基于三元闭包理论的软件回归测试影响域分析方法

为提高测试充分性,减少系统维护的代价,提出了一种基于三元闭包理论的软件回归测试影响域分析方法。将软件系统抽象为一个社交网络,软件系统提供的功能抽象为虚拟人,为虚拟人之间定义交流通道类型,通过图论和三元闭包理论构建非直接发生联系的人的关系,给出回归建议。建立有向有权图模型,再结合三元闭包理论,利用算法计算每个测试项推荐系数,如果推荐系数大于0.5,则将该测试项纳入回归测试。该算法实现了测试用例集约简的同时,结合测试项社区网络针对性地将可能有缺陷的测试用例进行回归测试,满足网络频率规划管理软件等项目工程回归测试的应用需求,大大降低了人力成本,提高了回归测试效率。

基于霍克斯点过程的动态网络表示学习方法

网络表示学习是将网络中的节点映射到低维空间形成低维稠密特征向量的分布式学习方法.本文在现有网络表示学习研究的基础上,提出一种基于霍克斯点过程的动态网络表示学习方法.该方法基于霍克斯点过程有效结合了网络历史连边信息和网络演化中的三元闭包特性对当前节点产生连边的影响,解决了现有方法难以有效捕捉网络历史信息和演化特性的问题.在多种数据集的实验结果表明,本文提出的方法较其它方法在节点分类、链路预测和可视化等实验中的性能均有较大的提高,实验中的F1分数值和AUC值分别提高了3.72%~6.41%和2.22%~4.69%.