中文人物关系抽取方法未充分利用核心词,且难以提取中文深层文本信息的问题,提出一种基于关系触发词与多特征的中文人物关系抽取方法。将词语语义与其位置、词性、依存句法以及语义角色融合,使用结构简洁但特征提取能力更强的Transformer编码器对原始文本进行编码,基于同义词词林与词向量提取人物关系触发词,并将其作为注意力导向引入注意力机制中,提高模型对文本重要信息的学习能力。实验结果表明,该方法的F1值为89.7%,相比CNN、BiLSTM-ATT、R-BERT等模型平均提升了9.6个百分点,验证了该方法的有效性。

基于消极相似性的自适应社会化推荐

社会化推荐旨在融合社会关系改善传统推荐算法的推荐效果。当前基于网络嵌入(NE)的社会化推荐算法面临两个问题:一是在构建网络时未考虑对象间的不一致性,并且倾向于利用获取难度大、约束条件多的积极对象来约束算法;二是这些算法未能依据评分数量消除算法训练中的过拟合。因此,提出一种基于消极相似性的自适应社会化推荐(ASRNS)算法。首先通过一致性分析构建具有正向相关性的同构网络;接着联合加权随机游走与Skip-Gram算法得到嵌入向量;然后计算相似度,并从消极相似性的角度来约束矩阵分解(MF)算法;最后基于自适应机制将评分数量映射到理想评分数量区间,并对算法偏置项施加不同的惩罚。在FilmTrust和CiaoDVD数据集上实验结果表明,与协同用户网络嵌入(CUNE)算法、一致性邻居聚合的推荐(ConsisRec)算法等算法相比,ASRNS的均方根误差(RMSE)分别至少降低了2.60%和5.53%,平均绝对误差(MAE)分别至少降低了1.47%和2.46%。可见,ASRNS不仅可以有效降低评分预测误差,还能显著改善算法训练过程中的过拟合问题,对不同评分数量的对象都具有较好的健壮性。

基于模型聚类算法的领域问题本体构建

基于领域目标模型语义相似性计算,对领域资产库中的领域目标模型进行相似性聚类,然后根据领域中角色、目标、过程以及服务这四类模型之间的关联关系实现角色模型、过程模型以及服务模型的聚类.从而将一些在业务上存在因果联系、或者在功能上相互依赖、相互制约的模型组织在一起,形成一个领域问题.最后抽取每个聚类中的模型的基本信息生成领域问题本体,从而为利用领域问题本体实现对领域模型进行有效组织和管理奠定了基础,为云计算环境下面向服务的应用系统的构建提供了更便利的支撑.

虚拟现实技术及其在远程教学中的广泛应用

介绍了虚拟现实的概念及三大特征:沉浸性、交互性、构想性。同时,还讨论虚拟现实系统的组成以及分类。并重点阐述了它在远程教学中的广泛应用。最后也表达了对虚拟现实发展前景的展望。

NRST及其在需求过程调度中的应用

网络式软件作为基于Internet这一开放环境运行的软件的一个典型代表,其全开放运行机制使得需求过程的自动调度尤为重要.为此,首先将网络式软件的需求状态(NRS)划分为6个状态,并利用网络式软件需求状态跟踪(NRST)图刻画出了各个需求状态之间的转化.最后,利用NRST,有效地实现了网络式软件需求过程的自动转换与调度,使得整个需求分析过程能够在Internet网上无须人的过多干预,而由计算机自动完成.

基于问题域的领域模型库度量

在网络化软件中,为了便利地对领域建模所得到的巨量、多粒度、多层次的领域模型进行复用,从而实现按需服务,需要以问题域为单位对领域模型进行组织.为此,以领域问题域的内聚度和耦合度为指标,对问题域的划分合理性进行度量,基于该度量结果能够实现领域问题域的合并和细分等优化,从而为实现领域问题域的强内聚和弱耦合,提供了有力的保障,并最终提高领域模型复用的便利性.

基于相似性计算的领域模型语义查询

为提高领域资产库的复用能力,解决领域模型与用户的个性化需求不能完全匹配时仍能为目标应用系统的构建提供支持的问题,提出了领域模型语义查询算法.通过服务模型相似度计算结果,建立同一问题域中同类模型之间的语义关联,并以此为基础,提出领域模型的语义查询算法.最后介绍了该算法在领域建模平台中的应用.

基于复杂网络的软件复杂性度量研究

软件开发者对于日趋复杂的软件系统的理解和控制越来越困难,传统软件工程正接近其复杂性和可扩展性的极限.复杂性使软件开发困难,质量难以保证.复杂网络理论的最新研究成果,为软件复杂性度量提供了新的数学基础.讨论了软件复杂性的形成原因和度量方法,介绍了目前复杂网络与软件复杂性结合的研究工作.探讨了基于复杂网络的软件结构复杂性度量方法,提出一种结合复杂网络和演化算法的软件演化复杂性度量模型.

产教融合培养“软件工程+大数据”复合型人才的探索与实践

为适应大数据产业对大数据复合型工程人才培养的需求,贯彻OBE理念,对湖北大学软件工程专业人才培养方案进行了改革与实践。通过产教融合,对软件工程专业人才培养目标进行重新定位,在软件工程专业开设大数据应用方向,校企联合开设职业素质类课程、大数据知识与能力类课程、大数据集中实践类课程,构建了“软件+大数据”复合型课程体系;通过大数据产教融合基地和软件实习实训基地建设,构建了“344”驱动的立体化实践教学体系;通过实施VIP项目化教学、工程师与教师共同授课模式改革,有效提升了软件工程专业学生的大数据应用能力和职业素质,提高了就业竞争力和社会影响力。

RGPS制导的按需服务组织与推荐方法

随着互联网上各种Web服务数量的快速增长,如何发现满足用户个性化、多样化需求的服务成为亟待解决的关键问题之一.文中提出了一种面向领域问题的、基于角色-目标-流程-服务模型的按需服务组织与推荐方法.该方法在对与领域问题相关的用户角色(R)、目标(G)、流程(P)和服务(S)进行建模的基础上,利用RGPS元素间的关联关系对领域中服务实现了按需组织,同时根据不同的用户需求表达方式相应地设计了3种服务推荐算法.最后,通过实验验证了所提方法的有效性,并结合实际案例介绍了所开发的系统平台.

本体中的复杂网络特性研究

从复杂网络的视角研究语义网中本体的拓扑结构,通过分析不同领域本体中类与子类所形成的类图关系,及其表现出的网络特性,发现这种类图在无向网络的意义下具有无标度特性,为本体结构相似度等计算提供了新方法。

基于企业知识图谱构建的实体关联查询系统

针对目前知识图谱查询中节点之间语义关联性不高、查询效率低等问题,提出了一种实体关联的查询方法,然后以此为基础设计并实现了基于知识图谱的企业查询系统。所提查询方法采用四层过滤模型,首先通过路径搜索找到目标节点的公共路径,从而过滤掉关联程度较低的查询节点,得到过滤集合;然后在中间两层分别对过滤集合的属性和关系计算关联度,再基于动态阈值完成图集过滤;最后综合实体关联度和关系关联度得分并排序得到最终的查询结果。基于真实企业数据进行的实验结果表明,与Ness、NeMa等传统图查询方法相对比,所提方法在查询时间上平均降低了28.5%,同时在过滤性能上平均提高了29.6%,可见该方法能高效完成查询和展示与目标相关联实体的任务。

VLAB中虚拟设备库建模方法的研究

研究了VLAB中虚拟设备库模型需要满足的几个条件 ,在此基础上将面向对象的方法应用到虚拟设备库的建模中 ,根据组成系统的对象及其相互作用关系来构造仿真模型 ,使模型具有良好的独立性、可扩展性、可维护性和可重用性 。

基于主题聚类的Web资源个性化推荐研究

提出了基于主题聚类的Web资源个性化推荐算法PRWRTC(personalized recommendations of Web resource based on Topic clustering),该算法首先基于Web资源的主题提出Web资源聚类算法,从而提高Web资源聚类的精确度,进而提升Web资源推荐的准确度;然后,基于用户的浏览行为,提出实时获取用户偏好的算法;最后,针对用户偏好的动态演化,在算法中加入了时效的概念,实现了对Web资源的动态推荐.并通过实验验证了该算法的有效性.

基于主题的Web文本聚类方法

针对传统Web文本聚类算法没有考虑Web文本主题信息导致对多主题Web文本聚类结果准确率不高的问题,提出基于主题的Web文本聚类方法。该方法通过主题提取、特征抽取、文本聚类三个步骤实现对多主题Web文本的聚类。相对于传统的Web文本聚类算法,所提方法充分考虑了Web文本的主题信息。实验结果表明,对多主题Web文本聚类,所提方法的准确率比基于K-means的文本聚类方法和基于《知网》的文本聚类方法要好。

基于本体的Web资源个性化推荐算法

为提高Web资源推荐的准确度,提出基于本体的Web资源个性化推荐算法(BO-RM)。设计Web资源主题抽取算法和相似性度量方法,利用本体语义推理机制实现资源聚类,在推荐过程中通过实时分析用户浏览行为捕获用户个性化偏好的变化,动态实时推荐内容。与基于情境的协同过滤算法(CFR-RM)和基于模型的个性化预测算法(BM-RM)进行对比,结果显示BO-RM的时间开销相对稳定,在平均排序倒数(MRR)和平均准确率(MAP)上均取得了较好的效果。实验结果表明:BO-RM离线完成海量Web资源的分析聚类,有效提高了运行效率,实用性比较强;BO-RM实时捕捉用户兴趣变化,动态更新推荐列表,更加贴近用户的真实需求。

基于知识图谱和重启随机游走的跨平台用户推荐方法

针对单一社交网络平台中推荐相似用户结果单一,对用户兴趣和行为信息了解不够全面的问题,提出了基于知识图谱和重启随机游走的跨平台用户推荐方法(URCP-KR)。首先,在分割、匹配出的目标平台图谱和辅助平台图谱的相似子图中,利用改进的多层循环神经网络(RNN)预测出候选用户实体,再综合利用拓扑结构特征相似度和用户画像相似度筛选出相似用户;然后,将辅助平台图谱中的相似用户的关系信息补全到目标平台图谱;最后,计算目标平台图谱中的用户游走到社区内每个用户的概率,从而得到用户之间的兴趣相似度来实现用户推荐。实验结果表明,与协同过滤(CF)算法、基于跨平台的在线社交网络用户推荐算法(URCP)和基于多开发者社区的用户推荐算法(UR-MC)相比,URCP-KP在推荐精确率及推荐多样性等方面均有所提高,推荐精确率最高可达95.31%,推荐覆盖率最高可达88.42%。

一种基于本体的视频检索技术研究

传统的视频检索大多采用基于关键词的方法,难以获得让用户满意的查准率和查全率。为此提出一种基于本体的视频检索技术,该技术借助于领域本体,以其基本概念为关键词通过互联网图像搜索引擎在线获取样本图像组,提取SIFT特征建立图像特征词典,抽取图像特征直方图并计算相似度,辅助完成视频的自动标注,初始化视频检索库;同时,借助于领域本体,对从用户的查询输入中抽取的关键词进行语义扩展,将以扩展概念集进行检索的结果返回给用户,以此实现基于本体的视频检索。最后,结合实例对该算法进行实现和分析,表明了该方法的可行性和有效性。

基于位置编码索引树的个性化推荐算法

针对协同过滤算法在海量数据环境个性化推荐应用中存在的低效率问题,结合MapReduce框架特点,设计了一种应用于个性化推荐的基于位置编码的索引树(LB-Tree),创新性地将索引结构应用于个性化推荐。利用聚类资源的差异性存储策略,提升MapReduce任务处理并行性;根据聚类数据分布特征,以质心为圆心对聚类中的数据对象进行同心圆分层,并对每层采用不同长度的二进制编码来表达,将所有数据对象的编码组织成索引树结构,缩短频繁推荐的数据查找路径,达到个性化推荐时利用索引结构快速确定搜索空间的目的。与基于项目的 Top-N推荐算法和基于最近邻的推荐算法(SBNM)相比,LB-Tree所需时间开销增长最慢,准确率最高,验证了方法的有效性和高效性。