一种基于主题过滤和语义匹配的服务发现方法

在互联网现有的大量可用的服务中,如何高效的为特定的业务目标匹配合适的服务是目前研究的一大难题。针对这一问题,提出一种基于主题过滤和语义匹配的可用于海量服务发现的方法。首先,使用Word2Vec对主题描述文本和业务目标描述文本进行相似度比较,获取业务目标主题。其次,使用TextRank对服务描述文本提取服务关键句,通过提取到的业务目标主题对服务关键句进行过滤,缩小比较范围。再次,对相应的业务目标与服务描述文本进行词向量提取,使用带注意力机制BiLSTM模型计算两者相似度并返回与业务目标描述文本最相似的前N个服务列表给业务开发人员进行选择,并对从Programmable Web上爬取的数据进行标注,以此建立实验所需的业务目标-服务句子数据集,评估本文方法的有效性。最后,与TextCNN等模型进行对比,结果表明:本文方法的MAP比不带注意力机制的BiLSTM模型、TextCNN模型、Word2VecSD模型分别提高了1.41百分点、4.61百分点和4.95百分点,并且在今后的工作中有进一步改进的潜力。

智能计算服务的需求获取方法

智能计算服务由服务提供者通过互联网为服务消费者提供数据的分析和处理,并建立学习模型完成智能计算功能。由于服务提供者与服务消费者之间缺乏有效的沟通渠道,以及服务消费者反馈的需求描述模糊、混乱,目前缺乏一种统一的服务需求获取方法对用户持续变化的需求进行有效的分析、组织和规约,导致智能计算服务无法根据用户的需求进行快速改进。针对服务开发中需求变更的持续性和不确定性等问题,提出了一种智能计算服务的需求获取方法。该方法首先从Stack Overflow问答论坛获取智能计算服务的应用反馈和问题,然后根据服务消费者所关注的需求类型采用不同的学习模型(包括支持向量机(SVM)、朴素贝叶斯和TextCNN)对其进行知识分类和优先级排序,最后采用自定义的服务需求模板统一描述智能计算服务的需求。

人工智能背景下的软件需求工程教学改革

为解决当前软件需求工程课程教学中存在的问题,本文探讨软件需求工程教学改革模式。改革的教学模式以学生为主体、教师为主导,将人工智能和软件需求工程相融合的项目贯穿教学始终,以层次性、导向性和强化实践等进行教学,包括课程内容、授课方式、教材建设、实践教学四个方面。实践的结果表明,采用该教学改革模式可以有效提高教学效果以及学生动手创新能力。